一种基于混沌遗传算法的抽蓄-风电优化运行方法及系统与流程

1.本发明涉及电力系统优化运行技术领域，具体涉及一种基于混沌遗传算法的抽蓄-风电优化运行方法及系统。


背景技术：

2.随着风能、太阳能等可再生清洁能源的快速发展，风电的间歇性、随机性、波动性等特点给电网安全稳定运行和能源消纳带来巨大挑战。储能技术是提高风电场电网系统运行安全性和稳定性的有效手段，因此，为风力发电单元配置合适的储能系统迫在眉睫。抽水蓄能电站是目前应用最广泛的大容量储能技术，被誉为“碳中和”的调节器和新型电力系统的“超级充电宝”，优化风电和抽水蓄能的联合运行策略不仅能够提高新能源消纳能力，减少弃风，而且有助于增强电力系统稳定性，改善电能质量。故对风电和抽水蓄能的联合优化运行进行详细的研究显得极为重要。
3.目前在抽水蓄能与风电联合运行的短期优化运行方法方面，存在容易陷入局部最优、收敛速度慢的缺陷。


技术实现要素：

4.为了解决现有技术在抽水蓄能与风电联合运行的短期优化运行方法方面存在的容易陷入局部最优、收敛速度慢的缺陷的问题，本发明提出了一种基于混沌遗传算法的抽蓄-风电优化运行方法，包括：
5.获取待优化的抽蓄-风电系统的参数；
6.将所述待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案；
7.其中，所述抽蓄-风电系统的优化模型是以抽蓄-风电联合系统效益最大为所述抽蓄-风电系统的优化目标建立的目标函数以及为所述目标函数设置的约束条件构建而成。
8.优选的，所述将所述待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案，包括：
9.以风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率作为所述优化变量，以所述优化变量作为个体构建种群；
10.通过混沌算法生成所述种群的混沌序列，通过所述优化变量与所述混沌序列的混沌变量的关系式将所述优化变量引入到所述混沌序列中，获得初始种群；
11.将通过混沌算法生成的初始种群作为遗传算法的初始种群，将所述待优化的抽蓄-风电系统的参数输入所述抽蓄-风电系统的优化模型中，计算所述个体的适应度值，并运用遗传算法对所述种群进行选择、交叉、变异，获得最优个体；
12.由所述最优个体对应的优化变量作为抽蓄-风电系统的优化运行方案。
13.优选的，所述通过混沌算法生成所述种群的混沌序列，包括：以所述优化变量在各个时段内的出力为维度，给定所述混沌变量的初值，运用混沌算法对所述混沌变量进行迭
代，得到所述混沌序列。
14.优选的，所述混沌算法的表达式如下式所示：
[0015][0016]
其中，λ表示控制参数，表示t时刻的混沌变量的值，表示t+1时刻的混沌变量的值，
[0017]
优选的，所述优化变量与所述混沌变量之间的关系式包括：
[0018][0019]
其中，x表示初始种群，表示t时刻的混沌变量的值，up表示优化变量的取值上限，down表示优化变量的取值下限。
[0020]
优选的，所述抽蓄-风电系统的优化模型的构建包括：设定所述抽蓄-风电系统的优化变量为风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率；基于以抽蓄-风电联合系统效益最大为所述抽蓄-风电系统的优化目标构建所述抽蓄-风电系统的目标函数；为所述目标函数设置电网功率限制约束、风电场装机容量约束、抽水蓄能电站功率约束和功率平衡约束条件；由所述目标函数以及所述电网功率限制约束、风电场装机容量约束、抽水蓄能电站功率约束和功率平衡约束构建抽蓄-风电系统的优化模型。
[0021]
优选的，所述目标函数式如下式所示：
[0022][0023]
其中，f
max
为抽蓄-风电系统的最大效益，pw为风电直接并网功率，ph,为抽水蓄能电站的发电功率，p
pi
为抽水蓄能电站的抽水功率，p
wi
为i时段风电直接并网功率；p
hi
为i时段抽水蓄能电站的发电功率；p
pi
为i时段抽水蓄能电站的抽水功率；ci为i时段的上网电价，c
p
为抽水费用，n为时段总数量，c
p
为上网电价，i为时段序号。
[0024]
优选的，所述抽蓄-风电系统的参数包括：上网电价、抽水费用、水泵抽水效率、水库储能、风电场装机容量、上网限制功率。
[0025]
基于同一发明构思，本发明还提出一种抽蓄-风电联合的优化运行系统，其特征在于，包括：
[0026]
获取参数模块，用于获取待优化的抽蓄-风电系统的参数；
[0027]
求解模块，用于将所述待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到所述抽蓄-风电系统的优化运行方案；
[0028]
其中，所述抽蓄-风电系统的优化模型是基于所述系统的优化目标建立的目标函数以及为所述目标函数设置的约束条件构建而成。
[0029]
优选的，还包括模型构建模块，用于基于所述抽蓄-风电系统的优化目标建立的目标函数以及为所述目标函数设置的约束条件构建优化模型。
[0030]
与现有技术相比，本发明的有益效果为：
[0031]
本发明提供的一种基于混沌遗传算法的抽蓄-风电优化运行方法及系统，包括：获取待优化的抽蓄-风电系统的参数；将所述待优化的抽蓄-风电系统的参数带入预先构建的
抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案；其中，所述抽蓄-风电系统的优化模型是基于所述抽蓄-风电系统的优化目标建立的目标函数以及为所述目标函数设置的约束条件构建而成。通过将混沌变量引入优化模型，运用混沌遗传算法对抽蓄-风电系统的优化运行方案进行求解，凭借混沌的遍历性防止算法陷入局部最优，加快收敛速度，提高运算效率，更好的服务于工程实践。
附图说明
[0032]
图1为本发明提供的基于混沌遗传算法的抽蓄-风电优化运行方法的流程图；
[0033]
图2为本发明提供的混沌遗传算法的流程图；
[0034]
图3为本发明实施例1提供的电网系统中仅有风电时的风电场输出功率示意图；
[0035]
图4为本发明实施例1提供的抽蓄-风电系统的优化运行示意图；
[0036]
图5为本发明实施例1提供的运用混沌遗传算法求解抽蓄-风电系统的优化运行方案的种群进化轨迹图；
[0037]
图6为本发明实施例1提供的优化后的抽蓄-风电系统的功率输出图。
具体实施方式
[0038]
本发明公开了一种基于混沌遗传算法的抽蓄-风电优化运行方法及系统，通过将混沌变量引入抽蓄-风电的优化模型，运用混沌遗传算法对抽蓄-风电系统的优化运行方案进行求解，提高了运算效率，更好的服务于工程实践。
[0039]
实施例1：
[0040]
一种基于混沌遗传算法的抽蓄-风电优化运行方法，如图1所示，包括：
[0041]
步骤1：获取待优化的抽蓄-风电系统的参数；
[0042]
步骤2：将待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案；
[0043]
其中，抽蓄-风电系统的优化模型是基于优化目标建立的目标函数以及为目标函数设置的约束条件构建而成。
[0044]
下面对本发明进行详细介绍：
[0045]
在步骤1之前，还包括构建抽蓄-风电系统的优化模型。
[0046]
构建抽蓄-风电系统的优化模型包括：
[0047]
s1：设定优化变量
[0048]
在本实施例中，设定优化变量为：风电直接并网功率p
wi
，抽水蓄能电站的水泵抽水功率p
pi
，抽水蓄能电站的水轮机发电功率p
hi
；
[0049]
s2：确定抽蓄-风电系统的优化模型的目标函数
[0050]
在本实施例中，抽蓄-风电系统的优化模型的目标函数在考虑峰谷电价机制的情况下，选取抽蓄-风电系统的效益最大为目标，建立目标函数为：
[0051][0052]
其中，f
max
为抽蓄-风电系统的最大效益，pw为风电直接并网功率，ph为抽水蓄能电站的发电功率，p
pi
为抽水蓄能电站的抽水功率，p
wi
为i时段风电直接并网功率；p
hi
为i时段
抽水蓄能电站的发电功率；p
pi
为i时段抽水蓄能电站的抽水功率；ci为i时段的上网电价，c
p
为抽水费用，n为一天24小时，c
p
为上网电价。
[0053]
s3：确定抽蓄-风电系统的优化模型的约束条件
[0054]
本实施例中，抽蓄-风电系统的优化模型的约束条件包括电网功率限制约束、风电场装机容量约束、抽水蓄能电站功率约束和发电功率平衡约束。
[0055]
a由于电网的限制要求以及电力市场的需求，需考虑预先设置风电场输送到电网的功率限制，电网功率限制的约束条件由下式表示：
[0056]
p
min
≤pi≤p
max
；
[0057]
其中，pi为i时段风电场输送到电网的总功率；p
min
为电网最小上网限制功率；p
max
为电网最大上网限制功率。
[0058]
b风电场输送到电网的功率受到风电场安装容量的限制，风电场安装容量的约束条件由下式表示：
[0059]
p
gmin
≤p
wi
+p
pi
≤p
gmax
；
[0060]
其中，p
wi
为i时段风电直接并网功率，p
pi
为i时段抽水蓄能电站的抽水功率，p
gmin
为风电场最小装机容量，p
gmax
为风电场最大装机容量。
[0061]
c抽水蓄能电站功率的约束条件为：
[0062]
放水发电时：
[0063][0064]
其中，p
hi
为i时段抽水蓄能电站的发电功率，p
hmin
为抽水蓄能电站的最小发电功率，p
hmax
为抽水蓄能电站的最大发电功率，e为水库储能，ηh为水力发电效率，t为各时段长。
[0065][0066]
其中，ei为i时段的水库储能，e
i+1
为i+1时段的水库储能，η
p
为水泵抽水效率，p
pi
为i时段抽水蓄能电站的抽水功率，ηh为水力发电效率，t为各时段长。
[0067]
0≤ei≤e
max
[0068]
抽水蓄能时：
[0069]
p
pmin
≤p
pi
≤p
pmax
[0070]
其中，p
pmin
为抽水蓄能电站的最小抽水功率，p
pmax
为抽水蓄能电站的最大抽水功率。
[0071]
d发电功率平衡约束条件为：
[0072]
p
dl
≥0
[0073]
其中，p
dl
为抽蓄-风电系统舍弃的功率。
[0074]
pi＝p
wi
+p
hi
[0075]
p
vi
＝p
wi
+p
pi
+p
dli
[0076]
其中，p
dli
为i时段抽蓄-风电系统舍弃的功率，p
vi
为i时段抽蓄-风电系统的可利用风能。
[0077]
抽蓄-风电系统的优化模型构建完成后，进行优化运行方案的求解：
[0078]
步骤1中的获取待优化的抽蓄-风电系统的参数，具体包括：获取上网电价、抽水费
用、水泵抽水效率、水库储能、风电场装机容量、上网限制功率。
[0079]
考虑到电力市场环境下峰谷电价的差异，并参考国外的风电定价政策，风电价格由下式确定：
[0080]ci
＝540￥/mwh 0≤i《8,22≤i《24
[0081]ci
＝1038.4￥/mwh 8≤i《22
[0082]cpi
＝0.25c
i 1≤i《24
[0083]
其中，￥/mwh为电价单位，i为时刻。
[0084]
在本实施例中，假定水库的初始储能e1＝0，参数设置如表1所示。
[0085]
表1模型参数表
[0086][0087]
因本实施例重点解决抽蓄-风电联合系统的风机功率和抽水蓄能功率的优化调度问题，故假设风电场未配置水力储能系统时，可以直接转化为风电输出的功率，即风电场的可利用风能pv是已知的，风电场的可利用风能用一个均值为6mw、方差为4mw的正态分布曲线来近似模拟，如图3所示。
[0088]
步骤2中的将所述待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案，具体包括：
[0089]
2.1以风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率作为优化变量，以上述优化变量作为个体构建种群；
[0090]
2.2通过混沌算法生成种群的混沌序列，通过优化变量与所述混沌序列的混沌变量的关系式将优化变量引入到混沌序列中，获得初始种群；
[0091]
在本实施例中的优化仿真时长为1天，共分成24个时段，种群的个体数量为80。三个优化变量风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率在第一时段的初值由计算机采用实数编码的方式随机给定。运用混沌算法分别对三个优化变量对应的混沌变量进行迭代，得到混沌序列。本实施例中的混沌算法采用下式所示的单峰映射方式：
[0092][0093]
其中，λ为控制参数，λ＝4；为t时刻的混沌变量的值，为t+1时刻的混沌变量的值，
[0094]
通过下式将三个优化变量引入到混沌序列中，分别得到风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率在24个时段内的功率值，从而获得初始种群。
[0095][0096]
其中，x表示初始种群，up表示优化变量的取值上限，down表示优化变量的取值下限。
[0097]
优化变量的取值上限和取值下限由抽蓄-风电系统的优化模型的约束条件决定。本实施例的三个优化变量风电直接并网功率、抽水蓄能电站的抽水功率和抽水蓄能电站的发电功率之间相互制约，相互影响，尤其是抽水蓄能电站的发电功率，除了第一个时段的功率由于水库初始储能e1＝0，可知p
h1
＝0，其余时段的功率不但与抽水蓄能电站的抽水功率p
pi
、水库储能ei相关，而且不同p
hi
的取值也相互制约。
[0098]
2.3将通过混沌算法生成的初始种群作为遗传算法的初始种群，将待优化的抽蓄-风电系统的参数输入抽蓄-风电系统的优化模型中，计算个体的适应度值，并运用遗传算法对所述种群进行选择、交叉、变异，获得最优个体；
[0099]
由所述最优个体对应的优化变量作为抽蓄-风电系统的优化运行方案。
[0100]
在本实施例中，种群个体的适应度函数采用优化模型的目标函数计算，将三个优化变量的在24个时段内的功率初值和步骤1中获取的抽蓄-风电系统各个时段的电价数据据代入目标函数，计算初始种群的个体适应度值。
[0101]
设定遗传算法的选择比例，舍弃初始种群中适应度值较低的个体，并设定遗传算法的迭代次数、交叉概率、变异概率，在优化模型的约束条件下对种群进行迭代计算，获得最优个体。在本实施例中，运用遗传算法进行迭代计算的最大迭代次数为500次，交叉和变异概率分别为0.75、0.01。
[0102]
最优个体对应的三个优化变量的功率值即为抽蓄-风电系统的优化运行方案。结合工程背景和实际情况可对获得的优化运行方案进行分析、调整。
[0103]
如图2所示，为本发明提供的混沌遗传算法的流程图。采用混沌算法可以避免粒子出现“早熟”、初始种群不合理导致易陷入局部最优等问题，本发明实施例引入混沌理论来生成初始种群，使初始种群分布广泛，以提高混沌遗传算法全局寻优能力，防止算法陷入局部最优。
[0104]
选取5组生成的pw初始种群数据为例，与传统算法生成的pw初始种群进行对比，如表2所示，通过对比发现，混沌遗传算法生成的种群更具有全局性，分布更均匀，且24个时段初始种群出力分布更接近于原始风电场出力数据，更符合实际情况，更有利于求解。
[0105]
表2传统算法和混沌算法生成的部分pw初始种群对比
[0106][0107][0108]
遗传代数为500代时的种群进化轨迹图如图5所示。观察寻优轨迹发现，当遗传代数运行至100代左右时达到全局最大适应度值，其后种群的最大适应度值始终在该最大值附近振荡。
[0109]
仿真计算结果表明，运用混沌算法得到的初始种群效果分布更均匀，改善了传统遗传算法容易陷入局部寻优的情况，相比较遗传算法的用时3.4728秒，混沌遗传算法仅仅用时0.9409秒，可见，混沌遗传算法的计算速度更快。
[0110]
在本实施例中，在电网功率限制3mw＜pi＜8mw条件下，对于未配置抽水蓄能电站
的风电场，当风电场功率大于8mw时按8mw输入电网，当风电场功率小于3mw时，风电场电能不上网，计算得到未配置抽水蓄能电站的风电场的最大效益为：72569￥/天。同样，在电网功率限制3mw＜pi＜8mw条件下，向风电场配置抽水蓄能电站。运用混沌遗传算法，可以得到在最优适应度值时风电场中的风力发电机组、水泵水轮机或水泵机组、水力发电机组在1天中各个时段的功率值，从而实现抽蓄-风电系统的调度优化运行和风电场效益最大化目标。如图4所示，为抽蓄-风电联合运行系统的优化运行示意图。
[0111]
如图6所示，为配置水力蓄能系统并优化后风电场的功率输出与仅有风电时的输出功率对比图。可见，配置水力蓄能系统后的风电场输出功率波动程度减小，表明在风电场中配置水力蓄能系统能够平滑风电场的有功功率输出，从而更好地保障电力系统安全平稳地运行。
[0112]
配置水力蓄能系统并优化后，风电场的最大效益为95711元/天，较未配置水力蓄能系统的风电场最大效益增加23142元/d，可见为风电场配置合适的储能系统，并对联合运行系统进行优化不仅有助于增强电力系统稳定性，改善电能质量，同时提高了系统的效益。
[0113]
实施例2：
[0114]
一种抽蓄-风电系统的优化运行系统，包括：
[0115]
获取参数模块，用于获取待优化的抽蓄-风电系统的参数；
[0116]
求解模块，用于将待优化的抽蓄-风电系统的参数带入预先构建的抽蓄-风电系统的优化模型中，采用混沌遗传算法进行求解，得到抽蓄-风电系统的优化运行方案；
[0117]
其中，抽蓄-风电系统的优化模型是基于系统的优化目标建立的目标函数以及为目标函数设置的约束条件构建而成。
[0118]
还包括模型构建模块，用于基于抽蓄-风电系统的优化目标建立的目标函数以及为目标函数设置的约束条件构建优化模型。
[0119]
求解模块包括：
[0120]
种群构建单元，用于以优化变量作为个体构建种群；
[0121]
混沌算法单元，用于通过混沌算法生成种群的混沌序列，通过优化变量与混沌序列的混沌变量的关系式将优化变量引入到混沌序列中，获得初始种群；
[0122]
遗传算法单元，用于将通过混沌算法生成的初始种群作为遗传算法的初始种群，将待优化的抽蓄-风电系统的参数带入抽蓄-风电系统的优化模型中，计算所述个体的适应度值，并运用遗传算法对所述种群进行选择、交叉、变异，获得最优个体，由最优个体对应的优化变量作为抽蓄-风电系统的优化运行方案。
[0123]
模型构建模块包括：
[0124]
优化变量单元，用于设定抽蓄-风电系统的优化模型的优化变量；
[0125]
目标函数单元，用于基于抽蓄-风电系统的优化目标和设定的优化变量构建目标函数；
[0126]
约束条件单元，用于为目标函数设置约束条件。
[0127]
由目标函数以及设置的约束条件构建抽蓄-风电系统的优化模型。
[0128]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0129]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0130]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0131]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0132]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。