CN109638886B - 一种基于CVaR的风电日前出力申报优化方法 - Google Patents

一种基于CVaR的风电日前出力申报优化方法 Download PDF

Info

Publication number
CN109638886B
CN109638886B CN201910022409.6A CN201910022409A CN109638886B CN 109638886 B CN109638886 B CN 109638886B CN 201910022409 A CN201910022409 A CN 201910022409A CN 109638886 B CN109638886 B CN 109638886B
Authority
CN
China
Prior art keywords
wind power
output
day
cvar
profit
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
CN201910022409.6A
Other languages
English (en)
Other versions
CN109638886A (zh
Inventor
薛风华
丁伫
王晓彦
徐微微
王洪寅
高苏州
武晨晨
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 Jiangsu Electric Power Co ltd Suqian Power Supply Branch
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch
State Grid Corp of China SGCC
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 Jiangsu Electric Power Co ltd Suqian Power Supply Branch, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch
Priority to CN201910022409.6A priority Critical patent/CN109638886B/zh
Publication of CN109638886A publication Critical patent/CN109638886A/zh
Application granted granted Critical
Publication of CN109638886B publication Critical patent/CN109638886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种基于CVaR的风电日前出力申报优化方法属于发电技术领域，尤其涉及风电场需要对日前出力申报进行决策的场合。包括步骤，1）生成风电不确定性样本；通过实际风速历史数据，并基于风速与风机出力关系，得到风机可能出力的历史数据，通过对风机可能出力的历史数据进行聚类，可得到有代表性的随机概率样本；2）建立风险中立型风电企业日前出力计划优化模型；其决策目标是确定最优的日前风电出力计划以最大化自己的期望利润，风电企业利润为上网风电收益与偏差电量惩罚的差值；3）建立基于CVaR的日前出力申报优化决策模型。

Description

一种基于CVaR的风电日前出力申报优化方法
技术领域
本发明一种基于CVaR的风电日前出力申报优化方法属于发电技术领域，尤其涉及风电场需要对日前出力申报进行决策的场合。
背景技术
风能是一种永不枯竭的可再生能源，风电机的建设周期短、选址灵活、占地面积小，因此风力发电是最具前景的清洁能源发电方式，能够有效抑制环境污染和全球变暖等问题。但风力发电易受天气、季节和地形等自然因素影响，出力存在随机性和不确定性。风力发电的不确定性增加了系统调度的难度和成本，造成大量的弃风现象，同时，系统调度成本以惩罚的形式分摊到风电企业中，从而影响风电企业的收入。
据统计，2017年我国风电并网装机容量达1.64亿千瓦，占发电装机总容量的9.2%。全年风电发电量为3057亿千瓦时，占全年总发电量的4.8%，2017年我国弃风率为12%，风电消纳形势有所好转，但“三北”地区弃风率仍较高，尤其以甘肃（弃风率33%）、新疆（弃风率29%）、吉林（弃风率21%）、内蒙古（弃风率15%）等地为代表。此外，随着我国电力市场化改革的深入，对于风电的标杆上网电价和补贴力度不断下滑。因此，优化风电机组日前申报出力曲线，减小出力计划与实际出力的偏差，是有效减少弃风现象、保证风电企业的收入的方法之一。
在我国，风电机组需提前一天向调度中心申报次日出力，但由于风速的随机性和不确定性，风电机组次日出力会与日前申报出力存在偏差。当次日风电机组出力出现偏差时，调度中心为了维持电力系统的实时平衡需调用其它可调用机组，从而增加了系统的调度成本。这部分成本由风电企业日前申报出力计划与次日实际出力的偏差产生，因此，电网公司会对风电企业进行偏差惩罚，从而弥补系统调度成本。风电企业的预测偏差会影响风电企业利润、增加经营风险。
发明内容
本发明的目的是针对风电发展现状和风电不确定性以及随机性的特点，提出一种基于CVaR的风电日前出力申报优化方法，在可再生能源出力不确定的背景下，为风电机组日前出力申报决策提供了优化模型。
本发明是采取以下技术方案实现的：
基于CVaR的风电日前出力申报优化方法，包括如下步骤，
1）生成风电不确定性样本；
通过实际风速历史数据，并基于风速与风机出力关系，得到风机可能出力的历史数据，通过对风机可能出力的历史数据进行聚类，可得到有代表性的随机概率样本；
2）建立风险中立型风电企业日前出力计划优化模型；
其决策目标是确定最优的日前风电出力计划以最大化自己的期望利润，风电企业利润为上网风电收益与偏差电量惩罚的差值；
3）建立基于CVaR的日前出力申报优化决策模型；
在步骤2）建立的风险中立型风电企业日前出力计划优化模型的基础上，考虑发电企业对风险的规避，从而确定风电机组的日前出力申报。
本发明的技术优势是建立了基于CVaR的风电日前出力申报优化模型，该模型能在次日实际风电机组出力未知的情况下，通过基于CVaR的随机优化方法对日前出力申报曲线进行优化，能有效减少风电企业日前出力申报计划与实际情况的偏差，减少弃风现象；同时考虑门槛值α和置信度β的调整，可以实现利润的风险可控性。
具体实施方式
下面通过具体实施例来对本发明作进一步说明。
CVaR(条件风险价值)是在VaR(风险价值)的基础上发展出来的一种投资风险计量方法。
本发明基于CVaR的风电日前出力申报优化方法的具体步骤如下：
（1）生成风电不确定性样本
风电机出力与其轮縠高度处的风速密切相关，风电企业通过获取风速数据得到次日各风电机预测出力，风机输出功率与风速的关系用式（1）表示；
Figure DEST_PATH_IMAGE001
（1）
式中，
Figure 862855DEST_PATH_IMAGE002
为次日t时段风机功率，单位是MW；
Figure 100002_DEST_PATH_IMAGE003
为次日t时段实际风速，单位是m/s；
Figure 580056DEST_PATH_IMAGE004
为切入风速，单位是m/s；
Figure 100002_DEST_PATH_IMAGE005
为切出风速，单位是m/s；
Figure 161210DEST_PATH_IMAGE006
为风机额定功率，单位是MW；
Figure 100002_DEST_PATH_IMAGE007
为风机额定风速，单位是m/s；t的取值为24。
在实际操作中，为防止风机建设时间短，历史出力数据没有代表性的问题。可通过实际风速历史数据，并基于上述的风速与风机出力关系，得到风机可能出力的历史数据；通过对风机可能出力的历史数据进行聚类，得到有代表性的随机概率样本。
K-means方法是一种比较典型的划分方法聚类，能有效地处理规模较大和高维的数据集合，能对大型数据集进行高效分类。该聚类方法对于给定个U向量和N个聚类数，按照误差平方和或准则函数的划分标准，把数据分成N组，使得用这N个均值来代表相应各类样本时所得到的总体误差最小，使同一类中的对象相似度尽可能高，而不同类之间的相似度尽可能低，按这样的方法所形成的每一组就称作一个聚类(或聚簇)。本实施例中，使用误差平方和的划分标准，通过K-means方法迭代寻找N个聚类（N的取值为20），使用每个聚类的最终聚类中心代表随机样本特征值，生成20个随机概率样本。
（2）建立风险中立型风电企业日前出力计划优化模型
2-1）针对步骤1）得到的不确定性样本，首先建立风险中型风电企业日前出力计划优化模型，对风电企业次日出力不确定情况下的利润期望目标进行优化，且假设：风电机组上网时采用固定的风电标杆上网电价；风电企业的容量规模很小，对电力系统的影响可忽略不计；风电企业的运行维护成本为0；
2-2）设置风险中立型风电企业日前出力计划优化模型目标函数；
对于风险中型的风电企业，其决策目标是确定最优的日前风电出力计划以最大化自己的期望利润，风电企业利润为上网风电收益与偏差电量惩罚的差值；
所述目标函数为式（2），
Figure 434060DEST_PATH_IMAGE008
（2）；
式中，
Figure 100002_DEST_PATH_IMAGE009
为风险中立型风电企业日前申报策略所能获得的总利润，单位为元；
Figure 100664DEST_PATH_IMAGE010
为风电机次日t时刻的日前申报出力值，单位为MW；
Figure 100002_DEST_PATH_IMAGE011
为随机变量，
Figure 615697DEST_PATH_IMAGE012
；
Figure 100002_DEST_PATH_IMAGE013
为第k个样本在次日第t时刻的正向偏差，单位为MW；
Figure 113675DEST_PATH_IMAGE014
为第k个样本在次日第t时刻的负向偏差，单位为MW；
Figure 100002_DEST_PATH_IMAGE015
为每时段时长，单位为h（小时）；
Figure 823005DEST_PATH_IMAGE016
为风电标杆上网电价，单位为元/MWh；
Figure 100002_DEST_PATH_IMAGE017
、
Figure 711326DEST_PATH_IMAGE018
分别为正负偏差惩罚单位费用，单位为元/MWh；N为场景数，
Figure 100002_DEST_PATH_IMAGE019
，N取20；t取24；
Figure 531515DEST_PATH_IMAGE016
表示风电出力价格，取值视当日实际成交价格而定。
2-3）设定约束条件；
在步骤2-2）的目标函数中，正向偏差
Figure 883999DEST_PATH_IMAGE013
和负向偏差
Figure 262765DEST_PATH_IMAGE014
两者都为正数，且二者至少有一个为0，从而得到如下表示，
Figure 700700DEST_PATH_IMAGE020
（3）
Figure 100002_DEST_PATH_IMAGE021
（4）
式中，
Figure 59000DEST_PATH_IMAGE022
表示任意t时段。
对于（3）（4）式，需将其转化成线性约束条件如下，
Figure 100002_DEST_PATH_IMAGE023
（5）
Figure 469253DEST_PATH_IMAGE024
（6）
Figure 100002_DEST_PATH_IMAGE025
（7）
除此之外，所述约束条件还包括申报出力约束和风电机组爬坡约束，
Figure 520385DEST_PATH_IMAGE026
（8）
Figure 100002_DEST_PATH_IMAGE027
（9）
Figure 881834DEST_PATH_IMAGE028
（10）
式中，
Figure 100002_DEST_PATH_IMAGE029
是t时刻风电出力最大限制，单位为MW；
Figure 106142DEST_PATH_IMAGE030
和
Figure 100002_DEST_PATH_IMAGE031
表示风电机组在t时段允许的最大有功功率上升量和下降量的限值，表示风电机组的爬坡约束，单位为MW。
2-4）模型简化；
在步骤2-3）的约束条件中，由于式（7）的三个变量存在线性关系，约束一致性存在问题，因此根据式（7）对模型进行简化，简化后的模型如下，
Figure 105322DEST_PATH_IMAGE032
（11）
Figure 100002_DEST_PATH_IMAGE033
（12）。
（3）建立基于CVaR的日前出力申报优化决策模型；
CVaR即条件风险价值，是指损失超过VaR（Value at Risk）的条件均值，是以VaR为基础，代表超额损失的条件期望值，比VaR包含更多的尾部信息，可以反映出投资组合的潜在损失。另外，CVaR是一致性的风险度量，并且不依赖于投资回报符合正态分布的假设。
3-1）设
Figure 327356DEST_PATH_IMAGE034
表示一个与决策向量X相关的损失函数，
Figure 100002_DEST_PATH_IMAGE035
，其中
Figure 677566DEST_PATH_IMAGE036
是
Figure 100002_DEST_PATH_IMAGE037
的一个子集，表示决策变量X的可行集；
Figure 159361DEST_PATH_IMAGE038
是一个随机向量，表示不确定因素；其中，m、n分别表示对应决策变量和随机变量集的维度。
假定随机向量Y的联合概率密度为
Figure 100002_DEST_PATH_IMAGE039
，对于固定的X，
Figure 340944DEST_PATH_IMAGE040
关于Y的不超过某一损失水平
Figure 100002_DEST_PATH_IMAGE041
的概率为：
Figure 468300DEST_PATH_IMAGE042
（13）
对于任意X，
Figure 100002_DEST_PATH_IMAGE043
为决策向量X下的损失累积分布函数，关于
Figure 305806DEST_PATH_IMAGE041
非减和右连续；
3-2）构建考虑风电出力不确定性的风电企业日前申报策略优化问题的目标函数；
Figure 871916DEST_PATH_IMAGE044
（14）
Figure 100002_DEST_PATH_IMAGE045
（15）
上式中，
Figure 111268DEST_PATH_IMAGE046
和
Figure 100002_DEST_PATH_IMAGE047
即为置信水平
Figure 908060DEST_PATH_IMAGE048
下的VaR和CVaR，CVaR的含义指超过一定损失的条件均值，在相同的置信水平下，CVaR
Figure 100002_DEST_PATH_IMAGE049
VaR,这样最小化CVaR也就是最小化VaR，由于
Figure 232862DEST_PATH_IMAGE047
中含有
Figure 602664DEST_PATH_IMAGE046
难以直接求解，用
Figure 430942DEST_PATH_IMAGE050
来替代
Figure 227997DEST_PATH_IMAGE047
，则：
Figure 100002_DEST_PATH_IMAGE051
（16）
Figure 774516DEST_PATH_IMAGE052
（17）
一般情况下最优CVaR是表示最小的置信度
Figure 100002_DEST_PATH_IMAGE053
下CVaR损失值，如果将求最优CVaR损失值问题转化为求置信度
Figure 384227DEST_PATH_IMAGE053
下CVaR利益值问题，模型要进行相应的变换；将损失函数
Figure 394908DEST_PATH_IMAGE054
转换为风电企业日前申报策略利润函数
Figure 100002_DEST_PATH_IMAGE055
，设置置信度为
Figure 300547DEST_PATH_IMAGE053
，同时，设置风电企业日前申报策略的利润门槛值
Figure 334362DEST_PATH_IMAGE056
，取随机向量
Figure 100002_DEST_PATH_IMAGE057
的N个样本值，构建出考虑风电出力不确定性的风电企业日前申报策略优化问题的目标函数，即
Figure 45966DEST_PATH_IMAGE058
（18）
其中，
Figure DEST_PATH_IMAGE059
代表样本k发生的概率；
3-3）为简化上述公式（18）的表达，引入虚拟变量
Figure 848837DEST_PATH_IMAGE060
，N取值为20，得到考虑风电出力不确定下的风电企业申报决策CVaR利润随机优化模型如下，
Figure DEST_PATH_IMAGE061
（19）
Figure 423913DEST_PATH_IMAGE062
（20）
其中，
Figure 7341DEST_PATH_IMAGE056
为风电企业日前申报策略的利润门槛值，高于利润门槛值
Figure DEST_PATH_IMAGE063
则进入高风险利润部分，即可获得最大利润减门槛值
Figure 132423DEST_PATH_IMAGE063
为风电企业认为风险较大的利润部分，也即风电企业通常得不到的利润部分，企业不能依赖这部分利润实现长期盈利，
Figure 117696DEST_PATH_IMAGE063
设置的高低代表风电企业对高风险利润部分的态度，同时
Figure 365138DEST_PATH_IMAGE053
越接近1代表风电企业越厌恶风险；在上述的CVaR利润优化模型中，当门槛值
Figure 435862DEST_PATH_IMAGE063
超过任意样本最大可能利润、且
Figure 489269DEST_PATH_IMAGE064
时，CVaR模型变为风险中立利润期望模型。
综上所述，本发明使用K-means聚类方法生成随机概率样本，提出结合功率偏差惩罚机制的风电企业日前申报策略优化模型，并据此建立风险中立型风电企业利润期望和CVaR利润随机优化模型。
以上显示和描述了本发明的基本原理和具体细节，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种基于CVaR的风电日前出力申报优化方法，其特征在于，包括如下步骤：
1）生成风电不确定性样本；
通过实际风速历史数据，并基于风速与风机出力关系，得到风机可能出力的历史数据，通过对风机可能出力的历史数据进行聚类，得到有代表性的随机概率样本；
2）建立风险中立型风电企业日前出力计划优化模型；
其决策目标是确定最优的日前风电出力计划以最大化自己的期望利润，风电企业利润为上网风电收益与偏差电量惩罚的差值；
3）建立基于CVaR的日前出力申报优化决策模型；
在步骤2）建立的风险中立型风电企业日前出力计划优化模型的基础上，考虑发电企业对风险的规避，从而确定风电机组的日前出力申报；
步骤（2）建立风险中立型风电企业日前出力计划优化模型的具体方法，包括：
2-1）针对步骤（1）得到的不确定性样本，首先建立风险中型风电企业日前出力计划优化模型，对风电企业次日出力不确定情况下的利润期望目标进行优化，且假设风电机组上网时采用固定的风电标杆上网电价；风电企业的容量规模很小，对电力系统的影响可忽略不计；风电企业的运行维护成本为0；
2-2）设置风险中立型风电企业日前出力计划优化模型目标函数；
对于风险中型的风电企业，其决策目标是确定最优的日前风电出力计划以最大化自己的期望利润，风电企业利润为上网风电收益与偏差电量惩罚的差值；
2-3）设定约束条件；
2-4）模型简化。
2.根据权利要求1所述的基于CVaR的风电日前出力申报优化方法，其特征在于，所述目标函数为下式，
Figure 695400DEST_PATH_IMAGE001
；
式中
Figure DEST_PATH_IMAGE002
，为风险中立型风电企业日前申报策略所能获得的总利润，单位为元；
Figure DEST_PATH_IMAGE003
为风电机次日t时刻的日前申报出力值，单位为MW；
Figure DEST_PATH_IMAGE004
为随机变量，
Figure DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
为第k个样本在次日第t时刻的正向偏差，单位为MW；
Figure DEST_PATH_IMAGE007
为第k个样本在次日第t时刻的负向偏差，单位为MW；
Figure DEST_PATH_IMAGE008
为每时段时长，单位为h；
Figure DEST_PATH_IMAGE009
为风电标杆上网电价，单位为元/MWh；
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
分别为正负偏差惩罚单位费用，单位为元/MWh；N为场景数，
Figure DEST_PATH_IMAGE012
，N取20；
Figure 376655DEST_PATH_IMAGE008
为每时段的时长，单位为h；t取24；
Figure 562917DEST_PATH_IMAGE009
表示风电出力价格，取值视当日实际成交价格而定。
3.根据权利要求2所述的基于CVaR的风电日前出力申报优化方法，其特征在于，在步骤2-2）的目标函数中，正向偏差
Figure 161389DEST_PATH_IMAGE006
和负向偏差
Figure 179023DEST_PATH_IMAGE007
两者都为正数，且二者至少有一个为0，从而得到如下表示，
Figure DEST_PATH_IMAGE013
（3）
Figure DEST_PATH_IMAGE014
（4）
式中，
Figure DEST_PATH_IMAGE015
表示任意t时段；
对于（3）（4）式，需将其转化成线性约束条件如下，
Figure DEST_PATH_IMAGE016
（5）
Figure DEST_PATH_IMAGE017
（6）
Figure DEST_PATH_IMAGE018
（7）
除此之外，所述约束条件还包括申报出力约束和风电机组爬坡约束，
Figure DEST_PATH_IMAGE019
（8）
Figure DEST_PATH_IMAGE020
（9）
Figure DEST_PATH_IMAGE021
（10）
式中，
Figure DEST_PATH_IMAGE022
是t时刻风电出力最大限制，单位为MW；
Figure DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE024
表示风电机组在t时段允许的最大有功功率上升量和下降量的限值，表示风电机组的爬坡约束，单位为MW。
4.根据权利要求3所述的基于CVaR的风电日前出力申报优化方法，其特征在于，在步骤2-3）的约束条件中，由于式（7）的三个变量存在线性关系，约束一致性存在问题，因此根据式（7）对模型进行简化，简化后的模型如下，
Figure DEST_PATH_IMAGE025
（11）
Figure DEST_PATH_IMAGE026
（12）。
5.根据权利要求1所述的基于CVaR的风电日前出力申报优化方法，其特征在于，建立基于CVaR的日前出力申报优化决策模型的方法包括如下步骤：
3-1）设
Figure DEST_PATH_IMAGE027
表示一个与决策向量X相关的损失函数，
Figure DEST_PATH_IMAGE028
，其中
Figure DEST_PATH_IMAGE029
是
Figure DEST_PATH_IMAGE030
的一个子集，表示决策变量X的可行集；
Figure DEST_PATH_IMAGE031
是一个随机向量，表示不确定因素；其中，m、n分别表示对应决策变量和随机变量集的维度；
假定随机向量Y的联合概率密度为
Figure DEST_PATH_IMAGE032
，对于固定的X，
Figure DEST_PATH_IMAGE033
关于Y的不超过某一损失水平
Figure DEST_PATH_IMAGE034
的概率为：
Figure DEST_PATH_IMAGE035
（13）
对于任意X，
Figure DEST_PATH_IMAGE036
为决策向量X下的损失累积分布函数，关于
Figure 201818DEST_PATH_IMAGE034
非减和右连续；
3-2）构建考虑风电出力不确定性的风电企业日前申报策略优化问题的目标函数；
Figure DEST_PATH_IMAGE037
（14）
Figure DEST_PATH_IMAGE038
（15）
上式中，
Figure DEST_PATH_IMAGE039
和
Figure DEST_PATH_IMAGE040
即为置信水平
Figure DEST_PATH_IMAGE041
下的VaR和CVaR，CVaR的含义指超过一定损失的条件均值，在相同的置信水平下，CVaR
Figure DEST_PATH_IMAGE042
VaR,这样最小化CVaR也就是最小化VaR，由于
Figure DEST_PATH_IMAGE043
中含有
Figure DEST_PATH_IMAGE044
难以直接求解，用
Figure DEST_PATH_IMAGE045
来替代
Figure DEST_PATH_IMAGE046
，则：
Figure DEST_PATH_IMAGE047
（16）
Figure DEST_PATH_IMAGE048
（17）
一般情况下最优CVaR是表示最小的置信度
Figure DEST_PATH_IMAGE049
下CVaR损失值，如果将求最优CVaR损失值问题转化为求置信度
Figure 170649DEST_PATH_IMAGE049
下CVaR利益值问题，模型要进行相应的变换；将损失函数
Figure DEST_PATH_IMAGE050
转换为风电企业日前申报策略利润函数
Figure DEST_PATH_IMAGE051
，设置置信度为
Figure 507565DEST_PATH_IMAGE049
，同时，设置风电企业日前申报策略的利润门槛值
Figure 379706DEST_PATH_IMAGE034
，取随机向量
Figure DEST_PATH_IMAGE052
的N个样本值，构建出考虑风电出力不确定性的风电企业日前申报策略优化问题的目标函数，即
Figure DEST_PATH_IMAGE053
（18）
其中，
Figure DEST_PATH_IMAGE054
代表样本k发生的概率；
3-3）为简化上述公式（18）的表达，引入虚拟变量
Figure DEST_PATH_IMAGE055
，N取值为20，得到考虑风电出力不确定下的风电企业申报决策CVaR利润随机优化模型如下，
Figure DEST_PATH_IMAGE056
（19）
Figure DEST_PATH_IMAGE057
（20）
其中，
Figure 389382DEST_PATH_IMAGE034
为风电企业日前申报策略的利润门槛值，高于利润门槛值
Figure 612552DEST_PATH_IMAGE034
则进入高风险利润部分，即可获得最大利润减门槛值
Figure 818406DEST_PATH_IMAGE034
为风电企业认为风险较大的利润部分，也即风电企业通常得不到的利润部分，企业不能依赖这部分利润实现长期盈利，
Figure 810633DEST_PATH_IMAGE034
设置的高低代表风电企业对高风险利润部分的态度，同时
Figure 443739DEST_PATH_IMAGE049
越接近1代表风电企业越厌恶风险；在上述的CVaR利润优化模型中，当门槛值
Figure 151277DEST_PATH_IMAGE034
超过任意样本最大可能利润、且
Figure DEST_PATH_IMAGE058
时，CVaR模型变为风险中立利润期望模型。
CN201910022409.6A 2019-01-10 2019-01-10 一种基于CVaR的风电日前出力申报优化方法 Active CN109638886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910022409.6A CN109638886B (zh) 2019-01-10 2019-01-10 一种基于CVaR的风电日前出力申报优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910022409.6A CN109638886B (zh) 2019-01-10 2019-01-10 一种基于CVaR的风电日前出力申报优化方法

Publications (2)

Publication Number Publication Date
CN109638886A CN109638886A (zh) 2019-04-16
CN109638886B true CN109638886B (zh) 2021-01-08

Family

ID=66061724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910022409.6A Active CN109638886B (zh) 2019-01-10 2019-01-10 一种基于CVaR的风电日前出力申报优化方法

Country Status (1)

Country Link
CN (1) CN109638886B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112510685B (zh) * 2020-11-13 2021-07-27 北方工业大学 一种城市电网风险规避预测控制方法及装置
CN113507111B (zh) * 2021-06-24 2022-09-27 东北电力大学 基于盲数理论的规划目标年电力盈亏评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779498A (zh) * 2017-01-24 2017-05-31 国网福建省电力有限公司 评估含风光储的大用户参与日前市场电力交易风险的方法
CN107464010B (zh) * 2017-06-29 2021-10-29 河海大学 一种虚拟电厂容量优化配置方法
CN107317334B (zh) * 2017-08-31 2019-07-30 华北电力大学（保定） 一种电力系统网架重构方法和装置
CN108053057B (zh) * 2017-11-29 2021-12-14 国网江苏省电力公司盐城供电公司 一种基于CVaR的虚拟电厂优化调度建模方法
CN108876020A (zh) * 2018-05-31 2018-11-23 清华大学 一种基于随机需求和服务水平约束的供应链优化方法
CN108960510B (zh) * 2018-07-04 2021-11-26 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略装置

Also Published As

Publication number Publication date
CN109638886A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
Yuan et al. Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming
CN108470239B (zh) 计及需求侧管理和储能的主动配电网多目标分层规划方法
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
CN110365013B (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
CN109767078B (zh) 一种基于混合整数规划的多类型电源检修安排方法
Lotfi et al. Optimal design of a hybrid solar-wind-diesel power system for rural electrification using imperialist competitive algorithm
CN107732949B (zh) 一种综合风电全年多季节特性的储能布点定容方法
CN109412158B (zh) 一种考虑弃能成本约束的送端电网机组组合运行控制方法
CN110994606B (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN112803494B (zh) 一种含风光水火的多目标agc协调优化方法及系统
CN109638886B (zh) 一种基于CVaR的风电日前出力申报优化方法
CN111144655A (zh) 一种分布式电源选址定容与配电网网架联合优化方法
CN110601254A (zh) 一种考虑动态载流特性的风电场储能优化配置方法及系统
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
CN116231765A (zh) 一种虚拟电厂出力控制方法
CN115392526A (zh) 含梯级水电的风光水发电系统多时间尺度协调调度方法
CN113555908B (zh) 一种智能配电网储能优化配置方法
CN110119850B (zh) 基于光热发电调节的储热量双阶段优化调度方法
CN106339773B (zh) 基于灵敏度的主动配电网分布式电源定容规划方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN112989279A (zh) 含风电的电热联合系统的调度方法及装置
CN107453366B (zh) 计及风电决策风险的含upfc多目标最优潮流计算方法
CN112736905B (zh) 区域新能源容量优化配置方法及系统
CN112149339B (zh) 风电-光伏-光热-电加热器互补发电系统容量优化模型

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200909

Address after: No. 2481 Suqian City, Jiangsu province 223800 Avenue development Sucheng District

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUQIAN POWER SUPPLY BRANCH

Address before: No. 2481 Suqian City, Jiangsu province 223800 Avenue development Sucheng District

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUQIAN POWER SUPPLY BRANCH

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.

Applicant before: STATE GRID CORPORATION OF CHINA

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: No. 2481 Suqian City, Jiangsu province 223800 Avenue development Sucheng District

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUQIAN POWER SUPPLY BRANCH

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: No. 2481 Suqian City, Jiangsu province 223800 Avenue development Sucheng District

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUQIAN POWER SUPPLY BRANCH

GR01 Patent grant
GR01 Patent grant