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技术

本发明专利技术涉及基于NSGA-II和近似动态规划的多目标动态最优潮流求解方法，属于电力系统日前调度计划研究领域，包括以下步骤：获取下一调度周期内系统相关数据；以发电耗费、污染物排放量与网损最小为目标，以节点安全电压和无功出力为约束，建立多目标动态最优潮流模型；采用NSGA-II求解各单时段Pareto解集，将单时段连续决策空间离散化，以非支配解的模糊满意度作为值函数，基于时段耦合的动态约束将模型转化为多时段动态规划问题；采用策略迭代动态规划法求解模型得到累加满意度最大的路径，即多目标动态最优潮流的最优解。本发明专利技术结合NSGA-II和近似动态规划法求解多目标动态最优潮流问题，综合处理其中包含连续变量的多目标优化问题与传统动态规划的“维数灾”问题。

【技术实现步骤摘要】

本专利技术属于电力系统日前调度计划研究领域，涉及一种基于NSGA-II和近似动态规划的多目标动态最优潮流求解方法。
技术介绍
电力系统日前调度计划的研究和制定对于整个调度周期内的电力系统优化运行与控制具有重要意义。多目标动态最优潮流是日前调度计划研究的一个分支，旨在机组组合确定的情况下，基于对电力系统下一调度周期负荷等情况的合理预测，制定系统中可调节手段如机组出力、机端电压、无功补偿投入和需求响应资源等的调度计划，以实现电力系统在满足机组爬坡及电压安全等约束下的经济、环保、节能等方面多目标动态优化运行。这类问题是具有大量混合变量和约束条件的复杂多目标非线性优化问题，其求解方法的有效性和快速性一直是研究重点和难点。传统的电力系统动态最优调度模型的求解方法主要是内点法，随着动态问题和优化技术研究的深入和发展，现有的动态优化算法大体可划分为如下三类：一类是数学规划算法，如内点法、梯度投影法、动态规划等；二类是人工智能算法，如遗传算法，差分进化算法，粒子群算法等；三类是混合算法，将前述算法中的两种或以上融合起来，协调发挥各自优势实现更好的优化性能，如粒子群算法与序列二次规划法的结合等，这方面研究尚有长足发展空间。基于贝尔曼最优性原理的传统动态规划法广泛应用于各领域多阶段决策问题的建模和求解，然而传统动态规划基本用于求解优化单目标问题，并且随着优化问题的复杂化与扩大化，求解过程中的“维数灾”问题日益凸显，严重影响优化计算效率。近年来近似动态规划的研究取得进步，通过合理的方法近似逼近动态规划中的值函数可解决“维数灾”，受到广泛关注。最优潮流问题是包含有大量连续变量的非线性优化问题，基于遗传思想的快速非支配排序遗传算法(non-dominatedsortinggeneticalgorithm-II，NSGA-II)具有很好的非线性优化能力和鲁棒性，并且可获取多目标Pareto最优解集，保证最优个体多样性从而为决策者提供不同偏好选择，成为求解多目标优化问题的优秀智能算法之一。综上所述，研究多目标动态最优潮流求解方法，以有效解决多目标动态最优潮流求解中存在的包含连续变量的多目标优化问题与动态规划的“维数灾”问题，对于提升电力系统日前调度水平具有积极意义。
技术实现思路
针对现有技术的不足，本专利技术“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”，提出将NSGA-II与近似动态规划结合，利用近似动态规划对多目标动态最优潮流问题进行建模和转换，结合NSGA-II求取Pareto最优解集和最大满意度决策的思想，从而发挥近似动态规划在解决多阶段决策问题的同时避免“维数灾”的优势和快速非支配排序遗传算法在获取多目标Pareto最优解集的优势，获得该问题全局和整个调度周期多目标最优解。本专利技术采用如下技术方案：一种基于近似动态规划和快速非支配排序遗传算法的多目标动态最优潮流求解方法，该方法包括如下步骤：步骤1：获取电力系统在下一个完整调度周期的数据，并进行负荷预测。步骤2：以发电耗费最小、污染物排放量最小、网损最小为目标，考虑电压稳定约束和无功出力约束等，对电力系统多目标动态最优潮流问题建模。步骤3：利用NSGA-II求解的多目标静态Pareto最优解集中的非支配解的模糊满意度表示值函数，将单时段变量的连续决策空间离散化，在此基础上计及时段耦合的动态约束，从而将多目标动态最优潮流问题数学模型表示为传统动态规划模型。步骤4：将传统动态规划问题进一步转化成近似动态规划问题，采用策略迭代近似动态规划求解，用近似值函数代替精确计算值函数，通过迭代过程更新各状态的近似值函数，最终获取累加满意度最大的路径，即为原多目标动态最优潮流问题的解。附图说明图1：本专利技术基于近似动态规划和快速非支配排序遗传算法的多目标动态最优潮流求解方法的整体实施流程图；图2：本专利技术的NSGA-II获取多目标最优潮流Pareto解集流程图；图3：本专利技术的偏小型满意度函数曲线；图4：IEEE30节点系统的接线示意图；图5：IEEE30节点系统的典型负荷曲线图。具体实施方式下面结合附图及具体实施例，对本专利技术做进一步详述。本专利技术提出的基于近似动态规划和快速非支配排序遗传算法的多目标动态最优潮流求解方法，其整体实施流程见图1，下面以IEEE30节点系统为具体实施例对其进行详细说明，其接线情况见图4。实施例用于说明但不限于本专利技术。步骤1：获取电力系统在下一个完整调度周期的数据，并进行负荷预测。对于本实施例直接输入IEEE30节点系统的数据即可。负荷预测曲线采用图5典型双峰曲线为例。步骤2：以发电耗费最小、污染物排放量最小、网损最小为目标，考虑电压稳定约束和无功出力约束等，对电力系统多目标动态最优潮流问题建模。本专利建立的多目标动态最优潮流模型如下：决策变量：x(t)=[PG1(t),...,PGnG-1(t),UG1(t),...,UGnG(t),B1(t),...,BnSC(t)]---(1)]]>PGi(t)是火电机组i的有功出力(i＝1,2,…nG)，UGi(t)是火电机组i所在节点的电压，Bk(t)(k＝1,2,…nSC)是无功补偿器k投入量。本实例中，传统火电机组6台，无功补偿器2台，平衡机组有功出力不纳入决策变量，则有13个决策变量。目标函数：f1[x(t)]=minΣt=1T{Σi=1nG[aiPGi2(t)+biPGi(t)+ci]本文档来自技高网...

【技术保护点】
一种基于近似动态规划和快速非支配排序遗传算法的动态多目标最优潮流求解方法，其特征是，该方法包括如下步骤：步骤1：获取电力系统在下一个完整调度周期的数据，并进行负荷预测。步骤2：以发电耗费最小、污染物排放量最小、网损最小为目标，考虑电压稳定约束和无功出力约束等，对电力系统多目标动态最优潮流问题建模。步骤3：利用NSGA‑II求解的多目标静态Pareto最优解集中的非支配解的模糊满意度表示值函数，将单时段变量的连续决策空间离散化，在此基础上计及时段耦合的动态约束，从而将多目标动态最优潮流问题数学模型表示为传统动态规划模型。步骤4：将传统动态规划问题进一步转化成近似动态规划问题，采用策略迭代近似动态规划求解，用近似值函数代替精确计算值函数，通过迭代过程更新各状态的近似值函数，最终获取累加满意度最大的路径，即为原多目标动态最优潮流问题的解。

【技术特征摘要】
1.一种基于近似动态规划和快速非支配排序遗传算法的动态多
目标最优潮流求解方法，其特征是，该方法包括如下步骤：
步骤1：获取电力系统在下一个完整调度周期的数据，并进行负
荷预测。
步骤2：以发电耗费最小、污染物排放量最小、网损最小为目
标，考虑电压稳定约束和无功出力约束等，对电力系统多目标动态
最优潮流问题建模。
步骤3：利用NSGA-II求解的多目标静态Pareto最优解集中的非
支配解的模糊满意度表示值函数，将单时段变量的连续决策空间离
散化，在此基础上计及时段耦合的动态约束，从而将多目标动态最
优潮流问题数学模型表示为传统动态规划模型。
步骤4：将传统动态规划问题进一步转化成近似动态规划问题，
采用策略迭代近似动态规划求解，用近似值函数代替精确计算值函
数，通过迭代过程更新各状态的近似值函数，最终获取累加满意度
最大的路径，即为原多目标动态最优潮流问题的解。
2.根据权利要求l所述的基于近似动态规划和快速非支配排序
遗传算法的动态多目标最优潮流求解方法，其特征是，步骤3中的
多目标动态最优潮流数学模型转化为动态规...

【专利技术属性】
技术研发人员：马瑞，李晅，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43