基于GCTMSA的梯級水火風光蓄儲聯合調度

曹 韻，韓 松，榮 娜，詹獻文，劉 敏

基于GCTMSA的梯級水火風光蓄儲聯合調度

曹 韻，韓 松，榮 娜，詹獻文，劉 敏

(貴州大學電氣工程學院，貴州 貴陽 550025)

為發展新型電力系統調度理論與方法，構建了一個含梯級水風光蓄一體出力(the integration of cascade hydro-wind-photovoltaic-pumped storage, CHWPPS)的水火風光蓄儲聯合調度模型。同時，針對傳統求解方法在求解水火風光蓄儲聯合調度系統時易陷入局部最優、難以在滿意時間內得出可行解等問題，提出了一種基于貪婪策略、自適應交叉算子和自適應t分布變異的改進飛蛾搜索算法(greedy strategy, adaptive crossover operator and adaptive t-distribution variation based moth search algorithm, GCTMSA)。GCTMSA將自適應交叉算子與Lévy飛行策略相結合，在直線飛行策略中引入自適應t分布變異，并利用貪婪策略僅接收更優個體，以提高全局搜索能力和搜索速度。算例分析在一個修改的IEEE 6機30節點系統和一個省域簡化電力系統中展開。結果表明，與飛蛾搜索算法、遺傳算法、粒子群算法和生物地理算法相比，GCTMSA具有更強的搜索能力和穩定性。同時，分析了CHWPPS和電池儲能對系統的影響。相關討論與結論可為水火風光蓄儲聯合調度等多能互補技術發展提供參考。

梯級水風光蓄一體化；自適應交叉算子；自適應t分布；貪婪策略；改進飛蛾搜索算法

0 引言

多能互補技術是我國構建以新能源為主體的新型電力系統的關鍵技術之一。它能充分利用不同能源的互補特性，整合可再生能源和可控能源，提升電網的靈活調度能力[1-3]。

目前，國內外學者已對不同類型的多能互補調度模型和方法等展開了大量研究。其一，從多能互補類型的角度來看，主要涉及了風-火[4]、水-光[5]、水-火-風-光[6-7]、風-光-火-儲[8-9]等類型。其中，文獻[4]將易控火電與風電進行聯合調度，提升了風電在系統中的滲透率。文獻[5]將清潔水電與光伏互補接入系統，一定程度上平滑了光伏出力波動。文獻[6-7]以火電、水電和可控負荷為可調度資源，構建了一個日前調度系統，實現調度經濟性與魯棒性的平衡。文獻[8-9]引入儲能裝置，利用其靈活吞吐能力應對風光出力的不確定性，提升能源利用效率。然而，梯級水風光蓄一體化(the integration of cascade hydro-wind-photovoltaic-pumped storage, CHWPPS)及其與火電耦合等的多能互補研究還未見報道。因此，開展水火風光蓄儲聯合調度研究對于發展新型電力系統調度理論與方法具有重要意義。

其二，從多能互補調度模型和求解方法角度來看，各能源間的強耦合性和可再生能源的隨機性，使多能互補調度問題的可行域空間變得十分復雜[10-11]。拉格朗日松弛法[12]和梯度投影法[13]等傳統求解方法效率低下，很難在滿意時間內搜索到可行解。文獻[14]構建了一個包含風光儲在內的綜合能源系統，在傳統磷蝦算法中引入線性遞減策略，結合粒子群優化算法，有效提升模型求解效率。文獻[15]建立了一種自適應增強的搜索性獵物機制來增強鯨群種群的多樣性，防止算法陷入局部最優。文獻[16]基于小波變異改進鯨魚優化算法，與其他算法相比，改進的算法顯著提高了系統經濟性。文獻[17]以最大源荷匹配度和最小棄電量為目標，構建了一個水光互補的源荷雙層嵌套優化調度模型，采用改進的螢火蟲算法進行求解，取得了顯著的效果。從上述文獻可以發現，采用元啟發式算法求解多能互補系統優化調度問題是一條極具潛力的技術路線。近期提出的飛蛾搜索算法(moth search algorithm, MSA)[18]是一種新型元啟發式算法，相關領域的應用研究表明其具有較好的求解效率等優點[19-21]。但暫未見MSA應用于新型電力系統調度領域的研究。

因此，為發展新型電力系統調度理論與方法，本文構建了一個含CHWPPS的水火風光蓄儲聯合經濟調度模型。同時，為進一步提高MSA的搜索能力和穩定性，提出了一種基于貪婪策略、自適應交叉算子和自適應t分布變異的改進蛾群搜索算法(greedy strategy, adaptive crossover operator and adaptive t-distribution variation based moth search algorithm, GCTMSA)。一個修改的IEEE 6機30節點系統和一個省域簡化電力系統的測試結果表明了本文所提模型和算法的有效性和優越性。

1 梯級水火風光蓄儲低碳聯合調度模型

1.1 目標函數

為考慮電力系統整體經濟性，以綜合成本最小為目標函數。

1) 火電機組運行成本

2) 電池儲能機組運行成本

3) 碳交易成本

4) 棄風棄光成本

1.2 約束條件

1) 功率平衡約束

2) CHWPPS運行約束

不考慮能量交換過程，CHWPPS內部的電力流與水流情況如圖1所示。

圖1 梯級水風光蓄一體發電系統

CHWPPS出力約束為

式中，CHWPPS,N為梯級小水電機組總額定出力。

水電機組出力約束為

風電、光伏機組出力約束為

抽水蓄能機組約束為

3) 火電機組運行約束

4) 電池儲能機組運行約束

5) 網絡安全約束

本文借助直流潮流表述潮流分布，引入功率轉移分布因子(power transfer distribution factor, PTDF)直接描述節點有功功率與線路有功潮流的線性關系，使得電力調度優化模型無需考慮中間變量節點電壓相角，基于PTDF的直流潮流計算方法能夠獲得與交流潮流相近的結果[22]。

2 求解方法

2.1 飛蛾搜索算法

受飛蛾趨光性和Lévy飛行特性的啟發，文獻[18]提出了MSA。該算法按適應度值大小將整個種群分為兩個相等的子群，適應度最好的飛蛾被視為光源，子群1中飛蛾利用Lévy飛行策略，依靠自身的位置信息擴大算法的搜索范圍，如式(20)所示。

相反，子群2中適應度較低的飛蛾以直線飛行策略向光源邁進，更新公式如式(22)。

2.2 改進的飛蛾搜索算法

傳統MSA中直線飛行算子的隱性學習機制主要集中于全局最優個體上，易陷入局部最優，收斂速度慢。要進一步改進MSA性能，需要深入研究維持種群多樣性和共享優良信息的替代策略[21]。

1) 改進的自適應交叉算子

為充分共享飛蛾間信息，提升全局搜索能力及收斂速度，本文提出了一種自適應交叉算子，在MSA利用式(20)進行位置更新后，根據個體適應值對位置進行優化，使算法前期快速跳出局部最優，并提高迭代后期種群的多樣性。具體公式如式(23)。

2) 自適應t分布變異

為進一步提升迭代后期種群多樣性，提高算法全局搜索能力，本文在直線飛行策略中加入自適應t分布變異。

在智能優化算法中，常用柯西變異算子與高斯變異算子來提升算法的求解性能，柯西變異算子在全局搜索上有較強的能力，且在迭代過程中可以保持種群的多樣性；而高斯變異算子在局部開發上有較強的搜索能力，能在一定程度上提高收斂速度。自適應t分布變異綜合兩者優點，將迭代次數視為自由度參數，其概率密度函數表達式如式(25)。

對飛蛾位置利用自適應t分布變異進行更新，如式(26)。

3) 貪婪策略

貪婪策略選擇適應度更好的飛蛾個體更新。

圖2 柯西分布、t分布和高斯分布函數分布圖

2.3 求解流程

綜上，本文所提改進算法的流程如圖3所示。

圖3 GCTMSA流程圖

Step2：計算飛蛾個體適應度值并排序。

Step3：將整個種群按照排序大小分為兩個相等的子群。子群1通過Lévy飛行策略、自適應交叉算子更新飛蛾位置，子群2通過直線飛行算子、自適應t分布變異算子更新飛蛾位置，并通過貪婪策略更新更優飛蛾個體位置，合并新子群后進行排序。

Step4：判斷是否大于迭代次數，若是，則輸出最優可行解，否則返回Step3。

3 算例分析

3.1 IEEE 6機30節點系統仿真

為驗證本文所提調度模型及方法的有效性及優越性，本文借助GCTMSA對一個修改的IEEE 6機30節點系統進行優化。系統接線圖如圖4所示，節點2接入一個電池儲能機組，額定容量為233 MWh，其每小時最大充放電功率為±60 MW，充放電效率為0.9。節點3接入了一個CHWPPS，其中包含3個梯級小水電機組、1個風電機組、1個光伏機組及一個抽蓄機組，水風光規模比例根據雅礱江實際水風光一體電站1:0.34:0.4比例進行建模，抽蓄電站抽水與放電的功率為±30 MW，抽蓄電站參數[23]見表1，抽水和發電效率為0.9?；痣姍C組參數見文獻[24]，單位碳交易成本為40元/t，碳排放配額為0.8 t/MW。棄風棄光懲罰系數為200元/MWh，風電、光伏預測功率及典型日負荷如圖5所示。GCTMSA的參數設置如下：每代保存飛蛾數量為2，最大移動步長為1，加速系數為0.618。所有算法的種群規模為100，迭代次數為3000，其他算法詳細參數設置見文獻[25]。

圖4 一個修改的IEEE6機30節點系統

表1 抽水蓄能機組相關參數

圖5 風電、光伏預測功率及典型日負荷

1) 不同場景下的結果分析

為驗證CHPPWS電站聯合出力效益及抽蓄、電池儲能機組對調度結果的影響，本文借助GCTMSA對3種場景進行求解，場景1：風、光、水、火參與調度，不考慮電池儲能和抽蓄，考慮梯級水風光一體發電；場景2：風、光、水、火、抽蓄參與調度，不考慮電化學儲能，考慮梯級水風光蓄一體發電；場景3：風、光、水、火、抽蓄、電化學儲能參與調度，考慮梯級水風光蓄一體發電。各場景下優化調度結果如表2所示，圖6為各場景下日前優化調度結果。

表2 各場景下結果參數比對I

綜合觀察表2與圖6可知，3種場景下各能源出力總和均滿足功率平衡約束。對比場景1、2可知，當梯級水、風、光、蓄一體接入電網時，抽蓄電站利用自身靈活吞吐的能力，在低峰負荷時，就地消納了多余的水風光出力，在高峰負荷時輸出儲存電力，提升了CHWPPS總出力的同時減少了火電機組出力。此時，綜合成本下降了13.39萬元，碳排放量降低了128.61 t，棄風棄光量下降16.91%，通道利用率也由66.98%提升至71.42%。而隨著場景3中電池儲能機組的接入，系統的靈活調度能力得到了提升，儲能在系統中占比達到了40%。電池儲能機組為系統提供了大量的備用容量，并且可以快速安排自身調度空間貼合負荷需求，有效緩解了火電機組的調峰壓力及其爬坡幅度，進一步減少火電機組出力，為CHWPPS出力創造空間，有效提高了系統低碳經濟性。對比場景2、3，碳交易成本下降了0.36萬元，棄風棄光量減少了99 MW，現有水電通道利用率由71.42%提升至74.41%。雖然電池儲能的接入大大提升了電網的靈活性，但電池儲能機組的使用將會造成一定的損耗成本，綜合成本僅小幅下降3.11萬元。

通過以上對系統運行經濟性與環保性的分析結果可以得出，在系統中考慮CHWPPS能夠有效提升可再生能源就地消納能力，增加通道利用率，提高經濟效益。同時，當系統中儲能總裝機容量增加時，可以在一定程度上緩解火電機組調峰壓力，提高可再生能源滲透率，實現低碳經濟調度。并且，3種場景下GCTMSA均能獲得可行解，這說明本文所提算法的普適性。

圖6 各場景下日前優化調度

2) 不同算法下的求解結果分析

借助GCTMSA、粒子群算法(particle swarm optimization, PSO)、遺傳算法(genetic algorithm, GA)和生物地理算法(biogeography-based optimization, BBO)分別對場景3下含CHWPPS的梯級水火風光蓄儲聯合調度模型進行求解尋優，為避免算法求解的隨機性，每種算法均獨立運行30次，統計所得最小值、最大值、均值及方差結果如表3所示。并將各算法獨立運行30次求解結果的最大值、最小值和平均值作為評價算法搜索能力的指標，方差作為判別算法求解穩定性的指標。

表3 不同算法的統計結果

從表3中可以確認，GCTMSA獨立運行30次的最小值、最大值、平均值在所有算法中均為最小，其最小目標值相較于MSA、GA、PSO和BBO算法分別降低了0.307萬元、1.14萬元、0.651萬元和0.306萬元，最大值分別降低了1.316萬元、8.586萬元、3.197萬元和1.604萬元，平均值分別降低了0.824萬元、4.177萬元、1.318萬元和0.483萬元。此結果綜合說明了GCTMSA在種群多樣性上明顯優于其他算法，且能搜索到更小的綜合成本，具有較強的尋優能力。

并且，在所有算法求解結果中，GCTMSA的最大值和最小值差值最小，為2.66萬元，且其能取得最低的方差。GCTMSA獨立運行30次求解結果的方差相較于MSA、GA、PSO和BBO算法分別降低了45.6%、77.0%、47.7%和40.2%，表明了GCTMSA求解結果的穩定性。此外，為了直觀地觀察各算法求解結果的分布情況，借助圖7所示的箱線圖將各算法獨立運行30次求解所得綜合成本值可視化。由圖7可知，相較于其他優化算法，GCTMSA所對應的箱體最扁、端線最短，中位數值和均值也是所有算法中最小的，說明GCTMSA獨立運行30次所獲得的綜合成本值分布最為集中，波動最小，具有更優越的穩定性。

圖7 運行30次的綜合成本值分布1

與此同時，圖8展示了所有算法獨立運行30次的收斂曲線。由圖8可以看出，GCTMSA相較于其他算法，下降速度更快，當迭代次數相同時，GCTMSA具有更低的目標適應值，收斂更為迅速，GCTMSA在不到200次迭代次數內收斂并取得更低的全局目標函數值，而MSA、GA、PSO和BBO算法均出現陷入局部最優的情況，其收斂迭代次數均大于200次。此結果進一步驗證了所提算法尋優速度的優越性。

圖8 所有算法的收斂曲線1

3.2 省域簡化電力系統仿真

為了進一步驗證本文所提方法與模型在實際系統中的有效性和優越性，在中國某省簡化電網系統上展開算例分析，系統接線圖如圖9所示。其中包括9臺火力發電機組，總裝機容量為10 730 MW。在節點11接入一臺裝機容量為900 MW的電池儲能機組，其充放電功率為±250 MW，充放電效率為0.9。分別在節點3和節點10接入3個CHWPPS電站，包含HJD、DF、SFY 3臺水電站組成的梯級水電站群及其周邊3臺風電機組、3臺光伏機組、3臺抽蓄機組，梯級水電站總裝機容量為1895 MW，每臺抽水蓄能電站抽水功率和放電功率均為253 MW。光伏數據收集自文獻[7]中節點4處平均出力，典型日負荷及光伏出力曲線如圖10所示，風速數據見文獻[7]，棄風棄光懲罰系數為500元/MWh，其他參數設置與IEEE 6機30節點中設置相同。

圖9 一個簡化的省域電網系統

圖10 典型日負荷及光伏出力曲線2

1) 不同場景下的結果分析

借助GCTMSA仿真所得不同場景下的優化結果如表4所示。場景設置與IEEE 6機30節點系統相同。

表4 各場景下結果參數比對2

由表4可知，本文場景3下各優化結果均優于其他兩種場景。尤其是在綜合總成本方面，場景2比場景1降低了28.5%。通道容量從71.02%提升到了74.21%，棄風棄光量降低了239.04 MW，這再次驗證了CHWPPS對提升系統能源利用率與經濟效益的有效性。其次，對比場景2和場景3下實驗結果可以發現，在系統中接入具有靈活調節能力的儲能機組，能迅速反應負荷需求，棄風棄光量從場景2的2174.79 MW減少到了2049.39 MW，通道利用率提升了2.45%。由于儲能自身存在損耗，綜合成本小幅度減少了156.70萬元，碳排放量從2 231 091.89 t減少到了230 105.01 t。進一步為系統低碳經濟運行創造條件。

2) 不同算法下的求解結果分析

將GCTMSA與傳統MSA、GA、PSO和BBO算法分別獨立運行30次的求解結果進行比較，統計結果如表5所示。

表5 不同算法的統計結果2

由表5可知，在30次獨立運行中，GCTMSA在最小值、最大值、平均值方面均優于其他算法。GCTMSA搜索獲得了綜合成本最小值，為8052.8萬元，其次綜合成本最小值由BBO獲得，為8062.2萬元，GCTMSA比 BBO求解所得綜合成本最小值結果降低了9.4萬元。值得注意的是，在實際系統中，由于機組數量較多，GA和PSO算法求解存在較大的隨機性，存在無法求出最優值的情況，最大值分別為23 702萬元和32 502萬元，而GCTMSA相對穩定，目標函數最大值和最小值差值僅為240萬元。并且，圖11展示了將GCTMSA、MSA、GA、PSO、BBO分別獨立運行30次求解結果的分布情況。

圖11 運行30次的綜合成本值分布2

綜合圖11中各算法分別獨立運行30次求解結果的分布情況和表5的方差值可知，相較于MSA、GA、PSO、BBO，GCTMSA對應的箱體最扁，上下邊緣間隔最近，中位數值和均值均是所有算法中最小的，且其方差相較于其他算法，最大減少了5.098。進一步驗證了本文所提算法GCTMSA求解的穩定性。值得一提的是，GCTMSA在收斂特性方面相較于其他算法也表現優越。觀察圖12可知，GCTMSA在迭代初期下降明顯，且在迭代次數相同時，能取得更低的目標值。

圖12 所有算法的收斂曲線2

4 結論

針對新型電力系統中多能互補調度問題，本文從模型與求解方法兩方面開展了研究，構建了一個含CHWPPS的梯級水風光蓄儲聯合調度模型，并提出了一種基于貪婪策略、自適應交叉算子和自適應t分布的GCTMSA算法。在一個修改的IEEE 6機30節點系統和一個省域簡化電力系統中開展了仿真實驗，一些討論和結論如下：

1) 本文構建的含CHWPPS的梯級水火風光蓄儲聯合調度模型，能充分挖掘抽蓄和儲能的靈活能力，有效提升新能源消納能力，提高現有水電通道利用效率，為多能互補調度技術發展提供參考。

2) 本文所提GCTMSA算法相較于MSA、GA、PSO和BBO算法，在兩個系統中搜索所得綜合成本最大分別減少了1.14萬元和158.88萬元，方差分別降低了0.2069和5.098。這表明了GCTMSA求解含CHWPPS的梯級水風光蓄儲聯合調度系統時，能搜索到更為低碳經濟的調度策略，穩定性更好，求解速度更快。

[1] JURASZ J, CANALES F A, KIES A, et al. A review on the complementarity of renewable energy sources: concept, metrics, application and future research directions[J]. Solar Energy, 2020, 195: 703-724.

[2] 黎博, 陳民鈾, 鐘海旺, 等. 高比例可再生能源新型電力系統長期規劃綜述[J/OL]. 中國電機工程學報: 1- 27[2022-04-03]. https://doi.org/10.13334/j.0258-8013. pcsee.212716.

LI Bo, CHEN Minyou, ZHONG Haiwang, et al. A review of long-term planning of new power systems with large share of renewable energy[J/OL]. Proceedings of the CSEE: 1-27[2022-04-03]. https://doi.org/10.13334/j.0258- 8013.pcsee.212716.

[3] 馮奕, 應展烽, 顏建虎. 考慮碳排放成本的多能互補微能源網儲能裝置優化運行[J]. 電力系統保護與控制, 2021, 49(8): 92-99.

FENG Yi, YING Zhanfeng, YAN Jianhu. Optimized operation of energy storage in a multi-energy complementary micro-energy network considering carbon emission cost[J]. Power System Protection and Control, 2021, 49(8): 92-99.

[4] BERAHMANDPOUR H, KOUHSARI S M, RASTEGAR H. A new flexibility based probabilistic economic load dispatch solution incorporating wind power[J]. International Journal of Electrical Power & Energy Systems, 2022, 135.

[5] TANG Y, FANG G, TAN Q, et al. Optimizing the sizes of wind and photovoltaic power plants integrated into a hydropower station based on power output complementarity[J]. Energy Conversion and Management, 2020, 206.

[6] YANG H, LIANG R, YUAN Y, et al. Distributionally robust optimal dispatch in the power system with high penetration of wind power based on net load fluctuation data[J]. Applied Energy, 2022, 313.

[7] HUANG Q, HAN S, RONG N, et al. Stochastic economic dispatch of hydro-thermal-wind-photovoltaic power system considering mixed coal-blending combustion[J]. IEEE Access, 2020, 8: 218542-218553.

[8] 臧紫坤, 楊曉輝, 李昭輝, 等. 考慮儲熱改造與最優棄能的風光火儲低碳經濟調度[J]. 電力系統保護與控制, 2022, 50(12): 33-43.

ZANG Zikun, YANG Xiaohui, LI Zhaohui, et al. Low-carbon economic scheduling of solar thermal storage considering heat storage transformation and optimal energy abandonment[J]. Power System Protection and Control, 2022, 50(12): 33-43.

[9] BASU M. Multi-region dynamic economic dispatch of solar-wind-hydro-thermal power system incorporating pumped hydro energy storage[J]. Engineering Applications of Artificial Intelligence, 2019, 86: 182-196.

[10] 臧海祥, 馬銘欣, 周亦洲, 等. 電力市場環境下風電-光熱-生物質混合電站魯棒優化調度模型[J]. 電力系統保護與控制, 2022, 50(5): 1-11.

ZANG Haixiang, MA Mingxin, ZHOU Yizhou, et al. Robust optimal scheduling model for a ’wind power- concentrating solar power-biomass’ hybrid power plant in the electricity market[J]. Power System Protection and Control, 2022, 50(5): 1-11.

[11] SAKTHIVEL V P, SATHYA P D. Single and multi-area multi-fuel economic dispatch using a fuzzified squirrel search algorithm[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 1-13.

[12] HINDI K S, AB GHANI M R. Dynamic economic dispatch for large scale power systems: a Lagrangian relaxation approach[J]. International Journal of Electrical Power & Energy Systems, 1991, 13(1): 51-56.

[13] GRANELLI G P, MARANNINO P. Fast and efficient gradient projection algorithm for dynamic generation dispatching[J]. IEE Proceedings. Part C, 1989, 136(5): 295-302.

[14] DENG Z, YANG J, DONG C, et al. Research on economic dispatch of integrated energy system based on improved krill swarm algorithm[J]. Energy Reports, 2022, 8: 77-86.

[15] YANG W, PENG Z, YANG Z, et al. An enhanced exploratory whale optimization algorithm for dynamic economic dispatch[J]. Energy Reports, 2021, 7: 7015-7029.

[16] NADERI E, AZIZIVAHED A, ASRARI A. A step toward cleaner energy production: a water saving-based optimization approach for economic dispatch in modern power systems[J]. Electric Power Systems Research, 2022, 204.

[17] 張歆蒴, 陳仕軍, 曾宏, 等. 基于源荷匹配的異質能源互補發電調度[J]. 電網技術, 2020, 44(9): 3314-3320.

ZHANG Xinshuo, CHEN Shijun, ZENG Hong, et al. Heterogeneous energy complementary power generation dispatching based on output-load matching[J]. Power System Technology, 2020, 44(9): 3314-3320.

[18] WANG G G. Moth search algorithm: a bio-inspired metaheuristic algorithm for global optimization problems[J]. Memetic Computing, 2018, 10(2): 151-164.

[19] FATHY A, ABD ELAZIZ M, SAYED E T, et al. Optimal parameter identification of triple-junction photovoltaic panel based on enhanced moth search algorithm[J]. Energy, 2019, 188.

[20] SUN S, SU Y, YIN C, et al. Optimal parameters estimation of PEMFCs model using converged moth search algorithm[J]. Energy Reports, 2020, 6: 1501-1509.

[21] FENG Y, WANG G G. A binary moth search algorithm based on self-learning for multidimensional knapsack problems[J]. Future Generation Computer Systems, 2022, 126: 48-64.

[22] 殷自力, 陳宇星. 基于功率傳輸轉移分布因子的簡化電網潮流計算方法[J]. 電力系統保護與控制, 2016, 44(17): 25-30.

YIN Zili, CHEN Yuxing. A power flow computation method for reduction grid based on power transfer distribution factor[J]. Power System Protection and Control, 2016, 44(17): 25-30.

[23] MENéNDEZ J, FERNáNDEZ-ORO J M, GALDO M, et al. Efficiency analysis of underground pumped storage hydropower plants[J]. Journal of Energy Storage, 2020, 28.

[24] 劉蕓, 韓松, 黃秋立. 考慮火電深度調峰煤耗特性的隨機機組組合[J]. 計算機仿真, 2021, 38(2): 67-71, 86.

LIU Yun, HAN Song, HUANG Qiuli. Stochastic unit commitment considering coal consumption of thermal units under deep peak regulation[J]. Computer Simulation, 2021, 38(2): 67-71, 86.

[25] WANG G G, GUO L, GANDOMI A H, et al. Chaotic krill herd algorithm[J]. Information Sciences, 2014, 274: 17-34.

Dispatch of a cascade hydro-thermal-wind-photovoltaic-storage complementary system based on GCTMSA

CAO Yun, HAN Song, RONG Na, ZHAN Xianwen, LIU Min

(College of Electrical Engineering, Guizhou University, Guiyang 550025, China)

To develop novel theories and methods of power system dispatch, this paper constructs a hydro-thermal-wind- photovoltaic-storage coupled dispatching system, one that integrates cascade hydro-wind-photovoltaic-pumped storage (CHWPPS). When analysing such a coupled dispatching system, it is easy for the traditional solution method to fall into a local optimum and it is challenging to arrive at a feasible solution within a satisfactory time. This paper proposes a greedy strategy, adaptive crossover operator and adaptive t-distribution variation-based moth search algorithm (GCTMSA) to overcome these shortcomings. GCTMSA combines the adaptive crossover operator with the Lévy flight strategy, introduces an adaptive t-distribution variation in flight straight strategy, and uses the greedy strategy to enhance the global search capability and speed. The case studies conducted on a modified IEEE 6-machine and 30-bus system and a provincial simplified power system show that the GCTMSA has more substantial search capability and stability than the traditional moth search, genetic or particle swarm algorithms, as well as biogeography-based optimization. The impact of CHWPPS and battery storage on the system is analyzed. The related discussion and conclusion can provide a reference for developing multi-energy complementary technologies such as dispatching hydro-thermal-wind-photovoltaic-storage coupled systems.

CHWPPS; self-adaptive crossover operator; adaptive t-distribution; greedy strategy; GCTMSA

10.19783/j.cnki.pspc.220475

國家自然科學基金項目資助(51967004)；貴州省優秀青年科技人才項目資助(黔科合平臺人才[2021]5645)；貴州省科學技術基金項目資助(黔科合基礎[2021]277)；貴州省教育廳批準建設“新型電力系統及其數字化技術工程研究中心”(黔教技[2022]043號)

This work is supported by the National Natural Science Foundation of China (No. 51967004).

2022-04-05；

2022-07-10

曹 韻(1999—)，女，碩士研究生，研究方向為電力系統與綜合能源；E-mail: 1726454513@qq.com

韓 松(1978—)，男，通信作者，博士，碩士生導師，研究方向為交直流電力系統動態分析、新型電力電子裝備以及配電網規劃。E-mail: shan@gzu.edu.cn

(編輯 魏小麗)