CN114528771A - 基于混合粒子群算法的新能源消纳测算方法及*** - Google Patents
基于混合粒子群算法的新能源消纳测算方法及*** Download PDFInfo
- Publication number
- CN114528771A CN114528771A CN202210220982.XA CN202210220982A CN114528771A CN 114528771 A CN114528771 A CN 114528771A CN 202210220982 A CN202210220982 A CN 202210220982A CN 114528771 A CN114528771 A CN 114528771A
- Authority
- CN
- China
- Prior art keywords
- particle swarm
- power grid
- new energy
- unit
- optimization
- 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 98
- 239000002245 particle Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005265 energy consumption Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 238000005192 partition Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 16
- 238000010977 unit operation Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于混合粒子群算法的新能源消纳测算方法及***。本发明的测算方法包括:步骤1、准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;步骤2、构建电网分区模型;步骤3、电网运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;步骤4、创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;根据上述步骤建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法。本发明采用的混合粒子群算法不仅拥有常规粒子群算法的优点,并且比常规粒子群算法在计算速度方面更为快速,在计算结果方面也更为精确。
Description
技术领域
本发明涉及新能源消纳的测算分析领域,具体地说是一种基于混合粒子群算法的新能源消纳测算方法及***。
背景技术
随着中国风电、光伏等新能源高速发展,在新能源大规模并网与电网新能源消纳困难的矛盾背景下,不断提高电力***新能源消纳水平、降低弃风、弃光电量成为电网调度机构面临的重大挑战。
目前,国内外关于新能源消纳能力分析的研究主要集中在定性分析方面,对定量计算方法的研究较少。在以新能源消纳能力计算模型来测算新能源消纳能力的建模方法中,典型日分析方法不能体现一段时间内每日新能源出力特性、负荷特性以及全网机组组合的差异性,计算结果往往过于保守,且不能用于指导电网年度/月度运行方式优化。
发明内容
本发明的目的在于对基于生产时序模拟的新能源消纳进行测算,提供一种基于混合粒子群算法的新能源消纳测算方法及***,其基于常规的粒子群算法,在粒子群算法中将常数型惯性权重改为自适应的惯性权重,以避免寻优过程中陷入局部最优问题;同时在粒子群算法中加入罚函数法,以满足优化模型中复杂约束条件的要求。
为此,本发明采用的一种技术方案为:基于混合粒子群算法的新能源消纳测算方法,其包括:
步骤1、准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;
步骤2、构建电网分区模型:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对步骤1的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;
步骤3、电网运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;
步骤4、创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;
根据上述步骤建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法;
所述的混合粒子群算法通过下述方法得到:在常规粒子群算法的基础上,根据优化模型中的自变量个数以及自变量的维数,将其改进为多变量多维的粒子群算法;同时融入罚函数法,以满足优化模型的约束条件多且复杂的要求;再将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法。
本发明采用时序生产模拟法,在计算全年消纳值具有良好的准确性,能够获得新能源年度最优消纳值,为能源发展规划提供有效依据。
本发明首先需要建立新能源消纳能力计算模型,其中包括电网分区模型、火电机组模型、水电机组模型以及新能源模型,然后通过以上几种基础数据的模型,建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,再将常规的粒子群算法经过改进之后用于优化模型的计算求解。
所述的优化模型为混合整数规划模型,现阶段对于混合整数线性规划模型的求解算法主要包括精确算法和启发式算法两类,其中精确算法包括分支定界法、列生成法等,启发式算法包括粒子群算法、遗传算法、模拟退火算法等。其中,精确算法虽然能够求得模型的精确最优解,但其缺点在于在现有计算机技术下、在有限的计算时间内无法处理决策变量较多的问题。
粒子群算法是一类不确定算法,不确定性体现了自然界生物的生物机制,在求解新能源测算模型中优于确定性算法。它是一类概率型的全局优化算法,在求解优化问题中可得到全局最优解,且不依赖于优化问题本身的严格数学性质。粒子群算法中的各个智能体之间通过相互协作来更好的适应环境,表现出与环境交互的能力。本发明提供的测算方法基于常规的粒子群算法,且在粒子群算法中将常数型惯性权重改为自适应的惯性权重,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高,稳定性及寻优结果好等优点;同时在粒子群算法中加入罚函数法,满足了优化模型中复杂的约束条件的要求。
进一步地,所述优化模型的目标函数如式(4)所示:
式中:N为***所包含的分区电网总数;n为某一分区电网;T为调度时间的总长度;t为仿真时间步长;Pw(t,n)为分区电网n在时段t的风电出力;Ppv(t,n)为分区电网n在时段t的光伏发电出力。
更进一步地,所述优化模型的约束条件包括式(5)的***旋转备用容量约束、式(6)的负荷平衡约束、式(7)~(10)的常规机组出力约束、式(11)的机组启停机约束、式(12)的机组电量约束和式(13)的断面输送能力约束;
0≤ΔPj(t,n)≤Pj,max(t,n)-Pj,min(t,n)Sj(t,n) (7)
Pj(t,n)=Pj,max(t,n)·Sj(t,n)+ΔPj(t,n) (8)
Pj(t+1,n)-Pj(t,n)≤ΔPj,up(n) (9)
Pj(t,n)-Pj(t+1,n)≤ΔPj,down(n) (10)
0≤Sj(t,n)≤Sj,max(t,n) (11)
-Li,min≤Li(t)≤Li,max (13)
式中:Pj(t,n)为分区电网n在t时刻第j台机组出力;ΔPj(t,n)为分区电网n在t时刻第j台常规机组优化功率;Pj,max和Pj,min分别为机组最大和最小技术出力占装机容量的百分比;Sj为机组台数;ΔPj,up和ΔPj,down分别为第j台机组的上爬坡率和下爬坡率;Li(t)为第i个受限断面的功率;J表示第J类机组;Pl(t,n)表示分区电网n在t时刻的负荷;Pre表示正旋转备用容量;Nre表示负旋转备用容量;Sj,max(t,n)表示第J类机组的最大机组数量;Ej,min和Ej,max分别为第J类机组的最小和最大电量;ΔT表示仿真过程中相邻两个仿真时间步长的时间间隔;Li,min和Li,max分别为第i个断面最小和最大输送能力。
进一步地,所述步骤1中,通过时序生产模拟仿真,将新能源发电看作随时间变化的序列,其序列的变化特性需与所在地区的新能源资源变化特性一致;负荷数据、省间联络线及断面数据用历史时间的实际数据。
进一步地,所述步骤2中,根据电网分区情况配置电网机组,包括配置机组种类以及数量。
进一步地,所述步骤3中,电网运行方式包括火电机组运行方式、水电机组运行方式、抽蓄机组运行方式、联络线方式、备用方式、断面限额方式和断面限额方式。
进一步地,所述步骤4的具体内容包括:
配置所述步骤1、步骤2以及步骤3的各项数据,启动计算;模型的每次计算及优化迭代考虑未来一周的负荷大小、新能源理论出力大小、***备用、常规机组最小开机方式、常规机组电量约束,优化制定一周的常规机组开机方式计划及出力计划,该周优化完成后,将该周的所有优化信息提取并保存,传递到下一周,作为下一周的优化初始值,依次优化;最后输出结果并查看。
进一步地,在计算新的案例时,若电网分区模型没有变化,则仅需修改案例中常规机组的运行方式,就可重新启动运算。
进一步地,所述将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法,即采用正切函数把常数型惯性权重转化为非线性惯性权重函数,函数如下所示:
其中,ωstart为初始惯性权重;ωend为终止惯性权重;t为当前迭代次数;tmax为初始设置的最大迭代次数;k为控制因子;
在优化迭代计算时间上将以最大迭代次数为迭代停止条件的粒子群算法改进为以达到函数变化量容忍度一定次数之后自动跳出迭代循环。
本发明采用的另一种技术方案为:基于混合粒子群算法的新能源消纳测算***,其包括:
基础数据准备单元:准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;
电网分区单元:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对基础数据准备单元中的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;
电网运行方式维护单元:进行运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;
数据计算单元:创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;
根据上述单元建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法;
所述的混合粒子群算法通过下述方法得到:在常规粒子群算法的基础上,根据优化模型中的自变量个数以及自变量的维数,将其改进为多变量多维的粒子群算法;同时融入罚函数法,以满足优化模型的约束条件多且复杂的要求;再将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法。
本发明提出的混合粒子群算法不仅仅拥有常规粒子群算法的优势,并且比常规粒子群算法在计算速度方面更为快速,在计算结果方面也更为精确。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明电网分区模型的示意图;
图2是本发明新能源消纳测算方法的流程图;
图3是本发明粒子群算法的流程示意图;
图4是本发明逐周优化流程示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
结合图2所示的根据本发明某些实施例的一种基于混合粒子群算法的新能源消纳测算方法的流程图,根据本发明的某些实施例,一种基于混合粒子群算法的新能源消纳测算方法,包括以下步骤:步骤1、准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;步骤2、构建电网分区模型:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对步骤1的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;步骤3、电网运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;步骤4、创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;计算新的案例时,若电网模型没有变化,则仅修改案例中常规机组的运行方式,可重新启动运算。
根据上述步骤建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法。
电网分区模型:分区电网用于计算新能源消纳能力,根据电网新能源外送通道受阻情况对目标电网进行分区,并对分区内的负荷、新能源、常规电源、联络线进行归类。电网分区模型如图1所示。
优化模型
1、目标函数。新能源消纳能力计算的优化目标为新能源发电量最大,即各区域所有时段新能源功率总和最大,其目标函数如式(4)所示。
式中:N为***所包含的分区电网总数;n为某一分区电网;T为调度时间的总长度;t为仿真时间步长;Pw(t,n)为分区电网n在时段t的风电出力;Ppv(t,n)为分区电网n在时段t的光伏发电出力。
2、约束条件。约束条件包括式(5)的***旋转备用容量约束、式(6)的负荷平衡约束、式(7)~(10)的常规机组出力约束、式(11)的机组启停机约束、式(12)的机组电量约束和式(13)的断面输送能力约束。
0≤ΔPj(t,n)≤Pj,max(t,n)-Pj,min(t,n)Sj(t,n) (7)
Pj(t,n)=Pj,max(t,n)·Sj(t,n)+ΔPj(t,n) (8)
Pj(t+1,n)-Pj(t,n)≤ΔPj,up(n) (9)
Pj(t,n)-Pj(t+1,n)≤ΔPj,down(n) (10)
0≤Sj(t,n)≤Sj,max(t,n) (11)
-Li,min≤Li(t)≤Li,max (13)
式中:Pj(t,n)为分区电网n在t时刻第j台机组出力;ΔPj(t,n)为分区电网n在t时刻第j台常规机组优化功率;Pj,max和Pj,min分别为机组最大和最小技术出力占装机容量的百分比;Sj为机组台数;ΔPj,up和ΔPj,down分别为第j台机组的上爬坡率和下爬坡率;Li(t)为第i个受限断面的功率;J表示第J类机组;Pl(t,n)表示分区电网n在t时刻的负荷;Pre表示正旋转备用容量;Nre表示负旋转备用容量;Sj,max(t,n)表示第J类机组的最大机组数量;Ej,min和Ej,max分别为第J类机组的最小和最大电量;ΔT表示仿真过程中相邻两个仿真时间步长的时间间隔;Li,min和Li,max分别为第i个断面最小和最大输送能力。
上述所建立的优化模型属于混合整数规划模型,本发明的测算方法中关于优化模型的求解算法采用人工智能算法中粒子群算法。由于该优化模型中包含机组最大、最小出力约束以及机组启停机约束等,常规的粒子群算法已经无法满足该优化模型的求解需要。本发明的测算方法中,根据优化模型中的自变量个数,将常规粒子群算法改进为多维的粒子群算法,同时为了满足多约束条件的要求,在粒子群算法中加入了罚函数法。为了得到更加精确的优化结果,将常规的粒子群算法结合自适应惯性权重得到混合粒子群算法,即采用常见的正切函数把常数型惯性权重转化为非线性惯性权重函数,函数如下所示:
其中,ωstart为初始惯性权重,取经验值0.9;ωend为终止惯性权重,取0.4;t为当前迭代次数;tmax为初始设置的最大迭代次数;k为控制因子,取0.6。
在优化迭代计算时间上将以最大迭代次数为迭代停止条件的粒子群算法改进为以达到函数变化量容忍度一定次数之后自动跳出迭代循环,尽可能的缩短优化计算的时间。
改进后的粒子群算法的流程图如图3所示。
本发明测算方法对数据采逐周优化模型。每次优化迭代考虑未来一周(7天)的负荷大小、新能源理论出力大小、***备用、常规机组最小开机方式、常规机组电量约束等边界条件,优化一周(7天)的数据。该周优化完成后,将该周的所有优化信息(包括机组启停机状态、抽水蓄能机组抽/放水状态、常规机组发电量大小等)提取并保存,传递到下一周,作为下一周的优化初始值,依次优化。逐周优化流程示意图如图4所示。
在一些例子中,前述步骤1数据准备,包括新能源数据、负荷数据、省间联络线数据及断面数据等:
通过时序生产模拟仿真,将新能源发电看作随时间变化的序列,其序列的变化特性需与所在地区的新能源资源变化特性一致;负荷数据、省间联络线及断面数据用历史时间的实际数据。
在一些例子中,所述步骤2中,根据电网分区情况配置电网机组,包括配置机组种类以及数量。
在一些例子中,前述步骤3,电网运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束,其具体实现包括:
电网运行方式包括火电机组运行方式、水电机组运行方式、抽蓄机组运行方式、联络线方式、备用方式、断面限额方式和断面限额方式(联络线优化模型)。
在一些例子中,前述步骤4,案例创建,根据案例计算需求配置相应的计算数据,启动计算并查看结果,其具体实现包括:
配置前述步骤1、步骤2以及步骤3的各项数据,启动计算。模型的每次计算及优化迭代考虑未来一周(7天)的负荷大小、新能源理论出力大小、***备用、常规机组最小开机方式、常规机组电量约束等边界条件,优化制定一周(7天)的常规机组开机方式计划(水电、火电、核电等)及出力计划,该周优化完成后,将该周的所有优化信息(包括机组启停机状态、抽水蓄能机组抽/放水状态、常规机组发电量大小等)提取并保存,传递到下一周,作为下一周的优化初始值,依次优化。最后输出结果并查看结果。
实施例2
本实施例为一种基于混合粒子群算法的新能源消纳测算***,其包括:
基础数据准备单元:准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;
电网分区单元:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对基础数据准备单元中的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;
电网运行方式维护单元:进行运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;
数据计算单元:创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;
在计算新的案例时,若电网分区模型没有变化,则仅需修改案例中常规机组的运行方式,就可重新启动运算。
根据上述单元建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法;
所述的混合粒子群算法通过下述方法得到:在常规粒子群算法的基础上,根据优化模型中的自变量个数以及自变量的维数,将其改进为多变量多维的粒子群算法;同时融入罚函数法,以满足优化模型的约束条件多且复杂的要求;再将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法。
所述优化模型的目标函数如式(4)所示:
式中:N为***所包含的分区电网总数;n为某一分区电网;T为调度时间的总长度;t为仿真时间步长;Pw(t,n)为分区电网n在时段t的风电出力;Ppv(t,n)为分区电网n在时段t的光伏发电出力。
所述优化模型的约束条件包括式(5)的***旋转备用容量约束、式(6)的负荷平衡约束、式(7)~(10)的常规机组出力约束、式(11)的机组启停机约束、式(12)的机组电量约束和式(13)的断面输送能力约束;
0≤ΔPj(t,n)≤Pj,max(t,n)-Pj,min(t,n)Sj(t,n) (7)
Pj(t,n)=Pj,max(t,n)·Sj(t,n)+ΔPj(t,n) (8)
Pj(t+1,n)-Pj(t,n)≤ΔPj,up(n) (9)
Pj(t,n)-Pj(t+1,n)≤ΔPj,down(n) (10)
0≤Sj(t,n)≤Sj,max(t,n) (11)
-Li,min≤Li(t)≤Li,max (13)
式中:Pj(t,n)为分区电网n在t时刻第j台机组出力;ΔPj(t,n)为分区电网n在t时刻第j台常规机组优化功率;Pj,max和Pj,min分别为机组最大和最小技术出力占装机容量的百分比;Sj为机组台数;ΔPj,up和ΔPj,down分别为第j台机组的上爬坡率和下爬坡率;Li(t)为第i个受限断面的功率;J表示第J类机组;Pl(t,n)表示分区电网n在t时刻的负荷;Pre表示正旋转备用容量;Nre表示负旋转备用容量;Sj,max(t,n)表示第J类机组的最大机组数量;Ej,min和Ej,max分别为第J类机组的最小和最大电量;ΔT表示仿真过程中相邻两个仿真时间步长的时间间隔;Li,min和Li,max分别为第i个断面最小和最大输送能力。
所述基础数据准备单元中,通过时序生产模拟仿真,将新能源发电看作随时间变化的序列,其序列的变化特性需与所在地区的新能源资源变化特性一致;负荷数据、省间联络线及断面数据用历史时间的实际数据。
所述电网分区单元中,根据电网分区情况配置电网机组,包括配置机组种类以及数量。
所述电网运行方式维护单元中,运行方式包括火电机组运行方式、水电机组运行方式、抽蓄机组运行方式、联络线方式、备用方式、断面限额方式和断面限额方式。
所述数据计算单元的具体内容包括:
配置所述基础数据准备单元、电网分区单元以及电网运行方式维护单元的各项数据,启动计算;模型的每次计算及优化迭代考虑未来一周的负荷大小、新能源理论出力大小、***备用、常规机组最小开机方式、常规机组电量约束,优化制定一周的常规机组开机方式计划及出力计划,该周优化完成后,将该周的所有优化信息提取并保存,传递到下一周,作为下一周的优化初始值,依次优化;最后输出结果并查看。
所述将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法,即采用正切函数把常数型惯性权重转化为非线性惯性权重函数,函数如下所示:
其中,ωstart为初始惯性权重;ωend为终止惯性权重;t为当前迭代次数;tmax为初始设置的最大迭代次数;k为控制因子;
在优化迭代计算时间上将以最大迭代次数为迭代停止条件的粒子群算法改进为以达到函数变化量容忍度一定次数之后自动跳出迭代循环。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.基于混合粒子群算法的新能源消纳测算方法,其特征在于,包括:
步骤1、准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;
步骤2、构建电网分区模型:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对步骤1的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;
步骤3、电网运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;
步骤4、创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;
根据上述步骤建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法;
所述的混合粒子群算法通过下述方法得到:在常规粒子群算法的基础上,根据优化模型中的自变量个数以及自变量的维数,将其改进为多变量多维的粒子群算法;同时融入罚函数法,以满足优化模型的约束条件多且复杂的要求;再将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法。
3.根据权利要求2所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,所述优化模型的约束条件包括式(5)的***旋转备用容量约束、式(6)的负荷平衡约束、式(7)~(10)的常规机组出力约束、式(11)的机组启停机约束、式(12)的机组电量约束和式(13)的断面输送能力约束;
0≤ΔPj(t,n)≤Pj,max(t,n)-Pj,min(t,n)Sj(t,n) (7)
Pj(t,n)=Pj,max(t,n)·Sj(t,n)+ΔPj(t,n) (8)
Pj(t+1,n)-Pj(t,n)≤ΔPj,up(n) (9)
Pj(t,n)-Pj(t+1,n)≤ΔPj,down(n) (10)
0≤Sj(t,n)≤Sj,max(t,n) (11)
-Li,min≤Li(t)≤Li,max (13)
式中:Pj(t,n)为分区电网n在t时刻第j台机组出力;ΔPj(t,n)为分区电网n在t时刻第j台常规机组优化功率;Pj,max和Pj,min分别为机组最大和最小技术出力占装机容量的百分比;Sj为机组台数;ΔPj,up和ΔPj,down分别为第j台机组的上爬坡率和下爬坡率;Li(t)为第i个受限断面的功率;J表示第J类机组;Pl(t,n)表示分区电网n在t时刻的负荷;Pre表示正旋转备用容量;Nre表示负旋转备用容量;Sj,max(t,n)表示第J类机组的最大机组数量;Ej,min和Ej,max分别为第J类机组的最小和最大电量;ΔT表示仿真过程中相邻两个仿真时间步长的时间间隔;Li,min和Li,max分别为第i个断面最小和最大输送能力。
4.根据权利要求1所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,所述步骤1中,通过时序生产模拟仿真,将新能源发电看作随时间变化的序列,其序列的变化特性需与所在地区的新能源资源变化特性一致;负荷数据、省间联络线数据及断面数据用历史时间的实际数据。
5.根据权利要求1所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,所述步骤2中,根据电网分区情况配置电网机组,包括配置机组种类以及数量。
6.根据权利要求1所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,所述步骤3中,
电网运行方式包括火电机组运行方式、水电机组运行方式、抽蓄机组运行方式、联络线方式、备用方式、断面限额方式和断面限额方式。
7.根据权利要求1所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,所述步骤4的具体内容包括:
配置所述步骤1、步骤2以及步骤3的各项数据,启动计算;模型的每次计算及优化迭代考虑未来一周的负荷大小、新能源理论出力大小、***备用、常规机组最小开机方式、常规机组电量约束,优化制定一周的常规机组开机方式计划及出力计划,该周优化完成后,将该周的所有优化信息提取并保存,传递到下一周,作为下一周的优化初始值,依次优化;最后输出结果并查看。
8.根据权利要求1所述的基于混合粒子群算法的新能源消纳测算方法,其特征在于,在计算新的案例时,若电网分区模型没有变化,则仅需修改案例中常规机组的运行方式,就可重新启动运算。
10.基于混合粒子群算法的新能源消纳测算***,其特征在于,包括:
基础数据准备单元:准备基础数据,包括新能源数据、负荷数据、省间联络线数据及断面数据;
电网分区单元:根据电网新能源外送通道受阻情况对目标电网进行分区,按照电网分区情况搭建电网分区模型;对基础数据准备单元中的基础数据进行分类,在电网分区模型中进行配置,并配置各分区内火电和水电数据;
电网运行方式维护单元:进行运行方式维护,依据实际电网常规机组运行方式,配置各分区内常规机组的运行约束;
数据计算单元:创建案例,根据案例计算需求配置相应的计算数据,启动计算并查看结果;
根据上述单元建立以新能源发电量最大为优化目标的含机组启停机约束的优化模型,其在新能源消纳测算方法中采用混合粒子群算法;
所述的混合粒子群算法通过下述方法得到:在常规粒子群算法的基础上,根据优化模型中的自变量个数以及自变量的维数,将其改进为多变量多维的粒子群算法;同时融入罚函数法,以满足优化模型的约束条件多且复杂的要求;再将经上述改进之后的粒子群算法结合自适应惯性权重得到混合粒子群算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220982.XA CN114528771A (zh) | 2022-03-08 | 2022-03-08 | 基于混合粒子群算法的新能源消纳测算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220982.XA CN114528771A (zh) | 2022-03-08 | 2022-03-08 | 基于混合粒子群算法的新能源消纳测算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528771A true CN114528771A (zh) | 2022-05-24 |
Family
ID=81627684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220982.XA Pending CN114528771A (zh) | 2022-03-08 | 2022-03-08 | 基于混合粒子群算法的新能源消纳测算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528771A (zh) |
-
2022
- 2022-03-08 CN CN202210220982.XA patent/CN114528771A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393054B (zh) | 一种风储联合***的优化调度方法及优化调度*** | |
CN107276127B (zh) | 考虑联络线电力交易计划的多区域互联电力***的风电消纳优化方法 | |
WO2018059096A1 (zh) | 一种多类电源发电计划组合决策方法及存储介质 | |
CN111555281B (zh) | 一种电力***灵活性资源配置仿真方法及装置 | |
CN103699941A (zh) | 一种电力***调度运行年方案的制定方法 | |
CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN110826773B (zh) | 一种考虑新能源接入的火电机组月度发电计划优化方法 | |
CN113298407B (zh) | 一种工业园区电-气综合能源***优化调度模型建立方法 | |
CN112186734B (zh) | 一种电力***中长期运行模拟方法、储存介质及计算设备 | |
CN115099590B (zh) | 计及光荷不确定性的主动配电网经济优化调度方法及*** | |
Zhang et al. | Bi-level optimization dispatch of integrated-energy systems with P2G and carbon capture | |
CN113255982A (zh) | 一种风光水互补***中长期优化调度方法 | |
CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
CN108667077A (zh) | 一种风蓄联合***优化调度方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄***在线调度方法 | |
CN113708404A (zh) | 基于自动强化学习多时段预测的孤立微电网优化调度方法 | |
CN114465226A (zh) | 一种电力***多级备用获取联合优化模型的建立方法 | |
CN103679284A (zh) | 一种消纳风电接入的定区间滚动调度方法 | |
CN118034874A (zh) | Cchp***的运行优化方法、装置、设备及存储介质 | |
Chen et al. | Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm | |
CN116581775A (zh) | 一种考虑核电调峰的电力电量平衡分析方法及*** | |
CN116169785A (zh) | 一种基于深度q学习的灵活互动资源安全运行预警方法 | |
CN114528771A (zh) | 基于混合粒子群算法的新能源消纳测算方法及*** | |
CN109149630A (zh) | 一种新能源电量消纳能力分析规划方法 | |
Ma et al. | Two-stage optimal dispatching based on wind-photovoltaic-pumped storage-thermal power combined power generation system |
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 |