CN108418203A - 一种利用风险逐步聚合场景的旋转备用优化方法 - Google Patents
一种利用风险逐步聚合场景的旋转备用优化方法 Download PDFInfo
- Publication number
- CN108418203A CN108418203A CN201810113764.XA CN201810113764A CN108418203A CN 108418203 A CN108418203 A CN 108418203A CN 201810113764 A CN201810113764 A CN 201810113764A CN 108418203 A CN108418203 A CN 108418203A
- Authority
- CN
- China
- Prior art keywords
- scene
- collection
- demarcation
- line
- optimized
- 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 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009987 spinning Methods 0.000 title claims abstract description 17
- 238000004220 aggregation Methods 0.000 title claims abstract description 13
- 230000002776 aggregation Effects 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 40
- 230000005611 electricity Effects 0.000 claims description 7
- 238000007792 addition Methods 0.000 claims description 5
- 241001553014 Myrsine salicina Species 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing 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
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用风险逐步聚合场景的旋转备用优化方法,首先对上一迭代步优化选取的备用措施组合,计算全场景集下各场景的剩余风险之和,若全场景集下剩余风险之和小于设置的总剩余风险阈值,则场景集下旋转备用措施(reserve measure,RM)优化选取结束;否则,将全场景集下剩余风险超过单个场景剩余风险阈值的场景子集设置为待聚合场景集,然后按场景概率距离聚类为单个场景,加入待优化场景集,并对待优化场景集内场景概率进行重新分配,最后进行基于代价性能比多步优化的RM选取。本发明计算效率高,优化效果好,能够更好的协调计算效率与总控制风险。
Description
技术领域
本发明涉及一种利用风险逐步聚合场景的旋转备用优化方法,属于电力系统机组组合技术领域。
背景技术
大规模间歇性可再生能源(renewable energy,RE)接入下的出力不确定性对系统运行充裕性带来巨大挑战。为应对这种出力不确定性,通常需在市场上优化购买备用容量资源,以满足系统运行要求。
现有技术中,针对RE出力不确定性的处理方法主要可分为三类,一是通过点预测得到的确定性出力曲线描述RE,然后附加RE出力固定比例大小的旋转备用容量来平抑其不确定性;或者采用置信区间描述RE出力不确定性,针对预先指定的置信水平,确定满足要求的备用容量大小;还有通过多场景描述RE出力不确定性,然后针对所有场景进行随机机组组合,通过某个可靠性指标(电量不足期望值或系统切负荷概率)来确定系统最优备用容量大小。点预测方法虽然简单易行,但容易造成备用的浪费或不足。相比区间预测,多场景方法不仅能体现不同时段内出力大小的概率分布,还能描述出力大小在优化时段内的变化情况,理论上能获得更好的优化效果。
采用现有风电等RE出力不确定性的多场景构造策略,要么假设风电出力预测误差服从高斯分布,采用拉丁超立方抽样生成风电出力预测多场景。要么通过历史数据统计风电出力预测误差在不同功率水平、不同预测时间尺度上的经验分布函数,然后根据当前预测值所处的功率水平、预测尺度进行场景构造;要么考虑风电出力预测误差在时间序列上的相关性,采用自回归移动平均时序模型生成随机风电出力多场景。为了使构造的场景集很好的表征预测误差的概率分布,通常需随机产生大量的场景。通过场景-时段模型进行调度优化求解时,产生的变量和约束数量随着场景数目增加而相应增加,现有研究大多采用混合整数线性规划(Mixed-integer linear programming,MILP)方法求解,导致计算复杂度急剧增加,甚至产生维数灾,不能满足实际运行需求。虽然大多研究通过各种场景削减技术来减少场景规模,但都是单纯通过剔除低概率场景、聚合相近场景的削减方法,将场景选取与控制优化完全分离。上述方法在对海量场景集进行初步削减是行之有效且合理的,但由于缺乏优化效果与计算效率直接的协调,直接采用该方法将原始场景集缩减到很小的规模以获得求解效率,将背离采用多场景描述RE出力不确定性优越性的初衷。
发明内容
本发明的目的在于提供一种利用风险逐步聚合场景的旋转备用优化方法,针对大规模间歇性RE接入下的出力不确定性特点,运用基于风险逐步聚合场景的CPR多步优化方法,提高求解效率及优化效果,为大规模可再生能源接入的电力系统机组组合提供高效率、低风险的通用方法支持。
为实现上述技术目的,本发明采用的技术方案,具体如下:
一种利用风险逐步聚合场景的旋转备用优化方法,包括以下步骤:
1)设参与竞标的RM数目为NR;优化考虑的总时段数目为NT;全场景集中场景数目为NS;RMi为第i个备用措施,表示RMi签约状态的0-1变量为ui,1表示签约,否则为0;优化步长为Δt;优化总时长为T;RMi最大出力为备用措施RMi在场景s下时段j内的出力大小为qi,j,s;场景s下时段j内的失负荷大小为场景s下时段j内的功率缺额为备用措施RMi的容量价格为pcap,i;备用措施RMi的电量价格为pele,i;失负荷价格为ploss;场景s的发生概率为ρs;
2)基于上一迭代步优化选取的RM组合,计算全场景集下剩余风险之和;
3)若全场景集下剩余风险之和小于设置的阈值rtotal,则场景集下旋转RM优化选取结束;否则,将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集;对存在剩余风险的场景进行筛选,通过设置单个场景剩余风险阈值rsingle来实现,若单个场景的剩余风险大于阈值rsingle,则加入待聚合场景集,否则忽略该场景;
4)针对待聚合场景集S′,按场景概率距离聚类为单个场景,加入待优化场景集,并对待优化场景集内场景概率进行重新分配;
5)针对待优化场景集,进行基于CPR多步优化的RM选取,然后返回步骤1),直至满足要求的解,其中,CPR表示代价性能比。
前述的步骤4)中,采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法,将待聚合场景集聚类为单个场景,具体包括以下步骤:
41)计算各场景si,si∈S′与待聚合场景集S′的Kantorovich概率距离D(si):
前述的步骤4)中,并对待优化场景集内场景概率进行重新分配是指,将s′加入待优化场景集,记上一迭代步中的待优化场景集为Sd,场景数目记为k,将s′加入待优化场景集后场景数目加1,重新分配后的场景概率为:
其中,等式右边的表示上一迭代步中的待优化场景集Sd中场景si的发生概率,等式左边的表示重新分配后的场景si的发生概率。
前述的步骤5)中,进行基于CPR多步优化的优化目标为:
需满足的约束条件如下:
功率平衡约束:1<j<NT;
出力调节约束:其中,λup,i、λdown,i分别为RMi向上、向下出力调节速率;
出力上下限约束:其中,为RMi最小出力和最大出力。
前述的步骤5)进行基于CPR多步优化的RM选取,包括以下步骤:
51)将量化RM备用价值的CPR指标定义为旋转RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比,则待优化场景集Sd下的RMi的代价性能比公式表示为:
52)设置基于待优化场景集功率缺额分界线的CPR多步优化的初始分界线,针对待优化场景集,在由横轴时间与纵轴功率组成的二维直角坐标轴中,从零刻度线开始,沿纵轴增加方向,依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值,若下降,则在中间的刻度设置1条初始分界线,直至场景集中的功率缺额最大值,初始分界线记为l1,l2,…,lm,各初始分界线确定的m-1个功率缺额区记为a1,a2,…,am-1;
53)确定筛选后分界线,针对初始分界线li,i的初值为2,计算功率缺额区ai-1与功率缺额区ai的单位刻度内功率缺额期望值Ei-1和Ei,若差值大于设置的阈值σ,则保留初始分界线li,记为筛选后分界线Ln,n初值为2,令i=i+1,n=n+1继续以上过程直至i=m-1,否则,将初始分界线li移除,功率缺额区ai-1并入ai,继续以上过程直至i=m-1;最后令Ln=lm;
54)针对n条筛选后分界线L1,L2,…,Ln,n≤m,选定当前优化步所针对的筛选后分界线Lj,j的初值为2;
55)根据代价性能比计算公式,求取待优化场景集下所有备用措施的代价性能比;
56)选取代价性能比最小的备用措施,并更新待优化场景集的功率缺额: 其中,s∈Sd,t=1,…,NT,qRMi为备用措施qRMi的容量;
57)判断在当前分界线下,所有已选RMi总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,则进入步骤58),否则进入步骤5-15);
58)判断选定RMi基础上新增未选中备用措施后的总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若新增任一未选中备用措施后的总容量仍不大于筛选后分界线Lj所代表的功率缺额值,回到步骤55);若存在新增未选中备用措施后的总容量大于筛选后分界线Lj所代表的功率缺额值,则进入步骤59);
59)将选定RMi基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集,记为CRM1,CRM2,…,CRMK,K为待校核备用措施的个数,保存当前寻优断面;
5-10)从保存的寻优断面中移除已选中的最后一个备用措施,更新待优化场景集的功率缺额,更新方法为恢复选中最后一个备用措施前的场景集信息;
5-11)选中待校核备用措施集中的CRMi,i初值为1;
5-12)更新待优化场景集的功率缺额,计算所有未选中备用措施的代价性能比并选取最小者;
5-13)判断所有已选备用措施总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,回到步骤5-12);否则,将该方案存为筛选后分界线Lj以下功率缺额的备选解待用,若i<K,则令i=i+1,回到步骤5-10),否则,校核完毕,进入步骤5-14);
5-14)恢复步骤59)中保存的寻优断面,返回步骤55);
5-15)将当前方案存为筛选后分界线Lj以下功率缺额的备选解待用;
5-16)针对筛选后分界线Lj下所有备选解,选取平均代价性能比最小的组合,作为筛选后分界线Lj下的寻优结果,记为Rj;
5-17)判断j是否小于筛选后的分界线数目n,若是,则令j=j+1,将Rj作为后续优化选取的初值,回到步骤54),否则,寻优结束。
与现有技术相比,本发明的有益效果是:
1、相比直接针对全场景集的优化方法,本发明方法控制风险增加相对很小,而计算效率得到巨大提升;
2、不仅在计算效率上大幅提升,且在选取相同待优化场景数目时,能得到更好的总控制风险成本;
3、本发明也能有效协调计算效率与总控制风险,满足实际工程需要。
附图说明
图1为本发明方法的流程图;
图2为初始分界线的划分示意图;
图3为图2筛选后分界线示意图;
图4为CPR多步优化流程图。
具体实施方式
下面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。
本发明的多场景下的旋转备用优化方法,以考虑全场景集剩余风险的场景聚合筛选方法为策略,首先对上一迭代步优化选取的备用措施(reserve measure,RM)组合,计算全场景集下各场景的剩余风险之和。若全场景集下剩余风险之和小于设置的总剩余风险阈值,则场景集下旋转RM优化选取结束;否则,将全场景集下剩余风险超过单个场景剩余风险阈值的场景子集设置为待聚合场景集。针对待聚合场景集,按场景概率距离聚类为单个场景,加入待优化场景集,并对待优化场景集内场景概率进行重新分配。针对待优化场景集,进行基于代价性能比(cost performance ratio,CPR)多步优化的RM选取,在前一步优化选取的RM组合,计算全场景集下各场景的剩余风险之和。
本发明方法具体如图1所示,包括如下步骤:
S1:基于上一迭代步优化选取的RM组合,计算全场景集下剩余风险之和;具体包括以下步骤:
11)记参与竞标的RM数目为NR;优化考虑的总时段数目为NT;NS为全场景集S中场景数目;RMi为第i个备用措施,表示RMi签约状态的0-1变量为ui,1表示签约,否则为0;优化步长为Δt;优化总时长为T;RMi最大出力为备用措施RMi在场景s下时段j内的出力大小为qi,j,s;场景s下时段j内的失负荷大小为场景s下时段j内的功率缺额为备用措施RMi的容量价格为pcap,i;备用措施RMi的电量价格为pele,i;失负荷价格为ploss;场景s的发生概率为ρs;
12)全场景集下剩余风险之和表示:针对预想场景集,当前选取的RM组合下仍然可能会出现的电量缺额风险。系统电量缺额风险一般可通过失负荷价格(value oflossload,VOLL)来评估。记全场景集下剩余风险之和为Closs,则有:
S2:若全场景集下剩余风险之和Closs小于设置的阈值rtotal,则场景集下旋转RM优化选取结束;否则,将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集。对存在剩余风险的场景进行筛选,可通过设置单个场景剩余风险阈值rsingle来实现,若单个场景的剩余风险大于阈值rsingle,则加入待聚合场景集,否则忽略该场景。
S3:针对待聚合场景集S′,按场景概率距离聚类为单个场景,加入待优化场景集,并对待优化场景集内场景概率进行重新分配;
31)针对待聚合场景集S′,场景数目为NS′,可采用不同场景聚类方法进行场景削减。本实施例中采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法,将待聚合场景集聚类为单个场景,具体包括以下步骤:
3-1-1)计算各场景si(si∈S′)与待聚合场景集S′的Kantorovich概率距离D(si):
32)将s′加入待优化场景集,并更新待优化场景集,进行场景概率重新分配:记上一迭代步中的待优化场景集为Sd,场景数目记为k,重新分配后的场景概率为:重新分配后场景数目加1,其中,等式右边的表示上一迭代步中的待优化场景集Sd中场景si的发生概率,等式左边的表示重新分配后的场景si的发生概率。
S4:针对待优化场景集,进行基于CPR多步优化的RM选取,然后返回步骤S1迭代计算,直至满足迭代终止条件的解,包括以下步骤:
41)多场景下的旋转备用合约优化目标为:通过在备用市场上优化签约购买备用措施(reserve measure,RM)组合,使得其在目标场景集下(待优化场景集)的总控制风险成本最小。即在进行备用优化选取时,需计算RM在各场景下的调度方式及控制成本,增加了RM在各场景下控制风险之和子项,公式表示为:
另外,应满足的约束条件为:
功率平衡约束:1<j<NT。
出力调节约束:其中,λup,i、λdown,i分别为RMi向上、向下出力调节速率。
出力上下限约束:其中,为RMi最小出力和最大出力。
42)通过衡量RM在场景集下备用价值的CPR,来实现备用容量的优化选取,如图4所示,具体包括下列步骤:
4-2-1)将量化RM备用价值的CPR指标定义为旋转RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比。其中,总控制风险成本为RM可提供的有效备用电量为在待优化场景集Sd下的RMi的代价性能比公式可表示为:
4-2-2)基于待优化场景集功率缺额分界线的CPR多步优化方法,包括以下步骤:
4-2-2-1)设置初始分界线,如图2所示,针对待优化场景集,在由时间(横轴)与功率(纵轴)组成的二维直角坐标轴中,从零刻度线开始,沿纵轴增加方向,依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值,若下降,则在中间的刻度设置1条初始分界线,直至场景集中的功率缺额最大值,初始分界线记为l1,l2,…,lm(零刻度线为第1条初始分界线,最大功率缺额值刻度为第m条初始分界线),各初始分界线确定的m-1个功率缺额区记为a1,a2,…,am-1。
4-2-2-2)确定筛选后分界线,如图3所示,针对初始分界线li(i的初值为2,零刻度线无需筛选,即L1=l1),计算功率缺额区ai-1与功率缺额区ai的单位刻度内功率缺额期望值Ei-1和Ei,若差值大于设置的阈值σ,则保留初始分界线li,记为筛选后分界线Ln(n初值为2),令i=i+1,n=n+1继续以上过程直至i=m-1,否则,将初始分界线li移除,功率缺额区ai-1并入ai,继续以上过程直至i=m-1;最后令Ln=lm。
4-2-2-3)针对n条筛选后分界线L1,L2,…,Ln(n≤m),选定当前优化步所针对的筛选后分界线Lj(j的初值为2)。
4-2-2-4)根据代价性能比计算公式,求取待优化场景集下所有备用措施的代价性能比。
4-2-2-5)选取代价性能比最小的备用措施,并更新待优化场景集的功率缺额, 其中,s∈Sd,t=1,…,NT,为备用措施的容量。
4-2-2-6)判断在当前分界线下,所有已选RMi总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,则进入步骤4-2-2-7),否则进入步骤4-2-2-14)。
4-2-2-7)判断选定RMi基础上新增未选中备用措施后的总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若新增任一未选中备用措施后的总容量仍不大于筛选后分界线Lj所代表的功率缺额值,回到步骤4-2-2-4);若存在新增未选中备用措施后的总容量大于筛选后分界线Lj所代表的功率缺额值,则进入步骤4-2-2-8)。
4-2-2-8)将选定RMi基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集(记为CRM1,CRM2,…,CRMK,K为待校核备用措施的个数),保存当前寻优断面。
4-2-2-9)由于备用措施是按优化步次序存放的,故从保存的寻优断面中移除已选中的最后一个备用措施,更新待优化场景集的功率缺额,更新方法为恢复选中最后一个备用措施前的场景集信息。
4-2-2-10)选中待校核备用措施集中的CRMi(i初值为1)。
4-2-2-11)更新待优化场景集的功率缺额,计算所有未选中备用措施的代价性能比并选取最小者。
4-2-2-12)判断所有已选备用措施总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,回到步骤4-2-2-11);否则,将该方案存为筛选后分界线Lj以下功率缺额的备选解待用,若i<K,则令i=i+1,回到步骤4-2-2-9),否则,校核完毕,进入步骤4-2-2-13)。
4-2-2-13)恢复步骤4-2-2-8)中保存的寻优断面,返回步骤4-2-2-4)。
4-2-2-14)将当前方案存为筛选后分界线Lj以下功率缺额的备选解待用。
4-2-2-15)针对筛选后分界线Lj下所有备选解,选取平均代价性能比最小的组合,作为筛选后分界线Lj下的寻优结果,记为Rj。
4-2-2-16)判断j是否小于筛选后的分界线数目n,若是,则令j=j+1,将Rj作为后续优化选取的初值,回到步骤4-2-2-3),否则,寻优结束。
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)
1.一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,包括以下步骤:
1)设参与竞标的RM数目为NR;优化考虑的总时段数目为NT;全场景集中场景数目为NS;RMi为第i个备用措施,表示RMi签约状态的0-1变量为ui,1表示签约,否则为0;优化步长为Δt;优化总时长为T;RMi最大出力为备用措施RMi在场景s下时段j内的出力大小为qi,j,s;场景s下时段j内的失负荷大小为场景s下时段j内的功率缺额为备用措施RMi的容量价格为pcap,i;备用措施RMi的电量价格为pele,i;失负荷价格为ploss;场景s的发生概率为ρs;
2)基于上一迭代步优化选取的RM组合,计算全场景集下剩余风险之和;
3)若全场景集下剩余风险之和小于设置的阈值rtotal,则场景集下旋转RM优化选取结束;否则,将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集;对存在剩余风险的场景进行筛选,通过设置单个场景剩余风险阈值rsingle来实现,若单个场景的剩余风险大于阈值rsingle,则加入待聚合场景集,否则忽略该场景;
4)针对待聚合场景集S′,按场景概率距离聚类为单个场景,加入待优化场景集,并对待优化场景集内场景概率进行重新分配;
5)针对待优化场景集,进行基于CPR多步优化的RM选取,然后返回步骤1),直至满足要求的解,其中,CPR表示代价性能比。
2.根据权利要求1所述的一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,所述计算全场景集下各场景的剩余风险之和具体为:记全场景集下剩余风险之和为Closs,则有:
3.根据权利要求1所述的一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,所述步骤4)中,采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法,将待聚合场景集聚类为单个场景,具体包括以下步骤:
41)计算各场景si,si∈S′与待聚合场景集S′的Kantorovich概率距离D(si):
42)针对所有si∈S′,选取Kantorovich概率距离值最小的场景s′作为单次场景聚类结果,且
4.根据权利要求3所述的一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,所述步骤4)中,并对待优化场景集内场景概率进行重新分配是指,将s′加入待优化场景集,记上一迭代步中的待优化场景集为Sd,场景数目记为k,将s′加入待优化场景集后场景数目加1,重新分配后的场景概率为:
其中,等式右边的表示上一迭代步中的待优化场景集Sd中场景si的发生概率,等式左边的表示重新分配后的场景si的发生概率。
5.根据权利要求1所述的一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,所述步骤5)中,进行基于CPR多步优化的优化目标为:
需满足的约束条件如下:
功率平衡约束:
出力调节约束:其中,λup,i、λdown,i分别为RMi向上、向下出力调节速率;
出力上下限约束:其中,为RMi最小出力和最大出力。
6.根据权利要求1所述的一种利用风险逐步聚合场景的旋转备用优化方法,其特征在于,所述步骤5)进行基于CPR多步优化的RM选取,包括以下步骤:
51)将量化RM备用价值的CPR指标定义为旋转RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比,则待优化场景集Sd下的RMi的代价性能比公式表示为:
52)设置基于待优化场景集功率缺额分界线的CPR多步优化的初始分界线,针对待优化场景集,在由横轴时间与纵轴功率组成的二维直角坐标轴中,从零刻度线开始,沿纵轴增加方向,依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值,若下降,则在中间的刻度设置1条初始分界线,直至场景集中的功率缺额最大值,初始分界线记为l1,l2,…,lm,各初始分界线确定的m-1个功率缺额区记为a1,a2,…,am-1;
53)确定筛选后分界线,针对初始分界线li,i的初值为2,计算功率缺额区ai-1与功率缺额区ai的单位刻度内功率缺额期望值Ei-1和Ei,若差值大于设置的阈值σ,则保留初始分界线li,记为筛选后分界线Ln,n初值为2,令i=i+1,n=n+1继续以上过程直至i=m-1,否则,将初始分界线li移除,功率缺额区ai-1并入ai,继续以上过程直至i=m-1;最后令Ln=lm;
54)针对n条筛选后分界线L1,L2,…,Ln,n≤m,选定当前优化步所针对的筛选后分界线Lj,j的初值为2;
55)根据代价性能比计算公式,求取待优化场景集下所有备用措施的代价性能比;
56)选取代价性能比最小的备用措施,并更新待优化场景集的功率缺额:其中,s∈Sd,t=1,…,NT,为备用措施的容量;
57)判断在当前分界线下,所有已选RMi总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,则进入步骤58),否则进入步骤5-15);
58)判断选定RMi基础上新增未选中备用措施后的总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若新增任一未选中备用措施后的总容量仍不大于筛选后分界线Lj所代表的功率缺额值,回到步骤55);若存在新增未选中备用措施后的总容量大于筛选后分界线Lj所代表的功率缺额值,则进入步骤59);
59)将选定RMi基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集,记为CRM1,CRM2,…,CRMK,K为待校核备用措施的个数,保存当前寻优断面;
5-10)从保存的寻优断面中移除已选中的最后一个备用措施,更新待优化场景集的功率缺额,更新方法为恢复选中最后一个备用措施前的场景集信息;
5-11)选中待校核备用措施集中的CRMi,i初值为1;
5-12)更新待优化场景集的功率缺额,计算所有未选中备用措施的代价性能比并选取最小者;
5-13)判断所有已选备用措施总容量与筛选后分界线Lj所代表的功率缺额值的大小关系,若前者小于后者,回到步骤5-12);否则,将该方案存为筛选后分界线Lj以下功率缺额的备选解待用,若i<K,则令i=i+1,回到步骤5-10),否则,校核完毕,进入步骤5-14);
5-14)恢复步骤59)中保存的寻优断面,返回步骤55);
5-15)将当前方案存为筛选后分界线Lj以下功率缺额的备选解待用;
5-16)针对筛选后分界线Lj下所有备选解,选取平均代价性能比最小的组合,作为筛选后分界线Lj下的寻优结果,记为Rj;
5-17)判断j是否小于筛选后的分界线数目n,若是,则令j=j+1,将Rj作为后续优化选取的初值,回到步骤54),否则,寻优结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113764.XA CN108418203B (zh) | 2018-02-05 | 2018-02-05 | 一种利用风险逐步聚合场景的旋转备用优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113764.XA CN108418203B (zh) | 2018-02-05 | 2018-02-05 | 一种利用风险逐步聚合场景的旋转备用优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108418203A true CN108418203A (zh) | 2018-08-17 |
CN108418203B CN108418203B (zh) | 2021-02-23 |
Family
ID=63127877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113764.XA Active CN108418203B (zh) | 2018-02-05 | 2018-02-05 | 一种利用风险逐步聚合场景的旋转备用优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108418203B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217288A (zh) * | 2018-08-23 | 2019-01-15 | 国电南瑞科技股份有限公司 | 一种考虑全场景集风险的多等级备用协调优化方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102064548A (zh) * | 2010-12-17 | 2011-05-18 | 中国电力科学研究院 | 一种考虑暂态频率偏移的一次调频旋转备用优化方法 |
CN104701890A (zh) * | 2015-03-21 | 2015-06-10 | 南京理工大学 | 考虑风电功率溢出的含风电场电力系统旋转备用优化方法 |
CN105518723A (zh) * | 2015-09-21 | 2016-04-20 | 国电南瑞科技股份有限公司 | 一种基于备用对象代价性能比的旋转备用容量优化方法 |
-
2018
- 2018-02-05 CN CN201810113764.XA patent/CN108418203B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102064548A (zh) * | 2010-12-17 | 2011-05-18 | 中国电力科学研究院 | 一种考虑暂态频率偏移的一次调频旋转备用优化方法 |
CN104701890A (zh) * | 2015-03-21 | 2015-06-10 | 南京理工大学 | 考虑风电功率溢出的含风电场电力系统旋转备用优化方法 |
CN105518723A (zh) * | 2015-09-21 | 2016-04-20 | 国电南瑞科技股份有限公司 | 一种基于备用对象代价性能比的旋转备用容量优化方法 |
Non-Patent Citations (1)
Title |
---|
蔡斌等: ""智能电网运行充裕性的研究框架"", 《电力系统自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217288A (zh) * | 2018-08-23 | 2019-01-15 | 国电南瑞科技股份有限公司 | 一种考虑全场景集风险的多等级备用协调优化方法、装置及系统 |
CN109217288B (zh) * | 2018-08-23 | 2021-06-01 | 国电南瑞科技股份有限公司 | 多等级备用协调优化方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108418203B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046395B (zh) | 一种含多类型新能源的电力系统日内滚动计划编制方法 | |
CN107248015B (zh) | 基于集合预报的水库实时蓄水调度方法 | |
CN104283946A (zh) | 一种单物理机下多虚拟机的资源自适应调整系统及方法 | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN108830408A (zh) | 一种面向任务资源匹配的装备保障任务多目标规划方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN109947558A (zh) | 主机资源利用率计算方法和资源调度方法 | |
CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
CN108418203A (zh) | 一种利用风险逐步聚合场景的旋转备用优化方法 | |
CN110619428A (zh) | 一种智能体辅助独立发电商参与市场竞标的调度优化系统 | |
CN113568759A (zh) | 一种基于云计算的大数据处理方法及其系统 | |
CN104200073A (zh) | 一种基于局部Lipschitz估计的自适应群体全局优化方法 | |
CN109934917B (zh) | 基于机器学习预测计算强度的并行化点云生成dem方法 | |
CN112257897A (zh) | 基于改进多目标粒子群的电动汽车充电优化方法和系统 | |
CN116388291A (zh) | 大电网新能源消纳能力计算方法、系统、装置及介质 | |
CN109347900A (zh) | 基于改进狼群算法的云服务系统自适应演化方法 | |
CN115441469A (zh) | 一种考虑光储荷运行模态切换的配电网调频方法及系统 | |
CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
Xiong et al. | Factors and economic evaluation of Transnational Investment Risks | |
Klamkin et al. | Active bucketized learning for acopf optimization proxies | |
CN114819293A (zh) | 一种多目标决策优化方法、终端设备及存储介质 | |
CN114519457A (zh) | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 | |
CN112613654A (zh) | 一种基于多类型储能的综合能源系统灵活性评估方法 | |
CN109636096B (zh) | 一种储能电站输出功率优化方法及装置 | |
CN112072636A (zh) | 基于源网荷不确定因素的电力现货市场运营方法 |
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 |