[发明专利]一种基于协同量子遗传算法的风火联合随机优化调度方法

说明书

本发明公开了一种基于协同量子遗传算法的风火联合随机优化调度方法，包括采集调度日的数据；构建风火联合调度模型，采用机会约束处理带随机变量的约束条件，并建立单目标的优化调度模型；结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架；对调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略。本发明对模型中的不确定的机会约束进行确定性转化，从而兼顾含风电场电力系统风电出力的波动性和随机性的特征。

技术领域

本发明涉及电力领域，具体涉及一种基于协同量子遗传算法的风火联合随机优化调度方法。

背景技术

空气污染近年来日益成为世界上最严重的环境挑战之一，导致了严重的生命健康威胁和经济损失，在此背景下，环境经济调度(Environmental Economic Dispatch,EED)在电力行业中得到了普遍关注。

随着清洁能源发电技术的不断进步，风电等清洁能源在电力系统中的渗透率日益提高，大大缓解了大气污染问题，但风电出力具有较强的波动性和随机性，现在大量的研究主要集中在对风电出力进行预测，精细化地建立预测模型，或直接采用鲁棒优化，随即规划等方法来应对调度模型中的不确定性。

在调度模型的求解算法中，主要包含解析算法和启发式算法，解析算法对模型的依赖性较强，而启发式算法在多变量的复杂优化问题中又极其容易陷入局部最优。因此，需要一种具有较强全局搜索能力和局部寻优能力的算法来处理大规模的风火联合调度模型。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于协同量子遗传算法的风火联合随机优化调度方法。本方法首先建立含随机变量的风火联合调度模型，然后对模型中机会约束进行确定性转化，最后建立一种结合量子遗传算法和协同进化方法的协同量子遗传算法，对风火联合调度模型进行求解，从而制定有效的环境调度策略。

本发明采用如下技术方案：

一种基于协同量子遗传算法的风火联合随机优化调度方法，包括如下步骤：

采集调度日的数据；

构建风火联合调度模型，采用机会约束处理带随机变量的约束条件，并建立单目标的风火联合优化调度模型；

结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架；

对风火联合优化调度模型进行确定性转化，并将协同量子遗传算法用于优化调度模型求解，得到优化调度策略。

所述采集调度日数据包括各火力机组的出力上下限，调度日各小时的预测负荷值，各火电机组的资源消耗系数，碳排放系数和污染物排放系数，风电场的各小时预测风速，风电场的装机容量，风电场的切入风速，额定风速和切出风速。

所述风火联合优化调度模型：

目标函数为资源消耗量、碳排放量及污染物排放量的加权；

约束条件：功率平衡约束、爬坡速率约束、旋转备用容量约束及机组出力约束；

控制变量为各火电机组出力和风电场出力。

所述火电机组出力为确定性变量，风电场出力为不确定变量，将带有不确定变量的备用约束表示为机会约束的形式来出力风电出力的不确定性。

所述结合量子遗传算法和协同进化法，搭建协同量子遗传算法框架，具体为：

S3.1输入原始数据，原始数据包括目标函数、约束条件及控制变量；

S3.2控制变量分为M个组，代表M个种群，系统的控制变量主要使火电机组出力值，本方法设定4个种群，即M＝4，每个种群中包含4个控制变量；

S3.3对各种群进行量子比特编码；