基于多目标多任务进化算法的含可再生能源混合发电系统优化调度

发布时间：2022-02-13 12:56

　　可再生能源发电的快速发展为电力系统的安全和经济运行带来了新的挑战。在此背景下,构建了能够计及火电阀点效应非线性,风电、光伏发电系统出力不确定性和水电一次能源浪费的多目标优化调度模型。假设风速服从Weibull分布、光照服从Beta分布的前提下,含可再生能源混合发电系统优化模型综合考虑了能源利用、环境保护、成本以及损耗等限制因素。在此基础上,创新的引入了多目标多任务进化算法,同时优化多个任务的多个目标,并行处理多个发电系统的优化调度问题,从而大幅提高了搜索速度。仿真算例采用标准IEEE30节点和IEEE118节点系统,验证了该算法在解决多目标多任务多电源发电系统优化问题时的优越性。 

【文章来源】：华北电力大学学报(自然科学版). 2020,47(01)北大核心

【文章页数】：9 页

【部分图文】：

多目标多任务进化算法流程图

两个父代p1和p2在设定的二维搜索空间中采用模拟二进制交叉算子(Simulated Binary Crossover,SBX)进行染色体配对,p1的技能因子为T1,p2的技能因子为T2,T1≠T2。通常情况下后代c1和c2是在父代附近创建的(如图2所示),c1的大部分遗传信息都来自p1,而c2的遗传信息更接近p2。如果c1随机模仿p2的技能因子(即c1取T2)和/或c2随机模仿p1的技能因子(即c2取T1),然后隐性遗传信息转移发生在两个任务之间。3 仿真算例与分析

图3～5分别对应各个算法收敛性最好的一次运行结果,图3为各个算法所获得的帕累托前沿,图4和图5分别为30节点系统运行成本和CO2排放量随迭代次数的收敛曲线。从图3可以明显看出MO-MFEA的帕累托前沿比其它算法有更强的收敛性。由图4的系统运行成本收敛曲线可以看出,MGSO虽然收敛速度较快,但是最终收敛值在四种算法里面最差,而MO-MFEA的最终收敛值显著优于对比算法且收敛速度明显优于MPSO和NSGA-II两种算法,因此进一步验证了所提出的算法在解决双目标优化问题中具有可行性和高效寻优性。图4 IEEE-30节点运行成本收敛曲线图

【参考文献】：
期刊论文
[1]基于改进萤火虫算法的冷热电联供系统多目标优化调度[J]. 张荣权,王怀智,王贵斌,彭建春,江辉.  华北电力大学学报(自然科学版). 2018(01)
[2]多可再生能源冷热电联供微网系统环境经济优化调度[J]. 王鲁浩,李歧强,王桂荣,郭庆强.  控制与决策. 2016(05)
[3]基于仿电磁学算法和数据包络分析的水火电力系统多目标优化调度[J]. 郭壮志,吴杰康,孔繁镍.  中国电机工程学报. 2013(04)
[4]考虑风电随机模糊不确定性的电力系统多目标优化调度计划研究[J]. 马瑞,康仁,姜飞,熊龙珠,李凌霄,徐慧明.  电力系统保护与控制. 2013(01)
[5]配电系统中电动汽车与可再生能源的随机协同调度[J]. 王贵斌,赵俊华,文福拴,薛禹胜,辛建波.  电力系统自动化. 2012(19)



本文编号：3623234