CN112070628B - 一种计及环境因素的智能电网多目标经济调度方法 - Google Patents

一种计及环境因素的智能电网多目标经济调度方法 Download PDF

Info

Publication number
CN112070628B
CN112070628B CN202010910286.2A CN202010910286A CN112070628B CN 112070628 B CN112070628 B CN 112070628B CN 202010910286 A CN202010910286 A CN 202010910286A CN 112070628 B CN112070628 B CN 112070628B
Authority
CN
China
Prior art keywords
dominant
cost
individuals
power
power generation
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
CN202010910286.2A
Other languages
English (en)
Other versions
CN112070628A (zh
Inventor
宋世巍
苏媛媛
王存旭
赵琰
姜河
王东来
李昱材
王健
马艳娟
董香栾
徐慧雯
李文瑞
姜铭坤
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.)
Shenyang Institute of Engineering
Original Assignee
Shenyang Institute of Engineering
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 Shenyang Institute of Engineering filed Critical Shenyang Institute of Engineering
Priority to CN202010910286.2A priority Critical patent/CN112070628B/zh
Publication of CN112070628A publication Critical patent/CN112070628A/zh
Application granted granted Critical
Publication of CN112070628B publication Critical patent/CN112070628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)

Abstract

一种计及环境因素的智能电网多目标经济调度方法，属于智能电网经济调度技术领域，包括如下步骤：步骤1：以发电成本、污染物排放量、车主充放电成本为目标函数建立模型：步骤2：建立约束条件；所述方法可行性的验证采用基于Pareto最优的改进骨干粒子群。本发明建立以发电成本、污染物排放量、车主充放电成本等为目标函数的经济调度模型，并综合考虑调度中的有功功率平衡、机组出力以及机组爬坡速率等约束条件，提出了一种基于Pareto最优的改进骨干粒子群方法，解决容易收敛于局部最优值的现象。

Description

一种计及环境因素的智能电网多目标经济调度方法
技术领域
本发明属于智能电网经济调度技术领域，特别涉及一种计及环境因素的智能电网多目标经济调度方法。
背景技术
经济调度本质上是一种最优化问题，是指在满足一定约束条件的基础上，通过调度机组出力来满足模型的目标函数的基本问题，传统经济调度问题主要以火电机组发电成本为主要目标函数开展研究。对火电机组而言，98％发电成本是由燃料费用占据，我国作为电力工业的主体部分，火力发电仍然是主要的发电方式，据统计，全国发电机组装机容量75％以上由火力机组组成，每年消耗原煤量占全国煤炭消耗量一半以上，是造成我国资源消耗巨大的主要因素。而煤炭燃料作为一种化石燃料，是不可再生能源，随着过度开采和使用，它所带来的能源危机问题是当今世界讨论的一个重大课题，亟需解决。
可再生能源作为自然赋予我们的资源，可以循环再生、源源不断的得到，适宜就地取材、因地制宜的开发利用。正是因为这些持点，对于当今世界广泛存在的环境污染和能源危机问题，可再生能源能够提供一种很好的解决方式，应用前景广泛而深远。其中，可再生能源中的风能是利用相对比较广泛的一种能源之一，具有资源丰富、污染较小、节省成本、无需开采运输费用等优点，对于解决能源短缺问题、环境污染问题具有重大的意义，可以取得良好的经济效益和环境效益。虽然现在风力发电不是主要的发电方式，但每年新增发电力巨大，风力发电能力的增长更为可观。同样的，电动汽车电池中的电能是一种新型的绿色能源，既可以作为负荷，又可以作为储能元件。电动汽车充电电源选择多样，水电、火电、风电、核电都可对电动汽车电池充电。虽然火力发电是我国目前主要发电方式，其主要消耗的是非可再生能源，随着人们的环保理念的増强，清洁能源作为一种污染极少的新型能源逐渐受到人们的重视。随着生活水平的发展，汽车使用量急剧增加，这引起了严重的环境问题。电动汽车作为取代使用化石燃料的传统汽车的一种完美方式逐渐得到了人们的认可。因此，清洁能源的在电力生产中的比例逐步加大，而电动汽车的大规模普及也使含清洁能源的经济调度问题成为了新的研究课题。
传统的以经济效益为单一目标的调度模式，并不能综合考虑化石能源机组污染排放对环境造成的负面影响。而计及环境因素的经济调度能同时兼顾环境保护和经济效益。同时，基于对可再生能源和电动汽车等多种因素的考虑，原先的单目标函数己经不能满足要求，因此，研究智能电网背景下的多目标动态经济调度模型具有重要意义。
发明内容
本发明突破传统的电网经济调度方式，在传统的经济调度模型上计及环境因素，将风电场和电动汽车接入电网，并充分考虑其并网对电网运行调度的影响，然后建立以发电成本、污染物排放量、车主充放电成本等为目标函数的经济调度模型，并综合考虑调度中的有功功率平衡、机组出力以及机组爬坡速率等约束条件。同时，提出了一种基于Pareto最优的改进骨干粒子群方法。在本发明中提出的改进骨干粒子群方法是指将骨干粒子群与遗传方法相结合。粒子群方法虽然具有简单计算方便等优点，但同时也具有依赖参数选择和容易陷入局部最优解等缺点，由于粒子群方法依赖于惯性权重和学习因子的不足，而骨干粒子群不需要提前设置这两个参数，所以选取骨干粒子群来代替粒子群方法。但是，由于骨干粒子群和粒子群方法一样仍有容易陷入局部最优的缺点，因此需要针对这一不足对骨干粒子群进行改进。故本发明将骨干粒子群与遗传方法相结合，将遗传方法中交叉和变异操作引入骨干粒子群方法，提出改进的骨干粒子群方法。提出的改进骨干粒子群方法，可以增加种群的多样性，解决容易收敛于局部最优值的现象。然后将改进骨干粒子群方法与一种可以解决多目标优化问题的方式一一Pareto最优相结合，得出基于Pareto最优的改进骨干粒子群方法，既能解决多目标问题，又能解决容易收敛局部最优值的问题。
通过本发明的实施，既能够带来经济效益，实现系统的经济调度成本的节省，又能够保护环境。
本发明的技术方案是：
一种计及环境因素的智能电网多目标经济调度方法，包括如下步骤：
步骤1：以发电成本、污染物排放量、车主充放电成本为目标函数建立模型：
1)最小发电成本
以发电机有功出力表示火力发电燃料的总费用，风力发电机的燃料成本为0，目标函数如下：
Figure GDA0004249812810000031
式中：a′i，b′i，c′i表示第i机组系数；
i表示火力发电机组编号；
Pi，t表示第i台在t的机组出力；
N表示系统中发电机组的台数；
T表示调度总时段数；
2)二氧化碳、氮氧化物以及硫氧化物排放量可由下式表示：
Figure GDA0004249812810000032
Figure GDA0004249812810000033
式中：d′i，e′i，f′i表示排放系数；
3)最小电动汽车充电成本
电动汽车作为负荷和储能装置来提供电源，表示如下：
Figure GDA0004249812810000034
式中：Ndis，t(Nchr，t)表示在t时段接入电网的PHEVs充(放)电的数量；
Pdis(Pchr)表示PHEVs的充(放)电平均功率；
fdis，t(fchr，t)表示PHEVs充(放)电电价；
4)多目标经济调度模型
以发电成本、污染物排放量、车主充电成本为目标函数建立多目标经济调度模型
F(X)＝min(Fc',t,Fe',t)
Figure GDA0004249812810000041
Figure GDA0004249812810000042
式中：Pi,t表示第i台在t时段的机组出力；
N表示系统中发电机组的台数；
T表示调度总时段数；
步骤2：建立约束条件：
1)功率平衡约束：
Figure GDA0004249812810000043
式中，Pi，t为常规火电机组i在t的发电功率，PD′为系统负荷，Pl′为系统网损，Pw′为风电机组发电功率；
2)机组出力约束：
风电机组出力约束：
Figure GDA0004249812810000044
式中：
Figure GDA0004249812810000045
表示风电机组的额定出力；
3)机组爬坡速率约束：
Figure GDA0004249812810000046
式中：Pi down表示机组爬坡速率上限，Pi up表示机组爬坡速率下限，Pi,t+1为常规火电机组i在t+1的发电功率；
同时考虑了环境和经济效益，其目标函数如下：
F(X)＝min(Fc′，t，Fe′，t)；
式中：Fc',t为发电成本与车主充电成本之和，Fe',t为污染物排放量；
所述方法可行性的验证采用基于Pareto最优的改进骨干粒子群，包括如下步骤：
1)设置基于Pareto最优的改进骨干粒子群方法参数：种群数量N，空间维数n，最大迭代次数MAX，循环次数T,交叉概率因子p,变异概率因子q和运行时间t；
2)计算当前种群中所有个体的适应度，并以适应度来判断当前个体优劣；
3)利用非支配排序法来构造非支配解集，根据pareto支配关系，比较个体代表的解的优劣，判断是否为非支配解，然后构造非支配解集；
4)采用精英归档技术对非支配解集进行保存，根据拥挤距离控制精英集大小，拥挤距离表示为：
Figure GDA0004249812810000051
其中，h表示目标函数的个数，dikneighbor是个体i沿目标k两边与相邻个体的水平距离；
5)保存个体极值和全局极值；
6)采用改进骨干粒子群更新种群中各粒子的位置，得到粒子的个体极值和种群的全局极值；
7)判断是否满足终止条件。若满足输出结果，若不满足，重复步骤2)。
将所述模型和约束条件带入到粒子群方法中，在Matlab仿真中进行迭代验证，得出验证结果，根据验证结果调整发电成本发电成本、污染物排放量、车主充放电成本至最低。
进一步地，所述步骤3)中所述的利用非支配排序法构造的非支配解集，具体为该方法在每次循环开始时，从种群选择一个个体X，将其与种群中的其他个体进行一一比较，在一轮比较之后，种群会产生两部分个体，前半部分是与X不相关或可支配X的个体，后半部分是被X支配的个体，如果X不被其他任何个体进行支配，则将其加入非支配解集，然后再对前半部分个体重复上述操作。
进一步地，所述步骤4)中所述的采用精英归档技术对非支配解进行保存，具体为：如果非支配解集中的新解被精英集的解支配，则不进入精英集；如果非支配解集中的新解可支配精英集的某些解，则用此新解代替被支配的解；如果非支配解集的新解与精英集中所有的解都不存在支配与被支配的关系，则将非支配解集中的新解加入精英集。
进一步地，所述步骤6)中所述的采用改进骨干粒子更新种群中各粒子的位置，位置更新公式表示如下：
Figure GDA0004249812810000061
本发明的优点与效果为：
本发明计及环境效益和经济效益，将风电场和电动汽车接入电网中，以发电成本、污染物排放量、车主充放电成本为目标函数建立模型，不仅可以节省系统的经济调度成本和保护环境，还可以给车主带来经济效益，为含电动汽车和清洁能源的电力系统经济调度提供参考。同时提出了一种基于Pareto最优的改进骨干粒子群方法。Pareto最优是一种求解多目标优化问题的方式，相对于粒子群方法来说，骨干粒子群不需要提前设置学习因子和惯性权重两个参数，但其容易陷入局部最优，所以选取骨干粒子群来代替粒子群方法。但是，由于骨干粒子群和粒子群方法一样仍有陷入局部最优的缺点，故本发明将骨干粒子群与遗传方法相结合，将遗传方法中交叉和变异操作引入骨干粒子群方法，提出改进的骨干粒子群方法。提出的改进骨干粒子群方法，可以增加种群的多样性，解决容易收敛于局部最优值的现象。然后将改进骨干粒子群方法与一种可以解决多目标优化问题的方式——Pareto最优相结合，既能解决多目标问题，又能解决容易收敛局部最优值的问题。
附图说明
图1为改进骨干粒子群方法流程图；
图2为基于Pareto最优的改进骨干粒子群方法的流程图；
图3为仿真图污染物排放量曲线；
图4为仿真图发电成本曲线；
图5为目标优化对比。
具体实施方式
下面结合附图及实施例对本发明做进一步解释。
1.建立多目标经济调度模型。
以发电成本、污染物排放量、车主充电成本为目标函数建立多目标经济调度模型。使发电成本、污染物排放量以及车主充放电成本达到最小。
步骤1：以发电成本、污染物排放量、车主充放电成本为目标函数建立模型：
1)最小发电成本
以发电机有功出力表示火力发电燃料的总费用，风力发电机的燃料成本为0，目标函数如下：
Figure GDA0004249812810000071
式中：a′i，b′i，c′i表示第i机组系数；
i表示火力发电机组编号；
Pi，t表示第i台在t的机组出力；
N表示系统中发电机组的台数；
T表示调度总时段数；
2)二氧化碳、氮氧化物以及硫氧化物排放量可由下式表示：
Figure GDA0004249812810000072
Figure GDA0004249812810000073
式中：d′i，e′i，f′i表示排放系数；
3)最小电动汽车充电成本
电动汽车作为负荷和储能装置来提供电源，表示如下：
Figure GDA0004249812810000074
式中：Ndis，t(Nchr，t)表示在t时段接入电网的PHEVs充(放)电的数量；
Pdis(Pchr)表示PHEVs的充(放)电平均功率；
fdis，t(fchr，t)表示PHEVs充(放)电电价；
4)多目标经济调度模型
以发电成本、污染物排放量、车主充电成本为目标函数建立多目标经济调度模型
F(X)＝min(Fc',t,Fe',t)
Figure GDA0004249812810000081
Figure GDA0004249812810000082
式中：Pi,t表示第i台在t时段的机组出力；
N表示系统中发电机组的台数；
T表示调度总时段数；
步骤2：建立约束条件：
1)功率平衡约束：
Figure GDA0004249812810000083
式中，Pi，t为常规火电机组i在t的发电功率，PD′为系统负荷，Pl′为系统网损，Pw′为风电机组发电功率；
2)机组出力约束：
风电机组出力约束：
Figure GDA0004249812810000084
式中：
Figure GDA0004249812810000085
表示风电机组的额定出力；
3)机组爬坡速率约束：
Figure GDA0004249812810000086
式中：Pi down表示机组爬坡速率上限，Pi up表示机组爬坡速率下限，Pi,t+1为常规火电机组i在t+1的发电功率；
同时考虑了环境和经济效益，其目标函数如下：
F(X)＝min(Fc′，t，Fe′，t)；
式中：Fc',t为发电成本与车主充电成本之和，Fe',t为污染物排放量。
2.提出了一种基于Pareto最优的改进骨干粒子群方法来验证本发明方法的可行性，具体包括如下步骤：
(1)改进骨干粒子群方法
为改进骨干粒子群和遗传方法存在的不足，将遗传方法中交叉和变异操作引骨干粒子群中，可以增加种群的多样性，解决容易收敛于局部最优值的现象。
基于Pareto最优的改进骨干粒子群方法包括如下步骤：
步骤1：设置方法参数(种群数量N，空间维数n，最大迭代次数MAX，循环次数T,交叉概率因p,变异概率因子q和运行时间t)。
步骤2：计算当前种群中所有个体的适应度，并以适应度来判断当前个体优劣。
步骤3：采用非支配排序法来构造非支配解集，根据Pareto支配关系，比较个体代表的解的优劣，判断解是否为非支配解，构造非支配解集。
非支配排序法；该方法在每次循环开始时，从种群选择一个个体X，将之与种群中的其他个体一一比较，一轮比较后，种群产生两部分个体，前半部分是与X不相关或可支配X的个体，后半部分是被X支配的个体，如果X不被其他任何个体支配，则将之加入非支配解集。然后在对前半部分个体重复上述操作(即开始新的循环)。
步骤4：采用精英归档技术对搜索到的非支配解进行保存，根据拥挤距离控制精英集大小。
拥挤距离可以直观地反映某个体周围其他个体的密度。拥挤距离表示为：
Figure GDA0004249812810000091
其中，h表示目标函数的个数，dikneighbor是个体i沿目标k两边与相邻个体的水平距离。
精英归挡技术是一种保存最优解的方法，指采用精英集保存非支配最优解，精英集存储的均有可能成为全局极值，最终精英集保留的解集是即为所要求解的结果。
精英集的更新规则是：如果非支配解集中的新解被精英集的解支配，则不进入精英集；如果非支配解集中的新解可支配精英集的某些解，则用此新解代替被支配的解；如果非支配解集的新解与精英集中所有的解都不存在支配与被支配的关系，则将非支配解集中的新解加入精英集。精英集的大小是一定的，所以根据拥挤距离可以更好的控制精英集的大小，个体的拥挤距离越大，则个体的分布越分散越均匀，个体的多样性就越好。因此本文通过选取拥挤距离较大的个体，剔除拥挤距离较小的个体来控制精英集的大小。
步骤5：保存个体极值和全局极值。
步骤6：采用改进骨干粒子群方法更新种群中各粒子的位置，得到粒子的个体和种群的全局极值。
步骤7：判断是否达到终止条件判断种群优化结果是否满足终止条件，若条件满足，则停止迭代过程并输出优化结果，若不满足，转入步骤(2)。
实施例1
本发明采用IEEE-30节点进行仿真，为了验证有效性，利用Matlab进行了大量仿真实验。假设系统所含可调度的PHEVS数量为6万辆，默认一半PHEVS可以用来向电网输送电能。为简化实验模型，同时假设所有的PHEVS—天中充放电次数只能为1，总电量为定值，一次充放电时长均为6h。单位时间内PHEVS充电和放电的数量小于等于总数的95％。
参数设置如下，NP＝20，F＝0.8，C＝0.8分别表示种群规模、变异因子、交叉因子，常规机组参数如下表：
Figure GDA0004249812810000101
本发明针对无风电场和电动汽车的调度模型、含风电场和电动汽车的调度模型，运用基于Pareto最优的改进骨干粒子群方法按照上述步骤分别进行MATLAB仿真计算。迭代次数为100次，计算20次，分别取优化效果最好的一次，得到pareto最优前沿。并基于Pareto最优的改进骨干粒子群方法可以成功地获得一组非支配解。针对多目标的问题构造一个非支配解集可以为决策者提供多种选择，本发明选取其中一组解作为分析对象。
定义两种运行方式，通过对比来证明本发明的调度模型具有参考价值：方式1，不考虑风电场，未接入电动汽车的原始经济调度模型；方式2，同时考虑电动汽车和风电场接入电网的多目标经济调度模型。目标结果仿真图见附图3、4、5。
总的来说，有风电电动汽车的发电成本为40.4424x104＄低于无风电电动汽车40.6355x104＄，污染物排放量4506.0542kg低于4506.0542kg，结果表明，电动汽车、风电场的接入可以节省系统的经济调度成本，同时还能保护环境。

Claims (4)

1.一种计及环境因素的智能电网多目标经济调度方法，其特征在于：包括如下步骤：
步骤1：以发电成本、污染物排放量、车主充放电成本为目标函数建立模型：
1)最小发电成本
以发电机有功出力表示火力发电燃料的总费用，风力发电机的燃料成本为0，目标函数如下：
Figure FDA0004249812800000011
式中：a′i，b′i，c′i，t表示第i机组系数；
i表示火力发电机组编号；
Pi，t表示第i台发电机组在t时段的机组出力；
N表示系统中发电机组的台数；
T表示调度总时段数；
2)二氧化碳、氮氧化物以及硫氧化物排放量可由下式表示：
Figure FDA0004249812800000012
式中：d′i，e′i，f′i表示排放系数；
3)最小电动汽车充电成本电动汽车作为负荷和储能装置来提供电源，表示如下：
Figure FDA0004249812800000013
式中：Ndis，t表示在t时段接入电网的PHEVs充电的数量；
Nchr，t表示在t时段接入电网的PHEVs放电的数量；
Pdis表示PHEVs的充电平均功率；
{chr表示PHEVs的放电平均功率；
fdis，t表示PHEVs充电电价；
fchr，t表示PHEVs放电电价；
4)多目标经济调度模型
以发电成本、污染物排放量、车主充电成本为目标函数建立多目标经济调度模型
F(X)＝min(Fc′，t，Fe′，t)
Figure FDA0004249812800000021
Figure FDA0004249812800000022
步骤2：建立约束条件：
1)功率平衡约束：
Figure FDA0004249812800000023
式中，Pi，t为常规火电机组i在t时段的发电功率，PD′为系统负荷，Pl，为系统网损，Pw′为风电机组发电功率；
2)机组出力约束：
风电机组出力约束：
Figure FDA0004249812800000024
式中：
Figure FDA0004249812800000025
表示风电机组的额定出力；
3)机组爬坡速率约束：
Pi down≤Pi，t+1-Pi，t≤Pi up；
式中：Pi down表示机组爬坡速率下限，Pi up表示机组爬坡速率上限，Pi，t+1为常规火电机组i在t+1时段的发电功率；
同时考虑了环境和经济效益，其目标函数如下：
F(X)＝min(Fc，t，Fe′，t)；
式中：Fc′，t为发电成本与车主充电成本之和，Fe′，t为污染物排放量；
所述方法可行性的验证采用基于Pareto最优的改进骨干粒子群，包括如下步骤：
1)设置基于Pareto最优的改进骨干粒子群方法参数：种群数量N，空间维数n，最大迭代次数MAX，循环次数T，交叉概率因子p，变异概率因子q和运行时间t；
2)计算当前种群中所有个体的适应度，并以适应度来判断当前个体优劣；
3)利用非支配排序法来构造非支配解集，根据pareto支配关系，比较个体代表的解的优劣，判断是否为非支配解，然后构造非支配解集；
4)采用精英归档技术对非支配解集进行保存，根据拥挤距离控制精英集大小，拥挤距离表示为：
Figure FDA0004249812800000031
其中，h表示目标函数的个数，dikneighbor是个体i沿目标k两边与相邻个体的水平距离；
5)保存个体极值和全局极值；
6)采用改进骨干粒子群更新种群中各粒子的位置，得到粒子的个体极值和种群的全局极值；
7)判断是否满足终止条件，若满足输出结果，若不满足，重复步骤2)；将所述模型和约束条件带入到粒子群方法中，在Matlab仿真中进行迭代验证，得出验证结果，根据验证结果调整发电成本、污染物排放量、车主充放电成本至最低。
2.根据权利要求1中所述的一种计及环境因素的智能电网多目标经济调度方法，其特征在于：所述步骤3)中所述的利用非支配排序法构造的非支配解集，具体为该方法在每次循环开始时，从种群选择一个个体X，将其与种群中的其他个体进行一一比较，在一轮比较之后，种群会产生两部分个体，前半部分是与X不相关或可支配X的个体，后半部分是被X支配的个体，如果X不被其他任何个体进行支配，则将其加入非支配解集，然后再对前半部分个体重复上述操作。
3.根据权利要求1中所述的一种计及环境因素的智能电网多目标经济调度方法，其特征在于：所述步骤4)中所述的采用精英归档技术对非支配解进行保存，具体为：如果非支配解集中的新解被精英集的解支配，则不进入精英集；如果非支配解集中的新解可支配精英集的某些解，则用此新解代替被支配的解；如果非支配解集的新解与精英集中所有的解都不存在支配与被支配的关系，则将非支配解集中的新解加入精英集。
4.根据权利要求1中所述的一种计及环境因素的智能电网多目标经济调度方法，其特征在于：所述步骤6)中所述的采用改进骨干粒子更新种群中各粒子的位置，位置更新公式表示如下：
Figure FDA0004249812800000041
CN202010910286.2A 2020-09-02 2020-09-02 一种计及环境因素的智能电网多目标经济调度方法 Active CN112070628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910286.2A CN112070628B (zh) 2020-09-02 2020-09-02 一种计及环境因素的智能电网多目标经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910286.2A CN112070628B (zh) 2020-09-02 2020-09-02 一种计及环境因素的智能电网多目标经济调度方法

Publications (2)

Publication Number Publication Date
CN112070628A CN112070628A (zh) 2020-12-11
CN112070628B true CN112070628B (zh) 2023-07-11

Family

ID=73665795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910286.2A Active CN112070628B (zh) 2020-09-02 2020-09-02 一种计及环境因素的智能电网多目标经济调度方法

Country Status (1)

Country Link
CN (1) CN112070628B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113904379B (zh) * 2021-09-30 2023-09-05 沈阳工程学院 一种基于改进的粒子群算法的智能电网经济调度方法
CN113902280B (zh) * 2021-09-30 2024-06-14 沈阳工程学院 一种多微网联合经济调度方法
CN115189415A (zh) * 2022-06-24 2022-10-14 国网江苏省电力有限公司淮安供电分公司 一种含电动汽车聚合器的主动配电网多目标优化调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712114A (zh) * 2017-02-24 2017-05-24 国网江苏省电力公司泗阳县供电公司 一种考虑环境效益的主动配电网能量分层优化调度方法
CN107958424A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种基于改进引力搜索算法的电力系统经济调度策略
CN108008629A (zh) * 2016-10-29 2018-05-08 南京理工大学 一种多种能源互补利用系统的优化运行方法
CN108808653A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种考虑可控负荷的风光储微电网储能容量优化配置方法
CN109066800A (zh) * 2018-09-27 2018-12-21 沈阳工程学院 一种基于粒子群算法的配电网柔性负荷协同调度方法
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9932907B2 (en) * 2015-03-03 2018-04-03 General Electric Company Methods and systems for enhancing control of power plant generating units

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958424A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种基于改进引力搜索算法的电力系统经济调度策略
CN108008629A (zh) * 2016-10-29 2018-05-08 南京理工大学 一种多种能源互补利用系统的优化运行方法
CN106712114A (zh) * 2017-02-24 2017-05-24 国网江苏省电力公司泗阳县供电公司 一种考虑环境效益的主动配电网能量分层优化调度方法
CN108808653A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种考虑可控负荷的风光储微电网储能容量优化配置方法
CN109066800A (zh) * 2018-09-27 2018-12-21 沈阳工程学院 一种基于粒子群算法的配电网柔性负荷协同调度方法
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Multi-objective PSO Strategy for Energy-efficient Ad-Hoc Networking;Olascuaga-Cabrera, JG 等;《2011 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》;第2632-2639页 *
An Improved Bare Bone Multi-Objective Particle Swarm Optimization Algorithm for Solar Thermal Power Plants;Niu, Qun 等;《ENERGIES》;第12卷(第23期);第1-22页 *
含风力发电和电动汽车的电网经济调度研究;李明泽;《中国优秀硕士学位论文全文数据库 工程科技2辑》(第2期);第C042-792页 *
含风电及电动汽车的电网多目标经济调度研究;苏媛媛;《中国优秀硕士学位论文全文数据库 工程科技2辑》(第3期);第C034-1701页 *
多目标粒子群优化算法及其应用研究;章恩泽;《中国博士学位论文全文数据库 信息科技辑》(第7期);第I140-29页 *

Also Published As

Publication number Publication date
CN112070628A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN110739725B (zh) 一种配电网优化调度方法
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN109523065B (zh) 一种基于改进量子粒子群算法的微能源网优化调度方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN108233430B (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
CN105741027A (zh) 一种含电动汽车的虚拟电厂优化调度方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
Verzijlbergh et al. The role of electric vehicles on a green island
CN106786505A (zh) 一种基于邻域信息的分散充电桩协同调度方法
CN111319505A (zh) 一种光储式电动汽车充电站能量优化方法和装置
CN108695903A (zh) 基于粒子群优化算法的微电网优化调度方法
CN114971154A (zh) 一种包含碳交易机制的可再生能源消纳方法
Li et al. Optimal configuration for distributed generations in micro-grid system considering diesel as the main control source
Chang et al. A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price
Ma et al. Multi-objective optimal scheduling of power system considering the coordinated operation of photovoltaic-wind-pumped storage hybrid power

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