CN111626512A - 一种考虑电网断面约束的梯级水电日前调度方法 - Google Patents

Abstract

本发明属于梯级水库群发电优化调度领域，具体为一种考虑电网断面约束的梯级水电日前调度方法，通过在模型中引入潮流计算，研究梯级水电接入对电网的影响，为了避免多次计算系统潮流对模型求解效率的影响，提出了水电转移分布系数来表征电网特定输电断面有功功率与梯级水电站有功功率之间的关系，从而将电网断面约束转化为梯级水电站有功出力约束，最后采用改进的粒子群算法对模型进行求解，输出梯级电站水位、出力、梯级发电量，本发明能够在保证水电站发电效益的同时，提高电网安全性。

Description

一种考虑电网断面约束的梯级水电日前调度方法

技术领域

本发明属于梯级水库群发电优化调度领域，具体为一种考虑电网断面约束的梯级水电日前调度方法。

背景技术

受水资源分布条件的限制，大规模集中式开发是目前梯级水电开发采取的主要形式。由大量水电站构成的流域梯级电站经过不同电压等级的外送通道上送至不同电网，再输送至负荷中心进行消纳。随着梯级水电站数量和装机容量的逐渐增加，梯级水电站对电力系统的影响也在不断增加。梯级水电站上游与下游之间存在复杂的耦合关系，使得制定梯级水电站运行策略极其困难。

目前，中长期和短期梯级水电调度研究相对成熟，国内外专家学者针对多阶段、非线性、高维梯级水电问题，建立了多种模型，提出了包括动态规划及其改进算法、智能算法在内的一系列求解方法。动态规划作为一种可行的求解梯级水电调度的方法，当离散精度足够高时，可以获得高质量的解。然而，随着水库数量的增加，动态规划将面临严重的“维数灾”问题。虽然已有许多基于动态规划的改进方法，但这一问题始终存在，智能算法求解梯级水电调度模型的效率更高，但求解结果不稳定，有时会陷入局部最优。

现有研究大多将输电断面约束视为输电线路的有功功率约束，断面有功功率是通过输电断面输送的水电站有功功率之和。然而，由于不同电网的网架结构、负荷需求不同，梯级水电的接入会对电网运行产生不同程度的影响，在这种情况下，水电调度面临多级输电断面限制，断面有功功率不仅与梯级水电的有功功率有关，还与除水电和电网负荷需求以外的其他发电机的有功功率有关，因此模型中的输电断面约束将变得更加复杂，梯级水电站的运行策略必须保证电网的安全稳定，因此，有必要研究适应水电开发和电网需求的梯级优化调度模型。

发明内容

本发明目的在于提供一种考虑电网断面约束的梯级水电日前调度方法，通过在模型中引入潮流计算，研究梯级水电接入对电网的影响，为了避免多次计算系统潮流对模型求解效率的影响，提出了水电转移分布系数来表征电网特定输电断面有功功率与梯级水电站有功功率之间的关系，从而将电网断面约束转化为梯级水电站有功出力约束，最后采用改进的粒子群算法对模型进行求解。

为实现上述目的，本发明所采用的技术方案是：一种考虑电网断面约束的梯级水电日前调度方法，包括以下步骤：

S1，建立梯级水电优化模型，模型的目标函数包括梯级发电量最大和电网剩余负荷总方差最小：

梯级发电量最大表示为：

受端电网剩余负荷总方差最小表示为：

式中：T为整个调度周期的时段数；M为梯级水库总数；i为从上游至下游的梯级水库编号；t为调度周期内的时段编号；P_i,t为电站i时段t的出力；Δt为第t个调度时段对应的小时数；C_t为时段t电网在不计水电情况下的剩余负荷；

S2，步骤S1的水电模型为多目标非线性模型，采用约束转化法处理目标函数式，并在原模型中加入新的约束条件；

S3，在步骤S2的基础上，对多目标非线性模型采用改进的粒子群优化算法进行求解，输出梯级电站水位、出力、梯级发电量。

优选的，所述梯级水电优化模型的约束条件包括梯级水电约束和电网约束，具体为以下内容：

水量平衡约束

V_i,t+1＝V_i,t+3600(R_i,t-Q_i,t)Δt

其中：

式中：V_i,t为水库i在时段t末的库容，m3；R_i,t、

Q_i,t分别为水库i时段t内的入库流量、出库流量、区间流量和发电流量，m3/s；当i＝1时，不考虑Q_i-1,t；

库水位约束

式中：Z _i、

分别为水库i的水位上、下限，单位m3；

发电流量约束

式中：Q _i、

分别为水库i的发电流量上、下限，单位m3/s；

水电站出力约束

式中：P_i、

分别为水电站i的出力上、下限，单位MW；

断面传输容量约束

式中：

为断面Φ的传输功率极限，P_Φ,t为时段t断面Φ的传输功率；

水位库容关系约束

Z_t＝f(V_t)

尾水位泄量关系约束

水电出力特性函数

P_i,t＝f(Q_i,t,h_i,t)

断面功率—水电出力关系约束

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)

调度期始末水位控制约束

式中：

分别是调度周期内水库i的初始水位和最终水位，单位m。

优选的，采用约束转化法处理受端电网剩余负荷总方差最小目标函数式，并在原模型中加入新的约束条件，

式中：C为设定的电网剩余负荷平方和最小值，处理后的模型目标函数为：

优选的，所述水位库容关系约束、尾水位泄量关系约束、水电出力特性函数与断面功率—水电出力关系约束的约束条件式均为复杂非线性约束，为了降低模型求解难度，采用高阶多项式对水位库容关系约束与尾水位泄量关系约束的约束式进行拟合，以得到水电站出力特性的解析表达式：

水位库容关系约束：Z_t＝f(V_t)＝aV_t ³+bV_t ²+cV_t+d

尾水位泄量关系约束：

采用综合出力系数作为水电出力的计算依据，以替代水电出力特性函数表达式中复杂的非线性关系，处理后的约束如下：

式中：H_i,t为发电水头，Zloss为水头损失。

优选的，所述断面功率—水电出力关系约束揭示了水电站运行参数与输电断面功率之间的关联关系，梯级水电站接入电网时，电网输电断面有功功率不仅是通过水电站有功功率的简单相加，而是与电网实际运行状态密切相关，通过计算不同梯级水电出力条件下的系统潮流，采用多项式拟合断面和水电有功功率，从而将断面约束转化为梯级电站输出约束：

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)＝γ₁P_1,t+γ₂P_2,t+…+γ_MP_M,t

所得的拟合系数γ_i即为水电转移分布系数，可直接用于后续算法求解过程。

优选的，所述改进粒子群优化算法采用惯性系数平方递减的粒子群优化算法对模型进行求解，算法求解过程如下：

S3.1，给定种群大小，最大迭代次数，在给定范围内随机初始化粒子位置和速度，将迭代次数设置为零；

S3.2，根据梯级发电量最大的函数表达式、水位库容关系约束的约束式、尾水位泄量关系约束的约束式与对水电站出力特性处理后的约束式计算每个粒子的适应度，根据以下公式更新粒子位置和速度；

v_k＝w*v_k+c₁*r₁*(pbest_k-x_k)+c₂*r₂*(gbest-x_k)

x_k＝x_k+v_k

式中：v_k和x_k分别是粒子k的速度和位置；c₁、c₂是学习因子；r₁，r₂是[0,1]范围内的随机数；pbest_k是粒子k的最佳位置；gbest是种群的最佳位置；w是惯性权重；w_start和w_end分别是迭代开始和结束时的惯性权重；l是当前迭代次数；

S3.3，判断当前迭代次数是否达到最大，如果没有，迭代次数加一，然后转到步骤S3.2；如果达到最大，输出当前最佳解决方案，包括梯级水电站的水位、出力。

本发明的有益技术效果是：针对接入电网不同输电断面的梯级水电系统的特点，提出了考虑电网断面约束的梯级水电站多目标短期优化调度模型。目标是梯级水电发电量最大和电网剩余负荷总方差最小。将潮流计算引入梯级水电模型，通过对潮流计算结果的分析，得到系统的水电转移分布系数，并将输电断面约束转化为水电有功功率约束。为了加快收敛速度，提高求解质量，采用改进的粒子群优化算法对模型进行求解。本发明提出的模型和方法能够在保证水电站发电效益的同时，提高电网安全性。

附图说明

图1显示为本发明的求解流程图；

图2显示为本发明的梯级水电接入电网示意图；

图3显示为本发明的断面与水电出力拟合示意图。

具体实施方式

下面结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种考虑电网断面约束的梯级水电日前调度方法，包括以下步骤：

S1，建立梯级水电优化模型，模型的目标函数包括梯级发电量最大和电网剩余负荷总方差最小：

梯级发电量最大表示为：

受端电网剩余负荷总方差最小表示为：

式中：T为整个调度周期的时段数；M为梯级水库总数；i为从上游至下游的梯级水库编号；t为调度周期内的时段编号；P_i,t为电站i时段t的出力；Δt为第t个调度时段对应的小时数；C_t为时段t电网在不计水电情况下的剩余负荷；

S2，对S1建立的梯级水电优化模型进行处理；

步骤S1的水电模型为多目标非线性模型，采用约束转化法处理目标函数式，并在原模型中加入新的约束条件。

S3，对S2中处理过的模型采用改进的粒子群优化算法进行求解，输出梯级电站水位、出力、梯级发电量。

进一步的，所述梯级水电优化模型的约束条件包括梯级水电约束和电网约束，具体为以下内容：

水量平衡约束

V_i,t+1＝V_i,t+3600(R_i,t-Q_i,t)Δt

其中：

式中：V_i,t为水库i在时段t末的库容，m3；R_i,t、

Q_i,t分别为水库i时段t内的入库流量、出库流量、区间流量和发电流量，m3/s；当i＝1时，不考虑Q_i-1,t；

库水位约束

式中：Z _i、

分别为水库i的水位上、下限，单位m3；

发电流量约束

式中：Q _i、

分别为水库i的发电流量上、下限，单位m3/s；

水电站出力约束

式中：P_i、

分别为水电站i的出力上、下限，单位MW；

断面传输容量约束

式中：

为断面Φ的传输功率极限，P_Φ,t为时段t断面Φ的传输功率；

水位库容关系约束

Z_t＝f(V_t)

尾水位泄量关系约束

水电出力特性函数

P_i,t＝f(Q_i,t,h_i,t)

断面功率—水电出力关系约束

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)

调度期始末水位控制约束

式中：

分别是调度周期内水库i的初始水位和最终水位，单位m。

进一步的，梯级发电量最大的同时，受端电网剩余负荷总方差最小就能够解决既保证水电站发电效益的，又提高电网的安全性，然而，梯级发电量最大与受端电网剩余负荷总方差最小两个目标从理论上说是无法同时达到的，由于在调度过程中必须考虑受端电网的电力需求等约束，梯级水电站的发电量不可能达到理论的最大值，同样地，受端电网的剩余负荷总方差也不可能达到0，因此需要寻找一个尽可能好的折中解，尽量同时保障电站和电网的利益，因此采用约束转化法处理其中受端电网剩余负荷总方差最小目标函数式，并在原模型中加入新的约束条件，

式中：C为设定的电网剩余负荷平方和最小值，处理后，模型原本的两个目标函数变为一个目标函数，另一目标函数作为约束条件加入模型中，处理后的模型的目标函数为：

需要说明的是多目标优化的多个目标函数往往无法同时达到最优，为了获取折中解，采用约束转化法对其中一个目标函数进行转化，至于选取哪个目标函数，可以依靠经验选取，处理后的目标函数从原目标函数中删除，取而代之的是一个相关的约束条件。本方法对受端电网剩余负荷总方差最小目标函数式，进行处理，因此处理后的模型中仅剩梯级发电量最大的目标函数，而多了一个与受端电网剩余负荷总方差最小目标函数式相关的约束条件，根本目的是为了更好地对模型进行求解。

进一步的，所述水位库容关系约束、尾水位泄量关系约束、水电出力特性函数与断面功率—水电出力关系约束的约束条件式均为复杂非线性约束，为了降低模型求解难度，采用高阶多项式对水位库容关系约束与尾水位泄量关系约束的约束式进行拟合，以得到水电站出力特性的解析表达式：

水位库容关系约束：Z_t＝f(V_t)＝aV_t ³+bV_t ²+cV_t+d

尾水位泄量关系约束：

采用综合出力系数作为水电出力的计算依据，以替代水电出力特性函数表达式中复杂的非线性关系，处理后的约束如下：

式中：H_i,t为发电水头，Zloss为水头损失。

进一步的，如图3所示，所述断面功率—水电出力关系约束揭示了水电站运行参数与输电断面功率之间的关联关系，梯级水电站接入电网时，电网输电断面有功功率不仅是通过水电站有功功率的简单相加，而是与电网实际运行状态密切相关，通过计算不同梯级水电出力条件下的系统潮流，采用多项式拟合断面和水电有功功率，从而将断面约束转化为梯级电站输出约束：

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)＝γ₁P_1,t+γ₂P_2,t+…+γ_MP_M,t

所得的拟合系数γ_i即为水电转移分布系数，可直接用于后续算法求解过程。

进一步的，所述改进粒子群优化算法采用惯性系数平方递减的粒子群优化算法对模型进行求解，算法求解过程如下:

S3.1，给定种群大小，最大迭代次数，在给定范围内随机初始化粒子位置和速度，将迭代次数设置为零。

S3.2，根据梯级发电量最大的函数表达式、水位库容关系约束的约束式、尾水位泄量关系约束的约束式与对水电站出力特性处理后的约束式计算每个粒子的适应度，根据以下公式更新粒子位置和速度：

v_k＝w*v_k+c₁*r₁*(pbest_k-x_k)+c₂*r₂*(gbest-x_k)

x_k＝x_k+v_k

式中：v_k和x_k分别是粒子k的速度和位置；c₁、c₂是学习因子；r₁，r₂是[0,1]范围内的随机数；pbest_k是粒子k的最佳位置；gbest是种群的最佳位置；w是惯性权重；w_start和w_end分别是迭代开始和结束时的惯性权重；l是当前迭代次数；

S3.3，判断当前迭代次数是否达到最大，如果没有，迭代次数加一，然后转到步骤S3.2；如果达到最大，输出当前最佳解决方案，包括梯级水电站的水位、出力。

本发明的工作原理为：首先建立梯级水电优化模型，模型的目标函数包括梯级发电量最大和电网剩余负荷总方差最小，对建立的梯级水电优化模型采用约束转化法处理目标函数式，并在原模型中加入新的约束条件，对处理过的模型采用改进的粒子群优化算法进行求解，输出梯级电站水位、出力、梯级发电量。

在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

Claims (6)

1.一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，包括以下步骤：

S1，建立梯级水电优化模型，模型的目标函数包括梯级发电量最大和电网剩余负荷总方差最小：

梯级发电量最大表示为：

受端电网剩余负荷总方差最小表示为：

式中：T为整个调度周期的时段数；M为梯级水库总数；i为从上游至下游的梯级水库编号；t为调度周期内的时段编号；P_i,t为电站i时段t的出力；Δt为第t个调度时段对应的小时数；C_t为时段t电网在不计水电情况下的剩余负荷；

S2，步骤S1的水电模型为多目标非线性模型，采用约束转化法处理目标函数式，并在原模型中加入新的约束条件；

S3，在步骤S2的基础上，对多目标非线性模型采用改进的粒子群优化算法进行求解，输出梯级电站水位、出力、梯级发电量。

2.根据权利要求1所述的一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，所述梯级水电优化模型的约束条件包括梯级水电约束和电网约束，具体为以下内容：

水量平衡约束

V_i,t+1＝V_i,t+3600(R_i,t-Q_i,t)Δt

其中：

式中：V_i,t为水库i在时段t末的库容，m3；R_i,t、

Q_i,t分别为水库i时段t内的入库流量、出库流量、区间流量和发电流量，m3/s；当i＝1时，不考虑Q_i-1,t；

库水位约束

式中：Z _i、

分别为水库i的水位上、下限，单位m3；

发电流量约束

式中：Q _i、

分别为水库i的发电流量上、下限，单位m3/s；

水电站出力约束

式中：P_i、

分别为水电站i的出力上、下限，单位MW；

断面传输容量约束

式中：

为断面Φ的传输功率极限，P_Φ,t为时段t断面Φ的传输功率；

水位库容关系约束

Z_t＝f(V_t)

尾水位泄量关系约束

水电出力特性函数

P_i,t＝f(Q_i,t,h_i,t)

断面功率—水电出力关系约束

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)

调度期始末水位控制约束

式中：

分别是调度周期内水库i的初始水位和最终水位，单位m。

3.根据权利要求2所述的一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，采用约束转化法处理受端电网剩余负荷总方差最小目标函数式，并在原模型中加入新的约束条件，

式中：C为设定的电网剩余负荷平方和最小值，处理后的模型目标函数为：

4.根据权利要求3所述的一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，所述水位库容关系约束、尾水位泄量关系约束、水电出力特性函数与断面功率—水电出力关系约束的约束条件式均为复杂非线性约束，为了降低模型求解难度，采用高阶多项式对水位库容关系约束与尾水位泄量关系约束的约束式进行拟合，以得到水电站出力特性的解析表达式：

水位库容关系约束：Z_t＝f(V_t)＝aV_t ³+bV_t ²+cV_t+d

尾水位泄量关系约束：

采用综合出力系数作为水电出力的计算依据，以替代水电出力特性函数表达式中复杂的非线性关系，处理后的约束如下：

式中：H_i,t为发电水头，Zloss为水头损失。

5.根据权利要求4所述的一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，所述断面功率—水电出力关系约束揭示了水电站运行参数与输电断面功率之间的关联关系，梯级水电站接入电网时，电网输电断面有功功率不仅是通过水电站有功功率的简单相加，而是与电网实际运行状态密切相关，通过计算不同梯级水电出力条件下的系统潮流，采用多项式拟合断面和水电有功功率，从而将断面约束转化为梯级电站输出约束：

P_Φ,t＝f(P_1,t,P_2,t,…,P_M,t)＝γ₁P_1,t+γ₂P_2,t+…+γ_MP_M,t

所得的拟合系数γ_i即为水电转移分布系数，可直接用于后续算法求解过程。

6.根据权利要求5所述的一种考虑电网断面约束的梯级水电日前调度方法，其特征在于，所述改进粒子群优化算法采用惯性系数平方递减的粒子群优化算法对模型进行求解，算法求解过程如下：

S3.1，给定种群大小，最大迭代次数，在给定范围内随机初始化粒子位置和速度，将迭代次数设置为零；

S3.2，根据梯级发电量最大的函数表达式、水位库容关系约束的约束式、尾水位泄量关系约束的约束式与对水电站出力特性处理后的约束式计算每个粒子的适应度，根据以下公式更新粒子位置和速度；

v_k＝w*v_k+c₁*r₁*(pbest_k-x_k)+c₂*r₂*(gbest-x_k)

x_k＝x_k+v_k

式中：v_k和x_k分别是粒子k的速度和位置；c₁、c₂是学习因子；r₁，r₂是[0,1]范围内的随机数；pbest_k是粒子k的最佳位置；gbest是种群的最佳位置；w是惯性权重；w_start和w_end分别是迭代开始和结束时的惯性权重；l是当前迭代次数；

S3.3，判断当前迭代次数是否达到最大，如果没有，迭代次数加一，然后转到步骤S3.2；如果达到最大，输出当前最佳解决方案，包括梯级水电站的水位、出力。

Images