CN110829410A - 一种基于区域分解迭代的新能源消纳时序仿真方法 - Google Patents
一种基于区域分解迭代的新能源消纳时序仿真方法 Download PDFInfo
- Publication number
- CN110829410A CN110829410A CN201910957984.5A CN201910957984A CN110829410A CN 110829410 A CN110829410 A CN 110829410A CN 201910957984 A CN201910957984 A CN 201910957984A CN 110829410 A CN110829410 A CN 110829410A
- Authority
- CN
- China
- Prior art keywords
- power
- unit
- grid
- photovoltaic
- variables
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005265 energy consumption Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000010248 power generation Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000005192 partition Methods 0.000 claims abstract description 13
- 238000004146 energy storage Methods 0.000 claims description 33
- 238000010977 unit operation Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明是一种基于区域分解迭代的新能源消纳时序仿真方法。通过构建区域电网分区仿真模拟混合整数优化模型和全网仿真模拟线性优化模型，进行优化计算获取分区发电机组运行状态；并基于分区机组运行状态优化结果，优化计算区域联络线传输功率和新能源发电功率；最后，在区域电网分区仿真模拟混合整数优化模型和全全网仿真模拟线性优化模型间进行迭代优化计算，获得最优的新能源消纳结果。确定了基于区域分解迭代的新能源消纳时序仿真基本原理，并提出了对应详细的可由计算机实现的建模及优化计算步骤，能够提供一种适应分布式计算的新能源消纳时序仿真方法，使得计算效率更高、计算速度更快、更适应大规模数据计算。
Description
技术领域
本发明属于供电技术领域，是一种基于区域分解迭代的新能源消纳时序仿真方法。
背景技术
过度依赖化石燃料的能源供给模式带来了资源紧张、气候变化和环境污染的全球性问题，人类的可持续发展面临严峻的挑战。基于可持续发展战略，我国政府高度重视开发利用新能源，把新能源开发利用作为改善能源结构、推动环境保护、保持经济和社会可持续发展的重大举措，并将风力发电和光伏发电作为新能源开发和利用的主要方式之一。由于我国风能资源丰富，风电发展迅速，随着风电接入容量的增加，使得电网受风电的影响范围更广、影响程度更大。风电的快速发展和电网的风电消纳能力之间的矛盾日益突出。大规模的风力发电集中接入电网，对于电网的规划、发展与稳定运行都提出了新的挑战，大规模风力发电的消纳就成为了需要迫切解决的问题。
构建新能源消纳时序仿真方法及其模型，是进一步对电网及其关键节点接纳风电能力进行研究与评价的基础，是电网面临的重要问题，能够为量化评估电网新能源发电接纳能力、新能源规划的经济性和合理性，为电网公司提供新能源规划发展的理论依据。然而，目前相关新能源消纳仿真方法尚未考虑到电网分区特性和优化计算的效率的协调，还无法适应大规模电力系统的优化计算和分析。
因此，本专利提出了一种能够适应计算机分布式计算、计算速度更快、计算效率更高、更适应大规模数据计算的新能源消纳时序仿真方法。
发明内容
本发明所要解决的技术问题是：克服现有技术的缺点，提供一种基于区域分解迭代的新能源消纳时序仿真方法，使得计算效率更高、计算速度更快，也同时更适应大规模数据计算。
本发明解决技术问题采用的方案是：一种基于区域分解迭代的新能源消纳时序仿真方法，其特征是，包括以下步骤：
1)建立区域电网分区仿真模拟混合整数(MIP)优化模型(以下简称模型1)和全网仿真模拟线性(LP)优化模型(以下简称模型2)：
⑴区域电网分区仿真模拟混合整数(MIP)优化模型
①目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率，pnu(t，j)、pco(t，j)和pgas(t，j)分别表示核电、燃气和燃煤火电机组的发电并网功率；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)和Ogas(j)分别表示核电、燃气和燃煤火电机组的单位运行成本；
②约束条件
a)分区电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Eload(t，c)为各区域电网负荷，Eline(t，c，c)为区域联络线传输功率；
b)机组出力约束
x(n，t，j)·Emin(j)≤p(t，j)≤x(n，t，j)·Emax(j) (3)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (4)
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
c)储能约束
a(n，t，j)+b(n，t，j)＝1 (5)
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (6)
式中：
待求变量：a(n，t，j)和b(n，t，j)分别表示储能设备蓄、放电状态，ees(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，
为储能装置的最大、最小蓄电功率，
为最大、最小放电功率；
d)机组启停逻辑约束
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；y(n，t，j)为常规机组的启机状态，0表示未启机，1表示正在启机；z(n，t，j)为常规机组的停机状态，0表示未启机，1表示正在停机；
e)风电、光伏可获得功率约束
0≤pw(t，c)≤Ewmax(t，c) (9)
0≤pp(t，c)≤Epmax(t，c) (10)
式中：
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Ewmax(t，c)为风电最大约束功率，Epmax(t，c)为光伏最大约束功率；
(2)全网仿真模拟线性(LP)优化模型
①目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率，pnu(t，j)、pco(t，j)、pgas(t，j)和ph(t，j)分别表示核电、燃气、燃煤火电机组和水电机组的发电并网功率；pgrid(n)表示目标值全网等效新能源消纳量；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)、Ogas(j)和Oh(j)分别表示核电、燃气、燃煤火电机组和水电机组的单位运行成本；
②约束条件
a电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(n，t，c)和pp(n，t，c)分别表示风电和光伏的发电并网功率，pline(n，t，c，c)为区域间联络线传输功率；
已知参数：Eload(t，c)为各区域电网负荷；
b机组出力约束
X(t，j)·Emin(j)≤p(t，j)≤X(t，j)·Emax(j) (13)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (14)
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；
c储能约束
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (15)
式中：
待求变量：ees(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，
为储能装置的最大、最小蓄电功率，
为最大、最小放电功率，A(t，j)和B(t，j)分别为根据步骤(1)已经优化求得的储能设备蓄、放电状态；
d旋转备用约束
式中：
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；Eload(t，c)为各区域电网负荷，ER、EN为全网需求的正旋转备用功率和负旋转备用功率，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
e风电、光伏可获得功率约束
0≤pw(n，t，c)≤Ewa(t，c) (19)
0≤pp(n，t，c)≤Epa(t，c) (20)
其中：
待求变量：pw(n，t，c)和pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：Ewa(t，c)为风电理论可获得功率；Epa(t，c)为光伏理论可获得功率；
2)根据实际电网数据，输入步骤1)的(1)区域电网分区仿真模拟混合整数(MIP)优化模型中已知参数的值，利用计算机对1，…c，…，C共C个区域电网分区仿真模拟混合整数(MIP)优化模型进行并行计算，获得各机组启停机状态变量x，y，z的优化解；
3)根据实际电网数据和步骤2)中获得的各机组启停机状态变量x，y，z的优化解，输入步骤1)的(2)全网仿真模拟线性(LP)优化模型已知参数的值，利用计算机对全网仿真模拟线性(LP)优化模型进行计算，获得区域间联络线传输功率pline(n，t，c，c)、风电发电功率pw(n，t，c)、光伏发电功率pp(n，t，c)的优化解；
4)通过计算机编程按照公式(21)进行符合性判断，“是”进入步骤6结束整个优化计算过程，否则进入步骤5；
ε＝|pgrid(n)-pgrid(n-1)|＜0.1 (21)
式中：
ε表示偏差；
pgrid(n)，表示目标值全网等效新能源消纳量；
5)将步骤3中求出的区域间联络线传输功率pline(n,t,c,c)、风电发电功率pw(n,t,c)、光伏发电功率pp(t,c)优化解的值，分别赋值给区域电网分区仿真模拟混合整数(MIP)优化模型中的已知参数Eline(t,c,c)、Ewmax(t,c)和Epmax(t,c)，并重新从步骤2开始执行，进行第n+1次迭代计算；
6)结束整个优化计算过程。
本发明的有益效果是：其确定了基于区域分解迭代的新能源消纳时序仿真基本原理，并提出了对应详细的可由计算机实现的建模及优化计算步骤。该发明能够提供一种适应分布式计算的新能源消纳时序仿真方法，使得计算效率更高、计算速度更快、更适应大规模数据计算。
附图说明
图1为本发明的流程图；
图2为本发明的新能源消纳曲线的对比图。
具体实施方式
下面结合实施例对本发明进一步说明。
参见图1-图2，实施例1,本实施例作为对照例，采用现有技术的电力系统电力平衡方法和模型，计算求得以下数据：
计算时间为1095.667s，内存为2245448k bit，其新能源消纳总量为30625153MWh。
参见图1-图2，实施例2,本实施例的基于时空分解的全球能源互联电力平衡优化方法，包括以下步骤：
1)建立区域电网分区仿真模拟混合整数(MIP)优化模型和全网仿真模拟线性(LP)优化模型：
⑴区域电网分区仿真模拟混合整数(MIP)优化模型
③目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率，pnu(t，j)、pco(t，j)和pgas(t，j)分别表示核电、燃气和燃煤火电机组的发电并网功率；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)和Ogas(j)分别表示核电、燃气和燃煤火电机组的单位运行成本；
④约束条件
a)分区电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Eload(t，c)为各区域电网负荷，Eline(t，c，c)为区域联络线传输功率；
b)机组出力约束
x(n，t，j)·Emin(j)≤p(t，j)≤x(n，t，j)·Emax(j) (3)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (4)
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
c)储能约束
a(n，t，j)+b(n，t，j)＝1 (5)
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (6)
式中：
待求变量：a(n，t，j)和b(n，t，j)分别表示储能设备蓄、放电状态，ees(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，
为储能装置的最大、最小蓄电功率，
为最大、最小放电功率；
d)机组启停逻辑约束
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；y(n，t，j)为常规机组的启机状态，0表示未启机，1表示正在启机；z(n，t，j)为常规机组的停机状态，0表示未启机，1表示正在停机；
e)风电、光伏可获得功率约束
0≤pw(t，c)≤Ewmax(t，c) (9)
0≤pp(t，c)≤Epmax(t，c) (10)
式中：
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Ewmax(t，c)为风电最大约束功率，Epmax(t，c)为光伏最大约束功率；
(2)全网仿真模拟线性(LP)优化模型
②目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率，pnu(t，j)、pco(t，j)、pgas(t，j)和ph(t，j)分别表示核电、燃气、燃煤火电机组和水电机组的发电并网功率；pgrid(n)表示目标值全网等效新能源消纳量；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)、Ogas(j)和Oh(j)分别表示核电、燃气、燃煤火电机组和水电机组的单位运行成本；
②约束条件
a电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(n，t，c)和pp(n，t，c)分别表示风电和光伏的发电并网功率，pline(n，t，c，c)为区域间联络线传输功率；
已知参数：Eload(t，c)为各区域电网负荷；
b机组出力约束
X(t，j)·Emin(j)≤p(t，j)≤X(t，j)·Emax(j) (13)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (14)
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；
c储能约束
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (15)
式中：
待求变量：ees(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，为储能装置的最大、最小蓄电功率，为最大、最小放电功率，A(t，j)和B(t，j)分别为根据步骤(1)已经优化求得的储能设备蓄、放电状态；
d旋转备用约束
式中：
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；Eload(t，c)为各区域电网负荷，ER、EN为全网需求的正旋转备用功率和负旋转备用功率，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
e风电、光伏可获得功率约束
0≤pw(n，t，c)≤Ewa(t，c) (19)
0≤pp(n，t，c)≤Epa(t，c) (20)
其中：
待求变量：pw(n，t，c)和pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：Ewa(t，c)为风电理论可获得功率；Epa(t，c)为光伏理论可获得功率；
2)根据实际电网数据，输入步骤1)的(1)区域电网分区仿真模拟混合整数(MIP)优化模型中已知参数的值，利用计算机对1，…c，…，C共C个区域电网分区仿真模拟混合整数(MIP)优化模型进行并行计算，获得各机组启停机状态变量x，y，z的优化解；
3)根据实际电网数据和步骤2)中获得的各机组启停机状态变量x，y，z的优化解，输入步骤1)的(2)全网仿真模拟线性(LP)优化模型已知参数的值，利用计算机对全网仿真模拟线性(LP)优化模型进行计算，获得区域间联络线传输功率pline(n，t，c，c)、风电发电功率pw(n，t，c)、光伏发电功率pp(n，t，c)的优化解；
4)通过计算机编程按照公式(21)进行符合性判断，“是”进入步骤6结束整个优化计算过程，否则进入步骤5；
ε＝|pgrid(n)-pgrid(n-1)|＜0.1 (21)
式中：
ε表示偏差；
pgrid(n)，表示目标值全网等效新能源消纳量；
5)将步骤3中求出的区域间联络线传输功率pline(n,t,c,c)、风电发电功率pw(n,t,c)、光伏发电功率pp(t,c)优化解的值，分别赋值给区域电网分区仿真模拟混合整数(MIP)优化模型中的已知参数Eline(t,c,c)、Ewmax(t,c)和Epmax(t,c)，并重新从步骤2开始执行，进行第n+1次迭代计算；
6)结束整个优化计算过程。
本实施例2计算求得以下数据：
计算时间为493.942，内存为1222364k bit，其新能源消纳总量为31188971MWh。
对照实施例和实施例2可知，本发明的基于时空分解的全球能源互联电力平衡优化方法相对于现有技术的全球能源互联电力平衡优化方法，不仅计算时间减少了54.92％，计算机的内存空间节约了45.56％，而且新能源消纳总量却提高了1％，达到了计算效率更高、计算速度更快，也同时更适应大规模数据计算的目的。
Claims (1)
1.一种基于区域分解迭代的新能源消纳时序仿真方法，其特征是，包括以下步骤：
1)建立区域电网分区仿真模拟混合整数优化模型和全网仿真模拟线性优化优化模型：
(1)区域电网分区仿真模拟混合整数优化模型
①目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率，pnu(t，j)、pco(t，j)和pgas(t，j)分别表示核电、燃气和燃煤火电机组的发电并网功率；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)和Ogas(j)分别表示核电、燃气和燃煤火电机组的单位运行成本；
②约束条件
a)分区电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Eload(t，c)为各区域电网负荷，Eline(t，c，c)为区域联络线传输功率；
b)机组出力约束
x(n，t，j).Emin(j)≤p(t，j)≤x(n，t，j)·Emax(j) (3)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (4)
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
c)储能约束
a(n，t，j)+b(n，t，j)＝1 (5)
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (6)
式中：
待求变量：a(n，t，j)和b(n，t，j)分别表示储能设备蓄、放电状态，ces(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，
为储能装置的最大、最小蓄电功率，
为最大、最小放电功率；
d)机组启停逻辑约束
式中：
待求变量：x(n，t，j)为机组的启停机状态，0表示停机，1表示开机；y(n，t，j)为常规机组的启机状态，0表示未启机，1表示正在启机；z(n，t，j)为常规机组的停机状态，0表示未启机，1表示正在停机；
e)风电、光伏可获得功率约束
0≤pw(t，c)≤Ewmax(t，c) (9)
0≤pp(t，c)≤Epmax(t，c) (10)
式中：
待求变量：pw(t，c)和pp(t，c)分别表示风电和光伏的发电并网功率；
已知参数：Ewmax(t，c)为风电最大约束功率，Epmax(t，c)为光伏最大约束功率；
(2)全网仿真模拟线性(LP)优化模型
①目标函数
式中：
n表示迭代计算次数；
t和c分别表示时间和区域索引；
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率，pnu(t，j)、pco(t，j)、pgas(t，j)和ph(t，j)分别表示核电、燃气、燃煤火电机组和水电机组的发电并网功率；pgrid(n)表示目标值全网等效新能源消纳量；
已知参数：Ww、Wp分别表示风电、光伏的权重系数；j表示机组的序号；Onu(j)、Oco(j)、Ogas(j)和Oh(j)分别表示核电、燃气、燃煤火电机组和水电机组的单位运行成本；
②约束条件
a电力平衡约束
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力，pw(n，t，c)和pp(n，t，c)分别表示风电和光伏的发电并网功率，pline(n，t，c，c)为区域间联络线传输功率；
已知参数：Eload(t，c)为各区域电网负荷；
b机组出力约束
X(t，j)·Emin(j)≤p(t，j)≤X(t，j)·Emax(j) (13)
p(t，j)-Rdown(j)≤p(t+1，j)≤p(t，j)+Rup(j) (14)
式中：
待求变量：p(t，j)用来统一表示其他常规机组出力；
已知参数：Rdown(j)、Rup(j)分别为机组的最大、最小爬坡速度，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；
c储能约束
Cmin(j)≤ees(t-1，j)-p(t，j)≤Cmax(j) (15)
式中：
待求变量：ees(t-1，j)为上一时刻的初始储能容量，p(t，j)用来统一表示其他常规机组出力；
已知参数：Cmax(j)、Cmin(j)为储能装置的最大、最小储能容量，为储能装置的最大、最小蓄电功率，
为最大、最小放电功率，A(t，j)和B(t，j)分别为根据步骤(1)已经优化求得的储能设备蓄、放电状态；
d旋转备用约束
式中：
待求变量：pw(n，t，c)、pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：X(t，j)为根据步骤(1)已经优化求出的机组启停机状态，0表示停机，1表示开机；Eload(t，c)为各区域电网负荷，ER、EN为全网需求的正旋转备用功率和负旋转备用功率，Emax(j)、Emin(j)分别为常规机组的最大、最小技术出力；
e风电、光伏可获得功率约束
0≤pw(n，t，c)≤Ewa(t，c) (19)
0≤pp(n，t，c)≤Epa(t，c) (20)
其中：
待求变量：pw(n，t，c)和pp(n，t，c)分别表示风电、光伏的发电并网功率；
已知参数：Ewa(t，c)为风电理论可获得功率；Epa(t，c)为光伏理论可获得功率；
2)根据实际电网数据，输入步骤1)的(1)区域电网分区仿真模拟混合整数优化模型中已知参数的值，利用计算机对1，...c，...，C共C个区域电网分区仿真模拟混合整数优化模型进行并行计算，获得各机组启停机状态变量x，y，z的优化解；
3)根据实际电网数据和步骤2)中获得的各机组启停机状态变量x，y，z的优化解，输入步骤1)的(2)全网仿真模拟线性优化模型已知参数的值，利用计算机对全网仿真模拟线性优化模型进行计算，获得区域间联络线传输功率pline(n，t，c，c)、风电发电功率pw(n，t，c)、光伏发电功率pp(n，t，c)的优化解；
4)通过计算机编程按照公式(21)进行符合性判断，“是”进入步骤6结束整个优化计算过程，否则进入步骤5；
ε＝|pgrid(n)-pgrid(n-1)|＜0.1 (21)
式中：
ε表示偏差；
pgrid(n)，表示目标值全网等效新能源消纳量；
5)将步骤3中求出的区域间联络线传输功率pline(n，t，c，c)、风电发电功率pw(n，t，c)、光伏发电功率pp(t，c)优化解的值，分别赋值给区域电网分区仿真模拟混合整数优化模型中的已知参数Eline(t，c，c)、Ewmax(t，c)和Epmax(t，c)，并重新从步骤2开始执行，进行第n+1次迭代计算；
6)结束整个优化计算过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910957984.5A CN110829410A (zh) | 2019-10-10 | 2019-10-10 | 一种基于区域分解迭代的新能源消纳时序仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910957984.5A CN110829410A (zh) | 2019-10-10 | 2019-10-10 | 一种基于区域分解迭代的新能源消纳时序仿真方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110829410A true CN110829410A (zh) | 2020-02-21 |
Family
ID=69548903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910957984.5A Pending CN110829410A (zh) | 2019-10-10 | 2019-10-10 | 一种基于区域分解迭代的新能源消纳时序仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110829410A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695235A (zh) * | 2020-04-24 | 2020-09-22 | 广东电网有限责任公司 | 可再生能源消纳责任权重的区域分解方法、装置及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103762589A (zh) * | 2014-01-08 | 2014-04-30 | 河海大学 | 一种电网中新能源容量配比分层优化方法 |
| US20180046160A1 (en) * | 2016-08-12 | 2018-02-15 | Robert Bosch Llc | Methods and systems for providing photovoltaic plant power feed-in |
| CN110829484A (zh) * | 2019-10-10 | 2020-02-21 | 东北电力大学 | 一种基于时空分解的全球能源互联电力平衡优化方法 |
-
2019
- 2019-10-10 CN CN201910957984.5A patent/CN110829410A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103762589A (zh) * | 2014-01-08 | 2014-04-30 | 河海大学 | 一种电网中新能源容量配比分层优化方法 |
| US20180046160A1 (en) * | 2016-08-12 | 2018-02-15 | Robert Bosch Llc | Methods and systems for providing photovoltaic plant power feed-in |
| CN110829484A (zh) * | 2019-10-10 | 2020-02-21 | 东北电力大学 | 一种基于时空分解的全球能源互联电力平衡优化方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695235A (zh) * | 2020-04-24 | 2020-09-22 | 广东电网有限责任公司 | 可再生能源消纳责任权重的区域分解方法、装置及系统 |
| CN111695235B (zh) * | 2020-04-24 | 2023-05-26 | 广东电网有限责任公司 | 可再生能源消纳责任权重的区域分解方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018059096A1 (zh) | 一种多类电源发电计划组合决策方法及存储介质 | |
| CN109919399B (zh) | 一种综合能源系统日前经济调度方法及系统 | |
| CN111614121A (zh) | 考虑需求响应的含电动汽车的多能源园区日前经济调度方法 | |
| CN112491043B (zh) | 一种新能源富集电网电源规划方法及系统 | |
| CN112395748A (zh) | 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法 | |
| CN111313475A (zh) | 一种功率平衡约束考虑预测误差不确定变量的电力系统调度方法 | |
| CN115659651A (zh) | 一种考虑多种灵活性资源的综合能源协同优化调度方法 | |
| CN110829484B (zh) | 一种基于时空分解的全球能源互联电力平衡优化方法 | |
| CN106451424A (zh) | 含大规模光伏发电并网的输电网随机规划方法 | |
| CN110829410A (zh) | 一种基于区域分解迭代的新能源消纳时序仿真方法 | |
| CN116739404B (zh) | 一种综合能源系统熵态模型中网络化特征模块的构建方法 | |
| CN116937685A (zh) | 一种基于安全域的可再生能源电网时间序列生产模拟方法 | |
| Liu et al. | Stochastic Scheduling of a Wind-Photovoltaic-Hydro Complementary System Using Stochastic Dual Dynamic Programming Method | |
| CN115759589A (zh) | 一种含高比例新能源的配电网数据驱动鲁棒扩展规划方法 | |
| Yu et al. | Research of integrated system of distributed multi-energy station | |
| Chen et al. | A multi-energy microgrid modelling and optimization method based on exergy theory | |
| Yang et al. | Coordinated Optimal Configuration Method of Hybrid Energy Storage Systems in Energy Internet System | |
| Ma et al. | Multi-regions bundled planning of wind farm, thermal, energy storage with renewable energy consumption | |
| Liu et al. | Day-ahead hierarchical optimal scheduling for offshore integrated electricity-gas-heat energy system considering load forecasting | |
| Yuqin et al. | Multi objective optimal operation of integrated electricity-gas system considering emission of pollutant gas | |
| Li et al. | Low Carbon Optimal Operation of Integrated Energy System of Offshore Oil and Gas Platform | |
| Tang et al. | A Distributionally Robust Energy Storage Planning Model for Wind Integrated Power System Based on Scenario Probability | |
| CN114676991B (zh) | 基于源荷双侧不确定的多能互补系统优化调度方法 | |
| Ma et al. | Combining multi-type power optimization to improve the consumption of renewable energy | |
| Tang et al. | Multi-energy Flow Sub-network Model and Optimal Scheduling for Regional Energy Internet |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
| RJ01 | Rejection of invention patent application after publication |