CN116191493A - 一种火电机组深度调峰和复合储能协同规划方法与装置 - Google Patents
一种火电机组深度调峰和复合储能协同规划方法与装置 Download PDFInfo
- Publication number
- CN116191493A CN116191493A CN202211697089.2A CN202211697089A CN116191493A CN 116191493 A CN116191493 A CN 116191493A CN 202211697089 A CN202211697089 A CN 202211697089A CN 116191493 A CN116191493 A CN 116191493A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- thermal power
- unit
- power
- pumping
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000002131 composite material Substances 0.000 title claims abstract description 65
- 238000005086 pumping Methods 0.000 claims abstract description 80
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 78
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 71
- 239000000126 substance Substances 0.000 claims abstract description 67
- 230000009467 reduction Effects 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008901 benefit Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002035 prolonged effect Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000005755 formation reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
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
- G06Q10/06—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
- 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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- H02J3/28—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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种火电机组深度调峰和复合储能协同规划方法，包括：以经济性最优、碳减排最优、弃风光量最小建立火电机组深度调峰和复合储能协同规划的多目标优化模型；基于熵权‑理想法对输入数据预处理，计算各决策变量的综合得分，确定火电深度调峰、抽蓄和化学储能的投入顺序；采用改进NSGA‑II方法结合模糊隶属度获得火电机组深度调峰量以及新建复合储能规划容量。本发明提出了基于熵权‑理想解进行数据预处理的改进NSGA‑II算法，建立多目标规划模型求取灵活性资源的最优配置方案，求解速度快，适应性强，兼顾了碳减排和新能源消纳能力，显著减小***的弃风光率，有利于电力***的低碳经济运行。
Description
技术领域
本发明涉及电力***规划技术领域，具体但不限于涉及一种火电机组深度调峰和复合储能协同规划方法与装置。
背景技术
由于新能源发电功率的波动性、间歇性以及不确定性，大规模新能源并网造成电网供电充裕性下降，给电力***调峰带来了极大的压力。未来电网中火电灵活性改造、化学储能以及抽水蓄能三类调峰资源在电网中的占比都较高，将三者进行协同规划运行有利于电力***的功率平衡以及安全稳定运行。
目前在进行灵活性资源优化规划时，常以经济最优或新能源消纳最大为目标。然而火电机组的深度调峰将导致其运行效率降低、锅炉燃烧不充分等问题，由此将带来新的环保压力，因此，需要协调火电机组灵活性改造与碳减排能力之间的矛盾。
有鉴于此，需要提供一种新的结构或方法，以期解决上述至少部分问题。
发明内容
针对现有技术中的一个或多个问题，本发明提出了一种火电机组深度调峰和复合储能协同规划方法，提出了基于熵权-理想解进行数据预处理的改进NSGA-II算法，建立多目标规划模型求取灵活性资源的最优配置方案，具有较快的求解速度，且适应性强，兼顾了碳减排和新能源消纳能力，显著减小***的弃风光率，有利于电力***的低碳经济运行。
实现本发明目的的技术解决方案为：
一种火电机组深度调峰和复合储能协同规划方法，包括：
S1、以年收益最大为目标建立经济性模型，以碳减排量最大为目标建立碳减排模型，以弃风光量最小为目标建立弃风光模型，基于前述经济性模型、碳减排模型和弃风光模型建立火电机组深度调峰和复合储能协同规划的多目标优化模型；
S2、基于熵权-理想法对输入数据进行预处理，所述输入数据为各决策变量，包括火电深度调峰、抽蓄和化学储能，计算得到多目标优化模型中各决策变量的综合得分，并根据各决策变量的综合得分由大到小确定火电深度调峰、抽蓄和化学储能的投入顺序；
S3、采用改进NSGA-II方法进行模型求解，所述改进方法在NSGA-II方法基础上通过引入正态分布交叉算子与自适应调整变异方式产生子代，获得Pareto最优解集，并通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S1中以年收益最大为目标建立经济性模型为：
max F1＝Prt+Prn-CH-Cs
式中，F1为年收益；Prt和Prn分别为火电收益和新能源发电收益；CH与Cs分别为抽蓄机组成本和化学储能成本；
其中，火电收益Prt包括电网公司对火电的售电收益、以及电网公司对参与深度调峰机组的补偿费，具体为：
式中，n为年总采样点数；i表示第i时刻；Pt为火电机组的实际出力ks和kb分别为电网售电价格和火电上网标杆电价；Ptd为火电机组较正常出力下限少发的功率，即参与深度调峰的功率；ktd为火电深度调峰电价补偿系数；
新能源发电收益Prn为其售电收益，并扣除弃风光带来的成本，具体为：
式中，Pn为并网新能源总出力；Pd为弃风光功率；kd为弃风光成本系数；
抽蓄机组成本CH包括新增抽蓄机组的建设成本、以及所有抽蓄机组的年运维成本，具体为：
CH＝PHkH+PnHknH/mH
式中，PH和kH分别为抽蓄机组的总装机及其年运维成本系数；PnH和knH分别为新增抽蓄功率以及抽蓄机组的建设成本系数；mH为抽蓄机组的使用年限；
化学储能成本Cs包括新建成本与运维成本，具体为：
式中，Ees为新增化学储能容量；kes为化学储能建设成本系数；ms和ns分别为化学储能的年充放电次数和全生命周期内可充放的总次数；ν为化学储能的年运维成本系数。
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S1中以碳减排量最大为目标建立碳减排模型为：
max F2＝Tp+Ts-Tt
式中，F2为碳减排量，具体为复合储能带来的碳减排量减去火电燃煤机组深度调峰带来的碳排放增量；Tp和Ts分别为抽蓄机组和化学储能运行折算的碳减排量；Tt为火电燃煤机组深度调峰产生的碳排放增量；knf为火电机组正常运行单位功率的碳排放系数；Pnf为未进入深度调峰火电机组的出力；kdf为火电机组深度调峰下单位碳排放增量系数；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pt为火电机组的实际出力；μgen和μn d均为0-1变量，值为1时表示抽蓄机组发电或化学储能放电。
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S1中以弃风光量最小为目标建立弃风光模型为：
式中，F3为弃风弃光量，Pd为弃风光功率；
其中，弃风光模型的约束条件包括：
1)***功率平衡约束：
式中，i表示第i时刻；Pt为火电机组的实际出力；Pn为并网新能源总出力；μpum和μgen均为0-1变量，且满足μpumμgen＝0，μpum为抽水标志，μpum＝1时表示抽水，μgen为发电标志，μgen＝1时表示发电；
和/>
均为0-1变量，且满足/>
μn c为化学储能充电标志，/>
时表示充电，/>
为化学储能放电标志，/>
时表示放电；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pd为弃风光功率；PL为***负荷；Ptie为省际交换功率，以流出为正；
2)电池储能电量平衡约束：
Es,min≤Es(i)≤Es,max
式中，Es(i)为电池在i时刻所储存的电量值；Ts为单位时间；ηc和ηd分别为电池储能的充电和放电效率；Es,min与Es,max分别为电池储能存储电量下限值与上限值；
3)电池储能出力约束：
式中，Psn为电池储能额定功率；
4)抽水蓄能机组库容约束：
EH,min≤EH(i)≤EH,max
式中，EH(i)为抽水蓄能电站在i时刻的蓄水量；EH,min和EH,max分别为抽水蓄能电站最小蓄水量与最大蓄水量；ηpum和ηgen分别为抽水和发电效率；
5)抽水蓄能机组出力约束：
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S2具体步骤包括：
S2-1、对各决策变量的经济性目标、碳减排目标或弃风光目标函数值进行如下方式的归一化处理：
式中，xij为第i个决策变量的第j个目标函数值，pij为xij的归一化结果；m和n分别表示目标函数个数以及决策变量数；
S2-2、计算各决策变量的目标函数值的信息熵ej、效用价值dj与熵权wj，具体为：
S2-3、采用理想解法确定最优方案，其中，对于如经济性目标和碳减排量目标的正理想解，有：
对于如弃风光量目标的负理想解，有：
式中，xj是指所有决策变量第j个目标函数值的集合，即xj＝{x1j,x2j,x3j}；正理想解是用来处理xij越大越好的指标，负理想解是用来处理xij越小越好的指标，使之转化为越大越好的指标x′ij；
S2-4、建立规范化矩阵：
zij＝x′ij×wj
式中，x′ij指所有理想解，包括正理想解和负理想解，Z为由综合加权指标zij构成的矩阵；
S2-5、计算第i个决策变量的最优解、最劣解、最优距离和最劣距离，具体为：
式中，z+为最优解，z-为最劣解，
为最优距离，/>
为最劣距离；
S2-6、计算第i个变量的加权综合得分，具体为：
式中，Ci表示第i个决策变量的综合得分，取值区间为(0,1)，Ci越接近1，表示决策变量的各项指标越接近最优水平，综合得分越高。
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S3中改进NSGA-II方法为：
(1)初始化算法产生有n个个体的父代种群，即各调峰手段的新建量，并根据数据预处理确定的各调峰手段投入顺序计算目标函数值；
(2)引入正态分布交叉算子与自适应调整变异方式进行交叉变异产生有n个个体的子代；
(3)合并父代与子代种群，对合并种群的目标函数值进行非支配排序与拥挤度计算；
(4)选取前n个个体生成新的父代种群；
(5)检查是否满足停止条件，即所有个体都是非支配解，若不满足则返回第(2)步，若满足则输出Pareto最优解集。
进一步的，本发明的火电机组深度调峰和复合储能协同规划方法，S3中通过模糊隶属度得到综合最优解包括：
求解目标函数最大化问题时的模糊隶属度函数为：
求解目标函数最小化问题时的模糊隶属度函数为：
式中，fj表示第j个目标函数值；
和/>
表示第j个目标函数的最大值与最小值；目标函数F1和F2分别为***总收益最大与碳减排量最大，选择最大值型隶属度函数；目标函数F3为弃风光量最小，选择最小值型隶属度函数；
Pareto最优解集的所有个体的满意度为：
式中，h表示整体满意度，h数值越大表示满意度越高。
一种火电机组深度调峰和复合储能协同规划装置，包括：
数据获取单元，用于获取某地区一年或多年内同一时点的风电、光伏、同步发电机的出力数据、负荷以及区外来电数据，同时获取未来年份新能源、抽蓄机组以及化学储能的规划数据；
建模单元，用于基于经济性、碳减排量以及弃风光量三个方面建立火电机组深度调峰和复合储能协同规划的多目标优化模型，并设立对应的约束条件；
求解单元，用于基于熵权理想解法对数据进行预处理的改进NSGA-II算法对多目标优化模型进行求解，获得Pareto最优解集，并通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的火电机组深度调峰和复合储能协同规划方法兼顾碳减排和新能源消纳能力，可显著减小***的弃风光率，有利于电力***的低碳经济运行。
2、本发明的火电机组深度调峰和复合储能协同规划方法提出的基于熵权-理想解法对数据进行预处理的改进NSGA-II算法，具有较快的求解速度，且适应性强。
附图说明
附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构成对本发明的限制。在附图中：
图1示出了本发明的火电机组深度调峰和复合储能协同规划方法的流程图。
图2示出了本发明的火电机组深度调峰和复合储能协同规划方法的改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法的迭代过程对比图。
图3示出了本发明的火电机组深度调峰和复合储能协同规划方法的改进NSGA-Ⅱ算法多目标规划的Pareto最优解集及综合最优解。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对典型的实施例，本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
根据本发明的一个方面，一种火电机组深度调峰和复合储能协同规划方法，包括：
S1、以年收益最大为目标建立经济性模型，以碳减排量最大为目标建立碳减排模型，以弃风光量最小为目标建立弃风光模型，基于前述经济性模型、碳减排模型和弃风光模型建立火电机组深度调峰和复合储能协同规划的多目标优化模型。其中：
(1)以年收益最大为目标建立经济性模型为：
max F1＝Prt+Prn-CH-Cs
式中，F1为年收益；Prt和Prn分别为火电收益和新能源发电收益；CH与Cs分别为抽蓄机组成本和化学储能成本；
其中，火电收益Prt包括电网公司对火电的售电收益、以及电网公司对参与深度调峰机组的补偿费，具体为：
式中，n为年总采样点数；i表示第i时刻；Pt为火电机组的实际出力ks和kb分别为电网售电价格和火电上网标杆电价；Ptd为火电机组较正常出力下限少发的功率，即参与深度调峰的功率；ktd为火电深度调峰电价补偿系数；
新能源发电收益Prn为其售电收益，并扣除弃风光带来的成本，具体为：
式中，Pn为并网新能源总出力；Pd为弃风光功率；kd为弃风光成本系数；
抽蓄机组成本CH包括新增抽蓄机组的建设成本、以及所有抽蓄机组的年运维成本，具体为：
CH＝PHkH+PnHknH/mH
式中，PH和kH分别为抽蓄机组的总装机及其年运维成本系数；PnH和knH分别为新增抽蓄功率以及抽蓄机组的建设成本系数；mH为抽蓄机组的使用年限；
化学储能成本Cs包括新建成本与运维成本，具体为：
式中，Ees为新增化学储能容量；kes为化学储能建设成本系数；ms和ns分别为化学储能的年充放电次数和全生命周期内可充放的总次数；ν为化学储能的年运维成本系数。
(2)以碳减排量最大为目标建立碳减排模型为：
max F2＝Tp+Ts-Tt
式中，F2为碳减排量，具体为复合储能带来的碳减排量减去火电燃煤机组深度调峰带来的碳排放增量；Tp和Ts分别为抽蓄机组和化学储能运行折算的碳减排量；Tt为火电燃煤机组深度调峰产生的碳排放增量；knf为火电机组正常运行单位功率的碳排放系数；Pnf为未进入深度调峰火电机组的出力；kdf为火电机组深度调峰下单位碳排放增量系数；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pt为火电机组的实际出力；μgen和
均为0-1变量，值为1时表示抽蓄机组发电或化学储能放电。
(3)以弃风光量最小为目标建立弃风光模型为：
式中，F3为弃风弃光量，Pd为弃风光功率；
其中，弃风光模型的约束条件包括：
1)***功率平衡约束：
式中，i表示第i时刻；Pt为火电机组的实际出力；Pn为并网新能源总出力；μpum和μgen均为0-1变量，且满足μpumμgen＝0，μpum为抽水标志，μpum＝1时表示抽水，μgen为发电标志，μgen＝1时表示发电；
和μn d均为0-1变量，且满足/>
为化学储能充电标志，/>
时表示充电，/>
为化学储能放电标志，/>
时表示放电；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pd为弃风光功率；PL为***负荷；Ptie为省际交换功率，以流出为正；
2)电池储能电量平衡约束：
Es,min≤Es(i)≤Es,max
式中，Es(i)为电池在i时刻所储存的电量值；Ts为单位时间；ηc和ηd分别为电池储能的充电和放电效率；Es,min与Es,max分别为电池储能存储电量下限值与上限值；
3)电池储能出力约束：
式中，Psn为电池储能额定功率；
4)抽水蓄能机组库容约束：
EH,min≤EH(i)≤EH,max
式中，EH(i)为抽水蓄能电站在i时刻的蓄水量；EH,min和EH,max分别为抽水蓄能电站最小蓄水量与最大蓄水量；ηpum和ηgen分别为抽水和发电效率；
5)抽水蓄能机组出力约束：
S2、基于熵权-理想法对输入数据进行预处理，所述输入数据为各决策变量，包括火电深度调峰、抽蓄和化学储能，计算得到多目标优化模型中各决策变量的综合得分，并根据各决策变量的综合得分由大到小确定火电深度调峰、抽蓄和化学储能的投入顺序。具体步骤包括：
S2-1、对各决策变量的经济性目标、碳减排目标或弃风光目标函数值进行如下方式的归一化处理：
式中，xij为第i个决策变量的第j个目标函数值，pij为xij的归一化结果；m和n分别表示目标函数个数以及决策变量数；
S2-2、计算各决策变量的目标函数值的信息熵ej、效用价值dj与熵权wj，具体为：
S2-3、采用理想解法确定最优方案，其中，对于如经济性目标和碳减排量目标的正理想解，有：
对于如弃风光量目标的负理想解，有：
式中，xj是指所有决策变量第j个目标函数值的集合，即xj＝{x1j,x2j,x3j}；正理想解是用来处理xij越大越好的指标，负理想解是用来处理xij越小越好的指标，使之转化为越大越好的指标x′ij；
S2-4、建立规范化矩阵：
zij＝x′ij×wj
式中，x′ij指所有理想解，包括正理想解和负理想解，Z为由综合加权指标zij构成的矩阵；
S2-5、计算第i个决策变量的最优解、最劣解、最优距离和最劣距离，具体为：
式中，z+为最优解，z-为最劣解，
为最优距离，/>
为最劣距离；
S2-6、计算第i个变量的加权综合得分，具体为：
式中，Ci表示第i个决策变量的综合得分，取值区间为(0,1)，Ci越接近1，表示决策变量的各项指标越接近最优水平，综合得分越高。
S3、采用改进NSGA-II方法进行模型求解，所述改进方法在NSGA-II方法基础上通过引入正态分布交叉算子与自适应调整变异方式产生子代，获得Pareto最优解集，并通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。其中，改进NSGA-II方法具体为：
(1)初始化算法产生有n个个体的父代种群，即各调峰手段的新建量，并根据数据预处理确定的各调峰手段投入顺序计算目标函数值；
(2)引入正态分布交叉算子与自适应调整变异方式进行交叉变异产生有n个个体的子代；
(3)合并父代与子代种群，对合并种群的目标函数值进行非支配排序与拥挤度计算；
(4)选取前n个个体生成新的父代种群；
(5)检查是否满足停止条件，即所有个体都是非支配解，若不满足则返回第(2)步，若满足则输出Pareto最优解集。
其中，通过模糊隶属度得到综合最优解包括：
求解目标函数最大化问题时的模糊隶属度函数为：
求解目标函数最小化问题时的模糊隶属度函数为：
式中，fj表示第j个目标函数值；
和/>
表示第j个目标函数的最大值与最小值；目标函数F1和F2分别为***总收益最大与碳减排量最大，选择最大值型隶属度函数；目标函数F3为弃风光量最小，选择最小值型隶属度函数；
Pareto最优解集的所有个体的满意度为：
式中，h表示整体满意度，h数值越大表示满意度越高。
根据本发明的另一个方面，一种火电机组深度调峰和复合储能协同规划装置，包括：
数据获取单元，用于获取某地区一年或多年内同一时点的风电、光伏、同步发电机的出力数据、负荷以及区外来电数据，同时获取未来年份新能源、抽蓄机组以及化学储能的规划数据；
建模单元，用于基于经济性、碳减排量以及弃风光量三个方面建立火电机组深度调峰和复合储能协同规划的多目标优化模型，并设立对应的约束条件；
求解单元，用于基于熵权理想解法对数据进行预处理的改进NSGA-II算法对多目标优化模型进行求解，获得Pareto最优解集，并通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
实施例1
本发明在进行改进NSGA-II算法计算目标函数值之前对数据进行预处理，对所有决策变量提出几个共用的评价指标(算法目标函数也可作为评价指标)，基于熵权-理想法计算各决策变量的综合评价得分，由高到低确定各决策变量的优先级，根据优先级简化目标函数的计算，从而减少算法迭代次数与计算量。
本实施例以某省级电网2025年的数据进行火电机组深度调峰以及复合储能的协同规划。根据该省“十四五”规划方案，2022年已建有抽蓄机组容量3500MW，至2025年该省可新建抽蓄最大容量2500MW。新能源并网装机约为38000MW，其中风电装机9000MW，光伏装机29000MW，新能源装机占比约为40％。根据该电网2020-2021年负荷以及新能源实际出力数据，预测可得其2025年的负荷以及新能源出力数据。
截至2022年该省级电网火电发电装机容量约为57000MW，由于新能源并网装机越来越多导致火电机组逐步关停，且部分火电机组设备老旧无法进行灵活性改造，故预计至多有20000MW的火电机组可进行不同程度的灵活性改造。设至2025年该省级电网化学储能配置规模上限为7000MWh，抽蓄机组新建规模上限为2500MW，至多20000MW火电机组可参与深度调峰，深度调峰负荷率最低可至30％。
各电源、储能参数及分时电价数据分别见表1和表2。燃煤发电机组标杆上网电价(含脱硫、脱硝、除尘)为0.3844元/kWh。2022年对新核准陆上风电项目、新备案集中式光伏电站和工商业分布式光伏项目，延续平价上网政策，上网电价按当地燃煤发电基准价执行。火电深度调峰时补偿费用，按照负荷在40％～50％基本负荷时按照0.3元/kWh的补偿标准计算，负荷在30％～40％基本负荷按照0.7元/kWh补偿标准计算。目前常用的化学储能有1h储能以及2h储能，本发明选2h储能进行优化，这是由于该省新能源中光伏占比很高，在午间出现消纳困难的时长大多为2-4小时，且两小时储能的单位造价更低。
表1调峰设备参数
表2分时电价表
本发明提出了一种火电机组深度调峰和复合储能协同规划方法，实施流程见附图1。
步骤1，建立以经济性最优、碳减排最优以及弃风光最少的火电机组深度调峰和复合储能协同规划的多目标优化模型。
(1)年收益最大为目标的经济性最优模型
max F1＝Prt+Prn-CH-Cs (1)
式中，Prt和Prn分别为火电收益和新能源收益；CH与Cs分别为抽蓄与化学储能成本；Cd为弃风弃光成本。其中：
火电收益包括电网公司对火电的售电收益，以及电网对参与深度调峰机组的补偿费。
式中，n为年总采样点数，按每15min一个点采样，n＝365×96＝35040；i表示第i时刻，下同；Pt为火电机组的实际出力ks和kb分别为电网售电价格和火电上网标杆电价；Ptd为火电机组较正常出力下限少发的功率(即为参与深度调峰的功率)；ktd为火电深度调峰电价补偿系数。
新能源发电收益为其售电收益，并扣除弃风光带来的成本。
式中，Pn为并网新能源总出力；Pd为弃风光功率；由于国家推动新能源平价上网，故新能源售电收益与火电相同；kd为弃风光成本系数。
抽蓄机组的成本包括新增抽蓄机组的建设成本，以及所有抽蓄机组的年运维成本。
CH＝PHkH+PnHknH/mH (4)
式中，PH和kH分别为抽蓄机组的总装机及其年运维成本系数；PnH和knH分别为新增抽蓄功率以及抽蓄机组的建设成本系数；mH为抽蓄机组的使用年限。
设所有化学储能皆为新建，其成本包括新建成本与运维成本。
式中，Ees为新增化学储能容量；kes为化学储能建设成本系数；ms和ns分别为化学储能的年充放电次数和全生命周期内可充放的总次数；ν为化学储能的年运维成本系数。
(2)碳减排量最大目标
碳减排量为复合储能带来的碳减排量减去火电燃煤机组深度调峰带来的碳排放增量。其中，复合储能的碳减排量为其总发电量与碳排放系数的乘积，由于新能源出力减少了火电的使用，***消纳的新能源越多则火电出力越少，故计算复合储能的碳减排时，碳排系数按火电常规运行时的碳排放系数计算。
目标函数F2表示为：
max F2＝Tp+Ts-Tt (6)
式中，Tp和Ts分别为抽蓄设施和化学储能运行折算的碳减排量；Tt为火电燃煤机组深度调峰产生的碳排放增量。
各分量具体如下：
式中：knf为火电机组正常运行单位功率的碳排放系数；Pnf为未进入深度调峰火电机组的出力；kdf为火电机组深度调峰下单位碳排放增量系数；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；μgen和
均为0-1变量，值为1表示抽蓄机组发电或化学储能放电。
(3)弃风光量最小目标
约束条件包括***的功率平衡约束、设备运行约束以及决策变量约束等。
<1>***功率平衡约束
式中，μpum和μgen均为0-1变量，且满足μpumμgen＝0，μpum为抽水标志，值为1时抽水；μgen为发电标志，值为1时发电；
和/>
均为0-1变量，且满足/>
为化学储能充电标志，值为1时充电；/>
为化学储能放电标志，值为1时放电；PL为***负荷；Ptie为省际交换功率，以流出为正。
<2>电池储能电量平衡约束
Es,min≤Es(i)≤Es,max (11)
式中，Es(i)为电池在i时刻所储存的电量值；Ts为单位时间；ηc和ηd分别为电池储能的充电和放电效率；由于过充与过放都会影响化学储能的使用寿命，故Es,min与Es,max分别为电池储能存储电量下限值与上限值。
<3>电池储能出力约束
式中，Psn为电池储能额定功率，电池储能吸收与放电功率都需小于其额定功率，且满足电池中剩余电量的约束。
<4>抽水蓄能库容约束
EH,min≤EH(i)≤EH,max (13)
式中，EH(i)为抽水蓄能电站在i时刻的蓄水量；EH,min和EH,max分别为抽水蓄能电站最小蓄水量与最大蓄水量；ηpum和ηgen分别为抽水和发电效率。
<5>抽水蓄能机组出力约束
步骤2，基于熵权-理想法对输入数据进行预处理，获得各决策变量的综合得分，据此确定火电深度调峰、抽蓄和化学储能的投入顺序。具体为：
<1>数据归一化
为消除因量纲不同对评价结果的影响，需要对各指标进行归一化或者标准化处理。具体如下：
式中，xij为第i个决策变量的第j个目标函数值，pij为xij的归一化结果；m和n分别表示目标函数个数以及决策变量数。
<2>计算决策变量的信息熵ej、效用价值dj与熵权wj，具体如下：
<3>采用理想解法确定最优方案
采用理想法求解多目标决策问题时，需要在目标空间中定义一个测度，以度量某个解靠近正理想解和远离负理想解的程度。其中心思想是先选定一个理想解和一个负理想解，然后找出与理想解距离最近且与负理想解距离最远的方案,作为最优方案。
对于正理想解，有：
对于负理想解，有：
<4>规范化矩阵
zij＝x′ij×wj (20)
<5>计算最优最劣值与最优最劣距离
式中，z+为最优解，z-为最劣解，
为最优距离，/>
为最劣距离。
<6>计算加权综合得分
式中，Ci表示第i个变量的综合得分，取值区间为(0,1)，越接近1，评价对象越接近最优水平，综合得分越高。
遗传算法交叉概率为0.9，交叉分布指数为20，变异概率为0.1，变异分布指数为20，种群数量为100，迭代代数为50。根据熵权法和理想解法可以得到，各灵活性资源的最优投入先后顺序为抽蓄→火电深度调峰→化学储能。
步骤3，采用改进NSGA-II方法进行模型求解，获得Pareto最优解集，进一步通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
改进NSGA-II方法进行模型求解时，改进主要表现在：
1)引入正态分布交叉算子(NDX)，增强算法的空间搜索能力。
2)提出改进的自适应调整变异方式，提高种群取优速度。传统NSGA-Ⅱ算法采用多项式变异方式，由于这种变异算子中含有随机参数和主观参数，随机性较大，收敛速度较慢。改进的自适应调整变异方式能够通过其作用机理得到更好的收敛效果，不仅利用变异的作用提升了收敛速度，还提高了种群的多样性和稳定性，从而使得Pareto边界分布更优。
求解目标函数最大化值时用式(24)的模糊隶属度函数表示：
求解目标函数最小化问题时用式(25)的模糊隶属度函数表示：
式中，fj表示第j个目标函数值；
和/>
表示第j个目标函数的最大值与最小值。针对本文的多目标优化问题，目标函数F1和F2分别为***总收益最大与碳减排量最大，选择最大值型隶属度函数；目标函数F3为弃风光量最小，选择最小值型隶属度函数。
Pareto最优解集的所有染色体的满意度按式(26)所示。
式中，h表示整体满意度(标准化)。数值越大表示满意度越高。
火电深度调峰与复合储能协同规划的Pareto最优解集结果见附图2及表3所示。
表3综合最优解和单目标最优解
从附图3和表3可以看出：1)多目标协同优化下的综合最优解对应的满意度最高，数值为0.802。协同优化结果为：火电机组改造容量及调峰深度都达到上限，分别为20000MW和30％；新建抽蓄机组1964MW，新建化学储能403MWh，***弃风光率为0.09％。2)当以经济最优为目标时，优化结果为：火电机组改造容量及调峰深度都达到上限，新建抽蓄机组64MW，此时弃风光率为0.273％，这种情况下***的弃风光量较大。这是由于火电机组深度调峰改造的代价最小，故优先使用。新建抽蓄规模与***经济性的关系见图3，可以看出新建抽蓄机组64MW时***的经济性最优。3)若仅以碳排放量最优为目标，优化结果为火电深度调峰为0，新建的化学储能(70000MWh)和抽蓄机组(2000MW)均达到最大值。这是由于火电深度调峰会使得单位发电燃煤增加从而导致碳排增加，而抽蓄与化学储能可以带来碳减排收益。4)若仅以弃风光最优为目标，其优化结果为所有调峰手段达到上限值，此时***的弃风光量最小。
基于传统NSGA-Ⅱ算法与改进NSGA-Ⅱ算法的多目标优化迭代过程见附图3。可以看出：
采用改进NSGA-Ⅱ算法，其迭代收敛速度明显高于传统算法，且迭代8次后便收敛至最优解，而传统NSGA-Ⅱ算法需要迭代25次才能达到最优解。由于收敛的最优种群数一致，两算法的最优结果一致。由此说明采用本文改进NSGA-Ⅱ算法可提高算法的收敛速度与计算效率。
实施例2
本发明提出了一种火电机组深度调峰和复合储能协同规划装置，包括：
获取单元：包括获取一年或多年365天每天96点的风电、光伏、同步发电机的出力数据、负荷以及区外来电数据。同时获取未来年份新能源、抽蓄以及化学储能的规划数据。
建模单元：经济性、碳减排量以及弃风光量3个方面，建立火电机组深度调峰和复合储能协同的多目标规划模型，以及对应的约束条件。
求解单元：基于熵权理想解法对数据进行预处理的改进的NSGA-II算法对多目标规划模型求解，获得Pareto最优解集，进一步通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。
Claims (8)
1.一种火电机组深度调峰和复合储能协同规划方法，其特征在于，包括：
S1、以年收益最大为目标建立经济性模型，以碳减排量最大为目标建立碳减排模型，以弃风光量最小为目标建立弃风光模型，基于前述经济性模型、碳减排模型和弃风光模型建立火电机组深度调峰和复合储能协同规划的多目标优化模型；
S2、基于熵权-理想法对输入数据进行预处理，所述输入数据为各决策变量，包括火电深度调峰、抽蓄和化学储能，计算得到多目标优化模型中各决策变量的综合得分，并根据各决策变量的综合得分由大到小确定火电深度调峰、抽蓄和化学储能的投入顺序；
S3、采用改进NSGA-II方法进行模型求解，所述改进方法在NSGA-II方法基础上通过引入正态分布交叉算子与自适应调整变异方式产生子代，获得Pareto最优解集，并通过模糊隶属度函数得到综合最优解，获得火电机组深度调峰改造量以及新建复合储能规划容量。
2.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S1中以年收益最大为目标建立经济性模型为：
max F1＝Prt+Prn-CH-Cs
式中，F1为年收益；Prt和Prn分别为火电收益和新能源发电收益；CH与Cs分别为抽蓄机组成本和化学储能成本；
其中，火电收益Prt包括电网公司对火电的售电收益、以及电网公司对参与深度调峰机组的补偿费，具体为：
式中，n为年总采样点数；i表示第i时刻；Pt为火电机组的实际出力ks和kb分别为电网售电价格和火电上网标杆电价；Ptd为火电机组较正常出力下限少发的功率，即参与深度调峰的功率；ktd为火电深度调峰电价补偿系数；
新能源发电收益Prn为其售电收益，并扣除弃风光带来的成本，具体为：
式中，Pn为并网新能源总出力；Pd为弃风光功率；kd为弃风光成本系数；
抽蓄机组成本CH包括新增抽蓄机组的建设成本、以及所有抽蓄机组的年运维成本，具体为：
CH＝PHkH+PnHknH/mH
式中，PH和kH分别为抽蓄机组的总装机及其年运维成本系数；PnH和knH分别为新增抽蓄功率以及抽蓄机组的建设成本系数；mH为抽蓄机组的使用年限；
化学储能成本Cs包括新建成本与运维成本，具体为：
式中，Ees为新增化学储能容量；kes为化学储能建设成本系数；ms和ns分别为化学储能的年充放电次数和全生命周期内可充放的总次数；ν为化学储能的年运维成本系数。
3.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S1中以碳减排量最大为目标建立碳减排模型为：
max F2＝Tp+Ts-Tt
式中，F2为碳减排量，具体为复合储能带来的碳减排量减去火电燃煤机组深度调峰带来的碳排放增量；Tp和Ts分别为抽蓄机组和化学储能运行折算的碳减排量；Tt为火电燃煤机组深度调峰产生的碳排放增量；knf为火电机组正常运行单位功率的碳排放系数；Pnf为未进入深度调峰火电机组的出力；kdf为火电机组深度调峰下单位碳排放增量系数；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pt为火电机组的实际出力；μgen和
均为0-1变量，值为1时表示抽蓄机组发电和化学储能放电。
4.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S1中以弃风光量最小为目标建立弃风光模型为：
式中，F3为弃风弃光量，Pd为弃风光功率；
其中，弃风光模型的约束条件包括：
1)***功率平衡约束：
式中，i表示第i时刻；Pt为火电机组的实际出力；Pn为并网新能源总出力；μpum和μgen均为0-1变量，且满足μpumμgen＝0，μpum为抽水标志，μpum＝1时表示抽水，μgen为发电标志，μgen＝1时表示发电；
和/>
均为0-1变量，且满足/>
为化学储能充电标志，/>
时表示充电，/>
为化学储能放电标志，/>
时表示放电；Pp和Ps分别为抽蓄机组的实时功率和化学储能的实时功率；Pd为弃风光功率；PL为***负荷；Ptie为省际交换功率，以流出为正；
2)电池储能电量平衡约束：
Es,min≤Es(i)≤Es,max
式中，Es(i)为电池在i时刻所储存的电量值；Ts为单位时间；ηc和ηd分别为电池储能的充电和放电效率；Es,min与Es,max分别为电池储能存储电量下限值与上限值；
3)电池储能出力约束：
式中，Psn为电池储能额定功率，电池储能吸收与放电功率都需小于其额定功率；
4)抽水蓄能机组库容约束：
EH,min≤EH(i)≤EH,max
式中，EH(i)为抽水蓄能电站在i时刻的蓄水量；EH,min和EH,max分别为抽水蓄能电站最小蓄水量与最大蓄水量；ηpum和ηgen分别为抽水和发电效率；
5)抽水蓄能机组出力约束：
5.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S2具体步骤包括：
S2-1、对各决策变量的经济性目标、碳减排目标或弃风光目标函数值进行如下方式的归一化处理：
式中，xij为第i个决策变量的第j个目标函数值，pij为xij的归一化结果；m和n分别表示目标函数个数以及决策变量数；
S2-2、计算各决策变量的目标函数值的信息熵ej、效用价值dj与熵权wj，具体为：
S2-3、采用理想解法确定最优方案，其中，对于如经济性目标和碳减排量目标的正理想解，有：
对于如弃风光量目标的负理想解，有：
式中，xj是指所有决策变量第j个目标函数值的集合，即xj＝{x1j,x2j,x3j}；正理想解是用来处理xij越大越好的指标，负理想解是用来处理xij越小越好的指标，使之转化为越大越好的指标xi′j；
S2-4、建立规范化矩阵：
zij＝xi′j×wj
式中，xi′j指所有理想解，包括正理想解和负理想解，Z为由综合加权指标zij构成的矩阵；
S2-5、计算第i个决策变量的最优解、最劣解、最优距离和最劣距离，具体为：
式中，z+为最优解，z-为最劣解，
为最优距离，/>
为最劣距离；
S2-6、计算第i个变量的加权综合得分，具体为：
式中，Ci表示第i个决策变量的综合得分，取值区间为(0,1)，Ci越接近1，表示决策变量的各项指标越接近最优水平，综合得分越高。
6.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S3中改进NSGA-II方法为：
(1)初始化算法产生有n个个体的父代种群，即各调峰手段的新建量，并根据数据预处理确定的各调峰手段投入顺序计算目标函数值；
(2)引入正态分布交叉算子与自适应调整变异方式进行交叉变异产生有n个个体的子代；
(3)合并父代与子代种群，对合并种群的目标函数值进行非支配排序与拥挤度计算；
(4)选取前n个个体生成新的父代种群；
(5)检查是否满足停止条件，即所有个体都是非支配解，若不满足则返回第(2)步，若满足则输出Pareto最优解集。
7.根据权利要求1所述的火电机组深度调峰和复合储能协同规划方法，其特征在于，S3中通过模糊隶属度得到综合最优解包括：
求解目标函数最大化问题时的模糊隶属度函数为：
求解目标函数最小化问题时的模糊隶属度函数为：
式中，fj表示第j个目标函数值；
和/>
表示第j个目标函数的最大值与最小值；目标函数F1和F2分别为***总收益最大与碳减排量最大，选择最大值型隶属度函数；目标函数F3为弃风光量最小，选择最小值型隶属度函数；
Pareto最优解集的所有个体的满意度为：
式中，h表示整体满意度，h数值越大表示满意度越高。
8.一种火电机组深度调峰和复合储能协同规划装置，其特征在于，包括：
数据获取单元，用于获取某地区一年或多年内同一时点的风电、光伏、同步发电机的出力数据、负荷以及区外来电数据，同时获取未来年份新能源、抽蓄机组以及化学储能的规划数据；
建模单元，用于基于经济性、碳减排量以及弃风光量三个方面建立火电机组深度调峰和复合储能协同规划的多目标优化模型，并设立对应的约束条件；
求解单元，用于基于熵权理想解法对数据进行预处理的改进NSGA-II算法对多目标优化模型进行求解，获得Pareto最优解集，并通过模糊隶属度得到综合最优解，获得火电机组深度调峰量以及新建复合储能规划容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211697089.2A CN116191493A (zh) | 2022-12-28 | 2022-12-28 | 一种火电机组深度调峰和复合储能协同规划方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211697089.2A CN116191493A (zh) | 2022-12-28 | 2022-12-28 | 一种火电机组深度调峰和复合储能协同规划方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116191493A true CN116191493A (zh) | 2023-05-30 |
Family
ID=86439486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211697089.2A Pending CN116191493A (zh) | 2022-12-28 | 2022-12-28 | 一种火电机组深度调峰和复合储能协同规划方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116191493A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、***及电子设备 |
| CN117077934A (zh) * | 2023-07-27 | 2023-11-17 | 国网江苏省电力有限公司灌云县供电分公司 | 基于深度强化学习算法的省地多元灵活资源协同调峰决策方法 |
-
2022
- 2022-12-28 CN CN202211697089.2A patent/CN116191493A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077934A (zh) * | 2023-07-27 | 2023-11-17 | 国网江苏省电力有限公司灌云县供电分公司 | 基于深度强化学习算法的省地多元灵活资源协同调峰决策方法 |
| CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、***及电子设备 |
| CN116992242B (zh) * | 2023-09-26 | 2023-12-22 | 华北电力大学 | 一种火电-储能联合检修优化方法、***及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111404206B (zh) | 考虑投资回报约束的风光储发电***容量双层规划方法 | |
| CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
| CN111445107A (zh) | 冷热电联供型微电网多目标优化配置方法 | |
| CN109034587A (zh) | 一种协调多种可控单元的主动配电***优化调度方法 | |
| CN115759610A (zh) | 一种电力***源网荷储协同的多目标规划方法及其应用 | |
| CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及*** | |
| CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
| CN115117940A (zh) | 考虑风电、光伏及负荷不确定的风光水火储***低碳调度模型建模方法 | |
| CN115841396A (zh) | 一种流域梯级水风光互补容量配载优化及经济性评估方法 | |
| CN116014797A (zh) | 一种配网新能源接纳能力提升的评估方法 | |
| CN118034874A (zh) | Cchp***的运行优化方法、装置、设备及存储介质 | |
| CN117134409A (zh) | 考虑电-氢-热互补的微网***及其多目标优化配置方法 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢***的运行控制策略 | |
| CN116562432A (zh) | 面向新型电力***规划的源网荷储协同规划方法及*** | |
| Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
| CN109840621A (zh) | 考虑储能***影响的并网型微电网日前多目标优化方法 | |
| Suryoatmojo et al. | Economic and reliability evaluation of wind-diesel-battery system for isolated island considering CO2 emission | |
| Yang et al. | Optimal scheduling of pumped storage in power system with large-scale photovoltaic based on carbon emissions trading | |
| Heo et al. | Energy resource capacity optimization for zero-energy housing complex | |
| CN108270237B (zh) | 基于分布式光伏电源的并网控制以及调度的方法 | |
| CN115374999B (zh) | 一种适用制氢设备启停特性的水电制氢优化配置方法 | |
| CN114977279B (zh) | 一种风-碳捕集-电转气联合的发电***中长期机组组合运行方法 | |
| CN115907981B (zh) | 一种虚拟电厂低碳联合交易优化方法 | |
| Xing et al. | An Optimization Capacity Design Method of Wind/Photovoltaic/Hydrogen Storage Power System Based on PSO-NSGA-II | |
| Ning et al. | Low-Carbon Economic Dispatch of Integrated Energy Systems in Multi-Form Energy-intensive Parks Based on the ICT-GRU Prediction Model |
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 |