CN107370188A - 一种计及风电出力的电力***多目标调度方法 - Google Patents
一种计及风电出力的电力***多目标调度方法 Download PDFInfo
- Publication number
- CN107370188A CN107370188A CN201710813267.6A CN201710813267A CN107370188A CN 107370188 A CN107370188 A CN 107370188A CN 201710813267 A CN201710813267 A CN 201710813267A CN 107370188 A CN107370188 A CN 107370188A
- Authority
- CN
- China
- Prior art keywords
- wind power
- solution
- index
- power system
- meter
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009987 spinning Methods 0.000 claims abstract description 17
- 230000007935 neutral effect Effects 0.000 claims abstract description 16
- 239000000446 fuel Substances 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 230000010152 pollination Effects 0.000 claims abstract description 10
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 8
- 231100000719 pollutant Toxicity 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及风电出力的电力***多目标调度方法,基于神经网络的高低限评估方法输出预测区间的高、低限,在预测区间序列产生风电功率场景来描述风电功率的随机性,以切负荷惩罚费用期望为风险指标,同时在目标函数中计及总燃料成本、污染物排放量、风险成本和旋转备用成本,构建含风电电力***优化调度模型,基于花授粉算法及差分进化算法对构建的多目标目标函数进行优化求解,得到优化后的调度方法。本发明以切负荷惩罚费用期望为风险指标,同时在目标函数中计及了旋转备用成本,构建含风电电力***优化调度模型,且构建的模型除了考虑机组常规的运行约束外,还加入了可靠性约束,使调度决策兼顾环境、经济、安全性。
Description
技术领域
本发明涉及一种计及风电出力的电力***多目标调度方法。
背景技术
电力***经济调度问题是指在满足***能量供需平衡以及机组出力约束等条件下使得火电机组煤耗量最小的方案,风电并网后的调度问题必须得考虑风电功率的不确定性,因为风速具有随机性和间歇性的特点,当风电渗透率达到一定比例必将给电力***运行增加了风险,传统的风电功率场景生成一般分两步:直接假设风电功率服从某种分布,随机模拟采样生成场景;但是假设分布不符合风电功率客观实际分布,存在较大误差。基于风电功率区间预测得到其经验积累分布函数,进而产生场景,因此更具客观性,传统区间预测也有一定局限性,必须在此基础上进行改进。
含风电场的多目标经济调度问题考虑风电并网带来的安全问题、火电机组燃煤产生的环境污染以及旋转备用成本等因素,这是一个高维非线性多目标问题,处理多目标优化问题时一般采用权重相加或罚函数法,将多目标问题转化为单目标问题,但权重及罚因子取值没有选择依据,因此难以得到最优解。
发明内容
本发明为了解决上述问题,提出了一种计及风电出力的电力***多目标调度方法,本发明以切负荷惩罚费用期望为风险指标,同时在目标函数中计及了旋转备用成本,构建含风电电力***优化调度模型。该模型除了考虑机组常规的运行约束外,还加入了可靠性约束,使调度决策兼顾环境、经济、安全性。采用一种新型高效的场景生成技术来描述风电功率的随机性。基于花授粉算法及差分进化算法提出一种具有时变模糊选择机制的多目标优化算法。
为了实现上述目的,本发明采用如下技术方案:
一种计及风电出力的电力***多目标调度方法,基于神经网络的高低限评估方法输出预测区间的高、低限,在预测区间序列产生风电功率场景来描述风电功率的随机性,以切负荷惩罚费用期望为风险指标,同时在目标函数中计及总燃料成本、污染物排放量、风险成本和旋转备用成本,构建含风电电力***优化调度模型,基于花授粉算法及差分进化算法对构建的多目标目标函数进行优化求解,得到优化后的调度方法。
进一步的,预测区间序列的生成过程为基于神经网络的高低限评估方法直接输出预测区间的高、低限,由相关性分析确定神经网络输入;通过变异粒子群算法优化神经网络结构及赋予权重。
进一步的,具体过程包括:
(1)将整个风电功率历史数据分成训练集、测试集两部分,并全部归一化,训练集用来调整神经网络权重,测试集用来评估训练所得预测模型的性能;
(2)进行相关性分析确定神经网络的输入数据向量,设定神经网络为具有双隐层双输出的前馈神经网络,以双隐层神经元个数n1×n2为变量,假设神经网络结构备选集为B,最大备选结构J个;设定最大迭代次数为K,设定粒子群算法的参数;
(3)初始化粒子位置及速度,以Pi代表神经网络权重,i代表粒子个体;
(4)更新粒子速度和位置,进行粒子变异操作,以训练集为样本构建PI,以CWC为择优指标对PI进行评估;
(5)更新个体和全局最优位置;
(6)如果满足迭代终止条件,以测试集为样本构建PIj,计算评价指标,保存全局最优位置和评价指标,否则,迭代次数加一后转到步骤(4);
(7)如果达到最大备选结构数,取评价指标最大值对应的全局最优位置为最优神经网络结构权重;否则,备选结构数加一,转步骤(3)。
进一步的,生成场景,以估计风电功率经验积累分布函数的过程为:
1、应用高低限评估方法产生预测区间序列,设置置信水平范围和增量,共产生n个预测区间;
2、假设预测误差对称分布,每个预测区间可唯一分成两个分位点表示,置信水平为(1-α)%的预测区间可分成(α/2)%和(1-α/2)%两个分位点表示;
3、在每一个预测时刻i,得到风电功率经验积累分布函数曲线上的两个点{(α2)%,ECDFi[(α/2)%]}、{(1-α/2)%,ECDFi[(1-α/2)%]},n个预测区间共产生2n个点,曲线的两个端点(0,0)、(1,1),此两点表示风电功率标幺值低于0和1的概率分别为0和1,每个预测时刻i共得2n+2个离散点;
4、利用分段三次埃尔米特插值方法,由2n+2个点拟合产生风电功率经验积累分布函数各点,分别代表各个预测时刻的风电功率概率分布;
5、应用拉丁超立方抽样产生场景,对每个场景产生一个0-1之间随机数,由风电功率经验积累分布函数各点产生风电功率场景值。
基于场景的多目标模型包括目标函数和约束条件,在此随机性优化调度模型中,理想优化目标是各目标函数都达到最小,包括4部分:总燃料成本、污染物排放量、风险成本和旋转备用成本。
进一步的,以切负荷惩罚费用期望代表***运行风险指标。
进一步的,多目标模型的约束条件包括功率平衡约束、机组出力约束、爬坡率约束和旋转备用约束。
进一步的,利用花授粉算法进行泛域搜索得到Pareto最优解集。
具体包括:
(i)初始化参数,包括花种群数和选择概率;
(ii)计算每个解的评价指标,并求出当前最优解和最优评价指标;
(iii)如果选择概率大于设定值,则根据全局最优解和步长对解进行更新;
(iv)如果选择概率小于设定值,根据相同植物种类的不同花朵对解进行更新;
(v)计算得到的新解对应的评价指标,若新解的评价指标更优,则用新解和其评价指标值分别替换当前解和当前评价指标值,否则保留当前解和当前评价指标值;
(vi)如果新解对应的评价指标值比全局最优值更优,则更新全局最优解和全局最优值;
(vii)判断结束条件,若满足,退出程序并输出最优解及最优评价指标值,否则,转步骤(iii)。
进一步的,对差分进化算法进行改进,对任意一个可行解计算其模糊选择指标,将可行解的多个目标函数值整合为一个指标,将该指标替换差分进化算法的目标函数,以此使优化方法具有时变模糊选择性。
进一步的,时变模糊选择机制指标的计算方法包括:通过隶属函数,对应每个目标函数为任一可行解赋予隶属值,计算各个可行解在各时段各场景下等级排序指标,并以此等级排序指标作为多目标优化问题可行解的择优标准。
时变模糊选择机制指标的计算方法包括通过钟型隶属函数计算模糊选择指标。
进一步的,求解多目标调度的过程为:定义最大限度地满足四个指标的解,并确定期望,在最大限度地满足四个指标的解的邻域内搜索最优解;
以迭代次数为依据,将整个改进差分进化算法迭代过程分成多个部分,钟型隶属函数的宽度随迭代的进行不断变窄,此即为多步时变性,逐步增加搜索精度,每个钟型隶属函数具有不同中心和宽度,对Pareto解集中的解赋予不同的钟型隶属函数计算模糊选择指标值。
与现有技术相比,本发明的有益效果为:
(1)本发明以切负荷惩罚费用期望为风险指标,同时在目标函数中计及了旋转备用成本,构建含风电电力***优化调度模型,且构建的模型除了考虑机组常规的运行约束外,还加入了可靠性约束,使调度决策兼顾环境、经济、安全性。
(2)本发明求解多目标函数的最优解时,权重及罚因子取值具有选择依据,能够得到最优解。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1对应迭代次数1-100钟型隶属函数图形;
图2HFPA-TVFSM综合算法流程图;
图3燃料成本-污染排放Pareto前沿对比图;
图4燃料成本-备用成本Pareto前沿对比图;
图5污染排放-风险指标Pareto前沿对比图;
图6三种算法关于燃料成本的寻优收敛对比图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
正如背景技术所介绍的,现有技术中存在处理多目标优化问题时一般采用权重相加或罚函数法,将多目标问题转化为单目标问题,但权重及罚因子取值没有选择依据,因此难以得到最优解的不足,为了解决如上的技术问题,本申请提出了一种计及风电出力的电力***多目标经济调度方法。以切负荷惩罚费用期望为风险指标,同时在目标函数中计及了旋转备用成本,构建含风电电力***优化调度模型。该模型除了考虑机组常规的运行约束外,还加入了可靠性约束,使调度决策兼顾环境、经济、安全性。采用一种新型高效的场景生成技术来描述风电功率的随机性。基于花授粉算法及差分进化算法提出一种具有时变模糊选择机制的多目标优化算法。
本申请的一种典型的实施方式中,如图2所示,本发明包括以下步骤:
步骤一、风电功率场景生成;
基于神经网络(neural network,NN)的高低限评估方法(lower upper boundestimation,LUBE)直接输出预测区间的高、低限,而不作任何数据分布假设;由相关性分析确定神经网络输入;通过变异粒子群算法(PSO)优化神经网络结构及权重,整个过程简述如下:
1、整个风电功率历史数据分成训练集Dtrain、测试集Dtest两部分,并全部归一化。训练集用来调整NN权重,测试集用来评估训练所得预测模型的性能。
2、进行相关性分析确定NN输入数据向量;本文设定NN为具有双隐层双输出的前馈神经网络,以双隐层神经元个数n1×n2为变量,假设NN结构备选集为B,共包含备选结构J个;设定最大迭代次数为K;设定PSO算法相关参数。
3、初始化粒子位置Pi及速度Vi,以Pi代表NN权重,i代表粒子个体。
4、更新粒子速度、位置;进行粒子变异操作。
5、以Dtrain为样本构建PI,以CWC为择优指标对PI进行评估。
6、更新个体、全局最优位置Pbest和Gbest。
7、如果满足迭代终止条件,以Dtest为样本构建PIj,计算评价指标CWCj,保存Gbest,j和CWCj,即第j种备选NN结构的最优权重和评价指标;否则,k=k+1,转步骤4。
8、如果达到最大备选结构数J,即所有备选NN结构都已训练、试验、评估完毕,则取CWCj最大值对应的Gbest,j为最优NN结构权重;否则,j=j+1,转步骤3。
以上区间预测方法产生预测区间序列,用来估计风电功率经验积累分布函数(empirical cumulative distribution function,ECDF),其步骤如下:
1、应用LUBE方法产生预测区间序列,置信水平为5%-95%,增量为5%,共产生19个预测区间。
2、假设预测误差对称分布,每个预测区间可唯一分成两个分位点表示。置信水平为(1-α)%的预测区间可分成(α/2)%和(1-α/2)%两个分位点表示。
3、在每一个预测时刻i,得到ECDFi,i=1…24曲线上的两个点{(α/2)%,ECDFi[(α/2)%]}、{(1-α/2)%,ECDFi[(1-α/2)%]},因此19个预测区间共产生38个点。曲线的两个端点(0,0)、(1,1),此两点表示风电功率标幺值低于0和1的概率分别为0和1。每个预测时刻i共得40个离散点。
4、利用分段三次埃尔米特插值方法,由40个点拟合产生ECDFi,本文所用日前风电功率预测时间分辨率为一小时,因此共产生24个ECDF曲线,分别代表24个预测时刻的风电功率概率分布。
5、应用拉丁超立方抽样产生场景。对每个场景产生一个0-1之间随机数,由ECDFi产生风电功率场景值Pi w,i=1…24。
步骤二、构建基于场景的多目标模型;
基于场景的多目标模型包括目标函数和约束条件,在此随机性优化调度模型中,理想优化目标是各目标函数都达到最小,包括4部分:总燃料成本、污染物排放量、风险成本、旋转备用成本;
计及阀点效应的常规机组燃料成本期望表示为:
PG,s=[P1,sP2,s…Pt,s…PNT,s],Pt,s=[P1,t,sP2,t,s…Pug,t,s…PNG,t,s]T (2)
式中,πs表示场景s的概率;Pug,t,s表示常规发电机ug在t时段场景s下出力;NS表示场景个数;NT表示总调度时段数;NG表示常规发电机个数;aug、bug、cug表示燃料费用系数;dug、eug表示阀点效应相关系数;表示常规机组ug最小出力。
污染气体排放总量期望可表示为:
式中,αug、βug、γug、ξug、λug为给定污染气体排放系数。
以切负荷惩罚费用期望(expected energy not served,EENS)代表***运行风险指标,可表示为:
式中,VOLL(value of lost load,VOLL)表示***切负荷惩罚系数(为单位MW·h中断负荷的费用);EENSt,s表示t时段场景s下的切负荷期望;σnet_d为净负荷预测误差的标准方差,USRt,s表示t时段场景s下的***正旋转备用。
旋转备用成本:
式中,DSRt,s表示t时段场景s下的***负旋转备用;kU、kD分别表示正、负旋转备用成本系数。
约束条件包括功率平衡约束、机组出力约束、爬坡率约束、旋转备用约束;
功率平衡约束:
式中,PWt,s表示风电场在t时段场景s下的出力;PDt表示t时段***负荷。
机组出力约束:
式中,分别表示机组ug的最大、最小出力限制。
爬坡率约束:
Pug,t,s-Pug,t-1,s≤RUug·T60,Pug,t-1,s-Pug,t,s≤RDug·T60 (9)
式中,RUug、RDug分别表示机组ug的上、下爬坡率;T60表示一个运行时段,即60min。
旋转备用约束:
式中,T10表示10min。
***可靠性约束:
EENSt,s≤EENSmax (12)
式中,EENSmax为***切负荷上限,以***容量百分比表示。
步骤三、由花授粉算法(flower pollination algorithm,FPA)进行泛域搜索得到Pareto最优解集;
花授粉算法实现步骤如下:
1、初始化参数,包括花种群数n,选择概率ρ;
2、计算每个解的评价指标,并求出当前最优解和最优评价指标;
3、如果选择概率ρ>rand,按式(13)更新;
式中,分别表示第iter+1代、第iter代的解,g*是全局最优解,L是步长,服从莱维分布,其计算过程如下:
式中,μ,υ服从正态分布,且有:
式中,β=3/2,Γ(β)是标准的伽马函数。
4、如果选择概率ρ<rand,按式(16)更新;
式中,η是[0,1]上服从均匀分布的随机数,是相同植物种类的不同花朵。
5、计算步骤3或者4得到的新解对应的评价指标,若新解的评价指标更优,则用新解和其评价指标值分别替换当前解和当前评价指标值,否则保留当前解和当前评价指标值;
6、如果新解对应的评价指标值比全局最优值更优,则更新全局最优解和全局最优值;
7、判断结束条件,若满足,退出程序并输出最优解及最优评价指标值,否则,转步骤3。
步骤四、改进差分进化算法(DE);
对DE的选择操作进行改进,使整个综合算法具有时变模糊选择性。
常规DE的选择操作如下:
式中,代表生成的子代种群,也就是下一代的父向量;代表父代当代种群;代表试验子代种群;f(·)代表目标函数。
处理多目标优化问题时一般采用权重相加或罚函数法,但权重及罚因子取值没有选择依据,因此难以得到最优解。本发明提出对任意一个可行解计算其模糊选择指标(fuzzy selection index,FSI),FSI将可行解的多个目标函数值整合为一个指标,由FSI(·)代替(17)式中的f(·),则选择操作表示为:
步骤五、时变模糊选择机制各指标计算;
通过隶属函数,对应每个目标函数为任一可行解赋予隶属值(member value,MV),计算过程如下:
式中,MVi t,s(fm)表示第i个可行解在时段t场景s下对应第m个目标函数的隶属值;表示第m个目标函数最小值;表示第m个目标函数最大值。
第i个可行解在第t时段s场景下等级排序指标表示为:
以RI作为多目标优化问题可行解的择优标准。
通过钟型隶属函数计算模糊选择指标:
表示第i个可行解在第t时段s场景第c分类下模糊选择指标;K为函数阶次;ac表示第c模糊分类中心,此处模糊选择指标为1;bc表示第c模糊分类宽度。
步骤六、HFPA-TVFSM求解多目标调度;
燃料成本、污染物排放、风险指标、备用成本是相互冲突的4个目标,明显不存在使四者同时达到最优的解,即RI=1。因此BCS定义为最大限度地满足四个指标的解,其期望RI值一般在0.5~0.9之间,在BCS邻域内搜索最优解。ac设定在0.5~0.9之间使RI值在此范围内的解获得较高的FSI值。
以迭代次数为依据,将整个改进DE算法迭代过程分成4部分(本文设定最大迭代次数为500),钟型隶属函数的宽度随迭代的进行不断变窄,此即为4步时变性,逐步增加搜索精度。
4步时变、5类模糊选择机制能增加Pareto最优解集的多样性,增强算法在BCS局部搜索能力,进而快速找到最优解。每个钟型隶属函数具有不同中心和宽度(共分5类,以c=1、2、3、4、5分别表示),因此对Pareto解集中的解赋予不同的FSI值。ac、bc、K设定值见表1,对应其中K=6,bc=0.6图形如图1所示。模糊分类由迭代随机数randiter决定,规则如下:
HFPA-TVFSM算法流程如图2所示,步骤如下:
Step1:输入机组参数,负荷预测值,风电功率场景预测值,设定FPA、DE总迭代次数分别为K、J,种群个体总数为L。
Step2:初始化种群N0,种群个体当代Pareto最优解集M0,全局Pareto最优解集G,全局极值g*。种群个体是个NG×NT的矩阵,如式(2),其中每个元素Pug,t,s满足机组出力约束,即(8)式,按下式初始化:
λ为[0,1]上均匀分布的随机数。
Step3:计算各目标函数值;由种群Nk通过占优条件式(24)、(25)更新当代Pareto最优解集Mk;由Mk更新全局Pareto最优解集G,确定全局极值g*。
条件式(24)、(25)说明如下:
帕累托(Pareto)占优,A<Β(A占优B)当且仅当:
式中,Nobj表示目标函数的个数。
Pareto最优解,A是Pareto最优解,当且仅当:
Step4:由选择概率ρ决定,按式(13)或(16)产生试验种群Ek,并通过式(24)、(25)选择、更新Nk。
Step5:检查已更新种群Nk中个体是否满足各约束条件,对不满足约束条件的个体进行更正。
Step6:k=k+1,进入step3,如达到最大迭代次数K,FPA泛域搜索过程结束,输出全局Pareto最优解集G,进入改进DE算法精确寻优过程。
Step7:将Pareto集G赋予DE算法初始父种群F0。
Step8:由Fj进行变异、交叉操作产生试验种群Sj,并由式(19)、(20)计算Fj、Sj的MV,RI值。
Step9:由式(22)随机选择模糊分类,并计算Fj、Sj的FSI指标,由式(18)选择、更新Fj,并通过占优条件更新全局Pareto最优解集G。
Step10:j=j+1,进入Step8,如达到最大迭代次数J,输出全局Pareto最优解集G,并由RI指标确定最优解。
本发明所提模型及求解方法在具有一个并网风电场的4机组***中进行仿真。该风电场额定功率为110MW。为方便对优化调度结果及其影响因素进行分析,***研究周期设定为12h,每个时段为1h。历史风电功率数据来自山东威海某风电场,采用第1节介绍方法产生1000个场景,然后利用场景削减技术将场景数量减少到10个。kU、kD取值都为20$/(MW·h),EENSmax取1%,VOLL取100$/MW。
同时将目前广泛应用的多目标优化算法:非支配排序遗传算法、改进多目标粒子群算法作为对比算法进行模型求解(最大迭代次数均为500次)。某一调度时段所得,燃料成本—污染气体排放量、燃料成本—备用成本、污染气体排放量—风险指标三个局部Pareto前沿对比如图3、4、5所示。明显可看出本文所提算法可得到更优的Pareto前沿。
三种算法在第一时段关于燃料成本,其迭代收敛过程对比如图6所示。由图6可以看出本文所提算法在收敛速度及寻优结果方面均具有明显优势,模糊选择机制促进算法在最优折衷解附近快速收敛。
表1为三种算法的最优调度结果对应四个目标函数12个时段总和,由表中数据可以看出,HFPA-TVFSM计算所得调度策略更接近MOP解空间中理想最优点,各目标函数值均具有较大优势。
表1三种算法MOP结果对比
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明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发明的保护范围以内。
Claims (10)
1.一种计及风电出力的电力***多目标调度方法,其特征是:基于神经网络的高低限评估方法输出预测区间的高、低限,在预测区间序列产生风电功率场景来描述风电功率的随机性,以切负荷惩罚费用期望为风险指标,同时在目标函数中计及总燃料成本、污染物排放量、风险成本和旋转备用成本,构建含风电电力***优化调度模型,基于花授粉算法及差分进化算法对构建的多目标目标函数进行优化求解,得到优化后的调度方法。
2.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:预测区间序列的生成过程为基于神经网络的高低限评估方法直接输出预测区间的高、低限,由相关性分析确定神经网络输入;通过变异粒子群算法优化神经网络结构及赋予权重。
3.如权利要求2所述的一种计及风电出力的电力***多目标调度方法,其特征是:具体过程包括:
(1)将整个风电功率历史数据分成训练集、测试集两部分,并全部归一化,训练集用来调整神经网络权重,测试集用来评估训练所得预测模型的性能;
(2)进行相关性分析确定神经网络的输入数据向量,设定神经网络为具有双隐层双输出的前馈神经网络,以双隐层神经元个数n1×n2为变量,假设神经网络结构备选集为B,最大备选结构J个;设定最大迭代次数为K,设定粒子群算法的参数;
(3)初始化粒子位置及速度,以Pi代表神经网络权重,i代表粒子个体;
(4)更新粒子速度和位置,进行粒子变异操作,以训练集为样本构建PI,以CWC为择优指标对PI进行评估;
(5)更新个体和全局最优位置;
(6)如果满足迭代终止条件,以测试集为样本构建PIj,计算评价指标,保存全局最优位置和评价指标,否则,迭代次数加一后转到步骤(4);
(7)如果达到最大备选结构数,取评价指标最大值对应的全局最优位置为最优神经网络结构权重;否则,备选结构数加一,转步骤(3)。
4.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:生成场景,以估计风电功率经验积累分布函数的过程为:
(a)应用高低限评估方法产生预测区间序列,设置置信水平范围和增量,共产生n个预测区间;
(b)假设预测误差对称分布,每个预测区间可唯一分成两个分位点表示,置信水平为(1-α)%的预测区间可分成(α/2)%和(1-α/2)%两个分位点表示;
(c)在每一个预测时刻i,得到风电功率经验积累分布函数曲线上的两个点{(α/2)%,ECDFi[(α/2)%]}、{(1-α/2)%,ECDFi[(1-α/2)%]},n个预测区间共产生2n个点,曲线的两个端点(0,0)、(1,1),此两点表示风电功率标幺值低于0和1的概率分别为0和1,每个预测时刻i共得2n+2个离散点;
(d)利用分段三次埃尔米特插值方法,由2n+2个点拟合产生风电功率经验积累分布函数各点,分别代表各个预测时刻的风电功率概率分布;
(e)应用拉丁超立方抽样产生场景,对每个场景产生一个0-1之间随机数,由风电功率经验积累分布函数各点产生风电功率场景值。
5.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:基于场景的多目标模型包括目标函数和约束条件,在此随机性优化调度模型中,理想优化目标是各目标函数都达到最小,包括4部分:总燃料成本、污染物排放量、风险成本和旋转备用成本。
6.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:以切负荷惩罚费用期望代表***运行风险指标;多目标模型的约束条件包括功率平衡约束、机组出力约束、爬坡率约束和旋转备用约束。
7.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:利用花授粉算法进行泛域搜索得到Pareto最优解集;
具体包括:
(i)初始化参数,包括花种群数和选择概率;
(ii)计算每个解的评价指标,并求出当前最优解和最优评价指标;
(iii)如果选择概率大于设定值,则根据全局最优解和步长对解进行更新;
(iv)如果选择概率小于设定值,根据相同植物种类的不同花朵对解进行更新;
(v)计算得到的新解对应的评价指标,若新解的评价指标更优,则用新解和其评价指标值分别替换当前解和当前评价指标值,否则保留当前解和当前评价指标值;
(vi)如果新解对应的评价指标值比全局最优值更优,则更新全局最优解和全局最优值;
(vii)判断结束条件,若满足,退出程序并输出最优解及最优评价指标值,否则,转步骤(iii)。
8.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:对差分进化算法进行改进,对任意一个可行解计算其模糊选择指标,将可行解的多个目标函数值整合为一个指标,将该指标替换差分进化算法的目标函数,以此使优化方法具有时变模糊选择性。
9.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:时变模糊选择机制指标的计算方法包括:通过隶属函数,对应每个目标函数为任一可行解赋予隶属值,计算各个可行解在各时段各场景下等级排序指标,并以此等级排序指标作为多目标优化问题可行解的择优标准;
时变模糊选择机制指标的计算方法包括通过钟型隶属函数计算模糊选择指标。
10.如权利要求1所述的一种计及风电出力的电力***多目标调度方法,其特征是:求解多目标调度的过程为:定义最大限度地满足四个指标的解,并确定期望,在最大限度地满足四个指标的解的邻域内搜索最优解;
以迭代次数为依据,将整个改进差分进化算法迭代过程分成多个部分,钟型隶属函数的宽度随迭代的进行不断变窄,此即为多步时变性,逐步增加搜索精度,每个钟型隶属函数具有不同中心和宽度,对Pareto解集中的解赋予不同的钟型隶属函数计算模糊选择指标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813267.6A CN107370188A (zh) | 2017-09-11 | 2017-09-11 | 一种计及风电出力的电力***多目标调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813267.6A CN107370188A (zh) | 2017-09-11 | 2017-09-11 | 一种计及风电出力的电力***多目标调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107370188A true CN107370188A (zh) | 2017-11-21 |
Family
ID=60302739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710813267.6A Withdrawn CN107370188A (zh) | 2017-09-11 | 2017-09-11 | 一种计及风电出力的电力***多目标调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107370188A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009743A (zh) * | 2017-12-15 | 2018-05-08 | 国网山东省电力公司莱芜供电公司 | 基于热网储热特性的电-热***联合经济调度方法 |
CN108039731A (zh) * | 2017-12-29 | 2018-05-15 | 南京工程学院 | 一种基于解空间分析且含风电的多目标三阶段调度方法 |
CN108075471A (zh) * | 2017-12-27 | 2018-05-25 | 国电南瑞科技股份有限公司 | 基于随机性电源出力预测的多目标约束优化电网调度策略 |
CN108376316A (zh) * | 2018-02-12 | 2018-08-07 | 国家电网公司 | 一种风电功率预测方法和*** |
CN108596438A (zh) * | 2018-03-28 | 2018-09-28 | 广东电网有限责任公司 | 一种多目标野花算法的动态环境经济调度方法 |
CN108932671A (zh) * | 2018-06-06 | 2018-12-04 | 上海电力学院 | 一种采用深度q神经网络调参的lstm风电负荷预测方法 |
CN109034479A (zh) * | 2018-07-28 | 2018-12-18 | 河南工业大学 | 一种基于差分进化算法的多目标调度方法及装置 |
CN109214695A (zh) * | 2018-09-18 | 2019-01-15 | 合肥工业大学 | 基于改进eda的高端装备研发制造协同调度方法及*** |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109711644A (zh) * | 2019-02-25 | 2019-05-03 | 安徽大学 | 基于改进花粉算法的火电机组负荷优化分配方法 |
CN109726849A (zh) * | 2018-11-26 | 2019-05-07 | 湘潭大学 | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 |
CN110912205A (zh) * | 2019-11-26 | 2020-03-24 | 三峡大学 | 基于场景集的含风电电力***运行备用动态调度优化方法 |
CN110956266A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力***多目标优化调度方法 |
CN111525556A (zh) * | 2020-05-06 | 2020-08-11 | 华东交通大学 | 一种计及风电置信风险的多目标最优潮流计算方法 |
CN111553509A (zh) * | 2020-04-01 | 2020-08-18 | 中山大学 | 针对地质环境风险的轨道交通选线评估及成本优化方法 |
CN112182952A (zh) * | 2020-08-31 | 2021-01-05 | 广东工业大学 | 一种提升电力***弹性的多目标优化调度方法 |
CN112736953A (zh) * | 2020-12-31 | 2021-04-30 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储***磷酸铁锂电池组储能容量配置设计方法 |
CN112926185A (zh) * | 2021-01-26 | 2021-06-08 | 吉林化工学院 | 一种基于改进核搜索优化的电力经济排放调度方法 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN113780883A (zh) * | 2021-09-26 | 2021-12-10 | 无锡唯因特数据技术有限公司 | 生产车间调度方法、装置和存储介质 |
CN114004065A (zh) * | 2021-10-12 | 2022-02-01 | 上海电机学院 | 基于智能算法和环境约束下的变电站工程多目标优化方法 |
CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
CN114611378A (zh) * | 2022-01-31 | 2022-06-10 | 扬州来源液压设备有限公司 | 基于矿山工业物联网的液压支撑杆压力调控*** |
CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力***的能量确定方法、装置、设备及介质 |
CN117495426A (zh) * | 2023-12-29 | 2024-02-02 | 国网山西省电力公司经济技术研究院 | 一种新能源电力***运行成本快速计算方法及*** |
-
2017
- 2017-09-11 CN CN201710813267.6A patent/CN107370188A/zh not_active Withdrawn
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009743A (zh) * | 2017-12-15 | 2018-05-08 | 国网山东省电力公司莱芜供电公司 | 基于热网储热特性的电-热***联合经济调度方法 |
CN108075471A (zh) * | 2017-12-27 | 2018-05-25 | 国电南瑞科技股份有限公司 | 基于随机性电源出力预测的多目标约束优化电网调度策略 |
CN108075471B (zh) * | 2017-12-27 | 2022-02-11 | 国电南瑞科技股份有限公司 | 基于随机性电源出力预测的多目标约束优化电网调度策略 |
CN108039731A (zh) * | 2017-12-29 | 2018-05-15 | 南京工程学院 | 一种基于解空间分析且含风电的多目标三阶段调度方法 |
CN108039731B (zh) * | 2017-12-29 | 2019-09-06 | 南京工程学院 | 一种基于解空间分析且含风电的多目标三阶段调度方法 |
CN108376316B (zh) * | 2018-02-12 | 2020-10-27 | 国家电网公司 | 一种风电功率预测方法和*** |
CN108376316A (zh) * | 2018-02-12 | 2018-08-07 | 国家电网公司 | 一种风电功率预测方法和*** |
CN108596438A (zh) * | 2018-03-28 | 2018-09-28 | 广东电网有限责任公司 | 一种多目标野花算法的动态环境经济调度方法 |
CN108932671A (zh) * | 2018-06-06 | 2018-12-04 | 上海电力学院 | 一种采用深度q神经网络调参的lstm风电负荷预测方法 |
CN109034479A (zh) * | 2018-07-28 | 2018-12-18 | 河南工业大学 | 一种基于差分进化算法的多目标调度方法及装置 |
CN109214695A (zh) * | 2018-09-18 | 2019-01-15 | 合肥工业大学 | 基于改进eda的高端装备研发制造协同调度方法及*** |
CN109214695B (zh) * | 2018-09-18 | 2021-09-28 | 合肥工业大学 | 基于改进eda的高端装备研发制造协同调度方法及*** |
CN109726849A (zh) * | 2018-11-26 | 2019-05-07 | 湘潭大学 | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 |
CN109615124B (zh) * | 2018-11-29 | 2022-12-30 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109711644B (zh) * | 2019-02-25 | 2023-04-18 | 安徽大学 | 基于改进花粉算法的火电机组负荷优化分配方法 |
CN109711644A (zh) * | 2019-02-25 | 2019-05-03 | 安徽大学 | 基于改进花粉算法的火电机组负荷优化分配方法 |
CN110956266A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力***多目标优化调度方法 |
CN110956266B (zh) * | 2019-06-06 | 2023-08-15 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力***多目标优化调度方法 |
CN110912205A (zh) * | 2019-11-26 | 2020-03-24 | 三峡大学 | 基于场景集的含风电电力***运行备用动态调度优化方法 |
CN110912205B (zh) * | 2019-11-26 | 2023-05-02 | 三峡大学 | 基于场景集的含风电电力***运行备用动态调度优化方法 |
CN111553509B (zh) * | 2020-04-01 | 2023-05-09 | 中山大学 | 针对地质环境风险的轨道交通选线评估及成本优化方法 |
CN111553509A (zh) * | 2020-04-01 | 2020-08-18 | 中山大学 | 针对地质环境风险的轨道交通选线评估及成本优化方法 |
CN111525556B (zh) * | 2020-05-06 | 2023-03-10 | 华东交通大学 | 一种计及风电置信风险的多目标最优潮流计算方法 |
CN111525556A (zh) * | 2020-05-06 | 2020-08-11 | 华东交通大学 | 一种计及风电置信风险的多目标最优潮流计算方法 |
CN112182952A (zh) * | 2020-08-31 | 2021-01-05 | 广东工业大学 | 一种提升电力***弹性的多目标优化调度方法 |
CN112736953A (zh) * | 2020-12-31 | 2021-04-30 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储***磷酸铁锂电池组储能容量配置设计方法 |
CN112736953B (zh) * | 2020-12-31 | 2022-12-02 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储***储能容量配置设计方法 |
CN112926185A (zh) * | 2021-01-26 | 2021-06-08 | 吉林化工学院 | 一种基于改进核搜索优化的电力经济排放调度方法 |
CN112926185B (zh) * | 2021-01-26 | 2022-11-22 | 吉林化工学院 | 一种基于改进核搜索优化的电力经济排放调度方法 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN113780883A (zh) * | 2021-09-26 | 2021-12-10 | 无锡唯因特数据技术有限公司 | 生产车间调度方法、装置和存储介质 |
CN114004065A (zh) * | 2021-10-12 | 2022-02-01 | 上海电机学院 | 基于智能算法和环境约束下的变电站工程多目标优化方法 |
CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
CN114578087B (zh) * | 2022-01-24 | 2023-10-13 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
CN114611378A (zh) * | 2022-01-31 | 2022-06-10 | 扬州来源液压设备有限公司 | 基于矿山工业物联网的液压支撑杆压力调控*** |
CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力***的能量确定方法、装置、设备及介质 |
CN116432478B (zh) * | 2023-06-15 | 2023-09-08 | 广东电网有限责任公司东莞供电局 | 一种电力***的能量确定方法、装置、设备及介质 |
CN117495426A (zh) * | 2023-12-29 | 2024-02-02 | 国网山西省电力公司经济技术研究院 | 一种新能源电力***运行成本快速计算方法及*** |
CN117495426B (zh) * | 2023-12-29 | 2024-03-29 | 国网山西省电力公司经济技术研究院 | 一种新能源电力***运行成本快速计算方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370188A (zh) | 一种计及风电出力的电力***多目标调度方法 | |
CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
Wang et al. | Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization | |
CN107769237B (zh) | 基于电动汽车接入的多能源***协同调度方法及装置 | |
CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及*** | |
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN109858673A (zh) | 一种光伏发电***功率预测方法 | |
CN105741193B (zh) | 计及分布式电源和负荷不确定性的多目标配网重构方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源***运行优化方法 | |
CN109886473A (zh) | 一种考虑下游生态的流域风光水***多目标优化调度方法 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
Wang et al. | Tradeoff between risk and cost in economic dispatch including wind power penetration using particle swarm optimization | |
CN107256436B (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
CN109670650A (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN109886567A (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
CN113991751B (zh) | 一种基于混合算法的自动发电控制调度方法 | |
CN104009494A (zh) | 一种环境经济发电调度方法 | |
CN103077300A (zh) | 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法 | |
Zhou et al. | Deep learning-based rolling horizon unit commitment under hybrid uncertainties | |
CN111598447B (zh) | 一种基于hmaqga的水库群联合优化调度方法 | |
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 | |
CN107909221A (zh) | 基于组合神经网络的电力***短期负荷预测方法 | |
CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171121 |
|
WW01 | Invention patent application withdrawn after publication |