一种基于改进遗传算法的含新能源电力系统经济调度优化方法与流程

本发明涉及含新能源电力系统经济调度，尤其是一种基于改进遗传算法的含新能源电力系统经济调度优化方法。

背景技术：

1、随着双碳目标的提出，新能源出力在电力系统中的占比逐渐增加，将形成以新能源出力为主，传统化石能源出力为辅的新型电力系统，新能源的广泛接入和迅速发展为环境改善等带来了很多益处，但是同时新能源出力的随机性和不确定性给传统的电力系统优化调度也带来不少挑战。

2、目前，针对含新能源电力系统经济调度常用的方法是随机规划和场景分析法对不确定的变量进行建模，模拟不确定性对电力系统运行的影响，但是随机规划方法是寻求目标函数期望值的最大或者最小的解集，会存在某场景下决策不合理的风险；有专家学者将随机规划和条件风险价值约束相结合，使对应场景的预期收益不低于指定的置信水平来降低系统风险，但是无论是随机规划还是场景分析法都需要确定性的概率曲线生成场景，都有可能导致模型不够准确，从而无法实现精准的优化调度。

3、针对以上问题，要灵活的调配新型电力系统中的新能源出力，进一步推动能源转型，促进高比例新能源接入电网，对含新能源电力系统进行经济调度变得尤为重要。

技术实现思路

1、为解决可再生能源和负荷的不确定性造成的运行成本增加问题，本发明的目的在于提供一种能够有效的降低运行成本的基于改进遗传算法的含新能源电力系统经济调度优化方法。

2、为实现上述目的，本发明采用了以下技术方案：一种基于改进遗传算法的含新能源电力系统经济调度优化方法，该方法包括下列顺序的步骤：

3、(1)构建目标电力系统的新能源出力经济性调度模型，计算净负荷曲线波动指标；

4、(2)通过新能源出力经济性调度模型得到新能源出力成本，以新能源出力成本最低为目标函数，净负荷曲线波动指标和储能设备性能为约束条件，构成背包问题优化模型；

5、(3)采用改进的遗传算法对背包问题优化模型进行求解，得到求解结果；

6、(4)根据求解结果分析得到含新能源电力系统经济调度的最优策略。

7、所述步骤(1)具体是指：构建风力发电模型以及风力发电的成本模型，风力发电机的输出功率pwt(t)即风力发电模型为：

8、

9、式中，v表示当前风速，vr表示额定风速，vci表示切入风速，vco表示切出风速，pr表示风力发电机的额定功率；

10、所述风力发电的成本模型为：

11、

12、式中，mwt、iwt、swt分别为风力发电的发电成本系数、投资成本系数、停机成本系数；cwt(t)为风力发电的成本；

13、构建光伏发电模型以及光伏发电的成本模型，光伏发电的输出功率ppv(t)即光伏发电模型为：

14、

15、式中：fpv表示光伏发电的功率因数，取值为0.9；prated表示额定功率，l(t)表示实际光照强度，lstc表示标准条件下的光照强度，取值为1000w/m2，αp表示功率温度系数，t(t)表示光伏表面温度，tstc表示标准测试温度，取值为25℃；

16、光伏发电的成本模型为：

17、

18、式中，mpv、ipv、spv分别为光伏发电的发电成本系数、投资成本系数、停机成本系数；cpv(t)为光伏发电的成本；

19、构建储能电池模型以及储能电池的成本模型，储能电池模型为：

20、

21、式中：ssoc(t)表示储能电池在t时刻的荷电状态，ηchr、ηdis表示储能电池的充电效率和放电效率，pchr(t)、pdis(t)分别表示储能电池在t时刻的充电功率、放电功率，e表示储能电池的额定容量；

22、储能电池的成本模型为：

23、

24、式中，ce、ca、cp、cf分别为储能电池的单位能量成本系数、辅助设施成本系数、能量转换成本系数、运维成本系数；η为储能电池的充放电效率，csoc(t)为储能电池的成本；

25、所述风力发电模型以及风力发电的成本模型、光伏发电模型以及光伏发电的成本模型、储能电池模型以及储能电池的成本模型共同组成新能源出力经济性调度模型；

26、计算净负荷曲线波动指标，采取皮尔逊相关系数pc来描述净负荷曲线波动程度，pc的取值在[0.6,1]时，净负荷曲线波动程度较低；将一个标准日的新能源发电预测功率按照调度周期t来划分为调度序列pn＝{pn1,pn2,…,pnt}，其中pn包含风力、光伏及储能电池出力，负载序列记为pl＝{pl1,pl2,…,plt}，pc的计算公式如下：

27、

28、式中，分别为一个调度周期t内所有新能源出力功率、负载功率的平均值；当pc的取值范围在[0.6,1]，此时的净负载曲线的波动程度较低。

29、在步骤(2)中，所述以新能源出力成本最低为目标函数是指：

30、

31、所述净负荷曲线波动指标约束为：

32、0.6≤pc≤1

33、所述储能设备性能约束为：

34、pmin≤pchr(t)≤pmax

35、pmin≤pdis(t)≤pmax

36、smin≤ssoc(t)≤smax

37、式中，xi∈{0,1}，i∈[1,2,…,n]，n为发电机组的数量，xi＝0时表示在t时刻第i个发电机组停止运行，xi＝1时表示在t时刻第i个发电机组运行，pmin、pmax、smin、smax分别表示储能电池的最小充放电量、最大充放电量、最小容量状态、最大容量状态；pc为净负荷曲线波动程度，cwt(t)为风力发电的成本；cpv(t)为光伏发电的成本；csoc(t)为储能电池的成本；ssoc(t)表示储能电池在t时刻的荷电状态，pchr(t)、pdis(t)分别表示储能电池在t时刻的充电功率、放电功率；c为新能源出力成本。

38、所述步骤(3)具体包括以下步骤：

39、(3a)初始化各物品的重量wi、物品的价值vi、背包的最大容量cb和迭代次数r，对物品进行二进制编码，生成初始化种群，形成第一代种群；

40、(3b)以步骤(2)中的新能源出力成本最低的目标函数作为改进的遗传算法的适应度函数，计算第一代种群的适应度，并进行选择、交叉、变异操作，形成新一代种群；

41、(3c)对新一代种群中的个体开展局部范围内的更新，对新一代种群中的个体随机进行一维扰动，即对个体染色体随机选择一位进行翻转，若新解的适应度高于旧解，则新解替代旧解，反之则不替代，然后对不可行解采用混合贪婪修复算子进行操作：

42、(3c1)首先按照价值密度对物品进行降序形成hd，按照价值进行降序形成hv，生成选择概率p和不可行解个体x；

43、(3c2)然后对hd中的个物品进行遍历，如果当前背包内的物品总重量大于背包重量，则将遍历到的物品移除背包，直至hd中的物品的重量小于背包容量，使得不可行解个体x变为可行解个体x'；

44、(3c3)设置随机数q∈[0,1]，如果q＜p，则对hd中的物品进行遍历，如果当前背包内物品总重量小于背包容量，且遍历到的物品未加入背包，则将该物品加入背包；

45、(3c4)如果q＞p，则对hv中的物品进行遍历，如果当前背包内物品总重量小于背包容量，且遍历到物品未加入背包，则将该物品加入背包；

46、(3d)最后从步骤(3c2)循环，直至达到迭代次数r，结束改进的遗传算法，得到求解结果并输出。

47、由上述技术方案可知，本发明的有益效果为：第一，本发明可以有效的降低运行成本；第二，本发明可以有利于调度员在运行成本和运行风险之间进行合理选择；第三，本发明有利于电网投资商在规划储能提供参考。