CN106327014A - 一种含风电场的电力系统调度优化方法 - Google Patents
一种含风电场的电力系统调度优化方法 Download PDFInfo
- Publication number
- CN106327014A CN106327014A CN201610719762.6A CN201610719762A CN106327014A CN 106327014 A CN106327014 A CN 106327014A CN 201610719762 A CN201610719762 A CN 201610719762A CN 106327014 A CN106327014 A CN 106327014A
- Authority
- CN
- China
- Prior art keywords
- particle
- formula
- wind energy
- energy turbine
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 66
- 230000006978 adaptation Effects 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241001479919 Ardeola grayii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 238000003462 Bender reaction Methods 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 235000020420 bandung Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
含风电场的电力系统调度优化方法包括:S101,种群初始化;S102,参数代入经济调度模型公式;S103,计算每个粒子的适应度值更新每个粒子的最佳适应度值、全局最佳值和所有最佳值中的最优值;S104,更新粒子位置坐标和速度;S105,判断是否达到最大迭代次数,如果是,则转S104,如果否,则执行下一步骤;S106,获得最佳模型。
Description
技术领域
本发明属于风电技术领域,特别涉及一种含风电场的电力系统调度优化方法。
背景技术
现有技术中,文献[1]在求解含风电场的电力系统动态经济调度问题时,模型中引入了正负旋转备用约束。文献[2]提出了求解含风电场的经济调度问题模糊模型。文献[3]提出了一种两阶段随机动态经济调度模型,采用随机分解算法对模型进行求解,以便于实时应用。另外对电力系统机组组合的研究,文献[4]中模拟退火算法优化遗传算法解决发电机组启停机优化问题,满足了安全可靠的多约束条件下,较好得改善机组启停计划的经济性。文献[5]采用了机会约束规划建立考虑运行风险的动态经济调度,其中将功率预测以一种概率预测的方式展现出来。文献[6]提出了计及电压调节效应考虑备用响应机制,把发电和负荷间机功率平衡的实现为线索的模型,采用基于Benders分解思想来求解模型。文献[7]搭建的含风电场的电力系统动态调度模型中包含了风电出力盈余和不足成本,采用布谷鸟搜索算法对目标函数进行求解。
文献[1]中只考虑了常规机组的发电成本,模型不够全面,文献[2]模糊模型中使用的隶属度函数较为简单,有很大的认为因素,结果不能反映实际情况文献[7]缺少了对含风电场的电力系统中的备用需求的成本。
本发明涉及的参考文献有:
[1]姜文,严正.基于一种改进粒子群算法的含风电场电力系统动态经济调度[J].
电力系统保护与控制,2010,38(21):173-178,183.
[2]Le Xie;Mari ja D.Ilic.Model predictive economic environmentaldispatch of power systems with intermittent resources.[C]Power&Energy SocietyGeneral Meeting,PES.09.IEEE,2009:1-6.
[3]Yang Liu;Nirmal-Kumar C.Nair.A Two-Stage Stochastic DynamicEconomic Dispatch Model Considering Wind Uncertainty.[C]Transactions onSustainable Energy,DOI:10.IEEE,2016:819-829.
[4]温步瀛.发电机组启停机计划的智能优化研究[D].福建:福州大学,2005.9
[5]刘德伟,郭剑波,黄越辉,王伟胜.基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度[J].中国电机工程学报,2013.6,33(16):9-15.
[6]孙东磊,韩学山,杨金洪.计及电压调节效应的电力系统机组组合[J].电工技术学报,2016.3,31(5):107-117.
[7]万隆,高明亮,梁作放,巴奉丽,伊丽菊.基于布谷鸟搜索算法的含风电场电力系统动态调度[J].山东理工大学学报(自然科学版),2015.11,29(6):1-4.
[8]中华人民共和国可再生能源法
http://baike.so.com/doc/6704954-6918929.html[2006-1-1]
[9]卓金武,李必文,魏永生,秦健.MATLAB在数学建模中的应用.[M]北京:北京航空航天大学出版社,2014:156
[10]王扬,郭创新,曹一家.风电短期预测及其并网调度方法研究.[D]浙江:浙江大学,2011.7
[11]吴颖.风电穿透功率及风电入网后系统短期运行研究[D].上海:上海交通大学,2009
发明内容
本发明提供一种含风电场的电力系统调度优化方法,
将停电损失引入到目标函数,通过最优模型求解出最优的机组组合及最小的成本,具体模型如下:
上式中J1,J2分别表示正负备用容量的损失成本,q1,q2分别为正负备用容量损失成本系数,(7)式中F1为加入停运损失后的总发电费用,
式中,T为时段数,t为时段,N为发电机台数,an,bn,cn分别表示第n台发电机组燃料成本系数,Pn,t为第n台发电机组第t时段输出的有功功率,Qn,t为机组n的启停费用,un,t为机组n在t时段的启停状态,0表示停机,1表示开机,en,fn为阀点效应系数,表示t时段机组n发电的最小出力,
对于式(1)有如下约束条件:
a)有功功率平衡约束。
式中为风电场k在第t段时段的有功功率输出,Nw为风电场总数,Pt L为第t时段的负荷总需求,负荷需求由常规机组出力和加上新能源风电场的功率输出,
b)常规机组发电出力约束
式中,分别为第n发电机组最小出力和最大出力,
c)发电机爬坡率约束
URn≤Pn,t-Pn,t-1≤DRn (4)
式中URn、DRn分别为发电机下调和上调爬坡速率,
d)系统正负旋转备用容量约束
负备用容量约束条件:
式(5)、(6)中分别表示t时段机组n发电的最大和最小出力,L%为系统总负荷对正负备用需求系数,wu%为风电出力预测误差对正备用容量的需求系数,wd%为风电出力预测出力对负备用容量的需求系数,Pw为风电场的额定装机容量总和,
采用粒子群算法,假设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,...,m)位置表示为即第i个粒子在D维搜索空间中的位置是Xi,也就是说,每一个粒子的位置就是一个潜在解,将Xi代入目标函数就可以计算出其适应值,根据适应值的大小衡量其优劣,
粒子个体经历过的最好位置记为整个群体所有粒子经历过的最好位置记为粒子i的速度记为粒子群算法采用下列公式对粒子所在的位置不断更新:
公式中hd为第d次迭代中的最优解,δ1、δ2为影响因子,r3是[0,1]区间的随机数,
同时加速系数根据如下公式更新:
其中c1min=c2min=0.5,c1max=c2max=2,dmax为最大迭代次数,
在搜索一开始,选择较大的c1和较小的c2,随着迭代次数的增加,c1线性递减,c2线性递增,使得接下去c1变小,c2变大,从而提高了全局最优值的收敛能力,
其特征在于,含风电场的电力系统调度优化方法包括以下步骤:
S101,种群初始化;
S102,参数代入经济调度模型公式(7);
S103,计算每个粒子的适应度值更新每个粒子的最佳适应度值、全局最佳值和所有最佳值中的最优值;
S104,由公式(10)、公式(11)更新粒子位置坐标和速度;
S105,判断是否达到最大迭代次数,如果是,则转S104,如果否,则执行下一步骤;
S106,获得最佳模型。
本发明在风电功率预测的基础上,考虑风电功率预测误差对系统带来的影响,同时在计算整个调度成本时把机组停运造成的损失考虑进去,得到最优的机组组合并建立了含风电场的电力系统经济调度模型。通过改进算法更快地对模型求解,提高风能在电力系统风电中的利用率,减少费用,提高经济性。
本发明的效果在经济上有明显的突出,本发明对含风电场的电力系统经济调度优化进行了研究,考虑了阀点效应成本,最主要加入了因风电功率预测误差造成的影响而产生的损失和机组停运造成的损失,完善了成本目标函数。采用粒子群算法对模型优化求解,并对粒子群算法的参数进行改进,证明了本文的改进后的PSO函数收敛。最后10机实验系统结果表明本文所建立的含风电场的电力系统经济调度模型合理,所采用的求解方法使得目标函数成本降低,为解决电力系统经济调度问题提供了新的途径。
附图说明
图1本发明的粒子群算法流程图。
图2本发明实施例中风电预测出力计划示意图。
具体实施方式
1建立含风电场的电力系统经济调度模型
1.1目标函数
根据《可再生能源法》说明[8],国家电网企业对上网风电必须全额收购,因此在不考虑风电的费用前提下,含风电场的电力系统经济调度的目标是使常规机组运行所产生的费用最少。考虑到常规机组阀点效应的系统地发电成本表达式为:
式中F为整体调度产生的发电费用,T为时段数(取24h)t为时段,N为发电机台数,an,bn,cn分别表示第n台发电机组燃料成本系数,Pn,t为第n台发电机组第t时段输出的有功功率,Qn,t为机组n的启停费用,un,t为机组n在t时段的启停状态,0表示停机,1表示开机,en,fn为阀点效应系数。表示t时段机组n发电的最小出力。
1.2约束条件
a)有功功率平衡约束。
式中为风电场k在第t段时段的有功功率输出,Nw为风电场总数。Pt L为第t时段的负荷总需求。模型中负荷需求由常规机组出力和加上新能源风电场的功率输出。
(2)常规机组发电出力约束
上式分别为第n发电机组最小出力和最大出力。
(3)发电机爬坡率约束
URn≤Pn,t-Pn,t-1≤DRn (4)
式中URn、DRn分别为发电机下调和上调爬坡速率。
(4)系统正负旋转备用容量约束
由于风电并网及负荷预测的不稳定性,加上发电机组强迫停运的存在,需要系统利用正负备用容量来应对负荷波动和机组停运带来的影响,同时风电的加入,由于误差的存在,也需要系统正负备用容量来消除其影响。正备用容量约束条件:
负备用容量约束条件:
式(5)、(6)中分别表示t时段机组n发电的最大和最小出力,L%为系统总负荷对正负备用需求系数,wu%为风电出力预测误差对正备用容量的需求系数,wd%为风电出力预测出力对负备用容量的需求系数。Pw为风电场的额定装机容量总和。
由于发电机组强迫停运也会造成相应的损失,这项停电损失本文引入到目标函数中去。通过最优模型求解出最优的机组组合及最小的成本。具体模型如下:
上式中J1,J2分别表示正负备用容量的损失成本,q1,q2分别为正负备用容量损失成本系数。(7)式中F1为加入停运损失后的总发电费用。
2改进的粒子群算法
2.1基本的粒子群算法
粒子群算法(Particle Swarm Optimization)最早是由美国电气工程师Eberhart和社会心理学家Kennedy在1995年给予群鸟觅食提出来的[9]。在群鸟觅食模型中,每个个体都可以被看成一个粒子,则鸟群可以被看成一个粒子群。假设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,...,m)位置表示为即第i个粒子在D维搜索空间中的位置是Xi。也就是说,每一个粒子的位置就是一个潜在解,将Xi代入目标函数就可以计算出其适应值,根据适应值的大小衡量其优劣。粒子个体经历过的最好位置记为整个群体所有粒子经历过的最好位置记为粒子i的速度记为粒子群算法采用下列公式对粒子所在的位置不断更新:
其中,i=1,2,..,m;d=1,2...,D;w是非负数,成为惯性因子;加速常数c1和c2是非负常数;r1和r2是[0,1]范围内变换的随机数;α称为约束因子,目的是控制速度的权重。
2.2改进的粒子群算法及其收敛性分析
PSO算法收敛速度快,需要调整的参数少,原理简单,容易实现,协同搜索,同时利用个体局部信息和群体全局信息指导搜索,更容易飞跃局部最优信息。但PSO算法的缺点也是显而易见的,算法局部搜索能力较差,搜索精度不够高,不能绝对保证搜索到全局最优解。为了提高算法的性能,对速度迭代更新公式中加入新的迭代量,更新公式如下:
公式中hd为第d次迭代中的最优解,δ1、δ2为影响因子,r3是[0,1]区间的随机数。引入了新的迭代量,解决了粒子群优化算法容易陷入局部最优的问题,避免算法出现“早熟”现象。
同时加速系数根据如下公式更新:
其中c1min=c2min=0.5,c1max=c2max=2,dmax为最大迭代次数。在搜索一开始,选择较大的c1和较小的c2,随着迭代次数的增加,c1线性递减,c2线性递增,使得接下去c1变小,c2变大,从而提高了全局最优值的收敛能力。图1为pso求解经济调度模型的算法流程图。同时对于算法的收敛性证明如下。
证明:对公式(10),(11)变形得到
在粒子群算法中存在如下定理1:
第i个粒子经历过的最好粒子pi d和整个群体所有粒子经历过的最好位置pg d,
G1=δ1c1r1,G2=δ2c2r2,G3=c3r3,
所有最佳粒子hd固定不变,则G=G1+G2+G3为参数,此定理成立则可以找到一组合适的参数是PSO算法收敛。
则(12)、(13)可以变为
将(14)、(15)转化如下向量表达:
令
所以要让算法收敛,X的模λ<1,即要小于1,又有定理2:pi d为第i个粒子经历过的最好粒子和pg d整个群体所有粒子经历过的最好位置,全局所有最佳粒子hd,且定理1成立,若算法收敛,则最后收敛在pi、pg、hd这三点线段上。
由(11)得并代入(14)得在PSO收敛下,当d→+∞时则结论成立。
3.算例分析
本发明为验证上述改进算法,采用了某装机容量20MW的风电场和10机机组实验系统进行含风电场的经济调度分析。相应的常规发电机机组参数参照文献[10][11]。本实施例中的调度周期以24h为时段进行分析,由于风的波动性导致风电功率的输出的不稳定,对后面10机机组的经济调度产生不可忽视的影响。对风功率数据的处理与预测就显得相当的重要。图2为风电预测出力计划。
在该算法中,迭代次数为40,群体规模为10,c1min=c2min=0.5,c1max=c2max=2,w=1,考虑到停电损失的存在,设置系统总负荷对正负备用需求系数L%为7%,风电出力预测误差对正备用容量的需求系数wu%为15%,风电出力预测出力对负备用容量的需求系数wd%为20%。采用改进粒子群算法前后相应机组优化组合如下表1,描述的是10机机组在改进粒子群算法优化过后的机组组合和停电损失与未改进时的结果的对比:
表1 改进粒子群算法和基本粒子群算法计算结果对比
表2 10机机组最优出力Pn,t/MW
表3 经济调度优化前后结果对比
由表1得到在含风电场的电力系统经济调度中,本发明采取改进后的粒子群算法机组组合有了一定的变化,同时实现了经济成本的下降。表2为各个时段的各台机组出力情况,表3中在采用优化算法优化过后明显比未采用算法优化的模型成本降低了很多,而后在改进粒子群算法和基本粒子群算法的对比中,本发明所用的改进粒子群算法使发电总成本F1从569500$到566980$,省了2520$,相应优化后的机组组合使发电机组的停电损失从3144.5934$到2923.8697$,省了220.7237$,发电总成本一共省了2740.7237$。
Claims (1)
1.一种含风电场的电力系统调度优化方法,
将停电损失引入到目标函数,通过最优模型求解出最优的机组组合及最小的成本,具体模型如下:
上式中J1,J2分别表示正负备用容量的损失成本,q1,q2分别为正负备用容量损失成本系数,(7)式中F1为加入停运损失后的总发电费用,
式中,T为时段数,t为时段,N为发电机台数,an,bn,cn分别表示第n台发电机组燃料成本系数,Pn,t为第n台发电机组第t时段输出的有功功率,Qn,t为机组n的启停费用,un,t为机组n在t时段的启停状态,0表示停机,1表示开机,en,fn为阀点效应系数,表示t时段机组n发电的最小出力,
对于式(1)有如下约束条件:
a)有功功率平衡约束。
式中为风电场k在第t段时段的有功功率输出,Nw为风电场总数,为第t时段的负荷总需求,负荷需求由常规机组出力和加上新能源风电场的功率输出,
b)常规机组发电出力约束
式中, 分别为第n发电机组最小出力和最大出力,
c)发电机爬坡率约束
URn≤Pn,t-Pn,t-1≤DRn (4)
式中URn、DRn分别为发电机下调和上调爬坡速率,
d)系统正负旋转备用容量约束
负备用容量约束条件:
式(5)、(6)中 分别表示t时段机组n发电的最大和最小出力,L%为系统总负荷对正负备用需求系数,wu%为风电出力预测误差对正备用容量的需求系数,wd%为风电出力预测出力对负备用容量的需求系数,Pw为风电场的额定装机容量总和,
采用粒子群算法,假设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,...,m)位置表示为即第i个粒子在D维搜索空间中的位置是Xi,也就是说,每一个粒子的位置就是一个潜在解,将Xi代入目标函数就可以计算出其适应值,根据适应值的大小衡量其优劣,
粒子个体经历过的最好位置记为整个群体所有粒子经历过的最好位置记为粒子i的速度记为粒子群算法采用下列公式对粒子所在的位置不断更新:
公式中hd为第d次迭代中的最优解,δ1、δ2为影响因子,r3是[0,1]区间的随机数,
同时加速系数根据如下公式更新:
其中c1min=c2min=0.5,c1max=c2max=2,dmax为最大迭代次数,
在搜索一开始,选择较大的c1和较小的c2,随着迭代次数的增加,c1线性递减,c2线性递增,使得接下去c1变小,c2变大,从而提高了全局最优值的收敛能力,
其特征在于,含风电场的电力系统调度优化方法包括以下步骤:
S101,种群初始化;
S102,参数代入经济调度模型公式(7);
S103,计算每个粒子的适应度值更新每个粒子的最佳适应度值、全局最佳值和所有最佳值中的最优值;
S104,由公式(10)、公式(11)更新粒子位置坐标和速度;
S105,判断是否达到最大迭代次数,如果是,则转S104,如果否,则执行下一步骤;
S106,获得最佳模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610719762.6A CN106327014A (zh) | 2016-08-24 | 2016-08-24 | 一种含风电场的电力系统调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610719762.6A CN106327014A (zh) | 2016-08-24 | 2016-08-24 | 一种含风电场的电力系统调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106327014A true CN106327014A (zh) | 2017-01-11 |
Family
ID=57790627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610719762.6A Pending CN106327014A (zh) | 2016-08-24 | 2016-08-24 | 一种含风电场的电力系统调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106327014A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133840A (zh) * | 2017-04-01 | 2017-09-05 | 东北电力大学 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
CN107194514A (zh) * | 2017-05-27 | 2017-09-22 | 重庆大学 | 一种针对风电功率预测误差的需求响应多时间尺度调度方法 |
CN107482690A (zh) * | 2017-09-26 | 2017-12-15 | 广东工业大学 | 风电与电动汽车协同调度的电力系统调度优化方法及系统 |
CN107590579A (zh) * | 2017-07-18 | 2018-01-16 | 燕山大学 | 一种利用热网储能特性的热‑电系统联合经济调度方法 |
CN107784427A (zh) * | 2017-08-08 | 2018-03-09 | 国网江苏省电力公司盐城供电公司 | 一种基于布谷鸟算法的虚拟电厂优化调度方法 |
CN108879787A (zh) * | 2018-08-17 | 2018-11-23 | 合肥工业大学 | 一种含风电的电网随机调度优化模型与方法 |
CN109599861A (zh) * | 2018-11-30 | 2019-04-09 | 国家电网公司西南分部 | 考虑本地负荷调峰能力的送端电网电源结构规划方法 |
CN110197310A (zh) * | 2019-06-10 | 2019-09-03 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN110310173A (zh) * | 2019-06-11 | 2019-10-08 | 上海电力学院 | 一种可再生能源参与中长期电力交易的电量分配方法 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763089A (zh) * | 2009-12-14 | 2010-06-30 | 江西省电力科学研究院 | 基于电力市场化环境下的火电厂机组出力优化运行方法 |
CN103151803A (zh) * | 2013-03-14 | 2013-06-12 | 吉林省电力有限公司电力科学研究院 | 一种含风电系统机组及备用配置的优化方法 |
-
2016
- 2016-08-24 CN CN201610719762.6A patent/CN106327014A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763089A (zh) * | 2009-12-14 | 2010-06-30 | 江西省电力科学研究院 | 基于电力市场化环境下的火电厂机组出力优化运行方法 |
CN103151803A (zh) * | 2013-03-14 | 2013-06-12 | 吉林省电力有限公司电力科学研究院 | 一种含风电系统机组及备用配置的优化方法 |
Non-Patent Citations (3)
Title |
---|
代兵琪: "基于改进粒子群算法的风储联合系统多目标协同调度", 《电气技术》 * |
卢锦玲: "基于改进多目标粒子群算法的含风电场电力系统优化调度", 《电力系统保护与控制》 * |
孙东旭: "基于功率预测的风电并网优化调度研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133840A (zh) * | 2017-04-01 | 2017-09-05 | 东北电力大学 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
CN107133840B (zh) * | 2017-04-01 | 2020-05-15 | 东北电力大学 | 一种面向电供热取暖促进风电就地消纳的多风场竞价方法 |
CN107194514A (zh) * | 2017-05-27 | 2017-09-22 | 重庆大学 | 一种针对风电功率预测误差的需求响应多时间尺度调度方法 |
CN107590579A (zh) * | 2017-07-18 | 2018-01-16 | 燕山大学 | 一种利用热网储能特性的热‑电系统联合经济调度方法 |
CN107784427A (zh) * | 2017-08-08 | 2018-03-09 | 国网江苏省电力公司盐城供电公司 | 一种基于布谷鸟算法的虚拟电厂优化调度方法 |
CN107482690A (zh) * | 2017-09-26 | 2017-12-15 | 广东工业大学 | 风电与电动汽车协同调度的电力系统调度优化方法及系统 |
CN108879787A (zh) * | 2018-08-17 | 2018-11-23 | 合肥工业大学 | 一种含风电的电网随机调度优化模型与方法 |
CN108879787B (zh) * | 2018-08-17 | 2021-04-13 | 合肥工业大学 | 一种含风电的电网随机调度优化模型与方法 |
CN109599861A (zh) * | 2018-11-30 | 2019-04-09 | 国家电网公司西南分部 | 考虑本地负荷调峰能力的送端电网电源结构规划方法 |
CN109599861B (zh) * | 2018-11-30 | 2022-09-16 | 国家电网公司西南分部 | 考虑本地负荷调峰能力的送端电网电源结构规划方法 |
CN110197310A (zh) * | 2019-06-10 | 2019-09-03 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN110197310B (zh) * | 2019-06-10 | 2021-04-30 | 燕山大学 | 一种基于负荷裕度域的充换电站优化调度方法 |
CN110310173A (zh) * | 2019-06-11 | 2019-10-08 | 上海电力学院 | 一种可再生能源参与中长期电力交易的电量分配方法 |
CN110310173B (zh) * | 2019-06-11 | 2021-10-08 | 上海电力学院 | 一种可再生能源参与中长期电力交易的电量分配方法 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327014A (zh) | 一种含风电场的电力系统调度优化方法 | |
Yang et al. | Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system | |
Sobu et al. | Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand | |
CN104779611B (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
Cai et al. | Wind speed forecasting based on extreme gradient boosting | |
Darras et al. | PV output power fluctuations smoothing: The MYRTE platform experience | |
CN104283236A (zh) | 一种风光储能并网发电智能优化调度方法 | |
CN103455729B (zh) | 一种确定光储并网联合发电调度值的方法 | |
CN115882523A (zh) | 含分布式储能的电力系统优化运行方法、系统及设备 | |
Liu et al. | Research on energy storage and high proportion of renewable energy planning considering demand | |
Wen et al. | ELCC-based capacity value estimation of combined wind-storage system using IPSO algorithm | |
CN114362218B (zh) | 基于深度q学习的微电网内多类型储能的调度方法及装置 | |
Jia et al. | On distributed event-based optimization for shared economy in cyber-physical energy systems | |
Liang et al. | Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning | |
Yu et al. | Optimal sizing of isolated renewable power systems with ammonia synthesis: Model and solution approach | |
CN105633950A (zh) | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 | |
Hua et al. | Design of energy dispatch strategy of active distribution network using chance-constrained programming | |
Sidorov et al. | Volterra models in load leveling problem | |
Lv et al. | Photovoltaic power forecasting in dunhuang based on recurrent neural network | |
Li et al. | Low carbon unit commitment for power system with wind farms and carbon capture devices based on DE-BBO algorithm | |
Gamez et al. | Optimal operation via a recurrent neural network of a wind-solar energy system | |
Fan et al. | Research on Optimal Operation and Capacity Configuration of Energy Storage Based on Pumped Storage Station | |
Han et al. | Research on the Flexibility Margin of an Electric–Hydrogen Coupling Energy Block Based on Model Predictive Control | |
Weichun et al. | Research on economic operation of multi-source peak-shaving involving nuclear power | |
Xia et al. | Review on Optimal Scheduling of Cascade Hydro-Wind-Solar-Pumped Storage Complementary System for the New Power System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170111 |
|
RJ01 | Rejection of invention patent application after publication |