CN105184426A - 一种基于随机连续寻优策略的梯级电站调峰方法 - Google Patents

Abstract

本发明公开了一种基于随机连续寻优策略的梯级电站调峰方法，包括：(1)初始解的生成：从上游到下游逐电站选择坝前水位作为离散状态量，以电网余荷均方差最小为目标进行单库调峰优化计算：(2)随机连续逐步优化搜索：(3)更新迭代判断：若达到时段末，当达到逐次优化算法终止条件时，调整过程结束，输出最终结果；若未达到逐次优化算法终止条件时，时段数置为起始时段，转入(2)，进行下一次迭代优化；若不是时段末，时段数增加一，转入(2)，进行下一时段的两阶段调整。本发明提出的约束处理方法完全解耦梯级电站间复杂的梯级电站耦合运行约束，简化了算法的约束处理过程，并减少了决策变量维数，找到合理寻优空间，能适用于大规模梯级电站群的调峰问题。

Description

一种基于随机连续寻优策略的梯级电站调峰方法

技术领域

本发明属于水电能源优化运行和电力系统发电优化调度领域，特别是涉及一种基于随机连续寻优策略的梯级电站调峰方法。

背景技术

梯级水电站短期调峰问题具有时间和空间多维，库群间水力、电力联系复杂，寻优空间庞大等特点，是一类典型的多决策变量、高维度、多约束的大规模非线性规划问题。对于此类问题模型的求解，目前多采用常规数学规划法和智能算法。然而，数学规划方法通常难以处理耦合度较高的复杂约束，易产生“维数灾”问题，虽然通过运用逐步优化技术可对模型进行降维，但由于传统逐次优化算法的求解精度强烈依赖于决策变量离散精度，库群规模和约束耦合度，由此带来的求解效率低的问题限制了其在大规模水电站短期联合调峰调度中的应用。而智能算法虽然在水库调度中得到了成功应用，但其求解效率也受限于决策变量维数和寻优空间范围，且极易陷入早熟及局部收敛。

发明内容

本发明目的在于提供一种基于随机连续寻优策略的梯级电站调峰方法，制定既能满足水电站运行限制和实际运行工况，同时又能兼顾各电网调峰需求的发电计划。

本发明提出的一种基于随机连续寻优策略的梯级电站调峰方法，在综合考虑电网负荷特性的基础上，以受电电网剩余负荷均方差最小作为优化目标，利用随机连续的粒子群算法思想改进逐步优化算法的两阶段调整过程，以满足梯级电站调峰任务。

具体技术方案如下：

步骤一：初始解的生成。

从上游到下游逐电站选择坝前水位作为离散状态量，以电网余荷均方差最小为目标，进行单库调峰优化计算：

(1)针对单站利用动态规划法优化计算。

基于出入库流量和约束条件，从时段初正推，时段末逆推，得到基础廊道。在基础廊道范围内，从初始时段开始，根据前一时段和后一时段确定的状态变量正逆推，得到当前调整时段的取值范围，基于此范围变尺度离散当前时段的状态变量进行动态规划寻优，直到调度时段末。并记录此时电站的出力过程为初始解。

(2)更新下游电站面临的负荷曲线和入库流量。

若存在下游电站，则当前电站调峰优化后的余荷曲线和考虑水流时滞的下泄流量为下游电站面临的负荷曲线和入库流量，循环步骤一(1)。若无下游电站，则输出梯级各电站的初始解。

步骤二：随机连续逐步优化搜索。

(1)初始化。初始化调整时段及电网电站约束条件；

(2)两阶段问题调整

两阶段调整引入启发随机搜索机制，以电网整个调度时段的余荷均方差最小为目标，采用单时段粒子群算法进行求解。

①决策变量的确定

以t时段所有电站的坝前水位作为决策变量：

[Z_1,t…Z_i,t…Z_M,t](1)

式中，Z_i,t为第i个电站在第t时段的水位，M为梯级电站数。

②动态自适应廊道方法生成可行域

从上游到下游逐电站利用动态廊道法生成可行域，即从初始电站开始，在基础廊道的范围内，综合入库流量和以下约束条件：

运行水位约束：

$Z_t^{\min }\≤Z_t\≤Z_t^{\max }---\left(2\right)$

下泄流量约束：

$Q_t^{\min }\≤Q_t\≤Q_t^{max}---\left(3\right)$

时段水位/流量变幅约束：

$\left\{\begin{array}{c}|Z_t-Z_{t-1}|\≤\mathrm{\Δ}Z\\ |Q_t-Q_{t-1}|\≤\mathrm{\Δ}Q\end{array}\right.---\left(4\right)$

调度期末水位约束：

Z_c＝Z_g(5)

式中，分别为水电站t时段水位上下限；分别为水电站t时段下泄流量上下限；ΔZ、ΔQ分别为水电站时段允许最大水位变幅和流量变幅；Z_c与Z_g分别为水电站计算末水位及调度期末水位控制值。

结合以上条件边界值，根据前一时段决策变量正推和后一时段决策变量逆推，形成单时段粒子群算法的寻优廊道，基于当前电站决策变量的下泄流量更新下游电站的入库流量，重复寻优廊道生成步骤，直到第M个电站，如图2所示。

③单时段粒子群算法优化。在生成的可行域内进行粒子群算法更新迭代寻优。

④更新调整过后的梯级各电站时段出力。基于优化结果，更新初始解和调整时段数加一。

(3)更新迭代判断。若达到时段末，当达到大于最大迭代次数或者偏差值小于阀值)时，调整过程结束，输出最终结果；未达到逐次优化算法终止条件(小于等于最大迭代次数且偏差值大于等于阈值时)时，转入步骤二(1)，进行下一次迭代优化。若不是时段末，转入步骤二(2)，进行下一时段的两阶段调整。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明提供了一种基于随机连续寻优策略的梯级电站调峰方法，将粒子群算法(ParticleSwarmOptimization，PSO)算法的随机连续寻优思想引入逐步优化算法(ProgressiveOptimizationAlgorithm，POA)算法框架中，利用二种算法的互补特性，解决了现有方案中精度及维数灾问题，随机连续寻优使各接入电网受电过程满足梯级水电站运行限制要求。

2、本发明能够兼顾电网的负荷特性和调峰需求，充分发挥梯级水电站的水力电力补偿效益，深度挖掘调峰容量效益，调峰后的峰谷差和剩余负荷方差指标(评价剩余负荷平坦程度)与调峰前相比均显著减小，各电网得到满意的调峰效果；同时，本发明制定的出力方案能满足出力安全稳定运行要求及最小持续时间约束，得到的出力曲线符合水电站实际运行需求，具有工程实用性。

3、本发明提出的约束处理方法完全解耦梯级电站间复杂的梯级电站耦合运行约束，简化了算法的约束处理过程，并减少了决策变量维数，找到合理寻优空间，能适用于大规模梯级电站群的调峰问题。

附图说明

图1为随机连续寻优策略的逐次优化算法的梯级电站调峰方法流程图；

图2为动态廊道解耦策略图；

图3为湖南电网采用随机连续寻优策略的逐次优化算法调峰前后负荷对比图；

图4为湖南电网采用粒子群算法调峰前后负荷对比图；

图5为湖南电网采用常规逐次优化算法调峰前后负荷对比图；

图6为沅水梯级中三板溪电站出力及水位过程图；

图7为沅水梯级中白市电站出力及水位过程图；

图8为沅水梯级中托口电站出力及水位过程图；

图9为沅水梯级中五强溪电站出力及水位过程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明以华中电网直调的沅水梯级为实施例，按照图1所示随机连续寻优策略的逐次优化算法的梯级电站调峰方法流程流程，进行梯级电站调峰模拟，以表现本发明达到的效果。

华中电网直调的沅水梯级三板溪、白市、托口和五强溪电站，承担湖南电网中的大量调峰调频任务。各电站的特征参数如下三板溪的装机容量为100MW，保证出力234.9MW；白市装机容量为420MW，保证出力为89.7MW；托口装机容量为800MW，保证出力为129.3MW；五强溪的装机容量为1200MW，保证出力为255MW。选取2014年5月某日的数据进行优化计算，三板溪的初末水位分别为446.55m和446.37m；白市的初末水位分别为297.5m和297.65m；托口的初末水位分别为243m和252.99m；五强溪的初末水位分别为100.5m和99.89m。水电站所有机组无检修，水电站出力两次变化之间的时间间隔不小于4个时段(1小时)。实施例以日为调度期模拟沅水梯级调峰发电调度，获得湖南电网受电过程及沅水梯级各电站运行过程，并对调度结果进行对比分析。本发明实施步骤如下：

步骤一：初始解的生成。

按照沅水流域华中电站直调电站拓扑确定梯级电站计算顺序，从上游到下游逐电站选择坝前水位作为离散状态量以电网余荷均方差最小为目标进行单库调峰优化计算：

(1)动态规划法优化计算。针对单站动态规划法优化；

(2)更新下游电站面临的负荷曲线和入库流量

若当前电站不为五强溪，则当前电站调峰优化后的余荷曲线和考虑水流时滞的下泄流量为下游电站面临的负荷曲线和入库流量组成部分，循环步骤一(1)。若当前电站为五强溪，则输出梯级各电站的初始解。

步骤二：随机连续逐步优化搜索。

(1)初始化。初始化调整时段及当日湖南电网日负荷曲线、各电站的运行约束、各电站NHQ曲线等；

(2)两阶段问题调整

①决策变量的确定

以t时段所有电站的坝前水位作为决策变量：

[Z_sbx,tZ_bs,tZ_tk,tZ_wqx,t]

式中，Z_sbx,t为t时段三板溪的水位；Z_bs,t为t时段白市的水位；Z_tk,t为t时段托口的水位；Z_wqx,t为t时段五强溪的水位。

②动态自适应廊道方法生成可行域

如图2所示，从三板溪电站开始，在基础廊道的范围内，综合入库流量和约束条件，根据前一时段决策变量正推和后一时段决策变量逆推，形成单时段粒子群算法的寻优廊道，基于当前电站决策变量的下泄流量更新下游电站的入库流量，重复寻优廊道生成步骤，直到五强溪电站。

③单时段粒子群算法优化。在生成的可行域进行粒子群算法更新迭代寻优。

④更新调整过后的梯级各电站时段出力。基于优化结果，更新初始解和调整时段t＝t+1。

(3)更新迭代判断若达到时段末，或达到逐次优化算法算法终止条件时，调整过程结束，输出湖南电网调峰前后负荷对比结果及各电站的运行曲线；当未达到时，转入步骤二(1)，进行下一次迭代优化。否则，转入步骤二(2)，进行下一时段的两阶段调整。

图3、图4和图5是分别采用基于随机连续寻优策略的逐次优化算法、粒子群算法和常规逐次优化算法，求得调峰前后负荷对比情况。由图1可知，基于随机连续寻优策略的逐次优化算法优化结果梯级电站总出力能很好的跟踪电网曲线的趋势，基本在谷段减小出力，在峰段增大出力，整体调峰效果较为显著。图6、图7、图8和图9分别为三板溪电站、白市电站、托口电站和五强溪电站调峰优化出力及水位过程。由图6、图7、图8和图9中可以看出水位过程线都达到保证优化调度的周期性控制末水位和满足最大水位变幅约束，变化趋势与出力过程一致，在对应的出力变化的情况下会有相应的斜率变化情况。其原因是出力变化导致出库流量改变，在短时间内入库流量变幅不会太大，所以水位线斜率会变化。但当出力变化幅度不大时，由于梯级电站之间复杂的水力联系，上游电站下泄的影响，入库流量变化相较于出库流量变化更大，则出现例外情况。同时，图6、图7、图8和图9中出力过程基本都满足在峰段增大出力，谷段减小出力的趋势，综合电网余荷过程线，调峰容量还是存在不足的情况。但三板溪、托口电站的调峰容量还未完全发挥作用，其主要原因是控制末水位的设置需要考虑防洪、生态、航运、下游水位影响等多方面因素，因此纳入更多的水电站进行联合调峰势在必行。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于随机连续寻优策略的梯级电站调峰方法，其特征在于，所述方法包括如下步骤：

(1)初始解的生成：从上游到下游逐电站选择坝前水位作为离散状态量，以电网余荷均方差最小为目标进行单库调峰优化计算：

(2)随机连续逐步优化搜索：

(2.1)初始化调整时段及电网电站约束条件：

(2.2)两阶段问题调整：两阶段调整引入启发随机搜索机制，以电网整个调度时段的余荷均方差最小为目标采用单时段粒子群算法进行求解；

(3)更新迭代判断：若达到时段末，当达到逐次优化算法终止条件时，调整过程结束，输出最终结果；若未达到逐次优化算法终止条件时，转入步骤(2.1)，进行下一次迭代优化；若不是时段末，转入(2.2)，进行下一时段的两阶段调整。

2.如权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：

(1.1)动态规划法优化计算：基于出入库流量和约束条件，从时段初正推，时段末逆推，得到基础廊道；在基础廊道范围内，从初始时段开始，根据前一时段和后一时段确定的状态变量正逆推，得到当前调整时段的取值范围，基于此范围变尺度离散当前时段的状态变量进行动态规划寻优，直到调度时段末；并记录此时电站的出力过程为初始解；

(1.2)更新下游电站面临的负荷曲线和入库流量：若存在下游电站，则当前电站调峰优化后的余荷曲线和考虑水流时滞的下泄流量为下游电站面临的负荷曲线和入库流量组成部分，循环步骤(1.1)；若无下游电站，则输出梯级各电站的初始解。

3.如权利要求1或2所述的方法，其特征在于，所述步骤(2.2)具体包括：

(2.2.1)决策变量的确定，以当前单个时段所有电站的坝前水位作为决策变量：[Z_1,t…Z_i,t…Z_M,t]

式中，Z_i,t为第i个电站在第t时段的水位，M为梯级电站数；

(2.2.2)动态自适应廊道方法生成可行域：从上游到下游逐电站利用动态廊道法生成可行域：从初始电站开始，在基础廊道的范围内，综合入库流量和约束条件，根据前一时段决策变量正推和后一时段决策变量逆推，形成单时段粒子群算法的寻优廊道，基于当前电站决策变量的下泄流量更新下游电站的入库流量，重复寻优廊道生成步骤，直到第M个电站；

(2.2.3)单时段粒子群算法优化：在生成的可行域进行粒子群算法更新迭代寻优；

(2.2.4)更新调整过后的梯级各电站时段出力：基于优化结果，更新初始解和调整时段。

4.如权利要求3所述的方法，其特征在于，所述步骤(2.2.2)具体包括：

从上游到下游逐电站利用动态廊道法生成可行域，即从初始电站开始，在基础廊道的范围内，综合入库流量和以下约束条件：

运行水位约束：

$Z_t^{min}\≤Z_t\≤Z_t^{\max }---\left(2\right)$

下泄流量约束：

$Q_t^{min}\≤Q_t\≤Q_t^{max}---\left(3\right)$

时段水位/流量变幅约束：

$\left\{\begin{array}{c}|Z_t-Z_{t-1}|\≤\mathrm{\Δ}Z\\ |Q_t-Q_{t-1}|\≤\mathrm{\Δ}Q\end{array}\right.---\left(4\right)$

调度期末水位约束：

Z_c＝Z_g(5)

式中，分别为水电站t时段水位上下限；分别为水电站t时段下泄流量上下限；ΔZ、ΔQ分别为水电站时段允许最大水位变幅和流量变幅；Z_c与Z_g分别为水电站计算末水位及调度期末水位控制值；

结合以上条件边界值，根据前一时段决策变量正推和后一时段决策变量逆推，形成单时段粒子群算法的寻优廊道，基于当前电站决策变量的下泄流量更新下游电站的入库流量，重复寻优廊道生成步骤，直到第M个电站。

5.如权利要求1或2所述的方法，其特征在于，所述步骤(3)中的到达逐次优化算法终止条件具体为：大于最大迭代次数或者偏差值小于阀值。