[發(fā)明專利]一種多目標(biāo)水電-風(fēng)電優(yōu)化調(diào)度模型方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011494328.5
• 申請(qǐng)日: 2020-12-17
• 公開（公告）號(hào): CN112686432B
• 公開（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 顧巍;葉志偉;徐志剛;徐慧;董新華
• 申請(qǐng)（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06Q50/06;G06K9/62;G06N3/00;H02J3/00
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 彭艷君

1.一種多目標(biāo)水電-風(fēng)電優(yōu)化調(diào)度模型方法，其特征是，包括以下步驟：

步驟1、構(gòu)建風(fēng)力不確定性與徑流不確定性初始場(chǎng)景，獲取一個(gè)調(diào)度周期內(nèi)的不同概率場(chǎng)景的風(fēng)電場(chǎng)風(fēng)速、水庫上游來水量；

步驟2、以系統(tǒng)節(jié)點(diǎn)缺電量、水庫下泄流量為目標(biāo)，水庫庫容、電網(wǎng)負(fù)荷為約束，建立考慮不同概率風(fēng)電出力及上游來水量的不確定性場(chǎng)景的多目標(biāo)水電-風(fēng)電優(yōu)化調(diào)度模型；

步驟3、采用場(chǎng)景縮減準(zhǔn)則對(duì)初始生成的不同概率的風(fēng)電場(chǎng)風(fēng)速及水庫上游來水場(chǎng)景進(jìn)行縮減；

步驟4、采用基于不確定性Pareto排序的多目標(biāo)算法對(duì)步驟3的模型求解，得到不確定性Pareto解集及水庫運(yùn)行發(fā)電、泄流的調(diào)度方案；

步驟1所述構(gòu)建風(fēng)力不確定性與徑流不確定性初始場(chǎng)景，包括采用蒙特卡洛模擬方法對(duì)服從韋伯分布的不確定性風(fēng)速及服從正態(tài)分布的水庫上游不確定性來水進(jìn)行采樣，生成t個(gè)時(shí)間段的序列，分別是上游來水{Q₁，Q₂，…，Q_t}與風(fēng)速{W₁，W₂，…，W_t}，t為天；生成M個(gè)初始場(chǎng)景，M取值為[1000，10000]；

步驟2的實(shí)現(xiàn)，包括以缺電量最小與防洪調(diào)度風(fēng)險(xiǎn)最小為目標(biāo)，建立多目標(biāo)優(yōu)化模型，具體步驟如下：

步驟2.1、建立缺電量最小目標(biāo)函數(shù)，水電與風(fēng)電聯(lián)合發(fā)電滿足發(fā)電計(jì)劃要求，其目標(biāo)函數(shù)如下：

其中，L_i為i時(shí)段的用電負(fù)荷，PH_i為i時(shí)段的水電出力，PW_i為i時(shí)段的用風(fēng)電出力；

步驟2.1.1、PH_i的計(jì)算方法如下：

PH_i＝K·Q_i·H_i

其中，K為水電站出力系數(shù)；Q_i為i時(shí)刻的平均發(fā)電流量；H_i為i時(shí)段的平均水頭；

步驟2.1.2，PW_i的計(jì)算方法如下：

其中，為風(fēng)機(jī)的額定輸出功率；v_CI為切入風(fēng)速；v_CO為切出風(fēng)速；v_R為額定風(fēng)速，v_i為i時(shí)段的平均風(fēng)速；

步驟2.2、建立防洪調(diào)度風(fēng)險(xiǎn)最小目標(biāo)函數(shù)，下泄流量最小符合防洪調(diào)度要求，其目標(biāo)函數(shù)如下：

建立多目標(biāo)優(yōu)化模型：

建立基于多目標(biāo)關(guān)聯(lián)規(guī)則的場(chǎng)景縮減準(zhǔn)則，場(chǎng)景之間的關(guān)聯(lián)相異測(cè)度為C_R(S_i,S_j)，場(chǎng)景之間的距離測(cè)度為下式，并采用k-means算法進(jìn)行場(chǎng)景聚類進(jìn)而縮減場(chǎng)景：

基于多目標(biāo)關(guān)聯(lián)規(guī)則的場(chǎng)景縮減方法表示為：

具體步驟如下：

步驟3.1、計(jì)算場(chǎng)景向量之間的歐式距離；

步驟3.2、采用k-means算法進(jìn)行場(chǎng)景聚類進(jìn)而縮減場(chǎng)景；

步驟3.2.1、隨機(jī)選取K個(gè)場(chǎng)景，計(jì)算選取的場(chǎng)景與其他場(chǎng)景之間的歐式距離及距離測(cè)度，并將其他場(chǎng)景按照距離的遠(yuǎn)近劃歸到K個(gè)分類中；

步驟3.2.2、對(duì)每個(gè)聚類的中心進(jìn)行重新劃分，以聚類中所有向量的均值作為中心，然后對(duì)群體中所有個(gè)體進(jìn)行重新劃分；

步驟3.2.3，計(jì)算新的聚類中心，判斷聚類中心是否發(fā)生變化，如變化則跳轉(zhuǎn)步驟3.2.2，如無變化則聚類停止，輸出距離每個(gè)聚類中心最近的場(chǎng)景向量，形成縮減場(chǎng)景集，并計(jì)算每個(gè)聚類占所有場(chǎng)景的比例；

步驟4的實(shí)現(xiàn)包括：采用隨機(jī)占優(yōu)方法比較隨機(jī)情況下目標(biāo)之間的支配關(guān)系；按照不同的場(chǎng)景，結(jié)合水庫調(diào)度的約束條件，及步驟2中多目標(biāo)優(yōu)化調(diào)度模型，采用分布估計(jì)算法求解，得到預(yù)測(cè)場(chǎng)景集下考慮場(chǎng)景概率的多目標(biāo)Pareto最優(yōu)解集；依次求得所有概率場(chǎng)景的多目標(biāo)解集，分析不同概率下解集中不同解之間的占優(yōu)關(guān)系，建立不確定情況下的Pareto最優(yōu)解集；具體步驟如下：

步驟4.1、以縮減后場(chǎng)景集中的隨機(jī)一個(gè)場(chǎng)景j，初始化水庫流量參數(shù)X＝[x_1,i,x_2,i,x_3,i,x_4,i..,x_n,i]，x_n,i為第i個(gè)個(gè)體在第n個(gè)時(shí)段的流量，采用在定義域范圍內(nèi)隨機(jī)生成的方式進(jìn)行流量變量的初始化，i取值為[100，500]之間，定義域?yàn)樗畮熳畲笙滦沽髁浚跏蓟M(jìn)化代數(shù)計(jì)數(shù)器Flag為0，設(shè)置最大進(jìn)化代數(shù)Tmax，范圍為[200，1000]，初始化Nset_j、Cset為空集；

步驟4.2、計(jì)算每個(gè)個(gè)體在f1目標(biāo)和f2目標(biāo)上的函數(shù)值；

步驟4.3、根據(jù)Pareto最優(yōu)方法，如果當(dāng)前是第一代進(jìn)化則分析當(dāng)前群體，找出所有Pareto最優(yōu)解；如不是第一代進(jìn)化則分析當(dāng)前群體和上一代Pareto最優(yōu)解集中的所有個(gè)體，找出合并集合的Pareto最優(yōu)解集Nset_j(M)，M取值為200；

步驟4.4、對(duì)當(dāng)前群體進(jìn)行采用多目標(biāo)分布估計(jì)算法進(jìn)行進(jìn)化，Nset(M)中隨機(jī)選取i/4個(gè)個(gè)體，從當(dāng)前的進(jìn)化群體中選擇占優(yōu)的個(gè)體i/4個(gè)個(gè)體，組成分布參數(shù)計(jì)算群體Cset(i/2)，計(jì)算群體中個(gè)體在各個(gè)時(shí)段的均值Qmean_i與方差Qsdt_i；

步驟4.5、利用均值和方差，采用正態(tài)分布采樣方法N(Qmean_i，Qsdt_i)生成i個(gè)新個(gè)體，F(xiàn)lag＝Flag+1，并判斷Flag是否大等于Tmax，如果相等則計(jì)算結(jié)束，輸出Pareto最優(yōu)解集Nset_j，如果小于Tmax則跳轉(zhuǎn)到步驟4.2；

步驟4.6、判斷所有縮減后的場(chǎng)景是否計(jì)算完畢；若是，則輸出所有的Pareto最優(yōu)解集Nset_j，若否，則跳轉(zhuǎn)至步驟4.1。