[发明专利]一种风-光-抽蓄系统联合调度优化方法、存储介质及设备

权利要求书

1.一种风-光-抽蓄系统联合调度优化方法，其特征在于，具体包括如下步骤：

步骤1、收集某地区风电场、光伏发电站的最新气象信息，进行归一化后处理后，输入通过凤蝶优化算法改进的ELM模型中，预测出风电场、光伏发电站的新能源出力；

步骤2、通过自适应反向修正算法构建抽水蓄能电站水库的动态模型，收集抽蓄能电站的雨量、温度信息，输入动态模型中，预测蓄水库水位；

步骤3、根据预测的新能源出力、蓄水库水位，构建以新能源出力约束、抽水蓄能电站机组功率约束、电站水位及其变动约束的风-光-抽蓄系统联合调度的多目标优化函数，采用智能粒子优化算法对多目标优化函数进行求解，确定最优的联合调度方法。

2.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤1中所述最新气象信息包括：温度、气压、风速、风向、光照强度，所述最新气象信息的归一化处理过程为：

其中，为第类气象信息，为第类归一化的气象信息，为第类气象信息的最大值，为第类气象信息的最小值。

3.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤1中通过凤蝶优化算法改进ELM模型的具体过程为：

步骤S1、收集某地区风电场、光伏发电站的历史气象信息，对于每一组历史气象信息设置改进ELM模型的初始权值和阈值，将改进ELM模型的初始权值和阈值作为凤蝶个体初始位置，将历史气象信息总数量作为凤蝶群规模N，设置凤蝶优化算法的感官模态c、幂指数a、切换概率d、阀值n_limit、最大迭代次数n_maxiter；

步骤S2、在每一次凤蝶个体位置迭代过程中，根据凤蝶个体位置，将收集的历史气象信息作为改进ELM模型的输入，获取历史气象信息的预测值，根据历史气象信息和历史气象信息的预测值，计算不同位置上的凤蝶个体适应度值和香味浓度；

所述第n只凤蝶个体的适应度值F_n的计算过程为：

其中，I为一组历史气象信息中的分量总数，i为I的索引，F_n,i为第n只凤蝶个体的第i个历史气象分量，y_n,i为第n只凤蝶个体的第i个历史气象分量预测值；

所述第n只凤蝶个体的香味浓度f_n的计算过程为：

f_n＝cF_nB_n^a

其中，B_n为第n只凤蝶个体的刺激强度；

步骤S3、将当代凤蝶个体的适应度值进行比较，将适应度最小的凤蝶个体作为最优凤蝶个体，记录最优凤蝶个体的位置；

步骤S4、重复步骤S2-S3，若当代最优凤蝶个体的适应度值小于上一代最优凤蝶个体的适应度值，保留当代最优凤蝶个体及位置，并将最优更新次数设置为0，否则，记录未更新最优凤蝶个体的次数，若未更新最优凤蝶个体的次数达到阀值n_limit，则抛弃当前最优凤蝶个体，并返回步骤S2，否则，执行步骤S5；

步骤S5、将凤蝶个体的香味浓度按照从大到小的顺序排序，将前60％的凤蝶个体进行交配，产生子代凤蝶个体：

offspring₁＝K*male+(1-K)*female

offspring₂＝K*female+(1-K)*male

其中，K是[-1,1]之间的随机数，male为雄凤蝶个体，female为雌凤蝶个体，offspring₁为雄性子代凤蝶个体，offspring₂为子代雌性凤蝶个体；

步骤S6、产生0～1的随机数m，判断随机数m与切换概率d的大小关系，判断所有凤蝶个体位置为局部搜索更新还是全局搜索更新；

步骤S7、重复步骤S2-S6，直至达到最大迭代次数n_maxiter，获得最优凤蝶个体及位置，将最优凤蝶个体位置作为改进ELM模型的初始权值和阈值。