CN110098638B - 一种基于负荷状态转移曲线的快速机组组合方法 - Google Patents
一种基于负荷状态转移曲线的快速机组组合方法 Download PDFInfo
- Publication number
- CN110098638B CN110098638B CN201910481987.6A CN201910481987A CN110098638B CN 110098638 B CN110098638 B CN 110098638B CN 201910481987 A CN201910481987 A CN 201910481987A CN 110098638 B CN110098638 B CN 110098638B
- Authority
- CN
- China
- Prior art keywords
- load
- unit
- load state
- unit combination
- curve
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012546 transfer Methods 0.000 title claims abstract description 15
- 230000007704 transition Effects 0.000 claims abstract description 34
- 238000010248 power generation Methods 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 4
- 239000003245 coal Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (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)
Abstract
一种基于负荷状态转移曲线的快速机组组合方法,获取负荷预测数据,根据负荷预测数据得到时序负荷曲线,对时序负荷曲线上的各点根据负荷值进行聚类,得到各个负荷状态;根据得到的各个负荷状态,将负荷状态相同的相邻点归并为一个负荷段,构成负荷状态转移曲线;基于得到的负荷状态转移曲线建立机组组合模型,并求解,实现机组组合。本发明可以在较高的精度下有效提高大规模电力系统机组组合问题的求解效率,得到系统发电方案,为大规模电力系统中长期运行和中长期生产模拟分析提供有力支撑。
Description
技术领域
本发明涉及电力系统规划、运行技术领域,具体涉及一种基于负荷状态转移曲线的快速机组组合方法。
背景技术
机组组合作为电力系统运行调度理论的核心,是在以系统发电成本最小为目标的基础上,模拟电力系统生产调度、安排各发电机组开停机状态和发电量的重要途经。一直以来都是电力系统研究中的热点和难点。合适的机组组合能够优化配置系统的发电资源,在满足系统调峰和备用需求的基础上尽可能使机组运行在最佳工作点以提高机组运行效率,从而提升系统的经济性。
机组组合问题是一个包含多个约束条件的非线性混合整数优化问题,在数学上难以求得精确最优解。目前针对机组组合问题的研究方法大致可以分为以下几类:(1)启发式算法:如穷举法和优先顺序法,但只能用于求解小规模机组组合;(2)数学优化算法:如动态规划法、拉格朗日松弛算法和混合整数规划法,但是随着系统规模增加,求解机组组合时长大大增加;(3)智能算法:如遗传算法和模拟退火算法,但是大都对参数选取的依赖性较高,容易陷入机组组合解局部最优。随着电力系统规模的不断增加,由于机组组合问题变量众多、约束复杂,求解时长过长甚至难以接受的问题成为了制约电力系统发展的重要因素,因此,需找到一种快速机组组合方法,为电力系统的运行规划分析提供有力工具。
发明内容
为解决以上问题,本发明的目的在于提出了一种基于负荷状态转移曲线的快速机组组合方法,通过对不同负荷水平进行聚类,得到指定数量(可根据需求灵活调节)的负荷状态,由此构成仅有有限数量负荷状态的负荷状态转移曲线,该曲线可保留负荷的时序特性并将时序约束纳入考虑范围;进而针对负荷状态转移曲线建立机组组合模型并求解,由于相比精确时负荷曲线,负荷状态转移曲线的待求解变量维度从总时段数缩减为对应于不同负荷状态的分段数,问题规模缩小,实现了求解时长的缩小和效率的提升;为进一步提升求解精度,将以上求得的机组开停机状态作为已知条件,再次求解基于精确时序负荷曲线的机组组合模型,由于原混合整数规划问题转化为线性优化问题,故可在非常短的时间内得到精度更高的最终解。
为了实现上述目的,本发明采用的技术方案是:
一种基于负荷状态转移曲线的快速机组组合方法,包括以下步骤;
步骤一:获取负荷预测数据,根据负荷预测数据得到时序负荷曲线,对时序负荷曲线上的各点根据负荷值进行聚类,得到各个负荷状态;
步骤二:根据由步骤一得到的各个负荷状态,将负荷状态相同的相邻点归并为一个负荷段,构成负荷状态转移曲线;
步骤三:基于步骤二得到的负荷状态转移曲线建立机组组合模型,并求解,实现机组组合。
本发明进一步的改进在于,进行聚类时,最大负荷值和最小负荷值不参与聚类,作为两个单独的负荷状态处理。
本发明进一步的改进在于,进行聚类时,采用K-means聚类算法进行。
本发明进一步的改进在于,进行聚类时,通过以下过程选取聚类初始值:将以最大负荷和最小负荷为边界的负荷区间等分N个分段,N为待求的总负荷状态数-2,取每段的平均值作为聚类初始值;或者通过在以最大负荷和最小负荷为边界的负荷区间内取随机数的方法得到聚类初始值。
本发明进一步的改进在于,机组组合模型具体如下:以系统发电成本最低为目标函数如式(1),考虑机组的功率限值约束如式(2)、爬坡约束如式(3)-(4)、开停机整数变量约束,如式(5)-(6)、连续开停机约束如式(7)-(10)、功率平衡约束如式(11)和备用约束如式(12);
pgi,min·ugi,b≤pgi,b≤pgi,max·ugi,b (2)
pgi,b+1-pgi,b≤RUgi·tRU·ugi,b+pgi,min·ygi,b+1 (3)
pgi,b-pgi,b+1≤RDgi·tRD·ugi,b+1+pgi,min·zgi,b+1 (4)
ugi,b+1-ugi,b=ygi,b+1-zgi,b+1 (5)
0≤ygi,b+zgi,b≤1 (6)
其中,ftotalcost表示系统发电成本,fgi(pgi,b)表示火电机组煤耗函数,Db表示负荷状态转移曲线的负荷段b的长度,pgi,b表示机组gi在负荷段b的发电功率;pgi,min和pgi,max分别表示机组的最大和最小发电功率,ugi,b表示机组的开停机状态,取值为0或1;RUgi和RDgi分别表示机组的向上和向下爬坡速率,tRU和tRD分别表示允许的向上和向下爬坡时间,0-1变量ygi,b和zgi,b分别表示机组的开机和停机动作,式(6)表示开机动作和停机动作不能同时发生;Length(k)表示负荷状态转移曲线上的时序分段k的长度,和表示机组gi的最小开机时间和最小关机时间,Tgi,initToOn和Tgi,initToOff分别表示机组在计算周期始还需开机时段数和还需关机时段数,TG和TL分别表示通过计算得到的在周期始需保持开机或关机的负荷分段数,Ton,b和Toff,b分别表示通过计算得到的在负荷段b之后为满足最小开停机时间约束所需保持开机或停机的时段数,式(7)-(10)表示在周期始和周期中都需保持一定连续时段数的开停机状态以满足最小开停机时间约束;Lb表示负荷段b的负荷值,r表示开机备用系数,式(12)表示为应对机组故障停运、负荷波动等随机故障,系统能够保证足够的开机容量。
本发明进一步的改进在于,还包括步骤四:将由步骤三得到的各机组在负荷状态曲线上各分段的开停机状态作为已知条件代入步骤三建立的机组组合模型中,得到在指定开停机状态下各机组的出力,替换由步骤三得到的各机组出力,构成机组组合最终解。
与现有技术相比,本发明的有益效果为:
本发明考虑到在相近负荷值下,发电机组出力相近,故将相近的负荷通过聚类等效为同一个负荷状态,降低了大规模电力系统的机组组合问题复杂度,缩小了问题规模,求解时间可被大大缩短,同时求解精度也能维持在较高水平,该方法可为大规模电力系统机组组合高效计算提供工具,具有一定应用前景。
进一步的,为保留系统运行特性,最大负荷值和最小负荷值不参与聚类,作为两个单独的负荷状态处理。
进一步的,同时通过开停机状态回代,求解开停机状态已知的线性规划问题,能够使求得的解进一步逼近精确解,保证高求解精度,实现了求解的有效加速。
附图说明
图1为本发明的整体流程图。
图2为负荷状态转移曲线示意图。
图3为算例系统精确时序负荷曲线。
图4为算例系统负荷状态转移曲线示意图。
图5为机组组合解结果对比示意图。
图6为快速机组组合方法的求解时间及加速比对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参见图1,本发明的过程如下:
步骤一:获取负荷预测数据,根据负荷预测数据得到时序负荷曲线,对时序负荷曲线上的各点根据负荷值进行聚类,以得到指定数量的各个负荷状态(其数量根据需要进行指定)。为保留系统运行特性,最大负荷值和最小负荷值不参与聚类,作为两个单独的负荷状态处理。
进行聚类时,以K-means聚类为例,针对聚类初值的选取问题,可采取以下方法:将负荷区间(以最大负荷和最小负荷为边界的连续区间)等分N个分段(N为需要通过聚类得到的类别数量,即要求的总负荷状态数减去2),取每段的平均值作为聚类初始值,(也可通过在负荷区间内取随机数的方法得到聚类初始值)。
步骤二:根据由步骤一得到的各个负荷状态,将负荷状态相同的相邻点归并为一个负荷段,构成负荷状态转移曲线,如图2所示(对应于7个负荷状态)。该曲线是对精确时序负荷曲线的近似,需注意的是,负荷状态转移曲线上可能有多个分段处于同一负荷状态。
步骤三:基于步骤二得到的负荷状态转移曲线建立机组组合模型:以系统发电成本最低为目标函数如式(1),考虑机组的功率限值约束如式(2)、爬坡约束如式(3)-(4)、开停机整数变量约束如式(5)-(6)、连续开停机约束如式(7)-(10)(需根据负荷状态转移曲线与精确时序负荷曲线的区别调整)等以及系统层面的约束,即功率平衡约束如式(11)和备用约束如式(12);并求解。
pgi,min·ugi,b≤pgi,b≤pgi,max·ugi,b (2)
pgi,b+1-pgi,b≤RUgi·tRU·ugi,b+pgi,min·ygi,b+1 (3)
pgi,b-pgi,b+1≤RDgi·tRD·ugi,b+1+pgi,min·zgi,b+1 (4)
ugi,b+1-ugi,b=ygi,b+1-zgi,b+1 (5)
0≤ygi,b+zgi,b≤1 (6)
其中,ftotalcost表示系统发电成本,fgi(pgi,b)表示火电机组煤耗函数,Db表示负荷状态转移曲线的负荷段b的长度,pgi,b表示机组gi在负荷段b的发电功率。pgi,min和pgi,max分别表示机组的最大和最小发电功率,ugi,b表示机组的开停机状态,取值为0或1;RUgi和RDgi分别表示机组的向上和向下爬坡速率,tRU和tRD分别表示允许的向上和向下爬坡时间,0-1变量ygi,b和zgi,b分别表示机组的开机和停机动作,式(6)表示开机动作和停机动作不能同时发生;Length(k)表示负荷状态转移曲线上的时序分段k的长度(即时段数),和表示机组gi的最小开机时间和最小关机时间,Tgi,initToOn和Tgi,initToOff分别表示机组在计算周期始还需开机时段数和还需关机时段数,TG和TL分别表示通过计算得到的在周期始需保持开机或关机的负荷分段数,Ton,b和Toff,b分别表示通过计算得到的在负荷段b之后为满足最小开停机时间约束所需保持开机或停机的时段数,式(7)-(10)表示在周期始和周期中都需保持一定连续时段数的开停机状态以满足最小开停机时间约束(这些连续时段的总时段数不小于要求的最小开停机时间)。Lb表示负荷段b的负荷值,r表示开机备用系数,式(12)表示为应对机组故障停运、负荷波动等随机故障,系统应保证足够的开机容量。
经过步骤三求解得到:各机组在负荷状态曲线上各分段的开停机状态以及各机组出力。
步骤四:特别地,将由步骤三得到的各机组在负荷状态曲线上各分段的开停机状态作为已知条件代入步骤三建立的机组组合模型中,得到在指定开停机状态下各机组的出力,替换由步骤三得到的各机组出力,构成机组组合最终解。
下面为实施例。
以IEEE-RTS79为研究对象,系统中含有火电26台,总装机3105MW,系统最大负荷为2565MW,负荷曲线如图3所示。针对该系统进行为期一个月的机组组合计算。
如图1所示,一种基于负荷状态转移曲线的快速机组组合方法,包括以下步骤;
步骤一:对时序负荷曲线上的各点根据负荷值进行聚类以得到指定数量的负荷状态。为保留系统运行特性,最大负荷和最小负荷点不参与聚类,作为两个单独的负荷状态处理。针对聚类初值的选取问题,可采取以下办法:将负荷区间(以最大负荷和最小负荷为边界的连续区间)等分N个分段(N为需要通过聚类得到的类别数量,即要求的总负荷状态数-2),取每段的平均值作为聚类初始值(也可通过在负荷区间内取随机数的方法得到聚类初始值)。
步骤二:根据由步骤一得到的各个负荷状态,将负荷状态相同的相邻点归并为一个负荷段,构成负荷状态转移曲线,如图2所示(对应于7个负荷状态)。该曲线是对精确时序负荷曲线的近似,需注意的是,负荷状态转移曲线上可能有多个分段处于同一负荷状态。
图4给出了算例系统的负荷状态转移曲线(该基础算例中给定负荷状态数为6)。
步骤三:基于步骤二得到的负荷状态转移曲线建立机组组合模型并求解:以系统发电成本最低为目标函数(1),考虑机组的功率限值约束(2)、爬坡约束(3)-(4)、开停机整数变量约束(5)-(6)、连续开停机约束(7)-(10)(需根据负荷状态转移曲线与精确时序负荷曲线的区别调整)等以及系统层面的约束,即功率平衡约束(11)和备用约束(12)。
pgi,min·ugi,b≤pgi,b≤pgi,max·ugi,b (2)
pgi,b+1-pgi,b≤RUgi·tRU·ugi,b+pgi,min·ygi,b+1 (3)
pgi,b-pgi,b+1≤RDgi·tRD·ugi,b+1+pgi,min·zgi,b+1 (4)
ugi,b+1-ugi,b=ygi,b+1-zgi,b+1 (5)
0≤ygi,b+zgi,b≤1 (6)
其中,ftotalcost表示系统发电成本,fgi(pgi,b)表示火电机组煤耗函数,Db表示负荷状态转移曲线的负荷段b的长度,pgi,b表示机组gi在负荷段b的发电功率。pgi,min和pgi,max分别表示机组的最大和最小发电功率,0-1变量ugi,b表示机组的开停机状态;RUgi和RDgi分别表示机组的向上和向下爬坡速率,tRU和tRD分别表示允许的向上和向下爬坡时间,这里取为15分钟,ygi,b和zgi,b分别表示机组的开机和停机动作,取值为0或1,式(6)表示开机动作和停机动作不能同时发生;Length(k)表示负荷状态转移曲线上的时序分段k的长度(即时段数),和表示机组gi的最小开机时间和最小关机时间,Tgi,initToOn和Tgi,initToOff分别表示机组在计算周期始还需开机时段数和还需关机时段数,TG和TL分别表示通过计算得到的在周期始需保持开机或关机的负荷分段数,Ton,b和Toff,b分别表示通过计算得到的在负荷段b之后为满足最小开停机时间约束所需保持开机或停机的时段数,式(7)-(10)表示在周期始和周期中都需保持一定连续时段数的开停机状态以满足最小开停机时间约束(这些连续时段的总时段数不小于要求的最小开停机时间)。Lb表示负荷段b的负荷值,r表示开机备用系数,式(12)表示为应对机组故障停运、负荷波动等随机故障,系统应保证足够的开机容量。
步骤四:特别地,将由步骤三得到的各机组在负荷状态曲线上各分段的开停机状态作为已知条件代入基于精确时序负荷曲线的机组组合模型,得到在指定开停机状态下各机组的出力,替换由步骤三得到的各机组出力,构成机组组合最终解。
采用以下标准评判基于负荷状态转移曲线的快速机组组合方法的加速效果,将通过快速机组组合方法得到的结果用上标“*”表示,反之则是没有采用快速机组组合方法求解得到的结果。
1)系统发电成本偏差
2)机组发电功率偏差
其中Δpg表示机组发电功率偏差,Db表示负荷状态转移曲线的负荷段b的长度,pg,b表示机组g在负荷段b的发电功率,pg,t表示机组g在负荷段t的发电功率。
3)机组开停机状态数偏差
其中ΔUC表示机组开停机状态数偏差,ug,b表示机组g在负荷段b的开停机状态,ug,t表示机组g在时段t的开停机状态。
4)加速比
将不采用快速机组组合方法的求解时间与采用快速机组组合的求解时间的比值作为聚合方法的加速比以评判加速效果的好坏。
其中,αac表示加速比,tsolution表示求解时间。
图5分别给出了直接由步骤三得到的机组组合解和经过步骤四得到的解和精确解对比的结果。由图5可见将基于负荷状态转移曲线的快速机组组合方法求解精度高,误差较小。将得到的开停机状态解再次代入机组组合模型以确定各机组发电功率可有效地进一步提升精度。具体求解误差见表1。
表1基础算例计算结果对比
由上表1可见,基于负荷状态转移曲线的快速机组组合方法能以较高精度实现求解的加速,求解时间有所缩小,开停机状态回代能有效提高求解精度,可对大规模电力系统机组组合进行较精确的近似。
为了进行进一步的对比,改变给定的负荷状态数。不同数量负荷状态下基于负荷状态转移曲线的快速机组组合方法的求解时间及加速比对比如图6所示,具体误差见表2。
表2不同数量负荷状态下快速机组组合方法求解误差
从图6中可以看出,基于负荷状态转移曲线的快速机组组合方法可以有效加速机组组合问题的求解,求解时间减少至二至三分之一。由表2可见,在不同数量负荷状态下,快速机组组合的发电成本误差普遍在1%以下;发电功率偏差在1%~1.5%间波动,开停机状态偏差在2%~4%间波动,误差非常小。
可见,在采用了基于负荷状态转移曲线的快速机组组合方法后,可以在较高的精度下有效提高大规模电力系统机组组合问题的求解效率,得到系统发电方案,可为大规模电力系统的运行优化分析提供有力支撑。
本发明首先将数值相近的负荷通过聚类等效成同一个负荷状态,得到负荷状态转移曲线,由此实现对精确时序负荷曲线的近似和简化,使机组组合问题规模从待求解的总时段数缩小为对应各负荷状态的负荷分段数,实现求解的有效加速。由于该过程中系统最大和最小负荷不变,系统运行特性得到保留,且基于负荷状态转移曲线的机组组合模型可以方便地将时序约束纳入考虑范围,求解的精度得以保证,通过调整给定的负荷状态数的大小,求解精度可以进一步提高。在此基础之上,将基于负荷状态转移曲线的机组组合的开停机状态解作为已知条件再次代回机组组合问题,得到各机组的开停机状态,可以求得更精确的运行调度解。本发明可以在较高的精度下有效提高大规模电力系统机组组合问题的求解效率,得到系统发电方案,为大规模电力系统中长期运行和中长期生产模拟分析提供有力支撑。
Claims (6)
1.一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,包括以下步骤;
步骤一:获取负荷预测数据,根据负荷预测数据得到时序负荷曲线,对时序负荷曲线上的各点根据负荷值进行聚类,得到各个负荷状态;
步骤二:根据由步骤一得到的各个负荷状态,将负荷状态相同的相邻点归并为一个负荷段,构成负荷状态转移曲线;
步骤三:基于步骤二得到的负荷状态转移曲线建立机组组合模型,并求解,实现机组组合。
2.根据权利要求1所述的一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,进行聚类时,最大负荷值和最小负荷值不参与聚类,作为两个单独的负荷状态处理。
3.根据权利要求1所述的一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,进行聚类时,采用K-means聚类算法进行。
4.根据权利要求3所述的一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,进行聚类时,通过以下过程选取聚类初始值:将以最大负荷和最小负荷为边界的负荷区间等分N个分段,N为待求的总负荷状态数-2,取每段的平均值作为聚类初始值;或者通过在以最大负荷和最小负荷为边界的负荷区间内取随机数的方法得到聚类初始值。
5.根据权利要求1所述的一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,机组组合模型具体如下:以系统发电成本最低为目标函数如式(1),考虑机组的功率限值约束如式(2)、爬坡约束如式(3)-(4)、开停机整数变量约束,如式(5)-(6)、连续开停机约束如式(7)-(10)、功率平衡约束如式(11)和备用约束如式(12);
pgi,min·ugi,b≤pgi,b≤pgi,max·ugi,b (2)
pgi,b+1-pgi,b≤RUgi·tRU·ugi,b+pgi,min·ygi,b+1 (3)
pgi,b-pgi,b+1≤RDgi·tRD·ugi,b+1+pgi,min·zgi,b+1 (4)
ugi,b+1-ugi,b=ygi,b+1-zgi,b+1 (5)
0≤ygi,b+zgi,b≤1 (6)
其中,ftotalcost表示系统发电成本,fgi(pgi,b)表示火电机组煤耗函数,Db表示负荷状态转移曲线的负荷段b的长度,pgi,b表示机组gi在负荷段b的发电功率;pgi,min和pgi,max分别表示机组的最大和最小发电功率,ugi,b表示机组的开停机状态,取值为0或1;RUgi和RDgi分别表示机组的向上和向下爬坡速率,tRU和tRD分别表示允许的向上和向下爬坡时间,0-1变量ygi,b和zgi,b分别表示机组的开机和停机动作,式(6)表示开机动作和停机动作不能同时发生;Length(k)表示负荷状态转移曲线上的时序分段k的长度,和表示机组gi的最小开机时间和最小关机时间,Tgi,initToOn和Tgi,initToOff分别表示机组在计算周期始还需开机时段数和还需关机时段数,TG和TL分别表示通过计算得到的在周期始需保持开机或关机的负荷分段数,Ton,b和Toff,b分别表示通过计算得到的在负荷段b之后为满足最小开停机时间约束所需保持开机或停机的时段数,式(7)-(10)表示在周期始和周期中都需保持一定连续时段数的开停机状态以满足最小开停机时间约束;Lb表示负荷段b的负荷值,r表示开机备用系数,式(12)表示为应对机组故障停运、负荷波动等随机故障,系统能够保证足够的开机容量。
6.根据权利要求1所述的一种基于负荷状态转移曲线的快速机组组合方法,其特征在于,还包括步骤四:将由步骤三得到的各机组在负荷状态曲线上各分段的开停机状态作为已知条件代入步骤三建立的机组组合模型中,得到在指定开停机状态下各机组的出力,替换由步骤三得到的各机组出力,构成机组组合最终解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481987.6A CN110098638B (zh) | 2019-06-04 | 2019-06-04 | 一种基于负荷状态转移曲线的快速机组组合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481987.6A CN110098638B (zh) | 2019-06-04 | 2019-06-04 | 一种基于负荷状态转移曲线的快速机组组合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110098638A CN110098638A (zh) | 2019-08-06 |
CN110098638B true CN110098638B (zh) | 2020-10-27 |
Family
ID=67450300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481987.6A Active CN110098638B (zh) | 2019-06-04 | 2019-06-04 | 一种基于负荷状态转移曲线的快速机组组合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110098638B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111092454B (zh) * | 2019-11-04 | 2021-06-22 | 重庆大学 | 一种基于特征调度点的机组组合快速计算方法 |
CN111915178B (zh) * | 2020-07-26 | 2024-02-27 | 同济大学 | 一种信号设备使用寿命致因分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532172B (zh) * | 2013-10-23 | 2015-06-24 | 华北电力大学 | 一种基于机组动态分类的多级备用协调方法 |
US9705327B2 (en) * | 2015-07-14 | 2017-07-11 | Restore Nv | Self-learning, real-time, data-driven power metering system |
DE102017102771A1 (de) * | 2017-02-13 | 2018-08-16 | Sma Solar Technology Ag | Verfahren zur Bestimmung einer maximal möglichen Leistung einer PV-Anlage und PV-Anlage |
CN107681691B (zh) * | 2017-09-30 | 2020-01-10 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN109767078B (zh) * | 2018-12-19 | 2021-07-27 | 西安交通大学 | 一种基于混合整数规划的多类型电源检修安排方法 |
-
2019
- 2019-06-04 CN CN201910481987.6A patent/CN110098638B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110098638A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN101206754B (zh) | 基于多种约束规则的火电厂厂级负荷优化分配方法 | |
CN110490363B (zh) | 一种多日机组组合优化方法及系统 | |
CN107317353B (zh) | 一种含分布式光伏发电配电网电压控制方法及系统 | |
CN110098638B (zh) | 一种基于负荷状态转移曲线的快速机组组合方法 | |
CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
CN109347152B (zh) | 考虑多类型电源参与调峰的随机生产模拟方法及应用 | |
CN103560530A (zh) | 一种大规模风电与高载能负荷协调控制方法 | |
Li et al. | Generation scheduling with thermal stress constraints | |
CN101989743B (zh) | 基于直流潮流的节能发电调度优化方法 | |
CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
CN112308411A (zh) | 基于动态碳交易模型的综合能源站随机规划方法及系统 | |
CN115860205A (zh) | 考虑跨季节调度的两阶段分布鲁棒氢储设备优化配置方法 | |
CN115481781A (zh) | 电力系统联合规划方法及可读存储介质 | |
CN110783927A (zh) | 多时间尺度交直流配电网调度方法及装置 | |
CN111598348A (zh) | 一种输电网均匀性规划优化方法、系统、介质及电子设备 | |
US11262713B2 (en) | Method for calculating control parameters of heating supply power of heating network | |
CN104701870B (zh) | 一种电力系统储能优化方法 | |
CN110245793B (zh) | 一种基于光热机组聚合模型的电力系统优化调度方法 | |
CN107910866A (zh) | 一种考虑需求侧响应不确定性的电力系统日前优化调度方法 | |
CN107370190B (zh) | 一种求解电力系统机组组合模型的组合方法 | |
US20160380444A1 (en) | Method for managing the energy production of an energy system and associated management device | |
CN110048468B (zh) | 火力发电厂机组负荷分配方法及装置 | |
CN114844119A (zh) | 一种储能发电装机和容量优化配置方法及系统 |
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 |