CN104778512B - 计及节能风险评估的月调度方法 - Google Patents
计及节能风险评估的月调度方法 Download PDFInfo
- Publication number
- CN104778512B CN104778512B CN201510168761.2A CN201510168761A CN104778512B CN 104778512 B CN104778512 B CN 104778512B CN 201510168761 A CN201510168761 A CN 201510168761A CN 104778512 B CN104778512 B CN 104778512B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- energy
- risk
- conservation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004134 energy conservation Methods 0.000 title claims abstract description 111
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000012502 risk assessment Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 95
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000002948 stochastic simulation Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 53
- 230000008901 benefit Effects 0.000 claims description 30
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 13
- 239000003245 coal Substances 0.000 claims description 11
- 238000009987 spinning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 4
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
Abstract
本发明公开了一种计及节能风险评估的月调度方法,首先借鉴经济学中半绝对离差风险的概念,建立节能调度节能风险评估指标;然后将所建指标应用于构建的月调度模型中,形成计及节能风险评估的随机规划月调度模型;再采用目标相对占优与内嵌Monte‑Carlo随机模拟技术的遗传算法进行求解,得到最优解。本发明通过节能调度节能风险评估指标实现节能风险的有效评估,反应节能风险的本质,以及采用计及节能风险评估月调度模型,为调度结构提供节能风险信息,实现节能风险的有效管理。
Description
技术领域
本发明涉及风电出力节能风险评估方法领域,特别是一种计及节能风险评估的月调度方法。
背景技术
在节能降耗已纳入国家战略并成为国民经济发展长效约束的今天,作为能源消费主要来源的电力系统必然承担着较大的社会责任。节能调度作为电力系统实现节能降耗的重要手段,如何考虑不确定因素实现节能风险的有效防范是当前节能调度优化决策中亟待解决的严峻课题。
目前,节能调度的优化模型按照是否计及不确定因素可分为确定性和不确定性模型两类。确定性模型提供了一种在确定环境下节能效益最优的节能调度决策方案,具有一定实用价值。但随着智能电网的建设以及负荷需求的多样化,在绿色能源出力以及负荷功率等随机因素影响较大的环境下,确定性模型的优化结果很难真实的反映节能调度的节能潜力,且决策方案缺乏可信度,而计及不确定性因素的节能调度优化模型能够在一定程度上弥补确定性模型的不足。
计及不确定性因素的节能调度优化模型可进一步分为两类:第1类一般首先采用随机模拟的方法模拟出随机能源出力或者负荷功率,再采用确定性模型得到节能调度的决策方案,本质上而言该类模型仍属于确定性的节能调度范畴;第2类是在随机规划理论框架内,以机会约束的形式考虑随机性绿色能源出力以及负荷功率的不确定性,使得节能调度的决策方案以一定置信水平满足电网支路潮流安全、旋转备用等约束,同时也可避免为了满足不确定环境下极端情形所造成的决策方案过于保守的问题。
上述节能调度优化模型在评估其获得的节能效益时多采用煤耗率、某一时段内的煤耗量以及单位电量平均节煤量等作为评估指标。这些指标均不含随机性因素,无法给出节能效益实现的风险信息,而目前还未见节能调度节能风险评估的文献报道。当节能调度中的不确定因素由量变引发质变时,有必要将风险管理的理念引入调度决策中,以防止调度机构片面追求节能效益最大化而忽视节能风险,导致节能目标无法实现的现象发生。
另一方面,以日为优化范畴的节能调度优化模型不适合考虑中长期节能考核约束,日调度模型主要考虑在确保电网安全运行前提下追求节能效益最大化,且无法充分挖掘节能调度的节能潜力。基于此,在月度范畴内建立了确定性的节能调度模型,但月调度计划时间范畴较长,其绿色能源出力、负荷功率的随机性十分明显,不考虑随机因素的影响有待商榷。而实际上,国家电网公司已明确提出从2013年起要将风电从日前电力电量平衡纳入到月度电力电量平衡中。由此,在月度节能调度模型中更需引入风险管理的理念进行优化决策。
发明内容
本发明的目的就是提供一种计及节能风险评估的月调度方法,通过该方法建立的月调度随机规划调度模型中的节能效益评估指标,能实现对风电出力环境下的节能风险进行有效的评估,并且调度机构能合理、高效的对节能调度节能风险的防范和管理。
本发明的目的是通过这样的技术方案实现的,它包括有如下具体步骤:
1)建立节能调度节能风险评估指标;
2)将所建的节能调度节能风险评估指标应用于月调度模型中,形成计及节能风险评估的月度随机规划调度模型;
3)采用目标相对占优与内嵌Monte-Carlo随机模拟技术的遗传算法求解计及节能风险评估的月度随机规划调度模型,得到最优解;
4)调度机构通过最优解得出完成节能调度节能风险评估指标的大小,并对节能风险进行评估及管理;
所述的建立节能调度节能风险评估指标包括:
1-1)节能调度节能风险评估指标的定义为:以调度机构作为行为主体,把风电出力、负荷功率作为影响调度机构实现节能效益的不确定因素,将调度机构节能调度时系统中所有机组实现的总节能效果将会面临的节能损失严重程度作为节能风险度量指标;同时,为体现不同电源类型对节能效益的贡献,节能调度节能风险评估指标的评估对象设定为风电和火电机组;
1-2)机组单位调度电量节能评估指标的建立:考虑火电机组出力与其煤耗率的函数关系来建立火电机组单位调度电量节能调度节能风险评估指标,过程为:
首先将整个调度周期等分为多个时段,且设各时段内各火电机组出力均不变,各机组煤耗率也不变;现用t代表第t个时段数,用△t表示调度周期单位时间长度;设第t个时段内调度机构对火电机组的i的调度功率为此时段内该火电机组对应的煤耗率为简记该时段机组i对应的调度电量则的煤耗量为忽略网损,调度机构获得的电量为而在期望实现的节能调度节能考核指标对应煤耗率ρb条件下其煤耗量为根据单位电量节能指标的定义,第t个时段节能调度火电机组i的单位调度电量节能调度节能风险评估指标可表示如下:
式中,ρb为政府给定的节能指标或者由调度机构在政府给定的节能指标内自主确定的指标;
由式(1)可知,风电机组不消耗功率,则其单位调度电量节能调度节能风险评估指标RW可表示为:
RW=ρb (2)
1-3)节能调度节能风险评估指标的建立:离差风险的风险向下思想能体现市场交易风险的本质,将其应用于电力市场购电组合的经济风险进行评估时可表示如下:
式中,
式(3)(4)中,E[·]表示期望算子,pk表示第k个售电单位的收益率,uk表示第k个售电单位的收益率期望,wk表示购电单位在售电单位k的购电量,K表示售电单位个数;
采用半绝对离差风险评估指标来度量购电组合经济风险,在节能调度环境下某时段内度量节能调度节能风险评估指标可表示如下:
式中,NW、NG分别表示风电机组、火电机组的台数;
将所建的节能调度节能风险评估指标应用于月调度模型中,形成计及节能风险评估的月度随机规划调度模型,具体过程为:
2-1)建模思路及假设条件的设立:在随机规划理论框架内构建月调度模型,考虑到火电机组启停受到其固有运行特性的时间限制,将机组启停和出力变量的优化粒度设为日峰、日腰、日谷典型负荷状态;
设立的假设条件有:忽略网损对调度计划的影响;各节点、各时段负荷功率和风电场出力均服从正态分布;月负荷功率曲线、月风电场出力曲线已知;各典型负荷状态为所在地区的实际取值时间段;
2-2)模型的建立:
2-2-1)设立目标函数为:根据节能调度节能风险的定义,所建模型的目标函数为月系统节能量期望为最大以及对应的节能风险为最小;
2-2-1-1)使得月节能期望达到最大:
式中,D表示月峰、月腰和月谷总的负荷状态数,表示风电场j在第d个典型负荷状态第t个时段的出力,Pd,i,G表示第i台火电机组在第d个典型负荷状态出力,ud,i表示火电机组i在第d个典型负荷状态的启停状态,△d表示典型负荷状态持续时间长度;
2-2-1-2)使得月节能风险达到最小:
2-3)设立约束条件:
2-3-1)设置系统平衡约束条件:
2-3-1-1)系统月节能指标机会约束条件为:在风电出力及负荷功率不确定性环境下,节能考核约束条件采用机会约束形式表示如下:
式中,Pr{·}表示{·}中事件成立的概率,β1表示节能考核指标机会约束置信水平,N表示给定的月节能效益考核指标;
2-3-1-2)各时段功率平衡约束条件为:
式中,Pd,k,D表示第d个典型负荷状态节点k的负荷功率,K表示负荷节点数;
2-3-1-3)假设所有旋转备用均由火电机组提供,各时段系统上下旋转备用机会约束条件为:
式中,Pi,G,max、Pi,G,min分别表示火电机组i在第d个典型负荷状态可发出的最大和最小出力,Ud,SR、Dd,SR分别表示系统在第d个典型负荷状态的向上、向下旋转备用,β2、β3分别表示上下旋转备用机会约束置信水平;
2-3-2)设置机组运行约束条件:
2-3-2-1)火电机组出力上下限约束条件为:
ud,jPi,G,min≤Pd,i,G≤ud,iPi,G,max d∈D,i∈NG (12)
式中,Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限,若机组停机则机组出力为0,若机组开机,式(12)为火电机组出力上下限约束条件;
2-3-2-2)火电厂月供电量合同机会约束条件为:
式中,表示火电机组i属于火电厂m,Wm,G,max、Wm,G,min分别表示第m个火电厂最大、最小月供合同电量,Wm,G,max、Wm,G,min在电厂长期合同电量月分解值基础上得到,β4表示各火电厂月供电量合同机会约束置信水平;
2-3-2-3)火电机组最小持续开机、停机时间约束条件为:
(Ti,on-Ti,min,on)(ud,i-ud+1,i)≥0 d∈D,i∈NG (14)
(Ti,off-Ti,min,off)(ud+1,i-ud,i)≥0 d∈D,i∈NG (15)
式中,Ti,on、Ti,min,on分别表示火电机组i运行持续时间及其约束值,Ti,off、Ti,min,off分别表示火电机组i停机持续时间及其约束值;
2-3-3)设置断面潮流安全机会约束条件:
式中,PL,max、PL,min表示断面L的潮流传输上下限,l表示属于关键断面L的线路,表示关键断面的集合,Gl-i表示在机组i所在节点对支路l的发电机输出功率的转移分布因子,Gl-k表示节点k对支路l的发电机输出功率转移分布因子,N表示发电机总节点数,β5表示断面潮流安全机会约束置信水平。
进一步,对于所建模型为典型的含机会约束的随机规划模型以及多目标模型的特点,采用内嵌目标相对占优与Monte-Carlo随机模拟技术的遗传算法来进行求解,结合两种遗传算法的求解结果,得出所建模型的最优解,具体求解方式如下:
3-1)目标相对占优遗传算法的思路为: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,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解;
3-2)内嵌Monte-Carlo随机模拟技术的遗传算法的思路为:
3-2-1)在所建模型中随机选择一个系统状态;
3-2-2)分析系统状态,判断该状态是否为失效状态;
3-2-3)若所选状态为失效状态,则计算该失效状态的风险指标;若不是失效状态,则返回步骤3-2-1)继续进行状态选择;
3-2-4)得到失效状态风险指标的计算结果后,修改累计的风险指标。
由于采用了上述技术方案,本发明具有如下的优点:
1)随着风电出力、负荷功率随机性的增加,节能调度获得的节能效益面临的节能风险也逐渐增加,在节能调度中引入节能风险管理能更好的控制节能风险。
2)借鉴经济学中半绝对离差风险概念构建的节能调度节能风险评估指标,能够实现节能风险的有效评估,且能够反映节能风险的本质。
3)计及节能风险评估的月度调度模型能为调度机构的决策提供节能风险信息,以及为节能风险的管理提供控制策略,同时其决策方案可信度较高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的结构示意图。
图2为省级电网月典型日负荷预测曲线图。
图3为风电场典型日出力预测曲线图。
图4为风电出力随机性对节能风险的影响曲线图。
图5为负荷功率随机性对节能风险的影响曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明考虑风电出力、负荷功率的不确定性对节能调度的影响,在如下2个方面进行了创新性研究:1)借鉴经济学中半绝对离差风险的概念,建立了节能调度节能风险评估指标;2)将所建指标应用于月度调度模型中,建立了计及节能风险评估的随机规划模型,该模型采用目标相对占优与内嵌Monte-Carlo随机模拟技术的遗传算法求解。最后,以某省级电网为例论证了上述工作的有效性。
1.节能调度节能风险评估指标的构建:
1.1节能调度节能风险评估指标的定义为:
节能调度中影响其节能效益实现的不确定性因素主要有两类:风电出力、负荷功率。在不确定性环境下火电机组的出力本质上也具有随机性特征。以火电机组的节能效益评估为例,当风电出力减少或者负荷功率增加,就可能会使得调度机构所调度机组产生的煤耗超过期望的目标值,从而导致节能风险的发生。由此,需要对不确定性环境下节能调度的节能效益可能面临的节能风险进行量化评估,以利实现节能风险的管理。
建立表征风险的指标是风险量化评估的前提,其定义方法有以下两种:第1种为在一定条件下发生行为主体遭受损失状态的可能性,采用风险后果发生的概率来描述;第2种为由于各种不确定性导致行为主体可能遭受的损失,采用风险后果的严重程度来描述。其中第2种定义方法更符合风险指标定义的本质,本发明采用风险指标定义中的第2种方法,以调度机构作为行为主体,把风电出力、负荷功率作为影响调度机构实现节能效益的不确定因素,将调度机构节能调度时系统中所有机组实现的总节能效果可能面临的节能损失严重程度作为节能风险度量指标,简称节能调度节能风险评估指标。同时,为体现不同电源类型对节能效益的贡献,该指标评估对象设定为风电和火电机组。
1.2机组单位调度电量节能评估指标的建立:
在节能调度环境下,取火电机组的平均煤耗率建立了单位电量节能评估指标。而实际调度中为了满足电力系统安全运行的需要,同一火电机组在不同时段一般会在不同的功率值运行,相应的在不同时段的煤耗率也会存在较大差异。由此考虑火电机组出力与其煤耗率的函数关系建立了火电机组单位调度电量节能评估指标,过程如下:
首先将整个调度周期等分为多个时段,且设各时段内各火电机组出力均不变,各机组煤耗率也不变。现用t代表第t个时段数,用△t表示调度周期单位时段长度。设第t个时段内调度机构对火电机组i的调度功率为此时段内该机组对应的煤耗率为简记该时段机组i对应的调度电量显然,的煤耗量为忽略网损,则调度机构获得的电量而在期望实现的节能调度节能考核指标对应煤耗率ρb条件下其煤耗量为根据单位电量节能指标的定义,第t个时段节能调度火电机组i的单位调度电量节能评估指标可表示如下:
式中:ρb可为政府给定的节能指标或者由调度机构在政府给定的节能指标内自主确定的指标。
由(1)式可知,显然由于风电机组不消耗煤耗,故其单位调度电量节能评估指标RW可表示如下:
RW=ρb (2)
1.3节能调度节能风险评估指标的建立:
在节能调度环境下可将调度机构期望实现的节能效果类比为总资产,从调度机组的组合中获得的节能效果看作投资回报。由此,节能调度的节能问题本质上与经济学中的投资组合理论类似,故可借鉴其中的经济风险评估指标来解决节能调度节能风险评估指标的构建问题。
目前,投资组合理论中采用的经济风险评估指标大都能够在一定程度上反映随机性因素给投资主体带来的经济风险,但也具有一定的局限性:均值-方差(Mean-Variance)最大缺点是不能体现风险向下的本质;半方差(Semi-Variance)虽然体现了风险向下的本质,但与均值-方差指标一样依赖于收益率服从正态分布,这在实际中较难满足;风险价值(Value at Risk)与条件风险价值(Conditional Value at Risk)、的缺点是当损失分布不连续时不满足一致性公理,缺乏次可加性,不适用于组合优化问题,同时条件风险价值依赖于给定的置信水平;绝对离差(Absolute Deviation)的缺点是当风险分布不连续时,不满足次可加性,同时也没反映出风险向下的本质。离差风险(Semi-Absolute Deviation)其风险向下的思想能够体现市场交易风险的本质,同时还具有一阶矩存在,不严格要求损失分布情况的优点,将其应用于电力市场购电组合的经济风险进行评估时可表示如下:
式中,
式(3)(4)中,E[·]表示期望算子,pk表示第k个售电单位的收益率,uk表示第k个售电单位的收益率期望,wk表示购电单位在售电单位k的购电量,K表示售电单位个数;
采用半绝对离差风险评估指标来度量购电组合经济风险,在节能调度环境下某时段内度量节能调度节能风险评估指标可表示如下:
式中,NW、NG分别表示风电机组、火电机组的台数。
2.计及节能风险评估的月度随机规划调度模型:
2.1建模思路及其假设条件的设立:
考虑月度范畴可在较长的尺度内实现节能效益的统筹,且计及了风电出力、负荷功率的不确定性,导致火电机组的出力也具有随机性特征,模型中部分表达式采用确定性的形式没有意义,由此可在随机规划理论框架内建模月度调度模型。
建立机组启停和出力均为1小时优化粒度的确定性月度调度模型,若直接采取1小时级的优化粒度来建模考虑风电出力、负荷功率不确定性的月度调度模型,其优化变量和随机变量的众多会造成模型求解极为困难。建立以日为优化粒度的月度节能调度模型,其假设为1日内机组启停和出力状态均不变。但若考虑风电出力、负荷功率的不确定性,特别是风电出力的反调峰特性以及各电网实际峰谷差在逐渐增大的现实,若直接采取日优化粒度来建模考虑风电出力、负荷功率不确定性的月度节能调度模型,其优化获得的调度计划将无法满足系统调峰要求。基于此,同时考虑到火电机组启停受到其固有运行特性的限制一般为数小时这一事实,本发明将机组启停和出力变量的优化粒度设为日峰、腰、谷典型负荷状态。
并作如下假设:1)忽略网损对调度计划的影响;2)各节点各时段负荷功率和风电场出力均服从正态分布;3)月负荷功率曲线、月风电场出力曲线已知;4)各典型负荷状态均为所在地区的实际取值时间段。
2.2模型的建立:
2.2.1设置目标函数:
根据对节能调度节能风险的定义,所建模型目标函数可为月系统节能量期望尽可能大以及对应的节能风险小。
1)月节能量期望尽可能大
式中:D表示月峰、腰和谷荷总的状态数;表示风电场j在第d个典型负荷状态第t个时段的出力;Pd,i,G表示第i台火电机组在第d个典型负荷状态出力;ud,i表示火电机组i在第d个典型负荷状态的启停状态;△d表示典型负荷状态持续时间长度。
2)月节能风险尽可能小:
2.3设置约束条件:
2.3.1系统平衡约束条件为:
1)系统月节能指标机会约束条件为:
在风电出力、负荷功率的不确定性环境下,节能考核约束可采用机会约束形式表示如下:
式中:Pr{·}表示{·}中事件成立的概率;β1表示节能考核指标机会约束置信水平;N表示给定的月节能效益考核指标。
2)各时段功率平衡约束条件为:
式中:Pd,k,D表示第d个典型负荷状态节点k的负荷功率;K表示负荷节点数。
3)各时段系统上下旋转备用机会约束条件为:
假设所有旋转备用均由火电机组提供,各时段系统上下旋转备用机会约束可表示如下:
式中:Pi,G,max、Pi,G,min分别表示火电机组i在第d个典型负荷状态可发出的最大和最小出力;Ud,SR、Dd,SR分别表示系统在第d个典型负荷状态的向上、向下旋转备用;β2、β3分别表示上下旋转备用机会约束置信水平。
2.3.2机组运行约束条件为:
1)火电机组出力上下限约束条件为:
ud,iPi,G,min≤Pd,i,G≤ud,iPi,G,max d∈D;i∈NG (12)
式中:Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限;若机组停机则机组出力为0,若机组开机式(12)为火电机组出力上下限约束。
2)火电厂月供电量合同机会约束条件为:
式中:表示火电机组i属于火电厂m,Wm,G,max、Wm,G,min分别表示第m个火电厂最大、最小月供合同电量,Wm,G,max、Wm,G,min可在电厂长期合同电量月分解值基础上适当放松得到;β4表示各火电厂月供电量合同机会约束置信水平。
3)火电机组最小持续开机、停机时间约束条件为:
(Ti,on-Ti,min,on)(ud,i-ud+1,i)≥0 d∈D;i∈NG (14)
(Ti,off-Ti,min,off)(ud+1,-ud,i)≥0 d∈D;i∈NG (15)
式中:Ti,on、Ti,min,on分别表示火电机组i运行持续时间及其约束值;Ti,off、Ti,min,off分别表示火电机组i停机持续时间及其约束值。由于优化粒度为8小时,各时段间机组出力不存在耦合关系,故不考虑机组爬坡能力约束。
2.3.3断面潮流安全机会约束条件为:
式中:PL,max、PL,min表示断面L的潮流传输上下限;l表示属于关键断面L的线路;表示关键断面的集合;Gl-i表示在机组i所在节点对支路l的发电机输出功率的转移分布因子;Gl-k表示节点k对支路l的发电机输出功率转移分布因子;N表示发电机总节点数;β5表示断面潮流安全机会约束置信水平。
3.内嵌目标相对占优与Monte-Carlo随机模拟技术的遗传算法:
所建模型属典型的含机会约束的随机规划模型,由于很难将机会约束条件(8)、(10)、(11)、(13)、(16)转化为确定性的等价类,故可采用内嵌Monte-Carlo随机模拟技术的遗传算法求解该模型。另外,所建模型为多目标模型,现有算法中对该类模型的处理一般采用权重法、模糊满意度等方法,这些方法很难找到真正的全局最优解,而多目标差分进化算法、非劣排序遗传算法在找到有效的Pareto最优解集后,其最优解选取依赖于后续的辅助策略或者人工经验。具体的求解方式如下:
3-1)目标相对占优遗传算法的思路为: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,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解;
3-2)内嵌Monte-Carlo随机模拟技术的遗传算法的思路为:
3-2-1)在所建模型中随机选择一个系统状态;
3-2-2)分析系统状态,判断该状态是否为失效状态;
3-2-3)若所选状态为失效状态,则计算该失效状态的风险指标;若不是失效状态,则返回步骤3-2-1)继续进行状态选择;
3-2-4)得到失效状态风险指标的计算结果后,修改累计的风险指标。
4.算例分析:
4.1设置基础数据:
采用某省级电网公司的基础数据验证研究工作的有效性。该电网可调度火电厂12个、风电场1座,某月中典型日负荷曲线以及扣除联络线以及水电机组出力后,得到的需由火电机组和风电场承担的负荷功率曲线如图2所示,曲线2表示系统总负荷,各时段负荷功率标准差取对应期望值的3.0%;风电场典型日出力曲线如图3所示,各时段出力标准差取对应期望值的50.0%;月负荷功率和风电出力均由典型日扩展得到。
仿真参数如下:正负旋转备用20.0%;节能考核指标为全网负荷在煤耗率为350g/kWh基准值下风电和火电机组共同实现节煤6.0万吨;各机会约束对应的置信水平值均取90.0%;遗传算法中种群规模20、最大迭代次数300、交叉概率0.5、变异概率0.1,迭代终止判据为当最优个体连续30代保持不变或达到最大迭代次数。仿真软件Matlab9.2a,硬件DELLVostro100,主频2.6GHz、1G内存。
4.2所建节能风险评估指标的有效性验证:
为验证所建节能风险评估指标的有效性,设计如下2种仿真方案给予验证。
方案1:基于所提原始数据,将各节点负荷功率的标准差分别从期望值的3.0%逐渐升至8.0%。
方案2:基于所提原始数据,将风电场出力的标准差从期望值50.0%逐渐升至58.0%。
基于上述2种方案,由所建调度模型进行决策,得到的节能风险变化曲线分别如图4、图5所示.由图4、图5可知,随着风电出力、负荷功率随机性的增大,节能调度的节能风险也随之增加。这是由于当风电出力、负荷功率随机性增大时,为满足系统负荷功率平衡,调度机构在高能耗机组调度功率的概率也必然逐渐增加,从而导致节能风险评估指标中半绝对离差风险逐渐增加。可见,所建节能风险评估指标能够有效的刻画出不同随机环境下节能调度节能风险的本质及其变化趋势。
4.3所建模型的有效性验证与节能风险管理策略:
为验证所建计及节能风险月度调度模型的有效性以及便于对节能调度节能风险的管理策略进行分析,现设计如下6种仿真方案给予验证:
方案1:基于本发明所提原始数据以及所建原始模型进行仿真;
方案2:基于方案1,但不考虑风电出力、负荷功率的随机性以及节能风险评估指标,即采用确定性月度节能调度模型进行决策;
方案3:基于方案1,将机组启停的优化粒度修改为1小时;
方案4:基于方案1,机组启停和出力的优化粒度修改为天;
方案5:基于方案1,将节能考核指标从6.0万吨增加到6.2万吨。
方案6:基于方案1,将节能考核指标机会约束置信水平从92.0%增加到98.0%。
基于上述6种仿真方案得到的月调度计划节能效益、节能风险以及模型计算时间如表1所示:
表1 6种仿真方案仿真比较
4.3.1所建模型的有效性验证:
从月度调度模型是否考虑随机因素以及节能风险的角度看,方案1较方案2节能效益下降了992吨,但使得节能风险下降1326吨。可见,本发明所建模型较现有的确定性的月度调度模型的节能风险大为降低,能够实现节能风险的有效管理。更重要的是,所建模型综合考虑风电出力、负荷功率等不确定性因素对节能调度的影响,真实的反映了电网的随机运行状态,其优化方案可信度更高。
从月度调度模型的优化粒度看,方案1较方案3会带来约1.05%的节能误差和1.11%的节能风险误差;而方案4较方案3的节能误差为6.4%、节能风险误差为8.01%,误差较大。可见,本发明将机组启停和出力变量优化粒度设为峰平谷典型状态具有合理性,能够满足实际工程精度的需要。
从月度调度模型的计算效率看,方案1计算时间为31分钟,方案4计算时间为21分钟,方案3的计算时间为118分钟。可见,本发明所建模型求解时间虽然较方案1有所延长,但较方案3大幅缩短,能够满足实际工程的需要。
综上所述,在不确定性环境下,所建月度调度模型能够给出节能风险信息,且可信度较高;该模型的优化粒度的设置率能够满足实际工程的需要。
4.3.2节能调度节能风险优化管理策略分析:
由表1中方案1、5可知,节能考核指标越严厉,其获得的节能效益越大,但也使得节能调度面临更大的风险。可见,节能考核指标的设定对节能风险具有决定性影响,同时节能风险的提出可作为节能考核机构设定节能考核指标的重要参考。
由表1中方案1、6可知,随着节能效益考核指标对应的置信水平值的提高其节能风险水平降低,对应的节能效益、节能风险均随之下降。可见,节能风险置信水平的设定可以作为节能调度机构节能风险的管理手段。
综上所述,通过对所建月度随机规划调度模型中的节能效益评估指标以及该指标对应置信水平的合理设定,可实现节能调度节能风险的防范和管理。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种计及节能风险评估的月调度方法,其特征在于,具体步骤如下:
1)建立节能调度节能风险评估指标;
2)将所建的节能调度节能风险评估指标应用于月调度模型中,形成计及节能风险评估的月度随机规划调度模型;
3)采用目标相对占优与内嵌Monte-Carlo随机模拟技术的遗传算法求解计及节能风险评估的月调度随机规划调度模型,得到最优解;
4)调度机构通过最优解得出完成节能调度节能风险评估指标的大小,并对节能风险进行评估及管理;
所述的建立节能调度节能风险评估指标包括:
1-1)节能调度节能风险评估指标的定义为:以调度机构作为行为主体,把风电出力、负荷功率作为影响调度机构实现节能效益的不确定因素,将调度机构节能调度时系统中所有机组实现的总节能效果将会面临的节能损失严重程度作为节能风险度量指标;同时,为体现不同电源类型对节能效益的贡献,节能调度节能风险指标评估对象设定为风电和火电机组;
1-2)机组单位调度电量节能评估指标的建立:考虑火电机组出力与其煤耗率的函数关系来建立火电机组单位调度电量节能调度节能风险评估指标,过程为:
首先将整个调度周期等分为多个时段,且设各时段内各火电机组出力均不变,各机组煤耗率也不变;现用t代表第t个时段数,用△t表示调度周期单位时间长度;设第t个时段内调度机构对火电机组的i的调度功率为此时段内该火电机组对应的煤耗率为简记该时段机组i对应的调度电量则Wi t的煤耗量为忽略网损,调度机构获得的电量为Wb=Wi t,而Wi t在期望实现的节能调度节能考核指标对应煤耗率ρb条件下其煤耗量为根据单位电量节能指标的定义,第t个时段节能调度火电机组i的单位调度电量节能调度节能风险评估指标可表示如下:
<mrow>
<msubsup>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>N</mi>
<mi>b</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>N</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>b</mi>
</msub>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mi>b</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,ρb为政府给定的节能指标或者由调度机构在政府给定的节能指标内自主确定的指标;
由式(1)可知,风电机组不消耗功率,则其单位调度电量节能调度节能风险评估指标RW可表示为:
RW=ρb (2)
1-3)节能调度节能风险评估指标的建立:离差风险的风险向下思想能体现市场交易风险的本质,将其应用于电力市场购电组合的经济风险进行评估时可表示如下:
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>_</mo>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,
式(3)(4)中,E[·]表示期望算子,pk表示第k个售电单位的收益率,uk表示第k个售电单位的收益率期望,wk表示购电单位在售电单位k的购电量,K表示售电单位个数;
采用半绝对离差风险评估指标来度量购电组合经济风险,在节能调度环境下某时段内度量节能调度节能风险评估指标可表示如下:
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mi>&Delta;</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>E</mi>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mi>&Delta;</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>E</mi>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>_</mo>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,NW、NG分别表示风电机组、火电机组的台数;
将所建的节能调度节能风险评估指标应用于月调度模型中,形成计及节能风险评估的月度随机规划调度模型,具体过程为:
2-1)建模思路及假设条件的设立:在随机规划理论框架内构建月调度模型,考虑到火电机组启停受到其固有运行特性的时间限制,将机组启停和出力变量的优化粒度设为日峰、日腰、日谷典型负荷状态;
设立的假设条件有:忽略网损对调度计划的影响;各节点、各时段负荷功率和风电场出力均服从正态分布;月负荷功率曲线、月风电场出力曲线已知;各典型负荷状态为所在地区的实际取值时间段;
2-2)模型的建立:
2-2-1)设立目标函数为:根据节能调度节能风险的定义,所建模型的目标函数为月系统节能量期望为最大以及对应的节能风险为最小;
2-2-1-1)使得月节能期望达到最大:
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>E</mi>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<msubsup>
<mi>&Delta;dP</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<msub>
<mi>&Delta;dP</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,D表示月峰、月腰和月谷总的负荷状态数,表示风电场j在第d个典型负荷状态第t个时段的出力,Pd,i,G表示第i台火电机组在第d个典型负荷状态出力,ud,i表示火电机组i在第d个典型负荷状态的启停状态,△d表示典型负荷状态持续时间长度;
2-2-1-2)使得月节能风险达到最小:
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>E</mi>
<mo>{</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mi>&Delta;</mi>
<mi>d</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mi>&Delta;</mi>
<mi>d</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
2-3)设立约束条件:
2-3-1)设置系统平衡约束条件:
2-3-1-1)系统月节能指标机会约束条件为:在风电出力及负荷功率不确定性环境下,节能考核约束条件采用机会约束形式表示如下:
<mrow>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<msub>
<mi>&Delta;dP</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<msub>
<mi>dP</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>N</mi>
<mo>}</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Pr{·}表示{·}中事件成立的概率,β1表示节能考核指标机会约束置信水平,N表示给定的月节能效益考核指标;
2-3-1-2)各时段功率平衡约束条件为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>D</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>d</mi>
<mo>&Element;</mo>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Pd,k,D表示第d个典型负荷状态节点k的负荷功率,K表示负荷节点数;
2-3-1-3)假设所有旋转备用均由火电机组提供,各时段系统上下旋转备用机会约束条件为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>d</mi>
<mo>&Element;</mo>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>d</mi>
<mo>,</mo>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&beta;</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>d</mi>
<mo>&Element;</mo>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Pi,G,max、Pi,G,min分别表示火电机组i在第d个典型负荷状态可发出的最大和最小出力,Ud,SR、Dd,SR分别表示系统在第d个典型负荷状态的向上、向下旋转备用,β2、β3分别表示上下旋转备用机会约束置信水平;
2-3-2)设置机组运行约束条件:
2-3-2-1)火电机组出力上下限约束条件为:
ud,jPi,G,min≤Pd,i,G≤ud,iPi,G,max d∈D,i∈NG (12)
式中,Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限,若机组停机则机组出力为0,若机组开机,式(12)为火电机组出力上下限约束条件;
2-3-2-2)火电厂月供电量合同机会约束条件为:
式中,表示火电机组i属于火电厂m,Wm,G,max、Wm,G,min分别表示第m个火电厂最大、最小月供合同电量,Wm,G,max、Wm,G,min在电厂长期合同电量月分解值基础上得到,β4表示各火电厂月供电量合同机会约束置信水平;
2-3-2-3)火电机组最小持续开机、停机时间约束条件为:
(Ti,on-Ti,min,on)(ud,i-ud+1,i)≥0 d∈D,i∈NG (14)
(Ti,off-Ti,min,off)(ud+1,i-ud,i)≥0 d∈D,i∈NG (15)
式中,Ti,on、Ti,min,on分别表示火电机组i运行持续时间及其约束值,Ti,off、Ti,min,off分别表示火电机组i停机持续时间及其约束值;
2-3-3)设置断面潮流安全机会约束条件:
式中,PL,max、PL,min表示断面L的潮流传输上下限,l表示属于关键断面L的线路,表示关键断面的集合,Gl-i表示在机组i所在节点对支路l的发电机输出功率的转移分布因子,Gl-k表示节点k对支路l的发电机输出功率转移分布因子,N表示发电机总节点数,β5表示断面潮流安全机会约束置信水平。
2.如权利要求1所述的计及节能风险评估的月调度方法,其特征在于,对于所建模型为典型的含机会约束的随机规划模型以及多目标模型的特点,采用内嵌目标相对占优与Monte-Carlo随机模拟技术的遗传算法来进行求解,结合两种遗传算法的求解结果,得出所建模型的最优解,具体求解方式如下:
3-1)目标相对占优遗传算法的思路为: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,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解;
3-2)内嵌Monte-Carlo随机模拟技术的遗传算法的思路为:
3-2-1)在所建模型中随机选择一个系统状态;
3-2-2)分析系统状态,判断该状态是否为失效状态;
3-2-3)若所选状态为失效状态,则计算该失效状态的风险指标;若不是失效状态,则返回步骤3-2-1)继续进行状态选择;
3-2-4)得到失效状态风险指标的计算结果后,修改累计的风险指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168761.2A CN104778512B (zh) | 2015-04-10 | 2015-04-10 | 计及节能风险评估的月调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168761.2A CN104778512B (zh) | 2015-04-10 | 2015-04-10 | 计及节能风险评估的月调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778512A CN104778512A (zh) | 2015-07-15 |
CN104778512B true CN104778512B (zh) | 2018-01-09 |
Family
ID=53619965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510168761.2A Active CN104778512B (zh) | 2015-04-10 | 2015-04-10 | 计及节能风险评估的月调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778512B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113904364B (zh) * | 2021-09-18 | 2024-04-09 | 北京交通大学 | 风电集群日前功率调度计划的制定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074954A (zh) * | 2010-12-20 | 2011-05-25 | 重庆电力科学试验研究院 | 一种城乡配电网综合节能评估与决策方法 |
KR20140054807A (ko) * | 2012-10-29 | 2014-05-09 | 성균관대학교산학협력단 | 웹 기반 프로세스 모델을 이용한 에너지 시뮬레이션 시스템 및 이를 이용한 시뮬레이션 방법 |
CN104268697A (zh) * | 2014-09-28 | 2015-01-07 | 国网重庆市电力公司电力科学研究院 | 计及节能风险概率的省级电网购电决策系统及方法 |
-
2015
- 2015-04-10 CN CN201510168761.2A patent/CN104778512B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074954A (zh) * | 2010-12-20 | 2011-05-25 | 重庆电力科学试验研究院 | 一种城乡配电网综合节能评估与决策方法 |
KR20140054807A (ko) * | 2012-10-29 | 2014-05-09 | 성균관대학교산학협력단 | 웹 기반 프로세스 모델을 이용한 에너지 시뮬레이션 시스템 및 이를 이용한 시뮬레이션 방법 |
CN104268697A (zh) * | 2014-09-28 | 2015-01-07 | 国网重庆市电力公司电力科学研究院 | 计及节能风险概率的省级电网购电决策系统及方法 |
Non-Patent Citations (2)
Title |
---|
电网企业节能发电调度模型及其运作体系研究;郡帆;《中国优秀硕士学位论文全文数据库》;20111015;全文 * |
节能发电的调度风险分析及优化;黄晓光;《科技视界》;20121005(第28期);第375-376页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778512A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lebotsa et al. | Short term electricity demand forecasting using partially linear additive quantile regression with an application to the unit commitment problem | |
Ming et al. | Hydropower reservoir reoperation to adapt to large-scale photovoltaic power generation | |
Sun et al. | Sustainable development pathways of hydropower in China: Interdisciplinary qualitative analysis and scenario-based system dynamics quantitative modeling | |
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 | |
Silvente et al. | A rolling horizon approach for optimal management of microgrids under stochastic uncertainty | |
CN104616069B (zh) | 一种年度发电计划滚动分解优化方法 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
Murage et al. | Contribution of pumped hydro storage to integration of wind power in Kenya: An optimal control approach | |
CN104283236B (zh) | 一种风光储能并网发电智能优化调度方法 | |
Wang et al. | Optimal planning strategy for distributed energy resources considering structural transmission cost allocation | |
Ji et al. | Inexact stochastic risk-aversion optimal day-ahead dispatch model for electricity system management with wind power under uncertainty | |
Delarue et al. | Adaptive mixed-integer programming unit commitment strategy for determining the value of forecasting | |
CN104751373B (zh) | 计及污染气体排放风险的环境经济调度方法 | |
Zhou et al. | Capacity expansion planning for wind power and energy storage considering hourly robust transmission constrained unit commitment | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
CN104377693A (zh) | 一种发电生产模拟模型 | |
CN112184479B (zh) | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 | |
CN103489044B (zh) | 一种面向智能电网的竞价发电风险控制方法 | |
CN110414725A (zh) | 预测决策一体化的风电场储能系统调度方法及装置 | |
CN105654224A (zh) | 一种计及风电不确定性的省级电网月度购电风险管理方法 | |
Babatunde et al. | Generation expansion planning: a survey | |
Ali | Development and Improvement of Renewable Energy Integrated with Energy Trading Schemes based on Advanced Optimization Approaches | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Mohammadi et al. | A multi-objective fuzzy optimization model for electricity generation and consumption management in a micro smart grid | |
Mi et al. | Low-carbon generation expansion planning considering uncertainty of renewable energy at multi-time scales |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |