CN111798060A - 一种基于机组爬坡率估计的功率指令优化分配方法 - Google Patents

一种基于机组爬坡率估计的功率指令优化分配方法 Download PDF

Info

Publication number
CN111798060A
CN111798060A CN202010651538.4A CN202010651538A CN111798060A CN 111798060 A CN111798060 A CN 111798060A CN 202010651538 A CN202010651538 A CN 202010651538A CN 111798060 A CN111798060 A CN 111798060A
Authority
CN
China
Prior art keywords
power
unit
rate
estimation
instruction
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.)
Withdrawn
Application number
CN202010651538.4A
Other languages
English (en)
Inventor
王建东
杨子江
魏梦瑶
张玉敏
张超
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010651538.4A priority Critical patent/CN111798060A/zh
Publication of CN111798060A publication Critical patent/CN111798060A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种基于机组爬坡率估计的功率指令优化分配方法，属于电网功率优化分配技术领域；具体方案为：对获取的各台发电机组实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算各台发电机组的速率样本；通过贝叶斯估计稳定性指标判断速率样本分布的稳定性，得到机组爬坡率的可靠估计；以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组的爬坡率比例对电网功率指令进行分配；本公开保证了在最短时间内完成功率指令调整，在实际电网功率指令分配方面具有良好的应用价值。

Description

一种基于机组爬坡率估计的功率指令优化分配方法
技术领域
本公开涉及电力系统优化调度技术领域，特别涉及一种基于机组爬坡率的功率指令优化分配方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
随着新能源产业的快速发展，大规模风电、光伏等并网发电。但新能源具有间歇性、波动性、周期性等特点，并网后加剧了电网频率波动，对电网稳定运行带来挑战。自动发电控制能在大负荷变化或其它干扰下维持系统频率稳定性，是提高电力系统安全性的辅助服务之一。当电网频率出现波动时，根据电网功率偏差产生一个总负荷指令，电网调度中心依照某种分配方法把总功率指令分配给每台发电机组，然后，发电机组通过增大或减少出力，消除电网功率偏差，保证电网安全稳定运行。所以，依据发电机组的功率调节能力，建立科学合理的功率指令分配策略，对于电网平稳运行和新能源发电消纳具有重要意义。
本公开发明人发现，现有的功率指令优化分配方法存在两个局限性。首先，没有考虑发电机组爬坡率(机组的功率调节能力)的差异性，以及该差异性对功率指令调节时间的重要影响；其次，直接使用发电机组的理论爬坡率，但该理论值和实际值经常存在差异，造成对功率指令分配的实际调整效果不理想。
发明内容
为了解决现有技术的不足，本公开提供了一种基于机组爬坡率估计的功率指令优化分配方法，从机组实发功率历史数据中估计各台发电机组的爬坡率，基于机组爬坡率进行功率指令优化分配，使电网在最短时间内完成功率指令调整。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于机组爬坡率估计的功率指令优化分配方法。
一种基于机组爬坡率估计的功率指令优化分配方法，包括以下步骤：
对获取的各台发电机组的实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算各台发电机组功率调节速率样本；
通过贝叶斯估计及稳定性指标判断样本分布的稳定性，得到机组爬坡率的可靠估计；
以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组爬坡率比例对功率指令进行分配。
本公开第二方面提供了一种基于机组爬坡率估计的功率指令优化分配方法。
一种基于机组爬坡率估计的功率指令优化分配系统，包括：
数据预处理模块，被配置为：对获取的各台发电机组实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算各台发电机组功率调节速率样本；
数据处理模块，被配置为：通过贝叶斯估计及稳定性指标判断样本分布的稳定性，得到机组爬坡率的可靠估计；
指令分配模块，被配置为：以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组的爬坡率比例对功率指令进行分配。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤。
本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质及电子设备，基于各台机组实际发电功率数的历史数据，得到机组功率调节速率样本，通过贝叶斯估计和稳定性指标判断样本分布的稳定性，取分布稳定样本的95％分位数为发电机组爬坡率的估计值，极大的提高了机组功率调节能力评价的准确性。
2、本公开所述的方法、系统、介质及电子设备，基于机组爬坡率对功率指令优化分配，使电网在最短时间内完成功率指令的响应，在实际电网功率指令优化分配方面具有良好的应用价值。
附图说明
图1为本公开实施例1提供的一种基于机组爬坡率估计的功率指令优化分配方法的流程图。
图2为本公开实施例1提供的发电机组实际发电功率数据及其分段线性表示结果图。
图3为本公开实施例1提供的功率调节速率样本的区间频率图。
图4为本公开实施例1提供的发电机组功率指令响应图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种基于机组爬坡率估计的功率指令优化分配方法，包括以下步骤：
步骤1：对电网内各台发电机组的实际发电功率数据的时间序列y(n)采用分段线性表示方法分割成M个短数据段，根据短数据段的幅值变化和持续时间计算得到机组功率调节速率样本。
以第i台发电机组为例，将其实际发电功率的时间序列
Figure BDA0002575146410000041
分离为M个短数据段
Figure BDA0002575146410000042
第m个数据段
Figure BDA0002575146410000043
可以用一个简单的线性回归模型来描述：
yi(n)＝am+bmn+e(n) (1)
其中，nm(m∈[1,M])为第m段数据中第一个数据样本的索引点，e(n)是均值为零方差为
Figure BDA0002575146410000044
的高斯白噪声。
此时，第m段数据可以用线段表示：
Figure BDA0002575146410000051
其中，
Figure BDA0002575146410000052
这里的
Figure BDA0002575146410000053
和
Figure BDA0002575146410000054
分别为第m个数据段中yi和n的平均值。
由第m个数据段的幅值变化量
Figure BDA0002575146410000055
和持续时间τ(m)＝(nm+1-1-nm)·h/60，计算功率调节速率样本：
rm＝δ(m)/τ(m) (3)
最终可以得到M个样本组成的集合
Figure BDA0002575146410000056
步骤2：通过贝叶斯估计及稳定性指标判断样本分布的稳定性，得到机组爬坡率的可靠估计。
将集合
Figure BDA0002575146410000057
中样本从小到大等长度间隔分为L个小区间，设第l(1≤l≤L)个小区间内包含kl个数据，那么，第l个区间的组频率为
Figure BDA0002575146410000058
通过贝叶斯估计法来估计每个小区间的组频率概率密度，获得组频率的置信区间。
假设先验分布为均匀分布，即pFl(fl)＝1/L。这里的Fl是一个随机变量，当给定样本总数M和条件概率fl下，速率样本集合的似然函数为：
Figure BDA0002575146410000059
根据贝叶斯公式，联合分布的概率密度函数为：
Figure BDA00025751464100000510
即可得到Fl的后验分布：
Figure BDA00025751464100000511
根据Fl的后验分布，得到Fl的1-α置信区间[fl,low,fl,high]。此时，组频率稳定指标被定义为
Figure BDA0002575146410000061
如果ηl大于某个阈值ηl,th，则认为fl的估计值
Figure BDA0002575146410000062
是可靠的。
另一个指标是fl的可靠估计值之和，
Figure BDA0002575146410000063
这里的
Figure BDA0002575146410000064
如果η大于阈值ηth，则说明集合Ri中样本分布稳定。反之，需要增加集合中样本的数量，重复步骤2。阈值ηl,th和ηth取决于用户的选择，默认值为ηl,th＝3，ηth＝0.8。取集合Ri中调节速率样本分布的95％为发电机组爬坡率的估计
Figure BDA0002575146410000065
步骤3：以功率调节时间为目标函数，通过拉格朗日乘子法求解功率指令的优化分配问题，具体为：
步骤3.1：以功率调节时间为优化目标，建立优化方程，即：
Figure BDA0002575146410000066
Figure BDA0002575146410000067
其中
Figure BDA0002575146410000068
为第i台发电机组分配的调节功率，ΔP为电网的功率指令调整量。通过拉格朗日乘子法求解优化方程，得：
Figure BDA0002575146410000069
步骤3.2：按机组爬坡率比例进行功率指令的分配。
判断第i台发电机组的调节功率
Figure BDA00025751464100000610
是否超出机组的最大可调节范围。
第i台机组的最大可调节范围为：
ui,0-pi,min≤Δpi≤pi,max-ui,0 (10)
其中，
Figure BDA00025751464100000611
pi,min和pi,max分别为机组的最小和最大功率输出，ui,0为机组当前的功率输出。如果第i台机组的调节负荷
Figure BDA00025751464100000612
超出机组的最大可调节范围，那么按机组最大可调节容量进行指令分配，更新
Figure BDA00025751464100000613
重复步骤3.1，直到所有机组分配的调节功率都在机组可调节范围内。
以下是本实施例所述方法在具体示例中的应用。
以某区域电网为例，该区域含有5台发电机组，机组参数如表1所示。现电网需要增加100MW功率输出，即ΔP＝100MW，计算分配到每台机组的调节功率
Figure BDA0002575146410000071
使电网能在最短时间内完成功率调整。
表1：发电机组参数信息表。
Figure BDA0002575146410000072
第一步，对5台机组的实际发电功率时间序列进行分割，每个数据段采用直线段来表示。以第1台机组的实际发电功率时间序列
Figure BDA0002575146410000073
为例，图2中的(a)为机组的实际发电功率数据，图2中的(b)为实际发电功率的分段线性表示结果。根据每段数据的幅值变化量和持续时间可计算此段数据对应的功率调节速率，进而可以得到第1台机组的功率调节速率样本集合
Figure BDA0002575146410000074
同理，可以得到第2、3、4、5台机组的功率调节速率样本集合。
第二步，使用贝叶斯估计方法，判断样本分布稳定性。以第1台机组的样本集合
Figure BDA0002575146410000075
为例，将集合内的速率样本由小到大等分为10个区间。由贝叶斯公式得到每个区间的组频率估计及1-α(α＝0.05)置信区间，如图3所示。表2给出了10个区间的组频率估计值、置信区间上下限及其稳定性指标ηl。
表2：调节速率样本区间信息表。
Figure BDA0002575146410000081
此时
Figure BDA0002575146410000082
所以此集合中的样本分布稳定，取样本的95％分位数为机组爬坡率的估计值
Figure BDA0002575146410000083
同理，得到其它4台机组的爬坡率估计，见表3。
表3：发电机组爬坡率估计值和机组调节功率分配结果表。
Figure BDA0002575146410000084
第三步，建立功率调节时间的目标函数，通过拉格朗日乘子法求解该优化问题，确定按机组爬坡率比例对电网功率指令进行分配。分配到每台机组的调节功率如表3所示，本实施例所述的功率指令优化分配方法完成电网功率指令大约需要184s的调节时间。图4中的(a)-图4中的(e)所示为5台机组对功率指令的响应情况，图4中的(f)为电网对功率指令的响应情况。
实施例2：
本公开实施例2提供了一种基于机组爬坡率估计的功率指令优化分配系统，包括：
数据预处理模块，被配置为：对获取的各台发电机组的实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算各台发电机组功率调节速率样本；
数据处理模块，被配置为：通过贝叶斯估计及稳定性指标判断样本分布的稳定性，得到各台发电机组爬坡率的估计值；
指令分配模块，被配置为：以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组爬坡率比例对电网功率指令进行优化分配。
所述系统的工作方法与实施例1提供的一种基于机组爬坡率估计的功率指令优化分配方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤，所述步骤为：
对获取的各台发电机组实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算得到各台发电机组功率调节速率样本；
通过贝叶斯估计及稳定性指标判断速率样本分布的稳定性，得到机组爬坡率的可靠估计；
以总功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组爬坡率比例对电网功率指令进行优化分配。
详细步骤与实施例1中提供的一种基于机组爬坡率估计的功率指令优化分配方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤，所述步骤为：
对获取的各台发电机组实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算各台发电机组功率调节速率样本；
通过贝叶斯估计及稳定性指标判断速率样本分布的稳定性，得到机组爬坡率的可靠估计；
以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组爬坡率比例对电网功率指令进行分配。
详细步骤与实施例1中提供的一种基于机组爬坡率估计的功率指令优化分配方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，包括以下步骤：
对获取的各台发电机组实际发电功率数据的时间序列，采用分段线性表示方法分割成多个数据段，根据分割得到的数据段，计算得到各台发电机组的功率调节速率样本；
通过贝叶斯估计及稳定性指标判断速率样本分布的稳定性，得到机组爬坡率的可靠估计；
以功率调节时间为优化目标，通过拉格朗日乘子法求解确定按照各台发电机组的爬坡率比例对电网功率指令进行分配。
2.如权利要求1所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，根据分割得到的数据段，计算各台发电机组功率调节速率样本，具体为：
根据每个数据段的幅值变化量和持续时间计算功率调节速率，得到各台发电机组的功率调节速率样本集合；
判断发电机组集合中样本分布的稳定性，取分布稳定的集合中速率样本的95％分位数为发电机组爬坡率的估计值。
3.如权利要求1所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，通过贝叶斯估计和稳定性指标判断发电机组功率调节速率样本分布的稳定性。
4.如权利要求1所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，以功率调节时间为优化目标，具体为：功率调节时间等于各台发电机组分配的调节功率与爬坡率的估计值的比值中的最大值，且各台发电机组分配的调节功率之和等于电网的功率指令调整量。
5.如权利要求4所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，通过拉格朗日乘子法求解优化方程，得到第i台发电机组分配的调节功率为：第i台发电机组分配的爬坡率的估计值与所有发电机组爬坡率之和的比值再与电网功率指令调整量的乘积。
6.如权利要求4所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，
判断第i台发电机组的调节功率是否超出机组的最大可调节范围；
如果第i台机组的调节功率超出机组的最大可调节范围，那么按机组最大可调节容量进行指令分配，更新电网功率指令调整量为电网的原功率指令调整量与第i台发电机组分配的调节功率的差值；
重新以功率调节时间为优化目标进行优化，直到所有机组分配的调节功率都在机组可调节范围内。
7.如权利要求4所述的一种基于机组爬坡率估计的功率指令优化分配方法，其特征在于，第i台机组的最大可调节负荷范围为：
ui,0-pi,min≤Δpi≤pi,max-ui,0
其中，
Figure FDA0002575146400000021
pi,min和pi,max分别为机组的最小和最大功率输出，ui,0为机组当前的功率输出。
8.一种基于机组爬坡率估计的功率指令优化分配系统，其特征在于，包括：
数据预处理模块，被配置为：基于电网内各台发电机组实际发电功率历史数据，采用分段线性表示技术获得各台机组的功率调节速率样本；
数据处理模块，被配置为：通过贝叶斯估计及稳定性指标判断功率调节速率样本分布的稳定性，得到机组爬坡率的可靠估计；
指令分配模块，被配置为：以功率调节时间为优化目标，通过拉格朗乘子法求解确定按照各台发电机组爬坡率比例对电网功率指令进行分配。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤。
10.一种电子设备，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1-7任一项所述的一种基于机组爬坡率估计的功率指令优化分配方法中的步骤。
CN202010651538.4A 2020-07-08 2020-07-08 一种基于机组爬坡率估计的功率指令优化分配方法 Withdrawn CN111798060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010651538.4A CN111798060A (zh) 2020-07-08 2020-07-08 一种基于机组爬坡率估计的功率指令优化分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010651538.4A CN111798060A (zh) 2020-07-08 2020-07-08 一种基于机组爬坡率估计的功率指令优化分配方法

Publications (1)

Publication Number Publication Date
CN111798060A true CN111798060A (zh) 2020-10-20

Family

ID=72810523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010651538.4A Withdrawn CN111798060A (zh) 2020-07-08 2020-07-08 一种基于机组爬坡率估计的功率指令优化分配方法

Country Status (1)

Country Link
CN (1) CN111798060A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076639A (zh) * 2021-03-30 2021-07-06 国网山东省电力公司电力科学研究院 基于分段线性表示的风电机组运行评估方法及系统
CN113595152A (zh) * 2021-08-25 2021-11-02 国网山东省电力公司电力科学研究院 基于火电机组调节速率包络线的电网agc指令优化分配方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076639A (zh) * 2021-03-30 2021-07-06 国网山东省电力公司电力科学研究院 基于分段线性表示的风电机组运行评估方法及系统
CN113595152A (zh) * 2021-08-25 2021-11-02 国网山东省电力公司电力科学研究院 基于火电机组调节速率包络线的电网agc指令优化分配方法及系统
CN113595152B (zh) * 2021-08-25 2024-05-17 国网山东省电力公司电力科学研究院 基于火电机组调节速率包络线的电网agc指令优化分配方法及系统

Similar Documents

Publication Publication Date Title
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN105426954A (zh) 一种基于多策略协同作用的粒子群优化的方法
CN104538993B (zh) 一种梯级水电站群自动发电控制方法
CN108092322B (zh) 一种基于调频市场环境的agc控制方法
CN111798060A (zh) 一种基于机组爬坡率估计的功率指令优化分配方法
CN104682392B (zh) 计及线路安全约束的省网agc机组动态优化调度方法
CN106887858A (zh) 一种接入新能源发电的储能系统跟踪计划出力方法及装置
CN112651560B (zh) 一种超短期风功率预测方法、装置及设备
CN106570786B (zh) 一种基于调度规则时变特性的水库适应性调度方法
CN112132471A (zh) 基于模拟退火粒子群算法的梯级水电站调度方法及系统
CN117540767A (zh) 一种水风光蓄短期多目标调度模型求解的pso-dp耦合嵌套算法
CN115275983A (zh) 一种基于分布式资源聚类的光伏功率波动平抑控制方法
CN114844118A (zh) 一种适用于微电网的多类型设备功率协调控制方法及系统
CN109460875B (zh) 基于果蝇优化算法的电力系统经济调度方法
CN117767433A (zh) 基于数字孪生的实时县域能源互联网调度方法及系统
CN108234151B (zh) 一种云平台资源分配方法
CN117175614A (zh) 一种并网功率波动平抑控制方法及装置
CN113595152B (zh) 基于火电机组调节速率包络线的电网agc指令优化分配方法及系统
CN115173489B (zh) 一种基于二分法的火电集群调度方法及系统
CN117277447A (zh) 分布式光伏无功/有功本地调控方法和装置
CN115347583A (zh) 一种基于多智能体的能源互联网功率指令分配方法及系统
CN116054179A (zh) 一种基于事件触发的电力系统无功趋优控制系统及方法
CN114944659A (zh) 一种风光储联合电站自动控制方法及系统
CN111900740B (zh) 一种基于需求响应设备的电力系统调频方法和系统
CN112838592B (zh) 一种荷源协调日前调度方法、装置及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201020