CN114971012A - 一种面向新型电力系统电源规划模型的方法 - Google Patents
一种面向新型电力系统电源规划模型的方法 Download PDFInfo
- Publication number
- CN114971012A CN114971012A CN202210576319.3A CN202210576319A CN114971012A CN 114971012 A CN114971012 A CN 114971012A CN 202210576319 A CN202210576319 A CN 202210576319A CN 114971012 A CN114971012 A CN 114971012A
- Authority
- CN
- China
- Prior art keywords
- power
- power generation
- company
- planning
- stage
- 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 42
- 238000010248 power generation Methods 0.000 claims abstract description 80
- 230000005540 biological transmission Effects 0.000 claims abstract description 73
- 239000002245 particle Substances 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 11
- 238000005315 distribution function Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 24
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 241000965481 Darksidea alpha Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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]
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统电源规划模型的方法,该方法包括:获得系统数据,在从方层次对所有发电公司和输电公司进行扩建规划,并将各自规划提交给主体层次,检查规划期内的所有限制条件,在发电公司扩建规划中,将风电场和光伏电站的不确定性建模为标准概率分布函数,并采用蒙特卡罗方法处理,在输电公司扩建规划中,利用粒子群优化算法求解该优化问题,在主体层次,独立系统运营商通过备用余量和可靠性等约束条件检查系统的安全运行状况。本发明以市场经济环境和国家能源政策为约束,提出电力市场背景下考虑激励相容约束的电源动态规划方法,使发电公司和输电公司的利润最大化。
Description
技术领域
本发明涉及规划及电力市场技术领域,尤其涉及一种面向新型电力系统电源规划模型的方法。
背景技术
发电和输电系统是电力系统的两个重要组成部分,是电网扩建时考虑的主要方面。发电系统扩建规划与能源生产投资相关,确定安装新电厂的规模、地点、技术和时间,从而满足规划期内给定可靠性标准内的预测负荷。输电系统扩建规划是电力系统中的另一个重要规划,在考虑负荷增长和可靠性下,确定应在何时、何地以及安装多少条线路,从而确保向客户提供优质能源。
从数学建模的角度来看,发电系统扩建规划和输电系统扩建规划是约束、非线性、混合整数、复杂的优化问题,不易求解。因此,通常需要采用高级算法来求解这些问题。在这方面,通常使用数学和元启发式优化方法来求解这些问题。输电系统扩建规划中已经广泛应用线性规划、非线性规划、混合整数规划等数学方法以及蚁群、混沌、遗传算法和粒子群优化等元启发式方法。而发电系统扩建规划中也使用了动态规划、混合整数规划、线性规划等数学方法以及蚁群、遗传算法和粒子群优化等元启发式方法进行求解。
在非自由化电力市场中,发电系统扩建规划和输电系统扩建规划旨在最小化成本,而在自由化电力系统中;发电公司和输电公司的目标是利润最大化。发电系统扩建规划和输电系统扩建规划在非自由化电力系统中具有垂直顺序;但在自由化电力系统中,指令不是垂直的,并且引入了反馈信号。
在自由化电力市场中,人们从不同的角度研究了输电系统扩建规划问题,如考虑节点价格和社会福利、负荷削减费用和输电阻塞费用。在电力市场中,发电系统扩建规划主要出现在联营市场中;其中,发电系统扩建规划分为两个层次:主体和从方。在主体层次,独立系统运营商(Independent System Operator,ISO)检查约束;在从方层次,得到了各发电公司利润最大化的最优解。
近年来,风电场和光伏电站作为低成本清洁能源广泛安装在电力系统中,发电公司倾向于投资风电场和光伏电站。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种面向新型电力系统电源规划模型的方法,适用于主体和从方两个层次。在从方层次,本发明方法提出了一种优化规划,以使各发电公司和输电公司的利润最大化,利用粒子群优化算法求解该优化问题。风电场和光伏电站的不确定性被建模为标准概率分布函数,并采用蒙特卡罗方法处理。然后,在主体层次,独立系统运营商通过备用余量和可靠性等约束条件检查系统的安全运行状况。
为达上述目的,本发明提出了一种面向新型电力系统电源规划模型的方法,包括:
S1,获取系统数据;其中,所述系统数据包括:输配电价、发电边际成本和和额外收入因数;S2,基于所述系统数据生成初始群体,通过风力、光伏发电机组出力模型使用蒙特卡罗算法计算第一目标函数,通过粒子群算法进行发电公司扩建规划,使所述发电公司的利润最大化;以及,S3,根据所述系统数据生成初始种群,基于所述初始种群进行最优功率流计算,并计算第二目标函数,通过所述粒子群算法进行输电公司扩建规划,使所述发电公司的利润最大化,完成从方层次扩建规划;S4,基于所述从方层次扩建规划,分别将所述发电公司和所述输电公司的扩建规划提交到主体层次,通过所述主体层次检查电力系统的约束条件。
本发明实施例的面向新型电力系统电源规划模型的方法,在从方层次,本发明方法提出了一种优化规划,以使各发电公司和输电公司的利润最大化,利用粒子群优化算法求解该优化问题。风电场和光伏电站的不确定性被建模为标准概率分布函数,并采用蒙特卡罗方法处理。然后,在主体层次,独立系统运营商通过备用余量和可靠性等约束条件检查系统的安全运行状况。
本发明的有益效果为:
传统电源规划往往以规划期内总成本最小化为目标函数,其总成本通常包括机组建设投资成本以及与机组规划期内实际出力相关的运行成本,其约束通常包括峰荷约束、电量平衡约束、资源约束等。本发明方法以发电公司和输电公司的利润最大化为优化目标,将能源变量变化关系、供需结构等进行量化表达,将风电场和光伏电站的不确定性建模为标准概率分布函数,并采用蒙特卡罗方法处理,构建以新能源为主体的电力系统电源规划模型。以市场经济环境和国家能源政策为约束,提出电力市场背景下考虑激励相容约束的电源动态规划方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的面向新型电力系统电源规划模型的方法的流程图;
图2为根据本发明实施例的发电系统扩建规划求解流程图;
图3为根据本发明实施例的输电系统扩建规划求解流程图;
图4为根据本发明实施例的以新能源为主体的电力系统电源规划模型示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的面向新型电力系统电源规划模型的方法。
图1是本发明一个实施例的面向新型电力系统电源规划模型的方法的流程图。
如图1所示,该方法包括但不限于以下步骤:
S1,获取系统数据;其中,系统数据包括:输配电价、发电边际成本和和额外收入因数。
S2,基于系统数据生成初始群体,通过风力、光伏发电机组出力模型使用蒙特卡罗算法计算第一目标函数,通过粒子群算法进行发电公司扩建规划,使发电公司的利润最大化;以及,
S3,根据系统数据生成初始种群,基于初始种群进行最优功率流计算,并计算第二目标函数,通过粒子群算法进行输电公司扩建规划,使发电公司的利润最大化,完成从方层次扩建规划;
S4,基于从方层次扩建规划,分别将发电公司和所述输电公司的扩建规划提交到主体层次,通过主体层次检查电力系统的约束条件。
下面结合附图对本发明实施例做详细阐述。
风力发电机组出力模型:
风力发电机组(Wind Turbine Generator,WTG)输出与风速及风速增量呈非线性关系;风力发电机组输出可以从零增加到其额定输出。因此,风力发电机组输出是概率非线性模型,可以用标准概率分布函数模型表示。风力发电机组非线性模型有3个参数,即切入风速(Wci)、额定风速(Wrate)和切出风速(Wco)。风力发电机组单元的输出功率可近似表示为:
其中,P是风力发电机组单元的输出功率,Prate是风力发电机组单元的额定输出功率,W是风速,Wci是切入风速,Wrate是额定风速,Wco是切出风速。
风电场输出可以简单地用一个给定的概率密度函数来建模(不考虑风速和风速概率分布函数)。
光伏发电出力模型:
在一定时段内(几小时),光照强度近似呈Beta分布,其概率密度函数表示为:
光伏电站的出力值和光伏电站的环境温度,以及光伏板的光照强度与光伏组件安装倾角相关,同时,也会受到光伏组件工作电压等因素的影响。为保证光伏电站的运行效率,提高其经济效益,光伏电站内的所有组件都在其最佳安装倾角装设,并且在最佳的电压状态下工作。若光电转换效率不随光伏组件的工作温度变化而变化,光伏电站在稳定状态下的出力值可以近似表示为:
Psolar(t)=S(t)·A·η (3)
其中,S(t)为光照强度,A为光伏阵列面积,η为光电转换效率。
由光能-光电转换特性可知,在正常运行情况下,光伏发电的出力也可近似用Beta分布来表示,其概率密度函数为:
其中,Pmax=Smax·A·η为光伏电站最大出力。
以新能源为主体的电力系统电源规划模型:
本发明实施例提出了在有风电场和光伏电站存在的,市场驱动的以新能源为主体的电力系统电源规划模型,适用于主体和从方两个层次。
在从方层次,每个单独的代理(发电公司和输电公司)在规划范围内实现其利润最大化。然后,发电公司和输电公司将其各自的规划提交给主体层次。主体层次受到独立系统运营商的监管,在主体层次上,独立系统运营商检查几个约束条件,例如规划范围内所有阶段的可靠性和储备率。如果违反至少一个约束条件,则改变价格,将新的价格发送给从方层次的发电公司和输电公司,以改变他们的规划并重新提交给主体层次。主体层次的表现与实际市场相似;当满足所有约束条件时,根据常规流程计算系统价格,包括发电边际成本(Location marginal price in stage,LMP)和输配电价(Transmission anddistribution price,TDP)。然而,在违反约束的情况下,由独立系统运营商检查决定价格。例如,当储备率低于最低储备率时,独立系统运营商将提高价格以鼓励参与者增加其装机容量。应该注意的是,在竞争性市场中,独立系统运营商不能改变价格,但它可以提供额外的激励和惩罚措施,以鼓励市场的参与者。关于价格更新,必须认识到有两种不同的情况。在存在违反限制的时期,资源的稀缺性将决定市场价格的上升。在违反至少一个约束条件的时期,价格将被提高一个预先指定的乘法系数。这种策略复制了市场的典型行为,表明当可用资源的水平与需求相比是有限的时,价格趋于上升;对于没有违反约束的时期,竞争将发挥其作用,价格是基于常规流程表示的。
从方层次:
发电系统扩建规划可以被认为是一个优化问题,在考虑一些约束条件下最大化目标函数:
其中,LMP是t阶段的本地边际价格,是发电公司在t阶段的总装机总量(t年的平均值)。是在t阶段的技术投资费用d。是发电公司在t阶段因为技术投资费用d增加的容量。是在t阶段因为技术投资费用d的运行费用。αt是在t阶段的额外收入因数。T是规划期内的阶段数量。M是候选技术数量。
限制条件:
t=1,2,…,T;d=1,2,…,M; (10)
目标函数(5)旨在使发电公司在规划期内的利润最大化。这个目标函数包括四项;第一项代表从销售电能中获得的收入。这项取决于系统的LMP。LMP是一种市场定价方法,用于在发生拥堵时管理输电网络的有效使用。拥堵主要是因为输电制约因素阻碍了向某一地点的需求输电时产生的。LMP包括在这些地方供应更昂贵的电力费用。LMP为发电公司和输电公司提供了一个定价信号,以便对新的发电机组和输电线路进行投资。第二项表示规划期间内投资费用的总和,第三项表示现有的和已安装的技术的运行和维护费用。第四项表明发电公司的额外收入,由独立系统运营商决定。这一项是为了鼓励发电公司朝着独立系统运营商所期望的规划前进。换句话说,当在主体层次上违反安全或可靠性约束时,独立系统运营商会改变这一项,从而鼓励发电公司改变他们的规划,从而满足所提出的约束。约束条件(6)表示在每个阶段为每个技术建立的上限。约束条件(7)规定了每个阶段全部装机容量的上限。约束条件(8)确保每个阶段的容量等于该阶段的新装机容量,也等于以前阶段的装机容量。最后,约束条件(9)是对每个代理商的财务限制。应该注意的是,这些限制主要由投资者定义。这些限制可以根据环境政策、地理或投资限制来表示。例如,建设核电站需要得到政府许可,由于有一定风险,可能有所限制;燃煤电厂被禁止的主要原因是环境政策和污染问题。
在所提出的规划中,独立系统运营商计算容量的过剩或短缺,从而计算出预测的边际价格。这种计算是基于发电公司和输电公司的规划。换句话说,发电公司和输电公司向独立系统运营商提交他们的规划。然后,独立系统运营商根据他们的规划进行电力系统分析。如果容量低于所需水平,独立系统运营商将提高价格,以鼓励投资者投资于新的容量和线路。另一方面,如果容量超过所需水平,独立系统运营商将降低价格以减少对新容量的投资。
在规划期内,在从方层次上,实现输电公司的利润最大化。这种利润最大化主要表现为一个优化问题,如下所示:
其中,FMP是t阶段的输配电边际价格。是输电公司在t阶段通过候选线路传输的电能。ML是候选线路的数量。是在t阶段的线路f的投资费用。是输电公司在t阶段安装的候选线路f。是在t阶段的线路f的运行和维护费用。
限制条件:
P(V,Θ,n)-PG+PD=0 (12)
Q(V,Θ,n)-QG+QD=0 (13)
其中,V是电压向量的幅值(标幺值),Θ是电压向量角度(弧度)。PG和PD分别是发电有功功率向量和需求有功功率向量。QG和QD分别是发电无功功率向量和需求无功功率向量。
|Vmin|≤|V|≤|Vmax| (16)
其中,Vmin和Vmax分别是电压幅值的最小值和最大值(标幺值)。
(N+N0)Sfrom≤(N+N0)Smax (17)
(N+N0)Sto≤(N+N0)Smax (18)
其中,N和N0分别是包含新增线路的矩阵和包含现有线路的矩阵。Sfrom和Sto分别是接收和发送端中支路的视在功率(标幺值)。Smax是视在功率限制。
0≤n≤nmax (19)
其中,nmax是每条支路的新增线路的最大数量。
目标函数(11)使每个输电公司的利润最大化。这个目标函数包括四项;第一项代表从电能传输中获得的收入。这一项取决于系统的TDP。TDP是输配电价相关的影子价格,输配电价一般定义为任何传输元件或元件组。TDP相当于当输电约束放宽一个增量时,通过现货市场结算交易的社会效益的变化。TDP为输电公司展示了一个有价值的定价信号,以便对新的输电线路进行投资。第二项和第三项分别表示投资费用和运行维护费用的总和。第四项引入了一个额外收入,以鼓励输电公司向独立系统运营商所期望的规划发展,如发电系统扩建规划的制定。约束条件(12)和(13)介绍了每个母线的有功和无功功率平衡。约束条件(14)和(15)显示了发电机的有功功率和无功功率的限制。约束条件(16)表示电压幅度的限制。由(17)和(18)表示输电线路的热限制,由(19)表示新增加的电路约束。(12)和(13)中给出的P(V,Θ,n)和Q(V,Θ,n)计算如下:
由下式计算G和B:
其中,gij和bij分别是传输线ij的电导和电纳(标幺值)。
式(17)和(18)中的Sfrom和Sto如下计算:
其中,
应该注意的是,在许多国家,独立系统运营商和输电公司拥有相同的实体,本发明方法也考虑了这个问题。其中,现有线路属于独立系统运营商,而输电公司只是新线路的所有者。此外,私营公司在遵守独立系统运营商约束的前提下,安装新线路以实现其利润最大化。
对于输电系统扩建规划问题,新安装的线路是决策变量,由向量显示。其中表示输电公司a在t阶段安装的候选线路f。对于发电系统扩建规划问题,新的容量是由向量显示的决策变量。其中表示发电公司在阶段t的技术d的新增容量。
主体层次限制:
储备率被定义为可用容量与峰值需求之间的差额。规划的每个阶段的储备率按(30)计算。
每个阶段的储备率应该在所允许的最小储备率和最大储备率之间:
可靠性是独立系统运营商在主体层次上考虑的限制。在本发明方法中,引入预期负荷损失(LOLE)评估可靠性。
其中,ls是负荷步骤数量,Pk是在k步骤的有功功率,CT是总装机容量,Lk是在k步骤的需求装机容量,tk是在k步骤的小时数。
每个阶段的LOLE与LOLEmax比较,即:
LOLEt≤LOLEmaxt=1,2,…,T (33)
在电力联营市场中,当一个发电公司在发电方面具有支配地位时,这种情况会导致市场支配(即支配地位的发电公司有能力将价格定得高于竞争等级),这个问题会损害联营市场的竞争。为了防止市场支配,我们还要假设每个发电公司的总装机容量不应超过一个特定值。这个约束条件如下:
在本发明实施例所提出的以新能源为主体的电力系统电源规划模型中,发电公司和输电公司的利润取决于随机的风电场和光伏电站输出。因此我们最大化预期利润。此外,不违反独立系统运营商的约束,并且保证系统的安全运行。
本发明实施例所提出的面向新型电力系统的电源规划模型是一个迭代过程,分两个层次进行求解。在从方层次(或第一层次),最大化所有发电公司和输电公司的利润。然后,所有参与者(发电公司和输电公司)的各自规划被提交到主体层次(或第二层次)。在主体层次,独立系统运营商检查电力系统的安全运行。在第一阶段(从方层次),分别求解所有发电公司和输电公司的优化问题,即(5)至(10)和(11)至(19),得到每个发电公司和输电公司所的最优规划。在第二阶段(主体层次),独立系统运营商检查约束条件(31)、(33)和(34)。协调发电系统-输电系统扩建规划的另一个重要部分是将风电场和光伏电站的不确定性纳入规划中,首先将介绍风电场和光伏电站存在时的发电系统扩建规划,然后讨论风电场和光伏电站存在时的输电系统扩建规划。通过该算法得到的结果显示了市场均衡;在这种情况下,最大化发电公司和输电公司的利润,并且满足了网络的安全约束。
发电系统扩建规划算法:
发电系统扩建规划是一个有约束的优化问题,本发明实施例在从方层次上使用粒子群算法进行求解。粒子群算法是一种已经被广泛用于求解发电系统扩建规划和输电系统扩建规划的优化算法。以前的研究表明,粒子群算法是一种强大的、快速的、融合性好的技术,可以适当地用于求解约束优化问题。
作为一种实例,发电系统扩建规划的求解算法,如图2所示。首先,为粒子群算法随机生成一个初始群体。然后,选择群体中的第一个粒子。在下一个模块,使用蒙特卡罗方法处理风电场和光伏电站的不确定性。基于情景的蒙特卡罗方法是一种常用的处理不确定性的方法。对于蒙特卡罗方法的每个场景,在风速概率分布函数的基础上随机产生风速。然后,通过(1)计算风电场的输出功率,通过(4)计算光伏电站的输出功率,并获得当前情景的概率。然后,计算目标函数(5),得到当前情况下的利润。在下一个模块中,检查约束条件(6)至(10),如果存在违反约束条件的情况,则从进程中移除当前粒子;否则,记录利润并重新迭代。迭代将在输出收敛后结束。在蒙特卡罗方法收敛之后,利润的预期值即当前粒子的最终利润。通过这个过程计算群体中所有粒子的利润。然后,具有最大利润的粒子被选为最佳粒子。在下一步,检查粒子群算法的收敛性,如果达到停止标准,算法结束,最佳粒子被认为是规划的输出,否则,将根据粒子群算法规则更新种群,并从头重复算法。
作为一种实例,输电系统扩建规划的求解算法,如图3所示:
图3显示了输电系统扩建规划求解算法的细节。首先,获取初始数据并随机生成粒子群算法的初始种群。然后,选择一个粒子,对当前粒子进行最优功率流计算(OPF),并确定系统数据,如所有输电线路的功率流、电压等。通过使用系统数据,检查约束条件(12)至(19),如果满足所有的约束条件,计算出当前粒子的目标函数(11);否则,移除当前粒子并选择下一个粒子。在计算了当前种群中所有粒子的目标函数后,选择具有最大利润的最佳粒子。在下一步,在粒子群算法规则的基础上更新粒子群算法的种群,算法迭代直到收敛。最终通过粒子群算法的收敛,确定新的线路。
作为一种实例,本发明实施例的主体层次算法,如图4所示:
图4显示了包含主体层次的整个规划流程图。如图4所示,所有发电公司和输电公司都向主体层次提交他们的规划。在这个层次上,检查约束条件(31)、(33)和(34),如果满足约束条件,独立系统运营商将接受发电公司和输电公司的各自规划作为全局规划;否则,将重新计算价格(LMP、TDP和α),并将新价格发送到从方层次,以改变发电公司和输电公司的规划。根据以下规则得到新的价格;在违反至少一个约束条件的时期,额外收入系数α将增大预先指定的倍数。这种策略复制了电力市场的典型行为,表明当可用资源水平相对于需求而言是有限的,价格趋于上升,而在没有违反约束的时期,竞争发挥了作用,根据常规流程计算LMP和TDP,α不会改变。参数α有一个累积值,根据(35)进行每次迭代计算。
根据本发明实施例的面向新型电力系统电源规划模型的方法,以发电公司和输电公司的利润最大化为优化目标,将能源变量变化关系、供需结构等进行量化表达,将风电场和光伏电站的不确定性建模为标准概率分布函数,并采用蒙特卡罗方法处理,构建以新能源为主体的电力系统电源规划模型。以市场经济环境和国家能源政策为约束,提出电力市场背景下考虑激励相容约束的电源动态规划方法。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种面向新型电力系统电源规划模型的方法,其特征在于,所述方法,包括以下步骤:
S1,获取系统数据;其中,所述系统数据包括:输配电价、发电边际成本和和额外收入因数;
S2,基于所述系统数据生成初始群体,通过风力、光伏发电机组出力模型使用蒙特卡罗算法计算第一目标函数,通过粒子群算法进行发电公司扩建规划,使所述发电公司的利润最大化;以及,
S3,根据所述系统数据生成初始种群,基于所述初始种群进行最优功率流计算,并计算第二目标函数,通过所述粒子群算法进行输电公司扩建规划,使所述发电公司的利润最大化,完成从方层次扩建规划;
S4,基于所述从方层次扩建规划,分别将所述发电公司和所述输电公司的扩建规划提交到主体层次,通过所述主体层次检查电力系统的约束条件。
5.根据权利要求4所述的海方法,其特征在于,所述第二目标函数的限制条件:
P(V,Θ,n)-PG+PD=0 (12)
Q(V,Θ,n)-QG+QD=0 (13)
|Vmin|≤|V|≤|Vmax| (16)
(N+N0)Sfrom≤(N+N0)Smax (17)
(N+N0)Sto≤(N+N0)Smax (18)
0≤n≤nmax (19)
6.根据权利要求1所述的方法,其特征在于,所述主体层次的限制:
将储备率定义为可用容量与峰值需求之间的差额,规划的每个阶段的储备率按(30)计算:
每个阶段的储备率在所允许的最小储备率和最大储备率之间:
通过预期负荷损失LOLE评估可靠性:
其中,ls是负荷步骤数量,Pk是在k步骤的有功功率,CT是总装机容量,Lk是在k步骤的需求装机容量,tk是在k步骤的小时数,每个阶段的LOLE与LOLEmax比较:
LOLEt≤LOLEmax t=1,2,…,T (33)
假设每个发电公司的总装机容量小于特定值,约束条件为:
7.根据权利要求3所述的方法,其特征在于,所述S2,包括:
获取系统数据随机生成一个初始群体,选择初始群体中的第一个粒子,使用蒙特卡罗方法处理风电场和光伏电站的不确定性,基于风速概率分布函数随机产生风速;
通过(1)计算风电场的输出功率,通过(4)计算光伏电站的输出功率,并获得当前情景的概率,计算目标函数(5),得到当前情况下的利润;
检查约束条件(6)至(10),如果存在违反约束条件的情况,则从进程中移除当前粒子;否则,记录利润并重新迭代,迭代将在输出收敛后结束,在蒙特卡罗方法收敛之后,利润的预期值即当前粒子的最终利润,并计算初始群体中所有粒子的利润,将具有最大利润的粒子选为最佳粒子;
检查粒子群算法的收敛性,如果达到停止标准,算法结束,最佳粒子被认为是发电公司扩建规划的输出,否则,将根据粒子群算法规则更新种群,并从头重复算法。
8.根据权利要求5所述的方法,其特征在于,所述S3,包括:
获取系统数据并随机生成粒子群算法的初始种群,选择一个粒子,对当前粒子进行最优功率流计算OPF,并确定系统数据;
通过使用系统数据,检查约束条件(12)至(19),如果满足所有的约束条件,计算出当前粒子的目标函数(11);否则,移除当前粒子并选择下一个粒子;
在计算了当前初始种群中所有粒子的第二目标函数后,选择具有最大利润的最佳粒子,基于粒子群算法规则更新粒子群算法的种群,算法迭代直到收敛,通过粒子群算法的收敛,确定新的线路。
9.根据权利要求6所述的方法,其特征在于,所述S4,包括:
在主体层次上,检查约束条件(31)、(33)和(34),如果满足约束条件,独立系统运营商接受发电公司和输电公司的各自规划作为全局规划;否则,重新计算价格LMP、TDP和α,并将新价格发送到从方层次,以改变发电公司和输电公司的规划;
根据预设规则得到新的价格:在违反至少一个约束条件的时期,将额外收入系数α增大预先指定的倍数,参数α根据公式(35)进行每次迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210576319.3A CN114971012A (zh) | 2022-05-25 | 2022-05-25 | 一种面向新型电力系统电源规划模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210576319.3A CN114971012A (zh) | 2022-05-25 | 2022-05-25 | 一种面向新型电力系统电源规划模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971012A true CN114971012A (zh) | 2022-08-30 |
Family
ID=82955921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210576319.3A Pending CN114971012A (zh) | 2022-05-25 | 2022-05-25 | 一种面向新型电力系统电源规划模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971012A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070025096A (ko) * | 2005-08-31 | 2007-03-08 | 한국동서발전(주) | 발전비용 최소화 기법을 이용한 경제급전 예측 시스템 및방법 |
CN104463374A (zh) * | 2014-12-23 | 2015-03-25 | 国家电网公司 | 一种分布式电源优化配置的方法及系统 |
CN106487005A (zh) * | 2016-11-14 | 2017-03-08 | 国网浙江省电力公司经济技术研究院 | 一种考虑输配电价的电网规划方法 |
CN107196298A (zh) * | 2017-06-28 | 2017-09-22 | 国网江苏省电力公司经济技术研究院 | 一种可再生能源与电网协调规划方法、装置及计算设备 |
CN112396304A (zh) * | 2020-11-09 | 2021-02-23 | 国网江苏省电力有限公司 | 一种主动配电网中区域自治电网的划分策略研究方法 |
-
2022
- 2022-05-25 CN CN202210576319.3A patent/CN114971012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070025096A (ko) * | 2005-08-31 | 2007-03-08 | 한국동서발전(주) | 발전비용 최소화 기법을 이용한 경제급전 예측 시스템 및방법 |
CN104463374A (zh) * | 2014-12-23 | 2015-03-25 | 国家电网公司 | 一种分布式电源优化配置的方法及系统 |
CN106487005A (zh) * | 2016-11-14 | 2017-03-08 | 国网浙江省电力公司经济技术研究院 | 一种考虑输配电价的电网规划方法 |
CN107196298A (zh) * | 2017-06-28 | 2017-09-22 | 国网江苏省电力公司经济技术研究院 | 一种可再生能源与电网协调规划方法、装置及计算设备 |
CN112396304A (zh) * | 2020-11-09 | 2021-02-23 | 国网江苏省电力有限公司 | 一种主动配电网中区域自治电网的划分策略研究方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Awad et al. | Optimal ESS allocation for benefit maximization in distribution networks | |
Hemmati et al. | Market based transmission expansion and reactive power planning with consideration of wind and load uncertainties | |
Karimi et al. | Energy storage allocation in wind integrated distribution networks: An MILP-Based approach | |
Qiu et al. | Resilience-oriented multistage scheduling for power grids considering nonanticipativity under tropical cyclones | |
Salmani et al. | Virtual power plant: New solution for managing distributed generations in decentralized power systems | |
Zhao et al. | Distributed risk-limiting load restoration for wind power penetrated bulk system | |
Moradi et al. | A cooperative dispatch model for the coordination of the wind and pumped-storage generating companies in the day-ahead electricity market | |
CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
Chen et al. | Distributed multi-scenario optimal sizing of integrated electricity and gas system based on ADMM | |
Tian et al. | Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization | |
Wu et al. | An inexact fixed-mix fuzzy-stochastic programming model for heat supply management in wind power heating system under uncertainty | |
CN111311012A (zh) | 基于多智能体的微电网电力市场双层竞价优化方法 | |
CN110909939A (zh) | 一种含分布式电源的配电网多阶段规划方法 | |
Nazari et al. | Joint investment of community energy storage systems in distribution networks using modified Nash bargaining theory | |
Shahinzadeh et al. | Unit commitment in smart grids with wind farms using virus colony search algorithm and considering adopted bidding strategy | |
Çiçek et al. | Optimal bidding strategy considering bilevel approach and multistage process for a renewable energy portfolio manager managing RESs with ESS | |
CN115764863A (zh) | 一种基于数据驱动的多微网合作运行方法 | |
Zhao et al. | Distributed multi-objective day-ahead generation and HVDC transmission joint scheduling for two-area HVDC-linked power grids | |
Mohseni et al. | Stochastic optimal sizing of micro-grids using the moth-flame optimization algorithm | |
CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
Guo et al. | An optimal size selection of hybrid renewable energy system based on Fractional-Order Neural Network Algorithm: A case study | |
Lujano-Rojas et al. | Novel probabilistic optimization model for lead-acid and vanadium redox flow batteries under real-time pricing programs | |
Le et al. | Design, sizing and operation of a hybrid renewable energy system for farming |
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 |