CN108448650A - 一种多目标联合调度决策方法及系统 - Google Patents
一种多目标联合调度决策方法及系统 Download PDFInfo
- Publication number
- CN108448650A CN108448650A CN201810233170.2A CN201810233170A CN108448650A CN 108448650 A CN108448650 A CN 108448650A CN 201810233170 A CN201810233170 A CN 201810233170A CN 108448650 A CN108448650 A CN 108448650A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply system
- confidence level
- disaggregation
- object function
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多目标联合调度决策方法,方法包括:建立联合供电系统;确定联合供电系统的多个评估参数,以及多个评估参数的多个目标;根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型;对联合调度模型进行求解,获取联合调度模型的解集;设置评价多个评估参数的多个目标的评价级别;将解集根据在多个目标的运行效果,进行置信度评估,获取多个目标的置信度;利用证据推理方法对置信度进行融合,获取解集在多个目标的评价级别上的置信度分布;将置信度分布映射为有效值,将有效值与解集的平均有效值进行比较,获取联合调度模型多个目标的优化解集。
Description
技术领域
本发明涉及电力系统技术领域,更具体地,涉及一种多目标联合调度决策方法及系统。
背景技术
随着电力系统规模的不断发展,最优潮流(Optimal Power Flow,简称OPF)计算作为一种离线分析工具或一种在线最优控制手段正在得到广泛应用。低碳经济作为一种新的能源发展观成为世界能源生产和发展的制约因素。在当今不断发展的电力市场中,人们越来越关注电力系统的碳排放量。中国能源结构以煤为主,火力发电行业是碳排放量的主体,面对低碳经济的发展模式,电力行业势必将成为CO2减排的主力军。然而,电力系统的经济性和碳排放量是相互矛盾的两个方面。因此,处理好电力系统的经济性和碳排放量这两方面的问题是电力系统在电力市场机制下面临的一个重要问题。
传统的最优潮流模型一般以单一的经济性为优化目标。常见的电力系统优化调度问题主要包含经典经济调度(负荷经济调度)和最优潮流(现代经济调度)。负荷经济调度是指电力系统旋转备用容量充足和负荷需求已知的情况下,合理分配各发电机组的有功出力,使系统发电的成本最小。由于负荷经济调度的确对电力系统节能做出了突出贡献,所以这一经典的经济调度方法得到了广泛的应用。然而这种方法只是关注发电机组和负荷这两种电力系统部件,没有考虑电网的安全性因素,给电力系统运行带来严重隐患。因此,法国学者J.Carpentier于本世纪60年代首次将节点电压约束、支路潮流约束等约束引入到经典经济调度中,提出了最优潮流问题数学模型,即同时考虑了经济性和安全性约束的优化调度方法。最优潮流具体是指通过调节电网参数(变压器变比,无功补偿装置等),发电机有功出力以及机端电压,在满足负荷需求和电力系统运行约束如潮流限制,电力设备物理特性约束),使得系统的发电成本最小。它是一个高维,高约束,复杂的优化问题,而且既包含连续变量,又含有离散变量,难以求解。
因此,需要一种技术,以实现一种多目标联合调度决策。
发明内容
本发明提供了一种基于多目标联合调度决策方法及系统,以解决如何实现电力的联合调度的问题。
为解决上述问题,本发明提供了一种多目标联合调度决策方法,所述方法包括:
建立联合供电系统;
确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
对所述联合调度模型进行求解,获取所述联合调度模型的解集;
设置评价所述多个评估参数的多个目标的评价级别;
将所述解集根据在所述多个目标的运行效果,进行置信度评估,获取所述多个目标的置信度;
利用证据推理方法对所述置信度进行融合,获取所述解集在所述多个目标的评价级别上的置信度分布;
将所述置信度分布映射为有效值,将所述有效值与所述解集的平均有效值进行比较,获取所述联合调度模型所述多个目标的优化解集。
优选地,所述联合供电系统包括水电系统和火电系统。
优选地,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
优选地,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,所述评价等级,包括:差,勉强,一般,好,极好。
基于本发明的另一方面,提供一种多目标联合调度决策系统,所述系统包括:
建立单元,用于建立联合供电系统;
初始单元,用于确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
建模单元,用于根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
计算单元,用于对所述联合调度模型进行求解,获取所述联合调度模型的解集;
优化单元,用于设置评价所述多个评估参数的多个目标的评价级别;将所述解集根据在所述多个目标的运行效果,进行置信度评估,获取所述多个目标的置信度;利用证据推理方法对所述置信度进行融合,获取所述解集在所述多个目标的评价级别上的置信度分布;将所述置信度分布映射为有效值,将所述有效值与所述解集的平均有效值进行比较,获取所述联合调度模型所述多个目标的优化解集。
优选地,所述联合供电系统包括水电系统和火电系统。
优选地,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
优选地,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,所述评价等级,包括:差,勉强,一般,好,极好。
本发明技术方案提供一种基于多目标联合调度决策方法及系统,联合调度模型建立在最优潮流模型的基础上,依照当前节能环保的迫切需求和电力系统的实际情况,在原模型上考虑了水电系统和火电系统的机组群,并将原来的单一优化目标的发电成本扩大为包含煤耗、网损、排放以及电网购电成本的多目标,以及基于多目标的级别和置信度对模型的解集进行优化,从而建立了如下的考虑新能源的机组群联合调度多目标优化模型。本发明技术方案通过对联合调度模型进行求解,以及将求解的解集进行优化,以获得联合供电系统的最优联合调度方案。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的多目标联合调度决策方法流程图;
图2为根据本发明优选实施方式的联合供电系统多目标优化调试决策方法流程示意图;
图3为根据本发明优选实施方式的优化发电成本和电压稳定指数得到的帕累托解集;
图4为根据本发明优选实施方式的整合多目标信息后的候选集置信度分布示意图;以及
图5为根据本发明优选实施方式的侯选解集对应的平均、最小和最大的效用值示意图;以及
图6为根据本发明优选实施方式的多目标联合调度决策系统结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种多目标联合调度决策方法流程图。本申请实施方式提供一种基于多目标联合调度决策方法,联合调度模型建立在最优潮流模型的基础上,依照当前节能环保的迫切需求和电力系统的实际情况,在原模型上考虑了水电系统和火电系统的机组群,并将原来的单一优化目标的发电成本扩大为包含煤耗、网损、排放以及电网购电成本的多目标,以及基于多目标的级别和置信度对模型的解集进行优化,从而建立了如下的考虑新能源的机组群联合调度多目标优化模型。本申请通过对联合调度模型进行求解,以及将求解的解集进行优化,以获得联合供电系统的最优联合调度方案。如图1所示,一种多目标联合调度决策方法,方法包括:
优选地,在步骤101:建立联合供电系统。优选地,联合供电系统包括水电系统和火电系统。本申请如果排水率则意味着相应的水电机组处于抽水模式;反之则处于发电模式,最后计算所需的总的火电出力。
优选地,在步骤102:确定联合供电系统的多个评估参数,以及多个评估参数的多个目标。优选地,联合供电系统的评估参数,包括:煤耗、网损、排放和电网购电成本。本申请利用煤耗、网损、排放和购电成本进行联合供电系统中多目标调度优化方法。
优选地,煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,排放的目标函数为:
火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,电网购电成本的目标函数为:
联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,在步骤103:根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型。优选地,根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型,包括:
联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为评估参数的目标函数,目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,在步骤104:对联合调度模型进行求解,获取联合调度模型的解集。
优选地,在步骤105:设置评价多个评估参数的多个目标的评价级别;9.根据权利要求1的方法,评价等级,包括:差,勉强,一般,好,极好。
优选地,在步骤106:将解集根据在多个目标的运行效果,进行置信度评估,获取多个目标的置信度。
优选地,在步骤107:利用证据推理方法对置信度进行融合,获取解集在多个目标的评价级别上的置信度分布。
优选地,在步骤108:将置信度分布映射为有效值,将有效值与解集的平均有效值进行比较,获取联合调度模型多个目标的优化解集。
图2为联合供电系统多目标优化调试决策方法流程示意图。
本申请中确定出评价指标集合、候选解集合、评价等级集合。评价指标也即是目标,也可以称为属性,候选解是通过优化重要指标得到的帕累托解集,评价等级是指衡量候选解好坏的评定级别,如“好”、“一般”、“较差”等等。为叙述方便,我们用数学表达式描述这些集合。
评价指标集合可以表示为:
E={e1,e2,…,ei,…,eL}
其中ei是第i个评价指标,可以依照上部分的层次分析法赋给它一个标准化的权重ωi(0<ωi<1)。ωi表示指标ei的相对重要程度,且有L为评价指标的总个数。
评价等级集合可以表示成:
H={H1,H2,…,Hn,…,HN}
其中,N为评价等级的总个数。评价等级一般用自然语言进行描述,如{差,勉强,一般,好,极好},注意评价等级集合中的元素一般是不相关的。
候选解集合通过多目标优化求得:
A={a1,a2,…,aj,…,aM}
其中,M为候选解的总个数。利用多目标优化算法,就可以得到候选解集合,以供调度员决策。
针对每一候选解,对其在评价指标集合中的每一元素上在不同评价等级上进行置信度评估,以得到置信度向量,其数学描述如下:
S(ei(aj))={(Hn,βn,i(aj)),n=1,…,N;i=1,…,L;j=1,…,M}
其中,aj为第j个候选解,βn,i(aj)为aj在第i个评价指标以及第n个评价等级上的置信度。且有:
0≤βn,i(aj)≤1
如果则说明决策者对第i个评价指标的判断完全处于“无知”状态,即决策者完全无法认知这个指标,因而给出的置信度判定全部为0。反之,若那么表明决策者对第i个评价指标完全认知,因为他能很好地用置信度评价候选解aj处于何种评价等级中。
本申请中举例子说明:假定在电力系统调度问题中,已知一种调度方案对应的发电成本为500$/h,评价等级设置为{差,一般,好}这三个级别,如果调度员的评估结果为{(差,0.1),(一般,0.5),(好,0.4)},由于0.1+0.5+0.4=1,说明这就是一个完整的评估;若评估结果为{(差,0.2),(一般,0.3),(好,0.4)},因为0.1+0.5+0.4=0.9<1,所以这是一个不完整评估,说明调度员存在认识上的不确定性,并且描述这种不确定性的置信度为1-0.9=0.1,即调度员有10%的可能性不知如何将所研究的调度解评价到“差”、“一般”和“好”这几个等级上;如果评估结果是{(差,0),(不好,0),(好,0)},这表明调度员完全没有能力进行评估,评价的结果是空集。需要特别注意的是决策者认知的不确定性,在决策管理领域起着非常重要的作用,甚至影响最终方案的制定,不容忽视。
本申请在得到候选解的置信度评价向量后,由于这个向量是针对某一个评价指标而定的。而总的指标数是L个,所以总共有L个置信度评估向量。要想得到这个候选解总的评价,就需要融合这L个证据。这就涉及到证据推理(Evidence reasoning,ER),它对于解决含有不确定性的多属性决策问题具有很好的效果,其理论基础是基于登姆普斯特-谢弗推理(Dempster-Shafer reasoning)方法,简称为D-S推理。证据推理(融合)方法是建立在多属性决策的问题背景上,以登姆普斯特-谢弗推理为理论依据,融合多个证据以给决策者直观性的判断依据。证据推理并且能很好地解决含有不确定因素的定量和定性的复杂多属性决策问题,它率先由英国曼彻斯特理工大学(现为英国曼彻斯特大学)的杨剑波(Jian-BoYang)教授提出,并在文献中提出了一个基本的证据推理和融合模型。2002年杨剑波教授和徐冬玲(Dong-Ling Xu)教授在文献[133]的基础上,又提出了多层次结构的证据推理方法,并详细证明了其合理性,即符合登姆普斯特-谢弗推理原则。
下面主要介绍这种多层次结构的证据推理方法,多属性集合{e1,e2,…,ei,…,eL}位于底层,这些属性相应的权重为{ω1,ω2,…,ωi,…,ωL},它们表明了属性(等价于指标或者目标)之间的相对重要性,可以利用层次分析方法得到。评价等级集合{H1,H2,…,Hn,…,HN}位于中层,决策者根据候选解的情况(如目标函数值)来利用置信度评估该候选解位于某一等级。注意(Hn,βn,i(aj))即为一个“证据”,显然这些证据构成了证据矩阵,决策者难以根据不同候选解对应的证据矩阵来直接判定最优的候选解。于是需要融合这些证据,这就涉及到证据推理算法,下面详细介绍这一算法。
首先,根据决策者评定的置信度βn,i来得到基本可信度mn,i:
mn,i=ωiβn,i
由于决策者认知的不确定性,往往评估不是完整的,因此存在不确定的基本可信度mH,i:
为了证据融合的方便,证据推理算法将这个不确定的基本可信度分解为两个部分:
令mn,I(1)=mn,1,假设将前i个属性在评价等级Hn上的置信度进行融合得到的总的基本可信度为mn,I(i),可以用下面的递推公式算出mn,I(i+1):
{Hn}:mn,I(i+1)=KI(i+1)[mn,I(i)mn,i+1+mH,I(i)mn,i+1+mn,I(i)mH,i+1]
其中mH,I(i)表示为分配给前i个指标的总基本可信度,同样它可以被分解为两部分:
上式中的KI(i+1)(i=1,2,…,L-1)定义如下:
可以看出,上述递推公式主要是融合多属性集合{e1,e2,…,ei,…,eL}在评价等级Hn上的置信度进行融合,因此可以得到候选方案在评价等级集合上的置信度向量:
其中y表示候选方案,βn(y)表示方案y在第n个评价等级上的总置信度,而βH(y)为决策者无法评定方案y的总不确定性置信度。βn(y)和βH(y)的数学表达式如下:
这样就得到了S(y)这一评价候选解y在评价等级集合上总的置信度分布的N+1维向量。
虽然S(y)可以大体反映候选解y的优劣程度。但是其毕竟是向量,无法直接准确地判断候选解孰优孰劣。因此需要利用效用分析将置信度分布映射为效用值,并比较不同候选解的平均效用值,选择最终候选方案。例如,我们假设评价等级集合一共包含五个评价等级{差,勉强,一般,好,极好},且它们不相关。进一步假定通过多属性分析和多证据推理之后得到的对应于候选解a1和a2的总的置信度分布向量分别为S(a1)={(差,0),(勉强,0.2),(一般,0.3),(好,0.1),(极好,0.2),(不确定,0.2)}和S(a2)={(差,0),(勉强,0.3),(一般,0.2),(好,0.2),(极好,0.3),(不确定,0.2)}。可以看到对于这两个候选方案,在“好”和“极好”这两个评价等级上的总置信度是一致的,为0.3;在“差”、“勉强”和“一般”这三个评价等级上的总置信度也同为0.5;“不确定”的置信度同为0.2。因此,作为决策者难以从这个置信度分布向量来清晰地比较候选解孰优孰劣。为了直观方便地比较和筛选候选方案,利用效用分析将置信度分布向量映射为效用值:
其中u(Hn)为评价等级Hn的效用值,并且评价等级级别越高,相应的效用值也就越大,即u(Hn+1)>u(Hn)需要注意的是由于需要考虑决策者认知的不确定性,总不确定性置信度βH(y)同样应该计入效用值中,为此杨建波教授提出了使用最大、最小和平均效用值,计算公式如下所示:
其中平均效用值作为衡量候选解的标准,即对应于最大平均效用值的候选解作为最终的方案:
电力系统优化调度,通常需要考虑多个目标,如发电成本、系统网损、电压稳定指数、电压偏差等指标,其实质是多目标优化问题。而且这些多目标通常相互冲突,如发电成本和电压稳定指数,因此不可能存在唯一的最优解使得这些目标同时达到最优。通过优化电力系统的多个目标得到的是一个集合,称为帕累托调度解集,且每个解之间不能相互支配。但是在实际的电力运行调度中,只能实施唯一的调度解,这就要求运行人员从帕累托调度解集中挑选唯一的而且合适的解作为最终调度方案。
基于证据推理的电力系统多目标优化调度的决策方法,主要包括下述步骤:
调度员确定多个调度目标,如发电成本,网络损耗,电压偏差和,电压稳定指数,二氧化碳排放,污染气体排放等,并基于层次分析的特征向量方法选择出对调度运行影响较大的重要目标集;
对重要目标集进行基于非支配排序方法的多目标优化,得到帕累托调度解集,以此作为候选解集以供调度员选择;
调度员将这些候选解集进行多属性分析,即根据它们在不同调度目标的运行效果并结合自身认知水平的不确定性,做出置信度评判,产生一系列决策证据;
运用证据推理方法对这些决策证据进行融合,得到候选解在不同评价等级上的置信度分布;
利用效用分析将置信度分布映射为效用值,并比较不同候选解的平均效用值,选择最终的调度方案。
本申请以IEEE-30节点电力系统作为仿真对象,优化调度的目标为发电成本,网络损耗,电压偏差和,电压稳定指数,二氧化碳排放,污染气体排放。调度员根据客观情况进行主观判断,得到评估矩阵:
求得这些目标对应的权重:
[ω1 ω2 ω3 ω4 ω5 ω6]=[0.3871 0.0968 0.1290 0.1935 0.0968 0.0968]
因此可见发电成本和电压稳定指数的权重值较大,确定它们为重要目标。并对其进行多目标优化,得到的帕累托前沿见图3。
这些帕累托解对应的发电成本,网络损耗,电压偏差和,电压稳定指数,二氧化碳排放,污染气体排放如表5-1所示。
帕累托解集对应的多目标函数值
表5-1
调度员根据这些候选解的目标函数值,对其在评价等级上进行置信度判断,如针对第一个候选解如表5-2:
调度员对第一个候选度进行置信度评估
表5-2
利用证据推理方法融合多目标信息,得到这些候选解在不同的评价等级中总的置信度分布,如图4所示。本申请利用效用函数评估,得到这些候选解的最大、平均和最小效用值,如图5所示。因此,通过比较平均效用值,可见第三个候选解是最佳的调度方案。
图6为根据本发明优选实施方式的多目标联合调度决策系统结构示意图。如图6所示,一种多目标联合调度决策系统包括:
建立单元601,用于建立联合供电系统。优选地,联合供电系统包括水电系统和火电系统。
初始单元602,用于确定联合供电系统的多个评估参数,以及多个评估参数的多个目标。优选地,联合供电系统的评估参数,包括:煤耗、网损、排放和电网购电成本。
优选地,煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,排放的目标函数为:
火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,电网购电成本的目标函数为:
联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
建模单元603,用于根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型。
计算单元604,用于对联合调度模型进行求解,获取联合调度模型的解集。
优化单元605,用于设置评价多个评估参数的多个目标的评价级别;将解集根据在多个目标的运行效果,进行置信度评估,获取多个目标的置信度;利用证据推理方法对置信度进行融合,获取解集在多个目标的评价级别上的置信度分布;将置信度分布映射为有效值,将有效值与解集的平均有效值进行比较,获取联合调度模型多个目标的优化解集。
优选地,根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型,包括:
联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为评估参数的目标函数,目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,评价等级,包括:差,勉强,一般,好,极好。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (18)
1.一种多目标联合调度决策方法,所述方法包括:
建立联合供电系统;
确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
对所述联合调度模型进行求解,获取所述联合调度模型的解集;
设置评价所述多个评估参数的多个目标的评价级别;
将所述解集根据在所述多个目标的运行效果,进行置信度评估,获取所述多个目标的置信度;
利用证据推理方法对所述置信度进行融合,获取所述解集在所述多个目标的评价级别上的置信度分布;
将所述置信度分布映射为有效值,将所述有效值与所述解集的平均有效值进行比较,获取所述联合调度模型所述多个目标的优化解集。
2.根据权利要求1所述的方法,所述联合供电系统包括水电系统和火电系统。
3.根据权利要求2所述的方法,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
4.根据权利要求3所述的方法,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
5.根据权利要求3所述的方法,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
6.根据权利要求3所述的方法,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
7.根据权利要求3所述的方法,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
8.根据权利要求1所述的方法,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min [f1(x,y),f2(x,y),...,fM(x,y)]
s.t. h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
9.根据权利要求1所述的方法,所述评价等级,包括:差,勉强,一般,好,极好。
10.一种多目标联合调度决策系统,所述系统包括:
建立单元,用于建立联合供电系统;
初始单元,用于确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
建模单元,用于根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
计算单元,用于对所述联合调度模型进行求解,获取所述联合调度模型的解集;
优化单元,用于设置评价所述多个评估参数的多个目标的评价级别;将所述解集根据在所述多个目标的运行效果,进行置信度评估,获取所述多个目标的置信度;利用证据推理方法对所述置信度进行融合,获取所述解集在所述多个目标的评价级别上的置信度分布;将所述置信度分布映射为有效值,将所述有效值与所述解集的平均有效值进行比较,获取所述联合调度模型所述多个目标的优化解集。
11.根据权利要求10所述的系统,所述联合供电系统包括水电系统和火电系统。
12.根据权利要求11所述的系统,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
13.根据权利要求12所述的系统,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
14.根据权利要求12所述的系统,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
15.根据权利要求12所述的系统,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
16.根据权利要求12所述的系统,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
17.根据权利要求12所述的系统,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min [f1(x,y),f2(x,y),...,fM(x,y)]
s.t. h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
18.根据权利要求10所述的系统,所述评价等级,包括:差,勉强,一般,好,极好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233170.2A CN108448650A (zh) | 2018-03-21 | 2018-03-21 | 一种多目标联合调度决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233170.2A CN108448650A (zh) | 2018-03-21 | 2018-03-21 | 一种多目标联合调度决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108448650A true CN108448650A (zh) | 2018-08-24 |
Family
ID=63195929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810233170.2A Pending CN108448650A (zh) | 2018-03-21 | 2018-03-21 | 一种多目标联合调度决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108448650A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782130A (zh) * | 2019-09-30 | 2020-02-11 | 南京工程学院 | 一种基于多属性决策的区域电压质量综合评估方法 |
CN111144729A (zh) * | 2019-12-16 | 2020-05-12 | 国网山东省电力公司经济技术研究院 | 电力系统效益评价模型的构建方法、装置和计算设备 |
CN112949909A (zh) * | 2021-02-05 | 2021-06-11 | 清华大学深圳国际研究生院 | 一种考虑多种不确定性并存的机组组合优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976065A (zh) * | 2016-05-20 | 2016-09-28 | 燕山大学 | 一种含集中充电站的环境经济调度的双层调度求解方法 |
CN106602593A (zh) * | 2016-11-16 | 2017-04-26 | 东北电力大学 | 微电网多目标转化单目标的方法 |
CN107302231A (zh) * | 2017-08-23 | 2017-10-27 | 国网山东省电力公司经济技术研究院 | 一种小水电群接入电网的两目标随机经济调度方法 |
CN107528341A (zh) * | 2017-08-25 | 2017-12-29 | 电子科技大学 | 一种用于高风电渗透率的大电网储能调度的方法 |
-
2018
- 2018-03-21 CN CN201810233170.2A patent/CN108448650A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976065A (zh) * | 2016-05-20 | 2016-09-28 | 燕山大学 | 一种含集中充电站的环境经济调度的双层调度求解方法 |
CN106602593A (zh) * | 2016-11-16 | 2017-04-26 | 东北电力大学 | 微电网多目标转化单目标的方法 |
CN107302231A (zh) * | 2017-08-23 | 2017-10-27 | 国网山东省电力公司经济技术研究院 | 一种小水电群接入电网的两目标随机经济调度方法 |
CN107528341A (zh) * | 2017-08-25 | 2017-12-29 | 电子科技大学 | 一种用于高风电渗透率的大电网储能调度的方法 |
Non-Patent Citations (1)
Title |
---|
李远征: "电力系统优化调度及其决策方法的研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782130A (zh) * | 2019-09-30 | 2020-02-11 | 南京工程学院 | 一种基于多属性决策的区域电压质量综合评估方法 |
CN111144729A (zh) * | 2019-12-16 | 2020-05-12 | 国网山东省电力公司经济技术研究院 | 电力系统效益评价模型的构建方法、装置和计算设备 |
CN112949909A (zh) * | 2021-02-05 | 2021-06-11 | 清华大学深圳国际研究生院 | 一种考虑多种不确定性并存的机组组合优化方法 |
CN112949909B (zh) * | 2021-02-05 | 2022-03-08 | 清华大学深圳国际研究生院 | 一种考虑多种不确定性并存的机组组合优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hakimi et al. | Stochastic planning of a multi-microgrid considering integration of renewable energy resources and real-time electricity market | |
Daneshvar et al. | Transactive energy management for optimal scheduling of interconnected microgrids with hydrogen energy storage | |
Van et al. | Review of hydrogen technologies based microgrid: Energy management systems, challenges and future recommendations | |
CN106384168A (zh) | 针对特性各异电源的多目标协调优化调度模型 | |
CN106127377A (zh) | 一种智能电网多能源综合协调水平评价方法 | |
Mokaramian et al. | An optimal energy hub management integrated EVs and RES based on three-stage model considering various uncertainties | |
Nosratabadi et al. | Robust scenario-based concept for stochastic energy management of an energy hub contains intelligent parking lot considering convexity principle of CHP nonlinear model with triple operational zones | |
Galvani et al. | A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters | |
CN108320062A (zh) | 一种基于多目标种群群搜索算法的联合调度方法及系统 | |
Zhang et al. | Social energy: mining energy from the society | |
CN108448650A (zh) | 一种多目标联合调度决策方法及系统 | |
Yuan et al. | A new hybrid multi-criteria decision-making approach for developing integrated energy systems in industrial parks | |
Tostado-Véliz et al. | Robust energy management in isolated microgrids with hydrogen storage and demand response | |
CN109146123A (zh) | 一种多能源综合协调效果评价方法和系统 | |
Alao et al. | Sustainable prime movers selection for biogas-based combined heat and power for a community microgrid: a hybrid fuzzy multi criteria decision-making approach with consolidated ranking strategies | |
Rosso-Cerón et al. | Soft computing tool for aiding the integration of hybrid sustainable renewable energy systems, case of Putumayo, Colombia | |
Nudell et al. | Distributed control for polygeneration microgrids: A dynamic market mechanism approach | |
Liu et al. | An integrated fuzzy multi-energy transaction evaluation approach for energy internet markets considering judgement credibility and variable rough precision | |
Izzatillaev et al. | Short-term load forecasting in grid-connected microgrid | |
Peng et al. | Generation planning for power companies with hybrid production technologies under multiple renewable energy policies | |
Büyüközkan et al. | Spherical fuzzy sets based integrated DEMATEL, ANP, VIKOR approach and its application for renewable energy selection in Turkey | |
Aharwar et al. | Unit commitment problem for transmission system, models and approaches: A review | |
Wu et al. | Optimal bidding strategies in electricity markets using reinforcement learning | |
Ren et al. | Sustainability Decision Support Framework for the Prioritization of Hydrogen Energy Systems | |
Yang et al. | A multi-agent game-based incremental distribution network source–load–storage collaborative planning method considering uncertainties |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |
|
RJ01 | Rejection of invention patent application after publication |