基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法
1.本發(fā)明屬于電力技術(shù)領(lǐng)域，更具體地，涉及一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法。
背景技術(shù)：
2.實現(xiàn)碳中和是應對氣候變化的全球共識，作為清潔能源之一的可再生能源（風能、太陽能）的快速發(fā)展將有助于實現(xiàn)這一目標。然而，可再生能源的間歇性和波動會給電力系統(tǒng)帶來不利影響。應對這種影響的一種方法是利用多能互補特性建立一個聯(lián)合能源系統(tǒng)。盡管可再生能源在過去幾十年中發(fā)展迅速，但火電和水電在世界上仍分別占60%和16%左右。因此，基于全球能源發(fā)展現(xiàn)狀和趨勢，構(gòu)建可再生能源（風電和光伏）-水電-火電聯(lián)合系統(tǒng)（vre
??
hydro-thermal hybrid energy system, vhthes）是利用可再生能源和減少碳排放的必要措施之一。對于vhthes，運行管理的關(guān)鍵手段之一是協(xié)同優(yōu)化調(diào)度。
3.元啟發(fā)式算法已被證明是協(xié)同優(yōu)化調(diào)度問題的有效求解工具。然而，由于電力系統(tǒng)越發(fā)龐大的規(guī)模和復雜性而使得優(yōu)化調(diào)度更具挑戰(zhàn)，導致求解過程中容易出現(xiàn)由于維數(shù)災難、陷入局部最優(yōu)并迅速下降等情況。同時，隨著風、光大規(guī)模并網(wǎng)，電力系統(tǒng)優(yōu)化時存在連續(xù)的風、光出力變量和離散的機組組合變量共存的情況，而現(xiàn)有多目標算法大多僅能處理單一的連續(xù)型/離散型問題，且所取得的最優(yōu)解集不充分逼近帕累托最優(yōu)前沿，這難以滿足電力系統(tǒng)中連續(xù)型變量和離散型變量同時存在時的調(diào)度問題，進而無法解決多能互補系統(tǒng)的復雜協(xié)同優(yōu)化調(diào)度的問題。
技術(shù)實現(xiàn)要素：
4.針對現(xiàn)有技術(shù)無法解決多能互補系統(tǒng)的復雜協(xié)同優(yōu)化調(diào)度的問題，本發(fā)明通過提供一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，以滿足多能互補系統(tǒng)中多目標調(diào)度的需求，為電力系統(tǒng)多目標調(diào)度運行提供技術(shù)支撐。
5.本發(fā)明提供一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，包括：建立風-光-水-火聯(lián)合的多能互補系統(tǒng)調(diào)度模型，所述多能互補系統(tǒng)調(diào)度模型的決策矩陣包括連續(xù)型決策變量和離散型決策變量，所述多能互補系統(tǒng)調(diào)度模型包括目標函數(shù)和約束條件；結(jié)合所述目標函數(shù)和所述約束條件，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解，得到調(diào)度方案。
6.優(yōu)選的，所述目標函數(shù)包括第一目標函數(shù)和第二目標函數(shù)，所述第一目標函數(shù)為所述多能互補系統(tǒng)的運行成本最小，所述第二目標函數(shù)為所述多能互補系統(tǒng)的碳排放量最低。
7.優(yōu)選的，所述約束條件包括：多能互補系統(tǒng)的約束條件、風電約束條件、光伏約束條件、水電約束條件和火電約束條件；所述多能互補系統(tǒng)的約束條件包括系統(tǒng)功率平衡約束和系統(tǒng)旋轉(zhuǎn)備用約束；所述
風電約束條件包括風電出力約束；所述光伏約束條件包括光伏出力約束；所述水電約束條件包括水電站出力約束和水量平衡約束；所述火電約束條件包括火電廠出力約束、爬坡速率約束和最小啟停時間約束。
8.優(yōu)選的，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解包括以下步驟：步驟1：設(shè)置算法參數(shù)；步驟2：種初始化；所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：其中，為i時段風電場的實際調(diào)度出力，、分別為風電場的最大、最小預測出力；為i時段光伏電站的實際調(diào)度出力，、分別為光伏電站的最大、最小預測出力；為i時段第l個水電站的下泄流量，、分別為第l個水電站的最大、最小下泄流量；為i時段第j臺火電機組的啟停狀態(tài)，表示機組開啟，表示機組關(guān)閉；rand為0到1的隨機數(shù)，為0或1的隨機數(shù)；步驟3：結(jié)合所述約束條件進行約束處理；步驟4：計算超約束值并構(gòu)建懲罰函數(shù)；步驟5：種更新；所述種更新包括：針對所述多能互補系統(tǒng)調(diào)度模型的決策矩陣中的各決策變量，根據(jù)決策變量的類型選擇連續(xù)型決策變量位置更新方式或離散型決策變量位置的更新方式，并進行禿鷲位置的更新；禿鷲位置更新后，計算各個種的適應度值，基于適應度值選擇非支配解，更新帕累托前沿解集；其中，所述決策矩陣中的所述連續(xù)型決策變量包括風電場的調(diào)度出力、光伏電站的調(diào)度出力和水電站的下瀉流量，所述決策變量矩陣中的所述離散型決策變量包括火電機組的啟停狀態(tài)；步驟6：判斷當前迭代次數(shù)是否達到預設(shè)的最大迭代次數(shù)；若達到，則輸出帕累托最優(yōu)解集并選擇最佳折衷解；否則，跳轉(zhuǎn)至步驟3。
9.優(yōu)選的，所述步驟1中，所述算法參數(shù)包括種的個數(shù)、最大迭代次數(shù)、第一參數(shù)、第二參數(shù)、第三參數(shù)。
10.優(yōu)選的，所述步驟3中，所述約束處理包括：基于風電出力約束、光伏出力約束分別對每個時間段的風電功率輸出、光伏功率輸出進行約束限制；基于水電站出力約束和水量平衡約束對水電站的流量和庫容進行約束限制；
基于爬坡速率約束和最小啟停時間約束確定火電機組的啟停狀態(tài)，基于火電廠出力約束和爬坡速率約束進行負荷分配。
11.優(yōu)選的，所述步驟5中，所述連續(xù)型決策變量位置更新方式包括：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|《1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|《1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|《1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|《1時，禿鷲位置更新的模型為：在開發(fā)階段，當|f|《0.5時，禿鷲位置更新的模型為：在開發(fā)階段，當|f|《0.5時，禿鷲位置更新的模型為：在開發(fā)階段，當|f|《0.5時，禿鷲位置更新的模型為：在開發(fā)階段，當|f|《0.5時，禿鷲位置更新的模型為：式中，為第i只禿鷲的飽腹率，為代表連續(xù)變量的禿鷲的下一階段位置，為代表連續(xù)變量的禿鷲的當前位置，為種中確定的最佳禿鷲之一，為禿鷲搜尋的區(qū)域，為第一參數(shù)，和分別表示決策變量的上限和下限，x為增加隨機運動的系數(shù)，為禿鷲種的維度，為第二參數(shù)，為第三參數(shù)，為當前第一最佳禿鷲所在的位置，為當前第二最佳禿鷲所在的位置，rand、、、、、、、和均為0到1的隨機數(shù)，u和v為d維的隨機數(shù)。
12.優(yōu)選的，通過賭的方式選擇種內(nèi)的所述第一最佳禿鷲所在的位置和所述第二最佳禿鷲所在的位置。
13.優(yōu)選的，所述步驟5中，所述離散型決策變量位置的更新方式采用的禿鷲位置更新
的模型為：的模型為：式中，為代表離散變量的禿鷲的下一階段位置，為代表離散變量的禿鷲的當前位置，s為結(jié)合了log-log閾值判斷函數(shù)的0/1離散變量判斷函數(shù)，rand為0到1的隨機數(shù)。
14.優(yōu)選的，所述步驟5中，更新帕累托前沿解集時，結(jié)合存檔更新策略進行存檔；所述存檔更新策略包括以下情況：拒絕：當新求解方案由至少一個存檔庫數(shù)據(jù)主導時，不允許該解決方案進入存檔；接受：當新求解方案支配至少一個存檔庫數(shù)據(jù)，或者新求解方案和存檔人員都不相互支配時，允許該求解方案進入存檔；刪除：運行網(wǎng)格機制以重新安排目標空間的分割，到最擁擠的部分，并在存檔已滿時刪除其中一個數(shù)據(jù)，然后將新求解方案插入到最不擁擠的段中。
15.本發(fā)明中提供的一個或多個技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點：現(xiàn)有算法如mopso、nsga
?ⅲ
、mogwo等普遍存在僅能處理單一連續(xù)型/離散型變量以及所取得的最優(yōu)解集不充分逼近帕累托最優(yōu)前沿的問題，導致這些算法不能滿足多能互補系統(tǒng)中多目標調(diào)度的需求。現(xiàn)有的非洲禿鷲優(yōu)化算法只能處理連續(xù)變量，無法處理、更新離散變量，僅能求解單目標最優(yōu)，使得現(xiàn)有的非洲禿鷲優(yōu)化算法不能滿足多能互補系統(tǒng)中多目標調(diào)度的需求。相對于上述算法無法有效解決多能互補系統(tǒng)的復雜協(xié)同優(yōu)化調(diào)度的情況，本發(fā)明中的多能互補系統(tǒng)調(diào)度模型的決策矩陣包括連續(xù)型決策變量和離散型決策變量，對應的本發(fā)明采用的基于多目標混合非洲禿鷲優(yōu)化算法能夠同時提供連續(xù)型決策變量位置更新方式和離散型決策變量位置更新方式，在執(zhí)行算法的過程中根據(jù)決策變量類型選擇連續(xù)型/離散型位置更新方式進行變量位置更新，可以同時優(yōu)化連續(xù)和離散變量，進而能夠有效解決多能互補系統(tǒng)的復雜協(xié)同優(yōu)化調(diào)度問題，能夠為電力系統(tǒng)多目標調(diào)度運行提供技術(shù)支撐。此外，本發(fā)明結(jié)合帕累托理論和存檔機制進行多目標優(yōu)化耦合，所取得的最優(yōu)解集充分逼近帕累托最優(yōu)前沿，能夠得到進一步優(yōu)化的調(diào)度結(jié)果。
附圖說明
16.圖1為本發(fā)明實施例提供的一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法的流程圖；圖2為本發(fā)明實施例提供的一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法得到的各能源優(yōu)化調(diào)度功率輸出圖。
具體實施方式
17.為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實施方式對上述技術(shù)方案進行詳細的說明。
18.參見圖1，本實施例提供一種基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度
方法，主要包括：建立風-光-水-火聯(lián)合的多能互補系統(tǒng)調(diào)度模型，所述多能互補系統(tǒng)調(diào)度模型的決策矩陣包括連續(xù)型決策變量和離散型決策變量，所述多能互補系統(tǒng)調(diào)度模型包括目標函數(shù)和約束條件；結(jié)合所述目標函數(shù)和所述約束條件，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解，得到調(diào)度方案。
19.其中，所述目標函數(shù)包括第一目標函數(shù)和第二目標函數(shù)，所述第一目標函數(shù)為所述多能互補系統(tǒng)的運行成本最小，所述第二目標函數(shù)為所述多能互補系統(tǒng)的碳排放量最低。
20.所述約束條件包括：多能互補系統(tǒng)的約束條件、風電約束條件、光伏約束條件、水電約束條件和火電約束條件；所述多能互補系統(tǒng)的約束條件包括系統(tǒng)功率平衡約束和系統(tǒng)旋轉(zhuǎn)備用約束；所述風電約束條件包括風電出力約束；所述光伏約束條件包括光伏出力約束；所述水電約束條件包括水電站出力約束和水量平衡約束；所述火電約束條件包括火電廠出力約束、爬坡速率約束和最小啟停時間約束。
21.具體的，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解包括以下步驟：步驟1：設(shè)置算法參數(shù)。
22.步驟2：種初始化。
23.所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：體，表示如下：體，表示如下：體，表示如下：其中，為i時段風電場的實際調(diào)度出力，、分別為風電場的最大、最小預測出力；為i時段光伏電站的實際調(diào)度出力，、分別為光伏電站的最大、最小預測出力；為i時段第l個水電站的下泄流量，、分別為第l個水電站的最大、最小下泄流量；為i時段第j臺火電機組的啟停狀態(tài)，表示機組開啟，表示機組關(guān)閉；rand為0到1的隨機數(shù)，為0或1的隨機數(shù)。
24.步驟3：結(jié)合所述約束條件進行約束處理。
25.步驟4：計算超約束值并構(gòu)建懲罰函數(shù)。
26.步驟5：種更新。
27.所述種更新包括：針對所述多能互補系統(tǒng)調(diào)度模型的決策矩陣中的各決策變量，根據(jù)決策變量的類型選擇連續(xù)型決策變量位置更新方式或離散型決策變量位置的更新方式，并進行禿鷲位置的更新；禿鷲位置更新后，計算各個種的適應度值，基于適應度值選擇非支配解，更新帕累托前沿解集。
28.其中，所述決策矩陣中的所述連續(xù)型決策變量包括風電場的調(diào)度出力、光伏電站的調(diào)度出力和水電站的下瀉流量，所述決策變量矩陣中的所述離散型決策變量包括火電機
組的啟停狀態(tài)。
29.步驟6：判斷當前迭代次數(shù)是否達到預設(shè)的最大迭代次數(shù)；若達到，則輸出帕累托最優(yōu)解集并選擇最佳折衷解；否則，跳轉(zhuǎn)至步驟3。
30.下面從算法出發(fā)，對本發(fā)明做進一步的說明。
31.首先對多目標混合非洲禿鷲優(yōu)化算法的主要步驟進行說明，所述多目標混合非洲禿鷲優(yōu)化算法包括以下步驟：步驟1：輸入算法參數(shù)（種的個數(shù)nv、最大迭代次數(shù)ni、第一參數(shù)、第二參數(shù)、第三參數(shù)等）；步驟2：初始化非洲禿鷲種；步驟3：計算并輸出各個初始種的適應度值；步驟4：得到非支配解并初始化帕累托解；步驟5：更新禿鷲種饑餓率等參數(shù)；步驟6：選擇種第一最佳禿鷲和第二最佳禿鷲；步驟7：根據(jù)變量類型選擇連續(xù)型/離散型位置更新方式；步驟8：計算各個種的適應度值；步驟9：得到非支配解集，并更新帕累托前沿解；步驟10：若算法迭代次數(shù)n達到預定的ni，輸出帕累托最優(yōu)解集；否則跳轉(zhuǎn)至步驟4。
32.下面對上述算法做進一步的說明。
33.為了有效解決vhthes的復雜協(xié)同優(yōu)化調(diào)度問題，本發(fā)明設(shè)計了一種多目標混合非洲禿鷲優(yōu)化算法，其可以同時優(yōu)化連續(xù)和離散變量。此外，還將帕累托理論、歸檔和選擇方法集成到優(yōu)化機制中。
34.具體的，所述多目標混合非洲禿鷲優(yōu)化算法主要包括以下幾大方面：一、根據(jù)變量類型進行種初始化（即設(shè)置禿鷲位置）及目標問題。
35.假設(shè)種中有n只。由于涉及連續(xù)變量和離散變量，第i個禿鷲在t處的位置定義為：其中，為第i個禿鷲在維度d中的位置（連續(xù)變量）；為第i個禿鷲在維度d中的位置（離散變量）；d為維數(shù)。即上標b和上標c的參數(shù)共同組成1個d維的空間，d為dimension（維度）、b表示binary（二進制）對應離散變量，c表示continuous（連續(xù)的）對應連續(xù)變量。
36.多目標優(yōu)化問題采用最小化問題表示，其目標函數(shù)描述為：二、選擇第一個最佳禿鷲和第二個最佳禿鷲。
37.禿鷲種中的第一最佳禿鷲（fv）和第二最佳禿鷲（sv）對禿鷲種影響很大。當禿鷲吃飽了，它們可以跨越更長的距離去尋食物。然而，如果它們餓了，它們會跟隨這些強壯的通過調(diào)整位置來狩獵，同時它們會變得競爭力很強。在迭代中可表示為：
式中，和表示0和1之間的參數(shù)，其和為1；表示使用賭選擇fv和sv的概率；f為的饑餓率；z和h分別是-1~1和-2~2之間的隨機數(shù)。w決定了攻擊獵物時探索和開發(fā)階段的中斷。為迭代次數(shù)。max iterations為最大迭代次數(shù)。
38.三、連續(xù)變量位置更新。
39.為了確定攻擊獵物階段（探索和開發(fā)）的概率，本算法引入了三個參數(shù)（、和），在迭代之前必須對其進行賦值。
40.step 1：探索階段。
41.當|f|≥1時，禿鷲非常饑餓，它們會在不同地區(qū)尋食物，并進入探索階段。在這個階段，禿鷲可以長途飛行，仔細檢查不同的隨機區(qū)域?qū)な澄铩τ诒舅惴ǎ剿麟A段是全局優(yōu)化的手段，為了對其進行模擬，禿鷲位置更新的模型為：全局優(yōu)化的手段，為了對其進行模擬，禿鷲位置更新的模型為：全局優(yōu)化的手段，為了對其進行模擬，禿鷲位置更新的模型為：其中，為第i只禿鷲的飽腹率，為代表連續(xù)變量的禿鷲的下一階段位置，為代表連續(xù)變量的禿鷲的當前位置，為種中確定的最佳禿鷲之一，為禿鷲搜尋的區(qū)域，為第一參數(shù)，和分別表示決策變量的上限和下限，x為增加隨機運動的系數(shù)，為禿鷲種的維度，為第二參數(shù)，為第三參數(shù)，rand、、、均為0到1的隨機數(shù)。
42.step 2：開發(fā)階段。
43.當|f|《1時，與|f|≥1相比，禿鷲相對飽足，它們將在棲息地附近尋食物。對于本算法，開發(fā)階段是局部優(yōu)化，這意味著在解的鄰域中搜索食物。根據(jù)和的參數(shù)，開發(fā)階段分為兩個階段。
44.（1）階段1(0.5≤|f|《1)。
45.此時，禿鷲位置更新的模型為：此時，禿鷲位置更新的模型為：
（2）階段2(0.5》|f|)。
46.此時，禿鷲位置更新的模型為：此時，禿鷲位置更新的模型為：此時，禿鷲位置更新的模型為：此時，禿鷲位置更新的模型為：式中，為禿鷲種的維度，為第二參數(shù)，為第三參數(shù)，為當前第一最佳禿鷲所在的位置，為當前第二最佳禿鷲所在的位置，u和v為d維的隨機數(shù)，、、、和均為0到1的隨機數(shù)。
47.四、離散變量位置更新。
48.本算法運用互補log-log模型函數(shù)來判斷閾值（0/1），方程定義為：對于離散變量，尤其是二進制變量，位置由0和1組成。基于的閾值，的更新位置（即離散型決策變量位置的更新方式采用的禿鷲位置更新的模型）為：位置（即離散型決策變量位置的更新方式采用的禿鷲位置更新的模型）為：其中，為log-log閾值判斷原函數(shù)；為代表離散變量的禿鷲的當前位置；為代表離散變量的禿鷲的下一階段位置；rand為0~1的隨機數(shù)；s為結(jié)合了log-log閾值判斷函數(shù)的0/1離散變量判斷函數(shù)。
49.五、與多目標優(yōu)化耦合。
50.step 1：與帕累托理論耦合。
51.與單目標優(yōu)化不同，多目標優(yōu)化的解不能達到各自目標函數(shù)的最優(yōu)值。僅可以針對不同的對象獲得可能的解集，也稱為帕累托前沿解集。帕累托前沿的概念為：（1）帕累托優(yōu)勢：如果a的兩個目標函數(shù)值小于b的值，則a決定支配b。相反，b決定
支配a。
52.（2）帕累托解集：在搜索空間中，根據(jù)（1）確定的支配關(guān)系，中所有非支配個體形成一個外部存檔集。
53.（3）帕累托最優(yōu)前沿：搜索空間根據(jù)不同目標的最大值和最小值進行網(wǎng)格劃分，同時一個包含目標函數(shù)值的集合為帕累托解集。
54.step 2：與存檔機制耦合。
55.為了獲得帕累托前沿并執(zhí)行多目標優(yōu)化，將存檔機制耦合到優(yōu)化過程中。存檔是存儲非支配帕累托最優(yōu)解的容器。當存檔已滿或最優(yōu)解決方案希望進入存檔時，將根據(jù)以下更新策略更新存檔：（1）拒絕：當新求解方案由至少一個存檔庫數(shù)據(jù)主導時，不允許該解決方案進入存檔。
56.（2）接受：當新求解方案支配至少一個存檔庫數(shù)據(jù)，或者新求解方案和存檔人員都不相互支配時，允許該求解方案進入存檔。
57.（3）刪除：將運行網(wǎng)格機制來重新安排目標空間的分割，以到最擁擠的部分，并在存檔已滿時刪除其中一個數(shù)據(jù)。然后，將新解插入到最不擁擠的段中，以增強最終近似帕累托前沿的多樣性。
58.六、禿鷲領(lǐng)導者選擇策略。
59.應選擇fv和sv來引導其他禿鷲走向搜索空間中有希望的區(qū)域，以搜索接近全局最優(yōu)的解。多目標優(yōu)化的選擇機制不同于單目標非洲禿鷲優(yōu)化算法，因為多目標優(yōu)化中的fv和sv應由帕累托前沿估計。領(lǐng)導者選擇策略選擇搜索空間中最不擁擠的部分，并提供其非支配解之一，如fv或sv。選擇由賭執(zhí)行，每個超立方體的概率如下：其中，c和分別為大于1的常數(shù)和i段中帕累托解的數(shù)量。
60.下面將上述算法應用于多能互補系統(tǒng)。
61.一、建立多能互補系統(tǒng)對應的風-光-水-火聯(lián)合系統(tǒng)調(diào)度模型。
62.（1）構(gòu)建目標函數(shù)。
63.第一目標函數(shù)：聯(lián)合系統(tǒng)運行成本最小。
64.由于多能互補系統(tǒng)中可再生能源和水電不消耗燃料，且水電站的成本主要為建設(shè)成本，簡化起見，在短期調(diào)度時其運行成本常被忽略，故聯(lián)合系統(tǒng)運行成本主要為火電機組的燃煤成本和啟停成本：的燃煤成本和啟停成本：的燃煤成本和啟停成本：
式中，為第一目標函數(shù)，對應多能互補系統(tǒng)的運行成本；n為火電廠的火電機組的數(shù)量；t為時段數(shù)目；為第j臺火電機組在i時段的啟停狀態(tài)，表示機組開啟，表示機組關(guān)閉；為火電機組的啟動成本；為第j臺火電機組在i時段的出力；、、分別為第j臺火電機組的運行成本系數(shù)；表示第j臺火電機組的火電熱啟動成本；表示第j臺火電機組的火電冷啟動成本；為火電最小停機時長，為火電累計停機時長，為冷啟動時長。
65.第二目標函數(shù)：聯(lián)合系統(tǒng)碳排放量最低。可再生能源和水電均為清潔能源，聯(lián)合系統(tǒng)的碳排放主要源于火電廠燃燒燃料。為減緩溫室效應和實現(xiàn)碳中和目標，本發(fā)明考慮聯(lián)合系統(tǒng)的碳排放量最低，即火電廠碳排放量最低：式中，為第二目標函數(shù)，對應多能互補系統(tǒng)的碳排放量；、、分別為第j臺火電機組的碳排放系數(shù)。
66.（2）設(shè)置約束條件。
67.（2.1）設(shè)置系統(tǒng)功率平衡約束。由于電能不具有大量儲存的特性，故多能互補聯(lián)合運行系統(tǒng)應實現(xiàn)供電與負荷需求之間的平衡。不考慮系統(tǒng)網(wǎng)損，系統(tǒng)功率平衡方程為：其中，i為時間尺度（h）；為i時段風電場實際調(diào)度出力（mw）；為i時段光伏電站實際調(diào)度出力（mw）；為i時段水電站出力（mw）；為i時段負荷值（mw）。
68.（2.2）設(shè)置系統(tǒng)旋轉(zhuǎn)備用約束。旋轉(zhuǎn)備用可分為上旋轉(zhuǎn)和下旋轉(zhuǎn)，分別表示發(fā)電輸出和最大/最小可調(diào)功率輸出之間的差異。
[0069]69.其中，為旋轉(zhuǎn)備用容量（mw）。
[0070]
（2.3）設(shè)置新能源（風電和光伏）出力限制約束：（2.3）設(shè)置新能源（風電和光伏）出力限制約束：其中，、分別為風電場、光伏電站最大預測出力（mw）。
[0071]
（2.4）設(shè)置水電站出力限制和水量平衡約束。水電站出力與水輪機流量和水庫庫
容呈非線性關(guān)系，可將其表示為二元二次多項式：容呈非線性關(guān)系，可將其表示為二元二次多項式：式中，為i時段水電站l的出力（mw）；為i時段水電站l的庫容（104m3）；為i時段水電站l的下泄流量（104m3）；為水力發(fā)電系數(shù)，n取1~6。
[0072]
其中：(a)水電站出力限制約束。
[0073]
(b)水電站水量平衡約束。
[0074]
(b1)水庫庫容約束，如下：(b1)水庫庫容約束，如下：(b1)水庫庫容約束，如下：(b1)水庫庫容約束，如下：式中，l為水電站的數(shù)量，、分別為i時段水電站l的最大、最小庫容（104m3），為i+1時段水電站l的入流量（104m3）；為i+1時段水電站l的溢流量（104m3），為i時段水電站l的溢流量（104m3），為上游水庫r在i時刻的流量，為上游水庫r在i時刻的溢流量，為水電站l的末庫容（104m3），為水電站l的初始庫容（104m3），為水電站l的始末庫容比例系數(shù)。
[0075]
(b2)水庫流量約束，如下：（2.5）設(shè)置火電廠出力限制、爬坡速率限制和最小啟停時間約束。
[0076]
(a)火電機組出力限制約束。
[0077]
(b)爬坡速率約束。
[0078]
(c)最小啟停時間約束。
[0079]
其中，、分別為第j臺火電機組出力最小、最大值（mw）；為時間間隔；、分別為第j臺火電機組最大增、減出力速率（mw/h）。
[0080]
二、將上述算法應用于多能互補系統(tǒng)。
[0081]
如圖1所示，多目標混合非洲禿鷲優(yōu)化算法的實現(xiàn)流程圖包括以下步驟：（1）設(shè)置算法參數(shù)。
[0082]
設(shè)置算法的參數(shù)，例如總體大小（即體個數(shù)nv）、最大迭代次數(shù)（ni）、、、、、等。將迭代計數(shù)器的數(shù)量設(shè)置為n=1。
[0083]
（2）種初始化，即隨機生成初始個體。
[0084]
基于、、和的極限，隨機生成決策變量矩陣的初始個體。方程為：的極限，隨機生成決策變量矩陣的初始個體。方程為：的極限，隨機生成決策變量矩陣的初始個體。方程為：的極限，隨機生成決策變量矩陣的初始個體。方程為：其中，rand為隨機數(shù)0~1；為0/1的隨機數(shù)。
[0085]
（3）結(jié)合約束條件進行約束處理。
[0086]
處理風、光、水電和火電機組約束，加速迭代尋優(yōu)。
[0087]
（3.1）處理風光。
[0088]
風光功率輸出在每個時間段受到功率輸出約束的限制，若，則；若，則；若，則；若，則。
[0089]
（3.2）處理水電。
[0090]
水發(fā)的核心約束是水量平衡，流量（q）和水庫容量（v）是水平衡的關(guān)鍵參數(shù)。如果v超過極限，則將偏差量平均分為t部分（）。然后，根據(jù)將q與相加或相減。同時，q也受到功率輸出的限制。往復循環(huán)，直到偏差限制在δ范圍內(nèi)。
[0091]
（3.3）處理火電。
[0092]
(a)根據(jù)爬坡速率約束和最小啟停時間約束確定火電機組狀態(tài)。
[0093]
(b)根據(jù)出力限制約束和爬坡速率約束，與水電約束處理方式相同，通過回溯處理迭代求解出負荷分配情況。
[0094]
（4）計算超約束值并構(gòu)建懲罰函數(shù)。
[0095]
超約束值是現(xiàn)有求解值與約束限制之差的絕對值。然后通過賦予懲罰因子，運用懲罰函數(shù)法建立線性懲罰函數(shù)。
[0096]
（5）種更新。
[0097]
針對所述多能互補系統(tǒng)調(diào)度模型的決策矩陣中的各決策變量，根據(jù)決策變量的類型選擇連續(xù)型決策變量位置更新方式或離散型決策變量位置的更新方式，并進行禿鷲位置的更新；禿鷲位置更新后，計算各個種的適應度值，基于適應度值選擇非支配解，更新帕累托前沿解集。
[0098]
參見圖1，種更新時，根據(jù)適應度值選擇非支配解，根據(jù)禿鷲位置更新策略更新非洲禿鷲的位置和種。
[0099]
（6）判斷當前迭代次數(shù)是否達到預設(shè)的最大迭代次數(shù)；若達到（即n≥ni），則輸出帕累托最優(yōu)解集并選擇最佳折衷解；否則，n=n+1，跳轉(zhuǎn)至步驟（3）。
[0100]
下面對最優(yōu)解選擇進行說明。
[0101]
（1）隸屬度函數(shù)的取值范圍為0~1，目標函數(shù)值越小則對應的隸屬度越大，越符合選擇要求，也符合本發(fā)明算法的選擇規(guī)律。本發(fā)明中采用線性隸屬度函數(shù)：其中，為第j個目標函數(shù)值，，這里由于目標函數(shù)最值無法提前確定，故取計算出的最終的帕累托最優(yōu)解集中各目標函數(shù)的最值作為對應范圍。
[0102]
（2）計算出每個非支配解的隸屬度以及歸一化隸屬度值，計算式如下：，計算式如下：其中，m為非支配解的個數(shù)，z為目標函數(shù)的個數(shù)。
[0103]
（3）計算后選取歸一化隸屬度值最大的解即為最優(yōu)解（best compromise solution，bcs）。
[0104]
為了驗證本發(fā)明的效果，下面結(jié)合應用案例進行說明。
[0105]
參見圖2，針對1風-1光-4水-7火的案例，下面采用控制變量法將本發(fā)明所提的多目標混合非洲禿鷲優(yōu)化算法與mopso、nsga
?ⅲ
、mogwo算法進行對比。由于啟發(fā)式算法的隨機性，所有情況分別進行了10次重復計算，四種算法均其結(jié)果如表1所示。
[0106]
表1 四種算法計算結(jié)果
計算結(jié)果表明：（1）由最小值可知，本發(fā)明所提的多目標混合非洲禿鷲優(yōu)化算法求解的pareto解集可行域更廣闊，表明該算法的搜索能力優(yōu)于另外3種算法；（2）由平均值可知，本發(fā)明所提的多目標混合非洲禿鷲優(yōu)化算法求解的最優(yōu)解優(yōu)于另外3種算法；（3）由標準差可知，本發(fā)明所提的多目標混合非洲禿鷲優(yōu)化算法求解的計算結(jié)果較另外3種算法更為穩(wěn)定。
[0107]
最后所應說明的是，以上具體實施方式僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照實例對本發(fā)明進行了詳細說明，本領(lǐng)域的普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應涵蓋在本發(fā)明的權(quán)利要求范圍當中。
技術(shù)特征：
1.基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，包括：建立風-光-水-火聯(lián)合的多能互補系統(tǒng)調(diào)度模型，所述多能互補系統(tǒng)調(diào)度模型的決策矩陣包括連續(xù)型決策變量和離散型決策變量，所述多能互補系統(tǒng)調(diào)度模型包括目標函數(shù)和約束條件；結(jié)合所述目標函數(shù)和所述約束條件，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解，得到調(diào)度方案。2.根據(jù)權(quán)利要求1所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述目標函數(shù)包括第一目標函數(shù)和第二目標函數(shù)，所述第一目標函數(shù)為所述多能互補系統(tǒng)的運行成本最小，所述第二目標函數(shù)為所述多能互補系統(tǒng)的碳排放量最低。3.根據(jù)權(quán)利要求1所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述約束條件包括：多能互補系統(tǒng)的約束條件、風電約束條件、光伏約束條件、水電約束條件和火電約束條件；所述多能互補系統(tǒng)的約束條件包括系統(tǒng)功率平衡約束和系統(tǒng)旋轉(zhuǎn)備用約束；所述風電約束條件包括風電出力約束；所述光伏約束條件包括光伏出力約束；所述水電約束條件包括水電站出力約束和水量平衡約束；所述火電約束條件包括火電廠出力約束、爬坡速率約束和最小啟停時間約束。4.根據(jù)權(quán)利要求1所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，采用多目標混合非洲禿鷲優(yōu)化算法對所述多能互補系統(tǒng)調(diào)度模型進行求解包括以下步驟：步驟1：設(shè)置算法參數(shù)；步驟2：種初始化；所述種初始化包括隨機生成決策矩陣的初始個體，表示如下：體，表示如下：體，表示如下：體，表示如下：其中，為i時段風電場的實際調(diào)度出力，、分別為風電場的最大、最小預測出力；為i時段光伏電站的實際調(diào)度出力，、分別為光伏電站的最大、最小預測出力；為i時段第l個水電站的下泄流量，、分別為第l個水電站的最大、最小下泄流量；為i時段第j臺火電機組的啟停狀態(tài)，表示機組開啟，表示機組關(guān)閉；rand為0到1的隨機數(shù)，為0或1的隨機數(shù)；步驟3：結(jié)合所述約束條件進行約束處理；步驟4：計算超約束值并構(gòu)建懲罰函數(shù)；步驟5：種更新；所述種更新包括：針對所述多能互補系統(tǒng)調(diào)度模型的決策矩陣中的各決策變量，根
據(jù)決策變量的類型選擇連續(xù)型決策變量位置更新方式或離散型決策變量位置的更新方式，并進行禿鷲位置的更新；禿鷲位置更新后，計算各個種的適應度值，基于適應度值選擇非支配解，更新帕累托前沿解集；其中，所述決策矩陣中的所述連續(xù)型決策變量包括風電場的調(diào)度出力、光伏電站的調(diào)度出力和水電站的下瀉流量，所述決策變量矩陣中的所述離散型決策變量包括火電機組的啟停狀態(tài)；步驟6：判斷當前迭代次數(shù)是否達到預設(shè)的最大迭代次數(shù)；若達到，則輸出帕累托最優(yōu)解集并選擇最佳折衷解；否則，跳轉(zhuǎn)至步驟3。5.根據(jù)權(quán)利要求4所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述步驟1中，所述算法參數(shù)包括種的個數(shù)、最大迭代次數(shù)、第一參數(shù)、第二參數(shù)、第三參數(shù)。6.根據(jù)權(quán)利要求4所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述步驟3中，所述約束處理包括：基于風電出力約束、光伏出力約束分別對每個時間段的風電功率輸出、光伏功率輸出進行約束限制；基于水電站出力約束和水量平衡約束對水電站的流量和庫容進行約束限制；基于爬坡速率約束和最小啟停時間約束確定火電機組的啟停狀態(tài)，基于火電廠出力約束和爬坡速率約束進行負荷分配。7.根據(jù)權(quán)利要求4所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述步驟5中，所述連續(xù)型決策變量位置更新方式包括：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在探索階段，當|f|≥1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|<1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|<1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|<1時，禿鷲位置更新的模型為：在開發(fā)階段，當0.5≤|f|<1時，禿鷲位置更新的模型為：在開發(fā)階段，當|f|<0.5時，禿鷲位置更新的模型為：
式中，為第i只禿鷲的飽腹率，為代表連續(xù)變量的禿鷲的下一階段位置，為代表連續(xù)變量的禿鷲的當前位置，為種中確定的最佳禿鷲之一，為禿鷲搜尋的區(qū)域，為第一參數(shù)，和分別表示決策變量的上限和下限，x為增加隨機運動的系數(shù)，為禿鷲種的維度，為第二參數(shù)，為第三參數(shù)，為當前第一最佳禿鷲所在的位置，為當前第二最佳禿鷲所在的位置，rand、、、、、、、和均為0到1的隨機數(shù)，u和v為d維的隨機數(shù)。8.根據(jù)權(quán)利要求7所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，通過賭的方式選擇種內(nèi)的所述第一最佳禿鷲所在的位置和所述第二最佳禿鷲所在的位置。9.根據(jù)權(quán)利要求4所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述步驟5中，所述離散型決策變量位置的更新方式采用的禿鷲位置更新的模型為：為：式中，為代表離散變量的禿鷲的下一階段位置，為代表離散變量的禿鷲的當前位置，s為結(jié)合了log-log閾值判斷函數(shù)的0/1離散變量判斷函數(shù)，rand為0到1的隨機數(shù)。10.根據(jù)權(quán)利要求4所述的基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，其特征在于，所述步驟5中，更新帕累托前沿解集時，結(jié)合存檔更新策略進行存檔；所述存檔更新策略包括以下情況：拒絕：當新求解方案由至少一個存檔庫數(shù)據(jù)主導時，不允許該解決方案進入存檔；接受：當新求解方案支配至少一個存檔庫數(shù)據(jù)，或者新求解方案和存檔人員都不相互支配時，允許該求解方案進入存檔；刪除：運行網(wǎng)格機制以重新安排目標空間的分割，到最擁擠的部分，并在存檔已滿時刪除其中一個數(shù)據(jù)，然后將新求解方案插入到最不擁擠的段中。
技術(shù)總結(jié)
本發(fā)明屬于電力技術(shù)領(lǐng)域，公開了基于多目標混合非洲禿鷲優(yōu)化算法的多能系統(tǒng)調(diào)度方法，包括建立風-光-水-火聯(lián)合的多能互補系統(tǒng)調(diào)度模型，多能互補系統(tǒng)調(diào)度模型的決策矩陣包括連續(xù)型決策變量和離散型決策變量，多能互補系統(tǒng)調(diào)度模型包括目標函數(shù)和約束條件；結(jié)合目標函數(shù)和約束條件，采用多目標混合非洲禿鷲優(yōu)化算法對多能互補系統(tǒng)調(diào)度模型進行求解，得到調(diào)度方案。本發(fā)明能夠有效解決多能互補系統(tǒng)的復雜協(xié)同優(yōu)化調(diào)度問題，能夠為電力系統(tǒng)多目標調(diào)度運行提供技術(shù)支撐。運行提供技術(shù)支撐。運行提供技術(shù)支撐。
