CN111931331B - 一种适用于配电网机组组合的分布鲁棒优化方法 - Google Patents
一种适用于配电网机组组合的分布鲁棒优化方法 Download PDFInfo
- Publication number
- CN111931331B CN111931331B CN202010581778.1A CN202010581778A CN111931331B CN 111931331 B CN111931331 B CN 111931331B CN 202010581778 A CN202010581778 A CN 202010581778A CN 111931331 B CN111931331 B CN 111931331B
- Authority
- CN
- China
- Prior art keywords
- model
- network unit
- distribution network
- robust optimization
- unit combination
- 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
Images
Classifications
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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]
-
- 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
Abstract
本发明公开了一种适用于配电网机组组合的分布鲁棒优化方法,步骤:基于可再生能源出力的统计数据,构建基于统计数据的模糊集;引入辅助变量,改写模糊集;基于模糊集,建立基于分布鲁棒优化的配电网机组组合模型;应用仿射策略、强对偶理论和二阶锥对偶理论,将模型转化为混合整数二阶锥规划模型;求解混合整数二阶锥规划模型。本发明克服了随机规划对精确概率分布过于依赖以及计算量过大的问题,并有效避免传统鲁棒优化过于保守的问题。本发明将配电网机组组合模型最终转化为易解的混合整数二阶锥规划模型,极大地提高了计算效率,并使得模型能在GAMS等建模软件上直接求解,降低了求解难度。
Description
技术领域
本发明属于电力系统调度及优化领域,特别涉及了一种配电网机组组合的分布优化方法。
背景技术
随着环境污染、能源短缺等问题的日益严重,亟需开发清洁能源来替代传统化石能源。近年来,燃气轮机和可再生能源发电机组(小型风机、光伏)等新能源的大量并网已成为目前配电网的主要发展趋势。
机组组合为燃气轮机调度的基本问题。然而,可再生能源出力的随机性和间歇性给给燃气轮机机组调度带来巨大挑战。目前的研究大多采用随机规划和鲁棒优化处理不确定性问题,然而,这两种方法都有其不可避免的缺点:随机规划需要不确定参数精确的概率分布,其在实际中很难获得,并且,随机规划需要通过抽样产生大量样本点,计算规模较大;鲁棒优化忽略了不确定参数的概率分布信息,得到的优化结果往往过于保守。
分布鲁棒优化作为一种新的不确定性处理方法,能克服随机规划和鲁棒优化的缺点,近年来,已被应用于电力系统优化领域。然而,当前分布鲁棒优化模型的求解大多将其转化为半定规划问题,导致求解困难且计算效率低。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种适用于配电网机组组合的分布鲁棒优化方法。
为了实现上述技术目的,本发明的技术方案为:
一种适用于配电网机组组合的分布鲁棒优化方法,包括以下步骤:
(1)基于可再生能源出力的统计数据,构建基于统计数据的模糊集;
(2)引入辅助变量,改写步骤(1)中的模糊集;
(3)基于步骤(2)中的模糊集,建立基于分布鲁棒优化的配电网机组组合模型;
(4)应用仿射策略、强对偶理论和二阶锥对偶理论,将步骤(3)中的模型转化为混合整数二阶锥规划模型;
(5)求解步骤(4)中的混合整数二阶锥规划模型,获得基于分布鲁棒优化的配电网机组组合最优决策。
进一步地,在步骤(1)中,基于可再生能源出力的均值和方差,构建基于统计数据的模糊集F:
进一步地,在步骤(2)中,引入辅助变量v,将模糊集F改写为模糊集G:
进一步地,步骤(3)的具体过程如下:
(301)建立基于分布鲁棒优化的配电网机组组合模型的目标函数:
上式中,分别为燃气轮机e的启动、停止、固定和单位发电成本;布尔变量ue,t、ve,t、xe,t分别表示t时段燃气轮机e是否启动、停止、工作,是则置1,否则置0;为t时段燃气轮机e的输出功率;sup表示上确界;
(302)建立基于分布鲁棒优化的配电网机组组合模型的约束条件:
(a)燃气轮机约束:
xe,t-xe,t-1=ue,t-ve,t
xe,τ≥ue,t
1-xe,τ≥ve,t
(b)配电网潮流约束:
Vj,t=Vi,t-(Pij,trij+Qij,txij)/V0
上式中,分别为t时段节点j的有功、无功电源输出功率,其中,包括节点j燃气轮机的输出功率和可再生能源出力;Pij,t、Qij,t分别为t时段支路i-j的有功、无功功率;为首端节点为j的所有支路集合;Pjl,t、Qjl,t分别为t时段支路j-l的有功、无功功率;分别为t时段节点j的有功、无功负荷;Vi,t、Vj,t分别为t时段节点i、j的电压幅值;rij、xij分别为支路i-j的电阻、电抗;V0为电压基准值。
进一步地,步骤(4)的具体过程如下:
(401)将基于分布鲁棒优化的配电网机组组合模型表示为如下:
Ax≤b
Ly≤h-Ex-Mw
上式中,x为第一阶段布尔变量;y为第二阶段决策变量;A、E、L、M、b、c、d、h为配电网机组组合模型目标函数和约束条件对应的系数矩阵和向量;上标T表示转置;
(402)应用仿射策略,将第二阶段决策变量y表示为w和v的线性表达式:
y=y0+Yww+Yvv
上式中,y0、Yw、Yv为线性系数;
(403)根据模糊集G的定义,将模型中上确界问题表示为:
f(w,v)≥0
上式中,f(w,v)为(w,v)的概率测度;df(w,v)为f(w,v)的微分;α,β,γ为对偶变量;
(404)应用强对偶理论,将模型转化为:
Ax≤b
γ≥0
(405)应用二阶锥对偶理论,将模型改写为:
mincTx+α+βTμ+γTσ
Ax≤b
γ≥0
δ≤0,ε≥0,ρ≥0
δk≤0,εk≥0,ρk≥0
进一步地,在步骤(5)中,采用GAMS建模软件求解混合整数二阶锥规划模型。
采用上述技术方案带来的有益效果:
本发明采用分布鲁棒优化处理可再生能源出力的不确定性,分布鲁棒优化纳入可再生能源出力的统计信息,克服了随机规划对精确概率分布过于依赖以及计算量过大的问题,并有效避免传统鲁棒优化过于保守的问题。本发明通过新型模糊集的建立以及仿射策略、强对偶理论、二阶锥对偶理论等方法的应用,将配电网机组组合模型最终转化为易解的混合整数二阶锥规划模型,极大地提高了计算效率。并且,该模型能直接采用GAMS等建模软件建模求解,简化了建模过程,降低求解难度。
附图说明
图1为本发明的方法流程图;
图2为实施例中IEEE33节点配电网测试系统示意图;
图3为实施例中风电出力、光伏出力和负荷预测数据示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种适用于配电网机组组合的分布鲁棒优化方法,如图1所示,步骤如下:
步骤1:基于可再生能源出力的统计数据,构建基于统计数据的模糊集;
步骤2:引入辅助变量,改写步骤1中的模糊集;
步骤3:基于步骤2中的模糊集,建立基于分布鲁棒优化的配电网机组组合模型;
步骤4:应用仿射策略、强对偶理论和二阶锥对偶理论,将步骤3中的模型转化为混合整数二阶锥规划模型;
步骤5:求解步骤4中的混合整数二阶锥规划模型,获得基于分布鲁棒优化的配电网机组组合最优决策。
采用IEEE33节点配电网测试系统作为实施例,其示意图如图2所示。系统电压基准值取为12.66kV,功率基准值取为10MVA。燃气轮机GT1、燃气轮机GT2、风电机组WT、光伏机组PV分别接于节点17、32、24、21。燃气轮机参数见表1。风电出力、光伏出力和负荷预测数据如图3所示。采用GAMS软件对模型进行求解,所得结果如下。
分布鲁棒优化(本发明)、随机规划、鲁棒优化的目标函数值如表2所示。可以看出,分布鲁棒优化的目标函数值(成本)远小于鲁棒优化,说明分布鲁棒优化能有效克服鲁棒优化过于保守的问题。
分布鲁棒优化(本发明)、随机规划、鲁棒优化的计算时间如表3所示。可以看出,分布鲁棒优化的计算时间远小于随机规划,说明相比于随机规划,分布鲁棒优化能有效减少计算时间。并且,分布鲁棒优化的计算时间小于10s,说明采用本方法所获得的混合整数二阶锥规划模型能极大地提高计算效率。
表1燃气轮机参数
表2不同方法目标函数值对比
方法 | 分布鲁棒优化 | 随机规划 | 鲁棒优化 |
目标函数值/($) | 2502 | 2363 | 3343 |
表3不同方法计算时间对比
方法 | 分布鲁棒优化 | 随机规划 | 鲁棒优化 |
时间/(s) | 8 | 35 | 1 |
以上实施例仅为说明本发明的优势特点,不能以此限定本发明的保护范围,凡在本发明所提出方法的基本思路和框架之内所作的任何非实质性的修改、转换和改进,均落入本发明保护范围之内。
Claims (3)
1.一种适用于配电网机组组合的分布鲁棒优化方法,其特征在于,包括以下步骤:
(1)基于可再生能源出力的均值和方差,构建基于统计数据的模糊集F:
(2)引入辅助变量v,将模糊集F改写为模糊集G:
(3)基于步骤(2)中的模糊集,建立基于分布鲁棒优化的配电网机组组合模型;该步骤的具体过程如下:
(301)建立基于分布鲁棒优化的配电网机组组合模型的目标函数:
上式中,分别为燃气轮机e的启动、停止、固定和单位发电成本;布尔变量ue,t、ve,t、xe,t分别表示t时段燃气轮机e是否启动、停止、工作,是则置1,否则置0;为t时段燃气轮机e的输出功率;sup表示上确界;
(302)建立基于分布鲁棒优化的配电网机组组合模型的约束条件:
(a)燃气轮机约束:
xe,t-xe,t-1=ue,t-ve,t
xe,τ≥ue,t
1-xe,τ≥ve,t
(b)配电网潮流约束:
Vj,t=Vi,t-(Pij,trij+Qij,txij)/V0
上式中,分别为t时段节点j的有功、无功电源输出功率,其中,包括节点j燃气轮机的输出功率和可再生能源出力;Pij,t、Qij,t分别为t时段支路i-j的有功、无功功率;为首端节点为j的所有支路集合;Pjl,t、Qjl,t分别为t时段支路j-l的有功、无功功率;分别为t时段节点j的有功、无功负荷;Vi,t、Vj,t分别为t时段节点i、j的电压幅值;rij、xij分别为支路i-j的电阻、电抗;V0为电压基准值;
(4)应用仿射策略、强对偶理论和二阶锥对偶理论,将步骤(3)中的模型转化为混合整数二阶锥规划模型;
(5)求解步骤(4)中的混合整数二阶锥规划模型,获得基于分布鲁棒优化的配电网机组组合最优决策。
2.根据权利要求1所述适用于配电网机组组合的分布鲁棒优化方法,其特征在于,步骤(4)的具体过程如下:
(401)将基于分布鲁棒优化的配电网机组组合模型表示为如下:
Ax≤b
Ly≤h-Ex-Mw
上式中,x为第一阶段布尔变量;y为第二阶段决策变量;A、E、L、M、b、c、d、h为配电网机组组合模型目标函数和约束条件对应的系数矩阵和向量;上标T表示转置;
(402)应用仿射策略,将第二阶段决策变量y表示为w和v的线性表达式:
y=y0+Yww+Yvv
上式中,y0、Yw、Yv为线性系数;
(403)根据模糊集G的定义,将模型中上确界问题表示为:
f(w,v)≥0
上式中,f(w,v)为(w,v)的概率测度;df(w,v)为f(w,v)的微分;α,β,γ为对偶变量;
(404)应用强对偶理论,将模型转化为:
Ax≤b
γ≥0
(405)应用二阶锥对偶理论,将模型改写为:
min cTx+α+βTμ+γTσ
Ax≤b
γ≥0
δ≤0,ε≥0,ρ≥0
δk≤0,εk≥0,ρk≥0
3.根据权利要求1或2所述适用于配电网机组组合的分布鲁棒优化方法,其特征在于,在步骤(5)中,采用GAMS建模软件求解混合整数二阶锥规划模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581778.1A CN111931331B (zh) | 2020-06-23 | 2020-06-23 | 一种适用于配电网机组组合的分布鲁棒优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581778.1A CN111931331B (zh) | 2020-06-23 | 2020-06-23 | 一种适用于配电网机组组合的分布鲁棒优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931331A CN111931331A (zh) | 2020-11-13 |
CN111931331B true CN111931331B (zh) | 2021-06-22 |
Family
ID=73317701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581778.1A Active CN111931331B (zh) | 2020-06-23 | 2020-06-23 | 一种适用于配电网机组组合的分布鲁棒优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931331B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705962B (zh) * | 2021-07-16 | 2024-03-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于分布鲁棒优化的虚拟电厂日前调度方法 |
CN114781866B (zh) * | 2022-04-21 | 2023-10-31 | 河海大学 | 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法 |
CN115409294B (zh) * | 2022-11-01 | 2023-03-24 | 江西江投电力技术与试验研究有限公司 | 一种配电网调度与充电协同的鲁棒优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809327A (zh) * | 2014-09-02 | 2015-07-29 | 长沙理工大学 | 含新能源电力调度矩不确定分布鲁棒优化方法 |
CN106099984A (zh) * | 2016-07-29 | 2016-11-09 | 清华大学 | 一种数据驱动的主动配电网分布式电源最大容量评估方法 |
CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
CN110289631A (zh) * | 2019-04-12 | 2019-09-27 | 国网青海省电力公司 | 一种风电场储能装置容量的计算方法及系统 |
CN110390467A (zh) * | 2019-06-25 | 2019-10-29 | 河海大学 | 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741193B (zh) * | 2016-04-20 | 2019-10-18 | 河海大学 | 计及分布式电源和负荷不确定性的多目标配网重构方法 |
CN107104442B (zh) * | 2017-04-20 | 2020-07-14 | 河海大学 | 计及参数模糊性的含风电场电力系统概率潮流计算方法 |
-
2020
- 2020-06-23 CN CN202010581778.1A patent/CN111931331B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809327A (zh) * | 2014-09-02 | 2015-07-29 | 长沙理工大学 | 含新能源电力调度矩不确定分布鲁棒优化方法 |
CN106099984A (zh) * | 2016-07-29 | 2016-11-09 | 清华大学 | 一种数据驱动的主动配电网分布式电源最大容量评估方法 |
CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
CN110289631A (zh) * | 2019-04-12 | 2019-09-27 | 国网青海省电力公司 | 一种风电场储能装置容量的计算方法及系统 |
CN110390467A (zh) * | 2019-06-25 | 2019-10-29 | 河海大学 | 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法 |
Non-Patent Citations (1)
Title |
---|
含分布式可再生能源的主动配电网鲁棒优化调度;李佳;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200115;28-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931331A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931331B (zh) | 一种适用于配电网机组组合的分布鲁棒优化方法 | |
Oudjana et al. | Short term photovoltaic power generation forecasting using neural network | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN105207272B (zh) | 基于通用分布的电力系统动态随机经济调度方法及装置 | |
CN111985686B (zh) | 一种基于概率预测的配电网分布鲁棒优化调度方法 | |
CN112736926A (zh) | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 | |
CN113705962A (zh) | 一种基于分布鲁棒优化的虚拟电厂日前调度方法 | |
CN112633702A (zh) | 一种考虑可再生能源的电力系统可靠性快速评估方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
CN113078677B (zh) | 一种考虑可再生能源不确定性的能源消耗量风险排除方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN117154778A (zh) | 一种配电网分布式储能优化配置方法及系统 | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
Zhen et al. | Multi-level wavelet decomposition based day-ahead solar irradiance forecasting | |
CN113572168B (zh) | 一种考虑风光水能源多重不确定性风险的优化调度方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN105207255A (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN111884266A (zh) | 一种燃气轮机日内滚动机组组合优化方法 | |
CN112653182B (zh) | 一种基于极大似然估计优化清洁能源并网模型参数方法 | |
CN114759602B (zh) | 考虑光伏极端场景的配电网接纳能力评估方法 | |
CN113221465B (zh) | 一种面向光伏发电运维的组件模型参数辨识方法 | |
Fu et al. | Investment decision-making model for distributed Photovoltaic based on the multi-level coordinated evaluation theory | |
CN113708371B (zh) | 风电场送出线路的最大传输容量计算方法 | |
CN116565832A (zh) | 一种基于非参数概率预测的配电网可再生能源承载力分析方法 |
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 |