CN112994087B - 基于条件风险约束的多源电力系统中期优化调度方法 - Google Patents
基于条件风险约束的多源电力系统中期优化调度方法 Download PDFInfo
- Publication number
- CN112994087B CN112994087B CN202110184290.XA CN202110184290A CN112994087B CN 112994087 B CN112994087 B CN 112994087B CN 202110184290 A CN202110184290 A CN 202110184290A CN 112994087 B CN112994087 B CN 112994087B
- Authority
- CN
- China
- Prior art keywords
- unit
- thermal power
- moment
- water
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000031864 metaphase Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 62
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 21
- 230000009194 climbing Effects 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 16
- 239000008239 natural water Substances 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 230000002040 relaxant effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—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
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于条件风险约束的多源电力系统中期优化调度方法,提出了一种风险规避的两阶段中期随机聚类机组组合模型,同时保证了计算结果的准确性和求解效率。在机组聚类过程中,水电机组按流域进行划分,火电机组则依据最优潮流进行划分。其次,将第二阶段的不确定性场景期望作为条件风险价值(CVaR)和所有不确定性场景的期望成本组合进行评估。本发明通过合理机组聚类的方法,松弛短期约束对中期调度决策的影响是可以忽略的,同时还能提高模型求解效率。
Description
技术领域
本发明属于多源电力系统优化运行技术领域,特别涉及一种基于条件风险约束的多源电力系统中期优化调度方法。
背景技术
水电作为目前开发程度高、技术发展相对成熟的可再生能源,其开发利用程度一直处于世界能源发展战略的优先地位。关于水电站的优化调度研究开始于二十世纪四十年代,其相关研究成果已逐步应用于工程实际。我国水电经过迅速的发展,已逐步形成特大流域和干流梯级水电站群。对于大规模梯级水电站优化调度问题,其研究难点主要体现在:非线性、耦合特性、来水不确定性、高维度水电站模型的求解等方面。
在电力系统中期调度问题的研究中,梯级水电站来水的不确定性引入了当前和未来水库运行决策之间的关系。为了保证电力系统运行的安全性和可靠性,将短期系统运行建模纳入到中期调度中,理想地兼顾了系统的动态特性和可再生能源的不确定性。然而,在中期调度模型中,多源电力系统存在大维度、高耗时和强随机的特性,其求解工作是难点也是关键。
提高水能资源利用效率是国家节能减排的重要战略。在含梯级水电站的多源电力系统中期优化调度问题中,为优化水资源分配,其模型中应包含一些详细机组约束条件。但这在很大程度上影响了问题求解的效率。传统“典型小时”和“典型日”的聚类方式不适用于含梯级水电机组的系统。
近年来,聚类机组组合模型也被应用于电力系统规划问题中。然而传统的聚类机组组合模型中,通常假设同一类的发电机位于同一节点,因此,该模型计算出的潮流存在很大误差。其次,考虑可再生能源不确定的中期随机优化调度问题中,整型变量不能完全保证类中单个发电机在每个场景中都处于相同运行状态。尤其是相同类型发电机具有较大的电气距离被聚为一类的情况下。
因此,在研究多源电力系统中期优化调度问题中,考虑可再生能源出力的不确定性,进一步研究具有良好准确性和求解效率的风险规避的两阶段中期随机聚类机组组合方法对优化梯级水电站的水资源分配具有重要意义。
发明内容
本发明目的在于提供基于条件风险约束的多源电力系统中期优化调度方法,用于解决上述现有技术中存在的技术问题,如:传统的聚类机组组合模型中,通常假设同一类的发电机位于同一节点,因此,该模型计算出的潮流存在很大误差。其次,考虑可再生能源不确定的中期随机优化调度问题中,整型变量不能完全保证类中单个发电机在每个场景中都处于相同运行状态。尤其是相同类型发电机具有较大的电气距离被聚为一类的情况下。提出了一个聚类机组组合的中期调度模型,同时考虑风电出力和自然来水的不确定性,将短期约束纳入中期调度研究,根据流域对水电机组进行分类,基于随机潮流对火电机组进行分类,引入条件风险值(Conditional Value at Risk,CVaR)量化系统的风险损失,实现中期水资源的优化分配。
为实现上述目的,本发明的技术方案是:
一种基于条件风险约束的多源电力系统中期优化调度方法,包括以下步骤:
(1)考虑可再生能源不确定性,以系统成本的经济性为优化目标,建立聚类机组组合模型;
(2)对中期优化调度进行运行约束,包括对火电机组、梯级水电站、风电出力的建模,并对场景进行约束;
(3)对中期优化调度进行网络约束,包括出力分解及范围松弛、系统功率平衡和潮流约束;
(4)引入风险量化,对中期优化调度进行条件风险约束,改进风险规避两阶段最优随机聚类机组组合模型;
(5)采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,采用对数正态分布模型模拟平均自然来水量及拉丁超立方抽样方法生成风电出力场景以及采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换;
(6)输入多源电力系统系统数据、设备参数、运行参数等,采用商业求解器Gurobi对多源电力系统中期优化调度模型进行求解,得出优化调度结果,测试了所提方法的有效性。
进一步的,在步骤(1)所述聚类机组组合模型具体如下:
式中:表示基础场景中火电机组的启、停成本和运行成本;为基础场景中弃风惩罚成本;表示所有不确定场景产生的失负荷惩罚成本;表示所有不确定场景产生的弃风惩罚成本;表示条件风险惩罚成本;表示火电机组燃料成本系数;Cw表示弃风惩罚成本系数;Cl表示失负荷惩罚成本系数;SUc,t,p表示火电机组类c内调度周期p内第t时刻的开机成本;SDc,t,p表示火电机组类c在调度周期p内第t时刻的关机成本;Fc(Pc,t,p)表示火电机组类c在调度周期p内第t时刻出力为Pc,t,p时的运行成本;表示风电机组w在调度周期p内第t时刻的出力预测值;Pw,t,p表示风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的出力预测值;表示场景ξ下,负荷d在调度周期p内第t时刻的失负荷量;αβ为条件风险边际函数;NC为火电机组分类数;NW风机台数;NL为负荷个数;NP为调度周期数;NT为每个调度周期内的时刻总数;NS场景数;Pr(ξ)为场景ξ的权值,即,场景ξ出现的概率值;λ为风险规避权重。
步骤(2)所述中期优化调度运行约束具体如下:
(2.1)火电机组约束:
式中:为第c类火电机组的单位机组最小出力;为第c类火电机组的单位机组最大出力;为第c类火电机组的单位机组最大向下爬坡;为第c类火电机组的单位机组最大向上爬坡;为第c类火电机组的最小开机时间;为第c类火电机组的最小关机机时间;为第c类火电机组的在调度周期p内第t时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组关机台数;为第c类火电机组的在调度周期p内第t时刻火电机组关机台数;Pc,t,p为第c类火电机组的在调度周期p内第t时刻机组类出力值;Pc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类出力值;nc,t,p为第c类火电机组的在调度周期p内第t时刻机组类在线运行台数;nc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类在线运行台数;为第c类火电机组的总台数。
(2.2)梯级水电站机组约束:
聚类后的水电转换函数由水头函数:
式中:为第类水电机组的单位机组最小发电流量;为第类水电机组的单位机组最大发电流量;为第类水电机组的单位水库最小库容;为第类水电机组的单位水库最大库容;为第类水电机组的单位水库初始库容;为第类水电机组的在调度周期p内第t时刻机组类发电流量;为第类水电机组的在调度周期p内第t时刻机组类水库容量;为第类水电机组的在调度周期p内末时刻机组类水库容量;为第类水电机组的在调度周期p+1内初始时刻机组类水库容量;为第类水电机组的在最后一个调度周期内末时刻机组类水库容量;第类水电机组的在第一个调度周期内第一个时刻机组类水库容量;为第类水电机组的在调度周期p内第t时刻机组类在线运行台数;为第类水电机组在调度周期p内第t时刻机组类出力值;为水电机组类的水电转化效率;h0和是常量,与水库的物理特性有关。
(2.3)风电出力约束:风电机组出力约束不考虑机组分类,风机出力小于等于其预测值
(2.4)场景爬坡约束:
Gyb+Hyξ≤Δ
式中:G,H为系数矩阵;yb,yξ为连续变量,分别表示基础场景和不确定场景中机组出力情况;Δ为基础场景和不确定场景中各机组出力运行的最大调整量。
(2.5)其他约束:
在聚类模型中,假定每一类中所有发电机都是同一型号,因此,发电机类的机组容量、向上/向下爬坡能力、最小开机/关机时间等特征参数取每类中各机组参数的平均值,分别表示为
式中:表示火电机组g的最小出力;表示火电机组g的最大出力;表示火电机组g的最大向上爬坡能力;表示火电机组g的最大向下爬坡能力;表示火电机组g的最小开机时间;表示火电机组g的最小关机时间;表示水电机组h的最小库容;表示水电机组h的最小库容;表示水电机组h的最小发电流量;表示水电机组h的最大发电流量;分别表示第c类火电机组集合和第类水电机组集合;表示第类水电机组的数量。
步骤(3)所述中期优化调度网络约束具体如下:
(3.1)出力分解及范围松弛:将每个发电机类的出力分解为单台发电机出力的总和,然后把单台发电机出力范围松弛为由零开始的连续区间,即忽略单台发电机的最小出力限制。
式中:表示第c类火电机组中第g台机组在调度周期p内第t时刻的出力值;表示第c类火电机组中第g台机组的最大出力限制;表示第类水电机组中第h台机组在调度周期p内第t时刻的出力值;表示第类水电机组中第h台机组的最大出力限制;为火电机组集合中的第c类;为水电机组集合中的第类。
(3.2)聚类调度模型的系统功率平衡方程:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Pd,t,p负荷d在调度周期p内第t时刻的负荷值;ΩG为火电机组集合;ΩH为水电机组集合;;ΩW为风电机组集合;ΩL为支路集合;l+为支路集合中潮流流入支路;l-为支路集合中潮流流出支路;ΩD为负荷集;LOLd,t,p表示负荷d在调度周期p内第t时刻的失负荷量。
(3.3)系统潮流约束:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Bl为支路l的电纳;为节点b流入支路在调度周期p内第t时刻的相角;为节点b流出支路在调度周期p内第t时刻的相角;为支路l允许的最大潮流;θb,t,p为节点b在调度周期p内第t时刻的相角。
(3.4)聚类水量平衡方程和水电转化方程:
步骤(4)所述中期优化条件风险约束具体如下:
(4.1)改进的风险规避两阶段最优随机聚类机组组合模型
(4.2)最小化的CVaRβ可以表示为
式中:FCVaR,t,p为在调度周期p的t时刻系统的CVaR值;为不确定场景ξ下,在调度周期p的t时刻系统的失负荷量;为不确定场景ξ下,在调度周期p的t时刻系统的弃风量;α为是Ξ(x,y)的边际值;β∈(0,1)为一个给定的置信水平;z(yξ)为引入的辅助变量。
步骤(5)所述多源电力系统中期优化调度模型的处理方法具体如下:
(5.1)采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,该方法的主要思想是根据发电机聚类后潮流计算结果与未聚类时潮流计算结果的偏差作为发电机聚类判据。计算步骤大致分为两步:首先根据发电机参数进行分类;若潮流偏差不满足预设阈值时,再根据电气距离进一步分类,直到满足潮流偏差阈值或迭代次数。
(5.2)梯级水电场景生成:中期不确定场景的生成,需要考虑梯级水电站自然来水和风电出力两方面的不确定性。梯级水电站来水遵循离散马尔可夫链,采用对数正态分布模型模拟平均自然来水量:
每小时来水量
其中,
式中:是服从正态分布N(0,0.1)的随机数,均值为零,方差为10%;为调度周期p-1至p的来水量时序相关系数;εh,p为服从单位正态随机分布的独立随机变量;ψh,p=(ωh,p-μh,p)/σh,p单位是正态随机变量;ωh,p=ln(rh,p);rh,p是指在调度周期p内,水库h的自然来水量;μh,p和σh,p分别为ωh,p的均值和标准差。
(5.3)风电出力场景生成:采用拉丁超立方表示的低差异蒙特卡罗方法生成风电出力场景,为了平衡精确度和计算时间,通过消除概率较低的场景和聚合在统计度量方面非常接近的场景来减少场景的数量。
(5.4)水电转换线性化:采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换:
式中:表示第类水电机组中第h台机组的水电转化效率;表示第类水电机组中第h台机组的初始水头;表示第类水电机组中第h台机组的水头系数,与水库的物理特性有关;为第类水电机组中第h台机组在调度周期p内第t时刻的发电流量上限,发电流量下限,水库库容上限,水库库容下限。
步骤(6)所述所述多源电力系统数据还包括系统拓扑结构以及输电线路/传输管道参数,所述设备参数包括火电机组、水电机组、风电场的数量、容量以及出力上下限等,所述运行参数包括火电机组的燃耗及燃料价格、设备的各种运行参数、负荷和风电出力预测数据。
与现有技术相比,本发明所具有的有益效果为:
本方案的一个创新点在于,提出了一种风险规避的两阶段中期聚类调度模型。该方法考虑了风电出力波动和自然来水的不确定性,求解中期水库最优水资源分配方案,包括当前每个时段的应使用水量和应储存以供未来使用的水量。
本方案的一个创新点在于,提出了基于最优潮流的火电机组聚类方法,该方法减小了由松弛单台发电机出力约束、爬坡约束等而引起的调度决策偏差。
本方案的一个创新点在于,结合条件风险值(Conditional Value at Risk,CVaR)因子,在优化调度问题求解中规避不确定场景下的弃风和失负荷风险,保证系统运行的安全性。调度人员对风险的偏重点可以通过设置风险规避权值因子实现。
附图说明
图1是本发明具体实施方式的实施例的步骤流程示意图。
图2是本发明具体实施方式的实施例机组组合模型与聚类机组组合模型对比示意图。
图3是本发明具体实施方式的实施例6月负荷高峰时刻各支路潮流对比示意图。
具体实施方式
下面结合本发明的附图1-3,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。
实施例:
提出一种基于条件风险约束的多源电力系统中期优化调度方法。具体实施步骤流程如图1所示,本发明技术方案包括以下步骤:
步骤1:考虑可再生能源不确定性,以系统成本的经济性为优化目标,建立聚类机组组合模型。机组组合模型与聚类机组组合模型对比如图2所示。
式中:表示基础场景中火电机组的启、停成本和运行成本;为基础场景中弃风惩罚成本;表示所有不确定场景产生的失负荷惩罚成本;表示所有不确定场景产生的弃风惩罚成本;表示条件风险惩罚成本;表示火电机组燃料成本系数;Cw表示弃风惩罚成本系数;Cl表示失负荷惩罚成本系数;SUc,t,p表示火电机组类c内调度周期p内第t时刻的开机成本;SDc,t,p表示火电机组类c在调度周期p内第t时刻的关机成本;Fc(Pc,t,p)表示火电机组类c在调度周期p内第t时刻出力为Pc,t,p时的运行成本;表示风电机组w在调度周期p内第t时刻的出力预测值;Pw,t,p表示风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的出力预测值;表示场景ξ下,负荷d在调度周期p内第t时刻的失负荷量;αβ为条件风险边际函数;NC为火电机组分类数;NW风机台数;NL为负荷个数;NP为调度周期数;NT为每个调度周期内的时刻总数;NS场景数;Pr(ξ)为场景ξ的权值,即,场景ξ出现的概率值;λ为风险规避权重。
步骤2:对中期优化调度进行运行约束,包括对火电机组、梯级水电站、风电出力的建模,并对场景进行约束。
(2.1)火电机组约束:包括发电机出力限制、上爬坡和下爬坡限制、最小开机/关机时间限制。
式中:为第c类火电机组的单位机组最小出力;为第c类火电机组的单位机组最大出力;为第c类火电机组的单位机组最大向下爬坡;为第c类火电机组的单位机组最大向上爬坡;为第c类火电机组的最小开机时间;为第c类火电机组的最小关机机时间;为第c类火电机组的在调度周期p内第t时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组关机台数;为第c类火电机组的在调度周期p内第t时刻火电机组关机台数;Pc,t,p为第c类火电机组的在调度周期p内第t时刻机组类出力值;Pc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类出力值;nc,t,p为第c类火电机组的在调度周期p内第t时刻机组类在线运行台数;nc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类在线运行台数;为第c类火电机组的总台数。
(2.2)梯级水电站机组约束:其出力约束、上爬坡和下爬坡限制、最小开机/关机时间限制与火电机组约束一致。对于梯级水电站的特殊性而言,还包括发电流量约束和水库库容约束。梯级水电站水量平衡方程不能用聚类形式进行表示。
聚类后的水电转换函数由水头函数:
式中:为第类水电机组的单位机组最小发电流量;为第类水电机组的单位机组最大发电流量;为第类水电机组的单位水库最小库容;为第类水电机组的单位水库最大库容;为第类水电机组的单位水库初始库容;为第类水电机组的在调度周期p内第t时刻机组类发电流量;为第类水电机组的在调度周期p内第t时刻机组类水库容量;为第类水电机组的在调度周期p内末时刻机组类水库容量;为第类水电机组的在调度周期p+1内初始时刻机组类水库容量;为第类水电机组的在最后一个调度周期内末时刻机组类水库容量;第类水电机组的在第一个调度周期内第一个时刻机组类水库容量;为第类水电机组的在调度周期p内第t时刻机组类在线运行台数;为第类水电机组在调度周期p内第t时刻机组类出力值;为水电机组类的水电转化效率;h0和是常量,与水库的物理特性有关。
(2.3)风电出力约束:风电机组出力约束不考虑机组分类,风机出力小于等于其预测值。
(2.4)场景爬坡约束:基于基础场景的出力情况,各机组在不确定性场景中将进行适当的调整以适应风电出力的波动性。
约束基础场景和不确定场景中各机组出力:
Gyb+Hyξ≤Δ
式中:G,H为系数矩阵;yb,yξ为连续变量,分别表示基础场景和不确定场景中机组出力情况;Δ为基础场景和不确定场景中各机组出力运行的最大调整量。
(2.5)其他约束:
在聚类模型中,假定每一类中所有发电机都是同一型号,因此,发电机类的机组容量、向上/向下爬坡能力、最小开机/关机时间等特征参数取每类中各机组参数的平均值,分别表示为
式中:表示火电机组g的最小出力;表示火电机组g的最大出力;表示火电机组g的最大向上爬坡能力;表示火电机组g的最大向下爬坡能力;表示火电机组g的最小开机时间;表示火电机组g的最小关机时间;表示水电机组h的最小库容;表示水电机组h的最小库容;表示水电机组h的最小发电流量;表示水电机组h的最大发电流量;分别表示第c类火电机组集合和第类水电机组集合;表示第类水电机组的数量。
步骤3:对中期优化调度进行网络约束,包括出力分解及范围松弛、系统功率平衡和潮流约束。
(3.1)出力分解及范围松弛:将每个发电机类的出力分解为单台发电机出力的总和,然后把单台发电机出力范围松弛为由零开始的连续区间,即忽略单台发电机的最小出力限制。
式中:表示第c类火电机组中第g台机组在调度周期p内第t时刻的出力值;表示第c类火电机组中第g台机组的最大出力限制;表示第类水电机组中第h台机组在调度周期p内第t时刻的出力值;表示第类水电机组中第h台机组的最大出力限制;为火电机组集合中的第c类;为水电机组集合中的第类。
(3.2)聚类调度模型的系统功率平衡方程:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Pd,t,p负荷d在调度周期p内第t时刻的负荷值;ΩG为火电机组集合;ΩH为水电机组集合;;ΩW为风电机组集合;ΩL为支路集合;l+为支路集合中潮流流入支路;l_为支路集合中潮流流出支路;ΩD为负荷集;LOLd,t,p表示负荷d在调度周期p内第t时刻的失负荷量。
(3.3)系统潮流约束:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Bl为支路l的电纳;为节点b流入支路在调度周期p内第t时刻的相角;为节点b流出支路在调度周期p内第t时刻的相角;为支路l允许的最大潮流;θb,t,p为节点b在调度周期p内第t时刻的相角。
(3.4)聚类水量平衡方程和水电转化方程:梯级水电机组受流域限制,因此,其根据流域进行分类。将同一流域的水电机组作为一类。
步骤4:引入风险量化,对中期优化调度进行条件风险约束,改进风险规避两阶段最优随机聚类机组组合模型。
(4.1)改进的风险规避两阶段最优随机聚类机组组合模型
式中:为基础场景的系统成本;为考虑风电出力不确定的弃风惩罚成本和失负荷惩罚成本期望;CVaRβ[Ξ(x,yξ)]为风险的预期惩罚成本,CVaRβ代表置信水平β下的条件风险值,λ为非负权重值,用以权衡风险与预期惩罚的关系,由决策者根据对风险的偏好程度决定。
(4.2)最小化的CVaRβ可以表示为
式中:FCVaR,t,p为在调度周期p的t时刻系统的CVaR值;为不确定场景ξ下,在调度周期p的t时刻系统的失负荷量;为不确定场景ξ下,在调度周期p的t时刻系统的弃风量;α为是Ξ(x,y)的边际值;β∈(0,1)为一个给定的置信水平;z(yξ)为引入的辅助变量。
步骤5:采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,采用对数正态分布模型模拟平均自然来水量及拉丁超立方抽样方法生成风电出力场景以及采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换。
(5.1)采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,该方法的主要思想是根据发电机聚类后潮流计算结果与未聚类时潮流计算结果的偏差作为发电机聚类判据。计算步骤大致分为两步:首先根据发电机参数进行分类;若潮流偏差不满足预设阈值时,再根据电气距离进一步分类,直到满足潮流偏差阈值或迭代次数。
具体计算步骤如下:
Step 1:计算不分类情况下的随机潮流PF_0;初始化分类数C=1;设置随机潮流偏差阈值ε;
Step 3:求解发电机聚类后的随机潮流PF,计算随机潮流偏差Δpf=‖PF-PF_0‖2;如果Δpf<ε,终止;
(5.2)梯级水电场景生成:中期不确定场景的生成,需要考虑梯级水电站自然来水和风电出力两方面的不确定性。梯级水电站来水遵循离散马尔可夫链,采用对数正态分布模型模拟平均自然来水量:
每小时来水量
其中,
式中:为服从正态分布N(0,0.1)的随机数,均值为零,方差为10%;为调度周期p-1至p的来水量时序相关系数;εh,p为服从单位正态随机分布的独立随机变量;ψh,p=(ωh,p-μh,p)/σh,p单位是正态随机变量;ωh,p=ln(rh,p);rh,p为在调度周期p内,水库h的自然来水量;μh,p和σh,p分别为ωh,p的均值和标准差。
(5.3)风电出力场景生成:采用拉丁超立方表示的低差异蒙特卡罗方法生成风电出力场景,为了平衡精确度和计算时间,通过消除概率较低的场景和聚合在统计度量方面非常接近的场景来减少场景的数量。
(5.4)水电转换线性化:采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换:
式中:表示第类水电机组中第h台机组的水电转化效率;表示第类水电机组中第h台机组的初始水头;表示第类水电机组中第h台机组的水头系数,与水库的物理特性有关;为第类水电机组中第h台机组在调度周期p内第t时刻的发电流量上限,发电流量下限,水库库容上限,水库库容下限。
步骤6:输入多源电力系统系统数据、设备参数、运行参数等,采用商业求解器Gurobi对多源电力系统中期优化调度模型进行求解,得出优化调度结果,测试了所提方法的有效性。
下面通过具体实施例详细说明本发明效果。
(1)算例介绍。
利用改进后的RTS79系统或/和由三个修改后的IEEE RTS-79系统连接而成的大系统构建多源电力系统中期优化调度算例。以1个月为间隔,1年为模型调度计算周期。测试工具采用Matlab2018a编程软件和GUROBI6.5商用求解器。
(2)实施例场景描述。
为验证基于潮流的分类方法在两阶段中期优化调度求解中的优越性,设置以下算例1-3;为分析风险规避权重值对中长期期优化调度的影响,设置算例4在三种不同的风险规避权重值下;为验证该CUC模型对大规模系统的有效性,设置算例5分别用UC模型和CUC模型进行求解两阶段最优期中调度问题。
算例1:火电机组和水电机组不采用聚类方式,直接求解两阶段中长期优化调度机组组合问题;
算例2:采用同类型的发电机聚为一类的方法对火电机组进行聚类,其结果用于两阶段CUC模型求解;
算例3:采用基于潮流的聚类方法对火电机组进行聚类,其结果用于两阶段CUC模型求解。
(3)实施例结果分析。
表1给出了算例1-3的火电机组的每月出力情况,从中可以得到:在考虑可再生能源不确定性的两阶段中期聚类优化调度中,发电机类型和发电机之间的电气距离是火电机组分类中的两个重要指标,将直接影响调度结果的准确性;
表1算例1-3的火电机组月出力情况(GWh)
图3为6月负荷高峰时刻各支路潮流对比,可以得到:由于火电机组的聚类结果不同,算例1与算例2的潮流偏差比算例1与算例3的潮流偏差更明显,尤其是支路L25,L26,L30,L32和L33。这是因为考虑可再生能源不确定性的情况下,表示发电机开机数量的整数变量不能完全锁定单个发电机的开/关状态。
表2给出了不同风险规避权重值情况下的结果对比,从中可以得到:随着风险规避权重值的增加,系统总成本也随之逐渐增加,火电机组总出力也相应增加,水电机组的年出力总增量不明显,说明系统以牺牲运行的经济性为代价,来增强系统抗风险能力。
表2不同风险权值下聚类优化调度结果对比
表3给出了UC模型和CUC模型的两阶段随机优化调度结果,容易得到:UC模型和CUC模型的系统总成本偏差不大,且火电机组和水电机组的出力误差小。然而,CUC模型的耗时远小于UC模型求解时间。因此,对于大规模系统的中期优化调度,CUC模型既提高了计算效率又可以保证较高的计算精度。
表3两阶段优化调度结果对比
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,包括以下步骤:
步骤1:考虑可再生能源不确定性,以系统成本的经济性为优化目标,建立聚类机组组合模型;
步骤2:对中期优化调度进行运行约束,包括对火电机组、梯级水电站、风电出力的建模,并对场景进行约束;
步骤3:对中期优化调度进行网络约束,包括出力分解及范围松弛、系统功率平衡和潮流约束;
步骤4:引入风险量化,对中期优化调度进行条件风险约束,改进风险规避两阶段最优随机聚类机组组合模型;
步骤5:采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,采用对数正态分布模型模拟平均自然来水量及拉丁超立方抽样方法生成风电出力场景以及采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换;
步骤6:输入多源电力系统数据、设备参数、运行参数,采用商业求解器Gurobi对多源电力系统中期优化调度模型进行求解,得出优化调度结果,测试基于条件风险约束的多源电力系统中期优化调度方法的有效性;
步骤1中聚类机组组合模型具体如下:
式中:表示基础场景中火电机组的启、停成本和运行成本;为基础场景中弃风惩罚成本;表示所有不确定场景产生的失负荷惩罚成本;表示所有不确定场景产生的弃风惩罚成本;表示条件风险惩罚成本;表示火电机组燃料成本系数;Cw表示弃风惩罚成本系数;Cl表示失负荷惩罚成本系数;SUc,t,p表示火电机组类c内调度周期p内第t时刻的开机成本;SDc,t,p表示火电机组类c在调度周期p内第t时刻的关机成本;Fc(Pc,t,p)表示火电机组类c在调度周期p内第t时刻出力为Pc,t,p时的运行成本;表示风电机组w在调度周期p内第t时刻的出力预测值;Pw,t,p表示风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的实际出力值;表示场景ξ下,风电机组w在调度周期p内第t时刻的出力预测值;表示场景ξ下,负荷d在调度周期p内第t时刻的失负荷量;αβ为条件风险边际函数;NC为火电机组分类数;NW风机台数;NL为负荷个数;NP为调度周期数;NT为每个调度周期内的时刻总数;NS场景数;Pr(ξ)为场景ξ的权值,即,场景ξ出现的概率值;λ为风险规避权重。
2.如权利要求1所述的基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,步骤2所述中期优化调度运行约束具体如下:火电机组约束:
式中:为第c类火电机组的单位机组最小出力;为第c类火电机组的单位机组最大出力;为第c类火电机组的单位机组最大向下爬坡;为第c类火电机组的单位机组最大向上爬坡;为第c类火电机组的最小开机时间;为第c类火电机组的最小关机机时间;为第c类火电机组的在调度周期p内第t时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组开机台数;为第c类火电机组的在调度周期p内第t-τ时刻火电机组关机台数;为第c类火电机组的在调度周期p内第t时刻火电机组关机台数;Pc,t,p为第c类火电机组的在调度周期p内第t时刻机组类出力值;Pc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类出力值;nc,t,p为第c类火电机组的在调度周期p内第t时刻机组类在线运行台数;nc,t-1,p为第c类火电机组的在调度周期p内第t-1时刻机组类在线运行台数;为第c类火电机组的总台数;
梯级水电站机组约束:
聚类后的水电转换函数由水头函数:
式中:为第类水电机组的单位机组最小发电流量;为第类水电机组的单位机组最大发电流量;为第类水电机组的单位水库最小库容;为第类水电机组的单位水库最大库容;为第类水电机组的单位水库初始库容;为第类水电机组的在调度周期p内第t时刻机组类发电流量;为第类水电机组的在调度周期p内第t时刻机组类水库容量;为第类水电机组的在调度周期p内末时刻机组类水库容量;为第类水电机组的在调度周期p+1内初始时刻机组类水库容量;为第类水电机组的在最后一个调度周期内末时刻机组类水库容量;第类水电机组的在第一个调度周期内第一个时刻机组类水库容量;为第类水电机组的在调度周期p内第t时刻机组类在线运行台数;为第类水电机组在调度周期p内第t时刻机组类出力值;为水电机组类的水电转化效率;h0和是常量,与水库的物理特性有关;
风电出力约束:风电机组出力约束不考虑机组分类,风机出力小于等于其预测值
场景爬坡约束:
Gyb+Hyξ≤Δ
式中:G,H为系数矩阵;yb,yξ为连续变量,分别表示基础场景和不确定场景中机组出力情况;Δ为基础场景和不确定场景中各机组出力运行的最大调整量;
其他约束:
在聚类模型中,假定每一类中所有发电机都是同一型号,因此,发电机类的机组容量、向上/向下爬坡能力、最小开机/关机时间等特征参数取每类中各机组参数的平均值,分别表示为
3.如权利要求2所述的基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,步骤3中所述中期优化调度网络约束具体如下:
出力分解及范围松弛:将每个发电机类的出力分解为单台发电机出力的总和,然后把单台发电机出力范围松弛为由零开始的连续区间,即忽略单台发电机的最小出力限制;
式中:表示第c类火电机组中第g台机组在调度周期p内第t时刻的出力值;表示第c类火电机组中第g台机组的最大出力限制;表示第类水电机组中第h台机组在调度周期p内第t时刻的出力值;表示第类水电机组中第h台机组的最大出力限制;为火电机组集合中的第c类;为水电机组集合中的第类;
聚类调度模型的系统功率平衡方程:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Pd,t,p负荷d在调度周期p内第t时刻的负荷值;ΩG为火电机组集合;ΩH为水电机组集合;ΩW为风电机组集合;ΩL为支路集合;l+为支路集合中潮流流入支路;l-为支路集合中潮流流出支路;ΩD为负荷集;LOLd,t,p表示负荷d在调度周期p内第t时刻的失负荷量;
系统潮流约束:
式中:Fl,t,p为支路l在调度周期p内第t时刻的潮流;Bl为支路l的电纳;为节点b流入支路在调度周期p内第t时刻的相角;为节点b流出支路在调度周期p内第t时刻的相角;为支路l允许的最大潮流;θb,t,p为节点b在调度周期p内第t时刻的相角;
聚类水量平衡方程和水电转化方程:
4.如权利要求3所述的基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,步骤4中所述中期优化调度进行的条件风险约束具体如下:
(1)改进的风险规避两阶段最优随机聚类机组组合模型
(2)最小化的CVaRβ表示为
5.如权利要求4所述的基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,步骤5中多源电力系统中期优化调度模型的处理方法具体如下:
采用基于系统最优潮流的火电机组聚类方法对机组组合模型进行处理,该方法是根据发电机聚类后潮流计算结果与未聚类时潮流计算结果的偏差作为发电机聚类判据;计算步骤分为两步:首先根据发电机参数进行分类;若潮流偏差不满足预设阈值时,再根据电气距离进一步分类,直到满足潮流偏差阈值或迭代次数;
梯级水电场景生成:中期不确定场景的生成,考虑梯级水电站自然来水和风电出力两方面的不确定性;梯级水电站来水遵循离散马尔可夫链,采用对数正态分布模型模拟平均自然来水量:
每小时来水量
其中,
式中:是服从正态分布N(0,0.1)的随机数,均值为零,方差为10%;为调度周期p-1至p的来水量时序相关系数;εh,p为服从单位正态随机分布的独立随机变量;ψh,p=(ωh,p-μh,p)/σh,p单位是正态随机变量;ωh,p=ln(rh,p);rh,p是指在调度周期p内,水库h的自然来水量;μh,p和σh,p分别为ωh,p的均值和标准差;
风电出力场景生成:采用拉丁超立方表示的低差异蒙特卡罗方法生成风电出力场景;
水电转换线性化:采用凸包络线构造双线性项的松弛,用McCormick不等式代替水功率转换:
6.如权利要求1所述的基于条件风险约束的多源电力系统中期优化调度方法,其特征在于,步骤6所述多源电力系统数据还包括系统拓扑结构以及输电线路/传输管道参数,所述设备参数包括火电机组、水电机组、风电场的数量、容量以及出力上下限,所述运行参数包括火电机组的燃耗及燃料价格、设备的各种运行参数、负荷和风电出力预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184290.XA CN112994087B (zh) | 2021-02-08 | 2021-02-08 | 基于条件风险约束的多源电力系统中期优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184290.XA CN112994087B (zh) | 2021-02-08 | 2021-02-08 | 基于条件风险约束的多源电力系统中期优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112994087A CN112994087A (zh) | 2021-06-18 |
CN112994087B true CN112994087B (zh) | 2023-06-30 |
Family
ID=76394068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110184290.XA Active CN112994087B (zh) | 2021-02-08 | 2021-02-08 | 基于条件风险约束的多源电力系统中期优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112994087B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113783225A (zh) * | 2021-08-16 | 2021-12-10 | 西安交通大学 | 一种机组组合凸包求解方法、装置、电子设备及存储介质 |
CN113780629B (zh) * | 2021-08-16 | 2024-04-12 | 西安交通大学 | 梯级水电调度模型优化方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69012696D1 (de) * | 1989-07-25 | 1994-10-27 | Jaguar Cars | System zum Steuern der Stromversorgung in einem Kraftfahrzeug. |
CN108053057A (zh) * | 2017-11-29 | 2018-05-18 | 国网江苏省电力公司盐城供电公司 | 一种基于CVaR的虚拟电厂优化调度建模方法 |
CN109980636A (zh) * | 2019-03-21 | 2019-07-05 | 上海电力学院 | 基于改进Benders分解法的风水火协调优化调度方法 |
CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
CN112183903A (zh) * | 2020-11-17 | 2021-01-05 | 昆明电力交易中心有限责任公司 | 一种水火电系统多时间尺度联合优化调度方法及系统 |
-
2021
- 2021-02-08 CN CN202110184290.XA patent/CN112994087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69012696D1 (de) * | 1989-07-25 | 1994-10-27 | Jaguar Cars | System zum Steuern der Stromversorgung in einem Kraftfahrzeug. |
CN108053057A (zh) * | 2017-11-29 | 2018-05-18 | 国网江苏省电力公司盐城供电公司 | 一种基于CVaR的虚拟电厂优化调度建模方法 |
CN109980636A (zh) * | 2019-03-21 | 2019-07-05 | 上海电力学院 | 基于改进Benders分解法的风水火协调优化调度方法 |
CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
CN112183903A (zh) * | 2020-11-17 | 2021-01-05 | 昆明电力交易中心有限责任公司 | 一种水火电系统多时间尺度联合优化调度方法及系统 |
Non-Patent Citations (1)
Title |
---|
Day-ahead stochastic coordinated scheduling for thermal-hydro-wind-photovoltaic systems;Yue Yin等;《Energy》;20190814;第1-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112994087A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717688B (zh) | 考虑新能源出力不确定性的水风光短期联合优化调度方法 | |
Reddy et al. | Realistic and transparent optimum scheduling strategy for hybrid power system | |
CN107240932B (zh) | 一种水光互补系统中光伏电站容量优化方法 | |
CN104779611B (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
CN112396220B (zh) | 一种基于场景缩减的含风电与需求侧资源的优化调度方法 | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
CN106058917A (zh) | 一种计及光伏发电的电力系统动态经济调度方法 | |
CN103544372B (zh) | 一种微型燃气轮机热电联供系统的机组选型方法 | |
CN111429024B (zh) | 一种考虑灵活性平衡机理的水-风-光短期联合调度方法 | |
CN111555281A (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN115765044B (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
CN109347152A (zh) | 考虑多类型电源参与调峰的随机生产模拟方法及应用 | |
CN109299862B (zh) | 一种风电最大消纳能力的凸松弛评估方法 | |
CN111049179A (zh) | 一种考虑不确定性的新能源发电系统多目标优化调度方法 | |
CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
CN108847661B (zh) | 一种区域电力系统全年生产模拟运行方法及系统 | |
Ma et al. | Long-term coordination for hydro-thermal-wind-solar hybrid energy system of provincial power grid | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
CN114123313A (zh) | 一种时序生产模拟新能源电力系统消纳方法 | |
Ignat-Balaci et al. | Day-Ahead Scheduling, Simulation, and Real-Time Control of an Islanded Microgrid. | |
CN115483718A (zh) | 计及储能与需求响应的电-气虚拟电厂双层优化调度方法 | |
CN113536581A (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
Zhang et al. | Optimal dispatching of regional integrated energy system based on SMPC |
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 |