一种基于布谷鸟算法的虚拟电厂优化调度方法与流程

本发明属于电力系统电源调度领域，特别涉及一种基于布谷鸟算法的虚拟电厂优化调度方法。

背景技术：

近年来，化石燃料日益紧缺，环境污染不断加剧，为了解决上述问题，可再生能源发电，尤其是风力和光伏发电迅速发展。尽管可再生能源发电储量巨大、干净清洁，但往往具有很强的随机性，单独并网会对电网造成很大的冲击，不利于电网的稳定运行。在电力市场环境下，风电场的市场活动具有很大的风险性，其实际发电量往往与竞标电量存在偏差，从而遭受不平衡惩罚，因而在与传统发电厂的竞争中处于劣势。然而，可再生能源发电联合传统发电及储能形式，以虚拟电厂的形式参与大电网和电力市场的运行，可有效克服上述缺点，提高可再生能源发电的利用率和整体的经济收益。

传统的虚拟电厂的经济调度模型并未考虑电网的潮流约束，仅仅是在不考虑具体潮流约束的情况下求得经济上的最优解，实现虚拟电厂整体利润的最大化。但是，事实上，经济调度的最优解很有可能违反电网的潮流约束，给线路带来过负荷、节点电压越界等问题，给电网的安全运行造成危害。因此，在虚拟电厂的调度过程中，需要考虑电网的安全约束，在提高经济性的同时保证电网能够安全、稳定运行。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供一种兼顾虚拟电厂经济调度和安全调度的方法。

本发明具体提供一种虚拟电厂经济安全调度优化方法，包括以下步骤：

步骤1：采集和输入数据，包括电价预测数据、风机出力预测数据，合约参数、惩罚参数、燃气轮机参数、抽水蓄能电站参数等；

步骤2：构造虚拟电厂经济调度优化模型，采用优化软件初步求解；

步骤3：输入网络约束条件，包括配电网网架参数，潮流约束参数等，构造虚拟电厂安全调度模型；

步骤4：采用布谷鸟算法进行求解。

进一步，步骤1包括以下步骤：

采集和输入数据，包括采集和输入电价预测数据、风机出力预测数据，合约参数、惩罚参数、燃气轮机参数、抽水蓄能电站参数等。

进一步，步骤2包括以下步骤：

建立虚拟电厂经济调度目标函数和约束条件

(1)目标函数

建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型，该模型的目标函数为：

式中：t为总时段数，ns为电价的总方案数，m为风机出力的总方案数，π(s)为第s组电价方案的概率，rt为t时段的收益，ct为t时段的成本。ht、dt分别为t时段按合约要求输送的电能和向日前市场计划输送的电能，为决策变量。h为合约电价，为第s组方案中t时段的电价。bt为购电量。ni为可分配发电机组数，ki为机组i的动作(启动或关闭)成本，布尔变量kt,i表示t时刻机组i是否动作，若是则置1，否则置0。将dg常用的机组二次成本函数分段线性化，nj为分段数，pi为机组i的固定成本，为机组i第j段的斜率，为第j段的发电量，gtt,i为t时段机组i的发电量，为决策变量。为机组i所产生的第m项污染物的环境价值，为机组i所产生的第m项污染物的惩罚系数。

(2)约束条件

1)燃气轮机的约束条件

workt,i,kt,i,ont,i,offt,i∈{0,1}

ont,i+offt,i＝kt,i

kt,i＝|workt,i-workt-1,i|

gti,minworkt,i≤gtt,i≤gti,maxworkt,i

式中：布尔变量workt,i表示t时刻机组i是否工作，若是则置1，否则置0；布尔变量ont,i表示t时刻机组i是否启动，若是则置1，否则置0；offt,i表示t时刻机组i是否关闭，若是则置1，否则置0；布尔变量kt,i表示t时刻机组i是否发生状态变化，若是则置1，否则置0；gti,max/gti,min表示机组i的最大/小发电量；表示机组i的向上和向下爬坡率。

2)抽水蓄能电站的约束条件

假定初始时刻抽水蓄能电站储能为0，将t时段抽水蓄能电站的蓄水量等效为蓄电量et，t-1时段抽水蓄能电站的蓄水量等效为蓄电量et-1，int和outt为决策变量，分别表示蓄入和放出的电能，emax表示最大蓄电量，ec表示最大蓄入电量，ed表示最大放出电量，则有：

et+int≤emax

outt≤et-1

int≤ec

outt≤ed

et-et-1＝int-outt

3)远期合同的约束条件

实际输电量与合同要求电量可以有一定的偏差，但保证一天的输电总量相同，即有：

(1-z)ht≤h′t≤(1+z)ht

式中：z为合约允许的偏差系数，z∈[0,1]，h′t表示满足合约要求输送的实际电量，为决策变量。

4)功率平衡约束

式中：wt,w表示t时刻第w组风机出力方案，μ1、μ2分别表示发电效率和蓄能。

进一步，步骤3包括以下步骤：

建立虚拟电厂安全调度模型目标函数和约束条件：

(1)目标函数

在安全调度模型中，虚拟电厂以安全调度最优解与经济调度最优解的离差最小为优化目标：

式中：t为总时段数；gtt,i为燃气轮机i在t时段经济调度模型下求得的出力值，gt′t,i为决策变量，是燃气轮机i在t时段安全调度模型下求得的出力最优解；int为抽水蓄能电站在t时段时在经济调度模型下求得的蓄能电量，in′t为决策变量，是抽水蓄能电站在t时段安全调度模型下求得的蓄能最优解；outt为抽水蓄能电站在t时段时在经济调度模型下求得的发电量，out′t为决策变量，是抽水蓄能电站在t时段安全调度模型下求得的发电最优解；bt为虚拟电厂在t时段时在经济调度模型下求得的向平衡市场提交的计划购电量，b′t为决策变量，是虚拟电厂在t时段时在安全调度模型下求得的向平衡市场提交的修正后的购电量。

(2)约束条件

1)基尔霍夫定律：

pi,t(θi,t,vi,t)-pg,i,t+pd,i,t＝0

qi,t(θi,t,vi,t)-qg,i,t+qd,i,t＝0

式中：vi,t为t时刻节点i的电压幅值；θi,t为t时刻节点i的电压相角；pi,t为t时刻节点i的注入有功功率；pg,i,t为t时刻节点i上dg发出的总有功功率；pd,i,t为t时刻节点i消耗的有功功率；qi,t为t时刻节点i的注入无功功率；qg,i,t为t时刻节点i上dg发出的总无功功率；qd,i,t为t时刻节点i消耗的无功功率。

2)潮流方程约束：

式中：vi,t为t时刻节点j的电压幅值；yij为节点导纳矩阵元素的幅值；δij为节点i到节点j之间线路导纳的相角；θi,t为t时刻节点i的电压相角；θj,t为t时刻节点j的电压相角。

3)节点ij间线路的视在功率约束：

sij,t(θi,t,vi,t)≤sij^max

式中：sij,t为t时刻节点i到节点j之间的视在功率；sij^max为节点i和节点j之间的线路容量。

4)配网与主网连接点的容量约束：

sgsp,t≤sgsp^max

式中：sgsp,t为t时刻在公共连接点配网与主网交换的视在功率；sgsp^max表示在公共连接点配网与主网交换的视在功率上限。

5)节点电压约束：

vi^min≤vi,t≤vi^max

式中：vi,t为配电网t时刻节点i的电压幅值；vi^min为节点i允许的最小电压值；vi^max为节点i允许的最大电压值。

进一步，步骤4包括以下步骤：

布谷鸟算法通常假设3个理想化规则，以简化对布谷鸟算法的描述：

1)每次只在寄生巢中产一个卵；

2)具有高质量卵的最好的寄生巢将被保留到下一代；

3)认为鸟巢被新鸟巢替换的概率是pa，也即解决方案被新的随机解决方案替换的概率是pa。

假设待优化问题的维数是n，其值一般由问题性质决定；鸟巢数目是m；当前迭代次数是t。鸟巢i(1<i<m)的位置向量xi定义为：xi＝{xi1，xi2，…，xin}，在布谷鸟搜索算法中，一只布谷鸟在一个位于n维空间中的m个鸟巢中通过不断改变其寻巢路径进行搜索，即布谷鸟当前所寻得的鸟巢的位置或者说欲放入该鸟巢中的卵的位置代表问题的新解。至此可定义布谷鸟算法的寻巢路径和位置更新公式如下：

式中：t为迭代次数；分别为鸟巢i在第t次和第t+1次迭代的位置向量；α为一个步长大于0的常数，在大多数情况下取α＝1；为点对点乘法；levy(λ)为莱维连续跳跃路径。

对levy分布函数进行了傅里叶变换，简化后得到其幂次形式的概率密度函数：

levy(λ)～t^-λ(1<λ≤3)

式中：λ为幂次系数。

凭借莱维飞行的随机行走将使得算法更有效率地探索搜索空间：一方面可通过在当前获得的最优解周围进行莱维飞行产生某些新的解，加快局部搜索；另一方面，可通过随机产生大部分的新解，这些新解的位置将远离当前最优解，确保了算法免于陷入局部最优解。

附图说明

图1为本发明提供的方法的流程图；

图2为改进的ieee33节点配电网测试系统示意图；

图3为燃气轮机调度结果示意图；

图4为抽水蓄能电站调度结果示意图；

图5为电力市场购电结果示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

如图1所示，本发明的方法包括如下步骤：

步骤1：采集和输入数据，包括电价预测数据、风机出力预测数据，合约参数、惩罚参数、燃气轮机参数、抽水蓄能电站参数等；

步骤2：构造虚拟电厂经济调度优化模型，采用优化软件初步求解；

步骤3：输入网络约束条件，包括配电网网架参数，潮流约束参数等，构造虚拟电厂安全调度模型；

步骤4：采用布谷鸟算法进行求解。

实施例：本实施例以一座小型风电场、一座小型光电厂、一座抽水蓄能电站、一台燃气轮机组成虚拟电厂。选取ieee33节点配电网测试系统作为潮流计算对象，并对其进行改进，如图2所示，将风电场、光电厂、抽蓄能电站和燃气轮机机组分别接于节点21、24、10、17。系统的安全约束参数如表1所示。电压基准值取为12.66kv，功率基准值取为10mva。

表1系统安全约束参数

表2给出了采用本发明提出的布谷鸟算法综合求解经济、安全约束和采用传统的内点法的计算结果(以经济调度模型下求取的利润值作为利润基准值)。由表1可以看出，取得相同的利润值时，本发明所提出的方法的计算时间大为减少。

表2系统的安全约束参数

图3～5分别给出了采用现有技术、方案1和方案2后，燃气轮机出力、抽水蓄能电站等效蓄电量以及电力市场购电的调度策略结果。可以看出，相比于现有技术的方案，方案1和方案2下的各燃气轮机的发电量、抽水蓄能电站的充放电量以及电力市场的电能交易量均明显减少。对比方案1和方案2，可以看出，方案2下各分布式能源以及市场电能交易量的削减幅度更大。也就是说，考虑安全约束会降低初始调度值以满足安全约束的要求；安全约束越严格，初始调度值的削减量越大。

以上仿真结果验证了本发明的有效性和实用性。尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。