CN110796373A - 面向风电消纳的多阶段场景生成电热系统优化调度方法 - Google Patents
面向风电消纳的多阶段场景生成电热系统优化调度方法 Download PDFInfo
- Publication number
- CN110796373A CN110796373A CN201911045512.9A CN201911045512A CN110796373A CN 110796373 A CN110796373 A CN 110796373A CN 201911045512 A CN201911045512 A CN 201911045512A CN 110796373 A CN110796373 A CN 110796373A
- Authority
- CN
- China
- Prior art keywords
- wind
- cost
- time
- wind power
- day
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005485 electric heating Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 43
- 238000010248 power generation Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004146 energy storage Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 210000000352 storage cell Anatomy 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06Q10/06315—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
- 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)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (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)
- Wind Motors (AREA)
Abstract
本发明公开一种基于风电消纳的多阶段场景生成电热系统优化调度方法,属于电热联合系统经济调度技术领域,该方法在考虑风电出力不确定的基础上通过蒙特卡洛和轮盘赌选择机制,生成日前风电预测和包含预测误差的日内和实时风电预测,并以电量比例确立实时电价,构建日内需求响应模型。为有效促进系统消纳风电,构建成本随弃风量动态增加的弃风惩罚项。以系统成本最小为目标函数,日前通过调节常规机组和CHP机组进行调度,日内调度通过蓄热式电锅炉和基于电量设立的日内需求响应模型实施,实时市场的不平衡电量通过储电装置和机组的调节,采用动态权重的粒子群算法对模型求解,得到合理的电热联合优化方案。
Description
技术领域
本发明涉及电热联合系统调度技术领域,尤其涉及一种面向风电消纳的多阶段场景生成电热系统优化调度方法。
背景技术
风能是一种重要的可再生能源,风力发电大规模开发利用有效地缓解了能源可持续发展所面临的困局,也带来了巨大的经济效益。但同时其出力的随机性、不确定性和间歇性导致系统的功率波动进一步扩大,常规电源的调节能力难以有效应对,给电网传统调度运行方式带来了新的挑战。在冬季,由于供热的需求,热电机组(CHP)维持在一个较高的热电比状态下运行即“以热定电”,在风电高发的夜间,由于较高的热力输出,电负荷低谷期电力输出维持在一个较高的范围上,严重影响力风电的消纳。
单一的日前调度计划存在严重的弃风现象,构建多阶段优化调度,在不同时段调动不同元件进行系统波动的平衡,充分发挥元件的灵活性,通过多阶段调度逐级修正调度计划,提高风电的接入能力,逐步减小负荷及风电出力预测误差对调度计划的影响,最终的实时调度计划可以有效跟踪负荷曲线。
储能装置可以将能量进行时间上的平移,在风电高发期将能量存储,在用能高峰期释放能量。多种储能间的相互配合增加了系统调度的灵活性,大大提升风电的消纳量。电储能具有响应速度快,造价高,存储容量相对较小,通常应用于小规模的实时调度中,来平衡实时的风电波动。蓄热式电锅炉既可利用弃风电量,又能够将热量存储,成本相较于储能电池小,在日内调度中可存储热能。负荷侧资源参与电网调度在提高风电接纳能力方面存在着巨大潜力,需求响应可引导用户理性用能,合理转移高峰用电以平抑负荷峰谷,对提升电力系统运行效率具有重要作用。构建合理的实时电价,调动负荷参与响应的积极性,实现负荷的削峰填谷。目前应用广泛的需求响应主要基于分时电价和激励措施的日前调度,日内市场与调度时间关联差,不能调动负荷响应积极性,用户的参与度不高,不能很好地实现负荷的削峰填谷。
发明内容
本发明提供一种面向风电消纳的多阶段电热系统优化调度方法,可在不同的调度时段调用不同性能的装置实现能量平衡、实现风电消纳的最大化和系统的经济运行。
一种面向风电消纳的多阶段电热系统优化调度方法,其步骤如下:
1:获取电热系统中日前电、热负荷预测值,以及火电机组、电热联产机组、蓄热式电锅炉的技术参数;
步骤2:用韦伯分布描述风速,得到各情景下的概率分布和各风速下的风力发电出力;
步骤3:采用蒙特卡洛法和轮盘赌选择机制进行场景生成和削减进行风电情景生成;
步骤4:建立以电量比例确立的实时电价,构建日内需求响应模型;
步骤5:建立随弃风量增加,成本增加的动态弃风惩罚项;
步骤6:构建系统的多阶段调度策略,日前调度主要通过调节常规机组和CHP机组进行风电最大化消纳,日内调度通过蓄热式电锅炉和基于电量设立的日内需求响应模型进行调度,实时市场的不平衡电量通过储电装置和机组的调节平衡。构建以系统总成本最低,弃风量最小的目标函数;
步骤7:由动态权重粒子群算法对目标函数进行优化求解,输出系统各控制变量优化值。
进一步地,步骤2获取风电出力的方式包括:
步骤2.1:风速的概率密度函数用韦伯概率分布来描述,其风速概率分布如下所示:
式中:c为尺度参数,k为形状参数,V为风速,fv(V)为风速概率密度函数;
步骤2.2:将风速概率密度函数分成SN个情景,每个情景的概率proi可由下式得到:
式中:Vi表示情景i情况下的风速,V为风速;
步骤2.3:基于风速,计算风电出力:
式中:PG,V为风速V时的风力发电量,Pr为额定输出功率,V为预测风速,VC为切入风速,Vr为额定风速,VCO为切出风速;A、B、C为由切入、额定、切出风速确定的,与风电出力相关的各项系数。
进一步地,步骤3中风电情景生成的方式包括:
步骤3.1:每个时段,用蒙特卡洛法随机生成M个日前风电预测场景;
步骤3.2:将风电概率密度函数分段得到各情景发生的概率proi;
步骤3.3:用轮盘赌选择机制生成N个日前风电场景,并得到相应的概率;
步骤3.4:日内和实时风电出力由对日前的风电进行误差生成,由蒙特卡洛和轮盘赌选择机制生成场景,并重新计算各场景在新生成场景中发生的概率;
进一步地,步骤4中建立以电量比例确立的实时电价,构建日内需求响应模型包括:
步骤4.1:日前电价为定值,无需求响应的参与,日内电价根据实时电量的比例制定,一天平均电量的计算为:
式中:Dave为一天内的平均电量,Dall为一天内的总电量,Dt为t时刻电量。
步骤4.2:各时刻电价的制定:
式中:Lave为日前的电价均值,Lt为t时刻电价。
步骤4.3:计算各时刻弹性系数生成电价弹性矩阵:
式中:εii为时刻i的自弹性系数,εij为时刻i与时刻j间的互弹性系数ΔLi为实行分时电价前后i时段用户的电价变化值;ΔDi为实行分时电价前后i时段用户的用电量变化值;
式中:E为各时段的弹性系数矩阵;
步骤4.4:计算用户需求响应量:
式中:D1'为经过分时电价响应后时段1的负荷;
D1为执行分时电价响应前时段1的原始负荷;
进一步地,步骤5中建立随弃风量增加、成本增加的动态弃风惩罚项包括:
调度的不灵活导致系统无法有效消纳风电,有大量弃风产生,因此在目标函数中引入弃风惩罚项;为了大量消纳风电,建立更为严厉的惩罚,此处建立了动态变化函数刻画弃风成本,以高额的弃风惩罚督促系统减小弃风的产生;弃风惩罚成本建模,随着弃风量的增大,单位弃风惩罚成本动态增加;
进一步地,步骤6中构建系统的多阶段调度策略包括:
步骤6.1:目标函数为最小化调度用能成本和弃风惩罚成本:
式中:E为通过每个场景获得的不同期望值乘积及相关场景发生的概率总和来计算得到的期望值。CCHP,t为系统内CHP机组t时刻的发电成本,Cc,t为常规热电厂t时刻的发电成本,Ccd,t为储能电池t时刻的退化成本,Cti,t为t时刻实时机组出力的调节成本,fw,t为弃风惩罚成本;
步骤6.2:CHP机组的成本函数为:
式中:PCHP,i,t为热电联产机组i在t时刻的发电功率,HCHP,i,t为热电联产机组i在t时刻热功率,a,b,c,d,e,f为成本函数的各项系数;
步骤6.3:常规热电厂的成本函数为:
式中:Pc,j,t为常规机组j在t时刻的发电功率,α,β,γ为机组发电的二次项、一次项、常数项系数;
步骤6.4:蓄热式电锅炉的成本函数:
式中:dt为t时刻的电费,Pcr,o,t为蓄热式电锅炉o在t时刻的用电量;
步骤6.5:储能电池的退化成本为:
式中:ei deg为单位电量储能i的退化成本,ηi b,c为储能i的充电效率,Pb,c i,t,s为t时刻储能i的充电量,Pb,d i,t,s为t时刻储能i的放电量,ηi b,d为储能的放电效率;
步骤6.6:实时机组出力的调节成本为:
式中:Ppre c,j,t为常规机组j日前出力,Pact c,j,t为常规机组j实时出力,λ为常规机组调节单位电量的成本;
进一步地,步骤7中由动态权重粒子群算法对目标函数进行优化求解具体过程包括:
步骤7.1:对种群内各变量进行初始化,设置粒子各参数;
步骤7.2:计算各微粒适应值,更新个体和全局最优值;
步骤7.3:根据动态惯性权重更新微粒速度和位置:
Vid k=wkVid k-1+c1rand(0,1)(pbesti-xi k)+c2rand(0,1)(gbesti-xi k)
式中:Vid k为粒子i第k次迭代的速度;Vid k为粒子i第k-1次迭代的速度;w为惯性权重因子;c1和c2为学习因子;pbesti为粒子i的个体极值;gbesti为粒子i的全局极值;xi k为粒子i第k次迭代的位置;
惯性权重
式中:Tmax为最大迭代次数,wmax为初始惯性权重,wmin为达到最大迭代次数时的惯性权重,wmin=0.4,wmax=0.9,k为当前迭代次数;
xi k=xi k-1+Vid k
式中:xi k-1为粒子i第k-1次迭代的位置;xi k为粒子i第k次迭代的位置;Vid k为粒子i第k次迭代的速度;
步骤7.4:达到最大迭代次数或满足最小界限要求时,算法结束,得到系统各元件出力。
本发明的有益效果:
1、本发明充分考虑风电出力的不确定性,采用蒙特卡洛和轮盘赌选择机制进行日前、日内、实时风电场景的生成;
2、本发明考虑建立日内需求响应,通过电价引导负荷进行削峰填谷,分时电价以电量比例确定,充分调动负荷响应积极性,价格型响应无需对用户进行补偿,有利于电-热综合系统的灵活经济运行;
3、本发明通过建立单位弃风惩罚成本随弃风量增加动态增加的惩罚项,在保证系统经济性的同时,充分调用系统资源消纳风电;
4、本发明建立的日前、日内、实时多阶段调度策略,日前调度通过常规机组和 CHP机组满足基础的负荷需求,日内通过蓄热式电锅炉和日内需求响应平滑风电波动,实时市场的不平衡电量通过储电装置和机组的调试平滑少量的风电波动;
5、本发明采用动态权重的粒子群算法对优化目标进行求解,提高寻优能力。
附图说明
图1为本发明提供的流程图;
图2为本发明的风电偏差概率分布图;
图3为本发明的轮盘赌归一化风电偏差概率。
具体实施方式
下面将结合附图和具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
本发明4步骤如下:
步骤1:获取电热系统中日前电、热负荷预测值,以及火电机组、电热联产机组、蓄热式电锅炉的技术参数;
步骤2:用韦伯分布描述风速,得到各情景下的概率分布和各风速下的风力发电出力;
步骤3:采用蒙特卡洛法和轮盘赌选择机制(Roulettewheelmechanism,RWM) 进行场景生成和削减进行风电情景生成;
步骤4:建立以电量比例确立的实时电价,构建日内需求响应模型;
步骤5:建立随弃风量增加,成本增加的动态弃风惩罚项;
步骤6:构建系统的多阶段调度策略,日前调度主要通过调节常规机组和CHP机组进行风电最大化消纳,日内调度通过蓄热式电锅炉和基于电量设立的日内需求响应模型进行调度,实时市场的不平衡电量通过储电装置和机组的调节平衡。构建以系统总成本最低,弃风量最小的目标函数;
步骤7:由动态权重粒子群算法对目标函数进行优化求解,输出系统各控制变量优化值。
图1为本发明额流程图,主要包括以下步骤:
其中,步骤1中需要获得电热系统内次日各时刻电、热负荷预测值,及机组设备的参数。
其中,步骤2中获取风电出力的方式如下所示:
步骤2.1:风速的概率密度函数用韦伯概率分布来描述,其风速概率分布如下所示:
式中:c为尺度参数,k为形状参数,V为风速,fv(V)为风速概率密度函数;
步骤2.2:将风速概率密度函数分成SN个情景,每个情景的概率proi可由下式得到:
式中:Vi表示情景i情况下风速的最小值,Vi+1表示情景i情况下风速的最大值, V为风速;
步骤2.3:基于风速,计算风电出力:
式中:PG,V为风速V时的风力发电量,Pr为额定输出功率,V为预测风速,VC为切入风速,Vr为额定风速,VCO为切出风速;A、B、C为由切入、额定、切出风速确定的,与风电出力相关的各项系数。
其中,步骤3中风电情景生成的方式如下所示:
步骤3.1:每个时段,用蒙特卡洛法随机生成M个日前风电预测场景;
步骤3.2:将风电概率密度函数分段得到各情景发生的概率proi,总概率和为1,将发生概率由高到低进行排序,并计算各时段从情景1到M结束的前部累计概率;
步骤3.3:生成[0,1]间的随机数,落在哪个区间范围即取该情景,重复N次,直至得到各时段N个日前风电情景,完成轮盘赌选择机制场景的生成,并重新计算场景在N个生成场景中发生的概率;
步骤3.4:日内和实时风电出力由对日前的风电进行误差生成,由蒙特卡洛和轮盘赌选择机制生成场景,并重新计算各场景在新生成场景中发生的概率;其具体步骤为生成日前确定场景下风电出力的误差概率分布曲线,将其进行分段,计算各段的概率,并生成如图3所示的偏差概率分布图,采用步骤3-3中的轮盘赌选择机制重新计算日内各偏差发生的概率。实时风电场景的生成与日内风电场景的生成方式相同,不过偏差是基于日内风电出力来说的。
其中,步骤4中建立以电量比例确立的实时电价,构建日内需求响应模型如下所示:
步骤4.1:日前电价为定值,无需求响应的参与,日内电价根据实时电量的比例制定,一天平均电量的计算为:
式中:Dave为一天内的平均电量,Dall为一天内的总电量,Dt为t时刻电量。
步骤4.2:各时刻电价的制定:
式中:Lave为日前的电价均值,Lt为t时刻电价。
步骤4.3:计算各时刻弹性系数生成电价弹性矩阵:
式中:ΔLi为实行分时电价前后i时段用户的电价变化值;ΔDi为实行分时电价前后i时段用户的用电量变化值;
步骤4.4:计算用户需求响应量:
式中:D1'为经过分时电价响应后时段1的负荷;
D1为执行分时电价响应前时段1的原始负荷。
其中,步骤5中建立随弃风量增加,成本增加的动态弃风惩罚项如下所示:
调度的不灵活导致系统无法有效消纳风电,有大量弃风产生,因此在目标函数中引入弃风惩罚项。为了大量消纳风电,建立更为严厉的惩罚,此处建立了动态变化函数刻画弃风成本,以高额的弃风惩罚督促系统减小弃风的产生。弃风惩罚成本建模,随着弃风量的增大,单位弃风惩罚成本动态增加。
其中,步骤6中构建系统的多阶段调度策略如下所示:
步骤6.1:目标函数为最小化调度用能成本和弃风惩罚成本。
式中:E为通过每个场景获得的不同期望值乘积及相关场景发生的概率总和来计算得到的期望值。CCHP,t为系统内CHP机组t时刻的发电成本,Cc,t为常规热电厂t时刻的发电成本,Ccd,t为储能电池t时刻的退化成本,Cti,t为t时刻实时机组出力的调节成本,fw,t为弃风惩罚成本。
步骤6.2:CHP机组的成本函数为:
式中:PCHP,i,t为热电联产机组i在t时刻的发电功率,HCHP,i,t为热电联产机组i在t时刻热功率,a,b,c,d,e,f为成本函数的各项系数。
步骤6.3:常规热电厂的成本函数为:
式中:Pc,j,t为常规机组j在t时刻的发电功率,α,β,γ为机组发电的二次项、一次项、常数项系数。
步骤6.4:蓄热式电锅炉的成本函数:
式中:dt为t时刻的电费,Pcr,o,t为蓄热式电锅炉o在t时刻的用电量。
步骤6.5:储能电池的退化成本为:
式中:ei deg为单位电量储能i的退化成本,ηi b,c为储能i的充电效率,Pb,c i,t,s为t时刻储能i的充电量,Pb,d i,t,s为t时刻储能i的放电量,ηi b,d为储能的放电效率。
步骤6.6:实时机组出力的调节成本为:
式中:Ppre c,j,t为常规机组j日前出力,Pact c,j,t为常规机组j实时出力,λ为常规机组调节单位电量的成本。
其中,步骤7中由动态权重粒子群算法对目标函数进行优化求解具体过程如下所示:
步骤7.1:对种群内各变量进行初始化,设置粒子各参数。
步骤7.2:计算各微粒适应值,更新个体和全局最优值。
步骤7.3:根据动态惯性权重更新微粒速度和位置:
Vid k=wkVid k-1+c1rand(0,1)(pbesti-xi k)+c2rand(0,1)(gbesti-xi k)
式中:Vid k为粒子i第k次迭代的速度;Vid k为粒子i第k-1次迭代的速度;w为惯性权重因子;c1和c2为学习因子;pbesti为粒子i的个体极值;gbesti为粒子i的全局极值;xi k为粒子i第k次迭代的位置。
式中:Tmax为最大迭代次数,wmax为初始惯性权重,wmin为达到最大迭代次数时的惯性权重,wmin=0.4,wmax=0.9,k为当前迭代次数。
xi k=xi k-1+Vid k
式中:xi k-1为粒子i第k-1次迭代的位置;xi k为粒子i第k次迭代的位置;Vid k为粒子i第k次迭代的速度。
步骤7.4:达到最大迭代次数或满足最小界限要求时,算法结束,得到模型的求解结果。
上面对本发明的实施方式做了详细说明,本发明的适用范围广,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种面向风电消纳的多阶段场景生成电热系统优化调度方法,其特征在于,包括如下步骤:
步骤1:获取电热系统中日前电、热负荷预测值,以及火电机组、电热联产机组等设备的技术参数;
步骤2:用韦伯分布描述风速,得到各情景下的概率分布和各风速下的风力发电出力;
步骤3:采用蒙特卡洛法和轮盘赌选择机制进行场景生成和削减进行风电情景生成;
步骤4:建立以电量比例确立的实时电价,构建日内需求响应模型;
步骤5:建立随弃风量增加,成本增加的动态弃风惩罚项;
步骤6:构建系统的多阶段调度策略,日前调度主要通过调节常规机组和CHP机组进行风电最大化消纳,日内调度通过蓄热式电锅炉和基于电量设立的日内需求响应模型进行调度,实时市场的不平衡电量通过储电装置和机组的调节平衡。构建以系统总成本最低,弃风量最小的目标函数;
步骤7:由动态权重粒子群算法对目标函数进行优化求解,输出系统各控制变量优化值。
3.根据权利要求1所述的一种面向风电消纳的多阶段电热系统优化调度方法,其特征在于,步骤3中采用蒙特卡洛法和轮盘赌选择机制(Roulette wheel mechanism,RWM)进行随机自适应风电情景的生成;
步骤3.:每个时段,用蒙特卡洛法随机生成M个日前风电预测场景;
步骤3.2:将风电概率密度函数分段得到各情景发生的概率proi;
步骤3.3:用轮盘赌选择机制生成N个日前风电场景,并得到相应的概率;
步骤3.4:日内和实时风电出力由对日前的风电进行误差生成,由蒙特卡洛和轮盘赌选择机制生成场景,并重新计算各场景在新生成场景中发生的概率。
4.根据权利要求1所述的一种面向风电消纳的多阶段电热系统优化调度方法,其特征在于,步骤4中建立以电量比例确立的实时电价,构建日内需求响应模型;具体包括:
步骤4.1:日前电价为定值,无需求响应的参与,日内电价根据实时电量的比例制定,一天平均电量的计算为:
式中:Dave为一天内的平均电量,Dall为一天内的总电量,Dt为t时刻电量;
步骤4.2:各时刻电价的制定:
式中:Lave为日前的电价均值,Lt为t时刻电价;
步骤4.3:计算各时刻弹性系数生成电价弹性矩阵:
式中:ΔLi为实行分时电价前后i时段用户的电价变化值;ΔDi为实行分时电价前后i时段用户的用电量变化值;
步骤4.4:计算用户需求响应量:
式中:D1'为经过分时电价响应后时段1的负荷;
D1为执行分时电价响应前时段1的原始负荷。
6.根据权利要求1所述的一种面向风电消纳的多阶段电热系统优化调度方法,其特征在于,步骤6中构建系统的多阶段调度策略,日前调度主要通过调节常规机组和CHP机组进行风电最大化消纳,日内调度通过蓄热式电锅炉和基于电量设立的日内需求响应模型进行调度,实时市场的不平衡电量通过储电装置和机组的调节平衡。构建以系统总成本最低,弃风量最小的目标函数;具体包括:
步骤6.1:目标函数为最小化调度用能成本和弃风惩罚成本;
式中:E为通过每个场景获得的不同期望值乘积及相关场景发生的概率总和来计算得到的期望值;CCHP,t为系统内CHP机组t时刻的发电成本,Cc,t为常规热电厂t时刻的发电成本,Ccd,t为储能电池t时刻的退化成本,Cti,t为t时刻实时机组出力的调节成本,fw,t为弃风惩罚成本;
步骤6.2:CHP机组的成本函数为:
式中:PCHP,i,t为热电联产机组i在t时刻的发电功率,HCHP,i,t为热电联产机组i在t时刻热功率,a,b,c,d,e,f为成本函数的各项系数;
步骤6.3:常规热电厂的成本函数为:
式中:Pc,j,t为常规机组j在t时刻的发电功率,α,β,γ为机组发电的二次项、一次项、常数项系数;
步骤6.4:蓄热式电锅炉的成本函数:
式中:dt为t时刻的电费,Pcr,o,t为蓄热式电锅炉o在t时刻的用电量;
步骤6.5:储能电池的退化成本为:
式中:ei deg为单位电量储能i的退化成本,ηi b,c为储能i的充电效率,Pb,c i,t,s为t时刻储能i的充电量,Pb,d i,t,s为t时刻储能i的放电量,ηi b,d为储能的放电效率;
步骤6.6:实时机组出力的调节成本为:
式中:Ppre c,j,t为常规机组j日前出力,Pact c,j,t为常规机组j实时出力,λ为常规机组调节单位电量的成本。
7.根据权利要求1所述的一种面向风电消纳的多阶段电热系统优化调度方法,其特征在于,步骤7中由动态权重粒子群算法对目标函数进行优化求解,输出系统各控制变量优化值,具体包括:
步骤7.1:对种群内各变量进行初始化,设置粒子各参数;
步骤7.2:计算各微粒适应值,更新个体和全局最优值;
步骤7.3:根据动态惯性权重更新微粒速度和位置:
Vid k=wkVid k-1+c1rand(0,1)(pbesti-xi k)+c2rand(0,1)(gbesti-xi k)
式中:Vid k为粒子i第k次迭代的速度;Vid k为粒子i第k-1次迭代的速度;w为惯性权重因子;c1和c2为学习因子;pbesti为粒子i的个体极值;gbesti为粒子i的全局极值;xi k为粒子i第k次迭代的位置;
式中:Tmax为最大迭代次数,wmax为初始惯性权重,wmin为达到最大迭代次数时的惯性权重,wmin=0.4,wmax=0.9,k为当前迭代次数;
xi k=xi k-1+Vid k
式中:xi k-1为粒子i第k-1次迭代的位置;xi k为粒子i第k次迭代的位置;Vid k为粒子i第k次迭代的速度;
步骤7.4:达到最大迭代次数或满足最小界限要求时,算法结束,得到系统各元件出力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045512.9A CN110796373B (zh) | 2019-10-30 | 2019-10-30 | 面向风电消纳的多阶段场景生成电热系统优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045512.9A CN110796373B (zh) | 2019-10-30 | 2019-10-30 | 面向风电消纳的多阶段场景生成电热系统优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796373A true CN110796373A (zh) | 2020-02-14 |
CN110796373B CN110796373B (zh) | 2023-06-02 |
Family
ID=69442210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911045512.9A Active CN110796373B (zh) | 2019-10-30 | 2019-10-30 | 面向风电消纳的多阶段场景生成电热系统优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796373B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源系统两阶段调度方法及系统 |
CN112467730A (zh) * | 2020-11-19 | 2021-03-09 | 国网四川省电力公司经济技术研究院 | 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法 |
CN112668791A (zh) * | 2020-12-30 | 2021-04-16 | 华北电力大学(保定) | 热电联供系统的优化方法 |
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 |
CN114912647A (zh) * | 2021-02-07 | 2022-08-16 | 富士通株式会社 | 用于决定决策的装置、方法和机器可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170170B (zh) * | 2011-04-02 | 2013-02-13 | 清华大学 | 消纳风电接入的大电网调度滚动计划方法 |
CN102184468A (zh) * | 2011-04-27 | 2011-09-14 | 国电南瑞科技股份有限公司 | 间歇性能源发电有功调度方法 |
CN106485352B (zh) * | 2016-09-30 | 2019-06-25 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法 |
CN108808659B (zh) * | 2018-06-05 | 2021-03-09 | 国网吉林省电力有限公司 | 风电消纳综合能源系统的协调优化控制及经济性评估方法 |
-
2019
- 2019-10-30 CN CN201911045512.9A patent/CN110796373B/zh active Active
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291942A (zh) * | 2020-03-05 | 2020-06-16 | 燕山大学 | 一种考虑需求响应的综合能源系统两阶段调度方法及系统 |
CN111291942B (zh) * | 2020-03-05 | 2023-09-26 | 燕山大学 | 一种考虑需求响应的综合能源系统两阶段调度方法及系统 |
CN112467730A (zh) * | 2020-11-19 | 2021-03-09 | 国网四川省电力公司经济技术研究院 | 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法 |
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 |
CN112668791A (zh) * | 2020-12-30 | 2021-04-16 | 华北电力大学(保定) | 热电联供系统的优化方法 |
CN114912647A (zh) * | 2021-02-07 | 2022-08-16 | 富士通株式会社 | 用于决定决策的装置、方法和机器可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110796373B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069734B (zh) | 一种电热泵-热电联合系统的优化调控方法及系统 | |
CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
CN110796373B (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN109634119B (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
CN107800153B (zh) | 一种电蓄热消纳风电的电热能量滚动鲁棒调度方法 | |
CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
CN110245794B (zh) | 考虑灵活性的多能源汇集中心火储容量双层优化方法 | |
CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN110829408A (zh) | 基于发电成本约束的计及储能电力系统的多域调度方法 | |
CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN105391092A (zh) | 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN104616071B (zh) | 一种风光储互补发电系统优化配置方法 | |
CN111585279A (zh) | 一种基于新能源消纳的微电网优化调度方法 | |
CN115187018A (zh) | 一种园区综合能源系统双层优化调度方法及装置 | |
CN108182487A (zh) | 基于粒子群优化和本德尔分解的家庭能量数据优化方法 |
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 |