CN112467807B - 一种多能源电力系统日前优化调度方法及系统 - Google Patents

一种多能源电力系统日前优化调度方法及系统 Download PDF

Info

Publication number
CN112467807B
CN112467807B CN202011465786.6A CN202011465786A CN112467807B CN 112467807 B CN112467807 B CN 112467807B CN 202011465786 A CN202011465786 A CN 202011465786A CN 112467807 B CN112467807 B CN 112467807B
Authority
CN
China
Prior art keywords
power
time period
ith
wind
scene
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
CN202011465786.6A
Other languages
English (en)
Other versions
CN112467807A (zh
Inventor
肖白
于龙泽
范越
严干贵
董凌
王茂春
杨洪志
周鹏
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.)
Northeast Electric Power University
State Grid Qinghai Electric Power Co Ltd
Original Assignee
Northeast Dianli University
State Grid Qinghai 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 Northeast Dianli University, State Grid Qinghai Electric Power Co Ltd filed Critical Northeast Dianli University
Priority to CN202011465786.6A priority Critical patent/CN112467807B/zh
Publication of CN112467807A publication Critical patent/CN112467807A/zh
Application granted granted Critical
Publication of CN112467807B publication Critical patent/CN112467807B/zh
Active 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J2300/20—The dispersed energy generation being of renewable 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
    • H02J2300/22—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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多能源电力系统日前优化调度方法及系统。该方法包括：基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；定义虚拟净负荷，并根据风电光伏发电功率场景生成虚拟净负荷；基于虚拟净负荷，建立多能源电力系统的日前优化调度模型；采用改进的自适应遗传算法对多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。本发明能够对含有风光水火蓄的多能源电力系统进行优化调度，减少由于风电和光伏发电的不确定性和波动性造成的弃风弃光弃水以及对电力系统安全运行的不利影响，提高可再生能源的消纳水平。

Description

一种多能源电力系统日前优化调度方法及系统
技术领域
本发明涉及电力系统日前优化调度领域，特别是涉及一种多能源电力系统日前优化调度方法及系统。
背景技术
大力发展可再生能源发电是应对能源和环境压力的重要手段，含有高比例可再生能源并网的多能源电力系统已成为未来电力系统发展的必然趋势。然而，不同于稳定性好的常规火电与水电，风电和光伏发电具有较强的随机性，其大规模并网使得电力系统的运行不确定性显著增大。
随着风电和光伏发电的占比逐渐提高，采用确定性调度模型，通过提高备用发电容量来应对风光不确定性的方式的经济性越来越差。对此，国内外已经有学者做了大量研究，考虑风电和光伏发电的电源特性，将风光可再生能源的发电功率看作不确定变量，先后建立了鲁棒优化调度、区间优化调度、基于机会约束规划的随机优化调度和基于场景分析法的随机优化调度等多种优化调度模型。
鲁棒优化调度方法，以在不确定变量最坏(风光预测误差最大)的条件下寻优为核心思想进行调度。其主要实现步骤为如下：步骤一：以集合的方式描述风光发电功率这一不确定变量；步骤二：考虑最极端的情况下确定调度的优化目标函数；步骤三：建立包括电源的运行约束及系统的功率平衡约束在内的约束条件；步骤四：利用算法对调度模型进行求解得到调度结果。鲁棒优化调度方法所考虑的最劣势场景出现概率较低，使得调度方案偏保守且经济性较差。
区间优化调度利用区间变量代替不确定变量参与优化计算。该方法在目标函数及约束条件的建立中均采用区间变量代表风电和光伏的发电功率，其他步骤与鲁棒优化基本相似。区间优化调度方法由于在调度过程中只考虑风光发电功率的上下边界，因此也存在着经济性较差的问题。
基于机会约束规划的优化调度，不要求含不确定变量的约束必然成立，而是要求其成立的概率满足一定的置信水平要求，来进行优化调度。步骤一：利用风电和光伏发电功率的预测误差概率分布建模；步骤二：制定优化调度的目标函数；步骤三：基于风电光伏预测误差的概率分布模型建立含置信度的约束条件；步骤四：根据目标函数及约束条件对调度模型进行求解。基于机会约束规划的优化调度方法需要利用不确定变量的概率分布建模，但对于预测误差的分布规律难以做到完全准确的描述，只能排除极限小概率场景的影响。另外在模型求解过程中对机会约束条件需要进行一系列的处理，使得模型不够简洁，不利于快速求解。
基于场景分析法的优化调度根据不确定变量的概率分布信息进行抽样，采用多个确定性的场景来代表原来的不确定变量进行调度建模与求解。基于场景分析的调度方法，通过生成足够接近真实的场景，可以避免风光不确定变量带来的不利影响。但采用不同的场景生成方法还存在着不同的问题。
现有的场景生成方法可分为概率模型法、经典场景法和深度学习方法。
概率模型法根据统计经验或概率分布，结合蒙特卡洛、拉丁超立方等采样方法生成风光功率场景。步骤一：对风电和光伏发电功率的概率分布建模；步骤二：对所建立的概率分布模型进行采样，得到风光发电功率。概率模型法为了尽可能精确地表达不确定变量的分布信息，需要生成大量的场景，但这会显著增加优化调度模型的求解时间。
经典场景生成法应用数据挖掘和场景削减等技术可以在尽可能保留不确定变量概率分布信息的基础上，对大规模历史场景进行削减或优化生成，从而生成能够代表整个待解决问题区间的经典场景集。该方法主要步骤为在概率模型法基础上增加步骤三：利用算法对采样后得到的多个风光发电功率场景进行削减，得到具有代表性的风光发电功率场景。经典场景生成法随着电力系统中的数据维度的增加，计算复杂度也大大增加，经典场景生成方法面对复杂的实际应用环境缺乏广泛的适用性。
深度学习生成法基于深度学习框架，可以对数据进行深度挖掘，深入分析数据内部统计规律，实现场景的无监督生成。深度学习生成方法相较于其他类型的场景生成方法，泛化能力与数据表达能力强，且完全依靠数据驱动，具有无监督、可自主学习等优点。利用深度学习的方法挖掘不确定变量的内在规律，相比于利用概率分布的方法，能够生成足够接近真实的场景，避免不确定变量带来的不利影响。
发明内容
本发明的目的是提供一种多能源电力系统日前优化调度方法及系统，能够对含有风光水火蓄的多能源电力系统进行优化调度，减少由于风电和光伏发电的不确定性和波动性造成的弃风弃光弃水以及对电力系统安全运行的不利影响，提高可再生能源的消纳水平。
为实现上述目的，本发明提供了如下方案：
一种多能源电力系统日前优化调度方法，包括：
基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；
基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；
采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
可选地，所述基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景，具体包括：
构建生成器和判别器；
获取高斯噪声和历史风电光伏数据；
将所述高斯噪声输入至所述生成器进行训练，生成风电数据和光伏数据；
将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。
可选地，所述根据所述风电光伏发电功率场景生成虚拟净负荷，具体包括：
根据所述风电光伏发电功率场景采用公式
Figure BDA0002834137490000041
生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；
其中，PVL,t为第t个时段系统的虚拟净负荷；PL,t为第t个时段系统的实际总负荷；
Figure BDA0002834137490000042
为第t个时段风电的最大发电能力；
Figure BDA0002834137490000043
为第t个时段光伏的最大发电能力；
Figure BDA0002834137490000044
为第t个时段第i台火电机组的最小技术出力；
Figure BDA0002834137490000045
为第t个时段第i个水电站的强迫出力；Nth和Nhy分别为火电机组和水电站的总数。
可选地，所述基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型，具体包括：
以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件。
可选地，所述目标函数为：
Figure BDA0002834137490000046
其中，C为系统总成本；T为调度周期内的总时段数；Cth,i,t为第t个时段内第i个火电机组的运行成本；Cps,i,t为第t个时段内第i个抽水蓄能机组的启停成本；ai、bi和ci分别为第i个火电机组的成本系数；
Figure BDA0002834137490000051
和
Figure BDA0002834137490000052
分别为第i个抽水蓄能机组的发电和抽水成本；
Figure BDA0002834137490000053
和
Figure BDA0002834137490000054
分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；
Figure BDA0002834137490000055
为调度周期内第i个水电站的计划发电量；ΔT为每个调度时段的时间间隔；Qhy,i为第i个水电站在调度周期内弃水的等效电量；ψ为可再生能源弃电的惩罚成本系数，元/(MW.h)；
Figure BDA00028341374900000515
为第t个时段系统弃风、弃光的总功率；
Figure BDA0002834137490000056
和
Figure BDA0002834137490000057
分别为第t个时段弃风和弃光的等效功率。
可选地，所述约束条件包括：
1)火电机组约束
火电机组在运行过程中需要满足功率上下限约束及爬坡约束，见公式：
Figure BDA0002834137490000058
其中，Pth,i,t为第i台火电机组在第t个时段的发电功率；
Figure BDA0002834137490000059
为第i个火电机组的功率上限；ΔPth,i,t为第i个火电机组第t个时段与t-1时段功率的差值；
Figure BDA00028341374900000510
和
Figure BDA00028341374900000511
为第i台火电机组的上下爬坡；
2)水电站约束
水电站运行时的约束主要包括功率上下限约束、爬坡约束及发电流量约束，见公式：
Figure BDA00028341374900000512
其中，Phy,i,t为第i个水电站在第t个时段的发电功率；
Figure BDA00028341374900000513
和
Figure BDA00028341374900000514
为第i个水电站的功率上下限；ΔPhy,i,t为第i个水电站第t个时段与t-1时段功率的差值；
Figure BDA0002834137490000061
和
Figure BDA0002834137490000062
为第i个水电站的上下爬坡；
3)抽水蓄能机组约束
抽水蓄能机组运行时需满足功率上下限约束、库容约束以及工作状态转换约束，见公式：
Figure BDA0002834137490000063
其中，Pps,i,t为第i台抽水蓄能机组在第t个时段的发电功率；
Figure BDA0002834137490000064
为第i台抽水蓄能机组的功率上限；
Figure BDA0002834137490000065
和
Figure BDA0002834137490000066
为第t个时段抽水蓄能电站的上/下水库库容；
Figure BDA0002834137490000067
和
Figure BDA0002834137490000068
分别为抽水蓄能电站上水库在首末时段的库容；
Figure BDA0002834137490000069
和
Figure BDA00028341374900000610
分别为第t个时段第i台抽水蓄能机组的发电和抽水流量；
Figure BDA00028341374900000611
和
Figure BDA00028341374900000612
为抽水蓄能电站的上水库库容上下限；
Figure BDA00028341374900000613
和
Figure BDA00028341374900000614
为抽水蓄能电站的下水库库容上下限；αi和βi分别为第i台抽水蓄能机组在发电和抽水时的水量损耗系数；
4)灵活性约束
多能源电力系统中电源侧的灵活性供给，来自于水电站、火电机组以及抽水蓄能机组，并分为上调灵活性供给与下调灵活性供给，根据公式计算：
Figure BDA00028341374900000615
Figure BDA0002834137490000071
其中，
Figure BDA0002834137490000072
和
Figure BDA0002834137490000073
分别为第t个时段系统的上/下调灵活性供给；
Figure BDA0002834137490000074
和
Figure BDA0002834137490000075
分别为第t个时段第i个火电机组的上/下调灵活性供给；
Figure BDA0002834137490000076
和
Figure BDA0002834137490000077
分别为第t个时段第i个水电站的上/下调灵活性供给；
Figure BDA0002834137490000078
和
Figure BDA0002834137490000079
分别为第t个时段第i个抽水蓄能机组的上/下调灵活性供给；Nps为抽水蓄能机组的总数；Pp,i为第i台抽水蓄能机组的抽水功率；
多能源电力系统中的灵活性需求源于负荷及风光功率的波动性和不确定性，并同样具有上调和下调两个方向，根据公式计算：
Figure BDA00028341374900000710
其中，ΔPVL,t为t+1时段与第t个时段间的虚拟净负荷的波动量；
Figure BDA00028341374900000711
和
Figure BDA00028341374900000712
分别为第t个时段系统的上/下调灵活性需求；PL,t+1、Pw,t+1和Ppv,t+1分别为t+1时段负荷、风电和光伏的预测值；λu和λd分别为负荷预测误差对上/下调灵活性的需求系数；ωu和ωd分别为风电功率预测误差对上/下调灵活性的需求系数；ξs和ξd分别为光伏功率预测误差对上/下调灵活性的需求系数；λe为机组故障停机对上调灵活性的需求系数；
在整个调度周期的任意时段内，系统应具有充足的灵活性，并以灵活性裕度的形式来衡量系统的灵活性，其表达式如公式所示：
Figure BDA00028341374900000713
其中，
Figure BDA00028341374900000714
和
Figure BDA00028341374900000715
分别为第t个时段的系统的上调和下调灵活性裕度；
5)系统功率平衡约束
在基于虚拟净负荷的多能源电力系统的日前优化调度模型中，多能源电力系统中的功率平衡约束如公式所示：
Figure BDA0002834137490000081
其中，
Figure BDA0002834137490000082
和
Figure BDA0002834137490000083
为第t个时段火电和水电的调峰功率。
一种多能源电力系统日前优化调度系统，包括：
风电光伏发电功率场景生成模块，用于基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
虚拟净负荷生成模块，用于根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；
日前优化调度模型建立模块，用于基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；
调度结果确定模块，用于采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
可选地，所述风电光伏发电功率场景生成模块，具体包括：
生成器/判别器构建单元，用于构建生成器和判别器；
数据获取单元，用于获取高斯噪声和历史风电光伏数据；
生成器训练单元，用于将所述高斯噪声输入至所述生成器进行训练，得到风电数据和光伏数据；
判别器训练单元，用于将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
风电光伏发电功率场景确定单元，用于在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。
可选地，所述虚拟净负荷生成模块，具体包括：
虚拟净负荷生成单元，用于根据所述风电光伏发电功率场景采用公式
Figure BDA0002834137490000091
生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；
其中，PVL,t为第t个时段系统的虚拟净负荷；PL,t为第t个时段系统的实际总负荷；
Figure BDA0002834137490000092
为第t个时段风电的最大发电能力；
Figure BDA0002834137490000093
为第t个时段光伏的最大发电能力；
Figure BDA0002834137490000094
为第t个时段第i台火电机组的最小技术出力；
Figure BDA0002834137490000095
为第t个时段第i个水电站的强迫出力；Nth和Nhy分别为火电机组和水电站的总数。
可选地，所述日前优化调度模型建立模块，具体包括：
目标函数建立单元，用于以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
约束条件建立单元，用于根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件。
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：
本发明能够依靠数据驱动无监督的生成接近真实的场景，具有广泛的适应性，调度建模过程简单方便，模型简洁，求解快速，能够实现多能源电力系统的优化调度，提高系统的经济性和可再生能源的消纳水平。
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为本发明多能源电力系统日前优化调度方法流程图；
图2为用于可再生能源发电功率场景生成的WGAN的结构示意图；
图3为基于生成式对抗网络的虚拟净负荷生成框架示意图；
图4为本发明多能源电力系统日前优化调度系统结构图；
图5为WGAN训练过程中判别器的输出；
图6为WGAN训练过程中的Wasserstein距离；
图7为生成的2018年6月20日全省风电功率曲线；
图8为生成的2018年6月20日全省光伏功率曲线；
图9为2018年6月20日全省的实测负荷曲线；
图10为2018年6月20日全省虚拟净负荷曲线；
图11为采用本发明调度后的抽蓄、水电和火电功率曲线；
图12为采用对比方法1调度后的抽蓄、水电和火电功率曲线；
图13为采用对比方法2调度后的抽蓄、水电和火电功率曲线；
图14为采用对比方法3调度后的抽蓄、水电和火电功率曲线；
图15为采用对比方法4调度后的抽蓄、水电和火电功率曲线；
图16为采用本发明调度后的灵活性裕度曲线；
图17为采用对比方法1调度后的灵活性裕度曲线；
图18为采用对比方法2调度后的灵活性裕度曲线；
图19为采用对比方法3调度后的灵活性裕度曲线；
图20为采用对比方法4调度后的灵活性裕度曲线。
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多能源电力系统日前优化调度方法及系统，能够对含有风光水火蓄的多能源电力系统进行优化调度，减少由于风电和光伏发电的不确定性和波动性造成的弃风弃光弃水以及对电力系统安全运行的不利影响，提高可再生能源的消纳水平。
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。
针对上述问题，考虑到风电光伏发电的不确定性给优化调度工作带来的困难，本发明采用基于场景分析的这类优化调度方法。首先利用改进的生成式对抗网络进行风光发电功率场景生成，得到与真实风光发电功率概率分布接近的场景，然后将其当作未来真实的风光发电场景，并为了在该场景下能够实现含风光水火蓄的多能源电力系统的日前优化调度，提高可再生能源的消纳，定义了虚拟净负荷的概念，基于计算出的虚拟净负荷，考虑抽水蓄能的快速响应能力和双向调节能力，以及系统的灵活性平衡约束，建立以尽限利用可再生能源为目标的多能源电力系统日前优化调度模型。
图1为本发明多能源电力系统日前优化调度方法流程图。如图1所示，一种多能源电力系统日前优化调度方法包括：
步骤101：基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景，具体包括：
步骤1011：构建生成器和判别器。
步骤1012：获取高斯噪声和历史风电光伏数据。
步骤1013：将所述高斯噪声输入至所述生成器进行训练，得到风电数据和光伏数据。生成器的损失函数定义为：LG＝-Ez[D(G(z))]。式中：E表示期望的分布；G(z)为生成器生成的数据；D(～)表示判别器的输出。
步骤1014：将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练。判别器的损失函数如公式所示：LD＝Ez[D(G(z))]-Ex[D(x)]。
结合步骤1013和步骤1014中的两个损失函数可以得出，生成式对抗网络训练过程中的min-max二人博弈的目标函数如公式所示：
Figure BDA0002834137490000121
该目标函数表明，生成器试图生成接近真实数据分布规律的数据，从而使判别器无法判断数据是否来自真实数据，训练结束后，生成器将无监督地获得真实数据的分布规律。以上的博弈目标函数可以利用Wasserstein距离描述。，在对WGAN训练的过程中希望得到的是两个相互接近的随机变量D(x)和D(G(z)，因此可用公式来
Figure BDA0002834137490000122
计算WGAN的Wasserstein距离。
步骤1015：在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。
对生成器和判别器进行训练，在训练过程中，将高斯噪声输入生成器，通过多层神经网络进行一系列上采样操作后，生成的数据所满足的分布pg(z)逐渐拟合真实分布pr(x)，以尽可能使生成的数据趋于真实。与此同时，判别器的输入除了生成的数据还包括真实的历史数据，其经过下采样步骤输出连续值preal来衡量生成数据服从pr(x)的程度，其目的为尽可能准确地区分生成数据与真实数据。生成器试图生成接近真实数据分布规律的数据，从而使判别器无法判断数据是否来自真实数据。在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，此时生成器无监督地获得真实数据的分布规律，最终生成与真实场景的概率分布接近的场景。图2为用于可再生能源发电功率场景生成的WGAN的结构示意图。
步骤102：根据所述风电光伏发电功率场景生成虚拟净负荷，具体包括：
根据所述风电光伏发电功率场景采用公式
Figure BDA0002834137490000131
生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力。
其中，PVL,t为第t个时段系统的虚拟净负荷；PL,t为第t个时段系统的实际总负荷；
Figure BDA0002834137490000132
为第t个时段风电的最大发电能力；
Figure BDA0002834137490000133
为第t个时段光伏的最大发电能力；
Figure BDA0002834137490000134
为第t个时段第i台火电机组的最小技术出力；
Figure BDA0002834137490000135
为第t个时段第i个水电站的强迫出力；Nth和Nhy分别为火电机组和水电站的总数。
定义虚拟净负荷的概念，并利用上一步生成的风电光伏发电功率场景生成虚拟净负荷。
为了明确与已有“净负荷”和“虚拟负荷”的区别，本文定义“虚拟净负荷”如下。
定义：在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷称为该时段的虚拟净负荷。
图3为基于生成式对抗网络的虚拟净负荷生成框架示意图。如图3所示，利用生成的风电光伏发电功率场景，根据定义的虚拟净负荷的计算公式
Figure BDA0002834137490000136
结合目标电力系统的技术指标，即可实现目标电力系统的虚拟净负荷生成。
步骤103：基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型，具体包括：
步骤1031：以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数。
基于虚拟净负荷的多能源电力系统日前优化调度目标函数如公式所示：
Figure BDA0002834137490000141
式中：C为系统总成本；T为调度周期内的总时段数；Cth,i,t为第t个时段内第i个火电机组的运行成本；Cps,i,t为第t个时段内第i个抽水蓄能机组的启停成本；ai、bi和ci分别为第i个火电机组的成本系数；
Figure BDA0002834137490000142
和
Figure BDA0002834137490000143
分别为第i个抽水蓄能机组的发电和抽水成本；
Figure BDA0002834137490000144
和
Figure BDA0002834137490000145
分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；
Figure BDA0002834137490000146
为调度周期内第i个水电站的计划发电量；ΔT为每个调度时段的时间间隔；Qhy,i为第i个水电站在调度周期内弃水的等效电量；ψ为可再生能源弃电的惩罚成本系数，元/(MW.h)；
Figure BDA00028341374900001411
为第t个时段系统弃风、弃光的总功率；
Figure BDA0002834137490000147
和
Figure BDA0002834137490000148
分别为第t个时段弃风和弃光的等效功率。
步骤1032：根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件。
1)火电机组约束
火电机组在运行过程中需要满足功率上下限约束及爬坡约束，见公式：
Figure BDA0002834137490000149
式中：Pth,i,t为第i台火电机组在第t个时段的发电功率；
Figure BDA00028341374900001410
为第i个火电机组的功率上限；ΔPth,i,t为第i个火电机组第t个时段与t-1时段功率的差值；
Figure BDA0002834137490000151
和
Figure BDA0002834137490000152
为第i台火电机组的上下爬坡。
2)水电站约束
水电站运行时的约束主要包括功率上下限约束、爬坡约束及发电流量约束，见公式：
Figure BDA0002834137490000153
式中：Phy,i,t为第i个水电站在第t个时段的发电功率；
Figure BDA0002834137490000154
和
Figure BDA0002834137490000155
为第i个水电站的功率上下限；ΔPhy,i,t为第i个水电站第t个时段与t-1时段功率的差值；
Figure BDA0002834137490000156
和
Figure BDA0002834137490000157
为第i个水电站的上下爬坡。
3)抽水蓄能机组约束
抽水蓄能机组运行时需满足功率上下限约束、库容约束以及工作状态转换约束，见公式：
Figure BDA0002834137490000158
式中：Pps,i,t为第i台抽水蓄能机组在第t个时段的发电功率；
Figure BDA0002834137490000159
为第i台抽水蓄能机组的功率上限；
Figure BDA00028341374900001510
和
Figure BDA00028341374900001511
为第t个时段抽水蓄能电站的上/下水库库容；
Figure BDA00028341374900001512
和
Figure BDA00028341374900001513
分别为抽水蓄能电站上水库在首末时段的库容；
Figure BDA00028341374900001514
和
Figure BDA00028341374900001515
分别为第t个时段第i台抽水蓄能机组的发电和抽水流量；
Figure BDA00028341374900001516
和
Figure BDA00028341374900001517
为抽水蓄能电站的上水库库容上下限；
Figure BDA0002834137490000161
和
Figure BDA0002834137490000162
为抽水蓄能电站的下水库库容上下限；αi和βi分别为第i台抽水蓄能机组在发电和抽水时的水量损耗系数。
4)灵活性约束
本文主要考虑多能源电力系统中电源侧的灵活性供给，主要来自于水电站、火电机组以及抽水蓄能机组，并分为上调灵活性供给与下调灵活性供给，可根据公式计算。
Figure BDA0002834137490000163
Figure BDA0002834137490000164
式中：
Figure BDA0002834137490000165
和
Figure BDA0002834137490000166
分别为第t个时段系统的上/下调灵活性供给；
Figure BDA0002834137490000167
和
Figure BDA0002834137490000168
分别为第t个时段第i个火电机组的上/下调灵活性供给；
Figure BDA0002834137490000169
和
Figure BDA00028341374900001610
分别为第t个时段第i个水电站的上/下调灵活性供给；
Figure BDA00028341374900001611
和
Figure BDA00028341374900001612
分别为第t个时段第i个抽水蓄能机组的上/下调灵活性供给；Nps为抽水蓄能机组的总数；Pp,i为第i台抽水蓄能机组的抽水功率。
多能源电力系统中的灵活性需求主要源于负荷及风光功率的波动性和不确定性，并同样具有上调和下调两个方向，可根据公式计算：
Figure BDA00028341374900001613
式中：ΔPVL,t为t+1时段与第t个时段间的虚拟净负荷的波动量；
Figure BDA0002834137490000171
和
Figure BDA0002834137490000172
分别为第t个时段系统的上/下调灵活性需求；PL,t+1、Pw,t+1和Ppv,t+1分别为t+1时段负荷、风电和光伏的预测值；λu和λd分别为负荷预测误差对上/下调灵活性的需求系数；ωu和ωd分别为风电功率预测误差对上/下调灵活性的需求系数；ξs和ξd分别为光伏功率预测误差对上/下调灵活性的需求系数；λe为机组故障停机对上调灵活性的需求系数。
在整个调度周期的任意时段内，系统应具有充足的灵活性，并以灵活性裕度的形式来衡量系统的灵活性，其表达式如公式所示：
Figure BDA0002834137490000173
式中：
Figure BDA0002834137490000174
和
Figure BDA0002834137490000175
分别为第t个时段的系统的上调和下调灵活性裕度。
5)系统功率平衡约束
在基于虚拟净负荷的多能源电力系统的日前优化调度模型中，多能源电力系统中的功率平衡约束如公式所示：
Figure BDA0002834137490000176
式中：
Figure BDA0002834137490000177
和
Figure BDA0002834137490000178
为第t个时段火电和水电的调峰功率。
利用生成的虚拟净负荷，在保证火电最小技术出力，水电强迫出力的基础上，以尽限利用可再生能源(风光水)为目标，综合考虑水利部门调度安排的日用水量、系统的灵活性及抽蓄库容在日内的最优分配等约束问题，通过多能源电力系统中火、水和抽蓄的协调发电追踪虚拟净负荷，建立基于生成虚拟净负荷的多能源电力系统的日前优化调度模型。
步骤104：采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
针对风电光伏不确定性为多能源电力系统的优化调度和可再生能源消纳带来的影响，采用常规确定性方法、鲁棒优化调度方法、区间优化调度方法、基于机会约束规划的优化调度方法分别存在着经济性差和模型复杂无法快速求解的问题，而本发明采用了基于场景分析法这类的调度方法，采用确定的场景代替风光不确定变量进行优化调度计算，避免了风光不确定性的影响，并定义了虚拟净负荷这一概念，其能够直观地反映出火电在最小技术出力且水电在强迫出力的场景下，全额消纳风光后还需要满足的“负荷”情况。在此基础上，可以更加简单和方便地协调各电源发电追踪虚拟净负荷，来应对风光的不确定性和负荷预测误差给优化调度带来的不利影响，并在保证系统总发电成本最小的同时实现对可再生能源的尽限利用。
同时在场景生成方法上，概率模型法和经典场景生成法，需要生成大量场景并进行场景削减，计算复杂难以快速求解并缺乏广泛的适应性，而本发明采用的深度学习生成法WGAN可以通过对数据内在特征的挖掘，避免生成大量场景与场景削减造成的信息丢失，直接生成与真实场景分布接近的场景。
因此，本发明能够依靠数据驱动无监督的生成接近真实的场景，具有广泛的适应性，调度建模过程简单方便，模型简洁，求解快速，能够实现多能源电力系统的优化调度，提高系统的经济性和可再生能源的消纳水平。
图4为本发明多能源电力系统日前优化调度系统结构图。如图4所示，一种多能源电力系统日前优化调度系统包括：
风电光伏发电功率场景生成模块201，用于基于所述Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
虚拟净负荷生成模块202，用于根据所述风电光伏发电功率场景生成虚拟净负荷；
日前优化调度模型建立模块203，用于基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；
调度结果确定模块204，用于采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
所述风电光伏发电功率场景生成模块201，具体包括：
生成器/判别器构建单元，用于构建生成器和判别器；
数据获取单元，用于获取高斯噪声和历史风电光伏数据；
生成器训练单元，用于将所述高斯噪声输入至所述生成器进行训练，得到风电数据和光伏数据；
判别器训练单元，用于将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
风电光伏发电功率场景确定单元，用于在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。
所述虚拟净负荷生成模块202，具体包括：
虚拟净负荷生成单元，用于根据所述风电光伏发电功率场景采用公式
Figure BDA0002834137490000191
生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力。
其中，PVL,t为第t个时段系统的虚拟净负荷；PL,t为第t个时段系统的实际总负荷；
Figure BDA0002834137490000192
为第t个时段风电的最大发电能力；
Figure BDA0002834137490000193
为第t个时段光伏的最大发电能力；
Figure BDA0002834137490000194
为第t个时段第i台火电机组的最小技术出力；
Figure BDA0002834137490000195
为第t个时段第i个水电站的强迫出力；Nth和Nhy分别为火电机组和水电站的总数。
所述日前优化调度模型建立模块203，具体包括：
目标函数建立单元，用于以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
约束条件建立单元，用于根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件。
针对多能源电力系统中风电光伏发电的不确定性和波动性，对可再生能源消纳和系统安全运行的不利影响，采用其他现有调度方法包括：常规确定性调度方法、鲁棒优化方法、区间调度方法和基于机会约束规划的方法据存在着经济性差和难以求解等问题，而本文采用的基于场景分析的调度方法并利用虚拟净负荷，能够减少风光不确定变量带来的影响，提高系统的经济性，促进了可再生能源消纳。
在场景分析之前需要先进行场景生成，现有的其他场景生成方法包括：概率模型法和经典场景法，均需要生成大量场景并进行场景削减，会造成信息丢失并不利于快速求解，而本文采用的WGAN能够无监督的直接生成与真实场景概率分布接近的场景，具有广泛的适应性。
实施例1：
结合我国西北某省电网的工程实例，对本发明提出的优化调度模型及方法进行验证。该系统内火电装机容量为3160MW；风电装机容量为2000MW；光伏装机容量为9000MW；水电装机容量为10000MW；抽水蓄能装机容量为1800MW。以一天24h为调度周期，时间尺度为15min。与水利部门调度安排的日用水量相对应的水电日发电量为144GWh。改进的自适应遗传算法种群数目设置为50，迭代次数为500。
为验证本发明中调度环节的有效性和优越性，采用WGAN生成的场景，将常规确定性调度方法作为对比方法1，基于功率平衡约束及各电源运行约束，按照负荷最大值的固定比例确定旋转备用容量，对多能源电力系统进行优化调度；将常规鲁棒优化调度方法作为对比方法2，在方法1的基础上保证当风电光伏发电功率的实际值低于预期值并达到偏差上限值时仍可满足系统的旋转备用约束的情况下对多能源电力系统进行优化调度。
为验证本发明中利用WGAN生成可再生能源发电功率场景环节的优越性，采用基于改进的马尔科夫链和Coupla理论的方法(简称M-C法)对风光发电功率时间序列建模进行场景生成，并基于该方法生成的场景分别采用对比方法1和对比方法2中的调度方法进行仿真，作为对比方法3和对比方法4。
使用该省一年的(2017年6月1日-2018年5月31日)风光发电功率的实测值，生成全省2018年6月的风电和光伏发电功率。如图7和图8所示。
在图5中，一开始判别器能够很容易地区分真实的场景和生成的场景，而随着训练次数的增加，二者逐渐难以被区分开。同时，由图6可知，在训练达到30000次后真实场景与生成的场景的分布间的Wasserstein距离逐渐收敛于0的附近，而继续训练至40000次的结果表明训练是稳定的，一旦收敛则表明生成的场景与真实场景具有非常接近的分布。
图9为2018年6月20日全省的实测负荷曲线。图10为2018年6月20日全省虚拟净负荷曲线。图10中虚拟净负荷大于零的时候表示2018年6月20日全省风光发电功率可以全额被消纳，虚拟净负荷小于零的时候表示在没有储能性质电源的情况下，当日会出现弃风弃光的现象。
本发明和对比方法1-4均以全额消纳风光和尽限利用水为目标对多能源电力系统进行优化调度，为了校核由这些方法得到的不同调度方案的正确性和有效性，从电源灵活性的角度做对比分析与计算。图11为采用本发明调度后的抽蓄、水电和火电功率曲线。图12为采用对比方法1调度后的抽蓄、水电和火电功率曲线。图13为采用对比方法2调度后的抽蓄、水电和火电功率曲线。图14为采用对比方法3调度后的抽蓄、水电和火电功率曲线。图15为采用对比方法4调度后的抽蓄、水电和火电功率曲线。
由图16-20可知，五种调度方案的上调灵活性裕度均大于零，即这些调度方案都可以使系统具有充足的上调灵活性来保证安全运行，但是灵活性裕度过高意味着无谓的浪费，对应着系统运行的经济性变差，也就是说在大于零的情况下，若上调灵活性裕度越小，则系统运行的经济性越好，因此通过对多种不同方法得到的上调灵活性裕度曲线对比可知，本文方法在保证上调灵活性充足的同时，避免了过高的灵活性带来的浪费，因此具有更好的经济性。
同样，在大于零的情况下，若下调灵活性裕度越小，则系统运行的经济性越好。当下调灵活性裕度小于零时，表明系统的下调灵活性不足，导致系统无法响应负荷或风光的波动，最终因无法满足功率平衡约束而不能安全运行，因为此时火电处于最小技术出力状态，所以只能通过弃风、弃光或弃水来满足系统安全运行的功率平衡约束条件。
由图16-20中的下调灵活性裕度曲线可知，用本发明得到的调度方案不但能够保证系统运行的安全性，而且经济性更好；而用四种对比方法得到的调度方案在多个时段下调灵活性裕度小于零，为保证系统的安全运行，必须弃掉部分可再生能源。
采用本发明和对比方法1-4分别进行调度后多能源电力系统的日发电成本见表1，容易看出本发明实现了对风光的全额消纳，并减少了弃水，而其他四种对比方法都存在弃风弃光，且弃水较多的问题，因此本发明对应的发电成本更低。
表1采用不同调度方法的多能源电力系统发电成本
Figure BDA0002834137490000221
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 (5)

1.一种多能源电力系统日前优化调度方法，其特征在于，包括：
基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
具体包括：
构建生成器和判别器；
获取高斯噪声和历史风电光伏数据；
将所述高斯噪声输入至所述生成器进行训练，生成风电数据和光伏数据；
将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景；
根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；
基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型，具体包括：
以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件；
所述目标函数为：
Figure DEST_PATH_IMAGE002
其中，C为系统总成本；T为调度周期内的总时段数；N th 为火电机组的总数；N hy 为水电站的总数；N ps 为抽水蓄能机组的总数；
Figure DEST_PATH_IMAGE004
为第t个时段内第i个火电机组的运行成本；
Figure DEST_PATH_IMAGE006
为第i台火电机组在第t个时段的发电功率；
Figure DEST_PATH_IMAGE008
为第t个时段内第i个抽水蓄能机组的启停成本；
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
分别为第i个火电机组的成本系数；
Figure DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE018
分别为第i个抽水蓄能机组的发电和抽水成本；
Figure DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE022
分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；
Figure DEST_PATH_IMAGE024
为调度周期内第i个水电站的计划发电量；ΔT为每个调度时段的时间间隔；
Figure DEST_PATH_IMAGE026
为第i个水电站在调度周期内弃水的等效电量；
Figure DEST_PATH_IMAGE028
为第i个水电站在第t个时段的发电功率；
Figure DEST_PATH_IMAGE030
为可再生能源弃电的惩罚成本系数；
Figure DEST_PATH_IMAGE032
为第t个时段系统弃风、弃光的总功率；
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE036
分别为第t个时段弃风和弃光的等效功率；
采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
2.根据权利要求1所述的多能源电力系统日前优化调度方法，其特征在于，所述根据所述风电光伏发电功率场景生成虚拟净负荷，具体包括：
根据所述风电光伏发电功率场景采用公式
Figure DEST_PATH_IMAGE038
，生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；
其中，
Figure DEST_PATH_IMAGE040
为第t个时段系统的虚拟净负荷；
Figure DEST_PATH_IMAGE042
为第t个时段系统的实际总负荷；
Figure DEST_PATH_IMAGE044
为第t个时段风电的最大发电能力；
Figure DEST_PATH_IMAGE046
为第t个时段光伏的最大发电能力；
Figure DEST_PATH_IMAGE048
为第t个时段第i台火电机组的最小技术出力；
Figure DEST_PATH_IMAGE050
为第t个时段第i个水电站的强迫出力；N th 和N hy 分别为火电机组和水电站的总数。
3.根据权利要求1所述的多能源电力系统日前优化调度方法，其特征在于，所述约束条件包括：
1）火电机组约束
火电机组在运行过程中需要满足功率上下限约束及爬坡约束，见公式：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE006A
为第i台火电机组在第t个时段的发电功率；
Figure DEST_PATH_IMAGE054
为第i个火电机组的功率上限；
Figure DEST_PATH_IMAGE056
为第i个火电机组第t个时段与t-1时段功率的差值；
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE060
为第i台火电机组的上下爬坡；
2）水电站约束
水电站运行时的约束主要包括功率上下限约束、爬坡约束及发电流量约束，见公式：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE028A
为第i个水电站在第t个时段的发电功率；
Figure DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE066
为第i个水电站的功率上下限；
Figure DEST_PATH_IMAGE068
为第i个水电站第t个时段与t-1时段功率的差值；
Figure DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE072
为第i个水电站的上下爬坡；
3）抽水蓄能机组约束
抽水蓄能机组运行时需满足功率上下限约束、库容约束以及工作状态转换约束，见公式：
Figure DEST_PATH_IMAGE074
其中，
Figure DEST_PATH_IMAGE076
为第i台抽水蓄能机组在第t个时段的发电功率；
Figure DEST_PATH_IMAGE078
为第i台抽水蓄能机组的功率上限；
Figure DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE082
为第t个时段抽水蓄能电站的上/下水库库容；
Figure DEST_PATH_IMAGE084
和
Figure DEST_PATH_IMAGE086
分别为抽水蓄能电站上水库在首末时段的库容；
Figure DEST_PATH_IMAGE088
和
Figure DEST_PATH_IMAGE090
分别为第t个时段第i台抽水蓄能机组的发电和抽水流量；
Figure DEST_PATH_IMAGE092
和
Figure DEST_PATH_IMAGE094
为抽水蓄能电站的上水库库容上下限；
Figure DEST_PATH_IMAGE096
和
Figure DEST_PATH_IMAGE098
为抽水蓄能电站的下水库库容上下限；
Figure DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE102
分别为第i台抽水蓄能机组在发电和抽水时的水量损耗系数；
Figure DEST_PATH_IMAGE020A
和
Figure DEST_PATH_IMAGE022A
分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；
4）灵活性约束
多能源电力系统中电源侧的灵活性供给，来自于水电站、火电机组以及抽水蓄能机组，并分为上调灵活性供给与下调灵活性供给，根据公式计算：
Figure DEST_PATH_IMAGE104
Figure DEST_PATH_IMAGE106
其中，
Figure DEST_PATH_IMAGE108
和
Figure DEST_PATH_IMAGE110
分别为第t个时段系统的上/下调灵活性供给；
Figure DEST_PATH_IMAGE112
和
Figure DEST_PATH_IMAGE114
分别为第t个时段第i个火电机组的上/下调灵活性供给；
Figure DEST_PATH_IMAGE116
和
Figure DEST_PATH_IMAGE118
分别为第t个时段第i个水电站的上/下调灵活性供给；
Figure DEST_PATH_IMAGE120
和
Figure DEST_PATH_IMAGE122
分别为第t个时段第i个抽水蓄能机组的上/下调灵活性供给；Nps为抽水蓄能机组的总数；
Figure DEST_PATH_IMAGE124
为第i台抽水蓄能机组的抽水功率；
多能源电力系统中的灵活性需求源于负荷及风光功率的波动性和不确定性，并同样具有上调和下调两个方向，根据公式计算：
Figure DEST_PATH_IMAGE126
其中，
Figure DEST_PATH_IMAGE128
为t+1时段与第t个时段间的虚拟净负荷的波动量；
Figure DEST_PATH_IMAGE130
和
Figure DEST_PATH_IMAGE132
分别为第t个时段系统的上/下调灵活性需求；
Figure DEST_PATH_IMAGE134
、
Figure DEST_PATH_IMAGE136
和
Figure DEST_PATH_IMAGE138
分别为t+1时段负荷、风电和光伏的预测值；
Figure DEST_PATH_IMAGE140
和
Figure DEST_PATH_IMAGE142
分别为负荷预测误差对上/下调灵活性的需求系数；
Figure DEST_PATH_IMAGE144
和
Figure DEST_PATH_IMAGE146
分别为风电功率预测误差对上/下调灵活性的需求系数；
Figure DEST_PATH_IMAGE148
和
Figure DEST_PATH_IMAGE150
分别为光伏功率预测误差对上/下调灵活性的需求系数；
Figure DEST_PATH_IMAGE152
为机组故障停机对上调灵活性的需求系数；
在整个调度周期的任意时段内，系统应具有充足的灵活性，并以灵活性裕度的形式来衡量系统的灵活性，其表达式如公式所示：
Figure DEST_PATH_IMAGE154
其中，
Figure DEST_PATH_IMAGE156
和
Figure DEST_PATH_IMAGE158
分别为第t个时段的系统的上调和下调灵活性裕度；
5）系统功率平衡约束
在基于虚拟净负荷的多能源电力系统的日前优化调度模型中，多能源电力系统中的功率平衡约束如公式所示：
Figure DEST_PATH_IMAGE160
其中，
Figure DEST_PATH_IMAGE162
和
Figure DEST_PATH_IMAGE164
为第t个时段火电和水电的调峰功率。
4.一种多能源电力系统日前优化调度系统，其特征在于，包括：
风电光伏发电功率场景生成模块，用于基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
所述风电光伏发电功率场景生成模块，具体包括：
生成器/判别器构建单元，用于构建生成器和判别器；
数据获取单元，用于获取高斯噪声和历史风电光伏数据；
生成器训练单元，用于将所述高斯噪声输入至所述生成器进行训练，得到风电数据和光伏数据；
判别器训练单元，用于将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
风电光伏发电功率场景确定单元，用于在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景；
虚拟净负荷生成模块，用于根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；
日前优化调度模型建立模块，用于基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；
所述日前优化调度模型建立模块具体包括：
目标函数建立单元，用于以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
约束条件建立单元，用于根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件；
所述目标函数为：
Figure DEST_PATH_IMAGE166
其中，C为系统总成本；T为调度周期内的总时段数；N th 为火电机组的总数；N hy 为水电站的总数；N ps 为抽水蓄能机组的总数；
Figure DEST_PATH_IMAGE004A
为第t个时段内第i个火电机组的运行成本；
Figure DEST_PATH_IMAGE006AA
为第i台火电机组在第t个时段的发电功率；
Figure DEST_PATH_IMAGE008A
为第t个时段内第i个抽水蓄能机组的启停成本；
Figure DEST_PATH_IMAGE010A
、
Figure DEST_PATH_IMAGE012A
和
Figure DEST_PATH_IMAGE014A
分别为第i个火电机组的成本系数；
Figure DEST_PATH_IMAGE016A
和
Figure DEST_PATH_IMAGE018A
分别为第i个抽水蓄能机组的发电和抽水成本；
Figure DEST_PATH_IMAGE020AA
和
Figure DEST_PATH_IMAGE022AA
分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；
Figure DEST_PATH_IMAGE024A
为调度周期内第i个水电站的计划发电量；ΔT为每个调度时段的时间间隔；
Figure DEST_PATH_IMAGE026A
为第i个水电站在调度周期内弃水的等效电量；
Figure DEST_PATH_IMAGE028AA
为第i个水电站在第t个时段的发电功率；
Figure DEST_PATH_IMAGE030A
为可再生能源弃电的惩罚成本系数；
Figure DEST_PATH_IMAGE032A
为第t个时段系统弃风、弃光的总功率；
Figure DEST_PATH_IMAGE034A
和
Figure DEST_PATH_IMAGE036A
分别为第t个时段弃风和弃光的等效功率；
调度结果确定模块，用于采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
5.根据权利要求4所述的多能源电力系统日前优化调度系统，其特征在于，所述虚拟净负荷生成模块，具体包括：
虚拟净负荷生成单元，用于根据所述风电光伏发电功率场景采用公式
Figure DEST_PATH_IMAGE038A
，生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；
其中，
Figure DEST_PATH_IMAGE040A
为第t个时段系统的虚拟净负荷；
Figure DEST_PATH_IMAGE042A
为第t个时段系统的实际总负荷；
Figure DEST_PATH_IMAGE044A
为第t个时段风电的最大发电能力；
Figure DEST_PATH_IMAGE046A
为第t个时段光伏的最大发电能力；
Figure DEST_PATH_IMAGE048A
为第t个时段第i台火电机组的最小技术出力；
Figure DEST_PATH_IMAGE050A
为第t个时段第i个水电站的强迫出力；N th 和N hy 分别为火电机组和水电站的总数。
CN202011465786.6A 2020-12-14 2020-12-14 一种多能源电力系统日前优化调度方法及系统 Active CN112467807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011465786.6A CN112467807B (zh) 2020-12-14 2020-12-14 一种多能源电力系统日前优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011465786.6A CN112467807B (zh) 2020-12-14 2020-12-14 一种多能源电力系统日前优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN112467807A CN112467807A (zh) 2021-03-09
CN112467807B true CN112467807B (zh) 2022-05-17

Family

ID=74804147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011465786.6A Active CN112467807B (zh) 2020-12-14 2020-12-14 一种多能源电力系统日前优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN112467807B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113328427B (zh) * 2021-05-07 2022-12-06 华能青岛热电有限公司 基于深度学习的直流供电系统及供电方法
CN113364044A (zh) * 2021-05-08 2021-09-07 广西电网有限责任公司电力科学研究院 一种风电接入的多源电力系统的短期优化系统及方法
CN113393119B (zh) * 2021-06-11 2022-08-30 河海大学 基于场景缩减-深度学习的梯级水电短期调度决策方法
CN113721476A (zh) * 2021-06-29 2021-11-30 武汉大学 100mw级可变速海水抽水蓄能机组与可再生能源联合运行系统硬件在环仿真平台及方法
CN113394820B (zh) * 2021-07-14 2022-07-12 国网甘肃省电力公司电力科学研究院 一种新能源并网电力系统的优化调度方法
CN113659638A (zh) * 2021-09-07 2021-11-16 华北电力大学 一种风-光-水-火联合发电系统日前优化调度方法
CN113991640B (zh) * 2021-09-23 2024-03-19 大唐国际发电股份有限公司张家口发电厂 基于火电的多能互补能源基地能源配置规划方法
WO2023065113A1 (zh) * 2021-10-19 2023-04-27 大连理工大学 风光水多能互补系统灵活性需求量化及协调优化方法
CN114548757B (zh) * 2022-02-21 2024-07-02 三峡大学 一种考虑源荷不确定性的火电机组灵活性改造规划方法
CN114662387B (zh) * 2022-03-19 2022-12-09 特斯联科技集团有限公司 基于gan的低碳经济园区的风光储能优化方法及系统
CN114884101B (zh) * 2022-07-04 2022-09-30 华中科技大学 一种基于自适应模型控制预测的抽水蓄能调度方法
CN116667446B (zh) * 2023-07-28 2023-09-26 河海大学 风电、抽水蓄能系统的容量配置方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN109742796A (zh) * 2019-01-10 2019-05-10 华北电力大学 一种风光水火储联合系统的多时间尺度协调调度方法
CN109936170A (zh) * 2019-04-08 2019-06-25 东北电力大学 考虑电源灵活性裕度的风光水火互补协调优化调度方法
CN110363399A (zh) * 2019-06-25 2019-10-22 广西大学 一种混合深度对抗网络滚动强化学习博弈策略
CN110443470A (zh) * 2019-07-18 2019-11-12 清华大学 基于生成式对抗网络的风光水联合调度方法及装置
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN111682531A (zh) * 2020-06-11 2020-09-18 国网重庆市电力公司 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN109256799A (zh) * 2018-09-17 2019-01-22 大连理工大学 一种基于样本熵的新能源电力系统优化调度方法
CN109742796A (zh) * 2019-01-10 2019-05-10 华北电力大学 一种风光水火储联合系统的多时间尺度协调调度方法
CN109936170A (zh) * 2019-04-08 2019-06-25 东北电力大学 考虑电源灵活性裕度的风光水火互补协调优化调度方法
CN110363399A (zh) * 2019-06-25 2019-10-22 广西大学 一种混合深度对抗网络滚动强化学习博弈策略
CN110443470A (zh) * 2019-07-18 2019-11-12 清华大学 基于生成式对抗网络的风光水联合调度方法及装置
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN111682531A (zh) * 2020-06-11 2020-09-18 国网重庆市电力公司 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
含风光水气火蓄的多能源电力系统日运行优化调度方法;韩江丽等;《东北电力大学学报》;20200615(第03期);50-58 *
计及需求价格弹性的区域能源中心建模与日前优化调度;陈泽兴等;《电力系统自动化》;20171020(第12期);33-41 *
风-光-水-火-抽蓄联合发电系统日前优化调度研究;张国斌等;《太阳能学报》;20200825(第08期);79-85 *

Also Published As

Publication number Publication date
CN112467807A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112467807B (zh) 一种多能源电力系统日前优化调度方法及系统
CN112186766B (zh) 一种基于Benders分解的多阶段分解方法
CN107240932B (zh) 一种水光互补系统中光伏电站容量优化方法
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
CN109103929B (zh) 基于改进动态克里丝金模型的配电网经济优化调度方法
CN108039737B (zh) 一种源网荷协调运行模拟系统
CN111064229A (zh) 基于q学习的风-光-气-蓄联合动态经济调度优化方法
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN110535132A (zh) 一种基于鲁棒优化的电力系统建设规划方法
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN111934366A (zh) 一种提高风电接纳能力的电网多元优化调度方法
Haddad et al. Mixed integer linear programming approach to optimize the hybrid renewable energy system management for supplying a stand-alone data center
CN112234604A (zh) 一种多能互补电源基地优化配置方法、存储介质及设备
Wei et al. Power balance control of RES integrated power system by deep reinforcement learning with optimized utilization rate of renewable energy
CN110460090B (zh) 一种水风光微电网电源容量配置方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
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
Cai et al. Two-tier coordinated optimal scheduling of wind/PV/hydropower and storage systems based on generative adversarial network scene generation
CN115115276B (zh) 考虑不确定性和隐私保护的虚拟电厂调度方法及系统
CN116896072A (zh) 远海风电与制氢系统的优化调控方法和装置
CN116540545A (zh) 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法
CN110707682A (zh) 基于模糊c-均值聚类的微电网中水风光电源容量配置方法
CN115967129A (zh) 电力系统源荷互动方法及装置
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
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

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