CN114123258A - 一种风光储容量配置并行优化方法及系统 - Google Patents

一种风光储容量配置并行优化方法及系统 Download PDF

Info

Publication number
CN114123258A
CN114123258A CN202111334655.9A CN202111334655A CN114123258A CN 114123258 A CN114123258 A CN 114123258A CN 202111334655 A CN202111334655 A CN 202111334655A CN 114123258 A CN114123258 A CN 114123258A
Authority
CN
China
Prior art keywords
wind
capacity
configuration
energy storage
output
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
Application number
CN202111334655.9A
Other languages
English (en)
Other versions
CN114123258B (zh
Inventor
吴江
邵世彪
田宏梁
高峰
王佳华
葛鹏江
郭宁
张坤
胡帅
马俊先
徐鹏飞
张亚鹏
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.)
Xian Jiaotong University
State Grid Ningxia Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
State Grid Ningxia Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Ningxia 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 Xian Jiaotong University, State Grid Ningxia Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202111334655.9A priority Critical patent/CN114123258B/zh
Publication of CN114123258A publication Critical patent/CN114123258A/zh
Application granted granted Critical
Publication of CN114123258B publication Critical patent/CN114123258B/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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/381—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
    • 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
    • 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

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

Abstract

本发明提供一种风光储容量配置并行优化方法及系统，通过构建考虑时‑空相关性的新能源典型日出力不确定集作为协调规划与运行的边界条件，使配置过程既避免了全年海量数据的计算负担，同时又兼顾新能源发电的随机性，保证所得配置结果贴近实际，有利于电力系统的可靠运行。另外，提出典型日并行计算方式，有效地消除了典型日个数增加对配置过程计算时间的影响，实现配置过程的高效计算，提高系统运行的经济性。

Description

一种风光储容量配置并行优化方法及系统
技术领域
本发明涉及电力系统规划技术领域，特别是涉及一种风光储容量配置并行优化方法及系统。
背景技术
碳达峰、碳中和的目标与愿景对于能源电力低碳化转型提出了更高要求，电网承载能力的挖潜增效愈发难以匹配新能源消费占比进一步提升的战略目标。随着技术的不断进步，储能设备的规模化应用逐渐成为未来电力系统的重要组成部分，它可以大大提高系统的供电灵活性和稳定性。新能源和储能系统的规划运行相互协调，能够进一步提升能源利用效率，降低新能源并网给电网承载能力所带来的冲击。
由于电力系统的实时平衡特性，风-光-储的容量配置必须与系统运行状态相匹配，以体现风、光的时空互补性和储能的调峰调频优势，最大限度提升系统对风、光等新能源消纳的灵活性，使得规划决策评价更加贴近电力系统的实际运行情况。在实际中，如果采用全年风-光出力序列进行匹配，海量数据处理会带来沉重的计算负担；而采用典型日的方式却无法兼顾新能源出力的随机性，如果使用更多的典型日进一步细分，同样也会影响计算效率。因此，高效的且考虑新能出力特性的匹配方式亟待提出。
发明内容
为解决以上现有技术问题，本发明提供一种风光储容量配置并行优化方法及系统，在给定的风光储新增总建设容量下，构建考虑时-空相关性的典型日风光出力不确定集作为系统运行的边界条件，建立以新能源消纳最大为目标的风光储容量优化配置模型，并提出基于共识的多典型日分布式优化算法实现模型并行求解。整个方法既兼顾新能源的随机特性，又消去了全年海量数据和多典型日带来的计算负担，保证配置结果的实际可用性和配置过程的高效性，有利于提高系统运行的可靠性和经济性。
本发明第一方面提供一种风光储容量配置并行优化方法，包括：
获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集；
分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景；
根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型；
根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；
当所有典型日的容量配置结果一致时，结束优化。
进一步地，所述根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据，包括：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解；
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
进一步地，所述基于时-空相关性的典型日的风出力场景集，通过以下公式表示：
Figure BDA0003350091620000031
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure BDA0003350091620000032
为典型日的风出力场景集，ω为风电出力向量，ωk,t,e为风电的归一化出力的下界，ωk,t,e为风电的归一化出力，
Figure BDA0003350091620000033
为风电的归一化出力的上界，T为总时段，
Figure BDA0003350091620000034
为风电出力的时间指标，K为风电场总数，
Figure BDA0003350091620000035
为风电出力的空间指标。
进一步地，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure BDA0003350091620000036
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs,e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk,t,e为典型日e下的风电场k的消纳量，pvh,t,e为典型日e下的光伏节点h的消纳量。
进一步地，所述电力节点的容量配置约束条件包括：总配置容量约束条件和可配置容量的上、下限约束条件；具体地，所述电力节点的容量配置约束条件通过以下公式表示：
Figure BDA0003350091620000037
Figure BDA0003350091620000038
Figure BDA0003350091620000039
其中，j为储能节点，J为储能节点总数，
Figure BDA00033500916200000310
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure BDA0003350091620000041
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure BDA0003350091620000042
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure BDA0003350091620000043
为风电场k的容量配置的上限，
Figure BDA0003350091620000044
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure BDA0003350091620000045
为光伏节点h的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure BDA0003350091620000046
为光伏节点h的容量配置的上限，
Figure BDA0003350091620000047
为光伏节点h的容量配置的下限。
本发明第二方面提供一种风光储容量配置并行优化系统，包括：
光出力场景集建立模块，用于获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集；
风光实现场景构建模块，用于分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景；
风光储容量优化配置模型建立模块，用于根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型；
优化模块，用于根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；当所有典型日的容量配置结果一致时，结束优化。
进一步地，所述优化模块，还用于：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解；
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
进一步地，所述基于时-空相关性的典型日的风出力场景集，通过以下公式表示：
Figure BDA0003350091620000051
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure BDA0003350091620000052
为典型日的风出力场景集，ω为风电出力向量，ω k,t,e为风电的归一化出力的下界，ωk,t,e为风电的归一化出力，
Figure BDA0003350091620000053
为风电的归一化出力的上界，T为总时段，
Figure BDA0003350091620000054
为风电出力的时间指标，K为风电场总数，
Figure BDA0003350091620000055
为风电出力的空间指标。
进一步地，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure BDA0003350091620000056
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs,e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk,t,e为典型日e下的风电场k的消纳量，pvh,t,e为典型日e下的光伏节点h的消纳量。
进一步地，所述电力节点的容量配置约束条件包括：总配置容量约束条件和可配置容量的上、下限约束条件；具体地，所述电力节点的容量配置约束条件通过以下公式表示：
Figure BDA0003350091620000057
Figure BDA0003350091620000058
Figure BDA0003350091620000059
其中，j为储能节点，J为储能节点总数，
Figure BDA0003350091620000061
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure BDA0003350091620000062
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure BDA0003350091620000063
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure BDA0003350091620000064
为风电场k的容量配置的上限，
Figure BDA0003350091620000065
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure BDA0003350091620000066
为光伏节点h的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure BDA0003350091620000067
为光伏节点h的容量配置的上限，
Figure BDA0003350091620000068
为光伏节点h的容量配置的下限。
与现有技术相比，本发明实施例的有益效果在于：
本发明提供一种风光储容量配置并行优化方法及系统，其中方法包括：获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集；分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景；根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型；根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；当所有典型日的容量配置结果一致时，结束优化。本发明是一种考虑新能源出力时-空相关性的风光储容量配置优化方法，通过构建考虑时-空相关性的新能源典型日出力不确定集作为协调规划与运行的边界条件，使配置过程既避免了全年海量数据的计算负担，同时又兼顾新能源发电的随机性，保证所得配置结果贴近实际，有利于电力系统的可靠运行。另外，提出典型日并行计算方式，有效地消除了典型日个数增加对配置过程计算时间的影响，实现配置过程的高效计算，提高系统运行的经济性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种风光储容量配置并行优化方法的流程图；
图2是本发明另一实施例提供的一种风光储容量配置并行优化方法的流程图；
图3是本发明又一实施例提供的一种风光储容量配置并行优化方法的流程图；
图4是本发明某一实施例提供的一种风光储容量配置并行优化系统的装置图；
图5是本发明某一实施例提供的一种电子设备的结构图。
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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面。
请参阅图1，本发明一实施例提供一种风光储容量配置并行优化方法，包括：
S10、获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集。
可以理解的是，根据对新能源历史出力数据的分析结果，分别构建考虑时-空相关性的典型日的风出力场景集
Figure BDA0003350091620000081
和典型日的光出力场景集
Figure BDA0003350091620000082
优选地，所述基于时-空相关性的典型日的风出力场景集
Figure BDA0003350091620000083
通过以下公式表示：
Figure BDA0003350091620000084
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure BDA0003350091620000085
为典型日的风出力场景集，ω为风电出力向量，ω k,t,e为风电的归一化出力的下界，ωk,t,e为风电的归一化出力，
Figure BDA0003350091620000086
为风电的归一化出力的上界，T为总时段，
Figure BDA0003350091620000091
为风电出力的时间指标，K为风电场总数，
Figure BDA0003350091620000092
为风电出力的空间指标。
S20、分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景。
需要说明的是，采用全场景可行方法选取满足预设数量S的风出力场景及光出力场景，其中，预设数量S通过以下公式计算：
Figure BDA0003350091620000093
其中，t为调度时段，T为总时段，
Figure BDA0003350091620000094
为风出力场景集
Figure BDA0003350091620000095
的顶点个数，
Figure BDA0003350091620000096
为典型日的光出力场景集
Figure BDA0003350091620000097
的顶点个数。
S30、根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型。
需要说明的是，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure BDA0003350091620000098
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs,e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk,t,e为典型日e下的风电场k的消纳量，pvh,t,e为典型日e下的光伏节点h的消纳量。
所述电力节点的容量配置约束条件包括总配置容量约束和可配置容量的上、下限约束，具体为：
Figure BDA0003350091620000099
Figure BDA00033500916200000910
Figure BDA00033500916200000911
其中，j为储能节点，J为储能节点总数，
Figure BDA0003350091620000101
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure BDA0003350091620000102
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure BDA0003350091620000103
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure BDA0003350091620000104
为风电场k的容量配置的上限，
Figure BDA0003350091620000105
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure BDA0003350091620000106
为光伏节点h的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure BDA0003350091620000107
为光伏节点h的容量配置的上限，
Figure BDA0003350091620000108
为光伏节点h的容量配置的下限。各典型日下的电网及各设备运行约束，包括负荷平衡约束、传输线安全约束、系统备用容量约束以及风光火储设备的运行约束均为常规描述形式。
S40、根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；当所有典型日的容量配置结果一致时，结束优化。
在本发明实施例的一具体实施方式中，所述根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据，包括：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解。
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
需要说明的是，分解得到的各典型日独立优化模型为：
Figure BDA0003350091620000111
其中，为讨论方便，物理模型被写成如上式的一般数学形式。qe为典型日e对容量配置变量
Figure BDA0003350091620000112
的复制，os,e为选取的风-光实现场景s对典型日e下设备运行变量oe的复制，需要注意的是火电机组的启/停状态变量在所有场景下保持一致。目标函数中的
Figure BDA0003350091620000113
约束中的h(qe)＝0为qe各分量之间的等式耦合约束，对应物理模型中的总配置容量约束；ge(qe,os,e)≤0为qe和os,e之间的不等式耦合约束，对应设备运行约束中的风光消纳约束；
Figure BDA0003350091620000114
为qe各分量的独立约束集，对应容量配置上、下限约束；
Figure BDA0003350091620000115
为os,e的独立约束集，对应电网及各设备运行约束。
为实现并行优化，上述模型进一步变换。引入惩罚因子变量λe和μe，将h(qe)＝0和ge(qe,os,e)≤0松弛写入目标函数，得到相应的惩罚函数：
Figure BDA0003350091620000116
其中，[·]+表示非负投影运算。
根据拉格朗日对偶问题变换过程，可得到典型日e的惩罚对偶问题为：
Figure BDA0003350091620000117
其中，
Figure BDA0003350091620000118
最终，典型日e的优化问题被转化成对应的惩罚对偶问题进行求解。
假设已知的容量配置结果为
Figure BDA0003350091620000121
其中l为迭代次数，另外假设引入的惩罚因子变量的值为
Figure BDA0003350091620000122
和μe(l)，那么，可得到运行变量的优化结果为：
Figure BDA0003350091620000123
根据所得的os,e(l+1)，更新容量配置结果和惩罚因子λe：
Figure BDA0003350091620000124
Figure BDA0003350091620000125
同时进行共识协调：
Figure BDA0003350091620000126
Figure BDA0003350091620000127
其中，
Figure BDA0003350091620000128
为投影运算，β(m)；forallm为共识协调过程中qe和λe取值更新的步长序列，应满足
Figure BDA0003350091620000129
以及
Figure BDA00033500916200001210
Figure BDA00033500916200001211
为函数
Figure BDA00033500916200001212
在
Figure BDA00033500916200001213
处的次梯度：
Figure BDA00033500916200001214
其中，
Figure BDA00033500916200001215
表示次梯度运算。另外，
Figure BDA00033500916200001216
为典型日n和典型日e之间的共识权重系数，需同时满足
Figure BDA00033500916200001217
与
Figure BDA00033500916200001218
惩罚因子变量μe的更新如下：
Figure BDA0003350091620000131
其中，α(l)；foralll为μe的步长序列，同样要满足β(m)的性质。
程序停止的判断条件为||qe(l+1)-qe(l)||<σq、||λe(l+1)-λe(l)||<σλ、||μe(l+1)-μe(l)||<σμ，以及所有典型日的容量配置结果和惩罚因子变量λe的决策结果达成一致：
Figure BDA0003350091620000132
若所有条件均成立，则程序停止，输出容量配置结果。
相对于现有技术，本发明提供的方法具有以下有益效果：本发明是一种考虑新能源出力时-空相关性的风光储容量配置优化方法，通过构建考虑时-空相关性的新能源典型日出力不确定集作为协调规划与运行的边界条件，使配置过程既避免了全年海量数据的计算负担，同时又兼顾新能源发电的随机性，保证所得配置结果贴近实际，有利于电力系统的可靠运行。另外，提出典型日并行计算方式，有效地消除了典型日个数增加对配置过程计算时间的影响，实现配置过程的高效计算，提高系统运行的经济性。
在本发明另一具体实施例中，请参阅图2和图3所示，本发明提供一种风光储容量配置并行优化方法，包括：
1)构建风-光典型日出力不确定集。典型日e的风电不确定集
Figure BDA0003350091620000135
如下：
Figure BDA0003350091620000133
其中，e、t、k分别为新能源出力典型日、调度时段以及风电场标号，ω表示风电出力向量，
Figure BDA0003350091620000134
ω k,t,e分别表示风电的归一化出力上、下界，
Figure BDA0003350091620000141
为给定的正实数，分别表示风电出力的时、空相关性指标，这些参数均可通过对历史数据聚类分析得到。同理也可构建出典型日e下的光伏出力不确定集
Figure BDA0003350091620000142
然后，采用全场景可行方法选取风-光实现场景。通过求解线性规划问题，可以求出风-光不确定集各时段的顶点集
Figure BDA0003350091620000143
其中
Figure BDA0003350091620000144
以及对应的个数Nt。计算所有时段中最大的顶点数作为选取的场景个数S，即
Figure BDA0003350091620000145
S个场景的选择过程为：首先，对Nt<S的时段，在其不确定集内随机选取S-Nt个点补充到其顶点集中；然后，对所有时段进行顶点重新排序，使
Figure BDA0003350091620000146
最后，得到的S个场景表示为：Ω＝{x1,x2,…,xS}，其中
Figure BDA0003350091620000147
2)建立风光储容量配置优化模型。优化目标为：
Figure BDA0003350091620000148
其中，ρe为典型日e所占比重，可根据历史数据聚类结果得到。πs,e为典型日e下风-光实现场景s的概率，可取所有场景的平均值，即
Figure BDA0003350091620000149
wk,t,e、pvh,t,e分别为典型日e下风电节点k和光伏节点h的消纳量。
风光储容量配置约束，包括总配置容量约束和可配置容量的上、下限约束，具体为：
Figure BDA00033500916200001410
Figure BDA00033500916200001411
Figure BDA0003350091620000151
其中，
Figure BDA0003350091620000152
和
Figure BDA0003350091620000153
分别为储能节点j、风电节点k以及光伏节点h的容量配置变量；QWF、QPV和QSS分别为已知的风光储新增总建设容量，可从国家给出的发展规划的文件中获得；
Figure BDA0003350091620000154
V j为储能节点j可配置的容量上、下限；
Figure BDA0003350091620000155
和
Figure BDA0003350091620000156
分别为风电节点k和光伏节点h已建设的容量和可配置的容量上限；各典型日下电网及各设备运行约束，包括负荷平衡约束、传输线安全约束、系统备用容量约束以及风光火储设备的运行约束均为常规描述，可参考传统的电力系统优化模型。
3)按典型日分解整个优化模型。各典型日均对容量配置变量进行复制，则可得到各典型日的独立优化模型：
Figure BDA0003350091620000157
其中，为讨论方便，物理模型被写成如上式的一般数学形式。qe为典型日e对容量配置变量
Figure BDA0003350091620000158
的复制，os,e为选取的风-光实现场景s对典型日e下设备运行变量oe的复制，需要注意的是火电机组的启/停状态变量在所有场景下保持一致。目标函数中的
Figure BDA0003350091620000159
约束中的h(qe)＝0为qe各分量之间的等式耦合约束，对应物理模型中的总配置容量约束；ge(qe,os,e)≤0为qe和os,e之间的不等式耦合约束，对应设备运行约束中的风光消纳约束；
Figure BDA00033500916200001510
为qe各分量的独立约束集，对应容量配置上、下限约束；
Figure BDA00033500916200001511
为os,e的独立约束集，对应电网及各设备运行约束。
然后，引入惩罚因子变量λe和μe，将h(qe)＝0和ge(qe,os,e)≤0松弛写入目标函数，得到相应的惩罚函数：
Figure BDA0003350091620000161
其中，[·]+表示非负投影运算。
最后，根据拉格朗日对偶问题变换过程，得到典型日e的惩罚对偶问题为：
Figure BDA0003350091620000162
其中，
Figure BDA0003350091620000163
这样，典型日e的优化问题被转化成对应的惩罚对偶问题进行求解。
4)实现典型日并行求解。具体求解过程如下：
步骤1，初始化。置迭代次数l，m＝0；所有典型日e＝1,2,…,E初始化
Figure BDA0003350091620000164
μe(0)＝0的值，并优化各自运行变量的决策结果
Figure BDA0003350091620000165
设定步长序列α(l)＝bl/(l+al)、β(m)＝bm/(m+am)，其中，a和b的值，根据算法多次测试的收敛效果进行设定；设定停止误差ε、σ为足够小的正数，根据实际要求进行设定；初始化
Figure BDA0003350091620000166
步骤2，更新惩罚因子变量μe和运行变量os,e。所有典型日并行地执行：
Figure BDA0003350091620000167
Figure BDA0003350091620000168
步骤3，更新容量配置变量qe和惩罚因子变量λe。所有典型日并行地执行：
Figure BDA0003350091620000171
Figure BDA0003350091620000172
其中，
Figure BDA0003350091620000173
为投影运算，运算过程为若qe(l+1)的值越出其上界，则令其等于上界值，而若qe(l+1)的值越出其下界，则令其等于下界值；
Figure BDA0003350091620000174
为函数
Figure BDA0003350091620000175
在
Figure BDA0003350091620000176
处的次梯度：
Figure BDA0003350091620000177
其中，
Figure BDA0003350091620000178
表示求导运算。
步骤4，所有典型日共识地协调步骤3的更新结果。
Figure BDA0003350091620000179
Figure BDA00033500916200001710
其中，典型日之间的邻接权重矩阵
Figure BDA00033500916200001711
中的每个元素可取1/E。
步骤5，判断每次迭代中的共识过程的收敛性。判断
Figure BDA00033500916200001712
是否成立，若成立，则置m＝0、
Figure BDA00033500916200001713
继续下一步，否则，则置m＝m+1、
Figure BDA00033500916200001714
Figure BDA00033500916200001715
返回步骤3；
步骤6，判断整个并行优化过程的收敛性。判断如下的条件是否成立：
||qe(l+1)-qe(l)||<σq、||λe(l+1)-λe(l)||<σλ、||μe(l+1)-μe(l)||<σμ、
Figure BDA0003350091620000181
若所有条件均成立，则程序停止，输出容量配置结果，否则，返回步骤2。
本发明的目的在于提供一种风光储容量配置并行优化方法，在给定的风光储新增总建设容量下，构建考虑时-空相关性的典型日风光出力不确定集作为系统运行的边界条件，建立以新能源消纳最大为目标的风光储容量优化配置模型，并提出基于共识的多典型日分布式优化算法实现模型并行求解。整个方法既兼顾新能源的随机特性，又消去了全年海量数据和多典型日带来的计算负担，保证配置结果的实际可用性和配置过程的高效性，有利于提高系统运行的可靠性和经济性。
第二方面。
请参阅图4，本发明一实施例提供一种风光储容量配置并行优化系统，包括：
光出力场景集建立模块10，用于获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集。
可以理解的是，根据对新能源历史出力数据的分析结果，分别构建考虑时-空相关性的典型日的风出力场景集
Figure BDA0003350091620000182
和典型日的光出力场景集
Figure BDA0003350091620000183
优选地，所述基于时-空相关性的典型日的风出力场景集
Figure BDA0003350091620000184
通过以下公式表示：
Figure BDA0003350091620000185
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure BDA0003350091620000191
为典型日的风出力场景集，ω为风电出力向量，ω k,t,e为风电的归一化出力的下界，ωk,t,e为风电的归一化出力，
Figure BDA0003350091620000192
为风电的归一化出力的上界，T为总时段，
Figure BDA0003350091620000193
为风电出力的时间指标，K为风电场总数，
Figure BDA0003350091620000194
为风电出力的空间指标。
风光实现场景构建模块20，用于分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景。
需要说明的是，采用全场景可行方法选取满足预设数量S的风出力场景及光出力场景，其中，预设数量S通过以下公式计算：
Figure BDA0003350091620000195
其中，t为调度时段，T为总时段，
Figure BDA0003350091620000196
为风出力场景集
Figure BDA0003350091620000197
的顶点个数，
Figure BDA0003350091620000198
为典型日的光出力场景集
Figure BDA0003350091620000199
的顶点个数。
风光储容量优化配置模型建立模块30，用于根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型。
需要说明的是，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure BDA00033500916200001910
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs,e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk,t,e为典型日e下的风电场k的消纳量，pvh,t,e为典型日e下的光伏节点h的消纳量。
所述电力节点的容量配置约束条件包括总配置容量约束和可配置容量的上、下限约束，具体为：
Figure BDA0003350091620000201
Figure BDA0003350091620000202
Figure BDA0003350091620000203
其中，j为储能节点，J为储能节点总数，
Figure BDA0003350091620000204
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure BDA0003350091620000205
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure BDA0003350091620000206
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure BDA0003350091620000207
为风电场k的容量配置的上限，
Figure BDA0003350091620000208
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure BDA0003350091620000209
为光伏节点h的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure BDA00033500916200002010
为光伏节点h的容量配置的上限，
Figure BDA00033500916200002011
为光伏节点h的容量配置的下限。各典型日下的电网及各设备运行约束，包括负荷平衡约束、传输线安全约束、系统备用容量约束以及风光火储设备的运行约束均为常规描述形式。
优化模块40，用于根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；当所有典型日的容量配置结果一致时，结束优化。
在本发明实施例的一具体实施方式中，所述优化模块40，还用于：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解。
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
需要说明的是，分解得到的各典型日独立优化模型为：
Figure BDA0003350091620000211
其中，为讨论方便，物理模型被写成如上式的一般数学形式。qe为典型日e对容量配置变量
Figure BDA0003350091620000212
的复制，os,e为选取的风-光实现场景s对典型日e下设备运行变量oe的复制，需要注意的是火电机组的启/停状态变量在所有场景下保持一致。目标函数中的
Figure BDA0003350091620000213
约束中的h(qe)＝0为qe各分量之间的等式耦合约束，对应物理模型中的总配置容量约束；ge(qe,os,e)≤0为qe和os,e之间的不等式耦合约束，对应设备运行约束中的风光消纳约束；
Figure BDA0003350091620000214
为qe各分量的独立约束集，对应容量配置上、下限约束；
Figure BDA0003350091620000215
为os,e的独立约束集，对应电网及各设备运行约束。
为实现并行优化，上述模型进一步变换。引入惩罚因子变量λe和μe，将h(qe)＝0和ge(qe,os,e)≤0松弛写入目标函数，得到相应的惩罚函数：
Figure BDA0003350091620000216
其中，[·]+表示非负投影运算。
根据拉格朗日对偶问题变换过程，可得到典型日e的惩罚对偶问题为：
Figure BDA0003350091620000217
其中，
Figure BDA0003350091620000221
最终，典型日e的优化问题被转化成对应的惩罚对偶问题进行求解。
假设已知的容量配置结果为
Figure BDA0003350091620000222
其中l为迭代次数，另外假设引入的惩罚因子变量的值为
Figure BDA0003350091620000223
和μe(l)，那么，可得到运行变量的优化结果为：
Figure BDA0003350091620000224
根据所得的os,e(l+1)，更新容量配置结果和惩罚因子λe：
Figure BDA0003350091620000225
Figure BDA0003350091620000226
同时进行共识协调：
Figure BDA0003350091620000227
Figure BDA0003350091620000228
其中，
Figure BDA0003350091620000229
为投影运算，β(m)；for all m为共识协调过程中qe和λe取值更新的步长序列，应满足
Figure BDA00033500916200002210
以及
Figure BDA00033500916200002211
Figure BDA00033500916200002212
为函数
Figure BDA00033500916200002213
在
Figure BDA00033500916200002214
处的次梯度：
Figure BDA00033500916200002215
其中，
Figure BDA00033500916200002216
表示次梯度运算。另外，
Figure BDA00033500916200002217
为典型日n和典型日e之间的共识权重系数，需同时满足
Figure BDA00033500916200002218
与
Figure BDA00033500916200002219
惩罚因子变量μe的更新如下：
Figure BDA0003350091620000231
其中，α(l)；foralll为μe的步长序列，同样要满足β(m)的性质。
程序停止的判断条件为||qe(l+1)-qe(l)||<σq、||λe(l+1)-λe(l)||<σλ、||μe(l+1)-μe(l)||<σμ，以及所有典型日的容量配置结果和惩罚因子变量λe的决策结果达成一致：
Figure BDA0003350091620000232
若所有条件均成立，则程序停止，输出容量配置结果。
相对于现有技术，本发明提供的系统具有以下有益效果：本发明是一种考虑新能源出力时-空相关性的风光储容量配置优化方法，通过构建考虑时-空相关性的新能源典型日出力不确定集作为协调规划与运行的边界条件，使配置过程既避免了全年海量数据的计算负担，同时又兼顾新能源发电的随机性，保证所得配置结果贴近实际，有利于电力系统的可靠运行。另外，提出典型日并行计算方式，有效地消除了典型日个数增加对配置过程计算时间的影响，实现配置过程的高效计算，提高系统运行的经济性。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种风光储容量配置并行优化方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图5所示，图5所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的一种风光储容量配置并行优化方法。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

Claims (10)

1.一种风光储容量配置并行优化方法，其特征在于，包括：
获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集；
分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景；
根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型；
根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；
当所有典型日的容量配置结果一致时，结束优化。
2.如权利要求1所述的一种风光储容量配置并行优化方法，其特征在于，所述根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据，包括：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解；
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
3.如权利要求1所述的一种风光储容量配置并行优化方法，其特征在于，所述基于时-空相关性的典型日的风出力场景集，通过以下公式表示：
Figure FDA0003350091610000021
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure FDA0003350091610000022
为典型日的风出力场景集，ω为风电出力向量，ω k，t，e为风电的归一化出力的下界，ωk，t，e为风电的归一化出力，
Figure FDA0003350091610000023
为风电的归一化出力的上界，T为总时段，
Figure FDA0003350091610000024
为风电出力的时间指标，K为风电场总数，
Figure FDA0003350091610000025
为风电出力的空间指标。
4.如权利要求1所述的一种风光储容量配置并行优化方法，其特征在于，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure FDA0003350091610000026
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs，e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk，t，e为典型日e下的风电场k的消纳量，pvh，t，e为典型日e下的光伏节点九的消纳量。
5.如权利要求1所述的一种风光储容量配置并行优化方法，其特征在于，所述电力节点的容量配置约束条件包括：总配置容量约束条件和可配置容量的上、下限约束条件；具体地，所述电力节点的容量配置约束条件通过以下公式表示：
Figure FDA0003350091610000027
Figure FDA0003350091610000028
Figure FDA0003350091610000031
其中，j为储能节点，J为储能节点总数，
Figure FDA0003350091610000032
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure FDA0003350091610000033
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure FDA0003350091610000034
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure FDA0003350091610000035
为风电场k的容量配置的上限，
Figure FDA0003350091610000036
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure FDA0003350091610000037
为光伏节点九的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure FDA0003350091610000038
为光伏节点九的容量配置的上限，
Figure FDA0003350091610000039
为光伏节点九的容量配置的下限。
6.一种风光储容量配置并行优化系统，其特征在于，包括：
光出力场景集建立模块，用于获取新能源历史出力数据，并根据所述新能源历史出力数据建立基于时-空相关性的典型日的风出力场景集及基于时-空相关性的典型日的光出力场景集；
风光实现场景构建模块，用于分别从所述风出力场景集及所述光出力场景集中选取满足预设数量的风出力场景及光出力场景，并通过所述风出力场景及所述光出力场景构建风光实现场景；
风光储容量优化配置模型建立模块，用于根据电力节点的容量配置约束条件及电网设备的运行约束条件，建立风光储容量优化配置模型；
优化模块，用于根据所述风光实现场景的配置数据对所述风光储容量优化配置模型的运行变量进行优化，并根据优化结果更新所述容量配置约束条件及所述配置数据；当所有典型日的容量配置结果一致时，结束优化。
7.如权利要求6所述的一种风光储容量配置并行优化系统，其特征在于，所述优化模块，还用于：
通过风光实现场景的配置数据匹配典型日，并按典型日将所述风光储容量优化配置模型进行分解；
当所有所述典型日匹配完成后，优化与所述典型日对应的风光实现场景的配置数据，并根据优化结果更新所述容量配置约束条件。
8.如权利要求6所述的一种风光储容量配置并行优化系统，其特征在于，所述基于时-空相关性的典型日的风出力场景集，通过以下公式表示：
Figure FDA0003350091610000041
其中，e为新能源出力典型日，t为调度时段，k为风电场标号，
Figure FDA0003350091610000042
为典型日的风出力场景集，ω为风电出力向量，ω k，t，e为风电的归一化出力的下界，ωk，t，e为风电的归一化出力，
Figure FDA0003350091610000043
为风电的归一化出力的上界，T为总时段，
Figure FDA0003350091610000044
为风电出力的时间指标，K为风电场总数，
Figure FDA0003350091610000045
为风电出力的空间指标。
9.如权利要求6所述的一种风光储容量配置并行优化系统，其特征在于，所述风光储容量优化配置模型，通过以下公式进行表示：
Figure FDA0003350091610000046
其中，Y为风光储容量优化配置模型，e为典型日，E为典型日总数，ρe为典型日e所占比重，s为风光实现场景，S为风光实现场景总数，πs，e为典型日e下风-光实现场景s的概率，t为调度时段，T为总时段，k为风电场标号，K为风电场总数，wk，t，e为典型日e下的风电场k的消纳量，pvh，t，e为典型日e下的光伏节点九的消纳量。
10.如权利要求6所述的一种风光储容量配置并行优化系统，其特征在于，所述电力节点的容量配置约束条件包括：总配置容量约束条件和可配置容量的上、下限约束条件；具体地，所述电力节点的容量配置约束条件通过以下公式表示：
Figure FDA0003350091610000051
Figure FDA0003350091610000052
Figure FDA0003350091610000053
其中，j为储能节点，J为储能节点总数，
Figure FDA0003350091610000054
为储能节点j的容量配置变量，QSS为风光储新增储能节点总建设容量，V j为储能节点j的可配置的容量上限，
Figure FDA0003350091610000055
为储能节点j的可配置的容量下限，k为风电场标号，K为风电场总数，
Figure FDA0003350091610000056
为风电场k的容量配置变量，QWF为风光储新增风电场总建设容量，
Figure FDA0003350091610000057
为风电场k的容量配置的上限，
Figure FDA0003350091610000058
为风电场k的容量配置的下限，h为光伏节点，H为光伏节点总数，
Figure FDA0003350091610000059
为光伏节点九的容量配置变量，QPV为风光储新增光伏节点总建设容量，
Figure FDA00033500916100000510
为光伏节点九的容量配置的上限，
Figure FDA00033500916100000511
为光伏节点九的容量配置的下限。
CN202111334655.9A 2021-11-11 2021-11-11 一种风光储容量配置并行优化方法及系统 Active CN114123258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111334655.9A CN114123258B (zh) 2021-11-11 2021-11-11 一种风光储容量配置并行优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111334655.9A CN114123258B (zh) 2021-11-11 2021-11-11 一种风光储容量配置并行优化方法及系统

Publications (2)

Publication Number Publication Date
CN114123258A true CN114123258A (zh) 2022-03-01
CN114123258B CN114123258B (zh) 2024-06-11

Family

ID=80378500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111334655.9A Active CN114123258B (zh) 2021-11-11 2021-11-11 一种风光储容量配置并行优化方法及系统

Country Status (1)

Country Link
CN (1) CN114123258B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法
WO2020063144A1 (zh) * 2018-09-30 2020-04-02 中国电力科学研究院有限公司 一种柔性直流电网的能源外送能力评估方法及系统
CN112671046A (zh) * 2020-12-21 2021-04-16 国网经济技术研究院有限公司 一种风光火储外送容量协调优化配置方法和系统
CN112785027A (zh) * 2020-06-22 2021-05-11 国网江苏省电力有限公司经济技术研究院 风光储联合发电系统置信容量评估方法及系统
CN113437756A (zh) * 2021-06-21 2021-09-24 三峡大学 考虑配电网静态电压稳定性的微电网优化配置方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063144A1 (zh) * 2018-09-30 2020-04-02 中国电力科学研究院有限公司 一种柔性直流电网的能源外送能力评估方法及系统
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN112785027A (zh) * 2020-06-22 2021-05-11 国网江苏省电力有限公司经济技术研究院 风光储联合发电系统置信容量评估方法及系统
CN112671046A (zh) * 2020-12-21 2021-04-16 国网经济技术研究院有限公司 一种风光火储外送容量协调优化配置方法和系统
CN113437756A (zh) * 2021-06-21 2021-09-24 三峡大学 考虑配电网静态电压稳定性的微电网优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田蓓;王朝晖;张爽;安静;刘宝柱;: "面向风光综合消纳的电力系统广域储能容量优化配置研究", 智慧电力, no. 06 *

Also Published As

Publication number Publication date
CN114123258B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
Wang et al. Estimation of distribution and differential evolution cooperation for large scale economic load dispatch optimization of power systems
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
Tohidi et al. Sequential coordination of transmission expansion planning with strategic generation investments
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
Park et al. Comparing scenario reduction methods for stochastic transmission planning
CN107147116B (zh) 一种风电投资规划的优化方法、装置及计算设备
Göke A graph-based formulation for modeling macro-energy systems
CN112163304B (zh) 一种输电网冗余约束识别方法、存储介质及计算设备
Elanchezhian et al. Economic power dispatch with cubic cost models using teaching learning algorithm
Jin et al. Dispatching strategies for coordinating environmental awareness and risk perception in wind power integrated system
CN111181201B (zh) 基于双层强化学习的多能园区调度方法及系统
Yang et al. An improved robust SCUC approach considering multiple uncertainty and correlation
CN115587668A (zh) 多园区综合能源系统分布式协同优化调度方法
Wu et al. Long-term market competition analysis for hydropower stations using SSDP-games
Liu et al. Scenario adjustable scheduling model with robust constraints for energy intensive corporate microgrid with wind power
Peng et al. Sequential coalition formation for wind-thermal combined bidding
Mishra et al. Solving bi-objective economic-emission load dispatch of diesel-wind-solar microgrid using African vulture optimization algorithm
Kaytez Evaluation of priority strategies for the expansion of installed wind power capacity in Turkey using a fuzzy analytic network process analysis
Falugi et al. Application of novel nested decomposition techniques to long-term planning problems
CN114064235A (zh) 多任务教与学优化方法、系统及设备
Li et al. Robust transmission constrained unit commitment: a column merging method
Yu et al. Application of fuzzy spiking neural dP systems in energy coordinated control of multi-microgrid
Zavala et al. Computational and economic limitations of dispatch operations in the next-generation power grid
Larsen et al. Probabilistic production simulation including combined heat and power plants
Göke AnyMOD–A graph-based framework for energy system modelling with high levels of renewables and sector integration

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