CN112183903A - 一种水火电系统多时间尺度联合优化调度方法及系统 - Google Patents
一种水火电系统多时间尺度联合优化调度方法及系统 Download PDFInfo
- Publication number
- CN112183903A CN112183903A CN202011283901.8A CN202011283901A CN112183903A CN 112183903 A CN112183903 A CN 112183903A CN 202011283901 A CN202011283901 A CN 202011283901A CN 112183903 A CN112183903 A CN 112183903A
- Authority
- CN
- China
- Prior art keywords
- constraint
- period
- term operation
- model
- optimization model
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010248 power generation Methods 0.000 claims abstract description 112
- 230000007774 longterm Effects 0.000 claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 20
- 238000005859 coupling reaction Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000009977 dual effect Effects 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 42
- 238000004146 energy storage Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 230000003442 weekly effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 108010069803 nervous system involved sulfotransferase Proteins 0.000 claims description 7
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims 4
- 239000000243 solution Substances 0.000 description 9
- 238000003462 Bender reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- ZUXNHFFVQWADJL-UHFFFAOYSA-N 3,4,5-trimethoxy-n-(2-methoxyethyl)-n-(4-phenyl-1,3-thiazol-2-yl)benzamide Chemical compound N=1C(C=2C=CC=CC=2)=CSC=1N(CCOC)C(=O)C1=CC(OC)=C(OC)C(OC)=C1 ZUXNHFFVQWADJL-UHFFFAOYSA-N 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- NQLVQOSNDJXLKG-UHFFFAOYSA-N prosulfocarb Chemical compound CCCN(CCC)C(=O)SCC1=CC=CC=C1 NQLVQOSNDJXLKG-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000012085 test solution Substances 0.000 description 2
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种水火电系统多时间尺度联合优化调度方法及系统,涉及电力系统优化调度领域;包括:确定不同研究周期对应的预测结果数据;根据预测结果数据、水火电系统多时间尺度联合优化调度模型及其约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;本发明通过构建未来成本函数,将不同时间尺度的运行模型动态耦合起来,从而在较长的时间尺度内实现全周期水力资源优化配置,降低弃水概率,提高系统可靠性。
Description
技术领域
本发明涉及电力系统优化调度领域,特别是涉及一种水火电系统多时间尺度联合优化调度方法及系统。
背景技术
传统电力系统的规划或调度通常基于单一时间尺度进行,彼此解耦,因此只能保证在自身时间尺度内的水能资源最优分配,无法实现较长时间尺度内的全周期优化,进而造成电力系统可靠性降低,且弃水概率增加。
发明内容
本发明的目的是提供一种水火电系统多时间尺度联合优化调度方法及系统,以提高系统可靠性以及降低弃水概率。
为实现上述目的,本发明提供了如下方案:
一种水火电系统多时间尺度联合优化调度方法,包括:
确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容;
根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划;
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件;
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周;
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周;
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
可选的,所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束。
可选的,所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束。
可选的,所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
可选的,所述水火电系统多时间尺度联合优化调度模型的构建过程为:
确定长期运行优化模型;
确定中期运行优化模型;
确定短期运行优化模型;
以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
可选的,
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率;
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值;
所述短期运行优化模型的目标函数:式中:下标t表示周度时间粒度;T3表示第三研究周期;Nnode为系统节点数;Lolpt,n为节点n的失负荷量;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
一种水火电系统多时间尺度联合优化调度系统,包括:
预测结果数据确定模块,用于确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容;
水火电系统发电计划确定模块,用于根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划;
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件;
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周;
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周;
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
可选的,所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束;
所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束;
所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
可选的,还包括:水火电系统多时间尺度联合优化调度模型构建模块;所述水火电系统多时间尺度联合优化调度模型构建模块,具体包括:
长期运行优化模型确定单元,用于确定长期运行优化模型;
中期运行优化模型确定单元,用于确定中期运行优化模型;
短期运行优化模型确定单元,用于确定短期运行优化模型;
构建单元,用于以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
可选的,
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率;
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值;
所述短期运行优化模型的目标函数:式中:下标t表示周度时间粒度;T3表示第三研究周期;Nnode为系统节点数;Lolpt,n为节点n的失负荷量;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过构建未来成本函数,将不同时间尺度的运行模型动态耦合起来,从而在较长的时间尺度内实现全周期水力资源优化配置,降低弃水概率,提高系统可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明水火电系统多时间尺度联合优化调度方法的流程图;
图2为本发明水火电系统多时间尺度联合优化调度方法的结构图;
图3为本发明水火电系统多时间尺度联合优化调度模型耦合示意图。
具体实施方式
下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种水火电系统多时间尺度联合优化调度方法及系统,以提高系统可靠性以及降低弃水概率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
多时间尺度:从时间尺度上看,运行优化决策系统包括长期运行优化(规划期5-10年,时间粒度为月)、中期运行优化(规划期不超过1年,时间粒度为周或月)、短期运行优化(规划期为周,时间粒度为小时)。
动态耦合:不同时间尺度优化模型之间的耦合。
未来成本:代表时段t结束至t=T1期间系统运行成本的期望值。
实施例一
如图1所示,本实施例提供了一种水火电系统多时间尺度联合优化调度方法,包括:
步骤101:确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容。
步骤202:根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划。
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件。
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周。
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周。
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束。
所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束。
所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
所述水火电系统多时间尺度联合优化调度模型的构建过程为:确定长期运行优化模型;确定中期运行优化模型;确定短期运行优化模型;以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率。
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
所述短期运行优化模型的目标函数:式中:下标t表示周度时间粒度;T3表示第三研究周期;Nnode为系统节点数;Lolpt,n为节点n的失负荷量;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
本实施例通过构建未来成本函数,实现长期、中期、短期运行优化模型的动态耦合。本实施例对不同时间尺度的运行优化模型依据需求进行简化修正,实现求解精度和速度之间的平衡。
实施例二
如图2所示,本实施例提供了一种水火电系统多时间尺度联合优化调度系统,包括:
预测结果数据确定模块201,用于确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容。
水火电系统发电计划确定模块202,用于根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划。
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件。
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周。
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周。
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束。
所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束。
所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
优选的,本实施例还包括:水火电系统多时间尺度联合优化调度模型构建模块;所述水火电系统多时间尺度联合优化调度模型构建模块,具体包括:
长期运行优化模型确定单元,用于确定长期运行优化模型。
中期运行优化模型确定单元,用于确定中期运行优化模型。
短期运行优化模型确定单元,用于确定短期运行优化模型。
构建单元,用于以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率。
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
所述短期运行优化模型的目标函数:式中:下标t表示周度时间粒度;T3表示第三研究周期;Nnode为系统节点数;Lolpt,n为节点n的失负荷量;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值。
实施例三
本实施例提供了一种水火电系统多时间尺度联合优化调度方法,具体包括以下步骤。
步骤1:确定长期运行优化模型及其约束条件
NEWAVE模型是长期运行优化模型的核心。为提高优化计算速度、降低求解时间,NEWAVE模型将全系统的水电资源区域依阻塞断面分别建模为若干等效水电站,构建了以等效水电站蓄能电量为状态变量,水电发电量、弃水电量等为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型。全周期全系统运行成本由即时成本(当前研究时段的火电燃料成本及各子系统失负荷损失)及未来成本组成:
式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示NEWAVE模型研究周期,可取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量,即等效水电站蓄能电量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量,Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率。
约束条件为:
等效水电站蓄能电量平衡约束:
Evt+1,k=Evt,k+Eact,k-(Eqt,k+Est,k);
子系统电量供需平衡约束:
等效水电站蓄能电量上下限约束:
等效水电站发电量约束:
火电发电量约束:
联络线约束:
0≤ft(k,r)≤ft(k,r)max;
未来成本函数(Benders cut):
αt(Evt)=minα
式中:Evt,k表示时段t子系统k等效水电站的蓄能电量;Eact,k表示等效水电站的可控入流电量;Eqt,k、Est,k分别为等效水电站的发电量、弃水电量;NUTk为子系统k的火电站数;Ωk为与子系统k互联的子系统集合,ft(r,k)表示子系统k向子系统r输送的电量,ft(k,r)max表示输送电量上限;Lt,k为时段t子系统k的负荷;分别表示等效水电站的蓄能电量上下限;为等效水电站的发电量上下限;Eaofct,k表示子系统k的不可控入流电量;分别表示火电站j的发电量上下限;πm,k为单纯形乘子,与t+1阶段等效水电站k蓄能电量平衡约束的影子价格相对应,表示时段t每增加单位蓄能电量,(t+1)-T1时段系统运行优化问题目标函数最优值的增加量($/MWh)。
NEWAVE模型将入流电量划分为可控入流电量及不可控入流电量,分别与库容式水电站及径流式电站的入流量相对应。对于子系统k的等效水电站,其可控入流电量及不可控电量分别表示为:
式中:p为库容式水电站索引;q为径流式水电站索引;NURk、NUFk分别为子系统k的库容式水电站及径流式水电站数;At,p、At,q分别为时段t水电站p、q入流量的历史数据;Kp、Kq为水电站p、q的出力系数;Hp、Hq为水电站p、q的平均发电净水头;Fp为库容式水电站p与其下游第一座库容式水电站间的径流式水电站集合;Mq为与径流式电站q有直接水文联系的上游水电站集合;为径流式电站q的最大发电流量;为库容式电站p的最小下泄流量。
可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;不可控入流电量用于表示流经径流式水电站的增量入流(自身入流与上游水库入流差值)所产生的电量,并受径流式电站的发电流量约束,不可控入流电量代表不受上游水库约束、无法被人为调节的天然来水发电,因此不计入等效水电站的蓄能电量中。
根据可控入流电量及不可控入流电量的历史值,可得子系统k的入流电量历史值:
Eat,k=Eact,k+Eaofct,k;
基于上述历史值,可由长期月度入流预测系统基于自回归分析法获得入流电量、可控入流电量、不可控入流电量的预测结果,并作为随机参数输入NEWAVE模型求解,这样就完成了NEWAVE模型的等效水电站建模。等效水电站建模有效降低了模型求解难度、缩短了问题求解时间,保证了长期运行优化模型的计算效率。但这种方法基于年均水头,无法精确表示各电站水头变化,同时上下限约束边界往往依据历史值及电站参数估算,不可避免地带来一定的计算偏差。
步骤2:确定中期运行优化模型及其约束条件
中期优化模型DECOMP的主要特点在于针对每座水电站建模,模型的状态变量与决策变量为水电站期末库容及发电流量、溢流量等,目标函数仍为全周期系统运行成本最小,同时考虑各水电站的入库径流随机性。DECOMP模型的目标函数为:
式中:下标t表示周或月度时间粒度;T2表示DECOMP模型研究周期,一般不超过一年;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值,当t=T2时,αT2(VT2)由NEWAVE模型提供,实现中长期优化模型间的耦合。其他符号含义与NEWAVE模型相同。
除火电发电量约束、联络线约束外,DECOMP模型的约束条件包括:
系统约束
子系统电力供需平衡约束:
式中:NUHk为子系统k的水电站数;Ghd t,i为水电站i在时段t、负荷水平d的发电量。其他符号含义与NEWAVE模型相同。
水电运行约束
库容平衡约束:
库容上下限约束:
Vi min≤Vt,i≤Vi max;
发电流量约束:
下泄流量约束:
水电站发电量函数:
发电量上下限约束:
备用约束:
式中:Vt,i、At,i、Qd t,i、Sd t,i分别为时段t水电站i的期末库容、入库径流量,负荷水平d时的发电流量及溢流量;△t表示时段t的持续时间,△td为负荷水平d的持续时间;Mi为与水电站i有直接水文联系、且无时滞的上游水电站集合;Mtvi为与水电站i有直接水文联系、且时滞为tv的上游水电站集合;Vi max、Vi min分别为水电站i的库容上下限;为发电流量上下限;Defi max、Defi min为下泄流量上下限;fi(·)为水电发电量函数;为水电发电量上下限;Rhd t,i为时段t、负荷水平d情况下水电站i的备用容量。
火电运行备用约束:
4)未来成本函数(Benders cut)
αt(Vt)=minα
式中:NURk表示子系统k水库数;下标m为未来成本函数包含的不等式约束数;πk m,i为单纯形乘子,与t+1阶段子系统k水库i库容平衡约束的影子价格相对应,表示时段t每增储单位体积水,(t+1)-T1时段系统运行优化问题目标函数最优值的增加量($/m3),在部分文献中称其为水值或水电机会成本;δm为未来成本函数的常数项。
步骤3:确定短期运行优化模型及其约束条件
短期优化模型DESSEM进行运行前一周、以小时为优化单元的调度计算。DESSEM模型在DECOMP模型的基础上,引入直流潮流约束,考虑火电机组组合及爬坡约束,若计及其他用水部门如灌溉、航运等的用水要求,还可施加发电流量变化约束及库容变化约束。DESSEM模型中不考虑入流随机性,采用唯一的入流预测结果作为模型求解的边界条件。
新增或有改动的约束条件包括:
节点电力供需平衡约束:
输电线路约束:
发电流量变化约束:
库容变化约束:
ΔVi min≤ΔVt,i≤ΔVi max;
式中:下标t表示小时时间粒度;T3表示第三研究周期,一般为周;Nnode为系统节点数;Lolpt,n为节点n的失负荷量;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值,当t=T3时,αT3(VT3)由DECOMP模型提供,实现中短期优化模型间的耦合;Gn、Hn分别为节点n的火电、水电机组数;k为与节点n相连的线路;θhub为平衡节点相角;Bk为线路k电纳;TCk为潮流约束;ΔVi max、ΔVi min分别为发电流量上下限及库容变化上下限。其他符号含义与DECOMP模型相同,机组组合相关约束在此不再赘述。
步骤4:构建水火电系统多时间尺度联合优化调度模型
水火电系统多时间尺度联合优化调度模型通过未来成本函数实现不同时间尺度优化模型间的嵌套耦合。未来成本函数αt表示时段t+1至全周期优化结束(t=T1)期间的系统运行成本。因此,理论上只要保证耦合时上下级优化模型的时间尺度保持同步,同时未来成本函数所涉及的变量一致,就可以实现不同时间尺度的优化模型耦合。其耦合过程如图3所示。
水火电优化调度问题中,中期模型DECOMP及短期模型DESSEM均以系统中各水电站为建模单元,以各水电站的期末库容为变量构造未来成本函数,因此,在时间尺度配套的情况下,中短期模型间可直接通过未来成本函数实现耦合:取DECOMP模型的时间粒度为周,便于与DESSEM的优化周期同步,则DESSEM模型在t=T3的未来成本函数αT3(VT3)为DECOMP模型在t=T3时的Benders cut,作为DESSEM模型的边界条件,通过DESSEM模型各水库的期末库容VT3,i实现耦合,完成中短期优化模型之间的嵌套。
但是,长期模型NEWAVE与中期模型DECOMP无法直接通过未来成本函数实现耦合,需要进行一定的数学变换。NEWAVE基于等效水电站构建优化模型,未来成本函数以各子系统等效水电站的蓄能电量Evt,k为变量。取NEWAVE模型的时间粒度为月,设t=T2时段NEWAVE模型的Benders cut表达式为:
若要实现DECOMP与NEWAVE模型间的耦合,需要将NEWAVE模型用蓄能电量表示的未来成本函数,转化为可应用于DECOMP模型优化过程的、以期末库容为变量的未来成本函数,即如下形式:
对于子系统k的等效水电站,其蓄能电量可用子系统中水库的期末库容表示为:
式中:Ji表示水库i下游的所有水电站,包括径流式电站及其他库容式电站。
显然有:
令:
因此,DECOMP模型的未来成本函数表达式为:
式中:π* T2,k、δ* T2分别为NEWAVE模型未来成本函数的单纯形乘子及常数项,作为DECOMP模型已知量,Vk T2,i为DECOMP优化期结束时的水库期末库容,从而通过未来成本函数实现了长期和中期优化调度问题的嵌套耦合。未来成本函数建立了未来系统运行成本与模型状态变量间的函数关系,成为优化模型之间的桥梁纽带,使得不同时间尺度上的模型优化过程均能保证全优化周期内的最优。
步骤5:模型求解
水火电系统多时间尺度联合优化调度模型采用随机对偶动态规划算法(Stochastic dual dynamic programming,SDDP)进行求解。随机对偶动态规划算法将T阶段优化问题拆分为T个单阶段优化问题依次求解,可视为Benders分解算法在随机动态规划中的延伸应用,在很大程度上解决了随机动态规划算法的“维数灾难”问题,提高了水电优化问题在工程实际中的可计算性。
设各阶段随机场景为bt,j,j=1,…,m,概率分别为pt,j。算法流程如下:
(2)进行后向迭代:
对t=T,T-1,…,2,i=1,…,n,j=1,…,m,求解t阶段优化问题:
取最优解处约束条件对应的单纯形乘子(即水值)πt-1,i,j,计算期望值:
构造t-1阶段未来成本函数的一个支撑超平面:
(3)判断是否满足收敛条件,若收敛则输出结果;否则转步骤(1)继续计算。
在两阶段确定性优化问题中,可通过前向迭代过程获取试验解集。但在多阶段随机优化问题中,前向迭代需要遍历所有随机场景组合,在随机变量分支数较多的情况下容易发生维数灾。因此,利用蒙特卡罗法实现前向模拟过程:
(4)求解第一阶段优化问题:
(5)进行前向模拟:
设第i次蒙特卡罗模拟后的目标函数值为:
根据所有蒙特卡罗模拟结果估算目标函数上限及样本标准差:
目标函数下限仍为第一阶段优化问题的目标函数值:
当目标函数下限z'落入上限的某一置信区间时,算法收敛。例如,若取上限的95%置信区间,则置信区间为:
[z”-2σ,z”+2σ]。
传统电力系统优化规划和优化调度模型针对不同的时间尺度,彼此割裂,使得相互之间不兼容甚至相互矛盾,最终导致高水电占比地区水能资源未能得到充分利用,弃水概率高且系统可靠性降低。本发明通过构建未来成本函数,将多年、年度逐步优化至月度、周度及实时的全周期水火电联合运行模型动态耦合起来,从而在较长的时间尺度内实现全周期水力资源优化配置、降低弃水概率、提高系统可靠性。同时针对不同时间尺度优化模型需要的求解精度需求不同,对各时间尺度的优化模型进行了简化或修正,确保了在求解精度和求解速度之间的平衡。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水火电系统多时间尺度联合优化调度方法,其特征在于,包括:
确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容;
根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划;
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件;
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周;
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周;
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
2.根据权利要求1所述的一种水火电系统多时间尺度联合优化调度方法,其特征在于,所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束。
3.根据权利要求1所述的一种水火电系统多时间尺度联合优化调度方法,其特征在于,所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束。
4.根据权利要求1所述的一种水火电系统多时间尺度联合优化调度方法,其特征在于,所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
5.根据权利要求1所述的一种水火电系统多时间尺度联合优化调度方法,其特征在于,所述水火电系统多时间尺度联合优化调度模型的构建过程为:
确定长期运行优化模型;
确定中期运行优化模型;
确定短期运行优化模型;
以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
6.根据权利要求1所述的一种水火电系统多时间尺度联合优化调度方法,其特征在于,
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率;
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值;
7.一种水火电系统多时间尺度联合优化调度系统,其特征在于,包括:
预测结果数据确定模块,用于确定不同研究周期对应的预测结果数据;所述研究周期包括第一研究周期、第二研究周期以及第三研究周期;所述第一研究周期为一年或多年,所述第二研究周期为不超过一年的期限,所述第三研究周期为一周或多周;所述第一研究周期对应的预测结果数据包括可控入流电量和不可控入流电量;所述第二研究周期对应的预测结果数据包括水电站期末库容和水电站入库径流量;所述第三研究周期对应的预测结果数据为水电站期末库容;
水火电系统发电计划确定模块,用于根据所述预测结果数据、水火电系统多时间尺度联合优化调度模型以及所述水火电系统多时间尺度联合优化调度模型对应的约束条件,采用随机对偶动态规划算法,确定水火电系统发电计划;所述水火电系统发电计划包括水火电系统月度发电计划、每座电站发电计划以及实际运行前N周每座电站的发电计划;
其中,所述水火电系统多时间尺度联合优化调度模型是根据未来成本函数,将不同时间尺度的长期运行优化模型、中期运行优化模型和短期运行优化模型动态嵌套耦合得到的;所述水火电系统多时间尺度联合优化调度模型对应的约束条件包括长期运行优化模型对应的约束条件、中期运行优化模型对应的约束条件和短期运行优化模型对应的约束条件;
所述长期运行优化模型是在第一研究周期内,以等效水电站蓄能电量为状态变量,以水电发电量、弃水电量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述长期运行优化模型的时间粒度为月;
所述中期运行优化模型是在第二研究周期内,考虑各水电站的入库径流随机性,以每座水电站期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述中期运行优化模型的时间粒度为月或周;
所述短期运行优化模型是在第三研究周期内,引入直流潮流约束,以每座水电站的期末库容为状态变量,以发电流量、溢流量为决策变量,以最小化全周期全系统运行成本为目标函数的随机动态规划模型;所述短期运行优化模型的时间粒度为周;
所述目标函数包括即时成本函数和未来成本函数;所述可控入流电量用于表示流经含库容式电站水库群的入流所产生的电量;所述不可控入流电量用于表示流经径流式水电站的增量入流所产生的电量,并受径流式电站的发电流量约束;所述即时成本函数为计算火电燃料成本及各子系统失负荷损失的函数。
8.根据权利要求7所述的一种水火电系统多时间尺度联合优化调度系统,其特征在于,所述长期运行优化模型对应的约束条件包括等效水电站蓄能电量平衡约束、子系统电量供需平衡约束、等效水电站蓄能电量上下限约束、等效水电站发电量约束、火电发电量约束和联络线约束;
所述中期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、火电运行备用约束、火电发电量约束和联络线约束;其中,所述水电运行约束包括库容平衡约束、库容上下限约束、发电流量约束、下泄流量约束、发电量上下限约束和备用约束;
所述短期运行优化模型对应的约束条件包括子系统电力供需平衡约束、水电运行约束、、火电运行备用约束、火电发电量约束、联络线约束、节点电力供需平衡约束和输电线路约束;其中,所述水电运行约束包括库容变化约束、库容上下限约束、发电流量变化约束、下泄流量约束、发电量上下限约束和备用约束。
9.根据权利要求7所述的一种水火电系统多时间尺度联合优化调度系统,其特征在于,还包括:水火电系统多时间尺度联合优化调度模型构建模块;所述水火电系统多时间尺度联合优化调度模型构建模块,具体包括:
长期运行优化模型确定单元,用于确定长期运行优化模型;
中期运行优化模型确定单元,用于确定中期运行优化模型;
短期运行优化模型确定单元,用于确定短期运行优化模型;
构建单元,用于以时间粒度为周对所述中期运行优化模型和所述短期运行优化模型进行动态嵌套处理,以时间粒度为月对所述中期运行优化模型和所述长期运行优化模型进行动态嵌套处理,进而得到水火电系统多时间尺度联合优化调度模型。
10.根据权利要求7所述的一种水火电系统多时间尺度联合优化调度系统,其特征在于,
所述长期运行优化模型的目标函数:式中:下标t表示月度时间粒度;下标j为火电站索引;下标k为子系统索引;T1表示第一研究周期,取年/多年研究期;NT表示全系统火电站数;NSIST为子系统数;Eat表示时段t的入流电量;Xt表示时段t全系统的状态变量;表示在状态变量Xt下考虑入流电量随机性,全系统运行成本的期望值;Gtt,j表示火电站j在时段t的发电量,Cj(Gtt,j)为燃料成本;Lolpt,k表示子系统k在时段t的失负荷电量;Vollt(Lolpt,k)表示失负荷损失;αt(Evt)为未来成本函数,代表时段t结束至t=T1期间全系统运行成本的期望值;β为贴现率;
所述中期运行优化模型的目标函数:式中:下标t表示周或月度时间粒度;T2表示第二研究周期;At表示时段t水库的入库径流,Xt表示水电站期末库容;上标d表示不同负荷水平,D为负荷水平数;αt(Vt)为未来成本函数,代表时段t结束至t=T1期间系统运行成本的期望值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011283901.8A CN112183903B (zh) | 2020-11-17 | 2020-11-17 | 一种水火电系统多时间尺度联合优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011283901.8A CN112183903B (zh) | 2020-11-17 | 2020-11-17 | 一种水火电系统多时间尺度联合优化调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183903A true CN112183903A (zh) | 2021-01-05 |
CN112183903B CN112183903B (zh) | 2022-09-20 |
Family
ID=73918521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011283901.8A Active CN112183903B (zh) | 2020-11-17 | 2020-11-17 | 一种水火电系统多时间尺度联合优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183903B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112994087A (zh) * | 2021-02-08 | 2021-06-18 | 四川大学 | 基于条件风险约束的多源电力系统中期优化调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0520915D0 (en) * | 2004-10-20 | 2005-11-23 | Emerson Process Management | Method and apparatus for providing load dispatch and pollution control optimization |
US20150197424A1 (en) * | 2014-01-16 | 2015-07-16 | Biogenic Reagent Ventures, Llc | Carbon micro-plant |
CN105678394A (zh) * | 2014-11-07 | 2016-06-15 | 国家电网公司 | 一种多源多周期发电计划制定方法 |
CN107944634A (zh) * | 2017-12-11 | 2018-04-20 | 华中科技大学 | 一种时段耦合嵌套的水电站群发电优化调度方法 |
CN108574303A (zh) * | 2018-04-17 | 2018-09-25 | 上海电力学院 | 一种考虑调峰调频需求的多能源协调优化调度方法 |
CN109449993A (zh) * | 2018-12-26 | 2019-03-08 | 西安交通大学 | 一种面向多能互补电力系统的多时间尺度生产模拟方法 |
CN111709134A (zh) * | 2020-06-12 | 2020-09-25 | 河海大学 | 一种基于闸泵站群控制的多水源跨流域调度方法及装置 |
-
2020
- 2020-11-17 CN CN202011283901.8A patent/CN112183903B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0520915D0 (en) * | 2004-10-20 | 2005-11-23 | Emerson Process Management | Method and apparatus for providing load dispatch and pollution control optimization |
US20150197424A1 (en) * | 2014-01-16 | 2015-07-16 | Biogenic Reagent Ventures, Llc | Carbon micro-plant |
CN105678394A (zh) * | 2014-11-07 | 2016-06-15 | 国家电网公司 | 一种多源多周期发电计划制定方法 |
CN107944634A (zh) * | 2017-12-11 | 2018-04-20 | 华中科技大学 | 一种时段耦合嵌套的水电站群发电优化调度方法 |
CN108574303A (zh) * | 2018-04-17 | 2018-09-25 | 上海电力学院 | 一种考虑调峰调频需求的多能源协调优化调度方法 |
CN109449993A (zh) * | 2018-12-26 | 2019-03-08 | 西安交通大学 | 一种面向多能互补电力系统的多时间尺度生产模拟方法 |
CN111709134A (zh) * | 2020-06-12 | 2020-09-25 | 河海大学 | 一种基于闸泵站群控制的多水源跨流域调度方法及装置 |
Non-Patent Citations (3)
Title |
---|
DZUNG T.PHAN: "Multi-stage optimization for periodic inspection planning of geo-distributed infrastructure systems", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》 * |
YUHUI XING: "Midium and Long Term Contract Decomposition Method Considering Cascade Water Quantity Matching Constraint", 《MIDIUM AND LONG TERM CONTRACT DECOMPOSITION METHOD CONSIDERING CASCADE WATER QUANTITY MATCHING CONSTRAINT》 * |
王魁: "含大规模风电电力系统多时空尺度协调的若干问题研究", 《中国优秀硕士论文电子期刊网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112994087A (zh) * | 2021-02-08 | 2021-06-18 | 四川大学 | 基于条件风险约束的多源电力系统中期优化调度方法 |
CN112994087B (zh) * | 2021-02-08 | 2023-06-30 | 四川大学 | 基于条件风险约束的多源电力系统中期优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183903B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | A bidding strategy for virtual power plants with the intraday demand response exchange market using the stochastic programming | |
Naughton et al. | Co-optimizing virtual power plant services under uncertainty: A robust scheduling and receding horizon dispatch approach | |
Hedayati-Mehdiabadi et al. | Wind power dispatch margin for flexible energy and reserve scheduling with increased wind generation | |
CN105046395B (zh) | 一种含多类型新能源的电力系统日内滚动计划编制方法 | |
CN110163450A (zh) | 一种基于运行受限的配电网规划双层优化模型构建方法 | |
CN110535183B (zh) | 一种虚拟电厂的调度方法及系统 | |
CN107506894B (zh) | 一种考虑非恒定耦合约束的水电群调度方法 | |
CN110867852B (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
Ge et al. | Mid‐term integrated generation and maintenance scheduling for wind‐hydro‐thermal systems | |
CN111967986A (zh) | 包含梯级水电的电力市场出清方法、系统、装置及介质 | |
Mathieu et al. | A quantitative analysis of the effect of flexible loads on reserve markets | |
CN112183903B (zh) | 一种水火电系统多时间尺度联合优化调度方法及系统 | |
CN106228273B (zh) | 一种水电外送交易优化模型的构建方法 | |
CN114862457A (zh) | 梯级水电站群参与日前现货市场的竞价电量边界确定方法 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
CN110707754A (zh) | 微电网中水风光电源容量配置的优化方法 | |
CN117114877A (zh) | 一种基于虚拟电厂的中长期电力交易方法及系统 | |
CN113659566B (zh) | 一种基于CVaR的多能互补发电系统的容量配置优化方法 | |
Keckler et al. | Dynamic programming applications to water resource system operation and planning | |
CN113452079B (zh) | 一种计及水电流域梯级调度的发电自驾驶系统及方法 | |
CN113780629B (zh) | 梯级水电调度模型优化方法、装置、电子设备及存储介质 | |
CN113872226A (zh) | 规模化储能参与辅助服务日前增补空间优化方法 | |
CN111952977A (zh) | 一种基于潮流的电力市场耦合模型优化方法、装置及介质 | |
CN118054439B (zh) | 一种分布式频率稳定的惯量交易方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |