CN113054660A - 新能源电力系统优化调度方法、系统、设备及计算机介质 - Google Patents

新能源电力系统优化调度方法、系统、设备及计算机介质 Download PDF

Info

Publication number
CN113054660A
CN113054660A CN202110421643.3A CN202110421643A CN113054660A CN 113054660 A CN113054660 A CN 113054660A CN 202110421643 A CN202110421643 A CN 202110421643A CN 113054660 A CN113054660 A CN 113054660A
Authority
CN
China
Prior art keywords
demand response
stochastic
cost
load
new energy
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.)
Pending
Application number
CN202110421643.3A
Other languages
English (en)
Inventor
钟雅珊
刘俊磊
钱峰
林建熙
付聪
张水平
杨韵
陈卉灿
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.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center of Guangdong Power Grid 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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN202110421643.3A priority Critical patent/CN113054660A/zh
Publication of CN113054660A publication Critical patent/CN113054660A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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]
    • 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
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power
    • 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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种新能源电力系统优化调度方法、系统、设备及计算机介质，所述方法包括：基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本；以系统发电总成本最小化为日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法，其中系统发电总成本包括所述随机性需求响应的实施成本。上述方法通过在日前调度模型中引入不确定性的需求响应，得出基于随机性需求响应的新能源电力系统优化调度方法，提高新能源电力系统运行的稳定性。

Description

新能源电力系统优化调度方法、系统、设备及计算机介质
技术领域
本发明涉及电力系统优化调度领域，具体涉及一种新能源电力系统优化调度方法、系统、设备及计算机介质。
背景技术
在电网调度领域，需求响应是指当电网系统可靠性受到威胁或电力市场价格升高时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知(激励模式)，或者电力价格上升信号后，改变其固有的习惯用电模式(价格模式)，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。
而随着电力系统中的新能源占比越来越高，在需求响应参与下进行电力系统优化调度有利于提高新能源的消纳能力，目前，对于考虑需求响应的大规模新能源电力系统优化调度问题正逐步开展深入研究。
当前的研究方向主要集中在利用确定性建模方法考虑单一需求响应类型参与可再生能源并网后的系统优化调度，然而在需求响应过程中，受需求响应模型参数及外部条件预测误差、以及决策主体的认知偏差等因素影响，需求侧响应往往存在着不确定性，现有的利用确定性需求响应为电力系统调度所提供的参考不够贴合实际，难以确保源荷之间的供需平衡。
发明内容
本发明旨在解决现有技术中存在的问题，为此，本发明提出一种新能源电力系统优化调度方法、系统、设备及计算机介质，能够细化考虑需求响应的不确定性和随机性，给新能源电力系统调度提供更贴切实际的参考信息。
第一方面，本发明提供一种新能源电力系统优化调度方法，包括：
基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本；
以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，
所述系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；
所述随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
本发明第一方面所提供的新能源电力系统优化调度方法至少具有如下技术效果：
所述方法通过综合考虑峰谷价差对负荷曲线和发电煤耗等成本的影响，引入随机性需求响应模型，并基于随机性需求响应构建日前调度机组组合优化模型，最后得出考虑随机性需求响应的新能源电力系统优化调度方法，以达到平衡电网负荷，提高新能源电力系统运行的稳定性。
根据本发明的一些实施例，所述随机性需求响应的实施成本具体包括：
引入确定性负荷削减均值和随机偏差量所构成的随机变量，确定所述随机性激励型需求响应和所述随机性价格型需求响应实施后任一时刻的负荷变动量；
根据所述负荷变动量分别确定所述随机性激励型需求响应的实施成本C″L,n,t和所述随机性价格型需求响应的实施成本C″P,m,t：
Figure BDA0003026726920000031
Figure BDA0003026726920000032
式中，
Figure BDA0003026726920000033
表示负荷削减均值，aL,n,t、aP,m,t表示负荷随机变量的二次项系数，b″L,n,t、bP,m,t表示负荷随机变量的一次项系数，c″L,n,t、cP,m,t表示负荷随机变量的常数项系数，r0表示停电损失成本；b″L,n,t和c″L,n,t分别由下述公式确定：
Figure BDA0003026726920000034
Figure BDA0003026726920000035
其中，g(ξL,n,t)表示用户响应偏差的概率密度分布函数，ξL,n,t表示随机偏差量。
上述实施例通过利用确定性负荷削减均值和随机偏差量体现需求响应的随机性，有效提高对随机性需求响应过程的精细化描述。
根据本发明的一些实施例，所述负荷供需平衡约束具体包括：
Figure BDA0003026726920000036
式中，QL,n,t为第n个激励型需求响应实施后在t时刻的负荷变动量，QP,m,t为第m个价格型需求响应实施后在t时刻的负荷变动量，Qit为第i个火电机组在t时刻的发电量，QW,t为总的风电电源在t时刻的发电量，QL,t为t时刻的基准负荷需求量，N为火电机组总数，NL为激励型需求响应的总负荷数，NP为价格型需求响应的总负荷数。
根据本发明的一些实施例，所述系统备用约束具体包括：
Figure BDA0003026726920000041
式中，λR表示系统备用容量系数，
Figure BDA0003026726920000042
表示第i个火电机t时刻的预测最大发电量，Qit表示第i个火电机组在t时刻的发电量，N表示火电机组总数，Q'L,t表示t时刻负荷所需备用容量，NL为激励型需求响应的总负荷数。
根据本发明的一些实施例，所述风电机组出力约束具体包括：
Figure BDA0003026726920000043
式中，
Figure BDA0003026726920000044
表示t时刻风电预测最大出力。
根据本发明的一些实施例，所述系统发电煤耗f1具体包括：
Figure BDA0003026726920000045
式中，Cit表示火电机组发电煤耗函数，Tit表示机组发电的启停成本，uit表示t时刻火电机组的发电状态：1表示机组被调用，0表示机组被调度。
根据本发明的一些实施例，所述负荷削减成本和弃风惩罚成本f3具体包括：
Figure BDA0003026726920000051
式中，PLs,t和PWs,t分别表示t时刻的负荷削减量和弃风电量；rLs,t和rWs,t分别表示t时刻的负荷削减价格和弃风惩罚成本价格。
第二方面，本发明提供一种新能源电力系统优化调度系统，包括：
构建单元，用于基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本；
计算单元，用于以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，
所述系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；
所述随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
本发明第二方面提供的新能源电力系统优化调度系统至少具有如下技术效果：
所述系统通过综合考虑峰谷价差对负荷曲线和发电煤耗等成本的影响，引入随机性需求响应模型，并基于随机性需求响应构建日前调度机组组合优化模型，最后得出考虑随机性需求响应的新能源电力系统优化调度方法，以达到平衡电网负荷，提高新能源电力系统运行的稳定性。
第三方面，本发明提供一种数据处理设备，包括：
处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行如本发明第一方面所述的新能源电力系统优化调度方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面所述的新能源电力系统优化调度方法。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中新能源电力系统优化调度方法的流程图；
图2为本发明实施例中新能源电力系统优化调度系统的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参考图1，本发明一个实施例提供一种新能源电力系统优化调度，包括下述步骤：
S11：基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本。
在用户侧，需求响应一般可分为基于价格机制的价格型需求响应(Priced-BasedDemand Response，PBDP)和基于激励机制的激励型需求响应(Incentive-Based DemandResponse，IBDP)两类。
其中，基于价格机制的价格型需求响应PBDP是指通过改变终端用户用电价格影响用户用电需求，PBDP的实施成本主要由电网改变售电价格前后的收益差决定；而基于激励机制的激励型需求响应IBDP是指通过实施相关的激励政策，使用户接受电网调度，电网根据用户负荷需求，调度用户参与需求响应，电网实施IBDP的成本主要由实施IBDP前后的电网售电收入差决定。
S12：以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
本发明提供的考虑随机性激励型需求响应和随机性价格型需求响应综合参与下的日前调度中，以系统发电总成本最低为优化目标，并引入随机性需求响应后的实施成本以及负荷削减成本和弃风惩罚成本，构建了两种随机性需求响应共同参与下的综合需求响应参与日前调度优化模型。
所述日前调度优化模型综合考虑了峰谷价差对负荷曲线和发电煤耗等成本的影响，并结合了随机性需求响应模型信息，得出基于随机性需求响应的新能源接入系统优化调度方法，可实现电网负荷动态平衡，有效提高新能源电力系统运行的稳定性。
对于传统的确定性需求响应模型，通常包括确定性的IBDP和确定性的PBDP。
对于确定性的IBDP，电网实施IBDP前的收入
Figure BDA0003026726920000081
为：
Figure BDA0003026726920000082
式中，rp表示电网销售电价，通常为固定值；QIB,n,t表示价格型需求响应实施前第n个IBDR在t时刻的负荷需求，可作为基准负荷。
电网实施IBDP后的收入
Figure BDA0003026726920000083
为：
Figure BDA0003026726920000084
式中，QL,n,t表示第n个IBDR实施后，在t时刻的负荷变动量；
Figure BDA0003026726920000085
表示实施IBDR后，电网对用户缺电进行的补偿函数，可由下式确定：
Figure BDA0003026726920000086
式中，K1n和K2n表示电网实施IBDR的补偿系数。
综上，确定性IBDP的实施成本CL,n,t为：
Figure BDA0003026726920000087
对于确定性的PBDP，电网实施PBDR前的售电收入
Figure BDA0003026726920000088
为：
Figure BDA0003026726920000091
式中，QPB,m,t表示PBDR实施前的基准用电负荷。
电网实施PBDR后的售电收入
Figure BDA0003026726920000092
为：
Figure BDA0003026726920000093
式中，R表示用户参与PBDR而获得的电价额外优惠比例；Δrp,t表示电网调整的售电价格幅度，可体现为峰谷价差；QP,m,t表示第m个PBDR实施后，在t时刻的负荷变动量。
综上，电网实施PBDR的响应成本CP,m,t为：
Figure BDA0003026726920000094
根据本发明的一些实施例，所述随机性需求响应的实施成本具体包括：
引入确定性负荷削减均值和随机偏差量所构成的随机变量，确定所述随机性激励型需求响应和所述随机性价格型需求响应实施后任一时刻的负荷变动量。
用电用户的行为往往具有随机性，因此负荷变动量QL,n,t、QP,m,t可转化为由确定性负荷削减均值和随机偏差量所构成的随机变量，由此推算得到考虑了负荷随机性的需求响应实施成本，提高需求响应的精确性。
根据所述负荷变动量分别确定所述随机性激励型需求响应的实施成本C″L,n,t和所述随机性价格型需求响应的实施成本C″P,m,t。
结合确定性的激励型需求响应IBDR，得到考虑了随机性的激励型需求响应的初始实施成本C'L,n,t，其计算公式如下：
Figure BDA0003026726920000101
式中，r0表示电力公司单位停电损失成本，aL,n,t表示负荷随机变量的二次项系数，bL,n,t表示负荷随机变量的一次项系数，ξL,n,t表示随机偏差量。进一步地，根据历史用电数据，通过回归分析得到用户响应偏差的概率密度分布函数g(ξL,n,t)后，可对上述初始实施成本C'L,n,t进行完善，从而得到本发明所提出的随机性激励型需求响应的实施成本C″L,n,t：
Figure BDA0003026726920000102
式中，b″L,n,t和c″L,n,t分别由下述公式确定：
Figure BDA0003026726920000103
Figure BDA0003026726920000104
与随机性激励型需求响应同理，对于随机性价格型需求响应，其实施成本C″P,m,t为:
Figure BDA0003026726920000105
aP,m,t表示负荷随机变量的二次项系数，bP,m,t表示负荷随机变量的一次项系数，c″L,n,t、CP,m,t表示负荷随机变量的常数项系数。
具体地，实施成本C″P,m,t可由下述公式计算：
Figure BDA0003026726920000106
式中，DP,m,t为实施随机性价格型需求响应后的负荷削减量方差。
在该实施例中，考虑随机性激励型需求响应参与的日前调度中，可通过设置系统发电煤耗f1最小为优化目标，综合考虑引入随机性需求响应后的实施成本f2，以及负荷削减成本和弃风惩罚成本f3，构建随机性激励型需求响应参与下的日前调度优化模型：
min fIBDR＝E(f)＝f1+f2+f3
其中，随机性需求响应后的实施成本f2表示为：
Figure BDA0003026726920000111
与随机性激励型需求响应参与的日前调度同理，通过随机性价格型需求响应参与构建的日前调度优化模型可表示为：
Figure BDA0003026726920000112
其中，f′2为随机性价格型需求响应的实施成本。
上述实施例通过利用确定性负荷削减均值和随机偏差量体现需求响应的随机性，有效提高对随机性需求响应过程的精细化描述，利用更精细的随机性需求响应构建日前调度模型，进而得到考虑随机性需求侧响应的新能源接入系统优化调度方法，有利于从源、网、荷全面优化综合考虑新能源接入及不确定性需求侧响应对电网的调度计划，使新能源电力系统运行在更为经济合理的状态。
根据本发明的一些实施例，所述系统发电煤耗f1具体包括：
Figure BDA0003026726920000113
式中，Cit表示火电机组发电煤耗函数，Tit表示机组发电的启停成本，uit表示t时刻火电机组的发电状态：1表示机组被调用，0表示机组被调度。
根据本发明的一些实施例，所述负荷削减成本和弃风惩罚成本f3具体包括：
Figure BDA0003026726920000121
式中，PLs,t和PWs,t分别表示t时刻的负荷削减量和弃风电量；rLs,t和rWs,t分别表示t时刻的负荷削减价格和弃风惩罚成本价格。
根据本发明的一些实施例，构建的随机性需求响应参与日前调度优化模型的约束条件中，负荷供需平衡约束具体包括：
Figure BDA0003026726920000122
式中，QL,n,t为第n个激励型需求响应实施后在t时刻的负荷变动量，QP,m,t为第m个价格型需求响应实施后在t时刻的负荷变动量，Qit为第i个火电机组在t时刻的发电量，QW,t为总的风电电源在t时刻的发电量，QL,t为t时刻的基准负荷需求量，N为火电机组总数，NL为激励型需求响应的总负荷数，NP为价格型需求响应的总负荷数。
根据本发明的一些实施例，构建的随机性需求响应参与日前调度优化模型的约束条件中，系统备用约束具体包括：
Figure BDA0003026726920000123
式中，λR表示系统备用容量系数，
Figure BDA0003026726920000124
表示第i个火电机t时刻的预测最大发电量，Qit表示第i个火电机组在t时刻的发电量，N表示火电机组总数，Q'L,t表示t时刻负荷所需备用容量，NL为激励型需求响应的总负荷数。
优选地，λR可设置为最大负荷的10％，即：λR＝0.1。
根据本发明的一些实施例，构建的随机性需求响应参与日前调度优化模型的约束条件中，发电机组约束主要包括发电出力上下限约束、后停时间约束以及爬坡约束等。
根据本发明的一些实施例，构建的随机性需求响应参与日前调度优化模型的约束条件中，风电机组出力约束具体包括：
Figure BDA0003026726920000131
式中，
Figure BDA0003026726920000132
表示t时刻风电预测最大出力。
参考图2，本发明另一个实施例提供一种新能源电力系统优化调度系统，包括构建单元101和计算单元102。
构建单元101用于基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本。
计算单元102用于以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，
所述系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；
所述随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
上述系统内的各单元之间信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
本发明实施例提供了一种数据处理设备，包括处理器，处理器和存储器耦合，该存储器存储有程序，程序由所述处理器执行，使得数据处理设备执行如上述方法实施例中的新能源电力系统优化调度方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的新能源电力系统优化调度方法。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种新能源电力系统优化调度方法，其特征在于，包括：
基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本；
以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，
所述系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；
所述随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
2.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述随机性需求响应的实施成本具体包括：
引入确定性负荷削减均值和随机偏差量所构成的随机变量，确定所述随机性激励型需求响应和所述随机性价格型需求响应实施后任一时刻的负荷变动量；
根据所述负荷变动量分别确定所述随机性激励型需求响应的实施成本C″L,n,t和所述随机性价格型需求响应的实施成本C″P,m,t：
Figure FDA0003026726910000011
Figure FDA0003026726910000012
式中，
Figure FDA0003026726910000021
表示负荷削减均值，aL,n,t、aP,m,t表示负荷随机变量的二次项系数，b″L,n,t、bP,m,t表示负荷随机变量的一次项系数，c″L,n,t、cP,m,t表示负荷随机变量的常数项系数，r0表示停电损失成本；b″L,n,t和c″L,n,t分别由下述公式确定：
Figure FDA0003026726910000022
Figure FDA0003026726910000023
其中，g(ξL,n,t)表示用户响应偏差的概率密度分布函数，ξL,n,t表示随机偏差量。
3.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述负荷供需平衡约束具体包括：
Figure FDA0003026726910000024
式中，QL,n,t为第n个激励型需求响应实施后在t时刻的负荷变动量，QP,m,t为第m个价格型需求响应实施后在t时刻的负荷变动量，Qit为第i个火电机组在t时刻的发电量，QW,t为总的风电电源在t时刻的发电量，QL,t为t时刻的基准负荷需求量，N为火电机组总数，NL为激励型需求响应的总负荷数，NP为价格型需求响应的总负荷数。
4.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述系统备用约束具体包括：
Figure FDA0003026726910000025
式中，λR表示系统备用容量系数，
Figure FDA0003026726910000031
表示第i个火电机t时刻的预测最大发电量，Qit表示第i个火电机组在t时刻的发电量，N表示火电机组总数，Q′L,t表示t时刻负荷所需备用容量，NL为激励型需求响应的总负荷数。
5.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述风电机组出力约束具体包括：
Figure FDA0003026726910000032
式中，
Figure FDA0003026726910000033
表示t时刻风电预测最大出力。
6.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述系统发电煤耗f1具体包括：
Figure FDA0003026726910000034
式中，Cit表示火电机组发电煤耗函数，Tit表示机组发电的启停成本，uit表示t时刻火电机组的发电状态：1表示机组被调用，0表示机组被调度。
7.根据权利要求1所述的新能源电力系统优化调度方法，其特征在于，所述负荷削减成本和弃风惩罚成本f3具体包括：
Figure FDA0003026726910000035
式中，PLs,t和PWs,t分别表示t时刻的负荷削减量和弃风电量；rLs,t和rWs,t分别表示t时刻的负荷削减价格和弃风惩罚成本价格。
8.一种新能源电力系统优化调度系统，其特征在于，包括：
构建单元，用于基于随机性需求响应模型建立随机性需求响应参与日前调度优化模型，所述随机性需求响应模型用于确定随机性需求响应的实施成本；
计算单元，用于以系统发电总成本最小化为所述日前调度优化模型的目标函数，负荷供需平衡约束、系统备用约束、发电机组约束和风电机组出力约束为所述日前调度优化模型的约束条件，对所述日前调度优化模型进行求解，确定新能源电力系统调度方法；其中，
所述系统发电总成本包括：系统发电煤耗、负荷削减成本和弃风惩罚成本以及所述随机性需求响应的实施成本；
所述随机性需求响应包括随机性激励型需求响应和随机性价格型需求响应。
9.一种数据处理设备，其特征在于，包括：
处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行如权利要求1至7中任一项所述的新能源电力系统优化调度方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于执行上述权利要求1至7中任一项所述的新能源电力系统优化调度方法。
CN202110421643.3A 2021-04-19 2021-04-19 新能源电力系统优化调度方法、系统、设备及计算机介质 Pending CN113054660A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110421643.3A CN113054660A (zh) 2021-04-19 2021-04-19 新能源电力系统优化调度方法、系统、设备及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110421643.3A CN113054660A (zh) 2021-04-19 2021-04-19 新能源电力系统优化调度方法、系统、设备及计算机介质

Publications (1)

Publication Number Publication Date
CN113054660A true CN113054660A (zh) 2021-06-29

Family

ID=76520468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110421643.3A Pending CN113054660A (zh) 2021-04-19 2021-04-19 新能源电力系统优化调度方法、系统、设备及计算机介质

Country Status (1)

Country Link
CN (1) CN113054660A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254824A (zh) * 2021-11-17 2022-03-29 国网福建省电力有限公司厦门供电公司 一种基于多微电网虚拟备用模型的需求侧资源优化调配方法
CN115169950A (zh) * 2022-07-26 2022-10-11 山东大学 一种基于多参数规划的电-气系统分布式协同方法及系统
CN116882596A (zh) * 2023-09-07 2023-10-13 中国地质大学（武汉） 一种热电联合系统日前随机优化问题计算效率提升方法
CN117913782A (zh) * 2023-12-01 2024-04-19 国网湖北省电力有限公司电力科学研究院 一种考虑居民需求响应不确定性的电网优化调度方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140188689A1 (en) * 2012-12-31 2014-07-03 Battelle Memorial Institute Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140188689A1 (en) * 2012-12-31 2014-07-03 Battelle Memorial Institute Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷涛: "需求侧管理对电力节能减排的影响分析与优化模型研究", 《中国博士学位论文全文数据库 经济与管理科学辑》, no. 12, 15 December 2015 (2015-12-15), pages 4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254824A (zh) * 2021-11-17 2022-03-29 国网福建省电力有限公司厦门供电公司 一种基于多微电网虚拟备用模型的需求侧资源优化调配方法
CN115169950A (zh) * 2022-07-26 2022-10-11 山东大学 一种基于多参数规划的电-气系统分布式协同方法及系统
CN116882596A (zh) * 2023-09-07 2023-10-13 中国地质大学（武汉） 一种热电联合系统日前随机优化问题计算效率提升方法
CN116882596B (zh) * 2023-09-07 2023-12-15 中国地质大学（武汉） 一种热电联合系统日前随机优化问题计算效率提升方法
CN117913782A (zh) * 2023-12-01 2024-04-19 国网湖北省电力有限公司电力科学研究院 一种考虑居民需求响应不确定性的电网优化调度方法及系统

Similar Documents

Publication Publication Date Title
CN113054660A (zh) 新能源电力系统优化调度方法、系统、设备及计算机介质
Jenkins et al. Enhanced decision support for a changing electricity landscape: the GenX configurable electricity resource capacity expansion model
CN110147907B (zh) 一种考虑网络约束的虚拟电厂双层优化模型的构建方法
Li et al. Shared energy storage system for prosumers in a community: Investment decision, economic operation, and benefits allocation under a cost-effective way
Zhao et al. Distributed model predictive control strategy for islands multimicrogrids based on noncooperative game
Khajeh et al. Robust bidding strategies and scheduling of a price‐maker microgrid aggregator participating in a pool‐based electricity market
Green Competition in generation: The economic foundations
Lai et al. Individualized pricing of energy storage sharing based on discount sensitivity
Botterud et al. A dynamic simulation model for long-term analysis of the power market
CN107341601A (zh) 基于日前、日内时间尺度的电力资源调度方法和系统
Jordehi et al. A two-stage stochastic model for security-constrained market clearing with wind power plants, storage systems and elastic demands
CN115733189A (zh) 基于能量调频和负荷需求的共享储能调度方法及系统
CN108493943B (zh) 多微电网系统电能的调度方法、系统、装置及存储介质
Liu et al. Impact of industrial virtual power plant on renewable energy integration
Yin et al. Collaborative decision-making model for capacity allocation of photovoltaics energy storage system under Energy Internet in China
Dai et al. An equilibrium model of the electricity market considering the participation of virtual power plants
Pang et al. A bi-objective low-carbon economic scheduling method for cogeneration system considering carbon capture and demand response
Nair et al. Optimizing day-ahead energy management with demand response in a PV-diesel-battery system using a hybrid GOA-SNN strategy
Flikkema A multi-round double auction mechanism for local energy grids with distributed and centralized resources
Kou et al. Game-theoretic approach for smartgrid energy trading with microgrids during restoration
CN109754335A (zh) 一种基于负荷准线的高比例新能源消纳方法
Zhu et al. Environmental and economic scheduling for wind-pumped storage-thermal integrated energy system based on priority ranking
He et al. Customized prices design for agent-based local energy market with pv and energy storage
Ongsakul et al. Coordinated fuzzy constrained optimal power dispatch for bilateral contract, balancing electricity, and ancillary services markets
Hosseinalipour et al. Optimal risk-constrained peer-to-peer energy trading strategy for a smart microgrid

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210629

RJ01 Rejection of invention patent application after publication