CN114418198A - 一种弃新能源惩罚成本的分段函数式计算方法 - Google Patents

一种弃新能源惩罚成本的分段函数式计算方法 Download PDF

Info

Publication number
CN114418198A
CN114418198A CN202111659920.0A CN202111659920A CN114418198A CN 114418198 A CN114418198 A CN 114418198A CN 202111659920 A CN202111659920 A CN 202111659920A CN 114418198 A CN114418198 A CN 114418198A
Authority
CN
China
Prior art keywords
wind
cost
formula
output
power generation
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
CN202111659920.0A
Other languages
English (en)
Inventor
郝建成
赵清松
孙峰
马辉
杨蓓佳
李胜辉
李家珏
戈阳阳
张强
董鹤楠
张冠锋
张潇桐
谢冰
袁鹏
李平
程绪可
王超
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
China Three Gorges University CTGU
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Three Gorges University CTGU
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning 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, China Three Gorges University CTGU, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111659920.0A priority Critical patent/CN114418198A/zh
Publication of CN114418198A publication Critical patent/CN114418198A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J2203/20—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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力系统运行与控制技术领域，尤其涉及一种弃新能源惩罚成本的分段函数式计算方法。包括：确立弃新能源惩罚成本的分段函数式计算方法；定义经济高度模型的优化目标函数；得到多能源系统经济高度策略；基于QPSO算法对多能源发电系统经济高度策略进行优化。本发明通过纳入弃新能源分段惩罚系数函数来增大弃新能源惩罚成本，使得惩罚成本的计算更加具体，从而大幅提高新能源的消纳率，减少弃风、弃光量，使高比例新能源更多的接入电网，使其经济效益与新能源消纳量最大化。

Description

一种弃新能源惩罚成本的分段函数式计算方法
技术领域
本发明属于电力系统运行与控制技术领域，尤其涉及一种弃新能源惩罚成本的分段函数式计算方法。
背景技术
发展新能源是中国能源战略的发展趋势，大规模风电和光伏等新能源通过高压直流长距离外送、消纳是我国新能源发展的主要模式。考虑新能源发电与火电机组的优化调度、跨区电网间的协调运行，对电网在节能减排、优化区域资源配置等方面具有显著的经济效益。通过提高对风能等可再生能源的利用率，即在满足现有负荷的情况下，通过机组间的负荷分配，合理进行能源调整，充分协调各个系统间的关系，以达到对可再生能源的充分利用，实现经济环保目标下电力资源的最优配置。
为了提升新能源消纳而降低弃风率、弃光率，提高含系统调度模型对高比例新能源的适用性，现今引入弃风、弃光惩罚机制，使电网优先消纳风电和光电。而一味地追求风电消纳量则可能导致火电机组偏离经济运行点,甚至造成火电机组频繁启停,使得每单位发电量的煤耗大幅增加，由于风能具有的随机性、波动性等不可避免的缺陷，同时风电出力预测方法的精度不能满足需求，大规模的风电并网也会影响电力系统的调峰、有功平衡等。因此，为了确保系统安全稳定运行，需要配置一定容量的旋转备用。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种弃新能源惩罚成本的分段函数式计算方法。其目的是为了通过电力系统经济调度优化来解决新能源消纳问题，引入弃新能源分段惩罚因子，实现减少弃风、弃光量，使高比例新能源更多的接入电网的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种弃新能源惩罚成本的分段函数式计算方法，包括以下步骤：
步骤一.确立弃新能源惩罚成本的分段函数式计算方法；
步骤二.定义经济高度模型的优化目标函数；
步骤三.得到多能源系统经济高度策略；
步骤四.基于QPSO算法对多能源发电系统经济高度策略进行优化。
更进一步的，步骤一所述确立弃新能源惩罚成本的分段函数式计算方法，包括以下步骤：
步骤1.某时段弃风量ΔPW为该时段预测的风力出力减去风力机组实际出力之后的差值；
ΔPW＝Pwft-Pwnt (1)
式中，Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW；
步骤2.弃风惩罚系数随着弃风量的增大呈现出逐渐递增的趋势，表现为一个斜率逐渐增大的分段函数；
步骤3.弃风成本的计算方式为各时段弃风量和该时段函数中对应的弃风惩罚系数的乘积；
步骤4.某时段弃光量ΔPs的计算方式为该时段预测的光伏出力减去光伏机组实际出力之后的差值；
ΔPs＝Psft-Psnt (4)
式中，Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW；
步骤5.弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数；
步骤6.弃光成本的计算方式为各时段弃光和该时段函数中对应的弃光惩罚系数的乘积。
更进一步的，所述弃风惩罚系数的分段函数为：
Figure BDA0003449452540000021
式中，Cw是弃风惩罚系数；ΔPw为风电出力预测值与其实际出力之间的差值，单位为MW；
所述引入分段惩罚系数的弃风成本f2用公式(3)表示：
Figure BDA0003449452540000022
式中，Cw是在不同时段的分段惩罚因子；T是调整时段，h；Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW；
所述弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数；如下式所示：
Figure BDA0003449452540000023
上式中，Cs为弃光惩罚系数，ΔPs为弃光量，单位为MW；
所述引入弃光惩罚系数的弃光成本f3用公式(4)表示：
Figure BDA0003449452540000024
式中，Cs是在不同时段的分段惩罚因子；T是调整时段，h；Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
更进一步的，步骤二所述定义经济高度模型的优化目标函数，包括以下步骤：
步骤(1).对火力发电燃料成本进行建模；
步骤(2).对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；
步骤(3).对弃风、弃光成本进行建模，并将弃新能源分段惩罚系数函数添加到弃风、弃光成本模型中。
更进一步的，步骤三所述得到多能源系统经济高度策略，是将步骤(1)中建立的火力发电燃料成本函数，步骤(2)中建立的火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件函数和步骤(3)中建立的完整弃风、弃光成本函数加入到总发电成本目标函数中，形成多能源系统经济调度策略的完整模型；所述形成的完整模型用公式(11)表示，如下：
Figure BDA0003449452540000031
式中，F(x)为系统总发电成本，T为日调度总时段，t为当前时段，f1为火电机组发电成本函数，f2为风力发电成本函数，f3为光伏发电成本函数。
更进一步的，步骤四所述基于QPSO算法对多能源发电系统经济调度策略进行优化，包括以下步骤：
步骤a.初始化所建的目标函数模型；初始化QPSO参数：惯性因子、维数、粒子群规模、最大迭代次数、位置范围；
步骤b,初始化粒子群，在设定位置范围内给粒子群随机赋值；
步骤c.利用量子粒子群算法迭代寻优确定效果最好的电力系统经济调度参数；
步骤d.获得含新能源的电力系统经济调度最优策略。
更进一步的，所述对火力发电燃料成本进行建模，如下；
计及阀点效应的火力发电燃料成本f1:
Figure BDA0003449452540000032
式中，f1为计及阀点效应的火电机组的燃烧成本；T为调度时间段，N为机组数；ai、bi、ci为火电机组i的燃料成本系数，di、ei为火电机组的阀点系数；Pit、Pimin分别为火电机组i在t时刻的有功出力、有功出力最小值；|disin[ei(Pimin-Pit)]|为阀点效应引起的火电机组燃料成本的变化量；
所述对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；包括：
火电机组出力约束条件用公式(6)表示：
Pimin≤Pit≤Pimax (6)
式中：Pimin为火电机组有功出力最小值，Pimax为火电机组有功出力最大值；
机组的输出功率一般不能突变，需要满足一定的爬坡约束，机组爬坡约束用公式(7)表示：
Figure BDA0003449452540000033
式中，
Figure BDA0003449452540000034
表示第i台机组先前时刻的有功输出，URi和DRi分别代表第i台机组的上爬坡率和下爬坡率；
风电和光电接入电网后，电力系统的不确定因素增多，为应对风光电及负荷实际大小与预测值出现偏差的情况，在系统运行中加入正、负旋转备用约束；
系统的旋转备用如公式(8)表示：
Figure BDA0003449452540000035
式中，χ1、χ2分别为对应新能源不确定性而设置的火电机组备用裕度；k1、k2分别为火电机组的正、负旋转备用率；D为预测负荷，Pwft为风力发电功率的预测值；
风电出力约束如公式(9)表示
Figure BDA0003449452540000041
式中，
Figure BDA0003449452540000042
表示风电机组i的最小可调出力；
Figure BDA0003449452540000043
表示风力发电机组i的最大可调出力；
光电出力约束如公式(10)表示：
Figure BDA0003449452540000044
式中，
Figure BDA0003449452540000045
表示光伏机组i的最小可调出力；
Figure BDA0003449452540000046
表示光伏发电机组i的最大可调出力；
步骤(3).根据公式(3)、(4)对弃风、弃光成本进行建模。
更进一步的，步骤四所述基于QPSO算法对多能源发电系统经济调度策略进行优化，包括以下步骤：
步骤a.首先初始化QPSO所需各项参数，包括：粒子群规模M为1000，最大迭代次数tmax为200；将每个粒子的维数初始化为8，每一维分别代表着火电6个机组和风电机组、光伏机组；每个参数的取值范围为机组出力约束条件中的取值，并在该范围内给每个粒子随机赋值，随后的更新过程可视为粒子在规定范围内不断朝着最优方向移动，粒子不可超过边界向外移动；
步骤b.计算QPSO算法的吸引子；
在QPSO算法中，粒子的状态是通过薛定谔方程中的波函数
Figure BDA0003449452540000047
来描述，每个粒子都通过一个吸引子pi＝[pi,1pi,2…pi,n]来收敛到一定区域，吸引子可由公式(12)计算得到：
Figure BDA0003449452540000048
式中，pbest_i是当前迭代中的第i个粒子历史最优位置；gbest是当前全局最优粒子；pi是吸引子，用于第i个粒子位置的更新；
Figure BDA0003449452540000049
是一个均匀分布的随机数，
Figure BDA00034494525400000410
的分布范围为[0,1]；
步骤c.对QPSO算法的粒子位置进行更新，并计算创新参数；
Figure BDA00034494525400000411
式中，α为创新参数，tmax为最大迭代次数，t为当前迭代次数；
粒子更新公式为(14)：
Figure BDA00034494525400000412
式中，xi为第i个粒子的位置，pi为吸引子，用于第i个粒子位置的更新，α为创新参数，u为[0,1]范围内均匀分布的随机数，公式取+或-的概率分别为0.5；
步骤d.更新粒子位置，评估适应度值，并更新粒子位置和粒子最优位置；
步骤e.判断前种群的最优值是否大于当前种群的全局最优值，如果前种群的最优值大于当前种群的全局最优值，则执行步骤g；否则执行步骤f；
步骤f.更新全局最优粒子位置，然后执行步骤g；
步骤g.判断迭代次数是否达到最大；如果否，则返回执行步骤d；如果是，则得到全局最优的粒子，并输出最优调度方法。
一种计算机设备，包括存储介质、处理器及存储在存储介质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所述的一种弃新能源惩罚成本的分段函数式计算方法的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的一种弃新能源惩罚成本的分段函数式计算方法的步骤。
本发明具有以下有益效果及优点如下：
本发明提供一种弃新能源惩罚成本的分段函数式计算方法，其中引入了弃新能源惩罚系数函数，使得弃新能源成本随着弃新能源量的增大而递增，在电力系统经济调度中可以有效地促进新能源消纳；同时考虑到风电的不确定性，引入了旋转备用约束；本发明采用了QPSO算法对电力系统经济调度进行优化，解决了PSO算法优化维度高导致目标函数不收敛的问题。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明方法流程图；
图2是本发明分段的弃风惩罚系数函数图；
图3是本发明分段的弃光惩罚系数函数图；
图4是本发明QPSO算法优化经济调度模型的流程图；
图5是本发明经过QPSO算法优化后的日调度曲线；
图6是本发明各时段的弃风率、弃光率。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图6描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种弃新能源惩罚成本的分段函数式计算方法，如图1所示，是本发明方法流程图；本发明包含以下步骤：
步骤一.确立弃新能源惩罚成本的分段函数式计算方法。
所述计算方法具体包括：
步骤1.某时段弃风量ΔPW为该时段预测的风力出力减去风力机组实际出力之后的差值，单位为MW。
ΔPW＝Pwft-Pwnt (1)
式中，Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤2.弃风惩罚系数随着弃风量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数。
所述弃风惩罚系数的分段函数为：
Figure BDA0003449452540000061
式中，Cw是弃风惩罚系数；ΔPw为风电出力预测值与其实际出力之间的差值，单位为MW。
步骤3.弃风成本的计算方式为各时段弃风量和该时段函数中对应的弃风惩罚系数的乘积。
引入分段惩罚系数的弃风成本f2可用公式(3)表示：
Figure BDA0003449452540000062
式中，Cw是在不同时段的分段惩罚因子；T是调整时段，h；Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤4.某时段弃光量ΔPs的计算方式为该时段预测的光伏出力减去光伏机组实际出力之后的差值，单位为MW。
ΔPs＝Psft-Psnt (4)
式中，Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤5.弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数。如下式所示：
根据该时段的弃光量在弃光惩罚系数函数中找出对应的惩罚系数值，函数为：
Figure BDA0003449452540000063
上式中，Cs为弃光惩罚系数，ΔPs为弃光量，单位为MW。
步骤6.弃光成本的计算方式为各时段弃光和该时段函数中对应的弃光惩罚系数的乘积。
引入弃光惩罚系数的弃光成本f3可用公式(6)表示：
Figure BDA0003449452540000064
式中，Cs是在不同时段的分段惩罚因子；T是调整时段，h；Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤二.定义经济高度模型的优化目标函数。
包括以下步骤：
步骤(1).对火力发电燃料成本进行建模；
步骤(2).对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；
步骤(3).对弃风、弃光成本进行建模，并将弃新能源分段惩罚系数函数添加到弃风、弃光成本模型中；
步骤三.得到多能源系统经济高度策略。
将步骤(1)中建立的火力发电燃料成本函数，步骤(2)中建立的火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件函数和步骤(3)中建立的完整弃风、弃光成本函数加入到总发电成本目标函数中，形成多能源发电系统经济调度策略的完整模型；
步骤四.基于QPSO算法对多能源发电系统经济高度策略进行优化。
将上述形成的完整模型应用QPSO算法进行优化计算，具体包括以下步骤：
步骤a.初始化所建的目标函数模型；初始化QPSO参数：惯性因子、维数、粒子群规模、最大迭代次数、位置范围；
步骤b,初始化粒子群，在设定位置范围内给粒子群随机赋值；
步骤c.利用量子粒子群算法迭代寻优确定效果最好的电力系统经济调度参数；
步骤d.获得含新能源的电力系统经济调度最优策略。
所述QPSO算法是指：量子粒子群算法Quantum Particle Swarm Optimization，为现有技术。
实施例2
本发明提供了一个实施例，是一种弃新能源惩罚成本的分段函数式计算方法，包含以下步骤：
步骤一.确立弃新能源惩罚成本的分段函数式计算方法。
所述计算方法具体包括：
步骤1.使用某时段预测的风力出力减去风力机组实际出力之后的差值计算出该时段的弃风量ΔPW，单位为MW。
ΔPW＝Pwft-Pwnt (1)
式中，Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤2.根据该时段的弃风量在弃风惩罚系数函数中找出对应的惩罚系数值，函数为：
Figure BDA0003449452540000071
式中，Cw是弃风系数，ΔPw为风电出力预测值与其实际出力之间的差值，单位为MW。
步骤3.根据对应的弃风量和惩罚系数，计算出总弃风成本，单位为万元：
弃风成本f2可用公式(3)表示：
Figure BDA0003449452540000072
式中，Cw是弃风系数；T是时段，h；Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤4.使用某时段预测的光伏出力减去光伏机组实际出力之后的差值计算出该时段的弃光量ΔPS，单位为MW。
ΔPS＝Psft-Psnt (4)
式中，Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤5.根据该时段的弃光量在弃光惩罚系数函数中找出对应的惩罚系数值，函数为：
Figure BDA0003449452540000073
上式中，Cs为弃光惩罚系数，ΔPs为弃光量，单位为MW。
步骤6.根据对应的弃光量和惩罚系数，计算出总弃光成本，单位为万元：
Figure BDA0003449452540000081
式中，Cs是在不同时段的分段惩罚因子；T是调整时段，h；Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤二.定义经济高度模型的优化目标函数。
包括以下步骤：
步骤(1).对火力发电燃料成本进行建模；
计及阀点效应的火力发电燃料成本f1:
Figure BDA0003449452540000082
式中，f1为计及阀点效应的火电机组的燃烧成本；T为调度时间段，N为机组数；ai、bi、ci为火电机组i的燃料成本系数，di、ei为火电机组的阀点系数；Pit、Pimin分别为火电机组i在t时刻的有功出力、有功出力最小值；|disin[ei(Pimin-Pit)]|为阀点效应引起的火电机组燃料成本的变化量。
步骤(2).对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；火电机组因其本身物理特性制约，运行时机组出力必须确保在可承受范围内，其中：
火电机组的出力约束条件用公式(8)表示：
Pimin≤Pit≤Pimax (8)
式中：Pimin为火电机组有功出力最小值，Pimax为火电机组有功出力最大值。
机组的输出功率一般不能突变，需要满足一定的爬坡约束，机组爬坡约束用公式(9)表示：
Figure BDA0003449452540000083
式中，
Figure BDA0003449452540000084
表示第i台机组先前时刻的有功输出，URi和DRi分别代表第i台机组的上爬坡率和下爬坡率。
风电接入电网后，电力系统的不确定因素增多，为应对风电及负荷实际大小与预测值出现偏差的情况，在系统运行中加入正、负旋转备用约束。系统的旋转备用如公式(10)所示：
Figure BDA0003449452540000085
式中，χ1、χ2分别为对应新能源不确定性而设置的火电机组备用裕度；k1、k2分别为火电机组的正、负旋转备用率；D为预测负荷，Pwft为风力发电功率的预测值。
风电出力约束用公式(11)表示：
Figure BDA0003449452540000091
式中，
Figure BDA0003449452540000092
表示风电机组i的最小可调出力；
Figure BDA0003449452540000093
表示风力机组i的最大可调出力。
光电出力约束用公式(12)表示：
Figure BDA0003449452540000094
式中，
Figure BDA0003449452540000095
表示光伏机组i的最小可调出力；
Figure BDA0003449452540000096
表示光伏机组i的最大可调出力。
步骤(3).根据公式(3)、(4)对弃风、弃光成本进行建模。
步骤三.得到多能源系统经济高度策略。
将步骤(1)中建立的火力发电燃料成本函数，步骤(2)中建立的火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件函数和步骤(3)中建立的完整弃风、弃光成本函数加入到总发电成本目标函数中，形成多能源发电系统经济调度策略的完整模型；
所述形成的完整模型用公式(13)表示，如下：
Figure BDA0003449452540000097
式中，F(x)为系统总发电成本，T为日调度总时段，t为当前时段，f1为火电机组发电成本函数，f2为风力发电成本函数，f3为光伏发电成本函数。
步骤四.基于QPSO算法对多能源发电系统经济高度策略进行优化。
将上述模型应用QPSO算法进行优化计算。具体包括以下步骤：
步骤a.初始化所建的目标函数模型；初始化QPSO参数：惯性因子、维数、粒子群规模、最大迭代次数、位置范围；
步骤b,初始化粒子群，在设定位置范围内给粒子群随机赋值；
步骤c.利用量子粒子群算法迭代寻优确定效果最好的电力系统经济调度参数；
步骤d.获得含新能源的电力系统经济调度最优策略。
实施例3
本发明提供了一个实施例，是一种弃新能源惩罚成本的分段函数式计算方法，包含以下步骤：
步骤一.确立弃新能源惩罚成本的分段函数式计算方法。
所述计算方法具体包括：
步骤1.某时段弃风量ΔPW为该时段预测的风力出力减去风力机组实际出力之后的差值，单位为MW。
ΔPW＝Pwft-Pwnt (1)
式中，Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤2.弃风惩罚系数随着弃风量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数。
弃风分段惩罚因子函数用公式(2)计算：
Figure BDA0003449452540000098
式中，Cw是弃风惩罚系数，ΔPw为风电出力预测值与其实际出力之间的差值，本实施例中风电、光电预测值分别由表3、表4所示：
表3风力出力预测值
T 1 2 3 4 5 6 7 8 9 10 11 12
P<sub>w</sub> 261 255 222 217 299 295 283 271 227 204 147 158
T 13 14 15 16 17 18 19 20 21 22 23 24
P<sub>w</sub> 152 137 276 304 323 340 273 244 273 287 270 257
表4光伏出力预测值
T 1 2 3 4 5 6 7 8 9 10 11 12
P<sub>s</sub> 0 0 0 0 0 25 47 80 164 292 350 380
T 13 14 15 16 17 18 19 20 21 22 23 24
P<sub>s</sub> 424 358 227 240 182 68 43 18 0 0 0 0
步骤3.弃风成本的计算方式为各时段弃风量和该时段函数中对应的弃风惩罚系数的乘积。
引入弃新能源惩罚因子的弃风成本f2用公式(3)计算：
Figure BDA0003449452540000101
式中，Cw是在不同时段的弃风惩罚系数；T是调整时段，h；Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW。
步骤4.某时段弃光量ΔPs的计算方式为该时段预测的光伏出力减去光伏机组实际出力之后的差值，单位为MW。
ΔPs＝Psft-Psnt (4)
式中，Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤5.弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数。如下式所示：
根据该时段的弃光量在弃光惩罚系数函数中找出对应的惩罚系数值，函数为：
Figure BDA0003449452540000102
上式中，Cs为弃光惩罚系数，ΔPs为弃光量，单位为MW。
步骤6.弃光成本的计算方式为各时段弃光和该时段函数中对应的弃光惩罚系数的乘积。
引入弃新能源惩罚因子的弃光成本f3可用公式(6)表示：
Figure BDA0003449452540000103
式中，Cs是在不同时段的弃光惩罚系数；T是调整时段，h；Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
步骤二.定义经济高度模型的优化目标函数。
包括以下步骤：
步骤(1).对火力发电燃料成本进行建模；
火电机组发电燃料成本由公式(7)来计算：
Figure BDA0003449452540000111
式中为拥有6个发电机组的火电系统，本实施例中每个机组的燃烧系数如表1所示：
表1机组的燃烧系数
f1是6个机组的发电成本总和，并为计及阀点效应的火力发电总成本。
机组 a<sub>i</sub> b<sub>i</sub> c<sub>i</sub> d<sub>i</sub> e<sub>i</sub> P<sub>imin</sub> P<sub>imax</sub> D<sub>ri</sub> U<sub>ri</sub>
1 480.29 21.62 0.00079 280 0.063 73 243 50 50
2 601.75 17.87 0.00056 310 0.048 57 160 50 50
3 502.7 16.51 0.00211 300 0.086 20 130 30 30
4 639.4 23.23 0.0048 340 0.082 47 120 30 30
5 455.6 19.58 0.10908 270 0.098 20 80 30 30
6 692.4 22.54 0.00951 380 0.094 55 55 30 30
步骤(2).对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；
所述火电机组出力约束公式由公式(8)来计算：
Pimin≤Pit≤Pimax (8)
式中：Pimin为火电机组有功出力最小值，Pimax为火电机组有功出力最大值。
本实施例中每个机组的Pimin和Pimax参数在表1中列出。
每个火电机组爬坡约束由公式(9)计算：
Figure BDA0003449452540000112
本实施例中每个火电机组的URi和DRi参数也在表1中列出。
机组的正负旋转备用用公式(10)计算：
Figure BDA0003449452540000113
式中，χ1、χ2分别为对应新能源不确定性而设置的火电机组备用裕度；k1、k2分别为火电机组的正、负旋转备用率；D为预测负荷，Pwft为风力发电功率的预测值。
本实施例中火电机组备用裕度χ1为0.2，χ2为0.3；火电机组的正负旋转备用率k1、k2均取0.4；D为预测负荷值，取值由表2所示。
表2日度负荷预测值
Figure BDA0003449452540000114
Figure BDA0003449452540000121
风电出力约束用公式(11)表示：
Figure BDA0003449452540000122
式中，
Figure BDA0003449452540000123
表示风电机组i的最小可调出力；
Figure BDA0003449452540000124
表示风力发电机组i的最大可调出力。
本实施例中，
Figure BDA0003449452540000125
取100MW；
Figure BDA0003449452540000126
取400MW。
光伏发电机组出力约束用公式(12)表示
Figure BDA0003449452540000127
式中，
Figure BDA0003449452540000128
表示光伏机组i的最小可调出力；
Figure BDA0003449452540000129
表示光伏发电机组i的最大可调出力。本实施例中，
Figure BDA00034494525400001210
取0；
Figure BDA00034494525400001211
取500MW。
步骤(3).根据公式(3)、(4)对弃风、弃光成本进行建模；
步骤三.得到多能源系统经济高度策略。
将步骤(1)中建立的火力发电燃料成本函数，步骤(2)中建立的火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件函数和步骤(3)中建立的完整弃风、弃光成本函数加入到总发电成本目标函数中，系统的发电成本完整模型如公式(13)表示：
Figure BDA00034494525400001212
式中，F(x)为系统总发电成本，T为日调度总时段，t为当前时段，f1为火电机组发电成本函数，f2为风力发电成本函数，f3为光伏发电成本函数。
步骤四.基于QPSO算法对多能源发电系统经济高度策略进行优化。
将上述模型应用QPSO算法进行优化计算。包括以下步骤：
步骤a.首先初始化QPSO所需各项参数，包括：粒子群规模M为1000，最大迭代次数tmax为200；将每个粒子的维数初始化为8，每一维分别代表着火电6个机组和风电机组、光伏机组。每个参数的取值范围为机组出力约束条件中的取值，并在该范围内给每个粒子随机赋值。随后的更新过程可视为粒子在规定范围内不断朝着最优方向移动，粒子不可超过边界向外移动。
步骤b.计算QPSO算法的吸引子；
在QPSO算法中，粒子的状态是通过薛定谔方程中的波函数
Figure BDA00034494525400001213
来描述，每个粒子都通过一个吸引子pi＝[pi,1pi,2…pi,n]来收敛到一定区域，吸引子可由公式(14)计算得到：
Figure BDA00034494525400001214
式中，pbest_i是当前迭代中的第i个粒子历史最优位置；gbest是当前全局最优粒子；pi是吸引子，用于第i个粒子位置的更新；
Figure BDA00034494525400001215
是一个均匀分布的随机数，
Figure BDA00034494525400001216
的分布范围为[0,1]。
步骤c.对QPSO算法的粒子位置进行更新，并计算创新参数；
Figure BDA00034494525400001217
式中，α为创新参数，tmax为最大迭代次数，t为当前迭代次数。
粒子更新公式为(16)：
Figure BDA00034494525400001218
式中，xi为第i个粒子的位置，pi为吸引子，用于第i个粒子位置的更新，α为创新参数，u为[0,1]范围内均匀分布的随机数。公式取+或-的概率分别为0.5。
步骤d.更新粒子位置，评估适应度值，并更新粒子位置和粒子最优位置；
步骤e.判断前种群的最优值是否大于当前种群的全局最优值，如果前种群的最优值大于当前种群的全局最优值，则执行步骤g；否则执行步骤f；
步骤f.更新全局最优粒子位置，然后执行步骤g；
步骤g.判断迭代次数是否达到最大；如果否，则返回执行步骤d；如果是，则得到全局最优的粒子，并输出最优调度方法。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质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实施例1或2或3所述的任意一种弃新能源惩罚成本的分段函数式计算方法的步骤。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2或3所述的任意一种弃新能源惩罚成本的分段函数式计算方法的步骤。
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用存储介质(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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种弃新能源惩罚成本的分段函数式计算方法，其特征是：包括以下步骤：
步骤一.确立弃新能源惩罚成本的分段函数式计算方法；
步骤二.定义经济高度模型的优化目标函数；
步骤三.得到多能源系统经济高度策略；
步骤四.基于QPSO算法对多能源发电系统经济高度策略进行优化。
2.根据权利要求1所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：步骤一所述确立弃新能源惩罚成本的分段函数式计算方法，包括以下步骤：
步骤1.某时段弃风量ΔPW为该时段预测的风力出力减去风力机组实际出力之后的差值；
ΔPw＝Pwft-Pwnt (1)
式中，Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW；
步骤2.弃风惩罚系数随着弃风量的增大呈现出逐渐递增的趋势，表现为一个斜率逐渐增大的分段函数；
步骤3.弃风成本的计算方式为各时段弃风量和该时段函数中对应的弃风惩罚系数的乘积；
步骤4.某时段弃光量ΔPs的计算方式为该时段预测的光伏出力减去光伏机组实际出力之后的差值；
ΔPs＝Psft-Psnt (4)
式中，Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW；
步骤5.弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数；
步骤6.弃光成本的计算方式为各时段弃光和该时段函数中对应的弃光惩罚系数的乘积。
3.根据权利要求2所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：
所述弃风惩罚系数的分段函数为：
Figure FDA0003449452530000011
式中，Cw是弃风惩罚系数；ΔPw为风电出力预测值与其实际出力之间的差值，单位为MW；
所述引入分段惩罚系数的弃风成本f2用公式(3)表示：
Figure FDA0003449452530000012
式中，Cw是在不同时段的分段惩罚因子；T是调整时段，h；Pwft为风力发电功率的预测值，MW；Pwnt为风电实际发电容量，MW；
所述弃光惩罚系数随着弃光量的增大呈现出逐渐递增的趋势，具体表现为一个斜率逐渐增大的分段函数；如下式所示：
Figure FDA0003449452530000021
上式中，Cs为弃光惩罚系数，ΔPs为弃光量，单位为MW；
所述引入弃光惩罚系数的弃光成本f3用公式(4)表示：
Figure FDA0003449452530000022
式中，Cs是在不同时段的分段惩罚因子；T是调整时段，h；Psft为光伏发电功率的预测值，MW；Psnt为光伏实际发电容量，MW。
4.根据权利要求1所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：步骤二所述定义经济高度模型的优化目标函数，包括以下步骤：
步骤(1).对火力发电燃料成本进行建模；
步骤(2).对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；
步骤(3).对弃风、弃光成本进行建模，并将弃新能源分段惩罚系数函数添加到弃风、弃光成本模型中。
5.根据权利要求1所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：步骤三所述得到多能源系统经济高度策略，是将步骤(1)中建立的火力发电燃料成本函数，步骤(2)中建立的火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件函数和步骤(3)中建立的完整弃风、弃光成本函数加入到总发电成本目标函数中，形成多能源系统经济调度策略的完整模型；所述形成的完整模型用公式(11)表示，如下：
Figure FDA0003449452530000023
式中，F(x)为系统总发电成本，T为日调度总时段，t为当前时段，f1为火电机组发电成本函数，f2为风力发电成本函数，f3为光伏发电成本函数。
6.根据权利要求1所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：步骤四所述基于QPSO算法对多能源发电系统经济调度策略进行优化，包括以下步骤：
步骤a.初始化所建的目标函数模型；初始化QPSO参数：惯性因子、维数、粒子群规模、最大迭代次数、位置范围；
步骤b，初始化粒子群，在设定位置范围内给粒子群随机赋值；
步骤c.利用量子粒子群算法迭代寻优确定效果最好的电力系统经济调度参数；
步骤d.获得含新能源的电力系统经济调度最优策略。
7.根据权利要求4所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：所述对火力发电燃料成本进行建模，如下；
计及阀点效应的火力发电燃料成本f1：
Figure FDA0003449452530000031
式中，f1为计及阀点效应的火电机组的燃烧成本；T为调度时间段，N为机组数；ai、bi、ci为火电机组i的燃料成本系数，di、ei为火电机组的阀点系数；Pit、Pimin分别为火电机组i在t时刻的有功出力、有功出力最小值；|disin[ei(Pimin-Pit)]|为阀点效应引起的火电机组燃料成本的变化量；
所述对火电机组出力约束、机组爬坡约束、正负旋转备用约束、风电出力约束、光电出力约束条件进行建模；包括：
火电机组出力约束条件用公式(6)表示：
Pimin≤Pit≤Pimax (6)式中：Pimin为火电机组有功出力最小值，Pimax为火电机组有功出力最大值；
机组的输出功率一般不能突变，需要满足一定的爬坡约束，机组爬坡约束用公式(7)表示：
Figure FDA0003449452530000032
式中，
Figure FDA0003449452530000033
表示第i台机组先前时刻的有功输出，URi和DRi分别代表第i台机组的上爬坡率和下爬坡率；
风电和光电接入电网后，电力系统的不确定因素增多，为应对风光电及负荷实际大小与预测值出现偏差的情况，在系统运行中加入正、负旋转备用约束；
系统的旋转备用如公式(8)表示：
Figure FDA0003449452530000034
式中，χ1、χ2分别为对应新能源不确定性而设置的火电机组备用裕度；k1、k2分别为火电机组的正、负旋转备用率；D为预测负荷，Pwft为风力发电功率的预测值；
风电出力约束如公式(9)表示
Figure FDA0003449452530000035
式中，
Figure FDA0003449452530000036
表示风电机组i的最小可调出力；
Figure FDA0003449452530000037
表示风力发电机组i的最大可调出力；
光电出力约束如公式(10)表示：
Figure FDA0003449452530000038
式中，
Figure FDA0003449452530000039
表示光伏机组i的最小可调出力；
Figure FDA00034494525300000310
表示光伏发电机组i的最大可调出力；
步骤(3).根据公式(3)、(4)对弃风、弃光成本进行建模。
8.根据权利要求1所述的一种弃新能源惩罚成本的分段函数式计算方法，其特征是：步骤四所述基于QPSO算法对多能源发电系统经济调度策略进行优化，包括以下步骤：
步骤a.首先初始化QPSO所需各项参数，包括：粒子群规模M为1000，最大迭代次数tmax为200；将每个粒子的维数初始化为8，每一维分别代表着火电6个机组和风电机组、光伏机组；每个参数的取值范围为机组出力约束条件中的取值，并在该范围内给每个粒子随机赋值，随后的更新过程可视为粒子在规定范围内不断朝着最优方向移动，粒子不可超过边界向外移动；
步骤b.计算QPSO算法的吸引子；
在QPSO算法中，粒子的状态是通过薛定谔方程中的波函数
Figure FDA0003449452530000041
来描述，每个粒子都通过一个吸引子pi＝[pi，1pi，2…pi，n]来收敛到一定区域，吸引子可由公式(12)计算得到：
Figure FDA0003449452530000042
式中，pbest_i是当前迭代中的第i个粒子历史最优位置；gbest是当前全局最优粒子；pi是吸引子，用于第i个粒子位置的更新；
Figure FDA0003449452530000043
是一个均匀分布的随机数，
Figure FDA0003449452530000044
的分布范围为[0，1]；
步骤c.对QPSO算法的粒子位置进行更新，并计算创新参数；
Figure FDA0003449452530000045
式中，α为创新参数，tmax为最大迭代次数，t为当前迭代次数；
粒子更新公式为(14)：
Figure FDA0003449452530000046
式中，xi为第i个粒子的位置，pi为吸引子，用于第i个粒子位置的更新，α为创新参数，u为[0，1]范围内均匀分布的随机数，公式取+或-的概率分别为0.5；
步骤d.更新粒子位置，评估适应度值，并更新粒子位置和粒子最优位置；
步骤e.判断前种群的最优值是否大于当前种群的全局最优值，如果前种群的最优值大于当前种群的全局最优值，则执行步骤g；否则执行步骤f；
步骤f.更新全局最优粒子位置，然后执行步骤g；
步骤g.判断迭代次数是否达到最大；如果否，则返回执行步骤d；如果是，则得到全局最优的粒子，并输出最优调度方法。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质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权利要求1-8中任一权利要求所述的一种弃新能源惩罚成本的分段函数式计算方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的一种弃新能源惩罚成本的分段函数式计算方法的步骤。
CN202111659920.0A 2021-12-30 2021-12-30 一种弃新能源惩罚成本的分段函数式计算方法 Pending CN114418198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111659920.0A CN114418198A (zh) 2021-12-30 2021-12-30 一种弃新能源惩罚成本的分段函数式计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111659920.0A CN114418198A (zh) 2021-12-30 2021-12-30 一种弃新能源惩罚成本的分段函数式计算方法

Publications (1)

Publication Number Publication Date
CN114418198A true CN114418198A (zh) 2022-04-29

Family

ID=81270900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111659920.0A Pending CN114418198A (zh) 2021-12-30 2021-12-30 一种弃新能源惩罚成本的分段函数式计算方法

Country Status (1)

Country Link
CN (1) CN114418198A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081143A (zh) * 2023-07-14 2023-11-17 中国电建集团华东勘测设计研究院有限公司 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN117913921A (zh) * 2024-03-19 2024-04-19 长春工业大学 一种考虑风光并网的时序输电扩展规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081143A (zh) * 2023-07-14 2023-11-17 中国电建集团华东勘测设计研究院有限公司 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN117913921A (zh) * 2024-03-19 2024-04-19 长春工业大学 一种考虑风光并网的时序输电扩展规划方法

Similar Documents

Publication Publication Date Title
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN108964128B (zh) 基于电锅炉与储热装置协调供热的低碳经济调度求解方法
CN110222938B (zh) 一种梯级水电站群短期调峰调度协同优化方法和系统
CN114418198A (zh) 一种弃新能源惩罚成本的分段函数式计算方法
CN109345019B (zh) 一种基于改进粒子群算法的微电网经济调度优化策略
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN106532764A (zh) 一种就地消纳光伏发电的电动汽车充电负荷调控方法
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN111555355A (zh) 水光蓄联合发电的调度策略及其优化方法
CN110796373B (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN110137981B (zh) 一种基于一致性算法的分布式储能聚合器agc方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN110766210B (zh) 一种梯级水库群短期优化调度方法与系统
CN113011104B (zh) 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法
CN111162551B (zh) 一种基于风电功率超短期预测的蓄电池充放电控制方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN116345502A (zh) 混合储能双层模型容量优化配置方法、系统、设备及介质
CN106026189A (zh) 一种低碳化智能园区源荷协调优化方法
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
CN115065075A (zh) 风储集群中储能站优化调度方法、系统及存储介质
CN115001054A (zh) 一种基于模型预测含电动汽车的电力系统频率控制策略
CN115146936A (zh) 梯级水光蓄互补调度模型求解的动态调整学习因子算法

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