CN114362241A - 一种基于新能源最大消纳及发电成本最优的混合调度方法 - Google Patents

一种基于新能源最大消纳及发电成本最优的混合调度方法 Download PDF

Info

Publication number
CN114362241A
CN114362241A CN202111487098.4A CN202111487098A CN114362241A CN 114362241 A CN114362241 A CN 114362241A CN 202111487098 A CN202111487098 A CN 202111487098A CN 114362241 A CN114362241 A CN 114362241A
Authority
CN
China
Prior art keywords
cost
new energy
constraint
power generation
power
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.)
Pending
Application number
CN202111487098.4A
Other languages
English (en)
Inventor
李胜辉
赵清松
郝建成
马辉
孙峰
杨安全
戈阳阳
张强
董鹤楠
张冠锋
谢赐戬
程绪可
张潇桐
谢冰
王超
袁鹏
李平
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.)
State Grid Corp of China SGCC
China Three Gorges University CTGU
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Three Gorges University CTGU
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Three Gorges University CTGU, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111487098.4A priority Critical patent/CN114362241A/zh
Publication of CN114362241A publication Critical patent/CN114362241A/zh
Pending legal-status Critical Current

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J2203/20—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于新能源最大消纳及发电成本最优的混合调度方法，本发明首先构建新能源消纳最大以及综合能源系统运行成本最小的目标函数、能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；然后将上述约束条件作为非支配排序遗传算法和多目标粒子群算法的约束条件，通过融合非支配排序的遗传算法和多目标粒子群算法，对上述多目标函数求最优解；最后在迭代过程中，根据拥挤距离对种群进行排序，根据排序结果将整个种群分为两部分，其中最好的一半种群通过非支配排序遗传算法优化，另一半种群由多目标粒子群算法进行优化，使它们围绕最佳解决方案收敛。本申请提供的方法能有效促进新能源的消纳以及减少系统运行成本。

Description

一种基于新能源最大消纳及发电成本最优的混合调度方法
技术领域
本发明涉及电网规划技术领域，尤其涉及一种基于新能源最大消纳及发电成本最优的混合调度方法。
背景技术
随着环境问题的日益突出，新能源发电技术的不断改进，大规模开发利用新能源发电是电力系统调度的新方向。目前，我国新能源大规模并网，风电、光伏装机容量均位居世界前列，由于清洁能源大规模并网却无法被充分利用，出现大量弃风弃光现象。由于风光发电具有不确定性，要实现风光大规模并网对电力系统提出了更高的要求。在可再生能源发展方向与定位中提到，风电作为新能源转型发展的“助推器”；太阳能发电作为新能源转型发展的“加速器”；生物质能、地热能、海洋能作为新能源转型发展的“新动能”；2035年风电光伏装机容量将超过装机总容量的50％，2045年到2050年间风电光伏发电量将超过总发电量的50％，能源系统和电力系统二氧化碳排放均可实现2030年前达峰。综上所述，新能源扮演越来越重要的角色。在这个过程中，既要考虑使新能源的消纳能力最大化，还要尽可能的降低系统成本，从而达到最优的经济效益。这是一个复杂的多目标优化问题，本发明通过引入混合的非支配排序的遗传算法NSGA-II和多目标粒子群算法MOPSO对多目标模型求最优解，从而得出最优的解决方案。
发明内容
本发明的目的是为了提供一种基于新能源最大消纳及发电成本最优的混合调度方法，所提出的方法对新能源消纳能力进行了科学的规划与精确的计算，从而有利于实现新能源消纳能力最大化以及发电成本最小化的目的，其技术方案如下：
一种基于新能源最大消纳及发电成本最优的混合调度方法，包括如下步骤：
步骤1，建立基于新能源消纳能力及发电成本的优化模型，构建新能源消纳最大目标函数以及综合能源系统运行成本最小目标函数，能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；
步骤2，设定种群数量pop、迭代次数gen、目标函数数量M、决策变量个数V、惯性权重w、个体学习系数c1、全局学习系数c2、速度向量fori；
步骤3，通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值；
步骤4，通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值；
步骤5，通过混合非支配排序的遗传算法和多目标粒子群算法，迭代求解新能源消纳能力及发电成本优化模型的最优值；
步骤1中所述新能源消纳最大目标函数，表达式如下：
Figure BDA0003395394800000021
其中，目标函数f1(x)表示新能源消纳最大，包括风光联合出力最大；
Figure BDA0003395394800000022
和
Figure BDA0003395394800000023
分别表示t时刻的风电和光电的输出功率，T表示系统调度周期内的小时数。
步骤1中所述综合能源系统运行成本最小目标函数，表达式如下：
Figure BDA0003395394800000024
其中，目标函数f2(x)表示综合能源系统运行成本最小，包括热电联产机组的燃料成本、P2G运行成本、微型燃气轮机的运行成本、弃风惩罚成本、弃光惩罚成本、环境成本和碳交易成本；
热电联产机组的总燃料成本，表达式如下：
Figure BDA0003395394800000025
其中，C1为热电联产机组的总燃料成本；Cpi、Cci和Chi分别表示第ith个带阀点效应的纯动力机组、第ith个热电联产机组和ith个纯热机组的燃料成本；Pi是第ith个热电联产机组的发电量，Oi是第ith个热电联产机组产生的功率，Hi是第ith个热电联产机组产生的热量，Ti是第ith个仅供热机组产生的热量；系数ai,bi,ci表示第ith个发电机的燃料成本系数，系数di和ei是用于合并发电机i的阀点效应的系数，αi,βi,γi,δi,εi,ζi是第ith个CHP单元的系数，ηi,θi,λi是第ith个热电单元的成本系数；
P2G设备的运行成本，表达式如下：
Figure BDA0003395394800000031
其中，C2为P2G设备的运行成本，c1为运行成本系数，d1为设备所需CO2成本系数；微型燃气轮机的运行成本，表达式如下：
Figure BDA0003395394800000032
其中，C3为微型燃气轮机的运行成本，a3为运行成本系数；
弃风现象引发的惩罚成本，表达式如下：
Figure BDA0003395394800000033
其中，C4为弃风惩罚成本，a4为惩罚成本系数；
弃光现象引发的惩罚成本，表达式如下：
Figure BDA0003395394800000034
其中，C5为弃光惩罚成本，a5为惩罚成本系数；
环境成本，表达式如下：
Figure BDA0003395394800000035
其中，C6为环境成本，a6为环境成本系数；
碳交易成本，表达式如下：
C7＝λ(Ep-EL)
其中，λ为市场上的碳交易价格；Ep为实际的碳排放量；EL为无偿碳排放额。
步骤1中所述能量平衡约束条件，包括电能平衡约束、热能平衡约束和冷能平衡约束；电能平衡约束，表达式如下：
PPV+PWT+PMT+PES+PGP＝PEB+PHP+PEC+PL (9)
其中，PPV为系统光伏发电输出的电功率，PWT为系统风力发电输出的电功率，PMT为微燃机输出的电功率，PES为储能系统的储存功率，PGP为系统从大电网的供电功率，PEB为电锅炉耗电功率，PHP为电热泵的耗电功率，PEC为电制冷机的耗电功率，PL为系统电负荷；
热能平衡约束，表达式如下：
QMT,h+QGB+QHP,h+QEB+QTES＝PLh (10)
其中，QMT,h为微燃机输出的热功率，QGB为燃气锅炉输出的热功率，QHP,h为热泵输出的热功率，QEB为电锅炉输出的热功率，QTES为热储能系统储存的热功率，PLh为系统的热负荷；
冷能平衡约束，表达式如下：
QMT,c+QEC+QHP,c+QCES＝PLc (11)
其中，QMT,c为微燃机输出的冷功率，QEC为电制冷机输出的冷功率，QHP,c为热泵输出的冷功率，QCES为冷储能系统储存的冷功率，PLc为系统的冷负荷。
步骤1中所述系统供能设备约束条件，包括燃气轮机机出力约束、光伏发电出力约束、风力发电出力约束、热泵出力约束、电锅炉出力约束和电制冷机出力约束；
燃气轮机出力约束，表达式如下：
Figure BDA0003395394800000041
其中，
Figure BDA0003395394800000042
分别为机组出力的最小功率限制和最大功率，PMT(t)为t时刻燃气轮机出力的功率；
光伏发电出力约束，表达式如下：
PPV(t)＝PPV,f(t) (13)
其中，PPV(t)为光伏发电的功率，PPV,f(t)为光伏发电的预测功率；
风力发电出力约束，表达式如下：
PWT(t)＝PWT,f(t) (14)
其中，PWT(t)为光伏发电的功率，PWT,f(t)为光伏发电的预测功率；
热泵出力约束，表达式如下：
Figure BDA0003395394800000051
Figure BDA0003395394800000052
其中，PHP,h(t)、PHP,c(t)分别为电热泵在制热和制冷状态下机组的出力，
Figure BDA0003395394800000053
分别为电热泵在制热和制冷状态下机组出力上限；
电锅炉出力约束，表达式如下：
Figure BDA0003395394800000054
其中，PEB(t)为电制冷机供冷的功率，
Figure BDA0003395394800000055
为电制冷机供冷功率的上限。
步骤1中所述储能装置约束条件，包括能量状态范围及充放电功率约束；
储能装置约束，表达式如下：
Figure BDA0003395394800000056
Figure BDA0003395394800000057
Figure BDA0003395394800000058
Figure BDA0003395394800000059
其中，
Figure BDA00033953948000000510
分别为蓄电池的能量状态下限和蓄电池的能量状态上限，QEES(t)为电储能的荷电电量，
Figure BDA00033953948000000511
分别为蓄电池充放电功率的上限，βEES,c(t)、βEES,d(t)分别为电储能充放电的状态变量。
步骤1中所述旋转备用约束条件，包括正旋转备用约束和负旋转备用约束；
正旋转备用约束，表达式如下：
Figure BDA00033953948000000512
Figure BDA00033953948000000513
其中，Pusi为火电机组i提供的正旋转备用容量，lU为负荷预测误差对正旋转备用的需求，SU为风电的介入所需附加的正旋转备用容量，PD为超短期负荷预测值，Pimax为火电机组i的出力上限，Pi0为机组i的日前计划出力，ΔPi为机组i的实时调整量，
Figure BDA0003395394800000061
为机组i的向上最大调节速率，Δt为调节周期；
负旋转备用约束，表达式如下：
Figure BDA0003395394800000062
Figure BDA0003395394800000063
其中，Pdsi为火电机组i提供的负旋转备用容量，lD为负荷预测误差对负旋转备用的需求，SD为风电的介入所需附加的负旋转备用容量，PD为超短期负荷预测值，Pi0为机组i的日前计划出力，ΔPi为机组i的实时调整量，Pimin为火电机组i的出力下限，
Figure BDA0003395394800000064
为机组i的向下最大调节速率，Δt为调节周期。
步骤3中所述通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值，包括如下步骤：
步骤3.1，建立种群并确定初始种群个数，设置种群迭代次数，交叉、突变百分比，突变率及突变步长；初始化最优目标值及对应的目标函数相关参数，所述最优目标值即所述新能源消纳能力最大及发电成本最小目标函数的值；
步骤3.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤3.3，判断种群个体的数值是否满足新能源消纳指标约束条件；
步骤3.4，当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的种群个体的数值满足约束处理机制的限制；
步骤3.5，当种群个体的数值满足所述新能源消纳指标约束条件时，基于非支配排序的遗传算法对所述种群个体执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序。
步骤3.6，利用种群创造后代种群，经过选择、交叉和变异，应用约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤3.7，合并父代和后代种群，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序。
步骤3.8，选择解决方案，将拥挤距离按升序进行记录，将非主导解决方案存储在列表中，在列表中绘制非主导解，增量生成计数，循环结束。
步骤4中所述通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值，包括如下步骤：
步骤4.1，生成一个随机的粒子群，初始化最优目标值及对应的目标函数相关参数，所述最优目标值即所述新能源消纳能力最大及发电成本最小目标函数的值；
步骤4.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤4.3，判断粒子群是否满足新能源消纳指标约束条件；
步骤4.4，当粒子群不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的粒子群满足约束处理机制的限制；
步骤4.5，当粒子群满足新能源消纳指标约束条件时，基于多目标粒子群算法进行适应度计算，筛选非劣解集，当一个粒子不受其他粒子支配时，把粒子放入非劣解集中,并且在粒子更新前从非劣解集中随机选择一个粒子作为群体最优粒子；
步骤4.6，更新非劣解集，当新粒子不受其他粒子以及当前非劣解集中粒子的支配时，把新的粒子放入非劣解集中,并且每次粒子更新前都从非劣解集中随机选择一个粒子作为群体最优粒子；
步骤4.7，更新粒子的速度和位置，应用约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)，应用突变并计算新的解决方案；
步骤4.8，将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引，如果存储库已满，则删除成员，绘制外部存储库中的成员，修改惯量，循环结束。
步骤5中所述基于混合非支配排序的遗传算法和多目标粒子群算法对新能源消纳能力最大及发电成本最小求最优解，包括如下步骤：
步骤5.1，设置非支配排序的遗传算法和多目标粒子群算法的初始参数，初始化最优目标值及对应的目标函数相关参数，所述最优目标值即新能源消纳能力最大及发电成本最小目标函数的值；
步骤5.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤5.3，判断种群个体的数值是否满足新能源消纳指标约束条件；
步骤5.4，当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的粒子群满足约束处理机制的限制；
步骤5.5，当种群个体的数值满足新能源消纳指标约束条件时，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，根据排序结果，将种群分为两部分；
步骤5.6，利用种群的上半部分创造后代种群，经过选择、交叉和变异，通过约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；合并父代和后代种群，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，选择解决方案，将拥挤距离按升序进行记录，将非主导解决方案存储在列表中，在列表中绘制非主导解；
步骤5.7，粒子的位置和成本从种群的下半部分初始化，存储粒子的位置作为他们个体的最优位置，确定粒子的支配地位，初始化外部存储库代表，创建网格并查找网格索引，从外部存储库中选择领导粒子，更新粒子位置和速度，通过约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)，应用突变并计算新的解决方案；
步骤5.8，将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引并修改惯量从而创建一组新的粒子，大小是总种群的一半，然后使用存储库中的非主导解决方案进行填充，最终结合非支配排序的遗传算法的种群和多目标粒子群算法的新粒子集，增量生成计数，循环结束。
与现有技术相比，本发明的有益效果在于：本发明在新能源消纳能力及发电成本的优化问题中引入混合非支配排序的遗传算法和多目标粒子群算法，并将能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件作为混合非支配排序的遗传算法和多目标粒子群算法的约束条件，对系统进行了科学的计算和全局规划，从而有利于更加准确地计算出系统对新能源的最大消纳能力以及最小发电成本。通过混合的NSGA-II-MOPSO算法解决了大量等式约束和不等式约束下的模型求解难题。通过设置和维护全局帕累托集,每单位时间搜索的帕累托最优解的数量显着增加,并且解决方案的分布范围和均匀性得到改善。
附图说明
图1为新能源的最大消纳能力以及最小发电成本的计算方法流程图；
图2为基于非支配排序的遗传算法的具体实现方式流程图；
图3为基于混合NSGA-II-MOPSO算法的具体实现方式流程图；
图4为基于混合NSGA-II-MOPSO算法每次迭代结束时存储在外部存储库和列表F1中的非支配解曲线图；
图5为基于混合NSGA-II-MOPSO算法对多目标优化模型求解的总体流程图。
具体实施方式
为了使得本发明的技术方案和优点更加清楚，接下来将对实施方案作进一步详细的描述。本发明针对综合能源系统发电成本最小，并最大限度的促进新能源消纳，提出了一种基于混合非支配排序遗传算法和多目标粒子群算法的综合系统多目标优化方法。
实施例1
如图1所示，一种基于新能源最大消纳及发电成本最优的混合调度方法，其步骤包括：
步骤1，建立基于新能源消纳能力及发电成本的优化模型，构建新能源消纳最大目标函数以及综合能源系统运行成本最小目标函数，能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；
步骤2，设定种群数量pop、迭代次数gen、目标函数数量M、决策变量个数V、惯性权重w、个体学习系数c1、全局学习系数c2、速度向量fori；
步骤3，通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值；
步骤4，通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值；
步骤5，通过混合非支配排序的遗传算法和多目标粒子群算法，迭代求解新能源消纳能力及发电成本优化模型的最优值；
目标函数可表示为：
Figure BDA0003395394800000091
其中，f1(x)表示新能源消纳最大，通过添加一个减号修改为最小化函数；f2(x)表示综合能源系统运行成本最小；
Figure BDA0003395394800000092
和
Figure BDA0003395394800000093
分别表示t时刻的风电和光电的输出功率；T表示系统调度周期内的小时数；C1为热电联产机组的总燃料成本；C2为P2G设备的运行成本；C3为微型燃气轮机的运行成本；C4为弃风惩罚成本；C5为弃光惩罚成本；C6为环境成本。
实施例2
如图2所示，非支配排序遗传算法NSGA-II的操作步骤如下：
步骤a，首先随机模拟操作，产生规模值为N的初始种群P，接着是子代种群Q的生成，然后将种群P和子代种群Q结合，最后产生规模值为2N的种群M；
步骤b，组合父代和子代种群，将其进行非支配排序，并计算非支配层中全部个体的拥挤度，接着从非支配的关系和个体拥挤度来选择合适的个体，形成新的父代种群P1；
步骤c，通过遗传算法来产生新的子代种群Q，并将新的父代种群P1与新的子代种群Q1结合形成新的种群M1，重复以上步骤，直至满足条件，循环结束。
实施例3
多目标粒子群优化算法MOPSO的操作步骤如下：
步骤a，对于粒子群中的每个粒子，初始化其速度和位置；
步骤b，计算每个粒子的目标向量值，将其中的非支配解加入到外部存储器中；
步骤c，确定粒子的初始全局最好位置gbest和个体最好位置pbest；
步骤d，更新粒子的速度和位置，并采取一定措施保证粒子在搜索空间内飞行；
步骤e，计算每个粒子的目标向量，并调整粒子的个体最好位置pbest；
步骤f，更新外部存储器，同时为每个粒子选取全局最好位置gbest；
步骤g，判断是否满足算法终止条件，若满足，则算法停止运行；否则，返回步骤c。
实施例4
如图3所示，混合NSGA-II-MOPSO算法的的操作步骤如下：
步骤a，输入风电、光伏和电热负荷的预测数据，初始化参数，生成符合本文要求的初始种群；
步骤b，更新初始粒子的速度Vi和位置Xi，表达式如下：
Figure BDA0003395394800000101
步骤c，计算出粒子的适应度函数值并给其种群排序，并且把排序之后的种群平均分成M和N子种群；
步骤d，把适应度值较好的子种群M复制到下一代，与子种群N进行交叉、变异，α、β∈[0，1]，表达式如下：
Figure BDA0003395394800000111
步骤e，通过步骤c得到的粒子当前适应度和个体极值适应度，通过个体的极值和全局极值的适应度大小，来更新个人极值和全局极值；
步骤f，判断是否达到最大迭代数或全局最优，若满足要求则停止迭代，否则继续进行步骤b到步骤e。
实施例5
本发明通过Matlab仿真进行求解，在确定了目标函数和约束条件后，接下来结合系统进行参数的设置，非支配排序遗传算法的参数为：最大迭代次数为120次，种群规模N＝200，交叉概率Pc＝0.7，变异概率Pm＝0.4；基于NSGA-II-MOPSO算法的参数为：惯性因子ω＝0.5，学习因子c1＝4,c2＝1，每个维度的网格数nG＝7，领导选择压力beta＝2。
具体的，仿真结果如图4所示，显示了混合NSGA-II-MOPSO算法每次迭代结束时存储在外部存储库和列表F1中的非支配解，列表F1的大小为100，存储库大小为50。在这个测试函数中，搜索空间太大，要让列表满，几乎需要90次迭代。外部存储库的大小设置为50，从图4所示的图表中可以看出，MOPSO使用的外部存储库从未装满，并且在迭代时从种群的下半部分发现的最大非支配粒子仅为第13次、第52次和第118次迭代。在第52次迭代中，NSGA-II从总体上半部分找到的一个非支配解支配了MOPSO从总体下半部分找到的13个非支配解，因此列表F1只有一个非支配解主导的解决方案。存储在列表F1中的非支配粒子的最大数目不断波动，直到达到100。一旦超过100，对这些非支配粒子进行排序，只保留100个非支配解。
本发明所提出的混合NSGA-II-MOPSO算法与NSGA-II、MOPSO和TVAC-PSO相比，混合方法在节省发电成本方面的性能提升分别为0.168％、0.237％和0.746％。与NSGA-II、MOPSO和TVAC-PSO相比，混合方法在降低排放水平方面的性能改进分别为0.149％、0.062％和2.38％。与NSGA-II、MOPSO和TVAC-PSO相比，所提出的方法获得的发电成本分别降低了17美元/小时、24美元/小时和76美元/小时。与NSGA-II、MOPSO和TVAC-PSO相比，所提出的方法获得的排放水平分别低0.072t/h、0.03t/h和1.176t/h。由于风电与光伏发电不排放气体，从而极大的促进了新能源的消纳。混合算法可以产生良好的传播和多样化的帕累托解决方案，产生最小的发电成本和最大的新能源消纳。混合算法性能较好的原因主要是由于混合算法中MOPSO进行的局部搜索和有效的约束处理机制。
本发明提出了一种基于新能源最大消纳及发电成本最优的混合调度方法，通过混合的NSGA-II-MOPSO算法解决了大量等式约束和不等式约束下的模型求解难题。通过设置和维护全局帕累托集,每单位时间搜索的帕累托最优解的数量显着增加,并且解决方案的分布范围和均匀性得到改善。通过实例验证了所提方法的有效性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，包括如下步骤：
步骤1，建立基于新能源消纳能力及发电成本的优化模型，构建新能源消纳最大目标函数以及综合能源系统运行成本最小目标函数，能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；
步骤2，设定种群数量pop、迭代次数gen、目标函数数量M、决策变量个数V、惯性权重w、个体学习系数c1、全局学习系数c2、速度向量fori；
步骤3，通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值；
步骤4，通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值；
步骤5，通过混合非支配排序的遗传算法和多目标粒子群算法，迭代求解新能源消纳能力及发电成本优化模型的最优值。
2.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述新能源消纳最大目标函数，表达式如下：
Figure FDA0003395394790000011
其中，目标函数f1(x)表示新能源消纳最大，包括风光联合出力最大；
Figure FDA0003395394790000012
和
Figure FDA0003395394790000013
分别表示t时刻的风电和光电的输出功率，T表示系统调度周期内的小时数。
3.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述综合能源系统运行成本最小目标函数，表达式如下：
Figure FDA0003395394790000014
其中，目标函数f2(x)表示综合能源系统运行成本最小，包括热电联产机组的燃料成本、P2G运行成本、微型燃气轮机的运行成本、弃风惩罚成本、弃光惩罚成本、环境成本和碳交易成本；
热电联产机组的总燃料成本，表达式如下：
Figure FDA0003395394790000021
其中，C1为热电联产机组的总燃料成本；Cpi、Cci和Chi分别表示第ith个带阀点效应的纯动力机组、第ith个热电联产机组和ith个纯热机组的燃料成本；Pi是第ith个热电联产机组的发电量，Oi是第ith个热电联产机组产生的功率，Hi是第ith个热电联产机组产生的热量，Ti是第ith个仅供热机组产生的热量；系数ai,bi,ci表示第ith个发电机的燃料成本系数，系数di和ei是用于合并发电机i的阀点效应的系数，αi,βi,γi,δi,εi,ζi是第ith个CHP单元的系数，ηi,θi,λi是第ith个热电单元的成本系数；
P2G设备的运行成本，表达式如下：
Figure FDA0003395394790000022
其中，C2为P2G设备的运行成本，c1为运行成本系数，d1为设备所需CO2成本系数；
微型燃气轮机的运行成本，表达式如下：
Figure FDA0003395394790000023
其中，C3为微型燃气轮机的运行成本，a3为运行成本系数；
弃风现象引发的惩罚成本，表达式如下：
Figure FDA0003395394790000024
其中，C4为弃风惩罚成本，a4为惩罚成本系数；
弃光现象引发的惩罚成本，表达式如下：
Figure FDA0003395394790000031
其中，C5为弃光惩罚成本，a5为惩罚成本系数；
环境成本，表达式如下：
Figure FDA0003395394790000032
其中，C6为环境成本，a6为环境成本系数；
碳交易成本，表达式如下：
C7＝λ(Ep-EL)
其中，λ为市场上的碳交易价格；Ep为实际的碳排放量；EL为无偿碳排放额。
4.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述能量平衡约束条件，包括电能平衡约束、热能平衡约束和冷能平衡约束；
电能平衡约束，表达式如下：
PPV+PWT+PMT+PES+PGP＝PEB+PHP+PEC+PL (9)
其中，PPV为系统光伏发电输出的电功率，PWT为系统风力发电输出的电功率，PMT为微燃机输出的电功率，PES为储能系统的储存功率，PGP为系统从大电网的供电功率，PEB为电锅炉耗电功率，PHP为电热泵的耗电功率，PEC为电制冷机的耗电功率，PL为系统电负荷；
热能平衡约束，表达式如下：
QMT,h+QGB+QHP,h+QEB+QTES＝PLh (10)
其中，QMT,h为微燃机输出的热功率，QGB为燃气锅炉输出的热功率，QHP,h为热泵输出的热功率，QEB为电锅炉输出的热功率，QTES为热储能系统储存的热功率，PLh为系统的热负荷；
冷能平衡约束，表达式如下：
QMT,c+QEC+QHP,c+QCES＝PLc (11)
其中，QMT,c为微燃机输出的冷功率，QEC为电制冷机输出的冷功率，QHP,c为热泵输出的冷功率，QCES为冷储能系统储存的冷功率，PLc为系统的冷负荷。
5.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述系统供能设备约束条件，包括燃气轮机机出力约束、光伏发电出力约束、风力发电出力约束、热泵出力约束、电锅炉出力约束和电制冷机出力约束；
燃气轮机出力约束，表达式如下：
Figure FDA0003395394790000041
其中，
Figure FDA0003395394790000042
分别为机组出力的最小功率限制和最大功率，PMT(t)为t时刻燃气轮机出力的功率；
光伏发电出力约束，表达式如下：
PPV(t)＝PPV,f(t) (13)
其中，PPV(t)为光伏发电的功率，PPV,f(t)为光伏发电的预测功率；
风力发电出力约束，表达式如下：
PWT(t)＝PWT,f(t) (14)
其中，PWT(t)为光伏发电的功率，PWT,f(t)为光伏发电的预测功率；
热泵出力约束，表达式如下：
Figure FDA0003395394790000043
Figure FDA0003395394790000044
其中，PHP,h(t)、PHP,c(t)分别为电热泵在制热和制冷状态下机组的出力，
Figure FDA0003395394790000045
分别为电热泵在制热和制冷状态下机组出力上限；
电锅炉出力约束，表达式如下：
Figure FDA0003395394790000046
其中，PEB(t)为电制冷机供冷的功率，
Figure FDA0003395394790000047
为电制冷机供冷功率的上限。
6.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述储能装置约束条件，包括能量状态范围及充放电功率约束；
储能装置约束，表达式如下：
Figure FDA0003395394790000051
Figure FDA0003395394790000052
Figure FDA0003395394790000053
Figure FDA0003395394790000054
其中，
Figure FDA0003395394790000055
分别为蓄电池的能量状态下限和蓄电池的能量状态上限，QEES(t)为电储能的荷电电量，
Figure FDA0003395394790000056
分别为蓄电池充放电功率的上限，βEES,c(t)、βEES,d(t)分别为电储能充放电的状态变量。
7.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤1中所述旋转备用约束条件，包括正旋转备用约束和负旋转备用约束；
正旋转备用约束，表达式如下：
Figure FDA0003395394790000057
Figure FDA0003395394790000058
其中，Pusi为火电机组i提供的正旋转备用容量，lU为负荷预测误差对正旋转备用的需求，SU为风电的介入所需附加的正旋转备用容量，PD为超短期负荷预测值，Pimax为火电机组i的出力上限，Pi0为机组i的日前计划出力，ΔPi为机组i的实时调整量，
Figure FDA0003395394790000059
为机组i的向上最大调节速率，Δt为调节周期；
负旋转备用约束，表达式如下：
Figure FDA00033953947900000510
Figure FDA00033953947900000511
其中，Pdsi为火电机组i提供的负旋转备用容量，lD为负荷预测误差对负旋转备用的需求，SD为风电的介入所需附加的负旋转备用容量，PD为超短期负荷预测值，Pi0为机组i的日前计划出力，ΔPi为机组i的实时调整量，Pimin为火电机组i的出力下限，
Figure FDA00033953947900000512
为机组i的向下最大调节速率，Δt为调节周期。
8.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤3中所述通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值，包括如下步骤：
步骤3.1，建立种群并确定初始种群个数，设置种群迭代次数，交叉、突变百分比，突变率及突变步长；初始化最优目标值及对应的目标函数相关参数，所述最优目标值即所述新能源消纳能力最大及发电成本最小目标函数的值；
步骤3.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤3.3，判断种群个体的数值是否满足新能源消纳指标约束条件；
步骤3.4，当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的种群个体的数值满足约束处理机制的限制；
步骤3.5，当种群个体的数值满足所述新能源消纳指标约束条件时，基于非支配排序的遗传算法对所述种群个体执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序。
步骤3.6，利用种群创造后代种群，经过选择、交叉和变异，应用约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤3.7，合并父代和后代种群，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序。
步骤3.8，选择解决方案，将拥挤距离按升序进行记录，将非主导解决方案存储在列表中，在列表中绘制非主导解，增量生成计数，循环结束。
9.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤4中所述通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值，包括如下步骤：
步骤4.1，生成一个随机的粒子群，初始化最优目标值及对应的目标函数相关参数，所述最优目标值即所述新能源消纳能力最大及发电成本最小目标函数的值；
步骤4.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤4.3，判断粒子群是否满足新能源消纳指标约束条件；
步骤4.4，当粒子群不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的粒子群满足约束处理机制的限制；
步骤4.5，当粒子群满足新能源消纳指标约束条件时，基于多目标粒子群算法进行适应度计算，筛选非劣解集，当一个粒子不受其他粒子支配时，把粒子放入非劣解集中,并且在粒子更新前从非劣解集中随机选择一个粒子作为群体最优粒子；
步骤4.6，更新非劣解集，当新粒子不受其他粒子以及当前非劣解集中粒子的支配时，把新的粒子放入非劣解集中,并且每次粒子更新前都从非劣解集中随机选择一个粒子作为群体最优粒子；
步骤4.7，更新粒子的速度和位置，应用约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)，应用突变并计算新的解决方案；
步骤4.8，将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引，如果存储库已满，则删除成员，绘制外部存储库中的成员，修改惯量，循环结束。
10.根据权利要求1所述的一种基于新能源最大消纳及发电成本最优的混合调度方法，其特征在于，步骤5中所述基于混合非支配排序的遗传算法和多目标粒子群算法对新能源消纳能力最大及发电成本最小求最优解，包括如下步骤：
步骤5.1，设置非支配排序的遗传算法和多目标粒子群算法的初始参数，初始化最优目标值及对应的目标函数相关参数，所述最优目标值即新能源消纳能力最大及发电成本最小目标函数的值；
步骤5.2，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；
步骤5.3，判断种群个体的数值是否满足新能源消纳指标约束条件；
步骤5.4，当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，从而使得调整后的粒子群满足约束处理机制的限制；
步骤5.5，当种群个体的数值满足新能源消纳指标约束条件时，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，根据排序结果，将种群分为两部分；
步骤5.6，利用种群的上半部分创造后代种群，经过选择、交叉和变异，通过约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)；合并父代和后代种群，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，选择解决方案，将拥挤距离按升序进行记录，将非主导解决方案存储在列表中，在列表中绘制非主导解；
步骤5.7，粒子的位置和成本从种群的下半部分初始化，存储粒子的位置作为他们个体的最优位置，确定粒子的支配地位，初始化外部存储库代表，创建网格并查找网格索引，从外部存储库中选择领导粒子，更新粒子位置和速度，通过约束处理机制，评估新能源消纳能力目标函数f1(x)和综合能源系统运行成本f2(x)，应用突变并计算新的解决方案；
步骤5.8，将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引并修改惯量从而创建一组新的粒子，大小是总种群的一半，然后使用存储库中的非主导解决方案进行填充，最终结合非支配排序的遗传算法的种群和多目标粒子群算法的新粒子集，增量生成计数，循环结束。
CN202111487098.4A 2021-12-06 2021-12-06 一种基于新能源最大消纳及发电成本最优的混合调度方法 Pending CN114362241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111487098.4A CN114362241A (zh) 2021-12-06 2021-12-06 一种基于新能源最大消纳及发电成本最优的混合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111487098.4A CN114362241A (zh) 2021-12-06 2021-12-06 一种基于新能源最大消纳及发电成本最优的混合调度方法

Publications (1)

Publication Number Publication Date
CN114362241A true CN114362241A (zh) 2022-04-15

Family

ID=81097028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111487098.4A Pending CN114362241A (zh) 2021-12-06 2021-12-06 一种基于新能源最大消纳及发电成本最优的混合调度方法

Country Status (1)

Country Link
CN (1) CN114362241A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519543A (zh) * 2022-04-21 2022-05-20 国网江西省电力有限公司电力科学研究院 一种乡村多能源系统边缘自治运行方法及系统
CN115189415A (zh) * 2022-06-24 2022-10-14 国网江苏省电力有限公司淮安供电分公司 一种含电动汽车聚合器的主动配电网多目标优化调度方法
CN115459349A (zh) * 2022-10-17 2022-12-09 东南大学溧阳研究院 一种风光水火储多源经济-低碳协同调度方法
CN116780657A (zh) * 2023-08-17 2023-09-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN117060408A (zh) * 2023-10-13 2023-11-14 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统
CN117060408B (zh) * 2023-10-13 2024-05-28 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519543A (zh) * 2022-04-21 2022-05-20 国网江西省电力有限公司电力科学研究院 一种乡村多能源系统边缘自治运行方法及系统
CN115189415A (zh) * 2022-06-24 2022-10-14 国网江苏省电力有限公司淮安供电分公司 一种含电动汽车聚合器的主动配电网多目标优化调度方法
CN115459349A (zh) * 2022-10-17 2022-12-09 东南大学溧阳研究院 一种风光水火储多源经济-低碳协同调度方法
CN115459349B (zh) * 2022-10-17 2023-11-10 东南大学溧阳研究院 一种风光水火储多源经济-低碳协同调度方法
CN116780657A (zh) * 2023-08-17 2023-09-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN116780657B (zh) * 2023-08-17 2024-01-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN117060408A (zh) * 2023-10-13 2023-11-14 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统
CN117060408B (zh) * 2023-10-13 2024-05-28 国网浙江省电力有限公司宁波供电公司 新能源发电预测方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs
CN114362241A (zh) 一种基于新能源最大消纳及发电成本最优的混合调度方法
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN108206543A (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
CN111463836A (zh) 一种综合能源系统优化调度方法
CN110957717A (zh) 一种多电源电力系统多目标日前优化调度方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN112383053A (zh) 一种基于改进粒子群算法的综合能源系统优化调度方法
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN112966869A (zh) 一种园区综合能源系统优化调度方法和系统
CN110796279A (zh) 一种多能互补优化运行方法与系统
CN110601177A (zh) 一种含风电、光伏发电的微电网经济优化方法
CN115169916A (zh) 一种基于安全经济的电热综合能源控制方法
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN114595961A (zh) 一种生物质能多能源利用系统调度方法及装置
CN112966444B (zh) 一种建筑多能源系统智慧能量优化方法及装置
CN110504684B (zh) 一种区域多微网系统日前优化调度方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114285093B (zh) 一种源网荷储互动调度方法及系统
CN115456250A (zh) 一种适用于楼宇微网能源系统容量的优化配置方法及系统

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