CN112182952A - 一种提升电力系统弹性的多目标优化调度方法 - Google Patents

Abstract

本发明针对现有技术在电力系统优化调度中存在的不足，提出了一种提升电力系统弹性的多目标优化调度方法，包括：结合未来气候变化情景，对区域内的序列风速和风电场的出力进行预测；建立含风电并网的电力系统弹性定量评估方法；建立极端期气候条件下的基于机会约束的提升电力系统弹性的多目标优化模型；对所述多目标优化模型进行求解，主动进行电网拓扑变换。本发明先对含风电并网的电力系统弹性进行评估，再做提高电力系统弹性的基于机会约束和输电线路开合约束的多目标优化调度，主动地结合输电线路开合操作的电网拓扑变换，可为极端天气下电力运营商的制定运营方案提供理论建议和指导。

Description

一种提升电力系统弹性的多目标优化调度方法

技术领域

本发明涉及电力系统优化调度技术领域，特别涉及一种基于机会约束和输电线路开合约束的含风电并网的多目标优化调度方法。

背景技术

近年来，风电场越来越多的以大规模、集中式并入电力系统。中国的风电装机量大量增加，导致风电渗透比例在逐年地增长。然而，随着全球气候变化越来越频繁，极端事件出现的频次越来越高。风力发电机、变电站、输电线路、配电线路等基础设施故障的风险加大，可能会导致更大规模的停电事故。在对电力系统性能评估的方面，传统的电力系统可靠性评估只考虑经常发生的、对电力系统影响较小的典型故障。而对于一些低概率发生的极端事件，可靠性评估是不足以表示极端事件下电力系统的安全性。因此，本发明引入了电力系统弹性的概念，可适用于低概率高影响的极端天气事件。定量评估电力系统的弹性可以为后续优化调度提供系统性能可参考的指标。

目前，传统的电力系统优化调度可以分为经济调度、机组组合、最优潮流等类型，以可靠性、安全性为考虑指标的电力系统优化调度模型也被国内外学者总结并提炼出来。但这些模型并没有充分考虑电力系统的弹性特性，以及没有考虑更贴合实际含风电并网情况的多目标优化调度问题。因此，如何有效、合理地制定含风电并网的电力系统防御灾害的应急体系，采取有效的调度措施防灾，减小灾害损失成为当前研究电力系统弹性亟需解决的首要问题，也是未来国内外学术界研究的热点问题。

发明内容

本发明针对现有技术在电力系统优化调度中存在的不足，提出了一种提升电力系统弹性的多目标优化调度方法，可为极端天气下电力运营商的制定运营方案提供理论建议和指导。

本发明解决上述技术问题所采取的技术方案是：一种提升电力系统弹性的多目标优化调度方法，包括：

结合未来气候变化情景，对区域内的序列风速和风电场的出力进行预测；

建立含风电并网的电力系统弹性定量评估方法；

建立极端期气候条件下的基于机会约束的提升电力系统弹性的多目标优化模型；

对所述多目标优化模型进行求解，主动进行电网拓扑变换。

所述“结合未来气候变化情景，对区域内的序列风速和风电场的出力进行预测”，包括：

对研究区域的风速进行预测，生成风电场的预测序列输出功率；

将所述的预测序列输出功率与风力发电机输出功率特性曲线结合，获得t时间内的单个风力发电出力水平。

所述“对研究区域的风速进行预测，生成风电场的预测序列输出功率”，包括：

使用自回归-滑动平均模型耦合灰色预测模型GM(1,1)，对以每小时为精度的历史序列数据进行分析，预测得到未来某一天24小时的风速序列数据。

所述“t时间内的单个风力发电出力水平”，包括：

单个风力发电机在t时段的输出功率：

式中，P_R为风机额定输出功率；v_t为每小时的风速；v_CI为切入风速；v_CO为切出风速；v_R为额定风速。

所述“建立含风电并网的电力系统弹性定量评估方法”，包括：

1)获取因风灾和线路负载率过高共同导致的线路综合故障概率

a.线路风灾故障率：

根据风荷载系数δ_w得到第t时间段线路风灾故障率P_w,t，如式所示：

其中，F₀为线路设计风荷载；

b.线路故障概率：

c.结合所述线路故障概率与所述.线路风灾故障率，得到第t时间段的线路综合故障概率：

P_i,t＝1-(1-P_w,t)(1-P_n,t)；

2)模拟设定时间周期内电网输电线路的故障场景

第t时间段第i条线路的状态如下：

其中，X_i为在区间(0，1)上的均匀分布的随机变量，得到每个时段的输电线路的故障场景；

3)电力系统的弹性指标

采用线路故障数和/或在线输电线路数以及以单位时间内各线路故障场景下电力系统的缺供电量作为弹性指标。

所述“多目标优化模型”，包括：

1)目标函数：

式中，

表示单个常规燃煤发电机的发电成本，C_g表示单位发电量所需的成本价格，P_g,t表示常规机组在t时段的发电量，N_g表示电力系统中常规燃煤发电机的数量；

表示在t时段电力系统的切负荷惩罚成本，C_D是切负荷的单位惩罚成本，N_d是电力系统的负荷节点数，LD_d,t是切负荷量，即缺供电量；

表示为电网的潮流熵；l_i,t为在t时段输电网中剩余线路i的负载率，N_l为电网中剩余线路数；

表示网络拓扑熵；N是电力系统的节点总的数量，网络节点j的重要度

k_i表示与第j个节点相连的线路数量；α、β为惩罚项系数；

2)约束条件：

a.系统功率平衡约束

其中，P_wind,t表示单个风力发电机在t时段的输出功率，P_d是节点d的负荷值；N_w表示风力发电场的发电机的个数；P_d负荷需求量；

b.常规燃煤发电机组出力约束

c.常规燃煤发电机的爬坡速率约束

式中，D_Ri和U_Ri分别为常规机组i在时段t的有功出力下降速率和上升速率；β₁为调度前给定的置信水平；

d.系统的上、下旋转备用约束

式中，U_SRt、D_STt分别为系统在时段t的上、下旋转备用要求；β₂、β₃为调度前给定的置信水平；

e.切负荷量约束

0≤LD_d,t≤P_d,d∈N_d

f.线路潮流平衡约束

式中，

为线路开合状态的自变量，取值为0或者1，分别表示线路的打开和闭合；B_i为线路i的电抗值的负倒数；θ_fr,t、θ_to,t分别为线路i连接的潮流输入、潮流输出节点的相位；M是一个预先设好的常数；

g.线路传输容量约束

h.线路可开合数量约束

式中，N_s,t是一个每t时段系统可允许改变状态的线路数量。

所述“对所述多目标优化模型进行求解”，包括：使用改进骨干粒子群算法、遗传算法、神经网络的耦合算法、模拟退火算法、蚁群算法中的一种对所述多目标优化模型进行求解。

所述“对所述多目标优化模型进行求解”，采用改进骨干粒子群算法进行求解，包括以下步骤：

a.设置算法参数，设定：种群数量M，空间维数N，最大迭代次数MAXDT，循环次数TT,交叉概率因子p,变异概率因子和运行时间t，选择适应度函数；

b.初始化种群得到粒子的个体和种群的全局极值，迭代数k＝1；

c.更新粒子的个体和种群的全局极值；

d.根据下列公式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：

其中，

为粒子的位置；N表示高斯分布；

和

为高斯分布的均值和标准差；

为粒子个体的历史极值；rand(0,1)为在(0,1)分布中随机抽取一个值和0.5进行比较，分别对应上述不同的表达式；

e.通过交叉操作和变异操作更新粒子的位置，令k＝k+1。

f.若满足判定条件(k≥MAXDT)，停止搜索，输出最优解；若未满足判定条件k<MAXDT，则返回步骤a，继续执行算法。

本发明所带来的有益效果为：本发明先对含风电并网的电力系统弹性进行评估，再做提高电力系统弹性的基于机会约束和输电线路开合约束的多目标优化调度。从被动地因恶劣天气导致线路故障的电网拓扑变换，变为主动地结合输电线路开合操作的电网拓扑变换。在一定程度上更能保障电力系统安全性。最终得到同时考虑系统弹性和经济性为目标的含发电机出力水平和主动操作各线路开合状态的配置方案，其结果可为极端天气下电力运营商的制定运营方案提供理论建议和指导。

附图说明

图1为区域序列风速的预测流程图。

图2为多目标优化建模和求解的流程图。

图3改进骨干粒子群(I-BBPSO)算法求解的流程图。

具体实施方式

针对现有技术在电力系统优化调度中存在的不足，本发明提出了一种提升电力系统弹性的多目标优化调度方法，首先，将自回归-滑动平均模型(auto regressive movingaverage model，ARMA)耦合灰色预测模型GM(1,1)来对区域内的未来气候变化情景下的序列风速和风电场的出力进行合理预测；然后建立含风电并网的电力系统弹性定量评估方法体系；接着针对电网的弹性，建立含风电并含网络拓扑熵和潮流熵等目标，机会约束和输电线路开合约束的多目标优化模型；最后，引用改进骨干粒子群(I-BBPSO)算法对优化模型进行求解。

为了能清楚说明本方案的技术特点，下面将结合附图，对本发明进行详细阐述。

具体过程描述如下：

步骤一：风电场输出功率预测

首先，如图1，先对研究区域的风速进行预测，以生成风电场的序列输出功率。本发明使用自回归-滑动平均模型(auto regressive moving average model，ARMA)耦合灰色预测模型GM(1,1)，对以每小时为精度的历史序列数据进行分析，可以预测得到未来某一天24小时的风速序列数据。详情为了模拟台风的风暴强度，以每小时为精度预测的风速序列要乘以一个放大系数以模拟风暴潮的情景。在本申请中，风暴潮的风速建议取预测风速的1.5倍。

其中，在ARMA模型中进行模型的定阶和模型参数估计。ARMA(n,m)如下：

在上式中，

为自回归参数；θ_j(j＝1,2,..,m)为滑动平均参数；{α_t}为一零均值、方差为

的正态白噪声过程，即

这里采用赤池信息量准则(AIC)对阶数的确定进行检验，再通过矩估计法，计算出模型的其他各项参数。得到残差序列是白噪声的一个时间序列风速。

另外，在灰色预测模型中，采用累加生成原理生成序列数据，公式如下：

设原始历史数据为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),....x⁽⁰⁾(n))，令

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),....x⁽¹⁾(n))

所得到新序列为：

由于灰色预测模型GM(1,1)已经非常成熟，具体公式不在此赘述。最后采用最小二乘法求它们的估计值。

相应的，设F₁为ARMA的预测值；F₂为灰色预测模型的预测值，F₃为耦合的预测值。三种方法的预测误差分别为e₁、e₂、e₃，取w₁、w₂分别为两个模型各自的权重，且二者相加为1，得：

F₃＝w₁F₁+w₂F₂

以方差为衡量标准，耦合权重为：

然后，将预测的序列风速带入下面的风力发电机输出功率特性曲线中，可求得每小时的单个风力发电出力水平。若风电场中风力发电机的数量已知，可将风电场作为PQ节点加入到模拟的电力系统中。单个风力发电机在t时段的输出功率：

在上式中，P_R为风机额定输出功率，kW；v_t为每小时的风速，m/s；v_CI为切入风速，当风速高于此

设定值时，自动装置动作把风机并入电网；v_CO为切出风速，当风速高于此值时，风机停止发电，从电力系统中解列出来；v_R为额定风速，当风速大于或等于此值而小于切出风速时，风机出力为额定值。这里需要注明的是，因为风机维修起来需要花费的时间较长，一旦某个风机超过了切出风速，即视为此风机在剩余的模拟周期内功率一直为零。

步骤二：建立含风电并网的电力系统弹性定量评估方法

如图2，被动拓扑变换部分为本步骤将提及的一种电力系统弹性定量评估方法。

1)计算因风灾和线路负载率过高共同导致的线路综合故障概率

a.计算线路风灾故障率

使用步骤一中预测得到的序列风速数据，可以得到在设定的时间周期内电网的各条输电线路的每小时线路风灾故障率。具体的，输电线路风灾故障率模型如下：

根据GB 50545—2010《110-750KV架空输电线路设计规范》，简化输电线路承受的风荷载F_d,t为

其中，α_w为风压不均匀系数；β_w为电线风荷载调整系数；μ_s为导线的体形系数；μ_z为风压高度变化系数；w₀为基本风压；D为导线外径；L_h为杆塔水平档距；θ为风向与导线的夹角；v_t为基准高度为10m处的每时段风速。根据风荷载系数δ_w可以得到第t时间段线路风灾故障率P_w,t，如式所示：

其中，F₀为线路设计风荷载。

b.电网内部运行状态故障主要表现在线路过负荷。线路i的负载率如下：

其中，F_i,t为在第t时间段线路i流过的有功潮流绝对值；F_i,t,max为第t时间段线路i最大允许传输容量。因线路负载率过高导致的线路故障概率如下式：

c.本申请考虑的线路故障概率模型同时考虑因风灾和线路负载率过高对线路的影响。得到第t时间段的线路综合故障概率：

P_i,t＝1-(1-P_w,t)(1-P_n,t)

2)模拟设定时间周期内电网输电线路的故障场景

本申请通过蒙特卡洛模拟的方法确定由风灾和线路负载率过高导致的电网输电线路故障场景。对单位小时的每一条输电线路生成一个服从在区间(0，1)上的均匀分布的随机变X_i，然后比较X_i与对应的线路综合故障概率大小。线路断开之后，修复时间T_r,i是根据在指数分布f(x)＝λe^-λ,(x>0)中采样得到的；如果线路没有故障断开，T_r,i为0。具体的判别方法如下,第t时间段第i条线路的状态如下：

将单位时间内所有的故障线路更新到电网拓扑模型中，得到每个时段的输电线路的故障场景。

3)电力系统的弹性指标

在本申请中，采用线路故障数或在线输电线路数，以及计算各单位时间内线路故障场景下电力系统的缺供电量作为弹性指标。其中，线路故障数在2)中已提及；电力系统的缺供电量计算在步骤三会进行叙述。

步骤三：建立极端风暴下基于机会约束的提升电力系统弹性的多目标优化模型

如图2，主动拓扑变换部分为本步骤将提及的基于机会约束和输电线路开合约束的多目标优化模型。

极端风暴来临前，调整发电机出力、主动拓扑变换和切负荷操作可以保障电力系统最大限度的安全稳定工作。步骤二中已对输电线路的故障场景进行了模拟，电力系统的安全性和弹性被动地受风灾和线路负载率的影响；而在本申请中，巧妙地将输电线路开合操作与发电机出力调整和切负荷操作相融合，可以主动地提高电力系统安全性和弹性，实现时间和空间层面的调度优化；在目标函数中加入网络拓扑熵和潮流熵，减小电力系统自组织临界的可能性，从而减小电力系统大规模停电的风险。

在电力系统实际运行中，并不是每时每刻所有的约束都可以满足，因此本申请还考虑了约束条件中包含随机变量的不确定性情况。不等式约束在一定置信水平上成立，并表现为概率的形式。置信水平的高低可以反映出电力系统运行水平的要求。最后得到的决策变量为各线路的开合情况以及各发电机的出力情况；模型输出弹性的各项指标：线路故障总数或在线输电线路总数，以及电力系统的总缺供电量。

优化模型建模如下：

1)目标函数：

在上式中，第一项表示单个常规燃煤发电机的发电成本，C_g表示单位发电量所需的成本价格，P_g,t表示常规机组在t时段的发电量，N_g表示电力系统中常规燃煤发电机的数量；第二项表示在t时段电力系统的切负荷惩罚成本，C_D是切负荷的单位惩罚成本，N_d是电力系统的负荷节点数，LD_d,t是切负荷量，即缺供电量。第三项表示为电网的潮流熵。l_i,t为在t时段输电网中剩余线路i的负载率，N_l为电网中剩余线路数；第四项表示网络拓扑熵，是根据香农(C.E.Shannon)定理对熵的定义得到的。其中，N是电力系统的节点总的数量，网络节点j的重要度

k_i表示与第j个节点相连的线路数量。另外，α、β为惩罚项系数，因为两个惩罚项是比较小的数值，风灾等级越大，则惩罚项系数也要相应地增大。

2)约束条件：

a.系统功率平衡约束

在上式中，P_wind,t表示单个风力发电机在t时段的输出功率，P_d是节点d的负荷值，其他变量上述已提及，这里不再赘述。

b.常规燃煤发电机组出力约束

c.常规燃煤发电机的爬坡速率约束

P{D_Ri≤P_g,t-P_g,t-1≤U_Ri}≥β₁,g∈N_g,t∈T

在上式中，D_Ri和U_Ri分别为常规机组i在时段t的有功出力下降速率和上升速率；β₁为调度前给定的置信水平；

d.系统的上、下旋转备用约束

在上式中，U_SRt、D_SRt分别为系统在时段t的上、下旋转备用要求，一般取系统总负荷的5％；β₂、β₃为调度前给定的置信水平；

e.切负荷量约束

0≤LD_d,t≤P_d,d∈N_d

f.线路潮流平衡约束

在上式中，

为线路开合状态的自变量，取值为0或者1，分别表示线路的打开和闭合；B_i为线路i的电抗值的负倒数；θ_fr,t、θ_to,t分别为线路i连接的潮流输入和潮流输出节点的相位；M是一个预先设好的常数。

g.线路传输容量约束

h.线路可开合数量约束

在上式中，N_s,t是一个每t时段系统可允许改变状态的线路数量

步骤四：结合混合智能算法对多目标优化模型进行求解

上个步骤所建立的优化模型属于包含离散变量和连续变量的复杂非线性规划问题。本发明引入改进骨干粒子群(I-BBPSO)算法，将遗传算法的交叉变异等操作引入到骨干粒子群算法中，解决了粒子群和骨干粒子群算法易收敛于局部最优解的缺点，I-BBPSO算法可以分析本申请中火电机组与风电机组联用、含输电线路开合操作的经济调度模型。I-BBPSO算法的流程如下：

a.设置算法参数(种群数量M，空间维数N，最大迭代次数MAXDT，循环次数TT,交叉概率因子p,变异概率因子和运行时间t)，选择适应度函数。

b.初始化种群得到粒子的个体和种群的全局极值，迭代数k＝1。

c.更新粒子的个体和种群的全局极值。

d.根据下列公式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：

每个粒子i均有50％的可能性选择自己的个体极值作为自己下一代的位置，所以这种方法侧重于粒子个体极值的发展

e.通过交叉操作和变异操作更新粒子的位置，令k＝k+1。

f.若满足判定条件(k≥MAXDT)，停止搜索，输出最优解；若未满足判定条件(k<MAXDT)，则返回步骤四，继续执行算法。

本申请将自回归-滑动平均模型(auto regressive moving average model，ARMA)与灰色预测模型GM(1,1)进行耦合，对区域内的未来气候变化情景下的序列风速和风电场的出力进行合理预测。本申请所述的技术方案能够克服传统的采用单一预测模型在预测精确度方面的不足；在电力系统弹性评估的时候考虑了因风灾和线路负载率过高共同导致的线路综合故障概率，对比只从线路的材料强度去考虑故障概率更加符合实际情况。同时，在目标函数中加入网络拓扑熵和潮流熵，减小电力系统自组织临界的可能性，从而减小电力系统大规模停电的风险。并将机会约束和多目标规划模型进行结合，在约束条件中加上目前非常热门的输电线路开合操作，构建了基于弹性约束的含风电并网的多目标优化调度方法。

本申请从被动地因恶劣天气导致线路故障的电网拓扑变换，变为主动地结合输电线路开合操作的电网拓扑变换。在一定程度上更能保障电力系统安全性。最终得到发电机出力和各线路开合状态操作的配置方案，其结果可为极端天气下电力运营商的制定运营方案提供理论建议和指导。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易变化或替换，都属于本发明的保护范围之内。因此本发明的保护范围所述以权利要求的保护范围为准。

Claims (8)

1.一种提升电力系统弹性的多目标优化调度方法，其特征在于，包括：

结合未来气候变化情景，对区域内的序列风速和风电场的出力进行预测；

建立含风电并网的电力系统弹性定量评估方法；

建立极端期气候条件下的基于机会约束的提升电力系统弹性的多目标优化模型；

对所述多目标优化模型进行求解，主动进行电网拓扑变换。

2.根据权利要求1所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于：

所述“结合未来气候变化情景，对区域内的序列风速和风电场的出力进行预测”，包括：

对研究区域的风速进行预测，生成风电场的预测序列输出功率；

将所述的预测序列输出功率与风力发电机输出功率特性曲线结合，获得t时间内的单个风力发电出力水平。

3.根据权利要求2所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于：

所述“对研究区域的风速进行预测，生成风电场的预测序列输出功率”，包括：

使用自回归-滑动平均模型耦合灰色预测模型GM(1,1)，对以每小时为精度的历史序列数据进行分析，预测得到未来某一天24小时的风速序列数据。

4.根据权利要求2所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于：所述“t时间内的单个风力发电出力水平”，包括：

单个风力发电机在t时段的输出功率：

式中，P_R为风机额定输出功率；v_t为每小时的风速；v_CI为切入风速；v_CO为切出风速；v_R为额定风速。

5.根据权利要求1所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于，所述“建立含风电并网的电力系统弹性定量评估方法”，包括：

1)获取因风灾和线路负载率过高共同导致的线路综合故障概率

a.线路风灾故障率：

根据风荷载系数δ_w得到第t时间段线路风灾故障率P_w,t，如式所示：

其中，F₀为线路设计风荷载；

b.线路故障概率：

c.结合所述线路故障概率与所述.线路风灾故障率，得到第t时间段的线路综合故障概率：

P_i,t＝1-(1-P_w,t)(1-P_n,t)；

2)模拟设定时间周期内电网输电线路的故障场景

第t时间段第i条线路的状态如下：

其中，X_i为在区间(0，1)上的均匀分布的随机变量，得到每个时段的输电线路的故障场景；

3)电力系统的弹性指标

采用线路故障数和/或在线输电线路数以及以单位时间内各线路故障场景下电力系统的缺供电量作为弹性指标。

6.根据权利要求1所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于，所述“多目标优化模型”，包括：

1)目标函数：

式中，

表示单个常规燃煤发电机的发电成本，C_g表示单位发电量所需的成本价格，P_g,t表示常规机组在t时段的发电量，N_g表示电力系统中常规燃煤发电机的数量；

表示在t时段电力系统的切负荷惩罚成本，C_D是切负荷的单位惩罚成本，N_d是电力系统的负荷节点数，LD_d,t是切负荷量，即缺供电量；

表示为电网的潮流熵；l_i,t为在t时段输电网中剩余线路i的负载率，N_l为电网中剩余线路数；

表示网络拓扑熵；N是电力系统的节点总的数量，网络节点j的重要度

k_i表示与第j个节点相连的线路数量；α、β为惩罚项系数；

2)约束条件：

a.系统功率平衡约束

式中，P_wind,t表示单个风力发电机在t时段的输出功率，P_d是节点d的负荷值；N_w表示风力发电场的发电机的个数；P_d负荷需求量；

b.常规燃煤发电机组出力约束

c.常规燃煤发电机的爬坡速率约束

P{D_Ri≤P_g,t-P_g,t-1≤U_Ri}≥β₁,g∈N_g,t∈T

式中，D_Ri和U_Ri分别为常规机组i在时段t的有功出力下降速率和上升速率；β₁为调度前给定的置信水平；

d.系统的上、下旋转备用约束

式中，U_SRt、D_SRt分别为系统在时段t的上、下旋转备用要求；β₂、β₃为调度前给定的置信水平；

e.切负荷量约束

0≤LD_d,t≤P_d,d∈N_d

f.线路潮流平衡约束

式中，

为线路开合状态的自变量，取值为0或者1，分别表示线路的打开和闭合；B_i为线路i的电抗值的负倒数；θ_fr,t、θ_to,t分别为线路i连接的潮流输入、潮流输出节点的相位；M是一个预先设好的常数；

g.线路传输容量约束

h.线路可开合数量约束

式中，N_s,t是一个每t时段系统可允许改变状态的线路数量。

7.根据权利要求1所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于：

所述“对所述多目标优化模型进行求解”，包括：使用改进骨干粒子群算法、遗传算法、神经网络的耦合算法、模拟退火算法、蚁群算法中的一种对所述多目标优化模型进行求解。

8.根据权利要求1或7所述的一种提升电力系统弹性的多目标优化调度方法，其特征在于：所述“对所述多目标优化模型进行求解”，采用改进骨干粒子群算法进行求解，包括以下步骤：

a.设置算法参数，设定：种群数量M，空间维数N，最大迭代次数MAXDT，循环次数TT,交叉概率因子p,变异概率因子和运行时间t，选择适应度函数；

b.初始化种群得到粒子的个体和种群的全局极值，迭代数k＝1；

c.更新粒子的个体和种群的全局极值；

d.根据下列公式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：

其中，

为粒子的位置；N表示高斯分布；

和

为高斯分布的均值和标准差；

为粒子个体的历史极值；rand(0,1)为在(0,1)分布中随机抽取一个值和0.5进行比较，分别对应上述不同的表达式；

e.通过交叉操作和变异操作更新粒子的位置，令k＝k+1。

f.若满足判定条件(k≥MAXDT)，停止搜索，输出最优解；若未满足判定条件k<MAXDT，则返回步骤a，继续执行算法。

Images