基于协同进化算法的含风电场的电力系统优化调度研究

发布时间：2017-05-20 07:53

  本文关键词：基于协同进化算法的含风电场的电力系统优化调度研究，由笔耕文化传播整理发布。

【摘要】：电力系统经济调度的核心是合理的分配负荷以实现电力系统经济性最优,传统电力系统经济调度问题由于不涉及风能、太阳能等输出功率不稳定的新能源,输出功率变化较为平缓,对电网调度影响较小。在风电大规模发展的今天,风能的不确定性及波动性使得含风电场的电力系统经济调度问题变得更加复杂。本文针对含风电场电力系统经济调度问题,主要进行了以下工作:首先,研究了大规模风电并网给电力系统经济调度带来的影响,根据风电场的接入给电力系统带来的净经济价值的定义,分析了系统在不同风电场配置、不同风电预测功率、不同风电渗透率的情况下,风电的净经济价值的变化,由此来研究风电场的接入给电力系统经济调度带来的影响,对系统运行成本的影响。其次,分析了传统的电力系统经济调度的数学模型,采用基于总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)的时间序列法对风电输出功率进行预测,提高了风电输出的预测精度,在此基础上建立了含风电场的电力系统经济调度的数学模型,在模型中考虑了环境因素及因风电场加入而引起的额外的旋转备用费用,并对模型进行了评价。再次,对传统协同进化多目标算法(Multi-Objective Co-Evolutionary Algorithm,MOCEA)进行改进,设计了三个协同算子和一个Pareto交叉算子,同时还引入了拥挤距离来减少外部集的大小,给出算法运行流程,并选用三个标准的测试函数来测试本章算法的性能,测试函数包含了常见的多目标优化问题特性,仿真结果与非劣遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA)进行对比,验证其可行性。最后,运用改进后的协同进化多目标优化算法对含风电场的电力系统经济调度模型进行优化。首先采用粒子群算法(Particle Swarm Optimization,PSO)对含风电场电力系统进行单目标优化,分析单目标优化的局限性。随后采用改进后的MOCEA算法求解多目标优化模型,模型中兼顾了环境与经济两种因素,考虑了风电场输出功率波动带来的系统旋转备用负荷费用的增加,设计算法参数及步骤,将仿真结果与NSGA-II优化结果进行对比,验证所提出模型与算法的可行性,并对比无风场并网系统,验证风电的价值。
【关键词】：多目标优化 协同进化 风电场 电力系统 经济调度
【学位授予单位】：上海电机学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614;TM73
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-20
• 1.1 课题的研究背景12-15
• 1.1.1 风能的形成12-13
• 1.1.2 风力发电技术13-14
• 1.1.3 风力发电国内外发展现状14-15
• 1.2 课题的研究意义15-16
• 1.3 电力系统经济调度问题研究现状分析16-17
• 1.4 本文的主要研究工作17-18
• 1.5 本章小结18-20
• 第二章 风电场接入对电力系统经济调度的影响研究20-28
• 2.1 引言20
• 2.2 电力系统经济调度问题描述20-21
• 2.3 风电的价值21
• 2.4 风电场接入对电力系统经济调度的影响21-27
• 2.4.1 风电场接入对电力系统产生的经济影响22-24
• 2.4.2 风电功率预测精度对经济性的影响24-25
• 2.4.3 风电场配置对经济性的影响25-26
• 2.4.4 风电渗透率对经济性的影响26-27
• 2.5 本章小结27-28
• 第三章 含风电场的电力系统经济调度建模分析与研究28-41
• 3.1 引言28
• 3.2 风电场短期功率预测28-36
• 3.2.1 基于经验模式分解的预测方法28-30
• 3.2.2 基于总体平均经验模式分解的预测方法30-31
• 3.2.3 某风电场输出功率预测实例31-36
• 3.3 传统的电力系统经济调度模型36-37
• 3.3.1 目标函数36
• 3.3.2 约束条件36-37
• 3.3.3 模型评价37
• 3.4 含风电场的电力系统经济调度模型37-40
• 3.4.1 目标函数37-38
• 3.4.2 约束条件38-39
• 3.4.3 模型评价39-40
• 3.5 本章小结40-41
• 第四章 改进的协同进化多目标优化算法41-54
• 4.1 引言41
• 4.2 协同进化的生物学基础41
• 4.3 协同进化算法的分类41-44
• 4.3.1 基于种间竞争机制的协同进化算法41-43
• 4.3.2 基于共生机制的协同进化算法43-44
• 4.3.3 基于捕食-猎物机制的协同进化算法44
• 4.4 多目标优化问题描述44-45
• 4.5 改进的协同进化多目标优化算法45-53
• 4.5.1 适应度定义与选择机制46
• 4.5.2 协同进化算子设计46-47
• 4.5.3 算法流程47-49
• 4.5.4 函数测试比较研究49-53
• 4.6 本章小结53-54
• 第五章 基于MOCEA的含风电场电力系统经济调度54-65
• 5.1 引言54
• 5.2 数学模型54-56
• 5.2.1 目标函数54-56
• 5.2.2 约束条件56
• 5.3 算例分析56-64
• 5.3.1 PSO算法求解单目标优化模型57-58
• 5.3.2 单目标优化仿真结果分析58-60
• 5.3.3 改进的MOCEA求解多目标优化模型60-61
• 5.3.4 多目标优化仿真结果分析。61-64
• 5.4 本章小结64-65
• 第六章 总结与展望65-68
• 6.1 总结65-66
• 6.2 展望66-68
• 参考文献68-72
• 致谢72-73
• 攻读硕士学位期间取得的研究成果73

【参考文献】

中国期刊全文数据库 前10条

1 侯贸军;罗春辉;隗霖捷;李鹏;;基于微分进化算法的水火电短期优化调度的研究[J];电力系统保护与控制;2015年09期

2 王长路;王伟功;张立勇;乔雪涛;;中国风电产业发展分析[J];重庆大学学报;2015年01期

3 杨茂;孙涌;王东;穆钢;张明明;;基于时间序列的多采样尺度风电功率多步预测研究[J];电测与仪表;2014年23期

4 罗超;杨军;孙元章;林芳;崔明建;;考虑备用容量优化分配的含风电电力系统动态经济调度[J];中国电机工程学报;2014年34期

5 孟天星;张厚升;;基于差分自回归滑动平均模型的风电场短期风速预测[J];科学技术与工程;2013年33期

6 卢锦玲;苗雨阳;张成相;任惠;;基于改进多目标粒子群算法的含风电场电力系统优化调度[J];电力系统保护与控制;2013年17期

7 梅生伟;郭文涛;王莹莹;刘锋;魏椺;;一类电力系统鲁棒优化问题的博弈模型及应用实例[J];中国电机工程学报;2013年19期

8 张海峰;高峰;吴江;刘坤;;含风电的电力系统动态经济调度模型[J];电网技术;2013年05期

9 陈炜;艾欣;吴涛;刘辉;;光伏并网发电系统对电网的影响研究综述[J];电力自动化设备;2013年02期

10 江兴稳;周建中;王浩;张勇传;;电力系统动态环境经济调度建模与求解[J];电网技术;2013年02期

中国博士学位论文全文数据库 前3条

1 李碧;协同进化算法的研究及其应用[D];华南理工大学;2010年

2 牛文娟;基于系统演化算法的水资源多Agent系统建模仿真研究[D];河海大学;2007年

3 刘静;协同进化算法及其应用研究[D];西安电子科技大学;2004年

中国硕士学位论文全文数据库 前10条

1 陈洋洋;基于协同进化的动态多目标优化算法[D];西安电子科技大学;2014年

2 罗斌;基于NSGA-II的含风电场电力系统多目标调度计划研究[D];长沙理工大学;2013年

3 黄燕燕;含风能电网多目标优化调度研究[D];华东交通大学;2012年

4 常鹏;基于多目标优化的含风电场的电力系统经济调度[D];华北电力大学;2012年

5 石庆均;微网容量优化配置与能量优化管理研究[D];浙江大学;2012年

6 张远淑;基于均匀设计的多目标协同进化算法及其应用[D];西安电子科技大学;2012年

7 滕达;柔性交流输电技术在风电系统中的仿真研究[D];东北石油大学;2011年

8 吴昊;炼厂蒸汽网络多目标运行优化方法研究[D];东北大学;2010年

9 刘国兴;基于协同进化的多目标优化算法研究[D];天津大学;2008年

10 李同喜;支持学习的协同进化模型研究及应用[D];山东师范大学;2008年

  本文关键词：基于协同进化算法的含风电场的电力系统优化调度研究，由笔耕文化传播整理发布。

，

本文编号：380975