CN108964146A - 基于风、火、水、核协调的多电源优化调度方法和装置 - Google Patents
基于风、火、水、核协调的多电源优化调度方法和装置 Download PDFInfo
- Publication number
- CN108964146A CN108964146A CN201810784877.2A CN201810784877A CN108964146A CN 108964146 A CN108964146 A CN 108964146A CN 201810784877 A CN201810784877 A CN 201810784877A CN 108964146 A CN108964146 A CN 108964146A
- Authority
- CN
- China
- Prior art keywords
- wind
- unit
- flexibility
- load
- electricity generation
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 abstract description 10
- 230000004044 response Effects 0.000 abstract description 8
- 230000005619 thermoelectricity Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 31
- 238000011156 evaluation Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 12
- 238000013139 quantization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000009194 climbing Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- DQTKCIVHDDGAFK-UHFFFAOYSA-N 2-(5,6-dihydro-4H-cyclopenta[d][1,3]dithiol-2-ylidene)-1,3-dithiole-4,5-dithiol Chemical compound S1C(S)=C(S)SC1=C1SC(CCC2)=C2S1 DQTKCIVHDDGAFK-UHFFFAOYSA-N 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 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
- H02J3/38—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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H02J3/386—
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力领域,提供了基于风、火、水、核协调的多电源优化调度方法和装置,该方法包括:确定电力***的灵活性特征参数;修正所述电力***的风电预测值和负荷预测值;根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型;基于遗传算法,求解并输出所述日前优化调度模型的最优解集。本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
Description
技术领域
本发明属于电力领域,尤其涉及一种基于风、火、水、核协调的多电源优化调度方法和装置。
背景技术
电力***日前优化调度是确保电力***优化运行的重要环节,对于节能减排、降低污染物排放和确保***安全稳定运行具有重要作用。
随着我国电力工业的不断发展,仅仅依靠传统的日前调度方法调度发电测资源已经不能满足能源紧缺和电力紧张的局面。同时,面对不断增长的电能需求以及化石能源的短缺,开发新型可持续发展的可再生能源成为迫切需求。而风电是目前发展前景最好的可再生能源发电方式之一,但是由于其出力的随机性、波动性和间歇性等不确定性的特点,含高渗透率风电的电力***面临着严重的“弃风”问题。电力***的灵活性是影响风电大规模消纳的重要因素之一。所谓灵活性,是指在一定经济约束下电力***响应负荷和波动电源变化而随之调节的能力。因此,在日前优化调度中,不仅要考虑到***的经济性,而且还要均衡考虑到***的灵活性。
然而,在现有技术中,对于电力***的灵活性的定义和评价没有统一的标准。由于电力***的灵活性涉及的因素众多,难以用数学公式统一表征,目前较多的研究都是从保障可靠运行概率的规划角度出发进行灵活性定量评价,而对于***运行的灵活性评估的研究较少,而且,当前针对高渗透风电的日前优化调度方法大多数仅考虑到生产成本、购电成本,而忽视了电力***高度不确定因素影响下的灵活性需求,因此,难以实现***的经济性和灵活性的均衡。
由此可见,现有技术中的风电电力***日前调度方法存在难以均衡***的经济性和灵活性的问题。
发明内容
本发明实施例提供一种基于风、火、水、核协调的多电源优化调度方法,旨在解决现有技术中的风电电力***日前调度方法存在难以均衡***的经济性和灵活性的问题。
本发明实施例是这样实现的,一种基于风、火、水、核协调的多电源优化调度方法,包括如下步骤:
确定电力***的灵活性特征参数;
修正所述电力***的风电预测值和负荷预测值;
根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型;
基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
本发明实施例还提供一种基于风、火、水、核协调的多电源优化调度装置,所述装置包括:
确定单元,用于确定电力***的灵活性特征参数;
修正单元,用于修正所述电力***的风电预测值和负荷预测值;
模型建立单元,用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型;
求解输出单元,基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法,通过确定电力***的灵活性特征参数,修正该电力***的风电预测值和负荷预测值,根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及***灵活性的日前优化调度模型,并基于遗传算法,求解并输出该调度模型的最优解集,该方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
附图说明
图1是本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法的实现流程图;
图2是本发明实施例提供的机组在运行过程中的灵活性特征参数表征图;
图3是本发明实施例提供的初始化的机组基因型状态示意图;
图4是本发明算例提供的机组调度结果一
图5是本发明算例提供的机组调度结果二;
图6是本发明算例提供的机组调度结果三;
图7是本发明实施例提供的基于风、火、水、核协调的多电源优化调度装置的结构示意图;
图8是本发明实施例提供的一种修正单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式及其功效,详细说明如下。
本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法,通过确定电力***的灵活性特征参数,修正该电力***的风电预测值和负荷预测值,根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及***灵活性的日前优化调度模型,并基于遗传算法,求解并输出该调度模型的最优解集,该方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
图1示出了本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参见图1,本发明实施例提供了一种基于风、火、水、核协调的多电源优化调度方法,包括步骤S101、步骤S102、步骤S103和步骤S104。
步骤S101,确定电力***的灵活性特征参数。
结合图1和图2,在本发明实施例中,目前电力***中常规机组的灵活性特征主要包括其爬坡率、最小稳定出力、最小开机/停机时间和最小启停时间。Vishwamitra Oree等人利用层次分析法对上述因素进行分析并最终对机组的灵活性做出了评价。在实际运行中,启停机时间和开停机时间必然是有序统一的,因此,常规机组的灵活性特征可以表征为:调节容量、调节速度、调节周期。
层次分析法(APH),是指将一个复杂的多目标决策问题作为一个***,将目标分解为多个目标或准则,进而分解为多目标(或准则、约束)的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)、多方案优化决策的***方法。
对于常规机组的***灵活性,目前尚没有统一的定义,具有一定的模糊性;而且相同规格的机组在不同的电力***中表现出不同的灵活性,因此,对于机组的灵活性评价必须在特定的***中所有电源之间对比做出灵活性评价。考虑到多种因素的影响,本发明实施例采用模糊综合评价法对常规机组的灵活性做出量化评价。
模糊综合评价方法主要是根据模糊问题的各个评价因素、评价标准、自然状态以及各因素的相对重要程度建立模糊综合评价模型,然后对各被评价对象进行综合评价。其原理包括:
(1)确定评价指标集合。将影响评价对象的各种主要因素作为元素组成论域集合U。
(2)确定评价因素的权重集合W。根据各个因素的重要程度,可以采用层次分析法,对各因素赋予响应的权重wi,组成评价因素的权重集合。记为:W={w1,w2,…,wn},且有∑wi=1(wi≥0;i=1,2,…,n)。
(3)建立评级档次集合。设为V={v1,v2,…,vn}。通常vj可视为针对uj的各被评价对象对不同级别档次的隶属度,即针对每一个评价指标,每一个被评价对象都有相应的评级档次集合。
(4)进行单因素模糊评判,建立单因素评判模糊矩阵Rij。表示针对每一个评价指标,每一个被评价对象在评级档次集合下的评价值。
(5)进行模糊综合评判决策。模糊综合评判决策模型设为:B=A·R,B={b1,b2,…,bn},其中bi的含义是综合考虑所有因素影响时,被评判的对象对档次集合中第i个评级档次元素的隶属度。
(6)量化分析。由于评价等级是一个非数性量,所以先将其量化,根据评级档次集合构建量化值矩阵S,则评价结果的最终量化值为:
H=B·ST=(b1,b2,…,bn)·(s1,s2,…,sn)T。
在本发明实施例中,常规机组的调节容量定义为:在正常运行状态下,机组稳定调节出力来满足负载的波动,调节出力的范围为调节容量。一般认为,常规机组的调节容量S为机组的额定容量Pmax减去机组的最小稳定出力Pmin,即可表示为:S=Pmax-Pmin。火力发电机组的最小稳定出力是一项重要的性能指标,具有小的稳定出力机组,出力调整范围大,可以满足电力***调峰的需要。
在本发明实施例中,随着大规模波动性电源的接入,传统的发电机组需要更加灵敏的调节速度来响应净负荷的频繁变化。调节速度与机组的爬坡速率有直接的关系,机组的爬坡与方向、时间尺度和机组的运行工况有关,为了应对净负荷的频繁波动,调节速度V可以表征为向上爬坡vRUR和向下爬坡vRDR绝对值的最小值,即可表示为:V=min{|vRUR|,|vRDR|}。
在本发明实施例中,在含高渗透率波动性电源的电力***中,机组有时候需要快速的启停机满足***调峰需求,但是不同于储能,常规机组的启停受多方面因素制约。一方面,由于经济和安全因素的制约,传统发电机在开机达到并网要求后,必须保持一段时间的在线运行状态确保发电相关的运营成本和维护成本;另一方面,为了防止热应力等因素降低机组的寿命,常规火电机组停机后保持一段时间关机状态。常规机组的调节周期T与机组的启动时间tSUT、关闭时间tSDT、最小开机时间tMUT和最小停机时间tMDT密切相关,可定义为机组从上一时刻机组开机到达机组最小稳定出力到下一时刻机组由关机到开机到达机组最小稳定出力的最小时间间隔,具体可表示为:T=tSUT+tMUT+tSDT+tMDT。
在本发明实施例中,在确定***的灵活性特征参数模糊评集后,对评价等级进行了量化打分,最终形成了电力***运行灵活性的量化得分。
步骤S102,修正所述电力***的风电预测值和负荷预测值。
风电和负荷都存在着预测误差,这使得电力***规划与运行都面临各种风险,给电力***安全稳定经济运行带来诸多不利的影响。在日前调度阶段,必须要同时考虑这两者的不确定性。
以风电为代表的新能源出力,其本质是空间尺度的分散性与时间尺度的随机波动不确定性。并且,风能的随机不确定性随季节、气候、局部气象、地理条件等因素的变化而不同。对于调度部门来说,应把握调度范围内的风电的波动规律,在日前调度中对风电的不确定性做出处理。
在本发明实施例中,采用风功率历史预测误差作为误差经验分布,对风电预测值进行修正,得到修正后的风电预测值。
负荷的变化与时间和天气的变化有着直接的关系,目前对于负荷不确定性的研究主要分为两个方面:一类是概率性负荷预测,另一类是在应用中考虑到负荷预测结果的不确定性,并将其视为随机变量。
在本发明实施例中,采用使用较为广泛的概率性预测,将负荷预测误差视为随机变量,建立负荷预测误差分布的统计分析模型,并将其叠加至确定性负荷预测结果之上实现概率性负荷预测。一般认为负荷预测的误差服从正态分布,因此,基于正态分布模拟,生成随机量对负荷预测值进行修正,得到修正后的负荷预测值。
步骤S103,根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型。
在本发明实施例中,根据电力***的灵活性特征参数:调节容量、调节速度、调节周期,以及修正后的风电预测值和负荷预测值,建立计及***灵活性的日前优化调度模型。
计及***灵活性的日前优化调度模型是满足负荷及***运行约束前提下,合理分配火电机组的出力,使调度时段内总的发电成本最小。为了保证电力***安全稳定经济运行,***须编制具有较大灵活性的开机计划来满足风电和负荷的双重不确定性。即在发电成本的基础上实现机组总的灵活性最高。
在本发明实施例中,利用上述特征参数和修正结果建立了以电力***的灵活性和总发电成本为目标,***功率平衡、爬坡约束、机组出力上下限等约束的多目标优化调度模型。
步骤S104,基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
在本发明实施例中,将遗传算法(GA)应用于机组组合问题的求解,选择简单的二进制字母表来编码解决方案。如图3所示,N代表机组单位数,H代表小时的调度周期,假设每小时机组单元的状态为ON或OFF,单个单元的操作时间表具有H个字符串。在单个单元的操作时间表中的H个字符串中,某个位置的“1”表示该单元在该特定小时处于ON状态,而“0”表示该单元处于OFF状态。
在本发明实施例中,首先,随机产生多个初始二进制编码(基因型)以形成初始化。
其次,评估每个基因型,并计算其适应值,具体地,机组的基因型被解码为N单位/H期操作时间表;每个粒子(基因型)的适应值和目标函数以及是一致的。电力***的机组总燃料成本fth被计算为通过在调度周期的时间t经济地将负载需求调度到运行单元的每小时燃料成本的总和。如果在时间t内,由于在线机组的操作限制,不满足功率平衡方程,则将与功率平衡违反成比例的惩罚项到适应度函数。其中,依赖于时间的启动成本和关闭成本可以很容易地从基因型中包含的信息(包出力上下限、爬坡速率、机组启停时间)和单元的初始状态(连续上升或下降时间)组成得到。而对于每个违反的约束(例如,最小上升时间),与约束违反的量成比例的惩罚项被添加到适应度函数。在GA求解计及机组灵活性的方案中,机组的灵活性通过归一化处理与费用目标相加进行约束。
进一步的,GA开始创建新的计及机组灵活性的优化解决方案,具体的,使用轮盘赌轮父选择算法选择两种基因型,该算法可从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率(该概率是根据历史数据进行模拟出的一个概率)的基因型。然后,将选择出的两个基因型作为遗传算子产生一个新的后代基因型,具体的:上述两种基因型交叉运算(该运算以一定的概率应用);基因突变(通常突变的概率很小,是指随机选择的位数后代基因型从'0'变为'1');运行概率适应(通过对历史数据的监控,对运行结果方向进行移动);通过比对(比较每个基因型间的适应值大小,即目标函数的大小)进化出成熟收敛的最优解;最后输出最优解。
在本发明实施例中,为了防止上述计及机组灵活性的方案发生早熟的问题,可在算法迭代的过程中,通过预先设置一个粒子群最优位置连续不变化次数的阈值,当粒子群最优粒子位置连续不变化次数大于预设的阈值时,对粒子群位置向量按随机变异概率因子发生变异,更新完成后继续判断是否超过预设的阈值解决该早熟问题。
本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法,通过确定电力***的灵活性特征参数,修正该电力***的风电预测值和负荷预测值,根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及***灵活性的日前优化调度模型,并基于遗传算法,求解并输出该调度模型的最优解集,该方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
在本发明实施例中,上述步骤S102包括:
采用风功率历史预测误差作为误差经验分布,对所述电力***的风电预测值进行修正,得到风电预测修正值为:εw∈Ωw,其中,εw为风电历史预测误差,Ωw为历史预测误差集合,为未来风功率预测值。
采用正态分布模拟,对所述负荷预测值进行修正,得到负荷预测修正值为:εl∈N(μ,σ2),其中,εl为负荷预测误差;为负荷预测值。
在本发明实施例中,上述步骤S103包括:
根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立所述计及***灵活性的日前优化调度模型中的目标函数;
确定所述计及***灵活性的日前优化调度模型中的所述目标函数的约束条件。
在本发明实施例中,计及***灵活性的日前优化调度模型是满足负荷及***运行约束前提下,合理分配火电机组的出力,使调度时段内总的发电成本最小。为了保证电力***安全稳定经济运行,***须编制具有较大灵活性的开机计划来满足风电和负荷的双重不确定性。即在发电成本的基础上实现机组总的灵活性最高。其目标函数如下:
其中,式(1)表示给定时段内所有机组的运行、开机、停机三类成本总和最小,i为机组编号;t为调度周期;CGi为第i个机组的运行成本(元/h);PGi为反映第i个机组在第t个调度周期内的出力(MW);Iit为反映第i个机组在第t个调度周期内开、停状态的二元整型变量,1时表示开机,0时表示停机;SUit为第i个机组在第t个调度周期内的开机成本,它通常是机组停机时间的函数,一般停机时间越长,开机成本越大,为方便计,也可以认为是一个常数,此时有SUit=Csu×Iit×(1-Iit-1),Csu为计为常数的开机成本;SDit为第i个机组在第t个调度周期内的停机成本,它通常是常数,此时有SDit=Csd×Iit-1×(1-Iit),停机成本一般较小,为方便计,可以认为等于零。式(2)表示***机组的灵活性总体性最高。其中Fi表示第i个机组的灵活性得分。
在本发明实施例中,上述目标函数的约束条件包括:负荷平衡约束、机组的发电功率限制约束、***备用要求约束、最小开停机时间约束以及机组的爬坡约束。
具体地,(1)负荷平衡约束:其中,PGi,t反映第i个机组在第t个调度周期内的出力(MW),Pwt代表时刻t风电发电功率。
(2)机组的发电功率限制约束:其中,分别代表时刻t机组发电功率的上、下限。
(3)***备用要求约束:其中,PRt代表时刻t***备用容量
(4)最小开停机时间约束:机组组合问题还包括最小开(停)机时间约束,即对于火电机组,一旦停机,必须持续一段时间(最小停机时间)后才能开机;反之,一旦开机,也必须持续一段时间(最小停机时间)后才能停机。其中,分别时刻t代表机组最小开(停)机时间;分别代表上一时刻,机组开机/停机持续时间。
(5)机组的爬坡约束:其中,URi为机组i有功功率上升量的限值,其中,DRi为机组i有功功率下降量的限值。
本发明实施例提供的基于风、火、水、核协调的多电源优化调度方法,通过确定电力***的灵活性特征参数,修正该电力***的风电预测值和负荷预测值,根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及***灵活性的日前优化调度模型,并基于遗传算法,求解并输出该调度模型的最优解集,该方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
为了进一步验证本发明方法的有效性和准确性,以下结合具体的算例做详细的说明如下:
首先,假设有N=3N=3个不同类型的发电机组(如核能、水能、天然气、石油、煤炭等)。其中,每个机组都具有最大功率容量,并在打开时具有最小容量。调度问题在48个时间单位(时间单位可为:小时、天等)内解决,并且预测的电力需求由周期性函数给出。以一个时间单位运行电厂i的成本由二次函数QiiPi 2+CiPi给出,其中Pi为机组出力,Qii和Ci为机组i的运行成本系数。
(1)具有线性开关建模的第一个模型:该模型将由两个变量组成,一个是二进制变量,它控制单元i是否在时间k开启,另一个变量是一个连续变量,表示机组i在时间k输出的功率。
在进行建模时,一个典型的问题就是开始将开关变量乘以功率变量P,遵循机组的功率由开关和P的乘积给出的逻辑。这种方法会使模型超越混合整数线性和二次规划界限。为了解决该问题,乘法应该通过逻辑约束隐式完成,即,如果onoff为0,则P应为零,如果onoff为1,则应允许P在其下限和上限之间,基于该逻辑建立模型。
(2)使上述模型满足功率平衡的条件。
(3)计算上述模型在预测时间范围内的总运行成本和机组灵活性,其中计算的结果如图4所示,从图4中可以看出,在考虑经济性和灵活性的情况下,主要以Unit1机组进行发电,Unit2机组为辅,Unit3机组发电较少。按照提出的调度方案可以实现机组平稳,高效灵活,经济的调度。
(4)添加最少的上下行时间:
上述模型还存在一定缺陷是假设可以任意打开和关闭机组。大多数情况下,如果一个机组开启,它必须运行多个时间单位,关闭时,它将消失多个时间单位(重新启动很复杂等)。因此,定义了描述这些机组特征的两个新变量(最小开机时间minup和最小关机时间mindown)。
示例性的,当机组1打开时,它必须打开至少6个连续时间单位,并且当机组2关闭时,它将保持关闭6个时间单位。
通过涉及二元变量的线性约束来描述这些属性,并且从最小运行时间约束开始。如果机组i开启,它必须保持最小(i)时间单位。这可以表述为:如果机组在时间k-1关闭并且在k时开启,那么它必须在时间k+1,k+2,...,k+minup(i)-1处开启。使用的方法是认为onoff(k)-onoff(k-1)是1,否则它是0或-1。停机时间约束以类似的方式进行创建。
(5)量化的功率水平:
一些机组只能以有限数量的配置运行,从而使输送功率成为量化变量。这里,假设电厂3以这种方式受到限制,运行的结果如图5所示。
为了更加贴近实际,机组在不同时段的所处类型(基荷、腰荷、峰荷)不同,对实际数据进一步验证过,机组方案完全满足,从图5中可以看处Unit2为基荷负荷。
(6)运行概率模拟(高效的模拟):
在闭环中模拟这种机组控制策略必须对机组历史数据进行一定参考。首先,采取的控制策略取决于过去的数据。如果在两组10个时间单位之前打开工厂,仍然必须开启它等。其次,通过避免每次瞬间完全重新定义整个优化问题来使仿真更高效。为此,使用优化器命令。最后,为了使其现实,对电力需求产生一些干扰,为了解决这个问题,可在电力需求约束上增加一个简单的松弛,并惩罚这个目标函数的松弛。
为了使用优化器命令,每个迭代中改变的参数必须声明为sdpvar对象。事情的变化是预测和滑动历史。在此,使用48个时间单位的预测,为了应对上下限时间限制,需要至少30个时间单位的历史记录。
(7)时间约束:
用于连接历史和未来序列。可以通过应用适当定义的上升时间约束来制定停机时间约束。在此过程中,可以向目标函数添加一个惩罚项来惩罚控制的变化。
如图6所示,假设一个机组运行在100,机组二运行在40,第三个机组已经关闭。将历史经验概率引入到优化中去,事情的变化是预测和滑动历史。使用48个时间单位的预测,为了应对上下限时间限制,需要至少30个时间单位的历史记录。
从图6的结果可知,将历史发电状态引入后得到的机组调度方案与净负荷对比可知,变化趋势相同,功率平衡,说明所提出的基于灵活性的机组优化调度方法是可行的。
图7示出了本发明实施例提供的电力***调度装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
本发明实施例提供了一种基于风、火、水、核协调的多电源优化调度装置,该装置包括:
确定单元81,用于确定电力***的灵活性特征参数。
在本发明实施例中,目前电力***中常规机组的灵活性特征主要包括其爬坡率、最小稳定出力、最小开机/停机时间和最小启停时间。Vishwamitra Oree等人利用层次分析法对上述因素进行分析并最终对机组的灵活性做出了评价。在实际运行中,启停机时间和开停机时间必然是有序统一的,因此,常规机组的灵活性特征可以表征为:调节容量、调节速度、调节周期。
层次分析法(APH),是指将一个复杂的多目标决策问题作为一个***,将目标分解为多个目标或准则,进而分解为多目标(或准则、约束)的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)、多方案优化决策的***方法。
对于常规机组的***灵活性,目前尚没有统一的定义,具有一定的模糊性;而且相同规格的机组在不同的电力***中表现出不同的灵活性,因此,对于机组的灵活性评价必须在特定的***中所有电源之间对比做出灵活性评价。考虑到多种因素的影响,本发明实施例采用模糊综合评价法对常规机组的灵活性做出量化评价。
模糊综合评价方法主要是根据模糊问题的各个评价因素、评价标准、自然状态以及各因素的相对重要程度建立模糊综合评价模型,然后对各被评价对象进行综合评价。
在本发明实施例中,常规机组的调节容量定义为:在正常运行状态下,机组稳定调节出力来满足负载的波动,调节出力的范围为调节容量。一般认为,常规机组的调节容量S为机组的额定容量Pmax减去机组的最小稳定出力Pmin,即可表示为:S=Pmax-Pmin。火力发电机组的最小稳定出力是一项重要的性能指标,具有小的稳定出力机组,出力调整范围大,可以满足电力***调峰的需要。
在本发明实施例中,随着大规模波动性电源的接入,传统的发电机组需要更加灵敏的调节速度来响应净负荷的频繁变化。调节速度与机组的爬坡速率有直接的关系,机组的爬坡与方向、时间尺度和机组的运行工况有关,为了应对净负荷的频繁波动,调节速度V可以表征为向上爬坡vRUR和向下爬坡vRDR绝对值的最小值,即可表示为:V=min{|vRUR|,|vRDR|}。
在本发明实施例中,在含高渗透率波动性电源的电力***中,机组有时候需要快速的启停机满足***调峰需求,但是不同于储能,常规机组的启停受多方面因素制约。一方面,由于经济和安全因素的制约,传统发电机在开机达到并网要求后,必须保持一段时间的在线运行状态确保发电相关的运营成本和维护成本;另一方面,为了防止热应力等因素降低机组的寿命,常规火电机组停机后保持一段时间关机状态。常规机组的调节周期T与机组的启动时间tSUT、关闭时间tSDT、最小开机时间tMUT和最小停机时间tMDT密切相关,可定义为机组从上一时刻机组开机到达机组最小稳定出力到下一时刻机组由关机到开机到达机组最小稳定出力的最小时间间隔,具体可表示为:T=tSUT+tMUT+tSDT+tMDT。
在本发明实施例中,在确定***的灵活性特征参数模糊评集后,对评价等级进行了量化打分,最终形成了电力***运行灵活性的量化得分。
修正单元82,用于修正所述电力***的风电预测值和负荷预测值。
风电和负荷都存在着预测误差,这使得电力***规划与运行都面临各种风险,给电力***安全稳定经济运行带来诸多不利的影响。在日前调度阶段,必须要同时考虑这两者的不确定性。
以风电为代表的新能源出力,其本质是空间尺度的分散性与时间尺度的随机波动不确定性。并且,风能的随机不确定性随季节、气候、局部气象、地理条件等因素的变化而不同。对于调度部门来说,应把握调度范围内的风电的波动规律,在日前调度中对风电的不确定性做出处理。
在本发明实施例中,修正单元82用于采用风功率历史预测误差作为误差经验分布,对风电预测值进行修正,得到修正后的风电预测值。
负荷的变化与时间和天气的变化有着直接的关系,目前对于负荷不确定性的研究主要分为两个方面:一类是概率性负荷预测,另一类是在应用中考虑到负荷预测结果的不确定性,并将其视为随机变量。
在本发明实施例中,修正单元82还用于采用使用较为广泛的概率性预测,将负荷预测误差视为随机变量,建立负荷预测误差分布的统计分析模型,并将其叠加至确定性负荷预测结果之上实现概率性负荷预测。一般认为负荷预测的误差服从正态分布,因此,基于正态分布模拟,生成随机量对负荷预测值进行修正,得到修正后的负荷预测值。
模型建立单元83,用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型。
在本发明实施例中,模型建立单元83根据确定单元81确定电力***的灵活性特征参数为:调节容量、调节速度、调节周期,以及修正单元82修正后的风电预测值和负荷预测值,建立计及***灵活性的日前优化调度模型。
计及***灵活性的日前优化调度模型是满足负荷及***运行约束前提下,合理分配火电机组的出力,使调度时段内总的发电成本最小。为了保证电力***安全稳定经济运行,***须编制具有较大灵活性的开机计划来满足风电和负荷的双重不确定性。即在发电成本的基础上实现机组总的灵活性最高。
在本发明实施例中,模型建立单元83利用上述特征参数和修正结果建立了以电力***的灵活性和总发电成本为目标,***功率平衡、爬坡约束、机组出力上下限等约束的多目标优化调度模型。
求解输出单元84,用于基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
在本发明实施例中,将遗传算法(GA)应用于机组组合问题的求解,选择简单的二进制字母表来编码解决方案。如图3所示,N代表机组单位数,H代表小时的调度周期,假设每小时机组单元的状态为ON或OFF,单个单元的操作时间表具有H个字符串。在单个单元的操作时间表中的H个字符串中,某个位置的“1”表示该单元在该特定小时处于ON状态,而“0”表示该单元处于OFF状态。
在本发明实施例中,求解输出单元84,首先,随机产生多个初始二进制编码(基因型)以形成初始化。
其次,评估每个基因型,并计算其适应值,具体地,机组的基因型被解码为N单位/H期操作时间表;每个粒子(基因型)的适应值和目标函数以及是一致的。电力***的机组总燃料成本fth被计算为通过在调度周期的时间t经济地将负载需求调度到运行单元的每小时燃料成本的总和。如果在时间t内,由于在线机组的操作限制,不满足功率平衡方程,则将与功率平衡违反成比例的惩罚项到适应度函数。其中,依赖于时间的启动成本和关闭成本可以很容易地从基因型中包含的信息(包出力上下限、爬坡速率、机组启停时间)和单元的初始状态(连续上升或下降时间)组成得到。而对于每个违反的约束(例如,最小上升时间),与约束违反的量成比例的惩罚项被添加到适应度函数。在GA求解计及机组灵活性的方案中,机组的灵活性通过归一化处理与费用目标相加进行约束。
进一步的,GA开始创建新的计及机组灵活性的优化解决方案,具体的,使用轮盘赌轮父选择算法选择两种基因型,该算法可从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率(该概率是根据历史数据进行模拟出的一个概率)的基因型。然后,将选择出的两个基因型作为遗传算子产生一个新的后代基因型,具体的:上述两种基因型交叉运算(该运算以一定的概率应用);基因突变(通常突变的概率很小,是指随机选择的位数后代基因型从'0'变为'1');运行概率适应(通过对历史数据的监控,对运行结果方向进行移动);通过比对(比较每个基因型间的适应值大小,即目标函数的大小)进化出成熟收敛的最优解;最后输出最优解。
在本发明实施例中,为了防止上述计及机组灵活性的方案发生早熟的问题,可在算法迭代的过程中,通过预先设置一个粒子群最优位置连续不变化次数的阈值,当粒子群最优粒子位置连续不变化次数大于预设的阈值时,对粒子群位置向量按随机变异概率因子发生变异,更新完成后继续判断是否超过预设的阈值解决该早熟问题。
本发明实施例提供的基于风、火、水、核协调的多电源优化调度装置,通过确定电力***的灵活性特征参数,修正该电力***的风电预测值和负荷预测值,根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及***灵活性的日前优化调度模型,并基于遗传算法,求解并输出该调度模型的最优解集,该方法充分考虑到了电力***的风电出力和负荷变化双重不确定性影响,充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化,增强了电力***大规模接纳风电的能力,实现了***的经济性和灵活性的均衡。
结合图8,在本发明的实施例中,上述修正单元82包括:风电预测值修正模块821和负荷预测值修正模块822。
风电预测值修正模块821,用于采用风功率历史预测误差作为误差经验分布,对所述电力***的风电预测值进行修正,得到风电预测修正值为:εw∈Ωw,其中,εw为风电历史预测误差,Ωw为历史预测误差集合,为未来风功率预测值;
负荷预测值修正模块822,用于采用正态分布模拟,对所述负荷预测值进行修正,得到负荷预测修正值为:εl∈N(μ,σ2),其中,εl为负荷预测误差;为负荷预测值。
在本发明实施例中,上述模型建立单元83包括:目标函数建立模块,和约束条件确定模块。
目标函数建立模块,用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立所述计及***灵活性的日前优化调度模型中的目标函数。
在本发明实施例中,计及***灵活性的日前优化调度模型是满足负荷及***运行约束前提下,合理分配火电机组的出力,使调度时段内总的发电成本最小。为了保证电力***安全稳定经济运行,***须编制具有较大灵活性的开机计划来满足风电和负荷的双重不确定性。即在发电成本的基础上实现机组总的灵活性最高。目标函数建立模块831建立的目标函数如下:
其中,式(1)表示给定时段内所有机组的运行、开机、停机三类成本总和最小,i为机组编号;t为调度周期;CGi为第i个机组的运行成本(元/h);PGi为反映第i个机组在第t个调度周期内的出力(MW);Iit为反映第i个机组在第t个调度周期内开、停状态的二元整型变量,1时表示开机,0时表示停机;SUit为第i个机组在第t个调度周期内的开机成本,它通常是机组停机时间的函数,一般停机时间越长,开机成本越大,为方便计,也可以认为是一个常数,此时有SUit=Csu×Iit×(1-Iit-1),Csu为计为常数的开机成本;SDit为第i个机组在第t个调度周期内的停机成本,它通常是常数,此时有SDit=Csd×Iit-1×(1-Iit),停机成本一般较小,为方便计,可以认为等于零。式(2)表示***机组的灵活性总体性最高。其中Fi表示第i个机组的灵活性得分。
约束条件确定模块,用于确定所述计及***灵活性的日前优化调度模型中的所述目标函数的约束条件。
在本发明实施例中,上述目标函数的约束条件包括:负荷平衡约束、机组的发电功率限制约束、***备用要求约束、最小开停机时间约束以及机组的爬坡约束。
本发明实施例还提供了一种计算机装置,该计算机装置包括处理器,处理器用于执行存储器中存储的计算机程序时实现上述各个方法实施例提供的基于风、火、水、核协调的多电源优化调度方法的步骤。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。例如,所述计算机程序可以被分割成上述各个方法实施例提供的电力***调度的步骤。
本领域技术人员可以理解,上述计算机装置的描述仅仅是示例,并不构成对计算机装置的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于风、火、水、核协调的多电源优化调度方法,其特征在于,包括如下步骤:
确定电力***的灵活性特征参数;
修正所述电力***的风电预测值和负荷预测值;
根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型;
基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
2.如权利要求1所述的基于风、火、水、核协调的多电源优化调度方法,其特征在于,所述灵活性特征参数包括调节容量、调节速度和调节周期。
3.如权利要求1所述的基于风、火、水、核协调的多电源优化调度方法,其特征在于,所述修正所述电力***的风电预测值和负荷预测值,包括:
采用风功率历史预测误差作为误差经验分布,对所述电力***的风电预测值进行修正,得到风电预测修正值为:其中,εw为风电历史预测误差,Ωw为历史预测误差集合,为未来风功率预测值;
采用正态分布模拟,对所述负荷预测值进行修正,得到负荷预测修正值为:
其中,εl为负荷预测误差;为负荷预测值。
4.如权利要求1所述的基于风、火、水、核协调的多电源优化调度方法,其特征在于,所述根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型,包括:
根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立所述计及***灵活性的日前优化调度模型中的目标函数;
确定所述计及***灵活性的日前优化调度模型中的所述目标函数的约束条件。
5.如权利要求4所述的基于风、火、水、核协调的多电源优化调度方法,其特征在于,
所述目标函数为:
其中,式(1)表示给定时段内所有机组的运行、开机、停机三类成本总和最小,式(2)表示***机组的灵活性总体性最高,i为机组编号,t为调度周期,CGi为第i个机组的运行成本,PGit为反映第i个机组在第t个调度周期内的出力,Iit为反映第i个机组在第t个调度周期内开、停状态的二元整型变量,SUit为第i个机组在第t个调度周期内的开机成本,SDit为第i个机组在第t个调度周期内的停机成本,它通常是常数,Fi表示第i个机组的灵活性得分;
所述约束条件包括:负荷平衡约束、机组的发电功率限制约束、***备用要求约束、最小开停机时间约束以及机组的爬坡约束。
6.一种基于风、火、水、核协调的多电源优化调度装置,其特征在于,所述装置包括:
确定单元,用于确定电力***的灵活性特征参数;
修正单元,用于修正所述电力***的风电预测值和负荷预测值;
模型建立单元,用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立计及***灵活性的日前优化调度模型;
求解输出单元,用于基于遗传算法,求解并输出所述日前优化调度模型的最优解集。
7.如权利要求6所述的基于风、火、水、核协调的多电源优化调度装置,其特征在于,所述修正单元包括:
风电预测值修正模块,用于采用风功率历史预测误差作为误差经验分布,对所述电力***的风电预测值进行修正,得到风电预测修正值为:其中,εw为风电历史预测误差,Ωw为历史预测误差集合,为未来风功率预测值;
负荷预测值修正模块,用于采用正态分布模拟,对所述负荷预测值进行修正,得到负荷预测修正值为:其中,εl为负荷预测误差;为负荷预测值。
8.如权利要求6所述的基于风、火、水、核协调的多电源优化调度装置,其特征在于,所述模型建立单元包括:
目标函数建立模块,用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果,建立所述计及***灵活性的日前优化调度模型中的目标函数;
约束条件确定模块,用于确定所述计及***灵活性的日前优化调度模型中的所述目标函数的约束条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784877.2A CN108964146A (zh) | 2018-07-17 | 2018-07-17 | 基于风、火、水、核协调的多电源优化调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784877.2A CN108964146A (zh) | 2018-07-17 | 2018-07-17 | 基于风、火、水、核协调的多电源优化调度方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108964146A true CN108964146A (zh) | 2018-12-07 |
Family
ID=64495665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784877.2A Pending CN108964146A (zh) | 2018-07-17 | 2018-07-17 | 基于风、火、水、核协调的多电源优化调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108964146A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617135A (zh) * | 2018-12-26 | 2019-04-12 | 四川大学 | 混合发电***电力调度多目标决策方法 |
CN109728607A (zh) * | 2019-03-07 | 2019-05-07 | 云南电网有限责任公司 | 一种风电消纳评估方法及装置 |
CN110417007A (zh) * | 2019-07-25 | 2019-11-05 | 天津大学 | 一种有源配电***运行灵活性的时序量化分析方法 |
CN110866632A (zh) * | 2019-10-17 | 2020-03-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN110957764A (zh) * | 2019-10-15 | 2020-04-03 | 国网浙江省电力有限公司经济技术研究院 | 一种电力***发电机组灵活性评价方法 |
CN112421626A (zh) * | 2020-11-16 | 2021-02-26 | 国网河南省电力公司 | 绿色调度优化决策方案获取方法、装置及设备 |
CN112508248A (zh) * | 2020-11-26 | 2021-03-16 | 山东大学 | 基于异构迁移学习的综合能源***日前优化方法及*** |
CN113162126A (zh) * | 2021-04-22 | 2021-07-23 | 国网山东省电力公司潍坊供电公司 | 一种考虑电力***灵活性的多能源日前调度方法及*** |
-
2018
- 2018-07-17 CN CN201810784877.2A patent/CN108964146A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617135A (zh) * | 2018-12-26 | 2019-04-12 | 四川大学 | 混合发电***电力调度多目标决策方法 |
CN109728607A (zh) * | 2019-03-07 | 2019-05-07 | 云南电网有限责任公司 | 一种风电消纳评估方法及装置 |
CN109728607B (zh) * | 2019-03-07 | 2022-06-17 | 云南电网有限责任公司 | 一种风电消纳评估方法及装置 |
CN110417007A (zh) * | 2019-07-25 | 2019-11-05 | 天津大学 | 一种有源配电***运行灵活性的时序量化分析方法 |
CN110417007B (zh) * | 2019-07-25 | 2023-03-10 | 天津大学 | 一种有源配电***运行灵活性的时序量化分析方法 |
CN110957764A (zh) * | 2019-10-15 | 2020-04-03 | 国网浙江省电力有限公司经济技术研究院 | 一种电力***发电机组灵活性评价方法 |
CN110866632A (zh) * | 2019-10-17 | 2020-03-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN110866632B (zh) * | 2019-10-17 | 2022-05-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN112421626A (zh) * | 2020-11-16 | 2021-02-26 | 国网河南省电力公司 | 绿色调度优化决策方案获取方法、装置及设备 |
CN112421626B (zh) * | 2020-11-16 | 2023-07-14 | 国网河南省电力公司 | 绿色调度优化决策方案获取方法、装置及设备 |
CN112508248A (zh) * | 2020-11-26 | 2021-03-16 | 山东大学 | 基于异构迁移学习的综合能源***日前优化方法及*** |
CN113162126A (zh) * | 2021-04-22 | 2021-07-23 | 国网山东省电力公司潍坊供电公司 | 一种考虑电力***灵活性的多能源日前调度方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108964146A (zh) | 基于风、火、水、核协调的多电源优化调度方法和装置 | |
Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
CN108964033A (zh) | 一种电力***调度方法、装置、计算机装置及存储介质 | |
Bertsimas et al. | Adaptive robust optimization for the security constrained unit commitment problem | |
Pappala et al. | A stochastic model for the optimal operation of a wind-thermal power system | |
Akorede et al. | Effective method for optimal allocation of distributed generation units in meshed electric power systems | |
Gonzalez et al. | Forecasting power prices using a hybrid fundamental-econometric model | |
Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
CN107862466A (zh) | 考虑***双侧随机性的源荷跨时空互补效益评价方法 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
Toubeau et al. | Improved day-ahead predictions of load and renewable generation by optimally exploiting multi-scale dependencies | |
Lu et al. | An interval prediction method for day-ahead electricity price in wholesale market considering weather factors | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
Wu et al. | Optimization of network-load interaction with multi-time period flexible random fuzzy uncertain demand response | |
Liu | Electricity capacity investments and cost recovery with renewables | |
Amjady et al. | Optimal reliable operation of hydrothermal power systems with random unit outages | |
Ghaffari et al. | Optimal economic load dispatch based on wind energy and risk constrains through an intelligent algorithm | |
Danielsson | Deep learning for power system restoration | |
Zhang et al. | A Three‐Stage Birandom Program for Unit Commitment with Wind Power Uncertainty | |
Bakker et al. | Improved heat demand prediction of individual households | |
Baliyan et al. | Predictive Analytics for Energy Forecasting and Optimization | |
Cornelusse et al. | Supervised learning of intra-daily recourse strategies for generation management under uncertainties | |
CN116578544B (zh) | 一种基于区块链的电力数据共享方法 | |
CN113162126A (zh) | 一种考虑电力***灵活性的多能源日前调度方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |
|
WD01 | Invention patent application deemed withdrawn after publication |