本发明专利技术公开了一种基于改进径向移动算法(IRMO)求解含风电电力系统经济调度的方法，从风电高低估成本、阀点效应、旋转备用约束和网络损耗等常考虑因素入手，建立了计及风电不确定性的通用经济调度模型，该模型具有通用性；为求解此模型，提出一种改进的径向移动算法(IRMO)，该算法一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，进一步增强算法中后期的搜索精度，更易找到全局最优解；能够在保证快速性的同时，兼顾精确性和准确性，获得了比其他几类典型算法更好的结果，从而为决策者提供更经济省时的调度方案。
【技术实现步骤摘要】
基于改进径向移动算法的含风电场电力系统经济调度方法
本专利技术涉及一种利用改进径向移动算法分析和求解风电并网经济调度模型的方法，属风电的不确定性分析和新能源并网调度领域。
技术介绍
随着环境问题的日益突出，风能作为一种清洁能源得到越来越多的关注。然而，风力具有较强的随机性，目前对风电功率的预测还存在较大误差。因此，含风电的电力系统经济调度问题成为一个研究热点。为应对风电随机性，模型的建立主要分为两大类：不确定性模型和确定性模型。前者通常利用模糊理论、概率模型和场景法等，后者通常在目标函数中考虑风电的高低估成本，或转化成备用约束。随着模型的日趋合理同时也日趋复杂，要考虑的因素变得更多，约束处理也更困难，尤其是动态经济调度(dynamiceconomicdispatch,DED)这种互耦合、维度高、非线性优化问题，在风电接入后变得更为复杂。为此，相关学者提出各种优化算法，如精英策略非支配排序遗传算法(NSGA-II)、实数编码遗传算法(RCGA)、下降搜索粒子群算法(MPSO)、进化迭代粒子群算法(EIPSO)、改进的细菌觅食算法(IBFA)、改进的自适应多目标差分进化算法(MAMODE)、改进差分算法(IMOEA/D-CH)等，这些算法均能在不同程度上求解复杂的调度模型，但共同存在的缺点是易陷入局部最优解，无法找到最优的调度方案，且有些算法较复杂，耗时长。Rahmani等学者提出径向移动算法(radialmovementoptimization,RMO)，它模拟的是一群由中心点喷洒的粒子随着中心点的移动而不断喷洒并逐步向最优解逼近的过程，算法精度高但易陷入局部最优解，本专利技术通过改进将其首次应用于调度问题的求解。
技术实现思路
为解决上述问题，本专利技术提供一种基于改进径向移动算法的含风电场电力系统经济调度方法，使改进后的算法既节省了存储器空间，又增加了算法精度和准确度，且不影响计算速度。为实现上述目的，本专利技术采用以下技术手段：本专利技术提供一种基于改进径向移动算法的含风电场电力系统经济调度方法，具体过程包括以下三个步骤：步骤1：考虑风电高低估成本、阀点效应、旋转备用约束和网络损耗等常需因素，建立了计及风电不确定性的通用经济调度模型；步骤2：对模型进行转化和处理，以便于算法求解；步骤3：采用改进的径向移动算法(IRMO)，一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，以进一步增强算法中后期的搜索精度，更易找到全局最优解。进一步的，所述步骤1中模型建立如下：(1.1)目标函数如下：式(1)中f(P,w)为调度单时段消耗的总成本，第一项F(Pn)为火电机组的燃料成本，表达式设为：第二项E(Pn)为汽轮机阀点效应产生的能耗成本，设其表达式为：E(Pn)＝|dnsin[en(Pn,min-Pn)]|(3)第三项Um(w)为风电出力高估惩罚成本，设表达式为：Um(w)＝Crw,m(wm-wav,m)(4)第四项Dm(w)为风电出力低估惩罚成本，设表达式为：Dm(w)＝Cpw,m(wav,m-wm)(5)动态经济调度的目标函数需考虑各时段成本的总和，以式(6)表示：式(1)-(6)中：n为火电机组编号，N为火电机组总数；m为风电场编号，M为风电场总数；h为调度时段，H为调度时段总数；Pn为第n台火电机组单时段输出的有功功率，Pn,min为第n台火电机组有功出力下限；an、bn、cn为燃料成本系数，dn、en为阀点效应成本系数；wav,m为第m座风电场可利用的出力，一般用风电功率预测值或转化为概率模型表述，wm为第m座风电场实际出力；F为H时段动态经济调度总成本。(1.2)约束条件如下：(1.2.1)系统功率平衡约束功率平衡约束为等式约束，有些模型中还考虑了电力系统的网络损耗PL：式中：PD为负荷单时段有功功率的预测值；PL可采用最小二乘B系数法计算，其表达式为：式中：Bi,j、Bi,o、Bo,o为网损系数。(1.2.2)机组有功出力约束式中：Pn,max、Pn,min分别为第n台火电机组有功出力上、下限，wm,max为第m座风电场最大装机容量。(1.2.3)机组出力爬坡约束式中：URn、DRn分别为第n台火电机组上升及下降爬坡速率；ΔT为调度时间间隔，取1h。(1.2.4)系统旋转备用容量约束有些模型没有在目标函数里考虑式(4)、(5)所述高、低估成本，而是以备用约束体现。为应对火电机组运行时可能出现的故障、停运以及负荷预测带来的误差，需设置一定的备用容量来补偿，以确保电力系统的稳定运行。无风电时系统正、负旋转备用设置如下：1)系统的正旋转备用约束2)系统的负旋转备用约束式中：Lu％、Ld％分别为系统负荷预测误差对正、负旋转备用的需求系数；Un、Dn分别为第n台火电机组能提供的正、负旋转备用容量；T10为旋转备用的响应时间，取10min。在风电场接入的情况下，考虑风电出力的随机性和波动性，对其预测误差远大于对系统负荷的预测误差，需设置更多的备用容量降低可能出现的风电缺失甚至停运造成的失负荷风险以及风电盈余造成的系统频率过高风险。充分考虑以上情况，提出含风电时的正、负旋转备用容量约束如下：1)含风电系统的正旋转备用约束2)含风电系统的负旋转备用约束式中：wu％、wd％分别为风电功率预测误差对正、负旋转备用的需求系数。进一步的，所述步骤2中模型的转化和处理过程如下：(2.1)风电出力的表述短时间风速变化规律可近似用二参数Weibull分布函数描述，其表达式为：FV(v)＝1-exp[-(v/c)k],v>0(15)根据分布函数可得其概率密度函数为：fv(v)＝(k/c)(v/c)k-1×exp[-(v/c)k](16)风速与风电场出力的关系可表示为：风电出力为0、wr及0到wr时的概率表达式分别如式(18)～(20)表示：P{W＝0}＝P(V<vi)+P(V≥vo)＝1-exp[-(vi/c)k]+exp[-(vo/c)k](18)P{W＝wr}＝P(vr≤V<vo)＝exp[-(vr/c)k]-exp[-(vo/c)k](19)式中：h＝(vr/vi)-1，k、c为Weibull分布参数；wr为风电场额定容量；V、vi、vr、vo分别为实际风速、切入风速、额定风速和切出风速；P{·}为事件发生的概率。(2.2)风电高估、低估成本的转化由于目标函数中的高估、低估成本惩罚式(4)、(5)中含有随机变量，使模型无法直接求解，现利用Weibull分布的概率模型进行转化。1)风电高估惩罚成本风电出力具有不确定性，当风电可用出力不足，达不到调度计划安排时会出现失负荷现象，需增加额外备用来平衡发电和用电，结合Weibull分布模型，对高估的部分进行惩罚并进行以下转化：Um(w)＝Crw,m(wm-wav,m)＝kr,m(wm-Wm)＝s1+s2(21)2)风电低估惩罚成本同样，当风电可用出力没有被完全利用时会出现弃风现象，造成电力资源浪费，此时需对低估的部分进行惩罚并进行以下转化：Dm(w)＝Cpw,m(wav,m-wm)＝kp,m(Wm-wm)＝s3+s4(23)式中：kr、kp分别为风电高估、低估成本惩罚本文档来自技高网...
【技术保护点】
基于改进径向移动算法的含风电场电力系统经济调度方法，其特征在于，包括以下步骤：(1)考虑风电高低估成本、阀点效应、旋转备用约束和网络损耗等常需因素，建立计及风电不确定性的通用经济调度模型；(2)对步骤(1)中的经济模型进行转化和处理，以便于算法求解；(3)采用改进的径向移动算法(IRMO)，一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，进一步增强算法中后期的搜索精度，使算法更易找到全局最优解。
【技术特征摘要】
1.基于改进径向移动算法的含风电场电力系统经济调度方法，其特征在于，包括以下步骤：(1)考虑风电高低估成本、阀点效应、旋转备用约束和网络损耗等常需因素，建立计及风电不确定性的通用经济调度模型；(2)对步骤(1)中的经济模型进行转化和处理，以便于算法求解；(3)采用改进的径向移动算法(IRMO)，一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，进一步增强算法中后期的搜索精度，使算法更易找到全局最优解。2.根据权利要求1所述的基于改进径向移动算法的含风电场电力系统经济调度方法，其特征在于，所述步骤(1)中所建立模型为：(a)建立目标函数：其中：E(Pn)＝|dnsin[en(Pn,min-Pn)]|；Um(w)＝Crw,m(wm-wav,m)；Dm(w)＝Cpw,m(wav,m-wm)；式中：f(P,w)为调度单时段消耗的总成本；F(Pn)为火电机组的燃料成本；E(Pn)为汽轮机阀点效应产生的能耗成本；Um(w)为风电出力高估惩罚成本；Dm(w)为风电出力低估惩罚成本；n为火电机组编号；N为火电机组总数；m为风电场编号；M为风电场总数；h为调度时段；H为调度时段总数；Pn为第n台火电机组单时段输出的有功功率；Pn,min为第n台火电机组有功出力下限；an、bn、cn为燃料成本系数；dn、en为阀点效应成本系数；wav,m为第m座风电场可利用的出力，一般用风电功率预测值或转化为概率模型表述；wm为第m座风电场实际出力；F为H时段动态经济调度总成本；(b)约束条件包括：①②③④⑤⑥⑦其中：式中：PL为电力系统的网络损耗；PD为负荷单时段有功功率的预测值；Bi,j、Bi,o、Bo,o为网损系数；Pn,max、Pn,min分别为第n台火电机组有功出力上、下限；wm,max为第m座风电场最大装机容量；URn、DRn分别为第n台火电机组上升及下降爬坡速率；ΔT为调度时间间隔，取1h；Lu％、Ld％分别为系统负荷预测误差对正、负旋转备用的需求系数；Un、Dn分别为第n台火电机组能提供的正、负旋转备用容量；T10为旋转备用的响应时间，取10min；wu％、wd％分别为风电功率预测误差对正、负旋转备用的需求系数。3.根据权利要求1所述的基于改进径向移动算法的含风电场电力系统经济调度方法，其特征在于，所述步骤(2)中模型的处理和转化包括：(a)风电出力的表述：当风电出力为0、wr及0到wr时的概率表达式如下：P{W＝0}＝P(V<vi)+P(V≥vo)＝1-exp[-(vi/c)k]+exp[-(vo/c)k]；P{W＝wr}＝P(vr≤V<vo)＝exp[-(vr/c)k]-exp[-(vo/c)k]；式中：h＝(vr/vi)-1，k、c为Weibull分布参数；wr为风电场额定容量；V、vi、vr、vo分别为实际风速、切入风速、额定风速和切出风速...
【专利技术属性】
技术研发人员：韩丽，张容畅，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。