一种基于遗传算法的城市抽水蓄能系统及其最优调度方法

1.本发明涉及城市抽水蓄能系统技术领域，尤其是涉及一种基于遗传算法的城市抽水蓄能系统及其最优调度方法。


背景技术：

2.抽水蓄能电站是利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至下水库发电的水电站。它可将电网负荷低时的多余电能，转变为电网高峰时期的高价值电能，还适于调频、调相，稳定电力系统的周波和电压。
3.国内外对电网调度中抽水蓄能模型的研究较多，但大多都是引入了离散变量来对抽水蓄能机组建模，增加了模型的复杂性和求解难度；或者是固定了一天中的发电时段和抽水时段对功率进行优化，压缩了抽水蓄能电站运行的优化空间，得到的结果并不一定是最优的。
4.针对城市抽水蓄能，所产生的电能在传输过程中势必会产生输电损耗，而且不方便通过提高电压的方式来减少输电损耗，因此需要对输电路线进行最优路径规划。


技术实现要素：

5.本发明提出一种基于遗传算法的城市抽水蓄能系统及其最优调度方法，以解决抽水蓄能电站运行复杂且并非最优的问题。
6.本发明的技术方案是这样实现的：
7.一种基于遗传算法的城市抽水蓄能系统，包括：
8.至少一个抽水蓄能子单元，用于利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至水电站；
9.抽水蓄能子单元控制系统，用于监测各所述抽水蓄能子单元的发电情况，并能够按照设定好的监测间隔定时采集抽水蓄能子单元的输出功率；
10.远程终端控制系统，接收各所述抽水蓄能子单元的发电量信息，采用灰色预测模型预测抽水蓄能系统发电量，进行最优调度计算。
11.进一步优化技术方案，所述抽水蓄能子单元包括位于楼顶的高位蓄水箱、位于底楼的下蓄水箱以及水泵水轮机；所述下蓄水箱往高位蓄水箱抽水，消耗电能；所述高位蓄水箱往下蓄水箱放水，带动水泵水轮机叶片反向旋转，产生电能。
12.进一步优化技术方案，所述抽水蓄能子单元控制系统包括：
13.发电监测模块，用于监测抽水蓄能子单元发电状况；
14.第一数据传输模块，用于将所述发电监测模块监测信息反馈至远程终端控制系统；
15.第一数据接收模块，用于接收远程终端控制系统传输的调度命令；
16.输电控制模块，用于执行远程终端控制系统传输的调度命令。
17.进一步优化技术方案，所述远程终端控制系统包括：
18.第二数据接收模块，用于接收第一数据传输模块传输的信息；
19.数据处理单元，用于根据接收到的各抽水蓄能子单元发电状况进行最优调度计算，生成调度指令；
20.第二数据传输模块，用于将数据处理单元生成的调度指令传输至第一数据接收模块。
21.进一步优化技术方案，所述程终端控制系统还包括：
22.数据导入模块，用于向数据处理单元导入目标城市地理信息，数据处理单元根据城市边界情况建立坐标系，确定抽水蓄能子单元ci的范围以及质心位置(xi，yi)。
23.一种基于遗传算法的城市抽水蓄能系统的最优调度方法，包括以下步骤：
24.s1、筛选符合条件的高楼作为抽水蓄能子单元，建立抽水蓄能子单元；
25.s2、利用电力负荷低谷时的电能抽水至上水库；
26.在电力负荷高峰期再放水至水电站；
27.s3、通过抽水蓄能子单元控制系统监测各抽水蓄能子单元的发电情况；
28.通过远程终端控制系统接收各所述抽水蓄能子单元的发电量信息，采用灰色预测模型预测抽水蓄能系统发电量，进行最优调度计算，逐个向目标抽水蓄能子单元控制系统发送调度命令，目标抽水蓄能子单元执行调度命令。
29.进一步优化技术方案，采用灰色预测模型预测抽水蓄能系统发电量的过程为：
30.s301、根据原始序列，累加生成新序列；
31.原始数据序列如下：
32.x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}＝{p1,p2,
…
,pn}
33.其中，p1，p2，
…
，pn分别为第n个时间节点监测到的输出功率；
34.累加生成过程如下：
35.x
(1)
(1)＝x
(0)
(1)＝p136.x
(1)
(2)＝x
(0)
(1)+x
(0)
(2)＝p1+p237.……
38.x
(1)
(n)＝x
(0)
(1)+x
(0)
(2),
…
,x
(0)
(n)
39.累加后生成新序列：
40.x
(1)
＝{x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n)}
41.s302、计算数列的级比：前一项和后一项的比值；判断级比是否满足要求；
42.s303、当数据满足要求后，建立gm(1,1)模型，求解得到第n+1个时间节点的输出功率p”；
43.将第n个时间节点的输出功率pn与第n+1个时间节点的输出功率p
n+1
的平均值视为该抽水蓄能子单元的实际发电功率p，则第n个时间节段的发电量w可按下式计算：
[0044][0045]
式中，w为第n个时间节段的发电量，pn为第n个时间节点的输出功率，p
n+1
为第n+1个时间节点的输出功率，t为第n个时间节点与第n+1个时间节点之间的间隔。
[0046]
进一步优化技术方案，所述步骤s3中，抽水蓄能子单元的发电量导入到数据处理单元后，根据发电量确定每个抽水蓄能子单元的亏电系数，根据亏电系数判断是否需要从
外部调电。
[0047]
进一步优化技术方案，所述亏电系数计算公式如下，
[0048][0049][0050]
式中，k(i)为第i个抽水蓄能子单元的亏电系数，w(i)为第i个抽水蓄能子单元的发电量，为平均发电量，n为抽水蓄能子单元的总个数，i＝1，2，3，
…
，n。
[0051]
进一步优化技术方案，所述最优调度方法即电量调度成本最小的调度方法；电量调度成本包括惩罚成本和路径成本，具体公式如下：
[0052]
p＝min(p1+p2)
[0053][0054]
p2＝len
[0055]
式中，p为调度成本，p1为惩罚成本，p2为路径成本，kmax为亏电系数最大值，n’为亏电系数大于0的子单元数量，s(a)为某次调度第a次抵达的子单元序号，len为调度路径的总长度，a＝1,2,3，
…
，n’。
[0056]
采用了上述技术方案，本发明的有益效果为：
[0057]
1、本发明能够对抽水蓄能子单元发电情况进行监控，并将数据传输至数据处理单元，数据处理单元根据实时发电数据能够预测未来一段时间区间内的抽水蓄能子单元发电量，建立了使惩罚成本和路径成本之和最小的目标函数，使用遗传算法进行最优路径规划计算，确定调度成本最小的调度路径，并通过输电控制模块控制目标抽水蓄能子单元执行调度命令。本发明建立了城市抽水蓄能系统，利用城市的高层建筑进行抽水蓄能。通过设置的远程终端控制系统接收各抽水蓄能子单元的发电量信息，采用灰色预测模型预测抽水蓄能系统发电量，进行最优调度计算，使调度更加准确。
[0058]
2、本发明简化了城市抽水蓄能系统的建模过程，通过对监测数据进行处理，得到的结果更加精准、高效。
[0059]
3、本发明引入了惩罚成本，能够有效的评估各区域内的缺电情况，为缺电区域精准、快速供电。
[0060]
4、本发明通过导入城市地理信息，对抽水蓄能子单元进行定位，使计算更为智能、快捷。
附图说明
[0061]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1是本发明一种基于遗传算法的城市抽水蓄能系统的框图；
[0063]
图2是本发明一种基于遗传算法的城市抽水蓄能系统的抽水蓄能子单元分布图；
[0064]
图3是本发明一种基于遗传算法的城市抽水蓄能系统的抽水蓄能子单元布置图；
[0065]
图4是本发明遗传算法流程图；
[0066]
图5是本发明在进行调度时的示意图。
[0067]
其中：10、抽水蓄能子单元控制系统，101、发电监测模块，102、第一数据传输模块，103、第一数据接收模块，104、输电控制模块；
[0068]
20、远程终端控制系统，201、第二数据接收模块，202、数据导入模块，203、数据处理单元，204、第二数据传输模块。
具体实施方式
[0069]
下面将结合具体实施方案对本发明的技术方案进行清楚、完整的描述，但是本领域技术人员应当理解，下文所述的实施方案仅用于说明本发明，而不应视为限制本发明的范围。基于本发明中的实施方案，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方案，都属于本发明保护的范围。
[0070]
一种基于遗传算法的城市抽水蓄能系统，结合图1至图5所示，包括抽水蓄能子单元、抽水蓄能子单元控制系统10、远程终端控制系统20。
[0071]
抽水蓄能子单元至少有一个，用于利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至水电站。
[0072]
抽水蓄能子单元包括位于楼顶的高位蓄水箱、位于底楼的下蓄水箱以及水泵水轮机。水泵水轮机转轮正向旋转时作为泵使用，下蓄水箱往高位蓄水箱抽水，消耗电能；高位蓄水箱往下蓄水箱放水，带动水泵水轮机叶片反向旋转，产生电能。
[0073]
抽水蓄能子单元控制系统用于监测各抽水蓄能子单元的发电情况，并能够按照设定好的监测间隔定时采集抽水蓄能子单元的输出功率。
[0074]
抽水蓄能子单元控制系统包括发电监测模块101、第一数据传输模块102、第一数据接收模块103、输电控制模块104。
[0075]
发电监测模块101用于监测抽水蓄能子单元发电状况，并通过第一数据传输模块102远传。
[0076]
第一数据传输模块102用于将发电监测模块监测信息反馈至远程终端控制系统。
[0077]
第一数据接收模块103用于接收远程终端控制系统传输的调度命令。
[0078]
输电控制模块104用于执行远程终端控制系统传输的调度命令。
[0079]
远程终端控制系统中的第二数据接收模块201用于接收各抽水蓄能子单元的发电量信息，并将其输入至数据处理单元203，采用灰色预测模型预测抽水蓄能系统发电量，进行最优调度计算。
[0080]
远程终端控制系统包括第二数据接收模块201、数据处理单元203、第二数据传输模块204。
[0081]
第二数据接收模块201用于接收第一数据传输模块传输的信息。
[0082]
数据处理单元203用于根据接收到的各抽水蓄能子单元发电状况进行最优调度计算，生成调度指令。
[0083]
第二数据传输模块204用于将数据处理单元生成的调度指令传输至第一数据接收
模块。
[0084]
各抽水蓄能子单元配备发电监测模块，监测抽水蓄能子单元发电情况，并通过数据传输模块远传。发电监测模块监测的数据包括输出功率p及监测对应的时间。远程终端控制系统的数据接收模块能接收各抽水蓄能子单元的发电量信息，并将其输入至数据处理单元，进行最优调度计算。之后远程终端控制系统通过数据传输模块逐个向目标抽水蓄能子单元发送调度命令，目标抽水蓄能子单元的数据接收模块接收到调度信息后，通过输电控制模块执行调度命令。
[0085]
程终端控制系统还包括数据导入模块202。远程终端控制系统20的第二数据接收模块201可以接收数据导入模块202导入的目标城市地理信息。数据处理单元根据城市边界情况建立坐标系，确定抽水蓄能子单元ci的范围以及质心位置(xi，yi)。
[0086]
一种基于遗传算法的城市抽水蓄能系统的最优调度方法，包括以下步骤：
[0087]
s1、筛选符合条件的高楼作为抽水蓄能子单元，建立抽水蓄能子单元。
[0088]
s2、利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至水电站。
[0089]
当低谷用电时，启动水泵水轮机2从下蓄水箱3往上蓄水箱1抽水。当用电高峰时，上蓄水箱1往下蓄水箱3放水，带动水泵水轮机2叶片反向旋转，产生电能。
[0090]
抽水蓄能子单元控制系统10的发电监测模块101，监测抽水蓄能子单元发电情况，并通过第一数据传输模块102远传。远程终端控制系统20的第二数据接收模块201能接收各抽水蓄能子单元的发电量信息，并将其输入至数据处理单元203，进行最优调度计算。之后远程终端控制系统20通过第二数据传输模块204逐个向目标抽水蓄能子单元控制系统10发送调度命令，目标抽水蓄能子单元控制系统10的第一数据接收模块103接收到调度信息后，通过输电控制模块104执行调度命令。
[0091]
s3、通过抽水蓄能子单元控制系统监测各抽水蓄能子单元的发电情况。
[0092]
通过远程终端控制系统接收各抽水蓄能子单元的发电量信息，采用灰色预测模型预测抽水蓄能系统发电量，进行最优调度计算，逐个向目标抽水蓄能子单元控制系统发送调度命令，目标抽水蓄能子单元执行调度命令。
[0093]
其中，采用灰色预测算法对抽水蓄能子单元的发电量进行预测，算法预测流程如下：
[0094]
s301、根据原始序列，累加生成新序列。
[0095]
原始数据序列如下：
[0096]
x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}＝{p1,p2,
…
,pn}
[0097]
其中，p1，p2，
…
，pn分别为第n个时间节点监测到的输出功率。
[0098]
累加生成过程如下：
[0099]
x
(1)
(1)＝x
(0)
(1)＝p1[0100]
x
(1)
(2)＝x
(0)
(1)+x
(0)
(2)＝p1+p2[0101]
……
[0102]
x
(1)
(n)＝x
(0)
(1)+x
(0)
(2),
…
,x
(0)
(n)
[0103]
累加后生成新序列：
[0104]
x
(1)
＝{x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n)}
[0105]
s302、计算数列的级比：前一项和后一项的比值；判断级比是否满足要求。如果所有的级比都落在区间(e-2/(n+1)
,e
2/(n+1)
)。则满足数据满足要求。如果不满足的话，可以进行平移变换，使得原数列中每一个数据加上常数c，c的值以实际情况为准。
[0106]
s303、当数据满足要求后，建立gm(1,1)模型，求解得到第n+1个时间节点的输出功率p”。
[0107]
将第n个时间节点的输出功率pn与第n+1个时间节点的输出功率p
n+1
的平均值视为该抽水蓄能子单元的实际发电功率p，则第n个时间节段的发电量w可按下式计算：
[0108][0109]
式中，w为第n个时间节段的发电量，pn为第n个时间节点的输出功率，p
n+1
为第n+1个时间节点的输出功率，t为第n个时间节点与第n+1个时间节点之间的间隔。
[0110]
步骤s3中，远程终端控制系统20的第二数据接收模块201可以接收数据导入模块202导入的目标城市地理信息。数据处理单元203根据城市边界情况建立坐标系，确定抽水蓄能子单元ci的范围以及质心位置(xi，yi)。抽水蓄能子单元的发电量导入到数据处理单元后，根据发电量确定每个抽水蓄能子单元的亏电系数，根据亏电系数判断是否需要从外部调电。亏电系数越大，则目标子单元的调度优先级越高。当亏电系数小于等于0时，认为该子单元无需从外部调电，将该子单元从调度计算中剔除。
[0111]
亏电系数计算公式如下：
[0112][0113][0114]
式中，k(i)为第i个抽水蓄能子单元的亏电系数，w(i)为第i个抽水蓄能子单元的发电量，为平均发电量，n为抽水蓄能子单元的总个数，i＝1，2，3，
…
，n。
[0115]
最优调度方法即电量调度成本最小的调度方法；电量调度成本包括惩罚成本和路径成本。随后采用遗传算法进行数据处理。目标函数为调度成本最小，目标函数公式如下：
[0116]
p＝min(p1+p2)
[0117][0118]
p2＝len
[0119]
式中，p为调度成本，p1为惩罚成本，p2为路径成本，kmax为亏电系数最大值，n’为亏电系数大于0的子单元数量，s(a)为某次调度第a次抵达的子单元序号，len为调度路径的总长度，a＝1,2,3，
…
，n’。
[0120]
适应度函数如下：
[0121][0122]
式中，f为适应度，p为调度成本。
[0123]
其中，遗传算法的基本设置如下：
[0124]
1)基因编码
[0125]
每个染色体仅从1到n’的整数里面取一个值，即用一串基因编码表示遍历的子单元顺序，如：(2 3 4 5 1 7 9 8 6)，表示九个子单元中，先经过子单元2，再经过子单元3，以此类推。
[0126]
2)交叉算子设计
[0127]
采用部分匹配交叉(pmx)法：先随机产生两个交叉点，定义这两点间的区域为匹配区域，并交换两个父代的匹配区域。比如：
[0128]
父代a：872|130|9546
[0129]
父代b：983|567|1420
[0130]
对于父代a、父代b中匹配区域以外出现的数码重复，要依据匹配区域内的位置逐一进行替换。匹配关系：1《
‑‑‑‑‑‑
》5，3《
‑‑‑‑‑
》6，7《
‑‑‑‑
》0。
[0131]
子代a：802|567|9143
[0132]
子代b：986|130|5427
[0133]
3)变异算子设计
[0134]
采用倒位变异法，即首先在父体中随机选择两截断点，然后将该两点所夹的子串中的子单元进行反序。比如:
[0135]
设原个体：(1 2 3 4 5 6 7 8 9)
[0136]
随机选择两点：(1 2|3 4 5 6|7 8 9)
[0137]
倒位后的个体：(1 2|6 5 4 3|7 8 9)
[0138]
4)适应度函数设计
[0139]
目标函数是调度成本最小，用常数1除以某次调度的调度成本作为本次调度的适应度函数。适应度函数如下：
[0140][0141]
5)终止条件设计
[0142]
当迭代次数达到100次时停止迭代计算。
[0143]
遗传算法步骤：
[0144]
s51：参数设置及种群初始化；
[0145]
s52：适应度评价；
[0146]
s53：轮盘赌选择；
[0147]
s54：部分匹配交叉；
[0148]
s55：倒位变异；
[0149]
s56：终止条件判断，若未达到终止条件，则转到s53；
[0150]
s57：输出结果。
[0151]
输出结果即视为最优调度方案。各抽水蓄能子单元按照最优调度方案顺序进行电力调度。
[0152]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。