首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于粒子群算法的电力负荷调度决策方法

基于粒子群算法的电力负荷调度决策方法

2024-10-20 84 上传者：管理员

摘要：新能源并网条件下，电力负荷调度效率低下，为此，基于粒子群算法设计电力负荷调度决策方法。结合粒子群算法建立电力负荷预测模型，在惯性权重因子的基础上补全所有缺失数据，结合不同的单元模型，设定激活函数，获取电力负荷的预测值，综合用电负荷和电力系统运行成本，制定电力负荷的决策变量，设置目标函数与约束条件，得到电力负荷调度决策结果。实验结果表明，该方法结合实际的电力负荷对火力发电以及蓄电池进行优化调度，运行成本由原本的13 618元降低至10 615元，可见该调度决策方法有效降低电力系统运行成本。

关键词：
单元模型
智能电网
电力系统运行
电力负荷
粒子群算法
加入收藏

电力建设决定一个国家的工业水平，在当今社会能源短缺的背景下，电力系统的安全化、经济化以及高效化已经成为所有国家的重点研究目标。通过信息流与能量流的双向交互，可以促进电网的高效运行，结合负荷需求对电网进行优化调度。这不但可以促进可再生能源的消纳，同时还能保证电网经济稳定运行，对缓解能源短缺，促进节能减排也有着十分重要的意义。

在现有的电力调度方法中，文献[1]在考虑经济与安全的同时，建立非齐次半马尔科夫动态调度模型，该模型可以在大规模电动汽车接入电网后，结合充放电以及用户随机出行等问题，在多目标动态监控的算法下，完成对链式调整的改进。通过该方法可以获取更高的调度效率，节省电力负荷成本。文献[2]为保证电力系统的经济性，使用改进樽海鞘群算法，结合Levy飞行策略，对该问题进行求解。设置燃料成本的最小化目标函数，在输出功率以及平衡约束的限制条件下，完成对于算法的收敛，同时通过实验验证该算法的经济优化效果，以及遍历寻优能力。文献[3]以水电站电力负荷调度作为研究对象，通过设置目标函数和约束条件，建立一个分频调度模型，同时在背包算法的优化下，对组件的模型进行求解。实验结果显示该算法下的电力调度方法具备更好的精度，可以有效降低电力负荷耗时以及经济成本。为进一步压缩系统的运行成本，本文通过粒子群算法，设计一种新的智能电网电力负荷调度决策方法。

1、基于粒子群算法建立电力负荷预测模型

粒子群算法所需要的参数较少，因此需要使用惯性权重法对全局进行优化。其惯性权重因子的计算公式为：

式中，wmni+1表示第i+1个因子的惯性权重；vimn表示上一个因子在m点到n点之间的运行速率，vmi和vni分别表示其在m点和n点上的瞬时速率；c1和c2分别表示两个加速常数，a1和a2则表示两个压缩因子[4-5]。结合该惯性权重因子，预测下一个时段的电力负荷，需要大量的短期负荷数据，这些数据大多来自实时数据库，但是由于机械或者其他方面的原因，在传输过程中出现丢失以及异常现象，生成伪数据。如果将这一类伪数据作为电力负荷预测的基础数据，生成较大的误差。首先需要补全缺失数据，因此需要对待定数据进行修补，参考近三日内的电力负荷数据，可以得到：

式中，d(sk,pt)表示待修补的电力负荷待定数据，其中sk为日期，pt为具体时刻；d1(sk,pt)表示待修补的电力负荷数据前一日该时刻的数据，d2(sk,pt)表示后一日该时刻的数据，w1和w2则分别表示前一日与后一日的加权平均权重[6]。由于所有的异常数据均具备周期性原则，因此其周边的负荷值不会有太大的差距，在求解某一异常数据时，需要结合周边时段的数据，计算其负荷均值：

式中，E(pt)表示某一时段内所有除异常数据以外数据的负荷均值；n表示该时段的具体时间，一般不超过24个小时[7-8]。所有缺失数据全部补全，并处理异常数据后，需要对数据样本进行归一化处理，其计算公式为：

式中，f(p)表示所有样本归一化处理后的数据；pi表示第i个样本数据，pmin和pmax分别表示样本中的最小值与最大值。最后需要在所有样本数据之间建立关联性，在不同的单元模型下，设定激活函数：

式中，Sm(Qy,Ky)为两个样本数据之间关联性的分值，Qy和Ky分别为这两个待检测的样本数据；VT表示向量点相似性矩阵；Hu和Wu分别表示两个样本数据的相似性乘积权重[9]。在处理该分值时，使用计算公式：

式中，δs表示单元数据的分值系数。通过该系数，可以获取电力负荷的预测值：

式中，Y(Qy,Ky)表示结合两个基础样本数据所获得的电力负荷预测值；δi则表示第i个单元数据的分值系数[10-11]。通过以上公式，可以建立电力负荷预测模型，并通过已有的电力负荷数据获取其预测值。

2、设计电网调度方法

2.1 决策变量

使用不同的并网模式，其所需要的经济成本有较大的差异，在对电力负荷进行调度处理的过程中，需要依据决策变量，建立一个以用户用电负荷单元为中心的集合Um={U1,U2,…,Ui}。在该调度周期内，将时间分为若干个不同的时段，此时每一个负荷单元在单位时段内的用电负荷可以表示为：

式中，KL表示预期的用电负荷，Ki(t)则表示第i个负荷单元内某时段的用电负荷；PL表示电力系统的运行成本，Py(t)表示某用电单元y的用电成本[12]。依据上述决策体系，对每一个时段进行调控，并获取光伏系统、风电系统、火力系统以及蓄电池的负荷调度决策，以此降低成本。

2.2 目标函数与约束条件

在考虑负荷曲线波动性的前提下，可以将最小化的经济成本以及负荷功率作为目标函数：

式中，F1表示最小化的电力运行经济成本；F2表示电力负荷功率；Hp(t)表示t时刻负荷功率曲线上的数值，Hk(t)则表示t时段内负荷功率曲线上数值的平均值；f(t)表示t时刻电力的运行维护系数。将两个目标函数复合成单目标函数：

式中，Fz表示单个目标的函数值，w1和w2分别表示以上两个目标函数的权重。经过以上公式，可以对成本以及负荷功率两个问题进行调度优化。但是其还需要一定的约束条件：

式中，ci表示第i个加速常量；Ki(t+1)表示第i个用电单元内的第t+1时刻时的用电负荷；PL(t+1)则表示t+1时刻的用电成本。结合上述目标函数以及约束条件，可以得到电力负荷调度决策结果。

3、算例分析

3.1 实验参数设置

选择某智能电网的电力负荷数据作为本实验的主要测试对象，该电网中包含新能源发电机，由风力发电系统、光伏发电系统、火力发电系统、储能系统共同构成，如图1所示。

图1电网系统结构

图1所示的电网系统结构中，可再生能源发电系统包含光伏发电系统和风电机组发电系统，其最大发电容量分别为500 k W和300 k W，最小发电功率为0 kW，其运行维护系数为0.886 k W/元和0.541 kW/元；不可再生能源发电系统主要为以柴油发电机为主的火力发电机组，其最大发电功率为1 000 kW，最小发电功率为200 kW，运行维护系数为0.996 kW/元；储能系统中则为一个包含若干蓄电池的蓄电池组，每一个蓄电池的最大储电容量为300 kW，其运行维护系数为0.669 kW/元。

3.2 调度前智能电网综合出力

本次实验的仿真调度周期为24 h，每小时为一个分段，绘制该智能电网在调度优化前的光伏系统出力、风电系统出力以及火力发电出力，其综合出力曲线如图2所示。

在综合处理曲线图中，火力发电的出力在该时段内最稳定，一直保持在1 000 kW，上下波动较小。光伏发电则呈现出非常标准的“几”字型结构，在20:00至4:00时，光伏发电系统不工作，此时发电系统接收不到太阳光，无法生成电能。在4:00-20:00这段有阳光照射的时间内，光伏发电系统的出力迅速增加，至12:00达到顶峰，又迅速回落。其在12:00的出力功率为350 kW。由于风力发电自身的独特性，每一个工作日风力发电的出力情况均不相同，在该时段内的风力出力主要集中在上午7:00-12:00以及夜晚23:00-2:00，其余时段的出力较低。在该系统内，结合每一日的用电负荷，蓄电池将多余的电力储存起来，并在光伏、风力发电系统出力较低，并将其应用于用电负荷较大的时段。整体而言，由于电力负荷调度不智能，导致蓄电池出力过大，造成调度运行成本较大，在电力负荷调度过程中，需要着重注意火力发电以及蓄电池运行的调度。

图2调度前电力负荷

3.3 调度后系统综合出力

图3调度后电力负荷

本文使用粒子群算法，对智能电网的综合出力以及用电负荷进行优化调度，在算法内，设置种群规模n=50，粒子维数通过输入层、隐含层以及输出层的节点控制，压缩因子a=0.5，惯性权重因子ω=0.1，加速常数c1=c2=2，粒子搜索速度最大值Vmax取最小值，训练次数为800次，学习速率为0.1。在该电力负荷调度决策系统内，光伏阵列、风电机组均与交流母线相连接，同时连接信息传输线，通过电网负荷调度控制中心，对其进行智能调控，蓄电池内部的剩余电量如图3所示。

如图3所示，经过调度后的智能电网用电负荷、光伏发电以及风力发电系统不发生改变，但是火力发电系统的运行功率却有较大的变化。由原本仅仅的稳定出力，转变为跟随预测的用电负荷出力。通过图3可以明确看出，在0-6 h，用电负荷处于较低的数值，此时的火力发电系统出力也保持在较低的程度，但是6 h以后用电负荷急剧增加，火力发电也随着用电负荷同步增加，20 h用电负荷减少时，火力发电的数值也随之减少。在这样的调度决策方法下，蓄电池的剩余电量存在明显的变化，其最低值约为30%，最高值约为61%，最大差值约为31%，调度前存在明显的下降趋势。虽然光伏发电与风力发电受到自然环境的影响较大，很难通过人工调控，但是却可以通过火力发电，减少不必要的损耗。

3.4 调度成本优化对比

通过上文中设置的电网运行维护系数，测试调度前综合处理曲线下电力负荷出力所需要的运行成本，同时使用本文设计的粒子群算法，对电力负荷进行调度决策，在800次迭代下，获取调度后的运行成本。将本文的电力负荷调度决策方法与其他几种调度方法的成本进行对比，如图4所示。

图4运行成本

在图4中，第80次迭代后，算法可以得到最优解，此时运行成本已经由原本的13 618元降低至10 615元。由此可见，本文设计的电力负荷调度决策方法有效，可以在一定程度上提高出力效率，降低电力负荷调度成本。而三种传统的电力负荷调度决策方法中，非齐次半马尔科夫调度方法在第250次迭代时得到最终的训练结果，此时其运行成本降低到10 945元。改进樽海鞘群算法在第300次迭代时，达到系统运行成本的最低值，约为10 877元。背包算法在第250次迭代时，得到最优解，此时该算法的运行成本为11 612元。对比上述三种算法，所提电力负荷调度方法下的运行成本最低，且达到最优解时的迭代次数最小，可见该方法调度效果最好。

4、结束语

本文设计一种基于粒子群算法的电力负荷调度决策方法，该方法可以依据电力负荷的预测值，有效提高电力的利用效率，降低蓄电池内的电力波动趋势，同时降低电力系统的运行成本，使其由13 618元降低至10 615元。在与其他算法的对比中，也占据明显优势，较其他电力负荷调度方法成本更低。在下一阶段对电力负荷调度决策方法的研究中，可以考虑到不同天气因素对可再生能源造成的影响，同时也需要结合分时电价进行进一步的深入研究。

参考文献:

[1]肖俊明,冯超,朱永胜,等.非齐次半马尔科夫充放电策略辅助用户随机出行的多目标动态电力调度[J].电网技术,2021,45(9):3571-3582.

[2]李玲玲,陈文泉,冯欢.基于改进的樽海鞘群算法的电力负荷经济调度策略[J].天津工业大学学报,2022,41(2):67-73.

[3]佟忠正,孙旸子,王忠军.基于背包算法的梯级水电站电力负荷分频调度方法[J].水利水电技术(中英文),2021,52(11):143-151.

[4]张树森,镐俊杰,郭源善,等.考虑环境条件的含风电电力系统节能优化调度策略研究[J].自动化技术与应用,2022,14(7):146-149.

[5]陈静鹏,王科,蒋迪,等.高比例水电系统的网省联合实时优化调度方法及应用[J].电力系统自动化,2022,46(6):160-165.

[6]李政洁,撖奥洋,周生奇,等.计及综合需求响应的综合能源系统优化调度[J].电力系统保护与控制,2021,49(21):36-42.

[7]邱彬,慕会宾,王凯,等.计及氢气天然气混合运输的氢耦合综合能源系统优化调度[J].电力系统及其自动化学报,2022,34(8):51-59.

[9]马临超,齐山成,刘毅,等.考虑分布式可再生能源的配电网电力调度优化模型研究[J].可再生能源,2022,40(5):703-710.

[11]黄海涛,林建,查俊吉.基于可分离热电燃气轮机模型的电-气-热联合系统调度运行研究[J].电测与仪表,2022,59(1):141-147.

[12]张通,刘理峰,杨才明,等.考虑需求响应和风电不确定性的能源系统调度[J].浙江大学学报(工学版),2020,54(8):1562-1571.

基金资助:甘肃省高等学校自然科学研究面上项目(18GSX520039);