CN106159944A - 低碳环境下基于二层规划模型的多阶段输电网规划方法 - Google Patents

Abstract

本发明涉及一种低碳环境下基于二层规划模型的多阶段输电网规划方法，所述方法包括下列步骤：将输电网的多阶段按照时间顺序划分为相互联系的多个单阶段；对全部单阶段合并后建立输电网的二层规划模型，所述二层规划模型包括上层规划模型和下层规划模型；采用改进遗传算法和原始‑对偶内点法的混合算法对输电网的二层规划模型求解，根据得到的结果实现多阶段输电网规划。与现有技术相比，本发明具有将能效电网与多阶段输电网规划有效结合、提高能源利用效率、减少电力建设投资以及保证系统规划的结构和投资最优化等优点。

Description

低碳环境下基于二层规划模型的多阶段输电网规划方法

技术领域

本发明涉及输电网规划领域，尤其是涉及一种低碳环境下基于二层规划模型的多阶段输电网规划方法。

背景技术

随着环境污染的日益恶化，降低碳排放在世界范围内受到人们的重视，低碳发展成为世界实现可持续发展的必然选择。为了维持我国经济的可持续健康发展，国务院发布的《“十二五”节能减排综合性工作方案》中已经明确提出控制主要污染物排放总量，并且提出要加强电力需求侧管理，大力推广能效电厂。

能效电厂属于需求侧管理的一种，通过改变用户的用电方式，选择节能高效的用电设备，提高电能的使用效率，不仅有效减少电力建设投资成本，保证电力系统经济可靠运行，还能减少用户电费开支，大大降低能源消耗，改善环境质量，是实现节能减排的有效途径。在输电网规划中考虑能效电厂，能够缓解当前电力供应紧张的局面，还能在节能减排方面发挥重要作用，这对合理利用资源配置，减少电力建设投资、提高能源效率有着重要的意义。

多阶段输电网规划也称动态输电网规划，一般电力系统规划周期长，通常分几个阶段进行。多阶段输电网规划是一个复杂的组合优化问题，在规划期间既要考虑各阶段电网规划方案的可行性，又要考虑各个规划阶段之间的影响，每一阶段方案不仅要考虑本阶段要求，还要考虑对整个规划方案的影响，各个阶段之间具有动态性。然而现有的输电网没有考虑并入能效电厂后的动态规划方法，缺少节能减排的意识。

发明内容

本发明的目的是针对上述问题提供一种低碳环境下基于二层规划模型的多阶段输电网规划方法。

本发明的目的可以通过以下技术方案来实现：

一种低碳环境下基于二层规划模型的多阶段输电网规划方法，所述方法包括下列步骤：

1)将输电网的多阶段按照时间顺序划分为相互联系的多个单阶段；

2)对步骤1)中的全部单阶段合并后建立输电网的二层规划模型，所述二层规划模型包括上层规划模型和下层规划模型；

3)采用改进遗传算法和原始-对偶内点法的混合算法对步骤2)中建立的输电网的二层规划模型求解，根据得到的结果实现多阶段输电网规划。

所述上层规划模型的目标函数为总投资成本净现值最小，约束条件包括正常运行情况下的潮流约束条件、N-1情况下的潮流约束条件、线路有功潮流约束条件和输电线路约束条件；所述下层规划模型以切负荷惩罚费用最小为目标函数，约束条件包括正常运行状态下的潮流约束条件、N-1情况下的潮流约束条件、切负荷约束条件、线路潮流约束条件和发电机出力约束条件。

所述上层规划模型具体为：

$\begin{array}{cc}\min & F=\underset{t=1}{\overset{T}{\Σ}}\frac{1}{{(1+r)}^{m(t-1)}}\[\underset{i,j\∈\mathrm{\Ω}}{\Σ}{C}_{ij}^t{L}_{ij}{n}_{ij}^t+S_{fuel}^t+S_{eniv}^t+f^t\]+S_E\end{array}$

$m\left(t\right)=\underset{i=1}{\overset{t}{\Σ}}g\left(i\right)$

$S_{fuel}^t=C_{fuel}\underset{k=1}{\overset{N_G}{\Σ}}{P}_{Gk}^t{T}_h^t$

$S_{eniv}^t=\underset{i=1}{\overset{N_W}{\Σ}}{C}_{Wi}{H}_i\underset{k=1}{\overset{N_G}{\Σ}}{P}_{Gk}^t{T}_h^t$

$S_E=C_E\underset{j=1}{\overset{N_E}{\Σ}}{P}_{Ej}$

$0\≤n_{ij}^t\≤{\stackrel{\‾}{n}}_{ij}^t$

其中，m(t)为从第1阶段到第t阶段为止包含的总年份数，为第t阶段发电机组运行成本，C_fuel为单位发电运行成本，为第t阶段发电机组产生的环境成本，S_E为能效电厂的建设费用，t为当前阶段，T为阶段总数，r为贴现率，Ω为节点的集合，g(i)为第i阶段包含的年数，为第t阶段节点i到j的输电线路单位投资费用，L_ij为节点i到j的输电线长度，为节点i到j之间新建输电线路回数，为第t阶段节点i到j之间新建输电线路回数上限，f^t为第t阶段下层产生的切负荷惩罚费用，N_G为发电机组的集合，为第k台发电机的出力，为第t阶段最大负荷利用小时数，N_W为污染气体的集合，C_Wi为第i种污染气体的环境成本，H_i为单位发电量的第i种污染气体排放量，C_E为能效电厂的单位投资成本，N_E为能效电厂的集合，P_Ej为第j个能效电厂的容量，为第t阶段系统节点导纳矩阵，θ^t为第t阶段节点相角列向量，为第t阶段节点i到节点j之间输电线路上的总潮流，为第t阶段节点i到节点j之间原有的线路回路数，为第t阶段节点i到节点j之间单条回路容量上限，x_ij为线路阻抗，为第t阶段的发电机发电量，为第t阶段的能效电厂发电量，为第t阶段的负荷量，为第t阶段正常运行状态下的切负荷量，为第t阶段运行状态下任一条线路退出运行时的切负荷量，^代表线路N-1条件下的网络参数及对应的潮流。

所述下层规划模型具体为：

$\begin{array}{cc}\min & f^t=\mathrm{\α}\underset{i\∈\mathrm{\Ω}}{\Σ}{P}_{Ri}^t+\mathrm{\β}\underset{l\∈N_L^t}{\Σ}\underset{i\∈\mathrm{\Ω}}{\Σ}{\hat{P}}_{Rl,i}^t\end{array}$

$s.t.\left\{\begin{array}{c}\underset{i,j\∈\mathrm{\Ω}}{\Σ}{B}_{0,ij}^t{\mathrm{\θ}}_{ij}^t=P_{Gi}^t+P_{Ei}^t-P_{Di}^t+P_{Ri}^t\\ 0\≤P_{Ri}^t\≤P_{Di}^t-P_{Ei}^t\\ \left|p_{ij}^t\right|\≤(n_{ij,0}^t+n_{ij}^t){\stackrel{\‾}{p}}_{ij}^t\end{array}\right.$

$\left\{\begin{array}{c}\underset{i,j\∈\mathrm{\Ω}}{\Σ}{\hat{B}}_{0,ij}^t{\widehat{\mathrm{\θ}}}_{ij}^t=P_{Gi}^t+P_{Ei}^t-P_{Di}^t+{\hat{P}}_{Rl,i}^t\\ 0\≤{\hat{P}}_{Rl,i}^t\≤P_{Di}^t-P_{Ei}^t\\ \left|{\hat{p}}_{ij}^t\right|\≤({\hat{n}}_{ij,0}^t+{\hat{n}}_{ij}^t){\stackrel{\‾}{p}}_{ij}^t\end{array}\right.$

${\underset{\‾}{P}}_{Gk}^t\≤P_{Gk}^t\≤{\stackrel{\‾}{P}}_{Gk}^t$

其中，α为正常运行状态下的切负荷惩罚系数，β为N-1运行状态下的切负荷惩罚系数，为第t阶段输电线路的集合，为第t阶段正常运行状态下节点i的切负荷量，为第t阶段N-1运行状态下线路l退出运行时节点i的切负荷量，为第t阶段发电机组出力下限，为第t阶段发电机组出力上限。

所述步骤3)具体为：

31)以新建输电线路数目作为上层规划模型的变量，通过随机选取确定上层规划模型的试验解作为随机规划方案；

32)对步骤31)得到的随机规划方案进行连通性校验；

33)调用原始-对偶内点法对下层规划模型进行计算，得到切负荷惩罚费用和发电机节点有功出力，并将切负荷惩罚费用和发电机节点有功出力反馈至上层规划模型；

34)将32)中进行连通性校验后的随机规划方案作为初始种群，调用改进的遗传算法对上层规划模型进行求解，得到最优解和最优规划方案。

所述连通性校验具体为：

其中，为第t阶段节点i到j的输电线路单位投资费用，L_ij为节点i到j的输电线长度，为节点i到j之间新建输电线路回数，为第t阶段发电机组运行成本，为第t阶段发电机组产生的环境成本，S_E为能效电厂的建设费用，f^t为第t阶段下层产生的切负荷惩罚费用。

所述步骤34)具体为：

341)求出初始种群中每个个体的目标函数值，计算初始种群的个体适应度函数值；

342)采用改进遗传算法进行选择、交叉和变异操作，产生子代；

343)计算子代每个个体的目标函数值和个体适应度函数值，将子代重新插入到种群，产生新的初始种群；

344)判断改进遗传算法是否达到最大迭代次数，若是则输出最优解和最优规划方案，若否则返回步骤341)。

所述改进遗传算法的交叉操作具体为：

3421)计算两个父代个体的相似度，即：

$s=\frac{c}{n}$

其中，s为两个父代个体的相似度，c为两个个体的最长的共同子串的长度，n为种群中个体染色体编码的长度；

3422)计算交叉操作的交叉临界值，即：

$r=(1+\sqrt{g/G})/3$

其中，r为交叉临界值，g为该种群的当前进化代数，G为该种群规定的总的进化代数；

3423)判断需要进行交叉的两个父代个体的相似度是否不小于交叉临界值，若是则不进行交叉操作，若否则进行交叉操作。

所述改进遗传算法的变异操作中的变异因子具体为：

$p_m=\left\{\begin{array}{c}{p}_{m\_max}-(p_{m\_max}-p_{m\_\min })(f-f_{avg})(f_{max}-f_{avg}),f\&GreaterEqual;f_{avg}\\ p_{m\_max},f<f_{avg}\end{array}\right.$

其中，p_m为将要变异个体的变异概率，p_{m_max}为最大变异概率，p_{m_min}为最小变异概率，f为将要变异个体的适应度，f_max为种群中最大的适应度，f_avg为每一代种群适应度的平均值。

与现有技术相比，本发明具有以下有益效果：

(1)在上层规划模型的建立中，考虑了污染气体的排放量、污染气体的环境成本、能效电厂的容量和能效电厂的投资成本，充分的考虑了能效电厂在二层规划模型中的作用，在低碳环境下对电网进行动态规划，可以合理利用资源配置，减少电力建设投资，提高能源效率。

(2)针对多阶段输电网规划，将电网规划划分成了多个单阶段，将这一复杂问题进行了组合优化，既考虑了各个单阶段的要求，也考虑了各个规划阶段之间的影响，使得各个阶段之间具有动态性。

(3)采用二层规划模型对最优方案进行求解，将复杂的电网规划问题转化成经典的模型，简化电网的同时也增加了求解的简便性。

(4)增加了对随机产生的规划方案的连通性校验，避免了由于网络不连通而导致的最优方案无法实施的现象，增强了规划的准确性。

(5)采用了改进的遗传算法和原始-对偶内点法相结合的混合算法对模型进行求解，提高了求解的简便性和准确度。

(6)改进的遗传算法中，对交叉操作进行了相似度的计算和交叉临界值的比较，在相似度小于交叉临界值时不进行交叉操作，增加了交叉操作的准确性。

(7)改进的遗传算法中，将变异因子从固定值变为动态值，增加了变异操作的准确性。

附图说明

图1为本发明的方法流程图；

图2为不考虑能效电厂的输电网多阶段规划方案网络结构图；

图3为考虑能效电厂的输电网多阶段规划方案网络结构图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供了一种低碳环境下基于二层规划模型的多阶段输电网规划方法，该方法包括下列步骤：

s1)对每个阶段采用单阶段规划求解相应子阶段的最有规划方案，将多阶段规划问题转化为多个相互联系的单阶段规划问题，规划期间既要考虑各阶段电网规划方案的可行性，又要考虑各个规划阶段之间的影响，每一阶段方案不仅要考虑本阶段要求，还要考虑对整个规划方案的影响，各个阶段之间具有动态性；

s2)根据二层规划理论和输电网规划约束条件，建立考虑能效电厂的输电网二层规划模型。本实施例中输电网二层规划模型的上层模型是以总投资成本最小为目标函数，包括线路建设成本、系统发电成本、环境成本、能效电厂投资成本和切负荷惩罚费用；下层模型以切负荷惩罚费用最小为目标函数。

上层模型：

$\begin{array}{cc}\min & F=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{1}{{(1+r)}^{m(t-1)}}\&lsqb;\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Sigma;}{C}_{ij}^t{L}_{ij}{n}_{ij}^t+S_{fuel}^t+S_{eniv}^t+f^t\&rsqb;+S_E\end{array}---\left(1\right)$

$m\left(t\right)=\underset{i=1}{\overset{t}{\&Sigma;}}g\left(i\right)---\left(2\right)$

$S_{fuel}^t=C_{fuel}\underset{k=1}{\overset{N_G}{\&Sigma;}}{P}_{Gk}^t{T}_h^t---\left(3\right)$

$S_{eniv}^t=\underset{i=1}{\overset{N_W}{\&Sigma;}}{C}_{Wi}{H}_i\underset{k=1}{\overset{N_G}{\&Sigma;}}{P}_{Gk}^t{T}_h^t---\left(4\right)$

$S_E=C_E\underset{j=1}{\overset{N_E}{\&Sigma;}}{P}_{Ej}---\left(5\right)$

$0\&le;n_{ij}^t\&le;{\stackrel{\&OverBar;}{n}}_{ij}^t---\left(8\right)$

式(1)表示目标函数，式中的第一部分表示在第t阶段输电线路新建线路成本；式(3)表示第t阶段发电机组运行成本；式(4)表示第t阶段发电机组产生的环境成本；式(5)表示能效电厂的建设费用；f表示第t阶段下层产生的切负荷惩罚费用。式(6)为第t阶段正常运行下潮流约束、线路有功潮流约束；式(7)为第t阶段时N-1运行状态下潮流约束、线路有功潮流约束；式(8)第t阶段输电线路约束条件。式中：r为贴现率(％)，为资金的折算系数；g(i)为第i阶段包含的年数；为第t阶段节点i到j的输电线路单位投资费用(万元/km)；为节点i到j之间新建输电线路回数；为第k台发电机的出力(MW)；为第t阶段最大负荷利用小时数(h)；为第t阶段节点i到j之间新建输电线路回数上限；为第t阶段系统节点导纳矩阵；θ^t为第t阶段节点相角列向量；为第t阶段节点i到节点j之间原有的线路回路数；为第t阶段节点i到节点j之间输电线路上的总潮流；为第t阶段节点i到节点j之间单条回路容量上限；为第t阶段正常运行状态下的切负荷量；为第t阶段N-1运行状态下任一条线路退出运行时的切负荷量。公式中上标有“^”符号的均代表线路N-1条件下的网络参数及对应的潮流。Ω为节点的集合；L_ij为节点i到j的输电线路长度(km)；发电机出力(MW)；N_G为发电机组的集合；N_W为污染气体的集合；C_Wi为第i种污染气体的环境成本(元/kg)；H_i为单位发电量的第i中污染气体排放量(g/kW·h)；N_E为能效电厂的集合；C_E为能效电厂的单位投资成本(万元/MW)；P_Ej为第j个能效电厂的容量(MW)；x_ij为线路电抗；

下层模型：

$\begin{array}{cc}\min & f^t=\mathrm{\&alpha;}\underset{i\&Element;\mathrm{\&Omega;}}{\&Sigma;}{P}_{Ri}^t+\mathrm{\&beta;}\underset{l\&Element;N_L^t}{\&Sigma;}\underset{i\&Element;\mathrm{\&Omega;}}{\&Sigma;}{\hat{P}}_{Rl,i}^t\end{array}---\left(9\right)$

${\underset{\&OverBar;}{P}}_{Gk}^t\&le;P_{Gk}^t\&le;{\stackrel{\&OverBar;}{P}}_{Gk}^t---\left(12\right)$

式(9)中，f^t为第t阶段切负荷惩罚费用，第一部分为第t阶段正常运行状态下的切负荷惩罚费用，第二部分为第t阶段N-1运行状态下任一条线路退出运行时的总切负荷惩罚费用。式(10)为第t阶段正常运行状态下的潮流约束、切负荷约束量和线路潮流约束，式(11)为第t阶段N-1运行状态下的潮流约束、切负荷约束量和线路潮流约束，式(12)为第t阶段发电机出力约束。该层以发电机出力、切负荷量和节点向量作为变量，确定在最小切负荷量情况下的发电机出力，并将切负荷惩罚费用和发电机出力反馈至上层。式中：为第t阶段输电线路的集合；为第t阶段正常运行状态下节点i的切负荷量；为第t阶段N-1运行状态下线路l退出运行时节点i的切负荷量；为第t阶段发电机组出力下限(MW)；为第t阶段发电机组出力上限(MW)。公式中上标有“∧”符号的均代表线路N-1条件下的网络参数及对应的潮流。α为正常运行状态下的切负荷惩罚系数；β为N-1运行状态下的切负荷惩罚系数。

s3)根据模型特点采用改进遗传算法和原始-对偶内点法的混合算法求解模型得到最优方案。首先随机产生试验解作为初始种群，初始种群中的每个个体代表一种规划方案；通过调用下层原始-对偶内点法，计算出正常状态下的切负荷量和N-1状态下的总的切负荷量，求出切负荷惩罚费用，求出发电机节点有功出力；将切负荷惩罚费用和发电机节点有功出力反馈至上层，求出初始种群中每个个体的目标函数值F；计算初始种群的个体适应度函数值；采用改进遗传算法进行选择、交叉、变异操作，产生子代；计算子代每个个体的目标函数值及个体适应度函数值，将子代重新插入到种群，并产生新的初始种群；不断重复上述步骤，直到满足最大迭代次数；最后输出规划方法的最优解及最优方案，并终止计算。

本实施例采用改进遗传算法和原始-对偶内点法结合的混合算法，具体步骤如下：

s31)上层模型以新建输电线路数目作为变量，通过随机选取确定上层规划模型的试验解，所有的试验解均满足相应约束条件；

s32)考虑规划方案的可靠性，通过对生成方案进行连通性校验，确保最优方案不存在孤岛网架具体步骤为：对于连通的网架方案，按采用的二层规划模型进行求解；对于不连通的网架方案，直接对目标函数施加一个非常大的惩罚数，节省计算时间，即：

其中，为第t阶段节点i到j的输电线路单位投资费用，L_ij为节点i到j的输电线长度，为节点i到j之间新建输电线路回数，为第t阶段发电机组运行成本，为第t阶段发电机组产生的环境成本，S_E为能效电厂的建设费用，f^t为第t阶段下层产生的切负荷惩罚费用；

s33)下层模型以发电机出力、切负荷量和节点向量作为变量，确定在最小切负荷量情况下的发电机出力，并将切负荷惩罚费用和发电机出力反馈至上层；

s34)根据s31)和s32)得到试验解，组成遗传算法的原始数据，即随机产生初始种群，初始种群中的每个个体代表一种规划方案；调用下层原始-对偶内点法，计算出正常状态下的切负荷量和N-1状态下的总的切负荷量，求出切负荷惩罚费用，求出发电机节点有功出力；将切负荷惩罚费用和发电机节点有功出力反馈至上层，求出初始种群中每个个体的目标函数值F；计算初始种群的个体适应度函数值；采用改进遗传算法进行选择、交叉、变异操作，产生子代；计算子代每个个体的目标函数值及个体适应度函数值，将子代重新插入到种群，并产生新的初始种群；不断重复上述步骤，直到满足最大迭代次数；最后输出规划方法的最优解及最优方案，并终止计算。

步骤s34)中采用的改进遗传算法的交叉因子的计算公示如下：

首先定义相似度：其中s表示两个父代个体的相似，c表示两个个体的最长的共同子串的长度，n叫做种群中个体染色体编码的长度；

其次定义交叉临界值：其中r表示交叉临界值，g表示该种群此时的进化代数，G表示该种群规定的总的进化代数。

随着当前的进化代数的增长而不断增大的。如果需要进行交叉的两个父代个体的相似度大于或等于当前的交叉临界值时,则不准这两个父代个体进行交叉互换操作,以避免破坏它们的优良基因模式。当需要进行交叉的两个父代个体的相似度小于当前的交叉临界值时,则允许这两个父代个体进行交叉互换操作。

步骤s34)中采用的改进遗传算法的变异因子的计算公式如下：

$p_m=\left\{\begin{array}{c}{p}_{m\_max}-(p_{m\_max}-p_{m\_\min })(f-f_{avg})(f_{max}-f_{avg}),f\&GreaterEqual;f_{avg}\\ p_{m\_max},f<f_{avg}\end{array}\right.$

p_m为将要变异个体的变异概率，p_{m_max}为最大变异概率,这里取0.2，p_{m_min}为最小变异概率，这里取0.001，f为将要变异个体的适应度，f_max为种群中最大的适应度，f_avg为每一代种群适应度的平均值。

如图3所示，本实施例中采用了46节点的系统作为研究进行多阶段输电网规划，把规划期分为三个阶段，每阶段3年，电源和负荷每个规划阶段按10％的速度增长；采用改进遗传算法与内点法相结合的混合算法对每个阶段的模型进行迭代优化求解，首先确定初始种群规模取5000，遗传代计数器最大值取500，中心参数σ取0.1，对偶间隙取10^-6。通过调用下层原始-对偶内点法，计算出正常状态下的切负荷量和N-1状态下的总的切负荷量，求出切负荷惩罚费用，求出发电机节点有功出力；将切负荷惩罚费用和发电机节点有功出力反馈至上层，求出初始种群中每个个体的目标函数值F；计算初始种群的个体适应度函数值；采用改进遗传算法进行选择、交叉、变异操作，产生子代；计算子代每个个体的目标函数值及个体适应度函数值，将子代重新插入到种群，并产生新的初始种群；不断重复上述步骤，直到满足最大迭代次数；最后输出规划方法的最优解及最优方案，并终止计算。

如图2所示，本实施例中考虑了能效电厂的输电网多阶段二层规划模型进行求解；除此之外，还构建了不考虑能效电厂的输电网多阶段二层规划模型并对之求解，对于两种规划方案进行了对照比较较，图2和图3分别为不考虑和考虑能效电厂时输电网多阶段规划方案的网络结构图。不考虑能效电厂方案在规划期内共新建43条线路，考虑能效电厂方案共新建32条线路，比不考虑能效电厂方案少建11条线路。在规划初期，即阶段一，投资新建的输电线路最多，随着负荷的增长，适当增加新的输电线路即可满足运行要求。在第二、三阶段，由于能效电厂能够降低负荷，随着负荷的增长，能效电厂的效率达到最大，且在一定程度上影响着输电线路的建设成本。这说明能效电厂所节约的成本比自身的投资成本大得多，而且能够合理配置资源，改善环境质量，可见能效电厂在节能减排方面有着巨大的潜力。

Claims (9)

1.一种低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述方法包括下列步骤：

1)将输电网的多阶段按照时间顺序划分为相互联系的多个单阶段；

2)对步骤1)中的全部单阶段合并后建立输电网的二层规划模型，所述二层规划模型包括上层规划模型和下层规划模型；

3)采用改进遗传算法和原始-对偶内点法的混合算法对步骤2)中建立的输电网的二层规划模型求解，根据得到的结果实现多阶段输电网规划。

2.根据权利要求1所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述上层规划模型的目标函数为总投资成本净现值最小，约束条件包括正常运行情况下的潮流约束条件、N-1情况下的潮流约束条件、线路有功潮流约束条件和输电线路约束条件；所述下层规划模型以切负荷惩罚费用最小为目标函数，约束条件包括正常运行状态下的潮流约束条件、N-1情况下的潮流约束条件、切负荷约束条件、线路潮流约束条件和发电机出力约束条件。

3.根据权利要求2所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述上层规划模型具体为：

$\begin{array}{cc}\min & F=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{1}{{(1+r)}^{m(t-1)}}\&lsqb;\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Sigma;}{C}_{ij}^t{L}_{ij}{n}_{ij}^t+S_{fuel}^t+S_{eniv}^t+f^t\&rsqb;+S_E\end{array}$

$m\left(t\right)=\underset{i=1}{\overset{t}{\&Sigma;}}g\left(i\right)$

$S_{fuel}^t=C_{fuel}\underset{k=1}{\overset{N_G}{\&Sigma;}}{P}_{Gk}^t{T}_h^t$

$S_{eniv}^t=\underset{i=1}{\overset{N_W}{\&Sigma;}}{C}_{Wi}{H}_i\underset{k=1}{\overset{N_G}{\&Sigma;}}{P}_{Gk}^t{T}_h^t$

$S_E=C_E\underset{j=1}{\overset{N_E}{\&Sigma;}}{P}_{Ej}$

$0\&le;n_{ij}^t\&le;{\stackrel{\&OverBar;}{n}}_{ij}^t$

其中，m(t)为从第1阶段到第t阶段为止包含的总年份数，为第t阶段发电机组运行成本，C_fuel为单位发电运行成本，为第t阶段发电机组产生的环境成本，S_E为能效电厂的建设费用，t为当前阶段，T为阶段总数，r为贴现率，Ω为节点的集合，g(i)为第i阶段包含的年数，为第t阶段节点i到j的输电线路单位投资费用，L_ij为节点i到j的输电线长度，为节点i到j之间新建输电线路回数，为第t阶段节点i到j之间新建输电线路回数上限，f^t为第t阶段下层产生的切负荷惩罚费用，N_G为发电机组的集合，为第k台发电机的出力，为第t阶段最大负荷利用小时数，N_W为污染气体的集合，C_Wi为第i种污染气体的环境成本，H_i为单位发电量的第i种污染气体排放量，C_E为能效电厂的单位投资成本，N_E为能效电厂的集合，P_Ej为第j个能效电厂的容量，为第t阶段系统节点导纳矩阵，θ^t为第t阶段节点相角列向量，为第t阶段节点i到节点j之间输电线路上的总潮流，为第t阶段节点i到节点j之间原有的线路回路数，为第t阶段节点i到节点j之间单条回路容量上限，x_ij为线路阻抗，为第t阶段的发电机发电量，为第t阶段的能效电厂发电量，为第t阶段的负荷量，为第t阶段正常运行状态下的切负荷量，为第t阶段运行状态下任一条线路退出运行时的切负荷量，^代表线路N-1条件下的网络参数及对应的潮流。

4.根据权利要求3所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述下层规划模型具体为：

$\begin{array}{cc}\min & f^t=\mathrm{\&alpha;}\underset{i\&Element;\mathrm{\&Omega;}}{\&Sigma;}{P}_{Ri}^t+\mathrm{\&beta;}\underset{l\&Element;N_L^t}{\&Sigma;}\underset{i\&Element;\mathrm{\&Omega;}}{\&Sigma;}{\hat{P}}_{Rl,i}^t\end{array}$

$s.t.\left\{\begin{array}{c}\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Sigma;}{\hat{B}}_{0,ij}^t{\widehat{\mathrm{\&theta;}}}_{ij}^t=P_{Gi}^t+P_{Ei}^t-P_{Di}^t+{\hat{P}}_{Ri}^t\\ 0\&le;{\hat{P}}_{Ri}^t\&le;P_{Di}^t-P_{Ei}^t\\ \left|p_{ij}^t\right|\&le;(n_{ij,0}^t+n_{ij}^t){\stackrel{\&OverBar;}{p}}_{ij}^t\end{array}\right.$

$\left\{\begin{array}{c}\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Sigma;}{\hat{B}}_{0,ij}^t{\widehat{\mathrm{\&theta;}}}_{ij}^t=P_{Gi}^t+P_{Ei}^t-P_{Di}^t+{\hat{P}}_{Rl,i}^t\\ 0\&le;{\hat{P}}_{Rl,i}^t\&le;P_{Di}^t-P_{Ei}^t\\ \left|{\hat{p}}_{ij}^t\right|\&le;({\hat{n}}_{ij,0}^t+{\hat{n}}_{ij}^t){\stackrel{\&OverBar;}{p}}_{ij}^t\end{array}\right.$

${\underset{\&OverBar;}{P}}_{Gk}^t\&le;P_{Gk}^t\&le;{\stackrel{\&OverBar;}{P}}_{Gk}^t$

其中，α为正常运行状态下的切负荷惩罚系数，β为N-1运行状态下的切负荷惩罚系数，为第t阶段输电线路的集合，为第t阶段正常运行状态下节点i的切负荷量，为第t阶段N-1运行状态下线路l退出运行时节点i的切负荷量，为第t阶段发电机组出力下限，为第t阶段发电机组出力上限。

5.根据权利要求1所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述步骤3)具体为：

31)以新建输电线路数目作为上层规划模型的变量，通过随机选取确定上层规划模型的试验解作为随机规划方案；

32)对步骤31)得到的随机规划方案进行连通性校验；

33)调用原始-对偶内点法对下层规划模型进行计算，得到切负荷惩罚费用和发电机节点有功出力，并将切负荷惩罚费用和发电机节点有功出力反馈至上层规划模型；

34)将32)中进行连通性校验后的随机规划方案作为初始种群，调用改进的遗传算法对上层规划模型进行求解，得到最优解和最优规划方案。

6.根据权利要求5所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述连通性校验具体为：

其中，为第t阶段节点i到j的输电线路单位投资费用，L_ij为节点i到j的输电线长度，为节点i到j之间新建输电线路回数，为第t阶段发电机组运行成本，为第t阶段发电机组产生的环境成本，S_E为能效电厂的建设费用，f^t为第t阶段下层产生的切负荷惩罚费用。

7.根据权利要求5所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述步骤34)具体为：

341)求出初始种群中每个个体的目标函数值，计算初始种群的个体适应度函数值；

342)采用改进遗传算法进行选择、交叉和变异操作，产生子代；

343)计算子代每个个体的目标函数值和个体适应度函数值，将子代重新插入到种群，产生新的初始种群；

344)判断改进遗传算法是否达到最大迭代次数，若是则输出最优解和最优规划方案，若否则返回步骤341)。

8.根据权利要求7所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述改进遗传算法的交叉操作具体为：

3421)计算两个父代个体的相似度，即：

$s=\frac{c}{n}$

其中，s为两个父代个体的相似度，c为两个个体的最长的共同子串的长度，n为种群中个体染色体编码的长度；

3422)计算交叉操作的交叉临界值，即：

$r=(1+\sqrt{g/G})/3$

其中，r为交叉临界值，g为该种群的当前进化代数，G为该种群规定的总的进化代数；

3423)判断需要进行交叉的两个父代个体的相似度是否不小于交叉临界值，若是则不进行交叉操作，若否则进行交叉操作。

9.根据权利要求7所述的低碳环境下基于二层规划模型的多阶段输电网规划方法，其特征在于，所述改进遗传算法的变异操作中的变异因子具体为：

$p_m=\left\{\begin{array}{c}{p}_{m\_max}-(p_{m\_max}-p_{m\_\min })(f-f_{avg})(f_{max}-f_{avg}),f\&GreaterEqual;f_{avg}\\ p_{m\_max},f<f_{avg}\end{array}\right.$

其中，p_m为将要变异个体的变异概率，p_{m_max}为最大变异概率，p_{m_min}为最小变异概率，f为将要变异个体的适应度，f_max为种群中最大的适应度，f_avg为每一代种群适应度的平均值。