多種群遺傳算法下電網源網荷多時段優化調度

許長清，郭新志，孫義豪，李科

（國網河南省電力公司經濟技術研究院，河南鄭州 450000）

電網多時段調度時，時段調度分配銜接不緊密，出現大量電網源網荷漏電，實際應用效果差。文獻[1]基于多時間尺度下主動配電調度方法，輸出一系列電網源網荷優化調度方案，但是該方法依賴于電網運行的功率平衡懲罰系數，具有不可靠性。文獻[2]基于多主體博弈的優化模型考慮了電網源網荷波動性的干擾影響，但是該調度模型的運行成本高，應用價值低，推廣應用難度大。為彌補上述方法存在的問題，該文基于多種群遺傳算法，提出電網源網荷多時段優化調度方法。

1 多種群遺傳算法下電網源網荷建模

針對電網源網荷多時段優化方案，以間斷供電與不間斷供電作為分類標準構建模型。對于不間斷供電方式，用電需求持久，但用電量不穩定。為防止電網源網荷長期存儲出現漏電的問題，電網采用分段傳輸源電的方式，當電量達到閾值標準線，分布式發電量不足以供給用電需求時，優化調度模型會向電網詢價購買，不間斷供給優化調度模型如式（1）所示：

對于間斷供電方式，該文采用多種群遺傳算法計算用戶用電狀態，解決電網源網荷優化模型電量數據偏差大的問題。當設備處于高負荷運載狀態時，自動斷開中斷設備，保證調度的電網源網荷處于安全范圍內，構建間斷供給優化調度模型如式（2）所示：

2 電網源網荷多時段優化調度

2.1 遺傳算法調度

該文設計的多種群遺傳算法的調度模型首先確定調度的目標函數，分別從電網源網荷使用的經濟開銷和用戶使用舒適度兩個角度設定[7-10]。

采用多時段電能調度算法可以最大程度降低用戶電能費用支出。該文根據不同人群的偏好，降低計算誤差，采用參數加權的方法，取參數均值，用戶舒適度目標函數計算公式如下：

其中，Sm表示用戶可調度設備調度后的舒適值，值越低，用戶體驗舒適感程度越高；Pa表示電氣設備的充電頻率波動；ka表示設備的負荷權值；表示設備的實際工作狀態；表示用戶期望設備的運行狀態函數[11-12]。

電網源網荷優化模型的經濟目標函數評價的是電網輸出電能以及用戶使用電能的成本開銷情況，將用戶和電網開銷成本降到最低。為了將電網源網荷的經濟效益最大化，需要考慮電能的負載值，在不同時段根據輸出結果控制電能的輸出量。具體控制模式：在低電價時采用快速輸出電能的方式，在高電價時采用較慢的輸出速率。目標函數如式（4）所示：

電網約束函數控制電網源網荷的功率輸出極值和交互頻率范圍。電網源網荷控制電能轉化過程中的消耗量，保證輸出電能的最大值，功率約束函數如式（5）所示：

其中，Pwv表示功率約束函數；ppv,max表示電網源網荷輸出功率的最大值；ppv,min表示電網源網荷輸出功率的最小值；β表示電網輸出功率的界限值；表示t時刻消耗的功率。

多種群遺傳算法的響應約束目的是控制優化調度模型的響應偏差，避免出現假性優化方案輸出[15]。電網源網荷傳輸的響應效果實質上是控制各個單一時間段輸出的電能小于初始時間段輸出的電能量，一旦超出初始化參數，導致源網荷投標輸出電能存在異常偏差。響應約束函數如式（6）所示：

其中，Ywv表示響應約束函數；Pin表示可控設備運行的功率；γ表示用戶調度的負荷權值；r表示用戶可控制設備的總數量。ca表示電網源網荷的線性容量；Pth表示電網與用戶側交互功率。

不確定性概率約束是控制電網源網荷轉化傳輸過程中受到風力、溫度、濕氣等一些不確定因素的干擾，導致電壓網荷量出現二次消耗，降低源網荷量的飽和值，不確定性概率約束函數如式（7）所示：

其中，Nwv表示電網系統的有功備用指標；表示置信度；μ表示不確定因子權值。

2.2 電網源網荷多時段優化調度

在構建完成基于多種群遺傳算法下電網源網荷多時段優化調度模型后，具體的應用流程如圖1所示。

首先，制定優化調度模型的更新時間尺度，為了簡化優化程序，保證數據迭代結果不變，設置日調度時間尺度為1 h，在應用優化模型前24 h 執行模型，執行完畢后等待模型的開啟觸發。時間尺度確定公式如式（8）所示：

其中，Twv表示時間尺度量；ε表示頻率抗平衡因子；T?表示T時間段內電量的波動差[16]。

然后，分析需求量，每個時間段電網源網荷的需求量不同、優化調度的活躍狀態不同，為了提高電網源網荷的總體需求量，該優化調度模型根據實時周期電網源網荷應用量的變化量彈性制定電價。確定需求響應策略模型如式（9）所示：

其中，Y表示需求響應策略模型；enc 表示激勵性需求響應；Kwv表示t時段電價變化量與初始電價的比值；σ表示彈性平衡因子。

最后，根據輸出的日周期電價調動優化模型迭代計算數據，觀測電網源網荷的有效開銷和損耗，如果電網源網荷的損耗量不足供給量的百分之一，表示該優化模型方案可靠，可以執行，能實現電網源網荷的分時調用。

3 實驗研究

為了驗證該文提出的多種群遺傳算法下電網源網荷多時段優化調度方法的實際應用效果，設計對比實驗，選用考慮經濟狀態的電網源網荷多時段優化調度方法和基于多主體博弈的電網源網荷多時段優化調度方法進行實驗對比，實驗環境如圖2 所示。

圖2 實驗環境

在調度過程中，同時選擇三臺虛擬機處理電網的調度任務，運行過程的內存為2 048 GB，虛擬機與兩臺主機連接，進行調度，分析調度過程中不同調度方法的調度功率，得到的實驗結果如圖3 所示。

圖3 調度功率實驗結果

根據圖3 可知，該文研究的調度方法消耗的調度功率更小，能夠很好地分析調度狀態，對預測出力的波動情況進行準確研究，從而解決電網能源對跨區消納產生的影響。

該文提出的方法在確定電網源網荷優化遺傳算法的目標函數后，為了使實驗數據精準，根據電網源網荷工作狀態構建電網功率約束、不確定約束、響應約束，降低遺傳算法的復雜度。

進一步分析調度過程中對電網能源的利用率，得到的實驗結果如表1 所示。

表1 優化調度能源利用率實驗結果

根據表1 可知，隨著電網用電站容量增加，電網能源的利用率在逐漸降低，與經濟狀態分析和多主體博弈的調度方法相比，該文調度方法的利用率更高，始終在98.95%以上，由此證明，該文提出的優化調度方法調度能力更好，更適合應用在電網不同時段的調度工作中。

4 結論

該文深入分析多種群遺傳算法下電網源網荷多時段優化調度，并獲取如下結論：

優化調度模型在目標函數和約束函數的約束下，用戶用電費用降低，電網經濟效益也得到了提高；解決了只能優化單一數據類型的問題，突破電網源網荷調度方法的瓶頸，提高優化策略的多樣性和精準度。實驗表明，該文研究的電網源網荷多時段優化調度方法可以減少源網荷的損耗，提高電網運行的經濟效益，優化調度能源利用率高于98.95%，具有較好的實用價值。在后續研究分析的過程中將考慮風力發電和光伏發電會受到溫度、風力等因素的影響，電網源網荷量容易受到影響。為此，進一步干預外界環境因素對于測試參數的影響，提高數據的精確度，減少源網荷的損耗。