CN113725904A - 考虑老化发电机组退役的电网转型方法、装置及设备 - Google Patents
考虑老化发电机组退役的电网转型方法、装置及设备 Download PDFInfo
- Publication number
- CN113725904A CN113725904A CN202111004765.9A CN202111004765A CN113725904A CN 113725904 A CN113725904 A CN 113725904A CN 202111004765 A CN202111004765 A CN 202111004765A CN 113725904 A CN113725904 A CN 113725904A
- Authority
- CN
- China
- Prior art keywords
- power
- generator set
- generator
- model
- decommissioning
- 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
Links
- 238000011426 transformation method Methods 0.000 title claims abstract description 24
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 113
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 95
- 230000009466 transformation Effects 0.000 claims abstract description 89
- 230000032683 aging Effects 0.000 claims abstract description 61
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 230000007704 transition Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 53
- 238000010248 power generation Methods 0.000 claims description 36
- 238000012423 maintenance Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000009434 installation Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000013256 coordination polymer Substances 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 239000013535 sea water Substances 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 30
- 239000000243 solution Substances 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 239000003245 coal Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/381—Dispersed generators
-
- 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
- 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
- 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
- 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)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种考虑老化发电机组退役的电网转型方法、装置、设备及介质，首先获取电网的转型相关运行参数，其次根据转型相关运行参数构建电网转型过渡模型，然后根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件，最后根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。采用本发明实施例，能够在综合考虑老化发电机组的退役风险、碳排放等因素的基础上，通过对构建的电网转型过渡模型进行算法优化，得到考虑了老化发电机组的电网转型优选策略，以为电力系统的CFPP的退役做好前期的准备工作。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种考虑老化发电机组退役的电网转型方法、装置、设备及介质。
背景技术
现有的电力系统正在面临发电机老化和高碳排放的问题。以澳大利亚为例，四分之三的燃煤电厂(Coal-Fired Power Plants，CFPP)的运行寿命超过了设计寿命；大约35％的温室气体排放来自电力部门。因此，为了实现联合国巴黎协定和可持续发展目标，电力系统应该确立明确的低碳电网转型计划。
由于传统燃煤发电机组在大多数国家的电力供应中占最大份额，也是碳排放最高的，因此，老化的燃煤发电厂机组的退役对低碳电网转型具有重要意义。但是，本发明人在实施本发明的过程中发现，现有技术中存在以下技术问题：如果大量老化的燃煤发电厂在短时间内不协调地退出，电网可能会出现严重的供应或储备短缺，并且一般需要数年时间才能完成更换过程。此外，新工厂的选址、资源评估和安装等的整个更换过程通常需要数年时间。显然，如果电力系统没有为CFPP的退役做好充分的准备，电力系统将面临巨大风险。
发明内容
本发明提供一种考虑老化发电机组退役的电网转型方法、装置、设备及介质，能够在综合考虑老化发电机组的风险、碳排放等因素的基础上，通过对构建的电网转型过渡模型进行算法优化，得到考虑了老化发电机组的电网转型优选策略。
为实现上述目的，本发明实施例提供了一种考虑老化发电机组退役的电网转型方法，包括以下步骤：
获取电网的转型相关运行参数；
根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据预设概率密度公式来预测转型的不确定性因素；
根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件；
根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
本发明另一实施例对应提供了一种考虑老化发电机组退役的电网转型装置，包括：
电网运行参数获取模块，用于获取电网的转型相关运行参数；
转型过渡模型构建模块，用于根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据概率密度公式来预测转型的不确定性因素；
优化目标和约束条件构建模块，用于根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件；
电网转型策略获取模块，用于根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
本发明另一实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的考虑老化发电机组退役的电网转型方法。
本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的考虑老化发电机组退役的电网转型方法。
与现有技术相比，本发明实施例提供的一种考虑老化发电机组退役的电网转型方法、装置、设备及介质，解决了现有技术中未充分考虑老化燃煤发电厂的退役因素而在短时间内不协调退出，使电力系统面临巨大风险的问题，能够在综合考虑老化发电机组的退役风险、碳排放等因素的基础上，通过对构建的电网转型过渡模型进行算法优化，得到考虑了老化发电机组的电网转型优选策略，以为电力系统的CFPP的退役做好前期的准备工作。
附图说明
图1是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的流程示意图；
图2是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的框架结构示意图；
图3是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的输入数据的数值分布示意图。
图4是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的改进的IEEE 24总线RTS系统的连线示意图；
图5是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的24个节点在参考年的分配碳排放与碳强度的数值分布示意图；
图6是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的实例0、1、2的最优解的数值分布示意图；
图7是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的实例3的最优解的数值分布示意图；
图8～图11分别是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的实例0～3的可再生资源年发电量的数值分布示意图；
图12是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的应用实例中的从负荷侧分配年度碳排放量数值分布示意图；
图13是本发明实施例提供的一种考虑老化发电机组退役的电网转型装置的结构示意图。
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，所描述的实施例仅仅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。
参见图1，是本发明实施例提供的一种考虑老化发电机组退役的电网转型方法的流程示意图，所述方法包括步骤S11至步骤S14：
S11、获取电网的转型相关运行参数。
S12、根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据预设概率密度公式来预测转型的不确定性因素。
S13、根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件。
S14、根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
可以理解的，参见图2，是本发明实施例提供的一种电网转型过渡模型的框架结构示意图，由于大多数国家的传统燃煤发电机组是在电力供应中占最大份额，也是碳排放最高的，因此，老化的燃煤电厂的退役对低碳电网转型具有重要意义，而为了实现可持续发展目标，现代电力系统需要实现低碳转型。而在现有的研究中，传统的电力系统规划研究只关注现有电力系统的扩建。例如，有前人为了满足n-K安全标准下的可再生能源目标，提出了两阶段可再生能源发电和输电扩展规划模型。在低碳规划研究方面，有人提出了低碳发电扩张规划模型，制定了碳交易机制和减排目标；有人提出了电、气系统间的低碳协同规划模型。此外，有前人从消费者角度分析了输电规划问题中的碳排放流(Carbon EmissionFlow，CEF)模型。然而，这些长期规划研究忽略了现有CFPP的现状，在系统中老化的CFPP可能导致规划策略的误导性结果。一旦进入使用寿命末期，CFPP的运行性能就会逐渐下降。因此，扩建规划研究不能忽视老龄化问题，系统扩建与现有CFPP退役应相辅相成。
在现有的CFPP退役研究中，一般设定一定的退役年龄。比如有人提出，燃煤机组一旦达到规定的退役年龄就要被迫退役。虽然置换过程可以提前进行，但由于退役日期不优化，该方法可能导致扩建规划研究的次优决策。提前退役可以显著降低碳排放，然而，这可能会导致资本投入的浪费。相反，延迟退役可以保持制度准备金水平，推迟新一代投资，但是，发电效率、停电率和维护成本可能高于正常运行状态。后来有人研究了考虑新一代投资和现有一代退役不确定性的鲁棒输电扩张策略，但其目标仅关注系统总成本。虽然在后来人设计的模型中将发电退役作为规划问题，但替代发电机为常规发电机，在气候变化的背景下并不适合未来电力系统。
而与现有技术相比，本发明实施例提供了一种考虑老化发电机组退役的电网转型方法，解决了现有技术中未充分考虑老化燃煤发电厂的退役因素而在短时间内不协调退出，使电力系统面临巨大风险的问题，能够在综合考虑老化发电机组的退役风险、碳排放等因素的基础上，通过对构建的电网转型过渡模型进行算法优化，得到考虑了老化发电机组的电网转型优选策略，以为电力系统的CFPP的退役做好前期的准备工作。
作为上述方案的改进，所述老化发电机组退役模型用于根据机组退役成本测算公式来预测机组的退役成本，其中，所述退役成本测算公式具体为：
其中，CFPP的退役成本主要包括处理成本和回收成本。老化CFPP的处理成本包括发电机、锅炉、控制系统的拆除、结构拆除等，回收成本是回收设备和工厂土地的收益，可以部分补偿处置成本。
需要说明的是，救助费用cs会因老化而减少。如果
则发电机退役；如果
则发电机保持工作。且
则可以保证发电机在退役决策后的数年内退役状态。
所述老化发电机组退役模型用于根据机组维护成本测算公式来预测机组的维护成本，其中，所述机组维护成本测算公式具体为：
需要说明的是，随着发电机性能逐渐下降，维护频率增加，老化CFPP的维护成本逐年增加，一旦发电机退役，就不会发生维修费用。
所述老化发电机组退役模型用于根据机组停运率测算公式来预测机组的停运率，其中，所述机组停运率测算公式具体为：
可以理解的是，在传统的电力系统规划研究中，无论发电机的使用年限如何，停电率都是恒定的。然而，忽视老化故障必然会导致对系统风险的低估。我们假设发电机故失败率沿浴缸曲线，则老化的CFPP处于磨损阶段，故障率会逐年上升。
需要说明的是，一旦老化的发电机退役，故障率变为零。
所述老化发电机组退役模型用于根据机组碳排放测算公式来预测机组的碳排放强度，其中，所述机组碳排放测算公式具体为：
可以理解的是，传统上，发电机的碳排放强度设定为常数，这对于老化的CFPP来说是不合适的，因为其热效率逐年下降。热效率与发射强度成反比，因此，排放强度相应增加。
需要说明的是，如果该单位退役，则排放强度为零。
其中，ΩC为燃煤电厂集合，
ORi,y、ρi,y分别为发电机i在第y年的退役成本、维护费用、停运率、碳排放强度，
分别为y-1、y年份的退役/安装的二元决策变量，cn、cs分别为退役发电机卸装费、报废发电机救助费，rrt、rm、rf、re分别为救助费的年递减率、维修费用的年增长率、每年停电率的增长率、发电机碳排放强度的增长率，Li为发电机i的年龄，Pi cap为发电机i的额定容量，ε为救助费的贴现率，
分别为在参考年的维修费用、正常运行阶段的停机率、发电机i在参考年的碳排放强度。
值得说明的是，通过构建一种低碳电网转型过渡模型，权衡决策是在成本、风险、碳排放三个相互冲突的目标之间进行，能够有助于规划老化的火力发电厂退役和可再生能源电厂的安装和网络扩容。
作为上述方案的改进，所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率，包括：
所述可再生发电模型用于分别根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式、潮汐能发电厂输出功率来分别预测风能发电厂输出功率、太阳能发电厂输出功率、潮汐能发电厂输出功率，并根据所述风能发电厂输出功率、所述太阳能发电厂输出功率和所述潮汐能发电厂输出功率，得到可再生能源发电厂的输出功率。
可以理解的是，电网规模的可再生能源发电厂，包括风能、太阳能和潮汐能发电厂，是替代CFPP的候选项目。由于VRE(Variable Renewable Energy，可变可再生能源)的不同技术具有不同的特点，如潮场的投资成本高于风能和太阳能，而潮汐能由于潮汐的周期性运动，预测误差较小，因此相对更具有可预测性。
所述风能发电厂输出功率计算公式具体为：
其中，
是由Weibull分布求得，
为风力涡轮机的数量，它决定了风电场的规模。
所述太阳能发电厂输出功率计算公式具体为：
其中，Ht服从Beta分布，光伏场面积
取决于决定了光伏场的规模。
所述潮汐能发电厂输出功率计算公式具体为：
其中，采用非参数核密度估计方法对潮汐速度进行建模。
其中，
分别为风力发电厂i在时刻t的输出功率、太阳能发电厂i在时刻t的输出功率、潮汐发电厂i在时刻t的输出功率，
为风力涡轮机的数量，
分别为位置i的最大风力和潮汐轮机数，
分别为风电场、潮汐电场的额定功率，
为在时刻t的风速和潮汐速度，
分别为风力涡轮机的切入速度、额定速度，Ht为太阳照射时间，
为光伏场已安装的区域，eP为光伏板的转换效率，
为场地i的最大面积，CP为发电能力系数，ρ为海水的密度，B为涡轮叶片掠过面积，
为潮汐流涡轮机的数量。
进一步的，根据所述风能发电厂输出功率、所述太阳能发电厂输出功率和所述潮汐能发电厂输出功率，得到可再生能源发电厂的输出功率，具体为：
将所述风能发电厂输出功率、所述太阳能发电厂输出功率和所述潮汐能发电厂输出功率相加，即可得到可变可再生能源(VRE)的总输出功率，表达式为：
作为上述方案的改进，未来电力系统的风险不仅来自传统的部件意外事故，也来自天气条件的突然变化。VRE的大波动也可以被认为是一种偶然性。因此，提出了一种新的风险指标来量化电力系统的风险考虑概率和不同类型的意外事件，包括传统的系统部件停电和VRE预测误差。采用发电重调度和减负荷等纠偏控制措施恢复电力系统安全。其中，可再生能源预测误差校正控制风险指标(A Corrective Control Risk Index ForRenewable Power Forecast Errors，ECRI)的表达式为：
但是，系统组件停电可能与VRE电源输出错误同时发生，因此。将ECRI升级为NRI(Novel Risk Index，新型风险指数)，表达式为：
其中，NRI为风险指标，ΩK、ΩE、ΩG分别为一系列系统偶发事件、可变可再生能源预测误差集、除可变可再生能源发电机外的机组，Pk、Pe分别为发生故障k的可能性、预测误差e的概率，ECRIe,k为在第k个偶发事件下的可再生能源的预测误差，ECRIe为可再生能源的预测误差，CCe为在预测有误差的情况下的纠正控制成本，αi为成本系数，Pi,e、Pi,0分别为参照发电机i正常状态下的输出功率和可再生预测误差情况，β为惩罚系数。
需要说明的是，，其中NRI是一个创新的风险指标，该指标可以对电力系统的风险进行评估，提高了具有VRE预测误差的常规系统突发事件，它分为两部分：第一部分是可再生能源预测有误差和系统中断情况下的校正控制。在第二部分中，系统组件处于正常运行状态，风险仅来自于VRE预测误差k。
需要说明的是，如果将设αi＝0，则模型将转变回传统的可靠性研究。并通过以下表达式计算出电量不足期望值(Expected energy not served，EENS)，即正常状态和偶发事件下的不足电量之和。
其中，
是指在意外事件e和k期间的切负荷，
是指正常状态下的切负荷。
作为上述方案的改进，所述机组不确定性模型用于根据预设概率密度公式来预测转型的不确定性因素，具体包括：
使用概率密度函数(Probability Density Function，PDF)来描述不确定性的随机性质。其中，风速、停电率等参数均基于真实数据源中的历史数据，根据PDF用蒙特卡罗模拟随机生成不同的场景，同时，PDF的参数将在每个阶段进行调整，电力需求水平模型采用高斯分布。另外，线路和发电机故障的模型采用二项分布和正态分布，风速、太阳照射和潮汐速度分别采用Weibull分布、Beta分布和非参数核密度估计方法建模。并且，除了MC仿真之外，还可以采用其他方法生成场景，如多元仿真、Taguchi正交阵列测试等，从而更好地减少计算负担。
目前的电力系统是以煤为主，碳排放高。为了实现未来面向可再生能源的低碳电力系统，成本、风险、碳排放都是做出转型决策的重要因素，CFPP退役、VRE扩建和基于碳流的输电升级是实现低碳电力转型的主要组成部分。则优化目标函数包括成本优化目标函数、电力系统风险优化目标函数、碳排放优化目标函数；
所述成本优化目标函数的表达式为：
其中，上式计算了多年来总成本的净现值，包括输电和可再生发电投资成本、运营成本、维护成本和退役成本。即：
所述电力系统风险优化目标函数的表达式为：
所述碳排放优化目标函数的表达式为：
其中，ΩL、ΩR、ΩC、ΩD分别为所有线路的集合、可再生能源发电机的集合、燃煤电厂的集合、负载节点集合，
分别为在线路ij上输电的成本、老化火电厂在第y年的退役成本现值，
分别为第y年输电线路ij的退役/安装的二元决策、第y-1年输电线路ij的退役/安装的二元决策、第y年可再生能源发电机的退役/安装的二元决策、第y-1年可再生能源发电机的退役/安装的二元决策，ε为救助费的贴现率，ai、bi、ci均为发电机成本系数，
为发电机i在第y年t时刻的输出功率，NRIt,y为第y年t时刻的NRI值，Ri,t,y为第i个负载节点在第y年t时刻的碳排放总量，Y为y的最大取值，T为t的最大取值。
需要说明的是，本发明有三个优化目标：目标1使总成本最小，目标2使电力系统风险最小，目标3是使需求侧碳排放总量最小，即：
min f＝[f1(x),f2(x),f3(x)]T
作为上述方案的改进，在正常情况下，蒙特卡罗仿真的每个场景中，三个目标函数都受到以下约束条件的约束，包括：功率平衡约束条件、发电机容量约束条件、可再生能源发电约束条件、电压约束条件、碳强度约束条件、电网约束条件和爬坡约束条件；
所述功率平衡约束条件的表达式为：
所述发电机容量约束条件的表达式为：
所述可再生能源发电约束条件的表达式为：
所述线路的潮流约束条件的表达式为：
所述电压约束条件的表达式为：
Vi min≤Vi,t,y≤Vi maxi∈ΩN
所述碳强度约束条件的表达式为：
所述电网约束条件的表达式为：
所述爬坡约束条件的表达式为：
其中，i指第i个，t表示时刻，y表示年数，上角标G表示发电机，ij和ji表示线路，上角标R表示可再生能源发电，上角标D表示负载，P表示输出功率，Q表示无功输出功率，V表示电压，S表示潮流，ρ表示碳排放强度，N为当前正在遍历的元素的最大值。例如：
为发电机i在第y年t时刻的输出功率；Gij、Bij分别为线路ij的电导和电纳，θij,t为电角度，
为退役/安装的二元决策，
为线路ij的最大潮流，
为发电机i在第y年t时刻的可再生能源的碳排放强度，
ΩN分别为一套动力注入线、所有可再生能源节点的集合，EmG,t,y为常规发电机在第y年t时刻的碳排放量，EmD,t,y为在第y年t时刻的需求侧虚拟碳排放量，
为来自电网的排放损耗，Yii为在常规条件下节点i的新的自导纳，yi为在常规条件下节点i的旧的自导纳，Yij为在常规条件下节点i到节点j的新的互导纳，
为在常规条件下的节点i到节点j的旧的互导纳，γij为新电路的导纳，Pi G,up、Pi G,down分别为发电机在总线i上的功率上下界。
作为上述方案的改进，根据本发明中的联合风险指数模型，列出了应急条件下的约束。包括：
其中，k和e代表权变条件下的变量，上标curt代表削减(curtailment)，上标D表示正常状态下，
是指在意外事件e和k期间的切负荷，Pi D,cur是指正常状态下的切负荷，EENSmax为电量不足期望的最大值，yi,k为在突发事件k下新导纳矩阵Yii,k的第i行，
为在突发事件k下的旧的互导纳矩阵Yij,k的元素，
为节点i在突发事件e和k下的功率，Pi,0为节点i在正常情况下的功率。
需要说明的是，通过对不同参数的上标下标进行组合，可以清晰直观的得到参数对应代表的含义，例如：
为发电机i在第y年t时刻的输出功率，因此，对于每一个参数的含义在此就不作赘述。
作为上述方案的改进，所述根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略，具体包括：
预设目标优化算法主要步骤为：
第一步：初始化种群。个体Ci＝[Ci1,Ci2,…,CiD]，其中每个元素为一个决策变量值。它满足在下界为：Bl＝[Bl1,Bl2,…,BlD]以及上界为：Bu＝[Bu1,Bu2,…,BuD]的可行域中。
第二步：子种群的初始化。种群的个体被分配到多个子种群中，用非支配排序法找到非支配个体集合PS。这些拥有最优的待优化目标值，即最优的总成本、风险以及碳排放的NS个个体是子种群的领导者。
第三步：个体随机变异。如果个体不属于任何一个子种群，那么它以概率
进入任意一个子种群。对于一个属于某个子种群的个体，它以概率
离开子种群。其中θS为标准化后的子种群S的质量。xS为当前在子种群S中的能力为CpS的个体数。标准化质量的衡量策略见下式：
θs＝Eu(fit(Ss),fbase)
其中，Eu表示欧氏距离计算函数。Ss为子种群S的位置，fit()表示适应度评价函数，它等于子种群个体在非支配排序后处于第一层的个数，即非支配解的个数。fbase表示基准适应度，即最小的适应度值(等于第(NS+1)个最小的适应度值)。下式计算了子种群个体适应度和基准适应度之间的欧氏距离。当变异后目标函数值有所改善时，个体将会吸纳该变异。
第四步：子种群更新。新的子种群信息在种群迁移后被更新。
第五步：终止进化。第二步到第四步将会反复迭代直至满足进化终止条件，如最大进化代数。
第六步：解的选择。我们采用模糊满足妥协方法，利用下面两个式子对所有可行解进行排序：
其中xk表示第k个解，是一个存储了该个体的所有决策变量值的行向量，且xk∈PS。d表示第d个待优化目标，所述待优化目标即为上述的三个优化目标，
和
分别为当前的所有解中第d个待优化目标的最大和最小值，θk是一个向量，元素θd,k表示标准化后的第k个解的第d个目标函数值，且θd,k在0和1之间，M为解的总数，N为目标总数。
需要说明的是，通过对所有解的因子进行排序，对应的解的满意因子最大的成为最佳决策。同时，为了提高计算效率，我们对预设目标优化算法中的候选迁移个体进行了识别，通过将高排放节点连接到VRE区域选择候选个体，更好地实现低碳转型。
为了进一步体现本发明提供的一种考虑老化发电机组退役的电网转型方法所达到的技术效果，下面结合本发明的发明人在研发过程中以一个改进的IEEE24总线RTS系统和一个改进的IEEE 118总线系统上测试上所提出的低碳电网转型策略的生成的应用实例来对本发明作进一步说明：
为简化计算，将5年合并为一个过渡阶段；新安装和退役假定在每个阶段的第一年完成；整个转型周期为20年(分4个阶段)。设置输电线路的停电率为0.01。电力需求数据来自澳大利亚能源市场运营商，风速，太阳辐照度是基于历史数据，潮汐速度数据来自位置在塔斯马尼亚东北海岸。这些输入数据的直方图和概率密度函数如图3所示。CFPP的退役成本数据和可再生能源发电厂的投资成本数据收集自AEMO和英联邦科学与工业研究组织。
A.IEEE 24总线RTS(Real-Time System，实时系统)系统实例研究
图4显示了改进的IEEE 24总线RTS系统。VRE的潜在位置被假定为位于VRE区域的高可再生资源(总线15、16、22、23)。
基于CEF(碳排放流模型)模型计算24个节点在参考年的分配碳排放和碳强度，如图5所示。由图5可知，采用CFPP的节点具有较高的碳强度，其中，节点13虽然碳强度不是最高的，但由于能耗高，其分配碳排放量最高。因此，不同总线的分配碳排放量受节点碳强度和该总线的电力需求的影响。根据碳排放分配情况，选择8条备选220kV交流输电线路，将高排放负荷与可再生能源区连接，包括(12-23)；(13-23)；(20-23)；(15-24)；(15-21)；(16-17)；(16-14)；(11-22)。这些候选者将在转换期间使用更改的系统拓扑在以下阶段进行更新。
然后通过以下四个方法实例验证了本发明所提出的低碳电网转型模型：
实例0：使用传统的无CFPP退役的多目标能源转型规划模型。
实例1：使用考虑CFPP退役的多目标能源转型规划模型。但他们的退役条件被简化了，决定于它们的设计寿命。
实例2：使用我们所提出的多目标能源转型规划模型，协调和优化了老龄化的CFPP退役和置换。
实例3：使用一个多目标的能源转型规划模型，没有碳排放约束和碳目标(即成本和风险的冲突目标)。
其中，实例0、1、2的帕累托边界和折衷解如图6所示。总体而言，与考虑CFPP退役的实例相比，实例0的帕累托边界在风险、总成本和碳排放方面具有更高的水平。所提出模型的权衡集(实例2)比其他实例更具竞争力，特别是在总成本和碳排放方面。图7显示了实例3的帕累托前沿和折衷解决方案，很明显，总成本和系统风险是相互冲突的目标，其中，图7中箭头所指向的并非是单一的点，而是用箭头指向一组点的集合。6条新的输电线路和400兆瓦的可再生能源发电能力已经安装。在实例1中，在第1阶段建造两条输电线路，以平衡电力需求的轻微增长。在接下来的过渡期间，614MW的老化CFPP退役，1700MW VRE电厂服役。在实例2中，769MW CFPP被淘汰，2000MW VRE进入系统。在实例2的最后阶段，VRE与低压负荷中心之间连接两条传输线，以补偿1号总线152mw CFPP的报废。在实例3中，在过渡过程中只有两个老化的CFPP退役，并安装了900MW的VRE。它忽视了碳目标和约束导致CFPP退出和VRE安装决策较少，不能满足低碳转型的目标。
通过计算四个电力网络过渡方法实例下的折中解决方案，与传统方法(实例0)相比，本发明所提出的模型(实例2)的总成本、风险和碳排放分别降低了2.4％、43.2％和44.7％。因此，从三个方面来看，推广所有CFPP的运行既不现实，也不理想。与实例1相比，所提模型(实例2)的碳排放和总成本较低，但系统风险略高于实例1，但仍满足可靠性约束中讨论的可靠性标准，同时，实例2找出最优退役发电机及其最优退役时间，使电网过渡更具竞争力。与实例1和实例2相比，因为CFPP退役和VRE安装决策较少，导致对现有系统的投资较少，所以实例3的成本和风险水平更低。然而，忽视碳目标和约束导致碳排放增加，不利于未来的低碳可持续发展。因此，由于考虑CFPP退役计划的模型(实例2)更适合低碳电网转型，其不仅考虑了成本，而且考虑了风险和碳排放。
另外，四种实例的年发电量构成如图8-11所示。很明显，在不退役(Case 0)的情况下，传统煤炭发电占发电量的比例最大，而VRE所占比例最低。在实例1中，第一阶段未发生退电，VRE机组未安装，因此煤机组发电量在第一阶段随需求增长而增加。而在接下来的几个阶段中，随着退役，CFPP的产生减少，大量的VRE进入系统。VRE在老龄CFPP退役后发挥着重要作用。最优退役情况下，整个过渡过程后的煤炭发电量最低，可再生能源发电量最高。煤炭发电在四个阶段显著减少，这些出口容量由VRE的组合来补偿。
2039年煤炭年发电量低于VRE年发电量，实现低碳电转型。在实例3中，转型期间年煤炭发电量略有下降，转型后仍以煤炭发电为主。成本和风险的权衡决定导致较少的CFPP退役和VRE安装决策。因此，碳排放仍处于较高水平。
在所提模型(实例2)中，转型过程中需求侧分配的碳排放如图12所示。碳排放结果是由模型的三个待优化目标中的第3个目标函数值得到，优化结果取帕累托前沿中的任意一个点。其中，各需求节点分配的碳排放量在转型过程中有所减少。10、13、20等高排放节点的排放量显著下降，因为新的输电线路将这些节点与可再生能源区连接起来，并且CFPP退役了。
B.IEEE 118总线系统实例研究
为了分析该方法的可扩展性，在一个改进的IEEE 118总线系统上对该模型进行了测试。选择10台燃煤发电机组作为退役候选者，运行年龄在30～50岁之间。总线36、77、69、49、12和100是VRE连接的候选者，具有良好的可再生能源。选取第四节A中的Case 0和Case2，并加入Case 4分析CEF模型的优势。
实例4：使用一种协调和优化CFPP老龄化、退役和置换的多目标能源转型规划模型。不考虑CEF模型和基于CEF的候选传输线选择。
在实例2中，不同类型的可再生能源组合和输电线路的安装补偿了从废弃的CFPP获得的电力。实例2中有7个老化的CFPP退役，2300兆瓦可再生能源，在过渡期间安装了8条新的输电线路。
与实例2相比,实例4具有较低的风险和较低的切负荷，因为候选者关注的是超载线路，提出的模型显示了成本方面的竞争力(减少4.94％)和碳减排的有效性(减少17.59％)。虽然实例2的风险高于实例4，但仍然满足可靠性标准。因此，该模型在低碳电网转型中具有更强的竞争力。
参见图13，是本发明实施例提供的一种考虑老化发电机组退役的电网转型装置的结构示意图，包括：
电网运行参数获取模块131，用于获取电网的转型相关运行参数；
转型过渡模型构建模块132，用于根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据概率密度公式来预测转型的不确定性因素；
优化目标和约束条件构建模块133，用于根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件；
电网转型策略获取模块134，用于根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
与现有技术相比，本发明实施例公开的一种考虑老化发电机组退役的电网转型方法，通过。采用本发明实施例，能够。
与现有技术相比，本发明实施例提供的一种考虑老化发电机组退役的电网转型装置，通过电网运行参数获取模块131获取电网的转型相关运行参数，通过转型过渡模型构建模块132构建电网转型过渡模型，通过优化目标和约束条件构建模块133构建优化目标函数和所述优化目标函数的约束条件，通过电网转型策略获取模块134得到考虑老化发电机组退役的电网转型策略。采用本发明实施例，解决了现有技术中未充分考虑老化燃煤发电厂的退役因素而在短时间内不协调退出，使电力系统面临巨大风险的问题，能够在综合考虑老化发电机组的退役风险、碳排放等因素的基础上，通过对构建的电网转型过渡模型进行算法优化，得到考虑了老化发电机组的电网转型优选策略，以为电力系统的CFPP的退役做好前期的准备工作。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的考虑老化发电机组退役的电网转型方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种考虑老化发电机组退役的电网转型方法，其特征在于，包括以下步骤：
获取电网的转型相关运行参数；
根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据预设概率密度公式来预测转型的不确定性因素；
根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件；
根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
2.根据权利要求1所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度，包括：
所述老化发电机组退役模型用于根据机组退役成本测算公式来预测机组的退役成本，其中，所述退役成本测算公式具体为：
所述老化发电机组退役模型用于根据机组维护成本测算公式来预测机组的维护成本，其中，所述机组维护成本测算公式具体为：
所述老化发电机组退役模型用于根据机组停运率测算公式来预测机组的停运率，其中，所述机组停运率测算公式具体为：
所述老化发电机组退役模型用于根据机组碳排放测算公式来预测机组的碳排放强度，其中，所述机组碳排放测算公式具体为：
其中，ΩC为燃煤电厂集合，
ORi，y、ρi，y分别为发电机i在第y年的退役成本、维护费用、停运率、碳排放强度，
分别为y-1、y年份的退役/安装的二元决策变量，cn、cs分别为退役发电机卸装费、报废发电机救助费，rrt、rm、rf、re分别为救助费的年递减率、维修费用的年增长率、每年停电率的增长率、发电机碳排放强度的增长率，Li为发电机i的年龄，Pi cap为发电机i的额定容量，ε为救助费的贴现率，
fi 0、
分别为在参考年的维修费用、正常运行阶段的停机率、发电机i在参考年的碳排放强度。
3.根据权利要求1所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率，包括：
所述可再生发电模型用于分别根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式、潮汐能发电厂输出功率来分别预测风能发电厂输出功率、太阳能发电厂输出功率、潮汐能发电厂输出功率，并根据所述风能发电厂输出功率、所述太阳能发电厂输出功率和所述潮汐能发电厂输出功率，得到可再生能源发电厂的输出功率。
4.根据权利要求3所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述风能发电厂输出功率计算公式具体为：
所述太阳能发电厂输出功率计算公式具体为：
其中，
所述潮汐能发电厂输出功率计算公式具体为：
其中，
分别为风力发电厂i在时刻t的输出功率、太阳能发电厂i在时刻t的输出功率、潮汐发电厂i在时刻t的输出功率，
为风力涡轮机的数量，
分别为位置i的最大风力和潮汐轮机数，
分别为风电场、潮汐电场的额定功率，
为在时刻t的风速和潮汐速度，
分别为风力涡轮机的切入速度、额定速度，Ht为太阳照射时间，
为光伏场已安装的区域，eP为光伏板的转换效率，
为场地i的最大面积，CP为发电能力系数，ρ为海水的密度，B为涡轮叶片掠过面积，
为潮汐流涡轮机的数量。
5.根据权利要求1所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述联合风险指标公式具体为：
其中，NRI为风险指标，ΩK、ΩE、ΩG分别为一系列系统偶发事件、可变可再生能源预测误差集、除可变可再生能源发电机外的机组，Pk、Pe分别为发生故障k的可能性、预测误差e的概率，ECRIe，k为在第k个偶发事件下的可再生能源的预测误差，ECRIe为可再生能源的预测误差，CCe为在预测有误差的情况下的纠正控制成本，αi为成本系数，Pi，e、Pi，0分别为参照发电机i正常状态下的输出功率和可再生预测误差情况，β为惩罚系数。
6.根据权利要求2至5中任一项所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述优化目标函数包括成本优化目标函数、电力系统风险优化目标函数、碳排放优化目标函数；
所述成本优化目标函数的表达式为：
所述电力系统风险优化目标函数的表达式为：
所述碳排放优化目标函数的表达式为：
其中，ΩL、ΩR、ΩC、ΩD分别为所有线路的集合、可再生能源发电机的集合、燃煤电厂的集合、负载节点集合，
分别为在线路ij上输电的成本、老化火电厂在第y年的退役成本现值，
分别为第y年输电线路ij的退役/安装的二元决策、第y-1年输电线路ij的退役/安装的二元决策、第y年可再生能源发电机的退役/安装的二元决策、第y-1年可再生能源发电机的退役/安装的二元决策，ε为救助费的贴现率，ai、bi、ci均为发电机成本系数，
为发电机i在第y年t时刻的输出功率，NRIt，y为第y年t时刻的NRI值，Ri，t，y为第i个负载节点在第y年t时刻的碳排放总量，Y为y的最大取值，T为t的最大取值。
7.根据权利要求6所述的考虑老化发电机组退役的电网转型方法，其特征在于，所述优化目标函数的约束条件包括功率平衡约束条件、发电机容量约束条件、可再生能源发电约束条件、电压约束条件、碳强度约束条件、电网约束条件和爬坡约束条件；
所述功率平衡约束条件的表达式为：
所述发电机容量约束条件的表达式为：
所述可再生能源发电约束条件的表达式为：
所述线路的潮流约束条件的表达式为：
所述电压约束条件的表达式为：
Vi min≤Vi，t，y≤Vi maxi∈ΩN
所述碳强度约束条件的表达式为：
所述电网约束条件的表达式为：
所述爬坡约束条件的表达式为：
其中，i指第i个，t表示时刻，y表示年数，上角标G表示发电机，ij和ji表示线路，上角标R表示可再生能源发电，上角标D表示负载，P表示输出功率，Q表示无功输出功率，V表示电压，S表示潮流，ρ表示碳排放强度，N为当前正在遍历的元素的最大值。例如：
为发电机i在第y年t时刻的输出功率；Gij、Bij分别为线路ij的电导和电纳，θij，t为电角度，
为退役/安装的二元决策，
为线路ij的最大潮流，
为发电机i在第y年t时刻的可再生能源的碳排放强度，
ΩN分别为一套动力注入线、所有可再生能源节点的集合，EmG，t，y为常规发电机在第y年t时刻的碳排放量，EmD，t，y为在第y年t时刻的需求侧虚拟碳排放量，
为来自电网的排放损耗，Yii为在常规条件下节点i的新的自导纳，yi为在常规条件下节点i的旧的自导纳，Yij为在常规条件下节点i到节点j的新的互导纳，
为在常规条件下的节点i到节点j的旧的互导纳，γij为新电路的导纳，Pi G，up、Pi G，down分别为发电机在总线i上的功率上下界。
8.一种考虑老化发电机组退役的电网转型装置，其特征在于，包括：
电网运行参数获取模块，用于获取电网的转型相关运行参数；
转型过渡模型构建模块，用于根据所述转型相关运行参数构建电网转型过渡模型；其中，所述电网转型过渡模型包括老化发电机组退役模型、可再生发电模型、联合风险指数模型和机组不确定性模型；所述老化发电机组退役模型用于分别根据机组退役成本测算公式、机组维护成本测算公式、机组停运率测算公式、机组碳排放测算公式来分别预测机组的退役成本、维护成本、停运率、碳排放强度；所述可再生发电模型用于根据风能发电厂输出功率计算公式、太阳能发电厂输出功率计算公式和潮汐能发电厂输出功率计算公式来预测可再生能源发电厂的输出功率；所述联合风险指数模型用于根据联合风险指标公式来预测电力系统风险；所述机组不确定性模型用于根据概率密度公式来预测转型的不确定性因素；
优化目标和约束条件构建模块，用于根据所述电网转型过渡模型构建综合考虑成本、电力系统风险、碳排放总量的优化目标函数和所述优化目标函数的约束条件；
电网转型策略获取模块，用于根据预设目标优化算法和所述约束条件对所述优化目标函数进行求解，得到考虑老化发电机组退役的电网转型策略。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的考虑老化发电机组退役的电网转型方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004765.9A CN113725904B (zh) | 2021-08-30 | 2021-08-30 | 考虑老化发电机组退役的电网转型方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004765.9A CN113725904B (zh) | 2021-08-30 | 2021-08-30 | 考虑老化发电机组退役的电网转型方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113725904A true CN113725904A (zh) | 2021-11-30 |
| CN113725904B CN113725904B (zh) | 2023-11-24 |
Family
ID=78679165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004765.9A Active CN113725904B (zh) | 2021-08-30 | 2021-08-30 | 考虑老化发电机组退役的电网转型方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113725904B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123596A (zh) * | 2014-07-30 | 2014-10-29 | 南方电网科学研究院有限责任公司 | 一种考虑可再生能源的电源优化规划方法 |
| CN104573867A (zh) * | 2015-01-15 | 2015-04-29 | 中国南方电网有限责任公司电网技术研究中心 | 一种电网规划方案节能与经济运行评估体系 |
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
| CN111260185A (zh) * | 2020-01-08 | 2020-06-09 | 重庆大学 | 退役电动汽车电池作为大规模储能的发输电系统运行可靠性评估方法 |
| CN112163711A (zh) * | 2020-10-10 | 2021-01-01 | 湘南学院 | 一种基于mopso/cc的综合能源系统优化调度方法 |
-
2021
- 2021-08-30 CN CN202111004765.9A patent/CN113725904B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123596A (zh) * | 2014-07-30 | 2014-10-29 | 南方电网科学研究院有限责任公司 | 一种考虑可再生能源的电源优化规划方法 |
| CN104573867A (zh) * | 2015-01-15 | 2015-04-29 | 中国南方电网有限责任公司电网技术研究中心 | 一种电网规划方案节能与经济运行评估体系 |
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
| CN111260185A (zh) * | 2020-01-08 | 2020-06-09 | 重庆大学 | 退役电动汽车电池作为大规模储能的发输电系统运行可靠性评估方法 |
| CN112163711A (zh) * | 2020-10-10 | 2021-01-01 | 湘南学院 | 一种基于mopso/cc的综合能源系统优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓世聪;周荣林;章彬;陈法池;: "综合系统可靠性评估和效益成本分析的电力设备退役更新策略研究", 科技创新与应用, no. 35 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113725904B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bessa et al. | Handling renewable energy variability and uncertainty in power system operation | |
| Shen et al. | Low-carbon electricity network transition considering retirement of aging coal generators | |
| Elsied et al. | Optimal economic and environment operation of micro-grid power systems | |
| Hozouri et al. | On the use of pumped storage for wind energy maximization in transmission-constrained power systems | |
| CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
| Ma et al. | Scenario-based multiobjective decision-making of optimal access point for wind power transmission corridor in the load centers | |
| Pudjianto et al. | Grid integration cost of photovoltaic power generation | |
| Holttinen et al. | Steps for a complete wind integration study | |
| CN115456304A (zh) | 考虑台风影响的海上风电场可靠性指标计算方法及装置 | |
| Maity et al. | Optimal sizing and placement of wind farm in a radial distribution network considering reliability, operational, economic and environmental factors | |
| Sperstad et al. | Cost-benefit analysis of battery energy storage in electric power grids: Research and practices | |
| Zhang et al. | Boosting the power grid resilience under typhoon disasters by coordinated scheduling of wind energy and conventional generators | |
| Koeppel et al. | Using storage devices for compensating uncertainties caused by non-dispatchable generators | |
| Fonte et al. | Net load forecasting in presence of renewable power curtailment | |
| Morais et al. | Integration of renewable energy in smart grid | |
| CN115618616A (zh) | 一种源、网、荷资源的混合储能可靠性评估模型构建方法 | |
| CN113725904A (zh) | 考虑老化发电机组退役的电网转型方法、装置及设备 | |
| Yan | Gestion énergétique sous incertitude: Application à la planification et à l'allocation de réserve dans un micro réseau électrique urbain comportant des générateurs photovoltaïques actifs et du stockage | |
| Azmi | Grid interaction performance evaluation of BIPV and analysis with energy storage on distributed network power management | |
| Holttinen et al. | Recommendations for wind integration studies | |
| Yao et al. | Design of short-term dispatch strategy to maximize income of a wind power-energy storage generating station | |
| Hashimoto et al. | Optimal operation of fuel cell and electrolyzer in household hybrid system by stochastic programming | |
| Sarkar | Minding the P's and Q's: Real and reactive power assessment of hybrid energy conversion systems with wind and solar resources | |
| Awad | Novel planning and market models for energy storage systems in smart grids | |
| Sachs et al. | Combined probabilistic and set-based uncertainties for a stochastic model predictive control of island energy systems |
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 |