一种新型水光互补多目标优化运行方法   0    0

本发明涉及一种新型水光互补多目标优化运行方法，本发明具体分为四个步骤实现，步骤1计算光伏出力，步骤2计算水电出力，步骤3建立一种最小化水光互补混合发电系统输出功率的波动，同时考虑最大化混合系统的收益的多目标优化模型，步骤4提出了一种基于模拟退火的非支配排序遗传算法。本发明具有两大创新点：一是在建立水光互补混合发电系统的模型时充分考虑水库在防洪，供水，蒸发，降雨等方面对混合系统优化运行的影响；二是建立一种针对双目标优化的模拟退火机制，改进了经典的NSGA‑II算法在解决高维、非线性多目标优化问题时易陷于慢速链状态的不足，大大降低了计算的时间成本。

1.一种新型水光互补多目标优化运行方法，其特征方法在于该方法包括以下步骤：
步骤1计算光伏功率输出
针对可旋转且使用最大功率点跟踪技术的光伏阵列，其光伏出力PV如下：
其中，PV是实际的光伏出力，YV是额定的光伏出力；RT是实际的光照强度，RSTC是标准测试条件下的光照强度，η是光伏组件功率输出的温度系数；TC是光伏组件的实际温度，TSTC是标准测试条件下的温度，γ是光伏阵列的遮挡系数；
采用NASA的数据，进一步完善光伏出力模型，由于旋转装置和MPPT，光伏阵列时刻都垂直于太阳直射直线，通过NASA提供的月平均每小时太阳入射角θ以及不同方向光照强度之间的几何关系，实际光照强度RT可以基于能量守恒得到：
其中，RH是NASA提供的在水平面上的日平均光照强度；θ是NASA提供的相对于地平线的每小时太阳入射角，它是时间t的函数；t0和td分别是日出和日落的时间；
步骤2计算水电功率PH输出：
PH＝KQ(L-Ldown)                             (3)
其中，K是水电机组的出力系数；Q是水电机组发电流量；L是水库水位；Ldown是水库尾水位；
2.1)建立水平衡方程
其中，St+1是水库在tth时刻结束时的库容，St是水库在tth时刻开始时的库容； 和 分别是t时间段内流入水库的体积和入库流量； 是t时间段内水库降雨量； 是t时间段内水电机组发电消耗的水量； 和 分别是t时间段内水库弃水量和相应的弃水流量； 和分别是t时间段内水库供水量和供水流量； 是t时间段内水库蒸发量；Δt是时间间隔；
其中， 通过水库平均降雨量求解：
其中，Vr是水库面积， 是水库平均降雨量；
针对给定的水库库容，蒸发量主要取决于水库的表面积和蒸发深度，用非线性函数表示:
t
其中，F1是蒸发函数，E是t时刻的蒸发深度， 是t时刻水库液面蒸发的平均面积，其是一个关于水库库容的线性函数：
Bt＝F2(St)                                (8)
此外，水库的弃水量为：
其中，Sflood是水库的汛期防洪库容；
2.2)确定水库液位与库容之间的关系曲线
根据水库的特征数据库，水库液位L与库容S之间的关系，采用非线性函数f(x)表示：
Lt＝f(St)                                 (10)
2.3)确定尾水位
同样，根据水库的特征数据库，水库尾水位Ldown与发电流量Q之间的关系，采用非线性函数g(x)表示：
2.4)计算水电功率输出损失
防洪而损失的水电出力通过水电站的理论输出功率与实际输出功率之间的差值来计算：
PG＝PL-PH                               (12)
其中，PG是弃水损失出力；PL是水电站的理论出力，其可由下式得到：
PL＝KQ′(L′-L′down)                          (13)
其中，Q′是水电站的理论发电流量且Q′＝Q+Qq,L′是水电站的理论液位且L′＝f(S+Sq),L′down是水电站的理论尾水位且L′down＝g(Q+Qq)；
步骤3建立水光互补多目标优化模型
3.1)建立多目标函数公式
目标函数1：最小化功率输出的波动
选择最小化混合发电系统的功率输出的波动作为目标函数：
其中，P是水光互补混合发电系统的总功率输出，P＝PV+PH；是该时间段内的平均值，T是时间段总数；
目标函数2：最大化混合发电系统的收益
其中，CV，CH分别是光伏、水电的上网电价；CG是弃水成本；Δt是时间步长；
3.2)建立约束条件
水光互补混合发电系统运行的约束主要包括水库的发电流量，水库的水位，水电的出力，以及电网的容纳能力：
Lmin≤Lt≤Lmax    (16)
Qmin≤Qt≤Qmax    (17)
t
P≤A    (19)
其中，Lmin和Lmax分别是水库的最低和最高水位；Qmin和Qmax分别是水库发电流量的下限和上限；PHmin和PHmax并且分别是水电出力的最小值和最大值；A代表电网的容纳能力；
步骤4采用基于模拟退火的非支配排序遗传算法
4.1)引入模拟退火机制
根据Metropolis准则可知，在某一特定温度下，若粒子状态的能量值，即个体的适应度值满足f(i)>f(j)，粒子则由i状态跳跃至j状态；反之粒子是否跳跃到新的状态则取决于下式所产生的概率与[0,1]之间随机数的大小，若大于则跳跃到j状态；否则，维持i状态；
其中，ρ是变异概率；f是目标函数的适应度值；kt是温度系数；Tk表示当前状态的温度；；
rand表示[0,1]之间的随机数；
然而上述准则仅仅是针对单目标优化的，在此基础上提出一种针对双目标优化的跳跃规则：
其中，f1和f2分别表示两个目标函数的适应度值；初始温度T0是100℃，且温度系数kt为
0.9；
因此，针对双目标优化的模拟退火策略如下所示：
即，当个体下一个状态的两个目标函数的适应度均大于原来个体的适应度，或者当变异概率大于[0,1]之间的随机数时，才接受变异；其它情况，维持原状态不变；
4.2)改进排序
将原来一个个体与其它剩余个体依次进行比较，改为两个比较个体，具体过程如下：
Step1：将种群中的所有个体放入比较集里；
Step2：从比较集里任意选择一个比较个体C1，然后从剩余比较集里找到与个体C1互为非支配或者支配它的个体C2；若找不到个体C2，则将个体C1放入非支配集里,且重复Step2；
Step3：将比较个体C1与C2分别与比较集里的其它个体进行逐一比较，被个体C1或C2所支配的个体均被清除；如果个体C1与C2均不受比较集里其它个体支配，则将它们放入非支配集里，且用不被个体C1，C2支配的剩余个体代替原有比较集；
Step4：重复Step2，直至比较集为空集；至此，非支配集构造完成；
4.3)提高多样性分布
采用一种考虑方差的新型拥挤距离公式，如下所示：
d(k)是个体k的拥挤距离, 是第k个个体的第j个目标函数值，m是目标函数的个数。