一种水风光蓄短期多目标调度模型求解的PSO-DP耦合嵌套算法的制作方法

本发明涉及水风光蓄互补运行术领域，尤其涉及一种水风光蓄短期多目标调度模型求解的pso-dp耦合嵌套算法。

背景技术：

1、风电、光伏等清洁低碳可再生能源发展迅速，但由于受气象因素影响，风光发电出力具有明显的随机性、波动性和间歇性，制约着其大规模并网运行。为了促进风电和光伏电站的并网消纳，利用启动灵活、调节迅速的水电和抽水蓄能电站对风光发电出力进行互补调节，实现水风光蓄多能互补调度运行，提升风光清洁能源资源的并网消纳水平，已经成为新型电力系统建设的重要抓手。然而，由于水风光蓄多能互补发电调度问题，涉及的电站数量多、不同目标协调难度大、影响因素多且复杂，属于非连续多可行域的优化求解问题，对模型求解算法的计算精度和求解效率要求较高。因此，为实现水风光蓄多能互补系统短期多目标调度运行，促进新能源大规模开发与消纳，助推新型电力系统建设，迫切需要研究一种水风光蓄短期多目标调度模型求解的pso-dp耦合嵌套算法，实现水风光蓄多目标短期调度模型的高效求解，为水风光蓄多能互补和清洁能源基地一体化运行提供重要技术支持。

技术实现思路

1、本发明目的在于提供一种水风光蓄短期多目标调度模型求解的pso-dp耦合嵌套算法，用于解决上述现有技术中存在的技术问题，针对水风光蓄多能互补系统短期调度模型求解面临的高维非线性问题，提出pso-dp耦合的内外层嵌套算法，提高算法的收敛速度和求解效率，实现水风光蓄短期多目标调度模型的高效求解。

2、其结合水风光蓄短期多目标调度模型的高维非线性求解难题，通过提出双层嵌套耦合求解算法，外层模型以梯级水电站蓄能增量最大为目标函数，采用粒子群算法对系统的调度方案进行求解，在内层嵌套梯级水电负荷任务分配的计算单元，实现源荷差异最小的目标函数，用以生成满足互补系统出力过程要求和约束条件的初始种群，并利用动态规划算法进行优化计算，实现对多目标复杂高维问题的降维处理，大幅度减少了模型计算的时间和难度，实现水风光蓄短期多目标调度模型的高效求解。

3、本发明具体采用以下技术方案：

4、一种水风光蓄短期多目标调度模型求解的pso-dp耦合嵌套算法，其特征在于：

5、针对水风光蓄短期多目标调度模型的高维非线性求解难题，通过双层嵌套耦合求解算法进行求解：

6、其中，外层模型以梯级水电站蓄能增量最大为目标函数，采用粒子群算法对系统的调度方案进行求解；

7、在内层嵌套梯级水电负荷任务分配的计算单元，通过源荷差异最小的目标函数，用以生成满足互补系统出力过程要求和约束条件的初始种群，并利用动态规划算法进行优化计算，以实现对多目标复杂高维问题的降维处理，最终实现水风光蓄短期多目标调度模型的高效求解。

8、进一步地，包括以下步骤：

9、s1、根据以源荷差异最小和梯级水电蓄能增量最大为目标的水风光蓄短期多目标调度模型，设定外层pso算法的基本参数；

10、s2、根据电网负荷需求曲线和风光出力曲线，计算梯级水电剩余负荷任务曲线，采用内层dp算法对源荷差异最小的目标函数进行优化求解；

11、s3、初始化粒子种群，并根据初始种群个体的位置，确定外层pso算法中初始种群的最优个体和初始种群的最优适应度值；

12、s4、根据确定的个体最优位置及群体最优个体的位置，确定种群的状态更新参数，按照速度、位置公式迭代得到所有个体新的速度和位置

13、s5、根据每个个体更新后的位置，按照梯级水电蓄能增量最大的目标函数计算公式，计算每个个体位置更新后的适应度值，并与个体的最优适应度值比较大小，确定当前个体新的最优适应度值和最优位置；

14、s6、将当前每个个体新的最优适应度值和种群的最优适应度值进行比较，确定新的种群最优适应度值和种群最优个体；

15、s7、判断是否满足迭代终止条件，若满足，则输出水风光蓄短期多目标调度模型的优化计算结果；否则，返回步骤s4，进入下一次迭代，直到满足迭代终止条件为止。

16、进一步地，步骤s1具体包括以下步骤：

17、s11，设定种群规模以及包括每个个体的变量个数、种群迭代次数、惯性权重因子及学习因子的基本参数；

18、s12，设置水风光蓄短期多目标调度模型中各个约束条件的边界值，设定求解算法的迭代终止条件。

19、进一步地，步骤s2具体包括以下步骤：

20、s21，将调度周期按时间尺度划分为t个时段，离散各水库不同时段的初末水位；

21、s22，将每一级梯级水电站设置为一个阶段，阶段变量为梯级水电站的级数，将各个时段的剩余负荷任务分配给各个水电站；

22、s23，将第1级电站到第i级电站的总出力与对应时段剩余负荷的差值的绝对值设置为当前时段第i阶段末的状态变量；

23、s24，将每一级电站的出力作为决策变量，目标函数为调度期内各时段梯级水电总出力与剩余负荷的差值绝对值最小，计算公式如式(1)所示：

24、

25、式中：β表示调度期内源-荷差异之和的最小值，t表示计算时段总数，t表示计算时段编号，n表示水电站总数，i表示电站编号，ni,t表示第i级电站在t时段的发电出力，npt表示在t时段的剩余负荷任务；

26、s25，从第1时段第1级电站试算反推下泄流量，即假定当前时段水电站发电流量为q1,1，通过水电站机组发电出力公式及水量平衡公式计算出该时段末的水位、库容状态以及该时段出力n1,1，若试算所得不满足约束条件，则返回步骤s22重新分配剩余负荷任务，若满足约束条件，则执行步骤s26；

27、s26，采用步骤s25相同的方法，从上下游到下游逐个电站进行计算，逐级校核试算所得水位、库容和出力，若不满足约束条件，则返回步骤s22重新分配剩余负荷任务，若满足约束条件，则执行步骤s27；

28、s27，完成所有水电站的试算后，进行时段内误差判定，比较试算所得梯级水电站该时段总出力与对应时段的剩余负荷任务的大小，若误差大于规定范围ε，如式(2)所示，表示该时段梯级水电负荷分配不合理，则返回步骤s22重新分配剩余负荷任务，若误差小于规定范围，则执行步骤s28：

29、

30、s28，根据步骤s21-s27，逐时段分配负荷，并记录每一时段各电站水位、库容状态，遍历所有时段、所有电站，得到一组可行的梯级水电站剩余负荷任务曲线分配方案，以及各水电站调度运行过程，将结果作为粒子群初始个体反馈给外层pso算法。

31、进一步地，在步骤s27中，选取抽水蓄能电站的调节能力作为规定范围ε的上限。

32、进一步地，步骤s3具体包括以下步骤：

33、s31，在变量阈值内随机生成初始种群，即生成若干个个体；

34、s32，按照梯级水电蓄能增量最大的目标函数计算公式，如式(3)所示，确定每个个体的适应度值，并作为初始个体最优适应度值：

35、

36、式中：e0表示梯级水电站蓄能增量的最大值，t表示计算时段总数，t表示计算时段编号，n表示水电站总数，i和j均表示电站编号，ei,t表示第i级电站在t时段的蓄能增值，qi,t表示第i级电站在t时段的入库流量，qi,t表示第i级电站在t时段的下泄流量，kj,t表示第j级电站在t时段的出力系数，hj,t表示第j级电站在t时段的发电水头，δt表示单位时段的时间长度；

37、s33，依次对比所有个体的适应度值，确定初始种群的最优适应度值以及初始种群的最优个体。

38、进一步地，步骤s4中，确定种群的状态更新参数，按照速度、位置公式迭代得到所有个体新的速度和位置，具体计算公式如式(4)和式(5)所示：

39、

40、

41、式中：表示第i个粒子在第t次迭代过程中的第j维速度，i为粒子的序号，n为粒子种群数，j为维度序号，d为粒子所处空间维数，ω为惯性权重因子，c1为认识学习因子，c2为社会学习因子，r1、r2为[0,1]间服从均匀分布的随机数，pit,j为第i个粒子在第t次迭代过程中个体最优位置的第j维坐标，为所有粒子在第t次迭代过程中全局最优位置的第j维坐标，表示第i个粒子在t次迭代过程中第j维坐标。

42、相比于现有技术，本发明及其优选方案结合水风光蓄短期多目标调度模型的高维非线性求解难题，通过提出双层嵌套耦合求解算法，外层模型以梯级水电站蓄能增量最大为目标函数，采用粒子群算法对系统的调度方案进行求解，在内层嵌套梯级水电负荷任务分配的计算单元，实现源荷差异最小的目标函数，用以生成满足互补系统出力过程要求和约束条件的初始种群，并利用动态规划算法进行优化计算，实现对多目标复杂高维问题的降维处理，大幅度减少了模型计算的时间和难度，实现水风光蓄短期多目标调度模型的高效求解。