CN112865193A - 一种电力系统经济调度系统及方法 - Google Patents

一种电力系统经济调度系统及方法 Download PDF

Info

Publication number
CN112865193A
CN112865193A CN202110019474.0A CN202110019474A CN112865193A CN 112865193 A CN112865193 A CN 112865193A CN 202110019474 A CN202110019474 A CN 202110019474A CN 112865193 A CN112865193 A CN 112865193A
Authority
CN
China
Prior art keywords
output power
power
wind power
selection scheme
optimized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110019474.0A
Other languages
English (en)
Other versions
CN112865193B (zh
Inventor
田小航
王荣泰
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.)
Yunnan Electric Power Technology Co ltd
Original Assignee
Yunnan Electric Power Technology 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 Yunnan Electric Power Technology Co ltd filed Critical Yunnan Electric Power Technology Co ltd
Priority to CN202110019474.0A priority Critical patent/CN112865193B/zh
Publication of CN112865193A publication Critical patent/CN112865193A/zh
Application granted granted Critical
Publication of CN112865193B publication Critical patent/CN112865193B/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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

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

Abstract

本申请提供的一种电力系统经济调度系统及方法，所述系统包括发电机组输出功率获取装置、风电输出功率获取装置和电网约束条件获取装置，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置和所述电网约束条件获取装置的控制器。控制器被配置为设定电力系统中发电机组输出功率和风电输出功率，并基于预设的风电输出功率预测区间以及运行约束条件建立初始经济调度模型，接着利用教与学算法对所述初始经济调度模型进行优化处理，从而获得全局最优的方案，使得电力系统运行更加经济可靠。

Description

一种电力系统经济调度系统及方法
技术领域
本申请涉及电网优化技术领域，尤其涉及一种电力系统经济调度系统及方法。
背景技术
电力系统经济调度是指在满足电力系统安全稳定的前提下，优化负荷分配，以达到化石燃料消耗最小或污染排放最小等目的。随着风电等具有波动性、间歇性能源的大量接入，风电能源输出功率的不确定导致电力系统不能够安全稳定的运行。使得电力系统经济调度系统不但需要考虑经济性，还要考虑由于不确定性造成的系统安全问题。
现有技术中，为了解决风电能源接入这类电力系统经济调度问题，采用了很多智能优化算法，如遗传算法(GA)、模拟退火算法(SA)、粒子群算法(PSO)等，这些算法主要通过设定电力系统中发电机组输出功率和风电输出功率的约束条件，使用预设规则进行处理，生成新的可行的选择方案，进而引导系统执行搜索，寻求较优方案，并基于较优方案中生成的机组输出功率设定值和风电输出功率设定值，将风电接入电力系统中，使得电力系统经济而又可靠的运行。但是这些算法在工作时，往往在寻找到某个较优的选择方案后，便不在进行寻找，很难获得全局最优的选择方案。
基于此，本申请提供一种电力系统经济调度系统及方法，用于解决现有技术中，发电机组输出功率设定和风电输出功率设定这类电力系统经济调度问题，很难获得全局最优方案的技术问题。
发明内容
本申请提供了一种电力系统经济调度系统及方法，以解决现有技术中，发电机组输出功率设定和风电输出功率设定这类电力系统经济调度问题，很难获得全局最优方案的技术问题。
本申请第一方面公开了一种电力系统经济调度系统，所述电力系统经济调度系统包括：发电机组输出功率获取装置、风电输出功率获取装置和电网约束条件获取装置，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置和所述电网约束条件获取装置的控制器；
所述发电机组输出功率获取装置用于获取多个机组输出功率设定值，所述多个机组输出功率设定值包括不同的发电机组在不同时刻对应的机组输出功率设定值；
所述风电输出功率获取装置用于获取多个风电输出功率设定值,所述多个风电输出功率设定值包括风电设备在不同时刻对应的风电输出功率设定值；
所述风电输出功率获取装置还用于获取风电实际输出功率、预设的风电输出功率预测区间以及所述风电输出功率预测区间的最大值消减范围，其中，所述风电实际输出功率为所述风电输出功率预测区间中的任意值；
所述电网约束条件获取装置用于获取预设的运行约束条件，所述运行约束条件包括设定约束条件和实际约束条件，所述设定约束条件是指理想场景下的约束条件，所述实际约束条件是指在实际场景下的约束条件；
所述控制器被配置为执行以下步骤：
根据所述风电输出功率预测区间和所述最大值消减范围，获取所述风电输出功率预测区间的目标约束值,并在所述风电实际输出功率的大小超过所述目标约束值时，对所述风电输出功率设定值进行更新；
根据所述多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合；所述电网方案集合中包含多个选择方案；任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值；
根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和所述运行约束条件，生成初始经济调度模型；
对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型；所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案；
根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案；
根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型；
根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型；
对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
可选的，所述设定约束条件包括风电输出功率约束。
可选的，所述实际约束条件包括功率平衡、爬坡速率和机组输出功率限制。
本申请第二方面公开了一种电力系统经济调度方法，所述电力系统经济调度方法由第一方面所述的电力系统经济调度系统中的控制器执行，所述电力系统经济调度方法包括：
根据风电输出功率预测区间和最大值消减范围，获取所述风电输出功率预测区间的目标约束值,并在风电实际输出功率的大小超过所述目标约束值时，对风电输出功率设定值进行更新；
根据多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合；所述电网方案集合中包含多个选择方案；任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值；
根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和运行约束条件，生成初始经济调度模型；
对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型；所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案；
根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案；
根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型；
根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型；
对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
可选的，根据所述电网方案选择集合、所述风电实际输出功率、所述风电输出功率预测区间、所述风电预测区间上界消减量最大值消减范围和所述运行约束条件，生成初始经济调度模型，包括：
通过如下公式生成所述初始经济调度模型：
Figure BDA0002888143700000031
s.t.g0(Pt,i，wt，Δwt)≤0；
Figure BDA0002888143700000032
Figure BDA0002888143700000033
其中，Pt,i表示所述机组输出功率设定值，即在第t个时段，第i台发电机组设定的输出功率；wt表示所述风电输出功率设定值，即在第t个时段风电设备设定的输出功率；Δwt表示所述最大值消减范围，
Figure BDA0002888143700000034
表示所述风电实际输出功率，即在第t个时段风电设备的实际输出功率；U表示所述风电预测区间[wt.min，wt.max],g0表示所述运行约束条件中包含的设定约束条件，gi表示所述运行约束条件中包含的实际约束条件。
可选的，所述根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型，包括：
通过如下公式确定所述第二优化经济调度模型：
Sn,phase1(t,:)＝arg min{G(Sn(t,:))，G(Sn.new1(t,:))}；
其中，Sn,phase1(t,:)表示所述第二优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn(t,:)表示所述第一优化经济调度模型中对应的选择方案，Sn.new1(t,:)表示教学选择方案；所述教学选择方案是指，利用教与学算法中的教学过程和所述最优选择方案，对所述第一优化经济调度模型处理后得出的选择方案。
可选的，所述根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型，包括：
通过如下公式确定所述第三优化经济调度模型：
Sn,phase2(t,:)＝arg min{G(Sn,phase1(t,:))，G(Sn.new2(t,:))}；
其中，Sn,phase2(t,:)表示所述第三优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn,phase1(t,:)表示所述第二优化经济调度模型中对应的选择方案，Sn.new2(t,:)表示学习选择方案；所述学习选择方案是指，利用教与学算法中的学习过程，对所述第二优化经济调度模型处理后得出的选择方案。
本申请提供的一种电力系统经济调度系统及方法，所述系统包括发电机组输出功率获取装置、风电输出功率获取装置和电网约束条件获取装置，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置和所述电网约束条件获取装置的控制器。控制器被配置为设定电力系统中发电机组输出功率和风电输出功率，并基于预设的风电输出功率预测区间以及运行约束条件建立初始经济调度模型，接着利用教与学算法对所述初始经济调度模型进行优化处理，从而获得全局最优的方案，使得电力系统运行更加经济可靠。
附图说明
为了更清楚地说明本申请的技术方案，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，对于本领域普通技术人员而言，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为本申请实施例提供的一种电力系统经济调度系统的结构示意图；
图2为本申请实施例提供的一种电力系统经济调度方法的步骤流程图；
图3为本申请实施例提供的200MW风电厂向上爬坡备用需求与供给对比图；
图4为本申请实施例提供的200MW风电厂向下爬坡备用需求与供给对比图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
本申请第一实施例公开了一种电力系统经济调度系统，具体参见图1所示的结构示意图。
所述电力系统经济调度系统包括：发电机组输出功率获取装置、风电输出功率获取装置、电网约束条件获取装置和显示模块，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置、所述电网约束条件获取装置和所述显示模块的控制器。
所述显示模块用于，在接收到控制器获取的数据后，将数据显示在屏幕上，提供给现场工作人员。
所述发电机组输出功率获取装置用于获取多个机组输出功率设定值，所述多个机组输出功率设定值包括不同的发电机组在不同时刻对应的机组输出功率设定值。
所述风电输出功率获取装置用于获取多个风电输出功率设定值,所述多个风电输出功率设定值包括风电设备在不同时刻对应的风电输出功率设定值。
所述风电输出功率获取装置还用于获取风电实际输出功率、预设的风电输出功率预测区间以及所述风电输出功率预测区间的最大值消减范围，其中，所述风电实际输出功率为所述风电输出功率预测区间中的任意值。所述最大值消减范围是指，所述风电输出功率预测区间，在实际操作中会存在误差的一个范围，所述风电输出功率预测区最大值会在这样的一个误差范围内浮动。
所述电网约束条件获取装置用于获取预设的运行约束条件，所述运行约束条件包括设定约束条件和实际约束条件，所述设定约束条件是指理想场景下的约束条件，所述实际约束条件是指在实际场景下的约束条件。
进一步的，所述设定约束条件包括风电输出功率约束，风电设备在运行时设定的输出功率，与实际输出功率会存在一定的误差，因此会存在所述风电输出功率约束。所述实际约束条件包括功率平衡、爬坡速率和机组输出功率限制，是发电机组和风电设备受外界影响下的运行约束。
所述控制器被配置为执行以下步骤，所述控制器中具体细节请参见下面的方法实施例：
根据所述风电输出功率预测区间和所述最大值消减范围，获取所述风电输出功率预测区间的目标约束值,并在所述风电实际输出功率的大小超过所述目标约束值时，对所述风电输出功率设定值进行更新。
根据所述多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合。所述电网方案集合中包含多个选择方案。任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值。
根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和所述运行约束条件，生成初始经济调度模型。
对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型。所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案。
根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案。
根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型。
根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型。
对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
以下为本申请实施例提供的方法实施例，由本申请系统实施例中的控制器执行，对于本申请系统实施例和方法实施例中未详细公开的内容，请相互参见。
本申请第二实施例公开了一种电力系统经济调度方法，所述电力系统经济调度方法由第一实施例所述的电力系统经济调度系统中的控制器执行，所述电力系统经济调度方法具体参见图2所示的步骤流程图，所述方法包括：
步骤S101，根据风电输出功率预测区间和最大值消减范围，获取所述风电输出功率预测区间的目标约束值,并在风电实际输出功率的大小超过所述目标约束值时，对风电输出功率设定值进行更新。
具体来说，为了确保调度的可行性，若某时段的风电实际输出功率大小超过所述目标约束值时，则只能降低风电输出功率设定值。
步骤S102，根据多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合。所述电网方案集合中包含多个选择方案。任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值。
步骤S103，根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和运行约束条件，生成初始经济调度模型。
进一步的，具体通过如下公式生成所述初始经济调度模型：
Figure BDA0002888143700000061
s.t.g0(Pt,i，wt，Δwt)≤0；
Figure BDA0002888143700000062
Figure BDA0002888143700000063
其中，Pt,i表示所述机组输出功率设定值，即在第t个时段，第i台发电机组设定的输出功率。wt表示所述风电输出功率设定值，即在第t个时段风电设备设定的输出功率。Δwt表示所述最大值消减范围，
Figure BDA0002888143700000064
表示所述风电实际输出功率，即在第t个时段风电设备的实际输出功率。U表示所述风电预测区间[wt.min，wt.max],g0表示所述运行约束条件中包含的设定约束条件，gi表示所述运行约束条件中包含的实际约束条件。
步骤S104，对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型。所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案。
具体来说，利用约束处理策略，将上层解作为参数求解下层优化的问题。由于初始经济调度模型时段耦合性较强，约束处理后仍有一部分选择方案不满足约束，可能造成下层问题无解，此时舍去不可行的选择方案舍去，并重新生成一个新的选择方案代替，直到所述初始经济调度模型中存在足够多的选择方案。
其中，约束处理策略是约束优化的关键步骤，约束处理策略将惩罚函数法与修复策略结合使用，可以有效地避免迭代过程中大量非可行选择方案的产生，使得电力系统经济调度这类约束优化问题在惩罚函数和修复算子的协同作用下收敛于全局最优，较好地解决了在此类遗传算法约束优化问题中单独使用惩罚和修复方法时一些难以解决的问题。基于随机方向法构造的修复算子作用效果显著，采用多个测试函数对算法进行检验，均能较好地收敛于可行域中的最优解，验证了算法的可靠性。
步骤S105，根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案。
步骤S106，根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型。
进一步的，具体通过如下公式确定所述第二优化经济调度模型：
Sn,phase1(t,:)＝arg min{G(Sn(t,:))，G(Sn.new1(t,:))}；
其中，Sn,phase1(t,:)表示所述第二优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn(t,:)表示所述第一优化经济调度模型中对应的选择方案，Sn.new1(t,:)表示教学选择方案。所述教学选择方案是指，利用教与学算法中的教学过程和所述最优选择方案，对所述第一优化经济调度模型处理后得出的选择方案。
具体来说，将得出的教学选择方案作为参数带入初始经济调度模型中进行求解，判断方案是否可行，将不可行的教学选择方案丢弃，并重新生成新的选择方案代替。
步骤S107，根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型。
进一步的，具体通过如下公式确定所述第三优化经济调度模型：
Sn,phase2(t,:)＝arg min{G(Sn,phase1(t,:))，G(Sn.new2(t,:))}；
其中，Sn,phase2(t,:)表示所述第三优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn,phase1(t,:)表示所述第二优化经济调度模型中对应的选择方案，Sn.new2(t,:)表示学习选择方案。所述学习选择方案是指，利用教与学算法中的学习过程，对所述第二优化经济调度模型处理后得出的选择方案。
具体来说，同样将得出的学习选择方案作为参数带入初始经济调度模型中进行求解，判断方案是否可行，将不可行的学习选择方案丢弃，并重新生成新的选择方案代替。
步骤S108，判断当前迭代次数是否超过最大迭代次数。所述最大迭代次数根据实际情况预先设置。
步骤S109,对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
具体来说，所述第三优化经济调度模型中，使得所述最大值消减范围最小的选择方案，即为本申请需要寻找到的最终发电机组输出功率和风电输出功率选择方案。
步骤S110，初始化第三优化经济调度模型。
在实际操作过程中，上述方法实施例还可以通过如下方案实现：1.以风电输出功率预测区间的最大值消减范围最小化作为目标，将每个时段每台发电机组输出功率设定值和风电输出功率设定值作为学生。
2.随机建立特定范围内的初始学生，组成不同的经济调度选择方案。
3.对每个学生执行约束处理策略，将上层解作为参数求解下层优化问题，由于模型时段耦合性较强，约束处理后仍有一部分学生不满足约束，可能造成下层问题无解，丢弃不可行的学生，重新生成一个学生代替，直到有足够多学生可行，计算所有学生的适应度值。
4.“教学”阶段，首先根据适应度函数选择教师，然后生成新学生，将“教”产生的学生为参数带入求解，判断是否有解，无解的丢弃，“学习”阶段，同教阶段类似，产生的学生作为优化问题的参数，判断是否有解，无解的丢弃，再更新学生，判断是否达到最大迭代次数，未达到，返回步骤3继续迭代，否则结束迭代，最后输出结果。
由图3和图4所示的实验结果，本发明利用教与学优化(TLBO)算法的电力系统经济调度系统和方法，能够满足电力系统运行的要求，使得电力系统运行更加经济可靠。
由以上技术方案可知，本申请提供的一种电力系统经济调度系统及方法，所述系统包括发电机组输出功率获取装置、风电输出功率获取装置和电网约束条件获取装置，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置和所述电网约束条件获取装置的控制器。
在实际应用中，控制器被配置为设定电力系统中发电机组输出功率和风电输出功率，并基于预设的风电输出功率预测区间以及运行约束条件建立初始经济调度模型，接着利用教与学算法对所述初始经济调度模型进行优化处理，从而获得全局最优的方案，使得电力系统运行更加经济可靠。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (7)

1.一种电力系统经济调度系统，其特征在于，所述电力系统经济调度系统包括：发电机组输出功率获取装置、风电输出功率获取装置和电网约束条件获取装置，以及连接所述发电机组输出功率获取装置、所述风电输出功率获取装置和所述电网约束条件获取装置的控制器；
所述发电机组输出功率获取装置用于获取多个机组输出功率设定值，所述多个机组输出功率设定值包括不同的发电机组在不同时刻对应的机组输出功率设定值；
所述风电输出功率获取装置用于获取多个风电输出功率设定值,所述多个风电输出功率设定值包括风电设备在不同时刻对应的风电输出功率设定值；
所述风电输出功率获取装置还用于获取风电实际输出功率、预设的风电输出功率预测区间以及所述风电输出功率预测区间的最大值消减范围，其中，所述风电实际输出功率为所述风电输出功率预测区间中的任意值；
所述电网约束条件获取装置用于获取预设的运行约束条件，所述运行约束条件包括设定约束条件和实际约束条件，所述设定约束条件是指理想场景下的约束条件，所述实际约束条件是指在实际场景下的约束条件；
所述控制器被配置为执行以下步骤：
根据所述风电输出功率预测区间和所述最大值消减范围，获取所述风电输出功率预测区间的目标约束值,并在所述风电实际输出功率的大小超过所述目标约束值时，对所述风电输出功率设定值进行更新；
根据所述多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合；所述电网方案集合中包含多个选择方案；任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值；
根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和所述运行约束条件，生成初始经济调度模型；
对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型；所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案；
根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案；
根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型；
根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型；
对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
2.根据权利要求1所述的电力系统经济调度系统，其特征在于，所述设定约束条件包括风电输出功率约束。
3.根据权利要求1所述的电力系统经济调度系统，其特征在于，所述实际约束条件包括功率平衡、爬坡速率和机组输出功率限制。
4.一种电力系统经济调度方法，其特征在于，所述电力系统经济调度方法由权利要求1-3任一项所述的电力系统经济调度系统中的控制器执行，所述电力系统经济调度方法包括：
根据风电输出功率预测区间和最大值消减范围，获取所述风电输出功率预测区间的目标约束值，并在风电实际输出功率的大小超过所述目标约束值时，对风电输出功率设定值进行更新；
根据多个机组输出功率设定值和更新后的多个风电输出功率设定值，生成电网方案集合；所述电网方案集合中包含多个选择方案；任一个所述选择方案包含一个机组出力设定值和一个风电出力设定值；
根据所述电网方案集合、所述风电实际输出功率、所述风电输出功率预测区间、所述最大值消减范围和运行约束条件，生成初始经济调度模型；
对所述初始经济调度模型进行优化处理，确定第一优化经济调度模型；所述优化处理过程中，将所述初始经济调度模型中得不到有效解的选择方案舍去，并重新生成新的选择方案；
根据所述电网方案集合和所述最大值消减范围，对所述第一优化经济调度模型进行遍历寻优，确定最优选择方案，所述最优选择方案为使所述最大值消减范围最小的选择方案；
根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型；
根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型；
对所述第三优化经济调度模型进行遍历寻优，确定最终发电机组输出功率和风电输出功率选择方案。
5.根据权利要求4所述的电力系统经济调度方法，其特征在于，根据所述电网方案选择集合、所述风电实际输出功率、所述风电输出功率预测区间、所述风电预测区间上界消减量最大值消减范围和所述运行约束条件，生成初始经济调度模型，包括：
通过如下公式生成所述初始经济调度模型：
Figure FDA0002888143690000024
s.t.g0(Pt，i，wt，Δwt)≤0；
Figure FDA0002888143690000021
Figure FDA0002888143690000022
其中，Pt，i表示所述机组输出功率设定值，即在第t个时段，第i台发电机组设定的输出功率；wt表示所述风电输出功率设定值，即在第t个时段风电设备设定的输出功率；Δwt表示所述最大值消减范围，
Figure FDA0002888143690000023
表示所述风电实际输出功率，即在第t个时段风电设备的实际输出功率；U表示所述风电预测区间[wt.min，wt.max]，g0表示所述运行约束条件中包含的设定约束条件，gi表示所述运行约束条件中包含的实际约束条件。
6.根据权利要求4所述的电力系统经济调度方法，其特征在于，所述根据教与学算法中的教学过程、所述第一优化经济调度模型和所述最优选择方案，确定第二优化经济调度模型，包括：
通过如下公式确定所述第二优化经济调度模型：
Sn，phase1(t，：)＝arg min{G(Sn(t，：))，G(Sn.new1(t，：))}；
其中，Sn，phase1(t，：)表示所述第二优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn(t，：)表示所述第一优化经济调度模型中对应的选择方案，Sn.new1(t，：)表示教学选择方案；所述教学选择方案是指，利用教与学算法中的教学过程和所述最优选择方案，对所述第一优化经济调度模型处理后得出的选择方案。
7.根据权利要求4所述的电力系统经济调度方法，其特征在于，所述根据教与学算法中的学习过程和所述第二优化经济调度模型，确定第三优化经济调度模型，包括：
通过如下公式确定所述第三优化经济调度模型：
Sn，phase2(t，：)＝arg min{G(Sn，phase1(t，：))，G(Sn.new2(t，：))}；
其中，Sn，phase2(t，：)表示所述第三优化经济调度模型中对应的选择方案，G表示所述初始经济调度模型，Sn，phase1(t，：)表示所述第二优化经济调度模型中对应的选择方案，Sn.new2(t，：)表示学习选择方案；所述学习选择方案是指，利用教与学算法中的学习过程，对所述第二优化经济调度模型处理后得出的选择方案。
CN202110019474.0A 2021-01-07 2021-01-07 一种电力系统经济调度系统及方法 Active CN112865193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110019474.0A CN112865193B (zh) 2021-01-07 2021-01-07 一种电力系统经济调度系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110019474.0A CN112865193B (zh) 2021-01-07 2021-01-07 一种电力系统经济调度系统及方法

Publications (2)

Publication Number Publication Date
CN112865193A true CN112865193A (zh) 2021-05-28
CN112865193B CN112865193B (zh) 2023-03-31

Family

ID=76004938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110019474.0A Active CN112865193B (zh) 2021-01-07 2021-01-07 一种电力系统经济调度系统及方法

Country Status (1)

Country Link
CN (1) CN112865193B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011002929A (ja) * 2009-06-17 2011-01-06 Nippon Telegr & Teleph Corp <Ntt> 分散電力供給システムおよびその制御方法
CN103280812A (zh) * 2013-04-27 2013-09-04 国家电网公司 一种风电场集群无功电压优化控制方法
CN104009494A (zh) * 2014-04-16 2014-08-27 武汉大学 一种环境经济发电调度方法
CN105024398A (zh) * 2015-06-29 2015-11-04 国电南瑞科技股份有限公司 一种基于最优风电置信度的优化调度方法
CN106329553A (zh) * 2015-06-19 2017-01-11 株式会社日立制作所 风电场运行控制装置、方法以及风电场系统
CN110535121A (zh) * 2019-08-27 2019-12-03 东北大学 一种交直流混联电网的两阶段多目标动态优化调度方法
CN110571867A (zh) * 2019-09-18 2019-12-13 东北大学 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN111064229A (zh) * 2019-12-18 2020-04-24 广东工业大学 基于q学习的风-光-气-蓄联合动态经济调度优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011002929A (ja) * 2009-06-17 2011-01-06 Nippon Telegr & Teleph Corp <Ntt> 分散電力供給システムおよびその制御方法
CN103280812A (zh) * 2013-04-27 2013-09-04 国家电网公司 一种风电场集群无功电压优化控制方法
CN104009494A (zh) * 2014-04-16 2014-08-27 武汉大学 一种环境经济发电调度方法
CN106329553A (zh) * 2015-06-19 2017-01-11 株式会社日立制作所 风电场运行控制装置、方法以及风电场系统
CN105024398A (zh) * 2015-06-29 2015-11-04 国电南瑞科技股份有限公司 一种基于最优风电置信度的优化调度方法
CN110535121A (zh) * 2019-08-27 2019-12-03 东北大学 一种交直流混联电网的两阶段多目标动态优化调度方法
CN110571867A (zh) * 2019-09-18 2019-12-13 东北大学 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN111064229A (zh) * 2019-12-18 2020-04-24 广东工业大学 基于q学习的风-光-气-蓄联合动态经济调度优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王小飞: "考虑风电与需求响应的电力系统调度策略研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Also Published As

Publication number Publication date
CN112865193B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
US20200119556A1 (en) Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
Huang et al. An endogenous approach to quantifying the wind power reserve
CN113159341A (zh) 融合深度强化学习和专家经验的配电网辅助决策方法及系统
Wu An improved decomposition framework for accelerating LSF and BD based methods for network-constrained UC problems
CN108493992A (zh) 一种含分布式潮流控制器的风电场优化调度方法
Yang et al. Toward optimal risk-averse configuration for HESS with CGANs-based PV scenario generation
Yan et al. Two-stage robust energy storage planning with probabilistic guarantees: A data-driven approach
CN112865193B (zh) 一种电力系统经济调度系统及方法
Yuan et al. Optimal power generation mix towards an emission target
Ji et al. Optimal microgrid energy management integrating intermittent renewable energy and stochastic load
CN113097994A (zh) 基于多强化学习智能体的电网运行方式调节方法及装置
CN112633529A (zh) 一种基于深度强化学习的配电线路检修优化方法
CN112928780A (zh) 一种配电网灾后供电恢复方法及系统
Tang et al. Corrective unit commitment to an unforeseen unit breakdown
CN111740415B (zh) 电力系统稳态潮流风险辨识预防方法、存储介质及设备
CN114266427A (zh) 一种基于拓扑分析的新设备投运启动方案生成方法
Lan et al. Generation of large-scale convergent power flow samples through a data-driven approach
CN113725863A (zh) 基于人工智能的电网自主控制与决策方法及系统
CN106527138B (zh) 一种光伏逆变器直流侧电阻参数波动系数预测方法
Zheng et al. Data-Adaptive Robust Transmission Network Planning Incorporating Post-Contingency Demand Response
Ebrahimi et al. Microgrid Operation Optimization Considering Transient Stability Constraints: A New Bidirectional Stochastic Adaptive Robust Approach
Lainfiesta et al. Optimal design of microgrid at an industrial complex
Sun New optimization techniques for power system generation scheduling
CN109683933A (zh) 风力发电机组的程序升级方法和设备
CN113239512B (zh) 一种考虑韧性的交直流配电网规划方案筛选方法及系统

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