CN102780235A - 一种基于遗传算法的抽水蓄能电站调度方法 - Google Patents
一种基于遗传算法的抽水蓄能电站调度方法 Download PDFInfo
- Publication number
- CN102780235A CN102780235A CN201210273392XA CN201210273392A CN102780235A CN 102780235 A CN102780235 A CN 102780235A CN 201210273392X A CN201210273392X A CN 201210273392XA CN 201210273392 A CN201210273392 A CN 201210273392A CN 102780235 A CN102780235 A CN 102780235A
- Authority
- CN
- China
- Prior art keywords
- pump
- power station
- generating
- power
- scheduling interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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;
(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:
式中,Gj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Gj的值为零;Cj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Gj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。
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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Mk,l最小,则:
即,发电边际成本最低的机组增加1MW出力用于水泵抽水;Qlower为抽蓄电站下水库的库容,ΔQlower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Qlower达到最小允许库容Qlower,min;
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Qupper;若没有,则直接执行步骤(2);
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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:
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;ΔQupper为抽蓄电站发电1MW导致的上水库库容Qupper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Qupper达到最小允许库容Qupper,min;
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:
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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Mk,l最小,则:
即,发电边际成本最低的机组增加1MW出力用于水泵抽水;Qlower为抽蓄电站下水库的库容,ΔQlower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Qlower达到最小允许库容Qlower,min;
(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Qupper;若没有,则直接执行步骤(2);
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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:
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;ΔQupper为抽蓄电站发电1MW导致的上水库库容Qupper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ΔQupper达到最小允许库容ΔQupper,min;
(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:
式中,Gj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Gj的值为零;Gj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Gj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;
(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:
式中,Gj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Gj的值为零;Cj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Gj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。
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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Mk,l最小,则:
即,发电边际成本最低的机组增加1MW出力用于水泵抽水;Qlower为抽蓄电站下水库的库容,ΔQlower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Qlower达到最小允许库容Qlower,min;
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Qupper;若没有,则直接执行步骤(2);
Mi,t=2aiPi,t+bi
式中,ai和bi分别为机组i的发电成本系数,Pi,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:
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;ΔQupper为抽蓄电站发电1MW导致的上水库库容Qupper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Qupper达到最小允许库容Qupper,mm;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210273392.XA CN102780235B (zh) | 2012-08-02 | 2012-08-02 | 一种基于遗传算法的抽水蓄能电站调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210273392.XA CN102780235B (zh) | 2012-08-02 | 2012-08-02 | 一种基于遗传算法的抽水蓄能电站调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102780235A true CN102780235A (zh) | 2012-11-14 |
CN102780235B CN102780235B (zh) | 2014-10-08 |
Family
ID=47125043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210273392.XA Expired - Fee Related CN102780235B (zh) | 2012-08-02 | 2012-08-02 | 一种基于遗传算法的抽水蓄能电站调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102780235B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795088A (zh) * | 2013-10-16 | 2014-05-14 | 华北电力大学(保定) | 一种基于负荷曲线量化的抽水蓄能电站优化调度方法 |
CN103972913A (zh) * | 2014-05-12 | 2014-08-06 | 南方电网科学研究院有限责任公司 | 一种基于边际发电能耗的抽蓄电站日运行方式优化方法 |
CN104483837A (zh) * | 2014-11-25 | 2015-04-01 | 华中科技大学 | 可逆式机组自适应控制方法 |
CN105634023A (zh) * | 2016-02-03 | 2016-06-01 | 国家电网公司 | 一种电力系统生产运行方法 |
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN109449980A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学 | 一种含海水抽蓄电站的主动配电网优化调度方法 |
CN117404285A (zh) * | 2023-11-30 | 2024-01-16 | 北京力控元通科技有限公司 | 一种水泵集控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030413A (ja) * | 2002-06-27 | 2004-01-29 | Fujitsu Ltd | 最適化処理装置 |
CN1971601A (zh) * | 2006-12-07 | 2007-05-30 | 武汉大学 | 水库优化调度的可行搜索方法 |
-
2012
- 2012-08-02 CN CN201210273392.XA patent/CN102780235B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030413A (ja) * | 2002-06-27 | 2004-01-29 | Fujitsu Ltd | 最適化処理装置 |
CN1971601A (zh) * | 2006-12-07 | 2007-05-30 | 武汉大学 | 水库优化调度的可行搜索方法 |
Non-Patent Citations (2)
Title |
---|
常黎等: "《抽水蓄能电站优化运行方式的混合遗传算法》", 《华中科技大学学报》, vol. 30, no. 6, 30 June 2002 (2002-06-30), pages 99 - 101 * |
苏学灵等: "《混合式抽水蓄能电站在梯级水电站群众的优化调度》", 《电力系统自动化》, vol. 34, no. 4, 25 February 2010 (2010-02-25), pages 29 - 33 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795088A (zh) * | 2013-10-16 | 2014-05-14 | 华北电力大学(保定) | 一种基于负荷曲线量化的抽水蓄能电站优化调度方法 |
CN103972913A (zh) * | 2014-05-12 | 2014-08-06 | 南方电网科学研究院有限责任公司 | 一种基于边际发电能耗的抽蓄电站日运行方式优化方法 |
CN103972913B (zh) * | 2014-05-12 | 2015-11-04 | 南方电网科学研究院有限责任公司 | 一种基于边际发电能耗的抽蓄电站日运行方式优化方法 |
CN104483837A (zh) * | 2014-11-25 | 2015-04-01 | 华中科技大学 | 可逆式机组自适应控制方法 |
CN104483837B (zh) * | 2014-11-25 | 2017-04-12 | 华中科技大学 | 可逆式机组自适应控制方法 |
CN105634023A (zh) * | 2016-02-03 | 2016-06-01 | 国家电网公司 | 一种电力系统生产运行方法 |
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN109449980A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学 | 一种含海水抽蓄电站的主动配电网优化调度方法 |
CN117404285A (zh) * | 2023-11-30 | 2024-01-16 | 北京力控元通科技有限公司 | 一种水泵集控方法及系统 |
CN117404285B (zh) * | 2023-11-30 | 2024-04-16 | 北京力控元通科技有限公司 | 一种水泵集控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102780235B (zh) | 2014-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102780235B (zh) | 一种基于遗传算法的抽水蓄能电站调度方法 | |
CN105576709B (zh) | 一种基于混合算法的风蓄火联合运行的优化方法 | |
CN111799778A (zh) | 一种计及调峰需求的含风电电力系统储能容量优化方法 | |
CN109245169B (zh) | 一种风光水储联合调度方法 | |
CN108229865A (zh) | 一种基于碳交易的电热气综合能源系统低碳经济调度方法 | |
CN107732949B (zh) | 一种综合风电全年多季节特性的储能布点定容方法 | |
CN107276122B (zh) | 适应大规模可再生能源并网的调峰资源调用决策方法 | |
CN106374515B (zh) | 一种有源配电网中储能系统双层递阶优化配置方法 | |
CN108133104B (zh) | 一种长期跨流域多梯级水电优化运行模拟方法 | |
CN102694391A (zh) | 风光储联合发电系统日前优化调度方法 | |
CN113488995B (zh) | 基于储能成本的共享储能容量优化配置方法和装置 | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN106228462A (zh) | 一种基于遗传算法的多储能系统优化调度方法 | |
CN103427432B (zh) | 利用分布式蓄电池储能站平衡微网失配功率的控制方法 | |
CN110601260A (zh) | 一种限定联络线上功率波动的光-蓄系统容量优化方法 | |
CN103795088B (zh) | 一种基于负荷曲线量化的抽水蓄能电站优化调度方法 | |
CN115940207A (zh) | 基于平抑风光波动的抽水蓄能容量优化配置方法 | |
CN103972913B (zh) | 一种基于边际发电能耗的抽蓄电站日运行方式优化方法 | |
CN102289571B (zh) | 基于来能预测的海洋能发电系统的负载优化调度方法 | |
CN115907402B (zh) | 一种梯级水电站联合保证出力的推求方法及系统 | |
CN111476477A (zh) | 基于发电效益目标的梯级水电站中长期优化调度方法 | |
CN106300425A (zh) | 一种基于用户舒适度的分布式能源管理方法 | |
Ma et al. | Two-stage optimal dispatching based on wind-photovoltaic-pumped storage-thermal power combined power generation system | |
CN104578135B (zh) | 一种基于异构储能系统的功率可预测性控制方法 | |
CN115513999B (zh) | 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141008 Termination date: 20160802 |