CN113379134B - 一种针对多年调节水库的智能调度方法 - Google Patents
一种针对多年调节水库的智能调度方法 Download PDFInfo
- Publication number
- CN113379134B CN113379134B CN202110679629.3A CN202110679629A CN113379134B CN 113379134 B CN113379134 B CN 113379134B CN 202110679629 A CN202110679629 A CN 202110679629A CN 113379134 B CN113379134 B CN 113379134B
- Authority
- CN
- China
- Prior art keywords
- water level
- benefit
- year
- month
- forecast
- 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 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 182
- 230000008901 benefit Effects 0.000 claims abstract description 98
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000010248 power generation Methods 0.000 claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001595 flow curve Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种针对多年调节水库的智能调度方法,一、对水库正常运行情况下的蓄水位进行离散;二、根据水库历史资料计算离散各水位点所对应的年末余留效益;三、根据预见期末所在月份至年末预报月径流资料计算离散各水位点所对应的月末余留效益;四、根据预见期末至月末预报日径流资料计算离散各水位点所对应的预见期末余留效益;五、在预见期内进行短期经济运行得到逐小时的水电站最优决策过程以及相应的最优效益;六、完成一日的调度决策后,再进行下一日开始的调度。本发明既具有实时性又极大减少了人工干预,且该方法概念清晰,考虑全面,对充分发挥水电站水库的经济效益、提高水电站水库的运行调度水平具有非常重要的现实意义。
Description
技术领域
本发明涉及水库调度领域,尤其涉及一种针对多年调节水库的智能调度方法。
背景技术
自上世纪五十年代以来,由于动态规划原理和马尔科夫决策方法的提出,同时随着电子计算机的兴起,水库中长期优化调度研究得到了迅速发展,并取得丰硕成果。
水库优化调度问题主要通过建立水库调度的数学模型进行,根据输入径流的描述方法不同,水库优化调度可分为随机优化调度和确定性优化调度。随机优化调度又可分为显随机优化和隐随机优化调度。显随机优化调度是指将径流过程描述成符合一定概率分布的不确定性条件,进而运用确定性优化原理实现长系列优化,典型代表方法有随机动态规划;隐随机优化调度是指以确定性优化调度为样本,从样本分析中提取具有指导意义的调度规则,典型代表方法为智能算法、多元线性回归方法等。
本申请发明人在实施本发明的过程中,发现现有技术中存在如下技术问题:
随机优化调度输入资料即径流量是一个不完全确定量,也为最优策略以及最优决策选取带来很大的不确定性。确定性优化调度研究起始于单库优化调度问题,模型结构比较简单,它将长系列径流过程视为已知条件,所求最优效益是最大可能的极限值,典型代表方法有运筹学理论里的线性规划、动态规划类方法以及智能算法等。
由此可知,现有技术中的方法存在因预报不确定性而导致的调度效果不佳的技术问题。
发明内容
本发明提出一种针对多年调节水库的智能调度方法,用于解决或者至少部分解决现有技术中的方法存在因预报不确定性而导致的调度效果不佳的技术问题。
为了解决上述技术问题,本发明提供了一种针对多年调节水库的智能调度方法,包括:
S1:将决策过程分为预见期末、预见期末所在月份的月末和年末三个时间节点,选取发电量最大作为目标函数,根据水库运行实际建立约束条件,其中约束条件包括水量平衡约束、水电站物理特性约束;
S2:根据历史资料采用变动流量方式计算各离散点位年末余留效益,其中,变动流量过程计算方式为:以末水位等于初水位为前提,根据不同年份的历史月径流资料进行计算最后取平均,得到的结果作为每一年年末各点的余留效益;
S3:根据预见期末所在月份的月末至年末的预报月径流资料,进行以月为时段的优化调度计算,获得该月末各离散点位的余留效益;
S4:再根据预见期末至该月末预报日流量,进行以日为时段的优化调度计算,得到预见期末各离散点位的余留效益;
S5:以当前时刻水位为初始值,以预见期末各离散点位的余留效益为边界条件,在预见期内进行以小时为时段的水电站短期经济运行,得到最优决策过程以及相应的最优效益,基于所述最优决策过程对水电站完成一日的调度决策。
在一种实施方式中,所述方法还包括:
S6:完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出本月,若超出,则以下一个月作为预见期末执行步骤S3~S5,若未超出,则执行步骤S4~S5。
在一种实施方式中,步骤S1中的目标函数为:
水量平衡约束包括水量平衡方程:
V(t+1)=V(t)+[Qrk(t)-Qfd(t)-Qqs(t)]×ΔT(t)
V(t+1)、V(t)代表t+1时刻与t时刻的库容,ΔT(t)代表时段长,Qrk(t)、Qfd(t)、Qqs(t)分别代表水库t时刻的入库、发电、弃水流量;
水电站物理特性约束包括库水位或库容约束、水位库容曲线约束、尾水位下泄曲线约束、闸门泄流曲线约束和水头出力限制曲线限制;
(1)库水位或库容约束:
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,为t+1时刻的上游水位下限,通常为死水位,为t+1时刻的上游水位上限,通常在汛期为汛限水位,非汛期为正常蓄水位,Vmin(t+1)与Vmax(t+1)分别为上游水位下限和上游水位上限所对应的库容;
(2)水位库容曲线约束:
Zsy(t+1)=fZV[V(t+1)]
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,fZV为水位库容曲线关系;
(3)尾水位下泄曲线约束:
Zxy(t)=fZQ[Qck(t)]
Zxy(t)为t时刻的下游水位,Qck(t)为t时刻的出库流量,fZQ为尾水位下泄流量曲线关系;
(4)闸门泄流曲线约束:
Qqs(t)≤fQZ[Zxy(t)]
Qqs(t)为t时刻的弃水流量,Zxy(t)为t时刻的下游水位,fQZ为水位与闸门泄流能力曲线关系;
(5)水头出力限制曲线限制;
P(t)≤fPH[H0(t)]
P(t)为t时刻的出力,H0(t)为t时刻的水头,fPH为水头与出力曲线关系。
在一种实施方式中,步骤S2包括:
获取不同年份的历史月径流资料,具体包括N年历史月径流数据;
根据每年的历史月径流资料进行一年内的优化调度计算,则年末余留效益计算公式为:
在一种实施方式中,步骤S3包括:
从初水位为xm时到年末各个离散点对应的总效益中,筛选总效益的最大值作为初水位为xm时对应的余留效益:
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
1.可在计算过程中得到预见期末、月末、年末的各离散点位余留效益,并将其与预见期阶段效益一起确定最优策略,使所得的最优策略更为科学合理;
2.考虑历史长系列径流、中长期径流预报和短期径流预报信息,得到水电站的最优决策过程以及对应的最优效益更符合实际情况;
3.调度决策可随径流预报的滚动更新计算,可极大减少人工干预,实时性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例中变动流量过程计算示意图;
图2为本发明实施例中水库蓄水状态(水位)离散示意图;
图3为本发明实施例中离散点位示意图;
图4为本发明实施例中智能优化调度模型三段计算方式;
图5为本发明实施例中循环计算框图。
具体实施方式
针对现有方法调度效果不佳的问题,本发明提出了一种既考虑不同预见期入库流量预报精度,又考虑末水位不定的情况下,通过对历史径流过程的模拟计算确定年末不同末水位时的余留效益,再结合入库流量的滚动预报及不同预见期的预报精度情况,滚动寻优确定各时段最优决策的新型智能调度模式,本发明的目的在于提供一种实用合理的多年调节水库智能优化调度方式。
本发明的主要构思为:
一、按照精度需要对水库正常运行情况下的蓄水位进行离散;二、根据水库历史资料计算离散各水位点所对应的年末余留效益;三、根据预见期末所在月份至年末预报月径流资料计算离散各水位点所对应的月末余留效益;四、根据预见期末至月末预报日径流资料计算离散各水位点所对应的预见期末余留效益;五、在预见期内进行短期经济运行得到逐小时的水电站最优决策过程以及相应的最优效益;六、完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出该月,若超出,则计算下一月各离散水位点所对应余留效益,接着重复上述步骤进行下一次计算,若未超出,则直接根据本月余留效益进行下一次计算。
本发明所提供的针对多年调节水库的智能调度方法,既具有实时性又极大减少了人工干预,且该方法概念清晰,考虑全面,对充分发挥水电站水库的经济效益、提高水电站水库的运行调度水平具有非常重要的现实意义。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。
本发明实施例提供了一种针对多年调节水库的智能调度方法,包括:
S1:将决策过程分为预见期末、预见期末所在月份的月末和年末三个时间节点,选取发电量最大作为目标函数,根据水库运行实际建立约束条件,其中约束条件包括水量平衡约束、水电站物理特性约束;
S2:根据历史资料采用变动流量方式计算各离散点位年末余留效益,其中,变动流量过程计算方式为:以末水位等于初水位为前提,根据不同年份的历史月径流资料进行计算最后取平均,得到的结果作为每一年年末各点的余留效益;
S3:根据预见期末所在月份的月末至年末的预报月径流资料,进行以月为时段的优化调度计算,获得该月末各离散点位的余留效益;
S4:再根据预见期末至该月末预报日流量,进行以日为时段的优化调度计算,得到预见期末各离散点位的余留效益;
S5:以当前时刻水位为初始值,以预见期末各离散点位的余留效益为边界条件,在预见期内进行以小时为时段的水电站短期经济运行,得到最优决策过程以及相应的最优效益,基于所述最优决策过程对水电站完成一日的调度决策。
在一种实施方式中,所述方法还包括:
S6:完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出本月,若超出,则以下一个月作为预见期末执行步骤S3~S5,若未超出,则执行步骤S4~S5。
具体地,本发明的技术方案主要包括四个部分:一(S1)、将决策过程分为预见期(当前日期开始的若干天,如3天)末、预见期末所在月份的月末和年末三个重要时间节点,选取发电量最大作为目标函数,根据水库运行实际建立约束条件,根据水位范围离散出符合实际需要的水位点;二(S2-S4)、根据历史资料采用变动流量方式计算各离散点位年末平均余留效益,根据预见期末所在月份的月末至年末预测月径流资料计算月末各离散点位余留效益,再根据预见期末至该月末预报日流量计算预见期末各离散点位余留效益;三(S5)、从当前时刻到预见期末以短期预报入库流量为依据,进行以小时为时段的短期经济运行,得到水电站最优决策过程以及相应的最优效益;四(S6)、完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出该月,若超出,则计算下一月末各离散水位点所对应余留效益,再根据预见期末至该月末预报日流量计算预见期末各离散点位余留效益;若未超出,则直接根据本月余留效益进行下一次计算。
本发明所提出的针对多年调节水库的智能优化调度方法,创造了一种结合历史径流资料与预报径流资料获得水电站最优发电量的调度方式,获得预见期内的最优决策以及最优效益,且该方法概念清晰,考虑全面。
本发明中涉及的计算主要包括:
1.水库蓄水状态离散
在死水位与正常蓄水位(汛期为汛限水位)之间离散出不同的水位点,参见附图2和图3,分别表示特征水位范围以及离散点位,图2中,Zs表示死水位,ZZ表示正常蓄水位。
2.各重要时间节点余留效益计算
在一年的总调度期内,假设运行一年后水位不变,即末水位等于初水位,采用不同年份的历史月径流资料进行多次计算最后取平均,得到的结果作为年末各点的余留效益;之后根据预见期末所在月的月末至年末的中长期月径流预报资料采取优化调度方式计算当月月末各水位点的余留效益;最后根据预见期末至月末预报日流量资料采取优化调度方式计算预见期末余留效益。
3.预见期内短期优化调度
采用DDDP算法(离散微分动态规划),根据已知的初水位、短期水文预报成果和预见期末每个末水位点的余留效益,以小时为时段进行优化计算,获得预见期内水电站的最优决策过程并得到最优效益。
4.循环计算
根据附图5过程,完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出该月,若超出,则计算下一月末各离散水位点所对应余留效益,接着重复上述步骤进行下一次计算,若未超出,则直接根据本月余留效益进行下一次计算。
本发明在水库正常运行情况下的蓄水状态(水位或库容)进行离散时,考虑了蓄水状态下限和上限,并利用了多年历史资料,计算余留效益时考虑了来水的影响。采用的预报流量可以随着时间推移进行更新,操作具有实时性。在预见期末水位未知的情况下,最优决策可以提供一个合理的末水位用于调度管理者参考。并且可根据时间推移而逐日计算,极大减少了人工干预,体现了智能的要求。
在一种实施方式中,步骤S1中的目标函数为:
水量平衡约束包括水量平衡方程:
V(t+1)=V(t)+[Qrk(t)-Qfd(t)-Qqs(t)]×ΔT(t)
V(t+1)、V(t)代表t+1时刻与t时刻的库容,ΔT(t)代表时段长,Qrk(t)、Qfd(t)、Qqs(t)分别代表水库t时刻的入库、发电、弃水流量;
水电站物理特性约束包括库水位或库容约束、水位库容曲线约束、尾水位下泄曲线约束、闸门泄流曲线约束和水头出力限制曲线限制;
(1)库水位或库容约束:
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,为t+1时刻的上游水位下限,通常为死水位,为t+1时刻的上游水位上限,通常在汛期为汛限水位,非汛期为正常蓄水位,Vmin(t+1)与Vmax(t+1)分别为上游水位下限和上游水位上限所对应的库容;
(2)水位库容曲线约束:
Zsy(t+1)=fZV[V(t+1)]
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,fZV为水位库容曲线关系;
(3)尾水位下泄曲线约束:
Zxy(t)=fZQ[Qck(t)]
Zxy(t)为t时刻的下游水位,Qck(t)为t时刻的出库流量,fZQ为尾水位下泄流量曲线关系;
(4)闸门泄流曲线约束:
Qqs(t)≤fQZ[Zxy(t)]
Qqs(t)为t时刻的弃水流量,Zxy(t)为t时刻的下游水位,fQZ为水位与闸门泄流能力曲线关系;
(5)水头出力限制曲线限制;
P(t)≤fPH[H0(t)]
P(t)为t时刻的出力,H0(t)为t时刻的水头,fPH为水头与出力曲线关系。
在约束条件限制的基础上进行优化调度计算,可以获得余留效益和阶段效益。
在一种实施方式中,步骤S2包括:
获取不同年份的历史月径流资料,具体包括N年历史月径流数据;
根据每年的历史月径流资料进行一年内的优化调度计算,则年末余留效益计算公式为:
具体实施过程中,在一年的总调度期内,假设一年运行后水位不变,即末水位等于初水位,计算过程可参见图1,Ztn表示第t个时刻离散出的第n个水位点,图中指年末。采用不同年份的历史月径流资料进行多次计算最后取平均,得到的结果作为年末各点的余留效益,例如当初水位为100m时对应余留效益为例根据上述公式可以计算期初末水位均为100m时所对应的余留效益。
在一种实施方式中,步骤S3包括:
从初水位为xm时到年末各个离散点对应的总效益中,筛选总效益的最大值作为初水位为xm时对应的余留效益:
然后执行步骤S4,根据预见期末至该月末预报日流量,进行以日为时段的优化调度计算,得到预见期末各离散点位的余留效益,这里计算方式与第三步骤S3相同,唯一的区别在于优化调度的计算期长度以及计算期尺度(由月尺度变为日尺度),这里不予赘述。
其中,图4示出了本发明实施例中智能优化调度模型三段计算方式。
步骤S5中以当前时刻水位为初始值,根据预见期内的径流预报,以预见期末各离散点位的余留效益为边界条件,在预见期内进行以小时为时段的水电站短期经济运行,得到最优决策过程,即在预见期内以小时为单位的水位过程,以及相应的最优效益(发电量),计算公式参见目标函数,该决策过程可以作为水电站的最优决策过程,选取第一日的决策过程进行第一日的调度决策。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种针对多年调节水库的智能调度方法,其特征在于,包括:
S1:将决策过程分为预见期末、预见期末所在月份的月末和年末三个时间节点,选取发电量最大作为目标函数,根据水库运行实际建立约束条件,其中约束条件包括水量平衡约束、水电站物理特性约束;
S2:根据历史资料采用变动流量方式计算各离散点位年末余留效益,其中,变动流量过程计算方式为:以末水位等于初水位为前提,根据不同年份的历史月径流资料进行计算最后取平均,得到的结果作为每一年年末各点的余留效益;
S3:根据预见期末所在月份的月末至年末的预报月径流资料,进行以月为时段的优化调度计算,获得该月末各离散点位的余留效益;
S4:再根据预见期末至该月末预报日流量,进行以日为时段的优化调度计算,得到预见期末各离散点位的余留效益;
S5:以当前时刻水位为初始值,以预见期末各离散点位的余留效益为边界条件,在预见期内进行以小时为时段的水电站短期经济运行,得到最优决策过程以及相应的最优效益,基于所述最优决策过程对水电站完成一日的调度决策;
其中,步骤S1中的目标函数为:
水量平衡约束包括水量平衡方程:
V(t+1)=V(t)+[Qrk(t)-Qfd(t)-Qqs(t)]×ΔT(t)
V(t+1)、V(t)代表t+1时刻与t时刻的库容,ΔT(t)代表时段长,Qrk(t)、Qfd(t)、Qqs(t)分别代表水库t时刻的入库、发电、弃水流量;
水电站物理特性约束包括库水位或库容约束、水位库容曲线约束、尾水位下泄曲线约束、闸门泄流曲线约束和水头出力限制曲线限制;
(1)库水位或库容约束:
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,为t+1时刻的上游水位下限,通常为死水位,为t+1时刻的上游水位上限,通常在汛期为汛限水位,非汛期为正常蓄水位,Vmin(t+1)与Vmax(t+1)分别为上游水位下限和上游水位上限所对应的库容;
(2)水位库容曲线约束:
Zsy(t+1)=fZV[V(t+1)]
Zsy(t+1)为t+1时刻的上游水位,V(t+1)为t+1时刻的库容,fZV为水位库容曲线关系;
(3)尾水位下泄曲线约束:
Zxy(t)=fZQ[Qck(t)]
Zxy(t)为t时刻的下游水位,Qck(t)为t时刻的出库流量,fZQ为尾水位下泄流量曲线关系;
(4)闸门泄流曲线约束:
Qqs(t)≤fQZ[Zxy(t)]
Qqs(t)为t时刻的弃水流量,Zxy(t)为t时刻的下游水位,fQZ为水位与闸门泄流能力曲线关系;
(5)水头出力限制曲线限制;
P(t)≤fPH[H0(t)]
P(t)为t时段水电站总出力,kW,H0(t)为t时刻的水头,fPH为水头与出力曲线关系。
2.如权利要求1所述的智能调度方法,其特征在于,所述方法还包括:
S6:完成一日的调度决策后,再进行下一日开始的调度,首先比较预见期末时间是否超出本月,若超出,则以下一个月作为预见期末执行步骤S3~S5,若未超出,则执行步骤S4~S5。
4.如权利要求 1所述的智能调度方法,其特征在于,步骤S3包括:
在预见期末到年末这一时段内以月为单位采用离散微分动态规划算法,计算到年末离散出的每一末水位点所对应的发电量,得到的每一末水位点所对应的发电量视作阶段效益其中n指对应的第n个水位点,则该初水位到年末各个水位离散点总效益为:
从初水位为xm时到年末各个离散点对应的总效益中,筛选总效益的最大值作为初水位为xm时对应的余留效益:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679629.3A CN113379134B (zh) | 2021-06-18 | 2021-06-18 | 一种针对多年调节水库的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679629.3A CN113379134B (zh) | 2021-06-18 | 2021-06-18 | 一种针对多年调节水库的智能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379134A CN113379134A (zh) | 2021-09-10 |
CN113379134B true CN113379134B (zh) | 2022-04-29 |
Family
ID=77577793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110679629.3A Active CN113379134B (zh) | 2021-06-18 | 2021-06-18 | 一种针对多年调节水库的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379134B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
CN105719020A (zh) * | 2016-01-21 | 2016-06-29 | 武汉大学 | 一种多年调节水库年末蓄水位的确定方法 |
CN107248015A (zh) * | 2017-07-07 | 2017-10-13 | 武汉大学 | 基于集合预报的水库实时蓄水调度方法 |
CN108108838A (zh) * | 2017-12-18 | 2018-06-01 | 华电福新能源股份有限公司福建分公司 | 一种高水量利用率的季调节水库优化调度方法 |
CN109345068A (zh) * | 2018-08-27 | 2019-02-15 | 河海大学 | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 |
CN109492861A (zh) * | 2018-09-27 | 2019-03-19 | 昆明电力交易中心有限责任公司 | 一种梯级水电站群中期电量交易计划分解方法 |
CN112785454A (zh) * | 2020-12-25 | 2021-05-11 | 国电大渡河流域水电开发有限公司 | 一种梯级水电站汛期智能调度方法及决策支持系统 |
CN113705899A (zh) * | 2021-08-30 | 2021-11-26 | 武汉大学 | 水库优化调度最优决策与效益的找寻方法 |
-
2021
- 2021-06-18 CN CN202110679629.3A patent/CN113379134B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
CN105719020A (zh) * | 2016-01-21 | 2016-06-29 | 武汉大学 | 一种多年调节水库年末蓄水位的确定方法 |
CN107248015A (zh) * | 2017-07-07 | 2017-10-13 | 武汉大学 | 基于集合预报的水库实时蓄水调度方法 |
CN108108838A (zh) * | 2017-12-18 | 2018-06-01 | 华电福新能源股份有限公司福建分公司 | 一种高水量利用率的季调节水库优化调度方法 |
CN109345068A (zh) * | 2018-08-27 | 2019-02-15 | 河海大学 | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 |
CN109492861A (zh) * | 2018-09-27 | 2019-03-19 | 昆明电力交易中心有限责任公司 | 一种梯级水电站群中期电量交易计划分解方法 |
CN112785454A (zh) * | 2020-12-25 | 2021-05-11 | 国电大渡河流域水电开发有限公司 | 一种梯级水电站汛期智能调度方法及决策支持系统 |
CN113705899A (zh) * | 2021-08-30 | 2021-11-26 | 武汉大学 | 水库优化调度最优决策与效益的找寻方法 |
Non-Patent Citations (1)
Title |
---|
考虑年末预留水位的全景梯级水电跨年随机调度策略及模型;张粒子等;《中国电机工程学报》;20140105(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379134A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN107506894B (zh) | 一种考虑非恒定耦合约束的水电群调度方法 | |
CN109934395A (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN114243794B (zh) | 风光水多能互补系统灵活性需求量化及协调优化方法 | |
CN113705899B (zh) | 水库优化调度最优决策与效益的找寻方法 | |
US20230048056A1 (en) | Method for describing power output of a cluster of wind and solar power stations considering time-varying characteristics | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
CN108090671B (zh) | 一种多阶段域间-域内反馈迭代的跨流域负荷分配方法 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN111507507A (zh) | 基于大数据的月用水量预测方法 | |
CN114372347A (zh) | 一种基于极值理论的配电网消纳能力评估方法 | |
Kim et al. | Economical energy storage systems scheduling based on load forecasting using deep learning | |
CN107330538A (zh) | 一种气候变化条件下水库适应性调度规则编制的方法 | |
CN113379134B (zh) | 一种针对多年调节水库的智能调度方法 | |
Liu et al. | Short-term coordinated hybrid hydro-wind-solar optimal scheduling model considering multistage section restrictions | |
CN112686432A (zh) | 一种多目标水电-风电优化调度模型方法 | |
Pellegrini | Short-term load demand forecasting in Smart Grids using support vector regression | |
CN115545768B (zh) | 一种考虑合同分解的大水电跨省跨区日前随机竞价方法 | |
Rashid et al. | Auto-regressive recurrent neural network approach for electricity load forecasting | |
CN115689241A (zh) | 一种基于水风光多能互补的梯级水库群调度图优化方法 | |
CN115577905A (zh) | 一种梯级水电站群调峰能量优化调度方法 |
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 |