一种风光储电力系统低碳调度方法与流程

本发明属于电力系统优化调度，具体涉及一种风光储电力系统低碳调度方法。

背景技术：

1、电力系统优化调度是指根据特定约束，在电力负荷分配过程中对整个系统中的发电机组输出和运行状态进行调整，以实现合理分配系统负荷的目标。随着新能源产业的兴起，越来越多的风能和光伏等新能源并网，使得传统电网中出现随机和波动成分的可能性增加。这导致传统电力调度模型不再适用，因此在建立电力优化调度模型时，需要考虑负荷和新能源的不确定性。

2、传统的调度方法通常以最低系统发电成本等经济性为目标。在控制碳排放减少污染的情况下，引入碳交易到含有大规模风电的电力系统中可以扩大风电上网空间，减少系统碳排放量，对电力系统的节能减排起到积极作用。

3、随着计算机和人工智能技术的发展，许多优秀的智能优化算法被开发并应用于电力系统优化问题的求解。与传统的数学求解方法相比，智能算法在目标函数和约束设定方面更加灵活，具有良好的全局收敛性和不受函数特性限制的优点。因此，智能算法在电力系统优化调度求解中得到广泛应用。

4、然而，当电力系统变得复杂，优化变量和约束条件增多时，基础群智能算法(如粒子群算法和遗传算法)通常搜索效率较低，容易陷入局部最优解。同时，随着电力系统机组数量的增加，问题的维度也会增加，导致维数灾难的问题。因此，迫切需要一种适用于解决大规模优化问题的算法，以应对复杂电力系统优化调度问题中涉及大规模优化变量和约束条件的挑战。

技术实现思路

1、本发明旨在针对现有技术中存在的技术问题，提供了一种风光储电力系统低碳调度方法，改进了优化算法的搜索效率和准确性，降低了电力系统的运行成本和碳排放量，并提高了电网运行的经济性能。考虑到负荷和可再生能源的不确定性影响，本发明采用模糊处理方法，将风能输出和负荷视为在一定置信水平下的不确定变量。将传统机组输出的不等式约束条件建模为在由预测误差引起的不确定环境下满足预定置信水平的事件，从而建立了模糊机会约束规划模型。优化目标包括机组运行成本、弃风弃光成本和碳排放成本。竞争群优化算法(competitive swarm optimizer，cso)针对求解大规模优化问题而被提出，通过粒子之间的竞争区分成功粒子与失败粒子，失败粒子通过向成功粒子与环境粒子学习来完成自身的进化，实现对优化空间的搜索。在改进的cso算法(modified cso，mcso)中，将失败粒子的环境粒子定义为目标空间中与当前失败粒子的欧几里得距离最近的两个的粒子。这取代了在cso算法中使用整个种群作为环境粒子的方法，从而加快了算法的收敛速度，使得算法求解电力系统优化调度模型时具有更快的求解速度。

2、本发明提供了一种风光储电力系统低碳调度方法，包括如下步骤；

3、步骤1：建立风光储能电力系统的优化调度模型，包括风光储能电力系统的优化调度数学模型与碳排放成本数学模型，根据碳排放成本数学模型确定优化调度数学模型的优化目标，确定优化调度数学模型的优化变量以及约束条件；

4、步骤2：对风光储能电力系统的优化调度数学模型与碳排放成本数学模型中的风光电与负荷进行模糊处理，引入风光电模糊参数和负荷模糊参数，构建风光储能电力系统的模糊机会约束规划模型；

5、步骤3：获取一个周期的风光储能电力系统与优化调度数学模型的优化目标、优化变量以及约束条件相关的数据；

6、步骤4：对竞争群优化算法进行改进，将失败粒子的环境粒子定义为目标空间中与当前失败粒子欧几里得距离最近的两个粒子，形成改进的竞争群优化算法；

7、步骤5：根据与优化调度数学模型的优化目标、优化变量以及约束条件相关的数据，使用改进的竞争群优化算法对形成的风光储能电力系统的模糊机会约束规划模型进行优化，优化得到风光储能电力系统最终的优化调度方案。

8、优选地，步骤1中所述的风光储能电力系统的优化调度数学模型的目标函数f如下：

9、minf＝c1+c2+c3，即目标函数为使c1+c2+c3最小；

10、

11、

12、

13、式中，

14、c1为火电机组的燃料成本和启停成本；

15、t为求解周期时刻数；

16、ng为火电机组数量；

17、aj、bj和cj为火电机组j的煤耗量系数；

18、pg,j,t为火电机组j在t时刻的出力值；

19、sjt为火电机组j的启停成本；

20、uj,t为火电机组j在t时刻的启停状态；

21、c2为弃风弃光惩罚成本；

22、kw为弃风惩罚成本系数；

23、δpw,t为t时刻的弃风量；

24、kv为弃光惩罚成本系数；

25、δpv,t为t时刻的弃光量；

26、c3为系统阶梯型碳排放成本；根据碳排放区间来定的，第一阶段成本最低，第三阶段成本最高；

27、为碳交易价格；

28、mp,t为第t个单位时间内系统碳排放总量；

29、ml,t为第t个单位时间内系统总的碳排放配额；

30、d为碳排放量区间长度；

31、τ为碳排放增长幅度。

32、优选地，所述的风光储能电力系统的优化调度数学模型的约束条件包括：功率平衡约束、火电机组爬坡约束、火电机组最小启停时间约束、储能约束和旋转备用约束。

33、优选地，步骤1中功率平衡约束如下：

34、

35、式中，

36、pl,t为t时刻系统的负荷值；

37、εl,t为t时刻系统的负荷的不确定性误差；

38、psc,t为t时刻系统储能充电值；

39、ph,t为水电机组t时刻的出力值；

40、psd,t为t时刻系统储能放电值；

41、pw,t为t时刻风电出力值；

42、εw,t为t时刻风电出力的不确定性误差；

43、pv,t为t时刻光伏出力值；

44、εv,t为t时刻光伏出力的不确定性误差。

45、优选地，步骤1中，所述的风光储能电力系统的优化调度数学模型的约束条件还包括：

46、火电机组爬坡约束：

47、-rd,jδt≤pg,j,t-pg,j,t-1≤ru,jδt

48、式中，

49、rd,j、ru,j分别为火电机组j增减负荷时的速率上限和下限；

50、δt为时间变化量。

51、优选地，步骤1中，所述的风光储能电力系统的优化调度数学模型的约束条件还包括：

52、火电机组最小启停时间约束：

53、

54、式中，

55、tj,on为火电机组j的最小开机时间；

56、tj,t-1为t-1时刻的状态保持时间；

57、tj,off为火电机组j的最小停机时间。

58、优选地，步骤1中，所述的风光储能电力系统的优化调度数学模型的约束条件还包括：

59、储能约束：

60、

61、0≤usc,t+usd,t≤1

62、式中，

63、usc,t和usd,t分别为t时刻的充电和放电状态；取值范围均为0或1，1表示在对应的工作状态，0表示不在对应的工作状态；

64、psc,max为充电功率最大值；

65、psd,max为放电功率最大值；

66、st,min和st,max为储能容量上限和储能容量下限；

67、优选地，步骤1中，所述的风光储能电力系统的优化调度数学模型的约束条件还包括：

68、旋转备用约束：

69、

70、式中，为火电机组j的最大出力。

71、优选地，与优化调度数学模型的优化目标、优化变量以及约束条件相关的数据包括：机组数据、碳交易价格数据、风光出力数据以及负荷数据。

72、优选地，步骤2模糊处理包括如下步骤：

73、步骤2.1：将风电、光伏、负荷进行模糊处理，选用三角隶属度函数：

74、

75、

76、

77、式中，为t时刻并入电网的风电值，为t时刻并入电网的光伏出力值，为负荷在t时刻的值；(pw1,t,pw2,t,pw3,t)为风电模糊处理的隶属度函数参数，其中pw1,t为三角模糊参数的下界，pw2,t为三角模糊参数的中值，pw3,t为三角模糊参数的上界；(pv1,t,pv2,t,pv3,t)为光伏模糊处理的隶属度函数参数，其中pv1,t为三角模糊参数的下界，pv2,t为三角模糊参数的中值，pv3,t为三角模糊参数的上界；(pl1,t,pl2,t,pl3,t)为负荷模糊处理的隶属度函数参数，其中pl1,t为三角模糊参数的下界，pl2,t为三角模糊参数的中值，pl3,t为三角模糊参数的上界；pwc,t、pwc,t、plc,t分别为风电、光伏、负荷预测值；ωw1为决定pw1,t的模糊参数，ωw2为决定pw2,t的模糊参数，ωw3为决定pw3,t的模糊参数；ωv1为决定pv1,t的模糊参数，ωv2为决定pv2,t的模糊参数，ωv3为决定pv3,t的模糊参数；ωl1为决定pl1,t的模糊参数，ωl2为决定pl2,t的模糊参数，ωl3为决定pl3,t的模糊参数；

78、如图3为三角隶属度函数示意图，(a,b,c)对应隶属度函数参数的下界、中值、上界，对应的就是文中的(pw1,t,pw2,t,pw3,t)，而模糊参数(ωw1,ωw2,ωw3)就是分别用来确定(pw1,t,pw2,t,pw3,t)具体值是多少的模糊参数。

79、功率平衡约束与旋转备用约束在置信水平α下的不确定因素集为：

80、

81、

82、步骤2.2：对功率平衡约束与旋转备用约束在置信水平α下的不确定因素集进行清晰等价类处理，得到功率平衡清晰等价类为：

83、

84、旋转备用清晰等价类为：

85、

86、式中，pr{·}表示事件的可信性，α为置信水平。

87、优选地，一个周期的电力系统的数据包括火电机组出力的上限和下限，水电机组出力的上限和下限，储能容量上限和下限，风电预测出力数据，光伏预测出力数据，负荷预测数据，碳交易价格数据。

88、优选地，改进的竞争群优化算法中，失败粒子的环境粒子定义为目标空间中与当前失败粒子欧几里得距离最近的两个粒子，改进的竞争群优化算法步骤如下：

89、步骤4.1：初始化粒子种群：

90、

91、

92、式中，x为粒子种群；n为种群大小，d为决策变量的个数；xi为第i个粒子，为第i个粒子的第j个决策变量，其中i＝1,2,...,n，j＝1,2,...,d；lj为第j个决策变量的下限值；uj为第j个决策变量的上限值；r0为[0,1]之间的随机数；

93、步骤4.2：在种群中随机挑选两个粒子根据适应度函数值进行竞争，胜利粒子记为xw，失败粒子记为xl；

94、步骤4.3：失败粒子的环境粒子由目标空间中与当前失败粒子的欧几里得距离确定：

95、dis＝|yl-yk|

96、式中，yl为失败粒子的目标值，yk为种群中其他任意第k个粒子，dis为两者在目标空间中的欧几里得距离；与失败粒子之间的dis值最小的两个粒子作为其环境粒子，进行学习；

97、步骤4.4：胜者粒子xw直接进入下一代粒子种群，败者粒子xl采用如下公式通过向胜者粒子及环境粒子学习完成自身速度更新：

98、

99、式中，vl(g)为失败粒子第g代的速度，xw(g)为胜利粒子第g代的位置，xl(g)为失败粒子第g代的位置，为失败粒子周围环境粒子的位置均值，为环境影响控制因子，r1(g)、r2(g)、r3(g)均为第g代中服从[0,1]均匀分布的随机向量；

100、步骤4.5：根据失败粒子的速度完成其位置更新：

101、xl(g+1)＝xl(g)+vl(g+1)

102、将完成更新后的失败粒子放入下一代粒子种群；

103、步骤4.6：对当前种群中剩下的所有粒子重复步骤4.2至步骤4.5，直至所有粒子都进入下一代种群；

104、步骤4.7：重复步骤4.2至步骤4.6，直到算法满足终止条件。

105、优选地，步骤5中：根据优化调度数学模型的优化目标以及约束条件，设置火电机组出力值、水电机组出力值、风电光伏出力值、储能充电放电值作为优化变量，使用改进的竞争群优化算法对形成的风光储能电力系统的模糊机会约束规划模型进行优化，优化得到风光储能电力系统最终的优化调度方案。

106、与现有技术相比，本发明所产生的有益效果是：

107、1.本发明提出的mcso算法相较于cso算法，具有更快的收敛速度，在求解电力系统优化调度时候能够更快的提供调度方案；

108、2.本发明的电力系统调度数学模型中，优化目标中不仅考虑了系统的发电成本与弃风弃光成本，还考虑了碳排放成本，更符合电力低碳环保发展的必然趋势；

109、3.本发明的调度模型建立中，考虑了风电功率与负荷功率的不确定性，将风电出力和负荷松弛为某一置信水平下的不确定变量，对于实际电力调度更具有指导意义。