[发明专利]考虑风电及频率不确定性的AGC随机动态优化调度方法

摘要

本发明公开了一种考虑风电及频率不确定性的AGC随机动态优化调度方法，首先输入采集到的AGC有关数据及系统相关数据，利用蒙特卡罗模拟技术生成风电功率及频率样本，然后随机生成调节指令与调节速率控制变量的初始种群，并对控制变量的调节指令约束、调节速率约束以及最小持续爬坡时间约束进行修正，接着综合考虑CPS1指标与AGC调节辅助服务费用目标函数，联络线功率偏差、频率偏差、CPS1指标、CPS2指标、机组出力等概率约束对个体进行适应值计算，再对个体进行自适应变异操作，最后基于群体多样性对个体进行选择，进行终止判断，来实现AGC调节指令及调节速率的决策。

主权项

考虑风电及频率不确定性的AGC随机动态优化调度方法，其特征在于，包括以下步骤：1)输入基础数据；首先获取系统相关数据，采集AGC有关数据，并设置进化规划及蒙特卡罗模拟参数；所述系统相关数据包括系统优化周期时段数，联络线功率偏差上下限值及置信水平，CPS1指标上下限值及置信水平，区域控制偏差平均值的置信水平，下一优化周期各时段的AGC机组计划出力值、联络线功率计划值、负荷预测值、风电功率预测值及频率预测值、风电功率及系统频率预测误差的概率分布信息，所有机组的机组类型、额定容量、出力上下限及置信水平、单位调节功率及费用系数，AGC机组的调节速率上下限及最小持续爬坡时间，控制区频率偏差系数，全网频率偏差系数和频率控制目标；所述AGC有关数据包括上一优化周期控制区内所有机组出力信息，AGC机组的调节指令，上一优化周期末时段的系统频率值和联络线功率值；所述进化规划及蒙特卡罗模拟参数包括种群数量，最大迭代次数，迭代终止条件和蒙特卡罗模拟次数；2)蒙特卡罗模拟生成风电功率及频率样本；根据所述风电功率及系统频率的预测值、预测误差服从的概率分布信息及蒙特卡罗模拟次数，按公式1和2分别产生各时段下的风电功率样本和频率样本；PWjt(m)=PWj,Pt+ΔPWj,Pt(m)---(1)]]>公式1中：表示第j台风电机组在第t个时段的第m个出力样本值；为第j台风电机组在第t个时段的出力预测值；是第m次抽样时由风电功率预测误差所服从概率分布信息产生的随机变量；m＝1,2,…,sampnum，表示第m个样本，sampnum为蒙特卡罗模拟次数；ft(m)=fPt+ΔfPt(m)---(2)]]>公式2中，ft(m)表示第t个时段的第m个频率样本值，为第t个时段的频率预测值，是第m次抽样时由频率预测误差所服从概率分布信息产生的随机变量；m＝1,2,…,sampnum，表示第m个样本，sampnum为蒙特卡罗模拟次数；3)初始化种群；将控制变量作为个体进行编码，所述控制变量为AGC机组在优化周期内每个时段的调节指令和调节速率采用十进制编码，所述个体直接由控制变量编码构成；按照公式3和4随机生成一个包含popnum个个体的初始种群，popnum为种群规模；uit=10-1---(3)]]>Ri,min≤Rit≤Ri,max---(4)]]>公式3和4中，表示第i台AGC机组第t个时段的调节指令，1表示增加出力，0表示保持原有出力，‑1表示减少出力；表示第i台AGC机组第t个时段的调节速率，单位为MW/min；Ri,max、Ri,min分别为第i台AGC机组的调节速率上下限；4)个体基因修正；步骤3完成后，对所述个体即调节指令及调节速率进行修正，具体修正内容包括以下内容；I)调节指令修正；离散调节指令在变异后可能造成调节指令不为‑1、0或1，对变异后的调节指令值进行近似取整运算，判断取整后的值接近1、0或‑1中的某个值，并用该值代替来修正，见公式3；II)调节速率修正；AGC机组在每个时段的调节速率在变异后，不能保证在上下限范围内，当越限后则按照公式4相应地重新在调节速率上下限生成；III)最小持续爬坡时间修正；步骤4中的I调节指令修正后，所述调节指令已满足公式3中的约束，然后对每个时段的调节指令进行最小持续爬坡时间判断；从第二个调节指令开始检验，若前一时段是保持原有出力，即调节指令是0，其后调节指令值可为1、0或‑1，不用进行修正；若前一时段是增加出力，即调节指令是1，则检验在当前时段之前的机组最小持续爬坡时间内，机组是否均为增加出力的调节状态；若为增加出力，则当前时段调节指令不用修正；否则进行基因修正，具体方法用前一时段的调节指令替换当前时段的调节指令，如此反复检验修正；若前一时段是减少出力，即调节指令是‑1，则检验在当前时段之前的机组最小持续爬坡时间内，机组是否均为减少出力的调节状态；若为减少出力，则当前时段调节指令不用修正；否则进行基因修正，具体方法用前一时段的调节指令替换当前时段的调节指令，如此反复检验修正；具体判断式参见公式5；(uit-1)2[uit-uit-1]2[(Σk=-(Ti,min-t)0uik)2-(Ti,min)2]≥0;t=1;(uit-1)2[uit-uit-1]2[(Σk=1t-1uik+Σk=-(Ti,min-t)0uik)2-(Ti,min)2]≥0;2≤t<Ti,min(uit-1)2[uit-uit-1]2[(Σk=t-Ti,mint-1uik)2-(Ti,min)2]≥0;Ti,min≤t<T---(5)]]>公式5中，分别为第i台AGC机组第t、t‑1、k时段加减出力的调节指令；为第i台AGC机组到第t‑1时段时连续保持同一调节指令的调节指令总和，由于每个时段对应一个调节指令，也即是连续保持同一调节指令的时间；中的取值来源于上个优化周期的调节指令，Ti,min为第i台AGC机组的最小持续爬坡时间，T为优化周期时段数；5)基于蒙特卡罗模拟技术进行适应值计算；步骤4完成后，根据修正后所得的个体，即AGC机组的调节指令与调节速率，同时根据系统风电功率及频率样本值，计算每个个体所对应的适应度函数值，具体步骤如下；i)计算不同样本下各状态变量；对于每个个体，计算不同频率样本下各时段的机组出力，计算公式为；公式6中，为第m个频率样本下第i台机组第t个时段的出力；为当前优化周期第i台机组的初始出力；KGi为第i台机组的单位调节功率；ft(m)表示第t个时段的第m个频率样本值，f0为当前优化周期的初始频率值；分别为第i台AGC机组第k个时段的调节指令与调节速率；对于每个个体，计算不同风电功率及频率样本下各时段的联络线功率偏差，计算公式为；Σi=1NGPGit(m)+Σj=1NWPWjt(m)-PDt-(PTPt+ΔPTPt(m))=0---(7)]]>公式7中，NG、NW分别为控制区内所有非风电的发电机组总数、风电机组总数；为第m个频率样本下第i台机组第t个时段的出力；表示第j台风电机组在第t个时段的第m个出力样本值；分别为第t个时段的预测负荷、联络线功率计划值；为第m个样本下第t个时段的联络线功率偏差；对于每个个体，计算不同风电功率计频率样本下优化周期内的CPS1指标值及区域控制偏差ACE的平均值，公式分别为8和9；KCPS1(m)=2-(Σt=1TACEt(m)(ft(m)-fN))/10BTϵ12---(8)]]>ACEAVG(m)=1TΣt=1TACEt(m)---(9)]]>公式8和9中，KCPS1(m)、ACEAVG(m)分别为第m个样本下优化周期内的CPS1指标值及区域控制偏差的平均值；ACEt(m)为第m个样本下第t个时段的区域控制偏差，为第m个样本下第t个时段的联络线功率偏差，ft(m)表示第t个时段的第m个频率样本值，fN为额定频率值，B为控制区的频率偏差系数；T为优化周期时段数；ε1为全网对全年1分钟频率平均偏差的均方根的控制目标值；对于每个个体，计算不同风电功率及频率样本下的目标函数值f1(m)、f2(m)，计算公式分别为10和11；f1(m)＝(2‑KCPS1(m))2   (10)f2(m)=Σi=1NAGCciΣt=1T|(PGit(m)-PGSit)Δt|---(11)]]>公式10和11中，f1(m)、f2(m)分别是第m个样本下的指标性目标函数值、经济性目标函数值；NAGC为控制区域中AGC机组总数；ci为第i台AGC机组的辅助服务费用系数；为第i台AGC机组在第t个时段的计划出力；Δt为优化时段分钟数，T为优化周期时段数；KCPS1(m)为第m个样本下优化周期内的CPS1指标值，为第m个频率样本下第i台机组第t个时段的出力；ii)判断并记录概率约束，计算目标函数期望；对于每个个体，在所有样本下的状态变量计算结束后，基于公式12—15判断得到不符合约束的状态变量及其对应个体，并记录越限量的总和；Pr{P‾Gi≤PGit(m)≤P‾Gi}≥β1---(12)]]>Pr{ΔP‾TP≤ΔPTPt(m)≤ΔP‾TP}≥β2---(13)]]>Pr{K‾CPS1≤KCPS1(m)≤K‾CPS1}≥β3---(14)]]>Pr{|ACEAVG(m)|≤1.65ϵ15100BBs}≥β4---(15)]]>公式12‑15中，Pr{·}为{·}中不等式成立的概率，不等式两端分别为对应状态变量允许的上下限；为第m个频率样本下第i台机组第t个时段的出力，PGi、β1分别为第i台机组出力的上限、下限、置信水平；为第m个样本下第t个时段的联络线功率偏差，ΔPTP、β2分别为联络线功率偏差的上限、下限、置信水平；KCPS1(m)为第m个样本下优化周期内的CPS1指标值，KCPS1、β3分别为CPS1指标的上限、下限、置信水平；ACEAVG(m)为第m个样本下优化周期内区域控制偏差的平均值，B、BS分别为控制区及全网的频率偏差系数，ε15为全网对全年15分钟频率平均偏差的均方根的控制目标值，β4为区域控制偏差平均值对应的置信水平；计算每个个体对应的目标函数的期望值，公式分别为16和17；f1AVG=Σm=1sampnumf1(m)/sampnum---(16)]]>f2AVG=Σm=1sampnumf2(m)/sampnum---(17)]]>公式16和17中，f1AVG、f2AVG分别为每个个体对应的目标函数1、2的期望值，f1(m)、f2(m)分别是第m个样本下的指标性目标函数值、经济性目标函数值，sampnum为蒙特卡罗模拟次数；iii)计算每个个体对应的适应度值；将所述f1AVG、f2AVG分别按从小到大排序，选取排序第一的且大于零的f1AVG_min、f2AVG_min作为每一代个体的基点；由公式18计算每个个体相对各基点的目标函数之和Fx_temp，最后增加惩罚项Ccf×φ，由公式19得出每个个体适应度值；Fx_temp＝(f1AVG/f1AVG_min)+(f2AVG/f2AVG_min)   (18)Fx＝1/(Fx_temp+Ccf×φ)   (19)公式19中，Fx为个体的适应度值；Ccf为惩罚系数，φ表示状态变量越限量的总和；6)自适应变异；步骤5完成后，对所得的个体进行自适应变异以获取更高适应度值的个体，具体步骤如下；首先计算每个个体的高斯变量的系数；计算第i台AGC机组的调节指令及调节速率的高斯变量的系数ai和bi，计算公式为；ai=Y[(popnum+j)|Σk=112Xk-6|]-1bi=Fxminln[±(Ri,max-Ri,min)2ai(Σk=112Zk-6)]---(20)]]>公式20中，popnum表示种群规模；j＝1,2,…,G，G表示进化代数；Fxmin为当代种群中最小的适应度函数值，Xk、Y、Zk均为[0,1]之间包括0和1两个端点的随机数，Ri,max、Ri,min为调节速率的上下限；然后根据公式21计算高斯随机变量的标准差；σi=aiebiFx---(21)]]>公式21中，Fx为对应个体的适应度函数值，ai、bi为高斯变量的系数；最后由公式22确定子代个体(uit)′=uit+δ(Rit)′=Rit+δ---(22)]]>公式22中，为父代个体；δ为均值为0、方差为σ2高斯随机变量，代表变异量；7)选择个体；步骤6完成后，综合父代和子代种群及其对应的适应度值，选择个体；具体步骤如下；首先利用公式23计算每个个体的浓度；对于某一个体Pi，其浓度等于大于该个体适应度值的个体数目在种群内所有个体数目的比例；C＝Cnum/(2×popnum)   (23)公式23中，Cnum表示种群中大于该个体适应度值的个体数，popnum为种群规模；然后计算并修正每个个体的q得分；对于某一个体Pi，随机选取q个个体的适应度值与其适应度值进行大小比较，个体Pi的适应度值大，则q得分加1，如此得出每个个体的q得分qscore，再根据公式24修正qscore；qscore＝qscore+α·C·(1‑Fx/Fxmax)·qscore+β·(Fx/Fxmax)·qscore   (24)公式24中，α、β为可调参数，在[0,1]之间取值并包含0和1两个端点值；Fx表示个体的适应度值，Fxmax为种群中个体的最大适应度值，C为个体浓度；最后得到每个个体得分后，按照每个个体q得分从大到小进行排序，并筛选排在popnum前的个体形成新种群，q得分最高的为最优个体；8)终止条件判断；当最优个体连续保持不变的迭代次数达到预设值，则结束迭代计算，输出结果，所述结果为AGC机组的调节指令及调节速率；当最优个体连续保持不变的迭代次数达到预设值且迭代次数达到最大迭代次数，则停止迭代，输出“未寻找到最优解！”；当最优个体连续保持不变的迭代次数未达到预设值且迭代次数达到最大迭代次数，返回步骤4，进行重新迭代计算。