CN107579518B - 基于mhba的电力系统环境经济调度方法和装置 - Google Patents
基于mhba的电力系统环境经济调度方法和装置 Download PDFInfo
- Publication number
- CN107579518B CN107579518B CN201710833468.2A CN201710833468A CN107579518B CN 107579518 B CN107579518 B CN 107579518B CN 201710833468 A CN201710833468 A CN 201710833468A CN 107579518 B CN107579518 B CN 107579518B
- Authority
- CN
- China
- Prior art keywords
- power
- power system
- optimization
- system environment
- solution
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
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多目标混杂蝙蝠算法的电力系统环境经济调度方法和装置,所述方法包括确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法求解所述多目标优化模型,得到一组非支配解,形成环境和经济调度两个优化目标的帕累托最优前沿;对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的依据。本发明在满足用电负荷的前提下,最小化发电机组的发电成本,同时最小化污染气体的排放,最大限度的减少了化石燃料的使用,能为电力企业节能增效提供智能决策。
Description
技术领域
本发明涉及一种电力系统环境经济调度方法,尤其是涉及一种基于多目标混杂蝙蝠算法(Multi-objective Hybrid Bat Algorithm,MHBA)的电力系统环境经济调度方法和装置。
背景技术
经济运行及调度问题对电力企业的发展有着深远的影响,当前环境污染日益严重,如何在保障供电质量不受影响的前提下,兼顾环境与经济效益是非常值得研究的重大技术难题,也是促进电力企业节能减排的关键内容。通常负荷预测人员对某时段用电需求进行预测后,调度将对供电起决定性的作用,这将涉及到负荷平衡问题、网络损耗问题、环境问题和经济效益问题。如何在保障供电需求的前提下,降低网损、减少环境污染、增加电力企业效益是值得重点研究的问题。目前该问题已经得到了初步研究,其主要研究思路是:(1)同时考虑火电机组的发电成本和污染气体排放问题,(2)考虑发电、调度过程中不同约束条件,(3)选择合适的算法进行分析求解。
绝大多数研究方法对于研究目标(1)的处理都是大同小异,主要区别在于对(2)和(3)的处理上。已有方法多数只考虑了发电机有功约束和负荷平衡问题,同时对线路网损都采用近似计算方法,使得实际负荷平衡问题受到影响;同时,没有考虑实际电网的运行情况,对于电力系统实时潮流没有进行计算,这将导致理论与实践脱节;在算法的应用上,权重和方法(Weighted Sum Method)是应用最广泛的一种方法,但是,该方法有两个严重缺点,其一是只能针对凸的帕累托最优前沿进行操作,然而,电力系统的最优化环境经济调度模型是一个非线性、非凸的数学模型,显然权重和方法已经不能再适用,其二是程序运行一次只能得到一个最优解,如果帕累托前沿有100个非支配解,则程序需要执行100次。近些年研究主要使用智能算法来进行优化计算,典型的有非支配排序遗传算法(NondominatedSorting Genetic Algorithm)和粒子群优化算法(ParticleSwarm Optimization),但是,对于遗传算法,当其种群多样度急剧下降时,对于粒子群算法,当粒子陷入局部最优时,它们都将遭遇早熟收敛问题。
因此,如何使优化调度策略更贴合实际,同时提高优化算法的收敛速度和准确性,是本领域技术人员目前需要迫切解决的技术问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于多目标混杂蝙蝠算法的电力系统环境经济调度方法和装置,针对任意电网结构,基于获取的电网实际参数,以同时最小化发电成本和最小化环境污染为目标,考虑实际电网运行潮流,使用多目标混杂蝙蝠算法,得到一组非支配解集,形成“发电成本—-环境污染”两个优化目标的帕累托最优前沿,然后使用隶属度函数法得到一组本时段的最优化调度决策依据。
为实现上述目的,本发明采用如下技术方案:
一种基于多目标混杂蝙蝠算法的电力系统环境经济调度方法,包括以下步骤:
确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;
在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法求解所述多目标优化模型,求取一组非支配解,得到环境经济调度两个优化目标的帕累托最优前沿;
对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的决策依据。
进一步地,所述约束条件包括:发电机有功、无功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束。
进一步地,所述电力系统环境经济调度多目标优化模型表示为:
Minimize[F(P),F(P)],
Subject to:gi(P)=0,i=1,...,M1
hj(P)≤0,j=1,...,M2,
式中,F(P)和E(P)分别表示优化目标1和优化目标2,g(P)和h(P)分别为涉及到的等式和不等式约束,M1、M2分别是等式和不等式约束条件的个数。
进一步地,
所述优化目标1为燃料成本:
所述优化目标2为污染气体排放量:
所述约束条件包括:
发电机有功、无功上下限约束:
功率平衡约束:
节点电压幅值约束:
线路潮流约束:
其中,ai、bi、ci、di、ei为第i台发电机燃料成本系数,αi、βi、γi、εi、λi为第i台发电机污染气体排放系数,N和Nbus表示参与调度的发电机台数和网络节点数,Pi和Qi为分别为第i台发电机输出的有功功率和无功功率,Pd和Ploss分别表示总负荷和线路网损,和分别表示最小允许节点电压和最大允许节点电压,Gij是连接节点i和j的支路的电导,Vi和Vj分别是节点i和j的电压幅值,θij是节点i和j的电压相位差。
进一步地,采用多目标混杂蝙蝠算法求解所述多目标优化模型具体包括:
①初始化种群:初始化多目标混杂蝙蝠算法相关参数,同时随机初始化每台发电机的发电量,代表问题的可能解;
②根据初始化值,计算所有个体的适应度值,即针对不同的初始值,求取每台发电机的发电成本和环境代价;
③根据所产生的适应度值,求取非支配解;
④迭代开始;
⑤遍历种群中的所有个体:
求取单个个体的最优值以及所有个体的全局最优值;
更新个体的声波频率fi、速度υi以及位置xi;
使用随机黑洞模型,更新个体搜索位置;
处理发电机约束条件;
更新全局最优解;
使用混沌映射更新个体声波脉冲频度ri和响度Ai;
⑥遍历结束;
⑦根据个体寻优结果计算非支配解;
⑧将获得的非支配解存储到外部档案中;
⑨如果非支配解的个数超过了外部档案的预设值,则执行拥挤排序规则,删除多余的非支配解;
⑩如果没有到达最大迭代次数,则跳转到④继续执行迭代过程;
迭代结束,生成帕累托最优前沿。
进一步地,初始化多目标混杂蝙蝠算法的相关参数包括:初始化种群样本和算法参数;其中,初始化种群样本时,应同时满足发电机有功、无功上下限约束和功率平衡约束。
进一步地,所述使用隶属度函数获取全局最优解具体包括:
(1)对每一个优化目标函数,计算其非支配解对应的隶属度函数值:
式中,Fi,k为第i个优化目标的第k个解,和分别为第i个优化目标的最小值和最大值;
(2)对每一个单独的非支配解,将μi,k正则化得到μj:
其中,N1=2即优化目标的个数,M是非支配解的个数。
(3)求解μj取得最大值对应的非支配解,作为当前时段的调度决策依据。
进一步地,所述方法所采用的电网运行参数,包括:①节点参数,②调度时段内有功负荷、无功负荷,③节点电压幅值、相角,以及该节点所能承受的最大、最小电压,④发电机节点输出的有功、无功,以及该节点所能承受输出的最大、最小有功无功功率,⑤每台发电机允许输出的最大有功、无功功率,⑥支路参数:支路电阻、电抗、电纳标幺值,长/短距离输电支路所允许的容量,以及该支路所允许的最大、最小相位角度。
根据本发明的第二目的,本发明还提供了一种基于多目标混杂蝙蝠算法的电力系统环境经济调度装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述电力系统环境经济调度方法。
根据本发明的第三目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述基于多目标混杂蝙蝠算法的电力系统环境经济调度方法。
本发明的有益效果
1、本发明提供了一种基于多目标混杂蝙蝠算法的电力系统最优化环境经济调度方法,实现在满足用电负荷的前提下,最小化发电机组的发电成本,同时最小化化污染气体的排放,最大限度减少化石燃料的使用,能够为电力企业提供决策依据。
2、本发明在约束条件中引入了线路潮流约束,结合了实际电网的运行情况,使得优化调度策略更具现实指导意义。
3、本发明以蝙蝠算法为基础,克服了传统权重和方法带来的弊端,同时为适应多目标优化方法,引入MCLS(Modified Comprehensive Learning Strategy)策略更改原始蝙蝠算法中关于速度vi的更新方式,增强了种群的学习能力,使得算法更适合于多目标优化;使用混沌映射(Chaotic Map)替代声波脉冲频度ri及响度Ai,以提升种群的多样性,避免早熟收敛;使用随机黑洞模型(Random Black Hole Model)替代蝙蝠算法中的随机位置更新,提高种群的全局搜索能力;修改原始非支配排序方法,引入外部档案(External Archive)方法,提升所得到的非支配解的精度和分布均匀性。最后求取所有非支配解的隶属度值,拥有最大隶属度值的非支配解即为本时段最优化调度的决策依据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明基于多目标混杂蝙蝠算法的电力系统环境经济调度实施流程示意图;
图2为本发明中多目标混杂蝙蝠算法的算法流程图;
图3为本发明所采用的仿真对象IEEE 30-BUS系统结构图;
图4为本发明针对IEEE 30-BUS系统(负荷为283.4MW)考虑以上所有约束条件下所生成的帕累托最优前沿。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路:针对任意电网结构,基于获取的电网实际参数,以同时最小化发电成本和最小化环境污染为目标,考虑实际电网运行潮流,使用多目标混杂蝙蝠算法,得到一组非支配解集(最优化目标值,即发电机组在本时段内的输出功率),形成“发电成本—-环境污染”两个优化目标的帕累托最优前沿,最后,使用隶属度函数,给出了在这一组非支配解集中寻找出一个最优化调度方案的解决方法。
实施例一
本发明提供了一种基于多目标混杂蝙蝠算法的电力系统环境经济调度方法,其实施流程如图1所示,包括以下步骤:
步骤1:确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;
具体地,以同时最小化污染气体排放和化石燃料成本为目标,选择发电机有功、无功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束作为约束条件,构建环境经济调度优化模型:
①优化目标1:燃料成本最小
②优化目标2:污染气体排放量最少
③约束条件
发电机有功、无功上下限约束:
(3)
功率平衡约束:
节点电压幅值约束:
线路潮流约束:
④线路损耗计算
线路损耗通过求解以下潮流方程得到:
进而,线路损耗
其中,ai、bi、ci、di、ei为第i台发电机燃料成本系数,αi、βi、γi、εi、λi为第i台发电机污染气体排放系数,N和Nbus表示参与调度的发电机台数和网络节点数,Pi和Qi为分别为第i台发电机输出的有功功率和无功功率,Pd和Ploss分别表示总负荷和线路网损,和分别表示最小允许节点电压和最大允许节点电压,Gij是连接节点i和j的支路的电导,Vi和Vj分别是节点i和j的电压幅值,θij是节点i和j的电压相位差。
如上所述,综合目标函数(1)和(2)以及约束条件(3)-(6),本发明所涉及的基于多目标混杂蝙蝠算法的电力系统环境经济调度模型可综合表述如下:
Minimize|F(P)E(P)],
Subject togi|P)=0,i=1,...,M1
hj(P)≤0,j=1,...,M2, (9)
式中,g(P)和h(P)分别为涉及到的等式和不等式约束,M1、M2分别是等式和不等式约束的个数。
步骤2:在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法(MHBA)求解所述多目标优化模型,求取一组非支配解,得到环境经济调度两个优化目标的帕累托最优前沿;
多目标优化不同于单目标优化,对单目标优化而言,可以求取一个最优解,但对多目标优化而言,如本发明中涉及的环境目标和经济性目标,这两个目标是相互竞争的关系,很难得到某一个最优解。因此,算法只能得到两个优化目标的权衡解,这是一个非支配解集。具体求解方法如下(图2):
①初始化种群:初始化MHBA算法相关参数,同时随机初始化每台发电机的发电量,代表问题的可能解;
初始化与多目标混杂蝙蝠算法(MHBA)相关的数据,包括:初始化种群样本;算法参数(频率、速度、脉冲响度和频度、迭代次数、随机黑洞模型参数、外部档案总容量、速度更新、混沌映射等相关参数)。其中,初始化种群样本时,应同时满足约束条件(3)和(4),初始化网损可设置为0。
②根据初始化值,计算所有个体的适应度值,即针对不同的初始值,求取每台发电机的发电成本和环境代价;
③根据所产生的适应度值,求取非支配解,其作用是:在已有的发电成本和环境代价数据中,选择相互没有支配关系的数据,而被支配的数据则被删除;
④迭代开始;
⑤遍历种群中的所有个体:
求取单个个体的最优值以及所有个体的全局最优值;
更新个体的声波频率fi、速度vi以及位置xi;
使用随机黑洞模型,更新个体搜索位置;
处理发电机输出功率、负荷平衡、潮流约束等约束条件;
更新全局最优解;
使用混沌映射更新个体声波脉冲频度ri和响度Ai;
⑥遍历结束;
⑦根据个体寻优结果计算非支配解;
⑧将获得的非支配解存储到外部档案中;
⑨如果非支配解的个数超过了外部档案的预设值,则执行拥挤排序规则,删除多余的非支配解;
⑩如果没有到达最大迭代次数,则跳转到④继续执行迭代过程;
迭代结束,生成帕累托最优前沿。
在本发明中,上述算法涉及到关于个体的声波频率fi、速度υi以及位置xi的更新公式如下:
fi=fmin+(fmax-fmin)μ (10)
(11)
其中,fmin和fmax分别是声波的最小和最大频率,μ是一个服从均匀分布的随机数,pbestfi为被第i个个体搜索到的最优解,gbestmop为从全局最优解集中随机选择的一个全局最优解,ωi为权重系数,c1、c2为加速常数,r1、r2为0-1之间的随机数,η是一个由0和1组成的Np×Nn矩阵,其中Np是种群中个体的数量,Nn是多目标优化问题的维度。
随机黑洞模型如下:
式中,为第i个个体中的第b个维度在第t+1次迭代中的值,为第t次迭代中产生的全局最优解的第b个维度值,rd是以为中心产生的随机黑洞的有效半径,l是0-1之间的随机数,p是预设的阈值。
使用的混沌映射如下(声波脉冲频度ri和响度Ai使用以下方法更新):
在算例的实施过程中,关于MHBA算法所使用的初始化参数,最开始只能依据经验赋值,但是这些初始值显然并不是最优参数。在算法的运行过程中,可以适当调整某个参数而保留其他参数不变,然后观察仿真结果的优劣,通过这种方法来不断调整每个参数,从而达到最佳仿真效果。
步骤3:对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的决策依据。
上一步已经得到了100个非支配解,所有这些解都是最优解,但是调度决策只能从当前所有解中选取一组,这就需要电力部门依据实际情况制定相应的调度策略。本发明给出一种基于隶属度函数的判别方法,拥有最大隶属度值的非支配解被选中为本时段的调度决策依据。
具体求解方法如下:
①针对环境和经济运行两个优化目标,对每一个目标函数,计算其非支配解对应的
隶属度函数值,
方法如下:
式中,Fi,k为第i个优化目标的第k个解,和分别为第i个优化目标的最小值和最大值。
②对每一个单独的非支配解,将μi,k正则化得到μj,方法如下:
其中,N1=2即优化目标的个数,M是非支配解的个数。
③最终解即为μj取得最大值对应的非支配解,该解即是本时段的调度决策依据。
本调度方法所采用的计算数据使用的电网参数可以为获取的实际电网运行参数,也可以是任意的仿真对象,如IEEE 30-BUS系统。本仿真实例选用IEEE 30-Bus系统,该系统结构图如图3所示。在使用图3作为算例的情况下,当前调度时段的负荷为284.4MW。
本实施例中,获取的电网运行参数,包括:①节点参数,主要包括PQ、PV和参考节点的分布,②调度时段内有功负荷、无功负荷,③节点电压幅值、相角,以及该节点所能承受的最大、最小电压,④发电机节点输出的有功、无功,以及该节点所能承受输出的最大、最小有功无功功率,⑤每台发电机允许输出的最大有功、无功功率,⑥支路参数:支路电阻、电抗、电纳标幺值,长(短)距离输电支路所允许的容量,以及该支路所允许的最大、最小相位角度。
实施例二
本实施例的目的是提供一种计算装置。
一种基于多目标混杂蝙蝠算法的电力系统环境经济调度装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
步骤1:确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;
步骤2:在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法(MHBA)求解所述多目标优化模型,求取一组非支配解,得到环境经济调度两个优化目标的帕累托最优前沿;
步骤3:对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的决策依据。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,用于电力系统环境经济调度,该程序被处理器执行时执行以下步骤:
步骤1:确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;
步骤2:在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法(MHBA)求解所述多目标优化模型,求取一组非支配解,得到环境经济调度两个优化目标的帕累托最优前沿;
步骤3:对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的决策依据。
以上实施例二和三中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验结果
本发明针对图3的仿真算例结果如图4所示,其中涉及到的两个优化目标的极端值解分别如表1和表2所示(燃料成本单位为¥/h,污染气体排放单位为ton/h)。
表1燃料成本极端值解
算法 | P<sub>1</sub> | P<sub>2</sub> | P<sub>3</sub> | P<sub>4</sub> | P<sub>5</sub> | P<sub>6</sub> | 燃料成本 | 污染气体排放 | 网损 |
MHBA | 0.1094 | 0.2985 | 0.5829 | 0.9948 | 0.5181 | 0.3620 | 4051.29 | 0.2208 | 0.03204 |
FSBF | 0.1943 | 0.3726 | 0.6857 | 0.5919 | 0.6085 | 0.4061 | 4131.17 | 0.2015 | 0.0251 |
NSGA | 0.1358 | 0.3151 | 0.8418 | 1.0431 | 0.0631 | 0.4664 | 4141.20 | 0.2048 | 0.0313 |
NPGA | 0.1127 | 0.3747 | 0.8057 | 0.9031 | 0.1347 | 0.5331 | 4138.46 | 0.2243 | 0.03 |
表2污染气体排放极端值解
算法 | P<sub>1</sub> | P<sub>2</sub> | P<sub>3</sub> | P<sub>4</sub> | P<sub>5</sub> | P<sub>6</sub> | 燃料成本 | 污染气体排放 | 网损 |
MHBA | 0.4094 | 0.4515 | 0.5330 | 0.4051 | 0.5425 | 0.5214 | 4291.31 | 0.19420 | 0.02920 |
FSBF | 0.4119 | 0.4662 | 0.5421 | 0.3848 | 0.5431 | 0.5160 | 4036.28 | 0.1942 | 0.0301 |
NSGA | 0.4403 | 0.4940 | 0.7509 | 0.5060 | 0.1375 | 0.5364 | 4330.43 | 0.2048 | 0.0311 |
NPGA | 0.4753 | 0.5162 | 0.6513 | 0.4363 | 0.1896 | 0.5988 | 4386.12 | 0.2017 | 0.0335 |
在图4中,针对图3的仿真实例,本发明所得到的帕累托最优前沿共由100个非支配解组成,这是一组针对环境和经济两个优化目标所形成的折衷解,所有的非支配解都是本调度时段的最优解。图4中的两组极端值解分别为(4051.29,0.2208)和(4291.32,0.19420),两组极端值解的大小及广度直接决定了优化方法的先进性。
为了比较本发明方法的先进性,在表1和表2中,选择了几种有代表性的算法作为比较。在表1中,使用本发明方法得到的最小燃料成本为4051.29¥/h,比其他三种方法分别降低79.88¥/h、89.91¥/h、87.17¥/h。另一个极端值解即污染气体排放为0.19420ton/h也是所有方法中最小的,所以比起其他已有方法,本发明更具先进性。
通过以上实验数据可以看到,相比以往环境经济调度方法,本发明在满足基本供电要求的前提下,获得了比其他调度方法更优越的性能,在降低发电成本的同时,也有效降低污染气体的排放。以表1的极值点为例,如果以该解作为调度依据,假定负荷一直稳定在284.4MW,以MHBA和NSGA为对比,基于本发明方法,每天可节约化石燃料成本约2157元,每年可节省约787035元,同时,每天可减少污染气体排放约0.2544吨,每年可减少污染气体排放约93吨。
本发明提供了一种基于多目标混杂蝙蝠算法的电力系统最优化环境经济调度方法,实现在满足用电负荷的前提下,最小化发电机组的发电成本,同时最小化化污染气体的排放,最大限度减少化石燃料的使用,能够为电力企业提供决策依据。在约束条件中引入了线路潮流约束,结合了实际电网的运行情况,使得优化调度策略更具现实指导意义。算法以蝙蝠算法为基础,克服了传统权重和方法带来的弊端,增强了种群的学习能力,使得算法更适合于多目标优化;并且通过对算法各方面进行改进,提高了算法的收敛速度和准确性。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于多目标混杂蝙蝠算法的电力系统环境经济调度方法,其特征在于,包括以下步骤:
确定优化目标和约束条件,构建电力系统环境经济调度多目标优化模型;
在满足当前时段负荷要求的情况下,采用多目标混杂蝙蝠算法求解所述多目标优化模型,求取一组非支配解,得到环境经济调度两个优化目标的帕累托最优前沿;
所述两个优化目标包括:
优化目标1为燃料成本:
优化目标2为污染气体排放量:
其中,F(P)和F(P)分别表示优化目标1和优化目标2,ai、bi、ci、di、ei为第i台发电机燃料成本系数,αi、βi、γi、εi、λi为第i台发电机污染气体排放系数,N表示参与调度的发电机台数,Pi为第i台发电机输出的有功功率,Pi min为第i台发电机输出的有功功率最小值;
对于所述非支配解,使用隶属度函数获取全局最优解作为当前时段电力系统优化调度的决策依据;
采用多目标混杂蝙蝠算法求解所述多目标优化模型具体包括:
①初始化种群:初始化多目标混杂蝙蝠算法相关参数,同时随机初始化每台发电机的发电量,代表问题的可能解;
②根据初始化值,计算所有个体的适应度值,即针对不同的初始值,求取每台发电机的发电成本和环境代价;
③根据所产生的适应度值,求取非支配解;
④迭代开始;
⑤遍历种群中的所有个体:
求取单个个体的最优值以及所有个体的全局最优值;
更新个体的声波频率fi、速度vi以及位置xi;
使用随机黑洞模型,更新个体搜索位置;
处理发电机约束条件;
更新全局最优解;
使用混沌映射更新个体声波脉冲频度ri和响度Ai;
⑥遍历结束;
⑦根据个体寻优结果计算非支配解;
⑧将获得的非支配解存储到外部档案中;
⑨如果非支配解的个数超过了外部档案的预设值,则执行拥挤排序规则,删除多余的非支配解;
⑩如果没有到达最大迭代次数,则跳转到④继续执行迭代过程;
迭代结束,生成帕累托最优前沿。
2.如权利要求1所述的电力系统环境经济调度方法,其特征在于,所述约束条件包括:发电机有功、无功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束。
3.如权利要求1所述的电力系统环境经济调度方法,其特征在于,所述电力系统环境经济调度多目标优化模型表示为:
Minimize[F(P),E(P)],
Subject to:gi(P)=0,i=1,...,M1
hj(P)≤0,j=1,...,M2,
式中,F(P)和E(P)分别表示优化目标1和优化目标2,g(P)和h(P)分别为涉及到的等式和不等式约束,M1、M2分别是等式和不等式约束条件的个数。
4.如权利要求3所述的电力系统环境经济调度方法,其特征在于,
所述优化目标1为燃料成本:
所述优化目标2为污染气体排放量:
所述约束条件包括:
发电机有功、无功上下限约束;
功率平衡约束:
节点电压幅值约束:
Vi min≤Vi≤Vi max,i=1,...,Nbus
线路潮流约束:
其中,ai、bi、ci、di、ei为第i台发电机燃料成本系数,αi、βi、γi、εi、λi为第i台发电机污染气体排放系数,N和Nbus表示参与调度的发电机台数和网络节点数,Pi为第i台发电机输出的有功功率,Pd和Ploss分别表示总负荷和线路网损,Vi min和Vi max分别表示最小允许节点电压和最大允许节点电压。
5.如权利要求1所述的电力系统环境经济调度方法,其特征在于,初始化多目标混杂蝙蝠算法的相关参数包括:初始化种群样本和算法参数;其中,初始化种群样本时,应同时满足发电机有功、无功上下限约束和功率平衡约束。
6.如权利要求1所述的电力系统环境经济调度方法,其特征在于,所述使用隶属度函数获取全局最优解具体包括:
(1)对每一个优化目标函数,计算其非支配解对应的隶属度函数值:
式中,Fi,k为第i个优化目标的第k个解,和分别为第i个优化目标的最小值和最大值;
(2)对每一个单独的非支配解,将μi,k正则化得到μj:
其中,N1=2即优化目标的个数,M是非支配解的个数,
(3)求解μj取得最大值对应的非支配解,作为当前时段的调度决策依据。
7.如权利要求1所述的电力系统环境经济调度方法,其特征在于,所述方法所采用的电网运行参数,包括:①节点参数,②调度时段内有功负荷、无功负荷,③节点电压幅值、相角,以及该节点所能承受的最大、最小电压,④发电机节点输出的有功、无功,以及该节点所能承受输出的最大、最小有功无功功率,⑤每台发电机允许输出的最大有功、无功功率,⑥支路参数:支路电阻、电抗、电纳标幺值,长/短距离输电支路所允许的容量,以及该支路所允许的最大、最小相位角度。
8.一种基于多目标混杂蝙蝠算法的电力系统环境经济调度装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的电力系统环境经济调度方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行如权利要求1所述的基于多目标混杂蝙蝠算法的电力系统环境经济调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833468.2A CN107579518B (zh) | 2017-09-15 | 2017-09-15 | 基于mhba的电力系统环境经济调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833468.2A CN107579518B (zh) | 2017-09-15 | 2017-09-15 | 基于mhba的电力系统环境经济调度方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107579518A CN107579518A (zh) | 2018-01-12 |
CN107579518B true CN107579518B (zh) | 2019-02-26 |
Family
ID=61033662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833468.2A Active CN107579518B (zh) | 2017-09-15 | 2017-09-15 | 基于mhba的电力系统环境经济调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107579518B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108988329B (zh) * | 2018-08-01 | 2021-04-23 | 国网安徽省电力有限公司培训中心 | 一种电力系统节能发电调度控制器及调度方法 |
CN108988935B (zh) * | 2018-08-21 | 2020-09-25 | 清华大学 | 非线性功放约束下的星地协同信号传输方法及装置 |
CN109146297B (zh) * | 2018-08-28 | 2020-04-07 | 国网湖南省电力有限公司 | 电网降雾霾的优化调度方法及系统 |
CN109389206A (zh) * | 2018-09-26 | 2019-02-26 | 大连大学 | 基于非支配排序的混合蝙蝠算法的dna编码序列优化方法 |
CN109449951A (zh) * | 2018-12-07 | 2019-03-08 | 广东电网有限责任公司 | 一种电力市场背景下电力系统无功优化的方法及相关装置 |
CN109784570B (zh) * | 2019-01-23 | 2024-01-12 | 西北工业大学 | 基于信息物理融合系统的智慧车间柔性生产调度方法 |
CN110956266B (zh) * | 2019-06-06 | 2023-08-15 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力系统多目标优化调度方法 |
CN110336285B (zh) * | 2019-06-21 | 2023-06-02 | 东华大学 | 电力系统最优经济潮流计算方法 |
CN110535123B (zh) * | 2019-08-28 | 2021-04-20 | 广西大学 | 一种快速的解析式分布式多目标多微网经济调度优化方法 |
CN110661256B (zh) * | 2019-09-26 | 2021-08-27 | 山东大学 | 基于多目标的电力系统经济调度与无功调度协同优化方法 |
CN110910034B (zh) * | 2019-11-29 | 2022-04-22 | 南宁师范大学 | 基于蝙蝠算法的混杂间歇连续系统的调度方法 |
CN113076695B (zh) * | 2021-04-12 | 2022-06-17 | 湖北民族大学 | 基于改进的bba算法的电离层高维数据特征选择方法 |
CN114066281A (zh) * | 2021-11-23 | 2022-02-18 | 吉林化工学院 | 一种布谷鸟与蝙蝠混合优化的电力经济排放调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101752903A (zh) * | 2009-11-27 | 2010-06-23 | 清华大学 | 一种时序递进式电力调度方法 |
CN102170129A (zh) * | 2011-04-22 | 2011-08-31 | 武汉大学 | 一种基于大规模风电并网的电力系统低碳调度方法及其装置 |
CN106655150A (zh) * | 2016-09-28 | 2017-05-10 | 深圳供电局有限公司 | 一种配电网运行方式优化方法 |
-
2017
- 2017-09-15 CN CN201710833468.2A patent/CN107579518B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101752903A (zh) * | 2009-11-27 | 2010-06-23 | 清华大学 | 一种时序递进式电力调度方法 |
CN102170129A (zh) * | 2011-04-22 | 2011-08-31 | 武汉大学 | 一种基于大规模风电并网的电力系统低碳调度方法及其装置 |
CN106655150A (zh) * | 2016-09-28 | 2017-05-10 | 深圳供电局有限公司 | 一种配电网运行方式优化方法 |
Non-Patent Citations (3)
Title |
---|
大规模间歇式电源接入电网多目标鲁棒优化调度;谢鹏 等;《电网技术》;20140630;第38卷(第6期);1479-1484 |
考虑分布式电源不确定性的电力系统多目标优化模型;陆舆;《智能电网》;20160131;第4卷(第1期);44-49 |
计及风力发电风险的电力系统多目标动态优化调度;杨家然 等;《电力系统保护与控制》;20160401;第44卷(第7期);25-31 |
Also Published As
Publication number | Publication date |
---|---|
CN107579518A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
Li et al. | Two-stage multi-objective OPF for AC/DC grids with VSC-HVDC: Incorporating decisions analysis into optimization process | |
Yuan et al. | Multi-objective optimal power flow based on improved strength Pareto evolutionary algorithm | |
Wang et al. | Demand side management of plug-in electric vehicles and coordinated unit commitment: A novel parallel competitive swarm optimization method | |
Sheng et al. | Optimal placement and sizing of distributed generation via an improved nondominated sorting genetic algorithm II | |
Cai et al. | A hybrid CPSO–SQP method for economic dispatch considering the valve-point effects | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
Yi et al. | Coordinated operation strategy for a virtual power plant with multiple DER aggregators | |
CN107392395A (zh) | 一种基于价格激励机制的配电网和微电网协调优化方法 | |
CN105790266B (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
Zhao et al. | Research on optimal schedule strategy for active distribution network using particle swarm optimization combined with bacterial foraging algorithm | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
Zheng et al. | Stochastic optimization of cost-risk for integrated energy system considering wind and solar power correlated | |
Yang et al. | Energy dispatch optimization of islanded multi-microgrids based on symbiotic organisms search and improved multi-agent consensus algorithm | |
CN109390930A (zh) | 一种考虑控制自治性和通信成本的主动配电网微电网化分区方法 | |
CN111416356A (zh) | 基于交替方向乘子法及最优潮流的输配电网联动优化方法 | |
Zhang et al. | Fast stackelberg equilibrium learning for real-time coordinated energy control of a multi-area integrated energy system | |
CN112202205A (zh) | 一种多能源三级自律协同控制方法及装置 | |
Du et al. | Efficient forecasting scheme and optimal delivery approach of energy for the energy Internet | |
CN106877316B (zh) | 一种计及可控电源经济调度的主动配电网最大供电能力模型的构建方法 | |
Vohnout et al. | Living Lab Long-Term Sustainability in Hybrid Access Positive Energy Districts—A Prosumager Smart Fog Computing Perspective | |
CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
CN115759475A (zh) | 基于数据驱动的多区域电力系统经济环境调度方法及系统 | |
CN104793107B (zh) | 一种基于改进opa模型的电网连锁故障确定方法 | |
CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230427 Address after: No. 7 Yingxi South Road, Shizhong District, Jinan City, Shandong Province, 250004 Patentee after: Jinan ZhongFuture Industrial Development Co.,Ltd. Address before: Shandong University Qianfo Mountain Campus, 17923 Jingshi Road, Jinan City, Shandong Province, 250061 Patentee before: SHANDONG University |