基于多目标CMA-ES改进与动态约束传播的源网荷储分层优化方法与流程

本发明涉及新能源与节能，具体涉及一种基于多目标cma-es改进与动态约束传播的源网荷储分层优化方法。

背景技术：

1、随着风力发电和光伏发电等新能源在电力系统中渗透率的快速提升，源网荷储协同优化调度已成为保障电力系统安全稳定运行的关键技术。传统电力调度方法主要针对火电机组等可控电源设计，难以有效应对新能源出力的强随机性和波动性。当新能源渗透率超过30%时，电力系统面临严重的平衡调节压力，需要储能系统、需求响应等多元化资源的协同参与。

2、现有源网荷储优化方法主要存在以下技术缺陷：

3、（一）维数灾难问题突出。 传统优化算法在处理大规模电力系统时面临严重的“维数灾难”问题。当考虑省级电网中数千台发电机组、储能设备和可控负荷时，决策变量维度可达万级以上，导致优化求解时间急剧增长，难以满足电力调度的实时性要求。现有方法通常采用简化建模或分解策略，但这些方法往往以牺牲解的质量为代价，无法获得全局最优解。

4、（二）约束处理效率低下。 现有技术在约束处理方面存在显著不足。电力系统运行需要严格满足电网安全约束、储能荷电状态约束、机组爬坡约束等多类物理限制，传统优化算法通常采用惩罚函数或死亡惩罚策略处理约束，导致大量计算资源浪费在不可行解的评估上。特别是在高比例新能源场景下，系统约束更加复杂多样，约束违反概率显著增加，传统约束处理方法的效率急剧下降。

5、（三）多目标优化性能不佳。 现有多目标优化方法在电力系统应用中也存在明显局限性。电力调度需要同时考虑经济性、安全性和环保性等多个相互冲突的目标，传统多目标算法如nsga-ii、moea/d等在处理电力系统特有的目标空间分布时表现不佳。这些算法通常假设目标空间呈均匀分布，但电力系统的成本-排放-安全目标空间往往呈现非凸、不连续的复杂形态，导致算法收敛性差，难以获得高质量的pareto前沿。

6、（四）多时间尺度耦合处理能力有限。 传统方法在处理源网荷储多时间尺度耦合特性时效果有限。发电计划制定、电网潮流控制、储能充放电调度和负荷需求响应分别具有不同的时间特性，从分钟级到日级不等，现有方法往往采用单一时间尺度建模，无法有效捕捉多时间尺度间的耦合关系。这种简化处理导致优化结果在实际执行中效果大打折扣。

7、（五）缺乏有效的算法自适应机制。 现有技术还缺乏有效的算法自适应机制。电力系统运行环境复杂多变，负荷水平、新能源出力、设备可用性等关键参数具有明显的时变特性，传统优化算法的参数配置通常基于历史经验或离线调优，难以适应实时变化的系统状态。这种缺陷在极端天气、设备故障等特殊运行工况下表现尤为突出。

技术实现思路

1、本发明需要解决的技术问题是提供一种基于多目标cma-es改进与动态约束传播的源网荷储分层优化方法，以解决大规模源网荷储协同优化中的维数灾难、约束处理效率低、多目标收敛性差、多时间尺度耦合困难及算法自适应能力不足等技术问题，实现电力系统多时间尺度协同优化调度。

2、为解决上述技术问题，本发明所采取的技术方案如下。

3、基于多目标cma-es改进与动态约束传播的源网荷储分层优化方法，包括以下步骤：

4、s1.构建基于电力系统物理特性的动态约束传播网络，将电网潮流安全约束、储能荷电状态约束、机组技术约束建模为约束传播图，通过waltz约束传播算法实现约束动态推理和可行域剪枝，通过分层结构维护系统级与设备级约束的一致性；

5、s2.设计针对源网荷储特征的多目标cma-es改进算法，构建经济-安全-环保多目标函数向量，建立基于pareto前沿几何特征的自适应协方差矩阵更新机制，并通过多目标分解与权重向量自适应实现并行搜索；

6、s3.建立源网荷储分层协调优化架构，将调度问题分解为日前计划层、小时调整层和实时控制层，通过层间约束传递函数实现各层信息的纵向交互，各层采用适配的优化算法实现多时间尺度协同；

7、s4.开发电力系统安全约束的智能识别与处理机制，基于电网拓扑分析构建约束重要性评价体系，集成n-1安全分析，并建立约束违反风险评估模型以量化安全风险；

8、s5.集成多源信息融合的系统状态感知与预测机制，构建包含气象、负荷、新能源及设备状态的综合信息向量，利用注意力机制实现多源信息动态加权，并通过滚动预测与误差修正提高预测精度；

9、s6.构建历史优质决策轨迹获取与学习机制，提取历史典型日的最优调度轨迹，利用轨迹聚类指导进化算法初始化，并基于轨迹相似度自适应调整搜索方向。

10、优选的，所述步骤s1具体包括：

11、s11.建立电力系统约束传播图的节点定义与拓扑结构：

12、定义约束传播图，其中，为节点集，；为边集；所述节点集包含决策变量节点、约束节点和辅助变量节点；所述决策变量节点表示为，包含发电机组出力、储能充放电功率、可控负荷调整量，其中，、、分别表示发电机组、储能设备和可控负荷的索引，为发电机组总数，为储能设备总数，为可控负荷总数；所述约束节点表示系统运行必须满足的物理约束，包括功率平衡约束、线路潮流约束、储能soc约束和机组爬坡约束，其中，为线路索引；

13、s12.设计约束传播规则与推理机制：

14、对于功率平衡约束，建立传播规则：

15、

16、其中，为系统负荷需求，为网络损耗；当某个发电机组出力发生变化时，约束传播机制自动调整其他机组出力或储能功率以维持功率平衡；

17、对于储能soc约束，建立递推规则：

18、

19、其中，为

t时刻储能设备

j的荷电状态；为

t-1时刻储能设备

j的荷电状态；为

t时刻的储能充放电功率；为时间步长；为储能设备的充放电效率；为额定容量；

20、对于线路潮流约束传播规则，基于直流潮流模型：

21、

22、其中，为线路的潮流，和为线路两端节点电压相角，为线路电抗；

23、s13.实现waltz约束传播算法的电力系统定制化改进：

24、建立约束传播队列，采用优先级调度策略处理不同类型约束，且约束优先级定义为：

25、

26、其中，表示相关约束；为约束对系统安全性的影响指标；为约束对系统经济性的影响指标；和为权重系数，且，；

27、定义变量的可行域：

28、

29、其中，和为变量的物理边界，为与变量相关的约束集合；表示除变量之外与约束  相关的其余决策变量组成的向量；

30、约束传播算法的迭代更新公式为：

31、

32、其中，表示其他变量的可行域。

33、优选的，所述步骤s2具体包括：

34、s21.构建电力系统多目标函数与目标空间分析框架：

35、定义三个优化目标：经济目标、安全目标和环保目标；多目标函数向量表示为；

36、经济目标函数表示为：

37、

38、其中，

t表示优化调度周期内的离散时间段总数，为

t时刻的发电机组出力，、、为发电机组的成本系数，为机组启停状态，为储能设备的退化成本；

39、安全目标函数定义为：

40、

41、其中，表示系统中参与安全校核的输电线路总数，为线路的输送容量限制，为机组的最大出力，和为安全裕度系数；

42、环保目标函数表示为：

43、

44、其中，为机组的单位发电量碳排放系数；

45、s22.设计pareto前沿自适应协方差矩阵更新机制：

46、基于当前非支配解集的几何特征，计算pareto前沿的分布密度指标：

47、

48、其中，表示非支配解集中除解之外的另一候选非支配解，表示目标空间中两个解的欧氏距离；

49、计算协方差学习率，协方差学习率的自适应计算公式为：

50、

51、其中，为决策变量维度；为方差有效选择数，其中，为父代个体数，为个体权重；

52、随机性指标计算为：

53、

54、其中，为第代步长演化路径向量；，其中，为期望算子， 为均值为0、协方差矩阵为单位阵的n维标准正态分布， 为 gamma 函数；

55、引入pareto前沿密度调节因子：

56、

57、其中，表示协方差矩阵的基础学习率，为目标分布密度，为当前非支配解集对应的pareto前沿分布密度指标；

58、更新协方差矩阵，协方差矩阵的自适应更新公式为：

59、

60、其中，为当前进化代数，为排序后的搜索向量；

61、s23.实现多目标分解与权重向量自适应机制：

62、根据计算资源和精度要求确定分解精度参数：

63、

64、其中，为种群规模；

65、采用均匀权重向量生成策略，对于三目标优化问题，权重向量集合通过单纯形格子法生成：

66、

67、其中，；

68、通过各目标的最小值确定理想点：

69、

70、其中，为当前种群，为解在第个优化目标上的目标函数值；

71、采用tchebycheff方法标量化函数：

72、

73、将多目标分解为单目标子问题，其中，为权重向量的第

i个分量；

74、计算局部解密度：

75、

76、其中，为权重向量的邻域，为当前权重向量对应的最优解，为小正数，为权重向量邻域内第个相邻子问题对应的当前候选解；

77、计算自适应学习率：

78、

79、其中，为最大进化代数；

80、基于当前解的分布情况自适应调整权重向量：

81、

82、其中，为自适应调整后，第

i个权重分量的新值；为第

i个权重向量分量在自适应调整前的值。

83、优选的，所述步骤s3具体包括：

84、s31.建立多时间尺度分层决策框架：

85、设计三层优化架构：

86、日前计划层：时间分辨率1小时，优化周期24小时；

87、小时调整层：时间分辨率15分钟，优化周期4小时；

88、实时控制层：时间分辨率1分钟，优化周期15分钟；

89、所述日前计划层的优化变量包括机组组合变量和连续出力变量，其中，；

90、所述小时调整层的优化变量为出力调整量和储能功率调整，其中，为15分钟时间段索引；

91、实时控制层的控制变量为储能快速响应功率和需求响应调整量，其中，为分钟级时间索引；

92、s32.设计层间信息传递与协调机制：

93、上层优化结果通过指令下发接口传递给下层，下层执行结果通过状态反馈接口上报给上层；日前计划层输出的机组组合方案和出力基准值作为小时调整层的约束边界；

94、层间约束传递函数定义为：

95、

96、其中，为小时调整层中机组在时段的最小允许出力边界；为小时调整层中机组在时段的最大允许出力边界；为机组的技术最小出力限制；为机组的技术最大出力限制；为对应的小时时段，为日前计划层中机组在第个小时时段的计划基准出力；和为机组的向下和向上调节速率；小时，为调整时间间隔；

97、s33.实现各层优化算法的定制化设计：

98、日前计划层采用混合编码的多目标cma-es算法，其中，离散变量采用二进制编码，连续变量采用实数编码；

99、变异概率自适应计算为：

100、

101、其中，为二进制变量总数；

102、变异操作为对于二进制部分采用位翻转：

103、

104、其中，为第

i台发电机组在

t时段变异前的启停状态，为第

i台发电机组在

t时段变异后的启停状态，为单个二进制基因位发生翻转的概率；

105、对于实数部分采用高斯变异：

106、

107、其中，；

108、小时调整层采用快速非支配排序和精英保留策略，定义约束违反度为：

109、

110、其中，为第个不等式约束违反量，为第个等式约束违反量，和分别为不等式和等式约束数量；

111、排序准则基于约束违反度和目标函数值，排序准则具体为：

112、

113、其中，为非支配排序等级。

114、优选的，所述步骤s4具体包括：

115、s41.建立电网n-1安全约束的动态识别系统：

116、定义关键输电断面集合，基于电网拓扑分析和历史故障数据确定；

117、对于每条线路的故障情况，计算系统脆弱性指标：

118、

119、其中，为线路故障后断面的潮流，为断面重要性权重，为断面在安全运行条件下允许的稳定极限；

120、n-1安全约束的数学表达为：

121、

122、其中，为所有输电线路集合，为允许的最大脆弱性指标；

123、采用快速直流潮流进行安全约束验证：

124、

125、其中，为节点注入功率向量，为节点电纳矩阵，为电压相角向量；

126、s42.设计储能系统安全运行边界动态更新机制：

127、建立储能健康状态感知模型，电池健康度的更新公式为：

128、

129、其中，为储能设备

j在

t时刻的电池健康度；为储能设备

j在

t-1时刻的电池健康度；为日历老化损失；为循环老化损失；

130、所述循环老化损失的计算公式为：

131、

132、其中，为功率指数， j/mol为活化能， j/(mol·k)为气体常数，为电池温度；

133、所述日历老化损失的计算公式为：

134、

135、其中，为日历老化系数， j/mol为日历老化活化能，为soc影响指数；

136、基于健康状态的更新安全边界：

137、

138、其中，和为储能设备的基准soc边界；

139、s43.构建约束违反风险量化与预警系统：

140、定义约束违反概率预测模型，考虑新能源出力和负荷预测的不确定性，对于功率平衡约束，违反概率计算为：

141、

142、其中，为功率平衡容差，为系统额定负荷；

143、假设负荷预测误差，新能源预测误差，其中，，为新能源总出力，则功率不平衡量的分布为：

144、

145、约束违反风险等级划分为：

146、

147、其中，为约束违反概率；

148、计算系统安全裕度指标：

149、

150、其中，为热稳定裕度，其中，为线路

n的实际传输有功潮流，为线路

n热稳定极限；为电压稳定裕度，其中，为节点

i的实际电压幅值，为节点

i的参考电压，为系统允许的最大电压偏差；为频率稳定裕度，其中，为系统当前的实际频率，为系统参考频率，为系统允许的最大频率偏差。

151、优选的，所述步骤s5具体包括：

152、s51.构建多模态数据融合的电力系统状态感知框架：

153、建立综合信息向量，包含气象数据、负荷特征、新能源出力和设备状态：

154、

155、气象数据向量，其中，为环境温度，为相对湿度，为风速，为太阳辐照强度；

156、负荷特征向量包含各节点负荷功率，其中，为节点

i的负荷功率，为节点总数；

157、新能源出力向量包含光伏和风电出力，其中，为光伏电站

i出力，为风电场

j出力，为新能源场站总数；

158、设备状态向量包含储能荷电状态和健康状态，其中，为储能

j的荷电状态，为健康状态；

159、s52.设计基于注意力机制的多源信息权重分配算法：

160、建立注意力权重计算模型，对不同信息源在系统状态预测中的贡献度进行动态评估；注意力得分计算公式为：

161、

162、其中，和分别为第个和第个信息源的隐藏状态向量，、和注意力机制的参数矩阵，为注意力机制的偏置向量；

163、通过softmax函数归一化注意力权重：

164、

165、其中，为信息源总数，为第个信息源对第个信息源计算得到的注意力得分；

166、生成融合后的状态特征向量：

167、

168、s53.建立滚动预测与在线误差修正机制：

169、采用滑动窗口预测方法，窗口长度小时，预测步长小时；

170、预测模型采用长短期记忆网络，隐藏层维度，状态更新方程为：

171、

172、其中，、、分别为遗忘门、输入门和输出门，为候选细胞状态，为细胞状态，为隐藏状态输出，为sigmoid函数，为逐元素乘积；权重矩阵，递归权重矩阵，偏置向量；为

t时刻输入，为

t-1时刻lstm的隐藏状态输出，为前一时刻细胞状态，

173、采用卡尔曼滤波进行在线误差修正：

174、

175、其中，为先验状态估计，为后验状态估计，为状态转移矩阵；为先验估计误差协方差矩阵，为后验估计误差协方差矩阵；为卡尔曼增益矩阵，为新息的协方差；为结合

t时刻观测值修正后的后验状态估计，为

t时刻的实际观测状态向量；为

t时刻后验估计误差协方差矩阵；为观测矩阵，过程噪声协方差，观测噪声协方差，其中，。

176、优选的，所述步骤s6具体包括：

177、s61.建立基于历史数据的优质决策轨迹提取方法：

178、采用混合整数线性规划milp模型求解历史典型日的最优调度方案，作为训练数据生成优质决策轨迹，历史数据驱动的milp模型表述为：

179、

180、约束条件包括功率平衡、机组技术约束、储能运行约束和网络安全约束，其中，为机组

i的发电成本系数，为启停成本；

181、决策轨迹特征提取采用主成分分析方法，将高维决策向量投影到低维特征空间：

182、

183、其中，为主成分权重矩阵，为保留的主成分数量；

184、综合考虑经济性、安全性和环保性定义优质轨迹的评价指标：

185、

186、其中，为总运行成本，为总碳排放量，和为基准值；

187、s62.设计决策轨迹引导的进化算法初始化策略：

188、利用提取的优质决策轨迹指导cma-es算法的初始种群生成和搜索方向设定：

189、种群初始化采用轨迹聚类和采样方法：

190、

191、其中，为第个聚类中心对应的决策轨迹，为初始化噪声标准差；

192、协方差矩阵的初始化基于历史轨迹的协方差结构：

193、

194、其中，为历史轨迹的均值，为轨迹数量；

195、s63.构建轨迹相似度评价与自适应学习权重机制：

196、考虑负荷模式、新能源出力模式和设备可用性因素定义当前运行状态与历史轨迹的相似度度量：

197、系统状态向量包含标准化的负荷水平、新能源出力比例和储能可用容量比例：

198、

199、其中：

200、

201、相似度计算为：

202、

203、其中，为相似度带宽参数，为当前系统运行状态向量，为第

k条历史优质决策轨迹对应的状态向量；

204、基于相似度分配学习权重：

205、

206、根据轨迹质量动态调整轨迹学习率：

207、

208、其中，为第个历史轨迹的质量评价；

209、轨迹引导的搜索方向调整公式为：

210、

211、其中，为第代的搜索中心，为第

k条历史优质决策轨迹对应的决策向量。

212、由于采用了以上技术方案，本发明所取得技术进步如下。

213、本发明约束处理效率显著提升：本发明通过动态约束传播网络的创新设计，将电力系统物理约束建模为约束传播图，通过waltz约束传播算法在进化搜索过程中实时维护解的可行性，将约束处理从被动惩罚转变为主动预防，避免了传统惩罚函数方法中大量不可行解的无效评估，显著提高了算法的搜索效率。该网络基于电力系统的物理约束特性设计，采用分层结构维护系统级与设备级约束的一致性，能够精确反映电网潮流约束、储能技术约束等复杂物理限制，确保优化结果的工程可实施性。

214、本发明多目标优化性能优异：本发明针对电力系统目标空间的特殊分布特性，设计了基于pareto前沿几何特征的自适应协方差矩阵更新机制，使cma-es算法能够有效处理经济-安全-环保目标的非凸、不连续分布。通过pareto前沿分布密度指标的动态感知，自适应调整协方差学习率和搜索步长，确保种群在整个pareto前沿上保持均匀分布。这种设计不仅提高了解的多样性，还增强了决策者在不同目标权衡方案中的选择灵活性。

215、本发明多时间尺度协调有效：本发明的分层优化架构有效解决了源网荷储多时间尺度耦合优化的技术难题。通过将复杂的电力系统调度问题分解为日前计划层（24h/1h）、小时调整层（4h/15min）和实时控制层（15min/1min）三个不同时间尺度的子问题，各层优化算法能够专注于特定时间范围内的决策优化，避免了传统方法中不同时间尺度变量混合优化导致的计算复杂度爆炸。层间约束传递函数确保了优化方案在不同时间尺度上的一致性和可执行性。

216、本发明计算效率显著提高：本发明的约束传播机制和改进cma-es算法相结合，显著降低了大规模电力系统优化的计算复杂度。约束传播网络通过可行域剪枝减少了搜索空间，改进的协方差矩阵更新策略提高了算法的收敛速度，两者协同作用使得算法能够在实用的时间内求解包含数千决策变量的大规模优化问题。历史优质决策轨迹引导的初始化策略进一步加快了算法收敛。

217、本发明安全保障能力增强：本发明通过智能约束识别与处理机制，能够动态识别和优先处理对系统安全影响最大的关键约束。基于电网拓扑分析的约束重要性评价体系，确保优化算法在追求经济性和环保性的同时，始终将系统安全作为首要考虑因素。集成的n-1安全分析功能，使得优化方案能够在设备故障情况下仍保持系统的安全稳定运行。储能安全运行边界的动态更新机制有效延长了储能设备寿命。

218、本发明自适应与鲁棒性强：本发明的多源信息融合机制和自适应参数调整策略，使得优化算法能够有效应对电力系统运行环境的复杂变化。基于注意力机制的多源信息动态加权能够根据实际运行状态自动调整各信息源的贡献度。深度学习驱动的状态感知系统能够准确捕捉负荷变化、新能源出力波动、设备状态变化等多维信息。滚动预测和卡尔曼滤波误差修正机制确保了系统对运行环境变化的快速响应能力。历史轨迹相似度评价与自适应学习权重机制使得算法能够从历史经验中持续学习。