CN105809349B - 一种考虑来水相关性梯级水电站群的调度方法 - Google Patents

一种考虑来水相关性梯级水电站群的调度方法 Download PDF

Info

Publication number
CN105809349B
CN105809349B CN201610135901.0A CN201610135901A CN105809349B CN 105809349 B CN105809349 B CN 105809349B CN 201610135901 A CN201610135901 A CN 201610135901A CN 105809349 B CN105809349 B CN 105809349B
Authority
CN
China
Prior art keywords
scene
scheduling
hydropower station
scenes
matrix
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.)
Expired - Fee Related
Application number
CN201610135901.0A
Other languages
English (en)
Other versions
CN105809349A (zh
Inventor
葛晓琳
夏澍
钟俊玲
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.)
Shanghai University of Electric Power
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai University of Electric Power
State Grid Shanghai Electric Power 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 Shanghai University of Electric Power, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN201610135901.0A priority Critical patent/CN105809349B/zh
Publication of CN105809349A publication Critical patent/CN105809349A/zh
Application granted granted Critical
Publication of CN105809349B publication Critical patent/CN105809349B/zh
Expired - Fee Related 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种考虑来水相关性梯级水电站群的调度方法，其特征在于，包括以下步骤：1)建立梯级水电站群随机调度的数学模型；2)对梯级水电站群具有相关性的随机天然来水变量进行抽样，获得样本矩阵Rs；3)采用矢量量化算法对样本矩阵Rs内的所有样本场景进行整理，将各个样本场景分配到不同的场景类别，并获取各个场景类别中的核心场景集合；4)根据梯级水电站群随机调度的数学模型和核心场景集合，采用灵敏度分析法进行随机调度，获取样本矩阵Rs内所有样本场景的调度目标函数YR；5)根据调度目标函数YR进行求解获取调度收益的概率统计信息。与现有技术相比，本发明具有快速可靠、选择性高、考虑来水相关性、适用范围广等优点。

Description

一种考虑来水相关性梯级水电站群的调度方法
技术领域
本发明涉及一种梯级水电站群的调度方法，尤其是涉及一种考虑来水相关性梯级水电站群的调度方法。
背景技术
水电站群长期优化调度的主要任务是在满足多种运行约束的情况下以系统效益最大化为目标优化年度的水电机组发电以及水库的蓄水情况。然而受到多种不确定性因素的影响(来水的随机性)，这一问题的建模和求解难度都较大。为了简化不确定性因素的影响，一些文献仅将天然来水的预测平均值作为输入，从而将水电站群的长期优化调度问题建立成确定性模型。这类确定性的模型太简单以至于不能考虑天然来水随机性对于系统运行效益的影响。
为了在调度模型中更好地描述来水的不确定性，一些学者和专家提出了水电站群的随机调度模型。然而这类随机优化模型的变量和边界条件通常处于变化的状态，较为难以求解。目前随机动态规划法和多场景法是最为主流的两类求解算法。但是现有的求解方法大多只能获得目标函数的期望值(均值)。目标收益的其他概率统计信息，例如标准差、概率密度分布曲线，较难直接获取。通过蒙特卡洛模拟大量场景可以获得全面的概率统计信息，相应的计算量和计算时间也非常巨大，推广应用具有较大的局限性。
此外，对于梯级水电站群，梯级分布的各个水电站之间存在着密切的关联性。一方面，上游的出库流量会构成下游水电站入库流量的一部分。另一方面，由于水电站之间地理分布和气候分布具有一定相似性，各电站的天然来水会出现同大和同小的现象。这说明梯级水电站群的天然来水具有空间的相关性。然后目前现有的研究大多只考虑前者的关联关系，而忽视了对天然来水空间相关性的关注。
因此，急需一种年度梯级水电的随机调度方法，既能够充分考虑天然来水相关性和随机性，又能够快速准确地获取调度目标的概率统计信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速可靠、选择性高、考虑来水相关性、适用范围广的考虑来水相关性梯级水电站群的调度方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑来水相关性梯级水电站群的调度方法，包括以下步骤：
1)建立梯级水电站群随机调度的数学模型；
2)对梯级水电站群具有相关性的随机天然来水变量进行抽样，获得样本矩阵Rs；
3)采用矢量量化算法对样本矩阵Rs内的所有样本场景进行整理，将各个样本场景分配到不同的场景类别，并获取各个场景类别中的核心场景集合；
4)根据梯级水电站群随机调度的数学模型和核心场景集合，采用灵敏度分析法进行随机调度，获取样本矩阵Rs内所有样本场景的调度目标函数YR；
5)根据调度目标函数YR进行求解获取调度收益的概率统计信息。
所述的步骤1)中，梯级水电站群长期优化调度模型的目标函数Y为：
其中，t为时段编号，h为水电机组编号，Ct为时段t的电价，wh,t为水电机组h时段t的发电量，T为调度周期内的时段总数，NH为水电机组总数；
约束条件包括：
发电量上下限约束：
其中， w h,t分别为水电机组h时段t的发电量的上下限；
库容上下限约束：
其中，hp为水电站的编号，为水电站hp时段t的库容，分别为库容的上下限；
发电流量上下限约束：
Qmin,h≤qh,t≤Qmax,h
其中，qh,t为机组h时段t的发电流量，Qmax,h、Qmin,h分别为发电流量的上下限；
出库流量上下限约束：
其中，为水电站hp时段t的弃水流量，分别为出库流量的上下限；
初始和期末库容约束：
其中，分别为初始时段和期末时段对应的库容变量，分别为初始和期末的库容量；
发电量和库容以及发电流量之间的函数关系约束：
其中，φ(·)为发电量wh,t和库容以及发电流量qh,t之间的非线性函数。
所述的步骤2)具体包括以下步骤：
21)获取天然来水预测信息，包括均值和标准差及各水电站之间天然来水的相关系数矩阵ρH，其中，t为时段编号；
22)设t＝1，抽样规模为K，利用拉丁超立方抽样生成具有标准正态分布各元素相互独立的矩阵
23)利用乔里斯基分解方法对相关系数矩阵进行三角分解，即ρH＝HHT；
24)新生成一个矩阵使得
25)将矩阵转变为服从均值为标准差为的概率分布的矩阵并将保存到矩阵Rs的NH·(t-1)+1到NH·t行，其中，NH为水电机组总数；
26)判断t是否小于调度周期T，若是，则令t＝t+1，并返回步骤21)，若否，则输出最终的维数为(NH·T)·K的样本矩阵Rs。
所述的步骤21)中，根据梯级分布的各个水电站的各时段来水预测概率分布函数获取均值和标准差梯级分布的各个水电站的各时段来水预测概率分布函数满足正态分布：
其中，为水电站各时段的天然来水入库流量，为预测均值，为标准差。
所述的步骤21)中，各水电站之间天然来水的相关系数矩阵ρH表示为：
其中，矩阵中各个元素分别表示两个电站之间的相关系数。
所述的步骤3)具体包括以下步骤：
31)设定归类的场景距离参数Δd；
32)将样本矩阵Rs的第一列设定为第一个场景类别的核心场景Q1，并设置场景类别索引变量j，总场景类别个数J＝1，类别j中所包含的场景数目Nj＝0，场景的索引变量k＝1；
33)计算第k个场景Rk和所有场景类别中的核心场景Qj(j∈{1,…J})之间的最小欧式距离
34)判断dk是否大于Δd，若是，则进行步骤35)，若否，则令场景类别索引并将场景k分配到场景类别j，并更新场景类别j所包含的场景数目Nj＝Nj+1，并且计算所有场景的平均值作为该场景类别的核心场景Qj，进行步骤36)；
35)创建一个新的场景类别，更新J＝J+1，将场景Rk作为新场景类别的中心，并将新场景类别所包含的场景数目NJ设为1；
36)判断k是否小于抽样规模K，若是，则令k＝k+1，转至步骤33)，若否，则保存所产生的场景类别、场景类别中心和多个场景类别中所包含的场景。
所述的步骤4)具体包括以下步骤：
41)对场景类别变量进行索引，设场景类别索引变量j＝1；
42)将场景类别的核心场景Qj作为输入条件，求解梯级水电站群长期优化调度模型，获取核心场景Qj对应的调度目标函数YQ；
43)采用对偶定理获取目标函数Y对于各个随机变量的灵敏度SY；
44)根据灵敏度SY获得场景类别j内任何一个场景Rk的调度目标函数YR；
45)判断j是否小于总场景类别个数J，若是，则令j＝j+1，转至步骤42)，若否，则停止循环，获得样本矩阵Rs中所有的K个场景的调度目标函数YR。
所述的步骤5)中，所述的调度收益的概率统计信息包括均值、标准差、概率密度函数和累积概率分布。
所述的步骤44)中，场景类别j内任何一个场景Rk的目标函数YR为：
YR＝YQ+SY(Rk-Qj)
其中，YQ为核心场景Qj的调度目标函数，SY为目标函数Y对于随机变量的灵敏度，Rk为样本矩阵中第k个场景。
与现有技术相比，本发明具有以下优点：
一、效益提升明显：本发明公开的方法属于长期年度梯级水电调度方法，与现有许多短期、超短期的调度方法相比，能够在更长时间范围内优化分配水力电力资源，优化空间更大，目标函数效益提升更加明显。
二、快速可靠：与现有方法相比，本发明公开的方法能够快速可靠地获得决策变量的概率分布，这使得调度运行人员能够同时快速地评估收益和风险。
三、选择性高：场景归类整理的欧式距离对于整理结果具有直接影响，可以根据实际运行要求进行选择，通常该参数越小，就越可能获得更为精确的优化解，相应的计算时间也会更长，这为调度人员提供了选择性。
四、考虑来水相关性：水电站之间天然来水的相关性对于调度结果具有显著的影响，没有考虑来水相关性的调度结果会对调度目标波动性的评估产生偏差，因此，考虑了来水空间相关性的调度方法，可以获得更具可行性的调度方案。
五、适用范围广：对于超过100个随机变量的系统，该方法同样能够保持快速性和准确性的优势，因此，本方法具有求解电力系统中其他随机优化问题的巨大潜力。
附图说明
图1为梯级水电站机组的水力水电转换关系V-Q-W图。
图2为对具有相关性的随机天然来水进行抽样的流程图。
图3为对抽样产生的大量样本场景进行整理的流程图。
图4为基于灵敏度分析法进行快速随机调度的流程图。
图5为场景类别的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：
本发明提出了一种考虑来水相关性梯级水电站群的调度方法，本发明首先建立了年度梯级水电站群随机调度的数学模型，该模型以调度周期内总发电量最大为目标，同时满足多种水库和水电机组的约束，其中梯级水电站机组的水力水电转换关系如图1所示，该模型中除了天然来水的概率模型之外，其他属于混合正式线性规划模型。
其次，针对具有相关性的随机天然来水变量进行抽样，如图2所示。
所建立的年度梯级水电站群的优化调度模型中，各时段各电站的天然来水是随机的并且是相关的，为了模拟天然来水的特性，本发明提出了拉丁超立方抽样和乔里斯基分解方法相结合，与蒙特卡洛的简单抽样相比拉丁超立方抽样具有抽样效率高，鲁棒性好的优点，变量之间的相关性可以在抽样的排序过程中的利用相关矩阵表示，这里假定各个时段各个电站之间的相关系数是相同的，具体的抽样步骤如下：
步骤1：输入各个水电站的天然来水预测信息包括均值和标准差及相关性系数矩阵ρH；
步骤2：令t＝1，抽样规模为K，利用拉丁超立方抽样生成具有标准正态分布各元素相互独立的矩阵
步骤3：利用乔里斯基分解方法对相关系数矩阵进行三角分解，即ρH＝HHT，其中，H是一个下三角矩阵；
步骤4：生成一个新的矩阵使得
步骤5：将矩阵转变服从均值为标准差为为概率分布的矩阵
步骤6：将保存到矩阵Rs的NH·(t-1)+1到NH·t行；
步骤7：对t进行判别，若t<T(T为调度周期)，令t＝t+1，并返回步骤1，否则输出最终的维数为(NH·T)×K的样本矩阵Rs；
然后，针对抽样产生的大量样本场景进行整理，如图3所示。
通过上述的抽样，将产生大量的天然来水场景，其中矩阵中的每一列就是一个样本场景，这就意味着共产生了K个场景，通常K是一个足够大的数目。如果直接求取大量场景下的调度决策结果，计算量、所占用的存储空间、计算时间都非常巨大。为了减轻计算负担，采用矢量量化算法对大量场景进行整理。基于场景矢量之间的距离，通过优化运算，矢量量化算法将各个场景分配给不同的类别，具体过程如下：
步骤8：设定归类的场景距离参数Δd；
步骤9：将矩阵Rs的第一列设定为第一个场景类别的核心场景Q1，并设置场景类别索引变量j，总场景类别个数J＝1，类别j中所包含的场景数目Nj＝0，场景的索引变量k＝1；
步骤10：计算第k个场景Rk和所有场景类别的核心场景Qj(j∈{1,…J})之间的最小欧式距离
步骤11：如果dk小于等于Δd，存储场景类别索引并将场景k分配到场景类别j，并更新场景类别j所包含的场景数目Nj＝Nj+1，此外计算所有场景的平均值作为场景类别的核心场景Qj，转至步骤13，否则转至步骤12；
步骤12：如果dk大于Δd，创建一个新的场景类别，更新J＝J+1，将场景Rk作为新场景类别的中心，并将新场景类别所包含的场景数目设为NJ＝1＝1；
步骤13：判断k是否小于K，若是，令k＝k+1，转至步骤10，若否则跳出循环，保存所产生的场景类别、场景类别中心和多个所包含的所属场景，这时所有的场景均被分配到相应的类别，而Qj(j∈{1,…J})则构成了各个场景类别的核心场景集合；
在上述场景整理过程中，归类的场景距离参数将会直接影响整理的结果。显然，距离参数越小，整理后的场景类别越多，相应的求解结果就越精确，然而与此同时计算量也越大。为此，应当在权衡计算精度和计算时间后，确定合适的距离参数。
通过上述场景整理操作，产生了场景类别。对于每一个场景类别，包含一个核心场景和多个所分配的场景。
接着，基于灵敏度分析法进行快速随机调度，如图4所示。
年度梯级水电站群随机调度中需要求出各个场景下的调度目标。首先将其中一个场景类别的核心场景作为输入条件，如图5所示，则年度梯级水电站群优化调度将转变为一个单场景的问题。
步骤14：对场景类别变量进行索引，设j＝1；
步骤15：将场景类别的核心场景Qj作为输入条件，求解年度梯级水电站群调度的单场景优化问题，保存所求得的目标函数值YQ。
步骤16：根据对偶定理，求解出调度目标对于各个随机变量的灵敏度SY，很显然，利用灵敏度分析法求取各个场景的调度目标是一个非常快速的计算过程。那么，目前的关键工作就是如何获取灵敏度。
当模型中存在二进制变量时，非常难以获得灵敏度。这里可以采用一个巧妙的方法。将优化所得的二进制变量最优解代入到原问题中，那么梯级水电调度问题则转变为了线性规划问题。此时，灵敏度可以表示为梯度：
为了求取目标函数对于随机变量的梯度，引入辅助变量，那么梯级水站群的调度问题可以转化为无约束的优化问题：
当求得最优解时，目标函数对于所有变量的梯度均为0：
由此可以看出，原问题的灵敏度SY＝λA。
其中，辅助变量λ的物理意义是等式约束的对偶解，可以通过对偶定理求得。一旦求得λ，便可求解出灵敏度，进而所有场景的目标函数值便可全部快速求出，因此本发明可以综合考虑天然来水的随机性和相关性，并能够为调度运行人员快速有效地提供收益和风险的概率分析。
步骤17：计算出场景类别j内任何一个场景Rk的目标函数YR＝YQ+SY(Rk-Qj)；
步骤18：判断j是否小于J，若是，令j＝j+1，转至步骤15；若否停止循环，由此可以获得原始抽样的所有场景(K个场景)的调度目标函数，进而可以完成对调度收益的均值、标准差、概率密度函数、累积概率分布等概率统计信息的全面分析。
本方法首先对随机变量的随机性和相关性进行模拟，然后对抽样产生的大量场景进行整理划分为少量的场景类别，大大减小求解年度梯级水电优化调度问题的计算量；进而运用最优灵敏度分析法，将所有抽样场景的调度目标值予以快速求解，保证了求解的精度，同时由于灵敏度分析过程仅为简单的线性运算，求解大量场景调度结果的计算速度会大大提升。因此，本发明提出的方法在求解随机优化问题中同时兼具计算精度高和计算速度快的优势。此外对于天然来水在水电站之间相关性的模拟，也充分反映了同一梯级流域各个电站来水同大或同小的真实情况，使得调度方法更符合实际运行情况。

Claims (7)

1.一种考虑来水相关性梯级水电站群的调度方法，其特征在于，包括以下步骤：
1)建立梯级水电站群随机调度的数学模型，梯级水电站群随机调度的数学模型的目标函数Y为：
其中，t为时段编号，h为水电机组编号，Ct为时段t的电价，wh,t为水电机组h时段t的发电量，T为调度周期内的时段总数，NH为水电机组总数；
约束条件包括：
发电量上下限约束：
其中， w h,t分别为水电机组h时段t的发电量的上下限；
库容上下限约束：
其中，hp为水电站的编号，为水电站hp时段t的库容，分别为库容的上下限；
发电流量上下限约束：
Qmin,h≤qh,t≤Qmax,h
其中，qh,t为机组h时段t的发电流量，Qmax,h、Qmin,h分别为发电流量的上下限；
出库流量上下限约束：
其中，为水电站hp时段t的弃水流量，分别为出库流量的上下限；
初始和期末库容约束：
其中，分别为初始时段和期末时段对应的库容变量，分别为初始和期末的库容量；
发电量和库容以及发电流量之间的函数关系约束：
其中，φ(·)为发电量wh,t和库容以及发电流量qh,t之间的非线性函数；
2)对梯级水电站群具有相关性的随机天然来水变量进行抽样，获得样本矩阵Rs，具体包括以下步骤：
21)获取天然来水预测信息，包括均值和标准差及各水电站之间天然来水的相关系数矩阵ρH，其中，t为时段编号；
22)设t＝1，抽样规模为K，利用拉丁超立方抽样生成具有标准正态分布各元素相互独立的矩阵
23)利用乔里斯基分解方法对相关系数矩阵进行三角分解，即ρH＝HHT；
24)新生成一个矩阵使得
25)将矩阵转变为服从均值为标准差为的概率分布的矩阵并将保存到矩阵Rs的NH·(t-1)+1到NH·t行，其中，NH为水电机组总数；
26)判断t是否小于调度周期T，若是，则令t＝t+1，并返回步骤21)，若否，则输出最终的维数为(NH·T)·K的样本矩阵Rs；
3)采用矢量量化算法对样本矩阵Rs内的所有样本场景进行整理，将各个样本场景分配到不同的场景类别，并获取各个场景类别中的核心场景集合；
4)根据梯级水电站群随机调度的数学模型和核心场景集合，采用灵敏度分析法进行随机调度，获取样本矩阵Rs内所有样本场景的调度目标函数YR；
5)根据调度目标函数YR进行求解获取调度收益的概率统计信息。
2.根据权利要求1所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤21)中，根据梯级分布的各个水电站的各时段来水预测概率分布函数获取均值和标准差梯级分布的各个水电站的各时段来水预测概率分布函数满足正态分布：
其中，为水电站各时段的天然来水入库流量，为预测均值，为标准差。
3.根据权利要求1所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤21)中，各水电站之间天然来水的相关系数矩阵ρH表示为：
其中，矩阵中各个元素分别表示两个电站之间的相关系数。
4.根据权利要求1所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)设定归类的场景距离参数Δd；
32)将样本矩阵Rs的第一列设定为第一个场景类别的核心场景Q1，并设置场景类别索引变量j，总场景类别个数J＝1，类别j中所包含的场景数目Nj＝0，场景的索引变量k＝1；
33)计算第k个场景Rk和所有场景类别中的核心场景Qj(j∈{1,…J})之间的最小欧式距离
34)判断dk是否大于Δd，若是，则进行步骤35)，若否，则令场景类别索引并将场景k分配到场景类别j，并更新场景类别j所包含的场景数目Nj＝Nj+1，并且计算所有场景的平均值作为该场景类别的核心场景Qj，进行步骤36)；
35)创建一个新的场景类别，更新J＝J+1，将场景Rk作为新场景类别的中心，并将新场景类别所包含的场景数目NJ设为1；
36)判断k是否小于抽样规模K，若是，则令k＝k+1，转至步骤33)，若否，则保存所产生的场景类别、场景类别中心和多个场景类别中所包含的场景。
5.根据权利要求2所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤4)具体包括以下步骤：
41)对场景类别变量进行索引，设场景类别索引变量j＝1；
42)将场景类别的核心场景Qj作为输入条件，求解梯级水电站群随机调度的数学模型，获取核心场景Qj对应的调度目标函数YQ；
43)采用对偶定理获取目标函数YQ对于各个随机变量的灵敏度SY；
44)根据灵敏度SY获得场景类别j内任何一个场景Rk的调度目标函数YR；
45)判断j是否小于总场景类别个数J，若是，则令j＝j+1，转至步骤42)，若否，则停止循环，获得样本矩阵Rs中所有的K个场景的调度目标函数YR。
6.根据权利要求1所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤5)中，所述的调度收益的概率统计信息包括均值、标准差、概率密度函数和累积概率分布。
7.根据权利要求5所述的一种考虑来水相关性梯级水电站群的调度方法，其特征在于，所述的步骤44)中，场景类别j内任何一个场景Rk的目标函数YR为：
YR＝YQ+SY(Rk-Qj)
其中，YQ为核心场景Qj的调度目标函数，SY为目标函数YQ对于随机变量的灵敏度，Rk为样本矩阵中第k个场景。
CN201610135901.0A 2016-03-10 2016-03-10 一种考虑来水相关性梯级水电站群的调度方法 Expired - Fee Related CN105809349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610135901.0A CN105809349B (zh) 2016-03-10 2016-03-10 一种考虑来水相关性梯级水电站群的调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610135901.0A CN105809349B (zh) 2016-03-10 2016-03-10 一种考虑来水相关性梯级水电站群的调度方法

Publications (2)

Publication Number Publication Date
CN105809349A CN105809349A (zh) 2016-07-27
CN105809349B true CN105809349B (zh) 2019-12-27

Family

ID=56467110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610135901.0A Expired - Fee Related CN105809349B (zh) 2016-03-10 2016-03-10 一种考虑来水相关性梯级水电站群的调度方法

Country Status (1)

Country Link
CN (1) CN105809349B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682849B (zh) * 2017-01-20 2020-06-05 南京南瑞集团公司 基于信息关联的水调系统自动计算方法
CN107368903A (zh) * 2017-06-20 2017-11-21 上海电力学院 一种考虑水流延时连续变化的梯级水电站日优化调度方法
CN107702933B (zh) * 2017-09-27 2023-07-04 南通大学 测定平原河网灌溉泵站水量－电量转换系数的装置及方法
CN108520317B (zh) * 2018-03-27 2021-07-27 华中科技大学 一种水电系统联合优化调度的拉丁方动态规划降维方法
CN110912200B (zh) * 2019-10-21 2022-09-23 贵州电网有限责任公司 一种梯级水电站优化调度系统、方法及安全电网系统
CN112836849A (zh) * 2020-12-21 2021-05-25 北京华能新锐控制技术有限公司 一种考虑风电不确定性的虚拟电厂调度方法
CN114862287B (zh) * 2022-07-06 2022-09-06 国能大渡河大数据服务有限公司 梯级电站群调度的风险效益分析方法、系统、终端及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714426A (zh) * 2013-12-24 2014-04-09 国家电网公司 中小径流式水电站群一体化调度系统
CN103793795A (zh) * 2014-02-28 2014-05-14 福建四创软件有限公司 基于gis技术的水电站水电调度计划生成及仿真方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089190B2 (en) * 2001-05-18 2006-08-08 Power Resource Managers, Llp System and method for managing utility power use

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714426A (zh) * 2013-12-24 2014-04-09 国家电网公司 中小径流式水电站群一体化调度系统
CN103793795A (zh) * 2014-02-28 2014-05-14 福建四创软件有限公司 基于gis技术的水电站水电调度计划生成及仿真方法

Also Published As

Publication number Publication date
CN105809349A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN105809349B (zh) 一种考虑来水相关性梯级水电站群的调度方法
Yuan et al. Prediction interval of wind power using parameter optimized Beta distribution based LSTM model
Zhang et al. Short-term load forecasting based on big data technologies
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN108846517A (zh) 一种分位数概率性短期电力负荷预测集成方法
CN105701596A (zh) 一种基于大数据技术的配网抢修精益化方法以及管理系统
Yuan et al. Parameter identification of nonlinear Muskingum model with backtracking search algorithm
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
Sun et al. Research and application of parallel normal cloud mutation shuffled frog leaping algorithm in cascade reservoirs optimal operation
CN106779219A (zh) 一种用电量预测方法及系统
CN107748940B (zh) 一种节电潜力量化预测方法
CN104636834B (zh) 一种改进的联合概率规划模型系统优化方法
CN116186548B (zh) 电力负荷预测模型训练方法及电力负荷预测方法
Souhe et al. Forecasting of electrical energy consumption of households in a smart grid
Guo et al. An optimized grey model for predicting non-renewable energy consumption in China
Zhang et al. Application of decision trees to the determination of the year-end level of a carryover storage reservoir based on the iterative dichotomizer 3
Xu et al. Analytical solution of stochastic real‐time dispatch incorporating wind power uncertainty characterized by Cauchy distribution
Nightingale et al. Effect of clustering in federated learning on non-IID electricity consumption prediction
CN104217296A (zh) 一种上市公司绩效综合评价方法
Chang et al. Probabilistic load forecasting via point forecast feature integration
Kan et al. An integrated Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention Mechanism model for enhanced highway traffic flow prediction
CN111260161A (zh) 一种众包任务下发的方法及设备
Lin et al. Using Computing Intelligence Techniques to Estimate Software Effort
CN108694475A (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法

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

Granted publication date: 20191227