CN110826806A - 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法 - Google Patents

一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法 Download PDF

Info

Publication number
CN110826806A
CN110826806A CN201911081826.4A CN201911081826A CN110826806A CN 110826806 A CN110826806 A CN 110826806A CN 201911081826 A CN201911081826 A CN 201911081826A CN 110826806 A CN110826806 A CN 110826806A
Authority
CN
China
Prior art keywords
hydropower station
reservoir
time period
beginning
period
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
CN201911081826.4A
Other languages
English (en)
Other versions
CN110826806B (zh
Inventor
武新宇
陈晓兵
程春田
吴剑峰
张政
黄馗
张行
王荣欣
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.)
Dalian University of Technology
Guangxi Power Grid Co Ltd
Original Assignee
Dalian University of Technology
Guangxi 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 Dalian University of Technology, Guangxi Power Grid Co Ltd filed Critical Dalian University of Technology
Priority to CN201911081826.4A priority Critical patent/CN110826806B/zh
Publication of CN110826806A publication Critical patent/CN110826806A/zh
Application granted granted Critical
Publication of CN110826806B publication Critical patent/CN110826806B/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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于水电站优化调度领域，涉及一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法。本发明将梯级水电站的调度规则制定以两阶段实现：首先采用聚合水库抽样随机动态规划进行梯级蓄能调度图的优化，并将结果作为模拟优化的初始解；在初始解附近给调度规则曲线需优化的点限定一个较小的可行区间；在可行区间内采用遗传算法进行模拟优化调度规则的求解。该方法克服了大可行域内优化调度规则的计算困难，同时在聚合水库抽样随机动态规划结果附近寻优保证了求解质量，能够在较短时间内得到梯级水电站调度规则的满意结果，应用效果显著优于常规方法。

Description

一种结合聚合水库和模拟优化的梯级水电站优化调度规则制 定方法
技术领域
本发明属于水电站优化调度领域，涉及一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法。
背景技术
梯级水电站的调度规则对于提高水能利用率和发电效益具有重要作用。受限于水电站随机动态规划的维数问题，对于大规模梯级水电站群，经常采用基于蓄能调度图和负荷分配的模拟优化方法制定其调度规则。在模拟优化模型中，常以调度规则曲线上关键点的位置作为优化变量，求解方法通常为具有全局优化能力的遗传算法等智能优化方法。由于这些关键点位置变化范围很大，同时可行域有交叉，在其整个可行域内寻优需要遗传算法具有很大的种群规模和很长的进化代数，而这在实践中难以实现，因为目标函数的计算需要对历史径流序列进行模拟得到，并需要复杂的水电站负荷分配计算，因此需要计算量极大。
发明内容
为解决上述问题，本发明提供一种结合聚合水库和模拟优化的水电站优化调度规则制定方法。本发明将梯级水电站的调度规则制定以两阶段实现：首先采用聚合水库抽样随机动态规划进行梯级蓄能调度图的优化，并将结果作为模拟优化的初始解；在初始解附近给调度规则曲线需优化的点限定一个较小的可行区间；在可行区间内采用遗传算法进行模拟优化调度规则的求解。
本发明的技术方案：
一种结合聚合水库和模拟优化的水电站优化调度规则制定方法，步骤如下：
步骤1.聚合水库抽样随机动态规划阶段
以梯级蓄能作为状态变量，构建聚合水库抽样随机动态规划模型，如式(1)-(3)：
Figure BDA0002264210780000011
ft,n(SEt)＝[Bt,n(SEt,Pt)+gt+1,n(SEt+1)] (2)
Figure BDA0002264210780000012
其中，SEt为梯级水电站在t时段初的蓄能；N为年径流序列抽样数目；ft,n(SEt)为t时段初在第n种径流抽样下的效益；Ft(SEt)为t时段初SEt下的目标函数；Bt,n(SEt,Pt)为t时段初径流抽样t、SEt状态下，梯级总出力决策为Pt时的局部效益函数；gt+1,n(SEt+1)为t时段末状态为SEt+1时的余留期效益函数；T0为一年内时段数，以月为时段时，T0＝12；n0为径流抽样编号。
蓄能SEt按照式(4)计算：
Figure BDA0002264210780000021
其中，M为梯级中水电站数目；em为水电站m发电系数；
Figure BDA0002264210780000022
为水电站m在t时段初的蓄水量；
Figure BDA0002264210780000023
为水电站m在t时段初的蓄水量下限；
Figure BDA0002264210780000024
为
Figure BDA0002264210780000025
以上水量
Figure BDA0002264210780000026
的重心高度；
Figure BDA0002264210780000027
为由库容
Figure BDA0002264210780000028
计算库水位的函数；
Figure BDA0002264210780000029
为以库水位计算平均发电水头的函数。
由于不同的库水位组合有可能具有同样的蓄能，设定各水库同步蓄放水，即在所有时间里各水库蓄水量与其最大蓄水量的比值相同。此时，该模型求解方法与单库抽样随机动态规划相同，即由最后一个时段向前，依次求解各状态下的最优决策和最优效益，反复若干次至得到稳定决策为止，得到梯级的初始蓄能调度规则。
由于各水库同步蓄放水假设，该模型中得到的为近似最优解，同时不能考虑各水库最小出库流量约束，但可以考虑梯级总出力下限约束，则
Figure BDA00022642107800000210
其中，
Figure BDA00022642107800000211
为电站m在t时段的发电量，P为梯级保证出力，a为惩罚系数。
步骤2.模拟优化模型构建
在历史径流序列上，构建模拟优化模型如下：
Figure BDA00022642107800000212
Figure BDA00022642107800000213
Figure BDA00022642107800000214
Figure BDA00022642107800000215
Figure BDA00022642107800000216
Figure BDA00022642107800000217
Figure BDA00022642107800000218
其中，R为需要优化的水电站调度规则；F为目标函数；T为历史径流序列时段数；
Figure BDA0002264210780000031
和
Figure BDA0002264210780000032
为水电站m在t时段初和t时段末的库水位；
Figure BDA0002264210780000033
为水电站m在t时段下游平均水位；为水电站m在t时段初的入库水量；
Figure BDA0002264210780000035
为水电站m在t时段初的出库水量，包括发电水量
Figure BDA0002264210780000036
和弃水量；为水电站m在t时段初的蓄水量及其上限、下限；为水电站m在t时段初的出力和平均出力；
Figure BDA0002264210780000039
为水电站m在t时段初的出库流量下限；其他变量定义与前面相同。
在时段t以附图1表示调度规则，附图1中
Figure BDA00022642107800000310
为蓄能上限，SE1,t、SE2,t、SE3,t、SE4,t为待求解变量，因此在以月为时段时R中共有48个待求解变量。
步骤3.求解模拟优化模型
步骤2中构建的模型有多种求解方法，本发明采用遗传算法，设定
Figure BDA00022642107800000311
i＝1、2、3、4，其中，SE0i,t为步骤1中采用聚合水库抽样随机动态规划计算的结果中时段t第i个变量的值，
Figure BDA00022642107800000312
为限定变量SEi,t取值范围的步长。
在求解过程中，遗传算法个体适应值采用模拟调度计算，计算中在每个时段以SE1,t、SE2,t、SE3,t、SE4,t定义的规则曲线确定梯级总出力，其中t＝1,2,…,12；以
Figure BDA00022642107800000313
为目标进行梯级水电站间的负荷分配，其中，
Figure BDA00022642107800000314
为各水电站m在t时段末蓄水量为
Figure BDA00022642107800000315
时，由t时段末至水库放空或蓄满时的平均发电水头，
Figure BDA00022642107800000316
为同一时期发电用水量的期望值。
在模拟优化中，需考虑最小出库流量约束，则目标函数为：
Figure BDA00022642107800000317
其中，
Figure BDA00022642107800000318
为水电站m在t时段初的出库流量及其下限，b为惩罚系数。
本发明的有益效果：本发明的方法克服了大可行域内优化调度规则的计算困难，同时在聚合水库抽样随机动态规划结果附近寻优保证了求解质量，能够在较短时间内得到梯级水电站调度规则的满意结果，应用效果显著优于常规方法。
附图说明
图1是已有的调度规则示意图；
图2是实施例中一月份调度规则优化结果；
图3是实施例中二月份调度规则优化结果；
图4是实施例中三月份调度规则优化结果；
图5是实施例中四月份调度规则优化结果；
图6是实施例中五月份调度规则优化结果；
图7是实施例中六月份调度规则优化结果；
图8是实施例中七月份调度规则优化结果；
图9是实施例中八月份调度规则优化结果；
图10是实施例中九月份调度规则优化结果；
图11是实施例中十月份调度规则优化结果；
图12是实施例中十一月份调度规则优化结果；
图13是实施例中十二月份调度规则优化结果。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
采用发明内容中的步骤1-步骤3，以红水河流域天生桥一级、天生桥二级、平班、龙滩、岩滩五座水电站构成的梯级为实例，进行本发明的实施。红水河流域位于东经104°～111°、北纬22°～25°之间，流域西面以横断山脉与流入越南的红河分水，流域北面为乌蒙山脉，与长江流域的乌江及金沙江分水。红水河是珠江水系西江的干流，其源头为云南马雄山。南盘江流经广西西林、田林与贵州的兴义、册亨等地流至望谟县与北面而来的北盘江相汇后称红水河，最终汇入珠江。红水河流域(自清水江口至梧州段)尤其是干流上的水电站是广西电网的主要电源点，也是电网中重要的调峰电源，对电网的稳定运行、安全起着至关重要的作用，并且也肩负着西电东送工程的重要任务，对广东的经济发展也有很大地作用。本专利实施相关的红水河流域梯级水电站具体特性见表1。
表1红水河流域梯级水电站特性表
Figure BDA0002264210780000041
本实施例的梯级水电站中，天生桥一级、龙滩具有多年调节能力，为主要长期调节水库，其它为日调节水库。天生桥一级、天生桥二级、龙滩同时向广东、广西送电，平班、岩滩向广西送电。在红水河梯级水电站的长期发电调度中，如何利用天生桥一级、龙滩的调节能力，提高枯期补偿能力，减少汛期弃水，提高梯级水能利用率具有重要意义。
在实施中，首先要确定算法参数，本发明在遗传算法求解中采用两点交叉、基于排序的选择和非均匀变异算子，种群规模100，进化代数100，惩罚函数中采用a＝100，b＝10。图2-图13为一到十二月采用本发明方法和常规方法的规则曲线对比，可见由于本发明采用抽样聚合随机动态规划获得了初始解，并以其为基础设定了各优化变量的寻优区间，从而大大减小了可行域，便于采用小规模遗传算法求解。
采用本发明方法得到的调度规则模拟时，发电量2091TWh，最小出力2373MW，考虑惩罚时的目标函数为1.759ⅹ109。而在只采用常规方法，即只进行一个阶段模拟优化，不通过步骤1计算初始解和限制可行区间时，发电量2073TWh，最小出力2158MW，考虑惩罚时的目标函数为1.615ⅹ109。可见，本发明的方法全面由于常规的梯级水电站调度规则优化方法，可显著提高发电效益。

Claims (1)

1.一种结合聚合水库和模拟优化的水电站优化调度规则制定方法，其特征在于，步骤如下：
步骤1.聚合水库抽样随机动态规划阶段
以梯级蓄能作为状态变量，构建聚合水库抽样随机动态规划模型，如式(1)-(3)：
Figure FDA0002264210770000011
ft,n(SEt)＝[Bt,n(SEt,Pt)+gt+1,n(SEt+1)] (2)
Figure FDA0002264210770000012
其中，SEt为梯级水电站在t时段初的蓄能；N为年径流序列抽样数目；ft,n(SEt)为t时段初在第n种径流抽样下的效益；Ft(SEt)为t时段初SEt下的目标函数；Bt,n(SEt,Pt)为t时段初径流抽样t、SEt状态下，梯级总出力决策为Pt时的局部效益函数；gt+1,n(SEt+1)为t时段末状态为SEt+1时的余留期效益函数；T0为一年内时段数，以月为时段时，T0＝12；n0为径流抽样编号；
蓄能SEt按照式(4)计算：
Figure FDA0002264210770000013
其中，M为梯级中水电站数目；em为水电站m发电系数；
Figure FDA0002264210770000014
为水电站m在t时段初的蓄水量；
Figure FDA0002264210770000015
为水电站m在t时段初的蓄水量下限；
Figure FDA0002264210770000016
为
Figure FDA0002264210770000017
以上水量的重心高度；
Figure FDA0002264210770000019
为由库容
Figure FDA00022642107700000110
计算库水位的函数；
Figure FDA00022642107700000111
为以库水位计算平均发电水头的函数；
模型求解方法与单库抽样随机动态规划相同，即由最后一个时段向前，依次求解各状态下的最优决策和最优效益，反复若干次至得到稳定决策为止，得到梯级的初始蓄能调度规则；
考虑梯级总出力下限约束，则
Figure FDA00022642107700000112
其中，
Figure FDA00022642107700000113
为电站m在t时段的发电量，P为梯级保证出力，a为惩罚系数；
步骤2.模拟优化模型构建
在历史径流序列上，构建模拟优化模型如下：
Figure FDA0002264210770000022
Figure FDA0002264210770000023
Figure FDA0002264210770000024
Figure FDA0002264210770000025
其中，R为需要优化的水电站调度规则；F为目标函数；T为历史径流序列时段数；
Figure FDA0002264210770000028
和
Figure FDA0002264210770000029
为水电站m在t时段初和t时段末的库水位；
Figure FDA00022642107700000210
为水电站m在t时段下游平均水位；
Figure FDA00022642107700000211
为水电站m在t时段初的入库水量；
Figure FDA00022642107700000212
为水电站m在t时段初的出库水量，包括发电水量
Figure FDA00022642107700000213
和弃水量；为水电站m在t时段初的蓄水量及其上限、下限；为水电站m在t时段初的出力和平均出力；
Figure FDA00022642107700000216
为水电站m在t时段初的出库流量下限；
步骤3.求解模拟优化模型
采用遗传算法，设定
Figure FDA00022642107700000217
其中，SE0i,t为步骤1中采用聚合水库抽样随机动态规划计算的结果中时段t第i个变量的值，为限定变量SEi,t取值范围的步长；
在求解过程中，遗传算法个体适应值采用模拟调度计算，计算中在每个时段以SE1,t、SE2,t、SE3,t、SE4,t定义的规则曲线确定梯级总出力，其中t＝1,2,…,12；以
Figure FDA00022642107700000219
为目标进行梯级水电站间的负荷分配，其中，
Figure FDA00022642107700000220
为各水电站m在t时段末蓄水量为时，由t时段末至水库放空或蓄满时的平均发电水头，
Figure FDA00022642107700000222
为同一时期发电用水量的期望值；
在模拟优化中，需考虑最小出库流量约束，则目标函数为：
Figure FDA00022642107700000223
其中，
Figure FDA00022642107700000224
为水电站m在t时段初的出库流量及其下限，b为惩罚系数。
CN201911081826.4A 2019-11-07 2019-11-07 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法 Active CN110826806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911081826.4A CN110826806B (zh) 2019-11-07 2019-11-07 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911081826.4A CN110826806B (zh) 2019-11-07 2019-11-07 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法

Publications (2)

Publication Number Publication Date
CN110826806A true CN110826806A (zh) 2020-02-21
CN110826806B CN110826806B (zh) 2022-09-02

Family

ID=69553183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911081826.4A Active CN110826806B (zh) 2019-11-07 2019-11-07 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法

Country Status (1)

Country Link
CN (1) CN110826806B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722709A (zh) * 2022-04-11 2022-07-08 武汉大学 兼顾发电量和最小出力的梯级水库群优化调度方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869070A (zh) * 2016-04-06 2016-08-17 大连理工大学 一种跨流域梯级水电站群效益均衡的合作优化调度方法
KR101718522B1 (ko) * 2016-03-28 2017-03-21 주식회사 지오그린21 청정 지하저수지 적합지 선정 시스템과 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101718522B1 (ko) * 2016-03-28 2017-03-21 주식회사 지오그린21 청정 지하저수지 적합지 선정 시스템과 그 방법
CN105869070A (zh) * 2016-04-06 2016-08-17 大连理工大学 一种跨流域梯级水电站群效益均衡的合作优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINYU WU 等: "Stochastic dynamic programming for hydropower reservoir operations with multiple local optima", 《JOURNAL OF HYDROLOGY》 *
周研来 等: "梯级水库汛限水位动态控制", 《水力发电学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722709A (zh) * 2022-04-11 2022-07-08 武汉大学 兼顾发电量和最小出力的梯级水库群优化调度方法及系统
CN114722709B (zh) * 2022-04-11 2024-02-09 武汉大学 兼顾发电量和最小出力的梯级水库群优化调度方法及系统

Also Published As

Publication number Publication date
CN110826806B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Jiang et al. Multi-stage progressive optimality algorithm and its application in energy storage operation chart optimization of cascade reservoirs
CN106951985B (zh) 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法
CN105869070B (zh) 一种跨流域梯级水电站群效益均衡的合作优化调度方法
CN106682810B (zh) 巨型水电站动态投产下跨流域梯级水电站群长期运行方法
CN104063808B (zh) 一种跨省送电梯级水电站群调峰调度两阶段搜索方法
WO2019006733A1 (zh) 一种跨省互联水电站群长期联合调峰调度方法
CN102855591B (zh) 梯级水库群短期联合发电优化调度方法及系统
CN104166887B (zh) 一种梯级水电站群联合优化调度的正交离散微分动态规划方法
CN107563538B (zh) 大电网平台下的面向关键水位控制的多目标水库群调度优化方法
CN104268653B (zh) 基于集束径流预报的梯级水库优化调度方法
CN104239980B (zh) 一种梯级水电站群短期优化调度方法
CN107274302A (zh) 一种跨省互联水电站群长期联合调峰调度方法
CN105552971B (zh) 小水电与大中型水电站群协调优化的分区消纳方法
CN111080157B (zh) 一种梯级水电站排磷量的调度方法和系统
CN101714186A (zh) 兼顾人类和生态需求的供水型水库调度图优化确定方法
CN114722709B (zh) 兼顾发电量和最小出力的梯级水库群优化调度方法及系统
CN115099477B (zh) 一种水库旱限水位优化及抗旱调度方法
CN106570579A (zh) 一种基于改进量子粒子群算法的水火电经济调度方法
Jiang et al. Research and application of key technologies in drawing energy storage operation chart by discriminant coefficient method
CN112581310A (zh) 梯级水电站群发电指标分配方法
CN110826806B (zh) 一种结合聚合水库和模拟优化的梯级水电站优化调度规则制定方法
CN104636831B (zh) 一种面向多电网的水电站短期调峰特征值搜索方法
CN114239992A (zh) 一种水库动态汛限水位制定方法
Zhang et al. Self-optimization simulation model of short-term cascaded hydroelectric system dispatching based on the daily load curve
CN116796990A (zh) 不确定电价条件下梯级水库汛前水位消落控制方法

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