CN111049179A - 一种考虑不确定性的新能源发电系统多目标优化调度方法 - Google Patents

一种考虑不确定性的新能源发电系统多目标优化调度方法 Download PDF

Info

Publication number
CN111049179A
CN111049179A CN201911178466.XA CN201911178466A CN111049179A CN 111049179 A CN111049179 A CN 111049179A CN 201911178466 A CN201911178466 A CN 201911178466A CN 111049179 A CN111049179 A CN 111049179A
Authority
CN
China
Prior art keywords
power generation
new energy
uncertainty
photovoltaic
scene
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
Application number
CN201911178466.XA
Other languages
English (en)
Inventor
赵龙
陈钊
周强
王定美
吕清泉
王明松
高鹏飞
李津
汪宁渤
马志程
张金平
张珍珍
张彦琪
韩旭杉
马彦宏
张睿骁
韩自奋
张健美
丁坤
黄蓉
马明
周识远
张艳丽
董海鹰
贠韫韵
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.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power 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 State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911178466.XA priority Critical patent/CN111049179A/zh
Publication of CN111049179A publication Critical patent/CN111049179A/zh
Pending legal-status Critical Current

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及新能源优化调度领域，具体为一种考虑不确定性的新能源发电系统多目标优化调度方法，首先对新能源发电系统中的不确定性进行分析，并提出了基于自回归滑动平均模型与Kantorovich距离的场景生成与缩减框架。其次以系统运行成本最低及光伏发电并网功率最大为优化目标，建立了多目标优化模型。最后通过对比多场景的仿真结果，验证该模型的有效性。仿真结果表明，该模型可有效降低系统的运行成本，提高光伏发电的消纳功率，保证系统的供电可靠性。

Description

一种考虑不确定性的新能源发电系统多目标优化调度方法
技术领域
本发明涉及新能源优化调度领域，具体为一种考虑不确定性的新能源发电系统多目标优化调度方法。
背景技术
截止2018年底，甘肃省新能源装机容量已突破2000万千瓦，但弃风弃光总量仍然居高不下。大规模可再生能源接入电网虽然可以带来一定的经济效益，但其出力具有随机性等特性，使得新能源消纳问题日益显著。现有研究中大多将火电、燃气轮机等常规能源作为基础电源，很少考虑将环境污染小、出力稳定的光热发电作为基础能源参与电网调度。在没有光照的条件下，光热电站的储热系统可维持电站大约15小时内满负荷发电，具有良好的调度特性；而且发电机组内拥有可控性良好的热交换系统，使汽轮机组具备媲美燃气机组的快速爬坡能力，因此其有潜力取代常规能源作为备用电源。而蓄电池储能系统既可以短时间内迅速释放大量电能，也可在较长时间内以较小的功率连续放电，可与光热电站形成互补，其既能短时间内填补由于预测误差造成供电缺额，也可通过其蓄能特性提高新能源的消纳空间。为了提高西北地区新能源消纳能力，提出了一种考虑不确定性的新能源发电系统多目标优化调度方法。
发明内容
本发明提供了一种考虑不确定性的新能源发电系统多目标优化调度方法，包括以下步骤：
S1、对新能源发电系统中的不确定性进行分析；
S2、通过场景模拟方法描述新能源发电的不确定性；
S3、根据新能源发电的不确定性，以系统运行成本最低及光伏发电并网功率最大为优化目标，建立多目标优化模型；
S4、通过对比多场景的仿真结果，验证统多目标优化调度的有效性。
所述步骤S1中对新能源发电系统中的不确定性进行分析，具体包括光伏发电不确定性分析、光热发电不确定性分析。
所述光伏发电不确定性分析采用如下方法：
用Beta分布函数描述辐射强度：
Figure BDA0002290627850000021
Figure BDA0002290627850000022
Figure BDA0002290627850000023
式中：r、rmax分别表示辐射强度及最大辐射强度；αp、βp分别为Beta的形状分布参数；μp、σp分别是辐射强度平均值与标准差；
光伏发电输出功率Pt,PP为：
Pt,PP＝SPPηPPrt (4)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为任意t时段的辐射强度；
光伏发电输出功率用Beta分布进行描述为：
Figure BDA0002290627850000024
式中：
Figure BDA0002290627850000025
为光伏发电最大输出功率；
光伏发电输出功率的期望值E(Pt,PP)及方差D(Pt,PP)表示为：
Figure BDA0002290627850000026
Figure BDA0002290627850000027
所述步骤S2中场景模拟包含场景生成与场景缩减两部分，场景模拟通过通过自回归滑动平均模型生成，场景缩减采用基于Kantorovich距离的后推削减方法对生成的场景集削减。
所述自回归滑动平均模型生成场景模拟的方法为：
通过自回归滑动平均模型生成光伏发电的出力场景：
Figure BDA0002290627850000031
式中：yt表示某t时段的时间序列值；φi表示自回归参量；μj表示滑动平均参量；αt表示平均值取值0及方差取值σ2的正态白噪声过程。
采用基于Kantorovich距离的后推削减方法对自回归滑动平均模型生成的场景集削减的方法为：
Figure BDA0002290627850000032
Figure BDA0002290627850000033
式中：t＝1、2、···、T为调度周期；
Figure BDA0002290627850000034
分别表示在任意t时段场景s与s'的光伏发电输出功率；
通过式(10)进行反复迭代，削减达到剩余场景数量要求。
所述步骤S3中新能源发电系统多目标优化模型包括以下步骤：
S301、建立目标函数
F1＝min(Cyw+CBS+Ccf) (12)
Figure BDA0002290627850000035
式中：Cyw表示光热、光伏发电运维成本之和；CBS表示蓄电池运行成本；Ccf表示光伏发电弃光功率惩罚成本；Pt PP表示某t时刻光伏发电并网量；式(12)表示系统运行成本最小化；式(13)表示新能源并网量最大化；
S302、对建立目标函数形成约束条件，分别为：功率平衡约束、系统旋转备用约束、光伏运行约束和蓄电池运行约束，
S303、对建立的目标函数进行单目标函数转化。
本发明的另一目的是提供一种基于考虑不确定性的新能源发电系统多目标优化调度方法的装置，该装置包含一种考虑不确定性的新能源发电系统多目标优化调度方法。
本发明的有益效果为：针对西北地区新能源利用率较低的问题，本发明将光热发电、光伏发电以及储能系统组成新能源发电系统，提出了一种考虑不确定性的新能源发电系统多目标优化调度方法。首先对新能源发电系统中的不确定性进行分析，并提出了基于自回归滑动平均模型与Kantorovich距离的场景生成与缩减框架。其次以系统运行成本最低及光伏发电并网功率最大为优化目标，建立了多目标优化模型。最后通过对比多场景的仿真结果，验证该模型的有效性。仿真结果表明，该模型可有效降低系统的运行成本，提高光伏发电的消纳功率，保证系统的供电可靠性。
附图说明
图1为负荷功率预测曲线；
图2为光伏出力预测曲线；
图3为光照辐射强度曲线；
图4为场景1的调度结果；
图5为场景2调度结果；
图6为不同场景储热功率曲线；
图7为不同场景光热出力曲线；
图8不同场景光伏出力曲线；
图9不同场景弃光功率对比；
图10不同场景系统运行成本对比；
具体实施方式
下面结合附图并通过具体的实施例进一步的说明本发明的技术方案：
实施例1
本发明设计了提出了一种考虑不确定性的新能源发电系统多目标优化调度方法。首先对新能源发电系统中的不确定性进行分析，并提出了基于自回归滑动平均模型与Kantorovich距离的场景生成与缩减框架。然后，以系统运行成本最低及光伏发电并网功率最大为优化目标，建立了多目标优化模型。最后，通过对比多场景的仿真结果，验证该模型的有效性。仿真结果表明，该模型可有效降低系统的运行成本，提高光伏发电的消纳功率，保证系统的供电可靠性。具体如下。
1.新能源发电系统不确定性分析
1.1光伏发电不确定性分析
通过光生伏打效应，光伏发电将太阳能转化为电力资源，输出功率主要受到辐射强度、光电转化率等因素的影响。
采用Beta分布函数描述辐射强度：
Figure BDA0002290627850000051
Figure BDA0002290627850000052
Figure BDA0002290627850000053
式中：r、rmax分别表示辐射强度及最大辐射强度；αp、βp分别为Beta的形状分布参数；μp、σp分别是辐射强度平均值与标准差。
由上可知，光伏发电输出功率Pt,PP为：
Pt,PP＝SPPηPPrt (4)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为任意t时段的辐射强度。
由式(1)与式(4)可知，光伏发电输出功率也可以用Beta分布进行描述：
Figure BDA0002290627850000061
式中：
Figure BDA0002290627850000062
为光伏发电最大输出功率。
由此可知光伏发电输出功率的期望值E(Pt,PP)及方差D(Pt,PP)可以表示为：
Figure BDA0002290627850000063
Figure BDA0002290627850000064
由上可知，光伏发电输出功率主要受到光照强度随机变化的影响而具有不确定性，所以需在考虑其不确定性的基础上制定调度方案，降低电网的运行风险。
1.2光热发电不确定性分析
由于光热电站通常会配有较大容量的储热系统，所以瞬时的光照条件变化不会直接影响光热电站的出力。同时，次日光照辐射变化可以非常准确地进行预测，光照的不确定性对CSP的出力影响非常有限，使得储热系统在进行蓄热进程时不会受到较大天气变化的干扰。因此，此处忽略光照变化对CSP出力的影响。
2.不确定性场景生成与缩减
由于新能源发电具有不确定性，所以通过功率预测信息提前制订调度计划对于保障电网安全运行有重要意义。通过场景模拟方法来描述光伏发电的不确定性，包含场景生成与场景缩减两部分。
通过自回归滑动平均模型(Auto regressive moving average model,ARMAM)生成光伏发电的出力场景：
Figure BDA0002290627850000071
式中：yt表示某t时段的时间序列值；φi表示自回归参量；μj表示滑动平均参量；αt表示平均值取值0及方差取值σ2的正态白噪声过程。
由于场景数量不断增多使得求解多目标调度模型的过程愈加繁琐。因此，考虑到求解精度以及计算复杂度的影响，采用基于K-距离的后推削减方法对ARMAM生成的场景集进行削减。
假设已知两个大规模场景集合S与S'，那么Kantorovich距离L(S,S')可以表示为：
Figure BDA0002290627850000072
式中：s、s'表示两个场景集合S、S'中的任意场景；δs、δs'分别表示任意场景s、s'在该场景集合中发生概率；λ(s,s')表示取值非负的距离函数；ε(s,s')表示任意场景s、s'的发生概率之积。
结合光伏发电输出功率特性，假设原始的光伏出力场景集合为S，目标光伏出力场景集合为S'，则上式可等价为：
Figure BDA0002290627850000073
Figure BDA0002290627850000074
式中：t＝1、2、···、T为调度周期；
Figure BDA0002290627850000075
分别表示在任意t时段场景s与s'的光伏发电输出功率。
通过式(10)进行反复迭代，直到剩余场景数量满足要求为止。
3.新能源发电系统多目标优化模型
3.1目标函数
保证系统安全稳定运行的前提下，需要确保系统的运行效益及新能源的最大化利用，由此建立如下目标函数：
F1＝min(Cyw+CBS+Ccf) (12)
Figure BDA0002290627850000081
式中：Cyw表示光热、光伏发电运维成本之和；CBS表示蓄电池运行成本；Ccf表示光伏发电弃光功率惩罚成本；Pt PP表示某t时刻光伏发电并网量。式(12)表示系统运行成本最小化；式(13)表示新能源并网量最大化。其中：
Figure BDA0002290627850000082
Figure BDA0002290627850000083
Figure BDA0002290627850000084
Figure BDA0002290627850000085
Figure BDA0002290627850000086
式中：
Figure BDA0002290627850000087
与
Figure BDA0002290627850000088
分别表示光伏发电、光热电站集热系统发电及储热系统的单位维护成本；
Figure BDA0002290627850000089
分别表示光热电站集热系统发电功率及储热系统放热发电功率；μr-d、μfr分别表示集热系统的热电转换率与储热系统放热损耗率；
Figure BDA00022906278500000810
Figure BDA00022906278500000811
分别表示某t时刻集热系统中进行热电转换的热功率与储热装置的放热功率；cyx、czj分别表示储能系统单位运维成本与折旧成本；
Figure BDA00022906278500000812
分别表示储能系统在某t时刻的充电量与放电量；ccf表示系统光伏发电弃光功率成本系数。
3.2约束条件
1)功率平衡约束
当不考虑网损时，各时刻用电负荷需求功率与光伏发电出力、光热发电出力及购电量、缺电量之和相等，即
Figure BDA0002290627850000091
式中：Pt L表示某t时刻负荷所需功率；
2)系统旋转备用约束
Figure BDA0002290627850000092
Figure BDA0002290627850000093
式中：
Figure BDA0002290627850000094
分别为t时刻CSP最大、最小出力；
Figure BDA0002290627850000095
表示储能系统放电的最大功率；n1、n2为负荷与光伏发电的上旋转备用系数，n3为光伏发电的下旋转备用系数。
3)光伏运行约束
0≤Pt PP≤Pt,PP (22)
4)蓄电池运行约束
Figure BDA0002290627850000096
Figure BDA0002290627850000097
Figure BDA0002290627850000098
式中：
Figure BDA0002290627850000099
表示蓄电池的初始蓄电量；
Figure BDA00022906278500000910
表示蓄电池在时刻t的蓄电量；
Figure BDA00022906278500000911
表示蓄电池的充放电损耗率；
Figure BDA00022906278500000912
表示储能系统的最大充电功率。
5)光热发电约束
Figure BDA00022906278500000913
Figure BDA00022906278500000914
Figure BDA00022906278500000915
Figure BDA00022906278500000916
Et0＝ET (30)
式中：Pt CSP表示t时刻光热发电的发电功率；RD、RU表示CSP汽轮发电机的最大上、下爬坡极限值；
Figure BDA0002290627850000101
表示储热系统安全运行的最小储热容量；Et表示储热系统在t时刻的储热容量；TMFY表示储热系统的满负荷运行小时数；ηrd表示储热系统的热电转换效率；
Figure BDA0002290627850000102
表示储热系统在t时刻的蓄热与放热功率；
Figure BDA0002290627850000103
Figure BDA0002290627850000104
表示储热系统的最大蓄热、放热功率；Et0、ET分别表示储能系统在一个调度周期始末的蓄热量。
6)电网传输功率约束
-Pfl,max≤Pl,t≤Pzl,max (31)
式中：Pfl,max、Pzl,max分别表示某线路l的反向、正向传输功率极限；Pl,t表示在t时刻某线路l的传输功率。
3.3目标权重计算
调度模型有三个目标函数，可以通过求解权重系数将其转化为单目标函数。采用粗糙集理论求解权重系数，求解过程为：
1)构造关系数据模型
假设任意目标函数fn的目标权重系数为1/n，即可获得适合于多个目标函数的最佳取值F；将该值作为决策属性，可获得表达形式为D＝{F}的决策属性集，则集合中有一条信息um为多目标的综合最佳取值，且um＝(f1m,f2m,···,fim；Fm)，那么样本集合可以表达为U＝{u1,u2,···um}，此时可用fn(um)＝anm,Fn(um)＝Fm来表示um的属性。
2)求解RA对RD的依赖度
Figure BDA0002290627850000105
式(12)中：RA、RD均为知识库；d()为粗糙集合基数；
Figure BDA0002290627850000106
表示以F为决策向量的知识库RD；RA()表示剔除指标an前的样本集U。
3)求解RA对
Figure BDA0002290627850000111
的依赖度
Figure BDA0002290627850000112
4)求解权重系数
Figure BDA0002290627850000113
Figure BDA0002290627850000114
实施例2
为了验证本模型的有效性，此处太阳能发电系统由光伏电站、光热电站及蓄电池储能系统组成。光伏发电装机容量为100MW，通过场景生成与场景削减之后，得到5组典型的光伏出力场景，取各场景的平均值作为光伏预测出力，负荷功率预测曲线与光伏出力预测曲线如图1、图2所示。
光热电站最大、最小输出功率分别为100MW、10MW，储热容量为上限与下限分别为1000MW、100MW，储能系统总容量为50MW，最大充放电功率为8MW。光照辐射强度如图3所示。
求解过程中，光伏发电的单位运维成本为30元/MW，光伏发电的弃光功率单位惩罚系数为100元/MW；光热发电集热系统运维成本为50元/MW，储热的运维成本为40元/MW；储能系统单位运维成本与折旧成本均取25元/MW。
由于光伏发电只在白天才能发电，则只对7点至18点进行仿真分析。由式(34)与(35)计算可知目标函数权重，即系统运行成本最小目标函数与新能源并网量最大目标函数的权重系数分别为0.7与0.3。
此处共设定两个场景进行分析：
场景1：基础场景，该场景中只含光伏电站与光热电站，不引入储能系统。
场景2：储能场景，此场景中上一场景基础上，引入储能系统。
结果分析
图4为场景1的调度结果。由图4可知，场景1中光伏发电出力为343.7MW·h，光热发电出力为516.6MW·h，光伏发电未消纳功率达108.1MW·h，光伏发电的消纳率仅为76.07％，因为在该场景中，光热电站不仅需要带负荷运行之外，还需要为光伏发电提供备用，以防止突发状况。所以系统为了减小缺电风险，降低了光伏发电的接纳比例，增加了光热发电的发电比例，虽然这样可以提高系统的供电可靠性，但光伏发电的接纳率较低，未能充分挖掘光伏发电的效益潜力。图5为场景2的调度结果。
由图5可知，场景2中光伏发电出力为411.1MW·h，光热发电出力为464.9MW·h，光伏发电未消纳功率仅为40.4MW·h，光伏发电并网率达91.06％。这是因为储能系统具有充电储能与放电供能两种特性，在负荷低谷、光伏发电高峰时期，将部分电能存储起来，在负荷用电高峰、光伏发电低谷时期放电缓解供电压力，而且储能系统可以为光伏发电提供备用功率，提升光伏发电的消纳空间，降低了光热发电的供电压力，使得光热发电可以提供更多的备用功率，提高了调度部门的调度灵活性，降低了系统的缺电风险。图6与图7分别为光热电站在不同场景的出力曲线及储热功率曲线。
由图6、图7可知，储能系统的引入减小了光热的供电压力，使储热系统的储热量略有增加，使光热发电的备用容量增加，光热发电的发电量减小产生的发电空间可以由光伏发电补充，提高了光伏发电的并网空间。图8为不同场景光伏出力曲线。
由图8可知，场景2中的光伏出力曲线在每一时段都高于场景1中的光伏出力曲线，这说明储能系统的引入使得光伏的并网电量在每一时段有所提升，同时光伏发电并网量在该系统中的供电占比由39.95％上升到46.92％，上升了6.97％。图9与图10分别为不同场景下弃光功率对比与系统运行成本对比。
由图9可知，在大部分调度时段，场景1中的弃光功率要远远大于场景2中的弃光功率，即场景2中新能源并网率更高，弃光功率更少；由图10可知，场景2在每个调度时段的系统运行成本均略低于场景1，即场景2中系统的经济效益要高于场景1。基于以上分析可知，引入储能系统可以降低系统运行成本，提高系统新能源消纳能力。表1为不同场景调度结果对比。
表1不同场景调度结果对比
Figure BDA0002290627850000131
由表1可知，场景2的系统的运行成本相比于场景1下降了1728元，下降了约2.02％；弃光功率减小了67.7MW，减小了约62.63％；光伏消纳量由76.07％提高到91.06％，上升了约15％。由以上数据可知，所建模型具有较好的经济性，而且可以有效降低系统的弃光功率，提高光伏发电的消纳率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于，包括以下步骤：
S1、对新能源发电系统中的不确定性进行分析；
S2、通过场景模拟方法描述新能源发电的不确定性；
S3、根据新能源发电的不确定性，以系统运行成本最低及光伏发电并网功率最大为优化目标，建立多目标优化模型；
S4、通过对比多场景的仿真结果，验证系统多目标优化调度。
2.根据权利要求1所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：所述步骤S1中对新能源发电系统中的不确定性进行分析，具体包括光伏发电不确定性分析、光热发电不确定性分析。
3.根据权利要求2所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：所述光伏发电不确定性分析采用如下方法：
用Beta分布函数描述辐射强度：
Figure FDA0002290627840000011
Figure FDA0002290627840000012
Figure FDA0002290627840000013
式中：r、rmax分别表示辐射强度及最大辐射强度；αp、βp分别为Beta的形状分布参数；μp、σp分别是辐射强度平均值与标准差；
光伏发电输出功率Pt,PP为：
Pt,PP＝SPPηPPrt (4)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为任意t时段的辐射强度；
光伏发电输出功率用Beta分布进行描述为：
Figure FDA0002290627840000021
式中：
Figure FDA0002290627840000022
为光伏发电最大输出功率；
光伏发电输出功率的期望值E(Pt,PP)及方差D(Pt,PP)表示为：
Figure FDA0002290627840000023
Figure FDA0002290627840000024
4.根据权利要求1所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：所述步骤S2中场景模拟包含场景生成与场景缩减两部分，场景模拟通过通过自回归滑动平均模型生成，场景缩减采用基于Kantorovich距离的后推削减方法对生成的场景集削减。
5.根据权利要求4所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：所述自回归滑动平均模型生成场景模拟的方法为：
通过自回归滑动平均模型生成光伏发电的出力场景：
Figure FDA0002290627840000025
式中：yt表示某t时段的时间序列值；φi表示自回归参量；μj表示滑动平均参量；αt表示平均值取值0及方差取值σ2的正态白噪声过程。
6.根据权利要求4所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：采用基于Kantorovich距离的后推削减方法对自回归滑动平均模型生成的场景集削减的方法为：
Figure FDA0002290627840000026
Figure FDA0002290627840000027
式中：t＝1、2、···、T为调度周期；
Figure FDA0002290627840000031
分别表示在任意t时段场景s与s'的光伏发电输出功率；
通过式(10)进行反复迭代，削减达到剩余场景数量要求。
7.根据权利要求1所述的一种考虑不确定性的新能源发电系统多目标优化调度方法，其特征在于：所述步骤S3中新能源发电系统多目标优化模型包括以下步骤：
S301、建立目标函数
F1＝min(Cyw+CBS+Ccf) (12)
Figure FDA0002290627840000032
式中：Cyw表示光热、光伏发电运维成本之和；CBS表示蓄电池运行成本；Ccf表示光伏发电弃光功率惩罚成本；Pt PP表示某t时刻光伏发电并网量；式(12)表示系统运行成本最小化；式(13)表示新能源并网量最大化；
S302、对建立目标函数形成约束条件，分别为：功率平衡约束、系统旋转备用约束、光伏运行约束和蓄电池运行约束，
S303、对建立的目标函数进行单目标函数转化。
8.考虑不确定性的新能源发电系统多目标优化调度方法装置，其特征在于：包括模块A，模块B，模块C和模块D，模块A，模块B，模块C和模块D依次连接；
模块A：对新能源发电系统中的不确定性进行分析；
模块B：通过场景模拟方法描述新能源发电的不确定性；
模块C：根据新能源发电的不确定性，以系统运行成本最低及光伏发电并网功率最大为优化目标，建立多目标优化模型；
模块D：通过对比多场景的仿真结果，验证系统多目标优化调度。
CN201911178466.XA 2019-11-27 2019-11-27 一种考虑不确定性的新能源发电系统多目标优化调度方法 Pending CN111049179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911178466.XA CN111049179A (zh) 2019-11-27 2019-11-27 一种考虑不确定性的新能源发电系统多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911178466.XA CN111049179A (zh) 2019-11-27 2019-11-27 一种考虑不确定性的新能源发电系统多目标优化调度方法

Publications (1)

Publication Number Publication Date
CN111049179A true CN111049179A (zh) 2020-04-21

Family

ID=70233677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911178466.XA Pending CN111049179A (zh) 2019-11-27 2019-11-27 一种考虑不确定性的新能源发电系统多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN111049179A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112818493A (zh) * 2021-02-02 2021-05-18 山东大学 一种新能源并网装备一体化设计方法及装备
CN114899815A (zh) * 2022-05-10 2022-08-12 新源智储能源发展(北京)有限公司 一种基于粗糙集的新能源与负荷出力场景归集方法
CN116885715A (zh) * 2023-09-05 2023-10-13 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112818493A (zh) * 2021-02-02 2021-05-18 山东大学 一种新能源并网装备一体化设计方法及装备
CN114899815A (zh) * 2022-05-10 2022-08-12 新源智储能源发展(北京)有限公司 一种基于粗糙集的新能源与负荷出力场景归集方法
CN116885715A (zh) * 2023-09-05 2023-10-13 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置
CN116885715B (zh) * 2023-09-05 2023-11-14 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置

Similar Documents

Publication Publication Date Title
CN111144668B (zh) 考虑场景模拟的综合能源系统随机优化模型的建立方法
CN111445090B (zh) 一种离网型综合能源系统双层规划方法
CN109767105B (zh) 一种基于风光水火储联合系统的多能互补协调发电调度方法
CN108063451B (zh) 一种提高风电接纳能力的电网多元优化调度方法
CN111049179A (zh) 一种考虑不确定性的新能源发电系统多目标优化调度方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
Kong et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
CN110930073B (zh) 计及价格型需求响应的风-光-光热联合发电系统日前调度方法
CN115640982B (zh) 基于抽水蓄能优先调节的多能互补系统日前优化调度方法
CN111313480B (zh) 一种基于多目标寻优的多能互补系统的设计方法
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
Li et al. A hybrid dynamic economic environmental dispatch model for balancing operating costs and pollutant emissions in renewable energy: A novel improved mayfly algorithm
CN114362153A (zh) 一种并网型风光储系统多目标容量优化配置方法及系统
CN109299862B (zh) 一种风电最大消纳能力的凸松弛评估方法
CN114498617A (zh) 一种考虑随机性的多能源发电系统两阶段优化调度方法
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
CN112560221A (zh) 含增强地热系统的设施农业能源网容量分配方法及装置
CN115577929A (zh) 基于多场景分析的乡村综合能源系统随机优化调度方法
CN116979578A (zh) 一种风光水火储的电气热三联产优化调度方法和系统
CN113536581B (zh) 一种计及运行策略的储能系统多状态可靠性建模方法
CN112994087B (zh) 基于条件风险约束的多源电力系统中期优化调度方法
CN109787294A (zh) 一种电力系统优化调度方法
Ma et al. Two-stage optimal dispatching based on wind-photovoltaic-pumped storage-thermal power combined power generation system

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