CN114256882B - 一种基于风险控制的风储联合系统调度方法及系统 - Google Patents

一种基于风险控制的风储联合系统调度方法及系统 Download PDF

Info

Publication number
CN114256882B
CN114256882B CN202111406091.5A CN202111406091A CN114256882B CN 114256882 B CN114256882 B CN 114256882B CN 202111406091 A CN202111406091 A CN 202111406091A CN 114256882 B CN114256882 B CN 114256882B
Authority
CN
China
Prior art keywords
scene
wind
risk control
combined system
energy storage
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
CN202111406091.5A
Other languages
English (en)
Other versions
CN114256882A (zh
Inventor
袁文
帅勇
姚生奎
钟浩
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
Changde 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
Changde 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, Changde Power Supply Co of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111406091.5A priority Critical patent/CN114256882B/zh
Publication of CN114256882A publication Critical patent/CN114256882A/zh
Application granted granted Critical
Publication of CN114256882B publication Critical patent/CN114256882B/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
    • H02J3/38—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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于风险控制的风储联合系统调度方法及系统，本发明包括建立随机模拟场景并进行削减形成典型场景；根据场景出现的概率，考虑电能交易日前市场和实时市场面临的风险，建立风储联合系统决策风险控制模型，以风电出力和市场电价为不确定变量，求解风储联合系统风险控制模型，得到日前电量申报方案，以及储能系统的初步运行计划；在电能交易实时市场，根据最新预测的风电出力情况调整储能实际运行计划，以储能的运行计划为决策变量重新求解风险控制模型，对储能系统的充放电运行方案进行再优化。本发明能够获得风储联合系统的日前运行方案和储能系统的充放电方案，将不确定因素导致的风险降到最低，减小了风储联合系统运行成本。

Description

一种基于风险控制的风储联合系统调度方法及系统
技术领域
本发明属于新能源发电控制领域，具体涉及一种基于风险控制的风储联合系统调度方法及系统。
背景技术
目前我国正在加快电力现货市场的建设进程，以风电为代表的新能源参与现货市场竞争将会成为趋势。由于风力发电的间歇性和不确定性，导致风电运营商面临较大的实时平衡成本，承担很大的收益风险，在现货市场中的竞争力被严重削弱。近年来储能技术日渐成熟，储能系统具有灵活充放电的特点，可以为电力系统提供快速的响应能力。风电场与储能系统联合运行，可有效平抑风电波动，提升风电的可调度性，一定程度上降低风电商参与现货市场的风险。为应对发电商参与现货市场竞标的风险，现有文献大多采用随机规划方法，认为发电商是完全理性的决策者，考虑电价、负荷、风电出力等不确定因素对竞标结果的影响，以现货市场中的期望收益最大为目标确定日前竞标策略。但是，现实中发电商处于一个不确定和动态变化的现货市场环境中，其能够获取的信息十分有限，对市场的预测也存在一定的误差，根据这些只能通过预测得到的风电出力和日前、实时电价等不确定信息进行决策，将存在很大的风险，另外，在未来当不确定变量的实际情况都确定后，很可能会有更好的日前竞标策略。因此，需要详细分析风电出力、日前市场电价和实时市场电价等不确定性因素引起的风险，及其对风储联合系统参与市场竞标的影响。
对于风储联合系统来说，追求利润最大化无疑是他们的最高目标，但是由于风电实时自然出力具有显著的间歇性和不确定性，风储联合系统在日前竞标决策时无法对未来做出精准的预测，导致日前竞标策略与实际情况出现偏差，从而产生较大的风险。期望收益法只关注能使所有场景下的期望收益最大的方案，并以此为最优方案，但由于决策信息的不确定和不完全，最优方案在实际执行过程中也存在不确定性，不能保证达到最优效果。而基于期望收益差的决策思路在考虑各场景最大收益方案的基础上，很好的描述各场景最大收益方案的不确定性对决策结果造成的收益偏差风险，更加符合实际决策情况。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于风险控制的风储联合系统调度方法及系统，本发明能够得到风储联合系统的日前运行方案和储能系统的充放电方案，将不确定因素导致的风险降到最低，减小了风储联合系统运行成本。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于风险控制的风储联合系统调度方法，包括：
1）基于风电出力的场景数据以及系统参数生成随机的场景；
2）进行场景削减以形成典型场景集；
3）计算每个典型场景下的最优电量申报方案；
4）建立第一风储联合系统决策风险控制模型，第一风储联合系统决策风险控制模型以典型场景下的最优电量申报方案与日前电量申报方案
Figure SMS_1
之间收益差/>
Figure SMS_4
的期望值最小作为期望收益差/>
Figure SMS_6
；制定日前电量申报方案/>
Figure SMS_2
，计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure SMS_5
之间收益差/>
Figure SMS_7
的期望值，确定最小的期望收益差min/>
Figure SMS_8
对应的日前电量申报方案/>
Figure SMS_3
为最终的申报方案；
5）基于市场出清电价和最新预测的风电出力数据更新每个典型场景的场景数据；
6）计算更新场景数据后的每个典型场景下的最优储能运行计划
Figure SMS_9
和/>
Figure SMS_10
，其中
Figure SMS_11
是指典型场景/>
Figure SMS_12
下在t时段的充电功率，/>
Figure SMS_13
是指典型场景/>
Figure SMS_14
下在t时段的放电功率；
7）制定储能充放电方案
Figure SMS_15
和/>
Figure SMS_16
，其中/>
Figure SMS_17
是t时段的充电功率，/>
Figure SMS_18
是t时段的放电功率；
8）建立第二风储联合系统决策风险控制模型，第二风储联合系统决策风险控制模型以典型场景下最优储能运行计划
Figure SMS_20
和/>
Figure SMS_22
与储能充放电方案/>
Figure SMS_24
和/>
Figure SMS_21
之间收益差/>
Figure SMS_23
的期望值最小作为期望收益差min/>
Figure SMS_25
；求解第二风储联合系统决策风险控制模型，确定最小的期望收益差min/>
Figure SMS_27
对应的储能运行计划/>
Figure SMS_19
和/>
Figure SMS_26
；
9）输出最小的期望收益差min
Figure SMS_28
对应的日前电量申报方案/>
Figure SMS_29
、最小的期望收益差min/>
Figure SMS_30
对应的储能运行计划/>
Figure SMS_31
和/>
Figure SMS_32
。
可选地，步骤1）包括：针对风电场的历史出力数据以及日前市场历史电价数据，以及基于风电场的历史出力数据以及日前市场历史电价数据预测一天内多个时段风电出力和日前市场电价的预测数据，根据风电出力和日前市场电价的历史数据和预测数据计算所述风电场和日前市场电价的预测误差，假设预测误差的随机性服从正态分布，通过蒙特卡洛抽样得到N个场景样本。
可选地，步骤2）中进行场景削减以形成典型场景集包括：
2.1）从所有场景样本中的每一个场景
Figure SMS_33
，计算所有场景样本中剩余的场景样本与场景/>
Figure SMS_34
之间的Kantorovich概率距离KD，将每个场景/>
Figure SMS_35
的Kantorovich概率距离KD乘以对应的场景概率/>
Figure SMS_36
，在所有样本中找到最小的乘以场景概率后的Kantorovich概率距离KD；
2.2）确定最小的乘以场景概率后的Kantorovich概率距离KD所对应的场景
Figure SMS_52
和场景/>
Figure SMS_38
合并，且场景/>
Figure SMS_46
和场景/>
Figure SMS_41
对应的场景概率/>
Figure SMS_43
和/>
Figure SMS_44
满足/>
Figure SMS_45
，将场景/>
Figure SMS_49
和场景/>
Figure SMS_50
合并后替代场景/>
Figure SMS_39
，且将原来的场景/>
Figure SMS_42
和场景/>
Figure SMS_47
对应的场景概率/>
Figure SMS_48
和/>
Figure SMS_51
之和/>
Figure SMS_53
作为场景/>
Figure SMS_37
对应的场景概率/>
Figure SMS_40
；
2.3）判断所有场景样本的数量等于预设的削减后样本数N d是否成立，如果成立，则跳转执行步骤3）；否则，跳转执行步骤2.1）以继续进行场景削减。
可选地，步骤3）计算每个典型场景下的最优电量申报方案时，采用的目标函数为：
Figure SMS_54
上式中，R为总利润，max为最大值函数，
Figure SMS_55
为日前市场收益，/>
Figure SMS_56
为模拟实时市场的结算收益，/>
Figure SMS_57
为系统运行总成本，且有：
Figure SMS_58
，
Figure SMS_59
，
Figure SMS_60
，
上式中，T为一天的总时段数，
Figure SMS_70
为日前市场出清电价，/>
Figure SMS_62
为风储联合系统在日前市场的第t时段的申报电量；/>
Figure SMS_66
和/>
Figure SMS_74
分别为实时正、负不平衡结算电价，/>
Figure SMS_78
和/>
Figure SMS_76
为用于表示同一时刻系统不能同时出现功率正负不平衡状态的0-1变量，/>
Figure SMS_79
和/>
Figure SMS_72
分别为风储联合系统在第t个实时市场的正、负不平衡功率，/>
Figure SMS_75
为风电的发电成本系数，/>
Figure SMS_61
为风电的实时出力，/>
Figure SMS_67
为t时段储能系统的成本损耗，/>
Figure SMS_68
和/>
Figure SMS_71
分别为储能系统在t时段的实时充、放电功率，/>
Figure SMS_73
和/>
Figure SMS_77
为用于表示储能系统在时段 t的充电、放电状态的0-1变量，且满足/>
Figure SMS_63
；
Figure SMS_65
和/>
Figure SMS_64
两者构成的实时市场电价/>
Figure SMS_69
为：
Figure SMS_80
上式中，a和b分别为常数系数。
可选地，步骤4）中建立的第一风储联合系统决策风险控制模型的函数表达式为：
Figure SMS_81
上式中，min表示取最小值，E(D)表示第一风储联合系统决策风险控制模型的期望收益差，
Figure SMS_90
为典型场景下的最优电量申报方案与日前电量申报方案/>
Figure SMS_83
之间收益差，N d为典型场景数量，/>
Figure SMS_86
为典型场景的序号，/>
Figure SMS_95
为典型场景/>
Figure SMS_97
的场景概率/>
Figure SMS_100
，/>
Figure SMS_102
表示典型场景/>
Figure SMS_93
下不确定变量为/>
Figure SMS_96
、采用最优电量申报方案/>
Figure SMS_84
时的收益，
Figure SMS_88
表示典型场景/>
Figure SMS_82
下不确定变量为/>
Figure SMS_89
、采用日前电量申报方案
Figure SMS_92
时的收益；/>
Figure SMS_98
为典型场景/>
Figure SMS_91
下的风电出力，/>
Figure SMS_94
为典型场景/>
Figure SMS_99
下的日前市场出清电价，/>
Figure SMS_101
为典型场景/>
Figure SMS_85
下的实时市场电价；计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure SMS_87
之间收益差的函数表达式为：
Figure SMS_103
上式中，
Figure SMS_104
为典型场景/>
Figure SMS_105
下最优电量申报方案/>
Figure SMS_106
之间的收益差。
可选地，步骤8）中建立的第二风储联合系统决策风险控制模型的函数表达式为：
Figure SMS_107
上式中，min表示取最小值，min
Figure SMS_116
表示第二风储联合系统决策风险控制模型的期望收益差，/>
Figure SMS_110
为最优储能运行计划/>
Figure SMS_112
和/>
Figure SMS_113
、能充放电方案/>
Figure SMS_117
和/>
Figure SMS_119
之间的收益差的收益差，N d为典型场景数量，/>
Figure SMS_121
为典型场景的序号，/>
Figure SMS_120
为典型场景/>
Figure SMS_123
的场景概率/>
Figure SMS_108
，/>
Figure SMS_115
表示典型场景/>
Figure SMS_118
下采用最新预测的风电出力/>
Figure SMS_125
、最优储能运行计划/>
Figure SMS_124
和/>
Figure SMS_127
时的收益，
Figure SMS_111
表示典型场景/>
Figure SMS_114
下采用最新预测的风电出力/>
Figure SMS_122
、储能充放电方案/>
Figure SMS_126
和/>
Figure SMS_109
时的收益。
可选地，步骤8）中求解第二风储联合系统决策风险控制模型时采用的方法为混沌粒子群算法。
可选地，步骤8）中求解第二风储联合系统决策风险控制模型时，约束条件包括系统功率平衡约束、风储联合系统出力容量约束、储能的充放电功率约束、储能的能量平衡约束以及储能剩余能量约束。
此外，本发明还提供一种基于风险控制的风储联合系统调度系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述基于风险控制的风储联合系统调度方法的步骤。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于风险控制的风储联合系统调度方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明利用优化模型制定确定参数情形下的风储联合系统电量申报方案和储能系统运行计划后，针对不确定变量建立风储联合系统决策风险控制模型，以风电出力和市场电价为不确定变量，求解风储联合系统风险控制模型，得到日前电量申报方案，将不确定因素导致的风险降到最低，减小了风储联合系统运行成本；
2、本发明得到日前电量申报方案后，再根据最新预测的风电出力情况，以储能的运行计划为决策变量，重新求解风险控制模型求解得到储能系统充放电运行方案，进一步减小不确定因素导致的风险，降低风储联合系统运行成本，提高了储能系统运行效率，优化资源配置。
3、本发明将相近的场景用典型场景表示，进行场景削减，形成典型场景集，以便于量化计算、比较不确定因素下风储联合系统决策方案的风险。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的原理框图。
图3为本发明实施例的场景削减的流程示意图。
图4为本发明的方法和期望收益法求解的日前电量申报方案的对比示意图。
图5为本发明的方法和期望收益法不同场景下负偏差电量和负不平衡结算对比示意图。
图6为本发明的方法和期望收益法不同场景下的收益差的对比示意图。
具体实施方式
如图1所示，本实施例基于风险控制的风储联合系统调度方法包括：
1）基于风电出力的场景数据以及系统参数生成随机的场景；
2）进行场景削减以形成典型场景集；
3）计算每个典型场景下的最优电量申报方案；
4）建立第一风储联合系统决策风险控制模型，第一风储联合系统决策风险控制模型以典型场景下的最优电量申报方案与日前电量申报方案
Figure SMS_128
之间收益差/>
Figure SMS_131
的期望值最小作为期望收益差/>
Figure SMS_133
；制定日前电量申报方案/>
Figure SMS_129
，计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure SMS_132
之间收益差/>
Figure SMS_134
的期望值，确定最小的期望收益差min/>
Figure SMS_135
对应的日前电量申报方案/>
Figure SMS_130
为最终的申报方案；
5）基于市场出清电价和最新预测的风电出力数据更新每个典型场景的场景数据；
6）计算更新场景数据后的每个典型场景下的最优储能运行计划
Figure SMS_136
和/>
Figure SMS_137
，其中
Figure SMS_138
是指典型场景/>
Figure SMS_139
下在t时段的充电功率，/>
Figure SMS_140
是指典型场景/>
Figure SMS_141
下在t时段的放电功率；
7）制定储能充放电方案
Figure SMS_142
和/>
Figure SMS_143
，其中/>
Figure SMS_144
是t时段的充电功率，/>
Figure SMS_145
是t时段的放电功率；
8）建立第二风储联合系统决策风险控制模型，第二风储联合系统决策风险控制模型以典型场景下最优储能运行计划
Figure SMS_148
和/>
Figure SMS_151
与储能充放电方案/>
Figure SMS_153
和/>
Figure SMS_146
之间收益差/>
Figure SMS_149
的期望值最小作为期望收益差min/>
Figure SMS_152
；求解第二风储联合系统决策风险控制模型，确定最小的期望收益差min/>
Figure SMS_154
对应的储能运行计划/>
Figure SMS_147
和/>
Figure SMS_150
；
9）输出最小的期望收益差min
Figure SMS_155
对应的日前电量申报方案/>
Figure SMS_156
、最小的期望收益差min/>
Figure SMS_157
对应的储能运行计划/>
Figure SMS_158
和/>
Figure SMS_159
。
如图2所示，本实施例基于风险控制的风储联合系统调度方法包括根据风电场和市场电价的历史出力数据，对不同时段的风电出力和市场电价进行预测计算预测误差，建立随机模拟的场景；对场景进行削减，将相近的场景用典型场景表示，形成典型场景集；针对参数确定的典型场景，计算得到该典型场景下风储联合系统的最优电量申报方案和储能系统运行计划；根据典型场景出现的概率，建立风储联合系统决策风险控制模型，制定日前电量申报方案，计算每个场景下日前电量申报方案与步骤3得到的该场景的最优电量申报方案的收益差，求解期望收益差最小的电量申报方案作为最终的日前电量申报方案，并据此制定储能系统的初步运行计划；根据日前市场出清电价反映的用电需求和用电供需平衡关系，在电量交易实时市场中，根据最新预测的风电出力情况调整实际出力计划，以储能的运行计划为决策变量，重新求解风险控制模型，求解得到储能系统的充放电运行方案。本实施例方法在风储联合系统的运营方在风电出力和市场电价预测的基础上，制定风储联合系统电量申报方案参与电力市场竞标，风储联合系统实际运行时，由于风电出力和市场电价的不确定性，电力市场供需关系会出现变化，运营方可能无法完成申报的电量而影响电力供应从而出现风险；不确定情形下，风电场和储能系统的放电、充放电运行方案可能与风储联合系统的最优方案有非常大的差距，从而影响运营方的收益，出现巨大亏损。本发明针对风电出力的间歇性和市场电价的不确定性，在制定风储联合系统电量申报方案参与电力市场竞标时，以风电出力和市场电价为不确定变量，以期望收益差最小为目标，求解风储联合系统风险控制模型，得到日前最优运行方案，以及储能系统的初步运行计划；日前市场出清后，以市场电价反映的用电需求和用电供需平衡关系，以及日前中标电量作为已知条件，根据最新预测的风电出力情况调整实际出力计划，并重新求解风险控制模型，得到储能系统的充放电方案，以减小风险，降低风储联合系统运行成本，优化资源配置。本发明能够得到风储联合系统的日前运行方案和储能系统的充放电方案，将不确定因素导致的风险降到最低，减小了风储联合系统运行成本。
本实施例中，步骤1）包括：针对风电场的历史出力数据以及日前市场历史电价数据，以及基于风电场的历史出力数据以及日前市场历史电价数据预测一天内多个时段风电出力和日前市场电价的预测数据，根据风电出力和日前市场电价的历史数据和预测数据计算所述风电场和日前市场电价的预测误差，假设预测误差的随机性服从正态分布，通过蒙特卡洛抽样得到N个场景样本。本实施例中，获取风电场的历史出力数据以及日前市场历史电价数据，预测一天24时段风电出力和日前市场电价；针对风电场的历史出力数据以及日前市场历史电价数据，以及基于风电场的历史出力数据以及日前市场历史电价数据预测一天内多个时段风电出力和日前市场电价的预测数据，根据风电出力和日前市场电价的历史数据和预测数据计算所述风电场和日前市场电价的预测误差，假设预测误差的随机性服从正态分布，通过蒙特卡洛抽样得到N个场景样本。
本实施例步骤2）中计算场景的Kantorovich概率距离，将相近的场景用典型场景表示，进行场景削减。如图3所示，步骤2）中进行场景削减以形成典型场景集包括：
2.1）从所有场景样本中的每一个场景
Figure SMS_160
，计算所有场景样本中剩余的场景样本与场景/>
Figure SMS_161
之间的Kantorovich概率距离KD，将每个场景/>
Figure SMS_162
的Kantorovich概率距离KD乘以对应的场景概率/>
Figure SMS_163
，在所有样本中找到最小的乘以场景概率后的Kantorovich概率距离KD；
2.2）确定最小的乘以场景概率后的Kantorovich概率距离KD所对应的场景
Figure SMS_172
和场景/>
Figure SMS_166
合并，且场景/>
Figure SMS_169
和场景/>
Figure SMS_174
对应的场景概率/>
Figure SMS_176
和/>
Figure SMS_177
满足/>
Figure SMS_179
，将场景
Figure SMS_175
和场景/>
Figure SMS_178
合并后替代场景/>
Figure SMS_165
，且将原来的场景/>
Figure SMS_171
和场景/>
Figure SMS_167
对应的场景概率/>
Figure SMS_170
和
Figure SMS_173
之和/>
Figure SMS_180
作为场景/>
Figure SMS_164
对应的场景概率/>
Figure SMS_168
；
2.3）判断所有场景样本的数量等于预设的削减后样本数N d是否成立，如果成立，则跳转执行步骤3）；否则，跳转执行步骤2.1）以继续进行场景削减。
本实施例中，步骤3）计算每个典型场景下的最优电量申报方案时，采用的目标函数为：
Figure SMS_181
上式中，R为总利润，max为最大值函数，
Figure SMS_182
为日前市场收益，/>
Figure SMS_183
为模拟实时市场的结算收益，/>
Figure SMS_184
为系统运行总成本，且有：
Figure SMS_185
，
Figure SMS_186
，
Figure SMS_187
，
上式中，T为一天的总时段数（本实施例中T=24），
Figure SMS_196
为日前市场出清电价，/>
Figure SMS_189
为风储联合系统在日前市场的第t时段的申报电量；/>
Figure SMS_193
和/>
Figure SMS_202
分别为实时正、负不平衡结算电价，/>
Figure SMS_205
和/>
Figure SMS_204
为用于表示同一时刻系统不能同时出现功率正负不平衡状态的0-1变量，/>
Figure SMS_206
和
Figure SMS_198
分别为风储联合系统在第t个实时市场的正、负不平衡功率，/>
Figure SMS_201
为风电的发电成本系数，
Figure SMS_188
为风电的实时出力，/>
Figure SMS_192
为t时段储能系统的成本损耗，/>
Figure SMS_191
和/>
Figure SMS_195
分别为储能系统在t时段的实时充、放电功率，/>
Figure SMS_199
和/>
Figure SMS_203
为用于表示储能系统在时段 t的充电、放电状态的0-1变量，且满足/>
Figure SMS_190
；/>
Figure SMS_194
和/>
Figure SMS_197
两者构成的实时市场价/>
Figure SMS_200
为：
Figure SMS_207
上式中，a和b分别为常数系数。
需要说明的是，Kantorovich概率距离为现有距离计算方法，本实施例中仅仅涉及Kantorovich概率距离的基本引用，而不涉及对Kantorovich概率距离计算的改进，因此对于Kantorovich概率距离的具体计算方法本实施例中不再展开说明。如图3所示，本实施例中以场景对之间的Kantorovich概率距离为依据，在每次迭代过程中将最接近的两个场景合并，再进行概率叠加，从而减少场景数量。将概率距离相近的场景用典型场景表示，形成具有一定概率值的场景集，削减后的场景中包括不确定变量的可行值和出现的概率，能够在不丢失重要信息的前提下，最大程度地近似原始场景集。
本实施例中，步骤4）中建立的第一风储联合系统决策风险控制模型的函数表达式为：
Figure SMS_208
上式中，min表示取最小值，E(D)表示第一风储联合系统决策风险控制模型的期望收益差，
Figure SMS_219
为典型场景下的最优电量申报方案与日前电量申报方案/>
Figure SMS_211
之间收益差，N d为典型场景数量，/>
Figure SMS_216
为典型场景的序号，/>
Figure SMS_212
为典型场景/>
Figure SMS_214
的场景概率/>
Figure SMS_221
，/>
Figure SMS_223
表示典型场景/>
Figure SMS_217
下不确定变量为/>
Figure SMS_220
、采用最优电量申报方案/>
Figure SMS_209
时的收益，
Figure SMS_213
表示典型场景/>
Figure SMS_224
下不确定变量为/>
Figure SMS_227
、采用日前电量申报方案
Figure SMS_225
时的收益；/>
Figure SMS_226
为典型场景/>
Figure SMS_218
下的风电出力，/>
Figure SMS_222
为典型场景/>
Figure SMS_228
下的日前市场出清电价，
Figure SMS_229
为典型场景/>
Figure SMS_210
下的实时市场电价；计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure SMS_215
之间收益差的函数表达式为：
Figure SMS_230
上式中，
Figure SMS_231
为典型场景/>
Figure SMS_232
下最优电量申报方案/>
Figure SMS_233
之间的收益差。
本实施例中，步骤8）中建立的第二风储联合系统决策风险控制模型的函数表达式为：
Figure SMS_234
上式中，min表示取最小值，min
Figure SMS_244
表示第二风储联合系统决策风险控制模型的期望收益差，/>
Figure SMS_236
为最优储能运行计划/>
Figure SMS_240
和/>
Figure SMS_238
、能充放电方案/>
Figure SMS_242
和/>
Figure SMS_245
之间的收益差的收益差，N d为典型场景数量，/>
Figure SMS_250
为典型场景的序号，/>
Figure SMS_243
为典型场景/>
Figure SMS_246
的场景概率/>
Figure SMS_237
，/>
Figure SMS_241
表示典型场景/>
Figure SMS_248
下采用最新预测的风电出力/>
Figure SMS_253
、最优储能运行计划/>
Figure SMS_249
和/>
Figure SMS_252
时的收益，
Figure SMS_239
表示典型场景/>
Figure SMS_247
下采用最新预测的风电出力/>
Figure SMS_251
、储能充放电方案/>
Figure SMS_254
和/>
Figure SMS_235
时的收益。
本实施例中，步骤8）中求解第二风储联合系统决策风险控制模型时采用的方法为混沌粒子群算法。此外，也可以根据需要采用其他求解算法。
本实施例中，步骤8）中求解第二风储联合系统决策风险控制模型时，约束条件包括系统功率平衡约束、风储联合系统出力容量约束、储能的充放电功率约束、储能的能量平衡约束以及储能剩余能量约束，其中：
系统功率平衡约束的函数表达式为：
Figure SMS_255
上式中，
Figure SMS_256
为风电的实时出力，/>
Figure SMS_257
和/>
Figure SMS_258
分别为储能的充、放电功率，/>
Figure SMS_259
为风储联合系统在日前市场的第t时段的申报电量，/>
Figure SMS_260
和/>
Figure SMS_261
分别为风储联合系统在第t个实时市场的正、负不平衡功率；
风储联合系统出力容量约束的函数表达式为：
Figure SMS_262
上式中，
Figure SMS_263
为风储联合系统在日前市场的第t时段的申报电量；/>
Figure SMS_264
为风电输出功率最大限值，/>
Figure SMS_265
为储能放电功率最大限值；
储能的充放电功率约束的函数表达式为：
Figure SMS_266
Figure SMS_267
上式中，
Figure SMS_268
和/>
Figure SMS_269
分别为储能的充、放电功率，/>
Figure SMS_270
,/>
Figure SMS_271
分别表示充电、放电功率的最大限值；
储能的能量平衡约束的函数表达式为：
Figure SMS_272
Figure SMS_273
上式中，
Figure SMS_274
为储能系统在时段t的剩余电量，其剩余电量应为上一时段t-1的剩余电量减去当前时段t损耗的电量；/>
Figure SMS_275
为储能系统在时段t-1的剩余电量，其剩余电量应为上一时段t-2的剩余电量减去当前时段t-1损耗的电量；/>
Figure SMS_276
，/>
Figure SMS_277
分别表示储能设备的充、放电效率；/>
Figure SMS_278
为时间间隔；/>
Figure SMS_279
为储能运行周期初始荷电量，/>
Figure SMS_280
表示一个调度周期结束后储能的荷电量，当储能的一个运行周期结束后，储能的剩余电量应等于初始电量；
储能剩余能量约束的函数表达式为：
Figure SMS_281
上式中，
Figure SMS_282
表示储能剩余能量，/>
Figure SMS_283
,/>
Figure SMS_284
分别表示储能系统剩余能量的最小、最大限值。
本实施例中，计算得到的日前电量申报方案如图4所示。由图4可知，在9时刻，电价处于较高点，风电出力处于上升期，期望收益法竞标出力明显高于本文方法；在12时刻，电价降幅较大，期望收益法竞标出力也大幅下降，但风电出力处于较高水平，本文方法竞标出力明显高于期望收益法；在14-16时段，电价处于低谷时期，但风电出力较高，本文方法竞标出力明显高于期望收益法；在17-18时段，电价呈现上升趋势，整体水平较高，风电出力也较高，期望收益法竞标出力明显高于本文方法；在20-21时段电价处于高峰期，但风电降幅很大，本文方法竞标出力明显低于期望收益法；在23时刻，电价下降，但整体水平较高，风电出力不高，期望收益法竞标出力明显高于本文方法。期望收益法在高电价时段竞标出力过高容易产生负不平衡功率，增大风储联合系统的实时不平衡惩罚风险；在低电价时段竞标出力过低会导致日前市场成交电量较少，收益下降，这些都会增强风储联合系统的风险。本发明的方法为了避免上述情况的发生，计算得到的发电量更保守，能应对小概率场景的风险，使风储联合系统的风险最小。
本实施例方法与期望收益法在日前市场竞标阶段的申报电量计算结果如表1所示，表1中变化率表示本发明方法相对期望收益法的计算结果增减变化情况。
表1：本实施例方法与期望收益法在日前市场竞标阶段的申报电量计算结果对比表。
Figure SMS_285
本实施例方法与期望收益法在日前市场出清后储能优化运行阶段，计算的储能系统充放电方案如表2所示。
表2：本实施例方法与期望收益法计算的储能系统充放电方案对比表。
Figure SMS_286
由表1、表2可见，期望收益法的计算结果会产生较大的下偏差电量，不确定因素影响下，风储联合系统的日前申报方案与确定情形下对应场景的最优申报方案收益差较大，在实时市场中面临很高的不平衡惩罚风险。本实施例方法在日前市场的电量申报方案和市场出清后储能优化运行的决策方案中，收益差都比传统的期望收益法得到的方案降低了30%以上，有效降低了风储联合系统的风险。本实施例方法得到的下偏差电量在日前市场竞标阶段比期望收益法降低了94.2%，实时负不平衡结算成本降低了88.2%，市场出清后储能优化运行阶段的下偏差电量降低了83.7%，实时负不平衡结算成本降低了60.7%，可见本实施例方法能够有效控制风电出力不确定造成的下偏差电量，降低实时不平衡惩罚，抵御不确定性因素给风储联合系统带来的风险，有利于风电高渗透率的电力系统的安全稳定运行。同时，本实施例方法计算结果的上偏差电量与期望收益法相比，在两阶段决策中都有所增加，上偏差电量可增加实时电力市场的正不平衡结算，增加收益。
本实施例中，为了分析本实施例方法和期望收益法对不同不确定变量情形的适应性，从抽样场景中选取4个典型场景进行结果对比分析，如图5、图6所示。
由图5可见，对于场景1-4，本实施例方法的下偏差电量均小于期望收益法，且本实施例方法在场景2和场景4中下偏差电量为0，完全避免了实时不平衡结算的惩罚风险。
由图6可见，对于场景1-4，本实施例方法得到的运行方案与确定情形下对应场景的供电计划方案的收益差均小于期望收益法，本实施例方法实现了资源的优化配置。
综上所述，本实施例方法包括建立随机模拟场景并进行削减形成典型场景；根据场景出现的概率，考虑电能交易日前市场和实时市场面临的风险，建立风储联合系统决策风险控制模型，以风电出力和市场电价为不确定变量，求解风储联合系统风险控制模型，得到日前电量申报方案，以及储能系统的初步运行计划；在电能交易实时市场，根据最新预测的风电出力情况调整储能实际运行计划，以储能的运行计划为决策变量重新求解风险控制模型，对储能系统的充放电运行方案进行再优化。本发明能够获得风储联合系统的日前运行方案和储能系统的充放电方案，将不确定因素导致的风险降到最低，减小了风储联合系统运行成本。
此外，本实施例还提供一种基于风险控制的风储联合系统调度系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述基于风险控制的风储联合系统调度方法的步骤。此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述基于风险控制的风储联合系统调度方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于风险控制的风储联合系统调度方法，其特征在于，包括：
1）基于风电出力的场景数据以及系统参数生成随机的场景；
2）进行场景削减以形成典型场景集；
3）计算每个典型场景下的最优电量申报方案；
4）建立第一风储联合系统决策风险控制模型，第一风储联合系统决策风险控制模型以典型场景下的最优电量申报方案与日前电量申报方案
Figure QLYQS_1
之间收益差/>
Figure QLYQS_3
的期望值最小作为期望收益差/>
Figure QLYQS_5
；制定日前电量申报方案/>
Figure QLYQS_4
，计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure QLYQS_6
之间收益差/>
Figure QLYQS_7
的期望值，确定最小的期望收益差min/>
Figure QLYQS_8
对应的日前电量申报方案/>
Figure QLYQS_2
为最终的申报方案；
5）基于市场出清电价和最新预测的风电出力数据更新每个典型场景的场景数据；
6）计算更新场景数据后的每个典型场景下的最优储能运行计划
Figure QLYQS_9
和/>
Figure QLYQS_10
，其中/>
Figure QLYQS_11
是指典型场景/>
Figure QLYQS_12
下在t时段的充电功率，/>
Figure QLYQS_13
是指典型场景/>
Figure QLYQS_14
下在t时段的放电功率；
7）制定储能充放电方案
Figure QLYQS_15
和/>
Figure QLYQS_16
，其中/>
Figure QLYQS_17
是t时段的充电功率，/>
Figure QLYQS_18
是t时段的放电功率；
8）建立第二风储联合系统决策风险控制模型，第二风储联合系统决策风险控制模型以典型场景下最优储能运行计划
Figure QLYQS_19
和/>
Figure QLYQS_22
与储能充放电方案/>
Figure QLYQS_24
和/>
Figure QLYQS_21
之间收益差/>
Figure QLYQS_25
的期望值最小作为期望收益差min/>
Figure QLYQS_26
；求解第二风储联合系统决策风险控制模型，确定最小的期望收益差min/>
Figure QLYQS_27
对应的储能运行计划/>
Figure QLYQS_20
和/>
Figure QLYQS_23
；
9）输出最小的期望收益差min
Figure QLYQS_28
对应的日前电量申报方案/>
Figure QLYQS_29
、最小的期望收益差min/>
Figure QLYQS_30
对应的储能运行计划/>
Figure QLYQS_31
和/>
Figure QLYQS_32
。
2.根据权利要求1所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤1）包括：针对风电场的历史出力数据以及日前市场历史电价数据，以及基于风电场的历史出力数据以及日前市场历史电价数据预测一天内多个时段风电出力和日前市场电价的预测数据，根据风电出力和日前市场电价的历史数据和预测数据计算所述风电场和日前市场电价的预测误差，假设预测误差的随机性服从正态分布，通过蒙特卡洛抽样得到N个场景样本。
3.根据权利要求2所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤2）中进行场景削减以形成典型场景集包括：
2.1）从所有场景样本中的每一个场景
Figure QLYQS_33
，计算所有场景样本中剩余的场景样本与场景
Figure QLYQS_34
之间的Kantorovich概率距离KD，将每个场景/>
Figure QLYQS_35
的Kantorovich概率距离KD乘以对应的场景概率/>
Figure QLYQS_36
，在所有样本中找到最小的乘以场景概率后的Kantorovich概率距离KD；
2.2）确定最小的乘以场景概率后的Kantorovich概率距离KD所对应的场景
Figure QLYQS_47
和场景/>
Figure QLYQS_37
合并，且场景/>
Figure QLYQS_43
和场景/>
Figure QLYQS_39
对应的场景概率/>
Figure QLYQS_46
和/>
Figure QLYQS_44
满足/>
Figure QLYQS_48
，将场景/>
Figure QLYQS_45
和场景/>
Figure QLYQS_49
合并后替代场景/>
Figure QLYQS_38
，且将原来的场景/>
Figure QLYQS_41
和场景/>
Figure QLYQS_50
对应的场景概率/>
Figure QLYQS_52
和/>
Figure QLYQS_51
之和/>
Figure QLYQS_53
作为场景/>
Figure QLYQS_40
对应的场景概率/>
Figure QLYQS_42
；
2.3）判断所有场景样本的数量等于预设的削减后样本数N d是否成立，如果成立，则跳转执行步骤3）；否则，跳转执行步骤2.1）以继续进行场景削减。
4.根据权利要求3所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤3）计算每个典型场景下的最优电量申报方案时，采用的目标函数为：
Figure QLYQS_54
上式中，R为总利润，max为最大值函数，
Figure QLYQS_55
为日前市场收益，/>
Figure QLYQS_56
为模拟实时市场的结算收益，/>
Figure QLYQS_57
为系统运行总成本，且有：
Figure QLYQS_58
，
Figure QLYQS_59
，
Figure QLYQS_60
，
上式中，T为一天的总时段数，
Figure QLYQS_73
为日前市场出清电价，/>
Figure QLYQS_62
为风储联合系统在日前市场的t时段的申报电量；/>
Figure QLYQS_68
和/>
Figure QLYQS_75
分别为实时正、负不平衡结算电价，/>
Figure QLYQS_78
和/>
Figure QLYQS_76
为用于表示同一时刻系统不能同时出现功率正负不平衡状态的0-1变量，/>
Figure QLYQS_79
和/>
Figure QLYQS_69
分别为风储联合系统在第t个实时市场的正、负不平衡功率，/>
Figure QLYQS_72
为风电的发电成本系数，/>
Figure QLYQS_61
为风电的实时出力，/>
Figure QLYQS_66
为t时段储能系统的成本损耗，/>
Figure QLYQS_64
和/>
Figure QLYQS_67
分别为储能系统在t时段的实时充、放电功率，/>
Figure QLYQS_70
和/>
Figure QLYQS_74
为用于表示储能系统在t时段的充电、放电状态的0-1变量，且满足/>
Figure QLYQS_63
；/>
Figure QLYQS_65
和/>
Figure QLYQS_71
两者构成的实时市场电价/>
Figure QLYQS_77
为：
Figure QLYQS_80
上式中，a和b分别为常数系数。
5.根据权利要求4所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤4）中建立的第一风储联合系统决策风险控制模型的函数表达式为：
Figure QLYQS_81
上式中，min表示取最小值，E(D)表示第一风储联合系统决策风险控制模型的期望收益差，
Figure QLYQS_89
为典型场景下的最优电量申报方案与日前电量申报方案/>
Figure QLYQS_82
之间收益差，N d为典型场景数量，/>
Figure QLYQS_86
为典型场景的序号，/>
Figure QLYQS_95
为典型场景/>
Figure QLYQS_98
的场景概率/>
Figure QLYQS_100
，/>
Figure QLYQS_102
表示典型场景/>
Figure QLYQS_94
下不确定变量为/>
Figure QLYQS_97
、采用最优电量申报方案/>
Figure QLYQS_84
时的收益，/>
Figure QLYQS_90
表示典型场景/>
Figure QLYQS_85
下不确定变量为/>
Figure QLYQS_88
、采用日前电量申报方案/>
Figure QLYQS_91
时的收益；/>
Figure QLYQS_93
为典型场景/>
Figure QLYQS_92
下的风电出力，/>
Figure QLYQS_99
为典型场景/>
Figure QLYQS_96
下的日前市场出清电价，/>
Figure QLYQS_101
为典型场景/>
Figure QLYQS_83
下的实时市场电价；计算每个典型场景下最优电量申报方案与日前电量申报方案/>
Figure QLYQS_87
之间收益差的函数表达式为：
Figure QLYQS_103
上式中，
Figure QLYQS_104
为典型场景/>
Figure QLYQS_105
下最优电量申报方案/>
Figure QLYQS_106
之间的收益差。
6.根据权利要求5所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤8）中建立的第二风储联合系统决策风险控制模型的函数表达式为：
Figure QLYQS_107
上式中，min表示取最小值，min
Figure QLYQS_119
表示第二风储联合系统决策风险控制模型的期望收益差，/>
Figure QLYQS_110
为最优储能运行计划/>
Figure QLYQS_113
和/>
Figure QLYQS_122
、能充放电方案/>
Figure QLYQS_126
和/>
Figure QLYQS_125
之间的收益差的收益差，N d为典型场景数量，/>
Figure QLYQS_127
为典型场景的序号，/>
Figure QLYQS_115
为典型场景/>
Figure QLYQS_117
的场景概率/>
Figure QLYQS_109
，/>
Figure QLYQS_112
表示典型场景/>
Figure QLYQS_111
下采用最新预测的风电出力/>
Figure QLYQS_120
、最优储能运行计划/>
Figure QLYQS_121
和/>
Figure QLYQS_123
时的收益，
Figure QLYQS_114
表示典型场景/>
Figure QLYQS_116
下采用最新预测的风电出力/>
Figure QLYQS_118
、储能充放电方案/>
Figure QLYQS_124
和/>
Figure QLYQS_108
时的收益。
7.根据权利要求1所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤8）中求解第二风储联合系统决策风险控制模型时采用的方法为混沌粒子群算法。
8.根据权利要求1所述的基于风险控制的风储联合系统调度方法，其特征在于，步骤8）中求解第二风储联合系统决策风险控制模型时，约束条件包括系统功率平衡约束、风储联合系统出力容量约束、储能的充放电功率约束、储能的能量平衡约束以及储能剩余能量约束。
9.一种基于风险控制的风储联合系统调度系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～8中任意一项所述基于风险控制的风储联合系统调度方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～8中任意一项所述基于风险控制的风储联合系统调度方法的计算机程序。
CN202111406091.5A 2021-11-24 2021-11-24 一种基于风险控制的风储联合系统调度方法及系统 Active CN114256882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111406091.5A CN114256882B (zh) 2021-11-24 2021-11-24 一种基于风险控制的风储联合系统调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111406091.5A CN114256882B (zh) 2021-11-24 2021-11-24 一种基于风险控制的风储联合系统调度方法及系统

Publications (2)

Publication Number Publication Date
CN114256882A CN114256882A (zh) 2022-03-29
CN114256882B true CN114256882B (zh) 2023-06-23

Family

ID=80791142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111406091.5A Active CN114256882B (zh) 2021-11-24 2021-11-24 一种基于风险控制的风储联合系统调度方法及系统

Country Status (1)

Country Link
CN (1) CN114256882B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409552A (zh) * 2022-08-29 2022-11-29 南京邮电大学 基于多场景风险预防控制的电动汽车备用申报方法及系统
CN115983518B (zh) * 2022-12-22 2024-06-11 浙江电力交易中心有限公司 一种风光储一体化系统的申报方法及相关组件
CN116258537A (zh) * 2023-05-12 2023-06-13 长江三峡集团实业发展(北京)有限公司 一种风电参与电力现货市场的利润优化方法、装置和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020486A (zh) * 2013-01-15 2013-04-03 海南电网公司 基于情景分析的电力系统运行风险评价方法
CN103455729A (zh) * 2013-09-17 2013-12-18 重庆市武隆县供电有限责任公司 一种光储并网联合发电调度值的计算方法
CN106230028A (zh) * 2016-09-08 2016-12-14 安徽电气工程职业技术学院 一种风电—抽水蓄能联合系统的多目标优化方法
CN111784055A (zh) * 2020-07-02 2020-10-16 长沙理工大学 一种考虑电力需求侧响应特性的虚拟电厂优化调度模型
WO2021058070A1 (en) * 2019-09-23 2021-04-01 Vestas Wind Systems A/S Method of controlling a wind power plant
CN113437757A (zh) * 2021-06-24 2021-09-24 三峡大学 基于前景理论的风-蓄联合系统电量分解方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553750A (zh) * 2020-05-12 2020-08-18 太原理工大学 一种计及电价不确定性和损耗成本的储能竞价策略方法
CN112821463B (zh) * 2021-01-07 2022-06-14 厦门大学 基于风、光随机性的主动配电网多目标日前优化调度方法
CN113112141A (zh) * 2021-04-07 2021-07-13 国网新疆电力有限公司经济技术研究院 一种综合能源系统能量优化调度方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020486A (zh) * 2013-01-15 2013-04-03 海南电网公司 基于情景分析的电力系统运行风险评价方法
CN103455729A (zh) * 2013-09-17 2013-12-18 重庆市武隆县供电有限责任公司 一种光储并网联合发电调度值的计算方法
CN106230028A (zh) * 2016-09-08 2016-12-14 安徽电气工程职业技术学院 一种风电—抽水蓄能联合系统的多目标优化方法
WO2021058070A1 (en) * 2019-09-23 2021-04-01 Vestas Wind Systems A/S Method of controlling a wind power plant
CN111784055A (zh) * 2020-07-02 2020-10-16 长沙理工大学 一种考虑电力需求侧响应特性的虚拟电厂优化调度模型
CN113437757A (zh) * 2021-06-24 2021-09-24 三峡大学 基于前景理论的风-蓄联合系统电量分解方法

Also Published As

Publication number Publication date
CN114256882A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN114256882B (zh) 一种基于风险控制的风储联合系统调度方法及系统
Ding et al. Integrated bidding and operating strategies for wind-storage systems
CN103368193B (zh) 用于跟踪计划出力的电池储能电站实时功率分配方法
CN110390467B (zh) 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法
CN112751348A (zh) 考虑风电调度和调频极限的储能优化控制方法
CN111523729B (zh) 基于igdt和需求响应的虚拟电厂竞价的优化控制方法
CN112465208B (zh) 计及区块链技术的虚拟电厂随机自适应鲁棒优化调度方法
CN110176765B (zh) 一种峰谷电价驱动的储能调峰日前优化调度方法
CN108054771A (zh) 一种储能系统充放电控制方法及系统
CN112529256A (zh) 考虑多重不确定性的分布式电源集群日前调度方法和系统
CN109146320A (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
CN115313378A (zh) 一种风光储发电站日前有功出力优化调度方法及系统
CN112928767B (zh) 一种分布式储能协同控制方法
CN110188915A (zh) 基于场景集的虚拟电厂中储能系统优化配置方法及系统
CN111553750A (zh) 一种计及电价不确定性和损耗成本的储能竞价策略方法
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
CN111478373A (zh) 考虑中长期交易和实时置换的新能源有功控制方法及系统
CN118249385A (zh) 一种促进分布式光伏消纳的控制方法、装置、设备及介质
CN117394404A (zh) 考虑碳效益和辅助调频的风电场储能容量配置方法
CN112926762A (zh) 一种基于安全约束机组组合模型的出清方法及装置
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
CN112072636A (zh) 基于源网荷不确定因素的电力现货市场运营方法
CN112907108B (zh) 一种海上风电场多阶段装机容量规划方法
CN115983421A (zh) 水电富集环境下水电平衡电站交易计划分析方法及装置
CN114595621A (zh) 考虑锂电池寿命损耗成本的风储联合系统经济调度方法

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