CN115473230B - 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 - Google Patents
考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 Download PDFInfo
- Publication number
- CN115473230B CN115473230B CN202211228054.4A CN202211228054A CN115473230B CN 115473230 B CN115473230 B CN 115473230B CN 202211228054 A CN202211228054 A CN 202211228054A CN 115473230 B CN115473230 B CN 115473230B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- constraint
- power flow
- node
- user side
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 120
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 33
- 238000010248 power generation Methods 0.000 claims description 32
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 239000007789 gas Substances 0.000 claims description 18
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation 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
- H02J3/04—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]
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统碳排放技术领域,尤其涉及一种考虑用户侧碳排放约束的最优潮流计算方法、设备及介质,包括如下步骤:建立用户侧碳排放约束模型;基于用户侧碳排放约束模型,建立最优潮流模型;基于最优潮流模型,通过粒子群算法,对最优潮流进行计算。通过从用户侧考虑碳排放约束,基于粒子群算法,对最优潮流进行计算,确保用户节点的碳排放不超过给定的碳配额,同时也能有效的减少系统的碳排放。本发明中,通过建立用户侧碳排放约束模型中,基于用户侧使用不同来源的电力,及电力来源的发电机的碳排放强度,对每个用户单位用电量产生的碳排放量进行计算,并作为约束。
Description
技术领域
本发明涉及电力系统碳排放技术领域,尤其涉及一种考虑用户侧碳排放约束的最优潮流计算方法、设备及介质。
背景技术
最优潮流(Optimal Power Flow,OPF)就是在给定的电力系统结构参数和负荷下,通过调整系统中的控制变量,实现既满足特定的系统运行和安全约束条件,又使得预定的系统性能指标达到最佳的稳定潮流运行状态。最优潮流问题的研究大体分为两个方面:一方面如机组组合问题、动态无功约束等,在最优潮流模型中增加约束条件和优化目标,分析解决大规模电力系统工程问题。
当前电力系统调度研究中,聚焦于在源侧施加总碳排约束或者在目标函数中考虑碳成本,在用户侧考虑需求相应、根据用户侧碳排放施加碳税。然而考虑碳排放配额,将用户侧碳排放作为电力系统调度约束的研究还比较罕见,如果忽略消费侧的减排潜力,只靠生产侧减排,将会给地毯转型带来很大的成本,需要对消费侧碳排放加强关注。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种考虑用户侧碳排放约束的最优潮流计算方法、设备及介质,从而有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:一种考虑用户侧碳排放约束的最优潮流计算方法,包括:
包括如下步骤:
建立用户侧碳排放约束模型;
基于所述用户侧碳排放约束模型,建立最优潮流模型;
基于所述最优潮流模型,通过粒子群算法,对最优潮流进行计算。
进一步地,所述建立用户侧碳排放约束模型中,基于用户侧使用不同来源的电力,及电力来源的发电机的碳排放强度,对每个用户单位用电量产生的碳排放量进行计算,并作为约束。
进一步地,所述每个用户单位用电量产生的碳排放量ex为:
其中,x+是流入节点x的支路集合;Pi为支路i的功率;ρi是支路i的碳排放强度;PGx是节点x的发电机的发电量;eGx是节点x的发电机的碳排放强度。
进一步地,所述最优潮流模型中,包括:
确定最优潮流的目标函数,所述目标函数为生产侧发电的成本函数,所述成本函数f为:
其中,ΩCT、ΩCW、ΩCF分别为燃气机组集合、风电机组集合和燃煤机组集合;PGW,z和PGF,n分别为风电机组z和燃煤机组n的有功出力;βj和gGF,j分别为燃气机组j的发电成本系数和发电消耗的天然气量;εz为风电机组z的发电成本系数;an、bn和cn是燃煤机组n的煤耗特性曲线的参数;αn为燃煤机组n的发电成本系数;
确定最优潮流的等式约束:
其中,X是所有与节点i连接的支路的集合;SC表示节点集合;PGi和QGi分别为节点i处的发电机的有功出力和无功出力;PLi和QLi分别为节点i的有功负荷和无功负荷;gij、bij和θij分别表示节点i与节点j之间的电导、电纳和电压相位差;Vi和Vj则表示节点电压幅值;
确定最优潮流的不等式约束:
式中:SG表示发电机组集合;SL表示线路支路集合;和PGi 分别表示发电机组有功出力的上下限;/>和QGi 分别表示发电机组无功出力的上下限;/>和Vi 分别表示节点电压的上下限;Sl为流过支路l的视在功率;/>和Sl 分别表示支路视在功率容量的上下限;gi和gi 分别表示天然气供应量上、下限;/>表示节点碳排放强度的上限。
进一步地,所述粒子群算法中,分别对所述目标函数、等式约束和不等式约束添加惩罚;
新的所述目标函数为:
F(x)=f(x)+h(k)H(x)
其中,f(x)是原先的目标函数,h(k)是动态更新的惩罚系数,一般与迭代次数相关,H(x)是约束惩罚项;
所述等式约束hj(x)=0的惩罚项为:
ej(x)=max(0,|hj(x)|);
所述不等式约束gi(x)≤0的惩罚项为:
ei(x)=max(0,gi(x));
所述不等式约束gi(x)≥0的惩罚项为:
ei(x)=max(0,-gi(x));
其中,所述约束惩罚项H(x)为:
式中:m1是所有不等式约束的集合,m2是所有等式约束的集合。
进一步地,所述粒子群算法中变量为发电机的有功功率和电压幅值。
进一步地,所述粒子群算法的适应性函数为:
进一步地,计算所述最优潮流时,包括如下步骤:
S1:初始化粒子群及参数设置;
S2:令当前迭代次数k为0;
S3:判断当前迭代次数是否小于q;
S4:若否,则算法不收敛,计算结束;
S5:若是,则根据粒子群的有功功率和电压幅值,利用潮流计算方法求解潮流分布,并进行碳流追踪;
S6:利用潮流分布和碳流追踪结果计算目标函数值;
S7:更新个体和群体最优值;
S8:判断是否满足收敛判据;
S9:若是,则输出最优结果和迭代次数,算法收敛,计算结束;
S10:若否,则更新粒子的速度和位置,另k=k+1,回到步骤S3。
本发明还包括一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的方法。
本发明还包括一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
本发明的有益效果为:本发明通过从用户侧考虑碳排放约束,基于粒子群算法,对最优潮流进行计算,确保用户节点的碳排放不超过给定的碳配额,同时也能有效的减少系统的碳排放,有助于促进双碳目标的落实。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,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为本发明方法的流程图;
图2为通过粒子群算法计算最优潮流的流程图;
图3为IEEE14节点系统示意图;
图4为图3的系统在不同场景下的发电机出力和节点碳排放强度示意图;
图5为计算机设备的示意图。
具体实施方式
下面将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。
实施例1:
如图1所示:一种考虑用户侧碳排放约束的最优潮流计算方法,包括如下步骤:
建立用户侧碳排放约束模型;
基于用户侧碳排放约束模型,建立最优潮流模型;
基于最优潮流模型,通过粒子群算法,对最优潮流进行计算。
通过从用户侧考虑碳排放约束,基于粒子群算法,对最优潮流进行计算,确保用户节点的碳排放不超过给定的碳配额,同时也能有效的减少系统的碳排放。
在本实施例中,建立用户侧碳排放约束模型中,基于用户侧使用不同来源的电力,及电力来源的发电机的碳排放强度,对每个用户单位用电量产生的碳排放量进行计算,并作为约束。
现有技术中,对于用户侧碳排放总量的计算公式如下:
F=eG;
其中,G是用户侧用电量,e是电网平均排放因子,一般取发电机单位发电量的二氧化碳排放量的加权平均。
然而,采用电网平均排放因子不利于用户了解高耗能行为的实际碳足迹,对于用户减碳的激励和惩罚作用都较弱,而且对于安装分布式光伏的用户、采用新能源发电的电力输出地区是不公平的,因此采用用户侧碳排放强度的定义,即每个用户单位用电量产生的碳排放量。
其中,每个用户单位用电量产生的碳排放量ex为:
其中,x+是流入节点x的支路集合;Pi为支路i的功率;ρi是支路i的碳排放强度;PGx是节点x的发电机的发电量;eGx是节点x的发电机的碳排放强度。
在式中可以注意到,x+不包括流出节点x的支路,在潮流分布已知时,可以根据功率方向判断流入节点的支路,但是将其作为约束,在得到最优潮流结果前,无法判断支路功率的流向,这为建模带来了很大的困难,为了解决潮流方向问题,本实施例中提出了一种基于潮流计算更新的改进粒子群算法。
作为上述实施例的优选,最优潮流模型中,包括:
确定最优潮流的目标函数,目标函数为生产侧发电的成本函数,成本函数f为:
其中,ΩCT、ΩCW、ΩCF分别为燃气机组集合、风电机组集合和燃煤机组集合;PGW,z和PGF,n分别为风电机组z和燃煤机组n的有功出力;βj和gGF,j分别为燃气机组j的发电成本系数和发电消耗的天然气量;εz为风电机组z的发电成本系数;an、bn和cn是燃煤机组n的煤耗特性曲线的参数;αn为燃煤机组n的发电成本系数;
燃气机组的耗气量为:
式中:g(PGT,j)为燃气机组j发电消耗的天然气量;PGT,j为燃气机组j的有功出力;α0、α1和α2是燃气机组j发电消耗天然气的耗量系数。
确定最优潮流的等式约束:
其中,X是所有与节点i连接的支路的集合;SC表示节点集合;PGi和QGi分别为节点i处的发电机的有功出力和无功出力;PLi和QLi分别为节点i的有功负荷和无功负荷;gij、bij和θij分别表示节点i与节点j之间的电导、电纳和电压相位差;Vi和Vj则表示节点电压幅值;
确定最优潮流的不等式约束:
式中:SG表示发电机组集合;SL表示线路支路集合;和PGi 分别表示发电机组有功出力的上下限;/>和QGi 分别表示发电机组无功出力的上下限;/>和Vi 分别表示节点电压的上下限;Sl为流过支路l的视在功率;/>和Sl 分别表示支路视在功率容量的上下限;gi和gi 分别表示天然气供应量上、下限;/>表示节点碳排放强度的上限。
最优潮流问题一般包括等式约束条件和不等式约束条件,常采用罚函数法来进行处理。在本实施例中,粒子群算法中,分别对目标函数、等式约束和不等式约束添加惩罚;
新的目标函数为:
F(x)=f(x)+h(k)H(x)
其中,f(x)是原先的目标函数,h(k)是动态更新的惩罚系数,一般与迭代次数相关,H(x)是约束惩罚项;
等式约束hj(x)=0的惩罚项为:
ej(x)=max(0,|hj(x)|);
不等式约束gi(x)≤0的惩罚项为:
ei(x)=max(0,gi(x));
不等式约束gi(x)≥0的惩罚项为:
ei(x)=max(0,-gi(x));
其中,约束惩罚项H(x)为:
式中:m1是所有不等式约束的集合,m2是所有等式约束的集合。
作为上述实施例的优选,粒子群算法中变量为发电机的有功功率和电压幅值。
作为上述实施例的优选,粒子群算法的适应性函数为:
如图2所示,在本实施例中,计算最优潮流时,包括如下步骤:
S1:初始化粒子群及参数设置;
S2:令当前迭代次数k为0;
S3:判断当前迭代次数是否小于q;
S4:若否,则算法不收敛,计算结束;
S5:若是,则根据粒子群的有功功率和电压幅值,利用潮流计算方法求解潮流分布,并进行碳流追踪;
S6:利用潮流分布和碳流追踪结果计算目标函数值;
S7:更新个体和群体最优值;
S8:判断是否满足收敛判据;
S9:若是,则输出最优结果和迭代次数,算法收敛,计算结束;
S10:若否,则更新粒子的速度和位置,另k=k+1,回到步骤S3。
请参照图3和图4,图3为IEEE14节点系统的示意图,其中G1至G5为发电机的编号,图4为图3中系统在不同场景下的发电机G1至G5出力和节点1至14碳排放强度示意图,在本实施例中,为了比较同一节点是否考虑碳约束造成的影响、不同节点施加碳约束的区别、用户侧施加碳约束与发电侧施碳约束的区别,设置了四个场景如下:
场景1:不添加碳约束;
场景2:节点4施加小于等于0.77的碳排放强度约束;
场景3:节点3施加小于等于0.40排放强度约束;
场景4:在发电侧施加与场景2等同的系统总碳排约束;
1)用户侧碳约束会影响流入该节点发电机的出力和流出节点的碳排放强度。直接影响:比较场景1和场景2,G1和G2的边际成本(分别为0.043PG1+20和0.25PG2+20)远小于其余发电机,因此在不施加约束时,流入节点4的功率全部来自于G1(=0.875)和G2(=0.5)。而当对节点4的碳排放强度施加限制时,因为增加G2的出力对碳排放的影响较小,最佳措施是提高风电机组的出力,使得风电流入节点4,现在的结果便是增加G5(=0)的出力,使得线路4-7功率倒送,降低了节点4的碳排放强度。间接影响:原先流入节点7的功率来自于节点4和节点8,因为G5的出力增加,线路 4-7功率倒送,节点7的功率全部来自于G5,因此节点7的碳排放强度也降为0。
2)枢纽节点施加碳约束造成的间接影响较大。比较场景1与场景3,单独给节点3施加碳排放强度小于等于0.4的限制时,只需要略微提高G3(=0)的出力即可满足约束,可以发现其余节点的碳排放强度与场景1相比差异很小。而给节点4施加约束,由场景2的计算结果可知,其与场景1各个节点的碳排放强度结果有显著的差异,这是因为节点3只与节点2和4相连,与节点4相比属于一个边界节点。
3)在发电侧施加碳排放约束不能确保特定用户的碳配额不超标。根据场景2求得的系统总碳排,在matpower的runopf函数中添加总碳排约束再进行求解。比较场景2与场景4,因为施加在用户侧的碳排放约束是一个更加严格的约束,因此虽然场景4的系统费用更低,但是节点4的碳排放强度为0.8146,碳排放量将超出配额。这是因为在在14节点系统中,节点4占据了18%的负荷,加上间接影响,虽然施加了轻微的碳排放约束,却使得总体碳排放降低了5.0%,因此在发电侧进行约束求解,最佳措施是提高风电的出力。
实施例2:
在现有研究的基础上,本实施例中设计了一种考虑用户侧碳排放约束的最优潮流计算方法。通过建立考虑用户侧碳约束的最优潮流模型,提出基于潮流计算更新的改进粒子群算法,确保用户节点的碳排放不超过给定的碳配额,同时也能够有效地减少系统的碳排放。解决了传统粒子群算法最优潮流等式约束难以满足、惩罚系数难以确定的问题。
该方法包括如下步骤:
步骤1:建立用户侧碳排放约束模型;
步骤2:建立考虑用户侧碳约束的最优潮流模型;
步骤3:提出基于潮流计算更新的改进粒子群算法。
所述步骤1具体为:
目前在工程中用户侧碳排放总量的计算公式如下:
F=eG
式中:G是用户侧用电量;e是电网平均排放因子,一般取发电机单位发电量的二氧化碳排放量的加权平均值。
然而,采用电网平均排放因子不利于用户了解高耗能行为的实际碳足迹,对于用户减碳的激励和惩罚作用都较弱,而且对于安装分布式光伏的用户、采用新能源发电的电力输出地区是不公平的,因此采用用户侧碳排放强度的定义,即每个用户单位用电量产生的碳排放量,计算公式如下:
式中:x+是流入节点x的支路集合;Pi为支路i的功率;ρi是支路i的碳排放强度;PGx是节点x的发电机的发电量;eGx是节点x的发电机的碳排放强度。
在式中可以注意到,x+不包括流出节点x的支路,在潮流分布已知时,可以根据功率方向判断流入节点的支路,但是将其作为约束,在得到最优潮流结果前,无法判断支路功率的流向,这为建模带来了很大的困难,为了解决潮流方向问题,本发明提出了一种基于潮流计算更新的改进粒子群算法。
步骤2包括以下子步骤:
目标函数:
本发明所考虑的最优潮流数学模型的成本函数为:
式中:ΩCT、ΩCW、ΩCF分别为燃气机组集合、风电机组集合和燃煤机组集合;PGW,z和PGF,n分别为风电机组z和燃煤机组n的有功出力;βj和gGF,j分别为燃气机组j的发电成本系数和发电消耗的天然气量;εz为风电机组z的发电成本系数;an、bn和cn是燃煤机组n的煤耗特性曲线的参数;αn为燃煤机组n的发电成本系数。
燃气机组的耗气量为:
式中:g(PGT,j)为燃气机组j发电消耗的天然气量;PGT,j为燃气机组j的有功出力;α0、α1和α2是燃气机组j发电消耗天然气的耗量系数[21]。
等式约束:
式中:X是所有与节点i连接的支路的集合;SC表示节点集合;PGi和QGi分别为节点i处的发电机的有功出力和无功出力;PLi和QLi分别为节点i的有功负荷和无功负荷;gij、bij和θij分别表示节点i与节点j之间的电导、电纳和电压相位差;Vi和Vj则表示节点电压幅值。
不等式约束:
式中:SG表示发电机组集合;SL表示线路支路集合;和PGi 分别表示发电机组有功出力的上下限;/>和QGi 分别表示发电机组无功出力的上下限;/>和Vi 分别表示节点电压的上下限;Sl为流过支路l的视在功率;/>和Sl 分别表示支路视在功率容量的上下限;gi和gi 分别表示天然气供应量上、下限;/>表示节点碳排放强度的上限。
步骤3包括以下子步骤:
粒子群算法属于启发式算法,对目标函数的起点和形式不敏感,它从随机解出发,通过迭代寻找最优解,每个优化问题的解都被称为“粒子”,每个粒子都会被分配一个随机速度,粒子在迭代过程中根据自身最优值和全局最优值来调整自己的空间搜索方向和步长,最终搜寻到整个解空间的最优解。
最优潮流问题一般包括等式约束条件和不等式约束条件,常采用罚函数法来进行处理。罚函数的基本思路是将约束条件引入原来的目标函数形成一个新的函数,将原来的有约束最优问题求解转化成为一系列无约束最优问题求解。
加入惩罚项之后,目标函数变成了:
F(x)=f(x)+h(k)H(x)
式中:f(x)是原先的目标函数,h(k)是动态更新的惩罚系数,一般与迭代次数相关,H(x)是约束惩罚项。
对于不等式gi(x)≤0,则惩罚项:
ei(x)=max(0,gi(x))
对于不等式gi(x)≥0,则惩罚项:
ei(x)=max(0,-gi(x))
对于等式约束,hj(x)=0,则惩罚项:
ej(x)=max(0,|hj(x)|)
整体惩罚项H(x)是各个约束惩罚项的和,即:
式中:m1是所有不等式约束的集合,m2是所有等式约束的集合。
本发明提出一种基于潮流计算更新的改进粒子群算法,提高粒子群算法的收敛性和准确性。该算法的变量仅为发电机的有功功率和电压幅值,利用潮流计算方法来计算当前发电机有功功率和电压幅值条件下的潮流分布,确保随机移动的粒子满足潮流方程,确保收敛性。因此只需要在粒子群算法的适应性函数中添加不等式约束的罚函数即可:
请参见图5示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400,包括:处理器410和存储器420,存储器420存储有处理器410可执行的计算机程序,计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430,该存储介质430上存储有计算机程序,该计算机程序被处理器410运行时执行如上的方法。
其中,存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,包括如下步骤:
建立用户侧碳排放约束模型;
基于所述用户侧碳排放约束模型,建立最优潮流模型;
基于所述最优潮流模型,通过粒子群算法,对最优潮流进行计算;
所述建立用户侧碳排放约束模型中,基于用户侧使用不同来源的电力,及电力来源的发电机的碳排放强度,对每个用户单位用电量产生的碳排放量进行计算,并作为约束;
所述最优潮流模型中,包括:
确定最优潮流的目标函数,所述目标函数为生产侧发电的成本函数,所述成本函数f为:
其中,ΩCT、ΩCW、ΩCF分别为燃气机组集合、风电机组集合和燃煤机组集合;PGW,z和PGF,n分别为风电机组z和燃煤机组n的有功出力;βj和gGF,j分别为燃气机组j的发电成本系数和发电消耗的天然气量;εz为风电机组z的发电成本系数;an、bn和cn是燃煤机组n的煤耗特性曲线的参数;an为燃煤机组n的发电成本系数;
确定最优潮流的等式约束:
其中,X是所有与节点i连接的支路的集合;SC表示节点集合;PGi和QGi分别为节点i处的发电机的有功出力和无功出力;PLi和QLi分别为节点i的有功负荷和无功负荷;gij、bij和θij分别表示节点i与节点j之间的电导、电纳和电压相位差;Vi和Vj则表示节点电压幅值;
确定最优潮流的不等式约束:
式中:SG表示发电机组集合;SL表示线路支路集合;和PGi 分别表示发电机组有功出力的上下限;/>和QGi 分别表示发电机组无功出力的上下限;/>和Vi 分别表示节点电压的上下限;Sl为流过支路l的视在功率;/>和Sl 分别表示支路视在功率容量的上下限;/>和gi 分别表示天然气供应量上、下限;/>表示节点碳排放强度的上限。
2.根据权利要求1所述的考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,所述每个用户单位用电量产生的碳排放量ex为:
其中,x+是流入节点x的支路集合;Pi为支路i的功率;ρi是支路i的碳排放强度;PGx是节点x的发电机的发电量;eGx是节点x的发电机的碳排放强度。
3.根据权利要求1所述的考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,所述粒子群算法中,分别对所述目标函数、等式约束和不等式约束添加惩罚;
新的所述目标函数为:
F(x)=f(x)+h(k)H(x)
其中,f(x)是原先的目标函数,h(k)是动态更新的惩罚系数,一般与迭代次数相关,H(x)是约束惩罚项;
所述等式约束hj(x)=0的惩罚项为:
ej(x)=max(0,|hj(x)|);
所述不等式约束gi(x)≤0的惩罚项为:
ei(x)=max(0,gi(x));
所述不等式约束gi(x)≥0的惩罚项为:
ei(x)=max(0,-gi(x));
其中,所述约束惩罚项H(x)为:
式中:m1是所有不等式约束的集合,m2是所有等式约束的集合。
4.根据权利要求3所述的考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,所述粒子群算法中变量为发电机的有功功率和电压幅值。
5.根据权利要求4所述的考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,所述粒子群算法的适应性函数为:
6.根据权利要求5所述的考虑用户侧碳排放约束的最优潮流计算方法,其特征在于,计算所述最优潮流时,包括如下步骤:
S1:初始化粒子群及参数设置;
S2:令当前迭代次数k为0;
S3:判断当前迭代次数是否小于q;
S4:若否,则算法不收敛,计算结束;
S5:若是,则根据粒子群的有功功率和电压幅值,利用潮流计算方法求解潮流分布,并进行碳流追踪;
S6:利用潮流分布和碳流追踪结果计算目标函数值;
S7:更新个体和群体最优值;
S8:判断是否满足收敛判据;
S9:若是,则输出最优结果和迭代次数,算法收敛,计算结束;
S10:若否,则更新粒子的速度和位置,另k=k+1,回到步骤S3。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一项所述的方法。
8.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211228054.4A CN115473230B (zh) | 2022-10-09 | 2022-10-09 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211228054.4A CN115473230B (zh) | 2022-10-09 | 2022-10-09 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115473230A CN115473230A (zh) | 2022-12-13 |
CN115473230B true CN115473230B (zh) | 2023-11-17 |
Family
ID=84336814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211228054.4A Active CN115473230B (zh) | 2022-10-09 | 2022-10-09 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115473230B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117578627B (zh) * | 2024-01-16 | 2024-04-16 | 国网浙江省电力有限公司 | 发电调度方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源系统调度方法 |
CN113609713A (zh) * | 2021-10-08 | 2021-11-05 | 南京东博智慧能源研究院有限公司 | 用户侧电碳信息量化计算方法、系统及计算机存储介质 |
CN113780776A (zh) * | 2021-08-30 | 2021-12-10 | 南方电网科学研究院有限责任公司 | 基于需求侧的电力系统碳运行调度方法、装置及设备 |
CN114548562A (zh) * | 2022-02-24 | 2022-05-27 | 清华大学 | 基于碳排放流的碳排放响应计算方法及装置 |
CN114723114A (zh) * | 2022-03-28 | 2022-07-08 | 广东电网有限责任公司广州供电局 | 考虑碳排放成本的分布式电源选址定容优化方法、系统及介质 |
CN114977172A (zh) * | 2022-06-29 | 2022-08-30 | 国网河北省电力有限公司经济技术研究院 | 电网碳能混合流优化方法、装置、终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107565566B (zh) * | 2017-08-15 | 2019-08-16 | 清华大学 | 一种电力系统最优潮流的凸优化求解方法 |
-
2022
- 2022-10-09 CN CN202211228054.4A patent/CN115473230B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源系统调度方法 |
CN113780776A (zh) * | 2021-08-30 | 2021-12-10 | 南方电网科学研究院有限责任公司 | 基于需求侧的电力系统碳运行调度方法、装置及设备 |
CN113609713A (zh) * | 2021-10-08 | 2021-11-05 | 南京东博智慧能源研究院有限公司 | 用户侧电碳信息量化计算方法、系统及计算机存储介质 |
CN114548562A (zh) * | 2022-02-24 | 2022-05-27 | 清华大学 | 基于碳排放流的碳排放响应计算方法及装置 |
CN114723114A (zh) * | 2022-03-28 | 2022-07-08 | 广东电网有限责任公司广州供电局 | 考虑碳排放成本的分布式电源选址定容优化方法、系统及介质 |
CN114977172A (zh) * | 2022-06-29 | 2022-08-30 | 国网河北省电力有限公司经济技术研究院 | 电网碳能混合流优化方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于碳交易的含燃气机组的低碳电源规划;张晓辉等;《太阳能学报》;第41卷(第07期);第92-98页 * |
考虑碳捕集电厂的电力系统多目标最优潮流及其碳流分析;马瑞;曾婷;陈元新;罗斌;李彦生;;电力科学与技术学报(01);第16-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115473230A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dufo-Lopez et al. | Multi-objective design of PV–wind–diesel–hydrogen–battery systems | |
García-Triviño et al. | Optimized operation combining costs, efficiency and lifetime of a hybrid renewable energy system with energy storage by battery and hydrogen in grid-connected applications | |
Lee | Operating schedule of battery energy storage system in a time-of-use rate industrial user with wind turbine generators: A multipass iteration particle swarm optimization approach | |
CN110659830A (zh) | 面向综合能源系统的多能源微网规划方法 | |
CN115473230B (zh) | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 | |
CN109787221B (zh) | 一种微电网电能安全经济调度方法和系统 | |
Dufo-López et al. | Influence of mathematical models in design of PV-Diesel systems | |
CN110570015A (zh) | 一种配电网多目标规划方法 | |
CN113285490A (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN115954957A (zh) | 一种复合发电系统的容量配置方法、装置和电子设备 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
CN115395547A (zh) | 基于整县光伏推进下的灵活储能系统优化配置方法 | |
CN106451504A (zh) | 一种混合储能系统配置成本的控制方法及装置 | |
Moschos et al. | A positive/negative average real variability index and techno-economic analysis of a hybrid energy storage system | |
Pandya et al. | CHAOS enhanced flower pollination algorithm for optimal scheduling of distributed energy resources in smart grid | |
CN114336693B (zh) | 风光火储一体化系统的优化配置方法和系统 | |
CN111293719B (zh) | 一种基于多因子进化算法的交直流混合微网优化运行方法 | |
CN114977247A (zh) | 一种应用于能量路由管理的扩展时间轴的粒子群算法 | |
CN115764936A (zh) | 电网储能配置的优化方法、装置、设备及存储介质 | |
CN114362239A (zh) | 一种综合考虑多因素的电网电源极限配置策略 | |
Zuo et al. | Distributionally robust optimization for virtual power plant clusters considering carbon emission-based dynamic dispatch priority | |
Song et al. | Optimized operation of microgrid based on improved honey badger algorithm | |
Bayat et al. | A hybrid shuffled frog leaping algorithm and intelligent water drops optimization for efficiency maximization in smart microgrids considering EV energy storage state of health |
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 |