CN107832542A - 一种基于时空尺度消纳风光的机组组合优化调度方法 - Google Patents
一种基于时空尺度消纳风光的机组组合优化调度方法 Download PDFInfo
- Publication number
- CN107832542A CN107832542A CN201711171600.4A CN201711171600A CN107832542A CN 107832542 A CN107832542 A CN 107832542A CN 201711171600 A CN201711171600 A CN 201711171600A CN 107832542 A CN107832542 A CN 107832542A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- unit
- hours
- following
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000002123 temporal effect Effects 0.000 title claims abstract description 25
- 238000009987 spinning Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 230000009194 climbing Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供了一种基于时空尺度消纳风光的机组组合优化调度方法,包括以下步骤:步骤1:定义含风光接入电网的一种时空尺度机组组合动态优化模型;步骤2:采用动态规划算法求解动态优化模型;步骤3:根据动态规划算法的预测数据确定未来24小时的机组组合启停机计划;本发明以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,建立含风光等新能源接入电网的时空尺度机组组合动态优化模型;并采用动态规划算法求解动态优化模型,随着尺度的缩小,风光等新能源出力和负荷不断更新,根据更新信息调整机组调度计划,提高了风光等新能源与常规电源协调运行的经济性和实效性。
Description
技术领域
本发明涉及电力系统日前调度计划研究领域,尤其涉及一种基于时空尺度消纳风光的机组组合优化调度方法。
背景技术
随着风光等新能源大规模接入电网,因为其随机性、波动性的自然属性,对电力系统的有功出力平衡和频率稳定产生了较大的影响,而又因为其属于清洁能源,拥有其天然的经济性和环保性,因此如何合理利用风光等新能源,与传统火电机组结合运行,满足当前电力系统的安全、环保、经济运行,已成为现代电力系统亟待解决的一个问题。基于此,提出一种基于时空尺度消纳风光的机组组合优化调度方法具有重要的意义。
文献《计及风电预测误差带的调度计划渐进优化模型》考虑到风电、光伏等间歇性能源的接入,将风电、光伏的预测功率看作负的负荷接入到电网中,建立了一种计及风电预测误差带的调度计划渐进优化模型;文献《计及风电功率不确定性的经济调度问题求解方法》将风光出力的预测误差表现在系统预留旋转备用约束中,分析风光出力预测的误差特性,考虑了综合能源的经济调度问题,包括静态电力网络和综合能源系统的最优潮流问题;文献《One day ahead wind speed forecasting:A resampling-based approach》提出了一种日前风速预测方法;上述方法虽然在风电和光伏预测的准确性方面已经有了长足的进步,但是因为风电和光伏的波动性和随机性等自然属性,上述方法依旧不能满足接入电网联合调度的要求。
为了达到经济性、环保性和稳定性最优的目的,研究基于时空尺度消纳风光的机组组合优化调度策略十分必要,在新能源大规模接入电网背景下有着重要意义。
发明内容
本发明的目的在于提供一种基于时空尺度消纳风光的机组组合优化调度方法,能够以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,建立一种基于时空尺度消纳风光的机组组合优化调度方法。
为了实现上述目的,本发明采用以下技术方案:
一种基于时空尺度消纳风光的机组组合优化调度方法,包括以下步骤:
步骤1:以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,定义含风光接入电网的一种时空尺度机组组合动态优化模型,主要包含以下步骤;
步骤1.1:定义目标函数:
式中:n为机组数:T表示总时段数;fi(Pi t)为第t时段,机组i发电成本,其中fi(Pi t)=ai(Pi t)2+biPi t+ci;Pi t为机组i的出力;为机组i启动成本;为机组i启停状态“1”表示运行,“0”表示停机;
步骤1.2:定义目标函数的约束条件,主要包括以下步骤:
步骤1.2.1:系统功率平衡约束为:
式中为第t时段系统总负荷;
步骤1.2.2:旋转备用约束为:
式中:Pi_up为机组i的出力上限;Rt为第t时段系统总备用,本文取步骤1.2.3:机组出力约束为:
式中:Pi_down为机组出力下限;
步骤1.2.4:最小启停时间约束:
式中:为机组i的最小运行时间;
步骤1.2.5:爬坡约束为:
式中:Pi up和Pi down分别为机组i出力上升和下降量的限制,本文取Pi up=Pi down=0.2Pi down;
步骤2:采用动态规划算法求解含风光接入电网的一种时空尺度机组组合动态优化模型;
步骤3:根据步骤2的动态规划算法的预测数据规划未来24小时内的新能源出力,并根据未来24小时内的新能源出力确定未来24小时的机组组合启停机计划。
所述的步骤3包括以下步骤:
步骤3.1:根据步骤2的动态规划算法的预测数据,确定未来24小时内的新能源出力数据,进入下一步;
步骤3.2:根据步骤3.1的未来24小时内的新能源出力数据,确定未来24小时的机组组合启停机计划,进入下一步;
步骤3.3:根据步骤3.2中未来24小时的机组组合启停机计划,计算未来T小时的新能源出力数据,其中,6≤T≤12,进入下一步;
步骤3.4:将步骤3.3计算的未来T小时新能源出力数据与利用步骤2的动态规划算法计算的未来T小时的新能源出力数据相比,判断数据误差是否超过阈值,进入下一步;
步骤3.5:若步骤3.4的结果为“否”,则将T小时作为一个时间段,并根据步骤3.2确定的未来24小时的机组组合启停机计划在T小时内实时的对机组进行启停,T小时后重新进入步骤3.1;若步骤3.4的结果为“是”,则进入步骤3.6;
步骤3.6:根据步骤2的动态规划算法的预测数据,确定未来T小时内的新能源出力数据,进入下一步;
步骤3.7:根据步骤3.6的未来T小时内的新能源出力数据,确定未来T小时内的机组组合启停机计划,进入下一步;
步骤3.8:将t小时作为一个时间段,并根据步骤2的动态规划算法计算的新能源出力预测数据实时的对每t小时的启停机计划进行调整,其中,0.25≤t≤1;T小时后重新进入步骤3.1。
T=6,t=0.25。
本发明的有益效果:
本发明所述的一种基于时空尺度消纳风光的机组组合优化调度方法,以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,建立含风光等新能源接入电网的时空尺度机组组合动态优化模型;并采用动态规划算法求解动态优化模型,随着尺度的缩小,风光等新能源出力和负荷不断更新,根据更新信息调整机组调度计划,提高了风光等新能源与常规电源协调运行的经济性和实效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明所述步骤3的方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明所述的一种基于时空尺度消纳风光的机组组合优化调度方法,包括以下步骤:
步骤1:以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,定义含风光接入电网的一种时空尺度机组组合动态优化模型,主要包含以下步骤;
步骤1.1:定义目标函数:
式中:n为机组数:T表示总时段数;fi(Pi t)为第t时段,机组i发电成本,其中fi(Pi t)=ai(Pi t)2+biPi t+ci;Pi t为机组i的出力;为机组i启动成本;为机组i启停状态“1”表示运行,“0”表示停机;
步骤1.2:定义目标函数的约束条件,主要包括以下步骤:
步骤1.2.1:系统功率平衡约束为:
式中为第t时段系统总负荷;
步骤1.2.2:旋转备用约束为:
式中:Pi_up为机组i的出力上限;Rt为第t时段系统总备用,本文取
步骤1.2.3:机组出力约束为:
式中:Pi_down为机组出力下限;
步骤1.2.4:最小启停时间约束:
式中:为机组i的最小运行时间;
步骤1.2.5:爬坡约束为:
式中:Pi up和Pi down分别为机组i出力上升和下降量的限制,本文取Pi up=Pi down=0.2Pi down;
步骤2:采用动态规划算法求解含风光接入电网的一种时空尺度机组组合动态优化模型;
步骤3:根据步骤2的动态规划算法的预测数据规划未来24小时内的新能源出力,并根据未来24小时内的新能源出力确定未来24小时的机组组合启停机计划。
如图2所示,所述的步骤3包括以下步骤:
步骤3.1:根据步骤2的动态规划算法的预测数据,确定未来24小时内的新能源出力数据,进入下一步;
步骤3.2:根据步骤3.1的未来24小时内的新能源出力数据,确定未来24小时的机组组合启停机计划,进入下一步;
步骤3.3:根据步骤3.2中未来24小时的机组组合启停机计划,计算未来T小时的新能源出力数据,其中,6≤T≤12,进入下一步;
步骤3.4:将步骤3.3计算的未来T小时新能源出力数据与利用步骤2的动态规划算法计算的未来T小时的新能源出力数据相比,判断数据误差是否超过阈值,进入下一步;
步骤3.5:若步骤3.4的结果为“否”,则将T小时作为一个时间段,并根据步骤3.2确定的未来24小时的机组组合启停机计划在T小时内实时的对机组进行启停,T小时后重新进入步骤3.1;若步骤3.4的结果为“是”,则进入步骤3.6;
步骤3.6:根据步骤2的动态规划算法的预测数据,确定未来T小时内的新能源出力数据,进入下一步;
步骤3.7:根据步骤3.6的未来T小时内的新能源出力数据,确定未来T小时内的机组组合启停机计划,进入下一步;
步骤3.8:将t小时作为一个时间段,并根据步骤2的动态规划算法计算的新能源出力预测数据实时的对每t小时的启停机计划进行调整,其中,0.25≤t≤1;T小时后重新进入步骤3.1。
优选方案为:T=6,t=0.25。
本发明所述的一种基于时空尺度消纳风光的机组组合优化调度方法,以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,建立含风光等新能源接入电网的时空尺度机组组合动态优化模型;并采用动态规划算法求解动态优化模型,随着尺度的缩小,风光等新能源出力和负荷不断更新,根据更新信息调整机组调度计划,提高了风光等新能源与常规电源协调运行的经济性和实效性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于时空尺度消纳风光的机组组合优化调度方法,其特征在于,包括以下步骤:
步骤1:以电力网络总的发电成本最小为目标,考虑到系统功率平衡、旋转备用、机组出力、最小启停时间、爬坡约束等条件,定义含风光接入电网的一种时空尺度机组组合动态优化模型,主要包含以下步骤;
步骤1.1:定义目标函数:
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>C</mi>
<mrow>
<mi>U</mi>
<mi>i</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
式中:n为机组数:T表示总时段数;fi(Pi t)为第t时段,机组i发电成本,其中fi(Pi t)=ai(Pi t)2+biPi t+ci;Pi t为机组i的出力;为机组i启动成本;为机组i启停状态“1”表示运行,“0”表示停机;
步骤1.2:定义目标函数的约束条件,主要包括以下步骤:
步骤1.2.1:系统功率平衡约束为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>E</mi>
<mi>M</mi>
<mi>A</mi>
<mi>N</mi>
<mi>D</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>E</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>;</mo>
</mrow>
式中为第t时段系统总负荷;
步骤1.2.2:旋转备用约束为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>E</mi>
<mi>M</mi>
<mi>A</mi>
<mi>N</mi>
<mi>D</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msup>
<mi>R</mi>
<mi>t</mi>
</msup>
<mo>+</mo>
<msubsup>
<mi>R</mi>
<mi>E</mi>
<mi>t</mi>
</msubsup>
<mo>;</mo>
</mrow>
式中:Pi_up为机组i的出力上限;Rt为第t时段系统总备用,本文取
步骤1.2.3:机组出力约束为:
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
式中:Pi_down为机组出力下限;
步骤1.2.4:最小启停时间约束:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
<mo>(</mo>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>o</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
式中:为机组i的最小运行时间;
步骤1.2.5:爬坡约束为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msubsup>
<mo>+</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>_</mo>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
式中:Pi up和Pi down分别为机组i出力上升和下降量的限制,本文取Pi up=Pi down=0.2Pi down;
步骤2:采用动态规划算法求解含风光接入电网的一种时空尺度机组组合动态优化模型;
步骤3:根据步骤2的动态规划算法的预测数据规划未来24小时内的新能源出力,并根据未来24小时内的新能源出力确定未来24小时的机组组合启停机计划。
2.根据权利要求1所述的一种基于时空尺度消纳风光的机组组合优化调度方法,其特征在于,所述的步骤3包括以下步骤:
步骤3.1:根据步骤2的动态规划算法的预测数据,确定未来24小时内的新能源出力数据,进入下一步;
步骤3.2:根据步骤3.1的未来24小时内的新能源出力数据,确定未来24小时的机组组合启停机计划,进入下一步;
步骤3.3:根据步骤3.2中未来24小时的机组组合启停机计划,计算未来T小时的新能源出力数据,其中,6≤T≤12,进入下一步;
步骤3.4:将步骤3.3计算的未来T小时新能源出力数据与利用步骤2的动态规划算法计算的未来T小时的新能源出力数据相比,判断数据误差是否超过阈值,进入下一步;
步骤3.5:若步骤3.4的结果为“否”,则将T小时作为一个时间段,并根据步骤3.2确定的未来24小时的机组组合启停机计划在T小时内实时的对机组进行启停,T小时后重新进入步骤3.1;若步骤3.4的结果为“是”,则进入步骤3.6;
步骤3.6:根据步骤2的动态规划算法的预测数据,确定未来T小时内的新能源出力数据,进入下一步;
步骤3.7:根据步骤3.6的未来T小时内的新能源出力数据,确定未来T小时内的机组组合启停机计划,进入下一步;
步骤3.8:将t小时作为一个时间段,并根据步骤2的动态规划算法计算的新能源出力预测数据实时的对每t小时的启停机计划进行调整,其中,0.25≤t≤1;T小时后重新进入步骤3.1。
3.根据权利要求2所述的一种基于时空尺度消纳风光的机组组合优化调度方法,其特征在于:T=6,t=0.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711171600.4A CN107832542B (zh) | 2017-11-22 | 2017-11-22 | 一种基于时空尺度消纳风光的机组组合优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711171600.4A CN107832542B (zh) | 2017-11-22 | 2017-11-22 | 一种基于时空尺度消纳风光的机组组合优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832542A true CN107832542A (zh) | 2018-03-23 |
CN107832542B CN107832542B (zh) | 2020-09-11 |
Family
ID=61653231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711171600.4A Active CN107832542B (zh) | 2017-11-22 | 2017-11-22 | 一种基于时空尺度消纳风光的机组组合优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832542B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847664A (zh) * | 2018-06-22 | 2018-11-20 | 广州供电局有限公司 | 一种微电网发电设备自动启停重组运行方法 |
CN109901389A (zh) * | 2019-03-01 | 2019-06-18 | 国网甘肃省电力公司电力科学研究院 | 一种基于深度学习的新能源消纳方法 |
CN111460690A (zh) * | 2020-04-24 | 2020-07-28 | 中国水利水电科学研究院 | 一种供水管段更新维护决策方法 |
CN113240547A (zh) * | 2021-05-21 | 2021-08-10 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN116760115A (zh) * | 2023-05-30 | 2023-09-15 | 中国南方电网有限责任公司 | 时空特征融合的电力系统机组组合优化方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104993524A (zh) * | 2015-07-17 | 2015-10-21 | 三峡大学 | 一种基于改进离散粒子群算法的含风电电力系统动态调度方法 |
CN105631528A (zh) * | 2015-09-22 | 2016-06-01 | 长沙理工大学 | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 |
CN106992556A (zh) * | 2017-05-24 | 2017-07-28 | 南方电网科学研究院有限责任公司 | 一种基于混合电源多时间尺度互补的优化调度方法 |
CN107240933A (zh) * | 2017-07-11 | 2017-10-10 | 华北电力大学(保定) | 一种考虑风电功率特性的风火协调滚动调度方法 |
-
2017
- 2017-11-22 CN CN201711171600.4A patent/CN107832542B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104993524A (zh) * | 2015-07-17 | 2015-10-21 | 三峡大学 | 一种基于改进离散粒子群算法的含风电电力系统动态调度方法 |
CN105631528A (zh) * | 2015-09-22 | 2016-06-01 | 长沙理工大学 | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 |
CN106992556A (zh) * | 2017-05-24 | 2017-07-28 | 南方电网科学研究院有限责任公司 | 一种基于混合电源多时间尺度互补的优化调度方法 |
CN107240933A (zh) * | 2017-07-11 | 2017-10-10 | 华北电力大学(保定) | 一种考虑风电功率特性的风火协调滚动调度方法 |
Non-Patent Citations (5)
Title |
---|
RUI MA ET AL.: "An economic and low-carbon day-ahead Pareto-optimal scheduling for wind farm integrated power systems with demand response", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》 * |
RUI MA ET AL.: "Multi-objective optimal scheduling of power system considering the coordinated operation of photovoltaic-wind-pumped storage hybrid power", 《2015 5TH INTERNATIONAL CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING AND POWER TECHNOLOGIES》 * |
吕崇帅: "含风光水储电源的电力系统优化调度研究", 《万方数据库》 * |
秦泽宇 等: "考虑风光互补的电力系统多目标随机优化发电方案研究", 《电力科学与技术学报》 * |
陈喆: "含风光电场的电力系统经济调度研究", 《万方数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847664A (zh) * | 2018-06-22 | 2018-11-20 | 广州供电局有限公司 | 一种微电网发电设备自动启停重组运行方法 |
CN109901389A (zh) * | 2019-03-01 | 2019-06-18 | 国网甘肃省电力公司电力科学研究院 | 一种基于深度学习的新能源消纳方法 |
CN111460690A (zh) * | 2020-04-24 | 2020-07-28 | 中国水利水电科学研究院 | 一种供水管段更新维护决策方法 |
CN113240547A (zh) * | 2021-05-21 | 2021-08-10 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN113240547B (zh) * | 2021-05-21 | 2022-04-12 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN116760115A (zh) * | 2023-05-30 | 2023-09-15 | 中国南方电网有限责任公司 | 时空特征融合的电力系统机组组合优化方法及其系统 |
CN116760115B (zh) * | 2023-05-30 | 2024-04-12 | 中国南方电网有限责任公司 | 时空特征融合的电力系统机组组合优化方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107832542B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A coordinated dispatch method with pumped-storage and battery-storage for compensating the variation of wind power | |
Tan et al. | Evaluation of the risk and benefit of the complementary operation of the large wind-photovoltaic-hydropower system considering forecast uncertainty | |
CN107832542A (zh) | 一种基于时空尺度消纳风光的机组组合优化调度方法 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
CN110417006A (zh) | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 | |
Chen et al. | Key technologies for integration of multitype renewable energy sources—Research on multi-timeframe robust scheduling/dispatch | |
ES2669554T3 (es) | Método de control de una red de potencia | |
CN103683326B (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
WO2017000853A1 (zh) | 主动配电网多时间尺度协调优化调度方法和存储介质 | |
CN106485352A (zh) | 一种多类电源发电计划组合决策方法 | |
CN104467029B (zh) | 一种区域小水电、风电日内联合优化调度的方法 | |
CN103997039B (zh) | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 | |
CN106253352B (zh) | 计及风电概率分布特征的鲁棒实时调度方法 | |
CN109284878A (zh) | 一种考虑风电、核电、抽水蓄能协调的多源优化调度方法 | |
CN110909954B (zh) | 一种最大化可再生能源利用的多阶段电源规划方法 | |
CN109948849A (zh) | 一种计及储能接入的配电网网架规划方法 | |
CN105373842A (zh) | 一种基于全能流模型的微电网能量优化与评估方法 | |
CN108197766A (zh) | 一种包含微电网群的主动配电网优化调度模型 | |
Wang et al. | Day-ahead dispatch approach for cascaded hydropower-photovoltaic complementary system based on two-stage robust optimization | |
CN107104462A (zh) | 一种用于风电场储能调度的方法 | |
CN104820868A (zh) | 一种基于风电概率进行预测的调度展示方法 | |
JP2016093016A (ja) | 運転計画生成装置、運転計画生成方法及びプログラム | |
CN105528668A (zh) | 一种风电并网电力系统动态环境经济调度方法 | |
CN105305485A (zh) | 一种消纳大规模间歇性能源的安全约束经济调度方法 | |
Wu et al. | Risk-constrained day-ahead scheduling for gravity energy storage system and wind turbine based on IGDT |
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 |