CN112184070A - 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 - Google Patents
一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 Download PDFInfo
- Publication number
- CN112184070A CN112184070A CN202011172602.7A CN202011172602A CN112184070A CN 112184070 A CN112184070 A CN 112184070A CN 202011172602 A CN202011172602 A CN 202011172602A CN 112184070 A CN112184070 A CN 112184070A
- Authority
- CN
- China
- Prior art keywords
- module
- flow
- period
- constraint
- reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 117
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000010248 power generation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000002860 competitive effect Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000009411 base construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种协同生态流量需求的梯级水电站多目标优化调度方法及实现该方法的系统,其中所述方法通过分析水‑能源‑环境之间的纽带关系,构建水、能源、环境一体化的耦合分析系统,进一步针对西南水电的特点,分析以水为串联主线的协调技术,通过步骤一、获取分析源数据;步骤二、根据源数据计算河道生态流量;步骤三、建立梯级调度目标函数、分析优化约束条件;步骤四、建立智能求解算法模型,进一步对梯级调度方法进行优化;步骤五、确定多目标决策的最佳协调解。其中,结合智能进化算法实现对数据的优化选择,在政策的制定及梯度调度方面提供了最优方案制定的依据。
Description
技术领域
本发明涉及水库群优化调度领域,具体涉及一种协同生态流量需求的梯级水电站多目标优化调度方法及系统。
背景技术
水库是在水资源系统中存储和重新分配自然水资源的重要工程措施,通常具有多功能属性,在经济、社会、生态环境等方面产生多重好处,包括防洪、发电、航运、供水、和生态等。为追求水资源高效开发利用和经济效益最大化,部分水库的运行模式未充分考虑下游减水河段生态需求,造成了河流生态系统不同程度的破坏。
现有技术中为满足水库大坝下游减水河段生态环境流量需求,研究人员将生态因素纳入水库运行调度中,提出以生态流量为主的水库生态调度。然而当前有关水库生态调度的研究,多以单一目标生态环境流量来表征下游减水河段生态流量需求,如生态基流,用于维持河道基本生态系统,忽略了河道其他生态环境状况,如最大、极好和最佳等。
发明内容
发明目的:一个目的是提供一种协同生态流量需求的梯级水电站多目标优化调度方法,以实现水库群发电与生态协调,克服现有技术的不足。进一步目的是提供一种实现所述方法的系统,以解决现有技术存在的上述问题。
技术方案:一种协同生态流量需求的梯级水电站多目标优化调度方法,通过对河道生态流量的计算、梯级水库群调度条件的约束分析、智能求解算法模型的构建、多目标决策优选,进行调度方法的优化,其流程具体划分如下:
步骤一、获取等待分析的数据;
步骤二、计算河道生态流量;
步骤三、建立梯级调度目标函数、分析优化约束条件;
步骤四、建立智能求解算法模型;
步骤五、确定多目标决策的最佳协调解。
在进一步的实施例中,所述步骤一进一步为获取用于后续步骤分析使用的数据,其中后续步骤中计算使用的源数据,包含历史各个时期采集到的水库群的各个参数信息,其中数据的来源于信息采集设备获取的相关参数信息,历史信息读取的方式为从数据存储的数据库中进行读取。
在进一步的实施例中,所述步骤二进一步基于蒙大拿法的分级标准,对VMF法进行扩展与分级,并提出一种多种生态环境状况河道生态流量确定方法,即基于月平均流量的特定百分比将栖息地定性描述为6个级别,所述级别进一步划分为差、适宜、好、非常好、极好和最佳。其中根据不同比例的月平均流量,将不同月份对应的生态流量进一步划分为月平均流量为80%至100%的丰水期、月平均流量为40%至80%的平水期、月平均流量为0至40%的枯水期。按照蒙大拿法生态流量标准,以10%的月平均流量作为最小生态流量,即最差状态。其中适宜至最佳状态,设置以10%月平均流量逐级递减的5个等级,当生态流量为100%月平均流量时,达到最佳状态。
在进一步的实施例中,所述步骤三进一步为建立目标函数和约束条件;其中梯级水电站群多目标优化调度主要目标为梯级发电量最大、梯级发电保证率最大和河段生态流量保证率最大,三个目标呈现相互竞争关系,因此对应的目标函数为E1、E2、E3。
其中E1表示梯级发电量最大,进一步为:
Ni,t=ηiHi,tQi,t
式中:E1为调度期内梯级水电站总发电量,MWh;n为梯级水电站个数;T为调度时间段数;Ni,t为i电站t时段的出力,MW;Δt为时段长度;Hi,t和Qi,t分别为i电站t时段的发电水头和发电流量,m和m3/s;ηi为i电站综合出力系数。
E2表示梯级发电保证率最大,进一步为:
式中:E2为调度期内梯级水电站发电保证率;Ni,min为i电站保证出力,MW。
E3表示河段生态流量保证率最大,进一步为:
式中:E3为调度期内梯级水电站下游河道生态流量保证率;EFi,t为i电站t时段下游河道的生态流量,m3/s;EFTi,T为i电站t时段下游河道的目标生态流量,m3/s。
在进一步的实施例中,所述步骤三分析梯级水库群的调度约束条件,其中约束条件进一步包括水量平衡约束、水位约束、流量约束、出力约束、调度期初末时刻水位约束。其中所述水量平衡约束条件进一步为:
Vi,t+1=Vi,t+(Ii,t-Qi,t)×Δt-Ei,t-Li,t
式中,Vi,t表示第i个水库在t时刻的蓄水量,Ii,t表示第i个水库在t时刻的入库流量,Qi,t表示第i个水库在t时刻的出库流量,Ei,t表示第i个水库在t时间段的蒸发水量,Li,t表示第i个水库在t时间段的泄漏水量。
其中所述水位约束条件进一步为:
其中所述流量约束条件进一步为:
其中所述出力约束条件进一步为:
0≤Ni,t≤Ni,max
式中,Ni,t和Ni,max分别表示第i个电站在t时刻的实际出力和最大出力。
其中所述调度期初末时刻水位约束条件进一步为:
Zi,1=Zi,T+1=Z*
其中,Z*表示第i个水库调度期初末时刻控制水位,取正常蓄水位。
在进一步的实施例中,所述步骤四进一步为:采用带精英策略的快速非支配排序遗传算法对水库群多目标优化调度模型进行求解,进一步对约束条件采取最优选择方法,其具体流程如下:
步骤4-1、初始化种群;
步骤4-2、对初始化后的种群进行非支配排序和拥挤度计算;
步骤4-3、对生成的子代种群进行选择、交叉、变异的操作;
步骤4-4、将父代种群与子代种群合并;
步骤4-5、对产生新的种群进行非支配排序和拥挤度计算;
步骤4-6、选取符合条件的个体组成新的父代种群;
步骤4-6、判断是否满足循环终止条件;
步骤4-7、满足终止条件,则输出结果,否则跳转至步骤4-3。
在进一步的实施例中,所述步骤五进一步为采用基于熵权的TOPSIS法对所得的帕累托非劣解集进行优选,确定最佳协调解。基于熵权的TOPSIS法进一步包含熵权法和TOPSIS法两部分。其中熵权法是一种客观赋权法,仅依赖于数据本身的离散性,具有操作性和客观性强的特点。熵是信息论中对不确定性的一种度量,不确定性越大,熵就越大,反之亦然。在评价过程中,某指标的离散程度越大,则该指标的权重越大。具体实现流程划分为如下步骤:
步骤5-1、数据标准化;
步骤5-2、计算第j项指标下第i个样本值占该指标的比重pij;
步骤5-3、计算第j项指标的熵值;
步骤5-4、计算各项指标的权重uj。
其中所述pij进一步为:
式中,aij表示第j项指标的熵值。其中所述第j项指标的熵值进一步为:
式中,ej为第j项指标的熵值。
TOPSIS法是一种有效常用的的处理多目标决策问题分析方法,根据评价指标体系及相应的决策值,定义正负理想解,然后分别计算待评价方案与正负理想解的距离,从而得到各方案到理想方案的贴近程度,以此作为多目标方案集优劣评价的依据。具体计算步骤如下:
步骤5.1:构造标准化初始矩阵Z;
步骤5.2:构造规范化的加权矩阵;
步骤5.3:确定正、负理想解方案;
步骤5.4:计算评价方案集内各方案相对正、负理想解方案的距离;
步骤5.5:计算各评价方案与正负理想解的相对贴近度Ci;
步骤5.6:以相对贴近度为衡量标准对各方案排序。
一种考虑多种生态流量的梯级水库群多目标优化调度系统,用于实现上述所述方法,其特征在于,包括以下模块:
用于获取数据集的第一模块;
用于计算河道生态流量的第二模块;
用于梯级水库调度的第三模块;
用于建立智能求解模型的第四模块;
用于确定多目标决策依据的第五模块。
在进一步的实施例中,所述第一模块进一步为通过设备信息采集方式以及历史数据的查询,进行数据的获取,其中数据包含历史各个时期采集的水库群的各个参数信息,并将该模块获取的数据集用于后续模块计算使用的源数据;
在进一步的实施例中,所述第二模块进一步基于蒙大拿法的分级标准,对VMF法进行扩展与分级,具体为基于月平均流量的特定百分比将栖息地定性的描述为不同的级别;对于不同的月份进一步按照月份对应的生态流量划分丰水期、平水期和枯水期;按照蒙大法,设置等级,并以10%的月平均流量作为每级递增的数值。
在进一步的实施例中,所述第三模块进一步包括目标函数建立模块、约束条件分析模块;其中目标函数建立模块进一步包括梯级发电量函数模块、梯级发电保证率最大函数模块、河段生态流量保证率最大函数模块,且三者之间呈现相互竞争的关系。
在进一步的实施例中,所述约束条件分析模块进一步包括约束数据获取模块和约束条件分析模块;其中所述数据获取模块进一步包括水位信息采集模块、水量信息采集模块、信息反馈模块、电力出力信息采集模块、数据处理中心控制模块;所述水位信息采集模块用于实时获得水库群水位信息;所述水量信息采集模块用于实时获取水库的蓄水量;所述电力出力信息采集模块用于实时获取电站的出力情况,并通过云端与信息反馈模块连接,将采集的信息反馈至数据处理控制中心模块;所述信息反馈模块用于实时反馈信息采集模块获取到的信息到数据处理控制中心模块;所述信息采集模块位于待采集水体的本地端,所述数据处理中心控制模块位于云端、且与所述信息采集模块通信连接。
在进一步的实施例中,所述约束条件分析模块进一步包括水量平衡约束模块、水位约束模块、流量约束模块、出力约束模块、调度期初末时刻水位约束模块。
在进一步的实施例中,所述第四模块进一步采用带精英策略的快速非支配排序遗传算法用于对梯级水库群多目标优化调度模型求解,即通过分析第三模块中获得的水量控制线、水位控制线、流量控制线、出力达标线、调度期初末时刻水位控制线组成的综合控制线,综合获得最优解;其中,所述综合控制线具体为一组与时间相关的水位过程线。
建立智能求解算法优化模型,即通过分析步骤三中获得的水量控制线、水位控制线、流量控制线、出力达标线、调度期初末时刻水位控制线组成的综合控制线,建立优化模型,并采用带精英策略的快速非支配排序遗传算法对梯级水库群多目标优化调度模型求解。其中,所述综合控制线具体为一组与时间相关的水位过程线,当水库在所有调度期内均按综合控制线控制库水位时,可以得到多年总的最优发电量。
在进一步的实施例中,所述第五模块进一步采用基于熵权的TOPSIS法对所得的帕累托非劣解集进行优选,确定最佳协调解;其中采用方法包括熵值权重计算模块、多目标方案优选模块;其中所述多目标方案优选模块进一步通过评价指标体系及相应的决策值,根据正负理想解,计算待评价方案与正负理想解的距离,从而得到方案到理想方案的贴近程度,并将获得的贴近程度作为多目标方案集优劣评价的依据。
有益效果:本发明通过分析西南地区水能开发与水电基地建设与区域水资源安全、能源安全和生态环境保护的协同关系,提出以水为串联主线的协调技术及其方法,梳理清晰水电基地的水-能源-环境纽带关系的属性特征。提出一种改进的生态流量计算方法,体现河道生态流量的季节性变化和水文节律,并与天然流量变化特征保持一致。本发明考虑多种生态流量的梯级水库群多目标优化调度方法及系统,不仅能够体现梯级水库群生态优先下的发电调度,同时还能缓解水电开发生态保护与发电效益的矛盾。进一步采用智能算法实现梯级调度的问题,在有限的计算内获得接近最优解的方案,为水库大坝下游减水河段的生态修复和保护提供科学依据。
附图说明
图1为本监控系统的结构示意图。
图2为本发明提出的一种协同生态流量需求的梯级水电站多目标优化调度方法流程图。
图3为本发明采用的模型求解方法计算流程图。
图4为平水年下情景E1-E7的帕累托非劣解集和最佳协调解图。
图5为平水年下情景E1-E7锦屏一级和二滩水库库区月末水位图。
图6为平水年下情景E1-E7锦屏一级和二滩下泄流量图。
图7为实际平均生态流量与电能损失量的关系图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
西南水电基地水能资源富集,利用河流的天然落差开发水电,通过梯级调度的方式,提供优质的清洁能源。为了描述水、能源、环境要素构成体系的关联程度,本发明在理论研究和案例分析的基础上,构建了一种基于水-能源-环境协调配置耦合系统,通过分析西南水能开发、水电基地建设、区域水资源安全、能源安全和生态环境保护的协同关系,提出以水为串联主线的协调技术及其梯级调度方法。基于上述所述耦合系统,提出一种协同生态流量需求的梯级水电站多目标优化调度方法,探究生态流量与发电的权衡关系。为更好阐述本发明提出的方法及实现该方法的系统,以下采用雅砻江下游梯级水库群具体实施例进行阐述,但该实施例并不作为对本发明自身的限制。
该方法具体实现流程如下:
步骤一、获取待分析数据,所述待分析数据为雅砻江下游梯级水库群水库特征数据资料、锦屏一级水库多年入库径流资料(1958-2018年)、各水库的区间入流、下渗、蒸发和坝址流量资料。
步骤二、根据步骤一获取的资料计算河道生态流量,所述河道生态流量的计算方法为基于蒙大拿法的分级标准,对VMF法进行扩展与分级,即基于月平均流量的特定百分比将栖息地定性描述为6个级别,所述级别进一步划分为差、适宜、好、非常好、极好和最佳。其中根据不同比例的月平均流量,将不同月份对应的生态流量进一步划分为月平均流量为30%的丰水期、月平均流量为45%的平水期、月平均流量为60%的枯水期。按照蒙大拿法生态流量标准,以10%的月平均流量作为最小生态流量,即最差状态。其中适宜至最佳状态,设置以10%月平均流量逐级递减的5个等级,当生态流量为100%月平均流量时,达到最佳状态。河道生态环境状况对应的流量具体如表1所示。
表1河道生态环境状况和对应的流量
根据获取的水库群资料,计算雅砻江下游梯级水库群减水河道的生态流量,其中锦屏一级水库中,根据其河道内生态环境状况,划分7种生态流量情景,即E1-E7,如表2所示,表中情景E1未考虑生态流量,作为参照情景,E7为河道生态需求最佳的状态。
表2锦屏一级电站下游减水河段生态流量(m3/s)
步骤三、建立梯级调度目标函数,分析梯级水库群的调度约束条件;其中目标函数的建立用于评价优化调度的目标,进一步为梯级发电量最大、梯级发电保证率最大和河段生态流量保证率最大,且三者之间呈现相互竞争的关系。其中所述约束条件包括水量平衡约束Vi,t+1、水位约束Zi,t、流量约束Qi,t、出力约束Ni,t、调度期初末时刻水位约束Zi,1。
所述目标函数的建立中梯级发电量最大函数,进一步为:
Ni,t=ηiHi,tQi,t
式中,E1表示调度期内梯级水电站总发电量;n表示梯级水电站个数;T表示调度时间段数;Ni,t表示第i个电站在t时段的出力;Δt为时段长度;Hi,t表示第i个电站在t时刻的发电水头;Qi,t表示第i电站在t时段的发电流量;ηi表示第i个电站综合出力的系数。
所述目标函数的建立中梯级发电保证率最大函数,进一步为:
式中,E2表示调度期内梯级水电发电站发电保证率,Ni,min表示i电站保证出力。
所述目标函数的建立中河段生态流量保证率最大函数,进一步为:
式中,E3表示调度期内梯级水电站下游河道生态流量保证率,EFi,t表示i电站t时段下游河道的生态流量,EFTi,T表示i电站t时段下游河道的目标生态流量。
所述约束条件中水量平衡约束进一步为:
Vi,t+1=Vi,t+(Ii,t-Qi,t)×Δt-Ei,t-Li,t
式中,Vi,t表示第i个水库在t时刻的蓄水量,Ii,t表示第i个水库在t时刻的入库流量,Qi,t表示第i个水库在t时刻的出库流量,Δt表示选取时间段长度,Ei,t表示i水库t时段的蒸发水量,Li,t表示i水库t时段的泄漏水量。
所述约束条件中水位约束进一步为:
所述约束条件中流量约束条件进一步为:
所述约束条件中出力约束条件进一步为:
0≤Ni,t≤Ni,max
式中,Ni,max表示第i个电站在t时刻的最大出力,Ni,t表示第i个电站在t时刻的实际出力。
所述约束条件中调度期初末时刻水位约束条件进一步为:
Zi,1=Zi,T+1=Z*
式中,Z*表示第i个水库调度期初末时刻控制水位,取正常蓄水位。
步骤四、建立智能求解算法优化模型,即通过分析步骤三中获得的水量控制线、水位控制线、流量控制线、出力达标线、调度期初末时刻水位控制线组成的综合控制线,建立优化模型,并采用带精英策略的快速非支配排序遗传算法对梯级水库群多目标优化调度模型求解。其中,所述综合控制线具体为一组与时间相关的水位过程线,当水库在所有调度期内均按综合控制线控制库水位时,可以得到多年总的最优发电量。
其中对梯级水库群多目标优化调度模型求解的过程进一步划分为如下步骤:
步骤4-1、初始化种群;
步骤4-2、对初始化后的种群进行非支配排序和拥挤度计算,并生成第一代子代种群;
步骤4-3、对生成的子代种群进行选择、交叉、变异的操作;
步骤4-4、将父代种群与子代种群合并,并进行非支配排序,同时对每个非支配层中的个体进行拥挤度计算;
步骤4-5、根据步骤4-4中的非支配关系和计算出的拥挤度,选取符合条件的个体组成新的父代种群;
步骤4-6、判断演化的子代数量是否不超过最大进化代数NE,当超过最大代数时,输出结果结束运算,否则将子代数量加一,并跳转至步骤4-3继续进行后续流程。
步骤五、确定最佳协调解;该步骤进一步为采用基于熵权的TOPSIS法对所得的帕累托非劣解集进行优选,其中所述的基于熵权的TOPSIS法进一步包含熵权法和TOPSIS法两部分。其中所述熵权法是一种客观赋权法,仅依赖于数据本身的离散性,具有操作性和客观性强的特点。熵是信息论中对不确定性的一种度量,不确定性越大,熵就越大,反之亦然。在评价过程中,待评价指标的离散程度越大,则该指标的权重越大,具体流程划分如下:
步骤5-1、标准化数据;
步骤5-2、计算第j项指标下第i个样本值占该指标的比重pij;其中比重的计算进一步为:
式中,aij为第j项指标下第i个样对应的数值;
步骤5-3、计算第j项指标的熵值ej,即:
步骤5-4、计算各项指标的权重uj,即:
式中:ej为第j项指标的熵值,介于0-1之间。
其中所述TOPSIS法根据评价指标体系及相应的决策值,定义正负理想解,然后分别计算待评价方案与正负理想解的距离,从而得到各方案到理想方案的贴近程度,以此作为多目标方案集优劣评价的依据。其具体实现流程进一步为:
步骤5.1、构造标准化初始矩阵Z,即:
步骤5.2、构造规范化的加权矩阵,通过熵权法计算指标权重为:W=[w1,w2,...wn],则加权决策矩阵为:
式中,diag(W)为指标权重向量W对应的对角矩阵。
式中,rij表示标准化矩阵与对用权重的乘积。
步骤5.4、计算评价方案集内各方案相对正、负理想解方案的距离,即
步骤5.5、计算各评价方案与正负理想解的相对贴近度Ci,即:
式中,Ci介于0-1之间,且Ci越接近于1,则评价方案越优。
步骤5.6、以相对贴近度为衡量标准对各方案排序。
通过模型求解和决策优选,得到平水年(P=50%)雅砻江下游梯级水库群在不同生态流量下的帕累托非劣解集和最佳协调解,如图4和表4所示。其中锦屏一级和二滩水库平水年下运行水位和下泄流量如图5和6所示。
表4平水年下情景E1-E7最佳协调解表
为进一步说明梯级水电站群生态流量与发电的关系,五种典型水文年,即:特枯水年、偏枯水年、平水年、偏丰水年和特丰水年,情景E2-E7较未考虑生态的E1情景,梯级电能损失量如表5所示。五种典型水文年平均生态流量与梯级电能损失的关系如图7所示。本发明提供的考虑多种生态流量的梯级水库群多目标优化调度结果合理可靠,并能够量化生态流量与梯级发电量的关系,为雅砻江下游的生态修复和保护提供科学依据,同时为多种生态环境状况下梯级水电站群生态调度提供参考。
表5五种典型水文年情景E2-E7较E1梯级电能损失量
根据上述方法,构建用于实现该方法的系统,进一包括用于获取数据集的第一模块;
用于计算河道生态流量的第二模块、用于梯级水库调度的第三模块、用于建立智能求解模型的第四模块、用于确定多目标决策依据的第五模块。
水库是在水资源系统中存储和重新分配自然水资源的重要工程措施,通常具有多功能属性,在经济、社会、生态环境等方面产生多重好处,包括防洪、发电、航运、供水、和生态等。本发明通过构建水、能源、环境一体化的耦合分析系统,进一步针对西南水电的特点,分析以水为串联主线的协调技术,结合智能进化算法实现对数据的优化选择,从而进一步作为最优方案制定的依据。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,包括如下步骤:
步骤一、获取等待分析的数据;
步骤二、计算河道生态流量;
步骤三、建立梯级调度目标函数、分析优化约束条件;
步骤四、建立智能求解算法模型;
步骤五、确定多目标决策的最佳协调解。
2.根据权利要求1所述的一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,所述步骤一中等待分析的数据进一步为:用于后续步骤计算使用的源数据,其中数据包含历史各个时期采集的水库群的各个参数信息。
3.根据权利要求1所述的一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,步骤二中所述河道生态流量的计算过程进一步为:
基于蒙大拿法的分级标准,对VMF法进行扩展与分级,即基于月平均流量的预定义百分比将栖息地定性描述为6个级别,其中所述6个级别进一步为差、适宜、好、非常好、极好、最佳;对于不同月份,其对应的生态流量进一步划分别为30%月平均流量的丰水期、45%月平均流量的平水期,以及月平均流量的枯水期;根据蒙大拿法生态流量标准,以10%的MMF作为最小生态流量,即差的状态;适宜至最佳状态,设置5个等级,以10%MMF逐级递增,当生态流量为100%MMF时,达到最佳状态。
4.根据权利要求1所述的一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,所述步骤三进一步为建立用于评估梯级调度的目标函数,以及分析优化约束的条件;所述梯级调度目标函数进一步包括梯级发电量最大函数、梯级发电保证率最大函数和河段生态流量保证率最大函数;所述约束条件进一步包括为水量平衡约束、水位约束、流量约束、出力约束、调度期初末时刻水位约束;
其中所述基于梯级发电量最大的函数进一步为:
Ni,t=ηiHi,tQi,t
式中,E1表示调度期内梯级水电站总发电量;n表示梯级水电站个数;T表示调度时间段数;Ni,t表示i电站在t时段的出力;Δt为时段长度;Hi,t表示i电站在t时刻的发电水头流量;Qi,t表示i电站在t时段的发电流量;ηi表示i电站综合出力的系数;
其中所述基于梯级发电保证率最大函数进一步为:
式中,E2表示调度期内梯级水电站发电保证率;Ni,t表示i电站在t时段的出力;Ni,min表示i电站保证出力;T表示调度时间段数;
其中所述基于河段生态流量保证率最大函数进一步为:
式中,E3表示调度期内梯级水电站下游河道生态流量保证率;EFi,t表示i电站t时段下游河道的生态流量;EFTi,t表示i电站t时段下游河道的目标生态流量;
其中所述约束条件中水量平衡约束条件进一步为Vi,t+1=Vi,t+(Ii,t-Qi,t)×Δt-Ei,t-Li,t
式中,Vi,t表示第i个水库在t时刻的蓄水量,Ii,t表示i水库在t时刻的入库流量,Qi,t表示第i个水库在t时刻的出库流量,Δt表示选取时间段长度;Ei,t表示i水库在t时段的蒸发水量;Li,t表示i水库在t时段的泄漏水量;
其中所述约束条件中水位约束条件进一步为:
其中所约束条件中流量约束条件进一步为:
其中所述约束条件中出力约束条件进一步为:
0≤Ni,t≤Ni,max
式中,Ni,max表示i电站在t时段的最大出力,Ni,t表示i电站在t时段的实际出力;
其中所述约束条件中调度期初末时刻水位约束条件进一步为:
Zi,1=Zi,T+1=Z*
式中,Z*表示i水库调度期初末时刻控制水位,并取正常蓄水位值。
5.根据权利要求1所述的一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,所述步骤四进一步为:
步骤4-1、初始化种群;
步骤4-2、对初始化后的种群进行非支配排序和拥挤度计算;
步骤4-3、对生成的子代种群进行选择、交叉、变异的操作;
步骤4-4、将父代种群与子代种群合并;
步骤4-5、对产生新的种群进行非支配排序和拥挤度计算;
步骤4-6、选取符合条件的个体组成新的父代种群;
步骤4-6、判断是否满足循环终止条件;
步骤4-7、满足终止条件,则输出结果,否则跳转至步骤4-3;
其中所述循环终止条件进一步为演化的子代数量是否不超过最大进化代数。
6.根据权利要求1所述的一种协同生态流量需求的梯级水电站多目标优化调度方法,其特征在于,所述步骤五进一步为:确定多目标决策方法,从而获得最佳协调解;其中决策方法进一步为采用基于熵权的TOPSIS法对所得的帕累托非劣解集进行优选;对于评价过程中,评判指标的离散程度越大,则该指标的权重越大,其熵权计算的具体流程为:
步骤5-1、标准化数据;
步骤5-2、计算第j项指标下第i个样本值占该指标的比重pij;
步骤5-3、计算第j项指标的熵值;
步骤5-4、计算各项指标的权重uj;
其中所述步骤5-2中所述比重pij进一步为:
式中,aij为第j项指标下第i个样对应的数值;
其中所述步骤5-3中熵值的计算进一步为:
其中所述步骤5-4中权重uj进一步为:
式中,ej为第j项指标的熵值,介于0-1之间;
其中所述TOPSIS法根据评价指标体系及相应的决策值,定义正负理想解,然后分别计算待评价方案与正负理想解的距离,从而得到各方案到理想方案的贴近程度,并以此作为多目标方案集优劣评价的依据,其具体实现流程为:
步骤5.1、构造标准化初始矩阵;
步骤5.2、构造规范化的加权矩阵;
步骤5.3、确定正、负理想方案;
步骤5.4、计算评价方案集内方案相对正、负理想解方案的距离;
步骤5.5、计算各评价方案与正负理想解的相对贴近度;
步骤5.6、以相对贴近度为衡量标准对各方案排序。
7.一种协同生态流量需求的梯级水电站多目标优化调度系统,用于实现上述权利要求1~6所述任意一项方法,其特征在于包括如下模块:
用于获取数据集的第一模块;
用于计算河道生态流量的第二模块;
用于梯级水库调度的第三模块;
用于建立智能求解模型的第四模块;
用于确定多目标决策依据的第五模块。
8.根据权利要求7所述的一种协同生态流量需求的梯级水电站多目标优化调度系统,其特征在于,
所述第一模块进一步通过设备信息采集方式以及历史数据的查询,进行数据的获取,其中数据包含历史各个时期采集的水库群的各个参数信息,并将该模块获取的数据集用于后续模块计算使用的源数据;其中所述第二模块进一步基于蒙大拿法的分级标准,对VMF法进行扩展与分级,具体为基于月平均流量的特定百分比将栖息地定性的描述为不同的级别;对于不同的月份进一步按照月份对应的生态流量划分丰水期、平水期和枯水期;按照蒙大法,设置等级,并以10%的月平均流量作为每级递增的数值。
9.根据权利要求7所述的一种协同生态流量需求的梯级水电站多目标优化调度系统,其特征在于,所述第三模块进一步包括目标函数建立模块、约束条件分析模块;其中目标函数建立模块进一步包括梯级发电量函数模块、梯级发电保证率最大函数模块、河段生态流量保证率最大函数模块,且三者之间呈现相互竞争的关系;
所述约束条件分析模块进一步包括约束数据获取模块和约束条件分析模块;其中所述数据获取模块进一步包括水位信息采集模块、水量信息采集模块、信息反馈模块、电力出力信息采集模块、数据处理中心控制模块;所述水位信息采集模块用于实时获得水库群水位信息;所述水量信息采集模块用于实时获取水库的蓄水量;所述电力出力信息采集模块用于实时获取电站的出力情况,并通过云端与信息反馈模块连接,将采集的信息反馈至数据处理控制中心模块;所述信息反馈模块用于实时反馈信息采集模块获取到的信息到数据处理控制中心模块;所述信息采集模块位于待采集水体的本地端,所述数据处理中心控制模块位于云端、且与所述信息采集模块通信连接;
所述约束条件分析模块进一步包括水量平衡约束模块、水位约束模块、流量约束模块、出力约束模块、调度期初末时刻水位约束模块。
10.根据权利要求7所述的一种协同生态流量需求的梯级水电站多目标优化调度系统,其特征在于,所述第四模块进一步采用带精英策略的快速非支配排序遗传算法用于对梯级水库群多目标优化调度模型求解,即通过分析第三模块中获得的水量控制线、水位控制线、流量控制线、出力达标线、调度期初末时刻水位控制线组成的综合控制线,综合获得最优解;其中,所述综合控制线具体为一组与时间相关的水位过程线;
建立智能求解算法优化模型,即通过分析步骤三中获得的水量控制线、水位控制线、流量控制线、出力达标线、调度期初末时刻水位控制线组成的综合控制线,建立优化模型,并采用带精英策略的快速非支配排序遗传算法对梯级水库群多目标优化调度模型求解;其中,所述综合控制线具体为一组与时间相关的水位过程线,当水库在所有调度期内均按综合控制线控制库水位时,可以得到多年总的最优发电量;
所述第五模块进一步采用基于熵权的TOPSIS法对所得的帕累托非劣解集进行优选,确定最佳协调解;其中采用方法包括熵值权重计算模块、多目标方案优选模块;其中所述多目标方案优选模块进一步通过评价指标体系及相应的决策值,根据正负理想解,计算待评价方案与正负理想解的距离,从而得到方案到理想方案的贴近程度,并将获得的贴近程度作为多目标方案集优劣评价的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172602.7A CN112184070B (zh) | 2020-10-28 | 2020-10-28 | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172602.7A CN112184070B (zh) | 2020-10-28 | 2020-10-28 | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184070A true CN112184070A (zh) | 2021-01-05 |
CN112184070B CN112184070B (zh) | 2021-12-17 |
Family
ID=73923003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011172602.7A Active CN112184070B (zh) | 2020-10-28 | 2020-10-28 | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184070B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766593A (zh) * | 2021-01-28 | 2021-05-07 | 中国电建集团北京勘测设计研究院有限公司 | 一种水利水电工程生态调度方案的优化方法 |
CN112882449A (zh) * | 2021-01-13 | 2021-06-01 | 沈阳工业大学 | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 |
CN112906313A (zh) * | 2021-01-22 | 2021-06-04 | 河海大学 | 基于系统协同理论的生态流量计算方法 |
CN114819753A (zh) * | 2022-06-24 | 2022-07-29 | 长江水利委员会水文局 | 一种促进鱼类产卵的梯级水库生态调度方法 |
CN115423182A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 水电站下泄生态流量评价方法、装置、存储介质及设备 |
CN115730724A (zh) * | 2022-11-24 | 2023-03-03 | 中国长江电力股份有限公司 | 一种基于不蓄电能最大化的梯级水电站联合调度方法 |
CN115809718A (zh) * | 2022-10-09 | 2023-03-17 | 当涂南科院科研试验有限公司 | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 |
CN115809585A (zh) * | 2023-01-20 | 2023-03-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 平衡wee关系的径流式水电站生态流量确定方法和系统 |
CN116681312A (zh) * | 2023-07-28 | 2023-09-01 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
CN118378870A (zh) * | 2024-06-26 | 2024-07-23 | 华中科技大学 | 一种梯级水电站调度方案评价方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108695902A (zh) * | 2018-05-08 | 2018-10-23 | 华中科技大学 | 一种梯级水库群生态-发电动态互馈调控方法 |
CN109886473A (zh) * | 2019-01-24 | 2019-06-14 | 河海大学 | 一种考虑下游生态的流域风光水系统多目标优化调度方法 |
US20200051183A1 (en) * | 2018-06-24 | 2020-02-13 | Cube Hydro Partners, LLC | Power generation scheduling optimization |
CN111079085A (zh) * | 2019-12-05 | 2020-04-28 | 西安理工大学 | 一种考虑提升量的生态流量确定方法 |
-
2020
- 2020-10-28 CN CN202011172602.7A patent/CN112184070B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108695902A (zh) * | 2018-05-08 | 2018-10-23 | 华中科技大学 | 一种梯级水库群生态-发电动态互馈调控方法 |
US20200051183A1 (en) * | 2018-06-24 | 2020-02-13 | Cube Hydro Partners, LLC | Power generation scheduling optimization |
CN109886473A (zh) * | 2019-01-24 | 2019-06-14 | 河海大学 | 一种考虑下游生态的流域风光水系统多目标优化调度方法 |
CN111079085A (zh) * | 2019-12-05 | 2020-04-28 | 西安理工大学 | 一种考虑提升量的生态流量确定方法 |
Non-Patent Citations (1)
Title |
---|
彭文启: "《生态流量五个关键问题辨析》", 《中国水利》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882449A (zh) * | 2021-01-13 | 2021-06-01 | 沈阳工业大学 | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 |
CN112882449B (zh) * | 2021-01-13 | 2024-07-12 | 沈阳工业大学 | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 |
CN112906313A (zh) * | 2021-01-22 | 2021-06-04 | 河海大学 | 基于系统协同理论的生态流量计算方法 |
CN112766593B (zh) * | 2021-01-28 | 2023-06-06 | 中国电建集团北京勘测设计研究院有限公司 | 一种水利水电工程生态调度方案的优化方法 |
CN112766593A (zh) * | 2021-01-28 | 2021-05-07 | 中国电建集团北京勘测设计研究院有限公司 | 一种水利水电工程生态调度方案的优化方法 |
CN114819753A (zh) * | 2022-06-24 | 2022-07-29 | 长江水利委员会水文局 | 一种促进鱼类产卵的梯级水库生态调度方法 |
CN115423182A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 水电站下泄生态流量评价方法、装置、存储介质及设备 |
CN115423182B (zh) * | 2022-08-31 | 2023-07-11 | 中国长江三峡集团有限公司 | 水电站下泄生态流量评价方法、装置、存储介质及设备 |
CN115809718A (zh) * | 2022-10-09 | 2023-03-17 | 当涂南科院科研试验有限公司 | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 |
CN115809718B (zh) * | 2022-10-09 | 2024-03-15 | 当涂南科院科研试验有限公司 | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 |
CN115730724B (zh) * | 2022-11-24 | 2024-02-13 | 中国长江电力股份有限公司 | 一种基于不蓄电能最大化的梯级水电站联合调度方法 |
CN115730724A (zh) * | 2022-11-24 | 2023-03-03 | 中国长江电力股份有限公司 | 一种基于不蓄电能最大化的梯级水电站联合调度方法 |
CN115809585A (zh) * | 2023-01-20 | 2023-03-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 平衡wee关系的径流式水电站生态流量确定方法和系统 |
CN116681312A (zh) * | 2023-07-28 | 2023-09-01 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
CN116681312B (zh) * | 2023-07-28 | 2023-10-31 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
CN118378870A (zh) * | 2024-06-26 | 2024-07-23 | 华中科技大学 | 一种梯级水电站调度方案评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112184070B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
CN110224393B (zh) | 一种基于最小切负荷模型的新能源消纳评估方法 | |
CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN104182804B (zh) | 一种预测出力不确定小水电与大中型水电站协调的日前发电方法 | |
CN109818347B (zh) | 一种电力系统风电消纳能力的评估方法 | |
CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN111724064B (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
CN110163420A (zh) | 一种基于分解文化进化算法的多目标生态调度方法和系统 | |
CN106096807A (zh) | 一种考虑小水电的互补微网经济运行评价方法 | |
CN111931982A (zh) | 考虑径流不确定性的水电站水调电调协调优化方法及系统 | |
Soares et al. | Hydro-dominated short-term hydrothermal scheduling via a hybrid simulation-optimisation approach: a case study | |
CN105184672A (zh) | 一种针对三公调度发电计划的评估方法 | |
He et al. | Optimal capacity configuration of the hydro-wind-photovoltaic complementary system considering cascade reservoir connection | |
CN109978331A (zh) | 一种高比例水电现货市场下日电量分解方法 | |
CN113705899A (zh) | 水库优化调度最优决策与效益的找寻方法 | |
CN110932300B (zh) | 一种考虑梯次利用储能的配电网优化调度方法 | |
CN112993985A (zh) | 一种考虑不确定性的微电网多目标规划方法 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
CN115271244A (zh) | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 | |
CN111079066B (zh) | 一种水库群发电生态两目标竞争关系分析方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
Hu et al. | Research on Complementarity of Multi-Energy Power Systems: A Review |
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 |