CN113408779A - 新能源汇集网络的多目标规划方法、装置和计算机设备 - Google Patents
新能源汇集网络的多目标规划方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113408779A CN113408779A CN202110475712.9A CN202110475712A CN113408779A CN 113408779 A CN113408779 A CN 113408779A CN 202110475712 A CN202110475712 A CN 202110475712A CN 113408779 A CN113408779 A CN 113408779A
- Authority
- CN
- China
- Prior art keywords
- planning
- generation
- population
- planning scheme
- cross
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 82
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 104
- 238000002347 injection Methods 0.000 claims description 36
- 239000007924 injection Substances 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 24
- 239000000243 solution Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000001172 regenerating effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本申请涉及一种新能源汇集网络的多目标规划方法、装置、计算机设备和存储介质。所述方法包括：获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。该方法通过综合考虑新能源汇集网络中多目标的优化问题，并通过预设的多目标双层规划模型进行求解，得到规划方案集合，实现了送端网络中多目标性能的同步优化。
Description
技术领域
本申请涉及电网建设技术领域，特别是涉及一种新能源汇集网络的多目标规划方法、装置、计算机设备和存储介质。
背景技术
新能源接入下的电网规划工作多集中于输电网优化规划，目前的大多数新能源汇集网络规划方法所考虑的优化目标多为静态经济性最优，难以保证运行过程中各项系统性能的平衡，不能满足现有的新能源场站汇集网络的规划要求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高优化性能的新能源汇集网络的多目标规划方法、装置、计算机设备和存储介质。
第一方面，提供了一种新能源汇集网络的多目标规划方法，该方法包括：
获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；
将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
在其中一个实施例中，多目标双层规划模型包括第一规划模型和第二规划模型；
将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合，包括：
在优化变量的取值范围内利用差分进化算法对第一规划模型进行求解，得到目标优化变量；
根据目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对第二规划模型进行求解，得到规划方案集合。
在其中一个实施例中，多目标双层优化模型的建立过程，包括：
根据第一规划模型的优化目标构建第一规划模型的目标函数；其中，第一规划模型的优化目标包括：建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高；
根据新能源场站与汇集变电站之间的连接关系确定第一规划模型的约束条件；
根据第二规划模型的优化目标确定第二规划模型的目标函数；
根据第一规划模型的优化变量和新能源汇集网络的物理运行约束确定第二规划模型的约束条件。
在其中一个实施例中，目标优化变量包括初始规划方案和交叉规划方案；
在优化变量的取值范围内利用差分进化算法对第一规划模型进行求解，得到目标优化变量，包括：
将第一规划模型中的优化变量按照变量类型进行划分，得到连续变量种群和离散变量种群；
在优化变量的取值范围内对连续变量种群进行初始化，得到q代连续种群个体；其中，q初始化为1，q代连续种群个体包括汇集变电站坐标、汇集变电站变电容量和线路输电容量；
将离散变量种群随机初始化，得到q代离散种群，q代离散种群个体为待选线路的建设决策变量，0表示待选线路不建设，1表示待选线路建设；
根据第一规划模型的约束条件对q代离散种群进行拓扑约束校验，将符合拓扑约束的q代离散种群和q代连续种群个体组成初始规划方案；
将q代连续种群个体进行变异和交叉操作，形成q代连续种群个体对应的q+1代交叉连续种群个体；将符合拓扑约束的q代离散种群和q+1代交叉连续种群个体组成交叉规划方案；
根据目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对第二规划模型进行求解，得到规划方案集合，包括：
将初始规划方案和交叉规划方案输入第二规划模型中进行求解，得到q代初始规划方案的节点注入功率失配量和q+1代交叉规划方案的节点注入功率失配量；
当q代初始规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解初始规划方案对应的目标函数值，得到初始规划方案目标函数值；
当q+1代交叉规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解交叉规划方案对应的目标函数值，得到交叉规划方案目标函数值；
根据初始规划方案目标函数值和交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体；
生成q+1代连续种群个体的最小非支配集合，将最小非支配集合加入规划方案集合；
当规划方案集合的数量大于预设数目或者种群代数大于代数阈值时，输出规划方案集合。
在其中一个实施例中，该方法还包括：
当规划方案集合的数量小于或者等于预设数目并且种群代数小于或者等于代数阈值时，将种群代数q加一，对离散变量种群进行更新操作，得到q+1代离散种群；
将所述q+1代离散种群和q+1代连续种群个体组成新的初始规划规划方案，新的初始规划规划方案对应的目标函数值为上一轮中选择作为q+1代连续种群个体对应的目标函数值，返回执行将q+1代连续种群个体进行变异、交叉操作的步骤。
在其中一个实施例中，根据初始规划方案目标函数值和交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体，包括：
当初始规划方案目标函数值对交叉规划方案目标函数值占优时，将q代连续种群个体作为q+1代连续种群个体；
当交叉规划方案目标函数值对初始规划方案目标函数值占优时，将q代连续种群个体对应的q+1代交叉连续种群个体作为q+1代连续种群个体。
在其中一个实施例中，该方法还包括：
当q代初始规划方案的节点注入功率失配量超过预设失配量阈值时，重新生成q代连续种群个体与q代离散种群，将符合拓扑约束的q代离散种群和重新生成的q代连续种群个体组成初始规划方案；
当q+1代交叉规划方案的节点注入功率失配量超过预设失配量阈值时，重新生成q+1代交叉连续种群个体，将符合拓扑约束的q代离散种群和重新生成的q+1代交叉连续种群个体组成交叉规划方案；
返回执行将初始规划方案和交叉规划方案输入第二规划模型中进行求解的步骤。
第二方面，提供了一种新能源汇集网络的多目标规划装置，该装置包括：
第一获取模块，用于获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
第二获取模块，用于获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；
规划模块，用于将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；
将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；
将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
上述新能源汇集网络的多目标规划方法、装置、计算机设备和存储介质，获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。该方法通过综合考虑新能源汇集网络中多目标的优化问题，并通过预设的多目标双层规划模型进行求解，得到规划方案集合，实现了送端网络中多目标性能的同步优化。
附图说明
图1为一个实施例中新能源汇集网络的多目标规划方法的应用环境图；
图2为一个实施例中新能源汇集网络的多目标规划方法的流程示意图；
图3为一个实施例中新能源汇集网络的多目标规划方法的规划示意图；
图4为一个实施例中新能源汇集网络的多目标规划方法的整体流程图；
图5为一个实施例中传统规划方法的结果示意图；
图6为一个实施例中新能源汇集网络的多目标规划方法的结果示意图；
图7为一个实施例中新能源汇集网络的多目标规划装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
新能源接入下的电网规划工作多集中于输电网优化规划，大多方法认为新能源汇集网络的形式较为固定，优化空间较小。在为数不多的新能源场站汇集网络规划研究中，大多数发明以经济性为主要优化目标甚至唯一优化目标，仅考虑线路建设成本、系统运行成本和新能源弃能成本，而对新能源送端基地建设中需要考虑的新能源送出能力、本地负荷供应能力等因素建模不足；另外，目前的方案多以单一规划方案为输出结果，实际工程中，规划方案需经过运行模拟计算和综合评估，需要一定数量的备选方案作为参考，目前的方案难以满足该项需求。
本申请在考虑经济性、网络运行性能最优的多项目标下，实现送端网络内新能源场站汇集网络的优化规划。
本申请提供的新能源汇集网络的多目标规划方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端通过获取送端网络的基础数据、历史运行数据以及规划时所需的其他参数，将这些数据输入至预设的多目标双层规划模型中进行求解，得到规划方案集合。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种新能源汇集网络的多目标规划方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系。
其中，如图3所示，送端网络包括新能源汇集网络和本地交流电网组成的网络。新能源汇集网络包括新能源场站、待建的汇集变电站、新能源场站与待建的汇集变电站之间的汇集线路以及待建的汇集变电站与主网变电站之间的汇集线路。本地交流电网包括主网变电站以及主网变电站之间的主网线路，直流线路起点是指主网变电站中连接直流线路的变电站。送端网络的基础数据包括送端网络的已经建成的发电站位置坐标、已有线路之间的连接关系以及主网线路的输电容量。主网线路的输电容量是由国网规划部门规定的。
具体地，终端获取新能源场站的位置坐标、主网变电站的位置坐标、主网变电站间的连接关系以及主网线路的输电容量。
步骤204，获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据。
其中，负荷历史数据是指本地交流主网在规划计算的时间段内各时刻下的负荷功率数据。电源历史数据包括新能源场站的最大发电能力和主网变电站的有功出力功率的上下限。
具体地，终端获取规划计算中需要考虑的时间段，然后获取时间段内本地交流主网内原有的常规机组的有功出力功率上下限，获取时间段内新能源场站各时刻的最大发电能力，获取本地交流主网在规划计算的时间段内各时刻下的负荷功率数据。
根据送端网络的基础数据和历史运行数据可以确定规划模型中对应的优化变量的取值范围。
同时，终端还需要获取规划计算中所需的其他参数。其他参数包括常规机组发电成本参数、线路建设成本参数、交叉概率因子、变异因子、复制概率因子、交配概率因子、种群代数以及每代个体数等。常规机组发电成本参数、线路建设成本参数可根据实际成本确定，交叉概率因子、变异因子、复制概率因子、交配概率因子、种群代数可根据经验值确定，每代个体数根据优化变量数目确定。
步骤206，将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
其中，多目标双层规划模型是考虑经济性和网络运行性能最优的规划模型。经济性是指考虑建设成本最小，网络运行性能最优是考虑新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高等优化目标的性能最好。
具体地，在优化变量的取值范围内对优化变量进行初始化，通过多目标双层规划模型中每一层模型对优化变量进行优化，得到符合规划要求的规划方案集合。
上述新能源汇集网络的多目标规划方法中，获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据；将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。该方法通过综合考虑新能源汇集网络中多目标的优化问题，并通过预设的多目标双层规划模型进行求解，得到规划方案集合，实现了送端网络中多目标性能的同步优化。
在一个可选的实施例中，多目标双层规划模型包括第一规划模型和第二规划模型；
将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合，包括：
在优化变量的取值范围内利用差分进化算法对第一规划模型进行求解，得到目标优化变量；
根据目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对第二规划模型进行求解，得到规划方案集合。
具体地，多目标双层规划模型包括第一规划模型和第二规划模型。优化变量包括第一规划模型的优化变量和第二规划模型的优化变量。在优化变量的取值范围内对第一规划模型的优化变量进行初始化，利用差分进化算法对第一规划模型中的优化变量进行求解，得到目标优化变量。
根据目标优化变量确定第二规划模型的优化变量的边界条件，利用混合整数线性规划方法对第二规划模型的优化变量进行求解，将最优的规划方案加入规划方案集合，当规划方案集合满足预设的规划要求时，得到最终的规划方案集合。
本实施例中，通过多目标双层规划模型对优化变量进行优化求解，可以综合考虑经济性能、网络运行性能等优化条件，使得获得的规划目标集合可以同时满足建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高等优化目标。降低了建设成本，同时减少实时运行中主网的有功损耗，实现在规划、运行全阶段送端网络各方面优化性能的提升。
在一个可选的实施例中，多目标双层优化模型的建立过程，包括：
根据第一规划模型的优化目标构建第一规划模型的目标函数；其中，第一规划模型的优化目标包括：建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高；
根据新能源场站与汇集变电站之间的连接关系确定第一规划模型的约束条件；
根据第二规划模型的优化目标确定第二规划模型的目标函数；
根据第一规划模型的优化变量和新能源汇集网络的物理运行约束确定第二规划模型的约束条件。
具体地，多目标双层规划模型协同考虑了线路建设经济性、新能源接入能力、直流送出能力、潮流分布均衡性等性能。第一规划模型的优化目标包括建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高。
第一规划模型的目标函数包括：建设成本函数、新能源受限电量函数、直流送出通道利用率函数、送端网络内各线路的潮流分布熵函数、送端网络内各节点直连电源和直连负荷的对称性函数。
第一规划模型的约束条件为汇集网络中新能源场站、汇集变电站之间的拓扑约束，即连接条件约束。第一规划模型的优化变量为汇集变电站坐标、汇集变电站容量、线路输电容量以及线路建设决策变量。
第二规划模型的优化目标为系统运行成本最小化。第二规划模型的目标函数为常规机组发电成本、各节点有功潮流失配量惩罚成本函数。第二规划模型的约束条件为不同的规划方案下，线路潮流、节点电压相角、各节点电源功率均在允许范围内。第二规划模型的优化变量为新能源限电功率、直流送出功率、常规火电机组发电功率、线路输电功率、节点电压相角。
假设送端网络中共有N个节点，节点编号为i，节点i是指新建新能源场站节点、待建汇集站节点、本地主干交流电网节点这三者的集合。其中新建新能源场站节点集合为IR，数量为NR个，待建汇集站节点集合为IS，数量为NS个，本地主干交流电网节点集合为IM，数量为NM个，本地主干交流电网节点集合是包括连接直流通道起点的本地交流电网节点集合，连接直流通道起点的本地交流电网节点集合为ID，数量为ND个。规划中，待建线路备选集合提前确定，线路编号为k，可建线路备选数量为NK。规划计算中，取某一典型时段内各时刻t下对应的最优直流潮流进行计算，共计包括T个典型时刻。
针对第一优化模型的优化目标建立对应的目标函数，公式如下所示：
式中，优化目标F1为汇集网络的建设总成本，K1为待建线路集合，K2为待建变电站集合，按传统潮流计算规定，每一变电站等效为一条线路，含两个节点，变电站容量为该线路传输容量；ak为第k条线路的0-1决策变量，取值为0代表该线路不建设，取值为1代表该线路建设；Cl为输电线的建设成本，万元/(MW*km)；Cs为变电站单位容量的建设成本，万元/MW；
为第k条线路或变电站的输/变电容量；Dk为第k条输电线的长度，计算方法为
式中，Li为节点i连接的线路集合，Lj为节点j连接的线路集合，(xi,yi)为节点i的坐标，(xj,yj)为节点j的坐标。
优化目标F2为各新能源场站的限电量最少，式中，
为时刻t下节点i上新能源电站的限电功率。
优化目标F3为直流送出通道利用率，
为节点i通过直流线路外送的功率，Pi D.max为节点i处直流外送通道的最大输电容量。
优化目标F4为各线路潮流分布熵。式中，
为时刻t线路k的有功潮流，
为线路k的输电容量，
为第kl个负载率区间范围，KL为负载率区间数目，为规划计算中经验设定值，一般建议值为10，
表示线路k负载率在第kl个负载率区间内的概率。
优化目标F5为各节点连接负荷、电源的秩相关系数，式中，di的计算方法为
式中，
分别为时刻t节点i处新能源场站的最大发电能力、常规机组发电功率，
为时刻t节点i处有功负荷功率和直流通道送出功率，Rank(xi)表示变量xi在集合中的秩次。
第一规划模型的约束条件规定了汇集网络中新能源场站、汇集变电站之间的连接关系，具体公式如下所示：
Zij>0(i∈IR,j∈ID) (5)
公式(2)规定每个新能源场站节点至少有一条线路与其他节点相连。
公式(3)规定每个汇集变电站至少要与其它两个节点相连。
公式(4)规定每个汇集变电站至少要与一个新能源场站节点相连。
公式(5)规定各新能源场站节点与直流送出节点间的互阻抗为正。
根据第二规划模型的优化目标确定第二规划模型的目标函数，具体公式如下所示：
第二规划模型的约束条件为在第一优化模型确定的规划方案下，线路潮流、节点电压相角、各节点电源功率均在允许范围内，具体公式如下：
ak＝0,1(k∈{k∈Li|i∈IR∪IS}) (14)
公式(6)为下层优化模型的优化目标，以常规机组发电成本最小和各节点电源、负荷功率失配量惩罚成本最小为目标；下层优化模型中的优化变量为
为时刻节点i处常规机组的单位发电成本，θi,t为时刻t节点ij的电压相角，εi,t为时刻t下节点i的注入功率失配量，由公式(7)和公式(8)获得，Kub为功率失配量的惩罚系数。
公式(7)为新能源场站、汇集变电站节点的注入功率等式。Li为节点i连接的线路集合，Bij为节点i和j之间线路的导纳值，该数值可按照实用工程参数进行选取。
公式(8)为主网节点的注入功率等式。
公式(9)为线路潮流计算及约束，Pi sub.max为汇集变电站的变电容量公式(10)为各节点电压相角范围约束，
为节点i的电压相角最大值。
公式(11)为新能源限电量范围约束。
公式(12)为节点i的常规机组发电功率上限约束，式中，
为时刻t下机组m的有功功率，Ci为节点i处的常规机组集合；
分别为机组m的有功出力上下限。
公式(13)为节点i处直流线路送出功率的限制约束，式中，Pi D.min、Pi D.max分别为直流线路送出有功功率的上下限。
公式(14)为线路建设决策变量取值限制。
在一个可选的实施例中，目标优化变量包括初始规划方案和交叉规划方案；
在优化变量的取值范围内利用差分进化算法对第一规划模型进行求解，得到目标优化变量，包括：
将第一规划模型中的优化变量按照变量类型进行划分，得到连续变量种群和离散变量种群；
在优化变量的取值范围内对连续变量种群进行初始化，得到q代连续种群个体；其中，q初始化为1，q代连续种群个体包括汇集变电站坐标、汇集变电站变电容量和线路输电容量；
将离散变量种群随机初始化，得到q代离散种群，q代离散种群个体为待选线路的建设决策变量，0表示待选线路不建设，1表示待选线路建设；
根据第一规划模型的约束条件对q代离散种群进行拓扑约束校验，将符合拓扑约束的q代离散种群和q代连续种群个体组成初始规划方案；
将q代连续种群个体进行变异和交叉操作，形成q代连续种群个体对应的q+1代交叉连续种群个体；将符合拓扑约束的q代离散种群和q+1代交叉连续种群个体组成交叉规划方案；
根据目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对第二规划模型进行求解，得到规划方案集合，包括：
将初始规划方案和交叉规划方案输入第二规划模型中进行求解，得到q代初始规划方案的节点注入功率失配量和q+1代交叉规划方案的节点注入功率失配量；
当q代初始规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解初始规划方案对应的目标函数值，得到初始规划方案目标函数值；
当q+1代交叉规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解交叉规划方案对应的目标函数值，得到交叉规划方案目标函数值；
根据初始规划方案目标函数值和交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体；
生成q+1代连续种群个体的最小非支配集合，将最小非支配集合加入规划方案集合；
当规划方案集合的数量大于预设数目或者种群代数大于代数阈值时，输出规划方案集合。
其中，变量类型包括连续变量和离散变量。
具体地，将汇集变电站坐标、汇集变电站容量、线路输电容量以及线路建设决策变量按照变量类型分为连续变量种群和离散变量种群。如表1所示，汇集变电站坐标、汇集变电站容量、线路输电容量为连续变量种群，线路建设决策变量为离散变量种群。
表1变量分组表
以上优化变量构成第二规划模型中优化变量的边界条件，下层优化问题的优化变量如表2所示：
表2第二规划模型的优化变量
如图4所示，具体的求解步骤为：
步骤a1：设置种群代数q＝1，对种群一至种群三内的优化变量按公式(15)进行初始化，得到q代连续种群个体：
Xv(q)＝Xv min+rand()□(Xv max-Xv min),(v＝1,2…Q) (15)
式中，Xv(q)指代第q代内第v个个体，该个体是由汇集变电站坐标、汇集变电站变电容量、线路输电容量组成的向量，rand()是0到1之间的随机数，Xv max,Xv min分别为该个体的上下限取值。其中，汇集变电站坐标的取值范围可以由新能源场站与主网变电站构成的多边形来确定，汇集变电站变电容量、线路输电容量的取值范围由优化变量的取值范围中来确定。
步骤a2：对种群四，按公式(16)随机初始化形成q代离散种群：
POPvk(q)＝randi() (16)
式中，POPvk(q)为第q代第v个个体的第k个分量，对应第k条线路的建设决策变量，randi()为随机生成0、1数值。
步骤a3：根据公式(2)-(5)对POPv(q)进行拓扑约束校验，若该个体满足式公式(2)-(5)所示的拓扑约束，则保留，若不满足拓扑约束条件，则返回步骤a2，重新生成个体POPv(q)。
步骤a4：q代离散种群POPv(q)和q代连续种群个体Xv(q)构成一个完整的汇集网络初始规划方案<POPv(q),Xv(q)>。
步骤a5：在已知线路建设决策变量取值和线路容量、变电容量的取值后，第二规划模型的边界条件完全确定。将初始规划方案<POPv(q),Xv(q)>在第二规划模型中进行最优潮流求解，得到q代初始规划方案的节点注入功率失配量。
步骤a6：按照公式(17)对q代初始规划方案的节点注入功率失配量进行判断，当q代初始规划方案的节点注入功率失配量不超过预设失配量阈值时，则保留初始规划方案，根据第一规划模型求解初始规划方案对应的目标函数值Fi(X),(i＝1,2…5)，得到初始规划方案目标函数值。
步骤a7：对种群一至种群三内的q代连续种群个体按照公式(18)计算差分矢量：
Dv1,2(q)＝Xv1(q)-Xv2(q) (18)
Dv1,2(q)为q代种群内任选两个个体Xv1和Xv2求得的差值向量。将该差值向量与该代种群中另一个体通过加权获得q+1代变异个体为
Yv(q+1)＝Xv3(q)+F□(Xv1(q)-Xv2(q)) (19)
式中，F为变异因子，在整个规划计算中取定值且F∈[0,2]。
步骤a8：对种群一至种群三内的q代连续种群个体，定义对应的q+1代交叉连续种群个体Uv(q+1)如下：
式中，Yvj(q+1)为第q+1代第v个个体对应变异个体的第j个分量，CR为交叉概率因子，在规划计算中事前给定且CR∈(0,1)。
将符合拓扑约束的q代离散种群和q+1代交叉连续种群个体组成交叉规划方案。
步骤a9：在已知线路建设决策变量取值和线路容量、变电容量的取值后，第二规划模型的边界条件完全确定。将交叉规划方案<POPv(q),Uv(q+1)>在第二规划模型中进行最优潮流求解，得到q+1代交叉节点注入功率失配量。
步骤a10：对q+1代交叉节点注入功率失配量进行判断，当q+1代交叉规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解交叉规划方案对应的目标函数值F2i(X),(i＝1,2…5)，得到交叉规划方案目标函数值。
步骤a11：将初始规划方案目标函数值和交叉规划方案目标函数值按公式(21)进行选择操作，得到q+1代连续种群个体Xv(q+1)，其中第v个个体为：
式中，F(·)表示目标函数向量，＞表示绝对占优，即F(X)＞F(Y):
Fi(X)≥Fi(Y)。
步骤a12：对q+1代连续种群个体Xv(q+1)，按照Pareto判别标准识别提取最小非支配集合Pq，集合元素数量为NPareto。
步骤a13：判断规划方案集合的数量是否大于预设数目，种群代数是否大于代数阈值，当规划方案集合的数量大于预设数目或者种群代数大于代数阈值时，输出规划方案集合。
进一步地，上述根据差分进化算法求得的规划方案集合是新能源汇集网络规划中的可选方案，可为工程人员提供更多合理选项，进一步，需在NPareto个方案中选择最佳实施方案。本申请实施例还可结合TOPSIS方法进行最优方案选择，或结合工程造价，将不同目标根据经济性权重进行加和，取综合成本最低值为最优方案，最佳实施方案的确定过程本申请实施例在此不做限定。
本实施例中，对每一代种群个体与决策变量的初始化过程的先后顺序不做限定，即步骤a1与步骤a2-a3的顺序不做限定，只要可以获得每一代种群个体与决策变量，组成初始规划方案即可。初始规划方案和交叉规划方案求解对应的目标函数值的过程可以共同进行，也可以先求解初始规划方案对应的目标函数值，再求解q代连续种群个体对应的q+1代交叉连续种群个体，形成交叉规划方案，再求解交叉规划方案对应的目标函数值。
本实施例中，通过考虑多个优化目标的规划模型求解，提升了优化空间，提高了规划模型的优化性能。最后，通过多目标优化求解可以获得满足条件的规划方案集合，可以为实际工程求解提供多个合理选项，进而可以根据后续的需求选择最优的规划方案。
在可选的一个实施例中，该方法还包括：
当规划方案集合的数量小于或者等于预设数目并且种群代数小于或者等于代数阈值时，将种群代数q加一，对离散变量种群进行更新操作，得到q+1代离散种群；
将q+1代离散种群和q+1代连续种群个体组成新的初始规划规划方案，新的初始规划规划方案对应的目标函数值为上一轮中选择作为q+1代连续种群个体对应的目标函数值，返回执行将q+1代连续种群个体进行变异、交叉操作的步骤。
具体地，步骤a14：当规划方案集合的数量小于或者等于预设数目并且种群代数小于或者等于代数阈值时，将种群代数q加一，按照公式(22)对种群四的个体进行更新，生成q+1代离散种群POPvk(q+1)：
式中，POPv1k1(q)为q代种群中任选的个体及元素，“∧”为布尔与操作符，
为取反操作，CR1为复制概率因子，CR2为交配概率因子，且0＜CR1＜CR2＜1。
将q+1代离散种群和q+1代连续种群个体组成新的初始规划规划方案，新的初始规划规划方案对应的目标函数值为上一轮中选择作为q+1代连续种群个体对应的目标函数值。返回步骤a7，执行将q+1代连续种群个体进行变异、交叉操作，从而获得q+1代连续种群个体对应的交叉个体的步骤。
在一个可选的实施例中，根据初始规划方案目标函数值和交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体，包括：
当初始规划方案目标函数值对交叉规划方案目标函数值占优时，将q代连续种群个体作为q+1代连续种群个体；
当交叉规划方案目标函数值对初始规划方案目标函数值占优时，将q代连续种群个体对应的交叉个体作为q+1代连续种群个体。
具体地，步骤a11中将初始规划方案目标函数值和交叉规划方案目标函数值按公式(21)进行选择操作，判断初始规划方案目标函数值中每一个目标函数值与交叉规划方案目标函数值中对应的目标函数值之间的大小关系，结果包括步骤a11-1：当初始规划方案目标函数值中每一个目标函数值都优于交叉规划方案目标函数值中对应的目标函数值，则初始规划方案目标函数值对交叉规划方案目标函数值绝对占优，将初始规划方案目标函数值作为q+1代连续种群个体；反之，结果为步骤a11-2：当交叉规划方案目标函数值中每一个目标函数值都优于初始规划方案目标函数值中对应的目标函数值，则交叉规划方案目标函数值对初始规划方案目标函数值绝对占优，将交叉规划方案目标函数值作为q+1代连续种群个体。
在一个可选的实施例中，该方法还包括：
当q代初代节点注入功率失配量超过预设失配量阈值时，重新生成q代连续种群个体与q代离散种群，将符合拓扑约束的q代离散种群和重新生成的q代连续种群个体组成初始规划方案；
当q+1代交叉节点注入功率失配量超过预设失配量阈值时，重新生成q+1代交叉连续种群个体，将符合拓扑约束的q代离散种群和重新生成的q+1代交叉连续种群个体组成交叉规划方案；
返回执行将初始规划方案和交叉规划方案输入第二规划模型中进行求解的步骤。
具体地，按照公式(17)对q代初始节点注入功率失配量进行判断，当q代初代节点注入功率失配量超过预设失配量阈值时，即步骤a6的结果为是时，则删除初始规划方案，返回步骤a1，重新生成q代连续种群个体与q代离散种群，将符合拓扑约束的q代离散种群和重新生成的q代连续种群个体组成初始规划方案。
对q+1代交叉节点注入功率失配量进行判断，当q+1代交叉节点注入功率失配量超过预设失配量阈值时，即步骤a10的结果为是时，则删除交叉规划方案，返回步骤a7，重新生成q+1代交叉连续种群个体，将符合拓扑约束的q代离散种群和重新生成的q+1代交叉连续种群个体组成交叉规划方案。
以图5、图6所示案例进行本发明的效果分析。该案例中，主干网变电站A、B、C和线路A-C、B-C、A-C已建成，新能源场站a、b位置确定，两场站的汇集线路待建，需对线路连接点进行选择。在传统规划方法中，若仅考虑建设线路最短，则两场站均与主网变电站A连接，如图5所示。该方案下的线路建设成本最小化，但是建成后，主网变电站B直连的本地负荷需要新能源场站供电，主网线路A-B线路上的潮流将有明显增加，实际运行中网络有功损耗将上升，同时，线路A-B可能需要扩容，增加主网改造成本。若在汇集网络规划建设中考虑潮流穿越最小化，减少新能源场站对本地负荷供电时的供电路径，则形成的规划方案如图6所示。场站b将与主网变电站B连接，从而直接为本地负荷供电，该方案下，线路建设成本有所增加，但是将有效减少实时运行中主网的有功损耗，同时降低线路A-B的输电通量，减少主网扩建成本。
以上案例分析说明在本发明在汇集网络规划中共同考虑线路建设经济性、潮流穿越情况的协调后，能够在规划、运行全阶段实现源端网络各方面性能的同步优化。
应该理解的是，虽然图2、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种新能源汇集网络的多目标规划装置，包括：第一获取模块702、第二获取模块704和第三获取模块706，其中：
第一获取模块702，用于获取送端网络的基础数据；其中，基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系。
第二获取模块704，用于获取历史运行数据，根据历史运行数据和基础数据确定优化变量的取值范围；其中，历史运行数据包括负荷历史数据和电源历史数据。
规划模块706，用于将优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
在一个可选的实施例中，多目标双层规划模型包括第一规划模型和第二规划模型；
规划模块706还包括第一规划单元和第二规划单元，第一规划单元用于在优化变量的取值范围内利用差分进化算法对第一规划模型进行求解，得到目标优化变量；
第二规划单元用于根据目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对第二规划模型进行求解，得到规划方案集合。
在一个可选的实施例中，新能源汇集网络的多目标规划装置还包括规划模型建立模块，用于根据第一规划模型的优化目标构建第一规划模型的目标函数；其中，第一规划模型的优化目标包括：建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高；
以及根据新能源场站与汇集变电站之间的连接关系确定第一规划模型的约束条件；
以及根据第二规划模型的优化目标确定第二规划模型的目标函数；
以及根据第一规划模型的优化变量和新能源汇集网络的物理运行约束确定第二规划模型的约束条件。
在一个可选的实施例中，目标优化变量包括初始规划方案和交叉规划方案；
第一规划单元还用于将第一规划模型中的优化变量按照变量类型进行划分，得到连续变量种群和离散变量种群；
以及在优化变量的取值范围内对连续变量种群进行初始化，得到q代连续种群个体；其中，q初始化为1，q代连续种群个体包括汇集变电站坐标、汇集变电站变电容量和线路输电容量；
以及将离散变量种群随机初始化，得到q代离散种群，q代离散种群个体为待选线路的建设决策变量，0表示待选线路不建设，1表示待选线路建设；
以及根据第一规划模型的约束条件对q代离散种群进行拓扑约束校验，将符合拓扑约束的q代离散种群和q代连续种群个体组成初始规划方案；
以及将q代连续种群个体进行变异和交叉操作，形成q代连续种群个体对应的q+1代交叉连续种群个体；将符合拓扑约束的q代离散种群和q+1代交叉连续种群个体组成交叉规划方案；
第二规划单元还用于将初始规划方案和交叉规划方案输入第二规划模型中进行求解，得到q代初始规划方案的节点注入功率失配量和q+1代交叉规划方案的节点注入功率失配量；
以及当q代初始规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解初始规划方案对应的目标函数值，得到初始规划方案目标函数值；
以及当q+1代交叉规划方案的节点注入功率失配量不超过预设失配量阈值时，根据第一规划模型求解交叉规划方案对应的目标函数值，得到交叉规划方案目标函数值；
以及根据初始规划方案目标函数值和交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体；
以及生成q+1代连续种群个体的最小非支配集合，将最小非支配集合加入规划方案集合；
以及当规划方案集合的数量大于预设数目或者种群代数大于代数阈值时，输出规划方案集合。
在一个可选的实施例中，规划模块706还用于当规划方案集合的数量小于或者等于预设数目并且种群代数小于或者等于代数阈值时，将种群代数q加一，对离散变量种群进行更新操作，得到q+1代离散种群；
以及将所述q+1代离散种群和q+1代连续种群个体组成新的初始规划规划方案，新的初始规划规划方案对应的目标函数值为上一轮中选择作为q+1代连续种群个体对应的目标函数值，返回执行将q+1代连续种群个体进行变异、交叉操作的步骤。
在一个可选的实施例中，第二规划单元还用于当初始规划方案目标函数值对交叉规划方案目标函数值占优时，将q代连续种群个体作为q+1代连续种群个体；
以及当交叉规划方案目标函数值对初始规划方案目标函数值占优时，将q代连续种群个体对应的交叉个体作为q+1代连续种群个体。
在其中一个实施例中，第一规划单元还用于当q代初代规划方案的节点注入功率失配量超过预设失配量阈值时，重新生成q代连续种群个体与q代离散种群，将符合拓扑约束的q代离散种群和重新生成的q代连续种群个体组成初始规划方案；
以及当q+1代交叉规划方案的节点注入功率失配量超过预设失配量阈值时，重新生成q+1代交叉连续种群个体，将符合拓扑约束的q代离散种群和重新生成的q+1代交叉连续种群个体组成交叉规划方案；
返回执行将初始规划方案和交叉规划方案输入第二规划模型中进行求解的步骤。
关于新能源汇集网络的多目标规划装置的具体限定可以参见上文中对于新能源汇集网络的多目标规划方法的限定，在此不再赘述。上述新能源汇集网络的多目标规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种新能源汇集网络的多目标规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种新能源汇集网络的多目标规划方法，其特征在于，所述方法包括：
获取送端网络的基础数据；其中，所述基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
获取历史运行数据，根据所述历史运行数据和所述基础数据确定优化变量的取值范围；其中，所述历史运行数据包括负荷历史数据和电源历史数据；
将所述优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
2.根据权利要求1所述的方法，其特征在于，所述多目标双层规划模型包括第一规划模型和第二规划模型；
所述将所述优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合，包括：
在所述优化变量的取值范围内利用差分进化算法对所述第一规划模型进行求解，得到目标优化变量；
根据所述目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对所述第二规划模型进行求解，得到所述规划方案集合。
3.根据权利要求2所述的方法，其特征在于，所述多目标双层优化模型的建立过程，包括：
根据第一规划模型的优化目标构建第一规划模型的目标函数；其中，第一规划模型的优化目标包括：建设成本最小、新能源受限电量最小、直流换电站与本地交流电网连接点送出功率最大化、送端网络内各线路的负载均衡性最高、送端网络内各节点直连电源和直连负荷的对称性最高；
根据新能源场站与汇集变电站之间的连接关系确定所述第一规划模型的约束条件；
根据所述第二规划模型的优化目标确定第二规划模型的目标函数；
根据所述第一规划模型的优化变量和新能源汇集网络的物理运行约束确定所述第二规划模型的约束条件。
4.根据权利要求2所述的方法，其特征在于，所述目标优化变量包括初始规划方案和交叉规划方案；
所述在所述优化变量的取值范围内利用差分进化算法对所述第一规划模型进行求解，得到目标优化变量，包括：
将第一规划模型中的优化变量按照变量类型进行划分，得到连续变量种群和离散变量种群；
在所述优化变量的取值范围内对所述连续变量种群进行初始化，得到q代连续种群个体；其中，q初始化为1，所述q代连续种群个体包括汇集变电站坐标、汇集变电站变电容量和线路输电容量；
将所述离散变量种群随机初始化，得到q代离散种群，所述q代离散种群为待选线路的建设决策变量，0表示待选线路不建设，1表示待选线路建设；
根据所述第一规划模型的约束条件对所述q代离散种群进行拓扑约束校验，将符合拓扑约束的q代离散种群和所述q代连续种群个体组成初始规划方案；
将所述q代连续种群个体进行变异和交叉操作，形成所述q代连续种群个体对应的q+1代交叉连续种群个体；将所述符合拓扑约束的q代离散种群和所述q+1代交叉连续种群个体组成交叉规划方案；
所述根据所述目标优化变量确定第二规划模型的边界条件，利用混合整数线性规划方法对所述第二规划模型进行求解，得到所述规划方案集合，包括：
将所述初始规划方案和所述交叉规划方案输入所述第二规划模型中进行求解，得到q代初始规划方案的节点注入功率失配量和q+1代交叉规划方案的节点注入功率失配量；
当所述q代初始规划方案的节点注入功率失配量不超过预设失配量阈值时，根据所述第一规划模型求解所述初始规划方案对应的目标函数值，得到初始规划方案目标函数值；
当所述q+1代交叉规划方案的节点注入功率失配量不超过所述预设失配量阈值时，根据所述第一规划模型求解所述交叉规划方案对应的目标函数值，得到交叉规划方案目标函数值；
根据所述初始规划方案目标函数值和所述交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体；
生成所述q+1代连续种群个体的最小非支配集合，将所述最小非支配集合加入所述规划方案集合；
当所述规划方案集合的数量大于所述预设数目或者所述种群代数大于所述代数阈值时，输出所述规划方案集合。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当所述规划方案集合的数量小于或者等于所述预设数目并且所述种群代数小于或者等于所述代数阈值时，将种群代数q加一，对所述离散变量种群进行更新操作，得到q+1代离散种群；
将所述q+1代离散种群和所述q+1代连续种群个体组成新的初始规划规划方案，新的初始规划规划方案对应的目标函数值为上一轮中选择作为q+1代连续种群个体对应的目标函数值，返回执行将所述q+1代连续种群个体进行变异、交叉操作的步骤。
6.根据权利要求4所述的方法，其特征在于，所述根据所述初始规划方案目标函数值和所述交叉规划方案目标函数值进行选择操作，得到q+1代连续种群个体，包括：
当所述初始规划方案目标函数值对所述交叉规划方案目标函数值占优时，将所述q代连续种群个体作为所述q+1代连续种群个体；
当所述交叉规划方案目标函数值对所述初始规划方案目标函数值占优时，将所述q代连续种群个体对应的q+1代交叉连续种群个体作为所述q+1代连续种群个体。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当所述q代初始规划方案的节点注入功率失配量超过预设失配量阈值时，重新生成q代连续种群个体与q代离散种群，将符合拓扑约束的q代离散种群和重新生成的q代连续种群个体组成初始规划方案；
当所述q+1代交叉规划方案的节点注入功率失配量超过所述预设失配量阈值时，重新生成q+1代交叉连续种群个体，将所述符合拓扑约束的q代离散种群和重新生成的q+1代交叉连续种群个体组成交叉规划方案；
返回执行将所述初始规划方案和所述交叉规划方案输入所述第二规划模型中进行求解的步骤。
8.一种新能源汇集网络的多目标规划装置，其特征在于，所述装置包括：
第一获取模块，用于获取送端网络的基础数据；其中，所述基础数据包括新能源场站的位置坐标、主网变电站的位置坐标和主网变电站间的连接关系；
第二获取模块，用于获取历史运行数据，根据所述历史运行数据和所述基础数据确定优化变量的取值范围；其中，所述历史运行数据包括负荷历史数据和电源历史数据；
规划模块，用于将所述优化变量的取值范围输入预设的多目标双层规划模型中进行求解，得到规划方案集合。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475712.9A CN113408779B (zh) | 2021-04-29 | 2021-04-29 | 新能源汇集网络的多目标规划方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475712.9A CN113408779B (zh) | 2021-04-29 | 2021-04-29 | 新能源汇集网络的多目标规划方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408779A true CN113408779A (zh) | 2021-09-17 |
| CN113408779B CN113408779B (zh) | 2024-08-02 |
Family
ID=77677699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110475712.9A Active CN113408779B (zh) | 2021-04-29 | 2021-04-29 | 新能源汇集网络的多目标规划方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408779B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113840007A (zh) * | 2021-09-28 | 2021-12-24 | 中国工商银行股份有限公司 | 负载均衡方法及装置 |
| CN114254558A (zh) * | 2021-11-30 | 2022-03-29 | 国网浙江省电力有限公司宁海县供电公司 | 综合能源变电站规划方法、装置和终端设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
| CN105046354A (zh) * | 2015-07-09 | 2015-11-11 | 国网四川省电力公司经济技术研究院 | 基于多代理的配电网规划场景模拟生成方法及其系统 |
| CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
| CN112446533A (zh) * | 2020-09-29 | 2021-03-05 | 东北电力大学 | 交直流混合配电网多目标规划方法 |
-
2021
- 2021-04-29 CN CN202110475712.9A patent/CN113408779B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
| CN105046354A (zh) * | 2015-07-09 | 2015-11-11 | 国网四川省电力公司经济技术研究院 | 基于多代理的配电网规划场景模拟生成方法及其系统 |
| CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
| CN112446533A (zh) * | 2020-09-29 | 2021-03-05 | 东北电力大学 | 交直流混合配电网多目标规划方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113840007A (zh) * | 2021-09-28 | 2021-12-24 | 中国工商银行股份有限公司 | 负载均衡方法及装置 |
| CN113840007B (zh) * | 2021-09-28 | 2022-10-18 | 中国工商银行股份有限公司 | 负载均衡方法及装置 |
| CN114254558A (zh) * | 2021-11-30 | 2022-03-29 | 国网浙江省电力有限公司宁海县供电公司 | 综合能源变电站规划方法、装置和终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408779B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Multi-objective optimal power flow based on improved strength Pareto evolutionary algorithm | |
| CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
| Quan et al. | Incorporating wind power forecast uncertainties into stochastic unit commitment using neural network-based prediction intervals | |
| Miranda et al. | Evolutionary computation in power systems | |
| Moeini-Aghtaie et al. | Incorporating large-scale distant wind farms in probabilistic transmission expansion planning—Part I: Theory and algorithm | |
| CN110266038B (zh) | 一种多虚拟电厂分布式协调调控方法 | |
| Alhazmi et al. | Power grid optimal topology control considering correlations of system uncertainties | |
| Home-Ortiz et al. | A mixed integer conic model for distribution expansion planning: Matheuristic approach | |
| CN113408779B (zh) | 新能源汇集网络的多目标规划方法、装置和计算机设备 | |
| Bahmanifirouzi et al. | Multi-objective stochastic dynamic economic emission dispatch enhancement by fuzzy adaptive modified theta particle swarm optimization | |
| Karimianfard et al. | An initial-point strategy for optimizing distribution system reconfiguration | |
| CN111416356A (zh) | 基于交替方向乘子法及最优潮流的输配电网联动优化方法 | |
| Abbasi et al. | Energy expansion planning by considering electrical and thermal expansion simultaneously | |
| Taheri et al. | Adaptive robust optimal transmission switching considering the uncertainty of net nodal electricity demands | |
| CN107808200B (zh) | 配电网短时检修计划优化方法和装置 | |
| CN110414796B (zh) | 一种交直流混合配电网网架规划方法、装置及存储介质 | |
| Al-Saffar et al. | Distributed optimal power flow for electric power systems with high penetration of distributed energy resources | |
| CN112036655B (zh) | 基于机会约束的光伏电站与电动汽车充电网络规划方法 | |
| CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
| Dhadbanjan et al. | Evaluation of suitable locations for generation expansion in restructured power systems: a novel concept of T-index | |
| Gupta et al. | Comparison of deterministic and probabilistic radial distribution systems load flow | |
| CN114548828A (zh) | 一种分布式光伏电源的选址和定容方法、装置及设备 | |
| CN114896794A (zh) | 交直流并联输电通道检修计划和功率分配协同处理方法 | |
| Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources | |
| Xu et al. | A nsga based on-site operation and maintenance smart scheduling method |
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 |