CN113572168B - 一种考虑风光水能源多重不确定性风险的优化调度方法 - Google Patents

一种考虑风光水能源多重不确定性风险的优化调度方法 Download PDF

Info

Publication number
CN113572168B
CN113572168B CN202111130441.XA CN202111130441A CN113572168B CN 113572168 B CN113572168 B CN 113572168B CN 202111130441 A CN202111130441 A CN 202111130441A CN 113572168 B CN113572168 B CN 113572168B
Authority
CN
China
Prior art keywords
confidence
wind
output
power
risk
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.)
Expired - Fee Related
Application number
CN202111130441.XA
Other languages
English (en)
Other versions
CN113572168A (zh
Inventor
徐锐
陈万波
叶荣
彭春华
王立刚
孙惠娟
巩磊
林乐平
邓永强
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.)
Jiangxi Ganneng Co ltd
Jiangxi Jiangtou Power Technology And Test Research Co ltd
Original Assignee
Jiangxi Ganneng Co ltd
Jiangxi Jiangtou Power Technology And Test Research 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 Jiangxi Ganneng Co ltd, Jiangxi Jiangtou Power Technology And Test Research Co ltd filed Critical Jiangxi Ganneng Co ltd
Priority to CN202111130441.XA priority Critical patent/CN113572168B/zh
Publication of CN113572168A publication Critical patent/CN113572168A/zh
Application granted granted Critical
Publication of CN113572168B publication Critical patent/CN113572168B/zh
Expired - Fee Related 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/38—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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar 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
    • H02J2300/20—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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及能源优化技术领域，具体涉及到一种考虑风光水能源多重不确定性风险的优化调度方法，包括以下步骤：建立风光水能源多重不确定性分类分布模型；提出风光水功率偏差置信风险量化计算方法；建立考虑多重不确定性置信风险的源网协调多目标优化调度模型；采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解。本发明为更加合理灵活地评估风光水多重不确定性给优化调度带来的风险性，在电力系统优化调度中量化考虑这种风光水并网不确定性带来的风险，使调度过程的准确性和灵活程度性提高；为了使智能电网调度决策更合理，本发明考虑将可控电网元件的状态纳为决策变量，并充分利用网端资源，实现源网协调优化调度。

Description

一种考虑风光水能源多重不确定性风险的优化调度方法
技术领域
本发明涉及能源优化技术领域，具体涉及到一种考虑风光水能源多重不确定性风险的优化调度方法。
背景技术
当前，能源结构加速优化升级，呈现“风光领跑、多源协调”的态势。鉴于风电、光伏和径流式小水电等可再生能源发电存在较强的波动性和不确定性，其并网调度会给电力系统带来了许多不确定因素。目前，国内外众多学者已对多种可再生能源并网调度问题展开了广泛的研究。然而，目前风光水电功率预测误差现象仍然存在，其出力将很大程度上被低估或高估，一般很少有文献在电力系统优化调度中量化考虑这种风光水并网不确定性带来的风险，使调度过程的准确和灵活程度较低。此外，在多种可再生能源大规模接入电力系统的背景下，为解决电压稳定等安全问题，调度过程中交流潮流源网间的关联程度日益紧密。为了使智能电网调度决策更合理，考虑将可控电网元件的状态纳为决策变量，并充分利用网端资源，以实现源网协调优化调度。
综上分析，为了合理灵活地评估风光水多重不确定性给优化调度带来的风险性，有必要设计一种综合考虑风光水多重不确定性功率偏差置信风险的源网协调多目标优化调度模型。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种考虑风光水能源多重不确定性风险的优化调度方法。
为实现上述目的，本发明采用的技术方案如下：一种考虑风光水能源多重不确定性风险的优化调度方法，包括以下步骤：
步骤1，建立风光水能源多重不确定性分类分布模型；
步骤2，结合风光水能源多重不确定性分类分布模型和机会约束，提出风光水功率偏差置信风险量化计算方法；
步骤3，基于风光水功率偏差置信风险量化计算方法，建立考虑多重不确定性置信风险的源网协调多目标优化调度模型；
步骤4，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，并采用逼近理想解排序法自动提取最优折衷解以实现多目标优化调度决策。
进一步的，在步骤1中，建立风光水能源多重不确定性分类分布模型包括：
步骤1.1，建立风电不确定性模型，具体包括：
采用描述风速概率密度函数的三参数Burr分布函数来拟合风速分布，具体表示为：
Figure 286855DEST_PATH_IMAGE001
(1)
式中：
Figure 544661DEST_PATH_IMAGE002
为t时刻风速；
Figure 646609DEST_PATH_IMAGE003
分别为t时刻Burr分布的比例参数、第一形状参数和第二形状参数，且
Figure 357076DEST_PATH_IMAGE004
；
t时刻风电机组出力
Figure 569882DEST_PATH_IMAGE005
与风速
Figure 947774DEST_PATH_IMAGE006
的相关性表示为：
Figure 955044DEST_PATH_IMAGE007
(2)
式中：
Figure 152808DEST_PATH_IMAGE008
分别为风机额定风速、切入风速和切出风速；
Figure 966043DEST_PATH_IMAGE009
为风机额定输出功率；
步骤1.2，建立光伏不确定性模型，具体包括：
采用对数正态分布来描述其概率密度函数：
Figure 139054DEST_PATH_IMAGE010
(3)
式中：
Figure 113963DEST_PATH_IMAGE011
为t时刻太阳辐射度；
Figure 799022DEST_PATH_IMAGE012
分别为t时刻对数正态随机变量的均值和方差；
Figure 415948DEST_PATH_IMAGE013
和
Figure 237274DEST_PATH_IMAGE014
为合并计算参数；
t时刻太阳能光伏电站出力
Figure 851926DEST_PATH_IMAGE015
与太阳辐射度
Figure 758702DEST_PATH_IMAGE016
的相关性表示为：
Figure 913740DEST_PATH_IMAGE017
（4）
式中：
Figure 855151DEST_PATH_IMAGE018
为标准环境下太阳辐射度；
Figure 109546DEST_PATH_IMAGE019
为某一特定太阳辐射度；
Figure 706881DEST_PATH_IMAGE020
为太阳能光伏阵列的额定输出功率。
步骤1.3，建立径流式小水电不确定性模型，具体包括：
采用Gumbel分布来描述其概率密度函数：
Figure 397100DEST_PATH_IMAGE021
（5）
式中：
Figure 193018DEST_PATH_IMAGE022
为t时刻河流流量；
Figure 211790DEST_PATH_IMAGE023
分别为t时刻Gumbel分布的位置参数和比例参数；
t时刻径流式小水电出力
Figure 93158DEST_PATH_IMAGE024
与河流流量
Figure 527682DEST_PATH_IMAGE025
的相关性表示为：
Figure 443685DEST_PATH_IMAGE026
（6）
式中：
Figure 367779DEST_PATH_IMAGE027
为涡轮发电机组装效率；
Figure 939705DEST_PATH_IMAGE028
为水的密度；
Figure 240237DEST_PATH_IMAGE029
为重力加速度；
Figure 948430DEST_PATH_IMAGE030
为有效压力水头。
进一步的，在步骤2中，对风光水能源多重不确定性分类分布模型进行功率偏差置信风险分析，具体包括：
步骤2.1，分析不确定性功率偏差置信区间：
不同置信水平
Figure 43425DEST_PATH_IMAGE031
的不确定性置信区间如式(7)所示：
Figure 164964DEST_PATH_IMAGE032
（7）
式中：
Figure 738028DEST_PATH_IMAGE033
表示概率水平；
Figure 557518DEST_PATH_IMAGE034
和
Figure 823414DEST_PATH_IMAGE035
分别表示不确定性置信区间的下限和上限；
步骤2.2 ，分析风电出力高估和低估置信风险：
风速不确定性若满足Burr分布，其累积分布函数为：
Figure 901092DEST_PATH_IMAGE036
（8）
风电机组出力
Figure 809005DEST_PATH_IMAGE037
位于0到
Figure 491790DEST_PATH_IMAGE038
之间的概率密度函数
Figure 194167DEST_PATH_IMAGE039
为：
Figure 759140DEST_PATH_IMAGE040
（9）
式中：
Figure 877269DEST_PATH_IMAGE041
为合并计算参数；
t时段风电机组出力置信上限
Figure 476878DEST_PATH_IMAGE042
和置信下限
Figure 350156DEST_PATH_IMAGE043
分别为：
Figure 402425DEST_PATH_IMAGE044
（10）
Figure 324245DEST_PATH_IMAGE045
（11）
式中：
Figure 41010DEST_PATH_IMAGE046
和
Figure 22872DEST_PATH_IMAGE047
分别为t时段风速置信区间上下限；
综上所述，可以得到t时段风电机组在置信水平
Figure 828017DEST_PATH_IMAGE048
下出力高估功率偏差置信风险
Figure 553528DEST_PATH_IMAGE049
和出力低估功率偏差置信风险
Figure 127728DEST_PATH_IMAGE050
；
当
Figure 280492DEST_PATH_IMAGE051
时：
Figure 307354DEST_PATH_IMAGE052
（12）
当
Figure 836555DEST_PATH_IMAGE053
时：
Figure 265263DEST_PATH_IMAGE054
（13）
当
Figure 588928DEST_PATH_IMAGE055
时：
Figure 103086DEST_PATH_IMAGE056
（14）
当
Figure 704487DEST_PATH_IMAGE057
时：
Figure 394226DEST_PATH_IMAGE058
（15）
式中：
Figure 216688DEST_PATH_IMAGE059
和
Figure 952563DEST_PATH_IMAGE060
分别为风电机组出力等于0和
Figure 557988DEST_PATH_IMAGE061
时的累积概率，
Figure 695708DEST_PATH_IMAGE063
代表风电出力变量；
步骤2.3 ，分析光伏出力高估和低估置信风险：
太阳辐射度不确定性若满足对数正态分布，其累积分布函数和概率密度函数可由式(4)推导得出；
Figure 689072DEST_PATH_IMAGE064
（16）
Figure 849926DEST_PATH_IMAGE065
（17）
式中：
Figure 321358DEST_PATH_IMAGE066
和
Figure 579164DEST_PATH_IMAGE067
分别为t时刻太阳辐射度置信区间上、下限；
Figure 212271DEST_PATH_IMAGE068
分别为t时段太阳能光伏电站出力置信上限和置信下限；
综上所述，可得t时段太阳能光伏电站在置信水平
Figure 123071DEST_PATH_IMAGE069
下出力高估功率偏差置信风险
Figure 398194DEST_PATH_IMAGE070
和出力低估功率偏差置信风险
Figure 244928DEST_PATH_IMAGE071
分别为：
Figure 517777DEST_PATH_IMAGE072
（18）
式中：
Figure 715540DEST_PATH_IMAGE073
分别表示在置信水平
Figure 528775DEST_PATH_IMAGE074
下太阳能光伏电站实际出力被高估和低估的相对频率和期望值；
Figure 698857DEST_PATH_IMAGE075
为t时段太阳能光伏电站预估出力；
步骤2.4，分析光伏与径流式小水电联合出力高估和低估置信风险：
光伏与径流式小水电的联合出力高估和低估功率偏差置信风险包括：
Figure 939345DEST_PATH_IMAGE076
（19）
式中：
Figure 93246DEST_PATH_IMAGE077
分别是t时段径流式小水电出力置信上、下限；
Figure 647855DEST_PATH_IMAGE078
分别是t时刻河流流量置信区间上、下限；
Figure 952671DEST_PATH_IMAGE079
分别为t时段光伏与径流式小水电联合出力置信上限和置信下限；
综上所述，可得t时段光伏与径流式小水电在置信水平
Figure 364061DEST_PATH_IMAGE080
下出力高估功率偏差置信风险
Figure 474099DEST_PATH_IMAGE081
和出力低估功率偏差置信风险
Figure 894716DEST_PATH_IMAGE082
分别为：
Figure 773810DEST_PATH_IMAGE083
（20）
式中：
Figure 621681DEST_PATH_IMAGE084
为t时刻光伏与径流式小水电出力；
Figure 15753DEST_PATH_IMAGE085
为t时段光伏与径流式小水电预估联合出力。
进一步的，在步骤3中，所述源网协调多目标优化调度模型的目标函数包括：
总运营成本最优目标函数：
在调度周期内总运营成本最优目标
Figure 912165DEST_PATH_IMAGE086
由考虑常规机组阀点效应的总燃料成本
Figure 973662DEST_PATH_IMAGE087
、环境成本
Figure 930116DEST_PATH_IMAGE088
、全寿命周期内风电机组的运营成本
Figure 811485DEST_PATH_IMAGE089
、全寿命周期内太阳能光伏电站的运营成本
Figure 308325DEST_PATH_IMAGE090
以及全寿命周期内光伏与径流式小水电联合发电的运营成本
Figure 159082DEST_PATH_IMAGE091
组成：
Figure 348755DEST_PATH_IMAGE092
（21）
Figure 717419DEST_PATH_IMAGE093
（22）
式中：T为总调度时段数；
Figure 955634DEST_PATH_IMAGE094
为常规机组总数；
Figure 726144DEST_PATH_IMAGE095
分别为t时段常规机组i的有功出力和最小有功出力；
Figure 821139DEST_PATH_IMAGE096
为常规机组i的发电燃料成本系数；
Figure 349203DEST_PATH_IMAGE097
为常规机组i的阀点效应系数；
Figure 391108DEST_PATH_IMAGE098
为常规机组i的环境成本系数；
Figure 16125DEST_PATH_IMAGE099
为常规机组i的污染气体排放系数；
Figure 547600DEST_PATH_IMAGE100
Figure 831470DEST_PATH_IMAGE101
分别为全寿命周期内风电、光伏、光伏与径流式小水电联合发电的运营成本系数；t时刻太阳能光伏电站出力
Figure 208224DEST_PATH_IMAGE102
；t时刻风电机组出力
Figure 953326DEST_PATH_IMAGE103
；
Figure 390124DEST_PATH_IMAGE104
为t时刻光伏与径流式小水电出力；
风光水多重不确定性置信风险最低目标函数：
风电、光伏、光伏与径流式小水电联合出力总功率偏差置信风险目标
Figure 158360DEST_PATH_IMAGE105
由出力高估功率偏差置信风险
Figure 604385DEST_PATH_IMAGE106
和出力低估功率偏差置信风险
Figure 203993DEST_PATH_IMAGE107
组成：
Figure 14954DEST_PATH_IMAGE108
（23）
Figure 801645DEST_PATH_IMAGE109
（24）
式中：
Figure 51361DEST_PATH_IMAGE110
和
Figure 505476DEST_PATH_IMAGE111
分别为t时段风电机组在置信水平
Figure 284076DEST_PATH_IMAGE112
下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure 761325DEST_PATH_IMAGE113
和
Figure 546222DEST_PATH_IMAGE114
分别为t时段太阳能光伏电站在置信水平
Figure 854844DEST_PATH_IMAGE115
下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure 7608DEST_PATH_IMAGE116
和
Figure 300049DEST_PATH_IMAGE117
分别为t时段光伏与径流式小水电在置信水平
Figure 563671DEST_PATH_IMAGE118
下出力高估功率偏差置信风险和出力低估功率偏差置信风险。
进一步的，在步骤3中，所述源网协调多目标优化调度模型的约束条件包括电网潮流约束、火电机组爬坡速率约束、风光水机组有功出力约束、风光水机组无功出力约束、网端可控元件约束，其中，网端可控元件约束具体如下：
有载调压变压器变比约束：
Figure 992378DEST_PATH_IMAGE119
（25）
式中：
Figure 378360DEST_PATH_IMAGE120
；
Figure 830201DEST_PATH_IMAGE121
为t时段第
Figure 959831DEST_PATH_IMAGE122
台有载调压变压器变比；
Figure 243045DEST_PATH_IMAGE123
分别为第
Figure 737612DEST_PATH_IMAGE122
台有载调压变压器变比上、下限；
Figure 473486DEST_PATH_IMAGE124
为有载调压变压器总数；
电容器组无功补偿装置容量约束：
Figure 398018DEST_PATH_IMAGE125
（26）
式中：
Figure 739001DEST_PATH_IMAGE126
；
Figure 201206DEST_PATH_IMAGE127
为t时段第
Figure 689956DEST_PATH_IMAGE128
台电容器组无功补偿容量；
Figure 364651DEST_PATH_IMAGE129
分别为第
Figure 356878DEST_PATH_IMAGE128
台电容器组无功补偿容量上、下限；
Figure 255564DEST_PATH_IMAGE130
为电容器组无功补偿装置总数；
可控元件动作次数约束：
Figure 169293DEST_PATH_IMAGE131
（27）
式中：
Figure 178838DEST_PATH_IMAGE132
；
Figure 291150DEST_PATH_IMAGE133
为第
Figure 564000DEST_PATH_IMAGE134
个网端可控元件在前t个时段的动作次数总和；
Figure 761763DEST_PATH_IMAGE135
为第
Figure 572068DEST_PATH_IMAGE134
个网端可控元件最大允许动作次数；
Figure 476571DEST_PATH_IMAGE136
为网端可控元件总数。
进一步的，在步骤4中，所述多目标动态分解进化算法通过对分解多目标进化算法改进得到，具体如下：
所述分解多目标进化算法包括计算权重向量邻域、切比雪夫分解、DE进化操作，通过在分解多目标进化算法中引入动态资源分配策略与高效优势可行解约束处理方法，得到将高效优势可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合的多目标动态分解进化算法；
在分解多目标进化算法基础上引入动态资源分配策略，通过量化各子问题的实际效率值
Figure 982638DEST_PATH_IMAGE137
，为不同难度子问题分配不同的计算资源，具体公式定义如下：
Figure 402118DEST_PATH_IMAGE138
（28）
式中：
Figure 956728DEST_PATH_IMAGE139
，N Z 为种群数；
Figure 778053DEST_PATH_IMAGE140
，m为目标数；
Figure 658284DEST_PATH_IMAGE141
为每50次迭代后第z个子问题的目标值变化率；
Figure 830640DEST_PATH_IMAGE142
分别为第z个子问题中第j个目标每50次迭代前、后的目标值；在每次迭代过程中，采用锦标赛择优法，依据各子问题效率值
Figure 985677DEST_PATH_IMAGE143
进行计算资源分配，每50次迭代更新一次
Figure 864772DEST_PATH_IMAGE144
；
高效优势可行解约束处理方法在处理多目标优化问题的约束条件时，利用不可行域解的种群信息，使不可行域解尽量处于可行域内，最终得到质量更高的帕累托最优解集；不可行域解的总约束违反量
Figure 712642DEST_PATH_IMAGE145
计算如下：
Figure 312906DEST_PATH_IMAGE146
（29）
式中：
Figure 271635DEST_PATH_IMAGE147
为自适应权重参数；
Figure 270815DEST_PATH_IMAGE148
分别为第k个约束条件的约束违反量和累计最大约束违反量；
Figure 24007DEST_PATH_IMAGE149
为约束条件总数。
进一步的，在步骤4中，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，其步骤如下：
步骤4.1，输入预测所得的Burr分布参数、对数正态分布参数、Gumbel分布参数、IEEE30节点负荷需求值；
步骤4.2，输入风光水机组等各项系统参数；设定种群数
Figure 108638DEST_PATH_IMAGE151
、最大迭代次数
Figure 871058DEST_PATH_IMAGE152
、置信水平、邻域规模；设当前迭代次数
Figure 521482DEST_PATH_IMAGE153
、初始子问题实际效率值为1；
步骤4.3，生成均匀分布的
Figure 648838DEST_PATH_IMAGE154
组权重向量，计算各权重向量的邻域向量；初始化种群，得到各约束违反总量、总运营成本最优目标
Figure 17502DEST_PATH_IMAGE155
和总功率偏差置信风险目标
Figure 255717DEST_PATH_IMAGE156
；
步骤4.4，采用锦标赛择优法，根据更新后的实际效率值选取
Figure 291806DEST_PATH_IMAGE157
个子问题，设置
Figure 587134DEST_PATH_IMAGE158
；
步骤4.5，为子问题更新范围的选取设置较大概率，满足概率，更新范围为邻域，否则为整个种群；在更新范围内执行DE进化操作；
步骤4.6，计算进化后子问题决策变量对应的目标函数值和各约束违反总量；
步骤4.7，满足择优条件，则更新该子问题；重复步骤4.5到4.6，执行
Figure 177515DEST_PATH_IMAGE159
直至达到
Figure 281737DEST_PATH_IMAGE160
；
步骤4.8，重复步骤4.6到4.7，不断迭代直至满足
Figure 110016DEST_PATH_IMAGE161
；其中，每过50代更新一次子问题实际效率值；
步骤4.9，输出结果，并基于逼近理想解排序法选取帕累托最优折衷解。
由上述对本发明的描述可知，与现有技术相比，本发明的考虑风光水能源多重不确定性风险的优化调度方法至少包括以下有益效果之一：
1、本发明为更加合理灵活地评估风光水多重不确定性给优化调度带来的风险性，在电力系统优化调度中量化考虑这种风光水并网不确定性带来的风险，使调度过程的准确性和灵活程度性提高；为了使智能电网调度决策更合理，本发明考虑将可控电网元件的状态纳为决策变量，并充分利用网端资源，实现源网协调优化调度；
2、本发明充分利用智能电网可控资源，通过优化控制发电机出力、变压器变比和无功补偿容量等，实现了在满足安全约束下系统运行成本最低和风险性最小的源网协调优化调度目标，并建立考虑多重不确定性置信风险的源网协调多目标优化调度模型；
3、本发明为了实现对所提复杂模型的高效求解，将高效优势可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合，提出了一种新型的多目标动态分解进化算法；并采用逼近理想解排序法自动提取最优折衷解以实现多目标优化调度决策，确保所提模型和算法的合理性与高效性。
附图说明
图1为本发明优选实施例中一种考虑风光水能源多重不确定性风险的优化调度方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图1所示，本发明的优选实施例，一种考虑风光水能源多重不确定性风险的优化调度方法，包括以下步骤：
步骤1，建立风光水能源多重不确定性分类分布模型；
步骤2，结合风光水能源多重不确定性分类分布模型和机会约束，提出风光水功率偏差置信风险量化计算方法；
步骤3，基于风光水功率偏差置信风险量化计算方法，建立考虑多重不确定性置信风险的源网协调多目标优化调度模型；
步骤4，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，并采用逼近理想解排序法自动提取最优折衷解以实现多目标优化调度决策。
本发明为更加合理灵活地评估风光水多重不确定性给优化调度带来的风险性，在电力系统优化调度中量化考虑这种风光水并网不确定性带来的风险，使调度过程的准确性和灵活程度性提高；为了使智能电网调度决策更合理，本发明考虑将可控电网元件的状态纳为决策变量，并充分利用网端资源，实现源网协调优化调度；本发明充分利用智能电网可控资源，通过优化控制发电机出力、变压器变比和无功补偿容量等，实现了在满足安全约束下系统运行成本最低和风险性最小的源网协调优化调度目标，并建立考虑多重不确定性置信风险的源网协调多目标优化调度模型； 本发明为了实现对所提复杂模型的高效求解，将高效优势可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合，提出了一种新型的多目标动态分解进化算法；并采用逼近理想解排序法自动提取最优折衷解以实现多目标优化调度决策，确保所提模型和算法的合理性与高效性。
作为本发明的优选实施例，其还可具有以下附加技术特征：
在本实施例中，在步骤1中，建立风光水能源多重不确定性分类分布模型包括：
步骤1.1，建立风电不确定性模型，具体包括：
采用描述风速概率密度函数的三参数Burr分布函数来拟合风速分布，具体表示为：
Figure 641491DEST_PATH_IMAGE162
(1)
式中：
Figure 719169DEST_PATH_IMAGE163
为t时刻风速；
Figure 299186DEST_PATH_IMAGE164
分别为t时刻Burr分布的比例参数、第一形状参数和第二形状参数，且
Figure 778709DEST_PATH_IMAGE165
；
t时刻风电机组出力
Figure 481085DEST_PATH_IMAGE166
与风速
Figure 249321DEST_PATH_IMAGE167
的相关性表示为：
Figure 429767DEST_PATH_IMAGE168
(2)
式中：
Figure 29375DEST_PATH_IMAGE169
分别为风机额定风速、切入风速和切出风速；
Figure 667485DEST_PATH_IMAGE170
为风机额定输出功率；
步骤1.2，建立光伏不确定性模型，具体包括：
采用对数正态分布来描述其概率密度函数：
Figure 719755DEST_PATH_IMAGE171
(3)
式中：
Figure 969471DEST_PATH_IMAGE172
为t时刻太阳辐射度；
Figure 361269DEST_PATH_IMAGE173
分别为t时刻对数正态随机变量的均值和方差；
Figure 139869DEST_PATH_IMAGE174
和
Figure 945014DEST_PATH_IMAGE175
为合并计算参数；
t时刻太阳能光伏电站出力
Figure 670524DEST_PATH_IMAGE176
与太阳辐射度
Figure 979146DEST_PATH_IMAGE177
的相关性表示为：
Figure 194227DEST_PATH_IMAGE178
（4）
式中：
Figure 424351DEST_PATH_IMAGE179
为标准环境下太阳辐射度；
Figure 484711DEST_PATH_IMAGE180
为某一特定太阳辐射度；
Figure 913418DEST_PATH_IMAGE181
为太阳能光伏阵列的额定输出功率。
步骤1.3，建立径流式小水电不确定性模型，具体包括：
采用Gumbel分布来描述其概率密度函数：
Figure 299400DEST_PATH_IMAGE182
（5）
式中：
Figure 748311DEST_PATH_IMAGE183
为t时刻河流流量；
Figure 877941DEST_PATH_IMAGE184
分别为t时刻Gumbel分布的位置参数和比例参数；
t时刻径流式小水电出力
Figure 364417DEST_PATH_IMAGE185
与河流流量
Figure 655722DEST_PATH_IMAGE186
的相关性表示为：
Figure 657176DEST_PATH_IMAGE187
（6）
式中：
Figure 528180DEST_PATH_IMAGE188
为涡轮发电机组装效率；
Figure 665900DEST_PATH_IMAGE189
为水的密度；
Figure 393685DEST_PATH_IMAGE190
为重力加速度；
Figure 820118DEST_PATH_IMAGE191
为有效压力水头。
在本实施例中，在步骤2中，对风光水能源多重不确定性分类分布模型进行功率偏差置信风险分析，具体包括：
步骤2.1，分析不确定性功率偏差置信区间：
不同置信水平
Figure 291550DEST_PATH_IMAGE192
的不确定性置信区间如式(7)所示：
Figure 283777DEST_PATH_IMAGE193
（7）
式中：
Figure 388655DEST_PATH_IMAGE194
表示概率水平；
Figure 99122DEST_PATH_IMAGE195
和
Figure 108666DEST_PATH_IMAGE196
分别表示不确定性置信区间的下限和上限；
步骤2.2 ，分析风电出力高估和低估置信风险：
风速不确定性若满足Burr分布，其累积分布函数为：
Figure 220979DEST_PATH_IMAGE197
（8）
风电机组出力
Figure 228249DEST_PATH_IMAGE198
位于0到
Figure 426012DEST_PATH_IMAGE199
之间的概率密度函数
Figure 239248DEST_PATH_IMAGE200
为：
Figure 206067DEST_PATH_IMAGE201
（9）
式中：
Figure 649817DEST_PATH_IMAGE202
为合并计算参数；
t时段风电机组出力置信上限
Figure 334877DEST_PATH_IMAGE203
和置信下限
Figure 889486DEST_PATH_IMAGE204
分别为：
Figure 976391DEST_PATH_IMAGE205
（10）
Figure 387780DEST_PATH_IMAGE206
（11）
式中：
Figure 494889DEST_PATH_IMAGE207
和
Figure 649927DEST_PATH_IMAGE208
分别为t时段风速置信区间上下限；
综上所述，可以得到t时段风电机组在置信水平
Figure 794600DEST_PATH_IMAGE209
下出力高估功率偏差置信风险
Figure 642471DEST_PATH_IMAGE210
和出力低估功率偏差置信风险
Figure 239805DEST_PATH_IMAGE211
；
当
Figure 932955DEST_PATH_IMAGE212
时：
Figure 728872DEST_PATH_IMAGE213
（12）
当
Figure 482065DEST_PATH_IMAGE214
时：
Figure 566696DEST_PATH_IMAGE215
（13）
当
Figure 63536DEST_PATH_IMAGE216
时：
Figure 979539DEST_PATH_IMAGE217
（14）
当
Figure 638054DEST_PATH_IMAGE218
时：
Figure 201191DEST_PATH_IMAGE219
（15）
式中：
Figure 236144DEST_PATH_IMAGE220
和
Figure 272233DEST_PATH_IMAGE221
分别为风电机组出力等于0和
Figure 101648DEST_PATH_IMAGE222
时的累积概率；
Figure 160871DEST_PATH_IMAGE223
代表风电出力变量；
步骤2.3 ，分析光伏出力高估和低估置信风险：
太阳辐射度不确定性若满足对数正态分布，其累积分布函数和概率密度函数可由式(4)推导得出；
Figure 999514DEST_PATH_IMAGE224
（16）
Figure 624531DEST_PATH_IMAGE225
（17）
式中：
Figure 890427DEST_PATH_IMAGE226
和
Figure 171367DEST_PATH_IMAGE227
分别为t时刻太阳辐射度置信区间上、下限；
Figure 79280DEST_PATH_IMAGE228
分别为t时段太阳能光伏电站出力置信上限和置信下限；
综上所述，可得t时段太阳能光伏电站在置信水平
Figure 558803DEST_PATH_IMAGE229
下出力高估功率偏差置信风险
Figure 995600DEST_PATH_IMAGE230
和出力低估功率偏差置信风险
Figure 760907DEST_PATH_IMAGE231
分别为：
Figure 206931DEST_PATH_IMAGE232
（18）
式中：
Figure 540961DEST_PATH_IMAGE233
分别表示在置信水平
Figure 351922DEST_PATH_IMAGE234
下太阳能光伏电站实际出力被高估和低估的相对频率和期望值；
Figure 404192DEST_PATH_IMAGE235
为t时段太阳能光伏电站预估出力；
步骤2.4，分析光伏与径流式小水电联合出力高估和低估置信风险：
光伏与径流式小水电的联合出力高估和低估功率偏差置信风险包括：
Figure 388328DEST_PATH_IMAGE236
（19）
式中：
Figure 842443DEST_PATH_IMAGE237
分别是t时段径流式小水电出力置信上、下限；
Figure 824306DEST_PATH_IMAGE238
分别是t时刻河流流量置信区间上、下限；
Figure 363871DEST_PATH_IMAGE239
分别为t时段光伏与径流式小水电联合出力置信上限和置信下限；
综上所述，可得t时段光伏与径流式小水电在置信水平
Figure 151699DEST_PATH_IMAGE240
下出力高估功率偏差置信风险
Figure 460320DEST_PATH_IMAGE241
和出力低估功率偏差置信风险
Figure 613084DEST_PATH_IMAGE242
分别为：
Figure 639946DEST_PATH_IMAGE243
（20）
式中：
Figure 968815DEST_PATH_IMAGE244
为t时刻光伏与径流式小水电出力；
Figure 335205DEST_PATH_IMAGE245
为t时段光伏与径流式小水电预估联合出力。
在本实施例中，在步骤3中，所述源网协调多目标优化调度模型的目标函数包括：
总运营成本最优目标函数：
在调度周期内总运营成本最优目标
Figure 455608DEST_PATH_IMAGE246
由考虑常规机组阀点效应的总燃料成本
Figure 235345DEST_PATH_IMAGE247
、环境成本
Figure 302658DEST_PATH_IMAGE248
、全寿命周期内风电机组的运营成本
Figure 320293DEST_PATH_IMAGE249
、全寿命周期内太阳能光伏电站的运营成本
Figure 142755DEST_PATH_IMAGE250
以及全寿命周期内光伏与径流式小水电联合发电的运营成本
Figure 878630DEST_PATH_IMAGE251
组成：
Figure 749634DEST_PATH_IMAGE252
（21）
Figure 887355DEST_PATH_IMAGE253
（22）
式中：T为总调度时段数；
Figure 615139DEST_PATH_IMAGE254
为常规机组总数；
Figure 41572DEST_PATH_IMAGE255
分别为t时段常规机组i的有功出力和最小有功出力；
Figure 244496DEST_PATH_IMAGE256
为常规机组i的发电燃料成本系数；
Figure 502302DEST_PATH_IMAGE257
为常规机组i的阀点效应系数；
Figure 400988DEST_PATH_IMAGE258
为常规机组i的环境成本系数；
Figure 49138DEST_PATH_IMAGE259
为常规机组i的污染气体排放系数；
Figure 58682DEST_PATH_IMAGE260
Figure 436574DEST_PATH_IMAGE261
分别为全寿命周期内风电、光伏、光伏与径流式小水电联合发电的运营成本系数；t时刻太阳能光伏电站出力
Figure 240582DEST_PATH_IMAGE262
；t时刻风电机组出力
Figure 641608DEST_PATH_IMAGE263
；
Figure 189264DEST_PATH_IMAGE264
为t时刻光伏与径流式小水电出力；
风光水多重不确定性置信风险最低目标函数：
风电、光伏、光伏与径流式小水电联合出力总功率偏差置信风险目标
Figure 421662DEST_PATH_IMAGE265
由出力高估功率偏差置信风险
Figure 599833DEST_PATH_IMAGE266
和出力低估功率偏差置信风险
Figure 550472DEST_PATH_IMAGE267
组成：
Figure 901819DEST_PATH_IMAGE268
（23）
Figure 409897DEST_PATH_IMAGE269
（24）
式中：
Figure 86866DEST_PATH_IMAGE270
和
Figure 993642DEST_PATH_IMAGE271
分别为t时段风电机组在置信水平
Figure 86363DEST_PATH_IMAGE272
下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure 27774DEST_PATH_IMAGE273
和
Figure 610065DEST_PATH_IMAGE274
分别为t时段太阳能光伏电站在置信水平
Figure 207399DEST_PATH_IMAGE275
下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure 166128DEST_PATH_IMAGE276
和
Figure 962046DEST_PATH_IMAGE277
分别为t时段光伏与径流式小水电在置信水平
Figure 715238DEST_PATH_IMAGE278
下出力高估功率偏差置信风险和出力低估功率偏差置信风险。
在本实施例中，在步骤3中，所述源网协调多目标优化调度模型的约束条件包括电网潮流约束、火电机组爬坡速率约束、风光水机组有功出力约束、风光水机组无功出力约束、网端可控元件约束，其中，网端可控元件约束具体如下：
有载调压变压器变比约束：
Figure 799869DEST_PATH_IMAGE279
（25）
式中：
Figure 293780DEST_PATH_IMAGE280
；
Figure 944204DEST_PATH_IMAGE281
为t时段第
Figure 868297DEST_PATH_IMAGE282
台有载调压变压器变比；
Figure 440224DEST_PATH_IMAGE283
分别为第
Figure 475176DEST_PATH_IMAGE282
台有载调压变压器变比上、下限；
Figure 245686DEST_PATH_IMAGE284
为有载调压变压器总数；
电容器组无功补偿装置容量约束：
Figure 340681DEST_PATH_IMAGE285
（26）
式中：
Figure 399904DEST_PATH_IMAGE286
；
Figure 238547DEST_PATH_IMAGE287
为t时段第
Figure 863563DEST_PATH_IMAGE288
台电容器组无功补偿容量；
Figure 332722DEST_PATH_IMAGE289
分别为第
Figure 410399DEST_PATH_IMAGE288
台电容器组无功补偿容量上、下限；
Figure 52733DEST_PATH_IMAGE290
为电容器组无功补偿装置总数；
可控元件动作次数约束：
Figure 4028DEST_PATH_IMAGE291
（27）
式中：
Figure 706404DEST_PATH_IMAGE292
；
Figure 271378DEST_PATH_IMAGE293
为第
Figure 389507DEST_PATH_IMAGE294
个网端可控元件在前t个时段的动作次数总和；
Figure 254694DEST_PATH_IMAGE295
为第
Figure 862393DEST_PATH_IMAGE294
个网端可控元件最大允许动作次数；
Figure 117925DEST_PATH_IMAGE296
为网端可控元件总数。
在本实施例中，在步骤4中，所述多目标动态分解进化算法通过对分解多目标进化算法改进得到，具体如下：
所述分解多目标进化算法包括计算权重向量邻域、切比雪夫分解、DE进化操作，通过在分解多目标进化算法中引入动态资源分配策略与高效优势可行解约束处理方法，得到将高效优势可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合的多目标动态分解进化算法；
在分解多目标进化算法基础上引入动态资源分配策略，通过量化各子问题的实际效率值
Figure 836483DEST_PATH_IMAGE297
，为不同难度子问题分配不同的计算资源，具体公式定义如下：
Figure 556177DEST_PATH_IMAGE298
（28）
式中：
Figure 334777DEST_PATH_IMAGE299
，
Figure 77605DEST_PATH_IMAGE300
为种群数；
Figure 599853DEST_PATH_IMAGE301
，m为目标数；
Figure 171124DEST_PATH_IMAGE302
为每50次迭代后第z个子问题的目标值变化率；
Figure 120626DEST_PATH_IMAGE303
分别为第z个子问题中第j个目标每50次迭代前、后的目标值；在每次迭代过程中，采用锦标赛择优法，依据各子问题效率值
Figure 85171DEST_PATH_IMAGE304
进行计算资源分配，每50次迭代更新一次
Figure 676689DEST_PATH_IMAGE305
；
高效优势可行解约束处理方法在处理多目标优化问题的约束条件时，利用不可行域解的种群信息，使不可行域解尽量处于可行域内，最终得到质量更高的帕累托最优解集；不可行域解的总约束违反量
Figure 839817DEST_PATH_IMAGE306
计算如下：
Figure 163482DEST_PATH_IMAGE307
（29）
式中：
Figure 677640DEST_PATH_IMAGE308
为自适应权重参数；
Figure 807270DEST_PATH_IMAGE309
分别为第k个约束条件的约束违反量和累计最大约束违反量；
Figure 28167DEST_PATH_IMAGE310
为约束条件总数。
在本实施例中，在步骤4中，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，其步骤如下：
步骤4.1，输入预测所得的Burr分布参数、对数正态分布参数、Gumbel分布参数、IEEE30节点负荷需求值；
步骤4.2，输入风光水机组等各项系统参数；设定种群数
Figure 850630DEST_PATH_IMAGE311
、最大迭代次数
Figure 586505DEST_PATH_IMAGE312
、置信水平、邻域规模；设当前迭代次数
Figure 191929DEST_PATH_IMAGE313
、初始子问题实际效率值为1；
步骤4.3，生成均匀分布的
Figure 320861DEST_PATH_IMAGE314
组权重向量，计算各权重向量的邻域向量；初始化种群，得到各约束违反总量、总运营成本最优目标
Figure 314224DEST_PATH_IMAGE315
和总功率偏差置信风险目标
Figure 943920DEST_PATH_IMAGE316
；
步骤4.4，采用锦标赛择优法，根据更新后的实际效率值选取
Figure 415353DEST_PATH_IMAGE317
个子问题，设置
Figure 673159DEST_PATH_IMAGE318
；
步骤4.5，为子问题更新范围的选取设置较大概率，满足概率，更新范围为邻域，否则为整个种群；在更新范围内执行DE进化操作；
步骤4.6，计算进化后子问题决策变量对应的目标函数值和各约束违反总量；
步骤4.7，满足择优条件，则更新该子问题；重复步骤4.5到4.6，执行
Figure 306265DEST_PATH_IMAGE319
直至达到
Figure 16732DEST_PATH_IMAGE320
；
步骤4.8，重复步骤4.6到4.7，不断迭代直至满足
Figure 26277DEST_PATH_IMAGE321
；其中，每过50代更新一次子问题实际效率值；
步骤4.9，输出结果，并基于逼近理想解排序法选取帕累托最优折衷解。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (5)

1.一种考虑风光水能源多重不确定性风险的优化调度方法，其特征在于，包括以下步骤：
步骤1，建立风光水能源多重不确定性分类分布模型；
步骤2，结合风光水能源多重不确定性分类分布模型和机会约束，提出风光水功率偏差置信风险量化计算方法；
步骤3，基于风光水功率偏差置信风险量化计算方法，建立考虑多重不确定性置信风险的源网协调多目标优化调度模型；具体的，所述源网协调多目标优化调度模型的目标函数包括：
总运营成本最优目标函数：
在调度周期内总运营成本最优目标Cop由考虑常规机组阀点效应的总燃料成本Cf、环境成本Ce、全寿命周期内风电机组的运营成本Cw、全寿命周期内太阳能光伏电站的运营成本Cs以及全寿命周期内光伏与径流式小水电联合发电的运营成本Cs-h组成：
minCop＝Cf+Ce+Cw+Cs+Cs-h (21)
Figure FDA0003379247780000011
式中：T为总调度时段数；NC为常规机组总数；Pi,t、
Figure FDA0003379247780000012
分别为t时段常规机组i的有功出力和最小有功出力；bi、gi、hi为常规机组i的发电燃料成本系数；pi、si为常规机组i的阀点效应系数；ri为常规机组i的环境成本系数；
Figure FDA0003379247780000013
φi、εi、τi、ξi为常规机组i的污染气体排放系数；Kw、Ks、Ks-h分别为全寿命周期内风电、光伏、光伏与径流式小水电联合发电的运营成本系数；t时刻太阳能光伏电站出力Ws,t；t时刻风电机组出力Ww,t；Ws-h,t为t时刻光伏与径流式小水电出力；
风光水多重不确定性置信风险最低目标函数：
风电、光伏、光伏与径流式小水电联合出力总功率偏差置信风险目标D(α)由出力高估功率偏差置信风险DH(α)和出力低估功率偏差置信风险DL(α)组成：
minD(α)＝DH(α)+DL(α) (23)
Figure FDA0003379247780000021
式中：
Figure FDA0003379247780000022
和
Figure FDA0003379247780000023
分别为t时段风电机组在置信水平1-α下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure FDA0003379247780000024
和
Figure FDA0003379247780000025
分别为t时段太阳能光伏电站在置信水平1-α下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
Figure FDA0003379247780000026
和
Figure FDA0003379247780000027
分别为t时段光伏与径流式小水电在置信水平1-α下出力高估功率偏差置信风险和出力低估功率偏差置信风险；
步骤4，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，并采用逼近理想解排序法自动提取最优折衷解以实现多目标优化调度决策；具体的，所述多目标动态分解进化算法通过对分解多目标进化算法改进得到，具体如下：
所述分解多目标进化算法包括计算权重向量邻域、切比雪夫分解、DE进化操作，通过在分解多目标进化算法中引入动态资源分配策略与可行解约束处理方法，得到将可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合的多目标动态分解进化算法；
在分解多目标进化算法基础上引入动态资源分配策略，通过量化各子问题的实际效率值，为不同难度子问题分配不同的计算资源，具体公式定义如下：
Figure FDA0003379247780000028
式中：z∈{1,2,…,NZ}，NZ为种群数；j∈{1,2,…,m}，m为目标数；Δz为每50次迭代后第z个子问题的目标值变化率；fz,j(x)、fz',j(x)分别为第z个子问题中第j个目标每50次迭代前、后的目标值；在每次迭代过程中，采用锦标赛择优法，依据各子问题效率值πz进行计算资源分配，每50次迭代更新一次πz；
可行解约束处理方法在处理多目标优化问题的约束条件时，利用不可行域解的种群信息，使不可行域解尽量处于可行域内，最终得到帕累托最优解集；不可行域解的总约束违反量ζ(x)计算如下：
Figure FDA0003379247780000031
式中：wk为自适应权重参数；Gk(x)、
Figure FDA0003379247780000032
分别为第k个约束条件的约束违反量和累计最大约束违反量；NT为约束条件总数。
2.根据权利要求1所述的一种考虑风光水能源多重不确定性风险的优化调度方法，其特征在于：在步骤1中，建立风光水能源多重不确定性分类分布模型包括：
步骤1.1，建立风电不确定性模型，具体包括：
采用描述风速概率密度函数的三参数Burr分布函数来拟合风速分布，具体表示为：
Figure FDA0003379247780000033
式中：vt为t时刻风速；at、ct、kt分别为t时刻Burr分布的比例参数、第一形状参数和第二形状参数，且at＞0、ct＞0、kt＞0；
t时刻风电机组出力Ww,t与风速vt的相关性表示为：
Figure FDA0003379247780000034
式中：vr、vin、vout分别为风机额定风速、切入风速和切出风速；Wwr为风机额定输出功率；
步骤1.2，建立光伏不确定性模型，具体包括：
采用对数正态分布来描述其概率密度函数：
Figure FDA0003379247780000035
式中：It为t时刻太阳辐射度；mt、nt分别为t时刻对数正态随机变量的均值和方差；μt和σt为合并计算参数；
t时刻太阳能光伏电站出力Ws,t与太阳辐射度It的相关性表示为：
Figure FDA0003379247780000041
式中：Istd为标准环境下太阳辐射度；rc为太阳辐射度区间限值；Wsr为太阳能光伏阵列的额定输出功率；
步骤1.3，建立径流式小水电不确定性模型，具体包括：
采用Gumbel分布来描述其概率密度函数：
Figure FDA0003379247780000042
式中：qt为t时刻河流流量；λt、γt分别为t时刻Gumbel分布的位置参数和比例参数；
t时刻径流式小水电出力Wh,t与河流流量qt的相关性表示为：
Wh,t＝ηρgqtHw (6)
式中：η为涡轮发电机组装效率；ρ为水的密度；g为重力加速度；Hw为有效压力水头。
3.根据权利要求2所述的一种考虑风光水能源多重不确定性风险的优化调度方法，其特征在于：在步骤2中，对风光水能源多重不确定性分类分布模型进行功率偏差置信风险分析，具体包括：
步骤2.1，分析不确定性功率偏差置信区间：
不同置信水平1-α的不确定性置信区间如式(7)所示：
Figure FDA0003379247780000043
式中：Pr表示概率水平；ud(α)和uu(α)分别表示不确定性置信区间的下限和上限；
步骤2.2，分析风电出力高估和低估置信风险：
风速不确定性若满足Burr分布，其累积分布函数为：
Figure FDA0003379247780000051
风电机组出力Ww,t位于0到Wwr之间的概率密度函数f(Ww,t)为：
Figure FDA0003379247780000052
Figure FDA0003379247780000053
式中：ψ为合并计算参数；
t时段风电机组出力置信上限
Figure FDA0003379247780000054
和置信下限
Figure FDA0003379247780000055
分别为：
Figure FDA0003379247780000056
Figure FDA0003379247780000057
式中：
Figure FDA0003379247780000058
和
Figure FDA0003379247780000059
分别为t时段风速置信区间上下限；vr为风机额定风速；
综上所述，可以得到t时段风电机组在置信水平1-α下出力高估功率偏差置信风险
Figure FDA00033792477800000510
和出力低估功率偏差置信风险
Figure FDA00033792477800000511
当
Figure FDA00033792477800000512
时：
Figure FDA00033792477800000513
当
Figure FDA00033792477800000514
时：
Figure FDA00033792477800000515
当
Figure FDA0003379247780000061
时：
Figure FDA0003379247780000062
当
Figure FDA0003379247780000063
时：
Figure FDA0003379247780000064
式中：P{Ww＝0}和P{Ww＝Wwr}分别为风电机组出力等于0和Wwr时的累积概率；Ww代表风电出力变量；f(Ww)为将Ww作为变量替换式(9)f(Ww,t)中的Ww,t所得概率密度函数式；
步骤2.3，分析光伏出力高估和低估置信风险：
太阳辐射度不确定性若满足对数正态分布，其累积分布函数和概率密度函数可由式(4)推导得出；
Figure FDA0003379247780000065
Figure FDA0003379247780000066
式中：
Figure FDA0003379247780000067
和
Figure FDA0003379247780000068
分别为t时刻太阳辐射度置信区间上、下限；
Figure FDA0003379247780000069
分别为t时段太阳能光伏电站出力置信上限和置信下限；
综上所述，可得t时段太阳能光伏电站在置信水平1-α下出力高估功率偏差置信风险
Figure FDA00033792477800000610
和出力低估功率偏差置信风险
Figure FDA00033792477800000611
分别为：
Figure FDA00033792477800000612
式中：Rf、E分别表示在置信水平1-α下太阳能光伏电站实际出力被高估和低估的相对频率和期望值；
Figure FDA0003379247780000071
为t时段太阳能光伏电站预估出力；
步骤2.4，分析光伏与径流式小水电联合出力高估和低估置信风险：
光伏与径流式小水电的联合出力高估和低估功率偏差置信风险包括：
Figure FDA0003379247780000072
式中：
Figure FDA0003379247780000073
分别是t时段径流式小水电出力置信上、下限；
Figure FDA0003379247780000074
分别是t时刻河流流量置信区间上、下限；
Figure FDA0003379247780000075
分别为t时段光伏与径流式小水电联合出力置信上限和置信下限；
综上所述，可得t时段光伏与径流式小水电在置信水平1-α下出力高估功率偏差置信风险
Figure FDA0003379247780000076
和出力低估功率偏差置信风险
Figure FDA0003379247780000077
分别为：
Figure FDA0003379247780000078
式中：Ws-h,t为t时刻光伏与径流式小水电出力；
Figure FDA0003379247780000079
为t时段光伏与径流式小水电预估联合出力。
4.根据权利要求1所述的一种考虑风光水能源多重不确定性风险的优化调度方法，其特征在于：在步骤3中，所述源网协调多目标优化调度模型的约束条件包括电网潮流约束、火电机组爬坡速率约束、风光水机组有功出力约束、风光水机组无功出力约束、网端可控元件约束，其中，网端可控元件约束具体如下：
有载调压变压器变比约束：
Figure FDA00033792477800000710
式中：i3∈{1,2,…,NE}；Ti3,t为t时段第i3台有载调压变压器变比；
Figure FDA00033792477800000711
分别为第i3台有载调压变压器变比上、下限；NE为有载调压变压器总数；
电容器组无功补偿装置容量约束：
Figure FDA00033792477800000712
式中：i4∈{1,2,…,NF}；QC,i4,t为t时段第i4台电容器组无功补偿容量；
Figure FDA0003379247780000081
分别为第i4台电容器组无功补偿容量上、下限；NF为电容器组无功补偿装置总数；
可控元件动作次数约束：
Figure FDA0003379247780000082
式中：i5∈{1,2,…,NS}；Zi5,t为第i5个网端可控元件在前t个时段的动作次数总和；
Figure FDA0003379247780000083
为第i5个网端可控元件最大允许动作次数；NS为网端可控元件总数。
5.根据权利要求1所述的一种考虑风光水能源多重不确定性风险的优化调度方法，其特征在于：在步骤4中，采用多目标动态分解进化算法对源网协调多目标优化调度模型进行求解，其步骤如下：
步骤4.1，输入预测所得的Burr分布参数、对数正态分布参数、Gumbel分布参数、IEEE30节点负荷需求值；
步骤4.2，输入风光水机组等各项系统参数；设定种群数NZ、最大迭代次数gmax、置信水平、邻域规模；设当前迭代次数g＝1、初始子问题实际效率值为1；
步骤4.3，生成均匀分布的NC组权重向量，计算各权重向量的邻域向量；初始化种群，得到各约束违反总量、总运营成本最优目标Cop和总功率偏差置信风险目标D(α)；
步骤4.4，采用锦标赛择优法，根据更新后的实际效率值选取Nsp个子问题，设置k＝1；
步骤4.5，为子问题更新范围的选取设置概率，满足概率，更新范围为邻域，否则为整个种群；在更新范围内执行DE进化操作；
步骤4.6，计算进化后子问题决策变量对应的目标函数值和各约束违反总量；
步骤4.7，满足择优条件，则更新该子问题；重复步骤4.5到4.6，执行k+1直至达到Nsp；
步骤4.8，重复步骤4.6到4.7，不断迭代直至满足gmax；其中，每过50代更新一次子问题实际效率值；
步骤4.9，输出结果，并基于逼近理想解排序法选取帕累托最优折衷解。
CN202111130441.XA 2021-09-26 2021-09-26 一种考虑风光水能源多重不确定性风险的优化调度方法 Expired - Fee Related CN113572168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111130441.XA CN113572168B (zh) 2021-09-26 2021-09-26 一种考虑风光水能源多重不确定性风险的优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111130441.XA CN113572168B (zh) 2021-09-26 2021-09-26 一种考虑风光水能源多重不确定性风险的优化调度方法

Publications (2)

Publication Number Publication Date
CN113572168A CN113572168A (zh) 2021-10-29
CN113572168B true CN113572168B (zh) 2022-02-08

Family

ID=78174635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111130441.XA Expired - Fee Related CN113572168B (zh) 2021-09-26 2021-09-26 一种考虑风光水能源多重不确定性风险的优化调度方法

Country Status (1)

Country Link
CN (1) CN113572168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362240A (zh) * 2021-12-06 2022-04-15 国网安徽省电力有限公司安庆供电公司 一种基于置信度校验的新能源多厂站互补优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6759764B1 (en) * 2000-07-05 2004-07-06 Hybrid Power Generation Systems Llc Grid load logic
CN109886473A (zh) * 2019-01-24 2019-06-14 河海大学 一种考虑下游生态的流域风光水系统多目标优化调度方法
CN109936170A (zh) * 2019-04-08 2019-06-25 东北电力大学 考虑电源灵活性裕度的风光水火互补协调优化调度方法
CN109980636A (zh) * 2019-03-21 2019-07-05 上海电力学院 基于改进Benders分解法的风水火协调优化调度方法
CN111525556A (zh) * 2020-05-06 2020-08-11 华东交通大学 一种计及风电置信风险的多目标最优潮流计算方法
CN111786420A (zh) * 2020-07-16 2020-10-16 国网能源研究院有限公司 一种考虑再生能源混合发电的电力系统经济调度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6759764B1 (en) * 2000-07-05 2004-07-06 Hybrid Power Generation Systems Llc Grid load logic
CN109886473A (zh) * 2019-01-24 2019-06-14 河海大学 一种考虑下游生态的流域风光水系统多目标优化调度方法
CN109980636A (zh) * 2019-03-21 2019-07-05 上海电力学院 基于改进Benders分解法的风水火协调优化调度方法
CN109936170A (zh) * 2019-04-08 2019-06-25 东北电力大学 考虑电源灵活性裕度的风光水火互补协调优化调度方法
CN111525556A (zh) * 2020-05-06 2020-08-11 华东交通大学 一种计及风电置信风险的多目标最优潮流计算方法
CN111786420A (zh) * 2020-07-16 2020-10-16 国网能源研究院有限公司 一种考虑再生能源混合发电的电力系统经济调度的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Multi-objective optimal strategy of generating and bidding on power selling side considering Environmental Protection and Bidding Risk;Peng Chunhua et al.;《2008 Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies》;20080516;第263-267页 *
Multi-objective Wind-Thermal Unit Commitment Considering Wind Power Forecasting Error;Jie Yu et al.;《2012 IEEE Power and Energy Society General Meeting》;20121112;第1-8页 *
船舶微电网锂电池储能系统容量配置多目标优化方法;庞水等;《中国舰船研究》;20201231;第15卷(第6期);第22-28页 *
计及风电置信风险的源网协调多目标优化调度;彭春华等;《电力自动化设备》;20210131;第41卷(第1期);第69-76页 *
风–光–水–碳捕集多区域虚拟电厂协调优化调度;孙惠娟等;《电网技术》;20191130;第43卷(第11期);第4040-4049页 *

Also Published As

Publication number Publication date
CN113572168A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Logenthiran et al. Optimal sizing of an islanded microgrid using evolutionary strategy
CN107069814B (zh) 配网分布式电源容量布点的模糊机会约束规划方法与系统
CN111404206B (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
Lotfi et al. Optimal design of a hybrid solar-wind-diesel power system for rural electrification using imperialist competitive algorithm
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN110571867A (zh) 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN103544655A (zh) 一种含微电网的区域配电网分层优化方法
CN113437752B (zh) 一种含混合储能的综合能源系统运行控制方法
Hong et al. Interactive multi-objective active power scheduling considering uncertain renewable energies using adaptive chaos clonal evolutionary programming
CN110097237A (zh) 一种基于电动汽车和多能源的主配网协调调度优化方法
CN113241803A (zh) 一种基于新能源消纳的储能调度方法及计算机介质
Gill et al. Placement of renewable distributed energy resources in the radial distribution network to overcome the losses and air pollution
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
Li et al. Flexible scheduling of microgrid with uncertainties considering expectation and robustness
CN113572168B (zh) 一种考虑风光水能源多重不确定性风险的优化调度方法
CN118017573A (zh) 一种考虑灵活性供需平衡的源网荷储资源规划方法
CN114676921A (zh) 一种考虑源荷储协调优化的系统风电可接纳能力计算方法
CN113536581B (zh) 一种计及运行策略的储能系统多状态可靠性建模方法
CN114298383A (zh) 一种虚拟电厂储能容量配置方法及装置
CN111525556B (zh) 一种计及风电置信风险的多目标最优潮流计算方法
Bhuvaneswari et al. Online economic environmental optimization of a microgrid using an improved fast evolutionary programming technique
Jemaa et al. Optimum sizing of hybrid PV/Wind/battery installation using a fuzzy PSO
CN106355286A (zh) 水冷却光伏‑光热发电系统的发电量计算方法及系统
Chauhan et al. Optimal sizing of a stand-alone PV/wind/MHP/biomass based hybrid energy system using PSO algorithm
CN105207255A (zh) 一种适用于风电出力的电力系统调峰计算方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220208