CN114069621B - 计及多能源系统稳定性的多目标协同优化安全调度方法 - Google Patents

Abstract

本发明是一种计及多能源系统稳定性的多目标协同优化安全调度方法，包括步骤1：建立传统火电机组经济调度模型；步骤2：综合考虑新能源不确定性对于系统安全的影响，增加安全优化目标与安全约束，建立多能源系统安全经济调度模型；步骤3：设置多个子种群分别对多个模型目标函数进行优化，得到各个目标的优化方案子集；步骤4：由多个方案子集结合柯西变异策略以及协同进化方法得到模型的非支配解集。本发明引入了弃风、弃光成本、减载风险以及潮流优化，并将其添加到优化模型中作为目标函数，同时通过多个子种群协同优化的方法，实现对复杂模型的解耦，从而获得可靠的优化方案。

Description

计及多能源系统稳定性的多目标协同优化安全调度方法

技术领域

本发明属于电力系统自动化领域，具体的说是涉及一项多能源系统下的安全经济调度新方法，特别是在大规模的新能源接入环境下。

背景技术

由于化石能源的资源紧缺以及环境污染、全球气候变暖等问题，新能源的使用规模在迅速扩张，但新能源的发电过程容易受到环境因素影响，不确定性强，大规模新能源的接入对电网的运行安全提出了严峻的考验；而且传统火力发电经济调度优化中往往存在多目标、多约束以及高纬度的问题。因此，传统多目标优化方法难以解决大规模新能源接入环境下的多能源系统调度问题。

发明内容

为了解决上述问题，本发明提供一种计及新能源接入下多能源系统稳定性的多目标协同优化安全调度方法，该方法引入了弃风、弃光成本、减载风险以及潮流优化，并将其添加到优化模型中作为目标函数，同时通过多个子种群协同优化的方法，实现对复杂模型的解耦，从而获得可靠的优化方案。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述多目标协同优化安全调度方法包括如下步骤：

步骤1：建立传统火电机组经济调度模型；

步骤2：综合考虑新能源不确定性对于系统安全的影响，增加安全优化目标与安全约束，建立多能源系统安全经济调度模型；

步骤3：设置多个子种群分别对多个模型目标函数进行优化，得到各个目标的优化方案子集；

步骤4：由多个方案子集结合柯西变异策略以及协同进化方法得到模型的非支配解集。

本发明的进一步改进在于：所述步骤4使用柯西变异及维护策略得到非支配解集，包括：需要维护外部档案集，具体策略如下：将集合S置空，先将四个子种群的局部最优值和全局最优值加入集合，再将上一代外部档案集中的个体加入当前集合，对S中的所有个体进行快速非支配排序，得到所有非支配解。多目标进化算法中为了尽量逼近最优解，往往将外部档案集的大小设为固定值，在得到所有非支配解后，若其数量小于设定的外部档案集大小，将它们全部加入档案集中；若数量大于档案集大小，则需要计算拥挤距离：将个体按照某一目标函数大小进行升序排列，第一个和最后一个个体拥挤距离设为无穷大，则第i个个体的拥挤距离表示为：

表示为第i+1个体和第i-1个体的所有目标函数的差的和。计算拥挤距离后，根据非支配等级以及拥挤距离选择较好的解加入外部档案集中。

为避免算法陷入局部最优值，每隔一定的迭代次数，需要对外部档案集进行一次柯西变异：

η是柯西变异系数，C(0,1)是标准差为1期望为0的高斯分布，rand是0,1之间的随机数，γ是多项式变异系数，ε是一个给出的常数阈值。diversity是差异化系数，表示档案集中个体的多样性是否良好，计算公式为：

是个体第j维度的平均值，h_j,l_j是第j维度的最大以及最小值，N为Archive外部档案集的大小。

根据上述得到的非支配解集，将外部档案集的大小始终维护在设定的值，经过一定时间的迭代后，就可以得到多能源系统安全经济调度模型的最优Pareto解集。

本发明的有益效果是：本发明针对传统多目标优化方法难以解决新能源接入环境下的电网安全调度问题，引入了弃风、弃光成本、减载风险以及潮流优化。并将其添加到优化模型中作为目标函数，同时通过多个子种群协同优化的方法，实现对复杂模型的解耦，从而获得可靠的优化方案，解决了多能源安全经济调度的技术难题。

附图说明

图1是本发明多能源系统多目标协同优化框架图。

具体实施方式

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

本发明是一种计及多能源系统稳定性的多目标协同优化安全调度方法：

首先，以火力发电机组的发电成本、发电污染排放量以及风电和光电机组的弃风和弃光成本、减载风险以及潮流优化为目标函数，考虑实际负荷平衡约束、各机组实际出力约束、火电机组爬坡约束、新能源机组减载量约束以及备用容量约束等，建立优化模型。

其次，为了将复杂系统优化问题解耦，将多个优化目标分别使用对应子种群优化求解。

然后，为保证最后的求解结果的全局最优性，采用了柯西变异以及模拟二进制交叉机制，并且建立一种协同进化信息共享策略，求解上述模型。

最后，得到计及新能源接入下多能源系统稳定性的多目标协同优化安全调度方法方案集，以此为调度人员提供决策支持。

实施例一

由于新能源在配电网中的广泛使用，以火力发电机组的发电成本、发电污染排放量以及风电和光电机组的弃风和弃光成本、减载风险以及潮流优化为目标函数，考虑实际负荷平衡约束、各机组实际出力约束、火电机组爬坡约束、新能源机组减载量约束以及备用容量约束等，建立优化模型。

1.多能源系统下的安全约束经济调度模型如下：

(1)优化目标：

因为机组在调度中需要满足负荷和备用容量要求，所以考虑了火电机组的启停成本费用和新能源机组成本：

f_i(P_ci·t)为第i台火电机组在t时间段的发电成本既燃料费用，表示为发电功率的二次函数和正弦函数的和：

火电污染排放量：

潮流优化目标：

由于风电以及光电的不确定性，考虑到整个电网的安全问题，根据风电和光电的波动，将减载风险视为目标函数添加到模型中：

其中，N_c为火电机组的总数量，N_w为风电机组数量，N_s为光电机组数量，T为调度时间，V_i·t表示第i台火电机组在t时刻是否停机(停机则为0，处于工作状态则为1)，D_i为第i台机组的停机成本费用，P_ci·t为第i台火电机组在t时间段的发电功率，P_wi·t为第i台风电机组在t时间段的出力，P_si·t为第i台光电机组在t时间段的出力，a_i，b_i，c_i，d_i，e_i为第i台机组的燃料成本系数，P_i·min为第i台机组的最小出力，C_w·t是风电机组在t时间段内的弃风惩罚因子，P_w·f·t为风力机组发电量预测的期望值，P_w·n·t为风电的实际并网容量；同理，C_s·t是光电机组在t时间段内的弃光惩罚因子，P_s·f·t和P_s·n·t分别为光电机组发电量预测的期望值以及光电的实际并网容量，α_i，β_i，γ_i，η_i，δ_i是第i个机组的排放系数，L是系统线路总量，N_S是系统截面总数量，λ是系统潮流限制缓解惩罚系数，L⁺是线路正向潮流缓解变量，L^-是线路负向潮流缓解变量，S⁺是截面正向潮流缓解变量，S^-是截面负向潮流缓解变量，b是风电减载成本常数，ΔP_L·w·t为t时间段内的风电减载量，c是光电减载成本常数，ΔP_L·s·t为光电机组t时间段内的减载量。

(2)约束条件：

①负荷平衡约束：

其中，P_wi·t是第i个风电机组在t时间段的出力，P_si·t为第i台光电机组在t时间段的出力，P_D·t为系统在t时间段的负荷需求，P_L·t是t时间段内线路传输损耗，表达式为： 为第i台机组在t时间段内的出力，B_ij，B_0i，B₀₀为传输损失系数，B是由传输损失系数构成的矩阵。

②各机组功率约束：

其中，P_cimin，P_cimax分别为第i台火电机组的最小和最大功率，P_wimin，P_wimax分别为第i台风电机组的最小和最大功率，P_simin，P_simax分别为第i台光电机组的最小和最大功率。

③爬坡约束：

DR_ci≤P_ci·t-P_ci·t-1≤UR_ci (8)

DR_ci，UR_ci分别为第i台火电机组的爬坡上下限。

④减载约束：

系统减载量小于t时刻的系统负荷需求。

⑤备用机组约束：

N_G为系统总机组数：N_G＝N_c+N_w+N_s，P_r为系统机组的备用容量。

⑥线路潮流限制：

P_l ^max是线路l的潮流输送限制，N_L是连接线总数量，N_K是系统节点总数量，M_l·i指机组i对应的节点对线路l的出力功率变更分布条件，M_l·j指第j条连接线对应的节点对线路l的出力功率变更分布条件，M_l·k指第k个节点对对线路l的出力功率变更分布条件，L⁺是线路正向潮流缓解变量，L^-是线路负向潮流缓解变量。

⑦截面潮流限制：

P_s ^min、P_s ^max是截面s的潮流输送最小及最大值，M_j·i指机组i对应的节点对截面s的出力功率变更分布条件，M_s·j指第j条连接线对应的节点对截面s的出力功率变更分布条件，M_s·k指第k个节点对对截面s的出力功率变更分布条件，S⁺是截面正向潮流缓解变量，S^-是截面负向潮流缓解变量。

整理可得所需优化的模型为：

2.对于上述模型采用基于柯西变异的多种群协同进化算法进行求解，求解过程如下：

(1)对于模型中的四个优化目标F₁,F₂,F₃,F₄，设置四个子种群分别进行优化，按照基本的上下限约束初始化子种群：

(2)对于种群中的个体，在原有多目标粒子群算法中加入子种群间策略共享机制，个体进化策略具体如下：

V_i,m代表第m个子种群中的第i个个体的进化速度，X_i,m是个体的当前位置，pBest_i,m及gBest_m代表个体的局部最优值和全局最优值，c₁,c₂,c₃是学习因子，w是继承权重，r₁,r₂,r₃是0和1之间的随机数，G_m,d为信息共享策略决定的整体最优值，从其他子种群中选取，选取策略如下：

将所有其他m-1个子种群的最优位置分别排序，选择非支配个体并存储在集合中。随机选择一个0到m-1之间的整数d，然后从第d个种群中非支配个体的最优位置集合中随机选择一个值作为G_m,d。需要明确的是，每个子种群选择的其他种群的信息不能重复，必须保证所有子种群的信息最多与其他种群共享一次。

根据上述的个体速度公式，得到个体的进化公式：

X^G＝X^G-1+V_i,m (14)

(3)所有种群进化完毕后，需要维护外部档案集，具体策略如下：

将集合S置空，先将四个子种群的局部最优值和全局最优值加入集合，再将上一代外部档案集中的个体加入当前集合，对S中的所有个体进行快速非支配排序，得到所有非支配解。多目标进化算法中为了尽量逼近最优解，往往将外部档案集的大小设为固定值，在得到所有非支配解后，若其数量小于设定的外部档案集大小，将它们全部加入档案集中；若数量大于档案集大小，则需要计算拥挤距离：将个体按照某一目标函数大小进行升序排列，第一个和最后一个个体拥挤距离设为无穷大，则第i个个体的拥挤距离表示为：

表示为第i+1个体和第i-1个体的所有目标函数的差的和。计算拥挤距离后，根据非支配等级以及拥挤距离选择较好的解加入外部档案集中。

(4)为避免算法陷入局部最优值，每隔一定的迭代次数，需要对外部档案集进行一次柯西变异：

η是柯西变异系数，C(0,1)是标准差为1期望为0的高斯分布，rand是0,1之间的随机数，γ是多项式变异系数，ε是一个给出的常数阈值。diversity是差异化系数，表示档案集中个体的多样性是否良好，计算公式为：

是个体第j维度的平均值，h_j,l_j是第j维度的最大以及最小值，N为Archive外部档案集的大小。

(5)根据上述个体进化策略以及外部档案集维护操作，将得到最优值集合，经过一定时间的迭代后，外部档案集收敛后就可以得到模型(13)的最优Pareto解集。

本发明引入了弃风、弃光成本、减载风险以及潮流优化，并将其添加到优化模型中作为目标函数，同时通过多个子种群协同优化的方法，实现对复杂模型的解耦，从而获得可靠的优化方案。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (5)

1.计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述多目标协同优化安全调度方法包括如下步骤：

步骤1：建立传统火电机组经济调度模型；

步骤2：综合考虑新能源不确定性对于系统安全的影响，增加安全优化目标与安全约束，建立多能源系统安全经济调度模型；

步骤3：设置多个子种群分别对多个模型目标函数进行优化，得到各个目标的优化方案子集；

步骤4：由多个方案子集结合柯西变异策略以及协同进化方法得到模型的非支配解集，

步骤A和B针对火力发电机组的发电成本、发电污染排放量以及风电和光电机组的弃风和弃光成本、减载风险、潮流优化为目标函数，考虑实际负荷平衡约束、各机组实际出力约束、火电机组爬坡约束、新能源机组减载量约束以及备用容量约束、潮流限制约束，建立优化模型：

优化目标：

实际负荷平衡约束：

各机组实际出力约束：

火电机组爬坡约束：DR_ci≤P_ci·t-P_ci·t-1≤UR_ci

新能源机组减载量约束：

备用容量约束：

线路潮流限制：

截面潮流限制：

其中，N_c为火电机组的总数量，N_w为风电机组数量，N_s为光电机组数量，T为调度时间，V_i·t表示第i台火电机组在t时刻是否停机，停机则为0，处于工作状态则为1，D_i为第i台机组的停机成本费用，P_ci·t为第i台火电机组在t时间段的发电功率，P_wi·t为第i台风电机组在t时间段的出力，P_sit为第i台光电机组在t时间段的出力，a_i,b_i,c_i,d_i,e_i为第i台机组的燃料成本系数，P_i·min为第i台机组的最小出力，C_w·t是风电机组在t时间段内的弃风惩罚因子，P_w·f·t为风力机组发电量预测的期望值，P_w·n·t为风电的实际并网容量；同理，C_s·t是光电机组在t时间段内的弃光惩罚因子，P_s·f·t和P_s·n·t分别为光电机组发电量预测的期望值以及光电的实际并网容量，α_i,β_i,γ_i,η_i,δ_i是第i个机组的排放系数，L是系统线路总量，N_S是系统截面总数量，λ是系统潮流限制缓解惩罚系数，L⁺是线路正向潮流缓解变量，L^-是线路负向潮流缓解变量，S⁺是截面正向潮流缓解变量，S^-是截面负向潮流缓解变量，b是风电减载成本常数，ΔP_L·w·t为t时间段内的风电减载量，c是光电减载成本常数，ΔP_L·s·t为光电机组t时间段内的减载量，P_wi·t是第i个风电机组在t时间段的出力，P_si·t为第i台光电机组在t时间段的出力，P_D·t为系统在t时间段的负荷需求，P_L·t是t时间段内线路传输损耗，表达式为： 为第i台机组在t时间段内的出力，B_ij,B_0i,B₀₀为传输损失系数，B是由传输损失系数构成的矩阵，P_cimin,P_cimax分别为第i台火电机组的最小和最大功率，P_wimin,P_wimax分别为第i台风电机组的最小和最大功率，P_simin,P_simax分别为第i台光电机组的最小和最大功率，DR_ci,UR_ci分别为第i台火电机组的爬坡上下限，N_G为系统总机组数：N_G＝N_c+N_w+N_s，P_r为系统机组的备用容量，P_l ^max是线路l的潮流输送限制，N_L是连接线总数量，N_K是系统节点总数量，M_l·i指机组i对应的节点对线路l的出力功率变更分布条件，M_l·j指第j条连接线对应的节点对线路l的出力功率变更分布条件，M_l·k指第k个节点对对线路l的出力功率变更分布条件，P_s ^min、P_s ^max是截面s的潮流输送最小及最大值，M_j·i指机组i对应的节点对截面s的出力功率变更分布条件，M_s·j指第j条连接线对应的节点对截面s的出力功率变更分布条件，M_s·k指第k个节点对对截面s的出力功率变更分布条件。

2.根据权利要求1所述计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述步骤3具体包括如下步骤：

步骤3-1：设置四个子种群分别进行优化，按照基本的上下限约束初始化子种群：

步骤3-2：对于步骤3-1中的子种群中的个体进化策略具体如下：

V_i,m＝wV_i,m+c₁r₁(pBest_i,m-X_i,m)+c₂r₂(gBest_m-X_i,m)+c₃r₃(G_m,d-X_i,m)

V_i,m代表第m个子种群中的第i个个体的进化速度，X_i,m是个体的当前位置，pBest_i,m及gBest_m代表个体的局部最优值和全局最优值，c₁,c₂,c₃是学习因子，w是继承权重，r₁,r₂,r₃是0和1之间的随机数，G_m,d为信息共享策略决定的整体最优值，从其他子种群中选取，

根据上述的个体的进化速度公式，得到个体的进化公式：

X^G＝X^G-1+V_i,m。

3.根据权利要求2所述计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述步骤3-2中整体最优值选取策略如下：

步骤3-2-1：将所有其他m-1个子种群的最优位置分别排序，选择非支配个体并存储在集合中；

步骤3-2-2：随机选择一个0到m-1之间的整数d，然后从第d个种群中非支配个体的最优位置集合中随机选择一个值作为G_m,d。

4.根据权利要求1所述计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述步骤4具体包括如下步骤：

步骤4-1：维护外部档案集；

步骤4-2：为避免算法陷入局部最优值，每隔一定的迭代次数，需要对外部档案集进行一次柯西变异：

η是柯西变异系数，C(0,1)是标准差为1期望为0的高斯分布，rand是0,1之间的随机数，γ是多项式变异系数，ε是一个给出的常数阈值，diversity是差异化系数，表示档案集中个体的多样性是否良好，计算公式为：

x_ij是个体第j维度的平均值，h_j,l_j是第j维度的最大以及最小值，N为Archive外部档案集的大小。

5.根据权利要求4所述计及多能源系统稳定性的多目标协同优化安全调度方法，其特征在于：所述步骤4-1的维护外部档案集具体策略为：

步骤4-1-1：将集合S置空，先将四个子种群的局部最优值和全局最优值加入集合，再将上一代外部档案集中的个体加入当前集合，对S中的所有个体进行快速非支配排序，得到所有非支配解；

步骤4-1-2：多目标进化算法中为了尽量逼近最优解，往往将外部档案集的大小设为固定值，在得到所有非支配解后，若其数量小于设定的外部档案集大小，将它们全部加入档案集中；若数量大于档案集大小，则需要计算拥挤距离：将个体按照某一目标函数大小进行升序排列，第一个和最后一个个体拥挤距离设为无穷大，则第i个个体的拥挤距离表示为：

表示为第i+1个体和第i-1个体的所有目标函数的差的和；

步骤4-1-3：计算拥挤距离后，根据非支配等级以及拥挤距离选择较好的解加入外部档案集中。