CN104268697A - 计及节能风险概率的省级电网购电决策系统及方法 - Google Patents
计及节能风险概率的省级电网购电决策系统及方法 Download PDFInfo
- Publication number
- CN104268697A CN104268697A CN201410508182.3A CN201410508182A CN104268697A CN 104268697 A CN104268697 A CN 104268697A CN 201410508182 A CN201410508182 A CN 201410508182A CN 104268697 A CN104268697 A CN 104268697A
- Authority
- CN
- China
- Prior art keywords
- energy
- power purchase
- power
- chromosome
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims description 29
- 230000008901 benefit Effects 0.000 claims abstract description 52
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 96
- 238000004134 energy conservation Methods 0.000 claims description 74
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000002948 stochastic simulation Methods 0.000 claims description 7
- 241001269238 Data Species 0.000 claims description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 230000002759 chromosomal effect Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及节能风险概率的省级电网购电决策系统,包括电厂可交易电量输入单元、随机风险概率环境模拟单元、购电方案生成单元、购电费用及其节能风险概率输出单元;内部通过建立购电模型并得到省级电网的购电方案;本发明考虑节能电力市场中市场交易的网损因素,建立了机组单位交易电量节能效益评估指标。并借鉴概率风险的概念,考虑市场电价、水电机组电量生产、系统负荷电量需求的随机性,建立电网公司市场购电节能风险概率指标,为实现电网公司市场购电节能风险的优化管理,在随机规划的理论框架内构建计及节能风险概率的省级电网购电模型,采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法求解。
Description
技术领域
本发明涉及一种电力节能领域,特别涉及一种计及节能风险概率的省级电网购电系统及方法。
背景技术
在能源紧缺的今天,节能降耗已纳入国家战略并成为国民经济发展的约束性指标。对占全社会能耗较大比重的电力行业进行节能效益评估与管理,对节能降耗目标的实现具有重要的现实意义。
理论上讲,节能降耗与电力市场在优化资源配置、提高能源利用效率的目标上具有一致性。但在中国电力市场建设初期,由于各售电单位(机组或电厂)市场价格与能耗水平的分离,就必须通过行政手段在市场模式中引入能耗因素才能尽可能兼顾经济效益和节能效益目标的一致性,由此产生了节能电力市场的概念。节能电力市场的本质是在能耗约束的前提下嵌入了对购电单位进行能耗考核的思想,从而使得购电单位在追求经济效益尽可能高的同时也尽可能在能耗较低的售电单位购电,以此充分借助市场手段引导发电侧节能降耗工作的开展,并促进电力行业持续健康发展。
在具有典型意义的仅发电侧开放的节能电力市场模式下(后叙的节能电力市场均特指该市场),作为购电单位的电网公司(省级电网公司)在期望的经济和节能效益双重目标下,根据本区域的负荷需求代表电能用户在市场电价、随机性水电机组电能生产(以随机性水电机组为例阐述随机性绿色能源对节能效益的影响)以及负荷需求等随机因素影响的环境下,在多个机组中进行优化决策以追求最佳的经济和节能效益。针对电网公司购电经济效益的评估指标,现有文献从确定性到不确定性(风险)均取得了极其丰硕的研究成果。而针对其节能效益的评估多采用能耗率(煤耗率)、某一时段内的能耗量以及单位交易电量节能量等作为评估指标。这些指标均无法给出电网公司市场购电节能效益的风险概率信息。
实际上,在随机因素影响的节能电力市场环境下,电网公司市场购电节能效益的实现本质上具有随机性特征,且该随机性随着智能电网的建设呈逐渐增加的趋势。当节能电力市场中的随机性因素造成电网公司在能耗较高的火电机组增加购电时,就可能导致电网公司期望的节能目标面临无法完成的风险。该风险主要表现在以下2个方面:
1)当低能耗火电机组的市场电价随机性产生的风险价值超过电网公司的可接受程度时,为实现风险价值的合理规避,电网公司就极可能需在电价随机性较低但能耗较高的火电机组增加购电。
2)当随机性水电机组电能生产减少或系统负荷需求增加导致系统负荷供需不满足平衡条件时,为实现系统负荷供需平衡,电网公司就极可能需在能耗较高的火电机组增加购电。
节能电力市场环境下节能风险的存在给电网公司市场购电节能效益的管理带来严峻挑战,而目前未见有节能电力市场节能效益风险概率以及优化管理的文献报道。
因此急需一种计及节能风险概率的省级电网购电决策系统及方法。
发明内容
有鉴于此,本发明所要解决的技术问题是提供一种计及节能风险概率的省级电网购电决策系统及方法。
本发明的目的之一是提出一种计及节能风险概率的省级电网购电决策系统;本发明的目的之二是提出一种计及节能风险概率的省级电网购电决策方法。
本发明的目的是这样实现的:
本发明的目的之一是通过以下技术方案来实现的:
本发明提供的计及节能风险概率的省级电网购电决策系统,包括电厂可交易电量输入单元、随机环境模拟单元、购电方案生成单元和购电费用及其节能风险概率输出单元;
所述电厂可交易电量输入单元用于输入电厂的可交易电量范围;
所述随机环境模拟单元用于模拟随机性绿色能源、市场电价和负荷需求模型;
所述购电方案生成单元,根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
购电费用及其节能风险概率输出单元用于显示省级电网购买决策的购电费用和节能风险概率信息;
所述购电方案生成单元包括购电指标单元、购电模型建立单元和模型求解单元;
所述购电指标单元,采用概率风险建立电网公司市场购电节能风险概率指标;
所述购电模型单元,根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
所述模型求解单元,采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
进一步,所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
进一步,所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
进一步,所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
进一步,所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率信息。
本发明的目的之二是通过以下技术方案来实现的:
本发明提供的一种计及节能风险概率的省级电网购电决策方法,包括以下步骤:
S1:输入电厂的可交易电量范围;
S2:建立随机性绿色能源、市场电价和负荷需求模型;
S3:根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
S4:显示省级电网购买决策的购电费用和节能风险概率信息;
所述购电方案生成包括以下步骤:
S31:采用概率形式建立电网公司市场购电节能风险评估指标;
S32:根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
S33:采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
进一步,所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
进一步,所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
进一步,所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
进一步,所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率信息。
本发明的优点在于:本发明针对确定性的节能评估无法完全满足随机环境下节能降耗管理工作的需要,在节能电力市场模式下建立了计及节能风险概率的电网公司随机规划购电模型。首先,考虑节能电力市场中市场交易的网损因素,建立了机组单位交易电量节能效益评估指标。在此基础上,借鉴概率风险的概念,考虑市场电价、水电机组电量生产、系统负荷电量需求的随机性,建立了电网公司市场购电节能风险概率指标,该指标能够有效的度量风险的严重程度。然后,为实现电网公司市场购电节能风险概率的优化管理,在随机规划的理论框架内构建了计及节能风险评估的购电模型。模型采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法求解。
在发电侧节能电力市场环境下建立了电网公司市场购电节能风险概率指标,并构建了计及该指标的随机规划购电模型,构建的电网公司市场购电节能风险概率指标,能够有效的刻画出节能风险。该指标的建立将当前确定性节能评估扩展到了不确定性,为节能降耗的管理提供了新途径。市场电价、绿色能源电量生产以及系统负荷电量的随机性越大,电网公司市场购电节能效益面临的节能风险概率也就越大,开展节能风险概率的评估与管理成为必然。计及节能风险概率的随机规划购电模型能为电网公司的购电决策提供节能风险水平参考信息,以及为节能风险概率的优化管理提供有效的控制策略。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明实施例提供的计及节能风险概率的省级电网购电决策系统示意图;
图2为本发明实施例提供的计及节能风险概率的省级电网购电决策方法流程图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
图1为本发明实施例提供的计及节能风险概率的省级电网购电决策系统示意图,如图所示:本发明提供的计及节能风险概率的省级电网购电决策系统,其特征在于:包括电厂可交易电量输入单元、随机环境模拟单元、购电方案生成单元和购电费用及其节能风险概率输出单元;
所述电厂可交易电量输入单元用于输入电厂的可交易电量范围;
所述随机环境模拟单元用于模拟随机性绿色能源、市场电价和负荷需求等随机因数的模型;
所述购电方案生成单元,根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
购电费用及其节能风险概率输出单元用于显示省级电网购买决策的购电费用和节能风险概率信息;
本系统是电网公司的一个购电决策系统,其购买电量的对象是各电厂(不是针对普通的电力用户),电网公司根据预测的电厂可交易电量,做出购买电量的决策;
所述购电方案生成单元包括购电指标单元、购电模型建立单元和模型求解单元;
所述购电指标单元,采用概率风险的形式建立电网公司市场购电节能风险概率指标;
所述购电模型单元,根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
所述模型求解单元,采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率水平来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率信息。
图2为本发明实施例提供的计及节能风险概率的省级电网购电决策方法流程图,如图所示:本发明提供的一种计及节能风险概率的省级电网购电决策方法,包括以下步骤:
S1:输入电厂的可交易电量范围;
S2:建立随机性绿色能源、市场电价和负荷需求模型;
S3:根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
S4:显示省级电网购买决策的购电费用和节能风险概率信息;
所述购电方案生成包括以下步骤:
S31:采用概率风险形式建立电网公司市场购电节能风险概率指标;
S32:根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
S33:采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率水平来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险水平机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率水平信息。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.计及节能风险概率的省级电网购电决策系统,其特征在于:包括电厂可交易电量输入单元、随机环境模拟单元、购电方案生成单元和购电费用及其节能风险概率输出单元;
所述电厂可交易电量输入单元用于输入电厂的可交易电量范围;
所述随机环境模拟单元用于模拟随机性绿色能源、市场电价和负荷需求模型;
所述购电方案生成单元,根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
购电费用及其节能风险概率输出单元用于显示省级电网购买决策的购电费用和节能风险概率信息;
所述购电方案生成单元包括购电指标单元、购电模型建立单元和模型求解单元;
所述购电指标单元,采用概率风险的形式建立电网公司市场购电节能风险指标;
所述购电模型单元,根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
所述模型求解单元,采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
式中:m表示节能效益概率分布中低于期望节能指标的样本数;M表示节能效益概率样本中总样本数。
2.根据权利要求1所述的计及节能风险概率的省级电网购电决策系统,其特征在于:所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
3.根据权利要求2所述的计及节能风险概率的省级电网购电决策系统,其特征在于:所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率水平来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
4.根据权利要求1所述的计及节能风险概率的省级电网购电决策系统,其特征在于:所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
5.根据权利要求4所述计及节能风险概率的省级电网购电决策系统,其特征在于:所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险概率机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率信息。
6.一种计及节能风险概率的省级电网购电决策方法,其特征在于:包括以下步骤:
S1:输入电厂的可交易电量范围;
S2:建立随机性绿色能源、市场电价和负荷需求模型;
S3:根据电厂可交易电量建立省级电网的购电模型并得到购电方案;
S4:显示省级电网购买决策的购电费用和节能风险概率信息;
所述购电方案生成包括以下步骤:
S31:采用概率形式建立电网公司市场购电节能风险概率指标;
S32:根据购电节能风险概率指标在随机规划的理论框架内构建购电模型;
S33:采用内嵌目标相对占优和Monte-Carlo随机模拟技术的遗传算法对购电模型求解得到购电组合方案;
所述购电节能风险概率指标采用以下公式进行计算:
式中:m表示节能效益概率中低于期望节能指标的样本数;M表示节能效益概率样本中总样本数。
7.根据权利要求6所述的计及节能风险概率的省级电网购电决策方法,其特征在于:所述购电模型包括目标函数和约束条件,其中的目标函数采用以下公式进行计算:
式中:uH,k表示第k台水电机组的电价;uG,k表示第k台火电机组的期望电价。
8.根据权利要求7所述的计及节能风险概率的省级电网购电决策方法,其特征在于:所述购电模型中含有的约束条件满足以下公式:
a)节能效益考核指标机会约束
式中:Pr{·}表示{·}中事件成立的概率;JN、γ分别表示给定的节能效益考核指标以及该机会约束的置信水平;JN为政府下达的指标或电网公司结合政府下达的指标自主确定的指标。
b)购电费用对应的经济风险机会约束
以购电费用越限的概率水平来间接描述经济风险。
式中:FY、β分别表示给定的购电费用上限值以及该约束的置信水平;pG,k表示第k台火电机组的随机电价;
c)负荷电量供需平衡约束
式中:αH,k、αG,k分别表示给定的水电和火电机组的市场交易网损率;D表示系统月负荷电量;
d)各火电机组可售电量上下限约束
wG,k,min≤wG,k≤wG,k,max k=1,2,...,NG;
式中:wG,k,min分别表示在第k个火电机组可售电量的上下限。
9.根据权利要求6所述的计及节能风险概率的省级电网购电决策方法,其特征在于:所述模型求解单元中对购电模型通过以下步骤来计算:
首先基于目标相对占优的染色体适应度函数构造如下:
式中:A(xi)表示染色体xi的适应度函数;gj(xi)表示惩罚函数;ωj表示惩罚函数系数,若gj(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;
将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点;
然后再计算各染色体相对各基点的目标值之和,通过以下公式来计算:
式中,F(xi)表示染色体xi相对各基点的目标函数值之和,fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数;
最后在满足终止条件时最优染色体为所求多目标模型的综合最优解。
10.根据权利要求9所述计及节能风险概率评估的省级电网购电决策方法,其特征在于:所述模型求解单元中对购电模型通过以下步骤来计算:
1)输入原始数据,输入节能效益考核指标、购电费用上限以及各售电机组市场电价、煤耗率等基础数据,以及购电方案个数,交叉概率与变异概率等算法参数值;
2)随机产生一组购电方案作为遗传算法的初始种群;对种群中的每一个染色体,采用拉丁超立方采样检验其种群中的染色体是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
3)找到本次迭代中使得各子目标函数值排序第一且不为0的染色体作为基点,再基于目标相对占优的染色体适应度函数计算各染色体的适应度;
4)采用轮盘赌方法对种群中的染色体进行选择操作;
5)对种群中的染色体进行交叉和变异操作得到新一代染色体,之后再利用拉丁超立方采样技术检验其是否满足节能效益考核指标机会约束和购电费用对应的经济风险机会约束;
6)重复步骤3)到步骤5),直到达到给定的迭代终止判据为止;以求解过程中发现的综合最优染色体作为最后的购电方案,所述购电方案包括各机组分配电量、购电费用、节能风险概率信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508182.3A CN104268697A (zh) | 2014-09-28 | 2014-09-28 | 计及节能风险概率的省级电网购电决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508182.3A CN104268697A (zh) | 2014-09-28 | 2014-09-28 | 计及节能风险概率的省级电网购电决策系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104268697A true CN104268697A (zh) | 2015-01-07 |
Family
ID=52160217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410508182.3A Pending CN104268697A (zh) | 2014-09-28 | 2014-09-28 | 计及节能风险概率的省级电网购电决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268697A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778512A (zh) * | 2015-04-10 | 2015-07-15 | 国网重庆市电力公司电力科学研究院 | 计及节能风险评估的月调度方法 |
CN105005828A (zh) * | 2015-07-31 | 2015-10-28 | 南方电网科学研究院有限责任公司 | 电力交易决策数据的处理方法和系统 |
CN105427045A (zh) * | 2015-11-24 | 2016-03-23 | 国家电网公司 | 一种电力系统及电力市场参与主体风险评估系统 |
CN106503814A (zh) * | 2016-11-07 | 2017-03-15 | 重庆大学 | 一种计及可靠性的配电变压器组年度检修计划生成方法 |
CN107399960A (zh) * | 2017-09-08 | 2017-11-28 | 中国科学院地球化学研究所 | 一种电瓷材料配方优化设计方法 |
CN107578139A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学 | 基于CVaR的售电公司购电组合策略 |
CN107784373A (zh) * | 2016-08-26 | 2018-03-09 | 华北电力大学(保定) | 一种考虑节能减排的跨省购电计划安排方法 |
CN108346112A (zh) * | 2017-12-29 | 2018-07-31 | 广州亦云信息技术股份有限公司 | 中长期交易电量分解方法、系统、电子设备及存储介质 |
CN111553572A (zh) * | 2020-04-16 | 2020-08-18 | 贵州电网有限责任公司 | 考虑电量计划执行风险的月度机组组合优化方法 |
CN112803497A (zh) * | 2021-03-03 | 2021-05-14 | 国家电网公司西南分部 | 含可调节负荷风光互补微电网调度市场风险管控方法及系统 |
-
2014
- 2014-09-28 CN CN201410508182.3A patent/CN104268697A/zh active Pending
Non-Patent Citations (3)
Title |
---|
文旭 等: ""考虑跨省交易能耗评估的区域节能电力市场与随机规划购电模型"", 《电网技术》 * |
方陈 等: ""主动管理模式下含分布式发电的配电网网架规划"", 《电网技术》 * |
林烨: ""发输电设备检修计划及其安全校核的优化研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778512A (zh) * | 2015-04-10 | 2015-07-15 | 国网重庆市电力公司电力科学研究院 | 计及节能风险评估的月调度方法 |
CN104778512B (zh) * | 2015-04-10 | 2018-01-09 | 国网重庆市电力公司电力科学研究院 | 计及节能风险评估的月调度方法 |
CN105005828A (zh) * | 2015-07-31 | 2015-10-28 | 南方电网科学研究院有限责任公司 | 电力交易决策数据的处理方法和系统 |
CN105427045A (zh) * | 2015-11-24 | 2016-03-23 | 国家电网公司 | 一种电力系统及电力市场参与主体风险评估系统 |
CN107578139A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学 | 基于CVaR的售电公司购电组合策略 |
CN107784373A (zh) * | 2016-08-26 | 2018-03-09 | 华北电力大学(保定) | 一种考虑节能减排的跨省购电计划安排方法 |
CN106503814A (zh) * | 2016-11-07 | 2017-03-15 | 重庆大学 | 一种计及可靠性的配电变压器组年度检修计划生成方法 |
CN106503814B (zh) * | 2016-11-07 | 2020-09-29 | 重庆大学 | 一种计及可靠性的配电变压器组年度检修计划生成方法 |
CN107399960A (zh) * | 2017-09-08 | 2017-11-28 | 中国科学院地球化学研究所 | 一种电瓷材料配方优化设计方法 |
CN108346112A (zh) * | 2017-12-29 | 2018-07-31 | 广州亦云信息技术股份有限公司 | 中长期交易电量分解方法、系统、电子设备及存储介质 |
CN108346112B (zh) * | 2017-12-29 | 2022-01-18 | 广州亦云信息技术股份有限公司 | 中长期交易电量分解方法、系统、电子设备及存储介质 |
CN111553572A (zh) * | 2020-04-16 | 2020-08-18 | 贵州电网有限责任公司 | 考虑电量计划执行风险的月度机组组合优化方法 |
CN111553572B (zh) * | 2020-04-16 | 2022-04-22 | 贵州电网有限责任公司 | 考虑电量计划执行风险的月度机组组合优化方法 |
CN112803497A (zh) * | 2021-03-03 | 2021-05-14 | 国家电网公司西南分部 | 含可调节负荷风光互补微电网调度市场风险管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268697A (zh) | 计及节能风险概率的省级电网购电决策系统及方法 | |
Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
Puttamadappa et al. | Demand side management of small scale loads in a smart grid using glow-worm swarm optimization technique | |
Feng et al. | A mixed integer linear programming model for unit commitment of thermal plants with peak shaving operation aspect in regional power grid lack of flexible hydropower energy | |
Wei et al. | Planning integrated energy systems coupling V2G as a flexible storage | |
Mehrtash et al. | An enhanced optimal PV and battery sizing model for zero energy buildings considering environmental impacts | |
Shen et al. | Multi-objective capacity configuration optimization of an integrated energy system considering economy and environment with harvest heat | |
CN106655248B (zh) | 一种并网型微电网电源容量配置方法 | |
Hu et al. | Enhanced evolutionary multi-objective optimization-based dispatch of coal mine integrated energy system with flexible load | |
Jin et al. | Game theoretical analysis on capacity configuration for microgrid based on multi-agent system | |
CN105005872A (zh) | 一种移峰填谷的储能系统的容量配置方法 | |
CN103426032A (zh) | 一种热电联产机组的经济优化调度方法 | |
Nie et al. | Optimization of electric power systems with cost minimization and environmental-impact mitigation under multiple uncertainties | |
HassanzadehFard et al. | A novel objective function for optimal DG allocation in distribution systems using meta-heuristic algorithms | |
Wu et al. | Optimal allocation of microgrid considering economic dispatch based on hybrid weighted bilevel planning method and algorithm improvement | |
Ali et al. | Economic planning and comparative analysis of market-driven multi-microgrid system for peer-to-peer energy trading | |
Li et al. | Knee Point‐Guided Multiobjective Optimization Algorithm for Microgrid Dynamic Energy Management | |
CN104331840A (zh) | 电力市场环境下负荷零售商的最优购电方法 | |
CN104182804A (zh) | 一种预测出力不确定小水电与大中型水电站协调的日前发电方法 | |
CN103440535A (zh) | 基于免疫优化和模糊决策的多目标厂级负荷优化方法 | |
CN116245338A (zh) | 一种矿山综合能源系统低碳经济运行优化方法 | |
CN114154744A (zh) | 综合能源系统的扩容规划方法、装置及电子设备 | |
CN104578160A (zh) | 一种微网能量控制方法 | |
CN112580867A (zh) | 一种基于q学习的园区综合能源系统低碳运行方法 | |
CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150107 |
|
RJ01 | Rejection of invention patent application after publication |