考虑爬坡速率约束的电力系统机组组合优化方法与流程

技术特征：
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＝l+1；6)：若l≤t，则转步骤5)，否则令若则转步骤7)，否则g＝g+1转步骤3)；7)：t＝t+1，若t≤T，则转步骤2)，否则转步骤8)；8)：旋转备用约束修复完毕；在上述步骤中，g代表排序后的机组序号，l代表时段号，代表t时段的实际旋转备用；(6)对种群个体执行过度盈余机组删除操作；所述过度盈余机组删除操作的具体步骤如下：1)：获取待修复个体，按容量大小将机组排成升序，并令g＝1，t＝1；2)：若uit＝1，则转步骤3)，否则转步骤7)；3)：若则转步骤4)，否则转步骤8)；4)：若则转步骤6)，否则转步骤5)；5)：若则转步骤6)，否则转步骤7)；6)：ugt＝0，更新和7)：g＝g+1，若g≤Ns，则转步骤2)，否则转步骤8)；8)：t＝t+1，若t≤T，则令g＝1转步骤2)，否则转步骤9)；9)：过度盈余机组删除完毕；在上述步骤中，g代表排序后的机组序号；(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；所述对种群个体进行经济负荷分配是采用随机等效λ迭代法，并在分配中处理爬坡速率约束，按时段t＝1,2,...,T进行，其具体步骤如下：1)：获取待分配个体和时段t，令iteration＝1，i＝1，λ＝rand(λmin,λmax)；2)：求的解为Pi*，令3)：令Psit＝min{max{Pi',Psit-1-UDi},Psit-1+URi}；4)：若i＜Ns，则i＝i+1，转步骤2)，否则计算5)：若ε≥τ，则转步骤6)，否则转步骤10)；6)：若iteration＝1，则λ1＝λ，ε1＝ε转步骤7)，否则λ2＝λ1，ε2＝ε1，λ1＝λ，ε1＝ε，转步骤9)；7)：若ε＞0，则λ＝(1+η)*λ，否则λ＝(1-η)*λ；8)：iteration＝iteration+1，i＝1转步骤2)；9)：若|ε1-ε2|＜ξ，则转步骤7)，否则令λ＝λ2+(λ1-λ2)*ε2/(ε2-ε1)转步骤8)；10)：待分配个体t时段的经济负荷分配结束；在上述步骤中，iteration代表迭代次数，Pi*和Pi'是为获得Psit的中间值，λ1和λ2是λ在前两次迭代中的值，ε1和ε2是前两次迭代中电量平衡的违背量，λmin和λmax分别是λ的最小、最大值，rand(λmin,λmax)产生在[λmin,λmax]上服从均匀分布的随机数，τ为电量平衡允许误差，η为λ的更新步长，ξ为近两次迭代误差的阈值；(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；所述差分加速技术处理离散变量的加速搜索；所述采用差分加速技术对种群个体最好进行加速搜索，是直接以种群个体最好为差分加速的初始种群，以pbest表示个体最好，gbest表示种群最好，表示在第m次迭代中个体r1和个体r2的个体最好在第j维的距离，则差分加速搜索的详细步骤如下：1)：以种群当前个体最好为差分加速的初始种群，令k＝1，i＝1；2)：按式产生个体i的尝试个体，式中，tmp为尝试个体，mut反映其变异部分，且为位反转函数，3)：计算尝试个体tmp的适应度值；4)：若tmp的适应度值优于个体i的个体最好适应度值，则将尝试个体更新为个体i的个体最好，并转下一步，否则转步骤6)；5)：将个体i的个体最好适应度值与种群最好适应度值进行比较，若优于种群最好适应度值，则更新种群最好；6)：i＝i+1，判断是否遍历种群，若已遍历则转步骤7)，否则转步骤2)；7)：k＝k+1，判断是否达到加速次数，若达到则转步骤8)，否则，令i＝1，转步骤2)；8)：差分加速搜索结束；在上述步骤中，i代表个体序号，j代表维数，k代表差分加速迭代次数，m代表粒子群算法迭代次数，Facc和CRacc分别为差分加速搜索方法的收缩因子和交叉因子；(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。