电网调度优化方法、装置和非易失性存储介质制造方法及图纸

本发明专利技术公开了一种电网调度优化方法、装置和非易失性存储介质。其中，该方法包括：获取目标区域内电网系统的多目标优化模型，其中，多目标优化模型用于表征电网系统关于运行成本和网络损耗的日前调度优化方向；基于改进粒子群优化算法求解多目标优化模型，得到电网系统的日前调度优化结果，其中，改进粒子群优化算法为采用动态的惯性权重和动态的学习因子的粒子群优化算法；基于日前调度优化结果对电网系统进行日内滚动优化，得到控制指令，其中，控制指令用于调控电网系统以使电网系统的状态与日前调度优化结果的误差最小；基于控制指令调控电网系统。本发明专利技术解决了现有技术中电网功率的优化协调控制策略无法及时响应环境变化的技术问题。的技术问题。的技术问题。

【技术实现步骤摘要】
电网调度优化方法、装置和非易失性存储介质


[0001]本专利技术涉及电网调度
，具体而言，涉及一种电网调度优化方法、装置和非易失性存储介质。

技术介绍

[0002]可再生能源高渗透的交直流混合配电网，由于间歇式能源出力依赖于自然条件(如光伏发电受日照强度和温度的影响，风力发电受风速的影响)，变化较为频繁，只在长时间尺度下进行优化控制是无法对环境以及负荷的变化做出及时响应的，这样形成的优化协调控制策略实际上往往并不是最优的。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种电网调度优化方法、装置和非易失性存储介质，在时间尺度上，建立长时间尺度、短时间尺度、实时的协调优化调度机制。以至少解决现有技术中电网功率的优化协调控制策略无法及时响应环境变化的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种电网调度优化方法，包括：获取目标区域内电网系统的多目标优化模型，其中，多目标优化模型用于表征电网系统关于运行成本和网络损耗的日前调度优化方向；基于改进粒子群优化算法求解多目标优化模型，得到电网系统的日前调度优化结果，其中，改进粒子群优化算法为采用动态的惯性权重和动态的学习因子的粒子群优化算法；基于日前调度优化结果对电网系统进行日内滚动优化，得到控制指令，其中，控制指令用于调控电网系统以使电网系统的状态与日前调度优化结果的误差最小；基于控制指令调控电网系统。
[0006]可选地，基于改进粒子群优化算法求解多目标优化模型，得到电网系统的日前调度优化结果，包括：步骤一，获取电网系统的原始数据和改进粒子群优化算法的参数，其中，改进粒子群优化算法的参数包括惯性权重和学习因子；步骤二，基于原始数据和多目标优化模型进行随机初始化，得到改进粒子群优化算法中的多个粒子以及多个粒子的适应值；步骤三，根据多个粒子的适应值更新多个粒子的飞行速度和位置，得到更新后的多个粒子，并计算更新后的多个粒子的适应值；步骤四，根据更新后的多个粒子的适应值，更新改进粒子群优化算法的参数；步骤五，重复执行步骤三至步骤四，直至执行步骤三至步骤四的次数达到预定的迭代步数为止，得到日前调度优化结果。
[0007]可选地，根据更新后的多个粒子的适应值，更新改进粒子群优化算法的参数，包括：根据更新后的多个粒子各自的适应值，计算更新后的多个粒子的平均适应值和最小适应值；根据更新后的多个粒子的平均适应值和最小适应值，更新改进粒子群优化算法的参数中的惯性权重，使得更新后的惯性权重满足：当更新后的多个粒子各自的适应值趋于一致或者趋于局部最优时，更新后的惯性权重增大，当更新后的多个粒子各自的适应值趋于分散时，更新后的惯性权重减小。
[0008]可选地，所述更新改进粒子群优化算法的参数，包括基于如下公式更新所述学习因子：其中，所述学习因子包括个体学习因子和社会学习因子，c1(iter)表示第iter次迭代过程中的个体学习因子，iter
max
表示最大迭代次数，c
1max
表示个体学习因子设定最大值，c
1min
表示个体学习因子设定最小值，c2(iter)表示第iter次迭代过程中的社会学习因子，c
2min
表示社会学习因子设定最小值，c
2max
表示社会学习因子设定最大值。
[0009]可选地，基于原始数据和多目标优化模型进行随机初始化，得到改进粒子群优化算法中的多个粒子，包括：获取多目标优化模型的约束条件，其中，约束条件包括等式约束和不等式约束；基于原始数据进行随机初始化，得到多个原始粒子；从原始粒子中筛选出符合等式约束的粒子作为改进粒子群优化算法中的多个粒子；根据多个粒子的适应值更新多个粒子的飞行速度和位置，包括：在多个粒子的更新后的飞行速度和位置中的状态变量超出不等式约束的范围时，以不等式约束的边界值作为更新后的状态变量。
[0010]可选地，基于日前调度优化结果对电网系统进行日内滚动优化，得到控制指令，包括：根据日前调度优化结果，建立滚动预测模型，其中，日前调度优化结果包括电网系统的储能充放电功率和外电网交换功率，滚动预测模型为如下公式：
[0011][0012]P
st
(k+Δt)为预测k+
△
t时刻的储能充放电功率，P
grid
(k+Δt)为预测k+
△
t时刻的电网交换功率，P
st
(k)和P
grid
(k)为k时刻储能充放电功率和电网交换功率，ΔP
st
(k)为储能充放电功率增量，ΔP
Gf,Lf
为电网系统内部可再生能源及负荷的超短期预测功率增量；根据滚动预测模型建立日内优化目标函数，其中，日内优化目标函数用于表征电网系统的预测状态与日前调度优化结果的误差；求解日内优化目标函数，得到控制指令。
[0013]可选地，多目标优化模型包括：电力系统内的总运行成本和电力系统内的总网损，其中，总运行成本包括储能系统运行成本函数、向大电网购电成本函数和可调度负荷成本函数，总网损包括线路损耗和换流器功率损耗。
[0014]根据本专利技术实施例的另一方面，还提供了一种电网调度优化装置，包括：获取模块，用于获取目标区域内电网系统的多目标优化模型，其中，多目标优化模型用于表征电网系统关于运行成本和网络损耗的日前调度优化方向；求解模块，用于基于改进粒子群优化算法求解多目标优化模型，得到电网系统的日前调度优化结果，其中，改进粒子群优化算法为采用动态的惯性权重和动态的学习因子的粒子群优化算法；优化模块，用于基于日前调度优化结果对电网系统进行日内滚动优化，得到控制指令，其中，控制指令用于调控电网系统以使电网系统的状态与日前调度优化结果的误差最小；调控模块，用于基于控制指令调控电网系统。
[0015]根据本专利技术实施例的又一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备
执行上述任意一项所述电网调度优化方法。
[0016]根据本专利技术实施例的再一方面，还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于运行所述存储器存储的程序，其中，所述程序运行时执行上述任意一项所述电网调度优化方法。
[0017]在本专利技术实施例中，通过获取目标区域内电网系统的多目标优化模型，其中，多目标优化模型用于表征电网系统关于运行成本和网络损耗的日前调度优化方向；基于改进粒子群优化算法求解多目标优化模型，得到电网系统的日前调度优化结果，其中，改进粒子群优化算法为采用动态的惯性权重和动态的学习因子的粒子群优化算法；基于日前调度优化结果对电网系统进行日内滚动优化，得到控制指令，其中，控制指令用于调控电网系统以使电网系统的状态与日前调度优化结果的误差最小；基于控制指令调控电网系统，实现了在时间尺度上，建立长时间尺度和短时间尺度的协调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网调度优化方法，其特征在于，包括：获取目标区域内电网系统的多目标优化模型，其中，所述多目标优化模型用于表征所述电网系统关于运行成本和网络损耗的日前调度优化方向；基于改进粒子群优化算法求解所述多目标优化模型，得到所述电网系统的日前调度优化结果，其中，所述改进粒子群优化算法为采用动态的惯性权重和动态的学习因子的粒子群优化算法；基于所述日前调度优化结果对所述电网系统进行日内滚动优化，得到控制指令，其中，所述控制指令用于调控所述电网系统以使所述电网系统的状态与所述日前调度优化结果的误差最小；基于所述控制指令调控所述电网系统。2.根据权利要求1所述的方法，其特征在于，所述基于改进粒子群优化算法求解所述多目标优化模型，得到所述电网系统的日前调度优化结果，包括：步骤一，获取所述电网系统的原始数据和所述改进粒子群优化算法的参数，其中，所述改进粒子群优化算法的参数包括惯性权重和学习因子；步骤二，基于所述原始数据和所述多目标优化模型进行随机初始化，得到所述改进粒子群优化算法中的多个粒子以及多个粒子的适应值；步骤三，根据多个粒子的适应值更新多个粒子的飞行速度和位置，得到更新后的多个粒子，并计算更新后的多个粒子的适应值；步骤四，根据更新后的多个粒子的适应值，更新改进粒子群优化算法的参数；步骤五，重复执行步骤三至步骤四，直至执行步骤三至步骤四的次数达到预定的迭代步数为止，得到所述日前调度优化结果。3.根据权利要求2所述的方法，其特征在于，所述根据更新后的多个粒子的适应值，更新改进粒子群优化算法的参数，包括：根据更新后的多个粒子各自的适应值，计算更新后的多个粒子的平均适应值和最小适应值；根据更新后的多个粒子的平均适应值和最小适应值，更新改进粒子群优化算法的参数中的惯性权重，使得更新后的惯性权重满足：当更新后的多个粒子各自的适应值趋于一致或者趋于局部最优时，更新后的惯性权重增大，当更新后的多个粒子各自的适应值趋于分散时，更新后的惯性权重减小。4.根据权利要求2所述的方法，其特征在于，所述更新改进粒子群优化算法的参数，包括基于如下公式更新所述学习因子：其中，所述学习因子包括个体学习因子和社会学习因子，c1(iter)表示第iter次迭代过程中的个体学习因子，iter
max
表示最大迭代次数，c
1max
表示个体学习因子设定最大值，c
1min
表示个体学习因子设定最小值，c2(iter)表示第iter次迭代过程中的社会学习因子，c
2min
表示社会学习因子设定最小值，c
2max
表示社会学习因子设定最大值。
5.根据权利要求2所述的方法，其特征在于，基于所述原始数据和所述多目标优化模型进行随机初始化，得到所述改进粒子群优化算法中的多个粒子，包括：获取所述多目标优化模型的约束条件，其中，所述约束条件包括等式约束和不等式约束；基于所述原始数据...

【专利技术属性】
技术研发人员：李子衿，王辰，赵贺，宋一凡，王博，郝良，宣振文，张淼，王存平，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：