考虑爬坡速率约束的电力系统机组组合优化方法技术方案

考虑爬坡速率约束的电力系统机组组合优化方法，涉及电力系统调度。以煤耗成本和启动成本之和最小为目标，在离散粒子群框架中引入差分加速技术以提高求解速度，对不可行个体进行修复以提高可行性，并采用随机等效λ迭代法进行负荷分配并处理爬坡速率约束。具体包括以下步骤：收集相关数据并设置算法参数；建立机组组合优化数学模型；随机生成初始种群；对不满足约束的个体进行修复；采用随机等效λ迭代法进行经济负荷分配并处理爬坡速率约束；计算适应度值，更新种群最好和个体最好；执行差分加速搜索；更新种群；达到迭代结束条件则输出最优机组组合方案。可以显著提高求解速度，有效降低运行成本。

【技术实现步骤摘要】
考虑爬坡速率约束的电力系统机组组合优化方法
本专利技术涉及电力系统调度，尤其是涉及一种考虑爬坡速率约束的电力系统机组组合优化方法。
技术介绍
随着电力系统规模的增加和日益加剧的能源危机，人们对电力系统经济性的运行要求越来越高。电力系统机组组合优化对电力系统经济运行、安全调度具有重要影响，它不仅可以节省大量的经济成本，而且能通过保持一定的旋转备用来提高电力系统的可靠性。机组组合优化问题涉及两个子问题，其一是机组组合，用于确定有哪些机组出力；其二为经济负荷分配，用于确定需要这些机组出多少力。机组组合优化问题的决策变量不仅涉及表示机组运行状态（离线、在线分别用0、1表示）的离散变量，而且涉及表示机组出力的连续变量，需要考虑包括电量平衡、旋转备用等在内的大量线性、非线性的等式或不等式约束。目前，机组组合优化的方法有优先顺序法、动态规划法、拉格朗日松弛法等传统数学规划方法和遗传算法、神经网络等智能进化算法。优先顺序法计算简单，速度快，但很难得到最优解；动态规划法能得到最优解，但计算量大，存在维数灾问题；拉格朗日松弛法算子选择不易，且其优劣直接影响到算法的收敛性；遗传算法容易早熟收敛，且后期易出现震荡现象；神经网络的训练需要大量的样本数据。Kennedy和Eberhart于1995年提出的粒子群算法是模拟鸟群觅食的基于群体智能的仿生算法，便于在连续变量空间处理全局约束优化问题，随后他们于1997年将所提出的粒子群算法扩展为离散粒子群算法，用于处理含离散变量的优化问题，具有原理简单、鲁棒性好和易于实现的优点。Zhao等人（B.Zhao,C.X.Guo,B.R.BaiandY.J.Cao.Animprovedparticleswarmoptimizationalgorithmforunitcommitment.InternationalJournalofElectricalPower&EnergySystems,28(7):482-490,2006）在2006年构建了一个增强粒子群算法求解电力系统机组组合优化问题，但该法的求解速度慢，容易陷入局部最优，而且该法所求得的机组组合优化的结果并不理想。中国专利201110243050.9（浙江大学）公开一种基于离散粒子群和拉格朗日乘数算法的机组组合优化方法，但该法不一定能获得满足各种运行约束的最优解（其实施案例所给出的验证性结果未满足最小在线时间约束）且未考虑爬坡速率约束，求解速度慢，不适于实际应用。差分加速技术是Zhang等人（JingruiZhang,JianWang,andChaoyuanYue,Smallpopulation-basedparticleswarmoptimizationforshort-termhydrothermalscheduling,IEEETransactionsonPowerSystems,27(1):142-152,2012）于2012年提出的短期水火联调问题的粒子群算法求解框架中用于加速搜索的一种方法，但该法仅针对连续变量，对含离散变量的机组组合优化无能为力。
技术实现思路
本专利技术的目的在于为进一步提高粒子群算法求解机组组合优化问题的速度，提供一种考虑爬坡速率约束的电力系统机组组合优化方法。本专利技术针对含爬坡速率约束的电力系统机组组合优化问题，将差分加速技术扩展于处理离散变量的加速搜索，在经济负荷分配上引入适于智能进化算法的随机等效Lambda（在本说明书剩余部分采用λ表示）迭代法。本专利技术包括以下步骤：（1）收集电力系统相关数据并设置算法参数；（2）根据步骤（1）所收集的电力系统相关数据，建立考虑各种运行约束的电力系统机组组合优化数学模型；（3）根据步骤（2）所建立的电力系统机组组合优化问题数学模型和步骤（1）所设置的算法参数，初始化种群个体的飞行速度，并确定种群个体的位置也即是机组的运行状态；（4）判断种群个体是否满足最小在线/离线时间约束，若满足，则转步骤（5）；若不满足，则对种群个体进行最小在线/离线时间约束的修复；（5）判断满足最小在线/离线时间约束的种群个体是否满足旋转备用约束，若满足，则转步骤（6）；若不满足，则对种群个体进行旋转备用约束的修复；（6）对种群个体执行过度盈余机组删除操作；（7）根据步骤（1）所收集的不同时段的预测负荷情况对种群个体进行经济负荷分配；（8）根据步骤（2）所建立的优化问题目标函数和步骤（7）的经济负荷分配情况，计算种群个体的目标函数值，设置该值为相应个体的适应度值，并更新个体最好和种群最好；（9）采用差分加速技术对种群个体最好进行加速搜索；（10）若达到迭代结束条件，则转步骤（12），否则转下一步；（11）根据个体最好和种群最好更新种群个体的飞行速度和位置，转步骤（4）；（12）输出电力系统机组组合优化方案，求解结束。在步骤（1）中，所述电力系统相关数据包括参与调度机组的特性数据、调度周期及其时段数、调度周期内各时段的预测负荷和旋转备用要求；所述特性数据包括煤耗函数、启动成本、最小在线/离线时间、爬坡速率约束、机组出力上下限及机组初始运行状态；所述算法参数包括粒子群算法相关参数、差分加速方法相关参数和随机等效λ迭代法的相关参数。在步骤（2）中，所述电力系统机组组合优化数学模型以机组煤耗成本和启动成本之和最小为目标，优化的目标函数优化的约束条件为：1）电量平衡t＝1,2,...,T2）旋转备用约束t＝1,2,...,T3）最小在线时间uit＝1∧uit+1＝04）最小离线时间uit＝0∧uit+1＝15）机组出力约束i＝1,2,...,Ns,t＝1,2,...,T6）火电机组初始运行状态i＝1,2,...,Ns7）机组爬坡速率约束Psit-Psit-1≤URi,Psit-1-Psit≤UDii＝1,2,...,Ns,t＝1,2,...,T在上述公式中，F是优化的目标，t＝1,2,...,T代表调度时段，i＝1,2,...,Ns代表参与调度的机组，Psit代表机组i在时段t的出力，机组i的煤耗成本可以表示为相应出力的二次多项式函数：fi(Psit)＝ai+biPsit+ciPsit2，aibi和ci为机组i的煤耗成本函数的系数，uit为机组i在t时段工作状态，1表示在线，0表示离线，机组i在t时段的启动费用SUit可以表示为：Chsi为机组i的热启动成本，Ccsi为机组i的冷启动成本，Hcsi为机组i的冷启动时间，为机组i的最小离线时间，机组i在t时段末的连续离线时间按更新，为机组i的最小在线时间，机组i在t时段末的连续在线时间按PL(t)和PD(t)分别为t时段的输电损耗和系统负荷，R(t)为t时段的旋转备用要求，和分别为机组i出力的上下限，和分别为机组i的初始连续在线和离线时间，URi和DRi分别为机组i出力增加和降低的速度上限也即是反映爬坡速率约束的两个变量。在不加说明情况下，本专利技术说明书剩余部分相同数学符号均代表上述意义。在步骤（4）中，所述最小在线/离线时间约束修复的步骤如下：1）：获取待修复个体，初始化和令t＝1，i＝1；2）：若uit＝1，则转步骤3），否则转步骤5）；3）：若uit-1＝0，则转步骤4），否则转步骤7）；4）：若则令uit＝0转步骤7），否则直接转步骤7）；本文档来自技高网...

【技术保护点】
考虑爬坡速率约束的电力系统机组组合优化方法，其特征在于包括以下步骤：（1）收集电力系统相关数据并设置算法参数；（2）根据步骤（1）所收集的电力系统相关数据，建立考虑各种运行约束的电力系统机组组合优化数学模型；（3）根据步骤（2）所建立的电力系统机组组合优化问题数学模型和步骤（1）所设置的算法参数，初始化种群个体的飞行速度，并确定种群个体的位置也即是机组的运行状态；（4）判断种群个体是否满足最小在线/离线时间约束，若满足，则转步骤（5）；若不满足，则对种群个体进行最小在线/离线时间约束的修复；（5）判断满足最小在线/离线时间约束的种群个体是否满足旋转备用约束，若满足，则转步骤（6）；若不满足，则对种群个体进行旋转备用约束的修复；（6）对种群个体执行过度盈余机组删除操作；（7）根据步骤（1）所收集的不同时段的预测负荷情况对种群个体进行经济负荷分配；（8）根据步骤（2）所建立的优化问题目标函数和步骤（7）的经济负荷分配情况，计算种群个体的目标函数值，设置该值为相应个体的适应度值，并更新个体最好和种群最好；（9）采用差分加速技术对种群个体最好进行加速搜索；（10）若达到迭代结束条件，则转步骤（12），否则转下一步；（11）根据个体最好和种群最好更新种群个体的飞行速度和位置，转步骤（4）；（12）输出电力系统机组组合优化方案，求解结束。...

【技术特征摘要】
1.考虑爬坡速率约束的电力系统机组组合优化方法，其特征在于包括以下步骤：(1)收集电力系统相关数据并设置算法参数；所述电力系统相关数据包括参与调度机组的特性数据、调度周期及其时段数、调度周期内各时段的预测负荷和旋转备用要求；所述特性数据包括煤耗函数、启动成本、最小在线/离线时间、爬坡速率约束、机组出力上下限及机组初始运行状态；所述算法参数包括粒子群算法相关参数、差分加速方法相关参数和随机等效λ迭代法的相关参数；(2)根据步骤(1)所收集的电力系统相关数据，建立考虑各种运行约束的电力系统机组组合优化数学模型；所述电力系统机组组合优化数学模型以机组煤耗成本和启动成本之和最小为目标，优化的目标函数优化的约束条件为：1)电量平衡2)旋转备用约束3)最小在线时间4)最小离线时间5)机组出力约束6)火电机组初始运行状态7)机组爬坡速率约束Psit-Psit-1≤URi,Psit-1-Psit≤UDii＝1,2,...,Ns,t＝1,2,...,T在上述公式中，F是优化的目标，t＝1,2,...,T代表调度时段，i＝1,2,...,Ns代表参与调度的机组，Psit代表机组i在时段t的出力，机组i的煤耗成本表示为相应出力的二次多项式函数：fi(Psit)＝ai+biPsit+ciPsit2，ai,bi和ci为机组i的煤耗成本函数的系数，uit为机组i在t时段工作状态，1表示在线，0表示离线，机组i在t时段的启动费用SUit表示为：Chsi为机组i的热启动成本，Ccsi为机组i的冷启动成本，Hcsi为机组i的冷启动时间，TiMD为机组i的最小离线时间，机组i在t时段末的连续离线时间按更新，TiMU为机组i的最小在线时间，机组i在t时段末的连续在线时间按PL(t)和PD(t)分别为t时段的输电损耗和系统负荷，R(t)为t时段的旋转备用要求，和分别为机组i出力的上下限，Tiiniton和Tiinitoff分别为机组i的初始连续在线和离线时间，URi和UDi分别为机组i出力增加和降低的速度上限也即是反映爬坡速率约束的两个变量；(3)根据步骤(2)所建立的电力系统机组组合优化问题数学模型和步骤(1)所设置的算法参数，初始化种群个体的飞行速度，并确定种群个体的位置也即是机组的运行状态；(4)判断种群个体是否满足最小在线/离线时间约束，若满足，则转步骤(5)；若不满足，则对种群个体进行最小在线/离线时间约束的修复；所述最小在线/离线时间约束修复的步骤如下：1)：获取待修复个体，初始化和令t＝1，i＝1；2)：若uit＝1，则转步骤3)，否则转步骤5)；3)：若uit-1＝0，则转步骤4)，否则转步骤7)；4)：若则令uit＝0转步骤7)，否则直接转步骤7)；5)：若uit-1＝1，则转步骤6)，否则转步骤7)；6)：若则令uit＝1转步骤7)，否则直接转步骤7)；7)：更新和8)：i＝i+1，若i≤Ns，则转步骤2)，否则转步骤9)；9)：t＝t+1，若t≤T，则i＝1转步骤2)，否则转步骤10)；10)：最小在线/离线时间约束修复完毕；(5)判断满足最小在线/离线时间约束的种群个体是否满足旋转备用约束，若满足，则转步骤(6)；若不满足，则对种群个体进行旋转备用约束的修复；所述旋转备用约束的修复的步骤如下：1)：获取待修复个体，将机组按照装机容量排成降序，令t＝1；2)：按下式计算当前个体在t时段的旋转备用情况若令g＝1，转步骤3)，否则转步骤7)；3)：若ugt＝1，则g＝g+1直至ugt＝0，计算和4)：令ugt＝1，若则否则令5)：令ugl＝1，l...

【专利技术属性】
技术研发人员：张景瑞，林爽，邱卫霞，郭逸然，
申请(专利权)人：厦门大学，
类型：发明
国别省市：