CN106230028A - 一种风电—抽水蓄能联合系统的多目标优化方法 - Google Patents
一种风电—抽水蓄能联合系统的多目标优化方法 Download PDFInfo
- Publication number
- CN106230028A CN106230028A CN201610811853.2A CN201610811853A CN106230028A CN 106230028 A CN106230028 A CN 106230028A CN 201610811853 A CN201610811853 A CN 201610811853A CN 106230028 A CN106230028 A CN 106230028A
- Authority
- CN
- China
- Prior art keywords
- scene
- wind
- unit
- electricity generation
- powered electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000005728 strengthening Methods 0.000 claims abstract description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000001351 cycling effect Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000005619 thermoelectricity Effects 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开一种风电—抽水蓄能联合系统的多目标优化方法,基于日前风电功率预测值已知且负荷确定,包括步骤:基于风电输出功率预测及预测误差的概率分布,采用自回归滑动平均模型进行场景采样并建立一组初始场景;采用场景缩减对初始场景进行处理得到最优风电场景树;建立以低碳和低成本为目标的数学优化模型,将机组的启停状态及机组在每时段的有功出力分配作为决策变量,采用二阶随机优化模型对最优风电场景树进行优化,输出最优的机组调度。本发明结合场景树创建和缩减技术得到最优风电场景,基于二阶随机优化,以最小成本和低碳为目标,采用增强ε约束的多目标算法及混合整数线性规划,最终得到最优的机组调度,可靠性和适用性好。
Description
技术领域
本发明涉及风电—抽水蓄能联合系统优化的技术领域,更具体地说,本发明涉及一种风电—抽水蓄能联合系统的多目标优化方法。
背景技术
当今世界越来越重视可再生环保能源的利用,风能发电作为一项重要举措正在不断发展,中国风机的总装机容量处于世界前列。
由于风能的随机性和波动性导致了风电出力不可控,当一定装机容量的风电直接入网时,可能会对电网产生巨大冲击,为了保证电网稳定安全的运行,只能限制风电入网的规模,这样就会出现大量的弃风现象导致风资源难以有效利用。为此,电力系统应着重解决风电大规模入网后的功率平衡和备用等问题,抽水蓄能装置响应快、实时调节能力强,即清洁又高效,并且风电—抽水蓄能电站的联合运行已有相对成熟的经验,是平滑风电场有功功率输出、维护电网安全稳定运行的有效措施。机组组合优化调度的实现,是目前国内外研究的热点问题。
我国电力调度经历“三公调度”、“经济调度”和“节能调度”三个重要的发展阶段,不同的调度方式代表了各时期系统调度不同的侧重点。随着低碳经济的不断发展和完善,电力行业作为我国一次能源的最大消费体以及排碳大户,其传统电力调度方式亟待改革,提高能源利用率、减少碳排放量等问题将成为未来电力调度改革必须考虑的重要因素。低碳电力调度是在传统电力调度基础上的继承和发展,它以实现电力系统低能耗、低污染、低排放的“三低”运行为最终目标。因此,如何在保证经济性的同时有效实现低碳目标已成为我国目前低碳电力研究的关键问题,对风电—抽水蓄能联合系统进行低碳、低成本的多目标优化研究显得尤为必要。
发明内容
针对上述技术中存在的不足之处,本发明提供一种风电—抽水蓄能联合系统的多目标优化方法,结合场景树创建和缩减技术得到最优风电场景,基于二阶随机优化,以最小成本和低碳为目标,采用增强ε约束的多目标算法及混合整数线性规划,最终得到最优的机组调度,可靠性和适用性好,可有效解决大规模、非线性、含混合整数的多目标优化问题。
为了实现根据本发明的这些目的和其它优点,本发明通过以下技术方案实现:
本发明提供一种风电—抽水蓄能联合系统的多目标优化方法,基于日前风电功率预测值已知且负荷确定,其特征在于,包括以下步骤:
基于风电输出功率预测及预测误差的概率分布,采用自回归滑动平均模型进行场景采样并建立一组初始场景;
采用场景缩减对初始场景进行处理得到最优风电场景树;
建立以低碳和低成本为目标的数学优化模型,将机组的启停状态及机组在每时段的有功出力分配作为决策变量,采用二阶随机优化模型对最优风电场景树进行优化,输出最优的机组调度。
优选的是,采用自回归滑动平均模型进行场景采样并建立一组初始场景,包括以下步骤:
采用自回归滑动平均模型对风电输出功率预测误差进行估计,即,
则,场景S下风电场在各个时段的输出有功为:
随机产生S个风电场输出功率场景,记为初始场景S,概率密度记为P;
其中,p、q分别为自回归滑动平均模型的自回归及滑动平均部分的阶数,取1;θj为模型参数,估计得到;εt~N(0,σE);为预测跨度为t个时段的风电场输出功率预测误差与预测期望功率值的比值。
优选的是,采用场景缩减对初始场景进行处理得到最优风电场景树,包括以下步骤:
采用场景缩减删除一组场景J,缩减后场景树的概率密度记为Q;
采用Kantorovich距离Dk衡量初始场景和缩减后场景的距离,则,其中,表示场景i和j的间距;
设最优场景树为H,则,H=S-J;对应的删减场景J满足使minDk(P,Q),则,缩减后场景的概率为其初始概率和所有与之距离接近而删除的场景的概率之和,即:
优选的是,所述低碳的碳排放包括机组碳排放和大电网等值碳排放,所述低成本的成本包括机组启动费用和运行费用,则,
其中,Femission为碳排放量,Fcost为总费用;βh为场景h的概率;
描述机组i在t时段的启动状态;机组处于启动状态,机组处于停止状态,
为机组i在t时段的启动费用,当连续停机时间小于热启动临界时间tih时,取热启动费用反之,取冷启动费用
描述场景h下机组i在t时段的燃料费,ai、bi、ci为机组运行成本的相关系数,ais、bis、cis为机组碳排放的相关系数。
优选的是,采用二阶随机优化模型对最优风电场景树进行优化,包括以下步骤:
将最优风电场景树的优化分成两个独立的优化阶段,定义机组的启停为具有离散变量的第一优化阶段,定义各机组每时段的有功出力及负荷分配为具有连续变量的第二优化阶段;
通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化。
优选的是,所述第一优化阶段的相关约束包括:
机组开停机时间约束,其中,机组i在t时段的连 续运行或停机时间,连续运行取值为正,连续停机取负值;为机组i的最小运行时间,为机组i的最小停机时间;
抽水蓄能电站输出有功功率约束:
抽水和发电两种运行状态下水动态平衡及水库水容约束为:
其中,分别为上下水库容量,αP、αG分别为抽水和发电的水流量系数。
优选的是,所述第二优化阶段的相关约束包括:
场景h中t时段系统功率平衡约束为:其中,为为机组的有功功率,为风机的有功功率,对抽水蓄能电站输出的有功功率,为负荷功率;
场景h中t时段火电发电量上下限为;
机组爬坡约束为:其中,为t时段机组功率下降的最大功率,为t时段机组功率上升的最大功率。
优选的是,通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化,包括步骤:
将Fcost作为主目标函数,Femission加入比例因数δ和松弛变量s2后作为约束条件,并定义F1(x)=Fcost,F2(x)=Femission;
对两个目标F1(x)和F2(x)分别进行优化计算,得到F1(x)的最大值和最小值F2(x)的最大值和最小值即目标F2(x)最大取值为 目标F2(x)的取值范围为r2,
根据增强ε约束算法,将r2划分成q2个等值区间,程序中设定q2数值,第z个区间的边界值为则
将两个目标函数转换为单目标函数,则,
其中,
δ的取值范围是10-3~10-6;
根据以下判定的条件输出优化结果:
初始化区间号z2=0和方案序号neff=0;z2=z2+1表示循环;
将对应z2取值的相关数值带入改进的目标函数进行计算,若满足限 制条件则,方案序号neff+1,且区间序号z2+1继续循环上述计算;若z2不满足限制条件,则结束运算,方案序号取其前一个neff的值;
输出最优解,即为序号neff所对应的方案。
优选的是,q2=20。
本发明至少包括以下有益效果:
1)本发明基于日前风电功率预测值已知且负荷确定的情况下,结合场景树创建和缩减技术得到最优风电场景,基于二阶随机优化,以最小成本和低碳为目标,采用增强ε约束的多目标算法及混合整数线性规划,最终得到最优的机组调度,可靠性和适用性好,可有效解决大规模、非线性、含混合整数的多目标优化问题;
2)采用二阶段随机优化模型结合场景树,减小风电的不确定性给日前调度带来的预测误差问题;
3)计算过程中加入混合整数现行规划,解决决策变量部分取整的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的风电—抽水蓄能联合系统的多目标优化方法的示意图;
图2为本发明所述的增强ε约束的多目标算法的逻辑流程框图;
图3为本发明所述的风电—抽水蓄能联合系统的多目标优化方法流程图;
图4为本发明所述的采用自回归滑动平均模型建立初始场景的流程图;
图5为本发明所述的采用场景缩减对初始场景处理得到最优风电场景树的流程图;
图6为本发明所述的采用二阶随机优化模型对最优风电场景树进行优化的流程图;
图7为本发明所述的通过混合整数线性规划以及增强ε约束的多目标优 化对第一优化阶段和第二优化阶段分别进行优化的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1至图3所示,本发明提供一种风电—抽水蓄能联合系统的多目标优化方法,基于日前风电功率预测值已知且负荷确定,包括以下步骤:
S1,基于风电输出功率预测及预测误差的概率分布,采用自回归滑动平均模型进行场景采样并建立一组初始场景;
S2,采用场景缩减对初始场景进行处理得到最优风电场景树;
S3,建立以低碳和低成本为目标的数学优化模型,将机组的启停状态及机组在每时段的有功出力分配作为决策变量,采用二阶随机优化模型对最优风电场景树进行优化。
上述实施方式中,步骤S1中,采用自回归滑动平均模型进行场景采样并建立一组初始场景,如图4所示,具体包括以下步骤:
S11,采用自回归滑动平均模型对风电输出功率预测误差进行估计,即,
则,场景S下风电场在各个时段的输出有功为:
S12,随机产生S个风电场输出功率场景,记为初始场景S,概率密度记为P;
其中,p、q分别为自回归滑动平均模型的自回归及滑动平均部分的阶数,取1;θj为模型参数,估计得到;εt~N(0,σE);为预测跨度为t个时段的风电场输出功率预测误差与预测期望功率值的比值。
上述实施方式中,步骤S2中,采用场景缩减对初始场景进行处理得到最优风电场景树,如图5所示,包括以下步骤:
S21,采用场景缩减删除一组场景J,缩减后场景树的概率密度记为Q;
S22,采用Kantorovich距离Dk衡量初始场景和缩减后场景的距离,则,其中,表示场景i和j的间距;
S23,设最优场景树为H,则,H=S-J;对应的删减场景J满足使minDk(P,Q),则,缩减后场景的概率为其初始概率和所有与之距离接近而删除的场景的概率之和,即:
上述实施方式中,定义步骤S3中低碳的碳排放包括机组碳排放和大电网等值碳排放、低成本的成本包括机组启动费用和运行费用,则,
其中,Femission为碳排放量,Fcost为总费用;βh为场景h的概率;
描述机组i在t时段的启动状态;机组处于启动状态,机组处于停止状态,
为机组i在t时段的启动费用,当连续停机时间小于热启动临界时间tih时,取热启动费用反之,取冷启动费用
描述场景h下机组i在t时段的燃料费,ai、bi、ci为机组运行成本的相关系数,ais、bis、cis为机组碳排放的相关系数。
上述实施方式中,因为目标函数中的决策变量为机组的开停机状态及机组在每个时段的有功出力,可结合二阶随机优化方法,将机组组合的优化问题拆解成具有离散变量和连续变量的两个独立的优化阶段,即:第一优化阶段确定机组的启停;第二优化阶段确定各机组每时段的出力及负荷分配,从而以实现机组的优化控制和调度。所以,步骤S3中,采用二阶随机优化模型对最优风电场景树进行优化,如图6所示,包括以下步骤:
S31,将最优风电场景树的优化分成两个独立的优化阶段,定义机组的启停为具有离散变量的第一优化阶段,定义各机组每时段的有功出力及负荷分配为具有连续变量的第二优化阶段;
S32,通过混合整数线性规划以及增强ε约束的多目标优化对第一优化阶 段和第二优化阶段分别进行优化。
上述实施方式中,机组启停决策需要在系统未来风电及负荷需求不确定的条件下做出,而决定各机组出力分配的经济调度是可以在电力交付时刻到来之前在该时段已启动的机组之间进行分配的。机组启停决策应在保证次日各种运行场景下的调度决策都可行的前提下,满足机组最小开停机时间约束,使机组的成本最小。应用场景树来模拟系统未来可能的风电出力及其概率,并在确定机组启停决策时引入虚拟的第二优化阶段调度决策,以此模拟某种机组启停状态下次日每一场景出现后系统的运行调度方式。第二优化阶段决策量需要满足各个场景下的风电及符合需求、机组爬坡速率及输出功率限制等。
具体地,步骤S31中的第一优化阶段的相关约束包括:
1.机组开停机时间约束,其中,机组i在t时段的连续运行或停机时间,连续运行取值为正,连续停机取负值;为机组i的最小运行时间,为机组i的最小停机时间;
2.抽水蓄能电站输出有功功率约束:
3.抽水和发电两种运行状态下水动态平衡及水库水容约束为:
其中,分别为上下水库容量,αP、αG分别为抽水和发电的水流量系数。
具体地,步骤S31中的第二优化阶段的相关约束包括:
1.场景h中t时段系统功率平衡约束为:其中,为为机组的有功功率,为风机的有功功率,对抽水蓄能电站输出的有功功率,为负荷功率;
2.场景h中t时段火电发电量上下限为;
3.机组爬坡约束为:其中,为t时段机组功率下降的最大功率,为t时段机组功率上升的最大功率。
上述实施方式中,确定各机组启停后,即可执行相应机组的启停动作。同时这一变量继续提供给第二优化阶段,即在第二优化阶段机组启停状态为 确定变量,在开机的机组中继续通过随机优化确定其出力实现优化调度。目标函数中的决策变量为机组的开停机状态及其在各时段的有功出力,由于每个机组的开停机状态ui(i=1,2,...,n)为离散变量(取值0或1),机组i在t时段的有功出力为连续变量,所以计算时要加入混合整数线性规划。具体地,步骤S32中,通过混合整数线性规划以及增强ε约束的多目标优化对第一优化阶段和第二优化阶段分别进行优化,如图7所示,包括步骤:
S321,将Fcost作为主目标函数,Femission加入比例因数δ和松弛变量s2后作为约束条件,并定义F1(x)=Fcost,F2(x)=Femission;
S322,对两个目标F1(x)和F2(x)分别进行优化计算,得到F1(x)的最大值和最小值F2(x)的最大值和最小值即目标F2(x)最大取值为 目标F2(x)的取值范围为r2,具体如下表1所示:
表1 F1(x)和F2(x)的优化计算
S323,根据增强ε约束算法,将r2划分成q2个等值区间,程序中设定q2数值,第z个区间的边界值为则
S324,将两个目标函数转换为单目标函数,则,
δ的取值范围是10-3~10-6;
S325,根据以下判定的条件输出优化结果:
1.初始化区间号z2=0和方案序号neff=0;z2=z2+1表示循环;
2.将对应z2取值的相关数值带入改进的目标函数进行计算,若满足限制条件则,方案序号neff+1,且区间序号z2+1继续循环上述计算;若z2不满足限制条件,则结束运算,方案序号取其前一个neff的值;
3.输出最优解,即为序号neff所对应的方案。
上述实施方式中,由于划分等值区间时,区间越多计算结果越精细越优,但同时计算量也增大,所以q2应适当取值,本实施方式中q2的最优选值为20, 即q2=20。
上述实施方式中,经过计算得出的目标函数取值最小时对应每个机组的开停机状态ui(i=1,2,...,n)和各个机组在t时段的有功出力即决策变量的最优解。在实际运行中,一阶段的计算结束后即可根据结果指导各机组的开停机,二阶段随机优化过程中,根据各时段计算结果指导火电机组的出力分配以及抽水蓄能电站相应的调度,实现优化目标。
根据上述实施方式可知,本发明提供的风电—抽水蓄能联合系统的多目标优化方法,在基于日前风电功率预测值已知且负荷确定的情况下,结合场景树创建和缩减技术得到最优风电场景,基于二阶随机优化,以最小成本和低碳为目标,采用增强ε约束的多目标算法及混合整数线性规划,最终得到最优的机组调度;可靠性和适用性好,可有效解决大规模、非线性、含混合整数的多目标优化问题;其中采用二阶段随机优化模型结合场景树,减小风电的不确,定性给日前调度带来的预测误差问题;计算过程中加入混合整数现行规划,解决决策变量部分取整的问题。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种风电—抽水蓄能联合系统的多目标优化方法,基于日前风电功率预测值已知且负荷确定,其特征在于,包括以下步骤:
基于风电输出功率预测及预测误差的概率分布,采用自回归滑动平均模型进行场景采样并建立一组初始场景;
采用场景缩减对初始场景进行处理得到最优风电场景树;
建立以低碳和低成本为目标的数学优化模型,将机组的启停状态及机组在每时段的有功出力分配作为决策变量,采用二阶随机优化模型对最优风电场景树进行优化,输出最优的机组调度。
2.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,采用自回归滑动平均模型进行场景采样并建立一组初始场景,包括以下步骤:
采用自回归滑动平均模型对风电输出功率预测误差进行估计,即,
则,场景S下风电场在各个时段的输出有功为:
随机产生S个风电场输出功率场景,记为初始场景S,概率密度记为P;
其中,p、q分别为自回归滑动平均模型的自回归及滑动平均部分的阶数,取1;θj为模型参数,估计得到;εt~N(0,σE);为预测跨度为t个时段的风电场输出功率预测误差与预测期望功率值的比值。
3.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,采用场景缩减对初始场景进行处理得到最优风电场景树,包括以下步骤:
采用场景缩减删除一组场景J,缩减后场景树的概率密度记为Q;
采用Kantorovich距离Dk衡量初始场景和缩减后场景的距离,则,
其中,表示场景i和j的间距;
设最优场景树为H,则,H=S-J;对应的删减场景J满足使minDk(P,Q),则,缩减后场景的概率为其初始概率和所有与之距离接近而删除的场景的概率之和,即:
4.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,所述低碳的碳排放包括机组碳排放和大电网等值碳排放,所述低成本的成本包括机组启动费用和运行费用,则,
其中,Femission为碳排放量,Fcost为总费用;βh为场景h的概率;
描述机组i在t时段的启动状态;机组处于启动状态,机组处于停止状态,
为机组i在t时段的启动费用,当连续停机时间小于热启动临界时间tih时,取热启动费用反之,取冷启动费用
描述场景h下机组i在t时段的燃料费,ai、bi、ci为机组运行成本的相关系数,ais、bis、cis为机组碳排放的相关系数。
5.如权利要求4所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,采用二阶随机优化模型对最优风电场景树进行优化,包括以下步骤:
将最优风电场景树的优化分成两个独立的优化阶段,定义机组的启停为具有离散变量的第一优化阶段,定义各机组每时段的有功出力及负荷分配为具有连续变量的第二优化阶段;
通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化。
6.如权利要求5所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,所述第一优化阶段的相关约束包括:
机组开停机时间约束,其中,机组i在t时段的连 续运行或停机时间,连续运行取值为正,连续停机取负值;为机组i的最小运行时间,为机组i的最小停机时间;
抽水蓄能电站输出有功功率约束:
抽水和发电两种运行状态下水动态平衡及水库水容约束为:
其中,分别为上下水库容量,αP、αG分别为抽水和发电的水流量系数。
7.如权利要求5或6所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,所述第二优化阶段的相关约束包括:
场景h中t时段系统功率平衡约束为:其中,为为机组的有功功率,为风机的有功功率,对抽水蓄能电站输出的有功功率,为负荷功率;
场景h中t时段火电发电量上下限为;
机组爬坡约束为:其中,为t时段机组功率下降的最大功率,为t时段机组功率上升的最大功率。
8.如权利要求7所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化,包括步骤:
将Fcost作为主目标函数,Femission加入比例因数δ和松弛变量s2后作为约束条件,并定义F1(x)=Fcost,F2(x)=Femission;
对两个目标F1(x)和F2(x)分别进行优化计算,得到F1(x)的最大值和最小值F2(x)的最大值和最小值即目标F2(x)最大取值为 目标F2(x)的取值范围为r2,
根据增强ε约束算法,将r2划分成q2个等值区间,程序中设定q2数值,第z个区间的边界值为则
将两个目标函数转换为单目标函数,则,
s.t.
δ的取值范围是10-3~10-6;
根据以下判定的条件输出优化结果:
初始化区间号z2=0和方案序号neff=0;z2=z2+1表示循环;
将对应z2取值的相关数值带入改进的目标函数进行计算,若满足限制条件则,方案序号neff+1,且区间序号z2+1继续循环上述计算;若z2不满足限制条件,则结束运算,方案序号取其前一个neff的值;
输出最优解,即为序号neff所对应的方案。
9.如权利要求8所述的风电—抽水蓄能联合系统的多目标优化方法,其特征在于,q2=20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811853.2A CN106230028B (zh) | 2016-09-08 | 2016-09-08 | 一种风电—抽水蓄能联合系统的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811853.2A CN106230028B (zh) | 2016-09-08 | 2016-09-08 | 一种风电—抽水蓄能联合系统的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106230028A true CN106230028A (zh) | 2016-12-14 |
CN106230028B CN106230028B (zh) | 2019-01-22 |
Family
ID=58074741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811853.2A Active CN106230028B (zh) | 2016-09-08 | 2016-09-08 | 一种风电—抽水蓄能联合系统的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106230028B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN106997407A (zh) * | 2016-12-29 | 2017-08-01 | 武汉大学 | 基于趋势拟合的风资源场景缩减方法 |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN108491983A (zh) * | 2018-04-11 | 2018-09-04 | 西南交通大学 | 一种多堆燃料电池发电系统大规模机组组合优化方法 |
CN109193639A (zh) * | 2018-10-10 | 2019-01-11 | 河海大学 | 一种电力系统抗差估计方法 |
CN110442914A (zh) * | 2019-07-03 | 2019-11-12 | 大连理工大学 | 一种上下游水位敏感的水库群短期调度milp求解模型 |
CN111045077A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 一种陆地地震数据的全波形反演方法 |
CN111525620A (zh) * | 2020-05-12 | 2020-08-11 | 国网浙江省电力有限公司电力科学研究院 | 一种基于热网蓄热的风电与热电联产系统的优化调度方法 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112332454A (zh) * | 2020-11-13 | 2021-02-05 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
CN112686432A (zh) * | 2020-12-17 | 2021-04-20 | 湖北工业大学 | 一种多目标水电-风电优化调度模型方法 |
CN114256840A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种新能源多场景预测结果的整合方法及系统 |
CN114256882A (zh) * | 2021-11-24 | 2022-03-29 | 国网湖南省电力有限公司 | 一种基于风险控制的风储联合系统调度方法及系统 |
CN114338426A (zh) * | 2021-12-31 | 2022-04-12 | 电子科技大学 | 一种多状态关联基础设施网络弹性优化方法 |
CN115513999A (zh) * | 2022-09-29 | 2022-12-23 | 湖北工业大学 | 一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统 |
CN115877879A (zh) * | 2022-11-28 | 2023-03-31 | 国网安徽省电力有限公司经济技术研究院 | 一种基于协调发展的抽水蓄能电站运行智能管控调节系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130207591A1 (en) * | 2009-06-29 | 2013-08-15 | Stem, Inc. | High speed feedback adjustment of power charge/discharge from an energy storage system |
CN104017755A (zh) * | 2014-05-20 | 2014-09-03 | 郑州市三维配电设备有限公司 | 一种药渣发酵菌组及药渣发酵工艺 |
-
2016
- 2016-09-08 CN CN201610811853.2A patent/CN106230028B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130207591A1 (en) * | 2009-06-29 | 2013-08-15 | Stem, Inc. | High speed feedback adjustment of power charge/discharge from an energy storage system |
CN104017755A (zh) * | 2014-05-20 | 2014-09-03 | 郑州市三维配电设备有限公司 | 一种药渣发酵菌组及药渣发酵工艺 |
Non-Patent Citations (2)
Title |
---|
张娜: "面向风电高不确定性的多周期机组组合研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
葛晓琳: "水火风发电系统多周期联合优化调度模型及方法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997407A (zh) * | 2016-12-29 | 2017-08-01 | 武汉大学 | 基于趋势拟合的风资源场景缩减方法 |
CN106997407B (zh) * | 2016-12-29 | 2022-08-16 | 武汉大学 | 基于趋势拟合的风资源场景缩减方法 |
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN107895971B (zh) * | 2017-11-28 | 2021-05-07 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN108491983A (zh) * | 2018-04-11 | 2018-09-04 | 西南交通大学 | 一种多堆燃料电池发电系统大规模机组组合优化方法 |
CN109193639A (zh) * | 2018-10-10 | 2019-01-11 | 河海大学 | 一种电力系统抗差估计方法 |
CN109193639B (zh) * | 2018-10-10 | 2021-05-11 | 河海大学 | 一种电力系统抗差估计方法 |
CN110442914A (zh) * | 2019-07-03 | 2019-11-12 | 大连理工大学 | 一种上下游水位敏感的水库群短期调度milp求解模型 |
CN111045077A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 一种陆地地震数据的全波形反演方法 |
CN111045077B (zh) * | 2019-12-20 | 2022-03-18 | 核工业北京地质研究院 | 一种陆地地震数据的全波形反演方法 |
CN111525620A (zh) * | 2020-05-12 | 2020-08-11 | 国网浙江省电力有限公司电力科学研究院 | 一种基于热网蓄热的风电与热电联产系统的优化调度方法 |
CN112018762A (zh) * | 2020-08-31 | 2020-12-01 | 南京工程学院 | 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法 |
CN112332454A (zh) * | 2020-11-13 | 2021-02-05 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
CN112686432A (zh) * | 2020-12-17 | 2021-04-20 | 湖北工业大学 | 一种多目标水电-风电优化调度模型方法 |
CN114256882A (zh) * | 2021-11-24 | 2022-03-29 | 国网湖南省电力有限公司 | 一种基于风险控制的风储联合系统调度方法及系统 |
CN114256882B (zh) * | 2021-11-24 | 2023-06-23 | 国网湖南省电力有限公司 | 一种基于风险控制的风储联合系统调度方法及系统 |
CN114256840A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种新能源多场景预测结果的整合方法及系统 |
CN114338426A (zh) * | 2021-12-31 | 2022-04-12 | 电子科技大学 | 一种多状态关联基础设施网络弹性优化方法 |
CN115513999A (zh) * | 2022-09-29 | 2022-12-23 | 湖北工业大学 | 一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统 |
CN115513999B (zh) * | 2022-09-29 | 2023-07-18 | 湖北工业大学 | 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统 |
CN115877879A (zh) * | 2022-11-28 | 2023-03-31 | 国网安徽省电力有限公司经济技术研究院 | 一种基于协调发展的抽水蓄能电站运行智能管控调节系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106230028B (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106230028A (zh) | 一种风电—抽水蓄能联合系统的多目标优化方法 | |
CN105046395B (zh) | 一种含多类型新能源的电力系统日内滚动计划编制方法 | |
Tushar et al. | Distributed real-time electricity allocation mechanism for large residential microgrid | |
CN107895971A (zh) | 基于随机规划和模型预测控制的区域能源互联网调度方法 | |
CN102097866B (zh) | 中长期机组组合优化方法 | |
CN114091913B (zh) | 考虑热网及p2g多园区综合能源系统低碳经济调度方法 | |
CN111681130A (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
Rong et al. | A dynamic regrouping based dynamic programming approach for unit commitment of the transmission-constrained multi-site combined heat and power system | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN112068436B (zh) | 工业园区的综合能源系统分层分布式控制方法及系统 | |
CN104377693A (zh) | 一种发电生产模拟模型 | |
CN105279707A (zh) | 一种综合考虑负荷与风电时序特性的随机生产模拟方法 | |
CN106097154A (zh) | 一种工业园区能源中心的调度方法及系统 | |
CN112165122A (zh) | 一种综合能源系统的运行方法及系统 | |
CN111293682A (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
Li et al. | Multi-energy flow cooperative dispatch for generation, storage, and demand in integrated energy systems with dynamic correction | |
Hu et al. | A novel model predictive control strategy for multi-time scale optimal scheduling of integrated energy system | |
CN114021965A (zh) | 一种梯级水电站群多目标多模式智能切换的优化调度方法 | |
CN116979612A (zh) | 一种综合考虑多类型储能特性的优化调度计算方法 | |
Jia et al. | On distributed event-based optimization for shared economy in cyber-physical energy systems | |
CN111064230A (zh) | 一种电热耦合系统的弃风消纳经济调度方法 | |
Wang et al. | Distributionally robust optimal scheduling of integrated energy systems including hydrogen fuel cells considering uncertainties | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
CN112446552B (zh) | 一种生物质气化冷热电联供系统的多目标优化方法 | |
CN104239960A (zh) | 考虑抽水蓄能机组的发电计划优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |