CN115377985A - 一种电网发电机组调度优化方法 - Google Patents
一种电网发电机组调度优化方法 Download PDFInfo
- Publication number
- CN115377985A CN115377985A CN202211051547.5A CN202211051547A CN115377985A CN 115377985 A CN115377985 A CN 115377985A CN 202211051547 A CN202211051547 A CN 202211051547A CN 115377985 A CN115377985 A CN 115377985A
- Authority
- CN
- China
- Prior art keywords
- cost
- unit
- power
- constraint
- output
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000282461 Canis lupus Species 0.000 claims abstract description 66
- 238000010248 power generation Methods 0.000 claims abstract description 48
- 238000004146 energy storage Methods 0.000 claims abstract description 43
- 230000009194 climbing Effects 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 239000003344 environmental pollutant Substances 0.000 claims description 27
- 231100000719 pollutant Toxicity 0.000 claims description 27
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 15
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 5
- 239000003607 modifier Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000010977 unit operation Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 239000002245 particle Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000282421 Canidae Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- 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
Abstract
本发明公开了一种电网发电机组调度优化方法,设计电网调度领域。本发明用以解决现有技术中通常忽略环境因素的问题。本发明通过神经网络模型预测未来一时间段的电网负荷;建立电网发电系统模型,建以发电系统运行成本最低的目标函数,电网发电系统模型的约束条件包括基于未来一时间段的电网负荷的发电系统功率平衡约束、各机组最大出力、最小出力约束、持续开机、停机时间约束、机组爬坡约束、储能设备约束和调相机约束;基于目标函数和约束条件,利用狼群优化算法得到最优机组组合方式进行电网调度。本发明的调度方法兼顾经济因素和环境因素,有助于及时掌握电网发电状态,优化电网调度,提高发电经济性。
Description
技术领域
本发明涉及电网调度领域,尤其涉及一种电网发电机组调度优化方法。
背景技术
随着新能源发电、储能、电动汽车充电站以及分散式的充电桩、微电网等技术在配电网网络中大量应用,传统配电网从被动单向的供电模式转向主动的有源双向模式,这给配电网的协调调度带来了诸多新的难题。(1)因光伏发电和风力发电易受环境影响,其出力具有随机性、间歇性以及波动性的特性,造成配网实际的运行和控制的不确定性程度逐渐加强,系统的调度和运行的困难程度也日益加深;(2)传统配电网通常采用的是被动单向的供电网络,而大量分布式发电的接入应用,改变了系统网络结构,成为功率双向流动的多电源的网络,这使得系统可能发生潮流反向等问题,给电网系统带来安全风险。同时很多地区普遍存在弃风弃光的现象,对清洁能源的完全消纳仍存在很大的困难。
协调控制是其系统内含有高渗透率分布式发电的配电网,这个配电网同时具备主动控制能力与主动管理能力。协调控制通过协调控制策略让系统内发电侧主动参与,同时让用户侧进行主动响应。如此一来,配电网从以往的被动接受电能开始变成主动利用电能。协调控制能够实现对可控资源的充分利用,研究人员认为其是在微电网、虚拟电厂模式之后的另一种有效的模式来支持大规模分布式发电并网协调控制通过主动控制各类可控资源,例如可控负荷、储能系统、配电网网架结构等,进而达到对协调控制的优化。
针对机组组合和机组检修协同优化问题,现有技术均选择构建单目标模型,多以电力系统总成本最小化为目标以实现电力系统的经济运行。然而,电力系统实际运行过程中的社会福利、环境责任也至关重要,因此,本领域的技术人员致力于提供一种兼顾经济因素和环境因素的电网发电机组调度优化方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种能够兼顾经济因素和环境因素的电网发电机组调度优化方法。
本发明提供了一种电网发电机组调度优化方法,包括如下步骤:
S1、通过神经网络模型预测未来一时间段的电网负荷;
S2、建立电网发电系统模型,所述发电系统模型包括火电机组、光伏机组、风电机组、储能设备和调相机,建以发电系统运行成本最低的目标函数,所述电网发电系统模型的约束条件包括基于未来一时间段的电网负荷的发电系统功率平衡约束、各机组最大出力约束、最小出力约束、持续开机时间约束、持续停机时间约束、机组爬坡约束、储能设备约束和调相机约束;
S3、基于所述目标函数和约束条件,利用狼群优化算法得到最优机组组合方式进行电网调度。
进一步的,所述神经网络模型为LSTM神经网络模型。
进一步的,所述目标函数为:
其中,i为各机组编号;CT(Pt,j)为j时段火电机组运行成本;CW(Pw,j)为j时段风电机组运行成本;CS(Ps,j)为j时段光伏机组运行成本;CE(Pe,j)为j时段储能设备充放电成本;CC(Pc,j)为j时段调相机运行成本。
进一步的,所述火电机组的运行成本包括能源消耗成本和环境成本,所述能源消耗成本为:
其中,CF为机组的能源消耗成本;N为机组的数量;T为时间段的数量;Pij为i火电机组在j时间段的出力;sij为1或0,分别代表i机组在j时间段是否出力;CS,ij为i机组在j时间段内启动的能源消耗成本;CP,i为i机组出力的能源消耗成本;αi、βi、γi为机组的消耗系数;
所述环境成本为污染物排放总惩罚成本CE为:
其中,为二氧化碳污染物的排放量;λci、μci、υci为i火电机组二氧化碳污染物排放量与火电机组出力之间的关系系数;为二氧化硫污染物的排放量;λsi、μsi、υsi为i火电机组二氧化硫污染物排放量与机组出力之间的关系系数。
进一步的,所述风电机组的运行成本为:
CW(Pw,j)=gij(wy)+gij(wq);
gij(wy)为风电发电成本,为:
gij(wy)=aw,iPij 2;
gij(wq)为弃风成本,为:
gij(wq)=kw(wmax-wj)2;
其中,aw,i为风电机组发电成本函数系数;Pij为i风电机组在j时间段的有功出力;kw为风电机组弃风的成本系数;wi为第j时段的风速;wmax为wj的最大值。
进一步的,所述光伏机组的运行成本为:
CS(Ps,j)=gij(sy)+gij(sq);
gij(sy)为光伏机组发电成本,为:
gij(sy)=as,iPij 2
gij(sq)为弃光成本,为:
gij(sq)=ks(smax-sj)2;
进一步的,所述调相机成本为无功调用成本,为:
其中,ac,i为调相机运行成本函数系数;Qij为i调相机在j时间段的无功出力。
进一步的,1)所述基于未来一时间段的电网负荷的发电系统功率平衡的约束为:
PWj+PEj+PDRj+PESj=PDj;
其中,j=1,2,···,T,PWj为风电在j时间段的出力,PEj为光伏在j时间段的出力,PDRj为火电在j时间段的出力,PESj为储能在j时间段的出力,PDj为j时间段的负荷;
当PWj+PEj+PDRj>PDj时,PESj<0;当PWj+PEj+PDRj<PDj时,PESj>0;0≤PESi-1+PESj≤Ei,full;
2)所述各机组最大约束和最小出力约束为:
其中,Pi,min、Pi,max分别为i机组出力的最小、最大限值,Qi,min、Qi,max分别为火电i机组出力的无功最小、最大限值;
3)所述持续开机约束和停机时间约束为:
4)所述机组爬坡约束为:
其中,PUi、PDi分别为i机组单位时间段内出力爬升、下降速度的限值;
5)所述储能设备约束包括SOC约束、充放电功率约束、充放电容量约束,所述SOC约束为:
SOCmin≤SOCt≤SOCmax;
其中,SOCmin为储能设备运行时要求的SOC最低值,SOCmax为储能设备运行时要求的SOC最高值;
其中,Pc,max为储能设备运行时要求的充电功率最大值,Pd,max为储能设备运行时要求的放电功率最大值;
所述充放电容量约束为:
其中,Nes为储能机组数量,Qi为i储能设备的输出电量,QD为配电网需要储能设备提供的总电量,Qi,min、Qi,max分别储能设备的最小、最大输出电量;
6)所述调相机约束为各节点电压约束:
0.9Uref≤Uref≤1.1Uref。
进一步的,所述狼群算法的以各机组的运行成本作为灰狼优化算法中灰狼个体的位置向量X;灰狼优化算法的适应度函数为所述目标函数。
本发明与现有技术相比,具有以下技术效果:
1、本发明通过LSTM网络预测新能源机组短期发电量,对新能源电网进行有效预测可以使电网调度系统能有效利用新能源,为机组组合和有功调度奠定基础。
2、本发明将各发电机组组合问题和经济问题结合在一起,更为注重电网发电时的社会福利问题,为新能源电网进一步普及,灵活调整机组出力奠定基础。
3、本发明采用一种基于灰狼优化算法求解目标函数的协调控制方法,灰狼优化算法既有参数更为简单,寻优速度更快,可以更为准确迅速地求解目标函数,为发电厂制定发电计划奠定基础,实现了电力系统的经济可靠运行,同时兼顾社会福利责任。
本发明的优化方法能有效预测电网负荷运行状态;对电网负荷进行预测并根据预测结果制定机组发力,有助于及时掌握电网发电状态,电网制定不同单位时间段的发电计划曲线,优化电网调度,提高发电经济性;对提高电网运行安全可靠性、经济性以及社会福利都具有重大意义。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明一具体实施例的电网机组调度优化方法的基本流程示意图;
图2是本发明一具体实施例的LSTM神经网络模型图;
图3是本发明一具体实施例的灰狼优化算法中的灰狼等级制度图;
图4是本发明一具体实施例的灰狼优化算法原理示意图;
图5是本发明一具体实施例的灰狼优化算法流程图;
图6是本发明一具体实施例的LSTM神经网络根据历史数据预测第365天负荷图;
图7是本发明一具体实施例的LSTM神经网络根据历史数据预测第366天负荷图;
图8是本发明一具体实施例的粒子群算法基于负荷预测机组出力运行图;
图9是本发明一具体实施例的灰狼优化算法基于负荷预测机组出力运行图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了阐释的目的而描述了本发明的一些示例性实施例,需要理解的是,本发明可通过附图中没有具体示出的其他方式来实现。
如图1所示,在一具体实施例中提供了一种电网发电机组调度优化方法,根据未来一时间段的电网负荷和发电机组的运行成本进行调度设计,未来一时间段为未来一天,在其他实施例中,可以根据实际需要设定,例如可以为一周、一个月、一个季度等等,下述实施例中的未来一段时间为一天,其余时间段的发电机组调度优化方法原理相同,在此不再赘述。
包括如下步骤:
S1、通过LSTM神经网络模型预测未来一天的电网负荷;
长短期内存网络-通常只称为“LSTM”-是一种特殊的RNN,能够学习长期依赖性。LSTM明确旨在避免长期依赖性问题。所有递归神经网络都具有神经网络重复模块链的形式。在标准RNN中,该重复模块将具有非常简单的结构,例如单个tanh层。LSTM也具有这种类似链的结构,但重复模块具有不同的结构。有四个,而不是一个神经网络层,以一种非常特殊的方式进行交互。
如图2所示,LSTM网络共有三中gate结构,分别为遗忘门(forget_gate)、输入门(inout_gate)、输出门(output_gate)。
遗忘门:每个时刻,存储单元里的值都会经历一个是否被遗忘的过程。
ft=σ(Wf·[ht-1,xt]+bf);
输入门:信息输入层,输入层的开关决定了这一时刻是否有信息输入到存储单元(Memory Cell)。
it=σ(Wi·[ht-1,xt]+bi);
紧接着根据遗忘门和输出门更新cell的值。
输出门:信息输出层,某一时刻是否有信息从存储单元输出取决于输出门。
ot=σ(Wo[ht-1,xt]+bo);
ht=ot*tanh(Ct);
LSTM通过门控状态来控制传输状态,记住需要长时间记忆的,忘记不重要的信息;而不像普通的RNN那样只能仅有一种记忆叠加方式。
将电网日负荷运行的历史数据中输入LSTM神经网络进行训练,利用LSTM循环网络的特性,进行循环预测未来天的负荷运行状态,从而减小预测误差。
S2、建立电网发电系统模型,所述发电系统模型包括火电机组、光伏机组、风电机组、储能设备和调相机,建以发电系统运行成本最低的目标函数和约束条件;
所述目标函数为:
其中,i为各机组编号;j为机组运行的第j个时段;CT(Pt,j)为j时段火电机组运行成本;CW(Pw,j)为j时段风电机组运行成本;CS(Ps,j)为j时段光伏机组运行成本;CEe,j为j时段储能设备充放电成本;CCc,j为j时段调相机运行成本;在一具体实施例中,T=24小时,j代表第j个小时,所以,上述目标函数为各机组日运行综合经济成本函数。
所述火电机组的运行成本包括能源消耗成本和环境成本,所述能源消耗成本为:
其中,CF为机组的能源消耗成本;N为机组的数量;i表示第i个火电机组,T为时间段的数量,本实施例中,T=24,表示24小时,j表示第j个小时;Pij为i火电机组在j时间段的有功出力;sij为1或0,分别代表i机组在j时间段是否出力;CS,ij为i机组在j时间段内启动的能源消耗成本;CP,i为i机组出力的能源消耗成本;αi、βi、γi为机组的消耗系数;
所述环境成本为污染物排放总惩罚成本CE为:
其中,本实施例中,i表示第i个火电机组,T为时间段的数量,本实施例中,T=24,表示24小时,j表示第j个小时;为二氧化碳污染物的排放量;λci、μci、υci为i火电机组二氧化碳污染物排放量与火电机组出力之间的关系系数;为二氧化硫污染物的排放量;λsi、μsi、υsi为i火电机组二氧化硫污染物排放量与机组出力之间的关系系数。
所述风电机组的运行成本包括风电发电成本和弃风成本;
CW(Pw,j)=gij(wy)+gij(wq)
gij(wy)为风电发电成本;gij(wq)为弃风成本。
所述风电发电成本为:
gij(wy)=aw,iPij 2;
所述弃风成本为:
gij(wq)=kw(wmax-wj)2;
其中,i表示第i个风电机组,T为时间段的数量,本实施例中,T=24,表示24小时,j表示第j个小时;aw,i为风电机组发电成本函数系数;Pij为i风电机组在j个小时的有功出力;kw为风电机组弃风的成本系数;wi为第j时段的风速;wmax为wj的最大值。所述光伏机组的运行成本包括光伏机组发电成本和弃光成本;
所述光伏机组的运行成本包括光伏发电成本和弃光成本;
CS(Ps,j)=gij(sy)+gij(sq);
所述光伏机组发电成本为:
gij(sy)=as,iPij 2;
弃光成本:
gij(sq)=ks(smax-sj)2;
其中,i表示第i个光伏机组,T为时间段的数量,本实施例中,T=24,表示24小时,j表示第j个小时;as,i为光伏机组发电成本函数系数;Pij为i光伏机组在j个小时的有功出力;ks为光伏机组弃光的成本系数;si为第j个小时太阳能的辐射量;为si的最大值。
所述调相机成本为无功调用成本,为:
其中,ac,i为调相机运行成本函数系数;Qij为i调相机在j个小时的无功出力;
储能机组由于发电成本可忽略不计,故无成本函数,主要为设备成本与购买电价成本。
所述电网发电系统模型的约束条件包括基于未来一天的电网负荷的发电系统功率平衡约束、各机组最大出力约束、最小出力约束、持续开机时间约束、持续停机时间约束、机组爬坡约束、储能设备约束和调相机约束;
1)、所述基于未来一天的电网负荷的发电系统功率平衡的约束为:
PWj+PEj+PDRj+PESj=PDj;
其中,j=1,2,···,T,表示第j个小时,T=24小时,PWj为风电在j小时的有功出力,PEj为光伏在j个小时的有功出力,PDRj为火电在j个小时的有功出力,PESj为储能在j个小时时间段的有功出力,PDj为通过LSTM网络得到的第j个小时的负荷;
当PWj+PEj+PDRj>PDj时,PESj<0;当PWj+PEj+PDRj<PDj时,PESj>0;0≤PESi-1+PESj≤Ei,full;
2)、所述各机组最大约束和最小出力约束为:
其中,Pi,min、Pi,max分别为i机组有功出力的最小、最大限值,Qi,min、Qi,max分别为火电第i个机组有功出力的无功最小、最大限值;
3)、所述持续开机约束和停机时间约束为:
4)、所述机组爬坡约束为:
其中,PUi、PDi分别为i机组单位时间段内有功出力爬升、下降速度的限值;
5)、所述储能设备约束包括SOC约束、充放电功率约束、充放电容量约束,所述SOC约束为:
SOCmin≤SOCt≤SOCmax;
其中,SOCmin为储能设备运行时要求的SOC最低值,SOCmax为储能设备运行时要求的SOC最高值;
其中,Pc,max为储能设备运行时要求的充电功率最大值,Pd,max为储能设备运行时要求的放电功率最大值;
所述充放电容量约束为:
其中,Nes为储能机组数量,Qi为i储能设备的输出电量,QD为配电网需要储能设备提供的总电量,Qi,min、Qi,max分别储能设备的最小、最大输出电量;
6)、所述调相机约束为各节点电压约束:
0.9Uref≤Uref≤1.1Uref。
其中,Uref为额定电压。
S3、基于所述目标函数和约束条件,利用狼群优化算法得到最优机组组合方式进行电网调度。
灰狼优化算法(GWO),灵感来自于灰狼。GWO算法模拟了自然界灰狼的领导层级和狩猎机制。四种类型的灰狼,如α被用来模拟领导阶层。此外,还实现了狩猎的三个主要步骤:寻找猎物、包围猎物和攻击猎物。
为了在设计GWO算法时对灰狼的社会等级进行数学建模,我们将最适解作为α狼。因此,第二和第三个最佳解决方案分别被命名为β狼和δ狼。剩下的候选解被假定为ω狼,在GWO算法中,狩猎过程由α,β和δ引导,ω狼跟随这三只狼。
本实施例中,通过灰狼算法得到最优机组组合方式的方法包括:
S31、初始化种群、是收敛因子a和系数向量A和C,所述种群初始化包括种群数量、迭代次数和每个灰狼位置的初始化,本实施例中,所述每个灰狼的位置为电量负荷分配,每个灰狼的维度为电力系统中机组的个数;电网运行成本值为适应度函数值,也就是上述实施例确定的目标函数的数值;
S32、计算每个灰狼个体的适应度并排序,保存适应度最好的前3匹狼,依次为α狼、β狼和δ狼;
S33、根据下式计算每个灰狼与α狼、β狼和δ狼的距离;
灰狼能够识别猎物的位置并包围它们,当灰狼识别出猎物的位置后,β狼和δ狼在α狼的带领下指导狼群包围猎物,灰狼个体跟踪猎物位置的数学模型描述如下:
其中,Dα,Dβ和Dδ分别表示α,β和δ与其他个体间的距离;Xα,Xβ和Xδ分别代表α,β和δ当前位置;C1,C2,C3是随机向量,X是当前灰狼的位置。
S34、根据下式更新α狼、β狼和δ狼的位置;
上式分别定义了狼群中ω个体朝向α,β和δ前进的步长和方向和ω的最终位置。
S35、根据下式更新收敛因子a和系数A、C;
上式表示个体与猎物间的距离和灰狼的位置更新公式。其中,t是目前的迭代代数,A和C是系数向量,Xp和X分别是猎物的位置向量和灰狼的位置向量,a是收敛因子,随着迭代次数从2线性减小到0,r1和r2的模取[0,1]之间的随机数。
当猎物停止移动时,灰狼通过攻击来完成狩猎过程,为了模拟逼近猎物,a的值被逐渐减小,因此A的波动范围也随之减小。换句话说,在迭代过程中,当a的值从2线性下降到0时,其对应的A的值也在区间[-a,a]内变化。当A的值位于区间内时,灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置。当|A|<1时,狼群向猎物发起攻击(陷入局部最优)。当|A|>1时,灰狼与猎物分离,希望找到更合适的猎物(全局最优)。
GWO算法还有另一个组件C来帮助发现新的解决方案。由于C是[0,2]之间的随机值。C表示狼所在的位置对猎物影响的随机权重,C>1表示影响权重大,反之,表示影响权重小。这有助于GWO算法更随机地表现并支持探索,同时可在优化过程中避免陷入局部最优。另外,与A不同,C是非线性减小的。这样,从最初的迭代到最终的迭代中,它都提供了决策空间中的全局搜索。在算法陷入了局部最优并且不易跳出时,C的随机性在避免局部最优方面发挥了非常重要的作用,尤其是在最后需要获得全局最优解的迭代中。
S36、更新α狼、β狼和δ狼的适应度值和位置;
S37、判断是否达到最大迭代次数,若是,停止迭代,输出最优的机组组合和适应度函数值,若否,重复执行步骤S33。
为验证本发明中灰狼优化算法结果的合理性以及经济型,将会采用粒子群算法作为对比。
粒子群算法的基本原理如下:
式中,w为惯性权重系数,c1、c2为学习因子,pbesti为粒子i的个体最优,为其在第k次迭代过程中第d维的位置,gbest为种群最优,为其在k次迭代过程中第d维的位置,r1、r2为[0,1]上服从均匀分布的随机数。
w采用自适应线性递减的方式,即为:
式中,kmax是最大迭代次数,wini、wend分别是初始惯性权重系数值和最后一次迭代时的惯性权重系数值,一般wini=0.9,wend=0.4。
为验证本发明提供的调度方法的合理性和有效性,该实例采用黑龙江某地区负荷数据作为算例,使用LSTM神经网络进行预测,灰狼优化算法进行寻优计算。
预测新能源电网机组发电量影响因素加多,基于LSTM网络预测负荷的方法步骤中,采用不同时间段对负荷进行预测,与标准的循环神经网络一样,从t=1开始计算长度为T的输入序列x的前向传播过程,在递增的同时递归地应用更新等式。从t=T开始利用梯度下降法计算反向传播过程,完成网络的逆向参数调优。在本案例中迭代次数设置为300次,为了加快寻优速度,初始学习率为0.005,为了不陷入局部最优,在125个迭代后学习率更新,学习率下降因子设置为0.2,为加强预测结果的准确性,减少误差,每迭代五次将会对预测结果验证一次。
依赖历史数据对366天每日电网负荷预测,图6和图7分别表示基于LSTM对电网负荷预测结果中第365天和第366天的电网负荷预测结果和实际电网负荷,图中负荷预测数据基本接近真实值,但仍有一定的误差。考虑到测试数据有限,如果历史数据能增多,准确性提高并考虑电网的物理模型将进一步体现LSTM网络的优势,增加测试数据量的增加,也可以更精确的预测电网负荷。新能源发电功率的精确预测为机组组组和有功调度的实施奠定基础。
本发明中构建新能源电网,该电网中包含一个火电机组,一个风电机组,一个光伏机组以及两个储能机组,灰狼优化算法设置种群数量为50,迭代次数设置为500。各机组运行容量约束如表1所示:
表1.各机组运行容量约束
火电机组 | 风电机组 | 光伏机组 | 蓄电池 | 储能机组 | |
最大值 | 500 | 200 | 200 | 200 | 500 |
最小值 | 10 | 10 | 10 | 10 | 10 |
分时电价为0.288,0.288,0.288,0.288,0.288,0.288,0.777,0.777,1.231,1.231,1.231,0.777,0.777,1.231,1.231,0.777,0.777,0.777,1.231,1.231,1.231,0.288,0.288,0.288。
本案例利用灰狼优化算法根据LSTM神经网络负荷预测结果,对目标函数进行求解,结果如图9所示,同时本案例将与粒子群算法进行比对,如图9所示,验证本案例结果的合理性与经济性。与粒子群对比结果如表2所示:
表2.与粒子群对比结果
总成本(元) | 迭代速度(s) | |
灰狼优化算法 | 3705.0410 | 2.609375 |
粒子群算法 | 5615.0268 | 6.828125 |
经过对比我们可以看出来,灰狼优化算法不仅成本比粒子群算法总成本更低,迭代速度更快,从而证明了本案例采用的模型及算法的准确性与优越性,以及本案例方法的合理性。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种电网发电机组调度优化方法,其特征在于,包括如下步骤:
S1、通过神经网络模型预测未来一时间段的电网负荷;
S2、建立电网发电系统模型,所述发电系统模型包括火电机组、光伏机组、风电机组、储能设备和调相机,建以发电系统运行成本最低的目标函数,所述电网发电系统模型的约束条件包括基于未来一时间段的电网负荷的发电系统功率平衡约束、各机组最大出力约束、最小出力约束、持续开机时间约束、持续停机时间约束、机组爬坡约束、储能设备约束和调相机约束;
S3、基于所述目标函数和约束条件,利用狼群优化算法得到最优机组组合方式进行电网调度。
2.根据权利要求1所述一种电网发电机组调度优化方法,其特征在于,所述神经网络模型为LSTM神经网络模型。
4.根据权利要求3所述一种电网发电机组调度优化方法,其特征在于,所述火电机组的运行成本包括能源消耗成本和环境成本,所述能源消耗成本为:
其中,CF为机组的能源消耗成本;N为机组的数量;T为时间段的数量;Pij为i火电机组在j时间段的出力;sij为1或0,分别代表i机组在j时间段是否出力;CS,ij为i机组在j时间段内启动的能源消耗成本;CP,i为i机组出力的能源消耗成本;αi、βi、γi为机组的消耗系数;
所述环境成本为污染物排放总惩罚成本CE为:
5.根据权利要求3所述一种电网发电机组调度优化方法,其特征在于,所述风电机组的运行成本为:
CW(Pw,j)=gij(wy)+gij(wq);
gij(wy)为风电发电成本,为:
gij(wy)=aw,iPij 2;
gij(wq)为弃风成本,为:
gij(wq)=kw(wmax-wj)2;
其中,aw,i为风电机组发电成本函数系数;Pij为i风电机组在j时间段的有功出力;kw为风电机组弃风的成本系数;wi为第j时段的风速;wmax为wj的最大值。所述光伏机组的运行成本包括光伏机组发电成本和弃光成本。
8.根据权利要求1所述一种电网发电机组调度优化方法,其特征在于,
1)所述基于未来一时间段的电网负荷的发电系统功率平衡的约束为:
PWj+PEj+PDRj+PESj=PDj;
其中,j=1,2,···,T,PWj为风电在j时间段的出力,PEj为光伏在j时间段的出力,PDRj为火电在j时间段的出力,PESj为储能在j时间段的出力,PDj为j时间段的负荷;
2)所述各机组最大约束和最小出力约束为:
其中,Pi,min、Pi,max分别为i机组出力的最小、最大限值,Qi,min、Qi,max分别为火电i机组出力的无功最小、最大限值;
3)所述持续开机约束和停机时间约束为:
4)所述机组爬坡约束为:
其中,PUi、PDi分别为i机组单位时间段内出力爬升、下降速度的限值;
5)所述储能设备约束包括SOC约束、充放电功率约束、充放电容量约束,所述SOC约束为:
SOCmin≤SOCt≤SOCmax;
其中,SOCmin为储能设备运行时要求的SOC最低值,SOCmax为储能设备运行时要求的SOC最高值;
其中,Pc,max为储能设备运行时要求的充电功率最大值,Pd,max为储能设备运行时要求的放电功率最大值;
所述充放电容量约束为:
其中,Nes为储能机组数量,Qi为i储能设备的输出电量,QD为配电网需要储能设备提供的总电量,Qi,min、Qi,max分别储能设备的最小、最大输出电量;
6)所述调相机约束为各节点电压约束:
0.9Uref≤Uref≤1.1Uref。
9.根据权利要求1所述一种电网发电机组调度优化方法,其特征在于,所述狼群算法以各机组的运行成本作为灰狼优化算法中灰狼个体的位置向量X;灰狼优化算法的适应度函数为所述目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051547.5A CN115377985A (zh) | 2022-08-31 | 2022-08-31 | 一种电网发电机组调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051547.5A CN115377985A (zh) | 2022-08-31 | 2022-08-31 | 一种电网发电机组调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115377985A true CN115377985A (zh) | 2022-11-22 |
Family
ID=84069191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051547.5A Pending CN115377985A (zh) | 2022-08-31 | 2022-08-31 | 一种电网发电机组调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115377985A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860287A (zh) * | 2023-03-02 | 2023-03-28 | 东方电气集团科学技术研究院有限公司 | 一种用于储能与发电机组的低碳经济性调度方法 |
CN117353396A (zh) * | 2023-12-06 | 2024-01-05 | 国网浙江省电力有限公司信息通信分公司 | 一种基于启停曲线的火电机组调度优化方法和装置 |
-
2022
- 2022-08-31 CN CN202211051547.5A patent/CN115377985A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860287A (zh) * | 2023-03-02 | 2023-03-28 | 东方电气集团科学技术研究院有限公司 | 一种用于储能与发电机组的低碳经济性调度方法 |
CN117353396A (zh) * | 2023-12-06 | 2024-01-05 | 国网浙江省电力有限公司信息通信分公司 | 一种基于启停曲线的火电机组调度优化方法和装置 |
CN117353396B (zh) * | 2023-12-06 | 2024-03-08 | 国网浙江省电力有限公司信息通信分公司 | 一种基于启停曲线的火电机组调度优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Multi-objective energy management of multiple microgrids under random electric vehicle charging | |
Khasanov et al. | Optimal distributed generation and battery energy storage units integration in distribution systems considering power generation uncertainty | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
Mandal et al. | Optimal energy management of microgrids under environmental constraints using chaos enhanced differential evolution | |
CN115377985A (zh) | 一种电网发电机组调度优化方法 | |
Andervazh et al. | Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants | |
Xu et al. | A modified water cycle algorithm for long-term multi-reservoir optimization | |
Chen et al. | Economic dispatch of wind integrated power systems with energy storage considering composite operating costs | |
Tajjour et al. | A comprehensive review on sustainable energy management systems for optimal operation of future-generation of solar microgrids | |
Li et al. | Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system | |
Zhang et al. | Deep reinforcement learning based bi-layer optimal scheduling for microgrid considering flexible load control | |
Chatziagorakis et al. | Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio | |
Wang et al. | Robust multi-objective load dispatch in microgrid involving unstable renewable generation | |
Ahmadi et al. | Performance of a smart microgrid with battery energy storage system's size and state of charge | |
Habachi et al. | Eagle strategy based crow search algorithm for solving unit commitment problem in smart grid system | |
Hassan et al. | An enhanced hunter‐prey optimization for optimal power flow with FACTS devices and wind power integration | |
TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
Dou et al. | Double‐deck optimal schedule of micro‐grid based on demand‐side response | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
Yin et al. | Quantum-inspired distributed policy-value optimization learning with advanced environmental forecasting for real-time generation control in novel power systems | |
CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
Huang et al. | Optimal prediction intervals of wind power generation based on FA-ELM | |
Chakraborty et al. | Fuzzy quantum computation based thermal unit commitment strategy with solar-battery system injection |
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 |