CN113852069B - 一种含源荷不确定性的地区电网经济调度优化方法及系统 - Google Patents

一种含源荷不确定性的地区电网经济调度优化方法及系统 Download PDF

Info

Publication number
CN113852069B
CN113852069B CN202110683273.0A CN202110683273A CN113852069B CN 113852069 B CN113852069 B CN 113852069B CN 202110683273 A CN202110683273 A CN 202110683273A CN 113852069 B CN113852069 B CN 113852069B
Authority
CN
China
Prior art keywords
power
model
output
quantile
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110683273.0A
Other languages
English (en)
Other versions
CN113852069A (zh
Inventor
黄际元
邓铭
吴东琳
陈远扬
李靖
李俊雄
石彪
彭清文
王卓
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Changsha Power Supply Co of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Changsha Power Supply Co of State Grid Hunan Electric Power 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Changsha Power Supply Co of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110683273.0A priority Critical patent/CN113852069B/zh
Publication of CN113852069A publication Critical patent/CN113852069A/zh
Application granted granted Critical
Publication of CN113852069B publication Critical patent/CN113852069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种含源荷不确定性的地区电网调度优化方法及系统，本发明利用改进高斯拟合模型来进行场景生成，构建风电、光伏、负荷双侧不确定性的场景，结合分位数回归方法，根据不同地区调度需求，进行场景缩减；并考虑系统运行成本，构建区间目标函数与约束条件，优化目标函数为系统运行成本最小，以机组约束、启停约束、风光出力约束、潮流约束等约束作为约束条件，采用随机规划方法对模型进行求解，得到最终调度优化策略。

Description

一种含源荷不确定性的地区电网经济调度优化方法及系统
技术领域
本发明属于电力系统调度领域，具体涉及一种含源荷不确定性的地区电网经济调度优化方法。
技术背景
随着以风、光为主的新能源得到持续大规模开发，需求侧资源在电网运行中的角色愈加重要。电力系统高比例新能源特征愈加凸显，由于风点具有间歇性、随机性与反调峰性，以及负荷预测的不确定性，导致需求侧资源参与电网调度的不确定性日益增强，给电网安全稳定运行带来了巨大挑战。
电力系统中高比例新能源特征愈加凸显及需求侧资源角色愈发重要，风、光及负荷等方面的预测精度将直接关系到电力系统的优化调度。受到环境、天气等自然因素的影响，风、光等新能源出力难以用准确的概率分布进行描述。在对地区电网日前调度计划安排时，风、光和负荷等均需要通过预测方式得到，并且地区电网风光系统等具有一定的规模，对其进行精确预测存在一定的难度，风速的不确定、光照强度的改变、负荷需求与天气、经济等相关，均对随机变量产生影响，如何准确对风光、负荷等不确定性进行拟合是模型的关键。
场景法主要利用不确定变量的概率信息，生成大量确定的场景来代替原有不确定信息进行调度优化。其本质上是一种两阶段随机方法，目标函数具有单层结构，用场景来准确描述变量的不确定性，所包含的场景数量越多模型越精确，但如何产生精确的场景及对场景进行缩减将直接影响后续的模型精度。从现有场景缩减技术来看，通过概率方法或数据点之间"消息传递"概念的聚类算法进行场景缩减，但无法针对不同地区的调度需求来进行场景缩减，没有一种通用的缩减技术来满足不同地区调度需求。
因此，需要一种含源荷不确定性的地区电网经济调度优化方法，在制定电力系统调度方案时，可以满足不同地区调度需求，具有通用性。
发明内容
本发明的目的是，考虑面向地区电网源、荷不确定性的调度优化，首先利用高斯自回归模型拟合历史数据，并用自回归模型对预测误差进行拟合，对模型中的随机扰动项不需做任何分布的假定，得到不同场景；其次利用统计学中分位数回归原理，对不同分位数场景设置权重，根据调度需求进行场景缩减；最后建立随机规划地区电网调度优化模型，并进行求解。
为实现上述目的，本发明采用的技术方案是：
一方面，一种含源荷不确定性的地区电网调度优化方法，包括：
S1：获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
S2：模型场景分位数设置；
对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
S3：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
S4：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
S5：对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure GDA0003360046330000021
光伏输出功率/>
Figure GDA0003360046330000022
负荷功率/>
Figure GDA0003360046330000023
S6：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。
进一步地，所述各分位数下的各样本回归方程中回归参数优化模型为：
Figure GDA0003360046330000024
其中，pj＝yj+Xj Tβ表示各样本回归方程，pj和yj分别表示历史样本j的实际功率向量和预测功率向量，Xj表示场景缩减后的第j个样本的回归功率向量，功率向量包含风电输出功率、光伏输出功率以及负荷功率，Xj T为Xj的转置，β表示回归方程中的回归参数，ρr(u)为检验对象为u的检验函数，
Figure GDA0003360046330000025
r表示分位数。
进一步地，风光出力较大的地区电网中，功率模型的分位数设置为高分位数，取值在[0.9，1]之间，且高分位数的功率模型数量取值≥2/3R；在风光出力不足的地区电网中，功率模型的分位数设置为低分位数，取值在[0，0.1]之间，且低分位数的模型数量取值≥2/3R；R表示分位数个数。
进一步地，利用高斯自回归拟合模型对各类历史数据样本进行拟合，且在拟合过程中引入日变化量，得到各种场景下的风电输出功率、光伏输出功率以及负荷功率的拟合模型；
Figure GDA0003360046330000026
其中，Phn(k)表示某类别功率在第k个时间段的拟合模型，
Figure GDA0003360046330000031
表示某类别功率的拟合模型在第k个时间段输出的功率预测误差值与功率预测值的比值，h的取值包括w、s以及D，分别表示风电、光伏以及负荷；
X(k)′＝X(k)+μ(k)，
Figure GDA0003360046330000032
ε(k)～N(0,1)，/>
Figure GDA0003360046330000033
和/>
Figure GDA0003360046330000034
表示自回归模型参数，ε(k)表示服从正态分布的随机噪声，NT为调度周期，W(·)为S形变换函数，由分段线性逼近表示，μ(b)为一天中第b个时间步长的累加项，即日变化量，b＝k modNT。
进一步地，采用自回归滑动平均模型对各类别功率的拟合模型输出的功率预测误差进行估计，获得各类别功率预测误差模型：
Figure GDA0003360046330000035
其中，p、q分别为各类别功率预测误差模型自回归阶数；αa、βb为各类别功率预测误差模型参数，基于历史数据样本采用最小二乘法估计得到；
Figure GDA0003360046330000036
和/>
Figure GDA0003360046330000037
是服从均值为0，方差为ξ2的高斯分布白噪声。
利用各类别功率预测误差模型获得各样本的功率预测值；
进一步地，考虑不同地区对优化模型的要求，通过将风电、光伏及负荷的不确定性用场景法进行表示，目标函数为：
目标函数：
Figure GDA0003360046330000038
Figure GDA0003360046330000039
式中：T、Ng、R分别为调度总时长、机组总数及分位数个数；ωr为分位数r的权重，所有分位数的权重之和为1；Pgi,t表示t时段第i个机组的出力，ai、bi、ci分别为第i个机组成本系数，fgi(·)表示机组启停成本函数，用指数函数进行表示，将其离散化表示；
Figure GDA00033600463300000310
表示第i个机组在t时刻的启停状态，1表示运行，0表示停止。
分位数个数与缩减后的场景数量相同；
进一步地，分位数的权重设置方式如下：
Figure GDA0003360046330000041
其中，r1、r2、r3…rR依次表示第1、2、3…R个分位数值。
进一步地，在S6中，所述约束条件为：
1)功率平衡约束
Figure GDA0003360046330000042
式中，Nw、Ns、Pwk,t、Psm,t、PD,t分别为风电机组数、光伏机组数、t时刻第k个风电机组出力、t时刻第m个光伏机组出力、t时刻的负荷需求值，其中k∈Nw、m∈Ns；
2)发电机组出力约束
Pgi,min≤Pgi,t≤Pgi,max
式中，Pgi,min、Pgi,max分别为第i个机组的最小出力值、最大出力值；
3)发电机组爬坡约束
Figure GDA0003360046330000043
式中，
Figure GDA0003360046330000044
分别为第i个机组的上爬坡速率、下爬坡速率；
4)发电机组启停时间约束
Figure GDA0003360046330000045
式中，Tgi,t,on、Tgi,on,min、Tgi,t,off、Tgi,off,min分别为机组i在t时刻开机时间、最小开机时间、关机时间、最小关机时间；
5)各个场景风光出力约束
Figure GDA0003360046330000051
式中，Pwk,max、Psm,max表示风电最大出力值、光伏最大出力值；
6)潮流约束
Figure GDA0003360046330000052
式中，-PL,max、PL,max分别为电网传输线路L的功率潮流下限、上限。
进一步地，根据聚类数目来设置分位数个数，具体过程如下：
1)获取各时段的风电输出功率、光伏输出功率以及负荷功率的历史数据样本；
2)初始化聚类中心个数K的上下限参数Kmax，Kmin，以及设定阈值η；
3)计算各个样本中每个功率数据点到聚类中心Kmin的欧式距离：
Figure GDA0003360046330000053
式中，Pj为样本数据中第j个样本的功率值，PPj为样本数据的聚类中心的功率值；
4)将计算得到的距离值进行比较，以距离最小重新更新聚类中心及聚类数目；
5)计算所有样本点与聚类中心点之间的距离之和SSR，判断SSR贡献度是否小于阈值η；
Figure GDA0003360046330000054
Figure GDA0003360046330000055
6)若SSR贡献度μ大于阈值η，K＝K+1，重复3)-5)；若K大于Kmax，则跳出循环；在所有分类均完成的情况下，选择μ最小时的K作为聚类数目。
另一方面，一种含源荷不确定性的地区电网调度优化系统，包括：
拟合模块：用于获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
模型场景分位数设置模块：用于对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
回归参数优化模型构建模块：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
回归参数求解模块：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
场景缩减模块：用于对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure GDA0003360046330000061
光伏输出功率/>
Figure GDA0003360046330000062
负荷功率/>
Figure GDA0003360046330000063
最优功率控制模块：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。
有益效果
与现有技术相比，本发明所述技术方案具有如下优点：
1、相比于传统场景法，能够更加准确的反映实际不确定性，利用分位数回归方法，根据实际调度需求对场景进行缩减，提高模型的计算效率及实用性；
2、将分位数回归纳入电力系统不确定性场景调度中，可以满足不同地区的调度需求，准确反映实际情况，同时模型及求解方法具有一定的通用性；
3、所提方法可为未来能源互联网调度中，面对新能源及负荷的双侧不确定性，提供一种有效可行的技术手段，具有一定的实用价值及推广意义。
附图说明
图1为本发明实施例所述方法的流程示意图。
具体实施方式
下面结合本发明的附图1，对本发明的具体实施方案进行清楚、完整地描述，显然，所描述的实施案例仅仅是本发明的一部分实施案例，而不是全部的实施案例。基于本发明中的实施案例，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。
一种含源荷不确定性的地区电网调度优化方法，如图1所示，包括：
S1：获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
利用高斯自回归拟合模型对各类历史数据样本进行拟合，且在拟合过程中引入日变化量，得到各种场景下的风电输出功率、光伏输出功率以及负荷功率的拟合模型；
Figure GDA0003360046330000071
其中，Phn(k)表示某类别功率在第k个时间段的拟合模型，
Figure GDA0003360046330000072
表示某类别功率的拟合模型在第k个时间段输出的功率预测误差值与功率预测值的比值，h的取值包括w、s以及D，分别表示风电、光伏以及负荷；X(k)′＝X(k)+μ(k)；
由高斯自回归模型AR(2)过程进行拟合，以每个小时为时间步长，其标准化水平可表示为(以风电为例进行说明)：
Figure GDA0003360046330000073
其中，X(k)表示标准化风能，
Figure GDA0003360046330000074
和/>
Figure GDA0003360046330000075
表示自回归模型参数，其可以利用Yule–Walker方程得到：
Figure GDA0003360046330000076
ci＝E[X(k)E(k-1)]
Figure GDA0003360046330000077
式中c1、c2表示Yule–Walker方程系数，
Figure GDA0003360046330000078
σ表示自回归时间序列中随机高斯增量的标准偏差。
ε(k)表示服从正态分布的随机噪声，NT为调度周期，W(·)为S形变换函数，由分段线性逼近表示，μ(b)为一天中第b个时间步长的累加项，即日变化量，b＝k mod NT。
采用自回归滑动平均模型对各类别功率的拟合模型输出的功率预测误差进行估计，获得各类别功率预测误差模型：
Figure GDA0003360046330000079
其中，p、q分别为各类别功率预测误差模型自回归阶数；αa、βb为各类别功率预测误差模型参数，基于历史数据样本采用最小二乘法估计得到；
Figure GDA00033600463300000710
和/>
Figure GDA00033600463300000711
是服从均值为0，方差为ξ2的高斯分布白噪声。
利用各类别功率预测误差模型获得各样本的功率预测值；
S2：模型场景分位数设置；
对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
风光出力较大的地区电网中，功率模型的分位数设置为高分位数，取值在[0.9，1]之间，且高分位数的功率模型数量取值≥2/3R；在风光出力不足的地区电网中，功率模型的分位数设置为低分位数，取值在[0，0.1]之间，且低分位数的模型数量取值≥2/3R；R表示分位数个数。
出力较大为超过光伏、风电等额定功率大小的2/3，出力较小为低于光伏、风电等额定功率大小的1/3。
根据聚类数目来设置分位数个数，具体过程如下：
1)获取各时段的风电输出功率、光伏输出功率以及负荷功率的历史数据样本；
2)初始化聚类中心个数K的上下限参数Kmax，Kmin，以及设定阈值η；
3)计算各个样本中每个功率数据点到聚类中心Kmin的欧式距离：
Figure GDA0003360046330000081
式中，Pj为样本数据中第j个样本的功率值，PPj为样本数据的聚类中心的功率值；
4)将计算得到的距离值进行比较，以距离最小重新更新聚类中心及聚类数目；
5)计算所有样本点与聚类中心点之间的距离之和SSR，判断SSR贡献度是否小于阈值η；
Figure GDA0003360046330000082
Figure GDA0003360046330000083
若SSR贡献度μ大于阈值η，K＝K+1，重复3)-5)；若K大于Kmax，则跳出循环；在所有分类均完成的情况下，选择μ最小时的K作为聚类数目。
S3：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
所述各分位数下的各样本回归方程中回归参数优化模型为：
Figure GDA0003360046330000084
其中，pj＝yj+Xj Tβ表示各样本回归方程，pj和yj分别表示历史样本j的实际功率向量和预测功率向量，Xj表示场景缩减后的第j个样本的回归功率向量，功率向量包含风电输出功率、光伏输出功率以及负荷功率，Xj T为Xj的转置，β表示回归方程中的回归参数，ρr(u)为检验对象为u的检验函数，
Figure GDA0003360046330000091
r表示分位数。
在某一分位数值下，将分位数值代入优化模型，将m组场景均代入优化模型进行求解，得到在这m组场景中使得优化模型最小，此时在某一分位数下，使得优化模型J最小的情况所对应的功率值X即为缩减后的一组场景；
S4：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
S5：对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure GDA0003360046330000092
光伏输出功率/>
Figure GDA0003360046330000093
负荷功率/>
Figure GDA0003360046330000094
S6：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。
考虑不同地区对优化模型的要求，通过将风电、光伏及负荷的不确定性用场景法进行表示，目标函数为：
目标函数：
Figure GDA0003360046330000095
Figure GDA0003360046330000096
式中：T、Ng、R分别为调度总时长、机组总数及分位数个数；ωr为分位数r的权重，所有分位数的权重之和为1；Pgi,t表示t时段第i个机组的出力，ai、bi、ci分别为第i个机组成本系数，fgi(·)表示机组启停成本函数，用指数函数进行表示，将其离散化表示；
Figure GDA0003360046330000097
表示第i个机组在t时刻的启停状态，1表示运行，0表示停止。
分位数个数与缩减后的场景数量相同；
分位数的权重设置方式如下：
Figure GDA0003360046330000101
其中，r1、r2、r3…rR依次表示第1、2、3…R个分位数值。
所述约束条件为：
1)功率平衡约束
Figure GDA0003360046330000102
式中，Nw、Ns、Pwk,t、Psm,t、PD,t分别为风电机组数、光伏机组数、t时刻第k个风电机组出力、t时刻第m个光伏机组出力、t时刻的负荷需求值，其中k∈Nw、m∈Ns。
2)发电机组出力约束
Pgi,min≤Pgi,t≤Pgi,max
式中，Pgi,min、Pgi,max分别为第i个机组的最小出力值、最大出力值。
3)发电机组爬坡约束
Figure GDA0003360046330000103
式中，
Figure GDA0003360046330000104
分别为第i个机组的上爬坡速率、下爬坡速率。
4)发电机组启停时间约束
Figure GDA0003360046330000105
式中，Tgi,t,on、Tgi,on,min、Tgi,t,off、Tgi,off,min分别为机组i在t时刻开机时间、最小开机时间、关机时间、最小关机时间；
5)各个场景风光出力约束
Figure GDA0003360046330000111
式中，Pwk,max、Psm,max表示风电最大出力值、光伏最大出力值；
6)潮流约束
Figure GDA0003360046330000112
式中，-PL,max、PL,max分别为电网传输线路L的功率潮流下限、上限。
基于上述方法，本发明实施例还提供一种含源荷不确定性的地区电网调度优化系统，包括：
拟合模块：用于获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
模型场景分位数设置模块：用于对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
回归参数优化模型构建模块：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
回归参数求解模块：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
场景缩减模块：用于对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure GDA0003360046330000113
光伏输出功率/>
Figure GDA0003360046330000114
负荷功率/>
Figure GDA0003360046330000115
最优功率控制模块：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种含源荷不确定性的地区电网调度优化方法，其特征在于，包括：
S1：获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
S2：模型场景分位数设置；
对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
S3：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
S4：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
S5：对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure FDA0003123543190000015
光伏输出功率/>
Figure FDA0003123543190000016
负荷功率/>
Figure FDA0003123543190000017
S6：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。
2.根据权利要求1所述的方法，其特征在于，所述各分位数下的各样本回归方程中回归参数优化模型为：
Figure FDA0003123543190000011
其中，
Figure FDA0003123543190000012
β表示各样本回归方程，pj和yj分别表示历史样本j的实际功率向量和预测功率向量，Xj表示场景缩减后的第j个样本的回归功率向量，功率向量包含风电输出功率、光伏输出功率以及负荷功率，/>
Figure FDA0003123543190000013
为Xj的转置，β表示回归方程中的回归参数，ρr(u)为检验对象为u的检验函数，/>
Figure FDA0003123543190000014
r表示分位数。
3.根据权利要求1所述的方法，其特征在于，风光出力较大的地区电网中，功率模型的分位数设置为高分位数，取值在[0.9，1]之间，且高分位数的功率模型数量取值≥2/3R；在风光出力不足的地区电网中，功率模型的分位数设置为低分位数，取值在[0，0.1]之间，且低分位数的模型数量取值≥2/3R；R表示分位数个数。
4.根据权利要求1中所述的方法，其特征在于，利用高斯自回归拟合模型对各类历史数据样本进行拟合，且在拟合过程中引入日变化量，得到各种场景下的风电输出功率、光伏输出功率以及负荷功率的拟合模型；
Figure FDA0003123543190000021
其中，Phn(k)表示某类别功率在第k个时间段的拟合模型，
Figure FDA0003123543190000022
表示某类别功率的拟合模型在第k个时间段输出的功率预测误差值与功率预测值的比值，h的取值包括w、s以及D，分别表示风电、光伏以及负荷；
X(k)′＝X(k)+μ(k)，
Figure FDA0003123543190000023
ε(k)～N(0,1)，/>
Figure FDA0003123543190000024
和/>
Figure FDA0003123543190000025
表示自回归模型参数，ε(k)表示服从正态分布的随机噪声，NT为调度周期，W(·)为S形变换函数，由分段线性逼近表示，μ(b)为一天中第b个时间步长的累加项，即日变化量，b＝kmodNT。
5.根据权利要求4所述的方法，其特征在于，采用自回归滑动平均模型对各类别功率的拟合模型输出的功率预测误差进行估计，获得各类别功率预测误差模型：
Figure FDA0003123543190000026
其中，p、q分别为各类别功率预测误差模型自回归阶数；αa、βb为各类别功率预测误差模型参数，基于历史数据样本采用最小二乘法估计得到；
Figure FDA00031235431900000210
和/>
Figure FDA00031235431900000211
是服从均值为0，方差为ξ2的高斯分布白噪声。
6.根据权利要求1中所述的方法，其特征在于，考虑不同地区对优化模型的要求，通过将风电、光伏及负荷的不确定性用场景法进行表示，目标函数为：
目标函数：
Figure FDA0003123543190000027
Figure FDA0003123543190000028
式中：T、Ng、R分别为调度总时长、机组总数及分位数个数；ωr为分位数r的权重，所有分位数的权重之和为1；Pgi,t表示t时段第i个机组的出力，ai、bi、ci分别为第i个机组成本系数，fgi(·)表示机组启停成本函数，用指数函数进行表示，将其离散化表示；
Figure FDA0003123543190000029
表示第i个机组在t时刻的启停状态，1表示运行，0表示停止。
7.根据权利要求6中所述的方法，其特征在于，分位数的权重设置方式如下：
Figure FDA0003123543190000031
其中，r1、r2、r3…rR依次表示第1、2、3…R个分位数值。
8.根据权利要求1中所述的一种含源荷不确定性的地区电网经济调度优化方法，其特征在于，在S6中，所述约束条件为：
1)功率平衡约束
Figure FDA0003123543190000032
式中，Nw、Ns、Pwk,t、Psm,t、PD,t分别为风电机组数、光伏机组数、t时刻第k个风电机组出力、t时刻第m个光伏机组出力、t时刻的负荷需求值，其中k∈Nw、m∈Ns；
2)发电机组出力约束
Pgi,min≤Pgi,t≤Pgi,max
式中，Pgi,min、Pgi,max分别为第i个机组的最小出力值、最大出力值；
3)发电机组爬坡约束
Figure FDA0003123543190000033
式中，
Figure FDA0003123543190000034
分别为第i个机组的上爬坡速率、下爬坡速率；
4)发电机组启停时间约束
Figure FDA0003123543190000035
式中，Tgi,t,on、Tgi,on,min、Tgi,t,off、Tgi,off,min分别为机组i在t时刻开机时间、最小开机时间、关机时间、最小关机时间；
5)各个场景风光出力约束
Figure FDA0003123543190000041
式中，Pwk,max、Psm,max表示风电最大出力值、光伏最大出力值；
6)潮流约束
Figure FDA0003123543190000042
式中，-PL,max、PL,max分别为电网传输线路L的功率潮流下限、上限。
9.根据权利要求1所述的方法，其特征在于，根据聚类数目来设置分位数个数，具体过程如下：
1)获取各时段的风电输出功率、光伏输出功率以及负荷功率的历史数据样本；
2)初始化聚类中心个数K的上下限参数Kmax，Kmin，以及设定阈值η；
3)计算各个样本中每个功率数据点到聚类中心Kmin的欧式距离：
Figure FDA0003123543190000043
式中，Pj为样本数据中第j个样本的功率值，PPj为样本数据的聚类中心的功率值；
4)将计算得到的距离值进行比较，以距离最小重新更新聚类中心及聚类数目；
5)计算所有样本点与聚类中心点之间的距离之和SSR，判断SSR贡献度是否小于阈值η；
Figure FDA0003123543190000044
Figure FDA0003123543190000045
6)若SSR贡献度μ大于阈值η，K＝K+1，重复3)-5)；若K大于Kmax，则跳出循环；在所有分类均完成的情况下，选择μ最小时的K作为聚类数目。
10.一种含源荷不确定性的地区电网调度优化系统，其特征在于，包括：
拟合模块：用于获取历史数据样本，并进行模型拟合；
所述历史数据样本包含各时段的风电输出功率、光伏输出功率以及负荷功率；采用拟合模型对各类历史数据样本进行拟合，得到不同场景下不同时段下的风电输出功率模型Pwn(k)、光伏输出功率模型Psn(k)以及负荷功率模型PDn(k)；
模型场景分位数设置模块：用于对各类模型按照场景数量进行模型所属场景的分位数个数和分位数值进行设置；
回归参数优化模型构建模块：依据各样本回归方程，构建各分位数下的各样本回归方程中回归参数优化模型；
回归参数求解模块：根据设置的不同分位数值，利用最小二乘法求解回归参数和回归向量功率；
场景缩减模块：用于对所生成的不同场景下的风电输出功率、光伏输出功率以及负荷功率，利用回归参数，代入回归方程进行场景缩减，得到各场景不同分位点下不同时段的各类功率模型：风电输出功率
Figure FDA0003123543190000051
光伏输出功率/>
Figure FDA0003123543190000052
负荷功率/>
Figure FDA0003123543190000053
最优功率控制模块：基于设置的调度成本目标函数与调度约束条件，对缩减后的场景功率模型进行求解，得到风电输出功率、光伏输出功率、负荷功率的最优调度策略。
CN202110683273.0A 2021-06-21 2021-06-21 一种含源荷不确定性的地区电网经济调度优化方法及系统 Active CN113852069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110683273.0A CN113852069B (zh) 2021-06-21 2021-06-21 一种含源荷不确定性的地区电网经济调度优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683273.0A CN113852069B (zh) 2021-06-21 2021-06-21 一种含源荷不确定性的地区电网经济调度优化方法及系统

Publications (2)

Publication Number Publication Date
CN113852069A CN113852069A (zh) 2021-12-28
CN113852069B true CN113852069B (zh) 2023-07-14

Family

ID=78973073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683273.0A Active CN113852069B (zh) 2021-06-21 2021-06-21 一种含源荷不确定性的地区电网经济调度优化方法及系统

Country Status (1)

Country Link
CN (1) CN113852069B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116780658B (zh) * 2023-08-17 2023-11-10 国网浙江省电力有限公司金华供电公司 考虑源-荷双侧不确定性的多能互补优化调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008034532A1 (de) * 2008-02-20 2009-08-27 Repower Systems Ag Windkraftanlage mit Umrichterregelung
CN101752903A (zh) * 2009-11-27 2010-06-23 清华大学 一种时序递进式电力调度方法
CN102163845A (zh) * 2011-04-21 2011-08-24 哈尔滨工业大学 基于功率矩法的分布式电源优化配置方法
CN103870700A (zh) * 2014-03-24 2014-06-18 国家电网公司 一种基于两点估计法的配电网静态电压稳定概率评估方法
CN104408317A (zh) * 2014-12-02 2015-03-11 大连理工大学 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112131212A (zh) * 2020-09-29 2020-12-25 合肥城市云数据中心股份有限公司 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN112510747A (zh) * 2020-11-27 2021-03-16 国网湖南省电力有限公司 高压直流馈入的功率调节时间点选取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160211664A1 (en) * 2013-08-26 2016-07-21 Robert Bosch Gmbh Dispatch Controller for an Energy System
US10139800B2 (en) * 2015-03-05 2018-11-27 Regents Of The University Of Minnesota Decentralized optimal dispatch of photovoltaic inverters in power distribution systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008034532A1 (de) * 2008-02-20 2009-08-27 Repower Systems Ag Windkraftanlage mit Umrichterregelung
CN101752903A (zh) * 2009-11-27 2010-06-23 清华大学 一种时序递进式电力调度方法
CN102163845A (zh) * 2011-04-21 2011-08-24 哈尔滨工业大学 基于功率矩法的分布式电源优化配置方法
CN103870700A (zh) * 2014-03-24 2014-06-18 国家电网公司 一种基于两点估计法的配电网静态电压稳定概率评估方法
CN104408317A (zh) * 2014-12-02 2015-03-11 大连理工大学 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112131212A (zh) * 2020-09-29 2020-12-25 合肥城市云数据中心股份有限公司 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN112510747A (zh) * 2020-11-27 2021-03-16 国网湖南省电力有限公司 高压直流馈入的功率调节时间点选取方法

Also Published As

Publication number Publication date
CN113852069A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN111626506A (zh) 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统
Park et al. Predictive model for PV power generation using RNN (LSTM)
CN109840633B (zh) 光伏输出功率预测方法、系统和存储介质
CN110880789A (zh) 一种风电、光伏联合发电系统经济调度方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN110729764A (zh) 一种含光伏发电系统的优化调度方法
CN111525552B (zh) 一种基于特征信息的三阶段短期风电场群功率预测方法
CN102479347A (zh) 基于数据驱动的风电场短期风速预测方法和系统
CN114757427A (zh) 自回归修正的lstm智能风电场超短期功率预测方法
CN114648176A (zh) 一种基于数据驱动的风光电源消纳优化方法
CN113852069B (zh) 一种含源荷不确定性的地区电网经济调度优化方法及系统
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN116526469A (zh) 一种水风光互补系统长期随机动态调度方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN115765044B (zh) 风光水电系统联合运行及风险分析方法和系统
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN114676866A (zh) 基于误差修正的负荷日前预测修正方法、设备和存储介质
CN113537575B (zh) 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
Li et al. Short-term Wind Power Forecast based on Teleconnected NWP Information
CN117833300B (zh) 一种基于智能配电设备的储能容量配置方法

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