CN109256810A - 考虑风机出力不确定成本的多目标优化方法 - Google Patents
考虑风机出力不确定成本的多目标优化方法 Download PDFInfo
- Publication number
- CN109256810A CN109256810A CN201811353362.3A CN201811353362A CN109256810A CN 109256810 A CN109256810 A CN 109256810A CN 201811353362 A CN201811353362 A CN 201811353362A CN 109256810 A CN109256810 A CN 109256810A
- Authority
- CN
- China
- Prior art keywords
- blower
- cost
- moment
- power
- power output
- 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 43
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 14
- 238000009987 spinning Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000012913 prioritisation Methods 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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
- G06Q10/06315—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
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了考虑风机出力不确定成本的多目标优化方法,属于电力系统自动化的技术领域。本发明拟通过对神经网络预测模型参数进行优化,并联合风电场发电、负荷需求的历史数据,气象信息进行预测,得到风电场日前出力信息;同时,针对大规模间歇式风电出力波动性引起的不确定成本问题,引入不确定成本概念,建立以适应配电网稳定可控运行为前提的多目标优化模型,根据预测结果确定风机日前出力的不确定区间及不确定成本,利用鲁棒方法将其转化为确定性模型,并基于PSO算法的带权极小模理想点法对该确定性模型进行求解,根据风险评估等级确定最终的鲁棒优化方案,在实现风电场系统运行经济性的同时满足负荷需求与配电网安全功率需求。
Description
技术领域
本发明公开了考虑风机出力不确定成本的多目标优化方法,属于电力系统自动化的技术领域。
背景技术
由于自然能源日益短缺,大规模新型清洁能源风电的快速发展使得配电网得到充分补充,但其间歇性、随机性和反调峰特性的发电特点给电网发电计划和调度方案的制定带来困难。在实际应用中建立风电场系统,通过预测技术预测日前具体出力值,未考虑风机出力不确定成本追求成本最小化的优化方案具有不合理性;要求满足风电并网后电力系统安全稳定、风电场运行成本和不确定成本最低、风机启停次数最少等多目标多约束问题,利用传统加权系数法的单目标优化方法只能得到片面的方案,无法给决策调度人员提供足够的决策支持。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了考虑风机出力不确定成本的多目标优化方法,建立考虑了风机出力不确定成本的多目标优化模型,通过柔性调节风机出力不确定成本实现了多目标优化模型的鲁棒优化,再基于PSO算法的带权极小模理想点法实现了多目标优化,解决了现有风机出力优化方案不合理且具有片面性的技术问题。
本发明为实现上述发明目的采用如下技术方案:
考虑风机出力不确定成本的多目标优化方法,采用RBF神经网络预测出风机日前出力情况后建立风机出力不确定区间及风机运行不确定成本,建立以风机运行成本最小、风机运行不确定成本最小、风电并网安全功率最大、风机启停次数最少为目标的优化模型,利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型,求解所述多目标确定性模型以确定风机出力优化方案。
作为考虑风机出力不确定成本的多目标优化方法的进一步优化方案,风机出力不确定区间及风机运行不确定成本为:其中, 为RBF神经网络预测的第j个风机在t时刻出力波动值的上下限,为第j个风机在t时刻的不确定性区间系数,Δt为在t时刻风机运行的不确定代价,Δt∈(0,NW],NW为风机总数。
作为考虑风机出力不确定成本的多目标优化方法的再进一步优化方案,风机运行成本包含风机运行成本以及相邻时刻风机启停状态变化带来的运行成本。
进一步的,考虑风机出力不确定成本的多目标优化方法中,风机运行成本最小的表达式为:其中,Fcost为风机运行成本,T为调度周期长度,分别为第j个风机在t-1时刻,t时刻的启停状态变量,αj、δj分别为第j个风机开启、关闭的成本参数,βj为第j个风机运行的成本参数,为第j个风机在t时刻的出力。
再进一步的,考虑风机出力不确定成本的多目标优化方法中,
风机运行不确定成本最小的表达式为:
风电并网安全功率最大的表达式为:
风机启停次数最少的表达式为:
其中,Funcer为风机运行的不确定成本,μj为第j个风机不确定性的惩罚系数,为第j个风机在t+1时刻的启停状态变量,为第j个风机在t+1时刻的出力,Esafe为电网调度风电的电量,Ffre为风机启停次数。
更进一步的,考虑风机出力不确定成本的多目标优化方法中,优化模型还包括:
功率平衡约束:
旋转备用约束:
风电、火电机组输出功率约束:
爬坡速度约束:
最小启停时间约束:
其中,为第f个火电机组在t时刻的出力,Nv为火电机组的数量,为t时刻的负荷需求,为t时刻的电力传输损失,为t时刻备用储能的充电需求,为t时刻的配电网电能补充,和分别为第j个风机在t时刻的最大可用出力和最小可用出力,和分别为t时刻应对风电功率波动所需的正负旋转备用,Pvf,max和Pvf,min分别为第f个火电机组的最大出力和最小出力,为第f个火电机组在t时刻的出力,Pstorage,max为备用储能的最大容量,L为系统负荷的旋转备用率,L∈[0,100),Pwj,max和Pwj,min分别为第j个风机输出功率的上下限,为第j个风机在t-1时刻的出力,Pwj,high和Pwj,low分别为第j个风机的上升出力限制和下降出力限制,和分别为第j个风机在t时刻的开机持续时间和停机持续时间,和分别为第j个风机的最小开机时间和最小停机时间。
进一步的,考虑风机出力不确定成本的多目标优化方法中,利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型的具体过程为:将风机出力不确定区间及负荷平衡约束带入旋转备用约束,根据线性对偶理论并通过构造拉格朗日函数的方式简化旋转备用约束为:通过柔性调节风机不确定成本以确定风机不确定性区间系数,其中,μt、δt、λt均为t时刻的拉格朗日系数。
作为考虑风机出力不确定成本的多目标优化方法的进一步优化方案,采用基于PSO算法的带权极小理想点法求解所述多目标确定性模型以确定风机出力优化方案。
本发明采用上述技术方案,具有以下有益效果:采用RBF神经网络对高度非线性的风电场出力进行高精度预测,根据RBF神经网络预测的风机出力确定不确定区间及不确定预算,通过柔性调节风机不确定成本进而确定风机出力不确定区间,同时,利用鲁棒优化方法将建立在预不确定区间基础上的多目标优化模型转化为确定性模型,并利用基于PSO算法的带权极小模理想点法进行求解,根据风险评估等级从求解得到的方案集中确定最终的鲁棒最优方案,在实现风电场系统运行经济性的同时满足负荷需求与配电网安全功率需求,为不同需求的规划者灵活地提供选择方案。
附图说明
图1为考虑风机出力不确定成本的多目标优化方法的流程图。
具体实施方式
下面结合图1对发明的技术方案进行详细说明。
本发明提出了考虑风机出力不确定成本的多目标优化方法,根据风电场出力预测结果确定风机出力的不确定区间,基于鲁棒原理将多目标风电场模型转化为确定性模型,求解得到最优方案集,并根据风险评估等级确定最终的鲁棒优化方案。
(一)利用RBF神经网络预测模型预测风机日前出力,并在此基础上确定风机出力的不确定区间:
大规模风电场的间歇性给电能调度增加了困难,用传统调度资源如火电机组、储能等能源进行大功率补充,造价昂贵。基于上述问题,考虑通过预测及鲁棒优化技术确定风电场日前出力的不确定区间。由于风电场预测是一个高度非线性系统的处理问题,本专利采用具有较好的全局逼近能力的径向基函数(RBF,Radial Basis Function)神经网络进行预测,模型建立过程如下:
(1)为了消除风机原始的出力数据带来的不利影响,提高预测模型的学习速度和预测精度,首先对数据进行归一化预处理:
其中,x′为归一化后的输入数据,x为风机出力的原始输入数据,xmin、xmax为原始数据x中的最小、最大值;
(2)优化RBF神经网络参数:
风机出力预测的多因素时间序列特性决定了该预测是一种非线性预测,用传统BP神经网络预测有一定困难,故选用RBF神经网络进行预测。在风机出力的预测过程中,以风力历史发电数据和负荷需求信息为训练样本,训练RBF神经网络获得最优网络参数,再对实时气象信息样本进行训练得到风机日前出力信息。
RBF神经网络结构的确立需要求解3个参数:基函数数据中心cj、方差σj,以及隐含层到输出层的权值wj,i。高斯核函数是最常用的隐含层基函数,式中:X=[x1,x2,x3,...,xn],为n维输入向量;cj为第j个基函数中心,是与X具有相同维数的向量;σj为第j个神经元的标准化常数方差;n、p分别为输入层、隐含层神经元的个数。确定了隐含层函数后,RBF网络输入输出之间的关系表达式即高斯基函数,可以用下式表示:式中:m为输出层神经元的个数;yi为输出层第i个神经元的输出值;wj,i为隐含层第j个单元与输出层第i个单元之间的连接权值。
(3)对训练好的神经网络模型进行评价:
其中,RMSE为均方根误差,n为数据总数,为第j个风电机组在t时刻出力的预测值,为第j个风电机组在t时刻出力的真实值,j为数据序号。对模型进行误差评估,并由此对预测模型的优劣做出评判。通过训练好的RBF神经网络可以得到日前风机出力的估计值,并以此类推得到t=T+n时刻的出力估计值。
(4)根据神经网络预测结果确定风机出力的不确定区间及不确定性预算:
其中,为第j个风电机组在t时刻出力波动值的下限,为第j个风电机组在t时刻出力波动值的上限;Δt为在t时刻的不确定代价,Δt∈(0,NW],为第j个风电机组在t时刻的不确定性区间系数,通过对上式的求解获得风机日前出力的不确定区间,及其相应的不确定性预算,在后续对风电的多目标模型的方案求解中,利用鲁棒原理将其转化为确定性模型,并进行优化。
(二)根据风机出力的不确定性区间建立多目标鲁棒经济优化调度模型:
由于大规模风电接入电网呈现出的不确定性,考虑风机出力的不确定区间及不确定性代价,以风机的运行成本、不确定性成本、配电网安全性以及风机启停次数为目标,确定以下多目标优化模型:
(1)优化目标:
风电机组的运行成本:
风机运行的不确定成本:
风电并网的最大安全功率限制:
风机启停次数:
其中,T为调度周期长度;NW为风机机组数量;Fcost为风电机组运行成本;为风机j在t时段的启停状态变量,表示风机处于开机运行状态,表示风机处于停机休整状态;为风机j在t时刻的出力;αj、δj分别表示风机开启、关闭的成本参数,βj为风机运行的成本参数;Funcer为风电机组运行的不确定成本;μj为第j个风电机组不确定性的惩罚系数;Esafe表示电网调度风电的电量;Ffre为风电机组启停次数。
(2)功率平衡约束:
其中,为火电机组f在t时刻的出力、Nv为火电机组数量、为t时刻的负荷需求、为t时刻的电力传输损失、为t时刻的风储系统里备用储能的充电需求、为t时刻的配电网电能补充。
(3)旋转备用约束:
其中,风电机组在t时段的最大可用出力和最小可用出力; 分别为t时段应对风电功率波动所需的正负旋转备用;Pstorage,max为备用储能的最大容量,Pvf,max为第f个火电机组的最大出力,为火电机组f在t时刻的出力,L为t时刻针对系统负荷的旋转备用率,L∈[0,100)。
(4)风电、火电机组输出功率约束:
其中,Pwj,max和Pwj,min分别为风电机组j的输出功率上下限。
(5)爬坡速度约束:
其中,为风电机组j在t-1时刻的出力;Pwj,high和Pwj,low分别为风电机组j的上升出力限制和下降出力限制。
(6)最小启停时间约束:
其中,和分别为风电机组j在t时刻的开机持续时间和停机持续时间;和分别为风电机组j的最小开机时间和最小停机时间。
(三)基于鲁棒优化理论将不确定性模型转化为确定性模型,并根据风险评估等级确定鲁棒最优方案
由于大规模风电接入电网呈现出的不确定性问题,根据鲁棒优化理论将其转化为确定性模型:
首先,将上述负荷平衡与风机出力的不确定性区间公式代入火电机组的旋转备用约束中:
根据线性对偶理论及通过构造拉格朗日函数,可简化得到下式:
其中,μt、δt、λt均为为t时刻的拉格朗日系数。
在优化过程中,由于Δt柔性可调,根据风电的不确定预算成本和出力的不确定区间进行调整,也随之动态变化,因此根据式(3)确定风电出力的不确定集合,在该不确定集合的基础上,充分考虑风机出力的不确定区间及不确定性代价,对风电多目标鲁棒优化模型进行求解即可确定风机出力最优方案。
针对模型中的多目标优化问题,采用基于PSO算法的带权极小模理想点法进行求解,将多目标问题通过添加权重转化为单目标问题进行求解,根据求得的最优方案,确定风电系统在不确定集合下的方案集。对每个不确定方案造成的风险程度进行等级划分,并结合实际工程的偏好需求,选取风险较低且满足实际需求的鲁棒最优方案。实际操作方法为:假设风电系统在不确定集合下的方案为其中,Nrac为多目标模型中Archive外部档案集的大小,对每个方案可能会造成的出力波动、功率不平衡以及电压不稳定等进行风险程度评估,选取风险性最小的方案作为鲁棒优化方案Y’*,即得到多目标模型的最优方案解。
Claims (8)
1.考虑风机出力不确定成本的多目标优化方法,其特征在于,采用RBF神经网络预测出风机日前出力情况后建立风机出力不确定区间及风机运行不确定成本,建立以风机运行成本最小、风机运行不确定成本最小、风电并网安全功率最大、风机启停次数最少为目标的优化模型,利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型,求解所述多目标确定性模型以确定风机出力优化方案。
2.根据权利要求1所述考虑风机出力不确定成本的多目标优化方法,其特征在于,所述风机出力不确定区间及风机运行不确定成本为:其中,为RBF神经网络预测的第j个风机在t时刻出力波动值的上下限,为第j个风机在t时刻的不确定性区间系数,Δt为在t时刻风机运行的不确定代价,Δt∈(0,NW],NW为风机总数。
3.根据权利要求1或2所述考虑风机出力不确定成本的多目标优化方法,其特征在于,所述风机运行成本包含风机运行成本以及相邻时刻风机启停状态变化带来的运行成本。
4.根据权利要求3所述考虑风机出力不确定成本的多目标优化方法,其特征在于,风机运行成本最小的表达式为:其中,Fcost为风机运行成本,T为调度周期长度,分别为第j个风机在t-1时刻,t时刻的启停状态变量,αj、δj分别为第j个风机开启、关闭的成本参数,βj为第j个风机运行的成本参数,为第j个风机在t时刻的出力。
5.根据权利要4所述考虑风机出力不确定成本的多目标优化方法,其特征在于,
风机运行不确定成本最小的表达式为:
风电并网安全功率最大的表达式为:
风机启停次数最少的表达式为:
其中,Funcer为风机运行的不确定成本,μj为第j个风机不确定性的惩罚系数,为第j个风机在t+1时刻的启停状态变量,为第j个风机在t+1时刻的出力,Esafe为电网调度风电的电量,Ffre为风机启停次数。
6.根据权利要求5所述考虑风机出力不确定成本的多目标优化方法,其特征在于,所述优化模型还包括:
功率平衡约束:
旋转备用约束:
风电、火电机组输出功率约束:
爬坡速度约束:
最小启停时间约束:
其中,为第f个火电机组在t时刻的出力,Nv为火电机组的数量,为t时刻的负荷需求,为t时刻的电力传输损失,为t时刻备用储能的充电需求,为t时刻的配电网电能补充,和分别为第j个风机在t时刻的最大可用出力和最小可用出力,和分别为t时刻应对风电功率波动所需的正负旋转备用,Pvf,max和Pvf,min分别为第f个火电机组的最大出力和最小出力,为第f个火电机组在t时刻的出力,Pstorage,max为备用储能的最大容量,L为系统负荷的旋转备用率,L∈[0,100),Pwj,max和Pwj,min分别为第j个风机输出功率的上下限,为第j个风机在t-1时刻的出力,Pwj,high和Pwj,low分别为第j个风机的上升出力限制和下降出力限制,和分别为第j个风机在t时刻的开机持续时间和停机持续时间,和分别为第j个风机的最小开机时间和最小停机时间。
7.根据权利要求6所述考虑风机出力不确定成本的多目标优化方法,其特征在于,利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型的具体过程为:将风机出力不确定区间及负荷平衡约束带入旋转备用约束,根据线性对偶理论并通过构造拉格朗日函数的方式简化旋转备用约束为:通过柔性调节风机不确定成本以确定风机不确定性区间系数,其中,μt、δt、λt均为t时刻的拉格朗日系数。
8.根据权利要求1所述考虑风机出力不确定成本的多目标优化方法,其特征在于,采用基于PSO算法的带权极小理想点法求解所述多目标确定性模型以确定风机出力优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353362.3A CN109256810B (zh) | 2018-11-14 | 2018-11-14 | 考虑风机出力不确定成本的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353362.3A CN109256810B (zh) | 2018-11-14 | 2018-11-14 | 考虑风机出力不确定成本的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109256810A true CN109256810A (zh) | 2019-01-22 |
CN109256810B CN109256810B (zh) | 2021-06-08 |
Family
ID=65043612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353362.3A Active CN109256810B (zh) | 2018-11-14 | 2018-11-14 | 考虑风机出力不确定成本的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109256810B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111697578A (zh) * | 2020-06-24 | 2020-09-22 | 国网福建省电力有限公司 | 多目标含储能区域电网运行控制方法 |
CN111786422A (zh) * | 2020-08-04 | 2020-10-16 | 太原理工大学 | 基于bp神经网络的微电网参与上层电网实时优化调度方法 |
CN112163698A (zh) * | 2020-09-21 | 2021-01-01 | 国网河北省电力有限公司雄安新区供电公司 | 一种采暖期多能协同综合能源系统运行策略优化方法 |
CN112668751A (zh) * | 2020-11-26 | 2021-04-16 | 广西大学 | 一种机组优化调度模型的建立方法及装置 |
CN112818559A (zh) * | 2021-02-23 | 2021-05-18 | 上海交通大学 | 基于随机微分方程的区域综合能源连续调度方法及其系统 |
CN113300416A (zh) * | 2021-07-07 | 2021-08-24 | 广东电网有限责任公司 | 一种电网备用容量配置方法、系统、设备及计算机介质 |
CN113381453A (zh) * | 2021-05-31 | 2021-09-10 | 深圳大学 | 交流电力系统电源发电功率调度的节点级分散方法 |
CN115729198A (zh) * | 2022-12-02 | 2023-03-03 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
CN115729198B (zh) * | 2022-12-02 | 2024-06-04 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376386A (zh) * | 2014-11-28 | 2015-02-25 | 新疆中科捷高光电科技有限公司 | 一种风电场中风电机功率预测方法 |
CN106712010A (zh) * | 2017-01-23 | 2017-05-24 | 南京邮电大学 | 大规模间歇式能源接入的混合能源多目标鲁棒优化方法 |
-
2018
- 2018-11-14 CN CN201811353362.3A patent/CN109256810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376386A (zh) * | 2014-11-28 | 2015-02-25 | 新疆中科捷高光电科技有限公司 | 一种风电场中风电机功率预测方法 |
CN106712010A (zh) * | 2017-01-23 | 2017-05-24 | 南京邮电大学 | 大规模间歇式能源接入的混合能源多目标鲁棒优化方法 |
Non-Patent Citations (1)
Title |
---|
刘文颖等: "考虑风电消纳的电力系统源荷协调多目标优化方法", 《中国电机工程学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111697578B (zh) * | 2020-06-24 | 2022-05-10 | 国网福建省电力有限公司 | 多目标含储能区域电网运行控制方法 |
CN111697578A (zh) * | 2020-06-24 | 2020-09-22 | 国网福建省电力有限公司 | 多目标含储能区域电网运行控制方法 |
CN111786422A (zh) * | 2020-08-04 | 2020-10-16 | 太原理工大学 | 基于bp神经网络的微电网参与上层电网实时优化调度方法 |
CN112163698A (zh) * | 2020-09-21 | 2021-01-01 | 国网河北省电力有限公司雄安新区供电公司 | 一种采暖期多能协同综合能源系统运行策略优化方法 |
CN112163698B (zh) * | 2020-09-21 | 2022-08-02 | 国网河北省电力有限公司雄安新区供电公司 | 一种采暖期多能协同综合能源系统运行策略优化方法 |
CN112668751A (zh) * | 2020-11-26 | 2021-04-16 | 广西大学 | 一种机组优化调度模型的建立方法及装置 |
CN112668751B (zh) * | 2020-11-26 | 2022-06-17 | 广西大学 | 一种机组优化调度模型的建立方法及装置 |
CN112818559A (zh) * | 2021-02-23 | 2021-05-18 | 上海交通大学 | 基于随机微分方程的区域综合能源连续调度方法及其系统 |
CN113381453A (zh) * | 2021-05-31 | 2021-09-10 | 深圳大学 | 交流电力系统电源发电功率调度的节点级分散方法 |
CN113381453B (zh) * | 2021-05-31 | 2022-05-06 | 深圳大学 | 交流电力系统电源发电功率调度的节点级分散方法 |
CN113300416A (zh) * | 2021-07-07 | 2021-08-24 | 广东电网有限责任公司 | 一种电网备用容量配置方法、系统、设备及计算机介质 |
CN113300416B (zh) * | 2021-07-07 | 2022-10-21 | 广东电网有限责任公司 | 一种电网备用容量配置方法、系统、设备及计算机介质 |
CN115729198A (zh) * | 2022-12-02 | 2023-03-03 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
CN115729198B (zh) * | 2022-12-02 | 2024-06-04 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109256810B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109256810A (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
Liang et al. | Dynamic economic/emission dispatch including PEVs for peak shaving and valley filling | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN107732960A (zh) | 微电网储能系统容量优化配置方法 | |
CN103762589B (zh) | 一种电网中新能源容量配比分层优化方法 | |
CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
Li et al. | A novel bi-level robust game model to optimize a regionally integrated energy system with large-scale centralized renewable-energy sources in Western China | |
CN110429649B (zh) | 考虑灵活性的高渗透率可再生能源集群划分方法 | |
CN112186743A (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
CN107910863A (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 | |
Xi et al. | Automatic generation control based on multiple-step greedy attribute and multiple-level allocation strategy | |
CN111064229A (zh) | 基于q学习的风-光-气-蓄联合动态经济调度优化方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN110350512A (zh) | 一种智能园区新能源发电站调度优化方法及系统 | |
Cominesi et al. | A multi-layer control scheme for microgrid energy management | |
Liu et al. | Day‐Ahead Economic Dispatch of Renewable Energy System considering Wind and Photovoltaic Predicted Output | |
Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
CN111181197B (zh) | 一种多弃风区域风储容量配置方法 | |
Li et al. | Optimization scheduling model based on source-load-energy storage coordination in power systems | |
CN117060386A (zh) | 一种基于值分布深度q网络的微电网储能调度优化方法 | |
CN111525556A (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
Gu et al. | Research on Day-ahead Optimal Scheduling of Wind-photovoltaic-thermal-energy Storage Combined Power Generation System Based on Opportunity-constrained Programming | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及系统 |
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 |