CN114725930A - 一种自适应电力系统调度方法及装置 - Google Patents
一种自适应电力系统调度方法及装置 Download PDFInfo
- Publication number
- CN114725930A CN114725930A CN202210359305.6A CN202210359305A CN114725930A CN 114725930 A CN114725930 A CN 114725930A CN 202210359305 A CN202210359305 A CN 202210359305A CN 114725930 A CN114725930 A CN 114725930A
- Authority
- CN
- China
- Prior art keywords
- power
- objective function
- battery
- adaptive
- minimum
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims description 79
- 229910052799 carbon Inorganic materials 0.000 claims description 75
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 65
- 238000010248 power generation Methods 0.000 claims description 44
- 239000002245 particle Substances 0.000 claims description 39
- 230000003044 adaptive effect Effects 0.000 claims description 34
- 239000000243 solution Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004146 energy storage Methods 0.000 claims description 17
- 238000007599 discharging Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 239000007983 Tris buffer Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/04—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
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统调度技术领域,具体涉及一种自适应电力系统调度方法及装置,通过利用所建立的风力发电模型、光伏发电模型、电池储能模型分别计算风功率数据、光伏功率数据和充放电功率数据,利用所建立的碳排放模型,输出碳排放费,利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,作为电力系统的调度,在实现电力系统经济优化调度中提高新能源的消纳、降低碳排放,同时对电力系统起到“消峰填谷”的作用,采用自适应粒子群算法优化多目标函数,提高解的全局最优性。
Description
技术领域
本发明涉及电力系统调度技术领域,尤其涉及一种自适应电力系统调度方法及装置。
背景技术
随着经济的发展,煤、石油等化石能源逐渐枯竭,这些能源的大量使用也带来了严重的环境污染问题,于是开发利用新的清洁能源成为研究的热点。近年来,风力发电和光伏发电得到大力发展。
但风能和太阳能具有随机性、波动性、间歇性,直接并网会严重影响电网的安全稳定运行,造成弃风、弃光等能源浪费。太阳能和风能在昼夜和季节上都有很强的互补性,如何充分利用其互补性,通过合理的优化调度方法,提高可再生新能源的“消纳”,降低碳排放,成为目前需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提出一种自适应电力系统调度方法及装置,以解决目前缺少一种充分利用太阳能和风能的互补性的优化调度方法的问题。
基于上述目的,本发明提供了一种自适应电力系统调度方法,利用所建立的风力发电模型,根据风速数据预测出短时的风功率数据;
利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,作为电力系统的调度,即采用该最优解对电力系统进行调度。
所述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池的充放电功率和火电机组的输出功率建立的经济调度最优的目标函数,所述碳交易费用最低的低碳调度目标函数计算所述碳排放费用最小的目标函数,所述火电机组波动量最小目标函数是建立相邻时刻的火电机组的输出功率之间的波动量最小的目标函数。
优选地,风力发电模型包括:
其中,Pw(t)为风机的输出功率,Pwr为风机的额定功率,v(t)为实际风速,vst为切入风速,vr为额定风速,vco为切出风速。
优选地,光伏发电模型包括:
其中,Pp(t)为光伏的输出功率,PSTC为额定输出功率,GSTC为额定条件下的太阳光辐射强度,GAC(t)为实际太阳光辐射强度,γ为功率温度系数,Tc(t)为电池板表面温度,Tr为额定温度。
优选地,电池储能模型包括电池放电过程的数学模型
和电池充电过程的数学模型
其中,soc(t)为电池t时刻的荷电状态,η为自放电效率,Ps(t)为电池的充放电功率,ηd为电池的放电效率,ηc为电池的充电效率,Er为电池的额定容量,Δt为采样步长。
优选地,碳排放模型包括:
优选地,碳排放限额的计算公式为:
所述火电机组总碳排放量的计算公式为:
其中,ρ为单位电量碳排放分配额,P(t)为单位时段t内的各发电机组发电量总额,δi为火电机组单位电量碳排放强度,PGi(t)火电机组i单位时段t内的出力。
优选地,约束条件包括:系统功率平衡约束、火电机组出力约束、风电出力约束、光伏出力约束、电池储能约束和电池充放电功率约束。
优选地,自适应调度算法包括以下步骤:
设置粒子群的种群大小、迭代次数、粒子的取值范围参数;
随机初始化每个粒子的位置和速度,对应着火电机组、风电、光伏、电池的出力情况;
判断初始值是否满足约束条件,如果不满足,则初始化每个粒子的位置和速度,如果满足则计算多目标函数,根据计算结果进行非支配排序,选择粒子的个体最优和全局最优;
自适应更新粒子的位置和速度;
根据约束条件判断粒子是否越界,如果越界则用边界值替换,如果不越界则判断是否满足最大迭代次数,如果不满足则重新计算多目标函数并选择粒子的个体最优和全局最优,如果已是最大迭代次数则输出Pareto最优值作为优化结果作为电力系统的调度。
优选地,更新粒子的位置和速度的表达式为:
其中,v(k+1)、v(k)为第(k+1)次和第k次迭代时的速度,x(k+1)、x(k)为第(k+1)次和第k次迭代时的位置,ω为自适应惯性权重,c1、c2为自适应学习因子,r1、r2为[0,1]随机数。
其中,自适应惯性权重ω为:
式中,ωmax为ω的最大值,ωmin为ω的最小值,R为双曲正切函数的取值范围,kmax为最大迭代次数,k为当前迭代次数。
自适学习因子c1和c2为:
式中:c1max、c1min分别为c1的最大值和最小值,c2max、c2min分别为c2的最大值和最小值。
本发明还提供一种自适应电力系统调度装置,包括:
风功率计算模块,利用所建立的风力发电模型,根据风速数据预测出短时的风功率数据;
光伏功率计算模块,利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
充放电功率计算模块,利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
碳排放费用计算模块,利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
调度计算模块,利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,作为电力系统的调度;
所述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池充放电功率和火电机组的输出功率建立的经济调度最优的目标函数。
本发明的有益效果:通过利用所建立的风力发电模型、光伏发电模型、电池储能模型分别计算风功率数据、光伏功率数据和充放电功率数据,利用所建立的碳排放模型,输出碳排放费,利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应粒子群算法获得最优解,作为电力系统的调度,在实现电力系统经济优化调度中提高新能源的消纳、降低碳排放,同时对电力系统起到“消峰填谷”的作用,采用自适应粒子群算法优化多目标函数,提高解的全局最优性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述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,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为本发明实施例的自适应电力系统调度方法流程示意图;
图2为本发明实施例的自适应调度模型框图;
图3为本发明实施例的自适应调度算法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本说明书实施例提供一种自适应电力系统调度方法,如图1所示,包括以下步骤:
S101利用所建立的风力发电模型,根据风速数据预测出短时风功率数据;
举例来说,风力发电模型包括:
其中,Pw(t)为风机的输出功率,Pwr为风机的额定功率,v(t)为实际风速,vst为切入风速,vr为额定风速,vco为切出风速。
S102利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
举例来说,光伏发电模型包括:
其中,Pp(t)为光伏的输出功率,PSTC为额定输出功率,GSTC为额定条件下的太阳光辐射强度,GAC(t)为实际太阳光辐射强度,γ为功率温度系数,Tc(t)为电池板表面温度,Tr为额定温度。
S103利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
举例来说,电池储能模型包括:
其中(3)式为电池放电过程的数学模型,(4)式为电池充电过程的数学模型,式中SOC(t)为电池t时刻的荷电状态,η为自放电效率,Ps(t)为电池的充放电功率,ηd为电池的放电效率,ηc为电池的充电效率,Er为电池的额定容量,Δt为采样步长。
S104利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
举例来说,碳排放模型包括:
其中碳排放限额的计算公式为:
火电机组总碳排放量的计算公式为:
式中,ρ为单位电量碳排放分配额,P(t)为单位时段t内的各发电机组发电量总额,δi为火电机组单位电量碳排放强度,PGi(t)火电机组i单位时段t内的出力。
S105基于如图2所示的自适应调度模型,即利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,作为电力系统的调度,即采用该最优解对电力系统进行调度。
上述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池充放电功率和火电机组的输出功率建立的经济调度最优的目标函数,碳交易费用最低的低碳调度目标函数计算碳排放费用最小的目标函数,火电机组波动量最小目标函数是建立相邻时刻的火电机组的输出功率之间的波动量最小的目标函数。
举例来说,发电成本最小的经济调度目标函数为:
minC=min(Cg+Cw+Cp+Cs) (8)
(8)式中:C为发电总成本,Cg为火电机组燃料成本,Cw为风电机组的发电成本,Cp为光伏电站发电成本,Cs电池储能成本。(9)式中:ai、bi、ci为火电机组单位出力的燃料成本系数,(10)式中:pw为风电机组单位出力的发电成本系数,(11)式中:pp为光伏电站单位出力的发电成本系数,(12)式中:ps为电池的单位储能功率成本。
碳交易费用最低的低碳调度目标函数为:
火电机组出力波动量最小目标函数为:
式中,Fg为火电机组出力波动量。
上述约束条件包括系统功率平衡约束、火电机组出力约束、风电出力约束、光伏出力约束、电池储能约束和电池充放电功率约束,这些约束是保证系统能正常安全稳定运行的必要条件。
其中,系统功率平衡约束为:
式中,Pl(t)为单位时段t内的负荷。
系统旋转备用约束为:
(16)式中:PGimax为火电机组i的最大出力,Ru(t)为时段t系统的上旋转备用率;(17)式中:PGimin为火电机组i的最小出力,Rd(t)为时段t系统的下旋转备用率。
火力机组出力约束为:
PGimin≤PGi(t)≤PGimax (18)
火力机组爬坡约束为:
-rGid≤PGi(t)-PGi(t-1)≤rGiu (19)
(19)式中:rGid为火电机组i单位时段内的最大下降速率,rGiu为火电机组i单位时段内的最大上升速率。
风电出力约束为:
Pwmin≤Pw(t)≤Pwmax (20)
(20)式中:Pwmin为风机最小出力,Pwmax为风机最大出力。
光伏出力约束为:
Ppmin≤Pp(t)≤Ppmax (21)
(21)式中:Ppmin为光伏最小出力,Ppmax为光伏最大出力。
电池储能约束为:
SOCmin≤SOC(t)≤SOCmax (22)
(22)式中:SOCmin为电池最小荷电状态,SOCmax为电池最大荷电状态。
电池充放电功率约束为:
Psmin≤Ps(t)≤Psmax (23)
(23)式中:Psmin为电池最小出力,Psmax为电池最大出力。
电力系统采用自适应粒子群算法优化调度,算法中每一个粒子代表被寻优问题的一个解。在搜索最优值的过程中,利用上一次的速度、当前个体的最优位置和种群的最优位置来更新速度和位置,其表达式为:
(24)式中:v(k+1)、v(k)为第(k+1)次和第k次迭代时的速度,x(k+1)、x(k)为第(k+1)次和第k次迭代时的位置,ω为自适应惯性权重,c1、c2为自适应学习因子,r1、r2为[0,1]随机数。
其中,自适应惯性权重ω为:
(25)式中:ωmax为ω的最大值,ωmin为ω的最小值,R为双曲正切函数的取值范围,kmax为最大迭代次数,k为当前迭代次数。采用(25)式自适应地更新ω,使得ω在搜索初期取值较大,具有良好的全局搜索能力,后期取值较小,保证后期具有较好的局部寻优能力,从而避免粒子群算法的早熟收敛问题。
其中,自适学习因子c1和c2为:
(26)式中:c1max、c1min分别为c1的最大值和最小值,c2max、c2min分别为c2的最大值和最小值。采用(26)式自适应地更新c1和c2,可以在寻优初期可以增加粒子运动的遍历性,减小粒子陷入局部最优的概率,有助于实现全局寻优,随着迭代次数的增加,加强粒子间的信息交换,在群体最优附近进行局部搜索,从而有助搜索到准确度较高的全局最优解,上述自适应调度算法是在自适应粒子群算法中采用Pareto最优机制根据所建立的多目标函数,在满足约束条件的前提下通过非支配排序选取个体最优与全局最优,利用自适应惯性权重和自适应学习因子调整参数,更新粒子的位置和速度信息,并行地搜索多目标函数的最优解,从而实现电力系统的优化调度。
上述自适应调度算法如图3所示,其步骤如下:
步骤1:设置粒子群的种群大小、迭代次数、粒子的取值范围等参数;
步骤2:随机初始化每个粒子的位置和速度,对应着火电机组、风电、光伏、电池的出力情况;
步骤3:判断初始值是否满足约束条件,如果不满足,则转步骤2重新初始化,如果满足则转步骤4;
步骤4:计算多目标函数,根据计算结果进行非支配排序,选择粒子的个体最优和全局最优;
步骤5:按照式(24)更新粒子的位置和速度;
步骤6:根据约束条件判断粒子是否越界,如果越界则用边界值替换,如果不越界则转入步骤7;
步骤7:判断是否满足最大迭代次数,如果不满足则返回步骤4,如果已是最大迭代次数则输出Pareto最优值作为优化结果进行电力系统的调度。
本说明书提供的自适应电力系统调度方法,通过利用所建立的风力发电模型、光伏发电模型、电池储能模型分别计算风功率数据、光伏功率数据和充放电功率数据,利用所建立的碳排放模型,输出碳排放费,用利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应粒子群算法获得最优解,作为电力系统的调度,在实现电力系统经济优化调度中提高新能源的消纳、降低碳排放,同时对电力系统起到“消峰填谷”的作用,采用自适应粒子群算法优化多目标函数,提高解的全局最优性。
本说明书实施例还提供一种自适应电力系统调度装置,包括:
风功率计算模块,利用所建立的风力发电模型,根据风速数据预测出短时的风功率数据;
光伏功率计算模块,利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
充放电功率计算模块,利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
碳排放费用计算模块,利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
调度计算模块,利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应粒子群算法获得最优解,作为电力系统的调度;
所述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池充放电功率和火电机组的输出功率建立的经济调度最优的目标函数。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自适应电力系统调度方法,其特征在于,包括以下步骤:
利用所建立的风力发电模型,根据风速数据预测出短时的风功率数据;
利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,对电力系统进行调度;
所述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池的充放电功率和火电机组的输出功率建立的经济调度最优的目标函数,所述碳交易费用最低的低碳调度目标函数计算所述碳排放费用最小的目标函数,所述火电机组波动量最小目标函数是建立相邻时刻的火电机组的输出功率之间的波动量最小的目标函数。
7.根据权利要求1所述的自适应电力系统调度方法,其特征在于,所述约束条件包括:系统功率平衡约束、火电机组出力约束、风电出力约束、光伏出力约束、电池储能约束和电池充放电功率约束。
8.根据权利要求1所述的自适应电力系统调度方法,其特征在于,所述自适应调度算法包括以下步骤:
设置粒子群的种群大小、迭代次数、粒子的取值范围参数;
随机初始化每个粒子的位置和速度,对应着火电机组、风电、光伏、电池的出力情况;
判断初始值是否满足约束条件,如果不满足,则初始化每个粒子的位置和速度,如果满足则计算多目标函数,根据计算结果进行非支配排序,选择粒子的个体最优和全局最优;
自适应更新粒子的位置和速度;
根据约束条件判断粒子是否越界,如果越界则用边界值替换,如果不越界则判断是否满足最大迭代次数,如果不满足则重新计算多目标函数并选择粒子的个体最优和全局最优,如果已是最大迭代次数则输出Pareto最优值作为优化结果作为电力系统的调度。
10.一种自适应电力系统调度装置,其特征在于,包括:
风功率计算模块,利用所建立的风力发电模型,根据风速数据预测出短时的风功率数据;
光伏功率计算模块,利用所建立的光伏发电模型,根据太阳能照度和环境温度数据预测出短时的光伏功率数据;
充放电功率计算模块,利用所建立的电池储能模型根据电池的实际工作状态输出电池的充放电功率数据;
碳排放费用计算模块,利用所建立的碳排放模型,根据系统的工作情况输出碳排放费用;
调度计算模块,利用所建立的多目标函数,在满足多目标函数中的约束条件的前提下,采用自适应调度算法获得最优解,作为电力系统的调度;
所述多目标函数包括发电成本最小的经济调度目标函数、碳交易费用最低的低碳调度目标函数和火电机组出力波动量最小目标函数,所述发电成本最小的经济调度目标函数是根据风功率数据、光伏功率数据、电池充放电功率和火电机组的输出功率建立的经济调度最优的目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359305.6A CN114725930A (zh) | 2022-04-06 | 2022-04-06 | 一种自适应电力系统调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359305.6A CN114725930A (zh) | 2022-04-06 | 2022-04-06 | 一种自适应电力系统调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114725930A true CN114725930A (zh) | 2022-07-08 |
Family
ID=82241941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210359305.6A Pending CN114725930A (zh) | 2022-04-06 | 2022-04-06 | 一种自适应电力系统调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114725930A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115360739A (zh) * | 2022-10-19 | 2022-11-18 | 广东电网有限责任公司佛山供电局 | 一种考虑储能充放电模式的风光储优化运行方法及系统 |
CN115860287A (zh) * | 2023-03-02 | 2023-03-28 | 东方电气集团科学技术研究院有限公司 | 一种用于储能与发电机组的低碳经济性调度方法 |
-
2022
- 2022-04-06 CN CN202210359305.6A patent/CN114725930A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115360739A (zh) * | 2022-10-19 | 2022-11-18 | 广东电网有限责任公司佛山供电局 | 一种考虑储能充放电模式的风光储优化运行方法及系统 |
CN115360739B (zh) * | 2022-10-19 | 2023-01-24 | 广东电网有限责任公司佛山供电局 | 一种考虑储能充放电模式的风光储优化运行方法及系统 |
CN115860287A (zh) * | 2023-03-02 | 2023-03-28 | 东方电气集团科学技术研究院有限公司 | 一种用于储能与发电机组的低碳经济性调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105048516B (zh) | 一种风光水火多源互补优化调度方法 | |
CN110661246B (zh) | 一种城市轨道交通光伏储能系统的容量优化配置方法 | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
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 | |
CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
CN114725930A (zh) | 一种自适应电力系统调度方法及装置 | |
CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
CN107590607A (zh) | 一种基于光伏预测的微电网优化调度系统和方法 | |
CN112600209A (zh) | 一种含潮流能的海岛独立微电网容量多目标优化配置方法 | |
CN115600858A (zh) | 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法 | |
CN112183841A (zh) | 基于模拟退火算法的含电动汽车微电网的优化调度方法 | |
CN112366684A (zh) | 一种海岛微电网系统 | |
CN113489004A (zh) | 一种多能源供电系统经济运行的优化方法 | |
CN114583729A (zh) | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 | |
CN110768303A (zh) | 一种海岛型能源系统设备容量的优化配置方法 | |
CN104616071A (zh) | 一种风光储互补发电系统优化配置方法 | |
CN112803493B (zh) | 基于边际成本的分散式储能与分布式光伏协同方法及系统 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN114884133B (zh) | 一种计及电动汽车的微电网经济调度优化方法及系统 | |
CN110334856A (zh) | 一种基于碳交易机制的风光储容量规划方法 | |
CN116131303A (zh) | 基于蓄能-储能-光伏电池的综合能源系统协同优化方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 |
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 |