CN114123354B - 一种基于t分布杂草算法的风储一体化***优化调度方法 - Google Patents

一种基于t分布杂草算法的风储一体化***优化调度方法 Download PDF

Info

Publication number
CN114123354B
CN114123354B CN202210090266.4A CN202210090266A CN114123354B CN 114123354 B CN114123354 B CN 114123354B CN 202210090266 A CN202210090266 A CN 202210090266A CN 114123354 B CN114123354 B CN 114123354B
Authority
CN
China
Prior art keywords
distribution
wind
weed
power
algorithm
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
Application number
CN202210090266.4A
Other languages
English (en)
Other versions
CN114123354A (zh
Inventor
付波
康毅恒
赵熙临
权轶
黄晓啸
邓竞成
黄志斌
冯万璐
徐康
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202210090266.4A priority Critical patent/CN114123354B/zh
Publication of CN114123354A publication Critical patent/CN114123354A/zh
Application granted granted Critical
Publication of CN114123354B publication Critical patent/CN114123354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于t分布杂草算法的风储一体化***优化调度方法，首先将电力***的调度周期分成若干时间段，采集电力***的实际运行参数，并基于风储一体化电力***优化调度数学模型的目标函数及设定的约束条件，给出风电预测出力以及各时段负荷，利用t分布杂草算法针对此问题进行寻优，初始化得到不同的风储一体化电力***优化调度的方案；然后判断所有方案是否满足约束条件，对不合格方案进行调整；最后判断是否满足最大迭代次数，若满足，输出最优调度方案，优化调度方法结束；若不满足，由t分布杂草算法产生新的方案后重复判断迭代次数。本发明为风储一体化电力***提供更加经济环保的优化调度方法，降低成本并加强了***的风电消纳能力。

Description

一种基于t分布杂草算法的风储一体化***优化调度方法
技术领域
本发明涉及电力***自动化技术领域，尤其涉及一种基于t分布杂草算法的风储一体化***优化调度方法。
背景技术
风储一体化电力***是一种新的电力***，其对消除风电上网的负面影响和风电的消纳要比分布式储能效果更好，因此未来发展趋势便是风储一体化***。风储一体化***的优化调度是在各机组处理范围内进行合理的负荷分配，使其目标***在满足负荷需求、运行约束要求等条件下，所产生的发电成本降至最低。
随着计算机与人工智能技术的发展，一大批优秀地智能优化算法被开发并用于求解优化问题，也被广泛的应用于优化调度模型求解。相比传统的数学求解方法，智能算法对目标函数的设定更加灵活，搜索效率更高，更适宜处理高维、离散、非凸的非线性问题，并且具有良好的全局收敛性、不受求解对象函数特性限制等优点，因此被广泛应用于电力***优化调度求解。粒子群算法、差分进化算法、遗传算法等都已被应用到电力***优化调度问题中，并且取得了一定的效果。而杂草算法因其结构简单，参数少且鲁棒性较好，常常用来解决一些较为复杂的问题。t分布杂草算法为改进后杂草算法，利用拉丁超立方抽样初始化种群，增加了初始化种群的多样性；利用t分布进行空间扩散，实现全局搜索和局部寻优的自适应转换，使算法搜索方式更加灵活；引入入侵种群策略，降低算法陷入局部最优的概率。
发明内容
本发明的目的是提供一种针对风储一体化电力***优化调度的方法，实现提高优化调度方法的搜索效率与搜索精度，增加风电的消纳，降低电力***运行成本，提高电网运行的经济性。
为实现上述目的，本发明提供一种基于t分布杂草算法的风储一体化***优化调度方法，其特征在于，包括以下步骤：
S1：将电力***的调度周期分成若干时间段，采集电力***的实际运行参数，并基于风储一体化电力***优化调度数学模型的目标函数及设定的约束条件，给出风电预测出力以及各时段负荷，利用t分布杂草算法针对此问题进行寻优，初始化得到不同的风储一体化电力***优化调度的方案；
S2：判断所有方案是否满足约束条件，对不合格方案进行调整；
S3：判断是否满足最大迭代次数，若满足，输出最优调度方案，优化调度方法结束；若不满足，由t分布杂草算法产生新的方案，进入S2。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，采集电力系 统实际运行参数：火电机组最大最小出力
Figure 744854DEST_PATH_IMAGE001
、
Figure 516501DEST_PATH_IMAGE002
；火电机组向下向上爬 坡功率Ri,down、Ri,up；储能容量限制E C,max ；储能单位时间最大充放电功率
Figure 998298DEST_PATH_IMAGE003
、
Figure 880804DEST_PATH_IMAGE004
。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，风储一体化电力***优化调度数学模型的目标函数基于以下公式
minf=FH+FM+FW+FC （1）
式（1）中，FH为煤耗成本，FM火电污染成本，FW为弃风成本，FC储能运行成本。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，约束条件包括功率平衡约束、机组出力约束、火电机组爬坡约束、储能约束、风储一体化约束、旋转备用约束，具体是：
功率平衡约束
Figure 764446DEST_PATH_IMAGE005
（2）
式（2）中，PD,t为t时段***负荷总需求，Pl,t为t时段***网损，PC,t为t时段的储能充放电功率大小，PH,i,t为t时段第i个火电机组出力，PW,l,t为t时段风电预测出力。
机组出力约束
Figure 706994DEST_PATH_IMAGE006
（3）
Figure 676087DEST_PATH_IMAGE007
（4）
式（3）、（4）中，
Figure 96704DEST_PATH_IMAGE008
、
Figure 569274DEST_PATH_IMAGE009
分别为第i个火电机组的最小、最大出力 值，
Figure 213882DEST_PATH_IMAGE010
为t时刻风电预测最大出力。
火电机组爬坡约束
-Ri,down≤PH,i,t- PH,i,t-1 ≤Ri,up （5）
式（5）中，Ri,down、Ri,up 分别为第i个火电机组向下、向上的最大爬坡速率。
储能约束
Figure 139113DEST_PATH_IMAGE011
（6）
Figure 894579DEST_PATH_IMAGE012
（7）
式（6）、（7）中，
Figure 956076DEST_PATH_IMAGE013
为储能单位时间最大充放电功率，E C,t 为t时刻储能*** 容量，E C,max 为储能***最大容量, E C,min 为储能***最低容量，P C,t,in 和P C,t,out 分别为储能系 统t时刻充、放电功率，η in 和η out 分别为储能***的充、放电效率；△t表示时间变化量。
风储一体化约束
Figure 240427DEST_PATH_IMAGE014
（8）
式（8）中，P C,t,in 表示储能充电，其值小于0。
旋转备用约束
Figure 184112DEST_PATH_IMAGE015
（9）
式（9）中，
Figure 212111DEST_PATH_IMAGE009
为第i个火电机组的最大出力；
Figure 924852DEST_PATH_IMAGE016
为第l个风电场 的最大出力；Ru(t)为t时刻正旋转备用，取值是***中t时刻最大负荷的10%。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，S1中t分布杂草算法初始化过程具体为：定义机组个数为N，调度时间为一天，分为24个时段，在满足约束范围内以拉丁超立方抽样生成初始种群，生成P0个杂草种子，每个杂草种子代表一个调度方案，种子分别记为P1、P2、P3、……、P0。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，S3中t分布杂草算法产生新方案的过程具体为：
S31，个体繁殖。选择适应度函数, 适应度函数选用待解决问题的目标函数，计算个体适应度值，由杂草自身的适应度值确定每个杂草繁殖子代的数目，个体的适应度值越接近最优值产生种子越多，计算公式如下：
Figure 114525DEST_PATH_IMAGE017
（10）
式（10）中，fi是第i个杂草的适应度值，fmax、fmin分别为当前最大、最小适应度值，Smax、Smin分别为设定的最大、最小种子个数；
S32，杂草扩散。以杂草父代为中心，按t分布扩散生成Wi子代，形成子代种群，子代扩散位置计算公式如下：
Pt,i=Pi+l·t(iter) （11）
式（11）中，Pt,i 为经过t分布扩散后子代位置，Pi为父代位置，l为扩散系数，t(iter)为自由度为iter时的t分布；
S33，优胜劣汰。种群规模会随着繁殖迭代而不断增大，但生态环境承受能力有限，当数超过最大种群规模Pmax时，需将全部杂草个体按适应度值大小进行排列，淘汰适应度差的个体，保留前Pmax个杂草；
S34，入侵种群。引入入侵策略，若不等式
Figure 545506DEST_PATH_IMAGE018
连续n代成 立，判定为算法陷入局部最优，按照随机分布生成20%最大种群数的新的个体取代适应度值 较低的旧的个体，其中式中，pbest(k)为第k代最优适应度值，n和α均为正整数。
在上述的一种基于t分布杂草算法的风储一体化***优化调度方法，S32中t分布扩散具体为：
将自由度n设定为迭代次数，在前期运算t分布接近柯西分布，t分布杂草算法相较于普通杂草算法分布较广，因此全局搜索能力要更强，在运算后期t分布随着迭代次数增加逐渐趋近于标准正态分布，分布趋于集中，因此局部搜索能力随之增强，t分布概率密度函数如下式：
Figure 111617DEST_PATH_IMAGE019
（12）
式（12）中，n为自由度。
本发明的优点在于：
（1）通过采用拉丁超立方抽样初始化，增加初始种群的多样性，利用t分布进行子代扩散，实现算法全局搜索和局部搜索的自适应转变，加强了寻优能力，引入入侵种群策略，降低了算法陷入局部最优的概率，改进后算法挺高了寻优精度，为风储一体化电力***提出了更加经济环保的优化调度方法，降低成本并加强了***的风电消纳能力；
（2）对杂草算法做出了相应改进，可以将算法应用求解更复杂的场景模型。
附图说明
图1是本发明一种基于t分布杂草算法的风储一体化***优化调度方法整体流程图；
图2是本发明中t分布杂草算法流程图；
图3是本发明仿真实验中风电预测及负荷预测曲线；
图4是本发明仿真实验的杂草算法(IWO)、粒子群算法(PSO)、惯性权重对数递减的粒子群优化算法(LOGWPSO)和t分布-杂草算法)对风储一体化***寻优对比曲线图；
图5是本发明仿真实验的杂草算法(IWO)、粒子群算法(PSO)、惯性权重对数递减的粒子群优化算法(LOGWPSO)和t分布-杂草算法)对分布式储能电力***寻优对比曲线图；
图6是本发明仿真实验中风火储联合***与含风储一体化***对风电消纳情况图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1所示，一种基于t分布杂草算法的风储一体化***优化调度方法，所述方法包括以下步骤：
S1：根据电力***的实际运行参数，建立风储一体化电力***优化调度数学模型，目标函数公式如下：
minf=FH+FM+FW+FC （1）
式（1）中，FH为煤耗成本，FM火电污染成本，FW为弃风成本，FC储能运行成本；
S2：将电力***的调度周期分成若干时间段并设定约束条件，给出风电预测出力以及各时段负荷，约束条件包括功率平衡约束、机组出力约束、火电机组爬坡约束、充放电功率约束、储能约束、风储一体化约束、旋转备用约束；
S3：利用t分布杂草算法计算针对此问题进行优化，初始化得到不同的风储一体化电力***优化调度的方案；
S4：判断所有方案是否满足约束条件，对不合格方案进行调整；
S5：判断是否满足最大迭代次数，若满足，输出最优调度方案，优化调度方法结束；若不满足，对比所有方案并利用t分布杂草算法产生新的方案，进入S4；
本实施例中，首先根据风储一体化电力***的实际运行特性建立电力***优化调度数学模型并设定相关约束条件，然后引入t分布杂草算法对所建立的优化调度数学模型进行求解，以此得到所述该电力***的优化调度方案，本实施例中，t分布杂草算法通过采用拉丁超立方抽样初始化，增加初始种群的多样性，利用t分布进行子代扩散，实现算法全局搜索和局部搜索的自适应转变，加强了寻优能力，引入入侵种群策略，降低了算法陷入局部最优的概率，最后提高了寻优精度，降低了电力***运行成本，提高了风电的消纳。本实施例中，负荷预测和风电出力预测是通过现有技术软件进行预测。
如图1所示，所述步骤S1中的电力***优化调度数学模型具体表示为：
Figure 413285DEST_PATH_IMAGE020
（2）
式（2）中，FH为煤耗成本，FM火电污染成本，T为调度时段数，N为火电机组数，PH,i,t 为t时段第i各火电机组出力，ai、bi、ci为第i个火电机组燃料成本系数，αi、βi、γi为第 i个 火电机组污染成本系数，PW,l,t为t时段第l台风力发电机风电出力，
Figure 305018DEST_PATH_IMAGE010
为t时段 第l台风力发电机出力最大值，Kwq弃风惩罚系数，CSC为储能成本系数，PC,t,out为t时段的储能 放电大小，PC,t,in为 t时段的储能充电大小。
本实施例中，利用t分布杂草算法对所建立的优化调度数学模型进行求解，算法流程如图2所示，具体步骤如下：
（1）设置最大种群规模P0，杂草种子维度D，最大迭代次数iter，产生子代种子最大和最小数量分别为Smax和Smin，杂草子代扩散系数l等参数；
（2）通过拉丁超立方抽样生成初始种群，种子分别记为P1、P2、P3、……、P0；
（3）计算当前所有种子适应度函数值fi，搜索当前所有种子最小适应度函数值fmin和最大适应度值fmax，然后确定每个杂草生成子代数量；
（4）每个杂草以t分布进行空间扩散生成子代，与父代组成新的种群；
（5）计算当前所有种子适应度函数值，并判断种群是否超出最大种群规模，若超出，淘汰适应度值不好的种子直到种群满足种群最大规模P0；
（6）重复（3）-（5）直到达到最大迭代次数iter，输出当前全局最优种子位置gbest；
本实施例中，算法寻优时应尽量满足根据风储一体化电力***设定的约束条件，寻优过程中根据约束条件中的限制数据，对不满足约束条件的方案中的机组出力进行调整。约束条件如下：
功率平衡约束
Figure 692137DEST_PATH_IMAGE005
（3）
式（3）中，PD,t为t时段***负荷总需求，Pl,t为t时段***网损，PC,t为t时段储能放电功率，PH,i,t为t时段第i个火电机组出力，PW,l,t为t时段风电预测出力。
机组出力约束
Figure 593096DEST_PATH_IMAGE006
（4）
Figure 483692DEST_PATH_IMAGE007
（5）
式（4）、（5）中，
Figure 811905DEST_PATH_IMAGE008
、
Figure 420741DEST_PATH_IMAGE009
分别为第i个火电机组的最小、最大出力 值，
Figure 125392DEST_PATH_IMAGE010
为t时刻风电预测最大出力。
火电机组爬坡约束
-Ri,down≤PH,i,t- PH,i,t-1 ≤Ri,up （6）
式（6）中，Ri,down、Ri,up 分别为第i个火电机组向下、向上的最大爬坡速率。
储能约束
Figure 136073DEST_PATH_IMAGE011
（7）
Figure 635188DEST_PATH_IMAGE012
（8）
式（7）、（8）中，
Figure 731320DEST_PATH_IMAGE013
为储能单位时间最大充放电功率，E C,t 为t时刻储能*** 容量，E C,max 为储能***最大容量, E C,min 为储能***最低容量，P C,t,in 和P C,t,out 分别为储能系 统t时刻充、放电功率，η in 和η out 分别为储能***的充、放电效率；△t表示时间变化量。
风储一体化约束
Figure 974082DEST_PATH_IMAGE014
（9）
式（9）中，PC,t,in表示储能充电，其值小于0。
旋转备用约束
Figure 839270DEST_PATH_IMAGE015
（10）
式（10）中，
Figure 509286DEST_PATH_IMAGE009
为第i个火电机组的最大出力；
Figure 92714DEST_PATH_IMAGE016
为第l个风电场 的最大出力；Ru(t)为t时刻正旋转备用，取值是***中t时刻最大负荷的10%。
下面以本发明中的电力***优化调度方法通过仿真实验予以说明。
实施例中风储一体化电力***包含5个火电机组，一个风储一体化电站，调度周期为1天，时段数T=24，时间间隔均为1h，风电预测出力及负荷曲线如图3，文中储能***不考虑投资成本，储能方式为磷酸铁锂电池。
将实例相关参数数据代入，进行优化计算，在满足约束条件的情况下，得出一个最小运行成本，杂草算法(IWO)、粒子群算法(PSO)、惯性权重对数递减的粒子群优化算法(LOGWPSO)与本发明所提t分布杂草算法优化(t-IWO)结果如表1所示：
表1四种算法对风储一体化电力***优化调度结果对比
Figure 342430DEST_PATH_IMAGE021
表2四种算法对分布式储能电力***优化调度结果对比
PSO LOGWPSO IWO t-IWO
平均运行成本/$ 731176 707957 695535 686792
弃风率/% 19.4 13.7 13.6 11.5
由表1、表2可知，t分布杂草算法的目标值均优于对照组其他算法的优化结果，可以兼顾降低运行成本和减少弃风率。由图4可以看出t-IWO整体寻优能力优于对比算法，本发明提出的改进算法对含风储一体化电力***的短期电力调度成本的寻优能力较其他优化算法有显著的优势。
由图5可知，风储一体化***使用更少的储能便可以达到更小的弃风率，风电利用率提高可以降低化石能源的使用，从而减少环境污染，因此证明了风储一体化在满足各种约束的情况下可以很好的解决减少弃风和降低成本的目标。说明本发明所提的一种基于t分布杂草算法的风储一体化***优化调度方法具有很好的优化调度结果，优于传统的电力***优化调度，具有现场应用价值与发展前景。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于t分布杂草算法的风储一体化***优化调度方法，其特征在于，包括以下步骤：
S1：将电力***的调度周期分成若干时间段，采集电力***的实际运行参数，并基于风储一体化电力***优化调度数学模型的目标函数及设定的约束条件，给出风电预测出力以及各时段负荷，利用t分布杂草算法针对此问题进行寻优，初始化得到不同的风储一体化电力***优化调度的方案；
S2：判断所有方案是否满足约束条件，对不合格方案进行调整；
S3：判断是否满足最大迭代次数，若满足，输出最优调度方案，优化调度方法结束；若不满足，由t分布杂草算法产生新的方案，进入S2；
t分布杂草算法产生新方案的过程具体为：
S61，个体繁殖；选择适应度函数, 适应度函数选用待解决问题的目标函数，计算个体适应度值，由杂草自身的适应度值确定每个杂草繁殖子代的数目，个体的适应度值越接近最优值产生种子越多，计算公式如下：
Figure DEST_PATH_IMAGE001
（10）
式（10）中，fi是第i个杂草的适应度值，fmax、fmin分别为当前最大、最小适应度值，Smax、Smin分别为设定的最大、最小种子个数，Wi表示种群中第i个杂草；
S62，杂草扩散；以杂草父代为中心，按t分布扩散生成Wi的子代，形成子代种群，子代扩散位置计算公式如下：
Pt,i=Pi+l·t(iter) （11）
式（11）中，Pt,i 为经过t分布扩散后子代位置，Pi为父代位置，l为扩散系数，t(iter)为自由度为iter时的t分布；
S63，优胜劣汰；种群规模会随着繁殖迭代而不断增大，但生态环境承受能力有限，当数超过最大种群规模Pmax时，需将全部杂草个体按适应度值大小进行排列，淘汰适应度差的个体，保留前Pmax个杂草；
S64，入侵种群；引入入侵策略，若不等式
Figure DEST_PATH_IMAGE002
连续n代成立，判定为算法陷入局部最 优，按照随机分布生成20%最大种群数的新的个体取代适应度值较低的旧的个体，其中式 中，pbest(k)为第k代最优适应度值，n和α均为正整数；
S62中t分布扩散具体为：
将自由度n设定为迭代次数，在前期运算t分布接近柯西分布，t分布杂草算法相较于普通杂草算法分布较广，因此全局搜索能力要更强，在运算后期t分布随着迭代次数增加逐渐趋近于标准正态分布，分布趋于集中，因此局部搜索能力随之增强，t分布概率密度函数如下式：
Figure DEST_PATH_IMAGE003
（12）
式（12）中，n为自由度。
2.根据权利要求1所述的一种基于t分布杂草算法的风储一体化***优化调度方法，其 特征在于，采集电力***实际运行参数：火电机组最大最小出力
Figure DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
；火电机 组向下向上爬坡功率Ri,down、Ri,up；储能容量限制E C,max ；储能单位时间最大充放电功率
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
。
3.根据权利要求1所述的一种基于t分布杂草算法的风储一体化***优化调度方法，其特征在于，风储一体化电力***优化调度数学模型的目标函数基于以下公式
minf=FH+FM+FW+FC （1）
式（1）中，FH为煤耗成本，FM火电污染成本，FW为弃风成本，FC储能运行成本。
4.根据权利要求1所述的一种基于t分布杂草算法的风储一体化***优化调度方法，其特征在于，约束条件包括功率平衡约束、机组出力约束、火电机组爬坡约束、储能约束、风储一体化约束、旋转备用约束，具体是：
功率平衡约束
Figure DEST_PATH_IMAGE008
（2）
式（2）中，PD,t为t时段***负荷总需求，Pl,t为t时段***网损，PC,t为t时段的储能充放电功率大小，PH,i,t为t时段第i个火电机组出力，PW,l,t为t时段风电预测出力；
机组出力约束
Figure DEST_PATH_IMAGE009
（3）
Figure DEST_PATH_IMAGE010
（4）
式（3）、（4）中，
Figure DEST_PATH_IMAGE011
、
Figure DEST_PATH_IMAGE012
分别为第i个火电机组的最小、最大出力值，
Figure DEST_PATH_IMAGE013
为t时刻风电预测最大出力；
火电机组爬坡约束
-Ri,down≤PH,i,t- PH,i,t-1 ≤Ri,up （5）
式（5）中，Ri,down、Ri,up 分别为第i个火电机组向下、向上的最大爬坡速率；
储能约束
Figure DEST_PATH_IMAGE014
（6）
Figure DEST_PATH_IMAGE015
（7）
式（6）、（7）中，
Figure DEST_PATH_IMAGE016
为储能单位时间最大充放电功率，E C,t 为t时刻储能***容量，E C,max 为储能***最大容量, E C,min 为储能***最低容量，P C,t,in 和P C,t,out 分别为储能***t时刻 充、放电功率，η in 和η out 分别为储能***的充、放电效率；△t表示一个调度时段，即从t到t+ 1；
风储一体化约束
Figure DEST_PATH_IMAGE017
（8）
式（8）中，P C,t,in 表示储能充电，其值小于0；
旋转备用约束
Figure DEST_PATH_IMAGE018
（9）
式（9）中，
Figure 979580DEST_PATH_IMAGE012
为第i个火电机组的最大出力；
Figure DEST_PATH_IMAGE019
为第l个风电场的最大出力；Ru (t)为t时刻正旋转备用，取值是***中t时刻最大负荷的10%。
5.根据权利要求1所述的一种基于t分布杂草算法的风储一体化***优化调度方法，其特征在于，S1中t分布杂草算法初始化过程具体为：定义机组个数为N，调度时间为一天，分为24个时段，在满足约束范围内以拉丁超立方抽样生成初始种群，生成P0个杂草种子，每个杂草种子代表一个调度方案，种子分别记为P1、P2、P3、……、P0。
CN202210090266.4A 2022-01-26 2022-01-26 一种基于t分布杂草算法的风储一体化***优化调度方法 Active CN114123354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210090266.4A CN114123354B (zh) 2022-01-26 2022-01-26 一种基于t分布杂草算法的风储一体化***优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210090266.4A CN114123354B (zh) 2022-01-26 2022-01-26 一种基于t分布杂草算法的风储一体化***优化调度方法

Publications (2)

Publication Number Publication Date
CN114123354A CN114123354A (zh) 2022-03-01
CN114123354B true CN114123354B (zh) 2022-05-17

Family

ID=80361449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210090266.4A Active CN114123354B (zh) 2022-01-26 2022-01-26 一种基于t分布杂草算法的风储一体化***优化调度方法

Country Status (1)

Country Link
CN (1) CN114123354B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9995507B2 (en) * 2009-04-15 2018-06-12 Richard Norman Systems for cost-effective concentration and utilization of solar energy
CN106156921B (zh) * 2015-04-10 2021-11-09 华北电力大学（保定） 基于Copula理论的电动汽车光伏充电站储能配置选择方法
CN106159938A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 一种风光联合发电微电网***电源优化配置方法
CN105119320B (zh) * 2015-09-15 2017-06-16 东北大学 一种分散式风电场风机优化布置***及方法
CN107204632B (zh) * 2017-07-15 2019-10-22 东北电力大学 一种提升风电消纳的柔性负荷优化调度方法
CN109038545B (zh) * 2018-07-10 2020-10-23 上海电力学院 一种基于差分进化入侵杂草算法的配电网重构方法

Also Published As

Publication number Publication date
CN114123354A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
WO2023274425A1 (zh) 一种风光水火储***的多能容量优化配置方法
CN107994595B (zh) 一种削峰填谷控制方法和***以及应用该控制方法的***
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN107609693A (zh) 基于Pareto档案粒子群算法的微电网多目标优化方法
CN112821470B (zh) 基于小生境混沌粒子群算法的微网群优化调度策略
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN111682536B (zh) 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN109034587B (zh) 一种协调多种可控单元的主动配电***优化调度方法
CN114204550A (zh) 一种含多类型新能源的电力***绿色调度方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力***优化调度方法及***
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
CN110648006A (zh) 一种考虑风光相关性的日前优化调度方法
CN110796373A (zh) 面向风电消纳的多阶段场景生成电热***优化调度方法
CN111126765B (zh) 一种电动汽车群联合优化方法及***
CN115147245A (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
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
CN114741960A (zh) 一种综合能源经济环境调度优化方法及***
CN114117925A (zh) 考虑高比例分布式光伏消纳的综合能源***规划方法
CN114123354B (zh) 一种基于t分布杂草算法的风储一体化***优化调度方法
Welch et al. Comparison of two optimal control strategies for a grid independent photovoltaic system
CN111753438B (zh) 一种基于时序特性的配电网分布式电源及储能双层优化规划方法
CN114784896A (zh) 面向虚拟电厂的规模化充电桩能量优化管理方法和***
CN113410872A (zh) 一种风电场内机组间的功率优化分配算法
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
CN109094418B (zh) 基于逐层优化策略的电动汽车主动排序充电控制方法

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
GR01 Patent grant
GR01 Patent grant