CN111429024B - 一种考虑灵活性平衡机理的水-风-光短期联合调度方法 - Google Patents

一种考虑灵活性平衡机理的水-风-光短期联合调度方法 Download PDF

Info

Publication number
CN111429024B
CN111429024B CN202010275567.5A CN202010275567A CN111429024B CN 111429024 B CN111429024 B CN 111429024B CN 202010275567 A CN202010275567 A CN 202010275567A CN 111429024 B CN111429024 B CN 111429024B
Authority
CN
China
Prior art keywords
flexibility
output
scheduling
constraint
power
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
CN202010275567.5A
Other languages
English (en)
Other versions
CN111429024A (zh
Inventor
张俊涛
李秀峰
高孟平
赵珍玉
蒋燕
高道春
吴洋
周涵
陈凯
周彬彬
王有香
段睿钦
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202010275567.5A priority Critical patent/CN111429024B/zh
Publication of CN111429024A publication Critical patent/CN111429024A/zh
Application granted granted Critical
Publication of CN111429024B publication Critical patent/CN111429024B/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
    • G06Q10/06—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
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑灵活性平衡机理的水‑风‑光短期联合调度方法，属于多能源互补协调调度技术领域。首先，利用分位点回归理论挖掘新能源历史运行统计信息，来量化其日前预测误差造成的灵活性需求。其次，提出了一种水电灵活性量化分析方法。基于上述灵活性供需量化方法，构建了考虑灵活性平衡机理的风光水短期优化调度模型。本发明可在不牺牲水电调峰效益的同时，充分挖掘水电系统灵活性，有效应对新能源出力不确定性，促进清洁能源消纳。因此，本发明面向西南水电主导的高比例可再生能源电网，提供了一种简单有效地量化及提升电网运行灵活性的技术途径，易于推广应用。

Description

一种考虑灵活性平衡机理的水-风-光短期联合调度方法
技术领域
本发明属于多能源互补协调调度技术领域，具体涉及一种考虑灵活性平衡机理的水-风-光短期联合调度方法，特别涉及水电主导高比例可再生能源电力系统的水-风-光短期联合调度。
背景技术
在能源转型和水电“西电东送”国家发展战略的推动下，我国西南地区已形成了多个水电主导的高比例可再生能源电网。以云南、青海为例，截止2018年底，两省可再生能源装机占比均超85％。其中，云南水电装机占比为73％，风电装机占比为10％，光伏装机占比为4％；青海水电装机占比为42.6％，风电装机占比为9.5％，光伏装机占比为34.4％。此外，由于丰富的风光资源，西南地区的新能源发展还有很大空间。目前，依据“新能源优先消纳原则”，电网普遍采用“预报值即为计划值”的新能源调度模式。但是，随着新能源装机占比的提升，其难预测性、不可调度性对日内负荷供需平衡的影响日益凸显。在制定电网日前调度计划时，亟需进一步挖掘水电系统灵活性，来保证电网的安全稳定运行。因此，如何量化系统灵活性需求及供给能力，并基于灵活性平衡机理，充分发挥水电系统灵活性，保证水电出力在关键时刻“顶的上去、压的下来”，以应对新能源预测误差是水电主导的高比例可再生能源电网亟待解决的难题。
系统灵活性是指在所关注时间尺度的有功平衡中，电力系统通过优化调配各类可用资源，以一定的成本适应发电、电网及负荷随机变化的能力。目前，国内外学者对于系统灵活性的研究主要集中在量化评价和灵活性资源规划两个方面。其中，关于灵活性量化评价的文献大致可分为两类，一类是量化灵活性需求，该类文献主要从爬坡速率、爬坡持续时间、偏差电量等角度应用统计或优化的方法对系统灵活性需求进行量化。另一类是灵活性供给能力的量化，主要利用静态指标或动态仿真方法来定量评价可调度电源、储能、电网互联、负荷侧响应，多能互补等资源途径的灵活性；在灵活性资源规划方面，相关文献主要探讨了在考虑短期灵活性需求的条件下，如何对长期规划模型进行构建和求解。综上可知，诸多文献对于系统灵活性的需求及供给的量化方法开展了研究，但水电主导的高比例可再生能源电网决策者更加关注的问题是，如何依据新能源预测值量化出次日各时段的灵活性需求，以及如何量化与提升水电系统的灵活性进而避免新能源预测误差带来的不利影响。因此如何克服现有技术的不足是目前多能源互补协调调度技术领域亟需解决的问题。
发明内容
针对上述现有技术的不足，本发明面向实际工程诉求，本发明提出了一种考虑灵活性平衡机理的水-风-光短期联合优化调度方法。首先，本发明利用分位点回归理论挖掘新能源历史运行统计信息，来量化其日前预测误差造成的灵活性需求。其次，提出了一种水电灵活性量化分析方法。基于上述灵活性供需量化方法，构建了考虑灵活性平衡机理的风光水短期优化调度模型，通过该模型可有效提高水电系统灵活性，应对新能源出力不确定性。
为实现上述目的，本发明采用的技术方案如下：
一种考虑灵活性平衡机理的水-风-光短期联合调度方法，包括如下步骤：
步骤(1)，采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
步骤(2)，基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；
基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；
将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；
将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
步骤(3)，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
步骤(4)，根据调度日新能源出力预测数据，对步骤(3)的目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
进一步，优选的是，步骤(2)的具体方法为：
由步骤(1)收集到D天新能源历史实际出力数据和历史预测数据，且每天出力数据采集次数为K，得到D×K组风电样本
Figure BDA0002444661330000031
d＝1,2,…,D；k＝1,2,…,K，其中
Figure BDA0002444661330000032
分别为历史第d天，第k个观测点的风电预测出力和实际出力；同样，得到D×K组光伏样本
Figure BDA0002444661330000033
d＝1,2,…,D；k＝1,2,…,K，其中，
Figure BDA0002444661330000034
分别为历史第d天，第k个观测点的光伏预测出力和实际出力；则调度日风电、光伏预测出力序列分别为
Figure BDA0002444661330000035
利用上述数据计算调度日新能源灵活性需求，步骤如下：
Step1.基于风电历史预测出力和实际出力数据构建分位点线性回归模型
Figure BDA0002444661330000036
其中，
Figure BDA0002444661330000037
为分位点线性回归模型参数估计值；输入任意t时刻的风电预测出力
Figure BDA0002444661330000038
即能获得该条件下的一组实际出力值分布的分位点
Figure BDA0002444661330000039
Step2.在分位点集合
Figure BDA00024446613300000310
中，选择
Figure BDA00024446613300000311
Figure BDA00024446613300000312
作为t时刻的风电预测出力
Figure BDA00024446613300000313
对应的实际出力下限和上限；从而得到调度日t时刻风电的向上灵活性需求
Figure BDA00024446613300000314
向下灵活性需求为
Figure BDA00024446613300000315
Step3.同理，能得到调度日任意t时刻光伏的向上灵活性需求
Figure BDA00024446613300000316
向下灵活性需求为
Figure BDA00024446613300000317
Step4.从而得到调度日任意t时刻新能源总的上调灵活性需求为：
Figure BDA00024446613300000318
下调灵活性需求为：
Figure BDA00024446613300000319
进一步，优选的是，步骤(3)中，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，具体为：
目标函数如下：
Figure BDA00024446613300000320
Figure BDA00024446613300000321
Figure BDA00024446613300000322
式中：t为时段编号；T为调度时段总数；m为电站编号；Mh为所有参与优化的水电站编号集合；PDt为t时段系统负荷，MW；PHm,t为水电站m在t时段出力，MW；
Figure BDA0002444661330000041
分别为t时段全网风电、光伏预测出力，MW；Rt为剩余负荷，MW；
Figure BDA0002444661330000042
为剩余负荷均值，MW；
进一步，优选的是，步骤(3)中，目标函数的约束条件具体为：
1)水量平衡约束
Vm,t+1＝Vm,t+3600(Qm,t-QPm,t-QLm,t)Δt
Figure BDA0002444661330000043
式中：Vm,t为水电站m在t时段末的库容，m3；Qm,t、QPm,t、QLm,t分别为水电站m在t时段的入库流量、发电流量、弃水流量，m3/s；QNm,t为水电站m在t时段的天然径流，m3/s；u、Un分别为上游电站编号、上游电站编号集合；dun为上游电站u到电站n的水流滞时；Δt为t时段的小时数；
2)库容约束
Figure BDA0002444661330000044
式中：
Figure BDA0002444661330000045
V m,t分别为水电站m在t时段末的库水位上下限，m3；
3)发电流量约束
Figure BDA0002444661330000046
式中：
Figure BDA0002444661330000047
QP m,t分别为水电站m在t时段的发电流量上下限，m3/s；
4)出库流量约束
Figure BDA0002444661330000048
式中：
Figure BDA0002444661330000049
QO m,t分别为水电站m在t时段的出库流量上下限，m3/s；
5)水电出力计算等式约束
PHm,t＝c1,m(Vm,t)2+c2,m(QPm,t)2+c3,mVm,tQPm,t+c4,mVm,t+c5,mQPm,t+c6,m
式中：c1,m、c2,m、c3,m、c4,m、c5,m、c6,m为电站m的发电系数，该发电系数可依据历史实际数据进行多项式拟合得到；PHm,t为水电站m在t时段的出力，MW；
6)水电出力约束
Figure BDA0002444661330000051
式中：
Figure BDA0002444661330000052
为水电站m在t时段的出力上限，MW；
7)电量约束
Figure BDA0002444661330000053
式中：W为所有参与优化的水电站发电量要求，MWh；
8)水电站出力爬坡约束
Figure BDA0002444661330000054
式中：
Figure BDA0002444661330000055
为相邻时段爬坡限制；
9)灵活性供给能力量化约束
Figure BDA0002444661330000056
Figure BDA0002444661330000057
式中：
Figure BDA0002444661330000058
分别为m电站向上灵活性供给能力和向下灵活性供给能力；
10)灵活性供需关系约束
Figure BDA0002444661330000059
式中：Mfh为参与灵活性调节的电站，
Figure BDA00024446613300000510
分别为m电站向上灵活性供给能力和向下灵活性供给能力，
Figure BDA00024446613300000511
为上调灵活性需求；
Figure BDA00024446613300000512
下调灵活性需求。
进一步，优选的是，Δt＝0.25h。
进一步，优选的是，步骤(4)中，采用BARON优化求解软件进行求解。
本发明同时提供一种考虑灵活性平衡机理的水-风-光短期联合调度系统，包括：
数据采集模块，用于采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
第一处理模块，用于基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
第二处理模块，用于建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
调度模块，用于根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
本发明还提供一种电子设备，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程序时实现如上述考虑灵活性平衡机理的水-风-光短期联合调度方法的步骤。
本发明另外提供一种非暂态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如上述考虑灵活性平衡机理的水-风-光短期联合调度方法的步骤。
本发明与现有技术相比，其有益效果为：
本发明简单有效的量化了电网运行的灵活性需求及水电系统的供给能力。为电网运行人员提供了简单有效的灵活性量化及提升的技术途径。以此为基础，构建了考虑灵活性平衡机理的短期优化调度方法。与传统调峰优化调度模型相比，本发明可以在不牺牲水电整体调峰效益的同时，有效提升水电系统灵活性供给能力，在一定程度上满足由于新能源预测偏差造成的灵活性需求。
附图说明
图1是本发明方法总体框架图；
图2是应用实例中灵活性需求量化结果；其中，(a)为上调灵活性需求；(b)为下调灵活性需求
图3是应用实例中发电计划及调峰结果图；
图4是应用实例中灵活性供需关系结果；(a)为上调灵活性供需关系；(b)为下调灵活性供需关系；
图5是本发明考虑灵活性平衡机理的水-风-光短期联合调度系统的结构示意图；
图6为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
一种考虑灵活性平衡机理的水-风-光短期联合调度方法，包括如下步骤：
步骤(1)，采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
步骤(2)，基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；
基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；
将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；
将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
步骤(3)，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
步骤(4)，根据调度日新能源出力预测数据，对步骤(3)的目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
步骤(2)的具体方法为：
由步骤(1)收集到D天新能源历史实际出力数据和历史预测数据，且每天出力数据采集次数为K，得到D×K组风电样本
Figure BDA0002444661330000081
d＝1,2,…,D；k＝1,2,…,K，其中
Figure BDA0002444661330000082
分别为历史第d天，第k个观测点的风电预测出力和实际出力；同样，得到D×K组光伏样本
Figure BDA0002444661330000083
d＝1,2,…,D；k＝1,2,…,K，其中，
Figure BDA0002444661330000084
分别为历史第d天，第k个观测点的光伏预测出力和实际出力；则调度日风电、光伏预测出力序列分别为
Figure BDA0002444661330000085
利用上述数据计算调度日新能源灵活性需求，步骤如下：
Step1.基于风电历史预测出力和实际出力数据构建分位点线性回归模型
Figure BDA0002444661330000086
其中，
Figure BDA0002444661330000087
为分位点线性回归模型参数估计值；输入任意t时刻的风电预测出力
Figure BDA0002444661330000088
即能获得该条件下的一组实际出力值分布的分位点
Figure BDA0002444661330000089
Step2.在分位点集合
Figure BDA00024446613300000810
中，选择
Figure BDA00024446613300000811
Figure BDA00024446613300000812
作为t时刻的风电预测出力
Figure BDA00024446613300000813
对应的实际出力下限和上限；从而得到调度日t时刻风电的向上灵活性需求
Figure BDA00024446613300000814
向下灵活性需求为
Figure BDA00024446613300000815
Step3.同理，能得到调度日任意t时刻光伏的向上灵活性需求
Figure BDA00024446613300000816
向下灵活性需求为
Figure BDA00024446613300000817
Step4.从而得到调度日任意t时刻新能源总的上调灵活性需求为：
Figure BDA00024446613300000818
下调灵活性需求为：
Figure BDA00024446613300000819
进一步，优选的是，步骤(3)中，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，具体为：
目标函数如下：
Figure BDA00024446613300000820
Figure BDA0002444661330000091
Figure BDA0002444661330000092
式中：t为时段编号；T为调度时段总数；m为电站编号；Mh为所有参与优化的水电站编号集合；PDt为t时段系统负荷，MW；PHm,t为水电站m在t时段出力，MW；
Figure BDA0002444661330000093
分别为t时段全网风电、光伏预测出力，MW；Rt为剩余负荷，MW；
Figure BDA0002444661330000094
为剩余负荷均值，MW；
步骤(3)中，目标函数的约束条件具体为：
1)水量平衡约束
Vm,t+1＝Vm,t+3600(Qm,t-QPm,t-QLm,t)Δt
Figure BDA0002444661330000095
式中：Vm,t为水电站m在t时段末的库容，m3；Qm,t、QPm,t、QLm,t分别为水电站m在t时段的入库流量、发电流量、弃水流量，m3/s；QNm,t为水电站m在t时段的天然径流，m3/s；u、Un分别为上游电站编号、上游电站编号集合；dun为上游电站u到电站n的水流滞时；Δt为t时段的小时数；
2)库容约束
Figure BDA0002444661330000096
式中：
Figure BDA0002444661330000097
V m,t分别为水电站m在t时段末的库水位上下限，m3；
3)发电流量约束
Figure BDA0002444661330000098
式中：
Figure BDA0002444661330000099
QP m,t分别为水电站m在t时段的发电流量上下限，m3/s；
4)出库流量约束
Figure BDA00024446613300000910
式中：
Figure BDA00024446613300000911
QO m,t分别为水电站m在t时段的出库流量上下限，m3/s；
5)水电出力计算等式约束
PHm,t＝c1,m(Vm,t)2+c2,m(QPm,t)2+c3,mVm,tQPm,t+c4,mVm,t+c5,mQPm,t+c6,m
式中：c1,m、c2,m、c3,m、c4,m、c5,m、c6,m为电站m的发电系数，该发电系数可依据历史实际数据进行多项式拟合得到；PHm,t为水电站m在t时段的出力，MW；
6)水电出力约束
Figure BDA0002444661330000101
式中：
Figure BDA0002444661330000102
为水电站m在t时段的出力上限，MW；
7)电量约束
Figure BDA0002444661330000103
式中：W为所有参与优化的水电站发电量要求，MWh；
8)水电站出力爬坡约束
Figure BDA0002444661330000104
式中：
Figure BDA0002444661330000105
为相邻时段爬坡限制；
9)灵活性供给能力量化约束
Figure BDA0002444661330000106
Figure BDA0002444661330000107
式中：
Figure BDA0002444661330000108
分别为m电站向上灵活性供给能力和向下灵活性供给能力；
10)灵活性供需关系约束
Figure BDA0002444661330000109
式中：Mfh为参与灵活性调节的电站，
Figure BDA00024446613300001010
分别为m电站向上灵活性供给能力和向下灵活性供给能力，
Figure BDA00024446613300001011
为上调灵活性需求；
Figure BDA00024446613300001012
下调灵活性需求。
优选，Δt＝0.25h。
优选，步骤(4)中，采用BARON优化求解软件进行求解。
如图5所示，一种考虑灵活性平衡机理的水-风-光短期联合调度系统，包括：
数据采集模块101，用于采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
第一处理模块102，用于基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
第二处理模块103，用于建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
调度模块104，用于根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
在本发明实施例中，数据采集模块101采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；然后，第一处理模块102基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；接着，第二处理模块103建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；最后调度模块104根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
本发明实施例提供的一种考虑灵活性平衡机理的水-风-光短期联合调度系统，该系统可以在不牺牲水电整体调峰效益的同时，有效提升水电系统灵活性供给能力，在一定程度上满足由于新能源预测偏差造成的灵活性需求。。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图，参照图6，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
此外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态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以执行上述各实施例提供的考虑灵活性平衡机理的水-风-光短期联合调度方法，例如包括：采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应用实例
一种考虑灵活性平衡机理的水-风-光短期联合优化调度方法，如图1所示，主要包括：灵活性需求量化，考虑灵活性平衡机理的短期优化调度模型构建，数学模型求解。按照下述步骤完成水风光短期联合优化调度：
(1)初始计算条件准备，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；
水电站运行条件包括：调度日区间流量、电站昨日出库流量、耗水率、梯级电站之间的水流滞时数据；
水电站运行约束包括：水量平衡约束、库水位约束、水电站发电量约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；
电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；
水力调度需求条件包括：梯级电站上下游水力联系；
所述的新能源包括：风电、光伏；
(2)调度日灵活性需求量化。由步骤(1)收集到D天新能源历史实际出力数据和历史预测数据，且每天出力数据采集次数为K，可得D×K组风电样本
Figure BDA0002444661330000141
d＝1,2,…,D；k＝1,2,…,K，其中
Figure BDA0002444661330000142
分别为历史第d天，第k个观测点的风电预测出力和实际出力。同样有可得D×K组光伏样本
Figure BDA0002444661330000143
d＝1,2,…,D；k＝1,2,…,K其中
Figure BDA0002444661330000144
分别为历史第d天，第k个观测点的光伏预测出力和实际出力。则调度日风电,光伏预测出力序列分别为
Figure BDA0002444661330000145
Figure BDA0002444661330000146
利用上述数据可获得调度日新能源灵活性需求，以风电为例详细步骤如下：
Step1.基于风电历史预测出力和实际出力样本构建分位点线性回归模型
Figure BDA0002444661330000151
Figure BDA0002444661330000152
为分位点线性回归模型参数估计值输入任意t时刻的风电预测出力
Figure BDA0002444661330000153
即可以获得该条件下的一组实际出力值分布的分位点
Figure BDA0002444661330000154
Step2.在分位点集合
Figure BDA0002444661330000155
中，选择
Figure BDA0002444661330000156
Figure BDA0002444661330000157
作为t时刻的风电预测出力
Figure BDA0002444661330000158
对应的实际出力下限和上限。因此可得t时刻风电的向上灵活性需求
Figure BDA0002444661330000159
向下灵活性需求为
Figure BDA00024446613300001510
Step3.同样步骤可得任意t时刻光伏的向上灵活性需求
Figure BDA00024446613300001511
向下灵活性需求为
Figure BDA00024446613300001512
Step4.得到任意t时刻新能源总的上调灵活性需求为：
Figure BDA00024446613300001513
下调灵活性需求为：
Figure BDA00024446613300001514
(3)基于上述灵活性需求量化结果，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数。目标函数如下：
Figure BDA00024446613300001515
Figure BDA00024446613300001516
Figure BDA00024446613300001517
式中：t为时段编号；T为调度时段总数；m为电站编号；Mh为所有参与优化的水电站编号集合；PDt为t时段系统负荷，MW；PHm,t为水电站m，t时段出力，MW；
Figure BDA00024446613300001518
分别为t时段全网风电、光伏预测出力，MW；Rt为剩余负荷，MW；
Figure BDA00024446613300001519
为剩余负荷均值，MW。
约束条件如下：
1)水量平衡约束
Vm,t+1＝Vm,t+3600(Qm,t-QPm,t-QLm,t)Δt
Figure BDA00024446613300001520
式中：Vm,t为水电站m，在t时段末的库容，m3；Qm,t，QPm,t，QLm,t为水电站m，在t时段的入库流量、发电流量、弃水流量，m3/s；QNm,t为水电站m，在t时段的天然径流，m3/s；u，Un分别为上游电站编号，上游电站编号集合；dun为上游电站u到电站n的水流滞时；Δt为t时段的小时数，Δt＝0.25h。
2)库容约束
Figure BDA0002444661330000161
式中：
Figure BDA0002444661330000162
V m,t分别为水电站m，在t时段末的库水位上下限，m3；
3)发电流量约束
Figure BDA0002444661330000163
式中：
Figure BDA0002444661330000164
QP m,t分别为水电站m，在t时段的发电流量上下限，m3/s。
4)出库流量约束
Figure BDA0002444661330000165
式中：
Figure BDA0002444661330000166
QO m,t分别为水电站m，在t时段的出库流量上下限，m3/s。
5)水电出力计算等式约束
PHm,t＝c1,m(Vm,t)2+c2,m(QPm,t)2+c3,mVm,tQPm,t+c4,mVm,t+c5,mQPm,t+c6,m
式中：c1,m、c2,m、c3,m、c4,m、c5,m、c6,m为电站m的发电系数；PHm,t为水电站m在t时段的出力，MW；
6)水电出力约束
Figure BDA0002444661330000167
式中：
Figure BDA0002444661330000168
为水电站m，在t时段的出力上限，MW；
7)电量约束
Figure BDA0002444661330000169
式中：W为所有参与优化的水电站发电量要求，MWh。
8)水电站出力爬坡约束
Figure BDA00024446613300001610
式中：
Figure BDA00024446613300001611
为相邻时段爬坡限制。
9)灵活性供给能力量化约束
Figure BDA0002444661330000171
Figure BDA0002444661330000172
式中：
Figure BDA0002444661330000173
分别为m电站向上灵活性供给能力和向下灵活性供给能力
9)灵活性供需关系约束
Figure BDA0002444661330000174
式中：Mfh为参与灵活性调节的电站，
Figure BDA0002444661330000175
分别为m电站向上灵活性供给能力和向下灵活性供给能力，
Figure BDA0002444661330000176
为上调灵活性需求；
Figure BDA0002444661330000177
下调灵活性需求。
(5)利用BARON优化求解软件，求解模型，即可以获得水电调度计划。
现以云南电网为实际工程背景，对本发明模型和方法进行检验。云南电网，水电装机全国排名第二，风电全国排名第九，光伏全国排名第十五，是典型的水电主导的高比例可再生能源装机电网。目前，云南新能源并网规模还在不断增加，其出力不确定性对全网水电计划和运行的影响日益明显。由于在汛前枯期，大中型水电站库水位要消落到低位，容易出现水电灵活性不足现象。因此，选取2018年汛前枯期典型日的实际数据进行仿真计算。参与优化的13座电站中，灵活性调节电站为5座。收集到788天的新能源历史预测出力数据和实际出力数据作为样本，数据尺度为15min，即每日数据采集次数为96次。选取2018年6月15日为调度日。
(1)依据调度日风电光伏预测出力获得新能源灵活性需求。以风电为例详细步骤如下：
Step1.基于风电历史预测出力和实际出力样本构建分位点线性回归模型
Figure BDA0002444661330000178
输入任意t时刻的风电预测出力
Figure BDA0002444661330000179
即可以获得该条件下的一组实际出力值分布的分位点
Figure BDA00024446613300001710
Step2.在分位点集合
Figure BDA0002444661330000181
中，选择
Figure BDA0002444661330000182
Figure BDA0002444661330000183
作为t时刻的风电预测出力
Figure BDA0002444661330000184
对应的实际出力下限和上限。因此可得t时刻风电的向上灵活性需求
Figure BDA0002444661330000185
向下灵活性需求为
Figure BDA0002444661330000186
Step3.同样步骤可得任意t时刻光伏的向上灵活性需求
Figure BDA0002444661330000187
向下灵活性需求为
Figure BDA0002444661330000188
Step4.得到任意t时刻新能源总的上调灵活性需求为：
Figure BDA0002444661330000189
下调灵活性需求为：
Figure BDA00024446613300001810
结果如图2所示。
(2)基于上述灵活性需求量化结果，构建考虑灵活性平衡机理的水风光短期优化调度模型。并利用BARON优化求解。在调峰方面，结果如图3所示。水电有很好的调峰效果，剩余负荷均值都为16377MW，剩余负荷峰谷差均为0MW，水电系统有很好的调峰效果；在灵活性供需方面，结果如图4所示，本发明制定的水电计划在各时段均能满足灵活性需求，此外，各个时段的灵活性供给能力为考虑可获得性条件下的最大值。综上可知，本发明可以在不牺牲水电整体调峰效益的同时，有效提升水电系统灵活性供给能力，在一定程度上满足由于新能源预测偏差造成的灵活性需求。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，包括如下步骤：
步骤(1)，采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
步骤(2)，基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；
基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；
将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；
将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
步骤(3)，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
所述的灵活性供给能力量化约束、灵活性供需关系约束采用步骤(2)得到的调度日总的上调灵活性需求、调度日总的下调灵活性需求进行计算；
步骤(4)，根据调度日新能源出力预测数据，对步骤(3)的目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
2.根据权利要求1所述的考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，步骤(2)的具体方法为：
由步骤(1)收集到D天新能源历史实际出力数据和历史预测数据，且每天出力数据采集次数为K，得到D×K组风电样本
Figure FDA0003510366490000021
d＝1，2，…，D；k＝1，2，…，K，其中
Figure FDA0003510366490000022
分别为历史第d天，第k个观测点的风电预测出力和实际出力；同样，得到D×K组光伏样本
Figure FDA0003510366490000023
d＝1，2，…，D；k＝1，2，…，K，其中，
Figure FDA0003510366490000024
分别为历史第d天，第k个观测点的光伏预测出力和实际出力；则调度日风电、光伏预测出力序列分别为
Figure FDA0003510366490000025
利用上述数据计算调度日新能源灵活性需求，步骤如下：
Step1.基于风电历史预测出力和实际出力数据构建分位点线性回归模型
Figure FDA0003510366490000026
其中，
Figure FDA0003510366490000027
为分位点线性回归模型参数估计值；输入任意t时刻的风电预测出力
Figure FDA0003510366490000028
即能获得该条件下的一组实际出力值分布的分位点
Figure FDA0003510366490000029
Step2.在分位点集合
Figure FDA00035103664900000210
中，选择
Figure FDA00035103664900000211
作为t时刻的风电预测出力
Figure FDA00035103664900000212
对应的实际出力下限和上限；从而得到调度日t时刻风电的向上灵活性需求
Figure FDA00035103664900000213
向下灵活性需求为
Figure FDA00035103664900000214
Step3.同理，能得到调度日任意t时刻光伏的向上灵活性需求
Figure FDA00035103664900000215
向下灵活性需求为
Figure FDA00035103664900000216
Step4.从而得到调度日任意t时刻新能源总的上调灵活性需求为：
Figure FDA00035103664900000217
下调灵活性需求为：
Figure FDA00035103664900000218
3.根据权利要求1所述的考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，步骤(3)中，建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，具体为：
目标函数如下：
Figure FDA0003510366490000031
Figure FDA0003510366490000032
Figure FDA0003510366490000033
式中：t为时段编号；T为调度时段总数；m为电站编号；Mh为所有参与优化的水电站编号集合；PDt为t时段系统负荷，MW；PHm,t为水电站m在t时段出力，MW；
Figure FDA0003510366490000034
分别为t时段全网风电、光伏预测出力，MW；Rt为剩余负荷，MW；
Figure FDA0003510366490000035
为剩余负荷均值，MW。
4.根据权利要求1所述的考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，步骤(3)中，目标函数的约束条件具体为：
1)水量平衡约束
Vm,t+1＝Vm,t+3600(Qm,t-QPm,t-QLm,t)Δt
Figure FDA0003510366490000036
式中：Vm,t为水电站m在t时段末的库容，m3；Qm,t、QPm,t、QLm,t分别为水电站m在t时段的入库流量、发电流量、弃水流量，m3/s；QNm,t为水电站m在t时段的天然径流，m3/s；u、Un分别为上游电站编号、上游电站编号集合；dun为上游电站u到电站n的水流滞时；Δt为t时段的小时数；
2)库容约束
Figure FDA0003510366490000037
式中：
Figure FDA0003510366490000038
V m,t分别为水电站m在t时段末的库水位上下限，m3；
3)发电流量约束
Figure FDA0003510366490000039
式中：
Figure FDA0003510366490000041
QP m,t分别为水电站m在t时段的发电流量上下限，m3/s；
4)出库流量约束
Figure FDA0003510366490000042
式中：
Figure FDA0003510366490000043
QO m,t分别为水电站m在t时段的出库流量上下限，m3/s；
5)水电出力计算等式约束
PHm,t＝c1,m(Vm,t)2+c2,m(QPm,t)2+c3,mVm,tQPm,t+c4,mVm,t+c5,mQPm,t+c6,m
式中：c1,m、c2,m、c3,m、c4,m、c5,m、c6,m为电站m的发电系数；PHm,t为水电站m在t时段的出力，MW；
6)水电出力约束
Figure FDA0003510366490000044
式中：
Figure FDA0003510366490000045
为水电站m在t时段的出力上限，MW；
7)电量约束
Figure FDA0003510366490000046
式中：W为所有参与优化的水电站发电量要求，MWh；
8)水电站出力爬坡约束
Figure FDA0003510366490000047
式中：
Figure FDA0003510366490000048
为相邻时段爬坡限制；
9)灵活性供给能力量化约束
Figure FDA0003510366490000049
Figure FDA00035103664900000410
式中：
Figure FDA00035103664900000411
分别为m电站向上灵活性供给能力和向下灵活性供给能力；
10)灵活性供需关系约束
Figure FDA0003510366490000051
式中：Mfh为参与灵活性调节的电站，
Figure FDA0003510366490000052
分别为m电站向上灵活性供给能力和向下灵活性供给能力，
Figure FDA0003510366490000053
为上调灵活性需求；
Figure FDA0003510366490000054
下调灵活性需求。
5.根据权利要求4所述的考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，Δt＝0.25h。
6.根据权利要求1所述的考虑灵活性平衡机理的水-风-光短期联合调度方法，其特征在于，步骤(4)中，采用BARON优化求解软件进行求解。
7.一种考虑灵活性平衡机理的水-风-光短期联合调度系统，其特征在于，包括：
数据采集模块，用于采集新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；所述的新能源包括风电和光伏；
第一处理模块，用于基于风电历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日风电的向上灵活性需求和向下灵活性需求；基于光伏历史预测出力和实际出力数据构建其分位点线性回归模型；根据该分位点线性回归模型，通过调度日新能源出力预测数据得到风电实际出力下限和上限，从而获得调度日光伏的向上灵活性需求和向下灵活性需求；将调度日风电、光伏向上灵活性需求相加，得到调度日总的上调灵活性需求；将调度日风电、光伏向下灵活性需求相加，得到调度日总的下调灵活性需求；
第二处理模块，用于建立考虑灵活性平衡机理的短期优化调度模型，用余留负荷方差的期望值最小作为目标函数，以水量平衡约束、库容约束、发电流量约束、出库流量约束、水电出力函数等式约束、水电出力约束、电量约束、水电站出力爬坡约束、灵活性供给能力量化约束、灵活性供需关系约束作为该目标函数的约束条件；
调度模块，用于根据调度日新能源出力预测数据，对目标函数进行求解，得到调度日水电调度计划，之后按照该计划进行调度。
8.一种电子设备，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程序时实现如权利要求1至6任一项所述考虑灵活性平衡机理的水-风-光短期联合调度方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述考虑灵活性平衡机理的水-风-光短期联合调度方法的步骤。
CN202010275567.5A 2020-04-09 2020-04-09 一种考虑灵活性平衡机理的水-风-光短期联合调度方法 Active CN111429024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010275567.5A CN111429024B (zh) 2020-04-09 2020-04-09 一种考虑灵活性平衡机理的水-风-光短期联合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010275567.5A CN111429024B (zh) 2020-04-09 2020-04-09 一种考虑灵活性平衡机理的水-风-光短期联合调度方法

Publications (2)

Publication Number Publication Date
CN111429024A CN111429024A (zh) 2020-07-17
CN111429024B true CN111429024B (zh) 2022-04-12

Family

ID=71557869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010275567.5A Active CN111429024B (zh) 2020-04-09 2020-04-09 一种考虑灵活性平衡机理的水-风-光短期联合调度方法

Country Status (1)

Country Link
CN (1) CN111429024B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112054505B (zh) * 2020-07-30 2022-07-15 上海理工大学 一种基于建筑基础信息的建筑电力需求弹性快速量化方法
CN112232693B (zh) * 2020-10-28 2023-09-15 南方电网科学研究院有限责任公司 一种电力系统的超短期运行调度方法和装置
CN113159423A (zh) * 2021-04-22 2021-07-23 国网山东省电力公司潍坊供电公司 基于风、火、光储协调的多能源联合优化调度运行方法
CN113255982B (zh) * 2021-05-19 2024-09-06 国网甘肃省电力公司 一种风光水互补系统中长期优化调度方法
CN113610411B (zh) * 2021-08-13 2023-10-24 河海大学 一种多时间尺度嵌套的风光水多能互补调度方法
CN114243794B (zh) * 2021-10-19 2022-08-09 大连理工大学 风光水多能互补系统灵活性需求量化及协调优化方法
CN115481791A (zh) * 2022-09-05 2022-12-16 中国长江三峡集团有限公司 一种水风光发电功率联合预测方法、装置和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149631A (zh) * 2018-08-20 2019-01-04 上海电力学院 一种考虑风光储提供柔性爬坡容量的两阶段经济调度方法
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN110782363A (zh) * 2019-08-15 2020-02-11 东南大学 一种计及风电不确定性的交直流配电网调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149631A (zh) * 2018-08-20 2019-01-04 上海电力学院 一种考虑风光储提供柔性爬坡容量的两阶段经济调度方法
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN110782363A (zh) * 2019-08-15 2020-02-11 东南大学 一种计及风电不确定性的交直流配电网调度方法
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Direct Quantile Regression for Nonparametric Probabilistic Forecasting of Wind Power Generation;Can Wan etc.;《IEEE Transactions on Power Systems》;20161103;全文 *
基于分位点回归的风电功率波动区间分析;李智 等;《电力系统自动化》;20110210;全文 *
考虑风光荷联合作用下的电力系统经济调度建模;冉晓洪 等;《中国电机工程学报》;20140605;全文 *

Also Published As

Publication number Publication date
CN111429024A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111429024B (zh) 一种考虑灵活性平衡机理的水-风-光短期联合调度方法
Lu et al. Optimization model for the short-term joint operation of a grid-connected wind-photovoltaic-hydro hybrid energy system with cascade hydropower plants
CN113452020B (zh) 一种考虑柔性氢需求的电氢能源系统调度方法
CN109524958B (zh) 考虑深度调峰和需求响应的电力系统灵活性优化调度方法
CN109449993B (zh) 一种面向多能互补电力系统的多时间尺度生产模拟方法
CN107276127B (zh) 考虑联络线电力交易计划的多区域互联电力系统的风电消纳优化方法
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN106099993B (zh) 一种适应新能源大规模接入的电源规划方法
CN103997039B (zh) 基于概率区间预测的计及风电接纳的旋转备用区间预测方法
CN109347152B (zh) 考虑多类型电源参与调峰的随机生产模拟方法及应用
CN109586284B (zh) 考虑弃能约束的送端电力系统随机生产模拟方法及应用
CN104283236A (zh) 一种风光储能并网发电智能优化调度方法
CN110400056A (zh) 基于风光时空特性的梯级水电日前优化调度方法及装置
Zhang et al. Grid–source coordinated dispatching based on heterogeneous energy hybrid power generation
CN111667136A (zh) 一种区域电力市场的出清方法、装置及存储介质
CN105305488B (zh) 一种考虑新能源并网对输电网利用率影响的评价方法
Li et al. Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation
CN116742812A (zh) 一种多能互补发电系统储能容量协调优化配置方法和系统
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
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
Jing et al. Benefit compensation of hydropower-wind-photovoltaic complementary operation in the large clean energy base
CN117013535A (zh) 一种兼顾生态调度需求的水风光火互补容量配置方法
CN116316869A (zh) 兼顾日内电力与日间电量的流域水光中期互补调度方法
CN115528737A (zh) 新能源消纳能力评估方法、计算机设备
Narimani et al. Comparing operational value of CSP with TES to PV with battery storage in Australian national electricity market

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