[发明专利]一种考虑下游生态的流域风光水系统多目标优化调度方法

权利要求书

1.一种考虑下游生态的流域风光水系统多目标优化调度方法，其特征在于，包括以下步骤：

(1)获取梯级水电站的基本信息，该基本信息包括各个水电站的入库径流资料、水位库容曲线、尾水流量关系曲线和水轮机机组综合曲线资料；

(2)获取流域风光电站的基本信息，该基本信息包括各个风光电站的地理位置、风速、太阳辐射、气温和装机容量资料；

(3)根据流域风光水电站基本信息，建立考虑下游生态的流域风光水系统目标以及硬性约束的多目标发电优化调度数学模型；具体为：

多目标优化调度数学模型的目标函数为发电量、最大调度期内最小时段出力最大和对下游生态影响最小；

发电量最大目标函数为：

其中，f₁为风光水电系统总发电量；T为调度期时段数；PPV_t、PW_t和PH_t分别是光伏电站、风力发电站和水电站第t时段出力；△t为时段小时数；

最小时段出力最大目标函数为：

其中，f₂为风光水电系统最小出力；P_t＝PPV_t+PW_t+PH_t；

水电站出库流量与天然流量偏差最小目标函数为：

其中，f₃为水电站的出库流量与天然流量的偏差；O'_i,t为第i水库t时段的出库流量，Q_Ni,t为第i库t时段下游断面天然流量；I为水库数目；

硬性约束具体为：

(a)各库的水量平衡约束

V_i,t＝V_i,t-1+(Q_i,t-O'_i,t)△t ；

其中，V_i,t,V_i,t-1为第i库第t时段末、初水库蓄水量；Q_i,t为第i库第t时段入库流量；O'_i,t为第i库第t时段出库流量；O_i,t为第i库第t时段发电流量，为第i库第t时段弃水流量；

(b)各库的上、下限水位约束

其中，Z_i,t为第i库第t时刻计算水位；Z_i,t为第i库第t时刻允许下限水位；为第i库第t时刻允许上限水位；

(c)流量约束

其中，O'_i,t和分别为第i库第t时段下泄流量允许的最小、最大值；

(d)调度期末水位约束

Z_i,T＝Z_i,end,i∈[1,I]；

其中，Z_i,end为第i库调度期的期末水位；

(e)光伏电站出力约束

其中，PPV_d,t是第d光伏电站第t时段的出力；PPV_d,t是第d光伏电站第t时段的允许最小出力；是第d光伏电站的装机容量；D为光伏电站的个数；

(f)风力发电站出力约束

其中，PW_k,t是第k风力发电站第t时段的出力；PW_k,t是第k风力发电站第t时段的允许最小出力；是第k风力发电站第t时段的装机容量，K为风力发电站的个数；

(g)水电站出力约束

其中，PH_i,t和分别为第i水电站第t时段的允许最小出力和装机容量；

(h)外送断面约束

其中，P_t和分别为第t时段断面功率约束值的最小值和最大值；

风光水电系统出力计算具体为：

(a)风力发电站出力计算方式如下：

其中，S_A是风力发电机轮毂的面积，ρ是空气密度，N_k是第风力发电站的风力发电机的台数，u_k,t是风力发电机轮毂处的风速，具体见下式：

其中，u_k,t和分别是风力发电机轮毂处高度和距地面10m高度处的风速，h是风力发电机轮毂处的高度，α(h)是高度转换系数；

(b)光伏电站出力计算：建立光伏发电系统与太阳辐射和温度的关系；

其中，P_stc是标准条件下光伏板的出力，G_stc是标准条件下的太阳辐射强度，是第d光伏电站第t时段的光伏板的温度，T_ref是标准条件下的温度，是第d光伏电站t时段的实际太阳辐射强度，β是光伏板的温度系数，γ是光伏板的辐射系数，是第d光伏电站光伏板的面积；

(c)水电站的出力如下式所示：

PH_i,t＝g(O_i,t,△H_i,t)；

其中，PH_i,t是第i水电站第t时段出力，函数为水电站出力特性函数,O_i,t是发电流量，△H_i,t是发电水头；

(4)采用改进的AR-MOEA对所述步骤(3)建立的多目标发电优化调度数学模型进行求解；改进的AR-MOEA算法具体为：

(41)读取风速、太阳辐射和气温资料，根据风力发电站出力计算公式和光伏电站出力计算公式计算风、光出力；

(42)随机生成M个初始个体；选择水库水位作为决策变量进行实数编码，具体的生成方式如下：

其中，表示第m个个体i水库t时刻水位，Rnd为[0,1]均匀分布的随机数，m＝1,2,…M，M为种群数；Z_i,t为第i库第t时刻允许下限水位；为第i库第t时刻允许上限水位；

(43)将初始种群复制到外部档案AC,并且生成一个大小为N_R的初始参考点集；

(44)将步骤(41)计算得到的风、光系统的出力输入到梯级水电站系统中，计算种群的适应度函数和IGD-NS贡献度，并采用锦标赛选择法选择贡献度大的个体到交配池，IGD-NS指标具体为：

其中，p∈P，P为种群，q∈Q，Q是种群P中所有无贡献解的集合，r∈R，R为参考点集合，定义，

(45)由于梯级水电站上、下游水库存在水量联系，各库运行策略相互影响，存在着多变量耦合约束，直接对个体进行交叉和变异不能保证子代个体满足约束条件；因此，在交叉、变异前基于梯级水电站复杂约束建立动态可行域，具体为：

满足所有约束的动态可行域为：

其中，FR_j为第j个约束条件的可行域，CountC是可能被破坏的约束条件个数；

确定完动态可行域之后，在动态可行域内进行交叉和变异，具体如下所示：

式中，均为动态可行域中的随机值；tp+1为随机交叉时刻，为库容-水位转化函数；

改进的变异算子为：

其中，为可行域内的随机值；

(46)基于步骤(45)在动态可行域产生的子代个体，进行更新外部档案AC，然后利用更新后的外部档案AC进行自适应调整参考点R'，使得参考点R'与Pareto前沿的形状相似；具体为：

通过选择交配池种群P'并经过交叉和变异得到子代后，利用新产生的解来更新外部档案AC和自适应参考点集合R'，具体步骤如下：

1)基于当前种群P各个目标中的理想点和最差点N为目标数，外部档案AC、种群P和参考点R各个目标分别同时减去并同时乘以使得转换之后种群P、外部档案AC和参考点R标准化到相同的范围使得均匀分布的参考点R能够在不同的目标空间内生成均匀分布的方案；

2)基于标准化后的参考点R，计算外部档案AC的IGD-NS贡献值，删除外部档案AC里互相支配的和冗余的方案，并将剩余的方案复制到外部档案A^con；

3)将外部档案A^con复制到新的外部档案AC'，基于新的外部档案AC'计算参考点R的IGD-NS值，并将有贡献的参考点保留，然后从新的外部档案AC'剩余的解选择最不拥挤的解,直到参考点R'的大小与新的外部档案AC'大小一致；

(47)合并父代与子代种群，并对其进行非支配排序，然后将基于IGD-NS指标的环境选择策略作用于第kM个前沿面的解上，直到k满足|Front₁∪...∪Front_kM|≥M；

(48)判断是否达到最大迭代次数，若是，退出循环；若否，重复步骤(44)到(47)，直至达到最大迭代次数；

(5)采用SMAA-2对步骤(4)得到的非支配方案进行多属性决策；

SMAA-2模型具体为：

首先，指标权重采用均匀分布来描述，如下所示：

式中，w_n是第n指标的权重，N是指标的个数，和分别是第n指标权重下限和上限；

指标值决策矩阵X＝[x_mn]_M×N的计算公式为：

式中，x_mn为方案m在属性n上的值；

假设决策矩阵X＝[x_mn]_M×N，属性权重W＝{w₁,w₂,…,w_N}，SMAA-2通过线性效用函数对每个属性的效用值进行加权求和得到每个方案的综合效用u_m＝u(x_m,w)；通过其加权值计算各方案的优劣排序，并从中选出满足决策要求的均衡方案；

由于权重信息未知，因此，用均匀分布f_W(w)描述权重的概率分布特征；对任意的比较不同方案的效用大小，方案x_m总是排名第r，定义如下：

定义排名可接受度指标表示备选方案x_m排名第r的可接受度，或看作是备选方案x_m排名第r的概率：

定义全局可接受程度它是对方案A_m所有排序的综合，从整体上描述了方案的可接受水平：

式中，α_r为二级权重，r越小，相应的二级权重越大，表明越看重排名靠前时的可接受度。