CN113659638A - 一种风-光-水-火联合发电系统日前优化调度方法 - Google Patents

一种风-光-水-火联合发电系统日前优化调度方法 Download PDF

Info

Publication number
CN113659638A
CN113659638A CN202111042926.3A CN202111042926A CN113659638A CN 113659638 A CN113659638 A CN 113659638A CN 202111042926 A CN202111042926 A CN 202111042926A CN 113659638 A CN113659638 A CN 113659638A
Authority
CN
China
Prior art keywords
power
wind
formula
cost
light
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111042926.3A
Other languages
English (en)
Inventor
于浩洋
高明明
李军
张洪福
高林
胡勇
陈江
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.)
North China Electric Power University
Xian Thermal Power Research Institute Co Ltd
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Taicang Power Generation Co Ltd
Original Assignee
North China Electric Power University
Xian Thermal Power Research Institute Co Ltd
Huaneng Group Technology Innovation Center 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 North China Electric Power University, Xian Thermal Power Research Institute Co Ltd, Huaneng Group Technology Innovation Center Co Ltd filed Critical North China Electric Power University
Priority to CN202111042926.3A priority Critical patent/CN113659638A/zh
Publication of CN113659638A publication Critical patent/CN113659638A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • H02J3/38—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
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种风‑光‑水‑火联合发电系统日前优化调度方法，首先，构建以系统运行成本最低、燃煤火电机组的污染物治理费最低，弃风弃光量最低为目标的目标函数；接着以系统功率平衡、循环流化床机组出力约束、爬坡速率约束、风电上网功率、光伏上网功率作为风‑光‑水‑火联合发电系统优化调度模型的约束条件；然后对风电、光电的出力进行预测；最后利用量子遗传算法，分别对春、夏、秋、冬四个典型日的调度模型进行求解，得到四季典型日的调度方法。

Description

一种风-光-水-火联合发电系统日前优化调度方法
技术领域
本发明属于电力技术中的电网调度领域，具体涉及一种风-光-水-火发电系统日前优化调度方法。
背景技术
大力发展可再生能源，实现能源生产转型，是能源可持续发展的重要途经。高比例可再生能源并网将不仅给电网的经济调度带来了挑战,也增大了电网稳定运行的风险，现有电网系统难以满足可再生能源大规模并网消纳的要求。
现有技术中鲜有能够科学高效地通过联合调度，充分利用风电、光电、水电、火电的技术，能够兼顾节能减排，同时成本低，风电、光伏、水电的利用率高。
发明内容
本发明的目的即在于解决现有技术中所面临的难题，提供一种风电光伏火电联合调度模式，兼顾了节能减排环境成本最低、弃电惩罚成本最低、系统功率平衡、旋转备用容量保障的基本要求，为多种可再生能源联合调度提供了一种分析方法，具体是提供一种基于量子遗传算法的风-光-水-火发电系统日前优化调度方法，在风-光-水-火电调度模型的基础上，应用量子遗传算法进行求解，降低新能源弃电率，降低系统运行成本，为综合提升可再生能源利用水平，提高综合效益提供了很好的借鉴。
本发明提供了一种风-光-水-火联合发电系统日前优化调度方法，包括如下步骤：
步骤S1、构建以风-光-水-火联合发电系统运行成本最低、燃煤火电机组的污染物治理费最低，弃风弃光量最低为目标的目标函数；
步骤S2、以风-光-水-火联合发电系统功率平衡、循环流化床机组出力约束、爬坡速率约束、风电上网功率、光伏上网功率作为风-光-水-火联合发电系统优化调度模型的约束条件；
步骤S3、对风电、光电的出力进行预测，考虑切出风速和切入风速，根据风速-功率特性曲线，进行风电机组出力预测，同时计算光伏阵列的输出功率，即计算光伏发电的输出功率；
步骤S4、利用量子遗传算法，分别对春、夏、秋、冬四个典型日的调度模型进行求解。
优选地，所述步骤S1中，假设风、光、水运行成本为0，仅考虑火电成本；火电成本由火电运行成本、污染物惩罚成本与新能源弃电惩罚成本组成。
更优选地，所述风-光-水-火联合发电系统运行成本的目标函数如式(1)所示：
Figure BDA0003250071350000021
式中：f1为风-光-水-火联合发电系统运行成本；t为运行时段，t＝1,2,...，T；T为总运行时间段；zt1，zt2，zt3分别为第t时段内火电机组燃煤成本、污染物治理成本和弃电惩罚成本；
所述火电机组的运行成本为凸性非线性二次函数，表示为如式(2)所示：
Figure BDA0003250071350000031
式中：Ng为火电机组总数；ai，bi，ci分别为第i台机组的煤耗系数
Figure BDA0003250071350000032
为火电机组i在t时段的输出功率，w为煤价；
所述污染物惩罚成本指治理火电机组所排放的SO2、NOx、粉尘污染物所需的成本之和；
所述污染物惩罚成本zt2表示为如式(3)所示：
Figure BDA0003250071350000033
式中：
Figure BDA0003250071350000034
QYC，i——机组i的污染罚款成本，分别表示为如式(4)-(6) 所示：
Figure BDA0003250071350000035
Figure BDA0003250071350000036
Figure BDA0003250071350000037
式中，q1、q2、q3分别为SO2、NOx和粉尘的单位惩罚成本，μ1、μ2和μ3分别为SO2、NOx和粉尘污染物的排放系数；
所述新能源弃电惩罚成本表示为弃风、弃光、弃水成本之和，表示为如式(7) 所示：
Figure BDA0003250071350000038
式中：w、pv、h分别为风电、光伏、水电的编号；ξw、ξpv、ξh分别为风、光、水弃量的惩罚费用；
Figure 100002_1
分别为t时段风电场、光伏电站、水电站的发电预测值；Pt w、Pt pv、Pt h分别为t时段风电场、光伏电站、水电站的调度计划发电量。
更优选地，火电机组燃烧每吨煤产生的SO2、NOx、粉尘排放量分别为0.000416吨、0.000476025吨、0.00077814吨，所对应的污染物惩罚成本单价分别为630元/吨、0.9977元/吨、0.9981元/吨。
优选地，所述步骤S2中，首先保证风-光-水-火联合发电系统运行的负荷平衡约束，其中，火电出力约束由火电机组的出力上限和处理下限决定，爬坡速率根据机组变负荷速率决定。
更优选地，所述风-光-水-火联合发电系统运行的负荷平衡约束，表示为如式(8)所示：
Figure BDA0003250071350000041
式中：Pt D为t时段的负荷值；
所述循环流化床机组出力约束表示为如式(9)所示：
Figure BDA0003250071350000042
式中：
Figure BDA0003250071350000043
为第i台循环流化床机组出力下限；
Figure BDA0003250071350000044
为第i台循环流化床机组出力上限；
所述循环流化床机组爬坡速率约束表示为如式(10)所示：
Figure BDA0003250071350000045
式中：
Figure BDA0003250071350000046
为机组i在t时段内减载的速率限值，
Figure BDA0003250071350000047
为机组i在t时段内加载的速率限值；
所述风电约束条件设置为风电上网功率≤风电场最大预测出力，表示为如式(11)所示：
Figure BDA0003250071350000048
所述光伏约束条件设置为光伏上网功率≤光伏电站最大预测出力，表示为如式(12)所示：
Figure BDA0003250071350000049
优选地，步骤S3中，风机输出功率特性考虑切出风速Wout和切入风速Win，风机输出功率与风速和风机的风速-功率特性曲线有关；当风速高于Win时，风机启动；当风速高于切出风速Wout时，风机停机；采用对数分布对风机的风速- 功率特性曲线进行处理，用对数分布假设风速和距地高度的对数成正比，则表示为如式(13)所示：
Figure BDA0003250071350000051
式中：zhub为风机轮毂高度；zanem为风速测量点高度；z0为地表粗糙长度；v(zhub) 为风机轮毂处的风速；v(zanem)为测量点风速；
所述光伏阵列的输出功率的计算如式(14)所示：
Figure BDA0003250071350000052
式中：fPV为光伏阵列降额因数，表示光伏实际输出功率与额定条件输出功率的比值，用于计及由于光伏板表面污渍、雨雪的遮盖以及光伏板自身老化所引起的损耗；PV,cap为光伏阵列的额定容量；IT为光照强度。
更优选地，所述fPV为0.9，IT为1kW/m2。
优选地，所述量子遗传算法是基于量子计算原理的一种遗传算法，其中，所述量子计算采用量子态作为基本的信息单元，利用量子态的叠加、纠缠和干涉特性，具有并行计算能力；所述量子遗传算法将量子态的矢量表达引入遗传编码，利用量子逻辑门实现染色体的演化；在量子计算机中，充当信息存储单元的物理介质是一个被称为量子比特的双态量子系统；所述量子比特可同时处在两个量子态的叠加态中,表示为如式(15)所示：
Figure BDA0003250071350000053
其中，|0>和|1>分别表示自旋向下和自旋向上态，即一个量子比特可同时包含态|0>和|1>的信息；在所述量子遗传算法中，采用量子比特储存和表达一个基因，并使该基因包含所有可能的信息，同时使用量子比特编码，使得一个染色体同时表达多个态的叠加；
所述量子遗传算法的具体过程为：设xi为当前染色体的第i位，besti为当前的最优染色体的第i位，f(x)为适应度函数，个体q当前的测量值的适应度f(x) 与当前该种群最优个体的适应度值f(besti)进行比较，如果f(x)＞f(besti)，则调整 q中相应位量子比特，使得几率幅对(αi,βi)向着有利于xi出现的方向演化；
应用所述量子遗传算法，根据步骤S1所建立的目标函数、步骤S2所建立的约束条件与步骤S3所确定的风电、光电发电功率预测进行求解，分别以春、夏、秋、冬四个典型日的数据作为计算依据，得到四种典型日下所对应的不同的调度方法。
附图说明
图1是本发明所述一种风-光-水-火发电系统日前优化调度方法。
具体实施方式
以下结合附图详细阐述本发明的实施方式。本领域技术人员应当理解，这里描述的仅是本发明的优选实施例，任何不脱离本发明思想和主旨的变体、替代均包含在本发明之内。
实施例
图1是本发明所述一种基于量子遗传算法的风-光-水-火发电系统日前优化调度方法的流程图，如图1所示，所述调度方法具体包括以下步骤：
步骤S1、构建以风-光-水-火联合发电系统运行成本最低、燃煤火电机组的污染物治理费最低，弃风弃光量最低为目标的目标函数；
步骤S2、以风-光-水-火联合发电系统功率平衡、循环流化床机组出力约束、爬坡速率约束、风电上网功率、光伏上网功率作为风-光-水-火联合发电系统优化调度模型的约束条件；
步骤S3、对风电、光电的出力进行预测，考虑切出风速和切入风速，根据风速-功率特性曲线，进行风电机组出力预测，同时计算光伏阵列的输出功率，即计算光伏发电的输出功率；
步骤S4、利用量子遗传算法，分别对春、夏、秋、冬四个典型日的调度模型进行求解。
进一步地，步骤S1中，考虑到优化调度模型的经济性，使系统运行成本最低，假设风、光、水运行成本为0，仅考虑火电成本；火电成本由火电运行成本、污染物惩罚成本与新能源弃电惩罚成本组成。
进一步地，所述步骤S2中，为保证电力系统安全运行，首先保证风-光-水- 火联合发电系统运行的负荷平衡约束，其中，火电出力约束由火电机组的出力上限和处理下限决定，爬坡速率根据机组变负荷速率决定。
各步骤的具体实施过程如下：
1、联合发电系统优化调度模型目标函数的确定
考虑到优化调度模型的经济性，使系统运行成本最低(假设风、光、水运行成本为0，仅考虑火电成本)，则体现系统运行成本的目标函数如式(1)所示：
Figure BDA0003250071350000071
式中：f1为系统运行成本；t为运行时段，t＝1,2,...,T；T为总运行时间段；zt1,zt2,zt3分别为第t时段内火电机组燃煤成本、污染物治理成本和弃电惩罚成本。
火电机组的运行成本为凸性非线性二次函数，表示为如式(2)所示：
Figure BDA0003250071350000072
式中：Ng为火电机组总数；ai,bi,ci分别为第i台机组的煤耗系数
Figure BDA0003250071350000073
为火电机组i在t时段的输出功率，w为煤价。
SO2、NOx、粉尘的排放量由煤耗量计算得出。每吨煤产生的SO2、NOx、粉尘排放量如附表1所示：
表1不同污染物排放量与惩罚成本表
Figure BDA0003250071350000081
污染物总惩罚成本zt2表示为如式(3)所示：
Figure BDA0003250071350000082
式中：
Figure BDA0003250071350000083
QYC,i——机组i的污染罚款成本，分别表示为如式(4)-(6) 所示：
Figure BDA0003250071350000084
Figure BDA0003250071350000085
Figure BDA0003250071350000086
式中，q1、q2、q3分别为SO2、NOx和粉尘的单位惩罚成本，μ1、μ2和μ3分别为SO2、NOx和粉尘污染物的排放系数。
弃电惩罚成本表示为弃风、弃光、弃水成本之和，表示为如式(7)所示：
Figure BDA0003250071350000087
式中：w、pv、h分别为风电、光伏、水电的编号；ξw、ξpv、ξh分别为风、光、水弃量的惩罚费用；
Figure 2
分别为t时段风电场、光伏电站、水电站的发电预测值；Pt w、Pt pv、Pt h分别为t时段风电场、光伏电站、水电站的调度计划发电量。
2、约束条件的确定
为保证电力系统安全运行，首先需要保证系统运行的负荷平衡约束，表示为如式(8)所示：
Figure BDA0003250071350000091
式中：Pt D为t时段的负荷值。
循环流化床机组出力约束表示为如式(9)所示：
Figure BDA0003250071350000092
式中：
Figure BDA0003250071350000093
为第i台循环流化床机组出力下限；
Figure BDA0003250071350000094
为第i台循环流化床机组出力上限。
循环流化床机组爬坡速率约束表示为如式(10)所示：
Figure BDA0003250071350000095
式中：
Figure BDA0003250071350000096
为机组i在t时段内减载的速率限值，
Figure BDA0003250071350000097
为机组i在t时段内加载的速率限值。
风电约束条件设置为风电上网功率≤风电场最大预测出力，表示为如式 (11)所示：
Figure BDA0003250071350000098
光伏约束条件设置为光伏上网功率≤光伏电站最大预测出力，表示为如式 (12)所示：
Figure BDA0003250071350000099
3、风电、光伏能源预测
风机输出功率特性需要考虑切出风速Wout和切入风速Win，风机输出功率与风速和风机的风速-功率特性曲线有关。当风速高于Win时，风机才可以启动。当风速高于切出风速Wout时，为了保护风机，风机停机。采用对数分布对其进行处理，以得到所需高度的风速，用对数分布假设风速和距地高度的对数成正比，表示为如式(13)所示：
Figure BDA0003250071350000101
式中：zhub为风机轮毂高度；zanem为风速测量点高度；z0为地表粗糙长度；v(zhub) 为风机轮毂处的风速；v(zanem)为测量点风速。
光伏阵列的输出功率的计算如式(14)所示：
Figure BDA0003250071350000102
式中：fPV为光伏阵列降额因数，表示光伏实际输出功率与额定条件输出功率的比值，用于计及由于光伏板表面污渍、雨雪的遮盖以及光伏板自身老化等原因引起的损耗，一般取0.9；PV,cap为光伏阵列的额定容量；IT为光照强度，为标准测试条件下的光照强度，取值为1kW/m2。
4、应用量子遗传算法求解
量子遗传算法是量子计算与遗传算法相结合的产物，是一种新发展起来的概率进化算法。量子遗传算法就是基于量子计算原理的一种遗传算法。量子计算中采用量子态作为基本的信息单元，利用量子态的叠加、纠缠和干涉等特性，并具有并行计算能力。将量子的态矢量表达引入遗传编码，利用量子逻辑门实现染色体的演化，可以解决遗传算法面临的迭代次数多、收敛速度慢、易陷入局部最优的现象。在量子计算机中，充当信息存储单元的物理介质是一个双态量子系统，称为量子比特。量子比特可以同时处在两个量子态的叠加态中,表示为如式(15)所示：
Figure BDA0003250071350000103
其中，|0>和|1>分别表示自旋向下和自旋向上态。所以一个量子比特可同时包含态|0>和|1>的信息。在量子遗传算法中，采用量子比特储存和表达一个基因，可以使基因包含所有可能的信息。同时使用量子比特编码，使得一个染色体可以同时表达多个态的叠加，使得量子遗传算法比经典遗传算法拥有更好的多样性特征。
设xi为当前染色体的第i位；besti为当前的最优染色体的第i位；f(x)为适应度函数，该调整策略是将个体q当前的测量值的适应度f(x)与当前该种群最优个体的适应度值f(besti)进行比较，如果f(x)＞f(besti)，则调整q中相应位量子比特，使得几率幅对(αi,βi)向着有利于xi出现的方向演化。
应用量子遗传算法，根据上述建立的目标函数、约束条件与可再生能源发电功率预测进行求解，以春夏秋冬四个典型日的数据为计算依据，得到四种典型日下不同的调度方法。
与现有技术相比，本发明具有如下优点：
(1)建立了火电机组发电成本计算模型、污染物治理成本模型，并引入弃风、弃光、弃水惩罚成本模型。
(2)在此基础上，建立了考虑循环流化床机组新运行工况的风-光-火优化调度模型。
(3)采用量子遗传算法，以系统总运行成本最小为优化目标进行求解，并在调度过程中充分权衡弃风、弃光的成本，可以更好地为高比例可再生能源并网情况下的电力系统多能源互补运行决策提供调度策略。

Claims (9)

1.一种风-光-水-火联合发电系统日前优化调度方法，其特征在于，包括如下步骤：
步骤S1、构建以风-光-水-火联合发电系统运行成本最低、燃煤火电机组的污染物治理费最低，弃风弃光量最低为目标的目标函数；
步骤S2、以风-光-水-火联合发电系统功率平衡、循环流化床机组出力约束、爬坡速率约束、风电上网功率、光伏上网功率作为风-光-水-火联合发电系统优化调度模型的约束条件；
步骤S3、对风电、光电的出力进行预测，考虑切出风速和切入风速，根据风速-功率特性曲线，进行风电机组出力预测，同时计算光伏阵列的输出功率，即计算光伏发电的输出功率；
步骤S4、利用量子遗传算法，分别对春、夏、秋、冬四个典型日的调度模型进行求解。
2.根据权利要求1所述的优化调度方法，其特征在于，所述步骤S1中，假设风、光、水运行成本为0，仅考虑火电成本，火电成本由火电机组运行成本、污染物惩罚成本与新能源弃电惩罚成本组成。
3.根据权利要求2所述的优化调度方法，其特征在于，所述风-光-水-火联合发电系统运行成本的目标函数如式(1)所示：
Figure FDA0003250071340000011
式中：f1为风-光-水-火联合发电系统运行成本；t为运行时段，t＝1,2,…,T；T为总运行时间段；zt1,zt2,zt3分别为第t时段内火电机组燃煤成本、污染物治理成本和弃电惩罚成本；
所述火电机组的运行成本为凸性非线性二次函数，表示为如式(2)所示：
Figure FDA0003250071340000021
式中：Ng为火电机组总数；ai,bi,ci分别为第i台机组的煤耗系数
Figure FDA0003250071340000029
为火电机组i在t时段的输出功率，w为煤价；
所述污染物惩罚成本指治理火电机组所排放的SO2、NOx、粉尘污染物所需的成本之和；
所述污染物惩罚成本zt2表示为如式(3)所示：
Figure FDA0003250071340000022
式中：
Figure FDA0003250071340000023
QYC,i——机组i的污染罚款成本，分别表示为如式(4)-(6)所示：
Figure FDA0003250071340000024
Figure FDA0003250071340000025
Figure FDA0003250071340000026
式中，q1、q2、q3分别为SO2、NOx和粉尘的单位惩罚成本，μ1、μ2和μ3分别为SO2、NOx和粉尘污染物的排放系数；
所述新能源弃电惩罚成本表示为弃风、弃光、弃水成本之和，表示为如式(7)所示：
Figure FDA0003250071340000027
式中：w、pv、h分别为风电、光伏、水电的编号；ξw、ξpv、ξh分别为风、光、水弃量的惩罚费用；
Figure 1
分别为t时段风电场、光伏电站、水电站的发电预测值；Pt w、Pt pv、Pt h分别为t时段风电场、光伏电站、水电站的调度计划发电量。
4.根据权利要求3所述的优化调度方法，其特征在于，火电机组燃烧每吨煤产生的SO2、NOx、粉尘排放量分别为0.000416吨、0.000476025吨、0.00077814吨，所对应的污染物惩罚成本单价分别为630元/吨、0.9977元/吨、0.9981元/吨。
5.根据权利要求1所述的优化调度方法，其特征在于，所述步骤S2中，首先保证风-光-水-火联合发电系统运行的负荷平衡约束，其中，火电出力约束由火电机组的出力上限和处理下限决定，爬坡速率根据机组变负荷速率决定。
6.根据权利要求5所述的优化调度方法，其特征在于，所述风-光-水-火联合发电系统运行的负荷平衡约束，表示为如式(8)所示：
Figure FDA0003250071340000031
式中：Pt D为t时段的负荷值；
所述循环流化床机组出力约束表示为如式(9)所示：
Figure FDA0003250071340000032
式中：
Figure FDA0003250071340000033
为第i台循环流化床机组出力下限；
Figure FDA0003250071340000034
为第i台循环流化床机组出力上限；
所述循环流化床机组爬坡速率约束表示为如式(10)所示：
Figure FDA0003250071340000035
式中：
Figure FDA0003250071340000036
为机组i在t时段内减载的速率限值，
Figure FDA0003250071340000037
为机组i在t时段内加载的速率限值；
所述风电约束条件设置为风电上网功率≤风电场最大预测出力，表示为如式(11)所示：
Figure FDA0003250071340000041
所述光伏约束条件设置为光伏上网功率≤光伏电站最大预测出力，表示为如式(12)所示：
Figure FDA0003250071340000042
7.根据权利要求1所述的优化调度方法，其特征在于，所述步骤S3中，风机输出功率特性考虑切出风速Wout和切入风速Win，风机输出功率与风速和风机的风速-功率特性曲线有关；当风速高于Win时，风机启动；当风速高于切出风速Wout时，风机停机；采用对数分布对风机的风速-功率特性曲线进行处理，用对数分布假设风速和距地高度的对数成正比，则表示为如式(13)所示：
Figure FDA0003250071340000043
式中：zhub为风机轮毂高度；zanem为风速测量点高度；z0为地表粗糙长度；v(zhub)为风机轮毂处的风速；v(zanem)为测量点风速；
所述光伏阵列的输出功率的计算如式(14)所示：
Figure FDA0003250071340000044
式中：fPV为光伏阵列降额因数，表示光伏实际输出功率与额定条件输出功率的比值，用于计及由于光伏板表面污渍、雨雪的遮盖以及光伏板自身老化所引起的损耗；PV,cap为光伏阵列的额定容量；IT为光照强度。
8.根据权利要求7所述的优化调度方法，其特征在于，所述fPV为0.9，IT为1kW/m2。
9.根据权利要求1所述的优化调度方法，其特征在于，所述步骤S4中，所述量子遗传算法是基于量子计算原理的一种遗传算法，其中，所述量子计算采用量子态作为基本的信息单元，利用量子态的叠加、纠缠和干涉特性，具有并行计算能力；所述量子遗传算法将量子态的矢量表达引入遗传编码，利用量子逻辑门实现染色体的演化；
在量子计算机中，充当信息存储单元的物理介质是一个被称为量子比特的双态量子系统；所述量子比特可同时处在两个量子态的叠加态中,表示为如式(15)所示：
Figure FDA0003250071340000051
其中，|0>和|1>分别表示自旋向下和自旋向上态，即一个量子比特可同时包含态|0>和|1>的信息；在所述量子遗传算法中，采用量子比特储存和表达一个基因，并使该基因包含所有可能的信息，同时使用量子比特编码，使得一个染色体同时表达多个态的叠加；
所述量子遗传算法的具体过程为：设xi为当前染色体的第i位，besti为当前的最优染色体的第i位，f(x)为适应度函数，个体q当前的测量值的适应度f(x)与当前该种群最优个体的适应度值f(besti)进行比较，如果f(x)＞f(besti)，则调整q中相应位量子比特，使得几率幅对(αi,βi)向着有利于xi出现的方向演化；
应用所述量子遗传算法，根据步骤S1所建立的目标函数、步骤S2所建立的约束条件与步骤S3所确定的风电、光电发电功率预测进行求解，分别以春、夏、秋、冬四个典型日的数据作为计算依据，得到四种典型日下所对应的不同的调度方法。
CN202111042926.3A 2021-09-07 2021-09-07 一种风-光-水-火联合发电系统日前优化调度方法 Pending CN113659638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111042926.3A CN113659638A (zh) 2021-09-07 2021-09-07 一种风-光-水-火联合发电系统日前优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111042926.3A CN113659638A (zh) 2021-09-07 2021-09-07 一种风-光-水-火联合发电系统日前优化调度方法

Publications (1)

Publication Number Publication Date
CN113659638A true CN113659638A (zh) 2021-11-16

Family

ID=78493592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111042926.3A Pending CN113659638A (zh) 2021-09-07 2021-09-07 一种风-光-水-火联合发电系统日前优化调度方法

Country Status (1)

Country Link
CN (1) CN113659638A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114243693A (zh) * 2021-12-20 2022-03-25 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备
CN114647191A (zh) * 2022-03-28 2022-06-21 华北电力大学 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法
CN115102237A (zh) * 2022-08-25 2022-09-23 华能山西综合能源有限责任公司 一种基于风电光伏系统的运行调度方法
WO2024041590A1 (zh) * 2022-08-25 2024-02-29 华能山西综合能源有限责任公司 一种风电光伏联合发电的功率控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN113205273A (zh) * 2021-05-20 2021-08-03 国网山西省电力公司经济技术研究院 一种计及区外电能交易的低碳化电源规划方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN113205273A (zh) * 2021-05-20 2021-08-03 国网山西省电力公司经济技术研究院 一种计及区外电能交易的低碳化电源规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴鸣;任学婧;周丹;苏剑;寇凌峰;梁惠施;: "新电改背景下产业园区供电系统容量优化配置方法", 电力系统自动化, no. 05, 14 November 2017 (2017-11-14), pages 8 - 14 *
张国斌;陈玥;张佳辉;唐宁宁;牛玉广;: "风-光-水-火-抽蓄联合发电系统日前优化调度研究", 太阳能学报, vol. 41, no. 08, 25 August 2020 (2020-08-25), pages 79 - 85 *
程启明;黄山;程尹曼;褚思远;杨小龙;: "基于改进型量子遗传算法的微网经济优化运行", 高压电器, vol. 54, no. 03, 16 March 2018 (2018-03-16), pages 136 - 145 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114243693A (zh) * 2021-12-20 2022-03-25 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备
CN114243693B (zh) * 2021-12-20 2023-06-27 南方电网数字电网研究院有限公司 微电网的调度模型构建方法、装置和计算机设备
CN114647191A (zh) * 2022-03-28 2022-06-21 华北电力大学 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法
CN115102237A (zh) * 2022-08-25 2022-09-23 华能山西综合能源有限责任公司 一种基于风电光伏系统的运行调度方法
WO2024041590A1 (zh) * 2022-08-25 2024-02-29 华能山西综合能源有限责任公司 一种风电光伏联合发电的功率控制方法

Similar Documents

Publication Publication Date Title
CN113659638A (zh) 一种风-光-水-火联合发电系统日前优化调度方法
CN109885009B (zh) 计及电转气规划的多能互补园区能源优化配置方法
CN112290592B (zh) 一种风光储联合发电系统的容量优化规划方法、系统及可读存储介质
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN107704978A (zh) 基于帕累托进化和vikor方法的电热经济调度方法
Venayagamoorthy et al. Energy dispatch controllers for a photovoltaic system
CN112069720A (zh) 一种综合能源系统及其运行优化方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN110994606A (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN111293718A (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
Ren et al. Analysis of the performance of the multi-objective hybrid hydropower-photovoltaic-wind system to reduce variance and maximum power generation by developed owl search algorithm
CN117040027A (zh) 一种农村虚拟电厂的协调优化方法和装置
CN112653195A (zh) 一种并网型微电网鲁棒优化容量配置方法
CN111967646A (zh) 一种虚拟电厂可再生能源优化配置方法
Welch et al. Comparison of two optimal control strategies for a grid independent photovoltaic system
CN111339474A (zh) 一种基于趋势预测分析法的综合能源系统预测运行方法
CN116485000A (zh) 基于改进的多元宇宙优化算法的微电网优化调度方法
CN114188942A (zh) 一种包含大规模新能源基地的电网调度方法
CN114069621A (zh) 计及多能源系统稳定性的多目标协同优化安全调度方法
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
CN112952914A (zh) 一种多能互补电力系统多目标运行优化方法
Micha et al. An intelligent photovoltaic power forecasting model based on bagged-boosted stack support vector regression with kernel linear
CN111987738A (zh) 一种微电网配置方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20231206

Address after: 100096 No. 2, Beinong Road, Huilongguan, Changping District, Beijing

Applicant after: NORTH CHINA ELECTRIC POWER University

Applicant after: HUANENG TAICANG POWER GENERATION Co.,Ltd.

Applicant after: Xi'an Thermal Power Research Institute Co.,Ltd.

Applicant after: Huaneng Group R&D Center Co., Ltd.

Address before: 102206 No. 2 Nong Road, Zhu Xin Zhuang, Beijing, Changping District

Applicant before: NORTH CHINA ELECTRIC POWER University

Applicant before: Xi'an Thermal Power Research Institute Co.,Ltd.

Applicant before: Huaneng Group R&D Center Co., Ltd.

TA01 Transfer of patent application right