CN106712111A - 有源配电网环境下多目标模糊优化的多能源经济调度方法 - Google Patents

Abstract

本发明公开了有源配电网环境下多目标模糊优化的多能源经济调度方法，属于电力系统自动化的技术领域。本发明提出一种多目标模糊优化方法，针对有源配电网环境下的多能源优化过程中多目标多约束的问题，基于Pareto理论对其进行优化，同时，针对有源配电网中间歇式能源的不确定性问题，在优化过程中加入模糊优化机制，从而得到最佳的Pareto模糊方案集，为调度人员提供可靠的决策支持。

Description

有源配电网环境下多目标模糊优化的多能源经济调度方法

技术领域

本发明公开了有源配电网环境下多目标模糊优化的多能源经济调度方法，尤其适用于有大规模间歇式电源接入的有源配电网环境中，属于电力系统自动化的技术领域。

背景技术

由于有源配电网环境中存在大规模间歇式能源的接入，使得有源配电网中的多能源优化呈现出多目标、多约束以及不确定性强等特点。传统的优化方法无法同时优化多个目标，往往仅能提供单个决策方案，无法给决策调度人员提供足够的决策支持。同时，传统随机优化方法在优化间歇式能源经济调度问题时过于依赖概率密度函数，而其概率密度函数在工程实际中也难以精确获取，从而无法得到较为可靠的优化方案。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了有源配电网环境下多目标模糊优化的多能源经济调度方法，在多目标优化过程中加入模糊化机制对间歇式能源出力进行模糊化处理，根据模糊化处理后的间歇式能源出力优化多目标模型得到Pareto模糊方案集，实现了每个方案调度过程的模糊化，解决了传统优化方法因间歇式能源出力不确定无法给决策调度人员提供足够决策支持的技术问题。

本发明为实现上述发明目的采用如下技术方案：

有源配电网环境下多目标模糊优化的多能源经济调度方法，包括如下步骤：

A、建立多能源多目标经济优化模型；

B、对由各间歇式能源出力预测值确定的出力过程曲线进行模糊化处理得到各间歇式能源出力的不确定性区间；

C、根据各间歇式能源出力的不确定性区间以及火电机组的出力、储能设备的充放电量求解多能源多目标经济优化模型得到Pareto模糊方案集。

进一步的，有源配电网环境下多目标模糊优化的多能源经济调度方法中，步骤A具体为：针对包含火电机组、风电、光伏、电动汽车的电力系统，以发电成本最小、火电污染排放量最小、各能源开停机次数最少为目标，考虑负荷平衡约束、旋转备用约束、各能源出力约束、火电机组爬坡率约束、电动汽车充放电约束建立如下多能源多目标经济优化模型：

多目标：

负荷平衡约束：

旋转备用约束：

火电机组出力约束：P_ci,min≤P_ci,t≤P_ci,max，

火电机组爬坡率约束：DR_ci≤P_ci,t-P_ci,t-1≤UR_ci，

电动汽车充放电约束：

间歇式能源出力约束：

其中，F₁、F₂、F₃、F₄分别为火电发电成本计算函数、火电污染排放量计算函数、各能源启停次数计算函数、电动汽车充放电成本计算函数，T为调度周期长度，N_c为火电机组数量，N_r为间歇式能源的数量，且N_r＝N_w+N_p，N_w为风机数量，N_p为光伏数量，a_i、b_i、c_i、d_i、e_i为第i个火电机组的成本系数，α_i、β_i、γ_i、ζ_i、λ_i为第i个火电机组的污染排放系数，P_ci,t、P_ci,t-1分别为第i个火电机组在t时刻、t-1时刻的出力，P_rj,t为第j个间歇式能源在t时刻的出力，l_it、l_jt分别为火电机组、间歇式能源在t时刻的开停机次数，l_it-1、l_jt-1分别为火电机组、间歇式能源在t-1时刻的开停机次数，l_it,l_jt∈{0,1}，l_it-1,l_jt-1∈{0,1}，N_B为电动汽车数量，∏_d,t为第d个电动汽车在t时刻的成本系数，为第d个电动汽车在t时刻的充电量或放电量，P_D,t为在t时刻的负荷需求，P_loss,t为在t时刻的电力传输损失， 分别为第m个能源、第n个能源在t时刻的出力，l_mt、l_nt分别为第m个能源、第n个能源在t时刻的开停机次数，B_mn、B_0m、B₀₀为网络传输损失系数，P_ci,max、P_ci,min分别为第i个火电机组的最大出力、最小出力，P_d,max为第d个电动汽车的最大容量，L为旋转备用出力占t时刻负荷需求的比例程度，L∈[0,100)，DR_ci、UR_ci分别为第i个火电机组的最大爬坡率限制、最小爬坡率限制，表示第d个电动汽车在t时刻处于放电状态，表示第d个电动汽车在t时刻处于充电状态，为第d个电动汽车在t时刻的最大放电量，为第d个电动汽车在t时刻的最大充电量，V_d,t-1、V_d,t分别为第d个电动汽车在t-1时刻、t时刻的剩余功率，V_d,max、V_d,min分别为电动汽车剩余功率的最大、最小限制，P_wqt、P_pkt分别为第q个风机和第k个光伏在t时刻的出力，P_wqt、分别为第q个风机在t时刻预测的出力最小值和最大值，P_pkt、分别为第k个光伏在t时刻预测的出力最小值和最大值，q＝1,2，…，N_w，k＝1,2，…，N_p。

再进一步的，有源配电网环境下多目标模糊优化的多能源经济调度方法中，步骤B具体为：根据各间歇式能源在每个时刻出力的预测值确定各间歇式能源在每个时刻出力的预测区间，将各间歇式能源在每个时刻出力的预测区间都平均划分为九个等份，以各间歇式能源在每个时刻出力预测区间各等份的边界曲线为各间歇式能源在每个时刻的出力过程曲线，基于间歇式能源出力预测标准差及3-δ原则对各间歇式能源在每个时刻的出力过程曲线进行模糊化以确定各间歇式能源在每个时刻出力的不确定性区间。

更进一步的，有源配电网环境下多目标模糊优化的多能源经济调度方法中，步骤C具体为：根据间歇式能源在每个时刻出力的不确定性区间以及火电机组在每个时刻的出力、电动汽车在每个时刻的充放电量初始化种群中的任意个体为：采用多目标差分进化算法对多能源多目标经济优化模型进行求解得到Pareto模糊方案集，N表示电力系统中所有能源和电动汽车的总数，N＝N_c+N_r+N_B。

作为有源配电网环境下多目标模糊优化的多能源经济调度方法的进一步优化方案，步骤C中采用多目标差分进化算法对多能源多目标经济优化模型进行求解的具体方法为：

变异操作：选取为变异算子来确定每代种群进化过程的参数个体，分别表示当前种群进化过程中的任意两个体，X^G为当前种群进化过程中的最优个体，γ为变异调节参数，γ∈[0,1]，U^G+1为下一代种群进化过程的参数个体；

在每一代种群进化过程中执行如下选择操作：通过比较根据当前种群进化过程中最优个体X^G确定的单个目标值F_a(X^G)和根据用于下一代种群进化的候选个体V^G+1确定的单个目标值F_a(V^G+1)来选择参与下一代种群进化的个体，采用可能度p(α≥β)来衡量当前种群进化过程中最优个体X^G与用于下一代种群进化的候选个体V^G+1的优劣，在p(α≥β)>0.5时选择当前种群进化过程中最优个体X^G参与下一代种群进化，在p(α≥β)≤0.5时选择用于下一代种群进化的候选个体V^G+1参与下一代种群进化，α、β分别为确定当前种群进化过程中最优个体X^G与用于下一代种群进化的候选个体V^G+1的不确定性区间，Δα＝α^u-α^l，Δβ＝β^u-β^l，α^u、α^l分别为不确定性区间α的上下限，β^u、β^l分别为不确定性区间β的上下限。

本发明采用上述技术方案，具有以下有益效果：本发明提出一种多目标模糊优化方法，针对有源配电网环境下的多能源优化过程中多目标多约束的问题，基于Pareto理论对其进行优化，同时，针对有源配电网中间歇式能源的不确定性问题，在优化过程中加入模糊优化机制，从而得到最佳的Pareto模糊方案集，为调度人员提供可靠的决策支持。

附图说明

图1为本发明涉及调度方法的框图。

具体实施方式

下面结合图1对发明的技术方案进行详细说明。

(一)建立多能源多目标经济优化调度模型

在有源配电网环境下，大规模分布式能源接入使得多能源优化呈现出多目标、多约束等特征，需同时以发电成本、污染排放量以及开关次数最小为目标，充分考虑各能源的出力限制、爬坡率约束、负荷平衡约束、旋转备用容量以及电动汽车充放电约束等，建立多能源多目标经济优化调度模型。

(1)优化目标：

火电发电成本：

火电污染排放量：

各发电机组启停次数：

电动汽车充、放电成本：

其中，F₁、F₂、F₃、F₄分别为火电发电成本计算函数、火电污染排放量计算函数、各能源启停次数计算函数、电动汽车充放电成本计算函数，T为调度周期长度，N_c为火电机组数量，N_r为间歇式能源的数量，且N_r＝N_w+N_p，N_w为风机的数量，N_p为光伏的数量，a_i、b_i、c_i、d_i、e_i为第i个火电机组的成本系数，α_i、β_i、γ_i、ζ_i、λ_i为第i个火电机组的污染排放系数，P_ci,t、P_ci,t-1分别为第i个火电机组在t时刻、t-1时刻的出力，P_rj,t为第j个间歇式能源在t时刻的出力，l_it、l_jt分别为火电机组、间歇式能源在t时刻的开停机次数，l_it,l_jt∈{0,1}，l_it-1、l_jt-1分别为火电机组、间歇式能源在t-1时刻的开停机次数，l_it-1,l_jt-1∈{0,1}，N_B为电动汽车数量，∏_d,t为第d个电动汽车在t时刻的成本系数，为第d个电动汽车在t时刻的充电量或放电量。

(3)约束条件：

①负荷平衡约束：

其中，P_D,t为在t时刻的负荷需求，P_loss,t为在t时刻的电力传输损失，其表达式为： 分别为第m个能源、第n个能源在t时刻的出力，l_mt、l_nt分别为第m个能源、第n个能源在t时刻的开停机次数，B_mn、B_0m、B₀₀为网络传输损失系数。

②旋转备用约束：

其中，P_d,max为第d个电动汽车的最大容量，P_ci,max为第i个火电机组最大出力，L为旋转备用出力占t时刻负荷需求的比例程度，L∈[0,100)。

③出力约束：

P_ci,min≤P_ci,t≤P_ci,max (7)，

其中，P_ci,min为第i个火电机组的最小出力。

④出力爬坡率约束：

DR_ci≤P_ci,t-P_ci,t-1≤UR_ci (8)，

其中，DR_ci、UR_ci分别为第i个火电机组的最大和最小爬坡率限制。

⑤电动汽车充放电约束：

其中，分别表示第d个电动汽车在t时刻处于放电、充电状态，分别为第d个电动汽车在t时刻的最大放电量、最大充电量，V_d,t-1、V_d,t分别为第d个电动汽车在t-1时刻、t时刻的剩余功率，V_d,min、V_d,max分别为电动汽车剩余功率的最小、最大限制。

⑥间歇式能源出力预测区间：

P_wqt、P_pkt分别为第q个风机和第k个光伏在t时刻的出力，P _wqt、分别为第q个风机在t时刻预测的出力最小值和最大值，P _pkt、分别为第k个光伏在t时刻预测的出力最小值和最大值，q＝1,2，…，N_w，k＝1,2，…，N_p。

(二)模糊化间歇式能源出力预测区间以确定各间歇式能源出力的不确定性区间

根据约束⑥中各间歇式能源出力的预测区间，将区间划分为九个等份，并将各等份边界曲线作为风机、光伏在t时刻的典型出力过程曲线在此基础上，基于历史经验的风电和光伏预测误差预估得到风电和光伏的预测标准差为δ_wqt、δ_pkt。基于3-δ原则对风机、光伏在t时刻的典型出力过程曲线进行模糊化，可以得到风机、光伏在t时刻出力的不确定区间为：

(三)采用多目标模糊优化方法对上述多能源优化模型进行求解

首先，对上述模型的目标进行精简，式(1)和式(4)之和为经济成本目标：

F₁'＝F₁+F₄ (13)。

然后，采用多目标差分进化算法对多能源优化模型进行优化。由于各间歇式能源出力均已模糊化，所有优化解也应该是模糊化，以下在原有多目标差分进化算法中加入模糊优化机制，具体如下：

(1)种群个体初始化：根据基本的出力约束，随机生成若干个体：

(2)根据各个体生成过程中的标准差δ_ij，对个体进行模糊化处理得到：

(3)采用差分进化算法对种群个体进行处理：

变异算子：

其中，γ∈[0,1]为变异调节参数，U^G+1为下一代种群进化过程的参数个体。交叉算子仍采用原有方式则可得到用于下一代种群进化的候选个体V^G+1。

选择算子：

其中，在比较当前种群进化过程中最优个体X^G和用于下一代种群进化的候选个体V^G+1时，根据Pareto偏序选择机制进行选择。在比较单个目标值F_a(X^G)和F_a(V^G+1)两个区间数下个体优劣时，a＝1,2,3,4，采用可能度来描述两个体间的关系：

若α、β分别为确定当前种群进化过程中最优个体与用于下一代种群进化的候选个体的不确定性区间，假设Δα＝α^u-α^l，Δβ＝β^u-β^l，α^u、α^l分别为不确定性区间α的上下限，β^u、β^l分别为不确定性区间β的上下限，α、β之间的比较存在：

则若p(α≥β)>0.5，则α≥β，反之则α<β。

(4)根据上述优化过程最终可以得到Pareto模糊方案集，方案集中每个方案的调度过程均被模糊化，在现实应用过程中具有更强的实用性，为调度人员提供可靠的决策支持。

Claims (5)

1.有源配电网环境下多目标模糊优化的多能源经济调度方法，其特征在于，包括如下步骤：

A、建立多能源多目标经济优化模型；

B、对由各间歇式能源出力预测值确定的出力过程曲线进行模糊化处理得到各间歇式能源出力的不确定性区间；

C、根据各间歇式能源出力的不确定性区间以及火电机组的出力、储能设备的充放电量求解多能源多目标经济优化模型得到Pareto模糊方案集。

2.根据权利要求1所述有源配电网环境下多目标模糊优化的多能源经济调度方法，其特征在于，步骤A具体为：针对包含火电机组、风电、光伏、电动汽车的电力系统，以发电成本最小、火电污染排放量最小、各能源开停机次数最少为目标，考虑负荷平衡约束、旋转备用约束、各能源出力约束、火电机组爬坡率约束、电动汽车充放电约束建立如下多能源多目标经济优化模型：

多目标：

负荷平衡约束：

旋转备用约束：

火电机组出力约束：P_ci,min≤P_ci,t≤P_ci,max，

火电机组爬坡率约束：DR_ci≤P_ci,t-P_ci,t-1≤UR_ci，

电动汽车充放电约束：

间歇式能源出力约束：

其中，F₁、F₂、F₃、F₄分别为火电发电成本计算函数、火电污染排放量计算函数、各能源启停次数计算函数、电动汽车充放电成本计算函数，T为调度周期长度，N_c为火电机组数量，N_r为间歇式能源的数量，且N_r＝N_w+N_p，N_w为风机数量，N_p为光伏数量，a_i、b_i、c_i、d_i、e_i为第i个火电机组的成本系数，α_i、β_i、γ_i、ζ_i、λ_i为第i个火电机组的污染排放系数，P_ci,t、P_ci,t-1分别为第i个火电机组在t时刻、t-1时刻的出力，P_rj,t为第j个间歇式能源在t时刻的出力，l_it、l_jt分别为火电机组、间歇式能源在t时刻的开停机次数，l_it-1、l_jt-1分别为火电机组、间歇式能源在t-1时刻的开停机次数，l_it,l_jt∈{0,1}，l_it-1,l_jt-1∈{0,1}，N_B为电动汽车数量，∏_d,t为第d个电动汽车在t时刻的成本系数，为第d个电动汽车在t时刻的充电量或放电量，P_D,t为在t时刻的负荷需求，P_loss,t为在t时刻的电力传输损失， 分别为第m个能源、第n个能源在t时刻的出力，l_mt、l_nt分别为第m个能源、第n个能源在t时刻的开停机次数，B_mn、B_0m、B₀₀为网络传输损失系数，P_ci,max、P_ci,min分别为第i个火电机组的最大出力、最小出力，P_d,max为第d个电动汽车的最大容量，L为旋转备用出力占t时刻负荷需求的比例程度，L∈[0,100)，DR_ci、UR_ci分别为第i个火电机组的最大爬坡率限制、最小爬坡率限制，表示第d个电动汽车在t时刻处于放电状态，表示第d个电动汽车在t时刻处于充电状态，为第d个电动汽车在t时刻的最大放电量，为第d个电动汽车在t时刻的最大充电量，V_d,t-1、V_d,t分别为第d个电动汽车在t-1时刻、t时刻的剩余功率，V_d,max、V_d,min分别为电动汽车剩余功率的最大、最小限制，P_wqt、P_pkt分别为第q个风机和第k个光伏在t时刻的出力，P _wqt、分别为第q个风机在t时刻预测的出力最小值和最大值，P _pkt、分别为第k个光伏在t时刻预测的出力最小值和最大值，q＝1,2，…，N_w，k＝1,2，…，N_p。

3.根据权利要求2所述有源配电网环境下多目标模糊优化的多能源经济调度方法，其特征在于，步骤B具体为：根据各间歇式能源在每个时刻出力的预测值确定各间歇式能源在每个时刻出力的预测区间，将各间歇式能源在每个时刻出力的预测区间都平均划分为九个等份，以各间歇式能源在每个时刻出力预测区间各等份的边界曲线为各间歇式能源在每个时刻的出力过程曲线，基于间歇式能源出力预测标准差及3-δ原则对各间歇式能源在每个时刻的出力过程曲线进行模糊化以确定各间歇式能源在每个时刻出力的不确定性区间。

4.根据权利要求3所述有源配电网环境下多目标模糊优化的多能源经济调度方法，其特征在于，步骤C具体为：根据间歇式能源在每个时刻出力的不确定性区间以及火电机组在每个时刻的出力、电动汽车在每个时刻的充放电量初始化种群中的任意个体为：

$X=\left\{\begin{array}{cccc}\&lsqb;X_{11}-3{\mathrm{\&delta;}}_{11},X_{11}+3{\mathrm{\&delta;}}_{11}\&rsqb;& \&lsqb;X_{12}-3{\mathrm{\&delta;}}_{12},X_{12}+3{\mathrm{\&delta;}}_{12}\&rsqb;& \mathrm{...}& \&lsqb;X_{1N}-3{\mathrm{\&delta;}}_{1N},X_{1N}+3{\mathrm{\&delta;}}_{1N}\&rsqb;\\ \&lsqb;X_{21}-3{\mathrm{\&delta;}}_{21},X_{21}+3{\mathrm{\&delta;}}_{21}\&rsqb;& \&lsqb;X_{22}-3{\mathrm{\&delta;}}_{22},X_{22}+3{\mathrm{\&delta;}}_{22}\&rsqb;& \mathrm{...}& \&lsqb;X_{2N}-3{\mathrm{\&delta;}}_{2N},X_{2N}+3{\mathrm{\&delta;}}_{2N}\&rsqb;\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ \&lsqb;X_{T1}-3{\mathrm{\&delta;}}_{T1},X_{T1}+3{\mathrm{\&delta;}}_{T1}\&rsqb;& \&lsqb;X_{T2}-3{\mathrm{\&delta;}}_{T2},X_{T2}+3{\mathrm{\&delta;}}_{T2}\&rsqb;& \mathrm{...}& \&lsqb;X_{TN}-3{\mathrm{\&delta;}}_{TN},X_{TN}+3{\mathrm{\&delta;}}_{TN}\&rsqb;\end{array}\right\},$

采用多目标差分进化算法对多能源多目标经济优化模型进行求解得到Pareto模糊方案集，N表示电力系统中所有能源和电动汽车的总数，N＝N_c+N_r+N_B。

5.根据权利要求1或4所述有源配电网环境下多目标模糊优化的多能源经济调度方法，其特征在于，步骤C中采用多目标差分进化算法对多能源多目标经济优化模型进行求解的具体方法为：

变异操作：选取为变异算子来确定每代种群进化过程的参数个体，分别表示当前种群进化过程中的任意两个体，X^G为当前种群进化过程中的最优个体，γ为变异调节参数，γ∈[0,1]，U^G+1为下一代种群进化过程的参数个体；

在每一代种群进化过程中执行如下选择操作：通过比较根据当前种群进化过程中最优个体X^G确定的单个目标值F_a(X^G)和根据用于下一代种群进化的候选个体V^G+1确定的单个目标值F_a(V^G+1)来选择参与下一代种群进化的个体，采用可能度p(α≥β)来衡量当前种群进化过程中最优个体X^G与用于下一代种群进化的候选个体V^G+1的优劣，在p(α≥β)>0.5时选择当前种群进化过程中最优个体X^G参与下一代种群进化，在p(α≥β)≤0.5时选择用于下一代种群进化的候选个体V^G+1参与下一代种群进化，α、β分别为确定当前种群进化过程中最优个体X^G与用于下一代种群进化的候选个体V^G+1的不确定性区间，Δα＝α^u-α^l，Δβ＝β^u-β^l，α^u、α^l分别为不确定性区间α的上下限，β^u、β^l分别为不确定性区间β的上下限。