CN112072708B - 一种提升电力系统风电消纳水平的方法 - Google Patents

一种提升电力系统风电消纳水平的方法 Download PDF

Info

Publication number
CN112072708B
CN112072708B CN202010729550.2A CN202010729550A CN112072708B CN 112072708 B CN112072708 B CN 112072708B CN 202010729550 A CN202010729550 A CN 202010729550A CN 112072708 B CN112072708 B CN 112072708B
Authority
CN
China
Prior art keywords
wind power
hpus
power consumption
vertex
formula
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.)
Expired - Fee Related
Application number
CN202010729550.2A
Other languages
English (en)
Other versions
CN112072708A (zh
Inventor
马士聪
王铁柱
荆逸然
曾思成
聂元弘
葛成
崔宏
孟晓星
王程
巩志皓
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Economic and Technological Research Institute of State Grid Anhui Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University, Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010729550.2A priority Critical patent/CN112072708B/zh
Publication of CN112072708A publication Critical patent/CN112072708A/zh
Application granted granted Critical
Publication of CN112072708B publication Critical patent/CN112072708B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46Controlling of the sharing of output between the generators, converters, or transformers
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • H02J2300/28The renewable source being wind energy
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/70Wind energy
    • Y02E10/76Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种提升电力系统风电消纳水平的方法,首先根据基于超平面的不确定集合HPUS实现风电不确定性建模,排除无效的风电场景区域;然后建立兼顾经济调度与风电消纳的基于HPUS的两阶段鲁棒风电消纳模型;基于C&CG算法框架对所述两阶段鲁棒风电消纳模型进行求解,实现电力系统风电消纳水平的提升。上述方法能够有效改善传统鲁棒优化模型的保守性,提高风电消纳效率,并节约出更多的发电机调节空间应对风电不确定性波动并满足负荷波动需求,从而提高电力系统的运行灵活性。

Description

一种提升电力系统风电消纳水平的方法
技术领域
本发明涉及电力系统技术领域,尤其涉及一种提升电力系统风电消纳水平的方法。
背景技术
近年来,新能源发电因清洁、可再生的特点发展迅猛,逐渐占据传统化石能源的发电市场,然而以风电为代表的新能源却存在固有缺陷,即其出力波动多样化导致无法精确预测,进而引起电力系统的功率平衡波动。为了解决当前电力市场的风电消纳问题,促进能源市场的变革与转型,针对风电消纳的决策体系与高级灵活设备配置成为探讨解决风电不确定性波动的关键手段。
风电消纳能力与电力系统的运行灵活性息息相关,在电力系统运行框架下纳入风电消纳的考虑是当下研究的热点之一,考虑风电不确定性的电力系统运行调度方法主要分为随机优化调度与鲁棒优化调度。其中,随机优化调度基于数据统计拟合出风电场景发生的概率密度曲线,并以此为基准融入电力系统的运行策略优化与校验;而鲁棒优化调度则是刻画出不确定集合,以连续的风电不确定区域去影响电力系统的调度决策。立足于电力系统的可靠性运行要求,鲁棒优化调度更能满足电力系统的稳健调度,进而满足此要求,但是鲁棒优化调度的结果性质取决于不确定集合的建模精确性,目前应用较广泛的不确定集合是区间运算形式,虽能保证最终策略稳定可靠却过于保守,因此需要开发一种能在保证电力系统稳健运行的基础上改善传统鲁棒优化模型保守性的方案,以提高风电消纳效率。
发明内容
本发明的目的是提供一种提升电力系统风电消纳水平的方法,该方法能够有效改善传统鲁棒优化模型的保守性,提高风电消纳效率。
本发明的目的是通过以下技术方案实现的:
一种提升电力系统风电消纳水平的方法,所述方法包括:
步骤1、根据基于超平面的不确定集合HPUS实现风电不确定性建模,排除无效的风电场景区域;
步骤2、然后建立兼顾经济调度与风电消纳的基于HPUS的两阶段鲁棒风电消纳模型;
步骤3、基于C&CG算法框架对所述两阶段鲁棒风电消纳模型进行求解,实现电力系统风电消纳水平的提升。
由上述本发明提供的技术方案可以看出,上述方法能够有效改善传统鲁棒优化模型的保守性,提高风电消纳效率,并节约出更多的发电机调节空间应对风电不确定性波动并满足负荷波动需求,从而提高电力系统的运行灵活性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的提升电力系统风电消纳水平的方法流程示意图;
图2为本发明所举实例IEEE-6节点电力系统拓扑示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供的提升电力系统风电消纳水平的方法流程示意图,所述方法包括:
步骤1、根据基于超平面的不确定集合HPUS实现风电不确定性建模,排除无效的风电场景区域;
在该步骤中,在一定的历史数据样本下,每次优化得到一组风电可接纳域边界均筛选出有效的数据范围,筛选后的有效范围在空间内呈现立体矩形,能够最大范围囊括所有有效数据却体现不出数据的分布特点。
因此本申请由电力系统模型的风电可接纳域中每一个空间立体矩形出发,沿着边界寻找超平面最大化切割内部无数据分布的区域以凸显数据分布特点,所使用的超平面表达式为:
Figure BDA0002602694590000021
上式中,i是包裹有效数据的空间立体矩形顶点的序数;αi和βi分别是一个向量与标量;在一个维度为E的空间中,记空间立体矩形的顶点向量为
Figure BDA0002602694590000031
公式中的上标为矩阵转置符号;
通过超平面切割出的HPUS(hyperplane-based uncertainty set,基于超平面的不确定集合)的顶点记作
Figure BDA0002602694590000032
其中j表示HPUS的顶点序数;
在被超平面切割后,原来空间立体矩形的一个顶点会对应E个HPUS的顶点,故j和i的关系表示为:
Figure BDA0002602694590000033
每一个切割所述空间立体矩形的超平面通过以下优化模型(3)-(6)获得,该优化模型(3)-(6)记为模型I:
Figure BDA0002602694590000034
Figure BDA0002602694590000035
Figure BDA0002602694590000036
Figure BDA0002602694590000037
上式中,目标函数(3)是极大化切除无数据点分布的空间区域,e是空间维度序数,λie
Figure BDA0002602694590000038
Figure BDA0002602694590000039
之间的几何距离;
受基于支持向量机的分类思想的启发,式(4)表示包围数据的空间立体矩形顶点与所有的历史数据应分布在超平面的两侧,式中的γ与γ分别表示每一个数据向量与筛选中的数据集合,并且HPUS的顶点
Figure BDA00026026945900000310
位于超平面上;
式(5)表示
Figure BDA00026026945900000311
坐落在空间立体矩形的边界上,同时除去第e维度的坐标外,
Figure BDA00026026945900000312
Figure BDA00026026945900000313
其它维度的坐标相同,式中的
Figure BDA00026026945900000314
Figure BDA00026026945900000315
分别表示
Figure BDA00026026945900000316
Figure BDA00026026945900000317
的第o维坐标;
式(6)进一步定义λie,其中θie是一个标志位,当
Figure BDA00026026945900000318
的第e维坐标
Figure BDA00026026945900000319
表示空间立体矩形的上/下边界,则θie的数值对应为1/-1;
所述HPUS的顶点由优化模型(3)-(6)求得,它的顶点集合设置为ΠH,则HPUS的表达式为:
Figure BDA00026026945900000320
式(7)表示HPUS中任意一点通过其顶点得到,其中wmti代表HPUS的顶点,vi指HPUS顶点的对应整数变量。
步骤2、然后建立兼顾经济调度与风电消纳的基于HPUS的两阶段鲁棒风电消纳模型;
在该步骤中,所建立的基于HPUS的两阶段鲁棒风电消纳模型称为模型II,包括主问题与子问题,具体为:
子问题包括目标函数(8),约束{式(9)-(10),HPUS的表达式&vt∈{0,1}.}
具体公式为:
Figure BDA0002602694590000041
s.t.对应实时风电出力的发电机的出力约束、爬坡约束和线路传输容量限制约束,
Figure BDA0002602694590000042
Figure BDA0002602694590000043
HPUS的表达式为:
Figure BDA0002602694590000044
wmti代表HPUS的顶点,vi指HPUS顶点的对应整数变量;
上述目标函数(8)作为风电可接纳性判据,只有目标函数维持在0时,方能认为风电可接纳域可行;w是风电的不确定场景;x是电力系统的调度决策变量;s是一对松弛变量,具体表示为
Figure BDA0002602694590000045
Figure BDA0002602694590000046
式(9)考虑实时风电出力下的电力系统运行约束,同时限制一对松弛变量大于0;
式(10)在节点功率平衡约束中添加一对松弛变量,目的是检测实时风电出力wmt引起的潜在功率不平衡;
在所述子问题中,由于目标函数的内层问题是一个凸优化问题,所以其识别的最坏场景取自所述HPUS的顶点,进一步vi被离散化为二进制变量;
具体实现中,发电机的出力约束表示为:
Figure BDA0002602694590000047
发电机的爬坡约束表示为:
Figure BDA0002602694590000048
线路传输容量限制约束表示为:
Figure BDA0002602694590000049
上式中,ugt是发电机的启停状态;
Figure BDA00026026945900000410
是发电机的最大/最小出力;
Figure BDA00026026945900000411
表示发电机的正/负爬坡能力;其中,Fl指线路的最大传输容量;
Figure BDA00026026945900000412
是线路导纳;
Figure BDA00026026945900000413
分别表示线路的首端相角与末端相角。
所述主问题包括目标函数式(11),约束{式(12)-(14)&修正的电网中的节点功率平衡约束、发电机的出力约束、爬坡约束和线路传输容量限制约束&子问题返回的割约束(15),
Figure BDA0002602694590000051
}
具体公式为:
Figure BDA0002602694590000052
Figure BDA0002602694590000053
Figure BDA0002602694590000054
Figure BDA0002602694590000055
其中,pgt表示发电机的产电量;
Figure BDA0002602694590000056
表示风电造成的弃风/切负荷损失;a0g,a1g,a2g分别表示发电机发电成本的常数项、一次系数和二次系数;K代表罚项系数;
式(12)-(14)是弃风与切负荷损失的约束,
Figure BDA0002602694590000057
是约束风电消纳损失的常系数;
Figure BDA0002602694590000058
代表风电可接纳域的上/下边界;
Figure BDA0002602694590000059
分别指风电的预测值和装机容量;
Figure BDA00026026945900000510
表示所能承受的最大风电消纳损失;式(12)指经历分段线性化近似后弃风和切负荷损失与风电可接纳域边界之间的关系;式(13)限制了风电可接纳域上边界与下边界的变化范围;式(14)则约束电力系统中接受风电消纳的损失上限;
在所述主问题中,κ代表已迭代求解子问题的次数;k表示添加约束的序数;修正的电网中的节点功率平衡约束、发电机的出力约束、爬坡约束和线路传输容量限制约束具体指风电预测值
Figure BDA00026026945900000511
及风电预测下的电力系统决策量将由实时风电出力
Figure BDA00026026945900000512
及对应添加的第k组电力系统决策变量代替,根据子问题识别出的最坏场景建立以下割约束(15),表示为:
Figure BDA00026026945900000513
上式中,
Figure BDA00026026945900000514
Figure BDA00026026945900000515
分别表示子问题在第k次识别最坏场景时形成的HPUS中大于和小于风电预测值的顶点集合;
Figure BDA00026026945900000516
表示子问题在第k次识别最坏场景时形成的HPUS的顶点对应整数变量;
Figure BDA00026026945900000517
Figure BDA00026026945900000518
分别代表主问题在第k次迭代中求取的风电可接纳域的上界与下界;
Figure BDA00026026945900000519
Figure BDA00026026945900000520
分别代表主问题在第κ次迭代中所需求取的风电可接纳域的上界与下界。
具体实现中,电网中的节点功率平衡约束表示为:
Figure BDA0002602694590000061
其中,
Figure BDA0002602694590000062
分别代表与节点n相连的发电机、风机、线路末端、线路首端、负荷等集合;plt指线路潮流;Ddt表示负荷功率。
步骤3、基于C&CG(column-and-constraint generation,列和约束)算法框架对所述两阶段鲁棒风电消纳模型进行求解,实现电力系统风电消纳水平的提升。
在该步骤中,具体求解过程为:
首先,基于风电的预测值求取模型II的主问题,得到最优的风电消纳区间及日前发电计划;
然后由风电消纳边界筛选出有效的数据样本,根据模型I形成HPUS;
再基于所形成的HPUS求取所述模型II的子问题,辨识出最坏场景及对应的潜在最大功率不平衡量;
最后判断辨识出的最大功率不平衡量是否满足收敛条件,如果满足,则判断主问题的优化结果可行,迭代收敛;如果不满足,则返回基于此组最坏场景的割约束并添加一组决策变量至所述主问题,迭代继续。
下面以具体的算例对上述方法的实施过程和结果进行分析如下,本实例以IEEE-6节点电力系统为例进行仿真分析,如图2所示为本发明所举实例IEEE-6节点电力系统拓扑示意图,发电机基本参数如下表1所示:
表1 发电机基本参数
Figure BDA0002602694590000063
按照本发明实施例所述方法提出的HPUS下的风电不确定性建模,与现有技术中的BBUS下的风电不确定性建模进行对比,这里以一天二十四个时段为实验时间窗,设置不同的机组组合方式如以下案例:
Case 1:G1与G2全天开启;
Case 2:G1全天开启,G2分别于1时至4时及20时至24时停止;
Case 3:G1于1时至4时停止,G2于20时至24时停止。
根据以上三种案例,得到结果如下表2所示:
表2 HPUS与BBUS结果对比
Figure BDA0002602694590000071
由表2可知:发电成本与风电消纳的惩罚成本由Case 1到Case 3均逐渐增加,且总是HPUS下的两种成本低于BBUS下的两种成本,说明HPUS排除部分无效的风电不确定区域后,改善了决策结果的保守性,节约出更多的发电机调节空间应对风电不确定性波动并满足负荷波动需求,提高电力系统的运行灵活性。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.一种提升电力系统风电消纳水平的方法,其特征在于,所述方法包括:
步骤1、根据基于超平面的不确定集合HPUS实现风电不确定性建模,排除无效的风电场景区域;
其中,所述根据基于超平面的不确定集合HPUS实现风电不确定性建模的过程具体为:
由电力系统模型的风电可接纳域中每一个空间立体矩形出发,沿着边界寻找超平面最大化切割内部无数据分布的区域以凸显数据分布特点,所使用的超平面表达式为:
Figure FDA0003522047070000011
上式中,i是包裹有效数据的空间立体矩形顶点的序数;αi和βi分别是一个向量与标量;在一个维度为E的空间中,记空间立体矩形的顶点向量为
Figure FDA0003522047070000012
通过超平面切割出的HPUS的顶点记作
Figure FDA0003522047070000013
其中j表示HPUS的顶点序数;在被超平面切割后,原来空间立体矩形的一个顶点会对应E个HPUS的顶点,故j和i的关系表示为:
Figure FDA0003522047070000014
每一个切割所述空间立体矩形的超平面通过以下优化模型(3)-(6)获得,该优化模型(3)-(6)记为模型I:
Figure FDA0003522047070000015
Figure FDA0003522047070000016
Figure FDA0003522047070000017
Figure FDA0003522047070000018
上式中,目标函数(3)是极大化切除无数据点分布的空间区域,e是空间维度序数,λie
Figure FDA0003522047070000019
Figure FDA00035220470700000110
之间的几何距离;
式(4)表示包围数据的空间立体矩形顶点与所有的历史数据应分布在超平面的两侧,式中的
Figure FDA00035220470700000119
Figure FDA00035220470700000120
分别表示每一个数据向量与筛选中的数据集合,并且HPUS的顶点
Figure FDA00035220470700000111
位于超平面上;
式(5)表示
Figure FDA00035220470700000112
坐落在空间立体矩形的边界上,同时除去第e维度的坐标外,
Figure FDA00035220470700000113
Figure FDA00035220470700000114
其它维度的坐标相同,式中的
Figure FDA00035220470700000115
Figure FDA00035220470700000116
分别表示
Figure FDA00035220470700000117
Figure FDA00035220470700000118
的第o维坐标;
式(6)进一步定义λie,其中θie是一个标志位,当
Figure FDA0003522047070000021
的第e维坐标
Figure FDA0003522047070000022
表示空间立体矩形的上/下边界,则θie的数值对应为1/-1;
所述HPUS的顶点由优化模型(3)-(6)求得,它的顶点集合设置为ΠH,则HPUS的表达式为:
Figure FDA0003522047070000023
式(7)表示HPUS中任意一点通过其顶点得到,其中wmti代表HPUS的顶点,vi指HPUS顶点的对应整数变量;
步骤2、然后建立兼顾经济调度与风电消纳的基于HPUS的两阶段鲁棒风电消纳模型;
其中,所建立的基于HPUS的两阶段鲁棒风电消纳模型称为模型II,包括主问题与子问题,具体为:
所述子问题包括目标函数(8),约束{式(9)-(10),HPUS的表达式&vt∈{0,1}.}
具体公式为:
Figure FDA0003522047070000024
s.t.对应实时风电出力的发电机的出力约束、爬坡约束和线路传输容量限制约束,
Figure FDA0003522047070000025
Figure FDA0003522047070000026
HPUS的表达式为:
Figure FDA0003522047070000027
wmti代表HPUS的顶点,vi指HPUS顶点的对应整数变量;
上述目标函数(8)作为风电可接纳性判据,只有目标函数维持在0时,方能认为风电可接纳域可行;w是风电的不确定场景;x是电力系统的调度决策变量;s是一对松弛变量,具体表示为
Figure FDA0003522047070000028
Figure FDA0003522047070000029
式(9)考虑实时风电出力下的电力系统运行约束,同时限制一对松弛变量大于0;
式(10)在节点功率平衡约束中添加一对松弛变量,目的是检测实时风电出力wmt引起的潜在功率不平衡;
在所述子问题中,由于目标函数的内层问题是一个凸优化问题,所以其识别的最坏场景取自所述HPUS的顶点,进一步vi被离散化为二进制变量;
所述主问题包括目标函数式(11),约束{式(12)-(14)&修正的电网中的节点功率平衡约束、发电机的出力约束、爬坡约束和线路传输容量限制约束&子问题返回的割约束(15),
Figure FDA0003522047070000031
}
具体公式为:
Figure FDA0003522047070000032
Figure FDA0003522047070000033
Figure FDA0003522047070000034
Figure FDA0003522047070000035
其中,pgt表示发电机的产电量;
Figure FDA0003522047070000036
表示风电造成的弃风/切负荷损失;a0g,a1g,a2g分别表示发电机发电成本的常数项、一次系数和二次系数;K代表罚项系数;
Figure FDA0003522047070000037
是约束风电消纳损失的常系数;
Figure FDA0003522047070000038
代表风电可接纳域的上/下边界;
Figure FDA0003522047070000039
分别指风电的预测值和装机容量;
Figure FDA00035220470700000310
表示所能承受的最大风电消纳损失;
式(12)指经历分段线性化近似后弃风和切负荷损失与风电可接纳域边界之间的关系;式(13)限制了风电可接纳域上边界与下边界的变化范围;式(14)则约束电力系统中接受风电消纳的损失上限;
在所述主问题中,κ代表已迭代求解子问题的次数;k表示添加约束的序数;根据子问题识别出的最坏场景建立以下割约束(15),表示为:
Figure FDA00035220470700000311
上式中,
Figure FDA00035220470700000312
Figure FDA00035220470700000313
分别表示子问题在第k次识别最坏场景时形成的HPUS中大于和小于风电预测值的顶点集合;
Figure FDA00035220470700000314
表示子问题在第k次识别最坏场景时形成的HPUS的顶点对应整数变量;
Figure FDA00035220470700000315
Figure FDA00035220470700000316
分别代表主问题在第k次迭代中求取的风电可接纳域的上界与下界;
Figure FDA00035220470700000317
Figure FDA00035220470700000318
分别代表主问题在第κ次迭代中所需求取的风电可接纳域的上界与下界;
步骤3、基于C&CG算法框架对所述两阶段鲁棒风电消纳模型进行求解,实现电力系统风电消纳水平的提升;
其中,所述步骤3的求解过程为:
首先,基于风电的预测值求取模型II的主问题,得到最优的风电消纳区间及日前发电计划;
然后由风电消纳边界筛选出有效的数据样本,根据模型I形成HPUS;
再基于所形成的HPUS求取所述模型II的子问题,辨识出最坏场景及对应的潜在最大功率不平衡量;
最后判断辨识出的最大功率不平衡量是否满足收敛条件,如果满足,则判断主问题的优化结果可行,迭代收敛;如果不满足,则返回基于此组最坏场景的割约束并添加一组决策变量至所述主问题,迭代继续。
CN202010729550.2A 2020-07-27 2020-07-27 一种提升电力系统风电消纳水平的方法 Expired - Fee Related CN112072708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010729550.2A CN112072708B (zh) 2020-07-27 2020-07-27 一种提升电力系统风电消纳水平的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010729550.2A CN112072708B (zh) 2020-07-27 2020-07-27 一种提升电力系统风电消纳水平的方法

Publications (2)

Publication Number Publication Date
CN112072708A CN112072708A (zh) 2020-12-11
CN112072708B true CN112072708B (zh) 2022-05-17

Family

ID=73656644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010729550.2A Expired - Fee Related CN112072708B (zh) 2020-07-27 2020-07-27 一种提升电力系统风电消纳水平的方法

Country Status (1)

Country Link
CN (1) CN112072708B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112886572A (zh) * 2021-01-21 2021-06-01 三峡大学 一种电网可再生能源消纳能力评估方法
CN114123335B (zh) * 2021-11-30 2023-09-05 国网安徽省电力有限公司 一种联合考虑ots与dlr模型的风电消纳方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781651B2 (en) * 2012-09-21 2014-07-15 Georgia Tech Research Corporation Systems and methods providing a fuel-efficient RTA implementation with uncertain winds
CN109193636B (zh) * 2018-10-08 2021-09-14 江西江投电力技术与试验研究有限公司 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
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
CN111027058B (zh) * 2019-11-12 2023-10-27 深圳供电局有限公司 一种电力系统检测数据攻击的方法、计算机设备和存储介质
CN110991857B (zh) * 2019-11-28 2023-04-18 华北电力大学 一种电热综合能源系统风电消纳能力评估的方法

Also Published As

Publication number Publication date
CN112072708A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN109473992B (zh) 一种提高配电网韧性的方法、系统及终端设备
CN112072708B (zh) 一种提升电力系统风电消纳水平的方法
CN113193600B (zh) 计及风电概率分布不确定性的电力系统调度方法及装置
CN107947164A (zh) 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
Iliadis et al. Energy management and techno‐economic assessment of a predictive battery storage system applying a load levelling operational strategy in island systems
Lu et al. Multistage robust optimization of routing and scheduling of mobile energy storage in coupled transportation and power distribution networks
CN107977744A (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
WO2024046137A1 (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
US20220368131A1 (en) Capacity configuration method and system of energy storage in microgrid
CN110533304B (zh) 一种电力系统负荷不确定性分析方法
Nikoobakht et al. Adaptive robust co-optimization of wind energy generation, electric vehicle batteries and flexible AC transmission system devices
CN112784491B (zh) 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法
Ploussard et al. A search space reduction method for transmission expansion planning using an iterative refinement of the DC load flow model
CN112347694A (zh) 含洋流-海上风电-潮汐流发电的海岛微网电源规划方法
CN110829506A (zh) 线性松弛和比例权重的多目标有功优化调度方法和系统
CN111082466A (zh) 考虑风电不确定性的新能源接入与网架扩建优化方法
CN116502832A (zh) 一种多微电网联合规划方法、系统、存储介质及电子设备
Zhang et al. Distributed economic optimal scheduling scheme for ship-integrated energy system based on load prediction algorithm
Shoferpour et al. Improving the flexibility of power systems using transportable battery, transmission switching, demand response, and flexible ramping product market in the presence of high wind power
CN116720750B (zh) 综合能源站设备容量规划方法、装置、终端及存储介质
Zhang et al. Sizing and operation co‐optimization strategy for flexible traction power supply system
Li et al. STPNet: Quantifying the Uncertainty of Electric Vehicle Charging Demand via Long-Term Spatiotemporal Traffic Flow Prediction Intervals
Pereira et al. Machine learning for monitoring and classification in inverters from solar photovoltaic energy plants
CN106485354A (zh) 基于形态学滤波器和相似段搜索算法的风能预测方法
CN114447975B (zh) 一种基于移动储能的多微电网灵活性提升方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220517

CF01 Termination of patent right due to non-payment of annual fee