CN110138019A - 一种机组优化启停方法 - Google Patents

Abstract

本发明提出了一种基于蚁群算法的含电动汽车充电的机组优化启停方法，选择成本为目标函数，建立考虑多个约束条件的含电动汽车充放电的机组组合模型，利用蚁群算法进行机组启停的优化，得到机组最优组合和最小发电成本，并求解出电力系统机组的出力计划和特定时间的电动汽车的充放电控制计划。与不含电动汽车的机组组合有所不同，本发明考虑到大规模电动汽车入网，将传统机组组合和V2G技术进行了联合优化，利用大量电动汽车的储能源作为电网和可再生能源的缓冲，起到对电网的调峰填谷的作用，减少了电网不必要的电能浪费和运行成本，对电网运行和调度具有重要的意义，提高了电动汽车入网技术和电力系统机组组合的实用性。

Description

一种机组优化启停方法

技术领域

本发明涉及电动汽车技术领域，特别涉及一种含电动汽车充电的机组优化启停方法。

背景技术

随着全球能源危机问题的日益严重，大规模的电动汽车接入将成为不可避免的发展趋势。电动汽车和新能源之间的相互作用会对电网产生复杂影响。电动汽车的充电和放电等不同工作模式会影响电网的运行和调度策略。例如，在用电高峰阶段，如果电网不采取合理的措施，大规模的电动汽车充电可能导致电力短缺，对电网造成冲击。

机组组合是通过调节不同发电机组的启停规划来实现电网收益的最大化。传统的机组组合只能针对发电机进行调度而未能考虑负载。通常负载的调度是通过削峰填谷等措施来达到降低电网运行成本的目的。而电动汽车存在快速响应的优点和智能化的潜力，可以作为需求响应的调度资源。但是电动汽车充电行为具有随机性和间歇性，会对电网及电力系统机组组合造成影响。现有文献并未考虑电动汽车对电网机组组合的短期影响。

发明内容

针对现有研究技术的缺陷或改进需求，本发明考虑电动汽车充电对电网机组组合的影响，提出了一种机组优化启停方法，所述方法包括：

步骤1：建立机组组合的目标函数；

步骤2：给定机组组合目标函数对应的机组组合约束条件；

步骤3：利用蚁群算法结合约束条件求解机组组合的目标函数。

在所述步骤1中，选取发电机组最低运行成本作为优化目标，建立机组组合的目标函数。

进一步地，发电机组运行成本包括发电机组的燃料成本和启停成本。

进一步地，所述机组组合的目标函数如下：

式中，J(P_it,u_it,P_t ⁿ)是指机组组合目标函数；f_VAR表示方差函数；T为机组组合期间的时段数；n为系统机组个数；P_it为第i台发电机组第t时段的有功出力；u_it为机组i在t时段的启停状态，u_i,t-1为机组i在t-1时段的启停状态，1代表处于运行状态，0代表处于停机状态；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；S_i为第i台发电机组的启停成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M为表示负荷波动的惩罚系数。

式(1)中，F_i(P_it)，S_i，P_t ⁿ具体计算公式如下：

F_i(P_it)＝a_i(P_it)²+b_iP_it+c_i (2)

式中，a_i，b_i，c_i为第i个发电机组的燃料成本系数；Hcost_i为第i个发电机组的热启动成本；Ccost_i第i个发电机组的冷启动成本；T_i ^min为第i个发电机组的最小允许停机时间；为第i个发电机组t时段之前的连续停机时间；为第i个发电机组的停机时间；T_i ^c为第i个发电机组的冷启动时间；P_dt为t时段内换电站吸收的电网功率；为换电站j在t时段充电、放电功率。

进一步地，所述步骤2中，机组组合目标函数对应的机组组合约束条件包括功率平衡约束、机组出力上限和下限约束、旋转和运行备用容量约束、发电机组启停时间约束、爬坡约束、EV用户充放电需求约束和EV充电时间约束。

所述功率平衡约束为：

式中，P_it为第i个发电机组在第t时段的有功出力；P_tD为第t时段功率指令；u_it为机组i在t时段的启停状态，1代表处于运行状态，0代表处于停机状态；D_t为第t时段的负荷，L_t为第t时段的系统网损。

其中机组出力上限和下限约束为：

式中，为第i个发电机组在第t时段的最小出力；为第i个发电机组在第t时段的最大出力。

其中旋转和运行备用容量约束为：

式中，SR_it为第i个发电机组在第t时段的机组旋转备用容量，SR_jt为第j个负荷第t时段的旋转备用容量，SR_Dt为第t时段的旋转备用容量；OR_it第i个发电机组在第t时段的机组运行储备容量，OR_jt为第j个负荷第t时段的运行储备容量，OR_Dt为第t时段的运行储备容量。

其中发电机组启停时间约束为：

如果u_it为1

如果u_it为0

式中，为第i个发电机组t时段连续运行时间；T_i ^on为第i个发电机组允许的最短运行时间；为第i个发电机组t时段连续停机时间；T_i ^off第i个发电机组允许的最短停机时间，u_i,t+1为机组i在t+1时段的启停状态，1代表处于运行状态，0代表处于停机状态。

其中爬坡约束为：

式中，P_it为第i台发电机组第t时段的有功出力，P_i,t+1为第i台发电机组第t+1时段的有功出力，为第i个发电机组的降出力速度限制；为第i个发电机组的增出力速度限制。

其中EV用户充放电需求约束为：

考虑电池寿命问题，设定一天之内的放电总量为

式中，P_total,min指全机组的最小出力，P_iEV指含电动汽车充电的第i个电力系统机组的出力，P_total,max指全机组的最大出力。

其中EV充电时间约束为：

t_cn≤t_n≤t_dn-1 (15)

式中，t_cn为第n辆电动汽车并入电网的时刻；t_dn为第n辆电动汽车断开电网的时刻；t_n为给第n辆电动汽车充电的时刻。

上述条件约束只有当电动汽车处于并网状态时，才可对其进行调控。

在步骤3中，利用蚁群算法进行机组启停的优化，得到基于连续蚁群算法的机组最优组合和最小发电成本，并求解出电力系统机组的出力计划和特定时间的电动汽车的充放电控制计划。

进一步地，步骤3具体包括：

S31.对所述目标函数进行参数初始化和线路建设；

S32.采用约束值对机组的出力计划进行适应度评价；

S33.对线索强度进行更新；

S34.优化过程直到迭代次数达到预定值，或者目标函数的值在一定次数的迭代中停止改进，从而得到最佳优化方案。

进一步地，所述蚁群算法的目标函数包括：

式中，J是指机组组合目标函数，F(P_tD)为发电机组第t时段的出力为P_tD的运行煤耗，为线索强度初始值；f_VAR表示方差函数；T为机组组合期间的时段数；n为系统机组个数；P_it为机组i在t时段的有功出力；u_it为机组i在t时段的启停状态，u_i,t-1为机组i在t-1时段的启停状态，；S_i为第i台发电机组的启停成本函数；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M表示负荷波动的惩罚系数。

进一步地，所述步骤S31中，参数初始化过程包括：

对式(18)所示的机组组合的目标函数，创建初始机组出力计划位置并赋每条计划线路相同的线索强度水平，指定每个电动汽车的容量，同时在式((6)、(7)、(8)、(9)、(10)、(11)、(12)、(13)、(14)中构造相应的约束条件，作为相应的线索条件的初始值。

进一步地，所述步骤S31中，线路建设过程具体包括：

在这个阶段，每个机组出力计划目标选择下一个移动的节点；考虑到线索强度和距离，机组出力计划目标移动到通过较短边缘或较高线索强度连接的状态；重复此过程直到所有机组出力计划完成他们的搜索。

进一步地，位于节点r中的机组出力计划根据以下规则选择节点s用于其下一步骤：

式中，s为式(1)、(3)、(4)通过机组出力计划的蚁群算法所寻找到的最优节点；S是基于式(20)中给出的概率分布选择的随机变量，对应机组组合第i台发电机组的启停成本函数S_i，τ是线索强度水平，τ(r,u)是指节点r到u处的线索强度，η(r,u)是指节点r到u处的残留的线索强度；β>0是一个参数，它决定了线索强度相对于距离的相对重要性，反映了连续阶段之间目标函数值相对于线索强度的减少的相对重要性，其值越大则该最优节点越接近于贪心规则；

节点r处的机组出力计划k选择移动到节点s的概率为：

式中，p_k(r,s)表示节点r处的机组出力计划k选择移动到节点s的概率；J_k(r)是位于节点r的机组出力计划k要访问的节点集。

进一步地，

所述式(19)中η＝1/δ，即等于距离δ(r,u)的倒数的启发式值；对于机组出力计划而言δ(r,u)越小，则η越大，u也就越大，选择前往节点u的可能性就越大；该启发函数η(r,u)表示蚂蚁从节点r转移到节点u的期望程度。

进一步地，δ(r,u)为该线路上的权值，在求解局部最优线路时为r到u的线路消耗的电量，在优化充电方案时为选择到达节点u需要的充电时间。

进一步地，所述步骤S32中，约束值适应度评价具体包括：

适应度函数选择为当前出力计划的出力和最小机组的出力差值的倒数，如式(21)所示，即

其中，P_K为当前出力计划k的出力，P_n,min为最小机组的出力；

通过式(15)中的充电时间的约束来评价每个机组出力计划的适应度水平，通过适应度评估系数C(Ω^(t))评估每个机组出力计划的适应度进而对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束，以使目标函数得最终结果为最佳期望值。

进一步地，所述步骤S33包括：

构建解决方案后，成本目标i有其位置列表Ω^(t)和适应度评估系数C(Ω^(t))，所有路径强度都根据本地更新的公式进行更新：

其中，式中0<ρ<1是启发式定义的系数；是经过时间t得到的路径线索强度；是经过时间t之后路径线索强度的本地更新结果，在每次迭代中具有最高适应度的成本目标将最大量的线索强度沉积到其位置列表的边缘；

如果机组出力计划k在此导览中具有最佳解决方案，那么其位置列表中这些边缘的线索强度通过全局更新规则进一步修改：

其中，K_pher是与踪迹存款相关的常数，Ω^(t)是位置列表，C(Ω^(t))是适应度评估系数；通过位置列表Ω^(t)设置相应的评估系数，对于不同的位置评估系数是不同的；通过适应度函数式(21)的数值去调整不同出力计划、不同位置的评估系数C(Ω^(t))的大小以此去评估每个机组出力计划的适应度，进而对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束，以使目标函数得最终结果为最佳期望值。

进一步地，所述步骤S34包括：

优化过程直到迭代次数达到预定值，或者目标函数的值在一定次数的迭代中停止改进；通过式(3)、(4)、(11)的发电机组的启停成本函数和发电机的停机时限，综合二者得到目标函数停止迭代的次数和时间，最终可以获得最佳的优化方案。

本发明利用蚁群算法将电动汽车充放电约束纳入解决机组组合问题，考虑到大规模电动汽车入网，将传统机组组合和V2G技术进行了联合优化，这对电网运行和调度具有重要的意义，提高了电动汽车入网技术和电力系统机组组合的实用性和经济型。

附图说明

图1是本发明的电力系统机组优化启停方法流程图。

图2蚁群算法流程图。

图3为考虑电动汽车充电前后机组出力对比，以及电动汽车的充放电曲线示意图。

具体实施方式

以下结合附图描述根据本发明实施例的含电动汽车充电的电力系统机组优化启停方法。

参照附图1，本发明的实施例提出了一种机组优化启停方法，包括以下步骤：

步骤1：建立机组组合的目标函数；

步骤2：给定机组组合的约束条件；

步骤3：利用蚁群算法结合约束条件求解机组组合的目标函数。

所述步骤1中，选取发电机组最低运行成本作为优化目标，建立机组组合的目标函数；

发电机组运行成本包括发电机组的燃料成本和启停成本。

所述机组组合目标函数如下：

式中，J(P_it,u_it,P_t ⁿ)是指机组组合目标函数；f_VAR表示方差(variance，VAR)函数；T为机组组合期间的时段数；n为系统机组个数；P_it为机组i在t时段的有功出力；u_it为机组i在t时段的启停状态；S_i为第i台发电机组的启停成本函数；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M为一个足够大的正数，表示负荷波动的惩罚系数。

F_i(P_it)，S_i，P_t ⁿ具体计算公式如下：

F_i(P_it)＝a_i(P_it)²+b_iP_it+c_i (2)

式中，a_i，b_i，c_i为第i个发电机组的燃料成本系数；Hcost_i为第i个发电机组的热启动成本；Ccost_i第i个发电机组的冷启动成本；T_i ^min为第i个发电机组的最小允许停机时间；为第i个发电机组t时段之前的连续停机时间；为第i个发电机组的停机时间；T_i ^c为第i个发电机组的冷启动时间；P_dt为t时段内换电站吸收的电网功率；为换电站j在t时段充电、放电功率。

所述步骤2中，机组组合目标函数对应的机组组合约束条件包括功率平衡约束、机组出力上限和下限约束、旋转备用容量约束、发电机组启停时间约束、爬坡约束、EV用户充放电需求约束和EV充电时间约束；具体有：

功率平衡约束为：

式中：P_it为第i个发电机组在第t时段的发电量；P_tD为第t时段功率指令；u_it为第i个发电机组在第t时段的开关状态，关闭时u_it＝0，打开时u_it＝1；D_t为第t时段的负荷，L_t为第t时段的系统网损。

机组出力上限和下限约束为：

式中，为第i个发电机组在第t时段的最小出力；为第i个发电机组在第t时段的最大出力。

旋转和运行备用容量约束：

式中，SR_it为第i个发电机组在第t时段的机组旋转备用容量，SR_jt为第j个负荷第t时段的旋转备用容量，SR_Dt为第t时段的旋转备用容量；OR_it第i个发电机组在第t时段的机组运行储备容量，OR_jt为第j个负荷第t时段的运行储备容量，OR_Dt为第t时段的运行储备容量。

发电机组启停时间约束：

如果u_it为1

如果u_it为0

式中，为第i个发电机组t时段连续运行时间；T_i ^on为第i个发电机组允许的最短运行时间；为第i个发电机组t时段连续停机时间；T_i ^off第i个发电机组允许的最短停机时间。

爬坡约束：

式中，为第i个发电机组的降出力速度限制；R_i ^d为第i个发电机组的增出力速度限制。

EV用户充放电需求约束：

式中，P_total,min指全机组的最小出力，P_iEV指含电动汽车充电的第i个电力系统机组的出力，P_total,max指全机组的最大出力。

EV充电时间约束为：

t_cn≤t_n≤t_dn-1 (15)

式中，t_cn为第n辆电动汽车并入电网的时刻；t_dn为第n辆电动汽车断开电网的时刻；t_n为给第n辆电动汽车充电的时刻。

上述条件约束只有当电动汽车处于并网状态时，才可对其进行调控。

所述步骤3中，利用蚁群算法，结合约束条件对机组组合目标函数进行求解。

蚁群算法的基本流程图参见图2所示，首先提出待优化问题，确定目标函数和变量，然后生成初始种群，计算个体的适应值，并评价是否满足收敛条件或进化代数，如果满足，则输出最优解，如果不满足，则操作生成新的群体，继续寻求最优解。

具体到本发明提出的方法，运用蚁群算法求解目标函数的具体操作如下：

在进行每次迭代时，设置所有不同的机组出力计划。每计划之间互不相关，每个计划只与其相应的线索强度相关。通过线索强度开始执行计划，从一个节点走到另一个节点，因为每个计划之间互不相关，有些计划可以从起点出发最终到达终点，因此获得一个可行解。当然有些计划最终是无法到达终点的，便得不到可行解。每一个可行解都可以根据线索强度的更新策略得到由可行计划所带来的线索强度的增量，并且线路上原有的线索强度也会因为时间的推移不断的淡化。所有的计划执行完之后，将线索强度的增量与残留的线索强度进行叠加。每次迭代后，在所有的可行解中搜索出局部最优解，并与外部最优解进行比较，更新外部最优解，并对线索强度做全局更新。线索强度更新结束后，进入下一次迭代直至迭代结束，得到基于连续蚁群算法的机组最优组合和最小发电成本，并求解出了电力系统机组的出力计划和特定时间的电动汽车的充放电控制计划。具体包括如下步骤：

(1)构造目标函数

A.参数初始化

在此阶段，所有机组组合成本目标都定位在随机生成的起始节点上，并为每条边设置线索强度的初始值。如式(1)所示首先构造机组组合的目标函数，创建初始机组出力计划位置并赋每条计划线路相同的线索强度水平。指定每个电动汽车的容量。径向馈线的配置表示为指示所有候选设备位置。同时在式(6)、(7)、(8)、(9)、(10)、(11)、(12)、(13)、(14)中构造相应的约束条件，作为相应的线索条件的初始值。

初始状态，将路径上的信息素(线索强度)设置为由于机组组合问题最优解总煤耗存在下确界，即各个时段运行煤耗最小的运行点煤耗总和，因此τ_max存在极大值。当蚂蚁(机组出力计划)走完n条路径后，更新信息素(线索强度)，更新的信息素将与煤耗J成某种关系，当煤耗越大时，累加的信息素将会越少；反之，煤耗越小时，累加的信息素将会越多，则经过一定迭代次数后，蚂蚁们将会最终选出一条煤耗最小的最优路径。算法的目标函数为：

式中，J是指机组组合目标函数，F(P_tD)为发电机组第t时段的出力为P_tD的运行煤耗，为信息素(线索强度)初始值；f_VAR表示方差(variance，VAR)函数；T为机组组合期间的时段数；n为系统机组个数；P_it为机组i在t时段的有功出力；u_it为机组i在t时段的启停状态，u_i,t-1为机组i在t-1时段的启停状态，；S_i为第i台发电机组的启停成本函数；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M为一个足够大的正数，表示负荷波动的惩罚系数。

B.线路建设

在这个阶段，每个机组出力计划目标选择下一个移动的节点，考虑到线索强度和距离。机组出力计划目标将移动到通过较短边缘或较高线索强度连接的状态。重复此过程直到所有机组出力计划完成他们的搜索。指导成本目标移动的状态转换规则如下：位于节点r中的机组出力计划根据以下规则选择节点s用于其下一步骤：

式中，s为式(1)、(3)、(4)通过机组出力计划的蚁群算法所寻找到的最优节点；S是基于式(20)中给出的概率分布选择的随机变量，对应机组组合第n台发电机组的启停成本函数S_i，τ是线索强度水平，τ(r,u)是指节点r到u处的线索强度，η(r,u)是指节点r到u处的残留的线索强度；β>0是一个参数，它决定了线索强度相对于距离的相对重要性，反映了连续阶段之间目标函数值相对于线索强度的减少的相对重要性，其值越大则该最优节点越接近于贪心规则。η＝1/δ，即等于距离δ(r,u)的倒数的启发式值；δ(r,u)为该线路上的权值，也即在求解局部最优线路时为r到u的线路消耗的电量，在优化充电方案时为选择到达节点u需要的充电时间；对于机组出力计划而言δ(r,u)越小，则η越大，u也就越大，选择前往节点u的可能性也就越大；所以该启发函数η(r,u)表示蚂蚁从节点r转移到节点u的期望程度。

状态转换规则给出节点r处的机组出力计划k选择移动到节点s的概率：

式中，P_k(r,s)表示节点r处的机组出力计划k选择移动到节点s的概率；J_k(r)是位于节点r的机组出力计划k要访问的节点集。

(2)约束值适应度评价具体包括：

适应度函数评估是进行蚁群算法优化搜索的依据，适应度函数的设计直接影响到蚁群算法的性能。本专利是基于蚁群算法的电动汽车约束机组组合方法，其最终目的是实现电网机组的最优组合和最小发电成本。因此适应度函数选择为当前出力计划的出力和最小机组的出力差值的倒数，如式(21)所示。即

其中，P_K为当前出力计划k的出力，P_n,min为最小机组的出力。

在所有成本目标完成搜索后，根据定义的目标函数评估所有机组出力计划的适应度。也就是说，根据其所得到的系统可靠性来评估每个机组组合成本放置场景的适合度值。通常，定义适应度函数来评估每个成本目标的表现。然后根据这些适应度值更新每个阶段之间的边缘的线索强度。通过评估每个成本目标的适应度可以对各约束条件的作用权重进行评估，及时调整各约束条件的约束值。通过式(15)中的充电时间的约束来评价每个机组出力计划的适应度水平，通过适应度评估系数C(Ω^(t))评估每个机组出力计划的适应度进而可以对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束使目标函数得最终结果为最佳期望值。

(3)线索强度更新策略

A.线索强度的轨迹强度更新

每条边原有的线索强度会随着时间的推移不断淡化。对于成本目标在此迭代中行进的边缘，可以通过状态转换规则更新它们的线索强度。本地线索强度更新规则和全局线索强度更新规则通常用于更新线索强度路径。由于含电动汽车约束机组组合方法的目标函数，如式(1)所示中的总优化时段为T＝24，在经过24小时之后之前的优化结果将会被不断的更新，就有如机组出力计划的线索强度随着时间的推移而淡化。通过转换规则更新可以加强之前的优化结果，避免最优结果只是某一优化时段内的最优结果，从而可以寻找机组组合全时段的最优结果。同理式(6)、(7)、(8)、(9)、(12)、(13)中的第t时段都可以通过转换规则的更新来寻求优化结果。

B.本地更新规则

在导出解决方案时，成本目标访问边缘函数并根据本地更新规则更改其线索强度级别：

τ(r,s)←(1-ρ)τ(r,s)+ρτ₀ (22)

式中0<ρ<1是启发式定义的系数，τ₀是初始线索强度水平。

令是迭代t处连续阶段x和y之间的边缘(i,j)上的踪迹的线索强度。阶段x的状态i的每个成本目标根据状态转换规则选择下一阶段。

构建解决方案后，成本目标i有其位置列表Ω^(t)和适应度评估C(Ω^(t))，所有路径强度都根据本地更新的公式进行更新：

其中，式中0<ρ<1是启发式定义的系数；是经过时间t得到的路径线索强度；是经过时间t之后路径线索强度的本地更新结果，在每次迭代中具有最高适应度的成本目标将最大量的线索强度沉积到其位置列表的边缘。

C.全局更新规则：

全局更新是在所有成本目标完成访问后到目前为止发现的最佳计划中进行的。使用全局更新规则更新线索强度级别

τ(r,s)←(1-α)τ(r,s)+αΔτ(r,s) (24)

其中0<α<1是线索强度衰减参数，L_gb是全局最佳线路的长度。Δτ(r,s)是指节点r处到节点s处的线索强度水平变化量。

如果机组出力计划k在此导览中具有最佳解决方案，那么其位置列表中这些边缘的线索强度通过全局更新规则进一步修改：

其中，K_pher是与踪迹存款相关的常数，Ω^(t)是位置列表，C(Ω^(t))是适应度评估系数。通过位置列表Ω^(t)设置相应的评估系数，对于不同的位置评估系数是不同的。通过适应度函数式(21)的数值去调整不同出力计划、不同位置的评估系数C(Ω^(t))的大小以此去评估每个机组出力计划的适应度，进而对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束，以使目标函数得最终结果为最佳期望值。

机组出力计划线索强度的更新不仅可以对运行规则进行优化，同时也可以更新信息素强度使规则和优化结果能够得到进一步的优化和保存。在式(2)、(6)、(7)、(8)、(9)、(12)、(13)、(14)中通过机组出力计划的访问结果对于各相关系数的数值大小的调整和前一优化时段优化结果的加强为最终最优结果的获取提供了很好的纠正和辅助的作用。

D.机组出力计划调度

根据线索强度和距离的水平调度成本目标。如果位于状态i的成本目标k选择下一个状态j移动，则这种移动可以表示如下：令k为目标的数量，然后对于每次迭代，这些目标在间隔(t,t+1)期间执行k个运动。访问路径的线索强度可以通过(23)动态调整。在所有成本目标完成他们的访问后，允许成本目标最短路径基于(26)更新其线索强度，对应于发现的最佳配置。

通过机组出力计划完成访问之后得到的结果对规则进行更新可以使规则更能够符合最优化的要求。在式(2)中通过机组出力计划的访问结果完成对于燃料成本系数a_i，b_i，c_i的调整，可以使燃料成本函数的设置更加符合最优化的要求。同时在式(7)、(8)、(9)、(12)、(13)、(14)中，通过在约束范围内按照机组出力计划的访问结果调整各数值的大小，就可以使各数值的取值符合优化要求使结果能够达到最优化。

(4)停止标准

解决机组的优化启停是一个复杂的问题，涉及了多个时段的决策和多个变量。如式(2)、(3)、(4)、(5)所示分别构造了发电机组的燃料成本函数和发电机组的启停成本函数，通过函数的构造可以为阶段转换设置相应的标准。在本发明中将该问题分解成了特定时间段的机组负荷的分配问题，这样能够将多个时段的决策问题进行分解，要求解决的问题就变成了单独时段的最优决策，从而极大的减少算法的计算量。每个机组出力计划在构建解决方案之后更新线索强度踪迹。因此，机组出力计划可以使用不同的机组出力计划来构造解以实现解的多样化，另一方面，在所有机组出力计划构造解之后，通过进一步调整所获得的最佳路径的线索强度水平来进行全局更新。

与不含电动汽车的机组组合有所不同，本发明考虑到大规模电动汽车入网，将传统机组组合和V2G技术进行了联合优化，对电网运行和调度具有重要的意义，提高了电动汽车入网技术和电力系统机组组合的实用性和经济型。

优化过程不会停止，直到迭代次数达到预定值，或者目标函数的值在一定次数的迭代中停止改进。在所有迭代中选择的最佳路径是期望的机组组合成本方案，即，对我们的问题的最佳解决方案。对于终止函数和终止时间的选择可以直接影响到最终方案的优化性。通过式(3)、(4)、(11)的发电机组的启停成本函数和发电机的停机时限，可以综合二者得到目标函数停止迭代的次数和时间，最终可以获得最佳的优化方案。

根据本发明的实施例提出一个单目标优化模型，用蚁群算法将电动汽车充放电约束纳入以解决机组优化启停问题。该方法以机组组合模型为基础，选择成本为目标函数，建立考虑多个约束条件的含电动汽车充放电的机组组合模型。在满足各种约束条件下，利用蚁群算法进行机组启停的优化，得到基于连续蚁群算法的机组最优组合和最小发电成本，并求解出了电力系统机组的出力计划和特定时间的电动汽车的充放电控制计划。

实施例

为验证本发明提供的含电动汽车充电的电力系统机组组合方法的合理性和有效性，该实施例以IEEE5机组测试系统24h的需求调度为例分析，通过运行24小时随机机组组合仿真，基于设定的发电数据和预测电动汽车负载，在5台机组组合的研究中，说明机组组合是如何工作的，并比较了基于不同电动汽车充电模式的结果。

1.发电机组数据如表1所示，为各发电机的最大最小输出功率。a,b,c为燃料成本系数，分别为爬坡上下限，1表示处于运行状态。其中， 的单位为MW。

表1

2.根据对电动汽车充电负荷的预测建模，得到24h电动汽车的充电负荷数据如表2所示。T为时间，D_t的单位为MW。

表2

3.仿真结果

基于连续蚁群算法的最优解计算，进行30次迭代，得到最优解：总发电成本最低为5.1447e+05。并得到各发电机24小时出力结果。如图3所示，图示功率单位为MW。在传统机组组合中考虑电动汽车影响，并且将电动汽车负荷优化到电网非高峰时段进行充电。图3为考虑电动汽车充电前后机组出力对比，以及电动汽车的充放电曲线。由图可以看出，优化后电动汽车放电曲线可以缓解机组出力，同时对电网负荷起到削峰填谷的作用。相反地，未进行优化的火电机组需要启动所有机组发电的成本。因此，考虑电动汽车充放电机组组合的灵活、经济模式，可以降低整体运行成本和机组的发电成本，而有利于电网运行。

求得含电动汽车充放电的机组最优组合，得到的电动汽车在特定时间段的充放电功率安排如表3所示。

表3

得到5个发电机组24个时段的最优机组组合，其中1代表发电机组处于开机状态，0代表机组处于停机状态。各发电机组24小时的启停状况见表4。

表4

从表4中可以看出：机组1、3全天24h都处于出力状态；机组2在2-6时段、11-14时段、18和21时段，机组4在4、9、13时段和16-21时段、机组5在2、14时段和5-9时段、18-24时段均处于出力状态，在其他时段均处于停机状态。即大机组尽量保持运行状态，小机组在处于负荷低谷时大部分处于停机状态，这符合机组经济运行的要求。

由上可知，优化后电动汽车放电曲线可以缓解机组出力，同时对电网负荷起到削峰填谷的作用。相反地，未进行优化的火电机组需要启动所有机组发电的成本。因此，考虑电动汽车充放电机组组合的灵活、经济模式，可以降低整体运行成本和机组的发电成本，而有利于电网运行。

最后应当说明的是，本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (24)

1.一种机组优化启停方法，其特征在于，所述方法包括：

步骤1：建立机组组合的目标函数；

步骤2：给定机组组合目标函数对应的机组组合约束条件；

步骤3：利用蚁群算法结合约束条件求解机组组合的目标函数。

2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，选取发电机组最低运行成本作为优化目标，建立机组组合的目标函数。

3.根据权利要求2所述的方法，其特征在于：

发电机组运行成本包括发电机组的燃料成本和启停成本。

4.根据权利要求3所述的方法，其特征在于，所述机组组合的目标函数如下：

式中，J(P_it,u_it,P_t ⁿ)是指机组组合目标函数；f_VAR表示方差函数；T为机组组合期间的时段数；n为系统机组个数；P_it为第i台发电机组第t时段的有功出力；u_it为机组i在t时段的启停状态，u_i,t-1为机组i在t-1时段的启停状态，1代表处于运行状态，0代表处于停机状态；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；S_i为第i台发电机组的启停成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M为表示负荷波动的惩罚系数。

5.根据权利要求4所述的方法，其特征在于，

式(1)中，F_i(P_it)，S_i，P_t ⁿ具体计算公式如下：

F_i(P_it)＝a_i(P_it)²+b_iP_it+c_i (2)

式中，a_i，b_i，c_i为第i个发电机组的燃料成本系数；Hcost_i为第i个发电机组的热启动成本；Ccost_i第i个发电机组的冷启动成本；T_i ^min为第i个发电机组的最小允许停机时间；为第i个发电机组t时段之前的连续停机时间；为第i个发电机组的停机时间；T_i ^c为第i个发电机组的冷启动时间；P_dt为t时段内换电站吸收的电网功率；为换电站j在t时段充电、放电功率。

6.根据权利要求5所述的方法，其特征在于，所述步骤2中，机组组合目标函数对应的机组组合约束条件包括功率平衡约束、机组出力上限和下限约束、旋转和运行备用容量约束、发电机组启停时间约束、爬坡约束、EV用户充放电需求约束和EV充电时间约束。

7.根据权利要求6所述的方法，其特征在于，

所述功率平衡约束为：

式中，P_it为第i个发电机组在第t时段的有功出力；P_tD为第t时段功率指令；u_it为机组i在t时段的启停状态，1代表处于运行状态，0代表处于停机状态；D_t为第t时段的负荷，L_t为第t时段的系统网损。

8.根据权利要求6或7所述的方法，其特征在于，

其中机组出力上限和下限约束为：

式中，为第i个发电机组在第t时段的最小出力；为第i个发电机组在第t时段的最大出力。

9.根据权利要求8所述的方法，其特征在于，

其中旋转和运行备用容量约束为：

式中，SR_it为第i个发电机组在第t时段的机组旋转备用容量，SR_jt为第j个负荷第t时段的旋转备用容量，SR_Dt为第t时段的旋转备用容量；OR_it第i个发电机组在第t时段的机组运行储备容量，OR_jt为第j个负荷第t时段的运行储备容量，OR_Dt为第t时段的运行储备容量。

10.根据权利要求6或9所述的方法，其特征在于，

其中发电机组启停时间约束为：

如果u_it为1

如果u_it为0

式中，为第i个发电机组t时段连续运行时间；T_i ^on为第i个发电机组允许的最短运行时间；为第i个发电机组t时段连续停机时间；T_i ^off第i个发电机组允许的最短停机时间，u_i,t+1为机组i在t+1时段的启停状态，1代表处于运行状态，0代表处于停机状态。

11.根据权利要求10所述的方法，其特征在于，

其中爬坡约束为：

式中，P_it为第i台发电机组第t时段的有功出力，P_i,t+1为第i台发电机组第t+1时段的有功出力，为第i个发电机组的降出力速度限制；为第i个发电机组的增出力速度限制。

12.根据权利要求6或11所述的方法，其特征在于，

其中EV用户充放电需求约束为：

考虑电池寿命问题，设定一天之内的放电总量为

式中，P_total,min指全机组的最小出力，P_iEV指含电动汽车充电的第i个电力系统机组的出力，P_total,max指全机组的最大出力。

13.根据权利要求12所述的方法，其特征在于，

其中EV充电时间约束为：

t_cn≤t_n≤t_dn-1 (15)

式中，t_cn为第n辆电动汽车并入电网的时刻；t_dn为第n辆电动汽车断开电网的时刻；t_n为给第n辆电动汽车充电的时刻。

上述条件约束只有当电动汽车处于并网状态时，才可对其进行调控。

14.根据权利要求13所述的方法，其特征在于：

在步骤3中，利用蚁群算法进行机组启停的优化，得到基于连续蚁群算法的机组最优组合和最小发电成本，并求解出电力系统机组的出力计划和特定时间的电动汽车的充放电控制计划。

15.根据权利要求14所述的方法，其特征在于，步骤3具体包括：

S31.对所述目标函数进行参数初始化和线路建设；

S32.采用约束值对机组的出力计划进行适应度评价；

S33.对线索强度进行更新；

S34.优化过程直到迭代次数达到预定值，或者目标函数的值在一定次数的迭代中停止改进，从而得到最佳优化方案。

16.如权利要求15所述的方法，其特征在于，

所述蚁群算法的目标函数包括：

式中，J是指机组组合目标函数，F(P_tD)为发电机组第t时段的出力为P_tD的运行煤耗，为线索强度初始值；f_VAR表示方差函数；T为机组组合期间的时段数；n为系统机组个数；P_it为机组i在t时段的有功出力；u_it为机组i在t时段的启停状态，u_i,t-1为机组i在t-1时段的启停状态，；S_i为第i台发电机组的启停成本函数；F_i(P_it)为第i台发电机组第t时段出力为P_it的燃料成本函数；P_t ⁿ为考虑换电站充放电功率的净负荷；M表示负荷波动的惩罚系数。

17.根据权利要求16所述的方法，其特征在于，

所述步骤S31中，参数初始化过程包括：

对式(18)所示的机组组合的目标函数，创建初始机组出力计划位置并赋每条计划线路相同的线索强度水平，指定每个电动汽车的容量，同时在式((6)、(7)、(8)、(9)、(10)、(11)、(12)、(13)、(14)中构造相应的约束条件，作为相应的线索条件的初始值。

18.根据权利要求17所述的方法，其特征在于，

所述步骤S31中，线路建设过程具体包括：

在这个阶段，每个机组出力计划目标选择下一个移动的节点；考虑到线索强度和距离，机组出力计划目标移动到通过较短边缘或较高线索强度连接的状态；重复此过程直到所有机组出力计划完成他们的搜索。

19.根据权利要求18所述的方法，其特征在于，

位于节点r中的机组出力计划根据以下规则选择节点s用于其下一步骤：

式中，s为式(1)、(3)、(4)通过机组出力计划的蚁群算法所寻找到的最优节点；S是基于式(20)中给出的概率分布选择的随机变量，对应机组组合第i台发电机组的启停成本函数S_i，τ是线索强度水平，t(r,u)是指节点r到u处的线索强度，η(r,u)是指节点r到u处的残留的线索强度；β>0是一个参数，它决定了线索强度相对于距离的相对重要性，反映了连续阶段之间目标函数值相对于线索强度的减少的相对重要性，其值越大则该最优节点越接近于贪心规则；

节点r处的机组出力计划k选择移动到节点s的概率为：

式中，p_k(r,s)表示节点r处的机组出力计划k选择移动到节点s的概率；J_k(r)是位于节点r的机组出力计划k要访问的节点集。

20.根据权利要求19所述的方法，其特征在于，

所述式(19)中η＝1/δ，即等于距离δ(r,u)的倒数的启发式值；对于机组出力计划而言δ(r,u)越小，则η越大，u也就越大，选择前往节点u的可能性就越大；该启发函数η(r,u)表示蚂蚁从节点r转移到节点u的期望程度。

21.根据权利要求20所述的方法，其特征在于，

δ(r,u)为该线路上的权值，在求解局部最优线路时为r到u的线路消耗的电量，在优化充电方案时为选择到达节点u需要的充电时间。

22.根据权利要求21所述的方法，其特征在于，

所述步骤S32中，约束值适应度评价具体包括：

适应度函数选择为当前出力计划的出力和最小机组的出力差值的倒数，如式(21)所示，即

其中，P_K为当前出力计划k的出力，P_n,min为最小机组的出力；

通过式(15)中的充电时间的约束来评价每个机组出力计划的适应度水平，通过适应度评估系数C(Ω^(t))评估每个机组出力计划的适应度进而对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束，以使目标函数得最终结果为最佳期望值。

23.根据权利要求22所述的方法，其特征在于，

所述步骤S33包括：

构建解决方案后，成本目标i有其位置列表Ω^(t)和适应度评估系数C(Ω^(t))，所有路径强度都根据本地更新的公式进行更新：

其中，式中0<ρ<1是启发式定义的系数；是经过时间t得到的路径线索强度；是经过时间t之后路径线索强度的本地更新结果，在每次迭代中具有最高适应度的成本目标将最大量的线索强度沉积到其位置列表的边缘；

如果机组出力计划k在此导览中具有最佳解决方案，那么其位置列表中这些边缘的线索强度通过全局更新规则进一步修改：

其中，K_pher是与踪迹存款相关的常数，Ω^(t)是位置列表，C(Ω^(t))是适应度评估系数；通过位置列表Ω^(t)设置相应的评估系数，对于不同的位置评估系数是不同的；通过适应度函数式(21)的数值去调整不同出力计划、不同位置的评估系数C(Ω^(t))的大小以此去评估每个机组出力计划的适应度，进而对各约束条件的作用权重进行评估，及时调整各约束条件的约束值，寻求最优的约束，以使目标函数得最终结果为最佳期望值。

24.根据权利要求23所述的方法，其特征在于，

所述步骤S34包括：

优化过程直到迭代次数达到预定值，或者目标函数的值在一定次数的迭代中停止改进；通过式(3)、(4)、(11)的发电机组的启停成本函数和发电机的停机时限，综合二者得到目标函数停止迭代的次数和时间，最终可以获得最佳的优化方案。