CN113904379B - 一种基于改进的粒子群算法的智能电网经济调度方法 - Google Patents

Abstract

本发明计及一种基于改进的粒子群算法的智能电网经济调度方法，属于智能电网经济调度领域，包括如下步骤：步骤1：以分布式可再生能源折旧成本、火力发电成本、风光电运行维护成本、火电运行环境成本、可中断负荷成本的总和为目标函数建立模型；步骤2：建立调度期内的运行约束条件；步骤3：采将所述模型和约束条件带入到改进的粒子群算法中，得出最优解，使得经济效益更高，在Matlab仿真中进行验证，得出验证结果。本发明不仅考虑了多种能源发电的发电成本、运行特性和环境成本，还引入可中断负荷来满足电能质量需求，在满足智能电网运行稳定的同时，增加其经济性。

Description

一种基于改进的粒子群算法的智能电网经济调度方法

技术领域

本发明属于智能电网技术领域，特指一种基于改进的粒子群算法的智能电网经济调度方法。

背景技术

伴随能源技术的不断发展，智能电网发电机组种类变得愈加多样，分布式可再生能源和传统火电机组相辅相成、紧密相连，如何在发电情况愈加复杂的情况下进行合理且寻优的优化调度成为了当前能源电力行业发展的重点。

随着节约型社会、智能型社会的深入发展，智能电网经济调度的重要性与日俱增。当前社会，电力行业追求的已不仅仅是发电成本的最优化，还追求基于环境成本之上的经济最优，因此，在原有的发电机组不变的前提下，充分的利用智能电网经济调度提高投入产出比，且保证供电稳定安全，具有重要的理论和使用价值。

目前，对智能电网经济调度问题的研究主要围绕着再生能源发电与火力发电，但没有充分考虑各种能源发电的特性，如风电、光伏发电等分布式可再生能源具有初次投资成本昂贵，后续无需燃料供应，后期维护和运行的价格低廉，即运维经济性价比高的特点，火电的燃料需要持续供应，且会对社会环境排放一系列污染物质的特性，传统调度方法在这些问题上具有局限性而无法满足电力系统稳定供电、经济安全的需求，因此提出新方法、建立新的经济调度模型，对智能电网经济调度具有充分的实际意义。

发明内容

针对传统智能电网经济调度方法的不足，本发明提出一种基于改进的粒子群艾萨克算法的智能电网经济调度方法，以分布式可再生能源折旧成本、火力发电成本、风光电运行维护成本、火电运行环境成本和可中断负荷成本的总和为目标函数建立经济调度模型，并综合考虑了多种能源发电的发电成本、运行特性和环境成本，还引入可中断负荷来满足电能质量和动态功率平衡需求。同时，提出了一种改进的粒子群艾萨克算法，该算法在粒子群算法的基础上，依据万有引力定律对速度公式其中一项进行改进，该方法结合了艾萨克牛顿的万有引力定律和粒子群算法，加强了粒子与粒子间的信息传递，在具有全局搜索能力的基础上，利用万有引力定律加强了局部寻优能力，从而达到比传统寻优方法更优的效果。

本发明提供一种基于改进的粒子群算法的智能电网经济调度方法，包括如下步骤：

步骤1：以可再生能源投资成本、火力发电成本、环境成本、引入可中断负荷成本为目标函数建立模型；

步骤2：建立约束条件；

步骤3：采用改进的粒子群算法求解目标函数；

步骤4：初始化各项参数，包括粒子数N及所有粒子的初始速度和位置、学习因子c₁和c₂、惯性权重ω′、最大迭代次数r_max；

步骤5：根据目标函数值及适应度函数，计算出每个粒子的适应度函数值；根据迭代次数，更新粒子的万有引力常量G和粒子种群的最优位置gbest^d；根据适应度值，计算所有粒子的质量M_i(r)、受力和加速度/>

步骤6：根据加速度更新各个粒子的速度/>和位置/>

步骤7：判断当前迭代次数是否为最大迭代次数，若是，则停止迭代，输出最优解；若否，则继续进行迭代计算。

进一步地，所述步骤3中，改进的粒子群算法为：

式中，D为解空间的维度，i＝1,…,N；N为初始化解的个数；

式中，ω′为惯性权重，ω_min和ω_max为权重的上限和下限，r为当前的迭代次数，r_max为设置的最大迭代数；V_i ^d(r)为第r次迭代第i个粒子在第d维空间的速度；c₁、c₂为加速因子；rand取自[0，1]内任意随机数；表示第i个粒子在每一轮迭代过程中的个体最优解；/>为第r次迭代第i个粒子在第d维空间的位置；gbest^d为整个粒子种群的最优解；

设每个粒子的质量为：

式中，fit_i(r)为第r次迭代第i个粒子的适应度函数，为非负值，其中c′≥0，c′为目标函数界限的保守估计值；fit_i,worst(r)、fit_i,best(r)为第r次迭代粒子种群中适应度函数的最小值和最大值；M_i(r)表示第r次迭代第i个粒子的质量；

式中，为两粒子间的欧氏距离，ρ为距离修正系数；η为常数；为第i个粒子受到的力；G为万有引力常量；/>第r次迭代第i个粒子的加速度；

速度公式改进为：

进一步地，所述步骤1中，可再生能源投资成本包括固定成本和运行成本，可再生能源投资成本的表达式为：

其中，固定成本的表达式为：

式中，k_in为平均容量系数，P_ann为年发电功率；P_e为发电机组额定功率；T为调度周期内所含时间段；N_rs为分布式可再生能源发电机组的总数；μ表示第n个机组是否正在运行；q为第n个分布式新能源发电机组的年平均利率百分比；a为各个可再生能源机组的平均运行寿命；F_in为分布式新能源发电机组的单位容量安装投资成本；为分布式新能源的第t小时平均输出功率；

运行成本表达式为：

式中，C_rs可再生能源的运行维护成本。

进一步地，所述步骤1中，火力发电成本表达式为：

式中，N_h为火力发电机组集合；表示第t小时的第n′个火电机组是否正在运行；α_n′,β_n′,γ_n′为第n′台发电机的燃料成本系数；/>为t时间段内第n′个机组的功率；

式中，表示第t-1小时第n′个火电机组是否正在运行，C_n′为第n′台火电机组的启停费用；

环境成本的表达式为：

式中，Q为调度期内第m项污染排放物的排放量；ε为污染排放物环境价值修正系数；k_pol,m为第m项污染排放物的环境价值，k_pol,m′为排放第m项；

火力发电及环境总成本的表达式为：

进一步地，所述步骤1中，引入可中断负荷成本的表达式为：

式中，为购买的可中断负荷量；C_rupt为单位容量可中断负荷作为旋转备用的费用；C为购买可中断负荷的成本费；ζ为可中断负荷成本系数。

进一步地，所述步骤2中，分布式可再生能源机组最大出力约束为：

火力发电约束为:

式中，和/>为火力机组的出力限制；/>为t时刻的负荷需求。

火电爬坡约束为：

式中，k_down为火电机组的向下爬坡率，k_up为火电机组的向上爬坡率；ΔT为时间间隔；

污染物排放约束为：

可中断负荷约束为：

式中，为t时刻可中断负荷作为旋转备用的最大容量；/>为购买可中断负荷的最大费用。

进一步地，所述步骤6中，粒子的速度表达公式为：

粒子的位置表达公式为：

本发明相比现有技术突出且有益的技术效果是：本发明计及可再生能源发电与火力发电，以分布式可再生能源折旧成本、火力发电成本、风光电运行维护成本、火电运行环境成本、为功率平衡引入的可中断负荷成本的总和为目标函数建立模型，不仅考虑了多种能源发电的发电成本、运行特性和环境成本需求，还考虑了电能质量，以此引入可中断负荷。

同时，本发明提出了一种改进的粒子群艾萨克算法，该算法是在粒子群算法的基础上，依据万有引力定律对其速度公式进行改进，该方法结合了艾萨克牛顿的万有引力定律和粒子群算法，加强了粒子与粒子间的信息传递，在具有全局搜索能力的基础上，利用万有引力定律加强了局部寻优能力。

本发明将改进的粒子群艾萨克算法与构建的目标函数结合，得到目标函数的最优解，即得到智能电网在调度期间各个时段的各种发电机组及可中断负荷的配置情况，进而提升智能电网运行的经济性。

附图说明

图1为改进的粒子群算法优化流程图；

图2为原粒子群算法和改进的粒子群算法仿真优化对比图I；

图3为原粒子群算法和改进的粒子群算法仿真优化对比图II；

图4为原粒子群算法和改进的粒子群算法仿真优化对比图III；

图5为原粒子群算法和改进的粒子群算法仿真优化对比图IV。

具体实施方式

为了使本技术领域的人员更好的理解本发明中的技术方案，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明提供一种基于改进的粒子群算法的智能电网经济调度方法，包括如下步骤：

步骤1：以可再生能源投资成本、火力发电成本、环境成本、引入可中断负荷成本为目标函数建立模型；

其中，可再生资源包括风电、光伏发电等分布式可再生能源，可再生能源投资成本包括固定成本和运行成本；由于风电、光伏发电等分布式可再生能源具有初次投资成本昂贵，后续无需燃料供应，后期维护和运行的价格低廉，即运维经济性价比高的特点，所以，固定成本的表达式为：

式中，k_in为平均容量系数，P_ann为年发电功率；P_e为发电机组额定功率；T为调度周期内所含时间段；N_rs为分布式可再生能源发电机组的总数；μ表示第n个机组是否正在运行，若运行则μ＝1，若关闭μ＝0；q为第n个分布式新能源发电机组的年平均利率百分比；a为各个可再生能源机组的平均运行寿命；F_in为分布式新能源发电机组的单位容量安装投资成本；为分布式新能源的第t小时平均输出功率；

风电、光伏发电属于可再生能源，其过程无需燃料供应，由于这种分布式可再生能源具有波动性和随机性，运行过程中需要一定的运行维护成本，并认为这种运行维护成本为线性关系，其运行成本表达式为：

式中，C_rs可再生能源的运行维护成本；

可再生能源投资成本的表达式为：

火力发电成本表达式为：

式中，N_h为火力发电机组集合；表示第t小时的第n′个火电机组是否正在运行，若运行则/>若关闭/>α_n′,β_n′,γ_n′为第n′台发电机的燃料成本系数；/>为t时间段内第n′个机组的功率；

式中，表示第t-1小时第n′个火电机组是否正在运行，C_n′为第n′台火电机组的启停费用；

火力发电会造成污染经济损失，这种的环境成本的表达式为：

式中，Q为调度期内第m项污染排放物的排放量；ε为污染排放物环境价值修正系数；k_pol,m为第m项污染排放物的环境价值，k_pol,m′为排放第m项；

火力发电及环境总成本的表达式为：

引入可中断负荷成本的表达式为：

式中，为购买的可中断负荷量，是一个非负数；C_rupt为单位容量可中断负荷作为旋转备用的费用；C为购买可中断负荷的成本费，取决于电力系统与用户的成交价格，属于一次性成本；ζ为可中断负荷成本系数。

根据上述内容，最小发电成本：

minF＝F_rs+F_h+F_rupt。

步骤2：建立约束条件；

分布式可再生能源机组最大出力约束为：

火力发电约束为:

式中，和/>为火力机组的出力限制，此处仅考虑有功功率；/>为t时刻的负荷需求。

火电爬坡约束为：

式中，k_down为火电机组的向下爬坡率，k_up为火电机组的向上爬坡率；ΔT为时间间隔。

污染物排放约束为：

可中断负荷约束为：

式中，为t时刻可中断负荷作为旋转备用的最大容量；/>为购买可中断负荷的最大费用。

步骤3：采用改进的粒子群艾萨克算法求解目标函数；该算法在粒子群算法的基础上，依据万有引力定律对速度公式其中一项进行改进，该方法结合了艾萨克牛顿的万有引力定律和粒子群算法，加强了粒子与粒子间的信息传递，在具有全局搜索能力的基础上，利用万有引力定律加强了局部寻优能力，改进的粒子群艾萨克算法为：

式中，D为解空间的维度，i＝1,…,N，每一个粒子表示一个可行解，并有属于自己的每时刻的速度和位置，N为初始化解的个数；

式中，ω′为惯性权重，ω_min和ω_max为权重的上限和下限，r为当前的迭代次数，r_max为设置的最大迭代数；V_i ^d(r)为第r次迭代第i个粒子在第d维空间的速度；c₁、c₂为加速因子；rand取自[0，1]内任意随机数；表示第i个粒子在每一轮迭代过程中的个体最优解；/>为第r次迭代第i个粒子在第d维空间的位置；gbest^d为整个粒子种群的最优解；

应用牛顿万有引力定律，设每个粒子的质量为：

式中，fit_i(r)为第r次迭代第i个粒子的适应度函数，为非负值，其中c′≥0，c′为目标函数界限的保守估计值；由于目标函数为最小值问题，fit_i,worst(r)、fit_i,best(r)为第r次迭代粒子种群中适应度函数的最小值和最大值；M_i(r)表示第r次迭代第i个粒子的质量；

式中，为两粒子间的欧氏距离，ρ为距离修正系数；η为常数；为第i个粒子受到的力；G为万有引力常量；/>第r次迭代第i个粒子的加速度；

速度公式改进为：

步骤4：初始化各项参数，包括粒子数N及所有粒子的初始速度和位置、学习因子c₁和c₂、惯性权重ω′、最大迭代次数r_max；

步骤5：根据目标函数值及适应度函数，计算出每个粒子的适应度函数值；

根据迭代次数，更新粒子的万有引力常量G和粒子种群的最优位置gbest^d；

根据适应度值，计算所有粒子的质量M_i(r)、受力和加速度/>

步骤6：根据加速度更新各个粒子的速度/>和位置/>其中，粒子的速度表达公式为：

粒子的位置表达公式为：

步骤7：判断当前迭代次数是否为最大迭代次数，若是，则停止迭代，输出最优解；若否，则继续进行迭代计算。

本发明的目标是使得目标函数结果最小化，粒子群算法和改进的粒子群艾萨克算法有几个参数需要设定初始值。对于粒子群算法，设：N＝30，c₁＝c₂＝2，权重于0.8至0.2线性降低，最大迭代次数为1000；对于改进的粒子群艾萨克算法，N＝30、c₁＝0.5、c₂＝1.5、G₀＝1，权重随机取自[0,1]，最大迭代次数为1000。

本发明针对含可再生能源投资运维成本、火力发电成本、环境成本、可中断负荷成本的智能电网进行经济优化调度，并采用一种改进的粒子群艾萨克算法对目标函数进行求解，得到目标函数的最优解，即得到智能电网在调度期间各个时段的各种发电机组及可中断负荷的配置情况，进而提升智能电网运行的经济性。经过仿真实验进行对比传统粒子群算法和本发明的改进算法，在20次运行中，改进的粒子群艾萨克算法都得到了全局最小值，并在大多数函数中最小化情况优于传统的粒子群算法，仿真情况也表明，改进的粒子群艾萨克算法收敛速度更快。

本发明利用粒子群算法的挖掘能力和全局搜索能力，依据牛顿万有引力定律的特性，结合成一种改进的粒子群艾萨克算法，该算法加强了粒子与粒子间的联系和局部寻优能力，从而达到比传统寻优方法更优的效果，得到调度各时段各发电机组及可中断负荷的配置情况，在满足智能电网运行稳定的同时，增加其经济性。

上述实施例仅为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用的术语，只是为了描述具体得实施方式的目的，不是旨在于限制本发明。

Claims (5)

1.一种基于改进的粒子群算法的智能电网经济调度方法，其特征在于：包括如下步骤：

步骤1：以可再生能源投资成本、火力发电成本、环境成本、引入可中断负荷成本为目标函数建立模型；

步骤2：建立约束条件；

步骤3：采用改进的粒子群算法求解目标函数；

步骤4：初始化各项参数，包括粒子数N及所有粒子的初始速度和位置、学习因子c₁和c₂、惯性权重ω′、最大迭代次数r_max；

步骤5：根据目标函数值及适应度函数，计算出每个粒子的适应度函数值；根据迭代次数，更新粒子的万有引力常量G和粒子种群的最优位置gbest^d；根据适应度值，计算第r次迭代第i个粒子的质量M_i(r)、受力F_i ^d(r)和加速度

步骤6：根据加速度更新各个粒子的速度V_i ^d(r+1)和位置/>

步骤7：判断当前迭代次数是否为最大迭代次数，若是，则停止迭代，输出最优解；若否，则继续进行迭代计算；

所述步骤1中，可再生能源投资成本包括固定成本和运行成本，可再生能源投资成本的表达式为：

其中，固定成本的表达式为：

式中，k_in为平均容量系数，P_ann为年发电功率；P_e为发电机组额定功率；T为调度周期内所含时间段；N_rs为分布式可再生能源发电机组的总数；μ表示第n个机组是否正在运行；q为第n个分布式新能源发电机组的年平均利率百分比；a为各个可再生能源机组的平均运行寿命；F_in为分布式新能源发电机组的单位容量安装投资成本；为分布式新能源的第t小时平均输出功率；

运行成本表达式为：

式中，C_rs可再生能源的运行维护成本。

2.根据权利要求1所述的基于改进的粒子群算法的智能电网经济调度方法，其特征在于，所述步骤3中，改进的粒子群算法为：

式中，D为解空间的维度，i＝1,…,N；N为初始化解的个数；

式中，ω′为惯性权重，ω_min和ω_max为权重的上限和下限，r为当前的迭代次数，r_max为设置的最大迭代数；V_i ^d(r)为第r次迭代第i个粒子在第d维空间的速度；c₁、c₂为加速因子；rand取自[0，1]内任意随机数；表示第i个粒子在每一轮迭代过程中的个体最优解；为第r次迭代第i个粒子在第d维空间的位置；gbest^d为整个粒子种群的最优解；

设每个粒子的质量为：

式中，fit_i(r)为第r次迭代第i个粒子的适应度函数，为非负值，其中c′≥0，c′为目标函数界限的保守估计值；fit_i,worst(r)、fit_i,best(r)为第r次迭代粒子种群中适应度函数的最小值和最大值；M_i(r)表示第r次迭代第i个粒子的质量；

式中，为两粒子间的欧氏距离，ρ为距离修正系数；η为常数；F_i ^d(r)为第i个粒子受到的力；G为万有引力常量；/>第r次迭代第i个粒子的加速度；

速度公式改进为：

3.根据权利要求2所述的基于改进的粒子群算法的智能电网经济调度方法，其特征在于，所述步骤1中，火力发电成本表达式为：

式中，N_h为火力发电机组集合；表示第t小时的第n′个火电机组是否正在运行；α_n′,β_n′,γ_n′为第n′台发电机的燃料成本系数；/>为t时间段内第n′个机组的功率；

式中，表示第t-1小时第n′个火电机组是否正在运行，C_n′为第n′台火电机组的启停费用；

环境成本的表达式为：

式中，Q为调度期内第m项污染排放物的排放量；ε为污染排放物环境价值修正系数；k_pol,m为第m项污染排放物的环境价值，k_pol,m′为排放第m项；

火力发电及环境总成本的表达式为：

4.根据权利要求3所述的基于改进的粒子群算法的智能电网经济调度方法，其特征在于，所述步骤1中，引入可中断负荷成本的表达式为：

式中，为购买的可中断负荷量；C_rupt为单位容量可中断负荷作为旋转备用的费用；C为购买可中断负荷的成本费；ζ为可中断负荷成本系数。

5.根据权利要求4所述的基于改进的粒子群算法的智能电网经济调度方法，其特征在于，所述步骤2中，分布式可再生能源机组最大出力约束为：

火力发电约束为:

式中，和/>为火力机组的出力限制；/>为t时刻的负荷需求；

火电爬坡约束为：

式中，k_down为火电机组的向下爬坡率，k_up为火电机组的向上爬坡率；ΔT为时间间隔；

污染物排放约束为：

可中断负荷约束为：

式中，为t时刻可中断负荷作为旋转备用的最大容量；/>为购买可中断负荷的最大费用。