CN111555355B - 水光蓄联合发电的调度策略及其优化方法 - Google Patents
水光蓄联合发电的调度策略及其优化方法 Download PDFInfo
- Publication number
- CN111555355B CN111555355B CN202010458538.2A CN202010458538A CN111555355B CN 111555355 B CN111555355 B CN 111555355B CN 202010458538 A CN202010458538 A CN 202010458538A CN 111555355 B CN111555355 B CN 111555355B
- Authority
- CN
- China
- Prior art keywords
- water
- output
- power generation
- station
- cascade hydropower
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000005086 pumping Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 108090000672 Annexin A5 Proteins 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract description 7
- 238000010521 absorption reaction Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
水光蓄联合发电的调度策略及其优化方法,涉及多能互补联合发电系统优化调度的技术领域。包含以下步骤:S1、采用以光伏功率区间上下限为输出的双输出神经网络模型来构建光伏功率预测区间;S2、分别根据枯水期、丰水期两种情况下的梯级水电站运行特点构建对应情况下的水光蓄联合发电系统的目标函数,得到对应情况下联合发电系统调度模型;S3、基于步骤S1、步骤S2获得的光伏功率预测区间和对应情况下的目标函数,以光伏功率全消纳为前提制定梯级水电站和抽水蓄能电站的出力调度优化方法。本发明通过联合梯级水电站、抽水蓄能电站、光伏电站运行来促进光伏发电的消纳利用,为电网运行提供参照。
Description
技术领域
本发明涉及多能互补联合发电系统优化调度的技术领域,尤其涉及基于光伏功率区间预测的水光蓄联合发电调度策略及其优化方法。
背景技术
多能互补系统是传统分布式能源应用的拓展,是一体化整合理念在能源系统工程领域的具象化,使得分布式能源的应用由点扩展到面,由局部走向系统。具体而言,多能互补分布式能源系统是指可包容多种能源资源输入,并具有多种产出功能和输运形式的"区域能源互联网"系统。它不是多种能源的简单叠加,而要在系统高度上按照不同能源品味的高低进行综合互补利用,并统筹安排好各种能量之间的配合关系与转换使用,以取得最合理能源利用效果与效益。因此对于多种能源进行合作调度实现能源利用的最大化是目前比较热门的研究课题。
对于利用光能发电系统来说,光伏电站的输出功率易受周围环境因素影响,具有较大的波动性和随机性,随着我国光伏装机容量的增加,光伏消纳问题日渐突出。对于利用水力发电来说,水电具有启停灵活、出力响应速度快等优势的同时与光伏发电在长期和短期都有很好的互补性。因此,开展水电与光伏发电的联合运行优化技术研究可以减轻大规模光伏并网对于电力系统带来的影响。
1)、当前对于水电与光伏发电的联合运行研究主要集中在具有季及以上调节能力的水电站与光伏电站的联合,而在实际中大部分的水电站为日调节与无调节能力水电站,它们的优点在于分布广、数量大,可以用于满足“无处不在”的光伏电站的互补需求,缺点在于调节能力相对较弱;
2)、当前调度方案的制定主要采用光伏功率的点预测,此类方法只能得到未来某一时刻的给定功率值,无法量化预测的偏差。
发明内容
本发明目的是提供一种水光蓄联合发电的调度策略及其优化方法,通过联合梯级水电站、抽水蓄能电站、光伏电站运行来促进光伏发电的消纳利用,为电网运行提供参照。
本发明提供了一种水光蓄联合发电调度优化方法,包含以下步骤:
S1、采用以光伏功率区间上下限为输出的双输出神经网络模型来构建光伏功率预测区间,利用多目标启发式算法来进行神经网络的训练,得到调度期间光伏输出功率的预测区间;
S2、分别根据枯水期、丰水期两种情况下的梯级水电站运行特点构建对应情况下的水光蓄联合发电系统的目标函数,得到对应情况下联合发电系统调度模型;
步骤S2中的梯级水电站在枯水期时,水光蓄联合发电系统的目标函数为:
min F2=max(P)-min(P)
其中,T为总调度时段数;m为梯级水电站包含的水电站数;Qi,t为第i个水电站第t时段的下泄流量;Δt为时段步长;P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值;F1为枯水期水光蓄联合发电系统的水资源利用目标:梯级水电站的耗水量最少;F2为联合发电系统的调峰目标:剩余负荷的极差最小;
步骤S2中的梯级水电站在丰水期时,水光蓄联合发电系统的目标函数为:
min F1'=[max(P)-min(P)]+[∑λt(PH,max-PH,t)]
F1’为丰水期水光蓄联合发电系统的目标函数,前半部分为联合发电系统的调峰目标:剩余负荷的极差;丰水期时小型梯级小水电站一般为满发状态,所以后半部分为梯级水电站为平复剩余负荷波动进行弃水调峰产生的惩罚项;其中,P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值;PH,t、PH,max、λt分别为梯级水电站t时段的出力功率、额定装机容量、t时段的弃水调峰惩罚系数;
S3、基于步骤S1、步骤S2获得的光伏功率预测区间和对应情况下的目标函数,以光伏功率全消纳为前提制定梯级水电站和抽水蓄能电站的出力调度优化方法;
在枯水期时,步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为:
S311、排除抽水蓄能电站,将梯级水电站每个电站的发电流量为求解变量,采用NSGA2算法求解枯水期时水光蓄联合发电系统的目标函数,得到关于F1和F2的pareto解;
S312、采用topsis综合评价法,先将得到的pareto解归一化后,找出解集中的正理想方案和负理想方案,分别计算其他解与正理想方案和负理想方案的距离作为评价优劣的依据,最后将既靠近正理想方案,又远离负理想方案的解作为梯级水电站的最优出力方案;
S313、剩余负荷减去步骤S312中得到的梯级水电站出力后得到新的剩余负荷,以新的剩余负荷极差值最小为目标函数,采用量子粒子群算法以抽水蓄能电站出力为变量进行迭代求解;
在丰水期时,步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为:
S321、将整个梯级水电站简化为只计每个时段的出力功率:0≤PH,t≤PH,max;
S322、以抽水蓄能电站和梯级水电站的出力为求解变量,以丰水期时水光蓄联合发电系统的目标函数作为适应度函数,采用量子粒子群算法进行迭代求解变量;
其中,PH,t、PH,max分别为整个梯级水电站t时段的出力功率、额定装机容量;
制定抽水蓄能电站出力方案时,将1到T-1时段的出力作为求解自变量进行迭代求解,第T时段的出力作为因变量以库容不变等式约束求得:
其中,ηp、ηg分别为抽水效率、发电效率;ΔEt为抽水蓄能电站第t时段库容能量变化量;
为保证求解的调度方案满足库容与抽水蓄能电站的出力约束,增加约束违法量εv:
其中,PT,min、PT,max、PT分别为末时段抽水蓄能电站的最大抽水功率,最大发电功率和实际出力;在迭代求解抽水蓄能电站出力时先比较约束违法量εv,再比较目标函数。
优选的是,本发明步骤S1所述的多目标启发式算法与神经网络模型的输入、输出量分别为预测日对应时刻的气象数值、光伏出力上下限。
优选的是,本发明步骤S1所述的预测区间的性能评价指标包括预测区间覆盖概率PICP、预测区间平均宽度PINAW、预测区间累计偏差PIAD:
其中,Nt为预测样本数;λj为样本的布尔量,落在预测区间时取1,否则取0;R为预测目标实际值的极值差,用于归一化;Uj、Lj、xj分别为预测目标的区间上限、下限、实际值。
优选的是,本发明步骤S1所述的多目标为预测区间准确性f1和预测区间质量f2,多目标问题为最小化多目标问题:
其中,k和n为2个预测区间性能评价指标的比重量。
优选的是,本发明步骤S2所述的梯级水电站是由库容系数小于2的日调节能力的水电站组成的梯级水电站。
与现有技术相比,本发明的有益效果是:
1)、当前对于水电与光伏发电的联合运行研究主要集中在具有季及以上调节能力的水电站与光伏电站的联合,而在实际中大部分的水电站为日调节与无调节能力水电站,它们的优点在于分布广、数量大,可以用于满足“无处不在”的光伏电站的互补需求,缺点在于调节能力相对较弱,因此在水光联合运行的基础上加入具有日调节能力的抽水蓄能电站来进一步增加光伏消纳达到优化电源的目的;
2)、当前调度方案的制定主要采用光伏功率的点预测,此类方法只能得到未来某一时刻的给定功率值,无法量化预测的偏差。为此,采用光伏功率区间预测并预测区间用于水光蓄联合发电调度中,为整个联合发电系统的调度决策提供更多信息。
综上,本发明在现有研究基础上,提出一种基于光伏功率区间预测的水光蓄联合发电调度策略及优化方法,通过梯级水电站、抽水蓄能电站、光伏电站三者联合运行促进光伏发电消纳利用,对新能源联合并网消纳方面具有重要意义。
附图说明
图1是水光蓄联合发电优化调度方法的总体流程图。
图2是光伏功率区间预测流程图。
图3是光伏功率区间预测的模型训练示意图。
图4是枯水期联合发电系统的优化调度流程图。
图5是丰水期联合发电系统的优化调度流程图。
具体实施方式
如图1所示,本发明公开一种水光蓄联合发电调度策略及其优化方法,总体步骤如下:
S1、采用以光伏功率区间上下限为输出的双输出神经网络模型来构建光伏功率预测区间,利用多目标启发式算法来进行神经网络的训练,得到调度期间光伏输出功率的预测区间;输入调度期内的气象数据得到对应时间点的功率上下限,将调度期内的光伏功率输出区间代入水光蓄联合发电系统调度模型中;
S2、分别根据枯水期、丰水期两种情况下的梯级水电站运行特点构建对应情况下的水光蓄联合发电系统的目标函数,得到对应情况下联合发电系统调度模型;
S3、基于步骤S1、步骤S2获得的光伏功率预测区间和对应情况下的目标函数,以光伏功率全消纳为前提制定梯级水电站和抽水蓄能电站的出力调度优化方法。在步骤S1得到的光伏功率区间内随机取100条曲线,依次作为水光蓄联合发电系统中的光伏功率条件进行梯级水电站、抽水蓄能电站出力的求解,最后得到整个联合发电系统的调度出力区间。
如图2、图3所示,本发明的光伏功率区间预测步骤为:
S11、将调度期前30日的光伏发电历史数据与环境历史数据作为训练样本,以预测区间准确性f1和预测区间质量f2为目标进来神经网络的模型训练,在达到最大迭代次数后得到关于预测区间准确性和预测区间质量的pareto解;
S12、在pareto解中选取符合预测要求的解作为预测模型的参数,输入调度期内的气象数据后得到光伏电站在调度期内的功率输出范围。
区间预测中的求解目标:
其中,Nt为预测样本数;λj为样本的布尔量,落在预测区间时取1,否则取0;R为预测目标实际值的极值差,用于归一化;Uj、Lj、xj分别为预测目标的区间上限、下限、实际值;k和n为2个预测区间性能评价指标的比重量。
如图4所示,本发明的水光蓄联合发电调度策略及其优化方法,由于小型的梯级水电站在枯水期要求耗水量小,所以枯水期的调度流程为:
S211、优先考虑梯级水电站,将梯级水电站各个电站的发电流量作为求解变量,采用多目标寻优算法求解枯水期时的目标函数并在达到最大迭代次数后得到关于枯水期耗水量和剩余负荷的pareto解,采用topsis综合评价法,先将得到的pareto解归一化后,找出解集中的正理想方案和负理想方案,分别计算其他解与正理想方案和负理想方案的距离作为评价优劣的依据,最后将既靠近正理想方案,又远离负理想方案的解作为梯级水电站的最佳出力方案。
S212、将剩余负荷与上述步骤得到的梯级水电站出力相减得到新的剩余负荷。以抽水蓄能电站的出力为求解变量,通过计算约束违反量与新的剩余负荷经抽水蓄能电站后的波动性来求解抽水蓄能电站的出力。
枯水期的求解目标:
min F2=max(P)-min(P)
其中,T为总调度时段数;m为梯级水电站包含的水电站数;Qi,t为第i个水电站第t时段的下泄流量;Δt为时段步长;P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值;F1为枯水期水光蓄联合发电系统的水资源利用目标:梯级水电站的耗水量最少;F2为联合发电系统的调峰目标:剩余负荷的极差最小。
如图5所示,本发明的水光蓄联合发电调度策略及其优化方法,小型的梯级水电站在丰水期要求尽量满额运行,但可在必要时进行弃水调峰,所以丰水期的调度流程为:
S221、将整个梯级水电站出力简化为只计每个时段的出力功率:0≤PH≤PH,max;
S222、以抽水蓄能电站和梯级水电站的出力为求解变量,通过迭代计算约束违反量与剩余负荷经抽水蓄能电站和梯级水电站出力后的波动性来求解抽水蓄能电站和梯级水电站的出力。
丰水期的求解目标:
min F1'=[max(P)-min(P)]+[∑λt(PH,max-PH,t)]
其中,F1’为丰水期水光蓄联合发电系统的目标函数,前半部分为联合发电系统的调峰目标:剩余负荷的极差;丰水期时小型梯级小水电站一般为满发状态,所以后半部分为梯级水电站为平复剩余负荷波动进行弃水调峰产生的惩罚项。
在图3、图4、图5中采用的多目标算法与单目标算法为当前智能法中的主流算法:NSGA2、QPSO。
在枯水期的梯级水电站出力求解时,需要考虑其水量约束来修正发电流量(设下泄流量全为发电流量),水量约束方程包括:
梯级水电站的上下游水力联系:Ii,t=Qi-1,t+Ri,t
水量平衡约束:Vi,t=Vi,t-1+(Ii,t-Qi,t)Δt
其中,Ii,t、Qi,t、Ri,t、Vi,t、Hi,t分别为水电站i在t时刻的入库流量、发电流量、区间流量、库容量、水位高度、尾水位高度、水头高度;库容量与水位、流量与尾水位存在函数关系式,可通过实际数据利用最小二乘法拟合得到。
制定抽水蓄电站出力方案时,将1到T-1时段的抽水蓄电站出力作为求解自变量进行迭代求解,T时段的出力作为因变量通过库容不变等式约束求得并利用T时段的出力范围计算约束违反量,T时段的出力与约束违反量计算公式为:
其中,PT,min、PT,max、PT分别为末时段抽水蓄能电站的最大抽水(负)功率,最大发电(正)功率和实际出力;ΔEt为抽水蓄能电站t时段的库容能量变化量;在迭代求解时先比较约束违反量εv,再比较目标函数。
在抽水蓄能电站中的约束条件除了库容不变的约束条件来求取约束违反量,还存在约束条件:
上述的具体实施方式仅为对本发明的目的、技术方案进行了进一步详细说明,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所在的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.水光蓄联合发电调度优化方法,其特征在于,包含以下步骤:
S1、采用以光伏功率区间上下限为输出的双输出神经网络模型来构建光伏功率预测区间,利用多目标启发式算法来进行神经网络的训练,得到调度期间光伏输出功率的预测区间;
S2、分别根据枯水期、丰水期两种情况下的梯级水电站运行特点构建对应情况下的水光蓄联合发电系统的目标函数,得到对应情况下联合发电系统调度模型;
步骤S2中的梯级水电站在枯水期时,水光蓄联合发电系统的目标函数为:
minF2=max(P)-min(P)
其中,T为总调度时段数;m为梯级水电站包含的水电站数;Qi,t为第i个水电站第t时段的下泄流量;Δt为时段步长;P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值;F1为枯水期水光蓄联合发电系统的水资源利用目标:梯级水电站的耗水量最少;F2为联合发电系统的调峰目标:剩余负荷的极差最小;
步骤S2中的梯级水电站在丰水期时,水光蓄联合发电系统的目标函数为:
minF1'=[max(P)-min(P)]+[∑λt(PH,max-PH,t)]
F1’为丰水期水光蓄联合发电系统的目标函数,前半部分为联合发电系统的调峰目标:剩余负荷的极差;丰水期时小型梯级小水电站一般为满发状态,所以后半部分为梯级水电站为平复剩余负荷波动进行弃水调峰产生的惩罚项;其中,P为调度期内的负荷值减去水光蓄联合发电系统出力值得到的剩余负荷值;PH,t、PH,max、λt分别为梯级水电站t时段的出力功率、额定装机容量、t时段的弃水调峰惩罚系数;
S3、基于步骤S1、步骤S2获得的光伏功率预测区间和对应情况下的目标函数,以光伏功率全消纳为前提制定梯级水电站和抽水蓄能电站的出力调度优化方法;
在枯水期时,步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为:
S311、排除抽水蓄能电站,将梯级水电站每个电站的发电流量为求解变量,采用NSGA2算法求解枯水期时水光蓄联合发电系统的目标函数,得到关于F1和F2的pareto解;
S312、采用topsis综合评价法,先将得到的pareto解归一化后,找出解集中的正理想方案和负理想方案,分别计算其他解与正理想方案和负理想方案的距离作为评价优劣的依据,最后将既靠近正理想方案,又远离负理想方案的解作为梯级水电站的最优出力方案;
S313、剩余负荷减去步骤S312中得到的梯级水电站出力后得到新的剩余负荷,以新的剩余负荷极差值最小为目标函数,采用量子粒子群算法以抽水蓄能电站出力为变量进行迭代求解;
在丰水期时,步骤S3所述的制定梯级水电站和抽水蓄能电站的出力调度优化方法为:
S321、将整个梯级水电站简化为只计每个时段的出力功率:0≤PH,t≤PH,max;
S322、以抽水蓄能电站和梯级水电站的出力为求解变量,以丰水期时水光蓄联合发电系统的目标函数作为适应度函数,采用量子粒子群算法进行迭代求解变量;
其中,PH,t、PH,max分别为整个梯级水电站t时段的出力功率、额定装机容量;
制定抽水蓄能电站出力方案时,将1到T-1时段的出力作为求解自变量进行迭代求解,第T时段的出力作为因变量以库容不变等式约束求得:
其中,ηp、ηg分别为抽水效率、发电效率;ΔEt为抽水蓄能电站第t时段库容能量变化量;
为保证求解的调度方案满足库容与抽水蓄能电站的出力约束,增加约束违法量εv:
其中,PT,min、PT,max、PT分别为末时段抽水蓄能电站的最大抽水功率,最大发电功率和实际出力;在迭代求解抽水蓄能电站出力时先比较约束违法量εv,再比较目标函数。
2.根据权利要求1所述的水光蓄联合发电调度优化方法,其特征在于,步骤S1所述的多目标启发式算法与神经网络模型的输入、输出量分别为预测日对应时刻的气象数值、光伏出力上下限。
5.根据权利要求1所述的水光蓄联合发电调度优化方法,其特征在于,步骤S2所述的梯级水电站是由库容系数小于2的日调节能力的水电站组成的梯级水电站。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458538.2A CN111555355B (zh) | 2020-05-26 | 2020-05-26 | 水光蓄联合发电的调度策略及其优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458538.2A CN111555355B (zh) | 2020-05-26 | 2020-05-26 | 水光蓄联合发电的调度策略及其优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111555355A CN111555355A (zh) | 2020-08-18 |
CN111555355B true CN111555355B (zh) | 2021-09-28 |
Family
ID=72002157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458538.2A Active CN111555355B (zh) | 2020-05-26 | 2020-05-26 | 水光蓄联合发电的调度策略及其优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111555355B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112531786A (zh) * | 2020-12-07 | 2021-03-19 | 国网新疆电力有限公司经济技术研究院 | 区域电网电力外送方法 |
CN112634078B (zh) * | 2020-12-18 | 2021-09-21 | 南京工程学院 | 一种基于多维指标融合的大工业负荷中断优先级评估方法 |
CN113394808B (zh) * | 2021-06-23 | 2023-09-19 | 黄河勘测规划设计研究院有限公司 | 清洁能源基地的发电调度方法和装置 |
TWI811872B (zh) * | 2021-11-30 | 2023-08-11 | 國立成功大學 | 用於控制發電系統的控制裝置及方法 |
CN114781764B (zh) * | 2022-06-21 | 2022-10-18 | 国能大渡河流域水电开发有限公司 | 一种梯级水电站枯水期调度多模式自适应匹配方法及系统 |
CN116231767B (zh) * | 2023-05-11 | 2023-07-14 | 南方电网调峰调频发电有限公司储能科研院 | 一种梯级水电站的多能互补调度方法和系统 |
CN116799872B (zh) * | 2023-06-26 | 2023-12-19 | 河海大学 | 一种基于梯级水电功能改造的水光泵互补调度方法及系统 |
CN118100300A (zh) * | 2023-08-22 | 2024-05-28 | 中电建水电开发集团有限公司 | 梯级水电、光伏和全功率变速抽水蓄能的经济调度方法 |
CN117114330B (zh) * | 2023-08-31 | 2024-08-30 | 湖北清江水电开发有限责任公司 | 基于虚拟电厂的抽水蓄能和梯级水电联合调度方法 |
CN117674266B (zh) * | 2024-01-31 | 2024-04-26 | 国电南瑞科技股份有限公司 | 一种梯级水电与光伏协同运行的超前预测控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942212A (zh) * | 2019-12-13 | 2020-03-31 | 国网青海省电力公司电力科学研究院 | 一种基于梯级水库运行系数的梯级水库优化运行方法 |
-
2020
- 2020-05-26 CN CN202010458538.2A patent/CN111555355B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942212A (zh) * | 2019-12-13 | 2020-03-31 | 国网青海省电力公司电力科学研究院 | 一种基于梯级水库运行系数的梯级水库优化运行方法 |
Non-Patent Citations (3)
Title |
---|
A Prediction- Based ACO Algorithm to Dynamic Tasks Scheduling in Cloud Environment;Haitao Hu等;《2016 2nd IEEE International Conference on Computer and Communications (ICCC)》;20170511;第2727-2732页 * |
基于改进权值优化模型的光伏功率区间预测;韦善阳等;《电力建设》;20190731;第40卷(第7期);第26-33页 * |
梯级水光蓄系统规划关联模型的建模;陈爱康等;《中国电机工程学报》;20200220;第40卷(第4期);第1106-1116、S7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111555355A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
Qi et al. | Optimal configuration of concentrating solar power in multienergy power systems with an improved variational autoencoder | |
Li et al. | A scenario-based two-stage stochastic optimization approach for multi-energy microgrids | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN115018198B (zh) | 一种考虑差异化需求响应方案的居民用户用电优化方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN114648176B (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN112184479B (zh) | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 | |
CN113809780B (zh) | 一种基于改进q学习惩罚选择的微电网优化调度方法 | |
CN114386681A (zh) | 一种水光出力联合预测方法 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及系统 | |
Li et al. | Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation | |
CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
CN115759604A (zh) | 一种综合能源系统优化调度方法 | |
CN115117940A (zh) | 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN115940252A (zh) | 一种基于时序生产模拟的零碳工业园区调峰资源配置方法 | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
CN112508241A (zh) | 一种智能电网能量优化调度方法 | |
CN116796990A (zh) | 不确定电价条件下梯级水库汛前水位消落控制方法 | |
CN116526530A (zh) | 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置 | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
CN114239922A (zh) | 一种城市多能源协调优化调度方法 |
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 |