本发明涉及一种基于NSGA-和Look-ahead的含风电场电力系统多目标动态优化调度方法，包括以下步骤：1）建立含风电随机出力的电力系统多目标动态优化调度模型；2）用Weibull模型刻画风电出力的概率分布；3）用Look-ahead方法对不同时间断面之间调度的耦合进行解耦，实现多时段多目标动态优化；4）用发明的算法对步骤1）中建立的模型进行求解，得到兼顾能耗和排放的调度方案。本发明突破了NSGA-在电力系统调度优化上局限于负荷分配的困境，将基于NSGA-的电力系统多目标调度拓展到考虑风出力不确定性的多时段动态优化。另外，在单时段最优解折中解的决策上，算法预留了嵌套窗口，使用者可以根据需要采用不同的决策策略，使得算法具有很强的可扩展性。
1.一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其包括以下步骤：
1）建立含风电随机出力的电力系统节能减排多目标动态优化调度数学模型，即建立以煤耗量最小为目标和以污染物排放量最小为目标的24时段多目标动态调度优化模型，约束条件包括有功平衡约束（计及风电随机出力）、旋转备用约束（计及风电对火电旋转备用的需求）、机组出力上下限约束、风电穿透功率极限约束、机组爬坡速率约束和最小连续运行\停运时间约束；2）采用Weibull模型进行风电随机出力预测，风电的出力值是一个关于随机变量风速 （m/s）的函数，本发明用二参数Weibull分布模型刻画随机变量风速 的分布特性；3）基于NSGA- 算法的单时段多目标静态调度优化计算：3.1）建立单时段多目标静态调度优化模型；3.2）用NSGA- 算法对起始时段机组组合和负荷分配进行优化计算；
3.3）在单时段Pareto前沿中优选出一个非支配解；4）基于Look-ahead的多时段机组组合和负荷分配优化，即在已知本时段优化结果的情况下，根据约束条件的耦合计算下一时段的机组启停和负荷分配。
2.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤1）中，建立含风电随机出力的电力系统节能减排多目标优化调度数学模型：Object 1：
式中， 、 和 是机组 的煤耗系数， 是火电机组 在 时段的出力值， 是机组 的启动煤耗； 、 和 是机组 的污染物排放系数； 是风电场在 时段的出力值； 是火电机组数目； 是 时段的系统负荷需求； 是网损； 和 分别是机组 的出力上下限； 是系统对旋转备用的需要，一般取 ； 是风电对火电机组旋转备用的需求系数； 是风电穿透功率系数； 和 分别是机组 的滑坡速率和爬坡速率；和 是最小连续运行时间和最小连续停运时间。
3.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤2）中，进行风电出力随机出力预测的模型时采用Weibull分布模型：风速 的分布函数及概率密度函数分别为：
4.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤2）中，进行风电随机出力预测时，采用的风机有功出力 与风速 的近似函数为：式中， 为风机额定功率，MW； 、 、 分别为切入风速、额定风速、切出风速，m/s。
5.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤3.1）中，建立含风电随机出力的电力系统节能减排多目标单时段静态优化调度数学模型：Object 1：
式中， 、 和 是机组 的煤耗系数， 是火电机组 的出力值， 是机组 的启动煤耗； 、 和 是机组 的污染物排放系数； 是风电场的出力值； 是火电机组数目；
是系统负荷需求； 是网损； 和 分别是机组 的出力上下限； 是系统对旋转备用的需要，一般取 ； 是风电对旋转备用的需求系数； 是风电穿透功率系数。
6.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤3.2）中，求解单时段多目标最优解时采用NSGA-算法。
7.如权利要求1所述的一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法，其特征在于：所述步骤4）中，采用Look-ahead思想，即在已知上一时段调度的情况下，计算上一时段的调度对下一时段调度的影响，通过爬坡速率约束和最小连续运行/启停时间约束将当前时段与下一时段耦合起来，从而进行下一时段的优化计算。
一种基于NSGA-II和Look-ahead的含风电场电力系统多目
标动态优化调度方法
技术领域
[0001] 本发明属于电力系统优化调度技术领域，特别是关于一种基于NSGA- 和Look-ahead的含风电场电力系统多目标动态优化调度方法。
背景技术
[0002] 在能源紧缺问题和环境污染问题日益严峻的背景下，电力系统调度的目标急迫需要由原来的追求经济性的单一目标转变成兼顾环保和节能的多目标；另一方面，应该大力开发风电资源，减少煤电比例，这是缓解能源问题和环保问题最有效的方法之一。研究考虑风电出力不确定性的电力系统节能减排多目标动态优化调度方法成为了电力系统亟待解决的问题。文献《基于伪并行NSGA- 算法的火电站多目标负荷调度》用带精英策略的快速非支配排序多目标遗传算法（NSGA- ）进行单时段的多目标静态优化调度。文献《采用改进生物地理学算法的风电并网电力系统多目标发电调度》将生物地理学算法用到解决风电并网的兼顾环境效益和经济性的多目标发电调度。文献《Study of multi-objective optimization and multi-attributed decision-making for economic and environmental power dispatch》则使用NSGA- 算法求解多目标优化调度问题，使用多属性决策方法求得决策者满意的折中解。然而目前，采用NSGA- 算法进行考虑风电并网的电力系统节能减排多目标多时段动态优化的方法尚未见报道。
发明内容
[0003] 针对风电并网电力系统多目标动态优化调度的复杂问题，本发明提出了一种基于NSGA- 算法和Look-ahead的考虑风电并网的电力系统多目标动态优化调度方法，该方法建立了含风电随机出力的多目标动态优化调度数学模型；通过风电出力数据拟合Weibull分布模型的尺度参数c和形状参数k，之后用Weibull分布模型随机生成24时段（以一天为调度周期）的风电出力值；首先用NSGA- 算法对起始时段（即t=1）的多目标静态调度模型进行求解；然后根据Look-ahead思想，通过爬坡速率约束和最小连续运行\停运时间约束将该时段与下一时段的优化调度进行耦合，继而进行下一时段的优化计算，以此类推，可以计算出调度周期内所有时段的考虑风电并网的节能减排多目标动态调度优化计算。 [0004] 为实现上述目的，本发明采取以下技术方案：1、建立含风电出力的电力系统节能减排多目标动态优化调度数学模型。本发明建立如下动态优化模型：以调度周期（24小时）内煤耗量最小和污染物排放量最小为目标函数，约束条件包括：有功平衡（计及风电随机出力）约束、旋转备用约束（计及风电场对旋转备用的需要 ）、机组出力上下限约束、风电穿透功率极限约束、火电机组爬坡速率约束和火电机组最小连续运行\停运时间约束。
[0005] 2、采用Weibull模型刻画风速的随机特征。本发明利用相应地区的风力统计数据拟合出Weibull模型的尺度参数c和形状参数k；然后用该Weibull模型随机生成24时段的风电出力。
[0006] 3、进行起始时段（t=1）多目标静态模型的求解。单时段多目标静态模型的约束只有有功平衡约束、旋转备用约束、机组出力上下限约束和风电穿透功率极限约束。 用NSGA- 算法对起始时段的多目标调度模型进行求解，生成Pareto前沿即非支配解集。 [0007] 4、单时段最优解的选择。用NSGA- 算法计算得到的单时段Pareto前沿是一组非支配解集，如何在此解集中选择其中的一个最优解，这是一个决策问题，可以根据需要灵活选择。在此预留决策方法的嵌套窗口，使算法具有很强的可扩展性。
[0008] 5、相邻时段的耦合及动态优化的实现。得到了起始时段的最优解之后，计算爬坡速率约束和最小连续运行\停运时间约束对下一时段机组的启停及其出力上下限的影响，继而可以进行下一时段的优化。以此类推，根据Look-ahead思想通过相邻时段的耦合，依次计算出调度周期内所有时段的电力系统节能减排多目标优化调度的解，从而实现了含风电场电力系统多目标调度的动态优化。
[0009] 本发明可以广泛用于各种类型电网，用于进行含风电随机出力的电力系统节能减排多目标动态调度优化的复杂计算，既考虑了风电的随机出力，又进行了煤耗最小和污染物排放量最小多目标的协调，同时预留了进行非支配解决策的嵌套窗口，使得算法的可扩展性强，使得供决策者可以根据需要采用不同的决策方法。
[0010] 附图说明：图1是本发明的具体实施流程图（算法总体流程图）；
图2是本发明中进行多目标静态优化NSGA- 算法流程图（多目标优化调度NSGA-II算法流程图）。
[0011] 具体实施方式：1）建立含风电随机出力的电力系统节能减排多目标动态优化调度数学模型：
为了使得调度周期内煤耗量和污染物排放量都尽量达到最小，本发明建立以煤耗量最小为目标和以污染物排放量最小为目标的多目标调度优化模型：
目标函数：
Object 1：
Object 2：
式中， 、 和 是机组 的煤耗系数， 是火电机组 在 时段的出力值， 是机组 的启动煤耗。 、 和 是机组 的污染物排放系数。
[0012] 约束条件包括：有功平衡约束（计及风电随机出力）、旋转备用约束（计及风电对火电旋转备用的需求）、机组出力上下限约束、风电穿透功率极限约束、机组爬坡速率约束和最小连续运行\停运时间约束，如下所示：式中， 是风电场在 时段的出力值； 是火电机组数目； 是 时段的系统负荷需求； 是网损； 和 分别是机组 的出力上下限； 是系统对旋转备用的需要，一般取 ； 是风电对旋转备用的需求系数； 是风电穿透功率系数； 和
分别是机组 的滑坡速率和爬坡速率； 和 是最小连续运行时间和最小连续停运时间。
[0013] 2）采用Weibull模型进行风电随机出力预测：风电的出力值是一个关于随机变量风速 （m/s）的函数，本发明用二参数Weibull分布模型刻画随机变量风速 的分布特性。的分布函数及其概率密度函数分别为：
式中，， 分别为尺度参数和形状参数。风机有功出力 与风速 的函数关系近似描述为：
式中， 为风机的额定功率，MW； 、 、 分别为切入风速、额定风速、切出风速，m/s。可见， 是一个混合随机变量，在区间 内连续，而在0和 处是离散的。通过历史风速数据拟合出尺度参数和形状参数 和 ，然后用该Weibull模型随机生成24时段风电出力。
[0014] 3）基于NSGA- 算法的单时段多目标静态调度优化计算：3.1）建立单时段多目标调度优化模型。根据步骤1），本发明建立的单时段多目标静态优化数学模型即为：
Object 1：
Object 2：
约束条件包括：有功平衡约束（计及风电随机出力）、旋转备用约束（计及风电对火电旋转备用的需求）、机组出力上下限约束、风电穿透功率极限约束，分别如下：
3.2）NSGA- 算法。本发明使用的NSGA- 算法基本思想如下：NSGA- 算法源自于非支配排序遗传算法（Nondominated Sorting Genetic Algorithm，NSGA）。NSGA是基于非支配排序原理待遇种群个体进行排序分级，通过共享小生境技术，对它们分配虚拟适应值。该算法可以得到分布均匀的非劣最优解，在多目标领域表现出很强的优势。然而，NSGA也有计算复杂度偏高、父代中优秀个体容易被遗漏、需要人为制定共享参数等缺点。鉴于此，Deb等学者提出了NSGA- ，即通过引入非支配快速排序策略、精英保留策略、采用拥挤度和拥挤度比较算子，降低了算法的计算复杂度，同时也扩展了Pareto最优前沿中的解集的分布范围，保证了种群的多样性。
[0015] 3.3）用NSGA- 算法对单时段机组组合和负荷分配进行优化计算。考虑风电出力不确定性的电力系统节能减排多目标优化问题是一个非突非线性混合变量优化问题，用NSGA- 算法进行求解的步骤如下：编码。采用混合编码方式，各发电机组的启停状态变量用0-1编码，发电机组的有功出力用实数编码方式；
产生初始种群 。选择种群个数，设置各种群规模，随机产生子种群的个体；
计算当前种群 中各个体的目标函数值，根据目标函数值进行快速非支配排序；同时计算群体中每个个体的拥挤度距离；
遗传操作。遗传操作包括：选择，进行联赛选择；交叉，设置交叉率；变异，设置变异率。通过遗传操作得到子种群 ；
通过经验策略产生父代种群 ；
迭代次数加1，返回第 步，直至达到最大迭代次数或者满足其他终止条件为止。
[0016] 3.4）在单时段优化出的Pareto前沿中优选出一个非支配解。本发明中，此环节预留了一个对外开放的嵌套窗口，使用者可以根据需要和偏好进行最优解的选择，也可以根据自己的偏好采取不同的决策方法，在各时段的Pareto前沿中优选出一个非支配解。比如分类逼近理想的排序方法（technique for order preference by similarity to an ideal solution，TOPSISI），其思想是借助多属性问题的理想解和负理想解对方案集中排序，可减少因评价者偏好的不同而引起评价结果的不确定性。
[0017] 4）基于Look-ahead的多时段机组组合和负荷分配动态优化。本发明采用的Look-ahead方法就是已知本时段的调度方案的情况下，通过相邻时段之间约束（包括爬坡速率约束和最小连续运行/停运时间约束）的耦合，计算本时段的调度对下一时段调度的影响，继而进行下一时段的机组启停和负荷优化分配。
