(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211203361.7 (22)申请日 2022.09.29 (71)申请人 甘肃新泉风力发电有限公司 地址 735000 甘肃省酒泉市瓜州县渊泉街 141号 申请人 兰州陇能电力科技有限公司 (72)发明人 陈雷　战鹏　张中伟　连亚龙　 张凯　赵斌　刘龙龙　曹征　 徐启钊　曹雷　张睿骁　张彦琪　 张延凯　葛智平　李乔森　陈军　 (74)专利代理 机构 青岛致嘉知识产权代理事务 所(普通合伙) 3723 6 专利代理师 王巧丽 (51)Int.Cl. H02J 3/38(2006.01)H02J 3/12(2006.01) H02J 3/00(2006.01) H02J 3/46(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 17/16(2006.01) G06F 17/18(2006.01) (54)发明名称 一种基于群体增量学习算法的新能源消纳 提升方法 (57)摘要 本发明公开了一种基于群体增量学习算法 的新能源消纳提升方法， 该方法包括： (1)对电能 调度模型中风、 光消纳量最大以及总运行成本最 小的多目标函数进行优化， 采用线性加权法将优 化的多目标函数转化为单目标函数； (2)建立调 度模型的约束条件， 该约束条件包括系统负荷平 衡约束、 旋转负荷备用约束、 风电和光伏发电运 行约束、 水电机和火电机组运行约束； (3)基于改 进的群体增量学习算法对优化调度模 型求解， 得 到具有最高实用价值的新能源消纳方案。 本发明 方法不仅考虑了新能源消纳最大化和总运行成 本最小化双目标， 同时考虑了各类发电机组的运 行约束条件以及系统稳定性约束条件， 保证了最 优配置方案下的系统安全可靠运行。 权利要求书2页 说明书8页 附图2页 CN 115513998 A 2022.12.23 CN 115513998 A 1.一种基于群 体增量学习算法的新能源消纳提升方法， 其特 征在于， 该 方法包括： (1)对电能调度模型中风、 光消纳量最大以及总运行成本最小的多目标函数进行优化， 采用线性加权法将优化的多目标函数转 化为单目标函数； (2)建立调度模型的约束条件， 该约束条件包括系统负荷平衡约束、 旋转负荷备用约 束、 风电和光伏发电运行约束、 水电机和火电机组运行约束； (3)基于改进的群体增量学习算法对优化调度模型求解， 得到具有最高实用价值的新 能源消纳方案 。 2.如权利要求1所述的方法， 其特征在于， 在步骤(1)中， 风、 光消纳量最大的优化目标 函数为： 其中， Pwp为总风光消纳量， Pw(t)、 Pp(t)分别为t时刻风电出力和光伏出力。 3.如权利要求1所述的方法， 其特征在于， 在步骤(1)中， 总运行成本最小的优化目标函 数为： 其中， C为总运行成本； Cbi(t)为火电机 组i单位时间内 的发电成本； Chi(t)、 Cw(t)、 Cp(t) 为水电机组i、 风电、 光伏发电机组单位时间内的维护成本； Nb、 Nh分别为火电、 水电机组数。 4.如权利要求1所述的方法， 其特 征在于， 在步骤(1)中， 所述单目标函数为： 其中， C为总运行成本， Cmin为总运行成本， Pwp为总风光消纳量， Pwpmax为总风光最大消纳 量、 Pwpmin为总风光最小消纳量， m1和m2为权重系数， 且m1+m2＝1。 5.如权利要求1所述的方法， 其特 征在于， 在步骤(2)中， 系统负荷平衡约束条件为： Pbi(t)+Phi(t)+Pw(t)+Pp(t)＝Pload(t)  (4) 其中， Pload(t)为t时刻的预测负荷； 系统旋转备用容 量约束条件为： 其中， Rt为系统旋转备用容量， Pbi,max、 Phi,max分别为火电、 水电机组i的出力上限， α、 β 、 γ 分别为系统负荷、 风电、 光伏发电预测误差对旋转备用的要求； 风电、 光伏发电最大 出力约束条件为： 0≤Pw(t)≤min{pw(t),Pw,max}  (6) 0≤Pp(t)≤min{pp(t),Pp,max}  (7) 其中， pw(t)、 pp(t)分别为t时刻风电、 光伏发电的预测最大出力， Pw,max、 Pp,max分别为风 电、 光伏发电的出力上限； 水电相关约束条件为： 0≤Phi(t)≤Phi,max  (8)权　利　要　求　书 1/2 页 2 CN 115513998 A 2Phi,max为水力发电的出力上限； 火电相关约束条件为： Pbi,min≤Pbi(t)≤Pbi,max  (9) 其中， Pbi,min、 Pbi,max分别为火电机组i的出力上、 下限。 6.如权利要求1所述的方法， 其特征在于， 在步骤(3)中， 所述群体增量学习算法的改进 包括以下内容： A、 概率矩阵的改进 每个维度中的决策变量均分为M个子区间来定义概率矩阵P， 通过正态分布函数生成集 中于子区间中探索解的平均值的中间解， 以及， 将特殊区间内的正态分布函数 的平均值设 置为该区间内分布的可 行解的加权平均值； B、 概率矩阵更新的改进 通过每个个体记录帕累托最优解， 并在更新其概率分布时从中随机选择一个， 以得到 收敛和探索之间最佳平衡； C、 搜索空间细化的改进 在可行空间的维数在所提出的实数编码群体增量学习算法中自动细化， 算法从粗略的 离散化水平开始， 一直持续到获得帕累托最优解的近似值； 在获得当前尺度级别近似帕累 托最优解后， 算法将通过仅强化帕累托最优解分布的子区间中的那些区间来细化其可行搜 索空间， 直到满足停止条件； D、 适应度计算的改进 通过引入一个度量 来定量评估定量 地衡量改进目标的数量与特定目标的改进量。 7.如权利要求6所述的方法， 其特 征在于， 所述平均值 μik的改进算法为： 其中， Nik是在指定 区间内分布的先前探索的可行解的数量， xij是区间内第j个可行解， fit()是适应度函数； 其中， 对于最小值问题， 适应度函数可取为目标函数的倒数； 对于最 大值问题， 适应度函数即为目标函数； 所述概率矩阵的改进算法为： LRij＝LR0exp(‑(j‑r)2)/(bi‑ai) pij(t+1)＝LRij+(1‑LRi)pij(t) 其中， LR0是初始学习率， r是包含 的区间索引， j为个体所在区间索引， bi和ai分别为 区间上下限， pij(t)是最新一代概率值， pij(t+1)是下一代的概 率值； 所述适应度计算的改进算法为： fit(xm)＝fitnor(xm)+△(xm)  (14) 其中， fitnor(xm)是正则化后的xm适应度。权　利　要　求　书 2/2 页 3 CN 115513998 A 3