CN115860169A - 一种火电机组深度调峰改造多目标优化规划方法及系统 - Google Patents
一种火电机组深度调峰改造多目标优化规划方法及系统 Download PDFInfo
- Publication number
- CN115860169A CN115860169A CN202211279930.6A CN202211279930A CN115860169A CN 115860169 A CN115860169 A CN 115860169A CN 202211279930 A CN202211279930 A CN 202211279930A CN 115860169 A CN115860169 A CN 115860169A
- Authority
- CN
- China
- Prior art keywords
- unit
- thermal power
- power generating
- generating unit
- deep peak
- 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 85
- 230000009466 transformation Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004048 modification Effects 0.000 claims abstract description 45
- 238000012986 modification Methods 0.000 claims abstract description 45
- 239000002245 particle Substances 0.000 claims description 58
- 239000000243 solution Substances 0.000 claims description 31
- 239000003245 coal Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开属于电力系统优化技术领域，具体涉及一种火电机组深度调峰改造多目标优化规划方法及系统，包括：获取火电机组系统参数；基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
Description
技术领域
本公开属于电力系统优化技术领域，具体涉及一种火电机组深度调峰改造多目标优化规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
新能源发电具有间歇性、波动性等特点，受到负荷功率需求与新能源发电功率不匹配、外送能力较差和电网调节手段有限等多重因素的影响，给电力系统带来巨大的调峰压力，因此导致弃风、弃光现象严重。为了提升新能源的消纳能力，缓解电网的低谷调峰压力，火电机组的调峰能力需要进一步被挖掘，这意味着火电机组要按照“深度调峰”的方向进行转型改造，由主体型电源逐步向辅助服务型电源转变，给予电网电量支持和保障。
火电机组的深度调峰改造需要在经济性和灵活性之间做出权衡，在机组总改造成本方面，机组间差异明显，不同的机组特征、改造目标和燃料消耗等条件都将给改造投资带来巨大差别；在机组总运行成本方面，深度调峰工况下的火电机组发电成本多变，除基础的机组煤耗成本外，还包括新增的机组油耗成本和大范围负荷率变动引起的寿命损耗成本，再者火电机组改造运行对环境的影响增大，意味着更高的环境补偿成本，另外火电机组改造后承担深度调峰任务会导致潜在发电收益减少，因此会获得合理的调峰补偿费用作为深度调峰的收益；灵活性方面，需要对改造机组的选址进行合理规划并选取最优的改造方案，使火电机组改造后的深度调峰容量在满足系统需求的同时获得尽可能大的容量裕度，以满足未来的调峰需求，因此需要对火电机组深度调峰的改造方案进行深入研究。目前，针对此问题的研究多为简化模型，忽略了关键因素对火电机组改造效果的影响。
发明内容
为了解决上述问题，本公开提出了一种火电机组深度调峰改造多目标优化规划方法及系统，本公开通过构建兼顾经济性和灵活性的多目标优化模型，在经济性方面同时考虑改造成本和运行成本，在灵活性方面争取火电机组改造后的深度调峰容量最大，实现火电机组在深度调峰改造方案上经济性和灵活性的动态平衡，在经济性前提下维持最优的深度调峰容量，来缓解电网调峰压力并消纳尽可能多的新能源。
根据一些实施例，本公开的第一方案提供了一种火电机组深度调峰改造多目标优化规划方法，采用如下技术方案：
一种火电机组深度调峰改造多目标优化规划方法，包括以下步骤：
获取火电机组系统参数；
基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
作为进一步的技术限定，所获取的火电机组系统参数至少包括火电机组的寿命、每台机组的最小负荷、机组的运行成本和火电机组的煤耗。
作为进一步的技术限定，所述深度调峰总成本包括机组总改造成本和机组总运行成本；其中，所述机组总改造成本f1为：
其中，N为待改造电力系统中火电机组总数；Sbuild为单位深度调峰容量改造费用；r为年利率；yi为第i台机组的寿命；Pi，mina为改造前第i台机组的最小负荷；Pi，min为改造后第i台机组的最小负荷，当Pi，min等于Pi，mina时表示第i台机组没有被改造；
所述深度调峰容量为改造前系统中全部火电机组的最小负荷之和与改造后系统中全部火电机组的最小负荷之和的差值，即深度调峰容量F2为：
所述上层目标函数的约束条件包括改造后机组最小负荷约束和改造后系统深度调峰容量约束；
所述改造后机组最小负荷约束为：
Pi，minc≤Pi，min≤Pi，mina
其中，Pi，minc为改造后第i台机组最低能达到的最小负荷；
所述改造后系统深度调峰容量约束为：
其中，Pbulild表示由电力系统调度部门提供的待改造电力系统深度调峰容量最小需求。
作为进一步的技术限定，所述机组总运行成本包括包括机组煤耗成本、投油燃料成本、寿命损耗成本、环境补偿成本和调峰补偿费用；
所述下层目标函数的约束条件包括爬坡约束、机组出力约束、节点电压相角约束、功率平衡约束和支路潮流约束；
所述爬坡约束为：
其中，Pi，t-1表示第i台机组第t-1个时段的输出功率；Ai表示第i台机组的最大爬坡率；
所述机组出力约束为：
Pi，min≤Pi，t≤Pi，N
其中，Pi，min表示改造后第i台机组的最小负荷，Pi，t表示第i台机组第t个时段的输出功率，Pi，N表示第i台机组的额定负荷；
所述节点电压相角约束为：
θj，min≤θj，t≤θj，max
其中，θj，min、θj，max分别表示第j个节点的节点电压相角的最小值和最大值，θj，t表示第j个节点第t个时段的电压相角；
所述功率平衡约束为：
其中，Pj，t表示第j个节点第t个时段的输出功率；Lj表示第j个节点的负荷；n表示与第j个节点相连节点的总数；θk，t和Xk分别表示与第j个节点相连节点k的电压相角和节点间线路阻抗；
所述支路潮流约束为：
其中，
和
分别表示第j1个节点与第j2个节点间支路的最大潮流限值和阻抗值；
分别表示j1和j2节点第t个时段的电压相角。
作为进一步的技术限定，在求解所构建的火电机组深度调峰改造多目标优化规划模型的过程中，采用基于定期精英竞争策略的多目标粒子群算法求解所述上层模型，基于非线性规划求解方法求解所述下层模型，得到帕累托最优解集，获得火电机组的深度调峰改造方案。
进一步的，根据求解上层模型所得到的改造后机组的最小负荷，基于非线性规划求解方法对下层模型进行求解，优化机组总运行成本，并将所得到的机组总运行成本反馈至上层模型。
进一步的，根据求解下层模型所得到的机组总运行成本，利用基于定期精英竞争策略的多目标粒子群算法求解上层模型，求解出帕累托最优解集，获得火电机组的深度调峰改造方案。
根据一些实施例，本公开的第二方案提供了一种火电机组深度调峰改造多目标优化规划系统，采用如下技术方案：
一种火电机组深度调峰改造多目标优化规划系统，包括：
获取模块，其被配置为获取火电机组系统参数；
建模模块，其被配置为基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
优化模块，其被配置为求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开在考虑机组总改造成本、机组煤耗成本、寿命损耗成本、投油燃料成本、环境补偿成本和调峰补偿费用等多方面经济影响因素的同时争取机组改造后的深度调峰容量最大，建立了更为全面的火电机组深度调峰改造多目标优化规划模型，实现了在经济性前提下维持最优的深度调峰容量来消纳尽可能多的新能源发电的目的；
本公开通过基于定期精英竞争策略的多目标粒子群算法，在多目标粒子群算法易于实现和快速收敛优势的基础上，通过选取精英粒子来定期实施竞争机制，达到提升种群多样性、防止算法陷入局部最优的目的；
本公开根据多目标模型的求解结果，可以获得待改造电力系统中火电机组深度调峰的最优改造方案，通过机组组合满足调峰需求，改善可再生能源消纳情况。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的火电机组深度调峰改造多目标优化规划方法的流程图；
图2是本公开实施例一中的基于定期精英竞争策略的多目标粒子群算法流程图；
图3是本公开实施例一中的竞争策略示意图；
图4是本公开实施例一中的火电机组深度调峰改造多目标优化规划模型结构图；
图5是本公开实施例一中的IEEE 39节点系统拓扑结构示意图；
图6是本公开实施例一中的帕累托前沿曲线示意图；
图7是本公开实施例二中的火电机组深度调峰改造多目标优化规划系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种火电机组深度调峰改造多目标优化规划方法。
如图1所示的一种火电机组深度调峰改造多目标优化规划方法，包括：
获取火电机组系统参数；
基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
作为一种或多种实施方式，构建火电机组深度调峰改造多目标优化规划模型中的上层模型，具体为：
首先，设置模型决策变量，上层模型的决策变量将作为火电机组的深度调峰改造方案，因此设置为改造后机组的最小负荷，其中改造后第i台机组的最小负荷可表示为：Pi，min。
其次，设置模型目标，其中目标一设置为机组深度调峰总成本最小，机组调峰总成本中需要考虑机组总改造成本，为便于规划和计算，计算年化改造费用作为机组总改造成本，机组总改造成本可表示为：
其中，N为待改造电力系统中火电机组总数；Sbuild为单位深度调峰容量改造费用；r为年利率；yi为第i台机组的寿命；Pi，mina为改造前第i台机组的最小负荷；Pi，min为改造后第i台机组的最小负荷，当Pi，min等于Pi，mina时表示第i台机组没有被改造。
机组深度调峰总成本最小目标包括两个方面，机组总改造成本由上层模型的决策变量计算获得，机组总运行成本从下层模型获得，目标一可表示为：
minimize：F1＝f1+f2
其中，F1表示机组深度调峰总成本；f1表示机组总改造成本；f2表示机组总运行成本。
目标二设置为系统深度调峰容量最大，其中系统深度调峰容量指改造前系统中全部火电机组的最小负荷之和与改造后系统中全部火电机组的最小负荷之和的差值，目标二可表示为：
其中，Pi，mina为改造前第i台机组的最小负荷。
最后，设置模型约束，包括改造后机组最小负荷约束和改造后系统深度调峰容量约束。
改造后机组最小负荷约束可表示为：
Pi，minc≤Pi，min≤Pi，mina
其中，Pi，minc为改造后第i台机组最低能达到的最小负荷。
改造后系统深度调峰容量约束可表示为：
其中，Pbulild表示由电力系统调度部门提供的待改造电力系统深度调峰容量最小需求。
作为一种或多种实施方式，构建火电机组深度调峰改造多目标优化规划模型中的下层模型，具体为：
首先，设置模型决策变量，下层模型在改造后机组的最小负荷的基础上根据决策变量进行机组总运行成本的优化，因此决策变量设置为机组输出功率和节点电压相角，使用直流潮流方法获得电力系统的运行状况，其中第i台机组第t个时段的输出功率可表示为Pi，t，第j个节点第t个时段的电压相角可表示为θj，t。
其次，模型目标设置为机组总运行成本最小，机组总运行成本考虑多方面因素，包括机组煤耗成本、投油燃料成本、寿命损耗成本、环境补偿成本和调峰补偿费用。
火电机组发电的煤耗量可拟合成关于机组输出功率Pi，t的二次煤耗特性方程，因此机组煤耗成本可表示为：
Ca(Pi，t)＝Scoal[ai(Pi，t)2+biPi，t+ci]
其中，Scoal表示火电厂购入的单位煤价；ai、bi、ci表示第i台机组的煤耗特性方程参数。
火电机组的寿命损耗成本一般在深度调峰阶段中产生，第i台机组运行在改造前最小负荷Pi，mina以上时为常规调峰阶段，运行在改造后最小负荷Pi，min和改造前最小负荷Pi，mina之间时为深度调峰阶段，在深度调峰阶段火电机组压低出力产生的机组转子轴系热应力会引起寿命损耗，寿命损耗成本可表示为：
Cb(Pi，t)＝Si，loss×n(Bi，t)
其中，Si，loss表示第i台机组的总建造成本；Bi，t表示第i台机组第t个时段的负荷率，Bi，t＝Pi，t/Pi，N，其中Pi，N表示第i台机组的额定负荷；n(Bi，t)为火电机组深度调峰损耗率，火电机组深度调峰损耗率关于负荷率的方程为：
其中，di、ei、fi、gi表示第i台机组的深度调峰损耗率参数。
火电机组的投油燃料成本一般在投油深度调峰阶段中产生，设置第i台机组的非投油最小负荷为Pi，minb，投油最小负荷等于改造后最低能达到的最小负荷Pi，minc，有Pi，minc＜Pi，minb。第i台机组运行在Pi，minb与Pi，mina之间为非投油深度调峰阶段，在Pi，minc与Pi，minb之间为投油深度调峰阶段。火电机组运行在投油深度调峰阶段时的煤炭燃烧变得不稳定，需要对锅炉投油进行稳燃以保障稳定出力，投油燃料成本可表示为：
Cc(Pi，t)＝Soil×pi，oil
其中，Soil表示火电厂购入的单位油价；pi，oil表示第i台机组的单位时间投油量。
改造后火电机组的机组发电成本包括机组煤耗成本、投油燃料成本和寿命损耗成本，并分别产生在特定的调峰阶段，机组发电成本可表示为：
投油深度调峰阶段时，机组通过投油维持煤炭稳定燃烧会产生烟尘、氮氧化物等污染物，需要支付环境补偿成本用于治理污染，环境补偿成本可表示为：
其中，Senv表示单位油燃烧产生的环境附加费。
为充分激发火电厂参与深度调峰的意愿，调峰补偿费用的设置方式采用调峰辅助服务市场模式，在改造后最低能达到的最小负荷Pi，minc和改造前最小负荷Pi，mina之间划分阶梯式的补偿费用区间，调峰补偿费用可表示为：
其中，Si，t，offset表示第i台机组第t个时段的单位发电量补偿费用，设置方式如表1所示，其中Poffset为单位补偿费用阶梯跨度值，Soffset表示单位补偿费用上限，即
表1单位补偿费用档位表
下层模型目标可表示为：
其中，T表示下层模型的优化周期。
最后，设置模型约束，包括爬坡约束、机组出力约束、节点电压相角约束、功率平衡约束和支路潮流约束。
爬坡约束可表示为：
其中，Pi，t-1表示第i台机组第t-1个时段的输出功率；Ai表示第i台机组的最大爬坡率。
机组出力约束可表示为：
Pi，min≤Pi，t≤Pi，N
其中，Pi，min表示改造后第i台机组的最小负荷，Pi，t表示第i台机组第t个时段的输出功率，Pi，N表示第i台机组的额定负荷。
节点电压相角约束可表示为：
θj，min≤θj，t≤θj，max
其中，θj，min、θj，max分别表示第j个节点的节点电压相角的最小值和最大值，θj，t表示第j个节点第t个时段的电压相角。
功率平衡约束可表示为：
其中，Pj，t表示第j个节点第t个时段的输出功率；Lj表示第j个节点的负荷；n表示与第j个节点相连节点的总数；θk，t和Xk分别表示与第j个节点相连节点k的电压相角和节点间线路阻抗。
支路潮流约束可表示为：
其中，
和
分别表示第j1个节点与第j2个节点间支路的最大潮流限值和阻抗值；
分别表示j1和j2节点第t个时段的电压相角。
作为一种或多种实施方式，设置基于定期精英竞争策略的多目标粒子群算法，在多目标粒子群算法易于实现和快速收敛优势的基础上，通过选取精英粒子来定期实施竞争策略，达到提升种群多样性、防止算法陷入局部最优的目的，算法流程图如图2所示：
首先，创建包含Npop个粒子的种群，设置当前迭代次数为Iter，设置最大迭代次数MaxIter，设置m个目标和n个决策变量，初始化具有n维的粒子的位置和速度，其中粒子k的速度表示为：
Vk(Iter)＝(vk，1(Iter)，vk，2(Iter)，…，vk，n(Iter))
位置表示为：
Xk(Iter)＝(xk，1(Iter)，xk，2(Iter)，…，xk，n(Iter))
粒子k的位置范围表示为：
(xkmin，1，…，xkmin，n)≤Xk(Iter)≤(xkmax，1，…，xkmax，n)
另外，需要建立外部存档用于保存算法运行过程中的非支配解位置和个体最优解及对应的位置，之后开始进行迭代。
其次，按照目标函数计算Npop个粒子的适应度值，并按照支配关系进行非支配排序，粒子k的适应度值表示为：
Fk＝(Fk，1(Iter)，Fk，2(Iter)，…，Fk，m(Iter))
如有k1、k2属于种群中的两个粒子，
中所有适应度值均优于
则
支配
称为受支配解，在此基础上
没有被任何解支配则称为非支配解；若
与
中所有的适应度值都不能完全优于对方，则互不支配。完成非支配排序后，依据排序结果对外部存档的非支配解位置进行更新，依据Npop个粒子的适应度值对个体最优位置及对应的适应度值进行更新，之后设置路径决策量c(Iter)，可表示为：
当c(Iter)＝0时，执行步骤(a)，选取具有最优解的粒子作为领导粒子，指导其余粒子进行学习；当c(Iter)＝1时，执行步骤(b)，由成对精英粒子的竞争胜利者指导其余粒子进行学习。
步骤(a)：采用领导粒子策略，以非支配解作为最优解的候选解集，通过轮盘赌策略随机选择最优解并从外部存档获得对应的位置。
基于最优解位置Xbest(Iter)，对Npop个粒子的位置和速度进行更新，设粒子k的个体最优解位置为Xk，best(Iter)，速度更新公式表示为：
Vk(Iter+1)＝ωdownωVk(Iter)+cup1c1(Xbest(Iter)-Xk(Iter))+cup2c2(Xk，best(Iter)-Xk(Iter))
其中，Vk(Iter+1)表示粒子k更新后的速度；ω表示惯性系数；c1表示整体学习系数；c2表示个体学习系数；ωdown表示惯性衰减系数，随迭代次数增加逐渐衰减，cup1与cup2表示学习加速系数，随迭代次数增加逐渐增加，采用自适应策略在前期保证全局搜索能力并在后期加快收敛速度。
位置更新公式表示为：
Xk(Iter+1)＝Xk(Iter)+Vk(Iter+1)
其中，Xk(Iter+1)表示粒子k更新后的位置。
步骤(b)：采用精英竞争策略，在非支配排序的基础上进行拥挤距离排序，根据排序结果确定精英粒子集，随机从精英粒子集中选出两个粒子进行竞争来指导待更新粒子进行学习。
为衡量在同一个帕累托前沿中各个解的优劣，为每个解分配拥挤距离，因此对所获得的非支配解进行拥挤距离排序，设粒子k对应一个非支配解，拥挤距离表示为：
其中，dist(k)表示粒子k的拥挤距离；fi max与fi min分别表示非支配解中目标i下的最大与最小适应度值；fi(k+1)与fi(k-1)分别表示非支配解中与粒子k相邻粒子在目标i下的适应度值。
对种群中每个粒子的适应度值进行非支配排序和拥挤距离排序后获得精英粒子集和待更新粒子集，之后随机取出两个精英粒子p与q对待更新粒子集中的粒子v实行竞争策略，如图3所示，若粒子q与v间的夹角θqv小于p与v间的夹角θpv，则粒子q赢得竞争，并作为胜利者粒子指导粒子v进行更新，速度更新公式表示为：
Vv(Iter+1)＝ωVv(Iter)+c3(Xq(Iter)-Xv(Iter))
其中，Vv(Iter+1)和Vv(Iter)分别表示待更新粒子v更新后和更新前的速度；c3表示胜利者学习系数；Xq(Iter)与Xv(Iter)分别表示胜利者粒子q与待更新粒子v更新前的位置。
位置更新公式表示为：
Xv(Iter+1)＝Xv(Iter)+Vv(Iter+1)
其中，Xv(Iter+1)表示待更新粒子v更新后的位置。
重复进行精英粒子集中两粒子的随机选取并实行竞争策略，直到待更新粒子集中的粒子全部被更新，之后精英粒子按照原速度进行更新。
最后判断当前迭代次数Iter是否达到最大迭代次数MaxIter，未满足条件则返回进行第Iter+1次迭代，满足条件则优化完成。
作为一种或多种实施方式，根据上层模型提供的改造后机组的最小负荷，基于Gurobi求解器对下层模型的非线性规划问题进行求解，优化机组总运行成本并返回上层模型，双层优化模型的结构图如图4所示。
作为一种或多种实施方式，将基于定期精英竞争策略的多目标粒子群算法应用于上层模型，求解出帕累托最优解集，以获得火电机组的深度调峰改造方案。
将决策变量、目标与约束条件配置于所选用的算法中，其中约束条件利用公式((xkmin，1，…，xkmin，n)≤Xk(Iter)≤(xkmax，1，…，xkmax，n))。在每次迭代过程中，将本次迭代过程中更新前的决策变量，作为火电机组的深度调峰改造方案传递给下层模型来优化上层模型机组深度调峰总成本最小目标中的机组总运行成本f2，如公式(minimize：F1＝f1+f2)，以上层模型的两目标计算结果作为适应度值完成迭代过程，最终可以获得帕累托最优解集作为上层模型两目标的优化结果，帕累托最优解集中各个解的决策变量即改造后机组的最小负荷，对应多种火电机组的深度调峰改造方案，之后可根据实际需求的侧重点选取最终的改造方案。
本实施例以IEEE39节点标准算例系统为例，对本发明的具体实现过程进行进一步说明。IEEE39节点标准算例系统共包含10个发电节点和18个负荷节点以及46条支路，将IEEE39节点系统中的37、38、39发电节点设置为风电机组，使用典型日发电数据提供调峰需求，其余发电节点设置为待改造的火电机组，其拓扑结构如图5所示。
上层模型中，火电机组寿命yi、额定功率Pi，N如表2所示。
表2上层模型参数
改造前机组的最小负荷Pi，mina均为额定功率Pi，N的50％，改造后机组最低能达到的最小负荷Pi，minc均为额定功率Pi，N的20％，设置年利率r＝0.06，单位深度调峰容量改造费用Sbuild＝50万元/MW，待改造电力系统深度调峰容量最小需求Pbulild＝1000MW，三台风电机组的容量均为700MW。
下层模型中，机组的总建造成本Si，loss、单位时间投油量pi，oil、煤耗特性方程参数ai、bi、ci如表3所示。
表3下层模型参数
改造后机组的非投油最小负荷Pi，minb均为额定功率Pi，N的35％，深度调峰损耗率参数di、ei、fi、gi分别设置为-0.004、0.007、-0.004、0.0008，火电厂购入的单位煤价Scoal＝1200元/吨、单位油价Soil＝9000元/吨，单位油燃烧产生的环境附加费Senv＝1000元/吨，单位补偿费用Si，t，offset＝1000元/MW，机组的最大爬坡Ai均设置为3％，节点电压相角的最小值和最大值θj，min、θj，max分别设置为-360、360。
模型参数设置完成后进行算法设置，其中最大迭代次数MaxIter＝100，每4次迭代后将c(Iter)置1一次，置迭代次数Iter＝1，种群数量Npop＝50，根据上层模型待改造的火电机组数量设置n＝7，由上层模型目标数设置m＝2，配置下层模型中的Gurobi求解器参数，优化周期T＝24，单位时间设置为1小时，三台风电机组均使用某典型日出力数据。使用基于定期精英竞争策略的多目标粒子群算法对某典型日下的火电机组深度调峰改造多目标优化规划模型进行求解，获得的帕累托前沿如图6所示。
本实施例通过设置火电机组总调峰成本最小和深度调峰容量最大两个总目标，搭建双层优化模型，考虑现实情况设置合理的约束条件，为获得更好的帕累托解集，基于定期精英竞争策略的多目标粒子群算法来进行求解；实现火电机组在深度调峰改造方案上经济性和灵活性的动态平衡，在经济性前提下维持最优的深度调峰容量，来缓解电网调峰压力并消纳尽可能多的新能源。
实施例二
本公开实施例二介绍了一种火电机组深度调峰改造多目标优化规划系统。
如图7所示的一种火电机组深度调峰改造多目标优化规划系统，包括：
获取模块，其被配置为获取火电机组系统参数；
建模模块，其被配置为基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
优化模块，其被配置为求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
详细步骤与实施例一提供的火电机组深度调峰改造多目标优化规划方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
详细步骤与实施例一提供的火电机组深度调峰改造多目标优化规划方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例一所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
详细步骤与实施例一提供的火电机组深度调峰改造多目标优化规划方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种火电机组深度调峰改造多目标优化规划方法，其特征在于，包括：
获取火电机组系统参数；
基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
2.如权利要求1中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，所获取的火电机组系统参数至少包括火电机组的寿命、每台机组的最小负荷、机组的运行成本和火电机组的煤耗。
3.如权利要求1中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，所述深度调峰总成本包括机组总改造成本和机组总运行成本；其中，所述机组总改造成本f1为
其中，N为待改造电力系统中火电机组总数；Sbuild为单位深度调峰容量改造费用；r为年利率；yi为第i台机组的寿命；Pi,mina为改造前第i台机组的最小负荷；Pi,min为改造后第i台机组的最小负荷，当Pi,min等于Pi,mina时表示第i台机组没有被改造；
所述深度调峰容量为改造前系统中全部火电机组的最小负荷之和与改造后系统中全部火电机组的最小负荷之和的差值，即深度调峰容量F2为
所述上层目标函数的约束条件包括改造后机组最小负荷约束和改造后系统深度调峰容量约束；
所述改造后机组最小负荷约束为：
Pi,minc≤Pi,min≤Pi,mina
其中，Pi,minc为改造后第i台机组最低能达到的最小负荷；
所述改造后系统深度调峰容量约束为：
其中，Pbulild表示由电力系统调度部门提供的待改造电力系统深度调峰容量最小需求。
4.如权利要求1中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，所述机组总运行成本包括包括机组煤耗成本、投油燃料成本、寿命损耗成本、环境补偿成本和调峰补偿费用；
所述下层目标函数的约束条件包括爬坡约束、机组出力约束、节点电压相角约束、功率平衡约束和支路潮流约束；
所述爬坡约束为：
其中，Pi，t-1表示第i台机组第t-1个时段的输出功率；Ai表示第i台机组的最大爬坡率；
所述机组出力约束为：
Pi，min≤Pi，t≤Pi，N
其中，Pi，min表示改造后第i台机组的最小负荷，Pi，t表示第i台机组第t个时段的输出功率，Pi，N表示第i台机组的额定负荷；
所述节点电压相角约束为：
θj，min≤θj，t≤θj，max
其中，θj，min、θj，max分别表示第j个节点的节点电压相角的最小值和最大值，θj，t表示第j个节点第t个时段的电压相角；
所述功率平衡约束为：
其中，Pj，t表示第j个节点第t个时段的输出功率；Lj表示第j个节点的负荷；n表示与第j个节点相连节点的总数；θk，t和Xk分别表示与第j个节点相连节点k的电压相角和节点间线路阻抗；
所述支路潮流约束为：
其中，
和
分别表示第j1个节点与第j2个节点间支路的最大潮流限值和阻抗值；
分别表示j1和j2节点第t个时段的电压相角。
5.如权利要求1中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，在求解所构建的火电机组深度调峰改造多目标优化规划模型的过程中，采用基于定期精英竞争策略的多目标粒子群算法求解所述上层模型，基于非线性规划求解方法求解所述下层模型，得到帕累托最优解集，获得火电机组的深度调峰改造方案。
6.如权利要求5中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，根据求解上层模型所得到的改造后机组的最小负荷，基于非线性规划求解方法对下层模型进行求解，优化机组总运行成本，并将所得到的机组总运行成本反馈至上层模型。
7.如权利要求6中所述的一种火电机组深度调峰改造多目标优化规划方法，其特征在于，根据求解下层模型所得到的机组总运行成本，利用基于定期精英竞争策略的多目标粒子群算法求解上层模型，求解出帕累托最优解集，获得火电机组的深度调峰改造方案。
8.一种火电机组深度调峰改造多目标优化规划系统，其特征在于，包括：
获取模块，其被配置为获取火电机组系统参数；
建模模块，其被配置为基于所获取的火电机组系统参数构建火电机组深度调峰改造多目标优化规划模型；
优化模块，其被配置为求解所构建的火电机组深度调峰改造多目标优化规划模型，得到火电机组的深度调峰改造优化方案；
其中，所构建的火电机组深度调峰改造多目标优化规划模型包括上层模型和下层模型；所述上层模型以深度调峰总成本最小和深度调峰容量最大为上层目标函数，以改造优化后火电机组的最小负荷为决策变量；所述下层模型以机组总运行成本最小为下层目标函数，以机组输出功率和节点电压相角为决策变量。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
10.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的火电机组深度调峰改造多目标优化规划方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211279930.6A CN115860169A (zh) | 2022-10-19 | 2022-10-19 | 一种火电机组深度调峰改造多目标优化规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211279930.6A CN115860169A (zh) | 2022-10-19 | 2022-10-19 | 一种火电机组深度调峰改造多目标优化规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115860169A true CN115860169A (zh) | 2023-03-28 |
Family
ID=85661577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211279930.6A Pending CN115860169A (zh) | 2022-10-19 | 2022-10-19 | 一种火电机组深度调峰改造多目标优化规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860169A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703084A (zh) * | 2023-06-05 | 2023-09-05 | 东北林业大学 | 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法 |
| CN117811101A (zh) * | 2024-01-08 | 2024-04-02 | 南京师范大学 | 火电机组多工况深度调峰下非等间隔分段优化调度方法 |
-
2022
- 2022-10-19 CN CN202211279930.6A patent/CN115860169A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703084A (zh) * | 2023-06-05 | 2023-09-05 | 东北林业大学 | 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法 |
| CN116703084B (zh) * | 2023-06-05 | 2024-03-22 | 东北林业大学 | 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法 |
| CN117811101A (zh) * | 2024-01-08 | 2024-04-02 | 南京师范大学 | 火电机组多工况深度调峰下非等间隔分段优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115860169A (zh) | 一种火电机组深度调峰改造多目标优化规划方法及系统 | |
| CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
| CN109508499A (zh) | 多时段多场景分布式电源最优接入位置与容量研究方法 | |
| CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
| CN105279346A (zh) | 一种用于评估配电网接纳分布式光伏能力的方法 | |
| Aldosary et al. | A modified shuffled frog algorithm to improve MPPT controller in PV System with storage batteries under variable atmospheric conditions | |
| CN114123273A (zh) | 一种风电-光伏-储能联合系统的控制方法及系统 | |
| CN111404204A (zh) | 一种利用改进狼群算法的含风电场电力系统优化调度方法 | |
| CN115409645A (zh) | 一种基于改进深度强化学习的综合能源系统能量管理方法 | |
| CN116432824A (zh) | 基于多目标粒子群的综合能源系统优化方法及系统 | |
| CN115954957A (zh) | 一种复合发电系统的容量配置方法、装置和电子设备 | |
| CN115241923A (zh) | 一种基于蛇优化算法的微电网多目标优化配置方法 | |
| CN117833285A (zh) | 一种基于深度强化学习的微电网储能优化调度方法 | |
| Aryan et al. | Restructured LFC scheme with renewables and EV penetration using novel QOEA optimized parallel fuzzy I-PID controller | |
| 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 | |
| Zheng et al. | Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy | |
| CN103679284A (zh) | 一种消纳风电接入的定区间滚动调度方法 | |
| CN113837449A (zh) | 虚拟电厂参与的电网系统集中优化调度方法 | |
| CN117394404A (zh) | 考虑碳效益和辅助调频的风电场储能容量配置方法 | |
| CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
| CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
| CN115459320A (zh) | 一种多点分布式储能系统聚合控制智能决策方法及装置 | |
| CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
| Wang et al. | A comprehensive survey of the application of swarm intelligent optimization algorithm in photovoltaic energy storage systems | |
| CN107633330A (zh) | 基于树搜优化的多能互联协调系统及其方法 |
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 |