CN112633702B - 一种考虑可再生能源的电力系统可靠性快速评估方法 - Google Patents
一种考虑可再生能源的电力系统可靠性快速评估方法 Download PDFInfo
- Publication number
- CN112633702B CN112633702B CN202011558694.2A CN202011558694A CN112633702B CN 112633702 B CN112633702 B CN 112633702B CN 202011558694 A CN202011558694 A CN 202011558694A CN 112633702 B CN112633702 B CN 112633702B
- Authority
- CN
- China
- Prior art keywords
- load reduction
- state
- renewable energy
- optimal
- optimal load
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑可再生能源的电力系统可靠性快速评估方法,其技术特点在于包括:输入电力系统数据和可再生能源参数;聚类分析,缩减负荷和可再生能源出力状态;设定故障枚举最高阶数,建立系统故障状态集合;选择一个故障状态构建最优负荷削减模型,并对该模型进行100%校验,若校验通过则使用影子价格求解最优负荷削减量,否则采用单纯形优化算法求解最优负荷削减量;计算并输出可靠性评估指标。本发明核心在于基于影子价格构造了系统状态和最优负荷削减量的线性函数,以便于更快地计算海量状态的最优负荷削减量,并采用100%标准来确定状态的影子价格。本发明能够在保持可靠性评估精度的同时,显著提高含可再生能源的电力系统可靠性评估效率,为可再生能源的高比例接入提供了可靠性依据。
Description
技术领域
本发明涉及一种电力系统可靠性评估方法,特别是涉及一种含可再生能源的电力系统可靠性快速评估方法。
背景技术
能源对现代人类社会发展至关重要,对我国经济发展起支撑作用,直接关乎国家发展全局。近年来,随着人们对低碳排放和可持续发展的日益重视,使用化石燃料的传统能源正在退出,可再生资源得到迅速发展。然而,可再生能源所占份额的不断扩大给可靠性评估带来了更多的不确定性。与传统能源不同的是,光伏发电和风力发电的发电量是由太阳辐照、风速等因素决定的,这些自然因素的波动性和不可预测性使得可再生能源的发电出力具有随机性和间歇性。因此,对于可再生能源渗透率较高的电力系统,有必要考虑可再生能源对供电可靠性的影响。然而,随着电力系统规模的扩大和可再生能源的日益普及,可靠性评估需要充分考虑可再生能源出力的间歇性、负荷的波动性和系统设备故障的随机性等不确定性因素,这会导致系统状态的数量呈指数级增长,给可靠性评估带来严重的计算负担,进而导致可靠性评估效率低下。
电力系统可靠性评估一般采用蒙特卡洛模拟方法(MCS)和状态枚举法(SE)。蒙特卡洛方法对系统状态进行随机抽样,其中方差缩减,状态空间缩减和交叉熵等方法可以提高状态抽样的收敛速度,进而提高可靠性评估效率。然而,当系统元件设备故障率较低、系统可靠性较高时,蒙特卡洛法的抽样收敛速度往往受限。另一方面,状态枚举法对系统状态进行枚举分析,有助于分析可再生能源对系统可靠性的影响,进而为系统规划运行人员提供可再生能源可靠安全的消纳措施,但指数增长的系统状态会严重限制状态枚举法的计算效率。
针对含高比例可再生能源的电力系统可靠性评估,传统方法是通过系统状态缩减来提高可靠性评估速度。而很少研究关注于提高状态分析的速度。在可靠性评估中,状态分析需要对枚举的系统状态进行最优潮流优化计算,这需要消耗大量的计算时间,严重制约了电力系统可靠性评估的效率,无法满足在线应用对计算效率的要求。因此,如何高效地对高比例可再生能源的电力系统进行可靠性评估是本领域研究技术人员待遇解决的难题。
发明内容
本发明的目的在于克服现有技术中的缺陷,以可靠性评估速度提升为目标,提出一种考虑可再生能源的电力系统可靠性快速评估方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种考虑可再生能源的电力系统可靠性快速评估方法,包括以下步骤:
步骤1:输入电力系统数据和可再生能源参数。具体输入有:电力系统的拓扑结构、线路参数、设备参数、负荷时序曲线、风机年出力曲线和光伏年出力曲线;
步骤2:聚类分析,运用k-means聚类法来缩减负荷和可再生能源出力状态;
步骤3:设定故障枚举最高阶数,建立系统故障状态集合;
步骤4:选择一个故障状态构建最优负荷削减模型,进行100%准则校验,若满足,转至步骤6;否则,转至步骤5;
步骤5:通过单纯形优化算法求解得到该状态的最优负荷削减量;
步骤6:基于影子价格快速求解得到该状态的最优负荷削减量;
步骤7:计算并输出可靠性评估指标。
所述步骤4的具体方法为:
基于枚举的系统状态,构建最优负荷削减模型,其目标函数设置为全系统负荷削减量之后最小,控制变量设置为发电机节点的有功出力、各节点的负荷削减量以及电压相角值,约束条件包括潮流约束、发电机有功出力上下限、负荷削减量上下限以及线路允许通过的最大功率。具体表示为:
0≤PG,i≤PGmax,i i=1,2,…,g (1)
0≤PC,i≤PL,i i=1,2,…,n
θi≥0 i=1,2,…n
其中,PC,i、PG,i和PL,i分别是节点i的负荷削减量、发电机有功出力和负荷水平;PLC是系统的总负荷削减量;PGmax,i是第i台发电机的最大有功出力;PBmax,ij是支路ij的最大允许传送功率;θi、θj是节点i和j的电压相角;xij是线路ij的电抗值;n和g是系统中的节点数量和发电机数量。基于松弛变量,上述最优负荷削减模型可以表示为:
min z=cx
s.t.Ax=b (2)
x≥0
其中,z是目标函数,x是决策变量向量;A是系数矩阵,b是约束右端向量,c是价值向量。
线性规划的求解一般是通过单纯形法迭代求解的,单纯形法判据如下:
xB=B-1b,
z=cBB-1b, (3)
σ=c-cBB-1A
其中,B是基矩阵,σ是检验数向量,xB和cB是和基矩阵B对应的解和价值向量,令w=cBB-1即为影子价格。
单纯形法判据为:只要满足条件xB≥0和σ≥0,那么当前选择的基矩阵B就是最优基,相应的x就是最优解,进而可以求出最优值z。因此当求解完一个线性规划问题时,保留其基矩阵B和影子价格w,之后对于只有b向量变化的新的最优负荷削减模型,只需判断新的基向量xB是否仍满足非负条件即可,通过这个条件可以反解出b的允许变化范围,即百分百准则中的上下界:β1和β2。
100%准则是研究当系统状态所对应的b有多个分量变化时,影子价格是否变化。具体准则内容为:对于变化约束条件下的所有右端向量数据,当所有允许增加百分比和允许减少百分比之和不超过100%时,该模型的影子价格不变,如下所示:
其中,β1和β2是为保证新问题中的影子价格不变时b中某个分量允许变化的限制,Δβ为新的系统状态所对应最优负荷削减模型中b的某个分量的变化值。
所述步骤6的具体方法为:
当新的故障状态满足百分百准则判据时,可直接通过其影子价格数值w进行矩阵乘法运算来直接求得最优负荷削减量z,公式为z=wb',其中,b'为新的故障状态对应的最优负荷削减模型的右端向量。
所述步骤7的具体方法为:
根据最优潮流模型计算出所有列举的事故状态,得到可靠性评估指标。采用期望缺供电量(EENS)作为可靠性评估指标。计算公式如下:
其中,T是可靠性评估的时间尺度,P(s)是系统故障状态s的概率,I(s)是系统故障状态s的负荷削减量,Ω是系统故障状态集合。
本发明的优点和有益效果:
本发明的一种考虑可再生能源的电力系统可靠性快速评估方法,其核心在于基于影子价格构造了系统状态和最优负荷削减量的线性函数,以便于快速计算海量状态的最优负荷削减量,并采用100%标准来确定状态的影子价格。因此,本发明的一种考虑可再生能源的电力系统可靠性快速评估方法能够显著提高含可再生能源的电力系统可靠性评估效率,为可再生能源的高比例接入提供了可靠性依据。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。
图1是考虑可再生能源的电力系统可靠性快速评估方法流程图;
图2是RTS-79标准测试系统图;
图3是年负荷曲线图;
图4是光伏发电机年出力曲线图;
图5是风力发电机年出力曲线图;
图6是RTS-79系统中五种方法可靠性评估效果对比图;
具体实施方式
下面结合实施例和附图对本发明的一种考虑可再生能源的电力系统可靠性快速评估方法进一步详述:
一种考虑可再生能源的电力系统可靠性快速评估方法,评估流程图如图1所示,包括以下步骤:
步骤1:输入电力系统数据和可再生能源参数。具体输入有:电力系统的拓扑结构、线路参数、设备参数、负荷时序曲线、风机年出力曲线和光伏年出力曲线;
步骤2:聚类分析,运用k-means聚类法来缩减负荷和可再生能源出力状态;
步骤3:设定故障枚举最高阶数,建立系统故障状态集合;
步骤4:选择一个故障状态构建最优负荷削减模型,进行100%准则校验,若满足,转至步骤6;否则,转至步骤5。
基于枚举的系统状态,构建最优负荷削减模型,其目标函数设置为全系统负荷削减量之后最小,控制变量设置为发电机节点的有功出力、各节点的负荷削减量以及电压相角值,约束条件包括潮流约束、发电机有功出力上下限、负荷削减量上下限以及线路允许通过的最大功率。具体表示为:
0≤PG,i≤PGmax,i i=1,2,…,g (6)
0≤PC,i≤PL,i i=1,2,…,n
θi≥0 i=1,2,…n
其中,PC,i、PG,i和PL,i分别是节点i的负荷削减量、发电机有功出力和负荷水平;PLC是系统的总负荷削减量;PGmax,i是第i台发电机的最大有功出力;PBmax,ij是支路ij的最大允许传送功率;θi、θj是节点i和j的电压相角;xij是线路ij的电抗值;n和g是系统中的节点数量和发电机数量。基于松弛变量,上述最优负荷削减模型可以表示为:
min z=cx
s.t.Ax=b (7)
x≥0
其中,z是目标函数,x是决策变量向量;A是系数矩阵,b是约束右端向量,c是价值向量。线性规划的求解一般是通过单纯形法迭代求解的,单纯形法判据如下:
xB=B-1b,
z=cBB-1b, (8)
σ=c-cBB-1A
其中,B是基矩阵,σ是检验数向量,xB和cB是和基矩阵B对应的解和价值向量,令w=cBB-1即为影子价格。
单纯形法判据为:只要满足条件xB≥0和σ≥0,那么当前选择的基矩阵B就是最优基,相应的x就是最优解,进而可以求出最优值z。因此当求解完一个线性规划问题时,保留其基矩阵B和影子价格w,之后对于只有b向量变化的新的最优负荷削减模型,只需判断新的基向量xB是否仍满足非负条件即可,通过这个条件可以反解出b的允许变化范围,即百分百准则中的上下界:β1和β2。
100%准则是研究当系统状态所对应的b有多个分量变化时,影子价格是否变化。具体准则内容为:对于变化约束条件下的所有右端向量数据,当所有允许增加百分比和允许减少百分比之和不超过100%时,该模型的影子价格不变,如下所示:
其中,β1和β2是为保证新问题中的影子价格不变时b中某个分量允许变化的限制,Δβ为新的系统状态所对应最优负荷削减模型中b的某个分量的变化值。
步骤5:通过单纯形优化算法求解得到该状态的最优负荷削减量;
步骤6:基于影子价格快速求解得到该状态的最优负荷削减量。
当新的故障状态满足百分百准则判据时,可直接通过其影子价格数值w进行矩阵乘法运算来直接求得最优负荷削减量z,公式为z=wb',其中,b'为新的故障状态对应的最优负荷削减模型的右端向量。
步骤7:计算并输出可靠性评估指标。
根据最优潮流模型计算出所有列举的事故状态,得到可靠性评估指标。采用期望缺供电量(EENS)作为可靠性评估指标。计算公式如下:
其中,T是可靠性评估的时间尺度,P(s)是系统故障状态s的概率,I(s)是系统故障状态s的负荷削减量,Ω是系统故障状态集合。
对于本发明的实施例,采用RTS-79发输电测试系统,其拓扑结构如图2所示,包括24条母线、33个发电机组和38条支路,发电装机容量为34.05MW,峰值负荷为28.5MW。RTS-79系统节点数据见表2,系统发电机相关数据见表3,系统支路数据见表4。RTS-79系统的5%装机容量为光伏和风机,光伏与风机的装机容量比例为1:1,状态聚类数为100。年负荷曲线采用加拿大阿尔伯塔省的实际年负荷数据,如图3。光伏和风机的年输出曲线来自NRELNational Wind Technology Center,如图4和图5。本算例考虑的故障元件包括线路和发电机,最大故障阶数为5阶且不考虑3阶以上的输电线路故障。本发明所提的一种考虑可再生能源的电力系统可靠性快速评估方法是结合了影子价格和影响增量的状态枚举法(SPIISE),将其应用于RTS-79系统,对其可靠性评估性能进行测试,并与基于影响增量的状态枚举法(IISE)、基于影子价格的状态枚举法(SPSE)、状态枚举法(SE)和蒙特卡洛法(MCS)四种方法做对比。采用抽样数为1×108的MCS评估结果作为可靠性评估的基准值。性能测试的配置为双Intel Xeon Platinum 8180CPU(ES)28×1.8GHz和128GB内存。
各方法可靠性评估结果的对比如表1所示,SPIISE和IISE两种方法得到的可靠性指标EENS相等,并且接近于MCS的基准值,都具有较高的精度。但本发明所提的SPIISE方法具有较高的计算速度,比IISE快5倍以上。此外,SPIISE中故障状态的最优潮流优化求解数从100个减少到14.10个,说明超过80%的最优负荷削减模型由基于影子价格的线性函数快速求解,说明该方法能够显著地提高可靠性评估速度。
与传统状态枚举法SE相比,SPIISE方法可以得到更精确的可靠性指标。由图6可得,SPIISE的位置位于其他方法的左下角,说明结合影子价格和影响增量的SPIISE方法在计算时间和精度方面都具有优势。此外,SPIISE和MCS的效率大致相等,也证明了SPIISE方法的优越性。总之,本发明能够高效地对含可再生能源的电力系统进行可靠性评估。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
表1可靠性评估结果对比表
表2 RTS79系统节点数据
表3 RTS79系统发电机数据
表4 RTS79系统支路数据
Claims (2)
1.一种考虑可再生能源的电力系统可靠性快速评估方法,其特征在于,包括如下步骤:
步骤1:输入电力系统数据和可再生能源参数;具体输入有:电力系统的拓扑结构、线路参数、设备参数、负荷时序曲线、风机年出力曲线和光伏年出力曲线;
步骤2:聚类分析,运用k-means聚类法来缩减负荷和可再生能源出力状态;
步骤3:设定故障枚举最高阶数,建立系统故障状态集合;
步骤4:选择一个故障状态构建最优负荷削减模型,进行100%准则校验,若满足,转至步骤6;否则,转至步骤5;
步骤5:通过单纯形优化算法求解得到该状态的最优负荷削减量;
步骤6:基于影子价格快速求解得到该状态的最优负荷削减量;
步骤7:计算并输出可靠性评估指标;
其中,步骤4包括:
基于枚举的系统状态,构建最优负荷削减模型,其目标函数设置为全系统负荷削减量最小,控制变量设置为发电机节点的有功出力、各节点的负荷削减量以及电压相角值,约束条件包括潮流约束、发电机有功出力上下限、负荷削减量上下限以及线路允许通过的最大功率;具体表示为:
其中,PC,i、PG,i和PL,i分别是节点i的负荷削减量、发电机有功出力和负荷水平;PLC是系统的总负荷削减量;PGmax,i是第i台发电机的最大有功出力;PBmax,ij是支路ij的最大允许传送功率;θi、θj是节点i和j的电压相角;xij是线路ij的电抗值;n和g是系统中的节点数量和发电机数量;基于松弛变量,上述最优负荷削减模型表示为:
其中,z是目标函数,x是决策变量向量;A是系数矩阵,b是约束右端向量,c是价值向量;
线性规划的求解是通过单纯形法迭代求解的,单纯形法判据如下:
其中,B是基矩阵,σ是检验数向量,xB和cB是和基矩阵B对应的解和价值向量,令w=cBB-1即为影子价格;
单纯形法判据为:只要满足条件xB≥0和σ≥0,那么当前选择的基矩阵B就是最优基,相应的x就是最优解,进而求出最优值z;因此当求解完一个线性规划问题时,保留其基矩阵B和影子价格w,之后对于只有b向量变化的新的最优负荷削减模型,只需判断新的基向量xB是否仍满足非负条件,通过这个条件反解出b的允许变化范围,即百分百准则中的上下界:β1和β2;
100%准则是研究当系统状态所对应的b有多个分量变化时,影子价格是否变化,具体准则内容为:对于变化约束条件下的所有右端向量数据,当所有允许增加百分比和允许减少百分比之和不超过100%时,该模型的影子价格不变,如下所示:
其中,β1和β2是为保证新问题中的影子价格不变时b中某个分量允许变化的限制,Δβ为新的系统状态所对应最优负荷削减模型中b的某个分量的变化值;
其中,步骤6包括:
当新的故障状态满足百分百准则判据时,直接通过其影子价格数值w进行矩阵乘法运算来直接求得最优负荷削减量z,公式为z=wb',其中,b'为新的故障状态对应的最优负荷削减模型的右端向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558694.2A CN112633702B (zh) | 2020-12-25 | 2020-12-25 | 一种考虑可再生能源的电力系统可靠性快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558694.2A CN112633702B (zh) | 2020-12-25 | 2020-12-25 | 一种考虑可再生能源的电力系统可靠性快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633702A CN112633702A (zh) | 2021-04-09 |
CN112633702B true CN112633702B (zh) | 2022-06-14 |
Family
ID=75325178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011558694.2A Active CN112633702B (zh) | 2020-12-25 | 2020-12-25 | 一种考虑可再生能源的电力系统可靠性快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633702B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642792A (zh) * | 2021-08-12 | 2021-11-12 | 中国南方电网有限责任公司 | 全面考虑复杂大电网运行约束条件的中长期机组组合精确建模技术方法 |
CN115345386A (zh) * | 2022-10-18 | 2022-11-15 | 广东电网有限责任公司 | 一种能源系统的安全性评估方法、装置及存储介质 |
CN116579181B (zh) * | 2023-06-02 | 2023-11-24 | 天津大学 | 一种基于激活约束的电力系统可靠性快速评估方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105790262A (zh) * | 2016-04-08 | 2016-07-20 | 深圳供电局有限公司 | 一种基于枚举法的eens等值计算的方法及系统 |
CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
CN108921727A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 考虑热负荷动态特性的区域综合能源系统可靠性评估方法 |
CN109636113A (zh) * | 2018-11-12 | 2019-04-16 | 贵州电网有限责任公司 | 基于节点边际电价的电网风险分析方法 |
CN110348674A (zh) * | 2019-05-28 | 2019-10-18 | 贵州电网有限责任公司 | 一种电网风险评估方法、系统和计算机可读存储介质 |
CN110570108A (zh) * | 2019-08-29 | 2019-12-13 | 天津大学 | 一种基于拉格朗日乘子的最优负荷削减算法及其应用 |
CN110955954A (zh) * | 2019-08-19 | 2020-04-03 | 天津大学 | 一种分层解耦的电气热综合能源系统最优负荷削减量方法 |
-
2020
- 2020-12-25 CN CN202011558694.2A patent/CN112633702B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105790262A (zh) * | 2016-04-08 | 2016-07-20 | 深圳供电局有限公司 | 一种基于枚举法的eens等值计算的方法及系统 |
CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
CN108921727A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 考虑热负荷动态特性的区域综合能源系统可靠性评估方法 |
CN109636113A (zh) * | 2018-11-12 | 2019-04-16 | 贵州电网有限责任公司 | 基于节点边际电价的电网风险分析方法 |
CN110348674A (zh) * | 2019-05-28 | 2019-10-18 | 贵州电网有限责任公司 | 一种电网风险评估方法、系统和计算机可读存储介质 |
CN110955954A (zh) * | 2019-08-19 | 2020-04-03 | 天津大学 | 一种分层解耦的电气热综合能源系统最优负荷削减量方法 |
CN110570108A (zh) * | 2019-08-29 | 2019-12-13 | 天津大学 | 一种基于拉格朗日乘子的最优负荷削减算法及其应用 |
Non-Patent Citations (6)
Title |
---|
A lagrange Multiplier based state Enumeration Reliability Assessment for Power System With Multiple Type of Loads and Renewable Generations;Zeyu Liu;《IEEE Transactions on Power-Systems (Volume 36,Issue 4, July 2021)》;20201215;全文 * |
Backward- and Forward-looking Shadow Prices in Inclusive Wealth Accounting: An Example of Renewable Energy Capital;Rintaro Yamaguchi;《Ecological Economics》;20181019;全文 * |
Fast Power System Cascading Failure Path Searching with High Wind Power Penetration;Yuxiao Liu;《https://arxiv.org/pdf/1911.09848.pdf》;20191122;全文 * |
Generation Adequacy Analysis of Multi-Area Power Systems With a High Share of Wind Power;Egill Tómasson;《IEEE Transactions on Power Systems ( Volume: 33, Issue: 4, July 2018)》;20171103;全文 * |
基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计;刘艳莉;《电工技术学报》;20140126;全文 * |
独立微网随机优化规划软件及其实现;余舟子;《电力系统自动化》;20150325;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633702A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Probabilistic flexibility evaluation for power system planning considering its association with renewable power curtailment | |
CN112633702B (zh) | 一种考虑可再生能源的电力系统可靠性快速评估方法 | |
Karki et al. | Reliability/cost implications of PV and wind energy utilization in small isolated power systems | |
Liu et al. | A Lagrange-multiplier-based reliability assessment for power systems considering topology and injection uncertainties | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN108183512A (zh) | 一种接入新能源的电力系统的可靠性评估方法 | |
Li et al. | Practices and challenge on planning with large-scale renewable energy grid integration | |
CN102510108B (zh) | 一种用于求取地区电网最大风电装机容量的方法 | |
CN108364117B (zh) | 一种考虑光伏电站元件可靠性的电网风险评估方法 | |
CN110570016B (zh) | 一种计及多阶段性能的抗灾型骨干网架优化方法 | |
Lin et al. | Scenario generation and reduction methods for power flow examination of transmission expansion planning | |
Wang et al. | Wind farm dynamic equivalent modeling method for power system probabilistic stability assessment | |
Jin et al. | Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain | |
Penangsang et al. | Optimal placement and sizing of distributed generation in radial distribution system using K-means clustering method | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Pessanha et al. | Impact of wind speed correlations on probabilistic power flow by using the Nataf transformation | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
Zhang et al. | Data-Driven Distributionally Robust Optimization-Based Coordinated Dispatching for Cascaded Hydro-PV-PSH Combined System | |
CN113609686B (zh) | 一种新能源置信容量分析方法及系统 | |
Chenxu et al. | An improved cumulant method for probabilistic load flow calculation | |
CN115423297A (zh) | 基于拉格朗日乘子的园区综合能源系统可靠性评估方法 | |
Luo et al. | Dynamic reconstruction strategy of distribution network based on uncertainty modeling and impact analysis of wind and photovoltaic power | |
Li et al. | Analysis of distribution network planning with distributed power supply based on ELM algorithm | |
Chen et al. | Probability evaluation method of available transfer capability considering source-load side uncertainty | |
Lamprianidou et al. | Impact of Data-Driven Modelling Approaches on the Analysis of Active Distribution Networks |
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 |