CN109948859A

CN109948859A - 一种基于协同量子遗传算法的风火联合随机优化调度方法

Info

Publication number: CN109948859A
Application number: CN201910230466.3A
Authority: CN
Inventors: 李卓环; 余涛; 唐建林
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2019-03-26
Filing date: 2019-03-26
Publication date: 2019-06-28
Anticipated expiration: 2039-03-26
Also published as: CN109948859B

Abstract

本发明公开了一种基于协同量子遗传算法的风火联合随机优化调度方法，包括采集调度日的数据；构建风火联合调度模型，采用机会约束处理带随机变量的约束条件，并建立单目标的优化调度模型；结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架；对调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略。本发明对模型中的不确定的机会约束进行确定性转化，从而兼顾含风电场电力系统风电出力的波动性和随机性的特征。

Description

一种基于协同量子遗传算法的风火联合随机优化调度方法

技术领域

本发明涉及电力领域，具体涉及一种基于协同量子遗传算法的风火联合随机优化调度方法。

背景技术

空气污染近年来日益成为世界上最严重的环境挑战之一，导致了严重的生命健康威胁和经济损失，在此背景下，环境经济调度(Environmental Economic Dispatch,EED)在电力行业中得到了普遍关注。

随着清洁能源发电技术的不断进步，风电等清洁能源在电力系统中的渗透率日益提高，大大缓解了大气污染问题，但风电出力具有较强的波动性和随机性，现在大量的研究主要集中在对风电出力进行预测，精细化地建立预测模型，或直接采用鲁棒优化，随即规划等方法来应对调度模型中的不确定性。

在调度模型的求解算法中，主要包含解析算法和启发式算法，解析算法对模型的依赖性较强，而启发式算法在多变量的复杂优化问题中又极其容易陷入局部最优。因此，需要一种具有较强全局搜索能力和局部寻优能力的算法来处理大规模的风火联合调度模型。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于协同量子遗传算法的风火联合随机优化调度方法。本方法首先建立含随机变量的风火联合调度模型，然后对模型中机会约束进行确定性转化，最后建立一种结合量子遗传算法和协同进化方法的协同量子遗传算法，对风火联合调度模型进行求解，从而制定有效的环境调度策略。

本发明采用如下技术方案：

一种基于协同量子遗传算法的风火联合随机优化调度方法，包括如下步骤：

采集调度日的数据；

构建风火联合调度模型，采用机会约束处理带随机变量的约束条件，并建立单目标的风火联合优化调度模型；

结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架；

对风火联合优化调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略。

所述采集调度日数据包括各火力机组的出力上下限，调度日各小时的预测负荷值，各火电机组的资源消耗系数，碳排放系数和污染物排放系数，风电场的各小时预测风速，风电场的装机容量，风电场的切入风速，额定风速和切出风速。

所述风火联合优化调度模型：

目标函数为资源消耗量、碳排放量及污染物排放量的加权；

约束条件：功率平衡约束、爬坡速率约束、旋转备用容量约束及机组出力约束；

控制变量为各火电机组出力和风电场出力。

所述火电机组出力为确定性变量，风电场出力为不确定变量，将带有不确定变量的备用约束表示为机会约束的形式来出力风电出力的不确定性。

所述结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架，具体为：

S3.1输入原始数据，原始数据包括目标函数、约束条件及控制变量；

S3.2控制变量分为M个组，代表M个种群，系统的控制变量主要使火电机组出力值，本方法设定4个种群，即M＝4，每个种群中包含4个控制变量；

S3.3对各种群进行量子比特编码；

S3.4在第i个种群中进行量子门更新操作，生成新的个体X′_i；

S3.5从剩余的M-1个种群中各选一个个体代表，解码后与第i个种群的个体X′_i结合，共同构成整个生态系统的变量向量ξ′；

S3.6计算ξ′的适应度值，即将ξ′代入后计算目标函数F的值；

S3.7重复S3.4-S3.6直到计算完第i个种群的所有个体的适应度值；

S3.8重复S3.4-S3.7直到完成一次协同过程，若i<M则继续进行协同过程，i＝i+1,并返回S3.4；

S3.9完成一次完整的协同过程之后，记录协同进化过程中整个生态系统中的最优个体及其适应度值F_best,在S3.4中每一代更新都以F_best为参考基准，比较当前个体适应度值与F_best的大小比较，从而确定旋转角θ_i的值；

S3.10判断是否满足整个优化过程条件：连续n代的适应度值都不再改变或已经达到最大允许迭代次数，若满足则输出结果；否则，返回S3.4，并置i＝1。

本发明对优化调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略，具体为：所述确定性转换根据风速的分布特征进行，转换后的模型为单目标的确定性优化模型，采用协同量子遗传算法进行求解。

本发明的有益效果：

(1)本发明设计的基于协同量子遗传算法的风火联合随机优化调度方法，建立在含风电场电力系统的基础上，综合考虑了调度问题中的资源消耗，碳排放和污染物排放，考虑目标十分全面，有利于实现经济调度的同时为环境保护和节能减排也做出一定贡献。

(2)本发明设计的基于协同量子遗传算法的风火联合随机优化调度方法，充分考虑了模型中随机变量的不确定性，并结合风电出力模型和风速分布函数模型，对模型中的不确定的机会约束进行确定性转化，从而兼顾含风电场电力系统风电出力的波动性和随机性的特征。

(3)本发明设计的基于协同量子遗传算法的风火联合随机优化调度方法，新提出了一个结合协同进化和量子遗传算法的新算法，此算法以协同进化的方法为基本框架，以量子遗传算法为内核，提高了算法的全局搜索能力的同时，通过种群间的进化互动也提高了其局部寻优能力。

附图说明

图1是本发明的工作流程图；

图2是本发明的协同量子遗传算法的示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1及图2所示，一种基于协同量子遗传算法的风火联合随机优化调度方法，采用风火联合优化调度模型，采用机会约束考虑不确定变量的随机性，对模型进行确定性转化后，采用结合量子遗传算法和协同进化方法的协同量子遗传算法对调度模型进行求解，该调度方法包括以下步骤：

步骤A1，采集调度日的数据，包括各火力机组的出力上下限，调度日各小时的预测负荷值，各火电机组的资源消耗系数，碳排放系数和污染物排放系数，风电场的各小时预测风速，风电场的装机容量，风电场的切入风速，额定风速和切出风速等，所述资源消耗可以指煤消耗等。

由于本发明调度策略以1小时为一个调度周期，所以收集的数据都以1小时为时间间隔，若需要更精细化的调度策略可以在本发明的基础上，更精细化地数据采样，划分更多的调度时刻，使调度时间间隔缩短。

步骤A2，构建风火联合优化调度模型，采用机会约束处理带随机变量的约束条件，并建立单目标的优化调度模型；

所述优化调度模型包括：

一目标函数：

资源消耗量

含风电场电力系统资源消耗F_C可以表示成

式中，T为调度周期内断面的个数，本文中取T＝24；N为火电机组个数；P_it为火电厂i在t时刻的有功出力；F_Ci(P_it)为火电厂i的资源消耗函数：

式中，a_i，b_i，c_i为火电机组i的资源消耗系数。

碳排放量

式中，E_Ci(P_it)为火电机组i的碳排放函数：

式中，d_i，e_i，f_i为火电机组i的CO₂排放系数。

污染物排放量：

火力发电主要污染排放为硫化物，在本发明中以SO₂为代表来研究调度策略中的污染物排放量，计算式如下：

式中，E_Si(P_it)为火电机组i的SO₂排放函数：

式中，l_i，h_i，m_i为火电机组i的SO₂排放系数。

结合目标，将目标函数设置为三个目标的加权：

式中，λ₁，λ₂，λ₃为目标加权参数，此发明中取λ₁＝0.5，λ₂＝0.3，λ₃＝0.2。

二约束条件：

(1)功率平衡约束

式中，P_t ^W为t时刻的风力发电的出力值；P_t ^D为t时刻的系统负荷总需求。

2)爬坡速率约束

D_Ri≤P_it-P_i(t-1)≤U_Ri

式中，D_Ri和U_Ri分别为火电机组i在t时刻的有功出力下降和上升的速率限制。

3)旋转备用容量约束

由于旋转备用约束中带有不确定的变量，故采取机会约束的形式来考虑此系统的正负旋转备用约束：

式中，分别为火电机组i在t时刻的有功出力的上下限；P_r为风力发电有功的额定出力值；U_SRt为系统在t时刻的备用要求；w_u为风电场出力对正旋转备用的需求系数；w_d为风电场出力对负旋转备用的需求系数；β₂，β₃分别为正负旋转备用约束成立的置信水平，本文取β₂,β₃＝0.90。

4)机组出力约束

控制变量为各火电机组出力和风电场出力，因此，将带有不确定变量的备用约束表示为机会约束的形式来出力风电出力的不确定性。

步骤A3，结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架。其主要步骤如下：

Step1:输入原始数据，包括控制变量描述和各种约束条件和目标函数。在本发明中需要将模型中的经济成本，碳排放，污染物排放加权目标，系统的功率平衡约束，爬坡速率约束，旋转备用约束，机组出力约束输入到算法初始化模型中；

Step2:将整个系统的控制变量分为M个组，代表M个种群。系统的控制变量主要使火电机组出力值，此发明中设定4个种群，即M＝4，每个种群中包含4个控制变量：

ξ＝[ξ₁,ξ₂,ξ₃,ξ₄]；

Step3:对各种群进行量子比特编码；

在量子计算机中，往往采用双态量子系统来储存信息,例如：

|γ>＝α|0>β|1>

式中，(α,β)是两个幅常数，有|α|²+|β|²＝1；|0>和|1>表示自旋向下和自旋向上。

Step4:在第i个种群中进行量子门更新操作，生成新的个体X′_i。更新操作如下：

式中，θ_i为旋转角，其大小和符号都由事先设定好的调整策略来确定。

Step5:从剩余的M-1个种群中各选一个个体代表，解码后与第i个种群的个体X′_i结合，共同构成整个生态系统的变量向量ξ′,以i＝1为例：

ξ′＝[ξ₁′,ξ₂,ξ₃,ξ₄]；

Step6:计算ξ′的适应度值，即将ξ′代入后计算目标函数F的值；

Step7:重复Step4-Step6直到计算完第i个种群的所有个体的适应度值；

Step8:重复Step4-Step7直到完成一次协同过程，若i<M则继续进行协同过程，i＝i+1,并返回Step4；

Step9:完成一次完整的协同过程之后，记录协同进化过程中整个生态系统中的最优个体及其适应度值F_best,在Step4中每一代更新都以F_best为参考基准，比较当前个体适应度值与F_best的大小比较，从而确定旋转角θ_i的值；

Step10：判断是否满足整个优化过程条件：连续几代的适应度值都不再改变或已经达到最大允许迭代次数，若满足则输出结果；否则，返回Step4，并置i＝1。

步骤A4，对风火联合优化调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略，具体步骤如下：

Step2:将步骤A2建立的风火联合随机优化调度模型进行确定性转化，可将模型中旋转备用约束表示为：

已知风电出力-风速的函数关系为：

式中，v_in，v_r，v_out分别为风力发电机的切入风速，额定风速和切出风速；

结合调度日的各小时的风速分布N(v_wt,σ_t)，风电出力的分布函数可以表示为：

结合风电出力的分布函数，可以将带机会约束的旋转备用约束进行确定性转化，表示为：

式中，Φ^-1为正态分布函数的反函数，为t时刻风电场出力的日前预测值。

Step3:将整个系统的控制变量分为M个组，代表M个种群。系统的控制变量主要使火电机组出力值，此发明中设定4个种群，即M＝4，每个种群中包含4个控制变量：

ξ＝[ξ₁,ξ₂,ξ₃,ξ₄]；

Step4:对各种群进行量子比特编码；

在量子计算机中，往往采用双态量子系统来储存信息,例如：

|γ>＝α|0>β|1>

Step5:采用步骤A3中的协同量子遗传算法对转化后的模型进行优化求解。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于协同量子遗传算法的风火联合随机优化调度方法，其特征在于，包括如下步骤：

采集调度日的数据；

2.根据权利要求1所述的风火联合随机优化调度方法，其特征在于，所述采集调度日数据包括各火力机组的出力上下限，调度日各小时的预测负荷值，各火电机组的资源消耗系数，碳排放系数和污染物排放系数，风电场的各小时预测风速，风电场的装机容量，风电场的切入风速，额定风速和切出风速。

3.根据权利要求1所述的风火联合随机优化调度方法，其特征在于，所述风火联合优化调度模型：

目标函数为资源消耗量、碳排放量及污染物排放量的加权；

控制变量为各火电机组出力和风电场出力。

4.根据权利要求3所述的风火联合随机优化调度方法，其特征在于，所述火电机组出力为确定性变量，风电场出力为不确定变量，将带有不确定变量的备用约束表示为机会约束的形式来出力风电出力的不确定性。

5.根据权利要求1所述的风火联合随机优化调度方法，其特征在于，所述结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架，具体为：

S3.3对各种群进行量子比特编码；

6.根据权利要求1所述的风火联合随机优化调度方法，其特征在于，对调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略，具体为：所述确定性转换根据风速的分布特征进行，转换后的模型为单目标的确定性优化模型，采用协同量子遗传算法进行求解。