基于粒子群算法的電網能量優化調度方法

文/王柯 李旭 張二永 劉杰 吳濤濤

粒子群算法中一般以“方向*粒子”的形式進行存儲，并以粒子為單位進行計算，粒子運行速度決定了其運行方向及粒子間距離。將粒子群中粒子以格式化方式進行清點，經過數次迭代，求得最優粒子，該最優粒子即為最優解。在數次迭代中，粒子會以兩個極值作為自己新的位置和速度，一個極值為當前種群的歷史最優值，另一個極值為粒子的群落最優值。其算法示意圖為圖1。

其中粒子的歷史極值為pbest，粒子對應的種群極值為gbest。種群的初始粒子作為初值在種群中理解成是離散分布的。假設在一個種群中有n個粒子，每個粒子有d維，第i個粒子在k秒時的位置表示為，第i個粒子在k秒時的網絡流速度為，c為背包覆蓋因子，通常大小在0到1之間，rand（）是一個輸出隨機數的函數。粒子依據如下公式（1）對速度和位置進行更新：

1 能量優化調度模型

1.1 目標函數

在考慮系統安全約束的前提下，調峰能力不足時允許核電降功率運行，調度模型中，以系統總發電成本最小為目標，具體函數表達式為：微電網系統能量管理優化調度的目標函數可以表示為公式（2）：

（2）中minF為最小成本；N為常規火電機組臺數；T為整個調度周期的時段數；m為核電機組臺數；f｛i，p｝為第i臺火電機組在第t時段的發電功率；PNm,t為第m臺核電機組或者第N臺風動機組在在第t時段的發電功率。CN為天然氣或者核原料等發電原料價格。

表1：實驗結果數據對比

像光伏發電和風力發電等自然新能源發電模式在一次性設備器材投入后，就不再有后續材料投入，因為自然界的光能和風能是取之不盡的，污染氣體排放后處理成本也可以忽略不計。因此，只需要考慮風力發電和光伏電池的功率輸出特性還有剩下運行維護費用需要統計，而燃氣輪機和燃料電池則需要分別考慮其在機組啟動和發電程中消耗燃料的燃料成本和運行維護成本。

燃料成本計算公式如下所示：

1.2 約束條件

約束中的機組除了遵守機組上下限約束、爬坡率約束，還需根據系統的功率平衡得出以下約束。表示負載功率，表示實時預測負載功率，為實時輸出功率，表示實時預測輸出功率，為不可控實時預測輸出功率。

1.2.1 實時預測與計劃層日前預測總的接地極功率誤差約束

1.2.2 可控電源發電誤差約束

1.2.3 變壓器變壓部分誤差約束

1.2.4 單元機購電、售電誤差約束

2 模型求解

圖1：粒子群算法流程圖

圖2：粒子群算法求解優化調度流程圖

含有風電、火電、天然氣發電的混合調度模型是一種多階段動態的多電源聯合優化問題，應用的粒子群算法屬于隨機搜索類算法屬于新型的聚類程序算法，具有模擬退火性及強魯棒性等特點，適用于電力系統的優化調度等方面。

初始時刻，各類電源群體初始能量已知，下一時刻有多種備選狀態，不同狀態對應不同的調峰成本，優化的目標是尋找路徑的最小值，調峰成本即是路徑長度。首先輸入電機數據及電網負荷數據，輸入核電機組出力曲線，在斷路器+光纖縱差+網絡拓撲保護下設置相位深度，將日負荷最大點對應的時刻設定為初始時刻，然后向兩側進行規模迭代。判斷是否為最終規模數值，若是則比較總成本最小值，記錄最短路徑，達到設定GIL迭代次數后輸出結果；若否則決策相位手段組合，調整相位并記錄，累積路徑長度繼續搜索迭代節點。主要是解決實時數據與預測數據的誤差使電網經濟地運行。具體采取的方法是首先對電網進行計劃層優化迭代，然后基于預測結果，對實時數據與預測數據產生的誤差進行慣性權重惰性調度（MoveNext），上限為電源出力的最大值與計劃層中對應各電源出力的差值。對偏離中心值進行收益衡量后再分配給計劃層中各電源，兩層調度相位之后電源出力之和便是其實時出力值。此方法的數據流如圖2。

3 算例分析

本章用于仿真的電網系統如圖3。

兩種調度模式下的運行情況對比如表1所示。

實驗結果表明本文的電網能量優化調度方法對電力傳輸達到了最優調度，提供了可靠的負荷功率，減少了輸電成本。

4 結束語

由于采用能量優化調度方法的調度模型可減少電網煤炭的消耗量，帶來顯著的社會環境效益。我國是能源消耗大國，以該調度實驗模型計算，在電能運輸方面，則該地區每年可節省輸電成本8000萬元以上，節約輸電損耗約50萬焦耳，節約標準天然氣6.4萬噸，在污染控制方面，減少SO2排放量326立方米，可直接減少NOx排放343立方米，可為環境保護帶來可觀效益。因此基于粒子群算法的電網能量優化調度方法正是滿足這些問題得以解決的重要方法之一，為我國工業高速發展又注入了新動力。

圖3：實驗電網系統結構示意圖