CN111697572A - 基于多阶段随机规划理论的电源及电力流结构优化方法 - Google Patents

基于多阶段随机规划理论的电源及电力流结构优化方法 Download PDF

Info

Publication number
CN111697572A
CN111697572A CN202010543532.5A CN202010543532A CN111697572A CN 111697572 A CN111697572 A CN 111697572A CN 202010543532 A CN202010543532 A CN 202010543532A CN 111697572 A CN111697572 A CN 111697572A
Authority
CN
China
Prior art keywords
scene
year
power
region
power supply
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.)
Granted
Application number
CN202010543532.5A
Other languages
English (en)
Other versions
CN111697572B (zh
Inventor
王志成
王秀丽
齐世雄
李�杰
彭巧
师婧
王帅
朱承治
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 Zhejiang Electric Power Co Ltd
Xian Jiaotong University
State Grid Economic and Technological Research Institute
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Xian Jiaotong University
State Grid Economic and Technological Research Institute
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 Zhejiang Electric Power Co Ltd, Xian Jiaotong University, State Grid Economic and Technological Research Institute filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010543532.5A priority Critical patent/CN111697572B/zh
Publication of CN111697572A publication Critical patent/CN111697572A/zh
Application granted granted Critical
Publication of CN111697572B publication Critical patent/CN111697572B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于多阶段随机规划理论的电源及电力流结构优化方法，采用蒙特卡洛模拟法生成场景；采用快速前向场景树消减算法消减场景，获得场景树，获得场景树中各个节点用电量预测误差的取值以及取值概率；建立电源及电力流结构多阶段随机优化模型；将场景树中各个节点用电量预测误差的取值以及取值概率带入电源及电力流结构多阶段随机优化模型中，求解电源及电力流结构多阶段随机优化模型，得到优化方案集合。本发明在未来可再生能源快速发展以及用电量增长含有不确定性的环境下，能合理考虑可再生能源接入对电网调峰带来的影响，提供了面对不确定性时的方案集合，相对其他现有的方法具有更高灵活性，适用性，在长期优化中具有良好的性能。

Description

基于多阶段随机规划理论的电源及电力流结构优化方法
技术领域
本发明属于电力系统规划领域，涉及电源及电力流的结构优化方法，具体涉及一种基于多阶段随机规划理论的电源及电力流结构优化方法。
背景技术
电源及电力流结构优化将会为未来电网的电源结构和电力流格局提供决策参考，为能源系统结构转型提供数据支持，对我国能源资源的合理利用、优化配置以及保持经济社会的持续有力发展具有重要意义。由于电源及电力流结构优化受到用电量预测精度、国民经济发展、能源技术进步、新能源投建成本等多方面的因素影响，这些因素的长期不确定性使得单一的确定性优化结果在面对复杂因素变化时不适用。目前国内外有一些针对电源及电力流结构优化的方法，但是这些方法存在着以下不足：
(1)优化方法中的电源类型缺少可再生能源。从长期优化的角度来看，优化结果并不适用未来可再生能源快速发展的态势。
(2)确定性的优化方法得到的单一优化结果在面对未来不确定性的时候缺乏灵活性和适用性。
发明内容
本发明目的在于针对传统电源及电力流结构优化方法不适用于未来可再生能源大规模接入电力系统的情况，面对长期不确定性时缺乏灵活性的不足，提出一种基于多阶段随机规划理论的电源及电力流结构优化方法。
为实现上述目的，本发明的技术方案如下：
基于多阶段随机规划理论的电源及电力流结构优化方法，包括以下步骤：
步骤1)：采用蒙特卡洛模拟法生成场景；
步骤2)：采用快速前向场景树消减算法消减场景，获得场景树，进而获得场景树中各个节点用电量预测误差的取值以及取值概率；
步骤3)：建立电源及电力流结构多阶段随机优化模型；
步骤4)：将场景树中各个节点用电量预测误差的取值以及取值概率带入电源及电力流结构多阶段随机优化模型中，求解电源及电力流结构多阶段随机优化模型，得到优化方案集合。
本发明进一步的改进在于，步骤1)的具体过程如下：根据用电量预测误差取值的概率分布，采用蒙特卡洛模拟方法对用电量预测误差的取值进行随机采样，获得若干场景。
本发明进一步的改进在于，步骤1)的具体过程如下：
(1)构造用电量预测误差的概率模型：
根据长期用电量的历史数据，得到用电量预测误差；将用电量预测误差的概率分布进行离散化，形成多个区间，并获得取值落在各个区间的概率；
(2)通过蒙特卡洛随机抽样确定每个阶段场景：
对构造的用电量预测误差的概率模型，进行蒙特卡洛随机抽样，确定每个阶段场景，从而得到场景集合。
本发明进一步的改进在于，步骤2)的具体过程如下：
1)计算场景之间的距离；
2)计算每个场景与其他场景的概率距离；
3)确定要保留的场景编号和被消减的场景编号集合，进而得到消减后的场景集合Q；
4)重新计算消减后的场景集合Q中所保留的场景的概率；
5)计算原始场景集合P和消减后的场景集合Q的Kantorovich距离，判断其是否大于等于设定的精度要求；
6)重复1)～5)步，直到原始场景集合P和消减后的场景集合Q的Kantorovich距离不小于设定的精度要求，退出运算，最终得到的Q集合即为消减后的场景树。
本发明进一步的改进在于，步骤3)中，以总成本的期望值最小化为目标，引入可再生能源逆调峰特性约束以及多阶段规划的非预期约束条件，建立电源及电力流结构多阶段随机优化模型。
本发明进一步的改进在于，步骤3)中，电源及电力流结构多阶段随机优化模型的目标函数为：
minECA＝ECAC+ECAOM+ECAF+ECAL+ECAT (6)
其中，
Figure BDA0002539844090000031
Figure BDA0002539844090000032
Figure BDA0002539844090000033
Figure BDA0002539844090000034
Figure BDA0002539844090000035
式(6)中，ECA为优化期内的累积总成本期望值；ECAC为优化期内累积电源建造成本期望值；ECAOM为优化期内累积运维成本期望值；ECAF为优化期内累积燃料消耗成本期望值；ECAL为优化期内累积线路容量扩建成本期望值；ECAT为优化期内累积输电损耗成本期望值；
式(7)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000036
为第y年r区域g类电源单位容量建造成本；NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；i为折现率；LTg为第g类电源的寿命；
式(8)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000041
为第y年r区域g类电源单位容量运维成本；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数；
式(9)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000042
为第y年r区域f类燃料价格；
Figure BDA0002539844090000043
为第y年r区域g类电源的燃料消耗率；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数；
式(10)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000044
为第y年r区域和r′区域联络线单位容量建造成本；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；i为折现率；LTL为联络线寿命；
式(11)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000045
为第y年r区域和r′区域联络线输电损耗率；
Figure BDA0002539844090000046
为第y年r区域和r′区域联络线输电损耗单位容量成本；ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；i为折现率；T为优化期年数；
s.t.：
Figure BDA0002539844090000047
Figure BDA0002539844090000048
Figure BDA0002539844090000049
Figure BDA00025398440900000410
Figure BDA00025398440900000411
Figure BDA00025398440900000412
Figure BDA00025398440900000413
Figure BDA00025398440900000414
Figure BDA0002539844090000051
Figure BDA0002539844090000052
ILr,r′,y,s＝-ILr′,r,y,s (12-k)
NLr,r′,y,s＝-NLr′,r,y,s (12-l)
Figure BDA0002539844090000053
Figure BDA0002539844090000054
Figure BDA0002539844090000055
式(12-a)～(12-c)表示电源装机容量约束；其中，NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；
Figure BDA0002539844090000056
为第y年r区域g类电源新建容量下限；
Figure BDA0002539844090000057
为第y年r区域g类电源新建容量上限；Retr,g,y,s为第y年r区域g类电源的退役容量；
Figure BDA0002539844090000058
为第y年r区域g类电源退役容量下限；
Figure BDA0002539844090000059
为第y年r区域g类电源退役容量上限；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-d)～(12-f)表示电力电量平衡约束；其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure BDA00025398440900000510
为第y年r区域g类电源年运行小时数下限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure BDA00025398440900000511
为第y年r区域g类电源年运行小时数上限；RLr′,r,y,s为第s号场景第y年r区域和r′区域的联络线线损率；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；RateRes为备用率；PDr,y为第y年r区域的用电量；FGr,g,y为第y年r区域g类电源的功率因子；FLr,r′,y为第y年r区域和r′区域联络线的功率因子；LDr,y为第y年r区域的负荷；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-g)～(12-h)表示自然资源约束；其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure BDA0002539844090000061
为r区域g类电源已建容量上限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure BDA0002539844090000062
为r区域g类电源发电总量上限；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-i)表示线路容量约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；式(12-j)表示线路电量约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；
Figure BDA0002539844090000063
为r区域和r′区域联络线年运行小时数下限；
Figure BDA0002539844090000064
为r区域和r′区域联络线年运行小时数上限；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-k)～(12-m)表示网络约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-n)表示调峰备用约束；其中，
Figure BDA0002539844090000065
为第y年常规电源调峰能力系数；
Figure BDA0002539844090000066
为第y年新能源电源调峰需求系数；
Figure BDA0002539844090000067
为第y年负荷的峰谷差系数；G1为常规电源类型集合；G2为新能源电源类型集合；R为区域集合；Y为优化期年份集合；S为场景编号集合；
式(12-o)表示非预期约束条件；其中，xt,s表示第s号场景第t阶段决策变量取值；
Figure BDA0002539844090000068
表示第s号场景第t阶段随机变量取值。
与现有的方法相比，本发明具有的有益效果：本发明利用蒙特卡洛模拟法生成场景，采用快速前向法进行场景消减，构建出描述不确定性的场景树，然后基于场景树，以总成本的期望值最小化为目标，并引入可再生能源逆调峰特性约束和非预期约束条件，构建多阶段随机优化模型，求解模型可以得到优化方案集合。考虑了可再生能源逆调峰特性，使得优化结果更合理，适用于未来可再生能源大规模接入电网的情况。求解优化模型得到的是适用于不同场景的优化方案集合，能根据长期过程中不确定性的具体实现情况采用最适用的优化方案，克服了传统单一优化方案在面对长期不确定性的时候灵活性不足的缺陷。本发明提出的基于多阶段随机规划理论的电源及电力流结构优化方法应用在未来可再生能源快速发展以及用电量增长含有不确定性的环境下，能合理考虑可再生能源接入对电网调峰带来的影响，提供了面对不确定性时的方案集合，相对其他现有的方法具有更高灵活性，适用性，在长期优化中具有良好的性能。
附图说明
图1为蒙特卡洛随机抽样所采用的轮盘赌方法示意图；
图2为快速前向场景树消减算法流程图；
图3为各个场景下的用电量总量曲线；
图4为两种用电量场景下电源结构；其中，(a)为用电量最小场景，(b)为用电量最大场景。
图5为两种用电量场景下电力流增长情况。其中，(a)为用电量最小场景，(b)为用电量最大场景。
具体实施方式
下面结合附图对本发明做进一步详细说明。
1)采用蒙特卡洛模拟法生成场景；
利用多场景技术描述未来的用电量预测误差的不确定性。根据用电量预测误差取值的概率分布，采用蒙特卡洛模拟方法对用电量预测误差的取值进行随机采样，获得若干场景。
概率模型是蒙特卡洛模拟法的基础和边界条件，在进行模拟之前需要根据机理分析或者历史数据确定用电量预测误差的概率分布，然后根据概率模型进行随机抽样，最后根据需要建立估计量。具体过程如下：
(1)构造用电量预测误差的概率模型：
在电源及电力流结构优化中，需要以长期用电量预测数据为计算的边界条件，然而长期用电量不可避免的存在预测误差方面的不确定性。
采集长期用电量的历史数据，根据采集的长期用电量的历史数据，得到电量预测误差；根据历史数据分析，用电量预测误差服从标准正态分布。将用电量预测误差的概率分布进行离散化，形成多个区间，并获得取值落在各个区间的概率，为蒙特卡洛随机抽样建立样本空间。
(2)蒙特卡洛随机抽样确定每个阶段场景：
在构造出用电量预测误差的概率分布并离散化之后，在此离散的概率分布下进行随机抽样生成场景集合。多阶段随机优化模型需要得到场景树中每个阶段中每个节点的用电量预测误差取值和相应的概率。逐阶段依次进行蒙特卡洛随机抽样，确定每个阶段场景，从而完成场景集合的获取。
图1为蒙特卡洛随机抽样所采用的轮盘赌方法示意图。轮盘赌的方法需要将用电量预测误差的取值落在各个区间的概率累叠起来，如图1所示。每个区间的长度代表随机变量落在该区间的概率，区间的末端点取值代表随机变量落在该区间的累积概率。利用计算机随机生成一个[0,1]区间的随机数，根据随机数的落点，判断被选中的区间，从而形成一个用电量预测误差取值的场景。在每个阶段均进行若干次轮盘赌方法，获得场景集合。
2)采用快速前向法消减场景，获得场景树；
对步骤1)得到的场景集合进行消减，避免多阶段蒙特卡洛模拟得到的场景树规模过大，造成维数灾难。获得多阶段场景树以及场景树中各个节点用电量预测误差的取值以及取值概率。
场景树是场景集合的多阶段路径表征形式。场景树消减算法利用聚类算法的思想，按照精度或者场景数目要求，获得原场景集合的子集，使得该子集和原场景集合在规定的距离测度下达到最小。本发明采用快速前向场景树消减算法消减场景，获得最终的场景树。快速前向场景树消减算法的初始消减集合为原场景集合，每次运算在上次运算得到的消减场景集合中选出一个场景添加到保留的场景集合中。具体过程如下：
以Kantorovich距离DK作为场景集合之间的规定的距离测度。
Figure BDA0002539844090000091
其中，P为原场景集合，Q为消减后的场景集合；J为被消减的场景编号集合；pi为编号为i的场景发生的概率；cT(ξm,ξn)为原场景集合中编号为m和n的场景之间的距离；ξm，ξn分别表示编号为m和n的场景。
Figure BDA0002539844090000092
(2)式为消减后的场景集合Q中场景概率计算公式。其中，qj为场景集合Q中编号为j的场景概率；pj为原场景集合P中编号为j的场景概率；pi为原场景集合P中编号为i的场景概率；J(j)为原场景集合P中被消减的场景编号集合。
定义场景之间的距离：
Figure BDA0002539844090000093
其中，
Figure BDA0002539844090000094
为第i次运算时，已消减的场景编号集合Ji-1中编号为m和n的场景之间的距离；cT(ξm,ξn)为原场景集合中编号为m和n的场景之间的距离；ξm，ξn分别表示编号为m和n的场景；S为原场景集合中的场景总数；
Figure BDA0002539844090000095
为第i-1次运算时，已消减的场景编号集合Ji-1中编号为m和n的场景之间的距离；ni-1为第i-1次运算后从场景编号集合Ji-1中所选择出的保留场景编号。
场景的期望距离：
Figure BDA0002539844090000101
其中，
Figure BDA0002539844090000102
为第i次运算时，已消减的场景编号集合Ji-1中编号为n的场景和场景编号集合Ji-1中的其他编号场景之间的期望距离；pm为场景编号集合Ji-1中编号为m的场景发生的概率；
Figure BDA0002539844090000103
为第i次运算时，已消减的场景编号集合Ji-1中编号为m和n的场景之间的距离。
Figure BDA0002539844090000104
其中，ni为第i次运算后，从已消减的场景编号集合Ji-1中所选择的保留场景的编号；
Figure BDA0002539844090000105
为第i次运算时，已消减的场景编号集合Ji-1中编号为n的场景的期望距离。(5)式表示，从已消减的场景集合中选出场景期望距离最小的场景作为要保留的场景。
图2展示了快速前向场景树消减算法流程图。快速前向场景树消减算法的过程具体如下：
1.定义初始场景集合，按照式(3)计算场景之间的距离；
2.按照式(4)计算每个场景与其他场景的概率距离；
3.根据式(5)确定要保留的场景编号和被消减的场景编号集合，进而得到消减后的场景集合Q；
4.按照式(2)重新计算消减后的场景集合Q中所保留的场景的概率；
5.按照式(1)计算原始场景集合P和消减后的场景集合Q的Kantorovich距离，判断其是否大于等于设定的精度要求；
6.重复1～5步，直到原始场景集合P和消减后的场景集合Q的Kantorovich距离不小于设定的精度要求，退出运算，最终得到的Q集合即为消减后的场景树。
图3展示了通过场景树的生成和消减所得到的用电量预测误差的25种场景下，我国用电总量的曲线集合，从下到上依次为场景1到场景25的用电量曲线。随着时间发展，各个场景下的用电量差异增大，体现出随着时间推进用电量预测的不确定性的范围扩大。
3)建立电源及电力流结构多阶段随机优化模型；
目标函数是使得优化期内的累积总成本达到期望意义下的最小。累积总成本期望值由累积电源建造成本期望值，累积运维成本期望值，累积燃料消耗成本期望值，累积线路容量扩建成本期望值和累积输电损耗成本期望值加和得到。
目标函数为：
minECA＝ECAC+ECAOM+ECAF+ECAL+ECAT (6)
其中，
Figure BDA0002539844090000111
Figure BDA0002539844090000112
Figure BDA0002539844090000113
Figure BDA0002539844090000114
Figure BDA0002539844090000115
式(6)中，ECA为优化期内的累积总成本期望值；ECAC为优化期内累积电源建造成本期望值；ECAOM为优化期内累积运维成本期望值；ECAF为优化期内累积燃料消耗成本期望值；ECAL为优化期内累积线路容量扩建成本期望值；ECAT为优化期内累积输电损耗成本期望值。
式(7)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000116
为第y年r区域g类电源单位容量建造成本；NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；i为折现率；LTg为第g类电源的寿命。
式(8)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000121
为第y年r区域g类电源单位容量运维成本；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数。
式(9)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000122
为第y年r区域f类燃料价格；
Figure BDA0002539844090000123
为第y年r区域g类电源的燃料消耗率；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数。
式(10)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000124
为第y年r区域和r′区域联络线单位容量建造成本；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；i为折现率；LTL为联络线寿命。
式(11)中，py,s为第s号场景第y年的标准化概率；
Figure BDA0002539844090000125
为第y年r区域和r′区域联络线输电损耗率；
Figure BDA0002539844090000126
为第y年r区域和r′区域联络线输电损耗单位容量成本；ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；i为折现率；T为优化期年数。
s.t.：
Figure BDA0002539844090000127
Figure BDA0002539844090000128
Figure BDA0002539844090000129
Figure BDA00025398440900001210
Figure BDA00025398440900001211
Figure BDA00025398440900001212
Figure BDA00025398440900001213
Figure BDA0002539844090000131
Figure BDA0002539844090000132
Figure BDA0002539844090000133
ILr,r′,y,s＝-ILr′,r,y,s (12-k)
NLr,r′,y,s＝-NLr′,r,y,s (12-l)
Figure BDA0002539844090000134
Figure BDA0002539844090000135
Figure BDA0002539844090000136
式(12-a)～(12-c)表示电源装机容量约束。其中，NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；
Figure BDA0002539844090000137
为第y年r区域g类电源新建容量下限；
Figure BDA0002539844090000138
为第y年r区域g类电源新建容量上限；Retr,g,y,s为第y年r区域g类电源的退役容量；
Figure BDA0002539844090000139
为第y年r区域g类电源退役容量下限；
Figure BDA00025398440900001310
为第y年r区域g类电源退役容量上限；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。第y年r区域g类电源新建容量上下限与地区政策，劳动力水平，经济发展水平有关。第y年r区域g类电源退役容量上下限与地区政策和已建容量有关。
式(12-d)～(12-f)表示电力电量平衡约束。其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure BDA00025398440900001311
为第y年r区域g类电源年运行小时数下限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure BDA00025398440900001312
为第y年r区域g类电源年运行小时数上限；RLr′,r,y,s为第s号场景第y年r区域和r′区域的联络线线损率；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；RateRes为备用率；PDr,y为第y年r区域的用电量；FGr,g,y为第y年r区域g类电源的功率因子；FLr,r′,y为第y年r区域和r′区域联络线的功率因子；LDr,y为第y年r区域的负荷。R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。电源或联络线的功率因子的含义是在保证系统可靠性的前提下，负荷侧可以削减的负荷与该电源或联络线容量的比率。
式(12-g)～(12-h)表示自然资源约束。其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure BDA0002539844090000141
为r区域g类电源已建容量上限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure BDA0002539844090000142
为r区域g类电源发电总量上限。R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。自然资源约束表明每个场景下容量和发电总量均不能超过自然资源上限火电，燃气发电，光伏，风电等电源的已建容量上限和发电总量上限会受到该地区自然资源如煤炭，天然气，光照，风力等的限制。
式(12-i)表示线路容量约束。其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。式(12-j)表示线路电量约束。其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；
Figure BDA0002539844090000143
为r区域和r′区域联络线年运行小时数下限；
Figure BDA0002539844090000144
为r区域和r′区域联络线年运行小时数上限；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。
式(12-k)～(12-m)表示网络约束。其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合。
式(12-n)表示调峰备用约束。其中，
Figure BDA0002539844090000145
为第y年常规电源调峰能力系数；
Figure BDA0002539844090000146
为第y年新能源电源调峰需求系数；
Figure BDA0002539844090000147
为第y年负荷的峰谷差系数；G1为常规电源类型集合；G2为新能源电源类型集合。R为区域集合；Y为优化期年份集合；S为场景编号集合。面向中长期电网演进形态的电源及电力流优化与现阶段传统的电力系统优化不同，需要考虑新能源的大量接入带来的反调峰作用。通常，参与调峰的常规电源有火电，燃气发电和水电。火电的调峰能力与火电最小技术出力限制有关。燃气发电由于具有启停方便，运行灵活的特点，可以具备100％容量调峰能力。水电调峰能力则取决于抽水蓄能及小水电参与调峰的规模。风电，光伏，海上风电等新能源机组具有调峰需求，具体调峰需求要根据新能源出力曲线得到。
式(12-o)表示非预期约束条件。其中，xt,s表示第s号场景第t阶段决策变量取值；
Figure BDA0002539844090000151
表示第s号场景第t阶段随机变量取值。非预期约束条件保证了当前阶段的决策变量只取决于此阶段及以前阶段不确定性的实现，而与未来不确定性的实现无关。这样保证了当前决策变量不会随着未来的情况随意改变。
4)基于场景树，求解电源及电力流多阶段随机优化模型，得到优化方案集合
将取值概率py,s代入到电源及电力流多阶段随机优化模型中，求解得出优化方案集合。
图4～5为我国电源及电力流结构优化的结果。图4为用电量最大和用电量最小的两种场景下电源结构；图5为用电量最大和用电量最小的两种场景下电力流增长情况。基于场景树的电源及电力流结构多阶段随机优化，在面对未来用电量预测存在不确定性时，可以提供优化方案集合，使得优化结果能够适应不同的场景，具备更好的灵活性。
本发明提出的电源及电力流长期优化方法通过增加可再生能源逆调峰特性约束，可以使得优化结果更加适用于未来可再生能源大规模接入电网的情况，并通过引入基于场景树生成技术的多阶段随机优化理论以及保证决策序贯进行的非预期约束条件，获得未来电源结构及电力流的优化方案集合。决策人员可以随着时间推移，根据不确定性的逐步揭示而从优化方案集合中选择合适的方案，克服了单一优化方案灵活性不足的缺陷，从而使得优化结果在含有不确定因素的情况下具有更好的适用性。

Claims (6)

1.基于多阶段随机规划理论的电源及电力流结构优化方法，其特征在于，包括以下步骤：
步骤1)：采用蒙特卡洛模拟法生成场景；
步骤2)：采用快速前向场景树消减算法消减场景，获得场景树，进而获得场景树中各个节点用电量预测误差的取值以及取值概率；
步骤3)：建立电源及电力流结构多阶段随机优化模型；
步骤4)：将场景树中各个节点用电量预测误差的取值以及取值概率带入电源及电力流结构多阶段随机优化模型中，求解电源及电力流结构多阶段随机优化模型，得到优化方案集合。
2.根据权利要求1所述的基于多阶段随机规划理论的电源及电力流结构长期优化方法，其特征在于，步骤1)的具体过程如下：根据用电量预测误差取值的概率分布，采用蒙特卡洛模拟方法对用电量预测误差的取值进行随机采样，获得若干场景。
3.根据权利要求2所述的基于多阶段随机规划理论的电源及电力流结构优化方法，其特征在于，步骤1)的具体过程如下：
(1)构造用电量预测误差的概率模型：
根据长期用电量的历史数据，得到用电量预测误差；将用电量预测误差的概率分布进行离散化，形成多个区间，并获得取值落在各个区间的概率；
(2)通过蒙特卡洛随机抽样确定每个阶段场景：
对构造的用电量预测误差的概率模型，进行蒙特卡洛随机抽样，确定每个阶段场景，从而得到场景集合。
4.根据权利要求1所述的基于多阶段随机规划理论的电源及电力流结构优化方法，其特征在于，步骤2)的具体过程如下：
1)计算场景之间的距离；
2)计算每个场景与其他场景的概率距离；
3)确定要保留的场景编号和被消减的场景编号集合，进而得到消减后的场景集合Q；
4)重新计算消减后的场景集合Q中所保留的场景的概率；
5)计算原始场景集合P和消减后的场景集合Q的Kantorovich距离，判断其是否大于等于设定的精度要求；
6)重复1)～5)步，直到原始场景集合P和消减后的场景集合Q的Kantorovich距离不小于设定的精度要求，退出运算，最终得到的Q集合即为消减后的场景树。
5.根据权利要求1所述的基于多阶段随机规划理论的电源及电力流结构优化方法，其特征在于，步骤3)中，以总成本的期望值最小化为目标，引入可再生能源逆调峰特性约束以及多阶段规划的非预期约束条件，建立电源及电力流结构多阶段随机优化模型。
6.根据权利要求1所述的基于多阶段随机规划理论的电源及电力流结构长期优化方法，其特征在于，步骤3)中，电源及电力流结构多阶段随机优化模型的目标函数为：
min ECA＝ECAC+ECAOM+ECAF+ECAL+ECAT (6)
其中，
Figure FDA0002539844080000021
Figure FDA0002539844080000022
Figure FDA0002539844080000023
Figure FDA0002539844080000024
Figure FDA0002539844080000025
式(6)中，ECA为优化期内的累积总成本期望值；ECAC为优化期内累积电源建造成本期望值；ECAOM为优化期内累积运维成本期望值；ECAF为优化期内累积燃料消耗成本期望值；ECAL为优化期内累积线路容量扩建成本期望值；ECAT为优化期内累积输电损耗成本期望值；
式(7)中，py,s为第s号场景第y年的标准化概率；
Figure FDA0002539844080000031
为第y年r区域g类电源单位容量建造成本；NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；i为折现率；LTg为第g类电源的寿命；
式(8)中，py,s为第s号场景第y年的标准化概率；
Figure FDA0002539844080000032
为第y年r区域g类电源单位容量运维成本；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数；
式(9)中，py,s为第s号场景第y年的标准化概率；
Figure FDA0002539844080000033
为第y年r区域f类燃料价格；
Figure FDA0002539844080000034
为第y年r区域g类电源的燃料消耗率；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；i为折现率；T为优化期年数；
式(10)中，py,s为第s号场景第y年的标准化概率；
Figure FDA0002539844080000035
为第y年r区域和r′区域联络线单位容量建造成本；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；i为折现率；LTL为联络线寿命；
式(11)中，py,s为第s号场景第y年的标准化概率；
Figure FDA0002539844080000036
为第y年r区域和r′区域联络线输电损耗率；
Figure FDA0002539844080000037
为第y年r区域和r′区域联络线输电损耗单位容量成本；ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；i为折现率；T为优化期年数；
s.t.：
Figure FDA0002539844080000038
Figure FDA0002539844080000039
Figure FDA00025398440800000310
Figure FDA00025398440800000311
Figure FDA0002539844080000041
Figure FDA0002539844080000042
Figure FDA0002539844080000043
Figure FDA0002539844080000044
Figure FDA0002539844080000045
Figure FDA0002539844080000046
ILr,r′,y,s＝-ILr′,r,y,s (12-k)
NLr,r′,y,s＝-NLr′,r,y,s (12-l)
Figure FDA0002539844080000047
Figure FDA0002539844080000048
Figure FDA0002539844080000049
式(12-a)～(12-c)表示电源装机容量约束；其中，NGr,g,y,s为第s号场景第y年r区域g类电源的新建容量；
Figure FDA00025398440800000410
为第y年r区域g类电源新建容量下限；
Figure FDA00025398440800000411
为第y年r区域g类电源新建容量上限；Retr,g,y,s为第y年r区域g类电源的退役容量；
Figure FDA00025398440800000412
为第y年r区域g类电源退役容量下限；
Figure FDA00025398440800000413
为第y年r区域g类电源退役容量上限；IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-d)～(12-f)表示电力电量平衡约束；其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure FDA00025398440800000414
为第y年r区域g类电源年运行小时数下限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure FDA00025398440800000415
为第y年r区域g类电源年运行小时数上限；RLr′,r,y,s为第s号场景第y年r区域和r′区域的联络线线损率；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；RateRes为备用率；PDr,y为第y年r区域的用电量；FGr,g,y为第y年r区域g类电源的功率因子；FLr,r′,y为第y年r区域和r′区域联络线的功率因子；LDr,y为第y年r区域的负荷；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-g)～(12-h)表示自然资源约束；其中，IGr,g,y,s为第s号场景第y年r区域g类电源的已建容量；
Figure FDA0002539844080000051
为r区域g类电源已建容量上限；PGr,g,y,s为第s号场景第y年r区域g类电源的发电量；
Figure FDA0002539844080000052
为r区域g类电源发电总量上限；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-i)表示线路容量约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；式(12-j)表示线路电量约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；
Figure FDA0002539844080000053
为r区域和r′区域联络线年运行小时数下限；
Figure FDA0002539844080000054
为r区域和r′区域联络线年运行小时数上限；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-k)～(12-m)表示网络约束；其中，ILr,r′,y,s为第s号场景第y年r区域和r′区域联络线的已建容量；NLr,r′,y,s为第s号场景第y年r区域和r′区域联络线的新建容量；PLr′,r,y,s为第s号场景第y年r区域和r′区域通过联络线交换的电量；R为区域集合；G为电源类型集合；Y为优化期年份集合；S为场景编号集合；
式(12-n)表示调峰备用约束；其中，
Figure FDA0002539844080000055
为第y年常规电源调峰能力系数；
Figure FDA0002539844080000056
为第y年新能源电源调峰需求系数；
Figure FDA0002539844080000057
为第y年负荷的峰谷差系数；G1为常规电源类型集合；G2为新能源电源类型集合；R为区域集合；Y为优化期年份集合；S为场景编号集合；
式(12-o)表示非预期约束条件；其中，xt,s表示第s号场景第t阶段决策变量取值；
Figure FDA0002539844080000061
表示第s号场景第t阶段随机变量取值。
CN202010543532.5A 2020-06-15 2020-06-15 基于多阶段随机规划理论的电源及电力流结构优化方法 Active CN111697572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543532.5A CN111697572B (zh) 2020-06-15 2020-06-15 基于多阶段随机规划理论的电源及电力流结构优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543532.5A CN111697572B (zh) 2020-06-15 2020-06-15 基于多阶段随机规划理论的电源及电力流结构优化方法

Publications (2)

Publication Number Publication Date
CN111697572A true CN111697572A (zh) 2020-09-22
CN111697572B CN111697572B (zh) 2021-09-17

Family

ID=72481153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543532.5A Active CN111697572B (zh) 2020-06-15 2020-06-15 基于多阶段随机规划理论的电源及电力流结构优化方法

Country Status (1)

Country Link
CN (1) CN111697572B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010998A (zh) * 2021-02-08 2021-06-22 武汉数澎科技有限公司 基于随动线损及遗忘因子最小二乘法的电表误差估计方法
CN114912647A (zh) * 2021-02-07 2022-08-16 富士通株式会社 用于决定决策的装置、方法和机器可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007215354A (ja) * 2006-02-10 2007-08-23 Meiji Univ 電力負荷予測方法、及び電力負荷予測処理プログラム
CN103701120A (zh) * 2013-12-23 2014-04-02 华北电力大学 一种含风电场的大电网可靠性的评估方法
CN105244890A (zh) * 2015-08-27 2016-01-13 国网山东省电力公司经济技术研究院 新能源并网的无功优化方法
CN106385025A (zh) * 2016-10-08 2017-02-08 四川大学 一种分布式电源与联络线多阶段协同规划方法
CN107294087A (zh) * 2017-06-23 2017-10-24 清华大学 一种含气象能源的综合能源系统典型场景集生成方法
CN110516944A (zh) * 2019-08-20 2019-11-29 国网江苏省电力有限公司 一种配电网多阶段典型运行场景生成方法
CN110929964A (zh) * 2019-12-18 2020-03-27 国网福建省电力有限公司 一种基于近似动态规划算法的含储能配电网优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007215354A (ja) * 2006-02-10 2007-08-23 Meiji Univ 電力負荷予測方法、及び電力負荷予測処理プログラム
CN103701120A (zh) * 2013-12-23 2014-04-02 华北电力大学 一种含风电场的大电网可靠性的评估方法
CN105244890A (zh) * 2015-08-27 2016-01-13 国网山东省电力公司经济技术研究院 新能源并网的无功优化方法
CN106385025A (zh) * 2016-10-08 2017-02-08 四川大学 一种分布式电源与联络线多阶段协同规划方法
CN107294087A (zh) * 2017-06-23 2017-10-24 清华大学 一种含气象能源的综合能源系统典型场景集生成方法
CN110516944A (zh) * 2019-08-20 2019-11-29 国网江苏省电力有限公司 一种配电网多阶段典型运行场景生成方法
CN110929964A (zh) * 2019-12-18 2020-03-27 国网福建省电力有限公司 一种基于近似动态规划算法的含储能配电网优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张文韬等: "大规模风电接入下含大用户直购电的电力系统调度模型研究", 《中国电机工程学报》 *
王秀丽等: "基于多场景的风电场接入与输电网协调规划", 《电力建设》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912647A (zh) * 2021-02-07 2022-08-16 富士通株式会社 用于决定决策的装置、方法和机器可读存储介质
CN113010998A (zh) * 2021-02-08 2021-06-22 武汉数澎科技有限公司 基于随动线损及遗忘因子最小二乘法的电表误差估计方法

Also Published As

Publication number Publication date
CN111697572B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US9618914B2 (en) Energy resource-grid-load automatic control system of smart microgrid and control methods thereof
CN110224393B (zh) 一种基于最小切负荷模型的新能源消纳评估方法
CN106099993B (zh) 一种适应新能源大规模接入的电源规划方法
CN107732949B (zh) 一种综合风电全年多季节特性的储能布点定容方法
CN107316113B (zh) 一种输电网规划方法及系统
CN109523128A (zh) 一种促进消纳的可再生能源容量配置方法
CN112467807A (zh) 一种多能源电力系统日前优化调度方法及系统
CN109190792B (zh) 一种确定配电网中分布式电源的配置的方法和系统
CN110620397B (zh) 一种高比例可再生能源电力系统的调峰平衡评估方法
CN111697572B (zh) 基于多阶段随机规划理论的电源及电力流结构优化方法
CN111082466B (zh) 考虑风电不确定性的新能源接入与网架扩建优化方法
CN111738498A (zh) 一种综合能源系统鲁棒规划方法及系统
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
CN114123313A (zh) 一种时序生产模拟新能源电力系统消纳方法
CN108110789B (zh) 一种间歇性可再生能源分层分区并网规划方法
Wang et al. Optimal distribution network expansion planning incorporating distributed generation
CN115765044B (zh) 风光水电系统联合运行及风险分析方法和系统
CN113394820B (zh) 一种新能源并网电力系统的优化调度方法
CN113807643B (zh) 一种四端互联配电网架结构及其规划方法
CN114583762A (zh) 一种考虑多分区火电均衡调度的日电力电量平衡分析方法
CN114387128A (zh) 一种电力市场环境下的省级储能规模需求规划方法
Crosara et al. Generation adequacy in the Nordic and Baltic area: The potential of flexible residential electric heating
Bhand et al. Optimizing economic load dispatch problem using genetic algorithm: A case study of thermal power station Jamshoro
Liu et al. Bi-level collaborative expansion planning for power grid and plants considering operational flexibility
CN113379147B (zh) 远期水电合同与水电站群调度规则的同步优化方法

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