CN110838734B - 新能源电力调度出力的确定方法、装置和计算机设备 - Google Patents

新能源电力调度出力的确定方法、装置和计算机设备 Download PDF

Info

Publication number
CN110838734B
CN110838734B CN201911167768.7A CN201911167768A CN110838734B CN 110838734 B CN110838734 B CN 110838734B CN 201911167768 A CN201911167768 A CN 201911167768A CN 110838734 B CN110838734 B CN 110838734B
Authority
CN
China
Prior art keywords
new energy
day
ahead
time period
scheduling model
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.)
Active
Application number
CN201911167768.7A
Other languages
English (en)
Other versions
CN110838734A (zh
Inventor
赵化时
彭超逸
顾慧杰
周华锋
胡亚平
朱文
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN201911167768.7A priority Critical patent/CN110838734B/zh
Publication of CN110838734A publication Critical patent/CN110838734A/zh
Application granted granted Critical
Publication of CN110838734B publication Critical patent/CN110838734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

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

本申请涉及一种新能源电力调度出力的确定方法、装置、计算机设备和存储介质。所述方法包括：获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型；根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。采用本方法能够解决风电并网消纳过程中风电场大量弃风的问题。

Description

新能源电力调度出力的确定方法、装置和计算机设备
技术领域
本申请涉及电力调度技术领域，特别是涉及一种新能源电力调度出力的确定方法、装置和计算机设备。
背景技术
随着电力系统中现货市场交易机制的发展，逐步形成中长期交易与现货市场交易机制并举的电力市场运营方式。
然而，在电力现货市场运营机制的基础上，随着大规模新能源产生的电力接入传统电网进行消纳，以风能、光能为代表的新能源具有出力波动性和反调峰特性，使得电网的电力系统由于调峰能力不足导致大量弃风、弃光现象，不利于风能、光能产生的电力的充分消纳，且需要较大的实时平衡成本。因此，基于现货市场的运行机制，亟需一种新能源电力调度出力的确定方法，来解决新能源的电力消纳过程中大量弃风弃光的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种新能源电力调度出力的确定方法、装置和计算机设备。
第一方面，提供了一种新能源电力调度出力的确定方法，所述方法包括：
获取目标电网的电力信息，并根据所述电力信息建立新能源协调调度模型；
根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，所述获取目标电网的电力信息，并根据所述电力信息建立新能源协调调度模型之后，所述方法还包括：
根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，所述新能源场景为新能源的运行方式；
所述根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力，包括：
将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，所述新能源协调调度模型为日前调度模型，现货市场对应运营模式为日前调度运营模式，所述将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力，包括：
根据预设的加入自适应速度因子变量的多目标蝙蝠算法及所述日前调度模型的约束条件进行迭代计算；
当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，终止迭代过程，输出所述加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。
作为一种可选地实施方式，所述自适应速度因子变量为
Figure BDA0002287917320000021
其中，Fi t-1表示蝙蝠个体i在第k次迭代t-1时刻寻优完成时的适应度函数值；
Figure BDA0002287917320000022
表示蝙蝠个体i在第k次迭代t-1时刻寻优之前最优位置的最小适应度函数值；
Figure BDA0002287917320000023
表示蝙蝠个体i在第k次迭代t时刻寻优时对应的速度因子；η表示云模型下的熵值。
作为一种可选地实施方式，所述新能源协调调度模型为日内滚动调度模型，现货市场对应运营模式为日内滚动调度运营模式，所述将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源目标调度出力，包括：
根据所述日内滚动调度模型的约束条件，采用二进制粒子群优化算法BPSO，求解所述日内滚动调度模型的最优解，得到日内滚动现货市场模式下新能源的目标调度出力。
第二方面，提供了一种新能源电力调度出力的确定装置，所述装置包括：
建模模块，用于获取目标电网的电力信息，并根据所述电力信息建立新能源协调调度模型；
求解模块，用于根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，所述装置还包括：
预处理模块，用于根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，所述新能源场景为新能源的运行方式；
所述求解模块，具体用于：
将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，所述新能源协调调度模型为日前调度模型，现货市场对应运营模式为日前调度运营模式，所述求解模块具体用于：
根据预设的加入自适应速度因子变量的多目标蝙蝠算法及所述日前调度模型的约束条件进行迭代计算；
当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，终止迭代过程，输出所述加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。
第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标电网的电力信息，并根据所述电力信息建立新能源协调调度模型；
根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标电网的电力信息，并根据所述电力信息建立新能源协调调度模型；
根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
本申请实施例提供了一种新能源电力调度出力的确定方法、装置和计算机设备，计算机设备获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型；然后，计算机设备根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。通过确定新能源的目标调动出力，避免了新能源电场的弃风、弃光问题。
附图说明
图1为本申请提供的一种含风能电力系统的等效负荷示意图；
图2为本申请提供的一种新能源电力调度出力的确定方法的流程图；
图3为本申请提供的一种新能源电力调度出力的确定装置的结构图；
图4为本申请提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种新能源电力调度出力的确定方法，其中，新能源可以为风能，也可以为太阳能、生物质能、潮汐能等，因此，本申请实施例不做限定。本申请实施例以新能源为风能为例进行介绍，其他情况与之类似。
风能产生的电力需要接入传统电网进行消纳，同时需要借助常规火电机组进行调峰平衡。如果风电场在时段t内的风电富裕，对于风电场调度出力PW,t设定过高，常规火电机组运行效率则会降低，且负荷需求功率较低时会造成弃风问题。风能具有出力波动性，当风电场在t+1时段的日前调度出力值显著降低，此时负荷需求功率增加，而火电机组的出力增加量小于t+1时段的等效负荷增加量ΔPE,t+1，便会造成功率缺额。
具体的，定义含风能电力系统t时段的等效负荷PE,t如下：
PE,t＝PL,t-PW,t (1)
其中，PW,t为风电场在时段t的日前调度出力值；PL,t为时段t的系统负荷功率。
t+1时段的等效负荷增加量ΔPE,t+1如下：
ΔPE,t+1＝(PL,t+1-PW,t+1)-(PL,t-PW,t) (2)
如图1所示，时段t+1的负荷需求增幅较大而风电调度出力显著减小时，此时并网火电机组在t+1时段的出力最大增量为
Figure BDA0002287917320000061
如果t+1时段火电机组的出力增加量小于t+1时段的等效负荷增加量ΔPE,t+1：也即
Figure BDA0002287917320000062
则会造成电力系统出现功率缺额。为了避免切除普通负荷(即对部分用户停电)，以降低t+1时段负荷功率来维持电力系统的平衡，在调度计划中，通过减小t时段的风电调度值PW,t即以弃风为代价保证系统供电可靠性。为了避免弃风造成能源浪费，因此加入高载能负荷和/或抽蓄电站参与含风电的电力系统的协调调度平衡。在电力系统中加入高载能负荷和/或抽蓄电站的基础上，针对电力系统现货市场的运营机制，确定风电场的目标调度出力，以避免弃风问题。
如图2所示，确定风电场的目标调度出力具体的处理过程如下：
步骤201：获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型。
在实施中，计算机设备在电力系统通信网络中获取目标电网的电力信息，该电力信息可以包括：现货市场运行参数(比如日前调度总时段数、日内调度总时段数等)，火电机组参数(比如火电机组的开机成本、火电机组的运行费用参数值、火电机组在时段t内的日前调度值范围、火电机组在时段t内的日内调度值范围、火电机组有功出力的下降爬坡速率等)，风电场参数(比如系统弃风惩罚成本、风电场在时段t的日前功率预测值、风电场日内功率预测值和调度值等)，电力系统中普通负荷功率值，高载能负荷参数(比如高载能负荷组数、高载能负荷单位调节成本等)，抽水蓄能电站参数(比如抽水蓄能电站组数、抽水蓄能电站单位调节成本等)，根据获取到的上述电力信息建立新能源协调调度模型，该新能源协调调度模型包括：日前调度模型和日内滚动调度模型，对于不同的电力现货市场运营模式，需要建立不同的调度模型。
模型一，现货市场的运营方式为日前调度运营模式，则建立的新能源协调调度模型为日前调度模型，建立日前调度模型的具体处理过程如下：
计算机设备根据获取到的日前调度总时段数，火电机组的开机成本，火电机组的运行费用参数值，火电机组在时段t内的日前调度值范围，火电机组有功出力的下降爬坡速率，火电机组污染气体排放各参数值，系统弃风惩罚成本、风电场在时段t的日前功率预测值，建立日前调度模型。该日前调度模型以含有风电场的电力系统的日前运行成本(包括调度周期内常规火电机组发电成本和风电场的弃风成本)构建目标函数，以使求得的模型最优解为该时段风电场的目标日前调度出力。具体的目标函数minfahead可以表示为：
Figure BDA0002287917320000071
Figure BDA0002287917320000072
其中，T为日前调度总时段数；N为常规火电机组数目；Si为常规火电机组i的开机成本；fi为常规火电机组i的运行成本函数；ui,t为时段t内常规火电机组的运行状态，即二进制数ui,t＝1表示在时间段t内常规火电机组i开机；ui,t＝0表示在时间段t内常规火电机组i停机；pi,t表示时间段t内常规火电机组i的有功出力；CW为系统单位弃风惩罚成本；ai、bi、ci为常规火电机组i的运行费用参数；P′W,t为风电场在时段t的日前风功率预测值，PW,t为风电场在时段t的目标日前调度出力，ΔT为每一时段时长数。
日前调度模型的系统污染排放约束：
Figure BDA0002287917320000073
其中，E表示系统污染排放量，αi、βi、γi、ηi和δi表示火电机组i的污染气体排放特征参数。
目标函数minfahead的约束条件：
Figure BDA0002287917320000081
其中，pi,t表示时间段t内常规火电机组i的有功出力；PW,t表示风电场在时间段t内的日前调度有功出力值；PL,t表示在时间段t内的系统有功负荷。
系统旋转备用约束：
Figure BDA0002287917320000082
其中：pi,max为常规火电机组i输出功率上限；θ1为对应负荷需求的旋转备用系数；uW为对应风电功率波动的旋转备用系数，PL,t为时段t的系统负荷功率。
风电场出力约束：
0≤PW,t≤P′W,t (8)
常规火电机组运行约束：
Figure BDA0002287917320000083
其中，
Figure BDA0002287917320000084
和
Figure BDA0002287917320000085
分别为常规火电机组i在时段t的连续开、停机时间；
Figure BDA0002287917320000086
和
Figure BDA0002287917320000087
分别为机组i的最小开、停机时间；ui,t-1为时段t-1内常规火电机组的运行状态；Di为常规火电机组i有功出力的下降爬坡速率；Ui为常规火电机组i有功出力的上升爬坡速率。
模型二，现货市场的运营方式为日内滚动调度运营模式，则建立的新能源协调调度模型为日内滚动调度模型，建立日内滚动调度模型的具体处理过程如下：
计算机设备根据获取到的日内调度总时段数，火电机组的开机成本，火电机组的运行费用参数值，火电机组在时段t内的日内调度值范围，火电机组有功出力的下降爬坡速率，火电机组污染气体排放各参数值，系统弃风惩罚成本，风电场在时段t的日内功率预测值，高载能负荷组数，高载能负荷单位调节成本，抽水蓄能电站组数，抽水蓄能电站单位调节成本，建立日内滚动调度模型。该日内滚动调度模型以含高载能负荷的日内调度成本(包括调度周期内常规火电机组发电成本、风电场弃风成本、高载能负荷运营成本及抽水蓄能电站运营成本)构建目标函数，以使求得的模型最优解为该时段风电场的目标日内滚动调度出力。具体的目标函数min fintra可以表示为：
Figure BDA0002287917320000091
Figure BDA0002287917320000092
其中：Tintra为日内滚动调度时段数；N为常规火电机组数目；fi为常规火电机组i的运行成本函数；
Figure BDA0002287917320000093
为火电机组i在时段t的日内调度值；
Figure BDA0002287917320000094
和
Figure BDA0002287917320000095
分别为在时段t的日内风电功率预测值和调度值；fhigh为高载能负荷的投切成本；NH为可投入的高载能负荷组数；ch为第h组高载能负荷的单位调节成本；Bh,t为第h组高载能负荷在时段t的投切状态，Bh,t＝1表示第h组高载能负荷在时段t投入运行，Bh,t＝0则表示第h组高载能负荷在时段t中断运行；PH为高载能负荷的单位投切容量。fstorage为抽水蓄能电站的启停成本；NS为可投入的抽水蓄能电站组数；cs,t为第s组抽水蓄能电站t时段的启机或停机的单位调节成本；Dh,t为第s组抽水蓄能电站在时段t的启停状态，Dh,t＝1表示第h组抽水蓄能电站在时段t投入运行，Dh,t＝0则表示第h组抽水蓄能电站在时段t停机；
Ps,t为高载能负荷的单位启动或停机容量。
日内滚动调度模型的系统污染排放约束：
Figure BDA0002287917320000101
其中：E表示系统污染排放量，αi、βi、γi、ηi和δi表示火电机组i的污染气体排放特征参数。
在日内滚动调度模型的基础上，日内滚动调度中提前1h制定未来1h之内的高载能负荷投切策略和抽水蓄能电站运行方式并对日前调度的机组出力进行修正；实时调度根据最新的15min级风电功率预测值制定实时机组出力值，进一步修正日内滚动调度的机组出力计划，以此获得实时静态调度模型，实时调度成本中还包括火电机组出力调整增加的煤耗量和风电场弃风成本。
作为一种可选地实施方式，获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型之后，该方法还包括：
根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，该新能源场景为新能源的运行方式。以风电场的场景(即风电场的运营方式)为例，进行说明：
在实施中，计算机设备根据获取到的目标电网的电力信息和预设的模糊问题中的云模型算法将风电功率的不确定性进行模糊处理，利用拉丁超立方采样法和Cholesky(乔里斯基，法国数学家)分解对新能源场景即风电场景进行生成处理，并通过基于概率距离的同步回代消减法对获取到的风电场景消减，从而得到精简场景矩阵。
具体的，风电场的实际出力可表示为：
Figure BDA0002287917320000102
其中，
Figure BDA0002287917320000103
为t时段风电场的实际出力；φt为t时段风电功率的预测误差，其不确定性可以采用正态云模型来模拟。云模型是一种处理模糊问题的理论。通过对概率论和模糊理论的有机交叉结合，经期望、熵和超熵重构成特定功能的发生器，该发生器可以用来处理模糊数学问题。
设U是一个用确定数值描述的论域，C是论域U上的定性概念集，若存在参数x∈U是概念集C的一次随机出现，并记x对C的隶属度函数μ(x)∈[0,1]是具有稳定倾向的随机数，即
μ:U→[0,1]，x→μ(x)
称x在论域U上的分布为云。风电机组出力的不确定性可以按其预测误差来表征，一般认为预测误差服从正态分布。
由众多的云滴(x,μ(x))聚合在一起便构成了云。云的数字特征包括期望Ex、熵En、超熵He。其中，云的期望表征了云滴在论域上的空间分布的期望值大小；熵是概念模糊程度的测度；超熵是熵的熵，其大小反映了熵的离散程度。采用正态云模型来模拟风电出力的不确定性，其隶属度函数曲线如下：
Figure BDA0002287917320000111
假定预测误差服从正太分布
Figure BDA0002287917320000112
那么可以按照正态云生成器得到一个云模型C(0,δt,0.005)，那么云模型下的预测误差即为φt＝μtφt′，μt是t时段下按式(12)计算的云模型C下风电功率的预测误差。
原始场景集由拉丁超立方采样(LHS，Latin Hypercube Sampling)结合Cholesky分解生成，并通过基于概率距离的同步回代削减法对原始场景集进行削减，从而得到精简场景集XS，可表示如下
Figure BDA0002287917320000113
其中，XS的一行代表一个场景；
Figure BDA0002287917320000114
为场景k下t时段的风电功率预测值；S为精简场景集中的场景数目。该矩阵中各个场景下的风电功率预测值即为新能源调度模型不同时段内风电功率预测值输入数据样本。
在通过多场景分析法获取不同时段内风电功率预测值基础上，需要对本文建立的日前调度模型、考虑高载能负荷的日内滚动调度模型及由日内滚动模型得到的日内实时静态调度模型分别进行求解。
计算机设备根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力，具体处理过程如下：
将精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力功率。
步骤202：根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
在实施中，将模糊问题算法及拉丁超立方采样法得到的精简场景矩阵中的目标场景下各时段风电场预测功率值作为目标样本，根据预设的优化算法对新能源协调调度模型进行求解，根据新能源协调调度模型的最优解确定现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，新能源协调调度模型为日前调度模型，现货市场对应运营模式为日前调度运营模式，将精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力，具体处理过程为：
步骤一，根据预设的加入自适应速度因子变量的多目标蝙蝠算法及日前调度模型的约束条件进行迭代计算。
在实施中，针对新能源协调调度模型为日前调度模型进行模型求解，现货市场对应运营模式为日前调度运营模式，则根据精简场景矩阵中的场景信息(即目标场景下各时段风电场预测功率值)作为目标样本量，代入日前调度模型，并根据加入自适应速度因子变量的多目标蝙蝠算法及日前调度模型的约束条件(公式(6)至(9))进行迭代计算，对日前调度模型进行求解。日前调度模型中待求解的新能源(即被实施例中的风能)各时段目标调度出力，对应该加入自适应速度因子变量的多目标蝙蝠算法中的各蝙蝠个体位置。
具体的，经典的蝙蝠算法速度的迭代过程中只依赖上一次的迭代结果，无法根据具体的问题进行自适应地调整。为此在经典蝙蝠算法速度更新中加入速度因子的概念，利用它来修正寻优过程的速度，即
Figure BDA0002287917320000131
其中，
Figure BDA0002287917320000132
表示当t时刻蝙蝠个体i在位置xi的飞行速度；x·是在当前全局搜索中蝙蝠的最优位置；fi表示蝙蝠个体i在位置xi对猎物发出的超声波频率。此外，
fi＝fmin+(fmax-fmin)β(16)
式(15)中，fi为蝙蝠i发出的声波的频率；fmax和fmin为蝙蝠发出超声波频率的最大值和最小值；β为随机数，且β∈[0,1]。蝙蝠位置更新公式如下：
Figure BDA0002287917320000133
在t时刻中，式(15)不同蝙蝠个体的速度因子是相同，这使得全体蝙蝠都有着相同的位移特性，不利于不同的蝙蝠获得较强的全局搜索能力。为此引入基于云模型的速度因子修正公式：
Figure BDA0002287917320000134
其中，Fi t-1表示蝙蝠个体i在第k迭代的t-1时刻寻优完成时的适应度函数值；
Figure BDA0002287917320000135
表示蝙蝠个体i在第k迭代的t-1时刻寻优之前最优位置的最小适应度函数值；
Figure BDA0002287917320000136
表示蝙蝠个体i在第t次寻优时对应的速度因子；η表示云模型下的熵值。
引入自适应修改后的速度更新公式如下：
Figure BDA0002287917320000141
计算机设备给定预设的迭代初值即确定种群蝙蝠规模、搜索空间维数、脉冲响度、脉冲频率等，初始化蝙蝠位置、速度、速度因子、适应度函数值和最优解，根据日前调度模型的约束条件(公式(6)至(9))对蝙蝠个体进行迭代计算，求取每个蝙蝠的初始最优解。
步骤二，当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，计算机设备终止迭代过程，输出加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。否则，计算机设备在全局范围内寻找最优解即对蝙蝠的速度和位置进行更新，并找到全局范围内的最优解集即最优解所处的范围；然后再进行局部寻优，计算机设备从全局寻优过程得到的最优解集随机选择一个解，并进行蝙蝠位置更新。引入精英存档和多样性测量方式，实现了对非占优解的保留与排序，决定了非占优解能否进入外部存档。最后，计算机设备对获取到的最优解进行判断。根据当前蝙蝠最新位置计算其对应的目标函数值，判断是否满足最优的条件，如果满足，则更新当前最优适应度值以及最优解，接受新解；否则，保留原解，然后返回执行局部寻优过程。
作为一种可选地实施方式，新能源协调调度模型为日内滚动调度模型，现货市场对应运营模式为日内滚动调度运营模式，将精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源目标调度出力，具体处理过程如下：
根据日内滚动调度模型的约束条件，采用二进制粒子群优化算法BPSO(binaryparticle swarm optimization)，求解日内滚动调度模型的最优解，得到日内滚动现货市场模式下新能源的目标调度出力。
在实施中，日内滚动模型的待优化变量为常规火电机组、风电场的日内计划出力以及高载能负荷的投切状态，针对此优化模型，计算机设备采用BPSO(binary particleswarm optimization)二进制粒子群优化算法进行优化求解，得到对未来1h的风电场的目标调度出力。
在日内滚动调度模型基础上的实时静态调度模型为日内1h滚动优化每15min执行一次,优化周期Tintra为4个时段的实时静态调度模型。根据新的超短期(15min)风电功率预测值修正常规火电机组的日内滚动出力使得火电机组煤耗增量和风电场弃风成本小，其待优化变量为常规火电机组和风电场的实时计划出力，此优化过程采用经典粒子群优化算法PSO(particle swarm optimization)进行求解，得到对未来15min的常规火电机组的调度出力和对未来15min的风电场的目标调度出力。
本申请实施例提供了一种新能源电力调度出力的确定方法，该方法包括：计算机设备获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型；然后，计算机设备根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。通过确定新能源的目标调动出力，避免了新能源电场的弃风、弃光问题。
本申请实施例还提供了一种新能源电力调度出力的确定装置，如图3所示，该装置包括：
建模模块310，用于获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型；
求解模块320，用于根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，所述装置还包括：
预处理模块，用于根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，该新能源场景为新能源的运行方式；
求解模块320具体用于将精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。
作为一种可选地实施方式，新能源协调调度模型为日前调度模型，现货市场对应运营模式为日前调度运营模式，求解模块320具体用于：
根据预设的加入自适应速度因子变量的多目标蝙蝠算法及日前调度模型的约束条件进行迭代计算；
当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，终止迭代过程，输出加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。
作为一种可选地实施方式，自适应速度因子变量为
Figure BDA0002287917320000161
其中，Fi t-1表示蝙蝠个体i在第k次迭代的t-1时刻寻优完成时的适应度函数值；
Figure BDA0002287917320000162
表示蝙蝠个体i在第k次迭代的t-1时刻寻优之前最优位置的适应度函数值；
Figure BDA0002287917320000163
表示蝙蝠个体i在t时刻寻优时对应的速度因子；η表示云模型下的熵值。
作为一种可选地实施方式，新能源协调调度模型为日内滚动调度模型，现货市场对应运营模式为日内滚动调度运营模式，求解模块320具体用于：
根据日内滚动模型的约束条件，采用二进制粒子群优化算法BPSO，求解日内滚动模型的最优解，得到日内滚动现货市场模式下新能源的目标调度出力。
本申请实施例提供了一种新能源电力调度出力的确定装置，计算机设备获取目标电网的电力信息，并根据电力信息建立新能源协调调度模型；然后，计算机设备根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力。通过确定新能源的目标调动出力，避免了新能源电场的弃风、弃光问题。
在一个实施例中，一种计算机设备，如图4所示，包括存储器及处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项的新能源电力调度出力的确定方法的步骤。
在一个实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项的新能源电力调度出力的确定方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种新能源电力调度出力的确定方法，其特征在于，所述方法包括：
获取目标电网的电力信息；
根据所述电力信息，建立新能源协调调度模型；所述新能源协调调度模型为日前调度模型，所述日前调度模型以含有风电场的电力系统的日前运行成本构建目标函数，目标函数min fahead可以表示为：
Figure FDA0003432644790000011
Figure FDA0003432644790000012
其中，T为日前调度总时段数；N为常规火电机组数目；Si为常规火电机组i的开机成本；fi为常规火电机组i的运行成本函数；ui,t为时段t内常规火电机组的运行状态，即二进制数ui,t＝1表示在时间段t内常规火电机组i开机；ui,t＝0表示在时间段t内常规火电机组i停机；pi,t表示时间段t内常规火电机组i的有功出力；CW为系统单位弃风惩罚成本；ai、bi、ci为常规火电机组i的运行费用参数；P′W,t为风电场在时段t的日前风功率预测值，PW,t为风电场在时段t的目标日前调度出力，ΔT为每一时段时长数；
根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，所述新能源场景为新能源的运行方式；
将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力；
其中，现货市场对应运营模式为日前调度运营模式，所述将所述精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力，包括：
根据预设的加入自适应速度因子变量的多目标蝙蝠算法及所述日前调度模型的约束条件进行迭代计算；
当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，终止迭代过程，输出所述加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。
2.根据权利要求1所述的方法，其特征在于，所述自适应速度因子变量为
Figure FDA0003432644790000021
其中，Fi t-1表示蝙蝠个体i在第k次迭代t-1时刻寻优完成时的适应度函数值；
Figure FDA0003432644790000022
表示蝙蝠个体i在第k次迭代t-1时刻寻优之前最优位置的最小适应度函数值；
Figure FDA0003432644790000023
表示蝙蝠个体i在第k次迭代t时刻寻优时对应的速度因子；η表示云模型下的熵值。
3.根据权利要求1所述的方法，其特征在于，所述日前调度模型的系统污染排放约束：
Figure FDA0003432644790000024
其中，E表示系统污染排放量，αi、βi、γi、ηi和δi表示火电机组i的污染气体排放特征参数。
4.根据权利要求1所述的方法，其特征在于，所述目标函数min fahead的约束条件为：
Figure FDA0003432644790000025
其中，pi,t为时间段t内常规火电机组i的有功出力；PL,t为时段t的系统负荷功率。
5.一种新能源电力调度出力的确定装置，其特征在于，所述装置包括：
建模模块，用于获取目标电网的电力信息；
所述建模模块还用于根据所述电力信息，建立新能源协调调度模型；所述新能源协调调度模型为日前调度模型，所述日前调度模型以含有风电场的电力系统的日前运行成本构建目标函数，目标函数min fahead可以表示为：
Figure FDA0003432644790000031
Figure FDA0003432644790000032
其中，T为日前调度总时段数；N为常规火电机组数目；Si为常规火电机组i的开机成本；fi为常规火电机组i的运行成本函数；ui,t为时段t内常规火电机组的运行状态，即二进制数ui,t＝1表示在时间段t内常规火电机组i开机；ui,t＝0表示在时间段t内常规火电机组i停机；pi,t表示时间段t内常规火电机组i的有功出力；CW为系统单位弃风惩罚成本；ai、bi、ci为常规火电机组i的运行费用参数；PW′,t为风电场在时段t的日前风功率预测值，PW,t为风电场在时段t的目标日前调度出力，ΔT为每一时段时长数；
求解模块，用于根据预设的优化算法对所述新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力；
所述装置还包括：
预处理模块，用于根据预设的模糊问题算法及拉丁超立方采样法，对新能源场景进行生成和缩减处理，得到精简场景矩阵，该新能源场景为新能源的运行方式；
则所述求解模块还用于将精简场景矩阵中的场景信息作为目标样本值，根据预设的优化算法对新能源协调调度模型进行求解，得到现货市场对应运营模式下新能源的目标调度出力；
所述新能源协调调度模型为日前调度模型，现货市场对应运营模式为日前调度运营模式，所述求解模块还用于：
根据预设的加入自适应速度因子变量的多目标蝙蝠算法及日前调度模型的约束条件进行迭代计算；
当达到预设的迭代次数或同一适应度下日前调度模型的目标函数值出现的次数达到预定值时，终止迭代过程，输出加入自适应速度因子变量的多目标蝙蝠算法的最优解，得到日前现货市场模式下新能源的目标调度出力。
6.根据权利要求5所述的装置，所述自适应速度因子变量为
Figure FDA0003432644790000041
其中，
Figure FDA0003432644790000042
表示蝙蝠个体i在第k次迭代t-1时刻寻优完成时的适应度函数值；
Figure FDA0003432644790000043
表示蝙蝠个体i在第k次迭代t-1时刻寻优之前最优位置的最小适应度函数值；
Figure FDA0003432644790000044
表示蝙蝠个体i在第k次迭代t时刻寻优时对应的速度因子；η表示云模型下的熵值。
7.根据权利要求5所述的装置，其特征在于，所述日前调度模型的系统污染排放约束：
Figure FDA0003432644790000045
其中，E表示系统污染排放量，αi、βi、γi、ηi和δi表示火电机组i的污染气体排放特征参数。
8.根据权利要求5所述的装置，其特征在于，所述目标函数minfahead的约束条件为：
Figure FDA0003432644790000046
其中，pi,t为时间段t内常规火电机组i的有功出力；PL,t为时段t的系统负荷功率。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201911167768.7A 2019-11-25 2019-11-25 新能源电力调度出力的确定方法、装置和计算机设备 Active CN110838734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167768.7A CN110838734B (zh) 2019-11-25 2019-11-25 新能源电力调度出力的确定方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167768.7A CN110838734B (zh) 2019-11-25 2019-11-25 新能源电力调度出力的确定方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN110838734A CN110838734A (zh) 2020-02-25
CN110838734B true CN110838734B (zh) 2022-05-13

Family

ID=69577487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167768.7A Active CN110838734B (zh) 2019-11-25 2019-11-25 新能源电力调度出力的确定方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN110838734B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836849A (zh) * 2020-12-21 2021-05-25 北京华能新锐控制技术有限公司 一种考虑风电不确定性的虚拟电厂调度方法
CN113420910B (zh) * 2021-06-03 2024-02-02 南方电网数字电网科技(广东)有限公司 工商业智能用电控制方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506894A (zh) * 2017-07-18 2017-12-22 上海电力学院 一种考虑非恒定耦合约束的水电群调度方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506894A (zh) * 2017-07-18 2017-12-22 上海电力学院 一种考虑非恒定耦合约束的水电群调度方法
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

Also Published As

Publication number Publication date
CN110838734A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
Maleki et al. Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system
Mahmoudi et al. Optimization of a hybrid energy system with/without considering back-up system by a new technique based on fuzzy logic controller
Askarzadeh A discrete chaotic harmony search-based simulated annealing algorithm for optimum design of PV/wind hybrid system
CN112396220B (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
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
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
CN109687479B (zh) 功率波动平抑方法、系统、存储介质和计算机设备
CN107800153B (zh) 一种电蓄热消纳风电的电热能量滚动鲁棒调度方法
CN110838734B (zh) 新能源电力调度出力的确定方法、装置和计算机设备
CN109510238B (zh) 一种高效求解水电火电风电的协调调度机组组合方法
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN114707767A (zh) 一种新能源电力系统低谷时段可调峰功率预测方法
Xu et al. Intelligent forecasting model for regional power grid with distributed generation
Liang et al. Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning
CN105514986A (zh) 一种基于虚拟电厂技术的der用户竞价并网方法
Ren et al. Analysis of the performance of the multi-objective hybrid hydropower-photovoltaic-wind system to reduce variance and maximum power generation by developed owl search algorithm
Li et al. Optimal design of a PEMFC‐based combined cooling, heating and power system based on an improved version of Aquila optimizer
Rezk et al. Hydrogen reduction-based energy management strategy of hybrid fuel cell/PV/battery/supercapacitor renewable energy system
CN117791710A (zh) 一种基于多目标优化模型的风光储容量配置优化方法
CN105631549A (zh) 主动配电网环境下的虚拟电厂分布式模型预测控制方法
CN117638939A (zh) 一种基于Adam算法考虑的水光互补优化调度方法
Maleki et al. Optimum configuration of fuel cell-b PV/wind hybrid system using a hybrid metaheuristic technique
Heydari et al. A new combined PV output power forecasting model based on optimized LSTM network
CN114819573A (zh) 新能源系统的日前调度方法、装置和计算机设备

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