基于遗传算法的水电短期优化调度

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于遗传算法的水电短期优化调度范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

[摘 要] 本文介绍了节能发电调度中水电和火电的发电排序不同，分析水电优化和火电优化的方法区别， 将水电和火电分开进行优化，得到水电的总负荷曲线。水电优化调度是一个强约束、非线性、多阶段的复杂优化问题，本文采用遗传算法进行求解。

[关键词] 水电站 优化调度 遗传算法 节能

前言

节能发电调度要求经济高效的利用可再生能源，因此，水电优化调度是电网节能发电调度的重要内容。水电优化调度按照编制的优化运行方式的长短分，有:长期(年、季、月)优化调度运行方式，中期(旬)优化调度运行方式，短期(日)或24小时最优负荷曲线优化调度运行方式，实时调度方式四种。下文就基于遗传算法的水电短期优化调度进行分析.

1.水电总负荷曲线

水火联合发电计划问题是电力系统的传统难题，需要在满足大量约束条件的前提下，确定各水电厂的放水发电过程，并合理安排各火电厂的发电出力。

节能发电调度下，水电和火电的发电排序存在很大区别。水电属于清洁的可再生能源，供电煤耗为零，节能发电调度下优先安排发电，在机组发电排序的序位表中列在所有火电的前面。而不同的水电机组主要根据调节能力确定发电的序位.

由于节能发电调度下水电和火电的发电顺序不同，为了降低联合优化调度的难度，将水电和火电分开进行优化调度。电网节能发电调度系统确定水电和火电各自的总负荷曲线。基本方法如下，用系统负荷预测的最大值减去所有水电站最大出力之和，得到火电在最大负荷时刻的总出力，用排序表中靠前的火电机组承担这部分负荷，然后从最大负荷点出发，根据火电机组的爬坡下坡速率限制和水电站的水文情况和调节能力，在优先安排水电和火电总负荷曲线尽量平滑的原则下，得到其他时刻点的水电总负荷曲线和火电总负荷曲线。

水电短期优化调度模块的主要功能，就是在已知水电站总负荷曲线的情况下，确定各水电站优化运行方式。

2.优化调度模型

在已知水电站总负荷曲线的情况下，确定各水电站优化运行方式。设系统中有K个水电站，一天的时刻点数T =96，t时刻第k个水电站的出力记为，t时刻水电总负荷为。

以水电出力之和与总负荷曲线的误差最小为目标:

(1)

根据电网的实际运行要求，有如下约束条件。

推荐出力约束

(2)

为了避开振动区，使机组能够平稳运行，每个水电站会申报5个推荐出力…，电站出力要求为申报出力中的一个。

爬坡下坡速率约束

(3)

式中， 、为电站k爬坡速率和下坡速率极限。

3)同增同减约束

水电站出力的变化趋势和总负荷曲线的变化趋势相同，总负荷增加时电站出力不能减少，总负荷减少时电站出力不能增加，即

(4)

4)平稳运行约束

每个出力状态要求至少持续4个时刻点(1h)，即

If

Then = (5)

5)电量约束

发电量等于水电站的申报电量，允许有一定偏差，即

(6)

式中:W为水电厂申报电量;τ表示每个时段间隔(15 min);ε表示允许的电量差额比例(5%)。

6)低高比约束

为了让所有的水电站比较公平地参与调峰，电网公司根据电站的调节能力确定了电站的低高比，即低谷时段发电量和高峰时段发电量之比。水电站的出力曲线要满足低高比约束，即

γkγk (7)

式中:TV为低谷时段时刻点;TP为高峰时段时刻点; γk为电站低高比;ε为允许的偏差(5%)。

7)水位限制

水电站的水位和水库库容、入库流量、出库流量有关，出库流量是出力曲线的函数，库容需要满足库容约束，即

(8)

式中: 为t时刻水电站库容为t-1时段(t-1时刻到t时刻)入库流量; 为发电耗水率; 、为水库库容的下限值和上限值。

3.求解算法

从上面的模型可以看到，水电短期优化调度是一个强约束、非线性的复杂的优化问题，利用常规优化方法求解比较困难。本文采用遗传算法对该问题进行求解。遗传算法是一种拟生态全局优化算法，它借用了生物遗传学的机理，通过模拟生物进化过程中优胜劣汰规则与群体内部染色体信息交换机制，实现寻优。遗传算法是一类多点自适应全局优化的通用方法，与动态规划法等常规优化方法相比具有一系列优点，它特别善于处理复杂的非线性优化问题，在水库优化调度领域中的应用已有研究。

编码是遗传算法的首要步骤。根据推荐出力约束，每个水电站在每个时刻点有5种出力选择，最简单的编码方案是采用整数编码，每个基因编码为1到5中的整数，分别对应5种不同的出力，染色体长度为，为水电站数，为一天的时刻点数。但这样编码时染色体的长度很长，计算量很大。本文采用一种改进的编码方式。

一天中的96个点被分为4个不同的时段，分别为谷负荷时段(23:00-7:00)、平负荷时段(7:00-11:00、19:00-23:00)和峰负荷时段(11:00-19:00)。日发电计划编制中第1个时刻点为0:15，则根据上面的时段划分，一天的96个时刻点可以分为5段:1~27、28~43、44~75、76~91、92~96，各段分别对应谷、平、峰、平、谷。对每个电站，一天的出力曲线可以划分为上述5个时段的出力曲线的组合。

每一个时段内的出力曲线有很多种方案，例如时刻点1~27对应的时段，共有527种方案，但其中的绝大多数方案是不满足约束条件的，例如爬坡下坡速率约束、同增同减约束、平稳运行约束。利用这些约束条件，可以大大降低时段内出力曲线备选方案的数量。

本文采用的编码方案针对每个时段内的出力曲线进行编码。首先遍历该时段内出力曲线所有可行的方案，并对每个可行方案进行编号。每个水电站对应5个基因，分别对应5个时段的小方案，染色体长度为。每个基因采用整数编码，对应可行小方案的编号。这样的编码方式在前期就利用约束条件剔除了绝大部分的不合理方案，大大缩短了基因序列的长度，加快了计算速度。

本文的优化为带约束的极小值问题，约束的处理采用变量惩罚函数法，适应度函数为

(9)

式中: 为优化问题的目标函数; 为使适应度为正值的正常数;M为与进化代数有关的惩罚因子;N为约束个数; 为与第个约束有关的违约值。

遗传操作包括选择算子、交叉算子和变异算子三个步骤。经过大量试验，本文采用比例选择配合最优保存策略方法进行选择、均匀交叉、非均匀变异。

4.算例分析

以某天的实际运行结果进行分析。参与水电优化的水电站共有102个。图1中给出了给定的水电站总负荷曲线。利用本文方法进行水电优化调度，确定各水电站的运行方式。优化得到的水电站的总负荷曲线如图1中虚线所示，和给定曲线的偏差很小。对优化结果进行检验，模型中的约束条件都得到了满足。

图1 水电总负荷曲线

5.结束语

本文研究了基于遗传算法的水电短期优化调度方法。由于节能发电调度中水电和火电的发电顺序不同，水电优化和火电优化的算法存在很大差别，为了降低联合优化调度的难度，将水电和火电分开进行优化调度。将总负荷曲线分解为水电总负荷曲线和火电总负荷曲线。然后利用遗传算法，将水电总负荷曲线分配到各水电站，得到满足各种约束条件的水电站出力曲线。

参考文献:

[1]刘建明，李茂军.基于改进遗传算法的水电经济调度 [J].电力系统及其自动化学报， 2007， 19(5): 39-44.

[2]涂启玉，梅亚东.遗传算法在水库(群)优化调度研究中的应用综述 [J].水电自动化与大坝监测， 2008，32(1): 16-18，29.

[3]玄光男，程润伟.遗传算法与工程实现[M].北京:清华大学出版社， 2004.