建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操作来改善算法的性能并保持解的多样性,以获得理想的Pareto最优前沿.通过仿真计算,并与其他优化算法进行对比分析,验证了MOEA/D算法解决含风电EED问题的可行性和有效性.
为了准确、快速地求解电力系统环境经济调度(environmental economic dispatching,EED)问题,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)应用于电力调度领域,提出了基于MOEA/D的多目标环境经济调度算法。该算法首先采用Tchebycheff法将整个EED Pareto最优前沿的逼近问题分解为一定数量的单目标优化子问题,然后利用差分进化同时求解这些子问题,并在算法中加入约束处理及归一化操作,以获得最优的带约束EED问题的调度方案。最后,应用模糊集理论为决策者提供最优折中解。对IEEE 30节点测试系统进行仿真计算,并与其它智能优化算法的调度方案对比。结果表明,该算法有效可行,且具有很好的收敛速度和求解精度。
为应对风电并网给电力经济调度带来的影响,构建了含风电场的多目标动态环境经济调度模型。该模型能同时兼顾燃料费用目标及污染排放目标,并计及阀点效应、网络损耗以及由风电不确定性引起的旋转备用需求。为求解该模型,达到为决策者提供最优调度方案集的目的,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)应用于动态调度领域。针对模型的复杂约束,在算法中加入对机组出力的实时调整及对约束违反量的适当惩罚,并利用归一化操作,避免算法向某一目标过度进化。经过对算例的仿真及对不同调度方案的对比分析,验证了所提调度模型的合理性以及改进MOEA/D算法解决此类问题的有效性。
