CN110400056A - 基于风光时空特性的梯级水电日前优化调度方法及装置 - Google Patents
基于风光时空特性的梯级水电日前优化调度方法及装置 Download PDFInfo
- Publication number
- CN110400056A CN110400056A CN201910598453.1A CN201910598453A CN110400056A CN 110400056 A CN110400056 A CN 110400056A CN 201910598453 A CN201910598453 A CN 201910598453A CN 110400056 A CN110400056 A CN 110400056A
- Authority
- CN
- China
- Prior art keywords
- power
- scene
- period
- unit
- power station
- 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
Classifications
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于风光时空特性的梯级水电日前优化调度方法及装置,其中,该方法包括:获取目标函数,通过约束条件对目标函数进行约束生成日前优化调度模型;获取风光出力的历史数据,根据风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数;对高维联合分布函数进行采样生成多个风光有功出力场景,将多个风光有功出力场景输入日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。该方法在提供稳定有功出力的同时充分消纳可再生能源,能够充分利用风电、光电和梯级水电间的互补特性,又可以快速准确地求得优化调度结果。
Description
技术领域
本发明涉及电力调度技术领域,特别涉及一种基于风光时空特性的梯级水电日前优化调度方法及装置。
背景技术
在全球范围内环境问题日益严重的背景下,大规模开发清洁可再生能源成为了研究的热点。我国西南地区风能、太阳能和水能资源较为丰富,以雅砻江流域新能源基地为例,目前已规划建设风电装机1181.4万千瓦,光伏装机1887.5万千瓦,水电装机接近3000万千瓦,建设完成后有望成为世界上规模最大的风光水互补示范基地。但风电和光伏发电有着显著的不确定性和随机波动性,风光渗透率的持续增大也会威胁到电力系统的安全稳定运行,可再生能源消纳的矛盾也愈发突出。
统计结果表明风电、光电和水电具有较好的时空互补特性。从全年来看,风能和太阳能通常在枯水季较为丰富,而在丰水期较为匮乏,很好地与水能形成了电量互补;日内风电和光伏发电有着显著的昼夜互补特性,水电快速调节的特性又能进一步互补不确定的风光,进而共同提供稳定的有功出力。目前,风光水多能互补协调优化运行成为了促进电力系统消纳可再生能源的重要研究方向之一。
高比例风电和光伏的接入给电力系统运行带来了新的挑战。水电机组调节速度很快,但梯级水电的优化调度需要同时考虑电力和水力两方面的约束条件,来水量也会在很大程度上限制梯级水电站的调蓄能力,大规模风光有功出力的时空相关特性还会进一步加大模型的复杂度,传统优化调度方法已难以适用。目前,风光出力时空不确定性的有效描述和梯级水电的准确建模成为了亟需解决的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于风光时空特性的梯级水电日前优化调度方法,该方法在稳定有功出力的同时充分消纳可再生能源,能够充分利用风电、光电和梯级水电间的互补特性,又可以快速准确地求得优化调度结果。
本发明的另一个目的在于提出一种基于风光时空特性的梯级水电日前优化调度装置。
为达到上述目的,本发明一方面实施例提出了一种基于风光时空特性的梯级水电日前优化调度方法,包括:
获取目标函数,通过约束条件对所述目标函数进行约束生成日前优化调度模型;
获取风光出力的历史数据,根据所述风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数;
对所述高维联合分布函数进行采样生成多个风光有功出力场景,将所述多个风光有功出力场景输入所述日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
本发明实施例的基于风光时空特性的梯级水电日前优化调度方法,通过以全系统发电成本最小为优化目标,考虑到系统功率和备用约束、水电机组运行约束、梯级水库运行约束等条件,建立了考虑大范围风电场和光伏电站处理时空特性的机组组合优化调度模型,并通过多种线性化方法将优化模型转化成混合整数线性规划问题来求解。通过对风光出力时空特性更准确地描述,在日前可以得到更为合理的机组组合策略,进而更充分地利用了梯级水电强大的调蓄能力,提高了可再生能源的利用效率并提供稳定的出力以满足负荷需求。
另外,根据本发明上述实施例的基于风光时空特性的梯级水电日前优化调度方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在所述目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
进一步地,在本发明的一个实施例中,所述约束条件包括:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
进一步地,在本发明的一个实施例中,利用所述Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
进一步地,在本发明的一个实施例中,通过蒙特卡洛法从所述高维联合分布函数中随机抽样得到所述多个风光有功出力场景;
通过McCormick不等式对所述日前优化调度模型进行线性化处理。
为达到上述目的,本发明另一方面实施例提出了一种基于风光时空特性的梯级水电日前优化调度装置,包括:
建模模块,用于获取目标函数,通过约束条件对所述目标函数进行约束生成日前优化调度模型;
生成模块,用于获取风光出力的历史数据,根据所述风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数;
调度模块,用于对所述高维联合分布函数进行采样生成多个风光有功出力场景,将所述多个风光有功出力场景输入所述日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
本发明实施例的基于风光时空特性的梯级水电日前优化调度装置,通过以全系统发电成本最小为优化目标,考虑到系统功率和备用约束、水电机组运行约束、梯级水库运行约束等条件,建立了考虑大范围风电场和光伏电站处理时空特性的机组组合优化调度模型,并通过多种线性化方法将优化模型转化成混合整数线性规划问题来求解。通过对风光出力时空特性更准确地描述,在日前可以得到更为合理的机组组合策略,进而更充分地利用了梯级水电强大的调蓄能力,提高了可再生能源的利用效率并提供稳定的出力以满足负荷需求。
另外,根据本发明上述实施例的基于风光时空特性的梯级水电日前优化调度装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在所述目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
进一步地,在本发明的一个实施例中,所述约束条件包括:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
进一步地,在本发明的一个实施例中,利用所述Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
进一步地,在本发明的一个实施例中,通过蒙特卡洛法从所述高维联合分布函数中随机抽样得到所述多个风光有功出力场景;
通过McCormick不等式对所述日前优化调度模型进行线性化处理。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于风光时空特性的梯级水电日前优化调度方法流程图;
图2为根据本发明一个实施例的基于风光时空特性的梯级水电日前优化调度方法流程框图;
图3为根据本发明一个实施例的生成有功出力场景的流程框图;
图4为根据本发明一个实施例的基于风光时空特性的梯级水电日前优化调度装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于风光时空特性的梯级水电日前优化调度方法及装置。
首先将参照附图描述根据本发明实施例提出的基于风光时空特性的梯级水电日前优化调度方法。
图1为根据本发明一个实施例的基于风光时空特性的梯级水电日前优化调度方法流程图。
如图1所示,该基于风光时空特性的梯级水电日前优化调度方法包括以下步骤:
在步骤S101中,获取目标函数,通过约束条件对目标函数进行约束生成日前优化调度模型。
进一步地,以全系统发电成本最小为目标建立目标函数,其中,目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
进一步地,建立了目标函数后,通过约束条件对目标函数进行约束生成日前优化调度模型。
约束条件包括多种,具体如下:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
进一步地,在本发明的一个实施例中,通过McCormick不等式对日前优化调度模型进行线性化处理。
在步骤S102中,获取风光出力的历史数据,根据风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数。
进一步地,在本发明的一个实施例中,利用Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
Copula函数可以将众多随机变量的边缘分布函数进行连接来获取联合分布函数,进而对多元随机变量的相关性进行描述。基于风光出力的历史数据,可以通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合。对于多元随机变量的边缘分布函数F1(x1),F2(x2),...,Fd(xd),利用Coupla函数C(·)可得到高维联合分布函数:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd))
H(x1,x2,...xd)为多元随机变量的联合分布函数。
也可以得到联合分布函数H(x1,x2,...xd)的概率密度函数h(x1,x2,...xd):
h(x1,x2,...xd)=c(F1(x1),F2(x2),...,Fd(xd))f1(x1)f2(x)..... fd(x) (16)
其中,c(·)为Coupla概率密度函数;fi(xi)为随机变量Xi对应的概率密度函数。
在步骤S103中,对高维联合分布函数进行采样生成多个风光有功出力场景,将多个风光有功出力场景输入日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
进一步地,在本发明的一个实施例中,通过蒙特卡洛法从高维联合分布函数中随机抽样得到多个风光有功出力场景。
具体地,从得到的联合分布函数中采样可以生成大量的风光有功出力场景,将这些场景引入日前优化调度模型即可准确描述风电和光伏发电有功出力的时空特性,进而得到更为合理的优化调度策略。
下面对上述过程进行求解,如图2所示,具体包括以下步骤:
1、输入电源数据以确定计算初始边界条件
输入数据包括未来24小时电网负荷需求数据,风电和光电出力的预测结果,梯级水库研究时段内的始末水位要求,各级水电站的天然来水量大小等。另外还需要足够的风光出力历史数据来训练并拟合得到大范围风电和光伏功率的联合分布函数。
2、风光出力联合分布建模和场景生成
基于风光有功出力的预测结果和真实值得到历史预测误差序列,利用Copula函数来构造出联合分布函数,接下来可以借助蒙特卡洛法从联合分布中随机抽样而得到足够数量的风光出力场景。操作步骤如图3所示,具体流程为:
(1)基于蒙特卡洛法从K个风电场和J个光伏电站出力联合分布中随机抽样得到n组随机变量(ui1,ui2,...,uiK,ui(K+1),...,ui(K+J)),i=1,2,....,n;
(2)对n组随机变量进行逆变换,从而得到n组服从风电场和光伏电站有功出力时空特性的场景;
(3)通过蒙特卡洛法可以快速得到大量场景,但考虑到优化调度模型计算的复杂度往往需要对场景进行聚类和削减。采用K-means法对生成的大量场景进行聚类并得到总数为S的典型场景及对应场景出现的概率πs。
3、建立日前优化调度模型
建立以全系统发电成本最小为目标函数,并满足各电源运行约束,系统功率平衡和系统备用约束的风光水互补发电系统日前优化调度模型。约束条件为上述式(2)-式(14)。
4、约束条件的线性化处理
对于复杂的非线性优化问题难以直接求解,对模型进行线性化处理。基于McCormick不等式对式(2)线性松弛,得到如下结果:
McCormick不等式将确定性的空间曲面搜索问题转化为凸多面体中的寻优过程,还可以进一步对机组动力特性函数分段处理以使得可行搜索区域与真实曲面足够接近。
水电站机组在实际运行中要避免发电功率处于振动区内,假设运行安全区间的数目为Ξ+1,可将对式(6)进行如下线性化表达:
为0/1变量,表明水电站i机组h在时段t的运行于第μ个安全区。
5、混合整数线性规划模型求解
线性化处理将原优化模型转化为了混合整数线性规划(MILP)问题,可以通过成熟的商业优化软件高效求解。
通过上述步骤的求解,可以得到更为合理的机组出电组合策略。
根据本发明实施例提出的基于风光时空特性的梯级水电日前优化调度方法,通过以全系统发电成本最小为优化目标,考虑到系统功率和备用约束、水电机组运行约束、梯级水库运行约束等条件,建立了考虑大范围风电场和光伏电站处理时空特性的机组组合优化调度模型,并通过多种线性化方法将优化模型转化成混合整数线性规划问题来求解。通过对风光出力时空特性更准确地描述,在日前可以得到更为合理的机组组合策略,进而更充分地利用了梯级水电强大的调蓄能力,提高了可再生能源的利用效率并提供稳定的出力以满足负荷需求。
其次参照附图描述根据本发明实施例提出的基于风光时空特性的梯级水电日前优化调度装置。
图4为根据本发明一个实施例的基于风光时空特性的梯级水电日前优化调度装置结构示意图。
如图4所示,该基于风光时空特性的梯级水电日前优化调度装置包括:
建模模块100、生成模块200和调度模块300。
建模模块100,用于获取目标函数,通过约束条件对目标函数进行约束生成日前优化调度模型。
生成模块200,用于获取风光出力的历史数据,根据风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数。
调度模块300,用于对高维联合分布函数进行采样生成多个风光有功出力场景,将多个风光有功出力场景输入日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
进一步地,在本发明的一个实施例中,目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
进一步地,在本发明的一个实施例中,约束条件包括:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
进一步地,在本发明的一个实施例中,利用Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
进一步地,在本发明的一个实施例中,通过蒙特卡洛法从高维联合分布函数中随机抽样得到多个风光有功出力场景;
通过McCormick不等式对日前优化调度模型进行线性化处理。
需要说明的是,前述对基于风光时空特性的梯级水电日前优化调度方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的基于风光时空特性的梯级水电日前优化调度装置,通过以全系统发电成本最小为优化目标,考虑到系统功率和备用约束、水电机组运行约束、梯级水库运行约束等条件,建立了考虑大范围风电场和光伏电站处理时空特性的机组组合优化调度模型,并通过多种线性化方法将优化模型转化成混合整数线性规划问题来求解。通过对风光出力时空特性更准确地描述,在日前可以得到更为合理的机组组合策略,进而更充分地利用了梯级水电强大的调蓄能力,提高了可再生能源的利用效率并提供稳定的出力以满足负荷需求。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于风光时空特性的梯级水电日前优化调度方法,其特征在于,包括以下步骤:
获取目标函数,通过约束条件对所述目标函数进行约束生成日前优化调度模型;
获取风光出力的历史数据,根据所述风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数;
对所述高维联合分布函数进行采样生成多个风光有功出力场景,将所述多个风光有功出力场景输入所述日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
2.根据权利要求1所述的方法,其特征在于,所述目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在所述目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
3.根据权利要求1所述的方法,其特征在于,所述约束条件包括:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
4.根据权利要求1所述的方法,其特征在于,利用所述Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
5.根据权利要求1所述的方法,其特征在于,
通过蒙特卡洛法从所述高维联合分布函数中随机抽样得到所述多个风光有功出力场景;
通过McCormick不等式对所述日前优化调度模型进行线性化处理。
6.一种基于风光时空特性的梯级水电日前优化调度装置,其特征在于,包括:
建模模块,用于获取目标函数,通过约束条件对所述目标函数进行约束生成日前优化调度模型;
生成模块,用于获取风光出力的历史数据,根据所述风光出力的历史数据并通过Copula函数对风电场和光伏电站的时空联合分布函数进行建模和拟合,得到高维联合分布函数;
调度模块,用于对所述高维联合分布函数进行采样生成多个风光有功出力场景,将所述多个风光有功出力场景输入所述日前优化调度模型来描述风电和光伏发电有功出力的时空特性,生成优化调度策略。
7.根据权利要求6所述的装置,其特征在于,所述目标函数为:
其中,N是水电站的数目;K是风电场的数目;J是光伏电站的数目;T是总时段数;Δt为时段间隔;是水电站i中的机组数量;yi,h,t和分别代表水电机组的启停操作,为0/1变量;Xi,h,t为水电站i中机组h在时段t下启停折算得到的耗水量;S为风光出力的场景总数;πs为场景s对应的概率;为场景s下水电站i机组h在时段t下的发电流量;为场景s下水电站i在时段t下的弃水流量;为场景s下风电场k在时段t下的限电功率;为场景s下光伏电站j在时段t下的限电功率;ζ和ξ分别是弃水流量和风光限电量在所述目标函数中的权重系数,通常取ζ为1,ξ则根据实际水电机组的发电系数和风光限电成本来决定。
8.根据权利要求6所述的装置,其特征在于,所述约束条件包括:
(1)机组动力特性约束
其中,Pi,h,t为场景s下水电站i机组h在时段t下的发电功率;Hi,h,t为场景s下水电站i机组h在时段t下的发电水头;
(2)机组最小、最大功率约束
其中,ui,h,t是水电站i机组h在时段t的运行状态,为0/1变量;和分别为水电站i机组h的出力上下限;
(3)机组最小、最大水头约束
其中,和分别为水电站i机组h的水头上下限;
(4)机组最小、最大发电流量约束
其中,和分别为水电站i机组h的发电流量上下限;
(5)机组振动区约束
其中,和分别为水电站i机组h振动区μ的功率上下限;
(6)机组持续运行时间约束
其中,αi,h和βi,h分别为水电站i机组h的最小开/停机持续时间;
(8)水库最大弃水流量约束
其中,为水库i的弃水流量上限;
(9)梯级水库水力联系约束
其中,τi-1为流量从水库i-1到水库i的时滞;为场景s下水电站i在时段t下的来水量;
(10)风电场功率约束
其中,为场景s下风电场k在时段t下的最大发电功率;为场景s下风电场k在时段t下的计划发电功率;
(11)光伏电站功率约束
其中,为场景s下光伏电站j在时段t下的最大发电功率;为场景s下光伏电站j在时段t下的计划发电功率;
(12)系统功率平衡约束
其中,Dt为时段t的负荷需求;
(13)系统备用容量约束
其中,SRup,t和SRdown,t分别为系统时段t的上下备用需求。
9.根据权利要求6所述的装置,其特征在于,利用所述Coupla函数C(·)得到高维联合分布函数,包括:
H(x1,x2,...xd)=C(F1(x1),F2(x2),...,Fd(xd)) (15)
其中,F1(x1),F2(x2),...,Fd(xd)为多元随机变量的边缘分布函数。
10.根据权利要求6所述的装置,其特征在于,
通过蒙特卡洛法从所述高维联合分布函数中随机抽样得到所述多个风光有功出力场景;
通过McCormick不等式对所述日前优化调度模型进行线性化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598453.1A CN110400056B (zh) | 2019-07-04 | 2019-07-04 | 基于风光时空特性的梯级水电日前优化调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598453.1A CN110400056B (zh) | 2019-07-04 | 2019-07-04 | 基于风光时空特性的梯级水电日前优化调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400056A true CN110400056A (zh) | 2019-11-01 |
CN110400056B CN110400056B (zh) | 2022-03-29 |
Family
ID=68323753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598453.1A Active CN110400056B (zh) | 2019-07-04 | 2019-07-04 | 基于风光时空特性的梯级水电日前优化调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400056B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768023A (zh) * | 2020-05-11 | 2020-10-13 | 国网冀北电力有限公司电力科学研究院 | 一种基于智慧城市电能表数据的概率峰值负荷估计方法 |
CN111797132A (zh) * | 2020-06-17 | 2020-10-20 | 武汉大学 | 考虑时空相关性的多可再生能源电站功率场景生成方法 |
CN112165123A (zh) * | 2020-08-10 | 2021-01-01 | 郑州大学 | 一种中小型水光互补系统光伏容量计算方法 |
CN116581755A (zh) * | 2023-07-12 | 2023-08-11 | 长江水利委员会水文局 | 功率预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080278934A1 (en) * | 2007-05-08 | 2008-11-13 | David Maldonado | Lighting system |
CN102694391A (zh) * | 2012-05-31 | 2012-09-26 | 国电南瑞科技股份有限公司 | 风光储联合发电系统日前优化调度方法 |
CN108599268A (zh) * | 2018-04-17 | 2018-09-28 | 上海电力学院 | 一种考虑风电场时空关联约束的日前优化调度方法 |
-
2019
- 2019-07-04 CN CN201910598453.1A patent/CN110400056B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080278934A1 (en) * | 2007-05-08 | 2008-11-13 | David Maldonado | Lighting system |
CN102694391A (zh) * | 2012-05-31 | 2012-09-26 | 国电南瑞科技股份有限公司 | 风光储联合发电系统日前优化调度方法 |
CN108599268A (zh) * | 2018-04-17 | 2018-09-28 | 上海电力学院 | 一种考虑风电场时空关联约束的日前优化调度方法 |
Non-Patent Citations (4)
Title |
---|
HU WEI等: "Research on Optimal Operation Strategy of Multi-energy Power System Considering Complementary Coordination", 《10TH INTERNATIONAL CONFERENCE ON APPLIED ENERGY (ICAE2018)》 * |
WEI HU等: "Wind power forecasting errors modelling approach considering temporal and spatial dependence", 《现代电力系统与清洁能源学报(英文)》 * |
段偬默等: "基于Copula理论的风光联合出力典型场景生成方法", 《供用电> * |
陈天穹: "风光水气多能源发电联合优化调度方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768023A (zh) * | 2020-05-11 | 2020-10-13 | 国网冀北电力有限公司电力科学研究院 | 一种基于智慧城市电能表数据的概率峰值负荷估计方法 |
CN111768023B (zh) * | 2020-05-11 | 2024-04-09 | 国网冀北电力有限公司电力科学研究院 | 一种基于智慧城市电能表数据的概率峰值负荷估计方法 |
CN111797132A (zh) * | 2020-06-17 | 2020-10-20 | 武汉大学 | 考虑时空相关性的多可再生能源电站功率场景生成方法 |
CN111797132B (zh) * | 2020-06-17 | 2022-05-13 | 武汉大学 | 考虑时空相关性的多可再生能源电站功率场景生成方法 |
CN112165123A (zh) * | 2020-08-10 | 2021-01-01 | 郑州大学 | 一种中小型水光互补系统光伏容量计算方法 |
CN116581755A (zh) * | 2023-07-12 | 2023-08-11 | 长江水利委员会水文局 | 功率预测方法、装置、设备及存储介质 |
CN116581755B (zh) * | 2023-07-12 | 2023-09-29 | 长江水利委员会水文局 | 功率预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110400056B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ming et al. | Robust hydroelectric unit commitment considering integration of large-scale photovoltaic power: A case study in China | |
CN110400056A (zh) | 基于风光时空特性的梯级水电日前优化调度方法及装置 | |
Nikonowicz et al. | Virtual Power Plants-general review: structure, application and optimization. | |
Brown et al. | Optimization of pumped storage capacity in an isolated power system with large renewable penetration | |
CN104779611B (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
Mena et al. | The impact of concentrated solar power in electric power systems: A Chilean case study | |
CN107276127B (zh) | 考虑联络线电力交易计划的多区域互联电力系统的风电消纳优化方法 | |
CN108494015A (zh) | 一种源-荷-储协调互动的综合能源系统设计方法 | |
CN106485352A (zh) | 一种多类电源发电计划组合决策方法 | |
CN109687523A (zh) | 一种基于多时间尺度的微电网的运行优化方法 | |
CN104299072B (zh) | 一种基于水火协调的安全约束发电计划制定方法 | |
CN108599269A (zh) | 一种考虑风险成本的大电网自适应鲁棒备用优化方法 | |
CN109936170A (zh) | 考虑电源灵活性裕度的风光水火互补协调优化调度方法 | |
CN104377693A (zh) | 一种发电生产模拟模型 | |
CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN104467029A (zh) | 一种区域小水电、风电日内联合优化调度的方法 | |
CN112381375B (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
CN113128786B (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
KR20210100699A (ko) | 하이브리드 발전소 | |
CN111062514A (zh) | 一种电力系统规划方法及系统 | |
Martinez et al. | Stochastic programming for energy planning in microgrids with renewables | |
CN109755959A (zh) | 基于风/光出力柯西分布的火电机组动态实时调度方法 | |
CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN105226649B (zh) | 一种基于母线负荷预测改进的省级电网发电调度优化方法 | |
Li et al. | Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation |
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 |