CN111950887A - 新型电负荷预测与电力系统经济调度融合方法 - Google Patents

新型电负荷预测与电力系统经济调度融合方法 Download PDF

Info

Publication number
CN111950887A
CN111950887A CN202010788558.6A CN202010788558A CN111950887A CN 111950887 A CN111950887 A CN 111950887A CN 202010788558 A CN202010788558 A CN 202010788558A CN 111950887 A CN111950887 A CN 111950887A
Authority
CN
China
Prior art keywords
power system
time
prediction
electric
load prediction
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
Application number
CN202010788558.6A
Other languages
English (en)
Inventor
邹德旋
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.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
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 Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202010788558.6A priority Critical patent/CN111950887A/zh
Publication of CN111950887A publication Critical patent/CN111950887A/zh
Pending 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
    • G06Q10/06—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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (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

新型电负荷预测与电力系统经济调度融合方法，包括：在每个周期内先进行一定时间的电负荷预测；再同步进行一定时间的电负荷预测与电力系统经济调度；最后，在电负荷预测结束时继续进行一定时间的电力系统经济调度，并在最后时刻确定最优电力系统经济调度方案。现有方法只能在完成电负荷预测后再执行电力系统经济调度，因此效率低，灵活性差。本发明的方法通过设计交叠式时间结构深度融合两项任务，使电力系统经济调度可以定时接收电负荷预测数据，并提前规划各时段各发电机组的发电出力。在总时间相同的情况下，本发明的方法比现有方法具有更强的灵活性和更高的计算精度，且能获得更优的电力系统经济调度方案。

Description

新型电负荷预测与电力系统经济调度融合方法
技术领域
本发明涉及新型电负荷预测与电力系统经济调度融合方法，具体涉及一种具有交叠式时间结构的新型电负荷预测与电力系统经济调度融合方法。
背景技术
现有方法在每个周期内按先后顺序依次进行电负荷预测与电力系统经济调度，且两项任务在时间上不存在交集(如图1)。因此，总运行时间即为两项任务的运行时间之和。虽然该方法简单直接、便于实施，但缺乏对二者的有效融合，难以保证运行效率与计算精度。
从信息利用率角度看，电负荷预测仅在计算结束时为电力系统经济调度提供电负荷预测数据，其在计算过程中的一些有价值的电负荷预测数据并未被电力系统经济调度采用。从计算效率角度看，本周期的电力系统经济调度在电负荷预测过程中无法规划发电机组出力，始终处于被动等待状态。
在保证计算精度的前提下压缩总运行时间是提高两项任务综合运行效率的有效途径。根据现有方法关于不同任务的时间分配结构，需要依次执行在时间上不存在交集的两项任务。虽然可以通过分别减少二者运行时间来压缩总运行时间，但难以保证计算精度，不利于最终获得满足实际需求的电力系统经济调度方案。为了提高电负荷预测与电力系统经济调度的综合工作效率及计算精度，满足能源工作者对节能降耗的实际需求，有必要对现有两项任务的联合工作机制进行改进与优化。
发明内容
本发明的目的在于针对现有电负荷预测与电力系统经济调度的联合工作机制提出一种新型交叠式时间结构，该结构要求两项任务在时间上存在交集。从电负荷预测向电力系统经济调度定时传输数据，从而更加紧密地联系两项任务，避免电力系统经济调度被动等待电负荷预测数据的不利局面，提高电负荷预测的信息利用率与电力系统经济调度的计算精度。本方法最终可获得具有低成本的最优电力系统经济调度方案。
为了实现上述发明目的，本发明的技术方案具体如下：
新型电负荷预测与电力系统经济调度融合方法，包括以下步骤：
步骤A：设置电负荷预测时间T预测，电力系统经济调度时间T调度＝T预测，周期时长T总，重叠时间内的等间隔采样点数N采样；
步骤B：计算两项任务在时间上的重叠率
Figure BDA0002622944870000021
电力系统经济调度起始时间T调度,0＝T预测-ρ重叠·T预测，电负荷更新时间的采样间隔VT＝ρ重叠·T预测/(N采样-1，电负荷更新时间Ti＝(i-1)VT+T调度,0(i＝1,L,N采样)。
步骤C：在本周期的前[0,T1]时间内先进行电负荷预测。
步骤D：从第1个电负荷更新时间T1开始同时进行电负荷预测与电力系统经济调度，并定时根据更新的电负荷预测数据进行电力系统经济调度，具体包括：
步骤D-1：定时更新电力系统经济调度的电负荷数据；
电力系统经济调度在每个电负荷更新时间点接收来自电负荷预测的电负荷数据，随着时间的推移，所更新的电负荷数据会越来越精确。
步骤D-2：在每个采样间隔起点为电力系统经济调度确定初始候选解；
使用差分进化算法(Differential evolution algorithm,DE)规划各时段各发电机组出力。对于第1个电负荷更新时间点，通过随机初始化步骤产生DE的M个候选解，并使用一定的修复规则将初始解转变为可行解；对于第i(i＝2,L,N采样)个电负荷更新时间点，选择上一个采样间隔VT最后时刻的候选解作为当前采样间隔的初始解。该初始解只满足含有上个采样间隔电负荷数据的电力平衡约束，并不满足更新电负荷数据后的电力平衡约束，因此也要依靠修复规则将初始解转变为可行解。
步骤D-3：使用DE算法进行优化迭代步骤；
首先，在变异操作中使用基向量、差分向量产生M个变异向量。其次，在交叉操作中以一定概率组合父代解向量与差分向量，并对产生的M个试验向量进行修复。最后，根据优胜劣汰规则保留更好的试验向量，排除差的试验向量，从而确定更新后的解向量。
步骤E：在本周期的后[T预测,T总]时间内进行电力系统经济调度，并在T总时刻输出最优电力系统经济调度方案。
优选的，所述步骤A中，电负荷预测与电力系统经济调度在重叠时间内的等间隔采样点数为N采样＝3。
优选的，所述步骤B中，电负荷预测与电力系统经济调度在每个周期内的时间重叠率ρ重叠∈[0.2,0.7]。
优选的，所述步骤D中，在起初执行电负荷预测的[0,T1]时间内，同时执行上个周期的电力系统经济调度，但不针对本周期。
优选的，所述步骤D中，在最后执行电力系统经济调度的[T预测,T总]时间内，同时执行下个周期的电负荷预测，但不针对本周期。
与现有技术相比，本发明的有益效果：
本发明所提出的新型电负荷预测与电力系统经济调度融合方法具有更强的灵活性与更高的计算效率。该方法采用交叠式时间结构，既能充分利用阶段性电负荷预测数据，又能使电力系统经济调度提前参与计算。因为阶段性电负荷预测数据的精度会随时间的推移而不断提高，所以它们对电力系统经济调度有较高的参考价值，为实现基于交叠式时间结构的电负荷预测与电力系统经济调度融合打下良好基础；
本发明的方法可按照设计者所需要的周期时长(即每个周期的总运行时间)灵活设置电负荷预测时间、电力系统经济调度时间以及相应的时间重叠率，因此可操作性强；
本发明的方法能在不增加总运行时间的前提下适当增加电负荷预测时间和电力系统经济调度时间，可获得更精确的电负荷预测数据和更优的电力系统经济调度方案，节约燃料成本，降低能耗与废气排放，因此，在电力系统与能源领域具有很好的应用前景。
附图说明
图1为现有电负荷预测与电力系统经济调度方法在一个周期内的时间分配图；
图2为基于交叠式时间结构的新型电负荷预测与电力系统经济调度方法在一个周期内的时间分配图；
图3为本发明的新型电负荷预测与电力系统经济调度融合方法的流程示意图；
图4为电负荷预测过程中各采样点24时段电负荷数据与预测结束时24时段电负荷间的欧拉距离柱状图；
图5为周期时长为280s时现有方法中电力系统经济调度从140s到280s的燃料成本收敛曲线图；
图6为周期时长为280s时本发明的方法(重叠率为0.6)中电力系统经济调度从80s到280s的燃料成本收敛曲线图；
图7为周期时长分别为280s、300s和320s时两种方法的胜率柱状图。
具体实施方式
实施例
图1所示为现有电负荷预测与电力系统经济调度方法在一个周期内的时间分配图。电负荷预测与电力系统经济调度的时间各为总时间的一半。而且，电负荷预测只在T总/2时刻才将最终的电负荷预测数据传给电力系统经济调度，并由后者对各时段各发电机组的电力输出进行规划；
图2为基于交叠式时间结构的新型电负荷预测与电力系统经济调度融合方法在一个周期内的时间分配图。电负荷预测与电力系统经济调度在
Figure BDA0002622944870000051
时间范围内存在重叠，且电负荷预测在采样点Ti(i＝1,L,N采样)将阶段性电负荷预测数据传给电力系统经济调度，并由后者对各时段各发电机组的电力输出进行规划，使得后者能够提前参与计算，有助于提高电力系统经济调度质量、降低燃料成本；
为了有效提高电负荷预测与电力系统经济调度的综合工作效率，本发明首次提出了基于交叠式时间结构的新型电负荷预测与电力系统经济调度融合方法，有更充分的时间执行两项任务，能更灵活地满足不同运行时间条件下对降低燃料成本的实际需求。燃料成本函数如下所示：
Figure BDA0002622944870000052
ai、bi、ci、ei和fi为燃料成本系数。Pi,min代表第i个发电单元的最小出力，Pt,i代表t时段第i个发电单元的实际出力。T为时段数量，NP为发电机组数量。
电力系统经济调度的任务是最小化该燃料成本函数值，但需要满足三种约束条件，包括发电出力容限、发电出力爬坡率及电力供需平衡。
(1)发电出力容限
Pi,min≤Pt,i≤Pi,max,i＝1,L,NP (2)
Pi,max和Pi,min分别为第i台发电机组的最大和最小出力。
(2)发电出力爬坡率
Pt,i-Pt-1,i≤URi,t＝2,L,T,i＝1,L,NP (3)
Pt-1,i-Pt,i≤DRi,t＝2,L,T,i＝1,L,NP (4)
URi和DRi分别为第i台发电机组出力的最大容许增加值和减小值。
(3)电力供需平衡
Figure BDA0002622944870000061
Figure BDA0002622944870000062
为t时段的电力需求量，
Figure BDA0002622944870000063
为t时段传输线上的电力损耗。
为了提高电负荷预测与电力系统经济调度的综合工作效率，并有充足时间最小化受上述三种约束条件限制的燃料成本函数，本发明提出了新型电负荷预测与电力系统经济调度融合方法，如图3所示，包括以下步骤：
步骤A：设置电负荷预测时间T预测，电力系统经济调度时间T调度＝T预测，周期时长T总，电负荷预测与电力系统经济调度重叠时间内等间隔采样点数N采样；
步骤B：计算两项任务在时间上的重叠率
Figure BDA0002622944870000064
电力系统经济调度起始时间T调度,0＝T预测-ρ重叠·T预测，电负荷更新时间的采样间隔VT＝ρ重叠·T预测/(N采样-1，电负荷更新时间Ti＝(i-1)VT+T调度,0(i＝1,L,N采样)。
步骤C：在本周期的前[0,T1]时间内先进行电负荷预测。
步骤D：从第1个电负荷更新时间T1开始同时进行电负荷预测与电力系统经济调度，并定时根据更新的电负荷预测数据进行电力系统经济调度，具体包括：
步骤D-1：定时更新电力系统经济调度的电负荷数据；
电力系统经济调度在每个电负荷更新时间点接收来自电负荷预测的电负荷数据，随着时间的推移，所更新的电负荷数据会越来越精确。
步骤D-2：在每个采样间隔起点为电力系统经济调度确定初始候选解；
使用差分进化算法(Differential evolution algorithm,DE)规划各时段各发电机组出力。对于第1个电负荷更新时间点，通过随机初始化步骤产生DE的M个候选解，并使用一定的修复规则将初始解转变为可行解；对于第i(i＝2,L,N采样)个电负荷更新时间点，选择上一个采样间隔VT最后时刻的候选解作为当前采样间隔的初始解。该初始解只满足含有上个采样间隔电负荷数据的电力平衡约束，并不满足更新电负荷数据后的电力平衡约束，因此也要依靠修复规则将初始解转变为可行解。
步骤D-3：使用DE算法进行优化迭代步骤；
首先，在变异操作中使用基向量、差分向量产生M个变异向量。其次，在交叉操作中以一定概率组合父代解向量与差分向量，并对产生的M个试验向量进行修复。最后，根据优胜劣汰规则保留更好的试验向量，排除差的试验向量，从而确定更新后的解向量。
步骤E：在本周期的后[T预测,T总]时间内进行电力系统经济调度，并在T总时刻输出最优电力系统经济调度方案。
在所述步骤A中根据每个周期时长的实际运行时间确定算法参数。
在所述步骤B中确定一个周期内电力系统经济调度的起始时间、电负荷预测的终止时间以及电负荷数据的更新时间。
在所述步骤C中，本周期内先执行的电负荷预测时间T1不低于T预测的30％。
在所述步骤D中，电力系统经济调度在每个采样点都要更新一次电负荷数据，通过差分进化算法调整各时段各发电机组出力以获得最低燃料成本。
在所述步骤E中，在达到一个周期时长T总后，给出最优的电力系统经济调度方案。
图4为针对周期时长T总＝280s、T总＝300s和T总＝320s三种情况下电负荷预测过程中各采样点24时段电负荷数据与预测结束时24时段电负荷间的欧拉距离柱状图；这里，电负荷预测和电力系统经济调度的时间各为200s，等间隔采样点数为N采样＝3，所以在T总＝280s情况下的采样点分别为80s、140s和200s，在T总＝300s情况下的采样点分别为100s、150s和200s，在T总＝320s情况下的采样点分别为120s、160s和200s。在电负荷预测结束时(T预测＝200s)的24时段电负荷数据为PD＝[1036 1110 1258 1406 1480 1628 1702 17761924 2072 2146 2220 2072 1924 1776 1554 1480 1628 1776 2072 1924 1628 13321184]，为了模拟真实的电负荷预测情景，在200s前各采样点的电负荷数据可根据下式产生。
P％＝[1+(T预测-Tj)/10×0.01×r正态]×P,j＝1,L,N采样 (6)
P为200s时电负荷数据中的任何一个，P％为由正态分布随机数扰动后获得的相应电负荷数据，Tj为第j个采样点时间，r正态表示均值为0，标准差为1的正态分布随机数。根据公式(6)可获得表1中6个采样点的24时段电负荷数据。
表1
Figure BDA0002622944870000081
Figure BDA0002622944870000091
从图4中可以看出，采样点离200s越近，其24时段电负荷数据与200s处24时段电负荷数据的欧拉距离越小，反之亦然，因此，表1中的数据符合实际的电负荷预测过程。
图5为周期时长为280s时现有方法中电力系统经济调度从140s到280s的燃料成本曲线图；该曲线图针对的是1个10单元机组电力系统经济调度问题，问题参数如表2和表3所示。
表2
Figure BDA0002622944870000092
Figure BDA0002622944870000101
表3
B<sub>i,j</sub>(×10<sup>-5</sup>) j＝1 j＝2 j＝3 j＝4 j＝5 j＝6 j＝7 j＝8 j＝9 j＝10
i＝1 8.70 0.43 -4.61 0.36 0.32 -0.66 0.96 -1.60 0.80 -0.10
i＝2 0.43 8.30 -0.97 0.22 0.75 -0.28 5.04 1.70 0.54 7.20
i＝3 -4.61 -0.97 9.00 -2.00 0.63 3.00 1.70 -4.30 3.10 -2.00
i＝4 0.36 0.22 -2.00 5.30 0.47 2.62 -1.96 2.10 0.67 1.80
i＝5 0.32 0.75 0.63 0.47 8.60 -0.80 0.37 0.72 -0.90 0.69
i＝6 -0.66 -0.28 3.00 2.62 -0.80 11.80 -4.90 0.30 3.00 -3.00
i＝7 0.96 5.04 1.70 -1.96 0.37 -4.90 8.24 -0.90 5.90 -0.60
i＝8 -1.60 1.70 -4.30 2.10 0.72 0.30 -0.90 1.20 -0.96 0.56
i＝9 0.80 0.54 3.10 0.67 -0.90 3.00 5.90 -0.96 0.93 -0.30
i＝10 -0.10 7.20 -2.00 1.80 0.69 -3.00 -0.60 0.56 -0.30 0.99
表2中包含发电机组的最小出力和最大出力，成本系数，发电机组出力的最大容许增加值和减小值，表3中包含传输线上发电机组间的电力传输损耗。对于现有方法，在总时间为280s时两项任务的时间各占140s，且电力系统经济调度时间从140s到280s，假设现有方法的电负荷预测在140s时的24时段电负荷数据为PD＝[1036 1110 1258 1406 14801628 1702 1776 1924 2072 2146 2220 2072 1924 1776 1554 1480 1628 1776 20721924 1628 1332 1184]，则电力系统经济调度的燃料成本曲线逐渐下降，其最终在280s时刻获得的燃料成本略低于1045000$。
图6为周期时长为280s时本发明的方法(重叠率为0.6)中电力系统经济调度从80s到280s的燃料成本收敛曲线图。因为两项任务在时间上存在重叠，所以可以在80s时开始进行电力系统经济调度。因为在采样点140s和200s要更新电负荷数据，所以电力系统经济调度在[140,200]s和[200,280]s的电力供需平衡约束条件分别相较于[80,140]s和[140,200]s发生变化，在140s和200s时要根据最新电负荷数据修复候选解以获得可行解，虽然修复后的候选解的燃料成本可能会在采样点(140s和200s)处有小幅上升，但总体上不影响电力系统经济调度燃料成本的下降趋势，基于本方明方法的电力系统经济调度最终在280s处获得的燃料成本略高于1040000$。
对于周期时长T总＝280s、T总＝300s和T总＝320s中的任何一种情况，假设现有方法在T总/2时的24时段电负荷数据与本发明方法在200s的24时段电负荷数据完全相同，都为PD＝[1036 1110 1258 1406 1480 1628 1702 1776 1924 2072 2146 2220 2072 1924 17761554 1480 1628 1776 2072 1924 1628 1332 1184]，用现有方法和本发明方法求解上述10单元电力系统经济调度问题，且每种方法都运行30次，则获得的成本结果如表4所示。
表4
Figure BDA0002622944870000111
根据表4，本发明方法在任何一种情况下获得的最小成本、最大成本和平均成本都要低于现有方法，且前者的胜率都在98％以上，而后者的胜率都不超过2％。为了更直观地比较两种方法，图7提供了二者在三种情况下的胜率柱状图，可以很明显地看出，本发明方法在任何一种情况下的胜率都要远大于现有方法。
现有方法在每个周期内都先进行电负荷预测，待其完成后再进行电力系统经济调度。显然，这两项工作只是在电负荷预测完成时进行了一次信息传输，即电负荷预测将其预测数据传输给电力系统经济调度，该数据决定了电力供需平衡约束条件。理想情况下一个周期内的总运行时间为两项工作各自运行时间之和，在总时间确定后，两项任务各自的运行时间随即确定。虽然该方法便于设计与实施，但效率低，灵活性差。
为了提升电负荷预测与电力系统经济调度的综合运行效率，本发明提出了一种新型电负荷预测与电力系统经济调度融合方法。该方法采用了交叠式时间结构，能够在多数时间内同时进行电负荷预测与电力系统经济调度。因为电负荷预测可以将其进行过程中的电负荷数据定时传输给电力系统经济调度，所以后者可以提前参与计算，为获得更低燃料成本提供有力保障。该设计思路打破常规，将电负荷预测与电力系统经济调度两项看似独立的工作紧密结合起来，进一步提高二者的综合运行效率。在相同运行时间条件下，本发明的方法比现有方法具有更强的灵活性和更高的计算精度。换句话说，在相同计算精度情况下，本发明的方法可节约可观的运行时间。
本发明适用于不同运行时间及不同计算精度要求，在给定运行时间的情况下，可通过调节两项任务各自的时间及时间重叠率获得具有更高计算精度的电力系统经济调度方案。在给定计算精度的情况下，亦可通过调节两项任务各自的时间及时间重叠率适当减少运行时间。总之，本发明针对电负荷预测与电力系统经济调度联合工作的设计方法可有效提高二者的综合运行效率，符合节能降耗发展理念，具有较高的理论价值与应用价值。
需要说明的是，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.新型电负荷预测与电力系统经济调度融合方法，其特征在于，包括以下步骤：
步骤A：设置电负荷预测时间T预测，电力系统经济调度时间T调度＝T预测，周期时长T总，电负荷预测与电力系统经济调度重叠时间内等间隔采样点数N采样；
步骤B：计算两项任务在时间上的重叠率
Figure FDA0002622944860000011
电力系统经济调度起始时间T调度,0＝T预测-ρ重叠·T预测，电负荷更新时间的采样间隔VT＝ρ重叠·T预测/(N采样-1)，电负荷更新时间Ti＝(i-1)VT+T调度,0(i＝1,L,N采样)；
步骤C：在本周期的前[0,T1]时间内先进行电负荷预测；
步骤D：从第1个电负荷更新时间T1开始同时进行电负荷预测与电力系统经济调度，并定时根据更新的电负荷预测数据进行电力系统经济调度；
步骤E：在本周期的后[T预测,T总]时间内进行电力系统经济调度，并在T总时刻输出最优电力系统经济调度方案。
2.根据权利要求1所述的新型电负荷预测与电力系统经济调度融合方法，其特征在于：所述步骤A中，设置电力系统经济调度时间与电负荷预测时间相同，即T调度＝T预测；重叠时间内的等间隔采样点数设置为N采样＝3。
3.根据权利要求1所述的新型电负荷预测与电力系统经济调度融合方法，其特征在于，所述的新型电负荷预测与电力系统经济调度融合方法，所述步骤B中，电负荷预测与电力系统经济调度在每个周期内的时间重叠率ρ重叠∈[0.2,0.7]。
4.根据权利要求1所述的新型电负荷预测与电力系统经济调度融合方法，其特征在于：所述步骤D具体包括：
步骤D-1：定时更新电力系统经济调度的电负荷数据；
步骤D-2：在每个采样间隔起点为电力系统经济调度确定初始候选解；
使用差分进化算法规划各时段各发电机组出力；对于第1个电负荷更新时间点，通过随机初始化步骤产生DE的M个候选解，并使用一定的修复规则将初始解转变为可行解；对于第i个电负荷更新时间点，选择上一个采样间隔VT最后时刻的候选解作为当前采样间隔的初始解；i＝2,L,N采样；
步骤D-3：使用DE算法进行优化迭代步骤；
首先，在变异操作中使用基向量、差分向量产生M个变异向量；其次，在交叉操作中以一定概率组合父代解向量与差分向量，并对产生的M个试验向量进行修复；最后，根据优胜劣汰规则保留更好的试验向量，排除差的试验向量，从而确定更新后的解向量。
5.根据权利要求1所述的新型电负荷预测与电力系统经济调度融合方法，其特征在于，所述步骤D中，在起初执行电负荷预测的[0,T1]时间内，同时执行本周期外上个周期的电力系统经济调度。
6.根据权利要求1所述的新型电负荷预测与电力系统经济调度融合方法，其特征在于：所述步骤D中，在最后执行电力系统经济调度的[T预测,T总]时间内，同时执行下个周期的电负荷预测。
CN202010788558.6A 2020-08-07 2020-08-07 新型电负荷预测与电力系统经济调度融合方法 Pending CN111950887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010788558.6A CN111950887A (zh) 2020-08-07 2020-08-07 新型电负荷预测与电力系统经济调度融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010788558.6A CN111950887A (zh) 2020-08-07 2020-08-07 新型电负荷预测与电力系统经济调度融合方法

Publications (1)

Publication Number Publication Date
CN111950887A true CN111950887A (zh) 2020-11-17

Family

ID=73333316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010788558.6A Pending CN111950887A (zh) 2020-08-07 2020-08-07 新型电负荷预测与电力系统经济调度融合方法

Country Status (1)

Country Link
CN (1) CN111950887A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915737A (zh) * 2015-06-30 2015-09-16 国网山东省电力公司济南供电公司 基于风险控制含大规模风电的电力系统协调经济调度方法
CN108122079A (zh) * 2018-01-10 2018-06-05 湖南大唐先科技有限公司 火电厂负荷分配的计算方法、系统及存储介质
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
CN110544935A (zh) * 2019-07-29 2019-12-06 西南交通大学 一种电-氢多能互补直流微电网协调调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915737A (zh) * 2015-06-30 2015-09-16 国网山东省电力公司济南供电公司 基于风险控制含大规模风电的电力系统协调经济调度方法
CN108122079A (zh) * 2018-01-10 2018-06-05 湖南大唐先科技有限公司 火电厂负荷分配的计算方法、系统及存储介质
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
CN110544935A (zh) * 2019-07-29 2019-12-06 西南交通大学 一种电-氢多能互补直流微电网协调调度方法

Similar Documents

Publication Publication Date Title
CN107579518B (zh) 基于mhba的电力系统环境经济调度方法和装置
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
WO2009107373A1 (ja) エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置
CN109189094B (zh) 一种多有人机与多无人机混合编队资源调度方法
Leterme et al. A flexible stochastic optimization method for wind power balancing with PHEVs
CN103955864A (zh) 基于改进和声搜索算法的电力系统多目标差异化规划方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN109193807A (zh) 一种电力系统经济调度方法及系统
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN105450684A (zh) 云计算资源调度方法和系统
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
CN114662751A (zh) 基于lstm的园区多能短期负荷预测及优化方法
CN106786702A (zh) 用于混合储能系统的全状态模型预测能量调度方法
CN110705739B (zh) 一种新能源电站发电计划制定方法和系统
CN107506873B (zh) 基于调节性能的水风光电站群协同优化调度方法及系统
CN113837812A (zh) 节点电价联合概率预测方法及装置
CN111950887A (zh) 新型电负荷预测与电力系统经济调度融合方法
Tang et al. Online speeding optimal charging algorithm for electric vehicles without future information
CN114418232A (zh) 储能系统运行优化方法、系统、服务器及存储介质
CN105262702A (zh) 基于最小时延抖动的tdma通信网络时隙均匀分配方法
CN115545793A (zh) 新型电力系统电网基础模型构建方法、系统、设备及介质
CN104702676B (zh) 一种铁路分布式数据中心资源调度方法
CN112381302A (zh) 浸入式电负荷预测与发电机组动态经济调度方法
Zou et al. Evaluating the impacts of flexible ramping products on the market equilibrium
CN102438325B (zh) 基于认知无线终端重构系统的资源调度方法

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