CN110717688A - 考虑新能源出力不确定性的水风光短期联合优化调度方法 - Google Patents

考虑新能源出力不确定性的水风光短期联合优化调度方法 Download PDF

Info

Publication number
CN110717688A
CN110717688A CN201910984746.3A CN201910984746A CN110717688A CN 110717688 A CN110717688 A CN 110717688A CN 201910984746 A CN201910984746 A CN 201910984746A CN 110717688 A CN110717688 A CN 110717688A
Authority
CN
China
Prior art keywords
output
hydropower station
scene
water
wind
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
Application number
CN201910984746.3A
Other languages
English (en)
Other versions
CN110717688B (zh
Inventor
李秀峰
剡文林
蒋燕
赵珍玉
张俊涛
周彬彬
陈凯
王有香
吴洋
周涵
段睿钦
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN201910984746.3A priority Critical patent/CN110717688B/zh
Publication of CN110717688A publication Critical patent/CN110717688A/zh
Application granted granted Critical
Publication of CN110717688B publication Critical patent/CN110717688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06315—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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (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)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及考虑新能源出力不确定性的水风光短期联合优化调度方法，属于多能源互补协调调度技术领域。该方法提出一种以新能源预测出力作为输入条件的未来典型组合出力场景生成方法，利用历史统计信息将新能源单一确定性出力预测转化为多种实际可能出力场景和相应的概率。以此为基础，构建多情景水风光联合调度的随机期望值调峰模型。并利用优化求解软件求解该模型，最终获得水电运行计划。本发明可以有效应对新能源出力不确定性对水电运行计划的影响，有利于提高水电计划的可靠性，为水单主导的高比例可再生能源电力系统的水风光联合优化调度提供了新的技术途径。

Description

考虑新能源出力不确定性的水风光短期联合优化调度方法
技术领域
本发明属于多能源互补协调调度技术领域，特别涉及水电主导高比例可再生能源电力系统的水风光短期联合调度方法。
背景技术
随着资源紧张、气候变化、环境污染等问题日益突出，优先开发和利用水能、风能、太阳能等可再生能源是促进环境保护，减少对化石能源依赖的重要途径，也是国际社会的共识。在国家相关政策的推动下，我国出现了多个水电主导的高比例可再生能源电网，其中以云南、西藏最为典型。由于新能源(风电、光伏)不可调度的特性，电网在制定新能源日前计划时，多采用“预报值即为计划值”的调度模式。该模式高度依赖新能源的预测水平，一旦出现较大预测偏差，就会影响水电计划的可靠性。目前，随着新能源渗透率的逐年提升，电网水电计划的可靠性日益降低，严重时会出现弃电或者限电的情况。因此，如何应对新能源的不确定性和难预测性，制定更加可靠的发电计划对水电主导的高比例可再生能源电网安全、稳定、经济运行具有重要意义。
目前关于高比例可再生能源电力系统联合优化调度的相关研究大概可分为两类：一类是点对点模式，该类联合调度模式，对多类型单个电站之间的联合调度具有借鉴意义，但难以适用于大电网互补协调调度，因为很难为全网内所有新能源电站都找到相应匹配的灵活调节电源。另一类是网对网模式，目前该类调度模式主要针对区域电网新能源消纳和减少碳排放等问题具有指导意义。而对于水电主导的高比例可再生能源电力系统，运营者更加关注在新能源优先消纳条件下，如何应对新能源不确性的影响，提高水电计划可靠性，减小调度风险。可见，当前该领域的诸多研究难以满足水电主导的高比例可再生能源电力系统运营者的诉求。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种考虑新能源出力不确定性的水风光短期联合优化调度方法，可有效应对新能源大规模并网带来的不确定性影响，提高水电计划的可靠性和鲁棒性。
为实现上述目的，本发明采用的技术方案如下：
考虑新能源出力不确定性的水风光短期联合优化调度方法，包括如下步骤：
步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；
水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；
水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；
电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；
水力调度需求条件包括：梯级电站上下游水力联系；
所述的新能源包括：风电、光伏；
步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为
Figure RE-GDA0002267522790000021
其中，d 为天数，i为次数，d＝1,2,…,n；i＝1,2,…,k，
Figure RE-GDA0002267522790000022
分别为历史第d天第i个观测点的预测出力和实际出力；则调度日单一确定性预测出力序列为(P1 f,P2 f,…,Pk f)T；
之后，将调度日单一确定性新能源预测出力过程(P1 f,P2 f,…,Pk f)T转换为多种组合出力场景和相应的实现概率。
步骤(3)，已知风电、光伏调度日单一确定性预测数据，根据步骤(2) 获得的风电实际典型出力场景集
Figure RE-GDA0002267522790000023
光伏实际典型出力场景集
Figure RE-GDA0002267522790000024
根据笛卡尔乘积思想将风电、光伏实际典型出力场景集组合获得典型组合出力场景集
Figure RE-GDA0002267522790000025
式中：wm为风电集典型出力场景集中场景个数，wm个场景序列分别为
Figure RE-GDA0002267522790000027
各个场景对应的概率为pw,1,pw,2,…,pw,wm，且sm为光伏典型出力场景集中场景个数，sm个场景序列分别为
Figure RE-GDA0002267522790000032
各个场景对应的概率为ps,1,ps,2,…,ps,sm，且
Figure RE-GDA0002267522790000033
Figure RE-GDA0002267522790000034
和笛卡尔乘积组合方法如下：取
Figure RE-GDA0002267522790000036
集合中的第一个元素与
Figure RE-GDA0002267522790000037
集合中所有的元素进行组合，得到sm个组合场景，然后再取
Figure RE-GDA0002267522790000038
集合中的第二个元素与
Figure RE-GDA0002267522790000039
集合中所有的元素进行组合，如此循环wm次，最终可以获得 wm×sm个组合场景，每个组合场景的概率为被组合场景概率的乘积；得到组合场景
Figure RE-GDA00022675227900000310
为：
步骤(4)，基于步骤(3)得到的典型组合出力场景集
Figure RE-GDA00022675227900000312
建立多场景水风光联合调度的随机期望值调峰模型，用余留负荷方差的期望值最小作为目标函数，并基于水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束，求解模型，得到各个电站的库水位序列、发电流量序列和出力序列，之后按照得到的结果进行调度；
其中，目标函数如下
Figure RE-GDA00022675227900000313
Figure RE-GDA00022675227900000314
式中：S为风电、光伏组合出力场景集
Figure RE-GDA00022675227900000315
集中场景的总数，S＝wm×sm； s为场景序号，s＝1,2,…,S；和
Figure RE-GDA00022675227900000317
分别为组合场景集
Figure RE-GDA00022675227900000318
中第s个组合场景t时段风电和光伏出力，MW；Ps为组合场景集
Figure RE-GDA00022675227900000319
中第s个组合场景的概率；T 为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力， MW；
Figure RE-GDA00022675227900000425
为组合场景s中t时段系统剩余负荷，MW。
进一步，优选的是，步骤(2)的转换方法以风电为例，具体如下：
Step1.已有n×k组风电样本
Figure RE-GDA0002267522790000041
d＝1,2,…,n；i＝1,2,…,k；其中，d为天数，k为每日出力采集次数，
Figure RE-GDA0002267522790000042
分别为历史第d天第i个观测点的预测出力和实际出力；基于样本
Figure RE-GDA0002267522790000043
构建基于分位点回归的非参数概率预测模型：
Figure RE-GDA0002267522790000044
Figure RE-GDA0002267522790000045
和
Figure RE-GDA0002267522790000046
为分位点回归模型拟合参数，实现输入任意预测值
Figure RE-GDA0002267522790000047
即可获得一组实际出力值分布的分位点
Figure RE-GDA0002267522790000048
Step2.利用Step1的分位点预测模型，将所有风电历史实际出力
Figure RE-GDA0002267522790000049
通过线性插值计算为转换为
转换步骤为：首先，将对应的预测出力
Figure RE-GDA00022675227900000412
输入到分位点预测模型
Figure RE-GDA00022675227900000413
可得到一组分位点利用集合
Figure RE-GDA00022675227900000415
进行线性插值即可得到
Figure RE-GDA00022675227900000416
对应的
Figure RE-GDA00022675227900000417
Step3.近似服从[0,1]均匀分布，将其进行如下转换：
式中为probit函数erf-1(·)为逆误差函数，
Figure RE-GDA00022675227900000421
服从标准正态分布；
Step4.基于Step2和Step3将历史第d天风电实际出力向量
Figure RE-GDA00022675227900000422
转化为向量
Figure RE-GDA00022675227900000423
最终将n天的历史实际出力数据序列均转化为k维随机向量，得到的n个样本：
Figure RE-GDA00022675227900000424
假定所述的k维随机向量服从k维高斯分布Nk(μ,Σ)，且μ和Σ的极大似然估计为样本均值向量和样本协差阵S，样本为前述的样本
Figure RE-GDA0002267522790000052
Step5.随机产生ws个服从k维高斯分布
Figure RE-GDA0002267522790000053
的随机向量
Figure RE-GDA0002267522790000054
s＝1,2,…,ws，并转换为ws个向量转换方法如下：
Figure RE-GDA0002267522790000056
式中Φ(·)函数为probit函数的逆函数；
Step6.将调度日风电单一确定性预测序列
Figure RE-GDA0002267522790000057
输入非参数概率预测模型，得分位点矩阵Pw,τ，将Step5产生的ws个向量
Figure RE-GDA0002267522790000058
利用矩阵Pw,τ进行逐点线性插值，获得该风电预测出力序列对应的场景集Cw；
Figure RE-GDA00022675227900000510
Step7.首先利用t-SNE降维方法将C中k维高维数据降到2维，之后采用k- means聚类算法对降维后的2维数据聚类，最终实现场景集缩减，并获得风电典型场景
Figure RE-GDA00022675227900000511
和相应的概率；
Figure RE-GDA00022675227900000512
光伏同理。
进一步，优选的是，水量平衡约束为：
Vn,t+1＝Vn,t+3600(Qn,t-qn,t-QL,n,t)Dt
式中：Vn,t为水电站n在时段t的库容，m3；Qn,t为水电站n在时段t的入库流量，m3/s；QI,n,t为水电站n在时段t的区间流量，m3/s；Un为水电站n的直接上游电站个数；u为上游电站编号；dun为上游水电站u到水电站n的水流滞时；qn,t、 QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
进一步，优选的是，库水位约束为：
式中：
Figure RE-GDA0002267522790000063
分别为水电站n在t时段库水位上下限，m；Zn,t为水电站n 在t时段库水位，m。
进一步，优选的是，末水位约束为：
Figure RE-GDA0002267522790000064
式中：Zn,T、
Figure RE-GDA0002267522790000065
分别为水电站n在调度期末的水位与给定的水位控制需求，m。
进一步，优选的是，发电流量约束为：
Figure RE-GDA0002267522790000066
式中：
Figure RE-GDA0002267522790000067
分别为水电站n在时段t的发电流量上、下限，m3/s；qn,t为水电站n在时段t的发电流量，m3/s。
进一步，优选的是，出库流量约束为：
Figure RE-GDA0002267522790000068
式中：
Figure RE-GDA0002267522790000069
分别为水电站n在时段t的出库流量上、下限，m3/s； qn,t、QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
进一步，优选的是，水电站出力约束为：
Figure RE-GDA00022675227900000610
式中：
Figure RE-GDA0002267522790000071
分别为水电站n在时段t的出力上、下限，MW；Ph，n，t为水电站n在时段t的出力。
进一步，优选的是，水电站出力爬坡约束为：
Figure RE-GDA0002267522790000072
式中：
Figure RE-GDA0002267522790000073
为水电站n出力变幅上限，MW；Ph，n，t为水电站n在时段t的出力。
历史预测数据：调度日之前的预测数据，该预测数据所对应的实际出力数据已经知道；调度日预测数据：即调度日的出力预测数据，此时实际出力数据还不知道。
本发明提到的单一确定性预测为新能源出力预测领域的点预测，即每个时间点只有一个预测值。
水电站运行条件通常由水电站上报给调度中心。
逐点线性插值的插值方法如图1所示。
为对比本发明的有效性，构建确定性调峰模型。确定性模型可以表征目前调度中心采用的“预报值即为计划值”的新能源调度模式。
Figure RE-GDA0002267522790000075
式中：
Figure RE-GDA0002267522790000076
和
Figure RE-GDA0002267522790000077
分别调度日风电和光伏的预测出力，MW；T为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为 t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力，MW；Pr,t为系统剩余负荷，MW。
本发明针对现有技术的不足，提出一种考虑新能源出力不确定性的水-风- 光短期联合优化调度方法。首先提出一种以新能源预测出力作为输入条件的未来典型组合出力场景生成方法，主要流程为：(1)基于分位点回归理论和多元高斯分布的场景集生成，(2)利用t-SNE降维技术和聚类分析的场景集缩减，(3)基于笛卡尔乘积的多种异质能源出力场景组合。该方法可以利用历史统计信息将新能源单一确定性出力预测转化为多种实际可能出力场景和相应的概率。以此为基础，构建多情景水风光联合调度的随机期望值调峰模型。利用优化求解软件求解该模型，最终获得水电运行计划。并以云南澜沧江、金沙江两大流域的水电站群、云南全网风电和光伏为工程背景，与传统确定性联合调度模型结果对比表明，本发明成果制定的水电发电计划更加可靠，能够适应更多的新能源出力场景，具有重要的推广价值。
本发明与现有技术相比，其有益效果为：
本发明通过一种未来典型场景生成方法，利用历史统计信息，将新能源由单一确定性出力预测转化为多种典型出力场景和相应的概率，来表征新能源的出力不确定性。以此为基础，构建考虑风光双重不确定性的多场景水风光联合调度的随机期望值调峰模型。相比“预报值即为计划值”的确定性调峰调度模型，本发明所制定的水电计划可靠性更高，能有效减小调度风险，为水电主导的高比例可再生能源电力系统的水电计划编制提供新的技术途径。
附图说明
图1为插值流程图
图2风电典型出力场景集图
图3光伏典型出力场景集图；
图4是新能源典型组合出力场景集图；
图5是水电出力过程优化计算结果过程图；其中，(a)为采用本发明模型；(b)采用确定性模型。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
考虑新能源出力不确定性的水风光短期联合优化调度方法，包括如下步骤：
步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；
水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；
水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；
电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；
水力调度需求条件包括：梯级电站上下游水力联系；
所述的新能源包括：风电、光伏；
步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为
Figure RE-GDA0002267522790000091
其中，d 为天数，i为次数，d＝1,2,…,n；i＝1,2,…,k，
Figure RE-GDA0002267522790000092
分别为历史第d天第i个观测点的预测出力和实际出力；则调度日单一确定性预测出力序列为(P1 f,P2 f,…,Pk f)T；
之后，将调度日单一确定性新能源预测出力过程(P1 f,P2 f,…,Pk f)T转换为多种组合出力场景和相应的实现概率。
步骤(3)，已知风电、光伏调度日单一确定性预测数据，根据步骤(2) 获得的风电实际典型出力场景集
Figure RE-GDA0002267522790000093
光伏实际典型出力场景集
Figure RE-GDA0002267522790000094
根据笛卡尔乘积思想将风电、光伏实际典型出力场景集组合获得典型组合出力场景集
Figure RE-GDA0002267522790000095
Figure RE-GDA0002267522790000096
式中：wm为风电典型出力场景集中场景个数，wm个场景序列分别为
Figure RE-GDA0002267522790000097
各个场景对应的概率为pw,1,pw,2,…,pw,wm，且
Figure RE-GDA0002267522790000098
sm为光伏典型出力场景集中场景个数，sm个场景序列分别为
Figure RE-GDA0002267522790000101
各个场景对应的概率为ps,1,ps,2,…,ps,sm，且
Figure RE-GDA0002267522790000102
Figure RE-GDA0002267522790000103
和
Figure RE-GDA0002267522790000104
笛卡尔乘积组合方法如下：取
Figure RE-GDA0002267522790000105
集合中的第一个元素与
Figure RE-GDA0002267522790000106
集合中所有的元素进行组合，得到sm个组合场景，然后再取
Figure RE-GDA0002267522790000107
集合中的第二个元素与
Figure RE-GDA0002267522790000108
集合中所有的元素进行组合，如此循环wm次，最终可以获得 wm×sm个组合场景，每个组合场景的概率为被组合场景概率的乘积；得到组合场景
Figure RE-GDA0002267522790000109
为：
步骤(4)，基于步骤(3)得到的典型组合出力场景集
Figure RE-GDA00022675227900001011
建立多场景水风光联合调度的随机期望值调峰模型，用余留负荷方差的期望值最小作为目标函数，并基于水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束，求解模型，得到各个电站的库水位序列、发电流量序列和出力序列，之后按照得到的结果进行调度；
其中，目标函数如下
Figure RE-GDA00022675227900001012
式中：S为风电、光伏组合出力场景集集中场景的总数，S＝wm×sm； s为场景序号，s＝1,2,…,S；
Figure RE-GDA00022675227900001015
和
Figure RE-GDA00022675227900001016
分别为组合场景集
Figure RE-GDA00022675227900001017
中第s个组合场景t时段风电和光伏出力，MW；Ps为组合场景集
Figure RE-GDA00022675227900001018
中第s个组合场景的概率；T 为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力， MW；
Figure RE-GDA00022675227900001125
为组合场景s中t时段系统剩余负荷，MW。
步骤(2)的转换方法以风电为例，具体如下：
Step1.已有n×k组风电样本
Figure RE-GDA0002267522790000111
d＝1,2,…,n；i＝1,2,…,k；其中，d为天数，k为每日出力采集次数，
Figure RE-GDA0002267522790000112
分别为历史第d天第i个观测点的预测出力和实际出力；基于样本
Figure RE-GDA0002267522790000113
构建基于分位点回归的非参数概率预测模型：
Figure RE-GDA0002267522790000114
Figure RE-GDA0002267522790000115
和
Figure RE-GDA0002267522790000116
为分位点回归模型拟合参数，实现输入任意预测值
Figure RE-GDA0002267522790000117
即可获得一组实际出力值分布的分位点
Step2.利用Step1的分位点预测模型，将所有风电历史实际出力
Figure RE-GDA0002267522790000119
通过线性插值计算为转换为
Figure RE-GDA00022675227900001110
转换步骤为：首先，将
Figure RE-GDA00022675227900001111
对应的预测出力
Figure RE-GDA00022675227900001112
输入到分位点预测模型
Figure RE-GDA00022675227900001113
可得到一组分位点
Figure RE-GDA00022675227900001114
利用集合
Figure RE-GDA00022675227900001115
进行线性插值即可得到
Figure RE-GDA00022675227900001116
对应的
Figure RE-GDA00022675227900001117
Step3.
Figure RE-GDA00022675227900001118
近似服从[0,1]均匀分布，将其进行如下转换：
Figure RE-GDA00022675227900001119
式中
Figure RE-GDA00022675227900001120
为probit函数erf-1(·)为逆误差函数，
Figure RE-GDA00022675227900001121
服从标准正态分布；
Step4.基于Step2和Step3将历史第d天风电实际出力向量
Figure RE-GDA00022675227900001122
转化为向量
Figure RE-GDA00022675227900001123
最终将n天的历史实际出力数据序列均转化为k维随机向量，得到的n个样本：
Figure RE-GDA00022675227900001124
假定所述的k维随机向量服从k维高斯分布Nk(μ,Σ)，且μ和Σ的极大似然估计为样本均值向量
Figure RE-GDA0002267522790000121
和样本协差阵S，样本为前述的样本
Figure RE-GDA0002267522790000122
Step5.随机产生ws个服从k维高斯分布
Figure RE-GDA0002267522790000123
的随机向量
Figure RE-GDA0002267522790000124
s＝1,2,…,ws，并转换为ws个向量
Figure RE-GDA0002267522790000125
转换方法如下：
Figure RE-GDA0002267522790000126
式中Φ(·)函数为probit函数的逆函数；
Step6.将调度日风电单一确定性预测序列
Figure RE-GDA0002267522790000127
输入非参数概率预测模型，得分位矩阵Pw,τ，将Step5产生的ws个向量
Figure RE-GDA0002267522790000128
利用矩阵 Pw,τ进行逐点线性插值，获得该风电预测出力序列对应的场景集Cw；
Figure RE-GDA0002267522790000129
Figure RE-GDA00022675227900001210
Step7.首先利用t-SNE降维方法将C中k维高维数据降到2维，之后采用k- means聚类算法对降维后的2维数据聚类，最终实现场景集缩减，并获得风电典型场景
Figure RE-GDA00022675227900001211
和相应的概率；
Figure RE-GDA00022675227900001212
光伏同理。
水量平衡约束为：
Vn,t+1＝Vn,t+3600(Qn,t-qn,t-QL,n,t)Dt
Figure RE-GDA0002267522790000131
式中：Vn,t为水电站n在时段t的库容，m3；Qn,t为水电站n在时段t的入库流量，m3/s；QI,n,t为水电站n在时段t的区间流量，m3/s；Un为水电站n的直接上游电站个数；u为上游电站编号；dun为上游水电站u到水电站n的水流滞时；qn,t、 QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
库水位约束为：
Figure RE-GDA0002267522790000132
式中：
Figure RE-GDA0002267522790000133
分别为水电站n在t时段库水位上下限，m；Zn,t为水电站n 在t时段库水位，m。
末水位约束为：
Figure RE-GDA0002267522790000134
式中：Zn,T、
Figure RE-GDA0002267522790000135
分别为水电站n在调度期末的水位与给定的水位控制需求，m。
发电流量约束为：
Figure RE-GDA0002267522790000136
式中：
Figure RE-GDA0002267522790000137
分别为水电站n在时段t的发电流量上、下限，m3/s；qn,t为水电站n在时段t的发电流量，m3/s。
出库流量约束为：
Figure RE-GDA0002267522790000138
式中：
Figure RE-GDA0002267522790000139
分别为水电站n在时段t的出库流量上、下限，m3/s； qn,t、QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
水电站出力约束为：
Figure RE-GDA00022675227900001310
式中：分别为水电站n在时段t的出力上、下限，MW；Ph，n，t为水电站n在时段t的出力。
水电站出力爬坡约束为：
Figure RE-GDA0002267522790000142
式中：
Figure RE-GDA0002267522790000143
为水电站n出力变幅上限，MW；Ph，n，t为水电站n在时段t的出力。
现以云南电网为实际工程背景，对本发明模型和方法进行检验。云南电网，水电装机全国排名第二，风电全国排名第九，光伏全国排名第十五，是典型的水电主导的高比例可再生能源装机电网。截止2019年3月，全网统调电源装机容量为7750.28万kW，其中水电装机占比69％，风电装机占比11％，光伏装机占比4％，可再生能源总装机占比高达84％。目前，在国家政策的推动下，云南新能源并网规模还在不断增加，其出力不确定性对全网水电计划和运行的影响日益明显。本发明以云南澜沧江、金沙江两大流域的水电站群、全网风电和光伏作为仿真计算对象，验证和分析本发明方法的有效性。参与优化计算的两大流域水电站群共有13座水电站，在全网水电装机占比为57.6％。此外，为与工程实际一致，本发明把全网风电和光伏看作两个虚拟电厂。收集到 2017年1月1日至2019年2月28日共788天的新能源历史预测出力数据和实际出力数据作为样本，数据尺度为15min，即每日数据采集次数为96次。选取 2018年6月15日为调度日。
(1)将2018年6月15日单一确定性新能源预测出力过程转换为多种组合出力场景。
Step1.利用历史数据样本，采用分位点线性回归建立非参数预测模型，详细结果见表1。
Step2.利用上步的非参数概率预测结果，将风电、光伏历史实际出力
Figure RE-GDA0002267522790000144
Figure RE-GDA0002267522790000145
通过线性插值计算为转换为
Figure RE-GDA0002267522790000146
d＝1,2,…,788；i＝1,2,…,96。
Step3.将
Figure RE-GDA0002267522790000147
通过公式进行转化，
Figure RE-GDA0002267522790000149
二者均服从标准正态分布。
Step4.基于上三步，历史第d天风电、光伏实际出力向量
Figure RE-GDA0002267522790000151
和
Figure RE-GDA0002267522790000152
可以转化为向量
Figure RE-GDA0002267522790000153
和
Figure RE-GDA0002267522790000154
最终将788天风电历史实际出力数据序列，转化为k维随机向量
Figure RE-GDA0002267522790000155
的788个样本：
Figure RE-GDA0002267522790000156
可假定随机向量
Figure RE-GDA0002267522790000157
服从k维高斯分布N(μ,Σ)，且μ和Σ的极大似然估计为样本
Figure RE-GDA0002267522790000158
的均值向量
Figure RE-GDA0002267522790000159
和协差阵 Sw。同理可得样本
Figure RE-GDA00022675227900001510
的均值向量和协差阵Ss。
Step5.随机产生300个服从96维高斯分布
Figure RE-GDA00022675227900001512
的随机向量
Figure RE-GDA00022675227900001513
s＝1,2,…,300，并转换为300个向量
Figure RE-GDA00022675227900001514
转换关系如下：
Figure RE-GDA00022675227900001515
式中Φ(·)函数为probit函数的逆函数。同样的方法，可产生300个向量
Figure RE-GDA00022675227900001516
Step6.将2018年6月15日的风电单一确定性预测序列
Figure RE-GDA00022675227900001517
输入非参数预测模型，可得分位点矩阵Pw,τ，将Step5产生的S个向量
Figure RE-GDA00022675227900001518
s＝1,2,…,300，利用矩阵Pw,τ进行逐点线性插值，获得该预测出力序列对应的场景集Cw。同样的方法产生个光伏场景集Cs。
Figure RE-GDA00022675227900001519
Figure RE-GDA00022675227900001520
Figure RE-GDA0002267522790000161
Step7.首先利用t-SNE降维技术将Cw和Cs中96维高维数据降到2维，之后采用k-means聚类算法对低维数据聚类，最终实现场景集缩减，并获得风电典型场景光伏
Figure RE-GDA0002267522790000163
和相应的概率。结果见图2和3。可知获得风电典型场景4种，光伏典型场景4种。
(2)将风电、光伏典型场景
Figure RE-GDA0002267522790000164
和
Figure RE-GDA0002267522790000165
按照笛卡尔积的思想进行场景组合，获得新能源组合出力场景Cws。共获得典型场景16种。结果见图4。
(3)将获得典型组合场景代入随机期望值调峰模型，将2018年6月15 日单一确定性预测结果代入多情景水风光联合调度的随机期望值调峰模型，所得两种水电出力过程如图5所示。对比上述两种水电计划在新能源实际出力情况下的调峰效果，并以剩余负荷的峰谷差、方差、负荷率作为评价指标，结果见表2。数据显示，对于汛前枯期典型日，两种模型制定的水电计划均有明显的调峰效果。在减小系统负荷峰谷差方面：随机期望值调峰模型对应的峰谷差为582MW，相比确定性模型峰谷差减小179MW，减小幅度为23.5％；在余留负荷平稳方面：随机期望值调峰模型的剩余负荷方差相比确定性模型减小了 10723MW2，减小幅度为42.9％，说明系统负荷经随机期望值模型制定的水电计划调节后的余留负荷更加平稳。此外，随机期望值调峰模型对应的日负荷率为 98.64％，有小幅度提升，说明该模型对应的余留负荷在一天内的变化更小。对比分析该典型日下两种模型制定的水电计划在16种组合出力场景下的调峰结果，来验证水电计划的可靠性，见表3。对于峰谷差指标：随机期望值调峰模型结果在12种场景中占优，确定性模型结果4种场景中占优；对于方差指标：随机期望值调峰模型在11种场景中占优，确定性模型在5种场景中占优；对于日负荷率指标：随机期望值调峰模型在11种场景中占优，确定性模型在5种场景中占优。综上所述本发明所提的考虑新能源出力不确定性的水- 风-光短期联合优化调度方法制定的水电计划有更好的可靠性和可行性，能够有效应对新能源出力不确定性，减小了调度风险。本发明可为水电主导的高比例可再生能源电力系统的水电计划制定提供新的技术途径。
表1分位点线性回归结果
Figure RE-GDA0002267522790000171
表2实际出力情景下两种模型调峰指标结果
Figure RE-GDA0002267522790000172
Figure RE-GDA0002267522790000181
表3多场景下两种模型调峰指标结果
Figure RE-GDA0002267522790000182
备注：加粗数据为指标占优以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，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。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，包括如下步骤：
步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；
水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；
水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；
电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；
水力调度需求条件包括：梯级电站上下游水力联系；
所述的新能源包括：风电、光伏；
步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为其中，d为天数，i为次数，d＝1,2,…,n；i＝1,2,…,k，
Figure RE-FDA0002288339880000012
分别为历史第d天第i个观测点的预测出力和实际出力；则调度日单一确定性预测出力序列为
Figure RE-FDA0002288339880000013
之后，将调度日单一确定性新能源预测出力过程
Figure RE-FDA0002288339880000014
转换为多种组合出力场景和相应的实现概率。
步骤(3)，已知风电、光伏调度日单一确定性预测数据，根据步骤(2)获得的风电实际典型出力场景集
Figure RE-FDA0002288339880000015
光伏实际典型出力场景集
Figure RE-FDA0002288339880000016
根据笛卡尔乘积思想将风电、光伏实际典型出力场景集组合获得典型组合出力场景集
Figure RE-FDA0002288339880000017
Figure RE-FDA0002288339880000018
式中：wm为风电典型出力场景集中场景个数，wm个场景序列分别为
Figure RE-FDA0002288339880000019
各个场景对应的概率为pw,1,pw,2,…,pw,wm，且
Figure RE-FDA0002288339880000021
sm为光伏典型出力场景集中场景个数，sm个场景序列分别为
Figure RE-FDA0002288339880000022
各个场景对应的概率为ps,1,ps,2,…,ps,sm，且
Figure RE-FDA0002288339880000023
Figure RE-FDA0002288339880000024
和
Figure RE-FDA0002288339880000025
笛卡尔乘积组合方法如下：取集合中的第一个元素与
Figure RE-FDA0002288339880000027
集合中所有的元素进行组合，得到sm个组合场景，然后再取
Figure RE-FDA0002288339880000028
集合中的第二个元素与
Figure RE-FDA0002288339880000029
集合中所有的元素进行组合，如此循环wm次，最终可以获得wm×sm个组合场景，每个组合场景的概率为被组合场景概率的乘积；得到组合场景
Figure RE-FDA00022883398800000210
为：
Figure RE-FDA00022883398800000211
步骤(4)，基于步骤(3)得到的典型组合出力场景集
Figure RE-FDA00022883398800000212
建立多场景水风光联合调度的随机期望值调峰模型，用余留负荷方差的期望值最小作为目标函数，并基于水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束，求解模型，得到各个电站的库水位序列、发电流量序列和出力序列，之后按照得到的结果进行调度；
其中，目标函数如下
Figure RE-FDA00022883398800000213
Figure RE-FDA00022883398800000214
式中：S为风电、光伏组合出力场景集
Figure RE-FDA00022883398800000215
集中场景的总数，S＝wm×sm；s为场景序号，s＝1,2,…,S；
Figure RE-FDA00022883398800000216
和
Figure RE-FDA00022883398800000217
分别为组合场景集
Figure RE-FDA00022883398800000218
中第s个组合场景t时段风电和光伏出力，MW；Ps为组合场景集
Figure RE-FDA00022883398800000219
中第s个组合场景的概率；T为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力，MW；
Figure RE-FDA0002288339880000031
为组合场景s中t时段系统剩余负荷，MW。
2.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，步骤(2)的转换方法以风电为例，具体如下：
Step1.已有n×k组风电样本
Figure RE-FDA0002288339880000032
其中，d为天数，k为每日出力采集次数，
Figure RE-FDA0002288339880000033
分别为历史第d天第i个观测点的预测出力和实际出力；基于样本
Figure RE-FDA0002288339880000034
构建基于分位点回归的非参数概率预测模型：
Figure RE-FDA0002288339880000036
和
Figure RE-FDA0002288339880000037
为分位点回归模型拟合参数，实现输入任意预测值
Figure RE-FDA0002288339880000038
即可获得一组实际出力值分布的分位点
Figure RE-FDA0002288339880000039
Step2.利用Step1的分位点预测模型，将所有风电历史实际出力
Figure RE-FDA00022883398800000310
通过线性插值计算为转换为
Figure RE-FDA00022883398800000311
转换步骤为：首先，将对应的预测出力
Figure RE-FDA00022883398800000313
输入到分位点预测模型
Figure RE-FDA00022883398800000314
可得到一组分位点
Figure RE-FDA00022883398800000315
利用集合
Figure RE-FDA00022883398800000316
进行线性插值即可得到
Figure RE-FDA00022883398800000317
对应的
Figure RE-FDA00022883398800000318
Step3.
Figure RE-FDA00022883398800000319
近似服从[0,1]均匀分布，将其进行如下转换：
式中
Figure RE-FDA00022883398800000321
为probit函数erf-1(·)为逆误差函数，
Figure RE-FDA00022883398800000322
服从标准正态分布；
Step4.基于Step2和Step3将历史第d天风电实际出力向量
Figure RE-FDA00022883398800000323
转化为向量
Figure RE-FDA00022883398800000324
最终将n天的历史实际出力数据序列均转化为k维随机向量，得到的n个样本：
Figure RE-FDA00022883398800000325
假定所述的k维随机向量服从k维高斯分布Nk(μ,Σ)，且μ和Σ的极大似然估计为样本均值向量
Figure RE-FDA0002288339880000041
和样本协差阵S，样本为前述的样本
Figure RE-FDA0002288339880000042
Step5.随机产生ws个服从k维高斯分布
Figure RE-FDA0002288339880000043
的随机向量
Figure RE-FDA0002288339880000044
s＝1,2,…,ws，并转换为ws个向量
Figure RE-FDA0002288339880000045
转换方法如下：
Figure RE-FDA0002288339880000046
式中Φ(·)函数为probit函数的逆函数；
Step6.将调度日风电单一确定性预测序列
Figure RE-FDA0002288339880000047
输入非参数概率预测模型，得分位矩阵Pw,τ，将Step5产生的ws个向量
Figure RE-FDA0002288339880000048
利用矩阵Pw,τ进行逐点线性插值，获得该风电预测出力序列对应的场景集Cw；
Figure RE-FDA0002288339880000049
Step7.首先利用t-SNE降维方法将C中k维高维数据降到2维，之后采用k-means聚类算法对降维后的2维数据聚类，最终实现场景集缩减，并获得风电典型场景
Figure RE-FDA00022883398800000411
和相应的概率；
Figure RE-FDA00022883398800000412
光伏同理。
3.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，水量平衡约束为：
Vn,t+1＝Vn,t+3600(Qn,t-qn,t-QL,n,t)Δt
Figure RE-FDA0002288339880000051
式中：Vn,t为水电站n在时段t的库容，m3；Qn,t为水电站n在时段t的入库流量，m3/s；QI,n,t为水电站n在时段t的区间流量，m3/s；Un为水电站n的直接上游电站个数；u为上游电站编号；dun为上游水电站u到水电站n的水流滞时；qn,t、QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
4.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，库水位约束为：
式中：
Figure RE-FDA0002288339880000053
分别为水电站n在t时段库水位上下限，m；Zn,t为水电站n在t时段库水位，m。
5.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，末水位约束为：
Figure RE-FDA0002288339880000054
式中：Zn,T、
Figure RE-FDA0002288339880000055
分别为水电站n在调度期末的水位与给定的水位控制需求，m。
6.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，发电流量约束为：
Figure RE-FDA0002288339880000056
式中：
Figure RE-FDA0002288339880000057
分别为水电站n在时段t的发电流量上、下限，m3/s；qn,t为水电站n在时段t的发电流量，m3/s。
7.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，出库流量约束为：
Figure RE-FDA0002288339880000058
式中：
Figure RE-FDA0002288339880000061
分别为水电站n在时段t的出库流量上、下限，m3/s；qn,t、QL,n,t分别为水电站n在时段t的发电流量和弃水流量，m3/s。
8.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，水电站出力约束为：
Figure RE-FDA0002288339880000062
式中：
Figure RE-FDA0002288339880000063
分别为水电站n在时段t的出力上、下限，MW；Ph，n，t为水电站n在时段t的出力。
9.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，水电站出力爬坡约束为：
Figure RE-FDA0002288339880000064
式中：为水电站n出力变幅上限，MW；Ph，n，t为水电站n在时段t的出力。
CN201910984746.3A 2019-10-16 2019-10-16 考虑新能源出力不确定性的水风光短期联合优化调度方法 Active CN110717688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910984746.3A CN110717688B (zh) 2019-10-16 2019-10-16 考虑新能源出力不确定性的水风光短期联合优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910984746.3A CN110717688B (zh) 2019-10-16 2019-10-16 考虑新能源出力不确定性的水风光短期联合优化调度方法

Publications (2)

Publication Number Publication Date
CN110717688A true CN110717688A (zh) 2020-01-21
CN110717688B CN110717688B (zh) 2022-07-01

Family

ID=69211738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910984746.3A Active CN110717688B (zh) 2019-10-16 2019-10-16 考虑新能源出力不确定性的水风光短期联合优化调度方法

Country Status (1)

Country Link
CN (1) CN110717688B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429024A (zh) * 2020-04-09 2020-07-17 云南电网有限责任公司 一种考虑灵活性平衡机理的水-风-光短期联合调度方法
CN111476407A (zh) * 2020-03-25 2020-07-31 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111626645A (zh) * 2020-07-01 2020-09-04 国网新疆电力有限公司 一种未来年储能配置容量测算方法及系统
CN111682540A (zh) * 2020-07-01 2020-09-18 国网宁夏电力有限公司电力科学研究院 一种发电侧调峰能力的预测方法和系统
CN111724259A (zh) * 2020-06-17 2020-09-29 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力系统可靠性评估方法、装置、设备及存储介质
CN112686432A (zh) * 2020-12-17 2021-04-20 湖北工业大学 一种多目标水电-风电优化调度模型方法
CN112865097A (zh) * 2021-03-18 2021-05-28 华能陇东能源有限责任公司 一种基于风光火储一体化基地收益的电源配比优化方法
CN112952808A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种基于分类概率建模和igdt的有源配电网优化运行方法
CN113312747A (zh) * 2021-04-19 2021-08-27 广西大学 考虑不确定性的水电动态库容经济调度方法
CN113962598A (zh) * 2021-11-11 2022-01-21 国网天津市电力公司 新能源日运行调峰需求测算方法及装置
CN114123258A (zh) * 2021-11-11 2022-03-01 国网宁夏电力有限公司经济技术研究院 一种风光储容量配置并行优化方法及系统
CN114243794A (zh) * 2021-10-19 2022-03-25 大连理工大学 风光水多能互补系统灵活性需求量化及协调优化方法
CN114462902A (zh) * 2022-04-13 2022-05-10 山东大学 考虑光热和水势综合储能出力的分布式发电调度方法
CN115189401A (zh) * 2022-07-27 2022-10-14 国网甘肃省电力公司经济技术研究院 一种计及源荷不确定性的日前-日内协调优化调度方法
CN116663865A (zh) * 2023-07-31 2023-08-29 山东建筑大学 考虑源荷不确定性的综合能源系统日前调度方法及系统
WO2024093493A1 (zh) * 2022-11-02 2024-05-10 中国长江三峡集团有限公司 一种流域水风光资源联合随机模拟方法、装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法
CN108155674A (zh) * 2018-02-01 2018-06-12 清华大学 考虑不确定分布特性的水火电联合调度方法及系统
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN109784591A (zh) * 2019-03-22 2019-05-21 大唐环境产业集团股份有限公司 一种带储能和风电的综合能源系统优化调度方法及系统
CN110120685A (zh) * 2019-05-23 2019-08-13 国家电网公司西南分部 高水电比重系统中梯级水电群与风光电站协调调峰方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN108155674A (zh) * 2018-02-01 2018-06-12 清华大学 考虑不确定分布特性的水火电联合调度方法及系统
CN109784591A (zh) * 2019-03-22 2019-05-21 大唐环境产业集团股份有限公司 一种带储能和风电的综合能源系统优化调度方法及系统
CN110120685A (zh) * 2019-05-23 2019-08-13 国家电网公司西南分部 高水电比重系统中梯级水电群与风光电站协调调峰方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周明等: "基于随机生产模拟的日前发电备用双层决策模型", 《电网技术》 *
张俊涛等: "考虑风光不确定性的高比例可再生能源电网短期联合优化调度方法", 《中国电机工程学报》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476407A (zh) * 2020-03-25 2020-07-31 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111476407B (zh) * 2020-03-25 2021-06-15 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111429024B (zh) * 2020-04-09 2022-04-12 云南电网有限责任公司 一种考虑灵活性平衡机理的水-风-光短期联合调度方法
CN111429024A (zh) * 2020-04-09 2020-07-17 云南电网有限责任公司 一种考虑灵活性平衡机理的水-风-光短期联合调度方法
CN111724259A (zh) * 2020-06-17 2020-09-29 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN111724259B (zh) * 2020-06-17 2023-09-01 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN111626645A (zh) * 2020-07-01 2020-09-04 国网新疆电力有限公司 一种未来年储能配置容量测算方法及系统
CN111682540A (zh) * 2020-07-01 2020-09-18 国网宁夏电力有限公司电力科学研究院 一种发电侧调峰能力的预测方法和系统
CN111626645B (zh) * 2020-07-01 2023-04-18 国网新疆电力有限公司 一种未来年储能配置容量测算方法及系统
CN111682540B (zh) * 2020-07-01 2021-10-15 国网宁夏电力有限公司电力科学研究院 一种发电侧调峰能力的预测方法和系统
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力系统可靠性评估方法、装置、设备及存储介质
CN112381137B (zh) * 2020-11-10 2024-06-07 重庆大学 新能源电力系统可靠性评估方法、装置、设备及存储介质
CN112686432A (zh) * 2020-12-17 2021-04-20 湖北工业大学 一种多目标水电-风电优化调度模型方法
CN112952808A (zh) * 2021-02-09 2021-06-11 上海电力大学 一种基于分类概率建模和igdt的有源配电网优化运行方法
CN112865097A (zh) * 2021-03-18 2021-05-28 华能陇东能源有限责任公司 一种基于风光火储一体化基地收益的电源配比优化方法
CN113312747A (zh) * 2021-04-19 2021-08-27 广西大学 考虑不确定性的水电动态库容经济调度方法
CN113312747B (zh) * 2021-04-19 2023-07-18 广西大学 考虑不确定性的水电动态库容经济调度方法
CN114243794A (zh) * 2021-10-19 2022-03-25 大连理工大学 风光水多能互补系统灵活性需求量化及协调优化方法
CN113962598B (zh) * 2021-11-11 2024-05-07 国网天津市电力公司 新能源日运行调峰需求测算方法及装置
CN113962598A (zh) * 2021-11-11 2022-01-21 国网天津市电力公司 新能源日运行调峰需求测算方法及装置
CN114123258A (zh) * 2021-11-11 2022-03-01 国网宁夏电力有限公司经济技术研究院 一种风光储容量配置并行优化方法及系统
CN114123258B (zh) * 2021-11-11 2024-06-11 国网宁夏电力有限公司经济技术研究院 一种风光储容量配置并行优化方法及系统
CN114462902A (zh) * 2022-04-13 2022-05-10 山东大学 考虑光热和水势综合储能出力的分布式发电调度方法
CN115189401A (zh) * 2022-07-27 2022-10-14 国网甘肃省电力公司经济技术研究院 一种计及源荷不确定性的日前-日内协调优化调度方法
WO2024093493A1 (zh) * 2022-11-02 2024-05-10 中国长江三峡集团有限公司 一种流域水风光资源联合随机模拟方法、装置
CN116663865B (zh) * 2023-07-31 2023-11-14 山东建筑大学 考虑源荷不确定性的综合能源系统日前调度方法及系统
CN116663865A (zh) * 2023-07-31 2023-08-29 山东建筑大学 考虑源荷不确定性的综合能源系统日前调度方法及系统

Also Published As

Publication number Publication date
CN110717688B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110717688B (zh) 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN110571867B (zh) 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
Yuan et al. Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming
Jin et al. Multicriteria planning for distributed wind generation under strategic maintenance
Daneshvar et al. Short term optimal hydro-thermal scheduling of the transmission system equipped with pumped storage in the competitive environment
Jin et al. Wasserstein metric-based two-stage distributionally robust optimization model for optimal daily peak shaving dispatch of cascade hydroplants under renewable energy uncertainties
Wang et al. Two-stage stochastic optimization for unit commitment considering wind power based on scenario analysis
CN112952807A (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
Wang et al. Data‐driven distributionally robust economic dispatch for park integrated energy systems with coordination of carbon capture and storage devices and combined heat and power plants
CN115189420A (zh) 考虑供需双侧不确定性的电网调度运行优化方法及系统
Zhang et al. Assessing the integration potential of new energy in river basin clean energy corridors considering energy-power coupled complementary operation modes
Wang et al. Regulation intensity assessment of pumped storage units in daily scheduling for renewable energy consumption
Li et al. Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation
Guo et al. The artificial intelligence-assisted short-term optimal scheduling of a cascade hydro-photovoltaic complementary system with hybrid time steps
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
Kader et al. Active power control strategy for wind farms based on power prediction errors distribution considering regional data
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
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
Lin et al. Long‐term generation scheduling for renewable‐dominant systems concerning limited energy supporting capability of hydrogeneration
CN112994087B (zh) 基于条件风险约束的多源电力系统中期优化调度方法
Feng et al. Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty
CN114188942A (zh) 一种包含大规模新能源基地的电网调度方法
Lu et al. Stochastic optimal scheduling of wind power and pumped-storage hydropower complementary systems with multiple uncertainties
Kumar et al. Unit commitment of thermal power plant in integration with wind and solar plant using genetic algorithm
Hoettecke et al. Enhanced time series aggregation for long-term investment planning models of energy supply infrastructure in production plants

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