CN105809272B - 一种基于数据挖掘的梯级水电站群指令调度优化方法 - Google Patents

一种基于数据挖掘的梯级水电站群指令调度优化方法 Download PDF

Info

Publication number
CN105809272B
CN105809272B CN201610104027.4A CN201610104027A CN105809272B CN 105809272 B CN105809272 B CN 105809272B CN 201610104027 A CN201610104027 A CN 201610104027A CN 105809272 B CN105809272 B CN 105809272B
Authority
CN
China
Prior art keywords
load
power station
curve
daily
peak
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
Application number
CN201610104027.4A
Other languages
English (en)
Other versions
CN105809272A (zh
Inventor
程春田
牛文静
申建建
冯仲恺
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201610104027.4A priority Critical patent/CN105809272B/zh
Publication of CN105809272A publication Critical patent/CN105809272A/zh
Application granted granted Critical
Publication of CN105809272B publication Critical patent/CN105809272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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

一种基于数据挖掘的梯级水电站群指令调度优化方法，可在充分利用电站自身发电特性的基础上实现典型日负荷曲线的聚类分析，并利用分层求解方法获得符合调度习惯的梯级水电站群短期优化调度方案。其技术方案为：首先在充分分析和利用水电站自身的发电特性基础上，开展典型负荷曲线特性研究，并应用数据挖掘技术对其进行聚类分析以形成梯级水电站决策支持数据库，然后构建综合考虑短期优化调度中常规目标函数和复杂约束条件的指令调度优化模型，并给出基于不同条件的目标函数转换机制和复杂约束处理方法，最后结合大系统分解协调思想，采用分层求解方法实现梯级水电站群日发电计划快速编制。本发明能够快速获得符合调度需求和习惯的梯级联合调度方案，是实现复杂条件下水电站群短期调度方案实用化的一种切实可行的方法。

Description

一种基于数据挖掘的梯级水电站群指令调度优化方法
技术领域
本发明涉及水电系统发电调度领域，特别涉及一种基于数据挖掘的梯级水电站群指令调度优化方法。
技术背景
梯级水电站群短期优化调度是一个离散、多维、非线性的多目标大规模时空决策优化问题。伴随水电在电力系统中调节作用的日益增加及间歇性新能源的大规模并网，受来水不确定、流量传播滞后、调节能力迥异、负荷需求多变等因素影响，梯级水电站群的短期计划编制日益复杂。从数学角度讲，系统工程理论是解决这类问题的重要手段，包含经典运筹学和现代智能算法在内的各种数学方法被不断应用于该问题求解，并涌现了大量研究性学术成果。然而，现有方法存在的主要问题在于：(1)解决梯级水电站群短期优化调度问题始终站在电网角度、鲜少以水电站(群)为本。已有方法求解该问题的基本套路是：根据研究对象选择一个优化准则建立数学模型，然后寻求一种数学方法进行求解。这种方式往往充分考虑了电网调度需求和限制约束，但忽略了水电站(群)自身发电特点研究，造成优化结果无法实用。(2)过分偏重并依赖于数学模型的建立和优化方法的应用，忽视了优化结果的实用性和时效性。优化模型的实际应用效果主要取决于其对问题原形描述的准确性，然而伴随水电站群规模和输送电范围不断扩大，调度实践中出现越来越多难以模型化的需求，主要包括生产实践中的调度习惯和水电站群系统外部需求，导致优化结果难于应用于实际。
综上所述，对梯级水电站群短期优化调度这一复杂问题，单纯追求最优解是不现实的，有效途径是摒弃水电站“理论最优解”、注重水电站“近似最优解”，寻求一种模型解算时间与解算精度均衡的实用化求解方法。本发明成果依托国家自然科学基金委重大国际合作(51210014)和国家十二五科技支撑计划项目(2013BAB06B04)，以澜沧江流域梯级水电站群联合优化调度问题为背景，以中下游“二库六级”梯级水电站群为主要对象，发明了具有很强实用性和广泛推广价值的梯级水电站群指令调度优化方法。
发明内容
本发明要解决的技术问题是提供一种基于数据挖掘的梯级水电站群指令调度优化方法，首先在充分分析和利用水电站自身的发电特性基础上，开展典型负荷曲线特性研究，并应用数据挖掘技术对其进行聚类分析以形成梯级水电站决策支持数据库，然后构建综合考虑短期优化调度中常规目标函数和复杂约束条件的指令调度优化模型，并给出基于不同条件的目标函数转换机制和复杂约束处理方法，最后结合大系统分解协调思想，采用分层求解方法实现梯级水电站群日发电计划快速编制。
本发明的技术方案为：本发明揭示了一种基于数据挖掘的梯级水电站群指令调度优化方法，按照下述步骤(1)-(8)完成指令调度优化过程：
(1)针对历史运行数据计算所有日负荷曲线的特征指标，获得其特征向量并进行标准化处理。特征指标主要包括：
①日负荷率：描述水电站日内负荷的不均衡性，日负荷率越高，表示水电站出力越稳定。
式中，α为水电站日负荷率；pavg为水电站日平均负荷；pmax为水电站日最大负荷。
②日峰谷差率：描述水电站参与调峰的幅度，日峰谷差率越高，表示水电站群参与调峰幅度越大。
式中，β为日峰谷差率；pmin为水电站日最小负荷。
③日负荷峰值个数：即电站出力过程出现尖峰时刻的点数。
式中，ε为日负荷峰值个数；p为任意一点负荷值；pl-max为日负荷局部最大值；Npl-max为日负荷局部最大值点的个数。
④日负荷峰现时刻：即日负荷峰值点出现时刻。
π＝T(pmax)
式中，π为日负荷峰现时刻；T(·)为某一负荷值出现点对应时刻。
⑤日负荷周期数：表征日负荷过程波动性的指标，周期数越大，负荷过程波动越大。
其中
式中，为日负荷周期数；τ(x)为某时刻负荷值的属性函数，X为日负荷过程时段总数；θ为影响负荷值属性的参数，一般取0.2～0.3。
基于以上特征指标获得每一条负荷曲线的特征向量，记作：
(2)采用轮廓系数法确定最佳聚类类别；
(3)在给定聚类类别的情况下，随机初始化各聚类中心，利用模糊聚类方法完成日负荷曲线聚类分析；
(4)计算结束后输出各聚类中心代表的典型日负荷曲线；
(5)标幺化处理，利用下式将典型日负荷曲线标幺化，即将日负荷曲线上每点负荷除以当日最大负荷得到标幺化日负荷曲线：
式中，p'为任意一点标幺化负荷值。
(6)根据实际调度需求和调度时间确定目标函数和约束条件边界值，构建指令调度数学模型；
(7)采用基于大系统分解协调思想的分层求解方法进行计算；
(8)输出梯级联合调度运行方案。
本发明对比现有技术有如下有益效果：本发明一种基于数据挖掘的梯级水电站群指令调度优化方法，首先在分析探讨水电站负荷特征内涵基础上，开展典型负荷曲线特性研究，并应用数据挖掘技术对其进行聚类分析以形成梯级水电站决策支持数据库；然后构建综合考虑短期优化调度中常规目标函数和复杂约束条件的指令调度优化模型，并给出基于不同条件的目标函数转换机制和复杂约束处理方法；最后结合大系统分解协调思想，采用分层求解方法实现梯级水电站群日发电计划快速编制。对比现有技术，本发明可有效实现梯级各电站典型负荷曲线聚类分析，并结合调度指令快速获得合理的梯级联合调度方案，为水电站(群)短期优化调度提供一种可行的实用化方法。
附图说明
图1是本发明方法总体求解框架；
图2是基于大系统分解协调原理的指令调度分层求解方法原理示意图；
图3(a)是澜沧江流域功果桥电站典型日负荷曲线的聚类结果；
图3(b)是澜沧江流域小湾电站典型日负荷曲线的聚类结果；
图3(c)是澜沧江流域漫湾电站典型日负荷曲线的聚类结果；
图3(d)是澜沧江流域大朝山电站典型日负荷曲线的聚类结果；
图3(e)是澜沧江流域糯扎渡电站典型日负荷曲线的聚类结果；
图3(f)是澜沧江流域景洪电站典型日负荷曲线的聚类结果；
图4(a)是澜沧江流域功果桥电站水位变化和出力过程曲线；
图4(b)是澜沧江流域小湾电站水位变化和出力过程曲线；
图4(c)是澜沧江流域漫湾电站水位变化和出力过程曲线；
图4(d)是澜沧江流域大朝山电站水位变化和出力过程曲线；
图4(e)是澜沧江流域糯扎渡电站水位变化和出力过程曲线；
图4(f)是澜沧江流域景洪电站水位变化和出力过程曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
现有梯级水电站群短期优化调度方法大多是直接利用某种数学优化方法进行联合计算，不仅计算过程复杂，尤其是在处理大规模水电系统问题时，耗时较长，而且所得优化结果往往无法充分考虑实际调度习惯和需求，可用性较差。如何实现调度方案的实用话是库群短期调度的主要难点。本发明揭示一种基于数据挖掘的梯级水电站群指令调度优化方法，首先在充分分析和利用水电站自身的发电特性基础上，开展典型负荷曲线特性研究，并应用数据挖掘技术对其进行聚类分析以形成梯级水电站决策支持数据库，然后构建综合考虑短期优化调度中常规目标函数和复杂约束条件的指令调度优化模型，并给出基于不同条件的目标函数转换机制和复杂约束处理方法，最后结合大系统分解协调思想，采用分层求解方法实现梯级水电站群日发电计划快速编制。
本发明的一种基于数据挖掘的梯级水电站群指令调度优化方法，主要分为三部分，第一部分是构建基于数据挖掘的决策支持数据库；第二部分是构建梯级水电站群指令调度数学模型；第三部分是利用梯级水电站群指令调度优化方法实现日计划制作。
(一)构建基于数据挖掘的决策支持数据库：建立由前述负荷特性指标作为元素的负荷特征向量进行水电站日负荷曲线的描述。基于负荷特征向量采用数据挖掘技术对典型负荷曲线进行分类，构建梯级水电站群联合运行指令调度的决策支持数据库。
其中采用的数据挖掘技术为模糊聚类分析方法，其中，为合理确定分类类别数目，采用轮廓系数法进行计算。
模糊聚类方法是一种采用模糊数学语言对事物按一定的要求进行描述和分类的数学方法。本发明以样本集对于全体类别的广义指标权距离平方和最小为目标，构建模糊聚类目标函数如下：
式中，K为样本总数，k＝1,2,…,K；H为聚类个数，h＝1,2,…,H；uhk为样本k隶属于类别h的相对隶属度，且0≤uhk≤1，J为指标特征值的个数，j＝1,2,…,J；wj为指标j的权值，且0≤wj≤1，本发明采用等权重，即wj＝1/J；rjk为第k个样本的第j个指标特征值。vjh为类别h指标j的聚类特征规格化数，0≤vjh≤1；a为可变距离参数，当样本间距离为欧式距离时，a＝2。
由于各特性指标的量级及量纲不同，直接进行聚类计算可能导致量级较大的特性指标对量级较小的特性指标的“镇压”，从而影响分类结果。因此，首先对各负荷曲线的特征向量做标准化处理，将各指标值转换至[0，1]区间内，然后再进行模糊聚类分析。则模糊聚类目标函数转化为：
式中，和分别为第k个样本的第j个指标特征值的最大值和最小值。
通过构造拉格朗日函数求解上述目标，并得到模糊聚类循环迭代模型，经过循环迭代实现负荷特性曲线的聚类。
聚类分析的求解效果不仅受到聚类模型的影响，同时受到聚类数目的制约。因此，选择合适的聚类数目对聚类质量至关重要。一般而言，通过聚类结果的分离情况和紧凑情况进行聚类评估。轮廓系数是由Kaufman等人提出的一种用于考察子类的分离和紧凑情况的方法，该方法原理简单，易于实现，不需要外部数据集作为基准，因此广泛应用于聚类评估和最佳聚类数目确定。本发明采用轮廓系数实现最佳聚类数目的确定。
对于K个样本的数据集S，假设S被划分为H类，分别记作s1,s2,…,sH。对于每个样本k∈S，计算k与k所属的类的其他样本之间的平均距离δ(k)，以及k到不属于k的所属类的最小平均距离σ(k)，δ(k)和σ(k)分别反映k所属子类的紧凑情况和与其它子类的分离情况：δ(k)愈小，k所属类愈紧凑；σ(k)越大，k所属类与其他类愈分离。假设k∈si(1≤i≤H)，则：
式中，dist(k,k')为样本k与k'之间的欧式距离。
对于样本k的轮廓系数则定义为：
则H类的样本轮廓系数平均值为：
那么，最佳聚类数为：
(二)构建梯级水电站群指令调度数学模型：该数学模型由常规目标函数和约束条件组成，一一介绍如下：
A.常规目标函数：
(1)目标函数Ⅰ：发电量(发电效益)最大，其数学描述为：给定调度期内入库流量过程和水库始末水位，在满足各种约束条件下，确定各水库的水位运行轨迹，使调度期内梯级水电站群发电量(发电效益)最大。
式中：E为调度期内参与计算电站总发电量(发电效益)，kW·h或元；I为水库数目；i为水库序号，i＝1,2,…,I；T为调度期时段数目；t为时段序号，t＝1,2,…,T；γi,t为水库i在时段t的电价，是一个关于市场和成本的函数，γi,t＝f(m,c)；pi,t为水库i在时段t的出力，kW；Δt为时段t的小时数，h。
(2)目标函数Ⅱ：参与调峰容量最大，即调峰效果最好，其数学描述为：给定调度期各电站始末水位、运行控制约束及来水过程，求解各水电站出力过程，使经水电调节后的系统最大余荷最小。
式中，pr为系统最大余留负荷，kW；Pt为系统负荷，kW。
(3)目标函数Ⅲ：弃水最小，常见的弃水定义分为两种，一种是将末级电站弃水作为梯级水电站群弃水，另一种是将各级电站弃水之和作为梯级弃水，无论哪一种定义，其数学描述为：已知调度期内各水库初始水位、期望末水位及区间径流过程，综合考虑水位、泄量、出力等多种约束条件，确定各水库的水位运行轨迹，使调度期内弃水最小。
式中，l为梯级水电站群弃水量，m3；li,t为水库i在时段t的弃水流量，m3/s。
(4)目标函数Ⅳ：最小出力最大
式中，pm为系统最小平均出力之和。
B.典型约束条件
(1)Ⅰ类约束：水量平衡方程，保证单站时段维以及上下游电站空间维上的水量平衡：
Vi,t+1＝Vi,t+hn×(Qi,t-qi,t-li,t)×Δt
式中，Vi,t为水库i在时段t的库容，m3；hn为每小时秒数；Qi,t为电站i在时段t的入库流量，m3/s；qi,t为电站i在时段t的发电流量，m3/s；li,t为电站i在时段t的弃水流量，m3/s。其中：
式中，Qni,t为电站i在时段t的区间入库流量，m3/s；Ki为第i个电站的直接上游电站数目；Fq(i,Ui[k],t)为计算i号电站的第k个直接上游电站出库流量在时段t形成的演进流量或滞时流量的函数；Ui为i号电站直接上游电站标号数组；为直接i号电站的第k个直接上游电站Ui[k]间的最大最小水流滞时时段数；为电站i在时段t的出库流量，m3/s；表示i号电站的直接上游电站Ui[k]号在n时段的出库于t时段流达i号电站的流量；为Ui[k]号电站出库流量滞时时段计算函数。
(2)Ⅱ类约束：电站单时段容量约束，针对不同物理量，限定调度期内各时段单站运行的上下限，主要包括：水位约束、发电流量约束、出库流量约束、电站出力约束等。
其中，电站出力约束需要考虑电站机组振动区，即出力限制运行区域，以及最小开机容量：
pi,t(pi,t-pi,min)≥0
式中，Zi,t为水库i在时段t的水位，m；Z i,t、分别为水库i在时段t的水位上、下限；q i,t、分别为水库i在时段t的发电流量上、下限；S i,t、分别为水库i在时段t的出库流量上、下限；p i,t、分别为水库i在时段t的出力上、下限；pri 、分别为电站i出力限制运行区上、下限；pi,min为电站i最小开机容量。
(3)Ⅲ类约束：电站固定时段控制约束，主要包括水库始末水位控制，为水库调度运行期的起调水位和期望目标，如下式：
Zi,0＝Zi,beg，Zi,T＝Zi,end
式中：Zi,beg、Zi,end分别为水库i调度期初始水位控制值和期望末水位。
(4)Ⅳ类约束：电站相邻时段耦合约束，此类约束通常是表征电站或机组运行特性的限制条件，限定了电站或机组相邻时段出力变化范围，主要包括电站出力爬坡约束、出力波动限制等。
|pi,t-pi,t-1|≤Δpi
(pi,t-Δ+1-pi,t-Δ)(pi,t-pi,t-1)≥0，Δ＝1,2,…,tmin
式中，Δpi为电站i单时段最大出力升降限制；tmin为电站i出力升降最小间隔时段数。
(5)Ⅴ类约束：梯级控制约束，限制水电系统的总出力以满足电网的安稳运行要求。
式中，Pst为水电系统在时段t的出力下限。
(三)利用梯级水电站群指令调度优化方法实现日计划制作
梯级水电站群指令调度优化方法采用基于大系统分解协调思想的分层求解方法，基本原理如附图2所示。主要步骤为：首先根据参与计算电站的联接关系对系统进行分层，划分为多级机构，自上而下依次为系统-流域梯级-电站，上层通过优化目标和协调变量控制下层各对象的迭代计算；然后采用POA方法对各级机构的对象依次进行优化计算。
以电站层为例，假设参与计算电站数目为I，对于第i个电站，其迭代计算记作第i层，自第1个电站开始，在给定的入库流量下，对该电站典型负荷标幺曲线进行优选。对于每一种标幺曲线，均调用第2层迭代计算得到相应的目标函数值，取其最优解并输出相应的标幺曲线及日负荷过程；以此类推，对于第i个电站，则调用第i+1层迭代计算进行标幺曲线的优选，直至第I个电站。
根据上述介绍，一次完整的优化调度过程，按照下述步骤(1)-(7)予以实现：
(1)针对历史运行数据计算所有日负荷曲线的特征指标，获得其特征向量并进行标准化处理。
(2)采用轮廓系数法确定最佳聚类类别；
(3)在给定聚类类别的情况下，随机初始化各聚类中心，利用模糊聚类方法完成日负荷曲线聚类分析；
(4)计算结束后输出各聚类中心代表的典型日负荷曲线；
(5)标幺化处理，利用下式将典型日负荷曲线标幺化，即将日负荷曲线上每点负荷除以当日最大负荷得到标幺化日负荷曲线：
式中，p'为任意一点标幺化负荷值。
(6)根据实际调度需求和调度时间确定目标函数和约束条件边界值，构建指令调度数学模型；
(7)采用基于大系统分解协调思想的分层求解方法进行计算；
(8)输出梯级联合调度运行方案。
现以澜沧江中下游“二库六级”梯级水电站群为研究对象，采用本发明方法确定各电站典型日负荷曲线种类并制作各电站日计划。各电站的基础资料见表1，各电站典型负荷曲线聚类结果如图3(a)-(f)所示，各电站调度结果，即水位过程和出力过程如图4(a)-(f)所示，发电量和梯级蓄能指标对比见表2。由图3(a)-(f)分析可知，采用本发明方法中构建基于数据挖掘的决策支持数据库步骤可以获得梯级各电站典型日负荷曲线聚类分析结果，对于功果桥、小湾、漫湾、大朝山、糯扎渡、景洪电站分别聚类获得2、4、2、2、2、2类负荷特征曲线，能够有效代表各电站在长期运行过程中形成的负荷特征，同时间接表现了各电站在水电系统运行中的角色和任务：小湾电站作为梯级龙头电站，肩负重要的梯级补偿和调节作用，因此负荷特征曲线种类较多；糯扎渡电站虽然也是多年调节水库，但是因为上游小湾的调节作用，使得糯扎渡以发电为主，鲜少承担梯级补偿和调节作用；其他几类调节性能较低的水库，则具有相对稳定的2类典型出力过程。由图4(a)-(f)分析可知，采用本发明方法可以快速获得在某一类目标函数下，满足梯级水电站运行约束的电站计划曲线，包括符合各电站运行特征的出力过程和相应的水位过程。由表2分析可知，与现有短期优化调度方法相比(以POA为例)，本发明方法计算所得发电量为13830.3亿kWh，而现有方法(POA)计算所得发电量为13877.5亿kWh，本发明方法能够获得略少于现有方法的梯级总发电量，但是本发明方法计算后梯级蓄能值为893700亿kWh，而现有方法(POA)梯级蓄能为881800亿kWh，本发明方法略多于现有方法，使得本发明方法总能量高于现有方法11852.8亿kWh。另外，本发明方法在优化过程中，只需要针对各电站特性的几类典型负荷曲线进行组合优化，不需要遍历所有离散的水位组合，能够更加快速高效的获得调度方案；本发明方法所得的典型负荷曲线是基于电站历史运行数据获得的，能够客观反映电站调度习惯，是一种计算效率更高、实用性更强的短期优化调度方法。
表1
表2

Claims (1)

1.一种基于数据挖掘的梯级水电站群指令调度优化方法，其特征包括如下步骤：
(1)针对历史运行数据计算所有日负荷曲线的特征指标，获得其特征向量并进行标准化处理；特征指标包括：
①日负荷率：描述水电站日内负荷的不均衡性，日负荷率越高，表示水电站出力越稳定；
式中，α为水电站日负荷率；pavg为水电站日平均负荷；pmax为水电站日最大负荷；
②日峰谷差率：描述水电站参与调峰的幅度，日峰谷差率越高，表示水电站群参与调峰幅度越大；
式中，β为日峰谷差率；pmin为水电站日最小负荷；
③日负荷峰值个数：即电站出力过程出现尖峰时刻的点数；
式中，ε为日负荷峰值个数；p为任意一点负荷值；pl-max为日负荷局部最大值；Npl-max为日负荷局部最大值点的个数；
④日负荷峰现时刻：即日负荷峰值点出现时刻；
π＝T(pmax)
式中，π为日负荷峰现时刻；T(·)为某一负荷值出现点对应时刻；
⑤日负荷周期数：表征日负荷过程波动性的指标，周期数越大，负荷过程波动越大；
其中
式中，为日负荷周期数；τ(x)为某时刻负荷值的属性函数，X为日负荷过程时段总数；θ为影响负荷值属性的参数，取0.2～0.3；
基于以上特征指标获得每一条负荷曲线的特征向量，记作：
(2)采用轮廓系数法确定最佳聚类类别；
(3)在给定聚类类别的情况下，随机初始化各聚类中心，利用模糊聚类方法完成日负荷曲线聚类分析；
(4)计算结束后输出各聚类中心代表的典型日负荷曲线；
(5)标幺化处理，利用下式将典型日负荷曲线标幺化，即将日负荷曲线上每点负荷除以当日最大负荷得到标幺化日负荷曲线：
式中，p'为任意一点标幺化负荷值；
(6)根据实际调度需求和调度时间确定目标函数和约束条件边界值，构建指令调度数学模型；
(7)采用基于大系统分解协调思想的分层求解方法进行计算
首先根据参与计算电站的联接关系对系统进行分层，划分为多级机构，自上而下依次为系统-流域梯级-电站，上层通过优化目标和协调变量控制下层各对象的迭代计算；然后采用POA方法对各级机构的对象依次进行优化计算；
假设参与计算电站数目为I，对于第i个电站，其迭代计算记作第i层，自第1个电站开始，在给定的入库流量下，对该电站典型负荷标幺曲线进行优选；对于每一种标幺曲线，均调用第2层迭代计算得到相应的目标函数值，取其最优解并输出相应的标幺曲线及日负荷过程；以此类推，对于第i个电站，则调用第i+1层迭代计算进行标幺曲线的优选，直至第I个电站；
(8)输出梯级联合调度运行方案。
CN201610104027.4A 2016-02-25 2016-02-25 一种基于数据挖掘的梯级水电站群指令调度优化方法 Active CN105809272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610104027.4A CN105809272B (zh) 2016-02-25 2016-02-25 一种基于数据挖掘的梯级水电站群指令调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610104027.4A CN105809272B (zh) 2016-02-25 2016-02-25 一种基于数据挖掘的梯级水电站群指令调度优化方法

Publications (2)

Publication Number Publication Date
CN105809272A CN105809272A (zh) 2016-07-27
CN105809272B true CN105809272B (zh) 2019-04-23

Family

ID=56465832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610104027.4A Active CN105809272B (zh) 2016-02-25 2016-02-25 一种基于数据挖掘的梯级水电站群指令调度优化方法

Country Status (1)

Country Link
CN (1) CN105809272B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451622A (zh) * 2017-08-18 2017-12-08 长安大学 一种基于大数据聚类分析的隧道运营状态划分方法
US10825113B2 (en) 2018-03-16 2020-11-03 Dalian University Of Technology Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree
CN108470249B (zh) * 2018-03-16 2019-04-09 大连理工大学 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法
CN109409569B (zh) * 2018-09-20 2022-04-12 中国南方电网有限责任公司 一种考虑直流输电约束的水库群中长期调度的离散梯度逐步优化算法
CN111461417B (zh) * 2020-03-23 2021-04-02 华北电力大学（保定） 基于大系统理论的综合能源系统协同优化一体化建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631234A (zh) * 2013-12-06 2014-03-12 云南电网公司大理供电局 一种梯级水电集控站自动化系统的智能优化调度方法
CN103942728A (zh) * 2014-04-11 2014-07-23 武汉大学 梯级水电站群日发电计划编制方法
CN105225017A (zh) * 2015-10-30 2016-01-06 南京南瑞集团公司 一种多Agent的水电站群短期优化调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9957843B2 (en) * 2013-12-31 2018-05-01 General Electric Company Methods and systems for enhancing control of power plant generating units

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631234A (zh) * 2013-12-06 2014-03-12 云南电网公司大理供电局 一种梯级水电集控站自动化系统的智能优化调度方法
CN103942728A (zh) * 2014-04-11 2014-07-23 武汉大学 梯级水电站群日发电计划编制方法
CN105225017A (zh) * 2015-10-30 2016-01-06 南京南瑞集团公司 一种多Agent的水电站群短期优化调度方法

Also Published As

Publication number Publication date
CN105809272A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN105809272B (zh) 一种基于数据挖掘的梯级水电站群指令调度优化方法
Mahmoud et al. An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine
Chen et al. Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms
Ma et al. Forecasting iron ore import and consumption of China using grey model optimized by particle swarm optimization algorithm
WO2019237440A1 (zh) 一种分位数概率性短期电力负荷预测集成方法
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN110378799A (zh) 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
CN111478312A (zh) 一种提升电网稳定性的综合能源集群协调控制方法
CN112184070B (zh) 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统
CN107944604A (zh) 一种用于光伏功率预测的天气类型识别方法和装置
CN103295075A (zh) 一种超短期电力负荷预测与预警方法
CN109001979A (zh) 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法
CN109558975A (zh) 一种电力负荷概率密度多种预测结果的集成方法
CN109242236A (zh) 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法
CN107918368B (zh) 钢铁企业煤气产生量与消耗量的动态预测方法及设备
CN109242265A (zh) 基于误差平方和最小的城市需水量组合预测方法
CN101833709A (zh) 半导体生产线生产计划的混合智能优化方法
CN110400069A (zh) 综合能源项目经济性评价方法与系统
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN109978253A (zh) 一种基于增量学习的短期负荷预测方法
CN109272182A (zh) 一种基于可变模糊决策理论的水资源效益动态评价方法
CN107958301A (zh) 一种lng接收站运行优化方法
Han et al. Optimal scheduling of distribution system with edge computing and data-driven modeling of demand response
CN116307209A (zh) 基于机器学习和预测控制的供热系统调度自动化实现方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant