一种风-光-抽蓄系统联合调度优化方法、存储介质及设备

1.本发明涉及新能源优化调度领域，具体地，涉及一种风-光-抽蓄系统联合调度优化方法、存储介质及设备。


背景技术：

2.近年来，能源危机和环境问题成为全球的焦点，以风电、光伏为主的可再生能源开始受到广泛关注，在能源电力领域，高比例可再生能源电力接入系统已成为行业发展的重要趋势。考虑到储能系统具有良好的调节性能，将其与风电、光伏联合构成联合发电系统，改善风电出力的随机性与波动性，从而提高电网运行的安全性与稳定性。抽水蓄能电站作为一种重要的储能方式，近年来得到快速发展。随着高比例可再生能源的发展，部分抽水蓄能电站功能定位也逐渐拓展到面向光伏、风电等多品种间歇性能源，通过多能互补的方式，促进可再生能源消纳，并实现高质量电能输出和利用。
3.然而，由于新能源出力的随机性与波动性，一方面，弃能现象日益严重，仅2017年上半年，全国弃风量达235亿kw
·
h，弃光量为37亿kw
·
h；另一方面，变化无常的天气因素使得新能源出力更趋向于不稳定，且影响着抽水蓄能电站的水库水位。因此，有必要在新能源优化调度前对新能源出力进行精准预测，并考虑天气因素对水库水位的影响，在此基础上如何合理地控制风电场、光伏发电场、抽水蓄能电站协调运行，从而实现风/光/抽蓄联合系统的高效运行极为关键。


技术实现要素：

4.鉴于此，本发明提供了一种风-光-抽蓄系统联合调度优化方法、存储介质及设备，该风-光-抽蓄系统联合调度优化方法能够有效地提高新能源出力预测的精准度，掌握天气条件对蓄水库水位的影响，对环境具有良好的效益。
5.为实现上述目的，本发明采用如下技术方案：一种风-光-抽蓄系统联合调度优化方法，具体包括如下步骤：
6.步骤1、收集某地区风电场、光伏发电站的最新气象信息，进行归一化后处理后，输入通过凤蝶优化算法改进的elm模型中，预测出风电场、光伏发电站的新能源出力；
7.步骤2、通过自适应反向修正算法构建抽水蓄能电站水库的动态模型，收集抽蓄能电站的雨量、温度信息，输入动态模型中，预测蓄水库水位；
8.步骤3、根据预测的新能源出力、蓄水库水位，构建以新能源出力约束、抽水蓄能电站机组功率约束、电站水位及其变动约束的风-光-抽蓄系统联合调度的多目标优化函数，采用智能粒子优化算法对多目标优化函数进行求解，确定最优的联合调度方法。
9.进一步地，步骤1中所述最新气象信息包括：温度、气压、风速、风向、光照强度，所述最新气象信息的归一化处理过程为：
[0010][0011]
其中，为第类气象信息，为第类归一化的气象信息，为第类气象信息的最大值，为第类气象信息的最小值。
[0012]
进一步地，步骤1中通过凤蝶优化算法改进elm模型的具体过程为：
[0013]
步骤s1、收集某地区风电场、光伏发电站的历史气象信息，对于每一组历史气象信息设置改进elm模型的初始权值和阈值，将改进elm模型的初始权值和阈值作为凤蝶个体初始位置，将历史气象信息总数量作为凤蝶群规模n，设置凤蝶优化算法的感官模态c、幂指数a、切换概率d、阀值n
limit
、最大迭代次数n
maxiter
；
[0014]
步骤s2、在每一次凤蝶个体位置迭代过程中，根据凤蝶个体位置，将收集的历史气象信息作为改进elm模型的输入，获取历史气象信息的预测值，根据历史气象信息和历史气象信息的预测值，计算不同位置上的凤蝶个体适应度值和香味浓度；
[0015]
所述第n只凤蝶个体的适应度值fn的计算过程为：
[0016][0017]
其中，i为一组历史气象信息中的分量总数，i为i的索引，f
n,i
为第n只凤蝶个体的第i个历史气象分量，y
n,i
为第n只凤蝶个体的第i个历史气象分量预测值；
[0018]
所述第n只凤蝶个体的香味浓度fn的计算过程为：
[0019]fn
＝cf
nbna
[0020]
其中，bn为第n只凤蝶个体的刺激强度；
[0021]
步骤s3、将当代凤蝶个体的适应度值进行比较，将适应度最小的凤蝶个体作为最优凤蝶个体，记录最优凤蝶个体的位置；
[0022]
步骤s4、重复步骤s2-s3，若当代最优凤蝶个体的适应度值小于上一代最优凤蝶个体的适应度值，保留当代最优凤蝶个体及位置，并将最优更新次数设置为0，否则，记录未更新最优凤蝶个体的次数，若未更新最优凤蝶个体的次数达到阀值n
limit
，则抛弃当前最优凤蝶个体，并返回步骤s2，否则，执行步骤s5；
[0023]
步骤s5、将凤蝶个体的香味浓度按照从大到小的顺序排序，将前60％的凤蝶个体进行交配，产生子代凤蝶个体：
[0024]
offspring1＝k*male+(1-k)*female
[0025]
offspring2＝k*female+(1-k)*male
[0026]
其中，k是[-1,1]之间的随机数，male为雄凤蝶个体，female为雌凤蝶个体，offspring1为雄性子代凤蝶个体，offspring2为子代雌性凤蝶个体；
[0027]
步骤s6、产生0～1的随机数m，判断随机数m与切换概率d的大小关系，判断所有凤蝶个体位置为局部搜索更新还是全局搜索更新；
[0028]
步骤s7、重复步骤s2-s6，直至达到最大迭代次数n
maxiter
，获得最优凤蝶个体及位置，将最优凤蝶个体位置作为改进elm模型的初始权值和阈值。
[0029]
进一步地，步骤s6的具体过程如下：
[0030]
a.当d》m，所有凤蝶个体位置进行全局搜索更新：
[0031][0032]
其中，为第φ次迭代中第n只凤蝶个体的位置，g
*
为在当前最优凤蝶个体位置，r为[0,1]的随机数，ξ为扰动控制因子，为点对点乘法，n(o,σ2)为高斯扰动项，o为高斯分布均值，σ2为随机扰动的方差；
[0033]
b.当d≤m时，所有凤蝶个体位置进行局部搜索更新：
[0034][0035]
其中：分别为第φ次迭代中第j只、第k只凤蝶个体位置。
[0036]
进一步地，步骤2中每一次预测蓄水库水位的过程为：
[0037]
步骤2.1、所述抽水蓄能电站水库的动态模型由初始状态提取模块、微分神经网络模块、代数神经网络模块依次连接组成；
[0038]
步骤2.2、将初始时刻抽水蓄能电站所在区域的降水量蓄水库水位天气温度的量测值输入初始状态提取模块中，输出蒸发量初值为
[0039]
步骤2.3、将时刻抽水蓄能电站蓄水库水位降水量天气温度以及步骤2.2输出的蒸发量初值为输入微分神经网络模块中，输出时刻蒸发量计算蒸发量导数并通过数值积分方法得出时刻的蒸发量
[0040]
所述蒸发量导数的计算过程为：
[0041][0042]
所述时刻的蒸发量的计算过程为：
[0043][0044]
其中，为收集抽蓄能电站的雨量、温度信息的时间间隔；
[0045]
步骤2.4，将时刻抽水蓄能电站的降水量天气温度以及步骤2.3得出的蒸发量输入代数神经网络模块中，输出蓄水库水位
[0046]
步骤2.5、根据步骤2.4输出的蓄水库水位和时刻的蓄水库实际水位，计算蓄水库水位均方误差ε：
[0047][0048]
步骤2.6、根据蓄水库水位均方误差ε采用自适应反向修正算法对动态模型中微分神经网络模块参数。
[0049]
进一步地，步骤2.6的具体过程为：
[0050][0051]
其中，τ为迭代计算次数，ψ(τ)为第τ次迭代中的微分神经网络模块参数，ε(τ)为第τ次迭代计算时的蓄水库水位均方误差，l(τ)为第τ次迭代计算时的修正效率，k
rs
为正向学习因子，k
res
为反向学习因子。
[0052]
进一步地，步骤3中多目标优化函数包括：净负荷峰谷差最小目标函数和弃风弃光弃水量最小目标函数，
[0053]
所述净负荷峰谷差最小目标函数f1为：
[0054][0055]
所述弃风弃光弃水量最小目标函数为：
[0056][0057]
其中，s为调度周期，为时刻的净负荷预测功率，p
nl,ave
为调度周期内净负荷预测功率均值，为时刻的弃风量，为时刻的弃光量，为时刻的风功率、光伏实际出力功率，为时刻的水电实际出力值，为时刻的区域负荷侧用电负荷；
[0058]
所述风电、光伏、水电机组功率约束为：
[0059][0060][0061][0062]
所述抽水蓄能电站机组功率约束约束为：
[0063][0064]
所述电站水位及其变动约束为：
[0065][0066][0067][0068]
其中，为时刻的风出力预测功率、光伏出力预测功率，为时刻的水电计划出力功率，为第k台抽水蓄能机组时刻的抽发率，p
ps,k,max
、p
ps,k,min
分别为机组抽发功率的上、下限，为时段电站蓄水库水位，为时刻的电站蓄水
库水位，e
h,max
、e
h,min
分别为电站蓄水库水位的上、下限，分别为调度周期初始时刻和最终时刻电站蓄水库水位，η
p
为机组抽水时水量电量转换系数，ηg为机组发电时水量电量转换系数，分别为时刻的抽水功率与发电功率，为调度时间间隔，为调度时间间隔内天气因素对蓄水库水位的影响，为调度时间间隔内天气因素对蓄水库水位的影响，为时刻的蓄水库水位，为时刻预测的蓄水库水位。
[0069]
进一步地，步骤3包括如下子步骤：
[0070]
步骤3.1、将步骤1预测的新能源出力以及步骤2预测的蓄水库水位作为多目标优化函数的约束条件，将约束条件当作粒子位置，将多目标优化函数作为适应度向量，设置粒子种群的数目和最大迭代次数，初始化粒子个体的速度和位置；
[0071]
步骤3.2、对粒子位置进行变异操作，计算适应度值；所述变异操作的过程为：
[0072]
xz(μ)＝cx
rand
·
xz(μ)'
[0073]
其中，xz(μ)'为第μ次迭代中变异操作前的粒子位置，xz(μ)为第μ次迭代中变异操作后的粒子位置，c为变异因子，x
rand
为(0，1)之间的随机数；
[0074]
步骤3.3、对于每个粒子，比较当代粒子适应度值与该粒子的历史最优适应度值，将适应度值最小的粒子作为优秀粒子；
[0075]
步骤3.4、建立外部存档，然后利用拥挤距离和绝对距离相结合的双决策策略对优秀粒子规模进行控制，将拥挤距离从小到大排序，删除超出存档规模的优秀粒子，若存在拥挤距离相等的优秀粒子，计算出这些优秀粒子的绝对距离，并将绝对距离最大的优秀粒子进行删除；
[0076]
所述优秀粒子的拥挤距离的计算过程为：
[0077][0078]
所述优秀粒子的绝对距离的计算过程为：
[0079]
da(xz)＝|d(xz,x
z-1
)-d(xz,x
z+1
)|
[0080]
其中，η为外部存档中粒子的数量，d(xz,x
z-1
)为粒子xz到粒子x
z-1
的欧式距离，d(xz,x
z+1
)为粒子xz到粒子x
z+1
的欧式距离，dc(xz)为粒子xz的拥挤距离，da(xz)为粒子xz的绝对距离；
[0081]
步骤3.5、计算外部存档中每个保留的优秀粒子的快速分层值,并根据快速分层值的大小将保留的优秀粒子进行升序排序，前50％保留的优秀粒子划分成第一等级，后50％保留的优秀粒子划分成第二等级；
[0082]
所述保留的优秀粒子的快速分层值sf(xz)的计算过程为：
[0083][0084]
其中，m为多目标优化函数的个数，f
λ
(xz)为保留的优秀粒子xz在第λ个优化函数的值，分别为第λ个优化函数在目标空间中的最小值和最大值；
[0085]
步骤3.6、分别随机从第一等级的粒子与第二等级的粒子中抽取一个粒子，将粒子位置进行交换，计算适应度值，若粒子位置交换后的新个体的适应度值小于保留的优秀粒子的适应度值，则将新个体加入保留的优秀粒子中，得到智能粒子群；
[0086]
步骤3.7、在智能粒子群中随机选择一个粒子作为全局学习样本引导飞行，更新每个粒子的位置和速度：
[0087]
所述粒子z速度的更新过程为：
[0088]
vz(μ+1)＝θ
·
vz(μ)+c1·
r1(pz(μ)-xz(μ))+c2·
r2(g(μ)-xz(μ))
[0089]
所述粒子z位置的更新过程为：
[0090]
xz(μ+1)＝xz(μ)+vz(μ+1)
[0091]
其中，vz(μ)为第μ次迭代中粒子z的速度，xz(μ)为第μ次迭代中粒子z的位置，c1、c2均为学习因子，r1、r2均为[0,1]区间上的随机数，θ为惯性权重，pz(μ)在第μ次迭代中粒子z所经历过的最优位置，g(μ)为第μ次迭代粒子种群中最优粒子的位置；
[0092]
步骤3.8、重复步骤3.2-3.7，直至达到最大迭代次数，输出适应度值最小的粒子及适应度值，根据适应度值最小的粒子的适应度值，得到风力、光伏、水电的实际出力以及抽水蓄能电站的水位，作为风-光-抽蓄联合调度优化方案。
[0093]
进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的风-光-抽蓄系统联合调度优化方法。
[0094]
进一步地，本发明还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现所述的风-光-抽蓄系统联合调度优化方法。
[0095]
与现有技术相比，本发明具有如下有益效果：本发明风-光-抽蓄系统联合调度优化方法，构建elm模型对该地区的风能、光伏出力进行预测，采用改进凤蝶优化算法对elm模型进行优化，有效克服易陷入局部最优解的缺陷、增强算法的全局搜索能力、避免早熟，提升了算法的寻优精度和收敛速度；构建基于微分代数神经网络构建抽水蓄能电站水库的动态模型，根据当前流水量、气温温度，得到由天气因素引起的水库水位变化量，考虑了天气因素给抽水蓄能电站带来的影响，通过天气因素相关数据，将天气因素影响水库水位变动这类复杂问题转换为易于观察的数学问题，并对动态模型进行修正，提高了准确率；根据更新的新能源出力、蓄水库水位变化量，构建风光抽蓄联合调度多目标优化模型，采用智能粒子优化算法对多目标函数进行求解，在调度周期内平抑了天气条件给该联合系统造成的不确定性的波动，并以环保节能、效率作为优化目标，从稳定性、环保性、效率性三个方面优化了风-光-抽蓄的调度方案，同时，本发明采用的智能粒子分层优化新算法对模型进行求解，改算法提升了种群的多样性和收敛性。
附图说明
[0096]
图1为本发明风-光-抽蓄系统联合调度优化方法的流程图；
[0097]
图2为本发明中凤蝶优化算法流程图；
[0098]
图3为本发明中智能粒子优化算法流程图。
具体实施方式
[0099]
下面结合附图对本发明作进一步描述，以下具体实施方式仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0100]
如图1为本发明风-光-抽蓄系统联合调度优化方法的流程图，该风-光-抽蓄系统联合调度优化方法具体包括如下步骤：
[0101]
步骤1、收集某地区风电场、光伏发电站的最新气象信息，进行归一化后处理后，输入通过凤蝶优化算法改进的elm模型中，预测出风电场、光伏发电站的新能源出力；elm模型训练速度快，适合用于新能源的短期出力预测，通过凤蝶优化算法对elm模型进行优化，通过改进凤蝶优化算法找到最优权值和阈值并赋给elm模型，结合高斯扰动、limit阈值以及优劣性排序交配，有效地退出局部最优解，避免算法早熟，使种群在迭代后期能够较快地收敛到全局最优解，能够有效地指引凤蝶个体进行寻优，避免陷入局部最优的情况。
[0102]
本发明中最新气象信息包括：温度、气压、风速、风向、光照强度，所述最新气象信息的归一化处理过程为：
[0103][0104]
其中，为第类气象信息，为第类归一化的气象信息，为第类气象信息的最大值，为第类气象信息的最小值。
[0105]
如图2，本发明中通过凤蝶优化算法改进elm模型的具体过程为：
[0106]
步骤s1、收集某地区风电场、光伏发电站的历史气象信息，对于每一组历史气象信息设置改进elm模型的初始权值和阈值，将改进elm模型的初始权值和阈值作为凤蝶个体初始位置，将历史气象信息总数量作为凤蝶群规模n，设置凤蝶优化算法的感官模态c、幂指数a、切换概率d、阀值n
limit
、最大迭代次数n
maxiter
；
[0107]
步骤s2、在每一次凤蝶个体位置迭代过程中，根据凤蝶个体位置，将收集的历史气象信息作为改进elm模型的输入，获取历史气象信息的预测值，根据历史气象信息和历史气象信息的预测值，计算不同位置上的凤蝶个体适应度值和香味浓度；
[0108]
所述第n只凤蝶个体的适应度值fn的计算过程为：
[0109][0110]
其中，i为一组历史气象信息中的分量总数，i为i的索引，f
n,i
为第n只凤蝶个体的第i个历史气象分量，y
n,i
为第n只凤蝶个体的第i个历史气象分量预测值；
[0111]
所述第n只凤蝶个体的香味浓度fn的计算过程为：
[0112]fn
＝cf
nbna
[0113]
其中，bn为第n只凤蝶个体的刺激强度；
[0114]
步骤s3、将当代凤蝶个体的适应度值进行比较，将适应度最小的凤蝶个体作为最优凤蝶个体，记录最优凤蝶个体的位置；
[0115]
步骤s4、重复步骤s2-s3，若当代最优凤蝶个体的适应度值小于上一代最优凤蝶个
体的适应度值，保留当代最优凤蝶个体及位置，并将最优更新次数设置为0，否则，记录未更新最优凤蝶个体的次数，若未更新最优凤蝶个体的次数达到阀值n
limit
，则抛弃当前最优凤蝶个体，并返回步骤s2，否则，执行步骤s5；
[0116]
步骤s5、每只凤蝶个体都会向发出香味多的凤蝶个体移动，将凤蝶个体的香味浓度按照从大到小的顺序排序，将前60％的凤蝶个体进行交配，产生子代凤蝶个体：
[0117]
offspring1＝k*male+(1-k)*female
[0118]
offspring2＝k*female+(1-k)*male
[0119]
其中，k是[-1,1]之间的随机数，male为雄凤蝶个体，female为雌凤蝶个体，offspring1为雄性子代凤蝶个体，offspring2为子代雌性凤蝶个体；
[0120]
步骤s6、产生0～1的随机数m，判断随机数m与切换概率d的大小关系，判断所有凤蝶个体位置为局部搜索更新还是全局搜索更新，从而保持凤蝶种群的多样性，避免运算过程中大部分时间处于局部搜索阶段或全局搜索阶段，提升了凤蝶优化算法的灵活性与准确性；具体地，
[0121]
a.当d》m，所有凤蝶个体位置进行全局搜索更新：
[0122][0123]
其中，为第φ次迭代中第n只凤蝶个体的位置，g
*
为在当前最优凤蝶个体位置，r为[0,1]的随机数，ξ为扰动控制因子，为点对点乘法，n(o,σ2)为高斯扰动项，o为高斯分布均值，σ2为随机扰动的方差；
[0124]
b.当d≤m时，所有凤蝶个体位置进行局部搜索更新：
[0125][0126]
其中：分别为第φ次迭代中第j只、第k只凤蝶个体位置；
[0127]
步骤s7、重复步骤s2-s6，直至达到最大迭代次数n
maxiter
，获得最优凤蝶个体及位置，将最优凤蝶个体位置作为改进elm模型的初始权值和阈值。
[0128]
步骤2、通过自适应反向修正算法构建抽水蓄能电站水库的动态模型，收集抽蓄能电站的雨量、温度信息，输入动态模型中，预测蓄水库水位，根据当前流水量、蒸发量、气温温度，考虑到抽水蓄能电站内部复杂的机组状态变量不可观测，通过微分代数神经网络构造抽水蓄能电站水库的动态模型，得到由天气因素引起的水库水位变化量，微分代数神经网络可以将动态的水库水位问题转换为数学问题，从不同时间段量测数据的变化中，学习以神经网络表达的天气因素下水库水位动态模型，并运用自适应反向修正算法对模型进行修正，自适应调调整修正效率,并提高收敛速度；具体包括如下子步骤：
[0129]
步骤2.1、所述抽水蓄能电站水库的动态模型由初始状态提取模块、微分神经网络模块、代数神经网络模块依次连接组成；
[0130]
步骤2.2、将初始时刻抽水蓄能电站所在区域的降水量蓄水库水位天气温度的量测值输入初始状态提取模块中，输出蒸发量初值为
[0131]
步骤2.3、将时刻抽水蓄能电站蓄水库水位降水量天气温度以及步骤2.2输出的蒸发量初值为输入微分神经网络模块中，输出时刻蒸发量计
算蒸发量导数并通过数值积分方法得出时刻的蒸发量
[0132]
所述蒸发量导数的计算过程为：
[0133][0134]
所述时刻的蒸发量的计算过程为：
[0135][0136]
其中，为收集抽蓄能电站的雨量、温度信息的时间间隔；
[0137]
步骤2.4，将时刻抽水蓄能电站的降水量天气温度以及步骤2.3得出的蒸发量输入代数神经网络模块中，输出蓄水库水位
[0138]
步骤2.5、根据步骤2.4输出的蓄水库水位和时刻的蓄水库实际水位，计算蓄水库水位均方误差ε：
[0139][0140]
步骤2.6、根据蓄水库水位均方误差ε采用自适应反向修正算法对动态模型中微分神经网络模块参数，具体地，
[0141][0142]
其中，τ为迭代计算次数，ψ(τ)为第τ次迭代中的微分神经网络模块参数，ε(τ)为第τ次迭代计算时的蓄水库水位均方误差，l(τ)为第τ次迭代计算时的修正效率，k
rs
为正向学习因子，k
res
为反向学习因子。
[0143]
步骤3、根据预测的新能源出力、蓄水库水位，构建以新能源出力约束、抽水蓄能电站机组功率约束、电站水位及其变动约束的风-光-抽蓄系统联合调度的多目标优化函数，在考虑环境效益的同时，平抑了净负荷波动性及天气条件给该联合系统造成的不确定性的波动；采用智能粒子优化算法对多目标优化函数进行求解，确定最优的联合调度方法，该智能粒子优化算法采用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护，并进行倒位学习操作使得优秀粒子在随后的进化过程中易于保留和发展，有效地提升了种群的多样性，同时，为提升粒子收敛到真实pareto前沿的概率，采用快速分层策略对全局学习样本进行选取，进而提升了智能粒子优化算法的收敛性。
[0144]
本发明中多目标优化函数包括：净负荷峰谷差最小目标函数和弃风弃光弃水量最小目标函数，
[0145]
所述净负荷峰谷差最小目标函数f1为：
[0146][0147]
所述弃风弃光弃水量最小目标函数为：
[0148][0149]
其中，s为调度周期，为时刻的净负荷预测功率，p
nl,ave
为调度周期内净负荷预测功率均值，为时刻的弃风量，为时刻的弃光量，为时刻的风功率、光伏实际出力功率，为时刻的水电实际出力值，为时刻的区域负荷侧用电负荷；
[0150]
所述风电、光伏、水电机组功率约束为：
[0151][0152][0153][0154]
所述抽水蓄能电站机组功率约束约束为：
[0155][0156]
所述电站水位及其变动约束为：
[0157][0158][0159][0160]
其中，为时刻的风出力预测功率、光伏出力预测功率，为时刻的水电计划出力功率，为第k台抽水蓄能机组时刻的抽发率，p
ps,k,max
、p
ps,k,min
分别为机组抽发功率的上、下限，为时段电站蓄水库水位，为时刻的电站蓄水库水位，e
h,max
、e
h,min
分别为电站蓄水库水位的上、下限，分别为调度周期初始时刻和最终时刻电站蓄水库水位，η
p
为机组抽水时水量电量转换系数，ηg为机组发电时水量电量转换系数，分别为时刻的抽水功率与发电功率，为调度时间间隔，为调度时间间隔内天气因素对蓄水库水位的影响，为调度时间间隔内天气因素对蓄水库水位的影响，为时刻的蓄水库水位，为时刻预测的蓄水库水位。
[0161]
如图3，步骤3包括如下子步骤：
[0162]
步骤3.1、将步骤1预测的新能源出力以及步骤2预测的蓄水库水位作为多目标优化函数的约束条件，将约束条件当作粒子位置，将多目标优化函数作为适应度向量，设置粒子种群的数目和最大迭代次数，初始化粒子个体的速度和位置；
[0163]
步骤3.2、对粒子位置进行变异操作，计算适应度值；所述变异操作的过程为：
[0164]
xz(μ)＝cx
rand
·
xz(μ)'
[0165]
其中，xz(μ)'为第μ次迭代中变异操作前的粒子位置，xz(μ)为第μ次迭代中变异操作后的粒子位置，c为变异因子，x
rand
为(0，1)之间的随机数；
[0166]
步骤3.3、对于每个粒子，比较当代粒子适应度值与该粒子的历史最优适应度值，将适应度值最小的粒子作为优秀粒子；
[0167]
步骤3.4、建立外部存档，然后利用拥挤距离和绝对距离相结合的双决策策略对优秀粒子规模进行控制，将拥挤距离从小到大排序，删除超出存档规模的优秀粒子，若存在拥挤距离相等的优秀粒子，计算出这些优秀粒子的绝对距离，并将绝对距离最大的优秀粒子进行删除；
[0168]
所述优秀粒子的拥挤距离的计算过程为：
[0169][0170]
所述优秀粒子的绝对距离的计算过程为：
[0171]
da(xz)＝|d(xz,x
z-1
)-d(xz,x
z+1
)|
[0172]
其中，η为外部存档中粒子的数量，d(xz,x
z-1
)为粒子xz到粒子x
z-1
的欧式距离，d(xz,x
z+1
)为粒子xz到粒子x
z+1
的欧式距离，dc(xz)为粒子xz的拥挤距离，da(xz)为粒子xz的绝对距离；
[0173]
步骤3.5、计算外部存档中每个保留的优秀粒子的快速分层值,并根据快速分层值的大小将保留的优秀粒子进行升序排序，前50％保留的优秀粒子划分成第一等级，后50％保留的优秀粒子划分成第二等级；
[0174]
所述保留的优秀粒子的快速分层值sf(xz)的计算过程为：
[0175][0176]
其中，m为多目标优化函数的个数，f
λ
(xz)为保留的优秀粒子xz在第λ个优化函数的值，分别为第λ个优化函数在目标空间中的最小值和最大值；
[0177]
步骤3.6、分别随机从第一等级的粒子与第二等级的粒子中抽取一个粒子，将粒子位置进行交换，计算适应度值，若粒子位置交换后的新个体的适应度值小于保留的优秀粒子的适应度值，则将新个体加入保留的优秀粒子中，得到智能粒子群；
[0178]
步骤3.7、在智能粒子群中随机选择一个粒子作为全局学习样本引导飞行，更新每个粒子的位置和速度：
[0179]
所述粒子z速度的更新过程为：
[0180]
vz(μ+1)＝θ
·
vz(μ)+c1·
r1(pz(μ)-xz(μ))+c2·
r2(g(μ)-xz(μ))
[0181]
所述粒子z位置的更新过程为：
[0182]
xz(μ+1)＝xz(μ)+vz(μ+1)
[0183]
其中，vz(μ)为第μ次迭代中粒子z的速度，xz(μ)为第μ次迭代中粒子z的位置，c1、c2均为学习因子，r1、r2均为[0,1]区间上的随机数，θ为惯性权重，pz(μ)在第μ次迭代中粒子z所经历过的最优位置，g(μ)为第μ次迭代粒子种群中最优粒子的位置；
[0184]
步骤3.8、重复步骤3.2-3.7，直至达到最大迭代次数，输出适应度值最小的粒子及适应度值，根据适应度值最小的粒子的适应度值，得到风力、光伏、水电的实际出力以及抽水蓄能电站的水位，作为风-光-抽蓄联合调度优化方案。
[0185]
本发明风-光-抽蓄系统联合调度优化方法采用凤蝶优化算法改进的elm模型建立了风能、光伏出力的短期预测模型，计算得到的预测出力数据可作为风-光-抽蓄系统联合调度模型的输入，减少了调度过程中的弃能总量，提高了系统运行时的经济性；本发明采用量化了天气条件对蓄水库水位的影响，充分考虑了天气条件对蓄水库水位的影响，进而提高了调度过程中的效率；本发明中风-光-抽蓄系统联合调度模型以净负荷峰谷差最小目标函数和弃风弃光弃水量最小为目标函数，以风电、光伏、水电机组功率、抽水蓄能电站机组功率、电站水位及其变动为约束，从算法上保证了调度过程中的经济性与稳定性；本发明采用的智能粒子优化算法对调度模型进行求解，有效地提升了种群的多样性，提升了收敛速度，并且提高了联合调度方法的准确性。
[0186]
在本发明的一个技术方案中，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的风-光-抽蓄系统联合调度优化方法。
[0187]
在本发明的另一个技术方案中，还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现所述的风-光-抽蓄系统联合调度优化方法。
[0188]
在本技术所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0189]
本领域普通技术人员可以意识到，结合本技术所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0190]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：
1.一种风-光-抽蓄系统联合调度优化方法，其特征在于，具体包括如下步骤：步骤1、收集某地区风电场、光伏发电站的最新气象信息，进行归一化后处理后，输入通过凤蝶优化算法改进的elm模型中，预测出风电场、光伏发电站的新能源出力；步骤2、通过自适应反向修正算法构建抽水蓄能电站水库的动态模型，收集抽蓄能电站的雨量、温度信息，输入动态模型中，预测蓄水库水位；步骤3、根据预测的新能源出力、蓄水库水位，构建以新能源出力约束、抽水蓄能电站机组功率约束、电站水位及其变动约束的风-光-抽蓄系统联合调度的多目标优化函数，采用智能粒子优化算法对多目标优化函数进行求解，确定最优的联合调度方法。2.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤1中所述最新气象信息包括：温度、气压、风速、风向、光照强度，所述最新气象信息的归一化处理过程为：其中，为第类气象信息，为第类归一化的气象信息，为第类气象信息的最大值，为第类气象信息的最小值。3.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤1中通过凤蝶优化算法改进elm模型的具体过程为：步骤s1、收集某地区风电场、光伏发电站的历史气象信息，对于每一组历史气象信息设置改进elm模型的初始权值和阈值，将改进elm模型的初始权值和阈值作为凤蝶个体初始位置，将历史气象信息总数量作为凤蝶群规模n，设置凤蝶优化算法的感官模态c、幂指数a、切换概率d、阀值n
limit
、最大迭代次数n
maxiter
；步骤s2、在每一次凤蝶个体位置迭代过程中，根据凤蝶个体位置，将收集的历史气象信息作为改进elm模型的输入，获取历史气象信息的预测值，根据历史气象信息和历史气象信息的预测值，计算不同位置上的凤蝶个体适应度值和香味浓度；所述第n只凤蝶个体的适应度值f
n
的计算过程为：其中，i为一组历史气象信息中的分量总数，i为i的索引，f
n,i
为第n只凤蝶个体的第i个历史气象分量，y
n,i
为第n只凤蝶个体的第i个历史气象分量预测值；所述第n只凤蝶个体的香味浓度f
n
的计算过程为：f
n
＝cf
n
b
na
其中，b
n
为第n只凤蝶个体的刺激强度；步骤s3、将当代凤蝶个体的适应度值进行比较，将适应度最小的凤蝶个体作为最优凤蝶个体，记录最优凤蝶个体的位置；步骤s4、重复步骤s2-s3，若当代最优凤蝶个体的适应度值小于上一代最优凤蝶个体的适应度值，保留当代最优凤蝶个体及位置，并将最优更新次数设置为0，否则，记录未更新最
优凤蝶个体的次数，若未更新最优凤蝶个体的次数达到阀值n
limit
，则抛弃当前最优凤蝶个体，并返回步骤s2，否则，执行步骤s5；步骤s5、将凤蝶个体的香味浓度按照从大到小的顺序排序，将前60％的凤蝶个体进行交配，产生子代凤蝶个体：offspring1＝k*male+(1-k)*femaleoffspring2＝k*female+(1-k)*male其中，k是[-1,1]之间的随机数，male为雄凤蝶个体，female为雌凤蝶个体，offspring1为雄性子代凤蝶个体，offspring2为子代雌性凤蝶个体；步骤s6、产生0～1的随机数m，判断随机数m与切换概率d的大小关系，判断所有凤蝶个体位置为局部搜索更新还是全局搜索更新；步骤s7、重复步骤s2-s6，直至达到最大迭代次数n
maxiter
，获得最优凤蝶个体及位置，将最优凤蝶个体位置作为改进elm模型的初始权值和阈值。4.根据权利要求3所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤s6的具体过程如下：a.当d>m，所有凤蝶个体位置进行全局搜索更新：其中，为第φ次迭代中第n只凤蝶个体的位置，g
*
为在当前最优凤蝶个体位置，r为[0,1]的随机数，ξ为扰动控制因子，为点对点乘法，n(o,σ2)为高斯扰动项，o为高斯分布均值，σ2为随机扰动的方差；b.当d≤m时，所有凤蝶个体位置进行局部搜索更新：其中：分别为第φ次迭代中第j只、第k只凤蝶个体位置。5.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤2中每一次预测蓄水库水位的过程为：步骤2.1、所述抽水蓄能电站水库的动态模型由初始状态提取模块、微分神经网络模块、代数神经网络模块依次连接组成；步骤2.2、将初始时刻抽水蓄能电站所在区域的降水量蓄水库水位天气温度的量测值输入初始状态提取模块中，输出蒸发量初值为步骤2.3、将时刻抽水蓄能电站蓄水库水位降水量天气温度以及步骤2.2输出的蒸发量初值为输入微分神经网络模块中，输出时刻蒸发量计算蒸发量导数并通过数值积分方法得出时刻的蒸发量所述蒸发量导数的计算过程为：
所述时刻的蒸发量的计算过程为：其中，为收集抽蓄能电站的雨量、温度信息的时间间隔；步骤2.4，将时刻抽水蓄能电站的降水量天气温度以及步骤2.3得出的蒸发量输入代数神经网络模块中，输出蓄水库水位步骤2.5、根据步骤2.4输出的蓄水库水位和时刻的蓄水库实际水位，计算蓄水库水位均方误差ε：步骤2.6、根据蓄水库水位均方误差ε采用自适应反向修正算法对动态模型中微分神经网络模块参数。6.根据权利要求5所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤2.6的具体过程为：其中，τ为迭代计算次数，ψ(τ)为第τ次迭代中的微分神经网络模块参数，ε(τ)为第τ次迭代计算时的蓄水库水位均方误差，ι(τ)为第τ次迭代计算时的修正效率，k
rs
为正向学习因子，k
res
为反向学习因子。7.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤3中多目标优化函数包括：净负荷峰谷差最小目标函数和弃风弃光弃水量最小目标函数，所述净负荷峰谷差最小目标函数f1为：所述弃风弃光弃水量最小目标函数为：其中，s为调度周期，为时刻的净负荷预测功率，p
nl,ave
为调度周期内净负荷预测功率均值，为时刻的弃风量，为时刻的弃光量，为时刻的风功率、光伏实际出力功率，为时刻的水电实际出力值，为时刻的区域负荷侧用电负荷；所述风电、光伏、水电机组功率约束为：
所述抽水蓄能电站机组功率约束约束为：所述电站水位及其变动约束为：所述电站水位及其变动约束为：所述电站水位及其变动约束为：其中，为时刻的风出力预测功率、光伏出力预测功率，为时刻的水电计划出力功率，为第k台抽水蓄能机组时刻的抽发率，p
ps,k,max
、p
ps,k,min
分别为机组抽发功率的上、下限，为时段电站蓄水库水位，为时刻的电站蓄水库水位，e
h,max
、e
h,min
分别为电站蓄水库水位的上、下限，分别为调度周期初始时刻和最终时刻电站蓄水库水位，η
p
为机组抽水时水量电量转换系数，η
g
为机组发电时水量电量转换系数，分别为时刻的抽水功率与发电功率，为调度时间间隔，为调度时间间隔内天气因素对蓄水库水位的影响，为时刻的蓄水库水位，为时刻预测的蓄水库水位。8.根据权利要求1所述的一种风-光-抽蓄系统联合调度优化方法，其特征在于，步骤3包括如下子步骤：步骤3.1、将步骤1预测的新能源出力以及步骤2预测的蓄水库水位作为多目标优化函数的约束条件，将约束条件当作粒子位置，将多目标优化函数作为适应度向量，设置粒子种群的数目和最大迭代次数，初始化粒子个体的速度和位置；步骤3.2、对粒子位置进行变异操作，计算适应度值；所述变异操作的过程为：x
z
(μ)＝cx
rand
·
x
z
(μ)'其中，x
z
(μ)'为第μ次迭代中变异操作前的粒子位置，x
z
(μ)为第μ次迭代中变异操作后的粒子位置，c为变异因子，x
rand
为(0，1)之间的随机数；步骤3.3、对于每个粒子，比较当代粒子适应度值与该粒子的历史最优适应度值，将适应度值最小的粒子作为优秀粒子；步骤3.4、建立外部存档，然后利用拥挤距离和绝对距离相结合的双决策策略对优秀粒子规模进行控制，将拥挤距离从小到大排序，删除超出存档规模的优秀粒子，若存在拥挤距离相等的优秀粒子，计算出这些优秀粒子的绝对距离，并将绝对距离最大的优秀粒子进行删除；所述优秀粒子的拥挤距离的计算过程为：
所述优秀粒子的绝对距离的计算过程为：d
a
(x
z
)＝|d(x
z
,x
z-1
)-d(x
z
,x
z+1
)|其中，η为外部存档中粒子的数量，d(x
z
,x
z-1
)为粒子x
z
到粒子x
z-1
的欧式距离，d(x
z
,x
z+1
)为粒子x
z
到粒子x
z+1
的欧式距离，d
c
(x
z
)为粒子x
z
的拥挤距离，d
a
(x
z
)为粒子x
z
的绝对距离；步骤3.5、计算外部存档中每个保留的优秀粒子的快速分层值,并根据快速分层值的大小将保留的优秀粒子进行升序排序，前50％保留的优秀粒子划分成第一等级，后50％保留的优秀粒子划分成第二等级；所述保留的优秀粒子的快速分层值s
f
(x
z
)的计算过程为：其中，m为多目标优化函数的个数，f
λ
(x
z
)为保留的优秀粒子x
z
在第λ个优化函数的值，分别为第λ个优化函数在目标空间中的最小值和最大值；步骤3.6、分别随机从第一等级的粒子与第二等级的粒子中抽取一个粒子，将粒子位置进行交换，计算适应度值，若粒子位置交换后的新个体的适应度值小于保留的优秀粒子的适应度值，则将新个体加入保留的优秀粒子中，得到智能粒子群；步骤3.7、在智能粒子群中随机选择一个粒子作为全局学习样本引导飞行，更新每个粒子的位置和速度：所述粒子z速度的更新过程为：v
z
(μ+1)＝θ
·
v
z
(μ)+c1·
r1(p
z
(μ)-x
z
(μ))+c2·
r2(g(μ)-x
z
(μ))所述粒子z位置的更新过程为：x
z
(μ+1)＝x
z
(μ)+v
z
(μ+1)其中，v
z
(μ)为第μ次迭代中粒子z的速度，x
z
(μ)为第μ次迭代中粒子z的位置，c1、c2均为学习因子，r1、r2均为[0,1]区间上的随机数，θ为惯性权重，p
z
(μ)在第μ次迭代中粒子z所经历过的最优位置，g(μ)为第μ次迭代粒子种群中最优粒子的位置；步骤3.8、重复步骤3.2-3.7，直至达到最大迭代次数，输出适应度值最小的粒子及适应度值，根据适应度值最小的粒子的适应度值，得到风力、光伏、水电的实际出力以及抽水蓄能电站的水位，作为风-光-抽蓄联合调度优化方案。9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-8任一项所述的风-光-抽蓄系统联合调度优化方法。10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-8任一项所述的风-光-抽蓄系统联合调度优化方法。

技术总结
本发明公开了一种风-光-抽蓄系统联合调度优化方法、存储介质及设备，该联合调度优化方法包括：收集某地区风电场、光伏发电站的最新气象信息，进行归一化后处理后，输入通过凤蝶优化算法改进的ELM模型中，预测出风电场、光伏发电站的新能源出力；通过自适应反向修正算法构建抽水蓄能电站水库的动态模型，收集抽蓄能电站的雨量、温度信息，输入动态模型中，预测蓄水库水位；根据预测的新能源出力、蓄水库水位，构建风-光-抽蓄系统联合调度的多目标优化函数，采用智能粒子优化算法对多目标优化函数进行求解，确定最优的联合调度方法。本发明量化了天气条件对新能源出力以及蓄水库水位的影响，提高了新能源预测的准确性以及调度过程中的效率。中的效率。中的效率。


技术研发人员：汤芸 孟高军 于琳琳 张仰飞 饶宇飞 查云龙 袁野 夏涛
受保护的技术使用者：南京工程学院
技术研发日：2023.04.14
技术公布日：2023/7/12