一种电力优化调度方法及装置与流程

本发明涉及资源调度领域，具体而言，涉及一种电力优化调度方法及装置。

背景技术：

随着化石能源的逐渐枯竭以及环境污染的加剧，大力开发可再生能源成为能源业发展的必然趋势。微电网对于促进可再生能源的消纳与高效利用意义重大，如何合理地对微电网中各系统进行合理的调度以提高运行的经济性一直是电力系统中一个焦点问题。

微电网的优化调度是一个变量高维度、多约束、某些情况下甚至非线性的优化问题，传统方法难以直接对其进行求解。近年来，智能算法因其能较好地求解工程中复杂的最优化问题而受到广泛的研究。在各类智能算法中，遗传算法在求解时不受问题领域的局限，全局搜索能力强，运行流程结构简单，逐渐成为主流的智能算法之一。

利用传统遗传算法对微电网电力进行优化调度时对初始调度方案集有一定的依赖性。由于传统遗传算法的初始调度方案集是随机生成的，因此当生成的初始调度方案集不恰当时，一方面可能会抑制算法在运算初期的广泛搜索能力，从而导致整个迭代过程中的寻优范围较狭窄，错过全局最优电力调度方案而陷入局部最优，另一方面也有可能会导致前期收敛速度慢，收敛效率低下，从而无法保证能快速且准确的求取最优的调度方案。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种电力优化调度方法及装置，以解决上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种电力优化调度方法，应用于微电网，所述方法包括：根据第一规则生成初始调度方案集，所述初始调度方案集包括第一调度方案集和第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，每个调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值，所述第一调度方案集对应的平均相似度小于或等于第一阈值，所述第二调度方案集对应的平均经济成本小于或等于第二阈值；根据所述初始调度方案集及第二规则，生成末代调度方案集；计算所述末代调度方案集中每个调度方案对应的经济成本；将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。

第二方面，本发明实施例提供了一种电力优化调度装置，应用于微电网，所述装置包括：第一处理模块，用于根据第一规则生成初始调度方案集，所述初始调度方案集包括第一调度方案集和第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，每个调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值，所述第一调度方案集对应的平均相似度小于或等于第一阈值，所述第二调度方案集对应的平均经济成本小于或等于第二阈值；第二处理模块，用于根据所述初始调度方案集及第二规则，生成末代调度方案集；第三处理模块，用于计算所述末代调度方案集中每个调度方案对应的经济成本；将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。

与现有技术相比，本发明实施例提供的一种电力优化调度方法及装置，在生成的初始调度方案集时，将两个分别满足平均相似度要求、平均经济成本要求的调度方案集合成为所需的初始调度方案集，并根据所述初始调度方案集及第二规则，生成了末代调度方案集，最终将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。由于生成初始调度方案集时，在降低所述初始调度方案集的平均相似度的同时也在一定程度上保证了其平均经济成本不会过高，使得在初期具有较广泛的搜索能力的同时加快了收敛速度，因此相比于传统算法，所述方法能够更快速且准确的求取最优的调度方案。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明第一实施例提供的一种电力优化调度方法的流程图。

图2是本发明第一实施例提供的一种电力优化调度方法中步骤S200的一种详细流程图。

图3是本发明第一实施例提供的一种电力优化调度方法中步骤S300的一种详细流程图。

图4是本发明第一实施例提供的一种电力优化调度方法中获取下一代调度方案集的流程图。

图5是本发明第一实施例提供的一种电力优化调度方法中步骤S530的一种详细流程图。

图6是本发明第一实施例提供的一种电力优化调度方法中步骤S550的一种详细流程图。

图7是本发明第一实施例提供的一种电力优化调度方法中步骤S650的一种详细流程图。

图8是本发明第一实施例提供的一种电力优化调度方法获取的最优电力调度方案的效果示意图。

图9是本发明第一实施例提供的一种电力优化调度方法与基于传统遗传算法的电力优化调度方法中每代调度方案集中所有调度方案对应的经济成本中的最小值的对比示意图。

图10是本发明第一实施例提供的一种电力优化调度方法与基于传统遗传算法的电力优化调度方法的一种收敛效果对比示意图。

图11是本发明第一实施例提供的一种电力优化调度方法与基于传统遗传算法的电力优化调度方法的另一种收敛效果对比示意图。

图12是本发明第二实施例提供的一种电力优化调度装置的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明实施例应用于微电网，所述微电网中包含微型燃气轮机(Micro-turbine,MT)、风力机(Wind Turbine,WT)、光伏发电系统(Photovoltaic,PV)以及蓄电池组(Storage Battery)储能装置。本发明实施例的调度方案以经济成本最低为目标，微电网在运行过程中，经济成本主要包括微型燃气轮机的燃料成本、运行维护成本、蓄电池组的运行维护成本、微电网与大电网之间的交易成本、微电网与大电网的环境惩罚成本(主要考虑CO₂)。

图1示出了本发明第一实施例提供的一种电力优化调度方法的流程图，请参阅图1，所述方法应用于微电网，所述方法包括：

步骤S200，根据第一规则生成初始调度方案集，所述初始调度方案集包括第一调度方案集和第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，每个调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值，所述第一调度方案集对应的平均相似度小于或等于第一阈值，所述第二调度方案集对应的平均经济成本小于或等于第二阈值。

作为一种具体的实施方式，请参阅图2，步骤S200可以包括：

步骤S210，随机生成第一调度方案集、第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，所述第一调度方案集包括的调度方案个数与所述第二调度方案集包括的调度方案个数相同且均为预设调度方案集规模的一半，每个所述调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值。

其中，所述预设调度方案集规模可以根据具体实施例的情况进行设置，其值并不构成对本实施例的限制。例如，将所述预设调度方案集规模设置为500，则所述第一调度方案集及所述第二调度方案集中分别包括250个调度方案。

每个所述调度方案包括的决策变量的组数由预设调度周期决定，例如，假设每小时进行一次调度，若所述预设调度周期为24小时，则每个所述调度方案包括24组决策变量值，每组决策变量值与所述预设调度周期内的一个预设时段(1小时)对应。

步骤S220，计算所述第一调度方案集对应的平均相似度，若所述第一调度方案集对应的平均相似度大于第一阈值，则重新随机生成第一调度方案集，直至所述第一调度方案集对应的平均相似度小于或等于所述第一阈值为止。

其中，计算第一调度方案集对应的平均相似度的公式为式中，n为预设调度方案集规模，为所述第一调度方案集对应的平均相似度，其值越大，表示所述第一调度方案集中各个调度方案的相似度越高、多样性越差，为所述第一调度方案集中第i个调度方案与第j个调度方案间的相似度，其值越大表示两个调度方案越相似。

式中为所述第一调度方案集中每个调度方案的维度，也即每个调度方案包括的所有预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值的总个数。其中为所述第一调度方案集中第i个调度方案的第k个决策变量的值，为对作归一化处理后的值，与为该决策变量值的上下限值。其中为所述第一调度方案集中第j个调度方案的第k个决策变量的值，为对作归一化处理后的值，与为该决策变量值的上下限值。

步骤S230，计算所述第二调度方案集对应的平均经济成本，若所述第二调度方案集对应的平均经济成本大于第二阈值，则重新随机生成第二调度方案集，直至所述第二调度方案集对应的平均经济成本小于或等于所述第二阈值为止。

其中，所述第二调度方案集对应的平均经济成本为所述第二调度方案集中各个调度方案对应的经济成本归一化后的平均值，所述第二调度方案集中第i个调度方案对应的经济成本为：

其中，T为预设调度周期；C_MT与C_MTo&m为微型燃气轮机的发电成本和运行维护成本；为所述第二调度方案集中第i个调度方案中与预设时段对应的微型燃气轮机出力；C_bo&m为蓄电池的运行维护成本；为所述第二调度方案集中第i个调度方案中与预设时段对应的蓄电池充放电功率，其值为正表示充电，为负表示放电；与分别为所述第二调度方案集中第i个调度方案中与预设时段对应的微电网与大电网间的购、售电功率，C_u,t和C_s,t为对应的购、售电电价；k_Grid与k_MT分别为大电网和微型燃气轮机的CO₂排放系数；为系统排放CO₂的环境惩罚成本；其中所述第二调度方案集中第i个调度方案与预设时段对应的一组决策变量值为及

所述第二调度方案集中第i个调度方案对应的经济成本归一化后为其中，与为所述第二调度方案集中各方案对应的经济成本的上下限值，其值越大表示该方案对应的经济成本越高。

步骤S240，将所述第一调度方案集及所述第二调度方案集合成为初始调度方案集。

由于在生成初始调度方案集时，若要让每个调度方案在具有很小的平均相似度的同时平均成本很低，可能会导致生成初始调度方案集的过程过于复杂。因而本发明实施例在生成初始调度方案集时，通过包括相同个数的调度方案的第一调度方案集及第二调度方案集进行合成，其中，所述第一调度方案集只保证其平均相似度满足第一阈值要求，所述第二调度方案集只保证其平均经济成本满足第二阈值要求。这种方式在降低初始调度方案集平均相似度的同时也一定程度上保证了其平均经济成本不会过高，以使后续迭代过程中能更快速且准确的求取最优的调度方案。

步骤S300，根据所述初始调度方案集及第二规则，生成末代调度方案集。

作为一种具体的实施方式，请参阅图3，步骤S300可以包括：

步骤S310，将所述初始调度方案集作为当前调度方案集，获取下一代调度方案集。

步骤S320，将所述下一代调度方案集作为当前调度方案集，获取再下一代调度方案集，直至获取下一代调度方案集的次数达到预设迭代次数时，最终获取的调度方案集为末代调度方案集。

作为一种具体的实施方式，请参阅图4，所述获取下一代调度方案集的步骤包括：

步骤S510，计算所述当前调度方案集对应的平均相似度以及所述当前调度方案集对应的平均经济成本。

其中，计算所述当前调度方案集对应的平均相似度的公式为式中，n为预设调度方案集规模，d_g为所述当前调度方案集对应的平均相似度，d_g∈(0,1)，其值越大，表示所述当前调度方案集中各个调度方案的相似度越高、多样性越差，d_i,j为所述当前调度方案集中第i个调度方案与第j个调度方案间的相似度，其值越大表示两个调度方案越相似。式中D为所述当前调度方案集中每个调度方案的维度，也即每个调度方案包括的所有预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值的总个数。其中X_i,k为所述当前调度方案集中第i个调度方案的第k个决策变量的值，x_i,k为对X_i,k作归一化处理后的值，x_i，k∈(0,1)，X_i,k,max与X_i,k,min为该决策变量值的上下限值；其中X_j,k为所述当前调度方案集中第j个调度方案的第k个决策变量的值，x_j,k为对X_j,k作归一化处理后的值，x_j,k∈(0,1)，X_j,k,max与X_j,k,min为该决策变量值的上下限值。

其中，所述当前调度方案集对应的平均经济成本为所述当前调度方案集中各个调度方案对应的经济成本归一化后的平均值，所述当前调度方案集中第i个调度方案对应的经济成本F_i为：

式中，T为预设调度周期；C_MT与C_MTo&m为微型燃气轮机的发电成本和运行维护成本；P_MT,t为所述当前调度方案集中第i个调度方案中与预设时段对应的微型燃气轮机出力；C_bo&m为蓄电池的运行维护成本；P_b,t为所述当前调度方案集中第i个调度方案中与预设时段对应的蓄电池充放电功率，其值为正表示充电，为负表示放电；P_u,t与P_s,t分别为所述当前调度方案集中第i个调度方案中与预设时段对应的微电网与大电网间的购、售电功率，C_u,t和C_s,t为对应的购、售电电价；k_Grid与k_MT分别为大电网和微型燃气轮机的CO₂排放系数；为系统排放CO₂的环境惩罚成本；其中所述当前调度方案集中第i个调度方案与预设时段对应的一组决策变量值为P_MT,t、P_b,t、P_u,t及P_s,t。

所述当前调度方案集中第i个调度方案对应的经济成本F_i归一化后为f_i，其中，F_i,max与F_i,min为所述当前调度方案集中各方案对应的经济成本的上下限值，f_i∈(0,1)，其值越大表示该方案对应的经济成本越高。

在获取下一代调度方案集的过程中，维持所述当前调度方案集中各个调度方案的多样性(即将所述当前调度方案集对应的平均相似度控制在一个较低的水平上)致关重要，若在迭代过程中所述当前调度方案集对应的平均相似度不断提高，会限制寻找最优电力调度方案的搜索范围，较高的平均相似度导致相似的调度方案进行交叉，进而使寻优过程停滞，使得最后不能准确获取最优电力调度方案，而只获取到局部最优电力调度方案。因此在每次迭代开始时就计算所述当前调度方案集对应的平均相似度以及所述当前调度方案集对应的平均经济成本，以使后续的迭代过程中根据该结果选择合适的规则。

步骤S520，判断所述当前调度方案集对应的平均相似度是否小于或等于第三阈值。若是则执行步骤S530；若否则执行步骤S630。

步骤S530，根据改进交叉规则对所述当前调度方案集进行交叉处理，获取交叉后的调度方案集。

作为一种具体的实施方式，请参阅图5，所述步骤S530可以包括：

步骤S531，根据预设交叉率及所述预设调度方案集规模，计算待交叉调度方案的个数K。

其中，所述待交叉调度方案的个数K为通过所述预设交叉率及所述预设调度方案集规模的乘积。例如，当所述预设交叉率为0.8、所述预设调度方案集规模为500，则所述待交叉调度方案的个数K为500×0.8＝400。

步骤S532，根据第一概率分布从所述当前调度方案集中选择K个调度方案作为待交叉调度方案。

其中，所述第一概率分布为式中CP_i为所述当前调度方案集中第i个调度方案被选中作为待交叉调度方案的概率，F_i为所述当前调度方案集中第i个调度方案对应的经济成本，n为预设调度方案集规模，d_g为所述当前调度方案集对应的平均相似度。

所述第一概率分布由两部分组成，一部分由该调度方案对应的经济成本决定，另一部分表示各个调度方案被选中的概率相等，通过将这两部分进行加权求和，即为所述当前调度方案集中各个调度方案被选中作为待交叉调度方案的概率。当所述当前调度方案集对应的平均相似度很小时，第一部分的权重更大而第二部分权重小，表示在所述当前调度方案集对应的平均相似度很小时(即多样性好时)，改进交叉规则偏向于选取对应的经济成本更低的调度方案进行交叉以提高优化速度；而当所述当前调度方案集对应的平均相似度很大时(即多样性差时)，第二部分的权重更大而第一部分权重小，表示在所述当前调度方案集对应的平均相似度很大时，改进交叉规则偏向于让各个调度方案被选中进行交叉的概率基本相等，这样便可让更多的调度方案参与交叉，以降低平均相似度(即提高多样性)。

步骤S533，将选中的K个待交叉调度方案两两随机分组，对每个分组分别进行交叉处理，获取交叉后的调度方案集。

对一个分组内的两个调度方案进行交叉处理的过程，是指将两个调度方案中相同预设时段的一个或多个决策变量值对应进行交换，对应进行交换的决策变量值的个数并不构成对本实施例的限制。所述多个决策变量值可以是在调度方案集中相邻的决策变量值，如第三预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率、微电网与大电网间的售电功率的值及第四预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率的值；所述多个决策变量值也可以是在调度方案集中不相邻的决策变量值，如第四预设时段的蓄电池充放电功率的值、第六预设时段的微型燃气轮机出力的值以及第七预设时段的微电网与大电网间的购电功率的值。例如，将调度方案A与调度方案B作为一个分组进行交叉处理的过程，可以将调度方案A中第二预设时段的蓄电池充放电功率的值与调度方案B中第二预设时段的蓄电池充放电功率的值进行交换，同时将调度方案A中第九预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率的值分别与调度方案B中第九预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率的值对应进行交换。

在传统遗传算法中，交叉规则是基于一定的交叉率，随机地从所述当前调度方案集中选择调度方案进行交叉。该规则虽然可以产生新的调度方案以降低所述当前调度方案集对应的平均相似度，提供多样性，但由于所述当前调度方案集中各调度方案被选中的概率是均等的，当选中对应的经济成本较高的调度方案进行交叉时，可能导致交叉后的调度方案集对应的平均经济成本相比于上一代调度方案集而言改善较小，进而使寻优效率低下。由于对应的经济成本较高的调度方案在进行交叉后，产生的新调度方案对应的经济成本可能改善较小，而对应的经济成本较低的调度方案进行交叉后，可能产生出对应的经济成本更低的调度方案，因而采用所述改进交叉规则，可以让对应的经济成本较低的调度方案有更大的概率被选中作为待交叉调度方案，而对应的经济成本较高的调度方案被选中的概率较小，以此提高寻优的收敛速度。

步骤S540，根据变异规则对所述交叉后的调度方案集进行变异处理，获取变异后的调度方案集。

首先，根据预设变异率及所述预设调度方案集规模，计算待变异调度方案的个数M。然后，从所述交叉后的调度方案集中随机选择M个调度方案作为待变异调度方案。最后，对所述待变异调度方案进行变异处理。

例如，当所述预设变异率为0.08、所述预设调度方案集规模为500，则所述待变异调度方案的个数M为500×0.08＝40。从所述交叉后的调度方案集中随机的选择40个调度方案作为待变异调度方案，每个待变异调度方案中的一个或多个决策变量值被改变。

步骤S550，判断所述变异后的调度方案集是否满足第三规则。若是则执行步骤S560，若否则执行步骤S570。

作为一种具体的实施方式，请参阅图6，所述步骤S550可以包括：

步骤S551，获取所述变异后的调度方案集对应的平均相似度。

其中，获取所述变异后的调度方案集对应的平均相似度的方法与上述获取所述当前调度方案集对应的平均相似度的方法类似，这里不再赘述。

步骤S552，生成一个[0,1]区间上的随机数。

步骤S553，判断所述变异后的调度方案集对应的平均相似度是否大于或等于所述随机数。若是则执行步骤S554，若否则执行步骤S555。

步骤S554，所述变异后的调度方案集不满足第三规则。

步骤S555，获取所述变异后的调度方案集对应的平均经济成本。

其中，获取所述变异后的调度方案集对应的平均经济成本的方法与上述获取所述当前调度方案集对应的平均经济成本的方法类似，这里不再赘述。

步骤S556，判断所述变异后的调度方案集对应的平均经济成本是否小于所述当前调度方案集对应的平均经济成本。若是则执行步骤S557，若否则执行步骤S558。

步骤S557，所述变异后的调度方案集不满足第三规则。

步骤S558，若所述变异后的调度方案集满足第三规则。

步骤S560，将所述变异后的调度方案集恢复为所述当前调度方案集，重新执行步骤S510。

步骤S570，根据修正规则对所述变异后的调度方案集进行修正，将修正后的调度方案集作为下一代调度方案集。

由于交叉及变异处理的过程都具有一定的随机性，因而可能导致所述变异后的调度方案集对应的平均相似度或平均经济成本劣于交叉及变异处理前的调度方案集(即所述当前调度方案集)，也就是出现性能退化的现象。所述步骤S550至步骤S570，将所述变异后的调度方案集对应的平均相似度与[0,1]区间上的随机数进行比较，若所述变异后的调度方案集对应的平均相似度大于或等于所述随机数，表示所述变异后的调度方案集对应的平均相似度已经较高，因此不再判断所述变异后的调度方案集对应的平均经济成本相对于所述当前调度方案集对应的平均经济成本是否有降低，直接将所述变异后的调度方案集作为下一代调度方案集；若所述变异后的调度方案集对应的平均相似度小于所述随机数，表示所述变异后的调度方案集对应的平均相似度很小，此时再判断所述变异后的调度方案集对应的平均经济成本相对于所述当前调度方案集对应的平均经济成本是否有降低，若有降低，则将所述变异后的调度方案集作为下一代调度方案集，否则重新执行步骤S510。通过这样的方式，在降低所述下一代调度方案集对应的平均经济成本的同时防止所述下一代调度方案集对应的平均相似度过高。

作为一种具体的实施方式，步骤S570可以包括：分别判断所述变异后的调度方案集中的每个调度方案对应的每组所述决策变量值是否均满足预设约束条件，若当前处理的调度方案对应的当前组决策变量值不满足所述预设约束条件，则对不满足所述约束条件的当前组决策变量值进行修正。

其中，所述预设约束条件包括第一约束条件、第二约束条件、第三约束条件、第四约束条件及第五约束条件。

由于系统在运行时，应满足功率平衡约束，因此所述第一约束条件为P_MT,t+P_WT,t+P_PV,t+P_u,t＝P_Load,t+P_b,t+P_s,t，表示输出总功率应等于需求的总功率，式中P_WT,t与P_PV,t为与预设时段对应的风机出力预测值及与预设时段对应的光伏出力预测值，P_Load,t为与预设时段对应的负荷预测值，参数P_WT,t、P_PV,t及P_Load,t需在调度开始前预先设置。

由于微型燃气轮机在运行时，输出功率存在上下限，因此所述第二约束条件为P_MT,min≤P_MT,t≤P_MT,max，式中P_MT,max与P_MT,min为微型燃气轮机出力的上下限值。

由于蓄电池在运行过程中，为延长其寿命，不应出现过充或者过放，即剩余电量不应超过规定的限值。同时，为了实现调度的可延续性，应使蓄电池的剩余电量在一个预设调度周期的初始与结束时保持相等。因此所述第三约束条件为C_SOC,min≤C_SOC,t≤C_SOC,max及C_SOC,start＝C_SOC,end，式中C_SOC,t为蓄电池与预设时段对应的剩余电量，C_SOC,min与C_SOC,max分别为剩余电量的上下限值，C_SOC,start与C_SOC,end分别为一个预设调度周期的初始与结束时蓄电池的剩余电量。

由于蓄电池充在放电时，存在最大充放电功率，因此所述第四约束条件为|P_b,t|≤P_b,max，式中，P_b,max为蓄电池允许的最大充放电功率。

由于微电网与大电网在进行电量交易时，联络线上存在所述第五约束条件，所述第五约束条件为P_u,t≤P_tran,max,P_s,t≤P_tran,max。式中，P_tran,max为微电网与大电网间联络线的最大传输功率。

步骤S630，根据传统交叉规则对所述当前调度方案集进行交叉处理，获取交叉后的调度方案集。

步骤S630与步骤S530基本相同，唯一的区别在于从所述当前调度方案集中选择K个调度方案作为待交叉调度方案时的概率分布为

若所述当前调度方案集对应的平均相似度过高，高于第三阈值，说明当前调度方案集的多样性已处于比较差的状态，这时便以改善当前调度方案集的多样性(即降低平均相似度)为主，不再采用改进交叉规则使优秀的调度方案具有更高的被选中作为待交叉调度方案的概率，而采用传统交叉规则，即所述当前调度方案集中的各个调度方案被选中作为待交叉调度方案的概率相等，以降低所述当前调度方案集的平均相似度。

步骤S640，根据变异规则对所述交叉后的调度方案集进行变异处理，获取变异后的调度方案集。

获取变异后的调度方案集的方法与所述步骤S540类似，这里不再赘述。

步骤S650，判断所述变异后的调度方案集是否满足第四规则。若是则执行步骤S660，若否则执行步骤S670。

作为一种具体的实施方式，请参阅图7，所述步骤S650可以包括：

步骤S651，获取所述变异后的调度方案集对应的平均相似度。

其中，获取所述变异后的调度方案集对应的平均相似度的方法与上述获取所述当前调度方案集对应的平均相似度的方法类似，这里不再赘述。

步骤S652，判断所述变异后的调度方案集对应的平均相似度是否小于所述当前调度方案集对应的平均相似度。若是则执行步骤S653，若否则执行步骤S654。

步骤S653，所述变异后的调度方案集不满足第四规则。

步骤S654，所述变异后的调度方案集满足第四规则。

步骤S660，将所述变异后的调度方案集恢复为所述当前调度方案集，重新执行步骤S510。

步骤S670，若根据修正规则对所述变异后的调度方案集进行修正，将修正后的调度方案集作为下一代调度方案集。

作为一种具体的实施方式，步骤S670可以包括：分别判断所述变异后的调度方案集中的每个调度方案对应的每组所述决策变量值是否均满足预设约束条件，若当前处理的调度方案对应的当前组决策变量值不满足所述预设约束条件，则对不满足所述约束条件的当前组决策变量值进行修正。

步骤S400，计算所述末代调度方案集中每个调度方案对应的经济成本，将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。

其中，计算所述末代调度方案集中每个调度方案对应的经济成本的方法与前述方法类似，这里不再赘述。此外，所述最优电力调度方案对应的经济成本为最低经济成本。

进一步的，为了说明本发明实施例的有益效果，下面对本发明实施例提供的电力优化调度方法进行仿真实验，并将其与其他相似方法的仿真结果进行对比分析。下面以一典型微电网为例进行优化调度，在该微电网中，各预设时段对应的负荷预测值P_Load,t、风机出力预测值P_WT,t、光伏出力预测值P_PV,t如表1所示。微电网与大电网间的购、售电价分为峰电价、平电价及谷电价，各预设时段对应的购、售电价C_u,t及C_s,t如表2所示。

表1各预设时段对应的负荷预测值、风机出力预测值及光伏出力预测值

表2各预设时段对应的微电网与大电网间的购、售电价

微型燃气轮机出力的上下限值P_MT,max及P_MT,min分别为600kW、120kW；微型燃气轮机的发电成本C_MT为0.89元/kW·h、运行维护成本C_MTo&m为0.04元/kW·h；微型燃气轮机的CO₂排放系数k_Grid为680.7g/kW·h。大电网的CO₂排放系数k_MT为864.7g/kW·h。系统排放CO₂的环境惩罚成本为0.092元/kg。微电网与大电网间联络线的最大传输功率P_tran，max为300kW。蓄电池容量为530kW·h，蓄电池剩余电量的上下限值C_SOC,min及C_SOC,max分别为500kW·h、80kW·h；蓄电池允许的最大充放电功率P_b,max为120kW，蓄电池的运行维护成本C_bo&m为0.02元/kW·h。

针对上述微电网，采用本发明实施例提供的电力优化调度方法(IGA)获取最优电力调度方案，预设调度周期设置为24h，每个小时为一预设时段，由于每个预设时段对应一组决策变量值，每组决策变量值包括四个决策变量值，因此每个调度方案的维度为96维；预设调度方案集规模设置为400；预设迭代次数设置为150代；预设交叉率设置为0.8；预设变异率设置为0.08。通过本发明实施例提供的电力优化调度方法(IGA)获取的最优电力调度方案结果如图8所示，图8中曲线SOC表示蓄电池与各预设时段对应的剩余电量，曲线MT表示与各预定时段对应的微型燃气轮机出力，曲线Pu与曲线Ps分别表示与各预定时段对应的微电网与大电网间的购、售电功率。由图8可知，储能系统的充放趋势大致为，在谷电价时段主要为充电，而在峰电价时段主要为放电，从而实现低价时多充电多购电，峰价时多放电少购电，以减少系统运行的经济成本。由此可见，最优电力调度方案对应的功率曲线符合实际意义，说明该结果是合理的。

为了将本发明实施例提供的电力优化调度方法(IGA)与基于传统遗传算法的电力优化调度方法(GA)的性能进行对比，图9给出了两种方法的仿真结果，图9中横坐标为迭代次数，纵坐标为当前代调度方案集中所有调度方案对应的经济成本中的最小值。从图9中可以看出，IGA与GA相比，在迭代初期具有较快的收敛速度，并且在IGA整个迭代过程中，每更新一代调度方案集基本都能生成对应的经济成本更低的调度方案，也就是说IGA的寻优效率更高，在迭代时能维持较好的收敛性，此外，迭代结束时，IGA获取到的最优电力调度方案对应的最低经济成本也更优于GA获取到的最优电力调度方案对应的最低经济成本；相比之下，GA的寻优效率较低下，迭代初期收敛速度慢，在迭代过程中寻优效率低，存在寻优过程停滞不前的现象，并且在迭代末期出现收敛于局部最优的现象，并未收敛到全局最优电力调度方案上。

IGA性能优于GA的原因是由于传统遗传算法对初始调度方案集存在一定的依赖性，因而为了产生更优质的调度方案集，IGA在生成初始调度方案集的过程中兼顾了平均相似度与平均经济成本，扩大了寻优初期的搜索范围，不易在前期陷入局部最优，此外，IGA较好的前期搜索性能也有利于后期的进一步寻优。其次，在遗传算法中维持各代调度方案集较低的平均相似度致关重要，但在GA的迭代过程中，容易出现平均相似度变高的现象，使得相似度高的调度方案进行交叉，最终导致寻优过程停滞、收敛缓慢。本发明实施例提供的IGA在每次迭代开始时、变异后都对调度方案集的平均相似度进行监督，通过平均相似度的大小决定后续步骤，对维持调度方案集的多样性起到了积极的作用。此外，还对传统交叉规则进行了改进，当所述当前调度方案集的平均相似度较低时，采用改进交叉规则，让对应的经济成本更低的调度方案有更大的概率被选中作为待交叉调度方案，以增大生成更优秀的调度方案的可能性。最后，IGA在每次迭代时都会根据变异后的调度方案集对应的平均相似度和/或平均经济成本决定将变异后的调度方案集作为下一代调度方案集或恢复为交叉变异前的调度方案集，有效地杜绝了低效率的寻优模式，在保证调度方案集维持较低的平均相似度的基础上显著提高了收敛速度。

由于遗传算法的搜索寻优过程带有一定的随机性，因而各次独立运行的结果可能存在差异。若多次独立运行的结果差异较小，说明算法的鲁棒性较好，反之算法的鲁棒性差。为对比IGA与GA的鲁棒性，将两种方法分别独立运行10次，将各次的收敛过程汇总于图10及图11中。其中，图10的横坐标为迭代次数、纵坐标为当前代调度方案集中所有调度方案对应的经济成本中的最小值；图11的纵坐标为各次独立运算得到的最低经济成本。从图10及图11可以看出，IGA与GA相比不仅能得到更低的经济成本，并且各次运行结果相对而言差异更小，说明IGA不仅收敛性强，并且具有较强鲁棒性。这主要是由于IGA在寻优过程中兼顾了平均相似度及平均经济成本，具有较强的寻优能力，抑制了仅获取到局部最优的可能性，使每次迭代都能以较大的可能性收敛到全局最优上。因而各次运行的结果都较理想，差异不大，所以鲁棒性能也较好。

本发明实施例提供的电力优化调度方法，在生成的初始调度方案集时，将两个分别满足平均相似度要求、平均经济成本要求的调度方案集合成为所需的初始调度方案集，并根据所述初始调度方案集及第二规则，生成了末代调度方案集，最终将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。由于生成初始调度方案集时，在降低所述初始调度方案集的平均相似度的同时也在一定程度上保证了其平均经济成本不会过高，因此相比于传统算法，所述方法扩大了寻优初期的搜索范围，不易在前期陷入局部最优，并有利于后期的进一步寻优，能够更快速且准确的求取最优的调度方案。其次，所述方法还对传统交叉规则进行改进，根据所述当前调度方案集的平均相似度选择合适的交叉规则进行交叉，让对应的经济成本更低的调度方案有更大的概率被选中作为待交叉调度方案，以增大生成更优秀的调度方案的可能性，提高了寻优效率，加快了收敛速度。并且在每次迭代变异后，都会根据变异后的调度方案集对应的平均相似度和/或平均经济成本决定将变异后的调度方案集作为下一代调度方案集或恢复为交叉变异前的调度方案集，有效地杜绝了低效率的寻优模式，在维持较低的平均相似度的基础上显著提高了收敛速度。

图12示出了本发明第二实施例提供的一种电力优化调度装置700的流程图，请参阅图12，所述装置应用于微电网，所述电力优化调度装置700包括第一处理模块710、第二处理模块720及第三处理模块730。

所述第一处理模块710，用于根据第一规则生成初始调度方案集，所述初始调度方案集包括第一调度方案集和第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，每个调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值，所述第一调度方案集对应的平均相似度小于或等于第一阈值，所述第二调度方案集对应的平均经济成本小于或等于第二阈值。

作为一种具体的实施方式，所述第一处理模块710具体用于随机生成第一调度方案集、第二调度方案集，所述第一调度方案集及所述第二调度方案集中分别包括多个调度方案，所述第一调度方案集包括的调度方案个数与所述第二调度方案集包括的调度方案个数相同且均为预设调度方案集规模的一半，每个所述调度方案包括多组决策变量值，每组决策变量值包括预设时段的微型燃气轮机出力、蓄电池充放电功率、微电网与大电网间的购电功率以及微电网与大电网间的售电功率的值。计算所述第一调度方案集对应的平均相似度，若所述第一调度方案集对应的平均相似度大于第一阈值，则重新随机生成第一调度方案集，直至所述第一调度方案集对应的平均相似度小于或等于所述第一阈值为止。计算所述第二调度方案集对应的平均经济成本，若所述第二调度方案集对应的平均经济成本大于第二阈值，则重新随机生成第二调度方案集，直至所述第二调度方案集对应的平均经济成本小于或等于所述第二阈值为止。将所述第一调度方案集及所述第二调度方案集合成为初始调度方案集。

所述第二处理模块720，用于根据所述初始调度方案集及第二规则，生成末代调度方案集。

作为一种具体的实施方式，所述第二处理模块720具体用于将所述初始调度方案集作为当前调度方案集，获取下一代调度方案集。将所述下一代调度方案集作为当前调度方案集，获取再下一代调度方案集，直至获取下一代调度方案集的次数达到预设迭代次数时，最终获取的调度方案集为末代调度方案集。其中，所述获取下一代调度方案集的步骤包括：计算所述当前调度方案集对应的平均相似度以及所述当前调度方案集对应的平均经济成本；若所述当前调度方案集对应的平均相似度小于或等于第三阈值，则根据改进交叉规则对所述当前调度方案集进行交叉处理，获取交叉后的调度方案集；根据变异规则对所述交叉后的调度方案集进行变异处理，获取变异后的调度方案集；判断所述变异后的调度方案集是否满足第三规则；若满足则将所述变异后的调度方案集恢复为所述当前调度方案集，根据所述当前调度方案集、所述改进交叉规则及所述变异规则，重新获取变异后的调度方案集，直至所述变异后的调度方案集不满足所述第三规则为止；若不满足则根据修正规则对所述变异后的调度方案集进行修正，将修正后的调度方案集作为下一代调度方案集；若所述当前调度方案集对应的平均相似度大于第三阈值，则根据传统交叉规则对所述当前调度方案集进行交叉处理，获取交叉后的调度方案集；根据变异规则对所述交叉后的调度方案集进行变异处理，获取变异后的调度方案集；判断所述变异后的调度方案集是否满足第四规则；若满足则将所述变异后的调度方案集恢复为所述当前调度方案集，根据所述当前调度方案集、所述传统交叉规则及所述变异规则，重新获取变异后的调度方案集，直至所述变异后的调度方案集不满足所述第四规则为止；若不满足则根据修正规则对所述变异后的调度方案集进行修正，将修正后的调度方案集作为下一代调度方案集。

作为一种具体的实施方式，所述第二处理模块720还用于若所述当前调度方案集对应的平均相似度小于或等于第三阈值，则根据预设交叉率及所述预设调度方案集规模，计算待交叉调度方案的个数K；根据第一概率分布从所述当前调度方案集中选择K个调度方案作为待交叉调度方案；将选中的K个待交叉调度方案两两随机分组，对每个分组分别进行交叉处理，获取交叉后的调度方案集。

进一步的，所述第二处理模块720还用于获取所述变异后的调度方案集对应的平均相似度；生成一个[0,1]区间上的随机数；若所述变异后的调度方案集对应的平均相似度大于或等于所述随机数，则所述变异后的调度方案集不满足第三规则；若所述变异后的调度方案集对应的平均相似度小于所述随机数，则获取所述变异后的调度方案集对应的平均经济成本；若所述变异后的调度方案集对应的平均经济成本小于所述当前调度方案集对应的平均经济成本，则所述变异后的调度方案集不满足第三规则；若所述变异后的调度方案集对应的平均经济成本大于或等于所述当前调度方案集对应的平均经济成本，则所述变异后的调度方案集满足第三规则。

进一步的，所述第二处理模块720还用于获取所述变异后的调度方案集对应的平均相似度；若所述变异后的调度方案集对应的平均相似度小于所述当前调度方案集对应的平均相似度，则所述变异后的调度方案集不满足第四规则；若所述变异后的调度方案集对应的平均相似度大于或等于所述当前调度方案集对应的平均相似度，则所述变异后的调度方案集满足第四规则。

进一步的，所述第二处理模块720还用于分别判断所述变异后的调度方案集中的每个调度方案对应的每组所述决策变量值是否均满足预设约束条件，若当前处理的调度方案对应的当前组决策变量值不满足所述预设约束条件，则对不满足所述约束条件的当前组决策变量值进行修正。

所述第三处理模块730，用于计算所述末代调度方案集中每个调度方案对应的经济成本，将所述末代调度方案集中对应的经济成本最低的调度方案作为最优电力调度方案。

以上各模块可以是由软件代码实现，此时，上述的各模块可存储于服务器100的存储器110内。以上各模块同样可以由硬件例如集成电路芯片实现。

本发明实施例所提供的电力优化调度装置700，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。