CN106981888A - 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 - Google Patents

Abstract

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，包括以下步骤：步骤一、建立多目标动态经济调度模型：步骤1.1、建立以火电煤耗最低、火电出力调节量最少、水电发电量最大、风电入网后负荷波动最低为目标的4个优化目标；步骤1.2、确定4个优化目标的约束条件；步骤二、将4个优化目标进行加权转化，得到多目标动态经济调度模型的目标函数F；步骤三、结合目标函数F，采用改进的模拟植物生长算法求解多目标动态经济调度模型。本发明综合考虑了火电运行的经济性和平稳性、风电和水电的利用率以及抽水蓄能电站的调节作用，促进风电消纳同时保障了火电机组运行的经济性和平稳性。

Description

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

技术领域

本发明属于电力系统优化调度技术领域，涉及一种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。

背景技术

风电规模化接入电网对电力运行节能减排、保障经济社会可持续发展具有重要意义，然而风电具有很强的随机性、间歇性和难以准确预测性，对电力系统优化调度带来了新的挑战。现有的风电和火电联合调度模式随着风电入网比重的增加极易牺牲火电运行的经济性和效率，而为风电配置大容量储能系统是改善风电输出质量、促进风电消纳的有效措施，在各种储能系统中，抽水蓄能具有容量大、技术成熟、经济可靠等优势，因此国内外在风储联合优化调度方面的研究也以风蓄联合居多，研究内容主要涉及以下3个方面：

一、风蓄联合运行方式优化：探讨风蓄容量配合以及如何利用抽水蓄能来提高风电渗透率，此类研究大多针对独立自治的岛国微网，需要满足风蓄联合运行的地理优势；二、风蓄联合运行效益最大化：此类研究基于日前电力市场交易环境，在峰谷电价的激励机制下实现风蓄联合运行的经济效益最优，本质上是利用抽水蓄能为风电“削峰填谷”，将风蓄独立于整个系统之外，仅限于两者联合运行经济性的讨论，对电力系统整体运行的影响以及清洁能源电力的消纳问题并未涉及；三、风蓄火联合经济调度：此类研究将风蓄联合与火电一起参与调度，尽管融入了火电的调度，但目前相关研究仍停留在风蓄联合的层面，抽水蓄能单纯用来改善风电的运行特性，对系统负荷特性和传统机组运行效率的改善以及清洁能源消纳能力提高方面考虑的较少，如何从系统调度层面制定风蓄火协调运行机制、在提高风电利用率的同时实现火电机组的高效平稳运行是此类研究需要解决的问题。

发明内容

本发明的目的是提供一种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，在促进风电消纳的同时保障了火电机组运行的经济性和平稳性。

本发明所采用的技术方案是，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，包括以下步骤：

步骤一、建立多目标动态经济调度模型：

步骤1.1、建立以火电煤耗最低、火电出力调节量最少、水电发电量最大、风电入网后负荷波动最低为目标的4个优化目标；

步骤1.2、确定4个优化目标的约束条件；

步骤二、将4个优化目标进行加权转化，得到多目标动态经济调度模型的目标函数F；

步骤三、结合目标函数F，采用改进的模拟植物生长算法求解多目标动态经济调度模型。

步骤1.1具体为：分别建立以火电煤耗最低为目标的优化目标F₁、以火电出力调节量最少为目标的优化目标F₂、以水电发电量最大为目标的优化目标F₃、以风电入网后负荷波动最低为目标的优化目标F₄：

式中：T是调度周期的总时段数；N_t是火电机组的总数；N_h是水电机组的总数；N_PH是抽水蓄能机组的总数；s_it是火电机组的开停机状态变量，s_it取值1表示开机，s_it取值0表示停机；a_i、b_i、c_i是第i台火电机组的燃料费用系数；P_Git是第i台火电机组在t时段的输出功率；P_Hjt是第j台水电机组在t时段的输出功率；P_Dt是t时段的负荷需求；P_Wt是t时段的风电功率预测值；u_kt是抽水蓄能机组的状态变量，u_kt取值1表示发电状态，对应的P_PHkt为发电输出功率；u_kt取值-1表示抽水，相对应的P_PHkt为抽水功率；u_kt取值0，表示抽水蓄能机组闲置。

步骤1.2中的约束条件包括系统约束、火电机组运行约束、抽水蓄能机组运行约束、水电机组运行约束和风电场可用风电功率约束；

1)系统约束具体包括：

实时负荷平衡约束：

系统正旋转备用约束：

系统负旋转备用约束：

式中：P_Gimax、P_Gimin分别为第i台火电机组的出力上限、出力下限；P_Hjmax、P_Hjmin分别为第j台水电机组的出力上限、出力下限；k_d为系统的负荷旋转备用率；R_u(P_Wt)、R_d(P_Wt)分别是应对风电功率预测误差所需的正、负旋转备用量，按式(8)计算：

式中：α、β为风电的备用系数；

2)火电机组运行约束具体包括：

火电机组出力约束：P_Gimin≤P_Git≤P_Gimax (9)

火电机组爬坡约束：-r_diΔt≤P_Git-P_Gi(t-1)≤r_uiΔt (10)

式中：r_ui是第i台火电机组升负荷时的调节速率；r_di是第i台火电机组降负荷时的调节速率；P_Gi(t-1)是第i台火电机组在t-1时段的输出功率；Δt是调度时段的时间长度；

3)抽水蓄能电站运行约束具体包括：

抽水蓄能机组发电、抽水功率约束：

式中：P_PHkgmin和分别是第k台抽水蓄能机组发电功率下限；P_PHkgmax是第k台抽水蓄能机组发电功率上限；P_PHkpmin是第k台抽水蓄能机组抽水功率下限；P_PHkpmax是第k台抽水蓄能机组抽水功率上限；

抽水蓄能电站容库约束，具体为：

发电时上、下水库的库容变化为：

抽水时上、下水库的库容变化为：

任意调度时刻t，上、下水库的库容满足：

式中：V_ut、V_dt分别是时段t上水库的实时库容、下水库的实时库容；V_u(t+1)、V_d(t+1)分别是时段t+1上水库的实时库容、下水库的实时库容；V_umin、V_umax分别是上水库的最小库容、最大库容；V_dmin、V_dmax是下水库的最小库容、最大库容；η_g、η_p是发电或抽水时的平均水量转换系数、平均电量转换系数；

抽水蓄能调度周期内的抽水、发电平衡约束：

式中：τ_g是调度周期内抽水蓄能发电时段数；τ_p是调度周期内抽水蓄能抽水时段数；η_PH为抽水蓄能机组的效率；

4)水电机组运行约束：

水电机组出力约束：P_Hjmin≤P_Hjt≤P_Hjmax (16)

水电转换关系：P_Hjt＝η_HjAQ_jth_jt (17)

式中：η_Hj是第j台水电机组的效率；A是水电转换常数；Q_jt是第j台水电机组在t时段的发电引用流量；h_jt为t时段第j台水电机组的净水头；

水电发电可用水量约束：

式中：W_min、W_max分别是水库调度部门分配的最小、最大可用发电水量；

5)风电场可用风电功率为：P_Wt＝C_WtP_WR (19)

式中：C_Wt是t时段风电场的容量系数，P_WR为风电的额定装机容量。

步骤二的具体过程为：

为优化目标F₁、F₂、F₃、F₄的相对重要性标度赋值，构造比较矩阵C：

式中：f_ij为优化目标F_i(i＝1,2,3,4)和F_j(j＝1,2,3,4)的相对重要性标度值；

将比较矩阵C的每一列向量归一化后得到矩阵对矩阵按行求和得到列向量对列向量进行归一化后得到的各个元素ω₁、ω₂、ω₃、ω₄分别对应为4个优化目标的权重因子；

采用层次分析法，将优化目标F₁、F₂、F₃、F₄通过权重因子加权转化成单目标函数，即为多目标动态经济调度模型的目标函数F：

F＝min(ω₁F₁+ω₂C_PGF₂-ω₃C_PHF₃+ω₄C_PPHF)₄ (21)

式中：C_PG、C_PH、C_PPH为惩罚系数。

步骤五的具体步骤为：

步骤3.1、改进的模拟植物生长算法记为DPGSA算法，输入风蓄水火电力系统的系统数据；输入DPGSA算法的相关参数：最大迭代次数N_max、最优解最大重复次数N_rmax、连续找不到比种子更优的候选解的最大次数N_nmax；初始化算法的迭代变量n_iter＝1，最优解重复次数k_r＝0，连续找不到比种子更优的候选解的次数k_n＝0；

步骤3.2、DPGSA算法的初始优化变量即为种子S，根据目标函数F计算种子目标函数值F_S＝F(S)，选定种子S为算法的初始解，令当前最优解P_best＝S，根据目标函数F计算当前最优值F_opt＝F(P_best)，并设基点P_base＝S；

步骤3.3、从基点P_base出发分别按照粗放生长模式和精细生长模式搜索新生长的节点，构成生长点集合：

步骤3.4、将生长点集合中不满足约束条件的节点删除；将目标函数值高于F_S的节点剔除，并将剩余的节点的数目记作L；

步骤3.5、如果L＝0且k_n<N_nmax，则k_n＝k_n+1，返回步骤3.3；若L>0，转到下一步；若L<0，转到步骤3.10；

步骤3.6、更新P_best：找出L个节点中具有最小目标函数值的节点并记作P_min；若F(P_min)<F_opt，则令P_best＝P_min，F_opt＝F(P_min)；若F(P_min)＝F_opt，则保留P_min并令k_r＝k_r+1；若k_r<N_nmax，则转至下一步；否则转到步骤3.10；

步骤3.7、更新节点的生长素浓度值，假设生长点集合中总共有K个节点P₁,P₂,…,P_i,P_K，对应的生长素浓度值表示为C₁,C₂,…,C_i,…,C_K；

步骤3.8、采用随机数投掷法为下一次迭代选取基点，随机产生[0,1]区间的随机数η，若满足或则令基点P_base＝P_d，C_d表示第d个节点的生长素浓度值；

步骤3.9、若n_iter≤N_max，则n_iter＝n_iter+1，返回步骤3.3；否则转至下一步；

步骤3.10、终止迭代，输出最优解P_best和最优值F_opt。

步骤3.2中，对于调度周期的T个时段，种子S定义如下：

式中：是第1～N_t台火电机组分别在时段1～T的出力；是第1～N_h台水电机组分别在时段1～T的出力；是第1～N_PH台抽水蓄能机组分别在时段1～T的出力；

根据种子优选机制利用Logistic混沌映射生成种子S，种子S中每一维火电、水电和抽水蓄能的初始出力按照下式生成：

P_Git＝P_Gimin+z_it(P_Gimax-P_Gimin)i∈N_t,t∈T (23)

P_Hjt＝P_Hjmin+z′_jt(P_Hjmax-P_Hjmin)j∈N_h,t∈T (24)

P_PHkt＝u_kt[P_PHkmin+z″_jt(P_PHkR-P_PHkmin)]k∈N_PH,t∈T (25)

式中：z_it、z′_jt是利用Logistic混沌映射生成的混沌变量。

DPGSA算法中，对可能越界的节点进行调整：

水电出力越界调整：

抽水蓄能出力越界调整：

式中：ΔP_PH是最小出力越限调整量；

火电出力越界调整：

步骤3.7中，将目标函数F作为背光函数，计算各个节点的生长素浓度：

式中：K是节点的个数，P_i是第i个节点，C_i是P_i的生长素浓度。

本发明的有益效果是：

(1)建立的多目标动态经济调度模型包括优化目标和约束条件，以最大限度消纳风电、保证火电机组高效平稳运行、实现系统整体运行的经济性和可靠性最优为优化目标，优化目标相互关联、相互制约，约束条件完整的计及了系统约束、火电机组运行约束、抽水蓄能机组运行约束和水电机组运行约束等多维度、强耦合性的约束条件；

(2)采用改进的模拟生长算法，适用于含大规模非线性耦合约束和目标函数的动态经济调度模型的求解，对约束条件的处理非常简单，易于实现，适充分激励水电和抽水蓄能的调节能力，在水电和抽水蓄能的共同作用下，火电出力保持平稳，燃煤费用达到最优，提高了调度结果的精确性和可靠性；

(3)风蓄水火电力系统由4种自然特性差异较大的能源构成，针对现有相关技术中抽水蓄能仅用来平滑风电功率而无法兼顾系统整体运行特性的缺陷，充分利用能源的相济互补来改善每种电源的运行特性，减少了风电不确定性对系统调度的影响，有效提高了风电利用率，改善了以牺牲火电效率为代价的现状，提高系统的经济效益和新能源的消纳能力。与传统的风火电联合运行模式相比，大大降低火电出力的波动程度，减少机组的启停操作。

附图说明

图1是DPGSA算法求解风蓄水火多目标动态经济调度模型的流程图；

图2是10机测试系统各时段抽水蓄能的最优抽水功率和发电功率结果；

图3是10机测试系统各时段的水电、风电和火电的最优调度出力结果。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明：如图1所示，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，包括以下步骤：

步骤一、建立多目标动态经济调度模型：

步骤1.1、建立以火电煤耗最低、火电出力调节量最少、水电发电量最大、风电入网后负荷波动最低为目标的4个优化目标；

步骤1.2、确定4个优化目标的约束条件；

步骤二、将4个优化目标进行加权转化，得到多目标动态经济调度模型的目标函数F；

步骤三、结合目标函数F，采用改进的模拟植物生长算法求解多目标动态经济调度模型。

所述步骤1.1具体为：分别建立以火电煤耗最低为目标的优化目标F₁、以火电出力调节量最少为目标的优化目标F₂、以水电发电量最大为目标的优化目标F₃、以风电入网后负荷波动最低为目标的优化目标F₄：

式中：T是调度周期的总时段数，取24h；N_t是火电机组的总数；N_h是水电机组的总数；N_PH是抽水蓄能机组的总数；s_it是火电机组的开停机状态变量，s_it取值1表示开机，s_it取值0表示停机；a_i、b_i、c_i是第i台火电机组的燃料费用系数；P_Git是第i台火电机组在t时段的输出功率/MW；P_Hjt是第j台水电机组在t时段的输出功率/MW；P_Dt是t时段的负荷需求/MW；P_Wt是t时段的风电功率预测值/MW；u_kt是抽水蓄能机组的状态变量，u_kt取值1表示发电状态，对应的P_PHkt为发电输出功率/MW；u_kt取值-1表示抽水，相对应的P_PHkt为抽水功率/MW；u_kt取值0，表示机组既不抽水也不发电。

步骤1.2中的约束条件包括系统约束、火电机组运行约束、抽水蓄能机组运行约束、水电机组运行约束和风电场可用风电功率约束；

1)系统约束具体包括：

实时负荷平衡约束：

系统正旋转备用约束：

系统负旋转备用约束：

式中：P_Gimax、P_Gimin分别为第i台火电机组的出力上限、出力下限/MW；P_Hjmax、P_Hjmin分别为第j台水电机组的出力上限、出力下限/MW；k_d为系统的负荷旋转备用率；R_u(P_Wt)、R_d(P_Wt)分别是应对风电功率预测误差所需的正、负旋转备用量/MW，按式(8)的二阶模型计算：

式中：α、β为风电的备用系数；

2)火电机组运行约束具体包括：

火电机组出力约束：P_Gimin≤P_Git≤P_Gimax (9)

火电机组爬坡约束：-r_diΔt≤P_Git-P_Gi(t-1)≤r_uiΔt (10)

式中：r_ui是第i台火电机组升负荷时的调节速率/MW/h；r_di是第i台火电机组降负荷时的调节速率/MW/h；P_Gi(t-1)是第i台火电机组在t-1时段的输出功率/MW；Δt是调度时段的时间长度；

3)抽水蓄能电站运行约束具体包括：

抽水蓄能机组发电、抽水功率约束：

式中：P_PHkgmin是第k台抽水蓄能机组发电功率下限/MW；P_PHkgmax是第k台抽水蓄能机组发电功率上限/MW；P_PHkpmin是第k台抽水蓄能机组抽水功率下限；P_PHkpmax是第k台抽水蓄能机组抽水功率上限/MW；

抽水蓄能电站容库约束，具体为：

发电时上、下水库的库容变化为：

抽水时上、下水库的库容变化为：

任意调度时刻t，上、下水库的库容满足：

式中：V_ut、V_dt分别是时段t上水库的实时库容、下水库的实时库容/m³；V_u(t+1)、V_d(t+1)分别是时段t+1上水库的实时库容、下水库的实时库容/m³；V_umin、V_umax分别是上水库的最小库容、最大库容/m³；V_dmin、V_dmax分别是下水库的最小库容、最大库容/m³；η_g、η_p分别是发电或抽水时的平均水量转换系数、平均电量转换系数；

抽水蓄能调度周期内的抽水、发电平衡约束：

式中：τ_g是调度周期内抽水蓄能发电时段数；τ_p是调度周期内抽水蓄能抽水时段数；η_PH为抽水蓄能机组的效率；

4)水电机组运行约束：

水电机组出力约束：P_Hjmin≤P_Hjt≤P_Hjmax (16)

水电转换关系：P_Hjt＝η_HjAQ_jth_jt (17)

式中：η_Hj是第j台水电机组的效率；A是水电转换常数；Q_jt是第j台水电机组t时段发电引用流量/m³/s；h_jt为t时段第j台水电机组的净水头/m；

水电发电可用水量约束：

式中：W_min、W_max是水库调度部门分配的最小、最大可用发电水量/m³；

5)风电场可用风电功率为：

P_Wt＝C_WtP_WR (19)

式中：C_Wt是t时段风电场的容量系数，P_WR为风电的额定装机容量。

表1采用不同能源组合的火电出力波动特性对比

通过表1能够看出，在风电大规模入网的情况下，传统的风火电联合调度仅利用火电应对风电随机性，导致火电出力方差高达122264MW²，说明机组启停或调荷操作频繁；风蓄火联合调度中火电出力方差值降为64892.8MW²，比风火联合运行时减少46.9％，而风蓄水火联合调度中火电出力方差值降至14685.4MW²，与水电加入前仅有抽水蓄能调节的情况相比减少了77.4％，比传统的风火联合运行减少87.99％，充分显示了风蓄水火联合运行的优势，说明了水电对抽水蓄能调峰效果具有重要的弥补作用。

步骤二的具体过程为：根据决策者的偏好及经验，为优化目标F₁、F₂、F₃、F₄的相对重要性标度赋值，构造比较矩阵C：

将比较矩阵C的每一列向量归一化后得到矩阵对矩阵按行求和得到列向量对列向量进行归一化为得到4个优化目标分别对应的权重因子ω₁＝0.5，ω₂＝0.2，ω₃＝0.1，ω₄＝0.2；

采用层次分析法，将优化目标F₁、F₂、F₃、F₄通过权重因子加权转化成单目标函数，即为多目标动态经济调度模型的目标函数F：

F＝min(ω₁F₁+ω₂C_PGF₂-ω₃C_PHF₃+ω₄C_PPHF)₄ (21)

式中：C_PG、C_PH、C_PPH为惩罚系数，保持了各优化目标物理量纲的一致。

步骤五的具体步骤为：DPGSA算法中，为了使节点尽可能在可行域内生长，对可能越界的节点进行调整：水电出力越界调整：

抽水蓄能出力越界调整：

式中：ΔP_PH是最小出力越限调整量/MW；

火电出力越界调整：

步骤3.1、改进的模拟植物生长算法记为DPGSA算法，输入风蓄水火电力系统的系统数据：各时段负荷预测值、各时段风电容量因数、抽水蓄能机组参数、火电机组参数、水电站参数；输入DPGSA算法的相关参数：粗放生长模式的生长步数N_ke、精细生长模式的生长步数N_kr、最大迭代次数N_max、最优解最大重复次数N_rmax、连续找不到比种子更优的候选解的最大次数N_nmax；初始化算法的迭代变量n_iter＝1，最优解重复次数k_r＝0，连续找不到比种子更优的候选解的次数k_n＝0；

步骤3.2、DPGSA算法的初始优化变量即为种子S，根据目标函数F计算种子目标函数值F_S＝F(S)，选定种子S为算法的初始解，令当前最优解P_best＝S，根据目标函数F计算当前最优值F_opt＝F(P_best)，并设基点P_base＝S；

DPGSA算法求解多目标动态经济调度模型的优化变量为各时段火电机组、水电机组、抽水蓄能机组的输出功率，优化变量的维数是系统中不同电力的发电机组台数之和，即N_t+N_h+N_PH；

对于调度周期的T个时段，种子S定义如下：

式中：是第1～N_t台火电机组分别在时段1～T的出力；是第1～N_h台水电机组分别在时段1～T的出力；是第1～N_PH台抽水蓄能机组分别在时段1～T的出力；

根据种子优选机制利用Logistic混沌映射生成种子S，种子S中每一维火电、水电和抽水蓄能的初始出力按照下式生成：

P_Git＝P_Gimin+z_it(P_Gimax-P_Gimin)i∈N_t,t∈T (23)

P_Hjt＝P_Hjmin+z′_jt(P_Hjmax-P_Hjmin)j∈N_h,t∈T (24)

P_PHkt＝u_kt[P_PHkmin+z″_jt(P_PHkR-P_PHkmin)]k∈N_PH,t∈T (25)

式中：z_it、z′_jt是利用Logistic混沌映射生成的混沌变量。

步骤3.3、在设定的生长步数N_ke和N_kr内，从基点P_base出发分别按照粗放生长模式和精细生长模式搜索新生长的节点，构成生长点集合：

粗放生长模式：

精细生长模式：

式中：是基点新生出的第k个节点的第i维变量；每个节点由第1至n维变量构成；P_bi是基点P_base的第i维变量；u_i是以等概率取值为0或1的离散量；r_i1、r_i2是[0,1]区间内均匀分布的随机数；P_imin、P_imax分别是机组出力下限和上限；是第k个节点的第i个分量的第j种步长策略的步长值。

步骤3.4、将生长点集合中不满足约束条件的节点删除；将目标函数值高于F_S的节点剔除，并将剩余的节点的数目记作L；

步骤3.5、如果L＝0且k_n<N_nmax，则k_n＝k_n+1，返回步骤3.3；若L>0，转到下一步；若L<0，转到步骤3.10；

步骤3.6、更新P_best：找出L个节点中具有最小目标函数值的节点并记作P_min；若F(P_min)<F_opt，则令P_best＝P_min，F_opt＝F(P_min)；若F(P_min)＝F_opt，则保留P_min并令k_r＝k_r+1；若k_r<N_nmax，则转至下一步；否则转到步骤3.10；步骤3.7、更新节点的生长素浓度值，假设生长点集合中总共有K个节点P₁,P₂,…,P_i,P_K，对应的生长素浓度值表示为C₁,C₂,…,C_i,…,C_K按下式计算：

式中：K是节点的个数，P_i是第i个节点，C_i是P_i的生长素浓度。

步骤3.8、采用随机数投掷法为下一次迭代选取基点，随机产生[0,1]区间的随机数η，若满足或则令基点P_base＝P_d，C_d表示第d个节点的生长素浓度值；

步骤3.9、若n_iter≤N_max，则n_iter＝n_iter+1，返回步骤3.3；否则转至下一步；

步骤3.10、终止迭代，输出最优解P_best和最优值F_opt。

表2采用粒子群算法与改进模拟植物生长算法的寻优统计结果比较

表2给出了分别采用粒子群算法和模拟植物生长算法对算例测试系统进行求解得到的系统燃煤费用统计结果对比，通过表2能够看出，与现有的应用最广泛的粒子群算法(PSO)相比，本发明采用的DPGSA算法求得的解明显优于PSO算法，标准差也更低，说明解具有较好的分布特性。而且多次运行的平均值和最小值相差较小，显示了较强的寻优能力和收敛特性。

图2和图3是基于给定的含风电、抽水蓄能、水电和火电的10机测试系统在1月份典型日24小时的日调度结果，通过图3水电出力曲线能够看出，水电发挥了灵活的调节能力，实时跟随风电和负荷的波动，实现了在充分利用水资源的同时又保证火电机组运行效率和风电利用率的多重优化目标。火电出力曲线表明机组运行平稳，出力波动较小，仅在负荷峰谷时段有明显波动，其余大部分时段的出力值基本保持不变，且没有启停操作。

通过上述方式，本发明针对新能源规模化入网后的协调运行问题，建立的调度模型包括优化目标和约束条件，优化目标充分利用不同能源自然特性的互补，综合考虑了火电运行的经济性和平稳性、风电和水电的利用率以及抽水蓄能电站的调节作用；采用灵活可调的水电和抽水蓄能来应对风电的随机性，将抽水蓄能的调度融入大系统，不仅改善了风电运行特性，更使基于多能互补实现整个系统运行的经济性和可靠性最优，在促进风电消纳的同时保障火电机组运行的经济性和平稳性。采用改进的模拟植物生长算法进行求解，为其它含大规模间歇性能源的电力系统调度提供数据支持和策略指导。

Claims (8)

1.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，其特征在于，包括以下步骤：

步骤一、建立多目标动态经济调度模型：

步骤1.1、建立以火电煤耗最低、火电出力调节量最少、水电发电量最大、风电入网后负荷波动最低为目标的4个优化目标；

步骤1.2、确定4个优化目标的约束条件；

步骤二、将4个所述优化目标进行加权转化，得到多目标动态经济调度模型的目标函数F；

步骤三、结合所述目标函数F，采用改进的模拟植物生长算法求解多目标动态经济调度模型。

2.根据权利要求1所述的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，其特征在于，所述步骤1.1具体为：

分别建立以火电煤耗最低为目标的优化目标F₁、以火电出力调节量最少为目标的优化目标F₂、以水电发电量最大为目标的优化目标F₃、以风电入网后负荷波动最低为目标的优化目标F₄：

$F_1=min\underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N_t}{\&Sigma;}}{s}_{it}(a_i{P}_{Git}^2+b_i{P}_{Git}+c_i)---\left(1\right)$

$F_2=min\frac{1}{T}\underset{t=1}{\overset{T}{\&Sigma;}}{(\underset{i=1}{\overset{N_t}{\&Sigma;}}{P}_{Git}-\frac{1}{T}\underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N_t}{\&Sigma;}}{P}_{Git})}^2---\left(2\right)$

$F_3=max\underset{t=1}{\overset{T}{\&Sigma;}}\underset{j=1}{\overset{N_h}{\&Sigma;}}{P}_{Hjt}---\left(3\right)$

$F_4=\min \frac{1}{T}\underset{t=1}{\overset{T}{\&Sigma;}}\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}{\&lsqb;(P_{Dt}-P_{Wt}-u_{kt}{P}_{PHkt})-\frac{1}{T}\underset{t=1}{\overset{T}{\&Sigma;}}\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}(P_{Dt}-P_{Wt}-u_{kt}{P}_{PHkt})\&rsqb;}^2---\left(4\right)$

式中：T是调度周期的总时段数；N_t是火电机组的总数；N_h是水电机组的总数；N_PH是抽水蓄能机组的总数；s_it是火电机组的开停机状态变量，s_it取值1表示开机，s_it取值0表示停机；a_i、b_i、c_i是第i台火电机组的燃料费用系数；P_Git是第i台火电机组在t时段的输出功率；P_Hjt是第j台水电机组在t时段的输出功率；P_Dt是t时段的负荷需求；P_Wt是t时段的风电功率预测值；u_kt是抽水蓄能机组的状态变量，u_kt取值1表示发电状态，对应的P_PHkt为发电输出功率；u_kt取值-1表示抽水，相对应的P_PHkt为抽水功率；u_kt取值0，表示抽水蓄能机组闲置。

3.根据权利要求2所述的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，其特征在于，所述步骤1.2中的约束条件包括系统约束、火电机组运行约束、抽水蓄能机组运行约束、水电机组运行约束和风电场可用风电功率约束；

1)系统约束具体包括：

实时负荷平衡约束：

$\underset{i=1}{\overset{N_t}{\&Sigma;}}{s}_{it}{P}_{Git}+\underset{j=1}{\overset{N_h}{\&Sigma;}}{P}_{Hjt}+\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}{u}_{kt}{P}_{PHkt}+P_{Wt}=P_{Dt}---\left(5\right)$

系统正旋转备用约束：

$\underset{i=1}{\overset{N_t}{\&Sigma;}}{s}_{it}(P_{Gimax}-P_{Git})+\underset{j=1}{\overset{N_h}{\&Sigma;}}(P_{Hjmax}-P_{Hjt})\&GreaterEqual;k_d{P}_{Dt}+R_u\left(P_{Wt}\right)---\left(6\right)$

系统负旋转备用约束：

$\underset{i=1}{\overset{N_t}{\&Sigma;}}{s}_{it}(P_{Git}-P_{Gimin})+\underset{j=1}{\overset{N_h}{\&Sigma;}}(P_{Hjt}-P_{Hjmin})\&GreaterEqual;k_d{P}_{Dt}+R_d\left(P_{Wt}\right)---\left(7\right)$

式中：P_Gimax、P_Gimin分别为第i台火电机组的出力上限、出力下限；P_Hjmax、P_Hjmin分别为第j台水电机组的出力上限、出力下限；k_d为系统的负荷旋转备用率；R_u(P_Wt)、R_d(P_Wt)分别是应对风电功率预测误差所需的正、负旋转备用量，按式(8)计算：

$\left\{\begin{array}{c}{R}_u\left(P_{Wt}\right)={\mathrm{\&alpha;P}}_{Wt}+{{\mathrm{\&beta;P}}_{Wt}}^2\\ R_d\left(P_{Wt}\right)={\mathrm{\&alpha;P}}_{Wt}+{{\mathrm{\&beta;P}}_{Wt}}^2\end{array}\right.---\left(8\right)$

式中：α、β为风电的备用系数；

2)火电机组运行约束具体包括：

火电机组出力约束：P_Gimin≤P_Git≤P_Gimax (9)

火电机组爬坡约束：-r_diΔt≤P_Git-P_Gi(t-1)≤r_uiΔt (10)

式中：r_ui是第i台火电机组升负荷时的调节速率；r_di是第i台火电机组降负荷时的调节速率；P_Gi(t-1)是第i台火电机组在t-1时段的输出功率；Δt是调度时段的时间长度；

3)抽水蓄能电站运行约束具体包括：

抽水蓄能机组发电、抽水功率约束：

$\left\{\begin{array}{cc}{P}_{PHkgmin}\&le;u_{kt}{P}_{PHkt}\&le;P_{PHkgmax},& u_{kt}=1\\ P_{PHkpmin}\&le;-u_{kt}{P}_{PHkt}\&le;P_{PHkp\max },& u_{kt}=-1\end{array}\right.---\left(11\right)$

式中：P_PHkgmin和分别是第k台抽水蓄能机组发电功率下限；P_PHkgmax是第k台抽水蓄能机组发电功率上限；P_PHkpmin是第k台抽水蓄能机组抽水功率下限；P_PHkpmax是第k台抽水蓄能机组抽水功率上限；

抽水蓄能电站容库约束，具体为：

发电时上、下水库的库容变化为：

$\left\{\begin{array}{c}{V}_{u(t+1)}=V_{ut}-\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}{u}_{kt}{P}_{PHkt}{\mathrm{\&eta;}}_g\\ V_{d(t+1)}=V_{dt}+\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}{u}_{kt}{P}_{PHkt}{\mathrm{\&eta;}}_g\end{array}\right.---\left(12\right)$

抽水时上、下水库的库容变化为：

$\left\{\begin{array}{c}{V}_{u(t+1)}=V_{ut}+\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}(-u_{kt}{P}_{PHkt}){\mathrm{\&eta;}}_p\\ V_{d(t+1)}=V_{dt}-\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}(-u_{kt}{P}_{PHkt}){\mathrm{\&eta;}}_p\end{array}\right.---\left(13\right)$

任意调度时刻t，上、下水库的库容满足：

$\left\{\begin{array}{c}{V}_{umin}\&le;V_{ut}\&le;V_{umax}\\ V_{dmin}\&le;V_{dt}\&le;V_{dmax}\end{array}\right.---\left(14\right)$

式中：V_ut、V_dt分别是时段t上水库的实时库容、下水库的实时库容；V_u(t+1)、V_d(t+1)分别是时段t+1上水库的实时库容、下水库的实时库容；V_umin、V_umax分别是上水库的最小库容、最大库容；V_dmin、V_dmax分别是下水库的最小库容、最大库容；η_g、η_p分别是发电或抽水时的平均水量转换系数、平均电量转换系数；

抽水蓄能调度周期内的抽水、发电平衡约束：

$\underset{t=1}{\overset{{\mathrm{\&tau;}}_g}{\&Sigma;}}\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}{u}_{kt}{P}_{PHkt}\mathrm{\&Delta;}t={\mathrm{\&eta;}}_{PH}\underset{t=1}{\overset{{\mathrm{\&tau;}}_g}{\&Sigma;}}\underset{k=1}{\overset{N_{PH}}{\&Sigma;}}(-u_{kt}{P}_{PHkt})\mathrm{\&Delta;}t---\left(15\right)$

式中：τ_g是调度周期内抽水蓄能发电时段数；τ_p是调度周期内抽水蓄能抽水时段数；η_PH为抽水蓄能机组的效率；

4)水电机组运行约束：

水电机组出力约束：P_Hjmin≤P_Hjt≤P_Hjmax (16)

水电转换关系：P_Hjt＝η_HjAQ_jth_jt (17)

式中：η_Hj是第j台水电机组的效率；A是水电转换常数；Q_jt是第j台水电机组在t时段的发电引用流量；h_jt为t时段第j台水电机组的净水头；

水电发电可用水量约束：

式中：W_min、W_max分别是水库调度部门分配的最小、最大可用发电水量；

5)风电场可用风电功率为：

P_Wt＝C_WtP_WR (19)

式中：C_Wt是t时段风电场的容量系数，P_WR为风电的额定装机容量。

4.根据权利要求3所述的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，其特征在于，所述步骤二的具体过程为：

为所述优化目标F₁、F₂、F₃、F₄的相对重要性标度赋值，构造比较矩阵C：

$C=\left[\begin{array}{cccc}{f}_{11}& f_{12}& f_{13}& f_{14}\\ f_{21}& f_{22}& f_{23}& f_{24}\\ f_{31}& f_{32}& f_{33}& f_{34}\\ f_{41}& f_{42}& f_{43}& f_{44}\end{array}\right]---\left(20\right)$

式中：f_ij为优化目标F_i(i＝1,2,3,4)和F_j(j＝1,2,3,4)的相对重要性标度值；

将所述比较矩阵C的每一列向量归一化后得到矩阵对矩阵按行求和得到列向量对列向量进行归一化后得到的各个元素ω₁、ω₂、ω₃、ω₄分别对应为4个优化目标的权重因子；

采用层次分析法，将所述优化目标F₁、F₂、F₃、F₄通过权重因子加权转化成单目标函数，即为多目标动态经济调度模型的目标函数F：

F＝min(ω₁F₁+ω₂C_PGF₂-ω₃C_PHF₃+ω₄C_PPHF)₄ (21)

式中：C_PG、C_PH、C_PPH为惩罚系数。

5.根据权利要求4所述的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，其特征在于，所述步骤五的具体步骤为：

步骤3.1、改进的模拟植物生长算法记为DPGSA算法，输入风蓄水火电力系统的系统数据；输入DPGSA算法的相关参数：最大迭代次数N_max、最优解最大重复次数N_rmax、连续找不到比种子更优的候选解的最大次数N_nmax；初始化算法的迭代变量n_iter＝1，最优解重复次数k_r＝0，连续找不到比种子更优的候选解的次数k_n＝0；

步骤3.2、所述DPGSA算法的初始优化变量即为种子S，根据所述目标函数F计算种子目标函数值F_S＝F(S)，选定种子S为算法的初始解，令当前最优解P_best＝S，根据所述目标函数F计算当前最优值F_opt＝F(P_best)，并设基点P_base＝S；

步骤3.3、从所述基点P_base出发分别按照粗放生长模式和精细生长模式搜索新生长的节点，构成生长点集合：

步骤3.4、将所述生长点集合中不满足约束条件的节点删除；将目标函数值高于F_S的节点剔除，并将剩余的节点的数目记作L；

步骤3.5、如果L＝0且k_n<N_nmax，则k_n＝k_n+1，返回步骤3.3；若L>0，转到下一步；若L<0，转到步骤3.10；

步骤3.6、更新P_best：找出L个节点中具有最小目标函数值的节点并记作P_min；若F(P_min)<F_opt，则令P_best＝P_min，F_opt＝F(P_min)；若F(P_min)＝F_opt，则保留P_min并令k_r＝k_r+1；若k_r<N_nmax，则转至下一步；否则转到步骤3.10；

步骤3.7、更新节点的生长素浓度值，假设生长点集合中总共有K个节点P₁,P₂,…,P_i,P_K，对应的生长素浓度值表示为C₁,C₂,…,C_i,…,C_K；

步骤3.8、采用随机数投掷法为下一次迭代选取基点，随机产生[0,1]区间的随机数η，若满足或则令基点P_base＝P_d，C_d表示第d个节点的生长素浓度值；

步骤3.9、若n_iter≤N_max，则n_iter＝n_iter+1，返回步骤3.3；否则转至下一步；

步骤3.10、终止迭代，输出最优解P_best和最优值F_opt。

6.根据权利要求5所述的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，其特征在于，所述步骤3.2中，对于调度周期的T个时段，所述种子S定义如下：

式中：是第1～N_t台火电机组分别在时段1～T的出力；是第1～N_h台水电机组分别在时段1～T的出力；是第1～N_PH台抽水蓄能机组分别在时段1～T的出力；

根据种子优选机制利用Logistic混沌映射生成种子S，种子S中每一维火电、水电和抽水蓄能的初始出力按照下式生成：

P_Git＝P_Gimin+z_it(P_Gimax-P_Gimin)i∈N_t,t∈T (23)

P_Hjt＝P_Hjmin+z′_jt(P_Hjmax-P_Hjmin)j∈N_h,t∈T (24)

P_PHkt＝u_kt[P_PHkmin+z″_jt(P_PHkR-P_PHkmin)]k∈N_PH,t∈T (25)

式中：z_it、z′_jt是利用Logistic混沌映射生成的混沌变量。

7.根据权利要求6所述的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，其特征在于，所述DPGSA算法中，对可能越界的节点进行调整：

水电出力越界调整：

$P_{Hjt}=\left\{\begin{array}{cc}{P}_{Hjmin}& P_{Hjt}<P_{Hjmin}\\ P_{Hjmax}& P_{Hjt}>P_{Hjmax}\end{array}\right.---\left(26\right)$

抽水蓄能出力越界调整：

式中：ΔP_PH是最小出力越限调整量；

火电出力越界调整：

$P_{Git}=\left\{\begin{array}{cc}\min (P_{Gi\max },P_{Git}+r_{ui}\mathrm{\&Delta;}t)& P_{Git}>\min (P_{Gi\max },P_{Git}+r_{ui}\mathrm{\&Delta;}t)\\ \max (P_{Gi\min },P_{Git}-r_{di}\mathrm{\&Delta;}t)& P_{Git}<\max (P_{Gi\max },P_{Git}-r_{di}\mathrm{\&Delta;}t)\end{array}\right.---\left(28\right).$

8.根据权利要求7所述的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，其特征在于，所述步骤3.7中，将目标函数F作为背光函数，计算各个节点的生长素浓度：

$C_i=\frac{F\left(S\right)-F\left(P_i\right)}{\underset{i=1}{\overset{K}{\&Sigma;}}F\left(S\right)-F\left(P_i\right)},i=1,2,...,K---\left(29\right)$

式中：K是节点的个数，P_i是第i个节点，C_i是P_i的生长素浓度。