电力系统的调度优化方法及装置与流程
本发明涉及能源技术领域，具体为一种电力系统调度优化方法及装置。
背景技术：
电力系统是包括供电、输电、变电、配电、供电网络的一个复杂的系统，电力系统的优化调度一般是指经济调度，也就是考虑发电机组的经济特性和运行限制的基础上，优化制定出使系统满足运行要求且运行成本最低的发电计划。目前，火电燃煤发电机组作为电力生产的主力军，其污染气体的排放量越来越成为人们关注的焦点问题。
在现有技术中，针对火电燃煤发电机组的电力系统进行了环境经济调度优化，是对单目标进行优化。其具体体现在如何控制各机组的启停和出力，使得总的煤耗量达到最小。但随着风电等其他形式的新能源并入电网，在考虑风力发电等新能源形式并网情况下的电力系统环境经济调度也被提上了日程。
由于，新能源并网下的经济环境优化调度问题，是一个多目标优化问题，显然传统的单目标优化方法并不适用。因此，目前亟需一种针对多目标优化的电力系统的经济环境优化调度方式。
技术实现要素：
有鉴于此，本发明实施例提供了一种电力系统的调度优化方法及装置，以解决采用现有的单目标优化方法，无法适用于当前多目标优化需求的电力系统的经济环境优化调度问题。
为实现上述目的，本发明实施例提供如下技术方案：：
一种电力系统的调度优化方法，包括：
确定预先设置的多目标优化模型，所述多目标优化模型为
基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。
优选的，所述多目标优化模型的预先设置的过程包括：
计算并得到并网发电机组的发电成本f(pg，pw)＝f(pg)+f(pw)，将所述发电成本作为第一目标函数，其中，所述并网发电机组至少包括火力发电机组和风力发电机组，
计算并得到所述并网发电机组的污染气体排放量
确定所述第一目标函数、第二目标函数的等式约束e(pg，pw)，以及确定所述第一目标函数、第二目标函数的不等式约束i(pg，pw)；
基于所述第一目标函数、第二目标函数，以及所述第一目标函数、第二目标函数的等式约束和不等式约束，构建多目标优化模型
优选的，所述等式约束包括：系统功率平衡约束
所述不等式约束至少包括：火力发电机组出力约束、风力发电机组出力约束、风电穿透功率极限约束和系统旋转备用约束；
所述火力发电机组出力约束为pgi,min≤pgi≤pgi,max，其中，pgi,min和pgi,max分别为第i台火电机组最小出力和最大出力；
所述风力发电机组出力约束为0≤pw≤wav，其中，wav为所述风力发电机组最大出力；
所述风电穿透功率极限约束为0≤pw≤δw,maxpd；
所述系统旋转备用约束为
优选的，所述基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，包括：
获取待优化的并网机组中的风力发电机组的出力，以及所述并网机组中的火力发电机组的有功出力；
基于所述风力发电机组的出力和所述火力发电机组的有功出力设置所述多目标优化模型的相关参数，所述相关参数至少包括最优个体系数，最大进化代数，停止代数和/或适应度函数偏差；
基于带精英策略的非支配排序的遗传算法nsga-ii设置所述待优化的并网机组的种群规模，并根据所述多目标优化模型中的等式约束和不等式约束生成第一代初始种群p0，所述待优化的并网机组中的风力发电机组和火力发电机组为所述种群规模中的个体；
基于所述多目标优化模型中的第一目标函数和第二目标函数，对当代父代种群pt进行快速非支配排序，并根据所述个体的向量在变量空间中的距离信息计算虚拟距离拥挤度；
基于所述nsga-ii中的遗传操作，由所述第一代初始种群p0起始执行遗传操作，得到子种群qt；
合并所述当代种群pt与所述子种群qt，得到合并种群rt；
对所述合并种群rt中的个体进行快速非支配排序和虚拟距离拥挤度的计算，并基于排序和计算结果选择n个个体生成下一代父代种群pt+1
判断所述下一代父代种群pt+1的代数是否达到最大值；
若否，则将所述下一代父代种群pt+1作为当代父代种群pt返回执行对当代父代种群pt进行快速非支配排序，并根据所述个体的向量在变量空间中的距离信息计算虚拟距离拥挤度这一步骤；
若是，则确认所述下一代父代种群pt+1中的个体对应的第一目标函数和第二目标函数的计算值构成满足所述多目标优化模型中的约束条件的pareto最优解集。
优选的，所述对当代父代种群pt进行快速非支配排序，包括：
计算所述当代父代种群pt中每个个体的适应度函数值；
基于每个个体对应的适应度函数值，确定个体xj与个体xn之间的支配关系，其中，j＝1，2，…，n，且j≠n；
判断是否存在优于所述个体xj的个体xn；
若不存在，则确认所述个体xj为非支配个体；
若存在，则继续判断是否存在优于所述个体xj+1的个体xn，直至确认所述当代父代种群pt中的所有非支配个体。
本发明第二方面公开了一种电力系统的调度优化装置，其特征在于，所述调度装置包括：
确认单元，用于确定预先设置的多目标优化模型，所述多目标优化模型为
调度优化单元，用于基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的所述第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和第二目标函数中的非劣解。
优选的，还包括：预设单元，所述预设单元包括风电成本计算模块，污染气体排放量计算模块，确认模块和构建模块；
所述风电成本计算模块，用于计算并得到并网发电机组的发电成本f(pg，pw)＝f(pg)+f(pw)，将所述发电成本作为第一目标函数，其中，所述并网发电机组至少包括火力发电机组和风力发电机组，
所述污染气体排放量计算模块，用于计算并得到所述并网发电机组的污染气体排放量
所述确认模块，用于确定所述第一目标函数、第二目标函数的等式约束e(pg，pw)，以及确定所述第一目标函数、第二目标函数的不等式约束i(pg，pw)；
所述构建模块，用于基于所述第一目标函数、第二目标函数，以及所述第一目标函数、第二目标函数的等式约束和不等式约束，构建多目标优化模型
优选的，所述用于确定所述第一目标函数、第二目标函数的等式约束e(pg，pw)，以及确定所述第一目标函数、第二目标函数的不等式约束i(pg，pw)的确认模块，用于确认的等式约束包括系统功率平衡约束
优选的，所述调度优化单元包括：
获取模块，用于获取待优化的并网机组中的风力发电机组的出力，以及所述并网机组中的火力发电机组的有功出力；
第一设置模块，用于基于所述风力发电机组的出力和所述火力发电机组的有功出力设置所述多目标优化模型的相关参数，所述相关参数至少包括最优个体系数，最大进化代数，停止代数和/或适应度函数偏差；
第二设置模块，用于基于带精英策略的非支配排序的遗传算法nsga-ii设置所述待优化的并网机组的种群规模，并根据所述多目标优化模型中的等式约束和不等式约束生成第一代初始种群p0，所述待优化的并网机组中的风力发电机组和火力发电机组为所述种群规模中的个体；
排序和计算模块，用于基于所述多目标优化模型中的第一目标函数和第二目标函数，对当代父代种群pt进行快速非支配排序，并根据所述个体的向量在变量空间中的距离信息计算虚拟距离拥挤度；
遗传操作模块，用于基于所述nsga-ii中的遗传操作，由所述第一代初始种群p0起始执行遗传操作，得到子种群qt；
合并模块，用于合并所述当代种群pt与所述子种群qt，得到合并种群rt；
生成模块，用于对所述合并种群rt中的个体进行快速非支配排序和虚拟距离拥挤度的计算，并基于排序和计算结果选择n个个体生成下一代父代种群pt+1
pareto最优解集获取模块，用于判断所述下一代父代种群pt+1的代数是否达到最大值，若否，则将所述下一代父代种群pt+1作为当代父代种群pt返回执行所述排序和计算模块，若是，则确认所述下一代父代种群pt+1中的个体对应的第一目标函数和第二目标函数的计算值构成满足所述多目标优化模型中的约束条件的pareto最优解集。
优选的，所述用于当代父代种群pt进行快速非支配排序的排序和计算模块，用于计算所述当代父代种群pt中每个个体的适应度函数值，基于每个个体对应的适应度函数值，确定个体xj与个体xn之间的支配关系，其中，j＝1，2，…，n，且j≠n；判断是否存在优于所述个体xj的个体xn；若不存在，则确认所述个体xj为非支配个体；若存在，则继续判断是否存在优于所述个体xj+1的个体xn，直至确认所述当代父代种群pt中的所有非支配个体。
由上述内容可知，本发明实施例公开了一种电力系统的调度优化方法及装置。通过确定预先设置的多目标优化模型，并基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。通过上述采用nsga-ii算法对电网系统调度进行多目标优化，在解决多目标优化的问题上，确认满足所述多目标优化模型中的约束条件的pareto最优解集，也就是说选取多个目标优化过程中的非劣解，得到折中的优化多目标的最优解。实现不需要牺牲其他目标作为代价，完成当前多目标优化需求的电力系统的经济环境优化调度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种电力系统调度优化方法流程图；
图2为本发明实施例提供的另一种电力系统调度优化方法流程图；
图3为本发明实施例提供的另一种电力系统调度优化方法流程图；
图4为本发明实施例提供的另一种电力系统调度优化方法流程图；
图5为本发明实施例提供的一种电力系统调度优化装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在本申请中，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。
如图1所示，为本发明实施例提供一种电力系统的调度优化方法的流程图，所述调度优化方法包括以下步骤：
s101：确定预先设置的多目标优化模型。
在s101中，预先设置的多目标优化模型具体如式(1)所示。
其中，f(pg，pw)为并网机组的发电成本所对应的第一目标函数，f(pg)为并网机组的发电机组的污染气体排放量所对应的第二目标函数。e(pg，pw)为第一目标函数和第二目标函数的等式约束。i(pg，pw)为第一目标函数和第二目标函数不等式约束。
f(pg，pw)＝f(pg)+f(pw)(2)
在具体实现中，并网的电力系统首先要考虑其经济性，即发电成本最低。目前，计入电力系统的发电成本包括：常规的火力发电机组的燃料成本和新能源设备，如风力发电机组的运行维护成本。
基于大量常规火力发电机组的燃料成本的统计分析，得到其燃料成本与机组的出力呈二次函数的关系。例如，对于由n台常规的火力发电机组组成的电力系统而言，其燃料成本如式(3)所示。
其中，ai、bi、ci为第i台并网机组中的火力发电机组的燃料成本系数，pgi为第i台所述火力发电机组的有功出力。
针对新能源设备，即风力发电机组，其构成的风电场的发电成本主要是针对风电场的运行维护成本。其运行维护成本如式(4)所示。
f(pw)＝cw×pw(4)
其中，pw为并网机组中的风电机组的发电功率，cw表示并网机组中的风电机组构成的风电场每产生一定单位的电能所需要的平均运行维护费用。
需要说明的是，风力发电机组的发电功率容易受到较多因素的影响。如风力发电机效率、风力发电机传动系统结构以及逆变器等因素。另一方面，风速也是影响风力发电机的发电功率的主要因素。基于此，本发明实施例给出了，风力发电机的发电功率与风速的简单经验公式，如式(5)所示。
其中，pr为风力发电机额定功率，vr为风力机额定风速，vin和vout分别为切入风速和切出风速，v为风速。在某个特定时段内的v可以利用weibull分布计算得到。
基于上述针对并网机组的分析可以看出，作为多目标优化模型的优化目标之一的并网机组的发电成本，其目标函数，也就是说多目标优化模型中的第一目标函数可以用式(2)表示。
在并网机组发电的过程中，常规的火力发电机组不可避免的会排放大量的污染气体，环境调度一般以污染气体排放量最少为调度目标。污染气体排放量与火力发电机组的有功出力有着单独的函数关系，在本发明实施例中采用污染气体综合排放模型计算常规的火力发电机组的污染气体排放量，该污染气体排放量如式(6)所示。
其中，αi、βi、γi、ζi、λi为第i台并网机组中的火力发电机组的污染物排放量系数。
s102：基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集。
在s102中，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。
在本发明实施例中涉及的多目标优化是在给定的可行域内控制决策变量，使得多个目标达到最优。因此，可以定义为在一组约束条件下，使得多个目标函数都趋于最优。由于多目标优化问题的解并不唯一，即不存在使所有的目标函数都同时达到最优的一个情况，因此需要由一组pareto最优解构成的最优解集。
因此，在s102中，基于nsga-ii算法，针对多目标优化的情况，对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集。
该nsga-ii算法是指带精英策略的非支配排序的遗传算法。即通过引入快速非支配排序技术、精英保留技术、采用拥挤度和拥挤度比较算子，将算法的计算复杂度从o(mm3)降至o(mm2)。
针对上述涉及到的pareto最优解或pareto最优解集，以下对pareto相关的内容进行解释说明。
以下对pareto支配进行说明：
假设x为多目标优化函数的可行解集，xa，xb∈x为多目标优化问题的两个解，那么：
1、当且仅当
2、当且仅当
以下对pareto最优解或pareto最优解集进行说明：
给定一个可行解x*∈x，当
以下对pareto最优前沿进行说明：
pareto最优解集p*包含的所有pareto最优解组成的向量对应的目标域构成的曲线或者曲面称为pareto最优前沿。
本发明实施例公开的电力系统的调度优化方法。通过确定预先设置的多目标优化模型，并基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。通过上述采用nsga-ii算法对电网系统调度进行多目标优化，在解决多目标优化的问题上，确认满足所述多目标优化模型中的约束条件的pareto最优解集，也就是说选取多个目标优化过程中的非劣解，得到折中的优化多目标的最优解。实现不需要牺牲其他目标作为代价，完成当前多目标优化需求的电力系统的经济环境优化调度的目的。
基于上述本发明实施例公开的电力系统的调度优化方法，其中涉及到的多目标优化模型的预先设置的过程，如图2所示，主要包括如下步骤：
s201：基于式(2)计算并得到并网发电机组的发电成本，将所述发电成本作为第一目标函数。
在s201中，具体计算过程以及涉及到的计算方式可参见上述本发明实施例公开的s101中有关并网发电机组的发电成本的说明，这里不再进行赘述。
s202：基于式(6)计算并得到所述并网发电机组的污染气体排放量。
在s201中，具体计算过程以及涉及到的计算方式可参见上述本发明实施例公开的s101中有关并网发电机组的污染气体排放量的说明，这里不再进行赘述。
s203：确定所述第一目标函数、第二目标函数的等式约束，以及确定所述第一目标函数、第二目标函数的不等式约束。
在s203中，实际运行过程中，为了使得多目标优化模型更加接近实际情况，因此，可以添加较多因素的约束增加变量的约束。具体可以包括但并不限于以下约束条件。
等式约束包括：系统功率平衡约束：
其中，pd为系统总负荷需求。
不等式约束至少包括：火力发电机组出力约束、风力发电机组出力约束、风电穿透功率极限约束和系统旋转备用约束。
火力发电机组出力约束：
pgi,min≤pgi≤pgi,max(8)
其中，pgi,min和pgi,max分别为第i台火电机组最小出力和最大出力。
风力发电机组出力约束：
0≤pw≤wav(9)
其中，wav为所述风力发电机组最大出力。
风电穿透功率极限约束：
0≤pw≤δw,maxpd(10)
系统旋转备用约束：
其中，psr是系统旋转备用容量。
s204：基于所述第一目标函数、第二目标函数，以及所述第一目标函数、第二目标函数的等式约束和不等式约束，构建多目标优化模型。
在s204中，所构建的多目标优化模型如式(1)所示。具体可参见针对式(1)的说明。
本发明实施例通过上述预先设置多目标优化模型的过程。在设置多目标优化模型时，将发电成本f(pg，pw)作为电力系统经济性指标，将污染气体排放量f(pg)作为电力系统的环境污染指标，并基于电力系统经济性指标和电力系统环境污染指标，构成多目标优化模型的两个目标函数。并利用e(pg，pw)和i(pg，pw)分别表示目标函数的等式约束和不等式约束。最终构建生成多目标优化模型即是以最小化为目标，在满足各种等式约束和不等式约束条件下进行寻优。
基于上述本发明实施例公开的电力系统的调度优化方法，步骤s102的具体执行过程，如图3所示，包括如下步骤：
s301：获取待优化的并网机组中的风力发电机组的出力，以及所述并网机组中的火力发电机组的有功出力。
s302：基于所述风力发电机组的出力和所述火力发电机组的有功出力设置所述多目标优化模型的相关参数，所述相关参数至少包括最优个体系数，最大进化代数，停止代数和/或适应度函数偏差。
s303：基于带精英策略的非支配排序的遗传算法nsga-ii设置所述待优化的并网机组的种群规模，并根据所述多目标优化模型中的等式约束和不等式约束生成第一代初始种群p0，所述待优化的并网机组中的风力发电机组和火力发电机组为所述种群规模中的个体。
s304：基于所述多目标优化模型中的第一目标函数和第二目标函数，对当代父代种群pt进行快速非支配排序，并根据所述个体的向量在变量空间中的距离信息计算虚拟距离拥挤度。
在s304中，针对当代父代种群pt进行快速非支配排序的过程，如图4所示，包括：
s401：计算所述当代父代种群pt中每个个体的适应度函数值。
s402：基于每个个体对应的适应度函数值，由j＝1起始，确定个体xj与个体xn之间的支配关系。
在s402中，j＝1，2，…，n，且j≠n。
s403：判断是否存在优于所述个体xj的个体xn，若不存在，则执行s404，若存在，则执行s405。
s404：确认所述个体xj为非支配个体。
s405：使得j＝j+1，返回执行s403中，执行判断，直至确认所述当代父代种群pt中的所有非支配个体。
s305：基于所述nsga-ii中的遗传操作，由所述第一代初始种群p0起始执行遗传操作，得到子种群qt。
s306：合并所述当代种群pt与所述子种群qt，得到合并种群rt。
s307：对所述合并种群rt中的个体进行快速非支配排序和虚拟距离拥挤度的计算，并基于排序和计算结果选择n个个体生成下一代父代种群pt+1。
s308：判断所述下一代父代种群pt+1的代数是否达到最大值，若否，则执行s309，若是，则执行s310。
s309：将所述下一代父代种群pt+1作为当代父代种群pt返回执行s304。
s310：确认所述下一代父代种群pt+1中的个体对应的第一目标函数和第二目标函数的计算值构成满足所述多目标优化模型中的约束条件的pareto最优解集。
本发明实施例公开的电力系统的调度优化方法。通过确定预先设置的多目标优化模型，并基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。通过上述采用nsga-ii算法对电网系统调度进行多目标优化，在解决多目标优化的问题上，确认满足所述多目标优化模型中的约束条件的pareto最优解集，也就是说选取多个目标优化过程中的非劣解，得到折中的优化多目标的最优解。实现不需要牺牲其他目标作为代价，完成当前多目标优化需求的电力系统的经济环境优化调度的目的。
基于上述本发明实施例公开的一种电力系统的调度优化方法，本发明实施例还公开了一种电力系统的调度装置，如图5所示，所述调度装置包括：
确认单元501，用于确定预先设置的多目标优化模型
其中，所述多目标优化模型为式(1)示出。具体实现原理可参见上述对式(1)的说明。
调度优化单元502，用于基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的所述第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集。
其中，所述pareto最优解集包括所述第一目标函数和第二目标函数中的非劣解。
在该调度装置中还包括：预设单元。
该预设单元包括风电成本计算模块，污染气体排放量计算模块，确认模块和构建模块。
所述风电成本计算模块，用于计算并得到并网发电机组的发电成本，将所述发电成本作为第一目标函数。
所述污染气体排放量计算模块，用于计算并得到所述并网发电机组的污染气体排放量，将所述污染气体排放量作为第二目标函数。
所述确认模块，用于确定所述第一目标函数、第二目标函数的等式约束，以及确定所述第一目标函数、第二目标函数的不等式约束。
所述构建模块，用于基于所述第一目标函数、第二目标函数，以及所述第一目标函数、第二目标函数的等式约束和不等式约束，构建多目标优化模型。
可选的，确认模块，用于确认的等式约束包括系统功率平衡约束，用于确认的不等式约束至少包括：火力发电机组出力约束、风力发电机组出力约束、风电穿透功率极限约束和系统旋转备用约束。
可选的，所述调度优化单元包括：
获取模块，用于获取待优化的并网机组中的风力发电机组的出力，以及所述并网机组中的火力发电机组的有功出力。
第一设置模块，用于基于所述风力发电机组的出力和所述火力发电机组的有功出力设置所述多目标优化模型的相关参数，所述相关参数至少包括最优个体系数，最大进化代数，停止代数和/或适应度函数偏差。
第二设置模块，用于基于带精英策略的非支配排序的遗传算法nsga-ii设置所述待优化的并网机组的种群规模，并根据所述多目标优化模型中的等式约束和不等式约束生成第一代初始种群p0，所述待优化的并网机组中的风力发电机组和火力发电机组为所述种群规模中的个体。
排序和计算模块，用于基于所述多目标优化模型中的第一目标函数和第二目标函数，对当代父代种群pt进行快速非支配排序，并根据所述个体的向量在变量空间中的距离信息计算虚拟距离拥挤度。
遗传操作模块，用于基于所述nsga-ii中的遗传操作，由所述第一代初始种群p0起始执行遗传操作，得到子种群qt。
合并模块，用于合并所述当代种群pt与所述子种群qt，得到合并种群rt。
生成模块，用于对所述合并种群rt中的个体进行快速非支配排序和虚拟距离拥挤度的计算，并基于排序和计算结果选择n个个体生成下一代父代种群pt+1。
pareto最优解集获取模块，用于判断所述下一代父代种群pt+1的代数是否达到最大值，若否，则将所述下一代父代种群pt+1作为当代父代种群pt返回执行所述排序和计算模块，若是，则确认所述下一代父代种群pt+1中的个体对应的第一目标函数和第二目标函数的计算值构成满足所述多目标优化模型中的约束条件的pareto最优解集。
可选的，排序和计算模块，用于计算所述当代父代种群pt中每个个体的适应度函数值，基于每个个体对应的适应度函数值，确定个体xj与个体xn之间的支配关系，其中，j＝1，2，…，n，且j≠n；判断是否存在优于所述个体xj的个体xn；若不存在，则确认所述个体xj为非支配个体；若存在，则继续判断是否存在优于所述个体xj+1的个体xn，直至确认所述当代父代种群pt中的所有非支配个体。
综上所述，本发明实施例公开的电力系统的调度优化方法装置。通过确定预先设置的多目标优化模型，并基于带精英策略的非支配排序的遗传算法nsga-ii对所述多目标优化模型中的第一目标函数和所述第二目标函数进行优化，得到满足所述多目标优化模型中的约束条件的pareto最优解集，所述pareto最优解集包括所述第一目标函数和所述第二目标函数中的非劣解。通过上述采用nsga-ii算法对电网系统调度进行多目标优化，在解决多目标优化的问题上，确认满足所述多目标优化模型中的约束条件的pareto最优解集，也就是说选取多个目标优化过程中的非劣解，得到折中的优化多目标的最优解。实现不需要牺牲其他目标作为代价，完成当前多目标优化需求的电力系统的经济环境优化调度的目的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！