Reliability-Security约束单位承诺与混合优化方法

Ahmad Heidari对伊朗伊斯兰共和国通讯社表示¹Mohammad Reza Alizadeh Pahlavani²,哈米德Dehghani³
Malek-Ashtar科技大学(狗),Shabanlo圣。Lavizan,德黑兰,伊朗

相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

介绍了一种先进的优化技术解决单位承诺问题,同时为热发电机组可靠性的问题。解决单位承诺,广义弯管机分解以及遗传算法提出了包括最低上升/下降时间的限制,以及考虑可靠性的问题,提出了一种模糊stochastic-based技术。实现问题转化为一个优化程序,MATLAB®软件和最大化策略®和KNITRO®使用连接器。来验证提出的技术和算法,两个案例研究IEEE 118总线和系统实现最优发电调度,和可靠性问题。最后,比较与其他解决方案技术。

关键字

弯管机分解,模糊规划、遗传算法、优化技术,可靠性问题,单位的承诺。

介绍

Reliability-constrained单位承诺(RCUC)应用于最小化成本经济,和时间表单位储备旋转储备来提供系统的可靠性;另一方面,必须考虑负荷损失概率获得客户满意的电力系统。提出了很多优化方法和建模技术可由主体访问解决受安全机制约束的单位承诺(SCUC) [1 - 5]。在[6]单位承诺解决方案是基于不确定性,弯管机的组合分解和外逼近技术提出了。[7]单位承诺解决方案开发与集成风能和需求响应的不确定性与援助的弯管机分解。在[8],与模糊多目标单位承诺会员设计变量优化。在[9],单位承诺和不确定预测的可靠性提出了基于模糊可信性理论。在[10],统一随机可靠性和健壮的单位承诺问题以及开发基于弯管机分解算法。在[11],弯管机分解方法提出了一个结合热力和电力系统。在[12],模糊径向区间线性规划模型是开发健壮的能源管理系统的规划与环境考虑。 In [13], security-constrained selfscheduling of generating companies in day-ahead electricity markets is considered.

在这些技术和方法中,弯管机应用分解(14 - 16)因为电力系统的性质问题的混合整数;如机组的开/关状态。弯管机分解是一个分解技术分离的主要问题和子问题这样解决整个问题需要更少的计算负担。本文在掌握问题,上下的最小时间约束非线性[17],并可能降低程序速度;因此,改进遗传算法用于解决这些限制。

基于[1,18 - 20)遗传算法(气)自适应搜索方法,获得他们的特点从生物有机体的遗传过程基于进化的事实。

在电力系统操作中,有两个其他方法分配系统和能量储备;也就是说,顺序调度和同步调度[21]。[21]提出,从优化角度问题的更好的解决方案被发现当所有的约束和限制被认为是同时而不是顺序。[22]

提出了一种混合deterministic-probabilistic结构和市场出清算法和加州大学系统储备。然而,[22]只是运行算法的一个时期。其他参考文献[21]和[23]考虑系统储备像可中断负荷。

可靠性问题,损失负荷概率(LOLP)以及系统包括旋转储备,因为是基于随机的性质问题,实现模糊算法考虑可靠性问题的随机性质。

文学评论,差距需要装满一个健壮的和先进的优化技术。这提出了一个技术解决SCUC问题和可靠性问题同时与现有的和先进的优化技术减少计算负担,产生健壮、可靠和可比与其他结果。

本文的主要贡献是使用一些现有的弯管机分解的优化技术,遗传算法和模糊规划在一起解决问题,不仅是基于单位承诺,但也是基于可靠性的问题,包括研究电力系统的两个必要部分。指出,在这个定义中,可靠性问题视为旋转储备,以及电力系统的能力在研究提供负载的情况下(LOLP)。

为什么作者特定的这些方法是广义弯管机分解(GBD)、遗传算法(GA)和模糊编程(FP),他们有能力解决这些类型的问题基于文献;所以,作者决定优化这些方法基于新的挑战对于每个问题分别和完全的一部分。

这些方法的优点是搜索和找到一个可行的解决方案匹配算法,和减少计算负担。换句话说,这些方法有很好的收敛基于给定的大小问题。

剩下的纸是组织如下:

第二节提出了制定和方法。第三节给出了两个案例研究IEEE 14和118总线系统来验证提出的技术,最后第四节总结讲话。

配方和方法

可由主体访问a受安全机制约束制定单位承诺和可靠性问题

制定安全约束单位承诺(SCUC)数学和可靠性问题,约束和配方如下:

权力平衡,最低时间限制,上下匝道利率限制,单位储备,损失的负荷概率(LOLP),启动成本,和关闭成本。

本文整个问题是一个混合整数非线性规划(适应)的问题,和解决广义弯管机上下分解方法以及考虑最小时间约束应用遗传算法。在这种技术中,单位承诺(加州大学)是主问题分配机组的开/关状态;在下一步,子问题解决经济调度(ED),最后问题解决了应用模糊可靠性编程。

所有配方和约束如下[汽车]:

权力平衡:

Eq。(1)表明,每个正在运行的发电机组的有功功率要求必须提供装载指定每小时。

机组的限制:

Eq。(2)表明,因为物理性质的涡轮机组,必须提供的有功功率之间的最小和最大的价值。

最低上升/下降时间限制:

Eq。(3)定义了最小上升/下降时间约束。最小时间被定义为一旦单元正在运行;它不应该立即被关闭。最小的停机时间被定义为单位一旦decommited;有一个最小时间可以进行了。在上述方程式。,Ton and Toff are minimum up time and minimum down time of unit i respectively, and Xon and Xoff are ON time and OFF time of unit i at time t before beginning of the specified time. It means that X depends on elapsed time the generating units were running.

快速启动速度限制:

在情商。(4),增加被认为是传统模式;匝道利率是固定的,加载水平和增加延迟不考虑。

不平等的发电机组的有功功率:

Eq。(5)是一种数学约束。

目标函数的最小化问题SCUC是:

Eq。(6)定义了目标函数的操作编程的一部分。它包括三个金额;燃料成本取决于非线性曲线即F (P),启动成本,关闭成本。

在方程(1)(6),我和t指数站机组和时间段,分别。P是发电机组的有功功率,Pload消耗有功功率负载巴士,Rup是加速速率限制,s代表启动成本,sd代表关闭成本,你是一个二进制值分配机组的开/关状态。A、B和C是常量申请成本函数对发电机组的燃料。

所有信息和制定可靠性问题如下:

旋转储备限制[21]

Eq。(7)显示机组的热备用,这是发电机组供应可靠性问题的能力当机组不能正常供给负载。在这情商,SR表示旋转储备兆瓦。

考虑LOLP约束,它必须满足可靠性问题问题的一部分:LOLP可以定义经典[22]:

换句话说,LOLP的概率是(P),可用的一代,包括热备用,并不能满足所有机组的系统负载。

最后,目标函数的可靠性部分添加到方程(6)。

Eq。(11), PSR每兆瓦成本产生的货币单位。有人指出LOLP是一个强制性的约束,它必须满足对要解决的问题。

b .算法

本文中实现的算法如图1所示。该算法是基于混合优化技术,解决了运行的程序在每个迭代中。描绘,在第一步,广义弯管机分解(GBD)解决单位承诺而遗传算法解决非线性问题的一部分是最小时间约束。后找到最低的运营成本部分,基于随机模糊规划方法来解决剩下的程序,是程序的可靠性问题部分。在每个迭代中,模糊规划和遗传算法在弯管机分解的支持下工作直到找到一个绝对最小值点的最低成本的电力系统,并满足可靠性约束的问题。

为什么这些混合优化技术应用程序返回到结构处理它,这就是结构属性下的电力系统研究;这意味着,混合整数(广义弯管机分解),非线性(遗传算法)和概率结构(模糊编程)。

如图所示,TC站对电力系统的总成本和运营成本与单位成本和可靠性问题的承诺。

如图1所示,R代表可靠性功能和运行的程序停止当且仅当主问题和子问题的绝对值小于预先确定公差。链接主问题和子问题的方程约束是弯管机削减方程当没有盒子图。

该算法的主要优点是能够照顾单位承诺的问题,是一个传统的问题,和可靠性问题的约束是不那么传统的现代和先进的优化技术,有一些特性:应用几种优化方法尽管只有一个优化程序,可能有一些赤字;更少的计算负担;应用随机模糊规划的性质,和遗传算法的进化特性的支持下广义弯管机分解是一个鲁棒优化程序。

c .优化程序

C.1广义弯管机分解(GBD)

GBD问题如下[14]:

在(10),xi整数参数和yj非整数参数。香港定义等式和gl定义的不平等。f是目标函数的优化问题。请注意,对优化变量的上下界,以反映物理限制。

摘要方法,在MATLAB®应用程序作者写的一个分支和削减法[14]获得可行的解决方案的基础上减少额外的空间搜索所需的最小值或最大值点。该方法的属性是它的迭代:如果没有可行解在第一次迭代,援助的弯管机,它为第二个迭代循环,等等,直到搜索和发现最小化或最大化目标函数。指出,遗传算法和模糊编程GBD的子集,并在主程序下运行。

C.2模糊编程(FP)

一个简单的方法,将随机模型转化为确定性模型使用模糊集理论是它的期望值:

F = E(可靠性约束)

E是期望值在哪里

一起把可靠性约束:

在上面的方程中,如果是松弛变量,i, j, k指数,F定义可靠性约束的目标函数。写,方程的可靠性应用部分。Eq。(12)是基于方程式。(7、8和9)。作者应用“模糊逻辑工具箱的MATLAB®应用FIS编辑基于方程式。(11、12)。首先,eq。(14)线性化,状态变量被选为期望的可靠性参数旋转储备(SR)和LOLP。它指出,这些参数得到的方程式的局限性。(7、8和9),遗传算法,模糊编程外优化计划的一部分,并且是在一个循环中。另一方面,产能中断概率表(科普特人)成立使用数据。

方法申请这部分问题是“mamdani”,和去模糊化方法是“重心”。模糊集被认为是(NB NS ZR PS PB)站负大,负小,零,分别和积极的小和积极的大。隶属函数被认为是三角形。

C.3遗传算法(GA)

汞是松弛变量,g为整数的二进制指数参数,FGA是这部分问题的目标函数。GA是专为最大化问题的解决方案,所以适应度函数被定义为的逆方程(13):

是指出,遗传算法不能解决目标函数只,这是外部优化程序的一个子集。

方程式。(13、14)提出,GA最小上升/下降时间约束转化为目标函数,和搜索目标函数的适应度函数与反相。解决这个问题的一部分,一个m文件编写基于遗传算法和直接搜索”工具箱的MATLAB®。

最后,GA和FP转换为两个单独的m-files;每个m文件称为一个模块的m文件GBD写的。

结果和讨论

在本节中,两个案例研究,IEEE 14和118总线测试系统实现来验证该算法的多阶段优化问题。主问题是一个混合整数规划(MIP)问题以及遗传算法应用最大化策略解决者,和子问题是一个适应的问题,基于模糊随机问题应用KNITRO解算器。该方法实现了戴尔成就1320年英特尔(R)核心(TM) 2双核2.53 GHz CPU和4 GB RAM使用MATLAB®编程文件(m-files®),和模糊规划和遗传算法的MATLAB工具箱。

一个。IEEE 14公交系统

图2描绘了IEEE 14公交系统[28]。如图2所示,这个系统有五个机组在公交车1,2,3,6和8。有三个抽头切换变压器T1, T2和T3。所有数据加载和机组在附录a。

.加州大学的结果

运行优化程序收益率/关闭机组,u, P,活跃在MW。表1和图2显示数据获得的算法。

如表1和2所示,单位1,最便宜的发电机组,生成所有24小时。第二单元,第二便宜的单位,生成23小时对最低时间限制。它指出,所有的约束都满意。遗传算法满足非线性约束、最小时间约束。最小功率和最大力量一直满意,和最低的成本。

对于这部分案例研究的迭代次数是3,和所用时间是1.5240,0.9872年代花在遗传算法循环。

最低运营成本对eq。(6)包括启动和关闭成本是11149年的货币单位。

由可靠性问题的结果

两个变量的可靠性问题,包括系统旋转储备(SR)和LOLP。表3和图4显示数据获得程序进行。

如表3和图4所示,LOLP约束很满意。系统储备也有助于机组能够满足系统的可靠性。

对于这部分案例研究的迭代次数是7,和时间是3.3250 s这结果是显而易见的,因为耗时的属性模糊编程。

最后,eq。(11)的总成本(即可靠性成本和运营成本的总和):11183.08货币单位。

B。IEEE 118总线系统

ieee - 118总线测试系统拥有54座热发电机,186家分行,91方的需求。发电机的参数,给出了传输网络和加载配置文件:http://www.ee.washington.edu/research/pstca/pf118/pg_tca118fig.htm。

加州大学结果责任

进行另一个优化程序对IEEE 118总线测试系统为P,产生的有功功率兆瓦。表5显示了从算法获得的数据。

如表5所示,应该注意的是,所有的约束都满意。遗传算法满足非线性约束、最小时间约束。最小功率和最大力量一直满意,和最低的成本。

运营成本对eq。(6)包括启动和关闭成本是1643818年的货币单位。

B.2可靠性问题的结果

两个变量的可靠性问题,包括系统储备和LOLP。表6和图7显示数据获得程序进行。

如表6所示,旋转储备研究IEEE 118总线测试系统已转换为3区[29]:A、B和C区包括图的左侧,B区包括底侧,和C区包括板面。打击表显示结果:

如表7所示,LOLP约束很满意。

最后,eq。(11)的总成本(即可靠性成本和运营成本)的总和:1644039 .44点货币单位。

表8显示了没有。迭代次数和时间消耗进行IEEE 118总线系统。

与其他解决方案技术

在本节中,获得的结果与该算法与其它算法相比,优化程序来验证结果。表9显示了结果。

应该注意的是,表9只包括单位承诺问题,和成本的考虑可靠性的问题必须被添加到这个操作成本。

结论

本文在两个电力系统最优发电调度IEEE 14和118总线系统可由主体访问都受安全机制约束的实施单位承诺(SCUC) 24时期地平线和可靠性问题。这个实现应用先进和混合优化技术包括广义弯管机分解、遗传算法和模糊编程。SCUC问题和可靠性问题约束同时被认为是。案例研究的结果提出了良好的融合算法,并与其他解决方案相比技术,该方法显示了优越性。提出了满足系统可靠性问题和经济的同时,必须支付一些额外的费用。还提出,这种先进的优化技术是电力系统一种合适的技术来解决这一问题以及降低计算负担。

引用

朱,J。,“Optimization of power system operation”. New Jersey, Wiley & Sons, Inc., p. 251, 2009.
Daneshi, H。,Jahromi, A. N., Li, Z. andShahidehpour, M. “Fuzzy mixed-integer programming: approach to security-constrained unit commitment”.IEEE. Power & Energy Society General Meeting. PES '09: IEEE. pp. 1-6., 2009.
关,X。,Guo, S. andZhai, Q.,“The conditions for obtaining feasible solutions to security-constrained unit commitment problems”. IEEE Trans. Power Syst.; 20: 1746–1756., 2005.
吴。l,Shahidehpour。,M。and Tao., L.,“Stochastic security-constrained unit commitment”. IEEE Trans. Power Syst.; 22: 800-811., 2007.
Geoffrion, a . M。,“Generalized benders decomposition”. J. Optim Theory Appl.; 10: 237–261., 1972.
Bertsimas D。利特维诺夫市。E。,Sun., X. A., Jinye., Z. andTongxin., Z.,“Adaptive robust optimization for the security constraint unit commitment problem”. IEEE Transaction on Power Systems; 28: 52-63., 2013.
赵。C。,王。,J。,Watson., P. J. and Guan., Y., ” Multi-stage robust unit commitment considering wind and demand response uncertainties”. IEEE Transaction on Power Systems; 28: 2708-2717., 2013.
Chandrasekaran。、k和西蒙。,美国P。,“Optimal deviation based firefly algorithm tuned fuzzy design for multi-objective UCP”. IEEE Transaction on Power Systems; 28: 460-471., 2013.
王。B。,Li., Y. andWatada., J.,“Supply reliability and generation cost analysis due to load forecast uncertainty in unit commitment problems”. IEEE Transaction on Power Systems; 28: 2242-2252., 2013.
赵。C。and Guan., Y.,“Unified stochastic and robust unit commitment”. IEEE Transaction on Power Systems; 28: 3353-3361., 2013.
Abdolmahammadi。,H. R. andKazemi., A. A.“Benders decomposition approach for a combined heat and power economic dispatch”. Elsevier, Energy Conversion and Management; 71: 21-31.,2013.
峡谷。C。,Huang., G. H., Cai., Y. P. and Liu., Y. “Robust planning of energy management systems with environmental and constraintconservative considerations under multiple uncertainties”. Elsevier, Energy Conversion and Management; 65: 471-486.,2013.
Amjadi。,N. andVahidinasab., V. “Security-constrained self-scheduling of generation companies in day-ahead electricity markets considering financial risk”. Elsevier, Energy Conversion and Management; 65: 164-172.,2013.
说。a·J。,Castillo., E., Minguez., R. and Garcia-Bertrand., R. “Decomposition techniques in mathematical programming, engineering and science applications”. Springer, Netherlands. p.251.,2006.
Laothumyingyong。,N. andDamrongkulkamjorn., P. “Security-constrained unit commitment using mixed integer programming with benders decomposition”. IEEE, International Conference on Electrical Engineering/Electronics Computer, Telecommunications and Information Technology (ECTI-CON), pp. 626-631., 2010.
Cvijic。,年代。andJinjun., X. “Security constrained unit commitment and economic dispatch through benders decomposition: a comparative study”. IEEE, Power and Energy society General Meeting, pp. 1-8., 2011.
腐肉。,M。and Arroyo., J. M. “A computationally efficient mixed-integer linear formulation for the thermal unit commitment problem”. IEEE Transactions on Power Systems; 21: 1371-1378., 2006.
Maifeld。,T. T. andSheble., G. B. “Genetic-based unit commitment algorithm”. IEEE Transactions on Power systems; 11: 1369-1370., 1996.
Belegundu。,一个。D. andChandrupatla., T. R.“Optimization concepts and applications in engineering”. 2nd ed. Cambridge University Press, pp. 318-324., 2011.
里夫斯。C。R. andRowe., J. E. “Genetic algorithms- principles and respective- a guide to GA theory”. New York, NY, USA: Kluwer Academic Publishers, 2002.
Aminifar。F。andFotuhi-Firuzabad., M. “Reliability-constrained unit commitment considering interruptible load participation”. Iranian Journal of Electrical & Electronic Engineering; 28: 10-20., 2007.
Bouffard。F。andGaliana., F. “An electricity market with a Probabilistic spinning reserve criterion”, IEEE Trans. Power Systems; 19: 310–317., 2004.
Aminifar。F。,Fotuhi-Firuzabad., M andShahidehpour., M. “Unit commitment with probabilistic spinning reserve and interruptible load consideration”. IEEE Trans. Power System; 24: 388-397., 2009.
傅。,Y., Shahidehpour., M. and Li., Z. “Security-constrained unit Commitment with AC constraints”, IEEE Trans. Power Syst.;20:1538–1550., 2005.
Shahidehpour。,M。,Yamin. and H., Li., Z. “Market operations in electric power systems: forecasting, scheduling, and risk management”. New York, NY, USA: IEEE, Inc, A John Wiley & Sons, Inc., Publication, 2002.
Padhy。,N. P. “Unit commitment-a bibliographical survey”. IEEE Trans. Power System; 19: 1196-1205.,2004.
木头。,一个。J. andWollenberg., B. F. “Power generation, operation, and control”, 2nd ed., New york, NY, USA: A John Wiley & Sons, Inc., Publication, 1996.
Lotfju。,一个。,Shahidehpour。,M。,傅。,Y. and Li., Z. “Security-constrained unit commitment with AC/DC transmission systems”. IEEE TRANSACTIONS ON POWER SYSTEMS; 25: 531-542., 2010.
Chandrasekaran。,k . andSimon。,美国P。“Optimal deviation based firefly algorithm tuned fuzzy design for multi-objective UCP”. IEEE TRANSACTIONS ON POWER SYSTEMS 2013; 28: 460-471.
白。,X. andWei., H. “Semi-definite programming-based method for security-constrained unit commitment with operational and optimal power flow constraints”. IET Gen., Transm, Distrib.;3: 182–197., 2009.
Chandrasekaran。,K。,Hemamalini., S., Simon., S. P. andPadhy., N. P. “Thermal unit commitment using binary/real coded artificial bee colony algorithm”. Elect. Power Syst. Res.; 84: 109–119., 2009.