CN110222938B - 一种梯级水电站群短期调峰调度协同优化方法和系统 - Google Patents

一种梯级水电站群短期调峰调度协同优化方法和系统 Download PDF

Info

Publication number
CN110222938B
CN110222938B CN201910387062.5A CN201910387062A CN110222938B CN 110222938 B CN110222938 B CN 110222938B CN 201910387062 A CN201910387062 A CN 201910387062A CN 110222938 B CN110222938 B CN 110222938B
Authority
CN
China
Prior art keywords
population
hydropower station
individual
extreme value
individuals
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
Application number
CN201910387062.5A
Other languages
English (en)
Other versions
CN110222938A (zh
Inventor
冯仲恺
刘帅
牛文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910387062.5A priority Critical patent/CN110222938B/zh
Publication of CN110222938A publication Critical patent/CN110222938A/zh
Application granted granted Critical
Publication of CN110222938B publication Critical patent/CN110222938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种梯级水电站群短期调峰调度协同优化方法和系统，属于水资源高效利用与水电调度领域，方法包括：在随机生成初始种群后，评估各个体适应度值并更新个体极值和全局极值，利用高斯邻域搜索提升种群全局勘探能力，利用精英引导策略丰富进化方向，利用随机变异策略提升个体多样性，重复上述过程直至满足搜索停止条件，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。相对于传统水电调度方法，本发明具有收敛速度快、编程实现难度低、全局搜索能力强等优点，能够快速获得合理可行的调度方案，为梯级水电站群短期调峰调度提供了行之有效的方法。

Description

一种梯级水电站群短期调峰调度协同优化方法和系统
技术领域
本发明属于水资源高效利用与水电调度领域，更具体地，涉及一种梯级水电站群短期调峰调度协同优化方法和系统。
背景技术
梯级水电站群短期调峰调度是电力市场机制下梯级电站经济运行的重要研究问题，其目的是通过合理安排各水电站运行方式来尽可能减少电网余留负荷，目标函数如下：
Figure BDA0002055125820000011
其中，F为目标函数取值；Lt为第t个时段的电网负荷；Pn，t为第n个水电站第t个时段的出力。
在调度过程中，通常需要满足如下约束条件：
(1)水量平衡约束：
Figure BDA0002055125820000012
其中，Vn，t为第n个水电站第t个时段的水库库容；Δt为第t个时段的总秒数；In，t、qn，t、Sn，t分别为第n个水电站第t个时段的入库流量、发电流量、弃水流量。
(2)水库水位约束：
Figure BDA0002055125820000013
其中，
Figure BDA0002055125820000014
分别为第n个水电站第t个时段水位上、下限；Zn，t为第n个水电站在第t个时段的水位。
(3)发电流量约束：
Figure BDA0002055125820000015
其中，
Figure BDA0002055125820000016
为分别为第n个水电站第t个时段发电流量上、下限，qn，t为第n个水电站第t个时段的发电流量。
(4)水电站始末水位约束：
Figure BDA0002055125820000021
其中，
Figure BDA0002055125820000022
分别为第n个水电站设定的初始水位、末水位。
(5)水电站出力约束：
Figure BDA0002055125820000023
其中，
Figure BDA0002055125820000024
分别为第n个水电站第t个时段的出力上、下限，Pn，t为第n个水电站第t个时段的出力。
在实际工程中，梯级水电站群需要同时考虑复杂约束集合，任何时段状态变量的微小调整都有可能导致大幅改变调度结果，再加之十分庞大的系统规模与日趋精细的调度需求，极大增加了建模求解难度。传统的动态规划、非线性规划等方法受制于维数灾、计算开销大等局限，乏力应对梯级水电站群调峰调度问题，亟待研发切实满足工程需求、合理可行的新型调度方法，这也是国内外的工程热点与学术前沿问题。
作为一种新型的群体智能算法，正余弦算法(SCA)可以利用正弦和余弦函数更新个体位置，从而逐步遍历搜索空间以逼近全局最优解。标准SCA算法具有控制参数少、寻优能力良好等优点，并在网络优化、风速预测等工程问题崭露头角，但时至今日仍然鲜有文献将SCA用于水电调度问题。在实践中发现，标准SCA算法具有易陷入局部最优、收敛速度慢等问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种梯级水电站群短期调峰调度协同优化方法和系统，由此解决标准SCA算法求解梯级水电站群短期调度问题时存在的早熟收敛、性能低下的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种梯级水电站群短期调峰调度协同优化方法，依次包括如下步骤：
(1)将梯级水电站群中每个水电站的出库流量作为个体，随机生成包含多个个体的初始种群；
(2)在迭代次数k＝1时，将初始种群作为当前种群，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值；
(3)对种群全局极值进行邻域搜索得到临时种群全局极值，若临时种群全局极值的适应度值小于种群全局极值的适应度值，则利用临时种群全局极值替换种群全局极值，否则不进行替换；
(4)对于当前种群中的所有个体，将种群全局极值乘以设定比例后叠加形成精英个体，利用精英个体进化得到进化个体；
(5)对所有进化个体进行变异处理得到变异个体，若满足代替条件，则利用变异个体代替进化个体，否则不进行代替操作，得到下一次迭代的种群及其全局极值；其中，代替条件为变异个体的适应度值小于进化个体的适应度值，或者变异个体的适应度值小于初始种群的平均适应度值并且满足变异的概率；
(6)若下一次迭代次数小于最大迭代次数，将下一次迭代的种群作为当前种群，返回步骤(2)；否则，停止计算，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。
进一步地，步骤(2)包括如下步骤：
(21)在迭代次数k＝1时，将初始种群作为当前种群；
(22)利用约束条件得到每个水电站的约束违反量；
(23)利用每个水电站的出库流量计算每个水电站的出力，利用每个水电站的出力和每个水电站的约束违反量得到当前种群中所有个体的适应度值，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值。
进一步地，步骤(22)包括如下步骤：
(221)令内部循环计数器w＝1；
(222)利用水量平衡约束计算得到每个水电站在调度期内的库容：
Figure BDA0002055125820000041
其中，Vn，t为第n个水电站在第t个时段的库容；
Figure BDA0002055125820000042
为第n个电站在第t个时段的库容上、下限；In，t-1为第n个电站在第t-1个时段的入库流量；NUn为第n个电站的直接上游电站；Δt-1为第t-1个时段的秒数；On，t-1为第n个水电站在第t-1个时段的出库流量，Oj，t-1为第j个水电站在第t-1个时段的出库流量；
(223)令w＝w+1，t∈{1，2，...，T}，T为计算时段数目，计算每个水电站的计算末库容Vn，T和设定末库容
Figure BDA0002055125820000043
的差值
Figure BDA0002055125820000044
若ΔV＜μ或
Figure BDA0002055125820000045
转至步骤(224)；否则，由
Figure BDA0002055125820000046
重新计算各水电站的出库流量后返回步骤(222)，其中，μ为计算精度，
Figure BDA0002055125820000047
为最大内部循环次数，On，t为第n个水电站在第t个时段的出库流量，
Figure BDA0002055125820000048
Figure BDA0002055125820000049
为第n个电站在第t个时段的出库流量上、下限，Δt为第t个时段的秒数；
(224)在每个水电站在调度期内的库容满足步骤(223)的要求后，利用以水定电方式计算得到所有水电站的调度过程，将每个水电站的调度过程与约束条件进行比较记录每个水电站的约束违反量
Figure BDA00020551258200000410
其中λa为第a个约束的惩罚系数；Aa为第a个约束的违反量；J为约束的数目，a∈{1，2，...，J}。
进一步地，步骤(23)包括：
由
Figure BDA0002055125820000051
计算当前种群中所有个体的适应度值，其中，
Figure BDA0002055125820000052
为
Figure BDA0002055125820000053
的适应度值；
Figure BDA0002055125820000054
为第k次迭代种群中第i个个体，Lt为第t个时段的电网负荷；Pn，t为第n个水电站在第t个时段的出力；n∈{1，2，...，N}，N为水电站数目；
由
Figure BDA0002055125820000055
更新当前种群中个体极值
Figure BDA0002055125820000056
和全局极值，其中，
Figure BDA0002055125820000057
为
Figure BDA0002055125820000058
的个体极值；gBestk为第k次迭代时种群全局极值；
Figure BDA0002055125820000059
为第k-1代种群中第i个个体的个体极值的适应度值；
Figure BDA00020551258200000510
为
Figure BDA00020551258200000511
的适应度值；m为个体数目。
进一步地，步骤(3)的具体实现方式为：
Bk＝gBestk×(1+Gauss(0，1))
根据
Figure BDA00020551258200000512
进行邻域搜索和替换，其中，Bk为第k次迭代时临时种群全局极值，Gauss(0，1)为服从标准正态分布的随机数；f(gBestk)为gBestk的适应度值，gBestk为第k次迭代时种群全局极值，f(Bk)为Bk的适应度值。
进一步地，步骤(4)的具体实现方式为：
根据如下公式形成精英个体并进行进化：
Figure BDA00020551258200000513
其中，
Figure BDA00020551258200000514
为第k次迭代时第i个精英个体，r2为[0，2π]均匀分布的随机数，r3为[0，2]均匀分布的随机数，r4为[0，1]均匀分布的随机数，
Figure BDA0002055125820000061
为第k+1次迭代种群中第i个个体，
Figure BDA0002055125820000062
为第k次迭代种群中第i个个体，gBestk为第k次迭代时种群全局极值。
进一步地，步骤(5)的具体实现方式为：
根据如下公式进行变异：
Figure BDA0002055125820000063
Figure BDA0002055125820000064
其中，
Figure BDA0002055125820000065
为第k次迭代时第i个变异个体；f(gBestk)为gBestk的适应度值；
Figure BDA0002055125820000066
为第k次迭代时从当前种群中随机选择的第δ个个体，δ∈{1，2，...，m}且有i≠p；φ为变异概率；r5、r6为[0，1]均匀分布的随机数，gBestk为第k次迭代时种群全局极值，
Figure BDA0002055125820000067
为
Figure BDA0002055125820000068
的适应度值；
Figure BDA0002055125820000069
为第k次迭代种群中第i个个体，m为个体数目。
按照本发明的另一方面，提供了一种梯级水电站群短期调峰调度协同优化系统，包括：
初始化模块，用于将梯级水电站群中每个水电站的出库流量作为个体，随机生成包含多个个体的初始种群；
更新模块，用于在迭代次数k＝1时，将初始种群作为当前种群，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值；
邻域搜索模块，用于对种群全局极值进行邻域搜索得到临时种群全局极值，若临时种群全局极值的适应度值小于种群全局极值的适应度值，则利用临时种群全局极值替换种群全局极值，否则不进行替换；
进化模块，用于对于当前种群中的所有个体，将种群全局极值乘以设定比例后叠加形成精英个体，利用精英个体进化得到进化个体；
变异模块，用于对所有进化个体进行变异处理得到变异个体，若满足代替条件，则利用变异个体代替进化个体，否则不进行代替操作，得到下一次迭代的种群及其全局极值；其中，代替条件为变异个体的适应度值小于进化个体的适应度值，或者变异个体的适应度值小于初始种群的平均适应度值并且满足变异的概率；
判断模块，用于若下一次迭代次数小于最大迭代次数，将下一次迭代的种群作为当前种群，执行更新模块；否则，停止计算，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明在随机生成初始种群后，评估各个体适应度值并更新个体极值和全局极值，依次使用高斯邻域搜索、精英引导策略、随机变异策略，重复上述过程直至满足搜索停止条件，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。相对于传统水电调度方法，本发明具有收敛速度快、编程实现难度低、全局搜索能力强等优点，能够快速获得合理可行的调度方案，为梯级水电站群短期调峰调度提供了行之有效的方法。
(2)本发明中高斯邻域搜索策略可提升种群全局最优个体的搜索性能、有利于种群跳出局部最优；随机变异策略可增加种群多样性、丰富进化方向；精英引导策略可动态更新个体位置，切实提升算法收敛速度和种群探索能力；约束处理策略可提升个体可行性，增加种群的全局搜索能力与信息交互能力。综上，本发明实现了一种梯级水电站群短期调峰调度协同优化方法，有效解决了标准SCA算法存在收敛速度慢、早熟收敛等不足，在求解复杂梯级水电优化调度问题时具有良好的稳定性和适应性，显著降低了电网调峰压力。
附图说明
图1是本发明实施例提供的一种梯级水电站群短期调峰调度协同优化方法的流程示意图；
图2(a)是本发明实施例1提供的春季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图；
图2(b)是本发明实施例1提供的夏季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图；
图2(c)是本发明实施例1提供的秋季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图；
图2(d)是本发明实施例1提供的冬季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图；
图3(a)是本发明实施例1提供的春季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；
图3(b)是本发明实施例1提供的夏季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；
图3(c)是本发明实施例1提供的秋季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；
图3(d)是本发明实施例1提供的冬季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种梯级水电站群短期调峰调度协同优化方法，依次包括如下步骤：
(1)将梯级水电站群中每个水电站的出库流量作为个体，此时，第
Figure BDA0002055125820000091
次迭代时种群中第i个个体
Figure BDA0002055125820000092
表示为：
Figure BDA0002055125820000093
其中，On，t为第n个水电站在第t个时段的出库流量，n∈{1，2，...，N}，t∈{1，2，...，T}；N为水电站数目；T为计算时段数目；
Figure BDA0002055125820000094
为最大迭代次数。
随机生成包含多个个体的初始种群；此时，
Figure BDA0002055125820000095
中第n个水电站在第t个时段的出库流量
Figure BDA0002055125820000096
其中，
Figure BDA0002055125820000097
为第n个水电站在第t个时段出库流量上、下限；Random为[0，1]区间内分布的随机数。
(2)在迭代次数k＝1时，将初始种群作为当前种群，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值；
(3)对种群全局极值进行邻域搜索得到临时种群全局极值，若临时种群全局极值的适应度值小于种群全局极值的适应度值，则利用临时种群全局极值替换种群全局极值，否则不进行替换；
(4)对于当前种群中的所有个体，将种群全局极值乘以设定比例后叠加形成精英个体，利用精英个体进化得到进化个体；
(5)对所有进化个体进行变异处理得到变异个体，若满足代替条件，则利用变异个体代替进化个体，否则不进行代替操作，得到下一次迭代的种群及其全局极值；其中，代替条件为变异个体的适应度值小于进化个体的适应度值，或者变异个体的适应度值小于初始种群的平均适应度值并且满足变异的概率；
(6)若下一次迭代次数小于最大迭代次数，将下一次迭代的种群作为当前种群，返回步骤(2)；否则，停止计算，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。
进一步地，步骤(2)包括如下步骤：
(21)在迭代次数k＝1时，将初始种群作为当前种群；
(22)利用约束条件得到每个水电站的约束违反量；
(23)利用每个水电站的出库流量计算每个水电站的出力，利用每个水电站的出力和每个水电站的约束违反量得到当前种群中所有个体的适应度值，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值。
进一步地，步骤(22)包括：
(221)令内部循环计数器w＝1；
(222)利用水量平衡约束计算得到每个水电站在调度期内的库容：
Figure BDA0002055125820000101
其中，Vn，t为第n个水电站在第t个时段的库容；
Figure BDA0002055125820000102
为第n个电站在第t个时段的库容上、下限；In，t-1为第n个电站在第t-1个时段的入库流量；NUn为第n个电站的直接上游电站；Δt-1为第t一1个时段的秒数；On，t-1为第n个水电站在第t-1个时段的出库流量，Oj，t-1为第j个水电站在第t-1个时段的出库流量；
(223)令w＝w+1，t∈{1，2，...，T}，T为计算时段数目，计算每个水电站的计算末库容Vn，T和设定末库容
Figure BDA0002055125820000103
的差值
Figure BDA0002055125820000104
若ΔV＜μ或
Figure BDA0002055125820000105
转至步骤(224)；否则，由
Figure BDA0002055125820000106
重新计算各水电站的出库流量后返回步骤(222)，其中，μ为计算精度，
Figure BDA0002055125820000107
为最大内部循环次数，On，t为第n个水电站在第t个时段的出库流量，
Figure BDA0002055125820000108
Figure BDA0002055125820000111
为第n个电站在第t个时段的出库流量上、下限，Δt为第t个时段的秒数；
(224)在每个水电站在调度期内的库容满足步骤(223)的要求后，利用以水定电方式计算得到所有水电站的调度过程，将每个水电站的调度过程与约束条件进行比较记录每个水电站的约束违反量
Figure BDA0002055125820000112
其中λa为第a个约束的惩罚系数；Aa为第a个约束的违反量；J为约束的数目，a∈{1，2，...，J}。
进一步地，步骤(23)包括：
由
Figure BDA0002055125820000113
计算当前种群中所有个体的适应度值，其中，
Figure BDA0002055125820000114
为
Figure BDA0002055125820000115
的适应度值；
Figure BDA0002055125820000116
为第k次迭代种群中第i个个体，Lt为第t个时段的电网负荷；Pn，t为第n个水电站在第t个时段的出力；n∈{1，2，...，N}，N为水电站数目；
由
Figure BDA0002055125820000117
更新当前种群中个体极值
Figure BDA0002055125820000118
和全局极值，其中，
Figure BDA0002055125820000119
为
Figure BDA00020551258200001110
的个体极值；gBestk为第k次迭代时种群全局极值；
Figure BDA00020551258200001111
为第k-1代种群中第i个个体的个体极值的适应度值；
Figure BDA00020551258200001112
为
Figure BDA00020551258200001113
的适应度值；m为个体数目。
进一步地，步骤(3)的具体实现方式为：
Figure BDA00020551258200001114
根据
Figure BDA00020551258200001115
进行邻域搜索和替换，其中，Bk为第k次迭代时临时种群全局极值，Gauss(0，1)为服从标准正态分布的随机数；f(gBestk)为gBestk的适应度值，gBestk为第k次迭代时种群全局极值，f(Bk)为Bk的适应度值。
进一步地，步骤(4)的具体实现方式为：
根据如下公式形成精英个体并进行进化：
Figure BDA0002055125820000121
其中，Mi k为第k次迭代时第i个精英个体，r2为[0，2π]均匀分布的随机数，r3为[0，2]均匀分布的随机数，r4为[0，1]均匀分布的随机数，
Figure BDA0002055125820000122
为第k+1次迭代种群中第i个个体，
Figure BDA0002055125820000123
为第k次迭代种群中第i个个体，gBestk为第k次迭代时种群全局极值。
进一步地，步骤(5)的具体实现方式为：
根据如下公式进行变异：
Figure BDA0002055125820000127
Figure BDA0002055125820000124
其中，
Figure BDA0002055125820000125
为第k次迭代时第i个变异个体；f(gBestk)为gBestk的适应度值；
Figure BDA0002055125820000126
为第k次迭代时从当前种群中随机选择的第δ个个体，δ∈{1，2，...，m}且有i≠p；φ为变异概率；r5、r6为[0，1]均匀分布的随机数。
实施例1
现以乌江流域梯级水电站群短期优化调度为例来验证本发明方法的可行性和有效性。本发明实施例1中个体数目为150，最大迭代次数为500，变异概率为0.01，计算时段设置为1天，约束破坏惩罚系数设置为104。
表1
方法 项目 峰值(MW) 谷值(MW) 峰谷差(MW) 均值(MW) 方差
原始结果 13477.93 10101.60 3376.33 11910.93 1281.95
GA 优化结果 11259.51 8020.04 3239.47 9662.40 890.25
减少量 2218.42 2081.56 136.86 2248.53 391.70
提升(％) 16.46 20.61 4.05 18.88 30.56
DE 优化结果 10586.69 8512.56 2074.13 9649.85 585.83
减少量 2891.24 1589.04 1302.20 2261.08 696.12
提升(％) 21.45 15.73 38.57 18.98 54.30
PSO 优化结果 10149.54 9185.88 963.66 9637.28 255.12
减少量 3328.39 915.72 2412.67 2273.65 1026.83
提升(％) 24.70 9.07 71.46 19.09 80.10
SCA 优化结果 11106.73 8214.05 2892.68 9668.49 769.43
减少量 2371.20 1887.55 483.65 2242.44 512.52
提升(％) 17.59 18.69 14.32 18.83 39.98
本发明方法 优化结果 9958.69 9255.71 702.98 9637.55 166.16
减少量 3519.24 845.89 2673.35 2273.38 1115.79
提升(％) 26.11 8.37 79.18 19.09 87.04
表1给出了遗传算法(GA)、差分进化算法(DE)、粒子群算法(PSO)、正余弦算法(SCA)和本发明方法运行20次得到的最优结果。由表1可知，本发明均可获得比其他四种算法更好的调度结果。例如，与GA、DE、PSO、SCA相比，本发明可将峰值负荷分别减少1300.82MW，628MW，190.85MW和1148.04MW，调峰效果显著，充分说明了本发明了有效性。
表2
Figure BDA0002055125820000131
表2为本发明在夏季、秋季和冬季典型负荷需求下得到的调度结果。
从表2可知，本发明在夏季、秋季和冬季典型负荷需求下仍然可以获得满意的调度结果。例如，本发明可将原始负荷峰值分别降低26.79％，21.68％和25.71％。由此可知，本发明具有良好的适应性与鲁棒性，能够在梯级水电站群短期调峰调度中得到理想的调度过程。
图2(a)是本发明实施例1提供的春季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图，图2(b)是本发明实施例1提供的夏季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图，图2(c)是本发明实施例1提供的秋季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图，图2(d)是本发明实施例1提供的冬季负荷需求下不同方法求解乌江梯级水电站群短期调峰调度问题的结果对比图。可以看出，本发明所得调度过程的目标函数变幅明显小于GA、DE、PSO和SCA，充分说明本发明方法具有良好的搜索能力与鲁棒性。
图3(a)是本发明实施例1提供的春季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；图3(b)是本发明实施例1提供的夏季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；图3(c)是本发明实施例1提供的秋季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图；图3(d)是本发明实施例1提供的冬季负荷需求下本发明方法求解乌江梯级水电站群短期调峰调度结果图。可以看出，本发明方法能够在高峰时段增大水电出力、低谷时段降低出力，从而协助电网获得满意的调峰效果。由此可知，本发明方法实用性强，可以有效解决梯级水电站群短期调峰调度问题。
综上所述，本发明具有鲁棒性强、收敛速度快、搜索能力强等优点，可以快速获得合理可行的调度结果，为梯级水电站群短期调峰调度问题的高效求解提供了新方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种梯级水电站群短期调峰调度协同优化方法，其特征在于，依次包括如下步骤：
(1)将梯级水电站群中每个水电站的出库流量作为个体，随机生成包含多个个体的初始种群；
(2)在迭代次数k＝1时，将初始种群作为当前种群，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值；
(3)对种群全局极值进行邻域搜索得到临时种群全局极值，若临时种群全局极值的适应度值小于种群全局极值的适应度值，则利用临时种群全局极值替换种群全局极值，否则不进行替换；
(4)对于当前种群中的所有个体，将种群全局极值乘以设定比例后叠加形成精英个体，利用精英个体进化得到进化个体；
(5)对所有进化个体进行变异处理得到变异个体，若满足代替条件，则利用变异个体代替进化个体，否则不进行代替操作，得到下一次迭代的种群及其全局极值；其中，代替条件为变异个体的适应度值小于进化个体的适应度值，或者变异个体的适应度值小于初始种群的平均适应度值并且满足变异的概率；
(6)若下一次迭代次数小于最大迭代次数，将下一次迭代的种群作为当前种群，返回步骤(2)；否则，停止计算，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程；
所述步骤(3)的具体实现方式为：
根据
Figure FDA0002873386710000011
进行邻域搜索和替换，其中，Bk为第k次迭代时临时种群全局极值，Gauss(0,1)为服从标准正态分布的随机数；f(gBestk)为gBestk的适应度值，gBestk为第k次迭代时种群全局极值，f(Bk)为Bk的适应度值。
2.如权利要求1所述的一种梯级水电站群短期调峰调度协同优化方法，其特征在于，所述步骤(2)包括如下步骤：
(21)在迭代次数k＝1时，将初始种群作为当前种群；
(22)利用约束条件得到每个水电站的约束违反量；
(23)利用每个水电站的出库流量计算每个水电站的出力，利用每个水电站的出力和每个水电站的约束违反量得到当前种群中所有个体的适应度值，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值。
3.如权利要求2所述的一种梯级水电站群短期调峰调度协同优化方法，其特征在于，所述步骤(22)包括如下步骤：
(221)令内部循环计数器w＝1；
(222)利用水量平衡约束计算得到每个水电站在调度期内的库容：
Figure FDA0002873386710000021
其中，Vn,t为第n个水电站在第t个时段的库容；
Figure FDA0002873386710000022
为第n个电站在第t个时段的库容上、下限；In,t-1为第n个电站在第t-1个时段的入库流量；NUn为第n个电站的直接上游电站；Δt-1为第t-1个时段的秒数；On,t-1为第n个水电站在第t-1个时段的出库流量，Oj,t-1为第j个水电站在第t-1个时段的出库流量；
(223)令w＝w+1，t∈{1,2,...,T}，T为计算时段数目，计算每个水电站的计算末库容Vn,T和设定末库容Vn end的差值ΔV＝Vn,T-Vn end，若ΔV＜μ或
Figure FDA0002873386710000031
转至步骤(224)；否则，由
Figure FDA0002873386710000032
重新计算各水电站的出库流量后返回步骤(222)，其中，μ为计算精度，
Figure FDA0002873386710000033
为最大内部循环次数，On,t为第n个水电站在第t个时段的出库流量，
Figure FDA0002873386710000034
Figure FDA0002873386710000035
为第n个电站在第t个时段的出库流量上、下限，Δt为第t个时段的秒数；
(224)在每个水电站在调度期内的库容满足步骤(223)的要求后，利用以水定电方式计算得到所有水电站的调度过程，将每个水电站的调度过程与约束条件进行比较记录每个水电站的约束违反量
Figure FDA0002873386710000036
其中λa为第a个约束的惩罚系数；Aa为第a个约束的违反量；J为约束的数目，a∈{1,2,...,J}。
4.如权利要求3所述的一种梯级水电站群短期调峰调度协同优化方法，其特征在于，所述步骤(23)包括：
由
Figure FDA0002873386710000037
计算当前种群中所有个体的适应度值，其中，
Figure FDA0002873386710000038
为
Figure FDA0002873386710000039
的适应度值；
Figure FDA00028733867100000310
为第k次迭代种群中第i个个体，Lt为第t个时段的电网负荷；Pn,t为第n个水电站在第t个时段的出力；n∈{1,2,...,N}，N为水电站数目；
由
Figure FDA00028733867100000311
更新当前种群中个体极值和全局极值，其中，
Figure FDA00028733867100000312
为
Figure FDA00028733867100000313
的个体极值；gBestk为第k次迭代时种群全局极值；
Figure FDA00028733867100000314
为第k-1代种群中第i个个体的个体极值的适应度值；
Figure FDA0002873386710000041
为
Figure FDA0002873386710000042
的适应度值；m为个体数目。
5.如权利要求1-4任一所述的一种梯级水电站群短期调峰调度协同优化方法，其特征在于，所述步骤(4)的具体实现方式为：
根据如下公式形成精英个体并进行进化：
Figure FDA0002873386710000043
其中，Mi k为第k次迭代时第i个精英个体，r2为[0,2π]均匀分布的随机数，r3为[0,2]均匀分布的随机数，r4为[0,1]均匀分布的随机数，
Figure FDA0002873386710000044
为第k+1次迭代种群中第i个个体，
Figure FDA0002873386710000045
为第k次迭代种群中第i个个体，gBestk为第k次迭代时种群全局极值。
6.如权利要求1-4任一所述的一种梯级水电站群短期调峰调度协同优化方法，其特征在于，所述步骤(5)的具体实现方式为：
根据如下公式进行变异：
Figure FDA0002873386710000046
Figure FDA0002873386710000047
其中，
Figure FDA0002873386710000048
为第k次迭代时第i个变异个体；f(gBestk)为gBestk的适应度值；
Figure FDA0002873386710000049
为第k次迭代时从当前种群中随机选择的第δ个个体，δ∈{1,2,...,m}且有i≠p；φ为变异概率；r5、r6为[0,1]均匀分布的随机数，gBestk为第k次迭代时种群全局极值，
Figure FDA00028733867100000410
为
Figure FDA00028733867100000411
的适应度值；
Figure FDA00028733867100000412
为第k次迭代种群中第i个个体，m为个体数目。
7.一种梯级水电站群短期调峰调度协同优化系统，其特征在于，包括：
初始化模块，用于将梯级水电站群中每个水电站的出库流量作为个体，随机生成包含多个个体的初始种群；
更新模块，用于在迭代次数k＝1时，将初始种群作为当前种群，利用当前种群中所有个体的适应度值更新个体极值和种群全局极值；
邻域搜索模块，用于对种群全局极值进行邻域搜索得到临时种群全局极值，若临时种群全局极值的适应度值小于种群全局极值的适应度值，则利用临时种群全局极值替换种群全局极值，否则不进行替换；具体地：根据
Figure FDA0002873386710000051
进行邻域搜索和替换，其中，Bk为第k次迭代时临时种群全局极值，Gauss(0,1)为服从标准正态分布的随机数；f(gBestk)为gBestk的适应度值，gBestk为第k次迭代时种群全局极值，f(Bk)为Bk的适应度值；
进化模块，用于对于当前种群中的所有个体，将种群全局极值乘以设定比例后叠加形成精英个体，利用精英个体进化得到进化个体；
变异模块，用于对所有进化个体进行变异处理得到变异个体，若满足代替条件，则利用变异个体代替进化个体，否则不进行代替操作，得到下一次迭代的种群及其全局极值；其中，代替条件为变异个体的适应度值小于进化个体的适应度值，或者变异个体的适应度值小于初始种群的平均适应度值并且满足变异的概率；
判断模块，用于若下一次迭代次数小于最大迭代次数，将下一次迭代的种群作为当前种群，执行更新模块；否则，停止计算，将最大迭代次数时得到的种群全局极值作为梯级水电站群的最优调度过程。
CN201910387062.5A 2019-05-10 2019-05-10 一种梯级水电站群短期调峰调度协同优化方法和系统 Active CN110222938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910387062.5A CN110222938B (zh) 2019-05-10 2019-05-10 一种梯级水电站群短期调峰调度协同优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910387062.5A CN110222938B (zh) 2019-05-10 2019-05-10 一种梯级水电站群短期调峰调度协同优化方法和系统

Publications (2)

Publication Number Publication Date
CN110222938A CN110222938A (zh) 2019-09-10
CN110222938B true CN110222938B (zh) 2021-03-26

Family

ID=67820614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910387062.5A Active CN110222938B (zh) 2019-05-10 2019-05-10 一种梯级水电站群短期调峰调度协同优化方法和系统

Country Status (1)

Country Link
CN (1) CN110222938B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751365B (zh) * 2019-09-11 2022-03-25 华中科技大学 一种梯级水库群多目标均衡调度方法与系统
CN111461916B (zh) * 2020-01-17 2023-04-28 华中科技大学 一种水库群适应性调度方法与系统
CN111476407B (zh) * 2020-03-25 2021-06-15 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111474850B (zh) * 2020-05-25 2023-04-25 南昌航空大学 基于改进正弦余弦算法优化pid液压调平系统控制方法
CN111833204A (zh) * 2020-06-22 2020-10-27 华中科技大学 面向河道生态环境安全的梯级水库群高效调控方法和系统
CN111915162B (zh) * 2020-07-15 2022-05-31 华中科技大学 一种梯级水库群联合调度智匹配分层耦合方法与系统
CN111915164B (zh) * 2020-07-15 2022-05-31 华中科技大学 一种梯级水库群全生态要素精细调度控制方法与系统
CN112434876B (zh) * 2020-12-03 2023-10-20 华中科技大学 一种水电站调峰调度方法
CN112488564B (zh) * 2020-12-11 2023-11-14 华中科技大学 基于随机分形-逐次逼近算法的梯级电站调度方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971174A (zh) * 2014-05-06 2014-08-06 大连理工大学 基于改进量子粒子群算法的水电站群优化调度方法
CN105956714A (zh) * 2016-05-21 2016-09-21 华能澜沧江水电股份有限公司 一种梯级水库群优化调度新型群体搜索方法
CN106203689A (zh) * 2016-07-04 2016-12-07 大连理工大学 一种梯级水电站群联合运行多目标优化调度方法
US9639643B2 (en) * 2014-06-06 2017-05-02 General Electric Company Method and system for generating electric load models
CN108537370A (zh) * 2018-03-23 2018-09-14 华中科技大学 基于混合智能降维算法的特大流域水电站群优化调度方法
CN108710970A (zh) * 2018-05-07 2018-10-26 华中科技大学 一种巨型梯级水电系统的多目标调度并行降维方法
CN109636043A (zh) * 2018-12-16 2019-04-16 华中科技大学 一种梯级水电系统发电调度自适应优化方法与系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006092058A (ja) * 2004-09-22 2006-04-06 Fuji Electric Systems Co Ltd 流量予測装置
CN103942612A (zh) * 2014-04-08 2014-07-23 河海大学 基于自适应粒子群优化算法的梯级水库优化调度方法
CN107015861A (zh) * 2016-11-07 2017-08-04 珠江水利委员会珠江水利科学研究院 一种基于Fork/Join框架的梯级水库群优化调度多核并行计算设计方法
CN109523059B (zh) * 2018-10-19 2020-08-18 华中科技大学 一种梯级水电站水库生态调度智能优化方法及系统
CN109583638A (zh) * 2018-11-16 2019-04-05 新疆大学 一种基于混合布谷鸟优化算法的多级水库优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971174A (zh) * 2014-05-06 2014-08-06 大连理工大学 基于改进量子粒子群算法的水电站群优化调度方法
US9639643B2 (en) * 2014-06-06 2017-05-02 General Electric Company Method and system for generating electric load models
CN105956714A (zh) * 2016-05-21 2016-09-21 华能澜沧江水电股份有限公司 一种梯级水库群优化调度新型群体搜索方法
CN106203689A (zh) * 2016-07-04 2016-12-07 大连理工大学 一种梯级水电站群联合运行多目标优化调度方法
CN108537370A (zh) * 2018-03-23 2018-09-14 华中科技大学 基于混合智能降维算法的特大流域水电站群优化调度方法
CN108710970A (zh) * 2018-05-07 2018-10-26 华中科技大学 一种巨型梯级水电系统的多目标调度并行降维方法
CN109636043A (zh) * 2018-12-16 2019-04-16 华中科技大学 一种梯级水电系统发电调度自适应优化方法与系统

Also Published As

Publication number Publication date
CN110222938A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110222938B (zh) 一种梯级水电站群短期调峰调度协同优化方法和系统
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109347151B (zh) 一种新能源参与调峰的送端电网电源结构优化方法
Liao et al. An adaptive artificial bee colony algorithm for long-term economic dispatch in cascaded hydropower systems
CN109523059B (zh) 一种梯级水电站水库生态调度智能优化方法及系统
Li et al. Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm
Chen Two-level hierarchical approach to unit commitment using expert system and elite PSO
CN111555355B (zh) 水光蓄联合发电的调度策略及其优化方法
CN110929964B (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN104636821A (zh) 基于动态惯性权重粒子群的火电机组负荷优化分配方法
CN104009494A (zh) 一种环境经济发电调度方法
CN110163420B (zh) 一种基于分解文化进化算法的多目标生态调度方法和系统
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN112668791A (zh) 热电联供系统的优化方法
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN115587645A (zh) 一种考虑充电行为随机性的电动汽车充电管理方法及系统
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN113715669B (zh) 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN114418198A (zh) 一种弃新能源惩罚成本的分段函数式计算方法
CN117691586A (zh) 基于行为克隆的新能源基地微电网优化运行方法及系统
CN109635999B (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN109359671B (zh) 一种水电站水库调度规则的分类智能提取方法
CN111799793A (zh) 一种源网荷协同的输电网规划方法与系统

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