可再生能源与5G基站的协同选址方法、计算设备

可再生能源与5g基站的协同选址方法、计算设备
技术领域
1.本发明涉及电力系统领域，尤其涉及一种可再生能源与5g基站的协同选址方法、计算设备。


背景技术：

2.近年来，第5代移动通信技术(5g通信)相比于前代技术，具有“海量链路、传输速度快、安全性强、可靠性高等优点，将提供更优秀的通信质量和更丰富的应用场景，推动经济和社会的快速发展。在电力系统，5g通信也凭借其优质的通信性能被应用于电力系统通信，例如需求响应、电动汽车接入、状态估计等，因此5g通信可以作为实现智能电网的一项重要技术。作为保障5g网络覆盖的重要环节，5g基站随着5g通信兴起被广泛建设。2021年我国新增5g基站70.7万。截至目前，我国已建成5g基站142.5万个，随着我国新一轮新基建的建设，预计这一数字在2022年至2025年之间将呈指数级增长。
3.然而，5g基站的功耗是4g基站的两倍或更多，因此随着5g基站的大量建设，用电量需求会成倍上升。而且，我国目前的电力生产仍以化石燃料为主，因此随着5g基站的大量建设，碳的排放量也会成倍上升。
4.基于此，亟需一种可再生能源与5g基站的协同建设方法来解决上述技术问题。


技术实现要素：

5.为此，本发明提供了一种可再生能源与5g基站的协同选址方法、计算设备，以力图解决或者至少缓解上面存在的问题。
6.根据本发明的一个方面，提供一种可再生能源与5g基站的协同选址方法，包括：通过计算待规划区域中由可再生能源与5g基站组成的系统的总年均成本，确定第一目标函数；通过计算系统的碳的日排放量，确定第二目标函数；利用第一目标函数、第二目标函数以及包括系统的规划约束和系统的运行约束的约束条件，构建可再生能源与5g基站的协同选址模型；利用基于分解的多目标进化算法求解协同选址模型，得到待规划区域中可再生能源的各建设地址、容量以及5g基站的各建设地址。
7.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，通过计算待规划区域中由可再生能源与5g基站组成的系统的总年均成本，确定第一目标函数，包括：计算可再生能源的年均投资成本和5g基站的年均投资成本之和，作为系统的年均投资成本；计算系统每日从主电网的购电费用、弃风惩罚费用和电池损耗费用之和，作为系统的日运行成本，并求取其与全年天数的乘积值，作为系统的年运行成本；计算年均投资成本与年运行成本之和，作为总年均成本；以总年均成本最小为目标，生成第一目标函数。
8.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，通过计算系统的碳的日排放量，确定第二目标函数，包括：计算单位煤耗对应的碳排放、主电网中单位发电量对应的煤耗系数和全天运行时段内从主电网购买的总电量的乘积值，作为碳的日排放量，其中，煤耗系数采用区间数表示；以碳的日排放量最小为目标，生成第二目标函数。
9.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，利用基于分解的多目标进化算法求解协同选址模型，包括：将待规划区域中的各建设方案作为一个体，并构建包含多个个体的初始种群，其中，每个建设方案包括可再生能源的各建设地址、容量以及5g基站的各建设地址；确定各个体的第一目标函数区间值和第二目标函数区间值，以及基于系统的所有约束条件，计算各个体的约束违背个数；基于获得的各个体的第一目标函数区间值、第二目标函数区间值、约束违背个数，利用区间切比雪夫聚合函数更新种群，直至迭代结束，得到区间型帕累托前沿；利用区间型优劣解距离法，从获得的区间型帕累托前沿中确定出待规划区域中可再生能源的各建设地址、容量以及5g基站的各建设地址。
10.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，系统的规划约束包括可再生能源的建设数量不超过可再生能源的最大允许建设数量，5g基站的建设数量不超过5g基站的最大允许建设数量。
11.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，系统的运行约束包括5g基站的运行约束和配电网的运行约束，5g基站的运行约束包括路径损耗约束、通信容量约束、通信质量约束、能耗约束、储能电池约束，配电网的运行约束包括节点电压约束、节点有功功率和无功功率潮流约束、节点有功功率和无功功率平衡约束、线路传输功率约束、主电网送入功率约束、风电机组实际功率约束。
12.可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，路径损耗约束包括：
[0013][0014]
式中，pr表示无线传感器接收信号的接收功率，p
t
表示5g基站发射信号的发射功率，表示发射和接收天线场在los(line-of-sight)方向上的辐射图的乘积，λ表示信号波长，d表示5g基站到传感器的水平距离。
[0015]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，通信容量约束包括：
[0016][0017][0018][0019][0020][0021][0022]
式中，r
i,t
表示传感器i在t时刻接收信号的接收速率，表示待规划区域中所有电
力传感器在t时刻的通信吞吐量，表示5g基站n为传感器i在t时刻所分配的带宽，sinr
i,t
表示t时刻传感器i所在处的信噪比，bn表示5g基站n的额定带宽，表示传感器i在t时刻从其所连5g基站n处接收信号的接收功率，表示除5g基站n的其他5g基站在t时刻对传感器i的干扰功率，σ2为热噪声功率，和分别表示待规划区域中所有电力传感器t时刻的通信吞吐量预测值的下界和上界，ωs表示待规划区域中传感器候选位置集合，ω
bs
表示待规划区域中5g基站候选位置集合，ω
t
为运行时段集合。
[0023]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，通信质量约束包括：
[0024]
sinr
i,t
≥γi∈ωs[0025]
式中，γ表示通信服务质量的阈值。
[0026]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，能耗约束包括：
[0027][0028][0029][0030][0031]
式中，表示t时刻5g基站n的总功率，表示t时刻5g基站n运行的静态功耗，δp为与负载动态功耗相关的斜率，表示t时刻5g基站n运行的动态功耗，表示t时刻5g基站n向电力传感器i发射信号的发射功率，表示5g基站n的最大动态功耗。
[0032]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，储能电池约束包括：
[0033][0034][0035][0036][0037][0038]
式中，e
n,t
表示5g基站n的储能电池在t时刻的蓄电量，e
n,t-1
表示5g基站n的储能电池在(t-1)时刻的蓄电量，η
ch
、η
dis
分别表示储能电池的充电、放电效率，表示5g基站n的储能电池在t时刻的充电功率，表示5g基站n的储能电池在t时刻的放电功率，
分别表示5g基站n的储能电池蓄电量的下限和上限，分别表示储能电池在时刻t充、放电状态的状态变量，p
chmax
、p
dismax
分别表示储能电池的最大充、放电功率，δy表示一个运行时段。
[0039]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，节点电压约束包括：
[0040]vimin
≤v
i,t
≤v
imax
i∈ωd[0041]
式中，v
i,t
表示节点i在t时刻的电压幅值，v
imin
、v
imax
分别表示节点i允许的电压最小值、最大值，ωd表示母线集合。
[0042]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，节点有功功率和无功功率潮流约束包括：
[0043][0044]
式中，分别表示时刻t从节点i流向节点j的有功功率和无功功率，g
ij
、b
ij
分别表示节点i到节点j之间的线路对应的电导和电纳，δ
ij,t
表示t时刻节点i和节点j之间的电压相角差，v
j,t
表示节点j在时刻t的电压幅值。
[0045]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，节点有功功率和无功功率平衡约束包括：
[0046][0047]
式中，表示t时刻从主电网购买的电量，分别表示时刻t从节点k流向节点i的有功功率和无功功率，x
i,wt
、x
i,bs
分别表示是否在节点i建设可再生能源和5g基站，取值为1或0，分别表示风电机组i在t时刻的实际有功功率和无功功率，分别表示负荷i在t时刻的有功功率和无功功率，表示5g基站i在t时刻与其所连配电网节点的交换功率，ki表示节点k到节点i之间的线路编号，ω
l
表示配电网中的电力线路集合。
[0048]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，线路传输功率约束包括：
[0049]
[0050]
式中，分别表示线路l在t时刻的有功和无功功率，分别表示线路l有功和无功功率的最大限值。
[0051]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，主电网送入功率约束包括：
[0052][0053]
式中，表示配电网与主电网之间交互功率的最大值。
[0054]
可选地，在根据本发明的可再生能源与5g基站的协同选址方法中，风电机组实际功率约束包括：
[0055][0056][0057]
式中，表示风电机组i在t时刻的实际功率，表示风电机组i在t时刻的预测功率，分别表示风电机组i在t时刻的预测功率下限值和上限值，ω
wt
表示待规划区域中风机候选位置集合。
[0058]
根据本发明的又一个方面，提供一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行根据本发明的可再生能源与5g基站的协同选址方法的指令。
[0059]
根据本发明的又一个方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行根据本发明的可再生能源与5g基站的协同选址方法。
[0060]
根据本发明的可再生能源与5g基站的协同选址方法，对配电网和5g基站集成规划。即，规划可再生能源的同时，合理布局5g基站，以使5g基站和配电网形成交互，如此则可充分利用可再生能源能源进行供电，从而提高电力系统经济性的同时还可以减少碳排放量。并且，本发明在目标函数中保留了目标函数的区间范围，采用考虑约束的自适应参考向量区间多目标进化算法进行求解，这样在求解过程中可以保留所有的不确定信息，从而可准确求得最优规划方案。
附图说明
[0061]
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
[0062]
图1示出了根据本发明一个实施例的计算设备100的结构框图；
[0063]
图2示出了根据本发明一个实施例的可再生能源与5g基站的协同选址方法200的流程图；
[0064]
图3示出了根据本发明一个实施例的5g基站的主要组成设备的示意图；
[0065]
图4示出了根据本发明一个实施例的区间型帕累托前沿的示意图。
具体实施方式
[0066]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0067]
大量5g基站接入所带来的高能耗及高碳排放量，会对系统的经济环境带来极大的挑战。为此，本发明提出可再生能源(res)与5g基站的协同选址方法，根据待规划区域内未来用户用电和电力通信需求，对res和5g基站进行统筹规划，确定res和5g基站的规划方案及最优运行策略。
[0068]
具体地，通过充分挖掘5g基站和配电网的交互特性，来实现含5g基站配电网整体效益的最大化。其中，5g基站与配电网间的交互过程主要包括三方面：(1)动态调整功率。5g基站可以根据系统的通信负载量，进行动态功率控制，调整基站能耗，降低自身用电需求，从而促进整体配电系统的节能降耗和碳减排。此外，也可以通过5g基站动态功率的控制改变配电网中的潮流/电压分布，提高电能输送效率，并降低系统网损。(2)灵活性资源。为保证5g信号的稳定传输，基站中有着不低于其能耗的不间断电源，其能够在运行中与配电网进行友好互动。也就是说，可以利用基站内的储能电池在res出力高峰时段进行充电，从而减少弃风量，而在res发电低谷时段进行放电，减少对外部电网的需求量，能够有效提升分布式电源的利用效率，促进系统碳减排，也能在一定程度上提高经济性。(3)充分考虑通信特性。为保证待规划区域内电力信号的高质量传输，需要时刻保证通信容量约束和通信质量(qos)约束，而对于qos约束，要保证qos不低于一定值，则需要与传感器相连接的基站发射功率不能过低，而干扰基站(不进行信号传输的基站)的传输功率不能过高，因此需要权衡所建基站的个数和基站的发射功率，以保证待规划区域内通信质量的同时能够实现最优规划。
[0069]
基于此，本发明将配电网和5g基站的协同规划问题构建为多目标区间优化模型。其中，为计及各类不确定性因素对规划方案的影响，采用区间呈现不确定性变量，以相互矛盾的系统总规划运行成本和碳排放量为目标，建立5g基站和配电网的集成规划模型，并采用考虑约束的自适应参考向量区间多目标进化算法进行求解。具体而言：
[0070]
1)在规划目标方面，不同于单纯以经济性提升为主的配电网规划，5g基站与res协同规划一方面保证配电运行商(dso)的经济性，尽可能降低系统整体投资和运行成本，另一方面还最大程度地提高对待规划区域内res资源的利用，以促进电力系统碳中和的实现，即同时兼顾经济和环境两个不同的优化目标。
[0071]
2)在规划要素方面，5g基站与res协同规划需要充分考虑5g基站和配电网的交互过程，相关要素的加入将使问题在优化变量维度方面显著扩大，同时，由于5g基站为信息物理耦合设备，一方面5g基站由电网供电，另一方面5g基站为配电网提供高质量通信服务，所以在规划中综合考虑系统运行安全、供电质量、通信负载需求以及通信qos等多方面约束限制，以确保系统物理域和信息域能够协调高效运行。
[0072]
3)在不确定性方面，5g基站与res协同规划需要决策最优运行策略，对5g基站与配电网互动潜力的挖掘与资源集成，实现二者的协同增效。在实际运行中，随着环境和运行工况的改变，res出力、通信负载和主网购电量的煤耗系数存在着明显的不确定性。因此，本发明采用区间数来表示不确定性变量，建立区间优化模型，以获得最优规划方案。
[0073]
4)在求解方面，区间优化需要对区间数进行比较。基于此，本发明采用考虑约束的自适应参考向量区间多目标进化算法进行求解，该算法考虑模型中的各类约束，并在求解过程中保留目标函数的不确定性信息。首先，针对模型中的大量约束，采用约束和目标分离的方法，分别考虑约束和目标函数，并提出违背约束个数的概念，以选择可行域内的解；其次，基于参考超体使用区间值切比雪夫聚合函数进行种群更新；再综合考虑各类区间序关系，采用区间个体集成比较策略，对区间值进行比较，以确保区间值比较的合理性；最后采用基于区间拥挤距离的自适应参考向量调整策略，根据前沿的稠密性调整参考向量，以提高种群在帕累托(pareto)前沿上的分布性。
[0074]
根据本发明的一个实施例，上述res与5g基站的协同选址方法可以通过一个或多个计算设备来执行。图1示出了计算设备100的物理组件(即，硬件)的框图。在基本配置中，计算设备100包括至少一个处理单元102和系统存储器104。根据一个方面，取决于计算设备的配置和类型，处理单元102可以实现为处理器。系统存储器104包括但不限于易失性存储(例如，随机存取存储器)、非易失性存储(例如，只读存储器)、闪速存储器、或者这样的存储器的任何组合。根据一个方面，系统存储器104中包括操作系统105和程序模块106，程序模块106中包括协同选址模块120，协同选址模块120被配置为执行本发明的可再生能源与5g基站的协同选址方法200。
[0075]
根据一个方面，操作系统105例如适合于控制计算设备100的操作。此外，示例结合图形库、其他操作系统、或任何其他应用程序而被实践，并且不限于任何特定的应用或系统。在图1中通过在虚线108内的那些组件示出了该基本配置。根据一个方面，计算设备100具有额外的特征或功能。例如，根据一个方面，计算设备100包括额外的数据存储设备(可移动的和/或不可移动的)，例如磁盘、光盘、或者磁带。这样额外的存储在图1中是由可移动存储109和不可移动存储110示出的。
[0076]
如在上文中所陈述的，根据一个方面，在系统存储器104中存储有程序模块。根据一个方面，程序模块可以包括一个或多个应用程序，本发明不限制应用程序的类型，例如应用程序可以包括：电子邮件和联系人应用程序、文字处理应用程序、电子表格应用程序、数据库应用程序、幻灯片展示应用程序、绘画或计算机辅助应用程序、网络浏览器应用程序等。
[0077]
根据一个方面，可以在包括分立电子元件的电路、包含逻辑门的封装或集成的电子芯片、利用微处理器的电路、或者在包含电子元件或微处理器的单个芯片上实践示例。例如，可以经由其中在图1中所示出的每个或许多组件可以集成在单个集成电路上的片上系统(soc)来实践示例。根据一个方面，这样的soc设备可以包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元、以及各种应用功能，其全部作为单个集成电路而被集成(或“烧”)到芯片基底上。当经由soc进行操作时，可以经由在单个集成电路(芯片)上与计算设备100的其他组件集成的专用逻辑来对在本文中所描述的功能进行操作。还可以使用能够执行逻辑操作(例如and、or和not)的其他技术来实践本发明的实施例，所述其他技术包括
但不限于机械、光学、流体、和量子技术。另外，可以在通用计算机内或在任何其他任何电路或系统中实践本发明的实施例。
[0078]
根据一个方面，计算设备100还可以具有一个或多个输入设备112，例如键盘、鼠标、笔、语音输入设备、触摸输入设备等。还可以包括输出设备114，例如显示器、扬声器、打印机等。前述设备是示例并且也可以使用其他设备。计算设备100可以包括允许与其他计算设备118进行通信的一个或多个通信连接116。合适的通信连接116的示例包括但不限于：rf发射机、接收机和/或收发机电路；通用串行总线(usb)、并行和/或串行端口。
[0079]
如在本文中所使用的术语计算机可读介质包括计算机存储介质。计算机存储介质可以包括以任何用于存储信息(例如，计算机可读指示、数据结构、或程序模块)的方法或技术来实现的易失性的和非易失性的、可移动的和不可移动的介质。系统存储器104、可移动存储109、和不可移动存储110都是计算机存储介质的示例(即，存储器存储)。计算机存储介质可以包括随机存取存储器(ram)、只读存储器(rom)、电可擦只读存储器(eeprom)、闪速存储器或其他存储器技术、cd-rom、数字通用盘(dvd)或其他光存储、盒式磁带、磁带、磁盘存储器或其他磁存储设备、或者可用于存储信息并且可以由计算机设备100访问的任何其他制品。根据一个方面，任何这样的计算机存储介质都可以是计算设备100的一部分。计算机存储介质不包括载波或其他经传播的数据信号。
[0080]
根据一个方面，通信介质是由计算机可读指令、数据结构、程序模块、或者经调制的数据信号(例如，载波或其他传输机制)中的其他数据实施的，并且包括任何信息传递介质。根据一个方面，术语“经调制的数据信号”描述了具有一个或多个特征集或者以将信息编码在信号中的方式改变的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接之类的有线介质，以及诸如声学、射频(rf)、红外线的、以及其他无线介质之类的无线介质。
[0081]
图2示出了根据本发明一个实施例的可再生能源与5g基站的协同选址方法，方法200适于在计算设备(例如图1所示的计算设备100)中执行。如图2所示，该方法200始于210。在210中，通过计算待规划区域中由可再生能源与5g基站组成的系统的总年均成本，确定第一目标函数。
[0082]
其中，5g基站包含宏基站和微基站，宏基站用于广域覆盖，微基站用于室内补盲。宏基站的功耗和碳排放量要比微基站高得多，因此本实施例主要研究5g宏基站，即本实施例中的5g基站是指5g宏基站。5g宏基站的主要设备组成如图3所示，主要由通信设备和电力设备两方面组成。其中，前者主要包括有源天线单元(aau)、基带处理单元(bbu)，后者主要包括配电网接入电源、储能电池、空调和冷却风扇。另外，在一些实施例中，可再生能源可以包括风能、太阳能、水能、地热能等，对此本发明不作限定。
[0083]
根据本发明的一个实施例，由所构建的可再生能源与5g基站组成的系统总年均成本主要由投资成本和运行成本构成，因此，第一目标函数可以通过如下方式确定。
[0084]
第一步，计算可再生能源的年均投资成本和5g基站的年均投资成本之和，作为系统的年均投资成本。
[0085]
其中，系统投资成本一般是指购买res单元和5g基站的资金，而res的成本主要取决于机组的额定功率，5g基站的成本则相对固定，仅与其安装数量有关，因此，在一些实施例中，系统的年均投资成本c
inv
可以通过下式获取：
[0086][0087][0088][0089]
式中，θw、θ
bs
分别表示res和5g基站的年化系数，cw表示每单位功率风电的投资费用，表示可再生能源i的额定功率，c
bs
表示一个5g基站的投资费用，n
bs
表示5g基站在待规划区域中的安装数量，yw、y
bs
分别表示res和5g基站的估计寿命，以年为单位，i
rw
、ir
bs
分别表示res和5g基站的利率。
[0090]
第二步，计算系统每日从主电网的购电费用、弃风惩罚费用和电池损耗费用之和，作为系统的日运行成本，并求取其与全年天数的乘积值，作为系统的年运行成本。
[0091]
在此说明一下，随着风电等可再生能源大规模并网，运行过程中常会出现弃风现象。为减少这些现象的发生，促进可再生能源的消纳，本实施例将弃风惩罚成本纳入了运行成本。而且，5g基站内储能电池在参与电网交互过程中，电池会经常性地充放电，这会给电池的寿命带来极大损伤，因此本实施例将电池损耗费用也纳入了运行成本。
[0092]
具体地，在一些实施例中，系统的日运行成本c
op
可以表示为：
[0093]cop
＝c
elec
+c
waste
+c
de
[0094]
式中，c
elec
、c
waste
和c
de
分别表示系统每日从主电网的购电费用、弃风惩罚费用和电池损耗费用。
[0095]
其中，系统每日从主电网的购电费用可通过实时电价乘以该时刻从主电网购买的电量来计算，如下式：
[0096][0097]
式中，ω
t
表示运行时段集合，进一步讲，表示的是一天的运行时段集合，表示t时刻的电价，表示t时刻从主电网购买的电量。
[0098]
系统每日的弃风惩罚费用可通过下式获取：
[0099][0100]
式中，κ表示弃风惩罚系数，表示风电机组i在t时刻的预测功率，表示风电机组i在t时刻的实际功率，ω
wt
表示待规划区域中风机候选位置集合。
[0101]
系统每日的电池损耗费用可基于每次交互过程中的充、放电功率来获取，如下式：
[0102][0103]
式中，σ
ch
、σ
dis
分别表示5g基站内储能电池充、放电对应的损耗系数，分别表示5g基站i中储能电池在t时刻的充、放电功率，ω
bs
表示待规划区域中5g基站候选位置集合。
[0104]
另外，在通过将系统的日运行成本与全年天数相乘获取系统的年运行成本时，可将全年天数的取值设定为365，即系统的年运行成本为365
·cop
。
[0105]
第三步，计算年均投资成本与年运行成本之和，作为总年均成本。
[0106]
第四步，以总年均成本最小为目标，生成第一目标函数。其中，基于上述描述，可以将第一目标函数表示为：
[0107]
min f1＝c
inv
+365
·cop
[0108]
式中，f1表示系统的总年均成本，c
inv
表示系统的年均投资成本，c
op
表示系统的日运行成本。
[0109]
至此，便得到了第一目标函数。接下来，进入220，通过计算系统的碳的日排放量，确定第二目标函数。其中，碳排放量的主要来源为主电网购电量，因此，在一些实施例中，可通过如下方式确定第二目标函数。
[0110]
首先，计算单位煤耗对应的碳排放、主电网中单位发电量对应的煤耗系数和全天运行时段内从主电网购买的总电量的乘积值，作为碳的日排放量。考虑到在实际情况中从外部电网(即主电网)购买的电量可能来自于不同煤耗的火电机组，并不总是来自于同一火电机组，而且即使来自于同一火电机组，在不同的运行工况下其煤耗量也不同。基于此，本实施例将外部电网单位发电量对应的煤耗系数处理为了一个不确定性变量，采用区间数表示，即煤耗系数采用区间数表示。进一步地，在一些实施例中，可以将主电网中单位发电量对应的煤耗系数表示为：
[0111]
φi＝[φ-,φ
+
]
[0112]
式中，φi表示主电网中单位发电量对应的煤耗系数，φ-、φ
+
分别表示主电网中单位发电量对应的煤耗系数的下限值和上限值。
[0113]
然后，以碳的日排放量最小为目标，生成第二目标函数。具体地，可以将第二目标函数表示为：
[0114][0115]
式中，f2表示系统的碳的日排放量，ε表示单位煤耗对应的碳排放，φi表示主电网中单位发电量对应的煤耗系数。
[0116]
至此，便获得了总成本最小和碳排放量最小的目标函数。进一步地，根据本发明的一个实施例，还建立了与目标函数对应的约束条件，包括系统的规划约束和系统的运行约束。
[0117]
其中，系统的规划约束包括可再生能源的建设数量不超过可再生能源的最大允许建设数量，5g基站的建设数量不超过5g基站的最大允许建设数量。具体地，在一些实施例
中，规划约束条件——可再生能源的建设数量不超过可再生能源的最大允许建设数量可通过下式表示：
[0118]
0≤nw≤n
wt_max
[0119][0120]
x
i,wt
∈{0,1}
[0121]
式中，nw表示res在待规划区域中的建设数量，n
wt_max
表示res的最大允许建设数量，即系统所允许安装res的最大数量，x
i,wt
表示是否在节点i规划res，若规划，则x
i,wt
取1，若不规划则取0，即x
i,wt
的取值为1或0。
[0122]
规划约束条件——5g基站的建设数量不超过5g基站的最大允许建设数量可通过下式表示：
[0123]
0≤n
bs
≤n
bs_max
[0124][0125]
x
i,bs
∈{0,1}
[0126]
式中，n
bs
表示5g基站在待规划区域中的建设数量，n
bs_max
表示5g基站的最大允许建设数量，即系统所允许安装5g基站的最大数量，x
i,bs
表示是否在节点i规划5g基站，若规划，则x
i,bs
取1，若不规划则取0，即x
i,bs
的取值为1或0。
[0127]
上述为系统的规划约束，下面对系统的运行约束进行说明。其中，系统的运行约束可以包括5g基站的运行约束和配电网的运行约束。具体地，5g基站的运行约束可以包括路径损耗约束、通信容量约束、通信质量约束、能耗约束、储能电池约束等。配电网的运行约束可以包括节点电压约束、节点有功功率和无功功率潮流约束、节点有功功率和无功功率平衡约束、线路传输功率约束、主电网送入功率约束、风电机组实际功率约束等。
[0128]
接下来，对各个运行约束条件一一进行说明。
[0129]
1)路径损耗约束
[0130]
5g基站通过天线以一定的发射功率传输5g信号，信号在介质中传播后，由远方的无线传感器接收。其中，5g基站的发射功率与传感器的接受功率之间存在着一定关系，在理想条件下，无线传感器接收到的信号功率和基站发射功率与两者之间距离的平方成反比关系，因此，在一些实施例中，路径损耗约束包括：
[0131][0132]
式中，pr表示无线传感器接收信号的接收功率，p
t
表示5g基站发射信号的发射功率，表示发射和接收天线场在los(line-of-sight)方向上的辐射图的乘积，λ表示信号波长，d表示5g基站到传感器的水平距离。
[0133]
2)通信容量约束
[0134]
系统中5g基站所提供的通信容量需实时满足区域内所有传感器所需的吞吐量
(user throughput)，因此需要对容量进行规划，使得区域内通信容量满足需求。为了满足覆盖区域内的所有电力传感器的吞吐量需求，所有基站的传输数据的总和需大于所有电力传感器的吞吐量：
[0135][0136]
式中，r
i,t
表示传感器i在t时刻接收信号的接收速率，表示待规划区域中所有电力传感器在t时刻的通信吞吐量，即t时刻所有电力传感器通信吞吐量的总和，ωs表示待规划区域中传感器候选位置集合。
[0137]
其中，依据香农公式，无线传感器传输速率与传输信号的通道带宽及该处信噪比有关，因此电力传感器的传输速率可通过下式获取：
[0138][0139][0140][0141]
式中，表示5g基站n为传感器i在t时刻所分配的带宽，sinr
i,t
表示t时刻传感器i所在处的信噪比，bn表示5g基站n的额定带宽，即5g基站n在t时刻为其所供应的各传感器(覆盖的各传感器)所分配的带宽的和不能超过5g基站n的额定带宽，ω
bs
表示待规划区域中5g基站候选位置集合。
[0142]
信噪比是接收到的有效信号强度与干扰强度的比值，有效信号是指传感器从接入5g基站中获得的信号，干扰信号是不与该传感器相连接的基站对传感器的信号和热噪声信号，因此t时刻传感器i所在处的信噪比可通过下式获取：
[0143][0144]
式中，表示传感器i在t时刻从其所连5g基站n处接收信号的接收功率，表示除5g基站n的其他5g基站在t时刻对传感器i的干扰功率，σ2为热噪声功率。
[0145]
另外，由于电力传感器的吞吐量需求随着运行条件、气象条件等的改变而变化，因此通信吞吐量是一个不确定性变量，基于此，本发明通过一个区间量来描述电力传感器的吞吐量，具体如下：
[0146][0147]
式中，和分别表示待规划区域中所有电力传感器t时刻的通信吞吐量预测值的下界和上界。
[0148]
3)通信质量约束
[0149]
在进行上述容量规划后，5g基站已满足无线信号覆盖区域内的容量需求，但并不
能保证提供优质的服务质量(qos)，因此还需满足一定的qos需求。本发明采用信噪比sinr作为通信qos的评价指标。其中，基于信噪比是用户接收所连基站的接收功率与其他基站的干扰功率之比可知，sinr越大，通信质量越好。因此，为了保证无线传感器的通信质量，覆盖区域内通信链路的sinr要大于满足qos的阈值，具体如下：
[0150]
sinr
i,t
≥γi∈ωs[0151]
式中，γ表示通信服务质量的阈值。
[0152]
4)能耗约束
[0153]
5g基站的能耗包括静态功耗和动态功耗2个方面。其中，静态功耗是指与业务负载和输出传输功率无关的能量需求，主要由电源系统、bbu基带单元信号处理和冷却系统的固定损耗组成，动态功耗是指与5g业务负载有关的能量需求，其随通信负载的变化而变化。在一些实施例中，单个5g基站的能耗约束可以包括：
[0154][0155][0156][0157][0158]
式中，表示t时刻5g基站n的总功率，表示t时刻5g基站n运行的静态功耗，δp为与负载动态功耗相关的斜率，表示t时刻5g基站n运行的动态功耗，表示t时刻5g基站n向电力传感器i发射信号的发射功率，表示5g基站n的最大动态功耗。
[0159]
5)储能电池约束
[0160]
为了保证5g基站的稳定运行，防止电网故障导致基站通信受损，5g基站内一般会配有超出其自身功率的储能电池。这些储能电池能够参与电网交互，从而能够降低运行费用、提高系统安全性，并降低系统碳排放。在一些实施例中，储能电池的主要约束如下：
[0161][0162][0163][0164][0165][0166]
式中，e
n,t
表示5g基站n的储能电池在t时刻的蓄电量，e
n,t-1
表示5g基站n的储能电池在(t-1)时刻的蓄电量，η
ch
、η
dis
分别表示储能电池的充电、放电效率，表示5g基站n的储能电池在t时刻的充电功率，表示5g基站n的储能电池在t时刻的放电功率，
分别表示5g基站n的储能电池蓄电量的下限和上限，分别表示储能电池在时刻t充、放电状态的状态变量，p
chmax
、p
dismax
分别表示储能电池的最大充、放电功率，δt表示一个运行时段，即从(t-1)时刻至t时刻的时长，在一些实施例中，可以设定为1h。
[0167]
6)节点电压约束
[0168]
为确保含5g基站的配电网安全运行，各个节点的电压应维持在一定范围，如下：
[0169]vimin
≤v
i,t
≤v
imax i∈ωd[0170]
式中，v
i,t
表示节点i在t时刻的电压幅值，v
imin
、v
imax
分别表示节点i允许的电压最小值、最大值，ωd表示母线集合，即待规划区域中节点候选位置集合。
[0171]
7)节点有功功率和无功功率潮流约束，包括：
[0172][0173]
式中，分别表示时刻t从节点i流向节点j的有功功率和无功功率，g
ij
、b
ij
分别表示节点i到节点j之间的线路对应的电导和电纳，δ
ij,t
表示t时刻节点i和节点j之间的电压相角差，v
j,t
表示节点j在时刻t的电压幅值，节点j表示与节点i相连的节点。
[0174]
8)节点有功功率和无功功率平衡约束
[0175]
为确保含5g基站的配电网的运行安全性，需考虑每一个节点的有功功率和无功功率的平衡约束，如下：
[0176][0177]
式中，表示t时刻从主电网购买的电量，分别表示时刻t从节点k流向节点i的有功功率和无功功率，x
i,wt
、x
i,bs
分别表示是否在节点i建设可再生能源和5g基站，取值为1或0，分别表示风电机组i在t时刻的实际有功功率和无功功率，分别表示负荷i在t时刻的有功功率和无功功率，表示5g基站i在t时刻与其所连配电网节点的交换功率，ki表示节点k到节点i之间的线路编号，ω
l
表示配电网中的电力线路集合。
[0178]
9)线路传输功率约束
[0179]
对于系统中各条线路的传输功率，需要满足容量上限约束，具体如下：
[0180]
[0181]
式中，分别表示线路l在t时刻的有功和无功功率，分别表示线路l有功和无功功率的最大限值。
[0182]
10)主电网送入功率约束
[0183]
由主电网送入的功率应满足功率限值，如下：
[0184][0185]
式中，表示配电网与上级电网(即主电网)之间交互功率的最大值。
[0186]
11)风电机组实际功率约束，包括：
[0187][0188]
式中，表示风电机组i在t时刻的实际功率，表示风电机组i在t时刻的预测功率，ω
wt
表示待规划区域中风机候选位置集合。
[0189]
其中，由于外部环境的随机性和波动性，风电机组的预测功率存在不确定性。为了准确表示风电预测功率的不确定性，本发明采用区间数来描述风电机组的预测功率，具体如下：
[0190][0191]
式中，分别表示风电机组i在t时刻的预测功率下限值和上限值。
[0192]
另外，对于系统中的5g基站而言，其与电网进行互动的过程中需满足功率的实时平衡，因此，在一些实施例中，约束条件还可以包括5g基站与配电网互动约束，具体可以表示为：
[0193][0194]
式中，表示5g基站n在t时刻与其所连配电网节点的交换功率。
[0195]
至此，便获得了第一目标函数、第二目标函数，以及与目标函数对应的约束条件。随后，进入230，利用第一目标函数、第二目标函数以及包括系统的规划约束和系统的运行约束的约束条件，构建可再生能源与5g基站的协同选址模型。
[0196]
该协同选址模型以系统的总年均成本最小(也就是系统的总成本最小)、以及系统碳的日排放量最小为目标，并考虑了包括系统的规划约束和系统的运行约束的约束条件，从而可以保证电力系统经济低碳运行。
[0197]
随后，进入240，利用基于分解的多目标进化算法求解协同选址模型，得到待规划区域中可再生能源的各建设地址、容量、5g基站的各建设地址以及系统的运行策略。
[0198]
根据本发明的一个实施例，可以通过如下方式来基于分解的多目标进化算法求解协同选址模型。
[0199]
首先，将待规划区域中的各建设方案作为一个体，并构建包含多个个体的初始种群，其中，每个建设方案包括可再生能源的各建设地址、容量、5g基站的各建设地址以及系统的运行策略。另外，在一些实施例中，在该步骤之前，还包括初始化cimoea/d算法参数、系统元件(包括配电网、5g基站、可再生能源)的相关参数(具体可参见上述目标函数与约束条
件中描述的各参数)，以及不确定参数的预测区间。
[0200]
然后，确定各个体的第一目标函数区间值和第二目标函数区间值，以及基于系统的所有约束条件，计算各个体的约束违背个数。
[0201]
接着，基于获得的各个体的第一目标函数区间值、第二目标函数区间值、约束违背个数，利用区间切比雪夫聚合函数更新种群，直至迭代结束，得到区间型帕累托前沿。由于多目标区间优化的目标函数值是区间，因此所得到的pareto前沿是由多个矩形或超立方体组成的，如图4。
[0202]
最后，利用区间型优劣解距离法，从获得的区间型帕累托前沿中确定出待规划区域中可再生能源的各建设地址、容量、5g基站的各建设地址以及系统的运行策略。
[0203]
其中，根据本发明的一个实施例，利用区间切比雪夫聚合函数更新种群具体可以包括如下步骤。
[0204]
第一步，计算每两个权重向量之间的欧几里德距离，并确定与每个权重最近的t个权重向量，以形成邻居矩阵。
[0205]
第二步，构建参考超体，具体地，可以将pareto前沿上边界在每个目标上的最小值构成的点与下边界在每个目标上的最小值构成的点为顶点所构成的超体称为参考超体。其中，上述两个点分别称为上参考点和下参考点。如图4，其中的则为参考超体，和z＝(z1,z2)分别为上下参考点。显然，若两个目标函数为一个确定数，则参考超体变成参考点，也就是传统意义上的pareto前沿。
[0206]
第三步，对于每个种群xf,f＝1,2,
…
,n，从它们的邻域矩阵中随机选择三个元素k1,k2,k3(k1≠k2≠k3≠f)，并使用差分进化算子和变异算子从生成新的个体y，其中，n为个体的个数。
[0207]
第四步，计算新个体y的约束违背个数。
[0208]
第五步，更新参考超体。即，参考超体会随着进化代数更新。
[0209]
第六步，通过比对新个体与邻域中个体的约束违背数、由第一目标函数区间值、第二目标函数区间值形成的区间型切比雪夫聚合函数，更新种群，直至达到最大迭代次数。
[0210]
其中，在利用区间值切比雪夫聚合函数更新邻域个体时，需比较两个个体的目标函数区间值大小，从而得出个体的优劣关系。为了全面客观地对区间值进行比较，减少主观选择对比较结果的影响，本发明采用区间个体集成比较策略。具体地：针对第一区间值ai和第二区间值bi，采用基于上下界的区间偏序关系、基于中点和宽度的区间偏序关系、基于置信度下界的区间偏序关系、基于改进置信度下界的区间偏序关系、基于最大间隔置信度下界的区间偏序关系(采用两种不同计算距离的方式)以及基于区间概率支配关系的区间偏序关系七种区间偏序关系，综合评价区间值ai和bi。其中，采用任一种区间偏序关系比较ai和bi时，比较结果可能为以下三种情况：(1)区间ai小于区间bi，记作ai《
inbi
；(2)区间bi小于区间ai，记作bi《
inai
；(3)区间ai与bi不能比较，记作ai||
inbi
。在得到7种区间偏序关系比较结果后，根据三种情况的出现次数，选择出现次数最多的作为两个区间函数值的关系。在此需说明的是，如果出现次数最多的为ai||
inbi
，则区间值ai和bi都保留。
[0211]
下面通过一个示例来说明所采用的区间个体集成比较策略，其中，两个区间值分别为ai＝[2,6]和bi＝[0,10]。具体地，采用7种区间偏序关系对其进行比较，其中有3个区间
偏序关系(r2，r3和r7)的比较结果是ai《
inbi
，有2个区间偏序关系(r5和r6)的比较结果是bi《
inai
，有2个区间偏序关系(r1和r4)的比较结果是ai||
inbi
，如此，则判定区间ai优于个体bi。从上述示例可以发现，不同的区间偏好关系得到的比较结果可能是不同的，甚至完全相反。因此，本发明使用的区间个体集成比较策略可以综合全面地评估区间目标值的关系，从而可以减小主观选择区间偏序关系对结果的影响，以得到更为准确的区间比较结果。
[0212]
在此，再说明两点。其一，由第一目标函数区间值、第二目标函数区间值形成的区间型切比雪夫聚合函数可以表示为：
[0213][0214]
式中，ri(x)为权重向量，z为参考超体，zi为参考超体的第i个分量，m为种群数。
[0215]
其二，关于最大迭代次数，本发明不作限定，在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。
[0216]
另外，根据上述描述可知，协同选址模型为带有大量约束的多目标区间优化模型，基于此，本发明采用考虑约束的个体选择策略，将其与区间多目标进化算法结合，来求解带有大量约束的5g基站和res协同规划问题。
[0217]
采用进化算法求解约束优化问题的核心在于约束处理技术，而平衡约束条件和目标函数是设计约束处理技术的关键。基于此，本发明采用约束与目标分离的方法来处理模型中的约束。主要原则为，对于模型中的两个候选解xi和xj，当出现以下三种情况时：
[0218]
(1)xi是可行解，而xj是不可行解；
[0219]
(2)xi和xj都是不可行解，但xi的约束违反程度比xj小；
[0220]
(3)xi和xj都是可行解，且xi的目标函数优于xj；
[0221]
则xi优于xj。即，针对两个不同的候选解xi和xj，若两者都可行，即两个候选解的约束违背个数都为0(即违背约束条件的个数为0)，则比较它们的目标函数，若存在不可行的候选解，则优先选择约束违背个数少的候选解。
[0222]
至此可见，本发明采用的是考虑约束的自适应参考向量区间多目标进化算法进行求解。首先，基于违背约束个数，选择可行域内的解；接着，基于参考超体采用区间值切比雪夫聚合函数进行种群更新；然后，再综合考虑各类区间序关系，采用区间个体集成比较策略对区间值进行比较；最后，采用自适应参考向量调整策略提高种群在pareto前沿上的分布性。
[0223]
为了便于理解本发明，下述给出了约束违背个数计算、考虑约束的个体选择策略以及基于imoea/d算法确定最优res位置和容量、5g基站位置、系统最优运行策略的示例性代码：
[0224]
约束违背个数计算
[0225]
输入:非支配解集xn；模型约束
[0226]
输出:非支配解集xn约束违背个数h(n,t)
[0227]
1:for n＝1:n
[0228]
2:if xn不是可行解
[0229]
3:计算xn违背约束个数h(n,t)
[0230]
4:else h(n,t)＝0
[0231]
5:end if
[0232]
6:end for
[0233]
考虑约束的个体选择策略
[0234]
输入:非支配解集xn，新个体y，邻域b(j)，邻域大小t，非支配解集xn约束违背个数h(n,t)
[0235]
新个体约束违背个数h(y,t)
[0236]
输出:非支配解集xn[0237]
1:for m∈b(j)
[0238]
2:if h(y,t)＜h(xm,t)
[0239]
3:xm＝y
[0240]
4:else if h(y,t)＝h(xm,t)
[0241]
5:if g(y|λm,z)＜
in
g(xm|λm,z)
[0242]
6:xm＝y
[0243]
7:end if
[0244]
8:end if
[0245]
9:end for
[0246]
imoead
[0247]
输入:进化代数gen；邻域大小t；种群大小n；参考向量调整周期代数time
[0248]
输出:最优种群p
[0249]
1:种群初始化：初始化种群p0，参考超体z：参考向量rv
←
{r1；r2；
…
；rn},邻域矩阵bn×
t
[0250]
违背约束个数hn×
gen
[0251]
2:for t＝1:gen
[0252]
3:计算种群约束违背个数
[0253]
4:for j＝1:n[0254]
5:随机从b(j)中选择3个父代x1,x2,x3生成子代y
[0255]
6:计算新个体y违背约束个数h(y,t)
[0256]
7:更新参考超体z
[0257]
8:计算考虑约束的个体选择策略
[0258]
9：自适应参考向量调整策略
[0259]
10：if mod(t，time)＝＝0and t＜gen
[0260]
11
：删除前[n/10]稠密个体对应的参考向量，并在稀疏个体对应参考向量之间
[0261]
12：插入新的参考向量
[0262]
13：更新邻域矩阵bn×
t
[0263]
14：end if
[0264]
15：end for
[0265]
16：end for
[0266]
最后，对区间数以及上述涉及的7种区间偏序关系进行一下说明。
[0267]
区间数
[0268]
区间数定义了随机变量的左右极限范围，如下式：
[0269]ai
＝[a
l
，ar]＝(a|a
l
≤a≤ar}
[0270]
其中，a
l
为区间数ai的下界，ar为区间数ai的上界。当a
l
＝ar时，ai为一个确定性实数，所以实数可以看作是区间数的一种特殊形式。
[0271]
假定μ为常数，区间数ai的标量乘法和扩展加减乘法定义如下：
[0272][0273]ai
+bi＝[a
l
，ar]+[b
l
，br]＝[a
l
+b
l
，ar+br]
[0274]ai-bi＝[a
l
，ar]-[b
l
，br]＝[a
l-b
l
，a
r-br]
[0275]ai
×bi
＝[a
l
，ar]
×
[b
l
，br]
[0276]
＝[min(a
lbl
，a
lbr
，a
rbl
，a
rbr
)，max(a
lbl
，a
lbr
，a
rbl
，a
rbr
)]
[0277]
对于一个区间数ai，其中点和宽度如下：
[0278]
m(ai)＝(a
l
+ar)/2；w(ai)＝a
r-a
l
[0279]
其中，m(ai)表示区间数的中点，w(ai)表示区间数的宽度。
[0280]
区间偏序关系
[0281]
对于两个区间ai＝[a
l
，ar]和bi＝[b
l
，br]，下述给出7种区间偏序关系：
[0282]
(1)基于上下界的区间偏序关系
[0283][0284]
(2)基于中点和宽度的区间偏序关系
[0285][0286]
如果区间ai，bi满足上式右侧关系，则称区间ai优于bi，反之则称bi优于ai；否则，称区间ai和bi是不可比较的，记为ai||
inbi
，上述区间序关系(1)和(2)分别记为r1和r2。
[0287]
(3)基于置信度下界的区间偏序关系
[0288]
区间置信水平p(ai≤bi)定义如下：
[0289][0290]
(4)基于改进置信度下界的区间偏序关系
[0291]
对于区间ai和bi，其相对差异定义如下：
[0292]
δp(ai，bi)＝[m(bi)-m(ai)]-(a
l-b
l
)
[0293]
则改进的区间置信水平p(ai≤bi)定义如下：
[0294][0295]
(5)基于最大间隔置信度下界的区间偏序关系
[0296]
对于区间ai和bi，定义它们的最大间隔为vi＝[v
l
，vr]，其中vr＝max{ar，br}，v
l
＝{{ar，br，a
l
，b
l
}\{vr}}，那么区间ai和bi的置信度水平p(ai≤bi)定义如下：
[0297]
[0298]
其中，d(ai，v)代表ai和v之间的距离，其表达如下：
[0299][0300]
或者另外一种距离的表示如下：
[0301]
d(ai，vi)＝max{|a
l-v
l
|，|a
r-vr|}
[0302]
对于上述三种区间偏好关系，当p(ai≤bi)＞0.5时，称区间ai优于bi；当p(ai≤bi)≤0.5时，称区间ai和bi是不可比较的，记为ai||
inbi
。上述区间偏序关系(3)(4)以及(5)的两种不同计算距离的方式分别记为r3、r4、r5和r6。
[0303]
(6)基于区间概率支配关系的区间偏序关系
[0304][0305]
p(ai，bi)称为区间ai优于bi的概率；相似地，p(bi，ai)为区间bi优于ai的概率，p(ai||bi)＝1-p(ai，bi)-p(bi，ai)为区间ai和bi不可比较的概率。如果满足p(ai，bi)＝max{p(ai，bi)，p(bi，ai)，p(ai||bi)}，则说明区间ai优于bi，如果满足p(ai||bi)＝max{p(ai，bi)，p(bi，ai)，p(ai||bi)}，则说明区间ai和bi是不可比较的。该区间偏序关系记为r7。
[0306]
综上，本发明提供了一种可再生能源与5g基站的协同选址方法，如此则可充分利用可再生能源能源来进行供电，从而可保证电力系统经济低碳运行。另外，本发明采用区间优化处理系统中的不确定性，与之前区间优化对目标函数的处理有本质区别，在目标函数中保留了目标函数的区间范围，采用考虑约束的自适应参考向量区间多目标进化算法进行求解，这样在求解过程中可以保留所有的不确定信息，从而可准确求得最优规划方案。
[0307]
此外，本发明还利用提出的求解算法和模型在ieee 33母线系统上进行了实现和测试，将仿真结果与相应的基本情况值进行比较，得出本发明的主要点如下：1)全面考虑5g基站的能耗特性和通信特性，包括基站功耗、基站储能电池、通信容量及通信qos，建立5g基站与配电网交互模型来充分发掘基站对碳减排的潜力。2)应用区间优化来处理风电、碳排放系数和通信负载的不确定性，建立综合考虑经济和环境因素的5g基站与配电网协同规划模型，以确定配电网中5g基站和res的最优规划方案和运行策略。3)在考虑约束条件和多个目标冲突的情况下，采用考虑约束的自适应参考向量区间多目标进化算法来求解该多目标区间规划模型，该算法能够在求解过程中保留目标函数所有的不确定信息。
[0308]
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、u盘、软盘、cd-rom或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0309]
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器
可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的可再生能源与5g基站的协同选址方法。
[0310]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0311]
应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。
[0312]
此外，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0313]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

技术特征：
1.一种可再生能源与5g基站的协同选址方法，包括：通过计算待规划区域中由可再生能源与5g基站组成的系统的总年均成本，确定第一目标函数；通过计算所述系统的碳的日排放量，确定第二目标函数；利用所述第一目标函数、第二目标函数以及包括所述系统的规划约束和所述系统的运行约束的约束条件，构建可再生能源与5g基站的协同选址模型；将待规划区域中的各建设方案作为一个体，并构建包含多个个体的初始种群，其中，每个建设方案包括可再生能源的各建设地址、容量以及5g基站的各建设地址；确定各个体的第一目标函数区间值和第二目标函数区间值，以及基于系统的所有约束条件，计算各个体的约束违背个数；基于获得的各个体的第一目标函数区间值、第二目标函数区间值、约束违背个数，利用区间切比雪夫聚合函数更新种群，直至迭代结束，得到区间型帕累托前沿；利用区间型优劣解距离法，从获得的区间型帕累托前沿中确定出待规划区域中可再生能源的各建设地址、容量以及5g基站的各建设地址。2.如权利要求1所述的方法，其中，所述系统的规划约束包括可再生能源的建设数量不超过可再生能源的最大允许建设数量，5g基站的建设数量不超过5g基站的最大允许建设数量。3.如权利要求1或2所述的方法，其中，所述系统的运行约束包括5g基站的运行约束和配电网的运行约束，所述5g基站的运行约束包括路径损耗约束、通信容量约束、通信质量约束、能耗约束、储能电池约束，所述配电网的运行约束包括节点电压约束、节点有功功率和无功功率潮流约束、节点有功功率和无功功率平衡约束、线路传输功率约束、主电网送入功率约束、风电机组实际功率约束。4.如权利要求3所述的方法，其中，所述路径损耗约束包括：式中，p
r
表示无线传感器接收信号的接收功率，p
t
表示5g基站发射信号的发射功率，表示发射和接收天线场在los(line-of-sight)方向上的辐射图的乘积，λ表示信号波长，d表示5g基站到传感器的水平距离。5.如权利要求3或4所述的方法，其中，所述通信容量约束包括：5.如权利要求3或4所述的方法，其中，所述通信容量约束包括：5.如权利要求3或4所述的方法，其中，所述通信容量约束包括：5.如权利要求3或4所述的方法，其中，所述通信容量约束包括：
式中，r
i,t
表示传感器i在t时刻接收信号的接收速率，表示待规划区域中所有电力传感器在t时刻的通信吞吐量，表示5g基站n为传感器i在t时刻所分配的带宽，sinr
i,t
表示t时刻传感器i所在处的信噪比，b
n
表示5g基站n的额定带宽，表示传感器i在t时刻从其所连5g基站n处接收信号的接收功率，表示除5g基站n的其他5g基站在t时刻对传感器i的干扰功率，σ2为热噪声功率，和分别表示待规划区域中所有电力传感器t时刻的通信吞吐量预测值的下界和上界，ω
s
表示待规划区域中传感器候选位置集合，ω
bs
表示待规划区域中5g基站候选位置集合，ω
t
表示运行时段集合。6.如权利要求3-5中任一项所述的方法，其中，所述通信质量约束包括：sinr
i,t
≥γ i∈ω
s
式中，γ表示通信服务质量的阈值。7.如权利要求3-6中任一项所述的方法，其中，所述能耗约束包括：6中任一项所述的方法，其中，所述能耗约束包括：6中任一项所述的方法，其中，所述能耗约束包括：6中任一项所述的方法，其中，所述能耗约束包括：式中，表示t时刻5g基站n的总功率，表示t时刻5g基站n运行的静态功耗，δp为与负载动态功耗相关的斜率，表示t时刻5g基站n运行的动态功耗，表示t时刻5g基站n向电力传感器i发射信号的发射功率，表示5g基站n的最大动态功耗。8.如权利要求3-7中任一项所述的方法，其中，所述储能电池约束包括：7中任一项所述的方法，其中，所述储能电池约束包括：7中任一项所述的方法，其中，所述储能电池约束包括：7中任一项所述的方法，其中，所述储能电池约束包括：7中任一项所述的方法，其中，所述储能电池约束包括：式中，e
n,t
表示5g基站n的储能电池在t时刻的蓄电量，e
n,t-1
表示5g基站n的储能电池在
(t-1)时刻的蓄电量，η
ch
、η
dis
分别表示储能电池的充电、放电效率，表示5g基站n的储能电池在t时刻的充电功率，表示5g基站n的储能电池在t时刻的放电功率，分别表示5g基站n的储能电池蓄电量的下限和上限，分别表示储能电池在时刻t充、放电状态的状态变量，p
chmax
、p
dismax
分别表示储能电池的最大充、放电功率，δt表示一个运行时段。9.一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-8中任一项所述的方法的指令。10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述方法。

技术总结
本发明涉及电力系统领域，具体公开了一种可再生能源与5G基站的协同选址方法、计算设备。上述方法包括：通过计算待规划区域中由可再生能源与5G基站组成的系统的总年均成本，确定第一目标函数；通过计算系统的碳的日排放量，确定第二目标函数；利用第一目标函数、第二目标函数以及包括系统的规划约束和系统的运行约束的约束条件，构建可再生能源与5G基站的协同选址模型；利用基于分解的多目标进化算法求解协同选址模型，得到待规划区域中可再生能源的各建设地址、容量以及5G基站的各建设地址。本发明提供了一种可再生能源与5G基站的协同选址方法，可充分利用可再生能源能源来进行供电，从而可保证电力系统经济低碳运行。从而可保证电力系统经济低碳运行。从而可保证电力系统经济低碳运行。


技术研发人员：曾博 张卫翔 周吟雨 徐心竹
受保护的技术使用者：华北电力大学
技术研发日：2023.07.10
技术公布日：2023/10/15