一种基于头脑风暴的火电厂经济环境调度方法

摘要

本发明公开了一种基于头脑风暴的火电厂经济环境调度方法，步骤包括：步骤1、确定火电厂环境经济调度问题的数学模型；步骤2、获取模型中的各类参数；步骤3、获得环境经济调度问题的初始可行调度集合；步骤4、对可行调度集合进行评价；步骤5、对可行调度进行更新；步骤6、判断整个可行调度是否更新完成；步骤7、对外部归档集中的非劣调度解集进行更新；步骤8、进行迭代输出最终的可行调度方案，即成。本发明的方法，将火电厂作为供电系统，利用对电力系统及火电厂数据的收集分析，结合基于聚类和变异思想的头脑风暴优化算法，实现对综合环境保护需求的火电厂经济调度问题的求解。

说明书

技术领域

本发明属于智能控制技术领域，涉及一种基于头脑风暴的火电厂经济环境调度方法。 

背景技术

火力发电是目前电力供应的主力军，由于火电厂排放大量的硫氧化物、氮氧化物以及二氧化碳等有害气体，不仅直接污染了大气环境，而且导致了温室效应，因此，综合考虑环境保护和经济效益的电力系统环境经济调度问题的研究，不仅具有重要的理论意义，而且是能源和电力可持续发展战略的最现实选择。如果考虑污染排放量，原来的单目标优化问题就会变为多目标优化问题，不仅增加了问题的复杂度，也给调度的实施带来了困难和挑战。因为在电力系统环境经济调度问题中，各目标之间是相互冲突的，因此制定合理的调度计划是目前研究的重点。 

头脑风暴法是1939年美国创造学家A.F奥斯本首次提出的，又称智力激励法，是产生新观念或激发创新设想的一种激发性思维的方法，即大家围绕一个特定的兴趣领域产生新观念，这种情景叫做头脑风暴。利用头脑风暴会议中自由、不受约束和积极乐观的特点，2011年史玉回老师在第二次群智能国际会议(The Second International Conference on Swarm Intelligence，简称ICSI11)中提出一种新的群智能优化算法——头脑风暴优化算法(Brain Storm Optimization Algorithm，简称BSO)。 

发明内容

本发明的目的是提供一种基于头脑风暴的火电厂经济环境调度方法，解决现有调度方法在电网的经济效益与环境效益之间难以调节，不易取得最佳效益的问题。 

本发明所采用的技术方案是：一种基于头脑风暴的火电厂经济环境调度方法，按照以下步骤实施： 

步骤1、确定火电厂环境经济调度问题的数学模型 

设置环境经济调度问题的数学模型为： 

$\min [\underset{i=1}{\overset{N_G}{\Sigma }}{F}_i\left(P_i\right),\underset{i=1}{\overset{N_G}{\Sigma }}{E}_i\left(P_i\right)],---\left(1\right)$

其中，N_G为系统内发电机总数，i表示第i台发电机，i＝1,2,...,N_G；P_i表示第i台发电机的有功功率；F_i(P_i)表示某一时刻火电厂发电燃料总耗量即燃料总费用，计算表达式为： 

$F_i\left(P_i\right)=a_i+b_i{P}_i+c_i{p}_i^2,---\left(2\right)$

a_i、b_i、c_i均为系统参数，分别表示第i台发电机组耗量特性的常数项、一次项系数和二次项系数，在系统中是已知参数； 

E_i(P_i)表示第i台发电机的污染排放量，其计算表达式为： 

E_i(P_i)＝α_i+β_iP_i+γ_iP_i²+ξ_iexp(λ_iP_i)，     (3) 

其中的α_i、β_i、γ_i、ξ_i、λ_i均为系统参数，α_i、β_i、γ_i分别表示第i台发电机组污染排放量特性的常数项、一次项系数和二次项系数，ξ_i、λ_i表示指数项的相关参数，环境经济调度优化过程中所受到的约束条件有： 

约束条件1：机组发电容量的不等式约束： 

P_i^min＜P_i＜P_i^max，         (4) 

其中，P_i^min、P_i^max分别为第i台火力发电机的最小和最大有功功率输出； 

约束条件2：平衡等式约束，即系统各发电机组发电功率之和应等于负载总的需求功率与网络损耗之和： 

$P_D+P_{\mathrm{loss}}-\underset{i=1}{\overset{N_G}{\Sigma }}{P}_i=0,---\left(5\right)$

式(5)中，为某一时刻火电总功率；P_D为该时刻系统负荷需求；P_Loss表示为t时刻电网中有功网损，有功网损的获取采用B系数法，其公式为： 

$P_{\mathrm{loss}}=\underset{i=1}{\overset{N_G}{\Sigma }}\underset{j=1}{\overset{N_G}{\Sigma }}{P}_i{B}_{\mathrm{ij}}{P}_j+\underset{i=1}{\overset{N_G}{\Sigma }}{B}_{0i}{P}_i+B_{00},---\left(6\right)$

其中B_ij、B_0i、B₀₀为B系数； 

步骤2、获取模型中的各类参数； 

步骤3、获得环境经济调度问题的初始可行调度集合 

在上述模型中，需要确定决策变量为N_G个机组的有功功率的最优值，产生可行调度集合； 

步骤4、对可行调度集合进行评价 

将步骤3产生的N个可行调度集合分别代入目标函数式(2)和式(3)，分别对每个可行调度进行环境和经济效益的评价，由于每个可行调度均对应两个目标函数，因此需要对N个可行调度进行非劣解排序，将互不支配的可行调度序列保存在一个外部集合中，称之为外部归档集； 

步骤5、对可行调度进行更新 

在更新之前，需要设置迭代次数初值t＝0，及其最大迭代次数T_max； 

首先随机的选取m个不同的可行调度作为m个类的类中心，根据其他所 有可行调度的有功功率到各个类中心的欧式距离对N个可行调度进行聚类，用于模拟头脑风暴过程中思路的形成过程；将含有非劣解的类定义为精英类，无非劣解的类定义为普通类，并在聚类得到的新信息的基础上，通过选择操作和变异操作对每个可行调度发电机组的有功功率进行迭代更新； 

步骤6、判断整个可行调度是否更新完成 

如果i＝N，则表明N个可行调度已更新完，则进入步骤7；否则返回步骤5； 

步骤7、对外部归档集中的非劣调度解集进行更新 

将每一次比较经济效益和污染排放量所获得的非劣可行调度存储在外部归档集中； 

步骤8、进行迭代输出最终的可行调度方案 

判断迭代次数t是否达到最大值T_max，若否，设置迭代次数t＝t+1，转到步骤4；若是，输出当前的非劣解集中的可行调度，即成。 

本发明的有益效果是，将火电厂作为供电系统，利用对电力系统及火电厂数据的收集分析，结合基于聚类和变异思想的头脑风暴优化算法，实现对综合环境保护需求的火电厂经济调度问题的求解。通过调整火电厂各发电机组的出力，在满足生产平衡及各机组出力约束等条件下，合理安排各时段各火电机组的发电量，为电力系统的运行与控制提供多种可行方案，决策者可根据不同的要求从中确定最终的方案，使得该控制周期内的污染排放量和经济效益达到综合最优。 

本发明方法的优点具体包括： 

第一，在实时性方面，具有良好的全局收敛性能和较快的收敛速度，实现简单，将其用于求解电力系统环境经济负荷分配问题，能有效实现电网的 实时快速调度。 

第二，在实用性方面，在电力市场条件下，电力调度中心根据各火电厂的煤耗量特性、污染气体排放特性及报价等指标，考虑相互协调的各个发电厂组合，统一考虑能源、环保、市场各方利益下的统筹规划发电量。这样做对电厂发电方而言，可以节约成本提高效益；对大众用户方而言，除了得到满意的电量，还能够保护环境、节约能源，达到多方面因素综合考虑的效果。比单纯依据各电厂竞价上网更加符合可持续发展战略，也比单纯地以节约能源来进行统筹安排的优化调度更符合电力系统市场化的要求。 

具体实施方式

下面结合具体实施方式对本发明进行详细说明。 

本发明的基于头脑风暴的火电厂经济环境调度方法，按照以下步骤实施： 

步骤1、确定火电厂环境经济调度问题的数学模型 

该火电厂环境经济调度问题为明显的两目标优化问题，设置环境经济调度问题的数学模型为： 

$\min [\underset{i=1}{\overset{N_G}{\Sigma }}{F}_i\left(P_i\right),\underset{i=1}{\overset{N_G}{\Sigma }}{E}_i\left(P_i\right)],---\left(1\right)$

其中，N_G为系统内发电机总数，i表示第i台发电机，i＝1,2,...,N_G；P_i表示第i台发电机的有功功率；F_i(P_i)表示某一时刻火电厂发电燃料总耗量即燃料总费用，计算表达式为： 

$F_i\left(P_i\right)=a_i+b_i{p}_i+c_i{p}_i^2,---\left(2\right)$

F_i(P_i)同时也体现了第i台发电机的燃料耗量特性，即有发电消耗燃料所产生的费用，并以市场发电燃料单位价格为基础，a_i、b_i、c_i均为系统参数， 分别表示第i台发电机组耗量特性的常数项、一次项系数和二次项系数，在系统中是已知参数； 

E_i(P_i)表示第i台发电机的污染排放量，其计算表达式为： 

E_i(P_i)＝α_i+β_iP_i+γ_iP_i²+ξ_iexp(λ_iP_i)，      (3) 

其中的α_i、β_i、γ_i、ξ_i、λ_i均为系统参数，α_i、β_i、γ_i分别表示第i台发电机组污染排放量特性的常数项、一次项系数和二次项系数，ξ_i、λ_i表示指数项的相关参数，对具体系统而言为常值。 

环境经济调度优化过程中所受到的约束条件有： 

约束条件1：机组发电容量的不等式约束： 

P_i^min＜P_i＜P_i^max，          (4) 

其中，P_i^min、P_i^max分别为第i台火力发电机的最小和最大有功功率输出； 

约束条件2：平衡等式约束，即系统各发电机组发电功率之和应等于负载总的需求功率与网络损耗之和： 

$P_D+P_{\mathrm{loss}}-\underset{i=1}{\overset{N_G}{\Sigma }}{P}_i=0,---\left(5\right)$

式(5)中，为某一时刻火电总功率；P_D为该时刻系统负荷需求；P_Loss表示为t时刻电网中有功网损，有功网损的获取采用B系数法，其公式为： 

$P_{\mathrm{loss}}=\underset{i=1}{\overset{N_G}{\Sigma }}\underset{j=1}{\overset{N_G}{\Sigma }}{P}_i{B}_{\mathrm{ij}}{P}_j+\underset{i=1}{\overset{N_G}{\Sigma }}{B}_{0i}{P}_i+B_{00},---\left(6\right)$

其中B_ij、B_0i、B₀₀均为B系数，分别根据机组的性质得到，是已知参数。 

步骤2、获取模型中的各类参数 

根据电网负荷曲线确定电网的负荷低谷与负荷高峰时段，确定各时段负荷分配的功率需求P_i^min、P_i^max； 

从电网调度中心统计数据获取当前时刻系统的数据，主要包括系统总负荷P_D、总网损P_Loss的参数值B_ij、B_0i、B₀₀； 

机组的运行性能参数主要包括运行时的煤耗量、烟尘及二氧化碳等有害气体的排放量，根据烟尘排放定价、减排定价、二氧化碳排放许可价格得到污染排放量的参数数据α_i、β_i、γ_i、ξ_i、λ_i； 

根据电力系统辅助服务定价、单位电能生产中的煤耗定价、获得原煤价格、柴油价格火电机组运行时发电成本，得到燃料总费用的参数a_i、b_i、c_i。 

步骤3、获得环境经济调度问题的初始可行调度集合 

在上述模型中，需要确定决策变量为N_G个机组的有功功率 的最优值。 

本发明基于现有的群智能优化算法和头脑风暴优化算法，创新出一种新的群智能-头脑风暴优化算法，通过聚类和变异两类操作实现可行调度的不断更新，运行简单、容易实现，在解决电力系统等多目标问题中，效果显著。 

在本步骤中，主要产生可行调度集合，具体产生方式如下： 

step1：对前N_G-1个发电机组，在满足最大发电有功功率和最小发电有功功率的范围内，随机产生每个机组前N_G-1个发电机组的有功功率P_i(i＝1,2,...,N_G-1)； 

step2：根据等式约束计算第N_G个机组的有功功率； 

step3：计算网络损耗P_Loss； 

step4：考虑网络损耗P_Loss，根据式计算出符合等式约束条件的每个机组最后一维的有功功率P_D； 

step5：判断最后第N_G个机组是否满足容量约束的条件，若不满足，则 重新执行step1到step4步，否则保留产生的可行调度； 

按照同样的过程产生N个可行调度集合。 

步骤4、对可行调度集合进行评价 

将步骤3产生的N个可行调度集合分别代入目标函数式(2)和式(3)，分别对每个可行调度进行环境和经济效益的评价，由于每个可行调度均对应两个目标函数，因此需要对N个可行调度进行非劣解排序，将互不支配的可行调度序列保存在一个外部集合中，称之为外部归档集； 

步骤5、对可行调度进行更新 

从步骤5开始采用头脑风暴的优化思路对可行调度进行更新。在更新之前，需要设置迭代次数初值t＝0，及其最大迭代次数T_max； 

首先随机的选取m个不同的可行调度作为m个类的类中心，根据其他所有可行调度的有功功率到各个类中心的欧式距离对N个可行调度进行聚类，用于模拟头脑风暴过程中思路的形成过程；将含有非劣解的类定义为精英类，无非劣解的类定义为普通类，并在聚类得到的新信息的基础上，通过选择操作和变异操作对每个可行调度发电机组的有功功率进行迭代更新，该更新方式是本发明最重要的创新点。具体实现过程如下所示： 

5.1)选择操作 

在第t次迭代中，对于当前的任意一个可行调度，根据下面的头脑风暴算法特有的选择机制选择出要更新的可行调度。 

具体地说，对于第i个父代可行调度，产生一个随机值0-1之间的随机数rand1， 

若rand1小于概率P1，则选择当前的类中可行调度进行更新；具体地说，产生一个随机数rand2，若rand2小于概率P2，则选择一个类中心或者类内 的可行调度作为更新对象， 

当产生的随机数小于P3时，选择一个精英类中心或者类内的可行调度；否则选择普通类中心或者类内的可行调度； 

若rand2大于等于概率P2，则随机选择两个类来产生新可行调度的有功功率；具体地说，产生一个随机值，如果随机数小于概率P4，将选择好的两个类中的聚类中心进行线性组合；否则，从选择的两个类中随机选择的两个可行调度的有功功率进行线性组合； 

否则，以1-P1的概率从归档集中选出要变异的可行调度的有功功率。 

上述的P1、P2、P3、P4均为头脑风暴算法中自带的概率参数，选择0-1之间的确定数； 

5.2)变异操作 

5.2.1)将选择操作得到的第j个可行调度前t次迭代历史调度中从1到N_G-1随机选择第i个机组的有功功率作为则第j个可行调度中第i个机组第t+1次的有功功率的迭代公式如下： 

$P_{{\mathrm{idx}\_\mathrm{popu}}_{\mathrm{ji}}}(t+1)=\left(\begin{array}{cc}\mathrm{random}({P_i}^{\min },{P_i}^{\max })& \mathrm{rand}\left(\mathrm{0,1}\right)<0.05\\ P_{{\mathrm{idx}\_\mathrm{popu}}_{\mathrm{ji}}}\left(t\right)+\mathrm{rand}\left(\mathrm{0,1}\right)\times (P_{{\mathrm{best}1}_{\mathrm{ji}}}\left(t\right)-P_{{\mathrm{best}2}_{\mathrm{ji}}}\left(t\right))& \mathrm{otherwise}\end{array}\right),---\left(7\right)$

在式(7)中，和是第t次迭代归档集中的第i个可行调度的第j个机组的有功功率，若归档集中的可行调度数小于2，则在当前代随机选择两个可行调度的有功功率；根据式(7)产生新可行调度的前N_G-1维，并检验其是否越界，若是，则为上下界；否则，按功率平衡约束确定每个可行调度有功功率的最后一维，保证每个可行调度有功功率的每一维在其界定范围内； 

5.2.2)计算第i个子代新产生的可行调度的目标函数值，将子代与父代进行非劣比较，根据支配关系保留更好的可行调度； 

通过以上的迭代公式，每个发电机组的变化率和发电机组的发电有功功率将不断更新，这样便于寻找出综合环境因素下N个更符合目标函数的发电机组发电功率的可行调度集合。 

本步骤的创新点主要在于：通过对所有可行调度进行聚类操作，根据有无非劣解分为精英类和非精英类，在可行调度的更新过程中引入归档集中的较优目标所对应的发电机组有功功率和该创新点的引入使可行调度的飞行更具有方向性，使得调度方法有了更强的探索能力，增强了其优化能力。 

步骤6、判断整个可行调度是否更新完成 

如果i＝N，则表明N个可行调度已更新完，则进入步骤7；否则返回步骤5； 

步骤7、对外部归档集中的非劣调度解集进行更新 

利用对电力系统中相关信息的抽取、分析结合聚类思想综合头脑风暴算法的方法，来实现调度序列的优化；由于目标为经济效益和污染排放同时最优，因此将每一次比较经济效益和污染排放量所获得的非劣可行调度存储在外部归档集中， 

外部归档集除了对种群中的非支配调度外的更新外，还采用拥挤距离法来进行维护，具体方法为：把种群中的非支配可行调度的有功功率逐一放入外部归档集中，如果该可行调度的有功功率被外部归档集中的可行调度的有功功率支配，则该可行调度的有功功率从归档集中删除，否则该可行调度的有功功率加入归档集；如果归档集中的可行调度的有功功率个数小于最大容 量，则不进行删除操作，否则计算当前归档集中所有可行调度的有功功率的拥挤距离，删除拥挤距离最小的那个可行调度的有功功率使归档集中的可行调度始终保持在小于等于最大容量的数目上。 

本步骤的创新点主要在于：此方法不同于NSGA-II等将种群中产生的所有非支配可行调度和外部归档集中的所有非劣调度解按拥挤距离从大到小进行排序，再选择拥挤距离大的可行调度进入下一代，有利于可行调度解的分布更加均匀。 

步骤8、进行迭代输出最终的可行调度方案 

判断迭代次数t是否达到最大值T_max，若否，设置迭代次数t＝t+1，转到步骤4；若是，输出当前的非劣解集中的可行调度，即成。 

实施例 

以某火电厂6机组电力系统环境经济调度问题为例，对本发明方法的实施过程中涉及的参数设置进行说明。 

设定步骤1和步骤2中的各项参数：该环境经济调度问题的数学模型如式(1)-式(7)所示，其中式(2)中的第i台发电机组燃料耗量特性的常数项、一次项和二次项系数矩阵均为系统的固定值，分别为： 

a_i＝[10 10 20 10 20 10] 

b_i＝[200 150 180 100 180 150] 

c_i＝[100 120 40 60 40 100] 

式(3)中的第i台发电机组污染排放量特性的常数项、一次项和二次项系数矩阵指数项的相关系数均由系统的固定值，分别为： 

α_i＝[4.091 2.543 4.258 5.326 4.258 6.131] 

β_i＝[-5.554 -6.047 -5.094 -3.55 -5.094 -5.555] 

γ_i＝[6.49 5.638 4.586 3.38 4.586 5.151] 

ξ_i＝[0.0002 0.005 0.000001 0.002 0.000001 0.00001] 

λ_i＝[2.857 3.333 8 2 8 6.667] 

式(5)中的发电机承担的总负荷P_D＝2.834MW， 

式(6)中计算网损的B系数为已有固定值，具体如下： 

$B_{\mathrm{ij}}=\left(\begin{array}{cccccc}0.0218& 0.0107& -0.00036& -0.0011& 0.00055& 0.0033\\ 0.0107& 0.01704& -0.0001& -0.00179& 0.00026& 0.0028\\ -0.0004& -0.0002& 0.02459& -0.01328& -0.0118& -0.0079\\ -0.0011& -0.00179& -0.01328& 0.0265& 0.0098& 0.0045\\ 0.00055& 0.00026& -0.0118& 0.0098& 0.0216& -0.0001\\ 0.0033& 0.0028& -0.00792& 0.0045& -0.00012& 0.02978\end{array}\right);$

B_0i＝[0.010731 1.7704 -4.0645 3.8453 1.3832 5.5503]×e-03； 

B₀₀＝0.0014； 

在步骤三中，机组N_G＝6为系统固定值，初始的可行调度数N根据经验选择100，最大迭代次数根据经验选择T_max＝1000； 

步骤五中的四个概率参数的依据经验分别取值为：P1＝0.8，P2＝0.4P3＝0.2P4＝0.2。 

经过基于头脑风暴思路的寻优和迭代过程，本发明方法在较短的时间内就能够得到各机组的负荷分配方案，该寻优过程对系统的目标函数和约束条件没有任何限制，不依赖于数学模型，具有很好的通用性。与其他算法相比较，本发明寻优过程实现简单，容易操作，有良好的全局收敛性能和较快的收敛速度。 

总之，本发明的调度方法，针对综合环境保护和经济效益的双重因素，提出利用基于知识抽取的聚类多目标头脑风暴优化算法，以用电的高峰与低谷存在调度的约束，能够更加切实反映系统的运行要求，实现对火电厂的环境经济调度。