智能电网下多电源协同优化调度

摘要

随着科技的进步和能源需求的增长，人类对于以石油、煤、天然气等能源为代表的化石能源的需求与日剧增，而这种行为带来了一系列的问题，比如环境污染严重、化石能源枯竭等。从而使得寻找新的清洁可代替能源变得尤为重要。从二十世纪九十年代以来，我们迎来了一个繁盛的新能源开发的时代，其中发展规模最大的是风力发电和光伏发电。
　　近年来，风力发电、光伏发电的容量快速增长，新能源并网问题(NEG)变得越来越有挑战性。大容量的可再生能源接入电网使得电网的稳定性、安全性受到较大的影响，因此电网对新能源的消纳问题变得更加重要，而储能技术的迅速发展为新能源的高效利用带来了新的希望。为了解决以上的问题，建设一个坚强的智能电网变得尤为重要。本文先是简述了智能电网的相关概念，然后阐述了新能源的功率特性，以及火电、水电、储能的相关功率特性，并介绍了各种电源并网所面临的困难，之后提出了一种含有大规模风电、光伏等新能源的多电源协同优化的多目标优化模型，并提出了一种基于多目标遗传粒子群算法的风光储火多源互补的分层协同优化(HCOS)调度方法。以风光储出力最大、广义负荷波动最小、火力发电成本最低为目标函数，通过分层处理实现对非线性、非凸、高维、多约束的复杂优化问题的降维。上层采用多目标遗传算法求解出满足风光储出力最大、广义负荷波动最小且满足约束条件的Pareto最优解，以响应快速、灵活的储能发电空间平抑间歇性能源，平滑广义负荷波动曲线;下层以改进粒子群算法实现火电机组的启停组合优化和负荷分配。仿真实验表明了该算法的有效性。
　　本文主要的创新点是:
　　(1)提出了一种将多目标遗传算法和粒子群优化算法相结合的协同优化调度算法;
　　(2)通过分层协同优化调度实现了对非线性、非凸、高维、多约束、含有离散变量和连续变量的复杂优化问题的降维;
　　仿真结果表明，通过使用本文的分层协同优化算法，可以保证在电力系统在安全稳定运行的前提下，实现风光火储发电的经济性。能够克服大规模风能、太阳能等不确定性能源的随机性、波动性和间歇性对电网的不利影响。

目录

声明

摘要

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 所属研究方向的研究现状与发展趋势

1．2．2 智能电网下多电源协同优化的目标

1．2．3 多种发电方式的特性分析以及模型约束条件

1．2．4 协同优化算法

1．3 本文主要研究内容

第2章 智能电网下发电侧电源相关介绍

2．1 智能电网介绍

2．2 发电侧电源及其并网的相关介绍

2．2．1 风力发电场

2．2．2 光伏电站

2．2．3 储能电站

2．2．4 燃煤火电机组

2．3 本章小结

第3章 智能电网调度中的不确定性分析

3．1 引言

3．2 风电功率和风速之间的关系

3．3 对不确定性风能和光能数据的处理思路

3．4 风电功率的预测

3．4．1 物理方法

3．4．2 统计方法

3．4．3 混合方法

3．5 本章小结

第4章 风光储火多电源协同优化调度建模及优化算法

4．1 机组优化应该考虑的因素

4．1．1 机组煤耗特性

4．1．2 机组启停成本

4．2 风光储火多源互补系统调度模型

4．2．1 目标函数

4．2．2 约束条件

4．3 粒子群优化算法(PSO)进行多电源间协同优化调度

4．4 HCOS算法

4．4．1 算法流程图

4．4．2 计算步骤

第5章 基于遗传粒子群算法的多目标优化调度算法

5．1 基本数据与参数

5．2 HCOS算法运行结果

5．3 PSO算法运行结果

5．4 两种优化算法结果对比

5．5 本章小结

6．1 结论与创新点

6．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢