CN113285445A - 一种双层分布式多目标旋转黏菌的多区域经济调度方法 - Google Patents

一种双层分布式多目标旋转黏菌的多区域经济调度方法 Download PDF

Info

Publication number
CN113285445A
CN113285445A CN202110499795.5A CN202110499795A CN113285445A CN 113285445 A CN113285445 A CN 113285445A CN 202110499795 A CN202110499795 A CN 202110499795A CN 113285445 A CN113285445 A CN 113285445A
Authority
CN
China
Prior art keywords
generator set
value
cost
coefficient
moment
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
CN202110499795.5A
Other languages
English (en)
Other versions
CN113285445B (zh
Inventor
殷林飞
刘东端
韦潇莹
高放
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN202110499795.5A priority Critical patent/CN113285445B/zh
Publication of CN113285445A publication Critical patent/CN113285445A/zh
Application granted granted Critical
Publication of CN113285445B publication Critical patent/CN113285445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种双层分布式多目标旋转黏菌的多区域经济调度方法，该方法是一种多目标分布式双层智能优化方法，用来解决多区域经济调度问题。首先，通过母线撕裂法将大规模电力系统分为若干子区域系统，形成第一层；再将若干子区域系统继续分为若干子子区域系统，形成第二层。然后，通过共享边界虚拟节点部分信息，采用分布式一致性多目标旋转黏菌智能优化方法安全且快速有效地解决多区域经济调度问题。

Description

一种双层分布式多目标旋转黏菌的多区域经济调度方法
技术领域
本发明属于电力系统中多区域经济调度领域，涉及一种多目标分布式双层智能优化方法，适用于分布式互联电力系统的多区域配电网经济调度优化。
背景技术
随着传统的一次能源的消耗逐渐增多，造成的环境污染愈加严重。新能源的发展逐渐成为人们代替传统一次能源的重要贮备。风力、太阳能与地热能新能源属于间歇性能源，且区域发展不均衡、能源分布不均匀和能源的间歇性是影响分布式发电的主要原因，为了实现多区域的电力调度问题，双层多目标多区域的电力系统电力调度成为了当前的研究热点。
电力市场的推广使得多区域的电力调度的设备和调控机组需要越来越智能化的控制。传统的电力系统多区域电力调度是通过集中式管理进行优化调控，即电力调度中心通过获取多区域电力网络的负荷与发电机组的工作信息后，通过电力系统经济调度优化方法进行优化计算并向各发电机组发送最优的调度指令。但是传统的集中式经济调度优化方法不满足大规模多区域电力系统的经济调度要求，且鲁棒性差，信息传输不及时的缺点。
而双层分布式多区域智能优化方法更注重于各区域发电机组的独立性和智能调控。每个分布式区域单独通过旋转黏菌方法来优化该区域经济调度所要满足的最优目标。分布式区域之间通过交换虚拟节点的部分信息能够保证分布式多区域电力网络的高效运行；各区域内部的每个智能体之间交换成本微增率，有效保护每个智能体的工作运行信息；各区域的多目标优化能够实现各发电机组的最优经济调度。因此，双层分布式多目标旋转黏菌的多区域经济调度方法更适合应用于分布式多区域多工况电力系统的经济调度中。
发明内容
本发明提出一种双层分布式多目标旋转黏菌的多区域经济调度方法。将大规模电力系统划分为若干个较小的子区域电力系统，每个区域独立优化子问题，通过共享边界虚拟节点的部分信息来实现整体协调的第一层采用分布式优化；接着采用旋转黏菌智能方法对每个子区域的经济调度问题进行优化。在单一区域经济调度的优化过程中，子区域的每个智能体之间通过互相交换成本微增率来实现子区域的经济调度的第二层分布式优化。因此，本发明在保证分布式多区域电力系统的安全性和可靠性的前提下，能够提高经济调度计算的速度，得到最优的经济调度策略，保障各区域电力系统之间及其内部的信息私密性。
构建具有风力发电和太阳能发电的经济调度模型，通过获得发电机组的最低发电成本实现电力系统的最优经济调度。本发明的经济调度目标函数为：
Figure BDA0003055946930000021
其中，Wcost为成本权重系数；通过设置不同的权值，侧重不同的目标值，求得多目标的解；
Figure BDA0003055946930000022
为在t时刻第i台常规发电机机组的成本；
Figure BDA0003055946930000023
第j台风力发电机组的成本；
Figure BDA0003055946930000024
为第z台太阳能光伏发电机组的成本；NGE为常规发电机机组的数量；NWE为风力发电机组的数量；NPE为太阳能光伏发电机组的数量；
Figure BDA0003055946930000025
为在t时刻第i台常规发电机机组的碳排放量；T为目标函数的统计时间；且
Figure BDA0003055946930000026
其中，
Figure BDA0003055946930000027
为在t时刻第i台常规发电机机组的发电量；
Figure BDA0003055946930000028
为第j台风力发电机组的发电量；
Figure BDA0003055946930000029
为第z台太阳能光伏发电机组的发电量；ai为第i台常规发电机机组成本系数的二次项；bi为第i台常规发电机机组成本系数的一次项；ci为第i台常规发电机机组成本系数的常数项；dj为第j台风力发电机组的单位发电经济成本；ez为第z台太阳能光伏发电机组的单位发电经济成本；αi为第i台常规发电机机组碳排放系数的二次项；βi为第i台常规发电机机组碳排放系数的一次项；γi为第i台常规发电机机组碳排放系数的常数项。
经济调度的等式约束为：
Figure BDA00030559469300000210
经济调度的功率不等式约束为：
Figure BDA0003055946930000031
其中，
Figure BDA0003055946930000032
为第i台常规发电机机组的发电量的下限；
Figure BDA0003055946930000033
为第i台常规发电机机组的发电量的上限；
Figure BDA0003055946930000034
为第j台风力发电机组的发电量的下限；
Figure BDA0003055946930000035
为第j台风力发电机组的发电量的下限；
Figure BDA0003055946930000036
为第z台太阳能光伏发电机组的发电量的下限；
Figure BDA0003055946930000037
为第z台太阳能光伏发电机组的发电量的上限；
Figure BDA0003055946930000038
为第t-1时刻常规发电机机组的发电量；
Figure BDA0003055946930000039
为第t时刻常规发电机机组的发电量；
Figure BDA00030559469300000310
为常规发电机机组向下的爬坡值；
Figure BDA00030559469300000311
为常规发电机机组向上的爬坡值；T60为60分钟；PDt为在t时刻负荷预测值。
经济调度的备用不等式约束为：
Figure BDA00030559469300000312
其中，
Figure BDA00030559469300000313
为在t时刻风力发电机机组的正旋转备用值；
Figure BDA00030559469300000314
为在t时刻第j台风力发电机机组的正旋转备用值；
Figure BDA00030559469300000315
为在t时刻风电机组的负旋转备用值；
Figure BDA00030559469300000316
为在t时刻第j台风力发电机机组的负旋转备用值；
Figure BDA00030559469300000317
为在t时刻太阳能光伏发电机组的正旋转备用值；
Figure BDA00030559469300000318
为在t时刻第z台太阳能光伏发电机组的正旋转备用值；
Figure BDA00030559469300000319
为在t时刻太阳能光伏发电机组的负旋转备用值；
Figure BDA00030559469300000320
为在t时刻第z台太阳能光伏发电机组的负旋转备用值；LW+％为风力发电机机组中负荷正旋转备用需求系数；LW-％为风力发电机机组中负荷负旋转备用需求系数；LP+％为太阳能光伏发电机组中负荷正旋转备用需求系数；LP-％为太阳能光伏发电机组中负荷负旋转备用需求系数；Wu％为风电发电机机组正旋转备用需求系数；Wd％为风电发电机机组负旋转备用需求系数；Pu％为太阳能光伏发电机组的正旋转备用需求系数；Pd％为太阳能光伏发电机组的负旋转备用需求系数； T10为10分钟。
通过母线撕裂法将整体的电力系统划分为若干个较小的子区域，每个子区域独立优化求解子区域的经济调度最优能有效地提高运算速度。
三区域边界虚拟节点的耦合关系为：
Figure BDA0003055946930000041
其中，xA1为区域A与区域B的虚拟边界变量；xA2为区域A与区域C的虚拟边界变量；ψAB为区域A和区域B之间虚拟边界节点的电气方向修正系数；ψBA为区域B和区域A 之间虚拟边界节点的电气方向修正系数；xB1为区域B与区域A的虚拟边界变量；xB2为区域B与区域C的虚拟边界变量；ψBC为区域B和区域C之间虚拟边界节点的电气方向修正系数；ψCB为区域C和区域B之间虚拟边界节点的电气方向修正系数；xC1为区域C与区域A的虚拟边界变量；xC2为区域C与区域B的虚拟边界变量；ψAC为区域 A和区域C之间虚拟边界节点的电气方向修正系数；ψCA为区域C和区域A之间虚拟边界节点的电气方向修正系数。
黏菌方法具有收敛速度快，寻优能力强的特点。旋转黏菌方法模拟了黏菌在觅食过程中的行为和形态变化，通过权重指标模拟黏菌的形态变化和收缩模式。黏菌在觅食过程中，通过空气中气味接近食物，食物浓度越高，生物振荡器波越强，细胞质流动越快，黏菌的静脉状管越粗。黏菌觅食过程中更新的位置为：
Figure BDA0003055946930000042
p＝tanh(|S(i)-DF|) (8)
其中，rand()为随机化函数，取值[0-1]之间的随机值；UB表示搜索范围的上边界；LB 表示搜索范围的下边界；r表示[0-1]之间的随机值；vb的参数取值范围为[-a,a]；vc从1线性减小至0；t表示当前迭代；Xb(t)表示当前黏菌发现食物气味浓度最高位置；X(t) 表示黏菌当前位置；XA(t)和XB(t)表示当前迭代随机选取的两个黏菌位置；W表示黏菌重量；tanh()为双曲正切函数；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度。
参数a为：
Figure BDA0003055946930000051
其中，arctanh()为反双曲正切函数；maxT表示最大迭代次数。
黏菌重量W为：
Figure BDA0003055946930000052
SmellIndex＝sort(S) (11)
其中，condition表示S(i)排在前一半的种群；others为S(i)排在后一半的种群；SmellIndex 表示适应度序列；log为对数函数；bF表示在当前迭代中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；sort()表示升序序列。
旋转黏菌方法的寻优迭代过程的角度为：
θ(t+1)＝θ(t)+Δθ (12)
其中，θ(t+1)为第t+1次迭代时黏菌位置与实轴之间的角度；θ(t)为第t次迭代时黏菌位置与实轴之间的角度；Δθ为两次迭代之间的角度差。
R(t+1)＝R(t)-ΔR (13)
其中，R(t+1)为第t+1次迭代时黏菌位置与食物之间的极径；R(t)第t次迭代时黏菌位置与食物之间的极径；ΔR为两次迭代之间的极径差。
对于分布式系统而言，各子区域网络拓扑结构确定的邻接矩阵H＝[hmn]和拉普拉斯矩阵L＝[lmn]的关系为：
Figure BDA0003055946930000053
其中，hmn为邻接矩阵元素；lmm和lmn为拉普拉斯矩阵元素；N分布式系统中的区域的个数。
求解行随机矩阵Fmn，并对分布式系统中的智能体的跟随者和领导者进行成本微增率计算，即
Figure BDA0003055946930000061
其中，Fmn为智能体的行随机矩阵。
跟随者的一致性变量为:
Figure BDA0003055946930000062
其中，xm(k+1)为第m台机组在第k+1次的一致性变量；xn(k)为第n台机组在第k次的一致性变量。
领导者的一致性变量为：
Figure BDA0003055946930000063
其中，W为旋转黏菌方法的功率平衡因子；ΔP为功率偏差。
总的发电机机组成本微增率为：
Δxm＝2PGm[Wcostam+(1-Wcost)αm]+[Wcostbm+(1-Wcost)βm] (18)
其中，Δxm为第m台机组的成本微增率；am为第m台机组的成本微增率一次项系数；bm第m台机组的成本微增率常数项系数；αm为第m台机组的碳排放系数的一次项系数；βm为第m台机组的碳排放系数的常数项系数。总的发电机机组出力PGm约束条件为：
Figure BDA0003055946930000064
其中，
Figure BDA0003055946930000065
为总的发电机机组出力最小值；
Figure BDA0003055946930000066
为总的发电机机组出力最大值。
总的发电机机组成本微增率Δxm约束条件为：
Figure BDA0003055946930000067
其中，
Figure BDA0003055946930000071
为总的发电机机组成本微增率最小值；
Figure BDA0003055946930000072
为总的发电机机组成本微增率最大值。
功率偏差值ΔP为：
Figure BDA0003055946930000073
判断|ΔP|≤ΔPmax是否成立，若成立则区域迭代计算收敛，各区域之间开始互换边界信息；当各区域的之间虚拟边界节点的有功差小于设定的最大功率偏差量ΔPmax，则认为求解完成。
满足以上条件之后，采用旋转黏菌方法对多区域经济调度目标函数进行优化，求解最优的成本。
附图说明
图1是本发明方法的多区域母线撕裂示意图。
图2是本发明方法的所属分类。
图3是本发明方法的旋转黏菌智能方法寻优示意图。
图4是本发明方法的各子区域的分布式一致性方法流程图。
图5本发明方法的整体流程图。
具体实施方式
本发明提出的一种双层分布式多目标旋转黏菌的多区域经济调度方法，结合附图详细说明如下：
图1是本发明方法的多区域母线撕裂示意图。将地方性区域网络划分为A、B和C 三个区域，A、B和C三区域联络线的之间断开作为不同区域的虚拟边界节点，得到三个完整的子区域。各区域之间通过旋转黏菌方法单独优化解决各区域的经济调度问题，再相互交换虚拟边界节点的信息，从而实现区域之间的整体协调优化。
图2是本发明方法的所属分类。优化方法分为单目标与多目标优化，本发明是基于多目标优化的经济调度方法；多目标优化分为分布式多目标优化与集中式多目标优化，本发明采用的为分布式多目标优化的经济调度方法；分布式多目标优化分为单层与双层优化，单层优化的结构简单，不能支撑现代复杂的电力系统，本发明采用的方法为分布式多目标优化双层优化方法；分布式多目标优化双层优化分为解析式方法与智能方法，本发明采用旋转黏菌智能方法来进行经济调度问题的多目标优化。本发明方法的智能优化方法还可以是其他智能优化方法，如灰狼优化方法和遗传优化方法。本发明方法的双层还可以是更多层，如三层和四层。
图3是本发明方法的旋转黏菌智能方法寻优示意图。其具体步骤如下：
步骤1：初始化种群，根据分布式区域电力系统设定参数；
步骤2：计算适应度值，并且对黏菌序列进行排序；
步骤3：更新种群位置；
步骤4：计算适应度值，并且更新黏菌群最优位置，并获得当前最优位置；
步骤5：判断是否达到结束条件，如果达到则输出最优结果，否则重复执行步骤2-5。
图4是本发明方法的各子区域的分布式一致性方法流程图。分布式一致性方法仅通过交换智能体之间的一致性变量来完成各子区域的求解，有效地保护各智能体的信息。具体步骤如下：
步骤1：输入预测的负荷值，并设置各子区域的初始迭代步数k＝0；
步骤2：求出跟随者和领导者的各智能体的一致性变量，同时各相邻智能体制之间互相交换成本微增率；
步骤3：求出有功出力；
步骤4：求出一致性变量；
步骤5：求出功率偏差值；
步骤6：判断功率偏差值是否小于设置的最大功率偏差量，如果小于，则迭代结束；如果不小于，则令迭代步数k＝k+1，再转入步骤2。
步骤7：将优化后得到的经济调度模型进行旋转黏菌方法的优化，通过黏菌方法优化求解最优值。
图5本发明方法的整体流程图。其具体步骤如下：
步骤1：利用母线撕裂法进行区域分解，并建立考虑了风力发电、太阳能的多区域配电网经济调度模型；
步骤2：设置初始时段t＝1；
步骤3：设置各区域之间优化次数s＝1；
步骤4：输入预测的负荷值，并设置各子区域的初始迭代步数k＝0；
步骤5：求出作为跟随者和领导者的各智能体的一致性变量，同时各相邻智能体制之间互相交换成本微增率；
步骤6：求出有功出力；
步骤7：求出一致的成本微增率；
步骤8：求出功率偏差值；
步骤9：判断功率偏差值是否小于设置的最大功率偏差量，如果不小于，则令迭代步数k＝k+1，再转入步骤5；如果小于，则各区域之间交换虚拟节点的有功出力信息。
步骤10：将优化后得到的经济调度模型进行旋转黏菌方法的优化，通过黏菌方法优化求解最优值。
步骤11：判断各区域之间边界虚拟节点的有功误差是否小于设定精度，如果不满足，则转入步骤4；如果满足，则转入步骤12；
步骤12：判断当前调度时段是否达到单个调度周期的时段总数，如果没有达到，则转入步骤3；如果达到，则双层优化求解结束。

Claims (1)

1.一种双层分布式多目标旋转黏菌的多区域经济调度方法，其特征在于，包括以下步骤：
步骤1：利用母线撕裂法进行区域分解，并建立考虑了风力发电、太阳能的多区域配电网经济调度模型；
经济调度目标函数为：
Figure FDA0003055946920000011
其中，Wcost为成本权重系数；通过设置不同的权值，侧重不同的目标值，求得多目标的解；
Figure FDA0003055946920000012
为在t时刻第i台常规发电机机组的成本；
Figure FDA0003055946920000013
第j台风力发电机组的成本；
Figure FDA0003055946920000014
为第z台太阳能光伏发电机组的成本；NGE为常规发电机机组的数量；NWE为风力发电机组的数量；NPE为太阳能光伏发电机组的数量；
Figure FDA0003055946920000015
为在t时刻第i台常规发电机机组的碳排放量；T为目标函数的统计时间；且
Figure FDA0003055946920000016
Figure FDA0003055946920000017
Figure FDA0003055946920000018
Figure FDA0003055946920000019
其中，
Figure FDA00030559469200000110
为在t时刻第i台常规发电机机组的发电量；
Figure FDA00030559469200000111
为第j台风力发电机组的发电量；
Figure FDA00030559469200000112
为第z台太阳能光伏发电机组的发电量；ai为第i台常规发电机机组成本系数的二次项；bi为第i台常规发电机机组成本系数的一次项；ci为第i台常规发电机机组成本系数的常数项；dj为第j台风力发电机组的单位发电经济成本；ez为第z台太阳能光伏发电机组的单位发电经济成本；αi为第i台常规发电机机组碳排放系数的二次项；βi为第i台常规发电机机组碳排放系数的一次项；γi为第i台常规发电机机组碳排放系数的常数项；
经济调度的等式约束为：
Figure FDA00030559469200000113
经济调度的功率不等式约束为：
Figure FDA0003055946920000021
其中，
Figure FDA0003055946920000022
为第i台常规发电机机组的发电量的下限；
Figure FDA0003055946920000023
为第i台常规发电机机组的发电量的上限；
Figure FDA0003055946920000024
为第j台风力发电机组的发电量的下限；
Figure FDA0003055946920000025
为第j台风力发电机组的发电量的下限；
Figure FDA0003055946920000026
为第z台太阳能光伏发电机组的发电量的下限；
Figure FDA0003055946920000027
为第z台太阳能光伏发电机组的发电量的上限；
Figure FDA0003055946920000028
为第t-1时刻常规发电机机组的发电量；
Figure FDA0003055946920000029
为第t时刻常规发电机机组的发电量；
Figure FDA00030559469200000210
为常规发电机机组向下的爬坡值；
Figure FDA00030559469200000211
为常规发电机机组向上的爬坡值；T60为60分钟；
Figure FDA00030559469200000212
为在t时刻负荷预测值；
经济调度的备用不等式约束为：
Figure FDA00030559469200000213
其中，
Figure FDA00030559469200000214
为在t时刻风力发电机机组的正旋转备用值；
Figure FDA00030559469200000215
为在t时刻第j台风力发电机机组的正旋转备用值；
Figure FDA00030559469200000216
为在t时刻风电机组的负旋转备用值；
Figure FDA00030559469200000217
为在t时刻第j台风力发电机机组的负旋转备用值；
Figure FDA00030559469200000218
为在t时刻太阳能光伏发电机组的正旋转备用值；
Figure FDA00030559469200000219
为在t时刻第z台太阳能光伏发电机组的正旋转备用值；
Figure FDA00030559469200000220
为在t时刻太阳能光伏发电机组的负旋转备用值；
Figure FDA00030559469200000221
为在t时刻第z台太阳能光伏发电机组的负旋转备用值；LW+％为风力发电机机组中负荷正旋转备用需求系数；LW-％为风力发电机机组中负荷负旋转备用需求系数；LP+％为太阳能光伏发电机组中负荷正旋转备用需求系数；LP-％为太阳能光伏发电机组中负荷负旋转备用需求系数；Wu％为风电发电机机组正旋转备用需求系数；Wd％为风电发电机机组负旋转备用需求系数；Pu％为太阳能光伏发电机组的正旋转备用需求系数；Pd％为太阳能光伏发电机组的负旋转备用需求系数；T10为10分钟；
步骤2：设置初始时段t＝1；
步骤3：设置各区域之间优化次数s＝1；
步骤4：输入预测的负荷值，并设置各子区域的初始迭代步数k＝0；
步骤5：求出作为跟随者和领导者的各智能体的一致性变量，同时各相邻智能体制之间互相交换成本微增率；
跟随者的一致性变量为:
Figure FDA0003055946920000031
其中，xm(k+1)为第m台机组在第k+1次的一致性变量；xn(k)为第n台机组在第k次的一致性变量；N分布式系统中的区域的个数；
领导者的一致性变量为：
Figure FDA0003055946920000032
其中，W为旋转黏菌方法的功率平衡因子；ΔP为功率偏差；
总的发电机机组成本微增率为：
Δxm＝2PGm[Wcostam+(1-Wcost)αm]+[Wcostbm+(1-Wcost)βm]
其中，Δxm为第m台机组的成本微增率；am为第m台机组的成本微增率一次项系数；bm第m台机组的成本微增率常数项系数；αm为第m台机组的碳排放系数的一次项系数；βm为第m台机组的碳排放系数的常数项系数；
步骤6：求出有功出力；
步骤7：求出一致的成本微增率；
步骤8：求出功率偏差值；
功率偏差值ΔP为：
Figure FDA0003055946920000041
步骤9：判断功率偏差值是否小于设置的最大功率偏差量，如果不小于，则令迭代步数k＝k+1，再转入步骤5；如果小于，则各区域之间交换虚拟节点的有功出力信息；
步骤10：将优化后得到的经济调度模型进行旋转黏菌方法的优化，通过黏菌方法优化求解最优值；
黏菌觅食过程中更新的位置为：
Figure FDA0003055946920000042
p＝tanh(|S(i)-DF|)
其中，rand()为随机化函数，取值[0-1]之间的随机值；UB表示搜索范围的上边界；LB表示搜索范围的下边界；r表示[0-1]之间的随机值；vb的参数取值范围为[-a,a]；vc从1线性减小至0；t表示当前迭代；Xb(t)表示当前黏菌发现食物气味浓度最高位置；X(t)表示黏菌当前位置；XA(t)和XB(t)表示当前迭代随机选取的两个黏菌位置；W表示黏菌重量；tanh()为双曲正切函数；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度；
参数a为：
Figure FDA0003055946920000043
其中，arctanh()为反双曲正切函数；maxT表示最大迭代次数；
黏菌重量W为：
Figure FDA0003055946920000044
SmellIndex＝sort(S)
其中，condition表示S(i)排在前一半的种群；others为S(i)排在后一半的种群；SmellIndex表示适应度序列；log为对数函数；bF表示在当前迭代中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；sort()表示升序序列；
旋转黏菌方法的寻优迭代过程的角度为：
θ(t+1)＝θ(t)+Δθ
其中，θ(t+1)为第t+1次迭代时黏菌位置与实轴之间的角度；θ(t)为第t次迭代时黏菌位置与实轴之间的角度；Δθ为两次迭代之间的角度差；
R(t+1)＝R(t)-ΔR
其中，R(t+1)为第t+1次迭代时黏菌位置与食物之间的极径；R(t)第t次迭代时黏菌位置与食物之间的极径；ΔR为两次迭代之间的极径差；
步骤11：判断各区域之间边界虚拟节点的有功误差是否小于设定精度，如果不满足，则转入步骤4；如果满足，则转入步骤12；
步骤12：判断当前调度时段是否达到单个调度周期的时段总数，如果没有达到，则转入步骤3；如果达到，则双层优化求解结束。
CN202110499795.5A 2021-05-08 2021-05-08 一种双层分布式多目标旋转黏菌的多区域经济调度方法 Active CN113285445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110499795.5A CN113285445B (zh) 2021-05-08 2021-05-08 一种双层分布式多目标旋转黏菌的多区域经济调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110499795.5A CN113285445B (zh) 2021-05-08 2021-05-08 一种双层分布式多目标旋转黏菌的多区域经济调度方法

Publications (2)

Publication Number Publication Date
CN113285445A true CN113285445A (zh) 2021-08-20
CN113285445B CN113285445B (zh) 2022-10-11

Family

ID=77278191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110499795.5A Active CN113285445B (zh) 2021-05-08 2021-05-08 一种双层分布式多目标旋转黏菌的多区域经济调度方法

Country Status (1)

Country Link
CN (1) CN113285445B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066282A (zh) * 2021-11-23 2022-02-18 吉林化工学院 一种基于混合核搜索和黏菌优化的电力经济排放调度方法
CN114172208A (zh) * 2021-11-29 2022-03-11 国网山东省电力公司郯城县供电公司 一种基于多区域互联的新能源消纳优化系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326353A (zh) * 2013-05-21 2013-09-25 武汉大学 基于改进多目标粒子群算法的环境经济发电调度求解方法
CN106251043A (zh) * 2016-07-20 2016-12-21 广东工业大学 多区域经济环境调度优化方法和装置
CN106505637A (zh) * 2016-11-08 2017-03-15 南方电网科学研究院有限责任公司 一种电力系统有功调度保守度的优化方法
CN108808737A (zh) * 2017-05-02 2018-11-13 南京理工大学 促进可再生分布式电源消纳的主动配电网优化调度方法
CN109062151A (zh) * 2018-05-08 2018-12-21 国网山东省电力公司青岛供电公司 综合能源系统多目标集成设计与优化控制方法
CN109559035A (zh) * 2018-11-29 2019-04-02 国网(苏州)城市能源研究院有限责任公司 一种考虑灵活性的城市配电网双层规划方法
CN110363362A (zh) * 2019-07-30 2019-10-22 合肥工业大学 一种计及柔性负荷的多目标日前经济调度模型与方法
CN112103971A (zh) * 2020-09-01 2020-12-18 广西大学 一种电网调频型飞轮储能系统的矢量强化学习控制方法
CN112217197A (zh) * 2020-09-01 2021-01-12 广西大学 一种双层分布式的多区域配电网经济调度的优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326353A (zh) * 2013-05-21 2013-09-25 武汉大学 基于改进多目标粒子群算法的环境经济发电调度求解方法
CN106251043A (zh) * 2016-07-20 2016-12-21 广东工业大学 多区域经济环境调度优化方法和装置
CN106505637A (zh) * 2016-11-08 2017-03-15 南方电网科学研究院有限责任公司 一种电力系统有功调度保守度的优化方法
CN108808737A (zh) * 2017-05-02 2018-11-13 南京理工大学 促进可再生分布式电源消纳的主动配电网优化调度方法
CN109062151A (zh) * 2018-05-08 2018-12-21 国网山东省电力公司青岛供电公司 综合能源系统多目标集成设计与优化控制方法
CN109559035A (zh) * 2018-11-29 2019-04-02 国网(苏州)城市能源研究院有限责任公司 一种考虑灵活性的城市配电网双层规划方法
CN110363362A (zh) * 2019-07-30 2019-10-22 合肥工业大学 一种计及柔性负荷的多目标日前经济调度模型与方法
CN112103971A (zh) * 2020-09-01 2020-12-18 广西大学 一种电网调频型飞轮储能系统的矢量强化学习控制方法
CN112217197A (zh) * 2020-09-01 2021-01-12 广西大学 一种双层分布式的多区域配电网经济调度的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANOHARAN PREMKUMAR等: "MOSMA: Multi-Objective Slime Mould Algorithm Based on Elitist Non-Dominated Sorting", 《IEEE ACCESS》 *
陈俊斌等: "基于极限动态规划算法的微电网一体化调度与控制", 《控制理论与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066282A (zh) * 2021-11-23 2022-02-18 吉林化工学院 一种基于混合核搜索和黏菌优化的电力经济排放调度方法
CN114172208A (zh) * 2021-11-29 2022-03-11 国网山东省电力公司郯城县供电公司 一种基于多区域互联的新能源消纳优化系统
CN114172208B (zh) * 2021-11-29 2022-08-19 国网山东省电力公司郯城县供电公司 一种基于多区域互联的新能源消纳优化系统

Also Published As

Publication number Publication date
CN113285445B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN113285445B (zh) 一种双层分布式多目标旋转黏菌的多区域经济调度方法
CN112615379B (zh) 基于分布式多智能体强化学习的电网多断面功率控制方法
CN106327091B (zh) 基于鲁棒联络线计划的多区域异步协调动态经济调度方法
Khooban et al. A new intelligent online fuzzy tuning approach for multi-area load frequency control: Self Adaptive Modified Bat Algorithm
CN107979092A (zh) 一种考虑分布式电源与软开关接入的配电网动态重构方法
WO2022016622A1 (zh) 真双极柔性直流输电系统故障下的自适应优化调控方法
CN104036334B (zh) 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法
CN110322372B (zh) 区域电力系统中多级电网联动的机组组合调度方法
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN112217197B (zh) 一种双层分布式的多区域配电网经济调度的优化方法
CN106786807A (zh) 一种基于模型预测控制的风电场有功功率控制方法
CN110363362A (zh) 一种计及柔性负荷的多目标日前经济调度模型与方法
CN108599270A (zh) 一种考虑风电随机性的电力系统广域协调消纳方法
CN103746374A (zh) 含多微网配电网的合环控制方法
CN110858718B (zh) 考虑经济性的交流微电网分布式事件驱动的频率控制方法
Li et al. Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system
CN103904641B (zh) 基于相关均衡强化学习的孤岛微电网智能发电控制方法
CN114037360A (zh) 一种考虑水库泄洪过程均匀化的闸门调度优化方法
CN106026084A (zh) 一种基于虚拟发电部落的agc功率动态分配方法
CN108092321A (zh) 一种考虑不确定性的有源配电网有功无功协调控制方法
CN113489015A (zh) 一种基于强化学习的配电网多时间尺度无功电压控制方法
CN107516892A (zh) 基于处理有功优化约束条件提高电能质量的方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN113379117A (zh) 基于改进的精英保留策略遗传算法的闸坝群联合调度方法及系统

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