[发明专利]一种基于新能源最大消纳及发电成本最优的混合调度方法

说明书

本发明公开了一种基于新能源最大消纳及发电成本最优的混合调度方法，本发明首先构建新能源消纳最大以及综合能源系统运行成本最小的目标函数、能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；然后将上述约束条件作为非支配排序遗传算法和多目标粒子群算法的约束条件，通过融合非支配排序的遗传算法和多目标粒子群算法，对上述多目标函数求最优解；最后在迭代过程中，根据拥挤距离对种群进行排序，根据排序结果将整个种群分为两部分，其中最好的一半种群通过非支配排序遗传算法优化，另一半种群由多目标粒子群算法进行优化，使它们围绕最佳解决方案收敛。本申请提供的方法能有效促进新能源的消纳以及减少系统运行成本。

技术领域

本发明涉及电网规划技术领域，尤其涉及一种基于新能源最大消纳及发电成本最优的混合调度方法。

背景技术

随着环境问题的日益突出，新能源发电技术的不断改进，大规模开发利用新能源发电是电力系统调度的新方向。目前，我国新能源大规模并网，风电、光伏装机容量均位居世界前列，由于清洁能源大规模并网却无法被充分利用，出现大量弃风弃光现象。由于风光发电具有不确定性，要实现风光大规模并网对电力系统提出了更高的要求。在可再生能源发展方向与定位中提到，风电作为新能源转型发展的“助推器”；太阳能发电作为新能源转型发展的“加速器”；生物质能、地热能、海洋能作为新能源转型发展的“新动能”；2035年风电光伏装机容量将超过装机总容量的50％，2045年到2050年间风电光伏发电量将超过总发电量的50％，能源系统和电力系统二氧化碳排放均可实现2030年前达峰。综上所述，新能源扮演越来越重要的角色。在这个过程中，既要考虑使新能源的消纳能力最大化，还要尽可能的降低系统成本，从而达到最优的经济效益。这是一个复杂的多目标优化问题，本发明通过引入混合的非支配排序的遗传算法NSGA-II和多目标粒子群算法MOPSO对多目标模型求最优解，从而得出最优的解决方案。

发明内容

本发明的目的是为了提供一种基于新能源最大消纳及发电成本最优的混合调度方法，所提出的方法对新能源消纳能力进行了科学的规划与精确的计算，从而有利于实现新能源消纳能力最大化以及发电成本最小化的目的，其技术方案如下：

一种基于新能源最大消纳及发电成本最优的混合调度方法，包括如下步骤：

步骤1，建立基于新能源消纳能力及发电成本的优化模型，构建新能源消纳最大目标函数以及综合能源系统运行成本最小目标函数，能量平衡约束条件、系统供能设备约束条件、储能装置约束条件以及旋转备用约束条件；

步骤2，设定种群数量pop、迭代次数gen、目标函数数量M、决策变量个数V、惯性权重w、个体学习系数c1、全局学习系数c2、速度向量fori；

步骤3，通过非支配排序的遗传算法，迭代求解最好的一半种群的新能源消纳能力及发电成本的最优值；

步骤4，通过多目标粒子群算法，迭代求解另一半种群的新能源消纳能力及发电成本的最优值；

步骤5，通过混合非支配排序的遗传算法和多目标粒子群算法，迭代求解新能源消纳能力及发电成本优化模型的最优值；

步骤1中所述新能源消纳最大目标函数，表达式如下：

其中，目标函数f₁(x)表示新能源消纳最大，包括风光联合出力最大；和分别表示t时刻的风电和光电的输出功率，T表示系统调度周期内的小时数。

步骤1中所述综合能源系统运行成本最小目标函数，表达式如下：

其中，目标函数f₂(x)表示综合能源系统运行成本最小，包括热电联产机组的燃料成本、P2G运行成本、微型燃气轮机的运行成本、弃风惩罚成本、弃光惩罚成本、环境成本和碳交易成本；

热电联产机组的总燃料成本，表达式如下：