电力系统优化调度研究

电力系统优化调度研究 摘要 电力系统优化调度是一项复杂的系统工程。目前，在在电力系统发电领域，还没有一个系统的、完善的、成熟的解决方案。研究电力系统中水电厂优化调度，必须考虑到环境的影响，对提高电网安全稳定水平，优化利用能源资源，全方位努力地开拓发电企业的电力市场、提高经济效益等都具有重要意义。 在电力市场环境下，本文提出了水电厂优化调度系统的整体结构、系统模块组成以及各个模块之间的相互关系，针对其中水电厂优化调度、检修优化几个重要的部分进行了分析研究。结合葛洲坝水电厂，给出的数据情况下，分别用遗传算法和动态规划法进行了分析比较，在满足电能生产的安全、可靠、优质的前提下，基于动态规划以及遗传算法两种方法，编制了葛洲坝水电厂优化调度运行和机组检修的数学模型，并进行了计算和比较，为以后的水电厂优化调度实际运行打下了基础。 关键词 电力系统；优化调度；遗传算法；动态规划法

- 1 -

刘杰：电力市场下电力系统优化调度研究

毕业设计说明书外文摘要

Study for optimal scheduling of power system Abstract Optimal operation of power system is a complicated systematic project.Currently,there is no systematic, comprehensive, mature solution in the field of power system generation. Study of power system optimal operation of hydropower, must take into account the environmental impact of raising the level of network security and stability, optimal use of energy resources, optimal use of energy resources, Comprehensive efforts to develop power plants in the electricity market, improve economic efficiency are all important.. In the electricity market environment，In this paper, power system optimal operation of the overall structure of the hydropower plant, the system modules and the relationship between the various modules, including hydropower plants for optimal operation, maintenance optimization of several important parts of the algorithm analysis. Gezhouba hydropower plant combination, the data presented case were the genetic algorithm and dynamic programming are analyzed and compared, in meeting the energy production of safe, reliable, high quality under the premise of dynamic programming and genetic algorithm based on two methods, the preparation of the Gezhouba hydropower plant operation and unit maintenance scheduling optimization mathematical model were calculated and compared to optimal operation of hydropower plants for the future foundation for the actual operation. Keyword Power system; optimal scheduling; genetic algorithm; dynamic programming

- 3 -

刘杰：电力市场下电力系统优化调度研究

目录

1 引言„„„„„„„„„„„„„„„„„„„„„„„„„„„„„„„4 1.1课题研究的目的与意义„„„„„„„„„„„„„„„„„„„„„„ 4 1.2电力系统的现状„„„„„„„„„„„„„„„„„„„„„„„„„ 5 2 电力系统油画调度算法„„„„„„„„„„„„„„„„„„„„„„„5 2.1优化算法„„„„„„„„„„„„„„„„„„„„„„„„„„„„5 2.2优化调度遗传算法„„„„„„„„„„„„„„„„„„„„„„„„7 2.3优化调度动态规划法„„„„„„„„„„„„„„„„„„„„„„ 11 3 电力系统优化调度„„„„„„„„„„„„„„„„„„„„„„„„ 12 3.1水电厂优化调度思路„„„„„„„„„„„„„„„„„„„„„„ 12 3.2水电厂优化调度建模„„„„„„„„„„„„„„„„„„„„„„ 12 3.3水电厂优化调度运行„„„„„„„„„„„„„„„„„„„„„„ 15 3.3.1优化调度检修优化„„„„„„„„„„„„„„„„„„„„„„ 17 3.3.2最小风险度模型„„„„„„„„„„„„„„„„„„„„„„„ 18 4优化结果比较„„„„„„„„„„„„„„„„„„„„„„„„„„ 19 4.1计算结果分析比较„„„„„„„„„„„„„„„„„„„„„„„ 19 4.2两种算法比较„„„„„„„„„„„„„„„„„„„„„„„„„ 21 5结论与展望。„„„„„„„„„„„„„„„„„„„„„„„„„„ 23 5.1结论„„„„„„„„„„„„„„„„„„„„„„„„„„„„„ 23 5.2展望„„„„„„„„„„„„„„„„„„„„„„„„„„„„„ 23 参考文献„„„„„„„„„„„„„„„„„„„„„„„„„„„„„ 23 致谢„„„„„„„„„„„„„„„„„„„„„„„„„„„„„„„ 23

刘杰：电力系统优化调度研究

电力系统优化调度研究

1 引言

1.1课题研究的目的与意义

电力工业的根本任务是以安全为中心，在充分合理地利用能源和运行设备能力的条件下，保证安全经济发、供电，以满足国民经济各部门的电能需求。电力系统供应着现代化社会生产和生活的大部分能量，相应地，也消耗着大量的一次能源——煤、石油等。对于电力这样重要的能源转换系统，提高其运行效率、实现其运行优化的必要性是显而易见的。对于一个大的电力系统而言，在保证供电的前提下减少燃料消耗，提高运行的效率，就意味着每年能够节约数以万吨计的燃料。因此，电力系统的优化问题长期以来一直是电力系统工程技术人员和学者研究的重点。尤其是近几年来，随着我国国民经济的快速发展和人民生活水平快速提高，全社会用电量急速增长，全国都面临着电力严重短缺的局面。在如此严峻的形势下，深入研究电力系统的优化及经济运行问题更具有十分现实的社会意义。

电力系统优化是电力系统分析的一个分支，它所研究的问题主要是在满足负荷需求的前提下，如何优化地配置系统资源以及调度系统内设备的运行工况，从而使系统发电所需的总费用或所消耗的总能源耗量达到最小这样一个运筹决策问题。现代电力系统优化是电力系统潮流分析、数学优化理论、运筹学以及系统工程等多学科交叉的一个研究领域，它所包含的内容是十分广泛的。本文从能耗及环境方面等角度研究现代电网优化问题，根据现代电力系统的特点建立合适的数学模型，结合数学优化理论、运筹学知识以及优化算法，对研究水电厂实用化可提供一定的解决方案。

总之，对电力系统优化调度的研究有助于发展和丰富电力系统分析和优化运行理论，有益于提高电力系统经济效益，促进电力市场的健康发展，同时也是提高电力系统自动化水平的迫切要求，因此本课题研究电力系统的优化调度具有深远的理论意义，也具有重大的实际价值。

1.2电力系统的现状

- 1 -

山西农业大学工学院毕业设计

能源是人类发展的基本条件。电能作为现代社会最主要的二次能源，在生产和生活中获得了极广泛的应用，在人类社会的现代化进程中扮演了极其重要的角色。20世纪中叶以来出现的大电力系统，是一切工业系统中规模最大、层次复杂、资金和技术密集的复合系统，是人类工程科学上最重要的成就之一。尤其是在现代社会，科技水平的提高以及经济的发展，使得人类对电能的需求和依赖越来越高。现代的电力系统，可以看成是由三个基本系统组成。一是电能生产、传输、使用的一次系统，即发电、输电、变电、配电和用电五个子系统组成，称之为物流系统；二是电力系统的监控、保护、自动控制和调度自动化等组成的能量管理系统，称为信息流系统；三是电能量的交易系统，称为货币流系统。其中物流系统研究的侧重在于能量的转化、电能的输送和分配以及电力系统可靠、稳定、安全、经济运行的规律；信息流系统主要研究如何获得物流系统的各种状态信息以及对所得信息的传输、处理和应用；货币流系统主要任务是研究在市场环境下有关电能这种商品的经济性行为。

电能是电力工业的唯一产品，因此现代电力系统的特点与电能的特点是紧密相联的。由于电能不能大量储存，电能的生产、输送、分配和消费都是同时进行的。在任何时刻，电力的生产、输送、分配和消费在功率和能量上，必须严格保持平衡，并需留有足够的容量和能量的备用，这是电力企业充足、可靠、合格地向用户供电的基本条件。发、送、变、配和用电各个子系统相互连接，形成一个整体，不可分割，具有鲜明的系统性。区域电网的互联是现代电力系统发展的一大趋势。从安全经济运行的角度上看，电网互联可以实现更大范围的社会资源优化配置，带来巨大的经济效益，主要表现在：可以在能源丰富的地区建立电厂，把一次能源转化成电能，然后输送到负荷密集区域，这样大大提高能源的输送效率；大系统可以安装大容量、高效率机组，有利于节省建设资本，降低发电能耗；各个子系统互为备用，减少了总备用容量，增强系统的抗事故能力；利用可再生能源与耗尽型能源的互补调节，充分利用可再生的一次能源，提高能源效率，强化可再生能源的利用，实现可持续发展的能源战略；另外大电网可承受较大的冲击负荷，使系统的稳定性增强.因此，大电力系统是电力工业发展的客观要求和必然趋势。高压交流输电是实现系统互联的主要模式之一，它给电力系统带来了巨大的经济效益，但同时也带来了系统运行的复杂性。为了克服大系统联网的困难，高压直流输电在现代电力系统中得到了发展。所以，现代电力网络通常是交直流混合的输电系统。

1971年，W O．Stadlin首次提出了优化调度要考虑未来负荷的变化、发电机输出功

- 2 -

刘杰：电力系统优化调度研究

率变化速率及其调节容量的有限性，在建立经济负荷分配的模型时，通过给发电机组预留一定比例的调整裕度来保证未来的负荷变化需求，这种做法虽然在一定程度上满足了负荷变化的需求，但各机组预留的比例尽皆相同，故没有正确的反映出动态优化调度的基本矛盾，也不能很好的协调经济性和调节余量的关系。1980年，D．w Ross和S．Kim首次明确提出了电力系统优化调度的思想，建立了动态经济负荷分配模型，将系统的发电计划和负荷变化协调起来进行整体优化，模型目标函数为一定时间范围内的各时段目标函数和，约束条件包含了发电机组输出功率变化速率限值这一动态约束。

在上世纪80年代初期，研究工作大都以等微增率原理为出发点，试图将动态优化调度问题转化静态优化调度问题来加以求解。80年代后期，由于稀疏技术的应用和计算机技术的发展，一些学者将非线性规划的方法引入动态优化调度，从而使动态优化调度模型更全面。进入90年代，对动态优化调度的研究又有了新的进展，提出的动态负荷瓶颈分析理论，可以定量的给出不同阶梯数临界紧段落功率增量的瓶颈序列，对动态优化的关键矛盾有了定量的分析标准。

到本世纪，随着我国电力市场的逐步建立和完善，对电力系统优化调度又提出了新的更高的要求，它不仅要满足电力系统运行的电气规律，同时还要体现市场经济性能的机理，如购电费用、网损费用、旋转备用费用以及它们之间的折中处理等，因此近年来，对电力系统优化调度研究的热度有增无减，如模糊最优化算法，遗传算法等。此外，研究的比较多的还有网络流和内点法提出了一种最小费用网络流模型，该模型把机组的功率平衡约束和爬坡约束进行了统一，并采用广义的Out of Kilter算法求解，对于规模不大的系统优化问题，计算速度较快，但遇到大规模系统时，计算就显得比较复杂。在此基础上提出了一种适用于网络流模型的解耦算法，对大系统的优化调度取得了一定的效果，还对动态优化调度解耦求解的最小前瞻窗口问题进行了研究和探讨，为电力市场下刚性优化和柔性决策的相结合，以及对电力系统优化调度问题的进一步研究打下了基础。

2 电力系统优化调度算法

2.1优化算法

在电力系统优化调度中现有的优化方法众多，已有的主要有两类：传统优化方法和

- 3 -

山西农业大学工学院毕业设计

现代智能启发式优化方法。 ①传统的优化算法

1）等微增率法：在电力系统经济运行中发挥着重要作用，并且应用非常普遍。但当考虑到电力系统运行方式及众多水电厂间的复杂约束条件时，协调方程十分困难，甚至无法求解，因而等微增率法的应用存在局限性。

2）线性规划法：能较容易地处理水电厂间的水力联系，但必须对具有非线性特征的目标函数和约束条件做相应的线性化处理，降低了计算结果的求解精度。

3）非线性规划法：利用惩罚函数将有约束问题转化为无约束问题，或者基于可行方向法直接求解有约束的优化问题，也有将非线性规划问题转化为线性规划问题，然后求解。 4）网络流规划法：专门针对网络特点的一种数学规划法，网络模型的结构由弧和节点确定，利用网络中弧上的流来满足约束条件，然后在流中寻优求解 。

5）动态规划法：解决多阶段决策优化问题的一种数学方法。因其对系统方程的类型、约束条件和目标函数没有任何限制而在优化调度中得到广泛的应用。

6）逐步规划算法：POA 算法是根据贝尔曼最优化的思想，提出了逐步最优化的原理，即最优路线具有这样的性质，每对决策集合相对于它的初始值和终止值来说是最优的。 7）大系统分解协调方法：基本思想是根据所求问题的复杂程度，将其分解为一系列子系统问题，在各子系统上设置一协调器以获得各子系统的结果，并由协调器指示各子系统修改有关参数，重新计算直至获得满意的结果。 ②现代智能优化方法

1）人工神经网络：人工神经网络中常采用于解决优化问题的两种主要模型是BP网络和Hopfield网络模型。

2）模拟进化算法：模仿生物进化规律的仿生智能优化算法，主要包括遗传算法（GA）、进化规划法（EP）、进化策略法（ES）。

3）模拟退火算法：一种解大规模优化问题的通用算法。该法建立在蒙特卡罗原理基础上，模拟固体退火过程，是一种具有启发式的随机搜索算法。

4）蚁群算法：最近几年由意大利学者受自然界中蚁群集体行为启发而提出的一种新型模拟进化算法，初步的研究已经表明该算法具有较强的鲁棒性和适应并行分布计算等优点，为求解复杂的组合优化问题提供了一种新思路。

5）禁忌搜索算法：20 世纪60 年代末提出的一种模拟智力过程而扩展邻域的启发式搜

- 4 -

刘杰：电力系统优化调度研究

索方法，在搜索过程中获得知识，能以较大的概率跳出局部极值区而获得全局最优解。 6）混沌优化算法：混沌是存在于非线性动力系统中一种较普遍的现象，混沌运动具有遍历性、随机性、规律性等独特的动力学性质。基于混沌理论的混沌优化是一种新型的直接搜索优化算法，它直接采用混沌变量在解空间中按混沌运动的自身规律进行搜索，利用其遍历性找到最优解。

7）模糊优化方法：起源于20世纪70年代Bellman提出的模糊决策的概念和模糊环境下的决策模型，它是将优化问题中确定性的约束条件用模糊方式表达，不仅能表示可行解，而且对不可行解可按距离可行域的远近程度进行模糊处理，这样可有效处理约束条件。

8）其它方法：近年来，随着计算机和人工智能技术的迅猛发展，不断涌现出许多其他的新方法，除上述方法外，还有灰色系统、专家系统等方法。

2.2 优化调度遗传算法

遗传算法起源于对生物系统所进行的计算机模拟研究，是一种仿生算法。该算法把待解决的实际问题看作某个目标函数的全局优化，通过模拟生物进化的繁殖、变异、竞争和选择过程，逐步寻优得到全局最优或准最优解。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，简单通用，鲁棒性强，特别适于并行处理及传统搜索方法难于解决的复杂和非线形问题，是21 世纪有关智能计算中的关键技术之一。

①水电厂厂内经济运行运用遗传算法的基本思路

随机给出电厂机组运行环境下的一组初始流量分配，通过目标函数式评价其优劣，评价值低的被抛弃，只有评价值高的有机会将其特征保留至下一代，逐渐得到最优的流量分配值。遗传算法在解决水电厂厂内经济运行问题时，首先要确定编码，相应的解码和初始负荷编码串也就确定了；其次，根据目标函数引出适应度评价函数，计算优良度的高低，用选择算子进行母体的筛选，以产生新的母体群；再采用杂交和变异操作得到新一代的母体群。重复以上的选择、交叉、变异运算，当满足一定的收敛标准时，即输出最优机组组合和流量分配的结果。 1）编码

在遗传算法中，如何描述问题的可行解，即把一个问题的可行解从其解空间转换到

- 5 -

山西农业大学工学院毕业设计

遗传算法所能处理的搜索空间的转换方法就称为编码。编码方法除了决定染色体的解码方法、编码方法也影响到交叉算子，变异算子等遗传算法的运算方法。编码过去常常使用二进制编码，用二进制编码时，需进行十进制到二进制数的变换，输出结果时要解码；而且当二进制数串很长时，操作比较复杂。为了改进和简化计算，引入浮点数编码进行优化调度的遗传算法的研究。 2）适应度函数

在给出初始母体群后，为了进行迭代计算，对母体群中任意一个母体的优劣程度进行评价，适应度高的个体优良度就高，它遗传到下一代的几率就高，适应度低的个体优良度就差，它遗传到下一代的几率就小。为了对母体中的个体进行取舍，必须先求出其优劣程度，也即获得对其进行评价的定量化指标。

由于水电厂经济优化运行问题是具有等式和不等式约束条件的最大值问题，对于不等式约束，可采用编码的方法解决；对于各机组所用流量之和等于给定的水流量的平衡等式约束式，在遗传算法中一般采用三种方法处理，即搜索空间限定法，可行解变换法和罚函数法。

罚函数的基本思想是设法对不符合约束条件的个体给予惩罚，计算其适应度时，处以一个罚函数，从而降低该个体的适应度，减少该个体被遗传到下一代群体中的机会。采用罚函数的目的是将罚函数设计到适应度函数当中去，以便将这种带有约束条件的优化经济运行问题转换成带有惩罚的非约束优化经济运行问题。 这里设罚函数为：

21 (Qqj1j) （1）

2由此，构成适应度函数：

21 W(n)NmNm(Q式中：m为罚因子 3）交叉运算

j1qj) （2）

2交叉是把两个父代个体的部分基因加以替换重组而生成新个体的操作，目的是为了能够在下一代产生新的个体。交叉操作是按照一定的概率在配对库中随机的选择两个个体进行的，两个个体交叉的位置也是随机确定的。交叉运算设计的内容包括以下两方面：

- 6 -

刘杰：电力系统优化调度研究

如何确定交叉点的位置；如何进行部分基因重组。常用的方法有单点交叉、两点交叉，还有多点交叉、均匀交叉、算术交叉等方法。 这里采用以下这几种交叉方法： a．单点交叉

单点交叉过程如下：(1)对群体中的个体进行两两随机配对；(2)对每一对相互配对的个体，随即设置某一基因座之后的位置为交叉点；(3)对每一对相互配对的个体，以设定的交叉概率P，在其交叉点处相互交换两个个体的部分染色体，从而产生出两个新的个体。 b．算术交叉

算术交叉是指由两个个体的线性组合而产生出两个新的个体。为了能够进行线性组合运算，算术交叉的操作对象一般是浮点数所表示的个体。假设两个个体X进行算术较差，则交叉运算后产生出的两个新个体是：

Xi1AiA、XiB 之间

aXiB(1a)XiA,Xi1BaXiA(1a)XiB （3）

c．启发式交叉 若XXXiBiA、XiB为两个浮点编码表示的父代个体，r为0-1之间的随机数，这里假定父代

i要比XA好。则启发式交叉产生的后代为：

i1Cr(XiBXiA)XiB （4）

其特点是使用目标函数确定搜索方向，只生成一个后代，也可能根本不产生后代。主要用于进行微调或者引导算法朝一个最有希望的方向进行搜索。 4）变异运算

变异就是用一定的概率随机的改变群体中个体的某些基因值。其具体操作是指将个体染色体上的某些基因用该基因座上的其它等位基因来替代。变异本身是一种局部随机搜索，与选择、交叉操作结合在一起，就能避免由于选择和交叉操作而引起某些信息的永久丢失，保证了算法的有效性，使GA 算子具有局部的随机搜索能力，同时使得遗传算法保持群体的多样性，以防止出现早熟收敛。为了适应各种问题的需要，人们设计出以下几种变异算子：基本位变异、均匀变异、非均匀变异、边界变异、高斯变异等。 这里选用以下这几种变异方法： a．均匀变异

- 7 -

山西农业大学工学院毕业设计

均匀变异操作是指分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值。均匀变异的具体操作过程是：(1)依次指定个体编码串中的每个基因座为变异点；(2)对每一个变异点，变异概率从对应基因的取值范围内取一随机数来代替原有基因值。 b．边界变异

在进行边界变异操作时，随机的取基因座的二个对应边界基因值之一去替代原有基因值。 5）选择运算

遗传算法中的选择操作就是确定如何从父辈群体中按某种方法取哪些个体遗传到下一代中的一种遗传运算。选择操作是建立在对个体适应度进行评价的基础上，主要是为了避免基因缺陷，提高全局收敛性和计算效率。目前最常采用的选择方法有轮盘赌博方法、随机剩余选择法、确定性选择法，排序选择法等。 6）

算法程序的实现

遗传算法发展至今已形成了各种各样的算法，但总体来讲都是在基本遗传算法的基础上拓展而成。对于一个实际的最优化问题，运用遗传算法的基本步骤是： a．建立优化模型，确定决策变量和约束条件；

b．选择编码方法，同时也就确定了解码方法，以实现个体表现型与个体基因型的相互转换；

c．确定个体评价方法，即定义适应度函数；

d．确定遗传策略，即确定选择、交叉、变异运算的具体操作方法；

e．确定遗传算法的相关运行参数，如初始群体大小、迭代次数、交叉概率、变异概率等。

- 8 -

刘杰：电力系统优化调度研究

确定实际问题参数集对参数进行编码随机初始化群体P(t),t=0评价群体，计算P(t)中每个个体的适应度满足终止条件?NOK=0YES输出结果t=t+1YESK》=NNO根据个体的适应值选择交叉变异群体P(t)群体P(t+1)

图1 遗传算法流程图

遗传算法程序流程图如图1所示，其伪代码表示如下： procedure GA

struct individual % 定义个体结构：染色体编码、适应值 population % 定义群体类：群体大小、迭代次数、交叉变异概率等 begin

for i=1 to maxGenTerm do begin

initializega % 初始化操

while(not conv) do ％判断是否达到收敛条件 begin

select ％选择操作 crossover ％交叉操作 mutation ％变异操作 end

end of while end end

2.3优化调度动态规划法

- 9 -

山西农业大学工学院毕业设计

动态规划是运筹学的一个分支，它是解决多阶段决策过程最优化的一种数学方法，其基本思想是“在多阶段决策过程中，不论其过去的状态和决策如何，对前面的决策所形成的状态而言，余下的诸决策必须构成最优策略”，这个原理归结为用一个基本的递推关系式来使过程连续的转移。动态规划程序流程如图2所示。

开始读出阶段数n,状态数K1、K2及原始资料阶段k=n状态i=1决策j=1计算下级状态xk1Tk(xk,uk)i在n1级寻优fk1(Tk(xk1))*iiiifk(xk)rk(xk,uk)fk1(Tk(xk1))iifk*(xk)opt[fk(xk)]uk**ukukj*i记录uk和fk*(xk)If j>=K2YESIf i>=K1YESIf k=1YES结果输出NONONOJ=j+1i=i+1K=k+1

图2 动态规划程序流程图

在多阶段决策过程中，每一个阶段都是系统的一个组成部分，整个系统则是按一定的顺序联系起来的统一整体。把所给问题的过程，恰当地分为若干个相互联系的阶段，

- 10 -

刘杰：电力系统优化调度研究

以便能按一定的次序去求解，描述阶段的变量成为阶段变量，常用i表示。

3 电力系统优化调度

3.1 水电厂优化调度思路

随着资产重组、厂网分开等电力体制改革措施的逐步到位，建立电力市场、实行竞价上网将是目前及下一步电力体制改革的重要内容。竞价上网将为传统的水电厂优化运行带来挑战：一是各发电公司产权独立，必然追求发电收入和利润最大化，过去以发电量最大为准则，被系统结算电价下电厂发电收入最大为目标所取代；二是水电厂的上网电量受报价高低影响很大，成功的报价策略会得到理想的成交电量，否则，会失去上网机会；三是水电厂的发电收入不仅取决于系统结算电价，而且取决于发电量在时间上的分配，但系统结算电价事先并不知道，需要水电厂对次日系统结算电价进行预测，并根据水库调节性能、来水情况及电力系统供需情况，合理安排电厂运行方式，高电价时多发电，低电价时少发电，从而提高电厂效益；四是水电厂根据市场电价的变化来调整自己的运行方式，并且，各电厂都基于统一的系统边际电价来结算。因此，在电力市场环境下，水电厂优化调度工作不能只考虑水量因素，还需考虑电价因素，从市场经济的角度出发，重视电能量的时效性，从而在竞价上网取得最大经济效益。

按编制的优化运行方式、计划长短分类，优化调度系统有长期优化调度运行方式、中期优化调度运行方式、短期或24 小时最优负荷曲线优化调度运行方式、水电厂厂内机组间经济负荷分配实时调度方式四种。水电系统短期、中长期优化调度，既要解决负荷在各机组的最优分配的空间优化问题，又要解决水电厂水量在各时段间最优分配的时间优化问题，而且实时、短期、及中长期优化运行之间紧密联系、相互衔接、相互补充，构成水电厂系统优化运行的完整体系。对于这四种不同的调度方式，只是其调度周期不同，其基本模型方法是一致的。值得注意的是，由于电力负荷、电价预测和水文预报存在误差，加之影响电力系统运行，不可预测的随机因素的出现，致使水电厂系统的实际运行方式偏离预期的优化调度方案，因此，在方案实施的全过程中必须及时收集相关信息，进行实时校正，实行“滚动优化”及动态平衡。

3.2水电厂优化调度建模

- 11 -

山西农业大学工学院毕业设计

目前水电厂常常采用的的几种最优准则为：1）以国民经济效益最大或国民经济费用最小为最优准则；2）水电厂发电量最大为最优准则；3）在满足网调负荷要求下，以水电厂总耗水量最小为最优准则；4）以水电厂群总蓄能量最大为最优准则。 水电厂的优化调度运行是在满足电能生产的安全、可靠、优质的前提下，合理的安排组织电厂设备的运行，以获得尽可能大的经济效益。水电厂的优化运行，包括空间最优化和时间最优化。

①空间最优化准则

1）以水定电的优化准则：水电厂的耗水量或电站来水量确定之后，电厂的生产运行应以出力最大为目标。 目标函数：

m maxNj1nj(qj) （5）

等式约束条件：

mQj1qj （6）

不等式约束条件：njRJ （7）

式中：N 为相应于流量Q的水电厂总发电量；nj 为第j台机组的出力；Q为电厂总工作流量;qj为第j台机组的引用流量；j为投入运行的机组编号，j=1,2,L,m为投入运行的机组总数;RJ为j号机组出力范围，在最大技术出力和最小技术出力之间，并且要避开机组的汽蚀和振动区。

2）以电定水的优化准则：对于调节水库的水电厂，其运行中出力是给定的，电厂的目标是总工作流量最小。 目标函数：

m minQj1qj(nj) （8）

等式约束条件：

mNj1nj （9）

- 12 -

刘杰：电力系统优化调度研究

不等式约束条件： qjDj （10）

式中：Dj为j号机组引用流量范围。 ②时间最优化准则

1）以水定电的优化准则：当各段时段的可耗水量确定之后，电厂运行的目标应是发电量最大。 目标函数：

nm maxN等式约束条件：

mt1j1nj[qj(t)]Tt （11）

Q(t)j1qj(t)Wc(t) （12）

R不等式约束条件： njj （13）

式中：nj(qj(t))为t时段第j台机组的出力；Q(t)为t时段电厂引用流量；Wc(t)为t时段停开机耗水量；Tt为t时段时间长。

2) 以电定水的优化准则：若电力系统在某时段给电厂的发电任务已确定，于是电厂的运行调度应以耗水量最小为目标。 目标函数：

nminNt1mqj[nj(t)]TtWc(t) （14） j1m等式约束条件：

N(t)j1jnj(t) （15）

D等式约束条件： qj （16）

③电力市场下水电厂优化调度运行的数学模型

在电力市场环境下，水电厂优化调度运行的目标函数为发电效益最大。数学模型：

- 13 -

山西农业大学工学院毕业设计

JmaxPttprice(t) （17） Utt1T约束条件：

1）水电机组特性约束

ZdZd(Q)ZuZu(V)HZuZdPP(H,Q) （18）

式中：ZdZd(Q)指电站下游水位和发电流量间的关系，它与稳态的下游水位和发电流

Zu(V)量关系有所不同，但一般计算中忽略二者之间的差别；Zu水库存水关系，H为电站水头，P2）各水电厂水量平衡方程

P(H,Q)是指电站上游水位与

指电站出力与发电流量、水头间的关系。

V(t1)V(t)(I(t)Q(t))tQ(t) （19） Qj(t)tQj式中：V(t)、V(t1)分别为水电厂t时段始末蓄水量；I(t),Q(t)、QI(t)分别为水电厂t

时段的入库流量、总发电引用流量及弃水流量。 3）水电厂功率平衡约束

tQjPj(t)PXT(t) tT （20）

式中:Qj为水电厂可投入机组集合；Pj(t)为水电厂j 机组t时段的出力；PXT时段水电系统负荷。 4）机组最大过水能力约束 QP式中: QDj(t)为t

(t)QDmaxj tT （21）

maxj为水电厂第j台机组的最大过机流量约束。

5）水电厂用水流量约束 QminQ(t)Qmax tT （22）

式中：Qmin、 Qmax为最小、最大出库流量要求限制。

- 14 -

刘杰：电力系统优化调度研究

6）水电厂出力约束 PLi(t)Pi(t)PUi(t) tT （23）

(t)水电厂第

式中:PL(t)水电厂第t时段出力下限；PU7）水库水位(库容)约束

VminV(t)Vmaxt时段出力上限。

tT （24）

式中：Vmin , Vmax为最大、最小蓄水限制线。

3.3水电厂优化调度运行

对于葛洲坝水电厂，我们采用空间最优化准则以水定电的优化准则，建立优化调度的数学模型如下目标函数：

21maxNj1nj(qj) （25）

等式约束条件：

21Qj1qj （26）

H=20m时 小机组(125MW) 0H=24m时 小机组(125MW) 0q119676q321856 大机组(170MW) 0q1,21030

大机组(170MW) 0q20,21841

说明：葛洲坝共有21 台水轮发电机组，所以m=21 。根据提供的数据，拟合出水电机组耗量特性曲线方程： H=20m时

大机组(170MW)的耗量特性为 j=1,2

N2.9705*105*Q20.20867Q8.9623 （27）

小机组(125MW)的耗量特性为

N2.35869*105j[3,21]

*Q20.18641Q0.18817 （28）

H=24m时

大机组(170MW)的耗量特性为 j=1,2

- 15 -

山西农业大学工学院毕业设计

N2.1206*105*Q20.23333Q6.9327 （29）

小机组(125MW)的耗量特性为

N3.2856*105j[3,21] Q6.9884*Q20.24127 （30）

为保证大江、二江两站的厂用电安全和满足二江220KV系统运行方式的要求，二江最小开机台数为4 台，而且尽量保证带厂用电机组优先运行（检修除外，带厂用电机组为3 号机、4 号机-6 号机）。大江最少开机3 台，不能集中在1个单元内运行。葛洲坝21 台机：其中1#、2#机为大机，容量为170MW，3#-21#机为小机，容量为125MW。二江机组是1 号-7 号机，大江是8 号-21 号机。枯水期水头一般在22 米以上，运行规程规定，当水头大于23 米时，大机（1 号、2 号机）尽量不运行。为了便于对计算结果进行分析，根据葛洲坝水电厂各机组最大流量及运行的台数进行了组合，得到如下结论：20m、24m 水头下，流量范围与开机台数的关系为表3.1 所示：

表3.1 流量范围与开机台数的关系表

流量范围 20m水头下 3410m/s-6340m/s 6340m/s-7196m/s 7196m/s-8052m/s 8052m/s-8906m/s 8906m/s-9764m/s 9764m/s-10620m/s 10620m/s-11476m/s 11476m/s-12332m/s 12332m/s-13188m/s 3333333333333333开机数目 24m水头下 33410m/s-4732m/s 4732m/s-5408m/s 5408m/s-6084m/s 6084m/s-6760m/s 6760m/s-7436m/s 7436m/s-8112m/s 8112m/s-8788m/s 8788m/s-9464m/s 9464m/s-10140m/s 3333333333333337台 8台 9台 10台 11台 12台 13台 14台 15台 3333- 16 -

刘杰：电力系统优化调度研究

13188m/s-14044m/s 14044m/s-14900m/s 14900m/s-15756m/s 15756m/s-16612m/s 16612m/s-17468m/s 大于17468m/s 33333333310140m/s-10816m/s 10816m/s-11492m/s 11492m/s-12168m/s 12168m/s-12844m/s 12844m/s-13685m/s 大于13685m/s 33333333316台 17台 18台 19台 20台 21台 3333由于机组空转时要耗水，因此在满足给定流量的情况下，如果能够减少运行机组的台数，经济性将会比较好。由上确定m=[7，21]台机组运行的流量范围，当流量在这些流量范围内，就必须增开机组。当葛洲坝在水头20、24m 下，用遗传算法和动态规划进行经济运行的计算分析。 3.3.1 优化调度检修优化

发电机组检修或停机安排是电力系统长期运行计划中一项十分重要的内容,由于机组的检修影响到总的发电出力，所以它对系统运行的可靠性和经济性都有很大的影响，所以周密制定最优的发电机组检修计划有很重要的意义。按照优化目标的不同，目前求解检修计划有以下几种常用的方法. ① 等备用法

这是最为广泛应用的方法之一，这种方法所追求的是使计划时间中的每个时段（周、旬、月等）的发电储备容量均等，但是它不能确切的考虑发电机组强迫停运，负荷变化等随机因素，因此从可靠性指标来说，其解并不是最优的。 ② 等风险度法

从机组可靠性出发，试图使计划时间中在高峰负荷期间增大储备容量，在低谷负荷期间减少储备容量，从而使计划时间内的缺电概率指标尽可能相等，但是这种方法从全年来说其LOLP 并不是最小,此外,它甚至也不能保证全年LOLP比等储备法小. ③ 最小风险度法

它基于机组强迫停电所造成的总损失和全年停电时间的累加成比例这一常识，以全年LOLP 最小为优化目标，但是系统的运行费用将增大。同等风险度法一样，这种方法

- 17 -

山西农业大学工学院毕业设计

只能保证系统安全运行的合理性，而不能保证经济上的最优。 ④ 最小发电费用法

该方法考虑了机组的发电成本，能使机组因停机检修所带来的运行费用的增加最小，但是其全年LOLP可能最高，因此用这种方法求解，应保证LOLP在有关规程所允许的极限范围内，此外用这种方法所求得的储备容量亦与其他方法大不相同。

除了上述这些方法外，还有很多其他方法，例如等有效储备容量法，最小检修费用法，相对现有检修计划得最小偏差法等. 3.3.2最小风险度法模型 ① 最小风险度法目标函数： minLOLPTt1pt(Qt,Pload) （31）

式中：Qt为t时段可用容量，它与机组检修安排计划相关；

Pt(Qt,Pload)Pload为t时段负荷；

为失负荷概率；T为检修安排总时段。

②容量概率停运表的计算

对任何一台两状态（停运和运行）机组，它的不可用为 ： urmrrTf （32）

f式中：为故障率；为修复率；m为平均无故障时间；r为平均维修时间；转换频率；T为状态转换时间。

为状态

追加一台强迫停运率为u，容量为c的两状态机组后，强迫停运率恰好为x的状态的递推公式为：

p(x)p(x)(1u)p(xc)u' （33）

式中：p'(x),p(x)分别是追加机组前、后停运容量为x的概率。

上式可由全概率公式得到，追加机组有两个互斥的状态：故障状态和工作状态。如果追加的机组为工作状态（其概率为1u），原来的模型的停运容量必须为x（概率为p'(x)），如追加的机组为故障状态（概率为u），原来的模型停运容量应为为 p'(xc)）。

xc（概率

- 18 -

刘杰：电力系统优化调度研究

对于第一台机组的模型，果

xc,p(xc)0n'p(0)1u,p(c)u ，这也是初始化值。计算中如

，当追加的发电机组有降额状态（即旋转备用）时

p(x)i1rip(xci) （34）

'式中：n为追加机组的状态数；ic为追加机组第i个停运容量；ri为追加机组的第i个状态的概率。

当用累计状态概率

p(0)1或0px代替

cp(x)时，上式就是累计状态的递推公式。初始值

c)0。

，p(c)u;如果x,p(x累计概率也可由下式计算：

Pn(x)P(y)p(x)

y为大于x的第一个容量。

4 优化结果比较

4.1 计算结果分析比较

前面建立了葛洲坝水电厂厂内优化调度模型，用动态规划和遗传算法两种优 化算法，对实际运行的情况进行了计算。

以下取水头为20m 时的一部分数据进行比较分析。动态规划和遗传算法两种优化算法的流量分配部分结果列于表3.2、表3.3 所示。其中m 为机组号，3-21 为小机125MW，1-2为大机170MW；Q 为总水流量，单位m3总出力，单位MW。

- 19 - /s；q 为各台机组的分配量，单位m3/s；N 为

山西农业大学工学院毕业设计

表3.2 动态规划法流量分配表

m Q q 18324 16500 13500 11000 7500 3410 1 2 3 4 5 6 7 1030 1030 1024 1022 998 696 1030 1030 1024 1022 1000 694 856 848 818 814 786 404 856 848 818 814 786 404 856 850 818 814 0 0 856 850 818 814 786 0 856 850 818 0 0 0 续前表：

Q m q 856 850 818 814 0 0 856 840 818 814 786 404 856 850 0 0 0 0 856 850 818 0 0 0 856 850 818 814 786 0 856 850 818 816 0 0 856 850 0 0 0 0 8 9 10 11 12 13 14 18324 16500 13500 11000 7500 3410 续前表：

Q m q 856 848 818 814 786 404 856 850 818 0 0 0 856 850 0 0 0 0 856 850 818 814 798 0 856 848 818 814 798 646 856 0 0 0 0 0 856 0 0 0 0 0 3049 2748.4 2258.5 1842.1 1262.1 599.8 15 16 17 18 19 20 21 N 18324 16500 13500 11000 7500 3410

- 20 -

刘杰：电力系统优化调度研究

表3.3 遗传算法流量分配表

m Q q 18324 16500 13500 11000 7500 3410 续前表：

1 2 3 4 5 6 7 856 994.84 980.2 815.1 999.44 683.52 856 1030 971.46 800.06 968.95 509.74 856 851.4 856 856 793.29 521.91 856 797.71 681.56 806.61 747.26 434.52 856 855.99 856 856 0 0 856 855.99 856 849.86 855.49 0 856 855.99 855.87 852.6 0 0 Q m q 8 9 10 11 12 13 14 18324 16500 13500 11000 7500 3410 续前表： m Q q 18324 16500 13500 11000 7500 3410 856 855.99 856 855.92 0 0 856 856 855.99 822.46 725.29 402.91 856 0 0 730.32 0 0 856 707.68 707.68 714.12 0 0 856 855.98 855.98 0 836.62 0 856 856 855.99 0 0 0 856 856 0 0 0 0 15 16 17 18 19 20 21 N 856 856 779.15 0 723.32 483.45 856 856 855.99 0 0 0 856 856 0 0 0 0 856 1030 856 0 0 0 0 0 1030 0 0 1030 0 0 3049 2748.3 2257.3 1841.6 1261.6 598.33 848.71 855.99 856 0 0 0 820.88 1011.7 851.08 374.8 比较上表的结果，两种算法都能较好的找到最优点，得出一定水头下的流量分配，使得发电量最大，满足葛洲坝的经济运行要求。相对而言，动态规划法的效果较优。但

- 21 -

山西农业大学工学院毕业设计

是当模型复杂，动态规划法不利于使用的时候，可以采用遗传算法进行优化计算。综上所述，遗传算法对于解决优化调度是一种很好的优化方法，适合在实际中运用。

4.2 两种算法比较

①共同特点

1）动态规划法的寻优思路与求函数极值的微分法，求泛函极值的变分法，解线性规划问题的单纯形法等都有明显的区别。不要求所规划的问题是连续的、可微的，也不一定要求它们是线性的或凸性的，其灵活性很大。

2）遗传算法以目标函数值为搜索依据，不要求目标函数、约束条件满足连续单调、可微等条件，可应用于离散问题和函数关系不明确或难以描述的问题。

3）遗传算法的二进制编码存在编码冗余问题，而且需进行解码，用改进遗传算法的十进制编码可简化计算。

4）遗传算法采用群体方式组织优化搜索，并行的处理目标函数的多个局部峰值。可以减少陷入局部最优解的可能性，搜索速度快，占用内存少，效率高。但如果算法设计者经验不足，仍有陷入局部最优解的可能性。

5）编写动态规划和遗传算法程序时，注意优化程序流程，减少重复计算，可以达到降低内存占用，加快运算速度的效果。 ②重要差异

1）动态规划法理论基础坚实，算法明白易懂，寻优过程完全是客观的，没有主观因素。而遗传算法，有很多凭主观经验取的常数值，即便问题相同，约束条件相同，结果也有差异。从这个角度说，动态规划寻优是真正的寻优，而遗传算法寻到的“最优解”只是相对较好值而已。遗传算法很多理论难以得到证明，计算时参数选择常常根据经验取值，而且在程序设计时要反复调整参数，一不小心就会陷入局部最优解而不能寻到全局最优，而且难以验证是寻到了局部最优还是全局最优。

2）遗传算法具有智能性。遗传算法的智能性包括自组织、自适应和自学习性等。应用遗传算法求解问题时，在确定了编码方案、适应值函数及遗传算子以后，算法将利用演化过程中获得的信息自行组织搜索；而动态规划理论与过程都是白色系统，使人类透彻认识事物逻辑关系后的思维结果。

3）遗传算法的智能性和自然选择消除了算法设计过程中的一个最大障碍：需要事先

- 22 -

刘杰：电力系统优化调度研究

描述问题的全部特点，并说明针对问题的不同特点算法应采取的措施。于是，利用遗传算法的方法我们可应解决那些结构尚无人能理解的复杂问题，这是它的优点；但它的优点也造就了它在解决人类认识能够达到的领域内的问题时必然有的缺点，即不能够有效利用人类认识到该领域的一些规律，而完全从演化角度寻优，完全靠保留优良基因搜索。正确的解决问题的方法应该是：对清楚的规律应加以运用，不清楚的规律交给算法解决。故这两种方法应在不同的条件下应用：在能够理解所研究对象的运行机理时，用动态规划比较明白放心；反之，用遗传算法容易实现。

4）遗传算法初始解寻优采用随机序列生成，虽然经过若干代演化，其解仍具有较强的随机性。原因有以下几方面：

a．一方面是因为遗传算法本身理论不完善，有些理论难以证明，难以说明某种算法过程为什么那样做。

b．一方面则是由于计算者选择遗传算子的多样性。遗传算子有很多类型，而且无固定的分类和算法过程。本文使用的仅仅是其中一种，并不一定是最适合该问题的遗传算子。评价遗传算子的优劣没有固定标准，只能在计算完毕后比较结果，因为遗传算子的种类繁多，而且计算者可以根据实际问题创造某种算子，所以即便某一种算子在计算完毕后结果比其他算子算的结果好，也难以证明它是最好的。

c．另一方面则是由于计算者选择控制参数时的主观性，即控制参数选的并不是最优的。在遗传算法理论中，有专门研究控制参数本身优化的方向，若将参数本身优化纳入水库调度优化计算系统中，则计算量将会大大增加，况且参数本身优化过程也需要另外参数，这些参数也存在优化问题，这将是一个逻辑推理的无底洞。

5 结论与展望

5.1结论

1.介绍了优化调度的基本思路及其特点，对现有的优化算法进行了讨论，确立不同目标准则情况下的优化模型。分析研究了动态规划和遗传算法的概念、原理和算法，应用这两种方法对葛洲坝水电厂的优化调度建立数学模型，并编制相应程序进行计算，在一定水头给定流量的情况下，合理的进行优化调度，并对结果进行了分析比较。

- 23 -

山西农业大学工学院毕业设计

2.通过对水电厂的优化调度，动态规划和遗传算法都是很好的寻优方法，应用在水电厂优化调度上均比较合适。它们优化调度时所需要的资料不多，优化结果好，是值得推广的优化计算方法。

5.2展望

1．本文虽然研究了电力系统优化调度优算法以，但是对于要求不同的电厂，需要重新建立模型，更改程序。另外，由于时间和本人水平所限，对遗传算法的各种算子和遗传策略无法一一验证，因此实际采用的算子并不一定是最符合该问题的算子，从而可能影响到优化调度的结果。有关这方面的工作也还有待于进一步深入研究。

2．在论文完成过程中，由于资料所限，很多细节数据难以得到，并且电厂调度涉及的因素十分复杂，故将研究工作重点放在理论方面，距离实际应用仍有一定差距。另外，对优化调度实现的硬件系统也需要进一步的研究。

参考文献

[1] 周佃民,赖菲,刘亚安,王庆,刘云国.电力系统负荷预测与电价预测[J].继电器,2000,28(10): 31-33.

[2] 胡朝阳,孙维真,汪震,王康元,甘德强,韩祯祥.考虑市场力的短、中、长期电价预测[J].电力系统自动化,2003,27(22):16-22.

[3] 房俊龙，黄丽华，纪建伟，孙国凯等.电力系统分析[M]北京：中国水利水电出版社，2007. [4] 杨朴,游大海,谢培元. 基于遗传算法和BP神经网络的电价预测[J].水电能源科学,2003,21(2) :84-86.

[5] 魏平,李均利,陈刚,张永吉.基于小波分解的改进神经网络MCP预测方法及应用[J].电力系统自动化,2004,28(11):17-21.

[6] 谢培元,游大海,曾次玲,杨朴.基于遗传算法优化 BP 网络的提前一天市场清算电价预测[J].电力自动化设备,2004,24(3):53-56.

[7] 畅建霞,黄强,王义民.水电站水库优化调度几种方法的探讨.水电能源科学,2000,(9) :19-22. [8] 胡杨,黄树红,张燕平,王坤.电力系统发电机组检修计划优化算法研究[J].华北电力,2000,13(4):1-5.

- 24 -

刘杰：电力系统优化调度研究

[9] 冯永青,丁明.电力市场环境下的发电机组检修计划[J].电力系统及其自动化,2001,(9):20-23. [10] 王健,文福拴,杨仁刚,杨明皓.电力市场环境下发电机组的最优检修策略初探[J].电网技术,2004,28(10):22-27.

[11] 王白陆,程春田,刘君,李向阳.遗传算法和增量动态规划算法在水库优化调度中应用[J].东北水利水电,2002,20(9):1-4.

[12] 陈少华,杨澎,周永旺,何瑞文.遗传和模拟退火算法在发电机组检修计划中的应用[J].电力系统自动化,1998,22(7):44-46.

[13] 左郑敏,吴耀武,熊信艮,王根志.机组检修计划问题的GA&SA 组合算法[J].水电能源科学,2001,19(4):63-66. 网技术,2003,27 (12):10-14.

致谢

经过几个月的学习和设计，基本完成了电力系统优化调度研究的论文，作为一个本科生的毕业设计论文，由于经验的匮乏，难免有许多考虑不周全的地方，如果没有指导老师的督促指导，想要完成这个论文是难以想象的。

本论文是在我的指导老师的精心指导和悉心关怀下完成的。在我做毕业设计的每个阶段，从设计草案的确定和修改，中期检查，后期详细修改等整个过程中都给予了我悉心的指导。

在此，我要衷心地感谢这次设计的指导老师，教导过我的所有老师，为我们打下的专业知识的基础。

此外，我还要对在这次设计中，帮助和支持我的同学、朋友，表示感谢！同时，我还要感谢培养我长大含辛茹苦的父母，谢谢你们!

最后感谢我的母校四年来对我的大力栽培。

- 25 -