CN108075471B - 基于随机性电源出力预测的多目标约束优化电网调度策略 - Google Patents

基于随机性电源出力预测的多目标约束优化电网调度策略 Download PDF

Info

Publication number
CN108075471B
CN108075471B CN201711444192.5A CN201711444192A CN108075471B CN 108075471 B CN108075471 B CN 108075471B CN 201711444192 A CN201711444192 A CN 201711444192A CN 108075471 B CN108075471 B CN 108075471B
Authority
CN
China
Prior art keywords
power
load
stochastic
power output
power grid
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
Application number
CN201711444192.5A
Other languages
English (en)
Other versions
CN108075471A (zh
Inventor
赵景涛
丁孝华
吴�琳
蔡月明
封士永
刘明祥
郑舒
刘润苗
余涛
孙建东
王文轩
余鲲
卢虹宇
张艺琼
付明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711444192.5A priority Critical patent/CN108075471B/zh
Publication of CN108075471A publication Critical patent/CN108075471A/zh
Application granted granted Critical
Publication of CN108075471B publication Critical patent/CN108075471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/382—
    • 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]
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (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)

Abstract

本发明公开了基于随机性电源出力预测的多目标约束优化电网调度策略，包括采集负荷历史数据和随机性电源出力历史数据；根据负荷历史数据进行负荷预测，根据随机性电源出力历史数据进行随机性电源出力预测；根据负荷预测值和随机性电源出力预测值，建立约束条件和优化调度目标函数；设计不同电网运行模式；根据电网运行模式和约束条件进行优化调度。本发明预测随机性电源出力可以提前制定各时段运行规划，经济调度各随机性电源，可以提高太阳能等可再生能源的利用效率，提高电网接纳随机性、间歇性电源的能力。

Description

基于随机性电源出力预测的多目标约束优化电网调度策略
技术领域
本发明涉及一种基于随机性电源出力预测的多目标约束优化电网调度策略，属于电网调度技术领域。
背景技术
随着世界能源消费的持续増长，传统能源资源供给紧张，因大范围使用传统化石燃料而引致的环境问题日益加峻，能源短缺与环境污染己成为当前电力发展急需解决的问题。同时，智能电网也提出了“安全、经济、高效、清洁、低碳”的变革理念。另一方面，风力发电、光伏发电等可再生能源发电技术日渐成熟，电能正逐步从集中式供应转换到分布式供应。分布式发电(Distributed Generation,DG)主要以可再生能源为基础，已成为电力发展的研究热点。它是指为满足用户需求，装设在用户附近的发电功率为几千瓦乃至数百兆瓦的小规模、分散式发电机组，其主要类型有燃料电池、燃气轮机以及风力发电单元、光伏发电单元等，所使用的发电资源为生物质能、天然气、太阳能、风能等可再生能源或清洁能源。它是一种灵活、高效、清洁的发电技术，可有效补充集中式发电的空缺，已发展成为智能电网的一个关键技术领域。分布式光伏发电、分布式风力发电、储能装置和电动汽车的发展是新能源利用的发展趋势，它们都属于电源转换，应用场景都是需要接入配电网，但它们在时间及空间上存在差异，接入配电网也存在不同，通常把它们按照“随机性电源”考虑。
随机性电源的引入使得微电网具有很好的应用前景，充分利用随机性电源可降低运行成本，并且环境效益明显。但是随机性电源本身所具有的间歇性、波动性等特征以及预测误差的存在给微电网的经济运行带来了挑战。风电和光伏出力值都是极其容易受到多种自然条件影响的，其随机性、间歇性使得这类电源的预测精度往往存在很大的误差。在微电网经济调度优化问题的研究中，随机性电源出力的波动使得日前的调度计划用于实际的生产将会导致效率的极大降低，增加运行成本，严重的甚至引发安全事故等。
因此，随着大量随机性电源的利用，微电网中不确定性因素的渗透率越来越大，对随机性电源出力的优化调度建模分析是十分有必要的。
发明内容
为了解决上述技术问题，本发明提供了一种基于随机性电源出力预测的多目标约束优化电网调度策略。
为了达到上述目的，本发明所采用的技术方案是：
基于随机性电源出力预测的多目标约束优化电网调度策略，包括，
采集负荷历史数据和随机性电源出力历史数据；
根据负荷历史数据采用基于结构风险最小化原则进行负荷预测，根据随机性电源出力历史数据采用基于结构风险最小化原则进行随机性电源出力预测；
根据负荷预测值和随机性电源出力预测值，建立约束条件和优化调度目标函数；
设计不同电网运行模式；
根据电网运行模式和约束条件进行优化调度。
对所有历史数据进行预处理，预处理得过程为：先去除奇异数据，然后补齐缺失数据，最后进行归一化处理。
若缺失数据得前后时间间隔小于设定阈值，采用线性插值法补齐。
采用基于结构风险最小化原则对随机性电源出力进行预测。
基于功率匹配、电压稳定以及储能设备存储容量有限的原则建立约束条件；
约束条件为：
功率匹配约束：
Pload＝Pstore+Pbattery+Pgrid
电压稳定约束：
Vmax＞Vgrid＞Vmin
储能设备存储容量约束：
Pmax＞Pstore＞Pmin
其中，Pload为负荷预测值，Pstore为储能设备当前存储容量，Pbattery为随机性电源出力预测值，Pgrid为大电网输出功率，Vmax、Vmin为电网电压Vgrid波动的上下限，Pmax、Pmin为储能设备当前存储容量Pstore的上下限。
以清洁能源优先利用，可靠供电为优化目标，优化调度目标函数为，
Figure BDA0001527108740000031
其中，Pi为时间段内第i个随机性电源发出的功率，n为随机性电源的数量，Pload-j为时间段内电网中第j条负荷线路上的负荷预测值，
Figure BDA0001527108740000032
为各负荷线路集合，F为优化调度目标函数。
根据负荷预测值、随机性电源出力预测值以及储能设备电量设计不同的电网运行模式。
采集用户负荷数据，结合预测的电网负荷和随机性电源出力，确定电网处于何种运行模式，依照约束条件，计算切换负荷容量，进行优化调度
本发明所达到的有益效果：1、本发明预测随机性电源出力可以提前制定各时段运行规划，经济调度各随机性电源，可以提高太阳能等可再生能源的利用效率，提高电网接纳随机性、间歇性电源的能力；2、采用基于结构风险最小化原则进行预测，克服了传统人工智能方法训练时间长，训练结果存在随机性和过学习等不足，可以提高预测精度，减少计算量，加快预测速度，从而更好地对电源系统实际运行进行预测；3、采用多目标约束策略，可以解决负荷预测值和实际值的误差导致的电压波动以及供电和用电之间出现的失配问题，同时实现电网负荷的无缝切换。
附图说明
图1为优化调度的流程图；
图2为基于结构风险最小化原则算法流程图；
图3为随机性电源出力预测流程图；
图4为多模型切换控制策略框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于随机性电源出力预测的多目标约束优化电网调度策略，包括以下步骤：
步骤1，采集负荷历史数据和随机性电源出力历史数据。
步骤2，对所有历史数据进行预处理。
预处理得过程为：先去除奇异数据，将这些去除的奇异数据视为缺失数据，然后补齐缺失数据，最后进行归一化处理。
若缺失数据得前后时间间隔小于设定阈值，采用线性插值法补齐。如：已知n1时刻和n1+i1时刻的随机性电源出力值fn1和fn1+i1，中间数据缺失，则中间n1+j1时刻的取值为：
Figure BDA0001527108740000051
步骤3，根据负荷历史数据采用基于结构风险最小化原则进行负荷预测，并根据随机性电源出力历史数据采用基于结构风险最小化原则进行随机性电源出力预测。
如图2所示，基于结构风险最小化原则算法根据采样数据，随机选取核宽度σ及惩罚因子γ代入模型进行预测，同时不断核算输出结果优化核宽度σ与惩罚因子γ，最后将预测值和实际值之差与阈值相比较，若大于阈值，则继续优化核宽度σ及惩罚因子γ，若小于阈值，则得到最终结果。其中，为使核函数对于数据中的噪音有着较好的抗干扰能力，核函数选用高斯核函数。
采用基于结构风险最小化原则建模过程如下：在对偶空间内定义拉格朗日函数：
Figure BDA0001527108740000052
其中，ω为权向量，用于控制误差的惩罚程度，ξi为误差变量，αi为拉格朗日乘子，
Figure BDA0001527108740000053
为将输入空间映射到高维的映射函数，b为偏项，xi，yi为样本训练集，M为样本总数，其最优条件为：
Figure BDA0001527108740000054
消去ω和ξi可得：
Figure BDA0001527108740000061
式中，K(xi,xj)是核函数。
解出上述线性方程组即可得到αi和b，从而得到基于风险结构最小化原则模型为：
Figure BDA0001527108740000062
式中，
Figure BDA0001527108740000063
即为最优解。
把一天中随机性电源出力时段划分为以小时为单位的基本时段，然后针对每个基本时段采用基于结构风险最小化原则建模，最后按时间进行整合，便可得到完整的预测模型。
随机性电源选用光伏电源为例，预测流程图如图3所示，短期光伏出力与季节、天气类型指数等因素密切相关，而且通过大量数据统计分析表明，不同因素对光伏出力影响程度不同，所以，在建立预测模型时，需要充分考虑季节类型、天气类型指数等主要因素对光伏出力的影响大小。对历史记录数据库中数据进行采样，然后进行数据预处理、筛选，为降低求解规模，把一天中出力时段划分为以小时为单位的基本时段，然后针对每个基本时段建模，将选出的光伏历史出力和每个时段的气象信息输入基于结构风险最小化原则模型，从而对光伏出力进行短期预测。具体预测步骤如下：
1)采集光伏电源历史出力及季节气象数据，每隔15分钟对全天所需数据进行采样。
2)对采样数据进行预处理：消除其中奇异数据，修补缺失数据，并对数据进行归一化处理。
3)将采样数据根据季节类型及天气状况分类。
4)选择相似时段样本，并筛选出各时段训练样本。
5)建立基于结构风险最小化原则的光伏电源出力预测模型，对未来一小时内每15分钟的光伏出力进行预测。
6)将全年的预测数据进行整合，便可得到全年的完整光伏出力短期预测结果。
步骤4，根据负荷预测值和随机性电源出力预测值，建立约束条件和优化调度目标函数。
基于功率匹配、电压稳定以及储能设备存储容量有限的原则建立约束条件，具体约束条件为：
功率匹配约束：
Pload＝Pstore+Pbattery+Pgrid
电压稳定约束：
Vmax＞Vgrid＞Vmin
储能设备存储容量约束：
Pmax＞Pstore＞Pmin
其中，Pload为负荷预测值，Pstore为储能设备当前存储容量，Pbattery为随机性电源出力预测值，Pgrid为大电网输出功率，Vmax、Vmin为电网电压Vgrid波动的上下限，Pmax、Pmin为储能设备当前存储容量Pstore的上下限。
以清洁能源优先利用，可靠供电为优化目标，优化调度目标函数为，
Figure BDA0001527108740000081
其中，Pi为时间段内第i个随机性电源发出的功率，n为随机性电源的数量，Pload-j为时间段内电网中第j条负荷线路上的负荷预测值，
Figure BDA0001527108740000082
为各负荷线路集合，F为优化调度目标函数。
步骤5，根据负荷预测值、随机性电源出力预测值以及储能设备电量设计不同的电网运行模式，包括随机性电源出力总和大于电网总负荷功率模式、随机性电源出力总和大于电网总负荷功率及总储能容量总和模式、随机性电源出力总和小于电网总负荷功率，总储能容量能满足用电需求模式、以及及随机性电源出力与总储能总和小于电网总负荷功率模式。
步骤6，根据电网运行模式和约束条件进行优化调度。
采集用户负荷数据，结合预测的电网负荷和随机性电源出力，确定电网处于何种运行模式，依照约束条件，计算切换负荷容量，进行优化调度。
切换控制策略框图如图4所示，阐述了如何实现平滑切换，图中G(t)代表调度过程中随时间变化以及运行模式切换的被控对象，即各随机性电源和储能设备；
Figure BDA0001527108740000083
为对应运行模式下的该配电网供电系统模型；C(t)为对应运行模式下的各随机性电源出力调节控制器；yr为供配电系统中随机性电源的最佳输出功率，也即负荷预测值；y为该供配电系统中随机性电源输出功率；e1...e5分别代表供配电系统工作在各运行模式下时，负荷预测值与随机性电源输出功率的差值。通过采集的用户负荷数据结合预判电网负荷和随机性电源的出力情况，确定电网处于何种运行模式，综合计算切换负荷容量。同时该策略及时检测当前电网运行模式，当电网运行模式发生切换的时候，各随机性电源的模型和控制策略都切换到对应的模式，这样保证模型的不失配，从而得到期望的动态性能和系统鲁棒性。
本发明首先对输入的负荷历史数据及随机性电源出力历史数据进行预处理，再根据预处理后的数据进行负荷预测与随机性电源出力(即发电功率)预测，随后根据预测获取的负荷及发电功率数据做电网工作模式优化，其中优化过程如下：以清洁能源优先利用、可靠供电为优化目标，根据随机性电源电网运行规律建立约束条件集，反复比较各调度方案下的数据，计算出最佳调度方案即电网工作模式；然后，根据最优电网工作模式，由调度系统发出指令控制相应断路器投切负荷及电源开关，实现供电功率转移。同时该策略实时采集电网参数反馈给系统，优化、更新系统输入样本，训练新的预测模型和调度模型，并可根据得到的结果选择是否进入下一个预测和调度周期，从而提高了系统调度的实时性和准确性，以获取更好的电网供电品质和更高的新能源利用率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：包括，
采集负荷历史数据和随机性电源出力历史数据；
根据负荷历史数据进行负荷预测，根据随机性电源出力历史数据进行随机性电源出力预测；
根据负荷预测值和随机性电源出力预测值，建立约束条件和优化调度目标函数；
以清洁能源优先利用，可靠供电为优化目标，优化调度目标函数为，
Figure FDA0003175125060000011
其中，Pi为时间段内第i个随机性电源发出的功率，n为随机性电源的数量，Pload-j为时间段内电网中第j条负荷线路上的负荷预测值，
Figure FDA0003175125060000012
为各负荷线路集合，F为优化调度目标函数；
基于功率匹配、电压稳定以及储能设备存储容量有限的原则建立约束条件；
约束条件为：
功率匹配约束：
Pload＝Pstore+Pbattery+Pgrid
电压稳定约束：
Vmax＞Vgrid＞Vmin
储能设备存储容量约束：
Pmax＞Pstore＞Pmin
其中，Pload为负荷预测值，Pstore为储能设备当前存储容量，Pbattery为随机性电源出力预测值，Pgrid为大电网输出功率，Vmax、Vmin为电网电压Vgrid波动的上下限，Pmax、Pmin为储能设备当前存储容量Pstore的上下限；
设计不同电网运行模式；
根据电网运行模式和约束条件进行优化调度。
2.根据权利要求1所述的基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：对所有历史数据进行预处理，预处理得过程为：先去除奇异数据，然后补齐缺失数据，最后进行归一化处理。
3.根据权利要求2所述的基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：若缺失数据得前后时间间隔小于设定阈值，采用线性插值法补齐。
4.根据权利要求1所述的基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：采用基于结构风险最小化原则对随机性电源出力进行预测。
5.根据权利要求1所述的基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：根据负荷预测值、随机性电源出力预测值以及储能设备电量设计不同的电网运行模式。
6.根据权利要求1所述的基于随机性电源出力预测的多目标约束优化电网调度策略，其特征在于：采集用户负荷数据，结合预测的电网负荷和随机性电源出力，确定电网处于何种运行模式，依照约束条件，计算切换负荷容量，进行优化调度。
CN201711444192.5A 2017-12-27 2017-12-27 基于随机性电源出力预测的多目标约束优化电网调度策略 Active CN108075471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711444192.5A CN108075471B (zh) 2017-12-27 2017-12-27 基于随机性电源出力预测的多目标约束优化电网调度策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711444192.5A CN108075471B (zh) 2017-12-27 2017-12-27 基于随机性电源出力预测的多目标约束优化电网调度策略

Publications (2)

Publication Number Publication Date
CN108075471A CN108075471A (zh) 2018-05-25
CN108075471B true CN108075471B (zh) 2022-02-11

Family

ID=62156028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711444192.5A Active CN108075471B (zh) 2017-12-27 2017-12-27 基于随机性电源出力预测的多目标约束优化电网调度策略

Country Status (1)

Country Link
CN (1) CN108075471B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409595B (zh) * 2018-10-19 2020-10-16 南京南瑞继保电气有限公司 一种园区多能互补系统日前调度方法
CN110417018A (zh) * 2018-12-14 2019-11-05 特变电工西安电气科技有限公司 一种多应用模式的并网型微电网能量管理方法及装置
WO2023069025A2 (en) * 2021-10-22 2023-04-27 Canopy Power Pte Ltd Energy management system
CN116646933B (zh) * 2023-07-24 2023-10-10 北京中能亿信软件有限公司 一种基于大数据的电力负荷调度方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201789293U (zh) * 2010-07-12 2011-04-06 东北电力科学研究院有限公司 一种基于支持向量机的风电功率预测装置
CN104104116A (zh) * 2014-07-01 2014-10-15 杭州电子科技大学 一种含多分布式能源的光伏微电网供需控制系统设计方法
CN104467029A (zh) * 2014-11-25 2015-03-25 国家电网公司 一种区域小水电、风电日内联合优化调度的方法
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259285B (zh) * 2013-05-03 2015-04-29 国家电网公司 含大规模风电电力系统的短期运行优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201789293U (zh) * 2010-07-12 2011-04-06 东北电力科学研究院有限公司 一种基于支持向量机的风电功率预测装置
CN104104116A (zh) * 2014-07-01 2014-10-15 杭州电子科技大学 一种含多分布式能源的光伏微电网供需控制系统设计方法
CN104467029A (zh) * 2014-11-25 2015-03-25 国家电网公司 一种区域小水电、风电日内联合优化调度的方法
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法

Also Published As

Publication number Publication date
CN108075471A (zh) 2018-05-25

Similar Documents

Publication Publication Date Title
Yang et al. A comprehensive study of economic unit commitment of power systems integrating various renewable generations and plug-in electric vehicles
CN107910863B (zh) 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN109390973B (zh) 一种考虑通道约束的送端电网电源结构优化方法
CN109858673A (zh) 一种光伏发电系统功率预测方法
CN104899665A (zh) 风电功率短期预测方法
CN110909911B (zh) 考虑时空相关性的多维时序数据的聚合方法
CN111030188A (zh) 一种含分布式和储能的分层分级控制策略
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN116523240A (zh) 一种基于mcmc方法预测的微电网评价反馈调度方法
CN116526469A (zh) 一种水风光互补系统长期随机动态调度方法
CN115841396A (zh) 一种流域梯级水风光互补容量配载优化及经济性评估方法
Vlasov et al. Predictive control algorithm for a variable load hybrid power system on the basis of power output forecast
CN112803491B (zh) 一种耦合弃电风险的风光水多能互补短期优化调度方法
Huang et al. Power prediction method of distributed photovoltaic digital twin system based on GA-BP
CN113488990B (zh) 基于改进的蝙蝠算法的微电网优化调度方法
CN114188942A (zh) 一种包含大规模新能源基地的电网调度方法
CN114498690A (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN108270237B (zh) 基于分布式光伏电源的并网控制以及调度的方法
Chinnadurrai et al. Energy Management of a Microgrid based on LSTM Deep Learning Prediction Model
Tian-qiong et al. A short-term joint optimal dispatching method of wind farms, photovoltaic generations, hydropower stations and gas power plants
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization
Xiong et al. Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks
CN114139830B (zh) 一种智慧能源站的优化调度方法、装置及电子设备
Wang et al. Review on Energy Storage Participation in Capacity Configuration and Scheduling Optimization in Modern Power System

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