CN114781866A - 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法 - Google Patents

一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法 Download PDF

Info

Publication number
CN114781866A
CN114781866A CN202210423144.2A CN202210423144A CN114781866A CN 114781866 A CN114781866 A CN 114781866A CN 202210423144 A CN202210423144 A CN 202210423144A CN 114781866 A CN114781866 A CN 114781866A
Authority
CN
China
Prior art keywords
scheduling
period
renewable energy
time period
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210423144.2A
Other languages
English (en)
Other versions
CN114781866B (zh
Inventor
周亦洲
卫志农
陈�胜
孙国强
臧海祥
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210423144.2A priority Critical patent/CN114781866B/zh
Publication of CN114781866A publication Critical patent/CN114781866A/zh
Application granted granted Critical
Publication of CN114781866B publication Critical patent/CN114781866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法。该方法包括：在当前调度时段开始前，预测出未来预设时段的可再生能源出力的概率分布信息；根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型；采用线性决策规则和强对偶理论对综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型；求解转化后的模型，获得未来预设时段内综合能源系统的调度决策；根据当前调度时段的调度决策，对综合能源系统进行调度；将调度时间窗向后移动一个调度时段，并重复上述步骤，继续对综合能源系统进行调度。提高了调度结果的可靠性。

Description

一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法
技术领域
本申请涉及基于计算机的综合能源调度技术领域，特别是涉及一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法。
背景技术
在“碳达峰”、“碳中和”以及构建以新能源为主体的新型电力系统的目标下，以风电和光伏为主的可再生能源将迎来爆发式增长。并且，为实现能源转型和资源的高效利用，以火电为主的能源结构逐渐演化为气电、水电、风电等多种能源发电并举的局面，综合能源系统逐渐成为能源供应的重要方式。因此，含高比例可再生能源的综合能源系统是我国未来发展的主要趋势。
可再生能源的出力具有随机性、间歇性和波动性，其大规模接入将给系统带来显著的安全稳定问题。传统的调度问题通常采用确定性优化方法，该方法仅利用可再生能源确定性的预测结果进行优化，确定性预测的误差难免会使得确定性优化方法获得的调度决策适用性差。近年来，概率预测作为一种新的预测方法逐渐得到关注，该方法可获取预测对象的概率分布，为决策者提供更为全面的预测信息，若能将其与优化方法相结合，可有效提高调度决策的安全性。
当前对综合能源系统的研究主要集中于日前调度，且现有数据驱动鲁棒优化及分布鲁棒优化方法常用的可再生能源出力概率分布信息为矩信息。在日前，可再生能源出力的预测较不准确，使用笼统的概率分布信息(如矩信息)较为合适。然而，在日内，随着调度时段的临近，可再生能源出力的预测精度显著提高，其概率分布信息可通过概率预测精确地获得，考虑可再生能源出力粗略的矩信息可能导致调度结果的可靠性不强。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高调度结果的可靠性的基于数据驱动的综合能源系统鲁棒日内滚动调度方法。
一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法，所述方法包括：
步骤1：在当前调度时段开始前，根据未来预设时段的最新的可再生能源出力信息，对未来预设时段内的可再生能源出力进行概率预测，获得未来预设时段的可再生能源出力的概率分布信息；
步骤2：根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型；
步骤3：采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型；
步骤4：在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策；
步骤5：根据未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度；
步骤6：将调度时间窗向后移动一个调度时段，并重复步骤(1)-(5)，继续对综合能源系统进行调度。
在其中一个实施例中，对未来预设时段内的可再生能源出力进行概率预测的方式为区间预测、分位数预测或概率密度预测方法中的任意一种；
当概率预测的方式为区间预测时，所述可再生能源出力的概率分布信息为可再生能源出力的置信区间；
当概率预测的方式为分位数预测时，所述可再生能源出力的概率分布信息为可再生能源出力的分位数；
当概率预测的方式为概率密度预测方法时，所述可再生能源出力的概率分布信息为可再生能源出力的概率密度函数。
在其中一个实施例中，所述根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型的步骤，包括：
根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集：
Figure BDA0003607306160000031
Figure BDA0003607306160000032
式中：t表示调度时段；t0表示当前调度时段；T表示总调度时段；k表示置信区间；Ep表示取期望值；wt为t时段可再生能源的总出力；F为wt的模糊集；P为概率；R为wt所有可能的情况；I为wt的维度；P(RI)为wt所有可能的概率分布；Wk为wt在置信区间k的不确定集；pk为置信区间k的概率；
Figure BDA0003607306160000033
和μ t分别为wt期望的上限和下限；
Figure BDA0003607306160000034
和w k,t分别为置信区间k的上限和下限；P[wt∈Wk]＝pk表示wt落在第k个置信区间的概率为pk；
Figure BDA0003607306160000035
表示wt的期望在其上下限范围内；
在基于预测区间的可再生能源出力模糊集的基础上，构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型；所述综合能源系统鲁棒日内滚动调度模型包括第一阶段和第二阶段的优化问题，其中，第一阶段的决策变量为当前调度时段的决策变量，第二阶段的决策变量为当前调度时段之后的调度时段的决策变量。
在其中一个实施例中，当所述可再生能源出力概率分布信息为可再生能源出力的概率密度函数或分位数时，在构建基于预测区间的可再生能源出力模糊集之前，还包括：
通过置信区间、分位数和概率密度函数的之间的转化关系，将可再生能源出力的概率密度函数或分位数转化为可再生能源出力的置信区间。
在其中一个实施例中，所述综合能源系统鲁棒日内滚动调度模型的目标函数为：
Figure BDA0003607306160000041
式中：e表示热电联产机组；i表示配电网节点；
Figure BDA0003607306160000042
为热电联产机组e的单位发电成本；
Figure BDA0003607306160000043
为当前时段热电联产机组e的电出力；
Figure BDA0003607306160000044
为电网节点i处的切负荷成本；
Figure BDA0003607306160000045
为当前时段电网节点i处的切负荷量；sup表示上确界；
Figure BDA0003607306160000046
为t时段热电联产机组e的电出力；
Figure BDA0003607306160000047
为t时段电网节点i处的切负荷量；
Figure BDA0003607306160000048
为第一阶段目标函数；
Figure BDA0003607306160000049
为第二阶段目标函数。
在其中一个实施例中，所述综合能源系统鲁棒日内滚动调度模型的约束条件，包括热电联产机组约束、能力枢纽约束、电力系统约束和热力系统约束；
所述热电联产机组约束表示为：
Figure BDA00036073061600000410
Figure BDA00036073061600000411
Figure BDA00036073061600000412
Figure BDA0003607306160000051
式中：
Figure BDA0003607306160000052
和
Figure BDA0003607306160000053
分别为t时段热电联产机组e的最大和最小电出力；
Figure BDA0003607306160000054
为t-1时段热电联产机组e的电出力；ue,t、ve,t和xe,t分别表示t时段热电联产机组e是否启动、停止和工作，是则为1，否则为0；xe,t-1表示t-1时段热电联产机组e是否工作，是则为1，否则为0；
Figure BDA0003607306160000055
和
Figure BDA0003607306160000056
分别为热电联产机组e的最大向上和向下爬坡率；
Figure BDA0003607306160000057
和
Figure BDA0003607306160000058
分别为热电联产机组e的最大开机时向上和关机时向下爬坡率；
能量枢纽约束表示为：
Figure BDA0003607306160000059
Figure BDA00036073061600000510
式中：
Figure BDA00036073061600000511
为t时段可再生能源机组e的电出力；
Figure BDA00036073061600000512
为t时段可再生能源机组e的弃风弃光量；
Figure BDA00036073061600000513
为t时段热泵e的输入电功率；
Figure BDA00036073061600000514
和
Figure BDA00036073061600000515
分别为t时段能量枢纽e的电和热出力；
Figure BDA00036073061600000516
为热电联产机组e的热电比；
Figure BDA00036073061600000517
为热泵e的电热转化效率；
电力系统约束表示为：
Figure BDA00036073061600000518
Figure BDA00036073061600000519
Figure BDA00036073061600000520
式中：j和l均表示电网节点；
Figure BDA00036073061600000521
为首端节点为j的支路集合；
Figure BDA00036073061600000522
和
Figure BDA00036073061600000523
分别为t时段电网节点j处的有功和无功输出功率；Pij,t和Qij,t分别为t时段支路i-j的有功和无功功率；Pjl,t和Qjl,t分别为t时段支路j-l的有功和无功功率；
Figure BDA0003607306160000061
和
Figure BDA0003607306160000062
分别为t时段电网节点j处的有功和无功负荷；
Figure BDA0003607306160000063
为t时段电网节点j处的切负荷量；Vi,t和Vj,t分别为t时段电网节点i和j处的电压幅值；rij和xij分别为支路i-j的电阻和电抗；V0为额定电压幅值；
热力系统约束表示为：
Figure BDA0003607306160000064
Figure BDA0003607306160000065
Figure BDA0003607306160000066
Figure BDA0003607306160000067
Figure BDA0003607306160000068
式中：n表示热网节点；p表示热网管道；
Figure BDA0003607306160000069
和
Figure BDA00036073061600000610
分别为管道始端和末端与热网节点n相连接的热网管道集合；
Figure BDA00036073061600000611
和
Figure BDA00036073061600000612
分别为t时段热网节点n处的热源出力和热负荷；cP为水的比热容；
Figure BDA00036073061600000613
和
Figure BDA00036073061600000614
分别为t时段热源和热负荷在热网节点n处的热水质量流率；
Figure BDA00036073061600000615
和
Figure BDA00036073061600000616
分别为t时段热网节点n处的入口和出口温度；
Figure BDA00036073061600000617
和
Figure BDA00036073061600000618
分别为t时段热网管道p的始端和末端温度；Tt A为t时段的环境温度；e为自然常数；λp为热网管道p的传热系数；Lp为热网管道p的长度；mp,t为t时段热网管道p的热水质量流率；
Figure BDA00036073061600000619
为t时段热网节点n处的混合温度。
在其中一个实施例中，所述采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型的步骤，包括：
目标函数的转化：
通过线性决策规则，将第二阶段的决策变量表示为不确定变量wt的线性仿射函数：
Figure BDA0003607306160000071
Figure BDA0003607306160000072
式中：
Figure BDA0003607306160000073
和
Figure BDA0003607306160000074
表示仿射函数的线性系数，为转化后获得的决策变量；
根据模糊集F的定义，将目标函数中的上确界问题sup表示为半无限优化问题：
Figure BDA0003607306160000075
Figure BDA0003607306160000076
Figure BDA0003607306160000077
Figure BDA0003607306160000078
Figure BDA0003607306160000079
式中：f(wt)表示wt的概率密度函数；df(wt)表示f(wt)的微分；αk、βt和γt分别为相应约束式的对偶变量；
应用强对偶理论，将所述半无限优化问题转化为有限维的对偶问题，表示为：
Figure BDA00036073061600000710
Figure BDA00036073061600000711
Figure BDA0003607306160000081
将所述线性仿射函数代入公式(27)，并根据不确定集合Wk的定义，将公式(27)改写为最恶劣情况的表达式：
Figure BDA0003607306160000082
Figure BDA0003607306160000083
Figure BDA0003607306160000084
式中：δk,t和εk,t分别为相应约束式的对偶变量；
再次应用强对偶理论，将所述最恶劣情况的表达式改写为对偶问题：
Figure BDA0003607306160000085
Figure BDA0003607306160000086
Figure BDA0003607306160000087
至此，目标函数中上确界问题表示为等价形式：
Figure BDA0003607306160000088
Figure BDA0003607306160000089
Figure BDA00036073061600000810
Figure BDA00036073061600000811
Figure BDA0003607306160000091
约束条件的转化：
分别将所述线性仿射函数代入各约束条件，并根据不确定集Wk的定义进行转化，获得各转化后的约束条件。
在其中一个实施例中，所述在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策的步骤，包括：通过在GAMS或Python通用建模软件中编写转化后的模型，并采用通用建模软件中的CPLEX、GUROBI或MOSEK求解器求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
上述基于数据驱动的综合能源系统鲁棒日内滚动调度方法，通过构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型，以及对基于数据驱动的综合能源系统鲁棒日内滚动调度模型的转化和求解方法，实现了数据驱动鲁棒优化方法和概率预测的结合，使得所提供的综合能源系统的日内滚动调度决策能适应可再生能源出力的波动性，从而提高综合能源系统日内调度决策的安全性。并且，相比于传统基于矩信息的可再生能源出力模糊集，本发明所构基于预测区间的可再生能源出力模糊集包含的概率分布信息更为精确且全面，这使得所构模糊集更为精确且更小，所得到的综合能源系统日内滚动调度结果也更为可靠，且保守性更低。
附图说明
图1为一个实施例中基于数据驱动的综合能源系统鲁棒日内滚动调度方法的流程示意图；
图2为一个实施例中巴厘岛综合能源系统的网络拓扑图；
图3为一个实施例中能量枢纽结构图；
图4为两种不同数据驱动鲁棒优化方法的目标函数值对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤1：在当前调度时段开始前，根据未来预设时段的最新的可再生能源出力信息，对未来预设时段内的可再生能源出力进行概率预测，获得未来预设时段的可再生能源出力的概率分布信息。
其中，当前调度时段是即将需要调度的时段，未来预设时段是包括当前调度时段以及当前调度时段后连续的若干个调度时段，该未来预设时段的时间长度根据实际情况设定，如：假设每1个小时对综合能源系统进行一次调度，未来预设时段设定为4小时，当前时间处于2：00-3:00之间，需要确定出未来3：00-4:00的调度决策，当前调度时段为3：00-4:00，未来预设时段则为3：00-7:00，则最新的可再生能源出力信息是指3：00-7:00的可再生能源出力的概率分布信息。
步骤2：根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型。
步骤3：采用线性决策规则和强对偶理论对综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型。
步骤4：在通用建模软件中求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
步骤5：根据未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度。
其中，通过获得未来预设时段内综合能源系统的调度决策，并选择未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度，可以可靠性。
步骤6：将调度时间窗向后移动一个调度时段，并重复步骤(1)-(5)，继续对综合能源系统进行调度。
其中，将调度时间窗向后移动一个调度时段，即t＝t+1。将调度时间窗向后移动一个调度时段后，直接返回执行步骤(1)，循环对综合能源系统的进行调度，直至调度员下发停止对综合能源系统进行调度的指令，停止执行基于数据驱动的综合能源系统鲁棒日内滚动调度方法。
还可以调度时间窗向后移动一个调度时段后，设置循环执行的结束条件，先判断是否需要继续对综合能源系统进行调度，如：设置一个对综合能源系统进行调度的结束时间，判断该调度时段是不是大于结束时间，是，则停止执行基于数据驱动的综合能源系统鲁棒日内滚动调度方法，否，则返回执行步骤(1)，循环对综合能源系统的进行调度。
在一个实施例中，对未来预设时段内的可再生能源出力进行概率预测的方式为区间预测、分位数预测或概率密度预测方法中的任意一种；
当概率预测的方式为区间预测时，可再生能源出力的概率分布信息为可再生能源出力的置信区间；
当概率预测的方式为分位数预测时，可再生能源出力的概率分布信息为可再生能源出力的分位数；
当概率预测的方式为概率密度预测方法时，可再生能源出力的概率分布信息为可再生能源出力的概率密度函数。
在一个实施例中，根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型的步骤，包括：
根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集：
Figure BDA0003607306160000121
Figure BDA0003607306160000122
式中：t表示调度时段；t0表示当前调度时段；T表示总调度时段；k表示置信区间；Ep表示取期望值；wt为t时段可再生能源的总出力；F为wt的模糊集；P为概率；R为wt所有可能的情况；I为wt的维度；P(RI)为wt所有可能的概率分布；Wk为wt在置信区间k的不确定集；pk为置信区间k的概率；
Figure BDA0003607306160000123
和μ t分别为wt期望的上限和下限；
Figure BDA0003607306160000124
和w k,t分别为置信区间k的上限和下限；P[wt∈Wk]＝pk表示wt落在第k个置信区间的概率为pk；
Figure BDA0003607306160000125
表示wt的期望在其上下限范围内；
在基于预测区间的可再生能源出力模糊集的基础上，构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型；综合能源系统鲁棒日内滚动调度模型包括第一阶段和第二阶段的优化问题，其中，第一阶段的决策变量为当前调度时段的决策变量，第二阶段的决策变量为当前调度时段之后的调度时段的决策变量。
在一个实施例中，当可再生能源出力概率分布信息为可再生能源出力的概率密度函数或分位数时，在构建基于预测区间的可再生能源出力模糊集之前，还包括：
通过置信区间、分位数和概率密度函数的之间的转化关系，将可再生能源出力的概率密度函数或分位数转化为可再生能源出力的置信区间。
在其中一个实施例中，综合能源系统鲁棒日内滚动调度模型的目标函数为：
Figure BDA0003607306160000131
式中：e表示热电联产机组；i表示配电网节点；
Figure BDA0003607306160000132
为热电联产机组e的单位发电成本；
Figure BDA0003607306160000133
为当前时段热电联产机组e的电出力；
Figure BDA0003607306160000134
为电网节点i处的切负荷成本；
Figure BDA0003607306160000135
为当前时段电网节点i处的切负荷量；sup表示上确界；
Figure BDA0003607306160000136
为t时段热电联产机组e的电出力；
Figure BDA0003607306160000137
为t时段电网节点i处的切负荷量；
Figure BDA0003607306160000138
为第一阶段目标函数；
Figure BDA0003607306160000139
为第二阶段目标函数。
在其中一个实施例中，综合能源系统鲁棒日内滚动调度模型的约束条件，包括热电联产机组约束、能力枢纽约束、电力系统约束和热力系统约束；
热电联产机组约束表示为：
Figure BDA00036073061600001310
Figure BDA00036073061600001311
Figure BDA00036073061600001312
Figure BDA00036073061600001313
式中：
Figure BDA00036073061600001314
和
Figure BDA00036073061600001315
分别为t时段热电联产机组e的最大和最小电出力；
Figure BDA00036073061600001316
为t-1时段热电联产机组e的电出力；ue,t、ve,t和xe,t分别表示t时段热电联产机组e是否启动、停止和工作，是则为1，否则为0；xe,t-1表示t-1时段热电联产机组e是否工作，是则为1，否则为0；
Figure BDA00036073061600001317
和
Figure BDA00036073061600001318
分别为热电联产机组e的最大向上和向下爬坡率；
Figure BDA0003607306160000141
和
Figure BDA0003607306160000142
分别为热电联产机组e的最大开机时向上和关机时向下爬坡率；
能量枢纽约束表示为：
Figure BDA0003607306160000143
Figure BDA0003607306160000144
式中：
Figure BDA0003607306160000145
为t时段可再生能源机组e的电出力；
Figure BDA0003607306160000146
为t时段可再生能源机组e的弃风弃光量；
Figure BDA0003607306160000147
为t时段热泵e的输入电功率；
Figure BDA0003607306160000148
和
Figure BDA0003607306160000149
分别为t时段能量枢纽e的电和热出力；
Figure BDA00036073061600001410
为热电联产机组e的热电比；
Figure BDA00036073061600001411
为热泵e的电热转化效率；
电力系统约束表示为：
Figure BDA00036073061600001412
Figure BDA00036073061600001413
Figure BDA00036073061600001414
式中：j和l均表示电网节点；
Figure BDA00036073061600001415
为首端节点为j的支路集合；
Figure BDA00036073061600001416
和
Figure BDA00036073061600001417
分别为t时段电网节点j处的有功和无功输出功率；Pij,t和Qij,t分别为t时段支路i-j的有功和无功功率；Pjl,t和Qjl,t分别为t时段支路j-l的有功和无功功率；
Figure BDA00036073061600001418
和
Figure BDA00036073061600001419
分别为t时段电网节点j处的有功和无功负荷；
Figure BDA00036073061600001420
为t时段电网节点j处的切负荷量；Vi,t和Vj,t分别为t时段电网节点i和j处的电压幅值；rij和xij分别为支路i-j的电阻和电抗；V0为额定电压幅值；
热力系统约束表示为：
Figure BDA00036073061600001421
Figure BDA0003607306160000151
Figure BDA0003607306160000152
Figure BDA0003607306160000153
Figure BDA0003607306160000154
式中：n表示热网节点；p表示热网管道；
Figure BDA0003607306160000155
和
Figure BDA0003607306160000156
分别为管道始端和末端与热网节点n相连接的热网管道集合；
Figure BDA0003607306160000157
和
Figure BDA0003607306160000158
分别为t时段热网节点n处的热源出力和热负荷；cP为水的比热容；
Figure BDA0003607306160000159
和
Figure BDA00036073061600001510
分别为t时段热源和热负荷在热网节点n处的热水质量流率；
Figure BDA00036073061600001511
和
Figure BDA00036073061600001512
分别为t时段热网节点n处的入口和出口温度；
Figure BDA00036073061600001513
和
Figure BDA00036073061600001514
分别为t时段热网管道p的始端和末端温度；Tt A为t时段的环境温度；e为自然常数；λp为热网管道p的传热系数；Lp为热网管道p的长度；mp,t为t时段热网管道p的热水质量流率；
Figure BDA00036073061600001515
为t时段热网节点n处的混合温度。
在一个实施例中，采用线性决策规则和强对偶理论对综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型的步骤，包括：
目标函数的转化：
通过线性决策规则，将第二阶段的决策变量表示为不确定变量wt的线性仿射函数：
Figure BDA00036073061600001516
Figure BDA00036073061600001517
式中：
Figure BDA00036073061600001518
和
Figure BDA00036073061600001519
表示仿射函数的线性系数，为转化后获得的决策变量；
根据模糊集F的定义，将目标函数中的上确界问题sup表示为半无限优化问题：
Figure BDA0003607306160000161
Figure BDA0003607306160000162
Figure BDA0003607306160000163
Figure BDA0003607306160000164
Figure BDA0003607306160000165
式中：f(wt)表示wt的概率密度函数；df(wt)表示f(wt)的微分；αk、βt和γt分别为相应约束式的对偶变量；
应用强对偶理论，将半无限优化问题转化为有限维的对偶问题，表示为：
Figure BDA0003607306160000166
Figure BDA0003607306160000167
Figure BDA0003607306160000168
将线性仿射函数代入公式(27)，并根据不确定集合Wk的定义，将公式(27)改写为最恶劣情况的表达式：
Figure BDA0003607306160000171
Figure BDA0003607306160000172
Figure BDA0003607306160000173
式中：δk,t和εk,t分别为相应约束式的对偶变量；
再次应用强对偶理论，将最恶劣情况的表达式改写为对偶问题：
Figure BDA0003607306160000174
Figure BDA0003607306160000175
Figure BDA0003607306160000176
至此，目标函数中上确界问题表示为等价形式：
Figure BDA0003607306160000177
Figure BDA0003607306160000178
Figure BDA0003607306160000179
Figure BDA00036073061600001710
Figure BDA00036073061600001711
约束条件的转化：
分别将线性仿射函数代入各约束条件，并根据不确定集Wk(2)的定义进行转化，获得各转化后的约束条件。
其中，对约束条件进行转化的方式以约束条件
Figure BDA0003607306160000181
为例进行举例说明：
将线性仿射函数代入约束条件
Figure BDA0003607306160000182
并改写为：
Figure BDA0003607306160000183
将(39)表示为最恶劣情况表达式：
Figure BDA0003607306160000184
根据不确定集Wk的定义可知，
Figure BDA0003607306160000185
因此，公式(40)可由如下两个式子(即约束条件
Figure BDA0003607306160000186
被转化后的表达式)表示：
Figure BDA0003607306160000187
Figure BDA0003607306160000188
其他的约束条件进行转化的方式相同，不再赘述。
在一个实施例中，在通用建模软件中求解转化后的模型，获得未来预设时段内综合能源系统的调度决策的步骤，包括：通过在GAMS或Python通用建模软件中编写转化后的模型，并采用通用建模软件中的CPLEX、GUROBI或MOSEK求解器求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
上述基于数据驱动的综合能源系统鲁棒日内滚动调度方法，通过构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型，以及对基于数据驱动的综合能源系统鲁棒日内滚动调度模型的转化和求解方法，实现了数据驱动鲁棒优化方法和概率预测的结合，使得所提供的综合能源系统的日内滚动调度决策能适应可再生能源出力的波动性，从而提高综合能源系统日内调度决策的安全性。并且，相比于传统基于矩信息的可再生能源出力模糊集，本发明所构基于预测区间的可再生能源出力模糊集包含的概率分布信息更为精确且全面，这使得所构模糊集更为精确且更小，所得到的综合能源系统日内滚动调度结果也更为可靠，且保守性更低。
在一个实施例中，采用实际的巴厘岛综合能源系统作为实施例，其网络拓扑图如图2所示，该系统由9节点电力系统(①……⑨)和32节点热力系统(1……32)耦合而成。3个能量枢纽(能量枢纽1、能量枢纽2和能量枢纽3)分别接于电力系统的①、⑨和⑥节点以及热力系统的31、1和32节点，能量枢纽的结构如图3所示。热电联产机组的参数见表1。切负荷成本设为500$/MWh。日内滚动优化的未来预设时段设为2h，每个调度时段15min，即未来预设时段内总调度时段数为8。采用GAMS软件的CPLEX求解器求解步骤3获得的线性规划模型，CPLEX的收敛精度设为0。
表1热电联产机组参数
Figure BDA0003607306160000191
为说明本发明所述基于数据驱动的综合能源系统鲁棒日内滚动调度方法的优势，与传统基于点预测的确定性优化结果进行比较分析。获取采用连续16个调度时段的调度决策对综合能源系统进行滚动优化，所得确定性优化方法和基于数据驱动的综合能源系统鲁棒日内滚动调度方法的系统成本结果如表2所示。虽然基于数据驱动的综合能源系统鲁棒日内滚动调度方法的热电联产机组成本较高，但该方法避免了严重的切负荷惩罚。相比于确定性优化方法，基于数据驱动的综合能源系统鲁棒日内滚动调度方法的系统总成本下降了20.49％。这是由于基于数据驱动的综合能源系统鲁棒日内滚动调度方法考虑了可再生能源出力所有可能的概率分布情况，因而提高热电联产机组出力以应对可再生能源出力的波动，从而避免了切负荷情况的发生，即提高了综合能源系统调度决策的安全性。
表2不同优化方法的系统成本结果对比
Figure BDA0003607306160000201
为说明本发明所述基于预测区间的可再生能源出力模糊集的优越性，与传统基于矩信息的可再生能源出力模糊集的结果进行对比分析。对连续16个调度时段求解两种模糊集对应的数据驱动鲁棒优化模型，所得每次优化的目标函数值(总成本)如图4所示。在任意调度时段，基于预测区间的数据驱动鲁棒优化方法的目标函数值恒小于基于矩信息的数据驱动鲁棒优化方法。这是由于基于预测区间的方法能利用更全面的可再生能源出力的概率分布信息，这使得该方法对可再生能源出力真实概率分布的描述更加准确，因而所构建的模糊集更为精确且更小，所得到的优化结果也更为可靠且保守性更低。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法，其特征在于，所述方法包括：
步骤1：在当前调度时段开始前，根据未来预设时段的最新的可再生能源出力信息，对未来预设时段内的可再生能源出力进行概率预测，获得未来预设时段的可再生能源出力的概率分布信息；
步骤2：根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型；
步骤3：采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型；
步骤4：在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策；
步骤5：根据未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度；
步骤6：将调度时间窗向后移动一个调度时段，并重复步骤(1)-(5)，继续对综合能源系统进行调度。
2.根据权利要求1所述的方法，其特征在于，对未来预设时段内的可再生能源出力进行概率预测的方式为区间预测、分位数预测或概率密度预测方法中的任意一种；
当概率预测的方式为区间预测时，所述可再生能源出力的概率分布信息为可再生能源出力的置信区间；
当概率预测的方式为分位数预测时，所述可再生能源出力的概率分布信息为可再生能源出力的分位数；
当概率预测的方式为概率密度预测方法时，所述可再生能源出力的概率分布信息为可再生能源出力的概率密度函数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型的步骤，包括：
根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集：
Figure FDA0003607306150000021
Figure FDA0003607306150000022
式中：t表示调度时段；t 0表示当前调度时段；T表示总调度时段；k表示置信区间；Ep表示取期望值；wt为t时段可再生能源的总出力；F为wt的模糊集；P为概率；R为wt所有可能的情况；I为wt的维度；P(RI)为wt所有可能的概率分布；Wk为wt在置信区间k的不确定集；pk为置信区间k的概率；
Figure FDA0003607306150000023
和μ t分别为wt期望的上限和下限；
Figure FDA0003607306150000024
和wk,t分别为置信区间k的上限和下限；P[wt∈Wk]＝pk表示wt落在第k个置信区间的概率为pk；
Figure FDA0003607306150000025
表示wt的期望在其上下限范围内；
在基于预测区间的可再生能源出力模糊集的基础上，构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型；所述综合能源系统鲁棒日内滚动调度模型包括第一阶段和第二阶段的优化问题，其中，第一阶段的决策变量为当前调度时段的决策变量，第二阶段的决策变量为当前调度时段之后的调度时段的决策变量。
4.根据权利要求3所述的方法，其特征在于，当所述可再生能源出力概率分布信息为可再生能源出力的概率密度函数或分位数时，在构建基于预测区间的可再生能源出力模糊集之前，还包括：
通过置信区间、分位数和概率密度函数的之间的转化关系，将可再生能源出力的概率密度函数或分位数转化为可再生能源出力的置信区间。
5.根据权利要求3所述的方法，其特征在于，所述综合能源系统鲁棒日内滚动调度模型的目标函数为：
Figure FDA0003607306150000031
式中：e表示热电联产机组；i表示配电网节点；
Figure FDA0003607306150000032
为热电联产机组e的单位发电成本；
Figure FDA0003607306150000033
为当前时段热电联产机组e的电出力；
Figure FDA0003607306150000034
为电网节点i处的切负荷成本；
Figure FDA0003607306150000035
为当前时段电网节点i处的切负荷量；sup表示上确界；
Figure FDA0003607306150000036
为t时段热电联产机组e的电出力；
Figure FDA0003607306150000037
为t时段电网节点i处的切负荷量；
Figure FDA0003607306150000038
为第一阶段目标函数；
Figure FDA0003607306150000039
为第二阶段目标函数。
6.根据权利要求5所述的方法，其特征在于，所述综合能源系统鲁棒日内滚动调度模型的约束条件，包括热电联产机组约束、能力枢纽约束、电力系统约束和热力系统约束；
所述热电联产机组约束表示为：
Figure FDA00036073061500000310
Figure FDA00036073061500000311
Figure FDA00036073061500000312
Figure FDA00036073061500000313
式中：
Figure FDA00036073061500000314
和
Figure FDA00036073061500000315
分别为t时段热电联产机组e的最大和最小电出力；
Figure FDA00036073061500000316
为t-1时段热电联产机组e的电出力；ue,t、ve,t和xe,t分别表示t时段热电联产机组e是否启动、停止和工作，是则为1，否则为0；xe,t-1表示t-1时段热电联产机组e是否工作，是则为1，否则为0；
Figure FDA0003607306150000041
和
Figure FDA0003607306150000042
分别为热电联产机组e的最大向上和向下爬坡率；
Figure FDA0003607306150000043
和
Figure FDA0003607306150000044
分别为热电联产机组e的最大开机时向上和关机时向下爬坡率；
能量枢纽约束表示为：
Figure FDA0003607306150000045
Figure FDA0003607306150000046
式中：
Figure FDA0003607306150000047
为t时段可再生能源机组e的电出力；
Figure FDA0003607306150000048
为t时段可再生能源机组e的弃风弃光量；
Figure FDA0003607306150000049
为t时段热泵e的输入电功率；
Figure FDA00036073061500000410
和
Figure FDA00036073061500000411
分别为t时段能量枢纽e的电和热出力；
Figure FDA00036073061500000412
为热电联产机组e的热电比；
Figure FDA00036073061500000413
为热泵e的电热转化效率；
电力系统约束表示为：
Figure FDA00036073061500000414
Figure FDA00036073061500000415
Figure FDA00036073061500000416
式中：j和l均表示电网节点；
Figure FDA00036073061500000417
为首端节点为j的支路集合；
Figure FDA00036073061500000418
和
Figure FDA00036073061500000419
分别为t时段电网节点j处的有功和无功输出功率；Pij,t和Qij,t分别为t时段支路i-j的有功和无功功率；Pjl,t和Qjl,t分别为t时段支路j-l的有功和无功功率；
Figure FDA00036073061500000420
和
Figure FDA00036073061500000421
分别为t时段电网节点j处的有功和无功负荷；
Figure FDA00036073061500000422
为t时段电网节点j处的切负荷量；Vi,t和Vj,t分别为t时段电网节点i和j处的电压幅值；rij和xij分别为支路i-j的电阻和电抗；V0为额定电压幅值；
热力系统约束表示为：
Figure FDA0003607306150000051
Figure FDA0003607306150000052
Figure FDA0003607306150000053
Figure FDA0003607306150000054
Figure FDA0003607306150000055
式中：n表示热网节点；p表示热网管道；
Figure FDA0003607306150000056
和
Figure FDA0003607306150000057
分别为管道始端和末端与热网节点n相连接的热网管道集合；
Figure FDA0003607306150000058
和
Figure FDA0003607306150000059
分别为t时段热网节点n处的热源出力和热负荷；cP为水的比热容；
Figure FDA00036073061500000510
和
Figure FDA00036073061500000511
分别为t时段热源和热负荷在热网节点n处的热水质量流率；
Figure FDA00036073061500000512
和
Figure FDA00036073061500000513
分别为t时段热网节点n处的入口和出口温度；
Figure FDA00036073061500000514
和
Figure FDA00036073061500000515
分别为t时段热网管道p的始端和末端温度；Tt A为t时段的环境温度；e为自然常数；λp为热网管道p的传热系数；Lp为热网管道p的长度；mp,t为t时段热网管道p的热水质量流率；
Figure FDA00036073061500000516
为t时段热网节点n处的混合温度。
7.根据权利要求6所述的方法，其特征在于，所述采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型的步骤，包括：
目标函数的转化：
通过线性决策规则，将第二阶段的决策变量表示为不确定变量wt的线性仿射函数：
Figure FDA0003607306150000061
Figure FDA0003607306150000062
式中：
Figure FDA0003607306150000063
和
Figure FDA0003607306150000064
表示仿射函数的线性系数，为转化后获得的决策变量；
根据模糊集F的定义，将所述目标函数中的上确界问题sup表示为半无限优化问题：
Figure FDA0003607306150000065
Figure FDA0003607306150000066
Figure FDA0003607306150000067
Figure FDA0003607306150000068
Figure FDA0003607306150000069
式中：f(wt)表示wt的概率密度函数；df(wt)表示f(wt)的微分；αk、βt和γt分别为相应约束式的对偶变量；
应用强对偶理论，将所述半无限优化问题转化为有限维的对偶问题，表示为：
Figure FDA00036073061500000610
Figure FDA00036073061500000611
Figure FDA00036073061500000612
将所述线性仿射函数代入公式(27)，并根据不确定集Wk的定义，将公式(27)改写为最恶劣情况的表达式：
Figure FDA0003607306150000071
Figure FDA0003607306150000072
Figure FDA0003607306150000073
式中：δk,t和εk,t分别为相应约束式的对偶变量；
再次应用强对偶理论，将所述最恶劣情况的表达式改写为对偶问题：
Figure FDA0003607306150000074
Figure FDA0003607306150000075
Figure FDA0003607306150000076
至此，目标函数中上确界问题表示为等价形式：
Figure FDA0003607306150000077
Figure FDA0003607306150000078
Figure FDA0003607306150000079
Figure FDA00036073061500000710
Figure FDA00036073061500000711
约束条件的转化：
分别将所述线性仿射函数代入各约束条件，并根据不确定集Wk的定义进行转化，获得各转化后的约束条件。
8.根据权利要求1所述的方法，其特征在于，所述在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策的步骤，包括：
通过在GAMS或Python通用建模软件中编写转化后的模型，并采用通用建模软件中的CPLEX、GUROBI或MOSEK求解器求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
CN202210423144.2A 2022-04-21 2022-04-21 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法 Active CN114781866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210423144.2A CN114781866B (zh) 2022-04-21 2022-04-21 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210423144.2A CN114781866B (zh) 2022-04-21 2022-04-21 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法

Publications (2)

Publication Number Publication Date
CN114781866A true CN114781866A (zh) 2022-07-22
CN114781866B CN114781866B (zh) 2023-10-31

Family

ID=82431995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210423144.2A Active CN114781866B (zh) 2022-04-21 2022-04-21 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法

Country Status (1)

Country Link
CN (1) CN114781866B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371751A (zh) * 2023-11-07 2024-01-09 上海交通大学 基于电力调度模型的自适应多面切割的优化资源分配方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN109583623A (zh) * 2018-10-17 2019-04-05 国网（北京）节能设计研究院有限公司 区域多能源供给系统日内滚动协同优化运行方法和装置
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN111401664A (zh) * 2020-04-21 2020-07-10 广东电网有限责任公司电力调度控制中心 一种综合能源系统鲁棒优化调度方法及装置
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN111884266A (zh) * 2020-07-02 2020-11-03 河海大学 一种燃气轮机日内滚动机组组合优化方法
CN111931331A (zh) * 2020-06-23 2020-11-13 河海大学 一种适用于配电网机组组合的分布鲁棒优化方法
CN111985686A (zh) * 2020-07-15 2020-11-24 河海大学 一种基于概率预测的配电网分布鲁棒优化调度方法
CN113541191A (zh) * 2021-07-22 2021-10-22 国网上海市电力公司 考虑大规模可再生能源接入的多时间尺度调度方法
CN113705962A (zh) * 2021-07-16 2021-11-26 国网江苏省电力有限公司南京供电分公司 一种基于分布鲁棒优化的虚拟电厂日前调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN109583623A (zh) * 2018-10-17 2019-04-05 国网（北京）节能设计研究院有限公司 区域多能源供给系统日内滚动协同优化运行方法和装置
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN111401664A (zh) * 2020-04-21 2020-07-10 广东电网有限责任公司电力调度控制中心 一种综合能源系统鲁棒优化调度方法及装置
CN111931331A (zh) * 2020-06-23 2020-11-13 河海大学 一种适用于配电网机组组合的分布鲁棒优化方法
CN111884266A (zh) * 2020-07-02 2020-11-03 河海大学 一种燃气轮机日内滚动机组组合优化方法
CN111985686A (zh) * 2020-07-15 2020-11-24 河海大学 一种基于概率预测的配电网分布鲁棒优化调度方法
CN111815081A (zh) * 2020-09-07 2020-10-23 华东交通大学 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法
CN113705962A (zh) * 2021-07-16 2021-11-26 国网江苏省电力有限公司南京供电分公司 一种基于分布鲁棒优化的虚拟电厂日前调度方法
CN113541191A (zh) * 2021-07-22 2021-10-22 国网上海市电力公司 考虑大规模可再生能源接入的多时间尺度调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371751A (zh) * 2023-11-07 2024-01-09 上海交通大学 基于电力调度模型的自适应多面切割的优化资源分配方法

Also Published As

Publication number Publication date
CN114781866B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN110717688B (zh) 考虑新能源出力不确定性的水风光短期联合优化调度方法
Troy et al. Multi-mode operation of combined-cycle gas turbines with increasing wind penetration
CN105279707B (zh) 一种综合考虑负荷与风电时序特性的随机生产模拟方法
Tang et al. Operational flexibility constrained intraday rolling dispatch strategy for CHP microgrid
CN116341881B (zh) 计及热网灵活性的电-热系统鲁棒超前调度方法及系统
CN113792969A (zh) 考虑气网动态特性和电转气综合能源系统优化调度方法
CN114742314A (zh) 一种考虑相关性的电热综合能源系统分布鲁棒优化方法
CN105244870A (zh) 一种快速计算电网风电场弃风率及机组发电量的方法
CN115099007B (zh) 基于综合成本-能耗曲线的综合能源系统优化运行方法
Zhang et al. Bi-level optimization dispatch of integrated-energy systems with P2G and carbon capture
CN114781866A (zh) 一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN113158547B (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
CN112862158B (zh) 一种综合能源系统日前优化调度方法及系统
CN109409609A (zh) 综合能源系统多能流供需平衡的概率约束建模方法和装置
CN112926835A (zh) 一种考虑热网动态特性的综合能源系统优化调度方法
CN117154746A (zh) 一种考虑光伏出力不确定性的微电网日前优化调度方法
Chen et al. Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm
Zhang et al. Multi-time scale co-optimization scheduling of integrated energy system for uncertainty balancing
CN113394820B (zh) 一种新能源并网电力系统的优化调度方法
CN115358443A (zh) 一种基于分布鲁棒优化的电热综合能源系统机组组合方法
CN115296345A (zh) 一种燃气发电机组启停-出力-备用联合优化方法及装置
CN108321792A (zh) 计及风电的电力系统动态经济调度多场景协同优化算法

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
GR01 Patent grant
GR01 Patent grant