CN103699938A - 一种含抽水蓄能电站的电力系统发电计划制定方法 - Google Patents

一种含抽水蓄能电站的电力系统发电计划制定方法 Download PDF

Info

Publication number
CN103699938A
CN103699938A CN201310469126.9A CN201310469126A CN103699938A CN 103699938 A CN103699938 A CN 103699938A CN 201310469126 A CN201310469126 A CN 201310469126A CN 103699938 A CN103699938 A CN 103699938A
Authority
CN
China
Prior art keywords
particle
power generation
value
generation unit
thermal power
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.)
Granted
Application number
CN201310469126.9A
Other languages
English (en)
Other versions
CN103699938B (zh
Inventor
谢红玲
李燕青
孙凯航
董驰
李翔
王坚
梁志飞
傅志伟
付妍
沈博一
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.)
North China Electric Power University
China Southern Power Grid Co Ltd
Original Assignee
North China Electric Power University
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 North China Electric Power University, China Southern Power Grid Co Ltd filed Critical North China Electric Power University
Priority to CN201310469126.9A priority Critical patent/CN103699938B/zh
Publication of CN103699938A publication Critical patent/CN103699938A/zh
Application granted granted Critical
Publication of CN103699938B publication Critical patent/CN103699938B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

Abstract

本发明专利公开了一种含抽水蓄能电站的电力系统发电计划制定方法，其特征在于包括以下步骤：首先制定检修计划，获取电力系统负荷曲线；然后在负荷平衡、机组出力与爬坡限制、系统旋转备用和抽水蓄能电站库容约束条件下，以调度周期内所有火电机组的发电成本与启停费用之和最小为目标建立模型，用混沌控制的基本粒子群算法求解。本发明有效克服了求解电力系统发电计划模型时收敛性不佳、容易陷入局部最优的问题，制定更合理的电力系统发电计划。

Description

一种含抽水蓄能电站的电力系统发电计划制定方法
技术领域
本发明涉及一种电力系统发电计划制定方法，尤其涉及一种含抽水蓄能电站的电力系统发电计划制定方法。 
背景技术
随着抽水蓄能电站的日益庞大和节能减排政策的实施，传统抽水蓄能电站调度逐渐暴露出精益化程度不高、经验性调度长期占主导地位的问题。同时主观上对抽水蓄能电站“4度电换3度电”的认识不足，导致对其进行调度时出现不公。 
电力系统调度模型含有众多变量和约束条件的模型，用传统的拉格朗日松弛法、网络流规划法、动态规划法、基于智能的遗传算法、神经网络算法等对其求解。这些方法的缺点是容易出现维数灾和计算时间长的问题。 
粒子群算法的优势是适合求解大规模的问题，可以用来求解电力系统调度模型。在用基本粒子群优化算法进行求解时发现两个问题： 
1）对只包含几台机组的小系统进行求解时，迭代次数往往需要达到上百次才能够收敛，对包含上百台机组的大系统进行求解时，进行上万次的迭代后收敛的概率在50%以下。即基本粒子群优化算法在进行发电计划制定时收敛速度与收敛性不佳。经过分析认为基本粒子群算法对粒子进行初始化时是用随机函数产生的，初始化过程虽然可以保证初始解在约束域内的均匀分布，但是不能保证每个解的质量，初始解中可能有一部分解远离最优解。
2）在对小系统求解时，经过足够多的迭代次数收敛后，对得到的最优解进行分析后发现这个最优解并不是想要得到的系统最优解，还存在目标函数值更小的解，即得到的解是局部最优解而不是全局最优解。其产生的原因是基本粒子群优化算法每次迭代更新自己的速度和位置时，其利用本身信息、个体最优解和全局最优解的信息得到新解。这是一个正的反馈过程，当本身信息和个体最优解的信息占优势时，很容易陷入局部最优。 
因此，需要改进电力系统调度模型的求解方法，得到更合理的电力系统调度方案。 
发明内容
针对上述现有技术的缺陷或不足，本发明提出一种含多个抽水蓄能电站的电力系统随机生产模拟方法，它能够有效提高电力系统运行的安全性和经济性。 
为实现上述发明目的，本发明采用的技术方案如下： 
一种含抽水蓄能电站的电力系统发电计划制定方法，包括以下步骤：
A. 制定检修计划：确定电力系统参数、火力发电机组数量及参数、抽水蓄能电站数量及参数、各抽水蓄能电站中的抽水蓄能发电机组数量及参数；所述电力系统参数包括最低旋转备用容量；所述火力发电机组参数包括单位发电成本、启停费用、额定容量、最小技术出力百分数、爬坡速率；所述抽水蓄能电站参数包括最小、最大库容电量；所述抽水蓄能发电机组参数包括单位发电成本、启停费用、额定容量；
B. 获取电力系统负荷曲线：所述电力系统负荷预测数据时间间隔固定为Δt，单位为小时；在时间-电力系统负荷预测值坐标系下将所述电力系统负荷预测数据相邻的两点用直线连接，形成电力系统负荷曲线；所述电力系统负荷预测数据将电力系统负荷曲线划分为T个调度区间；
C. 建立抽水蓄能电站发电计划模型：
      目标函数为：
Figure DEST_PATH_584347DEST_PATH_714138DEST_PATH_IMAGE001
            
                       （1）
   其中，T为调度时段数；
Figure DEST_PATH_439170DEST_PATH_631279DEST_PATH_IMAGE002
为第n火力发电机组的单位发电成本，MW，
Figure DEST_PATH_218908DEST_PATH_348699DEST_PATH_IMAGE003
为第n火力发电机组的启停费用，元/kWh；
Figure DEST_PATH_614117DEST_PATH_743908DEST_PATH_IMAGE004
为第t调度时段，第n火力发电机组的发电功率，MW，
Figure DEST_PATH_615440DEST_PATH_249626DEST_PATH_IMAGE005
为第t时段，第n火力发电机组的状态，取值为0时停运，为1时投运；M为抽水蓄能发电机组台数；
Figure DEST_PATH_437902DEST_PATH_72088DEST_PATH_IMAGE006
为第m抽水蓄能发电机组的单位发电成本，元/kWh，
Figure DEST_PATH_642619DEST_PATH_339121DEST_PATH_IMAGE007
为第t调度时段，第m抽水蓄能发电机组的发电功率，MW；
Figure DEST_PATH_156033DEST_PATH_475705DEST_PATH_IMAGE008
为第t时段，第m抽水蓄能发电机组的状态，取值为0时停运，为1时投运；
Figure DEST_PATH_824912DEST_PATH_144583DEST_PATH_IMAGE009
为第m抽水蓄能发电机组的启停费用，万元/次； 
   约束条件包括：
   负荷平衡约束：
Figure DEST_PATH_755959DEST_PATH_324898DEST_PATH_IMAGE010
                             (2)
   其中，p L,t 为第t时段电力系统负荷预测值，MW；
   火力发电机组出力约束
Figure DEST_PATH_510288DEST_PATH_79227DEST_PATH_IMAGE011
                     (3)
   其中， 
Figure DEST_PATH_247300DEST_PATH_753922DEST_PATH_IMAGE012
为第n火力发电机组的最大技术出力，单位；为第n火力发电机组的最小技术出力，MW；     
   抽水蓄能发电机组出力约束：
Figure DEST_PATH_387480DEST_PATH_707152DEST_PATH_IMAGE014
                     (3)
   
Figure DEST_PATH_566789DEST_PATH_637193DEST_PATH_IMAGE015
为第m抽水蓄能发电机组的最大技术出力，MW；
Figure DEST_PATH_841912DEST_PATH_912316DEST_PATH_IMAGE013
为第m抽水蓄能发电机组的最小技术出力，MW；
火力发电机组爬坡限制约束：
Figure DEST_PATH_672334DEST_PATH_618104DEST_PATH_IMAGE016
                 (4)
   其中，为第n火力发电机组的爬坡速度，计算方法为：
                            (5)
   所述（5）式中为第n火力发电机组的爬坡速率，%；
系统旋转备用约束：
      (6)               
 其中，backupt为第t调度时段的最低旋转备用容量，MW；      
      抽水蓄能电站库容约束：
Figure DEST_PATH_209494DEST_PATH_591483DEST_PATH_IMAGE021
                     (7)
    其中：
Figure DEST_PATH_160133DEST_PATH_182869DEST_PATH_IMAGE022
为第t调度时段末第k抽水蓄能电站的库容电量，MW；
Figure DEST_PATH_980321DEST_PATH_127691DEST_PATH_IMAGE023
为第k抽水蓄能电站库容电量的初始值，MW；
Figure DEST_PATH_332805DEST_PATH_293224DEST_PATH_IMAGE024
、为第k抽水蓄能电站的最小、最大库容电量，MW；
   D：采用改进的粒子群优化算法求解所述抽水蓄能电站发电计划模型的最优解，包括以下分步骤；
D1:确定初始粒子群TN：所述粒子为T*NN二维矩阵，NN=N+M，其元素为火力发电机组或抽水蓄能发电机组在各调度区间的发电功率，MW，所述初始粒子群由从多于T*NN粒子中选择目标函数值最小的T*NN个粒子组成，所述各粒子的速度和位置在混沌序列控制下产生；
Figure DEST_PATH_897309DEST_PATH_611390DEST_PATH_IMAGE026
                         （8）
D2：依次更新所述各粒子的速度和位置：
按（8）式更新所述各粒子的速度：
Figure DEST_PATH_255609DEST_PATH_32007DEST_PATH_IMAGE027
                        (8)
其中，
Figure DEST_PATH_728179DEST_PATH_190062DEST_PATH_IMAGE028
为更新前第k粒子的速度，
Figure DEST_PATH_28579DEST_PATH_303512DEST_PATH_IMAGE029
为更新前第k粒子的位置，MW，
Figure DEST_PATH_953810DEST_PATH_228743DEST_PATH_IMAGE030
为更新后第k粒子的速度，
Figure DEST_PATH_178118DEST_PATH_390734DEST_PATH_IMAGE031
为第k粒子的最优个体极值，MW，
Figure DEST_PATH_177298DEST_PATH_452231DEST_PATH_IMAGE032
为所有粒子的最优全局极值，MW，r为0~1的随机数；c1和c2为加速因子；wk为惯性系数； 
按（9）式更新所述各粒子的位置：
Figure DEST_PATH_461649DEST_PATH_923532DEST_PATH_IMAGE033
                                  (9)
其中，
Figure DEST_PATH_61126DEST_PATH_336059DEST_PATH_IMAGE034
为更新后第k粒子的位置，MW；
D3：更新各粒子的个体最优位置：依次计算更新后各粒子的目标函数值，若小于所述粒子的个体极值，用其更新所述粒子的个体极值；
D4：更新全局最优位置：目标函数值最小粒子个体最优位置作为更新后的全局最优位置；
D5：混沌扰动更新各粒子位置，如果所述更新后粒子位置对应的目标函数值小于更新前粒子位置对应的目标函数值，则更新所述粒子位置，否则所述粒子位置不变；
D6：对新的粒子进行约束处理，如出现越限后，超过最大值取上边界，超过最小值取下边界，使所有的粒子都满足约束条件；
D7：判断是否达到预定迭代次数，如果没有，转向步骤D2，否则，输出最优全局极值及对应的最小目标函数值。
所述确定初始粒子群中粒子位置的方法包括以下分步骤： 
2A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵Z0；
2B：确定初始粒子群中的粒子：
     
Figure DEST_PATH_208391DEST_PATH_483324DEST_PATH_IMAGE036
                （10） 
     其中Z1为T×（N+M）的二维维矩阵，其元素
Figure DEST_PATH_398064DEST_PATH_672996DEST_PATH_IMAGE037
由矩阵Z0的元素决定，计算方法为：
                      
Figure DEST_PATH_178511DEST_PATH_827345DEST_PATH_IMAGE039
                     （11）                         
2C：计算粒子的目标函数值。
所述混沌扰动更新各粒子位置的方法为： 
3A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵U0；
3B：计算扰动量：
Δx=-β+2βU1                            （12）                           
其中U1为T×（N+M）的二维矩阵，其元素
Figure DEST_PATH_417863DEST_PATH_129014DEST_PATH_IMAGE040
由矩阵U0的元素
Figure DEST_PATH_778437DEST_PATH_427271DEST_PATH_IMAGE041
决定，计算方法为：
Figure DEST_PATH_352506DEST_PATH_814390DEST_PATH_IMAGE042
                         （13）
3D：计算扰动前后粒子位置的目标函数值，若扰动后粒子位置的目标函数值小于扰动前粒子位置的目标函数值，则将所述粒子位置更新为扰动后粒子位置。
所述惯性系数Wk随迭代次数k自适应调整： 
Wk=0.9-0.5k/K                          （10）
其中为，K为总迭代次数。
本发明的有益效果在于： 
将混沌理论引入到基本粒子群算法中：利用混沌运动的遍历性产生大量初始群体，从中择优选出初始群体；在对每个粒子进行位置更新时，对粒子产生合理范围内的混沌扰动，以使解跳出局部最优区间。能够合理制定含抽水蓄能电站的电力系统的发电计划，实现抽水蓄能电站资源的最优化利用，使系统运行费用降至最低。
附图说明
图1是本发明实施例的流程图； 
图2为本发明实施例的机组运行位置图；
图3为传统发电计划的机组运行位置图。
具体实施方式
实施例： 
一种含抽水蓄能电站的电力系统发电计划制定方法，包括以下步骤：
A. 制定检修计划：确定电力系统参数、火力发电机组数量及参数、抽水蓄能电站数量及参数、各抽水蓄能电站中的抽水蓄能发电机组数量及参数；所述电力系统参数包括最低旋转备用容量；所述火力发电机组参数包括单位发电成本、启停费用、额定容量、最小技术出力百分数、爬坡速率；所述抽水蓄能电站参数包括最小、最大库容电量；所述抽水蓄能发电机组参数包括单位发电成本、启停费用、额定容量；
B. 获取电力系统负荷曲线：所述电力系统负荷预测数据时间间隔固定为Δt，单位为小时；在时间-电力系统负荷预测值坐标系下将所述电力系统负荷预测数据相邻的两点用直线连接，形成电力系统负荷曲线；所述电力系统负荷预测数据将电力系统负荷曲线划分为T个调度区间；
C. 建立抽水蓄能电站发电计划模型：
      目标函数为：
     （1）                         
   其中，T为调度时段数；
Figure DEST_PATH_550587DEST_PATH_261738DEST_PATH_IMAGE044
为第n火力发电机组的单位发电成本，MW，为第n火力发电机组的启停费用，元/kWh；
Figure DEST_PATH_956477DEST_PATH_605311DEST_PATH_IMAGE004
为第t调度时段，第n火力发电机组的发电功率，MW，
Figure DEST_PATH_316920DEST_PATH_778804DEST_PATH_IMAGE005
为第t时段，第n火力发电机组的状态，取值为0时停运，为1时投运；M为抽水蓄能发电机组台数；
Figure DEST_PATH_327602DEST_PATH_480830DEST_PATH_IMAGE006
为第m抽水蓄能发电机组的单位发电成本，元/kWh，为第t调度时段，第m抽水蓄能发电机组的发电功率，MW；
Figure DEST_PATH_329373DEST_PATH_544918DEST_PATH_IMAGE008
为第t时段，第m抽水蓄能发电机组的状态，取值为0时停运，为1时投运；
Figure DEST_PATH_227927DEST_PATH_194206DEST_PATH_IMAGE009
为第m抽水蓄能发电机组的启停费用，万元/次； 
   约束条件包括：
   负荷平衡约束：
Figure DEST_PATH_93115DEST_PATH_59393DEST_PATH_IMAGE010
                             (2)
   其中，p L,t 为第t时段电力系统负荷预测值，MW；
   火力发电机组出力约束
Figure DEST_PATH_231973DEST_PATH_385201DEST_PATH_IMAGE011
                     (3)
   其中， 为第n火力发电机组的最大技术出力，单位；
Figure DEST_PATH_2800DEST_PATH_218345DEST_PATH_IMAGE013
为第n火力发电机组的最小技术出力，MW；     
   抽水蓄能发电机组出力约束：
Figure DEST_PATH_8032DEST_PATH_141302DEST_PATH_IMAGE014
                     (3)
   为第m抽水蓄能发电机组的最大技术出力，MW；
Figure DEST_PATH_326197DEST_PATH_210200DEST_PATH_IMAGE013
为第m抽水蓄能发电机组的最小技术出力，MW；
火力发电机组爬坡限制约束：
Figure DEST_PATH_379604DEST_PATH_263607DEST_PATH_IMAGE016
                 (4)
   其中，
Figure DEST_PATH_219384DEST_PATH_41070DEST_PATH_IMAGE017
为第n火力发电机组的爬坡速度，计算方法为：
Figure DEST_PATH_886995DEST_PATH_521730DEST_PATH_IMAGE018
                            (5)
   所述（5）式中为第n火力发电机组的爬坡速率，%；
系统旋转备用约束：
Figure DEST_PATH_974216DEST_PATH_858219DEST_PATH_IMAGE045
                     
    (6)
   其中，backupt为第t调度时段的最低旋转备用容量，MW；    
      抽水蓄能电站库容约束：
                     (7)
    其中：
Figure DEST_PATH_507015DEST_PATH_141750DEST_PATH_IMAGE022
为第t调度时段末第k抽水蓄能电站的库容电量，MW；
Figure DEST_PATH_552331DEST_PATH_187066DEST_PATH_IMAGE023
为第k抽水蓄能电站库容电量的初始值，MW；
Figure DEST_PATH_885224DEST_PATH_267761DEST_PATH_IMAGE024
、
Figure DEST_PATH_434017DEST_PATH_816554DEST_PATH_IMAGE025
为第k抽水蓄能电站的最小、最大库容电量，MW；
   D：采用改进的粒子群优化算法求解所述抽水蓄能电站发电计划模型的最优解，包括以下分步骤；
D1:确定初始粒子群TN：所述粒子为T*NN二维矩阵，NN=N+M，其元素为火力发电机组或抽水蓄能发电机组在各调度区间的发电功率，MW，所述初始粒子群由从多于T*NN粒子中选择目标函数值最小的T*NN个粒子组成，所述各粒子的速度和位置在混沌序列控制下产生；
Figure DEST_PATH_522058DEST_PATH_842279DEST_PATH_IMAGE026
                         （8）
D2：依次更新所述各粒子的速度和位置：
按（8）式更新所述各粒子的速度：
Figure DEST_PATH_976042DEST_PATH_109313DEST_PATH_IMAGE027
                        (8)
其中，
Figure DEST_PATH_174942DEST_PATH_495163DEST_PATH_IMAGE028
为更新前第k粒子的速度，
Figure DEST_PATH_515925DEST_PATH_898463DEST_PATH_IMAGE029
为更新前第k粒子的位置，MW，
Figure DEST_PATH_774868DEST_PATH_95089DEST_PATH_IMAGE030
为更新后第k粒子的速度，
Figure DEST_PATH_719078DEST_PATH_849418DEST_PATH_IMAGE031
为第k粒子的最优个体极值，MW，
Figure DEST_PATH_456090DEST_PATH_274846DEST_PATH_IMAGE032
为所有粒子的最优全局极值，MW，r为0~1的随机数；c1和c2为加速因子；wk为惯性系数； 
按（9）式更新所述各粒子的位置：
Figure DEST_PATH_917158DEST_PATH_798231DEST_PATH_IMAGE033
                                  (9)
其中，为更新后第k粒子的位置，MW；
D3：更新各粒子的个体最优位置：依次计算更新后各粒子的目标函数值，若小于所述粒子的个体极值，用其更新所述粒子的个体极值；
D4：更新全局最优位置：目标函数值最小粒子个体最优位置作为更新后的全局最优位置；
D5：混沌扰动更新各粒子位置，如果所述更新后粒子位置对应的目标函数值小于更新前粒子位置对应的目标函数值，则更新所述粒子位置，否则所述粒子位置不变；
D6：对新的粒子进行约束处理，如出现越限后，超过最大值取上边界，超过最小值取下边界，使所有的粒子都满足约束条件；
D7：判断是否达到预定迭代次数，如果没有，转向步骤D2，否则，输出最优全局极值及对应的最小目标函数值。
所述确定初始粒子群中粒子位置的方法包括以下分步骤： 
2A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵Z0；
2B：确定初始粒子群中的粒子
Figure DEST_PATH_323049DEST_PATH_141805DEST_PATH_IMAGE035
：
     
Figure DEST_PATH_50702DEST_PATH_682508DEST_PATH_IMAGE036
                （10） 
     其中Z1为T×（N+M）的二维维矩阵，其元素
Figure DEST_PATH_694173DEST_PATH_450612DEST_PATH_IMAGE037
由矩阵Z0的元素
Figure DEST_PATH_967023DEST_PATH_785779DEST_PATH_IMAGE038
决定，计算方法为：
                      
Figure DEST_PATH_882895DEST_PATH_194327DEST_PATH_IMAGE039
                     （11）                         
2C：计算粒子的目标函数值。
所述混沌扰动更新各粒子位置的方法为： 
3A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵U0；
3B：计算扰动量：
Δx=-β+2βU1                            （12）                           
其中U1为T×（N+M）的二维矩阵，其元素
Figure DEST_PATH_961709DEST_PATH_273141DEST_PATH_IMAGE040
由矩阵U0的元素
Figure DEST_PATH_397370DEST_PATH_708802DEST_PATH_IMAGE041
决定，计算方法为：
                         （13）
3D：计算扰动前后粒子位置的目标函数值，若扰动后粒子位置的目标函数值小于扰动前粒子位置的目标函数值，则将所述粒子位置更新为扰动后粒子位置。
所述惯性系数Wk随迭代次数k自适应调整： 
Wk=0.9-0.5k/K                          （10）
其中为，K为总迭代次数。
在本实施例中，电力系统中包含4台火力发电机组和1座抽水蓄能电站，抽水蓄能电站有1台抽水蓄能发电机组，火力发电机组参数如表1所示。火电机组的最大技术出力分别为200MW、320MW、420MW、600MW，最小技术出力值分别为80MW、121.6MW、151.2MW、180MW。抽水蓄能机组的出力由抽水350MW到发电300MW之间进行变化。火电机组的爬坡限制约束为每小时可增减的出力值，算例中火电机组的爬坡限制分别在40MW、64MW、84MW、120MW之间。抽水蓄能电站的发电容量300MW，抽水容量350MW，循环效率70%。抽水蓄能电站的初始库容电量为Q0,n为300MWh，Qn,min为300MWh，Qn,max为1800MWh。 
电力系统预测负荷信息如表2所示，共计24个预测数据，分成24个时段。电力系统旋转备用容量占到系统总装机容量的10%，即系统备用容量为184MW。 
随机产生的Z0矩阵如表3所示，由此计算得到的Z1矩阵如表4所示，初始粒子群如表5所示，迭代次数限制为100，优化得到的最优解如表6所示。 
对多次运行的结果进行了分析，其最优解的目标函数值大致在953万元附近变动。这是因为每次运行时，在初始化和更新粒子的过程中均存在一个随机变量，导致其收敛后的最优解与最优目标值在每次运行时会有不同。但是其目标值在一个确定值范围上下波动不大，因此，可以认为是发电计划模型的最优解。 
取其中一个运行的结果如图1所示。调度周期内的目标值为953.60万元，蓄能电站发电量为1246.20MWh，抽水电量为1801.30MWh。 
传统蓄能电站调度一般为定时段调度，即按照事先规定的时间晚间抽水白天发电。假定00:00~5:00抽水，11:00~13:00，19:00~20:00发电。然后再根据优先顺序法安排火电机组的发电计划得到传统调度下的机组运行位置如图2所示。传统调度期内目标值为961.23万元，蓄能电站发电量为1200.00MWh，抽水电量为1680.00MWh。 
通过图1、图2的比较，图1中火电机组2、3、4出力曲线相比更加平稳，且调度周期内本发明方法比传统发电计划下目标值小7.63万元，证明了此算法的优越性。 
表1 
Figure DEST_PATH_306606DEST_PATH_DEST_PATH_IMAGE046
表2 
Figure DEST_PATH_189111DEST_PATH_618038DEST_PATH_IMAGE047
表3
Figure DEST_PATH_541595DEST_PATH_IMAGE001
表4
表5
表6
Figure DEST_PATH_464399DEST_PATH_IMAGE004

Claims (4)

1.一种含抽水蓄能电站的电力系统发电计划制定方法，其特征在于包括以下步骤：
A. 制定检修计划：确定电力系统参数、火力发电机组数量及参数、抽水蓄能电站数量及参数、各抽水蓄能电站中的抽水蓄能发电机组数量及参数；所述电力系统参数包括最低旋转备用容量；所述火力发电机组参数包括单位发电成本、启停费用、额定容量、最小技术出力百分数、爬坡速率；所述抽水蓄能电站参数包括最小、最大库容电量；所述抽水蓄能发电机组参数包括单位发电成本、启停费用、额定容量；
B. 获取电力系统负荷曲线：所述电力系统负荷预测数据时间间隔固定为Δt，单位为小时；在时间-电力系统负荷预测值坐标系下将所述电力系统负荷预测数据相邻的两点用直线连接，形成电力系统负荷曲线；所述电力系统负荷预测数据将电力系统负荷曲线划分为T个调度区间；
C. 建立抽水蓄能电站发电计划模型：
              目标函数为：
Figure 301512DEST_PATH_IMAGE001
           （1）    
       其中，T为调度时段数；
Figure 256960DEST_PATH_IMAGE002
为第n火力发电机组的单位发电成本，MW，
Figure 190281DEST_PATH_IMAGE003
为第n火力发电机组的启停费用，元/kWh；
Figure 796843DEST_PATH_IMAGE004
为第t调度时段，第n火力发电机组的发电功率，MW，
Figure 242737DEST_PATH_IMAGE005
为第t时段，第n火力发电机组的状态，取值为0时停运，为1时投运；M为抽水蓄能发电机组台数；
Figure 731487DEST_PATH_IMAGE006
为第m抽水蓄能发电机组的单位发电成本，元/kWh，
Figure 671761DEST_PATH_IMAGE007
为第t调度时段，第m抽水蓄能发电机组的发电功率，MW；
Figure 880632DEST_PATH_IMAGE008
为第t时段，第m抽水蓄能发电机组的状态，取值为0时停运，为1时投运；
Figure 44897DEST_PATH_IMAGE009
为第m抽水蓄能发电机组的启停费用，万元/次； 
       约束条件包括：
       负荷平衡约束：
Figure 224206DEST_PATH_IMAGE010
                             (2)
   其中，p L,t 为第t时段电力系统负荷预测值，MW；
      火力发电机组出力约束
                     (3)
       其中， 
Figure 329751DEST_PATH_IMAGE012
为第n火力发电机组的最大技术出力，单位；
Figure 868180DEST_PATH_IMAGE013
为第n火力发电机组的最小技术出力，MW；         
      抽水蓄能发电机组出力约束：
Figure 19938DEST_PATH_IMAGE014
                     (3)
      为第m抽水蓄能发电机组的最大技术出力，MW；
Figure 799992DEST_PATH_IMAGE013
为第m抽水蓄能发电机组的最小技术出力，MW；
火力发电机组爬坡限制约束：
Figure 493010DEST_PATH_IMAGE016
                 (4)
       其中，
Figure 270080DEST_PATH_IMAGE017
为第n火力发电机组的爬坡速度，计算方法为：
                            (5)
       所述（5）式中
Figure 629703DEST_PATH_IMAGE019
为第n火力发电机组的爬坡速率，%；
       系统旋转备用约束：
      (6)               
       其中，backupt为第t调度时段的最低旋转备用容量，MW；         
              抽水蓄能电站库容约束：
Figure 433022DEST_PATH_IMAGE021
                     (7)
       其中：
Figure 56902DEST_PATH_IMAGE022
为第t调度时段末第k抽水蓄能电站的库容电量，MW；
Figure 450843DEST_PATH_IMAGE023
为第k抽水蓄能电站库容电量的初始值，MW；
Figure 564292DEST_PATH_IMAGE024
、
Figure 427206DEST_PATH_IMAGE025
为第k抽水蓄能电站的最小、最大库容电量，MW；
       D：采用改进的粒子群优化算法求解所述抽水蓄能电站发电计划模型的最优解，包括以下分步骤；
D1:确定初始粒子群TN：所述粒子为T*NN二维矩阵，NN=N+M，其元素为火力发电机组或抽水蓄能发电机组在各调度区间的发电功率，MW，所述初始粒子群由从多于T*NN粒子中选择目标函数值最小的T*NN个粒子组成，所述各粒子的速度和位置在混沌序列控制下产生；
Figure 337000DEST_PATH_IMAGE026
                         （8）
D2：依次更新所述各粒子的速度和位置：
按（8）式更新所述各粒子的速度：
Figure 664076DEST_PATH_IMAGE027
                        (8)
其中，
Figure 886110DEST_PATH_IMAGE028
为更新前第k粒子的速度，
Figure 220008DEST_PATH_IMAGE029
为更新前第k粒子的位置，MW，
Figure 185690DEST_PATH_IMAGE030
为更新后第k粒子的速度，
Figure 367273DEST_PATH_IMAGE031
为第k粒子的最优个体极值，MW，
Figure 510940DEST_PATH_IMAGE032
为所有粒子的最优全局极值，MW，r为0~1的随机数；c1和c2为加速因子；wk为惯性系数； 
按（9）式更新所述各粒子的位置：
Figure 348446DEST_PATH_IMAGE033
                                  (9)
其中，
Figure 914557DEST_PATH_IMAGE034
为更新后第k粒子的位置，MW；
D3：更新各粒子的个体最优位置：依次计算更新后各粒子的目标函数值，若小于所述粒子的个体极值，用其更新所述粒子的个体极值；
D4：更新全局最优位置：目标函数值最小粒子个体最优位置作为更新后的全局最优位置；
D5：混沌扰动更新各粒子位置，如果所述更新后粒子位置对应的目标函数值小于更新前粒子位置对应的目标函数值，则更新所述粒子位置，否则所述粒子位置不变；
D6：对新的粒子进行约束处理，如出现越限后，超过最大值取上边界，超过最小值取下边界，使所有的粒子都满足约束条件；
D7：判断是否达到预定迭代次数，如果没有，转向步骤D2，否则，输出最优全局极值及对应的最小目标函数值。
2.如权利要求1所述的含抽水蓄能电站的电力系统发电计划制定方法，其特征在于所述确定初始粒子群中粒子位置的方法包括以下分步骤：
2A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵Z0；
2B：确定初始粒子群中的粒子
Figure 137597DEST_PATH_IMAGE035
：
                    （10） 
     其中Z1为T×（N+M）的二维维矩阵，其元素
Figure 822973DEST_PATH_IMAGE037
由矩阵Z0的元素
Figure 878260DEST_PATH_IMAGE038
决定，计算方法为：
                     
Figure 972118DEST_PATH_IMAGE039
                     （11）                         
2C：计算粒子的目标函数值。
3.如权利要求1所述的含抽水蓄能电站的电力系统发电计划制定方法，其特征在于所述混沌扰动更新各粒子位置的方法为：
3A：随机产生一个取值范围为0~1之间的T×（N+M）的二维矩阵U0；
3B：计算扰动量：
Δx=-β+2βU1                            （12）                           
其中U1为T×（N+M）的二维矩阵，其元素
Figure 769173DEST_PATH_IMAGE040
由矩阵U0的元素决定，计算方法为：
Figure 410556DEST_PATH_IMAGE042
         （13）                                    
3D：计算扰动前后粒子位置的目标函数值，若扰动后粒子位置的目标函数值小于扰动前粒子位置的目标函数值，则将所述粒子位置更新为扰动后粒子位置。
4.如权利要求1所述的含抽水蓄能电站的电力系统发电计划制定方法，其特征在于所述惯性系数Wk随迭代次数k自适应调整：
Wk=0.9-0.5k/K                          （10）
其中为，K为总迭代次数。
CN201310469126.9A 2013-10-10 2013-10-10 一种含抽水蓄能电站的电力系统发电计划制定方法 Expired - Fee Related CN103699938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310469126.9A CN103699938B (zh) 2013-10-10 2013-10-10 一种含抽水蓄能电站的电力系统发电计划制定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310469126.9A CN103699938B (zh) 2013-10-10 2013-10-10 一种含抽水蓄能电站的电力系统发电计划制定方法

Publications (2)

Publication Number Publication Date
CN103699938A true CN103699938A (zh) 2014-04-02
CN103699938B CN103699938B (zh) 2017-01-18

Family

ID=50361460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310469126.9A Expired - Fee Related CN103699938B (zh) 2013-10-10 2013-10-10 一种含抽水蓄能电站的电力系统发电计划制定方法

Country Status (1)

Country Link
CN (1) CN103699938B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103972913A (zh) * 2014-05-12 2014-08-06 南方电网科学研究院有限责任公司 一种基于边际发电能耗的抽蓄电站日运行方式优化方法
CN104036331A (zh) * 2014-05-30 2014-09-10 国家电网公司 一种基于改进粒子群算法的电力系统动态经济调度方法
CN104483837A (zh) * 2014-11-25 2015-04-01 华中科技大学 可逆式机组自适应控制方法
CN107179504A (zh) * 2017-07-12 2017-09-19 国家电网公司 一种抽水蓄能机组的旋向检测装置、方法以及系统
CN108110804A (zh) * 2018-01-25 2018-06-01 深圳供电局有限公司 一种含抽水蓄能机组的电网优化调度方法
CN109447405A (zh) * 2018-09-20 2019-03-08 中国南方电网有限责任公司 一种承担调峰任务的一库多级式梯级库群短期计划制定方法
CN109617131A (zh) * 2018-12-07 2019-04-12 国网经济技术研究院有限公司 一种电力系统生产成本测算方法及系统
CN110797888A (zh) * 2019-10-10 2020-02-14 清华大学 基于柔性直流输电和抽蓄电站蓄能的电力系统调度方法
CN110854931A (zh) * 2019-11-20 2020-02-28 广东电网有限责任公司 一种抽水蓄能机组日前发电计划编制方法、系统以及设备
CN115564154A (zh) * 2022-12-07 2023-01-03 南方电网调峰调频发电有限公司检修试验分公司 一种抽水蓄能电站的调度优化方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023035A (zh) * 2012-11-26 2013-04-03 华北水利水电学院 一种多能互补发电系统的优化配置方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023035A (zh) * 2012-11-26 2013-04-03 华北水利水电学院 一种多能互补发电系统的优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余民: "含风电和抽水蓄能电站的电力系统机组组合研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 7, 15 July 2013 (2013-07-15), pages 042 - 854 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103972913B (zh) * 2014-05-12 2015-11-04 南方电网科学研究院有限责任公司 一种基于边际发电能耗的抽蓄电站日运行方式优化方法
CN103972913A (zh) * 2014-05-12 2014-08-06 南方电网科学研究院有限责任公司 一种基于边际发电能耗的抽蓄电站日运行方式优化方法
CN104036331A (zh) * 2014-05-30 2014-09-10 国家电网公司 一种基于改进粒子群算法的电力系统动态经济调度方法
CN104036331B (zh) * 2014-05-30 2017-09-01 国家电网公司 一种基于改进粒子群算法的电力系统动态经济调度方法
CN104483837A (zh) * 2014-11-25 2015-04-01 华中科技大学 可逆式机组自适应控制方法
CN104483837B (zh) * 2014-11-25 2017-04-12 华中科技大学 可逆式机组自适应控制方法
CN107179504A (zh) * 2017-07-12 2017-09-19 国家电网公司 一种抽水蓄能机组的旋向检测装置、方法以及系统
CN107179504B (zh) * 2017-07-12 2023-11-03 国家电网公司 一种抽水蓄能机组的旋向检测装置、方法以及系统
CN108110804B (zh) * 2018-01-25 2021-04-16 深圳供电局有限公司 一种含抽水蓄能机组的电网优化调度方法
CN108110804A (zh) * 2018-01-25 2018-06-01 深圳供电局有限公司 一种含抽水蓄能机组的电网优化调度方法
CN109447405A (zh) * 2018-09-20 2019-03-08 中国南方电网有限责任公司 一种承担调峰任务的一库多级式梯级库群短期计划制定方法
CN109447405B (zh) * 2018-09-20 2021-09-24 中国南方电网有限责任公司 一种承担调峰任务的一库多级式梯级库群短期计划制定方法
CN109617131B (zh) * 2018-12-07 2022-03-04 国网经济技术研究院有限公司 一种电力系统生产成本测算方法及系统
CN109617131A (zh) * 2018-12-07 2019-04-12 国网经济技术研究院有限公司 一种电力系统生产成本测算方法及系统
CN110797888B (zh) * 2019-10-10 2020-12-11 清华大学 基于柔性直流输电和抽蓄电站蓄能的电力系统调度方法
CN110797888A (zh) * 2019-10-10 2020-02-14 清华大学 基于柔性直流输电和抽蓄电站蓄能的电力系统调度方法
CN110854931A (zh) * 2019-11-20 2020-02-28 广东电网有限责任公司 一种抽水蓄能机组日前发电计划编制方法、系统以及设备
CN115564154A (zh) * 2022-12-07 2023-01-03 南方电网调峰调频发电有限公司检修试验分公司 一种抽水蓄能电站的调度优化方法、装置、设备及介质

Also Published As

Publication number Publication date
CN103699938B (zh) 2017-01-18

Similar Documents

Publication Publication Date Title
CN103699938A (zh) 一种含抽水蓄能电站的电力系统发电计划制定方法
WO2018059096A1 (zh) 一种多类电源发电计划组合决策方法及存储介质
CN112467807B (zh) 一种多能源电力系统日前优化调度方法及系统
CN107276127B (zh) 考虑联络线电力交易计划的多区域互联电力系统的风电消纳优化方法
CN103259285B (zh) 含大规模风电电力系统的短期运行优化方法
CN105305419B (zh) 一种含有压缩空气储能的独立微网容量优化配置方法
CN102855591B (zh) 梯级水库群短期联合发电优化调度方法及系统
CN103762589A (zh) 一种电网中新能源容量配比分层优化方法
CN106532751B (zh) 一种分布式电源能效优化方法及系统
CN111555281B (zh) 一种电力系统灵活性资源配置仿真方法及装置
CN103699941A (zh) 一种电力系统调度运行年方案的制定方法
CN110957717A (zh) 一种多电源电力系统多目标日前优化调度方法
CN105244870B (zh) 一种快速计算电网风电场弃风率及机组发电量的方法
CN112909933B (zh) 现货市场环境下含抽水蓄能机组的日内滚动优化调度方法
CN107221965B (zh) 一种基于分布式设计的日前计划计算方法
CN103455729A (zh) 一种光储并网联合发电调度值的计算方法
CN106505633A (zh) 一种风光接入容量确定方法及装置
CN104538992A (zh) 一种大小水电及风电协调优化调度方法
CN112234604A (zh) 一种多能互补电源基地优化配置方法、存储介质及设备
CN109038626A (zh) 一种特高压受端电网调峰控制方法
CN107017625A (zh) 用于独立微电网的能量动态调度的方法和设备
CN109888770A (zh) 基于机会约束规划和波动成本的风电场装机容量优化方法
CN108667077A (zh) 一种风蓄联合系统优化调度方法
CN117239740B (zh) 一种虚拟电厂系统的优化配置与灵活性提升方法及系统
CN112134307A (zh) 多能互补系统的电储能/热储能容量联合优化方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170118

CF01 Termination of patent right due to non-payment of annual fee