CN109193756A - 一种风电接入系统的场景解耦动态经济调度模型求解方法 - Google Patents
一种风电接入系统的场景解耦动态经济调度模型求解方法 Download PDFInfo
- Publication number
- CN109193756A CN109193756A CN201811025211.5A CN201811025211A CN109193756A CN 109193756 A CN109193756 A CN 109193756A CN 201811025211 A CN201811025211 A CN 201811025211A CN 109193756 A CN109193756 A CN 109193756A
- Authority
- CN
- China
- Prior art keywords
- scene
- level
- optimal
- model
- constraint
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000010354 integration Effects 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims description 25
- 239000007787 solid Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 239000003245 coal Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000004132 cross linking Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009987 spinning Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种风电接入系统的场景解耦动态经济调度模型求解方法,包括:S1、基于场景法建立考虑风电接入系统的动态经济调度模型;S2、在MCO方法计算结构的基础上建立动态最优松弛优化模型,根据系统级与各误差场景级决策变量间的耦合关系求取最优松弛变量;S3、基于MCO的核心思想建立基于动态最优松弛的高维场景解耦动态经济调度模型,将原模型按照误差场景进行解耦,得到电力系统动态经济调度的高维场景解耦模型;S4、对步骤S3所建模型进行迭代求解,直至系统级目标函数值达到收敛条件。所述方法与传统的场景法求解电力系统动态经济调度相比,计算难度大大降低,计算速度快,具有一定的实用价值。
Description
技术领域
本发明涉及电力系统动态经济调度领域,具体涉及一种风电接入系统的场景解耦动态经济调度模型求解方法。
背景技术
目前,针对含有风电等随机变量的电力系统动态经济调度问题,国内外研究大都直接采用场景法进行建模求解。为了避免当场景数较多使得模型的决策变量和约束条件大幅增长进而导致模型的计算量和计算时间呈指数增加等问题,有学者提出对生成的随机误差场景进行缩减以达到提高求解效率的目的,常用的场景缩减主要有基于概率距离的快速前代消除技术以及聚类技术。基于概率距离的快速前代消除技术首先根据风电出力服从的概率分布生成大量的随机误差场景并假设原始各场景出现的概率都是相同的,然后确定需要的场景个数,并根据各个场景间的欧式距离消除误差场景中相似度较高的场景,使得缩减之后的误差场景集合能够以较少的场景体现原始场景的特征。利用聚类技术进行场景缩减,聚类技术也是根据数据间的相似性进行聚合的技术,利用数据的不同特征可以得到不同的聚类方法,常见的有K-means聚类方法,它需要设定初始的聚类中心,然后计算所有场景下风电出力与各个聚类中心的欧氏距离,将各个场景划分到距离最近的聚类中心,然后计算分类以后各类数据的均值并以此作为新的聚类中心,以此重复计算,直至聚类中心不再变化,则计算得到的聚类中心便是场景缩减后具有代表性的随机误差场景。此外,有学者提出采用分布式优化方法解决基于场景法的电力系统动态经济调度问题中存在的求解规模过大等不足。常见的分布式优化方法主要有两种,一种是针对求解的系统进行分区,降低了整个系统的求解维度,从而提高求解效率;另一种是对原始求解模型进行简化,使得各个场景约束方程的系数矩阵变成一个稀疏矩阵,并根据该系数矩阵具有的对角加边结构进行分布式求解,实现对原模型的快速求解。
上述关于优化场景法求解效率的方法主要存在以下局限性:1)通过场景缩减技术处理后得到的误差场景仅能体现风电出力的部分特征,不能描述可能存在的极端情况,虽然在一定程度上提高了求解效率,但求解结果可能无法满足系统运行的安全性要求。此外,场景个数的选取不够客观,存在较大的随机性。2)分布式优化方法虽然采用分解的思想提高了求解效率,但仍不能有效解决当场景数增大到一定数量时导致的计算量大幅增加和“维数灾”等问题。
多学科协同优化算法(Multidisciplinary Collaborative Optimization,MCO)可以根据模型的特点提出有效的计算框架结构,将复杂的优化问题进行解耦以减轻原问题的计算复杂度,避免“维数灾”等问题。MCO方法的求解有许多改进模式,常用的方法是通过在系统级的一致性约束中引入松弛变量,降低迭代难度,提高算法的收敛效率。考虑动态松弛的MCO方法利用各子学科间的最大不一致信息乘以松弛因子得到相应的松弛变量,根据MCO优化算法理论,系统级的一致性约束可以视为高维空间中的超球体,而松弛变量则是超球体半径的平方,通过选取合适的松弛变量,使得各子学科形成的超球体具有相交区域,即系统级优化问题具有可行域,但如何选取合适的松弛变量成为了一大难点。对此,有学者提出动态罚因子协同优化算法,根据各子学科间优化变量的最大不一致量作为惩罚因子,将一致性约束作为惩罚项加到系统级目标函数中,进而解决了系统级一致性约束的可行域不光滑以及系统级约束在最优解处为奇异矩阵,导致系统级优化的Kuhn-Tucker条件无法满足等问题。但现有的计算方法大都出现了求解时间过长甚至是求解规模过大导致计算机内存容量不足等问题,无法满足实际应用的需要。
发明内容
本发明的目的是针对现有技术的不足,提供了一种风电接入系统的场景解耦动态经济调度模型求解方法,所述方法基于场景法建立了考虑风电接入系统的动态经济调度模型,并根据模型特点按照误差场景进行解耦,得到系统级和误差场景级的两级优化模型,通过建立动态最优松弛优化模型得到不仅能合理描述系统级和误差场景级间的耦合关系也能使系统级存在理想可行域的最优松弛变量,由此将原有的大规模、非线性复杂优化问题分解成包含系统级、松弛变量级和误差场景级的三级优化问题;通过上述解耦使得单个优化问题的约束条件和求解变量大幅减少,此外,建立了动态最优松弛优化模型,可保证系统级松弛变量选取的合理有效;与传统的场景法求解电力系统动态经济调度相比,本发明的计算难度大大降低,计算速度快,具有一定的实用价值。
本发明的目的可以通过如下技术方案实现:
一种风电接入系统的场景解耦动态经济调度模型求解方法,所述方法包括以下步骤:
S1、基于场景法建立考虑风电接入系统的动态经济调度模型;
S2、在MCO方法计算结构的基础上建立动态最优松弛优化模型,根据系统级与各误差场景级决策变量间的耦合关系求取最优松弛变量;
S3、基于MCO的核心思想建立基于动态最优松弛的高维场景解耦动态经济调度模型,将原模型按照误差场景进行解耦,得到电力系统动态经济调度的高维场景解耦模型;
S4、对步骤S3所建模型进行迭代求解,直至系统级目标函数值达到收敛条件。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提供的一种风电接入系统的场景解耦动态经济调度模型求解方法,提出了动态最优松弛优化模型,使得所求松弛变量能帮助系统级快速收敛至最优解,相比于用松弛因子的方法,本发明可以有效避免因松弛变量过小导致系统级可行域不存在或松弛变量过大导致求解时间过长等不足;另外提出了基于动态最优松弛的高维场景解耦动态经济调度模型及其求解方法,对传统场景法按照误差场景进行解耦,使得单个求解模型的变量和约束都大幅降低,有效降低了求解难度和计算时间。
附图说明
图1为本发明实施例中基于动态最优松弛的高维场景解耦动态经济调度模型的计算结构图。
图2为本发明实施例中基于动态最优松弛的高维场景解耦动态经济调度模型求解算法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种风电接入系统的场景解耦动态经济调度模型求解方法,所述方法包括以下步骤:
S1、基于场景法建立考虑风电接入系统的动态经济调度模型;
S2、在MCO方法计算结构的基础上建立动态最优松弛优化模型,根据系统级与各误差场景级决策变量间的耦合关系求取最优松弛变量;具体地,所述动态最优松弛优化模型如下:
目标函数:
约束条件:
其中λ表示松弛变量;N表示系统级决策变量的个数;表示第j个系统级决策变量;S表示误差场景的个数;表示第s个误差场景求得的最优解;G(·)表示系统级约束条件和系统级与各误差场景间的耦合约束的集合;根据系统级一致性约束的几何意义,其代表以为球心,为半径的高维空间中的超球体,此时一致性约束表示S个超球体的相交空间,即代表系统级决策变量的可行域是系统级决策变量除了一致性约束外还需满足的其他所有约束条件构成的可行域以及上述超球体相交空间的交集;此外,由于在系统级一致性约束中的松弛变量是同一个值,因此当以为球心,为半径的超球体的交集为一点时,该点一定是各误差场景最优解所构成的高维空间几何体的形心;由此,只需要在系统级和系统级与各误差场景间的耦合约束所构成的可行域内找到一点,使其到达各误差场景最优解所构成的高维空间几何体的形心的平方欧式距离最大,其值便是使得系统级存在可行域,且该可行域满足系统级与各误差场景级间的耦合关系的最优松弛变量。
S3、基于MCO的核心思想建立基于动态最优松弛的高维场景解耦动态经济调度模型,计算结构图如图1所示,将原模型按照误差场景进行解耦,得到电力系统动态经济调度的高维场景解耦模型;具体地,建立的电力系统动态经济调度的高维场景解耦模型如下:
1)系统级优化模型
目标:
约束条件:
功率平衡约束:
旋转备用约束:
机组出力约束:PGi,min≤PGi(t)≤PGi,max (6)
机组爬坡约束:
线路的有功潮流约束:
系统级一致性约束:
其中,F、F1、F2分别代表系统的总运行成本、煤耗成本以及污染气体排放成本;T、N分别代表调度周期和常规机组数量,此处T取24;A2,i、A1,i、A0,i代表常规机组i的煤耗成本系数,B2,i、B1,i、B0,i代表常规机组i的污染气体排放系数,Cp代表常规机组排放污染气体的处理单价;PGi(t)代表常规机组i第t时段的有功功率;Nw表示风电机组的个数;PWj(t)表示风电机组j第t时段的有功功率;α表示负荷预测偏差的百分值;PLoad(t)表示时段t的系统总负荷;PGi,max、PGi,min分别代表常规机组i出力的最大和最小值;rui、rdi分别表示常规机组i出力向上和向下的爬坡率;Pmn(t)表示节点m到节点n的传输线路在第t时段的有功功率;Pmn表示节点m到节点n的传输线路的有功功率上限;JS表示系统级中第S个误差场景的一致性约束;表示第S个误差场景优化模型求得的最优解;λ*表示动态最优松弛优化模型求出的最优松弛变量;
2)风电接入系统动态经济调度的动态最优松弛优化模型
目标函数:
约束条件不仅需要满足如式(5)-(9)所示的系统及机组约束条件,还需要满足场景功率转移约束:
其中代表在求解最优松弛变量时,满足系统级优化问题的系统和机组约束以及系统级决策变量与各误差场景决策变量间的场景功率转移约束的决策变量,通过松弛变量优化问题求出的最优解,表示在满足系统级与各误差场景级耦合关系的情况下,找到最合适松弛变量的理想点,且这个理想点需要在系统级(4)-(8)所示的可行域内;ΔPGi(t)表示常规机组i第t时段的场景间功率转移率;
3)误差场景级优化模型
目标函数:
其约束条件需要满足如式(4)-(8)所示的系统及机组约束条件;其中,fs代表误差场景S的目标函数;表示系统级的最优解。
S4、对步骤S3所建模型进行迭代求解,直至系统级目标函数值达到收敛条件。具体流程如图2所示:根据MCO算法的原理,首先输入系统各参数值并给定系统级决策变量的初始值,将其传递至各误差场景优化模型,然后各误差场景优化模型求出最优解分别传递至风电接入系统动态经济调度的动态最优松弛优化模型和系统级优化模型,由于各误差场景之间不存在耦合关系,因此能够对所有误差场景优化模型实现并行计算进一步提高求解效率;松弛优化问题根据各误差场景最优解构成的高维空间几何体的形心,求出最优松弛变量λ并传递至系统级优化模型;系统级优化模型根据松弛后的一致性约束求出最优解和目标函数值,并判断目标函数值是否达到如下收敛条件:
|(F(k+1)-F(k))/F(k+1)|≤ε (13)
其中,F(k+1)和F(k)分别代表第k+1和第k次求得的系统级目标函数值;ε表示收敛精度,一般取为10-3;如果达到收敛条件则完成迭代,输出最优调度计划和目标函数值,否则令k=k+1,并将求得的系统级最优变量传递给各误差场景级优化问题进行迭代求解,对于每个优化问题可以用非线性内点法进行求解。
本实施例提出的动态最优松弛优化模型,根据系统级和系统级与各误差场景间的耦合约束所构成的可行域到各误差场景最优解所构成的高维空间几何体的形心的最大平方欧式距离作为最优松弛变量,实现了松弛变量的最优选取,使得系统级优化模型的可行域存在其合理;提出的基于动态最优松弛的高维场景解耦动态经济调度模型,适用于考虑风电接入的电力系统动态经济调度问题,当系统规模较大或场景个数较多是该方法在求解效率上具有明显优势,有效避免了传统求解模型存在的计算量大和“维数灾”等问题;根据MCO算法对所提模型进行迭代求解,通过设置较高的收敛精度,可与传统场景法一样求出相同的全局最优解,并能大幅提高求解效率;同时,可对所有误差场景级优化问题实行并行计算,进一步提高计算速度。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (7)
1.一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于,所述方法包括以下步骤:
S1、基于场景法建立考虑风电接入系统的动态经济调度模型;
S2、在MCO方法计算结构的基础上建立动态最优松弛优化模型,根据系统级与各误差场景级决策变量间的耦合关系求取最优松弛变量;
S3、基于MCO的核心思想建立基于动态最优松弛的高维场景解耦动态经济调度模型,将原模型按照误差场景进行解耦,得到电力系统动态经济调度的高维场景解耦模型;
S4、对步骤S3所建模型进行迭代求解,直至系统级目标函数值达到收敛条件。
2.根据权利要求1所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于,步骤S2中所述动态最优松弛优化模型如下:
目标函数:
约束条件:
其中λ表示松弛变量;N表示系统级决策变量的个数;表示第j个系统级决策变量;S表示误差场景的个数;表示第s个误差场景求得的最优解;G(·)表示系统级约束条件和系统级与各误差场景间的耦合约束的集合;根据系统级一致性约束的几何意义,其代表以为球心,为半径的高维空间中的超球体,此时一致性约束表示S个超球体的相交空间,即代表系统级决策变量的可行域是系统级决策变量除了一致性约束外还需满足的其他所有约束条件构成的可行域以及上述超球体相交空间的交集;此外,由于在系统级一致性约束中的松弛变量是同一个值,因此当以为球心,为半径的超球体的交集为一点时,该点一定是各误差场景最优解所构成的高维空间几何体的形心;由此,只需要在系统级和系统级与各误差场景间的耦合约束所构成的可行域内找到一点,使其到达各误差场景最优解所构成的高维空间几何体的形心的平方欧式距离最大,其值便是使得系统级存在可行域,且该可行域满足系统级与各误差场景级间的耦合关系的最优松弛变量。
3.根据权利要求2所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于,步骤S3中建立的电力系统动态经济调度的高维场景解耦模型如下:
1)系统级优化模型
目标:
约束条件:
功率平衡约束:
旋转备用约束:
机组出力约束:PGi,min≤PGi(t)≤PGi,max (6)
机组爬坡约束:
线路的有功潮流约束:
系统级一致性约束:
其中,F、F1、F2分别代表系统的总运行成本、煤耗成本以及污染气体排放成本;T、N分别代表调度周期和常规机组数量;A2,i、A1,i、A0,i代表常规机组i的煤耗成本系数,B2,i、B1,i、B0,i代表常规机组i的污染气体排放系数,Cp代表常规机组排放污染气体的处理单价;PGi(t)代表常规机组i第t时段的有功功率;Nw表示风电机组的个数;PWj(t)表示风电机组j第t时段的有功功率;α表示负荷预测偏差的百分值;PLoad(t)表示时段t的系统总负荷;PGi,max、PGi,min分别代表常规机组i出力的最大和最小值;rui、rdi分别表示常规机组i出力向上和向下的爬坡率;Pmn(t)表示节点m到节点n的传输线路在第t时段的有功功率;Pmn表示节点m到节点n的传输线路的有功功率上限;JS表示系统级中第S个误差场景的一致性约束;表示第S个误差场景优化模型求得的最优解;λ*表示动态最优松弛优化模型求出的最优松弛变量;
2)风电接入系统动态经济调度的动态最优松弛优化模型
目标函数:
约束条件不仅需要满足如式(5)-(9)所示的系统及机组约束条件,还需要满足场景功率转移约束:
其中代表在求解最优松弛变量时,满足系统级优化问题的系统和机组约束以及系统级决策变量与各误差场景决策变量间的场景功率转移约束的决策变量,通过松弛变量优化问题求出的最优解,表示在满足系统级与各误差场景级耦合关系的情况下,找到最合适松弛变量的理想点,且这个理想点需要在系统级(4)-(8)所示的可行域内;ΔPGi(t)表示常规机组i第t时段的场景间功率转移率;
3)误差场景级优化模型
目标函数:
其约束条件需要满足如式(4)-(8)所示的系统及机组约束条件;其中,fs代表误差场景S的目标函数;表示系统级的最优解。
4.根据权利要求3所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于:所述系统级优化模型中的调度周期T取24。
5.根据权利要求3所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于,步骤S4的具体过程如下:根据MCO算法的原理,首先输入系统各参数值并给定系统级决策变量的初始值,将其传递至各误差场景优化模型,然后各误差场景优化模型求出最优解分别传递至风电接入系统动态经济调度的动态最优松弛优化模型和系统级优化模型,由于各误差场景之间不存在耦合关系,因此能够对所有误差场景优化模型实现并行计算进一步提高求解效率;松弛优化问题根据各误差场景最优解构成的高维空间几何体的形心,求出最优松弛变量λ并传递至系统级优化模型;系统级优化模型根据松弛后的一致性约束求出最优解和目标函数值,并判断目标函数值是否达到如下收敛条件:
|(F(k+1)-F(k))/F(k+1)|≤ε (13)
其中,F(k+1)和F(k)分别代表第k+1和第k次求得的系统级目标函数值;ε表示收敛精度,如果达到收敛条件则完成迭代,输出最优调度计划和目标函数值,否则令k=k+1,并将求得的系统级最优变量传递给各误差场景级优化问题进行迭代求解。
6.根据权利要求5所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于:步骤S4中,判断目标函数值是否达到收敛条件时的收敛精度ε取值为10-3。
7.根据权利要求5所述的一种风电接入系统的场景解耦动态经济调度模型求解方法,其特征在于:步骤S4中,将求得的系统级最优变量传递给各误差场景级优化问题进行迭代求解时,对于每个优化问题能够采用非线性内点法进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025211.5A CN109193756B (zh) | 2018-09-04 | 2018-09-04 | 一种风电接入系统的场景解耦动态经济调度模型求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025211.5A CN109193756B (zh) | 2018-09-04 | 2018-09-04 | 一种风电接入系统的场景解耦动态经济调度模型求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109193756A true CN109193756A (zh) | 2019-01-11 |
CN109193756B CN109193756B (zh) | 2020-08-18 |
Family
ID=64914222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025211.5A Active CN109193756B (zh) | 2018-09-04 | 2018-09-04 | 一种风电接入系统的场景解耦动态经济调度模型求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109193756B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109980639A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 互联电网联络线功率可行域的快速确定方法 |
CN110880751A (zh) * | 2019-04-04 | 2020-03-13 | 重庆大学 | 互联电网联络线功率可行域的扩大方法 |
CN111193742A (zh) * | 2019-12-31 | 2020-05-22 | 广东电网有限责任公司 | 一种基于d-s证据理论的电力通信网网络异常检测方法 |
CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200723A1 (en) * | 2012-12-19 | 2014-07-17 | Robert Bosch Gmbh | System and Method for Energy Distribution |
CN104682447A (zh) * | 2015-01-23 | 2015-06-03 | 华北电力大学 | 一种含多风电场的电力系统经济调度方法 |
CN105490310A (zh) * | 2016-01-25 | 2016-04-13 | 武汉大学 | 一种基于通用分布的含风电电力系统实时动态经济调度方法 |
CN107171365A (zh) * | 2017-06-23 | 2017-09-15 | 国网山东省电力公司经济技术研究院 | 基于场景解耦和异步迭代的多目标随机动态经济调度方法 |
US20170317499A1 (en) * | 2014-11-13 | 2017-11-02 | The University Of Hong Kong | Fast generation adjustment algorithm for energy management system |
CN108321792A (zh) * | 2018-01-15 | 2018-07-24 | 国网山东省电力公司莱芜供电公司 | 计及风电的电力系统动态经济调度多场景协同优化算法 |
-
2018
- 2018-09-04 CN CN201811025211.5A patent/CN109193756B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200723A1 (en) * | 2012-12-19 | 2014-07-17 | Robert Bosch Gmbh | System and Method for Energy Distribution |
US20170317499A1 (en) * | 2014-11-13 | 2017-11-02 | The University Of Hong Kong | Fast generation adjustment algorithm for energy management system |
CN104682447A (zh) * | 2015-01-23 | 2015-06-03 | 华北电力大学 | 一种含多风电场的电力系统经济调度方法 |
CN105490310A (zh) * | 2016-01-25 | 2016-04-13 | 武汉大学 | 一种基于通用分布的含风电电力系统实时动态经济调度方法 |
CN107171365A (zh) * | 2017-06-23 | 2017-09-15 | 国网山东省电力公司经济技术研究院 | 基于场景解耦和异步迭代的多目标随机动态经济调度方法 |
CN108321792A (zh) * | 2018-01-15 | 2018-07-24 | 国网山东省电力公司莱芜供电公司 | 计及风电的电力系统动态经济调度多场景协同优化算法 |
Non-Patent Citations (4)
Title |
---|
MIN XIE,PEIJUN CHENG,ET AL: "Power system dynamic economic dispatch with wind-solar integration based on particle swarm intelligent searching algorithm", 《2017 CHINA INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE》 * |
MIN XIE,WENHAO LUO,ET AL: "Multidisciplinary collaborative optimisation-based scenarios decoupling dynamic economic dispatch with wind power", 《IET RENEWABLE POWER GENERATION》 * |
付一木,刘明波: "求解多目标随机动态经济调度问题的场景解耦方法", 《电力系统自动化》 * |
朱涛,朱建全等: "含风电场电力系统的动态经济调度分散随机优化方法", 《电力系统自动化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109980639A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 互联电网联络线功率可行域的快速确定方法 |
CN110880751A (zh) * | 2019-04-04 | 2020-03-13 | 重庆大学 | 互联电网联络线功率可行域的扩大方法 |
CN109980639B (zh) * | 2019-04-04 | 2020-09-01 | 重庆大学 | 互联电网联络线功率可行域的快速确定方法 |
CN110880751B (zh) * | 2019-04-04 | 2021-06-22 | 重庆大学 | 互联电网联络线功率可行域的扩大方法 |
CN111193742A (zh) * | 2019-12-31 | 2020-05-22 | 广东电网有限责任公司 | 一种基于d-s证据理论的电力通信网网络异常检测方法 |
CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
CN115800276B (zh) * | 2023-02-09 | 2023-05-30 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109193756B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109193756A (zh) | 一种风电接入系统的场景解耦动态经济调度模型求解方法 | |
CN104699899B (zh) | 一种船舶管路路径优化设计方法 | |
CN106599519B (zh) | 面向生产订单组合优化的中厚板母板与板坯协同设计方法及系统 | |
CN106709035B (zh) | 一种电力多维全景数据的预处理系统 | |
Fu et al. | Multiobjective stochastic economic dispatch with variable wind generation using scenario-based decomposition and asynchronous block iteration | |
CN105790266B (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
CN102684223B (zh) | 以降低网损为目标的多约束条件下风电送出功率优化评估方法 | |
CN104750973B (zh) | 基于数据平滑度函数的机组负荷(准)稳态工况聚类算法 | |
CN109978404A (zh) | 计及不确定性因素与场景削减的输电通道扩展规划方法 | |
CN103150623A (zh) | 一种基于元模型的云制造能力服务建模方法 | |
CN108765180A (zh) | 基于影响力与种子扩展的重叠社区发现方法 | |
CN104318008B (zh) | 一种基于松弛约束遗传单纯形算法的冷凝器优化设计方法 | |
CN111415271B (zh) | 一种基于安全域辨识的综合能源系统规划方法 | |
CN108198084A (zh) | 一种复杂网络重叠社区发现方法 | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
CN113673912B (zh) | 考虑输电网影响的配电-气网分布式协同规划方法及系统 | |
CN107944045B (zh) | 基于t分布哈希的图像检索方法及系统 | |
CN108321792A (zh) | 计及风电的电力系统动态经济调度多场景协同优化算法 | |
CN104850716B (zh) | 基于分布式光伏接入设计聚类模型的最优方案选择方法 | |
CN113780347A (zh) | 负荷曲线多重聚类集成方法、系统及存储介质 | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
Song et al. | Distributionally Robust Unit Commitment Based On Wind Power Scenario And Electric Vehicles Charging Station | |
Quan | Visualization and Analysis Model of Industrial Economy Status and Development Based on Knowledge Graph and Deep Neural Network | |
CN109784723A (zh) | 输变电项目风险评价方法及终端设备 | |
CN116915690B (zh) | 一种无源树状拓扑的配电线路传输效率评价方法及系统 |
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 |