一种基于混合算法的自动发电控制调度方法技术

本申请提供一种基于混合算法的自动发电控制调度方法，包括设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。本申请可以解决储能资源、新能源和传统AGC机组的协同调度问题，通过混合多目标算法的优化和客观决策方法为电网选取一个符合机组约束的调度方案。调度方案。调度方案。

【技术实现步骤摘要】
一种基于混合算法的自动发电控制调度方法


[0001]本申请涉及自动发电控制方法
，尤其涉及一种基于混合算法的自动发电控制调度方法。

技术介绍

[0002]近年来，大量风力发电和光伏发电机组并网运行。一方面，由于风力发电和光伏发电单元的输出由电力电子设备调节，它们可以快速响应动态功率输入调节命令。另一方面，由于大型风力发电和光伏发电机组受气候条件的影响，其发电量具有较大的随机波动，这加剧了电力系统频率调节的压力。此外，越来越多的新型储能资源正在加入电网，如化学电池储能、电动汽车、电网规模的电池储能等。风力发电和光伏发电机组通过将多余的能量储存在大容量的电池组中来发电，在电池不发电时反馈到电网中，以缓解电力系统频率调节的压力。
[0003]近年来不少启发式算法应用到了自动发电调度优化,包括多目标粒子群优化，多目标粒子群算法和多目标免疫算法等。迄今为止，很少有研究涉及风、光伏、等效串联电阻和其他频率调节资源之间的互补控制。因此，本申请提出了一种基于多目标遗传算法和多目标粒子群混合算法的自动发电控制调度优化方法，它主要最小化总的功率偏差和总的调频里程支付。在求解多目标调度优化问题时，由于具有一定的全局搜索能力和较快的收敛速度，多目标进化算法应用广泛，但是由于其参数较为固定，无法自适应更新算法参数，可能收敛到局部解。因此，本申请采用多目标遗传算法和多目标粒子群混合算法求解调度问题，同时采用多属性边界逼近面积比较(multi
‑
attributeboundaryapproximationregionalcomparison,MABAC)决策方法在获取的帕累托解集上选择最优折衷解。

技术实现思路

[0004]本申请提供了一种基于混合算法的自动发电控制调度方法，以解决很少有研究涉及风、光伏、等效串联电阻和其他频率调节资源之间的互补控制的问题。
[0005]本专利技术的目的通过以下技术方案实现：首先，建立多目标调度优化数学模型，设计调度的目标函数，即提高电网运营商的效益，同时平衡电力系统的负荷扰动；并确定多目标调度的约束条件；然后，输入实时的负荷扰动和初始化优化算法参数，采用多目标遗传算法(Anevolutionarymany
‑
objectiveoptimizationalgorithmusingreference
‑
pointbasednon
‑
dominatedsortingapproach,NSGA
‑
II)和多目标粒子群(multipleobjectiveparticleswarmoptimization,MOPSO)混合算法执行非支配排序并计算个体对应的拥挤度，同时选择合适的解集，以更新帕累托解集；利用多属性边界逼近面积比较(multi
‑
attributeboundaryapproximationregionalcomparison,MABAC)决策法选取所得帕累托前沿的最优折衷解。
[0006]本申请提供一种基于混合算法的自动发电控制调度方法，包括：
[0007]设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支
付最小化，建立储能资源参与的双目标调度模型；
[0008]设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；
[0009]采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；
[0010]重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。
[0011]可选的，所述设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型的步骤包括两步，一是使运营商的调节里程支付f1达到最小值，二是使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值，其中：
[0012]所述自动发电控制调度模型的目标函数为：
[0013][0014]式中，为第i机组在第k+1时刻的功率输出；ΔP
c
(k)为PI控制器的输出； R
i
表示第i台自动发电控制机组的规定里程费，如下所示：
[0015][0016][0017]式中γ为调节里程的价格，为绩效评分，为第i个单元在第k个时间控制间隔的实际调节功率输出，为第k个控制间隔的调节里程输出偏差。
[0018]可选的，所述设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数的步骤包括：
[0019]设定调度模型的约束条件，包括功率平衡约束、发电坡道约束、调节容量约束和能量转移约束，其中：
[0020]所述功率平衡约束：在第k个控制间隔，控制器输出的总功率调节命令应等于所有自动增益控制单元接收的功率调节输入信号之和，如下所示：
[0021][0022]式中，为第i单元在第k个控制间隔接收到的输入功率命令，ΔP
c
(k)为PI控制器的输出；
[0023]发电坡道约束：光电和风电机组与储能资源的动态响应模型不存在发电坡道约束，在不考虑发电坡道约束和功率限制器的情况下，实际调节功率输出与拉普拉斯逆传递函数有关，如下所示：
[0024][0025][0026][0027]式中，G
i
(s)为第i个自动发电控制机组的能量传递函数；ΔT为第i单位的延迟时间常数；为第i台自动发电控制机组在第k个控制区间的调节里程输入；
[0028]考虑到总谐波电流和功率限制器，自动增益控制单元的输出计算如下：
[0029][0030][0031][0032]式中，和分别为第i单元的最小调节容量和最大调节容量；和分别为第i单元功率调节变化的最小值和最大值；为第i单元的最大斜坡速率。
[0033]可选的，所述采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程的步骤包括：
[0034]采用多目标遗传算法和多目标粒子群混合算法优化自动发电控制调度方案，利用于多目标遗传算法和多目标粒子群改进混合算法进行自动发电控制调度，算法迭代流程如下：
[0035]步骤1：初始化多目标遗传算法的参数，包括种群数目N1，迭代次数T，最大交叉率 P
c
，突变率P
m
，突变步长L；
[0036]步骤2：初始化多目标粒子群算法的参数，包括存储库大小N2，惯量权重w，惯量权重阻尼c1，个体加速常数c1，全局加速常数c2；
[0037]步骤3：初始化种群，采用随机初始化产生满足约束条件的种群，根据上述公式计算初始种群对应的目标函数值；
[0038]步骤4：对种群进行非支配排序，根据非支配前沿对个体进行分类，计算同一非支配水平下个体的拥挤距离，根据拥挤距离对个体进行排序，拥挤距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合算法的自动发电控制调度方法，其特征在于，包括：设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型；设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数；采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程；重复执行上述步骤，直至算法收敛，利用多属性边界逼近面积比较决策方法确定上述所得帕累托前沿的最优折衷解。2.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述设计自动发电控制调度模型的目标函数，目标为总功率偏差最小化和调节里程支付最小化，建立储能资源参与的双目标调度模型的步骤包括两步，一是使运营商的调节里程支付f1达到最小值，二是使机组接收的调度信号与实际机组输出的功率偏差f2达到最小值，其中：所述自动发电控制调度模型的目标函数为：式中，为第i机组在第k+1时刻的功率输出；ΔP
c
(k)为PI控制器的输出；R
i
表示第i台自动发电控制机组的规定里程费，如下所示：所示：式中γ为调节里程的价格，为绩效评分，为第i个单元在第k个时间控制间隔的实际调节功率输出，为第k个控制间隔的调节里程输出偏差。3.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述设定调度模型的约束条件，输入实时负荷扰动情况和初始化算法参数的步骤包括：设定调度模型的约束条件，包括功率平衡约束、发电坡道约束、调节容量约束和能量转移约束，其中：所述功率平衡约束:在第k个控制间隔，控制器输出的总功率调节命令应等于所有自动增益控制单元接收的功率调节输入信号之和，如下所示：式中，为第i单元在第k个控制间隔接收到的输入功率命令，ΔP
c
(k)为PI控制器的输出；
发电坡道约束：光电和风电机组与储能资源的动态响应模型不存在发电坡道约束，在不考虑发电坡道约束和功率限制器的情况下，实际调节功率输出与拉普拉斯逆传递函数有关，如下所示：所示：所示：式中，G
i
(s)为第i个自动发电控制机组的能量传递函数；ΔT为第i单位的延迟时间常数；为第i台自动发电控制机组在第k个控制区间的调节里程输入；考虑到总谐波电流和功率限制器，自动增益控制单元的输出计算如下：元的输出计算如下：元的输出计算如下：式中，和分别为第i单元的最小调节容量和最大调节容量；和分别为第i单元功率调节变化的最小值和最大值；为第i单元的最大斜坡速率。4.根据权利要求1所述的一种基于混合算法的自动发电控制调度方法，其特征在于，所述采用多目标遗传算法和多目标粒子群混合算法执行非支配排序，计算个体对应的拥挤度，选择解集，更新帕累托解集进行下一次迭代流程的步骤包括：采用多目标遗传算法和多目标粒子群混合算法优化自动发电控制调度方案，利用于多目标遗传算法和多目标粒子群改进混合算法进行自动发电控制调度，算法迭代流程如下：步骤1：初始化多目标遗传算法的参数，包括种群数目N1，迭代次数T，最大交叉率P
c
，突变率P
m
，突变步长L；步骤2：初始化多目标粒子群算法的参数，包括存储库大小N2，惯量权重w，惯量权重阻尼c1，个体加速常数c1，全局加速常数c2；步骤3：初始化种群，采用随机初始化产生满足约束条件的种群，根据上述公式计算初始种群对应的目标函数值；步骤4：对种群进行非支配排序，根据非支配前沿对个体进行分类，计算同一非支配水平下个体的拥挤距离，根据拥挤距离对个体进行排序，拥挤距离δ
g
计算如下：步骤5：多目标遗传算法更新部分，采用父代种群的上半部分产生子代种群，计算新种
群对应的目标函数值；步骤6：合并父代与子代的种群，执行非支配排序，计算拥挤距离进行排序，进行集合填充或前沿筛选，按照非支配前沿进行优先填充和按照拥挤距离的降序进行前沿筛选，将非主导的解集存储于外部种群档案P1中；步骤7：多目标粒子群算法更新部...

【专利技术属性】
技术研发人员：何廷一，杨博，束洪春，马红升，和鹏，孟贤，何鑫，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：