CN112421626B - 绿色调度优化决策方案获取方法、装置及设备 - Google Patents

绿色调度优化决策方案获取方法、装置及设备 Download PDF

Info

Publication number
CN112421626B
CN112421626B CN202011281952.7A CN202011281952A CN112421626B CN 112421626 B CN112421626 B CN 112421626B CN 202011281952 A CN202011281952 A CN 202011281952A CN 112421626 B CN112421626 B CN 112421626B
Authority
CN
China
Prior art keywords
wind
constraint
power
optimization decision
optimization
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
CN202011281952.7A
Other languages
English (en)
Other versions
CN112421626A (zh
Inventor
镐俊杰
张树森
王磊
郭源善
胡扬宇
柴旭峥
权隆
谢涛
杨小军
张帅辉
陈均
赵俊丽
张德亮
薛艳军
郭志恒
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 Henan Electric Power Co Ltd
Original Assignee
State Grid Henan 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 Henan Electric Power Co Ltd filed Critical State Grid Henan Electric Power Co Ltd
Priority to CN202011281952.7A priority Critical patent/CN112421626B/zh
Publication of CN112421626A publication Critical patent/CN112421626A/zh
Application granted granted Critical
Publication of CN112421626B publication Critical patent/CN112421626B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

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

Abstract

本发明涉及一种绿色调度优化决策方案获取方法、装置及设备，属于电力系统调度运行技术领域，该方法包括：构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；构建运行约束条件，运行预设条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；根据优化目标函数和运行约束条件，构建优化决策模型；基于预设算法，求解优化决策，确定绿色调度优化决策方案。摒弃了追求弃风最小的优化目标思路，考虑风火电量替代导致的全局能效和排放变化，并据此构造优化决策模型，在消纳新能源与节能环保目标之间实现均衡提升，提升电力系统运行效益。

Description

绿色调度优化决策方案获取方法、装置及设备
技术领域
本发明属于电力系统调度运行技术领域，具体涉及一种绿色调度优化决策方案获取方法、装置及设备。
背景技术
世界范围的能源与环境危机给电力系统生产运行提出了新的要求，实现全局性的节能环保成为当前电力调度运行优化领域的新目标。为实现上述目标，电力调度优化运行领域开展了大量研究，其基本思路是通过优化火电等传统电源运行方式，实现风电等新能源的全额消纳，最大程度减少弃风、弃光等问题发生。
目前，绿色调度优化主要从如下三个层面开展：（1）新能源运行特性研究，围绕新能源运行特性分别采用基于时空自回归移动平均模型、历史数据统计、时序特性统计、Copula理论等方法研究风电为代表的新能源出力特性；（2）以弃风电量最小为目标的优化目标研究，以弃风电量最小化作为优化目标，综合考虑风功率预测不确定性、热电联产与风电互动的边界信息构建绿色调度优化模型；（3）高效求解算法研究，针对上述优化模型中存在的混合整数、柔性约束等问题，研究了改进ε-约束与采样确定性转化、Benders分解法等高效求解算法。
但是，现有的研究片面的追求弃风、弃光电量最小化，而忽视了火电等传统电源为了消纳新能源而造成的损失，即消纳风电、光伏隐性成本。造成实际执行中火电等传统电源严重偏离其经济运行区间，运行效益大幅下降，产生的污染物排放和消纳的一次能源显著增加，消纳新能源产生的全局效益不能显著提升甚至有所下降的问题。
发明内容
为了至少解决现有技术存在的上述问题，本发明提供了一种绿色调度优化决策方案获取方法、装置及设备。
本发明提供的技术方案如下：
一方面，一种绿色调度优化决策方案获取方法，包括：
构建多目标协调的优化目标函数，所述多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；
构建运行约束条件，所述运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；
根据所述优化目标函数和所述运行约束条件，构建优化决策模型；
基于预设算法，求解所述优化决策，确定所述绿色调度优化决策方案。
Figure SMS_1
可选的，所述构建多目标协调的优化目标函数，为：
其中，
Figure SMS_13
、/>
Figure SMS_4
分别为火电机组台数和风电场数；/>
Figure SMS_9
为离散化处理后的优化时段数；/>
Figure SMS_17
为优化时段间隔；/>
Figure SMS_20
为火电机组/>
Figure SMS_19
在时段/>
Figure SMS_21
的出力；/>
Figure SMS_11
为风电场/>
Figure SMS_15
在时段/>
Figure SMS_2
的弃风功率；/>
Figure SMS_7
、/>
Figure SMS_5
分别为风电场/>
Figure SMS_8
的正、负负荷均衡率；/>
Figure SMS_12
、/>
Figure SMS_16
、/>
Figure SMS_6
、/>
Figure SMS_10
分别为四个目标项的权重系数；/>
Figure SMS_14
、/>
Figure SMS_18
分别为火电机组/>
Figure SMS_3
煤耗函数和排放函数。
可选的，所述火电机组
Figure SMS_22
煤耗函数、和排放函数，分别为：
其中，
Figure SMS_24
、/>
Figure SMS_29
、/>
Figure SMS_30
分别为煤耗函数二次项、一次项和常数项系数；/>
Figure SMS_25
、/>
Figure SMS_27
、/>
Figure SMS_28
分别为排放函数二次项、一次项和常数项系数，满足/>
Figure SMS_31
，/>
Figure SMS_23
Figure SMS_26
。
可选的，所述电网运行约束，包括：电力电量平衡约束、网络传输特性约束和输电线路传输能力约束：
Figure SMS_40
其中，/>
Figure SMS_34
为节点/>
Figure SMS_36
在时段/>
Figure SMS_43
的负荷预测，/>
Figure SMS_46
为节点数，/>
Figure SMS_44
为N-1阶矩阵，是节点导纳矩阵的虚部；/>
Figure SMS_47
、/>
Figure SMS_42
为N-1维列向量，分别是节点注入有功功率列向量和节点电压相角列向量；/>
Figure SMS_45
为风电场/>
Figure SMS_32
在时段/>
Figure SMS_38
的发电功率；/>
Figure SMS_35
为输电线路/>
Figure SMS_39
在时段/>
Figure SMS_37
的传输功率；/>
Figure SMS_41
、/>
Figure SMS_33
分别为传输功率上、下限值。
可选的，所述火电机组运行特性约束，包括：出力上下限约束、机组爬坡能力约束：
Figure SMS_48
其中 ，/>
Figure SMS_49
、/>
Figure SMS_50
分别为火电机组/>
Figure SMS_51
的出力上、下限；
Figure SMS_52
、/>
Figure SMS_53
分别为火电机组/>
Figure SMS_54
的爬坡能力上、下限。
可选的，所述风电场运行特性约束，包括：弃风电量约束、弃风均衡性约束：
Figure SMS_56
其中，/>
Figure SMS_60
为风电场/>
Figure SMS_63
时段/>
Figure SMS_57
预测发电功率，/>
Figure SMS_58
为该风电场/>
Figure SMS_61
当日负荷率，/>
Figure SMS_64
为全网风电场平均负荷率，/>
Figure SMS_55
、/>
Figure SMS_59
为风电场正、负负荷均衡率，满足/>
Figure SMS_62
，
Figure SMS_65
。
可选的，风电场的负荷率与全网风电场平均负荷率满足：
Figure SMS_66
。
又一方面，一种绿色调度优化决策方案获取装置，包括：第一构建模块、第二构建模块、模型构建模块和解析模块；
所述第一构建模块，用于构建多目标协调的优化目标函数，所述多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；
所述第二构建模块，用于构建运行约束条件，所述运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；
所述模型构建模块，用于根据所述优化目标函数和所述运行约束条件，构建优化决策模型；
所述解析模块，用于基于预设算法，求解所述优化决策，确定所述绿色调度优化决策方案。
可选的，所述第一构建模块，构建的所述优化目标函数，为：
Figure SMS_77
其中，/>
Figure SMS_68
、/>
Figure SMS_73
分别为火电机组台数和风电场数；/>
Figure SMS_70
为离散化处理后的优化时段数；/>
Figure SMS_74
为优化时段间隔；/>
Figure SMS_78
为火电机组/>
Figure SMS_81
在时段/>
Figure SMS_75
的出力；/>
Figure SMS_79
为风电场/>
Figure SMS_67
在时段/>
Figure SMS_71
的弃风功率；/>
Figure SMS_80
、/>
Figure SMS_83
分别为风电场/>
Figure SMS_82
的正、负负荷均衡率；/>
Figure SMS_86
、/>
Figure SMS_76
、/>
Figure SMS_85
、/>
Figure SMS_84
分别为四个目标项的权重系数；/>
Figure SMS_87
、/>
Figure SMS_69
分别为火电机组/>
Figure SMS_72
煤耗函数和排放函数。
又一方面，一种绿色调度优化决策方案获取设备，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述任一项所述的绿色调度优化决策方案获取方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。。
本发明的有益效果为：
本发明实施例提供的绿色调度优化决策方案获取方法、装置及设备，该方法包括：构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；构建运行约束条件，运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；根据优化目标函数和运行约束条件，构建优化决策模型；基于预设算法，求解优化决策，确定绿色调度优化决策方案。摒弃了追求弃风最小的优化目标思路，考虑风火电量替代导致的全局能效和排放变化，并据此构造优化决策模型，在消纳新能源与节能环保目标之间实现均衡提升，提升电力系统运行效益。
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，下面将对实施例或现有技术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的附图。
图1为本发明实施例提供的一种绿色调度优化决策方案获取方法流程示意图；
图2为本发明实施例提供的煤耗率曲线示意图；
图3为本发明实施例提供的排放率曲线示意图；
图4为本发明实施例提供的一种绿色调度优化决策方案获取装置结构示意图；
图5为本发明实施例提供的一种绿色调度优化决策方案获取设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
为了至少解决本发明中提出的技术问题，本发明实施例提供一种绿色调度优化决策方案获取方法。
图1为本发明实施例提供的一种绿色调度优化决策方案获取方法流程示意图，请参阅图1，本发明实施例提供的方法，可以包括以下步骤：
S11、构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配。
在一个具体的实现过程中，考虑风火替代环境影响来获取绿色调度优化决策方案。在方案获取的过程中，构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配，从而实现考虑到工程实际需要，兼顾弃风电量最小化、弃风电量均衡分配两项工程化要求多目标的方案获取。
可选的，构建多目标协调的优化目标函数，构建的优化目标函数，可以表示为：
Figure SMS_88
(1)
其中，在公式（1）中，
Figure SMS_97
、/>
Figure SMS_90
分别为火电机组台数和风电场数；/>
Figure SMS_93
为离散化处理后的优化时段数；/>
Figure SMS_101
为优化时段间隔；/>
Figure SMS_104
为火电机组/>
Figure SMS_107
在时段/>
Figure SMS_108
的出力；/>
Figure SMS_98
为风电场/>
Figure SMS_102
在时段/>
Figure SMS_89
的弃风功率；/>
Figure SMS_94
、/>
Figure SMS_92
分别为风电场/>
Figure SMS_96
的正、负负荷均衡率；/>
Figure SMS_100
、/>
Figure SMS_105
、/>
Figure SMS_95
、/>
Figure SMS_99
分别为四个目标项的权重系数；/>
Figure SMS_103
、/>
Figure SMS_106
分别为火电机组/>
Figure SMS_91
煤耗函数和排放函数。
在一个具体的实施例中，可以定义某需要进行优化决策的电力系统为目标电力系统，从而对目标电力系统应用 本申请提供的绿色调度优化决策方案获取方法。在目标电力系统中，获取火电机组台数和风电场数
Figure SMS_109
、/>
Figure SMS_110
；并根据需求，离散化处理时间段，得到离散化处理后的优化时段数/>
Figure SMS_111
；并获取优化时段间隔/>
Figure SMS_112
。公式（1）中其他的参数均为本领域技术人员所公知，故，此处不做赘述。
可选的，火电机组
Figure SMS_113
煤耗函数、和排放函数，分别为：
Figure SMS_114
(2)
其中，
Figure SMS_116
、/>
Figure SMS_119
、/>
Figure SMS_121
分别为煤耗函数二次项、一次项和常数项系数；/>
Figure SMS_117
、/>
Figure SMS_118
、/>
Figure SMS_120
分别为排放函数二次项、一次项和常数项系数，满足/>
Figure SMS_122
，/>
Figure SMS_115
。
图2为本发明实施例提供的煤耗率曲线示意图；图3为本发明实施例提供的排放率曲线示意图。
参阅图2-3，在一个具体的实现过程中，在电力系统正常运行区间范围内，火电机组煤耗函数和排放函数可表示为发电功率的二次函数形式，如公式（2）所示。通过图2和图3可知，当火电机组功率下降时，其煤耗率和排放率初期并没有显著变化，而随着其进一步下降，超过一定程度时煤耗率与排放率将显著增加。
则在公式(1)所示的优化目标中
Figure SMS_123
为系统总能耗，
Figure SMS_124
为系统总排放，/>
Figure SMS_125
为总弃风电量，/>
Figure SMS_126
为各风电场弃风电量均衡性评价指标。因此， 本申请构建的优化目标函数，考虑了总能耗低（系统总能耗）、环境影响小（系统总排放）、弃风电量小（总弃风电量）、弃风电量均衡分配（各风电场弃风电量均衡性评价指标），从而实现度方面考虑。在本实施了中，为保证优化目标侧重于全局能耗和排放最小化，要求：/>
Figure SMS_127
。
S12、构建运行约束条件，运行约束条件包括：电网运行约束、火电机组运行特性约束。
电网运行约束是指电网运行所必须满足的运行特性约束条件，本实施例中，以电网运行约束、火电机组运行特性约束和风电场运行特性约束为例，进行说明。
可选的，电网运行约束，包括：电力电量平衡约束、网络传输特性约束和输电线路传输能力约束：
Figure SMS_128
(3)
其中，
Figure SMS_130
为节点/>
Figure SMS_135
在时段/>
Figure SMS_139
的负荷预测，/>
Figure SMS_131
为节点数，/>
Figure SMS_134
为N-1阶矩阵，是节点导纳矩阵的虚部；/>
Figure SMS_138
、/>
Figure SMS_142
为N-1维列向量，分别是节点注入有功功率列向量和节点电压相角列向量；/>
Figure SMS_129
为风电场/>
Figure SMS_133
在时段/>
Figure SMS_137
的发电功率；/>
Figure SMS_141
为输电线路/>
Figure SMS_132
在时段/>
Figure SMS_136
的传输功率；/>
Figure SMS_140
、/>
Figure SMS_143
分别为传输功率上、下限值。
火电机组运行特性约束是指火电机组运行所必须满足的运行条件，可选的，火电机组运行特性约束，包括：出力上下限约束、机组爬坡能力约束：
Figure SMS_144
(4)
其中 ，
Figure SMS_145
、/>
Figure SMS_146
分别为火电机组/>
Figure SMS_147
的出力上、下限；/>
Figure SMS_148
、/>
Figure SMS_149
分别为火电机组/>
Figure SMS_150
的爬坡能力上、下限。
风电场运行特性约束是指风电场运行所需要满足的运行条件，可选的，风电场运行特性约束，包括：弃风电量约束、弃风均衡性约束：
Figure SMS_151
(5)
其中，
Figure SMS_152
为风电场/>
Figure SMS_156
时段/>
Figure SMS_159
预测发电功率，/>
Figure SMS_154
为该风电场/>
Figure SMS_157
当日负荷率，/>
Figure SMS_160
为全网风电场平均负荷率，/>
Figure SMS_161
、/>
Figure SMS_153
为风电场正、负负荷均衡率，满足/>
Figure SMS_155
，/>
Figure SMS_158
。
风电场负荷率为该风电场计划曲线发电量与预测曲线发电量的比值，可选的，风电场的负荷率与全网风电场平均负荷率满足：
Figure SMS_162
(6)
风电场正、负负荷均衡率的数值反映了各风电场的负荷率与全网平均水平的偏离程度，在优化目标中引入其和最小能够保证优化结果尽量降低各风电场弃风的差异。
S13、根据优化目标函数和运行约束条件，构建优化决策模型。
S14、基于预设算法，求解优化决策，确定绿色调度优化决策方案。
在本发明实施例中，在获取到优化目标函数和运行约束条件后，将优化目标函数和运行约束条件联立，可以得到以全局能耗与排放最小化的绿色调度优化模型，该模型可整体表示为：
Figure SMS_163
(7)
该模型为凸二次规划问题，可利用Cplex等商用软件包直接求解得到。求解问题属于较为成熟的数学优化问题，这里不赘述其实施过程。
本发明实施例提供的绿色调度优化决策方案获取方法，包括：构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；构建运行约束条件，运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；根据优化目标函数和运行约束条件，构建优化决策模型；基于预设算法，求解优化决策，确定绿色调度优化决策方案。摒弃了追求弃风最小的优化目标思路，考虑风火电量替代导致的全局能效和排放变化，并据此构造优化决策模型，在消纳新能源与节能环保目标之间实现均衡提升，提升电力系统运行效益。
基于一个总的发明构思，本发明实施例还提供一种绿色调度优化决策方案获取装置。
图4为本发明实施例提供的一种绿色调度优化决策方案获取装置结构示意图，请参阅图4，本发明实施例提供的装置，可以包括以下结构：第一构建模块41、第二构建模块42、模型构建模块43和解析模块44；
其中，第一构建模块41，用于构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；
第二构建模块42，用于构建运行约束条件，运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；
模型构建模块43，用于根据优化目标函数和运行约束条件，构建优化决策模型；
解析模块44，用于基于预设算法，求解优化决策，确定绿色调度优化决策方案。
可选的，第一构建模块41，构建的优化目标函数，为：
Figure SMS_174
其中，/>
Figure SMS_165
、/>
Figure SMS_170
分别为火电机组台数和风电场数；/>
Figure SMS_167
为离散化处理后的优化时段数；/>
Figure SMS_171
为优化时段间隔；/>
Figure SMS_175
为火电机组/>
Figure SMS_179
在时段/>
Figure SMS_173
的出力；/>
Figure SMS_177
为风电场/>
Figure SMS_164
在时段/>
Figure SMS_169
的弃风功率；/>
Figure SMS_178
、/>
Figure SMS_182
分别为风电场/>
Figure SMS_181
的正、负负荷均衡率；/>
Figure SMS_184
、/>
Figure SMS_172
、/>
Figure SMS_176
、/>
Figure SMS_180
分别为四个目标项的权重系数；/>
Figure SMS_183
、/>
Figure SMS_166
分别为火电机组/>
Figure SMS_168
煤耗函数和排放函数。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例提供的绿色调度优化决策方案获取装置，通过构建多目标协调的优化目标函数，多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；构建运行约束条件，运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；根据优化目标函数和运行约束条件，构建优化决策模型；基于预设算法，求解优化决策，确定绿色调度优化决策方案。摒弃了追求弃风最小的优化目标思路，考虑风火电量替代导致的全局能效和排放变化，并据此构造优化决策模型，在消纳新能源与节能环保目标之间实现均衡提升，提升电力系统运行效益。
基于一个总的发明构思，本发明实施例还提供一种绿色调度优化决策方案获取设备。
图5为本发明实施例提供的一种绿色调度优化决策方案获取设备结构示意图，请参阅图5，本发明实施例提供的一种虚拟电厂内部多元主体的竞价设备，包括：处理器51，以及与处理器相连接的存储器52。
存储器52用于存储计算机程序，计算机程序至少用于上述任一实施例记载的 绿色调度优化决策方案获取方法；
处理器51用于调用并执行存储器中的计算机程序。
以上所述，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种绿色调度优化决策方案获取方法，其特征在于，包括：
构建多目标协调的优化目标函数，所述多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；其中，所述构建多目标协调的优化目标函数，为：
Figure QLYQS_1
其中，NF、NW分别为火电机组台数和风电场数；NT为离散化处理后的优化时段数；ΔT为优化时段间隔；
Figure QLYQS_2
为火电机组f在时段t的出力；/>
Figure QLYQS_3
为风电场w在时段t的弃风功率；/>
Figure QLYQS_4
分别为风电场w的正、负负荷均衡率；λ1、λ2、λ3、λ4分别为四个目标项的权重系数；
Figure QLYQS_5
分别为火电机组f煤耗函数和排放函数；
构建运行约束条件，所述运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；
根据所述优化目标函数和所述运行约束条件，构建优化决策模型；
基于预设算法，求解所述优化决策，确定所述绿色调度优化决策方案。
2.根据权利要求1所述的方法，其特征在于，所述火电机组f煤耗函数、和排放函数，分别为：
Figure QLYQS_6
其中，
Figure QLYQS_7
分别为煤耗函数二次项、一次项和常数项系数；/>
Figure QLYQS_8
Figure QLYQS_9
分别为排放函数二次项、一次项和常数项系数，满足/>
Figure QLYQS_10
3.根据权利要求1所述的方法，其特征在于，所述电网运行约束，包括：电力电量平衡约束、网络传输特性约束和输电线路传输能力约束：
Figure QLYQS_11
其中，
Figure QLYQS_12
为节点b在时段t的负荷预测，NB为节点数，B为N-1阶矩阵，是节点导纳矩阵的虚部；P、θ为N-1维列向量，分别是节点注入有功功率列向量和节点电压相角列向量；/>
Figure QLYQS_13
为风电场w在时段t的发电功率；/>
Figure QLYQS_14
为输电线路l在时段t的传输功率；Pl Cmax、Pl Cmin分别为传输功率上、下限值。
4.根据权利要求1所述的方法，其特征在于，所述火电机组运行特性约束，包括：出力上下限约束、机组爬坡能力约束：
Figure QLYQS_15
其中，
Figure QLYQS_16
分别为火电机组f的出力上、下限；/>
Figure QLYQS_17
分别为火电机组f的爬坡能力上、下限。
5.根据权利要求1所述的方法，其特征在于，所述风电场运行特性约束，包括：弃风电量约束、弃风均衡性约束：
Figure QLYQS_18
其中，
Figure QLYQS_19
为风电场w时段t预测发电功率，/>
Figure QLYQS_20
为该风电场w当日负荷率，αGA为全网风电场平均负荷率，/>
Figure QLYQS_21
为风电场正、负负荷均衡率，满足/>
Figure QLYQS_22
Figure QLYQS_23
为风电场w在时段t的发电功率。
6.根据权利要求5所述的方法，其特征在于，风电场的负荷率与全网风电场平均负荷率满足：
Figure QLYQS_24
7.一种绿色调度优化决策方案获取装置，其特征在于，包括：第一构建模块、第二构建模块、模型构建模块和解析模块；
所述第一构建模块，用于构建多目标协调的优化目标函数，所述多目标包括：总能耗低、环境影响小、弃风电量小、弃风电量均衡分配；
所述第二构建模块，用于构建运行约束条件，所述运行约束条件包括：电网运行约束、火电机组运行特性约束和风电场运行特性约束；
所述模型构建模块，用于根据所述优化目标函数和所述运行约束条件，构建优化决策模型；
所述解析模块，用于基于预设算法，求解所述优化决策，确定所述绿色调度优化决策方案；
其中，所述第一构建模块，构建的所述优化目标函数，为：
Figure QLYQS_25
其中，NF、NW分别为火电机组台数和风电场数；NT为离散化处理后的优化时段数；ΔT为优化时段间隔；
Figure QLYQS_26
为火电机组f在时段t的出力；/>
Figure QLYQS_27
为风电场w在时段t的弃风功率；/>
Figure QLYQS_28
分别为风电场w的正、负负荷均衡率；λ1、λ2、λ3、λ4分别为四个目标项的权重系数；
Figure QLYQS_29
分别为火电机组f煤耗函数和排放函数。
8.一种绿色调度优化决策方案获取设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1～6任一项所述的绿色调度优化决策方案获取方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
CN202011281952.7A 2020-11-16 2020-11-16 绿色调度优化决策方案获取方法、装置及设备 Expired - Fee Related CN112421626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011281952.7A CN112421626B (zh) 2020-11-16 2020-11-16 绿色调度优化决策方案获取方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281952.7A CN112421626B (zh) 2020-11-16 2020-11-16 绿色调度优化决策方案获取方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112421626A CN112421626A (zh) 2021-02-26
CN112421626B true CN112421626B (zh) 2023-07-14

Family

ID=74831856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281952.7A Expired - Fee Related CN112421626B (zh) 2020-11-16 2020-11-16 绿色调度优化决策方案获取方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112421626B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113904320B (zh) * 2021-08-31 2023-12-22 国家电投集团科学技术研究院有限公司 铝电协同优化调度方法、装置、计算机设备和存储介质
CN117709689B (zh) * 2024-02-05 2024-05-28 浙江浙能技术研究院有限公司 一种计及整体效能与能量阻抗的风电场功率分配优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140350743A1 (en) * 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
CN107508328A (zh) * 2017-04-08 2017-12-22 东北电力大学 考虑风电消纳的联合系统能量优化方法
CN108964146A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 基于风、火、水、核协调的多电源优化调度方法和装置
CN110443398A (zh) * 2019-05-13 2019-11-12 华北电力大学（保定） 一种基于重复博弈模型的区域综合能源系统优化运行方法
CN110503255A (zh) * 2019-08-13 2019-11-26 常州大学 一种风火储电力系统联合优化调度方法
CN110689286A (zh) * 2019-11-13 2020-01-14 国网陕西省电力公司电力科学研究院 中长期电力市场下风火打捆电厂的最优合同电量决策方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140350743A1 (en) * 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
CN107508328A (zh) * 2017-04-08 2017-12-22 东北电力大学 考虑风电消纳的联合系统能量优化方法
CN108964146A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 基于风、火、水、核协调的多电源优化调度方法和装置
CN110443398A (zh) * 2019-05-13 2019-11-12 华北电力大学（保定） 一种基于重复博弈模型的区域综合能源系统优化运行方法
CN110503255A (zh) * 2019-08-13 2019-11-26 常州大学 一种风火储电力系统联合优化调度方法
CN110689286A (zh) * 2019-11-13 2020-01-14 国网陕西省电力公司电力科学研究院 中长期电力市场下风火打捆电厂的最优合同电量决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Efficient Parameter-Free Adaptive Multi-Modal Hashing;Chaoqun Zheng;《IEEE SIGNAL PROCESSING LETTERS》;20200709;全文 *
基于整定计算系统的保护动作评价分析;张树森;《宁夏电力》;20170430;全文 *
考虑环境成本及网络约束的风-火联合发电调度;崔杨;《电网技术》;20171130;全文 *

Also Published As

Publication number Publication date
CN112421626A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Noilublao et al. Simultaneous topology, shape and sizing optimisation of a three-dimensional slender truss tower using multiobjective evolutionary algorithms
CN113393054A (zh) 一种风储联合系统的优化调度方法及优化调度系统
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN112421626B (zh) 绿色调度优化决策方案获取方法、装置及设备
CN107392395A (zh) 一种基于价格激励机制的配电网和微电网协调优化方法
Tang et al. Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques
Hooshmand et al. Experimental demonstration of a tiered power management system for economic operation of grid-tied microgrids
Li et al. Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system
Nemati et al. Optimization of microgrids short term operation based on an enhanced genetic algorithm
CN115423207A (zh) 风储虚拟电厂在线调度方法和装置
Shahinzadeh et al. Glowworm swarm optimization algorithm for solving non-smooth and non-convex economic load dispatch problems
CN107171365A (zh) 基于场景解耦和异步迭代的多目标随机动态经济调度方法
CN115564142B (zh) 一种混合储能系统的选址定容优化方法及系统
CN113675890A (zh) 基于td3的新能源微电网优化方法
Zhang et al. Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach
CN113780622A (zh) 基于多智能体强化学习的多微网配电系统分布式调度方法
CN104915788B (zh) 一种考虑多风场相关性的电力系统动态经济调度的方法
CN110867904A (zh) 电量出清方法和设备
CN109300058A (zh) 一种特大流域水电站群优化调度两阶段直接搜索降维方法
CN116706950A (zh) 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统
CN116073448B (zh) 一种基于低碳效益的配电系统源网荷储协同调峰方法
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN116345502A (zh) 混合储能双层模型容量优化配置方法、系统、设备及介质
CN111082442B (zh) 一种基于改进fpa的储能容量优化配置方法
CN118316039B (zh) 一种多微电网储能云管理优化调度方法

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

Granted publication date: 20230714