CN114069692B - 用于求解电力调度问题的联合机会约束优化方法及装置 - Google Patents
用于求解电力调度问题的联合机会约束优化方法及装置 Download PDFInfo
- Publication number
- CN114069692B CN114069692B CN202111210095.6A CN202111210095A CN114069692B CN 114069692 B CN114069692 B CN 114069692B CN 202111210095 A CN202111210095 A CN 202111210095A CN 114069692 B CN114069692 B CN 114069692B
- Authority
- CN
- China
- Prior art keywords
- constraint
- random variable
- opportunity
- opportunity constraint
- joint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005315 distribution function Methods 0.000 claims abstract description 50
- 230000001186 cumulative effect Effects 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 15
- 239000006185 dispersion Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- 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
- H02J3/38—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
- H02J2203/20—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
- H02J2300/28—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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于求解电力调度问题的联合机会约束优化方法及装置,包括:建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;通过预先设置的风险水平的权重,将联合机会约束拆分成多个单一机会约束;其中,单一机会约束与随机变量一一对应;通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;根据每个随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个随机变量的累积分布函数;通过每个随机变量的累积分布函数,将与该随机变量对应的单一机会约束转化为确定性约束;将每个确定性约束输入至求解器中进行求解,得到电力优化调度结果,能够有效提高电力优化调度结果的准确性且操作简单。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种用于求解电力调度问题的联合机会约束优化方法、装置及存储介质。
背景技术
新能源具有随机性和间歇性的特点,大规模新能源并网对电力系统中的运行调度提出了更高的要求。多区域电力系统的新能源出力呈多维随机变量的形式,随机规划是求解含随机变量最优化问题的一种有力手段,研究能够求解含多维随机变量最优化问题的随机规划方法,对电力系统安全稳定运行具有重要意义。
随机规划需要利用一定数量的典型场景对随机变量的概率分布进行描述。机会约束是随机规划的重要分支,它属于嵌套式的概率约束,无法采用常规的确定性约束方法直接求解。机会约束分为联合机会约束和单一机会约束,联合机会约束形式复杂难以求解,求解联合机会约束之前要先把它转换为确定性约束,转换方法主要分为模拟转换法和解析性转换法。
以文献“A microgrid energy management system based on chance-constrained stochastic optimization and big data analytics”为例,模拟方法虽然应用广泛,且易于实现,但其所得到的确定性约束存在计算时间长、拟合精度低等缺点,在解决含多维随机变量的联合机会约束问题仍需继续探索。为了解决模拟法的缺点,学者提出了解析性转换方法,传统的解析性转换方法假设随机变量的概率分布服从已知的概率分布,例如文献“Multi-objective distributed generation planning in distributionnetwork considering correlations among uncertainties”提出的一种机会约束模型,假设风速服从威布尔分布,光伏出力服从贝塔分布,负荷不确定性服从高斯分布,但是这种假设不够准确,实际的随机变量不一定总是服从某一已知概率分布。此外,文献“ADistributionally Robust Chance-Constrained MILP Model for MultistageDistribution System Planning with Uncertain Renewables and Loads”提出一种分布式鲁棒优化的重构方法,通过假定随机变量服从某些可能的分布,将含单维随机变量的单一机会约束模型转化为二阶段优化问题然后转化为确定性优化问题,但是当随机变量为高维时,这种重构方法转换过程变得非常复杂,而且不一定能转换为可解的凸问题。
综上,现有的联合机会约束转化方法,随机变量服从已知的概率分布不够准确,已知的概率分布和真实分布之间可能存在较大误差,将联合机会约束转换为确定性约束的方法繁琐复杂,不利于新能源电力调度问题中联合机会约束的求解。
发明内容
本发明实施例提供一种用于求解电力调度问题的联合机会约束优化方法、装置及存储介质,能够提高联合机会约束转化为确定性约束的准确性,从而有效提高电力调度优化结果的准确性且操作简单。
为实现上述目的,本发明实施例提供了一种用于求解电力调度问题的联合机会约束优化方法,包括:
建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;
将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。
作为上述方案的改进,所述联合机会约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,zk为新能源出力的k维随机变量,gk(x,y)≥zk为新能源出力的约束事件,1-αJCC为联合机会约束的置信度,αJCC为联合机会约束的风险水平,Pr{·}为约束事件的成立概率,K为随机变量的个数。
作为上述方案的改进,所述单一机会约束的表达式为:
其中,为第k个单一机会约束的风险水平。
作为上述方案的改进,所述散度函数为二阶χ散度函数。
作为上述方案的改进,所述通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平,具体为:
根据以下公式修正第k个所述单一机会约束的风险水平:
其中,为修正后第k个所述单一机会约束的风险水平,z0和z为拉格朗日对偶问题的变量,/>为未修正前第k个单一机会约束的风险水平,dk为第k个随机变量的散度容差,φ*(·)为散度函数的共轭函数,K为随机变量的个数。
作为上述方案的改进,所述根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数,具体为:
通过每个所述随机变量的历史数据样本,得到与每个所述随机变量对应的所述核密度估计的固定带宽;
根据每个所述随机变量对应的所述核密度估计的固定带宽和核函数,得到每个所述随机变量在固定带宽下的累积分布函数;
通过将每个所述随机变量的历史数据样本分配到多个区间,得到每个所述随机变量的每个所述区间的位置参数;
根据每个所述随机变量的每个所述区间的位置参数和所述核密度估计,修正每个所述随机变量的每个所述区间的样本带宽,得到每个所述随机变量在自适应带宽下的概率密度函数;
通过每个所述随机变量在自适应带宽下的概率密度函数,得到每个所述随机变量的累积分布函数。
作为上述方案的改进,所述通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束,具体为:
将每个所述单一机会约束的置信度输入至与之对应的所述随机变量的所述累积分布函数中进行求逆,得到每个所述单一机会约束的置信度分位点;
通过每个所述单一机会约束的置信度分位点,将每个所述单一机会约束转化为确定性约束。
作为上述方案的改进,所述确定性约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,为第k个单一机会约束的置信度分位点,K为随机变量的个数。
为实现上述目的,本发明实施例对应提供了一种用于求解电力调度问题的联合机会约束优化装置,包括:
联合机会约束模块,用于建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
单一机会约束模块,用于通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
风险水平修正模块,用于通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
累积分布函数计算模块,用于根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
确定性约束转化模块,用于通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;
新能源优化调度模块,用于将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。
为实现上述目的,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上述发明实施例所述的用于求解电力调度问题的联合机会约束优化方法。
与现有技术相比,本发明实施例公开的用于求解电力调度问题的联合机会约束优化方法、装置及计算机存储介质,首先建立含新能源出力的联合机会约束;其次,通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;并通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;然后,根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;最后,通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。本发明通过散度函数和散度容差修正拆分后的单一机会约束的风险水平,并自适应调整核密度估计的区间数和每个区间的带宽,能够有效提高联合机会约束转化为确定性约束的准确性,从而有效提高电力调度优化结果的准确性且操作简单。
附图说明
图1是本发明一实施例提供的一种用于求解电力调度问题的联合机会约束优化方法的流程示意图;
图2是本发明一实施例提供的一种用于求解电力调度问题的联合机会约束优化装置的结构示意图。
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作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,是本发明一实施例提供的一种用于求解电力调度问题的联合机会约束优化方法的流程示意图。
本发明实施例提供的新能源电力调度方法,包括步骤:
S11、建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
S12、通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
S13、通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
S14、根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
S15、通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;
S16、将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。
具体的,在步骤S11中,所述联合机会约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,zk为新能源出力的k维随机变量,gk(x,y)≥zk为新能源出力的约束事件,1-αJCC为联合机会约束的置信度,αJCC为联合机会约束的风险水平,Pr{·}为约束事件的成立概率,K为随机变量的个数。
可以理解的,所述联合机会约束的表达式要求Pr{·}内部K个不等式同时成立的概率大于等于1-αJCC。
优选的,所述预先设置的风险水平的权重为1:1。
进一步的,在步骤S12中,所述单一机会约束的表达式为:
其中,为第k个单一机会约束的风险水平。
可以理解的,所述第k个单一机会约束的风险水平
优选的,在步骤S13中,所述散度函数为二阶χ散度函数。
优选的,在步骤S13中,所述散度容差为其中,N为当前所述随机变量的历史数据样本的样本数量。
需要说明的是,在步骤S13中,常见的散度函数有KL散度函数、二阶χ散度函数等,KL散度函数缺点是非对称的且没有上界,而二阶χ散度函数是对称的且有界,因此本发明中优选二阶χ散度函数,当然,在本发明中,对散度函数并不做具体限定,可选择更优的散度函数代替二阶χ散度函数。
具体的,所述二阶χ散度函数的表达式为:
φ(x)=(x-1)2,x≥0;
所述二阶χ散度函数的共轭函数的表达式为:
需要说明的是,在步骤S13中,当随机函数的样本数量越大,核密度估计的概率密度函数越接近真实分布,散度容差也就越小,当样本数量为无穷大时,散度容差无限接近于零。
优选的,根据平均积分平方误差选取散度容差;其中,所述平均积分平方误差为:
MISE=∫E(f(x)-f0(x))2dx;
其中,f(x)为真实概率密度函数,f0(x)为核密度估计的概率密度函数。
可以理解的,当随机变量的样本数量足够大的时候,为无穷小量。
在一些更优的实施例中,在步骤S13中,所述通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平,具体为:
根据以下公式修正第k个所述单一机会约束的风险水平:
其中,为修正后第k个所述单一机会约束的风险水平,z0和z为拉格朗日对偶问题的变量,/>为未修正前单一机会约束的风险水平,dk为第k个随机变量的散度容差,φ*(·)为散度函数的共轭函数,K为随机变量的个数。
进一步的,对修正后的风险水平的表达式求解下确界问题,得到:
进一步的,第k个所述单一机会约束的修正后的风险水平可以表示为:
进一步的,经过风险水平修正后的所述单一机会约束的表达式为:
需要说明的是,如果每个随机变量的样本数量一样,则所有随机变量的散度容差一样,修正后的风险水平也是一样的。
在一个具体的实施方式中,所述根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数,具体为:
S141、通过每个所述随机变量的历史数据样本,得到与每个所述随机变量对应的所述核密度估计的固定带宽;
S142、根据每个所述随机变量对应的所述核密度估计的固定带宽和核函数,得到每个所述随机变量在固定带宽下的累积分布函数;
S143、通过将每个所述随机变量的历史数据样本分配到多个区间,得到每个所述随机变量的每个所述区间的位置参数;
S144、根据每个所述随机变量的每个所述区间的位置参数和所述核密度估计,修正每个所述随机变量的每个所述区间的样本带宽,得到每个所述随机变量在自适应带宽下的概率密度函数;
S145、通过每个所述随机变量在自适应带宽下的概率密度函数,得到每个所述随机变量的累积分布函数。
需要说明,在步骤S145中,所述每个所述随机变量的累积分布函数是指在自适应带宽下,所述随机变量的累积分布函数。
具体的,在步骤S141中,根据公式(4-1)计算核密度估计的固定带宽H:
其中,为随机变量的样本的标准差,N为当前随机变量的历史数据样本数量。
进一步的,在步骤S142中,根据公式(4-2)计算所述随机变量在固定带宽下的累积分布函数
其中,N为当前随机变量的历史数据样本的样本数量,为核密度估计的核函数,xi为当前随机变量的第i个历史数据样本。
优选的,所述核密度估计的核函数为高斯函数。
进一步的,在步骤S143中,根据公式(4-3)计算所述随机变量的每个所述区间的位置参数hj:
其中,j,k为区间编号,M为划分的区间总数,为所述随机变量在固定带宽下的累积分布函数,/>为第k个区间的样本累积分布的中位数对应的横坐标,每个区间的样本的带宽为H×hj,β为灵敏系数,0<β<1;其中,β越大,hj越灵敏,当β=0时,该区间的样本的带宽变为对应的固定带宽H。
进一步的,在步骤S144中,根据公式(4-4)计算所述随机变量在自适应带宽下的概率密度函数
其中,Nj为第j个区间的样本数量,i为第j个区间的样本点编号,N为所有区间的样本总数,xi为第j个区间的第i个历史数据样本。
值得说明的是,可以根据公式:得到所述随机变量在自适应带宽下的概率密度函数与真实分布的平均平方误差MSE。分区数M越大,带宽修正得越细腻,整体拟合的误差越小。通过设定误差阈值MSET,所述误差阈值MSET的取值为固定带宽时的所述随机变量的平均平方误差的60%-80%;初次设置的区间数M为5,区间数从小到大不断递增迭代,通过判断所述平均平方误差MSE与所述误差阈值MSET确定区间数M;当N/M的余数为零,则当前所述随机变量的历史数据样本平均分配到每个区间;当N/M的余数不为零,则将余数部分的历史数据样本分配至最后一个区间;其中,N为所有区间的样本总数,即当前随机变量的历史数据样本的样本总数。作为举例,当前随机变量的历史数据样本总数N为32,区间数M为5时,N/M的余数为2,则前30个样本平均分配至这5个区间,并将最后两个样本分配至最后一个区间。
需要说明的是,当MSE>MSET时,继续增大区间数M,增加区间数的步长为5(即第一次区间数为5,第二次区间数为10),并重复计算当前所述随机变量的每个所述区间的位置参数hj和当前所述随机变量在自适应带宽下的概率密度函数直到MSE<MSET时,将此时的区间数M作为最大分区数。通过迭代增加区间数和判断拟合误差是否小于阈值来确定分区数,然后在原固定带宽的基础上逐个区间修正带宽,能够解决原有的固定带宽不合理的缺点,同时也避免了逐点修正带宽而造成计算量庞大的问题。
进一步的,在步骤S145中,根据公式(4-5)计算所述随机变量的累积分布函数
在一些更优的实施例中,在步骤S15中,所述通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束,具体为:
将每个所述单一机会约束的置信度输入至与之对应的所述随机变量的所述累积分布函数中进行求逆,得到每个所述单一机会约束的置信度分位点;
通过每个所述单一机会约束的置信度分位点,将每个所述单一机会约束转化为确定性约束。
进一步的,根据公式(5-1)计算第k个所述单一机会约束的置信度分位点
具体的,所述确定性约束的表达式为:
其中,为第k个单一机会约束的置信度分位点。
值得说明的是,由于联合机会约束难以求解,本发明通过将联合机会约束的风险水平分摊给一系列单一机会约束的风险水平,并利用散度函数以及散度容差来修正每个单一机会约束的风险水平,以实现将联合机会约束拆分成一系列单一机会约束;最后通过对随机变量的累积分布函数求逆的方法,将单一机会约束转化为确定性约束,从而实现将难以求解联合机会约束转化为易于求解的确定性约束,以便于后续利用成熟的求解器求解确定性约束对应的模型,得到新能源出力的各个决策变量的最优值,从而得到电力优化调度结果。
需要说明的是,求解确定性约束的求解器在现有技术中已经趋于成熟,在此不对所述求解器进行限定。
下面将通过一个具体实施方式来验证本发明所提供的用于求解电力调度问题的联合机会约束优化方法的有效性。需要说明,下面该方法的具体实施方式将基于Matlab仿真软件进行描述。
以包含风电的多区域互联电力系统的机组组合调度问题为例,该机组组合调度问题以火电机组运行成本最小为目标函数,不等式约束为出力约束、爬坡约束、最小开停机时间约束和联络线功率约束等,而区域的正旋转备用约束为联合机会约束。
以下示两个方案为例:
两个仿真方案的风电出力历史数据样本数量设定为730,联合机会约束置信度为90%,系统要求的最小旋转备用率为10%,两个方案的机组参数具体如下:
(1)方案1:方案1采用33火电机组的3区域电力系统,每个区域均含有1个风电场,3个区域之间通过联络线互相连接起来;区域1的电力系统含有火电机组10台,风电装机容量850MW,区域2的电力系统含有火电机组10台,风电装机容量1050MW,区域3的电力系统含有13台火电机组,风电装机容量1350MW,调度周期为1小时。
(2)方案2:方案2采用120火电机组的3区域互联电力系统,每个区域均含有1个风电场,3个区域之间通过联络线互相连接起来;区域1的电力系统含有火电机组33台,风电装机容量1600MW,区域2的电力系统含有火电机组33台,风电装机容量2500MW,区域3的电力系统含有54台火电机组,风电装机容量2800MW,调度周期为1小时。
步骤1、建立正旋转备用的联合机会约束;
需要说明,多区域电力系统的正旋转备用的联合机会约束要求区域在每个时刻的正旋转备用应大于等于正旋转备用容量需求。
区域在每时刻的正旋转备用联合机会约束表示为:
其中,为第k个区域的机组gi在t时刻的出力,/>为第k个区域的机组gi在t时刻的正旋转备用,/>为第k个区域在t时刻的风电实际出力,/>为多维随机变量(下称风电随机变量),/>为t时刻第l个区域向第k个区域输送功率的联络线状态,/>为第l个区域向第k个区域输送功率的上限,/>为第k个区域在第t时刻的负荷功率,η为旋转备用率,1-αJCC为正旋转备用的联合机会约束的置信度,αJCC为联合机会约束的风险水平,Pr{·}为约束事件的成立概率,Pr{·}内部K个区域的正旋转备用约束(即K个不等式)同时成立的概率大于等于1-αJCC。
对每个时刻的正旋转备用联合机会约束表达式进行移项可得:
步骤2、通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;
该模型的每个区域有一个风电场,联合机会约束要求3个区域的正旋转备用同时满足置信度要求,即风电出力随机变量为3维。将联合机会约束拆分成3个单一机会约束,每个所述单一机会约束的随机变量包含原多维随机变量的一个维度,拆分后每个未修正的所述单一机会约束风险水平为3.33%,置信度为96.67%。
步骤3、通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
因为每个区域风电历史出力的样本数均为730,所以每个所述单一机会约束的散度容差均为5.1208e-3,根据计算得到修正后的风险水平为2.27%,置信度为97.73%;其中,/>为修正后第k个所述单一机会约束的风险水平,/>为未修正前第k个所述单一机会约束的风险水平,dk为第k个随机变量的散度容差。
进行风险水平修正后的所述单一机会约束表示为:
步骤4、根据各区域风电随机变量的历史数据样本和区间自适应带宽的核密度估计,得到各区域所述风电随机变量的累积分布函数
步骤5、将每个所述单一机会约束的置信度代入所述风电随机变量的所述累积分布函数的反函数/>中,得到每个所述单一机会约束的置信度分位点
步骤6、通过每个所述单一机会约束的所述置信度分位点将每个所述单一机会约束转换为易于求解的确定性约束,即:
步骤7、将每个所述确定性约束输入至求解器中进行求解,得到优化调度结果。
下面将通过比较风险水平修正后的置信度,以及利用两种不同的散度函数求解得到的旋转备用结果,对本发明进行进一步说明。
参见表1,表1为3维随机变量下两种不同的散度函数在不同的样本数量的情况下,将联合机会约束拆分成3个单一机会约束的置信度。联合机会约束的风险水平分摊给单一机会约束后,每个所述单一机会约束的置信度应为96.67%,从表1可见,经过风险水平修正后,每个所述单一机会约束的置信度都高于未修正之前的置信度96.67%,能够保证多个所述单一机会约束同时成立的置信度不小于原联合机会约束的置信度。并且,随着样本数量的增加,散度容差减小,风险水平修正后的所述单一机会约束的置信度减小,并逐渐接近于未修正之前的置信度96.67%。此外,从表1可见,利用KL-divergence修正风险水平后的置信度比用χ-divergence修正风险水平后的置信度更大,更加保守。
表1
/>
参见表2,表2为5维随机变量下两种不同的散度函数在不同的样本数量的情况下,将联合机会约束拆分成5个单一机会约束的置信度。从表2可见,原联合机会约束的置信度为90%,原联合机会约束的风险水平分摊给单一机会约束后,每个单一机会约束置信度应为98%,但经过修正之后单一机会约束置信度都高于未修正前的98%,能够保证多个单一机会约束同时成立的置信度不小于原联合机会约束的置信度。与表1相比可知,联合机会约束的维度越大,拆分出来的每个维度的单一机会约束的置信度越大,并且随着样本数量的增加,散度容差将减小,进行风险水平修正后的所述单一机会约束的置信度也减小,且逐渐接近未修正前的98%。
表2
通过仿真比较方案1中采用两种散度函数修正单一机会约束风险水平对最终的调度结果的影响,得出:用KL-divergence修正风险水平后求解的各区域正旋转备用率会大于χ-divergence修正风险水平后求解的正旋转备用率,而正旋转备用率越大,运行成本就越高。本发明用χ-divergence修正风险水平后求解的各区域的正旋转备都大于10%的最低要求,而且调度结果不至于过分保守,能满足调度要求。
通过仿真比较方案2中采用两种散度函数修正单一机会约束风险水平对最终的调度结果的影响,得出:利用KL-divergence和χ-divergence修正风险水平后求解的正旋转备用率非常接近,但是结合方案1和表1可以看出利用KL-divergence修正风险水平后的置信度比用χ-divergence修正风险水平后的置信度更大,更加保守,而本发明用χ-divergence修正风险水平后求解的各区域的正旋转备都大于10%的最低要求,所求的调度方案能满足调度要求。
从上述仿真结果可以看出,风险水平经过修正后,能够保证拆分得到的多个单一机会约束同时成立的概率不小于原联合机会约束的成立的概率,而且求解得到的正旋转备用率能满足调度要求,证明本发明的方法正确有效。
相应地,本发明实施例还提供了一种用于求解电力调度问题的联合机会约束优化装置,能够实现上述用于求解电力调度问题的联合机会约束优化方法的所有流程。
参见图2,是本发明一实施例提供的一种用于求解电力调度问题的联合机会约束优化装置的结构示意图。
本发明实施例提供的用于求解电力调度问题的联合机会约束优化装置,包括:
联合机会约束模块21,用于建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
单一机会约束模块22,用于通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
风险水平修正模块23,用于通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
累积分布函数计算模块24,用于根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
确定性约束转化模块25,用于通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;
新能源优化调度模块26,用于将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。
作为其中一个具体的实施方式,所述联合机会约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,zk为新能源出力的k维随机变量,gk(x,y)≥zk为新能源出力的约束事件,1-αJCC为联合机会约束的置信度,αJCC为联合机会约束的风险水平,Pr{·}为约束事件的成立概率,K为随机变量的个数。
具体的,所述单一机会约束的表达式为:
其中,为第k个单一机会约束的风险水平。
优选的,所述散度函数为二阶χ散度函数
在一些优选的实施方式中,风险水平修正模块23,具体用于:
根据以下公式修正第k个所述单一机会约束的风险水平:
其中,为修正后第k个所述单一机会约束的风险水平,z0和z为拉格朗日对偶问题的变量,/>为未修正前第k个单一机会约束的风险水平,dk为第k维随机变量的散度容差,φ*(·)为散度函数的共轭函数,K为随机变量的个数。
在一些更优的实施方式中,所述累积分布函数计算模块24,包括:
固定带宽运算单元,用于通过每个所述随机变量的历史数据样本,得到与每个所述随机变量对应的所述核密度估计的固定带宽;
分布函数运算单元,用于根据每个所述随机变量对应的所述核密度估计的固定带宽和核函数,得到每个所述随机变量在固定带宽下的累积分布函数;
区间位置参数求解单元,用于通过将每个所述随机变量的历史数据样本分配到多个区间,得到每个所述随机变量的每个所述区间的位置参数;
概率密度函数求解单元,用于根据每个所述随机变量的每个所述区间的位置参数和所述核密度估计,修正每个所述随机变量的每个所述区间的样本带宽,得到每个所述随机变量在自适应带宽下的概率密度函数;
所述分布函数运算单元,还用于通过每个所述随机变量在自适应带宽下的概率密度函数,得到每个所述随机变量的累积分布函数。
在一个具体的实施方式中,所述确定性约束转化模块25,包括:
分位点求解单元,用于将每个所述单一机会约束的置信度输入至与之对应的所述随机变量的所述累积分布函数中进行求逆,得到每个所述单一机会约束的置信度分位点;
约束转换单元,用于通过每个所述单一机会约束的置信度分位点,将每个所述单一机会约束转化为确定性约束。
需要说明的是,本实施例的用于求解电力调度问题的联合机会约束优化装置的各实施例的相关具体描述和有益效果可以参考上述的新能源电力调度方法的各实施例的相关具体描述和有益效果,在此不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应地,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,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的用于求解电力调度问题的联合机会约束优化方法。
综上,本发明实施例所提供的一种用于求解电力调度问题的联合机会约束优化方法、装置及计算机可读存储介质,通过建立含新能源出力的联合机会约束;其次,通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;并通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;然后,根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;最后,通过每个所述随机变量的所述累积分布函数,将与该所述随机变量对应的所述单一机会约束转化为确定性约束;将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果。本发明利用散度函数和散度容差修正拆分后的单一机会约束的风险水平,并自适应调整核密度估计的区间数和每个区间的带宽,能够有效提高联合机会约束转化为确定性约束的准确性,从而有效提高电力调度优化结果的准确性且操作简单。
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 (8)
1.一种用于求解电力调度问题的联合机会约束优化方法,其特征在于,包括:
建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
通过每个所述随机变量的所述累积分布函数,将与所述随机变量对应的所述单一机会约束转化为确定性约束;
将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果;
其中,所述散度函数为二阶χ散度函数;
其中,所述通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平,具体为:
根据以下公式修正第k个所述单一机会约束的风险水平:
其中,为修正后第k个所述单一机会约束的风险水平,z0和z为拉格朗日对偶问题的变量,/>为未修正前第k个单一机会约束的风险水平,φ*(·)为散度函数的共轭函数,K为随机变量的个数,d为散度容差。
2.如权利要求1所述的用于求解电力调度问题的联合机会约束优化方法,其特征在于,所述联合机会约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,zk为新能源出力的k维随机变量,gk(x,y)≥zk为新能源出力的约束事件,1-αJCC为联合机会约束的置信度,αJCC为联合机会约束的风险水平,Pr{·}为约束事件的成立概率,K为随机变量的个数。
3.如权利要求2所述的用于求解电力调度问题的联合机会约束优化方法,其特征在于,所述单一机会约束的表达式为:
其中,为未修正前第k个单一机会约束的风险水平。
4.如权利要求1所述的用于求解电力调度问题的联合机会约束优化方法,其特征在于,所述根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数,具体为:
通过每个所述随机变量的历史数据样本,得到与每个所述随机变量对应的所述核密度估计的固定带宽;
根据每个所述随机变量对应的所述核密度估计的固定带宽和核函数,得到每个所述随机变量在固定带宽下的累积分布函数;
通过将每个所述随机变量的历史数据样本分配到多个区间,得到每个所述随机变量的每个所述区间的位置参数;
根据每个所述随机变量的每个所述区间的位置参数和所述核密度估计,修正每个所述随机变量的每个所述区间的样本带宽,得到每个所述随机变量在自适应带宽下的概率密度函数;
通过每个所述随机变量在自适应带宽下的概率密度函数,得到每个所述随机变量的累积分布函数。
5.如权利要求1所述的用于求解电力调度问题的联合机会约束优化方法,其特征在于,所述通过每个所述随机变量的所述累积分布函数,将与所述随机变量对应的所述单一机会约束转化为确定性约束,具体为:
将每个所述单一机会约束的置信度输入至与之对应的所述随机变量的所述累积分布函数中进行求逆,得到每个所述单一机会约束的置信度分位点;
通过每个所述单一机会约束的置信度分位点,将每个所述单一机会约束转化为确定性约束。
6.如权利要求5所述的用于求解电力调度问题的联合机会约束优化方法,其特征在于,所述确定性约束的表达式为:
其中,x为决策变量的向量,y为参数变量的向量,为第k个单一机会约束的置信度分位点,K为随机变量的个数。
7.一种用于求解电力调度问题的联合机会约束优化装置,其特征在于,包括:
联合机会约束模块,用于建立含新能源出力的联合机会约束;其中,所述新能源出力为多维随机变量;
单一机会约束模块,用于通过预先设置的风险水平的权重,将所述联合机会约束拆分成多个单一机会约束;其中,所述单一机会约束与所述随机变量一一对应;
风险水平修正模块,用于通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平;
累积分布函数计算模块,用于根据每个所述随机变量的历史数据样本和区间自适应带宽的核密度估计,得到每个所述随机变量的累积分布函数;
确定性约束转化模块,用于通过每个所述随机变量的所述累积分布函数,将与所述随机变量对应的所述单一机会约束转化为确定性约束;
新能源优化调度模块,用于将每个所述确定性约束输入至求解器中进行求解,得到电力优化调度结果;
其中,所述散度函数为二阶χ散度函数;
其中,所述通过预设的散度函数和散度容差,修正每个所述单一机会约束的风险水平,具体为:
根据以下公式修正第k个所述单一机会约束的风险水平:
其中,为修正后第k个所述单一机会约束的风险水平,z0和z为拉格朗日对偶问题的变量,/>为未修正前第k个单一机会约束的风险水平,φ*(·)为散度函数的共轭函数,K为随机变量的个数,d为散度容差。
8.一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6中任意一项所述的用于求解电力调度问题的联合机会约束优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210095.6A CN114069692B (zh) | 2021-10-18 | 2021-10-18 | 用于求解电力调度问题的联合机会约束优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210095.6A CN114069692B (zh) | 2021-10-18 | 2021-10-18 | 用于求解电力调度问题的联合机会约束优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114069692A CN114069692A (zh) | 2022-02-18 |
CN114069692B true CN114069692B (zh) | 2024-02-20 |
Family
ID=80234798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111210095.6A Active CN114069692B (zh) | 2021-10-18 | 2021-10-18 | 用于求解电力调度问题的联合机会约束优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114069692B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114977318B (zh) * | 2022-04-29 | 2024-05-17 | 广西电网有限责任公司 | 一种考虑相关性的随机-确定耦合电源调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0869418A (ja) * | 1994-08-26 | 1996-03-12 | Omron Corp | キャッシュメモリ制御システム、コンパイラ制御システムおよびコンピュータ・システム |
CN110336308A (zh) * | 2019-05-29 | 2019-10-15 | 广东电网有限责任公司 | 一种基于机会约束的主动配电网经济调度方法 |
CN112269967A (zh) * | 2020-10-14 | 2021-01-26 | 清华大学 | 一种基于联合机会约束的迭代拆分方法及系统 |
CN112766579A (zh) * | 2021-01-22 | 2021-05-07 | 国电南瑞南京控制系统有限公司 | 一种基于自适应算法的充电系统规划方法和装置 |
CN113098011A (zh) * | 2021-05-20 | 2021-07-09 | 福州大学 | 一种基于改进NashQ算法的风电调度方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10908571B2 (en) * | 2019-03-18 | 2021-02-02 | Bigwood Technology, Inc. | Online multi-period power dispatch with renewable uncertainty and storage |
-
2021
- 2021-10-18 CN CN202111210095.6A patent/CN114069692B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0869418A (ja) * | 1994-08-26 | 1996-03-12 | Omron Corp | キャッシュメモリ制御システム、コンパイラ制御システムおよびコンピュータ・システム |
CN110336308A (zh) * | 2019-05-29 | 2019-10-15 | 广东电网有限责任公司 | 一种基于机会约束的主动配电网经济调度方法 |
CN112269967A (zh) * | 2020-10-14 | 2021-01-26 | 清华大学 | 一种基于联合机会约束的迭代拆分方法及系统 |
CN112766579A (zh) * | 2021-01-22 | 2021-05-07 | 国电南瑞南京控制系统有限公司 | 一种基于自适应算法的充电系统规划方法和装置 |
CN113098011A (zh) * | 2021-05-20 | 2021-07-09 | 福州大学 | 一种基于改进NashQ算法的风电调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114069692A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN109840636B (zh) | 一种基于牛顿法的电力系统随机滚动调度方法 | |
CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
CN114069692B (zh) | 用于求解电力调度问题的联合机会约束优化方法及装置 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
CN111049193A (zh) | 一种风电系统多调度场景的备用需求动态评估方法 | |
CN116054130A (zh) | 基于多项式混沌展开的电力系统可用输电能力控制方法 | |
CN112865170B (zh) | 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法 | |
CN112001531B (zh) | 基于有效载荷能力的风电短期运行容量可信度评估方法 | |
CN117439090A (zh) | 以灵活调节系数为指标的灵活性资源配置或调度方法 | |
CN109659937B (zh) | 一种基于风电功率随机性成本的电力系统经济调度方法 | |
CN104239689A (zh) | 基于优化相关向量机的短期风速预测方法 | |
CN117117983A (zh) | 一种结合配电网需求的火电厂调峰管理方法及系统 | |
CN105870913A (zh) | 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统 | |
CN115809732A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
CN115276097A (zh) | 一种基于数据驱动的电力系统小干扰校正控制方法及系统 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN110518633B (zh) | 考虑线路容量充裕度的电网节点新能源接纳容量获得方法 | |
CN110365010A (zh) | 基于2m点估计法的含DG配电网可靠性评估指标获取方法 | |
CN114977318B (zh) | 一种考虑相关性的随机-确定耦合电源调度方法及系统 | |
Fonte et al. | ANN approach to WECS power forecast | |
CN112669169B (zh) | 一种短期光伏功率预测装置及方法 | |
CN112271721B (zh) | 一种基于条件Copula函数的风电功率预测方法 | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 |
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 |