多种群遗传算法下电网源网荷多时段优化调度

许长清，郭新志，孙义豪，李科

（国网河南省电力公司经济技术研究院，河南郑州 450000）

电网多时段调度时，时段调度分配衔接不紧密，出现大量电网源网荷漏电，实际应用效果差。文献[1]基于多时间尺度下主动配电调度方法，输出一系列电网源网荷优化调度方案，但是该方法依赖于电网运行的功率平衡惩罚系数，具有不可靠性。文献[2]基于多主体博弈的优化模型考虑了电网源网荷波动性的干扰影响，但是该调度模型的运行成本高，应用价值低，推广应用难度大。为弥补上述方法存在的问题，该文基于多种群遗传算法，提出电网源网荷多时段优化调度方法。

1 多种群遗传算法下电网源网荷建模

针对电网源网荷多时段优化方案，以间断供电与不间断供电作为分类标准构建模型。对于不间断供电方式，用电需求持久，但用电量不稳定。为防止电网源网荷长期存储出现漏电的问题，电网采用分段传输源电的方式，当电量达到阈值标准线，分布式发电量不足以供给用电需求时，优化调度模型会向电网询价购买，不间断供给优化调度模型如式（1）所示：

对于间断供电方式，该文采用多种群遗传算法计算用户用电状态，解决电网源网荷优化模型电量数据偏差大的问题。当设备处于高负荷运载状态时，自动断开中断设备，保证调度的电网源网荷处于安全范围内，构建间断供给优化调度模型如式（2）所示：

2 电网源网荷多时段优化调度

2.1 遗传算法调度

该文设计的多种群遗传算法的调度模型首先确定调度的目标函数，分别从电网源网荷使用的经济开销和用户使用舒适度两个角度设定[7-10]。

采用多时段电能调度算法可以最大程度降低用户电能费用支出。该文根据不同人群的偏好，降低计算误差，采用参数加权的方法，取参数均值，用户舒适度目标函数计算公式如下：

其中，Sm表示用户可调度设备调度后的舒适值，值越低，用户体验舒适感程度越高；Pa表示电气设备的充电频率波动；ka表示设备的负荷权值；表示设备的实际工作状态；表示用户期望设备的运行状态函数[11-12]。

电网源网荷优化模型的经济目标函数评价的是电网输出电能以及用户使用电能的成本开销情况，将用户和电网开销成本降到最低。为了将电网源网荷的经济效益最大化，需要考虑电能的负载值，在不同时段根据输出结果控制电能的输出量。具体控制模式：在低电价时采用快速输出电能的方式，在高电价时采用较慢的输出速率。目标函数如式（4）所示：

电网约束函数控制电网源网荷的功率输出极值和交互频率范围。电网源网荷控制电能转化过程中的消耗量，保证输出电能的最大值，功率约束函数如式（5）所示：

其中，Pwv表示功率约束函数；ppv,max表示电网源网荷输出功率的最大值；ppv,min表示电网源网荷输出功率的最小值；β表示电网输出功率的界限值；表示t时刻消耗的功率。

多种群遗传算法的响应约束目的是控制优化调度模型的响应偏差，避免出现假性优化方案输出[15]。电网源网荷传输的响应效果实质上是控制各个单一时间段输出的电能小于初始时间段输出的电能量，一旦超出初始化参数，导致源网荷投标输出电能存在异常偏差。响应约束函数如式（6）所示：

其中，Ywv表示响应约束函数；Pin表示可控设备运行的功率；γ表示用户调度的负荷权值；r表示用户可控制设备的总数量。ca表示电网源网荷的线性容量；Pth表示电网与用户侧交互功率。

不确定性概率约束是控制电网源网荷转化传输过程中受到风力、温度、湿气等一些不确定因素的干扰，导致电压网荷量出现二次消耗，降低源网荷量的饱和值，不确定性概率约束函数如式（7）所示：

其中，Nwv表示电网系统的有功备用指标；表示置信度；μ表示不确定因子权值。

2.2 电网源网荷多时段优化调度

在构建完成基于多种群遗传算法下电网源网荷多时段优化调度模型后，具体的应用流程如图1所示。

首先，制定优化调度模型的更新时间尺度，为了简化优化程序，保证数据迭代结果不变，设置日调度时间尺度为1 h，在应用优化模型前24 h 执行模型，执行完毕后等待模型的开启触发。时间尺度确定公式如式（8）所示：

其中，Twv表示时间尺度量；ε表示频率抗平衡因子；Tϑ表示T时间段内电量的波动差[16]。

然后，分析需求量，每个时间段电网源网荷的需求量不同、优化调度的活跃状态不同，为了提高电网源网荷的总体需求量，该优化调度模型根据实时周期电网源网荷应用量的变化量弹性制定电价。确定需求响应策略模型如式（9）所示：

其中，Y表示需求响应策略模型；enc 表示激励性需求响应；Kwv表示t时段电价变化量与初始电价的比值；σ表示弹性平衡因子。

最后，根据输出的日周期电价调动优化模型迭代计算数据，观测电网源网荷的有效开销和损耗，如果电网源网荷的损耗量不足供给量的百分之一，表示该优化模型方案可靠，可以执行，能实现电网源网荷的分时调用。

3 实验研究

为了验证该文提出的多种群遗传算法下电网源网荷多时段优化调度方法的实际应用效果，设计对比实验，选用考虑经济状态的电网源网荷多时段优化调度方法和基于多主体博弈的电网源网荷多时段优化调度方法进行实验对比，实验环境如图2 所示。

图2 实验环境

在调度过程中，同时选择三台虚拟机处理电网的调度任务，运行过程的内存为2 048 GB，虚拟机与两台主机连接，进行调度，分析调度过程中不同调度方法的调度功率，得到的实验结果如图3 所示。

图3 调度功率实验结果

根据图3 可知，该文研究的调度方法消耗的调度功率更小，能够很好地分析调度状态，对预测出力的波动情况进行准确研究，从而解决电网能源对跨区消纳产生的影响。

该文提出的方法在确定电网源网荷优化遗传算法的目标函数后，为了使实验数据精准，根据电网源网荷工作状态构建电网功率约束、不确定约束、响应约束，降低遗传算法的复杂度。

进一步分析调度过程中对电网能源的利用率，得到的实验结果如表1 所示。

表1 优化调度能源利用率实验结果

根据表1 可知，随着电网用电站容量增加，电网能源的利用率在逐渐降低，与经济状态分析和多主体博弈的调度方法相比，该文调度方法的利用率更高，始终在98.95%以上，由此证明，该文提出的优化调度方法调度能力更好，更适合应用在电网不同时段的调度工作中。

4 结论

该文深入分析多种群遗传算法下电网源网荷多时段优化调度，并获取如下结论：

优化调度模型在目标函数和约束函数的约束下，用户用电费用降低，电网经济效益也得到了提高；解决了只能优化单一数据类型的问题，突破电网源网荷调度方法的瓶颈，提高优化策略的多样性和精准度。实验表明，该文研究的电网源网荷多时段优化调度方法可以减少源网荷的损耗，提高电网运行的经济效益，优化调度能源利用率高于98.95%，具有较好的实用价值。在后续研究分析的过程中将考虑风力发电和光伏发电会受到温度、风力等因素的影响，电网源网荷量容易受到影响。为此，进一步干预外界环境因素对于测试参数的影响，提高数据的精确度，减少源网荷的损耗。