一种基于人工智能的电力调度方法及系统与流程

本发明涉及电力调度领域，尤其涉及一种基于人工智能的电力调度方法及系统。

背景技术：

1、人工智能与电力工业融合是能源行业“新基建”的时代核心之一，更是电力企业智能化产业升级的重大需求。目前传统电力企业积累了丰富的数据资源，但是面临着数据种类多、结构复杂、行业知识联系不紧密、业务场景关联少等问题。人工智能算法可以将数据进行专业化融合以及精准挖掘，因此亟需开展大数据人工智能技术在电力领域的创新研究，研制面向电力领域生产自动决断平台，形成基于不同模型下的电力数据体的流水线式汇聚、集成、处理与融合的集成框架，融合基于大数据和人工智能的多场景生产调控预测技术，实现电力工业的数字化、智能化转型以及电力企业的降本增效。

技术实现思路

1、为了解决上述问题，本发明的目的在于提供一种基于人工智能的电力调度方法及系统，可以实现电力供应的成本最小化，同时提高电力系统的可靠性，确保电力负荷平衡和供应的稳定性。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于人工智能的电力调度方法，包括以下步骤：

4、将电力调度问题建模为一个多目标优化问题，目标函数包括电力供应成本、电力系统的可靠性，并将电力系统的各种约束条件加入到模型中，得到初始多目标优化模型；

5、引入环境影响和可再生能源利用作为约束条件，调整初始多目标优化模型得到最终的多目标优化模型；

6、采用moea/d对最终的多目标优化模型进行求解，获取最优解，最后将最优解转化为实际的控制指令，控制电力系统的运行状态。

7、在本实施例中，所述目标函数包括：

8、(1)电力供应成本：目标是最小化电力供应成本，采用以下公式计算：

9、c＝∑(p×cp)

10、其中，p为电力负荷，cp为电力价格；

11、(2)电力系统的可靠性：目标是最大化电力系统的可靠性，采用以下公式计算：

12、r＝1-∑(1-ri)

13、其中，ri为第i个电力机组的可靠性。

14、在本实施例中，所述约束条件包括：

15、电力负荷平衡约束：电力系统中的总负荷需求应该与发电机的总出力保持平衡，表示为：

16、∑p_li＝∑p_gi

17、其中，∑p_li表示所有负荷节点的负荷需求之和，∑p_gi表示所有发电机的出力之和；

18、发电机出力限制约束：

19、p_gi_min≤p_gi≤p_gi_max

20、其中，p_gi_min和p_gi_max分别表示发电机gi的最小和最大出力；

21、输电线路容量限制约束：

22、|p_ij|≤p_ij_max

23、其中，p_ij表示输电线路ij的功率流的绝对值，p_ij_max表示线路ij的最大容量；

24、电压约束：

25、v_min≤v≤v_max

26、其中，v_min和v_max分别表示最小和最大允许的电压值；

27、频率约束：

28、f_min≤f≤f_max

29、其中，f_min和f_max分别表示最小和最大允许的频率值；

30、线路容量约束：

31、p_ij≤p_ij_max

32、其中，p_ij表示输电线路ij的功率流，p_ij_max表示线路ij的最大容量。

33、在本实施例中，所述引入环境影响和可再生能源利用作为约束条件，具体为：

34、环境影响约束：emissions≤e_max；

35、可再生能源利用约束：renewableutilization≥r_min

36、其中e_max表示排放量的限制值，r_min表示可再生能源利用的最小比例。

37、在本实施例中，所述采用moea/d对最终的多目标优化模型进行求解，具体为：

38、(1)随机生成一组初始解作为种群的个体；

39、(2)基于拉丁超立方体确定一组参考点，用于将多目标优化问题转化为多个单目标优化问题；

40、(3)对每个个体，计算其与参考点之间的适应度值；

41、(4)对于每个个体，根据其适应度值和邻居解集的情况，更新其邻居解集；

42、(5)通过单点交叉操作，将父代个体的基因信息进行交换和组合，生成新的子代个体；

43、(6)对子代个体进行变异操作，以引入新的基因信息；

44、(7)对新生成的子代个体，重新计算适应度值；

45、(8)根据子代个体的适应度值，更新参考点的位置；；

46、(9)重复执行步骤4到8，直到达到停止条件；

47、(10)从最终的种群中选择一组非支配解作为最终的解。

48、在本实施例中，所述适应度计算，具体为：

49、有m个目标函数f1,f2,...,fm，以及一个参考点z＝(z1,z2,...,zm)；对于每个个体i，其适应度值f(i)通过以下公式计算：

50、f(i)＝max{wi*|f1(i)-z1|,wi*|f2(i)-z2|,...,wi*|fm(i)-zm|}

51、其中，wi是一个权重向量，用于平衡各个目标函数的重要性。

52、一种基于人工智能的电力调度系统，包括

53、数据采集模块用于采集电力系统中的各种数据；

54、数据处理模块用于对采集到的数据进行处理和分析，提取特征，并将数据转换为统一格式；

55、模型构建模块，将电力调度问题建模为一个多目标优化问题，目标函数包括电力供应成本、电力系统的可靠性，并将电力系统的各种约束条件加入到模型中，得到初始多目标优化模型；引入环境影响和可再生能源利用作为约束条件，调整初始多目标优化模型得到最终的多目标优化模型；

56、优化模块，采用优化算法对多目标优化模型进行求解，获取优化调度方案；

57、控制模块：将优化调度方案转化为实际的控制指令，控制电力系统的运行状态。

58、本发明具有如下有益效果：

59、1、本发明将环境影响和可再生能源利用作为约束条件引入多目标优化模型，可以使优化结果更加符合可持续发展和环境保护的要求，提高电力系统的可持续性和整体效益

60、2、本发明针对将环境影响和可再生能源利用作为约束条件引入多目标优化模型后导致的模型复杂度高的问题，采用moea/d算法对最终的多目标优化模型进行求解，能够提高求解效率、生成高质量的非支配解集。

技术特征：

1.一种基于人工智能的电力调度方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于人工智能的电力调度方法，其特征在于，所述目标函数包括：

3.根据权利要求1所述的基于人工智能的电力调度方法，其特征在于，所述约束条件包括：

4.根据权利要求1所述的基于人工智能的电力调度方法，其特征在于，所述引入环境影响和可再生能源利用作为约束条件，具体为：

5.一种用于权利要求1-6任一所述基于人工智能的电力调度方法的系统，其特征在于，包括

技术总结
本发明涉及一种基于人工智能的电力调度方法，包括以下步骤：将电力调度问题建模为一个多目标优化问题，目标函数包括电力供应成本、电力系统的可靠性，并将电力系统的各种约束条件加入到模型中，得到初始多目标优化模型；引入环境影响和可再生能源利用作为约束条件，调整初始多目标优化模型得到最终的多目标优化模型；采用MOEA/D对最终的多目标优化模型进行求解，获取最优解，并将最优解转化为实际的控制指令，控制电力系统的运行状态。本发明可以实现电力供应的成本最小化，同时提高电力系统的可靠性，确保电力负荷平衡和供应的稳定性。

技术研发人员：罗义旺,王金发,陈智鹏,邹枫,吴国猛,陈婷,王川江,陈坤庆,陈锋,林国强,林明昊
受保护的技术使用者：国网信通亿力科技有限责任公司
技术研发日：
技术公布日：2024/1/25