基于不确定性方法的能效电厂优化配置及厂网规划方法与流程

本发明涉及电源规划与电网规划领域，尤其是涉及一种基于不确定性方法的能效电厂优化配置及厂网规划方法。

背景技术：

电力系统的不断发展给电力规划提出了新的要求。长期以来，电源规划与电网规划在研究与实践中常被分开进行，毕竟电源建设和电网建设的主体具有多样性。但是近年来随着“弃风”、“弃光”等问题愈发凸显，电源与电网规划建设的不协调、不匹配开始引发人们的关注与思考。为了更加优化地利用资源、更加低碳而经济地满足用电需求，电源规划与电网规划需要协同考虑、协调进行。

目前已有部分专家试图将电源规划与电网规划进行一定程度的结合，从不同角度建立了规划模型。但其中多数研究只是依托于传统的电网规划模型，在其中加入了对风电机组或调节机组的考虑。国际方面，一些研究已经建立了将电源与电网统筹规划的模型。这一问题仍有必要进一步加强研究，特别是需要结合中国风电快速发展与弃风问题凸显的时代背景进行源网协调规划模型的研究。同时，随着国内对电力需求侧节能事业重视程度的不断提高，在电力规划中考虑需求侧节能的必要性日益显现。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计算准确、规划简便的基于不确定性方法的能效电厂配置及协调规划方法。

本发明的目的可以通过以下技术方案来实现：

一种基于不确定性方法的能效电厂优化配置及厂网规划方法，包括以下步骤：

1)采用不确定二层规划方法构建能效电厂优化配置与厂网扩展协调规划模型，包括上层规划模型和下层规划模型；

2)采用改进自适应遗传算法和等效电量频率法相结合的混合算法求解下层数学模型并进行连通性校验；

3)采用改进自适应遗传算法、变精度粗糙集理论和原始对偶内点法相结合的混合算法求解上层数学模型，得到能效电厂优化决策与厂网扩展规划优化决策的协调规划优化方案。

所述的上层规划模型以总投资成本最小为目标函数，目标函数的表达式为：

e[f]＝min{e[f1],e[f2],e[f3],...,e[fh],...,e[fh]}

其中，e[fh]为第h种情形下的投资成本的期望值，e[g^t]为电厂的投资成本的期望值，为切负荷惩罚费用的期望值，为第t阶段电力系统的发电成本的期望值，r为贴现率(％)，1/(1+r)^(t-1)y为资金的折算系数，t为规划周期包含的规划阶段，y为第t阶段包含的年数，ω为节点的集合，为第t阶段节点i到j的输电线路单位投资费用(万元/km)，lij为节点i到j之间的距离，为第h种情形下第t阶段节点i到j之间新建输电线路回数，为第t阶段常规机组的投资成本，为第t阶段能效电厂的投资成本，为第t阶段光伏电站和风电场的投资成本，为第t阶段电力系统的发电成本，为第h种情形下第t阶段正常运行状态下节点i的切负荷量，为第h种情形下第t阶段第s条线路断开的n-1运行状态下节点i的切负荷量，a、b分别为正常状态下的切负荷惩罚系数和n-1状态下的切负荷惩罚系数。

所述的上层规划模型的约束条件包括正常运行情况下的潮流约束条件和线路有功潮流约束条件，以及n-1情况下的潮流约束条件、线路有功潮流约束条件和输电线路约束条件。

所述的下层规划模型以电厂的投资成本最小为目标函数，目标函数的表达式为：

其中，为第t阶段常规机组的投资成本，m为常规电厂机组类型数，cg,m为新建常规发电机组类型为m的单位容量投资成本，pg,m为m型常规机组的容量，为第t阶段新建m型常规机组的台数，

为第t阶段能效电厂的投资成本，k为能效电厂机组类型数，ce,k为新建能效电厂类型为k的单位容量投资成本，pe,k为k型能效电厂的容量，为第t阶段新建k型能效电厂的台数，

为第t阶段光伏电站和风电场的投资成本，为第t阶段电力系统的发电成本，为第t阶段电力系统的发电成本的期望值，

n为第t阶段包含所选择的待建常规电厂的常规机组数目，l为第t阶段包含所选择的待建能效电厂的能效电厂数目，y为第t阶段包含的年数，为第t阶段第n个常规电厂机组第y年的发电量，iom&e,n为第n个常规电厂机组的单位运行维修费用，为第t阶段第n个常规电厂机组的动态费用，为第t阶段第l个能效电厂第y年的发电量，iom,l为第l个能效电厂的单位运行费用，为第t阶段第y年光伏风电的发电量，iom&pw,n为第n个光伏电站或风电场的单位运行费用，

所述的下层规划模型的约束条件包括机组备用容量约束条件、电量约束条件、系统中能效电厂的容量约束条件、新建常规电厂机组台数约束条件以及新建能效电厂机组台数约束条件。

所述的下层规划模型的约束条件为：

其中，为第t阶段第n个常规电厂机组第h小时的发电量，为第t阶段第l个能效电厂机组第h小时的发电量，为光伏电站和风电场的容量，为第t阶段第h小时的负荷，为第t阶段新建m型常规机组台数，为第t阶段新建m型常规机组的最大台数，为第t阶段新建k型能效电厂数，为第t阶段新建k型能效电厂的最大台数。

所述的步骤2)具体包括以下步骤：

21)以可扩展线路的回路数作为上层规划模型的变量，通过随机选取确定上层规划模型的试验解作为随机规划方案；

22)对随机规划方案进行连通性校验；

23)用改进自适应遗传算法计算常规电厂、光伏电站、风电场和epp的建设费用，并以机组运行信息为参数，使用等效电量频率法计算机组的发电运行费用反馈至上层规划模型。

所述的步骤3)具体包括以下步骤：

31)将进行连通性校验后的随机规划方案作为初始种群；

32)采用改进自适应遗传算法计算线路建设费用，利用内点法计算切负荷惩罚费用，再利用变精度粗糙集理论计算反馈给上层的切负荷惩罚费用，最后得到最优解和最优规划方案。

所述的步骤22)中，连通性校验判断的计算式为：

其中，为第t阶段节点i到j的输电线路单位投资费用，lij为节点i到j之间的距离，为第t阶段节点i到j之间新建输电线路回数，e[g^t]为电厂的投资成本的期望值，为切负荷惩罚费用的期望值。

所述的改进自适应遗传算法的调整公式为：

其中，f为要交叉的两个个体中适应度值较大的一个，m为数值很大的常数，pr,n为n情况下系统切掉的负荷容量，pr,n-1为n-1情况下系统切掉的负荷容量，m为一大数值常数，f′为要变异的个体的适应度值，favg种群的平均适应度值，fmax为种群中最大个体适应度值，pc1、pc2、pm1、pm2为常数，α为正常运行状态下的切负荷惩罚系数，β为n-1运行状态下的切负荷惩罚系数。

与现有技术相比，本发明具有以下优点：

一、本发明采用不确定二层规划方法应用于含能效电厂的输电网不确定性规划中，既能满足系统投资运行成本最小的目标，又能够满足系统的安全性要求。

二、本发明采用二层规划模型对最优方案进行求解，将复杂的电网规划问题转化成经典的模型，简化电网的同时也增加了求解的简便性。

三、增加了对随机产生的规划方案的连通性校验，避免了由于网络不连通而导致的最优方案无法实施的现象，增强了规划的准确性。

四、改进的遗传算法中，对交叉操作进行了相似度的计算和交叉临界值的比较，在相似度小于交叉临界值时不进行交叉操作，增加了交叉操作的准确性。

五、结合变精度的粗糙集的混合算法，可以比较客观的对问题的不确定性进行描述或处理，增加了计算结果的准确性。

附图说明

图1为本发明的发明流程图。

图2为本发明算法的流程图。

图3为ieee-rts24系统网络结构图

图4为不考虑epp的含风电场和光伏电站的厂网协调规划阶段一规划方案图。

图5为不考虑epp的含风电场和光伏电站的厂网协调规划阶段二规划方案图。

图6为不考虑epp的含风电场和光伏电站的厂网协调规划阶段三规划方案图。

图7为考虑epp的含风电场和光伏电站的厂网协调规划阶段一规划方案图。

图8为考虑epp的含风电场和光伏电站的厂网协调规划阶段二规划方案图。

图9为考虑epp的含风电场和光伏电站的厂网协调规划阶段三规划方案图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本实施例提供了一种基于不确定性方法的能效电厂优化配置与厂网协调规划方法，该方法包括下列步骤：

s1根据二层规划理论和输电网规划约束条件，建立考虑能效电厂的输电网二层规划模型，考虑能效电厂的厂网协调规划模型的上层模型，是以总投资成本最小为目标函数，包括输电线路投资成本、电厂(常规电厂、epp、风电场和光伏电站)投资运行费用以及切负荷惩罚费用；下层规划模型以电厂的投资成本最小为目标函数，包括新建常规电厂建设成本、新建能效电厂建设成本、新建光伏电站和风电场成本及发电运行成本；

上层模型：

e[f]＝min{e[f1],e[f2],e[f3],...,e[fh],...,e[fh]}

式中，r为贴现率(％)，1/(1+r)^(t-1)y为资金的折算系数；t为规划周期包含的规划阶段；y为第t阶段包含的年数；ω为节点的集合；为第t阶段节点i到j的输电线路单位投资费用(万元/km)；lij为节点i到j之间的距离；为第t阶段节点i到j之间新建输电线路回数；为第t阶段常规机组的投资成本；为第t阶段能效电厂的投资成本；为第t阶段光伏电站和风电场的投资成本；为第t阶段电力系统的发电成本；为第h种情形下第t阶段正常运行状态下节点i的切负荷量，为其列向量；为第h种情形下第t阶段第s条线路断开的n-1运行状态下节点i的切负荷量；a、b分别为正常状态下的切负荷惩罚系数和n-1状态下的切负荷惩罚系数；为第h种情形下第t阶段系统节点导纳矩阵；为第h种情形下第t阶段节点相角列向量；为第h种情形下第t阶段常规电厂节点出力列向量，分别为第t阶段常规电厂节点出力最小值和最大值的列向量；为第h种情形下第t阶段光伏电站和风电场出力列向量；为第h种情形下第t阶段能效电厂节点出力列向量；为第h种情形下第t阶段节点负荷列向量；为第h种情形下第t阶段节点i到节点j之间原有的线路回路数；xij为节点i到j之间单条输电线路的电抗；为第h种情形下第t阶段节点i到节点j之间输电线路上的总潮流；为第t阶段节点i到节点j之间单条回路容量上限；为第t阶段节点i到j之间新建输电线路回数上限。公式中上标有“^”符号的均代表线路n-1条件下的网络参数及对应的潮流。

下层模型：

式中，m为常规电厂机组类型数；k为能效电厂机组类型数；n为第t阶段包含所选择的待建常规电厂的常规机组数目；l为第t阶段包含所选择的待建能效电厂的能效电厂数目；cg,m为新建常规发电机组类型为m的单位容量投资成本；pg,m为m型常规机组的容量；为第t阶段新建m型常规机组的台数；ce,k为新建能效电厂类型为k的单位容量投资成本；pe,k为k型能效电厂的容量；为第t阶段新建k型能效电厂的台数；为第t阶段第n个常规电厂机组的容量；为第t阶段第n个常规电厂机组第y年的发电量；iom&e,n为第n个常规电厂机组的单位运行维修费用，包括常规电厂的燃料成本、环境成本及维修费用；为第t阶段第n个常规电厂机组的动态费用；为第t阶段第l个能效电厂机组的容量；为第t阶段第l个能效电厂第y年的发电量；iom,l为第l个能效电厂的单位运行费用；为光伏电站和风电场的容量；r为机组的备用容量系数；为第t阶段的最大负荷；为第t阶段第n个常规电厂机组第h小时的发电量；为第t阶段第l个能效电厂机组第h小时的发电量；为第t阶段光伏风电第h小时的发电量；为第t阶段第h小时的负荷；α为能效电厂与负荷的最小比值；β为能效电厂与负荷的最大比值；为第t阶段新建m型常规机组的最大台数；为第t阶段新建k型能效电厂的最大台数；

s2用改进自适应遗传算法和等效电量频率法相结合的混合算法对下层数学模型进行求解并进行连通性校验，具体为：

步骤s21：以可扩展线路的回路数作为上层规划模型的变量，通过随机选取确定上层规划模型的试验解作为随机规划方案；

步骤s22：对步骤s21得到的随机规划方案进行连通性校验，具体为：

其中，为第t阶段节点i到j的输电线路单位投资费用(万元/km)；lij为节点i到j之间的距离；为第t阶段节点i到j之间新建输电线路回数；e[g^t]为电厂的投资成本的期望值；为切负荷惩罚费用的期望值；

步骤s23：用改进自适应遗传算法计算常规电厂、光伏电站、风电场和epp的建设费用，并以机组运行信息为参数，使用等效电量频率法计算机组的发电运行费用反馈至上层规划模型；

s3用改进自适应遗传算法、变精度粗糙集理论和原始对偶内点法相结合的混合算法对上层数学模型进行求解，具体为：

步骤s31：将s22中进行连通性校验后的随机规划方案作为初始种群；

步骤s32：用改进自适应遗传算法计算线路建设费用，利用内点法计算切负荷惩罚费用，再利用变精度粗糙集理论计算反馈给上层的切负荷惩罚费用，最后得到最优解和最优规划方案。

改进遗传算法的调整公式具体为：

式中，f为要交叉的两个个体中适应度值较大的一个，m为数值很大的常数，f′为要变异的个体的适应度值，favg种群的平均适应度值，fmax为种群中最大个体适应度值，pc1、pc2、pm1、pm2为常数，α为正常运行状态下的切负荷惩罚系数；β为n-1运行状态下的切负荷惩罚系数。

本实施例对下层数学模型采用改进自适应遗传算法和等效电量频率法相结合的混合算法进行求解。对上层数学模型用改进自适应遗传算法、变精度粗糙集理论和原始对偶内点法相结合的混合算法进行求解，具体步骤如下：

基于不确定性方法的混合算法求解厂网协调规划具体步骤如下：

(1)输入节点负荷数据、已有机组数据、待建机组数据、待建epp数据等原始参数，令阶段计数器t＝1；

(2)计算该阶段末的最大负荷和每一年末的负荷；

(3)随机生成初始种群，遗传代数计数器gen＝1；

(4)判断个体是否满足备用容量约束和epp容量约束，若满足，计算常规电厂、光伏电站、风电场和epp的建设费用，并以机组运行信息为参数，使用等效电量频率法计算机组的发电运行费用，将建设费用和运行维修费用的总和设为下层目标函数值，若不满足，将该个体下层目标函数值置0.01m；

(5)计算下层初始种群的目标函数值和适应度值，根据适应度值进行选择、交叉和变异操作，产生新个体；

(6)将子代作为新的原始种群，并计算子代的目标函数值和适应度值；

(7)判断遗传代数gen是否达到最大值，若达到最大值，则输出最优解及新建机组的节点配置集合，若没有达到最大值，遗传代数计数器gen＝gen+1，返回步骤(4)；

(8)给节点配置集合编号，取节点配置情况h＝1，进入上层电网规划阶段；

(9)随机生成初始种群，遗传代数计数器gen＝1；

(10)对个体进行连通性校验及修正，计算线路建设费用，利用内点法计算切负荷惩罚费用，再利用变精度粗糙集理论计算反馈给上层的切负荷惩罚费用；

(11)计算上层初始种群的目标函数值和适应度值，根据适应度值进行选择、交叉和变异操作，产生新个体；

(12)将子代作为新的原始种群，并计算子代的目标函数值和适应度值；

(13)判断遗传代数gen是否达到最大值，若达到最大值，则输出最优解并存储，若没有达到最大值，遗传代数计数器gen＝gen+1，返回步骤(10)；

(14)判断h是否达到最大值，若达到最大值，则输出最优解及最优规划方案，若没有达到最大值，h＝h+1，返回步骤(9)；

(15)判断t是否达到最大值，若达到最大值，则结束运算，若没有达到最大值，t＝t+1，返回步骤(2)。

算例为ieee-rts系统，该系统现有24个节点，基础总负荷为5700mw，系统网络结构图如图3所示，图中实线为现有输电线路，虚线为待选输电线路。负荷参数、支路参数、已有电源参数、待建电源参数及能效电厂参数参见附录1。本算例中，将规划周期分为三个阶段，每个阶段为5年，负荷按每年6％的速度增长。输电线路单位投资成本均取200万元/千米，缺电成本为7000元/(mw·h)，可中断设备的实施成本为1120元/(mw·h)；正常运行状态下的切负荷惩罚系数α和n-1运行状态下的切负荷惩罚系数β均取100万元/mw，中心参数σ取0.1，对偶间隙取10-7，贴现率为0.08，风电场装机容量为900mw，单位造价为700万元/mw，光伏电站装机容量为600mw，单位造价为850万元/mw，在matlab2014a平台上进行编程实现。