一种基于MOPSO/CC的综合能源系统优化调度方法

技术领域

本发明涉及能源环境技术领域，尤其涉及一种基于MOPSO/CC的综合能源系统优化调度方法。

背景技术

随着社会的快速发展，电力需求越来越大，传统化石能源不可再生，燃烧过程会产生大量的温室气体、SO

多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)是一种利用粒子群体优化求解多目标优化问题的算法，其具有良好的收敛性，计算简单，参数较少，受到了国内外学者的广泛关注。随着实际应用问题的复杂化，许多实际应用问题中含有成百上千个变量，由此产生上千个决策变量，这对多目标粒子群优化算法遭遇的“维度灾难”是一种考验，因为其优化性能随着变量的增加而显著下降，多目标粒子群优化算法已经难以满足实际应用问题的需要。为了解决这一瓶颈问题，部分学者从变量分解的角度进行研究，首先将大规模变量分解为若干个维度适中的变量组，然后将每组变量视为一个子种群，再通过子种群间的协同进化实现问题求解，这种“分而治之”的方法称为协同进化(Cooperative Co-evolution,CC)，该方法显著地提高了多目标粒子群优化算法在大规模变量优化问题上的求解效率，备受关注。

发明内容

针对上述存在的问题，本发明旨在提供一种基于MOPSO/CC的综合能源系统优化调度方法，通过建立综合能源系统优化模型，利用MOPSO/CC算法对优化模型进行求解，考虑综合能源系统的经济性、环保性与系统损耗等因素，对火力发电机组、水力发电机组、风力发电机组和光伏发电机组进行调度。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于MOPSO/CC的综合能源系统调度方法，其特征在于，包括以下步骤，

S1：获取综合能源系统参数；

S2：生成综合能源系统的目标函数以及条件约束表达式；

S3：根据步骤S2中综合能源系统的目标函数建立综合能源系统优化模型；

S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到调度结果。

进一步的，步骤S1中采用数据虚拟化技术获取综合能源系统参数。

进一步的，所述综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数，所述条件约束包括功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束。

进一步的，所述运行成本目标函数为f

所述火力发电厂的运行成本为

所述水力发电的一次能源浪费成本为

所述风力发电的运行成本为

所述光伏发电的运行成本为

进一步的，所述风力发电的运行成本中，第i个风电机组的直接成本函数为

其中，b

给定位置的风速接近Weibull分布，风力发电输出随机变量的概率密度函数f

进一步的，所述光伏发电的运行成本中，第i个光伏发电机组的低估成本为

其中，

进一步的，所述污染气体排放量目标函数为

所述网络损耗目标函数为

进一步的，所述功率负荷平衡约束的表达式为

所述水电转换约束的表达式为

所述线路输电安全约束的表达式为max{|I

所述发电机有功出力约束的表达式为

所述禁止工作区间约束的表达式为

进一步的，步骤S3中所述的综合能源系统优化模型为min F(x)＝[f

且该综合能源系统优化模型同时满足功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束与禁止工作区间约束的条件。

进一步的，步骤S4中采用MOPSO/CC方法求解综合能源系统优化模型的具体操作包括以下步骤，

S41：将综合能源系统的运行成本函数、污染气体排放量函数与网络损耗函数设定为MOPSO/CC算法所优化问题的目标函数；

S42：将功率负荷平衡约束、水电转换约束、输电线路安全约束、发电机有功出力约束和禁止工作区间约束设置为优化问题的约束条件；

S43：令解为各个发电机组的出力组成的向量，其形式化表达为

S44：为便于应用MOPSO/CC算法求解，对粒子编码映射为

S45：将解空间随机划分成m

S46：将每个子空间的种群规模设置为N

S47：应用变量随机分解协同进化算法求解，得到Parato最优非支配解。

本发明的有益效果是：

1、本发明中提出了一种基于MOPSO/CC的综合能源系统优化调度模型，在该模型综合考虑了经济、环保与能耗等因素，以系统综合运行成本、污染气体排放量和电力系统网络损耗等为优化目标函数，可以更加全面地对综合能源系统进行优化调度，系统运行成本低、污染气体排放量低，网络损耗低。

2、本发明考虑了火力发电机组的阀点效应对综合能源系统调度的影响，模型更加接近真实系统，调度策略实用性更强。

3、本发明中利用MOPSO/CC算法对综合能源系统优化模型进行求解，通过变量随机分解将相关性强的变量划分到同一子空间，以此来提高协同进化过程中变量的相关性，解更具有多样性，解更优，分布更均匀，而且优化性能更加稳定。

4、利用改进IEEE-30节点综合能源系统对本发明中的综合能源系统优化调度方法开展验证，实验结果表明本发明中的综合能源系统调度方法是可行的，而且相对于现有的综合能源调度方法，在计算速度、解的多样性与分布上均具有一定的优越性。

附图说明

图1为本发明综合能源系统调度方法的流程图；

图2为本发明获取综合能源系统参数的流程图；

图3为本发明仿真试验中成本-排放双目标优化Pareto前沿仿真结果；

图4为本发明仿真试验中成本-网损双目标优化Pareto前沿仿真结果；

图5为本发明仿真试验中排放-网损双目标优化Pareto前沿仿真结果。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参照附图1所示，一种基于MOPSO/CC的综合能源系统调度方法，包括以下步骤，

S1：获取综合能源系统参数；

具体的，所述综合能源系统为含火电、水电、风电与光电发电建立等间歇性能源发电的综合能源系统；

采用数据虚拟化技术获取综合能源系统参数，所述数据虚拟化技术中系统参数架构分为3层：数据源层，数据集成层与应用层。系统各组成元件来源于不同的生产厂家，数据类型结构存在差异。数据源层负责存储组成元件的多源异构参数。数据集成层保存综合能源系统全局虚拟视图，建立中间数据对元数据的映射关系。应用层为综合能源系统优化调度应用程序。系统参数获取流程如附图2所示。

所获取的综合能源系统参数包括：风电机组的额定容量、切入、切出风速、风电机组功率曲线、直接成本系数、低估成本系数与高估成本系数，火电机组的功率曲线、阀点效应参数、成本系数、额定功率与最小功率，水电机组的最大输出功率、成本系数，光伏机组的低估成本系数与高估成本系数，负载的功率特征曲线，电力系统的网络拓扑结构，各输电线路的最大允许电流，各节点的安全电压区域等。

S2：生成综合能源系统的目标函数以及条件约束表达式；

具体的，所述综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数；

具体的，所述运行成本目标函数为f

在不考虑阀点效应的情况下，火电机组的运行成本为一个二次凸函数，阀点效应所产生的成本一般正弦函数表示，计及阀点效应的火力发电厂的运行成本为

所述水力发电的一次能源浪费成本为

风力发电机的输出功率受风速、风向与气压等因素影响，具有间歇性与不确定性。一般采用估计误差法来处理这种不确定性，但是风力发电机组的实际输出功率与预估输出功率之间存在预估误差，风力发电机组运行成本考虑浪费可用风能的低估成本与要求额外备用的高估成本，因此，所述风力发电的运行成本可以表示为

其中，b

给定位置的风速接近Weibull分布，风力发电输出随机变量的概率密度函数f

所述光伏发电的直接成本相对于其低估与高估成本通常可以忽略，因此，所述光伏发电的运行成本为

其中，第i个光伏发电机组的低估成本为

第i个光伏发电机组的高估成本为

其中，

进一步的，化石燃料热力发电会排出大量的污染气体，如硫、氮与碳氧化物等，因此，本发明中综合能源系统调度方法所要优化的第一个参数就是尽可能减少污染气体排放量，所述污染气体排放量目标函数为

进一步的，本发明中综合能源系统调度方法所要进行优化的第三个参数是网络损耗，采用牛顿-拉夫逊方法模拟的网损目标函数为

进一步的，所述条件约束包括功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束；

具体的，功率平衡约束要求总发电功率等于负载消费功率与输电线路损耗功率之和，因此功率负荷平衡约束的表达式为

水电转换约束要求第i个水力发电机组单位时间用水量是发电量的二次函数，所述水电转换约束的表达式为

线路输电安全约束主要考虑两个因素：线路电流与节点电压，每条输电线路的电流应在其最大允许电流范围内，以避免过载，同时，节点电压必须保持在其额定电压区间内，因此线路输电安全约束的表达式为max{|I

电机有功出力约束要求火力发电、风力发电、光伏发电与水力发电机组的输出功率不小于发电机组的最小出力功率，不大于其最大出力功率，因此，发电机有功出力约束的表达式为

在实际工作中，蒸汽阀动作或者轴承振动使得各火力发电机组的禁止工作区间不同，火力发电机组的输入-输出特征曲线不连续。因此第k个火力发电机组考虑禁止工作区间的输出功率的表达式为

S3：根据步骤S2中综合能源系统的目标函数建立综合能源系统优化模型；

充分考虑间歇性能源输出功率的不确定性，在满足功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束与禁止工作区间约束的条件下，本发明中建立的综合能源系统优化模型为min F(x)＝[f

S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到调度结果。

具体的，所述MOPSO/CC方法的求解原理为：设y

(1)基于子种群P

(2)基于第i个子种群P

(3)基于子种群P

(4)将n维粒子的位置代入目标函数g

(5)根据NSGA-II中的非支配排序方法粒子的目标函数值进行非支配排序，随机选择非支配排序等级最高的粒子中的一个作为第i个子种群的最优位置；

(6)粒子的速度与位置按照粒子群优化算法中速度和位置的更新方法进行更新，也即v

(7)对第1到第S个子种群用多目标粒子群算法进行优化，对各子群的解进行非支配排序；

(8)若满足终止条件，则将各子种群的最优非支配解输出，否则进入下一轮迭代，将父代子种群的最优非支配解用于子代的协同进化。

将MOPSO/CC方法具体应用到本发明中对综合能源系统优化模型进行求解是，具体的步骤包括：

S41：将综合能源系统的运行成本目标函数、污染气体排放量目标函数与网络损耗目标函数设定为MOPSO/CC算法的MOPSO/CC算法；

S42：将功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束设置为优化问题的约束条件；

S43：令解为各个发电机组的出力组成的向量，其形式化表达为

S44：为便于应用MOPSO/CC算法求解，对粒子编码映射为

S45：将解空间随机划分成m

S46：将每个子空间的种群规模设置为N

S47：应用变量随机分解协同进化算法求解，得到Parato最优非支配解。

仿真试验：

利用改进的IEEE-30节点系统对本发明中的综合能源系统调度方法进行仿真，IEEE-30节点系统由6个火电机组、24个负载节点和41条输电线路组成，该系统的拓扑结构和相关的系统参数如下表1所示。

表1 IEEE-30节点系统线路计算参数表

IEEE-30节点系统中火力发电机组的污染气体排放系数如下表2所示。

表2 IEEE-30节点系统中火力发电机组的污染气体排放系数

IEEE-30节点系统中火电机组的成本系数如下表3所示。

表3 IEEE-30节点系统中火电机组的成本系数

IEEE-30节点系统中，水电机组的一次能源浪费系数k

风电机组低估、高估与直接成本系数分别设置为70$/MWh、50$/Mwh与5$/MWh，额定风速与切入风速一般设定为15m/s与5m/s。由历史风速数据得出的尺度因子一般为区间[5，50]，形状因子设置在区间[1，3]之间，本发明中尺度因子设置为10，形状因子设置为2。

对于光伏电站，低估、高估惩罚成本系数分别设置为60$/MWh与40$/MWh，Beta分布的形状参数

两个水电机组的系数r

表4水电机组用水量的常数、一次与二次项系数表

利用一个加入可再生能源发电机组改进的IEEE-30节点系统进行测试，将本发明中MOPSO/CC法与MOEA/D、MPSO与NSGA-II方法求解进行对比，种群规模和总迭代次数分别设置为50与150。领域大小与Pareto前沿大小分别设置为20与33。

为了验证本发明中基于分解的多目标粒子群优化算法对含间歇性能源的综合能源系统的可行性与有效性，对没有可再生能源电源与含可再生能源电源的IEEE-30节点系统的优化进行对比研究，并使用多种优化算法对运行成本f

表5两种情形下不同算法的最佳折衷解

从表5中可以看出，在两种情形下，MOPSO/CC算法所得最佳折衷解都支配其它算法获得最佳折衷解，表5的实验结果表明MOPSO/CC得到的电力系统运行成本与排放都小于或等于MOEA/D、MPSO与NSGA-II的最佳实现结果。在含可再生能源的综合能源系统中，MOPSO/CC与MPSO算法之间的运行成本约为11.3美元/小时，一年节省费用为11.3*24*365＝9.8988美元。MOPSO/CC与MPSO之间的排放量相差约为0.91kg/h，一年减少排放量为0.91*24*365/1000＝7.972吨。综上所述MOPSO/CC算法可以提供更经济更环保的调度策略。在计算时间上，MOPSO/CC也具有明显优势。表5的最后一行所示，MOPSO/CC在火电系统与综合能源系统生成33个非支配解的运行时间分别为45.26秒与67.77秒，小于MOEA/D的运行时间，远小于MPSO和NSGA-II的运行时间。

为了评估所提MOPSO/CC的整体性能，将含火电、水电与光伏的综合能源系统的运行成本与排放作为目标函数，各算法优化得到的单次最优Pareto前沿如附图3所示；从附图3中可以看出，MOPSO/CC算法得到的Pareto前沿明显优于MOEA/D、MPSO与NSGA-II等算法，搜索解更广泛。

进一步的，不同算法的Pareto前沿端点值如下表6所示；从表6中可以看出，MOPSO/CC算法的排放函数与成本函数的最终收敛值小于其他算法。

表6不同算法的Pareto前沿端点值

为了进一步验证本发明的结论，通过分析跨度、间隔、收敛性、超体积等指标来对比各算法的优化结果，各项指标的对比结果如下表7所示。

表7成本-排放双目标优化实验指标对比

从表7的跨度指标数据中可以看出，MOPSO/CC的跨度指标最优为1.1439，最差为0.8515，平均值为1.0301，方差为0.0069，均优于MOEA/D、MPSO与NSGA-II等算法，说明MOPSO/CC算法所得Pareto前沿解的范围更广，且多次运行的优化结果更稳定。

从表7的间隔数据中可以看出，MOPSO/CC算法的间隔指标最优值、最差值、平均值与方差也均优于MOEA/D、MPSO与NSGA-II的间隔指标，说明MOPSO/CC算法的Pareto前沿上解的分布更均匀，Pareto前沿的端点距离极值更近。

当使用256个点组成的Pareto前沿来计算收敛性指标，MOPSO/CC得到157个解，占比61.33％；MOEA/D得到52个解，占比20.31％；MPSO得到1个解，占比0.39％；NSGA-II得到44个解，占比17.19％。MOPSO/CC搜索Pareto解的能力强于其它算法。

从表7的收敛性数据中可以看出，MOPSO/CC的收敛性指标最优值、最差值与平均值均小于MOEA/D、MPSO与NSGA-II等，MOPSO/CC算法的收敛性显著优于其它算法，再由MOPSO/CC的收敛性指标的方差也小于其它算法，说明MOCE/D的寻优能力更强且更稳定。

超体积是一个比较全面的指标，能够反映Pareto前沿的收敛性与前沿上解的均匀度，表7的超体积数据表明MOPSO/CC的解在多样性、收敛性与均匀性上有着明显的优势。

以运行成本与网损作为综合能源系统的优化目标，不同算法的Pareto前沿解如附图4所示，从附图4中可以看出，MOPSO/CC的Pareto前沿明显优于其它算法，且所搜能力更强。

进一步的，成本-网损算目标优化实验指标对比如表8所示，从表8中可以看出，MOPSO/CC的最优跨度指标小于MOEA/D，但其最差值、平均值与标准差均优于MOEA/D与其它算法，MOPSO/CC更稳定。表8中MOPSO/CC的间隔、收敛性与超体积指标均优于MOEA/D、MPSO与NSGA-II。

表8成本-网损双目标优化实验指标对比

进一步的，以综合能源系统排放与网损为优化目标的最优Pareto前沿如附图5所示，从附图5中可以看出，MOPSO/CC的前沿分布更加均匀，解的搜索范围更广，其解基本能够支配其它算法的解。

进一步的，以排放与网损为目标函数，不同优化方法得到的跨度、间隔、收敛性与超体积等指标如下表9所示。从表9中可以得出，计算收敛性指标时使用的Pareto前沿由324个点组成，MOPSO/CC得到235个解，占比72.53％，MOEA/D得到49个解，占比为15.12％；NSGA-II得到39个解，占比为12.34。表3-5所示，MOPSO/CC的跨度指标、间隔指标、收敛性指标与超体积指标均优于MOEA/D、MPSO与NSGA-II。

表9成本-网损双目标优化指标对比

综上所述，通过对3个双目标优化Pareto前沿指标进行分析，MOPSO/CC更适合于综合能源系统的双目标优化，不仅解更具有多样性，解更优，分布更均匀，优化性能更稳定，在20次独立运行表现均非常优异。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。