一种高维度电力系统环境经济调度方法及系统

摘要

本公开属于电力系统技术领域，具体涉及一种高维度电力系统环境经济调度方法及系统，包括：获取电力系统运行参数，构建电力系统环境经济调度多目标优化模型；计算所构建多目标优化模型的优化目标值，构建数据驱动代理模型；采用改进的快速非支配遗传算法求解所述数据驱动代理模型，通过隶属度函数获取所求解模型的全局最优解，完成电力系统环境经济的优化调度。

说明书

技术领域

本公开属于电力系统技术领域，具体涉及一种高维度电力系统环境经济调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

经济运行及调度问题对电力企业的发展有着深远的影响，当前电网规模日益扩大，环境污染日益严重，如何在保障供电质量不受影响的前提下，兼顾环境与经济效益是非常值得研究的重大技术难题，也是促进电力企业节能减排的关键内容。通常负荷预测人员对某时段用电需求进行预测后，调度将对供电起决定性的作用，这将涉及到负荷平衡问题、网络损耗问题、环境问题和经济效益问题。如何在保障供电需求的前提下，降低网损、减少环境污染、增加电力企业效益是值得重点研究的问题。目前，该问题已经得到了初步研究，其主要研究思路是：(1)同时考虑火电机组的发电成本和污染气体排放问题，(2)考虑发电、调度过程中不同约束条件，(3)在满足调度时间要求的基础上选择合适的算法进行分析求解。

绝大多数研究方法对于研究思路(1)的处理都是大同小异，主要区别在于对(2)和(3)的处理上。已有方法多数只考虑了发电机有功约束和负荷平衡问题，同时对线路网损都采用近似计算方法，使得实际负荷平衡问题受到影响；同时，没有考虑实际电网的运行情况，对于电力系统实时潮流没有进行计算，这将导致理论与实践脱节；在算法的应用上，权重和方法是应用最广泛的一种方法，但是，该方法有两个严重缺点，其一是只能针对凸的帕累托最优前沿进行操作，然而，电力系统的最优化环境经济调度模型是一个非线性、非凸的数学模型，显然权重和方法已经不能再适用，其二是程序运行一次只能得到一个最优解，如果帕累托前沿有100个非支配解，则程序需要执行100次。

据发明人了解，近年来主要通过智能算法进行优化计算，典型的有非支配排序遗传算法(Nondominated Sorting Genetic Algorithm，NSGA)和粒子群优化算法(ParticleSwarm Optimization，PSO)，但是，对于遗传算法，当其种群多样度急剧下降时，对于粒子群算法，当粒子陷入局部最优时，它们都将遭遇早熟收敛问题。

发明内容

为了解决上述问题，本公开提出了一种高维度电力系统环境经济调度方法及系统，基于数据驱动代理模型和改进快速非支配排序遗传算法(Kriging-based FastNondominated Sorting Genetic Algorithm-II，K-NSGA-II)，基于所获取的任意结构的电网实际参数，以同时最小化发电成本和最小化环境污染为目标，考虑实际电网运行潮流，利用数据驱动克里金模型替换原有的使用数学函数描述的发电成本模型和环境污染模型，基于数据驱动克里金模型改良的快速非支配排序遗传算法得到一组非支配解集，形成“发电成本—环境污染”两个优化目标的帕累托最优前沿，再使用隶属度函数法得到一组本时段的最优化调度决策依据；提高了优化算法的收敛速度和准确性，有效减少了电力系统调度的操作时间。

根据一些实施例，本公开的第一方案提供了一种高维度电力系统环境经济调度方法，采用如下技术方案：

一种高维度电力系统环境经济调度方法，包括：

获取电力系统运行参数，构建电力系统环境经济调度多目标优化模型；

计算所构建多目标优化模型的优化目标值，构建数据驱动代理模型；

采用改进的快速非支配遗传算法求解所述数据驱动代理模型，通过隶属度函数获取所求解模型的全局最优解，完成电力系统环境经济的优化调度。

作为进一步的技术限定，所获取的电力系统运行参数包括：节点参数；调度时段内有功负荷和无功负荷；节点电压幅值、相角，以及该节点所能承受的最大、最小电压；发电机节点输出的有功、无功，以及该节点所能承受输出的最大、最小有功无功功率；每台发电机允许输出的最大有功、无功功率；以及包括支路电阻、电抗、电纳标幺值，长/短距离输电支路所允许的容量，以及该支路所允许的最大、最小相位角度在内的支路参数。

作为进一步的技术限定，所述电力系统环境经济调度多目标优化模型的目标函数包括污染气体排放量和燃料成本。

作为进一步的技术限定，所述电力系统环境经济调度多目标优化模型的约束条件包括发电机有功约束、无功上下限约束、功率平衡约束、节点电压幅值约束和线路潮流约束。

进一步的，计算所构建多目标优化模型的优化目标值的过程包括：

根据多目标优化模型的约束条件，求解出满足多个约束条件的多目标优化模型；

根据求解结果和多目标优化模型，计算求解结果所对应的优化目标值；

根据求解结果和求解结果所对应的优化目标值，构建基于克里金模型的数据驱动代理模型。

进一步的，随着改进快速非支配遗传算法的进行，所构建的基于克里金模型的数据驱动代理模型在线更新。

进一步的，采用改进的快速非支配遗传算法求解所述数据驱动代理模型，求取非支配解，得到多目标优化模型优化目标的帕累托最优前沿。

进一步的，所采用改进的快速非支配遗传算法的具体过程为：

通过减小种群中远离帕累托前沿的个体与位于帕累托前沿的个体之间的距离来提高收敛性；

通过增大距离太近的种群中的个体之间的欧氏距离来提升均匀性；

通过线性映射帕累托前沿和种群中的边缘粒子来提升延展性；

通过克隆边缘粒子来提升局部搜索能力和全局搜索能力。

作为进一步的技术限定，通过隶属度函数获取所求解模型的全局最优解的具体过程为：

计算多目标优化模型优化目标函数的非支配解所对应的隶属度函数值；

对所得到的隶属度函数值进行正则化计算；

求取正则化计算后的隶属度函数值取得最大值时所对应的非支配解，即全局最优解。

根据一些实施例，本公开的第二方案提供了一种高维度电力系统环境经济调度系统，采用如下技术方案：

一种高维度电力系统环境经济调度系统，包括：

获取模块，其被配置为获取电力系统运行参数，构建电力系统环境经济调度多目标优化模型；

计算模块，其被配置为计算所构建多目标优化模型的优化目标值，构建数据驱动代理模型；

调度模块，其被配置为采用改进的快速非支配遗传算法求解所述数据驱动代理模型，通过隶属度函数获取所求解模型的全局最优解，完成电力系统环境经济的优化调度。

根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的高维度电力系统环境经济调度方法中的步骤。

根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的高维度电力系统环境经济调度方法中的步骤。

与现有技术相比，本公开的有益效果为：

本公开提供了一种基于数据驱动代理模型和改进NSGA-II的高维度电力系统环境经济调度，实现在满足用电负荷的前提下，最小化发电机组的发电成本，同时最小化化污染气体的排放，最大限度减少化石燃料的使用，并且大幅度减少运算时间，能够为电力企业及时提供决策依据；

在约束条件中引入了线路潮流约束，结合了实际电网的运行情况，使得优化调度策略更具现实指导意义；

以克里金模型为基础，应用数据驱动代理辅助的方法重新构建目标函数，将原来的计算昂贵的目标函数替换为计算快速的基于数据驱动的克里金模型；

以NSGA-II为基础，克服了传统权重和方法带来的弊端，同时为适应多目标优化方法，引入基于迭代信息的采样方式，在保证采样信息有效性的同时尽可能减少采样点，从而减少对原始目标函数的计算次数，之后构建个体寻优方案，对迭代期间的帕累托前沿的解的收敛性、均匀性和延展性进行了提升，之后利用带有极值的个体的克隆方案，在增强局部寻优能力的同时，给算法提供了跳出局部最优的方案，最后求取所有非支配解的隶属度值，拥有最大隶属度值的非支配解即为本时段最优化调度的决策依据。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例一中的高维度电力系统环境经济调度方法的流程图；

图2是本公开实施例一中的采用克里金模型替换原有目标函数的结构示意图；

图3是本公开实施例一中的基于数据驱动代理模型和改进快速非支配排序的算法流程图；

图4是本公开实施例一中的所采用的仿真对象IEEE 118-bus系统结构图；

图5是本公开实施例一中的针对IEEE 118-bus系统(负荷为3668MW)考虑以上所有约束条件下所生成的帕累托最优前沿；

图6是本公开实施例二中的高维度电力系统环境经济调度系统的结构框图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本公开实施例一介绍了一种高维度电力系统环境经济调度方法。

在本实施例中，针对任意电网结构，基于获取的电网实际参数，以同时最小化发电成本和最小化环境污染为目标，考虑实际电网运行潮流，使用基于数据驱动代理模型和改进NSGA-II的高维度电力系统环境经济调度方法，首先利用基于数据驱动的克里金模型代替两个目标函数，之后利用改进NSGA-II得到一组非支配解集(最优化目标值，即发电机组在本时段内的输出功率)，形成“发电成本—-环境污染”两个优化目标的帕累托最优前沿，最后，使用隶属度函数，给出了在这一组非支配解集中寻找出一个最优化调度方案的解决方法。

本实施例中所获取的电力系统运行参数包括：节点参数；调度时段内有功负荷和无功负荷；节点电压幅值、相角，以及该节点所能承受的最大、最小电压；发电机节点输出的有功、无功，以及该节点所能承受输出的最大、最小有功无功功率；每台发电机允许输出的最大有功、无功功率；以及包括支路电阻、电抗、电纳标幺值，长/短距离输电支路所允许的容量，以及该支路所允许的最大、最小相位角度在内的支路参数。

如图1所示的一种高维度电力系统环境经济调度方法，包括：

获取电力系统运行参数，构建电力系统环境经济调度多目标优化模型；

计算所构建多目标优化模型的优化目标值，构建数据驱动代理模型；

采用改进的快速非支配遗传算法求解所述数据驱动代理模型，通过隶属度函数获取所求解模型的全局最优解，完成电力系统环境经济的优化调度。

作为进一步的技术限定，同时以最小化污染气体排放和化石燃料成本为目标，选择发电机有功、无功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束作为约束条件，构建环境经济调度优化模型：

1.优化目标1：燃料成本最小

2.优化目标2：污染气体排放量最小

3.约束条件：

发电机有功、无功上下限约束：

功率平衡约束：

节点电压幅值约束：

V

线路潮流约束：

4.线路损耗计算

线路损耗通过求解以下潮流方程得到：

进而，线路损耗

其中，a

因此，如上所述，综合目标函数以及约束条件，电力系统环境经济调度多目标优化模型表示可综合表述为：

其中，F(P)和E(P)分别表示优化目标1和优化目标2，g(P)和h(P)分别为涉及到的等式和不等式约束，M

根据目标函数可能解，构建数据驱动代理模型，从而将原有的昂贵计算的目标函数，转换为易于求解的克里金模型，如图2所示，具体转换和求解的过程为：

(1)根据约束条件，求解出若干个满足约束条件的可能解；

(2)利用可能解和优化目标模型，计算出可能解所对应的优化目标值；

(3)利用求出的可能解和计算出的优化目标值，构建基于克里金模型的数据驱动代理模型，用于来代替优化目标模型；在这里所述克里金模型构建的具体过程为：

其中，x是需要被预测的个体，r是被预测个体矩阵x和已有数据点矩阵X之间的协方差矩阵，C是已有数据点矩阵X和已有数据点矩阵X的协方差矩阵，y是被预测个体x的预测结果，

(4)随着改进快速非支配遗传算法的进行，更新基于克里金模型的数据驱动代理模型。

在满足当前时段负荷要求的情况下，采用基于克里金模型的快速非支配算法(K-NSGA-II)求解所述多目标优化模型，求取一组非支配解，得到环境经济调度两个优化目标的帕累托最优前沿；

多目标优化不同于单目标优化，对单目标优化而言，可以求取一个最优解，但对多目标优化而言，如本实施例中涉及的环境目标和经济性目标，这两个目标是相互竞争的关系，很难得到某一个最优解；只能得到两个优化目标的权衡解，这是一个非支配解集，如图3所示，具体求解过程为：

(1)初始化种群：初始化改进快速非支配遗传算法相关参数，同时随机初始化每台发电机的发电量，代表问题的可能解；

(2)根据初始化值，计算所有个体的适应度值，即针对不同的初始值，求取每台发电机的发电成本和环境代价；

(3)将初始化值和所产生的适应度值，存放到知识库中；

(4)根据适应度值求取非支配解；

(5)将获得的非支配解存储到外部档案中；

(6)如果非支配解的个数超过了外部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；

(7)根据知识库内保存的初始化值和所产生的适应度值，构建数据驱动代理模型来代替优化目标模型；

(8)应用构建的数据驱动代理模型，重新计算初始化值所对应的虚拟适应度值；

(9)根据虚拟适应度值求取非支配解；

(10)将获得的非支配解存储到内部档案中；

(11)如果非支配解的个数超过了内部档案(P

(12)迭代开始；

(13)遍历种群中的所有个体，具体为：

求取所有个体所对应的虚拟适应度值；

执行交叉、变异操作获得初级下一代个体；

处理发电机约束条件；

利用个体寻优机制和克隆机制，更新初级下一代个体位置；

处理发电机约束条件来确定真实下一代个体位置；

(14)遍历结束；

(15)根据个体寻优结果计算非支配解；

(16)将获得的非支配解存储到内部档案中；

(17)如果非支配解的个数超过了内部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；

(18)如果迭代次数是最大迭代次数的五分之一、五分之二、五分之三和五分之四，则确定本次迭代内部存档更新的个体；

(19)根据内部存档更新的个体值，计算对应的适应度值；

(20)将获得的非支配解存储到外部档案中；

(21)如果非支配解的个数超过了外部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；

(22)迭代结束，生成帕累托最优前沿。

本实施例中所采用的基于克里金模型的快速非支配算法(K-NSGA-II)涉及到关于个体寻优机制分为三步，具体方案如下：

第一步：通过减小种群中远离帕累托前沿的个体与位于帕累托前沿的个体之间的距离来提高收敛性；

(1)利用代理模型计算每个个体

(2)确定在内部档案P

(3)计算每对

(4)计算所有d

(5)如果d

其中，R

第二步：通过增大距离太近的种群中的个体之间的欧氏距离来提升均匀性；

(1)利用代理模型计算每个个体

(2)确定在子代个体群上距离每个目标值向量

(3)计算每个

(4)计算所有d

(5)如果d

其中，R

第三步：通过线性映射帕累托前沿和种群中的边缘粒子来提升延展性；

(1)利用代理模型计算每个个体

(2)确定在子代个体群上存在目标1最大值的目标值向量

(3)确定当前P

(4)之后就可以确定目标值向量

(5)将

其中c

作为一种或多种实施方式，本实施例中的基于克里金模型的快速非支配算法涉及到克隆机制，通过克隆边缘粒子来提升局部搜索能力和全局搜索能力，具体过程为：

(1)确定当前

(2)将上述四个个体分别克隆若干份；

(3)随机选出若干克隆个体进行大变异率和大变异系数的变异，从而实现局部寻优；

(4)对剩余克隆个体进行大变异率和小变异系数的变异，从而实现跳出局部寻优的功能。

在算例的实施过程中，关于K-NSGA-II算法所使用的初始化参数，最开始只能依据经验赋值，但是这些初始值显然并不是最优参数。在算法的运行过程中，可以适当调整某个参数而保留其他参数不变，然后观察仿真结果的优劣，通过这种方法来不断调整每个参数，从而达到最佳仿真效果。

针对所得到的20个非支配解，所有这些解都是最优解，但是调度决策只能从当前所有解中选取一组，这就需要电力部门依据实际情况制定相应的调度策略。本实施例给出一种基于隶属度函数的判别方法，拥有最大隶属度值的非支配解被选中为本时段的调度决策依据，具体求解方法如下：

(1)针对环境和经济运行两个优化目标，对每一个目标函数，计算其非支配解对应的隶属度函数值，方法如下：

其中，F

(2)对每一个单独的非支配解，将μ

其中，N

(3)最终解μ

本实施例所采用的调度方法中的计算数据使用的电网参数可以为获取的实际电网运行参数，也可以是任意的仿真对象，如IEEE 118-bus系统。本仿真实例选用IEEE 118-bus系统，该系统结构图如图4所示。在使用图4作为算例的情况下，当前调度时段的负荷为3668MW，所生成的帕累托最优前沿如图5所示。

本实施例基于数据驱动代理模型和改进快速非支配排序遗传算法(Kriging-based Fast Nondominated Sorting Genetic Algorithm-II，K-NSGA-II)，基于所获取的任意结构的电网实际参数，以同时最小化发电成本和最小化环境污染为目标，考虑实际电网运行潮流，利用数据驱动克里金模型替换原有的使用数学函数描述的发电成本模型和环境污染模型，基于数据驱动克里金模型改良的快速非支配排序遗传算法得到一组非支配解集，形成“发电成本—环境污染”两个优化目标的帕累托最优前沿，再使用隶属度函数法得到一组本时段的最优化调度决策依据；提高了优化算法的收敛速度和准确性，有效减少了电力系统调度的操作时间。

实施例二

本公开实施例二介绍了一种高维度电力系统环境经济调度系统。

如图6所示的一种高维度电力系统环境经济调度系统，包括：

获取模块，其被配置为获取电力系统运行参数，构建电力系统环境经济调度多目标优化模型；

计算模块，其被配置为计算所构建多目标优化模型的优化目标值，构建数据驱动代理模型；

调度模块，其被配置为采用改进的快速非支配遗传算法求解所述数据驱动代理模型，通过隶属度函数获取所求解模型的全局最优解，完成电力系统环境经济的优化调度。

详细步骤与实施例一提供的高维度电力系统环境经济调度方法相同，在此不再赘述。

实施例三

本公开实施例三提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的高维度电力系统环境经济调度方法中的步骤。

详细步骤与实施例一提供的高维度电力系统环境经济调度方法相同，在此不再赘述。

实施例四

本公开实施例四提供了一种电子设备。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的高维度电力系统环境经济调度方法中的步骤。

详细步骤与实施例一提供的高维度电力系统环境经济调度方法相同，在此不再赘述。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。