一种电力系统调度方法与流程
本申请涉及电力系统环境经济技术领域，特别涉及一种电力系统调度方法。
背景技术：
面对能源危机和环境污染的双重压力，风力发电作为一种环境经济的有效发展途径，可以降低火力发电的燃料费用和污染排放量，因而已经迅速发展应用起来，与火力发电一同为电力系统提供电能。
然而，由于自然界中的风力是不可控的，所以风力发电机组的输出功率很不稳定，具有反调峰特性、间歇性等缺点，因而，会对电网造成冲击，引起电力系统中负荷电压的不合理波动；并且会经常造成风电消纳过剩或者不足等问题。当消纳过剩时，由于电力系统的用电负荷较小，因此需要减少风电的并网，即出现弃风问题；当消纳不足时，则无法满足电力系统中的供电需求。现有技术中，为了降低风电输出功率波动性大对电网的冲击，同时为了解决风电与电力系统用电需求之间的矛盾，使用了储能技术，将风电储存起来以待使用。但是，由于昂贵的成本，储能技术目前仍无法广泛地应用开来。
技术实现要素：
本申请的目的在于提供一种电力系统调度方法，以便广泛地解决风电输出功率波动性大对电力系统造成的冲击问题，以及电力系统电能供需间的矛盾问题。
为解决上述技术问题，本申请提供一种电力系统调度方法，包括：
预先建立以火电机组出力值、风电机组出力值、电动车充电功率和放电功率为调度对象的电力系统的数学模型，所述数学模型包括目标函数和所述调度对象所满足的约束条件；
依据所述数学模型，采用纵横交叉算法生成所述调度对象的占优解集；以便依据所述占优解集进行电力系统调度。
可选地，所述依据所述数学模型，采用纵横交叉算法生成所述调度对象的占优解集包括：
根据预先建立的电力系统的数学模型，生成符合所述约束条件的所述调度对象的多组解，并将所述多组解作为粒子构成初始种群；
根据粒子的适应度表达式，计算所述初始种群中的粒子的适应度，筛选保留适应度符合第一预设条件的粒子，作为父代种群中的粒子进行保存；所述适应度表达式根据所述目标函数和所述约束条件构建；
对所述父代种群中的粒子执行横交叉，计算执行横交叉后的粒子的适应度，并与所述父代种群中的粒子进行比较，筛选保留适应度符合第二预设条件的粒子，作为占优解集中的粒子进行保存；
对所述占优解集中的粒子执行纵交叉，计算执行纵交叉后的粒子的适应度，并与所述占优解集中的粒子进行比较，筛选保留适应度符合第三预设条件的粒子，作为更新的占优解集中的粒子进行保存，并作为下一次迭代的父代种群；
判断是否满足迭代终止条件；若否，则转入所述对所述父代种群中的粒子执行横交叉的步骤，若是，则输出更新的所述占优解集。
可选地，所述约束条件包括功率平衡约束条件：
其中，n为火电机组的总数量，i＝1,2,…,n；pi,t为第i个火电机组在t时段内的出力值；m为风电机场的总数量；lj为第j个风电机场中风电机组的总数量；
可选地，所述目标函数包括所述火电机组的燃料费用函数和污染排放量函数；所述约束条件还包括出力值约束条件、旋转备用约束条件、爬坡约束条件、剩余电量约束条件、充/放电约束条件和出行约束条件。
可选地，所述出力值约束条件为
pi,min≤pi,t≤pi,max；
其中，pi,min、pi,max分别为预设的第i个火电机组的出力下限、上限值；
所述旋转备用约束条件为
其中，rt为电力系统在t时段内的旋转备用容量需求；
所述爬坡约束条件为
-driδt≤pi,t-pi,t-1≤uriδt；
其中，uri、dri分别为预设的第i个火电机组在相邻时段所允许的出力值的最大向上、向下调整率；
所述剩余电量约束条件为
其中，ηc、ηd分别为电动车的储能电池的充、放电效率系数；δt为t时段的时长；δs为单位距离的耗电量；lt为电动车在t时段内的行驶里程；st为所述储能电池在t时段结束时的剩余电量；smax、smin分别为预设的所述储能电池的剩余电量的安全上、下限；
所述充/放电约束条件为
其中，png2v、pnv2g分别为电动车的额定充、放电功率；
所述出行约束条件为
其中，t为调度周期内的时段总数。
可选地，所述适应度包括燃料费用适应度和污染排放量适应度，所述燃料费用适应度和所述污染排放量适应度的计算公式为
其中，fs为燃料费用适应度；es为污染排放量适应度；f为火电机组的总燃料费用；e为火电机组的总污染排放量；ppunish1为燃料费用惩罚系数；ppunish2为污染排放量惩罚系数；v为种群粒子的总约束违反量，具体为
可选地，在所述筛选保留适应度符合第三预设条件的粒子，作为更新的占优解集中的粒子进行保存，并作为下一次迭代的父代种群之后、所述判断是否满足迭代终止条件之前还包括：
对所述更新的占优解集中的粒子进行动态约束调整，以便满足所述功率平衡约束条件和所述出行约束条件。
可选地，所述
获取风速概率，根据威布尔分布的概率密度函数和所述风速概率计算风速；所述概率密度函数为
其中，f(vt)为风速概率；vt为风速；k＝2，为形状参数；c＝15，为尺度参数；
根据风电机组出力值计算式和所述风速计算生成所述
其中，vr、vci、vco分别为风电机组的额定风速、切入风速、切出风速；pr为风电机组的额定功率；
可选地，所述对所述父代种群中的粒子执行横交叉包括：
依据横交叉公式
对所述父代种群中的粒子执行横交叉；
其中，x(i,d)和x(j,d)分别为父代种群中的粒子x(i)和x(j)的第d维，mshc(i,d)和mshc(j,d)分别为x(i,d)和x(j,d)经横交叉产生的子代粒子的第d维；d∈n(1,d)；d为粒子维度总数；r1、r2为[0,1]之间的随机数；c1、c2为[-1,1]之间的随机数。
可选地，所述对所述占优解集中的粒子执行纵交叉包括：
依据纵交叉公式
对所述占优解集中的粒子执行纵交叉；
其中，x(i,d1)和x(j,d2)分别为占优解集中的粒子x(i)的第d1维和第d2维，msvc(i,d1)和msvc(i,d2)分别为x(i,d1)和x(i,d2)经纵交叉产生的子代粒子的第d1维和第d2维；d1,d2∈n(1,d)；r为[0,1]之间的随机数。
本申请所提供的电力系统调度方法中，预先建立以火电机组出力值、风电机组出力值、电动车充电功率和放电功率为调度对象的电力系统的数学模型，所述数学模型包括目标函数和所述调度对象所满足的约束条件；依据所述数学模型，采用纵横交叉算法生成所述调度对象的占优解集；以便依据所述占优解集进行电力系统调度。
可见，相比于现有技术，本申请所提供的电力系统调度方法中，利用电动车入网，将电动车与电网之间的能量交互与风电、火电进行协调调度，通过纵横交叉算法计算得到三者之间的合理调度方案，进而有效抑制了风电出力波动性对电网造成的冲击，并协调平衡了电力系统的电能供需。由于电动车使用广泛并发展迅速，电动车入网技术成本相对较低，因此，本申请所提供的方法具有广泛的适用性，有利于环境经济的快速协调发展。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例所提供的一种电力系统调度方法的流程图；
图2为本申请实施例所提供的又一种电力系统调度方法的流程图；
图3为本申请实施例所提供的一种动态调整方法的流程图；
图4为本申请实施例所提供的风电机组出力分布图；
图5为纵横交叉算法与nsga-ii算法的多目标求解结果曲线图。
具体实施方式
为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种电力系统调度方法的流程图，主要包括以下步骤：
步骤101：预先建立以火电机组出力值、风电机组出力值、电动车充电功率和放电功率为调度对象的电力系统的数学模型。
由于近年来，电动车入网(v2g)技术发展迅速并日趋成熟，使得电动车不仅可以从电网中吸收电能，还可以向电网回馈能量。现实中，根据调查，大部分的电动车在一天之中的停泊时间超过一天时间的96％，因此，本申请提出将电动车的闲置电能用来向电网放电，以便有效补偿风电出力波动性引起的负荷不合理波动，抑制电网受到的冲击。
在进行对电力系统调度之前，首先需要对调度对象(即火电机组出力值、风电机组出力值、电动车充电功率和放电功率)建立数学模型。所说的数学模型包括目标函数和调度对象所满足的约束条件。具体地，由于进行电力协调调度的初衷是解决能源危机与环境污染危机，因此，目标函数可以包括燃料费用函数和污染排放量函数，则进行电力系统调度的目标就是使得两个目标函数的取值都尽量最小。约束条件是用来限制和约束有待进行调度安排的各个调度对象及其彼此之间的关系的，以便得到切合实际的调度方案。这里，调度对象的数学模型不同，其得到的调度结果很可能不同；本领域技术人员可以根据实际情况选择合适的目标函数和约束条件，本申请实施例对此并不进行限定。
步骤102：依据数学模型，采用纵横交叉算法生成调度对象的占优解集；以便依据占优解集进行电力系统调度。
纵横交叉算法(crisscrossoptimization,cso)的思想在于，每次迭代过程中都对种群中的粒子进行纵向和横向的交叉，然后再择优保留。所谓的纵/横交叉，实质上都是种变化机制，可以将种群中的粒子进行微小变化，以得到众多粒子，并在众多粒子中寻获效果较好的占优解。当迭代次数足够大的时候，可以认为经过多次择优筛选的结果就是要寻找的最好的占优解。因此，通过纵横交叉算法，可以得到对电动车充/放电功率、火电机组出力值和风电机组出力的合理调度方案，使得目标函数结果最优，以便进行电力系统调度。
可见，本申请实施例所提供的电力系统调度方法，利用电动车与电网之间的能量交互来与火电和风电进行协调调度，利用纵横交叉算法得到电动车充电功率和放电功率、火电机组出力值与风电机组出力值的合理调度策略。相比于现有技术，本申请所提供的电力系统调度方法，在可以实现对电力系统电能的合理安排和对电网冲击的抑制的基础上，具有较为广泛的适用性。
请参考图2，图2为本申请实施例所提供的又一种电力系统调度方法的流程图，主要包括以下步骤：
步骤201：预先建立以火电机组出力值、风电机组出力值、电动车充电功率和放电功率为调度对象的电力系统的数学模型。
(1)构建目标函数
本申请实施例所提供的目标函数中包括燃料费用函数和污染排放量函数，电力系统调度的目标就是使得两个目标函数的取值都尽量降低。
1、燃料费用函数
根据火力发电机组的运行情况，得到燃料费用函数为
其中，f为调度周期内火电机组的总燃料费用；t为调度周期内的时段总数，t＝1,2,…,t；n为火电机组的总数量，i＝1,2,…,n；pi,t为第i个火电机组在t时段内的出力值；ai、bi、ci分别为第i个火电机组的第一、第二、第三燃料费用系数；di、ei分别为第i个火电机组的第一、第二阀点效应系数；pi,min为预设的第i个火电机组的出力下限值。
2、污染排放量函数
根据火力发电机组的污染排放情况，得到污染排放量函数为
其中，e为调度周期内火电机组的总污染排放量，αi、βi、γi、ξi和λi分别为第i个火电机组的第一、第二、第三、第四和第五污染排放系数。
(2)构建约束条件
在多目标求解过程中，约束条件是求解最终结果的重要影响因素。通过建立合理的约束条件，不仅可以优化求解过程，还可以得到最合理的调度安排。本申请实施例所提供的约束条件主要包括以下四个约束条件。
1、功率平衡约束条件
为了建立电力系统中发电量和用电量之间的平衡关系，得到调度对象所满足的功率平衡约束条件为
其中，n为火电机组的总数量，i＝1,2,…,n；pi,t为第i个火电机组在t时段内的出力值；m为风电机场的总数量；lj为第j个风电机场中风电机组的总数量；
2、出力值约束条件
对于火电机组，其出力值应具有一定的上下限，即pi,t需满足条件
pi,min≤pi,t≤pi,max；
其中，pi,min、pi,max分别为预设的第i个火电机组的出力下限、上限值。
其中，png2v、pnv2g分别为电动车的额定充、放电功率，在实际中受线路容量、环境及电池设备特性的影响。
另外，电力系统在t时段内的传输网损的具体计算方式为
其中，bij为网损系数矩阵b的第i行第j列的元素。
3、旋转备用约束条件
其中，rt为电力系统在t时段内的旋转备用容量需求。
4、爬坡约束条件
火电机组在相邻时段内的出力值变化率应当满足一定的条件，即
-driδt≤pi,t-pi,t-1≤uriδt；
其中，uri、dri分别为预设的第i个火电机组在相邻时段所允许的出力值的最大向上、向下调整率。
5、剩余电量约束条件
处于对电动车的储能电池的寿命和出行安全的考虑，电动车储能电池的剩余电量需要满足条件
其中，ηc、ηd分别为电动车的储能电池的充、放电效率系数；δt为t时段的时长；δs为单位距离的耗电量；lt为电动车在t时段内的行驶里程；st为所述储能电池在t时段结束时的剩余电量；smax、smin分别为预设的所述储能电池的剩余电量的安全上、下限。
6、充/放电约束条件
考虑到安全问题，电动车在进行充放电时也应当有一定的功率限制，即电动车在t时段内的充电功率和放电功率还需满足条件
其中，png2v、pnv2g分别为电动车的额定充、放电功率；在实际中受线路容量、环境及电池设备特性的影响。
7、出行约束条件
电动车作为一种交通工具，需要满足车主的日常正常出行需要。作为一种对电动车更加合理的充放电策略，可以结合考虑车主的日常出行里程需要，令在每个调度周期内，对电动车的充电量减去电动车的放电量恰好等于电动车出行过程中的电量消耗，则可以确保电动车电量在每个调度周期结束时电量相等，还可以进一步保证电动车满足剩余电量约束条件。
步骤202：根据预先建立的电力系统的数学模型，生成符合约束条件的调度对象的多组解，并将多组解作为粒子构成初始种群。
具体地，可以随机生成多个包含火电机组出力值、风电机组出力值、电动车充电功率和放电功率这些调度对象的多组解，作为初始粒子构成初始种群，且每个初始粒子都满足上述约束条件。对于每一个初始粒子，这里及下文皆用u来表示它，则
其中，对于火电机组出力值，pi＝[pi,1,…,pi,t，…,pi,t]t，i＝1,2,…,n，pi,t为第i个火电机组在时段t内的出力值。
对于风电机组出力值，
对于电动车有：
其中，在初始化
这里所说的威布尔分布的概率密度函数为
其中，f(vt)为风速概率；vt为风速；k＝2，为形状参数；c＝15，为尺度参数。当然，这里也可以采用其他分布如正态分布来对风速进行估计，本领域技术人员可以自行选择并计算，本申请实施例对此并不进行限定。
当得到风速之后，所述风电机组出力值计算式为
其中，vr、vci、vco分别为风电机组的额定风速、切入风速、切出风速；
步骤203：根据粒子的适应度表达式，计算初始种群中的粒子的适应度，筛选保留适应度符合第一预设条件的粒子，作为父代种群中的粒子进行保存。
对应于燃料费用函数和污染排放量函数两个目标函数，这里所说的适应度包括燃料费用适应度和污染排放量适应度。适应度是在纵横交叉算法中用来衡量粒子的优良标准，即衡量粒子使得目标函数取得目标值(在本申请所解决的技术问题中为最小值)的能力。
由于约束条件是为了使调度对象与求解目标尽可能优化而做出的理想约束条件，当粒子在不断的迭代交叉变化过程中，其势必会出现变化之后不满足部分或者全部约束条件的情况，并且，不同粒子对于约束条件的满足情况和程度也大不相同，因此，可以根据各个粒子对约束条件的满足程度计算其适应度，并进行择优筛选，以便得到适应度优良的粒子作为下一次迭代过程中的交叉和筛选对象。当迭代次数足够多时，最终保留的粒子即可作为算法输出的占优解。
根据以上所述，作为一种优选实施例，本申请实施例所提供的燃料费用适应度和污染排放量适应度的计算公式为
其中，fs为燃料费用适应度；es为污染排放量适应度；f为火电机组的总燃料费用；e为火电机组的总污染排放量；ppunish1为燃料费用惩罚系数；ppunish2为污染排放量惩罚系数；v为种群粒子的总约束违反量，具体为
这里所说的筛选保留的具体过程可以为：将所有待筛选的粒子按照适应度进行从大到小或者从小到大排序，则排在前面或者后面的一定数量的粒子即为所述满足第一预设条件可以保留的粒子。当然，也可以设定阈值范围，适应度满足阈值范围的粒子作为所述满足第一预设条件的粒子。本领域技术人员可以自行选择并设置，本申请实施例并不进行限定。
此外，作为一种优选实施例，在依据适应度对粒子进行筛选的过程中，还可以再综合考虑粒子的拥挤距离进行筛选，所谓的拥挤距离，是衡量两粒子之间适应度差别的指标。例如，若两粒子的拥挤距离很小，则说明这两个粒子对于目标函数的效果非常相近，则可以考虑在这两个粒子中只保留其中一个，以便获得更大的选择范围，使得算法获得的解的分布范围更广，更加便于进行选择。
步骤204：对父代种群中的粒子执行横交叉。
作为一种优选实施例，在对父代种群中的粒子执行横交叉时，可以采用横交叉公式
其中，x(i,d)和x(j,d)分别为父代种群中的粒子x(i)和x(j)的第d维，mshc(i,d)和mshc(j,d)分别为x(i,d)和x(j,d)经横交叉产生的子代粒子的第d维；d∈n(1,d)；d为粒子维度总数；r1、r2为[0,1]之间的随机数；c1、c2为[-1,1]之间的随机数。
需要补充的是，对于每个粒子，这里所进行的横交叉操作还可以按照一定概率执行。具体地，在执行横交叉操作之前，先随机生成一个横交叉概率值([0,1]之间的随机数)，如果该横交叉概率值满足横交叉概率条件，则按照步骤204进行横交叉，若不满足，则可以跳过横交叉步骤。横交叉概率条件可由本领域技术人员自行选择并设置，并一般可以通过合适的横交叉概率条件使得执行横交叉的概率大一些，例如，可以将横交叉概率条件设置为“横交叉概率值小于0.85”，甚至为“横交叉概率值小于1”(即执行横交叉的概率为100％)，本申请实施例对此并不进行限定。
步骤205：计算执行横交叉后的粒子的适应度，并与父代种群中的粒子进行比较，筛选保留适应度符合第二预设条件的粒子，作为占优解集中的粒子进行保存。
步骤206：对占优解集中的粒子执行纵交叉。
作为一种优选实施例，在对占优解集中的粒子执行纵交叉时，可以采用纵交叉公式
其中，x(i,d1)和x(j,d2)分别为占优解集中的粒子x(i)的第d1维和第d2维，msvc(i,d1)和msvc(i,d2)分别为x(i,d1)和x(i,d2)经纵交叉产生的子代粒子的第d1维和第d2维；d1,d2∈n(1,d)；r为[0,1]之间的随机数。
同样地，纵交叉也可以按照一定的概率进行。类似的内容请参考横交叉中的相关介绍，这里不再赘述。
步骤207：计算执行纵交叉后的粒子的适应度，并与占优解集中的粒子进行比较，筛选保留适应度符合第三预设条件的粒子，作为更新的占优解集中的粒子进行保存，并作为下一次迭代的父代种群。
需要说明的是，这里所说的第三、第二和第一预设条件可以相同，也可以不同，本申请实施例对此并不进行限定。
还需要补充的是，在每次迭代交叉和计算过程中，也可以先进行纵交叉筛选再进行横交叉筛选，即先执行步骤206和步骤207再执行步骤204和步骤205；本领域技术人员可以自行选择并设置，本申请实施例对此并不进行限定。
步骤208：对更新的占优解集中的粒子进行动态约束调整。
经过纵横交叉变化之后的粒子很可能并不满足约束条件，其适应度可能非常小。为了提高运算速度，还可以再适当提高粒子的适应度，即可以在每次迭代过程中根据约束条件对其进行动态调整，以便满足功率平衡约束条件和出行约束条件。
由于功率平衡约束条件是各个调度对象的基础约束条件，而出行约束条件是对电动车充放电功率的重要约束条件，因此，作为一种优选实施例，在对粒子进行动态调整时，可以主要依据粒子对功率平衡约束条件和出行约束条件的违反量进行动态调整，其过程如图3所示，主要包括以下步骤：
步骤2081：获取更新的占优解集中的粒子。
步骤2082：判断调整次数是否小于预设的最大次数阈值，若是，进入步骤2083；若否，进入步骤2086。
步骤2083：计算粒子的动态调整违反量。
如上所述，粒子的动态调整违反量可以为粒子对功率平衡约束条件和出行约束条件的违反量之和，则其计算公式为
其中，μ为粒子的动态调整违反量。
步骤2084：判断粒子的动态调整违反量是否大于预设的违反量阈值，若是，进入步骤2085；若否，进入步骤2086。
当粒子的动态调整违反量小于预设的违反量阈值时，说明此时的动态调整违反量非常小，可以结束动态调整过程。
步骤2085：根据动态调整违反量对粒子进行调整；转入步骤2082。
在对粒子进行调整时，以使其动态调整违反量减小为调整标准。并且，由于电动车的出行约束条件是以调度周期为单位进行约束的，而功率平衡约束条件是以时段为约束条件的，因此，作为一种优选实施例，可以首先根据出行约束条件对粒子的电动车充放电功率进行调整，然后再根据功率平衡约束条件对其他的调度对象进行调整。
步骤2086：输出调整后的粒子，结束动态调整。
当然，在进行动态调整过程中还可以再综合考虑别的约束条件，例如火电机组的出力值约束条件和爬坡约束条件，即粒子对这两个约束条件的违反量也计入动态调整违反量中。并且，在对不满足出力值约束条件或者爬坡约束条件的粒子进行调整时，具体可以根据公式
进行调整。
当然，也可以不执行步骤208而直接进入步骤209，即不进行动态调整。本领域技术人员可以自行选择并设置，本申请实施例并不进行限定。
步骤209：判断是否满足迭代终止条件；若否，则转入步骤204，若是，则进入步骤210。
这里所说的迭代终止条件可以为迭代次数已经达到了预设次数，当然也可以为筛选保留的粒子的适应度达到了预设门限值，本申请实施例对此并不进行限定。若迭代终止条件不满足，则说明仍需再次返回迭代过程中，因此转入步骤204；若已经满足了迭代终止条件，则可以进入步骤210。
步骤210：输出更新的占优解集。
当经步骤209判断当前已经满足迭代条件时，即说明此时的占优解集中的粒子基本已经是可以取得较好目标效果的粒子，则可以输出占优解集中的粒子，以便进行调度安排。
此外，在每次迭代时，还可以将历次迭代前后的粒子都进行存储，并在每次判断是否满足迭代终止条件之前，对存储粒子的空间余量进行判断，若粒子的总数量尚未超出存储空间容量，则可以进入判断是否满足迭代终止条件的步骤；若粒子的总数量已超出存储空间容量，则对存储空间中的粒子按照适应度和拥挤距离进行筛选保留，然后再进入判断是否满足迭代终止条件的步骤。则在迭代结束之后，可以将所有粒子都输出，以便对占优解集的调度效果进行对比分析。
下面将结合具体实例对本申请所提供的电力系统调度方法进行介绍。
本申请实施例中的数学模型请参考上述实施例的相关内容，这里就不再赘述。其中，调度周期为24h，调度时段总数为t＝24，每个调度时段t的时长为δt＝1h。
设共有10个火电机组，即n＝10。各个火电机组的各个相关数据如表1和表2所示。其中，表1示出了各个火电机组的出力下限值pmin、上限值pmax、第一燃料费用系数ai、第二燃料费用系数bi、第三燃料费用系数ci、第一阀点效应系数di、第二阀点效应系数ei。表2示出了火电机组的第一、第二、第三、第四、第五污染排放系数αi、βi、γi、ξi、λi，以及相邻时段所允许的出力值的最大向上、向下调整率uri、dri。
表1
表2
各个火电机组在各时段内的电力负荷pl,t如表3所示。电力系统在t时段内的旋转备用容量需求rt的值为各时段内的电力负荷的10％。
表3
此外，电力系统能量传输过程中的网损系数矩阵为
设共有50000辆电动车参与电力系统调度，每辆车的储能电池的总容量为s＝24kw·h；储能电池的剩余电量的安全下限为smin＝20％s，安全上限为smax＝80％s；储能电池的充、放电效率系数均为ηc＝ηd＝85％；每百千米耗电量为δs＝15kw·h。
并且，设电动车在每个调度周期内的第8个时段内(07:00-08:00)行驶在上班路上，在第18个时段内(17:00-18:00)行驶在下班路上，在其余时段内可以根据调度安排灵活进行充/放电；同时，电动车在上/下班行驶过程中的行驶里程为l8＝l18＝25km；并且，车主在上班之前储能电池的剩余电量s7＝100％s。
设有1个并入电网中的风电机场，每个风电机场中有100个风电机组，即m＝10，lj＝10；j＝1,2,…,m；每个风电机组的额定功率为pr＝1.5mw；额定风速、切入风速和切出风速分别为vr＝15m/s、vci＝3m/s和vco＝25m/s。按照上述参数得到风电机组出力值如图4所示，图4中横坐标表示各个时段，纵坐标表示风电机组出力值。
在利用纵横交叉算法对上述数学模型进行求解时，本申请实施例中初始种群的粒子总数为100；迭代终止条件为“迭代次数等于8000”；所有粒子的存储容量为100；燃料费用惩罚系数为ppunish1＝100；污染排放量惩罚系数为ppunish2＝100；动态调整过程中的最大次数阈值为j＝20；违反量阈值为ε＝10-4。
分别用纵横交叉算法和nsga-ii算法求解本申请实施例中的具体问题，并将两者得到的经济最优解、环境最优解和最优折中解分别进行比较，如表3所示。
表3
从表3可以看出，本申请实施例所提供的电力系统调度方法得到的经济最优解、环境最优解和最优折中解均分别优于nsga-ii算法(带精英策略的非支配排序的遗传算法)得到的相关结果，能够实现更小的燃料费用消耗和污染排放目标。
将纵横交叉算法与nsga-ii算法所得到的所有粒子的目标函数值分别绘制在二维示意图中进行比较，得到纵横交叉算法与nsga-ii算法的多目标求解结果曲线图，如图5所示。在图5中，横坐标为污染排放量，纵坐标为燃料费用。
由图5可以明显看出，采用nsga-ii算法求得的解在前沿位置分布范围较窄，这是因为其继承了遗传算法早熟收敛的缺点；而相比于nsga-ii算法，本申请实施例求得的解在前沿位置分布更均匀、范围更广，能够确保所得到的解的多样性。更重要的是，本申请实施例求得的解的曲线明显位于nsga-ii算法求得的解的曲线的下方，即其污染排放量和燃料费用都较低，显然本申请实施例所提供的方法更为优良。根据以上内容可见，本申请所提供的电力系统调度方法的广泛的解空间和解的优良度，将十分有利于运行人员在进行电网调度时充分考虑各方面的因素，做出适合当前情况的最优调度决策，对经济效益与环境保护两大之间进行充分协调。
本申请中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！