一種基于隨機連續(xù)尋優(yōu)策略的梯級電站調峰方法
【技術領域】
[0001] 本發(fā)明屬于水電能源優(yōu)化運行和電力系統(tǒng)發(fā)電優(yōu)化調度領域，特別是涉及一種基 于隨機連續(xù)尋優(yōu)策略的梯級電站調峰方法。
【背景技術】
[0002] 梯級水電站短期調峰問題具有時間和空間多維，庫群間水力、電力聯(lián)系復雜，尋優(yōu) 空間龐大等特點，是一類典型的多決策變量、高維度、多約束的大規(guī)模非線性規(guī)劃問題。對 于此類問題模型的求解，目前多采用常規(guī)數(shù)學規(guī)劃法和智能算法。然而，數(shù)學規(guī)劃方法通常 難以處理耦合度較高的復雜約束，易產(chǎn)生"維數(shù)災"問題，雖然通過運用逐步優(yōu)化技術可對 模型進行降維，但由于傳統(tǒng)逐次優(yōu)化算法的求解精度強烈依賴于決策變量離散精度，庫群 規(guī)模和約束耦合度，由此帶來的求解效率低的問題限制了其在大規(guī)模水電站短期聯(lián)合調峰 調度中的應用。而智能算法雖然在水庫調度中得到了成功應用，但其求解效率也受限于決 策變量維數(shù)和尋優(yōu)空間范圍，且極易陷入早熟及局部收斂。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明目的在于提供一種基于隨機連續(xù)尋優(yōu)策略的梯級電站調峰方法，制定既能 滿足水電站運行限制和實際運行工況，同時又能兼顧各電網(wǎng)調峰需求的發(fā)電計劃。
[0004] 本發(fā)明提出的一種基于隨機連續(xù)尋優(yōu)策略的梯級電站調峰方法，在綜合考慮電網(wǎng) 負荷特性的基礎上，以受電電網(wǎng)剩余負荷均方差最小作為優(yōu)化目標，利用隨機連續(xù)的粒子 群算法思想改進逐步優(yōu)化算法的兩階段調整過程，以滿足梯級電站調峰任務。
[0005] 具體技術方案如下：
[0006] 步驟一：初始解的生成。
[0007] 從上游到下游逐電站選擇壩前水位作為離散狀態(tài)量，以電網(wǎng)余荷均方差最小為目 標，進行單庫調峰優(yōu)化計算：
[0008] (1)針對單站利用動態(tài)規(guī)劃法優(yōu)化計算。
[0009] 基于出入庫流量和約束條件，從時段初正推，時段末逆推，得到基礎廊道。在基礎 廊道范圍內(nèi)，從初始時段開始，根據(jù)前一時段和后一時段確定的狀態(tài)變量正逆推，得到當前 調整時段的取值范圍，基于此范圍變尺度離散當前時段的狀態(tài)變量進行動態(tài)規(guī)劃尋優(yōu)，直 到調度時段末。并記錄此時電站的出力過程為初始解。
[0010] (2)更新下游電站面臨的負荷曲線和入庫流量。
[0011] 若存在下游電站，則當前電站調峰優(yōu)化后的余荷曲線和考慮水流時滯的下泄流量 為下游電站面臨的負荷曲線和入庫流量，循環(huán)步驟一（1)。若無下游電站，則輸出梯級各電 站的初始解。
[0012] 步驟二：隨機連續(xù)逐步優(yōu)化搜索。
[0013] (1)初始化。初始化調整時段及電網(wǎng)電站約束條件；
[0014] (2)兩階段問題調整
[0015] 兩階段調整引入啟發(fā)隨機搜索機制，以電網(wǎng)整個調度時段的余荷均方差最小為目 標，采用單時段粒子群算法進行求解。
[0016] ①決策變量的確定
[0017] 以t時段所有電站的壩前水位作為決策變量：
[0018] [Zlit …Ziit …ZM，J (1)
[0019] 式中，Zlit為第i個電站在第t時段的水位，M為梯級電站數(shù)。
[0020] ②動態(tài)自適應廊道方法生成可行域
[0021] 從上游到下游逐電站利用動態(tài)廊道法生成可行域，即從初始電站開始，在基礎廊 道的范圍內(nèi)，綜合入庫流量和以下約束條件：
[0022] 運行水位約束：
[0024] 下泄流量約束：
[0026] 時段水位/流量變幅約束：
[0028] 調度期末水位約束：
[0029] Zc=Zg (5)
[0030] 式中，名ρ?分別為水電站t時段水位上下限；分別為水電站t時段下 泄流量上下限；A Z、△ Q分別為水電站時段允許最大水位變幅和流量變幅；&與Z g分別為 水電站計算末水位及調度期末水位控制值。
[0031] 結合以上條件邊界值，根據(jù)前一時段決策變量正推和后一時段決策變量逆推，形 成單時段粒子群算法的尋優(yōu)廊道，基于當前電站決策變量的下泄流量更新下游電站的入庫 流量，重復尋優(yōu)廊道生成步驟，直到第M個電站，如圖2所示。
[0032] ③單時段粒子群算法優(yōu)化。在生成的可行域內(nèi)進行粒子群算法更新迭代尋優(yōu)。
[0033] ④更新調整過后的梯級各電站時段出力?；趦?yōu)化結果，更新初始解和調整時段 數(shù)加一。
[0034] (3)更新迭代判斷。若達到時段末，當達到大于最大迭代次數(shù)或者偏差值小于閥 值）時，調整過程結束，輸出最終結果；未達到逐次優(yōu)化算法終止條件（小于等于最大迭代 次數(shù)且偏差值大于等于閾值時）時，轉入步驟二（1)，進行下一次迭代優(yōu)化。若不是時段末， 轉入步驟二（2)，進行下一時段的兩階段調整。
[0035] 與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點和有益效果：
[0036] 1、本發(fā)明提供了一種基于隨機連續(xù)尋優(yōu)策略的梯級電站調峰方法，將粒子群算 法（Particle Swarm Optimization，PS0)算法的隨機連續(xù)尋優(yōu)思想引入逐步優(yōu)化算法 (Progressive Optimization Algorithm，Ρ0Α)算法框架中，利用二種算法的互補特性，解 決了現(xiàn)有方案中精度及維數(shù)災問題，隨機連續(xù)尋優(yōu)使各接入電網(wǎng)受電過程滿足梯級水電站 運行限制要求。
[0037] 2、本發(fā)明能夠兼顧電網(wǎng)的負荷特性和調峰需求，充分發(fā)揮梯級水電站的水力電力 補償效益，深度挖掘調峰容量效益，調峰后的峰谷差和剩余負荷方差指標（評價剩余負荷 平坦程度）與調峰前相比均顯著減小，各電網(wǎng)得到滿意的調峰效果；同時，本發(fā)明制定的出 力方案能滿足出力安全穩(wěn)定運行要求及最小持續(xù)時間約束，得到的出力曲線符合水電站實 際運行需求，具有工程實用性。
[0038] 3、本發(fā)明提出的約束處理方法完全解耦梯級電站間復雜的梯級電站耦合運行約 束，簡化了算法的約束處理過程，并減少了決策變量維數(shù)，找到合理尋優(yōu)空間，能適用于大 規(guī)模梯級電站群的調峰問題。
【附圖說明】
[0039] 圖1為隨機連續(xù)尋優(yōu)策略的逐次優(yōu)化算法的梯級電站調峰方法流程圖；
[0040] 圖2為動態(tài)廊道解耦策略圖；
[0041] 圖3為湖南電網(wǎng)采用隨機連續(xù)尋優(yōu)策略的逐次優(yōu)化算法調峰前后負荷對比圖；
[0042] 圖4為湖南電網(wǎng)采用粒子群算法調峰前后負荷對比圖；
[0043] 圖5為湖南電網(wǎng)采用常規(guī)逐次優(yōu)化算法調峰前后負荷對比圖；
[0044] 圖6為沅水梯級中三板溪電站出力及水位過程圖；
[0045] 圖7為沅水梯級中白市電站出力及水位過程圖；
[0046] 圖8為沅水梯級中托口電站出力及水位過程圖；
[0047] 圖9為沅水梯級中五強溪電站出力及水位過程圖。
【具體實施方式】
[0048] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要 彼此之間未構成沖突就可以相互組合。
[0049] 本發(fā)明以華中電網(wǎng)直調的沅水梯級為實施例，按照圖1所示隨機連續(xù)尋優(yōu)策略的 逐次優(yōu)化算法的梯級電站調峰方法流程流程，進行梯級電站調峰模擬，以表現(xiàn)本發(fā)明達到 的效果。
[0050] 華中電網(wǎng)直調的沅水梯級三板溪、白市、托口和五強溪電站，承擔湖南電網(wǎng)中的大 量調峰調頻任務。各電站的特征參數(shù)如下三板溪的裝機容量為100MW，保證出力234. 9MW ; 白市裝機容量為420MW，保證出力為89. 7MW ;托口裝機容量為800MW，保證出力為129. 3MW ; 五強溪的裝機容量為1200麗，保證出力為255麗。選取2014年5月某日的數(shù)據(jù)進行優(yōu)化 計算，三板溪的初末水位分別為446. 55m和446. 37m ;白市的初末水位分別為297. 5m和 297. 65m ;托口的初末水位分別為243m和252. 99m ;五強溪的初末水位分別為100. 5m和 99.89m。水電站所有機組無檢修，水電站出力兩次變化之間的時間間隔不小于4個時段（1 小時）。實施例以日為調度期模擬沅水梯級調峰發(fā)電調度，獲得湖南電網(wǎng)受電過程及沅水梯 級各電站運行過程，并對調度結果進行對比分析。本發(fā)明實施步驟如下：
[0051] 步驟一：初始解的生成。