《含风电场电力系统的机组优化调度研究》由会员分享,可在线阅读,更多相关《含风电场电力系统的机组优化调度研究(86页珍藏版)》请在金锄头文库上搜索。
1、硕士学位论文电力系统的机组优化调度 研究作者:滕百岸指导教师:杨伟副教授南京理工大学2 0 1 2 年2 月s s e r t a t i o ns p a t c h i n go fG e n e r a t i n grI n t e g r a t e dS y s t e mB yT e nB a i r n ie n g 影a la nS u p e r v i s e db yP r o j 。 r a n gg e iN a n ji n gU n i v e r s it yo fS :i e n c e & T e c h n o l o g yF e b r ut r y
2、 ,2 0 1 2学位论文使用授权声明尽我所知,在本学人已经发表或公布或学历而使用过的已在论文中作了明南京理工大学有权保存本学位论文的电子和纸质文档,可以借阅或上网公俯本学位论文的部分或全部内容,可以向有关部门或机构送交并授权 保存、借阅或上网公布本学位论文的部分或全部内容。对于保密论文,按保手j 的有关规定和。程- I - I 序处理。研究生签名:趱鲞2 J 72 工年3 月扣日研究针对风电的随机特点求取具有一定可靠性的出力方案。引入蚁群粒子群混合智能算法,将机组优化调度问题分为内外两层优化子问题进行求解,外层为机组组合优化,结合机组规则,利用蚁群算法求解;内层为负荷的经济分配,利用粒子群算
3、法求解。通过1 0 机系统算例,讨论算法的具体实现步骤,求解了在风电场并网前后和不同置信度要求下的机组优化组合和负荷优化分配问题,计算结果表明算法可行且有效,在风咆场出力不确定的情况下,兼顾了含风电场电力系统运行的经济性和可靠性。以常规发电机组的发r c l 成本最低和污染气体排放量最低为甘标,建立了含风电场r 岜力系统多目标机组优化调度的随机约束模型,把问题分为内外两层进行求解。在内层优化问题求饼q ,基于P a r e t o 坡优解集概念和整体协调度决策机制,结合多目标粒子群算法进行机组负荷优化分配。通过1 0 机系统算例,分析了风电场并刚前后和不同置信度要求F 问题的求解方案,驴征J
4、算法的可行性,为含风电场电力系统的多F l 标机组优化调度方案提供了新的心路。关键词:风电场,机会 川 V C OP w = 厂( y )V c l5 , V 矗斥一老晶V R汜3 ,最,R 1 ,V c o可见,风机输出功率分为表示为三种状态:( 1 ) 当v V C O 时,风速超过了风电机组的切出风速,为了保护机组将风机停运,从电网中解列出来。( 2 ) 当v r ,1 , 。:lP r g ,( 工,考) o ,= i , 2 ,P j2 卢式中P r ) 为 中的事件成立的概率,口、卢是事先给定的,及表示目标函数的置信度水平,卢表示约束条件的置信度水平。为目标函数f ( x ,髻)
5、在置信度水平不低于a 时的最大值。对于一个解x ,只有当事件 毒Ig ,( x ,考) O ,= 1 , 2 ,p ,成立的概率不小f 卢时,认为此解X 满足条件。2 风电特性与机会约束规划硕士论文在包含随机规划的机会约束规划问题中,有时概率约束条件可以包括几个相互独立的机会约束:P r g ,( _ c ,毒) O ,= 1 , 2 ,P ) J 6 i ,J = 1 , 2 ,P( 2 1 0 )式中卢,为事先针对求解l ;- J 题需要而给定的置信度水平,J = 1 ,2 ,P 。如果对于更一般的情况,概率约束条件还可以表示为混合机会约束的形式:IP r g f ( x ,毒) o ,J
6、 = 1 , 2 ,k 1 ) 卢ljP r g J ( x ,考) o ,_ ,= 七l + 1 , k I + 2 ,后2 ) 卢2( 2 1 1 )Il :P r g f ( x ,考) o ,_ ,= 毛一l + 1 ,毛一l + 2 ,P ) 卢,式中1 k l M ,转( 9 ) 。( 7 ) 对蚂蚁按转移概率P 。选择该级中一个节点,随后进入邻域带的下一级,直到完成第丁级。( 8 ) 利用随机模拟技术检验当前解的可行性,即判断其是否满足约束条件成立的胃信水平。若可行,在该机组组合的条件下进行经济负荷优化分配,计算目标函数值的机组优化调度研究设定为机组组合路径即机组组合法;若未达到
7、,图4 3 基于蚁群算法的棚! J c 化组合流样图4 2 5 随机机会约束条件的检验在机组组合优化阶段,涉及到的风电出力随机变量的约束条件有系统正、负旋转备用容量约束等,用随机模拟技术进行检验。由式( 2 6 ) ,风【l J 场的有功出力是符合正态分布的随机变量,由随机数发生器得到。利J j 随机模拟技术枪验系统正旋转备用容最约束条件的步骤【4 9 1 :1 34 基于混合智能算法的含风电场电力系统优化调度方案的求解j j 分析硕二I 二论文( 1 ) 设N = 0 。( 2 ) 根据正态分布妒( 尸) 生成一个风电出力样本。( 3 ) 如果兰甜,g 一+ 釜硝厶( 1 + 如) ,则:+
8、 1 。( 4 ) 执行步骤( 2 ) ( 3 ) N 次。( 5 ) 如果足够大,则只 釜u , j P , g 懈+ 釜硝( 1 + R 。珥:N N ,即当( 5 ) 如果足够大,则只 g 懈+ 硝( 1 + 。,) = ,即当IJ = lk = lIN,卢时条件e兰“盯只g一+善彤吃o+Ri=1w ) 卢。成立。卢时条件e “ ! 只g 一+ 彤吃( 1 + w ) 卢。成立。l七暑II4 3 粒子群算法在负荷优化分配中的应用4 3 1 粒子群优化算法原理作为一种随机搜索优化算法,粒子群算法与其它进化算法相比,更容易实现,具有更强的全局收敛性,适合科学研究和工程应用。粒子群算法中每个粒
9、子就是解空间中的一个解,其在飞行过程所经历过的最好位置,就是粒子本身找到的最优解,称为个体最优位置( p b e s t ) 。整个群体所经历过的最好位置,就是整个群体找到的最优解,称为全局最优位置( g b e s t ) 。在算法进行的过程中,种群中的粒子不断更新这两个极值,进而产生新的粒子和种群。粒子群种群内包含m 个粒子,由粒子组成的种群可以表示为s = x ,置,x 。 ,其中x ,表示第f 个粒子在目标搜索空间中的某一个矢量点。将z ,对应于相应的目标函数,可以得 l :其适应度值。第f 个粒子的速度用一个与X ,同阶的矩阵表示,记为K 。粒子f 速度和位置的更新公式为:杉“1 =
10、 w 宰K 七+ c l 水r a n , l O * ( p b e s t ? 一x ; ) + c 2 宰r a n d ( ) 枣( 9 6 邪z ? 一x ? )( 4 6 )霹“= x ? + 形“1( 4 7 )公式的第1 部分为粒子的当前速度,反映了粒子的+ 记忆能力。第2 部分表示粒子本身的思考,在粒子个体极值的附近扩大搜索空f I I J ,以加强搜索的多样,f = ,E ;第3 部分使搜索向全局最优的方向进行,反映了群体之问i ,l 勺信息交流和协同合作。基本粒子群优化算法的步骤如下:( 1 ) 粒子种群数量设为,初始迭代次数设为k = 0 。在解空问中随机初始化m 个粒
11、子的位置和速度,组成原始粒子群。对种群中每个粒子,其位置对应一组优化变量的取值;3 4硕士论文含风电场电力系统的机组优化调度研究( 2 ) 对种群中每个粒子,计算其适应度;( 3 ) 将种群中每个粒子的适应度值与其个体极值比较,若前者更优,则用其更新个体极值;( 4 ) 根据每个粒子的个体极值更新全局极值;( 5 ) 根据公式( 4 6 ) 更新当前粒子的速度,根据公式( 4 7 ) 更新当前粒子的位置;更新当前迭代次数k = k + l 。( 6 ) 判断算法是否满足终止条件( 如当前迭代次数是否达到事先给定的最大迭代 次数) ,若不满足,返回步骤( 2 ) ,否则结束算法的运算,将最优解传
12、递给蚁群算法。4 3 2 粒子编码方式和适应度函数选择采用各调度时段的发电机出力组合矩阵作为一个粒子,阶数为丁N 。 6 6 】,粒子群中第X 个粒子值为:p S O ( X ) =丑,一只。:最,t昱,:只1弓,tB 。:只,以R N l;P i ,N giP T N I粒子第f 行、第列的值表示第i 时段第台常规机组的有功出力值。对应的粒子速度矩阵为:p s o V ( x ) =K ,-K 。z,-,z杉。t巧,zK ,V ! N |;K ,以;,心( 4 8 )( 4 9 )其中,杉,为粒子分昂只。,所对应的速度分量。采用机组优化调度的总费用为粒了群钾0 上的适应度函数,总调度费用最低
13、的粒子,即为所求的最优解。4 3 3 算法流程根据以上的数学模型,采用基于随机模拟技术的粒子群算法,在每个时段用一个粒子群处理求解经济功率分配问题,具体步骤如下:( 1 ) 设置含随机变量的约束条件的置信水平与粒子群算法参数。( 2 ) 接受蚁群算法传递来的机组组合解,! E 成初始粒子群,每个粒f 为一个阶数3 5 肌肪;肋;肋咖;一;4 基于混合智能算法的含风电场电力系统优化调度方案的求解与分析硕士论文为丁。的矩阵,r 为时间段,。为常规机组数,粒子值表示为某时段某台常规机组的有功出力值。( 3 ) 计算种群中每个粒子的适应度值。( 4 ) 将每个粒子的适应度值与个体极值进行比较,若更优,
14、将当前的个体极值更新为p s o p b f ,根据每个粒子的个体极值更新全局极值p s o g b f 。( 5 ) 根据公式( 4 6 ) ( 4 7 ) ,更新当前每个粒子的速度和位置。( 6 ) 判断是否达到最大迭代次数,若不满足,返回( 3 ) ;否则进行下一步。( 7 ) 将适应度值最优的粒子作为在该时段内负荷优化的最优解,并利用随机模拟技术检验当前粒子的可行性,即判断其是否满足约束条件成立的置信水平,若不满足成立条件则返回步骤( 2 ) ,若满足约束条件,输出当前机组组合下负荷优化的最优解,传递给蚁群算法。流程图如图4 4 所示:图4 4 攀于粒子群算法的负荷优化分配流程图4 3
15、 4 随机机会约束条件的检验在机组负荷优化分配阶段,涉及到风电出力随机变量的约束条件有系统功率平衡约束,用随机模拟技术进行检验。利用随机模拟技术榆验系统功率平衡约束条件的步骤:3 6含风电场电力系统的机组优化调度研究样本。= N + 1 。彤一易。) _ 肌即当矾粒子值越界时,设该粒子值等于边界值( 边界值限定为发电机输出功率的上、下限值) ,即当彤e g 曲时,令臂= 只g 曲;当彤只g 一时,令彤= 只g 一。机组爬坡速率约束【5 6 J :常规发电机组出力上下限约束可通过在粒子群算法中设粒子矩阵中相邻行向量之间的差值满足一定约束实现,即当彤0 _ 1 ) + 叩A T 时,令学= 只0 一1 ) + r t 妒A T ;当彤只孑一1 ) 一出”r 时,令彤= 只0 - 1 ) 一吒面”丁。4 4 算例分析4 ,1 1 系统参数采用文献【4 9 】的系统参数,时间周期取1 天,分成2 4 个时段。风力场出力预测值由文献 6 8 】风电场扩容2 5 倍得到,即风电场中有6 0 台风机,每台风机额定粹量为lM W ,J x L l 乜场额定出力为6 0 M 形。风电机组出力的最大变化率6 。取2 5 ,系统正、负旋转备用率取5 ,常规机组的分钟级爬坡率数据见参考文献 s H 。其中常规机组数据见表4 1 ,各时段的负荷数