CN116191421A - 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 - Google Patents

一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 Download PDF

Info

Publication number
CN116191421A
CN116191421A CN202310354121.5A CN202310354121A CN116191421A CN 116191421 A CN116191421 A CN 116191421A CN 202310354121 A CN202310354121 A CN 202310354121A CN 116191421 A CN116191421 A CN 116191421A
Authority
CN
China
Prior art keywords
objective
algorithm
power system
load
wind
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
CN202310354121.5A
Other languages
English (en)
Inventor
梁海平
李世航
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310354121.5A priority Critical patent/CN116191421A/zh
Publication of CN116191421A publication Critical patent/CN116191421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H02J3/38—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于改进NSGA‑II算法的新型电力系统多目标优化调度方法；此优化调度方法包括源荷不确定性模型、新型电力系统优化调度问题模型、改进型NSGA‑II多目标优化算法；所述源荷不确定性模型为基于多场景技术的源荷不确定性建模；所述新型电力系统优化调度问题模型包括三个目标函数，分别是综合运行成本目标、新能源消纳率目标以及电压偏差目标，还有若干运行约束条件；所述改进型NSGA‑II多目标优化算法，为在原算法的基础上增加新的策略来对其进行改进，以增加帕累托最优解集多样性；本发明采用多场景技术可以处理源荷不确定性问题，通过对NSGA‑II多目标优化算法的改进可以获得更多的帕累托最优解，从而满足新型电力系统在新背景、新环境下的优化运行需求。

Description

一种基于改进NSGA-II算法的新型电力系统多目标优化调度 方法
技术领域
本发明属于电力系统优化调度领域，涉及一种基于改进NSGA-II算法的新型电力系统多目标优化调度方法。
背景技术
一方面，相较于传统电力系统，新型电力系统的新能源占比更高，使其在运行过程中，易受新能源出力波动的影响。在国家推行双碳政策的背景下，低碳需求增加，使得传统电力系统优化调度方法难以直接应用于新型电力系统。另一方面，现有的多目标优化算法各有优缺点：例如NSGA-II算法的运行速度效率好，其算出的解集分布性良好，特别是针对低维度优化问题求解；但是易出现局部最优和进化过程不稳定等问题。PESA2算出的解收敛性好，尤其是在高维问题情况下，比较容易接近最优面；不足之处就是选择操作一次只能选取一个个体，时间消耗很大，而且阶级的多样性不佳，等等。因此寻找一种适用于新型电力系统多目标优化调度的算法，使其具有高单个体寻优速度和局部搜索能力，对提高新型电力系统的经济性与可靠性具有重要意义。
发明内容
为了解决上述现有技术的不足之处，本发明的目的在于提供一种新型电力系统多目标优化调度方法，以满足电力系统的发展趋势。
为了实现上述目的，本发明提供了一种新型电力系统多目标优化调度模型；此优化调度模型包括源荷不确定性模型、新型电力系统优化调度问题模型；所述源荷不确定性模型为基于多场景技术的源荷不确定性建模；所述新型电力系统优化调度问题模型包括三个目标函数，分别是综合运行成本目标函数、新能源消纳率目标函数以及电压偏差目标函数，还有若干运行约束条件，分别是火电机组约束、风电和光伏机组出力约束、储能约束、系统潮流约束、系统负荷平衡约束。
优选地，所述基于多场景技术，为对风、光、荷预测误差的蒙特卡洛抽样以及对抽样结果采用K-means聚类算法进行场景削减的技术。
优选地，新型电力系统优化调度问题模型的三个目标函数，分别是综合运行成本目标F1、新能源消纳率目标F2、电压偏差目标F3。
Figure BDA0004162836670000021
Figure BDA0004162836670000022
Figure BDA0004162836670000023
本发明还提供了一种改进型NSGA-II多目标优化算法，所述对NSGA-II多目标优化算法的改进包括如下步骤：
1)在计算出每一代帕累托非支配解后，将这些非支配解与全局帕累托最优解集进行比较。
2)更新全局帕累托最优解集。将当前遗传代数下的局部非支配个体中不受全局帕累托最优解集支配的个体添加到全局帕累托最优解集中。
3)通过降低适应性来惩罚由全局帕累托最优解集所支配的局部非支配个体。
4)引入Levy飞行因子，Levy飞行可以扩大搜索空间，所以通过引入Levy飞行可以提高局部和全局搜索能力，增强种群多样性。Levy飞行位置更新式如下：
Figure BDA0004162836670000031
式中，
Figure BDA0004162836670000032
为xi第t代的位置；α为步长控制参数；Levy(λ)满足：
Levy～u＝t-λ1<λ≤3
使用Mantegna算法模拟Levy分布，其步长s为：
Figure BDA0004162836670000033
式中，μ和v为方向向量，满足正态分布，为
Figure BDA0004162836670000034
标准差为
Figure BDA0004162836670000035
5)定义fz来计算考虑目标函数和约束条件后变量xd的综合适应度：
Figure BDA0004162836670000036
式中：ε1与ε2为权重参数，根据对于目标函数和约束条件的重视程度分配；O(x)为目标函数,由于取最小化优化，因此系数项带有负号；P(x)为总惩罚函数。
2)确定适应度函数后，在创建新一代R't的过程中引入Levy飞行因子，生成新子种群，随后结合父群不断迭代调整寻优过程，完成改进NSGA-II的完整求解流程。
同现有技术相比，本发明的有益效果体现在：
(1)新技术方法1(基于多场景技术的源荷不确定性建模)在针对新能源大规模接入的新型电力系统建模问题上，相较于传统电力系统建模，更符合当下电力系统的发展趋势。在新能源和负荷不确定性方面，具有更强的理论指导性和适用性。
(2)新技术方法2(改进型NSGA-II优化算法)在针对新型电力系统多目标优化调度问题上，因采用降低适应性和引入Levy因子使得算法具有更强的全局搜索能力，相较于传统的NSGA-II优化算法能够获得更多的帕累托最优解，同时，能够将种群大小控制在合适的范围内。可见，改进型NSGA-II优化算法在全局搜索能力和种群能力控制方面相较前者拥有明显的优势，能够为决策者提供更多的高质量解决方法，这对提高新型电力系统运行经济性和可靠性有重要意义。
附图说明
图1为本发明的总体流程图。
图2为本发明的一种改进型NSGA-II多目标优化算法的流程图。
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例附以附图详细说明如下，本附图所说明的实施例仅用于说明本发明的技术方法，并非限定本发明。
如图1-2所示，一种基于改进NSGA-II算法的新型电力系统多目标优化调度方法，所述方法主要包括以下步骤：
(1)构建基于多场景技术的源荷不确定性模型；
(2)分析风、光、荷预测误差各自对应的概率分布，建立各自的概率密度函数；
(3)采用蒙特卡罗技术进行分层抽样，从而生成多场景；
(4)采用K-means聚类算法对蒙特卡罗抽样得到的风-光-荷场景进行聚类削减；
(5)确定新型电力系统优化调度问题的三个目标函数，分别是综合运行成本目标F1、新能源消纳率目标F2、电压偏差目标F3；
(6)确定新型电力系统运行时应满足的约束条件：火电机组约束、风电机组运行约束、光伏机组运行约束、储能约束条件、系统潮流约束、系统负荷平衡约束；
(7)对NSGA-II多目标优化算法进行优化，采用新的策略并引入Levy飞行因子，以此来改善帕累托最优解集的多样性。
(8)利用改进后的NSGA-II多目标优化算法对优化调度模型进行求解
进一步的，所述的基于多场景技术的源荷不确定性建模，为采用多场景技术处理源荷不确定性。以新型电力系统的日前优化为研究对象，在1h级别的时间尺度上基于多场景技术对风电、光伏、负荷的不确定性进行建模。风-光-荷的日内场景预测模型如下式所示。
Figure BDA0004162836670000061
式中，
Figure BDA0004162836670000062
为时段日内场景s的功率预测值；/>
Figure BDA0004162836670000063
为t时段由历史数据得到的日前功率预测值；ξr为预测误差阈值；Ur,t为服从某特定分布的随机数；为随机分布校正因子，取0.5；下标r代表光伏机组、风电机组、负荷。认为光伏和负荷功率预测误差服从正态分布、风电预测误差服从Beta分布，负荷的预测误差服从均匀分布。各分布概率密度函数下式所示。
Figure BDA0004162836670000064
Figure BDA0004162836670000065
Figure BDA0004162836670000066
/>
式中，μ和σ为正态分布的期望和标准差，分别取0.5和0.33；α和β为Beta分布的形状参数和尺度参数，均取2.5；Nd为归一化系数；a和b为均匀分布的两个边界，分别取0.3和0.7。在上述模型的基础上采用蒙特卡罗技术进行多场景生成，具体步骤如下：
1)将概率分布均分为np概率区间。
2)在各概率区间中分别随机抽取一个数Qi作为采样点。
3)对概率分布函数f(xi)＝Qi做逆变换，得到采样点样本值xi。
为了在提高求解效率的同时尽可能地保持样本拟合精度，采用K-means聚类算法对蒙特卡罗抽样得到的风-光-荷场景进行聚类削减，把距离作为相似性的指标，聚类结束后的质心便是风-光-荷组合典型场景集。K-means聚类算法高效并且较为简单，同时能保证场景被削减后依然具有多样性。
光伏出力场景聚类削减的具体步骤如下：
1)在生成的光伏出力场景样本中随机选取N个场景作为光伏初始质心场景χcenter，将光伏质心场景以外的场景作为剩余场景χmember。
2)计算所有剩余场景与每个光伏质心场景间的欧氏距离D，将所有剩余场景归类到距离自身最近的光伏质心场景。
D＝||χcenter-χmember||2
3)计算各个类别中每个场景与其他场景的欧氏距离之和，选取距离之和最小的场景作为新的光伏质心场景。
4)重复迭代过程直至光伏质心场景和聚类结果均不再改变，聚类结束。风电、负荷功率以及的场景削减步骤参照光伏出力场景聚类削减，不再赘述。经过上述场景生成和削减后，风电、光伏、负荷典型场景数分别为nWT、nPV、nL。可以得到组合典型场景数ns和对应的组合典型场景概率λs如下式所示。
ns＝nWT*nPV*nL
λs＝λWT*λPV*λL，s＝1,2,...,ns
式中，λWT、λPV、λL分别为风电、光伏、负荷场景对应的概率。
进一步的，所述的新型电力系统优化调度问题的三个目标函数，为综合运行成本目标F1、新能源消纳率目标F2、电压偏差目标F3，具体公式如下：
Figure BDA0004162836670000081
Figure BDA0004162836670000082
Figure BDA0004162836670000083
进一步的，所述的新型电力系统运行时应满足的约束条件，为火电机组约束、风电机组运行约束、光伏机组运行约束、储能约束条件、系统潮流约束、系统负荷平衡约束，具体公式如下：
1)火电机组约束条件
火电机组的出力约束以及向上、向下爬坡约束如下式所示。
Figure BDA0004162836670000084
/>
Figure BDA0004162836670000085
式中：
Figure BDA0004162836670000086
分别为火电机组最小、最大出力；/>
Figure BDA0004162836670000087
Figure BDA0004162836670000088
分别为火电机组最大向下、向上爬坡率。
火电机组最小连续运行/停机时间约束如下式所示。
Figure BDA0004162836670000089
式中：
Figure BDA00041628366700000810
分别为火电机组累计开、停机时间；/>
Figure BDA00041628366700000811
分别为火电机组最小连续开、停机时间。
2)风电、光伏机组约束条件
风电、光伏机组的出力约束如下式所示。
Figure BDA0004162836670000091
Figure BDA0004162836670000092
式中：
Figure BDA0004162836670000093
分别为第i时段内风、光并网实际出力；/>
Figure BDA0004162836670000094
Figure BDA0004162836670000095
分别表示第i时段内风、光最大出力。
3)储能约束条件
电化学储能电站功率约束如下式所示。
Figure BDA0004162836670000096
Figure BDA0004162836670000097
式中：
Figure BDA0004162836670000098
分别为第i时段内储能充、放电功率；/>
Figure BDA0004162836670000099
分别为储能最大充、放电功率。
储能的电量约束和电量平衡约束如下式所示。
Figure BDA00041628366700000910
Figure BDA00041628366700000911
式中：
Figure BDA00041628366700000912
分别为储能最小、最大剩余电量；/>
Figure BDA00041628366700000913
为第i时段内储能剩余电量。
4)系统潮流约束
Figure BDA00041628366700000914
Figure BDA00041628366700000915
Figure BDA00041628366700000916
Figure BDA00041628366700000917
/>
式中：Pij(t)、Qij(t)分别为支路ij在t时段首端的有功功率和无功功率；Pj(t)、Qj(t)分别为支路ij在t时段末端的有功功率和无功功率；jh为与支路ij末端相连的支路；n为与支路ij末端相连的支路总数；rjh、xjh分别表示支路jh的电阻和电抗；Ijh(t)表示支路jh的电流；式中：Pij(t)、Qij(t)分别为支路ij在t时段首端的有功功率和无功功率。
节点电压上下限约束：
Uimin<Ui<Uimax
其中Uimax和Uimin表示节点i规定的电压上下限值。
5)系统负荷平衡约束：
在忽略电能损失的前提下，各时刻下风、光、火、电化学储能所有电源的总出力应与系统负荷需求相同。电力系统负荷平衡约束如下式所示。
Figure BDA0004162836670000101
式中：Di为第i时段内系统总负荷需求。
进一步的，所述对NSGA-II多目标优化算法进行改进，采用新的策略并引入Levy飞行因子，以此来改善帕累托最优解集的多样性。传统NSGA-II算法的帕累托最优解仅源于当代，难以获得更多的帕累托最优解，并且难以将种群大小控制在合适的范围内。
改进一：
在计算出每一代帕累托非支配解后，执行以下操作：
1)将这些非支配解与全局帕累托最优解集进行比较。
2)更新全局帕累托最优解集。将当前遗传代数下的局部非支配个体中不受全局帕累托最优解集支配的个体添加到全局帕累托最优解集中。
3)通过降低适应性来惩罚由全局帕累托最优解集所支配的局部非支配个体。
改进二：引入Levy飞行因子
Levy飞行是以法国数学家保罗·莱维命名，表示步长为有相对较高的概率出现大跨步的随机行走。Levy飞行在智能算法的优化中有了广泛应用，如在鸟群算法中通过使用Mantegna算法表示随机Levy步长，并得到位置更新公式，Levy飞行可以扩大搜索空间，所以通过引入Levy飞行可以提高局部和全局搜索能力，增强种群多样性。Levy飞行位置更新式如下：
Figure BDA0004162836670000111
式中，
Figure BDA0004162836670000112
为xi第t代的位置；α为步长控制参数；Levy(λ)满足：
Levy～u＝t-λ1<λ≤3
使用Mantegna算法模拟Levy分布，其步长s为：
Figure BDA0004162836670000113
式中，μ和v为方向向量，满足正态分布，为
Figure BDA0004162836670000114
标准差为/>
Figure BDA0004162836670000115
改进NSGA-II求解流程如下：
1)定义fz来计算考虑目标函数和约束条件后变量xd的综合适应度：
Figure BDA0004162836670000121
式中：ε1与ε2为权重参数，根据对于目标函数和约束条件的重视程度分配；O(x)为目标函数,由于取最小化优化，因此系数项带有负号；P(x)为总惩罚函数。
2)确定适应度函数后，在创建新一代R't的过程中引入Levy飞行因子，生成新子种群，随后结合父群不断迭代调整寻优过程，完成改进NSGA-II的完整求解流程，如图2所示。
需要声明的是，上述发明内容及具体实施方式意在证明本发明所提供技术方法的实际应用，不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内，当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。

Claims (6)

1.一种基于改进NSGA-II算法的新型电力系统多目标优化调度方法，其特征在于，包括以下步骤：
1)构建基于多场景技术的源荷不确定性模型；
2)分析风、光、荷预测误差各自对应的概率分布，建立各自的概率密度函数；
3)采用蒙特卡罗技术进行分层抽样，从而生成多场景；
4)采用K-means聚类算法对蒙特卡罗抽样得到的风-光-荷场景进行聚类削减；
5)确定新型电力系统优化调度问题的三个目标函数，分别是综合运行成本目标F1、新能源消纳率目标F2、电压偏差目标F3；
6)确定新型电力系统运行时应满足的约束条件：火电机组约束、风电机组运行约束、光伏机组运行约束、储能约束条件、系统潮流约束、系统负荷平衡约束；
7)对NSGA-II多目标优化算法进行改进，采用新的策略并引入Levy飞行因子，以此来改善帕累托最优解集的多样性；
8)利用改进后的NSGA-II多目标优化算法对优化调度模型进行求解。
2.根据权利要求1所述的多目标优化调度方法，其特征在于，所包含的多场景技术为风、光、荷多场景生成技术，所述的源荷不确定性为风、光、荷的不确定性。
3.根据权利要求1所述的多目标优化调度方法，其特征在于，所述的风、光、荷预测误差有着各自对应的概率分布，所述风电的预测误差服从Beta分布，光伏和负荷功率误差服从正态分布，各分布概率密度函数下式所示：
Figure FDA0004162836640000021
Figure FDA0004162836640000022
Figure FDA0004162836640000023
式中，μ和σ为正态分布的期望和标准差，分别取0.5和0.33；α和β为Beta分布的形状参数和尺度参数，均取2.5；Nd为归一化系数；a和b为均匀分布的两个边界，分别取0.3和0.7。
4.根据权利要求1所述的多目标优化调度方法，其特征在于，所述的K-means聚类算法用来对蒙特卡罗抽样得到的风-光-荷场景进行聚类削减，把距离作为相似性的指标，聚类结束后的质心便是风-光-荷组合典型场景集，K-means聚类算法高效并且较为简单，同时能保证场景被削减后依然具有多样性。
5.根据权利要求1所述的多目标优化调度方法，其特征在于，所述的新型电力系统优化调度问题的三个目标函数分别是综合运行成本目标、新能源消纳率目标、电压偏差目标，如下式所示：
Figure FDA0004162836640000024
/>
Figure FDA0004162836640000025
Figure FDA0004162836640000031
式中，F1为综合运行成本目标，F2为新能源消纳率目标，F3为电压偏差目标。
6.权利要求1所述的多目标优化调度方法，其特征在于，所述的对NSGA-II多目标优化算法进行优化为采用新的策略和引入Levy飞行因子对算法进行改进；所述步骤7中所述新的策略，为将这些非支配解与全局帕累托最优解集进行比较，随后更新全局帕累托最优解集，将当前遗传代数下的局部非支配个体中不受全局帕累托最优解集支配的个体添加到全局帕累托最优解集中；所述步骤7中的Levy飞行因子，为步长是有相对较高的概率出现大跨步的随机行走，在智能算法的优化中有了广泛应用，Levy飞行位置更新式如下：
Figure FDA0004162836640000032
式中，
Figure FDA0004162836640000033
为xi第t代的位置；α为步长控制参数；Levy(λ)满足：
Levy～u＝t-λ1<λ≤3
使用Mantegna算法模拟Levy分布，其步长s为：
Figure FDA0004162836640000034
式中，μ和v为方向向量，满足正态分布，为
Figure FDA0004162836640000035
标准差为
Figure FDA0004162836640000036
/>
CN202310354121.5A 2023-04-04 2023-04-04 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 Pending CN116191421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310354121.5A CN116191421A (zh) 2023-04-04 2023-04-04 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310354121.5A CN116191421A (zh) 2023-04-04 2023-04-04 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法

Publications (1)

Publication Number Publication Date
CN116191421A true CN116191421A (zh) 2023-05-30

Family

ID=86452302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310354121.5A Pending CN116191421A (zh) 2023-04-04 2023-04-04 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN116191421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455033A (zh) * 2023-09-21 2024-01-26 南京林业大学 基于信息融合的双段式综合能源系统优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455033A (zh) * 2023-09-21 2024-01-26 南京林业大学 基于信息融合的双段式综合能源系统优化方法

Similar Documents

Publication Publication Date Title
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN113394817B (zh) 一种风光水火储系统的多能容量优化配置方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN111555355B (zh) 水光蓄联合发电的调度策略及其优化方法
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN109980700A (zh) 一种分布式电源多目标优化规划方法、装置和设备
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN112290533A (zh) 一种氢能-天然气混合储能的综合能源微电网调度方法
CN110752626A (zh) 一种主动配电网滚动优化调度方法
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
CN115577864B (zh) 基于多模型组合运算的配电网运行优化调度方法
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN113162090A (zh) 一种计及电池模块容量的储能系统容量配置优化方法
CN113486593B (zh) 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN109950933B (zh) 一种基于改进粒子群算法的风光储联合调峰优化方法
CN116345502A (zh) 混合储能双层模型容量优化配置方法、系统、设备及介质
CN116054152A (zh) 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法
CN115441469A (zh) 一种考虑光储荷运行模态切换的配电网调频方法及系统
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN114971250A (zh) 基于深度q学习的综合能源经济调度系统
CN111553398B (zh) 基于多维正态分布的风电场景不确定连续区间获取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication