考虑禁止运行区的环境经济调度混合逻辑约束优化方法_郭小璇

合集下载

求解互联电网经济调度的层级协调方法

求解互联电网经济调度的层级协调方法

求解互联电网经济调度的层级协调方法谢国辉;张粒子;舒隽;杨湛【摘要】为适应我国目前多级调度管理体制,促进分层分区经济调度实施,提出求解互联电网经济调度的层级协调方法。

首先,基于层级调度协调运作的思想,建立区域协调中心和分区调度的层级协调运作机制,进而通过层级之间的信息交互实现解耦优化;然后基于序列无约束化方法(SUMT)的二次罚函数法,构建区域协调中心和分区的层级协调优化模型,分别采用拟牛顿算法和原对偶内点算法求解。

IEEE30测试系统表明,层级协调是一种新颖而有效的方法,可以用于求解互联电网经济调度,能够方便实现区域协调中心的一对多全局控制目标。

【期刊名称】《电工技术学报》【年(卷),期】2010(000)004【总页数】7页(P176-182)【关键词】层级协调方法;解耦优化;二次罚函数法;拟牛顿算法;原对偶内点算法【作者】谢国辉;张粒子;舒隽;杨湛【作者单位】华北电力大学电气与电子工程学院,北京102206【正文语种】中文【中图分类】TM7111 引言我国地区间的能源分布与需求不平衡,电源结构和负荷特性存在较大的互补性,地区间资源优化配置空间明显存在。

开展互联电网经济调度对于提高电力系统运行经济性,促进资源优化配置具有积极现实意义。

求解互联电网经济调度的方法可分为集中和分解协调两种。

集中方法能够一次性获得优化结果,显著提高计算效率,但是如果电网规模过大,其建模容量和优化算法的执行效率将受影响,因而目前更多关注分解协调方法。

文献[1]基于直流潮流模型,通过多区域之间交换边界信息进行迭代求解,进而收敛到全局最优解;文献[2]在文献[1]的基础上,基于部分对偶理论分析了电网分区的分解协调模型,提出了一种基于直流最优潮流模型的互联电网多区域分解最优潮流的并行求解算法;文献[3-4]提出引入虚拟母线或虚拟发电机,并将其复制到各个区域的分解方法,并基于辅助问题原理的拉格朗日松弛算法,进行多区域最优潮流的分布并行计算;文献[5-7]提出不改变网络结构,仅在各区域中考虑联络线潮流影响的分解方法,文献[5]采用文献[6]提出的增广拉格朗日松弛的区域分解最优潮流算法求解多区域电力市场输电阻塞管理问题,而文献[7]采用全局优化变量方法求解交流最优潮流问题;在文献[3-4]基础上,文献[8-9]同样基于辅助问题原理方法,用于求解多分区并行无功优化问题。

计及不确定性和混合储能设备的综合能源系统多目标优化调度模型

计及不确定性和混合储能设备的综合能源系统多目标优化调度模型

㊀㊀㊀㊀收稿日期:2021-04-20;修回日期:2021-09-11基金项目:国网宁夏电力有限公司科技项目(5229J Y 190014)通信作者:周静涵(1997-),女,博士研究生,主要从事综合能源系统优化研究;E -m a i l :120192206120@n c e pu .e d u .c n 第37卷第3期电力科学与技术学报V o l .37N o .32022年5月J O U R N A LO FE I E C T R I CP O W E RS C I E N C EA N DT E C H N O L O G YM a y 2022㊀计及不确定性和混合储能设备的综合能源系统多目标优化调度模型马艳霞1,周静涵2,董晓晶1,王华卿2,张玮琪1,谭忠富2,3(1.国网宁夏电力有限公司经济技术研究院,宁夏银川75000;2.华北电力大学经济与管理学院,北京102206;3.延安大学经济与管理学院,陕西延安716000)摘㊀要:为提高综合能源系统内可再生能源消纳水平,量化不确定性机组出力对系统调度的影响,首先构建包含氢能 天然气混合储能的综合能源系统,分析混合储能在系统中的运行特性;其次,构建综合能源系统多目标优化调度模型,利用多目标C V a R 方法对风电机组不确定性风险进行描述;然后,采用模糊C 均值 综合质量评估方法(F C M -C C Q )与改进的粒子群算法将系统不确定性问题转化为确定性问题;最后,分别求解不考虑不确定性的单目标优化结果和考虑不确定性的综合目标优化结果㊂结果表明:混合储能设备能够有效地提高可再生能源消纳水平,实现能量的多级转化;可再生能源不确定性将增加综合能源系统综合成本,系统风险承受能力越强,调度结果越优㊂关㊀键㊀词:混合储能设备;风电不确定性;多目标C V a R ;综合能源系统D O I :10.19781/j .i s s n .1673-9140.2022.03.003㊀㊀中图分类号:TM 732㊀㊀文章编号:1673-9140(2022)03-0019-14M u l t i -o b j e c t i v e o p t i m a l s c h e d u l i n g m o d e l f o rm u l t i -e n e r g y s y s t e mc o n s i d e r i n gu n c e r t a i n t y a n dh y b r i d e n e r g y s t o r a ge d e v i c e s MA Y a n x i a 1,Z HO UJ i n g h a n 2,D O N G X i a o j i n g 1,WA N G H u a q i n g 2,Z H A N G W e i q i 1,T A NZ h o n gf u 2,3(1.E c o n o m i c a n dT e c h n o l og i c a lR e s e a r ch I n s ti t u t e o f S t a t eG r i dN i n gx i aE l e c t r i cP o w e rC o .,L t d .,Y i n c h u a n750000,C h i n a ;2.S c h o o l o fE c o n o m i c s a n d M a n a g e m e n t ,N o r t hC h i n aE l e c t r i cP o w e rU n i v e r s i t y ,B e i j i n g 102206,C h i n a ;3.S c h o o l o fE c o n o m i c s a n d M a n a g e m e n t ,Y a n a nU n i v e r s i t y,Y a n a n716000,C h i n a )A b s t r a c t :A i m i n g a t i m p r o v i n g t h e r e n e w a b l e e n e r g y c o n s u m p t i o n l e v e l i n t h em u l t i -e n e r g y s y s t e ma n d q u a n t i f yt h e i n -f l u e n c eo fu n c e r t a i nu n i to u t p u to ns y s t e m s c h e d u l i n g ,a m u l t i -e n e r g y s y s t e m c o n t a i n i n g h y d r o g e na n d g a se n e r g y s t o r a g e i s c o n s t r u c t e d a n d t h e o p e r a t i o n c h a r a c t e r i s t i c s o f h y b r i d e n e r g y s t o r a g e i n t h e s y s t e ma r e a n a l y z e d i n t h i s p a -p e r .T h e n ,am u l t i -o b j e c t i v e o p t i m a l s c h e d u l i n g m o d e l f o rm u l t i -e n e r g y s y s t e m s i s p r o p o s e d ,a n d t h e u n c e r t a i n t y ri s k o fw i n d t u r b i n e s i s d e s c r i b e db y t h em u l t i -o b j e c t i v e c o n d i t i o n a l v a l u e a t r i s k m e t h o d .I na d d i t i o n ,t h e f u z z y C-m e a n -c o m p r e h e n s i v e q u a l i t y a s s e s s m e n t a n d i m p r o v e d p a r t i c l e s w a r mo p t i m i z a t i o na r eu t i l i z e d t o t r a n s f o r mt h e s y s t e mu n -c e r t a i n t yp r o b l e mi n t o ad e t e r m i n i s t i c p r o b l e m.F i n a l l y ,t h e s i n g l e -o b j e c t i v eo p t i m i z a t i o nr e s u l t sw i t h o u t u n c e r t a i n t y a n d t h e c o m p r e h e n s i v e o b j e c t i v e o p t i m i z a t i o n r e s u l t sw i t hu n c e r t a i n t y a r e s o l v e d r e s p e c t i v e l y .I t i s s h o w n t h a t (1)h y-b r i d e n e r g y s t o r a g e d e v i c e s c a ne f f e c t i v e l y i m p r o v e t h e c o n s u m p t i o n l e v e l o f r e n e w a b l ee n e r g y an dr e a l i z e t h em u l t i -电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年5月s t a g e e n e r g y c o n v e r s i o n.(2)t h eu n c e r t a i n t y o f r e n e w a b l e e n e r g y i n c r e a s e s t h e c o m p r e h e n s i v e c o s t o f am u l t i-e n e r g y s y s t e m.(3)t h e i m p r o v e d r i s k t o l e r a n c e o f s y s t e mc a n i m p r o v e s c h e d u l i n g r e s u l t s.K e y w o r d s:h y b r i d e n e r g y s t o r a g e d e v i c e;w i n d p o w e r u n c e r t a i n t y;t h em u l t i-o b j e c t i v eC V a R m e t h o d;m u l t i-e n e r g y s y s-t e m㊀㊀随着全球能源储量日渐减少,人民生产生活对能源的需求不断提高㊁各国可再生能源渗透比例快速增长,如何有效地利用能源㊁合理使用可再生能源㊁实现需求侧与供给侧供需平衡㊁减少化石能源燃烧造成的环境污染㊁提高能源供给系统稳定性,已经成为亟需解决的问题[1]㊂截止2022年2月底,中国风电装机容量约3.3亿k W,同比增长17.5%;太阳能发电装机容量约3.2亿k W,同比增长22.7%㊂由于可再生能源发电存在多重不确定性,且发电量与用电量在时间和空间上存在较强的不匹配性,可再生能源并网后,受电力系统调节范围限制,将导致弃风㊁弃光现象,2021年全国平均弃风率为3.1%,弃光率为2%[2]㊂因此,在提高可再生能源占比的同时,应积极探索提高可再生能源消纳水平的途径㊂综合能源系统能够有效地整合区域内多种资源,充分挖掘各类能源之间的互补潜力,实现能源子系统之间的协调规划和能源之间的相互转换,满足多元化用能需求的同时,有效地提升能源利用效率㊁缓解环境压力,是解决能源问题㊁促进可再生能源消纳的有效途径[3]㊂因此,考虑可再生能源发电不确定性,同时利用天然气网络的储能和输送能力,与氢储能系统结合形成混合储能系统,进行综合能源系统优化调度,对准确预测发电功率㊁制定精确的调度计划㊁提高系统能源利用效率㊁提高综合能源系统稳定性及经济性具有重要研究价值㊂国内外学者已经针对综合能源系统优化调度展开了广泛的研究,主要是考虑可再生能源出力功率不确定性,通过电源之间的互补性提高系统的调控灵活性[4]㊂文献[5-6]在考虑可再生能源发电不确定性的基础上,引入储能装置以增加系统稳定性,并基于成本效益分析提出了包含储能装置的综合能源系统规模设计方案;文献[7-8]通过引入P2G技术和调峰补偿机制,提高了综合能源系统对多种能源㊁多类型负荷的互补㊁整合作用,但未能考虑储能设备在综合能源系统中所起到的供能缓冲㊁能源聚合和增加系统稳定性的多重作用;文献[9]利用区间线性规划方法对模型进行求解,测算P2G装置转换效率㊁相关组件输出功率以及运营成本,确定可再生能源发电单元的不确定性水平,实现系统调度优化;文献[10]基于综合能源系统的不确定性构建了两阶段优化调度模型,利用氢转天然气和电转天然气装置提高对可再生能源发电的可容纳程度,降低综合能源系统与主网之间的交互波动;文献[11]基于源荷双侧不确定性,提出了鲁棒优化模型,在满足用户负荷需求的基础上,通过协调能源服务主体,实现社会福利最优化;文献[12]考虑了电源侧可再生能源发电不确定性和需求侧负荷波动性,构建多目标鲁棒优化模型,缩小负荷峰谷差㊁增大风电消纳率㊁实现系统燃料成本最小化㊂以上研究对如何提高综合能源系统运行经济性及促进可再生能源消纳进行了探讨,而较少考虑混合储能设备在能源转化过程中的能量损失和可再生能源不确定性对系统多目标优化结果的作用㊂因此,本文设计含氢能 天然气混合储能的综合能源系统,构建考虑不确定性的综合能源系统多目标优化调度模型,利用模糊C均值及综合质量评估方法将风电不确定性出力进行模糊聚类评价,转化为确定性典型场景,利用改进的粒子群算法搜寻最佳综合目标优化结果㊂1㊀含氢能 天然气混合储能的综合能源系统结构㊀㊀电 气互联综合能源系统主要包括小型燃气轮机㊁电转气装置㊁混合储能设备㊁可再生能源发电单元和负荷㊂利用P2G储能装置将可再生能源发电高峰过剩的清洁电力转化为天然气,在可再生能源出力不足而电网负荷高峰期,利用小型燃气轮机发电,减少大电网火电机组调峰压力㊂传统电 气储能系统虽然实现了电力网和天然气网的有效耦合,进行富余电力的大规模㊁低成本存储,但由于只考虑电转天然气,直接进行天然气传输,而忽略了可再生02第37卷第3期马艳霞,等:计及不确定性和混合储能设备的综合能源系统多目标优化调度模型能源发电不确定性对天然气网络的冲击影响,且能量转换效率仅45%~65%,能量转换损失较大㊂而氢能 天然气混合储能系统(h y d r o g e n -g a se n e r g ys t o r a g e s y s t e m ,H G E S S )以电制氢为中间转换环节,起到富余能量从电网流向天然气网络的缓冲作用,同时电制氢环节能量转换率达75%~85%,既实现能源的高效利用,又充分发挥了氢能制作简单㊁安全环保等特点㊂H G E S S 由电制氢(e l e c t r o l y t i ch y d r o g e nu n i t ,E HU )㊁燃料电池(f u e l c e l lu n i t ,F C U )㊁氢转天然气(h y d r o g e n t o g a su n i t ,H 2G U )及氢能存储(h y -d r o g e n s t o r a geu n i t ,H S U )4个单元构成,包括电转氢和电转天然气4个能量转换阶段㊂第1阶段电转氢过程,当系统内存在富余电能时,利用电能将水分解为H 2和O 2,H 2将存入氢存储系统或直接供应;第2阶段电转天然气是当系统内仍存在未能转换电能时,H 2G U 将H 2和大气中捕获的C O 2合成C H 4,利用天然气网络进行传输,直接供应系统内常规气负荷㊂当系统内可再生能源出力不足时,燃料电池和小型燃气轮机进行放电,将H 2或C H 4中储存的化学能转换为电能㊂与传统综合能源系统相比,H G E S S 系统通过2个阶段能量转换,在时间与空间上实现了可再生能源高效利用及电网与天然气网络耦合㊂同时,H G E S S 系统可以有效地应对可再生能源出力随机性及不确定性,当系统剩余可再生能源较少时,能量流通过第1阶段高效型能量闭环流动圈实现能源高效利用;当系统剩余可再生能源较多时,能量流通过第2阶段能量型能量闭环流动圈实现能源规模利用㊂含混合储能的综合能源系统结构如图1所示㊂风电机组主网天然气网电负荷电能燃气轮机天然气天然气负荷电力网氢负荷电解槽电能电能氢氧电池H 2H 2氢储能系统H 2CO 2捕获CH 4天然气储气罐混合储能系统图1㊀含混合储能的综合能源系统F i gu r e 1㊀M u l t i -e n e r g y s y s t e m w i t hh y b r i de n e r g y s t o r a g e 2㊀考虑混合储能的综合能源系统优化调度模型2.1㊀电源出力模型1)微型燃气轮机出力模型㊂P MT i ,t =ηG T H F MTi ,t (1)式中㊀P MTi ,t 为第i 台燃气机组在t 时刻的输出功率;ηG T 为微型燃气轮机发电效率;H 为天然气高热值(单位天然气完全燃烧后,其烟气被冷却到初始温度,其中的水蒸气以凝结水的状态排出时,所放出的全部热量);F MTi ,t 为第i 台燃气机组在t 时刻的燃气消耗速率㊂2)风力发电出力模型㊂综合能源系统中风力㊁光伏发电受自然风速㊁太阳辐射影响,具有较强的不确定性,本文仅考虑风电机组出力不确定性㊂自然风速可以通过W e i b u l l 函数描述:f (v )=φϑv ϑæèöøφ-1e x p -v ϑæèöøφéëùû(2)式中㊀v 为风速;φ为形状参数;ϑ为尺度参数㊂根据风速分布函数,可以计算风力发电功率为g w p p,t =0,0<v t <v i n ,v t >v o u t(v t -v i n )㊃(v r -v i n )g r ,v i n ɤv t ɤv r g r ,v r ɤv t ɤv o u tìîí(3)式中㊀g w p p ,t 为风电机组在t 时刻的发电功率;v t 为t 时刻的自然风速;v i n ㊁v o u t 分别为切入㊁切出风速;v r 为额定风速;g r 为额定输出功率㊂3)氢储能设备充放电模型㊂E H t =E Ht -1-P H t -αE 2H ðN E L Ei =1P E L Ei ,t +ðN F Ci =1PF Ci ,tαH 2E +ðN H 2Gi =1PH 2Gi ,tαH 2GæèöøΔt (4)E H m i n ɤE H t ɤE Hm a x(5)式中㊀E H t ㊁E Ht -1分别为氢储能系统t 时刻和t -1时刻剩余电量;P Ht 为直接供应氢负荷功率;αE 2H ㊁αH 2E ㊁αH 2G 分别为电解制氢㊁燃料电池发电㊁氢气合12电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年5月成甲烷的效率;N E L E㊁N F C㊁N H2G分别为电解槽㊁氢燃料电池及H2G装置个数;P E L E i,t㊁P F C i,t㊁P H2G i,t分别为第i个电解槽㊁氢燃料电池㊁H2G装置在t时刻消耗的有功功率;E H m i n㊁E H m a x分别为氢储能系统最小㊁最大容量;Δt为运行时长㊂2.2㊀目标函数本文所提的综合能源系统多目标优化调度模型涉及系统运行成本和环境成本2个部分㊂系统运行成本包括燃气机组的燃气费用㊁向主网购售电费用以及混合储能系统在充放电㊁合成C H4的过程中损耗和注入天然气网络的气收益;环境成本则包括向外部主网购电,化石燃料燃烧造成的大气污染治理成本㊁燃气机组运行产生的碳排放成本和储能系统合成C H4时消耗C O2所带来的环境效益㊂2.2.1㊀系统运行成本m i n f1=f p o w e r+f H G E S S(6)式中㊀f1为综合能源系统运行成本;f p o w e r为综合能源系统发电单元运行成本;f H G E S S为综合能源系统混合储能单元运行成本㊂1)发电单元运行成本㊂综合能源系统发电单元包括微型燃气轮机和风电机组发电,其运行成本包括燃气机组的燃气成本及综合能源系统供电能力不足时向大电网端的购售电成本,即f p o w e r=f MT p o w e r+f G p o w e r(7)式中㊀f MT p o w e r为燃气机组运行成本;f G p o w e r为向大电网端的购售电成本㊂其中,微型燃气轮机燃气成本为f MT p o w e r=(Cg a s/H)ðT t=1ðN MT i=1(P MT i,t/ηG TΔt)(8)式中㊀T为调度周期数;C g a s为天然气购买价格; N MT为微型燃气机组个数;Δt为运行时长㊂由于可再生能源机组出力存在不确定性,综合能源系统需要与大电网端进行能量交互来维持系统内供需平衡,因此,与大电网端进行能量交互的成本收益为f G p o w e r=ðT t=1λt P G tΔt(9)式中㊀λt为t时刻的分时电价;P G t为t时刻综合能源系统向大电网端购售电的有功功率(功率大于0时表示购电,小于0时表示售电)㊂2)混合储能系统运行成本㊂混合储能系统运行成本主要考虑电 气能量转换时系统的能量损失成本以及储能系统向天然气网络注入天然气的收益㊂f H G E S S=f c o s t H G E S S-f e a r n H G E S S(10) f c o s t H G E S S=ðT t=1Δtλtæè1-αE2HαE2HðN E L E i=1P E L E i,t+1-αH2EαH2EðN F C i=1P F C i,t+1-αH2GαH2GðN H2G i=1P H2G i,töø(11)f e a r n H G E S S=(Pg a s/H)ðT t=1ðN H2G i=1P H2G i,tΔt(12)式中㊀f H G E S S为混合储能系统运行成本;f c o s t H G E S S为系统能量转换损失成本;f e a r n H G E S S为储能系统气收益; P g a s为C H4的出售价格㊂2.2.2㊀环境成本综合能源系统环境成本计算为m i n f2=λG C O2P G t+λMT C O2ðT t=1ðN MTi=1P MT i,t-λH2G C O2ðT t=1ðN H2Gi=1P H2G i,t(13)式中㊀f2为综合能源系统环境成本;λG C O2为区域电网单位供电C O2排放系数;λMT C O2为微型燃气轮机单位发电C O2排放系数;λH2G C O2为H2G装置合成C H4的C O2捕获系数㊂2.3㊀约束条件2.3.1㊀电力网络约束1)电力功率平衡约束㊂P G t+ðN MT i=1P MT i,t+ðN WT i=1P WT i,t+ðN F C i=1P F C i,t=ðN E L E i=1P E L E i,t+ðN H2G i=1P H2G i,t+P L t(14)式中㊀P L t为t时刻系统电负荷功率;P W T i,t为第i个风电机组在t时刻的有功功率;N W T为风电机组个数㊂2)节点电压约束㊂U i,m i nɤU i,tɤU i,m a x(15)式中㊀U i,t为节点i在t时刻的电压;U i,m a x㊁U i,m i n 分别为节点i的电压上㊁下限㊂3)线路功率约束㊂P l,m i nɤP lɤP l,m a x(16)式中㊀P l为线路l流过的功率;P l,m a x㊁P l,m i n分别为线路l允许经过的功率上㊁下限㊂4)微型燃气轮机出力约束㊂22第37卷第3期马艳霞,等:计及不确定性和混合储能设备的综合能源系统多目标优化调度模型P MT i,m i nɤP MT i,tɤP MT i,m a x(17)式中㊀P MT i,t为第i台燃气轮机在t时刻的有功功率;P MT i,m a x㊁P MT i,m i n分别为第i台燃气轮机有功功率上㊁下限㊂5)微型燃气轮机爬坡约束㊂P MT i,t-P MT i,t-1ɤR U,i(18)P MT i,t-1-P MT i,tɤR D,i(19)式中㊀R U,i㊁R D,i分别为第i个燃气机组爬坡㊁滑坡上限㊂2.3.2㊀耦合单元约束P2G和燃气轮机实现了电网与天然气网络之间的能量互通,二者的耦合模型构建如下㊂1)P2G耦合单元约束㊂混合储能系统将P2G 划分为电解制氢以及氢转天然气2个环节,氢储能系统输出功率与天然气网络注入功率耦合关系为Q H2G,t㊃H=ðN H2G i=1P H2G i,t=αH2G P H t(20)式中㊀P H t为氢储能系统在t时刻氢能转化为天然气的功率㊂2)微型燃气轮机耦合单元约束㊂微型燃气轮机在综合能源系统中既为电源,也是消耗天然气的气负荷单元,燃气机组发电量与天然气消耗量关系为ðN MT i=1P MT i,t/ηG T=Q MT,t㊃H(21) 3㊀综合能源系统多目标优化调度模型不确定性描述㊀㊀在可再生能源装机成本下降以及相关政策驱动影响下,可再生能源接入比例持续提高㊂本文构建的综合能源系统具有较强的多能耦合以及混合储能灵活性,在充分考虑可再生能源发电不确定性的条件下,可以通过挖掘综合能源系统灵活性,利用各单元耦合协调,补偿所接入可再生能源出力单元所带来的不确定性,减少不确定性风险对综合能源系统调度运行造成的成本增量,实现供能实时平衡㊂基于本文第1章所构建的综合能源系统优化调度模型,为了提高综合能源系统运行调度的可靠性及经济性,对风电机组出力不确定性进行描述,并利用多目标C V a R方法描述风电出力不确定性对综合能源系统运行成本和环境成本造成的风险损失,构建混合储能综合能源系统多目标优化调度模型㊂3.1㊀风电机组出力不确定性描述在综合能源系统各单元出力调度过程中,需要根据风电机组历史出力数据提前预测机组未来出力水平,而风力发电受风速影响存在较强的不确定性,为规避其不确定性造成的综合能源系统调度运行风险,应用多目标C V a R方法对其风险进行描述,考虑风电机组出力不确定性后的电力网络约束为ðN E L E i=1P E L E i,t+ðN H2G i=1P H2G i,t+P L t-P G t-ðN MT i=1P MT i,t-ðN F C i=1P F C i,tɤðN WT i=1P WT i,t(22)ðN WT i=1P WT i,t=ðN WT i=1P WT i,t+ðN WT i=1e i(t)(23)式中㊀P WT i,t为第i个风电机组在t时刻的出力预测值;e i(t)为第i个风电机组在t时刻的出力预测值与实际出力的偏差㊂根据文献[13]可以假定风电机组出力偏差服从正态分布e i(t)~N(θi.t,σ2i,t),θi.t㊁σ2i,t分别为第i个风电机组在t时刻有功功率预测偏差均值和标准差,e i(t)分布规律可由历史出力数据获得㊂风电机组的不确定性会影响综合能源系统的调度方案,当风电机组出力预测值高于实际值时,为满足园区内部负荷需求,将增大燃气轮机机组出力以及储能设备能源转换水平,增加系统运行成本;在预测偏差较大时,受其他出力单元功率约束,将增加园区系统向主网的购电成本;当风电机组出力预测值低于实际值时,则可能增加园区内部可再生能源弃能量,导致系统环境成本增加㊂因此,为降低风电机组出力不确定性给系统稳定运行带来的风险,需要借助风险分析方法描述不确定性因素对目标函数的影响程度㊂3.2㊀多目标C V a R方法当系统内存在多个损失函数时,可采用多目标C V a R方法,描述确定置信水平下的风险状况㊂设存在与决策变量xɪX⊂R n相关的n个损失函数f k(x,ζ)ɪR n㊃R mңR k(k=1,2, ,K),其均为连续函数,ζ为连续型随机变量,表示可能会影响损失函数的不确定性因素,概率密度函数为p(z),32电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年5月f k (x ,ζ)的分布函数为ψk (x ,y k )=P {f k (x ,ζ)ɤy k }=ʏf k (x ,z )ɤy kp (z )d z (24)㊀㊀定义损失函数权重为λi (i =1,2, ,n ),则决策变量x 在置信水平α下,基于权重λ的α-C V a R损失值可表示为y ∗(x ,λ)=m i n yðKi =1(λk (1-αk )-1ψk ),(x ȡy )ðKk =1(λk αk(1-αk)-1)ìîíüþý(25)㊀㊀引入损失函数为ϕk ,a k(x ,y k )=(1-αk )-1ʏf k (x ,z )ȡy kf (x ,z )p (z )d z (26)㊀㊀则决策变量x 在置信水平α下基于权重λ的α-C V a R 损失值为ϕ(x ,y ∗(x ,λ))=ðni =1(λi ϕi ,αi(x ,y ∗(x ,λ)))(27)式中㊀αi 为第i 个损失函数的置信水平㊂定义优化函数以寻求可行域下α-C V a R 损失值最小,即m i n ϕ(x ,y ∗(x ,λ))=ðni =1λi ϕi ,αi(x ,y ∗(x ,λ))(28)3.3㊀综合能源系统多目标C V a R 优化调度模型3.3.1㊀考虑风电机组不确定性的目标函数构建在考虑不确定性时,风电机组出力偏差造成的损失将由综合能源系统中的微型燃气机组及储能设备承担㊂因此,引入风电出力预测偏差概率,构建考虑风险的系统优化调度目标函数㊂1)发电单元运行成本㊂f MTpo w e r =C g a s /H ()ðTt =1(φMTe (t )P MTt /ηG T Δt )(29)fGpo w e r =ðTt =1(λt φGe (t )P GtΔt )(30)f p o w e r =f MTpo w e r +f Gp o w e r (31)式中㊀φMT ㊁φG 分别为微型燃气轮机机组和外部主网承担功率调整比例的任务;P MTt 为t 时刻微型燃气轮机的有功功率;P G t 为t 时刻系统向主网购电功率;e (t )为t 时刻风电机组实际出力功率与预测功率的偏差值㊂2)混合储能系统运行成本㊂f H G E S S =ðT t =1(Δt φH G E S S e (t )㊃λtéë1-αE 2H αE 2HP E L Et +1-αH 2E αH 2E P F C t +1-αH 2G αH 2G P H 2G t ùû-P g a s/H ()P H 2Gt )(32)式中㊀φH G E S S 为混合储能系统承担的功率调整系数;P E L E t ㊁P F C t ㊁P H 2Gt分别为电解槽㊁氢燃料电池㊁P 2G 装置在t 时刻消耗的有功功率㊂3)系统运行成本㊂m i n f 1=f p o w e r +f H G E S S(33)㊀㊀4)环境成本㊂m i n f 2=λGC O 2φGe (t )P Gt+λMTC O 2ðTt =1φMTe (t )P MTt -λH 2G C O 2ðTt =1φH 2Ge (t )P H 2Gt (34)式中㊀φH 2G 为P 2G 装置承担的功率调整系数㊂3.3.2㊀考虑不确定性的约束条件构建在考虑不确定性因素时,需要对传统约束条件进行不确定性转化,其中,电力功率平衡约束如式(26)㊁(27)所示㊂1)微型燃气轮机出力约束㊂P MT m i n ɤP MT t φMT e (t )ɤP MTm a x (35)式中㊀P MT m i n ㊁P MTm a x 分别为微型燃气机组出力功率上下限㊂2)微型燃气轮机爬坡约束㊂P MT t φMT e (t )-P MTt -1φMTet -1()ɤR U (36)P MT t -1φMTe (t -1)-P MTt φMT e (t )ɤR D (37)式中㊀R U ㊁R D 分别为微型燃气轮机爬坡㊁滑坡上下限㊂3)P 2G 耦合单元约束㊂Q P 2G ,t ㊃H =P H 2G t φH 2G e (t )=αH 2G P Ht (38)42第37卷第3期马艳霞,等:计及不确定性和混合储能设备的综合能源系统多目标优化调度模型㊀㊀4)微型燃气轮机耦合单元约束㊂P MTt φMT e (t )/ηG T =Q MT ,t ㊃H (39)3.3.3㊀多目标C V a R 优化调度模型构建利用多目标C V a R 方法,以考虑不确定性因素目标函数的α-C V a R 值最小为目标,构建损失函数,即F i ,αiT ,y i ()=y i +1-αi ()-1㊃ʏZ ɪRmf i T ,e ()-y i ()+p e ()d e (40)m i n ðKk =1λk F i ,αi T ,y ()(41)s .t .y ɪR ,x ɪX (42)式(40~(42)中㊀T 为综合能源系统各出力单元集合;αi 为第i 个目标函数的置信水平;y i 为第i 个目标函数的α-C V a R 值㊂式(41)等价于对于任意x ,如果存在y 是式(40)的唯一最优解,满足条件:P (πi (x ,y )=z )=ʏπi (x ,z )=ξp (z )d z =0(43)则以下结论成立:ðni =1(λi ϕi ,a i (x ,y ))=m i n ξɪRðni =1(λi F i ,a i (x ,y ))(44)y =y ∗(x ,λ)(45)㊀㊀此时,对于任意给定权值λ,若(x ,y )能够使模型式(41)达到最优的同时,式(6)成立,则x 能够使模型(27)达到最优㊂综上,构建考虑不确定性的综合能源系统调度方案α-C V a R 值最小的优化模型为mi n F i ,αi(T ,y i ),i =1,2s .t .P Gt+ðN MTi =1PMTi ,t+ðN F Ci =1PF Ci ,t-ðN E L Ei =1PE L Ei ,t+ðN H 2G i =1PH 2G i ,t-P LtɤðN WT i =1PWTi ,t式(14)~(25),式(39)~(43)T ={P MT i ,t ,P WT i ,t ,P E L E i ,t ,P F C i ,t ,P H 2Gi ,t }ìîí(46)3.3.4㊀综合优化目标函数由于系统运行成本损失值最小与环境成本损失值最小存在相互对立关系,因此首先采用模糊集理论将目标函数转化为隶属度函数,再采用加权综合指标法将多目标函数转化为单目标函数㊂优化第i 个目标函数的隶属度函数为F i =1,F ^βi ȡF m a xβiF ^βi -F m i nβi F m a x βi -F m i n βi,F m i n βi ɤF ^βi ɤF m a x βi 0,F ^βi ɤF m i nβiìîí(47)式中㊀F m i n βi 为第i 个目标函数的优化结果;F m a xβi为第i 个目标函数单目标优化结果的最大值㊂因此,综合目标函数为m i n F =ω1F 1+ω2F 2(48)式中㊀ω1㊁ω2分别为系统运行成本㊁环境成本权重系数,且ω1+ω2=1㊂4㊀求解算法针对考虑不确定性的综合能源系统多目标优化调度模型,本文运用模糊C 均值及综合质量评估方法(F C M -C C Q )与改进的粒子群算法相结合进行求解㊂在单目标优化阶段,利用模糊C 均值及综合质量评估方法将不确定性问题转化为确定性问题,通过选取多组风电机组出力历史数据进行聚类分析,将历史出力数据聚类为几个典型场景数目,在不同典型场景中寻求单目标函数最优解㊂在多目标优化调度模型求解阶段,基于单目标函数最优解结果,初始化粒子适应度,利用改进的粒子群算法(i m pr o v e d p a r t i c l e s w a r m o p t i m i z a t i o n ,I P S O )同时兼顾系统运行成本及环境成本,在多维解空间中构造所谓的 粒子群 ,粒子群中每个粒子通过跟踪自己和群体发现最优值,不断修正自己的前进方向和速度,从而找寻最优解㊂算法求解流程如图2所示㊂更新后粒子的速度和位移㊁权重表示方法为v i (t +1)=ωv i (t )+a 1R 1[X i -x i (t )]+a 2R 2[X g -x i (t )](49)x i (t +1)=x i (t )+v i (t +1)(50)ω=μ+θN (0,1)(51)μ=μm i n +(μm ax -μm i n )r a n d (0,1)(52)式(49)~(52)中㊀ω为惯性权重因子;θ㊁μ分别为随即权重方差和均值;μm a x ㊁μm i n 分别为随机权重的均值最大㊁最小值;a 1㊁a 2为学习因子;R 1㊁R 252电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年5月为[0,1]之间的随机数;x i (t )㊁v i (t )分别为第i 个粒子在t 时刻的位置和速度;X i 为第i 个粒子目前搜索到的最优位置;X g 为所有粒子搜索到的最优位置;N (0,1)为标准正态分布随机数;r a n d (0,1)为0~1之间的随机数㊂单目标优化结果不同渗透率下风电出力历史数据开始历史数据序列2历史数据序列1历史数据序列n …FCM 场景聚类聚类结果综合评价评分得到典型出力场景典型出力场景单目标函数值计算考虑CVaR 系统的全局最优粒子求出全局最优综合优化目标值更新粒子的速度和位置更新权重比较所有目标值,更新综合优化目标值是否满足结束条件结束否初始化粒子适应度改进的粒子群算法图2㊀多目标调度优化模型求解流程F i gu r e 2㊀P r o c e s s c h a r t o f t h em u l t i -o b j e c t i v e s c h e d u l i n g o pt i m i z a t i o nm o d e l 5㊀算例分析5.1㊀基础数据为验证模型的有效性,本文选取北方某工业园区为背景进行算例分析㊂天然气网络运行约束和储气罐的具体参数见文献[14-15]㊂结合该省实际价格并参照国内外成熟供能市场综合折算[16-17],园区内部及外部供能价格如表1所示,园区系统主要设备参数如表2所示[18]㊂表1㊀电/气分时价格T a b l e 1㊀T i m e -o f -u s e p r i c e o f e l e c t r i c i t y an d g a s 峰谷时段时段划分外购价格电/(元/(k W ㊃h ))气/(元/m3)谷时段23:00 07:000.346 平时段11:00 14:0018:00 23:000.706 峰时段07:00 11:0014:00 18:001.17800:00 24:002.500表2㊀园区综合能源系统设备主要参数T a b l e 2㊀P a r a m e t e r s o f d e v i c e s i n t h e p a r km u l t i -e n e r g y s ys t e m s 设备最小出力功率/k W最大出力功率/k W滑坡上限/(k W /m i n )爬坡上限/(k W /m i n)效率/%风机03000 微型燃气轮机2530051035电解槽 90燃料电池5402270H 2G 装置10060系统内部风电机组装机容量为30MW ㊁微型燃气轮机机组装机容量为6MW ㊁储能装机容量为5MW ㊂多目标粒子群算法中,粒子种群数目为200,混沌搜索代数为100,算法最高迭代次数为400;微型燃气轮机发电模型中,天然气高热值为10.8(k W ㊃h )/m 3[13]㊂参考文献[18],设置主网单位发电量的C O 2排放系数为1.19k g /(k W ㊃h ),微型燃气轮机C O 2排放系数为0.68k g /(k W ㊃h ),H 2G 装置单位C O 2捕获系数为2.2k g /(k W ㊃h ),单位发电量单位C O 2处置费用为1203元/t ;风电发电不确定模型中,切入㊁切出以及额定风速分别为3㊁26㊁15m /s ,基于自然条件,结合发电模型,本文取1h 为时间步长,对园区一天24h 进行优化调度,根据风电机组历史出力数据和预测数值,通过设置置信度水平,确定出最佳聚类场景结果为10组典型风电出力场景,如图3所示㊂预测园区典型日电负荷㊁天然气负荷㊁氢负荷需求量如图4所示㊂在综合能源系统实际运行过程中,需要同时考虑系统运行成本和环境成本,通过调整单个优化目标权重来求解综合目标最优解,为量化分析系统内部风电机组出力不确定性对系统成本的影响,通过设置不同置信度水平反映系统对风险的规避程度㊂本文基于不同置信度水平设置目标函数权重,选取6种典型情况进行对比,如表3所示㊂随着环境成本权重系数的增加,系统内部机组将承担更多的由于风电出力不确定性造成的功率调整,基于目标函数的权重设定,参考文献[18],设置系统各单元所承担的由于风电出力不确定性造成的62。

电力系统经济调度问题的优化算法研究

电力系统经济调度问题的优化算法研究

电力系统经济调度问题的优化算法研究电力系统是现代社会中不可或缺的基础设施之一,而电力系统的经济调度问题一直是一个备受关注的研究方向。

经济调度的目标是实现电力系统的稳定运行,并在保证供电质量的前提下,最大限度地降低成本。

一、问题的背景电力系统经济调度问题主要涉及发电机组的起停与负荷调节,以及电力市场的交易问题。

在传统的经济调度中,通常以最小化总成本为目标,包括燃料成本、发电成本和交易成本等。

然而,随着电力市场的发展和复杂性的增加,传统的经济调度算法逐渐暴露出一些问题,如计算效率低、不适应多目标优化等。

二、优化算法的应用为了解决传统经济调度算法存在的问题,研究人员开始将优化算法应用于电力系统经济调度中。

优化算法是一种以数学方法为基础,通过搜索和比较算法的性能指标来寻找最优解的方法。

常用的优化算法包括遗传算法、粒子群算法和模拟退火算法等。

1. 遗传算法遗传算法是模拟生物进化过程的一种优化算法。

它通过一系列的变异、交叉和选择操作,不断优化搜索空间,寻找最优解。

在电力系统经济调度中,遗传算法可以用来确定发电机组的最优启停方案,以及负荷的最优分配方案。

其优点是能够同时考虑多个目标,适应多目标优化问题。

2. 粒子群算法粒子群算法是一种模拟鸟群或鱼群行为的优化算法。

在电力系统经济调度中,粒子群算法可以用来确定发电机组的最优发电方案和负荷调节方案。

粒子群算法的优点是易于实现和计算速度快,但对初始参数的选择较为敏感。

3. 模拟退火算法模拟退火算法是一种模拟金属退火过程的优化算法。

在电力系统经济调度中,模拟退火算法可以用来确定发电机组的最优出力方案和交易策略。

与其他优化算法相比,模拟退火算法能够跳出局部最优,具有较强的全局搜索能力。

三、优化算法的挑战和趋势尽管优化算法在电力系统经济调度中取得了一定的研究成果,但仍然面临一些挑战。

首先,电力系统经济调度问题通常涉及大规模和复杂的数学模型,需要高效的算法实现和计算能力。

其次,优化算法需要考虑多个目标之间的权衡和平衡,以及不确定性因素的影响。

采用多目标蚁狮优化算法(MALO)的环境经济调度

采用多目标蚁狮优化算法(MALO)的环境经济调度

第13卷㊀第6期Vol.13No.6㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用IntelligentComputerandApplications㊀㊀2023年6月㊀Jun.2023㊀㊀㊀㊀㊀㊀文章编号:2095-2163(2023)06-0117-05中图分类号:TM73.4文献标志码:A采用多目标蚁狮优化算法(MALO)的环境经济调度何㊀旺,刘㊀敏(贵州大学电气工程学院,贵阳550025)摘㊀要:本文针对传统优化算法求解电力系统环境经济调度(EED)容易陷入局部最优解的问题,采用了一种多目标进化算法 多目标蚁狮优化算法(MALO),通过在计及阀点效应和没有阀点效应的测试案例上实现㊂实验表明,MALO算法在可行域内更容易搜索出全局最优解㊂关键词:环境经济调度;多目标优化算法;阀点效应;蚁狮算法Environmentaleconomicschedulingusingmulti-objectiveantlionoptimizationalgorithm(MALO)HEWang,LIUMin(CollegeofElectricalEngineering,GuizhouUniversity,Guiyang550025,China)ʌAbstractɔThispaperadoptsanewmulti-objectiveevolutionaryalgorithm-Multi-objectiveantlionoptimizationalgorithm(MALO)tosolvetheproblemthattheenvironmentaleconomicdispatch(EED)ofthepowersystemiseasytofallintothelocaloptimalsolutionbythetraditionaloptimizationalgorithm.WetestMALOunderthecaseswhenthevalvepointeffectistakenintoaccountandwhenitisnot.TheexperimentsshowthattheMALOalgorithmiseasiertoreachtheglobaloptimalsolutioninthefeasibleregion.ʌKeywordsɔenvironmentaleconomicdispatch;multi-objectiveoptimizationalgorithm;valvepointeffect;antlionalgorithm作者简介:何㊀旺(1998-),男,硕士研究生,主要研究方向:经济调度㊁优化调度;刘㊀敏(1972-),女,博士,教授,主要研究方向:电力系统分析㊁电力系统优化㊁电力市场等㊂通讯作者:刘㊀敏㊀㊀Email:lium@gzu.edu.cn收稿日期:2022-05-240㊀引㊀言发电经济调度(ED)的基本目标是调度承诺的发电机组出力,以便在满足所有机组㊁系统等式和不等式约束的同时,以最小的运行成本满足负荷需求㊂ 十三五 期间,中国将加大环境综合治理力度,大力推进污染物达标排放和总量减排㊂为了实现国家提出的 双碳 目标,对于电力系统经济调度来说,不仅要考虑经济性还需兼顾污染排放量问题,需要将经济性和污染物排放同时作为目标函数,即电力系统环境经济调度(Economic-EnvironmentalDispatch,EED)㊂对于EED问题,相关文献也给出了很多不同的解决方案㊂如:文献[1]中,通过将排放视为具有允许限制的约束,将EED问题简化为单个目标问题㊂然而,这种公式在获得成本和排放之间的权衡关系方面存在严重困难㊂或者,除了通常的成本目标之外,最小化排放已被作为另一个目标来处理㊂文献[2]中提出了一种基于线性规划的优化程序,一次考虑一个目标㊂令人遗憾的是,EED问题是一个高度非线性的优化问题㊂因此,利用导数和梯度的传统优化方法,通常无法定位或识别全局最优值㊂另一方面,必须给出许多数学假设,例如分析和微分目标函数来简化问题㊂此外,这种方法没有提供任何有关权衡取舍的信息㊂在其它研究方向,文献[3]通过将不同目标线性组合为加权和,这种加权和方法的重要方面是可以通过改变权重来获得一组非劣(或帕累托最优)解㊂但该方法不能用于在具有非凸帕累托最优前沿的问题中找到帕累托最优解㊂为了避免这个困难,文献[4-5]中提出了用于多目标优化的约束方法㊂该方法基于优化最优选的目标,并将其他目标视为受某些允许水平限制的约束,然后更改这些级别以生成整个帕累托最优集㊂很明显,这种方法非常耗时,并且往往会找到弱非支配解决方案㊂文献[6]中蚁狮优化算法(AntLionOptimizer,ALO)是澳大利亚学者SeyedaliMirjalili受到自然界蚁狮捕猎蚂蚁行为的启发,于2014年提出的一种新型元启发式算法㊂多目标蚁狮优化算法(MALO)是蚁狮优化算法(ALO)的改进版本,MALO算法对于大规模非线性规划问题有较强的适应性和有效性㊂本文基于MALO算法来解决电力系统环境经济调度问题㊂所提出的方法在Matlab仿真平台上对含有10台和40台发电机组系统进行仿真计算,通过与现有的优化算法结果的对比与分析,表明MALO算法在可行域内更容易搜索出全局最优解㊂1㊀机组组合优化模型环境经济电力调度问题是最小化燃料费用和污染排放量;同时还要满足几个等式约束和不等式约束条件㊂1.1㊀目标函数1.1.1㊀总燃料成本总燃料成本函数可以定义为二次函数的总和㊂该函数如式(1)所示:F1(PGi)=ðNi[ai+biPGi+ciP2Gi]i=1,2, ,N(1)式中:N是机组台数,ai㊁bi㊁ci是第i个机组的成本系数,PGi为第i台发出的有功出力㊂在实际发电系统中,汽轮机进气阀突然开启会产生一种 拔丝现象 ,即当系统中发电单元的发电功率逐渐增加的同时,发电机汽门的开放数量也必须相应地随之增多[7],当前一级进气门完全打开后,后一级进气门刚刚开启时,这时蒸汽会受到一定程度的阻碍,而使得发电机耗量增加㊂可表示为F2(PGi)=|disin[ei(PminGi-PGi)]|式中:F2(PGi)为第i台机组的阀点效应成本,di㊁ei为第i台机组的阀点费用系数㊂所以总燃料成本为F(PGi)=F1(PGi)+F2(PGi)=ðNi[ai+biPGi+ciP2Gi]+|disin[ei(PminGi-PGi)]|(2)1.1.2㊀总污染排放量火力发电厂燃烧化石燃料释放的排放总量,如SO2或NOx可以定义为二次函数和指数函数的总和,数学表达如式(3):E(PGi)=ðNi10-2(αi+βiPGi+γiP2Gi)+ηiexp(δiPGi)(3)式中:αi㊁βi㊁γi㊁ηi㊁δi为第i台发电机的排放特性系数㊂1.2㊀约束条件1.2.1㊀发电机上下限约束为了稳定运行,每台发电机的实际功率输出受下限和上限限制,如式(4):PminGiɤPGiɤPmaxGi,i=1, ,N(4)式中:PminGi表示第i台发电机的出力下限,PmaxGi表示第i台发电机的出力上限㊂1.2.2㊀电力平衡约束总发电量必须覆盖总需求PD和输电线路的实际功率损耗Ploss㊂因此,电力平衡约束如式(5):ðNi=1PGi-PD-Ploss=0(5)㊀㊀网络损耗表示如式(6):PL=ðNi=1ðNj=1PGiBijPj+ðNi=1B0iPGj+B00(6)式中:Bij㊁B0i㊁B00为发电系统网损系数㊂1.2.3㊀安全约束为了安全运行,输电线路的负载Sl受到其上限的限制,线路安全容量约束如式(7):SliɤSmaxli,㊀i=1, ,nl(7)式中:nl为输电线的数量㊂1.3㊀数学模型描述由上面的目标函数和约束条件,EED问题可以在数学上表述为非线性约束多目标优化问题[8],如式(8) 式(10)所示㊂MinimizePG㊀FPG(),EPG()[](8)subjectto:gPG()=0(9)hPG()ɤ0(10)式中:g,h分别表示等式约束和不等式约束,PG=PG1, ,PGNG[]㊂2㊀多目标蚁狮优化算法(MALO)2.1㊀蚁狮捕食过程蚁狮是蚁蛉科家族的成员,蚁狮一生分为两个阶段:幼虫和成虫㊂蚁狮算法模拟的是大自然中蚁狮(幼虫)捕猎蚂蚁的行为㊂如图1所示,蚁狮在捕食前会用其巨大的下颚挖出一个锥形的陷阱,并藏在陷阱底部等待蚂蚁(当然也包括其它一些小昆虫)到来,在蚁狮周围随机游走的蚂蚁可能落入其中㊂当蚂蚁落入陷阱后,蚁狮就会往陷阱边缘抛沙,将蚂蚁埋进陷阱并811智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀将其捕食,接着蚁狮将蚂蚁的残骸丢到坑外,然后蚁狮重新布置陷阱,等待后续猎物㊂图1㊀蚁狮的觅食行为Fig.1㊀Foragingbehaviorofantlions2.2㊀MALO解决优化问题使用MALO解决优化问题,主要分为以下6个步骤:(1)蚂蚁种群根据式(11)随机移动,为了保证蚂蚁在可行域的范围内随机移动,还需根据式(13)进行修正:X(t)=[0,cumsum(2r(t1)-1, ,cumsum(2r(tk)-1)](11)式中:X(t)为蚂蚁随机移动的步数集,k为随机移动的步数,r的数学表达式为:r=1,rand>0.50,randɤ0.5{(12)式中rand为[0,1]之间的随机数㊂Xti=Xti-ai()ˑdti-cti()bi-ai()+ci(13)式中:ai和bi分别表示第i维变量随机移动的最小与最大值,ci和di分别表示第i维变量在第t代时的最小值与最大值㊂(2)蚂蚁在随机移动时,会受到蚁狮布置的陷阱影响,其数学表达式为:ctj=Altj+ctdtj=Altj+dt(14)式中:ct和dt分别表示所有变量第t次迭代时的最小值与最大值,ctj和dtj分别表示第j只蚂蚁在第t次迭代的最小值与最大值,Altj为第j只蚁狮在第t次迭代时的位置㊂(3)如果蚂蚁落入陷阱,蚁狮会立刻向陷阱中的边缘抛沙防止蚂蚁逃出陷阱,蚂蚁活动的范围会越来越小[9]㊂数学表达式为:ct=ctI(15)dt=dtI(16)I=1,tɤ0.1T10ω㊃tT,t>0.1Tìîíïïï(17)式中:I为比例系数,T是最大迭代次数,ω是一个常数,表示随迭代次数增大的数㊂(4)蚁狮捕食蚂蚁:将蚁狮个体适应度与蚂蚁个体适应度相比较,若蚂蚁个体适应度优于蚁狮个体适应度,然后蚁狮吃掉蚂蚁,蚁狮的位置替换掉蚂蚁的位置,完成蚁狮位置的更新[10],其数学表达式为Altj=Antti,if:fAntti()>fAltj()(18)式中:Antti为第i只蚂蚁在第t次迭代时的位置,f(Antti)为第i只蚂蚁的适应度,f(Altj)为第j只蚁狮个体的适应度㊂在单目标优化问题中,只需选择适应度函数最优的个体;而在多目标优化中,需要计算多个适应度函数的值[11]㊂本文蚁狮的适应度函数为总燃料成本和总污染排放量㊂(5)蚁狮的精英策略:计算出每个蚁狮的适应度,适应度最优的蚁狮将胜出,变为精英蚁狮,数学表达式为fAltelite()=minfAlt1(),fAlt2() fAltm()()(19)式中fAltelite()是精英蚁狮的适应度㊂(6)蚂蚁种群更新:为确保迭代后蚂蚁种群的全局多样性,对蚂蚁种群进行更新,数学表达式为Antt=Aelitet+Aselectt2(20)式中:Aelitet为第t次迭代时精英蚁狮位置,Aselectt为第t次迭代时被选定蚁狮位置㊂二者相加取平均值,即为新一代蚂蚁种群中的蚂蚁个体㊂2.3㊀多目标蚁狮算法求解环境经济调度流程基于蚁狮优化算法的环境经济调度步骤如下:(1)设置算法参数和输入原始数据:设置算法最大迭代次数Max_iter和种群数量m,解的维数n,搜索空间的上限ub和下限ul[12];输入每台机组的成本系数和排放系数㊁机组的上下限约束㊂(2)初始化蚂蚁种群和蚁狮种群:随机生成蚁狮种群AlN和蚂蚁种群AntN,通过式(2)和式(3)计算蚁狮个体的适应度值f(Al),适应度最优的蚁狮将胜出,并选其作当前种群的精英蚁狮Alelite㊂(3)通过轮盘赌选择机制,选出适应度较优的蚁狮作为被选择的蚁狮Alselect与精英蚁狮Alelite㊂依据公式(14)一起构造陷阱㊂(4)蚂蚁根据公式(11)随机游走,还要保证蚂911第6期何旺,等:采用多目标蚁狮优化算法(MALO)的环境经济调度蚁随机移动在可行域的范围内,根据公式(13)进行归一化处理[7]㊂(5)蚂蚁掉入陷阱:蚂蚁落入陷阱后,蚂蚁在陷阱内按照公式(15) 公式(17)活动,移动的范围将越来越小㊂(6)蚁狮种群更新:通过比较适应度大小,蚁狮吃掉蚂蚁,完成蚁狮种群的更新,选出新一代蚁狮种群中的精英蚁狮㊂(7)蚂蚁种群更新:精英蚁狮和被选定的蚁狮按照公式(20)产生新一代蚂蚁种群中的蚂蚁个体,并计算蚂蚁种群的个体适应度值f(Ant)㊂(8)判断是否满足终止条件:当前迭代次数是否达到最大迭代次数Max_iter,若达到,则跳出迭代㊂否则返回步骤4㊂(9)输出当前迭代次数下的精英蚁狮对应的适应度值㊂基于蚁狮优化算法的环境经济调度流程如图2所示㊂通过比较适应度的大小,蚁狮吃掉蚂蚁,完成蚁狮种群的更新,选出新一代蚁狮种群中的精英蚁狮精英蚁狮和被选定蚁狮捕获的蚂蚁个体共同组成新一代蚂蚁种群结束输出精英蚁狮的适应度是否满足终止条件?蚂蚁掉入陷阱蚂蚁种群随机游走并归一化精英蚁狮A l e l i t e 和被选定蚁狮A l s e l e c t共同布置陷阱通过轮盘赌机制选择适应度较优的精英蚁狮A l s e l e c t计算每个蚁狮个体的适应度,选出精英蚁狮A l e l i t e 初始化蚂蚁种群和蚁狮种群设置算法参数和输入原始数据开始是否图2㊀多目标蚁狮优化算法优化流程Fig.2㊀Multi-objectiveantlionalgorithmoptimizationprocess3㊀算例为了检验MALO算法在求解电力系统环境经济调度的经济性与有效性,将本文算法与文献[13]㊁文献[14]中的其它算法求解结果进行了比较㊂3.1㊀算例1该系统由10台发电机组成,计及发电机阀点效应,机组参数详见文献[13]㊂另外,网络损耗通过公式(6)计算,网络损耗系数详见文献[13],系统总负荷为2000MW㊂将优化结果与文献中其他算法进行比较,结果见表1㊂表1㊀10机组测试结果比较表Tab.1㊀Comparisonoftestresultsof10units方㊀法煤㊀耗(ˑ105/Ɣ)排放/t多目标差分进化算法[13]1.13484124.9帕累托差分进化算法[13]1.13514111.4非支配排序遗传算法[13]1.13544130.2帕累托进化算法[13]1.13524109.1万有引力算法[14]1.13494111.4多目标蚁狮算法(本文)1.13464107.9㊀㊀由表1可得,在所提方法中,燃料成本为1.1346ˑ105美元㊁污染排放量为4107.9t,都低于文献[13]和文献[14]中的其他优化算法,表明MALO算法在可行域中更容易搜索出全局最优解㊂3.2㊀案例2采用含有40机组的测试系统对MALO算法作进一步验证和分析(未考虑阀点效应),系统总负荷设为10500MW,40机组系统参数源于文献[14]㊂优化测试结果与文献中其他算法进行比较的结果见表2㊂表2㊀40机组测试结果比较表Tab.2㊀Comparisonoftestresultsof40units方㊀法煤耗(ˑ105/Ɣ)排放(ˑ105/t)多目标差分进化算法[13]1.25792.1119帕累托差分进化算法[13]1.25732.1177非支配排序遗传算法[13]1.25832.1095帕累托进化算法[13]1.25812.1110万有引力算法[14]1.25782.1093多目标蚁狮算法(本文)1.25672.1091㊀㊀由表2可得,本文算法的燃料成本为1.2567ˑ105美元,污染排放量为2.1091ˑ105t,均小于其他优化方法,充分表明MALO算法在可行域中更容易搜索出全局最优解㊂021智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀4㊀结束语本文采用MALO算法求解电力系统经济和排放综合调度问题,所提出的方法在Matlab仿真平台上对含有10台和40台发电机组系统进行仿真计算,通过与现有的优化算法结果的对比与分析,仿真结果表明MALO算法在可行域中更容易搜索出全局最优解㊂参考文献[1]吴杰康,韩军锋,刘蔚,等.基于反捕食粒子群算法的电力系统经济调度方法[J].电网技术,2010,34(6):59-63.[2]陈功贵,陈金富.含风电场电力系统环境经济动态调度建模与算法[J].中国电机工程学报,2013,33(10):27-35.[3]武慧虹,林妤,曾茜,等.自适应差分进化算法及对动态环境经济调度问题应用[J].计算机应用研究,2021,38(5):1443-1448.[4]李笑竹,王维庆.基于多目标飞蛾扑火算法的含风电电力系统动态环境经济调度[J].电气工程学报,2020,15(3):1-2.[5]KUKJN,GONCALVESRA,PAVELSKILM,etal.Anempiricalanalysisofconstrainthandlingonevolutionarymulti-objectivealgorithmsfortheenvironmental/economicloaddispatchproblem[J].ExpertSystemswithApplications,2021,165:113774.[6]栗然,张凡,靳保源,等.基于改进蚁狮算法的电力系统最优潮流计算[J].电力科学与工程,2017,33(9):15-22.[7]潘晨,滕欢,梁梦可,等.基于改进粒子群算法考虑阀点效应的经济负荷最优分配[J].电力科学与技术学报,2020,35(1):151-156.[8]SAXENAP,KOTHARIA.Antlionoptimizationalgorithmtocontrolsidelobelevelandnulldepthsinlinearantennaarrays[J].AEU-InternationalJournalofElectronicsandCommunications,2016,70(9):1339-1349.[9]王凯悦.基于蚁狮算法的含风电的配电网无功优化分析与研究[D].西安:西安石油大学,2021.[10]张家维,李昊.多目标蚁狮算法在航材配置优化中的应用研究[J].计算仿真,2019,36(7):71-74.[11]张家维,李昊.多目标蚁狮算法在航材配置优化中的应用研究[J].计算机仿真,2019,36(7):71-74.[12]温东翰,徐敏.基于改进型蚁狮算法的主动配电网优化重构[J].电气应用,2020,39(7):31-35.[13]BASUM.Economicenvironmentaldispatchusingmulti-objectivedifferentialevolution[J].Appliedsoftcomputing,2011,11(2):2845-2853.[14]GÜVENCU,SöNMEZY,DUMANS,etal.Combinedeconomicandemissiondispatchsolutionusinggravitationalsearchalgorithm[J].ScientiaIranica,2012,19(6):1754-1762.(上接第116页)表2㊀训练样本的准确率统计表Tab.2㊀Statisticsofaccuracyoftrainingsamples特征提取方式训练样本数测试样本数准确个数耗时/s准确率/%HU不变矩1817868282.05Hog特征1817864287.18㊀㊀从表2可以看出,两种特征提取方式耗时相同,所以在耗时相同时选择准确率较高的作为算法的实现过程㊂5㊀结束语采取Hog特征提取的油浸式变压器故障识别的准确率高于采取Hu特征的识别准确率;两种特征提取算法的识别速度相同㊂本文设计变压器油浸式智能内检机器人,机器人配备摄像机将变压器视频图像传输到电脑,使用卷积神经网络进行故障识别的准确率可达到87.18%㊂参考文献[1]张中一.数据知识联合驱动的油浸式变压器内部故障诊断研究[D].山东:山东大学,2022.[2]刘敏.基于DGA的数据驱动油浸式变压器故障诊断系统研究[D].兰州:兰州理工大学,2022.[3]宗占强.基于卷积神经网络的油浸式变压器故障诊断[D].安徽:安徽理工大学,2021.[4]汤心韵.基于灰色关联与熵权融合的变压器故障诊断方法研究[D].长沙:长沙理工大学,2019.[5]蔡陈.油浸式变压器DGA数据分析及其故障诊断研究[D].昆明:昆明理工大学,2016.[6]YANGMT,HULS.Intelligentfaulttypesdiagnosticsystemfordissolvedgasanalysisofoil-immersedpowertransformer[J].IEEEtransactionsondielectricsandelectricalinsulation:ApublicationoftheIEEEDielectricsandElectricalInsulationSociety,2013,20(6):4-5.121第6期何旺,等:采用多目标蚁狮优化算法(MALO)的环境经济调度。

天津市地方环境保护政策的制度逻辑与改进建议

天津市地方环境保护政策的制度逻辑与改进建议

2021年12月Dec.2021第45卷第6期Vol.45,No.6热带农业工程TROPICAL AGRICULTURAL ENCINEERING天津市地方环境保护政策的制度逻辑与改进建议①王宇晗②韩晓莉③(海南大学公共管理学院海南海口570228)摘要本文采用内容分析法,以2014~2019年117份天津市环境保护政策为分析样本,构建时间演化—政策领域—政策工具的分析框架,进一步探究天津市环境保护政策的特征及制度逻辑。

在时间维度上,天津市生态环境局所发布政策具有一定滞后性,且发文数量近年来明显降低;在政策领域上,天津市环境保护政策多关注于大气污染、危险物品管控以及环境执法等领域;在政策工具上,天津市环境保护政策主要为强制性政策工具,混合性政策工具与自愿性政策工具很少运用。

目前,天津市环境保护政策体系已逐渐完善,但仍存在不足之处,因此在政策制定过程中应立足长远,在完善已有环境保护政策的同时要加强在政策领域的扩展,并平衡各种政策工具的使用状况。

关键词跨界环境治理;环境保护政策;制度逻辑;内容分析;天津市中图分类号X321Institutional Logic and Improvement Suggestions of Tianjin Local EnvironmentalProtection Policy Under Transboundary Environmental GovernanceWANG Yuhan HAN Xiaoli(School of Public Administration,Hainan University,Haikou,Hainan 570228)Abstract In this study,117environmental protection policies in Tianjin from 2014to 2019were taken as samples by content analysis method,and an analysis framework of time evolution--policy domain--policy tool was constructed to further explore the characteristics and institutional logic of environmental protection policies in Tianjin.In terms of time dimension,the policies issued by Tianjin Ecological Environment Bu ‐reau are lagging behind to a certain extent,and the number of published policies has decreased significantly in recent years.In the policy field,Tianjin's environmental protection policies mostly focus on air pollution,dangerous goods control and environmental law enforcement.In terms of policy tools,the environmental protection policies in Tianjin are mainly mandatory policy tools,while mixed policy tools and voluntary pol ‐icy tools are seldom used.At present,the environmental protection policy system of Tianjin has been gradu ‐ally improved,but there are still many shortcomings.Therefore,the policy making process should be based on the long-term plan,improve the existing environmental protection policies and strengthen the expansion in the policy field,and balance the use of various policy tools.Keywords transboundary environmental governance ;environmental protection policy ;system logic ;content analysis ;Tianjin1研究背景改革开放以来,中国经济取得了显著成就。

新能源电力系统分级多目标优化调度方法

新能源电力系统分级多目标优化调度方法

- 18 -高 新 技 术根据英国石油公司的数据,2020年,世界范围内的石油需求下降,而对可再生能源(例如风力、太阳能等)的需求快速增加[1]。

2020年,全球风力和太阳能装机量增加了约238 GW 。

其中,太阳能装机量、风力装机量分别增加了127 GW 、111 GW 。

可再生能源增加对降低碳排放起到了明显的作用,2020年,全球一次能源消耗减少了4.5%,碳排放减少了6.3%[2]。

随着可再生能源发电容量不断扩大,太阳能发电产量创下历史新高,而中国的增幅则达到了2.1%,是世界上能源需求增长最快的国家之一[3]。

2020年,全球可再生能源消费增速为9.7%,其中太阳能发电增速为1.3 EJ ,创下了历史新高。

中国的可再生能源消费比去年同期增加了1.0 EJ ,属于全球可再生能源增长贡献最大的国家之一[4]。

其次为美国,增加了0.4个能级,而欧洲则为0.7个能级。

为了扩大新能源的使用范围,该文将以某新能源电力系统为例,从分级多目标角度入手,设计一种全新的优化调度方法,以优化相关工作。

1 含太阳能热发电的新能源电力系统日前调度模型为了方便后续对新能源电力系统分级多目标进行优化调度,需要构建日前调度模型。

模型中包括电力系统运行目标函数、太阳能热发电模型、光伏发电模型、风电模型以及电池储能电站模型等[5]。

日前调度的目标函数如公式(1)所示。

min cos cos cos cos cos t t t t t t G t PV t CSP t WD i T¦1 (1)式中:cos t 为新能源电力系统运行时的总成本;cos t G t 为t 时刻火电机组类别下的发电成本;cos t t PV 为t 时刻光伏机组类别下的发电成本;cos t t GSP 为t 时刻热电站类别下的发电成本;cos t t WD 为t 时刻风电机组类别下的发电成本。

直接结合数学理论可以得到其他类型的模型,该文主要构建太阳能热发电站模型[6]。

基于粒子群优化算法的有轨电车节能研究

基于粒子群优化算法的有轨电车节能研究

基于粒子群优化算法的有轨电车节能研究*侯宇婷 蔡煊成都工业学院 汽车与交通学院 四川 成都 611730摘 要 针对有轨电车节能优化的问题,提出了基于粒子群优化算法的有轨电车节能优化方法。

首先,从操纵策略的角度提出有轨电车节能优化问题;其次,分析有轨电车在站间运行时的操纵策略,研究不同操纵策略对有轨电车节能优化的影响;然后,引入粒子群优化算法,结合当前有轨电车广泛采用的2次巡航的经典操纵策略,建立基于粒子群优化算法的有轨电车多约束节能优化模型;最后,以某城市的有轨电车为算例,与同一司机多次驾驶和不同司机分别驾驶过程中的实际操纵策略进行对比,表明提出的优化方法可节省 15 % - 28 % 的能耗。

关键词 有轨电车;操纵策略;节能优化;粒子群优化Research on Energy Saving of Tram Based on Particle Swarm Optimization AlgorithmHou Yu-ting, Cai XuanSchool of Automobile and Transportation, Chengdu Technological University, Chengdu 611730, Sichuan Province, China Abstract To address the problem of energy-saving optimization of tram, an energy-saving optimization method of tram based on particle swarm optimization algorithm is proposed. First, the problem of tram energy-saving optimization is proposed from the perspective of maneuvering strategy; then, the maneuvering strategy of tram running between stations is analyzed to study the influence of different maneuvering strategies on tram energy-saving optimization; subsequently, the particle swarm optimization algorithm is introduced to establish a multi-constrained energy-saving optimization model of tram based on particle swarm optimization algorithm by combining the classical maneuvering strategy of 2 cruises which is widely used in trams at present; finally, a city tram is used as an arithmetic example to compare with the actual maneuvering strategy during multiple driving by the same driver and separate driving by different drivers, showing that the proposed optimization method can save 15%-28% of energy consumption.Key words tram; maneuvering strategy; energy-saving optimization; particle swarm optimization引言随着城市交通的快速发展,有轨电车因具有安全、舒适、成本低和环保等优点,成为解决城市交通拥堵和环境污染等问题的重要交通工具,特别是在大城市郊区、中小城市城区和旅游景区等地。

考虑运行图约束的有轨电车干线信号协调优化模型

考虑运行图约束的有轨电车干线信号协调优化模型

考虑运行图约束的有轨电车干线信号协调优化模型
周洋帆;王莹;韦伟;洪梓璇;郭晓俊
【期刊名称】《交通运输系统工程与信息》
【年(卷),期】2018(018)002
【摘要】为了保证有轨电车在交叉口享有信号优先的同时,使其按照运行图行车,在有轨电车干线信号协调模型BAM-TRAMBAND的基础上,增加运行图对行车的约束,包括发车间隔、停站时分、站间运行时分和干线旅行时间,提出2类不同约束的有轨电车干线信号协调优化模型,严格运行图约束的优化模型(HT-TRAM)和宽松运行图约束的优化模型(ST-TRAM).经算例验证和仿真结果表明,改进的模型能够得到在运行图约束下的有轨电车上下行绿波带,且在算例条件下,两者的路段平均绿波带宽与没有运行图约束的带宽结果相比,相差在1s以内.
【总页数】7页(P73-79)
【作者】周洋帆;王莹;韦伟;洪梓璇;郭晓俊
【作者单位】中交水运规划设计院有限公司,北京100007;中交水运规划设计院有限公司,北京100007;北京全路通信信号研究设计院集团有限公司,北京100070;中交水运规划设计院有限公司,北京100007;中交水运规划设计院有限公司,北京100007
【正文语种】中文
【中图分类】U121
【相关文献】
1.改进的干线协调信号控制优化模型 [J], 于德新;田秀娟;杨兆升;周熙阳;程泽阳
2.考虑运能匹配度约束的运能协调优化模型 [J], 李兴华
3.有轨电车优先下的干线交通信号协调控制策略设计 [J], 代磊磊;华璟怡;刘东波;李娅;
4.考虑动态车速的双周期干线信号协调控制多目标优化 [J], 张靖思;李振龙;邢冠仰
5.有轨电车干线交通信号协调控制方法 [J], 王昊
因版权原因,仅展示原文概要,查看原文内容请购买。

考虑柔性负荷的综合能源系统低碳经济优化调度

考虑柔性负荷的综合能源系统低碳经济优化调度

考虑柔性负荷的综合能源系统低碳经济优化调度薛开阳;楚瀛;凌梓;李子林【摘要】随着低碳发展进程的不断推进,综合能源系统(IES)逐渐成为实现减排目标的重要支撑技术.基于能源集线器概念,结合需求侧柔性负荷的可平移、可转移、可削减特性,构建了含风光储、燃气轮机、柔性负荷等在内的IES模型.综合考虑了系统运行成本和碳交易成本,建立了以总成本最低为优化目标的IES低碳经济调度模型,采用鲸鱼优化算法对算例进行求解.通过场景对比,分析了碳交易因素对能源调度的影响,以及在碳交易体系之下,柔性负荷的合理调度对IES进一步减少碳排放、降低系统成本可发挥的作用.研究结果表明,在碳交易体系下,柔性负荷参与调度能有效地提高系统的经济环境综合效益.【期刊名称】《可再生能源》【年(卷),期】2019(037)008【总页数】8页(P1206-1213)【关键词】综合能源系统;柔性负荷;碳交易;鲸鱼优化算法;优化调度【作者】薛开阳;楚瀛;凌梓;李子林【作者单位】上海电力学院, 上海 200090;上海电力学院, 上海 200090;上海电力学院, 上海 200090;上海电力学院, 上海 200090【正文语种】中文【中图分类】TK0190 引言当前,能源消费规模不断扩大,环境问题日益严峻,实现能源结构的优化问题已逐渐成为社会的重要议题。

综合能源系统(Integrated Energy System,IES)在促进节能减排、推动能源体系变革方面将起到至关重要的作用[1]。

现有的IES 优化调度主要以系统运行成本最低为调度目标,却忽略了IES 运行过程中的环境成本。

在寻求可兼顾经济环境效益IES 调度模型的过程中,碳交易机制的提出为IES 减少碳排放提供了新思路。

文献[2]针对电、热、气联供的IES提出阶梯型碳交易成本计算方法。

文献[3]基于LCA 能源链提出一种碳排放系数计量方法,并研究了碳交易对IES 能效的影响。

文献[4]将碳交易机制引入传统经济调度模型中,实现了对火电机组碳排放量的削减。

一种求解环境经济发电调度的交互式多目标优化方法

一种求解环境经济发电调度的交互式多目标优化方法

一种求解环境经济发电调度的交互式多目标优化方法
龙军;郑斌;郭小璇;李赢
【期刊名称】《电力自动化设备》
【年(卷),期】2013(033)005
【摘要】针对环境经济发电调度问题,提出一种基于评价函数的交互式多目标优化方法并结合改进的粒子群优化的求解方法.构造的总体协调度评价函数可以较好地平衡节能和减排2个优化目标.决策者可以通过调整各单目标满意度来体现其主观愿望.该方法克服了多目标向单目标转化过程中权重系数选择的困难,增强了决策方案选择的互动性.对一个含6台发电机组的系统进行仿真分析,结果验证了该方法在求解环境经济调度问题方面的可行性和有效性.
【总页数】6页(P83-88)
【作者】龙军;郑斌;郭小璇;李赢
【作者单位】广西大学电气工程学院,广西南宁530004;广西大学电气工程学院,广西南宁530004;广西大学电气工程学院,广西南宁530004;浙江省舟山市电力局,浙江舟山316021
【正文语种】中文
【中图分类】TM73
【相关文献】
1.多目标环境经济发电调度的标准化法向约束方法 [J], 刘儒;鲍海波;郭小璇
2.采用多目标改进差分进化算法的环境经济发电调度 [J], 胡斌;王国平;李国强
3.一种新的交互式多目标优化方法 [J], 吴文悌
4.交互式满意协调法:一种多目标优化方法 [J], 高济众;吕新生
5.一种交互式多目标优化方法 [J], 夏晓戎;龚才豪
因版权原因,仅展示原文概要,查看原文内容请购买。

考虑V2G的区域综合能源系统运行调度优化

考虑V2G的区域综合能源系统运行调度优化

考虑V2G的区域综合能源系统运行调度优化
汪思奇
【期刊名称】《科学技术创新》
【年(卷),期】2022()34
【摘要】随着能源的不断发展,为了减少碳排放,近几年国家大力推广电动汽车。

由于大量电动汽车接入电网,电动汽车作为一种可灵活调度的资源,对于传统的区域综合能源系统能源调度已无法满足对经济性和环保性的需求。

由此,首先建立一个考虑电动汽车接入的区域综合能源系统的模型,以经济性和环保性为目标函数并设置约束条件,运用改进后的PSO算法对含有多约束目标的系统进行求解优化,最后进行算例分析,并对是否考虑电动汽车接入的优化结果进行对比。

结果表明,考虑电动汽车接入的区域综合能源运行调度优化有更好的经济性和环保性。

【总页数】5页(P30-34)
【作者】汪思奇
【作者单位】华北水利水电大学
【正文语种】中文
【中图分类】TM73
【相关文献】
1.考虑综合需求侧响应的区域性综合能源系统运行优化
2.考虑运行风险的含储能综合能源系统优化调度
3.考虑用户综合需求响应的区域综合能源系统多目标优化调
度4.考虑综合需求侧响应的多储能区域综合能源系统运行优化5.基于鲁棒优化方法的区域综合能源系统运行优化调度策略
因版权原因,仅展示原文概要,查看原文内容请购买。

电力系统经济调度计算

电力系统经济调度计算

电力系统经济调度计算目录题目:电力系统经济调度计算 ..................................................................... .................................. 1 中文摘要...................................................................... (2)英文摘要...................................................................... (3)1 引言...................................................................... .........................................................................42 耗量特性综述 ..................................................................... . (5)3 数学模型概述 ..................................................................... . (6)4 基于等耗量微增率的经济调度 ..................................................................... . (7)4.1 能源消耗不受限制时的负荷优化分配 ..................................................................... (7)4.1.1 数学模型 ..................................................................... (7)4.1.2 算例 ..................................................................... .. (9)4.2 能源消耗受限制时的负荷优化分配 ..................................................................... .. (11)4.2.1 数学模型 ..................................................................... . (11)4.2.2算例 ..................................................................... ................................................. 14 5 基于非线性优化算法的经济调度 ..................................................................... . (17)5.1 数学模型 ..................................................................... . (17)5.2 算例...................................................................... .. (18)5.2.1 先对两套火电设备情况进行负荷优化分配 (18)5.2.2 对某电力系统10台机组的优化分配: (20)5.2.3 基于等耗量微增率准则对10台机组进行优化求解 (22)6 考虑发电机无功约束时的最优负荷分配 ..................................................................... .......... 26 7 考虑负荷变化和机组起停时间、爬坡速度限制时的最优负荷分配 .. (28)8 考虑网络损耗时的最优负荷分配 ..................................................................... ...................... 30 结论...................................................................... ........................................................................ (31)谢辞...................................................................... ........................................................................ (32)参考文献...................................................................... . (32)注释:..................................................................... ........................................................................32附录:..................................................................... ........................................................................32题目:电力系统经济调度计算1中文摘要摘要:本文主要完成了传统的电力系统经济调度算法的研究。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1 混合逻辑约束优化
1. 1 约束条件的逻辑关系 在布尔 代 数 中 , 任 意 两 个 数 值 a 和b 之 间 的 逻 “ ” “ 两种 , 分别使用 AN 辑关系分为 与 和 或 ” D 和 OR 表达运算关系 , 那么有 : a AN Db, a 和b 同时为真 ① 时, 运算结果为真 ; a 和b 至 少 一 个 为 真 ②a ORb, 时, 运算结果为真 。 将此逻辑关系扩展至优化问题的约束条件 。 对 于任意两个约束条 件 或 两 组 约 束 条 件 L( x) ≤0 和 它们之间“ 与” 和“ 或” 逻 辑 关 系 为: K( x) ≤ 0, ( ) ( ) , 其 含 义 是 D K x ≤0 L( x) ①L x ≤0AN ≤0 和 即优化 K( x) ≤0 所确定的解 空 间 的 交 集 为 解 空 间 , ; ( ) ( ) , 问题的可行域 ②L x ≤0OR K x ≤0 其含义是 L( x) x) ≤0 和 K( ≤0 的解空间并集为可行域 。
第3 9卷 第2 3 期 2 0 1 5年1 2月1 0日
V o l . 3 9N o . 2 3D e c . 1 0, 2 0 1 5
: / D O I 1 0. 7 5 0 0 A E P S 2 0 1 5 0 3 0 1 0 0 3
考虑禁止运行区的环境经济调度混合逻辑约束优化方法
2 ,龚仁喜1,鲍海波1,杭乃善1 郭小璇1,
- ( ) a ORb= a AN Db 4 - 式中 : 非” 逻辑运算 。 a 表示 a 的 “ 根据这种思想 , 分 析 ML 中一组 C O 模型式( 3) “ 或” 逻辑约束条件 d , , x) d x) ≤0 OR… OR ≤ i 1( i k i( 。 ( ) … ( ) , , 0 假设 d 0 AN D AN D d 0所定 i 1 x > i k i x > 该空白区域边 义的可行域如图 1 中 空 白 区 域 所 示 , ( …, ) 界由 d 确定 , 该区域以外空 , x) =0 2, k i j=1, i j( -
) 按照式 ( 逻辑关系变换思想 , 可将原 “ 或” 逻辑 4 [ 2 0, 2 2] : 约束条件的可行域进行如下转换 } , , x∈ { d x) d x) ≤0OR…OR ≤0 i 1( i k i( }( ) , , d x) D…AN D d x) 5 x { >0AN >0 i 1( i k i( 1. 4 重新构造约束条件 ) 由于很难直接利用式 ( 变换 , 需要重新构造函 5 , 数, 对于任意一个函数 d 可定义如下函数 : , x) i j(
2 2 2 ) -d …, ) , , v d t 2, k i ( 6 j=1, i i j= ( j+ j


x) D…AN D x) ≤0AN ≤0 g g 1( n ( I
( ) 2 对于某些优化问题的可行域不仅仅由众多约束 条件的交集构成 , 也可能由若干约束条件的并集 , 或 [ ] 2 0 2 1 - , 者混合约束条件 的 并 集 和 交 集 共 同 构 成 即为 : 如下优化问题 m i n x) f( 烄 s . t . h x) =0AN D…AN Dh x) =0AN D 1( n (
;修回日期 : 。 收稿日期 : 2 0 1 5 0 3 0 1 2 0 1 5 0 6 2 4 - - - - ; 广西青年基金 资 助 项 目 ( 南宁市科 2 0 1 4 G X N S F B A 1 1 8 2 7 7) ) 。 学研究与科技开发计划项目 ( 2 0 1 2 1 0 2 5
1. 3 逻辑约束的转换 混合逻辑约束优化问题的求解可以有两种思 路: 目 前 尚 没 有 合 适 的 求 解 方 法; ① 直接求解 , ②转 “ ” , 化为仅含 与 逻辑 的 常 规 优 化 问 题 通 过 常 规 优 化 技术求解 , 本文采用这种思路 。 任意两个布 尔 代 数 a 和b, 其“ 或” 逻辑关系可 以通过下式转化为 “ 与” 逻辑 :
( 1.广西大学电气工程学院 ,广西壮族自治区南宁市 5 3 0 0 0 4; ) 2.广西电网公司电力科学研究院 ,广西壮族自治区南宁市 5 3 0 0 2 3
摘要 :为了准确描述考虑禁止运行区域 的 发 电 机 出 力 限 制 , 分析了优化问题约束条件之间存在的 “ 与” 和“ 或” 的逻辑关系 , 研究了一种同时包含 “ 与” 和“ 或” 逻辑约束 的 混 合 逻 辑 约 束 优 化 ( ML C O) 问题 , 并基于此 , 将考虑禁止运行区域的发电机出力限制表示为一 组 “ 或” 逻 辑 关 系 的 约 束 条 件, 建 立了环境经济调度的 ML 延伸出约束条件逻辑关系的等 C O 模型 。 根据布尔代数逻辑变换的思想 , 价数学变换 , 实现了 “ 或” 逻辑和 “ 与” 逻辑的约束条件之间的转换 。 从而将 ML C O 问题转化为仅含 “ 与” 逻辑约束的常规非线性优化问题 , 最后采用现代内点算法加以求解 。6 机和 1 5 机系统的测试 结果表明所提出的 ML 具有较高的求解精度和效率 。 C O 模型与方法行之有效 , 关键词 :环境经济调度 ;禁止运行区域 ;混合逻辑约束优化 ;数学变换 ;内点法
式中 : t 为一个很小的正实数 , t v 1; j 和V 为关于x 和t 的函数 。 分析函数v 明确它们与函数 j 和 V 的 特 性, 的关系 : , d x) i j(
2 ) , , v d O( t t 0 >0 d i i 烄 j =-2 j+ j< , v t d 烅 i j≈ j =0 2 , v O( t) d 0 i 烆 j≈ j>

k i
V =∑ v j
j=1
( ) 7
x) D…AN D x) D ≤0AN ≤0AN g g 1( n ( I ( ) 3 烅 { d x) d x) ≤0OR…OR ≤ 1, 1( 1, k( } 0 AN D…AN D{ dm, x) ≤0OR…OR 1( } dm, x) ≤0 k m( 烆 ( …, , 式中 : 为包含 , d 0 i =1, 2, m; 2…, k m) j=1, i j≤ “ 或” 关系的约束条件 。 ) 式( 就是混合 “ 与” 和“ 或” 逻辑关系的优化问 3 , ( ) 题 显然式 2 的常规优化问题是仅含 “ 与” 逻辑优化 可以看作混合逻辑优化问题的一种特殊形式 。 问题 ,
0 引言
发电调度问题是在满足电力系统负荷需求和运 确定 系 统 指 标 最 优 的 调 度 方 案 的 寻 行约束条件下 , [ ] 1 5 - 。 传统的 发 电 调 度 仅 追 求 系 统 的 经 济 性 优问题 , 是一种经济调度( 最优 , e c o n o m i c d i s a t c h i n E D) p g 问题 。 近年来 , 为了兼顾经济利益和环境利益 , 保证 、 环 发电调度计划同时具备经济性 环保性和科学性 , ] 6 1 0 - ( 境 经 济 发 电 调 度[ e n v i r o n m e n t a l e c o n o m i c , 问题逐渐成为研究热点之一 。 d i s a t c h i n E E D) p g 由于发电机组运行物理条件限制, 在某些特定 运行区域 会 出 现 轴 承 振 动 放 大 而 影 响 机 组 安 全 运 行, 这些特定运行区 域 需 设 置 为 机 组 的 禁 止 运 行 区 环境经济调度问 域 。 考虑发电机禁 止 运 行 区 域 后 , 题变成一个具有离 散 解 空 间 的 非 线 性 优 化 问 题 , 仅 适用于连续解空间的算法难以应用于其求解 。 对于 考虑禁止 运 行 区 域 的 经 济 调 度 或 厂 内 负 荷 分 配 问 题, 国内外不少文献采用遗传算法 、 进化算法等智能 [ ] 1 1 1 5 - 算法 进 行 求 解, 取得 了不错 的 计 算 效果。而文 ] 献[ 采用 数 值 方 法 处 理 , 则 具 有 计 算 量 小、 理 1 6 1 9 - ] 论支撑充分等特点 。 文献 [ 利用发电机离散出力 1 6 约束特点 , 根据函数的零点定理 , 将一台发电机的若 干离散约束重新构 造 为 一 个 不 等 式 约 束 , 该方法不 ] 具备普遍应用的一般性 。 文献 [ 利用半定规划松 1 7
建立了 经 济 调 度 问 题 的 半 定 规 划 模 型 。 文 弛策略 , ] 献[ 通过引入 0 将原含禁止区间的非 1 8 1 9 1 变 量, - - 线性优化 问 题 转 化 为 混 合 整 数 非 线 性 规 划 ( m i x e d , 问 题, 并 i n t e e r n o n l i n e a r M I N L P) r o r a mm i n g p g g 在计算质量和速 采用分支定界法或大 M 方法求解 , 度上均有一定优势 。 本文将考虑禁止运行区域的发电机出力限制表 达为一组 “ 或” 逻辑 关 系 的 约 束 条 件 , 提出了环境经 济调 度 的 混 合 逻 辑 约 束 优 化 ( m i x e d o i c l g , ) 。 模 型 和 方 法 通 c o n s t r a i n e d o t i m i z a t i o n ML C O p 过 6 机和 1 所 提 出 的 ML 5 机 系 统 的 测 试 结 果, C O 模型与方法行之有效 , 具有较高的求解精度和效率 , 且可推广应用于其他问题求解 。
9 6
郭小璇 , 等 考虑禁止运行区的环境经济调度混合逻辑约束优化方法
1. 2 混合逻辑约束优化问题 常规的优化问题可以表达为如下一般形式 : m i n x) f( 烄 …, ( ) s . t . h x) =0 i =1, 2, n 1 i( E 烅 …, x) i =1, 2, n ≤0 g i( I 烆 ; ( ) ; ( ) () 式中 : 为变量 为目标函数 和 分 x h fx g i x i x 别为等 式 和 不 等 式 约 束 的 函 数 ; n E 和n I 分别为等 式约束和不等式约束个数 。 ) 容易理解 , 优化问题式 ( 的可行域是所有等式 1 约束和不等式约束定义的解空间的交集 。 这些约束 与” 的关系 。 可将常规优化问题 条件之间存在逻辑 “ 表达为 : m i n x) f( 烄 s . t . h x) =0AN D…AN Dh x) =0AN D 1( n (x) { <0OR…OR <0} i 1( i k i( 烄 2 , , V =O( t) { d x) D…AN D d x) >0AN >0} i 1( i k i( 烅
相关文档
最新文档