CN112434876A - 一种水电站调峰调度方法 - Google Patents

一种水电站调峰调度方法 Download PDF

Info

Publication number
CN112434876A
CN112434876A CN202011412384.XA CN202011412384A CN112434876A CN 112434876 A CN112434876 A CN 112434876A CN 202011412384 A CN202011412384 A CN 202011412384A CN 112434876 A CN112434876 A CN 112434876A
Authority
CN
China
Prior art keywords
individual
water level
hydropower station
scheduling
population
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.)
Granted
Application number
CN202011412384.XA
Other languages
English (en)
Other versions
CN112434876B (zh
Inventor
莫莉
王奇
王永强
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
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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, Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Huazhong University of Science and Technology
Priority to CN202011412384.XA priority Critical patent/CN112434876B/zh
Publication of CN112434876A publication Critical patent/CN112434876A/zh
Application granted granted Critical
Publication of CN112434876B publication Critical patent/CN112434876B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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

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

Abstract

本发明公开了一种水电站调峰调度方法，属于水电站调峰调度领域。本发明通过水电站调度期时段间的水力联系，将已有水电调峰调度模型约束条件转化为水位约束，计算实时的水位廊道，避免了水电调峰调度由于受到大量约束，解可行域很小，生成的个体不适用于实际工况的问题；在此基础上，本发明使用截尾正态分布来替换高斯分布，基于随机分形算法进行种群扩散与寻优，由于扩散过程在水位廊道内进行，既满足约束条件，又保证原有算法的离散多样性，还能减少计算中的修正次数，克服了现有方法求解结果的随机性，提高了模型求解结果的稳定性，促进了水能资源的高效利用。

Description

一种水电站调峰调度方法
技术领域
本发明属于水电站调峰调度领域，更具体地，涉及一种水电站调峰调度方法。
背景技术
水电站调峰调度是指将水电站用于承担电网的调峰工作，解决电网负荷分配与电站出力之间协调的问题。理想情况下，电网以自身余荷达到最平稳为目标，可以将水电站调度时段的总发电量分配到各时段，得到水电站各时段出力，然而，水电站的出力常常达不到理想情况下出力，因为水电站的出力不仅受来水、装机容量的影响，还受到防洪、生态等其他调度带来的水位和流量约束，水电站调峰调度就是站在多阶段、多约束的角度，在承担电网调峰工作的同时，协调好电网负荷分配与电站出力之间的关系。
水电站调峰调度是一个多阶段、多约束的优化问题。对于水电站调峰调度方法的研究，Wu Zhengjia等建立了最大峰值容量效益和最大发电量的多目标模型，并提出了改进粒子群算法(PSO)求解调度模型；马鹏程用逐次切负荷计算梯级的电量分配，并用逐步优化算法分析了最大最小问题；张俊引入罚函数和可行区间预测来处理约束问题，提出一种正反向启发式搜索方法；卢鹏以溪洛渡、向家坝梯级水电站送多电网为背景，先用随机搜索算法对受端电网启发式搜索，然后逐步调整电网的受电计划，得到水电出力的分配方案；申建建等提出了一种两阶段的搜索方法用来求解跨省送电梯级水电站群的调峰。
传统优化方法如动态规划难以高效解决复杂非线性调度问题，求解结果精度低而且克服不了“维数灾”问题，智能计算方法为解决这类问题提供了一条有效途径，收敛速度快，求解精度也较高。但是水电站调峰调度结果往往是多峰的，用智能计算方法求解结果具有随机性，当求解模型维数过大时并不一定能找到最优解；并且对于维数较大的情况，每次重复求解的结果也不尽相同。以上因素导致计算结果的不稳定，这给水电站的调峰调度带来了很大的麻烦，从而不能高效地利用水能资源，只有算法满足计算结果稳定性时才不失为求解水电站调峰的一种方法。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种水电站调峰调度方法，其目的在于解决由于水电站调峰调度模型求解结果稳定性较低，从而使得水能资源利用效率较低的技术问题。
为实现上述目的，本发明提供了一种水电站调峰调度方法，包括：
S1.在水位廊道边界内初始化N个水位过程作为种群中的个体；
S2.将调峰调度模型的目标函数作为个体适应度计算函数，找出适应度值最优个体作为全局最优个体；
S3.对种群中个体执行截尾正态分布离散、第一次更新过程与第二次更新过程；并在第一次更新过程与第二次更新过程后进行水位修正，将当前全局最优个体与上一代全局最优个体比较，若优于上一代全局最优个体则代替其成为新的全局最优个体，否则全局最优个体不变；
S4.判断迭代次数是否达到最大迭代次数；若是，则完成迭代进入步骤S5；若否，则返回执行S3；
S5.利用模型求解结果进行水电调峰调度。
进一步地，水位廊道边界的计算如下所示：
Figure BDA0002816639960000021
Figure BDA0002816639960000022
式中：
Figure BDA0002816639960000023
分别表示时段末的实时廊道上边界和水位下边界；
Figure BDA0002816639960000024
Figure BDA0002816639960000031
分别为水电站水库水位在时段t允许的最低水位、最高水位；
Figure BDA0002816639960000032
分别为水电站在时段t允许的最小出力、最大出力；f1(Z,N)表示时段初水位为Z，出力为N时通过流量迭代法计算得到的时段末水位；f2(Z,Q)表示时段初水位为Z，下泄流量为Q时计算得到的时段末水位；
Figure BDA0002816639960000033
分别为水电站在时段t允许的最小发电流量、最大发电流量；
Figure BDA0002816639960000034
为水电站水库水位在时段t允许的水位升幅限值；
Figure BDA0002816639960000035
为水电站水库水位在时段t允许的水位最低值。
进一步地，水电站调峰调度模型为：
Figure BDA0002816639960000036
式中，Nt为水电站在t时段的出力；r为水电站送往受端电网的送电比例；Lt为t时段电网的负荷值，Rt为经水电站调峰后电网t时段余荷值；T为调度期内调峰时段数，
Figure BDA00028166399600000310
为水电调峰后电网余荷均值；F为电网余荷均方差即目标值。
进一步地，截尾正态分布如下所示：
Figure BDA0002816639960000037
式中：Pi(j)表示截尾正态分布游走后个体i的第j个分量的位置；
Figure BDA0002816639960000038
为截尾正态分布；
Figure BDA0002816639960000039
为截尾正态分布密度函数；Φ为标准正态分布函数；BP和Pi分别表示群体中的最佳个体和个体i的位置；g为迭代次数，μBP和σ是两个高斯参数，ε和ε′是在区间[0，1]上服从均匀分布的随机数，φ表示标准正态分布的概率密度函数、ξ表示最大似然变量。
进一步地，步骤S3具体包括：
对种群中每个个体执行截尾正态分布进行扩散，用每个个体扩散过程中生成的最优个体替换此个体，并找出全局最优个体；
执行第一次更新：根据适应度值从大到小对种群中所有的个体进行排序，计算个体i的性能级别Pai；判定条件Pai＜ε是否满足；若满足，则根据Pi'(j)＝Pr(j)-ε×(Pt(j)-Pi(j))更新个体Pi的各个分量Pi(j)，得到更新后的个体Pi'；否则保持不变；其中，Pr和Pt是种群中随机选择的个体；
执行第二次更新：根据适应度值大小对第一次更新后种群中所有的个体进行排序，计算个体i的性能级别P'ai；判定条件P'ai＜ε是否满足；若满足，则根据Pi'(j)＝Pr(j)-ε×(Pt(j)-Pi(j))更新个体Pi'的各个分量Pi'(j)，并更新个体i的当前位置Pi'得到Pi”，当Pi”的适应度值优于Pi'的适应度值，用Pi”替换Pi'；否则，保持不变；
找出全局最优个体与上一代全局最优个体比较，若优于上一代全局最优个体则代替其成为新的全局最优个体，否则全局最优个体不变。
进一步地，对个体i的性能级别Pai表示如下：
Figure BDA0002816639960000041
式中，rank(Pi)为个体Pi在种群中的排名；N为种群中个体的数量。
进一步地，根据以下公式更新个体i的当前位置Pi'得到Pi”：
Figure BDA0002816639960000051
式中：Pt'和Pr'是从第一次更新后种群中随机选择的两个个体；
Figure BDA0002816639960000052
是由高斯正态分布生成的随机数；ε'是在区间[0，1]上服从均匀分布的随机数。
总体而言，本文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)本发明通过水电站调度期时段间的水力联系，将已有水电调峰调度模型约束条件转化为水位约束，计算实时的水位廊道，避免了水电调峰调度由于受到大量约束，解可行域很小，生成的个体不适用于实际工况的问题；在此基础上，本发明使用截尾正态分布来替换高斯分布，基于随机分形算法进行种群扩散与寻优，由于扩散过程在水位廊道内进行，既满足约束条件，又保证原有算法的离散多样性，还能减少计算中的修正次数，克服了现有方法求解结果的随机性，提高了模型求解结果的稳定性，促进了水能资源的高效利用。
(2)实验证明，本发明在提高模型求解结果稳定性的同时，还能够削减电网峰谷差，很大程度上实现了调度期余荷相对平稳，有效减小余荷波动，保证了其他电源出力的平稳性，充分发挥了水电调峰的优势。
附图说明
图1是模型求解流程图；
图2是2017年(相对丰水年)调峰结果对比图；
图3是2017年(相对丰水年)三峡电站运行过程对比图；
图4是2015年(平水年)调峰结果对比图；
图5是2015年(平水年)三峡电站运行过程对比图；
图6是2016年(特枯水年)调峰结果对比图；
图7是2016年(特枯水年)三峡电站运行过程对比图；
图8是对三个典型年进行20次独立仿真试验结果图。
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。
水电站调峰调度模型目标函数及约束条件如下：
(1)目标函数
Figure BDA0002816639960000061
式中，Nt为水电站在t时段的出力；r为水电站送往受端电网的送电比例；Lt为t时段电网的负荷值，Rt为经水电站调峰后电网t时段余荷值；T为调度期内调峰时段数，
Figure BDA0002816639960000063
为水电调峰后电网余荷均值；F为电网余荷均方差即目标值。
(2)约束条件
2.1水量平衡约束
Vt+1＝Vt+(Rt-Qt-St)Δt (2-2)
式中，Vt+1、Vt分别为水电站水库在时段t的初、末库容；Rt、Qt、St分别对应为水电站在时段t的入库流量、发电流量以及弃水流量；Δt为时段t的时长。
2.2水位约束
Figure BDA0002816639960000062
式中，
Figure BDA0002816639960000071
分别为水电站水库水位在时段t允许的最低水位、最高水位。
2.3出力约束
Figure BDA0002816639960000072
式中，
Figure BDA0002816639960000073
分别为水电站在时段t允许的最小出力、最大出力。
2.4发电流量约束
Figure BDA0002816639960000074
式中，
Figure BDA0002816639960000075
分别为水电站在时段t允许的最小发电流量、最大发电流量。
2.5水位变幅约束
Figure BDA0002816639960000076
式中，
Figure BDA0002816639960000077
分别为水电站水库水位在时段t允许的水位降幅限值、水位升幅限值。
2.6末水位控制模式与电量控制模式
①末水位控制
ZT＝Zend (2-6)
式中，Zend为水电站水库调度期末水位要求。
②电量控制
Figure BDA0002816639960000078
式中，E为水电站在调度期的总发电量要求。
随机分形算法(stochastic fractal search，SFS)由Hamid Salimi于2015年提出，该算法采用高斯游走完成扩散过程，然后两次进化选取适应度值最优个体进行多次迭代，最终寻得最优解。其具体过程表示如下：
1)初始化种群
假设在一个D维函数优化问题中，每个个体都可以概化为一个D维向量，个体在寻优过程中的上下边界分别表示为UB和LB，ε是在区间[0，1]上服从均匀分布的随机数。则第i个体的第j个分量可以初始化为：
Pi(j)＝LB+ε×(UB-BP) (2-8)
2)高斯游走
GW1＝Gaussian(μBP,σ)+(ε×BP-ε′×Pi) (2-9)
GW2＝Gaussian(μP,σ) (2-10)
式(2-10)为高斯游走，而式(2-9)在式(2-10)的基础上考虑了群体之间的联系，故一般情况下选择式(2-9)能更好的完成搜索。式中，ε和ε′是在区间[0，1]上服从均匀分布的随机数；BP和Pi分别表示群体中的最佳个体和个体i的位置。μBP和σ是式(2-9)中两个高斯参数，其中μBP等于|BP|；μP和σ是式(2-10)中两个高斯参数，其中μP等于|Pi|。
Figure BDA0002816639960000081
在算法中，随着迭代次数的增加，应该加强其局部搜索能力，使其寻到最优解，可用
Figure BDA0002816639960000082
来减小高斯跳跃的步长，g为算法迭代的次数。
3)第一次更新
在第一次更新过程之前，要先要计算群体中每个个体的适应度值，然后根据适应度值的大小从大到小依次排序，对个体i的性能级别Pai表示如下:
Figure BDA0002816639960000091
式中，rank(Pi)为个体Pi在种群中的排名；N为种群中个体的数量。
对于群体中的每个个体Pi，判定条件Pai＜ε是否满足，若满足，则根据式(2-13)更新个体Pi的第j个分量；否则，保持不变。
Pi'(j)＝Pr(j)-ε×(Pt(j)-Pi(j)) (2-13)
式中，Pi'是Pi更新后的位置；Pr和Pt是种群中随机选择的个体；ε是在区间[0，1]上服从均匀分布的随机数。
4)第二次更新
在开始第二次更新过程之前，要先进行一次类似第一次更新过程前的排序。同样排序过程中个体的性能级别按式(2-12)计算。对于第一次更新后的个体Pi'，判定Pi'＜ε是否满足，若满足，则根据式(2-14)和式(2-15)修改Pi'的当前位置；否则，保持不变。
Figure BDA0002816639960000092
Figure BDA0002816639960000093
式中：Pt'和Pr'是从第一次更新后种群中随机选择的两个个体；
Figure BDA0002816639960000094
是由高斯正态分布生成的随机数；ε'是在区间[0，1]上服从均匀分布的随机数。若Pi”的适应度值优于Pi'的适应度值，则用Pi”替换个体Pi'。
基于上述分析，随机分形算法的主要步骤可描述如下:
Step1：设置算法中各个参数，并初始化种群。
Step2：计算种群中每个个体的适应度值，并找到全局最优个体BP。
Step3：对种群中每个个体按式(2-9)执行高斯游走进行扩散，用每个分体扩散过程中生成的最优个体替换此个体，并找出全局最优个体。
Step4：执行第一次更新。对种群中所有的个体进行排序，根据式(2-12)得到个体的性能级别Pai。判定条件Pai＜ε是否满足。若满足，则根据式(2-13)更新个体Pi的各个分量Pi(j)，得到Pi'；否则保持不变。
Step5：执行第二次更新。对第一次更新后种群中所有的个体进行排序，根据式(2-12)得到个体的性能级别P'ai。判定条件P'ai＜ε是否满足。若满足，则根据式(2-13)更新个体Pi'的各个分量Pi'(j)，并根据式(2-14)和式(2-15)更新个体Pi'，并且若Pi”的适应度值优于Pi'的适应度值，则用Pi”替换Pi'；否则，保持不变。
Step6；判定迭代次数是否到达最大迭代次数，若已达到最大迭代次数，则算法结束，并输出结果；否则，执行Step3。
本发明提供的一种水电站调峰调度方法，一方面是基于水位廊道的算法改进：水电站调峰调度与水力和电力联系密切，存在大量约束条件，因此其解可行域很小，随机生成的个体大多都不适用于实际工况，这类随机生成的个体都需要后续的约束修正，针对上述问题，本发明通过水电站调度期时段间的水力联系，将所有约束转化为水位约束，计算实时的水位廊道，时段末水位由时段初水位和时段输入条件计算得到，取其可能的最大最小水位为廊道的上下边界，然后在算法中实时修正个体的位置。廊道上下边界的计算如下所示：
Figure BDA0002816639960000101
Figure BDA0002816639960000102
式中：
Figure BDA0002816639960000103
分别表示时段末的实时廊道上边界和水位下边界；f1(Z,N)表示时段初水位为Z，出力为N时通过流量迭代法计算得到的时段末水位；f2(Z,Q)表示时段初水位为Z，下泄流量为Q时计算得到的时段末水位，
Figure BDA0002816639960000111
表示水电站水库水位在时段t允许的水位最低值。
另一方面，在算法的实际应用过程中，如果仅仅把超出廊道边界的个体修正到边界，这样的修正虽然能满足约束条件，但是减少了算法种群进化时的多样性，使算法容易陷入局部最优。本发明将随机分形算法中高斯游走公式(2-9)、(2-10)、(2-11)改进为截尾正态分布，使其离散过程在廊道内完成，既满足约束条件，又保证原有算法的离散多样性，还能减少计算中的修正次数。改进后的截尾正态分布游走如下所示：
Figure BDA0002816639960000112
式中：Pi(j)表示截尾正态分布游走后个体i的第j个分量的位置；
Figure BDA0002816639960000113
为截尾正态分布；
Figure BDA0002816639960000114
为截尾正态分布密度函数；Φ为标准正态分布函数；BP和Pi分别表示群体中的最佳个体和个体i的位置；g为迭代次数。φ表示标准正态分布的概率密度函数、ξ表示最大似然变量。
正态分布，也称为高斯分布。正态分布可以认为是不进行任何截尾，因为x取值可以从负无穷到正无穷。截尾正态分布是截尾分布的一种，截尾分布是指限制变量x取值范围的一种分布。例如，限制x取值在0到50之间，即{0<x<50}。因此，根据限制条件的不同，截尾分布可以分为：限制取值上限，例如，负无穷<x<50；限制取值下限，例如，0<x<正无穷；上限下限取值都限制，例如，0<x<50。因此，截尾正态分布，除了具有正态分布的两个参数——均值、方差之外，还有另外两个参数：取值上限(可以取正无穷)和取值下限(可以取负无穷)。
对变量x的取值进行截尾，有什么意义呢？通常，如果只关注在某一个范围内的样本分布时，会考虑使用截尾的方法。假设知道一个电站水位在是服从正态分布的，那么，这个电站水位数据中，如果只关注由大到小前100个水位数据服从什么分布，这时使用截尾正态分布来替换高斯分布，既满足约束条件，又保证原有算法的离散多样性，还能减少计算中的修正次数，从而提高计算结果的稳定性。
参考图1，本发明提供的一种水电站调峰调度方法流程如下：
Step1：设置水电站调峰调度期的初末水位以及各类约束条件；算法种群数为N，个体维数D为调度期时段数，初始迭代次数g＝1，最大迭代次数G；算法中适应度函数设置为调峰调度模型的目标函数，即电网的余荷均方差最小。
Step2：初始化N个水位过程作为种群中的个体。在初始化过程中，时段末水位在水位廊道边界内随机生成，直到生成倒数第二个时段的末水位，通过计算调度期的末水位与倒数第二个时段的末水位是否满足调度的约束条件，若满足，进行Step3；否则进行水位反修后再进行Step3。其中，约束条件根据水电站实际情况设置；
Step3：通过公式(2-1)计算电网的余荷方差即算法的适应度值，找出最优个体作为全局最优个体。
Step4：对种群中个体进行截尾正态分布离散、第一次更新过程与第二次更新过程。并在第一次更新过程与第二次更新过程后进行水位修正。找出全局最优个体与上一代全局最优个体比较，若优于上一代全局最优个体则代替其成为新的全局最优个体，否则全局最优个体不变。
Step5：判断g≥G,若满足，则完成计算，若不满足，则进行Step4，g++。
Step6：利用模型求解结果进行水电调峰调度。
为了对本发明方法有效性进行验证，以下实施例选取三峡电站与华中电网作为研究对象，2017、2015、2016三年作为相对丰水年、平水年、特枯水年三个典型年，调度期为9-10月，日为时段长度，建立水电站调峰模型，并用改进的SFS算法进行求解，最后进行结果分析。
2017、2015、2016三年9、10月的入库平均流量分别为22606m3/s、19716m3/s、13986m3/s。可以作为相对丰水年、平水年、特枯水年三个的典型年，将三年华中电网负荷过程以及三峡入库流量作为水电站调峰模型输入条件，验证SFS算法在水电站调峰调度中的适用性及优越性。
用改进SFS算法求解电站调峰模型时，为保证调度的结果满足实际运行工况，设置约束条件如下：调度期的初末水位等于实际运行过程中的初末水位；最大出力为该水头下的预想出力，最小出力为保证出力4900MW；水位在9月1日-9月10日满足144.5～155m，在9月11日-9月30日满足145～165m，在10月1日-10月31日满足145～175m；水位日升幅最大值为2m，水位日降幅最大值为0.6m；三峡对华中电网的送电比例为0.44。其结果如图2-图7所示；
从图2、4、6可以明显看出，经三峡电站调峰后，华中电网的余荷明显比实际余荷平稳。统计三个典型年调峰前后华中电网峰谷差，结果如表2-2所示：实际运行情况下，三峡电站对于电网的峰谷差削减幅度分别为5.02％、-0.89％、-0.56％，几乎没有对电网发挥调峰的作用，有时甚至出现反调峰的现象。用SFS算法求解后的三峡电站对华中电网调峰结果显示，峰谷差削减幅度分别为7.33％、25.08％、12.76％，调峰效果良好。
表2-2华中电网调峰前后余荷峰谷差(MW)
Figure BDA0002816639960000131
三峡电站运行过程如图3、5、7所示，从图中可以看出三峡电站的出力在9月较大，在10月减小出力甚至有些时段以保证出力发电。分析其原因：华中电网9月处于负荷高峰期，在2017、2015、2016年的平均负荷分别为98258MW、85930MW、93977MW，远大于对应的10月平均负荷92780MW、82043MW、88120MW，为了使整个调度期华中电网的余荷更平稳，三峡电站在华中电网负荷高峰期多发电，低谷时段少发电，即在9月出力较大，10月出力小，对电网起到一定削峰填谷的作用。在水位变化方面，三峡水位在9月上升缓慢甚至出现部分时段下降的趋势，10月1日后迅速上升为175m左右。三峡的水位的变化趋势与其入库流量和出力有直接的关系，由于9月三峡出力较大，所以其水位上升慢，而10月三峡出力较小，所以水位上升也快。综上表明SFS算法求解的结果符合实际运行情况，体现了其适用性。综上表明改进SFS算法求解水电站调峰调度问题时，在削减电网峰谷差的同时，很大程度上实现了调度期余荷相对平稳，有效减小余荷波动，保证了其他电源出力的平稳性，充分发挥了水电调峰的优势，体现了改进SFS算法的适用性和优越性。
需要指出的是，传统优化方法如动态规划难以高效解决的复杂非线性调度问题，求解结果精度低而且克服不了“维数灾”问题，智能计算方法为解决这类问题提供了一条有效途径，收敛速度快，求解精度也较高。水电站调峰调度结果是多峰的，用智能计算方法求解结果具有随机性，当求解模型维数过大时并不一定能找到最优解，本实施例求解模型有61个时段，属于维数较大的，故每次重复求解的结果也不尽相同。而结果的稳定性也是不容忽视的问题，只有算法满足稳定性时才不失为求解水电站调峰的一种方法。为了探究本发明改进的随机分形算法(SFS)的稳定性，对三个典型年2017(相对丰水年)、2015(平水年)、2016(特枯水年)各自开展了20次独立仿真模拟实验，将目标函数值进行统计，结果如图8所示，由图可知，模型输出结果存在一定差异，但在这20次独立的仿真试验中，目标函数值一直在很小的范围内变动，这充分证明本发明改进的随机分形算法(SFS)在求解水电站调峰调度问题时是可行的。
以三峡电站和华中电网为实例研究对象，在三峡蓄水期的径流特性分析基础上，选择以2017年(相对丰水期)、2015年(平水年)、2016年(特枯水年)为典型年进行试验性计算，综上表明改进SFS算法求解水电站调峰调度问题时，在削减电网峰谷差的同时，很大程度上实现了调度期余荷相对平稳，有效减小余荷波动，保证了其他电源出力的平稳性，充分发挥了水电调峰的优势，验证了改进随机分形算法在模型求解上具有适用性、优越性，最后对算法进行了20次独立重复实验，结果也在很小的范围内浮动，体现了其稳定性。
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)

1.一种水电站调峰调度方法，其特征在于，包括：
S1.在水位廊道边界内初始化N个水位过程作为种群中的个体；
S2.将调峰调度模型的目标函数作为个体适应度计算函数，找出适应度值最优个体作为全局最优个体；
S3.对种群中个体执行截尾正态分布离散、第一次更新过程与第二次更新过程；并在第一次更新过程与第二次更新过程后进行水位修正，将当前全局最优个体与上一代全局最优个体比较，若优于上一代全局最优个体则代替其成为新的全局最优个体，否则全局最优个体不变；
S4.判断迭代次数是否达到最大迭代次数；若是，则完成迭代进入步骤S5；若否，则返回执行S3；
S5.利用模型求解结果进行水电调峰调度。
2.根据权利要求1所述的一种水电站调峰调度方法，其特征在于，水位廊道边界的计算如下所示：
Figure FDA0002816639950000011
Figure FDA0002816639950000012
式中：
Figure FDA0002816639950000013
分别表示时段末的实时廊道上边界和水位下边界；
Figure FDA0002816639950000014
Figure FDA0002816639950000015
分别为水电站水库水位在时段t允许的最低水位、最高水位；
Figure FDA0002816639950000016
分别为水电站在时段t允许的最小出力、最大出力；f1(Z,N)表示时段初水位为Z，出力为N时通过流量迭代法计算得到的时段末水位；f2(Z,Q)表示时段初水位为Z，下泄流量为Q时计算得到的时段末水位；
Figure FDA0002816639950000017
分别为水电站在时段t允许的最小发电流量、最大发电流量；
Figure FDA0002816639950000018
为水电站水库水位在时段t允许的水位升幅限值；
Figure FDA0002816639950000019
为水电站水库水位在时段t允许的水位最低值。
3.根据权利要求1所述的一种水电站调峰调度方法，其特征在于，水电站调峰调度模型为：
Figure FDA0002816639950000021
式中，Nt为水电站在t时段的出力；r为水电站送往受端电网的送电比例；Lt为t时段电网的负荷值，Rt为经水电站调峰后电网t时段余荷值；T为调度期内调峰时段数，R为水电调峰后电网余荷均值；F为电网余荷均方差即目标值。
4.根据权利要求1所述的一种水电站调峰调度方法，其特征在于，截尾正态分布如下所示：
Figure FDA0002816639950000022
式中：Pi(j)表示截尾正态分布游走后个体i的第j个分量的位置；
Figure FDA0002816639950000023
为截尾正态分布；
Figure FDA0002816639950000024
为截尾正态分布密度函数；Φ为标准正态分布函数；BP和Pi分别表示群体中的最佳个体和个体i的位置；g为迭代次数，μBP和σ是两个高斯参数，ε和ε′是在区间[0，1]上服从均匀分布的随机数，φ表示标准正态分布的概率密度函数、ξ表示最大似然变量。
5.根据权利要求4所述的一种水电站调峰调度方法，其特征在于，步骤S3具体包括：
对种群中每个个体执行截尾正态分布进行扩散，用每个个体扩散过程中生成的最优个体替换此个体，并找出全局最优个体；
执行第一次更新：根据适应度值从大到小对种群中所有的个体进行排序，计算个体i的性能级别Pai；判定条件Pai＜ε是否满足；若满足，则根据Pi'(j)＝Pr(j)-ε×(Pt(j)-Pi(j))更新个体Pi的各个分量Pi(j)，得到更新后的个体Pi'；否则保持不变；其中，Pr和Pt是种群中随机选择的个体；
执行第二次更新：根据适应度值大小对第一次更新后种群中所有的个体进行排序，计算个体i的性能级别P′ai；判定条件P′ai＜ε是否满足；若满足，则根据Pi'(j)＝Pr(j)-ε×(Pt(j)-Pi(j))更新个体Pi'的各个分量Pi'(j)，并更新个体i的当前位置Pi'得到Pi”，当Pi”的适应度值优于Pi'的适应度值，用Pi”替换Pi'；否则，保持不变；
找出全局最优个体与上一代全局最优个体比较，若优于上一代全局最优个体则代替其成为新的全局最优个体，否则全局最优个体不变。
6.根据权利要求5所述的一种水电站调峰调度方法，其特征在于，对个体i的性能级别Pai表示如下：
Figure FDA0002816639950000031
式中，rank(Pi)为个体Pi在种群中的排名；N为种群中个体的数量。
7.根据权利要求5所述的一种水电站调峰调度方法，其特征在于，根据以下公式更新个体i的当前位置Pi'得到Pi”：
Figure FDA0002816639950000032
式中：Pt'和P′r是从第一次更新后种群中随机选择的两个个体；
Figure FDA0002816639950000033
是由高斯正态分布生成的随机数；ε'是在区间[0，1]上服从均匀分布的随机数。
CN202011412384.XA 2020-12-03 2020-12-03 一种水电站调峰调度方法 Active CN112434876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412384.XA CN112434876B (zh) 2020-12-03 2020-12-03 一种水电站调峰调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412384.XA CN112434876B (zh) 2020-12-03 2020-12-03 一种水电站调峰调度方法

Publications (2)

Publication Number Publication Date
CN112434876A true CN112434876A (zh) 2021-03-02
CN112434876B CN112434876B (zh) 2023-10-20

Family

ID=74692029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412384.XA Active CN112434876B (zh) 2020-12-03 2020-12-03 一种水电站调峰调度方法

Country Status (1)

Country Link
CN (1) CN112434876B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184426A (zh) * 2015-10-20 2015-12-23 华中科技大学 一种基于随机连续寻优策略的梯级电站调峰方法
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN109472463A (zh) * 2018-10-19 2019-03-15 华中科技大学 一种特大流域水电站群多电网调峰调度方法及系统
CN110222938A (zh) * 2019-05-10 2019-09-10 华中科技大学 一种梯级水电站群短期调峰调度协同优化方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184426A (zh) * 2015-10-20 2015-12-23 华中科技大学 一种基于随机连续寻优策略的梯级电站调峰方法
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN109472463A (zh) * 2018-10-19 2019-03-15 华中科技大学 一种特大流域水电站群多电网调峰调度方法及系统
CN110222938A (zh) * 2019-05-10 2019-09-10 华中科技大学 一种梯级水电站群短期调峰调度协同优化方法和系统

Also Published As

Publication number Publication date
CN112434876B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN107276122B (zh) 适应大规模可再生能源并网的调峰资源调用决策方法
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
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN110535132B (zh) 一种基于鲁棒优化的电力系统建设规划方法
CN106570579B (zh) 一种基于改进量子粒子群算法的水火电经济调度方法
Yong An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs
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
CN112149264A (zh) 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
CN113241780B (zh) 一种基于秃鹰搜索算法的电网二次调频控制方法与系统
CN110739726A (zh) 一种考虑海上风电接入的多类型电源容量长期规划方法
CN114021965A (zh) 一种梯级水电站群多目标多模式智能切换的优化调度方法
CN112103941A (zh) 考虑电网灵活性的储能配置双层优化方法
CN115173433A (zh) 一种平抑风电波动的储能容量优化方法及系统
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN114091748B (zh) 一种适应多场景的微电网一体化柔性规划方法及系统
CN108564231B (zh) 一种大规模水电站水库群联合调度的代理优化降维方法
CN117610828A (zh) 一种步长逐密多目标梯级水电站群优化调度方法
CN113363976A (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN112434876A (zh) 一种水电站调峰调度方法
CN112488564B (zh) 基于随机分形-逐次逼近算法的梯级电站调度方法及系统
CN115271254A (zh) 一种基于海鸥算法优化极限学习机的短期风功率预测方法
CN114362239A (zh) 一种综合考虑多因素的电网电源极限配置策略
CN113507134B (zh) 一种规划目标年新能源电源装机容量的优化规划方法
Liu et al. A multi-core parallel genetic algorithm for the long-term optimal operation of large-scale hydropower systems
CN111027825A (zh) 基于典型枯水年和出力系数优选的蓄能调度图绘制方法

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