一种求解风蓄火联合运行系统多时段Pareto解集的优化方法
【专利摘要】本发明涉及一种大规模风电接入后风蓄火联合运行系统多时段Pareto解集的求解方法，该方法运用传统遗传算法和NSGA-II算法相结合的方式进行求解，分别解决了传统遗传算法优化结果单一性以及NSGA-II算法只能优化得到单时段Pareto解集的不足。本发明将遗传算法求解风蓄火联合运行系统数学模型的优化结果作为NSGA-II算法求解的初始值，以此优化得到各个时刻的Pareto解集。相对于传统遗传算法以及NSGA-II算法，本发明能够有效的解决这两种算法在求解过程中的不足，更加全面的搜索出尽可能多的优化解集，给决策者提供全面、清晰、有效的支撑。
【专利说明】一种求解风蓄火联合运行系统多时段Pareto解集的优化方法
【技术领域】
[0001]本发明属于电力调度分析【技术领域】，特别是关于大规模风电接入后的风蓄火联合运行系统的多时段ParetO解集的求解方法。
【背景技术】
[0002]随着我国风电规模的不断扩大，风电并网对电力系统的影响也日渐显著，弃风现象不断出现。利用储能系统参与电网调峰，是提高风电消纳能力的重要途径。抽水蓄能电站作为大型储能设备，既可作电源发电，又可作负荷耗电，是改善电网调峰压力，提高风电消纳能力的重要措施。如何求解风蓄火联合运行系统在调度周期内各机组的优化出力，是进行电力系统规划和调度工作的前提。传统的遗传算法在求解多目标优化问题上，对于任意形式的目标函数和约束条件，无论是线性的还是非线性的，离散的还是连续的都可处理；但其缺点是要先确定多目标之间的权衡方式，将多目标问题转换为多个不同的单目标优化问题，优化结果单一。NSGA-1I算法不需要事先知道各目标函数之间的关系，而是利用其强大的全局搜索能力，找出可能的优化解，供决策者参考；但其缺点是不能处理非线性约束。本发明正是在此背景下，结合这两种算法的优点，很好的弥补了两者的不足，最后得到风蓄火联合运行系统多时段的Pareto解集。
【发明内容】
[0003]针对传统遗传 算法和NSGA-1I算法在分析处理多目标优化方面存在的问题，本发明提出了一种风蓄火联合运行系统的多时段Pareto解集的求解方法，该方法结合传统遗传算法能够处理非线性约束和NSGA-1I算法可得到单时段Pareto解集的优点，首先利用遗传算法求解多目标多时段的优化问题；然后根据遗传算法求解的优化结果作为NSGA-1I算法求解的初始值，分别优化得到一天24时段的Pareto解集。该方法巧妙的结合了两种优化算法的优点，很好的弥补了两者的不足，做到取长补短，既解决了传统遗传算法优化结果单一性问题，同时还解决了 NSGA-1I算法不能处理非线性约束的问题。
[0004]为实现上述目的，本发明采取以下技术方案:
本发明解决上述问题采取的技术方案:
1、建立风电出力不确定模型。本发明为更好的模拟风速不确定性，采用风速Weibull分布建立不确定性风电出力模型。
[0005]2、建立风蓄火联合运行系统的数学模型。确定风蓄火联合运行系统的多目标函数及其相应的约束条件。
[0006]3、利用传统遗传算法求解多目标优化问题。传统遗传算法求解多目标问题的重点在于确定自适应度函数，本发明基于线性加权法分析各优化目标的重要性，按重要程度不同分别乘以一组权系数，然后相加作为目标函数来完成多目标问题对单目标问题的转化。
[0007]4、利用NSGA-1I算法求解多目标优化问题。本发明以传统遗传算法求解得到的多目标优化结果作为NSGA-1I算法求解多目标优化问题的基础，将遗传算法求解结果作为NSGA-1I算法求解多目标问题的初始值，再利用NSGA-1I算法强大的全局搜索能力，找出可能的优化解，得到各时段的Pareto解集，供决策者参考。
[0008]本发明可以广泛用于电力系统规划、运行和调度部门，形成一种新的电力系统运行分析和调度决策的求解方法，给决策者提供全面、清晰、有效的支撑。
【具体实施方式】
[0009]本发明包括以下步骤:
I)确定调度周期内的风电出力
风速具有波动性和不确定性的特点，本发明为更好地模拟实际风速的变化，采用风速Weibull分布建立不确定性风电出力模型。
[0010]Weibull风速的概率密度函数如下:
【权利要求】
1.一种风蓄火联合运行系统多时段Pareto解集的求解方法，其包括以下步骤:1)建立基于mibuii的风电出力不确定模型；2)建立风蓄火联合运行系统的多目标数学模型；3)利用遗传算法求解风蓄火联合运行系统的多目标优化问题:3.1)分别求解单目标优化模型，得到各目标函数的最大最小值；3.2)将各单目标值进行归一化处理，再利用加权法得到适应度函数，分别计算每一代种群的适应度值，并保存最大适应度值对应的相关变量值；3.3)按照遗传算法的选择、交叉、变异等步骤实现种群进化，根据风电上网的优化值合理配置抽水蓄能电站抽水、发电在各时段的优化值，然后根据配置好的风蓄联合运行值，以及火电机组的特性约束优化火电机组的出力，得到火电机组各时段的优化值；4)在加权法优化得到各机组出力后，再选取一组胁必LVi风速值，使得风电出力与负荷特性相反；5)把加权法优化得到的第一时刻的火电机组启停状态作为NSGA-1I算法求解第一时刻的初始值，设置好各机组的约束条件，以风-蓄-火联合运行效益最大和系统弃风电量最小作为目标函数进行优化，得到第一时刻各机组的Pareto解集；6)在优化得到第一时刻Pareto解集中选取一组优化值作为第二时刻的初始值进行优化，以此类推，得到24时段的Pareto解集。
2.如权利要求1所述的一种风蓄火联合运行系统多时段Pareto解集的求解方法，其特征在于:所述步骤I)中，采用了勝iAuJJ分布随机生成不确定风速，从而求得不确定的风电出力值，该处理方式更符合实际风速的随机性特点，肠风速的概率密度函数如下:
3.如权利要求1所述的一种风蓄火联合运行系统多时段ParetO解集的求解方法，其特征在于，所述步骤2)中，由于抽水蓄能电站的抽水和发电工况是不能同时进行的，在如何处理这两者的关系上，本发明引入了约束条件(10)，即保证了这两者在同一时段至少有一个为零，在保证抽水不发电、发电不抽水的前提下，利用电网不能接纳的风电功率进行抽水，即将弃风电量通过抽水的方式储存起来，在负荷高峰时段进行发电。
4.如权利要求1所述的一种风蓄火联合运行系统多时段Pareto解集的求解方法，其特征在于，所述步骤3)中，由于传统的遗传算法在求解多目标优化问题上，对于任意形式的目标函数和约束条件，无论是线性的还是非线性的，离散的还是连续的都可处理，常规火电机组的最小启停时间约束是非线性约束，遗传算法在处理该模型具有一定的优势，但其需要事先确定多目标之间的权衡关系，将多目标问题转换为多个不同的单目标优化问题，这便造成了优化结果的单一性问题，不能全面的得到尽可能多的优化结果供决策者参考，所以本发明利用遗传算法在处理非线性约束的优势，将其优化结果作为基础，如何得到各时段的Pareto解集，则由NSGA-1I算法完成。
5.如权利要求1所述的一种风蓄火联合运行系统多时段Pareto解集的求解方法，其特征在于，所述步骤4)中，由于加权法求解多目标时需要事先确定多目标之间的权重关系，这样得到的结果具有一定的单一性，优化结果不够全面，为找出尽可能多的优化结果，本发明结合加权法优化得到的火电机组的启停状态，以第一时刻的启停值作为NSGA-1I算法的初始值，对风、蓄、火机组三者的约束条件进行设置，优化得到第一时刻的Pareto解集，在其中选取一组优化值作为 下一时刻的初始值，以此类推，得到一天24时段的Pareto解集。
【文档编号】H02J3/00GK104037755SQ201310072856
【公开日】2014年9月10日 申请日期:2013年3月7日 优先权日:2013年3月7日
【发明者】马瑞, 程璐, 鲁海威, 马海洋, 高晓峰 申请人:长沙理工大学