提升光伏接入配网经济性的柔性负荷智能优化调度方法与流程

1.本发明涉及柔性负荷智能优化调度领域，特别涉及一种提升光伏接入配网经济性的柔性负荷智能优化调度方法。


背景技术：

2.近年来，随着产业结构转型的深入和人民生活水平的不断提高，配电网呈现出季节用电需求差异大、高峰尖锐、用电量不断增加的趋势。电网调峰和备用资源明显不足，给电网调度带来巨大压力。随着智能电网建设的推进，用户端可控资源的快速增长，如分布式发电、电动汽车、分布式储能、中央空调等，极大地丰富了柔性负荷的类型，而柔性负荷调度作为发电调度的补充，可以削峰填谷，平衡间歇性能量波动，提供辅助服务。因此考虑多类型柔性负荷，认为很有必要做好柔性负荷参与调度的问题，并亟需设计一种提升光伏接入配网经济性的柔性负荷智能优化调度方法。


技术实现要素：

3.为了克服目前对于柔性负荷未能有效优化调度的技术问题，本发明提供一种能够实现负荷分布合理调配，提高经济性的提升光伏接入配网经济性的柔性负荷智能优化调度方法。
4.为了实现上述技术目的，本发明的技术方案是，
5.一种提升光伏接入配网经济性的柔性负荷智能优化调度方法，包括以下步骤：
6.步骤1，建立包括可中断负荷、可平移负荷和可调整负荷三种类型在内的多类型柔性负荷模型；
7.步骤2，基于需求侧管理，以柔性负荷的购电成本、补偿成本和电网维护成本的综合最小成本为目标，建立考虑柔性负荷调度的协调优化运行模型；
8.步骤3，根据电网所在地区的最小日减负荷量、电网系统供需平衡和储能系统工作状态设定满足目标函数的约束条件；
9.步骤4，构建lsqga方法处理离散-连续混合输入数据背景下的非线性规划问题，获取调度结果。
10.所述的方法，所述的步骤1中，可中断负荷通过下式表征：
[0011][0012]
其中wk为中断负荷，δt为负荷运行的累计时间，e为负荷运行的累计功率，pk为wk在运行时的功率；
[0013]
可平移负荷w
p
通过下式表征：
[0014]
[0015]
其中p
p
为运行功率，[t
min
，t
max
+h]为允许运行时间，h为w
p
的运行时间，t
p
为w
p
的开始运行时间，k为计划时间段m分为第k个时间段；
[0016]
可调整负荷pd通过下式表征：
[0017]
p
d min
≤pd≤p
d max
[0018]
其中p
d min
为pd的最小工作功率，p
d max
为最大工作功率。
[0019]
所述的方法，所述的步骤2中，需求侧管理包括：将一天时间划分为t个时序，并以t(t＝1，
…
，t)为索引；其中每个时序的持续时间固定；每个耗电设备k都有一组不可移动的设备，并以nk(t)表示时序t中耗电设备k的不可移动负荷的功耗，则n(t)为时序t中不可移动负荷的总功耗：
[0020][0021]
时序t的总能量消耗是从时段t计划的不可移动负荷和柔性负荷的总和中获得的，即：
[0022][0023]
其中，sg(t)表示时序t的总功耗，计划时间段m分为k个时间段，每个时间段的长度为t；w
it
是第i个用户负荷在时间段t的运行功率，n是用户负荷总数：
[0024][0025]
其中，pi为负荷i的运行功率，mi为负荷i的允许工作时间。
[0026]
所述的方法，所述的步骤2中，考虑柔性负荷调度的协调优化运行模型设置为：
[0027]
min p＝pk+p
p
+pd[0028][0029]
其中，p是总成本，pk、p
p
、pd分别为三种柔性负荷运行成本；p
∈
为任意一种柔性负荷，即∈＝k，p，d；为考虑其中一种柔性负荷后的购电成本；是该负荷用户的补偿成本；是电网的运行和维护成本。
[0030]
所述的方法，购电成本由实际负荷和购电的实时单价共同确定，即：
[0031][0032]
其中，q
t
是第t时刻的实际负荷，t是负荷的总运行时间，s(t)为第t时刻购电单价；
[0033]
补偿成本表示为：
[0034][0035]
p(i，t)＝x(i，t)δc(θi)q(i，t)
[0036]
l(i)＝2.67t1(i)-0.53
[0037]
其中，n是用户数；q(i，t)是用户i不参与可中断负荷管理前第t时刻的负荷量；p(i，t)是用户i在第t时刻参与峰值削波的中断负荷量；为调度后可平移负荷单位功率的补偿价格；p
shift，t
为t时刻的可平移负荷；为响应调度后可转移负荷单位功率的补偿价格；a和b是大于0的常数；l(i)是用户i参与峰值削波的单位时间损失；x(i，t)是日前计划的中断决策变量，取值为0或1，当x(i，t)＝1时，用户i在t时刻参与负荷中断；当x(i，t)＝0时，用户i在t时刻不参与负荷中断；α(i，t)和β(i，t)则是日前计划的平移、可调决策变量；θi是不同类型用户的参与率；δc(θi)是用户i的减载率；t1(i)是用户i的峰值削波持续时间；
[0038]
电网的运行和维护成本表示为：
[0039][0040]
其中，μ是平均负荷的运行和维护成本比例系数；λ为高峰负荷运行维护费用的比例系数；j是一天的高峰负荷时间；qj是第j个峰值时刻的实际负荷量。
[0041]
所述的方法，所述的步骤3中，约束条件包括：
[0042]
1)该地区的最小日减负荷量
[0043]
当电力系统处于用电高峰期时，可中断负荷能力应大于或等于该地区的减载要求，表达式为：
[0044][0045]
其中，c是该地区的最小日减负荷需求；
[0046]
2)电力系统供需平衡约束
[0047]
考虑到电力系统的输入功率应与输出功率相匹配，建立以下系统供需平衡方程约束，如下式所示：
[0048]
p
cpp
(t)+p
gd
(t)+pb(t)＝p
load
(t)
[0049]
其中，p
cpp
(t)是自备电厂在时间t的输出功率；pb(t)是时间t时储能系统的输出/输入功率；p
gd
(t)分别是电网出售的电力单价和电网在t时传输或消耗的电力；p
load
(t)是系统负荷在时间t消耗的功率；
[0050]
3)储能系统工作状态
[0051]
考虑到储能系统不能同时充放电，有：
[0052]
0≤|λ(t)|+|υ(t)|≤1
[0053]
式中，λ(t)和υ(t)是时间t时系统的充电和放电状态。
[0054]
所述的方法，所述的步骤4包括：
[0055]
基于量子计算，通过一个q位状态表示一个变量状态；一个q位的变量利用一个包含n组q位状态的字符串表征：
[0056][0057]
其中，|αi|2+|βi|2＝1，i＝1，2，
…
，n；
[0058]
以存在ps组q位变量，并开始初始化，生成初始的q位种群，并计算该种群的适应度值，采用轮盘法进行复制操作：
[0059]
对每个q位进行单切点交叉操作，根据交叉率pc选择q位个体进行交叉操作，如果选择第i个位置作为一个切点，则采用切点交叉算子对q位状态系统实施交叉，如下所示：
[0060][0061]
进一步通过拉丁方阵法进行正交化试验，从每个位点即因子处的两个q位状态个体中选出一个新的q位个体；在每个位点上，将依据相应最大的e
fl
幅值选择q位，即确定每个因子的最佳层级，也就是在试验区域最大化e
fl
值的水平，并依据信噪比η即目标函数的均方差生成更好的子代；并重复此步骤，直到满足环路数((1/4)
×
ps×
pc)为止，从而生成q位种群；
[0062]
进一步在交叉操作过后的q位种群中执行变异操作：根据变异率pm选择q位进行变异，针对一组q位状态系统，其变异运算是通过随机确定一个位置i，然后交换相应的αi和βi，过程如下：
[0063][0064]
除最佳个体外，选择ps个q位个体进行q位重复操作，最后生成新的q位种群，并检验终止条件，满足终止条件即求解最佳状态个体和适应度从而获取调度结果，不满足则返回至采用轮盘法进行复制操作步骤继续迭代执行。
[0065]
所述的方法，信噪比η在欠量和过量两种情形下分别为：
[0066][0067][0068]
其中，{y1，y2，
…
，yn}表示一组特征，η
l
为欠量信噪比，ηs为过量信噪比。
[0069]
所述的方法，检验终止条件，是指检验迭代次数是否达到预设次数，当达到预设次数时则认为达到终止条件；或者检验最低适应度随迭代次数增加是否变化，当不再变化时则认为达到终止条件。
[0070]
本发明的技术效果在于，本发明在调度方式上将柔性负荷分为可中断负荷、可平
移负荷、可调整负荷三类，并在一定约束下使其参与配电网调度。与普通负荷相比，柔性负荷具有自适应性、灵活性等特点，多种柔性负荷的协调优化运行不仅可实现负荷分布的合理调配，缓解高峰供电压力，提高平滑性；还可以显著降低购电成本，提高经济性。同时本发明为求解同时具备离散、连续数据的混合非线性优化问题，将拉丁方与基于传统遗传算法的改进模型qga相结合，整合为lsqga模型。且通过仿真实验，验证了所提出方法在离散-连续混合输入数据背景下，具有很强的优化能力和快速收敛性，能够有效提升优化的运行效率与刻画能力。
附图说明
[0071]
图1为本发明流程示意图；
[0072]
图2为lsqga算法流程图；
[0073]
图3为本发明实施例中的配电网结构示意图；
[0074]
图4为本发明实施例中的三月某日光伏出力与负荷曲线图；
[0075]
图5为本发明实施例中的各计算方式总运行成本示意图；
[0076]
图6为本发明实施例中的各计算方式收敛总迭代次数图。
具体实施方式
[0077]
下面结合附图和实施例对本发明作进一步的说明。
[0078]
本发明的步骤包括：
[0079]
步骤1、建立多类型柔性负荷模型；
[0080]
其中，根据用户需求和各负荷的控制特性，将柔性负荷分为可中断负荷、平移负荷、可调负荷三类。
[0081]
可中断负荷通过下式表征：
[0082][0083]
其中wk为中断负荷，e为负荷运行的累计功率，pk为wk在运行时的功率；
[0084]
可平移负荷w
p
通过下式表征：
[0085][0086]
其中p
p
为运行功率，[t
min
,t
max
+h]为允许运行时间，h为w
p
的运行时间，t
p
为w
p
的开始运行时间，k为计划时间段m分为第k个时间段；
[0087]
可调整负荷pd通过下式表征：
[0088]
p
d min
≤pd≤p
d max
[0089]
其中p
d min
为pd的最小工作功率，p
d max
为最大工作功率。
[0090]
步骤2、基于需求侧管理，以柔性负荷的购电成本、补偿成本、电网维护成本的综合最小成本为目标，建立考虑柔性负荷调度的协调优化运行模型；
[0091]
需求侧管理包括：将一天时间划分为t个时序，并以t(t＝1，
…
，t)为索引；其中每个时序的持续时间固定；每个耗电设备k都有一组不可移动的设备，并以nk(t)表示时序t中
耗电设备k的不可移动负荷的功耗，则n(t)为时序t中不可移动负荷的总功耗：
[0092][0093]
时序t的总能量消耗是从时段t计划的不可移动负荷和柔性负荷的总和中获得的，即：
[0094][0095]
其中，sg(t)表示时序t的总功耗，计划时间段m分为k个时间段，每个时间段的长度为t；w
it
是第i个用户负荷在时间段t的运行功率，n是用户负荷总数：
[0096][0097]
其中，pi为负荷i的运行功率，mi为负荷i的允许工作时间。
[0098]
负荷调度优化模型的目标函数设置为：
[0099]
min p＝pk+p
p
+pd[0100][0101]
其中，p是总成本，pk、p
p
、pd分别为三种柔性负荷运行成本；p
∈
为任意一种柔性负荷，即∈＝k，p，d；为考虑某一种柔性负荷(可中断、平移、可调)负荷后的购电成本；是该负荷用户的补偿成本；是电网的运行和维护成本。
[0102]
购电成本由实际负荷和购电的实时单价共同确定，可以表示为：
[0103][0104]
式中，q
t
是第t时刻的实际负荷，t是负荷的总运行时间，s(t)为第t时刻购电单价，单位：元/(kwh)。
[0105]
补偿成本可以表示为：
[0106][0107]
p(i，t)＝x(i，t)δc(θi)q(i，t)
[0108]
l(i)＝2.67t1(i)-0.53
[0109]
式中，n是用户数；q(i，t)是用户i不参与可中断负荷管理前第t时刻的负荷量；p(i，t)是用户i在第t时刻参与峰值削波的中断负荷量；为调度后可平移负荷单位功率的补偿价格；p
shift，t
为t时刻的可平移负荷；为响应调度后可转移负荷单位功率的补
偿价格；a和b是大于0的常数；l(i)是用户i参与峰值削波的单位时间损失；x(i，t)是日前计划的中断决策变量(0-1整数变量)。当x(i，t)＝1时，用户i在t时刻参与负荷中断；当x(i，t)＝0时，用户i在t时刻不参与负荷中断；同理，α(i，t)和β(i，t)是日前计划的平移、可调决策变量；θi是不同类型用户的参与率；δc(θi)是用户i的减载率；t1(i)是用户i的峰值削波持续时间。
[0110]
电网的运行和维护成本可以表示为：
[0111][0112]
式中，μ是平均负荷的运行和维护成本比例系数；λ为高峰负荷运行维护费用的比例系数；j是一天的高峰负荷时间；qj是第j个峰值时刻的实际负荷量。
[0113]
步骤3、建立满足目标函数的约束条件；
[0114]
1)该地区的最小日减负荷量
[0115]
当电力系统处于用电高峰期时，可中断负荷能力应大于或等于该地区的减载要求。该约束也是可中断负荷管理最基本的约束，其表达式如下：
[0116][0117]
式中，c是该地区的最小日减负荷需求。
[0118]
2)电力系统供需平衡约束
[0119]
考虑到电力系统的输入功率应与输出功率相匹配，建立以下系统供需平衡方程约束，如下式所示：
[0120]
p
cpp
(t)+p
gd
(t)+pb(t)＝p
load
(t)
[0121]
式中，p
cpp
(t)是自备电厂在时间t的输出功率；pb(t)是时间t时储能系统的输出/输入功率；p
gd
(t)分别是电网出售的电力单价和电网在t时传输或消耗的电力；p
load
(t)是系统负荷在时间t消耗的功率。
[0122]
3)储能系统工作状态
[0123]
考虑到实际情况，储能系统不能同时充放电，因此必须满足以下等式。
[0124]
0≤|λ(t)|+|υ(t)|≤1
[0125]
式中，λ(t)和υ(t)是时间t时系统的充电和放电状态。
[0126]
步骤4、构建拉丁方量子遗传算法(latin square quantum-inspired genetic algorithm，lsqga)方法应对离散-连续混合输入数据背景下的非线性规划问题；
[0127]
本步骤中，基于量子计算概念，可通过一个q位状态表示一个变量状态。这种表示方法能够利用线性叠加产生全部可能解。基于q位表示法，一个q位的变量可利用一各包含n组q位状态的字符串表征，其数学表达如下：
[0128][0129]
其中，|αi|2+|βi|2＝1，i＝1，2，
…
，n。由于q位状态可同时体现不同状态的线性叠加，与其他进化类方法中所使用的表示法相比，q位表示法能够确保更好的种群多样性。
[0130]
假设存在ps组q位变量，并开始初始化，生成初始的q位种群，并计算该种群的适应度值，采用轮盘法进行复制操作。
[0131]
对每个q位进行单切点交叉操作，根据交叉率pc选择q位个体进行交叉操作，如果选择第i个位置作为一个切点，则采用切点交叉算子对q位状态系统实施交叉，如下所示：
[0132][0133]
进一步通过拉丁方阵法进行正交化试验，从每个位点(因子)处的两个q位状态个体中选出一个新的q位个体。在每个位点上，将依据相应最大的e
fl
幅值选择q位，即确定每个因子的最佳层级，也就是在试验区域最大化e
fl
值的水平，并依据信噪比η目标函数的均方差)生成更好的子代。并重复此步骤，直到满足环路数((1/4)
×
ps×
pc)为止，从而生成q位种群。针对过量和欠量两种情形，taguchi模型分别定义信噪比η如下；
[0134][0135][0136]
其中，{y1，y2，
…
，yn}表示一组特征。
[0137]
进一步在交叉操作过后的q位种群中执行变异操作。根据变异率pm选择q位进行变异，针对一组q位状态系统，其变异运算是通过随机确定一个位置(例如，位置i)，然后交换相应的αi和βi，其过程如下：
[0138][0139]
除最佳个体外，选择ps个q位个体进行q位重复操作，最后生成新的q位种群，并检验终止条件，满足即求解最佳状态个体和适应度，不满足则重复交叉等以上步骤。
[0140]
实施例
[0141]
通过一光伏接入的10kv的11节点小型配网图3作为实施例系统，实施仿真分析，以三月某天的数据为例，该日内的24小时光伏出力曲线与日负荷曲线如图4所示，其中单位为kw；
[0142]
设定常数和分别为0.0021和0.65；为0.8元/(kw
·
h)；为0.1元/(kw
·
h)；μ平均负荷的运行和维护成本比例系数为0.03元/(kw
·
h)；λ高峰负荷运行维护费用的比例系数为0.54元/(kw
·
h)；电网公司购电单价s(t)按用电时间电价确定，高峰时段10:00-14:00、17:00-22:00为0.40元/(kw
·
h)，低谷时段1:00-8:00为0.15元/(kw
·
h)，其他期间的平均电价为0.30元/(kw
·
h)；
[0143]
根据lsqga模型优化，得出仿真系统各条目如下表；
[0144]
表1系统成本优化效果对比
[0145][0146]
由表1可知，在当日总功耗不变的情况下，将柔性负荷参与调度优化，能够有效避开用电高峰购电。综合补偿成本与运维成本，在运行成本上相比未分级模式降低12.6％，能够达到节能、经济的效益。
[0147]
针对所提出方法的有效性实施验证。针对上述同一算例场景，将所提出的lsqga优化模型与标准qga模型、神经网络示例算法bpnn、粒子群理论示例算法pso进行对比。对比主要面向优化效果以及优化效率两方面，结果如图5、6所示；
[0148]
从图5可知，四组优化模型所得出的最终结果相差不大，论证了在小规模系统场景中均具有一定的优化能力。但lsqga模型优化方案的总运行成本仍相对较低，且在后续潜在大规模应用场景中的优化将更为显著。
[0149]
在图6中，相比qga、bpnn、pso模型，可知lsqga的收敛迭代次数最小，其优化效率更高，进一步论证了其能够更好地适应离散-连续混合数据环境，从而在优化效率上形成了一定优势。

技术特征：
1.一种提升光伏接入配网经济性的柔性负荷智能优化调度方法，其特征在于，包括以下步骤：步骤1，建立包括可中断负荷、可平移负荷和可调整负荷三种类型在内的多类型柔性负荷模型；步骤2，基于需求侧管理，以柔性负荷的购电成本、补偿成本和电网维护成本的综合最小成本为目标，建立考虑柔性负荷调度的协调优化运行模型；步骤3，根据电网所在地区的最小日减负荷量、电网系统供需平衡和储能系统工作状态设定满足目标函数的约束条件；步骤4，构建拉丁方量子遗传算法lsqga处理离散-连续混合输入数据背景下的非线性规划问题，获取调度结果。2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，可中断负荷通过下式表征：其中w
k
为中断负荷，δt为负荷运行的累计时间，e为负荷运行的累计功率，p
k
为w
k
在运行时的功率；可平移负荷w
p
通过下式表征：其中p
p
为运行功率，[t
min
,t
max
+h]为允许运行时间，h为w
p
的运行时间，t
p
为w
p
的开始运行时间，k为计划时间段m分为第k个时间段；可调整负荷p
d
通过下式表征：p
dmin
≤p
d
≤p
dmax
其中p
dmin
为p
d
的最小工作功率，p
dmax
为最大工作功率。3.根据权利要求1所述的方法，其特征在于，所述的步骤2中，需求侧管理包括：将一天时间划分为t个时序，并以t(t＝1,
…
,t)为索引；其中每个时序的持续时间固定；每个耗电设备k都有一组不可移动的设备，并以n
k
(t)表示时序t中耗电设备k的不可移动负荷的功耗，则n(t)为时序t中不可移动负荷的总功耗：时序t的总能量消耗是从时段t计划的不可移动负荷和柔性负荷的总和中获得的，即：其中，sg(t)表示时序t的总功耗，计划时间段m分为k个时间段，每个时间段的长度为t；是第i个用户负荷在时间段t的运行功率，n是用户负荷总数：
其中，p
i
为负荷i的运行功率，m
o
为负荷o的允许工作时间。4.根据权利要求2所述的方法，其特征在于，所述的步骤2中，考虑柔性负荷调度的协调优化运行模型设置为：minp＝p
k
+p
p
+p
d
其中，p是总成本，p
k
、p
p
、p
d
分别为三种柔性负荷运行成本；p
∈
为任意一种柔性负荷，即∈＝k,p,d；为考虑其中一种柔性负荷后的购电成本；是该负荷用户的补偿成本；是电网的运行和维护成本。5.根据权利要求4所述的方法，其特征在于，购电成本由实际负荷和购电的实时单价共同确定，即：其中，q
t
是第t时刻的实际负荷，t是负荷的总运行时间，s(t)为第t时刻购电单价；补偿成本表示为：p(i，t)＝x(i，t)δc(θ
i
)q(i，t)l(i)＝2.67t1(i)-0.53
其中，n是用户数；q(i，t)是用户i不参与可中断负荷管理前第t时刻的负荷量；p(i，t)是用户i在第t时刻参与峰值削波的中断负荷量；为调度后可平移负荷单位功率的补偿价格；p
shift，t
为t时刻的可平移负荷；为响应调度后可转移负荷单位功率的补偿价格；a和b是大于0的常数；l(i)是用户i参与峰值削波的单位时间损失；x(i，t)是日前计划的中断决策变量，取值为0或1，当x(i，t)＝1时，用户i在t时刻参与负荷中断；当x(i，t)＝0时，用户i在t时刻不参与负荷中断；α(i，t)和β(i，t)则是日前计划的平移、可调决策变量；θ
i
是不同类型用户的参与率；δc(θ
i
)是用户i的减载率；t1(i)是用户i的峰值削波持续时间；电网的运行和维护成本表示为：其中，μ是平均负荷的运行和维护成本比例系数；λ为高峰负荷运行维护费用的比例系数；j是一天的高峰负荷时间；q
j
是第j个峰值时刻的实际负荷量。6.根据权利要求5所述的方法，其特征在于，所述的步骤3中，约束条件包括：
1)该地区的最小日减负荷量当电力系统处于用电高峰期时，可中断负荷能力应大于或等于该地区的减载要求，表达式为：其中，c是该地区的最小日减负荷需求；2)电力系统供需平衡约束考虑到电力系统的输入功率应与输出功率相匹配，建立以下系统供需平衡方程约束，如下式所示：p
cpp
(t)+p
gd
(t)+p
b
(t)＝p
load
(t)其中，p
cpp
(t)是自备电厂在时间t的输出功率；p
b
(t)是时间t时储能系统的输出/输入功率；p
gd
(t)分别是电网出售的电力单价和电网在t时传输或消耗的电力；p
load
(t)是系统负荷在时间t消耗的功率；3)储能系统工作状态考虑到储能系统不能同时充放电，有：0≤|λ(t)|+|u(t)|≤1式中，λ(t)和υ(t)是时间t时系统的充电和放电状态。7.根据权利要求1所述的方法，其特征在于，所述的步骤4包括：基于量子计算，通过一个q位状态表示一个变量状态；一个q位的变量利用一个包含n组q位状态的字符串表征：其中，|α
i
|2+|β
i
|2＝1，i＝1，2，...，n；以存在p
s
组q位变量，并开始初始化，生成初始的q位种群，并计算该种群的适应度值，采用轮盘法进行复制操作：对每个q位进行单切点交叉操作，根据交叉率p
c
选择q位个体进行交叉操作，如果选择第i个位置作为一个切点，则采用切点交叉算子对q位状态系统实施交叉，如下所示：进一步通过拉丁方阵法进行正交化试验，从每个位点即因子处的两个q位状态个体中选出一个新的q位个体；在每个位点上，将依据相应最大的e
fl
幅值选择q位，即确定每个因子的最佳层级，也就是在试验区域最大化e
fl
值的水平，并依据信噪比η即目标函数的均方差生成更好的子代；并重复此步骤，直到满足环路数((1/4)
×
p
s
×
p
c
)为止，从而生成q位种群；进一步在交叉操作过后的q位种群中执行变异操作：根据变异率p
m
选择q位进行变异，针对一组q位状态系统，其变异运算是通过随机确定一个位置i，然后交换相应的α
i
和β
i
，过程如下：
除最佳个体外，选择p
s
个q位个体进行q位重复操作，最后生成新的q位种群，并检验终止条件，满足终止条件即求解最佳状态个体和适应度从而获取调度结果，不满足则返回至采用轮盘法进行复制操作步骤继续迭代执行。8.根据权利要求7所述的方法，其特征在于，信噪比η在欠量和过量两种情形下分别为：8.根据权利要求7所述的方法，其特征在于，信噪比η在欠量和过量两种情形下分别为：其中，{y1，y2，...，y
n
}表示一组特征，η
l
为欠量信噪比，η
s
为过量信噪比。9.根据权利要求7所述的方法，其特征在于，检验终止条件，是指检验迭代次数是否达到预设次数，当达到预设次数时则认为达到终止条件；或者检验最低适应度随迭代次数增加是否变化，当不再变化时则认为达到终止条件。

技术总结
本发明公开了一种提升光伏接入配网经济性的柔性负荷智能优化调度方法。通过建立多类型柔性负荷分级、调度优化模型。一方面，依据需求侧响应需求将柔性负荷分为可中断负荷、可平移负荷、可调整负荷三类，构建柔性负荷运行优化模型，实现多种柔性负荷在不同时段的合理调配，有效缓解配电网中调峰压力、资源浪费问题，同时能够有效避开用电高峰购电，提高配网的经济性；另一方面，面向离散、连续混合数据分布环境，采用拉丁方量子遗传算法(Latin square quantum-inspired genetic algorithm,LSQGA)处理该环境下的非线性优化问题，使其能够快速搜寻宏观数据空间中最优可行域，提高优化模型在极端场景下的可行性。在极端场景下的可行性。在极端场景下的可行性。


技术研发人员：周胜瑜 江卓翰 朱亮 刘顺成 王翼飞 詹扬 彭剑 黄婧杰
受保护的技术使用者：国网湖南省电力有限公司经济技术研究院 国家电网有限公司
技术研发日：2022.11.08
技术公布日：2023/7/22