本申請涉及電力系統環境經濟技術領域，特別涉及一種電力系統調度方法。

背景技術：

面對能源危機和環境污染的雙重壓力，風力發電作為一種環境經濟的有效發展途徑，可以降低火力發電的燃料費用和污染排放量，因而已經迅速發展應用起來，與火力發電一同為電力系統提供電能。

然而，由于自然界中的風力是不可控的，所以風力發電機組的輸出功率很不穩定，具有反調峰特性、間歇性等缺點，因而，會對電網造成沖擊，引起電力系統中負荷電壓的不合理波動；并且會經常造成風電消納過剩或者不足等問題。當消納過剩時，由于電力系統的用電負荷較小，因此需要減少風電的并網，即出現棄風問題；當消納不足時，則無法滿足電力系統中的供電需求。現有技術中，為了降低風電輸出功率波動性大對電網的沖擊，同時為了解決風電與電力系統用電需求之間的矛盾，使用了儲能技術，將風電儲存起來以待使用。但是，由于昂貴的成本，儲能技術目前仍無法廣泛地應用開來。

技術實現要素：

本申請的目的在于提供一種電力系統調度方法，以便廣泛地解決風電輸出功率波動性大對電力系統造成的沖擊問題，以及電力系統電能供需間的矛盾問題。

為解決上述技術問題，本申請提供一種電力系統調度方法，包括：

預先建立以火電機組出力值、風電機組出力值、電動車充電功率和放電功率為調度對象的電力系統的數學模型，所述數學模型包括目標函數和所述調度對象所滿足的約束條件；

依據所述數學模型，采用縱橫交叉算法生成所述調度對象的占優解集；以便依據所述占優解集進行電力系統調度。

可選地，所述依據所述數學模型，采用縱橫交叉算法生成所述調度對象的占優解集包括：

根據預先建立的電力系統的數學模型，生成符合所述約束條件的所述調度對象的多組解，并將所述多組解作為粒子構成初始種群；

根據粒子的適應度表達式，計算所述初始種群中的粒子的適應度，篩選保留適應度符合第一預設條件的粒子，作為父代種群中的粒子進行保存；所述適應度表達式根據所述目標函數和所述約束條件構建；

對所述父代種群中的粒子執行橫交叉，計算執行橫交叉后的粒子的適應度，并與所述父代種群中的粒子進行比較，篩選保留適應度符合第二預設條件的粒子，作為占優解集中的粒子進行保存；

對所述占優解集中的粒子執行縱交叉，計算執行縱交叉后的粒子的適應度，并與所述占優解集中的粒子進行比較，篩選保留適應度符合第三預設條件的粒子，作為更新的占優解集中的粒子進行保存，并作為下一次迭代的父代種群；

判斷是否滿足迭代終止條件；若否，則轉入所述對所述父代種群中的粒子執行橫交叉的步驟，若是，則輸出更新的所述占優解集。

可選地，所述約束條件包括功率平衡約束條件：

其中，n為火電機組的總數量，i＝1,2,…,n；pi,t為第i個火電機組在t時段內的出力值；m為風電機場的總數量；lj為第j個風電機場中風電機組的總數量；為第j個風電機場中第k個風電機組在t時段內的出力值；pv2gt,和pg2v,t分別為電動車在t時段內的放電功率和充電功率；pd,t為電力系統在t時段內的傳輸網損；pl,t為電力系統在t時段內的電力負荷。

可選地，所述目標函數包括所述火電機組的燃料費用函數和污染排放量函數；所述約束條件還包括出力值約束條件、旋轉備用約束條件、爬坡約束條件、剩余電量約束條件、充/放電約束條件和出行約束條件。

可選地，所述出力值約束條件為

pi,min≤pi,t≤pi,max；

其中，pi,min、pi,max分別為預設的第i個火電機組的出力下限、上限值；

所述旋轉備用約束條件為

其中，rt為電力系統在t時段內的旋轉備用容量需求；

所述爬坡約束條件為

-driδt≤pi,t-pi,t-1≤uriδt；

其中，uri、dri分別為預設的第i個火電機組在相鄰時段所允許的出力值的最大向上、向下調整率；

所述剩余電量約束條件為

其中，ηc、ηd分別為電動車的儲能電池的充、放電效率系數；δt為t時段的時長；δs為單位距離的耗電量；lt為電動車在t時段內的行駛里程；st為所述儲能電池在t時段結束時的剩余電量；smax、smin分別為預設的所述儲能電池的剩余電量的安全上、下限；

所述充/放電約束條件為

其中，png2v、pnv2g分別為電動車的額定充、放電功率；

所述出行約束條件為

其中，t為調度周期內的時段總數。

可選地，所述適應度包括燃料費用適應度和污染排放量適應度，所述燃料費用適應度和所述污染排放量適應度的計算公式為

其中，fs為燃料費用適應度；es為污染排放量適應度；f為火電機組的總燃料費用；e為火電機組的總污染排放量；ppunish1為燃料費用懲罰系數；ppunish2為污染排放量懲罰系數；v為種群粒子的總約束違反量，具體為

可選地，在所述篩選保留適應度符合第三預設條件的粒子，作為更新的占優解集中的粒子進行保存，并作為下一次迭代的父代種群之后、所述判斷是否滿足迭代終止條件之前還包括：

對所述更新的占優解集中的粒子進行動態約束調整，以便滿足所述功率平衡約束條件和所述出行約束條件。

可選地，所述的生成過程為：

獲取風速概率，根據威布爾分布的概率密度函數和所述風速概率計算風速；所述概率密度函數為

其中，f(vt)為風速概率；vt為風速；k＝2，為形狀參數；c＝15，為尺度參數；

根據風電機組出力值計算式和所述風速計算生成所述所述風電機組出力值計算式為

其中，vr、vci、vco分別為風電機組的額定風速、切入風速、切出風速；pr為風電機組的額定功率；

可選地，所述對所述父代種群中的粒子執行橫交叉包括：

依據橫交叉公式

對所述父代種群中的粒子執行橫交叉；

其中，x(i,d)和x(j,d)分別為父代種群中的粒子x(i)和x(j)的第d維，mshc(i,d)和mshc(j,d)分別為x(i,d)和x(j,d)經橫交叉產生的子代粒子的第d維；d∈n(1,d)；d為粒子維度總數；r1、r2為[0,1]之間的隨機數；c1、c2為[-1,1]之間的隨機數。

可選地，所述對所述占優解集中的粒子執行縱交叉包括：

依據縱交叉公式

對所述占優解集中的粒子執行縱交叉；

其中，x(i,d1)和x(j,d2)分別為占優解集中的粒子x(i)的第d1維和第d2維，msvc(i,d1)和msvc(i,d2)分別為x(i,d1)和x(i,d2)經縱交叉產生的子代粒子的第d1維和第d2維；d1,d2∈n(1,d)；r為[0,1]之間的隨機數。

本申請所提供的電力系統調度方法中，預先建立以火電機組出力值、風電機組出力值、電動車充電功率和放電功率為調度對象的電力系統的數學模型，所述數學模型包括目標函數和所述調度對象所滿足的約束條件；依據所述數學模型，采用縱橫交叉算法生成所述調度對象的占優解集；以便依據所述占優解集進行電力系統調度。

可見，相比于現有技術，本申請所提供的電力系統調度方法中，利用電動車入網，將電動車與電網之間的能量交互與風電、火電進行協調調度，通過縱橫交叉算法計算得到三者之間的合理調度方案，進而有效抑制了風電出力波動性對電網造成的沖擊，并協調平衡了電力系統的電能供需。由于電動車使用廣泛并發展迅速，電動車入網技術成本相對較低，因此，本申請所提供的方法具有廣泛的適用性，有利于環境經濟的快速協調發展。

附圖說明

為了更清楚地說明現有技術和本申請實施例中的技術方案，下面將對現有技術和本申請實施例描述中需要使用的附圖作簡要的介紹。當然，下面有關本申請實施例的附圖描述的僅僅是本申請中的一部分實施例，對于本領域普通技術人員來說，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖，所獲得的其他附圖也屬于本申請的保護范圍。

圖1為本申請實施例所提供的一種電力系統調度方法的流程圖；

圖2為本申請實施例所提供的又一種電力系統調度方法的流程圖；

圖3為本申請實施例所提供的一種動態調整方法的流程圖；

圖4為本申請實施例所提供的風電機組出力分布圖；

圖5為縱橫交叉算法與nsga-ii算法的多目標求解結果曲線圖。

具體實施方式

為了對本申請實施例中的技術方案進行更加清楚、完整地描述，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行介紹。顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。

請參考圖1，圖1為本申請實施例所提供的一種電力系統調度方法的流程圖，主要包括以下步驟：

步驟101：預先建立以火電機組出力值、風電機組出力值、電動車充電功率和放電功率為調度對象的電力系統的數學模型。

由于近年來，電動車入網(v2g)技術發展迅速并日趨成熟，使得電動車不僅可以從電網中吸收電能，還可以向電網回饋能量。現實中，根據調查，大部分的電動車在一天之中的停泊時間超過一天時間的96％，因此，本申請提出將電動車的閑置電能用來向電網放電，以便有效補償風電出力波動性引起的負荷不合理波動，抑制電網受到的沖擊。

在進行對電力系統調度之前，首先需要對調度對象(即火電機組出力值、風電機組出力值、電動車充電功率和放電功率)建立數學模型。所說的數學模型包括目標函數和調度對象所滿足的約束條件。具體地，由于進行電力協調調度的初衷是解決能源危機與環境污染危機，因此，目標函數可以包括燃料費用函數和污染排放量函數，則進行電力系統調度的目標就是使得兩個目標函數的取值都盡量最小。約束條件是用來限制和約束有待進行調度安排的各個調度對象及其彼此之間的關系的，以便得到切合實際的調度方案。這里，調度對象的數學模型不同，其得到的調度結果很可能不同；本領域技術人員可以根據實際情況選擇合適的目標函數和約束條件，本申請實施例對此并不進行限定。

步驟102：依據數學模型，采用縱橫交叉算法生成調度對象的占優解集；以便依據占優解集進行電力系統調度。

縱橫交叉算法(crisscrossoptimization,cso)的思想在于，每次迭代過程中都對種群中的粒子進行縱向和橫向的交叉，然后再擇優保留。所謂的縱/橫交叉，實質上都是種變化機制，可以將種群中的粒子進行微小變化，以得到眾多粒子，并在眾多粒子中尋獲效果較好的占優解。當迭代次數足夠大的時候，可以認為經過多次擇優篩選的結果就是要尋找的最好的占優解。因此，通過縱橫交叉算法，可以得到對電動車充/放電功率、火電機組出力值和風電機組出力的合理調度方案，使得目標函數結果最優，以便進行電力系統調度。

可見，本申請實施例所提供的電力系統調度方法，利用電動車與電網之間的能量交互來與火電和風電進行協調調度，利用縱橫交叉算法得到電動車充電功率和放電功率、火電機組出力值與風電機組出力值的合理調度策略。相比于現有技術，本申請所提供的電力系統調度方法，在可以實現對電力系統電能的合理安排和對電網沖擊的抑制的基礎上，具有較為廣泛的適用性。

請參考圖2，圖2為本申請實施例所提供的又一種電力系統調度方法的流程圖，主要包括以下步驟：

步驟201：預先建立以火電機組出力值、風電機組出力值、電動車充電功率和放電功率為調度對象的電力系統的數學模型。

(1)構建目標函數

本申請實施例所提供的目標函數中包括燃料費用函數和污染排放量函數，電力系統調度的目標就是使得兩個目標函數的取值都盡量降低。

1、燃料費用函數

根據火力發電機組的運行情況，得到燃料費用函數為

其中，f為調度周期內火電機組的總燃料費用；t為調度周期內的時段總數，t＝1,2,…,t；n為火電機組的總數量，i＝1,2,…,n；pi,t為第i個火電機組在t時段內的出力值；ai、bi、ci分別為第i個火電機組的第一、第二、第三燃料費用系數；di、ei分別為第i個火電機組的第一、第二閥點效應系數；pi,min為預設的第i個火電機組的出力下限值。

2、污染排放量函數

根據火力發電機組的污染排放情況，得到污染排放量函數為

其中，e為調度周期內火電機組的總污染排放量，αi、βi、γi、ξi和λi分別為第i個火電機組的第一、第二、第三、第四和第五污染排放系數。

(2)構建約束條件

在多目標求解過程中，約束條件是求解最終結果的重要影響因素。通過建立合理的約束條件，不僅可以優化求解過程，還可以得到最合理的調度安排。本申請實施例所提供的約束條件主要包括以下四個約束條件。

1、功率平衡約束條件

為了建立電力系統中發電量和用電量之間的平衡關系，得到調度對象所滿足的功率平衡約束條件為

其中，n為火電機組的總數量，i＝1,2,…,n；pi,t為第i個火電機組在t時段內的出力值；m為風電機場的總數量；lj為第j個風電機場中風電機組的總數量；為第j個風電機場中第k個風電機組在t時段內的出力值；pv2gt,和pg2v,t分別為電動車在t時段內的放電功率和充電功率；pd,t為電力系統在t時段內的傳輸網損；pl,t為電力系統在t時段的電力負荷。

2、出力值約束條件

對于火電機組，其出力值應具有一定的上下限，即pi,t需滿足條件

pi,min≤pi,t≤pi,max；

其中，pi,min、pi,max分別為預設的第i個火電機組的出力下限、上限值。

其中，png2v、pnv2g分別為電動車的額定充、放電功率，在實際中受線路容量、環境及電池設備特性的影響。

另外，電力系統在t時段內的傳輸網損的具體計算方式為

其中，bij為網損系數矩陣b的第i行第j列的元素。

3、旋轉備用約束條件

其中，rt為電力系統在t時段內的旋轉備用容量需求。

4、爬坡約束條件

火電機組在相鄰時段內的出力值變化率應當滿足一定的條件，即

-driδt≤pi,t-pi,t-1≤uriδt；

其中，uri、dri分別為預設的第i個火電機組在相鄰時段所允許的出力值的最大向上、向下調整率。

5、剩余電量約束條件

處于對電動車的儲能電池的壽命和出行安全的考慮，電動車儲能電池的剩余電量需要滿足條件

其中，ηc、ηd分別為電動車的儲能電池的充、放電效率系數；δt為t時段的時長；δs為單位距離的耗電量；lt為電動車在t時段內的行駛里程；st為所述儲能電池在t時段結束時的剩余電量；smax、smin分別為預設的所述儲能電池的剩余電量的安全上、下限。

6、充/放電約束條件

考慮到安全問題，電動車在進行充放電時也應當有一定的功率限制，即電動車在t時段內的充電功率和放電功率還需滿足條件

其中，png2v、pnv2g分別為電動車的額定充、放電功率；在實際中受線路容量、環境及電池設備特性的影響。

7、出行約束條件

電動車作為一種交通工具，需要滿足車主的日常正常出行需要。作為一種對電動車更加合理的充放電策略，可以結合考慮車主的日常出行里程需要，令在每個調度周期內，對電動車的充電量減去電動車的放電量恰好等于電動車出行過程中的電量消耗，則可以確保電動車電量在每個調度周期結束時電量相等，還可以進一步保證電動車滿足剩余電量約束條件。

步驟202：根據預先建立的電力系統的數學模型，生成符合約束條件的調度對象的多組解，并將多組解作為粒子構成初始種群。

具體地，可以隨機生成多個包含火電機組出力值、風電機組出力值、電動車充電功率和放電功率這些調度對象的多組解，作為初始粒子構成初始種群，且每個初始粒子都滿足上述約束條件。對于每一個初始粒子，這里及下文皆用u來表示它，則

其中，對于火電機組出力值，pi＝[pi,1,…,pi,t，…,pi,t]^t，i＝1,2,…,n，pi,t為第i個火電機組在時段t內的出力值。

對于風電機組出力值，為第j個風電機場在時段t內的出力值，k＝1,2,…,lj，為第j個風電機場的第k個風電機組在時段t內的出力值。

對于電動車有：

其中，在初始化時，可以首先隨機獲取風速概率，根據威布爾分布的概率密度函數和風速概率計算得到風速；然后依據風電機組出力值計算式得到在當前風速下的風電機組出力值。

這里所說的威布爾分布的概率密度函數為

其中，f(vt)為風速概率；vt為風速；k＝2，為形狀參數；c＝15，為尺度參數。當然，這里也可以采用其他分布如正態分布來對風速進行估計，本領域技術人員可以自行選擇并計算，本申請實施例對此并不進行限定。

當得到風速之后，所述風電機組出力值計算式為

其中，vr、vci、vco分別為風電機組的額定風速、切入風速、切出風速；

步驟203：根據粒子的適應度表達式，計算初始種群中的粒子的適應度，篩選保留適應度符合第一預設條件的粒子，作為父代種群中的粒子進行保存。

對應于燃料費用函數和污染排放量函數兩個目標函數，這里所說的適應度包括燃料費用適應度和污染排放量適應度。適應度是在縱橫交叉算法中用來衡量粒子的優良標準，即衡量粒子使得目標函數取得目標值(在本申請所解決的技術問題中為最小值)的能力。

由于約束條件是為了使調度對象與求解目標盡可能優化而做出的理想約束條件，當粒子在不斷的迭代交叉變化過程中，其勢必會出現變化之后不滿足部分或者全部約束條件的情況，并且，不同粒子對于約束條件的滿足情況和程度也大不相同，因此，可以根據各個粒子對約束條件的滿足程度計算其適應度，并進行擇優篩選，以便得到適應度優良的粒子作為下一次迭代過程中的交叉和篩選對象。當迭代次數足夠多時，最終保留的粒子即可作為算法輸出的占優解。

根據以上所述，作為一種優選實施例，本申請實施例所提供的燃料費用適應度和污染排放量適應度的計算公式為

其中，fs為燃料費用適應度；es為污染排放量適應度；f為火電機組的總燃料費用；e為火電機組的總污染排放量；ppunish1為燃料費用懲罰系數；ppunish2為污染排放量懲罰系數；v為種群粒子的總約束違反量，具體為

這里所說的篩選保留的具體過程可以為：將所有待篩選的粒子按照適應度進行從大到小或者從小到大排序，則排在前面或者后面的一定數量的粒子即為所述滿足第一預設條件可以保留的粒子。當然，也可以設定閾值范圍，適應度滿足閾值范圍的粒子作為所述滿足第一預設條件的粒子。本領域技術人員可以自行選擇并設置，本申請實施例并不進行限定。

此外，作為一種優選實施例，在依據適應度對粒子進行篩選的過程中，還可以再綜合考慮粒子的擁擠距離進行篩選，所謂的擁擠距離，是衡量兩粒子之間適應度差別的指標。例如，若兩粒子的擁擠距離很小，則說明這兩個粒子對于目標函數的效果非常相近，則可以考慮在這兩個粒子中只保留其中一個，以便獲得更大的選擇范圍，使得算法獲得的解的分布范圍更廣，更加便于進行選擇。

步驟204：對父代種群中的粒子執行橫交叉。

作為一種優選實施例，在對父代種群中的粒子執行橫交叉時，可以采用橫交叉公式

其中，x(i,d)和x(j,d)分別為父代種群中的粒子x(i)和x(j)的第d維，mshc(i,d)和mshc(j,d)分別為x(i,d)和x(j,d)經橫交叉產生的子代粒子的第d維；d∈n(1,d)；d為粒子維度總數；r1、r2為[0,1]之間的隨機數；c1、c2為[-1,1]之間的隨機數。

需要補充的是，對于每個粒子，這里所進行的橫交叉操作還可以按照一定概率執行。具體地，在執行橫交叉操作之前，先隨機生成一個橫交叉概率值([0,1]之間的隨機數)，如果該橫交叉概率值滿足橫交叉概率條件，則按照步驟204進行橫交叉，若不滿足，則可以跳過橫交叉步驟。橫交叉概率條件可由本領域技術人員自行選擇并設置，并一般可以通過合適的橫交叉概率條件使得執行橫交叉的概率大一些，例如，可以將橫交叉概率條件設置為“橫交叉概率值小于0.85”，甚至為“橫交叉概率值小于1”(即執行橫交叉的概率為100％)，本申請實施例對此并不進行限定。

步驟205：計算執行橫交叉后的粒子的適應度，并與父代種群中的粒子進行比較，篩選保留適應度符合第二預設條件的粒子，作為占優解集中的粒子進行保存。

步驟206：對占優解集中的粒子執行縱交叉。

作為一種優選實施例，在對占優解集中的粒子執行縱交叉時，可以采用縱交叉公式

其中，x(i,d1)和x(j,d2)分別為占優解集中的粒子x(i)的第d1維和第d2維，msvc(i,d1)和msvc(i,d2)分別為x(i,d1)和x(i,d2)經縱交叉產生的子代粒子的第d1維和第d2維；d1,d2∈n(1,d)；r為[0,1]之間的隨機數。

同樣地，縱交叉也可以按照一定的概率進行。類似的內容請參考橫交叉中的相關介紹，這里不再贅述。

步驟207：計算執行縱交叉后的粒子的適應度，并與占優解集中的粒子進行比較，篩選保留適應度符合第三預設條件的粒子，作為更新的占優解集中的粒子進行保存，并作為下一次迭代的父代種群。

需要說明的是，這里所說的第三、第二和第一預設條件可以相同，也可以不同，本申請實施例對此并不進行限定。

還需要補充的是，在每次迭代交叉和計算過程中，也可以先進行縱交叉篩選再進行橫交叉篩選，即先執行步驟206和步驟207再執行步驟204和步驟205；本領域技術人員可以自行選擇并設置，本申請實施例對此并不進行限定。

步驟208：對更新的占優解集中的粒子進行動態約束調整。

經過縱橫交叉變化之后的粒子很可能并不滿足約束條件，其適應度可能非常小。為了提高運算速度，還可以再適當提高粒子的適應度，即可以在每次迭代過程中根據約束條件對其進行動態調整，以便滿足功率平衡約束條件和出行約束條件。

由于功率平衡約束條件是各個調度對象的基礎約束條件，而出行約束條件是對電動車充放電功率的重要約束條件，因此，作為一種優選實施例，在對粒子進行動態調整時，可以主要依據粒子對功率平衡約束條件和出行約束條件的違反量進行動態調整，其過程如圖3所示，主要包括以下步驟：

步驟2081：獲取更新的占優解集中的粒子。

步驟2082：判斷調整次數是否小于預設的最大次數閾值，若是，進入步驟2083；若否，進入步驟2086。

步驟2083：計算粒子的動態調整違反量。

如上所述，粒子的動態調整違反量可以為粒子對功率平衡約束條件和出行約束條件的違反量之和，則其計算公式為

其中，μ為粒子的動態調整違反量。

步驟2084：判斷粒子的動態調整違反量是否大于預設的違反量閾值，若是，進入步驟2085；若否，進入步驟2086。

當粒子的動態調整違反量小于預設的違反量閾值時，說明此時的動態調整違反量非常小，可以結束動態調整過程。

步驟2085：根據動態調整違反量對粒子進行調整；轉入步驟2082。

在對粒子進行調整時，以使其動態調整違反量減小為調整標準。并且，由于電動車的出行約束條件是以調度周期為單位進行約束的，而功率平衡約束條件是以時段為約束條件的，因此，作為一種優選實施例，可以首先根據出行約束條件對粒子的電動車充放電功率進行調整，然后再根據功率平衡約束條件對其他的調度對象進行調整。

步驟2086：輸出調整后的粒子，結束動態調整。

當然，在進行動態調整過程中還可以再綜合考慮別的約束條件，例如火電機組的出力值約束條件和爬坡約束條件，即粒子對這兩個約束條件的違反量也計入動態調整違反量中。并且，在對不滿足出力值約束條件或者爬坡約束條件的粒子進行調整時，具體可以根據公式

進行調整。

當然，也可以不執行步驟208而直接進入步驟209，即不進行動態調整。本領域技術人員可以自行選擇并設置，本申請實施例并不進行限定。

步驟209：判斷是否滿足迭代終止條件；若否，則轉入步驟204，若是，則進入步驟210。

這里所說的迭代終止條件可以為迭代次數已經達到了預設次數，當然也可以為篩選保留的粒子的適應度達到了預設門限值，本申請實施例對此并不進行限定。若迭代終止條件不滿足，則說明仍需再次返回迭代過程中，因此轉入步驟204；若已經滿足了迭代終止條件，則可以進入步驟210。

步驟210：輸出更新的占優解集。

當經步驟209判斷當前已經滿足迭代條件時，即說明此時的占優解集中的粒子基本已經是可以取得較好目標效果的粒子，則可以輸出占優解集中的粒子，以便進行調度安排。

此外，在每次迭代時，還可以將歷次迭代前后的粒子都進行存儲，并在每次判斷是否滿足迭代終止條件之前，對存儲粒子的空間余量進行判斷，若粒子的總數量尚未超出存儲空間容量，則可以進入判斷是否滿足迭代終止條件的步驟；若粒子的總數量已超出存儲空間容量，則對存儲空間中的粒子按照適應度和擁擠距離進行篩選保留，然后再進入判斷是否滿足迭代終止條件的步驟。則在迭代結束之后，可以將所有粒子都輸出，以便對占優解集的調度效果進行對比分析。

下面將結合具體實例對本申請所提供的電力系統調度方法進行介紹。

本申請實施例中的數學模型請參考上述實施例的相關內容，這里就不再贅述。其中，調度周期為24h，調度時段總數為t＝24，每個調度時段t的時長為δt＝1h。

設共有10個火電機組，即n＝10。各個火電機組的各個相關數據如表1和表2所示。其中，表1示出了各個火電機組的出力下限值pmin、上限值pmax、第一燃料費用系數ai、第二燃料費用系數bi、第三燃料費用系數ci、第一閥點效應系數di、第二閥點效應系數ei。表2示出了火電機組的第一、第二、第三、第四、第五污染排放系數αi、βi、γi、ξi、λi，以及相鄰時段所允許的出力值的最大向上、向下調整率uri、dri。

表1

表2

各個火電機組在各時段內的電力負荷pl,t如表3所示。電力系統在t時段內的旋轉備用容量需求rt的值為各時段內的電力負荷的10％。

表3

此外，電力系統能量傳輸過程中的網損系數矩陣為

設共有50000輛電動車參與電力系統調度，每輛車的儲能電池的總容量為s＝24kw·h；儲能電池的剩余電量的安全下限為smin＝20％s，安全上限為smax＝80％s；儲能電池的充、放電效率系數均為ηc＝ηd＝85％；每百千米耗電量為δs＝15kw·h。

并且，設電動車在每個調度周期內的第8個時段內(07:00-08:00)行駛在上班路上，在第18個時段內(17:00-18:00)行駛在下班路上，在其余時段內可以根據調度安排靈活進行充/放電；同時，電動車在上/下班行駛過程中的行駛里程為l8＝l18＝25km；并且，車主在上班之前儲能電池的剩余電量s7＝100％s。

設有1個并入電網中的風電機場，每個風電機場中有100個風電機組，即m＝10，lj＝10；j＝1,2,…,m；每個風電機組的額定功率為pr＝1.5mw；額定風速、切入風速和切出風速分別為vr＝15m/s、vci＝3m/s和vco＝25m/s。按照上述參數得到風電機組出力值如圖4所示，圖4中橫坐標表示各個時段，縱坐標表示風電機組出力值。

在利用縱橫交叉算法對上述數學模型進行求解時，本申請實施例中初始種群的粒子總數為100；迭代終止條件為“迭代次數等于8000”；所有粒子的存儲容量為100；燃料費用懲罰系數為ppunish1＝100；污染排放量懲罰系數為ppunish2＝100；動態調整過程中的最大次數閾值為j＝20；違反量閾值為ε＝10^-4。

分別用縱橫交叉算法和nsga-ii算法求解本申請實施例中的具體問題，并將兩者得到的經濟最優解、環境最優解和最優折中解分別進行比較，如表3所示。

表3

從表3可以看出，本申請實施例所提供的電力系統調度方法得到的經濟最優解、環境最優解和最優折中解均分別優于nsga-ii算法(帶精英策略的非支配排序的遺傳算法)得到的相關結果，能夠實現更小的燃料費用消耗和污染排放目標。

將縱橫交叉算法與nsga-ii算法所得到的所有粒子的目標函數值分別繪制在二維示意圖中進行比較，得到縱橫交叉算法與nsga-ii算法的多目標求解結果曲線圖，如圖5所示。在圖5中，橫坐標為污染排放量，縱坐標為燃料費用。

由圖5可以明顯看出，采用nsga-ii算法求得的解在前沿位置分布范圍較窄，這是因為其繼承了遺傳算法早熟收斂的缺點；而相比于nsga-ii算法，本申請實施例求得的解在前沿位置分布更均勻、范圍更廣，能夠確保所得到的解的多樣性。更重要的是，本申請實施例求得的解的曲線明顯位于nsga-ii算法求得的解的曲線的下方，即其污染排放量和燃料費用都較低，顯然本申請實施例所提供的方法更為優良。根據以上內容可見，本申請所提供的電力系統調度方法的廣泛的解空間和解的優良度，將十分有利于運行人員在進行電網調度時充分考慮各方面的因素，做出適合當前情況的最優調度決策，對經濟效益與環境保護兩大之間進行充分協調。

本申請中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

以上對本申請所提供的技術方案進行了詳細介紹。本文中應用了具體個例對本申請的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本申請的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本申請原理的前提下，還可以對本申請進行若干改進和修飾，這些改進和修飾也落入本申請權利要求的保護范圍內。