CN114237880A - 基于cg&s分布式计算方法的灵活性资源规划方法及终端 - Google Patents

基于cg&s分布式计算方法的灵活性资源规划方法及终端 Download PDF

Info

Publication number
CN114237880A
CN114237880A CN202111490214.8A CN202111490214A CN114237880A CN 114237880 A CN114237880 A CN 114237880A CN 202111490214 A CN202111490214 A CN 202111490214A CN 114237880 A CN114237880 A CN 114237880A
Authority
CN
China
Prior art keywords
node
objective function
flexible resource
planning
resource planning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111490214.8A
Other languages
English (en)
Inventor
林伟伟
林毅
黄海
张林垚
叶炜
林章岁
涂夏哲
吴威
尹欣宇
梁思琪
边晓燕
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 Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian 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 Fujian Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202111490214.8A priority Critical patent/CN114237880A/zh
Publication of CN114237880A publication Critical patent/CN114237880A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于CG&S分布式计算方法的灵活性资源规划方法及终端，包括步骤：步骤S1、建立多阶段随机灵活性资源规划模型；步骤S2、使用丹茨‑沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。本发明通过建立多阶段随机灵活性资源规划模型并使用丹茨‑沃尔夫公式分解并重新表述为主问题和子问题求解，实现对复杂的资源规划问题的求解，得到电力系统中灵活性资源的最优规划策略。

Description

基于CG＆S分布式计算方法的灵活性资源规划方法及终端
技术领域
本发明涉及电力规划技术领域，特别涉及一种基于CG&S分布式计算方法的灵活性资源规划方法及终端。
背景技术
对于资源规划问题，通常情况下采用单纯形法进行求解，单纯形法能够保证在数次迭代后找到最优解，但电力系统中的混合整数规划问题的求解存在一定难度。这类优化问题往往有约束的数目有限，但变量的数目庞大的特点，因此不能在模型中将所有变量明确表达出来，所以使用单纯形法无法求解此类问题，这对电力系统中灵活性资源的最优规划策略求解造成困难。
发明内容
本发明所要解决的技术问题是：提供一种基于CG&S分布式计算方法的灵活性资源规划方法及终端，其能够得到电力系统中灵活性资源的最优规划策略。
为了解决上述技术问题，本发明采用的技术方案为：
基于CG&S分布式计算方法的灵活性资源规划方法，包括步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
为了解决上述技术问题，本发明采用的另一种技术方案为：
基于CG&S分布式计算方法的灵活性资源规划终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
本发明的有益效果在于：基于CG&S分布式计算方法的灵活性资源规划方法及终端，其通过建立多阶段随机灵活性资源规划模型并使用丹茨-沃尔夫公式分解并重新表述为主问题和子问题求解，实现对复杂的资源规划问题的求解，得到电力系统中灵活性资源的最优规划策略。
附图说明
图1为本发明实施例的基于CG&S分布式计算方法的灵活性资源规划方法的流程示意图；
图2为本发明实施例涉及的求解分解后的多阶段随机灵活性资源规划模型的流程示意图；
图3为本发明实施例的基于CG&S分布式计算方法的灵活性资源规划终端的结构示意图；
图4为本发明实施例涉及的处理器的结构示意图。
标号说明：
1、基于CG&S分布式计算方法的灵活性资源规划终端；2、处理器；21、主处理器；22、第一辅助处理器；23、第二辅助处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1、图2和图4，基于CG&S分布式计算方法的灵活性资源规划方法，包括步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
由上述描述可知，本发明的有益效果在于：通过建立多阶段随机灵活性资源规划模型并使用丹茨-沃尔夫公式分解并重新表述为主问题和子问题求解，实现对复杂的资源规划问题的求解，得到电力系统中灵活性资源的最优规划策略。
进一步地，所述步骤S1，具体包括：
利用场景树将规划周期分为不同的决策阶段，根节点代表系统的初始状态，此节点只做出投资决策，而后继节点均由运行和投资阶段共同组成。
由上述描述可知，在一个阶段确定后，再进行下一阶段的操作，这种多阶段方法允许在几个时间点上做出投资决策，并考虑当前阶段已知的不确定参数集的信息，降低不确定性参数对规划的影响。
进一步地，所述步骤S1，具体建立了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，其目标函数描述如下：
Figure BDA0003398976690000031
式中，
Figure BDA0003398976690000032
节点n的发电单元的单位投资成本，
Figure BDA0003398976690000033
为节点n的ESS的单位投资成本，
Figure BDA0003398976690000034
为节点n的线路的单位投资成本，
Figure BDA0003398976690000035
为安装在节点n中的附加发电单元的容量，
Figure BDA0003398976690000036
为安装在节点n中的ESS的容量，
Figure BDA0003398976690000037
为安装在节点n冲的线路的容量，
Figure BDA0003398976690000038
为节点n中发电单元的单位可变成本，
Figure BDA0003398976690000039
为发电单元的启动成本，Pn，t，g为节点n中发电单元每小时的输出功率，Sn，t，g为节点n中发电单元每小时的启动次数，
Figure BDA00033989766900000310
为节点n中ESS的单位可变成本，
Figure BDA00033989766900000311
为ESS每小时在节点n中提供的电力，
Figure BDA00033989766900000312
为节点n中未得到供应的需求补偿成本，
Figure BDA00033989766900000313
为节点n时刻t在总线b上的减载量，其具有如下约束：
Figure BDA00033989766900000314
Figure BDA00033989766900000315
Figure BDA0003398976690000041
Figure BDA0003398976690000042
Figure BDA0003398976690000043
Figure BDA0003398976690000044
Figure BDA0003398976690000045
Figure BDA0003398976690000046
Figure BDA0003398976690000047
Figure BDA0003398976690000048
Figure BDA0003398976690000049
Figure BDA00033989766900000410
Figure BDA00033989766900000411
Figure BDA00033989766900000412
Figure BDA00033989766900000413
Figure BDA00033989766900000414
Figure BDA00033989766900000415
Figure BDA0003398976690000051
Figure BDA0003398976690000052
式中，
Figure BDA0003398976690000053
分别为节点n中发电、储能和线路总安装单元数量。
Figure BDA0003398976690000054
为安装在节点n中的额外发电单元、ESS和线路。
Figure BDA0003398976690000055
Figure BDA0003398976690000056
为节点n中各资源安装的最大数量，Fn，t，l为节点n中线路l上时刻t时的潮流，
Figure BDA0003398976690000057
分别为ESS每小时的自放电量、充电效率和放电效率。
由上述描述可知，其给出了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，约束将n的前驱节点上不同资源的投资与节点n中安装的总单元相关联，还限制了节点n中安装的单元总数，确保系统每条母线操作阶段每个小时的功率平衡，限制了通过传输线到各自安装容量的最大流量，给出发电单元的简化模型，具体给出热力发电机的最大发电量限制，给出RES发电机的功率受已安装的机组和一次能源的可用性的限制，考虑了能量平衡、最小和最大储能容量以及最大充放电功率约束，设置现有资产的安装单元数在每个节点n以及根节点现有单元的数量，限制了在根节点之后，不能再安装额外的发电、储能或输电单元。
进一步地，所述步骤S3，具体包括：
步骤S31、解决主问题的线性规划松弛问题，获得的目标函数的变化率；
步骤S32、根据目标函数的变化率求解子问题以生成新的CG列并且获得对应的最小的目标函数的变化量，每一个CG列对应一对可行的安装单元总数及其对应节点的优化操作，将目标函数的变化量小于零的列添加到主问题中；
步骤S33、计算线性规划中目标函数的变化量，并检查终止算法计算的条件。如果目标函数的变化量小于零，则将该列变量的相关系数加入到主问题的系数矩阵中，并返回步骤31执行新的迭代。如果相反，则满足终止条件，结束计算，得到目标函数的最优规划策略。
由上述描述可知，给出了分解后的目标函数主问题求解方法，计算得到目标函数的最优规划策略。
进一步地，所述步骤S31，具体包括：采用主处理器解决主问题的线性规划松弛问题，获得的目标函数的变化率，并将所述变化率传输到辅助处理器；
所述步骤S32，具体包括：在辅助处理器中，求解子问题以生成新的CG列，不同的辅助处理器之间共享列并生成新的CG列，将目标函数的变化量小于零的CG列发送至主处理器，并添加到主问题中。
由上述描述可知，将主问题于主处理器求解，子问题于辅助处理器求解，不同的辅助处理器之间共享列并生成新的列以提高该算法的计算效率。
请参照图3和图4，基于CG&S分布式计算方法的灵活性资源规划终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
由上述描述可知，本发明的有益效果在于：通过建立多阶段随机灵活性资源规划模型并使用丹茨-沃尔夫公式分解并重新表述为主问题和子问题求解，实现对复杂的资源规划问题的求解，得到电力系统中灵活性资源的最优规划策略。
进一步地，所述步骤S1，具体包括：
利用场景树将规划周期分为不同的决策阶段，根节点代表系统的初始状态，此节点只做出投资决策，而后继节点均由运行和投资阶段共同组成。
由上述描述可知，在一个阶段确定后，再进行下一阶段的操作，这种多阶段方法允许在几个时间点上做出投资决策，并考虑当前阶段已知的不确定参数集的信息，降低不确定性参数对规划的影响。
进一步地，所述步骤S1，具体建立了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，其目标函数描述如下：
Figure BDA0003398976690000071
式中，
Figure BDA0003398976690000072
节点n的发电单元的单位投资成本，
Figure BDA0003398976690000073
为节点n的ESS的单位投资成本，
Figure BDA0003398976690000074
为节点n的线路的单位投资成本，
Figure BDA0003398976690000075
为安装在节点n中的附加发电单元的容量，
Figure BDA0003398976690000076
为安装在节点n中的ESS的容量，
Figure BDA0003398976690000077
为安装在节点n中的线路的容量，
Figure BDA0003398976690000078
为节点n中发电单元的单位可变成本，
Figure BDA0003398976690000079
为发电单元的启动成本，Pn，t，g为节点n中发电单元每小时的输出功率，Sn，t，g为节点n中发电单元每小时的启动次数，
Figure BDA00033989766900000710
为节点n中ESS的单位可变成本，
Figure BDA00033989766900000711
为ESS每小时在节点n中提供的电力，
Figure BDA00033989766900000712
为节点n中未得到供应的需求补偿成本，
Figure BDA00033989766900000713
为节点n时刻t在总线b上的减载量，其具有如下约束：
Figure BDA00033989766900000714
Figure BDA00033989766900000715
Figure BDA00033989766900000716
Figure BDA00033989766900000717
Figure BDA00033989766900000718
Figure BDA00033989766900000719
Figure BDA00033989766900000720
Figure BDA00033989766900000721
Figure BDA0003398976690000081
Figure BDA0003398976690000082
Figure BDA0003398976690000083
Figure BDA0003398976690000084
Figure BDA0003398976690000085
Figure BDA0003398976690000086
Figure BDA0003398976690000087
Figure BDA0003398976690000088
Figure BDA0003398976690000089
Figure BDA00033989766900000810
Figure BDA00033989766900000811
式中，
Figure BDA00033989766900000812
分别为节点n中发电、储能和线路总安装单元数量。
Figure BDA00033989766900000813
为安装在节点n中的额外发电单元、ESS和线路。
Figure BDA00033989766900000814
Figure BDA00033989766900000815
为节点n中各资源安装的最大数量，Fn，t，l为节点n中线路l上时刻t时的潮流，
Figure BDA00033989766900000816
分别为ESS每小时的自放电量、充电效率和放电效率。
由上述描述可知，其给出了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，约束将n的前驱节点上不同资源的投资与节点n中安装的总单元相关联，还限制了节点n中安装的单元总数，确保系统每条母线操作阶段每个小时的功率平衡，限制了通过传输线到各自安装容量的最大流量，给出发电单元的简化模型，具体给出热力发电机的最大发电量限制，给出RES发电机的功率受已安装的机组和一次能源的可用性的限制，考虑了能量平衡、最小和最大储能容量以及最大充放电功率约束，设置现有资产的安装单元数在每个节点n以及根节点现有单元的数量，限制了在根节点之后，不能再安装额外的发电、储能或输电单元。
进一步地，所述步骤S3，具体包括：
步骤S31、解决主问题的线性规划松弛问题，获得的目标函数的变化率；
步骤S32、根据目标函数的变化率求解子问题以生成新的CG列并且获得对应的最小的目标函数的变化量，每一个CG列对应一对可行的安装单元总数及其对应节点的优化操作，将目标函数的变化量小于零的列添加到主问题中；
步骤S33、计算线性规划中目标函数的变化量，并检查终止算法计算的条件。如果目标函数的变化量小于零，则将该列变量的相关系数加入到主问题的系数矩阵中，并返回步骤31执行新的迭代。如果相反，则满足终止条件，结束计算，得到目标函数的最优规划策略。
由上述描述可知，给出了分解后的目标函数主问题求解方法，计算得到目标函数的最优规划策略。
进一步地，所述处理器包括一个主处理器和多个辅助处理器，所述步骤S31，具体包括：采用主处理器解决主问题的线性规划松弛问题，获得的目标函数的变化率，并将所述变化率传输到辅助处理器；
所述步骤S32，具体包括：在辅助处理器中，求解子问题以生成新的CG列，不同的辅助处理器之间共享列并生成新的CG列，将目标函数的变化量小于零的CG列发送至主处理器，并添加到主问题中。
由上述描述可知，将主问题于主处理器求解，子问题于辅助处理器求解，不同的辅助处理器之间共享列并生成新的列以提高该算法的计算效率。
本发明的基于CG&S分布式计算方法的灵活性资源规划方法及终端，应用于电力系统的灵活性资源规划，求解系统内灵活性资源的最优规划策略。
请参照图1，本发明的实施例一为：基于CG&S分布式计算方法的灵活性资源规划方法，其包括以下步骤：
步骤S1、建立多阶段随机灵活性资源规划模型。
具体地，通过基于场景树的方法，用目标函数及约束条件描述基本模型，得到一个大规模混合整数规划问题。后续步骤中对该模型求解即可得到系统内灵活性资源的最优规划策略。
在规划问题中，长期不确定性主要由燃料价格、运行及投资成本以及负荷需求变化等不确定性参数有关。利用场景树将规划周期分为不同的决策阶段，根节点代表系统的初始状态，此节点只做出投资决策。而后继节点均由运行和投资阶段共同组成。在一个阶段确定后，再进行下一阶段的操作，这种多阶段方法允许在几个时间点上做出投资决策，并考虑当前阶段已知的不确定参数集的信息，降低不确定性参数对规划的影响。
基于上述方法，建立一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，其目标函数为投资和运行成本的预期总和最小，描述公式(1)如下：
Figure BDA0003398976690000101
式中，
Figure BDA0003398976690000102
分别为节点n的发电单元、ESS(Energy Storage System，储能系统)和线路的单位投资成本。
Figure BDA0003398976690000103
为安装在节点n中的附加发电单元、ESS和线路的容量。
Figure BDA0003398976690000104
为节点n中发电单元的单位可变成本、
Figure BDA0003398976690000105
为发电单元的启动成本。Pn，t，g为节点n中发电单元每小时的输出功率，Sn，t，g为节点n中发电单元每小时的启动次数。
Figure BDA0003398976690000106
为节点n中ESS的单位可变成本，
Figure BDA0003398976690000107
为ESS每小时在节点n中提供的电力。
Figure BDA0003398976690000108
为节点n中未得到供应的需求补偿成本。
Figure BDA0003398976690000109
为节点n时刻t在总线b上的减载量。
针对系统、发电机组以及储能分别建立约束条件。具体包括系统及母线功率平衡及传输容量约束、投资约束、发电单元的出力约束以及储能水平及充放电功率的约束，具体如下：
Figure BDA0003398976690000111
Figure BDA0003398976690000112
Figure BDA0003398976690000113
上述约束(2)-(4)是非预期约束。式中，
Figure BDA0003398976690000114
分别为节点n中发电、储能和线路总安装单元数量。
Figure BDA0003398976690000115
为安装在节点n中的额外发电单元、ESS和线路。
Figure BDA0003398976690000116
为节点n中各资源安装的最大数量。它们将n的前驱节点上不同资源的投资与节点n中安装的总单元相关联，还限制了节点n中安装的单元总数。
Figure BDA0003398976690000117
Figure BDA0003398976690000118
上述约束(5)-(6)与输电网络相关，约束(5)确保系统每条母线操作阶段每个小时的功率平衡，约束(6)限制了通过传输线到各自安装容量的最大流量，式中，Fn，t，l为节点n中线路l上时刻t时的潮流。
Figure BDA0003398976690000119
Figure BDA00033989766900001110
Figure BDA00033989766900001111
Figure BDA00033989766900001112
Figure BDA00033989766900001113
上述约束中，约束(7)给出发电单元的简化模型，具体给出热力发电机的最大发电量限制，约束(8)给出RES发电机的功率受已安装的机组和一次能源的可用性的限制，ESSs简化模型考虑了能量平衡(9)、最小和最大储能容量(10)以及最大充放电功率约束(11)，其中约束(10)允许限制储能的能量水平，以防止加速退化。
Figure BDA0003398976690000121
分别为ESS每小时的自放电量、充电效率和放电效率。
Figure BDA0003398976690000122
Figure BDA0003398976690000123
Figure BDA0003398976690000124
Figure BDA0003398976690000125
Figure BDA0003398976690000126
Figure BDA0003398976690000127
Figure BDA0003398976690000128
Figure BDA0003398976690000129
Figure BDA00033989766900001210
上述约束中，约束(12)–(14)设置现有资产的安装单元数在每个节点n以及根节点现有单元的数量，为了保持模型的一致性，约束(15)-(17)将安装在根节点上的额外单元的数量设置为现有单元的数量，约束(18)–(20)限制了在根节点之后，不能再安装额外的发电、储能或输电单元。
由于电力系统中的混合整数规划问题的求解存在一定难度。这类优化问题往往有约束的数目有限，但变量的数目庞大的特点，因此不能在模型中将所有变量明确表达出来，所以使用单纯形法无法求解此类问题。
但求解过程中，基变量只与约束的个数相关，每次迭代只会有一个新的非基变量产生，所以在整个求解过程中其实只有很少一部分变量会被涉及到。因此在单纯型法的基础上产生了列生成算法。列生成与共享算法是一种用于求解大规模线性优化问题的非常高效的算法。其理论基础是由丹茨等人于1960年提出，本质上而言，列生成算法就是单纯形法的一种形式。目前，国内对于分布式求解算法也有一些研究和改进，但针对列生成与共享算法的讨论较少。这一方法不再需要遍历所有变量，甚至在未知变量总数的情况下也能够工作，只要能在每次迭代的时候生成一个或者多个变量，即可达到提升优化的目的，通过不断加入新变量直到没有小于0的非基变量的检验数，至此求得原问题的最优解。
步骤S2、使用丹茨-沃尔夫(Dantzig-Wolfe)公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题。
首先，用矩阵(A，1a)描述该多阶段随机问题的目标函数：
Figure BDA0003398976690000131
式中，
Figure BDA0003398976690000132
表示节点n的概率，In表示额外安装在节点n的单元向量，Xn表示节点n中运行变量的向量。
Figure BDA0003398976690000133
分别为投资和运行的单位成本。
将在n的前驱节点做出的投资决策与节点n中的总安装单元相结合给出约束：
Figure BDA0003398976690000134
式中，Zn为节点n中总安装单元的向量。
将节点n中的运行决策与节点n中的总安装单元相关联，从而给出约束：
Figure BDA0003398976690000135
式中，An表示节点n中耦合运行和投资决策的矩阵。总结最大投资限制，从而给出约束：
Figure BDA0003398976690000136
式中，
Figure BDA0003398976690000137
为节点n中可安装单元的最大数量。
总结不明确依赖于总安装单元的操作，以给出约束：
Figure BDA0003398976690000141
式中，Xn表示节点n运行变量的向量，χn为节点n中的一组可行的操作决策。
给出说明投资完整性的相关约束：
Figure BDA0003398976690000142
式中，In表示节点n中额外安装单元的向量，G、ε、L为分别一组发电机、ESS和输电线路。
Figure BDA0003398976690000143
Figure BDA0003398976690000144
Figure BDA0003398976690000145
上述约束(A.1g)-(A.1i)总结了对现有资源投资决策的约束。U0为0-1变量，表示资源是已经存在或是候选资产。
之后再用使用离散化方法重新表述问题。为此，将节点n中总安装单元的可行区域(包括发电机、ESSs和线路)定义为：
Figure BDA0003398976690000146
对于节点n中安装的总单元的每个可行向量
Figure BDA0003398976690000147
存在至少一个相关的最优运行规划
Figure BDA0003398976690000148
因此Xn可以表示为：
Figure BDA0003398976690000149
丹茨-沃尔夫分解的主问题(A.4a)是通过将(A.1a)式中的Zn和Xn分别代入(A.2)和(A.3)得到的。式中，
Figure BDA00033989766900001410
表示安装或不安装的离散变量。约束(A.4b)等价于约束(A.1b)。而约束(A.4c)和(A.4d)是为了确保场景树中的每个节点仅选择总安装单元的一个向量，即仅选择一个操作计划。相关的约束(A.4b)和(A.4c)的目标函数变化率分别是πn和μn。
Figure BDA0003398976690000151
Figure BDA0003398976690000152
Figure BDA0003398976690000153
Figure BDA0003398976690000154
Figure BDA0003398976690000155
diag(U0)I1＝Z0 (A.4f)；
Figure BDA0003398976690000156
在将求解分体分解之后，就可以对分解后的问题进行求解计算，以得到预期投资、运营和总成本、负荷缺额和可再生能源削减量以及每个规划模型的预期装机容量。
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
请参照图2，具体包括：
步骤S31、利用主处理器解决主问题的线性规划(LP)松弛问题。此时，每个节点将获得目标函数的变化率，此变化率将同时会被传输到辅助处理器中用于求解子问题。
步骤S32、在辅助处理器中，求解子问题以生成新的CG列。该列的产生将同时出现最小的目标函数变化量(检验量)。本实施例中一个列对应一对可行的安装单元总数及其对应节点的优化操作。
不同的辅助处理器之间共享列并生成新的列以提高该算法的计算效率，将目标函数变化量小于零的列发送至主处理器，并添加到主问题中。
步骤S33、计算线性规划中目标函数的变化量，并检查终止算法计算的条件。如果目标函数的变化量小于零，则将该列变量的相关系数加入到主问题的系数矩阵中，并返回步骤31执行新的迭代。如果相反，则满足终止条件，结束计算，得到目标函数的最优规划策略。
本文提出的列生成与共享算法在计算性能上也比已有的求解算法更具有优越性，通常情况下，待求解问题为混合整数规划问题，且问题的规模会随着求解时间尺度的增加而增加，使问题变得更加复杂。现有的算法在求解过程中，子问题的大小会呈线性增长，甚至是指数增长，给求解增加难度。但本发明提出的方法利用场景树考虑长期不确定性，所以能够保证子问题的大小不变。无论是求解时间还是迭代次数，都能够说明使用新颖的列生成和共享方法的优势。随着阶段数量的增加，问题的规模也随之增加，所提出的方法会明显快于其他分解方法。由于场景树和投资决策中的节点数量较多，一般方法通常需要大量迭代才能收敛。相比之下，在包含列分享程序的情况下，这种现象得到了改善，这是因为列分享程序在每次迭代中为场景树的每个节点生成新的可行列是有效的，这些额外的列为主问题添加了更多信息，提高了目标函数变化率变化的速率。此外，添加这些列可以快速降低目标函数的上限同时增加收敛性。
请参照图3，本发明的实施例二为：
基于CG&S分布式计算方法的灵活性资源规划终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，请参照图4，处理器具体包括主处理器21、第一辅助处理器22和第二辅助处理器23，主处理器21、第一辅助处理器22和第二辅助处理器之间相互通信。
主处理器21、第一辅助处理器22和第二辅助处理器23执行计算机程序时实现上述实施例一的步骤，其中主处理器21执行计算机程序时实现上述实施例一的步骤S1、步骤S2、步骤S31和步骤S33，第一辅助处理器22和第二辅助处理器23执行计算机程序时实现上述实施例一的步骤S32。
综上所述，本发明提供的基于CG&S分布式计算方法的灵活性资源规划方法及终端，其通过建立多阶段随机灵活性资源规划模型并使用丹茨-沃尔夫公式分解并重新表述为主问题和子问题求解，实现对复杂的资源规划问题的求解，将主问题于主处理器求解，子问题于辅助处理器求解，不同的辅助处理器之间共享列并生成新的列以提高该算法的计算效率，采用场景树的方法，用目标函数及约束条件描述基本模型，降低不确定性参数对规划的影响，并给出了范例的资源规划目标函数，其考虑短期响应和长期不确定性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于CG&S分布式计算方法的灵活性资源规划方法，其特征在于，包括步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
2.根据权利要求1所述的基于CG&S分布式计算方法的灵活性资源规划方法，其特征在于，所述步骤S1，具体包括：
利用场景树将规划周期分为不同的决策阶段，根节点代表系统的初始状态，此节点只做出投资决策，而后继节点均由运行和投资阶段共同组成。
3.根据权利要求2所述的基于CG&S分布式计算方法的灵活性资源规划方法，其特征在于，所述步骤S1，具体建立了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，其目标函数描述如下：
Figure FDA0003398976680000011
式中，
Figure FDA0003398976680000012
节点n的发电单元的单位投资成本，
Figure FDA0003398976680000013
为节点n的ESS的单位投资成本，
Figure FDA0003398976680000014
为节点n的线路的单位投资成本，
Figure FDA0003398976680000015
为安装在节点n中的附加发电单元的容量，
Figure FDA0003398976680000016
为安装在节点n中的ESS的容量，
Figure FDA0003398976680000017
为安装在节点n中的线路的容量，
Figure FDA0003398976680000018
为节点n中发电单元的单位可变成本，
Figure FDA0003398976680000019
为发电单元的启动成本，Pn，t，g为节点n中发电单元每小时的输出功率，Sn，t，g为节点n中发电单元每小时的启动次数，
Figure FDA00033989766800000110
为节点n中ESS的单位可变成本，
Figure FDA00033989766800000111
为ESS每小时在节点n中提供的电力，
Figure FDA00033989766800000112
为节点n中未得到供应的需求补偿成本，
Figure FDA00033989766800000113
为节点n时刻t在总线b上的减载量，其具有如下约束：
Figure FDA00033989766800000114
Figure FDA0003398976680000021
Figure FDA0003398976680000022
Figure FDA0003398976680000023
Figure FDA0003398976680000024
Figure FDA0003398976680000025
Figure FDA0003398976680000026
Figure FDA0003398976680000027
Figure FDA0003398976680000028
Figure FDA0003398976680000029
Figure FDA00033989766800000210
Figure FDA00033989766800000211
Figure FDA00033989766800000212
Figure FDA00033989766800000213
Figure FDA00033989766800000214
Figure FDA00033989766800000215
Figure FDA0003398976680000031
Figure FDA0003398976680000032
Figure FDA0003398976680000033
式中，
Figure FDA0003398976680000034
分别为节点n中发电、储能和线路总安装单元数量；
Figure FDA0003398976680000035
为安装在节点n中的额外发电单元、ESS和线路；
Figure FDA0003398976680000036
Figure FDA0003398976680000037
为节点n中各资源安装的最大数量，Fn，t，l为节点n中线路l上时刻t时的潮流，
Figure FDA0003398976680000038
分别为ESS每小时的自放电量、充电效率和放电效率。
4.根据权利要求1所述的基于CG&S分布式计算方法的灵活性资源规划方法，其特征在于，所述步骤S3，具体包括：
步骤S31、解决主问题的线性规划松弛问题，获得的目标函数的变化率；
步骤S32、根据目标函数的变化率求解子问题以生成新的CG列并且获得对应的最小的目标函数的变化量，每一个CG列对应一对可行的安装单元总数及其对应节点的优化操作，将目标函数的变化量小于零的列添加到主问题中；
步骤S33、计算线性规划中目标函数的变化量，并检查终止算法计算的条件；如果目标函数的变化量小于零，则将该列变量的相关系数加入到主问题的系数矩阵中，并返回步骤31执行新的迭代；如果相反，则满足终止条件，结束计算，得到目标函数的最优规划策略。
5.根据权利要求4所述的基于CG&S分布式计算方法的灵活性资源规划方法，其特征在于，所述步骤S31，具体包括：采用主处理器解决主问题的线性规划松弛问题，获得的目标函数的变化率，并将所述变化率传输到辅助处理器；
所述步骤S32，具体包括：在辅助处理器中，求解子问题以生成新的CG列，不同的辅助处理器之间共享列并生成新的CG列，将目标函数的变化量小于零的CG列发送至主处理器，并添加到主问题中。
6.基于CG&S分布式计算方法的灵活性资源规划终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、建立多阶段随机灵活性资源规划模型；
步骤S2、使用丹茨-沃尔夫公式将多阶段随机灵活性资源规划模型的目标函数分解并重新表述为主问题和子问题；
步骤S3、求解分解后的主问题和子问题，得到目标函数的最优规划策略。
7.根据权利要求6所述的基于CG&S分布式计算方法的灵活性资源规划终端，其特征在于，所述步骤S1，具体包括：
利用场景树将规划周期分为不同的决策阶段，根节点代表系统的初始状态，此节点只做出投资决策，而后继节点均由运行和投资阶段共同组成。
8.根据权利要求7所述的基于CG&S分布式计算方法的灵活性资源规划终端，其特征在于，所述步骤S1，具体建立了一种考虑短期响应和长期不确定性的灵活性资源综合规划模型，其目标函数描述如下：
Figure FDA0003398976680000041
式中，
Figure FDA0003398976680000042
节点n的发电单元的单位投资成本，
Figure FDA0003398976680000043
为节点n的ESS的单位投资成本，
Figure FDA0003398976680000044
为节点n的线路的单位投资成本，
Figure FDA0003398976680000045
为安装在节点n中的附加发电单元的容量，
Figure FDA0003398976680000046
为安装在节点n中的ESS的容量，
Figure FDA0003398976680000047
为安装在节点n中的线路的容量，
Figure FDA0003398976680000048
为节点n中发电单元的单位可变成本，
Figure FDA0003398976680000049
为发电单元的启动成本，Pn，t，g为节点n中发电单元每小时的输出功率，Sn，t，g为节点n中发电单元每小时的启动次数，
Figure FDA00033989766800000410
为节点n中ESS的单位可变成本，
Figure FDA00033989766800000411
为ESS每小时在节点n中提供的电力，
Figure FDA00033989766800000412
为节点n中未得到供应的需求补偿成本，
Figure FDA00033989766800000413
为节点n时刻t在总线b上的减载量，其具有如下约束：
Figure FDA00033989766800000414
Figure FDA0003398976680000051
Figure FDA0003398976680000052
Figure FDA0003398976680000053
Figure FDA0003398976680000054
Figure FDA0003398976680000055
Figure FDA0003398976680000056
Figure FDA0003398976680000057
Figure FDA0003398976680000058
Figure FDA0003398976680000059
Figure FDA00033989766800000510
Figure FDA00033989766800000511
Figure FDA00033989766800000512
Figure FDA00033989766800000513
Figure FDA00033989766800000514
Figure FDA00033989766800000515
Figure FDA0003398976680000061
Figure FDA0003398976680000062
Figure FDA0003398976680000063
式中，
Figure FDA0003398976680000064
分别为节点n中发电、储能和线路总安装单元数量；
Figure FDA0003398976680000065
为安装在节点n中的额外发电单元、ESS和线路；
Figure FDA0003398976680000066
Figure FDA0003398976680000067
为节点n中各资源安装的最大数量，Fn，t，l为节点n中线路l上时刻t时的潮流，
Figure FDA0003398976680000068
分别为ESS每小时的自放电量、充电效率和放电效率。
9.根据权利要求6所述的基于CG&S分布式计算方法的灵活性资源规划终端，其特征在于，所述步骤S3，具体包括：
步骤S31、解决主问题的线性规划松弛问题，获得的目标函数的变化率；
步骤S32、根据目标函数的变化率求解子问题以生成新的CG列并且获得对应的最小的目标函数的变化量，每一个CG列对应一对可行的安装单元总数及其对应节点的优化操作，将目标函数的变化量小于零的列添加到主问题中；
步骤S33、计算线性规划中目标函数的变化量，并检查终止算法计算的条件；如果目标函数的变化量小于零，则将该列变量的相关系数加入到主问题的系数矩阵中，并返回步骤31执行新的迭代；如果相反，则满足终止条件，结束计算，得到目标函数的最优规划策略。
10.根据权利要求9所述的基于CG&S分布式计算方法的灵活性资源规划终端，其特征在于，所述处理器包括一个主处理器和多个辅助处理器，所述步骤S31，具体包括：采用主处理器解决主问题的线性规划松弛问题，获得的目标函数的变化率，并将所述变化率传输到辅助处理器；
所述步骤S32，具体包括：在辅助处理器中，求解子问题以生成新的CG列，不同的辅助处理器之间共享列并生成新的CG列，将目标函数的变化量小于零的CG列发送至主处理器，并添加到主问题中。
CN202111490214.8A 2021-12-08 2021-12-08 基于cg&s分布式计算方法的灵活性资源规划方法及终端 Pending CN114237880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111490214.8A CN114237880A (zh) 2021-12-08 2021-12-08 基于cg&s分布式计算方法的灵活性资源规划方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111490214.8A CN114237880A (zh) 2021-12-08 2021-12-08 基于cg&s分布式计算方法的灵活性资源规划方法及终端

Publications (1)

Publication Number Publication Date
CN114237880A true CN114237880A (zh) 2022-03-25

Family

ID=80754080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111490214.8A Pending CN114237880A (zh) 2021-12-08 2021-12-08 基于cg&s分布式计算方法的灵活性资源规划方法及终端

Country Status (1)

Country Link
CN (1) CN114237880A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523279A (zh) * 2023-07-05 2023-08-01 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523279A (zh) * 2023-07-05 2023-08-01 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法
CN116523279B (zh) * 2023-07-05 2023-09-22 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法

Similar Documents

Publication Publication Date Title
Rezaee Jordehi An improved particle swarm optimisation for unit commitment in microgrids with battery energy storage systems considering battery degradation and uncertainties
Morshed et al. Hybrid imperialist competitive-sequential quadratic programming (HIC-SQP) algorithm for solving economic load dispatch with incorporating stochastic wind power: a comparative study on heuristic optimization techniques
CN107392395A (zh) 一种基于价格激励机制的配电网和微电网协调优化方法
Pinto et al. An efficient parallel algorithm for large scale hydrothermal system operation planning
CN107171365A (zh) 基于场景解耦和异步迭代的多目标随机动态经济调度方法
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
Xiong et al. Stochastic unit commitment using multi-cut decomposition algorithm with partial aggregation
CN108616124B (zh) 基于有序二元决策图的配电网重构计算方法
CN114237880A (zh) 基于cg&s分布式计算方法的灵活性资源规划方法及终端
Giannelos et al. Option value of dynamic line rating and storage
Falugi et al. Application of novel nested decomposition techniques to long-term planning problems
Hoogsteen et al. On the scalability of decentralized energy management using profile steering
Durgadevi et al. Availability Capacity Evaluation and Reliability Assessment of Integrated Systems Using Metaheuristic Algorithm.
CN115425697B (zh) 基于交替方向乘子法的分布式跨区跨省调度方法及系统
CN116843054A (zh) 一种电力系统额外碳排放责任量化与分摊方法及系统
CN110766285A (zh) 一种基于虚拟电厂的日前能源调度方法
CN107482658A (zh) 一种微电网储能经济运行控制方法和装置
Li et al. Risk-Based Reserve Scheduling for Active Distribution Networks Based on an Improved Proximal Policy Optimization Algorithm
CN116454927A (zh) 基于共享储能的电网两阶段在线调度方法、系统及设备
Kaneda et al. Optimal management of storage for offsetting solar power uncertainty using multistage stochastic programming
CN107437811B (zh) 电力系统暂态稳定约束最优潮流并行计算方法
Klaimi et al. An energy management approach for smart-grids using intelligent storage systems
Elsayed et al. Automated differential evolution for solving dynamic economic dispatch problems
Li et al. Strategic Investments of Large Scale Battery Energy Storage Systems in the Wholesale Electricity Market
Xu et al. Anti-disaster transmission expansion planning considering wind power integration using ordinal optimization

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