CN109390973A - 一种考虑通道约束的送端电网电源结构优化方法 - Google Patents

Abstract

本发明涉及一种考虑通道约束的送端电网电源结构优化方法，包括以下步骤：获取机组数据、负荷相关数据和价格信息数据；建立考虑通道约束的电源结构优化模型；获得机组检修计划，考虑加装储能的风电场和太阳能电站的出力、本地负荷调峰能力以及关键断面输送能力，进行风、太阳能、水、火、抽蓄发电的随机生产模拟；采用混合粒子群算法求解所述电源结构优化模型，获得最优电源结构优化方案。与现有技术相比，本发明考虑关键断面的输送能力约束，确保新投产的机组不因断面输送能力不足限制出力，保障规划方案的经济性、合理性。

Description

一种考虑通道约束的送端电网电源结构优化方法

技术领域

本发明涉及电力系统电源结构优化技术领域，尤其是涉及一种考虑通道约束的送端电网电源结构优化方法。

背景技术

电源规划是指根据规划期内预测的电力负荷需求和负荷特性，在保证规定的供电可靠性指标的前提下，调查和落实各电厂的厂址、建厂条件，充分考虑各电厂运行特点，与系统的协调以及燃料来源和运输情况等因素，对各种可能的规划方案进行模拟计算、可靠性分析、技术经济分析，最终确定最合理的电源结构和最佳的电源规划方案。其中，确定合理的电源结构就是电源结构优化的内容。这里所说的电源结构是指一个国家或地区各种发电能源的装机容量(发电量)占总装机容量(总发电量)的比重，而电源结构优化可以概括为根据某一区域在某一时期内电量及负荷预测的结果，在满足一定可靠性水平的条件下，寻求一个最经济的电源结构，满足用户对电能的需求及整个发电系统稳定经济运行等要求。

国内对于电源结构规划的研究，在文献研究方面主要有以下成果。梁志宏、杨昆等在《中国电机工程学报》(2010,(16):74-79)上发表的《电力市场下基于实物期权理论的电源投资动态决策模型研究》将实物期权理论(Real Option Approach，ROA)应用于电源规划，并衍生出多种基于期权理论的电源规划模型。张谦，王海潜等在《电力系统自动化》(2011,(22):60-65)上发表的《江苏电网消纳大规模风电的电源规划设计》对江苏电网大规模风电的电源结构优化问题，应用概率方法，在分析合理电力备用的基础上，讨论了电源结构优化中风电调峰容量需求的合理参数设定，并通过多方案对比得到了风电与其他电源的最优容量配比。张晓辉，闫鹏达等在《电网技术》(2015,(03):655-662)上发表的《可再生能源激励制度下的低碳经济电源规划》致力于减少碳排放，在引入可再生资源(风能、太阳能)的基础上，在电源结构优化中加入了碳排放强度约束性目标，通过增加高能效、低排放的机组比例，推进可再生能源建设和优化电源结构。袁建党、袁铁江等在《电力系统保护与控制》(2011,39(5):22-26)上发表的《电力市场环境下大规模风电并网系统电源规划研究》构建了一种满足电力市场环境约束，包含火电、水电、大规模风电等多种类型机组并网的电源规划模型，并应用改进遗传算法对模型进行求解。张节谭、苗淼等在《电网技术》(2011,35(11):43-49)上发表的《含风电场的双层电源规划》建立了考虑调峰、调频及环保约束的净收益最大化双层电源规划模型，并提出了模拟植物生长算法、最小累积风险度法、等效电量频率法相结合的求解方法。在粒子群算法方面，刘佳、李丹、高立群等人在《中国电机工程学报》(2008,28(31):22-28)发表的《多目标无功优化的向量评价自适应粒子群算法》为克服粒子群算法高维复杂问题寻优时陷入局部最优的问题，提出一种自适应粒子群算法并将其应用于多目标无功优化。卢锦玲、苗雨阳等人在《电力系统保护与控制》(2013,41(17):25-31)发表的《基于改进多目标粒子群算法的含风电场电力系统优化调度》通过引入遗传算子对多目标粒子群算法搜索机组组合的能力进行了改进，提高了该算法的全局寻优能力，并将其应用到含风电场的电力系统调度当中。王智冬在《电力建设》(2015,36(10):60-66)发表的《特高压直流风电火电联合外送电源规划优化方法》提出了优化特高压直流风火打捆外送配套电源规模的研究方法和配套电源的研究原则及思路，同时建立了特高压直流风电、火电联合外送配套电源规模的优化方法，但该方法并未考虑系统内部实际随机生产模拟，因此对于实际运行情况考虑不足。以上文献大多针对于可再生能源(风电、光伏等)接入后相应的电源规划方法，目的在于考虑可再生能源的出力不确定性对电源规划方案的影响，但在评估规划方案时大多不涉及实际生产模拟和机组检修，同时对大规模水电机组接入的系统考虑不足。在现有专利中，于琳琳、刘永民等发明人申请的发明专利《考虑特高压直流接入的受端电网电源规划方法》分析特高压直流输电系统影响省内电源建设规划的主要因素，并结合传统电源规划方法，以整体社会效益最优为目标，建立了相关考虑特高压接入的受端电网电源规划模型。王立虎等发明人申请的专利《考虑大规模特高压电源调节能力的机组检修计划优化系统》创建了一种考虑大规模特高压电源调节能力的机组检修计划优化系统，通过数据库模块、输入模块、检修计划优化模块与输出模块，能够得到输入的特定电力系统下的最优检修计划安排与周风险度平均值评价指标。于琳琳、黄景慧等发明人申请的发明专利《一种基于可再生能源政策管制约束的电源规划方法》结合可再生能源政策管制约束条件和电源规划约束条件，针对受端电网建立电源规划模型，使得规划期内系统净收益最大，该规划方法更为切合直流受端区域电网的实际运行情况。对于分布式电源规划，目前存在较多发明专利。师璞、任惠、孙晨军等发明人申请的发明专利《一种分布式电源规划方法及其系统》提出了一种分布式电源规划方法及其系统，通过4个步骤分别确定了分布式电源的最佳接入位置和最佳接入容量，提高了配电网电压稳定性和降低系统的网络损耗，但该方法主要通过计算电压稳定指标VSI确定规划方案，并未考虑到方案的经济性、安全性以及环保性。李虹、赵阳、张姿姿等发明人申请的发明专利《基于时序特性和环境效益的分布式电源规划方法》解决了现有分布式电源规划技术成本高、效率低、资源利用率差的技术问题，但其规划方法注重于对负荷数据的处理，仅考虑到分布式电源带来的净收益与净投资，没有充分消纳可再生能源。卢锦玲、赵大千发明人申请的发明专利《考虑储能和无功补偿的主动配电网分布式电源规划方法》考虑储能和无功补偿的主动配电网分布式电源规划方法，在功率平衡、节点电压、节点分布式电源容量、储能设备输出功率等条件的约束下，建立综合系统电压偏移，线路有功网损，平均供电可靠性和温室气体排放量的多目标优化规划模型，虽然该方法计及储能和无功补偿效应，但是未考虑系统对于系统调峰的需求，在一些场景下可能规划方案所提供的调峰能力不足。刑玉辉、朱桂萍、夏永洪等发明人申请的发明专利《分布式混合发电系统电源规划方法》提出一种分布式混合发电系统电源规划方法，包括以下步骤：进行前期规划，确定安装风电机组、光伏阵列、小型水电站和储能蓄电池的数量，按照排列组合的方法生成多套可选规划方案；分别建立风电机组、光伏阵列、小型水电站以及储能蓄电池的输出功率模型；计算每一套可选规划方案的系统负荷缺电率和系统能量过剩率，并分别判断每一套可选规划方案是否符合系统可靠性要求，若符合则执行后续步骤，若不符合则舍弃；对于多套符合系统可靠性要求的可选规划方案，根据其系统负荷缺电率和系统能量过剩率，计算对应的费用贴现值并按升序排列，选择费用贴现值小的作为推荐规划方案。该方法计及能量利用率和系统可靠性，但是对于水电调节性能、各个时刻的价格动态变化考虑不足，因此使得最后得到的总费用不太准确。王文玺、刘宝林、冯磊等发明人申请的发明专利《一种考虑源荷匹配度的主动配电网分布式电源规划方法》提出了一种考虑源荷匹配度的主动配电网分布式电源规划方法，该方法考虑经济成本和运行指标建立双层规划模型，上层规划以规划年限内的年综合费用最小为目标，确定分布式电源接入位置和容量；下层规划引入源荷匹配度指标，以源荷匹配度最优为目标，模拟规划方案的运行过程，对分布式电源的时序出力进行优化。该方法重点分析了源荷匹配度的问题，但未对可再生能源随机出力以及负荷随机波动进行考虑，对最后结果会产生一定影响。同时，发明主要针对于特高压接入的受端电网电源规划，对于存在大规模水电的送端电网电源规划考虑不足，并且各模型均未考虑随机生产模拟后所产生的弃能问题，将造成大量可发电能浪费。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑通道约束的送端电网电源结构优化方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑通道约束的送端电网电源结构优化方法，包括以下步骤：

1)获取机组数据、负荷相关数据和价格信息数据；

2)建立考虑通道约束的电源结构优化模型；

3)基于步骤1)获得的数据，获得机组检修计划，考虑加装储能的风电场和太阳能电站的出力、本地负荷调峰能力以及关键断面输送能力，进行风、太阳能、水、火、抽蓄发电的随机生产模拟；

4)基于步骤3)采用混合粒子群算法求解所述电源结构优化模型，获得最优电源结构优化方案。

进一步地，所述步骤3)中，通过最小累积风险度法获得机组检修计划。

进一步地，所述随机生产模拟中，基于等效电量频率法考虑多区域的特高压、水电机组和新能源机组的生产模拟。

进一步地，所述电源结构优化模型为双层优化模型，其中，上层模型为电源投资决策问题，规划目标是发电成本最小化，决策变量是待选机组投建与否；下层模型为生产优化决策问题，规划目标是运行费用最小化发电机组的检修时段以及各发电机组在负荷曲线上的运行位置。

进一步地，所述双层优化模型中，上层模型的目标函数表示为：

式中，B为规划方案总的投资成本现值，B_ft、B_ht、B_wt、B_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的投资成本，T为规划期；

上层模型的约束条件包括决策变量整数约束、总装机台数约束、发电厂最早投建年限约束、电力平衡条件、电量平衡条件、调峰能力约束和关键断面输送能力约束。

进一步地，所述调峰能力约束表示为：

式中，α_i、α_j分别为新建火电厂、水电厂的调峰深度，α_l、α_m分别为已建火电厂、水电厂的调峰深度，P_i、P_j分别为新建火电机组和水电机组出力，P_l、P_m分别为已建火电机组和水电机组出力，N_f和N_h分别为新建火电机组和水电机组台数，N_0,f和N_0,h分别为已建火电机组和水电机组台数，N_WG为新建风电场的个数，N_0,WG为已建风电场的个数，η_WG为风力发电的置信度系数，第r个风电场的装机容量，第u个风电场装机容量，N_0,SG为已建太阳能发电场的个数，N_SG为新建太阳能发电场的个数，η_SG为太阳能发电的置信度系数，为第s个太阳能电场的装机容量，为第v个太阳能电场的装机容量，W_x为第x个风电场配置的储能容量，包含已建风电场和新建风电场，W_y为第y个太阳能电站配置的储能容量，包含已建太阳能电站和新建太阳能电站；N_cha、N_cha、N_user分别表示电动汽车充换电站、电动汽车、用户侧储能配置的数量，P_z,cha、P_a,car、P_b,user分别表示第z、a、b个电动汽车充换电站、电动汽车、用户侧储能的放电功率；α表示峰谷电价差，f(α)表示峰谷电价差为α时，电动汽车用户愿意在高峰时段向电网反送电的意愿系数，g(α)表示峰谷电价差为α时，用户侧储能愿意在高峰时段向电网反送电的意愿系数；为系统负荷最大峰谷差。

进一步地，所述关键断面输送能力约束表示为：

式中，PC_τ,k表示第τ年第k个关键断面的输送能力，Y_τ,i表示第τ年第i台机是否建成，建成为1，否则为0，P_i表示第i台机的额定功率，N_k第k个关键断面下的所有机组台数。

进一步地，所述双层优化模型中，下层模型的目标函数表示为：

式中，b_ft、b_ht、b_wt、b_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的建设运维成本，b_0t为第t年已有电厂的运维成本，GLoss_t为第t年包括特高压线路在内的电网运行网损，TLoss_t为第t年电源配套电网建设运维成本，DE_ht、DE_wt、DE_vt分别为第t年水电、风电、太阳能弃能成本，CE_ft为第t年火电厂碳排放成本，T为规划期；

下层模型的约束条件包括机组检修约束、系统可靠性约束和污染物排放量约束。

进一步地，所述水电、风电、太阳能弃能成本DE_ht、DE_wt、DE_vt的表达式为：

DE_ht＝(TQ_ht-AQ_ht)*M_ht

DE_wt＝(TQ_wt-AQ_wt)*M_wt

DE_vt＝(TQ_vt-AQ_vt)*M_vt

式中，TQ_ht、TQ_wt、TQ_vt分别为第t年水电厂、风电场、太阳能电站的理论发电量，AQ_ht、AQ_wt、AQ_vt分别为第t年水电厂、风电场、太阳能电站的实际发电量，M_ht、M_wt、M_vt分别为第t年水电厂、风电场、太阳能电站的上网电价；

所述火电厂碳排放成本的表达式为：

CE_ft＝AQ_ft*CC_ft*PC_ft

式中，AQ_ft为第t年火电厂实际发电量，CC_ft为第t年火电厂每度电的发电煤耗，PC_ft为第t年火电厂进煤价格。

进一步地，所述采用混合粒子群算法求解所述电源结构优化模型的具体过程包括：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间；

Step3：在种群空间中计算每个粒子的适应度值，将初始化后粒子位置和适应度值当作个体最优值存储，比较所有个体最优值作为全局最优值；

Step4：计算惯性权重w并按阈值调节策略更新w，对学习因子进行调整；

Step5：信仰空间基于评级函数对种群空间实行影响操作，计算高斯扰动因子，根据评级类别对种群空间父代个体变异产生等量N个子代个体；

Step6：利用边界位置处理策略对子代个体位置进行越界处理；

Step7：在种群空间中进行自然选择，并用形势知识中存储的精英个体代替种群空间中较差的个体，更新种群空间个体最优和全局最优；

Step8：种群空间通过接受操作将空间中精英个体贡献给信仰空间，并对精英个体利用粒子群算法更新产生子代个体，最后用轮盘赌法则更新形势知识，更新信仰空间个体最优和全局最优；

Step9：评比种群空间和信仰空间的全局最优，用两者较优者作为此次迭代全局最优值；

Step10：计算种群适应度方差σ²，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异，ε为自适应变异阈值；

Step11：若达到终止要求则退出算法，否则回到Step4。

本发明针对于存在大规模水电机组的送端电网，在考虑特高压接入以及调峰需求的基础上，在水电机组调节性能时空分析的基础上利用多台水电机组出力的多区域随机生产模拟和检修计划安排技术，并添加弃能惩罚，使规划方案贴近送端电网实际，并具有更好的适应性。

与现有技术相比，本发明具有以如下有益效果：

一、本发明在进行电源规划方案设计时，增加了关键断面的输送能力约束限制，保证新投产的机组不会因为断面约束而限制出力，确保电源规划方案经济、合理。

二、本发明考虑电动汽车、电动汽车充换电站、用户侧储能等本地负荷参与调峰，在电价政策影响下，考虑用户及电动汽车作为本地负荷主动参与电力系统调峰，可有效减小系统峰谷差，缓解了电力系统调峰困难，对于电力系统及用户来说均有裨益，且更贴近未来电力系统运行的实际情况。

三、实用性强。本发明在电源规划之前首先进行水电机组调节性能时空分析，在统计各机组调节性能的基础上分析各机组的调峰能力，并且对抽蓄机组价格进行影响策略分析，建立抽蓄价格模型，可以充分考虑价格波动对电源规划方案的影响。在随机生产模拟中加入对特高压送出、多台水电机组协同以及新能源机组在随机生产模拟中位置的建模考虑，并且推广到多区域，该方法可以充分考虑大规模水电机组接入以及新能源随机出力下的随机生产模拟。

四、环保性好。本发明不仅在约束条件中加入碳排放约束条件，同时为在大规模水电发电背景下，为充分消纳水电和其它可再生能源电能，在电源规划运行层目标函数中考虑随机生产模拟后所产生的弃水成本、弃风成本以及弃光成本，可以很好地解决大量弃水、弃风、弃光的现象发生，更好地实现低碳环保。

五、效率高。电源规划问题本质上属于大规模、非线性的混合整数规划问题，直接求解将会非常耗时，根据分解协调思想，将电源规划问题转化为双层规划模型，上层规划为电源投资决策问题，规划目标是发电成本最小化，决策变量是待选机组投建与否；下层规划为生产优化决策问题，规划目标是运行费用最小化，其又可以分成机组检修计划和随机生产模拟两个子问题，它们的决策变量分别为发电机组的检修时段以及各发电机组在负荷曲线上的运行位置，通过生产优化决策可以获得各发电机组的发电量、燃料消耗量、环保成本，从而计算出规划方案的运行费用。这样不仅可以减少各子问题的维数，而且各子问题的模型变得易于处理。同时，本发明在传统粒子群算法基础上，基于文化框架、混沌映射、高斯扰动和自然选择机制，提出CGPSO算法，并且结合电源规划实际问题将每台规划年份作为整数决策变量进行简化编码，利用CGPSO算法中的寻优机制可以快速寻找到全局最优规划方案，大大提高求解效率。

六、考虑风电场、太阳能电站(包含光伏电站、光热电站等)加装储能后，参与电力系统调峰，一方面，考虑了风电场、太阳能电站的置信容量可以参与系统调峰，同时允许在一定范围内因调峰需要产生弃能，另一方面，考虑风电场、太阳能电站加装储能后，可以有效提升其参与系统调峰的能力。

七、本发明根据分解协调思想将模型分解为双层规划模型，同时结合等风险度法、等效电量频率法和CGPSO算法在运行层嵌入检修计划和多区域随机生产模拟并求解双层电源规划模型得到最优规划方案，准确性高。

附图说明

图1为本发明的流程示意图；

图2为单个水电机组带峰荷情况示意图；

图3为单个水电机组带负荷位置的确定示意图；

图4为实施例中2020年各类型机组规划装机容量示意图；

图5为实施例中2020年各类型机组发电量示意图。

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，本发明提供一种考虑通道约束的送端电网电源结构优化方法，包括以下步骤：

步骤S101，获取输入数据，为电源规划提供必要的数据支持。所述输入数据包括机组数据、负荷相关数据和价格信息数据，为电源规划提供必要的数据支持。其中机组相关数据主要指机组类型、单机容量、装机台数、火电机组煤耗系数、年利用小时数、检修周期、强迫停运率、最小技术出力、经济寿命、调峰速率、维修费比例以及每单位容量投资费用等，负荷相关数据指年最大负荷、年用电量、系统最大峰谷差和系统负荷最大变化率等，价格信息主要指上网电价和煤价。

步骤S102，建立考虑新能源参与调峰的电源结构优化模型，初始化种群空间，包括电源规划方案数量、方案待选电源数量和方案淘汰率的设置。

步骤S103，初始化信仰空间，设定约束条件构成可行域(标准知识)、储存较优规划方案(形势知识)、划分规划区域并评价子空间(地形知识)。

步骤S104，进行种群空间的优化，更新种群空间最优规划方案和全局最优规划方案。

种群空间的优化过程包括：通过机组检修形成机组检修安排计划，并代入随机生产模拟中；进行水电机组调节性能时空分析，根据水电机组调节能力将各水电机组分成日调节、季调节、不完全年调节和年调节机组，并统计各类型机组的调峰能力，并进行关键断面输送能力约束分析；对抽蓄机组价格进行影响策略分析，建立抽蓄价格模型；配置储能的风电场、太阳能电站发电能力、调峰能力、允许弃能空间分析；对风、光、水、火、抽蓄机组进行随机生产模拟，并形成包含电源投资成本、燃料成本、碳排放成本和弃能成本的综合评价目标函数；根据余弦递减函数更新惯性权重并进行学习因子调整，利用评级函数做出规划方案评级，若评级为H级则产生高斯扰动因子并变异产生子代规划方案，若评级为L或者NE则临近父代规划方案产生高斯扰动因子，临近评级H父代变异产生子代规划方案；利用边界随机处理策略进行随机处理；自然选择操作：优秀规划方案替换劣质规划方案。

步骤S105，进行信仰空间的优化，更新信仰空间最优规划方案和全局最优规划方案。

信仰空间的优化过程包括：执行接受操作，淘汰劣质规划方案；粒子群算法进行变异，产生新的电源规划方案；利用轮盘赌更新形势知识，选出优秀电源规划方案。

步骤S106，评比种群空间和信仰空间的全局最优，用两者较优者作为此次迭代全局最优值；计算种群适应度方差σ²，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异，ε为自适应变异阈值。

步骤S107，判断目标函数前后差值，若小于阈值则输出最优规划方案，否则重新计入种群空间进行操作，否则回到步骤S104，重新计入种群空间进行操作。

(1)机组检修计划安排

基于等风险度原则的机组检修计划模型，本发明采用机组检修计划的最小累积风险度法，目标函数为机组在检修周期内累积风险度最小。最小累积风险度法通过在检修期内寻找出待检修机组检修时段内累计风险度最小的时段，作为该机组的检修时段。

在制定机组检修计划时，由于机组的检修可能持续多个时段，等风险度法通常先找到等效负荷最小的时段，然后在其左右持续地将待检修机组的检修期安排完。在负荷变化较大的情况下，等风险度法有可能在“填谷”的同时却又“增峰”。选择检修持续时长内累积风险度最小的时段作为机组的检修位置能够克服等风险度法的这一缺点。假设第i台机组的检修持续时长为d_i周，则一年中可以安排机组检修的时段共有52-d_i+1个。利用半不变量法可以计算出每周的风险度LOLP_i，由此很容易计算出每个待检修时段(持续时间为d_i周)的累积风险度值，则应该选择累积风险度最小的时段作为第i台机组的检修位置。从系统等效持续负荷曲线的半不变量中扣除第i台机组停运容量的半不变量，可以计算出安排该检修机组检修后各周的风险度。采取同样的方法可依次确定其他机组的检修时间，直到全部机组安排完毕。

(2)随机生产模拟

该步骤考虑风电场、太阳能电站(包含光伏电站、光热电站等)加装储能后，参与电力系统调峰，同时考虑本地负荷调峰能力，并在传统等效电量频率法的基础上加入对特高压、水电机组、新能源机组的建模考虑，并且推广到多区域。其中对于单台和多台水电机组的随机生产模拟建模如下：

1)单个水电机组的情况

当系统中有水电机组时应尽可能用水电就来承担峰荷，以到达降低煤耗的效果。水电机组担任峰荷的情况如图2所示。图中曲线cg是由原负荷曲线向左平移相当于水电机组容量C_H而来。阴影部分的面积应等于水电机组的给定量E_A。在这种情况下其余机组应担任的负荷为oacgfh所围成的部分。在距a点C_H(水电机组容量)的b点作垂线be，则图形acg的面积和图形bde的面积相等。也就是说其余机组所担任的负荷可以看成由Oafh和bde两部分组成。这相当于水电机组承担了图中abef部分的负荷。

因此将单个水电机组的生产模拟中的处理原则归结为：

在等效负荷曲线下寻找相当于水电机组容量C_H的一段，其间面积恰好等于水电机组的给定电量E_A。即，水电机组在生产模拟中应满足以下条件：

式中P_HL为水电机组担任的最大负荷功率，C_H为水电机组容量，E_L为负荷电量，E_A为水电机组给定电量。

图3表示在生产模拟中确定水电机组运行位置的过程。首先在等效负荷曲线下作出水电机组的特征矩形abb’a’，其底为C_H，高为水电机组在模拟周期内的利用小时数T_H。当把这个矩形向右移动，使负荷曲线在相应区间内的面积等于该矩形面积时，找到了水电机组运行位置。

上述水电机组的特征矩形向左移功的过程，实际上是顺次安排水电机组运行的过程，每安排一台水电机组特征矩形将向右移动一段与该火电机组容量相应的距离。由于这种移动是不连续的。

2)多台水电机组的情况。

设系统中有N_H台水电机组。把它们的特征矩形按其高度(利用小时数)大小从左到右排列，形成水电机组特征矩形序列图。当把序列图从左向右移动，在等效持续负荷曲线的某一区间满足以下条件时：

前n个水电机组即可合并为一个等效水电机组，并带相应位置的负荷。剩余的N_H-n台水电机组的矩形序列图应继续向右移动，并在边界条件的区间合并为另一等效水电机组，带该区间的负荷。

对于多区域随机生产模拟的建模方法如下所示：

在互联系统生产模拟中，一个机组不仅要在所属系统带负荷,其剩余容量还应在另一系统中带负荷。设机组i在状态k(容量为k×Δx)的确切概率为p_i(k)。该机组带负荷不小于(J_i-1+m)·Δx的概率为F^(i-1)(J_i-1+m)。其剩余容量≥l·Δx＝(k+1-m)·Δx的条件概率为1-F^(i-1)(J_i-1+m)＝1-F^(i-1)(J_i-1+k+1-l)

定义：

根据全概率公式，可知机组i剩余容量≥l·Δx的概率为：

由不难求得剩余容量等于l·Δx的概率

联络线的输送容量是随机变量，它的概率分布在生产模拟过程中受两系统电力支援的影响而不断变化。用及表示随机生产模拟过程中联络线正反向输送容量的概率分布：

式中X_AB表示联络线由系统A向系统B的输送容量，X_AB表示由系统B向系统A的输送容量。规定从系统A到系统B为联络线输送容量的正方向。

设联络线为单回输电线，其额定输送容量为C_t，强迫停运率为q_t，则联络线上没有电力支援时的初始输送容量分布为：

当联络线由多回输电线路组成时，其初始分布可用并联公式直接求得。

3)水电调节性能时空分析

根据水电机组各自特点对其调节能力进行，主要是其调峰能力进行划分。库容调节系数定义：水库兴利库容(调节库容)与多年平均来水量的比值。一般用β表示。水电站的调节能力根据库容调节系数确定。库容调节系数(β)等于本级电站调节库容除以本级水库多年平均年径流量；调节库容应是正常蓄水位至死水位之间的水库容积；库容调节系数应是本级水库电站的实际库容调节系数，不含上游电站对本级电站的调节能力。以下是调节能力划分依据：1)β＝2％以下—无调节；2)2％-8％—季调节；3)8％-30％—年调节(8％--20％不完全年调节，20—30％完全年调节)；4)大于30％为多年调节。变动年用水量的灌溉水库，年调节与多年调节的库容系数β的分界值较高，约为0.50左右。

现对水库调节性能进行具体介绍：

具有调节水量的水电站称有调节水库水电站，对没有水库调节能力的水电站称径流式水电站。对有水库调节能力的水电站按照水库的调节性能可以分为：日调节、周调节、月调节、季调节、年调节和多年调节等几种类型。它们是通过水电站水库库容系数来划分。

1、径流式水电厂：无水库，基本上来多少水发多少电的水电厂；

2、日调节式水电厂：水库很小，水库的调节周期为一昼夜，将一昼夜天然径流通过水库调节发电的水电厂；

3、日调节、周调节和月调节三种类型水电站的水库库容小，相应的蓄水能力和适应用电负荷要求的调节能力也较弱水电站只能根据上游的来流情况通过夜间蓄水少发、白天多发，或上旬蓄水少发、下旬多发来满足电力系统对电量调节的要求；

4、季调节和年调节类型的水电站具有相对较大的水库库容，它们可以根据当年河流的来流情况确定在某一季节，如：汛期少发电多蓄水，所蓄的水量留在另一季节(如枯期)多发电，以达到对电力系统电量的调节目的；

5、年调节式水电厂：对一年内各月的天然径流进行优化分配、调节，将丰水期多余的水量存入水库，保证枯水期放水发电的水电厂；

6、多年调节式水电厂：将不均匀的多年天然来水量进行优化分配、调节。多年调节的水库容量较大，它可以根据历年来的水文资料和当年的水文资料确定当年的发电量和蓄水量，还可以将丰水年所蓄水量留到平水年或枯水年来发电，以保证电厂的可调出力；多年型调节水电站对于天然洪水也具有较强的调节能力可以在洪水期把多余的洪水蓄存在水库里等到枯水期发电这样不仅满足了电力系统对电量调节的要求，而且在洪水期通过合理的水库调度，可以实现削减洪峰和错开洪峰的目的对于大江、大河的防汛工作具有十分重要的作用。

季调节和年调节之间现在还分不完全年调节。

(3)电源结构优化模型

电源结构优化模型为考虑本地负荷参与调峰的电源规划模型，采用双层规划模型。

上层模型为上层投资决策模型，决策变量是待选机组投建与否。

设规划期为T年；火电厂有N_f个；水电厂有N_h个；风电厂有N_w个；光伏电站有N_w个。X_f、X_h、X_w、X_v分别为待选火电厂、水电厂、风电场和光伏电站的决策变量；Y_ti、Y_tj、Y_tk、Y_tl分别为规划期第t年火电厂i、水电厂j投产、风电场k和太阳能电站l的机组台数。所建立的包含调峰约束并以电源投资成本最小化为目标的电源规划上层模型如下所示：

式中，B为规划方案总的投资成本现值，B_ft、B_ht、B_wt、B_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的投资成本，T为规划期。

上层模型的约束条件包括决策变量整数约束、总装机台数约束、发电厂最早投建年限约束、电力平衡条件、电量平衡条件和调峰能力约束，具体地：

1)决策变量X_f、X_h、X_w和X_v的整数约束

2)总装机台数约束

式中，N_fi、N_hj、N_wk、N_vl分别为火电厂、水电厂、风电场和太阳能电站的最大建设数量。

3)发电厂最早投建年限约束

式中，T_i、T_j、T_k和T_l分别为火电厂、水电厂、风电场和太阳能电站的最早投产年份约束。

4)电力平衡条件

式中，P_0τ为已有发电厂总发电功率；C_τ为第τ年系统所需要的最大负荷值。Y_ti、Y_tj、Y_tk、Y_tl分别为规划期第t年火电厂i、水电厂j、风电场k和太阳能电站l的机组台数。P_i、P_j、P_k、P_l分别为火电厂i、水电厂j、风电场k和太阳能电站l的单台机组发电功率。

5)电量平衡条件

式中，H_τi、H_τj、H_τk、H_τl分别为火电厂、水电厂、风电场和太阳能电站第τ年的平均利用小时数；E_0τ为第τ年已有发电厂所能发的最大发电量；E_t为t年里面系统所需要的总电量值。

6)调峰能力约束

式中，α_i、α_j分别为新建火电厂、水电厂的调峰深度，α_l、α_m分别为已建火电厂、水电厂的调峰深度，P_i、P_j分别为新建火电机组和水电机组出力，P_l、P_m分别为已建火电机组和水电机组出力，N_f和N_h分别为新建火电机组和水电机组台数，N_0,f和N_0,h分别为已建火电机组和水电机组台数，N_WG为新建风电场的个数，N_0,WG为已建风电场的个数，η_WG为风力发电的置信度系数，第r个风电场的装机容量，第u个风电场装机容量，N_0,SG为已建太阳能发电场的个数，N_SG为新建太阳能发电场的个数，η_SG为太阳能发电的置信度系数，为第s个太阳能电场的装机容量，为第v个太阳能电场的装机容量，W_x为第x个风电场配置的储能容量，包含已建风电场和新建风电场，W_y为第y个太阳能电站配置的储能容量，包含已建太阳能电站和新建太阳能电站；N_cha、N_cha、N_user分别表示电动汽车充换电站、电动汽车、用户侧储能配置的数量，P_z,cha、P_a,car、P_b,user分别表示第z、a、b个电动汽车充换电站、电动汽车、用户侧储能的放电功率；α表示峰谷电价差，f(α)表示峰谷电价差为α时，电动汽车用户愿意在高峰时段向电网反送电的意愿系数，g(α)表示峰谷电价差为α时，用户侧储能愿意在高峰时段向电网反送电的意愿系数；为系统负荷最大峰谷差，其中包含电动汽车充换电站、电动汽车、用户侧储能在低谷时段充电所带来的系统峰谷差的减小量。

7)关键断面输送能力约束。

认为一年中80％以上的时间超断面输送能力80％运行的断面为关键断面，针对每个关键断面，要保证关键断面下规划的新增装机容量满足断面约束。

令N_k＝N_f,k+N_h,k+N_w,k+N_v,k，k∈1,2,3,...，其中，N_f,k、N_h,k、N_w,k、N_v,k分别表示第k个关键断面下的火电、水电、风电、太阳能机组台数。N_k表示第k个关键断面下的所有机组台数。

其中，PC_τ,k表示第τ年第k个关键断面的输送能力，Y_τ,i表示第τ年第i台机是否建成，建成为1，否则为0，P_i表示第i台机的额定功率。

在投资决策模型基础上建立包含决策变量的下层生产优化问题，规划目标是运行费用最小化，其又可以分成机组检修计划和随机生产模拟两个子问题，它们的决策变量分别为发电机组的检修时段以及各发电机组在负荷曲线上的运行位置，通过生产优化决策可以获得各发电机组的发电量、燃料消耗量、环保成本、弃能成本，从而计算出规划方案的运行费用。所建立的下层运行成本最优模型如下所示：

式中，b_ft、b_ht、b_wt、b_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的建设运维成本，b_0t为第t年已有电厂的运维成本，GLoss_t为第t年电网运行网损(包括特高压线路)，TLoss_t为第t年电源配套电网建设运维成本，DE_ht、DE_wt、DE_vt分别为第t年水电、风电、太阳能弃能成本，CE_ft为第t年火电厂碳排放成本。其中，水电厂、风电场和太阳能电站弃能成本，计算方式为：

DE_ht＝(TQ_ht-AQ_ht)*M_ht

DE_wt＝(TQ_wt-AQ_wt)*M_wt

DE_vt＝(TQ_vt-AQ_vt)*M_vt

式中，TQ_ht、TQ_wt、TQ_vt分别为第t年水电厂、风电场、太阳能电站的理论发电量，AQ_ht、AQ_wt、AQ_vt分别为第t年水电厂、风电场、太阳能电站的实际发电量，M_ht、M_wt、M_vt分别为第t年水电厂、风电场、太阳能电站的上网电价。

CE_ft＝AQ_ft*CC_ft*PC_ft

式中，AQ_ft为第t年火电厂实际发电量，CC_ft为第t年火电厂每度电的发电煤耗，PC_ft为第t年火电厂进煤价格。

下层模型的约束条件包括机组检修约束、系统可靠性约束和污染物排放量约束，具体地：

1)机组检修约束

M(m,t)＝0

式中，m为机组检修变量；M(m,t)为机组检修约束函数，包括机组检修时间约束、检修力量约束等。

2)系统可靠性约束

3)污染物排放量约束

式中，R_tq为第t各发电厂生产过程中所排放的总污染物量；第t各发电厂生产过程中所允许排放的最大污染物量。

(4)混合粒子群算法

本发明采用混合粒子群算法(CGPSO算法)求解上述电源结构优化模型，成本最小化双层电源规划模型的上层规划，即电源投资决策，属于整数规划问题，采用混合粒子群算法求解此类问题是非常有效的。每个粒子对应一个电源投资决策方案，对于每个电源投资决策方案分别采用最小累积风险度法和等效电量频率法进行机组检修计划和随机生产模拟，将获得的综合运行成本反馈到上层目标函数值，通过粒子群算法的寻优机制进行全局寻优。

以每台机组的规划年份作为整数决策变量，即设定整数变量x_n(0≤x_n≤T)表示第n台机组的投建年份，当x_n＝0时，表示该机组不投建。如此以来生长点可以表述成整数序列的形式，{x₁，x₂，…，x_n，…，x_N}，其维数等于N，相对于二进制编码长度缩小为1/T，并且决策变量自动满足投建进度约束，不需要再专门进行约束检测。

对于传统粒子群算法，本发明的混合粒子群算法主要改进措施如下所示：

1)混沌优化

混沌优化利用混沌变量具有的全局遍历、伪随机的特点对解进行搜寻，由于其具有全局收敛，易跳出局部最优和收敛迅速的优点而被广泛应用。为改进缺点，本混合粒子群算法采用映射方程如下：

x(t+1)＝[sin(8πx(t))+1]²/4

在此将混沌映射引入到粒子群算法中，标准粒子群算法中的随机数r₁和r₂是满足均匀分布的[0,1]的随机数，现对其采用混沌映射，表达式如下：

v_iS(t+1)＝wv_iS(t)+c₁r_1s(t)[p_is-x_is(t)]+c₂r_2s(t)[p_gs-x_is(t)]

r_1s(t)＝[sin(8πr_1s(t-1))+1]²/4

r_2s(t)＝[sin(8πr_2s(t-1))+1]²/4

2)地形知识评价机制

地形知识的核心思想就是将整个搜索空间划分为很多个子空间，并且在搜索过程中使子代个体的产生追寻子空间中最好的个体。实现过程如下：1)根据变量维数将每个维度划分为若干个子区域。2)根据每个维度划分的子区域进行组合构成现有搜索空间的子空间。3)根据现有种群个体所在子空间位置对子空间进行评级。4)根据评级结果指导种群进行变异产生子代个体。

若将原有搜索空间划分为L个子空间，则总空间可表示成由子空间组合而成，数学表达式如下：

CS(t)＝{C₁(t),C₂(t),...,C_L(t)}

式中每个子空间在地形知识下可以表示成C_r(t)，数学表达式如下：

C_r(t)＝{L_r(t),U_r(t),state_r(t),d_r(t),pt_r(t)}

式中，Lr(t)，Ur(t)——第t次迭代时第r个子空间变量的下限和上限；state_r(t)——第t次迭代第r个子空间的评级类别；d_r(t)——第t次迭代时第r个子空间的分裂次数；pt_r(t)——变异分裂指针。

state_r(t)表达式如下所示：

式中，f(X_r,best)——子空间r中最优个体所代表的目标函数值；f(X_r,avg)——整个种群空间所有个体目标函数值的平均值；P(t)——整个种群空间；C_r(t)——第r个种群子空间；H——这个子空间被评为优秀空间，下一次迭代时最好在这个空间中进行搜索；NE——目前为止这个子空间中仍然没有个体存在，未知这个空间好坏；L——这个空间被评为劣质空间，下次迭代时可以避开这个空间进行搜索。

3)自适应混沌变异

为避免种群早熟和陷入局部最优，在本方法中引入基于种群适应度方差判断的混沌变异操作，种群适应度方差计算式如下所示：

式中，f_i——第i个粒子的适应度值；f_avg——当前适应度值的平均值；f——归一化因子。

若σ²过小则算法越收敛，越容易陷入局部最优，因此在本发明中设置自适应阈值ε，当σ²≤ε时需要对种群中的全局最优粒子实行混沌变异操作。本方法在考虑到种群发展前期一般具有较强寻优性能不易陷入局部最优而后期需要加大变异频率以使其跳出局部最优的情况，提出一种自适应余弦混沌变异阈值变化方法，其表达式如下：

式中,ε_min——混沌变异阈值最小值；ε_max——混沌变异阈值最大值。

当σ²≤ε时需要对种群进行混沌变异，本发明采用Logistic混沌映射，利用自变量取值范围对其进行混沌映射和反映射。表达式如下：

对y_is实行混沌变异操作。

式中，μ——混沌映射因子；y——归一化后的量；y_s——混沌映射后的量；x_s——反映射后的量；x_max和x_min——对应于实际问题自变量取值。

4)惯性权重系数和学习因子调整

惯性权重停止阈值Svalue的引入可以有效减少迭代过程中惯性权重w的计算次数，本发明结合递减惯性权重的特性，采用一种自适应余弦函数递减的惯性权重，通过设定一个停止阈值Svalue将递减状态分为正常和调整两个状态，当(w-w_min)值小于Svalue时进入调整状态，更新惯性权重为w_min，否则视为正常状态，采用余弦递减惯性权重策略，余弦递减惯性权重更新表达式如下：

w＝[(w_max-w_min)/2]cos(πt/T_max)+(w_max+w_min)/2

式中，w_max——人为设定的惯性权重因子最大值；w_min——惯性权重因子最小值；T_max——最大迭代次数。

调节过程如下所示：

本方法采用异步变化学习因子的策略对c₁、c₂进行调整，表达式如下：

式中，c_1F、c_1l——学习因子c₁调节的最大值和最小值；c_2F、c_2l——学习因子c₂调节的最大值和最小值。

5)融入高斯扰动的更新策略

在速度更新方程式中用加入高斯扰动因子的粒子个体最优值总和的平均值来代替个体最优值p_is(t)。该方法不仅可以提高算法的搜索能力和效率，同时能够有效地帮助粒子跳出局部最优值。具体数学表达式如下所示：

式中，N——种群粒子数；Gaussian——满足高斯分布随机数；μ——平均值；σ——标准差。

将上述高斯扰动因子加入到位置更新式中，得到表达式如下所示：

x_is(t+1)＝wx_is(t)+Δ+c₂r₂(p_g(t)-x_is(t))

6)越界随机变异处理策略

标准PSO算法在边界处理上直接取上下限，这样会导致算法在搜素过程中很容易在上下限位置处陷入局部最优，大大降低了算法的全局寻优性能。为改善上述存在的问题，在此特意采取带有随机因子的变异边界越界处理方法，策略表达式如下：

式中，ξ——服从均匀分布的伪随机数。

7)自然选择操作

为改善粒子易陷入局部最优的情况同时保持种群多样性，本发明在粒子群算法中引入自然选择操作，从而使算法更具全局探索能力。这种方法基于排序选择方法，现将当代粒子群按照新适应度值排序，然后利用种群中前ρ(淘汰率)的粒子代替最差的后ρ的粒子，即存优去劣。

混合粒子群算法实现步骤如下：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间；

Step3：在种群空间中计算每个粒子的适应度值，将初始化后粒子位置和适应度值当作个体最优值存储起来，比较所有个体最优值作为全局最优值；

Step4：计算惯性权重w并按阈值调节策略更新w，对学习因子进行调整；

Step5：信仰空间基于评级函数对种群空间实行影响操作，计算高斯扰动因子，根据评级类别对种群空间父代个体变异产生等量N个子代个体；

Step6：利用边界位置处理策略对子代个体位置进行越界处理；

Step7：在种群空间中进行自然选择，并用形势知识中存储的精英个体代替种群空间中较差的个体，更新种群空间个体最优和全局最优；

Step8：种群空间通过接受操作将空间中精英个体贡献给信仰空间，并对精英个体利用粒子群算法更新产生子代个体，最后用轮盘赌法则更新形势知识，更新信仰空间个体最优和全局最优；

Step9：评比种群空间和信仰空间的全局最优，用两者较优者作为此次迭代全局最优值；

Step10：计算种群适应度方差σ²。根据迭代次数计算自适应变异阈值如果ε，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异；

Step11：若达到终止要求则退出算法；否则回到Step4。

实施例

本实施例将考虑通道约束的送端电网电源结构规划方法应用于我国某地区A，以实现该地区2020年的电源扩展需求，侧重考虑通道约束，同时考虑新能源参与调峰、本地负荷调峰能力、清洁能源弃能成本和调峰需求、需求响应等因素。该地区水电占大多数，2017年各类型机组装机如下：水电8597万千瓦，火电3361万千瓦，风电244万千瓦，太阳能226万千瓦，其它类型机组26万千瓦，总计12454万千瓦。2020年计划可增加机组容量分别如下：火电2380万千瓦，水电12025万千瓦，风电4850万千瓦，太阳能1940万千瓦，总计21195万千瓦。

根据已有电源容量和布局、西南地区电网调峰需求和有关规范，以及2020年A地区待选电源集，得到A地区2020年电源规划方案。2020年总规划容量为15164MW，其中火电机组新增2161MW，水电机组新增9470MW，风电机组新增2422MW，太阳能新增1111MW。待选集与实际规划方案对比如表1所示。

表1 2020年地区A电源待选集与实际规划结果

单位：MW

项目	待选集	实际规划	比例
				火电	2380	2161	14.2％
水电	12025	9470	62.4％
				风电	4850	2422	15.9％
光伏	1940	1111	7.5％
				合计	21195	15164	100％

为充分利用丰富的水资源，A地区2020年规划电源仍然以水电机组为主，规划容量达9470MW，占总规划容量的62.4％。同时由于调峰压力日益增大，地区A急需提升调峰能力，因此火电机组需规划2161MW，接近于待选容量，占总规划容量的14.2％，但由于煤电机组存在污染环境的情况，因此火电机组扩展容量与水电机组相比不大。风电和光伏发电具有环保、清洁的特性，虽然较火电机组装机成本较高，但由于运行几乎零成本且无污染，因此在规划上具有一定优势，装机容量增长较快，两者总计规划容量达3533MW，占规划总容量的23.4％。本实例将从电力平衡、电量平衡、可靠性水平以及调峰结果四个方面对方案分析。

表2 A地区2020年电源规划方案电力平衡表

单位：MW

A地区2020年预测丰枯期最大负荷分别为69660MW和63420MW，本规划方案中2020年区内外电源总容量为137005MW，其中区内电源装机129285MW，区外来电7720MW。通过电源优化，规划结果能够保证2020年电力供应与备用要求，且丰枯期备用率分别达到21％和25％，备用充足，可以作为A地区电源规划的参考。规划方案中电源比例如图4所示。

由图4可见，规划方案中2020年A地区装机仍以水电为主，约占69％，与2017年相比，水电机组增长较为缓慢，年均增速仅为1.15％，这是由于A地区内部水电资源丰富，特别是在丰水期满足外送要求后仍然盈余大量水电，水电装机容量较多使全网备用率较高，因此对装机容量的增加需求不是特别迫切；火电装机占全网总装机的24％，由于火电运行成本高且煤电机组排放废气废渣污染环境，因此为充分利用水电等清洁可再生能源，火电存在常年1/4至1/2的停备，为逐步限制火电发展，在此大大削减了火电待选集规模，但为满足系统调峰需求，仍有一些火电机组进行规划装机，使得年均增长率为3.6％；风电和光伏虽然装机容量不高，总计共占总装机的7％，但两者年均增长率分别达到44％和22.9％。这是由于A地区风光资源丰富，特别是其中的B区域光照好，光照强度、光照时间都优于全国其他地区，同时在区域C，存在丰富的风力资源，其每年的发电小时数均由于全国其它地区。丰富的风光资源以及零运行成本特点，虽然装机成本较高，但是仍然存在一定的经济优势，未来可以加大风电机组和光伏的投资。

表3 A地区2020年电源规划方案电量平衡表

单位：亿kWh

A地区2020年用电需求预测为3800亿kWh，电源规划方案区内外电源能够提供的电量共计3905亿kWh，能够满足A地区2020年电量需求，且有盈余105亿千瓦时。各类型机组发电量如图5所示。

规划方案中，A地区2020年发电量绝大多数为水电，约占73％，光伏和风电发电量分别占5％和7％，火电机组由于存在常年停备的机组，因此最终火电发电量仅占19％左右，可见清洁能源发电量总和约占81％，可见A地区发电用电清洁高效。

表4 A地区2020年电源规划方案技术指标

由表4可以看出，规划方法得出的2020年西南电源规划方案中，电源规划方案的总成本包括两部分，即待建电厂的投资和运行费用，其中运行费用主要以燃料费用为主，同时还计及了排污费用。由规划结果可以看出，虽然水电机组、风电机组和光伏机组的单位投资比火电机组要高，但二者的单位发电成本很低，并且作为清洁能源发电形式，它们在随机生产模拟中都能保证优先发电，可以替代一部分的火电机组电量，从而节省大量的煤耗和运行成本，因此可以在电源待选集中优先选择投建。

同时，由于备用充足，电源规划结果能保证A地区较高可靠性，LOLP为2.81×10^-4，EENS为461MWh，可靠性水平较高，保证规划方案的可行性。另外，本课题规划结果显示，SO₂与NO_X等主要污染物排放都在国家规定范围内，环境优势也相对明显。

表5 A地区2020年调峰平衡表

单位：MW

项目	容量
		最高负荷	72000
最低负荷率(％)	60
		最大峰谷差	28800
热备用	3667
		风电负备用	3281
光伏负备用	1890
		需调峰容量	37638
可调峰容量	38165
		调峰平衡	+527

A地区未来调峰压力较大，电网迫切需要建设调峰电源。结合A地区的能源结构及未来发展趋势，根据前述各类电源的调峰特性分析，未来新增的可能调峰措施应主要为常规水电机组、气电和煤电，而区外水电和区外火电等是否参与调峰及其调峰能力的大小尚具有不确定性。参考装机结果，本实施例在待选集中加入意向电源进行优化，电源规划方案调峰能力达到38165MW，需调峰容量为37638MW，可以满足调峰需求且盈余527MW，因此可以为A地区电源建设做一参考。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种考虑通道约束的送端电网电源结构优化方法，其特征在于，包括以下步骤：

1)获取机组数据、负荷相关数据和价格信息数据；

2)建立考虑通道约束的电源结构优化模型；

3)基于步骤1)获得的数据，获得机组检修计划，考虑加装储能的风电场和太阳能电站的出力、本地负荷调峰能力以及关键断面输送能力，进行风、太阳能、水、火、抽蓄发电的随机生产模拟；

4)基于步骤3)采用混合粒子群算法求解所述电源结构优化模型，获得最优电源结构优化方案。

2.根据权利要求1所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述步骤3)中，通过最小累积风险度法获得机组检修计划。

3.根据权利要求1所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述随机生产模拟中，基于等效电量频率法考虑多区域的特高压、水电机组和新能源机组的生产模拟。

4.根据权利要求1所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述电源结构优化模型为双层优化模型，其中，上层模型为电源投资决策问题，规划目标是发电成本最小化，决策变量是待选机组投建与否；下层模型为生产优化决策问题，规划目标是运行费用最小化发电机组的检修时段以及各发电机组在负荷曲线上的运行位置。

5.根据权利要求4所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述双层优化模型中，上层模型的目标函数表示为：

式中，B为规划方案总的投资成本现值，B_ft、B_ht、B_wt、B_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的投资成本，T为规划期；

上层模型的约束条件包括决策变量整数约束、总装机台数约束、发电厂最早投建年限约束、电力平衡条件、电量平衡条件、调峰能力约束和关键断面输送能力约束。

6.根据权利要求5所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述调峰能力约束表示为：

式中，α_i、α_j分别为新建火电厂、水电厂的调峰深度，α_l、α_m分别为已建火电厂、水电厂的调峰深度，P_i、P_j分别为新建火电机组和水电机组出力，P_l、P_m分别为已建火电机组和水电机组出力，N_f和N_h分别为新建火电机组和水电机组台数，N_0,f和N_0,h分别为已建火电机组和水电机组台数，N_WG为新建风电场的个数，N_0,WG为已建风电场的个数，η_WG为风力发电的置信度系数，第r个风电场的装机容量，第u个风电场装机容量，N_0,SG为已建太阳能发电场的个数，N_SG为新建太阳能发电场的个数，η_SG为太阳能发电的置信度系数，为第s个太阳能电场的装机容量，为第v个太阳能电场的装机容量，W_x为第x个风电场配置的储能容量，包含已建风电场和新建风电场，W_y为第y个太阳能电站配置的储能容量，包含已建太阳能电站和新建太阳能电站；N_cha、N_cha、N_user分别表示电动汽车充换电站、电动汽车、用户侧储能配置的数量，P_z,cha、P_a,car、P_b,user分别表示第z、a、b个电动汽车充换电站、电动汽车、用户侧储能的放电功率；α表示峰谷电价差，f(α)表示峰谷电价差为α时，电动汽车用户愿意在高峰时段向电网反送电的意愿系数，g(α)表示峰谷电价差为α时，用户侧储能愿意在高峰时段向电网反送电的意愿系数；为系统负荷最大峰谷差。

7.根据权利要求5所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述关键断面输送能力约束表示为：

式中，PC_τ,k表示第τ年第k个关键断面的输送能力，Y_τ,i表示第τ年第i台机是否建成，建成为1，否则为0，P_i表示第i台机的额定功率，N_k第k个关键断面下的所有机组台数。

8.根据权利要求4所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述双层优化模型中，下层模型的目标函数表示为：

式中，b_ft、b_ht、b_wt、b_vt分别表示第t年待选火电厂、水电厂、风电场、太阳能电站的建设运维成本，b_0t为第t年已有电厂的运维成本，GLoss_t为第t年包括特高压线路在内的电网运行网损，TLoss_t为第t年电源配套电网建设运维成本，DE_ht、DE_wt、DE_vt分别为第t年水电、风电、太阳能弃能成本，CE_ft为第t年火电厂碳排放成本，T为规划期；

下层模型的约束条件包括机组检修约束、系统可靠性约束和污染物排放量约束。

9.根据权利要求8所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述水电、风电、太阳能弃能成本DE_ht、DE_wt、DE_vt的表达式为：

DE_ht＝(TQ_ht-AQ_ht)*M_ht

DE_wt＝(TQ_wt-AQ_wt)*M_wt

DE_vt＝(TQ_vt-AQ_vt)*M_vt

式中，TQ_ht、TQ_wt、TQ_vt分别为第t年水电厂、风电场、太阳能电站的理论发电量，AQ_ht、AQ_wt、AQ_vt分别为第t年水电厂、风电场、太阳能电站的实际发电量，M_ht、M_wt、M_vt分别为第t年水电厂、风电场、太阳能电站的上网电价；

所述火电厂碳排放成本的表达式为：

CE_ft＝AQ_ft*CC_ft*PC_ft

式中，AQ_ft为第t年火电厂实际发电量，CC_ft为第t年火电厂每度电的发电煤耗，PC_ft为第t年火电厂进煤价格。

10.根据权利要求1所述的考虑通道约束的送端电网电源结构优化方法，其特征在于，所述采用混合粒子群算法求解所述电源结构优化模型的具体过程包括：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间；

Step3：在种群空间中计算每个粒子的适应度值，将初始化后粒子位置和适应度值当作个体最优值存储，比较所有个体最优值作为全局最优值；

Step4：计算惯性权重w并按阈值调节策略更新w，对学习因子进行调整；

Step5：信仰空间基于评级函数对种群空间实行影响操作，计算高斯扰动因子，根据评级类别对种群空间父代个体变异产生等量N个子代个体；

Step6：利用边界位置处理策略对子代个体位置进行越界处理；

Step7：在种群空间中进行自然选择，并用形势知识中存储的精英个体代替种群空间中较差的个体，更新种群空间个体最优和全局最优；

Step8：种群空间通过接受操作将空间中精英个体贡献给信仰空间，并对精英个体利用粒子群算法更新产生子代个体，最后用轮盘赌法则更新形势知识，更新信仰空间个体最优和全局最优；

Step9：评比种群空间和信仰空间的全局最优，用两者较优者作为此次迭代全局最优值；

Step10：计算种群适应度方差σ²，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异，ε为自适应变异阈值；

Step11：若达到终止要求则退出算法，否则回到Step4。