一种发电机组检修计划优化的最小失负荷期望模型计算方法技术

本发明专利技术涉及一种发电机组检修计划优化的最小失负荷期望模型计算方法，步骤1：设定粒子个数Np、最大迭代次数M，惯性系数最大值wmax和最小值wmin，学习因子c1，c2，并随机初始化各个粒子的值和速度，其中，粒子分为常规机组部分和风电机组部分：常规机组部分为各机组开始检修时间列向量；风电机组部分为T阶列向量，T为安排检修总时段数，若该风电场在时段t有检修任务，则该T阶列向量的第t个元素为1，否则为0。本发明专利技术有益的效果是：本发明专利技术的方法通过考虑发电机组随机停运下可能产生的失负荷容量期望值对发电机组检修计划进行合理优化，减小甚至消除产生失负荷的可能性，保障系统安全稳定运行。

【技术实现步骤摘要】

本专利技术属于发电机检修领域，尤其是一种发电机组检修计划优化的最小失负荷期望模型计算方法。
技术介绍
风能是可再生、清洁、储量巨大、前景广阔的能源。虽然风电具有众多优势，但是由于风电随机性和间歇性的特点，一般很难对风电机组出力进行精确预测，使得大规模的风电接入对电网安全与稳定造成巨大影响。如果在制定发电机组检修计划时未考虑风电出力随机波动的影响，可能会导致在安排检修时出现上网机组的调峰能力不足、系统可靠性降低，在极端条件下甚至产生失负荷等情况。风电出力的随机性和不稳定性对系统安全带来巨大压力。电力是当代社会最重要的能源，电力的正常供应是国民生活正常有序进行，保持社会稳定进步的最基本保障。电力系统的检修工作直接关乎电力系统运行的可靠性，是电力系统日常工作中的重要一环。
技术实现思路
本专利技术要解决上述现有技术的缺点，提供一种更能保证安全性的发电机组检修计划优化的最小失负荷期望模型计算方法。本专利技术解决其技术问题采用的技术方案：这种发电机组检修计划优化的最小失负荷期望模型计算方法，步骤1：设定粒子个数Np、最大迭代次数M，惯性系数最大值wmax和最小值wmin，学习因子c1，c2，并随机初始化各个粒子的值和速度，其中，粒子分为常规机组部分和风电机组部分：常规机组部分为各机组开始检修时间列向量；风电机组部分为T阶列向量，T为安排检修总时段数，若该风电场在时段t有检修任务，则该T阶列向量的第t个元素为1，否则为0；步骤2：根据各粒子的初始值，通过cplex求解各机组出力，即求解特定发电机组检修计划下的最优出力分配子问题；步骤3：计算各粒子适应值，将适应值最小的粒子设定为初始全局最优解pg，当前各粒子值设为各粒子的初始历史最优解pi；步骤4：更新粒子值和速度，为防止算法过早收敛，当更新过后新产生的粒子一旦与pg相同，该粒子随机跳变为满足约束的任意值；步骤5：通过cplex计算各粒子所代表检修计划下各机组出力，并计算各粒子适应值；步骤6：更新全局最优解pg，各粒子历史最优解pi；步骤7：判断是否达到最大迭代次数，如果没有达到，返回步骤4，如果达到，结束程序并输出全局最优解pg。本专利技术有益的效果是：本专利技术的方法通过考虑发电机组随机停运下可能产生的失负荷容量期望值对发电机组检修计划进行合理优化，减小甚至消除产生失负荷的可能性，保障系统安全稳定运行。针对问题涉及的一类特殊0-1规划问题提出了改进离散粒子群算法，通过重新定义速度与速度的更新方式，消除了传统0-1问题粒子群算法(BPSO)在解此类问题时产生的大量冗余解空间和冗余搜索，大大提高了算法效率。附图说明图1是本专利技术算法流程图；图2是元素的交换示意图；图3新型DPSO算法寻优曲线。具体实施方式下面对本专利技术作进一步说明：大规模风电接入下的发电机组检修计划优化目标可以分为两部分。目标一，经济性目标，即系统运行和检修成本最小。minΣt=1TΣi=1N[aipit(1-xit)+Citxit]---(1)]]>式中：T为时段数；N为参与检修计划优化的发电机组总数；xit为发电机组检修状态，若机组i在时段t检修则为1，若处于运行状态则为0；ai为机组i的生产费用系数；pit为机组i在时段t的输出功率；Cit为机组i在时段t的检修成本。目标二，考虑机组强迫停运率的常规机组N-1预想故障下的基于风电出力概率分布的失负荷期望最小minΣt=1TΣi=1Nn(Fi×Eit)---(2)]]>式中：Nn为系统中常规发电机组总数；Fi(i＝1,2,…,Nn)为机组i故障停运其他机组正常运行，即出现机组N-1预想故障的概率，Eit为当机组i故障停运时在时段t内的系统失负荷期望。失负荷一旦产生，即意味着会造成供电中断或限电。这会对用户造成巨大的经济损失，同时给整个社会造成影响。缺电损失的形态可以表示成整体经济的平均缺电成本[52]，指每缺1kWh电能而减少的国民生产总值，即GDP/总用电量。由此可将目标二转化为在产生失负荷情况下造成的缺电成本期望最小，表示为minfOC×Th×Σt=1TΣi=1Nn(Fi×Eit)---(3)]]>式中：fOC为T时段内地区GDP/总用电量；Th为安排检修计划周期总时长。综上所述，考虑缺电成本的发电机组检修计划经济性目标可以表示为系统运行、检修成本与缺电成本期望之和最小，即minΣt=1TΣi=1N[aipit(1-xit)+Citxit]+fOC×Th×Σt=1TΣi=1Nn(Fi×Eit)---(4)]]>风力具有随机性，可以用概率分布函数进行拟合。常用的风力分布函数有瑞利(Rayleigh)分布[53]，威布尔(Weibull)分布[54]以及β分布[55]等。文献[54]通过分析大量实测数据，得到某地的风力概率分布近似满足Weibull分布，如式(3.5)。并推出风电机组出力的概率分布为Ψ(P)=...

【技术保护点】
一种发电机组检修计划优化的最小失负荷期望模型计算方法，其特征是：步骤1：设定粒子个数Np、最大迭代次数M，惯性系数最大值wmax和最小值wmin，学习因子c1，c2，并随机初始化各个粒子的值和速度，其中，粒子分为常规机组部分和风电机组部分：常规机组部分为各机组开始检修时间列向量；风电机组部分为T阶列向量，T为安排检修总时段数，若该风电场在时段t有检修任务，则该T阶列向量的第t个元素为1，否则为0；步骤2：根据各粒子的初始值，通过cplex求解各机组出力，即求解特定发电机组检修计划下的最优出力分配子问题；步骤3：计算各粒子适应值，将适应值最小的粒子设定为初始全局最优解pg，当前各粒子值设为各粒子的初始历史最优解pi；步骤4：更新粒子值和速度，为防止算法过早收敛，当更新过后新产生的粒子一旦与pg相同，该粒子随机跳变为满足约束的任意值；步骤5：通过cplex计算各粒子所代表检修计划下各机组出力，并计算各粒子适应值；步骤6：更新全局最优解pg，各粒子历史最优解pi；步骤7：判断是否达到最大迭代次数，如果没有达到，返回步骤4，如果达到，结束程序并输出全局最优解pg。

【技术特征摘要】
1.一种发电机组检修计划优化的最小失负荷期望模型计算方法，其特征是：步骤1：设定粒子个数Np、最大迭代次数M，惯性系数最大值wmax和最小值wmin，学习因子c1，c2，并随机初始化各个粒子的值和速度，其中，粒子分为常规机组部分和风电机组部分：常规机组部分为各机组开始检修时间列向量；风电机组部分为T阶列向量，T为安排检修总时段数，若该风电场在时段t有检修任务，则该T阶列向量的第t个元素为1，否则为0；步骤2：根据各粒子的初始值，通过cplex求解各机组出力，即求解特定发电机组检修计...

【专利技术属性】
技术研发人员：林洁，吴茵，杨小卫，苗增强，黄柳强，李秋文，巩德军，王刚，孙艳，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：广西;45