CN110729764A - 一种含光伏发电系统的优化调度方法 - Google Patents
一种含光伏发电系统的优化调度方法 Download PDFInfo
- Publication number
- CN110729764A CN110729764A CN201911242335.3A CN201911242335A CN110729764A CN 110729764 A CN110729764 A CN 110729764A CN 201911242335 A CN201911242335 A CN 201911242335A CN 110729764 A CN110729764 A CN 110729764A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- load
- photovoltaic power
- optimal
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000012843 least square support vector machine Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005622 photoelectricity Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06312—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种含光伏发电系统的优化调度方法,包括如下步骤:步骤(1)、调取电网的历史负荷数据,根据历史负荷数据变化情况及变化时刻的外部影响情况,确定电网电力负荷的关键影响因素;步骤(2)、对电网的用电负荷进行短期预测;步骤(3)、研究光伏电站的出力特性,确定对光伏电站功率产生影响的关键因素;步骤(4)、对光伏电站的短期输出功率进行预测;步骤(5)、构建含光伏发电系统的优化调度模型;步骤(6)、对优化调度模型进行求解,获取最优出力机组组合。
Description
技术领域
本发明属于电力调度技术领域,特别涉及一种含光伏发电系统的优化调度方法。
背景技术
随着化石能源储量的逐步降低,全球能源危机也日益逼近。同时,为了人类社会的可持续发展,必须减少化石能源的消耗,减少碳排放。2017年全球能源生产总量约为114.04亿吨油当量,同比增长仅为0.62%,而新能源占比从2016年的28.49%提升至2017年的32.50%。
中国作为能源生产及消耗大国,对环境保护高度重视,鼓励利用新技术、新能源,以减轻温室效应和促进生态良性循环。在此背景下,以光伏为代表的清洁能源具有良好的经济效益和环境效益,得到国家政府的支持。2017年,中国光伏发电新增装机53.06GW,同比增加18.52GW,增速高达53.62%。因此,研究适应光伏并网的电力优化调度方法具有重要的应用价值。
发明内容
本发明提供一种含光伏发电系统的优化调度方法,对电网电力负荷和光伏电站并网功率分别进行短期预测,并根据预测结果构建优化调度模型,减小弃光量,获取最优出力机组组合。
本发明具体为一种含光伏发电系统的优化调度方法,所述调度方法具体包括如下步骤:
步骤(1)、调取电网的历史负荷数据,根据历史负荷数据变化情况及变化时刻的外部影响情况,确定电网电力负荷的关键影响因素;
步骤(2)、对电网的用电负荷进行短期预测;
步骤(3)、研究光伏电站的出力特性,确定对光伏电站功率产生影响的关键因素;
步骤(4)、对光伏电站的短期输出功率进行预测;
步骤(5)、构建含光伏发电系统的优化调度模型;
步骤(6)、对优化调度模型进行求解,获取最优出力机组组合。
进一步的,所述步骤(1)中的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。
进一步的,所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下:
步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数,构建短期电力负荷预测模型:
其中q为要寻求的最优权值,b为线性函数阈值,X=[x1,x2,…,x8]为一个8维向量,表示输入量;y为输出数据,单位为MW;ei为允许误差,F为惩罚因子;x1为预测时刻的预测气温;x2为预测时刻的预测湿度;x3为预测当天的天气类型,分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风;x4为预测时刻的季节,分别用数字量0-3表示春天、夏天、秋天、冬天;x5为预测当天的日期信息,表示当天是否为周末或节假日,分别用数字量0、1表示工作日、休息日;x6为预测当天的政策信息,表示当天是否有重大事件,分别用数字量0、1表示没有重大事件和有重大事件;x7为预测时刻上一时刻的负荷值;x8为预测前一天同一时刻的负荷值;
步骤(22)、从电网的历史电力负荷数据库中选取训练数据;
步骤(23)、对选取的负荷序列进行初步数据清洗,包括序列噪声抑制、缺失数据修补以及异常数据修正:
序列噪声抑制采用模态分解方式,最先分解得到的模态具有最小的时间尺度,由于电力负荷序列呈现随机分布特性,将第一模态认定为噪声将其去除;
缺失数据修补从相似日方面和时间序列方面两个方面进行修补,对于相似日预测,将连续一段时间的数据按一天进行划分,则负荷序列从一个行向量转变为矩阵形式:
异常数据修正具体包括明显异常数据剔除和缺失数据修补,对于明显异常的数据将其剔除出序列,并采用缺失数据修补的方式重新给出新的数据来代替异常数据;
步骤(25)、根据模型训练后得到的负荷预测方程,对电网的电力负荷进行短期预测。
进一步的,所述步骤(4)中同样采用最小二乘支持向量机模型对光伏电站的并网功率进行短期预测具体包括:
获取光伏并网功率历史数据,并对数据进行预处理,对缺测数据进行填补,对不合理数据进行修正;
对数据集进行天气类型的划分,寻找近期日类型相同的数据,将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息,形成训练样本,作为输入数据;
对数据进行归一化处理;
选择径向基核函数,采用参数搜索和交叉验证,选择最佳的惩罚系数和核函数参数;
用得到的最佳的惩罚系数和核函数参数进行训练,得到最小二乘支持向量机短期功率预测模型;
选择晴天、多云、雨天和雾霾天四种类型的天气,分别对每个光伏电站各整点的输出功率进行短期预测;
将每个光伏电站的短期功率预测数据进行叠加,得到总的光伏电站短期预测功率。
进一步的,所述步骤(5)中的含光伏发电系统的优化调度模型具体为:
其中,T为日调度总时段数,取24;M为光伏电站数量,N为火力发电机组数量;Fi为第i台火力发电机组的煤耗成本,Pit为第i台火力发电机组在t时刻的发电功率,ai、bi、ci为第i台火力发电机组的煤耗参数;为第j个光伏电站在t时刻的输出功率,Pt PV*为光伏电站在t时刻的预测功率;Pt D为t时刻的负荷预测值;Pmin为火力发电机组的最小输出功率,Pmax为火力发电机组的最大输出功率。
进一步的,所述步骤(6)中采用粒子群算法对优化调度模型进行求解,具体步骤包括:
步骤(61)、对机组排序,系统初始化,k=1;
步骤(62)、对粒子速度、位置、机组持续运行时间进行更新;
步骤(63)、判断粒子是否满足约束,若是,进入步骤(64);若否,对粒子进行修正,并重新判断粒子是否满足约束,若是,进入步骤(64),若否,重新生成粒子;
步骤(64)、计算粒子在当前状态的最优机组出力;
步骤(65)、计算粒子适应值,更新粒子个体和全局最优值;
步骤(66)、k=k+1,更新惯性权重和学习因子;
步骤(67)、判断是否达到最大迭代次数,若否,返回步骤(62);若是,输出最优机组组合、对应的机组出力以及相应的适应值。
附图说明
图1为本发明一种含光伏发电系统的优化调度方法的流程图。
具体实施方式
下面结合附图对本发明一种含光伏发电系统的优化调度方法的具体实施方式做详细阐述。
如图1所示,本发明的调度方法包括以下步骤:步骤(1)、调取电网的历史负荷数据,根据历史负荷数据变化情况及变化时刻的外部影响情况,确定电网电力负荷的关键影响因素;步骤(2)、对电网的用电负荷进行短期预测;步骤(3)、研究光伏电站的出力特性,确定对光伏电站功率产生影响的关键因素;步骤(4)、对光伏电站的短期输出功率进行预测;步骤(5)、构建含光伏发电系统的优化调度模型;步骤(6)、对优化调度模型进行求解,获取最优出力机组组合。
电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。用一个8维向量X=[x1,x2,…,x8]来表示输入量,x1为预测时刻的预测气温;x2为预测时刻的预测湿度;x3为预测当天的天气类型,分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风;x4为预测时刻的季节,分别用数字量0-3表示春天、夏天、秋天、冬天;x5为预测当天的日期信息,表示当天是否为周末或节假日,分别用数字量0、1表示工作日、休息日;x6为预测当天的政策信息,表示当天是否有重大事件,分别用数字量0、1表示没有重大事件和有重大事件;x7为预测时刻上一时刻的负荷值;x8为预测前一天同一时刻的负荷值。
支持向量回归理论中,假设xi∈Rn为输入,yi∈R为相应的输出,回归问题就是寻找从输入到输出的映射f:Rn→R,使得f(x)=y。简单的线性回归问题为y=f(x)=q·x+b,其目的就是寻找最优的权值q,使得拟合曲线尽可能反应数据集的变化规律,对于优化问题,就是以精度ε可拟合所有训练样本。回归问题转化为优化问题为:约束条件为|<q,xi>+b-yi|≤ε,i=1,…,l。
本发明中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定:y=(q,φ(X))+b,目标函数为其中q为要寻求的最优权值,b为线性函数阈值,X=[x1,x2,…,x8]为一个8维向量,表示输入量;y为输出数据,单位为MW;ei为允许误差,F为惩罚因子。约束条件为|<q,xi>+b-yi|≤ε,i=1,…,l及其中,ε为精度。
序列噪声抑制采用模态分解方式,最先分解得到的模态具有最小的时间尺度,由于电力负荷序列呈现随机分布特性,将第一模态认定为噪声将其去除。缺失数据修补从相似日方面和时间序列方面两个方面进行修补,对于相似日预测,将连续一段时间的数据按一天进行划分,则负荷序列从一个行向量转变为矩阵形式:每一列表示相似日序列;假设和分别表示缺失数据xt在垂直和水平两个方向的修正结果,则最终修正结果为对于非连续缺失数据的修补,仅从相似日方面进行修补。异常数据修正具体包括明显异常数据剔除和缺失数据修补,对于明显异常的数据将其剔除出序列,并采用缺失数据修补的方式重新给出新的数据来代替异常数据。
本发明同样采用上述最小二乘支持向量机模型对光伏并网的功率进行短期预测,具体包括:获取光伏并网功率历史数据,并对数据进行预处理,对缺测数据进行填补,对不合理数据进行修正;对数据集进行天气类型的划分,寻找近期日类型相同的数据,将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息,形成训练样本,作为输入数据;对数据进行归一化处理;选择径向基核函数,采用参数搜索和交叉验证,选择最佳的惩罚系数和核函数参数;用得到的最佳的惩罚系数和核函数参数进行训练,得到最小二乘支持向量机功率预测模型;选择晴天、多云、雨天和雾霾天四种类型的天气,分别对每个光伏电站各整点的输出功率进行短期预测;将每个光伏电站的短期功率预测数据进行叠加,得到总的光伏电站短期预测功率。基于24小时天气预报,可以获得预测日的天气状况,包括最高温度、最低温度和平均温度,以及湿度等气象信息。判断天气类型,选择类型相同的前五天相同时刻的输出功率值作为预测模型输入,对晴天、多云、雨天和雾霾天分别经行预测,对于晴天的预测,我们选取同样是晴天并且和预测日时间最相近的五天的数据作为预测模型的输入变量,对于多云的预测,我们选取同样是多云并且和预测日时间最相近的五天的数据作为预测模型的输入变量,对于雨天的预测,我们选取同样是雨天并且和预测日时间最相近的五天的数据作为预测模型的输入变量,对于雾霾天的预测,我们选取同样是雾霾天并且和预测日时间最相近的五天的数据作为预测模型的输入变量。
含光伏发电系统的优化调度模型具体为:
其中,T为日调度总时段数,取24;M为光伏电站数量,N为火力发电机组数量;Fi为第i台火力发电机组的煤耗成本,Pit为第i台火力发电机组在t时刻的发电功率,ai、bi、ci为第i台火力发电机组的煤耗参数;为第j个光伏电站在t时刻的输出功率,Pt PV*为光伏电站在t时刻的预测功率;Pt D为t时刻的负荷预测值;Pmin为火力发电机组的最小输出功率,Pmax为火力发电机组的最大输出功率。
采用粒子群算法对经济调度模型进行求解,具体步骤包括:步骤(61)、对机组排序,系统初始化,k=1;步骤(62)、对粒子速度、位置、机组持续运行时间进行更新;步骤(63)、判断粒子是否满足约束,若是,进入步骤(64);若否,对粒子进行修正,并重新判断粒子是否满足约束,若是,进入步骤(64),若否,重新生成粒子;步骤(64)、计算粒子在当前状态的最优机组出力;步骤(65)、计算粒子适应值,更新粒子个体和全局最优值;步骤(66)、k=k+1,更新惯性权重和学习因子;步骤(67)、判断是否达到最大迭代次数,若否,返回步骤(62);若是,输出最优机组组合、对应的机组出力以及相应的适应值。
最后应该说明的是,结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到,本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换,但这些修改或变更均在申请待批的权利要求保护范围之中。
Claims (6)
1.一种含光伏发电系统的优化调度方法,其特征在于,所述调度方法具体包括如下步骤:
步骤(1)、调取电网的历史负荷数据,根据历史负荷数据变化情况及变化时刻的外部影响情况,确定电网电力负荷的关键影响因素;
步骤(2)、对电网的用电负荷进行短期预测;
步骤(3)、研究光伏电站的出力特性,确定对光伏电站功率产生影响的关键因素;
步骤(4)、对光伏电站的短期输出功率进行预测;
步骤(5)、构建含光伏发电系统的优化调度模型;
步骤(6)、对优化调度模型进行求解,获取最优出力机组组合。
2.根据权利要求1所述的一种含光伏发电系统的优化调度方法,其特征在于,所述步骤(1)中的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。
3.根据权利要求1所述的一种含光伏发电系统的优化调度方法,其特征在于,所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下:
步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数,构建短期电力负荷预测模型:
其中q为要寻求的最优权值,b为线性函数阈值,X=[x1,x2,…,x8]为一个8维向量,表示输入量;y为输出数据,单位为MW;ei为允许误差,F为惩罚因子;x1为预测时刻的预测气温;x2为预测时刻的预测湿度;x3为预测当天的天气类型,分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风;x4为预测时刻的季节,分别用数字量0-3表示春天、夏天、秋天、冬天;x5为预测当天的日期信息,表示当天是否为周末或节假日,分别用数字量0、1表示工作日、休息日;x6为预测当天的政策信息,表示当天是否有重大事件,分别用数字量0、1表示没有重大事件和有重大事件;x7为预测时刻上一时刻的负荷值;x8为预测前一天同一时刻的负荷值;
步骤(22)、从电网的历史电力负荷数据库中选取训练数据;
步骤(23)、对选取的负荷序列进行初步数据清洗,包括序列噪声抑制、缺失数据修补以及异常数据修正:
序列噪声抑制采用模态分解方式,最先分解得到的模态具有最小的时间尺度,由于电力负荷序列呈现随机分布特性,将第一模态认定为噪声将其去除;
缺失数据修补从相似日方面和时间序列方面两个方面进行修补,对于相似日预测,将连续一段时间的数据按一天进行划分,则负荷序列从一个行向量转变为矩阵形式:
异常数据修正具体包括明显异常数据剔除和缺失数据修补,对于明显异常的数据将其剔除出序列,并采用缺失数据修补的方式重新给出新的数据来代替异常数据;
步骤(24)、对数据进行约束化处理,其约束条件为|<q,xi>+b-yi|≤ε,i=1,…,l及i=1,…,l,其中,ε为精度;对电力负荷预测模型的参数进行设置,根据训练数据对模型进行训练;
步骤(25)、根据模型训练后得到的负荷预测方程,对电网的电力负荷进行短期预测。
4.根据权利要求3所述的一种含光伏发电系统的优化调度方法,其特征在于,所述步骤(4)中同样采用最小二乘支持向量机模型对光伏电站的并网功率进行短期预测具体包括:
获取光伏并网功率历史数据,并对数据进行预处理,对缺测数据进行填补,对不合理数据进行修正;
对数据集进行天气类型的划分,寻找近期日类型相同的数据,将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息,形成训练样本,作为输入数据;
对数据进行归一化处理;
选择径向基核函数,采用参数搜索和交叉验证,选择最佳的惩罚系数和核函数参数;
用得到的最佳的惩罚系数和核函数参数进行训练,得到最小二乘支持向量机短期功率预测模型;
选择晴天、多云、雨天和雾霾天四种类型的天气,分别对每个光伏电站各整点的输出功率进行短期预测;
将每个光伏电站的短期功率预测数据进行叠加,得到总的光伏电站短期预测功率。
5.根据权利要求1所述的一种含光伏发电系统的优化调度方法,其特征在于,所述步骤(5)中的含光伏发电系统的优化调度模型具体为:
6.根据权利要求1所述的一种含光伏发电系统的优化调度方法,其特征在于,所述步骤(6)中采用粒子群算法对优化调度模型进行求解,具体步骤包括:
步骤(61)、对机组排序,系统初始化,k=1;
步骤(62)、对粒子速度、位置、机组持续运行时间进行更新;
步骤(63)、判断粒子是否满足约束,若是,进入步骤(64);若否,对粒子进行修正,并重新判断粒子是否满足约束,若是,进入步骤(64),若否,重新生成粒子;
步骤(64)、计算粒子在当前状态的最优机组出力;
步骤(65)、计算粒子适应值,更新粒子个体和全局最优值;
步骤(66)、k=k+1,更新惯性权重和学习因子;
步骤(67)、判断是否达到最大迭代次数,若否,返回步骤(62);若是,输出最优机组组合、对应的机组出力以及相应的适应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242335.3A CN110729764B (zh) | 2019-12-06 | 2019-12-06 | 一种含光伏发电系统的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242335.3A CN110729764B (zh) | 2019-12-06 | 2019-12-06 | 一种含光伏发电系统的优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110729764A true CN110729764A (zh) | 2020-01-24 |
CN110729764B CN110729764B (zh) | 2022-06-24 |
Family
ID=69225900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911242335.3A Active CN110729764B (zh) | 2019-12-06 | 2019-12-06 | 一种含光伏发电系统的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110729764B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931426A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
CN112865075A (zh) * | 2021-01-12 | 2021-05-28 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN113555870A (zh) * | 2021-07-26 | 2021-10-26 | 国网江苏省电力有限公司南通供电分公司 | 一种基于Q-learning光伏预测的配电网多时间尺度优化调度方法 |
CN113612191A (zh) * | 2021-08-30 | 2021-11-05 | 广东电网有限责任公司 | 一种配电网的快速恢复供电方法及装置 |
CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
CN114548845A (zh) * | 2022-04-27 | 2022-05-27 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及系统 |
CN115759444A (zh) * | 2022-11-24 | 2023-03-07 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682220A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种短期电力负荷预测方法 |
CN104242303A (zh) * | 2014-08-29 | 2014-12-24 | 重庆大学 | 计及风电和负荷不确定性的电力系统控制方法 |
CN108306331A (zh) * | 2018-01-15 | 2018-07-20 | 南京理工大学 | 一种风光储混合系统的优化调度方法 |
US20190020197A1 (en) * | 2017-07-12 | 2019-01-17 | Oci Company Ltd. | Method and system for managing charging/discharging of electric energy based on prediction for photovoltaic power and load |
CN109742813A (zh) * | 2019-03-22 | 2019-05-10 | 中国电建集团青海省电力设计院有限公司 | 基于mpc的风电-光伏-光热-火电联合发电优化调度方法 |
-
2019
- 2019-12-06 CN CN201911242335.3A patent/CN110729764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682220A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种短期电力负荷预测方法 |
CN104242303A (zh) * | 2014-08-29 | 2014-12-24 | 重庆大学 | 计及风电和负荷不确定性的电力系统控制方法 |
US20190020197A1 (en) * | 2017-07-12 | 2019-01-17 | Oci Company Ltd. | Method and system for managing charging/discharging of electric energy based on prediction for photovoltaic power and load |
CN108306331A (zh) * | 2018-01-15 | 2018-07-20 | 南京理工大学 | 一种风光储混合系统的优化调度方法 |
CN109742813A (zh) * | 2019-03-22 | 2019-05-10 | 中国电建集团青海省电力设计院有限公司 | 基于mpc的风电-光伏-光热-火电联合发电优化调度方法 |
Non-Patent Citations (3)
Title |
---|
GANG YAN等: "Electric load forecasting based on improved LS-SVM algorithm", 《PROCEEDINGS OF THE 10TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
傅美平等: "基于相似日和最小二乘支持向量机的光伏发电短期预测", 《电力系统保护与控制》 * |
张玲玲等: "基于相似日和LS-SVM的微网短期负荷预测", 《电力建设》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931426B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
CN111931426A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
CN112865075A (zh) * | 2021-01-12 | 2021-05-28 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN112865075B (zh) * | 2021-01-12 | 2023-10-20 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN113555870B (zh) * | 2021-07-26 | 2023-10-13 | 国网江苏省电力有限公司南通供电分公司 | 一种基于Q-learning光伏预测的配电网多时间尺度优化调度方法 |
CN113555870A (zh) * | 2021-07-26 | 2021-10-26 | 国网江苏省电力有限公司南通供电分公司 | 一种基于Q-learning光伏预测的配电网多时间尺度优化调度方法 |
CN113612191A (zh) * | 2021-08-30 | 2021-11-05 | 广东电网有限责任公司 | 一种配电网的快速恢复供电方法及装置 |
CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
CN113994829B (zh) * | 2021-11-19 | 2022-09-20 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
CN114548845A (zh) * | 2022-04-27 | 2022-05-27 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及系统 |
CN114548845B (zh) * | 2022-04-27 | 2022-07-12 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及系统 |
CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
CN115907136B (zh) * | 2022-11-16 | 2023-10-20 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
CN115759444A (zh) * | 2022-11-24 | 2023-03-07 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
CN115759444B (zh) * | 2022-11-24 | 2023-10-20 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110729764B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN102129511A (zh) | 一种基于matlab的风电场短期风速预测系统 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN108075471B (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 | |
CN111525552A (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN105528517A (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
Zhang et al. | Forecast of photovoltaic power generation based on DBSCAN | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 |
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 |