CN113991751B - 一种基于混合算法的自动发电控制调度方法 - Google Patents
一种基于混合算法的自动发电控制调度方法 Download PDFInfo
- Publication number
- CN113991751B CN113991751B CN202111257478.9A CN202111257478A CN113991751B CN 113991751 B CN113991751 B CN 113991751B CN 202111257478 A CN202111257478 A CN 202111257478A CN 113991751 B CN113991751 B CN 113991751B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- population
- power generation
- objective
- ith
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000010248 power generation Methods 0.000 title claims abstract description 59
- 239000002245 particle Substances 0.000 claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 238000004146 energy storage Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 14
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- 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
- 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
-
- 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
Abstract
本申请提供一种基于混合算法的自动发电控制调度方法，包括设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。本申请可以解决储能资源、新能源和传统AGC机组的协同调度问题，通过混合多目标算法的优化和客观决策方法为电网选取一个符合机组约束的调度方案。
Description
技术领域
本申请涉及自动发电控制方法技术领域，尤其涉及一种基于混合算法的自动发电控制调度方法。
背景技术
近年来，大量风力发电和光伏发电机组并网运行。一方面，由于风力发电和光伏发电单元的输出由电力电子设备调节，它们可以快速响应动态功率输入调节命令。另一方面，由于大型风力发电和光伏发电机组受气候条件的影响，其发电量具有较大的随机波动，这加剧了电力系统频率调节的压力。此外，越来越多的新型储能资源正在加入电网，如化学电池储能、电动汽车、电网规模的电池储能等。风力发电和光伏发电机组通过将多余的能量储存在大容量的电池组中来发电，在电池不发电时反馈到电网中，以缓解电力系统频率调节的压力。
近年来不少启发式算法应用到了自动发电调度优化,包括多目标粒子群优化，多目标粒子群算法和多目标免疫算法等。迄今为止，很少有研究涉及风、光伏、等效串联电阻和其他频率调节资源之间的互补控制。因此，本申请提出了一种基于多目标遗传算法和多目标粒子群混合算法的自动发电控制调度优化方法，它主要最小化总的功率偏差和总的调频里程支付。在求解多目标调度优化问题时，由于具有一定的全局搜索能力和较快的收敛速度，多目标进化算法应用广泛，但是由于其参数较为固定，无法自适应更新算法参数，可能收敛到局部解。因此，本申请采用多目标遗传算法和多目标粒子群混合算法求解调度问题，同时采用多属性边界逼近面积比较(mult i-attribute boundary approximationregional comparison,MABAC)决策方法在获取的帕累托解集上选择最优折衷解。
发明内容
本申请提供了一种基于混合算法的自动发电控制调度方法，以解决很少有研究涉及风、光伏、等效串联电阻和其他频率调节资源之间的互补控制的问题。
本发明的目的通过以下技术方案实现：首先，建立多目标调度优化数学模型，设计调度的目标函数，即提高电网运营商的效益，同时平衡电力系统的负荷扰动；并确定多目标调度的约束条件；然后，输入实时的负荷扰动和初始化优化算法参数，采用多目标遗传算法(An evolutionary many-objective optimization algorithm using reference-pointbased non-dominated sorting approach,NSGA-II)和多目标粒子群(multipleobjective particle swarm optimization,MOPSO)混合算法执行非支配排序并计算个体对应的拥挤度，同时选择合适的解集，以更新帕累托解集；利用多属性边界逼近面积比较(multi-attribute boundary approximation regional comparison,MABAC) 决策法选取所得帕累托前沿的最优折衷解。
本申请提供一种基于混合算法的自动发电控制调度方法，包括：
设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；
设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；
采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；
重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。
可选的，所述设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型的步骤包括两步，一是使运营商的调节里程支付f1达到最小值，二是使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值，其中：
所述自动发电控制调度模型的目标函数为：
式中，为第i机组在第k+1时刻的功率输出；ΔPc(k)为PI控制器的输出； Ri表示第i台自动发电控制机组的规定里程费，如下所示：
式中γ为调节里程的价格，为绩效评分，/>为第i个单元在第k个时间控制间隔的实际调节功率输出，/>为第k个控制间隔的调节里程输出偏差。
可选的，所述设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数的步骤包括：
设定调度模型的约束条件，包括功率平衡约束、发电坡道约束、调节容量约束和能量转移约束，其中：
所述功率平衡约束：在第k个控制间隔，控制器输出的总功率调节命令应等于所有自动增益控制单元接收的功率调节输入信号之和，如下所示：
式中，为第i单元在第k个控制间隔接收到的输入功率命令，ΔPc(k)为PI控制器的输出；
发电坡道约束：光电和风电机组与储能资源的动态响应模型不存在发电坡道约束，在不考虑发电坡道约束和功率限制器的情况下，实际调节功率输出与拉普拉斯逆传递函数有关，如下所示：
式中，Gi(s)为第i个自动发电控制机组的能量传递函数；ΔT为第i单位的延迟时间常数；为第i台自动发电控制机组在第k个控制区间的调节里程输入；
考虑到总谐波电流和功率限制器，自动增益控制单元的输出计算如下：
式中，和/>分别为第i单元的最小调节容量和最大调节容量；/>和分别为第i单元功率调节变化的最小值和最大值；/>为第i单元的最大斜坡速率。
可选的，所述采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程的步骤包括：
采用多目标遗传算法和多目标粒子群混合算法优化自动发电控制调度方案，利用于多目标遗传算法和多目标粒子群改进混合算法进行自动发电控制调度，算法迭代流程如下：
步骤1：初始化多目标遗传算法的参数，包括种群数目N1，迭代次数T，最大交叉率Pc，突变率Pm，突变步长L；
步骤2：初始化多目标粒子群算法的参数，包括存储库大小N2，惯量权重w，惯量权重阻尼c1，个体加速常数c1，全局加速常数c2；
步骤3：初始化种群，采用随机初始化产生满足约束条件的种群，根据上述公式计算初始种群对应的目标函数值；
步骤4：对种群进行非支配排序，根据非支配前沿对个体进行分类，计算同一非支配水平下个体的拥挤距离，根据拥挤距离对个体进行排序，拥挤距离δg计算如下：
步骤5：多目标遗传算法更新部分，采用父代种群的上半部分产生子代种群，计算新种群对应的目标函数值；
步骤6：合并父代与子代的种群，执行非支配排序，计算拥挤距离进行排序，进行集合填充或前沿筛选，按照非支配前沿进行优先填充和按照拥挤距离的降序进行前沿筛选，将非主导的解集存储于外部种群档案P1中；
步骤7：多目标粒子群算法更新部分，初始化外部存储档案P2，采用速度和位置函数来更新粒子速度和位置如下：
vi＝wvi+c1rand1(pi-xi)+c2rand2(gi-xi)
xi＝αvi+xi
其中vi为第i粒子的速度向量；xi为第i粒子的位置向量；pi为第i粒子的最优位置；gi为全局最优位置；rand1和rand2为对应的[0，1]范围内的随机常数；α为约束位置变化的因子，为控制位置变化权重；
步骤8：比较个体的历史最优适应度值与子代的种群函数值，确定个体的最优适应度值pbest，根据非支配排序将符合条件的解集存储于外部种群档案P2中，更新粒子的惯性权重w。
步骤9：结合多目标遗传算法的种群和多目标粒子群的新粒子集，进行快速非支配排序，按照非支配前沿进行优先排序和拥挤距离的降序进行排列；
步骤10：将种群划分为上部分种群和下部分种群，用于多目标遗传算法的种群和多目标粒子群的粒子更新，种群迭代次数g＝g+1；
步骤11：重复执行步骤5-步骤10，直到迭代次数g＞T。
可选的，所述重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解的步骤包括：
利用基于熵权法的多属性边界逼近面积比较决策方法进行帕累托解筛选：
步骤1：获取帕累托前沿PF，得到m个决策方案Ai(i＝1，2，...，m)及n+3个决策指标Bj(j＝1，2，...，n+3)，限制机组接收指令的变化，增加一个指数D，该指数表示X的解到原点的欧几里得距离，如下所示：
其中，xij为第i个帕累托解的第j个机组输出值，第i个决策方案表达为Ai＝ (xi1，xi2，...xin，Fi1，Fi2，Di)，将获取的决策方案矩阵X表示为：
步骤2：对获取的鞠策方案矩阵X进行数据的初始化，由于所有指标均为负向指标，指标标准化过程如下：
其中，代表第j个指标的最小值，/> 代表第j个指标的最大值：
步骤3：熵权法计算各个指标的权重，根据指标值分别计算权重pij和熵值Ej，如下所示：
步骤4：计算加权重后的矩阵Z，计算第i个方案的第j个指标的加权重后数值为：
zij＝wj·(yij+1)
步骤5：计算边界邻接矩阵G，计算第j个指标的逼近数值为：
G＝[g1 g2…gn+3]
步骤6：计算逼近检验矩阵C，计算第i个方案的第j个指标的逼近数值为
cij＝zij-gj
步骤7：计算逼近检验矩阵的数值，评估方案的贴近程度，第i个方案的贴近系数计算如下：
依据贴近系数Si对方案进行排序，Si数值越大，代表第i个方案越容易被考虑：
是第i个帕累托解，xbest是最优折衷解。
由以上技术方案可知，本申请提供一种基于混合算法的自动发电控制调度方法，包括设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。
本申请可以解决储能资源、新能源和传统AGC机组的协同调度问题，通过混合多目标算法的优化和客观决策方法为电网选取一个符合机组约束的调度方案。同时，通过减少功率偏差为电力系统提供良好的运行环境，并且通过减少里程支付为电网运营商带来经济效益。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的混合多目标算法的流程示意图；
图2为本申请提供的一种基于混合算法的自动发电控制调度方法的步骤示意图；
图3为本申请提供的机组调节功率信号随时间变化示意图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
很多优化问题是多目标优化问题，目标之间一般都是互相冲突的。比如在公路路线设计中，需要兼顾至少两个目标：1)路线经过多的居民点，方便大家出行，2)路线尽量少经过居民点附近，减少土地征用和房屋拆迁费用。在遗传算法出现之后，有人提出了各种方法将遗传算法应用于多目标优化。多目标遗传算法按照选择方法可以分为两种类型：基于线性加权和基于Pareto排序。
参见图2，为本申请提供的一种基于混合算法的自动发电控制调度方法的步骤示意图，包括：
设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；
设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；
采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；
重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。
参见图1，为本申请提供的混合多目标算法的流程示意图，进一步的，所述设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型的步骤包括两步，一是使运营商的调节里程支付f1达到最小值，二是使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值，其中：
所述自动发电控制调度模型的目标函数为：
式中，为第i机组在第k+1时刻的功率输出；ΔPc(k)为PI控制器的输出； Ri表示第i台自动发电控制机组的规定里程费，如下所示：
式中γ为调节里程的价格，为绩效评分，/>为第i个单元在第k个时间控制间隔的实际调节功率输出，/>为第k个控制间隔的调节里程输出偏差。
本申请旨在实现总功率偏差最小化和调节里程支付最小化这两个相互矛盾的目标。一是使运营商的调节里程支付f1达到最小值，第二是使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值。此外，里程支付与机组的爬坡特性和调频里程相关，功率偏差主要是机组接收信号与发出功率相关。
参见图3，为本申请提供的机组调节功率信号随时间变化示意图，进一步的，所述设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数的步骤包括：
设定调度模型的约束条件，包括功率平衡约束、发电坡道约束、调节容量约束和能量转移约束，其中：
所述功率平衡约束：在第k个控制间隔，控制器输出的总功率调节命令应等于所有自动增益控制单元接收的功率调节输入信号之和，如下所示：
式中，为第i单元在第k个控制间隔接收到的输入功率命令，ΔPc(k)为PI控制器的输出；
发电坡道约束：光电和风电机组与储能资源的动态响应模型不存在发电坡道约束，在不考虑发电坡道约束和功率限制器的情况下，实际调节功率输出与拉普拉斯逆传递函数有关，如下所示：
式中，Gi(s)为第i个自动发电控制机组的能量传递函数；ΔT为第i单位的延迟时间常数；为第i台自动发电控制机组在第k个控制区间的调节里程输入；
考虑到总谐波电流和功率限制器，自动增益控制单元的输出计算如下：
式中，和/>分别为第i单元的最小调节容量和最大调节容量；/>和分别为第i单元功率调节变化的最小值和最大值；/>为第i单元的最大斜坡速率。
最优的调度计划方案需要满足相应的约束，包括功率平衡约束、带发电斜坡约束的动态响应过程(generation ramp control，GRC)、调节容量约束和能量转移约束。根据响应时延，AGC机组可分为不同类型的机组。与风电、光伏机组一样，ESRS的动态响应模型不存在发电坡道约束(GRC)，动态响应函数如图2所示。
进一步的，所述采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程的步骤包括：
采用多目标遗传算法和多目标粒子群混合算法优化自动发电控制调度方案，利用于多目标遗传算法和多目标粒子群改进混合算法进行自动发电控制调度，算法迭代流程如下：
步骤1：初始化多目标遗传算法的参数，包括种群数目N1，迭代次数T，最大交叉率Pc，突变率Pm，突变步长L；
步骤2：初始化多目标粒子群算法的参数，包括存储库大小N2，惯量权重w，惯量权重阻尼c1，个体加速常数c1，全局加速常数c2；
步骤3：初始化种群，采用随机初始化产生满足约束条件的种群，根据上述公式计算初始种群对应的目标函数值；
步骤4：对种群进行非支配排序，根据非支配前沿对个体进行分类，计算同一非支配水平下个体的拥挤距离，根据拥挤距离对个体进行排序，拥挤距离δg计算如下：
步骤5：多目标遗传算法更新部分，采用父代种群的上半部分产生子代种群，计算新种群对应的目标函数值；
步骤6：合并父代与子代的种群，执行非支配排序，计算拥挤距离进行排序，进行集合填充或前沿筛选，按照非支配前沿进行优先填充和按照拥挤距离的降序进行前沿筛选，将非主导的解集存储于外部种群档案P1中；
步骤7：多目标粒子群算法更新部分，初始化外部存储档案P2，采用速度和位置函数来更新粒子速度和位置如下：
vi＝wvi+c1rand1(pi-xi)+c2rand2(gi-xi)
xi＝αvi+xi
其中vi为第i粒子的速度向量；xi为第i粒子的位置向量；pi为第i粒子的最优位置；gi为全局最优位置；rand1和rand2为对应的[0，1]范围内的随机常数；α为约束位置变化的因子，为控制位置变化权重；
步骤8：比较个体的历史最优适应度值与子代的种群函数值，确定个体的最优适应度值pbest，根据非支配排序将符合条件的解集存储于外部种群档案P2中，更新粒子的惯性权重w。
步骤9：结合多目标遗传算法的种群和多目标粒子群的新粒子集，进行快速非支配排序，按照非支配前沿进行优先排序和拥挤距离的降序进行排列；
步骤10：将种群划分为上部分种群和下部分种群，用于多目标遗传算法的种群和多目标粒子群的粒子更新，种群迭代次数g＝g+1；
步骤11：重复执行步骤5-步骤10，直到迭代次数g＞T。
利用NSGA-II和MOPSO混合算法优化AGC调度方案，其新颖之处在于混合算法的整体搜索机制、种群的进化和档案更新机制。NSGA-II和MOPSO改进混合算法的三大特点如下：
(1)混合算法通过更新它们的速度和惯性权重来探索空间，可以通过不断更新多目标优化算法的参数来避免陷入局部最优解。
(2)一半种群由NSGA-II算法来执行，对全局解的性能进行排序评估。
(3)另一半种群是由MOPSO搜索进行的，修正性能差的粒子的搜索方向，在其邻近地区寻找更好的解决方案。
进一步的，所述重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解的步骤包括：
利用基于熵权法的多属性边界逼近面积比较决策方法进行帕累托解筛选：
步骤1：获取帕累托前沿PF，得到m个决策方案Ai(i＝1，2，...，m)及n+3个决策指标Bj(j＝1，2，...，n+3)，限制机组接收指令的变化，增加一个指数D，该指数表示X的解到原点的欧几里得距离，如下所示：
其中，xij为第i个帕累托解的第j个机组输出值，第i个决策方案表达为Ai＝ (xi1，xi2，...xin，Fi1，Fi2，Di)，将获取的决策方案矩阵X表示为：
步骤2：对获取的鞠策方案矩阵X进行数据的初始化，由于所有指标均为负向指标，指标标准化过程如下：
其中，代表第j个指标的最小值，/>max(x1j，x2j，...xmi)代表第j个指标的最大值：
步骤3：熵权法计算各个指标的权重，根据指标值分别计算权重pij和熵值Ej，如下所示：
步骤4：计算加权重后的矩阵Z，计算第i个方案的第j个指标的加权重后数值为：
zij＝wj·(yij+1)
步骤5：计算边界邻接矩阵G，计算第j个指标的逼近数值为：
G＝[g1 g2…gn+3]
步骤6：计算逼近检验矩阵C，计算第i个方案的第j个指标的逼近数值为
cij＝zij-gj
步骤7：计算逼近检验矩阵的数值，评估方案的贴近程度，第i个方案的贴近系数计算如下：
依据贴近系数Si对方案进行排序，Si数值越大，代表第i个方案越容易被考虑：
是第i个帕累托解，xbest是最优折衷解。
基于熵权法的多属性边界逼近面积比较(MABAC)的三大特点如下：
(1)每个指标的权重都不依赖于专家的评价和偏好，由数据的分布决定，所以决策是客观的。
(2)MABAC评价方法在处理多阶段问题上具有明显的优势。
(3)该方法不仅是一种多属性决策要求的决策方法，而且可以考虑各个解集的几何分布情况。
实施例：
本发明将提出的NSGA-II和MOPSO混合算法的AGC调度方法在两种不同的负荷扰动下进行仿真对比，并将实验结果与传统比例分配方法(proportional method，PROP)进行比较。具体实施中，以一个扩展的两区域7机组模型为例，包含传统火电、水电天然气、风电、光伏和储能资源。各个机组接收的功率信号变化如图2所示。其中参数设置为： AGC的控制时间周期等于4s，调节里程价格等于2$/MW。混合算法的种群规模和最大迭代步数分别设置为50和50。调频信号设为ΔPD＝70MW，输入负荷扰动数据及对应机组参数；初始化种群数量N1＝50，N2＝50最大迭代次数T＝50。应用混合多目标算法得到最优帕累托前沿，再通过MABAC决策得到最优折衷解。
由以上技术方案可知，本申请提供一种基于混合算法的自动发电控制调度方法，包括设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。
本申请所提出的调度方法可以有效地协调自动发电控制的各种频率调节资源和机组，同时减少总功率偏差和调节里程支付。本申请所提出的NSGA-II和MOPSO混合算法可以在相对较短的时间内收敛到高质量的帕累托前沿，充分利用储能资源在频率调节方面的优势，兼顾运行经济性和电能质量。可以有效提高响应性能，同时通过减少总调节里程支付，提高运行经济性。本申请采取的多属性边界逼近面积比较(MABAC)决策方法可以有效地选取折衷的调度方案。通过降低|ACE|、平均|Δf|和总功率偏差，，可以有效提高响应性能，同时通过减少总调节里程支付，提高运行经济性。
以上显示和描述了本申请的基本原理和主要特征以及本申请的优点，对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。
Claims (4)
1.一种基于混合算法的自动发电控制调度方法，其特征在于，包括：
设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型，其中，使运营商的调节里程支付f1达到最小值，使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值，其中：
所述自动发电控制调度模型的目标函数为：
式中，为第i机组在第k+1时刻的功率输出；ΔPc(k)为PI控制器的输出；Ri表示第i台自动发电控制机组的规定里程费，如下所示：
式中γ为调节里程的价格，为绩效评分，/>为第i个单元在第k个时间控制间隔的实际调节功率输出，/>为第k个控制间隔的调节里程输出偏差；
设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；
采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；
重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定帕累托前沿的最优折衷解。
2.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数的步骤包括：
设定调度模型的约束条件，包括功率平衡约束、发电坡道约束、调节容量约束和能量转移约束，其中：
所述功率平衡约束:在第k个控制间隔，控制器输出的总功率调节命令应等于所有自动增益控制单元接收的功率调节输入信号之和，如下所示：
式中，为第i单元在第k个控制间隔接收到的输入功率命令，ΔPc(k)为PI控制器的输出；
发电坡道约束：光电和风电机组与储能资源的动态响应模型不存在发电坡道约束，在不考虑发电坡道约束和功率限制器的情况下，实际调节功率输出与拉普拉斯逆传递函数有关，如下所示：
式中，Gi(s)为第i个自动发电控制机组的能量传递函数；ΔT为第i单位的延迟时间常数；为第i台自动发电控制机组在第k个控制区间的调节里程输入；
考虑到总谐波电流和功率限制器，自动增益控制单元的输出计算如下：
式中，和/>分别为第i单元的最小调节容量和最大调节容量；/>和/>分别为第i单元功率调节变化的最小值和最大值；/>为第i单元的最大斜坡速率。
3.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程的步骤包括：
采用多目标遗传算法和多目标粒子群混合算法优化自动发电控制调度方案，利用于多目标遗传算法和多目标粒子群改进混合算法进行自动发电控制调度，算法迭代流程如下：
步骤1：初始化多目标遗传算法的参数，包括种群数目N1，迭代次数T，最大交叉率Pc，突变率Pm，突变步长L；
步骤2：初始化多目标粒子群算法的参数，包括存储库大小N2，惯量权重w，惯量权重阻尼c1，个体加速常数c1，全局加速常数c2；
步骤3：初始化种群，采用随机初始化产生满足约束条件的种群，计算初始种群对应的目标函数值；
步骤4：对种群进行非支配排序，根据非支配前沿对个体进行分类，计算同一非支配水平下个体的拥挤距离，根据拥挤距离对个体进行排序，拥挤距离δg计算如下：
步骤5：多目标遗传算法更新部分，采用父代种群的上半部分产生子代种群，计算新种群对应的目标函数值；
步骤6：合并父代与子代的种群，执行非支配排序，计算拥挤距离进行排序，进行集合填充或前沿筛选，按照非支配前沿进行优先填充和按照拥挤距离的降序进行前沿筛选，将非主导的解集存储于外部种群档案P1中；
步骤7：多目标粒子群算法更新部分，初始化外部存储档案P2，采用速度和位置函数来更新粒子速度和位置如下：
vi＝wvi+c1rand1(pi-xi)+c2rand2(gi-xi)
xi＝αvi+xi
其中vi为第i粒子的速度向量；xi为第i粒子的位置向量；pi为第i粒子的最优位置；gi为全局最优位置；rand1和rand2为对应的[0,1]范围内的随机常数；α为约束位置变化的因子，为控制位置变化权重；
步骤8：比较个体的历史最优适应度值与子代的种群函数值，确定个体的最优适应度值pbest，根据非支配排序将符合条件的解集存储于外部种群档案P2中，更新粒子的惯性权重w；
步骤9：结合多目标遗传算法的种群和多目标粒子群的新粒子集，进行快速非支配排序，按照非支配前沿进行优先排序和拥挤距离的降序进行排列；
步骤10：将种群划分为上部分种群和下部分种群，用于多目标遗传算法的种群和多目标粒子群的粒子更新，种群迭代次数g＝g+1；
步骤11：重复执行步骤5-步骤10，直到迭代次数g>T。
4.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定帕累托前沿的最优折衷解的步骤包括：
利用基于熵权法的多属性边界逼近面积比较决策方法进行帕累托解筛选：
步骤1：获取帕累托前沿PF，得到m个决策方案Ai(i＝1,2,…,m)及n+3个决策指标Bj(j＝1,2,…,n+3)，限制机组接收指令的变化，增加一个指数D，该指数表示X的解到原点的欧几里得距离，如下所示：
其中，xij为第i个帕累托解的第j个机组输出值，第i个决策方案表达为Ai＝(xi1,xi2,…xin,Fi1,Fi2,Di)，将获取的决策方案矩阵X表示为：
步骤2：对获取的鞠策方案矩阵X进行数据的初始化，由于所有指标均为负向指标，指标标准化过程如下：
其中，代表第j个指标的最小值，/>代表第j个指标的最大值：
步骤3：熵权法计算各个指标的权重，根据指标值分别计算权重pij和熵值Ej，如下所示：
步骤4：计算加权重后的矩阵Z，计算第i个方案的第j个指标的加权重后数值为：
zij＝wj·(yij+1)
步骤5：计算边界邻接矩阵G，计算第j个指标的逼近数值为：
G＝[g1 g2 … gn+3]
步骤6：计算逼近检验矩阵C，计算第i个方案的第j个指标的逼近数值为
cij＝zij-gj
步骤7：计算逼近检验矩阵的数值，评估方案的贴近程度，第i个方案的贴近系数计算如下：
依据贴近系数Si对方案进行排序，Si数值越大，代表第i个方案越容易被考虑：
是第i个帕累托解，xbest是最优折衷解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257478.9A CN113991751B (zh) | 2021-10-27 | 2021-10-27 | 一种基于混合算法的自动发电控制调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257478.9A CN113991751B (zh) | 2021-10-27 | 2021-10-27 | 一种基于混合算法的自动发电控制调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113991751A CN113991751A (zh) | 2022-01-28 |
| CN113991751B true CN113991751B (zh) | 2023-11-17 |
Family
ID=79742710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111257478.9A Active CN113991751B (zh) | 2021-10-27 | 2021-10-27 | 一种基于混合算法的自动发电控制调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113991751B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146455B (zh) * | 2022-06-28 | 2024-04-05 | 之江实验室 | 一种计算实验支持的复杂供应链多目标决策方法 |
| CN115378041B (zh) * | 2022-10-25 | 2023-04-07 | 国网浙江省电力有限公司宁波市北仑区供电公司 | 配电网优化方法、系统、配电网、设备及介质 |
| CN116974241B (zh) * | 2023-07-10 | 2024-02-06 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
| CN117172516B (zh) * | 2023-11-03 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
| CN108932566A (zh) * | 2018-07-19 | 2018-12-04 | 重庆邮电大学 | 基于改进蝙蝠算法求解电力系统多目标有功调度的方法 |
| WO2019134532A1 (zh) * | 2018-01-02 | 2019-07-11 | 佛山科学技术学院 | 一种含风光可再生能源的热电联供系统运行方法 |
| CN113452037A (zh) * | 2021-06-23 | 2021-09-28 | 云南电网有限责任公司电力科学研究院 | 一种兼顾调频的光伏阵列重构优化方法 |
-
2021
- 2021-10-27 CN CN202111257478.9A patent/CN113991751B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
| WO2019134532A1 (zh) * | 2018-01-02 | 2019-07-11 | 佛山科学技术学院 | 一种含风光可再生能源的热电联供系统运行方法 |
| CN108932566A (zh) * | 2018-07-19 | 2018-12-04 | 重庆邮电大学 | 基于改进蝙蝠算法求解电力系统多目标有功调度的方法 |
| CN113452037A (zh) * | 2021-06-23 | 2021-09-28 | 云南电网有限责任公司电力科学研究院 | 一种兼顾调频的光伏阵列重构优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 含高比例风光新能源电网的多目标无功优化算法;杨蕾;吴琛;黄伟;郭成;向川;何鑫;邢超;奚鑫泽;周鑫;杨博;张孝顺;;电力建设(第07期);全文 * |
| 基于多目标粒子群算法的电力系统环境经济调度研究;张子泳;仉梦林;李莎;;电力系统保护与控制(第10期);全文 * |
| 基于改进多目标粒子群优化算法的配电网削峰填谷优化;邵振;邹晓松;袁旭峰;熊炜;袁勇;苗宇;;科学技术与工程(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113991751A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113991751B (zh) | 一种基于混合算法的自动发电控制调度方法 | |
| US11326579B2 (en) | Adaptive dynamic planning control method and system for energy storage station, and storage medium | |
| CN106529166B (zh) | 一种基于maepso算法的区域水资源优化配置方法 | |
| CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| CN109904869A (zh) | 一种微电网混合储能容量配置的优化方法 | |
| CN105701562B (zh) | 训练方法、所适用的预测发电功率的方法及各自系统 | |
| CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
| CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
| CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
| CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| Bandopadhyay et al. | Application of hybrid multi-objective moth flame optimization technique for optimal performance of hybrid micro-grid system | |
| CN108062720A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
| CN108183488A (zh) | 基于集群划分的高渗透率分布式能源系统智能调压方法 | |
| CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
| CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
| CN107565880B (zh) | 优化型风光互补混合发电系统 | |
| CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
| CN113270898A (zh) | 一种基于两阶段规划的分布式光伏优化配置方法 | |
| CN114330938B (zh) | 一种配电网分布式储能规划方法及系统 | |
| CN114971250A (zh) | 基于深度q学习的综合能源经济调度系统 | |
| Liu et al. | Location analysis of electric vehicle charging station based on improved PSO | |
| Wei et al. | Multi-objective optimal load distribution based on improved gravitational search algorithm in power plants |
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 |