省级电网最大供电能力优化调度研究_黄牧涛.pdf

第4 1卷第5期2023年5月水 电 能 源 科 学W a t e r R e s o u r c e s a n d P o w e rV o l.4 1 N o.5M a y 2 0 2 3D O I:1 0.2 0 0 4 0/j.c n k i.1 0 0 0-7 7 0 9.2 0 2 3.2 0 2 2 2 5 3 6省级电网最大供电能力优化调度研究黄牧涛a,陈兴邦a,高素花b,陈 杰b,周胡钧a(华中科技大学 a.电气与电子工程学院;b.土木与水利工程学院,湖北 武汉 4 3 0 0 7 4)摘要:高比例新能源接入电网后,电网安全稳定受多重不确定性因素的影响显著提升,为在新能源大幅度波动造成功率缺口的场景下快速形成功率调整方案以维持源网荷动态平衡,亟需量化评估电网的最大供电能力。为此,以供电能力最大、重要断面最小断面裕度最大作为优化目标函数,以电量平衡、片区备用容量、断面裕度作为约束条件建立省级电网最大供电能力评估场景模型,分别采用多阶段的约束多目标进化(CMO E A-M S)算法和带精英策略的快速非支配排序遗传算法N S GA-求解模型,并基于解集的收敛性、均匀性、广泛性3个指标对两种算法的解集质量进行评价。算例仿真结果表明,CMO E A-M S算法在求解所提模型时超体积值更大、性能更好,能有效提高省网的最大供电能力。关键词:最大供电能力评估;多目标优化模型;多阶段的约束多目标进化算法;超体积值;省级电网中图分类号:TM 7 3 文献标志码:A 文章编号:1 0 0 0-7 7 0 9(2 0 2 3)0 5-0 2 1 6-0 5收稿日期:2 0 2 2-1 1-0 5,修回日期:2 0 2 2-1 2-1 4基金项目:国家电网有限公司总部管理科技项目(5 4 0 0-2 0 2 1 9 9 5 5 5 A-0-5-Z N)作者简介:黄牧涛(1 9 7 3-),女,博士、研究员,研究方向为电力系统多能协调优化调度,E-m a i l:h u a n g m u t a oh u s t.e d u.c n1 引言省级电网是一个非线性的高维复杂系统,具有联络通道复杂、不确定性因素随机性强的特点,因此优化发电机机组运行出力、合理安排联络线计划、充分利用断面裕度信息、挖掘电网供电潜能成为电网实际运行中亟需解决的问题。电力系统的优化调度问题通常是满足功率平衡、系统安全、等约束下,选择需要改善的方面(如系统运行经济性,新能源消纳量)作为优化目标建立单目标或多目标优化模型,使得目标达到最优或帕累托最优的带约束的优化问题1。目前,基于现代电力系统的运行特性,关于多目标电力系统优化调度模型方面的研究已较多,如蒋承刚等2考虑了常规机组发电成本和环境污染的影响建立了多目标优化模型;赵亚威3综合考虑了发电成本及清洁能源弃电量两方面建立多目标优化调度模型;刘彦辉4则从各类型电源发电成本及光伏电站出力预测误差两方面出发建立多目标优化调度模型。既有多目标调度模型多是从新能源消纳角度出发,而针对省网最大支援能力优化调度的研究较少。为此,本文梳理了省网最大支援能力评估场景,考虑供电能力最大、重要断面最小裕度最大两个调度目标,考虑电量平衡、片区备用容量限制、重要断面的断面裕度限制三种约束建立最大供电能力评估场景模型,并结合模型自身特性,分别采用CMO E A-M S与N S GA-I I算法对模型进行智能求解,量化评估大电网最大供电能力,最后基于电网实际运行数据验证了模型有效性。2 最大供电能力评估场景模型构建2.1 场景定义现有省网A以外的地区由于自然灾害、新能源出力异常波动等因素出现供电能力不足的情况,需通过调整省网A区域内的各片区的常规机组出力以供给出现电量缺额的地区,假设在省网A区域内各片区不采取有序用电、机组启停方式不变的情况下,根据当前负荷水平及水电、火电、抽蓄等机组备用情况、新能源功率预测信息及负荷预测信息估算该省网的最大供电能力,在确保省网A安全稳定运行的情况下估算其最大供电能力。将省外电网的缺电量等效为省网各片区的负荷增长量,并假设各片区的负荷按各片区当前时刻的负荷之比增长。第4 1卷第5期黄牧涛等:省级电网最大供电能力优化调度研究2.2 数学模型构建2.2.1 目标函数为充分发挥常规机组的调节性能,在能保证省网区域内各片区自身安全稳定运行的情况下提供尽可能多的电量,设置的目标函数为供电量最大和机组出力调整后的断面裕度的最小值最大。其目标函数为:m a xf1=mi=1Lim a xf2=m i nPr em-Pm,d o w nPr emPki_Q S,则考虑将优化模型中的断面下限功率P(k+1)i_m i n调整为Pki_m i n+Pki_m i n-Pki_Q S;同理若Pki_Q SPki_m a x,则考虑将优化模型中的断面稳定上限功率P(k+1)i_m a x调整为Pki_m a x+Pki_Q S-Pki_m a x。步骤7 在迭代计算未结束的情况下,令k=k+1,并返回至步骤4进行下一轮迭代计算。3 多目标优化调度方案求解方法3.1 多阶段的约束多目标进化算法有约束的多阶段多目标进化算法(CMO E A_712M S)的主要改进点在于其提出的两阶段搜索框架5。在每次迭代搜索中将搜索过程分为、两阶段,对于不同阶段采用不同的评价方法对当前子代是否满足约束,是否达到帕累托最优进行评价。两个阶段的转化通过比例控制,当种群中满足约束的子代数量所占比例小于时则进入阶段,即子代满足约束的优先级等于子代目标最优的优先级,从而帮助非可行解的子代进入可行域,从而提高子代可行解的数量;反之则进入阶段,此时约束优先级高于目标最优,从而尽可能多的找到满足约束的子代并使之在可行域内分布尽可能广泛,从而促进子代寻优。解的适应度计算方法为:f(x)=ySxRy|+1D(x,x)+2(7)式中,Ry为所有被y所支配的解的集合;Sx为所有支配x的解的集合;x 为距离x最近的第2n个可行解;D(x,x)为x与x 之间的欧氏距离。式(7)表明适应度值越小,可行解的质量越好,若适应度的值小于1,则表示该可行解为非支配解。求解适应度的最关键之处在于确定解之间的支配关系。对A阶段,CMO E A-M S通过考虑以下两个新目标函数来确定解的支配关系:m i nf(x)=(SS D E(x),CC V(x)s.t x(8)其中SS D E(x)=m i nyP xmi=1m a x0,fi(y)-fi(x)()2(9)CC V(x)=pi=1m a xgi(x),0+qj=1|hj(x)|(1 0)式中,SS D E(x)为基于x与种群P中其他解之间的距离的基于最小位移的密度估计;P x为种群中除x之外的其他解的集合;fi(x)为目标函数值;CC V(x)为所有违反x的约束的总个数;gi(x)为不等式约束;hj(x)为等式约束。第一个目标函数SS D E(x)基于解之间距离的最小位移的密度估计,从收敛性和多样性两个方面评估解的优劣。第二个目标函数CC V(x)从约束条件的满足度方面评估解的优劣。所以A阶段可将目标的优化和约束的满足同等考虑。对阶段B,CMO E A-M S通过使用约束优势原则来确定解的支配关系,具体的确定方式为:CC V(x)=0CC V(y)=0fi(x)fi(y)i1,2,mfi(x)fi(y)i1,2,m o r CC V(x)CC V(y)(1 1)式(1 4)表明阶段B总倾向于选取违反约束条件较少的解或是在两个解违反约束条件数量一致时,基于传统的帕累托优势理论得到的最优解。多阶段的约束多目标进化算法计算流程见图1。B阶段：约束优先于目标考虑种群初始化生成新种群使用第二种适应度计算方法使用第一种适应度计算方法自然选择最终种群终止是否A阶段：目标和约束同等考虑否是判断种群中可行解的比例是否小于图1 CMO E AM S算法计算流程F i g.1 CMO E AM S a l g o r i t h m c a l c u l a t i o n p r o c e s s3.2 算法性能评价本文主要从解集的收敛性(C P)、解集的均匀性(U P)、解集的广泛性(S P)3方面评估对多目标进化算法的解集质量。H y p e r v o l u m e超体积指标6-8为解集质量评价指标,可在P a r e t o最优前沿未知的情况下兼顾这三方面对解集的质量进行评价。H y p e r v o l u m e超体积指标计算方法为:HV(X,P)=XxX(x,P)(1 2)式中,X为非劣解集;x为非劣解集中的一个解;(x,P)为解x与参考点P所构成的超立方体的体积。当有两个目标函数时,H y p e r v o l u m e超体积指标计算方法步骤如下。步骤1 选取计算H y p e r v o l u m e超体积指标的参考点,在最优前沿未知时通常取(1,1)。步骤2 根据参考点对非劣解集进行归一化处理,然后将非劣解集中的解在第一个目标函数上的值降序排列,再计算非劣解集对应的H y p e r-v o l u m e超体积指标:HV(X)=ni=1|o2(xi)-o2(P)|o1(xi)-o1(xi-1)|(1 3)式中,oj(xi)为非劣解集中的第i个解在第j个目标函数上的值;oi(P)为第i个目标函数在参考点P处的值,且o1(x0)设置为oi(P)。812水 电 能 源 科 学 2 0 2 3年 第4 1卷第5期黄牧涛等:省级电网最大供电能力优化调度研究其值越大表明解集质量越好。4 省网最大供电能力评估场景算例仿真 已知省网A有十个片区,本文以省网A作为研究对象,建立该省的最大供电能力场景评估模型,采用CMO E A-M S算法与N S GA-算法分别求解模型并计算其超体积值进行比较,从而得到片区功率调整方案。基于P l a t e m o9平台开展仿真,两种算法种群个数均为1 0 0,迭代次数均为1 0 0 0 0,CMO E A-M S算法的参数设置为0.5。4.1 模型求解结果(1)CMO E A-M S算 法 求 解 结 果。CMO E A-M S求解省网最大供电能力评估场景模型所得的解集中共有9 2个非劣解,部分非劣解对应的目标函数值见表1。部分非劣解对应的各片区的功率调整方案见表2。表1 部分非劣解对应的目标函数值T a b.1 T h e o b j e c t i v e f u n c t i o n v a l u e c o r r e s p o n d i n g t o s o m e n o n-i n f e r i o r s o l u t i o n sMW 非劣解负荷增长总量断面调整后断面裕度的最小值非劣解负荷增长总量断面调整后断面裕度的最小值11 8 3 9 8.5 80.2 421 8 3 6 6.2 72 3.8 78 96 3 4 5.8 08 6 7.7 131 8 0 8 1.3 65 1.4 59 06 2 7 9.1 18 7 0.8 441 7 7 8 5.2 27 6.2 09 16 2 3 0.6 48 7 1.9 351 7 4 5 6.3 39 5.6 39 26 0 4 9.0 28 8 1.0 1表2 部分非劣解对应的片区功率调整值T a b.2 A r e a p o w e r a d j u s t m e n t c o r r e s p o n d i n g t o p a r t i a l n o n-i n f e r i o r s o l u t i o nMW 非劣解1239 19 2片区12 1 8 6.6 0 2 2 8 4.0 0 2 2 8 4.0 0 0.0 0 0.0 0片区27 1 8.0 05 9 4.3 04 0 0.0 01.2 00.0 0片区3 1 0 0 5 0.2 0 9 4 1 4.6 0 9 3 8 1.7 03 2 0.2 00.0 0片区45 6 0.9 05 6 2.0 05 6 4.7 05 7 5.0 05 7 5.0 0片区58 5 7.8 08 8 1.7 08 7 1.4 09 2 8.3 09 3 0.0 0片区67 0 5.6 07 0 6.1 07 2 8.1 07 3 4.2 07 3 2.7 0片区71 3 1 3.8 0 1 4 8 4.5 0 1 4 1 6.2 01 3 2 5.7 01 4 1 4.9 0片区82 7 4.4 07 8 1.7 08 1 3.2 01 2 4 8.2 01 3 2 3.8 0片区91 5 6 4.2 0 1 6 2 2.0 0 1 6 2 2.0 03 2.1 00.0 0片区1 01 6 7.0 03 5.4 00.0 01 0 6 5.8 01 0 7 2.6 0 (2)N S GA-算法求解结果。N S GA-求解省网最大供电能力评估场景模型得到的解集中有8 2个非劣解,少于CMO E A-M S所得到的非劣解数量。部分非劣解的目标函数值见表3。所有非劣解所对应的各片区的功率调整方案见表4。(3)H y p e r v o l u m e超体积指标计算结果。采用本文评价方法,结合CMO E A-M S、N S GA-算表3 非劣解对应的目标函数值T a b.3 T h e o b j e c t i v e f u n c t i o n v a l u e c o r r e s p o n d i n g t o t h e n o n-i n f e r i o r s o l u t i o nMW 非劣解负荷增长总量断面调整后断面裕度的最小值非劣解负荷增长总量断面调整后断面裕度的最小值11 8 6 9 5.4 41 8.3 621 8 5 7 0.5 63 1.3 07 96 5 3 5.3 88 5 9.1 331 8 4 9 1.7 94 6.3 48 06 3 6 3.7 18 6 7.6 741 8 4 8 3.3 74 9.0 38 16 2 2 5.8 78 7 5.5 051 8 2 6 5.2 46 6.4 58 26 1 9 3.0 28 7 9.0 8表4 非劣解对应的片区功率调整值T a b.4 A r e a p o w e r a d j u s t m e n t c o r r e s p o n d i n g t o n o n-i n f e r i o r s o l u t i o nMW 非劣解1238 18 2片区12 2 2 5.3 0 2 2 0 5.3 0 2 2 0 5.3 0 9.6 0 1 6.2 0片区27 4 4.0 07 4 4.0 07 0 9.5 04.1 04.1 0片区38 6 0 2.2 0 8 6 0 1.3 0 8 6 0 2.2 03 9.5 03 9.5 0片区45 7 4.8 05 7 7.0 05 7 4.7 05 7 3.7 05 7 3.7 0片区59 2 7.4 09 2 9.3 09 2 9.7 09 3 0.0 09 3 0.0 0片区67 3 3.1 07 2 8.8 07 3 0.9 07 3 3.7 07 3 3.7 0片区71 4 7 5.2 0 1 4 5 3.8 0 1 3 0 9.6 01 4 6 7.0 0 1 4 6 8.9 0片区81 6 5 4.0 0 1 6 5 4.0 0 1 6 5 4.0 01 3 7 9.8 0 1 3 3 8.5 0片区94 7 5.4 04 0 6.3 04 8 2.3 01 3 6.2 01 3 6.2 0片区1 0 1 2 8 4.1 0 1 2 9 0.9 0 1 2 9 3.7 09 5 2.2 09 5 2.2 0法求解结果,分别计算CMO E A-M S、N S GA-两种算法的H y p e r v o l u m e超体积指标值为0.6 7 2、0.6 3 4。由此可知,CMO E A-M S的H y p e r v o l u m e值比N S GA-大6%,说明综合解集的收敛性、分布的广泛性和均匀性三方面CMO E A-M S算法获得的解集质量更高。因此将CMO E A-M S算法的计算结果作为省网最大供电能力评估场景的调度方案,部分调度方案见图2。片区1片区2片区3片区4片区5片区6片区7片区8片区9片区1002 0004 0006 0008 00010 000各片区出力调整量/MW片区方案1方案2方案3图2 省网最大供电能力评估场景各片区出力调整方案F i g.2 T h e o u t p u t a d j u s t m e n t s c h e m e o f e a c h a r e a i n t h e m a x i m u m p o w e r s u p p l y c a p a c i t y e v a l u a t i o n s c e n a r i o o f p r o v i n c i a l n e t w o r k4.2 结果分析根据表1、3的数据可知,无论是CMO E A-M S算法或N S GA-算法得到的调度方案集可使省网至少再提供6 0 0 0 MW的功率,充分利用了片区的备用容量,提高了省网的供电能力。由912图2可看出,方案之间的差异主要是各片区的功率调增量,方案1、2主要依靠调整片区1、3的功率达到输出省网最大供电能力的目标,观察各片区功率调整量可知,3种方案的供电能力从高到低依次为方案1、2、3,实际调度时可根据具体需要从三种方案中选择合适的方案进行调度。5 结论a.为量化评估电网的最大供电能力,建立了省级电网最大供电能力评估场景模型,分别采用多阶段的约束多目标进化(CMO E A-M S)算法和带精英策略的快速非支配排序遗传算法N S GA-求解模型,并用H y p e r v o l u m e超体积指标评价解集质量。b.本文提出的模型能有效挖掘省级电网各片区的备用容量,在兼顾断面裕度的基础上,充分提高了省网的最大供电能力。c.与N S GA-算法相比,采用CMO E A-M S算法求解模型解集的收敛性与分布性更优,可供调度人员依据电网实际选择的调度方案更多,同时实现了对片区备用容量的充分利用,最大程度保证了省网供电的稳定性,提高了供电的可靠性。参考文献:1 高羿晨.基于多任务多目标算法的电力系统发电优化调度研究D.深圳:深圳大学,2 0 2 0.2 蒋承刚,熊国江,陈锦龙.基于改进非支配多目标差分进化算法的含风电小水电电力系统动态环境经济调度J.电力科学与工程,2 0 2 1,3 7(8):1-9.3 赵亚威.多电源电力系统多目标优化调度与决策方法研究D.北京:华北电力大学,2 0 2 1.4 刘彦辉.含光伏发电的电力系统功率预测和动态环境经济 调 度 研 究 D.哈 尔 滨:东 北 农 业 大 学,2 0 2 1.5 T I AN Y E,Z HAN G YA J I E,S U YAN S E N,e t a l.B a l a n c i n g o b j e c t i v e o p t i m i z a t i o n a n d c o n s t r a i n t s a t i s f a c t i o n i n c o n s t r a i n e d e v o l u t i o n a r y m u l t i o b j e c-t i v e o p t i m i z a t i o nJ.I e e e t r a n s a c t i o n s o n c y b e r n e t-i c s,2 0 2 1,5 2(9):9 5 5 9-9 5 7 2.6 李珂.H y p e r v o l u m e指标及其在多目标进化算法中的应用研究D.湘潭:湘潭大学,2 0 1 0.7 郑金华,李珂,李密青,等.一种基于H y p e r v o l u m e指标的自适应邻域多目标进化算法J.计算机研究与发展,2 0 1 2,4 9(2):3 1 2-3 2 6.8 J I AN G S I WE I,Z HAN G J I E,ONG Y EW-S OA,e t a l.A s i m p l e a n d f a s t h y p e r v o l u m e i n d i c a t o r-b a s e d m u l t i o b j e c t i v e e v o l u t i o n a r y a l g o r i t h mJ.I E E E t r a n s a c t i o n s o n c y b e r n e t i c s,2 0 1 5,4 5(1 0):2 2 0 2-1 3.9 T I AN Y E,CHE NG R AN,Z HANG X I N G Y I,e t a l.P l a t EMO:A m a t l a b p l a t f o r m f o r e v o l u t i o n a r y m u l t i-o b j e c t i v e o p t i m i z a t i o n e d u c a t i o n a l f o r u mJ.I E E E c o m p u t a t i o n a l i n t e l l i g e n c e m a g a z i n e,2 0 1 7,1 2(4):7 3-8 7.R e s e a r c h o n O p t i m a l S c h e d u l i n g o f M a x i m u m P o w e r S u p p l y C a p a c i t y o f P r o v i n c i a l P o w e r G r i dHUANG M u-t a oa,CHE N X i n g-b a n ga,GAO S u-h u ab,CHE N J i eb,Z HOU H u-j u na(a.S c h o o l o f E l e c t r i c a l a n d E l e c t r o n i c E n g i n e e r i n g;b.S c h o o l o f C i v i l a n d H y d r a u l i c E n g i n e e r i n g,H u a z h o n g U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,W u h a n 4 3 0 0 7 4,C h i n a)A b s t r a c t:A f t e r a h i g h p r o p o r t i o n o f n e w e n e r g y i s c o n n e c t e d t o t h e g r i d,t h e g r i d s e c u r i t y a n d s t a b i l i t y a r e s i g n i f i-c a n t l y i n c r e a s e d b y m u l t i p l e u n c e r t a i n t i e s.I n o r d e r t o q u i c k l y f o r m a p o w e r a d j u s t m e n t p l a n t o m a i n t a i n t h e s o u r c e-g r i d-l o a d d y n a m i c b a l a n c e u n d e r t h e s c e n a r i o o f p o w e r g a p c a u s e d b y l a r g e f l u c t u a t i o n s o f n e w e n e r g y,i t i s u r g e n t t o q u a n t i t a-t i v e l y e v a l u a t e t h e m a x i m u m p o w e r s u p p l y c a p a c i t y o f t h e g r i d.I n t h i s p a p e r,t h e m a x i m u m p o w e r s u p p l y c a p a c i t y a n d t h e m i n i m u m s e c t i o n m a r g i n o f i m p o r t a n t s e c t i o n s a r e t a k e n a s t h e o p t i m i z a t i o n o b j e c t i v e f u n c t i o n s,a n d t h e m a x i m u m p o w e r s u p p l y c a p a c i t y a s s e s s m e n t s c e n a r i o o f p r o v i n c i a l p o w e r g r i d s i s m o d e l e d w i t h p o w e r b a l a n c e,s l i c e r e s e r v e c a p a c i-t y,a n d s e c t i o n m a r g i n a s t h e c o n s t r a i n t s,a n d t h e m u l t i-s t a g e c o n s t r a i n e d m u l t i-o b j e c t i v e e v o l u t i o n(CMO E A-M S)a l g o-r i t h m a n d t h e f a s t n o n-d o m i n a t e d r a n k i n g g e n e t i c a l g o r i t h m N S G A-w i t h e l i t e s t r a t e g y a r e u s e d t o s o l v e t h e m o d e l,r e-s p e c t i v e l y.T h e q u a l i t y o f t h e s o l u t i o n s e t s o f t h e t w o a l g o r i t h m s i s e v a l u a t e d i n t e r m o f t h r e e i n d e x e s o f c o n v e r g e n c e,u-n i f o r m i t y a n d e x t e n s i v e n e s s o f t h e s o l u t i o n s e t s.T h e s i m u l a t i o n r e s u l t s o f e x a m p l e s h o w t h a t t h e CMO E A-M S m o d e l h a s l a r g e r s u p e r v o l u m e v a l u e s a n d b e t t e r p e r f o r m a n c e i n s o l v i n g t h e m o d e l,a n d c a n e f f e c t i v e l y i m p r o v e t h e m a x i m u m p o w e r s u p p l y c a p a c i t y o f t h e p r o v i n c i a l g r i d.K e y w o r d s:m a x i m u m p o w e r s u p p l y c a p a c i t y e v a l u a t i o n;m u l t i-o b j e c t i v e o p t i m i z a t i o n m o d e l;m u l t i-s t a g e c o n s t r a i n e d m u l t i-o b j e c t i v e e v o l u t i o n a r y a l g o r i t h m;s u p e r v o l u m e v a l u e;p r o v i n c i a l g r i d022水 电 能 源 科 学 2 0 2 3年