CN109038686A - 一种基于风电出力预测误差的滚动优化调度方法 - Google Patents
一种基于风电出力预测误差的滚动优化调度方法 Download PDFInfo
- Publication number
- CN109038686A CN109038686A CN201810987242.2A CN201810987242A CN109038686A CN 109038686 A CN109038686 A CN 109038686A CN 201810987242 A CN201810987242 A CN 201810987242A CN 109038686 A CN109038686 A CN 109038686A
- Authority
- CN
- China
- Prior art keywords
- wind
- electricity generation
- powered electricity
- cost
- power
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 138
- 238000009987 spinning Methods 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000009194 climbing Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 13
- 239000002699 waste material Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 27
- 230000009467 reduction Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H02J3/386—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于风电出力预测误差的滚动优化调度方法，包括：通过最优化确定相应机组的输出功率计划值，以及风电备用容量大小；从时间和功率两个角度对风电预测误差的不确定性进行建模分析；求得不同时间断面下不同功率的风电预测误差概率密度函数具体形式；制定日内正、负旋转备用高、低估成本策略，并加入日内滚动调度层中；以正、负旋转备用高、低估成本；滚动调整成本最低为日内调度层的目标函数，满足机组各时间断面爬坡率约束、旋转备用容量约束，将日前计划层的结果为基础优化求解；有效的控制了预测误差带来的风险，在满足线路容量约束下，滚动优化了机组出力和备用容量，实现了经济性的最优调度。
Description
技术领域
本发明涉及风电领域，具体地，涉及一种基于风电出力预测误差的滚动优化调度方法。
背景技术
随着新能源入网比例的不断增加，其兼具环保性的优点和不确定性的缺点给电力系统最优经济调度带来新的问题，对如何实现经济、环保、可靠的调度运行提出了更高的要求。目前对风电出力的预测技术还远不足以达到调度所要求的预测误差精度，因此，选择合适的建模方法来对这种不确定性予以准确的描述是目前研究含风电的电力系统调度的基础和热点。孙健,刘斌,刘锋,等.计及预测误差相关性的风电出力不确定性集合建模与评估[J].电力系统自动化,2014,38(18):27-32.
针对风电不确定性及其对旋转备用容量配置的影响目前已引起了广泛关注。ChenC L,Lee T Y,Jan R M.Optimal wind-thermal coordination dispatch in isolatedpower systems with large integration of wind capacity[J].Energy Conversion&Management,2006,47(18):3456-3472通过新增风电场出力的20％作为正、负旋转备用预留容量以应对风电功率预测误差的影响，虽然保证了系统的可靠性但在经济性和灵活性上未能实现优化调度运行。Hetzer J,Yu D C,Bhattarai K.An Economic Dispatch ModelIncorporating Wind Power[J].IEEE Transactions on Energy Conversion,2008,23(2):603-611在目标函数中引入了备用成本和对风电预测功率估计过大和过小的惩罚成本，但并未明确风电出力与应对预测误差所需备用间的关系，且其约束条件是确定性约束，并未考虑到风电出力的不确定性导致高估和低估问题是短期时变的。Bludszuweit H,Dominguez-Navarro J A,Llombart A.Statistical Analysis of Wind Power ForecastError[J].IEEE Transactions on Power Systems,2008,23(3):983-991提出了一种基于风险备用约束的含风电场电力系统动态经济调度，在旋转备用约束的处理上取得一定进展，但未考虑机组爬坡能力的影响。
风电的不确定性除了影响系统备用容量配置外，还会对系统潮流产生影响，导致随机潮流的出现。随着风电并网比例的增加，随机潮流可能会进一步导致潮流“概率越限”等现象的出现，夏澍.适合风电接入电力系统的中短期发电调度模型与方法[D].华北电力大学,2014。张昭遂,孙元章,李国杰,等.计及风电功率不确定性的经济调度问题求解方法[J].电力系统自动化,2011,35(22):125-130针对线路安全约束，考虑了风电场出力偏差，构建了电力系统条件风险调度模型，但该文献仅通过调节平衡节点发电机组出力来平衡风电偏差，而实际过程中参与实时调节的机组并不只位于平衡节点，因此需要结合参与实时调节机组数目及其调节方式进行研究。
发明内容
本发明提供了一种基于风电出力预测误差的滚动优化调度方法，解决了现有方法的不足，实现了在保证了系统可靠性的基础上，提高了系统运行经济性的技术效果。
为实现上述发明目的，本申请提供了一种基于风电出力预测误差的滚动优化调度方法，本方法包括：
步骤1：通过对日前风电出力进行预测，以传统机组运行成本和风电备用购买成本最低为目标函数，满足系统约束，通过最优化确定相应机组的输出功率计划值，以及风电备用容量大小；
步骤2：从“时间”和“功率”两个角度对风电预测误差的不确定性进行建模分析，推导出风电预测误差概率密度函数的具体表达形式,并利用文献仿真结果中风电平均预测误差与提前预测时间之间的关系求得相应的风电预测误差标准差；
步骤3：通过对日内风电出力进行滚动预测，并将其带入步骤2推导式中，求得不同时间断面下不同功率的风电预测误差概率密度函数具体形式；
步骤4：利用日前制定的正、负旋转备用作为风电预测误差概率密度函数具体形式中的基准，制定日内正、负旋转备用高、低估成本策略，并加入日内滚动调度层中。
步骤5：以正、负旋转备用高、低估成本；滚动调整成本最低为日内调度层的目标函数，满足机组各时间断面爬坡率约束、旋转备用容量约束，将日前计划层的结果为基础优化求解。
本发明首先从“时间”和“功率”两个角度对风电预测误差的不确定性进行建模分析，推导出风电预测误差概率密度函数的具体表达形式。其次，将风电预测误差作为随机变量，利用风险理论将安全性和充裕性与系统的正、负旋转备用相结合，针对日前备用配置方案制定出日内备用高、低估成本的滚动优化调度模型。在此基础上，提出了日前计划和日内滚动调度模型，并利用改进的IEEE-RTS24配电网系统在MATLAB以及CPLEX软件中进行了仿真分析，验证了该方法在满足电网安全、稳定运行的前提下，更具经济效益。
在考虑风电预测误差的基础上，满足系统供电的可靠性和经济性，实现系统机组出力和旋转备用的合理配置，使得降低失负荷风险和资源浪费风险，本申请提出了以超短期预测技术和量测技术为基础，以机会约束为建模方法，以日内滚动经济调度为核心的两层协调调度模式，一体化整合可调度资源，实现经济、可靠的最优调度。
本发明主要由以下技术措施实现：
1、预测误差的不确定性建模
风电功率的不确定性一般由风速和风电功率预测误差两种形式来表示，在电力系统调度中，为了方便日内调度策略在日前计划上的修正，多采用后者来描述。研究表明，以概率分布函数方法对风电预测误差进行描述能较好的反映其不确定性，而随着预测时间的长短所适合的概率预测分布不尽相同，一般可以采用正态分布、威布尔分布以及柯西分布，而不同的分布对风电预测中产生的置信区间有一定影响，且具有时变特性。与此同时，提前预测的时间尺度越长，风机的功率特性曲线对误差分布的影响越小，误差的集中性越小，随机性越强，误差更服从于正态分布，不失一般性，本申请采用正态分布对风电预测误差进行描述，假设风电预测误差服从于N(0,σ2)的标准正态分布，且其方差随预测提前时间长短有关，为表述方便以某个时间断面为例列写表达式(1)。
式中：μw为风电预测误差期望值，一般取0，服从于标准正态分布；σw为风电预测标准差；εw为某个预测时间断面t的预测误差，其具体可表示为
式中：为时间断面t时的风电实际出力值，Pw(t)为时间断面t时的风电预测出力值；研究表明，随着预测时间尺度的变小，相应εw(t)绝对值的期望值也越小，从静态调度示意图中可以看出σw(t)也将越小。
本发明将结合风电预测误差特点从“时间”和“功率”两个角度对其进行推导。
首先对风电预测误差进行离散化处理如式(3)：
式中：εw(t+k|t)为风电预测绝对误差，表示t时刻预测t+k时刻的风电绝对预测误差；ew(t+k|t)为风电预测平均相对误差；Pw(t+k|t)为t时刻预测t+k时刻的风电预测功率值；n为离散化处理的分段数。
接着将风电预测误差视作连续性随机变量，通过积分的方法，利用风电预测误差概率密度函数对风电绝对预测误差进行描述，如式(4)：
最后通过联立(3)、(4)两式便可得到风电预测功率与预测时间尺度和预测功率大小之间的函数关系，表示如下：
从而得到风电预测标准差与风电预测功率之间的关系如式(6)，可以看出其成线性关系，与实验得出的研究结论相符。
2、日前计划层优化调度模型
1)目标函数
通过风电功率预测数据计算其不确定性模型得出相应的概率分布函数参数，并将其代入到日前计划调度模型中。日前计划层主要以经济性为目标，在考虑传统系统约束的限制上，确定机组的最佳运行状态及机组的最优运行功率。目标函数由三部分组成，表示如下：
式(7)中：N为常规火电机组数目；T为调度周期；下标i表示第i台机组；上标t和t-1分别表示第t或t-1时刻；CFC为传统火电机组的燃料成本，用二次函数来表示火电机组的经济性，ai、bi、ci分别为二次项、一次项和常数项对应的系数；CU为火电机组启停成本；CW,R为向发电商单独购买的风电备用容量成本；Pg,i,t是常规火电机组出力；cst、cend分别为开机、关机成本系数；pt、qt分别为风电备用容量购买成本系数；为机组出力状态变量，为1表示有出力，为0表示无出力；Δt为调度时间间隔；和分别表示针对风电的正、负旋转备用。
式(7)中，第一项为传统火电机组的燃料成本，本申请用二次函数来表示火电机组的经济性，ai、bi、ci分别为二次项、一次项和常数项对应的系数；由于风电属于可再生清洁能源，站在电力系统调度的角度，不计风电的发电成本，且优先对风电功率进行调度；第二项为火电机组启停成本；第三项为向发电商单独购买的风电备用容量成本，该成本由机组的边际成本和固有成本共同决定，表示为单调递增的一次函数。随着日前辅助服务市场的不断成熟和规范化，在日前计划层中需要向发电商予以报酬来换取相应的旋转备用容量，因此，在日前计划层中除了考虑发电机运行成本外还需要考虑为新能源的不确定配置的旋转备用购买成本。
2)约束条件
式(8)为系统功率平衡约束，式(9)-(10)为传统火电机组输出功率约束，式(11)-(12)为火电机组爬坡率约束，式(13)-(14)为火电机组启停约束，式(15)为机组启停状态约束，式(16)为系统潮流约束。其中，将(9)-(12)约束利用机会约束表示的方法进行处理，使其在一定的置信区间下满足约束条件下的最优机组出力计划。Pw,k,t为风电场k在t时刻的发电功率；USRi,t、DSRi,t分别为传统机组为负荷配置的正、负旋转备用容量；分别为机组i的最大、最小功率限值；ru,i、rd,i分别为机组i的向上、下爬坡率；TUi、TDi分别为机组i的最小启停时间；分别为机组i在m时刻的启停状态标志。β1,β2，β3，β4分别是机会约束的置信度值；Pg,l,t和Pd,l,t分别表示l节点的有功出力和有功负荷；Qg,l,t和Qd,l,t分别表示l节点的无功出力和无功负荷；Gls表示ls支路的电导；Bls表示ls支路的电纳；θls表示节点l和节点s的功角差。
3、考虑预测误差对系统运行可靠性的风险备用分析
本小节以日前配置的旋转备用容量为基础，将运行风险分析与风力发电预测误差相结合，制定了一套考虑风电预测误差对系统运行可靠性影响的备用配置策略作为日内调度层备用评价的标准，其具体分析如下：
通过不同时间尺度风电预测误差的概率密度函数，考虑系统的正、负旋转备用，与风电正、负预测误差相对应，制定计及系统对正、负旋转备用高估和低估成本，即当风电预测功率值高于实际风电功率值时，意味着风电被高估了，会造成系统缺电，此时需在原有计划的正旋转备用基础上增加正旋转备用，并在模型中增加正旋转备用高估成本；而当风电预测功率值低于实际风电功率值时，意味着风电被低估了，会造风电资源不能被充分的消纳，此时需在原有计划的负旋转备用基础上增加系统负旋转备用，并在模型中增加负旋转备用低估成本。以上只是针对预测误差对正、负旋转备用进行定性的分析，采用何种方法对其进行定量描述是本申请的关键所在。
本申请将风电预测误差作为随机变量，将日前计划制定的正、负旋转备用量作为评判系统运行可靠性中安全性和充裕性的标准，并对第1节中得到的风电预测误差概率分布函数进行量化处理，最后结合风险理论制定满足系统可靠性的正、负旋转备用高、低估成本，并加入日内滚动调度模型中。
下面将以某一个时间尺度为例展开分析，将风电发电预测误差作为随机变量εw,t∈(-∞,+∞)；pdf(x)为t时刻风电预测误差的概率密度函数，表达式由式(1)-(6)给出；并结合实时调度的特点，引入日前计划制定的正、负旋转备用下面将分为四种情况进行详细描述，即
4、日内调度层优化调度模型
1)目标函数
日内调度层是在已知日前机组启停状态和机组出力结果的基础上进行的，通过滚动预测风电的出力，对机组出力和旋转备用进行动态的调整。正、负旋转备用高、低估成本表示为：
除了风电旋转备用高、低估修正成本外，还需考虑日内滚动调度修正成本，首先需要确定日内滚动更新的次数，若在日前计划的基础上每个最小调度时段滚动更新1次，则滚动更新周期为2Δt，其中Δt为最小分辨率调度时间尺度；若在日前计划的基础上每个最小调度时段滚动更新2次，则滚动更新周期为3Δt；以此类推，在若日前计划的基础上每个最小调度时段滚动更新n次，则滚动更新周期为(n+1)Δt，则每个调度时段更新n次的滚动修正成本表示为：
其中，α1，α2，…，αn分别表示1～n次滚动修正的系数；表示1～n次滚动修正的成本；
2)约束条件
相对于日前计划层，考虑到机组容量较大，在日内较短时间内频繁启动和关闭对机组损耗较大，因此，在日内滚动调度层将不考虑机组启停作为状态变量，以日前计划层机组启停状态进行调度。除了常规约束如功率平衡约束、机组出力约束、不同时间尺度机组爬坡和滑坡约束外，还需考虑正、负旋转备用约束和线路最大传输容量约束。
正、负旋转备用容量约束表示如下：
式中：k为提前预测时间(min)，k＝iΔt(i＝1,2,3)；Δt为最小时间分辨率；β5、β6为置信度水平。
考虑到日内调度层需要在较短的时间内较为精确的计算出不同时刻的潮流，因此采用直流潮流法来计算电网的潮流，使其计算精度即能满足动态经济调度的要求，又能实现潮流的快速计算，此约束主要体现在日内调度层线路传输容量约束条件中，表示为：
式中：假设每一条线路不超过其最大传输容量的置信度水平为βl,t；Dl,i、Dl,w、Dl,m分别为关于机组i、风电机组w和负荷m的线路传输分布因子；Dl,i为第l个传输断面潮流对第i台常规发电机组的转移分布因子；Dl,w为第l个传输断面潮流对第w个风电场的转移分布因子；Dl,m为第l个传输断面潮流对第m个节点负荷的转移分布因子。
5、含随机变量的机会约束条件处理
机会约束规划是以概率的形式对约束条件或目标函数中含有随机变量的情况进行事前决策，在保证系统应该满足的安全约束的条件下或所做决策下未必完全满足约束条件下，实现在概率不小于设定置信区间下的最优经济调度。具体来说，机会约束就是将原有约束条件进行“松弛化”处理，使松弛化后的决策变量在概率上依然满足设置的置信区间。如何对机会约束表示的约束条件进行求解是目前处理的难点，大致有两种方法，一种是通过随机抽样的方法，通过选取服从概率分布的大量数据，然后对其进行随机抽样，通过大数定律可以实现满足一定概率的情况，但此方法计算量非常大，不适用于电力系统日内滚动调度的实时性。本发明主要采用第二种方法，利用数学推理的方法对含随机变量的表达式进行转化处理，得到易于计算的表达式，再进行优化调度。
对于正、负旋转备用高估、低估成本的计算主要采用对CW中决策变量RW求偏导数的方法进行转化计算，相应的式(32)-(35)转化如下：
风电正旋转备用高估和低估成本转化：
风电负旋转备用高估和低估成本转化：
式中：cdf(.)为t时刻风电预测误差所服从的累积概率分布函数；pdf(.)为t时刻风电预测误差所服从的概率密度函数，利用前文风电预测误差服从正态分布，以及计算出的正态分布参数不难求出相应的成本。为正旋转备用浪费惩罚系数，为中断负荷的补偿成本系数；为负旋转备用浪费惩罚系数；为弃风惩罚系数。
针对含机会约束的线路最大传输容量约束的计算也可以利用数学推导对式(21)-(22)进行化简，便于优化调度的求解，对于线路最大传输容量约束的计算采用机会约束转化的方式，其化简的推导如下：
本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明为了减小风电出力预测误差精度对系统调度运行造成的影响，将风电出力预测误差作为随机变量，并以风险理论和可靠性相结合为基础，将预测误差与备用容量调整量有机联系起来。利用数学解析方法对其进行推导得出相应正旋转备用和负旋转备用的高、低估期望成本，并加入目标函数中。最后，根据可再生能源出力预测信息的滚动更新，提出了满足线路潮流约束的日内滚动优化调方法，实现了在保证了系统可靠性的基础上，提高了系统运行经济性。算例中，采用改进IEEE-RTS 24节点配电网系统为例进行仿真分析，结果表明：所提方法通过量化备用容量调整量，有效的控制了预测误差带来的风险，在满足线路容量约束下，滚动优化了机组出力和备用容量，实现了经济性的最优调度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；
图1为不同时间尺度风电预测误差概率密度函数示意图；
图2为考虑预测误差的两层协调调度流程图；
图3为旋转备用状态模式风险分析图；
图4为配电网结构图；
图5为风电、负荷预测曲线；
图6a-b为日前机组出力曲线；
图7a-c为日内机组出力曲线。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1为不同时间尺度风电预测误差概率密度函数；1、由图1可以看出预测误差并非一成不变，而是跟提前预测的时间有关，提前预测的时间越长，则预测误差较大的可能性就越大；而提前预测的时间越短，则预测误差较小的可能性就越大。即随着预测提前时间的增大，预测误差所服从的正态分布曲线越扁平，这意味着相应的方差越大，风电实际功率更有可能偏离原有的预测功率值。但以上仅仅只从时间的角度考虑了预测误差的不确定性，并未从预测功率大小的角度考虑其不确定性。目前已有文献证明，风电预测误差标准差还与预测功率的大小有关，且与预测功率成正比的关系。
图2为考虑预测误差的两层协调调度流程图；两层协调调度的主要内容有：日前计划层通过短期预测技术对风电和负荷进行预测，考虑到负荷预测目前以较为成熟，本文忽略负荷预测误差对系统调度的影响，但依然会配置负荷相应的备用。其次利用风电预测标准差与不同时间尺度和风电预测值之间的关系计算出不同时段风电预测误差的标准差，通过利用风险概率求出相应的备用需求。在日内滚动调度层中，将日前的机组出力计划和旋转备用配置作为基础，通过滚动更新超短期预测的风电预测误差来调整正、负旋转备用，并进行相应的高、低估期望成本计算，最后通过算例仿真验证模型的有效性。
图3为旋转备用状态模式风险分析图；当风电预测误差为正时，即εw,t≥0,ε(t+k|t)＝Pw *(t+k|t)-Pw(t+k)(其中k＝iΔt(i＝1,2,3...)，Δt为最小时间分辨率)，此时风电实际出力小于预测出力，需要考虑系统正旋转备用。此时，需要分为①、②两种情况进行讨论。
①当随机变量时，则表示t+k时刻风电预测误差小于t时刻系统配置的正旋转备用量，系统高估了正旋转备用，备用有冗余的情况出现，此时与运行可靠性中的充裕度相对应，因此需要计算备用浪费惩罚成本。如图3中绿色区域表示正旋转备用充裕程度，正旋转备用浪费惩罚成本计算如下
式中：为t时刻的转旋转备用浪费惩罚成本；pdfw,t(·)为风电预测误差的概率密度函数；为t时刻正旋转备用配置容量；为正旋转备用浪费惩罚系数。
②当随机变量时，表示t+k时刻风电预测误差大于t时刻系统配置的正旋转备用量，系统低估了正旋转备用，备用出现不足的情况，此时系统有供电不足甚至失负荷的风险，可能会对系统安全性造成较严重的影响。因此，为了保证系统可靠运行，需要调整正旋转备用供给量，并考虑对失负荷的用户进行补偿，同时计算出失负荷补偿成本。图3中红色区域表示失负荷期望电量值，失负荷补偿成本计算如下
式中：为t时刻失负荷补偿成本；其中表示为中断负荷的补偿成本系数。
当风电预测误差为负时，即εw,t＜0,ε(t+kt)＝Pw *(t+kt)-Pw(t+k)(其中k＝iΔt(i＝1,2,3...)，Δt为最小时间分辨率)，此时风电实际出力大于预测出力，需要考虑系统负旋转备用。此时，需要分为①、②两种情况进行讨论。
①当随机变量时，表示t+k时刻预测误差的绝对值小于t时刻系统配置的负旋转备用量的绝对值，此时系统高估了负旋转备用，负旋转备用出现冗余的情况，相对于系统可靠性中的充裕度较高的情况，因此需要计算备用浪费惩罚成本。如图3中黄色区域表示负旋转备用充裕程度，负旋转备用浪费惩罚成本计算如下
式中：为t时刻负旋转备用浪费惩罚成本；为负旋转备用浪费惩罚系数。
②当随机变量时，表示t+k时刻预测误差的绝对值大于t时刻系统配置的负旋转备用量的绝对值，此时系统低估了负旋转备用，系统处于供电过剩状态，也就是风电不能被系统完全消纳的情况，造成系统经济性的降低。此时，系统将采取弃风措施，考虑到系统的经济性，需要对弃风电量进行惩罚；其中图3中蓝色区域面积为弃风电量期望值，弃风电量惩罚成本计算如下
式中：为t时刻弃风电量惩罚成本；其中表示为弃风惩罚系数(Value of Wasted Wind power,VOWW)
图4为配电网结构图；利用IEEE-RTS的24节点数据进行仿真分析，在配电网的14、20、22号节点加入风电机组，机组容量分别为200MW、200MW、300MW，配电网结构图如图4所示，该配电网有24节点、33条支路。
图5为风电、负荷预测曲线；风电和负荷预测数据采用周期为24h，且采样间隔为1h，通过风电和总负荷计算出了一个周期内系统净负荷量。
图6为日前机组出力曲线；考虑到日前计划层中不仅存在机组出力的决策变量还有机组启停的状态变量，一般的人工智能算法难以同时求解此类非线性混合整数规划问题，本章主要利用MATLAB中的Yalmip工具箱进行仿真建模，并调用CPLEX作为计算工具对日前经济调度进行仿真计算。由于机组数目较多，日前机组出力结果仅仅将两组置信区间的结果进行比较，即α1＝β1＝α2＝β2＝0.95和α1＝β1＝α2＝β2＝0.85。
图7为日内机组出力曲线；从图7中可以看出，滚动修正计划与滚动更新周期有关，就G1而言，第二次滚动修正较第一次滚动修正的平均单位时间调节量百分比为13.4％，而第三次滚动修正较第二次滚动修正的平均单位时间调节量百分比为，9.65％；对于G4而言第二次滚动修正较第一次滚动修正的平均单位时间调节量百分，比较第三次滚动修正较第二次滚动修正的调节量百分比高27.5％，因此，可以看出第一次滚动修正量较大，随后修正量出现减少的情况，这是由于随着风电预测信息的不断更新，其偏离实际值逐渐减少造成的。
实施例：
配电网传统各发电机组的参数见表1所示，电力系统调度周期为1天，在日前计划层中分为24个时段。日前预测的负荷、风电功率及计算出的净负荷功率如图5所示。正旋转备用浪费惩罚系数取为512$/MW；中断负荷的补偿成本系数取为630$/MW；负旋转备用浪费惩罚系数取为460$/MW；弃风惩罚系数取为350$/MW。
表1传统发电机组参数
Tab 1 The parameters of traditional generator set
表2不同置信水平机组经济成本
Tab 2 Unit economic costs underdifferent confidence level
从表2中可以看出随着系统对机会约束置信区间α和β的不断减小，系统总成本也在减少，其中机组燃料成本和备用容量成本都随着减少，这主要是因为置信水平越低，表示系统对于安全性不那么重视，此时的经济性较好，相当于是牺牲了系统的安全性来提高了经济性。需要指出的是置信区间为1时，系统为未采用机会约束规划方法，即采用传统求解方法对日前机组进行优化。对于备用容量主要是为风电功率的不确定性配置的正、负旋转备用，其具体的容量如表3所示。
表3风电正、负旋转备用容量
Tab 3 Wind power positive and negative spin reserve capacity
日内调度层将以传统优化方法计算的日前计划层机组状态和机组出力结果作为基础，首先选择滚动调度次数，滚动预测风电功率，确定相应的预测误差标准差，并利用直流潮流法计算每次的随机潮流，判断是否满足线路最大容量约束；最后确定相应置信区间，利用改进粒子群算法对其进行求解，得出日内调度层机组修正值和风电旋转备用高、低估成本。本章以3次为例作为滚动修正次数，进行日内滚动调度计算，由于机组较多，主要选取机组1、4、10作为滚动修正机组出力图，如图7所示。
从图7中可以看出，滚动修正计划与滚动更新周期有关，就G1而言，第二次滚动修正较第一次滚动修正的平均单位时间调节量百分比为13.4％，而第三次滚动修正较第二次滚动修正的平均单位时间调节量百分比为，9.65％；对于G4而言第二次滚动修正较第一次滚动修正的平均单位时间调节量百分，比较第三次滚动修正较第二次滚动修正的调节量百分比高27.5％，因此，可以看出第一次滚动修正量较大，随后修正量出现减少的情况，这是由于随着风电预测信息的不断更新，其偏离实际值逐渐减少造成的。相应的日内滚动修正成本及旋转备用高、低估成本如表4所示
表4滚动调度层成本
Tab 4 The costs of rolling scheduling
从表4中可以看出，随着日内滚动调度层中机会约束置信因子γ的变小，总的修正成本呈现减少的趋势，其中滚动修正成本逐渐也逐渐减少，这主要是由置信水平对系统安全性和经济性的侧重所决定的，置信水平越低，对电网的经济运行要求越高，在安全性上会有所下降。除此之外，正、负旋转备用的高估成本呈减少趋势，而正、负旋转备用的低估成本呈增大趋势，这主要是由于当系统可靠性要求较高的情况下，对于正、负旋转备用的配置偏于保守，配置容量较多造成备用出现浪费的情况；而随着置信水平的减少，系统对于可靠性的侧重程度降低，此时，系统选择更经济但可能有更多风险的少容量旋转备用配置策略，这就造成了系统出现较高的备用低估成本。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于风电出力预测误差的滚动优化调度方法，其特征在于，所述方法包括：
步骤1：通过对日前风电出力进行预测，以传统机组运行成本和针对风电不确定性的备用购买成本最低为目标函数，满足电力系统约束，通过最优化确定相应机组的输出功率计划值，以及风电备用容量大小；
步骤2：从时间和功率两个角度对风电预测误差的不确定性进行建模分析，推导出风电预测误差概率密度函数的具体表达形式，并利用风电平均预测误差与提前预测时间之间的关系求得相应的风电预测误差标准差；
步骤3：通过对日内风电出力进行滚动预测，并将其带入风电预测误差概率密度函数的具体表达形式，求得不同时间断面下不同功率的风电预测误差概率密度函数具体形式；
步骤4：利用日前制定的正、负旋转备用作为风电预测误差概率密度函数具体形式中的基准，计算日内正旋转备用高估成本、正旋转备用低估成本、负旋转备用高估成本、负旋转备用低估成本，并加入日内滚动调度层中；
步骤5：以正旋转备用高估成本、正旋转备用低估成本、负旋转备用高估成本、负旋转备用低估成本、滚动调整成本最低为日内调度层的目标函数，满足机组各时间断面爬坡率约束、旋转备用容量约束，以日前计划层的结果为基础优化求解。
2.根据权利要求1所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，本方法用正态分布对风电预测误差进行描述，假设风电预测误差服从于N(0,σ2)的标准正态分布，且其方差随预测提前时间长短有关，以某个时间断面为例列写表达式(1)：
式(1)中：μw为风电预测误差期望值，服从于标准正态分布；σw为风电预测标准差；εw为某个预测时间断面t的预测误差，其具体可表示为：
式(2)中：为时间断面t时的风电实际出力值，Pw(t)为时间断面t时的风电预测出力值；
风电预测标准差与风电预测功率之间的关系如式(6)：
其中，σ(t+k|t)为t时刻预测t+k时刻的风电预测标准差；Pw(t+k|t)为t时刻预测t+k时刻的风电预测功率值；
本方法结合风电预测误差特点从时间和功率两个角度，对风电预测标准差与风电预测功率之间的关系进行推导：
首先对风电预测误差进行离散化处理如式(3)：
式(3)中：εw(t+k|t)为风电预测绝对误差，表示t时刻预测t+k时刻的风电绝对预测误差；ew(t+k|t)为风电预测平均相对误差；Pw(t+k|t)为t时刻预测t+k时刻的风电预测功率值；n为离散化处理的分段数；
将风电预测误差视作连续性随机变量，利用风电预测误差概率密度函数对风电绝对预测误差进行描述，如式(4)：
通过联立(3)、(4)两式得到风电预测功率与预测时间尺度和预测功率大小之间的函数关系，表示如下
从而得到风电预测标准差与风电预测功率之间的关系如式(6)：
3.根据权利要求1所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，日前计划层优化调度模型目标函数的表示为：
式(7)中：N为常规火电机组数目；T为调度周期；下标i表示第i台机组；上标t和t-1分别表示第t或t-1时刻；CFC为传统火电机组的燃料成本，用二次函数来表示火电机组的经济性，ai、bi、ci分别为二次项、一次项和常数项对应的系数；CU为火电机组启停成本；CW,R为向发电商单独购买的风电备用容量成本；Pg,i,t是常规火电机组出力；cst、cend分别为开机、关机成本系数；pt、qt分别为风电备用容量购买成本系数；为机组出力状态变量，为1表示有出力，为0表示无出力；Δt为调度时间间隔；和分别表示针对风电的正、负旋转备用。
4.根据权利要求1所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，日前计划层优化调度模型的约束条件为：
式(8)为系统功率平衡约束，式(9)-(10)为传统火电机组输出功率约束，式(11)-(12)为火电机组爬坡率约束，式(13)-(14)为火电机组启停约束，式(15)为机组启停状态约束，式(16)为电力系统潮流约束；其中，Nw为风电场数量；Pw,k,t为风电场k在t时刻的发电功率；USRi,t、DSRi,t分别是传统机组为负荷配置的正、负旋转备用容量；分别为机组i的最大、最小功率限值；ru,i、rd,i分别为机组i的向上、下爬坡率；TUi、TDi分别为机组i的最小启停时间；分别为机组i在m时刻的启停状态标志；β1,β2，β3，β4分别是机会约束的置信度值；Pg,l,t和Pd,l,t分别表示l节点的有功出力和有功负荷；Qg,l,t和Qd,l,t分别表示l节点的无功出力和无功负荷；Gls表示ls支路的电导；Bls表示ls支路的电纳；θls表示节点l和节点s的功角差。
5.根据权利要求1所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，正、负旋转备用高、低估成本表示为：
其中，CW是风电正旋转备用高估成本、正旋转备用低估成本、负旋转备用高估成本、负旋转备用低估成本的总和；是正旋转备用高估单位成本；是正旋转备用低估单位成本；是负旋转备用高估单位成本；是负旋转备用低估单位成本；εw,t表示风电预测随机误差；
若在日前计划的基础上每个最小调度时段滚动更新n次，则滚动更新周期为(n+1)Δt，Δt为最小分辨率调度时间尺度，则每个调度时段更新n次的滚动修正成本表示为：
其中，α1，α2，…，αn分别表示1～n次滚动修正的系数；表示1～n次滚动修正的成本；
正、负旋转备用容量约束表示如下：
式中：k为提前预测时间(min)，k＝iΔt(i＝1,2,3)；Δt为最小时间分辨率；β5、β6为置信度水平；
采用直流潮流法来计算电网的潮流，此约束体现在日内调度层线路传输容量约束条件中，表示为：
式中：假设每一条线路不超过其最大传输容量的置信度水平为βl,t；Dl,i、Dl,w、Dl,m分别为关于机组i、风电机组w和负荷m的线路传输分布因子；Dl,i为第l个传输断面潮流对第i台常规发电机组的转移分布因子；Dl,w为第l个传输断面潮流对第w个风电场的转移分布因子；Dl,m为第l个传输断面潮流对第m个节点负荷的转移分布因子。
6.根据权利要求1所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，本方法还包括含随机变量的机会约束条件处理，对于正、负旋转备用高估、低估成本的计算采用对CW中决策变量RW求偏导数的方法进行转化计算：
风电正旋转备用高估和低估成本转化：
式中，cdf(.)为累积概率分布函数；pdf(.)概率密度函数；为正旋转备用浪费惩罚系数，为中断负荷的补偿成本系数；
风电负旋转备用高估和低估成本转化：
式中为负旋转备用浪费惩罚系数；为弃风惩罚系数。
7.根据权利要求6所述的基于风电出力预测误差的滚动优化调度方法，其特征在于，针对含机会约束的线路最大传输容量约束的计算也可利用数学推导对式(21)-(22)进行化简，对于线路最大传输容量约束的计算采用机会约束转化的方式，其化简的推导如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810987242.2A CN109038686B (zh) | 2018-08-28 | 2018-08-28 | 一种基于风电出力预测误差的滚动优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810987242.2A CN109038686B (zh) | 2018-08-28 | 2018-08-28 | 一种基于风电出力预测误差的滚动优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109038686A true CN109038686A (zh) | 2018-12-18 |
| CN109038686B CN109038686B (zh) | 2020-02-11 |
Family
ID=64625672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810987242.2A Active CN109038686B (zh) | 2018-08-28 | 2018-08-28 | 一种基于风电出力预测误差的滚动优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109038686B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109713716A (zh) * | 2018-12-26 | 2019-05-03 | 中国南方电网有限责任公司 | 一种基于安全域的风电并网系统的机会约束经济调度方法 |
| CN110111215A (zh) * | 2019-05-05 | 2019-08-09 | 中国电力企业联合会电力建设技术经济咨询中心 | 计及离散出力特征的火电机群固有运行灵活性评价方法 |
| CN110518569A (zh) * | 2019-06-12 | 2019-11-29 | 广西电网有限责任公司电力科学研究院 | 一种计及电网运行收益与风险的概率优化调度模型 |
| CN110912205A (zh) * | 2019-11-26 | 2020-03-24 | 三峡大学 | 基于场景集的含风电电力系统运行备用动态调度优化方法 |
| CN110957717A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 一种多电源电力系统多目标日前优化调度方法 |
| CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111489009A (zh) * | 2019-06-06 | 2020-08-04 | 国网辽宁省电力有限公司 | 一种电动汽车充电站运行方式的优化计算方法及装置 |
| CN111626641A (zh) * | 2020-06-17 | 2020-09-04 | 中国南方电网有限责任公司 | 基于机组爬坡特性的能量和备用联合市场出清方法 |
| CN112502900A (zh) * | 2020-10-16 | 2021-03-16 | 浙江工业大学 | 基于非线性阻尼控制的风电齿轮箱瞬变载荷主动抑制方法 |
| CN113468811A (zh) * | 2021-07-06 | 2021-10-01 | 国网陕西省电力公司 | 一种含新能源机组的电网备用容量概率化动态评估方法、系统、终端及可读存储介质 |
| CN114069621A (zh) * | 2021-11-16 | 2022-02-18 | 南京邮电大学 | 计及多能源系统稳定性的多目标协同优化安全调度方法 |
| CN115167140A (zh) * | 2022-07-27 | 2022-10-11 | 华北电力大学 | 风力发电机组多目标随机模型预测控制策略方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103296701A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种风电场有功功率控制方法 |
| CN104181895A (zh) * | 2014-08-28 | 2014-12-03 | 国家电网公司 | 适应新能源接入的短期与超短期协调滚动调度优化策略 |
| CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
| CN104779631A (zh) * | 2014-12-31 | 2015-07-15 | 国家电网公司 | 基于风电预测功率的储能跟踪风电出力计划方法及其系统 |
| US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
| 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 |
-
2018
- 2018-08-28 CN CN201810987242.2A patent/CN109038686B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
| CN103296701A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种风电场有功功率控制方法 |
| CN104181895A (zh) * | 2014-08-28 | 2014-12-03 | 国家电网公司 | 适应新能源接入的短期与超短期协调滚动调度优化策略 |
| CN104779631A (zh) * | 2014-12-31 | 2015-07-15 | 国家电网公司 | 基于风电预测功率的储能跟踪风电出力计划方法及其系统 |
| CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
| 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 (3)
| Title |
|---|
| 刘增庆 等: "基于可靠性量化的微电网变时间尺度协调调度策略", 《华北电力大学学报》 * |
| 刘德才 等: "基于小波分解的主动配电网多时间尺度协调调度策略", 《电气时代》 * |
| 杨冬锋: "适应大规模风电并网的电力系统有功调度策略研究", 《中国博士学位论文全文数据库》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109713716A (zh) * | 2018-12-26 | 2019-05-03 | 中国南方电网有限责任公司 | 一种基于安全域的风电并网系统的机会约束经济调度方法 |
| CN110111215B (zh) * | 2019-05-05 | 2021-06-11 | 中国电力企业联合会电力建设技术经济咨询中心 | 计及离散出力特征的火电机群固有运行灵活性评价方法 |
| CN110111215A (zh) * | 2019-05-05 | 2019-08-09 | 中国电力企业联合会电力建设技术经济咨询中心 | 计及离散出力特征的火电机群固有运行灵活性评价方法 |
| CN110957717A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 一种多电源电力系统多目标日前优化调度方法 |
| CN111489009A (zh) * | 2019-06-06 | 2020-08-04 | 国网辽宁省电力有限公司 | 一种电动汽车充电站运行方式的优化计算方法及装置 |
| CN110518569A (zh) * | 2019-06-12 | 2019-11-29 | 广西电网有限责任公司电力科学研究院 | 一种计及电网运行收益与风险的概率优化调度模型 |
| CN110912205A (zh) * | 2019-11-26 | 2020-03-24 | 三峡大学 | 基于场景集的含风电电力系统运行备用动态调度优化方法 |
| CN110912205B (zh) * | 2019-11-26 | 2023-05-02 | 三峡大学 | 基于场景集的含风电电力系统运行备用动态调度优化方法 |
| CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111416352B (zh) * | 2020-04-29 | 2023-08-15 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
| CN111626641B (zh) * | 2020-06-17 | 2023-04-28 | 中国南方电网有限责任公司 | 基于机组爬坡特性的能量和备用联合市场出清方法 |
| CN111626641A (zh) * | 2020-06-17 | 2020-09-04 | 中国南方电网有限责任公司 | 基于机组爬坡特性的能量和备用联合市场出清方法 |
| CN112502900A (zh) * | 2020-10-16 | 2021-03-16 | 浙江工业大学 | 基于非线性阻尼控制的风电齿轮箱瞬变载荷主动抑制方法 |
| CN112502900B (zh) * | 2020-10-16 | 2021-10-15 | 浙江工业大学 | 基于非线性阻尼控制的风电齿轮箱瞬变载荷主动抑制方法 |
| CN113468811A (zh) * | 2021-07-06 | 2021-10-01 | 国网陕西省电力公司 | 一种含新能源机组的电网备用容量概率化动态评估方法、系统、终端及可读存储介质 |
| CN113468811B (zh) * | 2021-07-06 | 2024-03-08 | 国网陕西省电力公司 | 含新能源机组的电网备用容量概率化动态评估方法及系统 |
| CN114069621A (zh) * | 2021-11-16 | 2022-02-18 | 南京邮电大学 | 计及多能源系统稳定性的多目标协同优化安全调度方法 |
| CN114069621B (zh) * | 2021-11-16 | 2023-08-22 | 南京邮电大学 | 计及多能源系统稳定性的多目标协同优化安全调度方法 |
| CN115167140A (zh) * | 2022-07-27 | 2022-10-11 | 华北电力大学 | 风力发电机组多目标随机模型预测控制策略方法及系统 |
| CN115167140B (zh) * | 2022-07-27 | 2023-10-10 | 华北电力大学 | 风力发电机组多目标随机模型预测控制策略方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109038686B (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109038686A (zh) | 一种基于风电出力预测误差的滚动优化调度方法 | |
| 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 | |
| CN107895971A (zh) | 基于随机规划和模型预测控制的区域能源互联网调度方法 | |
| CN103337001B (zh) | 考虑最佳期望输出与荷电状态的风电场储能容量优化方法 | |
| CN109636674B (zh) | 一种大规模水电站群月度交易电量分解与校核方法 | |
| CN103683337A (zh) | 一种互联电网cps指令动态分配优化方法 | |
| CN109390981A (zh) | 新能源参与电量平衡的送端电网机组组合运行控制方法 | |
| CN107706932A (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
| WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及系统 | |
| Zhu et al. | Multi-objective optimal scheduling of an integrated energy system under the multi-time scale ladder-type carbon trading mechanism | |
| Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
| Li et al. | A novel two-stage energy management of hybrid AC/DC microgrid considering frequency security constraints | |
| CN108667077A (zh) | 一种风蓄联合系统优化调度方法 | |
| Zhong et al. | Chance constrained scheduling and pricing for multi-service battery energy storage | |
| Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
| Cai et al. | Intra-day Tie-line Scheduling Model Considering New Energy Fluctuation | |
| CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
| Sajid et al. | Multi-micro grid system reinforcement across Deregulated Markets, Energy Resources Scheduling and Demand Side Management using a multi-agent-based optimization in Smart Grid Paradigm | |
| Kaczorowska et al. | Smart control of energy storage system in residential photovoltaic systems for economic and technical efficiency | |
| Li et al. | An optimal dynamic generation scheduling for a wind-thermal power system | |
| CN114374203B (zh) | 一种基于电价引导及意愿的源荷储调度决策系统及方法 | |
| Zhou et al. | Analysis of Energy Storage Operation Configuration of Power System Based on Multi-Objective Optimization |
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 |