CN111697581A - 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 - Google Patents
一种基于机会约束gmm的csp-chpmg鲁棒调度方法 Download PDFInfo
- Publication number
- CN111697581A CN111697581A CN202010826307.2A CN202010826307A CN111697581A CN 111697581 A CN111697581 A CN 111697581A CN 202010826307 A CN202010826307 A CN 202010826307A CN 111697581 A CN111697581 A CN 111697581A
- Authority
- CN
- China
- Prior art keywords
- csp
- prediction error
- gmm
- robustness
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000005315 distribution function Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims description 32
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 19
- 238000004146 energy storage Methods 0.000 claims description 19
- 238000005338 heat storage Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 239000002918 waste heat Substances 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000009987 spinning Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- 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
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及微电网优化调度技术领域,具体涉及到一种基于机会约束GMM的CSP‑CHPMG鲁棒调度方法。本发明主要包括:构造了基于机会约束高斯混合模型的风电功率预测误差和负荷预测误差的不确定性集合,实现对含光热电站微网调度方案鲁棒性的准确描述;构建了计及电能需求响应的CSP‑CHPMG鲁棒经济多目标优化调度模型,保障调度方案的鲁棒性和经济性实现最佳均衡协调。本发明采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合,并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合,可更加真实地反映风电功率预测误差和负荷预测误差,进而能更准确的反映鲁棒优化效果,提高系统稳定性。
Description
技术领域
本发明涉及微电网优化调度技术领域,具体涉及到一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法。
背景技术
太阳能光热(Concentrated Solar Power,CSP)电站内部具有大容量的储热装置和快速爬坡的汽轮机,储热装置中的热量既可直接给用户供暖,也可驱动汽轮机发电。因此,CSP电站可有效克服光伏发电的间歇性和波动性,实现较为稳定的电能输出,增加太阳能消纳量,并可实现快速启停从而参与系统调峰,缓解常规机组备用容量压力,提升系统经济性。而微网能够整合多种分布式能源发电,并实现内部能源相互转换以满足用户多能源需求,特别适合与CSP电站有机结合,实现热电双向流动,利用不同能源的时空互补特性,提升能源梯级利用效率和多能互补性,降低发电运营风险和生产成本。因此,含光热电站热电联供型微网(Concentrated Solar Power-Combined Heating and Power Microgrid,CSP-CHPMG)和普通微网相比具有明显的优越性。现有研究中在热电联供型微网中引入CSP电站,提升了微网系统整体运行效益,然而其利用模糊机会约束规划处理风电出力不确定性,方法过于简单,对不确定性的描述精准度不高。
在CSP-CHPMG中,CSP电站有效克服了光能的不确定性,但其中风能和负荷的不确定性影响仍不可忽视,在经济调度时还需充分考虑调度方案的鲁棒性。然而,现有的鲁棒优化方法通常是基于预设鲁棒参数或不确定性预算系数对优化方案的鲁棒性进行控制。因其设定偏于主观且缺乏灵活性,难以充分体现优化目标和鲁棒性之间相互制约的动态关系,没能实现鲁棒性与经济性的协同优化,具有一定的局限性。此外,现有研究中大都采用特定分布函数模型来描述不确定性因素,然而通过统计分析风速和风电功率数据信息发现,风电功率预测误差的随机分布特征通常并不是简单的均匀分布或对称分布,也不只满足单一特定的分布函数模型。因此,上述采用特定分布函数模型来描述不确定性因素的处理方法往往会造成对风电不确定性描述存在较大误差和对优化方案的鲁棒性评价不准确。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法。
为实现上述目的,本发明采用的技术方案如下:一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,包括以下步骤:
步骤1,基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合;
步骤2,针对GMM引入机会约束,基于置信水平对鲁棒性进行评价和计算鲁棒度;
步骤3,将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型;
步骤4,求解多目标优化调度模型,获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
进一步的,所述步骤2具体包括:引入GMM描述不确定性因素预测误差的概率分布,然后引入机会约束得到不确定性因素的置信区间,通过调整置信水平来调节置信区间的范围,建立基于机会约束GMM的可调节不确定性因素集合U,定义含机会约束的区间变量来表示不确定性因素在t时段预测误差的不确定性,实现优化解的鲁棒性灵活可调以降低保守性,并充分体现不确定量概率分布对不确定性区间范围的影响,其中,可调节不确定性因素集合U如下:
式中:和分别为基于机会约束GMM可调节鲁棒区间的上下限,T表示为总时段数,为显著性水平,定义为鲁棒度,其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大,通过调节,调整不确定性因素集合区间,表示任意时间t。
进一步的,在所述步骤1中,构造所述风电功率预测误差的不确定性因素集合的具体步骤如下:
通过高阶多项式函数拟合风电功率预测误差的累积分布函数,并通过多项式求根的方式快速获得其反函数的近似解;
其中,风电功率预测误差v的高斯分布的累积分布函数如下:
用分段四阶多项式拟合高斯分布的累积分布函数,多项式如下:
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为:
同理,构造负荷预测误差的不确定性因素集合如下:
进一步的,所述步骤3具体包括:
步骤3.2,将鲁棒度作为协同优化目标,构造鲁棒度最大化目标函数;
步骤3.3,利用需求响应中的激励型需求响应削减电负荷峰时需求,利用价格型需求响应转移用户负荷分布;
步骤3.4,针对经济性优化目标函数和鲁棒度最大化目标函数设置约束条件;
步骤3.5,对多目标优化调度模型进行确定性转化。
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本、CSP电站供热运维成本、常规机组成本、电加热器维护成本、中断负荷补偿成本、电储能装置维护成本,系统净成本描述为总运行成本与能量市场总收益之差,则CSP-CHPMG的经济性目标可表达为:
式中:为CSP电站单位供电的运维成本系数,为t时段CSP电站中汽轮机的输出电功率;为CSP电站单位供热的运维成本系数;为t时段CSP电站储热装置供给热负荷的放热功率;为电加热器的维护成本系数,为t时段电加热器的输入电功率;为中断等级数;为在t时段实际负荷削减量;为第k级相对应的削减负荷补偿价格;为电储能装置的维护成本系数;和分别为t时段电储能装置的充电功率和放电功率;为t时段与EM的总交易量,正为向EM售电,负为向EM购电;当为正时置1,置0;当为负时置0,置1;和分别为t时段与EM交易的售电电价和购电电价;为t时段第i台常规机组成本;为系统中常规机组的台数;、、为第i台常规机组调度成本系数;和分别为t时段第i台常规机组的有功出力和最大输出功率;、、分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数;和分别为第i台常规机组的年运行小时数和容量因素。
进一步的,所述鲁棒度最大化目标函数如下:
进一步的,所述对多目标优化调度模型进行确定性转化包括:
鲁棒经济调度需要在满足所有约束条件下做到经济性最优,当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时,需再次向EM购电以维持功率平衡,再次购电量为:
进一步的,所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
进一步的,在所述步骤4中,求解多目标优化调度模型,具体包括:
假设系统中共有S台常规机组,CSP电站内共有G台汽轮机,初始种群个数为Npop,构造行数为Npop行,列数为(S+G)*T+1列的矩阵;每行代表(S+G)*T+1位染色体编码,鲁棒度作为染色体最后一位编码,在区间[0,24]内随机取值;因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况,据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离,得出优势种群,并循环迭代直至得到Pareto最优解集;最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
由上述对本发明的描述可知,与现有技术相比,本发明至少具有以下有益效果之一:
1、采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合,并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合,可更加真实地反映风电功率预测误差和负荷预测误差,进而能更准确的反映鲁棒优化效果,提高系统稳定性;
2、提升了光能利用率,利用风光互补特性,实现清洁能源优先上网,降低供能压力;CSP电站与电加热器相互配合,实现热电双向流动,可提升系统出力灵活性和安全性;并同时考虑价格型和激励型两种需求响应,可降低系统运行成本;
3、加入鲁棒性目标函数,建立鲁棒-经济多目标优化调度模型,消除预先人为设定鲁棒度的主观性,综合考虑鲁棒性和经济性之间的制约关系,可获得更为合理的鲁棒经济优化调度方案。
附图说明
图1为本发明实施例中风电功率预测误差概率密度曲线图;
图2为本发明实施例中负荷预测误差概率密度曲线图;
图3为本发明实施例中CSP-CHPMG架构示意图;
图4为本发明实施例中风电功率预测值和光照强度预测值曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照图1-4所示,本发明的优选实施例,一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,包括以下步骤:
步骤1,基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合;
步骤2,针对GMM引入机会约束,基于置信水平对鲁棒性进行评价和计算鲁棒度;
步骤3,将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型;
步骤4,求解多目标优化调度模型,获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
在本实施例中,所述步骤2具体包括:引入GMM描述不确定性因素预测误差的概率分布,然后引入机会约束得到不确定性因素的置信区间,通过调整置信水平来调节置信区间的范围,建立基于机会约束GMM的可调节不确定性因素集合U,定义含机会约束的区间变量来表示不确定性因素在t时段预测误差的不确定性,实现优化解的鲁棒性灵活可调以降低保守性,并充分体现不确定量概率分布对不确定性区间范围的影响,其中,可调节不确定性因素集合U如下:
式中:和分别为基于机会约束GMM可调节鲁棒区间的上下限,T表示为总时段数,为显著性水平,定义为鲁棒度,其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大,通过调节,调整不确定性因素集合区间,表示任意时间t 。
在本实施例中,在所述步骤1中,构造所述风电功率预测误差的不确定性因素集合的具体步骤如下:
通过高阶多项式函数拟合风电功率预测误差的累积分布函数,并通过多项式求根的方式快速获得其反函数的近似解;
其中,风电功率预测误差v的高斯分布的累积分布函数如下:
用分段四阶多项式拟合高斯分布的累积分布函数,多项式如下:
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为:
同理,构造负荷预测误差的不确定性因素集合如下:
在本实施例中,所述步骤3具体包括:
步骤3.2,将鲁棒度作为协同优化目标,构造鲁棒度最大化目标函数;
步骤3.3,利用需求响应中的激励型需求响应削减电负荷峰时需求,利用价格型需求响应转移用户负荷分布;
步骤3.4,针对经济性优化目标函数和鲁棒度最大化目标函数设置约束条件;
步骤3.5,对多目标优化调度模型进行确定性转化。
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本、CSP电站供热运维成本、常规机组成本、电加热器维护成本、中断负荷补偿成本、电储能装置维护成本,系统净成本描述为总运行成本与能量市场总收益之差,则CSP-CHPMG的经济性目标可表达为:
式中:为CSP电站单位供电的运维成本系数,为t时段CSP电站中汽轮机的输出电功率;为CSP电站单位供热的运维成本系数;为t时段CSP电站储热装置供给热负荷的放热功率;为电加热器的维护成本系数,为t时段电加热器的输入电功率;为中断等级数;为在t时段实际负荷削减量;为第k级相对应的削减负荷补偿价格;为电储能装置的维护成本系数;和分别为t时段电储能装置的充电功率和放电功率;为t时段与EM的总交易量,正为向EM售电,负为向EM购电;当为正时置1,置0;当为负时置0,置1;和分别为t时段与EM交易的售电电价和购电电价;为t时段第i台常规机组成本;为系统中常规机组的台数;为第i台常规机组调度成本系数;分别为t时段第i台常规机组的有功出力和最大输出功率;分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数;和分别为第i台常规机组的年运行小时数和容量因素。
在本实施例中,所述鲁棒度最大化目标函数如下:
在本实施例中,所述对多目标优化调度模型进行确定性转化包括:
鲁棒经济调度需要在满足所有约束条件下做到经济性最优,当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时,需再次向EM购电以维持功率平衡,再次购电量为:
在本实施例中,所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
在本实施例中,在所述步骤4中,求解多目标优化调度模型,具体包括:
假设系统中共有S台常规机组,CSP电站内共有G台汽轮机,初始种群个数为Npop,构造行数为Npop行,列数为(S+G)*T+1列的矩阵;每行代表(S+G)*T+1位染色体编码,鲁棒度作为染色体最后一位编码,在区间[0,24]内随机取值;因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况,据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离,得出优势种群,并循环迭代直至得到Pareto最优解集;最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
本发明采用GMM替代固定概率分布函数对风电功率预测误差概率分布和负荷预测误差概率分布进行精确拟合,并建立基于机会约束GMM的风电功率预测误差不确定性集合和负荷预测误差不确定性集合,可更加真实地反映风电功率预测误差和负荷预测误差,进而能更准确的反映鲁棒优化效果,提高系统稳定性;本发明提升了光能利用率,利用风光互补特性,实现清洁能源优先上网,降低供能压力;CSP电站与电加热器相互配合,实现热电双向流动,可提升系统出力灵活性和安全性;并同时考虑价格型和激励型两种需求响应,可降低系统运行成本;本发明加入鲁棒性目标函数,建立鲁棒-经济多目标优化调度模型,消除预先人为设定鲁棒度的主观性,综合考虑鲁棒性和经济性之间的制约关系,可获得更为合理的鲁棒经济优化调度方案。
为便于对本发明的理解,以下对本发明进行较为详细的解释:
本发明提出一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,主要包括:构造了基于机会约束高斯混合模型的风电功率预测误差和负荷预测误差的不确定性集合,实现对含光热电站微网调度方案鲁棒性的准确描述;构建了计及电能需求响应的CSP-CHPMG鲁棒经济多目标优化调度模型,保障调度方案的鲁棒性和经济性实现最佳均衡协调。
一、基于机会约束高斯混合模型的风电功率及负荷预测误差不确定性集合构造方法
不确定性集合的确定是处理鲁棒优化问题的关键。目前鲁棒优化研究中通常是采用偏差对称的正态分布或平均分布来表示不确定集合,这种简化处理方式没有考虑到各类不确定量的随机性分布特征差异,往往与实际情况存在较大偏差(如风电随机性常表现为不对称分布)。为了更为准确灵活地表征不确定性集合,本发明首先引入GMM描述不确定性因素(风电、负荷等)预测误差的概率分布,然后引入机会约束得到不确定性因素的置信区间。可通过调整置信水平来调节置信区间的范围,从而建立如式(1)所示的基于机会约束GMM的可调节不确定性集合U。定义含机会约束的区间变量来表示不确定性因素在t时段预测误差的不确定性,实现优化解的鲁棒性灵活可调以降低保守性,并充分体现不确定量概率分布对不确定性区间范围的影响。
式中:和分别为基于机会约束GMM可调节鲁棒区间的上下限,定义为鲁棒度,其设置的数值越大则说明相应的鲁棒优化方案对不确定性的容忍范围越大,通过调节,可调整不确定性集合区间。在此不确定性集合与不是简单的线性关系,而是基于不确定因素在各时段的概率分布,由显著性水平确定。
1、风电功率预测误差不确定性集合模型
式中:为拟合分量的个数,为第j个高斯分布的概率密度函数,分别为第j个高斯分布的权重、期望和标准差。采用期望最大化方法求解GMM,引入隐含变量,求得模型分布参数的极大似然估计值,对参数重估公式和隐含变量期望公式反复迭代,直至似然函数值最大即可得到等参数。
为使GMM拟合的风电功率预测误差的概率密度曲线更加精确,依据风电功率预测值将分布图分为十个区域,并将此十个区域内的预测误差分别进行拟合。GMM的拟合效果取决于其拟合分量的个数,增加拟合分量可提高模型的拟合精度,但会增加模型计算复杂度。而GMM-7分量和GMM-8分量的拟合结果相差甚微。因此在综合考虑GMM的拟合效果与计算效率后,本发明采用GMM-7分量拟合风电功率预测误差的概率分布。GMM-7分量拟合出的0~0.1区域的风电功率预测误差的概率分布如图1所示,由此可得基于机会约束GMM的不确定性集合。通过求解风电功率预测误差的累积分布函数的逆函数可得置信水平为下的风电功率预测误差不确定性集合,其中分别为t时段风电功率预测误差的上下限。
由于风电功率预测误差概率密度函数是利用GMM得到,即风电功率预测误差概率密度函数是若干个高斯分布函数的线性组合。因此通过高阶多项式函数可拟合风电功率预测误差的累积分布函数,并通过多项式求根的方式快速获得其反函数的近似解。高斯分布的累积分布函数用多项式近似拟合如下:
用分段四阶多项式拟合高斯分布的累积分布函数,多项式如式(5)所示;
因此,求解相应多项式的根即可得到风电功率预测误差的不确定性集合为:
2、负荷预测误差的不确定性集合模型
用GMM拟合的t时段负荷预测误差的概率分布如图2所示,同理,置信水平为下的负荷预测误差不确定性集合通过求解负荷预测误差累积分布函数的逆函数即对相应高阶多项式求根可得,其中为t时段负荷预测误差上下限。负荷预测误差的不确定性集合为:
二、计及电能需求响应的CSP-CHPMG鲁棒经济多目标优化调度模型
CSP-CHPMG架构如图3所示,其中主要包括分布式常规发电机组(如柴油发电机等)、风电站、电储能装置和CSP电站及其配套装置(电加热器、余热回收装置等)。CSP-CHPMG内的电能主要由常规机组、CSP电站、风电站和电储能装置提供;CSP-CHPMG内的热能由电加热器和CSP电站内的储热装置提供;负荷包括电负荷和热负荷。CSP-CHPMG参与能量市场(energymarket,EM),系统可通过EM购进不足电量或出售多余电量。
1、经济性目标
以系统净成本最小为经济性优化目标,可描述为总运行成本与EM总收益之差。CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本、CSP电站供热运维成本、常规机组成本、电加热器维护成本、中断负荷补偿成本、电储能装置维护成本。则CSP-CHPMG的经济性目标可表达为:
式中:为CSP电站单位供电的运维成本系数;为CSP电站单位供热的运维成本系数;为t时段CSP电站储热装置供给热负荷的放热功率;为电加热器的维护成本系数;为中断等级数;为在t时段实际负荷削减量;为第k级相对应的削减负荷补偿价格;为电储能装置的维护成本系数;和分别为t时段电储能装置的充电功率和放电功率;为t时段与EM的总交易量(正为向EM售电,负为向EM购电);当为正时置1,置0;当为负时置0,置1;和分别为t时段与EM交易的售电电价和购电电价;为t时段第i台常规机组成本;为系统中常规机组的台数;为第i台常规机组调度成本系数;和分别为t时段第i台常规机组的有功出力和最大输出功率;分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数;分别为第i台常规机组的年运行小时数和容量因素。
2、鲁棒性目标
为消除预先设定鲁棒度(置信水平)的主观性制约,得到更为合理的鲁棒经济优化调度方案,将鲁棒度作为协同优化目标,构造如下鲁棒度最大化目标表达:
3、需求响应
在CSP-CHPMG鲁棒经济优化调度模型中,利用需求响应中的激励型需求响应(Incentive demand response, IDR)削减电负荷峰时需求,IDR产生的中断负荷补偿成本计入系统总成本;利用价格型需求响应(Price demand response,PDR)转移用户负荷分布,提升系统运行稳定性和经济性。
4、约束条件
包括:电功率平衡约束、热功率平衡约束、 CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束等。
5、模型的确定性转化
如上所述,鲁棒经济调度需要在满足所有约束条件下做到经济性最优,因此,当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时,需再次向EM购电以维持功率平衡。再次购电量为:
6、求解算法
假设系统中共有S台常规机组,CSP电站内共有G台汽轮机,初始种群个数为Npop,构造行数为Npop行,列数为(S+G)*T+1列的矩阵;每行代表(S+G)*T+1位染色体编码,鲁棒度作为染色体最后一位编码,在区间[0,24]内随机取值;因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况,据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离,得出优势种群,并循环迭代直至得到Pareto最优解集;最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
上述基于机会约束GMM的含光热电站热电联供型微网鲁棒经济调度模型求解难点在于变量维数过多、模型非线性,为此本发明选用计算性能较为优越的多目标分子微分算法(multi-objective molecular differ-ential evolution,MOMDE)对模型进行求解,该算法通过利用基于分子间作用力的进化变异机制,巧妙兼顾了求解的高效性和种群个体的多样性,能够有效克服早熟收敛现象实现高效的深度寻优。
实施例一:
设某CSP-CHPMG由1个风电站、1个CSP电站(含1个汽轮机组)、2个常规机组、以及电储能装置和电加热器装置等能量转换装置组成。其中CSP电站光场面积为。各出力单元主要参数如表1所示;风电功率预测值和光照强度预测值如图4所示;MOMDE算法设置种群规模为800、循环迭代次数为500、变异尺度为0.85、交叉概率因子为0.5。
表1各出力单元主要参数
为衡量鲁棒经济优化、需求响应、CSP电站以及余热回收装置对系统调度结果的影响,首先设计了如表2所示的5种调度模式进行对比。各模式均采用基于机会约束GMM的不确定性集合构造方法,得到日风电出力和日负荷的不确定性区间。
表2不同的优化调度模式
分别采用表2中5种模式构建鲁棒经济调度模型,求解可得到各模式最优折衷方案的成本。其中,本发明提出的调度模式1效果最好。
在不出现冲突的前提下,本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (9)
1.一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于,包括以下步骤:
步骤1,基于GMM构造风电功率预测误差的不确定性因素集合和负荷预测误差的不确定性因素集合;
步骤2,针对GMM引入机会约束,基于置信水平对鲁棒性进行评价和计算鲁棒度;
步骤3,将鲁棒性作为协同优化目标构建CSP-CHPMG鲁棒经济多目标优化调度模型;
步骤4,求解多目标优化调度模型,获得鲁棒性和经济性综合最优的CSP-CHPMG调度方案。
2.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于,所述步骤2具体包括:引入GMM描述不确定性因素预测误差的概率分布,然后引入机会约束得到不确定性因素的置信区间,通过调整置信水平来调节置信区间的范围,建立基于机会约束GMM的可调节不确定性因素集合U,定义含机会约束的区间变量来表示不确定性因素在t时段预测误差的不确定性,实现优化解的鲁棒性灵活可调以降低保守性,并充分体现不确定量概率分布对不确定性区间范围的影响,其中,可调节不确定性因素集合U如下:
3.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于,在所述步骤1中,构造所述风电功率预测误差的不确定性因素集合的具体步骤如下:
通过高阶多项式函数拟合风电功率预测误差的累积分布函数,并通过多项式求根的方式快速获得其反函数的近似解;
其中,风电功率预测误差v的高斯分布的累积分布函数如下:
用分段四阶多项式拟合高斯分布的累积分布函数,多项式如下:
求解相应多项式的根即可得到风电功率预测误差的不确定性因素集合为:
同理,构造负荷预测误差的不确定性因素集合如下:
CSP-CHPMG在t时段运行成本包含CSP电站供电运维成本、CSP电站供热运维成本、常规机组成本、电加热器维护成本、中断负荷补偿成本、电储能装置维护成本,系统净成本描述为总运行成本与能量市场总收益之差,则CSP-CHPMG的经济性目标可表达为:
式中:为CSP电站单位供电的运维成本系数,为t时段CSP电站中汽轮机的输出电功率;为CSP电站单位供热的运维成本系数;为t时段CSP电站储热装置供给热负荷的放热功率;为电加热器的维护成本系数,为t时段电加热器的输入电功率;为中断等级数;为在t时段实际负荷削减量;为第k级相对应的削减负荷补偿价格;为电储能装置的维护成本系数;和分别为t时段电储能装置的充电功率和放电功率;为t时段与EM的总交易量,正为向EM售电,负为向EM购电;当为正时置1,置0;当为负时置0,置1;和分别为t时段与EM交易的售电电价和购电电价;为t时段第i台常规机组成本;为系统中常规机组的台数;为第i台常规机组调度成本系数;分别为t时段第i台常规机组的有功出力和最大输出功率;分别为第i台常规机组的运行管理成本系数、单位容量安装成本、资本回收系数;和分别为第i台常规机组的年运行小时数和容量因素。
7.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于,所述对多目标优化调度模型进行确定性转化包括:
鲁棒经济调度需要在满足所有约束条件下做到经济性最优,当常规机组和光热电站的正旋转备用容量无法补偿风电功率预测误差和负荷预测误差造成的系统出力不足时,需再次向EM购电以维持功率平衡,再次购电量为:
8.根据权利要求4所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于:所述约束条件包括电功率平衡约束、热功率平衡约束、CSP电站出力约束、热传递约束、储热装置约束、汽轮机出力约束、电储能装置约束、电加热器和余热回收装置约束、系统正/负旋转备用约束、EM约束。
9.根据权利要求1所述的一种基于机会约束GMM的CSP-CHPMG鲁棒调度方法,其特征在于:在所述步骤4中,求解多目标优化调度模型,具体包括:
假设系统中共有S台常规机组,CSP电站内共有G台汽轮机,初始种群个数为Npop,构造行数为Npop行,列数为(S+G)*T+1列的矩阵;每行代表(S+G)*T+1位染色体编码,鲁棒度作为染色体最后一位编码,在区间[0,24]内随机取值;因此得出每个个体对应的净成本、鲁棒度以及各单元出力情况,据此对种群进行多目标非劣排序操作计算出每个方案个体的序值和拥挤距离,得出优势种群,并循环迭代直至得到Pareto最优解集;最后基于虚拟理想解距离最短的原则从Pareto解集中决策出总体满意度最高的最优折衷解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826307.2A CN111697581A (zh) | 2020-08-17 | 2020-08-17 | 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826307.2A CN111697581A (zh) | 2020-08-17 | 2020-08-17 | 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111697581A true CN111697581A (zh) | 2020-09-22 |
Family
ID=72487142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826307.2A Pending CN111697581A (zh) | 2020-08-17 | 2020-08-17 | 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111697581A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139871A (zh) * | 2021-11-02 | 2022-03-04 | 广西电网有限责任公司 | 日前发电备用容量配置方法、装置、存储介质及终端设备 |
CN115906488A (zh) * | 2022-11-25 | 2023-04-04 | 国网江苏省电力有限公司电力科学研究院 | 一种用于楼宇综合能源系统的优化调度方法 |
CN117688793A (zh) * | 2024-02-04 | 2024-03-12 | 中国地质大学(武汉) | 一种分布鲁棒机组组合建模与求解方法、设备及存储设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330546A (zh) * | 2017-06-14 | 2017-11-07 | 武汉大学 | 一种考虑风电出力和需求响应不确定性的优化调度方法 |
CN108805328A (zh) * | 2018-04-30 | 2018-11-13 | 国网浙江省电力有限公司经济技术研究院 | 光热电站热电联供微网系统的优化运行方法 |
CN108832665A (zh) * | 2018-07-04 | 2018-11-16 | 四川大学 | 一种考虑风电不确定性的电热综合系统分布式鲁棒协调优化调度模型 |
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
CN110707704A (zh) * | 2019-10-08 | 2020-01-17 | 河海大学 | 基于gmm及多点线性半不变量法的电-热互联综合能源系统概率潮流分析方法 |
-
2020
- 2020-08-17 CN CN202010826307.2A patent/CN111697581A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330546A (zh) * | 2017-06-14 | 2017-11-07 | 武汉大学 | 一种考虑风电出力和需求响应不确定性的优化调度方法 |
CN108805328A (zh) * | 2018-04-30 | 2018-11-13 | 国网浙江省电力有限公司经济技术研究院 | 光热电站热电联供微网系统的优化运行方法 |
CN108832665A (zh) * | 2018-07-04 | 2018-11-16 | 四川大学 | 一种考虑风电不确定性的电热综合系统分布式鲁棒协调优化调度模型 |
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
CN110707704A (zh) * | 2019-10-08 | 2020-01-17 | 河海大学 | 基于gmm及多点线性半不变量法的电-热互联综合能源系统概率潮流分析方法 |
Non-Patent Citations (6)
Title |
---|
彭春华 等: "基于分类不确定性集合的电力系统环境经济鲁棒调度", 《中国电机工程学报》 * |
易明月 等: "考虑风荷预测误差不确定性的动态经济调度", 《电网技术》 * |
王佳颖 等: "计及需求响应的光热电站热电联供型微网的优化运行", 《电力系统自动化》 * |
贠韫韵 等: "考虑光热电站参与的新能源热电联供型微网运行优化", 《可再生能源》 * |
贾利虎 等: "计及光热电站不确定性的CHP系统两阶段优化调度方法", 《电力建设》 * |
陈金富 等: "基于机会约束规划的含风电场电力系统可用输电能力计算", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139871A (zh) * | 2021-11-02 | 2022-03-04 | 广西电网有限责任公司 | 日前发电备用容量配置方法、装置、存储介质及终端设备 |
CN115906488A (zh) * | 2022-11-25 | 2023-04-04 | 国网江苏省电力有限公司电力科学研究院 | 一种用于楼宇综合能源系统的优化调度方法 |
CN115906488B (zh) * | 2022-11-25 | 2024-01-23 | 国网江苏省电力有限公司电力科学研究院 | 一种用于楼宇综合能源系统的优化调度方法 |
CN117688793A (zh) * | 2024-02-04 | 2024-03-12 | 中国地质大学(武汉) | 一种分布鲁棒机组组合建模与求解方法、设备及存储设备 |
CN117688793B (zh) * | 2024-02-04 | 2024-05-10 | 中国地质大学(武汉) | 一种分布鲁棒机组组合建模与求解方法、设备及存储设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ju et al. | A multi-objective robust scheduling model and solution algorithm for a novel virtual power plant connected with power-to-gas and gas storage tank considering uncertainty and demand response | |
CN110516851B (zh) | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 | |
CN106936147B (zh) | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 | |
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
CN108009693B (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
CN111697581A (zh) | 一种基于机会约束gmm的csp-chpmg鲁棒调度方法 | |
CN113095791B (zh) | 一种综合能源系统运行方法及系统 | |
CN108429288B (zh) | 一种考虑需求响应的离网型微电网储能优化配置方法 | |
CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
CN109713673B (zh) | 售电环境下并网型微电网系统配置及优化运行的方法 | |
CN110009122B (zh) | 户用多能互补综合能源利用系统能量优化调度方法及系统 | |
CN108206543A (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN111815025A (zh) | 考虑风光与负荷不确定性综合能源系统柔性优化调度方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
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 | |
CN109767029A (zh) | 局域能源互联网中冷热电三联供系统容量配置方法及系统 | |
CN111753431A (zh) | 综合能源系统中最优配置的计算方法和计算设备 | |
CN110807588A (zh) | 一种多能源耦合综合能源系统的优化调度方法 | |
CN114529075A (zh) | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 | |
CN115660309A (zh) | 考虑电-碳-绿证联合交易的虚拟电厂日前优化调度方法 | |
CN111740408B (zh) | 一种基于鲁棒随机模型的光热电站最优报价决策方法 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN115689166A (zh) | 一种区域分布式能源资源聚合利用方法及系统 | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN116579560A (zh) | 考虑多类型负荷需求响应的虚拟电厂能量分配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |