CN111327079B - 一种含电力潮流路由器的电力系统及其调度方法 - Google Patents

一种含电力潮流路由器的电力系统及其调度方法 Download PDF

Info

Publication number
CN111327079B
CN111327079B CN202010264380.5A CN202010264380A CN111327079B CN 111327079 B CN111327079 B CN 111327079B CN 202010264380 A CN202010264380 A CN 202010264380A CN 111327079 B CN111327079 B CN 111327079B
Authority
CN
China
Prior art keywords
power
unit
output
constraint
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.)
Active
Application number
CN202010264380.5A
Other languages
English (en)
Other versions
CN111327079A (zh
Inventor
杨汾艳
熊锋俊
盛超
卢启付
黄辉
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.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong 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 Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN202010264380.5A priority Critical patent/CN111327079B/zh
Publication of CN111327079A publication Critical patent/CN111327079A/zh
Application granted granted Critical
Publication of CN111327079B publication Critical patent/CN111327079B/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

Landscapes

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

Abstract

本申请公开了一种含电力潮流路由器的电力系统及其调度方法，系统包括：智能电网，与智能电网连接的电力潮流路由器，电力潮流路由器分别与常规机组、可再生能源机组、固定载荷以及弹性载荷相连；常规机组产生的电能以及可再生能源机组产生的电能通过电力潮流路由器传输至智能电网；智能电网通过电力潮流路由器将电能传输至固定载荷以及弹性载荷。本申请通过在电网中加装新型潮流路由器，可提升电网的传输能力和潮流控制能力，运行方式灵活多样；并通过复核的调度方案较好地避免弃风或者切负荷情况的发生，同时有效地消纳日前场景计划外的可再生能源出力，达到良好的可再生能源消纳效果。

Description

一种含电力潮流路由器的电力系统及其调度方法
技术领域
本申请涉及电力调度技术领域，尤其涉及一种含电力潮流路由器的电力系统及其调度方法。
背景技术
由于化石能源的不可再生性，近几年我国在风电、光伏等可再生能源领域发展迅猛，然而，由于出力的波动性和不确定性，极大限制了可再生能源并网消纳能力，导致三北地区出现较高的弃风、弃光问题，严重阻碍了可再生能源的健康发展。除了调峰能力、消纳市场空间不足等因素外，电网传输能力限制也是制约可再生能源消纳的关键因素之一。
为了提升电网传输能力灵活性进而消纳可再生能源，国内外较多学者提出了潮流控制器(Power Flow Controller，PFC)的概念，如TSC、SSSC、STATCOM、UPFC等FACTS设备，可灵活调节传输线的功率大小，国内外也先后陆续开展了FACTS的示范工程建设，显著提升了电网整体的输送能力；但由于PFC只能控制单条线路，调节能力有限且成本较高，限制了其推广应用。同时，为调动广泛灵活的充裕性资源协同参与系统调节、以最大化可再生能源消纳能力，许多研究学者提出了综合考虑发电、输配电、用电等环节灵活充裕性资源，及火电、水电和风电的技术特性，采用随机规划方法，以系统运行成本最低和可再生能源消纳能力最大化为目标的优化调度模型。并采用遗传算法、粒子群算法等群智能优化算法进行求解。
现有技术方案存在的问题：当前关于潮流路由器(Power Flow Router，PFR)的研究多侧重于其数学建模、优化潮流方面，还未见到面向可再生能源消纳技术的相关研究。同时，以可再生能源消纳能力最大化为目标而设计的优化调度模型较为简单，考虑的风电出力场景较为单一，且仅考虑了日前调度优化方案，不能很好地消纳计划外的风电功率波动。此外，所采用的群智能算法在收敛速度、寻优精度方面存在性能提升空间。电力潮流路由是新型的电力网潮流控制器件，具有强大的潮流控制能力，将之安装于电力系统中，可以提升电力系统运行的灵活性，增强电力系统的传输能力，从而实现可再生能源消纳最大化的技术目标。
发明内容
本申请实施例提供了一种含电力潮流路由器的电力系统及其调度方法，使得提升电网的传输能力和潮流控制能力，运行方式灵活多样。
有鉴于此，本申请第一方面提供了一种含电力潮流路由器的电力系统，所述系统包括：
智能电网，与所述智能电网连接的电力潮流路由器，所述电力潮流路由器分别与常规机组、可再生能源机组、固定载荷以及弹性载荷相连；所述常规机组产生的电能以及所述可再生能源机组产生的电能通过所述电力潮流路由器传输至所述智能电网；所述智能电网通过所述电力潮流路由器将电能传输至所述固定载荷以及所述弹性载荷。
可选的，包括与所述电力潮流路由器相连的储能单元；
所述储能单元用于存储电能。
本申请第二方面提供一种含电力潮流路由器的电力系统的调度方法，所述方法包括：
预测次日的风电出力场景集合并获取次日负荷预测数据，将按照出现概率排序后的风电出力场景以及所述次日负荷预测数据依次代入第一适应度函数中；
采用改进的遗传算法以及改进的灰狼算法共同求解第一适应度函数，得到优化后的机组组合以及机组出力，所述机组包括常规机组以及可再生能源机组；出现概率大于预设的阈值的风电出力场景为极大概率风电出力场景；
将优化后的常规机组的机组组合以及机组出力代入到含PFR的潮流计算模型中计算相应的风力发电机组允许最大出力；
若所述优化后的机组组合以及机组出力不能同时满足系统可调度容量约束以及系统爬坡能力约束，则所述机组组合以及机组出力对应的风电场景为奇异场景；
将极大概率风电出力场景以及所述奇异场景代入到所述第一适应度函数中进行求解，直到得到的机组组合以及机组出力满足所述系统可调度容量约束以及系统爬坡能力约束，得到所有满足所述系统可调度容量约束以及系统爬坡能力约束的机组组合及机组出力，所述极大概率风电出力场景为所述预测的次日风电出力场景中大概率的风电出力场景；
将所述所有满足所述系统可调度容量约束以及系统爬坡能力约束的机组组合代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令。
可选的，在所述将所述所有满足所述系统可调度容量约束以及系统爬坡能力约束的风电出力场景代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令，在收到最新的目标优化指令之前还包括：
电网中已装设的所述PFR处于局部自治控制模式，所述PFR根据最近一次所述目标优化指令与实际运行状况的偏差进行自治控制，使得各PFR所在局部电网运行在所述目标优化指令的邻域内。
可选的，所述第一适应度函数具体为：
Figure BDA0002440683810000031
其中，
Figure BDA0002440683810000032
式中，风电机组发电机数目为m，常规机组的发电机数目为NG；风电极大概率出力场景集合为NS；BR、BC分别为可再生能源发电收益、常规机组的发电机发电成本权重系数；PW为每kWh可再生能源发电的经济效益；ps为出力场景发生的概率；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率；ΔT为调度时间间隔；SCi为常规机组i的启动成本；uit为常规机组i在时段t的状态，当uit＝1时，常规机组i在时段t运行，当uit＝0时，常规机组i在时段t停止；
Figure BDA0002440683810000041
为场景s下的常规机组i在时段t的出力；
Figure BDA0002440683810000042
为场景s下的常规机组i在时段t的运行费用，CPC为潮流计算模型决定的惩罚系数，当日前调度计划满足含PFR潮流计算模型的所有约束时；CPC＝1，当存在约束不能满足的情况时，CPC＝1-0.1*Cu，其中Cu为不能满足的约束数；ai、bi、ci分别为常规机组i的燃料费用系数；hci、cci分别为常规机组的热启动、冷启动成本；toffit为常规机组i在时段t的连续停机时间；MDTi、CSHi分别为常规机组i的连续停机时间和冷启动时间。
可选的，所述第一适应度函数的约束条件包括第一功率平衡约束、旋转备用约束、最小开停机时间约束以及机组出力约束；
所述第一功率平衡约束为：
Figure BDA0002440683810000043
式中，Loadt为时段t所需的总负荷；
所述旋转备用约束为：
Figure BDA0002440683810000044
式中，Pi max和Pi min分别为常规机组i的有功出力的最大值和最小值；
Figure BDA0002440683810000045
和
Figure BDA0002440683810000046
分别为时段t的上旋转备用和下旋转备用；
所述最小开停机时间约束为：
Figure BDA0002440683810000047
式中，tonit为常规机组i在时段t的连续开机时间；
所述机组出力约束为：
Figure BDA0002440683810000048
式中，
Figure BDA0002440683810000049
分别为常规机组i在时段t的最小和最大出力；DRi、URi分别为机组i的向下、向上爬坡速率。
可选的，所述潮流计算模型的潮流目标函数为：
Figure BDA0002440683810000051
式中，
Figure BDA0002440683810000052
W＝VV*，*表示矩阵的共轭转置运算，V为线路潮流控制器侧电压列向量，
Figure BDA0002440683810000053
W为半正定矩阵，且W≥0，
Figure BDA0002440683810000054
Figure BDA0002440683810000055
代表yik的共轭运算，yik为线路的导纳参数，ετ和εs为非负的实系数，N为网络中所有母线节点集合，Ωi为网络中所有潮流路由器的节点集合。
可选的，所述潮流目标函数的约束条件包括第二功率平衡约束、PFR参数约束、节点电压约束、有功功率及无功功率约束、线路容量约束以及风力机组出力上、下约束；
所述第二功率平衡约束为：
Figure BDA0002440683810000056
所述PFR参数约束：
Figure BDA0002440683810000057
所述节点电压约束为：
Figure BDA0002440683810000058
所述有功功率及无功功率约束为：
Figure BDA0002440683810000059
所述线路容量约束为：
Figure BDA00024406838100000510
所述风力机组出力上、下约束为：
Figure BDA00024406838100000511
可选的，所述日中调度模型的第二适应度函数为：
Figure BDA0002440683810000061
式中：Str为可再生收益系数，Stc为传统电源收益系数，t0为优化计算的起始时刻，Ts为优化计算选取的时间区间。
可选的，所述第二适应度函数的约束条件为：
功率平衡约束：
Figure BDA0002440683810000062
节点电压约束方程：
Figure BDA0002440683810000063
Ui,min≤|Vi|≤Ui,max,i∈{1,2,…,nb}
Figure BDA0002440683810000064
Figure BDA0002440683810000065
Figure BDA0002440683810000066
有功功率、无功功率约束方程：
Figure BDA0002440683810000067
Figure BDA0002440683810000068
Figure BDA0002440683810000069
线路容量约束：
Figure BDA00024406838100000610
机组出力上下限约束：
Figure BDA00024406838100000611
Figure BDA00024406838100000612
从以上技术方案可以看出，本申请具有以下优点：
本申请中，提供了一种含电力潮流路由器的电力系统及其调度方法，方法包括：预测次日的风电出力场景集合并获取次日负荷预测数据，将按照出现概率排序后的风电出力场景以及次日负荷预测数据依次代入第一适应度函数中；采用改进的遗传算法以及改进的灰狼算法共同求解第一适应度函数，得到优化后的机组组合以及机组出力，机组包括常规机组以及可再生能源机组；将优化后的常规机组的机组组合以及机组出力代入到含PFR的潮流计算模型中计算相应的风力发电机组允许最大出力；若优化后的机组组合以及机组出力不能同时满足系统可调度容量约束以及系统爬坡能力约束，则机组组合以及机组出力对应的风电场景为奇异场景；将极大概率风电出力场景以及奇异场景代入到第一适应度函数中进行求解，直到得到的机组组合以及机组出力满足系统可调度容量约束以及系统爬坡能力约束，得到所有满足系统可调度容量约束以及系统爬坡能力约束的机组组合及机组出力；将所有满足系统可调度容量约束以及系统爬坡能力约束的机组组合代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令。
本申请通过在电网中加装电力潮流路由器可提升电网的传输能力和潮流控制能力，运行方式灵活多样；在日前调度方案中同时考虑极大概率风电出力场景和奇异风电出力场景，确定日前机组开机计划，可再生能源消纳性能优，鲁棒性好，可较好地避免弃风或者切负荷情况的发生；在日中调度方案中采用时段滚动优化调度结合自治控制的方法，运用准确性较高超短期负荷预测、风电出力预测，及时优化电源出力与潮流路由器控制参数，运行自治控制自适应保持分块局部电网在允许状态区域内运行，可有效消纳日前场景计划外的可再生能源出力，达到良好的可再生能源消纳效果。
附图说明
图1为本申请一种含电力潮流路由器的电力系统的一个实施例的系统架构图；
图2为本申请一种含电力潮流路由器的电力系统的实施例中电力潮流路由器的等效模型示意图；
图3为本申请一种含电力潮流路由器的电力系统的调度方法的一个实施例的方法流程图。
具体实施方式
本申请通过在电网中加装电力潮流路由器可提升电网的传输能力和潮流控制能力，运行方式灵活多样；在日前调度方案中同时考虑极大概率风电出力场景和奇异风电出力场景，确定日前机组开机计划，可再生能源消纳性能优，鲁棒性好，可较好地避免弃风或者切负荷情况的发生；在日中调度方案中采用时段滚动优化调度结合自治控制的方法，运用准确性较高超短期负荷预测、风电出力预测，及时优化电源出力与潮流路由器控制参数，运行自治控制自适应保持分块局部电网在允许状态区域内运行，可有效消纳日前场景计划外的可再生能源出力，达到良好的可再生能源消纳效果。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，图1为本申请一种含电力潮流路由器的电力系统的一个实施例的系统架构图，图1中包括：智能电网，与智能电网连接的电力潮流路由器，电力潮流路由器分别与常规机组、可再生能源机组、固定载荷以及弹性载荷相连；常规机组产生的电能以及可再生能源机组产生的电能通过电力潮流路由器传输至智能电网；智能电网通过电力潮流路由器将电能传输至固定载荷以及弹性载荷。
需要说明的是，该电力潮流路由器与智能电网1通信，并且从储能单元11、常规机组12、可再生能源机组13获得能量，并向固定载荷14、弹性载荷15输送能量。路由器包含传输线潮流控制器2、3、4(实际可能包含一个或多个传输线潮流控制器)、储能接口5、发电机接口6、可再生能源控制器7、负载接口8、负载控制器9、计算单元10及其它通信接口。
可以看出，电力潮流路由器是由公共母线、多个集成能量接口和通信接口的潮流控制设备以及中央计算单元组成的新型电力系统潮流控制设备，安装于电力系统母线节点处，用于取代原有母线。接入原母线的各进出线、常规机组(可调度发电机)、可再生能源发电装置、储能装置、固定负荷和弹性负荷，可通过相应的潮流控制设备接口接入公共母线。各潮流控制设备可独立地测量接入设备的潮流状态，并上传至计算单元。在计算单元的的控制下，各潮流控制设备可独立智能地调节接口端电压，进行无功补偿，控制各接口潮流；协调传输线、可调度发电机、可再生能源发电设备与储能装置的运行状态，实现功率平衡；区域电网各节点母线处的潮流路由器可在智能电网的框架下通信，从而确定各潮流路由器的最优运行状态，最大化的区域电网负载能力，实现电力系统高效运行。线路潮流控制器可以调节线路电压的幅值和相角，并且能够为线路提供无功补偿，其等效模型如图2所示，可将其等效为移相变压器17串联一个理想电压源18并与一个无功补偿装置20并联。
以上是本申请的系统实施例，本申请还包括一种含电力潮流路由器的电力系统调度方法的实施例，其方法流程图如图3所示，包括：
101、预测次日的风电出力场景集合并获取次日负荷预测数据，将按照出现概率排序后的风电出力场景以及次日负荷预测数据依次代入第一适应度函数中。
需要说明的是，采用动态场景生成技术，产生风力发电机次日出力场景，并将动态场景按发生概率缩减排序，得到风电极大概率出力场景集合为NS，已知次日负荷预测数据，从而得到适应度较高的风力发电机次日出力场景以及对应的常规机组的出力、常规机组的开停机方式以及风电机组的出力；将适应度较高的极大概率风力发电机次日出力场景的代入代入到潮流计算模型中，采用混合遗传灰狼算法进行求解得到优化后的常规机组的开停机方式、常规机组的出力以及风电机组的出力，即得到次日满足所有风电机组的大概率风电出力场景，且综合收益最优的常规机组出力、常规机组开停机方式以及风电机组出力。
其中，第一适应度函数为：
Figure BDA0002440683810000091
其中，
Figure BDA0002440683810000092
式中，风电机组发电机数目为m，常规机组的发电机数目为NG；风电极大概率出力场景集合为NS；BR、BC分别为可再生能源发电收益、常规机组的发电机发电成本权重系数；PW为每kWh可再生能源发电的经济效益；ps为出力场景发生的概率；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率；ΔT为调度时间间隔；SCi为常规机组i的启动成本；uit为常规机组i在时段t的状态，当uit＝1时，常规机组i在时段t运行，当uit＝0时，常规机组i在时段t停止；
Figure BDA0002440683810000101
为场景s下常规机组i在时段t的出力；
Figure BDA0002440683810000102
为场景s下常规机组i在时段t的运行费用；CPC为潮流计算模型决定的惩罚系数，当日前调度计划满足含PFR潮流计算模型的所有约束时，CPC＝1，当存在约束不能满足的情况时，CPC＝1-0.1*Cu，其中Cu为不能满足的约束数；ai、bi、ci分别为常规机组i的燃料费用系数；hci、cci分别为常规机组的热启动、冷启动成本；toffit为常规机组i在时段t的连续停机时间；MDTi、CSHi分别为常规机组i的连续停机时间和冷启动时间。
适应度函数的约束条件包括：
第一功率平衡约束为：
Figure BDA0002440683810000103
式中，Loadt为时段t所需的总负荷；
旋转备用约束为：
Figure BDA0002440683810000104
式中，Pi max和Pi min分别为常规机组i的有功出力最大值和最小值；
Figure BDA0002440683810000105
和
Figure BDA0002440683810000106
分别为时段t的上旋转备用和下旋转备用；
最小开停机时间约束为：
Figure BDA0002440683810000107
式中，tonit为常规机组i在时段t的连续开机时间；
机组出力约束为：
Figure BDA0002440683810000111
式中，
Figure BDA0002440683810000112
分别为机组i在时段t的最小和最大出力；DRi、URi分别为机组i的向下、向上爬坡速率。
102、采用改进的遗传算法以及改进的灰狼算法共同求解第一适应度函数，得到优化后的机组组合以及机组出力，机组包括常规机组以及可再生能源机组。
需要说明的是，可以采用混合遗传灰狼算法对适应度函数的日前调度计划问题进行求解。所求解问题中的机组组合状态采用由0和1组成的状态矩阵表示机组的开机状态，0表示机组停机，1表示机组开机发出功率，针对状态矩阵各变量二元整数规划的特点，对标准遗传算法进行改进，形成新型改进遗传算法(MGA)，提升算法的寻优精度；同时，优化标准灰狼算法，形成改进灰狼算法(MGWO),提升MGWO算法收敛的精度，强化算法的寻优速度，结合两种改进智能寻优算法，形成混合遗传灰狼优化算法，可充分发挥改进遗传算法和改进灰狼算法性能特点，使用改进遗传算法和改进灰狼算法分别求解机组组合和机组计划出力，配合含潮流路由器的电力网，形成更合理的机组组合计划，从而优化电力系统可再生能源消纳性能，使电力网实现可再生能源消纳最大化。
其中，改进的遗传算法具体为：
采用N×T的0-1矩阵描述发电机启停组合，N为区域电网内参与日前调度发电机的数目，T为时段数目。本发明所提改进遗传算法增加环境质量系数LQ如下：
Figure BDA0002440683810000113
当LQ＝1时，种群各染色体处于适宜的环境中，染色体繁衍速率加快，种群规模增加，可有效地丰富种群多样性。当LQ＝-1时，种群染色体处于恶劣的环境中，染色体间竞争烈度增强，交叉、变异强度增加，有利于种群脱离局部最优状态。当LQ＝0时，种群进入平稳期，种群规模保持不变，利于搜索最优值。在每次循环计算时，根据当前的环境质量系数决定交叉、变异算子的具体操作。环境质量系数LQ将以“1，0，-1”的规律变化，由Nmaxc按下式指定LQ的长度。
Figure BDA0002440683810000121
目标值计算：由第一适应度函数得出各染色体的适应度值，按照下式计算各染色体的目标值：
Figure BDA0002440683810000122
式中：Ta(i)为染色体的目标值，f(i)为染色体的适应度值，fmin、fmax为种群染色体适应度的最小值和最大值。
染色体选择：对种群染色体进行两两随机配对，计算配对染色体的目标值为：
Tac(i,j)＝Ta(i)+Ta(j)
式中，Tac(i,j)为配对个体目标值，改进后的遗传选择策略，可充分利用原有种群染色体产生新的种群，并且避免了以往选择策略所带来的种群快速同质化的问题，可有效防止种群陷入局部最优。
染色体交叉：对于已配对的染色体H(i)N×T、H(j)N×T，逐位对比状态矩阵各元素，记录每个不同元素所在位置，父代染色体H(i)N×T、H(j)N×T生成候选子代染色体时，状态矩阵中相同的元素可以直接遗传给候选子代染色体，对每一位不同元素，由交叉概率C决定是否相互交换不同元素并遗传至候选子代染色体，交叉概率C由配对个体目标值Tac(i,j)决定：
Figure BDA0002440683810000123
式中，C1<C2<C3，r1、r2、r3为[0,1]内均匀分布的随机数。
种群中父代染色体和候选子代染色体存在竞争保留关系，将保留适应度较优的染色体:
Figure BDA0002440683810000131
式中，Nk为父代染色体和候选子代染色体共同竞争后保留染色体的数目，当父代染色体H(i)N×T、H(j)N×T配对个体目标值Tac(i,j)∈[0,1)时，每次将产生4个候选子代，其余的每次仅产生2个候选子代。改进遗传算法交叉策略能克服标准遗传算法单一固定交叉概率导致的局部搜索能力差的缺点，结合环境质量系数LQ和配对染色体目标值Tac(i,j)，动态确定交叉概率，局部搜索性能更优。当LQ＝1时，种群扩张，保留更多的染色体以丰富种群的多样性；当LQ＝0时，种群稳定，基于多样性丰富的种群，能有效地进行寻优搜索；当LQ＝-1时，种群规模减小，交叉强度增加，有利于脱离局部最优状态。配对目标值不同的染色体在不同的环境质量系数下存在不同的交叉搜索行为，改进遗传算法灵活多样的交叉搜索算子使得算法的搜索能力得到优化。竞争保留后的父代染色体和候选子代染色体共同构成候选子代种群。
染色体变异：为克服标准遗传算法单点变异搜索效率低、全局搜索能力不足导致种群困于局部最优解的问题，本申请提出的改进遗传算法采用新型的染色体变异算子，在每个染色体状态矩阵中，随机选取0.3N行0-1字符串，并在每行0-1字符串中随机选取B位连续0-1串，然后将B位字符串代表的二进制数转化为十进制数D，并进行如下操作：
Figure BDA0002440683810000132
并按照下式进行搜索：
Figure BDA0002440683810000133
式中：rs为[0,1]内的随机数；将每次搜索所得
Figure BDA0002440683810000141
乘以2B-1后就近取整，并转为二进制数，替换原染色体相应位置0-1字符串，对状态矩阵中被选定的每行染色体均进行上述操作，生成新的候选子代染色体，计算新候选子代染色体的适应度值，与原候选子代染色体比较，保留较优的染色体状态矩阵，若原候选子代染色体适应度值较优，按照上式至多搜索10次。B按下式决定：
Figure BDA0002440683810000142
上式表明，当种群处于扩张期时，目标值Ta(i)∈[0,0.9)个体将发生一定程度的变异，以丰富种群基因库；当种群收缩时，目标值Ta(i)∈[0,0.9)个体将进行较高强度变异，以使染色体脱离局部最优状态；目标值Ta(i)∈[0.9,1]以及处于平稳期的目标值为Ta(i)∈[0,0.9)个体，其变异强度低，有利于优良染色体的保留及进行局部搜索寻优。运行染色体选择算子时，未能配对的个体，将不参加交叉算子，直接加入候选子代种群，参加染色体变异算子。改进遗传算法地优化了寻优性能，能有效脱离局部最优状态、趋近全局最优的机组启停组合。
改进的灰狼优化算法的主要算子如下：
精英狼竞选：狼群依次对当前精英狼层级进行挑战，竞选适应度最优前四只灰狼为一级精英狼As(1)和二级精英狼As(2)、As(3)、As(4)，调整人工狼群层级结构为一级精英狼，二级精英狼和普通狼。MGWO算法改善了冗余的狼群结构，使普通狼能更迅速地响应精英狼的指令，有利于强化MGWO算法的收敛速度。
精英狼搜索：精英狼间分享各自所在位置信息，各精英狼按下式评估其当前所在位置对剩余精英狼的吸引系数：
Figure BDA0002440683810000151
式中：Mn(w)为第n次迭代中精英狼As(w)对剩余精英狼的吸引系数；fn(As(w))为第n次迭代中精英狼As(w)的适应度；fn(As(1))、fn(As(4))为精英狼As(1)、As(4)的适应度。
精英狼k、l间的相互趋近搜索的驱动力如下式:
Figure BDA0002440683810000152
式中，Fn(k,l)为驱使当前精英狼As(k)、As(l)相互运动的驱动力，G(n)当前驱动力系数，G(n)＝100exp(-20n/Maxc),Maxc为最大循环次数；||As(k)-As(l)||2为精英狼k、l间直线距离的平方。
精英狼k朝向其余精英狼运动搜索的驱动力如式：
Figure BDA0002440683810000153
式中：r为[0,1]内的随机数，r使精英狼As(k)能发挥其智能，决定搜索的方向是靠近其余精英狼还是远离其余精英狼。
精英狼k按下式运动搜索产生候选位置：
Figure BDA0002440683810000154
式中：Ahz(k)为精英狼k交流猎物位置信息后预期前往的位置；Spr[-1,1]内的随机数。精英狼As(k)在驱动力的作用下运动，搜索最优猎物潜在位置，式中等号右边第三项使得精英狼As(1)发挥灯塔作用，引导其余精英狼As(k)的猎物搜索过程，增强了精英狼间的互动行为；精英狼k在进行搜索后，仅会保留当前和预期位置中较优的一个。
包围圈形成：普通狼A(i)在精英狼As(w)启发下按下式确定包围区域：
Figure BDA0002440683810000155
式中：As(w)为精英狼所在位置；Dsw为精英狼As(w)给普通狼A(i)指定包围圈的半径；Xw为精英狼As(w)给普通狼A(i)指定的搜索区域；Rw是[0,1]内的随机数；Yr为外部权限系数，Yr为[-1,1]内的随机数；w＝1、2、3、4；i＝1,2,…,Nw；Nw为狼群灰狼数目。MGWO进一步增强了精英狼把握最优猎物位置的能力，去掉了猎物定位系数P。去除收缩因子Q，精英狼不再机械地指定普通狼A(i)负责包围圈的半径，Rw使普通狼A(i)能凭借个体的智能，在接收精英狼的信息后，灵活地确定包围圈半径，完成对上式第二式指定区域的包围活动，权限系数Yr赋予普通狼搜索包围圈外部边缘的能力，优化了普通狼的搜索方式。
搜索猎物：普通狼式A(i)按下式前往对应区域搜索猎物：
A(i)＝We1X1+We2X2+We3X3+We4X4
式中：We1、We2、We3、We4为精英狼支配权重系数，We1＝0.55、We2＝0.2、We3＝0.15、We4＝0.1。MGWO的普通狼A(i)在确定搜索区域时，引入支配权重系数，考虑了不同精英狼指令的优先级对搜索最优猎物的影响，从而充分发挥狼群不同层级个体在捕获最优猎物时的作用。
狼群展开：狼群所有成员在搜索空间按下式展开，为下一轮捕猎做好准备：
Acz(i)＝CAu(i)(1-Au(i))
式中，C为[3.65,4]内的随机数，Au(i)为灰狼i所在位置的标幺量，狼群展开算子操作前，应将狼群所有灰狼所在位置标幺化，Au(i)＝(Au(i)-ul)/(us-ul)；us、ul为变量的上、下限；Acz(i)为灰狼A(i)的预期位置；狼群展开时，灰狼仅会保留当前与预期位置中较优的一个参与下轮迭代，若预期位置Acz(i)的适应度不如A(i)，则灰狼A(i)可至多进行10次展开搜索行为，下一次展开搜索以当前适应度较差的预期位置为起点。增加狼群展开行为，避免狼群整体过度聚拢在精英狼附近区域，可增加种群多样性。
相较于标准GWO算法，MGWO实现了局部峰值解搜索能力和整体峰值解寻优能力在整个迭代过程中的平衡，较好地提升了算法寻优精度，强化了收敛速度，使人工狼群能有效地脱离局部最优，搜寻发电机组最优出力状态。经此阶段求解后，可得常规机组满足风电各极大概率预测出力场景下的机组组合计划。
103、将优化后的常规机组的出力代入到含PFR的潮流计算模型中计算相应的风力发电机组的允许最大出力。
需要说明的是，含PFR的潮流计算模型中的目标潮流函数具体为：
Figure BDA0002440683810000171
式中，
Figure BDA0002440683810000172
W＝VV*，*表示矩阵的共轭转置运算，V为线路潮流控制器侧电压列向量，
Figure BDA0002440683810000173
W为半正定矩阵，且W±0，
Figure BDA0002440683810000174
Figure BDA0002440683810000175
代表yik的共轭运算，其中yik为线路的导纳参数，ετ和εs为非负的实系数，N为网络中所有母线节点集合，Ωi为网络中所有潮流路由器的节点集合。
潮流目标函数的约束条件包括第二功率平衡约束、PFR参数约束、节点电压约束、有功功率及无功功率约束、线路容量约束以及风力机组出力上、下约束。
其中，第二功率平衡约束为：
Figure BDA0002440683810000176
PFR参数约束：
Figure BDA0002440683810000177
节点电压约束为：
Figure BDA0002440683810000178
有功功率及无功功率约束为：
Figure BDA0002440683810000179
线路容量约束为：
Figure BDA00024406838100001710
风力机组出力上、下约束为：
Figure BDA00024406838100001711
104、若优化后的机组组合以及机组出力不能同时满足系统可调度容量约束以及系统爬坡能力约束，则机组组合以及机组出力对应的风电场景为奇异场景。
需要说明的是，为了提高含风电机组电力系统的可再生能源消纳能力，所求得的常规机组开停机方式，常规机组出力以及风电机组出力的组合应当满足所有可能的风电出力场景，即能满足系统可调度容量约束以及系统爬坡能力约束。
其中系统可调度容量约束为：
Figure BDA0002440683810000181
系统爬坡能力限制约束为：
Figure BDA0002440683810000182
若在某一风电出力场景下出现不能同时满足系统可调度容量约束以及系统爬坡能力约束，则将该风电场景定义为奇异风电出力场景，将极大概率风电出力场景与奇异场景一同作为输入，以第一适应度函数为优化目标，且求解过程满足第一适应度函数的约束条件，得到的所有机组组合计划(常规机组开停机方式、常规机组处理和风电机组处理)满足所有可能的风电出力场景，从而避免因奇异场景出现引起的弃风现象。
105、将极大概率风电出力场景以及奇异场景代入到第一适应度函数中进行求解，直到得到的机组组合以及机组出力满足系统可调度容量约束以及系统爬坡能力约束，得到所有满足系统可调度容量约束以及系统爬坡能力约束的机组组合以及机组出力，极大概率风电出力场景为预测的次日风电出力场景中大概率的风电出力场景。
106、将所有满足系统可调度容量约束以及系统爬坡能力约束的机组组合代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令。
需要说明的是，对于已经求得的日前常规机组开机方式，结合超短期可再生能源预测结果和负荷预测结果，进行可再生能源出力日中滚动优化调度，优化计算各潮流路由器控制参数、常规电源出力，实现可再生能源消纳最大化。第二适应度函数如下：
Figure BDA0002440683810000191
式中：Str为可再生收益系数，Stc为传统电源收益系数，t0为优化计算的起始时刻，Ts优化计算选取的时间区间。日中滚动优化调度选取的时间区间一般小于4h，此时负荷及可再生能源的出力预测相对准确，为此，可根据当前负荷及可再生能源出力预测值，对各类电源的出力进行滚动修正，从而使电力系统接纳更多的可再生能源。
约束条件包括：
功率平衡约束：
Figure BDA0002440683810000192
节点电压约束方程：
Figure BDA0002440683810000193
Ui,min≤|Vi|≤Ui,max,i∈{1,2,…,nb}
Figure BDA0002440683810000194
Figure BDA0002440683810000195
Figure BDA0002440683810000196
有功功率、无功功率约束方程：
Figure BDA0002440683810000197
Figure BDA0002440683810000198
Figure BDA0002440683810000199
线路容量约束：
Figure BDA00024406838100001910
机组出力上下限约束：
Figure BDA0002440683810000201
Figure BDA0002440683810000202
采用灰狼算法在满足上述约束函数的情况下求解第二适应度函数，求得可再生能源收益最大化的可再生能源出力、传统能源出力和PFR控制参数，调整对应PFR在优化时段内的目标指令参数，从而消纳更多的可再生能源。
本申请通过在电网中加装电力潮流路由器可提升电网的传输能力和潮流控制能力，运行方式灵活多样；在日前调度方案中同时考虑极大概率风电出力场景和奇异风电出力场景，确定日前机组开机计划，可再生能源消纳性能优，鲁棒性好，可较好地避免弃风或者切负荷情况的发生；在日中调度方案中采用时段滚动优化调度结合自治控制的方法，运用准确性较高的超短期负荷预测、风电出力预测，及时优化电源出力与潮流路由器控制参数，运行自治控制自适应保持分块局部电网在允许状态区域内运行，可有效消纳日前场景计划外的可再生能源出力，达到良好的可再生能源消纳效果。
以上本申请是一种含电力潮流路由器电力系统的调度方法的一个实施例，本申请还包括一种含电力潮流路由器的电力系统的调度方法的另外一个实施例，将所有满足系统可调度容量约束以及系统爬坡能力约束的风电出力场景代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令。在收到最新的目标优化指令之前还包括：
电网中已装设的PFR处于局部自治控制模式，PFR根据最近一次目标优化指令与实际运行状况的偏差进行自治控制，使得各PFR所在局部电网运行在目标优化指令的邻域内。
需要说明的是，本申请通过运行自治控制自适应保持分块局部电网在允许状态区域内运行，可有效消纳日前场景计划外的可再生能源出力，达到良好的可再生能源消纳效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种含电力潮流路由器的电力系统的调度方法，其特征在于，包括：
预测次日的风电出力场景集合并获取次日负荷预测数据，将按照出现概率排序后的风电出力场景以及所述次日负荷预测数据依次代入第一适应度函数中；出现概率大于预设的阈值的风电出力场景为极大概率风电出力场景；
所述第一适应度函数具体为：
Figure FDA0003124744700000011
其中，
Figure FDA0003124744700000012
式中，风电机组发电机数目为m，常规机组的发电机数目为NG；风电极大概率出力场景集合为NS；BR、BC分别为可再生能源发电收益、常规机组的发电机发电成本权重系数；PW为每kWh可再生能源发电的经济效益；ps为出力场景发生的概率；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率；ΔT为调度时间间隔；SCi为常规机组i的启动成本；uit为常规机组i在时段t的状态，当uit＝1时，常规机组i在时段t运行，当uit＝0时，常规机组i在时段t停止；
Figure FDA0003124744700000013
为场景s下的常规机组i在时段t的出力；
Figure FDA0003124744700000014
为场景s下的常规机组i在时段t的运行费用，CPC为潮流计算模型决定的惩罚系数，当日前调度计划满足含PFR潮流计算模型的所有约束时，CPC＝1，当存在约束不能满足的情况时，CPC＝1-0.1*Cu，Cu为不能满足的约束数；ai、bi、ci分别是常规机组i的燃料费用系数；hci、cci分别为常规机组的热启动、冷启动成本；toffit为常规机组i在时段t的连续停机时间；MDTi、CSHi分别为常规机组i的连续停机时间和冷启动时间；
采用改进的遗传算法以及改进的灰狼算法共同求解第一适应度函数，得到优化后的机组组合以及机组出力，所述机组包括常规机组以及可再生能源机组；
将优化后的常规机组的机组组合以及机组出力代入到含PFR的潮流计算模型中计算相应的风力发电机组允许最大出力；
若所述优化后的机组组合以及机组出力不能同时满足系统可调度容量约束以及系统爬坡能力约束，则所述机组组合以及机组出力对应的风电场景为奇异场景；
将所述极大概率风电出力场景以及所述奇异场景代入到所述第一适应度函数中进行求解，直到得到的机组组合以及机组出力满足所述系统可调度容量约束以及系统爬坡能力约束，得到所有满足所述系统可调度容量约束以及系统爬坡能力约束的机组组合及机组出力；
将所述所有满足所述系统可调度容量约束以及系统爬坡能力约束的机组组合代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令。
2.根据根据权利要求1所述的含电力潮流路由器的电力系统的调度方法，其特征在于，在所述将所述所有满足所述系统可调度容量约束以及系统爬坡能力约束的风电出力场景代入到日中调度模型中，采用改进的灰狼算法求解日中调度模型，得到可再生能源消纳最大化的可再生能源出力、传统电源出力和PFR控制参数，并调整对应的PFR在优化时段内的目标优化指令，在收到最新的目标优化指令之前还包括：
电网中已装设的所述PFR处于局部自治控制模式，所述PFR根据最近一次所述目标优化指令与实际运行状况的偏差进行自治控制，使得各所述PFR所在局部电网运行在所述目标优化指令的邻域内。
3.根据权利要求1所述的含电力潮流路由器的电力系统的调度方法，其特征在于，所述第一适应度函数的约束条件包括第一功率平衡约束、旋转备用约束、最小开停机时间约束以及机组出力约束；
所述第一功率平衡约束为：
Figure FDA0003124744700000031
式中，Loadt为时段t所需的总负荷；
所述旋转备用约束为：
Figure FDA0003124744700000032
式中，
Figure FDA0003124744700000033
和
Figure FDA0003124744700000034
分别为常规机组i的有功出力的最大值和最小值；
Figure FDA0003124744700000035
和
Figure FDA0003124744700000036
分别为时段t的上旋转备用和下旋转备用；
所述最小开停机时间约束为：
Figure FDA0003124744700000037
式中，tonit为常规机组i在时段t的连续开机时间；
所述机组出力约束为：
Figure FDA0003124744700000038
式中，
Figure FDA0003124744700000039
分别为常规机组i在时段t的最小和最大出力；DRi、URi分别为机组i的向下、向上爬坡速率。
4.根据权利要求1所述的含电力潮流路由器的电力系统的调度方法，其特征在于，所述潮流计算模型的潮流目标函数为：
Figure FDA00031247447000000310
式中，
Figure FDA00031247447000000311
*表示矩阵的共轭转置运算，V为线路潮流控制器侧电压列向量，
Figure FDA00031247447000000312
W为半正定矩阵，且
Figure FDA00031247447000000313
Figure FDA00031247447000000314
Figure FDA00031247447000000315
代表yik的共轭运算，yik为线路的导纳参数，ετ和εs为非负的实系数，N为网络中所有母线节点集合，Ωi为网络中所有潮流路由器的节点集合。
5.根据权利要求4所述的含电力潮流路由器的电力系统的调度方法，其特征在于，所述潮流目标函数的约束条件包括第二功率平衡约束、PFR参数约束、节点电压约束、有功功率及无功功率约束、线路容量约束以及风力机组出力上、下约束；
所述第二功率平衡约束为：
Figure FDA0003124744700000041
式中，常规机组的发电机数目为NG；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率；
Figure FDA0003124744700000042
为场景s下的常规机组i在时段t的出力；Loadt为时段t所需的总负荷；
所述PFR参数约束：
Figure FDA0003124744700000043
Ωi为网络中所有潮流路由器的节点集合；
所述节点电压约束为：
Figure FDA0003124744700000044
所述有功功率及无功功率约束为：
Figure FDA0003124744700000045
所述线路容量约束为：
Figure FDA0003124744700000046
所述风力机组出力上、下约束为：
Figure FDA0003124744700000047
6.根据权利要求1所述的含电力潮流路由器的电力系统的调度方法，其特征在于，所述日中调度模型的第二适应度函数为：
Figure FDA0003124744700000051
式中：Str为可再生收益系数，Stc为的传统电源收益系数，t0为优化计算的起始时刻，Ts为优化计算选取的时间区间；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率。
7.根据权利要求6所述的含电力潮流路由器的电力系统的调度方法，其特征在于，所述第二适应度函数的约束条件为：
功率平衡约束：
Figure FDA0003124744700000052
式中，常规机组的发电机数目为NG；Pres,j,s,t为场景s下的风电机组j在时段t发出的有功功率；Loadt为时段t所需的总负荷；
节点电压约束方程：
Figure FDA0003124744700000053
Ui,min≤|Vi|≤Ui,max,i∈{1,2,…,nb}
Figure FDA0003124744700000054
Figure FDA0003124744700000055
Figure FDA0003124744700000056
有功功率、无功功率约束方程：
Figure FDA0003124744700000057
Figure FDA0003124744700000058
Figure FDA0003124744700000059
线路容量约束：
Figure FDA00031247447000000510
机组出力上下限约束：
Figure FDA00031247447000000511
Figure FDA00031247447000000512
CN202010264380.5A 2020-04-07 2020-04-07 一种含电力潮流路由器的电力系统及其调度方法 Active CN111327079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010264380.5A CN111327079B (zh) 2020-04-07 2020-04-07 一种含电力潮流路由器的电力系统及其调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010264380.5A CN111327079B (zh) 2020-04-07 2020-04-07 一种含电力潮流路由器的电力系统及其调度方法

Publications (2)

Publication Number Publication Date
CN111327079A CN111327079A (zh) 2020-06-23
CN111327079B true CN111327079B (zh) 2021-07-30

Family

ID=71169722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010264380.5A Active CN111327079B (zh) 2020-04-07 2020-04-07 一种含电力潮流路由器的电力系统及其调度方法

Country Status (1)

Country Link
CN (1) CN111327079B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072711A (zh) * 2020-08-11 2020-12-11 华北电力大学（保定） 基于动态优先级的配电网灵活性优化调度方法
CN112994018B (zh) * 2021-03-22 2023-02-28 东北电力大学 一种基于斩控阻抗器的无变压器式统一潮流控制器
CN115423578B (zh) * 2022-09-01 2023-12-05 广东博成网络科技有限公司 基于微服务容器化云平台的招投标方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109687466A (zh) * 2018-12-30 2019-04-26 广东电网有限责任公司 一种潮流路由器的选址方法和装置
CN110034587A (zh) * 2019-04-22 2019-07-19 广东电网有限责任公司 一种优化调度方法
CN110247400A (zh) * 2019-05-09 2019-09-17 广东电网有限责任公司 一种潮流路由器规划方法
CN110957717A (zh) * 2019-06-06 2020-04-03 国网辽宁省电力有限公司 一种多电源电力系统多目标日前优化调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108429294B (zh) * 2018-03-09 2020-04-28 中国电力科学研究院 一种含能量路由器的交直流网络潮流模型及求解方法
CN110289622B (zh) * 2019-03-26 2021-11-26 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN110490429A (zh) * 2019-07-29 2019-11-22 湘潭大学 基于ssa算法智能楼宇微电网家用负荷快速调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109687466A (zh) * 2018-12-30 2019-04-26 广东电网有限责任公司 一种潮流路由器的选址方法和装置
CN110034587A (zh) * 2019-04-22 2019-07-19 广东电网有限责任公司 一种优化调度方法
CN110247400A (zh) * 2019-05-09 2019-09-17 广东电网有限责任公司 一种潮流路由器规划方法
CN110957717A (zh) * 2019-06-06 2020-04-03 国网辽宁省电力有限公司 一种多电源电力系统多目标日前优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于潮流路由器技术的多时间尺度可再生能源消纳方法;杨汾艳;《广东电力》;20191130;第32卷(第11期);第3页 *

Also Published As

Publication number Publication date
CN111327079A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
Zhang et al. Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN111327079B (zh) 一种含电力潮流路由器的电力系统及其调度方法
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
CN107482638A (zh) 冷热电联供型微电网多目标动态优化调度方法
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN112651634B (zh) 基于序列运算的有源配电系统源网荷储日前有功调度方法
JP7153289B1 (ja) クラスタ学習に基づく低炭素ｃｓｐシステム協調的最適化方法及び装置
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN110247428A (zh) 一种基于源网荷协同优化的配电网光储联合配置方法
CN114336785B (zh) 一种基于网格聚类的分布式电源群控群调控制方法及装置
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN111832217B (zh) 一种考虑风电消纳的虚拟电厂优化运行方法
Ebell et al. Reinforcement learning control algorithm for a pv-battery-system providing frequency containment reserve power
CN113887141A (zh) 一种基于联邦学习的微电网群运行策略进化方法
Azizivahed et al. Multi-area dynamic economic dispatch considering water consumption minimization, wind generation, and energy storage system
Georgiou et al. A genetic algorithm driven linear programming for battery optimal scheduling in nearly zero energy buildings
Abedinia et al. Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles
Dahal et al. GA/SA-based hybrid techniques for the scheduling of generator maintenance in power systems
CN108075471A (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN114884134A (zh) 基于区间优化的火电机组灵活性调节调度方法
Dahal et al. Modern heuristic techniques for scheduling generator maintenance in power systems
CN110992206B (zh) 一种多源电场的优化调度方法及系统
Nandish et al. Simulation of household appliances with energy disaggrigation using deep learning technique

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