CN114784882A - 机组组合优化处理方法及装置 - Google Patents

机组组合优化处理方法及装置 Download PDF

Info

Publication number
CN114784882A
CN114784882A CN202210580965.7A CN202210580965A CN114784882A CN 114784882 A CN114784882 A CN 114784882A CN 202210580965 A CN202210580965 A CN 202210580965A CN 114784882 A CN114784882 A CN 114784882A
Authority
CN
China
Prior art keywords
sub
cost
unit
main
solving
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
CN202210580965.7A
Other languages
English (en)
Inventor
彭超逸
胡亚平
顾慧杰
孙书豪
何宇斌
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202210580965.7A priority Critical patent/CN114784882A/zh
Publication of CN114784882A publication Critical patent/CN114784882A/zh
Pending legal-status Critical Current

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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种机组组合优化处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。采用本方法能够有效提高对安全约束机组组合问题的优化效率。

Description

机组组合优化处理方法及装置
技术领域
本申请涉及电力***控制技术领域，特别是涉及一种机组组合优化处理方法及装置。
背景技术
成本和安全是能源市场的主要关注点。可再生能源(Renewable Energy Sources，简称RESs)的间歇性和设备意外故障(Unscheduled Outage of the Components，简称UOCs)对能源市场安全造成了威胁，同时为优化运行带来了许多挑战，因此需要引入有效方法来解决基于安全约束的机组组合(Security Constrained Unit Commitment，简称SCUC)问题，并将风电不稳定性纳入考虑。
目前不稳定条件下的运行问题已经得到了很多研究，在风电大规模不稳定条件下，SCUC问题变得更加复杂，存在优化效率低下的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高优化效率的机组组合优化处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种机组组合优化处理方法。所述方法包括：
获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
在其中一个实施例中，所述运行成本数据还包括损失机会成本和发电量的期望值；所述机组成本包括机组启动成本、机组关闭成本和机组空载成本；
所述将所述SCUC模型分解为主子问题，并对所述主子问题进行求解得到机组联合运行最优方案的步骤中：
将所述SCUC模型的目标函数确定为所述UC主问题的目标函数；
获取所述电力***的发电机工作数据、风电机组工作数据和储能设备工作数据；
根据所述发电机工作数据确定发电约束条件，以及根据所述风电机组工作数据确定风电约束条件，以及根据所述储能设备工作数据确定储能约束条件；
基于所述发电约束条件、所述风电约束条件和所述储能约束条件，对所述UC主问题的目标函数求解得到主解决方案。
在其中一个实施例中，还包括：
获取基础案例下负荷削减的松弛变量，并将所述基础案例下的松弛变量最小确定为所述基础案例子问题的目标函数；
获取所述电力***的线路潮流数据；
根据所述线路潮流数据确定基础案例子问题约束条件，并基于所述基础案例子问题约束条件对所述基础案例子问题的目标函数进行求解；
若基础案例子问题求解结果为正值，则进行Benders分解生成第一安全约束条件，并根据所述第一安全约束条件对所述主解决方案进行优化，否则对所述故障情况子问题进行求解。
在其中一个实施例中，所述对所述故障情况子问题进行求解的步骤包括：
获取不同故障事件下负荷削减的松弛变量，并将所述不同故障事件下的松弛变量最小确定为所述故障情况子问题的目标函数；
获取所述电力***的备用机组工作数据；
根据所述风电机组工作数据和所述备用机组工作数据确定故障情况子问题约束条件，并基于所述故障情况子问题约束条件对所述故障情况子问题的目标函数进行求解；
若故障情况子问题求解结果为正值，则进行Benders分解生成第二安全约束条件，并根据所述第二安全约束条件对所述主解决方案进行优化，否则对所述场景案例子问题进行求解。
在其中一个实施例中，所述对所述场景案例子问题进行求解的步骤包括：
获取场景案例下负荷削减的松弛变量，并将所述场景案例下的松弛变量最小确定为所述场景案例子问题的目标函数；
获取场景案例下的调度功率；
根据所述线路潮流数据和所述调度功率确定场景案例子问题约束条件，并基于所述场景案例子问题约束条件对所述场景案例子问题的目标函数进行求解；
根据场景案例子问题求解结果确定是否输出所述机组联合运行最优方案。
在其中一个实施例中，所述根据场景案例子问题求解结果确定是否输出所述机组联合运行最优方案的步骤包括：
若所述场景案例子问题求解结果为正值，则进行Benders分解生成第三安全约束条件，并根据所述第三安全约束条件对所述主解决方案进行优化，否则输出所述机组联合运行最优方案。
第二方面，本申请还提供了一种机组组合优化处理装置。所述装置包括：
数据获取模块，用于获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
SCUC模型确定模块，用于根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
模型求解模块，用于基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
上述机组组合优化处理方法、装置、计算机设备、存储介质和计算机程序产品，通过根据从电力***中获取的运行成本数据确定SCUC模型，继而基于Benders分解模型将该SCUC模型分解为主子问题，从而对主子问题进行求解得到机组联合运行最优方案，能够有效提高对安全约束机组组合问题的优化效率。
附图说明
图1为一个实施例中机组组合优化处理方法的流程示意图；
图2为一个实施例中SCUC模型求解的流程示意图；
图3为一个实施例中六母线测试***的结构示意图；
图4为一个实施例中机组组合优化处理装置的结构示意图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种机组组合优化处理方法，本实施例以该方法应用于终端进行举例说明，该方法包括以下步骤：
步骤S110，获取电力***的运行成本数据；运行成本数据包括机组成本、备用成本以及储能设备再生成本；
具体地，在一些示例中，运行成本数据还包括损失机会成本和发电量期望成本，其中损失机会成本(Lost Opportunity Cost，简称LOC)是对在运行中未被利用的收缩能量的补偿；机组成本包括机组启动成本、机组关闭成本(或机组关停成本)和机组空载成本，在一些示例中，机组启动成本、机组关闭成本和机组空载成本分别指火电机组启动成本、火电机组关闭成本和火电机组空载成本；备用成本包括机组向上备用成本和机组向下备用成本；储能设备再生成本包括储能设备再发电成本。
步骤S120，根据运行成本数据确定SCUC模型；SCUC模型以总运行成本最小为目标函数；
具体地，SCUC模型的目标函数为最小化总运行成本，在一些示例中，以SCt表示火电机组启动成本、DCg表示火电机组关闭成本、NCg表示火电机组空载成本、
Figure BDA0003663720690000061
表示机组向上备用成本、
Figure BDA0003663720690000062
表示机组向下备用成本、
Figure BDA0003663720690000063
表示储能设备再发电价格、
Figure BDA0003663720690000064
表示储能设备每小时放电量、
Figure BDA0003663720690000065
表示出清市场储能变现价格、
Figure BDA0003663720690000066
表示各个场景下储能变现量、
Figure BDA0003663720690000067
表示发电机每小时发电价格、
Figure BDA0003663720690000068
表示发电机每小时发电量为例，则SCUC模型的目标函数如下式所示：
Figure BDA0003663720690000069
其中，stg,t表示机组启动变量、sdg,t表示机组关闭变量、Ig,t表示机组空载变量、
Figure BDA00036637206900000610
表示向上最大备用成本、
Figure BDA00036637206900000611
表示向下最大备用成本、ζt表示以峰值负荷的倒数作为标准对每小时负荷的倒数进行归一化的数值、Ωs表示各个场景概率，式(1)中∑t∑g(SCtstg,t+DCgsdg,t+NCgIg,t)项表示机组成本、
Figure BDA00036637206900000612
项表示备用成本、
Figure BDA00036637206900000613
项表示储能设备再生成本、
Figure BDA00036637206900000614
项表示某一场景下的损失机会成本，
Figure BDA00036637206900000615
项表示某一场景下的发电量期望成本。
步骤S130，基于Benders分解模型，将SCUC模型分解为主子问题，并对主子问题进行求解，得到机组联合运行最优方案；其中，主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
具体地，Benders分解模型可以指Benders分解算法，利用Benders分解算法，可以将上述SCUC模型的目标函数分解为主子问题进行求解，在一些示例中，可以首先构建松弛的UC主问题进行初步求解，然后依次求解基础案例子问题、故障情况子问题和场景案例子问题，通过不断向主问题中加入约束条件的某一个，即加入有效的切平面(cut)，直到产生最优解，即可得到机组联合运行最优方案。
在一个具体示例中，SCUC模型的求解流程如图2所示，其中，i表示迭代次数、t为时间变量、NT为时间长度、CI为故障影响变量、e为故障变量、NE为故障数、s为场景变量、NS为场景数，求解流程为首先对UC主问题进行求解，得到关于每小时调度的主解决方案，然后使用每个t、e和s的网络约束来检查主解决方案，具体为首先对基础案例子问题进行求解，以时间t＝1：NT为变量，解决t从1到NT的基本情况，如果求解结果为正值，则进行Benders分解生成约束条件，以对主问题的目标函数进行安全约束，否则通过智能故障排序方法(Intelligent Contingency Ranking Analysis，简称ICRA)，得到故障情况子问题所需要的参数，即使用前述迭代得出的调度值计算索引“CI”，以及依据“CI”进行单位分类并且选择高影响中断，具体为将发电机的停机视为故障，由于SCUC模型评估了调度发电机故障对线路阻塞的影响，并制定了优先级列表，因此可以首先计算所有发电机的参数，该参数表示由于机组发电量的1MW变化而引起的线路电流的变化，然后将该参数与归一化线路流量和机组输出功率相乘，便可以得到停电对线路负荷的影响，以
Figure BDA0003663720690000071
表示发电机的参数、
Figure BDA0003663720690000072
表示线路潮流量、
Figure BDA0003663720690000073
表示机组输出功率为例，则停电对线路负荷的影响CIg,t通过下式计算得到：
Figure BDA0003663720690000074
其中，
Figure BDA0003663720690000075
表示线路潮流上限值，
Figure BDA0003663720690000076
为归一化线路流量。
通过对发电机停电对线路负荷的影响CIg,t进行排序，可以选择智能故障排序中排名靠前的停电方式，以确保所选的高排名故障和最终方案匹配，因为只有当方案在计算所得的故障情况下是安全的，算法才会终止；
进一步地，在得到故障情况子问题所需要的参数后，就可对故障情况子问题进行求解，以时间t＝1：NT、e＝1：NE为变量，解决t从1到NT和e从1到NE的故障案例，如果求解结果为正值，则进行Benders分解生成约束条件，以对主问题的目标函数进行安全约束，否则继续解决场景案例子问题，以时间t＝1：NT、s＝1：NS为变量，解决t从1到NT和s从1到NS的情景案例，如果求解结果为正值，则进行Benders分解生成约束条件，以对主问题的目标函数进行安全约束，直至没有Benders分解产生，则输出最优方案。
上述机组组合优化处理方法，提出了一种考虑可再生能源能源不稳定性和非计划故障的穷举模型，同时量身定制的框架保证了求解的准确性，并将求解时间保持在合理的范围内，此外，通过智能故障排序法，降低了模型的复杂度，通过在解决过程中发现实际中的高影响故障，提出的框架增强了解决方案的稳固性，同时使用了储能设备来改进故障和正常情况下的解决方案，有效提高了对安全约束机组组合问题的优化效率。
在其中一个实施例中，运行成本数据还包括损失机会成本和发电量的期望值；机组成本包括机组启动成本、机组关闭成本和机组空载成本；
将SCUC模型分解为主子问题，并对主子问题进行求解得到机组联合运行最优方案的步骤中：
将SCUC模型的目标函数确定为UC主问题的目标函数；
获取电力***的发电机工作数据、风电机组工作数据和储能设备工作数据；
根据发电机工作数据确定发电约束条件，以及根据风电机组工作数据确定风电约束条件，以及根据储能设备工作数据确定储能约束条件；
基于发电约束条件、风电约束条件和储能约束条件，对UC主问题的目标函数求解得到主解决方案。
具体地，UC主问题的目标函数同样为最小化总运行成本，因此将上述SCUC模型的目标函数作为UC主问题的目标函数；
发电机工作数据包括发电机总发电量、发电机的开机爬坡量、关机爬坡量、机组发出功率、机组最大发出功率、机组最小发出功率和各线路各场景下机组的最大发电功率等，在一些示例中，以
Figure BDA0003663720690000081
表示各场景下发电机总发电量、SRUg表示发电机的开机爬坡量、SRDg表示发电机的关机爬坡量、Pg,t表示t时刻机组g发出功率、
Figure BDA0003663720690000082
表示机组最大发出功率、
Figure BDA0003663720690000083
表示机组最小发出功率、
Figure BDA0003663720690000084
表示各线路各场景下机组的最大发电功率为例，则发电约束条件如下式(3)-(12)所示：
stg,t-sdg,t＝Ig,t-Ig,(t-1) (3)
Figure BDA0003663720690000085
Figure BDA0003663720690000091
Figure BDA0003663720690000092
Figure BDA0003663720690000093
Figure BDA0003663720690000094
Figure BDA0003663720690000095
Figure BDA0003663720690000096
Pg,t-Pg,(t-1)≤RUgIg,t+SRUgstg,t (11)
Pg,(t-1)-Pg,t≤RDgIg,t+SRDgsdg,t (12)
其中，
Figure BDA0003663720690000097
表示最小在线时间、
Figure BDA0003663720690000098
表示最小离线时间，约束(3)-(5)为机组启动变量、机组关闭变量和机组空载变量之间的约束；RUg表示机组向上备用容量、RDg表示机组向下备用容量，约束(7)-(10)为发电机功率约束，约束(11)-(12)为发电机爬坡速率约束。
以
Figure BDA0003663720690000099
表示机组向上备用电量、
Figure BDA00036637206900000910
表示机组向下备用电量、
Figure BDA00036637206900000911
表示机组最大向上备用容量、
Figure BDA00036637206900000912
表示机组最大向下备用容量为例，则如下式(13)-(17)的约束条件计算出了关于风电波动情况的足够储存量：
Figure BDA00036637206900000913
Figure BDA00036637206900000914
Figure BDA00036637206900000915
Figure BDA00036637206900000916
Figure BDA00036637206900000917
SCUC模型中考虑了风速场景的生成，详细来说，在一些示例中，采用风速气象预报作为平均值，在运行期间标准差由1％增大到20％，生成1000个具有上述条件的样本，并采用基于概率距离的场景缩减方法，在这一阶段之后，通过功率曲线计算出风力机的输出功率，再乘以风力机的数量来计算风电场发电量。
本申请将风力发电的随机行为作为不稳定性的来源，用来评估SCUC模型在应对故障和多变能源时的性能。此外，其他类型的可再生能源发电也可以以同样的方式并入。
风电机组工作数据包括风电机组发电量、风电机组可用容量和风电机组可削减容量等，以
Figure BDA0003663720690000101
表示s场景下风电机组发电量、
Figure BDA0003663720690000102
表示s场景下风电机组可用容量、CWω,t表示风电机组可削减容量、ψs表示s场景下和母线连接的风电场数目为例，则风力发电受可用风能的风电约束条件如下式(18)和式(19)所示：
Figure BDA0003663720690000103
Figure BDA0003663720690000104
基本情况和情景情况下的总发电量约束和用电量平衡约束分别如下式(20)和式(21)所示：
Figure BDA0003663720690000105
Figure BDA0003663720690000106
其中，Pc,t表示储能设备发电量、
Figure BDA0003663720690000107
表示各母线负荷量。
CAES(Compressed Air Energy Storage，压缩空气储能)机组被视为储能设备，储能设备工作数据包括储能设备压缩电量、储能设备放电电量、储能设备压缩效率、储能设备放电效率、储能设备储存能量、储能设备最大放电量和最小放电量等，以
Figure BDA0003663720690000108
表示储能设备压缩状态变量、
Figure BDA0003663720690000109
表示储能设备放电状态变量、
Figure BDA00036637206900001010
表示储能设备压缩电量、
Figure BDA00036637206900001011
表示储能设备放电电量、
Figure BDA00036637206900001012
表示储能设备压缩效率、
Figure BDA00036637206900001013
表示储能设备放电效率、SEc,t表示储能设备储存能量、
Figure BDA00036637206900001014
表示储能设备最大放电量、
Figure BDA00036637206900001015
表示储能设备最小放电量、
Figure BDA00036637206900001016
表示储能设备最大压缩量、
Figure BDA00036637206900001017
表示储能设备最小压缩量为例，则储能约束条件如下式(22)-(28)所示：
Figure BDA00036637206900001018
Figure BDA00036637206900001019
Figure BDA0003663720690000111
Figure BDA0003663720690000112
Figure BDA0003663720690000113
Figure BDA0003663720690000114
Figure BDA0003663720690000115
其中，在如式(22)所示的充放电过程中，CAES的效率可以达到95％。
基于上述发电约束条件、风电约束条件和储能约束条件，对UC主问题的目标函数求解得到主解决方案。
在其中一个实施例中，还包括：
获取基础案例下负荷削减的松弛变量，并将基础案例下的松弛变量最小确定为基础案例子问题的目标函数；
获取电力***的线路潮流数据；
根据线路潮流数据确定基础案例子问题约束条件，并基于基础案例子问题约束条件对基础案例子问题的目标函数进行求解；
若基础案例子问题求解结果为正值，则进行Benders分解生成第一安全约束条件，并根据第一安全约束条件对主解决方案进行优化，否则对故障情况子问题进行求解。
具体地，基础案例包括风电的预测场景，如果出现了任何违反基本情况下的网络约束的现象，基础案例子问题用于检查主解决方案。在一些示例中，以
Figure BDA0003663720690000116
表示基础案例下负荷削减的松弛变量为例，则基础案例子问题的目标函数如下式(29)所示：
Figure BDA0003663720690000117
线路潮流数据包括线路潮流量和线路潮流上限值，以
Figure BDA0003663720690000118
表示线路潮流量、
Figure BDA0003663720690000119
表示线路潮流上限值为例，则基础案例子问题约束条件如下式(30)-(33)所示：
Figure BDA00036637206900001110
Figure BDA0003663720690000121
Figure BDA0003663720690000122
Figure BDA0003663720690000123
其中，K表示线路基准功率、Xl表示线路电抗、
Figure BDA0003663720690000124
表示发电厂母线输入电压相位角、
Figure BDA0003663720690000125
表示发电厂母线输出电压相位角、
Figure BDA0003663720690000126
表示全部母线的电压相位角、
Figure BDA0003663720690000127
表示平衡节点电压相位角、
Figure BDA0003663720690000128
表示线路上备用机组发电量、
Figure BDA0003663720690000129
表示储能设备发电量、
Figure BDA00036637206900001210
表示场景约束下风电场发电量。
基于上述基础案例子问题约束条件，对式(29)所示的基础案例子问题的目标函数进行求解，若基础案例子问题求解结果为正值，则进行Benders分解生成第一安全约束条件，如下式(34)所示：
Figure BDA00036637206900001211
其中，
Figure BDA00036637206900001212
和
Figure BDA00036637206900001213
分别为式(32)和式(33)的对偶变量。
根据上述第一安全约束条件，对主解决方案进行优化，若基础案例子问题求解结果不为正值，则对故障情况子问题进行求解。
在其中一个实施例中，对故障情况子问题进行求解的步骤包括：
获取不同故障事件下负荷削减的松弛变量，并将不同故障事件下的松弛变量最小确定为故障情况子问题的目标函数；
获取电力***的备用机组工作数据；
根据风电机组工作数据和备用机组工作数据确定故障情况子问题约束条件，并基于故障情况子问题约束条件对故障情况子问题的目标函数进行求解；
若故障情况子问题求解结果为正值，则进行Benders分解生成第二安全约束条件，并根据第二安全约束条件对主解决方案进行优化，否则对场景案例子问题进行求解。
具体地，此故障情况子问题(也可称紧急情况子问题)使用基于基本案例潮流计算的优先级列表，来检查主解决方案，以确定优先级最高的紧急停机方案。
在一些示例中，以
Figure BDA0003663720690000131
表示故障事件1下负荷削减的松弛变量、
Figure BDA0003663720690000132
表示故障事件2下负荷削减的松弛变量、
Figure BDA0003663720690000133
表示故障事件3下负荷削减的松弛变量、
Figure BDA0003663720690000134
表示三种故障事件下负荷削减的松弛变量之和为例，则将三种故障事件下负荷削减的松弛变量之和的最小化作为故障情况子问题的目标函数，如下式(35)所示：
Figure BDA0003663720690000135
风电机组工作数据还包括场景约束下风电场发电功率和各个场景下风电场可用容量，备用机组工作数据包括紧急故障情况下线路上备用机组发电功率等，在一些示例中，以
Figure BDA0003663720690000136
表示场景约束下风电场发电功率、
Figure BDA0003663720690000137
表示s场景下风电机组可用容量、
Figure BDA0003663720690000138
表示紧急故障情况下线路上备用机组发电功率为例，则故障情况子问题约束条件如下式(36)-(45)所示：
Figure BDA0003663720690000139
Figure BDA00036637206900001310
Figure BDA00036637206900001311
Figure BDA00036637206900001312
Figure BDA00036637206900001313
Figure BDA00036637206900001314
Figure BDA00036637206900001315
Figure BDA00036637206900001316
Figure BDA00036637206900001317
Figure BDA00036637206900001318
其中，
Figure BDA00036637206900001319
表示故障情况下发电厂母线输入电压相位角、
Figure BDA00036637206900001320
表示故障情况下发电厂母线输出电压相位角、
Figure BDA00036637206900001321
表示故障情况下全部母线的电压相位角、
Figure BDA00036637206900001322
表示故障情况下平衡节点电压相位角、
Figure BDA00036637206900001323
表示故障事件下的调度功率、
Figure BDA00036637206900001324
表示故障事件下机组状态。
在每一个故障事件中，模型将对应生成器
Figure BDA0003663720690000141
的二进制乘法器设为零，基于上述故障情况子问题约束条件，对式(35)所示的故障情况子问题的目标函数进行求解，若故障情况子问题求解结果为正值，则进行Benders分解生成第二安全约束条件，如下式(46)所示：
Figure BDA0003663720690000142
其中，
Figure BDA0003663720690000143
分别为式(38)-(44)的对偶变量。
根据上述第二安全约束条件，对主解决方案进行优化，若故障情况子问题求解结果不为正值，则对场景案例子问题进行求解。
在其中一个实施例中，对场景案例子问题进行求解的步骤包括：
获取场景案例下负荷削减的松弛变量，并将场景案例下的松弛变量最小确定为场景案例子问题的目标函数；
获取场景案例下的调度功率；
根据线路潮流数据和调度功率确定场景案例子问题约束条件，并基于场景案例子问题约束条件对场景案例子问题的目标函数进行求解；
根据场景案例子问题求解结果确定是否输出机组联合运行最优方案。
具体地，场景案例子问题用于评测主方案在每个场景的网络母线中是否有任何违规情况，在一些示例中，以
Figure BDA0003663720690000144
表示场景案例下负荷削减的松弛变量为例，则场景案例子问题的目标函数如下式(47)所示：
Figure BDA0003663720690000145
场景案例下的调度功率指不同场景下的调度功率，也就是前述各场景下发电机总发电量，在一些示例中，以
Figure BDA0003663720690000146
表示不同场景下的调度功率为例，则场景案例子问题约束条件如下式(48)-(51)所示：
Figure BDA0003663720690000147
Figure BDA0003663720690000151
Figure BDA0003663720690000152
Figure BDA0003663720690000153
其中，
Figure BDA0003663720690000154
分别表示场景约束下发电厂母线输入电压相位角和输出电压相位角、
Figure BDA0003663720690000155
表示场景约束下全部母线的电压相位角、
Figure BDA0003663720690000156
表示场景约束下平衡节点电压相位角，
Figure BDA0003663720690000157
表示不同场景下线路潮流量。
需要注意的是，为了得到一个可行的C进行储能，电源
Figure BDA0003663720690000158
没有场景索引，本示例用于检查不同场景下
Figure BDA0003663720690000159
发电机的功率，基于上述场景案例子问题约束条件，对式(47)所示的场景案例子问题的目标函数进行求解，以确定是否输出机组联合运行最优方案。
在其中一个实施例中，根据场景案例子问题求解结果确定是否输出机组联合运行最优方案的步骤包括：
若场景案例子问题求解结果为正值，则进行Benders分解生成第三安全约束条件，并根据第三安全约束条件对主解决方案进行优化，否则输出机组联合运行最优方案。
具体来说，若场景案例子问题求解结果为正值，则进行Benders分解生成第三安全约束条件，如下式(52)所示：
Figure BDA00036637206900001510
其中，
Figure BDA00036637206900001511
分别为式(50)和(51)的对偶变量。
根据上述第三安全约束条件，对主解决方案进行优化；若场景案例子问题求解结果不为正值，说明已无Benders分解生成，则输出机组联合运行最优方案。
为了更好地说明本申请的技术方案，下面结合一个具体实施例予以说明。
用一个六母线测试***来检查所提出的考虑风速不稳定性和意外故障的SCUC模型，就故障安全性问题分析该SCUC模型的求解方法，并且分析风电和储能机组对***总成本和峰值分割的影响。在六母线测试***中，我们将解决主问题的解算器对偶间隙设为零。
图3所示的六母线测试***被用来对所提出的求解方法进行分析，其中G1，G2，G3为三个火电机组，W1为风电机组，该***有三个发电机、一个风电场和一个CAES机组，其中风电场和CAES机组都加在4号母线上。六母线测试***中能量储存***(Energy StorageSystems，简称ESSs)的设计性能指标如下表所示：
Figure BDA0003663720690000161
其中，本设计中假设发电机的最大允许重新调值度与其斜率限制相等，并利用拉格威750千瓦风力发电机的功率曲线，在这种情况下，风电场考虑使用134台这种类型的风力涡轮机。
高负荷下不同场景的发电调度如下表所示：
Figure BDA0003663720690000162
上表显示了在第15小时机组重新调度、发电、LOC和不同场景的成本。修正调度由G1提供，各场景下发电机与风电场发电量之和为289.1MW的定值，储能值保持在9.5MW，因为它不参与本场景供电，总发电量为298.6MW，相当于第15小时的负荷值。
不同负荷水平和机组组合下的分析如下表示：
Figure BDA0003663720690000163
上表反映了在基础SCUC模型中添加风电场和CAES机组不同组合下的目标函数值，体现了考虑ICRA和不同负荷水平对总运行成本的影响。在低负荷情况下，由于基本情况下的最优解满足故障约束，因此ICRA对不同情况下的运营成本没有影响；在无ESSs的中等负荷情况下，ICRA是不可行的，在这种情况下，增加风电场只是降低了总成本，增加储能设备使得ICRA***运行可行，虽然CAES机组不发生故障，但相应的额外容量增强了预防行动能力，从而改变基本调度。在高负荷情况下，考虑ICRA的额外成本为2805元，与无保护情况相比约为其2％。
该测试***中，ICRA考虑了最坏情况(NE＝1)，为确保UOCs和储能设备有固定安排，假设只有风力机组和常规发电机参与恢复行动，则高负荷时每小时的紧急停机和各发电机的再调度情况如下表所示：
Figure BDA0003663720690000171
结果表明，最坏的故障是第1小时和第15小时的G2，和在其余时间的G3。
对不同案例中的CAES机组的不同位置进行了敏感度分析，如下表所示：
Figure BDA0003663720690000181
其中，B1，B2…B6表示六母线***中的各母线。从上表可以看出，SCUC模型仅在高负荷B4和B5时可行，CAES的最佳位置也可在除B4风电场外的位置找到。
上述机组组合优化处理方法，利用风电场和储能设备降低***的总运行成本，能够同时出清能量和储能，解决了联合能量和备用市场中风电并网的问题，使用了智能故障排序方法来解决计算负担问题，并根据最终解决方案查找实际的严重故障。为了在风电不稳定性下考虑最有效的停电方案，储能***被用来应对随机故障的负面影响，同时加速Benders分解模型用于降低计算量，六母线测速***中的数值结果证明了该方法的有效性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的机组组合优化处理方法的机组组合优化处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个机组组合优化处理装置实施例中的具体限定可以参见上文中对于机组组合优化处理方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种机组组合优化处理装置，包括：数据获取模块410、SCUC模型确定模块420和模型求解模块430，其中：
数据获取模块410，用于获取电力***的运行成本数据；运行成本数据包括机组成本、备用成本以及储能设备再生成本；
SCUC模型确定模块420，用于根据运行成本数据确定SCUC模型；SCUC模型以总运行成本最小为目标函数；
模型求解模块430，用于基于Benders分解模型，将SCUC模型分解为主子问题，并对主子问题进行求解，得到机组联合运行最优方案；其中，主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
在其中一个实施例中，运行成本数据还包括损失机会成本和发电量的期望值；机组成本包括机组启动成本、机组关闭成本和机组空载成本；
模型求解模块430还用于：
将SCUC模型的目标函数确定为UC主问题的目标函数；
获取电力***的发电机工作数据、风电机组工作数据和储能设备工作数据；
根据发电机工作数据确定发电约束条件，以及根据风电机组工作数据确定风电约束条件，以及根据储能设备工作数据确定储能约束条件；
基于发电约束条件、风电约束条件和储能约束条件，对UC主问题的目标函数求解得到主解决方案。
在其中一个实施例中，模型求解模块430还用于：
获取基础案例下负荷削减的松弛变量，并将基础案例下的松弛变量最小确定为基础案例子问题的目标函数；
获取电力***的线路潮流数据；
根据线路潮流数据确定基础案例子问题约束条件，并基于基础案例子问题约束条件对基础案例子问题的目标函数进行求解；
若基础案例子问题求解结果为正值，则进行Benders分解生成第一安全约束条件，并根据第一安全约束条件对主解决方案进行优化，否则对故障情况子问题进行求解。
在其中一个实施例中，模型求解模块430还用于：
获取不同故障事件下负荷削减的松弛变量，并将不同故障事件下的松弛变量最小确定为故障情况子问题的目标函数；
获取电力***的备用机组工作数据；
根据风电机组工作数据和备用机组工作数据确定故障情况子问题约束条件，并基于故障情况子问题约束条件对故障情况子问题的目标函数进行求解；
若故障情况子问题求解结果为正值，则进行Benders分解生成第二安全约束条件，并根据第二安全约束条件对主解决方案进行优化，否则对场景案例子问题进行求解。
在其中一个实施例中，模型求解模块430还用于：
获取场景案例下负荷削减的松弛变量，并将场景案例下的松弛变量最小确定为场景案例子问题的目标函数；
获取场景案例下的调度功率；
根据线路潮流数据和调度功率确定场景案例子问题约束条件，并基于场景案例子问题约束条件对场景案例子问题的目标函数进行求解；
根据场景案例子问题求解结果确定是否输出机组联合运行最优方案。
在其中一个实施例中，模型求解模块430还用于：
若场景案例子问题求解结果为正值，则进行Benders分解生成第三安全约束条件，并根据第三安全约束条件对主解决方案进行优化，否则输出机组联合运行最优方案。
上述机组组合优化处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种机组组合优化处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种机组组合优化处理方法，其特征在于，所述方法包括：
获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，所述主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
2.根据权利要求1所述的方法，其特征在于，所述运行成本数据还包括损失机会成本和发电量的期望值；所述机组成本包括机组启动成本、机组关闭成本和机组空载成本；
所述将所述SCUC模型分解为主子问题，并对所述主子问题进行求解得到机组联合运行最优方案的步骤中：
将所述SCUC模型的目标函数确定为所述UC主问题的目标函数；
获取所述电力***的发电机工作数据、风电机组工作数据和储能设备工作数据；
根据所述发电机工作数据确定发电约束条件，以及根据所述风电机组工作数据确定风电约束条件，以及根据所述储能设备工作数据确定储能约束条件；
基于所述发电约束条件、所述风电约束条件和所述储能约束条件，对所述UC主问题的目标函数求解得到主解决方案。
3.根据权利要求2所述的方法，其特征在于，还包括：
获取基础案例下负荷削减的松弛变量，并将所述基础案例下的松弛变量最小确定为所述基础案例子问题的目标函数；
获取所述电力***的线路潮流数据；
根据所述线路潮流数据确定基础案例子问题约束条件，并基于所述基础案例子问题约束条件对所述基础案例子问题的目标函数进行求解；
若基础案例子问题求解结果为正值，则进行Benders分解生成第一安全约束条件，并根据所述第一安全约束条件对所述主解决方案进行优化，否则对所述故障情况子问题进行求解。
4.根据权利要求3所述的方法，其特征在于，所述对所述故障情况子问题进行求解的步骤包括：
获取不同故障事件下负荷削减的松弛变量，并将所述不同故障事件下的松弛变量最小确定为所述故障情况子问题的目标函数；
获取所述电力***的备用机组工作数据；
根据所述风电机组工作数据和所述备用机组工作数据确定故障情况子问题约束条件，并基于所述故障情况子问题约束条件对所述故障情况子问题的目标函数进行求解；
若故障情况子问题求解结果为正值，则进行Benders分解生成第二安全约束条件，并根据所述第二安全约束条件对所述主解决方案进行优化，否则对所述场景案例子问题进行求解。
5.根据权利要求4所述的方法，其特征在于，所述对所述场景案例子问题进行求解的步骤包括：
获取场景案例下负荷削减的松弛变量，并将所述场景案例下的松弛变量最小确定为所述场景案例子问题的目标函数；
获取场景案例下的调度功率；
根据所述线路潮流数据和所述调度功率确定场景案例子问题约束条件，并基于所述场景案例子问题约束条件对所述场景案例子问题的目标函数进行求解；
根据场景案例子问题求解结果确定是否输出所述机组联合运行最优方案。
6.根据权利要求5所述的方法，其特征在于，所述根据场景案例子问题求解结果确定是否输出所述机组联合运行最优方案的步骤包括：
若所述场景案例子问题求解结果为正值，则进行Benders分解生成第三安全约束条件，并根据所述第三安全约束条件对所述主解决方案进行优化，否则输出所述机组联合运行最优方案。
7.一种机组组合优化处理装置，其特征在于，所述装置包括：
数据获取模块，用于获取电力***的运行成本数据；所述运行成本数据包括机组成本、备用成本以及储能设备再生成本；
SCUC模型确定模块，用于根据所述运行成本数据确定SCUC模型；所述SCUC模型以总运行成本最小为目标函数；
模型求解模块，用于基于Benders分解模型，将所述SCUC模型分解为主子问题，并对所述主子问题进行求解，得到机组联合运行最优方案；其中，主子问题包括UC主问题、基础案例子问题、故障情况子问题和场景案例子问题。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210580965.7A 2022-05-26 2022-05-26 机组组合优化处理方法及装置 Pending CN114784882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210580965.7A CN114784882A (zh) 2022-05-26 2022-05-26 机组组合优化处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210580965.7A CN114784882A (zh) 2022-05-26 2022-05-26 机组组合优化处理方法及装置

Publications (1)

Publication Number Publication Date
CN114784882A true CN114784882A (zh) 2022-07-22

Family

ID=82409715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210580965.7A Pending CN114784882A (zh) 2022-05-26 2022-05-26 机组组合优化处理方法及装置

Country Status (1)

Country Link
CN (1) CN114784882A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630527A (zh) * 2022-11-08 2023-01-20 中国南方电网有限责任公司 出清异常模型检测方法、装置、计算机设备和存储介质
CN115907140A (zh) * 2022-11-18 2023-04-04 中国南方电网有限责任公司 电力现货出清方案优化方法、装置、计算机设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630527A (zh) * 2022-11-08 2023-01-20 中国南方电网有限责任公司 出清异常模型检测方法、装置、计算机设备和存储介质
CN115630527B (zh) * 2022-11-08 2023-11-03 中国南方电网有限责任公司 出清异常模型检测方法、装置、计算机设备和存储介质
CN115907140A (zh) * 2022-11-18 2023-04-04 中国南方电网有限责任公司 电力现货出清方案优化方法、装置、计算机设备和介质

Similar Documents

Publication Publication Date Title
Yang et al. Fluctuation reduction of wind power and sizing of battery energy storage systems in microgrids
Mazidi et al. A model for flexibility analysis of RESS with electric energy storage and reserve
Bucher et al. On quantification of flexibility in power systems
Zhang et al. Life cycle planning of battery energy storage system in off‐grid wind–solar–diesel microgrid
CN114784882A (zh) 机组组合优化处理方法及装置
Dai et al. IGDT‐based economic dispatch considering the uncertainty of wind and demand response
Lu et al. Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network
Panda et al. Economic operational analytics for energy storage placement at different grid locations and contingency scenarios with stochastic wind profiles
Hu et al. Minimizing energy cost for green data center by exploring heterogeneous energy resource
Chen et al. Two‐stage chance‐constrained unit commitment based on optimal wind power consumption point considering battery energy storage
Yang et al. A fast calculation method for long-term security-constrained unit commitment of large-scale power systems with renewable energy
Bhattarai et al. Reliability modelling of compressed air energy storage for adequacy assessment of wind integrated power system
Zhang et al. Economical operation strategy of an integrated energy system with wind power and power to gas technology–a DRL‐based approach
Hailu et al. Techniques of power system static security assessment and improvement: A literature survey
Tiwari et al. Unit commitment problem in renewable integrated environment with storage: A review
Wang et al. A multi-objective approach to determine time series aggregation strategies for optimal design of multi-energy systems
Lu et al. Hybrid power/energy generation through multidisciplinary and multilevel design optimization with complementarity constraints
CN116502771B (zh) 一种基于电力物资预测的配电方法及***
Das et al. Energy storage system operation: Case studies in deterministic and stochastic environments
Sun et al. Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power
CN115907140A (zh) 电力现货出清方案优化方法、装置、计算机设备和介质
CN111082424A (zh) 一种综合能源及微电网***可靠性预测方法及装置
CN108805323B (zh) 数据预测方法和装置
Galeela et al. Reliability Framework Integrating Grid Scale BESS Considering BESS Degradation
Krad et al. Analysis of operating reserve demand curves in power system operations in the presence of variable generation

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