[发明专利]一种基于NSGA-II和近似动态规划的多目标动态最优潮流求解方法

说明书

本发明涉及基于NSGA‑II和近似动态规划的多目标动态最优潮流求解方法，属于电力系统日前调度计划研究领域，包括以下步骤：获取下一调度周期内系统相关数据；以发电耗费、污染物排放量与网损最小为目标，以节点安全电压和无功出力为约束，建立多目标动态最优潮流模型；采用NSGA‑II求解各单时段Pareto解集，将单时段连续决策空间离散化，以非支配解的模糊满意度作为值函数，基于时段耦合的动态约束将模型转化为多时段动态规划问题；采用策略迭代动态规划法求解模型得到累加满意度最大的路径，即多目标动态最优潮流的最优解。本发明结合NSGA‑II和近似动态规划法求解多目标动态最优潮流问题，综合处理其中包含连续变量的多目标优化问题与传统动态规划的“维数灾”问题。

技术领域

本发明属于电力系统日前调度计划研究领域，涉及一种基于 NSGA-II和近似动态规划的多目标动态最优潮流求解方法。

背景技术

电力系统日前调度计划的研究和制定对于整个调度周期内的电力系统优化运行与控制具有重要意义。

多目标动态最优潮流是日前调度计划研究的一个分支，旨在机组组合确定的情况下，基于对电力系统下一调度周期负荷等情况的合理预测，制定系统中可调节手段如机组出力、机端电压、无功补偿投入和需求响应资源等的调度计划，以实现电力系统在满足机组爬坡及电压安全等约束下的经济、环保、节能等方面多目标动态优化运行。这类问题是具有大量混合变量和约束条件的复杂多目标非线性优化问题，其求解方法的有效性和快速性一直是研究重点和难点。

传统的电力系统动态最优调度模型的求解方法主要是内点法，随着动态问题和优化技术研究的深入和发展，现有的动态优化算法大体可划分为如下三类：一类是数学规划算法，如内点法、梯度投影法、动态规划等；二类是人工智能算法，如遗传算法，差分进化算法，粒子群算法等；三类是混合算法，将前述算法中的两种或以上融合起来，协调发挥各自优势实现更好的优化性能，如粒子群算法与序列二次规划法的结合等，这方面研究尚有长足发展空间。基于贝尔曼最优性原理的传统动态规划法广泛应用于各领域多阶段决策问题的建模和求解，然而传统动态规划基本用于求解优化单目标问题，并且随着优化问题的复杂化与扩大化，求解过程中的“维数灾”问题日益凸显，严重影响优化计算效率。近年来近似动态规划的研究取得进步，通过合理的方法近似逼近动态规划中的值函数可解决“维数灾”，受到广泛关注。最优潮流问题是包含有大量连续变量的非线性优化问题，基于遗传思想的快速非支配排序遗传算法(non-dominated sorting genetic algorithm-II，NSGA-II)具有很好的非线性优化能力和鲁棒性，并且可获取多目标Pareto最优解集，保证最优个体多样性从而为决策者提供不同偏好选择，成为求解多目标优化问题的优秀智能算法之一。综上所述，研究多目标动态最优潮流求解方法，以有效解决多目标动态最优潮流求解中存在的包含连续变量的多目标优化问题与动态规划的“维数灾”问题，对于提升电力系统日前调度水平具有积极意义。

发明内容

针对现有技术的不足，本发明“一种基于NSGA-II和近似动态规划的多目标动态最优潮流求解方法”，提出将NSGA-II与近似动态规划结合，利用近似动态规划对多目标动态最优潮流问题进行建模和转换，结合NSGA-II求取Pareto最优解集和最大满意度决策的思想，从而发挥近似动态规划在解决多阶段决策问题的同时避免“维数灾”的优势和快速非支配排序遗传算法在获取多目标Pareto最优解集的优势，获得该问题全局和整个调度周期多目标最优解。

本发明采用如下技术方案：一种基于近似动态规划和快速非支配排序遗传算法的多目标动态最优潮流求解方法，该方法包括如下步骤：

步骤1：获取电力系统在下一个完整调度周期的数据，并进行负荷预测。

步骤2：以发电耗费最小、污染物排放量最小、网损最小为目标，考虑电压稳定约束和无功出力约束，对电力系统多目标动态最优潮流问题建模。