基于多智能体的“风-火-水”协同调度方法

文档序号:7266460阅读:236来源:国知局
专利名称:基于多智能体的“风-火-水”协同调度方法
技术领域
本发明涉及电力调度运行方法,具体是一种基于多智能体的“风-火-水”协同调
度方法。
背景技术
风能是一种蕴藏丰富而又洁净的可再生能源。随着风力发电技术的越来越成熟,风力发电也越来越受到我国政府的重视。到2011年,我国风电累计装机容量突破6544. 15 万千瓦,首次超过美国,跃居世界第一。中国的电源结构主要以火电和水电为主。火电机组受锅炉、汽轮机最小技术出力等条件的制约,火电机组的调整范围较小,而且锅炉、汽轮机等设备受交变应力的限制,调整速度较慢。热电机组的在供热期出力受阻,系统的调峰容量变得更小,调峰的难度变得更大。火电机组运行时排放出的污染物如氮氧化物、硫氧化物还会造成环境污染。水电机组具有调整范围大、调整速度快、运行成本低、环境污染少的优点。风力发电具有间歇性、波动性、随机性的特点。随着风电装机规模的增大,风电的平稳、安全并网运行成为急需解决的关键问题,传统电力调度运行方法已经无法满足大规模风电并网运行的需求。因为大规模风电并网需要合理调度电力系统中的旋转备用容量,用以承担风电的调峰任务,但是由于风电机组出力的反调峰特性,增加了调峰的难度,传统电力调度运行方法难以解决电网的有功功率和频率的波动,严重时甚至会威胁到整个电力系统的安全。因此,急需发明一种新的调度方法,这种方法能够充分考虑电力系统中各种电源的出力特性进行调度,使电力系统安全、经济、环保运行。

发明内容
本发明为了解决传统电力调度运行方法无法满足大规模风电并网运行的需求的问题,提供了一种基于多智能体的“风-火-水”协同调度方法。本发明是采用如下技术方案实现的基于多智能体的“风-火-水”协同调度方法,该方法是采用如下步骤实现的1)在调度Agent中构建基于多智能体的“风-火-水”协同调度模型;2)由电力系统中的负荷Agent采集电力系统中负荷需求的预测数据,同时将采集到的负荷需求的预测数据发送至电力系统中的调度Agent ;调度Agent接收到负荷需求的预测数据后,向电力系统中的各个火电Agent、水电Agent、风电Agent发送采集数据的请求;各个火电Agent接收到采集数据的请求后,采集电力系统中各个火电机组的基本数据和实时数据;各个水电Agent接收到采集数据的请求后,采集电力系统中各个水电机组的基本数据和实时数据;各个风电Agent接收到采集数据的请求后,采集电力系统中各个风电机组的实时数据和预测数据;3)由各个火电Agent将采集到的基本数据和实时数据发送至基于多智能体的“风-火-水”协同调度模型中;由各个水电Agent将采集到的基本数据和实时数据发送至基于多智能体的“风-火-水”协同调度模型中;由各个风电Agent将采集到的实时数据和预测数据发送至基于多智能体的“风-火-水”协同调度模型中;基于多智能体的“风-火-水”协同调度模型将接收到的数据进行分解,并利用MOPSO算法分别求解出电力系统中的各个火电机组的出力、各个水电机组的出力;4)由调度Agent将求解得到的各个火电机组的出力发送至电力系统中的各个火电Agent ;由调度Agent将求解得到的各个水电机组的出力发送至电力系统中的水电Agent ;各个火电Agent^K电Agent根据接收到的出力下发并执行调度命令。所述步骤I)包括以下步骤1. I)构建“风-火-水”协同调度模型的框架模型;所述框架模型包括若干个火电Agent、若干个水电Agent、若干个风电Agent、火电管理Agent、水电管理Agent、风电管理Agent、调度Agent、以及负荷Agent ;其中,各个火电Agent通过火电管理Agent连接调度Agent ;各个水电Agent通过水电管理Agent连接调度Agent ;各个风电Agent通过风电管理Agent连接调度Agent ;负荷Agent连接调度Agent ;1. 2)构建“风-火-水”协同调度模型的优化目标函数;所述优化目标函数的优化目标包括电力系统的功率平衡问题;电力系统运行的经济性问题;电力系统中各个火电机组的排放污染问题;I. 3)确定电力系统中各个火电机组的旋转备用;1. 4)构建“风-火-水”协同调度模型 的约束条件;所述约束条件包括电力系统的正负旋转备用的约束;电力系统中各个火电机组的出力的约束、调节速率的约束;电力系统中各个水电机组的出力的约束、调节速率的约束、库容的约束、下泄流量的约束;电力系统中各个风电机组的风电电能质量的约束。所述步骤2)中,各个火电机组的基本数据包括各个火电机组的最大最小出力、向上向下调节速率、运行费用数据、污染物的排放数据;各个火电机组的实时数据包括各个火电机组的实时出力数据;各个水电机组的基本数据包括各个水电机组的最大最小出力、向上向下调节速率、最大最小库容、最大最小下泄流量、运行费用数据;各个水电机组的实时数据包括各个水电机组的实时出力数据;各个风电机组的实时数据包括各个风电场的电能质量的数据;各个风电机组的预测数据包括各个风电场的预测数据;负荷需求的预测数据包括对负荷有功功率需求的预测数据。所述步骤3)中,MOPSO算法包括以下步骤3. I)初始化粒子群,并确定粒子群的规模M以及总迭代次数N ;3. 2)计算粒子群中每个粒子所对应的目标向量,并更新每个粒子的最优解pbest ;对迭代次数iterations ( n时,将粒子群中的非劣解加入到外部文档中,并维护外部文档;对迭代次数iterations>n时,判断fitnessl是否小于e ;如果大于e,则认为该解不是非劣解;如果小于e,则判断该解的fitness2与fitness3是否支配外部文档中的解;如果支配,则直接将该解加入外部文档并删除文档中受支配的解;如果该解被外部文档支配,则该解不加入外部文档;如果该解与文档中的解互不支配,则将该解直接加入外部文档;3. 3)维护外部文档,并从外部文档中选取一个解作为全局最优解gbest ;3. 4)更新每个粒子的速度和位置;3. 5)判断迭代次数iterations是否小于N ;如果迭代次数iterations小于N,则迭代次数iterations+1,并跳入步骤3. 2)循环;如果迭代次数iterations大于N,则循环结束;3. 6)从外部文档中选取全局最优解gbest,并返回全局最优解gbest。所述步骤I. 2)中,电力系统的功率平衡问题是通过以下公式获得的
U —/4$权利要求
1.一种基于多智能体的“风-火-水”协同调度方法,其特征在于该方法是采用如下步骤实现的 1)在调度Agent中构建基于多智能体的“风-火-水”协同调度模型; 2)由电力系统中的负荷Agent采集电力系统中负荷需求的预测数据,同时将采集到的负荷需求的预测数据发送至电力系统中的调度Agent ;调度Agent接收到负荷需求的预测数据后,向电力系统中的各个火电Agent、水电Agent、风电Agent发送采集数据的请求; 各个火电Agent接收到采集数据的请求后,采集电力系统中各个火电机组的基本数据和实时数据;各个水电Agent接收到采集数据的请求后,采集电力系统中各个水电机组的基本数据和实时数据;各个风电Agent接收到采集数据的请求后,采集电力系统中各个风电机组的实时数据和预测数据; 3)由各个火电Agent将采集到的基本数据和实时数据发送至基于多智能体的 “风-火-水”协同调度模型中;由各个水电Agent将采集到的基本数据和实时数据发送至基于多智能体的“风-火-水”协同调度模型中;由各个风电Agent将采集到的实时数据和预测数据发送至基于多智能体的“风-火-水”协同调度模型中; 基于多智能体的“风-火-水”协同调度模型将接收到的数据进行分解,并利用MOPSO算法分别求解出电力系统中的各个火电机组的出力、各个水电机组的出力; 4 )由调度Agent将求解得到的各个火电机组的出力发送至电力系统中的各个火电Agent ;由调度Agent将求解得到的各个水电机组的出力发送至电力系统中的水电Agent ;各个火电Agent、水电Agent根据接收到的出力下发并执行调度命令。
2.根据权利要求I所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤I)包括以下步骤 I. D构建“风-火-水”协同调度模型的框架模型;所述框架模型包括若干个火电Agent、若干个水电Agent、若干个风电Agent、火电管理Agent、水电管理Agent、风电管理Agent、调度Agent、以及负荷Agent ;其中,各个火电Agent通过火电管理Agent连接调度Agent ;各个水电Agent通过水电管理Agent连接调度Agent ;各个风电Agent通过风电管理Agent连接调度Agent ;负荷Agent连接调度Agent ; I. 2)构建“风-火-水”协同调度模型的优化目标函数;所述优化目标函数的优化目标包括电力系统的功率平衡问题;电力系统运行的经济性问题;电力系统中各个火电机组的排放污染问题; I. 3)确定电力系统中各个火电机组的旋转备用; I.4)构建“风-火-水”协同调度模型的约束条件;所述约束条件包括电力系统的正负旋转备用的约束;电力系统中各个火电机组的出力的约束、调节速率的约束;电力系统中各个水电机组的出力的约束、调节速率的约束、库容的约束、下泄流量的约束;电力系统中各个风电机组的风电电能质量的约束。
3.根据权利要求I所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤2)中,各个火电机组的基本数据包括各个火电机组的最大最小出力、向上向下调节速率、运行费用数据、污染物的排放数据;各个火电机组的实时数据包括各个火电机组的实时出力数据;各个水电机组的基本数据包括各个水电机组的最大最小出力、向上向下调节速率、最大最小库容、最大最小下泄流量、运行费用数据;各个水电机组的实时数据包括各个水电机组的实时出力数据;各个风电机组的实时数据包括各个风电场的电能质量的数据;各个风电机组的预测数据包括各个风电场的预测数据;负荷需求的预测数据包括对负荷有功功率需求的预测数据。
4.根据权利要求I所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤3)中,MOPSO算法包括以下步骤 .3.I)初始化粒子群,并确定粒子群的规模M以及总迭代次数N ; .3.2)计算粒子群中每个粒子所对应的目标向量,并更新每个粒子的最优解pbest ;对迭代次数iterations ≤n时,将粒子群中的非劣解加入到外部文档中,并维护外部文档; 对迭代次数iterations>n时,判断fitnessl是否小于e ;如果大于e,则认为该解不是非劣解;如果小于e,则判断该解的fitness2与f itness3是否支配外部文档中的解;如果支配,则直接将该解加入外部文档并删除文档中受支配的解;如果该解被外部文档支配,则该解不加入外部文档;如果该解与文档中的解互不支配,则将该解直接加入外部文档; 3.3)维护外部文档,并从外部文档中选取一个解作为全局最优解gbest ; 3.4)更新每个粒子的速度和位置; 3. 5)判断迭代次数iterations是否小于N ;如果迭代次数iterations小于N,则迭代次数iterations+1,并跳入步骤3. 2)循环;如果迭代次数iterations大于N,则循环结束; 3.6)从外部文档中选取全局最优解gbest,并返回全局最优解gbest。
5.根据权利要求2所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤I. 2)中,电力系统的功率平衡问题是通过以下公式获得的
6.根据权利要求2所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤I. 3)中,电力系统中各个火电机组的旋转备用的确定原则如下 若火电机组为煤电机组且全年参与调峰,针对单机容量30(MW及以上的新建机组,将向上旋转备用确定为20%左右,将向下旋转备用确定为25% ;针对单机容量200MW-600MW的投产时间较早的机组,将向上旋转备用确定为15%左右,将向下旋转备用确定为20%左右;针对单机容量135丽及以下的机组,将向上旋转备用确定为10%,将向下旋转备用确定为15% ; 若火电机组为热电机组且在供热期间,针对单机容量135丽及以下的机组,将出力受阻确定为10%,将向上旋转备用确定为5%,将向下旋转备用确定为10% ;针对单机容量200MW及以上的机组,将出力受阻确定为15%_20%,将向上旋转备用确定为10%,将向下旋转备用确定为10% ;若火电机组为热电机组且在非供热期间,针对单机容量135丽及以下的机组,将向上旋转备用确定为10%,将向下旋转备用确定为15% ;针对单机容量200MW-300MW的机组,将向上旋转备用确定为15%,将向下旋转备用确定为20%。
7.根据权利要求2所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤I. 4)中,电力系统的正负旋转备用的约束是通过以下公式获得的 式(4)中,为t时刻电力系统中各个水电机组的向上、向下旋转备用的
8.根据权利要求4所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤3. 2)中,目标向量是通过以下公式获得的
9.根据权利要求4所述的基于多智能体的“风-火-水”协同调度方法,其特征在于 所述步骤3. 4)中,更新每个粒子的速度和位置是通过以下公式获得的
全文摘要
本发明涉及电力调度运行方法,具体是一种基于多智能体的“风-火-水”协同调度方法。本发明解决了传统电力调度运行方法无法满足大规模风电并网运行的需求的问题。基于多智能体的“风-火-水”协同调度方法,该方法是采用如下步骤实现的1)在调度Agent中构建基于多智能体的“风-火-水”协同调度模型;2)由电力系统中的负荷Agent采集电力系统中负荷需求的预测数据;3)由各个火电Agent将采集到的基本数据和实时数据发送至基于多智能体的“风-火-水”协同调度模型中;4)各个火电Agent、水电Agent下发并执行调度命令。本发明适用于大规模的风电并网运行调度。
文档编号H02J3/46GK102738835SQ20121024705
公开日2012年10月17日 申请日期2012年7月17日 优先权日2012年7月17日
发明者刘丽娟, 刘宏斌, 武卫红, 王灵梅, 郭东杰, 郭红龙, 韩西贵 申请人:太原电力高等专科学校, 山西省电力公司电力科学研究院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1