水电系统调度启发式途径

抽象的

本文涉及水电系统的短期调度问题。目标是以经济和安全的方式满足日常能源需求。考虑了发电机单元的个性和其效率曲线的非线性。数学模型被配制为动态，混合整数，非线性，非凸，组合和多目标优化问题。我们提出了一种使用综合方法的两种解决方案方法。它们将遗传算法与强度帕累托进化算法和蚁群优化相结合。两种方法分为两个阶段。在第一个，为了最大化工厂的净一代，对于一天的每小时（静态调度）解决了问题。在第二阶段中，为了最小化单位的开关打开，当天被视为整体（动态调度）。所提出的方法应用于级联的巴西水力发电厂，属于国家互连系统。 The nondominated solutions from both approaches are presented. All of them meet demand respecting the physical, electrical, and hydraulic constraints.

1.介绍

巴西的发电系统主要是水力发电。该系统的运营计划/调度分为长期、中期和短期三个阶段。从长期来看，以月时间步长计算，最长可达5年。在这个阶段，植物按子系统分组。在中期，期限最长为一年，时间步长为每月或每周。在这个阶段，植物被单独处理。在短期内，以每小时的时间步长计算，时间跨度可达两周。在这一阶段，电厂的发电单元(GUs)被考虑在内，物理、电力和水力方面也被考虑在内。

在短期内进行了GUs的最优动态调度(ODD)，这是本文研究的重点。它包括确定一天中每一个小时，哪些单元应该运行以及它们的发电水平。其目标是满足能源需求，优化利用可用水资源，并降低GUs的维护成本。

两个方程是用于GUS的ODD重要：液压平衡和生产函数，伊达尔戈等。[1］．液压平衡决定了储库从初始体积，水流入和水流出的最终体积。生产功能将工厂的发电与涡轮机效率，发电机效率，净头和排水有关。

可用水资源的最佳使用与工厂的有效操作有关。yi等人。[2]提出了以最大化系统效率，阿尔塞等。[3.旨在最大限度地减少发电损失，Finardi和Scuzziato [4.]表明最小化释放的总水，以及Catalão等。[5.建议最大化储存器中储存水的值。

除了其他因素外，GUs的维护成本还受到运行期间启动和关闭次数的影响。Nilsson等人估计，每个开关的单位减少其使用寿命约10至15小时。6.］．Borghetti等。[7.]定义GUS的开关开关的成本。昌等人。[8.]为每个单位的状态变化提出罚款。Chancelier和Renaud [9.]可确定GUS的启动和关闭之间需要的最小时间。

如图所示，奇数问题有两个主要目标：增加植物的净生成，并减少GUS的状态改变的次数。与此问题相关的系统约束包括满足负载需求和尊重物理，电气和液压约束。它具有用于选择GUS和连续变量的离散变量，用于加载每个在线GU的加载调度。水力发电的生产功能和单位的效率曲线是非线性的。奇怪的问题通常是非渗透的。问题的组合性质使其变得更加复杂。

已经应用人工智能技术来解决奇数的类似问题。桑托斯和ohishi [10.将遗传算法(GA)和拉格朗日松弛法(LR)应用于三个巴西水力发电系统。穆勒(11.为单位承诺（UC）问题采用GA和顺序二次编程（SQP），以最大限度地减少发电中的损失。COLNAGO [12.]采用气体来解决问题。naresh和sharma [13.提出了一种基于人工神经网络(ann)的水力系统调度模型。黄(14.]提出基于蚁群系统（ACS）的优化方法，提高水电生成调度。Villasanti等。[15.]采用多目标进化算法（MOEAS）来派遣水电发电机单元。Musirin等人。[16.应用蚁群优化技术求解以成本最小为目标函数的经济电力调度问题。哥伦布等人[17.]提出的交点蚁群（NACO）技术来解决UC问题利润最大化为目标函数。莫等人。[18.[介绍基于多蚁群系统（MACS）的混合算法和自适应差分进化（ADE），用于解决短期氢化调度问题。

本文介绍了开发的两个成交学方法，以解决GUS的奇数问题。它们基于GA，强度帕累托进化算法（SPEA）和ACO。GA用于创建和多样化解决方案的搜索空间。使用SPEA来选择接近帕累托前沿的解决方案。ACO应用于使用蚂蚁累积的经验来探索搜索空间。

2.研究对象

该研究的研究对象是两家在级联运营的巴西水力发电厂：jupiá（Engenheiro Souza Dias）和波尔图的Primavera（EngenheiroSérgioMotta.）。According to the company that manages the operation of these plants, their head can be considered constant, during the day, and equal to 20 m. Figure1示出了这些植物的操作示意图。它们分别位于巴拉那河。

Jupiá is a run-of-river plant, with 1,551 MW of installed power and 14 GUs. The first 12 units of Jupiá plant are connected to the 440 kV busbar and the last 2 units are connected to the 138 kV busbar. Its dam is 5,495 m long and its reservoir is 330 km²。

Porto Primavera的储存量小，618米^3.。因此，它被作为河流厂操作。Porto Primavera Plant有1,540兆瓦的安装功率和14 Gus。所有这些都连接到440 kV母线。这座大坝是巴西最大的大坝，长10,186.20米长，水库是2,250公里²。

对于Jupiá电厂，GUs 1、3、5、6、7、8、9、11、12和14的运行极限范围为25-110.8 MW;GU 2范围为40-110.8 MW;GU 4只能运行100兆瓦。GUs 10和13范围是50-100 MW。对于Porto Primavera电厂，所有GUs都有相同的运行限制:下部为30 MW，上部为110 MW。

GUS的特征曲线由第四度多项式表示。它们使头部= 20米的效率和功率相关。桌子1为Jupiá的GUs系数。桌子2显示Porto Primavera的GUS系数。

3.数学公式

3.1。目标函数

所提出的优化模型包含两个相互冲突的目标。它们是:(1)最大限度地提高植物的总净发电量;(2)最大限度地减少GUs状态改变的次数。Jupiá和Porto Primavera分别进行了优化，因为它们是作为径流发电厂运行的: 在哪里=时间段的指数;= GU的索引;= GUS的总数;=生成单元的，在该时间段(MW);机组的效率，在该时间段;=植物的网头;和=指示单位的二进制变量在时间段中活跃(1 =活跃，0 =不活跃)。

3.2。约束

优化是受以下约束集，对于每一个时间段。不等式（2)为母线需求约束，即所产生的功率必须满足规定的负载需求。根据(3.），单位的排水之和等于植物的总排水。由于植物是河流的，水流入必须等于水流出，排水加水溢出（4.）。不等式（5.） 和 （6.）分别指定净生成的下限： 在哪里=在时间段的工厂的需求(MW);=水的单元的放电，在该时间段（M.^3./ s）;在同一时期内，工厂的水排放量（M.^3./ s）;=植物的水流入，在时间段内（M.^3./ s）;和在这段时间内，工厂的水溢出（M.^3./ s)。

3.3。变量

模型的整数和连续变量在完整性约束中表示（7.） 和 （8.）， 分别。的整数变量被用于GUS的选择和连续变量被用于所选择的GUS的装载调度：

4.方法

我们提出了两种解决方案策略，使用了甲型培育方法。第一个结合了Ga，荷兰[19.]，其中SPEA，Zitzler等。[20.］．第二种方法将遗传算法与ACO、Dorigo和Stüzle联系起来[21.］．桌子3.显示了这些方法的主要特征。

两种方法分为两个阶段。在第1阶段，为了利用GA最大化工厂的净净生成，问题是一天中的每小时（静态调度）的问题。由此产生的人口包括一组包含一天中每小时派遣解决方案的个人。这些解决方案随机组合以构成初始阶段的初始群体的个体。

对于第一种方法，2阶段使用SPEA。在我们的问题中，这种多目标算法在最大化工厂的净生成和最小化GUS的开关之间搜索权衡。这一天被认为是一个整体（动态派遣）。因此，算法在外部存档中保存了Nondomination Solutive。

对于第二种方法，ACO用于阶段2.蚂蚁根据它们的累积体验利用搜索空间。在这种方法中，动态调度被解决为最小的成本路径问题。本阶段的主要目标是使用状态转换规则将GUS开关的开关最小化。由于搜索空间由来自阶段1的次优次解决方案组成，因此还考虑了第一个目标函数。权衡曲线的替代解决方案被采用同时处理两个客观函数。

5.案例研究

用于GA，SPEA，和ACO的参数，根据文献选择，示于表4.。在这张表中，=信息素轨迹的相对重要性和=启发式函数的相对重要性。

我们将案例研究进行到2013年02日和2013/01/11/01/01/101（培养植物特许权）的日子，使用GA + SPEA和GA + ACO方法为Jupiá和Porto Provesse植物的公司）。在框架I，II，III和IV的总数中存在八种案例研究。

在所有的研究中，网络一代至少满足了需求;满足了物理、电气和液压约束。表5.和6.显示的分别为2012年2月11日和2013年1月16日，该研究的结果。每一天，植物和方法两个变量都：GUS的数量（＃）切换开关和工厂的总净发电量（MW）。

效果越大，GUS开关的数量较少，更高的植物总净一代。可以比较只关注这些表的第一行（突出显示）的结果。

在框架I中，GA + SPEA呈现出更好的结果，与GUS的初创性和关闭数量相关植物的净生成（32,512.59 mw）。在框架II中，虽然两种策略都以完美的方式避免了顾人的开启，GA + SPEA表现出更好的净生成值（33,774.55 MW）。在框架III中，GA + SPEA产生更高的植物净生成值（31,949.96 MW），而GA + ACO则产生较少数量的初创性和关闭。在框架IV中，两次策略再次以完美的方式避免顾人的开启但是，Ga + Spea表现出更好的净生成值（36,426.65 mw）。

6.总结和结论

提出了水电系统动态调度优化的元启发式方法。数学模型包含两个相互冲突的目标。它被表述为一个动态、混合整数、非线性、非凸和组合优化问题。

该解决方案的战略，聘请GA，SPEA和ACO分为两个阶段。第一个解决了一天的每个小时的静态问题，以最大限度的净发电的工厂。第二阶段的主要问题与连接小时逐小时全天静的解决方案，设置动态分配。它的目标是最大化总净发电的工厂，并降低初创企业和单位的停机次数。

建议的方法被应用于级联操作的两个水力发电厂：Jupiá和波尔图Primavera的植物。八个个案研究，进行这两种植物两天，比较GA + SPEA和GA + ACO策略。

对于这项研究的案例研究，对这个问题的两个目标功能全，GA + SPEA方法显示出更好的效果。这可以在帧I，II和IV中可以看出，其中的较高的净生成值和新创的较低数目和关闭是在GA + SPEA柱。此外，在一般情况下，GA + SPEA呈现更好的结果在植物的净发电量和GA + ACO方面表现出相对更好的性能GU的通断开关，如框三所示。That probably occurs because, in Phase 2, SPEA deals with both objectives of the problem in a simultaneous way, since it is a multiobjective algorithm, whereas ACO focuses on the second objective, minimizing GU’s on-off, although the first objective is also taken into account in a preemptive way.

综上所述，GA + SPEA和GA + ACO两种求解策略都是求解水电站短期运行最优动态调度的较好方案。作为未来的工作，作者建议运行模型几次，以收集有表现力的案例研究。目标是在更大的样本中应用统计分析，以更准确的方式比较模型。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

该研究报告在此被三名巴西政府机构和最大的发电公司之一的支持。他们是Conselho Nacional de Desenvolvimentocientíficoetecnológio(CNPq),Coordenação德Aperfeiçoamento德Pessoal德NIVEL高级（CAPES），通讯社国立能源公司Elétrica(标语)CompanhiaEnergéticadesãoPaulo（CESC）分别。

参考

1. I. G. Hidalgo，D.G.Fontane，J. E. Lopes，J.G. Andrade和A. F. De Angelis，“水力发电单位的效率曲线”，水资源规划与管理学报，卷。140，没有。1，pp。86-91,2014。查看在：出版商的网站|谷歌学术搜索
2. J. Yi，J. W. Labadie和S. Stitt，“动态最优单位承诺和加载水电系统的承诺”，水资源规划与管理学报，卷。129，没有。5，pp。388-398,2003。查看在：出版商的网站|谷歌学术搜索
3. A. ARCE，T. Ohishi和S.飙升，“ITAipu水力发电厂的发电机组的最佳派遣”，电力系统上的IEEE事务，卷。17，不。1，pp。154-158,2002。查看在：出版商的网站|谷歌学术搜索
4. E. C. Finardi和M. R. Scuzziato，“前瞻性运营计划问题的”水电单位承诺和装载问题“，国际电力与能源系统杂志，卷。44，不。1，pp。7-16,2013。查看在：出版商的网站|谷歌学术搜索
5. J.P. S.Catalão，S.J.P.S.Mariano，V.M.F. Mendes和L. A.F. M.Ferreira，“使用非线性模型的头依赖性水力链的行为的参数化影响”电力系统研究，卷。76，没有。6-7，pp.404-412,2006。查看在：出版商的网站|谷歌学术搜索
6. O. Nilsson，L.Söder和D.Sjelvgren，“水电系统短期调度中的纺纱储备要求的整数建模”，电力系统上的IEEE事务，第13卷，第2期3，第959-964页，1998。查看在：出版商的网站|谷歌学术搜索
7. A. Borghetti，C. D'Ambrosio，A. Lodi和S. Martello，“与依赖头层水库的短期水电调度和单位承诺的摩尔普方法”电力系统上的IEEE事务，卷。23，不。3，pp。1115-1124,2008。查看在：出版商的网站|谷歌学术搜索
8. G. W. chang，M.Aganagic，J.G.G.Wight等，“”混合整数线性规划的基于短期水电调度的方法，“电力系统上的IEEE事务，卷。16，没有。4，pp。743-749,2001。查看在：出版商的网站|谷歌学术搜索
9. J.P。Chancelier和A. Renaud，“日常发电计划：解决液压问题的分解方法”国际电力与能源系统杂志，卷。16，没有。3，第175-181，1994。查看在：出版商的网站|谷歌学术搜索
10. E. F. Santos和T. Ohishi，“使用遗传算法的水电单位承诺模型”国会在进化计算的程序（CEC '04），第2卷，1368-1374页，IEEE, 2004年6月。查看在：出版商的网站|谷歌学术搜索
11. G. Muller，使用遗传算法调度产生单位和各个水力发电的产生[M.S.论文]，里约热内卢联邦大学，里约热内卢，巴西，2010。
12. G. R. Colnago，水电站涡轮机优化的贡献：规范和操作[PH.D.论文]，坎皮纳斯州立大学，São保罗，巴西，2011。
13. R. Naresh和J. Sharma，“使用人工神经网络方法的水电系统调度”，电力系统上的IEEE事务，第15卷，第5期。1，页388 - 395,2000。查看在：出版商的网站|谷歌学术搜索
14. S.-J。黄，“基于蚁群算法的水电调度优化方法研究”，IEEE能源转换交易，卷。16，没有。3，pp。296-301,2001。查看在：出版商的网站|谷歌学术搜索
15. C. M. Villasanti，C.V. Laveen和B. Baran，“使用多目标进化算法”调度水力发电单元“IEEE / PES传输与分销会议与博览会的诉讼程序：拉丁美洲，第929-934，巴西圣保罗，2004年。查看在：谷歌学术搜索
16. I. Mulirin，N.H.F.F.F.Smail，M.R.Kalil，M.K.Idris，T.K.A.Rahman，以及M. R. Adzman，“蚁群优化（ACO）技术在经济权力派出问题中，”通信技术与工程科学的趋势，p. -k.A. Wai，X. Huang和S.-I。AO，EDS。，卷。33，第15章，第191-203章，斯普林克荷兰，2009年。查看在：谷歌学术搜索
17. C. C.哥伦布，K.Chandrasekaran，以及S.P.Imon，“Nodal Ant Colony优化，用于解决Gencos的利润的单位承诺问题”应用软计算期刊，第12卷，第2期1, pp. 145-160, 2012。查看在：出版商的网站|谷歌学术搜索
18. L. Mo，P. Lu，C. Wang和J. Zhou，“三峡葛洲坝级联水电站的短期水电发电调度使用杂种MACS-ADE方法”能源转换和管理，卷。76，pp。260-273,2013。查看在：出版商的网站|谷歌学术搜索
19. J. H. Holland，在适应自然和人工系统密歇根出版社，密歇根州安阿伯市，美国，1975年的大学。
20. E. Zitzler，M. Laumanns和L. Thiele，“Spea2：改善强度帕累托进化算法”技术。代表瑞士联邦理工学院电气工程系Tik-103，瑞士苏黎世，瑞士，2001年。查看在：谷歌学术搜索
21. M. Dorigo和T.Stüzle，蚁群优化是一个布拉德福书，麻省理工学院新闻，2004年。

版权

版权所有©2015年IEDA G.伊达尔戈等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。