CN114884101A - 一种基于自适应模型控制预测的抽水蓄能调度方法 - Google Patents

一种基于自适应模型控制预测的抽水蓄能调度方法 Download PDF

Info

Publication number
CN114884101A
CN114884101A CN202210777714.8A CN202210777714A CN114884101A CN 114884101 A CN114884101 A CN 114884101A CN 202210777714 A CN202210777714 A CN 202210777714A CN 114884101 A CN114884101 A CN 114884101A
Authority
CN
China
Prior art keywords
time
real
scheduling
model
market
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
CN202210777714.8A
Other languages
English (en)
Other versions
CN114884101B (zh
Inventor
陈新宇
潘弘宇
金天昱
文劲宇
陈璐
张星宇
曹阳
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.)
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Eastern Inner Mongolia 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 Huazhong University of Science and Technology, Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202210777714.8A priority Critical patent/CN114884101B/zh
Publication of CN114884101A publication Critical patent/CN114884101A/zh
Application granted granted Critical
Publication of CN114884101B publication Critical patent/CN114884101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/003—Systems for storing electric energy in the form of hydraulic energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/007—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • 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
    • 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
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于自适应模型控制预测的抽水蓄能调度方法，属于电气工程技术领域，所述方法包括：将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对各机组出力进行调度。本发明通过引入模型控制预测方案，利用自适应函数对实时负荷波动进行计划库容调整，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，最终实现实时市场下抽水蓄能机组的有效调度。

Description

一种基于自适应模型控制预测的抽水蓄能调度方法
技术领域
本发明属于电气工程技术领域，更具体地，涉及一种基于自适应模型控制预测的抽水蓄能调度方法。
背景技术
现货市场运行是电力市场改革的深水区，其涉及机组种类繁多，能源交易结构复杂，调度约束难以确定，存在负荷和新能源波动的诸多情况。其中，抽水蓄能机组作为电力调度中的重要一环，具有削峰填谷，调节减价，缓解火电机组爬坡约束等多种方法。在实时市场下，抽蓄还承担着抑制尖端电价，平滑负荷曲线的作用，因为在及时竞价中，可能存在负荷突增，新能源出力骤降的情况，而此时往往会导致极端电价的出现，不利于整体市场交易环境，而通过抽蓄机组调节能够有效减少甚至规避这种情况。
然而，现在抽水蓄能机组基本无法参与实时市场调度，这是由于其在调度时必须事先给定计划水库库容。通常在日内调度或者周内调度都以初末态库容值相等为约束，而实时电力市场单个调度周期仅有15分钟，且存在负荷波动的情况，无法确定调度初末态的调度计划库容值，故难以对相邻调度阶段的抽水蓄能机组进行调度分析。现有的所有调度方案只能通过调度员的经验来判断，存在极强的主观性和不可控性，容易造成安全隐患，经济性也无法保证。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于自适应模型控制预测的抽水蓄能调度方法，其目的在于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对增加有抽水蓄能机组的库容能量等效模型的调度出清模型进行滚动出清，以对各机组出力进行调度，由此解决现有实时电力市场对抽水蓄能机组的调度操作难度大以及调度效率低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于自适应模型控制预测的抽水蓄能调度方法，包括：
S1：建立抽水蓄能机组的库容能量等效模型；
S2：将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
在其中一个实施例中，所述S1包括：
利用公式建立所述抽水蓄能机组的库容能量等效模型；
其中，
Figure 20722DEST_PATH_IMAGE001
是
Figure 133035DEST_PATH_IMAGE003
时刻的上水库的等效能量，
Figure 592835DEST_PATH_IMAGE004
是
Figure 525019DEST_PATH_IMAGE005
时刻的上水库的等效能 量，
Figure 603833DEST_PATH_IMAGE006
为抽水功率，
Figure 960865DEST_PATH_IMAGE007
为发电量，
Figure 201354DEST_PATH_IMAGE008
表示一个调度时间段的长度。
在其中一个实施例中，
所述抽水功率
Figure 886413DEST_PATH_IMAGE006
利用公式
Figure 627973DEST_PATH_IMAGE009
计算获得，
Figure 714878DEST_PATH_IMAGE010
是由所述抽水 蓄能机组确定的常数；
所述发电量
Figure 126268DEST_PATH_IMAGE007
利用公式
Figure 298623DEST_PATH_IMAGE011
计算获得，
Figure 581224DEST_PATH_IMAGE012
为常数项，是考虑重力加 速度的数值因子，
Figure 522635DEST_PATH_IMAGE013
，
Figure 370506DEST_PATH_IMAGE014
和
Figure 154791DEST_PATH_IMAGE015
分别是放水发电和抽水蓄电的效率，
Figure 113520DEST_PATH_IMAGE016
是净水头，
Figure 175017DEST_PATH_IMAGE017
是水流量。
在其中一个实施例中，所述S3包括：
S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
S32：关于每个调度周期的迭代约束初始值，确定方法如下：
第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；所述日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；
剩下实时电力市场调度周期，将上一个调度周期中第二时段基于所述模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；所述求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，
S33：关于每个调度周期的末态库容约束值，确定方法如下：
在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
S34：利用各个调度周期的迭代约束初始值和末态库容约束值对所述目标调度出清模型进行滚动出清得到出清结果，利用所述出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
在其中一个实施例中，所述模型预测控制，其数学表达式为：
目标函数：
Figure 193788DEST_PATH_IMAGE018
；
Figure 934211DEST_PATH_IMAGE019
；
Figure 696631DEST_PATH_IMAGE020
；
Figure 612634DEST_PATH_IMAGE021
；
Figure 926941DEST_PATH_IMAGE022
；
其中，
Figure 295605DEST_PATH_IMAGE023
为火电机组发电的成本函数，
Figure 596137DEST_PATH_IMAGE024
为待求解的一个调度周期内全体时段 下火电机组出力
Figure 491280DEST_PATH_IMAGE025
的集合；
Figure 851854DEST_PATH_IMAGE026
为实时电力市场一个调度周期内的时段数量；
Figure 707815DEST_PATH_IMAGE027
表示第
Figure 812037DEST_PATH_IMAGE028
个时段的负荷和风电光伏机组出力；
Figure 561687DEST_PATH_IMAGE025
表示第
Figure 93163DEST_PATH_IMAGE028
个时段的火电机组出力数据，
Figure 295474DEST_PATH_IMAGE029
表示第
Figure 937808DEST_PATH_IMAGE028
个时段的抽水蓄能机组出力和库容数据，
Figure 682910DEST_PATH_IMAGE030
为负荷和风电光伏出力预测函数；
Figure 385287DEST_PATH_IMAGE031
表示不等式约束函数，包括机组爬坡约束和机组出力约束；
Figure 340473DEST_PATH_IMAGE032
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，
Figure 520919DEST_PATH_IMAGE033
表示初始时段的负荷和风电光伏机组出力数据；
求解所述模型预测控制得到解的表达式为：
Figure 386107DEST_PATH_IMAGE034
； 选取
Figure 138947DEST_PATH_IMAGE035
为实时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之 后下一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过 程。
在其中一个实施例中，所述S33中并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，包括：
利用神经网络算法求解自适应模型
Figure 191217DEST_PATH_IMAGE036
，得 到实时市场下
Figure 299987DEST_PATH_IMAGE003
时段末态等效库容能量
Figure 19682DEST_PATH_IMAGE037
，利用末态等效库容能量
Figure 63861DEST_PATH_IMAGE037
获取计算最 终实时市场下的各个调度周期的末态库容约束值；
其中，
Figure 603427DEST_PATH_IMAGE038
和
Figure 250309DEST_PATH_IMAGE039
分别为实时负荷和日前负荷，
Figure 824510DEST_PATH_IMAGE040
为日前市场下
Figure 39590DEST_PATH_IMAGE003
时段 末态等效库容能量，
Figure 191086DEST_PATH_IMAGE041
为自适应函数。
在其中一个实施例中，所述S33之前，所述方法还包括：
通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类 型：
Figure 517025DEST_PATH_IMAGE042
；其中，
Figure 211312DEST_PATH_IMAGE043
为负荷波动类型总数，
Figure 456348DEST_PATH_IMAGE044
为对应类型下的负荷 集；
利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
按照本发明的另一种基于自适应模型控制预测的抽水蓄能调度装置，包括：
建立模块，用于建立抽水蓄能机组的库容能量等效模型；
结合模块，用于将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提供一种基于自适应模型控制预测的抽水蓄能调度方法，通过将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。解决由于实时市场下抽水蓄能计划角度库容难以确定，且不能较好适应负荷波动的情况，本发明引入模型控制预测方案，利用自适应函数对实时负荷波动进行计划库容调整，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，最终实现实时市场下抽水蓄能机组的有效调度。
附图说明
图1是本发明一实施例中提供的一种基于自适应模型控制预测的抽水蓄能调度方法的流程图。
图2是本发明一实施例中提供的模型预测控制的流程逻辑图。
图3是本发明一实施例中提供的基于模型预测控制的滚动调度的原理流程。
图4是本发明一实施例中提供的基于神经网络算法获取自适应函数的流程图。
图5是本发明一实施例中提供的39节点系统拓扑图。
图6是本发明一实施例中提供的自适应MPC调度结果示意图。
图7是本发明一实施例中提供的经验调度方案与自适应MPC调度方案下节点边际电价对比图。
图8a是本发明一实施例中提供的增长性波动的情况分类示意图。
图8b是本发明一实施例中提供的平稳型波动的情况分类示意图。
图8c是本发明一实施例中提供的减小型波动的情况分类示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种基于自适应模型控制预测的抽水蓄能调度方法，包括：S1：建立抽水蓄能机组的库容能量等效模型；S2：将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
在其中一个实施例中，S1包括：利用公式
Figure 970506DEST_PATH_IMAGE045
建立 所述抽水蓄能机组的库容能量等效模型；其中，
Figure 959191DEST_PATH_IMAGE001
是
Figure 507984DEST_PATH_IMAGE003
时刻的上水库的等效能量，
Figure 799288DEST_PATH_IMAGE004
是
Figure 925376DEST_PATH_IMAGE005
时刻的上水库的等效能量，
Figure 858696DEST_PATH_IMAGE006
为抽水功率，
Figure 996417DEST_PATH_IMAGE007
为发电量，
Figure 848835DEST_PATH_IMAGE008
表示一个调度时间段的 长度。
首先建立抽水蓄能机组的库容-能量等效模型。一般来说，抽水蓄能电站负责调峰调频、调峰填谷，其工作状态一般可分为抽水蓄能发电和放水发电。在实际的水电站中，抽水过程是由水泵完成的，其功率由机器的参数和型号决定，通常为固定的常数。当电网负荷较低时，抽蓄机组将水从下水库抽到上水库，完成其储能作用。抽水功率可以表示为：
Figure 337585DEST_PATH_IMAGE009
；
其中
Figure 74597DEST_PATH_IMAGE010
是由抽水机器确定的常数。相比抽水蓄能过程，放水发电的过程比 较复杂。其本质是在电力系统负荷较低时从上部蓄水池放水，水流带动涡轮发电，然后流入 下层水库。其发电量主要由净水头、水流量和物理常数决定，可表示为：
Figure 332403DEST_PATH_IMAGE046
；
其中
Figure 93073DEST_PATH_IMAGE014
和
Figure 69120DEST_PATH_IMAGE015
分别是放水发电和抽水蓄电的效率，
Figure 344243DEST_PATH_IMAGE016
是净水头，
Figure 581189DEST_PATH_IMAGE017
是水流量。其中 的常数项(
Figure 650777DEST_PATH_IMAGE047
)是考虑重力加速度的数值因子。一般而言，库容的变化由水流 量
Figure 848540DEST_PATH_IMAGE017
决定，即有：
Figure 51988DEST_PATH_IMAGE048
；
其中
Figure 18807DEST_PATH_IMAGE049
表示
Figure 524875DEST_PATH_IMAGE003
时刻的上水库库容，
Figure 68988DEST_PATH_IMAGE008
表示一个调度时间段的长度，
Figure 685915DEST_PATH_IMAGE017
是水流量， 通过仿真分析发现，通过流量模型求解实时市场下的安全约束经济调度需要花费大量时 间，难以满足15分钟调度周期的快速计算需求。因此我们将物理意义上的库容转化为实际 蕴含的能量，即1m2的水换算成对应蕴藏的能量，从而避免了大量无意义的计算，而改进模 型的精度并不会相差非常多，故抽蓄机组的能量变化如式所示：
Figure 772819DEST_PATH_IMAGE045
其中
Figure 308843DEST_PATH_IMAGE001
是
Figure 481198DEST_PATH_IMAGE003
时刻的上水库的等效能量。通过库容-能量等效，我们可以方便将抽 水蓄能机组模型与现有的安全约束机组组合进行调度出清求解。
在其中一个实施例中，抽水功率
Figure 901815DEST_PATH_IMAGE006
利用公式
Figure 702281DEST_PATH_IMAGE009
计算获得，
Figure 550151DEST_PATH_IMAGE010
是由抽水蓄能机组确定的常数；发电量
Figure 944223DEST_PATH_IMAGE007
利用公式
Figure 27586DEST_PATH_IMAGE011
计算获 得，
Figure 89083DEST_PATH_IMAGE012
为常数项，是考虑重力加速度的数值因子，
Figure 842275DEST_PATH_IMAGE013
，
Figure 848277DEST_PATH_IMAGE014
和
Figure 610697DEST_PATH_IMAGE015
分别是放 水发电和抽水蓄电的效率，
Figure 526700DEST_PATH_IMAGE016
是净水头，
Figure 716373DEST_PATH_IMAGE017
是水流量。
在其中一个实施例中，S3包括：
S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
S32：关于每个调度周期的迭代约束初始值，确定方法如下：第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；剩下实时电力市场调度周期，将上一个调度周期中第二时段基于模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，
S33：关于每个调度周期的末态库容约束值，确定方法如下：在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对末态约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
S34：利用各个调度周期的迭代约束初始值和末态库容约束值对目标调度出清模型进行滚动出清得到出清结果，利用出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
在其中一个实施例中，模型预测控制，其数学表达式为：
目标函数：
Figure 206742DEST_PATH_IMAGE018
；
Figure 241694DEST_PATH_IMAGE019
；
Figure 277783DEST_PATH_IMAGE020
；
Figure 762991DEST_PATH_IMAGE021
；
Figure 618952DEST_PATH_IMAGE022
；
其中，
Figure 723174DEST_PATH_IMAGE023
为火电机组发电的成本函数，
Figure 472824DEST_PATH_IMAGE024
为待求解的一个调度周期内全体时段 下火电机组出力
Figure 4300DEST_PATH_IMAGE025
的集合；
Figure 347556DEST_PATH_IMAGE026
为实时电力市场一个调度周期内的时段数量；
Figure 848945DEST_PATH_IMAGE027
表示第
Figure 594047DEST_PATH_IMAGE028
个时段的负荷和风电光伏机组出力；
Figure 296424DEST_PATH_IMAGE025
表示第
Figure 126976DEST_PATH_IMAGE028
个时段的火电机组出力数据，
Figure 697635DEST_PATH_IMAGE029
表示第
Figure 31664DEST_PATH_IMAGE028
个时段的抽水蓄能机组出力和库容数据，
Figure 904942DEST_PATH_IMAGE030
为负荷和风电光伏出力预测函数；
Figure 347425DEST_PATH_IMAGE031
表示不等式约束函数，包括机组爬坡约束和机组出力约束；
Figure 331562DEST_PATH_IMAGE032
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，
Figure 785677DEST_PATH_IMAGE033
表示初始时段的负荷和风电光伏机组出力数据；
求解模型预测控制得到解的表达式为：
Figure 954490DEST_PATH_IMAGE034
；选取
Figure 759635DEST_PATH_IMAGE035
为实时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之后下 一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过程。
具体的，通过模型预测控制来确定实时市场调度中每个调度阶段初末态的等效能量计划值。根据实时市场特点，一次调度的周期仅有8个点，也就是考虑2个小时的负荷预测数据，但是抽蓄机组本身的物理特点决定了其不能够进行短期调度。要解决上述问题，可以采用模型预测控制的方法，其本质思想在于利用多时间的数据进行调度，
最终选取第一个时间节点的数据作为结果，其数学模型如式至式所示，
目标函数：
Figure 547462DEST_PATH_IMAGE018
；
Figure 980718DEST_PATH_IMAGE019
；
Figure 195798DEST_PATH_IMAGE020
；
Figure 488239DEST_PATH_IMAGE021
；
Figure 814178DEST_PATH_IMAGE022
；
Figure 104870DEST_PATH_IMAGE024
为待求解的一个调度周期内全体时段下火电机组出力
Figure 756431DEST_PATH_IMAGE025
的集合，
Figure 129644DEST_PATH_IMAGE031
表示不等式约束函数，包括机组爬坡约束和机组出力约束；
Figure 259274DEST_PATH_IMAGE032
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，
Figure 808067DEST_PATH_IMAGE033
表示初始时段的负荷和风电光伏机组出力数据；求解上述模型，结果为
Figure 224005DEST_PATH_IMAGE034
，选取
Figure 225459DEST_PATH_IMAGE035
为实际本时段的结果，之后将所有数据进行更 新，继续推进下一个
Figure 158780DEST_PATH_IMAGE026
时段的模型，依次不断进行，流程逻辑图如图2所示。
基于模型控制预测的原理，具有间歇性可再生资源和实时市场需求不确定的电力系统的抽水蓄能电站调度问题可以按照如下步骤进行：
(i)设置k=0。
(ii)选择调度范围N。例如，日前市场中N=96，实时市场中N=8。
(iii)获取负荷和可再生能源波动输出的预测结果。
(iv)求解整个N时间段内安全约束的调度问题。
Figure 421134DEST_PATH_IMAGE050
表示对 应问题的最优解。
(v)仅选取第一个时间维度的解来作为调度依据。
(vi)设置和更新下一次控制迭代的预测数据和约束，如备用容量水、负荷需求、机组报价等。之后跳转到(ii)，重复整体过程。
该方案通过考虑对未来一段时间的预测，可以吸收一定的不确定性资源，同时也为短期机组提供了相对较长的时限，可以有效解决抽水蓄能机组参与的问题。因此抽水蓄能机组参与实时市场的方案可以参考上述思路，即利用日前市场的调度结果，对应实时市场相应时间点，一一进行条件约束。实时市场中，一次调度周期为8个点，第8个点位的数据即可以采用日前市场的数据。而第一个点的数据采用之前实时调度之后更新的数据。最终求解结果只取第一时刻的结果作为该时刻的市场出清结果。在初始数据更新后，再次将时间往前推进，调度第二个8点周期的实时市场。
图3说明了根据日前市场的结果进行滚动调度的过程。通常，日前市场调度周期为96个点，不妨将日前市场的0:00时间点与实时市场的0:00时间点对齐，从而将日前市场0:00点的库容上限约束作为实时市场0:00点的约束，同时采用日前市场第一个点的其他参数例如机组出力情况，负荷情况等等作为实时调度迭代程序的初始值。实时市场8个点周期中的第2至第7点不进行约束限制，在第8个点的时候，将日前市场的上水库第8点的库容作为实时市场第8个点的库容。
在实时市场一个周期8个点出清完成后，将求得的第一个点的数据作为实际出清的结果保留，第二个点对应的机组出力初始值、库容容量约束等作为第二次调度数据的初始值，更新滚动调度程序。第二次实时市场调度中的第8点的库容约束条件，即整个调度中的第9点，仍采用日前市场的第9点的库容约束条件。按照这个方法进行每次8个点的调度，不断向前推进直到实时市场96个点全部出清完毕。整体过程即称之为抽水蓄能机组的实时滚动调度。
在其中一个实施例中，S33中并利用神经网络算法获取的实时负荷波动的自适应 函数以对末态约束值进行实时修正，包括：利用神经网络算法求解自适应模型
Figure 148918DEST_PATH_IMAGE036
，得到实时市场下
Figure 637668DEST_PATH_IMAGE003
时段末态等效库容能量
Figure 109101DEST_PATH_IMAGE037
， 利用末态等效库容能量
Figure 225962DEST_PATH_IMAGE037
获取计算最终实时市场下的各个调度周期的末态库容约束 值；其中，
Figure 390227DEST_PATH_IMAGE038
和
Figure 366273DEST_PATH_IMAGE039
分别为实时负荷和日前负荷，
Figure 500451DEST_PATH_IMAGE040
为日前市场下
Figure 612764DEST_PATH_IMAGE003
时段末态等 效库容能量，
Figure 682351DEST_PATH_IMAGE041
为自适应函数。
在其中一个实施例中，S33之前，方法还包括：
通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类 型：
Figure 270327DEST_PATH_IMAGE042
；其中，
Figure 83562DEST_PATH_IMAGE043
为负荷波动类型总数，
Figure 315960DEST_PATH_IMAGE044
为对应类型下的负荷 集；
利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
具体的，通过MPC方案可知，抽水蓄能机组实时调度中，末态等效库容能量采用的是日前计划的约束条件。但是实时负荷一般而言会发生波动，单纯采用日前计划库容条件未必适应实时调度，有可能导致无解的情况，从而影响电网运行的安全性和经济性。因此可以针对负荷波动的特点，库容的实际物理情况来进行相应的自适应修正，让其能够在实时负荷波动中获得更好的，更符合实际情况的解，即如式所示：
Figure 681083DEST_PATH_IMAGE036
其中
Figure 366142DEST_PATH_IMAGE037
为
Figure 983068DEST_PATH_IMAGE003
时刻的实时市场下调度计划末态等效库容能量，
Figure 69973DEST_PATH_IMAGE040
为
Figure 603067DEST_PATH_IMAGE003
时刻的 日前市场下调度计划末态等效库容能量，
Figure 775422DEST_PATH_IMAGE038
，
Figure 930460DEST_PATH_IMAGE039
分别为实时负荷和日前负荷。F ()为自适应函数，通过神经网络算法训练求解。首先通过对不同负荷波动情况进行聚类处 理，将具有相似波动特性的归为同一种类型，如式所示：
Figure 996505DEST_PATH_IMAGE042
；
其中M为负荷波动类型总数，
Figure 844375DEST_PATH_IMAGE044
为对应类型下的负荷集。之后采用神经网络算 法对研究的抽蓄机组进行负荷-库容等效能量模型训练，从而得到针对实时负荷波动的自 适应函数，具体流程如图4所示。
本发明还一种基于自适应模型控制预测的抽水蓄能调度装置，包括：建立模块，用于建立抽水蓄能机组的库容能量等效模型；结合模块，用于将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
举例来说，以IEEE的标准39节点案例case39进行分析计算，如图5所示，系统由39个节点和46个分支组成，其中火电发电机组设置在30~39节点，新能源光伏机组设置在19，25节点，抽水蓄能机组设置在19，20，25，34节点，参考节点为第31节点，投标价格采用五段报价的形式。负荷分布在节点1、3、4、7、8、9、12、15、16、18、20、21、23~29、39，负荷曲线参考了中国某天的实际情况，对应数值按照IEEE标准案例的初始比例进行分布，同时进行了正态分布的波动模拟。
根据上述理论，对实时市场下的抽水蓄能机组进行自适应MPC调度，出清结果如图6所示。可以发现实时放水发电功率能很好地贴合实时负荷的曲线，能够有效的削峰填谷。
我们进一步对实时市场下的节点边际电价进行分析，通过对传统调度员凭经验调度的方案和MPC调度的方案进行对比，可以发现传统情况下难以预测到负荷波动情况，比较容易出现极端电价情况，而本方案抽蓄出力可以紧密贴合负荷曲线，从而有效抑制峰谷时刻出现的极端电价，使得整体电价曲线变化更加合理。相比于传统调度方案而言，自适应MPC在降低整体购电成本上具有显著的优势，如图7所示，在抽蓄工作出力相同的情况下，仅通过优化出力配置，贴合负荷曲线波动，就使得电网的购电成本从10302万元降低到了9627万元，具体数据如表1所示。
Figure 504026DEST_PATH_IMAGE051
此外，为了证明相比于MPC调度方案，自适应MPC具有更好的实时适应性，我们修改了对应的负荷数据，选择了多种仿真情景来模拟负荷波动情况，并且将对应变化分为三类，如图8a、图8b和图8c所示，分别是“增长性波动”，“平稳性波动”，“减小性波动”，并对三种情况下进行了自适应MPC调度方案与MPC调度方案的经济性对比。结果表明自适应MPC能更好的适应负荷波动，从而得到更优化的调度结果。
通过对三种负荷波动情况下三个典型场景进行对应的调度数据分析对比，包括实时购电成本，放水发电功率。抽水蓄能功率，我们可知自适应MPC调度方案具有较好的实时适应性。在三种情况下，自适应MPC调度均做到了在更小的抽蓄出力情况下，电网公司的实时购电成本更小，也即意味着自适应函数对负荷波动更加敏感，计划库容能够有效贴合实时负荷波动曲线，从而进一步降低尖端电价，实现整体效益最大化。详细参数如表2所示。
Figure DEST_PATH_IMAGE052
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，包括：
S1：建立抽水蓄能机组的库容能量等效模型；
S2：将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
2.如权利要求1所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S1包括：
利用公式
Figure 921389DEST_PATH_IMAGE001
建立所述抽水蓄能机组的库容能量等效 模型；
其中，
Figure 841940DEST_PATH_IMAGE002
是
Figure 860712DEST_PATH_IMAGE003
时刻的上水库的等效能量，
Figure 7659DEST_PATH_IMAGE004
是
Figure 629133DEST_PATH_IMAGE005
时刻的上水库的等效能量，
Figure 545137DEST_PATH_IMAGE006
为抽水功率，
Figure 469231DEST_PATH_IMAGE007
为发电量，
Figure 962529DEST_PATH_IMAGE008
表示一个调度时间段的长度。
3.如权利要求2所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，
所述抽水功率
Figure 263060DEST_PATH_IMAGE006
利用公式
Figure 299149DEST_PATH_IMAGE009
计算获得，
Figure 253199DEST_PATH_IMAGE010
是由所述抽水蓄能 机组确定的常数；
所述发电量
Figure 374739DEST_PATH_IMAGE007
利用公式
Figure 478961DEST_PATH_IMAGE011
计算获得，
Figure 103977DEST_PATH_IMAGE012
为常数项，是考虑重力加速度 的数值因子，
Figure 760086DEST_PATH_IMAGE013
，
Figure 837764DEST_PATH_IMAGE014
和
Figure 745677DEST_PATH_IMAGE015
分别是放水发电和抽水蓄电的效率，
Figure 615413DEST_PATH_IMAGE016
是净 水头，
Figure 317790DEST_PATH_IMAGE017
是水流量。
4.如权利要求1所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S3包括：
S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
S32：关于每个调度周期的迭代约束初始值，确定方法如下：
第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；所述日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；
剩下实时电力市场调度周期，将上一个调度周期中第二时段基于所述模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；所述求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，
S33：关于每个调度周期的末态库容约束值，确定方法如下：
在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
S34：利用各个调度周期的迭代约束初始值和末态库容约束值对所述目标调度出清模型进行滚动出清得到出清结果，利用所述出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
5.如权利要求4所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，
所述模型预测控制，其数学表达式为：
目标函数：
Figure 882763DEST_PATH_IMAGE018
；
Figure 453422DEST_PATH_IMAGE019
；
Figure 53030DEST_PATH_IMAGE020
；
Figure 660729DEST_PATH_IMAGE021
；
Figure 100282DEST_PATH_IMAGE022
；
其中，
Figure 84419DEST_PATH_IMAGE023
为火电机组发电的成本函数，
Figure 804113DEST_PATH_IMAGE024
为待求解的一个调度周期内全体时段下火 电机组出力
Figure 707347DEST_PATH_IMAGE025
的集合；
Figure 512492DEST_PATH_IMAGE026
为实时电力市场一个调度周期内的时段数量；
Figure 300319DEST_PATH_IMAGE027
表示第
Figure 874520DEST_PATH_IMAGE028
个时段 的负荷和风电光伏机组出力；
Figure 214235DEST_PATH_IMAGE025
表示第
Figure 975517DEST_PATH_IMAGE028
个时段的火电机组出力数据，
Figure 567036DEST_PATH_IMAGE029
表示第
Figure 120377DEST_PATH_IMAGE028
个时 段的抽水蓄能机组出力和库容数据，
Figure 506359DEST_PATH_IMAGE030
为负荷和风电光伏出力预测函数；
Figure 20517DEST_PATH_IMAGE031
表示不等式约束函数，包括机组爬坡约束和机组出力约束；
Figure 274781DEST_PATH_IMAGE032
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，
Figure 557994DEST_PATH_IMAGE033
表示初始时段的负荷和风电光伏机组出力数据；
求解所述模型预测控制得到解的表达式为：
Figure 380457DEST_PATH_IMAGE034
；选取
Figure 240965DEST_PATH_IMAGE035
为实时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之后下 一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过程。
6.如权利要求4所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S33中并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，包括：
利用神经网络算法求解自适应模型
Figure 174286DEST_PATH_IMAGE036
，得到实时 市场下
Figure 312007DEST_PATH_IMAGE003
时段末态等效库容能量
Figure 164425DEST_PATH_IMAGE037
，利用末态等效库容能量
Figure 653175DEST_PATH_IMAGE037
获取计算最终实时 市场下的各个调度周期的末态库容约束值；
其中，
Figure 124608DEST_PATH_IMAGE038
和
Figure 382414DEST_PATH_IMAGE039
分别为实时负荷和日前负荷，
Figure 671313DEST_PATH_IMAGE040
为日前市场下
Figure 381780DEST_PATH_IMAGE003
时段末态 等效库容能量，
Figure 391324DEST_PATH_IMAGE041
为自适应函数。
7.如权利要求6所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S33之前，所述方法还包括：
通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类型：
Figure 896779DEST_PATH_IMAGE042
；其中，
Figure 966366DEST_PATH_IMAGE043
为负荷波动类型总数，
Figure 164130DEST_PATH_IMAGE044
为对应类型下的负荷集；
利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
8.一种基于自适应模型控制预测的抽水蓄能调度装置，其特征在于，包括：
建立模块，用于建立抽水蓄能机组的库容能量等效模型；
结合模块，用于将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
CN202210777714.8A 2022-07-04 2022-07-04 一种基于自适应模型控制预测的抽水蓄能调度方法 Active CN114884101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210777714.8A CN114884101B (zh) 2022-07-04 2022-07-04 一种基于自适应模型控制预测的抽水蓄能调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210777714.8A CN114884101B (zh) 2022-07-04 2022-07-04 一种基于自适应模型控制预测的抽水蓄能调度方法

Publications (2)

Publication Number Publication Date
CN114884101A true CN114884101A (zh) 2022-08-09
CN114884101B CN114884101B (zh) 2022-09-30

Family

ID=82683474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210777714.8A Active CN114884101B (zh) 2022-07-04 2022-07-04 一种基于自适应模型控制预测的抽水蓄能调度方法

Country Status (1)

Country Link
CN (1) CN114884101B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833468B (zh) * 2022-11-28 2024-02-21 行政院原子能委員會核能研究所 因應再生能源發電變動的適確性過流保護協調方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104538993A (zh) * 2015-01-16 2015-04-22 华中科技大学 一种梯级水电站群自动发电控制方法
CN107732949A (zh) * 2017-10-17 2018-02-23 华中科技大学 一种综合风电全年多季节特性的储能布点定容方法
CN109149562A (zh) * 2018-08-22 2019-01-04 中国南方电网有限责任公司 一种适用于交直流混联电网的经济调度方法及装置
CN109742813A (zh) * 2019-03-22 2019-05-10 中国电建集团青海省电力设计院有限公司 基于mpc的风电-光伏-光热-火电联合发电优化调度方法
CN111812975A (zh) * 2020-06-01 2020-10-23 淮阴工学院 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法
CN112003330A (zh) * 2020-09-02 2020-11-27 浙江浙能技术研究院有限公司 一种基于自适应控制的微网能量优化调度方法
CN112381424A (zh) * 2020-11-17 2021-02-19 国网山东省电力公司电力科学研究院 新能源及负荷不确定性的多时间尺度有功优化决策方法
CN112398115A (zh) * 2019-08-14 2021-02-23 海南电网有限责任公司 一种基于改进模型预测控制的多时间尺度火电-光伏-抽水蓄能联合优化调度方案
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN113013928A (zh) * 2021-04-13 2021-06-22 上海电机学院 一种风-火-抽蓄联合系统的优化调度方法
CN113159366A (zh) * 2020-12-31 2021-07-23 贵州电网有限责任公司 一种多微电网系统多时间尺度自适应优化调度方法
US20220029424A1 (en) * 2018-12-12 2022-01-27 General Electric Company Hybrid power plant
CN114169916A (zh) * 2021-11-17 2022-03-11 华北电力大学 一种适应新型电力系统的市场成员报价策略制定方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104538993A (zh) * 2015-01-16 2015-04-22 华中科技大学 一种梯级水电站群自动发电控制方法
CN107732949A (zh) * 2017-10-17 2018-02-23 华中科技大学 一种综合风电全年多季节特性的储能布点定容方法
CN109149562A (zh) * 2018-08-22 2019-01-04 中国南方电网有限责任公司 一种适用于交直流混联电网的经济调度方法及装置
US20220029424A1 (en) * 2018-12-12 2022-01-27 General Electric Company Hybrid power plant
CN109742813A (zh) * 2019-03-22 2019-05-10 中国电建集团青海省电力设计院有限公司 基于mpc的风电-光伏-光热-火电联合发电优化调度方法
CN112398115A (zh) * 2019-08-14 2021-02-23 海南电网有限责任公司 一种基于改进模型预测控制的多时间尺度火电-光伏-抽水蓄能联合优化调度方案
CN111812975A (zh) * 2020-06-01 2020-10-23 淮阴工学院 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法
CN112003330A (zh) * 2020-09-02 2020-11-27 浙江浙能技术研究院有限公司 一种基于自适应控制的微网能量优化调度方法
CN112381424A (zh) * 2020-11-17 2021-02-19 国网山东省电力公司电力科学研究院 新能源及负荷不确定性的多时间尺度有功优化决策方法
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN113159366A (zh) * 2020-12-31 2021-07-23 贵州电网有限责任公司 一种多微电网系统多时间尺度自适应优化调度方法
CN113013928A (zh) * 2021-04-13 2021-06-22 上海电机学院 一种风-火-抽蓄联合系统的优化调度方法
CN114169916A (zh) * 2021-11-17 2022-03-11 华北电力大学 一种适应新型电力系统的市场成员报价策略制定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DOYUN LEE ET AL: "Experimental Investigation of Model Predictive Control for Thermal Energy Storage System Using Artificial Intelligence", 《2021 29TH MEDITERRANEAN CONFERENCE ON CONTROL AND AUTOMATION (MED)》 *
ZHONGFEI CHEN ET AL: "Pumped Storage Plants Based Short-term Joint Clearing In The Spot Market", 《2021 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》 *
窦晓波: "基于改进模型预测控制的微电网能量管理策略", 《电力系统自动化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833468B (zh) * 2022-11-28 2024-02-21 行政院原子能委員會核能研究所 因應再生能源發電變動的適確性過流保護協調方法

Also Published As

Publication number Publication date
CN114884101B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Saez-de-Ibarra et al. Co-optimization of storage system sizing and control strategy for intelligent photovoltaic power plants market integration
CN106655280B (zh) 一种基于电量控制的梯级水电短期调峰模型及求解方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN107732949B (zh) 一种综合风电全年多季节特性的储能布点定容方法
CN107910883B (zh) 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法
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
CN110084465B (zh) 基于储能的风力发电系统成本/供电可靠性评估方法
CN112909933B (zh) 现货市场环境下含抽水蓄能机组的日内滚动优化调度方法
CN109146320A (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
US20240006891A1 (en) Two-stage self-organizing optimized aggregation method and system for distributed resources of virtual power plant (vpp)
CN115640982A (zh) 基于抽水蓄能优先调节的多能互补系统日前优化调度方法
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
CN115510677A (zh) 一种风电场发电能力评估方法及系统
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
CN104659818B (zh) 一种正负旋转备用容量在含风电系统中的最优分配方法
Lopes et al. Metaheuristic methods applied to the pumps and turbines configuration design of water pumped storage systems
CN112003268A (zh) 基于模型预测控制的智能建筑群电能优化共享系统和方法
CN117114281A (zh) 一种灵活资源多阶段规划方案的确定方法
CN117013522A (zh) 考虑分布式电源和气电协同的综合能源系统调度优化方法
CN116562432A (zh) 面向新型电力系统规划的源网荷储协同规划方法及系统
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
CN112907108B (zh) 一种海上风电场多阶段装机容量规划方法
CN104951650A (zh) 一种评估含大规模风电电网关口外送电交易能力的方法
CN115659096A (zh) 考虑源荷不确定性的微网多时间尺度能量调度方法及装置
CN114358430A (zh) 一种基于鲁棒优化的新型农村配电网规划策略

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