CN114021965A - 一种梯级水电站群多目标多模式智能切换的优化调度方法 - Google Patents

一种梯级水电站群多目标多模式智能切换的优化调度方法 Download PDF

Info

Publication number
CN114021965A
CN114021965A CN202111297628.9A CN202111297628A CN114021965A CN 114021965 A CN114021965 A CN 114021965A CN 202111297628 A CN202111297628 A CN 202111297628A CN 114021965 A CN114021965 A CN 114021965A
Authority
CN
China
Prior art keywords
scheduling
hydropower station
optimized
target
mode
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
Application number
CN202111297628.9A
Other languages
English (en)
Inventor
朱喜
闻昕
徐伟
曾体健
王安东
冯欢
王俊莉
于洁
雷芳
周金江
杜泽新
简福贵
胡应权
先龙忠
张玉吉
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.)
Guizhou Wujiang Hydropower Development Co Ltd
Original Assignee
Guizhou Wujiang Hydropower Development Co Ltd
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 Guizhou Wujiang Hydropower Development Co Ltd filed Critical Guizhou Wujiang Hydropower Development Co Ltd
Priority to CN202111297628.9A priority Critical patent/CN114021965A/zh
Publication of CN114021965A publication Critical patent/CN114021965A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种梯级水电站群多目标多模式智能切换的优化调度方法，包括以下步骤：S1、针对梯级水电站群的所有调度需求和业务场景，开发多种优化调度模式，包括若干单目标调度模式以及多目标调度模式；S2、建立与所开发的优化调度模式对应的优化目标库、优化调度约束库和优化调度算法库；S3、针对不同的调度需求和业务场景，根据优化目标库和优化调度约束库智能构建优化调度模型，并从优化调度算法库中匹配适用于求解该优化调度模型的优化调度算法，生成优化调度方案。本发明能够根据流域梯级调度需求，智能切换梯级水电站群优化调度模式，解决传统电站调度方式所存在的低计算效率问题。

Description

一种梯级水电站群多目标多模式智能切换的优化调度方法
技术领域
本发明涉及水电站调度技术，特别是涉及一种梯级水电站群多目标多模式智能切换的优化调度方法。
背景技术
水电站群科学调度运行是确保流域水安全和电力生产安全，充分发挥水能综合效益的关键。但是，各电站调节特性、功能作用、运用要求各异，加之复杂边界条件、不同时期和工况下的调令、多目标要求以及动态变化的水情、工况等众多影响因素，梯级水电站的调度运行始终面临状态的多样性和科学决策的复杂性。当前水电站调度决策通常是基于水调自动化***和人工经验的传统生产模式，存在效率低、精度差、方案不优化、数据挖掘不足等问题，人工经验驱动的传统调度模式已难以适应新时期更智能的发展方向和管理要求。
大规模梯级水电站群联合调度的智能化是整合先进的计算机计算、自动控制技术，以期实现调度方案的“智能制订”。为此，亟需将大数据、人工智能等新技术与传统理论技术相结合，实现不同工况下的调度计划智能生成，提出流域梯级电站群智能调度技术。
发明内容
发明目的：本发明的目的是提供一种梯级水电站群多目标多模式智能切换的优化调度方法，能够根据流域梯级电站群优化调度需求，智能切换优化调度模式，以解决传统电站调度方式所存在的低计算效率问题。
技术方案：本发明的一种梯级水电站群多目标多模式智能切换的优化调度方法，包括以下步骤：
S1、针对梯级水电站群的所有调度需求和业务场景，开发多种优化调度模式，包括若干单目标调度模式以及多目标调度模式；
S2、建立与所开发的优化调度模式对应的优化目标库、优化调度约束库和优化调度算法库；
S3、针对不同的调度需求和业务场景，根据优化目标库和优化调度约束库智能构建优化调度模型，并从优化调度算法库中匹配适用于求解该优化调度模型的优化调度算法，生成优化调度方案。
进一步的，步骤S1中若干单目标调度模式包括发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式；多目标调度模式由若干单目标模式组合构建。
进一步的，步骤S2中建立的优化目标库包括：发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式、防洪优化调度模式以及多目标调度模式下所对应的水电站调度目标；目标函数具体为：
(1)发电量最大目标：
Figure BDA0003337173070000021
其中，F1表示N个水电站在调度周期T内的总发电量；Ai为第i个水电站的出力系数；
Figure BDA0003337173070000022
Hi,t分别是第i个水电站在第t个时段内的发电流量和发电水头；△t为时段间隔；
(2)发电效益最大目标：
Figure BDA0003337173070000023
其中，F2表示N个水电站在调度周期T内的总发电效益；
Figure BDA0003337173070000024
为第i水电站第t时段的合同电价；
Figure BDA0003337173070000025
为第i水电站第t时段的合同电量；
Figure BDA0003337173070000026
为第i水电站第t时段的现货竞价电价；
Figure BDA0003337173070000027
为第i水电站第t时段的现货竞价电量；
(3)蓄能最大目标：
Figure BDA0003337173070000028
其中，F3表示N个水电站在调度周期T内的总蓄能；Ii,t、Qi,t、hm,t为第i水电站第t时段的入库、出库流量与水头；km第i水电站发电系数；
(4)弃水最小目标：
Figure BDA0003337173070000029
其中，F4表示N个水电站在调度周期T内的总弃水；
Figure BDA0003337173070000031
为第i水电站第t时段的弃水流量；
(5)发电水耗最小目标：
Figure BDA0003337173070000032
其中，F5表示N个水电站在调度周期T内的总发电水耗；Ei,t为第i水电站第t时段的发电量；
(6)防洪优化调度目标：
F6＝min Hmax (6)；
其中，F6表示在预见期内的目标水电站的最高水位；Hmax表示预见期内的目标水电站的最高水位；
(7)多目标调度模式调度目标：
多目标调度模式是以发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式中的若干模式组合构建而成，其各目标函数同上。
进一步的，步骤S2中建立的优化调度约束库包括：水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束和水位约束；具体为：
(1)水量平衡约束：
Vi,t+1＝Vi,t+(Ii,t-Qi,t)△t (7)；
其中，Vi,t+1、Vi,t分别为第i个水电站第t+1、t时段水电站蓄水量；Ii,t、Qi,t分别为第i水电站第t时段的入库、出库流量；△t为时段时长；
(2)电量平衡约束：
Figure BDA0003337173070000033
其中，E表示N个水电站在调度周期T内的发电量；Ni,t为第i水电站第t时段出力；Δt为时段时长；
(3)电力平衡约束：
Figure BDA0003337173070000041
其中，Pload为表示N个水电站在第t时段的负荷，Pi,t表示第i个水电站第t时段出力；
(4)电站出力约束：
Figure BDA0003337173070000042
其中，
Figure BDA0003337173070000043
分别为第i水电站第t时段机组出力的下限和上限；Pi,t表示第i个水电站第t时段出力；
(5)流量平衡约束：
Figure BDA0003337173070000044
其中，Qi,t、
Figure BDA0003337173070000045
qi,t分别为第i水电站第t时段出库流量、发电流量和弃水流量；
(6)发电流量约束：
Figure BDA0003337173070000046
其中，
Figure BDA0003337173070000047
分别为第i水电站第t时段发电流量的下限和上限；
Figure BDA0003337173070000048
为第i水电站第t时段发电流量；
(7)下泄流量约束：
Figure BDA0003337173070000049
其中，
Figure BDA00033371730700000410
分别为第i水电站第t时段下泄流量上下限；Qi,t为第i水电站第t时段的出库流量；
(8)水位约束：
Figure BDA00033371730700000411
其中，
Figure BDA00033371730700000412
分别为第i水电站第t时段水位的下限和上限，Zi,t为第i个水电站第t时段水位。
进一步的，步骤S2中优化调度算法库，包括：适用于求解单电站优化调度问题的动态规划算法，适用于求解电站群调度问题的动态规划改进算法，适用于有求解速率要求的短期或实时的水电站优化调度问题逐步优化算法，适用于求解电站群随机优化调度问题的大***分解协调算法，适用于求解大规模、非线性、多维度的电站群优化调度问题的遗传算法。
进一步的，步骤S3具体为：
针对不同的调度需求和业务场景，***自动从优化目标库、优化调度约束库和优化调度算法库中抽取相应要素，并进行智能组合和配置，实现优化调度模型的智能构建，当梯级水电站在丰水年时，为了尽可能的增大梯级水电的经济效益，需满足发电量最大，由于不同水电站在不同时段的上网电价不同，还需保证发电效益最大，为了保证枯水年的发电效益，还需将多余水能存蓄，保证梯级水电站的总蓄能最大；根据梯级水电站的调度需求，***自动选择发电量最大、发电效益最大和总蓄能最大三个目标函数组成的多目标模式，并在优化调度约束库中抽取水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束和水位约束；针对智能构建的优化调度模型，从优化调度算法库中抽取适用于求解该优化调度模型的优化调度算法，求解优化调度模型并生成优化调度方案；当求解单电站优化调度模型时，***从优化调度算法库中自动抽取动态规划算法；求解短期或实时的水电站优化调度模型时，***从优化调度算法库中自动抽取逐步优化算法；求解水电站群随机优化调度模型时，***从优化调度算法库中自动抽取大***分解协调算法。
有益效果：本发明能够减少传统电站调度方式的重复性工作，针对不同调度需求和业务场景，智能构建优化调度模型并求解生成优化调度方案，能够显著提高计算效率，根据智能构建的调度模型智能匹配最优求解算法，显著提升水能利用率和发电效益。
附图说明
图1为本发明方法流程示意图；
图2为实施例的考虑发电量最大模型，采用正交离散微分动态规划方法进行求解得到的洪家渡水电站水位过程；
图3为实施例的考虑发电量最大模型，采用正交离散微分动态规划方法进行求解得到的普定水电站水位过程；
图4为实施例的考虑蓄能最大模型，采用正交离散微分动态规划方法进行求解得到的洪家渡水电站水位过程；
图5为实施例的考虑蓄能最大模型，采用正交离散微分动态规划方法进行求解得到的普定水电站水位过程。
具体实施方式
下面结合附图和具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明实施例提供的一种梯级水电站群多目标多模式智能切换的优化调度方法，具体包括如下步骤：
S1、针对梯级水电站群的所有调度需求和业务场景，开发多种优化调度模式，包括若干单目标调度模式以及多目标调度模式；
单目标调度模式包括发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式；多目标调度模式由若干单目标模式组合构建。
S2、建立与所开发的优化调度模式对应的优化目标库、优化调度约束库和优化调度算法库；
优化目标库：目标函数库包含以上七种模式下所对应的水电站调度目标，可根据电站调度时间尺度和需求的不同对应选择不同调度目标。目标函数具体为：
(1)发电量最大目标：
Figure BDA0003337173070000061
其中，F1表示N个水电站在调度周期T内的总发电量；Ai为第i个水电站的出力系数；
Figure BDA0003337173070000062
Hi,t分别是第i个水电站在第t个时段内的发电流量和发电水头；Δt为时段间隔。
(2)发电效益最大目标：
Figure BDA0003337173070000063
其中，F2表示N个水电站在调度周期T内的总发电效益；
Figure BDA0003337173070000064
为第i水电站第t时段的合同电价；
Figure BDA0003337173070000065
为第i水电站第t时段的合同电量；
Figure BDA0003337173070000066
为第i水电站第t时段的现货竞价电价；
Figure BDA0003337173070000071
为第i水电站第t时段的现货竞价电量。
(3)蓄能最大目标：
Figure BDA0003337173070000072
其中，F3表示N个水电站在调度周期T内的总蓄能；Ii,t、Qi,t、hm,t为第i水电站第t时段的入库、出库流量与水头；km第i水电站发电系数。
(4)弃水最小目标：
Figure BDA0003337173070000073
其中，F4表示N个水电站在调度周期T内的总弃水；
Figure BDA0003337173070000074
为第i水电站第t时段的弃水流量。
(5)发电水耗最小目标：
Figure BDA0003337173070000075
其中，F5表示N个水电站在调度周期T内的总发电水耗；Ei,t为第i水电站第t时段的发电量。
(6)防洪优化调度目标：
F6＝min Hmax (6)；
其中，F6表示在预见期内的目标水电站的最高水位；Hmax表示预见期内的目标水电站的最高水位。
(7)多目标调度模式调度目标：
多目标调度模式是以发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式中的若干模式组合构建而成，其各目标函数同上。
优化调度约束库：根据梯级水电站群建立必要的约束，以水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束、水位约束为例：
(1)水量平衡约束：
Vi,t+1＝Vi,t+(Ii,t-Qi,t)Δt (7)；
其中，Vi,t+1、Vi,t分别为第i个水电站第t+1、t时段水电站蓄水量；Ii,t、Qi,t为第i水电站第t时段的入库、出库流量；Δt为时段时长。
(2)电量平衡约束：
Figure BDA0003337173070000081
其中，E表示N个水电站在调度周期T内的发电量；Ni,t为第i水电站第t时段出力；Δt为时段时长。
(3)电力平衡约束：
Figure BDA0003337173070000082
其中，Pload为表示N个水电站在第t时段的负荷，Pi,t表示第i个水电站第t时段出力。
(4)电站出力约束：
Figure BDA0003337173070000083
其中，
Figure BDA0003337173070000084
分别为第i水电站第t时段机组出力的下限和上限；Pi,t表示第i个水电站第t时段出力。
(5)流量平衡约束：
Figure BDA0003337173070000085
其中，Qi,t、
Figure BDA0003337173070000086
qi,t分别为第i水电站第t时段出库流量、发电流量和弃水流量。
(6)发电流量约束：
Figure BDA0003337173070000087
其中，
Figure BDA0003337173070000088
分别为第i水电站第t时段发电流量的下限和上限；
Figure BDA0003337173070000089
为第i水电站第t时段发电流量。
(7)下泄流量约束：
Figure BDA0003337173070000091
其中，
Figure BDA0003337173070000092
分别为第i水电站第t时段下泄流量的下限和上限；Qi,t为第i水电站第t时段的出库流量。
(8)水位约束：
Figure BDA0003337173070000093
其中，
Figure BDA0003337173070000094
分别为第i水电站第t时段水位的下限和上限，Zi,t为第i个水电站第t时段水位。
优化调度算法库：在水电站优化调度中合理选择优化算法可更高效得到更为精确的结果，本发明针对不同的优化调度模型设置了不同的求解算法：
(1)动态规划及其改进算法
动态规划算法是水电站优化调度中最为经典的求解算法，其优点是保证全局最优解并能保存子过程的每一组解，有利于其结果分析，适用于求解单电站优化调度模型；动态规划改进算法如离散微分动态规划(DDDP)、增量动态规划、微分动态规划可以有效避免“维数灾”问题，适用于求解电站群优化调度模型。
(2)逐步优化算法(POA)
逐步优化算法适用于多阶段动态优化问题，属于动态规划算法，但POA不需要离散状态变量、占用内存少、加速速度快、并可获得较精确解，适用于求解有求解速率要求的短期或实时的水电站优化调度模型。
(3)大***分解协调算法
大***分解协调是将复杂大***分解为若干个简单的子***，实现子***的全局最优化，具有简化复杂性、减少工作量、避免“维数灾”等优点，适用于求解电站群随机优化调度模型。
(4)遗传算法
遗传算法是一种自适应全局优化搜索算法，具有并行计算的特性和自适应搜索的能力，可以从多初值点、多路径进行全局最优搜索，适用于求解大规模、非线性、多维度的水电站群优化调度模型。
S3、针对不同的调度需求和业务场景，根据优化目标库和优化调度约束库智能构建优化调度模型，并从优化调度算法库中匹配适用于求解该优化调度模型的优化调度算法，生成优化调度方案；具体为：
针对不同的调度需求和业务场景，***自动从优化目标库、优化调度约束库和优化调度算法库中抽取相应要素，并进行智能组合和配置，实现优化调度模型的智能构建，如梯级水电站在丰水年时，为了尽可能的增大梯级水电的经济效益，需满足发电量最大，由于不同水电站在不同时段的上网电价不同，还需保证发电效益最大，为了保证枯水年的发电效益，还需将多余水能存蓄，保证梯级水电站的总蓄能最大；根据梯级水电站的调度需求，***自动选择发电量最大、发电效益最大和总蓄能最大三个目标函数组成的多目标模式，并在优化调度约束库中抽取水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束和水位约束。针对智能构建的优化调度模型，从优化调度算法库中抽取适用于求解该调度模型的优化调度算法，求解优化调度模型并生成优化调度方案，如求解单电站优化调度模型时，***从优化调度算法库中自动抽取动态规划算法；求解短期或实时的水电站优化调度模型时，***从优化调度算法库中自动抽取逐步优化算法；求解水电站群随机优化调度模型时，***从优化调度算法库中自动抽取大***分解协调算法等。
实例应用
利用本发明方法，以乌江流域洪家渡、普定等11级梯级水电站作为应用对象，针对乌江流域2018年实际运行资料进行优化，采用发电量最大模型的优化结果见表1。
表1梯级水电站发电量最大模型的优化结果(万MW·h)
Figure BDA0003337173070000101
Figure BDA0003337173070000111
由表1可以看出，利用本发明方法可使乌江梯级水电站群年增发电量高达37.63万MW·h，较实际调度多发1.36％的发电量。由表1可知，与常规调度方法相比，本发明能更充分利用水能资源，提高水能资源利用率。以洪家渡和普定水电站为例，其年内库水位调度过程分别见图2和图3。
采用梯级水电站蓄能最大模型的优化发电结果见表2。
表2梯级水电站蓄能最大模型的优化结果(亿KW·h)
水电站 实际 优化 增加比例
洪家渡 4.90 2.55
普定 0.11 0.05
引子渡 0.46 0.55
东风 6.43 5.88
索风营 4.23 2.91
乌江渡 8.70 9.02
大花水 0.21 0.11
格里桥 0.17 0.11
构皮滩 17.83 20.59
思林 8.98 10.10
沙沱 7.45 8.52
梯级 59.48 60.38 1.53％
由表2可知，利用本发明方法可使乌江梯级水电站群在保证年发电量不变的条件下，在年末增加梯级蓄能0.91亿KW·h，较实际梯级蓄能增加1.53％。与常规调度方法相比，本发明可明显降低水电站耗水率，提高水能利用效率。以洪家渡和普定水电站为例，其年内库水位调度过程分别见图4和图5。
由图2-图5可以看出，利用本发明求解的调度方案在供水期末库水位处于低水位状态、蓄水期末库水位处于高水位状态，符合水电站调度的一般规律，主要是本发明方法可以根据水电站后期来水实时调整当前的水电站调度方案，以减少汛期弃水、降低汛期防洪风险，保证供水期水电站供水目标。

Claims (6)

1.一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，包括以下步骤：
S1、针对梯级水电站群的所有调度需求和业务场景，开发多种优化调度模式，包括若干单目标调度模式以及多目标调度模式；
S2、建立与所开发的优化调度模式对应的优化目标库、优化调度约束库和优化调度算法库；
S3、针对不同的调度需求和业务场景，根据优化目标库和优化调度约束库智能构建优化调度模型，并从优化调度算法库中匹配适用于求解该优化调度模型的优化调度算法，生成优化调度方案。
2.根据权利要求1所述的一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，步骤S1中若干单目标调度模式包括发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式；多目标调度模式由若干单目标模式组合构建。
3.根据权利要求1所述的一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，步骤S2中建立的优化目标库包括：发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式、防洪优化调度模式以及多目标调度模式下所对应的水电站调度目标；目标函数具体为：
(1)发电量最大目标：
Figure FDA0003337173060000011
其中，F1表示N个水电站在调度周期T内的总发电量；Ai为第i个水电站的出力系数；
Figure FDA0003337173060000012
Hi,t分别是第i个水电站在第t个时段内的发电流量和发电水头；△t为时段间隔；
(2)发电效益最大目标：
Figure FDA0003337173060000013
其中，F2表示N个水电站在调度周期T内的总发电效益；
Figure FDA0003337173060000014
为第i水电站第t时段的合同电价；
Figure FDA0003337173060000015
为第i水电站第t时段的合同电量；
Figure FDA0003337173060000016
为第i水电站第t时段的现货竞价电价；
Figure FDA0003337173060000021
为第i水电站第t时段的现货竞价电量；
(3)蓄能最大目标：
Figure FDA0003337173060000022
其中，F3表示N个水电站在调度周期T内的总蓄能；Ii,t、Qi,t、hm,t为第i水电站第t时段的入库、出库流量与水头；km第i水电站发电系数；
(4)弃水最小目标：
Figure FDA0003337173060000023
其中，F4表示N个水电站在调度周期T内的总弃水；
Figure FDA0003337173060000024
为第i水电站第t时段的弃水流量；
(5)发电水耗最小目标：
Figure FDA0003337173060000025
其中，F5表示N个水电站在调度周期T内的总发电水耗；Ei,t为第i水电站第t时段的发电量；
(6)防洪优化调度目标：
F6＝min Hmax (6)；
其中，F6表示在预见期内的目标水电站的最高水位；Hmax表示预见期内的目标水电站的最高水位；
(7)多目标调度模式调度目标：
多目标调度模式是以发电量最大模式、发电效益最大模式、蓄能最大模式、弃水最小模式、发电水耗最小模式和防洪优化调度模式中的若干模式组合构建而成，其各目标函数同上。
4.根据权利要求1所述的一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，步骤S2中建立的优化调度约束库包括：水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束和水位约束；具体为：
(1)水量平衡约束：
Vi,t+1＝Vi,t+(Ii,t-Qi,t)△t (7)；
其中，Vi,t+1、Vi,t分别为第i个水电站第t+1、t时段水电站蓄水量；Ii,t、Qi,t分别为第i水电站第t时段的入库、出库流量；△t为时段时长；
(2)电量平衡约束：
Figure FDA0003337173060000031
其中，E表示N个水电站在调度周期T内的发电量；Ni,t为第i水电站第t时段出力；Δt为时段时长；
(3)电力平衡约束：
Figure FDA0003337173060000032
其中，Pload为表示N个水电站在第t时段的负荷，Pi,t表示第i个水电站第t时段出力；
(4)电站出力约束：
Figure FDA0003337173060000033
其中，
Figure FDA0003337173060000034
分别为第i水电站第t时段机组出力的下限和上限；Pi,t表示第i个水电站第t时段出力；
(5)流量平衡约束：
Figure FDA0003337173060000035
其中，Qi,t、
Figure FDA0003337173060000036
qi,t分别为第i水电站第t时段出库流量、发电流量和弃水流量；
(6)发电流量约束：
Figure FDA0003337173060000037
其中，
Figure FDA0003337173060000038
分别为第i水电站第t时段发电流量的下限和上限；
Figure FDA0003337173060000039
为第i水电站第t时段发电流量；
(7)下泄流量约束：
Figure FDA0003337173060000041
其中，
Figure FDA0003337173060000042
分别为第i水电站第t时段下泄流量上下限；Qi,t为第i水电站第t时段的出库流量；
(8)水位约束：
Figure FDA0003337173060000043
其中，
Figure FDA0003337173060000044
分别为第i水电站第t时段水位的下限和上限，Zi,t为第i个水电站第t时段水位。
5.根据权利要求1所述的一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，步骤S2中优化调度算法库，包括：适用于求解单电站优化调度问题的动态规划算法，适用于求解电站群调度问题的动态规划改进算法，适用于有求解速率要求的短期或实时的水电站优化调度问题逐步优化算法，适用于求解电站群随机优化调度问题的大***分解协调算法，适用于求解大规模、非线性、多维度的电站群优化调度问题的遗传算法。
6.根据权利要求1所述的一种梯级水电站群多目标多模式智能切换的优化调度方法，其特征在于，步骤S3具体为：
针对不同的调度需求和业务场景，***自动从优化目标库、优化调度约束库和优化调度算法库中抽取相应要素，并进行智能组合和配置，实现优化调度模型的智能构建，当梯级水电站在丰水年时，为了尽可能的增大梯级水电的经济效益，需满足发电量最大，由于不同水电站在不同时段的上网电价不同，还需保证发电效益最大，为了保证枯水年的发电效益，还需将多余水能存蓄，保证梯级水电站的总蓄能最大；根据梯级水电站的调度需求，***自动选择发电量最大、发电效益最大和总蓄能最大三个目标函数组成的多目标模式，并在优化调度约束库中抽取水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束和水位约束；针对智能构建的优化调度模型，从优化调度算法库中抽取适用于求解该优化调度模型的优化调度算法，求解优化调度模型并生成优化调度方案；当求解单电站优化调度模型时，***从优化调度算法库中自动抽取动态规划算法；求解短期或实时的水电站优化调度模型时，***从优化调度算法库中自动抽取逐步优化算法；求解水电站群随机优化调度模型时，***从优化调度算法库中自动抽取大***分解协调算法。
CN202111297628.9A 2021-11-04 2021-11-04 一种梯级水电站群多目标多模式智能切换的优化调度方法 Pending CN114021965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111297628.9A CN114021965A (zh) 2021-11-04 2021-11-04 一种梯级水电站群多目标多模式智能切换的优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111297628.9A CN114021965A (zh) 2021-11-04 2021-11-04 一种梯级水电站群多目标多模式智能切换的优化调度方法

Publications (1)

Publication Number Publication Date
CN114021965A true CN114021965A (zh) 2022-02-08

Family

ID=80060782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111297628.9A Pending CN114021965A (zh) 2021-11-04 2021-11-04 一种梯级水电站群多目标多模式智能切换的优化调度方法

Country Status (1)

Country Link
CN (1) CN114021965A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409234A (zh) * 2022-06-06 2022-11-29 中国长江电力股份有限公司 一种基于混合算法的梯级水电站优化调度模型求解方法
CN115438972A (zh) * 2022-09-13 2022-12-06 中国长江电力股份有限公司 一种考虑电力互济特性的梯级水电站联合优化调度方法
CN115630800A (zh) * 2022-09-22 2023-01-20 广东省水利水电科学研究院 水利枢纽防洪发电联合优化调度方法、***、装置及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409234A (zh) * 2022-06-06 2022-11-29 中国长江电力股份有限公司 一种基于混合算法的梯级水电站优化调度模型求解方法
CN115409234B (zh) * 2022-06-06 2023-10-27 中国长江电力股份有限公司 一种基于混合算法的梯级水电站优化调度模型求解方法
CN115438972A (zh) * 2022-09-13 2022-12-06 中国长江电力股份有限公司 一种考虑电力互济特性的梯级水电站联合优化调度方法
CN115438972B (zh) * 2022-09-13 2023-10-31 中国长江电力股份有限公司 一种考虑电力互济特性的梯级水电站联合优化调度方法
CN115630800A (zh) * 2022-09-22 2023-01-20 广东省水利水电科学研究院 水利枢纽防洪发电联合优化调度方法、***、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114021965A (zh) 一种梯级水电站群多目标多模式智能切换的优化调度方法
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
CN107276122B (zh) 适应大规模可再生能源并网的调峰资源调用决策方法
CN112039056A (zh) 一种新能源两阶段优化调度方法
CN112467807A (zh) 一种多能源电力***日前优化调度方法及***
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN110957717A (zh) 一种多电源电力***多目标日前优化调度方法
Zhang et al. Grid–source coordinated dispatching based on heterogeneous energy hybrid power generation
CN113435793A (zh) 一种基于强化学习的微电网优化调度方法
CN112862194A (zh) 配电网供电规划方法、装置、设备、以及可读存储介质
CN110543966A (zh) 一种电热气联供的微能源网的日前调度优化方法
Wang et al. Day-ahead multi-objective optimal operation of Wind–PV–Pumped Storage hybrid system considering carbon emissions
CN105305501A (zh) 实时负荷变化下水电站多模式时空嵌套出力动态调整方法
CN105514986A (zh) 一种基于虚拟电厂技术的der用户竞价并网方法
Feng et al. China’s hydropower energy system toward carbon neutrality
CN115081700A (zh) 基于综合储能技术的数据中心多能协同优化方法及***
CN111126675A (zh) 多能互补微网***优化方法
CN117353387A (zh) 一种日前市场下水风光联合互补优化调度方法
CN117060499A (zh) 风光水多能互补运行的控制方法、装置、设备及存储介质
CN111476477A (zh) 基于发电效益目标的梯级水电站中长期优化调度方法
Wang et al. Optimal capacity allocation of wind-light-water multi-energy complementary capacity based on improved multi-objective optimization algorithm
CN115940284A (zh) 一种考虑分时电价的新能源制氢***的运行控制策略
Hao et al. PSO applied to optimal operation of a micro-grid with wind power
Dash et al. Cost Optimization of Pumped Hydro Storage and PV Plant for Hybrid Mode of Operation using FPA
Zhang et al. Decomposition and Parallel Computation for Operation Optimization of Medium and Long term Cascaded Hydropower Units

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