一种基于改进离散粒子群算法的含风电电力系统动态调度方法

摘要

本发明属于含风电的电网调度领域，具体是一种基于改进离散粒子群算法的含风电电力系统动态调度方法，用来求解含风电场的电力系统动态经济调度问题。针对机组组合优化问题采用了离散粒子群算法，同时加入了改进策略：优先启停机策略和循环处理策略；针对负荷分配问题采用了拉格朗日迭代的算法来求解。后在IEEE-10机组的标准算例进行了仿真并采用Matlab编程，从数据结果来看，本发明提出的改进离散粒子群算法在解决含有风电场的小规模系统，具有稳定性好和寻优速度快的优点。

主权项

一种基于改进离散粒子群算法的含风电电力系统动态调度方法，其特征在于包括以下步骤：步骤1：含有风电场的电力系统的模型建立：步骤1.1：根据实际情况，确定包含了常规机组的燃料成本和机组启停费用的目标函数：$f\left(P_n^h\right)=\underset{t=1}{\overset{T}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}[C_n\left(P_n^t\right)*u_{nt}+S_{nt}*u_{nt}(1-u_{n(t-1)})]---\left(1\right)$步骤1.2：确立该算法中含有的约束条件，如：(1)不计网损下,系统功率平衡约束：$\underset{n=1}{\overset{T}{\Sigma }}{P}_n^t*u_{nt}+P_w^t=P_{LD}^t---\left(2\right)$式中：表示第t时段风电场输出的有功功率预测值；表示第t时段的负荷预测值；(2)常规机组出力约束：$P_n^{min}\le P_n^t\le P_n^{max}---\left(3\right)$式中：P_n,max，P_n,min分别表示机组n的最大和最小出力；(3)系统旋转备用容量：正旋转备用约束：$\underset{n=1}{\overset{N}{\Sigma }}{P}_{u,n}^t\ge {\mathrm{\Delta P}}_{LD}^t+u_s{\mathrm{\%P}}_w^t---\left(4\right)$$R_{u,n}^t=\min (P_{n,\max }-P_n^t,U_{Rn}\Delta T)---\left(5\right)$负旋转备用约束：$\underset{n=1}{\overset{N}{\Sigma }}{R}_{d,n}^t\ge d_s{\mathrm{\%P}}_w^t---\left(6\right)$$R_{d,n}^t=\min (P_n^t-P_{n,\min },D_{Rn}\Delta T)---\left(7\right)$式中：表示机组n在t时段的正旋转和负旋转备用容量；表示t时段为应对负荷预测误差和机组停运所需的备用容量，旋转备用容量通常与负荷大小有关，包括负荷备用、事故备用和检修备用，u_s％，d_s％分别表示高估和低估风电出力时对备用容量的需求系数；(4)机组爬坡速率约束：上升爬坡速度约束：$P_n^t{u}_{nt}-P_n^{t-1}{u}_{n(t-1)}\le U_{Rn}\Delta T---\left(8\right)$下降爬坡速率约束：$P_n^{t-1}{u}_{n(t-1)}-P_n^t{u}_{nt}\le D_{Rn}\Delta T---\left(9\right)$式中：U_Rn，D_Rn分别表示机组n的上升、下降爬坡速率，单位MW/h；△T表示单位调度时段，通常取1h；(5)常规机组启停时间约束：$(T_n^t-T_{u,n})(u_{n(t-1)}-u_{nt})\ge 0---\left(10\right)$$(-T_n^t-T_{d,n})(u_{nt}-u_{n(t-1)})\ge 0---\left(11\right)$i＝1,2,...,T,n＝1,2,...,N式中：表示机组n在h时段已经运行时段数或者停运的时段数T_u,n,T_d,n分别表示机组n的最小连续运行时段数和最小连续停运时段数；步骤2：对基本粒子群算法进行改进：步骤2.1：基本粒子群算法：粒子的速度和位置更新公式如下：v_id＝w*v_id+c₁*rand*(p_id‑x_id)+c₂*rand*(p_gd‑x_id)   (12)$x_{id}^{(k+1)}=1rand<S\left(v_{id}^{(k+1)}\right)---\left(13\right)$$x_{id}^{(k+1)}=0rand\ge S\left(v_{id}^{(k+1)}\right)---\left(14\right)$式中：为粒子i在第k次迭代的速度；w为惯性系数，通常取0.4～0.9；c₁,c₂为加速度常数，一般均取2，rand为在0～1之间均匀分布的随机数；p_id为第i个粒子的历史最优值；p_gd为种群的历史最优值；x_id为第i个粒子的位置；S(v)是Sigmoid函数，其表达式为：S(v)＝1/(1+e^‑v)   (15)步骤3：改进策略：引入的优先启停策略通过比较机组的最小比耗量来决定机组的启停顺序，比耗量小的机组产生单位功率的燃料成本小，因此其启动顺序会高些，而比耗量大的机组单位功率产生单位功率消耗的燃料成本大，自然启动顺序会低些，停机顺序相反。$\mu =\frac{E}{P}=aP+b+\frac{c}{P}---\left(16\right)$$\lambda =\frac{\Delta E}{\Delta P}=2aP+P---\left(17\right)$μ是指产生单位电量的平均燃料消耗量，即耗量特性曲线上的点与坐标原点连线的斜率；机组的耗量微增率λ是指每增加单位电量所需的燃料增加量，即耗量特性曲线上的切线的斜率；步骤4：循环处理策略：种群初始化的时，先根据启停时间约束随机生成了ps个粒子，但是其并不一定满足功率平衡和旋转备用约束，为此使用了循环处理策略，结合优先启停策略，调整机组启停及状态，并且逐个时段的更新机组的启停状态；通过上述步骤，完成含风电电力系统动态调度过程。