CN112395748B - 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法 - Google Patents

考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法 Download PDF

Info

Publication number
CN112395748B
CN112395748B CN202011220951.1A CN202011220951A CN112395748B CN 112395748 B CN112395748 B CN 112395748B CN 202011220951 A CN202011220951 A CN 202011220951A CN 112395748 B CN112395748 B CN 112395748B
Authority
CN
China
Prior art keywords
constraint
output
time
period
renewable energy
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.)
Active
Application number
CN202011220951.1A
Other languages
English (en)
Other versions
CN112395748A (zh
Inventor
胥威汀
苟竞
刘方
苏韵掣
杨新婷
刘莹
朱觅
李婷
王云玲
张文涛
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 Sichuan Economic Research Institute
Original Assignee
State Grid Sichuan Economic Research Institute
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 Sichuan Economic Research Institute filed Critical State Grid Sichuan Economic Research Institute
Priority to CN202011220951.1A priority Critical patent/CN112395748B/zh
Publication of CN112395748A publication Critical patent/CN112395748A/zh
Application granted granted Critical
Publication of CN112395748B publication Critical patent/CN112395748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

Abstract

本发明公开了一种考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，包括：(1)基于价格弹性系数的不确定性建立价格型需求响应和激励型需求响应模型：(2)将价格型需求响应和激励型需求响应分别融入日前、实时两个阶段；(3)以系统运行成本和备用容量调用成本最小为目标函数构建日前、实时两阶段鲁棒优化模型，然后对两阶段鲁棒优化模型进行求解，实现容量优化。本发明充分挖掘了源荷双端灵活性资源，并将其进行了综合利用和调度，如此也大幅提升了大规模清洁能源并网系统的灵活性，并有效提高了系统清洁能源的消纳能力，为需求响应参与到系统运行调度运行中提供了很好的解决方案。

Description

考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法
技术领域
本发明涉及电力技术领域，具体地说，是涉及一种考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法。
背景技术
随着经济的飞速发展，我国的能源需求量和环境保护意识不断增加和提高，传统化石能源的供应将越来越跟不上发达地区经济发展的需要。而风力发电、光伏发电等分布式能源和水能具有污染少、可再生的优势，充分利用风、光、水等能源对解决当今世界资源短缺、环境污染的问题具有重要意义。
目前，火力和水力等发电机组由于其具有调节能力，常常用来提供电源侧灵活性容量，但受季节和蓄水量等因素影响，水电机组的调节能力有限，且调节性优越的燃气机组因其成本高及燃气资源分布问题，亦难以成为系统功率平衡的主力。在高比例可再生能源并网的场景下，风电、光伏的间歇、波动和不确定性将成为电力系统不确定性的主要来源，这大大增加了电网的调峰压力，单纯依靠电源侧的灵活性容量无法解决系统的调峰问题。因此，加强用电端管理以引导用户主动参与系统负荷调整显得尤为重要，这能从负荷侧缓解系统的调峰压力。因此，充分挖掘源荷双端灵活性资源，分析源荷多类灵活性资源的特性及其经济性，从单一灵活性资源到多类灵活资源的综合利用，研究考虑源荷双端灵活性资源的系统优化调度问题，对提升大规模清洁能源并网系统的灵活性、提高系统清洁能源消纳能力具有重要意义。
当前关于提升清洁能源消纳的备用的容量和费用的研究还停留在初级阶段，例如针对含风、光等清洁能源的电网备用容量优化问题，大多数研究集中于站在机组组合或潮流优化的角度对风能、光伏的出力预测和误差建立模型。虽然现有的研究获得了一些成果，但是分布式能源出力预测受到气象预测水平的限制，故而需要在原有备用上增加应对清洁能源预测误差的备用容量。
随着电力负荷智能化水平的不断提升，用户侧的需求响应逐步成为应对可再生能源接入下电网柔性调控需求的主要手段之一，即把负荷作为一个灵活性旋转备用容量资源参与系统运行的优化配置。但现阶段研究的内容大都是基于激励的需求响应参与备用容量优化，缺乏对需求响应的综合考虑。
发明内容
本发明的目的在于提供一种考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，主要解决需求响应难以参与到电力系运行调度运行中的问题。
为实现上述目的，本发明采用的技术方案如下：
考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，包括以下步骤：
(1)基于价格弹性系数的不确定性建立价格型需求响应和激励型需求响应模型：
(2)将价格型需求响应和激励型需求响应分别融入日前、实时两个阶段；
(3)以系统运行成本和备用容量调用成本最小为目标函数构建日前、实时两阶段鲁棒优化模型：
Figure GDA0004150259710000021
(4)对两阶段鲁棒优化模型进行求解，实现容量优化；模型求解过程为：采用列和约束生成算法将鲁棒模型分解为可控机组日前阶段最优出力的主问题和搜寻最恶劣场景及最优备用容量资源调用策略的子问题，即分解为min结构的主问题和max-min结构的子问题，其中，主问题为混合整数线性规划问题，采用CPLEX商业求解器直接求解；子问题先采用对偶理论将双层max-min结构转化为单层max结构，然后进行求解，最终获得最优解，即实现容量优化。
具体地，所述步骤(1)包括以下步骤：
(1a)设定弹性矩阵
根据峰平谷三时段分时电价，设定弹性矩阵：
Figure GDA0004150259710000022
式中：E为需求弹性矩阵，dq为负荷需求变化矩阵，dp为分时电价变化矩阵；
(1b)以负荷波动率最小建立目标函数：
Figure GDA0004150259710000023
式中：Pt opt为在t时段优化后的负荷功率，T为调度周期；
(1c)分别加入电价约束、电量转移约束、用户满意度约束、总需求分配约束，其中，电价约束如下：
Figure GDA0004150259710000024
式中：PG为谷时电价；PP为平时电价；PF为峰时电价；Pchu为固定电价；γ为峰时电价相对于谷时电价的倍数限值；
电量转移约束如下：
dqF+dqP+dqG＝0
Figure GDA0004150259710000031
-βDt≤dqt≤βDt
式中：λ指总电量转移限值；β指单点电量转移限值；dqF、dqP、dqG是峰平谷时总负荷转移量；DF、DP、DG分别为原峰平谷时总负荷量；dqt为t时段变动的负荷量；Dt为t时段原负荷量；
用户满意度约束如下：
Figure GDA0004150259710000032
式中：Pt为t时段优化前的负荷功率；MPmin、Mpmin分别为一个周期内用户电量变化满意度和用户用电支出满意度最小值；
Figure GDA0004150259710000033
为在t时段优化后的电价；pt为在t时段优化前的电价；
总需求分配约束如下：
dqi+ζi＝dpi/Pchu,i·E(εk·i)·Pt；
式中，dqi为时段i的负荷转移量；ζi表示需求响应后时段i的响应不确定量；dpi为时段i的电价变化量；pchu,i为时段i的电价；E(εk·i)为时段i的弹性系数的期望值；pt为t时段优化前的负荷功率；
(1d)设定工业用户电价调度补偿：
Figure GDA0004150259710000034
式中：
Figure GDA0004150259710000035
为t时刻工业用户可中断负荷电量；/>
Figure GDA0004150259710000036
为补偿电价；
(1e)设定商业用户电价补偿：
Figure GDA0004150259710000037
式中：ω为电价折扣率；
Figure GDA0004150259710000038
为t时刻商业用户可中断负荷电量。
具体地，所述步骤(2)包括以下步骤：
(2a)构建日前经济调度模型：
Figure GDA0004150259710000041
式中：Cg,t为常规发电机组运行成本；CR,t为备用容量成本；Cr,t为实时阶段电量平衡成本；CIL,t为激励型需求响应成本；NG为常规发电机组数量；
其中，各项成本函数表示如下：
Cg，t＝aiPg，t Da+ci
Figure GDA0004150259710000042
Figure GDA0004150259710000043
Figure GDA0004150259710000044
Figure GDA0004150259710000045
式中：Pg,t Da为日前阶段确定的常规发电机组出力；ai、ci分别为常规发电机组燃料成本的一次项系数和常数项系数；
Figure GDA0004150259710000046
分别为日前阶段确定的各常规发电机组最大上、下旋转备用容量；/>
Figure GDA0004150259710000047
分别为系统给定的最大上、下旋转备用容量补偿价格；
Figure GDA0004150259710000048
分别为实时阶段各常规发电机组被系统调用的上、下旋转备用容量；/>
Figure GDA0004150259710000049
分别为实时阶段系统调用上、下备用电量的价格；/>
Figure GDA00041502597100000410
分别为常规发电机组上、下爬坡速率；/>
Figure GDA00041502597100000411
分别为常规发电机组的最大和最小出力；
(2b)加入不确定性参数：
Figure GDA00041502597100000412
式中：PRES(t)为可再生能源机组在t时刻的实际出力；
Figure GDA00041502597100000413
为可再生能源机组在t时刻的预测出力；/>
Figure GDA00041502597100000414
为可再生能源机组在t时刻的预测误差；Γ为可再生能源机组在调度周期T内出力最恶劣场景出现次数；
(2c)分别加入常规机组运行约束、系统平衡约束、旋转备用电量运行约束，其中，常规机组运行约束包括常规发电机组的出力约束和爬坡约束，分别如下：
出力约束：
Figure GDA00041502597100000415
爬坡约束：
Figure GDA00041502597100000416
系统平衡约束包括日前功率平衡约束和实时功率平衡约束，分别如下：
日前功率平衡约束：
Figure GDA0004150259710000051
实时功率平衡约束：
Figure GDA0004150259710000052
式中：NRES为风电机组数量；
Figure GDA0004150259710000053
为日前阶段可再生能源机组的预调度出力值；Lt为日前调度时用户负荷功率的预测值；/>
Figure GDA0004150259710000054
为实时阶段可再生能源机组的出力值；
旋转备用电量运行约束如下：
Figure GDA0004150259710000055
Figure GDA0004150259710000056
Figure GDA0004150259710000057
式中：
Figure GDA0004150259710000058
为用户侧可切断负荷的最大值。
进一步地，所述步骤(3)中，主问题目标函数为：
Figure GDA0004150259710000059
/>
式中，
Figure GDA00041502597100000510
和η为主问题的决策变量；
主问题的约束条件分别如下：
Figure GDA00041502597100000511
Figure GDA00041502597100000512
Figure GDA00041502597100000513
Figure GDA00041502597100000514
Figure GDA00041502597100000515
再进一步地，所述步骤(3)中，子问题目标函数为：
Figure GDA0004150259710000061
式中：
Figure GDA0004150259710000062
为第m次迭代得到的可再生能源出力最恶劣场景，/>
Figure GDA0004150259710000063
分别为常规发电机组的上调量与下调量，/>
Figure GDA0004150259710000064
为需求响应侧的时候调控策略；
子问题约束条件分别如下：
Figure GDA0004150259710000065
Figure GDA0004150259710000066
Figure GDA0004150259710000067
Figure GDA0004150259710000068
Figure GDA0004150259710000069
更进一步地，所述步骤(3)中，子问题的求解过程如下：
(a)采用对偶理论将双层max-min结构转化为单层max结构，转化后的子问题为：
Figure GDA00041502597100000610
(b)对式中的双线性项uTξ用大M法进行处理，转化后的问题为:
Figure GDA00041502597100000611
式中：uup、udown分别为可再生能源机组出力不确定区间上下限；ξ+、ξ-分别为变量ξ的正负取值；
Figure GDA00041502597100000612
为0-1变量。当/>
Figure GDA00041502597100000613
为1，/>
Figure GDA00041502597100000614
为0时，可再生能源机组出力取到最大值，其对应的ξi为正，相反，可再生能源机组出力取到最小值，其对应的ξi为负，若两者都为0，则可再生能源机组出力取为预测值。/>
Figure GDA00041502597100000615
与/>
Figure GDA00041502597100000616
的受到Γ的约束，Γ代表在一个调度周期内可再生能源机组出力最恶劣场景数；
(c)对转化后的子问题进行求解。
本发明的设计原理在于：首先，分析价格弹性系数不确定性给系统需求侧和供应侧带来的成本影响，并在此基础上，建立了考虑价格弹性系数不确定性的需求响应模型，计及了不确定需求响应对系统运行成本和备用容量调用成本的影响。
然后将价格型需求响应和激励型需求响应分别融入日前、实时两个阶段，在避免价格型需求响应时效性差的同时充分利用其经济性，节约调度成本，并且降低激励型需求响应在实时调度时的负荷压力。
最后以系统运行成本和备用容量调用成本最小为目标函数构建两阶段鲁棒模型。在求解算法方面，创新性运用改进的列和约束生成(column and constraint generation，C&CG)算法对模型进行求解，提高了求解效率和结果的精确性。
与现有技术相比，本发明具有以下有益效果：
(1)本发明综合考虑了价格型和激励型需求响应，可以有效避免价格型需求响应时效性差同时充分利用其的经济性，并优化用户的负荷曲线，减少系统的调度成本；同时，本发明将基于价格型的不确定需求响应嵌入日前阶段，将激励型需求响应嵌入实时阶段，使得需求响应作为一种灵活的调控资源，从而可以有效降低系统调度成本和备用成本的有效性；最后，利用两阶段鲁棒优化方法所得到的旋转备用容量配置方案能够在保证经济性的同时具有较强的应对不确定风险的能力。
(2)本发明充分挖掘了源荷双端灵活性资源，并将其进行了综合利用和调度，如此也大幅提升了大规模清洁能源并网系统的灵活性，并有效提高了系统清洁能源的消纳能力，为需求响应参与到系统运行调度运行中提供了很好的解决方案。因此，本发明适于大规模推广应用。
附图说明
图1为本发明的流程示意图。
图2为本发明中求解子问题的流程示意图。
图3为本发明-实施例中需求响应前后的负荷数据示意图。
图4为本发明-实施例中场景1实时旋转备用出力曲线图。
图5为本发明-实施例中场景2实时旋转备用出力曲线图。
图6为本发明-实施例中场景3实时旋转备用出力曲线图。
图7为本发明-实施例中总运行成本散点示意图。
图8为本发明-实施例中不同优化方案备用容量配置对比图。
具体实施方式
由于大规模可再生能源并网给电力系统稳定性带来风险，导致系统对灵活性容量的需求剧增，而以往单纯地依靠系统现有的调节能力已难以满足调峰需求，必须充分挖掘电力系统的灵活调节潜力，以进一步促进新能源的消纳。因此，充分挖掘源荷双端灵活性资源，综合利用多类灵活资源，研究考虑源荷双端灵活性资源的系统优化调度问题，对提升大规模清洁能源并网系统的灵活性、提高系统清洁能源消纳能力具有重要意义。
基于此，本发明提供了一种考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，可以有效解决需求响应难以参与到电力系运行调度运行中的问题。
如图1所示，本发明的实现流程主要包括：
1、基于价格弹性系数的不确定性建立价格型需求响应和激励型需求响应模型：
2、将价格型需求响应和激励型需求响应分别融入日前、实时两个阶段；
3、以系统运行成本和备用容量调用成本最小为目标函数构建日前、实时两阶段鲁棒优化模型，然后对两阶段鲁棒优化模型进行求解，实现容量优化。
下面分别对上述流程进行一一说明。
1、建立价格型需求响应和激励型需求响应模型
合理的分时电价能使需求侧终端用户主动将用电需求转移至负荷低谷期，从而减少系统峰谷差。根据峰平谷三时段分时电价，设定的弹性矩阵如下：
Figure GDA0004150259710000081
式中：E为需求弹性矩阵，dq为负荷需求变化矩阵，dp为分时电价变化矩阵。
在满足削峰填谷要求下，以负荷波动率最小为目标函数，如下式所示：
Figure GDA0004150259710000082
式中：Pt opt为在t时刻优化后的负荷功率。
(1)电价约束
电价的约束模型构建如下：
Figure GDA0004150259710000083
式中：PG为谷时电价；PP为平时电价；PF为峰时电价；Pchu为固定电价；γ为峰时电价相对于谷时电价的倍数限值。
(2)电量转移约束
Figure GDA0004150259710000084
式中：λ指总电量转移限值；β指单点电量转移限值；dqF、dqP、dqG是峰平谷时总负荷转移量；DF、DP、DG分别为原峰平谷时总负荷量；dqt为t时段变动的负荷量；Dt为t时段原负荷量。
(3)用户满意度约束
引入需求响应需考虑用户的用电满意度和消费支出满意度情况，公式如下：
Figure GDA0004150259710000091
式中：Pt为t时段优化前的负荷功率；MPmin、Mpmin分别为一个周期内用户电量变化满意度和用户用电支出满意度最小值；
Figure GDA0004150259710000092
为在t时段优化后的电价；pt为在t时段优化前的电价，T为调度周期。
(4)总需求分配约束
为了将总需求转移精确分配到每一个时段，本发明根据各时段的原电负荷情况按比例分配总电负荷需求转移。如下式所示：
Figure GDA0004150259710000093
实际上，价格弹性系数本质上是不确定性的，每时段的弹性系数有一个确定区间范围限制，公式如下：
[x,y]＝[εk·min,εk·max]＝{εk|εk·min≤εk≤εk·max} (7)
式中：εk·min，εk·max分别表示弹性系数区间的上下限；区间[x,y]表示自弹性系数和互弹性系数的波动范围。一般采用正态分布描述弹性系数的不确定性，假设任意时段的弹性系数εk服从N(μk,σk 2)正态分布，则概率密度函数可以描述为：
Figure GDA0004150259710000094
式中：uk＝Mid[x,y]表示区间的中间值；σk＝Len[x,y]/8表示区间的长度。
将根据正态分布函数得到的每时段弹性系数的期望值与式(1)相结合，得到下式：
dqi+ζi＝dpi/Pchu,i·E(εk·i)·Pt (9)
式中：E(εk·i)为时段i的弹性系数的期望值；ζi表示需求响应后时段i的响应不确定量。
基于激励的需求响应
(1)工业用户
在实时阶段，IBDR主要通过与工业用户签订协议的方式由调度机构直接控制。工业用户损失随着负荷变化量的增加而增大，因此采取阶梯补偿电价方式对工业用户进行调度补偿，公式如下：
Figure GDA0004150259710000101
式中：
Figure GDA0004150259710000102
为t时刻工业用户可中断负荷电量；/>
Figure GDA0004150259710000103
为补偿电价；Cn、Cm分别为第n段、第m段对应的补偿电价。
工业用户调度补偿费用为：
Figure GDA0004150259710000104
(2)商业用户
对于商业用户采用分时电价补偿策略，调用成本如下：
Figure GDA0004150259710000105
式中：ω为电价折扣率；
Figure GDA0004150259710000106
为t时刻商业用户可中断负荷电量。
IBDR调用成本如下：
Figure GDA0004150259710000107
2、融入日前、实时两个阶段
(1)目标函数
日前经济调度模型一般以系统调度成本和备用成本最小为目标，综合考虑了常规发电机组的运行约束、容量约束、系统平衡约束等，从而实现系统日前经济调度。
Figure GDA0004150259710000108
式中：Cg,t为常规发电机组运行成本；CR,t为备用容量成本；Cr,t为实时阶段电量平衡成本；CIL,t为激励型需求响应成本；NG为常规发电机组数量。
各项成本函数可以表示为：
Figure GDA0004150259710000111
式中：Pg,t Da为日前阶段确定的常规发电机组出力；ai、ci分别为常规发电机组燃料成本的一次项系数和常数项系数；
Figure GDA0004150259710000112
分别为日前阶段确定的各常规发电机组最大上、下旋转备用容量；/>
Figure GDA0004150259710000113
分别为系统给定的最大上、下旋转备用容量补偿价格；
Figure GDA0004150259710000114
分别为实时阶段各常规发电机组被系统调用的上、下旋转备用容量；/>
Figure GDA0004150259710000115
分别为实时阶段系统调用上、下备用电量的价格；/>
Figure GDA0004150259710000116
分别为常规发电机组上、下爬坡速率；/>
Figure GDA0004150259710000117
分别为常规发电机组的最大和最小出力。
(2)不确定参数
鉴于风电、光伏等可再生能源本身存在较大随机性与不确定性，本发明还考虑了可再生能源出力的不确定性。本发明采用不确定集合表征方法，将可再生能源出力以区间形式描述如下：
Figure GDA0004150259710000118
式中：Pres(t)为可再生能源机组在t时刻的实际出力；
Figure GDA0004150259710000119
为可再生能源机组在t时刻的预测出力；/>
Figure GDA00041502597100001110
为可再生能源机组在t时刻的预测误差；Γ为可再生能源机组在调度周期T内出力最恶劣场景出现次数。
(3)约束条件
(3.1)常规机组运行约束
常规发电机组的出力约束如式(17)所示，爬坡约束如式(18)所示。
Figure GDA00041502597100001111
Figure GDA00041502597100001112
(3.2)系统平衡约束
日前功率平衡约束如式(19)所示，实时功率平衡约束如式(20)所示。
Figure GDA00041502597100001113
Figure GDA00041502597100001114
式中：NRES为风电机组数量；
Figure GDA0004150259710000121
为日前阶段可再生能源机组的预调度出力值；Lt为日前调度时用户负荷功率的预测值；/>
Figure GDA0004150259710000122
为实时阶段可再生能源机组的出力值。
(3.3)旋转备用电量运行约束
Figure GDA0004150259710000123
式中：
Figure GDA0004150259710000124
为用户侧可切断负荷的最大值。
3、实现容量优化
根据实际意义，所提两阶段鲁棒优化模型第一阶段为日前阶段，该阶段求解使本机组成本和系统备用容量成最小的常规发电机组和可再生能源机组的出力方案以及次日备用容量；模型第二阶段为实时阶段，该阶段需要在第一阶段基础上调用备用容量资源，如需求响应、常规发电机组上下调控备用容量等，以应对可再生能源出力不确定造成的电能不平衡。模型第二阶段结构为max-min形式，其中max层寻找最恶劣的可再生能源出力场景，min层搜寻在该最恶劣可再生能源出力场景下的最优调控方案。
上述两阶段鲁棒优化模型日前阶段所得常规发电机组和可再生能源机组的出力方案以及次日备用容量决定了实时阶段如何调用备用容量资源，实时阶段搜寻得到的最恶劣可再生能源出力场景反过来也影响日前阶段的出力方案。模型内外两层相互影响，无法直接进行求解，因此采用C&CG算法将其分解为求解可控机组日前阶段最优出力的主问题和搜寻最恶劣场景及最优备用容量资源调用策略的子问题。
两阶段鲁棒优化模型为min-max-min结构，外层即第一阶段为模型主问题，该问题结构为min形式，内层即第二阶段为模型子问题，该问题结构为max-min形式。
Figure GDA0004150259710000125
(1)日前经济调度与备用容量配置主问题
在子问题搜寻得到的最恶劣风电场景下，主问题以机组运行成本和系统备用容量成最小为目标函数求解机组日前最优出力方案以及相应的备用容量，引入变量η，将式(22)转化为式(23)。其中主问题的决策变量为
Figure GDA0004150259710000126
和η，为便于表达，定义第一阶段决策变量集合为x。
Figure GDA0004150259710000127
主问题约束条件为式(17)-(19)、(24)、(25)。
Figure GDA0004150259710000128
/>
Figure GDA0004150259710000131
(2)考虑可再生能源出力不确定性的子问题：
子问题在主问题得出的决策变量基础首先搜寻最恶劣的可再生能源出力场景，并在该恶劣场景下，求解以实时调控成本最小为目标函数的备用容量调控方案。其中，子问题目标函数为式(26)，约束条件为式(20)、(21)、(27)。
Figure GDA0004150259710000132
式中：
Figure GDA0004150259710000133
为第m次迭代得到的可再生能源出力最恶劣场景，/>
Figure GDA0004150259710000134
分别为常规发电机组的上调量与下调量，/>
Figure GDA0004150259710000135
为需求响应侧的时候调控策略。以上为第二阶段的调控变量，它们共同作用以应对由可再生能源出力不确定造成的供需不平衡现象，为便于表达，定义第二阶段决策变量集合为y。
(4)模型求解：
本发明中的两阶段鲁棒优化模型采用C&CG法将其分解为min结构的主问题和max-min结构的子问题，其中主问题为混合整数线性规划问题，可以采用CPLEX商业求解器直接求解。而由于max-min结构，子问题无法直接进行求解，因此本发明中，首先采用对偶理论将双层max-min结构转化为单层max结构。转化后的子问题为：
Figure GDA0004150259710000136
式中：uTξ为双线性项，无法直接求解，因此采用大M法对该线性项进行处理，转化后的问题为:
Figure GDA0004150259710000141
式中：uup、udown分别为可再生能源机组出力不确定区间上下限；ξ+、ξ-分别为变量ξ的正负取值；
Figure GDA0004150259710000142
为0-1变量。当/>
Figure GDA0004150259710000143
为1，/>
Figure GDA0004150259710000144
为0时，可再生能源机组出力取到最大值，其对应的ξi为正，相反，可再生能源机组出力取到最小值，其对应的ξi为负，若两者都为0，则可再生能源机组出力取为预测值。/>
Figure GDA0004150259710000145
与/>
Figure GDA0004150259710000146
的受到Γ的约束，Γ代表在一个调度周期内可再生能源机组出力最恶劣场景数。
转化后即可对子问题进行求解。
子问题求解流程如图2所示。
为验证本发明所建立的考虑供需双侧灵活性资源的含清洁能源电力系统旋转备用容量优化模型的有效性，本发明采用某地区省级电网作为实施例进行分析。本发明的方式包括但不仅限于以下实施例。
实施例
1、参数设置
为验证本发明在MATLAB R2014b下进行建模，并利用算法包CPLEX12.6.3进行计算，系统硬件环境为Intel Core I5 CPU，3.30GHz，8GB内存，操作系统为Win10 64bit。采用改进的IEEE89节点系统进行分析，其中常规发电机组为30台水电机组，可再生能源机组为4台风力发电机组和2台为光伏发电机组。根据系统负荷侧用户的不同特点，将用户分为3类：50％居民用户、25％工业用户和25％商业用户，对居民用户采取PBDR策略，对工业和商业用户采取IBDR策略。
2、需求侧响应
价格弹性系数区间见表1，根据弹性系数区间和不确定性价格型需求响应模型，可以得出需求响应前后的居民基负荷数据如图3所示。
表1 价格弹性系数的区间
峰 平 谷
峰 [-0.18,-0.11] [0.44,0.11] [0.04,0.08]
平 [0.04,0.11] [-0.18,-0.05] [0.05,0.12]
谷 [0.04,0.10] [0.05,0.12] [-0.18,-0.05]
3、需求响应对系统运行的影响
为验证需求响应对于备用容量优化配置的影响，本实施例设置3个场景进行算例分析，如表2所示。其中每个场景的鲁棒控制系数均设置Γ为10。图4-图6为可再生能源出力“最恶劣”场景下常规发电机组在场景1、2和3中的旋转备用容量调用曲线。表3为各场景下系统的运行成本对比。
表2 场景设置
确定型PBDR 不确定型PBDR IBDR
场景1 × × ×
场景2 √ × √
场景3 × √ √
表3 各场景下系统的运行成本
总成本/万元 备用成本/万元
场景1 148.17 113.49
场景2 146.83 94.784
场景3 146.93 94.767
由图4、5和6可知，计及PBDR和IBDR后，场景2和3的常规发电机组旋转备用容量的调度个数明显少于场景1，同时，场景2和3的机组4、5、20的旋转备用容量调度量明显少于场景1，只有机组21、27的调度量略高于场景1，但整体上机组旋转备用容量调度量都要少于场景1。结合表3可知，计及PBDR和IBDR后，场景2和3的系统运行总成本和旋转备用容量调度成本都要少于场景1。这是因为需求响应参与常规发电机组旋转备用容量优化后，可以有效实现削峰填谷，进而降低水电机组实时阶段的旋转备用电量的调用，减少系统的备用成本。场景3的总运行成本略高于场景2是因为为了避免不确定性因素给系统运行带来的成本风险，需要适当牺牲系统的运行效益。
4、鲁棒优化配置对比
为体现本发明两阶段鲁棒旋转备用容量优化结果的优越性，针对场景3采用蒙特卡洛法生成400个随机实时场景对鲁棒调度方案(Γ＝10)和确定性调度方案的经济性和备用容量配置进行比较。所有场景总运行成本散点图如图7所示。总平均运行成本如表4所示。备用容量配置对比如图8所示。
表4 不同优化方案经济性对比
日前成本 备用成本 总成本
确定方案 116.66/万元 28.71/万元 145.37/万元
鲁棒方案 127.54/万元 17.43/万元 144.97/万元
由图7可知，鲁棒优化方案在不同场景下的总成本散点大部分都低于确定性方案。结合表3进行分析可知，虽然鲁棒优化方案的日前运行成本(127.54万元)高于确定性优化方案(116.66万元)，但其平均实时旋转备用容量调度成本(17.43万元)比确定性优化方案(28.71万元)更低，因此相应的总成本比后者低4000元，总经济性较优，这是因为过于乐观的确定性方案牺牲了鲁棒性，导致其应对可再生能源出力不确定的能力降低，而可调鲁棒方案在实时调控阶段通过调节鲁棒参数计及了较为合理的最恶劣可再生能源出力场景，兼具有较好的经济性和较高的鲁棒性，进而平均实时旋转备用容量调度成本较低。
进一步由图8可知，鲁棒优化对应的旋转备用容量为55.108MW，确定性优化对应的旋转备用容量为60.822MW。相较于确定性优化，鲁棒优化得到的旋转备用容量要高于确定性优化，这是由于鲁棒模型在制定日前调度方案时考虑了可再生能源出力的不确定性，常规发电机组的旋转备用容量配置更高，进而实现保证经济性的同时具有较强的应对不确定风险的能力。
本发明构建了考虑供需双侧灵活性资源的含清洁能源电力系统旋转备用容量优化模型，并将基于价格型的不确定需求响应嵌入日前阶段，将激励型需求响应嵌入实时阶段，证明需求响应作为一种灵活的调控资源可以有效降低系统调度成本和备用成本的有效性。本发明优化后所得到的旋转备用容量配置方案能够在保证经济性的同时具有较强的应对不确定风险的能力。因此，与现有技术相比，本发明具有突出的实质性特点和显著的进步。
上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (2)

1.考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，其特征在于，包括以下步骤：
(1)基于价格弹性系数的不确定性建立价格型需求响应和激励型需求响应模型：
(2)将价格型需求响应和激励型需求响应分别融入日前、实时两个阶段；具体包括以下步骤：
(2a)构建日前经济调度模型：
Figure FDA0004150259700000011
式中：Cg,t为常规发电机组运行成本；CR,t为备用容量成本；Cr,t为实时阶段电量平衡成本；CIL,t为激励型需求响应成本；NG为常规发电机组数量；
其中，各项成本函数表示如下：
Cg，t＝aiPg，t Da+ci
Figure FDA0004150259700000012
Figure FDA0004150259700000013
Figure FDA0004150259700000014
Figure FDA0004150259700000015
式中：Pg,t Da为日前阶段确定的常规发电机组出力；ai、ci分别为常规发电机组燃料成本的一次项系数和常数项系数；
Figure FDA0004150259700000016
分别为日前阶段确定的各常规发电机组最大上、下旋转备用容量；/>
Figure FDA0004150259700000017
分别为系统给定的最大上、下旋转备用容量补偿价格；
Figure FDA0004150259700000018
分别为实时阶段各常规发电机组被系统调用的上、下旋转备用容量；/>
Figure FDA0004150259700000019
分别为实时阶段系统调用上、下备用电量的价格；/>
Figure FDA00041502597000000110
分别为常规发电机组上、下爬坡速率；/>
Figure FDA00041502597000000111
分别为常规发电机组的最大和最小出力；
(2b)加入不确定性参数：
Figure FDA00041502597000000112
式中：PRES(t)为可再生能源机组在t时刻的实际出力；
Figure FDA00041502597000000113
为可再生能源机组在t时刻的预测出力；/>
Figure FDA00041502597000000114
为可再生能源机组在t时刻的预测误差；Γ为可再生能源机组在调度周期T内出力最恶劣场景出现次数；
(2c)分别加入常规机组运行约束、系统平衡约束、旋转备用电量运行约束，其中，常规机组运行约束包括常规发电机组的出力约束和爬坡约束，分别如下：
出力约束：
Figure FDA0004150259700000021
/>
爬坡约束：
Figure FDA0004150259700000022
系统平衡约束包括日前功率平衡约束和实时功率平衡约束，分别如下：
日前功率平衡约束：
Figure FDA0004150259700000023
实时功率平衡约束：
Figure FDA0004150259700000024
式中：NRES为风电机组数量；
Figure FDA0004150259700000025
为日前阶段可再生能源机组的预调度出力值；Lt为日前调度时用户负荷功率的预测值；/>
Figure FDA0004150259700000026
为实时阶段可再生能源机组的出力值；
旋转备用电量运行约束如下：
Figure FDA0004150259700000027
Figure FDA0004150259700000028
Figure FDA0004150259700000029
式中：
Figure FDA00041502597000000210
为用户侧可切断负荷的最大值；
(3)以系统运行成本和备用容量调用成本最小为目标函数构建日前、实时两阶段鲁棒优化模型：
Figure FDA00041502597000000211
然后对两阶段鲁棒优化模型进行求解，实现容量优化；模型求解过程为：采用列和约束生成算法将鲁棒模型分解为可控机组日前阶段最优出力的主问题和搜寻最恶劣场景及最优备用容量资源调用策略的子问题，即分解为min结构的主问题和max-min结构的子问题，其中，主问题为混合整数线性规划问题，采用CPLEX商业求解器直接求解；子问题先采用对偶理论将双层max-min结构转化为单层max结构，然后进行求解，最终获得最优解，即实现容量优化；
其中，主问题目标函数为：
Figure FDA00041502597000000212
式中，
Figure FDA00041502597000000213
和η为主问题的决策变量；
主问题的约束条件分别如下：
Figure FDA00041502597000000214
Figure FDA00041502597000000215
Figure FDA0004150259700000031
Figure FDA0004150259700000032
/>
Figure FDA0004150259700000033
子问题目标函数为：
Figure FDA0004150259700000034
式中：
Figure FDA0004150259700000035
为第m次迭代得到的可再生能源出力最恶劣场景，/>
Figure FDA0004150259700000036
分别为第m次迭代t时刻实时阶段各常规发电机组被系统调用的上、下旋转备用容量，/>
Figure FDA0004150259700000037
为需求响应侧的时候调控策略；
子问题约束条件分别如下：
Figure FDA0004150259700000038
Figure FDA0004150259700000039
Figure FDA00041502597000000310
Figure FDA00041502597000000311
Figure FDA00041502597000000312
子问题的求解过程如下：
(a)采用对偶理论将双层max-min结构转化为单层max结构，转化后的子问题为：
Figure FDA00041502597000000313
(b)对式中的双线性项uTξ用大M法进行处理，转化后的问题为:
Figure FDA0004150259700000041
/>
式中：uup、udown分别为可再生能源机组出力不确定区间上下限；ξ+、ξ-分别为变量ξ的正负取值；
Figure FDA0004150259700000042
为0-1变量；当/>
Figure FDA0004150259700000043
为1，/>
Figure FDA0004150259700000044
为0时，可再生能源机组出力取到最大值，其对应的ξi为正，相反，可再生能源机组出力取到最小值，其对应的ξi为负，若两者都为0，则可再生能源机组出力取为预测值；/>
Figure FDA0004150259700000045
与/>
Figure FDA0004150259700000046
的受到Γ的约束，Γ代表在一个调度周期内可再生能源机组出力最恶劣场景数；
(c)对转化后的子问题进行求解。
2.根据权利要求1所述的考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法，其特征在于，所述步骤(1)包括以下步骤：
(1a)设定弹性矩阵
根据峰平谷三时段分时电价，设定弹性矩阵：
Figure FDA0004150259700000047
式中：E为需求弹性矩阵，dq为负荷需求变化矩阵，dp为分时电价变化矩阵；
(1b)以负荷波动率最小建立目标函数：
Figure FDA0004150259700000048
式中：Pt opt为在t时段优化后的负荷功率，T为调度周期；
(1c)分别加入电价约束、电量转移约束、用户满意度约束、总需求分配约束，其中，电价约束如下：
Figure FDA0004150259700000049
式中：PG为谷时电价；PP为平时电价；PF为峰时电价；Pchu为固定电价；γ为峰时电价相对于谷时电价的倍数限值；
电量转移约束如下：
dqF+dqP+dqG＝0
Figure FDA0004150259700000051
-βDt≤dqt≤βDt
式中：λ指总电量转移限值；β指单点电量转移限值；dqF、dqP、dqG是峰平谷时总负荷转移量；DF、DP、DG分别为原峰平谷时总负荷量；dqt为t时段变动的负荷量；Dt为t时段原负荷量；
用户满意度约束如下：
Figure FDA0004150259700000052
式中：Pt为t时段优化前的负荷功率；MPmin、Mpmin分别为一个周期内用户电量变化满意度和用户用电支出满意度最小值；
Figure FDA0004150259700000053
为在t时段优化后的电价；pt为在t时段优化前的电价；
总需求分配约束如下：
dqi+ζi＝dpi/Pchu,i·E(εk·i)·Pt；
式中，dqi为时段i的负荷转移量；ζi表示需求响应后时段i的响应不确定量；dpi为时段i的电价变化量；pchu,i为时段i的电价；E(εk·i)为时段i的弹性系数的期望值；pt为t时段优化前的负荷功率；
(1d)设定工业用户电价调度补偿：
Figure FDA0004150259700000054
式中：
Figure FDA0004150259700000055
为t时刻工业用户可中断负荷电量；/>
Figure FDA0004150259700000056
为补偿电价；
(1e)设定商业用户电价补偿：
Figure FDA0004150259700000057
式中：ω为电价折扣率；
Figure FDA0004150259700000058
为t时刻商业用户可中断负荷电量。/>
CN202011220951.1A 2020-11-05 2020-11-05 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法 Active CN112395748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011220951.1A CN112395748B (zh) 2020-11-05 2020-11-05 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011220951.1A CN112395748B (zh) 2020-11-05 2020-11-05 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法

Publications (2)

Publication Number Publication Date
CN112395748A CN112395748A (zh) 2021-02-23
CN112395748B true CN112395748B (zh) 2023-05-23

Family

ID=74597426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011220951.1A Active CN112395748B (zh) 2020-11-05 2020-11-05 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法

Country Status (1)

Country Link
CN (1) CN112395748B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159985B (zh) * 2021-03-26 2023-10-31 东北大学 一种电热综合能源系统的两阶段优化调度方法
CN113128767B (zh) * 2021-04-21 2022-06-07 国网新疆电力有限公司电力科学研究院 考虑备用收益的农灌水泵负荷运行成本最小化的方法
CN113488999A (zh) * 2021-07-08 2021-10-08 广东电网有限责任公司 电力系统运行双侧的备用配置方法、系统、设备和介质
CN113655762A (zh) * 2021-07-27 2021-11-16 咸阳新兴分布式能源有限公司 一种燃气供能系统运行优化控制方法及系统
CN114389262B (zh) * 2022-01-21 2024-01-09 合肥工业大学 一种弹性环境下基于鲁棒优化的区域电网调度方法
CN117421492B (zh) * 2023-12-19 2024-04-05 四川久远银海软件股份有限公司 一种数据要素商品的筛选系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103560518A (zh) * 2013-08-20 2014-02-05 国家电网公司 一种电力系统无功备用容量控制方法
CN105528668A (zh) * 2015-08-04 2016-04-27 南通大学 一种风电并网电力系统动态环境经济调度方法
CN109524958A (zh) * 2018-11-08 2019-03-26 国网浙江省电力有限公司经济技术研究院 考虑深度调峰和需求响应的电力系统灵活性优化调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102983573B (zh) * 2012-11-09 2014-10-15 天津大学 基于安全域的安全约束经济调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103560518A (zh) * 2013-08-20 2014-02-05 国家电网公司 一种电力系统无功备用容量控制方法
CN105528668A (zh) * 2015-08-04 2016-04-27 南通大学 一种风电并网电力系统动态环境经济调度方法
CN109524958A (zh) * 2018-11-08 2019-03-26 国网浙江省电力有限公司经济技术研究院 考虑深度调峰和需求响应的电力系统灵活性优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Coordinated DG-Tie planning in distribution networks based on temporal scenarios;Weiting Xu等;《Energy》;20180915;第159卷;774-785 *
基于两阶段鲁棒区间优化的风储联合运行调度模型;张刘冬等;《电力自动化设备》;20181210;第38卷(第12期);59-66+93 *
基于目标机会约束规划的储能容量优化配置模型;胥威汀等;《电力建设》;20170401;第38卷(第4期);71-78 *

Also Published As

Publication number Publication date
CN112395748A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN112395748B (zh) 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法
Liu et al. Residential energy scheduling for variable weather solar energy based on adaptive dynamic programming
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN111738502B (zh) 促进富余风电消纳的多能互补系统需求响应运行优化方法
CN107634518B (zh) 一种“源-网-荷”相协调的主动配电网经济调度方法
CN107967536B (zh) 基于鲁棒优化的绿色数据中心节能任务调度策略
CN109256799B (zh) 一种基于样本熵的新能源电力系统优化调度方法
CN111882111B (zh) 一种源网荷储协同互动的电力现货市场出清方法
Fu et al. Research on joint optimal dispatching method for hybrid power system considering system security
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN112039056A (zh) 一种新能源两阶段优化调度方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN110661301B (zh) 一种水光蓄多能互补发电系统的容量配置优化方法
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
Ma et al. Optimal capacity configuration of hydro-wind-PV hybrid system and its coordinative operation rules considering the UHV transmission and reservoir operation requirements
Suo et al. New energy wide area complementary planning method for multi-energy power system
CN105186584B (zh) 一种考虑调峰和爬坡需求的两阶段源‑荷调度方法及装置
CN115689233A (zh) 计及调峰主动性的风光水火储系统互补协调优化调度方法
Zhi et al. Scenario-based multi-objective optimization strategy for rural PV-battery systems
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN113541195B (zh) 一种未来电力系统中高比例可再生能源的消纳方法
Xu et al. Optimal multi-energy portfolio towards zero carbon data center buildings in the presence of proactive demand response programs
CN116742664A (zh) 一种短期电池储能和季节性储氢协同规划方法及系统
CN108062022A (zh) 一种热电协同系统的优化控制方法
CN116979611A (zh) 一种源网荷储分层优化调度方法

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
GR01 Patent grant
GR01 Patent grant