本發(fā)明涉及一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法，屬于電力系統(tǒng)運行檢修技術領域。

背景技術：

近年來，隨著環(huán)境污染和能源枯竭問題越來越嚴重，對于清潔可再生能源的利用已經(jīng)越來越多的受到世界各國的重視。我國開發(fā)和利用可再生能源、優(yōu)化能源結構的力度也不斷加大。目前，利用風電，光伏的各項技術已經(jīng)趨于成熟。水電是優(yōu)質(zhì)的再生能源，同風電一樣，也是能可持續(xù)利用的潔凈能源。我國小水電建設己經(jīng)取得了很大的成效，尤其西部山區(qū)小水電呈現(xiàn)集群式特點。

隨著傳統(tǒng)水利向資源水利、可持續(xù)發(fā)展水利轉變，如何高效運行深度挖掘小水電效益越來越得到重視。小水電運行管理也應由常規(guī)調(diào)度管理向優(yōu)化調(diào)度轉變。將風電來優(yōu)化調(diào)度的思路移植到小水電群的調(diào)度上，可以最大限度地發(fā)揮小水電的積極作用，并促進小水電的可持續(xù)發(fā)展優(yōu)化調(diào)度問題是一個隨機優(yōu)化問題，同時也是大規(guī)模、多目標、非線性優(yōu)化問題。

隨著節(jié)能減排政策出臺，電網(wǎng)優(yōu)化調(diào)度目標呈現(xiàn)多樣化，但目前尚未有針對小水電群接入電網(wǎng)的隨機經(jīng)濟調(diào)度方案出現(xiàn)。

技術實現(xiàn)要素：

針對現(xiàn)有技術的不足，本發(fā)明提出了一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法，其針對電網(wǎng)優(yōu)化調(diào)度目標呈現(xiàn)多樣化解決了小水電群接入電網(wǎng)的隨機經(jīng)濟調(diào)度問題。

本發(fā)明解決其技術問題采取的技術方案是：

本發(fā)明實施例提供的一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法，它包括以下步驟：

1)獲取計算參數(shù)：從含徑流式小水電群的電力系統(tǒng)獲取計算參數(shù)；

2)建立兩目標隨機經(jīng)濟調(diào)度模型：建立以購電費用和污染氣體排放量最小為目標的隨機動態(tài)經(jīng)濟調(diào)度模型；

3)對兩目標隨機經(jīng)濟調(diào)度模型進行求解：采用場景解耦和異步迭代改進內(nèi)點法對兩目標隨機經(jīng)濟調(diào)度模型進行求解；

4)獲取經(jīng)濟調(diào)度方案：通過基于折衷最優(yōu)解的改進帕累托前沿分析來獲取經(jīng)濟調(diào)度方案。

作為本實施例一種可能的實現(xiàn)方式，在步驟1)中，所述計算參數(shù)包括給定常規(guī)發(fā)電機組成本系數(shù)及出力上下限、輸電支路阻抗及容量參數(shù)、水電機組運行參數(shù)和系統(tǒng)負荷。

作為本實施例一種可能的實現(xiàn)方式，在步驟2)中，所述兩目標隨機經(jīng)濟調(diào)度模型中的目標函數(shù)包括：

①購電費用目標函數(shù)：

式中：ag是第g^th臺常規(guī)發(fā)電機組費用；ahydro是小水電的購電費用，考慮小水電購電費用是因為現(xiàn)在國家采用補貼的方式鼓勵電網(wǎng)接入新能源；代表預測場景中第g^th臺常規(guī)機組在t時刻的出力；代表預測場景中第h^th個小水電集群在t時刻的出力；ng和nh是相應的常規(guī)機組臺數(shù)和小水電集群數(shù)目；

②污染氣體排放量目標函數(shù)：

式中，b2,g、b1,g和b0,g均為第g^th臺常規(guī)機組的污染氣體排放系數(shù)。

作為本實施例一種可能的實現(xiàn)方式，在步驟2)中，所述兩目標隨機經(jīng)濟調(diào)度模型中的約束條件包括：

①功率平衡約束：

預測場景和誤差場景中的有功功率平衡約束表述如下：

式中：是預測場景和誤差場景中第g^th臺常規(guī)機組在t時刻的有功出力；代表預測場景和誤差場景中第h^th個小水電集群在t時刻的有功出力；pmt代表負荷節(jié)點m在t時刻的負荷；nd是負荷節(jié)點數(shù)目,ns＝ng+nh；

②常規(guī)機組出力約束：

a)預測場景和誤差場景中的常規(guī)機組出力上下限約束，表達如下：

其中，pgmax和pgmin是第g^th臺常規(guī)機組的出力上下限；

b)預測場景和誤差場景中的爬坡/滑坡約束，表達如下：

其中，rug和rdg分別是第g^th臺常規(guī)機組的爬坡/滑坡系數(shù)；δt為動態(tài)調(diào)度兩相鄰時刻的時間間隔；

c)場景轉移約束：

該約束表示從預測場景到誤差場景，常規(guī)機組的可調(diào)度裕度，表達如下：

其中，δt’為第g^th臺常規(guī)機組為適應風電出力預測誤差所需的調(diào)度響應時間；

③小水電出力約束：

④網(wǎng)絡傳輸約束：

預測場景和誤差場景中傳輸線路上的有功功率約束表達如下：

式中：plmax是線路l的最大傳輸容量；nl是線路條數(shù)；是預測場景和誤差場景中線路l上傳輸?shù)挠泄β剩闹绷鞒绷鞅磉_式表述如下：

式中，glg、flh和dld分別是線路l對于常規(guī)機組、小水電機群和負荷的有功功率傳輸因子。

作為本實施例一種可能的實現(xiàn)方式，所述步驟3)的具體過程包括以下步驟：

31)從兩目標問題向單目標問題的轉化

采用法線邊界交叉法將兩目標優(yōu)化問題轉換為一系列單目標優(yōu)化問題，并采用非線性原對偶內(nèi)點法求解；

32)采用內(nèi)點法求解單目標問題

采用非線性原對偶內(nèi)點法中的增廣拉格朗日函數(shù)表示如下：

其中，y，ys和yh為拉格朗日乘子向量；nh是兩目標隨機經(jīng)濟調(diào)度模型中不等式約束的數(shù)量；μ是壁壘參數(shù)，μ≥0；

根據(jù)karush-kuhn-tucker(kkt)最優(yōu)性條件，對增廣拉格朗日函數(shù)求偏導，得到一組非線性方程組，再用牛頓法求解可得到簡化修正方程組：

式中：δz0為與預測場景相關變量的增量組成的向量，δz0＝[δx⁰,δy3,δλ]^t；δzs(i＝1,2,…,s)為與誤差場景相關變量的增量組成的向量，l0、ls(s＝1,2,…,s)、ms(s＝1,2,…,s)均為對稱稀疏矩陣，它們的維數(shù)分別為96(n+1)+3、96(n+1)、96(n+1)；

33)簡化修正方程的場景解耦：

將式(11)展開，得：

用同步迭代導出公式如下：

在用同步迭代計算式(12)和式(13)的過程中，l0、ls和ms都是稀疏矩陣；

假設第一次迭代δz0為零，并且到第k次迭代完成，那么k+1次迭代表達式為：

方程(16)和(17)的系數(shù)矩陣的維數(shù)分別為96(n+1)+3和96(n+1)。

作為本實施例一種可能的實現(xiàn)方式，在步驟4)中，所述基于折衷最優(yōu)解的改進帕累托前沿分析的過程為：采用nbi法求得帕累托最優(yōu)解集，并結合賦權的熵權雙基點法進行修正，挖掘帕累托前沿解集中每個解所蘊含的不同信息，獲得一組合理、有效的、可供調(diào)度人員決策的調(diào)度策略。

作為本實施例一種可能的實現(xiàn)方式，所述步驟4)的過程包括以下步驟：

41)，用nbi法計算計算10個點，用熵權法進行評估獲取最優(yōu)解；

42)，連接最優(yōu)解點的上一點和下一點為烏托邦線，再次用nbi法計算10個點；

43)再次用熵權法進行評估獲取烏托邦線上的最優(yōu)解。

本發(fā)明實施例的技術方案可以具有的有益效果如下：

本發(fā)明實施例技術方案利用場景法將兩目標隨機經(jīng)濟調(diào)度問題轉化為大規(guī)模兩目標確定性動態(tài)調(diào)度問題，再借助法線邊界交叉(normalboundaryintersection,nbi)法將其轉化為一系列大規(guī)模單目標非線性規(guī)劃問題，并用非線性原對偶內(nèi)點法求解。在應用非線性原對偶內(nèi)點法求解這些大規(guī)模單目標非線性規(guī)劃問題過程中，按照場景順序排列的簡化修正方程的系數(shù)矩陣具有對角加邊結構。因此可對其實施解耦，并采用異步塊迭代法對解耦后的低維修正方程組進行求解，并得到一系列均勻分布的帕累托最優(yōu)解，形成帕累托前沿曲線，然后采用賦權的熵權雙基點法從帕累托前沿解集中選取出折衷最優(yōu)解。本發(fā)明解決了徑流式小水電群隨機優(yōu)化問題，較大程度提升了隨機性電源預測準確率；通過運用異步塊迭代法對具有對角加邊結構的高維線性修正方程組進行解耦，從而大幅度降低了存儲需求，增強了適應大系統(tǒng)、多場景的計算能力，提升計算速度采用賦權的熵權雙基點法，并結合nbi法對帕累托最優(yōu)解進行修正，能夠充分挖掘帕累托前沿解集蘊含的信息和調(diào)度人員的經(jīng)驗，獲得一組可觀、合理、需要的運行點，供調(diào)度人員決策。

附圖說明

圖1是根據(jù)一示例性實施例示出的一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法流程圖；

圖2是根據(jù)一示例性實施例示出的一種基于折衷最優(yōu)解的改進帕累托前沿分析過程中首次獲取最優(yōu)解的示意圖；

圖3是根據(jù)一示例性實施例示出的一種基于折衷最優(yōu)解的改進帕累托前沿分析過程中烏托邦線的示意圖；

圖4是根據(jù)一示例性實施例示出的一種基于折衷最優(yōu)解的改進帕累托前沿分析過程中獲取烏托邦線上的最優(yōu)解的示意圖。

具體實施方式

為能清楚說明本方案的技術特點，下面通過具體實施方式，并結合其附圖，對本發(fā)明進行詳細闡述。下文的公開提供了許多不同的實施例或例子用來實現(xiàn)本發(fā)明的不同結構。為了簡化本發(fā)明的公開，下文中對特定例子的部件和設置進行描述。此外，本發(fā)明可以在不同例子中重復參考數(shù)字和/或字母。這種重復是為了簡化和清楚的目的，其本身不指示所討論各種實施例和/或設置之間的關系。應當注意，在附圖中所圖示的部件不一定按比例繪制。本發(fā)明省略了對公知組件和處理技術及工藝的描述以避免不必要地限制本發(fā)明。

圖1是根據(jù)一示例性實施例示出的一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法流程圖。如圖1所示，一種小水電群接入電網(wǎng)的兩目標隨機經(jīng)濟調(diào)度方法可以包括以下步驟：

1)獲取計算參數(shù)：

從含徑流式小水電群的電力系統(tǒng)獲取計算參數(shù)；所述計算參數(shù)包括給定常規(guī)發(fā)電機組成本系數(shù)及出力上下限、輸電支路阻抗及容量參數(shù)、水電機組運行參數(shù)和系統(tǒng)負荷；

2)建立兩目標隨機經(jīng)濟調(diào)度模型：

建立以購電費用和污染氣體排放量最小為目標的隨機動態(tài)經(jīng)濟調(diào)度模型；

3)對兩目標隨機經(jīng)濟調(diào)度模型進行求解：

采用場景解耦和異步迭代改進內(nèi)點法對兩目標隨機經(jīng)濟調(diào)度模型進行求解；

4)獲取經(jīng)濟調(diào)度方案：

通過基于折衷最優(yōu)解的改進帕累托前沿分析來獲取經(jīng)濟調(diào)度方案。

在一種可能的實現(xiàn)方式中，在步驟2)中所述兩目標隨機經(jīng)濟調(diào)度模型中的目標函數(shù)包括：

①購電費用目標函數(shù)：

第一個目標函數(shù)是最小化預測場景下的購電費用：

式中：ag是第g^th臺常規(guī)發(fā)電機組費用；ahydro是小水電的購電費用，考慮小水電購電費用是因為現(xiàn)在國家采用補貼的方式鼓勵電網(wǎng)接入新能源；代表預測場景中第g^th臺常規(guī)機組在t時刻的出力；代表預測場景中第h^th個小水電集群在t時刻的出力；ng和nh是相應的常規(guī)機組臺數(shù)和小水電集群數(shù)目。

②污染氣體排放量目標函數(shù)：

第二個目標是最小化常規(guī)機組的污染氣體排放量(以為so2，nox主)，定義如下：

式中，b2,g、b1,g和b0,g均為第g^th臺常規(guī)機組的污染氣體排放系數(shù)。

在一種可能的實現(xiàn)方式中，在步驟2)中，所述兩目標隨機經(jīng)濟調(diào)度模型中的約束條件包括：

①功率平衡約束：

忽略電網(wǎng)中的有功功率損耗，預測場景和誤差場景中的有功功率平衡約束表述如下：

式中：是預測場景和誤差場景中第g^th臺常規(guī)機組在t時刻的有功出力；代表預測場景和誤差場景中第h^th個小水電集群在t時刻的有功出力；pmt代表負荷節(jié)點m在t時刻的負荷；nd是負荷節(jié)點數(shù)目,ns＝ng+nh。

②常規(guī)機組出力約束：

a)預測場景和誤差場景中的常規(guī)機組出力上下限約束，表達如下：

其中，pgmax和pgmin是第g^th臺常規(guī)機組的出力上下限；

b)預測場景和誤差場景中的爬坡/滑坡約束，表達如下：

其中，rug和rdg分別是第g^th臺常規(guī)機組的爬坡/滑坡系數(shù)；δt為動態(tài)調(diào)度兩相鄰時刻的時間間隔；本實施例中δt取15分鐘；

c)場景轉移約束：

該約束表示從預測場景到誤差場景，常規(guī)機組的可調(diào)度裕度，表達如下：

其中，δt’為第g^th臺常規(guī)機組為適應風電出力預測誤差所需的調(diào)度響應時間，本實施例中δt’取15分鐘。

③小水電出力約束：

當電力系統(tǒng)備用容量不足或電網(wǎng)傳輸容量不足時，新能源發(fā)電中的棄電現(xiàn)象是不可避免的。本文中允許小水電出現(xiàn)棄電，小水電出力約束表述如下：

④網(wǎng)絡傳輸約束：

預測場景和誤差場景中傳輸線路上的有功功率約束表達如下：

式中：plmax是線路l的最大傳輸容量；nl是線路條數(shù)；是預測場景和誤差場景中線路l上傳輸?shù)挠泄β?，它的直流潮流表達式表述如下：

式中，glg、flh和dld分別是線路l對于常規(guī)機組、小水電機群和負荷的有功功率傳輸因子。

在一種可能的實現(xiàn)方式中，所述步驟3)的具體過程包括以下步驟：

31)從兩目標問題向單目標問題的轉化：

采用法線邊界交叉法將兩目標優(yōu)化問題轉換為一系列單目標優(yōu)化問題，并采用非線性原對偶內(nèi)點法求解。

32)采用內(nèi)點法求解單目標問題：

采用非線性原對偶內(nèi)點法中的增廣拉格朗日函數(shù)表示如下：

其中，y，ys和yh為拉格朗日乘子向量；nh是兩目標隨機經(jīng)濟調(diào)度模型中不等式約束的數(shù)量；μ是壁壘參數(shù)，μ≥0。

根據(jù)karush-kuhn-tucker(kkt)最優(yōu)性條件，對增廣拉格朗日函數(shù)求偏導，得到一組非線性方程組，再用牛頓法求解可得到簡化修正方程組。按預測場景和誤差場景的順序對簡化后的修正方程和變量進行排序，可得到如下其系數(shù)矩陣具有對角加邊結構的簡化修正方程組：

式中：δz0為與預測場景相關變量的增量組成的向量，δz0＝[δx⁰,δy3,δλ]^t；δzs(i＝1,2,…,s)為與誤差場景相關變量的增量組成的向量，l0、ls(s＝1,2,…,s)、ms(s＝1,2,…,s)均為對稱稀疏矩陣，它們的維數(shù)分別為96(n+1)+3、96(n+1)、96(n+1)。

33)簡化修正方程的場景解耦：

對大系統(tǒng)而言，方程(11)為一個稀疏高維線性方程組，對其實施有效求解是多目標隨機優(yōu)化動態(tài)經(jīng)濟調(diào)度問題的核心。方程(11)的系數(shù)矩陣的維數(shù)為96(n+1)(s+1)+3。在實際的算例計算中，對于大系統(tǒng)、多場景的情況，可能無法對其求解。方程(11)中的系數(shù)矩陣具有對角加邊結構，類似的結構在潮流和最優(yōu)潮流計算中均有應用，因此本發(fā)明利用這種結構特點對其進行解耦后再求解。

將式(11)展開，得：

用同步迭代導出公式如下：

在用同步迭代計算式(12)和式(13)的過程中，l0、ls和ms都是稀疏矩陣；但是式(14)中的是一個滿陣，它的計算會占用大量的內(nèi)存和計算時間。在解決高維線性方程組時，異步迭代的效率有時會比同步迭代高很多。如果用異步迭代計算式(12)和式(13)，則計算過程中的矩陣都是稀疏矩陣。

假設第一次迭代δz0為零，并且到第k次迭代完成，那么k+1次迭代表達式為：

計算式(16)時，各場景之間是相互獨立的，場景數(shù)較多時可以并行計算，方程(16)和(17)的系數(shù)矩陣的維數(shù)分別為96(n+1)+3和96(n+1)，基于此，即可實現(xiàn)對大系統(tǒng)、多場景的情況的有效求解。

由于不同的pareto(帕累托)最優(yōu)解的計算相互獨立，因此，在求取pareto前沿時也可以采用并行計算，而且每個pareto最優(yōu)解之間不存在通信問題，即主進程和從進程之間不存在變量傳遞，那么，對pareto前沿進行并行計算將大幅度提高算法的計算效率。

在一種可能的實現(xiàn)方式中，在步驟4)中，所述基于折衷最優(yōu)解的改進帕累托前沿分析的過程為：采用nbi法求得帕累托最優(yōu)解集，并結合賦權的熵權雙基點法進行修正，挖掘帕累托前沿解集中每個解所蘊含的不同信息，獲得一組合理、有效的、可供調(diào)度人員決策的調(diào)度策略。

對于收斂性較好的模型和數(shù)據(jù)，nbi法得到的是非常均勻分布帕累托前沿。然而并不是所有最優(yōu)解都參與調(diào)度員的決策。當已知調(diào)度員的偏好后，可以使得帕累托最優(yōu)解的分布更加精細化。

在一種可能的實現(xiàn)方式中，所述步驟4)的過程包括以下步驟：

41)，用nbi法計算計算10個點，用熵權法進行評估獲取最優(yōu)解；如圖2所示，最優(yōu)解為第5個點，綜合優(yōu)化程度為0.7064(折衷最優(yōu)解2)。

42)，連接最優(yōu)解點的上一點和下一點為烏托邦線，如圖3所示，再次用nbi法計算10個點。

43)再次用熵權法進行評估獲取烏托邦線上的最優(yōu)解。如圖4所示，最優(yōu)解為新增點中的第6個點(圓圈標出)，綜合優(yōu)化程度為0.7105(記為折衷最優(yōu)解3)。與單目標優(yōu)化所得調(diào)度方案的目標函數(shù)值比較如表1。

表1帕累托端點值與折中最優(yōu)解

從表1中可以看出，折中最優(yōu)解3對應的兩個目標函數(shù)值與兩個單目標優(yōu)化解的相應目標值都較為接近，是對兩個目標進行協(xié)調(diào)優(yōu)化得到的一個較好解。

針對含徑流式小水電群的電力系統(tǒng)，建立了以購電費用和污染氣體排放量最小為目標的隨機動態(tài)經(jīng)濟調(diào)度模型。借助場景法將該模型轉化為大規(guī)模兩目標確定性動態(tài)調(diào)度模型。采用法線邊界交叉法將兩目標優(yōu)化問題轉換為一系列單目標優(yōu)化問題，并采用非線性原對偶內(nèi)點法求解。在迭代過程中，按照場景順序將簡化修正方程的系數(shù)矩陣排列為對角加邊形式，方便對其實施解耦，并運用異步塊迭代法求解，從而將一組高維修正方程組的求解轉化為若干個分別與預測場景和誤差場景相對應的低維修正方程組的求解。在對含水電資源豐富的省級電網(wǎng)的數(shù)據(jù)進行仿真計算時，在高性能集群上建立了并行計算框架以緩解計算占用內(nèi)存并提高計算速度。通過這個計算架構，可以獲得一組日前調(diào)度計劃。

本發(fā)明解決了徑流式小水電群隨機優(yōu)化問題，較大程度提升了隨機性電源預測準確率；通過運用異步塊迭代法對具有對角加邊結構的高維線性修正方程組進行解耦，從而大幅度降低了存儲需求，增強了適應大系統(tǒng)、多場景的計算能力，提升計算速度采用賦權的熵權雙基點法，并結合nbi法對帕累托最優(yōu)解進行修正，能夠充分挖掘帕累托前沿解集蘊含的信息和調(diào)度人員的經(jīng)驗，獲得一組可觀、合理、需要的運行點，供調(diào)度人員決策。

以上所述只是本發(fā)明的優(yōu)選實施方式，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也被視為本發(fā)明的保護范圍。