CN112803491B - 一种耦合弃电风险的风光水多能互补短期优化调度方法 - Google Patents

一种耦合弃电风险的风光水多能互补短期优化调度方法 Download PDF

Info

Publication number
CN112803491B
CN112803491B CN202011635844.5A CN202011635844A CN112803491B CN 112803491 B CN112803491 B CN 112803491B CN 202011635844 A CN202011635844 A CN 202011635844A CN 112803491 B CN112803491 B CN 112803491B
Authority
CN
China
Prior art keywords
risk
wind
model
power
solar
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
Application number
CN202011635844.5A
Other languages
English (en)
Other versions
CN112803491A (zh
Inventor
明波
成楸语
黄强
王义民
郭鹏程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202011635844.5A priority Critical patent/CN112803491B/zh
Publication of CN112803491A publication Critical patent/CN112803491A/zh
Application granted granted Critical
Publication of CN112803491B publication Critical patent/CN112803491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种耦合弃电风险的风光水多能互补短期优化调度方法，属于可再生能源利用与水库调度的交叉领域。包括：考虑多维不确定性因子的相关性构建多变量随机模拟模型；建立弃电风险评价指标，根据所得多变量随机模拟模型对风光水多能互补***的弃电风险进行识别和量化；基于风险/效益均衡理论，利用双层嵌套算法对构建的耦合弃电风险的风光水多能互补***短期优化调度模型进行求解，获取风险/效益均衡的耦合弃电风险的风光水多能互补短期优化调度计划。本发明能够定量评估风光水多能互补调度的弃电风险，将风险指标耦合在互补优化调度模型中，可制订出风险/效益均衡的短期调度计划，且发电计划满足出力平稳性要求。

Description

一种耦合弃电风险的风光水多能互补短期优化调度方法
技术领域
本发明属于可再生能源利用与水库调度的交叉领域，涉及一种耦合弃电风险的风光水多能互补短期优化调度方法。
背景技术
随着能源危机的加剧以及生态环境的恶化，开发利用可再生能源成为保证未来能源安全以及应对全球气候变化的重要战略。将风、光、水多种能源进行聚合，形成互补发电***，是降低新能源并网冲击性、提升流域资源利用率的一种有效途径。
风、光、水多能互补短期调度的基本过程是，依据径流以及风、光资源特性，确定梯级水库的蓄放水策略，在保证水资源与能源安全的前提下，最大程度地提高流域资源利用率。由于风电、光电均容易受气象因素的影响，其出力具有极强的随机波动性而难以准确预测，加之梯级水电调度问题的高维性以及强非线性，使得互补***短期调度计划的编制具有很大的挑战性。
现行风光水多能互补短期调度方法存在的主要问题是：(1)短期调度模型中缺乏对弃电风险的定量描述，所生成的调度计划无法为决策者提供必要的风险信息；(2)互补***的短期调度计划中出力波动较大，难以满足特高压直流输电要求。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种耦合弃电风险的风光水多能互补短期优化调度方法，本发明能够定量评估多能互补调度的风险，将风险指标耦合在互补优化调度模型中，并且所制订的发电计划出力平稳。
为了达到上述目的，本发明采用以下技术方案予以实现：
本发明公开了一种耦合弃电风险的风光水多能互补短期优化调度方法，包括以下步骤：
步骤一：考虑多维不确定性因子的相关性，构建多变量随机模拟模型，实现多维不确定性的表征；
步骤二：建立弃电风险评价指标，根据步骤一建立的多变量随机模拟模型，对风光水多能互补***的运行风险进行识别和量化；
步骤三：基于风险/效益均衡理论，构建耦合弃电风险的风光水多能互补***短期优化调度模型，利用双层嵌套算法对所构建的耦合弃电风险的风光水多能互补***短期优化调度模型进行求解，获取风险/效益均衡的耦合弃电风险的风光水多能互补短期优化调度计划。
优选地，步骤一中，对于具有明显相关性的多维不确定性因子，基于Copula联结函数构建多变量联合概率分布函数，所述多变量联合概率分布函数为：
F(X1,X2,X3…,Xn)＝C[F(X1),F(X2),F(X3)…F(Xn)]；
式中：F(X1)、F(X2)、F(X3)…F(Xn)分别为预测误差的边缘概率分布；C为Copula联结函数。
优选地，步骤一中，对于相互独立的多维不确定性因子，采用时间序列模型进行随机模拟；当随机模拟的多维不确定性因子具有相关性时，选择一个多维不确定性因子作为主变量，其它多维不确定性因子为从变量；首先对主变量进行随机模拟，生成多个时间截口的长系列样本，然后基于贝叶斯条件概率公式，依次对其他从变量进行模拟，贝叶斯条件概率公式为：
Figure BDA0002876266390000021
式中：u1＝F(X1)，F(X1)为预测误差的边缘概率分布；C为Copula联结函数；Zn为贝叶斯条件概率。
优选地，步骤一中，多维不确定性因子包括负荷预测误差、径流预测误差、风电出力预测误差、光电出力预测误差。
优选地，步骤二中，采用弃电率作为弃电风险评价指标时，风光水多能互补***的运行风险量化的计算式为：
Figure BDA0002876266390000031
式中：Rc多情景下平均弃电率；S为总情景数；s为情景编号；
Figure BDA0002876266390000032
为随机模拟模型提供的次日风、光、水电实际出力；Dt为电力***给风光水多能互补***下达的负荷。
进一步优选地，弃电率为新能源弃电量与实际发电量的比值。
优选地，步骤三中，所述耦合弃电风险的风光水多能互补***短期优化调度模型为双层规划优化模型，所述双层规划优化模型包括上层模型和下层模型，所述上层模型在给定来水、风光出力条件下，优化梯级水电站总出力，在兼顾弃电风险条件下，使得余留负荷平方和最小；所述下层模型在给定负荷条件下，优化水电站间的负荷分配策略，使得梯级水电站蓄能最大。
进一步优选地，所述双层规划模型的基本结构包括：
Figure BDA0002876266390000033
式中：Lt为大电网负荷；
Figure BDA0002876266390000034
为互补***总出力；λ为风险偏好系数；P为各水电站在各调度时段的出力矩阵，为上层模型的决策变量；R为各水电站在各时段的发电流量矩阵，为下层模型的决策变量；M为水电站个数；Km为水电站综合出力系数；Im,t为入库流量；Qm,t为出库流量；Hj,t为水头；F为上层模型的目标函数；f为下层模型的目标函数；G和g均为约束条件函数。
进一步优选地，所述双层嵌套算法中，针对上层模型采用外层算法；
其中，所述外层算法采用智能算法优化互补***总出力，使得上层模型的目标函数最小。
进一步优选地，所述双层嵌套算法中，针对下层模型采用内层算法；
其中，所述内层算法在给定水电出力条件下，采用采用判别系数与蓄满率相结合的方法确定水电站厂间负荷分配策略，使得下层模型的目标函数最大。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种耦合弃电风险的风光水多能互补短期优化调度方法，本发明所提供的方法将风光水互补***的弃电风险耦合在短期调度模型中，在风险可控的前提下提高***的运行效益，可为风光水多能互补***的短期调度提供重要且可操作性的依据。因此，本发明所述耦合弃电风险的风光水多能互补短期优化调度方法，具体有以下优点：
1.本发明通过构建多变量随机模拟模型，能够实现多维不确定性(负荷预测误差、径流预测误差、风电出力预测误差、光电出力预测误差)的表征。
2.现有的风光水多能互补短期调度研究缺乏对弃电风险的定量描述，本发明通过构建风光水多能互补***的弃电风险评估模型，识别互补运行的主要风险因子，并构建风险评价指标，能够定量评估多能互补调度的风险。
3.现有风光水多能互补短期调度研究多采用随机、鲁棒性优化方法制定调度计划，无法为决策者提供必要的风险信息，本发明通过将风险指标耦合在互补优化调度模型中，所得到的调度计划满足一定的风险约束，能够在控制风险的同时实现效益的提升。
4.本发明通过构建双层规划优化模型，再结合耦合弃电风险的风光水多能互补短期优化调度模型，最终可制定出风险可控且效益最优的短期调度计划。
附图说明
图1为本发明实施例中的耦合弃电风险的风光水多能互补短期优化调度方法的流程图；
图2为本发明的基于二维编码策略处理连续开停机约束示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下结合附图对本发明涉及的耦合弃电风险的风光水多能互补短期优化调度方法进行详细地说明。
<实施例>
如图1所示，本实施例所提供的耦合弃电风险的风光水多能互补短期优化调度方法包括以下步骤：
1.单因子最优概型及参数识别
对互补***多维不确定性因子(如负荷预测误差、径流预测误差、风电出力预测误差、光电出力预测误差)的历史观测资料分别进行分布拟合得到相应的理论分布，再和经验分布作比较计算平方欧式距离，选择平方欧式距离最小的分布作为其最优边缘分布。常见的概率分布函数如表1所示：
表1常见的概率分布函数
Figure BDA0002876266390000061
2.多维不确定性因子联合概率分布函数推导
诊断不同预测误差系列的相关性，对具有明显相关性的多维不确定性因子，基于Copula联结函数构建联合概率分布函数，多变量联合概率分布函数可表示为：
F(X1,X2,X3…Xn)＝C[F(X1),F(X2),F(X3)…F(Xn)] (1)
式中：F(X1)、F(X2)、F(X3)…F(Xn)分别为预测误差的边缘概率分布函数；C为Copula联结函数。
通常选择三种常用的Archimedeam型Copula函数构造联合分布模型，其函数表达式分别为：
Clayton Copula函数：
Figure BDA0002876266390000071
Frank Copula函数：
Figure BDA0002876266390000072
Gumbel-Hougaard Copula函数：
C(u,v)＝exp{-[(-lnu)θ+(-lnv)θ]1/θ} (4)
式中：u和v分别代表不同变量的边缘分布函数，θ为Copula函数的参数,θ可根据极大似然法得出。
经验Copula定义为：
Figure BDA0002876266390000073
其中，I[.]为示性函数，当Fn(xi)≤u时，
Figure BDA00028762663900000710
否则/>
Figure BDA00028762663900000711
有了经验Copula函数
Figure BDA0002876266390000074
后，计算/>
Figure BDA0002876266390000075
与经验Copula的平方欧氏距离
Figure BDA0002876266390000076
Figure BDA0002876266390000077
Figure BDA0002876266390000078
其中，u和v分别代表不同变量的边缘分布函数。
Figure BDA0002876266390000079
分别反映了Clayton Copula，Frank Copula，Gumbel-Hougaard Copula拟合数据的情况，比较Clayton Copula，Frank Copula，Gumbel-Hougaard Copula的平方欧氏距离，若平方欧氏距离最小说明该联合分布能更好地拟合实测数据。
3.考虑时空相关性的多维不确定性联合随机模拟
首先，对于相互独立的多维不确定性因子，分别采用时间序列模型(如ARMA)进行随机模拟；当随机模拟的多维不确定性因子具有相关性时，选择其中一个多维不确定性因子作为主变量，其它多维不确定性因子为从变量，首先对主变量进行随机模拟，生成多个时间截口的长系列样本；然后，基于贝叶斯条件概率公式，依次对其他从变量进行模拟。贝叶斯条件概率公式的基本型式如下：
Figure BDA0002876266390000081
式中：u1＝F(X1)，F(X1)为预测误差的边缘概率分布函数；C为Copula联结函数；Zn为贝叶斯条件概率。
反推剩余场景值的步骤如下：
选择Clayton Copula函数时，条件分布的函数表达式如下：
Figure BDA0002876266390000082
选择Frank Copula函数时，条件分布的函数表达式如下：
Figure BDA0002876266390000083
选择Gumbel-Hougaard Copula函数时，条件分布的函数表达式如下：
Figure BDA0002876266390000084
采用拉丁超立方体抽样方法，生成随机数序列Pi，Pi∈(0,1)；令F(v|u)＝Pi，又因已知u的序列值，即可求出相应的v值。
4.风光水多能互补***的弃电风险量化
建立弃电风险评价指标，基于多维不确定性联合随机模拟模型生成多种预报误差情景，叠加在给定的负荷预测值、径流预测值、风电出力预测值、光电出力预测值上，形成多种情景，计算多情景下给定发电计划的弃电风险。
当采用弃电率(新能源弃电量与实际发电量的比值)作为弃电风险评价指标时，风光水多能互补***的弃电风险量化的计算式为：
Figure BDA0002876266390000091
式中：Rc多情景下平均弃电率；S为总情景数；s为情景编号；
Figure BDA0002876266390000092
为随机模拟模型提供的次日风、光、水电实际出力；Dt为***下达的负荷；
Figure BDA0002876266390000093
为比较/>
Figure BDA0002876266390000094
和0的大小后，取最大值。
5.耦合风险指标的日前发电计划编制双层规划模型构建
基于风险/效益均衡理论，考虑水电站经济运行模块，构建互补***日前发电计划编制双层规划模型，即为耦合弃电风险的风光水多能互补***短期优化调度模型，所述双层规划模型包括上层模型和下层模型。其中，上层模型在给定来水、风光出力条件下，优化互补***总出力，在兼顾弃电风险条件下，使得余留负荷平方和最小；下层模型在给定互补***总出力条件下，优化水电站间的负荷分配策略，使得梯级水电站蓄能最大。
所述双层规划模型的基本结构如下：
Figure BDA0002876266390000095
式中：Lt为大电网负荷；
Figure BDA0002876266390000096
为互补***总出力；λ为风险偏好系数；P为各水电站在各调度时段的出力矩阵，为上层模型的决策变量；R为各水电站在各时段的发电流量矩阵，为下层模型的决策变量；M为水电站个数；Km为水电站综合出力系数；Im,t为入库流量；Qm,t为出库流量；Hj,t为水头；F为上层模型的目标函数；f为下层模型的目标函数；G和g均为约束条件函数。
6.短期调度模型高效降维求解
首先，为兼顾模型的求解效率和计算精度，拟构建双层嵌套算法对步骤5所构建的双层规划模型进行求解。其中，针对上层模型采用外层算法，所述外层算法采用智能算法(如遗传算法)优化互补***各调度时段出力，使得上层模型的目标函数F最小；针对下层模型采用内层算法；所述内层算法在给定总出力条件下，再采用判别系数和蓄水率相结合的算法优化水电站厂间负荷分配策略，使得下层模型的目标函数f最大。
其中，为了较好地满足总出力平稳性要求，拟采用二维编码策略进行处理。如图2所示，在相邻的两个时间节点间，互补***总出力不变以避免频繁波动。整个调度期内互补***总出力连续不变的时段总数为p，时间节点个数为p-1，则优化变量总个数为2×p-1，以此实现降维。基于二维编码策略处理出力平稳性约束如图2所示。参见图2可知，给定不同的风险偏好值，采用研制的优化算法对调度模型进行求解，获取风险/效益均衡的短期优化调度方案。
综上所述，本发明提供一种耦合弃电风险的风光水多能互补短期优化调度方法，包括：步骤一：考虑多维不确定性因子的相关性，构建多变量随机模拟模型，实现多维不确定性的表征；步骤二：建立弃电风险评价指标，根据步骤一建立的多维预测误差联合随机模拟模型，对风光水多能互补***的弃电风险进行识别和量化；步骤三：基于风险/效益均衡理论，构建耦合弃电风险的风光水多能互补***短期优化调度模型，利用双层嵌套算法对所构建的耦合弃电风险的风光水多能互补***短期优化调度模型进行求解，获取风险/效益均衡的耦合弃电风险的风光水多能互补短期优化调度计划。本发明所提供的方法将风光水多能互补的弃电风险耦合在短期优化调度模型中，在风险可控的前提下提高***的运行效益，可为风光水多能互补***的短期调度提供重要且可操作性的依据。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的耦合多维不确定性的流域风光水多能互补***的短期风险调度方法并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (5)

1.一种耦合弃电风险的风光水多能互补短期优化调度方法，其特征在于，包括以下步骤：
步骤一：根据多维不确定性因子的相关性，构建多变量随机模拟模型；
步骤二：建立弃电风险评价指标，根据步骤一建立的多变量随机模拟模型，对风光水多能互补***的弃电风险进行识别和量化；
步骤三：基于风险和效益均衡理论，构建耦合弃电风险的风光水多能互补***短期优化调度模型，利用双层嵌套算法对所构建的耦合弃电风险的风光水多能互补***短期优化调度模型进行求解，获取风险和效益均衡的耦合弃电风险的风光水多能互补短期优化调度计划；
所述步骤二中，采用弃电率作为弃电风险评价指标时，风光水多能互补***的弃电风险量化的计算式为：
Figure QLYQS_1
式中：Rc为多情景下平均弃电率；S为总情景数；s为情景编号；
Figure QLYQS_2
为随机模拟模型提供的次日风、光、水电实际出力；Dt为电力***给风光水多能互补***下达的负荷；
所述步骤三中，所述耦合弃电风险的风光水多能互补***短期优化调度模型为双层规划优化模型，所述双层规划优化模型包括上层模型和下层模型，所述上层模型在给定来水、风光出力条件下，优化互补***总出力，在兼顾弃电风险条件下，使得余留负荷平方和最小；所述下层模型在给定互补***总出力条件下，优化水电站间的负荷分配策略，使得梯级水电站蓄能最大；
所述双层规划优化模型的基本结构包括：
Figure QLYQS_3
式中：Lt为大电网负荷；Pt hs为互补***总出力；λ为风险偏好系数；P为各水电站在各调度时段的出力矩阵，为上层模型的决策变量；R为各水电站在各时段的发电流量矩阵，为下层模型的决策变量；M为水电站个数；Km为水电站综合出力系数；Im,t为入库流量；Qm,t为出库流量；Hj,t为水头；F为上层模型的目标函数；f为下层模型的目标函数；G和g均为约束条件函数；
所述双层嵌套算法中，针对上层模型采用外层算法；
其中，所述外层算法采用智能算法优化互补***总出力，使得上层模型的目标函数最小；
所述双层嵌套算法中，针对下层模型采用内层算法；
其中，所述内层算法在给定互补***总出力条件下，采用判别系数与蓄满率相结合的方法确定水电站厂间负荷分配策略，使得下层模型的目标函数最大。
2.根据权利要求1所述的一种耦合弃电风险的风光水多能互补短期优化调度方法，其特征在于，步骤一中，对于具有明显相关性的多维不确定性因子，基于Copula联结函数构建多变量联合概率分布函数，所述多变量联合概率分布函数为：
F(X1,X2,X3…,Xn)＝C[F(X1),F(X2),F(X3)…F(Xn)]；
式中：F(X1)、F(X2)、F(X3)…F(Xn)分别为预测误差的边缘概率分布函数；C为Copula联结函数。
3.根据权利要求1所述的一种耦合弃电风险的风光水多能互补短期优化调度方法，其特征在于，步骤一中，对于相互独立的多维不确定性因子，采用时间序列模型进行随机模拟；当随机模拟的多维不确定性因子具有相关性时，选择一个多维不确定性因子作为主变量，其它多维不确定性因子为从变量；首先对主变量进行随机模拟，生成多个时间截口的长系列样本，然后基于贝叶斯条件概率公式，依次对其他从变量进行模拟，贝叶斯条件概率公式为：
Figure QLYQS_4
式中：u1＝F(X1)，F(X1)为预测误差的边缘概率分布函数；C为Copula联结函数；Zn为贝叶斯条件概率；F(X2)、F(X3)…F(Xn)分别为预测误差的边缘概率分布函数；Rc表示多情景下平均弃电率。
4.根据权利要求1所述的一种耦合弃电风险的风光水多能互补短期优化调度方法，其特征在于，步骤一中，多维不确定性因子包括负荷预测误差、径流预测误差、风电出力预测误差和光电出力预测误差。
5.根据权利要求4所述的一种耦合弃电风险的风光水多能互补短期优化调度方法，其特征在于，弃电率为新能源弃电量与实际发电量的比值。
CN202011635844.5A 2020-12-31 2020-12-31 一种耦合弃电风险的风光水多能互补短期优化调度方法 Active CN112803491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011635844.5A CN112803491B (zh) 2020-12-31 2020-12-31 一种耦合弃电风险的风光水多能互补短期优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011635844.5A CN112803491B (zh) 2020-12-31 2020-12-31 一种耦合弃电风险的风光水多能互补短期优化调度方法

Publications (2)

Publication Number Publication Date
CN112803491A CN112803491A (zh) 2021-05-14
CN112803491B true CN112803491B (zh) 2023-07-04

Family

ID=75808696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011635844.5A Active CN112803491B (zh) 2020-12-31 2020-12-31 一种耦合弃电风险的风光水多能互补短期优化调度方法

Country Status (1)

Country Link
CN (1) CN112803491B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659672B (zh) * 2022-11-02 2024-06-07 中国长江三峡集团有限公司 一种流域水风光资源联合随机模拟方法、装置及电子设备
CN117196415B (zh) * 2023-11-07 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种水风光互补***风险调度方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259285A (zh) * 2013-05-03 2013-08-21 国家电网公司 含大规模风电电力***的短期运行优化方法
CN107039977A (zh) * 2017-06-03 2017-08-11 广东博慎智库能源科技发展有限公司 以综合成本最小为目标的电力***鲁棒调度不确定集构建方法
CN108964050A (zh) * 2018-08-26 2018-12-07 燕山大学 基于需求侧响应的微电网双层优化调度方法
CN111181198A (zh) * 2020-01-13 2020-05-19 四川大学 一种基于网源互馈的异质能源互补发电调度方法
CN111898801A (zh) * 2020-06-28 2020-11-06 国网上海能源互联网研究院有限公司 一种用于配置多能互补供电***的方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259285A (zh) * 2013-05-03 2013-08-21 国家电网公司 含大规模风电电力***的短期运行优化方法
CN107039977A (zh) * 2017-06-03 2017-08-11 广东博慎智库能源科技发展有限公司 以综合成本最小为目标的电力***鲁棒调度不确定集构建方法
CN108964050A (zh) * 2018-08-26 2018-12-07 燕山大学 基于需求侧响应的微电网双层优化调度方法
CN111181198A (zh) * 2020-01-13 2020-05-19 四川大学 一种基于网源互馈的异质能源互补发电调度方法
CN111898801A (zh) * 2020-06-28 2020-11-06 国网上海能源互联网研究院有限公司 一种用于配置多能互补供电***的方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations;Yuan An等;《CSEE Journal of Power and Energy Systems》;20190801;全文 *
多受端梯级水电站厂网多目标协调优化调度模型;张利升等;《电网技术》;20181231;全文 *
明波.大规模水光互补***全生命周期协同运行研究.《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》.2020,全文. *

Also Published As

Publication number Publication date
CN112803491A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN106874630B (zh) 基于电量消纳的区域电网新能源开发潜力评估方法
Wu et al. Site selection decision framework using fuzzy ANP-VIKOR for large commercial rooftop PV system based on sustainability perspective
Yan et al. Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria
CN109934395B (zh) 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法
CN112803491B (zh) 一种耦合弃电风险的风光水多能互补短期优化调度方法
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
Oprea et al. Mind the gap between PV generation and residential load curves: Maximizing the roof-top PV usage for prosumers with an IoT-based adaptive optimization and control module
CN109995090A (zh) 考虑用户需求特征及能源利用成本的多能互补方法
CN116029490A (zh) 考虑分布式资源区域容量限制的光网储协同规划方法
Yang et al. Deep learning-based distributed optimal control for wide area energy Internet
Manirathinam et al. Sustainable renewable energy system selection for self-sufficient households using integrated fermatean neutrosophic fuzzy stratified AHP-MARCOS approach
CN116523240A (zh) 一种基于mcmc方法预测的微电网评价反馈调度方法
CN114142461B (zh) 考虑电网形态演变和结构发展的新能源差异化配置方法
Huang et al. Smart energy management system based on reconfigurable AI chip and electrical vehicles
Miah et al. Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives
CN111353711A (zh) 基于topsis法的综合能源***评价方法和***
Wu et al. Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation
CN114301089A (zh) 一种风光联合发电***储能容量配置优化方法
Du et al. A data-driven home energy scheduling strategy under the uncertainty in photovoltaic generations
Deng et al. A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas
CN113488990B (zh) 基于改进的蝙蝠算法的微电网优化调度方法
Singh et al. Application of renewable energy system with fuzzy logic
Ganesan et al. Dynamic and intelligent load servicing strategy for a stand-alone solar PV-based microgrid
Aguilar et al. Autonomous cycle of data analysis tasks for scheduling the use of controllable load appliances using renewable energy
Fathi et al. Optimizing Wind-Solar Power Plants: Novel Structures for Identifying Potential Sites and Capacity Ratios in Iran

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant