CN113162049A - 一种概率分布不确定条件下输配协同调度方法及系统 - Google Patents

一种概率分布不确定条件下输配协同调度方法及系统 Download PDF

Info

Publication number
CN113162049A
CN113162049A CN202110319597.6A CN202110319597A CN113162049A CN 113162049 A CN113162049 A CN 113162049A CN 202110319597 A CN202110319597 A CN 202110319597A CN 113162049 A CN113162049 A CN 113162049A
Authority
CN
China
Prior art keywords
transmission
constraint
distribution
power
distribution network
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
CN202110319597.6A
Other languages
English (en)
Inventor
杨明
李鹏
黄诗颖
张长行
高源�
员江洋
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110319597.6A priority Critical patent/CN113162049A/zh
Publication of CN113162049A publication Critical patent/CN113162049A/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
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • 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

Landscapes

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

Abstract

本发明公开一种概率分布不确定条件下输配协同调度方法及系统，包括：以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。实现输配电网的动态协同与均衡。

Description

一种概率分布不确定条件下输配协同调度方法及系统
技术领域
本发明涉及输配电网技术领域，特别是涉及一种概率分布不确定条件下输配协同调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
传统的输电网短期调度决策通常不考虑配电网络，仅将其简单地等效为固定的负荷需求，这在传统的输配电系统中是可行的，因为传统的配电网为无源网络，上述的等效处理不但能够降低输配电网间的通信压力，而且能够大大降低输电网短期调度决策优化模型的规模，从而能够有效提升其决策效率。
但是，随着新能源技术的发展，各种分布式电源逐渐在配电网中涌现，在就地满足配电网负荷需求的同时，也让配电网有了主动能力，使得传统无源的配电网逐渐向主动配电网转变。主动配电网的出现打破了原先输电网向配电网自上而下单向传输功率的能源消费格局，主动配电网能够在其发电能力富余的时候向上一级的输电网传输功率，即输配电网间出现了双向功率传输的情况，输配电网间互动的需求日渐显现。
在这样的形势下，不少学者对输配电网协同的短期调度决策问题进行深入研究，取得一系列的成果。但是，多数研究所提的输配协同框架仅考虑在基态场景下的输配电网功率协同，而在系统发生功率扰动时，输配电网仅能利用自身的灵活性消纳功率扰动，并保持输配电网交互的功率不变，这在一定程度上是能够实现输配电网间灵活性的共享。例如，当输电网灵活性不足时，通过增加主动配电网向输电网传输的功率，缓解输电网发电机容量约束对备用的限制，进而提升输电网发电机组的备用空间，最终提高输电网的灵活性。
但是，需要指出的是，上述的这种输配电网间灵活性的共享是一种间接的共享，最终输电网提升的灵活性本质上是自身的灵活性，而不是主动配电网的灵活性；事实上，上述的输配协同框架存在两点缺陷：1)当输电网本身无灵活性可挖掘时，即使主动配电网富余再多的灵活性也无法共享给输电网；2)即使输电网发电机组的备用空间得以提升，若备用的响应速率无法满足要求，也可能导致无法提升输电网的灵活性。
发明内容
为了解决上述问题，本发明提出了一种概率分布不确定条件下输配协同调度方法及系统，综合考虑运行调度成本和运行风险成本，以输配电网总成本最小为目标，构建输配协同调度模型；采用目标级联算法、新仿射策略等对不确定约束、机会约束的转换以及对耦合约束的解耦，实现输配电网的动态协同与均衡。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种概率分布不确定条件下输配协同调度方法，包括：
以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
第二方面，本发明提供一种概率分布不确定条件下输配协同调度系统，包括：
模型构建模块，被配置为以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
约束构建模块，被配置为确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
约束优化模块，被配置为采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
模型求解模块，被配置为根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
(1)提出了新的输配电网互动策略，通过同时优化预测场景和扰动场景下输配电网交互的功率，实现了输配电网动态协同，充分利用了不同电压等级电网的灵活性，有效提升了输配电网的协同效益。
(2)通过将系统运行风险成本体现到输配电网优化调度的目标函数中，并借助分布式算法协同输配电网调度决策过程，实现了系统运行风险水平和风电可接纳范围的自动优化以及在输配电网间的均衡，改善了整体电网的经济性和运行风险水平。
(3)采用了新型仿射策略，解决了采用传统线性仿射策略所导致的模型求解较为复杂、无法从理论上保证分布式算法收敛的问题；另一方面，在保证了分布式协调算法收敛性的同时，提高了模型的计算效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的概率分布不确定条件下输配协同调度方法流程图；
图2为本发明实施例1提供的累积测试系统T6D2拓扑结构示意图；
图3为本发明实施例1提供的分布式方法迭代收敛过程示意图
图4为本发明实施例1提供的联络线灵敏度分析结果示意图；
图5(a)-5(d)为本发明实施例1提供的不同置信水平下风电模糊集示意图；
图6为本发明实施例1提供的不同分段数下调度结果示意图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
在深入分析传统输配电网协同策略不足的基础上，本实施例提出满足输配电网动态互动需求的输配协同策略，能够同时优化期望场景和扰动场景下输配电网交换的功率，具体是提供一种概率分布不确定条件下输配协同调度方法，包括：
S1：以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
S2：确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
S3：采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
S4：根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
本实施例提出的计及主动配电网备用容量支持的输配协同策略不但考虑在基态场景下的输配电网功率协同，而且考虑在功率扰动场景下的输配电网功率协同；在新的输配电网协同策略中，输配电网分为两层子系统，上层为输电网子系统，下层为主动配电网子系统。在基态场景下，输配电网子系统通过协调优化输配电网子系统间传输的功率，实现输配电系统的协同运行；而在输电网子系统发生功率扰动时，除了输电网子系统能利用自身的灵活性应对扰动，主动配电网子系统也直接为输电网子系统提供备用支撑，以实现扰动场景下输配电网子系统间的功率协同。上述的两类功率协同在输配电网实际协同调度决策中具体表现为输配电网间功率传输运行基点的协同调度决策和主动配电网为输电网提供备用支撑容量的协同调度决策，最终通过协调上述两类输配电网间的协同调度决策，实现输配电系统的动态协同运行。
在所述步骤S1中，本实施例结合目标级联算法和计及概率分布不确定性的鲁棒经济调度方法，构建概率分布不确定条件下输配电网分布式协同的鲁棒实时调度模型，兼顾运行成本与运行风险，以输配电网的总成本最小为目标函数，即：
Figure BDA0002992584720000041
式中，CTs、Cd分别代表输电网、配电网d的总成本；
Figure BDA0002992584720000051
为配电网集合、发电机组集合、风电场集合；
Figure BDA0002992584720000052
为机组i1的发电、备用成本函数；
Figure BDA0002992584720000053
为配电网d中机组i2的发电、备用成本函数；
Figure BDA0002992584720000054
分别为机组i1的有功输出运行基点、上调备用容量、下调备用容量；
Figure BDA0002992584720000055
分别为配电网d中机组i2的有功输出运行基点、上调备用容量、下调备用容量；分别为风电场的输出功率累积概率密度函数；
Figure BDA0002992584720000056
分别为风电场m1、m2的输出功率累积概率密度函数不确定集；
Figure BDA0002992584720000057
分别为风电场m1、m2随机输出功率扰动所带来的运行风险。
在所述步骤S2中，约束条件具体包括：
S2-1：输电网运行约束具体包括：
1)期望场景下的功率平衡约束：
Figure BDA0002992584720000058
式中，
Figure BDA0002992584720000059
pd分别表示输电网中自动发电控制机组i1输出有功运行基点、风电场m1输出功率预测值、配电网d负荷预测值；LTs为输电网总负荷；
2)扰动场景下的功率平衡约束：
Figure BDA00029925847200000510
式中，
Figure BDA00029925847200000511
为风电场随机输出功率；
Figure BDA00029925847200000512
和
Figure BDA00029925847200000513
分别为机组、配电网d为应对风电随机扰动而做出的输出功率调整量；
Figure BDA00029925847200000514
为风电场m1扰动可接纳范围，为决策变量。
3)自动发电控制机组备用需求约束：
Figure BDA00029925847200000515
式中，
Figure BDA00029925847200000516
为自动发电控制机组备用响应函数。
4)配电网备用需求约束：
Figure BDA00029925847200000517
式中，
Figure BDA00029925847200000518
为配电网备用响应函数。
5)风电扰动机会约束：
Figure BDA0002992584720000061
式中，第一个不等式用以约束风电场的弃风概率水平，第二个不等式约束因风电场输出功率随机扰动而导致功率短缺的概率水平；
Figure BDA0002992584720000062
为风电场m1输出功率概率密度函数；
Figure BDA0002992584720000063
为风电场m1输出功率概率密度函数的不确定集；
Figure BDA0002992584720000064
分别代表系统所能接受的弃风概率限值、功率短缺概率限值。
6)机组爬坡约束：
Figure BDA0002992584720000065
式中，
Figure BDA0002992584720000066
为机组为应对风电随机扰动而做出的输出功率调整量；
Figure BDA0002992584720000067
分别为机组i1的向上、向下爬坡能力。
7)机组发电容量约束：
Figure BDA0002992584720000068
式中，
Figure BDA0002992584720000069
分别为机组i1的最大、最小发电容量；
Figure BDA00029925847200000610
和
Figure BDA00029925847200000611
为机组i1输出功率运行基点、为应对风电随机扰动而做出的输出功率调整量。
8)联络线容量约束：
Figure BDA00029925847200000612
式中，
Figure BDA00029925847200000613
为连接配电网d的联络线传输容量；pd和
Figure BDA00029925847200000614
分别为联络线传输功率运行基点和扰动量。
9)支路传输容量约束：
Figure BDA00029925847200000615
式中，Mdl、
Figure BDA00029925847200000616
分别为配电网d、发电机组i1、风电场m1对应于支路l的发电转移因子；Tl为支路l的传输容量。
S2-2：配电网运行约束具体包括：
1)期望场景下的节点功率平衡约束：
Figure BDA0002992584720000071
式中，
Figure BDA0002992584720000072
分别为支路l首端、末端的输入有功；
Figure BDA0002992584720000073
分别为支路l首端、末端的输入无功；
Figure BDA0002992584720000074
分别为配电网支路l上的发电机组输出有功运行基点、风电场输出有功预测值、负荷有功需求、与输电网交换有功的运行基点；
Figure BDA0002992584720000075
分别为配电网支路l上的发电机组输出无功运行基点、风电场输出无功预测值、负荷无功需求。
2)期望场景下的节点电压幅值约束：
Figure BDA0002992584720000076
式中，
Figure BDA0002992584720000077
分别为支路l首端、末端的节点电压幅值；rl+jxl为支路l的阻抗；v0为电压参考值；
Figure BDA0002992584720000078
分别为支路l的输入有功、无功。
3)扰动场景下的节点功率平衡约束：
Figure BDA0002992584720000079
式中，
Figure BDA00029925847200000710
分别为配电网支路l上的发电机组随机有功输出、风电场随机有功输出、与输电网的随机有功交换；
Figure BDA00029925847200000711
分别为配电网支路l上的发电机组随机无功输出、风电场随机无功输出；
Figure BDA00029925847200000712
为风电场有功扰动可接纳范围；
Figure BDA00029925847200000713
为输配有功交换扰动可接纳范围。
4)自动发电控制机组备用需求约束：
Figure BDA00029925847200000714
式中，
Figure BDA00029925847200000715
为自动发电控制机组备用响应函数。
5)风电扰动机会约束：
Figure BDA0002992584720000081
式中，第一个不等式用以约束风电场的弃风概率水平，第二个不等式约束因风电场输出功率随机扰动而导致功率短缺的概率水平，
Figure BDA0002992584720000082
为风电场m2输出功率概率密度函数；
Figure BDA0002992584720000083
为风电场m2输出功率概率密度函数的不确定集；
Figure BDA0002992584720000084
分别代表系统所能接受的弃风概率限值、功率短缺概率限值。
6)机组爬坡约束：
Figure BDA0002992584720000085
式中，
Figure BDA0002992584720000086
为机组为应对系统功率随机扰动而做出的输出功率调整量；
Figure BDA0002992584720000087
分别为机组i2的向上、向下爬坡能力。
7)机组发电容量约束：
Figure BDA0002992584720000088
式中，
Figure BDA0002992584720000089
分别为机组i2的最大、最小发电容量；
Figure BDA00029925847200000810
和
Figure BDA00029925847200000811
为机组i2输出功率运行基点、为应对系统功率随机扰动而做出的输出功率调整量。
8)发电机节点电压幅值约束：
Figure BDA00029925847200000812
式中，
Figure BDA00029925847200000813
分别为节点电压幅值的上限、下限；
Figure BDA00029925847200000814
为发电机i2节点电压。
9)负荷节点电压幅值约束：
Figure BDA00029925847200000815
式中，
Figure BDA00029925847200000816
分别为节点电压幅值的上限、下限；
Figure BDA00029925847200000817
分别为负荷节点期望场景下的电压、电压扰动值。
10)发电机无功输出容量约束：
Figure BDA00029925847200000818
式中，
Figure BDA00029925847200000819
分别为发电机无功输出的上限、下限；
Figure BDA00029925847200000820
分别为发电机无功输出运行基点、无功扰动值。
11)支路传输容量约束：
Figure BDA0002992584720000091
式中，
Figure BDA0002992584720000092
分别为支路l传输容量的上限、下限；
Figure BDA0002992584720000093
分别为支路l期望场景下的线路潮流、潮流扰动量。
12)扰动线性响应约束：
Figure BDA0002992584720000094
Figure BDA0002992584720000095
式中，
Figure BDA0002992584720000096
分别为平衡节点集合、发电节点集合、负荷节点集合、支路集合；Δθ、ΔV、ΔP、ΔQ、
Figure BDA0002992584720000097
分别为节点电压相角扰动向量、电压幅值扰动向量、有功扰动向量、无功扰动向量、支路潮流扰动向量；A、B、Al、Bl均为常数矩阵。需要注意的是，平衡节点的电压幅值与相角以及发电节点的电压幅值一般维持不变，即
Figure BDA0002992584720000098
同时，此处配电网中的风电场采用定功率因素的运行策略。因此，实际上，系统状态变量的扰动
Figure BDA0002992584720000099
仅与发电节点的有功调整量
Figure BDA00029925847200000910
和负荷节点的有功扰动
Figure BDA00029925847200000911
有关。
S2-3：输配电网运行耦合约束条件具体包括：
在概率分布不确定条件下输配协同的鲁棒实时调度中，存在着两类输配电网耦合约束，包括输配电网功率交换运行基点耦合约束，即式(24)，和输配电网共享备用容量耦合约束，即式(25)。这两类耦合约束共同构建了输配电网协同下输配电网的最优交换功率范围，即输电网的最优交换功率范围
Figure BDA00029925847200000912
和配电网的最优交换功率范围
Figure BDA00029925847200000913
Figure BDA00029925847200000914
Figure BDA00029925847200000915
式中，
Figure BDA00029925847200000916
pd分别为输电网运行优化问题中的输配功率交换运行基点、配电网运行优化问题中的输配功率交换运行基点；
Figure BDA00029925847200000917
分别为输电网运行优化问题中的输配共享的上调、下调备用容量；
Figure BDA0002992584720000101
分别为配电网运行优化问题中的输配共享的上调、下调备用容量。
在本实施例中，基于非精确迪利克雷模型和阶梯插值法，构建所有风电样本点处以及非风电样本点处的累积概率置信区间，组成随机变量累积概率密度函数的置信带，进而得到风电输出功率模糊集；具体的风电输出功率模糊集构建过程为：
(1)对于任意的风电随机功率x样本点(比如点A)，采用非精确迪利克雷模型，估计该点处概率置信水平为γ的累积概率置信区间，如下所示：
Figure BDA0002992584720000102
式中，bk和ak分别为累积概率置信区间的上界、下界；H和G分别为beta分布B(nk,s+n-nk)与beta分布B(s+nk,n-nk)的累积概率密度函数；nk为满足约束x≤A的风电样本数；n为风电的总样本数。通过这一步骤，可获得所有风电样本点处的累积概率置信区间。
(2)考虑到累积概率密度函数为单调递增函数，因此，采用阶梯插值法，实现对非风电样本点处累积概率置信区间的构建。非风电样本点处的累积概率置信区间可构建如下：
Figure BDA0002992584720000103
式中，ak和bk+1分别为样本点Xk处累积概率置信区间的下界、样本点Xk+1处累积概率置信区间的上界；
Figure BDA0002992584720000104
和
Figure BDA0002992584720000105
分别为风电x位于连续样本点Xk和Xk+1之间的非样本点处的累积概率置信区间的上界、下界。
(3)将步骤1)与步骤2)中所得到的置信区间的上界与下界分别相连，即可得到随机变量累积概率密度函数的置信带，进而得到如下的风电模糊集。
Figure BDA0002992584720000106
在本实施例中，考虑到风电输出功率概率分布的不确定性，定义风电模糊集中最差概率分布下，由于风电扰动超出风电可接纳范围而引发的期望经济损失为风电接纳风险成本，并将其转化为风险成本体现于目标函数中；风电接纳风险表示如下：
Figure BDA0002992584720000107
式中，
Figure BDA0002992584720000111
为风电模糊集，Fm为风电模糊集中的一条累积概率密度函数；βlo和βup分别为甩负荷与弃风的成本系数；
Figure BDA0002992584720000112
分别为风电扰动可接纳范围的上、下界；
Figure BDA0002992584720000113
为随机风电功率。
根据分部积分法，式(29)可转化为：
Figure BDA0002992584720000114
式中，
Figure BDA0002992584720000115
为风电场装机容量。
进而，式(30)可借助下式进行鲁棒估计：
Figure BDA0002992584720000116
式中，
Figure BDA0002992584720000117
分别为风电模糊集中风电累积概率密度函数置信带的上、下界。
显然，式(31)所表示的风电接纳风险评估形式在现实中难以高效求解。因此，采用基于K-block的分段线性函数对式(31)进行线性化，具体表示如下：
Figure BDA0002992584720000118
式中，
Figure BDA0002992584720000119
为常系数，可根据风电累积概率密度函数计算获得；Z为在分段线性化过程中，风电累积概率密度函数的分段数量。
此处采用的分段线性化方法能够将原先的积分模型转化为线性模型，相较于非凸优化的混合整数线性模型，线性模型为凸优化模型，能够在提高模型求解效率的同时，从理论上保证后续采用的分布式算法的收敛性。
所述步骤S3-4中，对概率分布不确定条件下的输配协同调度模型的求解过程包括：采用目标级联技术实现对耦合约束的解耦；采用新仿射策略和强对偶原理将不确定约束转化为线性约束；采用鲁棒近似估计将机会约束转化为线性约束；采用双层迭代实现输电网调度优化模型和主动配电网调度优化模型的协同优化。
在本实施例中，传统目标级联算法只能迭代求解子问题，而本实施例采用对角二次估计方法提出新的目标级联算法，实现输配电网优化调度子问题的并行求解，提升优化模型的求解效率，进而实现系统运行风险水平和风电可接纳范围的自动优化以及在输配电网间的均衡，改善整体电网的经济性和运行风险水平。
S3-1：为了解耦所构建的集中调度优化模型，实现输、配电网间的独立自主决策，采用目标级联(analysis target cascading,ATC)技术实现对耦合约束(24)和(25)的解耦，由此目标函数(1)可改写成如下的增广拉格朗日函数：
Figure BDA0002992584720000121
显然，由于式(33)中Cd,pe的存在，无法实现输配电网优化模型中决策变量的分离，也就阻碍了输配电网调度决策问题的并行求解。
为了解决这一问题，此处采用对角二次估计的方法实现Cd,pe中输配电网优化决策变量的分离，以
Figure BDA0002992584720000122
为例，其可展开为如下形式：
Figure BDA0002992584720000123
然后，采用一阶泰勒展开在点
Figure BDA0002992584720000124
处线性化式(33)中的交叉项
Figure BDA0002992584720000125
Figure BDA0002992584720000126
式中，
Figure BDA0002992584720000127
和(pd)k-1分别为在第k-1次迭代求解中的优化结果，在当前第k次迭代求解过程中为已知常数。因此，
Figure BDA0002992584720000128
可被估计为：
Figure BDA0002992584720000129
式中，C为常数。
由此，式(33)可被进一步解耦为如下的两个相互独立的目标函数：
Figure BDA00029925847200001210
Figure BDA00029925847200001211
式中，式(37)和式(38)分别代表输电网、主动配电网调度决策问题的目标函数。在每次优化问题的求解迭代中，输配电网的运行者仅要求对方电网在上次求解迭代中的边界优化结果，从而实现了输配电网调度决策问题的并行求解。
S3-3：若在优化模型中采用传统的仿射策略，则原模型形成非凸的双线性规划问题，无法保证分布式算法收敛性；故，本实施例在将风电模糊集等效转化的基础上，采用新仿射策略，将优化模型转化为线性优化问题，在保证分布式算法收敛性的同时，提高计算效率。基于新仿射策略的不确定约束转化包括：
为了表述方便，将约束(4)、(5)、(7)-(10)改写成如下的向量形式：
Figure BDA0002992584720000131
式中，Γ、Λ、Θ、Ψ、W均为常数矩阵；x为除风电可接纳范围
Figure BDA0002992584720000132
以外的决策变量向量；
Figure BDA0002992584720000133
为输电网中随机风电扰动向量；
Figure BDA0002992584720000134
和
Figure BDA0002992584720000135
分别为输电网中发电机组和主动配电网为应对随机风电波动而做出的功率调整向量；
Figure BDA0002992584720000136
和
Figure BDA0002992584720000137
分别为输电网中发电机组和主动配电网响应输电网中风电随机波动的函数向量。
此时，若采用传统的线性仿射函数
Figure BDA0002992584720000138
作为有功扰动响应函数，根据强对偶原理，式(39)将转变为：
Figure BDA0002992584720000139
式中，
Figure BDA00029925847200001310
和
Figure BDA00029925847200001311
分别为输电网发电机组和主动配电网提供备用容量的参与因子；
Figure BDA00029925847200001312
为引入的辅助决策变量；
Figure BDA00029925847200001313
和
Figure BDA00029925847200001314
为采用传统线性仿射函数所导致的双线性项。
显然，上述双线性约束的存在，一方面，导致优化模型中存在双线性项，不利于模型的高效求解。另一方面，将影响基于目标级联技术的分布式算法的收敛性，甚至可能导致算法无法收敛。
为解决此问题，此处采用新仿射策略作为有功扰动响应函数，将约束(39)转变为线性约束，与传统的线性仿射策略相比，采用的新仿射策略不会导致更保守的决策结果，甚至可能改善传统线性仿射策略决策结果过于保守的缺陷。为了采用新的仿射策略，原风电不确定集
Figure BDA00029925847200001315
改写为：
Figure BDA0002992584720000141
式中，e为单位向量；
Figure BDA0002992584720000142
为构建对角矩阵函数，新矩阵的非对角线上元素均为0，对角线上元素为向量
Figure BDA0002992584720000143
中的值；
Figure BDA0002992584720000144
为引入的辅助变量。
基于新的风电不确定集(41)，式(39)可转化为：
Figure BDA0002992584720000145
式中，
Figure BDA0002992584720000146
和
Figure BDA0002992584720000147
分别为新风电不确定集下输电网中发电机组和主动配电网响应输电网中风电随机扰动的函数。
然后，构建如下的新仿射策略：
Figure BDA0002992584720000148
式中，
Figure BDA0002992584720000149
为新仿射策略下的输电网中风电随机扰动响应函数；
Figure BDA00029925847200001410
为新仿射策略中的参与因子矩阵。
将新仿射策略带入式(42)，式(43)可转化为：
Figure BDA00029925847200001411
基于强对偶原理，式(44)可进一步转化为如下的线性约束：
Figure BDA00029925847200001412
式中，λ为引入的辅助决策变量矩阵；
Figure BDA00029925847200001413
和
Figure BDA00029925847200001414
为新新仿射策略下的决策变量矩阵和向量。
由此，通过采用新仿射策略，约束(4)、(5)、(7)-(10)转化为线性约束；同理，主动配电网优化模型中的相关约束也可通过采用新仿射策略而转化为线性约束。
S3-3：机会约束的鲁棒近似估计包括：
为表述方便，机会约束(6)和(15)可改写为如下的向量形式：
Figure BDA0002992584720000151
显然，式(46)可借助下式实现鲁棒近似估计：
Figure BDA0002992584720000152
根据所构建的风电模糊集，式(47)可等效转化为：
Figure BDA0002992584720000153
式中，
Figure BDA0002992584720000154
和
Figure BDA0002992584720000155
分别为风电累积概率密度函数置信带的上界与下界。
式(48)可进一步等效转化为如下的线性约束：
Figure BDA0002992584720000156
在步骤S4中，输电网调度优化模型和主动配电网调度优化模型均形成线性优化问题，采用并行求解过程求解上述优化问题；该并行求解过程包含一个内迭代环和一个外迭代环，内迭代环用于更新边界优化解，而外迭代环更新优化模型中的惩罚乘子；前者旨在获取给定惩罚乘子下的边界最优解，而后者以寻找最优惩罚乘子为目标；若内迭代环能够获取更优的边界解，外迭代环就能找到更优的惩罚乘子。具体并行求解步骤如下：
S4-1：(初始化)设定边界耦合变量
Figure BDA0002992584720000157
惩罚乘子
Figure BDA0002992584720000158
迭代步长(τ1,τ2)的初始值，设定内迭代环计数器k1＝0和外迭代环计数器k2＝1。
S4-2：(子问题求解)设定内迭代环计数器k1＝k1+1，分别使用上一次迭代获得的边界优化解同时求解输电网和主动配电网调度决策子问题，在第一次求解时，使用边界优化解的初始值。
S4-3：(检查内迭代环收敛情况)检查如下的内迭代环收敛条件(50)，ε1为内迭代环的收敛门槛；
Figure BDA0002992584720000159
若满足(50)，则内迭代环收敛，转去S4-4；否则，使用如下的规则(51)更新相应的边界决策结果，然后返回S4-2；
Figure BDA0002992584720000161
式中，
Figure BDA0002992584720000162
τ1为迭代步长，满足0≤τ1≤1。
S4-4：(检查外迭代环收敛情况)输电网运行者将其调度决策结果中的边界优化解
Figure BDA0002992584720000163
发送给相应的主动配电网运行者，同时，主动配电网运行者将其调度决策结果中的边界优化解
Figure BDA0002992584720000164
发送给输电网运行者；
验证式(52)所表示的收敛条件，如满足条件(52)，则算法收敛，当前解即为最终解；否则，转去S4-5。
Figure BDA0002992584720000165
式中，ε2为预先设定的外迭代环收敛门槛。
S4-1：(惩罚乘子更新)输电网运行者和主动配电网运行者根据式(53)更新自身调度优化子问题的惩罚乘子，然后返回S4-2；
Figure BDA0002992584720000166
式中，
Figure BDA0002992584720000167
本实施例以T6D2测试系统、T118D20测试系统和山东省实际电网等效测试系统为例，通过在3个规模不同的测试系统上进行算例仿真分析，验证所提方法的可行性与有效性。所有算例仿真分析均在一台配置为Intel Core i5-7300HQ处理器、2.50GHz主频、16G内存的移动工作站上实现，采用GAMS 23.8.2优化软件中的CPLEX 12.6求解器对优化问题进行求解；除非额外说明，算例仿真分析中的参数设定如下：风电模糊集的置信概率水平设置为0.95；所有风电场的装机容量一致，均为50MW；弃风和甩负荷的风险成本系数分别设置为300元/兆瓦时和3000元/兆瓦时；假设风电输出功率的真实分布为一个正态分布，其标准差设置为期望值的20％，所有的风电样本均基于这一正态分布产生。需要指出的是，所提方法无需预先设定风电输出功率概率分布的类型，因为所提方法对风电输出功率概率分布的类型没有具体要求。
如图2所示为T6D2测试系统的拓扑结构，其由一个简单的6节点系统和分别连接在节点3和节点4处的主动配电网(后续分别简称为ADG1和ADG2)组成。测试系统相关数据见表1，输、配电网交换功率的初始运行基点和初始备用容量均设定为0MW，输电网中的风电场装机容量和配电网中的风电场装机容量分别设定为50MW和20MW，风电场W1-W4输出功率的预测值分别设定为10MW，10MW，30.3MW和22.6MW。在此测试算例中，假设系统运行中的不确定性只来源于风电场输出功率。
表1 T6D2测试系统中主动配电网支路参数
Figure BDA0002992584720000171
为了验证在输电网调度决策中计及主动配电网备用支撑能力在提高系统运行经济性和可靠性方面的有效性，对比以下5种方案：
方案1：传统的分布式输配协同方案，其中输配电网的协同只考虑预测场景下的功率协同，可通过移除所提方案中功率扰动场景下的功率协同约束，即与输配电网备用容量交换有关的约束来实现；
方案2：本实施例所提分布式输配协同方案，其中输配电网的协同同时计及预测场景和扰动场景下的功率协同；
方案3：集中式输配协同方案，假设输配电网中存在一个集中调度决策中心，能够及时、精确地获取输配电网所有的信息，包括网络参数、拓扑信息和发电、负荷信息；
方案4：所提分布式输配协同方案，但其中支路2的传输容量降低10％；
方案5：传统的分布式输配协同方案，但其中支路2的传输容量降低10％。
表2不同方法的对比结果
Figure BDA0002992584720000172
Figure BDA0002992584720000181
上述5种方案的对比结果见表2，从表中可以看出，与方案1相比，方案2(即所提方案)能够得到更好的决策结果，包括更低的总成本(降低约5.4％)和更大的输电网风电可接纳范围；这是因为当主动配电网能够用自身富余的灵活性为输电网提供备用容量支持时，输电网能够利用更多的备用容量应对系统中的功率扰动。一方面，输电网中的发电机只需配置更少的备用容量，从而其运行点能够更加接近最佳经济运行点，在降低备用成本的同时，降低了发电成本；另一方面，降低了发电机爬坡约束对备用响应速率的影响，使得系统拥有了更多具有更快响应速率的备用容量来应对系统功率扰动，从而降低了功率扰动下的系统运行风险。
同时，从表2中还可以看出，方案2和方案3的决策结果极为接近，表明了所提分布式方法具有较高的计算精度；通过对比方案2和方案4可以看出，在所提方法决策结果下，支路2没有发生阻塞；通过对比方案1和方案5可知，当主动配电网无法给输电网提供备用支撑时，支路2发生了阻塞。基于以上分析，可以得到以下结论：当主动配电网能够为输电网提供备用支撑时，即所提方法，输电网中的支路阻塞情况得到了缓解，从而从长远来看，可降低输电网输电线路扩容的投资成本。
T118D20测试系统由一个修改的IEEE 118节点的输电网和20个主动配电网(10个T6D2系统中的ADG1和10个ADG2)组成，拥有258个节点和98台发电机组，表3展示所提方法在T118D20测试系统上的仿真结果，图3展示所提分布式方法在T118D20测试系统上的收敛过程，其中横坐标代表迭代次数，纵坐标表示所提分布式算法结果与集中式方法结果的相对误差。从表3和图3中可以看到，所提方法能够快速收敛到一个相对误差较小的全局近似最优解，表明了所提方法具有较高的计算效率和计算精度。
表3 T118D20测试系统仿真结果
Figure BDA0002992584720000182
Figure BDA0002992584720000191
关键参数灵敏度分析过程中，包括：
(1)联络线传输容量灵敏度分析
从所构建的优化模型中可以看出，主动配电网所能提供给输电网的备用支撑容量与输配电网的联络线传输容量密切相关，输配电网联络线传输容量越小必然导致主动配电网所能提供给输电网的备用支撑容量越小。如图4所示为在测试系统T6D2上，不同输配电网联络线传输容量下系统总运行成本和风险成本的增加量以及风电可接纳范围的减少量，从图4中可以看到，随着输配电网联络线传输容量的降低，系统总运行成本和风险成本逐渐增加，而风电可接纳范围逐渐缩小，当输配电网联络线传输容量降低20％时，系统总运行成本增加约12.3％，而风电可接纳范围缩小约14.6％，表明所提方案可指导输配电网联络线的动态扩容，从而实现主动配电网中灵活性能力的充分挖掘。
(2)样本容量灵敏度分析
为验证样本容量对调度结果的影响，分别对样本容量为103、5×103、104、105的情况作了测试。表4显示在T118D20测试系统中，不同样本容量下的风电可接纳范围大小、系统运行风险成本和系统运行总成本。从表中可以看到，样本容量越多，所提方法决策结果的保守性越低。因此，在实际中可通过增加样本容量的方式来改善所提方法决策结果的保守性。这是因为，样本容量越多，更多不可能的风电概率分布能够从风电模糊集中被剔除，形成更小的风电模糊集，风电概率分布的估计也就越精确。
表4不同样本容量下的决策结果
Figure BDA0002992584720000192
(3)风电模糊集置信概率水平灵敏度分析
为分析风电模糊集置信水平对风电不确定性建模结果的影响，如图5(a)-5(d)展示了不同风电模糊集置信水平下的风电模糊集。从图5(a)-5(d)中可以看出，随着置信水平的不断提高，风电模糊集不断增大，即当采用更高的置信水平时，风电模糊集就包含了更多可能的风电概率分布，从而能够得到鲁棒性更好的决策结果。在实际中，系统运行者可根据实际需求选取合适的置信水平。
(4)分段线性化方法中分段数灵敏度分析
为验证分段线性化方法中分段数量对所提方法决策结果的影响，对相应情况作了测试。如图6显示了在T118D20测试系统中，分段线性化方法采用不同分段数量下的求解时间和系统运行总成本。从图6中可以看出，随着分段数量的不断增多，系统总成本逐渐降低，表明分段线性化方法的线性化精度在不断提高。当分段数量从10个增长到16个时，系统总成本几乎保持不变，表明采用10个分段数已能够保证分段线性化方法的线性化精度足够高。另一方面，随着分段数量的增加，计算时间也在增加；但是，采用10个分段数，不但能够确保足够的线性化精度，还能满足在线应用对计算效率的要求。
在所提方法中，主动配电网的数目和样本容量是两个重要的参数，因此，需要分析上述两个重要参数对所提方法计算效率的影响。为此，首先在T118D20测试系统上测试了不同样本容量下所提方法的计算时间，测试结果如表5所示，从表中可以看出，样本容量的大小对所提方法的计算效率和计算精度几乎没有影响，这表明所提方法的计算效率和计算精度不受样本容量的影响，从而为增加样本容量，进一步降低决策结果的保守性提供了可能。
表5不同样本容量下的计算效率
Figure BDA0002992584720000201
进一步地，在山东省实际电网等效的测试系统上测试不同主动配电网数量下所提方法的计算效率。山东省实际电网等效的测试系统拥有32个可调控机组，1135个节点，693条输电网支路和770条配电网支路。测试结果如表6所示。从表中可看到，随着主动配电网的数量增多，所提方法的计算时间也在逐渐增加。但，即使主动配电网的数量达到了40，所提方法的计算时间也仅有约2分钟。同时可以看到，在不同的主动配电网数量下，所提方法均能保持较高的计算精度。这些表明了所提方法具备大系统应用潜力。
表6不同主动配电网数量下的计算效率
Figure BDA0002992584720000202
实施例2
本实施例提供一种概率分布不确定条件下输配协同调度系统，包括：
模型构建模块，被配置为以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
约束构建模块，被配置为确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
约束优化模块，被配置为采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
模型求解模块，被配置为根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种概率分布不确定条件下输配协同调度方法，其特征在于，包括：
以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
2.如权利要求1所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，所述输电网运行约束包括：期望场景下的功率平衡约束、扰动场景下的功率平衡约束、自动发电控制机组备用需求约束、配电网备用需求约束、风电扰动机会约束、机组爬坡约束、机组发电容量约束、联络线容量约束、支路传输容量约束。
3.如权利要求1所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，配电网运行约束包括：期望场景下的节点功率平衡约束、期望场景下的节点电压幅值约束、扰动场景下的节点功率平衡约束、自动发电控制机组备用需求约束、风电扰动机会约束、机组爬坡约束、机组发电容量约束、发电机节点电压幅值约束、负荷节点电压幅值约束、发电机无功输出容量约束、支路传输容量约束、扰动线性响应约束，
4.如权利要求2或3所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，采用新仿射策略对自动发电控制机组备用需求约束、配电网备用需求约束、机组爬坡约束、机组发电容量约束、联络线容量约束和支路传输容量约束的不确认约束进行线性转换；对风电扰动机会约束进行鲁棒近似估计，以将其转换为线性约束。
5.如权利要求1所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，所述目标函数为：
Figure FDA0002992584710000011
Figure FDA0002992584710000012
Figure FDA0002992584710000013
式中，CTs、Cd分别代表输电网、配电网d的总成本；
Figure FDA0002992584710000014
为配电网集合、发电机组集合、风电场集合；
Figure FDA0002992584710000021
为机组i1的发电、备用成本函数；
Figure FDA0002992584710000022
为配电网d中机组i2的发电、备用成本函数；
Figure FDA0002992584710000023
分别为机组i1的有功输出运行基点、上调备用容量、下调备用容量；
Figure FDA0002992584710000024
分别为配电网d中机组i2的有功输出运行基点、上调备用容量、下调备用容量；分别为风电场的输出功率累积概率密度函数；
Figure FDA0002992584710000025
分别为风电场m1、m2的输出功率累积概率密度函数不确定集；
Figure FDA0002992584710000026
分别为风电场m1、m2随机输出功率扰动所带来的运行风险。
6.如权利要求1所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，采用包括内迭代环和外迭代环的并行求解算法求解输配协同调度模型的目标函数。
7.如权利要求6所述的一种概率分布不确定条件下输配协同调度方法，其特征在于，所述内迭代环用于更新边界优化解，获取给定惩罚乘子下的边界最优解，外迭代环以寻找最优惩罚乘子为目标，更新输配协同调度模型中的惩罚乘子。
8.一种概率分布不确定条件下输配协同调度系统，其特征在于，包括：
模型构建模块，被配置为以最小化输配电网总成本为目标函数，构建概率分布不确定条件下的输配协同调度模型；
约束构建模块，被配置为确定输配协同调度模型的约束条件，约束条件包括输电网运行约束、配电网运行约束和输配电网运行耦合约束；
约束优化模块，被配置为采用目标级联算法对输配电网运行耦合约束进行解耦，采用新仿射策略对输电网运行约束和配电网运行约束进行线性转换；
模型求解模块，被配置为根据优化后的约束条件对输配协同调度模型进行求解，以此对输配电网的协同运行进行调度优化。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202110319597.6A 2021-03-25 2021-03-25 一种概率分布不确定条件下输配协同调度方法及系统 Pending CN113162049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110319597.6A CN113162049A (zh) 2021-03-25 2021-03-25 一种概率分布不确定条件下输配协同调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110319597.6A CN113162049A (zh) 2021-03-25 2021-03-25 一种概率分布不确定条件下输配协同调度方法及系统

Publications (1)

Publication Number Publication Date
CN113162049A true CN113162049A (zh) 2021-07-23

Family

ID=76884658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110319597.6A Pending CN113162049A (zh) 2021-03-25 2021-03-25 一种概率分布不确定条件下输配协同调度方法及系统

Country Status (1)

Country Link
CN (1) CN113162049A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167140A (zh) * 2022-07-27 2022-10-11 华北电力大学 风力发电机组多目标随机模型预测控制策略方法及系统
CN116436040A (zh) * 2023-05-06 2023-07-14 山东大学 考虑频率动态安全约束的输配电协同优化调度方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106253352A (zh) * 2016-08-17 2016-12-21 山东大学 计及风电概率分布特征的鲁棒实时调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106253352A (zh) * 2016-08-17 2016-12-21 山东大学 计及风电概率分布特征的鲁棒实时调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENG LI: "Distributed Distributionally Robust Dispatch for Integrated Transmission-Distribution Systems", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *
翟俊义等: "考虑可消纳风电区间的多区电力系统分散协调鲁棒调度方法", 《电网技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167140A (zh) * 2022-07-27 2022-10-11 华北电力大学 风力发电机组多目标随机模型预测控制策略方法及系统
CN115167140B (zh) * 2022-07-27 2023-10-10 华北电力大学 风力发电机组多目标随机模型预测控制策略方法及系统
CN116436040A (zh) * 2023-05-06 2023-07-14 山东大学 考虑频率动态安全约束的输配电协同优化调度方法和系统

Similar Documents

Publication Publication Date Title
CN107679658B (zh) 一种高比例清洁能源接入下的输电网规划方法
Chang et al. A distributed robust optimization approach for the economic dispatch of flexible resources
CN109840692A (zh) 一种互联微电网分布式鲁棒调度系统及调度方法
CN110808597A (zh) 主动配电网中考虑三相不平衡的分布式电源规划方法
CN113162049A (zh) 一种概率分布不确定条件下输配协同调度方法及系统
CN112990596B (zh) 一种主动配电网和虚拟电厂协同运行的分布式优化方法
CN111525626A (zh) 一种基于云边协同计算的微电网实时调度方法及系统
CN112381375A (zh) 一种基于潮流分配矩阵的电网经济运行域快速生成方法
Wen et al. Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration
Lu et al. Medium-and long-term interval optimal scheduling of cascade hydropower-photovoltaic complementary systems considering multiple uncertainties
CN115115251A (zh) 考虑净负荷最优可接纳域的配电网电源规划方法及系统
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
CN117713244A (zh) 基于可行域投影法的电力系统协同优化调度方法及装置
CN117522014A (zh) 一种考虑多重不确定性的储配网联合规划方法
CN109066709B (zh) 一种基于元模型的分布式电源就地电压控制策略改进方法
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
CN116415783A (zh) 基于集中式和分布式双层优化策略的多能源网络调度方法
CN117236574A (zh) 源网荷储协调优化方法、装置、设备、存储介质
CN115099548A (zh) 一种计及安全域和期望损失的配电网电源规划方法及系统
Li et al. Cooperative optimal scheduling of interconnected transmission-distribution-micro power system
Alkano et al. Distributed MPC for Power-to-Gas facilities embedded in the energy grids
Zhang et al. Robust unit commitment considering the temporal and spatial correlations of wind farms using a data-adaptive approach
Jiang et al. Security-constrained unit commitment with flexible uncertainty set for wind power generation
CN117996861B (zh) 一种配电网光水耦合余电制氢调度方法及能量管理装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723