CN102780235A - 一种基于遗传算法的抽水蓄能电站调度方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的抽水蓄能电站调度方法，是在火电机组机组组合结果的基础上，对抽蓄电站进行优化调度，所建立的抽蓄电站最优调度模型是一个包含离散变量和连续变量的优化问题。离散变量为抽蓄电站在各调度区间的工作状态(发电或者抽水)；连续变量为抽蓄电站在各调度区间的发电/抽水功率。该方法在火电机组机组组合的基础上，对抽蓄电站进行优化调度，既考虑了负荷特性又考虑了抽蓄电站和常规火电机组的技术特性，通过构建调度模型，提高抽蓄电站经济效益和社会效应。

Description

一种基于遗传算法的抽水蓄能电站调度方法

技术领域

本发明涉及抽水蓄能电站技术，具体涉及一种基于遗传算法的抽水蓄能电站调度方法。

背景技术

抽蓄电站是利用电力系统中多余电能，把高程低的水库(通称“下水库”)内的水抽到高程高的水库(通称“上水库”)内、以势能的方式蓄存起来，系统需要电力时，再从上水库放水至下水库进行发电的水电站。近十几年以来，抽蓄电站在我国发展很快，其在电网运行中起着重要的作用。目前的抽蓄电站调度方法较为粗略，主要有两类：①依据负荷曲线进行调度，即在负荷低谷时抽蓄电站抽水，在负荷高峰时抽蓄电站发电，从而起到“削峰填谷”的作用，使负荷曲线平坦化。一般来说，火电系统面对较为平坦的负荷曲线时，发电成本较低，因此，此种调度方法可降低整个发电系统的运行成本。这部分发电成本的减少就是抽蓄电站的调度效益。②依据实时电价进行调度，即在电价低谷时抽蓄电站抽水，将电能转化为水的势能储存起来，在电价高峰时，抽蓄电站将上水库中蓄水的势能转化为电能，从而实现电能在时间坐标上的平移，将低谷时段便宜的电能转换为高峰时段昂贵的电能。这两种现用的抽蓄电站调度方法均未考虑系统中火电机组的发电成本函数和启停特性，因而较为粗略，有可能导致无法充分发挥抽蓄电站的运行效益。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于遗传算法的抽水蓄能电站调度方法，通过构建调度模型，提高抽蓄电站经济效益和社会效应。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：

一种基于遗传算法的抽水蓄能电站调度方法，包括以下步骤：

(1)将整个调度时段的小时数T按照30分钟的时间步长分为2T个调度区间，其中，各调度区间内火电机组的出力，抽蓄电站的抽水/发电功率以及负荷需求均保持不变；

(2)随机产生遗传算法的初始染色体种群，种群规模为10T，采用长度为2T的二进制编码表示染色体种群中的一条染色体；每条染色体给出了抽蓄电站在整个调度时段内的工作状态，根据抽蓄电站的工作状态可将整个调度时段分为m个抽水/发电阶段，m≤2T；

(3)根据边际发电成本最小的原则，优化抽蓄电站在各抽水阶段的抽水功率时间序列

优化目标是确保火电系统为应对抽水功率而增大出力导致的额外发电成本最小；

(4)根据边际发电成本最大的原则，优化抽蓄电站在各发电阶段的发电功率时间序列

优化目标是确保火电系统因抽蓄电站发电功率而节约的发电成本额最大；

(5)根据步骤(3)和步骤(4)的优化结果计算种群中各染色体的适应度：

$F_{\mathrm{it}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(G_j-C_j)$

式中，G_j为抽蓄电站发电阶段火电系统，因抽蓄电站的发电功率而节约的发电成本，若阶段j为抽蓄电站的抽水阶段，则G_j的值为零；C_j为抽蓄电站抽水阶段火电系统，为应对抽水功率而增大出力导致的额外发电成本，若阶段j为抽蓄电站的发电阶段，则G_j的值为零；

(6)以种群中各染色体的适应度为基础，采用遗传操作更新染色体种群；

(7)重复执行步骤(3)至步骤(6)，直至算法满足预置的收敛条件。

步骤(2)中，所述的染色体表示方法，具体为：染色体采用长度为2T的二进制编码表示；每个二进制码位有两个可能的取值：“0”或者“1”，“0”表示抽蓄电站在调度区间内处于抽水状态；“1”表示抽蓄电站在调度区间内处于发电状态；整个调度时段根据抽蓄电站的运行状态分为m抽水/发电个阶段。

步骤(3)中，所述的抽蓄电站在抽水阶段j的抽水功率时间序列

的优化方法，具体为：

1)若某调度区间内抽蓄电站的抽水功率小于抽蓄电站的最大允许抽水功塞

则该区间为可用调度区间，反之则为不可用调度区间；计算抽水阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t内的出力；

2)寻找当前发电边际成本最低的机组，假定此时机组k在抽水阶段内的调度区间l的边际发电成本M_k，l最小，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}+1.0\\ P_l^c=P_l^c+1.0\\ Q_{\mathrm{lower}}=Q_{\mathrm{lower}}-\mathrm{\Δ}{Q}_{\mathrm{lower}}\end{array}\right.$

即，发电边际成本最低的机组增加1MW出力用于水泵抽水；Q_lower为抽蓄电站下水库的库容，ΔQ_lower为1MW的水泵抽水功率导致的下水库库容减小量；

3)重复执行步骤(1)和(2)，直至抽水阶段内所有调度区间均为不可用调度区间或下水库的库容Q_lower达到最小允许库容Q_lower，min；

4)根据优化所得的抽水功率时间序列

计算C_j的数值。

步骤(4)中，所述的抽蓄电站在发电阶段的发电功率时间序列的优化方法，具体为：

1)判断是否有火电机组在整个发电阶段可被抽蓄电站的发电出力完全替代；若有，关闭这些机组，并修改抽蓄电站在相应调度区间的发电出力

并计算抽蓄电站发电后的上水库库容Q_upper；若没有，则直接执行步骤(2)；

2)若某调度区间内抽蓄电站的发电功率

小于抽蓄电站的最大允许发电功

则该时段为可用调度区间，反之则为不可用调度区间；计算发电阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t的出力；

3)寻找当前发电边际成本最高的机组，假定此时机组k在调度区间l的边际发电成本最高，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}-1.0\\ P_l^g=P_l^g+1.0\\ Q_{\mathrm{upper}}=Q_{\mathrm{upper}}-\mathrm{\Δ}{Q}_{\mathrm{upper}}\end{array}\right.$

即，发电边际成本最高的机组减少出力1MW，功率缺额由抽蓄电站的发电出力弥补；ΔQ_upper为抽蓄电站发电1MW导致的上水库库容Q_upper的减少量；

4)重复执行步骤(2)和(3)，直至抽水阶段内所有调度区间均变为不可用调度区间或上水库的库容Q_upper达到最小允许库容Q_upper,min；

5)根据优化所得的发电功率时间序列

计算G_j的数值。

步骤(7)中，所述预置的收敛条件为：最大进化1000代，或连续10代没有出现更优秀的个体。

有益效果：与现有技术相比，本发明突出的优点包括：该方法在火电机组机组组合的基础上，对抽蓄电站进行优化调度，既考虑了负荷特性又考虑了抽蓄电站和常规火电机组的技术特性，通过构建调度模型，提高抽蓄电站经济效益和社会效应。

具体实施方式

下面结合具体实施例对本发明做进一步的说明。

实施例1

如图1所示，本发明的基于遗传算法的抽水蓄能电站调度方法，是在火电机组机组组合结果的基础上，对抽蓄电站进行优化调度，优化调度的目标是抽蓄电站运行的经济效益最大化。该方法建立的抽蓄电站最优调度模型是一个包含离散变量和连续变量的优化问题。离散变量为抽蓄电站在各调度区间的工作状态(发电或者抽水)；连续变量为抽蓄电站在各调度区间的发电/抽水功率。

本发明对抽蓄电站进行优化调度模型的求解分为两个层次。第一层次优化抽蓄电站在整个调度时段内的工作状态序列，由遗传算法进行；第二个层次采用最大/小边际成本法对抽蓄电站在发电/抽水阶段的功率序列进行优化。实际上，这两个层次的优化过程是一个统一的有机整体。第一层次的优化方案是进行第二层次优化的基础；第二层次的优化结果是遗传算法中求取染色体适应度的基础。总体求解流程如图2所示，步骤如下：

(1)、将整个调度时段按照固定的时间步长(30min)分为若干个调度区间，若整个调度时段的小时数为T，则调度区间的数目为2T。各调度区间内火电机组的出力，抽蓄电站的抽水/发电功率以及负荷需求均保持不变；

(2)随机产生遗传算法的初始染色体种群，种群规模为10T。采用长度为2T的二进制编码表示染色体种群中的一条染色体。每条染色体给出了抽蓄电站在整个调度时段内的工作状态(抽水/发电)，根据抽蓄电站的工作状态可将整个调度时段分为m个抽水/发电阶段(m≤2T)；具体按照以下方法：

染色体采用长度为2T的二进制编码表示。每个二进制码位有两个可能的取值：“0”或者“1”。“0”表示抽蓄电站在调度区间内处于抽水状态；“1”表示抽蓄电站在调度区间内处于发电状态。整个调度时段根据抽蓄电站的运行状态分为m抽水/发电个阶段。

(3)根据边际发电成本最小的原则优化抽蓄电站在各抽水阶段的抽水功率时间序列

优化目标是确保火电系统为应对抽水功率而增大出力导致的额外发电成本最小。这部分优化流程如图3所示，核心方法是寻找抽水阶段边际发电最小的机组，让其多发电应对增加的抽水功率，这样就可确保火电系统为应对抽水功率而增大出力导致的额外发电成本最小；具体为：

1)、若某调度区间内抽蓄电站的抽水功率

小于抽蓄电站的最大允许抽水功率则该区间为可用调度区间，反之则为不可用调度区间；计算抽水阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t内的出力；

2)、寻找当前发电边际成本最低的机组，假定此时机组k在抽水阶段内的调度区间l的边际发电成本M_k，l最小，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}+1.0\\ P_l^c=P_l^c+1.0\\ Q_{\mathrm{lower}}=Q_{\mathrm{lower}}-\mathrm{\Δ}{Q}_{\mathrm{lower}}\end{array}\right.$

即，发电边际成本最低的机组增加1MW出力用于水泵抽水；Q_lower为抽蓄电站下水库的库容，ΔQ_lower为1MW的水泵抽水功率导致的下水库库容改变量；

3)、重复执行步骤(1)和(2)，直至抽水阶段内所有调度区间均为不可用调度区间或下水库的库容Q_lower达到最小允许库容Q_lower，min；

4)、根据优化所得的抽水功率时间序列

计算C_j的数值。

(4)根据边际发电成本最大的原则优化抽蓄电站在各发电阶段的发电功率时间序列优化目标是确保火电系统因抽蓄电站发电功率而节约的发电成本额最大，这部分优化流程如图4所示，核心方法是首先利用抽蓄电站的发电功率替代火电系统中部分机组，接着寻找发电阶段边际发电最大的机组，让其少发电从而给抽蓄电站留下出力空间，这样就可确保火电系统因抽蓄电站发电功率而节约的发电成本额最大；具体为：

1)、判断是否有火电机组在整个发电阶段可被抽蓄电站的发电出力完全替代；若有，关闭这些机组，并修改抽蓄电站在相应调度区间的发电出力

并计算抽蓄电站发电后的上水库库容Q_upper；若没有，则直接执行步骤(2)；

2)、若某调度区间内抽蓄电站的发电功率

小于抽蓄电站的最大允许发电功率

则该时段为可用调度区间，反之则为不可用调度区间；计算发电阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t的出力；

3)、寻找当前发电边际成本最高的机组，假定此时机组k在调度区间l的边际发电成本最高，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}-1.0\\ P_l^g=P_l^g+1.0\\ Q_{\mathrm{upper}}=Q_{\mathrm{upper}}-{\mathrm{\ΔQ}}_{\mathrm{upper}}\end{array}\right.$

即，发电边际成本最高的机组减少出力1MW，功率缺额由抽蓄电站的发电出力弥补；ΔQ_upper为抽蓄电站发电1MW导致的上水库库容Q_upper的减少量；

4)、重复执行步骤(2)和(3)，直至抽水阶段内所有调度区间均变为不可用调度区间或上水库的库容ΔQ_upper达到最小允许库容ΔQ_upper，min；

5)、根据优化所得的发电功率时间序列

计算G_j的数值。

(5)根据步骤3和步骤4的优化结果，计算种群中各染色体的适应度：

$F_{\mathrm{it}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(G_j-C_j)$

式中，G_j为抽蓄电站发电阶段火电系统因抽蓄电站的发电功率而节约的发电成本，若阶段j为抽蓄电站的抽水阶段，则G_j的值为零；G_j为抽蓄电站抽水阶段火电系统为应对抽水功率而增大出力导致的额外发电成本，若阶段j为抽蓄电站的发电阶段，则G_j的值为零。

(6)以种群中各染色体的适应度为基础，采用遗传操作(复制、交叉、变异)更新染色体种群；

(7)重复执行步骤(3)至步骤(6)，直至算法满足预置的收敛条件。预置的收敛条件可以为：最大进化1000代，或连续10代没有出现更优秀的个体。

Claims (5)

1.一种基于遗传算法的抽水蓄能电站调度方法，其特征在于，包括以下步骤：

(1)将整个调度时段的小时数T按照30分钟的时间步长分为2T个调度区间；各调度区间内火电机组的出力，抽蓄电站的抽水/发电功率以及负荷需求均保持不变；

(2)随机产生遗传算法的初始染色体种群，种群规模为10T，采用长度为2T的二进制编码表示染色体种群中的一条染色体；每条染色体给出了抽蓄电站在整个调度时段内的工作状态，根据抽蓄电站的工作状态可将整个调度时段分为m个抽水/发电阶段，m≤2T；

(3)根据边际发电成本最小的原则，优化抽蓄电站在各抽水阶段的抽水功率时间序列

优化目标是确保火电系统为应对抽水功率而增大出力导致的额外发电成本最小；

(4)根据边际发电成本最大的原则，优化抽蓄电站在各发电阶段的发电功率时间序列

优化目标是确保火电系统因抽蓄电站发电功率而节约的发电成本额最大；

(5)根据步骤(3)和步骤(4)的优化结果计算种群中各染色体的适应度：

$F_{\mathrm{it}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(G_j-C_j)$

式中，G_j为抽蓄电站发电阶段火电系统因抽蓄电站的发电功率而节约的发电成本，若阶段j为抽蓄电站的抽水阶段，则G_j的值为零；C_j为抽蓄电站抽水阶段火电系统为应对抽水功率而增大出力导致的额外发电成本，若阶段j为抽蓄电站的发电阶段，则G_j的值为零；

(6)以种群中各染色体的适应度为基础，采用遗传操作更新染色体种群；

(7)重复执行步骤(3)至步骤(6)，直至算法满足预置的收敛条件。

2.根据权利要求1所述的基于遗传算法的抽水蓄能电站调度方法，其特征在于：步骤(2)中，具体方法：染色体采用长度为2T的二进制编码表示；每个二进制码位有两个可能的取值：“0”或者“1”，“0”表示抽蓄电站在调度区间内处于抽水状态；“1”表示抽蓄电站在调度区间内处于发电状态；整个调度时段根据抽蓄电站的运行状态分为m抽水/发电个阶段。

3.根据权利要求1所述的基于遗传算法的抽水蓄能电站调度方法，其特征在于：步骤(3)中，所述的抽蓄电站在抽水阶段j的抽水功率时间序列

的优化方法，具体为：

1)若某调度区间内抽蓄电站的抽水功率小于抽蓄电站的最大允许抽水功率

则该区间为可用调度区间，反之则为不可用调度区间；计算抽水阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t内的出力；

2)寻找当前发电边际成本最低的机组，假定此时机组k在抽水阶段内的调度区间l的边际发电成本M_k，l最小，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}+1.0\\ P_l^c=P_l^c+1.0\\ Q_{\mathrm{lower}}=Q_{\mathrm{lower}}-\mathrm{\Δ}{Q}_{\mathrm{lower}}\end{array}\right.$

即，发电边际成本最低的机组增加1MW出力用于水泵抽水；Q_lower为抽蓄电站下水库的库容，ΔQ_lower为1MW的水泵抽水功率导致的下水库库容减小量；

3)重复执行步骤1)和2)，直至抽水阶段内所有调度区间均为不可用调度区间或下水库的库容Q_lower达到最小允许库容Q_lower，min；

4)根据优化所得的抽水功率时间序列

计算C_j的数值。

4.根据权利要求1所述的基于遗传算法的抽水蓄能电站调度方法，其特征在于，步骤(4)中，所述的抽蓄电站在发电阶段的发电功率时间序列

的优化方法，具体为：

1)判断是否有火电机组在整个发电阶段可被抽蓄电站的发电出力完全替代；若有，关闭这些机组，并修改抽蓄电站在相应调度区间的发电出力

并计算抽蓄电站发电后的上水库库容Q_upper；若没有，则直接执行步骤(2)；

2)若某调度区间内抽蓄电站的发电功率

小于抽蓄电站的最大允许发电功率

则该时段为可用调度区间，反之则为不可用调度区间；计算发电阶段各可用调度区间内所有火电机组当前的边际发电成本M_i，t：

M_i，t＝2a_iP_i，t+b_i

式中，a_i和b_i分别为机组i的发电成本系数，P_i，t为机组i在调度区间t内的出力；

3)寻找当前发电边际成本最高的机组，假定此时机组k在调度区间l的边际发电成本最高，则：

$\left\{\begin{array}{c}{P}_{k,l}=P_{k,l}-1.0\\ P_l^g=P_l^g+1.0\\ Q_{\mathrm{upper}}=Q_{\mathrm{upper}}-\mathrm{\Δ}{Q}_{\mathrm{upper}}\end{array}\right.$

即，发电边际成本最高的机组减少出力1MW，功率缺额由抽蓄电站的发电出力弥补；ΔQ_upper为抽蓄电站发电1MW导致的上水库库容Q_upper的减少量；

4)重复执行步骤(2)和(3)，直至抽水阶段内所有调度区间均变为不可用调度区间或上水库的库容Q_upper达到最小允许库容Q_upper，mm；

5)根据优化所得的发电功率时间序列

计算G_j的数值。

5.根据权利要求1所述的基于遗传算法的抽水蓄能电站调度方法，其特征在于，步骤(7)中，所述预置的收敛条件为：最大进化1000代，或连续10代没有出现更优秀的个体。

Images