[发明专利]水光蓄联合发电的调度策略及其优化方法

权利要求书

1.水光蓄联合发电调度优化方法，其特征在于，包含以下步骤：

S1、采用以光伏功率区间上下限为输出的双输出神经网络模型来构建光伏功率预测区间，利用多目标启发式算法来进行神经网络的训练，得到调度期间光伏输出功率的预测区间；

S2、分别根据枯水期、丰水期两种情况下的梯级水电站运行特点构建对应情况下的水光蓄联合发电系统的目标函数，得到对应情况下联合发电系统调度模型；

步骤S2中的梯级水电站在枯水期时，水光蓄联合发电系统的目标函数为：

minF2＝max(P)-min(P)

其中，T为总调度时段数；m为梯级水电站包含的水电站数；Q_i,t为第i个水电站第t时段的下泄流量；Δt为时段步长；P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值；F1为枯水期水光蓄联合发电系统的水资源利用目标：梯级水电站的耗水量最少；F2为联合发电系统的调峰目标：剩余负荷的极差最小；

步骤S2中的梯级水电站在丰水期时，水光蓄联合发电系统的目标函数为：

minF1'＝[max(P)-min(P)]+[∑λ_t(P_H,max-P_H,t)]

F1’为丰水期水光蓄联合发电系统的目标函数，前半部分为联合发电系统的调峰目标：剩余负荷的极差；丰水期时小型梯级小水电站一般为满发状态，所以后半部分为梯级水电站为平复剩余负荷波动进行弃水调峰产生的惩罚项；其中，P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值；P_H,t、P_H,max、λ_t分别为梯级水电站t时段的出力功率、额定装机容量、t时段的弃水调峰惩罚系数；

S3、基于步骤S1、步骤S2获得的光伏功率预测区间和对应情况下的目标函数，以光伏功率全消纳为前提制定梯级水电站和抽水蓄能电站的出力调度优化方法；

在枯水期时，步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为：

S311、排除抽水蓄能电站，将梯级水电站每个电站的发电流量为求解变量，采用NSGA2算法求解枯水期时水光蓄联合发电系统的目标函数，得到关于F1和F2的pareto解；

S312、采用topsis综合评价法，先将得到的pareto解归一化后，找出解集中的正理想方案和负理想方案，分别计算其他解与正理想方案和负理想方案的距离作为评价优劣的依据，最后将既靠近正理想方案，又远离负理想方案的解作为梯级水电站的最优出力方案；

S313、剩余负荷减去步骤S312中得到的梯级水电站出力后得到新的剩余负荷，以新的剩余负荷极差值最小为目标函数，采用量子粒子群算法以抽水蓄能电站出力为变量进行迭代求解；

在丰水期时，步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为：

S321、将整个梯级水电站简化为只计每个时段的出力功率：0≤P_H,t≤P_H,max；

S322、以抽水蓄能电站和梯级水电站的出力为求解变量，以丰水期时水光蓄联合发电系统的目标函数作为适应度函数，采用量子粒子群算法进行迭代求解变量；

其中，P_H,t、P_H,max分别为整个梯级水电站t时段的出力功率、额定装机容量；

制定抽水蓄能电站出力方案时，将1到T-1时段的出力作为求解自变量进行迭代求解，第T时段的出力作为因变量以库容不变等式约束求得：

其中，η_p、η_g分别为抽水效率、发电效率；ΔE_t为抽水蓄能电站第t时段库容能量变化量；

为保证求解的调度方案满足库容与抽水蓄能电站的出力约束，增加约束违法量ε_v：

其中，P_T，min、P_T,max、P_T分别为末时段抽水蓄能电站的最大抽水功率，最大发电功率和实际出力；在迭代求解抽水蓄能电站出力时先比较约束违法量ε_v，再比较目标函数。