CN106026077B - 基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 - Google Patents
基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 Download PDFInfo
- Publication number
- CN106026077B CN106026077B CN201610327778.2A CN201610327778A CN106026077B CN 106026077 B CN106026077 B CN 106026077B CN 201610327778 A CN201610327778 A CN 201610327778A CN 106026077 B CN106026077 B CN 106026077B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind power
- probability
- unit
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 title abstract 12
- 238000010248 power generation Methods 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 238000013210 evaluation model Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H02J3/386—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法,基于电网日前风电接纳能力评估模型Pareto最优解集的风电单位接纳成本指标CApu,i,按下式计算:根据Pareto最优的定义,各解对应的发电成本满足如下关系:CG,1<CG,2<…CG,n风电接纳能力评估模型的Pareto最优解集由n个不同的解组成,按风电接纳电量Aw的大小对Pareto最优解集进行排序,排序后,存在如下关系:AW,1<AW,2<…AW,n。本发明在日前风电接纳能力评估模型Pareto最优解集的基础上提出了风电单位接纳成本指标,可衡量电网为接纳风电付出的成本代价。
Description
本申请是申请号“201510031432.3”、申请日:2015-01-21、名称“基于多目标优化的电网日前风电接纳能力评估方法”的分案申请。
技术领域
本发明涉及可再生能源电力并网技术,具体涉及一种基于多目标优化的电网日前风电接纳能力评估方法及风电单位接纳成本指标。
背景技术
近十年来,随着化石燃料的逐渐枯竭以及环境污染的日益加剧,全世界对发展以风电为代表的可再生能源均给予了足够的重视。截止2012年底,经过数年的高速开发,我国风资源丰富区的部分区域电网的风电渗透率达到了较高的水平,如蒙西电网风电装机占发电总装机的比例高达22.2%。大规模风电并网增加了调度决策的难度、恶化了局部电网的电能质量,更为严重的是,当电网调度资源无法平衡风功率的随机变动时,可能出现严重的“弃风”。2013年,我国电网“弃风”电量高达162亿千瓦,约占当年风力发电总量的10%。
随着“弃风”现象日益严重,学术界对电网弃风原因进行了深层次分析,并从多个时间角度对电网的风电接纳能力进行了评估,从而为调度决策提供参考。文献一《基于电力平衡的辽宁电网接纳风电能力分析》(电力***自动化,2010年,第34卷,第3期,第86页至90页)通过分析认为,现阶段导致“弃风”的主要原因是输送能力与调峰能力的制约,至于风电并网引起的***潮流、电压稳定、电能质量等问题在局部电网内部即可解决,尚不至于制约整个电网对风电的消纳。文献二《大规模风电接入电网的相关问题及措施》(中国电机工程学报,2010年,第30卷,第25期,第1页至9页)对比了中德两国的电源结构,认为电源结构不合理是导致大规模“弃风”的主要原因之一。文献三《考虑网络安全约束的实时风电消纳能力评估》(中国电机工程学报,2013年,第33卷,第16期,第23至29页)在考虑网络安全约束的基础上,从实时运行角度对电网风电接纳能力进行了评估,并着重分析了各节点的风电接纳能力。文献四《基于日前风功率预测的风电消纳能力评估方法》(电网技术,2012年,第36卷,第8期,第69至75页)从日前时间角度分析了电网风电接纳能力,提出了风电可消纳“包络带”的概念,给调度人员提供了有益的参考。
文献三、四提出的风电接纳能力评估方法仅给出单一评估结果,侧重于展示电网的最大理论风电接纳能力。此外,现有风电接纳能力评估模型在评估中完全忽略了风电的接纳成本,因而也没有提出相应的风电接纳成本指标。
发明内容
本发明的目的在于提供一种评估更为全面、简便的基于多目标优化的电网日前风电接纳能力评估方法。
本发明的技术解决方案是:
一种基于多目标优化的电网日前风电接纳能力评估方法,其特征是:电网日前风电接纳能力评估模型有风电接纳能力最大与常规***发电成本最小两个优化目标,如下所示:
优化目标1:
优化目标2:
上式中,Aw为调度日内的风电接纳电量,为调度日内的风电预测电量减去弃风电量期望;Pi,t为机组i在时段t的输出功率;ui表示机组i在调度日内的运行状态,“0”表示停机,“1”表示开机;T为调度时段数;Fw,t为时段t的风电最大理论出力,即风功率预测值;Cw,t为时段t的“弃风”电量期望,与Pi,t及ui有关;CG为常规***在调度日内的发电成本;N为常规机组的数目;fi(Pi,t)为机组i在时段t的燃料成本函数,可由二次函数拟合;
电网日前风电接纳能力评估模型的约束条件如下:
***有功平衡约束:
上式中,Pd,t为时刻t的负荷预测值,Pw,t为时刻t的风电上网电量;
常规机组出力约束:
Pmin,i≤Pi,t≤Pmax,i
上式中,Pmax,i、Pmin,i分别为机组i的最大、最小技术出力;
爬坡约束:
Pi,t-Pi,t-1≤ΔTRup,i
Pi,t-1-Pi,t≤ΔTRdown,i
上式中,Rup,i、Rdown,i分别为机组i最大增、减出力速率;
***安全性约束:
VLOLP,t≤RLOLP
上式中,VLOLP,t为调度时段t的失负荷概率,RLOLP为期望达到的运行可靠性水平;
风功率约束:
Pw,t≤Fw,t。
电网日前风电接纳能力评估模型,采用基于非支配分类的遗传算法对其进行求解,求出该评估模型的Pareto最优解集,具体步骤如下:
步骤1、随机产生遗传算法的初始染色体种群,种群规模为10N;采用长度为N的二进制编码表示染色体种群中的一条染色体;每条染色体给出了N台常规机组在调度日内的运行状态,“0”表示停机,“1”表示开机;
步骤2、对染色体进行可靠性评估,对满足安全性约束的染色体进行经济调度计算,在此基础上计算常规***的发电成本CG,并计算这些满足安全性约束的染色体在调度日内的弃风电量期望Cw,t;
步骤3、按非劣解等级对种群中的染色体进行分层,层次索引越小,非劣解层等级越高,分层时,不满足安全性约束的染色体的非劣解层等级最低;假定种群可分为m层,对个体i来说,若其所处的非劣解层次为j,则该个体的适应度Vfit,i为:
Vfit,i=10N-j
i=0,1,…,10N j=0,1,…,m
步骤4、计算同一非劣解层中各个体的局部拥挤距离。局部拥挤距离计算时,个体分为两类:处于排序边缘的个体以及排序中间的个体;对处于排序边缘的个体来说,其局部拥挤距离直接赋一个较大的数值,使其获得选择优势;对处于排序中间的个体来说,其局部拥挤距离为以两个相邻的个体为顶点构成的矩形的两条边的长度之和;
步骤5、将父代种群中的非劣解集直接复制至子代种群,作为子代种群的一部分;根据个体适应度以及局部拥挤距离进行选择操作产生子代种群中的其它个体,即从父代中随机选取两个个体,若适应度值不同,则选取适应度大的个体,若适应度相同,则选择局部拥挤距离较大的个体;上述选择操作重复进行,直至形成子代种群。按一定的概率,对子代种群进行交叉、变异操作;
步骤6、重复执行步骤2至5,直至算法满足预先设定的收敛条件。
采用解析概率算法对各调度时段弃风电量期望Cw,t与失负荷概率VLOLP,t进行计算,其步骤如下:
步骤1、采用通用概率分布函数表示风功率在预测值附近随机波动的概率特性,其概率密度函数与累计概率分布函数分别如下式所示:
F(x)={1+exp[-α(x-γ)]}-β
步骤2、采用正态分布N(Pd,t,σd,t)表示负荷在预测值附近随机波动的概率特性,并采用7个离散概率点对正态分布N(Pd,t,σd,t)进行近似逼近,即:
步骤3、采用不考虑元件修复的改进双状态模型表示机组的随机故障特性,机组i在时段t的故障率fi,t为:
fi,t=1-exp[-λi(TLD+t)]≈λi(TLD+t)
式中,TLD为风电接纳能力评估提前时间;λi为机组i的平均故障率。
步骤4、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组可用发电容量的离散概率表达式如下所示:
上式中,G0为机组均处于正常状态时的可用发电容量,p0为对应的概率,可由下式计算:
Gj(j=1,2,…m)为单台机组故障时的可用发电容量,pj为对应的概率。假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmax,k
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的可用发电容量,pj为事件发生的概率。假定故障机组的索引为k1、k2,Gj、pj分别为:
步骤5、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组总最小技术出力的离散概率表达式如下所示:
上式中,G0为机组均处于正常状态时的常规机组总最小技术出力,p0为对应的概率,可由下式计算:
Gj(j=1,2,…m)为单台机组故障时的常规机组总最小技术出力,pj为对应的概率。假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmin,k
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的常规机组总最小技术出力,pj为事件发生的概率。假定故障机组的索引为k1、k2,Gj、pj分别为:
步骤6、计算各调度时段弃风电量期望Cw,t与失负荷概率VLOLP,t,如下式所示:
if Pd,l-Gj<0 Pd,l-Gj=0
if Pd,l-Gj>Gwind Pd,l-Gj=Gwind
if x0<0 x0=0
if x0>1 x0=1
一种基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标,其特征是:基于电网日前风电接纳能力评估模型Pareto最优解集的风电单位接纳成本指标CApu,i,按下式计算:
根据Pareto最优的定义,各解对应的发电成本满足如下关系:
CG,1<CG,2<…CG,n
风电接纳能力评估模型的Pareto最优解集由n个不同的解组成,按风电接纳电量Aw的大小对Pareto最优解集进行排序,排序后,存在如下关系:
AW,1<AW,2<…AW,n。
有益效果:与现有技术相比,本发明突出的优点包括:首先,在电网日前风电接纳能力评估中考虑了电力***的运行成本,构建了基于多目标优化的日前风电接纳能力评估模型,模型更接近电网调度实际,且评估更为全面;其次,现有评估模型仅能给出单一评估结果,即***的最大理论风电接纳能力,而本发明公开的评估方法可给出Pareto最优解集,该解集由一系列评估结果及对应的成本组成;最后,在日前风电接纳能力评估模型Pareto最优解集的基础上提出了风电单位接纳成本指标,可衡量电网为接纳风电付出的成本代价。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
图1是本发明的流程图。
图2是弃风电量与发电成本关系图。
实施例1
为在日前时间角度对电网风电接纳能力进行评估,并对风电接纳的成本问题进行分析,本发明公开了一种基于多目标优化的电网日前风电接纳能力评估方法,并在该评估方法给出的Pareto最优解集的基础上计算风电单位接纳成本,其总体流程如附图1所示。
基于多目标优化的电网日前风电接纳能力评估模型的两个优化目标分别如下所示:
优化目标1:
优化目标2:
上述两式给出的优化目标分别为风电接纳电量最大与常规***发电成本最小。式中,Aw为调度日内的风电接纳电量;Pi,t为机组i在时段t的输出功率;ui表示机组i在调度日内的运行状态,“0”表示停机,“1”表示开机;T为调度时段数;Fw,t为时段t的风电最大理论出力,由风功率预测***给出;Cw,t为时段t的“弃风”电量期望,与Pi,t及ui有关;CG为常规***在调度日内的发电成本;N为常规机组的数目;fi(Pi,t)为机组i在时段t的燃料成本函数,可由下式所示的二次函数拟合:
上式中,ai、bi与ci分别为机组i的燃料成本系数。
评估模型的约束条件如下:
(1)***有功平衡约束:
上式中,Pd,t为时刻t的负荷预测值,Pw,t为时刻t的风电上网电量。
(2)常规机组出力约束:
Pmin,i≤Pi,t≤Pmax,i
上式中,Pmax,i、Pmin,i分别为机组i的最大、最小技术出力。
(3)爬坡约束:
Pi,t-Pi,t-1≤ΔTRup,i
Pi,t-1-Pi,t≤ΔTRdown,i
上式中,Rup,i、Rdown,i分别为机组i最大增、减出力速率。
(4)***安全性约束:
VLOLP,t≤RLOLP
上式中,VLOLP,t为调度时段t的失负荷概率,可量化运行风险;RLOLP为期望达到的运行可靠性水平。
(5)风功率约束:
Pw,t≤Fw,t
上述模型是多目标优化模型,且两个优化目标互相冲突,本发明采用基于非支配分类的遗传算法对其进行求解,可求出该评估模型的Pareto最优解集,具体步骤如下:
步骤1、随机产生遗传算法的初始染色体种群,种群规模为10N。采用长度为N的二进制编码表示染色体种群中的一条染色体。每条染色体给出了N台常规机组在调度日内的运行状态,“0”表示停机,“1”表示开机;
步骤2、对染色体进行可靠性评估,对满足安全性约束的染色体进行经济调度计算,在此基础上计算常规***的发电成本CG,并计算这些满足安全性约束的染色体在调度日内的弃风电量期望Cw,t;
步骤3、按非劣解等级对种群中的染色体进行分层,层次索引越小,非劣解层等级越高,分层时,不满足安全性约束的染色体的非劣解层等级最低。假定种群可分为m层,对个体i来说,若其所处的非劣解层次为j,则该个体的适应度Vfit,i为:
Vfit,i=10N-j
i=0,1,…,10N j=0,1,…,m
步骤4、计算同一非劣解层中各个体的局部拥挤距离。局部拥挤距离计算时,个体分为两类:处于排序边缘的个体以及排序中间的个体(如下图中的个体A、B以及C)。对处于排序边缘的个体来说,其局部拥挤距离直接赋一个较大的数值,使其获得选择优势;对处于排序中间的个体来说(下图中的个体B),其局部拥挤距离为以两个相邻的个体(如图2中个体A与C)为顶点构成的矩形的两条边的长度之和。
步骤5、将父代种群中的非劣解集直接复制至子代种群,作为子代种群的一部分。根据个体适应度以及局部拥挤距离进行选择操作产生子代种群中的其它个体,即从父代中随机选取两个个体,若适应度值不同,则选取适应度大的个体,若适应度相同,则选择局部拥挤距离较大的个体。上述选择操作重复进行,直至形成子代种群。按照一定的概率对子代种群进行交叉、变异操作。
步骤6、重复执行步骤2至5,直至算法满足预先设定的收敛条件。
在上述基于非支配分类遗传算法的电日前风电接纳能力评估模型求解过程中,本发明采用解析概率算法计算弃风电量期望Cw,t与失负荷概率VLOLP,t,具体步骤如下:
步骤1、采用通用概率分布函数表示风功率在预测值附近随机波动的概率特性,其概率密度函数与累计概率分布函数分别如下式所示:
F(x)={1+exp[-α(x-γ)]}-β
步骤2、采用正态分布N(Pd,t,σd,t)表示负荷在预测值附近随机波动的概率分布特性(σd,t为负荷随机波动的标准差,一般在负荷预测值的5%之内)。为避免较为复杂的卷积运算,采用7个离散概率点对正态分布N(Pd,t,σd,t)进行逼近,即:
步骤3、采用不考虑元件修复的改进双状态模型表示机组的随机故障特性,机组i在时段t的故障率fi,t为:
fi,t=1-exp[-λi(TLD+t)]≈λi(TLD+t)
式中,TLD为风电接纳能力评估提前时间;λi为机组i的平均故障率。
步骤4、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组可用发电容量的离散概率表达式如下:
上式中,G0为机组均处于正常状态时的可用发电容量,p0为对应的概率,可由下式计算:
Gj(j=1,2,…m)为单台机组故障时的可用发电容量,pj为对应的概率。假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmax,k
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的可用发电容量,pj为事件发生的概率。假定故障机组的索引为k1、k2,Gj、pj分别为:
步骤5、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组总最小技术出力的离散概率表达式如下:
上式中,G0为机组均处于正常状态时的常规机组总最小技术出力,p0为对应的概率,可由下式计算:
Gj(j=1,2,…m)为单台机组故障时的常规机组总最小技术出力,pj为对应的概率。假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmin,k
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的常规机组总最小技术出力,pj为事件发生的概率。假定故障机组的索引为k1、k2,Gj、pj分别为:
步骤6、一旦常规机组的最小技术出力与风功率之和大于负荷,由于常规机组调峰能力的制约,将会导致“弃风”。基于此,时段t的“弃风”电量期望Cw,t可由下式计算:
if x0<0 x0=0
if x0>1 x0=1
而一旦实际负荷大于可用发电容量与风功率之和,由于可用发电容量不足,将会导致部分负荷停电,基于此,时段t的失负荷概率VLOLP,t可由下式计算:
if Pd,l-Gj<0 Pd,l-Gj=0
if Pd,l-Gj>Gwind Pd,l-Gj=Gwind
现有风电接纳评估方法仅给出单一评估结果,即主要侧重与展示电网的最大理论风电接纳能力,且忽略了风电接纳的成本问题。因此,本发明公开了风电单位接纳成本指标,用于衡量电网为接纳风电付出的成本代价。该指标可在风电接纳能力评估模型给出的Pareto最优解集的基础上计算,具体如下。
假定风电接纳能力评估模型的Pareto最优解集由n个不同的解组成,为描述方便,按风电接纳电量Aw的大小对Pareto最优解集进行排序,排序后,存在如下关系:
AW,1<AW,2<…AW,n
根据Pareto最优的定义,各解对应的发电成本满足如下关系:
CG,1<CG,2<…CG,n
排序后的Pareto最优解集中第1个解对应的发电成本CG,1最低,但对应的风电接纳电量AW,1最小。此也就是说,调度人员此时仅考虑发电成本最低,而完全忽略了对风电电量的接纳。此时,风电接纳电量AW,1为***可自然接纳的风功率,接纳成本为零。至于Pareto最优解集中的其它各解,为接纳更多的风电,***发电成本出均现了不同程度的提升。显然,额外增加的常规***发电成本可视作风电接纳成本,本发明公开的单位风电接纳成本CApu,i衡量***为接纳更多风电付出的成本代价,可按下式计算:
Claims (1)
1.一种基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法,其特征是:基于电网日前风电接纳能力评估模型Pareto最优解集的风电单位接纳成本指标CApu,i,按下式计算:
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>A</mi>
<mi>p</mi>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>G</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>G</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mi>n</mi>
</mrow>
根据Pareto最优的定义,各解对应的发电成本满足如下关系:
CG,1<CG,2<…CG,n
风电接纳能力评估模型的Pareto最优解集由n个不同的解组成,按风电接纳电量Aw的大小对Pareto最优解集进行排序,排序后,存在如下关系:
AW,1<AW,2<…AW,n;
所述基于多目标优化的电网日前风电接纳能力评估方法:
电网日前风电接纳能力评估模型有风电接纳能力最大与常规***发电成本最小两个优化目标,如下所示:
优化目标1:
优化目标2:
上式中,Aw为调度日内的风电接纳电量,为调度日内的风电预测电量减去弃风电量期望;Pi,t为机组i在时段t的输出功率;ui表示机组i在调度日内的运行状态,“0”表示停机,“1”表示开机;T为调度时段数;Fw,t为时段t的风电最大理论出力,即风功率预测值;Cw,t为时段t的“弃风”电量期望,与Pi,t及ui有关;CG为常规***在调度日内的发电成本;N为常规机组的数目;fi(Pi,t)为机组i在时段t的燃料成本函数,可由二次函数拟合;
电网日前风电接纳能力评估模型的约束条件如下:
***有功平衡约束:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
上式中,Pd,t为时刻t的负荷预测值,Pw,t为时刻t的风电上网电量;
常规机组出力约束:
Pmin,i≤Pi,t≤Pmax,i
上式中,Pmax,i、Pmin,i分别为机组i的最大、最小技术出力;
爬坡约束:
Pi,t-Pi,t-1≤ΔTRup,i
Pi,t-1-Pi,t≤ΔTRdown,i
上式中,Rup,i、Rdown,i分别为机组i最大增、减出力速率;
***安全性约束:
VLOLP,t≤RLOLP
上式中,VLOLP,t为调度时段t的失负荷概率,RLOLP为期望达到的运行可靠性水平;
风功率约束:
Pw,t≤Fw,t;
电网日前风电接纳能力评估模型,采用基于非支配分类的遗传算法对其进行求解,求出该评估模型的Pareto最优解集,具体步骤如下:
步骤1、随机产生遗传算法的初始染色体种群,种群规模为10N;采用长度为N的二进制编码表示染色体种群中的一条染色体;每条染色体给出了N台常规机组在调度日内的运行状态,“0”表示停机,“1”表示开机;
步骤2、对染色体进行可靠性评估,对满足安全性约束的染色体进行经济调度计算,在此基础上计算常规***的发电成本CG,并计算这些满足安全性约束的染色体在调度日内的弃风电量期望Cw,t;
步骤3、按非劣解等级对种群中的染色体进行分层,层次索引越小,非劣解层等级越高,分层时,不满足安全性约束的染色体的非劣解层等级最低;假定种群可分为m层,对个体i来说,若其所处的非劣解层次为j,则该个体的适应度Vfit,i为:
Vfit,i=10N-j
i=0,1,…,10N j=0,1,…,m
步骤4、计算同一非劣解层中各个体的局部拥挤距离;局部拥挤距离计算时,个体分为两类:处于排序边缘的个体以及排序中间的个体;对处于排序边缘的个体来说,其局部拥挤距离直接赋一个较大的数值,使其获得选择优势;对处于排序中间的个体来说,其局部拥挤距离为以两个相邻的个体为顶点构成的矩形的两条边的长度之和;
步骤5、将父代种群中的非劣解集直接复制至子代种群,作为子代种群的一部分;根据个体适应度以及局部拥挤距离进行选择操作产生子代种群中的其它个体,即从父代中随机选取两个个体,若适应度值不同,则选取适应度大的个体,若适应度相同,则选择局部拥挤距离较大的个体;上述选择操作重复进行,直至形成子代种群;按一定的概率,对子代种群进行交叉、变异操作;
步骤6、重复执行步骤2至5,直至算法满足预先设定的收敛条件;
采用解析概率算法对各调度时段弃风电量期望Cw,t与失负荷概率VLOLP,t进行计算,其步骤如下:
步骤1、采用通用概率分布函数表示风功率在预测值附近随机波动的概率特性,其概率密度函数与累计概率分布函数分别如下式所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&alpha;</mi>
<mi>&beta;</mi>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<msup>
<mrow>
<mo>{</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
</mfrac>
</mrow>
F(x)={1+exp[-α(x-γ)]}-β
步骤2、采用正态分布N(Pd,t,σd,t)表示负荷在预测值附近随机波动的概率特性,并采用7个离散概率点对正态分布N(Pd,t,σd,t)进行近似逼近,即:
步骤3、采用不考虑元件修复的改进双状态模型表示机组的随机故障特性,机组i在时段t的故障率fi,t为:
fi,t=1-exp[-λi(TLD+t)]≈λi(TLD+t)
式中,TLD为风电接纳能力评估提前时间;λi为机组i的平均故障率;
步骤4、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组可用发电容量的离散概率表达式如下所示:
<mrow>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>G</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>}</mo>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
上式中,G0为机组均处于正常状态时的可用发电容量,p0为对应的概率,可由下式计算:
<mrow>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
Gj(j=1,2,…m)为单台机组故障时的可用发电容量,pj为对应的概率;假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmax,k
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的可用发电容量,pj为事件发生的概率;假定故障机组的索引为k1、k2,Gj、pj分别为:
<mrow>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
步骤5、假设时段t有m台机组处于开机状态,在忽略两台以上机组同时故障的情况下,该时段常规机组总最小技术出力的离散概率表达式如下所示:
<mrow>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>min</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>min</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>=</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
上式中,G0为机组均处于正常状态时的常规机组总最小技术出力,p0为对应的概率,可由下式计算:
<mrow>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>min</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
Gj(j=1,2,…m)为单台机组故障时的常规机组总最小技术出力,pj为对应的概率;假定故障机组的索引为k,Gj、pj分别为:
Gj=G0-Pmin,k
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
Gj(j=m+1,m+2,…m(m+1)/2)为某两台机组同时故障时的常规机组总最小技术出力,pj为事件发生的概率;假定故障机组的索引为k1、k2,Gj、pj分别为:
<mrow>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>min</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
步骤6、计算各调度时段弃风电量期望Cw,t与失负荷概率VLOLP,t,如下式所示:
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>L</mi>
<mi>O</mi>
<mi>L</mi>
<mi>P</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
</mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>w</mi>
<mi>i</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
if Pd,l-Gj<0 Pd,l-Gj=0
if Pd,l-Gj>Gwind Pd,l-Gj=Gwind
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>w</mi>
<mi>i</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
</mfrac>
</mrow>
if x0<0 x0=0
if x0>1 x0=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610327778.2A CN106026077B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510031432.3A CN104578059B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法 |
CN201610327778.2A CN106026077B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510031432.3A Division CN104578059B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106026077A CN106026077A (zh) | 2016-10-12 |
CN106026077B true CN106026077B (zh) | 2018-05-15 |
Family
ID=53093531
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610327778.2A Active CN106026077B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 |
CN201510031432.3A Active CN104578059B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510031432.3A Active CN104578059B (zh) | 2015-01-21 | 2015-01-21 | 基于多目标优化的电网日前风电接纳能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106026077B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105490312B (zh) * | 2015-12-18 | 2018-04-06 | 国家电网公司 | 一种电力***多源无功优化控制方法 |
CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及*** |
CN109149655A (zh) * | 2018-09-14 | 2019-01-04 | 南方电网科学研究院有限责任公司 | 一种风电消纳水平的计算方法、装置与存储介质 |
CN110571863B (zh) * | 2019-08-06 | 2020-12-11 | 国网山东省电力公司经济技术研究院 | 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法 |
CN113300361B (zh) * | 2021-06-21 | 2023-04-07 | 南通大学 | 基于改进多目标法的电热联合***风电接纳能力评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780219A (zh) * | 2012-05-17 | 2012-11-14 | 清华大学 | 基于风电运行模拟的多维度风电消纳能力判别方法 |
CN103683326A (zh) * | 2013-12-05 | 2014-03-26 | 华北电力大学 | 一种区域电网风电多点接入最佳接纳能力的计算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101089606B1 (ko) * | 2009-09-30 | 2011-12-06 | 한국전력공사 | 풍력 발전 시뮬레이션 시스템 |
CN102280878B (zh) * | 2011-07-26 | 2013-10-09 | 国电南瑞科技股份有限公司 | 基于sced的风电接纳能力优化评估方法 |
CN104143838A (zh) * | 2013-11-01 | 2014-11-12 | 国家电网公司 | 一种含智能小区的电网动态调度方法 |
-
2015
- 2015-01-21 CN CN201610327778.2A patent/CN106026077B/zh active Active
- 2015-01-21 CN CN201510031432.3A patent/CN104578059B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780219A (zh) * | 2012-05-17 | 2012-11-14 | 清华大学 | 基于风电运行模拟的多维度风电消纳能力判别方法 |
CN103683326A (zh) * | 2013-12-05 | 2014-03-26 | 华北电力大学 | 一种区域电网风电多点接入最佳接纳能力的计算方法 |
Non-Patent Citations (2)
Title |
---|
"Multi-objective optimization for wind energy integration";E. Sortomme等;《Transmission and Distribution Conference and Exposition, 2010 IEEE PES》;20100614;第1-6页 * |
"基于离散概率潮流的大风电接入后的电网规划";张新松等;《中国电力》;20140430;第47卷(第4期);第128-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106026077A (zh) | 2016-10-12 |
CN104578059B (zh) | 2016-09-28 |
CN104578059A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106026077B (zh) | 基于多目标优化的电网日前风电接纳能力评估方法的风电单位接纳成本指标确定方法 | |
Alsayed et al. | Design of hybrid power generation systems based on multi criteria decision analysis | |
CN107451686B (zh) | 考虑随机预测误差的遗传算法的微电网能源优化方法 | |
CN112508221A (zh) | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 | |
CN103729685A (zh) | 基于改进rbf神经网络的光伏电站群区域功率预测方法 | |
CN112994115B (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
CN114069687B (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
CN114243794A (zh) | 风光水多能互补***灵活性需求量化及协调优化方法 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN115526401A (zh) | 一种基于数字孪生的新型电力***电源最优规划方法 | |
Yang et al. | A Selection Hyper‐Heuristic Algorithm for Multiobjective Dynamic Economic and Environmental Load Dispatch | |
CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
Ali et al. | Hybrid renewable energy resources selection based on multi criteria decision methods for optimal performance | |
CN111625770A (zh) | 一种用于含分布式电源配电网的能效评估方法及*** | |
CN113937811B (zh) | 一种多能耦合配电***优化调度方法 | |
CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及*** | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN116796990A (zh) | 不确定电价条件下梯级水库汛前水位消落控制方法 | |
CN115459323A (zh) | 一种基于改进遗传算法的微电网优化调度方法 | |
CN115293487A (zh) | 一种面向区域电网储能配置效果的综合评价方法及*** | |
CN112580256B (zh) | 计及故障率影响含电动汽车的分布式电源选址定容方法 | |
CN112767189A (zh) | 一种计及风电并网下电网灵活性评估方法 | |
Marouani et al. | Optimization Hydro-Thermal-Wind-PV Solar Using MOPSO Algorithm Applied to Economic/Environmental Dispatch | |
Zhang et al. | Multiobjective Economic Optimal Dispatch for the Island Isolated Microgrid under Uncertainty Based on Interval Optimization | |
Li et al. | Research on The Optimization Reserve Capacity of Integrated Source Grid Load Storage System Based on Chance Constrained Planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |