CN114784884B - 一种基于调度模型的梯级水电站调度方法及系统 - Google Patents
一种基于调度模型的梯级水电站调度方法及系统 Download PDFInfo
- Publication number
- CN114784884B CN114784884B CN202210703482.1A CN202210703482A CN114784884B CN 114784884 B CN114784884 B CN 114784884B CN 202210703482 A CN202210703482 A CN 202210703482A CN 114784884 B CN114784884 B CN 114784884B
- Authority
- CN
- China
- Prior art keywords
- target
- station
- power generation
- water level
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 160
- 238000010248 power generation Methods 0.000 claims abstract description 136
- 238000003860 storage Methods 0.000 claims abstract description 62
- 238000005457 optimization Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 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
- H02J3/38—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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于调度模型的梯级水电站调度方法及系统,属于梯级水电站技术领域,其中,一种基于调度模型的梯级水电站调度方法,包括:建立调度模型;获取梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容;基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位;获取至少一座目标电站的水库水位指标;调度模型基于至少一座目标电站在目标调度期的末期水位及至少一座目标电站的水库水位指标,对发电计划进行调整,具有降低梯级水电站蓄水风险,提高发电等综合效益的优点。
Description
技术领域
本发明主要涉及梯级水电站技术领域,具体地说,涉及一种基于调度模型的梯级水电站调度方法及系统。
背景技术
水资源通常具有显著的流域特征,且我国大多数河流年内和年际径流分布不均匀,丰枯季节流量相差悬殊,造成了水资源在时间和空间上分布的不均匀。因此,修建可调节性能好的水电站并实施径流调节是充分利用水资源的重要措施。而为了兼顾防洪、发电、充分利用水资源以及其他综合利用的要求,通常在流域上建立梯级水电站。
现有技术中,通常根据负荷分配算法计算出一个负荷值后,直接将该负荷值的负荷分配至水电站使水电站按照该负荷运行。该类方法的调控措施较为片面且所存在的调控误差较大。
因此,需要一种基于调度模型的梯级水电站调度方法及系统,用于对梯级水电站在多个时间段的发电量及水位进行灵活调整。
发明内容
为了解决现有的调控措施较为片面且所存在的调控误差较大的技术问题,本说明书实施例之一提供一种基于调度模型的梯级水电站调度方法,所述方法包括:建立调度模型;获取梯级水电站在目标调度期的来水预报、发电计划及所述梯级水电站的各电站的初始库容;基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在所述目标调度期的末期水位;获取所述至少一座目标电站的水库水位指标;所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整。
在一些实施例中,所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整,包括:若所述至少一座目标电站的水库水位指标大于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,减小所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划;若所述至少一座目标电站的水库水位指标小于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,增大所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划。
在一些实施例中,所述调度模型的目标函数包括:
其中,F为所述梯级水电站在所述目标调度期的最大发电量,T表示所述目标调度
期包括时段总数,I表示所述目标调度期包括的时段的总个数,表示所述梯级水电站的
第i个电站在第t个时段内的发电量,表示第i个电站在所述目标调度期的末期水
位,表示第i个电站的水库水位指标。
在一些实施例中,所述调度模型的约束条件包括水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束、水位约束及电量指标约束中的至少一个。
在一些实施例中,所述方法还包括:获取所述梯级水电站在所述目标调度期的实际发电量;通过所述调度模型基于所述实际发电量调整所述发电优化计划。
本说明书实施例之一提供一种基于调度模型的梯级水电站调度系统,包括:模型建立模块,用于建立调度模型;数据获取模块,用于获取梯级水电站在目标调度期的来水预报、发电计划及所述梯级水电站的各电站的初始库容;水位确定模块,用于基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在所述目标调度期的末期水位;指标获取模块,用于获取所述至少一座目标电站的水库水位指标;调度调整模块,用于通过所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整。
在一些实施例中,所述调度调整模块还用于:若所述至少一座目标电站的水库水位指标大于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,减小所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划;若所述至少一座目标电站的水库水位指标小于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,增大所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划。
在一些实施例中,所述调度模型的目标函数为:
其中,F为所述梯级水电站在所述目标调度期的最大发电量,T表示所述目标调度
期包括的时段的总个数,I表示所述梯级水电站包含的电站的总数,表示所述梯级水电
站的第i个电站在第t个时段内的发电量,表示第i个电站在所述目标调度期的末期
水位,表示第i个电站的水库水位指标。
在一些实施例中,所述调度模型的约束条件包括水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束、水位约束及电量指标约束中的至少一个。
在一些实施例中,所述调度调整模块还用于:获取所述梯级水电站在所述目标调度期的实际发电量;通过所述调度模型基于所述实际发电量调整所述发电优化计划。
本说明书提供的一种基于调度模型的梯级水电站调度方法及系统,至少具有以下有益效果:
1、可以根据梯级水电站在目标调度期的来水预报、发电计划及所述梯级水电站的各电站的初始库容,动态判别梯级水电站在目标调度期结束时的蓄水风险,自动对发电计划进行调整,在降低梯级水电站在目标调度期结束时的蓄水风险的前提下,提高发电等综合效益;
2、可以获取所述梯级水电站在所述目标调度期的实际发电量,基于所述实际发电量对发电优化计划再次进行调整,从而尽可能消除偏差累积带来的影响。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度系统的应用场景示意图;
图2是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度系统的模块示意图;
图3是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度方法的示例性流程图。
图中,110、处理设备;120、网络;130、用户终端;140、存储设备。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。应当理解,给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形, “一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用,然而,任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度系统的应用场景示意图。
如图1所示,应用场景可以包括处理设备110、网络120、用户终端130和存储设备140。
在一些实施例中,应用场景可以根据梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容,动态判别梯级水电站在目标调度期结束时的蓄水风险,自动对发电计划进行调整,在降低梯级水电站在目标调度期结束时的蓄水风险的前提下,提高发电等综合效益。
在一些实施例中,处理设备110可以用于处理与梯级水电站调度相关的信息和/或数据。例如,处理设备110可以用于建立调度模型;获取梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容;基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位;获取至少一座目标电站的水库水位指标;调度模型基于至少一座目标电站在目标调度期的末期水位及至少一座目标电站的水库水位指标,对发电计划进行调整。
在一些实施例中,处理设备110可以是区域的或者远程的。例如,处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中,处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中,处理设备110可以在云平台上执行。例如,该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在一些实施例中,处理设备110可以包含处理器210,处理器210可以包含一个或多个子处理器(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理器可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进应用场景中数据和/或信息的交换。在一些实施例中,应用场景中的一个或多个组件(例如,处理设备110、用户终端130和存储设备140)可以通过网络120发送数据和/或信息给应用场景中的其他组件。例如,处理设备110可以通过网络120从存储设备140获取梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容。在一些实施例中,网络120可以是任意类型的有线或无线网络。例如,网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区域网络(WLAN)、都会区域网络(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。
用户终端130可以获取应用场景中的信息或数据,用户(例如,梯级水电站的工作人员)可以是用户终端130的使用者。例如,用户终端130可以通过网络120从处理设备110获取发电优化计划。在一些实施例中,用户终端130可以包括移动装置、平板电脑、笔记本电脑等中的一种或其任意组合。在一些实施例中,移动装置可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。
在一些实施例中,存储设备140可以与网络120连接以实现与应用场景的一个或多个组件(例如,处理设备110、用户终端130等)通讯。应用场景的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中,存储设备140可以直接与应用场景中的一个或多个组件(如,处理设备110、用户终端130)连接或通讯。在一些实施例中,存储设备140可以是处理设备110的一部分。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性的实施例。例如,存储设备140可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度系统的模块示意图。
如图2所示,基于调度模型的梯级水电站调度系统可以包括模型建立模块、数据获取模块、水位确定模块、指标获取模块及调度调整模块。
模型建立模块可以用于建立调度模型。
数据获取模块可以用于获取梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容。
水位确定模块可以用于基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位。
指标获取模块可以用于获取至少一座目标电站的水库水位指标;
调度调整模块可以用于通过调度模型基于至少一座目标电站在目标调度期的末期水位及至少一座目标电站的水库水位指标,对发电计划进行调整。在一些实施例中,调度调整模块还可以用于:若至少一座目标电站的水库水位指标大于至少一座目标电站在目标调度期的末期水位,调度模型对发电计划进行调整,减小梯级水电站在目标调度期的总发电量,获取发电优化计划;若至少一座目标电站的水库水位指标小于至少一座目标电站在目标调度期的末期水位,调度模型对发电计划进行调整,增大梯级水电站在目标调度期的总发电量,获取发电优化计划。在一些实施例中,调度调整模块还可以用于:获取梯级水电站在目标调度期的实际发电量;通过调度模型基于实际发电量调整发电优化计划。
关于模型建立模块、数据获取模块、水位确定模块、指标获取模块及调度调整模块的更多描述可以参见图3及其相关描述,此处不再赘述。
图3是根据本申请一些实施例所示的一种基于调度模型的梯级水电站调度方法的示例性流程图。在一些实施例中,基于调度模型的梯级水电站调度方法可以由基于调度模型的梯级水电站调度系统执行。如图3所示,基于调度模型的梯级水电站调度方法可以包括如下步骤。
步骤310,建立调度模型。在一些实施例中,步骤310可以由模型建立模块执行。
调度模型可以为用于生成梯级水电站调度计划的数学模型。
在一些实施例中,调度模型的目标函数包括:
其中,F为所述梯级水电站在所述目标调度期的最大发电量,T表示所述目标调度
期包括的时段的总个数,可以理解的,目标调度期可以被分为T个时间长度相等的时段,I表
示所述梯级水电站包含的电站的总数,表示所述梯级水电站的第i个电站在第t个时段
内的发电量,表示第i个电站在所述目标调度期的末期水位,表示第i个电
站的水库水位指标。
在一些实施例中,模型建立模块可以从用户终端130、存储设备140或外部数据源获取目标调度期包括时段总数、梯级水电站包含的电站的总数、目标电站在目标调度期的末期水位及电站的水库水位指标。值得说明的是,目标调度期的时间长度是可变的。在一些实施例中,用户可以手动设置目标调度期的时间长度。
在一些实施例中,调度模型的约束条件包括水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束、水位约束及电量指标约束中的至少一个。下面依次对各个约束条件进行说明。
水量平衡约束:
电量平衡约束:
其中,E为梯级水电站在目标调度期的发电量。
电力平衡约束:
电站出力约束:
流量平衡约束:
发电流量约束:
下泄流量约束:
水位约束:
电量指标约束:
步骤320,获取梯级水电站在目标调度期的来水预报、发电计划及梯级水电站的各电站的初始库容。在一些实施例中,步骤320可以由数据获取模块执行。
梯级水电站在目标调度期的来水预报可以表征在目标调度期,梯级水电站的所处流域的来水情况。在一些实施例中,梯级水电站在目标调度期的来水预报可以包括梯级水电站在目标调度期的每一天的来水情况。在一些实施例中,数据获取模块可以从用户终端130、存储设备140或外部数据源获取梯级水电站在目标调度期的来水预报。
梯级水电站在目标调度期的发电计划可以表征在不考虑电站蓄水量的情况下电网对梯级水电站的计划发电量。在一些实施例中,梯级水电站在目标调度期的发电计划可以包括梯级水电站在目标调度期的每一天的计划发电量。在一些实施例中,数据获取模块可以从用户终端130、存储设备140或外部数据源获取梯级水电站在目标调度期的发电计划。
梯级水电站的各电站的初始库容可以表征梯级水电站的各个电站的水库在目标调度期的初始时刻的库容(水位)。
步骤330,基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位。在一些实施例中,步骤330可以由水位确定模块执行。
目标电站可以为梯级水电站的某座电站。例如,目标电站可以为梯级水电站中的任意电站。又例如,目标电站可以为梯级水电站中的特定电站。示例地,对于大渡河流域,目标电站可以瀑布沟和猴子岩两座具备调节能力的电站。在一些实施例中,水位确定模块可以从用户终端130、存储设备140或外部数据源确定目标电站。可以理解的,用户可以手动选择目标电站。
目标电站在目标调度期的末期水位可以表征目标电站在目标调度期结束时刻的水位。在一些实施例中,水位确定模块可以从用户终端130、存储设备140或外部数据源获取至少一座目标电站在目标调度期的末期水位。
在一些实施例中,水位确定模块可以通过任意可行的方式基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位。例如,水位确定模块可以通过机器学习模型基于来水预报、发电计划、各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位。其中,机器学习模型的输入可以为梯级水电站在目标调度期的来水预报、发电计划、各电站的初始库容,机器学习模型的输出可以为至少一座目标电站在目标调度期的末期水位。机器学习模型可以为RNN(Recurrent Neural Network)模型、LSTM(Long Short-Term Memory, LSTM)模型等。
步骤340,获取至少一座目标电站的水库水位指标。在一些实施例中,步骤340可以由指标获取模块执行。
目标电站的水库水位指标可以表征梯级水电站的目标电站在目标调度期结束时刻所需达到的水位。在一些实施例中,水位确定模块可以从用户终端130、存储设备140或外部数据源确定至少一座目标电站的水库水位指标。可以理解的,用户可以手动选择至少一座目标电站的水库水位指标。
步骤350,调度模型基于至少一座目标电站在目标调度期的末期水位及至少一座目标电站的水库水位指标,对发电计划进行调整。在一些实施例中,步骤350可以由调度调整模块执行。
在一些实施例中,调度模型基于至少一座目标电站在目标调度期的末期水位及至少一座目标电站的水库水位指标,对发电计划进行调整,可以包括:
若至少一座目标电站的水库水位指标大于至少一座目标电站在目标调度期的末期水位,调度模型对发电计划进行调整,减小梯级水电站在目标调度期的总发电量,获取发电优化计划;
若至少一座目标电站的水库水位指标小于至少一座目标电站在目标调度期的末期水位,调度模型对发电计划进行调整,增大梯级水电站在目标调度期的总发电量,获取发电优化计划。
在一些实施例中,调度模型的输入可以至少包括梯级水电站在目标调度期的来水预报、发电计划、梯级水电站的各电站的初始库容及至少一座目标电站的水库水位指标,调度模型的输出可以至少包括梯级水电站的各个电站在目标调度期的各个时间段的发电量。调度模型可以采用任意算法进行求解,例如,逐步优化算法(POA,Progress OptimalityAlgorithem)、遗传算法、大系统分解协调理论等。
在一些实施例中,调度模型可以先生成梯级水电站的各电站在目标调度期的每一天的发电计划,再基于梯级水电站的各电站在目标调度期的每一天的发电计划生成梯级水电站的各电站在目标调度期的每一旬的发电计划。
在一些实施例中,基于调度模型的梯级水电站调度方法还可以包括在目标调度期内实时调整发电优化计划:
获取梯级水电站在目标调度期的实际发电量;
通过调度模型基于实际发电量调整发电优化计划。
其中,梯级水电站在目标调度期的实际发电量可以为:在实际执行发电优化计划过程中,梯级水电站在已发生的时间段的实际产生的发电量。
在一些实施例中,通过调度模型基于实际发电量调整发电优化计划可以包括:
获取已发生的时间段的梯级水电站的发电量及当前时间段梯级水电站各电站的水库水位,并将已发生的时间段的梯级水电站的发电量及当前时间段梯级水电站各电站的水库水位作为输入,再结合梯级水电站在目标调度期的来水预报、发电计划、梯级水电站的各电站的初始库容及至少一座目标电站的水库水位指标,通过调度模型预测梯级水电站的各电站在未来时间段的发电量。可以理解的,在实际执行发电优化计划过程中,可以在不同的时间节点反馈梯级水电站的实际发电量,从而实现根据实际的执行情况(发电情况)多次对发电优化计划进行调整。
可以理解的,梯级水电站可以基于上述的基于调度模型的梯级水电站调度方法和系统确定的调度过程,进行发电工作以及放水蓄水工作。
在本申请的另一些实施例中,提供了一种基于调度模型的梯级水电站调度装置,包括至少一个处理设备以及至少一个存储设备;至少一个存储设备用于存储计算机指令,至少一个处理设备用于执行计算机指令中的至少部分指令以实现如上的一种基于调度模型的梯级水电站调度方法。
在本申请的又一些实施例中,提供了一种计算机可读存储介质,存储介质存储计算机指令,当计算机指令被处理设备执行时实现如上的基于调度模型的梯级水电站调度方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 3、Perl、COBOL 2、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种基于调度模型的梯级水电站调度方法,其特征在于,包括:
建立调度模型,所述调度模型的约束条件至少包括电量指标约束;
获取梯级水电站在目标调度期的来水预报、发电计划及所述梯级水电站的各电站的初始库容;
基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在所述目标调度期的末期水位;
其中,所述基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在所述目标调度期的末期水位,包括:
通过机器学习模型基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位;其中,机器学习模型的输入为梯级水电站在目标调度期的来水预报、发电计划、各电站的初始库容,机器学习模型的输出为至少一座目标电站在目标调度期的末期水位,所述机器学习模型为RNN(Recurrent Neural Network)模型、LSTM(Long Short-Term Memory, LSTM)模型;
获取所述至少一座目标电站的水库水位指标;
所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整。
2.根据权利要求1所述的一种基于调度模型的梯级水电站调度方法,其特征在于,所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整,包括:
若所述至少一座目标电站的水库水位指标大于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,减小所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划;
若所述至少一座目标电站的水库水位指标小于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,增大所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划。
4.根据权利要求3所述的一种基于调度模型的梯级水电站调度方法,其特征在于,所述调度模型的约束条件还包括水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束及水位约束中的至少一个。
5.根据权利要求2所述的一种基于调度模型的梯级水电站调度方法,其特征在于,还包括:
获取所述梯级水电站在所述目标调度期的实际发电量;
通过所述调度模型基于所述实际发电量调整所述发电优化计划。
6.一种基于调度模型的梯级水电站调度系统,其特征在于,包括:
模型建立模块,用于建立调度模型,所述调度模型的约束条件至少包括电量指标约束;
数据获取模块,用于获取梯级水电站在目标调度期的来水预报、发电计划及所述梯级水电站的各电站的初始库容;
水位确定模块,用于基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在所述目标调度期的末期水位;
所述水位确定模块还用于通过机器学习模型基于所述来水预报、所述发电计划、所述各电站的初始库容,预测至少一座目标电站在目标调度期的末期水位;其中,机器学习模型的输入为梯级水电站在目标调度期的来水预报、发电计划、各电站的初始库容,机器学习模型的输出为至少一座目标电站在目标调度期的末期水位,所述机器学习模型为RNN(Recurrent Neural Network)模型、LSTM(Long Short-Term Memory, LSTM)模型;
指标获取模块,用于获取所述至少一座目标电站的水库水位指标;
调度调整模块,用于通过所述调度模型基于所述至少一座目标电站在所述目标调度期的末期水位及所述至少一座目标电站的水库水位指标,对所述发电计划进行调整。
7.根据权利要求6所述的一种基于调度模型的梯级水电站调度系统,其特征在于,所述调度调整模块还用于:
若所述至少一座目标电站的水库水位指标大于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,减小所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划;
若所述至少一座目标电站的水库水位指标小于所述至少一座目标电站在所述目标调度期的末期水位,所述调度模型对所述发电计划进行调整,增大所述梯级水电站在所述目标调度期的总发电量,获取发电优化计划。
9.根据权利要求8所述的一种基于调度模型的梯级水电站调度系统,其特征在于,所述调度模型的约束条件还包括水量平衡约束、电量平衡约束、电力平衡约束、电站出力约束、流量平衡约束、发电流量约束、下泄流量约束及水位约束中的至少一个。
10.根据权利要求7所述的一种基于调度模型的梯级水电站调度系统,其特征在于,所述调度调整模块还用于:
获取所述梯级水电站在所述目标调度期的实际发电量;
通过所述调度模型基于所述实际发电量调整所述发电优化计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703482.1A CN114784884B (zh) | 2022-06-21 | 2022-06-21 | 一种基于调度模型的梯级水电站调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703482.1A CN114784884B (zh) | 2022-06-21 | 2022-06-21 | 一种基于调度模型的梯级水电站调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114784884A CN114784884A (zh) | 2022-07-22 |
CN114784884B true CN114784884B (zh) | 2022-09-23 |
Family
ID=82422105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210703482.1A Active CN114784884B (zh) | 2022-06-21 | 2022-06-21 | 一种基于调度模型的梯级水电站调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114784884B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991688A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司紧水滩水力发电厂 | 基于气象数值预报的水库调度预警方法 |
CN111126847A (zh) * | 2019-12-24 | 2020-05-08 | 华中科技大学 | 耦合河道水动力过程的梯级水库短期优化调度方法和系统 |
CN112036633A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662145A (zh) * | 2008-12-26 | 2010-03-03 | 四川省电力公司 | 电网水库及发电能力最大化智能调度及其可视化 |
CN102867275A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 梯级水库群中长期联合发电优化调度方法及系统 |
CN110717840A (zh) * | 2019-10-24 | 2020-01-21 | 四川农业大学 | 一种梯级水电站发电预计划优化方法 |
CN112232659A (zh) * | 2020-10-15 | 2021-01-15 | 华中科技大学 | 一种梯级水库发电调度方法及系统 |
CN112581310A (zh) * | 2020-12-10 | 2021-03-30 | 四川大汇大数据服务有限公司 | 梯级水电站群发电指标分配方法 |
CN112785454A (zh) * | 2020-12-25 | 2021-05-11 | 国电大渡河流域水电开发有限公司 | 一种梯级水电站汛期智能调度方法及决策支持系统 |
-
2022
- 2022-06-21 CN CN202210703482.1A patent/CN114784884B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991688A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司紧水滩水力发电厂 | 基于气象数值预报的水库调度预警方法 |
CN111126847A (zh) * | 2019-12-24 | 2020-05-08 | 华中科技大学 | 耦合河道水动力过程的梯级水库短期优化调度方法和系统 |
CN112036633A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
Non-Patent Citations (1)
Title |
---|
混沌粒子群算法在水库中长期优化调度中的应用;黄炜斌;《水力发电学报》;20100228;第102-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114784884A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Stochastic DG placement for conservation voltage reduction based on multiple replications procedure | |
CN103942613B (zh) | 广义联络线模式下网省两级实时发电计划协调优化方法 | |
CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
CN114839943B (zh) | 一种梯级电站闸门控制策略生成和滚动优化方法及系统 | |
CN106505633B (zh) | 一种风光接入容量确定方法及装置 | |
CN108092322B (zh) | 一种基于调频市场环境的agc控制方法 | |
CN108805329A (zh) | 一种梯级水库实现实时调度的方法和系统 | |
CN112163304B (zh) | 一种输电网冗余约束识别方法、存储介质及计算设备 | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
CN110198033B (zh) | 柔性直流送端新能源孤网无功电压控制方法及装置 | |
CN114784884B (zh) | 一种基于调度模型的梯级水电站调度方法及系统 | |
CN115566680B (zh) | 一种新能源电力系统时序生产模拟运行优化方法及装置 | |
CN111178733A (zh) | 一种基于等效电量函数法的弃风电量评估模型 | |
CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
CN113346553A (zh) | 一种可再生能源发电站出力占比的评估方法和装置 | |
CN114781764B (zh) | 一种梯级水电站枯水期调度多模式自适应匹配方法及系统 | |
CN106786792B (zh) | 区域水电站调度控制方法和装置 | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
CN104299055A (zh) | 一种抑制电厂内机组反向调节的发电计划优化方法 | |
CN113591332B (zh) | 一种短期风电功率预测方法、装置、存储介质及处理器 | |
CN107332237B (zh) | 一种直流通道输电计划的优化方法及装置 | |
CN114936716A (zh) | 一种水电站消落调度方法及系统 | |
Li et al. | Multi-period do-not-exceed limit for variable renewable generation dispatch considering discrete recourse controls | |
CN117937495A (zh) | 分布式光伏参与电网电量平衡调节需求分析方法及系统 | |
CN114548469A (zh) | 一种基于风速区间等分建模的风电功率预测方法及装置 |
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 |