朱艷芳

（國網(wǎng)湖南省電力有限公司 湘西供電分公司，湖南 湘西 4160000

近年來，可再生能源增長迅速，在減少碳排放、降低環(huán)境污染的同時，可再生能源入網(wǎng)帶來的不確定性也給電網(wǎng)的安全經(jīng)濟運行帶來諸多影響?？稍偕茉床⒕W(wǎng)的研究集中于風(fēng)電和光伏，對徑流式小水電并網(wǎng)考慮較少。徑流式小水電因為其投資少、建設(shè)周期短等優(yōu)點獲得了飛速的發(fā)展，目前裝機容量約占中國水電的30%，是電力工業(yè)的重要組成部分。然而徑流式小水電出力不確定性較大，對電力系統(tǒng)穩(wěn)定運行有很大影響，因此將其納入多目標(biāo)環(huán)境經(jīng)濟調(diào)度（multiobjectiveeconomic-environmentaldispatch，MOEED）問題的研究有重要意義。

1 目標(biāo)函數(shù)和約束條件

1.1 發(fā)電成本

1.1.1 火電機組發(fā)電成本火電機組的發(fā)電成本與輸出功率的關(guān)系可以表示為：

考慮閥點效應(yīng)時的發(fā)電成本表示為：

1.1.2 可再生能源發(fā)電成本

可再生能源接入電網(wǎng)時要考慮其不確定性。如果輸出功率低于預(yù)期功率，稱為對可再生能源的高估，應(yīng)該承擔(dān)旋轉(zhuǎn)備用儲備成本；如果輸出功率高于預(yù)期功率，則稱為對可再生能源的低估，應(yīng)該承擔(dān)懲罰成本[1]。因此，可再生能源的總成本包括直接成本、低估時產(chǎn)生的懲罰成本和高估時產(chǎn)生的儲備成本。風(fēng)電機組的直接成本可表示為：

高估風(fēng)電機組的輸出功率時，儲備成本為：

低估風(fēng)電機組的輸出功率時，產(chǎn)生的懲罰成本為：

則風(fēng)電機組的總成本為：

徑流式小水電機組的直接成本為：

高估徑流式小水電機組的輸出功率時，儲備成本為：

低估徑流式小水電機組輸出功率時，懲罰成本為：

則徑流式小水電機組的總成本為：

系統(tǒng)總發(fā)電成本是火電機組成本與可再生能源成本的總和，可表示為：

1.2 污染物排放量

火電機組污染物排放量表示為：

1.3 優(yōu)化目標(biāo)

優(yōu)化的整體目標(biāo)為發(fā)電成本最優(yōu)和污染排放量最小，則根據(jù)上式中的公式可得多目標(biāo)優(yōu)化目標(biāo)為：

2 TLBO 算法

TLBO 算法主要模擬教學(xué)學(xué)習(xí)過程，包括教學(xué)階段和學(xué)習(xí)階段。在教學(xué)階段，教師對學(xué)習(xí)者分享知識；在學(xué)習(xí)階段，學(xué)習(xí)者相互學(xué)習(xí)來促進進步。算法各階段介紹如下[2]。

2.1 教學(xué)階段

對于N 個學(xué)習(xí)者組成的班級，通常認(rèn)為班級中最好的學(xué)習(xí)者是教師，教師將知識傳播給學(xué)習(xí)者，從而提高班級的平均值。班級的平均值為：

在教學(xué)過程中，對學(xué)習(xí)者進行如下更新：

2.2 學(xué)習(xí)階段

學(xué)生與學(xué)生之間隨機交流，隨機選擇2 個學(xué)生xi 和xh(i ≠h)，比較他們的學(xué)習(xí)成績，成績差的學(xué)生向成績好的學(xué)生進行交流學(xué)習(xí)，過程如下

2.3 NSITLBO 算法

在原有TLBO 算法的教學(xué)階段，教學(xué)因子TF 只是簡單地設(shè)置為1 或2，學(xué)生對于老師教授的知識只能選擇全接受或者全不接受，教學(xué)方式過于單一。因此，提出一種自適應(yīng)的教學(xué)因子[3]。

在NSITLBO 算法中，通過基于非支配概念排序和擁擠距離值比較來找到最佳解決方案，基本流程如圖1 所示，算法具體步驟如下。

圖1 NSITLBO 算法的基本流程圖

（1）隨機生成N 個學(xué)習(xí)者的初始種群。根據(jù)非支配概念排序和擁擠距離值比較來選擇教師，根據(jù)學(xué)生水平調(diào)整教學(xué)因子。

（2）根據(jù)TLBO 算法的教學(xué)階段更新學(xué)習(xí)者。并將新學(xué)習(xí)者和舊學(xué)習(xí)者合并，選擇種群大小為N 的最佳學(xué)習(xí)者。

（3）根據(jù)TLBO 算法的學(xué)習(xí)階段更新學(xué)習(xí)者。在學(xué)習(xí)階段結(jié)束之后，新學(xué)習(xí)者與舊學(xué)習(xí)者合并在一起，再次基于非支配概念和擁擠距離值選擇種群大小為N的最佳學(xué)習(xí)者。并在下一次迭代中根據(jù)教學(xué)階段直接更新這些學(xué)習(xí)者[4]。

2.4 約束處理技術(shù)

根據(jù)提出的不可行解約束處理技術(shù)，將等式約束通過容忍度參數(shù)轉(zhuǎn)換為不等式約束。此外，所有約束都需要標(biāo)準(zhǔn)化，否則它們不同的數(shù)值范圍可能會產(chǎn)生偏差?？偧s束違反量計算為：

對于解xi 和xj，在以下情況下，認(rèn)為xi 優(yōu)于xj。

（1）xi 可行，xj 不可行。

（2）xi 和xj 都可行，但xi 的目標(biāo)值優(yōu)于xj。

（3）xi 和xj 都不可行，但xi 的目標(biāo)值優(yōu)于xj。

綜上所述，這種約束處理技術(shù)根據(jù)兩種解的適應(yīng)度值進行比較，優(yōu)勝劣汰，提高整體解的質(zhì)量[5]。

3 結(jié)語

本文建立了含風(fēng)電和徑流式小水電的電力系統(tǒng)MOEED模型，使用概率密度函數(shù)對風(fēng)速和河流流量進行模擬，通過蒙特卡洛法得到可再生能源的功率分布。并將可再生能源的懲罰成本與儲備成本也適當(dāng)?shù)靥砑拥桨l(fā)電成本中，以較好地體現(xiàn)可再生能源功率對系統(tǒng)調(diào)度的影響，并兼顧經(jīng)濟效益和環(huán)境效益。為了更好地解決MOEED 問題，本文提出了求解更為有效的NSITLBO-SF 算法，通過對機組出力的實時調(diào)整及對約束違反量適當(dāng)懲罰，實現(xiàn)對復(fù)雜約束的有效處理；并利用歸一化操作，避免算法向一目標(biāo)過度進化，以獲得最優(yōu)的調(diào)度方案。