CN107147116B - 一种风电投资规划的优化方法、装置及计算设备 - Google Patents
一种风电投资规划的优化方法、装置及计算设备 Download PDFInfo
- Publication number
- CN107147116B CN107147116B CN201710508954.7A CN201710508954A CN107147116B CN 107147116 B CN107147116 B CN 107147116B CN 201710508954 A CN201710508954 A CN 201710508954A CN 107147116 B CN107147116 B CN 107147116B
- Authority
- CN
- China
- Prior art keywords
- wind
- electricity generation
- powered electricity
- constraint
- investment
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 201
- 238000005457 optimization Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013439 planning Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 45
- 230000009977 dual effect Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 239000000243 solution Substances 0.000 description 47
- 238000004891 communication Methods 0.000 description 15
- 239000010410 layer Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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—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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电投资规划的优化方法、装置及计算设备,该方法包括:建立风电投资决策模型,所述风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件;建立系统运行模型,所述系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件;将所述系统运行模型进行条件转换,以获取第三约束条件;对所述系统运行模型进行求解以获取第一最优解,并将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型;求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。
Description
技术领域
本发明涉及能源电力领域,特别涉及一种风电投资规划的优化方法、装置及计算设备。
背景技术
可再生能源的上网电量受到一次能源供应和用电负荷同时率的影响。是否在某一地区进行可再生能源项目投资,进行多大规模的投资,需要考虑当地自然自然资源条件以及负荷特性。在未来电力市场环境下,作为可再生能源投资项目重要的收益评判指标,可再生能源在电力市场上的出清价格受传统机组、风电机组出力以及负荷不确定性的影响。
然而,现有的风电投资规划方案对于负荷水平的考量较少,没有全面且系统地考虑不同负荷水平下的市场边际价格,从而难以根据系统的负荷水平、风电出力的不确定性和传统机组的出力限制,来制定最优的风电投资策略。因此,需要一种新的风电投资规划的优化方法来改进上述处理过程。
发明内容
为此,本发明提供一种可再生能源项目投资组合优化的技术方案,以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面,提供一种风电投资规划的优化方法,适于在计算设备中执行,该方法包括如下步骤:首先建立风电投资决策模型,风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件;建立系统运行模型,系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件;将系统运行模型进行条件转换,以获取第三约束条件;对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型;求解风电投资优化模型以获取实现风电投资规划最优的第二最优解。
可选地,在根据本发明的风电投资规划的优化方法中,第一目标函数以如下公式确定:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。
可选地,在根据本发明的风电投资规划的优化方法中,第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。
可选地,在根据本发明的风电投资规划的优化方法中,风电出力约束以如下公式确定:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。
可选地,在根据本发明的风电投资规划的优化方法中,风电场装机容量约束以如下公式确定:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。
可选地,在根据本发明的风电投资规划的优化方法中,投资成本约束以如下公式确定:
其中,Cmax为风电投资商的投资资金上限。
可选地,在根据本发明的风电投资规划的优化方法中,第二目标函数以如下公式确定:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合。
可选地,在根据本发明的风电投资规划的优化方法中,第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。
可选地,在根据本发明的风电投资规划的优化方法中,系统供需平衡约束以如下公式确定:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。
可选地,在根据本发明的风电投资规划的优化方法中,线路功率约束以如下公式确定:
其中,表示线路k上的最大功率值。
可选地,在根据本发明的风电投资规划的优化方法中,传统机组出力约束以如下公式确定:
其中,分别表示发电机j出力的最小值和最大值。
可选地,在根据本发明的风电投资规划的优化方法中,线路电压相角约束以如下公式确定:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数。
可选地,在根据本发明的风电投资规划的优化方法中,将系统运行模型进行条件转换,以获取第三约束条件的步骤包括:获取最优化条件,最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;通过最优化条件对系统运行模型进行条件转换,以获取第三约束条件。
可选地,在根据本发明的风电投资规划的优化方法中,对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型的步骤包括:对系统运行模型进行求解以获取第一最优解,第一最优解以如下公式表示:
其中,和为满足第二约束条件和第三约束条件的对偶变量,K为线路总数;将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型,风电投资优化模型以如下公式表示:
其中,风电投资优化模型满足第一约束条件和第三约束条件。
根据本发明的又一个方面,提供一种风电投资规划的优化装置,该装置适于驻留在计算设备中,包括第一建立模块、第二建立模块、转换模块、生成模块和计算模块。其中,第一建立模块适于建立风电投资决策模型,风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件;第二建立模块适于建立系统运行模型,系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件;转换模块适于将系统运行模型进行条件转换,以获取第三约束条件;生成模块适于对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型;计算模块适于求解风电投资优化模型以获取实现风电投资规划最优的第二最优解。
根据本发明的又一个方面,提供一种计算设备,包括根据本发明的风电投资规划的优化装置。
根据本发明的又一个方面,提供一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行根据本发明的可风电投资规划的优化方法的指令。
根据本发明的又一个方面,还提供一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行根据本发明的风电投资规划的优化方法。
根据本发明的风电投资规划的优化的技术方案,首先建立风电投资决策模型和系统运行模型,各模型具有相应的目标函数和约束条件,将系统运行模型进行条件转换,以获取第三约束条件,再对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型,最后,求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。在上述技术方案中,风电投资决策模型作为上层模型,系统运行模型作为下层模型,两者组合在一起则形成了双层模型,通过对下层模型进行转换和求解后的结果代入上层模型,来进一步求解双层模型的最优值,将双层决策问题转化成为单层问题,化繁为简,提升了最优解的可靠性与准确性,从而在在考虑市场出清价格和负荷不确定性的条件下,该双层模型能够对风电投资和运行消纳进行协调优化和综合决策。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的结构框图;
图2示出了根据本发明的一个实施例的风电投资规划的优化方法200的流程图;
图3示出了根据本发明一个实施例的IEEE 24节点测试系统示意图;
图4示出了根据本发明一个实施例的不同季度典型日负荷曲线的示意图;
图5示出了根据本发明一个实施例的不同负荷水平下高中低风速变化情况的示意图;以及
图6示出了根据本发明的一个实施例的风电投资规划的优化装置300的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行根据本发明的风电投资规划的优化方法200。应用122包括根据本发明的风电投资规划的优化装置300。
图2示出了根据本发明一个实施例的风电投资规划的优化方法200的流程图。风电投资规划的优化方法200适于在计算设备(例如图1所示的计算设备100)中执行。
需要说明的是,风电投资决策模型和系统运行模型共同组成了风电规划的双层模型,其中,风电投资决策模型是上层模型,系统运行模型是下层模型,在建立双层模型时,为简化建模过程,保证模型可求解,进行了如下假设:
1.传统机组在批发市场中报价均为成本价,不考虑不同的传统发电企业之间的竞价行为,下层模型是对不同负荷水平下,风电消纳以及市场出清情况的仿真。
2.风电投资决策模型只针对风电建设目标年,通过模型确定在系统中不同节点进行风电投资决策。
3.不考虑电网建设的不确定性,并假设在风电投资目标年电网规划建设已经完成,风电投资决策模型是基于确定的电网规划和结构进行优化的。
4.风电在批发市场中报零价,不考虑政府对于风电补偿的情况。在这样的报价机制中,会在系统约束范围内,保证风电最大程度的消纳。在系统运行模型中,风电的利用效率主要受传统机组出力约束、线路潮流约束以及不同负荷水平约束。
5.不考虑系统网损,系统运行模型只考虑直流潮流约束。
如图2所示,方法200始于步骤S210。在步骤S210中,建立风电投资决策模型,风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件。根据本发明的一个实施例,第一目标函数以如下公式确定:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。
在该实施方式中,第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。对风电出力约束而言,因为风电出力受风速影响,为了考虑风速的不确定性对风电投资的影响,在每个负荷水平下将考虑高、中、低三类典型日风速水平,进而以如下公式确定风电出力约束:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。
对风电场装机容量约束而言,其以如下公式确定:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。在这里假设风电最小装机容量为20MW,也即风电装机容量增加的最小步长为20MW。
对投资成本约束而言,投资目标年总的投资成本不能高于风电投资商的投资资金上限,因此投资成本约束以如下公式确定:
其中,Cmax为风电投资商的投资资金上限。风电投资规划模型的决策变量集合包括风电场单位电量收益则由市场出清的边际价格决定,即αn,t=βn,t,其中βn,t为t时刻节点n处的批发市场节点电价。
随后,进入步骤S220,建立系统运行模型,系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件。根据本发明的一个实施例,第二目标函数以如下公式确定:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合。
在该实施方式中,第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。对系统供需平衡约束而言,其以如下公式确定:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。进一步地,线路k的功率值可表示为:
Ik,t(ω)=Bk(δo(k),t(ω)-δr(k),t(ω)) (7)
其中,Bk为线路k的电纳值;δ(ω)为电压相角。
对线路功率约束而言,其以如下公式确定:
其中,表示线路k上的最大功率值。
对传统机组出力约束而言,其以如下公式确定:
其中,分别表示发电机j出力的最小值和最大值。
对线路电压相角约束而言,其以如下公式确定:
δn,t(ω)=0,n=ref (11)
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数,则式(11)表示参考母线上的电压相角。
上述双层模型对考虑不同负荷水平下的投资目标年的风电投资决策问题进行了定量分析。由于该模型是包含随机变量的混合整数非线性规划问题,因此,需要对模型进行单层化和线性化。
在步骤S230中,将系统运行模型进行条件转换,以获取第三约束条件。根据本发明的一个实施例,可通过以下方式获取第三约束条件。首先,获取最优化条件,在该实施方式中,最优化条件优选为KKT(Karush-Kuhn-Tucker,库恩塔克)条件。之所以选择KKT条件,是由于作为下层模型的系统运行模型是线性的凸规划,能够用KKT条件进行转化,通过KKT条件可以使得下层模型的优化问题变为等式约束进入上层模型,从而使得上述双层模型变为单层优化问题。对于给定的一般线性凸规划问题:
min f(x)
s.t:hi(x)≤0,tj(x)=0
i=1,…,m,j=1,…,r,m和r均为正整数
则最优化条件,即KKT条件的基本形式以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0 (12)
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数。
然后,再通过最优化条件对系统运行模型进行条件转换,以获取第三约束条件。进而在该实施方式中,可得第三约束条件包括如下等式约束:
其中,为不等式约束(9)左右两端的对偶变量,ηk,t(ω)为等式约束(7)的对偶变量,为不等式约束(8)左右两端的对偶变量,为不等式约束(10)左右两端的对偶变量,φn,t(ω)为等式约束(11)的对偶变量。
对于下层模型的约束,对偶变量和对应约束应该满足正交条件,即hi(x)≤0,ui≥0且uihi(x)=0,为了保证该模型可求解,通过设置松弛变量将该正交条件约束进行了线性化,因此第三约束条件还包括如下不等式约束:
其中,为0-1变量,i=1,2,3,4,5,6,Mj为足够大的正整数,j=1,2,3。
接下来,执行步骤S240,对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型。首先,对系统运行模型进行求解以获取第一最优解,根据本发明的一个实施例,由式(1)可知,为非线性项,而式(1)又是凸规划,因此由强对偶理论可知,该模型一定有最优解且与对偶问题的最优解一致。通过强对偶理论,上述第一最优解以如下公式表示:
其中,和为满足第二约束条件和第三约束条件的对偶变量,K为线路总数。
然后,将将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型,风电投资优化模型以如下公式表示:
其中,风电投资优化模型满足第一约束条件和第三约束条件。
最后,执行步骤S250,求解风电投资优化模型以获取实现风电投资规划最优的第二最优解。
为获取上述风电投资优化模型的最终效果,在IEEE 24节点测试系统中进行仿真,IEEE 24节点系统中包括24条母线、11个常规发电机组节点以及17个负荷节点。图3示出了根据本发明一个实施例的IEEE 24节点测试系统示意图。对IEEE 24节点系统中日负荷曲线进行修正,基于华北地区某地的日负荷曲线以及风速数据对模型进行仿真计算,图4示出了根据本发明一个实施例的不同季度典型日负荷曲线的示意图,图5示出了根据本发明一个实施例的不同负荷水平下高中低风速变化情况的示意图。对于该IEEE 24节点测试系统,其传统机组数据如表1所示。
表1
在IEEE 24节点系统中节点1、2、7、13、15、16、18、21、22和23处有传统的发电机组,其出力区间和报价区间参见表1。测试系统中参考母线为14节点,即ref=14。风机能够在7、13、17和22节点处接入,其中接入最小单位为50MW,能够接入的最大容量分别是600、300、300和300,单位均为MW。风电总的投资上限是1.5×109美元。
对上述模型进行求解,结果是所有节点都按照最大容量装机时风电投资效益最大,预期收益是89.562×106美元。当风电投资上限变为1.0×109美元时,得到的风电最优装机策略是7节点处接入最大容量,即600MW,13节点处接入50MW风电,17节点处接入50MW,22节点处接入最大容量风电300MW,预计61.166×106美元。在该情景下,如果只分别使用第三季度和第四季度的典型日负荷和风速数据代入模型进行计算,可以发现在只使用第三季度数据时,7节点处装机600MW,22节点处装机300MW,13节点和17节点处均为100MW;当使用第四季度典型日负荷和风速数据计算时,7节点处装机300MW,22节点处装机300MW,13节点处装机50MW,17节点处装机0MW。在只使用第三季度的负荷和风速数据时,风电投资收益是76.746×106美元,当使用第四季度负荷和风电数据时,风电投资的收益是67.857×106美元。因为第三季度负荷峰谷差较小,且风电的反调峰特性没有第四季度明显,使得风电的上网电量较使用第四季度负荷和风速数据的情形时多,风电投资也能够获得更好的收益。
通过在IEEE 24节点系统中的仿真结果,可以发现,在负荷峰谷差较小且风电出力反调峰特性相对较弱的第一季度和第三季度,风电投资的收益要较第二季度和第四季度大。说明在风电投资的过程中需要对负荷水平以及负荷与风速的同步率进行更深入的分析,从而保证风电建设项目的收益率和风电的有效消纳。
图6示出了本发明一个实施例的风电投资规划的优化装置300的示意图。如图6所示,可再生能源项目投资组合优化装置300包括第一建立模块310、第二建立模块320、转换模块330、生成模块340和计算模块350。
第一建立模块310适于建立风电投资决策模型,风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件。第一建立模块进一步310适于按照如下公式构建第一目标函数:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。其中,第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。第一建立模块310进一步适于根据如下公式确定风电出力约束:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。第一建立模块310进一步适于根据如下公式确定风电场装机容量约束:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。第一建立模块310进一步适于根据如下公式确定投资成本约束:
其中,Cmax为风电投资商的投资资金上限。
第二建立模块320适于建立系统运行模型,所述系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件。第二建立模块320进一步适于按照如下公式构建所述第二目标函数:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合。其中,第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。第二建立模块320进一步适于根据如下公式确定所述系统供需平衡约束:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。第二建立模块320进一步适于根据如下公式确定所述线路功率约束:
其中,表示线路k上的最大功率值。第二建立模块320进一步适于根据如下公式确定所述传统机组出力约束:
其中,分别表示发电机j出力的最小值和最大值。第二建立模块320进一步适于根据如下公式确定所述线路电压相角约束:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角。
转换模块330与第二建立模块320相连,适于将系统运行模型进行条件转换,以获取第三约束条件。转换模块330进一步适于获取最优化条件,最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;通过最优化条件对系统运行模型进行条件转换,以获取第三约束条件。
生成模块340分别与第一建立模块310和转换模块330相连,适于对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型。生成模块进一步适于对系统运行模型进行求解以获取第一最优解,第一最优解以如下公式表示:
其中,和为满足第三约束条件的对偶变量,K为线路总数;将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型,风电投资优化模型以如下公式表示:
其中,风电投资优化模型满足第一约束条件和第三约束条件。
计算模块350与生成模块340相连,适于求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。
关于风电投资规划的优化的具体步骤以及实施例,在基于图2-5的描述中已经详细公开,此处不再赘述。
现有的风电投资规划方案对于负荷水平的考量较少,没有全面且系统地考虑不同负荷水平下的市场边际价格,从而难以根据系统的负荷水平、风电出力的不确定性和传统机组的出力限制,来制定最优的风电投资策略。根据本发明实施例的风电投资规划的优化的技术方案,首先建立风电投资决策模型和系统运行模型,各模型具有相应的目标函数和约束条件,将系统运行模型进行条件转换,以获取第三约束条件,再对系统运行模型进行求解以获取第一最优解,并将第一最优解和第三约束条件代入风电投资决策模型,以生成风电投资优化模型,最后,求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。在上述技术方案中,风电投资决策模型作为上层模型,系统运行模型作为下层模型,两者组合在一起则形成了双层模型,通过对下层模型进行转换和求解后的结果代入上层模型,来进一步求解双层模型的最优值,将双层决策问题转化成为单层问题,化繁为简,提升了最优解的可靠性与准确性,从而在在考虑市场出清价格和负荷不确定性的条件下,该双层模型能够对风电投资和运行消纳进行协调优化和综合决策。
A7.如A1-6中任一项所述的方法,所述第二目标函数以如下公式确定:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合。
A8.如A1-7中任一项所述的方法,所述第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。
A9.如A8所述的方法,所述系统供需平衡约束以如下公式确定:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。
A10.如A8或9所述的方法,所述线路功率约束以如下公式确定:
其中,表示线路k上的最大功率值
A11.如A8-10中任一项所述的方法,所述传统机组出力约束以如下公式确定:
其中,分别表示发电机j出力的最小值和最大值。
A12.如A8-11中任一项所述的方法,所述线路电压相角约束以如下公式确定:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数。
A13.如A7-12中任一项所述的方法,所述将所述系统运行模型进行条件转换,以获取第三约束条件的步骤包括:
获取最优化条件,所述最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;
通过所述最优化条件对所述系统运行模型进行条件转换,以获取第三约束条件。
A14.如A7-13中任一项所述的方法,所述对所述系统运行模型进行求解以获取第一最优解,并将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型的步骤包括:
对所述系统运行模型进行求解以获取第一最优解,所述第一最优解以如下公式表示:
其中,和为满足所述第二约束条件和所述第三约束条件的对偶变量,K为线路总数;
将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,所述风电投资优化模型以如下公式表示:
其中,所述风电投资优化模型满足所述第一约束条件和所述第三约束条件。
B16.如B15所述的装置,所述第一建立模块进一步适于按照如下公式构建所述第一目标函数:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。
B17.如B15或16所述的装置,所述第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。
B18.如B17所述的装置,所述第一建立模块进一步适于根据如下公式确定所述风电出力约束:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。
B19.如B17或18所述的装置,所述第一建立模块进一步适于根据如下公式确定所述风电场装机容量约束:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。
B20.如B17-19中任一项所述的装置,所述第一建立模块进一步适于根据如下公式确定投资成本约束:
其中,Cmax为风电投资商的投资资金上限。
B21.如B15-20中任一项所述的装置,所述第二建立模块进一步适于按照如下公式构建所述第二目标函数:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合。
B22.如B15-21中任一项所述的装置,所述第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。
B23.如B22所述的装置,所述第二建立模块进一步适于根据如下公式确定所述系统供需平衡约束:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。
B24.如B22或23所述的装置,所述第二建立模块进一步适于根据如下公式确定所述线路功率约束:
其中,表示线路k上的最大功率值
B25.如B22-24中任一项所述的装置,所述第二建立模块进一步适于根据如下公式确定所述传统机组出力约束:
其中,分别表示发电机j出力的最小值和最大值。
B26.如B22-25中任一项所述的装置,所述第二建立模块进一步适于根据如下公式确定所述线路电压相角约束:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数。
B27.如B21-26中任一项所述的装置,所述转换模块进一步适于:
获取最优化条件,所述最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;
通过所述最优化条件对所述系统运行模型进行条件转换,以获取第三约束条件。
B28.如B21-27中任一项所述的装置,所述生成模块进一步适于:
对所述系统运行模型进行求解以获取第一最优解,所述第一最优解以如下公式表示:
其中,和为满足所述第二约束条件和所述第三约束条件的对偶变量,K为线路总数;
将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,所述风电投资优化模型以如下公式表示:
其中,所述风电投资优化模型满足所述第一约束条件和所述第三约束条件。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的风电投资规划的优化方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (27)
1.一种风电投资规划的优化方法,适于在计算设备中执行,所述方法包括:
建立风电投资决策模型,所述风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件;
建立系统运行模型,所述系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件,所述第二目标函数以如下公式确定:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合;
将所述系统运行模型进行条件转换,以获取第三约束条件;
对所述系统运行模型进行求解以获取第一最优解,并将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,包括:
对所述系统运行模型进行求解以获取第一最优解,所述第一最优解以如下公式表示:
其中,和为满足所述第二约束条件和所述第三约束条件的对偶变量,K为线路总数;
将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,所述风电投资优化模型以如下公式表示:
其中,所述风电投资优化模型满足所述第一约束条件和所述第三约束条件;
求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。
2.如权利要求1所述的方法,所述第一目标函数以如下公式确定:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。
3.如权利要求1所述的方法,所述第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。
4.如权利要求3所述的方法,所述风电出力约束以如下公式确定:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。
5.如权利要求3所述的方法,所述风电场装机容量约束以如下公式确定:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。
6.如权利要求3所述的方法,所述投资成本约束以如下公式确定:
其中,Cmax为风电投资商的投资资金上限。
7.如权利要求1-6中任一项所述的方法,所述第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。
8.如权利要求7所述的方法,所述系统供需平衡约束以如下公式确定:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。
9.如权利要求7所述的方法,所述线路功率约束以如下公式确定:
其中,表示线路k上的最大功率值。
10.如权利要求7所述的方法,所述传统机组出力约束以如下公式确定:
其中,分别表示发电机j出力的最小值和最大值。
11.如权利要求7所述的方法,所述线路电压相角约束以如下公式确定:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数。
12.如权利要求1-6中任一项所述的方法,所述将所述系统运行模型进行条件转换,以获取第三约束条件的步骤包括:
获取最优化条件,所述最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;
通过所述最优化条件对所述系统运行模型进行条件转换,以获取第三约束条件。
13.一种风电投资规划的优化装置,适于驻留在计算设备中,所述装置包括:
第一建立模块,适于建立风电投资决策模型,所述风电投资决策模型包括实现投资目标年收益最大化的第一目标函数和对应的第一约束条件;
第二建立模块,适于建立系统运行模型,所述系统运行模型包括实现系统运行成本最小化的第二目标函数和对应的第二约束条件,所述第二建立模块进一步适于按照如下公式构建所述第二目标函数:
其中,F为系统运行成本,cj,m为传统机组的运行成本,为传统机组在t时刻的出力,J为传统机组集合,M为传统机组的报价区间集合;
转换模块,适于将所述系统运行模型进行条件转换,以获取第三约束条件;
生成模块,适于对所述系统运行模型进行求解以获取第一最优解,并将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,所述生成模块进一步适于:
对所述系统运行模型进行求解以获取第一最优解,所述第一最优解以如下公式表示:
其中,和为满足所述第二约束条件和所述第三约束条件的对偶变量,K为线路总数;
将所述第一最优解和所述第三约束条件代入所述风电投资决策模型,以生成风电投资优化模型,所述风电投资优化模型以如下公式表示:
其中,所述风电投资优化模型满足所述第一约束条件和所述第三约束条件;
计算模块,适于求解所述风电投资优化模型以获取实现风电投资规划最优的第二最优解。
14.如权利要求13所述的装置,所述第一建立模块进一步适于按照如下公式构建所述第一目标函数:
其中,W为投资目标年的收益,ω为负荷场景指标,S为场景指标数,pω为负荷情景ω出现的概率或频次,αn,t,Pn,t(ω)分别表示在t时刻节点n处的风电场单位电量收益以及风电的发电量,为节点n处风电的单位年投资成本,Zn为节点n处风电投资的装机容量,Ωup,Ωlow分别表示上下层模型的决策变量集合,N为节点数。
15.如权利要求13所述的装置,所述第一约束条件包括风电出力约束、风电场装机容量约束和投资成本约束。
16.如权利要求15所述的装置,所述第一建立模块进一步适于根据如下公式确定所述风电出力约束:
其中,表示给定风速下的风电出力,v表示风机风速,vcut-in、vcut-out与vr分别表示切入风速、切出风速及额定风速。
17.如权利要求15所述的装置,所述第一建立模块进一步适于根据如下公式确定所述风电场装机容量约束:
其中,表示节点n处第i台风电机组的装机容量,I为风电机组的总数量。
18.如权利要求15所述的装置,所述第一建立模块进一步适于根据如下公式确定投资成本约束:
其中,Cmax为风电投资商的投资资金上限。
19.如权利要求13-18中任一项所述的装置,所述第二约束条件包括系统供需平衡约束、线路功率约束、传统机组出力约束和线路电压相角约束。
20.如权利要求19所述的装置,所述第二建立模块进一步适于根据如下公式确定所述系统供需平衡约束:
其中,Jn表示节点n处发电机集合,o(k)和r(k)分别表示节点n送出节点以及注入节点的集合,Ik,t(ω)表示线路k上的功率值,dn,t(ω)表示在情景ω下节点n在时刻t的负荷,表示负荷情景ω下节点n处发电机j在报价区间m上的出力。
21.如权利要求19所述的装置,所述第二建立模块进一步适于根据如下公式确定所述线路功率约束:
其中,表示线路k上的最大功率值。
22.如权利要求19所述的装置,所述第二建立模块进一步适于根据如下公式确定所述传统机组出力约束:
其中,分别表示发电机j出力的最小值和最大值。
23.如权利要求19所述的装置,所述第二建立模块进一步适于根据如下公式确定所述线路电压相角约束:
δn,t(ω)=0,n=ref
其中,δn,t(ω)表示负荷情景ω下节点n在时刻t的线路的电压相角,ref为参考母线的节点数。
24.如权利要求13-18中任一项所述的装置,所述转换模块进一步适于:
获取最优化条件,所述最优化条件以如下公式确定:
hi(x)≤0,tj(x)=0,ui≥0
其中,f(x)为待优化函数,ui和vj为优化系数,hi(x)和tj(x)为优化函数,i=1,…,m,j=1,…,r,m和r均为正整数;
通过所述最优化条件对所述系统运行模型进行条件转换,以获取第三约束条件。
25.一种计算设备,包括如权利要求13-24中任一项所述的风电投资规划的优化装置。
26.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至12所述的方法中的任一方法的指令。
27.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至12所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508954.7A CN107147116B (zh) | 2017-06-28 | 2017-06-28 | 一种风电投资规划的优化方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508954.7A CN107147116B (zh) | 2017-06-28 | 2017-06-28 | 一种风电投资规划的优化方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107147116A CN107147116A (zh) | 2017-09-08 |
CN107147116B true CN107147116B (zh) | 2019-07-02 |
Family
ID=59785357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710508954.7A Active CN107147116B (zh) | 2017-06-28 | 2017-06-28 | 一种风电投资规划的优化方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107147116B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272148A (zh) * | 2018-08-24 | 2019-01-25 | 四川大学 | 煤化工园区集成水资源和排污权分配的二层决策优化方法 |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
CN110571791B (zh) * | 2019-07-29 | 2022-05-10 | 西南交通大学 | 一种新能源接入下的输电网规划的优化配置方法 |
CN112818280B (zh) * | 2019-11-18 | 2023-07-21 | 华为技术有限公司 | 一种信息处理方法以及相关设备 |
US20220317644A1 (en) * | 2020-02-28 | 2022-10-06 | Boe Technology Group Co., Ltd. | Production programming system and method based on nonlinear program model, and computer-readable storage medium |
CN111754361B (zh) * | 2020-06-29 | 2022-05-03 | 国网山西省电力公司电力科学研究院 | 风储联合调频系统的储能容量优化配置方法及计算设备 |
CN112541268A (zh) * | 2020-12-11 | 2021-03-23 | 国网河南省电力公司经济技术研究院 | 一种考虑风、光、储的园区配售电规划运营方法 |
CN113723823A (zh) * | 2021-08-31 | 2021-11-30 | 广东电网有限责任公司 | 电网运营的模拟装置及方法 |
CN114362168B (zh) * | 2022-01-11 | 2024-02-13 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103683326A (zh) * | 2013-12-05 | 2014-03-26 | 华北电力大学 | 一种区域电网风电多点接入最佳接纳能力的计算方法 |
CN105117814A (zh) * | 2015-07-03 | 2015-12-02 | 国家电网公司 | 基于改进杜鹃搜索算法的主动配电网双层风电规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091878A1 (en) * | 2015-09-25 | 2017-03-30 | Texas Tech University System | Method and system for controlling charge and discharge of high powered energy storage systems |
-
2017
- 2017-06-28 CN CN201710508954.7A patent/CN107147116B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103683326A (zh) * | 2013-12-05 | 2014-03-26 | 华北电力大学 | 一种区域电网风电多点接入最佳接纳能力的计算方法 |
CN105117814A (zh) * | 2015-07-03 | 2015-12-02 | 国家电网公司 | 基于改进杜鹃搜索算法的主动配电网双层风电规划方法 |
Non-Patent Citations (1)
Title |
---|
含风电场的电源规划研究;张节潭;《中国博士学位论文全文数据库》;20110215;第1-135页 |
Also Published As
Publication number | Publication date |
---|---|
CN107147116A (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107147116B (zh) | 一种风电投资规划的优化方法、装置及计算设备 | |
Jeddi et al. | A modified harmony search method for environmental/economic load dispatch of real-world power systems | |
Gbadamosi et al. | Multi‐objective optimisation for composite generation and transmission expansion planning considering offshore wind power and feed‐in tariffs | |
Benasla et al. | Spiral optimization algorithm for solving combined economic and emission dispatch | |
Gomez-Gonzalez et al. | Optimization of distributed generation systems using a new discrete PSO and OPF | |
CN105449713B (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
Mahdavi et al. | Reconfiguration of electric power distribution systems: Comprehensive review and classification | |
Reddy et al. | Multi-objective market clearing of electrical energy, spinning reserves and emission for wind-thermal power system | |
Sayah et al. | Efficient hybrid optimization approach for emission constrained economic dispatch with nonsmooth cost curves | |
Kayalvizhi et al. | Optimal planning of active distribution networks with hybrid distributed energy resources using grid-based multi-objective harmony search algorithm | |
Ahmadi et al. | Multi-objective economic emission dispatch considering combined heat and power by normal boundary intersection method | |
Wang et al. | An improved partheno genetic algorithm for multi-objective economic dispatch in cascaded hydropower systems | |
Vaisakh et al. | MSFLA/GHS/SFLA-GHS/SDE algorithms for economic dispatch problem considering multiple fuels and valve point loadings | |
CN109800929A (zh) | 一种电网负荷预测方法、装置和计算设备 | |
Maloney et al. | Research to develop the next generation of electric power capacity expansion tools: What would address the needs of planners? | |
CN109272353A (zh) | 计及综合需求响应不确定性的系统动态概率能流分析方法 | |
Singh et al. | Hybrid elephant herding and particle swarm optimizations for optimal DG integration in distribution networks | |
Stekli et al. | Distributed energy resource participation in electricity markets: A review of approaches, modeling, and enabling information and communication technologies | |
Basak et al. | Optimal scheduling in demand-side management based grid-connected microgrid system by hybrid optimization approach considering diverse wind profiles | |
Meena et al. | Modified taguchi-based approach for optimal distributed generation mix in distribution networks | |
Li et al. | Distributionally robust offering strategy of the aggregator integrating renewable energy generator and energy storage considering uncertainty and connections between the mid-to-long-term and spot electricity markets | |
Swain et al. | Population variant differential evolution–based multiobjective economic emission load dispatch | |
Ali et al. | P2P as a smarter way of energy trading: A game theoretic case study for multi-microgrids | |
CN111193295A (zh) | 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |