基于遗传算法的电力市场环境下水电站运行优化方法与流程

1.本发明属于电力工程技术领域，具体涉及一种基于遗传算法的电力市场环境下水电站运行优化方法。


背景技术：

2.在电力现货市场中，尽管电能和调频属于不同市场，但它们均由发电机组或参与需求侧响应的用电负荷提供，其中部分提供者可为多个市场提供服务。水电站的运行方式具有灵活性和多样性的特征，通过正确选择水电站的运行方式，科学组织和管理机组工作方式，尽量减小或消除各类风险，以实现充分、合理、有效地利用水资源。对于水电站侧而言，如何更加灵活地协调各台机组的出力，在提供电能和辅助调频服务的竞争中获得更大优势，赢得更多利润，是目前亟待解决的问题。
3.电能与辅助服务市场的紧密耦合性是电力现货市场的重要特征之一，具体表现在替代性和依赖性上。替代性是指发电机组所提供的电能和调频辅助服务之和，不能超过其装机容量；依赖性是指发电机组不同的发电出力水平上，所能提供的最大调频辅助服务容量不同。目前对于电能和辅助服务的研究多数聚焦于市场侧，鲜少从厂站侧出发。本发明站在厂站侧的角度，将水库运行优化调度、电能与调频辅助市场的问题结合起来，使厂站在电力市场环境下获得更大的经济效益。
4.在垄断经营模式和卖方市场条件下,水电站优化调度模型的目标函数经常被描述为“发电量最大”、“无益弃水量最小”或“发电耗水率最小”，其目的就是要使有限的水量尽可能转化成更多的电量，在耗水量最小的同时发电量最大。
5.在电力市场模式下，由于分时电价和多个市场参与等因素，发电量最大并不一定效益最高，电价(对于调频市场而言为每辅助服务里程的补偿价格)是电力市场的核心要素，传统模式下以发电量最大为目标函数的数学模型已不再适应电力市场运行交易规则新模式。因此水电厂的优化调度运行目标相应改变为发电效益最大化。


技术实现要素：

6.本发明的目的在于针对现有技术中存在的不足，提出了一种基于遗传算法的电力市场环境下水电站运行优化方法。本发明以电量收益与调频市场收益之和最高为目标函数，采用遗传算法对目标函数求解获得最大收益，得到各个时段的出力值，根据该出力大小确定参与工作机组数量与其各自所承担负荷使得耗水量最小，实现降本增收，增加水电站的效益。
7.为了实现上述目的，本发明采用了以下技术方案：
8.一种基于遗传算法的电力市场环境下水电站运行优化方法，主要包括构建目标函数、设置约束条件、采用遗传算法对目标函数求解获得最大收益前提下使总耗水量最小的开机方案。
9.进一步，所述的构建目标函数具体为以效益最大为目标，建立单一水电站水库优
化调度数学模型，包括收益最大目标函数和耗水量最小目标函数，即：
[0010][0011][0012]
式ⅰ中：s为全厂发电总收益；n
i
、n
reg,i
分别为i时段的有功出力和调频服务里程；c
i
、c
reg,i
分别为i时段的发电功率报价和i时段的辅助调频服务市场出清价；t为调度内时段数；m
t
为i时段内小时数，若t＝96，则m
t
＝0.25h；
[0013]
式ⅱ中：q为全厂总耗水量；q
k
(n
k
,h)为机组k在出力n
k
与水头h时的耗水量；n为机组台数。
[0014]
进一步，所述的约束条件包括水量平衡约束、库水位约束、发电流量约束、出力平衡约束、出力约束、水头约束和非负约束。
[0015]
进一步，所述的水量平衡约束为：
[0016]
v
t
＝v
t
‑1 (i
t
‑
r
t
)δt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀⅲ
[0017]
式ⅲ中：v
t
、v
t
‑1分别为计算时段δt末、初的库容；i
t
、r
t
分别为计算时段的入、出库流量；δt计算时段；
[0018]
所述的库水位约束为：
[0019][0020]
式ⅳ中：z
m,t
为电站在第t时段允许消落的最低水位，为死水位或综合利用要求的最低水位；为电站在第t时段的水位上限，汛期取汛限水位，非汛期取正常高水位；
[0021]
所述的发电流量约束为：
[0022][0023]
式
ⅴ
中：q
m,t
为电站在第t时段应保证的最小发电流量；为电站站在第t时段最大允许发电流量；
[0024]
所述的出力平衡约束为：
[0025][0026]
式
ⅵ
中：n
t
为t时段内的全厂总负荷；n
t,k
为t时段内第k台机组的出力；
[0027]
所述的出力约束为：
[0028]
n
t,kmin
≤n
t,k
≤n
t,kmax
ꢀꢀꢀꢀꢀꢀꢀⅶ
[0029]
式
ⅶ
中：n
t,kmin
、n
t,kmax
分别为t时段内第k台机组的出力最大出力和最小出力；
[0030]
所述的水头约束为：
[0031][0032]
式
ⅷ
中：h
min
、h
max
分别为电站的最低、最高允许水头；h
up
、h
down
分别为分别为上、下游水位；
[0033]
所述的非负约束为：以上所提变量均为大于零的正数。
[0034]
进一步，所述的采用遗传算法对目标函数求解为采用遗传算法单一水电站水库优
化调度数学模型进行求解，即：假设水电站在辅助服务市场上中标，经遗传算法得到各个时段的全厂最大收益总和s以及其对应的全厂总出力n
smax
，将n
smax
带入式ⅱ，得到当前出力n
smax
条件下机组工作台数和各台机组所承担的负荷，该机组组合为最大收益前提下使总耗水量最小的开机方案；此时有如下四种情况：
[0035]
情况1：如果需要投入的n台机组均在最优工作区内，则得到总出力为n
smax
时各台机组的出力值；
[0036]
情况2：如果有一台或多台机组在短时运行区内运行，则设置该机组运行时间小于若干小时，再进行负荷分配；如果若干小时后n
smax
改变，则将当前出力n
smax
代入式ⅱ，重新计算工作机组台数和其各自所承担负荷；若n
smax
未改变，则退出调频服务市场，按日前计划曲线分配个工作机组负荷；
[0037]
情况3：如果有一台或多台机组在震动区内运行，则放弃参与调频市场，按日前计划曲线分配各工作机组的出力；
[0038]
情况4：如果需要投入的n台机组接近满发，不满足调频裕度，则考察第n 1台机组的组合。在该情况下，首先考虑第n台机组在最优工作区，第n 1台机组在短时运行区，比较n台机组与n 1台机组的耗水量，若耗水量q
n 1
＜q
n
，则开机方案为n 1台机组；若耗水量q
n 1
＞q
n
，则将n 1台机组的耗水量全部换算成电量收益s
有功
，与n台机组投入辅助市场时的综合收益s
辅助
比较。若s
有功
＜s
辅助
，则按第n台机组在最优工作区，第n 1台机组在短时运行区的方案参与调频市场，参与时间不超过情况2所定的若干小时；若s
有功
＞s
辅助
，则退出调频服务市场，按n台机组投入与日前计划曲线分配各工作机组负荷。
[0039]
进一步，所述的单一水电站水库优化调度数学模型中收益最大目标函数求解包括；
[0040]
染色体编码：将全厂总出力作为决策变量，采用二进制进行编码；
[0041]
初始化：开始遗传操作之前要先生成初始种群，以小时为时段，随机生成规模为m的一系列可行解；
[0042]
适应度函数：每条染色体编码初始化后都要进行适应度，然后存放到数组里；
[0043]
选择：根据适应度函数和个体对环境的适应情况，有针对性的进行选择和繁殖；采用轮盘赌法，即个体的适应度值与其被选中的概率是成正比的，通过概率来选取优良个体；
[0044]
交叉：采用自适应的交叉概率，以单点交叉的方式，通过适应度值进行计算，确定交叉概率的大小，随机确定交叉的位置；
[0045]
变异：采用自适应均匀变异，按照一定概率随机地改变染色体的基因值，在交叉操作以后，子代基因按照小概率进行变异。
[0046]
进一步，采用遗传算法对收益最大目标函数求解具体包括：
[0047]
根据计划出力曲线随机生成几组符合约束条件的出力曲线，用于生成初始种群，然后代入式(1)计算初始种群的概率p，选择几条p较大的曲线分别进行式(2)
‑
式(4)的复制、交叉和变异遗传操作；
[0048][0049]
式(1)中，s、s
min
分别表示当前收益和最小收益；
[0050]
复制采用轮盘赌法，得到曲线q
n1
；
[0051][0052]
式(2)中，e
i
为个体适应度，∑e
i
为群体累加适应度，p
i
为个体被选中的概率，p
i
与e
i
为正比例关系。
[0053]
采用单点交叉的方式，通过目前适应度值进行计算，确定交叉概率的大小，并且随机确定交叉的位置，得到曲线q
n11
；
[0054][0055]
式(3)中，f
max
为当前最大适应度；为当前平均适应度；f1为当前适应度；p
c
为个体被选中的概率；d1、d2当为常数，取0.9和1。
[0056]
在交叉操作以后，采用自适应均匀变异操作随机生成中标时段的基因片段，将子代基因按照小概率进行变异，得到曲线q
n11
·
；
[0057][0058]
式(4)中，f
max
为当前最大适应度；为当前平均适应度；f1为当前适应度；p
m
为变异概率；d3、d4当为常数，取0.5。
[0059]
在复制、交叉和变异等操作进行完之后，判断曲线q
n11
·
对应的收益s
n11
·
是否大于曲线q
n11
对应的收益s
n11
，若成立则生成下一代族群，若不成立则返回变异操作。在下一代族群中判断该条曲线是否大于迭代次数n，若大于则输出该曲线作为最终结果，反之则返回生成初始种群，重新开始计算。
[0060]
进一步，所述的单一水电站水库优化调度数学模型中耗水量最小目标函数求解包括；
[0061]
工作机组台数确定：对于给定负荷，使机组的负荷接近最优出力，使水电厂运行的总效率最高；用最优出力作为计算最优工作机组台数的依据；
[0062]
染色体编码：将每个机组的出力转化成二进制进行编码，每个二进制编码作为一个基因，而参与出力的n台机组出力组合就是n个二进制数组成的编码，即一个染色体；
[0063]
初始化：把最大收益情况下全厂总出力n
smax
按照机组数目分成相应份数分配给各工作机组，要求每份出力介于所分配机组的最小出力与额定出力之间；
[0064]
适应度函数：每条染色体编码初始化后都要进行适应度，然后存放到数组里；
[0065]
选择：根据适应度函数和个体对环境的适应情况，有针对性的进行选择和繁殖；采用轮盘赌法，即个体的适应度值与其被选中的概率是成正比的，通过概率来选取优良个体；
[0066]
交叉：采用自适应的交叉概率，以单点交叉的方式，通过适应度值进行计算，确定交叉概率的大小，随机确定交叉的位置；
[0067]
变异：采用自适应均匀变异，按照一定概率随机地改变染色体的基因值，在交叉操作以后，子代基因按照小概率进行变异。
[0068]
本发明技术方案具有以下有益效果：
[0069]
在电价与多市场参与的电力市场环境下，发电量最大并不意味着发电效益最大，传统方法中以发电量最大为目标函数的水库优化调度策略已不再适用，采用遗传算法，首
先以电量收益与调频市场收益之和最高为目标函数，得到各个时段的出力值，再根据该出力大小确定参与工作机组数量与其各自所承担负荷使得耗水量最小，可实现降本增收，增加水电站的效益。
附图说明
[0070]
图1是本发明的简要流程图。
[0071]
图2是实施例1中遗传算法流程图。
[0072]
图3是实施例1中的电厂在日负荷计划下调频辅助服务市场的收益曲线图。
[0073]
图4是实施例1中的电厂的24小时耗水量曲线图。
[0074]
图5是实施例1中的电厂的24小时的出力情况曲线图。
具体实施方式
[0075]
下面结合附图对本发明作进一步说明。
[0076]
本发明的目的是以电量收益与调频市场收益之和最高为目标函数，采用遗传算法对目标函数求解获得最大收益，得到各个时段的出力值，根据该出力大小确定参与工作机组数量与其各自所承担负荷使得耗水量最小，实现降本增收，增加水电站的效益。
[0077]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0078]
实施例1：
[0079]
一种基于遗传算法的电力市场环境下水电站运行优化方法，主要包括构建目标函数、设置约束条件、采用遗传算法对目标函数求解获得最大收益前提下使总耗水量最小的开机方案。
[0080]
所述的构建目标函数具体为以效益最大为目标，建立单一水电站水库优化调度数学模型，包括收益最大目标函数和耗水量最小目标函数，即：
[0081][0082][0083]
式ⅰ中：s为全厂发电总收益；n
i
、n
reg,i
分别为i时段的有功出力和调频服务里程；c
i
、c
reg,i
分别为i时段的发电功率报价和i时段的辅助调频服务市场出清价；t为调度内时段数；m
t
为i时段内小时数，若t＝96，则m
t
＝0.25h；
[0084]
式ⅱ中：q为全厂总耗水量；q
k
(n
k
,h)为机组k在出力n
k
与水头h时的耗水量；n为机组台数。
[0085]
所述的约束条件包括水量平衡约束、库水位约束、发电流量约束、出力平衡约束、出力约束、水头约束和非负约束。
[0086]
所述的水量平衡约束为：
[0087]
v
t
＝v
t
‑1 (i
t
‑
r
t
)δt
ꢀꢀꢀꢀꢀꢀꢀꢀⅲ
[0088]
式ⅲ中：v
t
、v
t
‑1分别为计算时段δt末、初的库容；i
t
、r
t
分别为计算时段的入、出库流量；δt计算时段；
[0089]
所述的库水位约束为：
[0090][0091]
式ⅳ中：z
m,t
为电站在第t时段允许消落的最低水位，为死水位或综合利用要求的最低水位；为电站在第t时段的水位上限，汛期取汛限水位，非汛期取正常高水位；
[0092]
所述的发电流量约束为：
[0093][0094]
式
ⅴ
中：q
m,t
为电站在第t时段应保证的最小发电流量；为电站站在第t时段最大允许发电流量；
[0095]
所述的出力平衡约束为：
[0096][0097]
式
ⅵ
中：n
t
为t时段内的全厂总负荷；n
t,k
为t时段内第k台机组的出力；
[0098]
所述的出力约束为：
[0099]
n
t,kmin
≤n
t,k
≤n
t,kmax
ꢀꢀꢀꢀꢀꢀꢀⅶ
[0100]
式
ⅶ
中：n
t,kmin
、n
t,kmax
分别为t时段内第k台机组的出力最大出力和最小出力；
[0101]
所述的水头约束为：
[0102][0103]
式
ⅷ
中：h
min
、h
max
分别为电站的最低、最高允许水头；h
up
、h
down
分别为分别为上、下游水位；
[0104]
所述的非负约束为：以上所提变量均为大于零的正数。
[0105]
所述的采用遗传算法对目标函数求解为采用遗传算法对单一水电站水库优化调度数学模型进行求解，即：假设水电站在辅助服务市场上中标，经遗传算法得到各个时段的全厂最大收益总和s以及其对应的全厂总出力n
smax
，将n
smax
带入式ⅱ，得到当前出力n
smax
条件下机组工作台数和各台机组所承担的负荷，该机组组合为最大收益前提下使总耗水量最小的开机方案；此时有如下四种情况：
[0106]
情况1：如果需要投入的n台机组均在最优工作区内，则得到总出力为n
smax
时各台机组的出力值；
[0107]
情况2：如果有一台或多台机组在短时运行区内运行，则设置该机组运行时间小于若干小时，再进行负荷分配；如果若干小时后n
smax
改变，则将当前出力n
smax
代入式ⅱ，重新计算工作机组台数和其各自所承担负荷；若n
smax
未改变，则退出调频服务市场，按日前计划曲线分配个工作机组负荷；
[0108]
情况3：如果有一台或多台机组在震动区内运行，则放弃参与调频市场，按日前计划曲线分配各工作机组的出力。
[0109]
情况4：如果需要投入的n台机组接近满发，不满足调频裕度，则考察第n 1台机组的组合。在该情况下，首先考虑第n台机组在最优工作区，第n 1台机组在短时运行区，比较n台机组与n 1台机组的耗水量，若耗水量q
n 1
＜q
n
，则开机方案为n 1台机组；若耗水量q
n 1
＞
q
n
，则将n 1台机组的耗水量全部换算成电量收益s
有功
，与n台机组投入辅助市场时的综合收益s
辅助
比较。若s
有功
＜s
辅助
，则按第n台机组在最优工作区，第n 1台机组在短时运行区的方案参与调频市场，参与时间不超过情况2所定的若干小时；若s
有功
＞s
辅助
，则退出调频服务市场，按n台机组投入与日前计划曲线分配各工作机组负荷。
[0110]
所述的单一水电站水库优化调度数学模型中收益最大目标函数求解包括；
[0111]
染色体编码：将全厂总出力作为决策变量，采用二进制进行编码；
[0112]
初始化：开始遗传操作之前要先生成初始种群，以小时为时段，随机生成规模为m的一系列可行解；
[0113]
适应度函数：每条染色体编码初始化后都要进行适应度，然后存放到数组里；
[0114]
选择：根据适应度函数和个体对环境的适应情况，有针对性的进行选择和繁殖；采用轮盘赌法，即个体的适应度值与其被选中的概率是成正比的，通过概率来选取优良个体；
[0115]
交叉：采用自适应的交叉概率，以单点交叉的方式，通过适应度值进行计算，确定交叉概率的大小，随机确定交叉的位置；
[0116]
变异：采用自适应均匀变异，按照一定概率随机地改变染色体的基因值，在交叉操作以后，子代基因按照小概率进行变异。
[0117]
采用遗传算法对收益最大目标函数求解具体包括：
[0118]
根据计划出力曲线随机生成几组符合约束条件的出力曲线，用于生成初始种群，然后代入式(1)计算初始种群的概率p，选择几条p较大的曲线分别进行式(2)
‑
式(4)的复制、交叉和变异遗传操作；
[0119][0120]
式(1)中，s、s
min
分别表示当前收益和最小收益；
[0121]
复制采用轮盘赌法，得到曲线q
n1
；
[0122][0123]
式(2)中，e
i
为个体适应度，∑e
i
为群体累加适应度，p
i
为个体被选中的概率，p
i
与e
i
为正比例关系。
[0124]
采用单点交叉的方式，通过目前适应度值进行计算，确定交叉概率的大小，并且随机确定交叉的位置，得到曲线q
n11
；
[0125][0126]
式(3)中，f
max
为当前最大适应度；为当前平均适应度；f1为当前适应度；p
c
为个体被选中的概率；d1、d2当为常数，取0.9和1。
[0127]
在交叉操作以后，采用自适应均匀变异操作随机生成中标时段的基因片段，将子代基因按照小概率进行变异，得到曲线q
n11
·
；
[0128][0129]
式(4)中，f
max
为当前最大适应度；为当前平均适应度；f1为当前适应度；p
m
为变异
概率；d3、d4当为常数，取0.5。
[0130]
在复制、交叉和变异等操作进行完之后，判断曲线q
n11
·
对应的收益s
n11
·
是否大于曲线q
n11
对应的收益s
n11
，若成立则生成下一代族群，若不成立则返回变异操作。在下一代族群中判断该条曲线是否大于迭代次数n，若大于则输出该曲线作为最终结果，反之则返回生成初始种群，重新开始计算。
[0131]
所述的单一水电站水库优化调度数学模型中耗水量最小目标函数求解包括；
[0132]
工作机组台数确定：对于给定负荷，使机组的负荷接近最优出力，使水电厂运行的总效率最高；用最优出力作为计算最优工作机组台数的依据；
[0133]
染色体编码：将每个机组的出力转化成二进制进行编码，每个二进制编码作为一个基因，而参与出力的n台机组出力组合就是n个二进制数组成的编码，即一个染色体；
[0134]
初始化：把最大收益情况下全厂总出力n
smax
按照机组数目分成相应份数分配给各工作机组，要求每份出力介于所分配机组的最小出力与额定出力之间；
[0135]
适应度函数：每条染色体编码初始化后都要进行适应度，然后存放到数组里；
[0136]
选择：根据适应度函数和个体对环境的适应情况，有针对性的进行选择和繁殖；采用轮盘赌法，即个体的适应度值与其被选中的概率是成正比的，通过概率来选取优良个体；
[0137]
交叉：采用自适应的交叉概率，以单点交叉的方式，通过适应度值进行计算，确定交叉概率的大小，随机确定交叉的位置；
[0138]
变异：采用自适应均匀变异，按照一定概率随机地改变染色体的基因值，在交叉操作以后，子代基因按照小概率进行变异；
[0139]
本实施例中水力发电厂配备7台额定容量为700mw的水轮发电机组，根据前一日调度下发的日负荷计划将24个小时分为96个时段(即96点)，每个时段设置一个全厂总出力，根据水头、机组稳定性运行区域和调频裕度等实际情况约束，每台机组的出力不大于当日调度下发的单机最大出力；输入数据：96点时段、各时段的全厂总出力、水头和耗水量；
[0140]
输入数据后经优化算法可得如图3所示的电厂在日负荷计划下调频辅助服务市场的收益，可以看出，随着遗传算法迭代次数的增多，电厂在辅助服务市场上的收益越多；
[0141]
输入数据后经优化算法可可得出如图4所示的电厂的24小时耗水量，可以看出，与计划值对比，由于参与调频辅助市场，耗水量曲线呈波动状态；
[0142]
输入数据后经优化算法可可得出如图5所示的电厂的24小时的出力情况，可以看出，由于参与调频辅助市场，根据水轮nhq特性曲线，全厂总出力曲线与耗水量曲线波动趋势基本相同；
[0143]
从图3、图4和图5中可以看出，在保证了计划出力的同时控制了耗水量，有效使电厂参与辅助服务市场，实现了兼顾计划和市场的最大化收益。
[0144]
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。