CN111932048A - 基于极端场景的两阶段月度交易安全校核方法 - Google Patents

基于极端场景的两阶段月度交易安全校核方法 Download PDF

Info

Publication number
CN111932048A
CN111932048A CN202010298049.5A CN202010298049A CN111932048A CN 111932048 A CN111932048 A CN 111932048A CN 202010298049 A CN202010298049 A CN 202010298049A CN 111932048 A CN111932048 A CN 111932048A
Authority
CN
China
Prior art keywords
scene
power
power plant
prediction
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.)
Granted
Application number
CN202010298049.5A
Other languages
English (en)
Other versions
CN111932048B (zh
Inventor
赵翔宇
王宁
王永刚
赵倩
苏华英
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010298049.5A priority Critical patent/CN111932048B/zh
Publication of CN111932048A publication Critical patent/CN111932048A/zh
Application granted granted Critical
Publication of CN111932048B publication Critical patent/CN111932048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于极端场景的两阶段月度交易安全校核方法，属于电力系统调度运行领域,本发明的方法在出清前校核基于极端预测场景量化计算各发电厂的最大发电能力，作为其市场交易的边界，保证交易结果不会超出极端预测场景范围；出清后校核基于多预测场景计算不同场景下的发电厂交易电量执行情况，并通过预期执行电量偏差和执行电量超标场景数量化校核结果。该方法能加大对新能源、负荷预测不确定性的控制能力，避免交易结果超出实际执行能力范围。

Description

基于极端场景的两阶段月度交易安全校核方法
技术领域
本发明涉及电力系统调度运行技术领域，特别涉及一种基于极端场景的两阶段月度交易安全校核方法。
背景技术
月度交易安全校核是当前电力市场运行中重要的调度运行技术问题，其内容为按照清洁能源消纳和电网安全稳定运行有关要求，校核发电企业月度交易电量的可行性，保证交易结果的可行性。
传统的月度交易安全校核往往采用交易后校核模式，即调度机构根据市场交易出清结果，对各发电企业的预出清电量进行校核，并返回校核结果。在校核方法选择上，初期以确定性模型为主，即不考虑风电、光伏等新能源和用电负荷的波动性，以各电厂预期发电量与其预出清电量偏差最小为目标构建月度机组组合模型。求解上述机组组合模型，若预期发电量与其预出清电量偏差无偏差则校核通过；若出现偏差，则表明校核不通过，并返回导致偏差的电厂及偏差电量。随着新能源的快速发展和市场交易规模的不断扩大，部分研究及实际应用中已开始考虑新能源预测偏差对交易校核结果的影响，主要的做法是采用多场景新能源预测数据及负荷预测数据，计算不同场景下的校核结果，并根据各场景发生概率，判定校核不通过发生概率，给出校核结果。
然而近年来新能源发展迅速，市场交易规模也快速扩大，对月度交易校核的影响日趋显著。一方面，由于新能源装机比例较高，当其出力波动时，可能对月度交易校核结果产生较大影响，采用交易后校核模式可能会对预出清结果产生较大改变，造成市场成员对校核过程的公平性产生质疑；另一方面，由于调度机构需要保证交易结果执行，因此必须更加注重极端场景下的交易校核结果，对新能源、用电量等边际数据的波动性考虑需要更加充分。
为了适应上述变化要求，本发明将提出一种基于极端场景的两阶段月度交易安全校核方法，其核心创新点在于提出了交易前、交易后的两阶段交易校核框架，交易前基于极端预测场景，逐一核算各电厂最大发电能力，作为市场申报及出清的边界数据，以保证极端场景下各发电厂交易电量仍能满足要求；交易后基于多预测场景，考虑新能源、负荷的不确定性，核算期望校核偏差，判定校核结果。
发明内容
有鉴于此，第一方面，本发明的目的是提供一种基于极端场景的两阶段月度交易安全校核方法，能加大对新能源、负荷预测不确定性的控制能力，避免交易结果超出实际执行能力范围。
本发明的第一方面的目的是通过以下技术方案实现的：
基于极端场景的两阶段月度交易安全校核方法，包括以下步骤：
步骤S1：定义极端预测场景：所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合；
步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：
Figure BDA0002452959870000021
式(1)中，Ep为发电厂p的月度发电量，ND为当月天数，NT为全天优化时段数，ΔT为对应的时间间隔，Pp,g,d,t为发电厂p的发电机组g在第d天第t时段的发电功率，g∈p表示属于发电厂p发电机组g。
步骤S3：基于极端预测场景构建出清前校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束和机组运行约束；
步骤S4：发电厂最大发电能力优化模型建模及优化：以发电厂月度发电量最大为优化目标，基于极端预测场景构建出清前校核约束条件，即可构建该发电厂在极端预测场景下的最大发电能力优化模型，通过该模型得到发电厂在极端场景下的最大发电能力；逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力，各发电厂极端预测场景下的最大发电能力即为交易前校核所得到的市场主体交易限值；
步骤S5:发布市场交易公告及组织市场交易出清；
步骤S6：定义多预测场景：以多预测场景为基础进行交易后校核，评估不同场景下执行偏差幅度及发生概率，以此作为校核判定依据；
步骤S7：以预期偏差电量最小化为目标构建出清后校核优化目标：
步骤S8：基于多预测场景构建出清后校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束、机组运行约束；
步骤S9：发电厂预期执行情况校核模型建模及优化：
以发电厂预期执行偏差电量最小化为优化目标，基于多预测场景构建出清后校核约束条件，即可构建在新能源、负荷多预测场景下的发电厂预期执行情况校核模型，通过该模型，可以得到发电厂在多预测场景下的预期执行电量偏差，新能源、负荷各预测场景组合下执行电量偏差和发生概率；当某场景下执行电量偏差不为0时，表明当实际执行过程中新能源、负荷处于该预测场景下时，存在交易电量执行偏差的风险。
特别地，所述极端场景为新能源最大发电场景和负荷最小需求场景。
特别地，所述步骤S3中，电力电量平衡约束要求在极端预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：
Figure BDA0002452959870000031
Figure BDA0002452959870000032
式(2)-(3)中，NB为全网中负荷节点数，NNE为全网新能源电站数量，NP为全网发电厂数量，PH,ne,d,t为新能源最大发电功率场景H下新能源电站ne第d天时段t的发电功率预测，PL,b,d,t为负荷最小需求场景L下负荷节点b在第d天时段t的负荷预测，TGMaxp,g为发电厂p机组g的最大技术出力，sp,g,d为发电厂p机组g第d天的开停机状态变量，Rd,t为第d天时段t的备用容量，其中，式(2)为电力电量平衡约束项，式(3)为运行备用约束项；
断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：
Figure BDA0002452959870000033
式(4)中，PFOSMaxos、PFOSMinos分别为运行断面os传输潮流上、下限值，GSDFne,os、GSDFg,os、GSDFb,os分别为新能源电站ne、燃煤机组g和负荷节点b与运行断面os之间的潮流转移分布因子；
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束等，可表示为：
sp,g,dTGMinp,g≤Pp,g,d,t≤sp,g,dTGMaxp,g (5)
sp,g,dCAMinp,g≤Pp,g,d,t-Pp,g,d,t-1≤sp,g,dCAMaxp,g (6)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (7)
Figure BDA0002452959870000041
式(5)-(8)中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。
特别地，所述步骤S4中，该模型用下式表示：
Max Ep
Figure BDA0002452959870000042
求解该模型，可以得到发电厂在极端场景下的最大发电能力EEMaxp；
利用式(9)所示的模型逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力组合数列EEMax，可表示为：
EEMax＝{EEMax1,EEMax2,…EEMaxNP} (10)
各发电厂极端预测场景下的最大发电能力即交易前校核所得到的市场主体交易限值，在市场交易出清中，市场成员交易电量不能超过其极端场景下最大发电能力。
特别地，所述步骤S7中，新能源、负荷不同预测场景下的预期执行偏差电量为不同场景下执行偏差电量与该场景发生概率乘积之和，通过下式表示为：
Figure BDA0002452959870000043
式(11)中，EEDE为预期执行偏差电量，EDEnesc,lsc为新能源预测场景nesc、负荷预测场景lsc组合方式下的执行偏差电量，ρnesc为新能源预测场景nesc的发生概率，ρlsc为负荷预测场景lsc的发生概率，NNESC、NLSC分别为新能源预测场景数和负荷预测场景数，Enesc,lsc,p为新能源预测场景nesc、负荷预测场景lsc组合方式下的发电厂p的发电量，TEp为该发电厂交易电量。
特别地，所述步骤S8中，
电力电量平衡约束要求在多预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，通过下式表示为：
Figure BDA0002452959870000051
Figure BDA0002452959870000052
式(12)-(13)中，Pnesc,ls,cp,g,d,为新能源预测场景nesc、负荷预测场景lsc组合方式下发电厂p机组g第d天时段t的发电功率，Pnesc,ne,d,t为新能源预测场景nesc下新能源电站ne第d天时段t的发电功率预测，Plsc,b,d,t为负荷预测场景lsc下负荷节点b在第d天时段t的负荷预测。
断面运行约束要求各场景下断面潮流均处于其限值范围内，通过下式表示为：
Figure BDA0002452959870000053
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束，通过下面各式表示为：
sp,g,dTGMinp,g≤Pnesc,lsc,p,g,d,t≤sp,g,dTGMaxp,g (15)
sp,g,dCAMinp,g≤Pnesc,lsc,p,g,d,t-Pnesc,lsc,p,g,d,t-1≤sp,g,dCAMaxp,g (16)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (17)
Figure BDA0002452959870000054
上面各式中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。
特别地，所述步骤S9中，在新能源、负荷多预测场景下的发电厂预期执行情况校核模型可表示为：
Max EEDE
Figure BDA0002452959870000061
特别地，在多场景组合情态下，出清后校核的标准包括两项：
1)预期执行电量偏差不超过给定限值；2)所有场景组合中存在执行电量偏差的场景数不超过给定限值，上述标准可表示为：
EEDE≤EEDELV (20)
NOLSC≤NOLSCLV (21)
式(20)-(21)中,EEDELV、NOLSCLV分别为预期执行电量偏差限值和超标场景数限值。其中，LV为限值英文Limitation Value首字母组合，NOLSC为超标场景数英文number ofout-of-limitation scene首字母组合。
若出清后校核求解满足式(20)及(21)，则校核通过；否则不通过。
第二方面，本发明提供了一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果是：本发明的核心特点在于构建了出清前、出清后的交易校核方法，出清前校核基于极端预测场景量化计算各发电厂的最大发电能力，作为其市场交易的边界，保证交易结果不会超出极端预测场景范围；出清后校核基于多预测场景计算不同场景下的发电厂交易电量执行情况，并通过预期执行电量偏差和执行电量超标场景数量化校核结果。该方法能加大对新能源、负荷预测不确定性的控制能力，避免交易结果超出实际执行能力范围。有效避免了不确定风险。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明的方法实施流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
如图1所示，本发明的一种基于极端场景的两阶段月度交易安全校核方法，包括以下步骤：
步骤S1：定义极端预测场景：本发明中所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合。新能源发电量和负荷用电量对发电厂发电能力影响机理不同，新能源发电量增加，将占用更大的市场发电份额，压缩发电厂最大发电能力；负荷用电量增加，将增加市场发电需求，增大发电厂最大发电能力。为此，极端场景为新能源最大发电场景和负荷最小需求场景。
步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：
Figure BDA0002452959870000071
式(1)中，Ep为发电厂p的月度发电量，ND为当月天数，NT为全天优化时段数，ΔT为对应的时间间隔，Pp,g,d,t为发电厂p的发电机组g在第d天第t时段的发电功率，g∈p表示属于发电厂p发电机组g。其中，E为电量英文Electricity的首字母，p为电厂英文plant的首字母，ND为天数英文Number of day的首字母组合，NT为时段数英文Number of time的首字母组合，T为时间英文time的首字母，P为功率英文power的首字母，g为机组英文generator的首字母。
步骤S3：基于极端预测场景构建出清前校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束和机组运行约束。以下将分别予以说明：
a.电力电量平衡约束要求在极端预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：
Figure BDA0002452959870000081
Figure BDA0002452959870000082
式(2)-(3)中，NB为全网中负荷节点数，NNE为全网新能源电站数量，NP为全网发电厂数量，PH,ne,d,t为新能源最大发电功率场景H下新能源电站ne第d天时段t的发电功率预测，PL,b,d,t为负荷最小需求场景L下负荷节点b在第d天时段t的负荷预测，TGMaxp,g为发电厂p机组g的最大技术出力，sp,g,d为发电厂p机组g第d天的开停机状态变量，Rd,t为第d天时段t的备用容量。其中，式(2)为电力电量平衡约束项，式(3)为运行备用约束项。NNE为新能源数量英文number of new energy的首字母组合，NB为节点数量英文number of bus的首字母组合，NP为发电厂数量英文number of plant的首字母组合，H为高英文high的首字母，L为低英文low的首字母，s为状态英文state的首字母，TG为技术出力英文Technical Generation的首字母组合，Max为最大值英文Maximum的前三个字母，R为运行备用英文reserve的首字母。
b.断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：
Figure BDA0002452959870000083
式(4)中，PFOSMaxos、PFOSMinos分别为运行断面os传输潮流上、下限值，GSDFne,os、GSDFg,os、GSDFb,os分别为新能源电站ne、燃煤机组g和负荷节点b与运行断面os之间的潮流转移分布因子。其中，PFOS为运行断面潮流英文power flow of operation section的首字母组合，Min、Max分别为最小值、最大值英文minimum、maximum前三个字母，GSDF为功率转移分布因子英文Generation Shift Distribution Factor首字母组合。
c.燃煤机组运行约束
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束，可表示为：
sp,g,dTGMinp,g≤Pp,g,d,t≤sp,g,dTGMaxp,g (5)
sp,g,dCAMinp,g≤Pp,g,d,t-Pp,g,d,t-1≤sp,g,dCAMaxp,g (6)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (7)
Figure BDA0002452959870000091
式(5)-(8)中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。其中，ss为启动状态英文start state首字母组合，cs是停机状态英文close state首字母组合，CA是爬坡能力英文climbing ability首字母组合，DT是持续时间duration time首字母组合。
步骤S4：发电厂最大发电能力优化模型建模及优化
以发电厂月度发电量最大为优化目标，基于极端预测场景构建出清前校核约束条件，即可构建该发电厂在极端预测场景下的最大发电能力优化模型，该模型可表示为：
Max Ep
Figure BDA0002452959870000092
上述模型本质上为线性规划问题，可采用单纯形法等数学优化方法求解得到。本发明中不赘述其实施流程。求解该模型，可以得到发电厂在极端场景下的最大发电能力EEMaxp，其中EE为极端电量英文extreme electricity的首字母组合。
利用式(9)所示的模型逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力组合数列EEMax，可表示为：
EEMax＝{EEMax1,EEMax2,…EEMaxNP} (10)
各发电厂极端预测场景下的最大发电能力即为本发明中交易前校核所得到的市场主体交易限值，在市场交易出清中，市场成员交易电量不能超过其极端场景下最大发电能力。
步骤S5:发布市场交易公告及组织市场交易出清
按规定发布交易公告，将各发电厂极端预测场景下的最大发电能力作为其参与市场交易出清的电量边界公告各市场主体，按规定组织市场交易申报及出清。不赘述其实施过程。
步骤S6：定义多预测场景：
以各发电厂极端预测场景下的最大发电能力作为其交易电量边界，仅考虑了各发电厂极端预测场景下发电能力的限制，而未考虑新能源、负荷多场景下发电厂间的相互影响和预测偏差对发电厂交易电量的整体影响。因此交易后校核将以多预测场景为基础，评估不同场景下执行偏差幅度及发生概率，以此作为校核判定依据。
步骤S7：以预期偏差电量最小化为目标构建出清后校核优化目标：
新能源、负荷不同预测场景下的预期执行偏差电量为不同场景下执行偏差电量与该场景发生概率乘积之和，可表示为：
Figure BDA0002452959870000101
式(11)中，EEDE为预期执行偏差电量，EDEnesc,lsc为新能源预测场景nesc、负荷预测场景lsc组合方式下的执行偏差电量，ρnesc为新能源预测场景nesc的发生概率，ρlsc为负荷预测场景lsc的发生概率，NNESC、NLSC分别为新能源预测场景数和负荷预测场景数，Enesc,lsc,p为新能源预测场景nesc、负荷预测场景lsc组合方式下的发电厂p的发电量，TEp为该发电厂交易电量。其中，EEDE为预期执行偏差电量英文expect execute deviationelectricity的首字母组合，EDE为执行偏差电量英文execute deviation electricity的首字母组合，nesc为新能源场景英文new energy scene前两单词首字母及第三个单词前两字母组合(为避免与状态state重复)，lsc为负荷场景英文load scene首个单词首字母及第三个单词前两字母组合，NNESC、NLSC中第一个N为数量英文number首字母，TE为交易电量英文transaction electricity首字母组合。
步骤S8：基于多预测场景构建出清后校核约束条件：
所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束、机组运行约束。需要说明的是，发电机组开停方式一般相对固定，在多预测场景下不作调整，而发电机组发电出力则可随场景改变。
a.电力电量平衡约束要求在多预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：
Figure BDA0002452959870000111
Figure BDA0002452959870000112
式(12)-(13)中，Pnesc,ls,cp,g,d,为新能源预测场景nesc、负荷预测场景lsc组合方式下发电厂p机组g第d天时段t的发电功率，Pnesc,ne,d,t为新能源预测场景nesc下新能源电站ne第d天时段t的发电功率预测，Plsc,b,d,t为负荷预测场景lsc下负荷节点b在第d天时段t的负荷预测。
b.断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：
Figure BDA0002452959870000113
c.燃煤机组运行约束
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束和启停时间约束，可表示为：
sp,g,dTGMinp,g≤Pnesc,lsc,p,g,d,t≤sp,g,dTGMaxp,g (15)
sp,g,dCAMinp,g≤Pnesc,lsc,p,g,d,t-Pnesc,lsc,p,g,d,t-1≤sp,g,dCAMaxp,g (16)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (17)
Figure BDA0002452959870000114
步骤S9：发电厂预期执行情况校核模型建模及优化：
以发电厂预期执行偏差电量最小化为优化目标，基于多预测场景构建出清后校核约束条件，即可构建在新能源、负荷多预测场景下的发电厂预期执行情况校核模型，该模型可表示为：
Max EEDE
Figure BDA0002452959870000121
上述模型本质上为线性规划问题，可采用单纯形法等数学优化方法求解得到。本发明中不赘述其实施流程。求解该模型，可以得到发电厂在多预测场景下的预期执行电量偏差，新能源、负荷各预测场景组合下执行电量偏差和发生概率。
当某场景下执行电量偏差不为0时，表明当实际执行过程中新能源、负荷处于该预测场景下时，存在交易电量执行偏差的风险。考虑到多场景组合，本发明提出出清后校核的标准包括两项：1)预期执行电量偏差不超过给定限值；2)所有场景组合中存在执行电量偏差的场景数不超过给定限值。上述标准可表示为：
EEDE≤EEDELV (20)
NOLSC≤NOLSCLV (21)
式(20)-(21)中，EEDELV、NOLSCLV分别为预期执行电量偏差限值和超标场景数限值。其中，LV为限值英文Limitation Value首字母组合，NOLSC为超标场景数英文number ofout-of-limitation scene首字母组合。
若出清后校核求解满足式(20)及(21)，则校核通过；否则不通过。
本发明在流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
最后说明的是，尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述方法包括以下步骤：
步骤S1：定义极端预测场景：所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合；
步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：
Figure RE-FDA0002593994520000011
式(1)中，Ep为发电厂p的月度发电量，ND为当月天数，NT为全天优化时段数，ΔT为对应的时间间隔，Pp,g,d,t为发电厂p的发电机组g在第d天第t时段的发电功率，g∈p表示属于发电厂p发电机组g。
步骤S3：基于极端预测场景构建出清前校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束和机组运行约束；
步骤S4：发电厂最大发电能力优化模型建模及优化：以发电厂月度发电量最大为优化目标，基于极端预测场景构建出清前校核约束条件，即可构建该发电厂在极端预测场景下的最大发电能力优化模型，通过该模型得到发电厂在极端场景下的最大发电能力；逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力，各发电厂极端预测场景下的最大发电能力即为交易前校核所得到的市场主体交易限值；
步骤S5:完成市场交易出清；
步骤S6：定义多预测场景：以多预测场景为基础进行交易后校核，评估不同场景下执行偏差幅度及发生概率，以此作为校核判定依据；
步骤S7：以预期偏差电量最小化为目标构建出清后校核优化目标：
步骤S8：基于多预测场景构建出清后校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束、机组运行约束；
步骤S9：发电厂预期执行情况校核模型建模及优化：
以发电厂预期执行偏差电量最小化为优化目标，基于多预测场景构建出清后校核约束条件，即可构建在新能源、负荷多预测场景下的发电厂预期执行情况校核模型，通过该模型，可以得到发电厂在多预测场景下的预期执行电量偏差，新能源、负荷各预测场景组合下执行电量偏差和发生概率；当某场景下执行电量偏差不为0时，表明当实际执行过程中新能源、负荷处于该预测场景下时，存在交易电量执行偏差的风险。
2.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述极端场景为新能源最大发电场景和负荷最小需求场景。
3.根据权利要求1或2所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S3中，电力电量平衡约束要求在极端预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：
Figure RE-FDA0002593994520000021
Figure RE-FDA0002593994520000022
式(2)-(3)中，NB为全网中负荷节点数，NNE为全网新能源电站数量，NP为全网发电厂数量，PH,ne,d,t为新能源最大发电功率场景H下新能源电站ne第d天时段t的发电功率预测，PL,b,d,t为负荷最小需求场景L下负荷节点b在第d天时段t的负荷预测，TGMaxp,g为发电厂p机组g的最大技术出力，sp,g,d为发电厂p机组g第d天的开停机状态变量，Rd,t为第d天时段t的备用容量，其中，式(2)为电力电量平衡约束项，式(3)为运行备用约束项；
断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：
Figure RE-FDA0002593994520000023
式(4)中，PFOSMaxos、PFOSMinos分别为运行断面os传输潮流上、下限值，GSDFne,os、GSDFg,os、GSDFb,os分别为新能源电站ne、燃煤机组g和负荷节点b与运行断面os之间的潮流转移分布因子；
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束等，可表示为：
sp,g,dTGMinp,g≤Pp,g,d,t≤sp,g,dTGMaxp,g (5)
sp,g,dCAMinp,g≤Pp,g,d,t-Pp,g,d,t-1≤sp,g,dCAMaxp,g (6)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (7)
Figure RE-FDA0002593994520000024
式(5)-(8)中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。
4.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S4中，该模型用下式表示：
Max Ep
Figure RE-FDA0002593994520000031
求解该模型，可以得到发电厂在极端场景下的最大发电能力EEMaxp；
利用式(9)所示的模型逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力组合数列EEMax，可表示为：
EEMax＝{EEMax1,EEMax2,…EEMaxNP} (10)
各发电厂极端预测场景下的最大发电能力即交易前校核所得到的市场主体交易限值，在市场交易出清中，市场成员交易电量不能超过其极端场景下最大发电能力。
5.根据权利要求1或2或3所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S7中，新能源、负荷不同预测场景下的预期执行偏差电量为不同场景下执行偏差电量与该场景发生概率乘积之和，通过下式表示为：
Figure RE-FDA0002593994520000032
式(11)中，EEDE为预期执行偏差电量，EDEnesc,lsc为新能源预测场景nesc、负荷预测场景lsc组合方式下的执行偏差电量，ρnesc为新能源预测场景nesc的发生概率，ρlsc为负荷预测场景lsc的发生概率，NNESC、NLSC分别为新能源预测场景数和负荷预测场景数，Enesc,lsc,p为新能源预测场景nesc、负荷预测场景lsc组合方式下的发电厂p的发电量，TEp为该发电厂交易电量。
6.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S8中，
电力电量平衡约束要求在多预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，通过下式表示为：
Figure RE-FDA0002712217700000041
Figure RE-FDA0002712217700000042
式(12)-(13)中，Pnesc，lsc，p，g，d，t为新能源预测场景nesc、负荷预测场景lsc组合方式下发电厂p机组g第d天时段t的发电功率，Pnesc，ne，d，t为新能源预测场景nesc下新能源电站ne第d天时段t的发电功率预测，Plsc，b，d，t为负荷预测场景lsc下负荷节点b在第d天时段t的负荷预测。
断面运行约束要求各场景下断面潮流均处于其限值范围内，通过下式表示为：
Figure RE-FDA0002712217700000043
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束，通过下面各式表示为：
sp,g,dTGMinp,g≤Pnesc,lsc,p,g,d,t≤sp,g,dTGMaxp,g (15)
sp,g,dCAMinp,g≤Pnesc,lsc,p,g,d,t-Pnesc,lsc,p,g,d,t-1≤sp,g,dCAMaxp,g (16)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1 (17)
Figure RE-FDA0002712217700000044
上面各式中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。
7.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S9中，在新能源、负荷多预测场景下的发电厂预期执行情况校核模型可表示为：
Max EEDE
Figure RE-FDA0002593994520000051
8.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：在多场景组合情态下，出清后校核的标准包括两项：
1)预期执行电量偏差不超过给定限值；2)所有场景组合中存在执行电量偏差的场景数不超过给定限值，上述标准可表示为：
EEDE≤EEDELV (20)
NOLSC≤NOLSCLV (21)
式(20)-(21)中,EEDELV、NOLSCLV分别为预期执行电量偏差限值和超标场景数限值。其中，LV为限值英文Limitation Value首字母组合，NOLSC为超标场景数英文number of out-of-limitation scene首字母组合。
若出清后校核求解满足式(20)及(21)，则校核通过；否则不通过。
9.一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的方法。
CN202010298049.5A 2020-04-16 2020-04-16 基于极端场景的两阶段月度交易安全校核方法 Active CN111932048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010298049.5A CN111932048B (zh) 2020-04-16 2020-04-16 基于极端场景的两阶段月度交易安全校核方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010298049.5A CN111932048B (zh) 2020-04-16 2020-04-16 基于极端场景的两阶段月度交易安全校核方法

Publications (2)

Publication Number Publication Date
CN111932048A true CN111932048A (zh) 2020-11-13
CN111932048B CN111932048B (zh) 2022-08-30

Family

ID=73316308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010298049.5A Active CN111932048B (zh) 2020-04-16 2020-04-16 基于极端场景的两阶段月度交易安全校核方法

Country Status (1)

Country Link
CN (1) CN111932048B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060259417A1 (en) * 1999-10-14 2006-11-16 International Specialists, Inc., Automated trading system in an electronic trading exchange
CN106845797A (zh) * 2016-12-28 2017-06-13 广东电网有限责任公司电力调度控制中心 一种基于两阶段的月度机组组合方法及系统
CN107947164A (zh) * 2017-11-30 2018-04-20 三峡大学 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法
CN109546689A (zh) * 2018-11-30 2019-03-29 国家电网公司西南分部 一种适用于大规模系统的两阶段机组组合运行控制方法
CN110866646A (zh) * 2019-11-18 2020-03-06 国家电网公司西北分部 一种电力系统安全校核方法及安全校核装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060259417A1 (en) * 1999-10-14 2006-11-16 International Specialists, Inc., Automated trading system in an electronic trading exchange
CN106845797A (zh) * 2016-12-28 2017-06-13 广东电网有限责任公司电力调度控制中心 一种基于两阶段的月度机组组合方法及系统
CN107947164A (zh) * 2017-11-30 2018-04-20 三峡大学 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法
CN109546689A (zh) * 2018-11-30 2019-03-29 国家电网公司西南分部 一种适用于大规模系统的两阶段机组组合运行控制方法
CN110866646A (zh) * 2019-11-18 2020-03-06 国家电网公司西北分部 一种电力系统安全校核方法及安全校核装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁振成等: "基于多时段机组组合的中长期市场安全校核", 《电力大数据》 *
赵倩等: "考虑多场景系能源预测的月度机组组合研究", 《电力大数据》 *

Also Published As

Publication number Publication date
CN111932048B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Belsnes et al. Applying successive linear programming for stochastic short-term hydropower optimization
Xu et al. Scheduling of wind-battery hybrid system in the electricity market using distributionally robust optimization
Bakirtzis et al. Storage management by rolling stochastic unit commitment for high renewable energy penetration
Moradi et al. A cooperative dispatch model for the coordination of the wind and pumped-storage generating companies in the day-ahead electricity market
Sayfutdinov et al. Incorporating variable lifetime and self‐discharge into optimal sizing and technology selection of energy storage systems
Zhang et al. Optimal sizing of substation‐scale energy storage station considering seasonal variations in wind energy
Saffari et al. Integrated active/reactive power scheduling of interdependent microgrid and EV fleets based on stochastic multi‐objective normalised normal constraint
CN107301479B (zh) 基于自然灾害风险的输电系统多场景规划方法
Hermans et al. Analysis on the interaction between short-term operating reserves and adequacy
Chandrasekaran et al. Demand response scheduling in SCUC problem for solar integrated thermal system using firefly algorithm
Nadermahmoudi et al. Stochastic very short‐term economic dispatch for wind power operation using flexible ramp reserve
Wei et al. Graph computing based security constrained unit commitment in hydro-thermal power systems incorporating pumped hydro storage
Jalali et al. Undisruptive load curtailment scheme to ensure voltage stability margin
CN111932048B (zh) 基于极端场景的两阶段月度交易安全校核方法
Huang et al. A power dispatch optimization method to enhance the resilience of renewable energy penetrated power networks
Chandrasekaran et al. SCUC problem for solar/thermal power system addressing smart grid issues using FF algorithm
CN116365585A (zh) 新能源电网规划模型的构建方法、装置及终端设备
Chen et al. Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm
Azarinfar et al. Modelling of demand response programs in energy management of combined cooling, heat and power‐based microgrids considering resiliency
CN115603308A (zh) 一种考虑需求响应替代效益的源网协调规划方法及系统
Martín et al. Model to evaluate the system‐wide impact of residential and commercial photovoltaic and storage units intended for self‐consumption
CN113962410A (zh) 一种基于贪婪算法组合的配电网灾后抢修调度方法和装置
Moradi et al. Application of grey wolf algorithm for multi‐year transmission expansion planning from the viewpoint of private investor considering fixed series compensation and uncertainties
Ortega-Vazquez Assessment of Nk contingencies in a probabilistic security-constrained optimal power flow
Fu et al. Strategic bidding model for load service entities considering priced-based and incentive-based demand response

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