[发明专利]一种基于解空间分析且含风电的多目标三阶段调度方法

摘要

本发明公开了一种基于解空间分析且含风电的多目标三阶段调度方法，针对风电出力的不确定性，以及电网节能减排多目标发电调度模型的高维非线性和约束复杂性等特点，采用置信区间简化风电场景模拟数量，并采用三阶段调度方法将原问题的复杂模型分解为一个多目标主问题和两个非线性规划子问题，通过对降维后不同阶段的交替求解，实现复杂模型的有效求解，同时设计了一种基于解空间分析的多目标优化方法对降维后的多目标主问题进行直接求解，本方法该方法能有效求解含风电的多目标环境机组组合问题，提高模型的求解精度，并降低发电成本和减少污染气体排放，实现多目标环境经济调度。

主权项

1.一种基于解空间分析且含风电的多目标三阶段调度方法，其特征在于：包括如下步骤：S1、获取计算模型和数据；S2、建立含风电的多目标环境调度模型；S3、对风电不确定性进行场景分析，获得场景模拟信息；S4、采用Benders分解策略将多目标环境调度模型分解为主问题和子问题，并通过三个阶段进行优化；S5、第一阶段：获得不含网络约束的多目标主问题，即优化多目标条件下机组最优组合问题方式和机组出力情况，首先通过对解空间的动态分析获得主问题的Pareto最优解集，然后采用基于模糊满意度的熵权‑TOPSIS法获得最优折中解；通过对解空间的动态分析获得Pareto最优解集，具体步骤如下：(a1)随机初始化种群P_G，链表计数器t＝1；种群P_G的个体数量为NP，采用差分算法对种群P_G进行优化后，进入步骤(a2)；(a2)计算种群P_G中个体的约束违反值，将满足约束违反值的个体记为不可行解，并据此统计种群P_G中的可行解数量NK：若NK＝0，则进入步骤(a3)；若0＜NK＜1，则进入步骤(a4)；若NK＝1，则进入步骤(a5)；(a3)NK＝0，则表明种群P_G中不存在可行解，则：(a31)选用DE/rand/1变异策略生成种群P_G的子代种群H_G，进入步骤(a32)；(a32)T_G＝P_G+H_G，计算集合T_G中个体的约束违反值，并据此统计集合T_G中的可行解数量NK：若NK≠0，则进入步骤(a33)；否则，进入步骤(a34)；(a33)将集合T_G中的可行解存入链表G_t+1中，并从集合T_G中删除，进入步骤(a34)；(a34)将集合T_G中所有不可行解存入集合T_G‑pareto中，并按照约束违反值的大小对不可行解进行排序，进入步骤(a35)；(a35)按照约束违反值由小到大的顺序逐个将T_G‑pareto中的不可行解存入链表G_t+1中，直至链表G_t+1中个体的个数为NP，进入步骤(a6)；(a4)0＜NK＜1，则表明种群P_G中同时存在可行解和不可行解，则：(a41)若rand(0,1)＞NK/NP，则选用DE/best/2变异策略进行加速进化；否则选用DE/rand/2变异策略进行多样性进化；rand(0,1)表示0、1之间的随机数；进入步骤(a42)；(a42)按照如下规则，从父代个体和子代个体中选择个体存入链表G_t+1中：①父代个体和子代个体均为可行解：若两个可行解相互支配，则选择支配解存入链表G_t+1中；否则，任选其中一个可行解存入链表G_t+1中；②父代个体和子代个体只有一个为可行解，则选择可行解存入链表G_t+1中；③父代个体和子代个体均为不可行解，则选择约束违反值小的不可行解存入链表G_t+1中；选择完成后，进入步骤(a6)；(a5)NK＝1，则表明种群P_G中只存在可行解，则：(a51)选用DE/rand/2变异策略生成种群P_G的子代种群H_G；T_G＝P_G+H_G，采用非劣排序将种群T_G分解为K层非劣解，进入步骤(a52)和(a53)；(a52)从第一层开始将每层非劣解个体存入链表G_t+1'中，直至链表G_t+1'中的个体数量为NP；若存完第k‑1层非劣解时，链表G_t+1'中的个体数量小于NP，而存完第k层非劣解后，链表G_t+1'中的个体数量大于NP，则采用拥挤距离方法排除第k层中多出数量的个体，直至链表G_t+1'中个体的个数为NP；(a53)初始化探测点链表，令对每一层非劣解进行搜索，寻找个体进行正交交叉探测；(a531)对第k层非劣解，包含R个非劣解，个体按照非劣解顺序排序，计算个体间距离和个体间平均距离：其中：d_i,i+1表示个体i和个体i+1之间的距离，和分别表示个体i和个体i+1在目标j上的目标函数值，M为目标的数量，N为第k层非劣解中的个体数量，i＝1,2,…,R‑1；(a532)若d_i,i+1＞Avg(d_i,i+1)，则将个体i和个体i+1存入链表MD，i＝1,2,…,R‑1；(a533)若d_i+1,i+2＞d_i‑1,i，则将个体i+1存入集合Search_G；否则，将个体i存入集合Search_G；d_i‑1,i为个体i与个体i‑1之间的间距，d_i+1,i+2为个体i+1与个体i+2之间的间距，i＝1,2,…,R‑1；(a534)对Search_G中的个体进行正交交叉操作，并将结果存入集合OX_G；(a54)T_w＝G_t+1'∪OX_G，采用非劣排序将集合T_W分解为W层非劣解，从第一层开始将每层非劣解个体存入链表G_t+1中，直至链表G_t+1中的个体数量为NP；若存完第w‑1层非劣解时，链表G_t+1中的个体数量小于NP，而存完第w层非劣解后，链表G_t+1中的个体数量大于NP，则采用拥挤距离方法排除第w层中多出数量的个体，直至链表G_t+1中个体的个数为NP，进入步骤(a6)；(a6)使用链表G_t+1中的个体更新种群P_G，判断进化是否完成：若完成，则种群P_G即为Pareto最优解集；否则，t＝t+1，返回步骤(a2)；采用基于模糊满意度的熵权‑TOPSIS法获得最优折中解，具体步骤如下：(b1)运用模糊集理论，将Pareto最优解集中的各最优解通过模糊隶属度函数进行模糊化，生成每个最优解对不同目标的满意度矩阵其中：为最优解i对目标j的满意度的满意度矩阵，也即个体i对目标j的决策信息矩阵，N_Pareto为Pareto最优解集中的最优解数量，N_obj为目标的数量，和分别为目标j上的最大值和最小值；为了保证不同目标间量纲的一致，对进行标准化处理，得到标准化决策信息矩阵(b2)目标j的信息熵H_j和熵权ω_j分别表示为：熵权ω_j值反映了目标j在不同最优解间的差异程度，ω_j越大表明目标j在不同最优解间的差异越大；(b3)根据熵权ω_j重构标准化加权决策矩阵：(b4)对计算目标j的正负理想值其中：T₁表示效益型指标，T₂表示成本行指标；(b5)计算最优解i到目标j的正负理想值的距离：(b6)计算最优解i的相对贴近度值C_i：选择贴近度值最大的最优解作为最优折中解；S6、第二阶段：在第一阶段获得的最优折中解基础上，验证网络安全约束模型，如果能够满足网络安全约束，则转入S7，否则生成Benders Cut返回S5继续迭代计算；S7、第三阶段：验证第一、二阶段得到的解是否能够满足不同的风电场景下的机组约束和网络安全约束；如果能够满足机组约束，则转入步骤S8，否则生成Benders Cut返回S5继续迭代计算；S8、如果能够满足网络安全约束，则转入步骤S9，否则生成Benders Cut返回S5继续迭代计算；S9、判断当前代入的场景是否是最后的模拟场景，如果不是，则生成Benders Cut返回S5继续迭代计算，否则结束本次计算，并给出最终的调度方案。