精細化日發電計劃模型與方法

何攻++王玲++唐亮

摘 要：電網網架和機組規模的不斷擴大，客觀上要求發電計劃的制定要越來越細致和精確。隨著節能發電調度在客觀上對電網調度精細化管理水平要求的提高，實現日發電計劃的精細化決策成為了電網調度精細化管理的核心問題之一。該文針對傳統日發電計劃功能單一且難以實現準確安全校核與網損管理的問題，提出了一種精細化日發電計劃模型及優化算法。

關鍵詞：精細化 日發電計劃 模型與方法 電網調度

中圖分類號：TM715 文獻標識碼：A 文章編號：1672-3791（2014）10（c）-0097-01

隨著節能發電調度要求的提高，對電網調度精細化管理水平也相應增加，電網調度精細化管理，其本質就是實現日發電計劃精細化決策。文章根據日發電計劃精細化管理對精細化日發電計劃模型的求解方法和其優越性能進行論述。

1 傳統日發電計劃的現狀和挑戰

隨著我國經濟的發展，我國的電網網架和電源建設也日益的發展，電網的安全也越來越嚴格。各級調度要充分利用送電通道，須在制定日發電計劃的時候，運用精確的電網模型，能及時考慮實時運行階段的電網安全，減少計劃與實際發電量的偏差，還有就是為在計劃中留足電網安全裕度，應減少次日電網負荷預測的不確定性，計劃決策時應采用動態偏差。傳統的都是基于靜態安全穩定校核，在歷史的潮流中，運用計算靜態網損和網損微增加功率，雖然非常的監督，但是卻沒有考慮到實時潮流對其的影響，從而不能很好的保證網損精確平衡性，傳統日發電計劃一般基于靜態安全穩定校核，利用歷史潮流計算靜態網損與網損微增率，動態計算網損，則能夠很好的彌補這些情況，用最優的安全自動發電控制尾代表的電網靜態優化算法，則可以考慮更多的優化所示，從而使得精度更高，但是在實際的過程中，很難以實現多時段的優化，因此，其沒能夠在發電領域得以廣泛的運用。

2 精細化日發電計劃的重點方法

電網靜態安全的效益主要體現在其的不確定性上，日發電機在充分利用輸電通道的經濟目的的時候，取得一個很好的平衡點在輸電裕度的安全性以前。此種多目標問題的優化，不是唯一的，根據電力市場參與者的安全水平期望值，以及抵御風險代價的可接收值，對電網經濟效益與安全裕度的均衡規律定量分析。目前就發電計劃的精細的安全性，可以很好的降低其存在的風險和成本，也是以精確的電網模型為基礎的，基于電網其信息接入點和電壓的預測值，一起母線和無功率符合預測值等，在結合其維修情況，可以很好的完善電網模型。編制日發電機時，獲得有功網損量主要是通過交直流混合的方式，另外還能夠用電網最新的信息來計算其網損微增率，因此能在保證良好精度的前提下，能夠減少計算量，從而提高損管理精細化。

3 日發電計劃精細化模型求解方法

3.1 機組綜合狀態評價策略

隨著經濟的發展，電源的規模也不斷的擴大，但是在實際的時候對其解精度的提高也不斷增加，如果運用傳統的方法，很難對精確度進行求解。群智能優化算法具有了有效解決此類擁有非凸和非線性的大規模問題的優點，因此其應用很廣泛。日發電計劃模型包含了兩個變量，即表示機組耗流量的實數變量和機組啟停的 0-1 整型變量，可轉化成兩個問題，即開機機組最優流量分配子問題和機組組合子問題。決定機組開停機與否的關鍵主要是機組綜合狀態評價，機組出力上下限參數，以及開停機機組優先次序等重要運行邊界參數。都需要對機組的綜合性能進行評價，在把原始的量子進化算法和實際的量子進化算法進行結合計算，從而得到求解機組組合和最優流量分配的問題，這樣獲得的日發電計方案就是非常好的。機組參與電站運行的影響因素主要是：機組開開機以及停開機的時間和電站機組檢修計劃以及機組動力的性能等，主變、廠用電對機組出力影響；機組健康狀況等。

在檢修的時候，在最短的時間內把開機的信息納入其中，并且對其機組進行限制、機組氣蝕振動區以及其性能的穩定區域的上下線、停開機狀態、停開機詞序進行評價。

3.2 量子進化算法

量子進化算法主要是對量子形式中的群總的多樣性進行利用，二進制編碼之間的轉換是依據其坍塌的機制來實現的，根據量子旋轉門進行變異的過程，得到最優的答案就要重復的搜索求解空間，而那些有著多個的搜索狀態的較少的量子個體，其全局搜索的能力是非常強的。通常情況下QEA內容和流程是很常見的其參考文獻也很多。量子位的個數與電站機組臺數在量子個體中是一致的，依此取0或1的量子位，對機組停機或開機狀態相對應。其個體更新策略仍采用經典量子旋轉門，對個體向最優方向進化起到很好的保持作用。

3.3 日發電計劃精細化模型的求解方法

原始QEA，在含有0-1整型變量的機組組合子求解時，是非常適用的，RDQEA對于最優流量分配子的求解，是非常適用的，若二者交替循環運用就可得出最優值。求解過程為：

（1）初始化規模為N的量子進化種群，設迭代次數為x=1并輸入計算參數。

（2）根據評價值，確定開停機次序，確定開機臺數，確定對最短開停機時間約束，并進行處理，機組組合子問題的可行解就可形成。同時設時段n=1。

（3）最優流量分配子問題時的轉入機組可運用RDQEA求解。該算法種群規模設置為Ms，迭代次數w=1。

（4）進行約束處理實數差分量子進化個體，對于種群按單時段進行目標函數評價，注意保存最優解。

（5）進行交叉錯作，同時進行差分變異操作，對量子旋轉門更新，看是否達到最大迭代次數Kmax，如沒有達到w=w+1，轉至步驟（4）；若g到達最后時段就轉入步驟（6）；相反n=n+1，轉入步驟（4）。

（6）進行計算所有量子個體的適應度值，這時取最大值所對應的解作為全局最優解。

（7）對量子進行操作，流程是個體執行量子旋轉門。

（8）判斷當前迭代次數，觀察迭代次數最大值Gmax能否達到，如沒能達到n=n+1，轉至步驟（2）；相反就停止計算，對全局最優解輸出。

4 結語

為了能夠很好的減少和實際的偏差，本文提出了一系列的方法，根據分析，精細化的日發電計劃不僅僅能夠提高其精解度，而且對發電的計劃能夠起到一個很好的優化作用，從而提高其運作效率。

參考文獻

[1] 袁曉輝.水火電力系統短期發電計劃優化方法綜述[J].中國電力，2012（9）：33-38.

[2] 陳之栩，謝開.電網安全節能發電日前調度優化模型及算法[J].電力系統自動化，2009（1）：10-13.

[3] 黃春雷.基于日典型負荷的水電站群日計劃方式[J].水電自動化與大壩監測.2005（4）：45-47.endprint