[发明专利]基于改进径向移动算法的含风电场电力系统经济调度方法

说明书

本发明公开了一种基于改进径向移动算法(IRMO)求解含风电电力系统经济调度的方法，从风电高低估成本、阀点效应、旋转备用约束和网络损耗等常考虑因素入手，建立了计及风电不确定性的通用经济调度模型，该模型具有通用性；为求解此模型，提出一种改进的径向移动算法(IRMO)，该算法一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，进一步增强算法中后期的搜索精度，更易找到全局最优解；能够在保证快速性的同时，兼顾精确性和准确性，获得了比其他几类典型算法更好的结果，从而为决策者提供更经济省时的调度方案。

技术领域

本发明涉及一种利用改进径向移动算法分析和求解风电并网经济调度模型的方法，属风电的不确定性分析和新能源并网调度领域。

背景技术

随着环境问题的日益突出，风能作为一种清洁能源得到越来越多的关注。然而，风力具有较强的随机性，目前对风电功率的预测还存在较大误差。因此，含风电的电力系统经济调度问题成为一个研究热点。

为应对风电随机性，模型的建立主要分为两大类：不确定性模型和确定性模型。前者通常利用模糊理论、概率模型和场景法等，后者通常在目标函数中考虑风电的高低估成本，或转化成备用约束。随着模型的日趋合理同时也日趋复杂，要考虑的因素变得更多，约束处理也更困难，尤其是动态经济调度(dynamic economic dispatch,DED)这种互耦合、维度高、非线性优化问题，在风电接入后变得更为复杂。

为此，相关学者提出各种优化算法，如精英策略非支配排序遗传算法(NSGA-II)、实数编码遗传算法(RCGA)、下降搜索粒子群算法(MPSO)、进化迭代粒子群算法(EIPSO)、改进的细菌觅食算法(IBFA)、改进的自适应多目标差分进化算法(MAMODE)、改进差分算法(IMOEA/D-CH)等，这些算法均能在不同程度上求解复杂的调度模型，但共同存在的缺点是易陷入局部最优解，无法找到最优的调度方案，且有些算法较复杂，耗时长。Rahmani等学者提出径向移动算法(radial movement optimization,RMO)，它模拟的是一群由中心点喷洒的粒子随着中心点的移动而不断喷洒并逐步向最优解逼近的过程，算法精度高但易陷入局部最优解，本发明通过改进将其首次应用于调度问题的求解。

发明内容

为解决上述问题，本发明提供一种基于改进径向移动算法的含风电场电力系统经济调度方法，使改进后的算法既节省了存储器空间，又增加了算法精度和准确度，且不影响计算速度。

为实现上述目的，本发明采用以下技术手段：

本发明提供一种基于改进径向移动算法的含风电场电力系统经济调度方法，具体过程包括以下三个步骤：

步骤1：考虑风电高低估成本、阀点效应、旋转备用约束和网络损耗等常需因素，建立了计及风电不确定性的通用经济调度模型；

步骤2：对模型进行转化和处理，以便于算法求解；

步骤3：采用改进的径向移动算法(IRMO)，一方面在迭代过程中随机对一部分粒子进行突变，改善种群多样性，使算法能够跳出局部最优；另一方面利用凹抛物线式的惯性权值非线性递减策略，以进一步增强算法中后期的搜索精度，更易找到全局最优解。

进一步的，所述步骤1中模型建立如下：

(1.1)目标函数如下：

式(1)中f(P,w)为调度单时段消耗的总成本，第一项F(P_n)为火电机组的燃料成本，表达式设为：

第二项E(P_n)为汽轮机阀点效应产生的能耗成本，设其表达式为：