CN113363976A - 一种基于场景图的风光水互补发电系统中期优化调度方法 - Google Patents

一种基于场景图的风光水互补发电系统中期优化调度方法 Download PDF

Info

Publication number
CN113363976A
CN113363976A CN202110680674.0A CN202110680674A CN113363976A CN 113363976 A CN113363976 A CN 113363976A CN 202110680674 A CN202110680674 A CN 202110680674A CN 113363976 A CN113363976 A CN 113363976A
Authority
CN
China
Prior art keywords
state
wind
output
wind power
power
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
CN202110680674.0A
Other languages
English (en)
Other versions
CN113363976B (zh
Inventor
谢俊
郑懿敏
潘学萍
郑源
肖宇泽
冯丽娜
常逸凡
潘虹
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110680674.0A priority Critical patent/CN113363976B/zh
Publication of CN113363976A publication Critical patent/CN113363976A/zh
Application granted granted Critical
Publication of CN113363976B publication Critical patent/CN113363976B/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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
    • H02S10/12—Hybrid wind-PV energy systems
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于场景图的风光水互补发电系统中期优化调度方法，属于发电系统技术领域，本发明以风电机组，光伏设备以及梯级水库为研究对象，建立了以弃风弃光弃水最小化以及水电蓄能最大化为目标的风光水互补发电系统中期优化调度模型。在中期优化调度方面，首先，以一个月为调度周期，设立了弃风光水最少、蓄能最大的目标；其次，采用场景图技术对随机性风力发电、光伏发电进行建模，通过各状态之间的转移约束将各个时段的状态联系起来，建立了基于场景图的含梯级水电的风光水互补发电系统中期优化调度模型；本发明能够有效描述风力发电、光伏发电的不确定性，能够更好地提升模型的求解效率，有利于高效利用清洁能源。

Description

一种基于场景图的风光水互补发电系统中期优化调度方法
技术领域
本发明属于发电系统技术领域，具体涉及一种基于场景图的风光水互补发电系统中期优化调度方法。
背景技术
风能、太阳能在电力系统中所占的比例正快速增加，但由于风力发电和光伏发电都具有显著的波动性和不确定性，需要系统具备灵活的调节性能来保证系统安全稳定运行。风电、光电等可再生能源的不确定性和波动性通常由多场景来表示。
由于场景数量过少可能会导致风光的不确定性或波动性描述出现较大偏差，而场景数量过多又会增加求解时的计算负担，因此模型求解的效果与所选择的场景是否可以贴切、恰当地表示风电、光电的特性紧密相关。
基于多场景的优化调度模型是考虑不确定性因素时最常用的方法。然而，大规模的数据会给调度模型求解带来巨大的计算负担。
场景缩减技术能够通过筛选得到有限数量的典型场景，随着场景集的减少，原始场景的部分不确定性信息将不可避免地丢失，导致求解结果的性能下降。
但如果为了提高场景集与现实情况的契合度，控制缩减后保留较多场景，状态变量的数量会呈现指数式的增长，且相邻时间段之间的出力变化也是确定性的，因此调度结果忽略了预测的可变性，会严重影响最终的求解结果，降低系统的安全经济运行水平。
发明内容
发明目的：本发明的目的在于提供一种基于场景图的风光水互补发电系统中期优化调度方法，克服现有技术中，风光并网的波动性难以解决以及风光水互补系统模型的复杂度较高的问题。
技术方案：为实现上述目的，本发明提供如下技术方案：一种基于场景图的风光水互补发电系统中期优化调度方法，包括如下步骤：
1)初始数据的获取后，当使用多场景对风电、光电出力进行建模时，首先采用场景生成技术生成所有可能的场景轨迹，其次再对初始场景进行建模；
2)风光随机性分析，通过场景图技术使用每个时段风光的代表性功率输出和相邻时段出力的转移概率来描述风力发电、光伏发电的不确定性；
3)通过设立弃能最小、蓄能最大的目标函数，设立风力发电运行约束、光伏发电运行约束、梯级水电约束以及系统运行约束，建立基于场景图的风光水互补发电系统优化调度模型，并采用混合整数线性规划法进行求解。
进一步地，所述的步骤1)中，初始数据包括风能和太阳能的历史数据、接受水库上报的机组特性数据和系统未来30日负荷需求数据。
进一步地，所述的步骤2)中具体为：场景图的生成分为场景的产生、场景图的构建：
3.1)建立风电、光电的概率分布，生成可能场景
根据风电、光电的随机特性，采用拉丁超立方抽样方法先将抽样概率分布进行分层，再从各间隔或各层次随机抽取样本，避免了重复迭代循环的问题，能够准确地反映随机变量的整体分布；各时段的风电预测出力、光电预测出力用时间序列表示，跨度为一整个调度周期的时间序列为一个场景；
3.2)构建场景图
场景图技术很方便地应用于处理多种不确定性因素，在风光水互补发电系统中，风电、光电都具有不确定性，不能通过一个变量捕获两个及以上不确定性源；场景图技术通过将每个节点中的值从标量扩展到向量来构建多维场景图。
进一步地，所述的步骤3.2)中，具体为：构建风光水互补发电系统的场景图，首先需要通过对每个风电场、每个光伏电站的出力求和：
Figure BDA0003122393320000021
Figure BDA0003122393320000022
式中：NW为风电场总数，w为风电场索引；NV为光伏发电站总数，v为光伏发电站索引；
Figure BDA0003122393320000023
和
Figure BDA0003122393320000024
分别表示场景s下风电、光电在t时段的总出力；PWw,s,t、PVv,s,t分别表示场景s下风电场w、光伏电站v在t时段的预测出力；
其次，将风电出力、光电出力划分为K个等长度的区间，K为风电、光电出力区间的分段数，即状态总数，并经由一系列离散的状态变量来表示风电、光电的出力状态：
Figure BDA0003122393320000025
Figure BDA0003122393320000031
Figure BDA0003122393320000032
Figure BDA0003122393320000033
式中：Δpw、Δpv分别为风光出力的单位区间长度；
Figure BDA0003122393320000034
分别为风电、光电预测发电量的离散表示函数；当
Figure BDA0003122393320000035
括号内的式子成立时，其值为1，否则为0；每个时段每种状态下的风光出力及其出现概率表示为：
Figure BDA0003122393320000036
Figure BDA0003122393320000037
Figure BDA0003122393320000038
Figure BDA0003122393320000039
Figure BDA00031223933200000310
Figure BDA00031223933200000311
式中：PWt k*、PVt k*分别表示在场景图的状态k下t时段的风电、光电的出力，
Figure BDA00031223933200000312
分别为风电、光电在t时段处于状态k的概率，
Figure BDA00031223933200000313
分别为风电、光电从t时段处于状态k转为t+1时段处于状态g的转移概率，S为总场景数，s为场景索引；其中，每个风电场w、每个光伏发电站v在每个状态的出力表示为：
Figure BDA0003122393320000041
Figure BDA0003122393320000042
由式(1)-式(14)建立了风光不确定性的场景图，风电总出力、光电总出力的情景图由
Figure BDA0003122393320000043
表示，每个风力发电场、每个光伏发电站的情景图由
Figure BDA0003122393320000044
表示。
进一步地，所述的步骤3.2)中，在场景图的生成过程中，场景图的规模随着状态总数K的增长而快速增加，较大的K值虽然能够有助于获得更好的不确定性近似值，提高计算精度，但也会带来更高的复杂性，增加计算负担；因此，设置概率阈值C，当状态k的出现概率低于C时则将该状态移除；概率阈值C的取值越大，就会移除更多状态，一旦C过大，也会丢失过多的可能状态，导致无法准确描述风电、光电各个状态之间的联系；当C不等于0的时候，所有其他状态的出现概率将以相同的比例缩放至和为1；此外，如果有出现概率小于C的状态被移除，那么与该状态相连的边也被移除，其余边的概率也将以相同的比例缩放至和为1；当共有三种状态k1、k2、k3，它们的概率值分别为c1、c2、c3时，若满足c1＜C且c2＞C、c3＞C，则筛除状态k1，剩余两种状态的概率值等比例放大，如式(13)所示：
(c1+c2)·α＝1 (15)
式中：α为能够满足等式的放大比例数。
进一步地，所述的步骤3)中，设立弃能最小、蓄能最大的目标函数：
Figure BDA0003122393320000045
Figure BDA0003122393320000046
式中：
Figure BDA0003122393320000051
为风电、光电在t时段分别处于状态k1、k2的概率；f(k1·k2)表示风电输出处于状态k1且光电输出处于状态k2时的弃风光水及蓄能函数；
Figure BDA0003122393320000052
为风电场w处于状态k1时的弃风量；
Figure BDA0003122393320000053
为光伏电站v处于状态k2时的弃光量；
Figure BDA0003122393320000054
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的弃水量；θh是水电站h的水电转化率(MWh/104m3)；
Figure BDA0003122393320000055
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的蓄水量；
Figure BDA0003122393320000056
表示水电站h的初始蓄水量；r是水电站h的下游水电站索引，Eh为水电站h的下游水电站集合；NH为水电站总数，h为水电站索引；NT为总时段数，即30天；Δt为单时段长度；步骤3)中，针对以上建立的系统运行成本目标函数和相应的模型列出相应的约束条件，采用商业优化软件的MILP算子对其进行求解仿真，得出最终结论。
进一步地，所述的步骤3)中，风力发电运行约束
Figure BDA0003122393320000057
Figure BDA0003122393320000058
Figure BDA0003122393320000059
Figure BDA00031223933200000510
Figure BDA00031223933200000511
式中：GWw,t为t时段风电场w在状态k下的发电量；
Figure BDA00031223933200000512
为t时段风电场w在状态k下的出力；
Figure BDA00031223933200000513
为风电场w从t时段处于状态k转为t+1时段处于状态g的计划出力；式(21)表示风电场w在t+1时段处于状态g下的出力等于风电场w从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和；式(22)为弃风量的表达式。
进一步地，所述的步骤3)中，光伏发电运行约束
Figure BDA00031223933200000514
Figure BDA00031223933200000515
Figure BDA00031223933200000516
Figure BDA0003122393320000061
Figure BDA0003122393320000062
式中：
Figure BDA0003122393320000063
为t时段光伏电站v在状态k下的发电量；
Figure BDA0003122393320000064
为t时段在状态k下光伏电站v的出力，
Figure BDA0003122393320000065
为光伏电站v从t时段处于状态k转为t+1时段处于状态g的计划出力；式(26)表示光伏电站v在t+1时段处于状态g下的出力等于光伏电站v从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和；式(27)为弃光量的表达式。
进一步地，所述的步骤3)中，梯级水电约束包括
a.水电出力约束
Figure BDA0003122393320000066
Figure BDA0003122393320000067
Figure BDA0003122393320000068
式中：
Figure BDA0003122393320000069
为t时段水电站h在风电出力处于状态k1、光电出力处于状态k2下的t时段的发电量，
Figure BDA00031223933200000610
表示相应状态下的水电机组出力；ηh为水电机组h的转换系数；hh,t表示t时段水库h的水头；PHh,max和PHh,min分别为t时段水电出力的上下限；Ih,t表示t时段水电站h运行状态的二进制变量，Ih,t＝1表示水电站h是启动状态，Ih,t＝0表示水电站h是停机状态，式(30)为水电出力的最大最小值约束；
b.发电流量约束
Figure BDA00031223933200000611
式中：
Figure BDA00031223933200000612
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h发电耗水量；
c.水量平衡约束
Figure BDA00031223933200000613
式中：
Figure BDA0003122393320000071
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的蓄水量；nqh,t为各级水电站h在t时段的自然来水量；
Figure BDA0003122393320000072
表示在风电出力处于状态k”1、光电出力处于状态k”2下，经水流延时后，在t-Λj时段水电站h的发电用水量；
Figure BDA0003122393320000073
在风电出力处于状态k”1、光电出力处于状态k”2下，经水流延时后，在t-Λj时段水电站h的弃水量；j是水电站h的上游水电站索引,在本模型中，水电站按照从上游到下游的顺序依次编号；Uh为水电站h的上游水电站集合；Λj为水流从上游水电站流到下游水电站的水流延时；
d.蓄水量约束
Figure BDA0003122393320000074
式中：Vh,max和Vh,min为在调度周期内水库h的最大、最小蓄水量，它们并不是库容的物理上下限，而是考虑到不同的灌溉、航运等因素，电网在调度前设定的最大、最小蓄水量。
进一步地，所述的步骤3)中，系统运行约束包括：
a.功率平衡约束
Figure BDA0003122393320000075
式中：ND为负总荷数，d为负荷索引；PLd,t为t时段系统中负荷d值，风电、光电、水电在每个时段的出力总和要和负荷需求保持均衡；
b.输电约束
Figure BDA0003122393320000076
式中：TLl为输电线l的最大传输容量；Dw/v/h,l为输电分布矩阵，当风电场w、光伏发电站v、水电站h和输电线l相连时值取1，不相连时取0。
式(34)和式(35)表示不论风电、光电处于什么状态，风电、光电、水电的输出功率都需要满足功率平衡约束和输电约束，满足每个时段下负荷的需求，避免发生输电阻塞，保证系统安全稳定运行；
c.旋转备用约束
USh,max＝τuPHh,max (36)
Figure BDA0003122393320000077
Figure BDA0003122393320000078
Figure BDA0003122393320000081
DSh,max＝τdPHh,max (40)
Figure BDA0003122393320000082
Figure BDA0003122393320000083
Figure BDA0003122393320000084
式中：USh,max为水电站h所能提供向上旋转备用的最大值，τu为向上旋转备用系数，λ+和μ+分别为风电、光电对向上旋转备用的需求系数；DSh,max为水电站h所能提供向下旋转备用的最大值，τd为向下旋转备用系数，λ-和μ-分别为风电、光电对向下旋转备用的需求系数；
Figure BDA0003122393320000085
分别为风电出力处于状态k1、光电出力处于状态k2下的t时段的水电站h的向上、向下旋转备用容量；针对以上建立的目标函数和相应的模型列出相应的约束条件，采用商业优化软件的MILP算子求解，借助CPLEX12.6进行了仿真计算，得出最终结论。
有益效果：与现有技术相比，本发明的一种基于场景图的风光水互补发电系统中期优化调度方法，为了分析所提中期优化调度模型的性能，将对基于确定性预测、基于场景缩减以及本章提出的基于场景图的优化调度模型进行了仿真分析，采用弃风弃光弃水和水电期末蓄能作为评估指标。本发明对风光出力采用了一种新的场景表示方法，即场景图技术，建立了含梯级水电的风光水互补发电系统中期优化调度模型，使得研究更贴近实际，得出结论也更符合实际。它使用每个时段风光的代表性功率输出和相邻时段出力的转移概率来有效地描述风力发电、光伏发电的不确定性，不仅能够尽可能反映风电的不确定性和可变性，还能够压缩大量场景，降低求解模型的复杂度。
附图说明
图1是多不确定性源的场景结构图；
图2是系统负荷曲线图；
图3是基于场景缩减的发电出力；
图4是基于场景图的发电出力；
图5是风光装机容量变化时的求解结果(a)弃风光水(b)水电蓄能；
图6是初始总库容变化时的求解结果(a)弃风光水(b)水电蓄能；
图7为基于场景图的风光水互补发电系统中期优化调度方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
如图7所示，一种基于场景图的风光水互补发电系统中期优化调度方法，包括以下步骤：
a、初始数据的获取：
当使用多场景对风电、光电出力进行建模时，首先采用场景生成技术生成所有可能的场景轨迹，其次再对初始场景进行建模。风能和太阳能的历史数据从美国国家可再生能源实验室的数据集中获取；接受水库上报的机组特性数据，包括水量平衡约束以及蓄水量约束等；接受电网机组调度中心得出的系统未来30日负荷需求数据；
b、风光随机性分析：
场景图技术使用每个时段风光的代表性功率输出和相邻时段出力的转移概率来有效地描述风力发电、光伏发电的不确定性。场景图的生成可以分为场景的产生、场景图的构建两个步骤：
步骤一：建立风电、光电的概率分布，生成可能场景。
根据风电、光电的随机特性，采用拉丁超立方抽样方法先将抽样概率分布进行分层，再从各间隔或各层次随机抽取样本，避免了重复迭代循环的问题，能够准确地反映随机变量的整体分布。各时段的风电预测出力、光电预测出力用时间序列表示，跨度为一整个调度周期的时间序列为一个场景。
步骤二：构建场景图
场景图技术可以很方便地应用于处理多种不确定性因素，在风光水互补发电系统中，风电、光电都具有不确定性，不能通过一个变量捕获两个及以上不确定性源。场景图技术可以通过将每个节点中的值从标量扩展到向量来构建多维场景图。如图1所示。
构建风光水互补发电系统的场景图，首先需要通过对每个风电场、每个光伏电站的出力求和：
Figure BDA0003122393320000091
Figure BDA0003122393320000092
式中：
Figure BDA0003122393320000101
和
Figure BDA0003122393320000102
分别表示场景s下风电、光电在t时段的总出力；PWw,s,t、PVv,s,t分别表示场景s下风电场w、光伏电站v在t时段的预测出力。
其次，将风电出力、光电出力划分为K个等长度的区间，并经由一系列离散的状态变量来表示风电、光电的出力状态：
Figure BDA0003122393320000103
Figure BDA0003122393320000104
Figure BDA0003122393320000105
Figure BDA0003122393320000106
式中：Δpw、Δpv分别为风光出力的单位区间长度；
Figure BDA0003122393320000107
分别为风电、光电预测发电量的离散表示函数；当
Figure BDA0003122393320000108
括号内的式子成立时，其值为1，否则为0。
那么，每个时段每种状态下的风光出力及其出现概率可以表示为：
Figure BDA0003122393320000109
Figure BDA00031223933200001010
Figure BDA00031223933200001011
Figure BDA00031223933200001012
Figure BDA0003122393320000111
Figure BDA0003122393320000112
式中：PWt k*、PVt k*分别表示在场景图的状态k下t时段的风电、光电的出力，
Figure BDA0003122393320000113
分别为风电、光电在t时段处于状态k的概率，
Figure BDA0003122393320000114
分别为风电、光电从t时段处于状态k转为t+1时段处于状态g的转移概率，S为总场景数。其中，每个风电场w、每个光伏发电站v在每个状态的出力可以表示为：
Figure BDA0003122393320000115
Figure BDA0003122393320000116
由式(1)-式14)建立了风光不确定性的场景图，风电总出力、光电总出力的情景图由
Figure BDA0003122393320000117
Figure BDA0003122393320000118
表示，每个风力发电场、每个光伏发电站的情景图由
Figure BDA0003122393320000119
表示。
在场景图的生成过程中，场景图的规模随着参数K的增长而快速增加，较大的K值虽然能够有助于获得更好的不确定性近似值，提高计算精度，但也会带来更高的复杂性，增加计算负担。因此，设置概率阈值C，当状态k的出现概率低于C时则将该状态移除。概率阈值C的取值越大，就会移除更多状态，一旦C过大，也会丢失过多的可能状态，导致无法准确描述风电、光电各个状态之间的联系。当C不等于0的时候，所有其他状态的出现概率将以相同的比例缩放至和为1。此外，如果有出现概率小于C的状态被移除，那么与该状态相连的边也被移除，其余边的概率也将以相同的比例缩放至和为1。例如，当共有三种状态k1、k2、k3，它们的概率值分别为c1、c2、c3时，若满足c1＜C且c2＞C、c3＞C，则筛除状态k1，剩余两种状态的概率值等比例放大，如式(13)所示：
(c1+c2)·α＝1 (15)
式中：α为能够满足等式的放大比例数。
c、基于场景图的风光水互补发电系统中期优化调度的目标函数：
一、系统总运行成本目标函数和约束条件：
Figure BDA0003122393320000121
Figure BDA0003122393320000122
式中：
Figure BDA0003122393320000123
为风电、光电在t时段分别处于状态k1、k2的概率；K为风电、光电出力区间的分段数，即状态总数；f(k1·k2)表示风电输出处于状态k1且光电输出处于状态k2时的弃风光水及蓄能函数；
Figure BDA0003122393320000124
为风电场w处于状态k1时的弃风量；
Figure BDA0003122393320000125
为光伏电站v处于状态k2时的弃光量；
Figure BDA0003122393320000126
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的弃水量；
Figure BDA0003122393320000127
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的蓄水量；NT为总时段数，即30天；Δt为单时段长度。
步骤c中，针对以上建立的系统运行成本目标函数和相应的模型列出相应的约束条件，采用商业优化软件的MILP算子对其进行求解仿真，得出最终结论。
1)风力发电运行约束
Figure BDA0003122393320000128
Figure BDA0003122393320000129
Figure BDA00031223933200001210
Figure BDA00031223933200001211
Figure BDA00031223933200001212
式中：GWw,t为t时段风电场w在状态k下的发电量；
Figure BDA0003122393320000131
为t时段风电场w在状态k下的出力；
Figure BDA0003122393320000132
为风电场w从t时段处于状态k转为t+1时段处于状态g的计划出力。式(21)表示风电场w在t+1时段处于状态g下的出力等于风电场w从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和。
2)光伏发电运行约束
Figure BDA0003122393320000133
Figure BDA0003122393320000134
Figure BDA0003122393320000135
Figure BDA0003122393320000136
Figure BDA0003122393320000137
式中：GWw,t为t时段光伏电站v在状态k下的发电量；
Figure BDA0003122393320000138
为t时段在状态k下光伏电站v的出力，
Figure BDA0003122393320000139
为光伏电站v从t时段处于状态k转为t+1时段处于状态g的计划出力。式(26)表示光伏电站v在t+1时段处于状态g下的出力等于光伏电站v从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和。
3)梯级水电约束
a.水电出力约束
Figure BDA00031223933200001310
Figure BDA00031223933200001311
Figure BDA00031223933200001312
式中：
Figure BDA00031223933200001313
为t时段水电站h在风电出力处于状态k1、光电出力处于状态k2下的t时段的发电量，
Figure BDA00031223933200001314
表示相应状态下的水电机组出力；Ih,t表示t时段水电站h运行状态的二进制变量，Ih,t＝1表示水电站h是启动状态，Ih,t＝0表示水电站h是停机状态。
b.发电流量约束
Figure BDA00031223933200001315
式中：
Figure BDA0003122393320000141
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h发电用水量。
c.水量平衡约束
Figure BDA0003122393320000142
式中：
Figure BDA0003122393320000143
表示在风电出力处于状态k”1、光电出力处于状态k”2下，经水流延时后，在t-Λj时段水电站h的发电用水量；
Figure BDA0003122393320000144
在风电出力处于状态k”1、光电出力处于状态k”2下，经水流延时后，在t-Λj时段水电站h的弃水量；Λj为水流从上游水电站流到下游水电站的水流延时。
d.蓄水量约束
Figure BDA0003122393320000145
4)系统运行约束
a.功率平衡约束
Figure BDA0003122393320000146
b.输电约束
Figure BDA0003122393320000147
c.旋转备用约束
USh,max＝τuPHh,max (36)
Figure BDA0003122393320000148
Figure BDA0003122393320000149
Figure BDA00031223933200001410
DSh,max＝τdPHh,max (40)
Figure BDA00031223933200001411
Figure BDA00031223933200001412
Figure BDA0003122393320000151
式中：USh,max为水电站h所能提供向上旋转备用的最大值，τu为向上旋转备用系数，λ+和μ+分别为风电、光电对向上旋转备用的需求系数；DSh,max为水电站h所能提供向下旋转备用的最大值，τd为向下旋转备用系数，λ-和μ-分别为风电、光电对向下旋转备用的需求系数。
Figure BDA0003122393320000152
分别为风电出力处于状态k1、光电出力处于状态k2下的t时段的水电站h的向上、向下旋转备用容量。
上述中期优化调度模型的目标函数和约束条件都是线性的，可以采用商业优化软件的MILP算子求解。在一台Intel 2.6GHz双核处理器、6GB内存的计算机上使用CPLEX12.6进行了仿真计算。
本发明中调度期为一个月，分为30个时段。负荷如图2所示。风能和太阳能的历史数据从美国国家可再生能源实验室的数据集中获取。
为了分析所提中期优化调度模型的性能，对基于确定性预测、基于场景缩减以及本章提出的基于场景图的优化调度模型进行了仿真分析，采用弃风弃光弃水和水电期末蓄能作为评估指标，仿真结果如表1所示。从表1中可以看出来，基于确定性预测的调度模型虽然求解效率很高，但浪费了较多的风光水能源。基于场景缩减和基于场景图的调度结果中的弃风光水总是小于基于确定性预测的弃风光水。由此可见，在模型中考虑风光的不确定性能够得到更优的调度方案。
表1
Figure BDA0003122393320000153
Figure BDA0003122393320000161
为了验证场景图的优势，对系统分别进行了基于场景缩减、基于场景图的优化调度模型仿真分析。设定K＝20、C＝0.01，经仿真调度后，风光水电源的发电出力如图3-图4所示。从图3和图4中可以看出基于场景缩减的风光水出力曲线波动较强，而基于场景图的风光水出力曲线更为平滑。从图5(a)可以看出，在风光装机容量较低时，弃风光水也很少，几乎接近于零，随着风光装机容量的不断增加，由于负荷不变，风光水的总出力逐渐超过了实际需求，导致弃风光水增加，造成了风光水能源浪费。由图5(b)可见，随着风光装机容量的不断增加，水电的部分发电任务逐渐由风光承担，水库的蓄能不断增加，直至达到最大值。当风光装机容量递增时，状态总量K越大，蓄能增加的速率也更快，从图6(a)可见，与基于场景缩减的调度结果相比，基于场景图的调度结果中弃风光水更少。由图6(b)可见，随着水库初始总库容的增加，蓄能也不断增加直至达到最大值。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：包括如下步骤：
1)初始数据的获取后，当使用多场景对风电、光电出力进行建模时，首先采用场景生成技术生成所有能的场景轨迹，其次再对初始场景进行建模；
2)风光随机性分析，通过场景图技术使用每个时段风光的代表性功率输出和相邻时段出力的转移概率来描述风力发电、光伏发电的不确定性；
3)通过设立弃能最小、蓄能最大的目标函数，设立风力发电运行约束、光伏发电运行约束、梯级水电约束以及系统运行约束，建立基于场景图的风光水互补发电系统优化调度模型，并采用混合整数线性规划法进行求解。
2.根据权利要求1所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤1)中，初始数据包括风能和太阳能的历史数据、接受水库上报的机组特性数据和系统未来30日负荷需求数据。
3.根据权利要求1所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤2)中具体为：场景图的生成分为场景的产生、场景图的构建：
3.1)建立风电、光电的概率分布，生成能场景
根据风电、光电的随机特性，采用拉丁超立方抽样方法先将抽样概率分布进行分层，再从各间隔或各层次随机抽取样本，避免了重复迭代循环的问题，反映随机变量的整体分布；各时段的风电预测出力、光电预测出力用时间序列表示，跨度为一整个调度周期的时间序列为一个场景；
3.2)构建场景图
场景图技术很方便地应用于处理多种不确定性因素，在风光水互补发电系统中，风电、光电都具有不确定性，不能通过一个变量捕获两个及以上不确定性源；场景图技术通过将每个节点中的值从标量扩展到向量来构建多维场景图。
4.根据权利要求3所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3.2)中，具体为：构建风光水互补发电系统的场景图，首先需要通过对每个风电场、每个光伏电站的出力求和：
Figure FDA0003122393310000011
Figure FDA0003122393310000021
式中：NW为风电场总数，w为风电场索引；NV为光伏发电站总数，v为光伏发电站索引；
Figure FDA0003122393310000022
和
Figure FDA0003122393310000023
分别表示场景s下风电、光电在t时段的总出力；PWw,s,t、PVv,s,t分别表示场景s下风电场w、光伏电站v在t时段的预测出力；
其次，将风电出力、光电出力划分为K个等长度的区间，K为风电、光电出力区间的分段数，即状态总数，并经由一系列离散的状态变量来表示风电、光电的出力状态：
Figure FDA0003122393310000024
Figure FDA0003122393310000025
Figure FDA0003122393310000026
Figure FDA0003122393310000027
式中：Δpw、Δpv分别为风光出力的单位区间长度；
Figure FDA0003122393310000028
分别为风电、光电预测发电量的离散表示函数；当
Figure FDA0003122393310000029
括号内的式子成立时，其值为1，否则为0；每个时段每种状态下的风光出力及其出现概率表示为：
Figure FDA00031223933100000210
Figure FDA00031223933100000211
Figure FDA00031223933100000212
Figure FDA0003122393310000031
Figure FDA0003122393310000032
Figure FDA0003122393310000033
式中：PWt k*、PVt k*分别表示在场景图的状态k下t时段的风电、光电的出力，
Figure FDA0003122393310000034
分别为风电、光电在t时段处于状态k的概率，
Figure FDA0003122393310000035
分别为风电、光电从t时段处于状态k转为t+1时段处于状态g的转移概率，S为总场景数，s为场景索引；其中，每个风电场w、每个光伏发电站v在每个状态的出力表示为：
Figure FDA0003122393310000036
Figure FDA0003122393310000037
由式(1)-式(14)建立了风光不确定性的场景图，风电总出力、光电总出力的情景图由
Figure FDA0003122393310000038
表示，每个风力发电场、每个光伏发电站的情景图由
Figure FDA0003122393310000039
表示。
5.根据权利要求3所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3.2)中，在场景图的生成过程中，场景图的规模随着状态总数K的增长而快速增加，较大的K值虽然能够有助于获得更好的不确定性近似值，提高计算精度，但也会带来更高的复杂性，增加计算负担；因此，设置概率阈值C，当状态k的出现概率低于C时则将该状态移除；概率阈值C的取值越大，就会移除更多状态，一旦C过大，也会丢失过多的能状态，导致无法准确描述风电、光电各个状态之间的联系；当C不等于0的时候，所有其他状态的出现概率将以相同的比例缩放至和为1；此外，如果有出现概率小于C的状态被移除，那么与该状态相连的边也被移除，其余边的概率也将以相同的比例缩放至和为1；当共有三种状态k1、k2、k3，它们的概率值分别为c1、c2、c3时，若满足c1＜C且c2＞C、c3＞C，则筛除状态k1，剩余两种状态的概率值等比例放大，如式(13)所示：
(c1+c2)·α＝1 (15)
式中：α为能够满足等式的放大比例数。
6.根据权利要求5所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3)中，设立弃能最小、蓄能最大的目标函数：
Figure FDA0003122393310000041
Figure FDA0003122393310000042
式中：
Figure FDA0003122393310000043
为风电、光电在t时段分别处于状态k1、k2的概率；f(k1·k2)表示风电输出处于状态k1且光电输出处于状态k2时的弃风光水及蓄能函数；
Figure FDA0003122393310000044
为风电场w处于状态k1时的弃风量；
Figure FDA0003122393310000045
为光伏电站v处于状态k2时的弃光量；
Figure FDA0003122393310000046
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的弃水量；θh是水电站h的水电转化率(MWh/104m3)；
Figure FDA0003122393310000047
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的蓄水量；
Figure FDA0003122393310000048
表示水电站h的初始蓄水量；r是水电站h的下游水电站索引，Eh为水电站h的下游水电站集合；NH为水电站总数，h为水电站索引；NT为总时段数，即30天；Δt为单时段长度；步骤3)中，针对以上建立的系统运行成本目标函数和相应的模型列出相应的约束条件，采用商业优化软件的MILP算子对其进行求解仿真，得出最终结论。
7.根据权利要求6所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3)中，风力发电运行约束
Figure FDA0003122393310000049
Figure FDA00031223933100000410
Figure FDA00031223933100000411
Figure FDA0003122393310000051
Figure FDA0003122393310000052
式中：GWw,t为t时段风电场w在状态k下的发电量；
Figure FDA0003122393310000053
为t时段风电场w在状态k下的出力；
Figure FDA0003122393310000054
为风电场w从t时段处于状态k转为t+1时段处于状态g的计划出力；式(21)表示风电场w在t+1时段处于状态g下的出力等于风电场w从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和；式(22)为弃风量的表达式。
8.根据权利要求6所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3)中，光伏发电运行约束
Figure FDA0003122393310000055
Figure FDA0003122393310000056
Figure FDA0003122393310000057
Figure FDA0003122393310000058
Figure FDA0003122393310000059
式中：
Figure FDA00031223933100000510
为t时段光伏电站v在状态k下的发电量；
Figure FDA00031223933100000511
为t时段在状态k下光伏电站v的出力，
Figure FDA00031223933100000512
为光伏电站v从t时段处于状态k转为t+1时段处于状态g的计划出力；式(26)表示光伏电站v在t+1时段处于状态g下的出力等于光伏电站v从t时段处于任何状态转为t+1时段处于状态g的计划出力与转移概率的乘积之和；式(27)为弃光量的表达式。
9.根据权利要求6所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3)中，梯级水电约束包括
a.水电出力约束
Figure FDA00031223933100000513
Figure FDA00031223933100000514
Figure FDA00031223933100000515
式中：
Figure FDA0003122393310000061
为t时段水电站h在风电出力处于状态k1、光电出力处于状态k2下的t时段的发电量，
Figure FDA0003122393310000062
表示相应状态下的水电机组出力；ηh为水电机组h的转换系数；hh,t表示t时段水库h的水头；PHh,max和PHh,min分别为t时段水电出力的上下限；Ih,t表示t时段水电站h运行状态的二进制变量，Ih,t＝1表示水电站h是启动状态，Ih,t＝0表示水电站h是停机状态，式(30)为水电出力的最大最小值约束；
b.发电流量约束
Figure FDA0003122393310000063
式中：
Figure FDA0003122393310000064
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h发电耗水量；
c.水量平衡约束
Figure FDA0003122393310000065
式中：
Figure FDA0003122393310000066
表示在风电出力处于状态k1、光电出力处于状态k2下的t时段水电站h的蓄水量；nqh,t为各级水电站h在t时段的自然来水量；
Figure FDA0003122393310000067
表示在风电出力处于状态k1”、光电出力处于状态k”2下，经水流延时后，在t-Λj时段水电站h的发电用水量；
Figure FDA0003122393310000068
在风电出力处于状态k”1、光电出力处于状态k'2'下，经水流延时后，在t-Λj时段水电站h的弃水量；j是水电站h的上游水电站索引,在本模型中，水电站按照从上游到下游的顺序依次编号；Uh为水电站h的上游水电站集合；Λj为水流从上游水电站流到下游水电站的水流延时；
d.蓄水量约束
Figure FDA0003122393310000069
式中：Vh,max和Vh,min为在调度周期内水库h的最大、最小蓄水量，它们并不是库容的物理上下限，而是考虑到不同的灌溉、航运等因素，电网在调度前设定的最大、最小蓄水量。
10.根据权利要求6所述的一种基于场景图的风光水互补发电系统中期优化调度方法，其特征在于：所述的步骤3)中，系统运行约束包括：
a.功率平衡约束
Figure FDA0003122393310000071
式中：ND为负总荷数，d为负荷索引；PLd,t为t时段系统中负荷d值，风电、光电、水电在每个时段的出力总和要和负荷需求保持均衡；
b.输电约束
Figure FDA0003122393310000072
式中：TLl为输电线l的最大传输容量；Dw/v/h,l为输电分布矩阵，当风电场w、光伏发电站v、水电站h和输电线l相连时值取1，不相连时取0；
式(34)和式(35)表示不论风电、光电处于什么状态，风电、光电、水电的输出功率都需要满足功率平衡约束和输电约束，满足每个时段下负荷的需求，避免发生输电阻塞，保证系统安全稳定运行；
c.旋转备用约束
USh,max＝τuPHh,max (36)
Figure FDA0003122393310000073
Figure FDA0003122393310000074
Figure FDA0003122393310000075
DSh,max＝τdPHh,max (40)
Figure FDA0003122393310000076
Figure FDA0003122393310000077
Figure FDA0003122393310000078
式中：USh,max为水电站h所能提供向上旋转备用的最大值，τu为向上旋转备用系数，λ+和μ+分别为风电、光电对向上旋转备用的需求系数；DSh,max为水电站h所能提供向下旋转备用的最大值，τd为向下旋转备用系数，λ-和μ-分别为风电、光电对向下旋转备用的需求系数；
Figure FDA0003122393310000079
分别为风电出力处于状态k1、光电出力处于状态k2下的t时段的水电站h的向上、向下旋转备用容量；针对以上建立的目标函数和相应的模型列出相应的约束条件，采用商业优化软件的MILP算子求解，借助CPLEX12.6进行了仿真计算，得出最终结论。
CN202110680674.0A 2021-06-18 2021-06-18 一种基于场景图的风光水互补发电系统中期优化调度方法 Active CN113363976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110680674.0A CN113363976B (zh) 2021-06-18 2021-06-18 一种基于场景图的风光水互补发电系统中期优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110680674.0A CN113363976B (zh) 2021-06-18 2021-06-18 一种基于场景图的风光水互补发电系统中期优化调度方法

Publications (2)

Publication Number Publication Date
CN113363976A true CN113363976A (zh) 2021-09-07
CN113363976B CN113363976B (zh) 2023-09-08

Family

ID=77535216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110680674.0A Active CN113363976B (zh) 2021-06-18 2021-06-18 一种基于场景图的风光水互补发电系统中期优化调度方法

Country Status (1)

Country Link
CN (1) CN113363976B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462902A (zh) * 2022-04-13 2022-05-10 山东大学 考虑光热和水势综合储能出力的分布式发电调度方法
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752600A (zh) * 2019-11-04 2020-02-04 国网四川省电力公司经济技术研究院 基于多能互补的清洁能源系统优化调度模型的构建方法
CN111476407A (zh) * 2020-03-25 2020-07-31 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111697625A (zh) * 2020-06-29 2020-09-22 中国人民解放军国防科技大学 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法
CN112183839A (zh) * 2020-09-22 2021-01-05 河海大学 一种含梯级水电风光水互补发电系统中长期优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752600A (zh) * 2019-11-04 2020-02-04 国网四川省电力公司经济技术研究院 基于多能互补的清洁能源系统优化调度模型的构建方法
CN111476407A (zh) * 2020-03-25 2020-07-31 云南电网有限责任公司 联合风电光伏电站的梯级水电站中长期隐随机调度方法
CN111697625A (zh) * 2020-06-29 2020-09-22 中国人民解放军国防科技大学 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法
CN112183839A (zh) * 2020-09-22 2021-01-05 河海大学 一种含梯级水电风光水互补发电系统中长期优化调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUN XIE等: "A Short-Term Optimal Scheduling Model for Wind-Solar-Hydro Hybrid Generation System With Cascade Hydropower Considering Regulation Reserve and Spinning Reserve Requirements", 《IEEE ACCESS》, pages 10765 - 10777 *
张歆蒴 等: "大型风光水混合能源互补发电系统的优化调度研究", 《中国农村水利水电》, pages 181 - 190 *
李海波 等: "大规模风电并网的电力系统运行灵活性评估", 《电网技术》, vol. 39, no. 06, pages 1672 - 1678 *
邹云阳 等: "基于经典场景集的风光水虚拟电厂协同调度模型", 《电网技术》, vol. 39, no. 07, pages 1855 - 1859 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462902A (zh) * 2022-04-13 2022-05-10 山东大学 考虑光热和水势综合储能出力的分布式发电调度方法
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117154725B (zh) * 2023-10-31 2024-01-26 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN113363976B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109508499B (zh) 多时段多场景分布式电源最优接入位置与容量研究方法
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
Yuan et al. Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming
CN112467807A (zh) 一种多能源电力系统日前优化调度方法及系统
CN113393054A (zh) 一种风储联合系统的优化调度方法及优化调度系统
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN110400056B (zh) 基于风光时空特性的梯级水电日前优化调度方法及装置
CN113363976A (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN115498623A (zh) 多微电网的储能配置优化方法、装置、设备及存储介质
CN112862253B (zh) 考虑风电不确定性的电-气-热储能协同规划方法及系统
CN115425680A (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
CN110867907B (zh) 一种基于多类型发电资源同质化的电力系统调度方法
CN115425668A (zh) 一种基于电力系统时序生产模拟的储能容量优化配置方法
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN116526469A (zh) 一种水风光互补系统长期随机动态调度方法
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
CN112865170B (zh) 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
Yang Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm
CN111799793A (zh) 一种源网荷协同的输电网规划方法与系统
CN116540545A (zh) 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法
CN116345450A (zh) 一种基于深度强化学习的风光水互补系统智能调度方法
CN114094609B (zh) 电网储能系统的优化配置方法
Pappala et al. Unit commitment under wind power and demand uncertainties
CN114884101A (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法

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