CN115189409A - 电力系统生产模拟方法、装置、计算机设备及存储介质 - Google Patents

电力系统生产模拟方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115189409A
CN115189409A CN202210974542.3A CN202210974542A CN115189409A CN 115189409 A CN115189409 A CN 115189409A CN 202210974542 A CN202210974542 A CN 202210974542A CN 115189409 A CN115189409 A CN 115189409A
Authority
CN
China
Prior art keywords
power
model
hydrogen
hydrogen energy
carbon
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
Application number
CN202210974542.3A
Other languages
English (en)
Inventor
顾慧杰
彭超逸
何宇斌
聂涌泉
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202210974542.3A priority Critical patent/CN115189409A/zh
Publication of CN115189409A publication Critical patent/CN115189409A/zh
Pending legal-status Critical Current

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
    • H02J3/38—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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力系统生产模拟方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：构建碳交易模型；构建模拟出力不确定性模型；构建电氢储能系统的能量转换模型；基于碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；在生产模拟约束条件的约束下，以生产成本期望最小为目标对生产模拟模型进行求解，得到电力系统的生产模拟结果。通过对电力系统生产过程进行模拟，预测最优运行方式下系统各机组运行状态、出力分配、备用预留和调用、生产成本以及风险等情况，能够为规划方案的实际应用提供依据。

Description

电力系统生产模拟方法、装置、计算机设备及存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种电力系统生产模拟方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电力系统生产模拟是电力系统规划和运行的重要工具。通过对电力系统调度过程的模拟，预测最优运行方式下系统各机组运行状态、出力分配、备用预留和调用、生产成本以及风险等情况，能够为规划方案的实际应用提供依据。
在低碳经济背景下，风电作为清洁能源的代表，已成为电力系统的重要部分。然而，风电出力具有显著的随机性和波动性，对电力系统的稳定性造成了影响。而氢储能系统可利用新能源出力富余的电能进行制氢，储存起来或供下游产业使用；当电力系统负荷增大时，储存起来的氢能可利用燃料电池进行发电回馈电网，且此过程清洁高效、生产灵活。
而将电氢储能系统作为一种灵活性资源与火电机组共同参与系统调节时，考虑到电氢储能对原本的火力发电与风力发电的影响，如何在保证电力系统安全运行的前提下，在减少碳排放的基础上降低电力生产成本，是目前亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够结合火电、风电和氢能的电力系统生产模拟方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电力系统生产模拟方法。所述方法包括：
基于电力系统中火力发电机组的碳排放数据，构建碳交易模型；
基于风电场的风电出力数据，构建模拟出力不确定性模型；
基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型；
基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；
在生产模拟约束条件的约束下，以生产成本期望最小为目标对所述生产模拟模型进行求解，得到电力系统的生产模拟结果；所述生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
第二方面，本申请还提供了一种电力系统生产模拟装置。所述装置包括：
火电模拟模块，用于基于电力系统中火力发电机组的碳排放数据，构建碳交易模型；
风电模拟模块，用于基于风电场的风电出力数据，构建模拟出力不确定性模型；
氢能模拟模块，用于基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型；
系统构建模块，用于基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；
模拟处理模块，用于在生产模拟约束条件的约束下，以生产成本期望最小为目标对所述生产模拟模型进行求解，得到电力系统的生产模拟结果；所述生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于电力系统中火力发电机组的碳排放数据，构建碳交易模型；
基于风电场的风电出力数据，构建模拟出力不确定性模型；
基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型；
基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；
在生产模拟约束条件的约束下，以生产成本期望最小为目标对所述生产模拟模型进行求解，得到电力系统的生产模拟结果；所述生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法的步骤。
上述电力系统生产模拟方法、装置、计算机设备、存储介质和计算机程序产品，通过分别模拟火力发电、风力出电、以及氢能发电情况，基于火力发电机组的碳排放数据，考虑到碳交易环境建立碳交易模型，同时考虑到风电出力偏差对电力系统的影响，基于风电场的风电出力数据建立模拟出力不确定性模型，有效建模风电不确定性对碳排放的影响；然后，考虑到将储能系统作为一种灵活性资源与火电机组共同参与系统调节，基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型，将氢能纳入电力系统并统一规划调度，最终基于三种模型构建电力系统的生产模拟模型，并在满足电力系统安全运行的约束条件下求解得到生产模拟结果，以使得生产成本期望最小，由此，通过对电力系统生产过程进行模拟，预测最优运行方式下系统各机组运行状态、出力分配、备用预留和调用、生产成本以及风险等情况，能够为规划方案的实际应用提供依据。
附图说明
图1为一个实施例中电力系统生产模拟方法的应用环境图；
图2为一个实施例中电力系统生产模拟方法的流程示意图；
图3为一个实施例中电氢储能系统的能量转换原理示意图；
图4为一个实施例中联合有火电、风电、氢储能的系统构架示意图；
图5为一个实施例中不同运行方式下各机组的发电量的统计图；
图6为一个实施例中电力系统生产模拟装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
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。
考虑能源系统清洁化诉求，未来常规煤电装机占比将逐渐减小，在缺乏大规模常规煤电提供备用支撑的条件下新能源大规模消纳将面临严峻挑战。随着风电装机占比的提高，其波动幅度也将增大，仅靠常规煤电提供备用难以满足大规模风电并网对系统灵活性的需求，势必会制约风电消纳。如何在运行调度中应对风电不确定性、如何在模型中计及并降低额外费用、如何提高清洁能源市场竞争力、如何保障灵活性资源供应，对解决电力系统接纳大规模风电资源时所面临的调节能力不足和经济成本问题、助力能源电力减排脱碳、解决弃风、限电问题至关重要，对促进能源电力健康发展具有重要意义。
为应对风电出力不确定性与电力供需实时平衡之间的矛盾，国内外学者已给出多种方法。基于确定性的优化方法，在建模中考虑附加正负旋转备用容量，但备用容量的配置具有主观性，决策结果往往偏于冒险或保守，不利于电网安全经济运行。基于机会约束的随机优化方法，建立了含风电场电力系统动态经济调度的随机模型，所得调度决策能够确保系统相关约束条件在风电随机波动下以一定的概率满足。基于鲁棒优化方法，提出了一种可调节的鲁棒优化调度模型，所得调度决策能够确保系统相关约束条件在风电出力最极端场景下得到满足，优化结果往往过于保守。基于场景概率的随机优化方法，建立了基于多场景的调度模型，将含有风电出力和概率信息的场景集引入调度模型中进行随机优化调度，有效处理了随机性问题。上述建模方法多从安全经济角度对含风电系统进行建模和分析，未能兼顾系统运行的低碳性。
低碳经济调度是兼顾电力经济性和低碳环保性的有效手段，碳交易是目前实现低碳经济发展的最为有效的手段之一，为推动电力低碳化发展提供一个重要途径。然而在引入碳交易的低碳经济运行模型上，目前许多研究仅对发电计划出力部分进行碳交易建模，忽略了实时运行中为维持系统功率平衡调整出力部分产生的碳排放，使得调度结果偏离最优值。一些研究为考虑风电出力偏差对最优发电计划的影响，单独分析了风电和火电的碳交易模型，但与碳排放权配额补偿相关的旋转备用是采用比例法确定的，缺乏合理性。碳交易能有效促进风电消纳，其实质是市场组织的创新激发和释放了原有资源的灵活性，随着风电装机占比的提高，其波动幅度也将增大，需要引入新的灵活性资源来应对。
储能作为一种可调度资源具有快速充放电特性，能够担任灵活性资源的角色为风电并网提供备用支撑，已成为促进大规模风电并网消纳和保障含风电的电力系统安全运行的优选方案之一。根据电能转换形式的不同，储能主要分为四类，物理储能、电化学储能、电磁储能和化学储能。抽水蓄能是当前达到吉瓦级别的物理储能技术之一，具有可靠、经济、技术相对成熟、寿命周期长、储能效率高等诸多优势，但受地理、水源等天然条件的影响，以及生态环境和移民问题，抽蓄电站不可能无限制地开发建设，难以承担大规模新能源并网后的全部调节任务。铅蓄电池、锂离子电池等电化学蓄能方式在用户侧领域应用广泛，但存在寿命短、容量小、回收成本高等缺点，受环保和成本约束难以满足大容量储能需求。电磁储能是以电场或磁场形式直接储存能量的储能技术，具有功率密度大、转换效率高、响应速度快等特点，但储能容量较小、放电时间短，仅适用于功率型储能场景。氢能是一种良好的化学储能载体，具有能量密度高、存储时限长、便于生产、存储和运输等优点，能够实现电与氢的双向转化，成为提高风电资源消纳水平的理想载体、能源电力脱碳减排的重要工具。
有鉴于此，本申请实施例提供一种电力系统生产模拟方法，基于传统经济调度运行模式，引入碳交易机制和电氢储能系统(Electricity-Hydrogen Storage System，EHSS)，建立了以电能生产成本期望值最小为目标的生产模拟模型。本发明引入碳交易机制提高了清洁能源参与市场的竞争力；碳源建模时考虑了风电出力偏差对火电出力调整的影响，有效建模风电不确定性对碳排放的影响；将储能系统作为一种灵活性资源与火电机组共同参与系统调节，利于缓解风电出力不确定性对系统运行安全性、经济性造成的负面影响；协调优化包括日前发电计划、实时功率调整、发电备用容量、制氢-发电功率、弃风、切负荷限电在内的电能生产过程，旨在提高清洁能源参与市场竞争力、减少碳排放的基础上降低电能生产成本、提高风电资源的可调度性。
本申请实施例提供的电力系统生产模拟方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102或服务器104分别构建碳交易模型、模拟出力不确定性模型、能量转换模型，并基于三种模型构建电力系统的生产模拟模型，再在生产模拟约束条件的约束下，以生产成本期望最小为目标对生产模拟模型进行求解，得到电力系统的生产模拟结果。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力系统生产模拟方法，该方法可以由终端或服务器单独执行，也可以由终端和服务器协同执行。下面以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤S202，基于电力系统中火力发电机组的碳排放数据，构建碳交易模型。
在多能源联合的电力系统中，火电机组是碳排放的主要来源。考虑到碳交易环境下的碳交易机制，通过建立碳交易模型，实现从低碳、环保、经济的角度考虑电力系统调节，从而促进节能减排、改善能源结构。因此，具体地，考虑到碳交易机制，计算机设备基于电力系统中火力发电机组的碳排放数据，建立低碳经济发展模式下的碳交易模型，以模拟碳交易环境下的电力系统运行。
其中，碳交易机制是通过建立碳排放权并允许权利交易，从而实现碳排放量减少的交易机制。其中，碳交易的建模主要包括碳源排放、碳排放权分配、以及碳交易成本三部分。相应地，碳交易模型包括碳源排放模型、碳排放权分配模型、以及碳交易成本模型。
在含风电电力系统中，火电机组是碳排放的主要来源，而风电属于清洁能源，不存在碳排放，因此不需要进行碳源建模。电力系统中火电机组是碳排放的主要来源，一般可用二次曲线建模。建模时的碳排放数据包括但不限于碳排放量、碳排放权分配系数、或者火电机组数量等中的一种或多种。碳排放数据可以是基于火电机组的历史运行数据得来的，也可以是基于历史运行数据拟合而成的。
步骤S204，基于风电场的风电出力数据，构建模拟出力不确定性模型。
由于自然条件的限制，风力发电存在不确定性。本申请实施例中，将风电实际可用出力，看做是预测出力与预测误差之和，由此能够通过风电预测误差的不确定性来反映风电输出功率的不确定性。具体地，计算机设备基于风电场的风电出力数据确定风电功率预测误差所服从的分布情况，并利用统计方法进行抽样和筛选，结合预测出力值来对风电出力的不确定性进行建模，从而得到模拟出力不确定性模型。其中，风电出力数据至少包括风电场装机容量和风电出力预测值中的一种或多种。
通常，可以认为风电功率预测误差服从均值为0、标准差为δj,t的正态分布。当预测提前时间在24h之内时，可以基于预先设置的表征预测误差精度的参数和风电出力预测值，来模拟风电功率预测误差所服从的分布情况。
基于风电功率预测误差所服从的分布情况，对风电预测误差进行抽样，可以得到多个预测误差场景。对该多个预测误差场景进行筛选，能够得到含有概率信息且反映误差特征的场景集。进而基于该场景集和预测处理值，能够得到风电出力场景集，风电出力的不确定性即可由该风电出力场景集中的不同场景来描述，每一种场景模拟了风电在实际运行中可能出现的某种结果。由此，完成了对处理不确定性的模拟，构建完成了模拟出力不确定性模型。
步骤S206，基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型。
氢储能技术是利用了电-氢-电互变性而发展起来的。其基本原理就是将水电解得到氢气和氧气。在可再生能源高占比的电力系统中，弃风问题随着风电装机总容量的不断增加而日益突出。由于风电出力的预测准确程度有限，其出力随机性会对电网造成一定冲击。氢储能系统可利用新能源出力富余的电能进行制氢，储存起来或供下游产业使用；当电力系统负荷增大时，储存起来的氢能可利用燃料电池进行发电回馈电网，由此，能够有效解决可再生能源发电并网问题，且此过程清洁高效、生产灵活，同时也可以将此过程中生产的氢气分配到交通、冶金等其他工业领域中直接利用，提高经济性。
电氢储能系统通常包括电解槽、储氢罐、以及氢燃料电池。相应地，对应于不同的装置，电氢储能系统的氢能发电情况包括制氢环节、中间环节、以及发电环节。由此，考虑到将储能系统作为一种灵活性资源与火电机组共同参与系统调节，计算机设备基于电氢储能系统的氢能转换数据，模拟电氢储能系统中的氢能发电、储能、以及氢能发电输送的情况，从而构建电氢储能系统的能量转换模型，即由制氢转换成电能的能量转换过程，以在生产模拟中纳入氢储能和发电情况，并在纳入电氢储能系统的情况下，综合优化电力系统的发电计划与调度。其中，氢能转换数据至少包括模拟耗电功率、模拟发电功率、或者不同环节的能量转换效率等中的一种或多种。
步骤S208，基于碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型。
基于火力发电情况下的碳交易模型、风力发电情况下的模拟出力不确定性模型、以及氢能发电情况下的能量转换模型，计算机设备即可综合考虑多种不同的能源，构建整个电力系统的生产模拟模型，从而完成对电力系统调度过程的模拟，预测最优运行方式下系统各机组运行状态、出力分配、备用预留和调用、生产成本、或者风险等情况。
生产模拟模型的整体目标是保证系统安全运行的同时使系统短期电能生产成本期望值最小，优化目标中的成本包括反映经济效益的发电成本、反映环境效益的碳交易成本、反映运行可靠性的备用容量成本、反映运行风险的惩罚成本或者对外输送氢能的价值收益等。
在一个实施例中，基于所构建的碳交易模型、模拟出力不确定性模型、以及能量转换模型，计算机设备建立碳交易环境下，火电、风电、电氢储能综合互补下电力系统的生产模拟模型，综合考虑了日前能量市场、实时有功功率平衡时长、碳交易时长，将火电碳交易情况和风电不确定性风险考虑在内，采用多场景实时调整的方式应对风电不同场景的处理情况，避免了电力系统运行方式不明确的问题。
步骤S210，在生产模拟约束条件的约束下，以生产成本期望最小为目标对生产模拟模型进行求解，得到电力系统的生产模拟结果；生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
其中，生产成本包括内部成本和外部成本。内部成本和外部成本可以分类为确定性成本和不确定性成本。例如，内部成本的不确定性成本包括日前电能燃料与启停成本、备用容量购买成本等，外部成本的不确定性成本包括日前碳交易成本等。内部成本的不确定性成本包括火电出力调整部分的有功平衡成本切负荷、弃风惩罚成本，外部成本的不确定性成本包括火电、风电出力调整部分的碳交易成本等。
具体地，计算机设备对所构建的生产模拟模型，以生产成本期望最小为目标进行优化求解，并在在求解的过程中，考虑生产模拟约束条件的约束，以保证电力系统安全运行。由此，得到电力系统的生产模拟结果，该生产模拟结果可以反映约束条件下的最小总成本。
其中，生产模拟约束条件包括但不限于电氢储能系统运行约束条件、火电机组运行约束条件、风电出力约束条件、或者整体系统运行约束等中的一种或多种。
在一个实施例中，生产模拟模型可通过如下公式表示：
minC＝C1+C2+C3
其中，C为最优目标函数值，即生产模拟结果；C1为日前发电成本期望值；C2为实时功率平衡成本期望值；C3为切负荷惩罚费用与氢能收益期望值。其中，日前发电成本期望值可以基于火力发电得到，实时功率平衡成本期望值可以基于火力发电和风力发电情况等综合得到，氢能收益期望值可以基于电氢储能系统的能量转换情况得到。
示例性地，计算机设备将生产模拟模型进行二次项分段线性化，并采用混合整数线性规划方法求取最优解。例如，计算机设备利用CPLEX(求解器)提供的piecewise函数(分段函数)将模型二次项分段线性化，所得到的表达式如下：
Figure BDA0003798203850000091
Figure BDA0003798203850000092
由此即可利用求解器进行求解，得到最终的生产模拟结果。
以下介绍各个生产模拟约束条件。其中，电氢储能系统运行约束条件但不限于装置功率约束、工况约束、氢能储存容量约束、或者通用约束等中的一种或多种。其中，通用约束指的是功率爬坡约束、备用约束、等中的一种或多种常用约束条件。
示例性地，电解槽-氢燃料电池的装置功率约束可以表示为：
Figure BDA0003798203850000101
Figure BDA0003798203850000102
Figure BDA0003798203850000103
Figure BDA0003798203850000104
其中，Pt H2P，Pt P2H表示EHSS在时刻t发电-制氢工况下电能生产、消耗的计划功率；
Figure BDA0003798203850000105
分别为EHSS在时刻t场景ω下发电-制氢工况下的上、下备用容量调用量。
Figure BDA0003798203850000106
表示EHSS在发电-制氢工况下电能生产、消耗功率上下限；
Figure BDA0003798203850000107
为EHSS在时刻t的发电-制氢工况状态标志，1表示处于对应状态，0表示不处于对应状态，可表示制氢、发电、空闲三种运行状态。
其中，制氢-发电的工况约束可以表示为：
Figure BDA0003798203850000108
由此，约束了EHSS同一时刻只能处于电制氢、氢发电或空闲一种工况。
其中，功率爬坡约束用于约束EHSS的响应速度。机组启停和工况转换能在很短时间内完成，当优化时段为0.5h以上时，可将其向上爬坡率/向下滑坡率视为无穷大，不考虑功率爬坡约束。
其中，电氢储能系统的备用约束可以表示为：
Figure BDA0003798203850000109
Figure BDA00037982038500001010
Figure BDA00037982038500001011
Figure BDA00037982038500001012
Figure BDA00037982038500001013
Figure BDA00037982038500001014
Figure BDA0003798203850000111
Figure BDA0003798203850000112
其中，
Figure BDA0003798203850000113
分别为t时刻EHSS在发电-制氢工况下向系统提供的上、下备用容量。上述公式用于约束EHSS在实时运行时发电-制氢功率调整量不超过预留的备用容量。
其中，氢能储存容量约束可以表示为：
Figure BDA0003798203850000114
Figure BDA0003798203850000115
Mmin≤Mt≤Mmax
Mmin≤Mt,ω≤Mmax
M0＝Mend
M0,ω＝Mend,ω
0≤Ot
0≤Ot,ω
其中，Mt为t时刻EHSS的氢能储量；Mt,ω为时刻t场景ω下EHSS的氢能储量；Mmin，Mmax分别为EHSS能够储存的最小、最大氢能；M0，Mend分别为EHSS初始、期末时段的氢能储量；M0,ω，Mend,ω分别为场景ω下EHSS初始、期末时段的氢能储量；Ot为t时刻EHSS对外输送的氢能计划值。上述约束保证在各个调度周期内任意场景下EHSS的氢能储量实现周期循环，以保障系统长期可持续运行。
在一个实施例中，火电机组运行约束但不限于火电出力约束、最小开关机时间约束、或者通用约束等中的一种或多种。
其中，火电机组的火电出力约束可以表示为：
Pi,minui,t≤Pi,t≤Pi,maxui,t
Figure BDA0003798203850000121
其中，Pi,min，Pi,max为机组i的最小、最大出力。
其中，最小开关机时间约束可以表示为：
Figure BDA0003798203850000122
其中，
Figure BDA0003798203850000123
为机组i从上一状态改变到t时刻的持续开机、关机时间；
Figure BDA0003798203850000124
为机组i的最小开机、关机时间。
其中，火电机组运行下的功率爬坡约束可以表示为：
-ΔPud,i≤Pi,t+1-Pi,t≤ΔPud,i
Figure BDA0003798203850000125
其中，ΔPud,i为机组i最大增/减出力速率，一般认为两者大小相等。
其中，火电机组运行下的备用约束可以表示为：
Figure BDA0003798203850000126
Figure BDA0003798203850000127
Figure BDA0003798203850000128
Figure BDA0003798203850000129
上述约束条件用于约束火电机组在实时运行时出力调整量不超过预留的备用容量。
在一个实施例中，风电出力约束但不限于风电出力约束和弃风量约束等中的一种或多种。
其中，风电出力约束可以表示为：
Figure BDA00037982038500001210
弃风量约束可以表示为：
0≤Sj,t,ω≤Pj,t,ω
其中，Pj,t为风电场j时刻t的计划出力；Sj,t,ω为风电场j时刻t场景ω下的弃风量。风电出力约束为常识性界限，即弃风量不应大于风电可用功率。
在一个实施例中，系统运行约束但不限于功率平衡约束、旋转备用需求与可获得量约束、线路传输容量约束、或者切负荷量约束等中的一种或多种。
其中，系统运行下的功率平衡约束可以表示为：
Figure BDA0003798203850000131
其中，第一个公式表示日前发电计划的功率平衡约束，第二个公式表示实时运行中各场景集下的功率平衡约束，确保系统在风电随机波动时仍然满足功率平衡约束，与计划出力偏差靠调用备用、调整制氢-发电出力、弃风、切负荷来补齐。
其中，旋转备用需求与可获得量约束可以表示为：
Figure BDA0003798203850000132
其中，NW为风电场数目；
Figure BDA0003798203850000133
分别为t时刻一定备用价格下系统备用容量的可获取量与需求量。
其中，线路传输容量约束可以表示为：
Figure BDA0003798203850000134
Figure BDA0003798203850000135
其中，PG,t、PL,t分别为t时刻系统各节点的计划注入/流出功率向量；X为系统各节点的净功率对输电线路的功率转移分布因子；
Figure BDA0003798203850000136
为线路最大传输容量向量；PG,t,ω、PL,t,ω分别为时刻t场景ω下各节点的注入/流出功率向量。
其中，切负荷量约束可以表示为：
0≤Lsh,t,ω≤Lt
上述约束为常识性界限，即切负荷量不应大于实际负荷需求。
上述电力系统生产模拟方法中，通过分别模拟火力发电、风力出电、以及氢能发电情况，基于火力发电机组的碳排放数据，考虑到碳交易环境建立碳交易模型，同时考虑到风电出力偏差对电力系统的影响，基于风电场的风电出力数据建立模拟出力不确定性模型，有效建模风电不确定性对碳排放的影响；然后，考虑到将储能系统作为一种灵活性资源与火电机组共同参与系统调节，基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型，将氢能纳入电力系统并统一规划调度，最终基于三种模型构建电力系统的生产模拟模型，并在满足电力系统安全运行的约束条件下求解得到生产模拟结果，以使得生产成本期望最小，由此，通过对电力系统生产过程进行模拟，预测最优运行方式下系统各机组运行状态、出力分配、备用预留和调用、生产成本以及风险等情况，能够为规划方案的实际应用提供依据。
在一个实施例中，基于电力系统中火力发电机组的碳排放数据，构建碳交易模型，包括：对于多个火电机组，基于各火电机组各自的碳排放强度和各火电机组在各时刻的输出功率，确定各火电机组在每一时刻的碳排放量，以构建碳源排放模型；基于各火电机组各自的碳排放权分配系数，和每一时刻的电力系统的系统负荷，确定各火电机组在每一时刻的碳排放额度，以构建碳排放权分配模型；基于碳交易价格和火电机组数量，确定每一时刻的碳交易成本，以构建碳交易成本模型；基于碳源排放模型、碳排放权分配模型、以及碳交易成本模型，构建碳交易模型。
具体地，对于电力系统中的多个火电机组，计算机设备获取各火电机组各自的碳排放强度参数，该碳排放强度参数表征火电机组的碳排放强度。基于二次曲线建模，结合各火电机组在各时刻的输出功率，计算机设备即可确定各火电机组在每一时刻的碳排放量，从而构建碳源排放模型。
示例性地，在时刻t时，火电机组i的碳排放量为：
Figure BDA0003798203850000141
其中，Pi,t为机组i时刻t的输出功率；αi，βi，γi是表征机组i碳排放强度的特性参数，其值与机组各时段的发电负荷率、燃料品质、脱碳技术、或者机组类型等中的一种或多种因素相关。
在碳排放权分配，计算机设备可采用碳排放权与发电量成正比的免费配额方式进行配额。由此，计算机设备可基于各火电机组各自的碳排放权分配系数，和每一时刻的电力系统的系统负荷，确定各火电机组在每一时刻的碳排放额度，以构建碳排放权分配模型。示例性地，t时刻分配到的碳排放额度可以为：
Eq,t＝ηLtΔt
其中，η是单位电量碳排放权分配系数；Lt为t时刻系统负荷，在不考虑负荷不确定性和网损时，等于系统内所有电源出力之和；Δt为调度时段间隔，取单位时段1h。
考虑到碳交易成本，计算机设备可基于碳交易价格和电力系统中所设置的火电机组数量，从而确定每一时刻的碳交易成本，以构建碳交易成本模型。示例性地，t时刻的碳交易成本：
Figure BDA0003798203850000151
其中，
Figure BDA0003798203850000152
为碳交易价格；NG为火电机组数目。
本实施例中，通过建立碳交易模型，实现从低碳、环保、经济的角度考虑电力系统调节，从而促进节能减排、改善能源结构。
在一个实施例中，基于风电场的风电出力数据，构建模拟出力不确定性模型，包括：基于各个风电场装机容量和每一时刻的风电出力预测值，分别确定各个风电场在每一时刻的风电出力预测误差；获取多个风电功率预测误差场景，并分别确定在各个风电功率预测误差场景下、包含风电出力预测误差的典型场景集合；典型场景集合中包括不同场景下各个风电场的预测误差功率，以及相应风电功率预测误差场景的发生概率；基于典型场景集合，构建风力发电情况下的模拟出力不确定性模型。
具体地，计算机设备首先基于风电场的风电出力数据确定风电功率预测误差所服从的分布情况，再对风电预测误差进行抽样，可以得到多个预测误差场景。对该多个预测误差场景进行筛选，能够得到含有概率信息且反映误差特征的场景集。进而基于该场景集和预测处理值，能够得到风电出力场景集，进而完成构建模拟出力不确定性模型。
示例性地，对于风电出力预测误差,通常认为风电功率预测误差服从均值为0，标准差为δj,t的正态分布，当预测提前时间在24h之内时，δj,t可由下式计算:
Figure BDA0003798203850000161
其中，εj是表征预测误差精度的一个参数，值越小表示预测精度越高；
Figure BDA0003798203850000162
为t时刻风电出力预测值；
Figure BDA0003798203850000163
为风电场j的装机容量。
根据所得到的分布情况，计算机设备利用蒙特卡洛法随机抽样技术获得大量风电功率预测误差场景，然后利用基于高斯混合聚类的场景划分方法对众多原始场景进行削减，得到一组含有误差功率及概率信息的典型场景集，形式如下：
Figure BDA0003798203850000164
其中，
Figure BDA0003798203850000165
为风电场j时刻t场景ω下的预测误差功率；πω为该场景发生的概率；W为生成场景的数量。
由此，结合预测出力值，可得到一组风电功率场景集，形式如下：
{(Pj,t,1,π1),(Pj,t,2,π2),…,(Pj,t,ω,πω),(Pj,t,W,πW)}
其中，
Figure BDA0003798203850000166
为风电场j时刻t场景ω下的可用功率。风电出力的不确定性便可由这些场景体现，每一种场景模拟了风电在未来时刻可能出现的某种结果。
本实施例中，通过考虑到风电出力的不确定性进行建模，在电力系统调度和生产模拟计划中能够纳入风电弃风、切负荷的风险，能够在保障系统安全的前提下，对电力系统生产进行模拟和提供理论依据。
图3示出了电氢储能系统的能量转换原理示意图。在一个实施例中，基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型，包括：基于制氢环节下的模拟耗电功率和第一能量转换效率，确定制氢环节下每一时刻注入至储氢罐的注入氢能；基于每一时刻的注入氢能，确定中间环节下每一时刻从储氢罐流出的流出氢能；其中，每一时刻的注入氢能和流出氢能的差异表征相邻时刻储氢罐中的氢能储量的变化量；基于发电环节下的模拟发电功率和第二能量转换效率，确定每一时刻储氢罐向氢燃料电池输送的氢能；基于每一时刻从储氢罐流出的流出氢能，和每一时刻储氢罐向氢燃料电池输送的氢能，确定每一时刻电氢储能系统对外输送的氢能，以构建电氢储能系统能量转换模型。
具体地，在制氢环节中，电氢储能系统利用电解槽将电能转换成氢能，此时可以将电氢储能系统视作一个电负荷。由此，计算机设备即可根据预设的模拟耗电功率和制氢环节下的能量转换效率，即，第一能量转换效率，确定制氢环节下每一时刻注入至储氢罐的注入氢能。示例性地，每一时刻注入至储氢罐的注入氢能Pt in可由如下公式表示：
Pt in＝Pt P2HηP2H
其中，Pt H2P为发电功率，ηP2H为制氢环节下的能量转换效率，即，第一能量转换效率。
在中间环节中，电氢储能系统将电解获得的氢能通过一定手段将其缓存于储氢罐中，供应氢燃料电池或直接对外输送。此时，每一时刻的注入氢能和流出氢能的差异，能够表征上一时刻和下一时刻之间、储氢罐中的氢能储量的变化量。即：
Mt＝Mt-1+Pt in-Pt out
其中，Mt为t时刻储氢罐中氢能储量。Pt out为t时刻流出储氢罐的氢能，即流出氢能。由此，计算机设备基于每一时刻的注入氢能，可以计算确定中间环节下每一时刻从储氢罐流出的流出氢能。
而在发电环节中，电氢储能系统利用氢燃料电池将氢能转换成电能，此时可以将电氢储能系统视作一个电源。因此，计算机设备即可基于发电环节下的模拟发电功率和第二能量转换效率，确定每一时刻储氢罐向氢燃料电池输送的氢能。示例性地，可由如下公式表示：
Figure BDA0003798203850000171
其中，Pt H2P为发电环节的发电功率，即模拟发电功率。ηH2P为发电环节的能量转换效率，即第二能量转换效率。
Figure BDA0003798203850000172
为储氢罐向氢燃料电池输送的氢能。
由此，计算机设备即可基于每一时刻从储氢罐流出的流出氢能，和每一时刻储氢罐向氢燃料电池输送的氢能，确定每一时刻电氢储能系统对外输送的氢能，以构建电氢储能系统能量转换模型。即：
Figure BDA0003798203850000173
其中，Ot为t时刻电氢储能系统直接对外输送的氢能，其值取决于储氢罐容量、风电富裕程度和外送氢能价格等因素。
本实施例中，通过对电氢储能系统的能量转换进行建模，能够模拟氢储能系统发电并网所带来的电力系统生产问题，对氢储能系统并网后的发电调度以及其他机组的规划提供了理论依据。
考虑到风电成本主要源自前期的建设费用，短期内其边际运行成本可忽略不计。不考虑电氢储能系统的用电成本，因其已涵盖在系统整体燃料成本当中。电氢储能系统对外输送氢能会带来一份收益，将其考虑在内。考虑到某些场景下提供备用、储能服务所增加的成本和能耗可能高于完全接纳风电、不限电所带来的收益，因此允许系统在运行中合理进行弃风、限电处理。风电价值由替代火电出力部分的环境效益和经济效益衡量，不再考虑弃风惩罚费用。系统对负荷负责，切负荷时有惩罚费用。
为此，在上述考虑之下，在一个实施例中，基于碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型，包括：基于碳交易模型，确定电力系统的日前发电成本期望值；基于模拟出力不确定性模型，确定考虑到各个风电功率预测误差场景的功率平衡成本期望值；基于电氢储能系统能量转换模型，确定氢能收益期望值；基于日前发电成本期望值、功率平衡成本期望值、以及氢能收益期望值，构建电力系统的生产模拟模型。
具体地，计算机设备基于火力发电情况下所构建的碳交易模型，可以确定电力系统的日前发电成本期望值。同时，基于风力发电情况下风电的模拟出力不确定性模型，计算机设备即可计算考虑到各个风电功率预测误差场景的功率平衡成本期望值。同时，考虑到电氢储能系统并网所带来的问题，计算机设备基于电氢储能系统能量转换模型，能够确定氢能收益期望值。最后，基于各期望值，计算机设备能够建立目标函数以期望总成本最小，即构建电力系统的生产模拟模型并进行优化求解。
示例性地，日前发电成本期望值可以表示为：
C1＝C1F+C1C+C1R
其中，C1F为火电机组的发电燃料与开关机成本；C1C为碳交易成本；C1R为备用容量成本。
其中，火电机组的发电燃料与开关机成本可以表示为：
Figure BDA0003798203850000191
其中，
Figure BDA0003798203850000192
ai、bi、ci为机组i的燃料成本系数。Pi,t为机组i时刻t的发电计划出力。ui,t为机组i时刻t的开关机状态。
Figure BDA0003798203850000193
分别为机组i的单次启停费用。
碳交易成本可以表示为：
Figure BDA0003798203850000194
备用容量成本可以表示为：
Figure BDA0003798203850000195
其中，
Figure BDA0003798203850000196
分别为机组i时刻t向系统提供的上、下备用容量；
Figure BDA0003798203850000197
分别为机组i的上、下备用容量价格；NT是模拟运行时段数。
示例性地，功率平衡成本期望值可以表示为：
C2＝C2F+C2C
其中，C2F为调用火电机组提供的备用容量所产生的燃料成本期望值；C2C是考虑了切负荷对碳配额影响后调用火电机组提供的备用容量所产生的碳交易成本期望值。
其中，调用火电机组提供的备用容量所产生的燃料成本期望值可以表示为：
Figure BDA0003798203850000198
其中，
Figure BDA0003798203850000199
分别为机组i时刻t场景ω下的上、下备用调用量。
其中，考虑了切负荷对碳配额影响后调用火电机组提供的备用容量所产生的碳交易成本期望值，可以表示为：
Figure BDA00037982038500001910
其中，Lsh,t,ω为时刻t场景ω下的切负荷量。
示例性地，氢能收益期望值可以表示为：
C3＝C3sh-C3O
其中，C3sh为切负荷惩罚费用期望值；C3O为电氢储能系统对外输送氢能带来的收益期望值。
其中，切负荷惩罚费用期望值可以表示为：
Figure BDA0003798203850000201
其中，Vsh为单位切负荷量的惩罚费用。
其中，电氢储能系统对外输送氢能带来的收益期望值可以表示为：
Figure BDA0003798203850000202
其中，
Figure BDA0003798203850000203
为单位氢能的收益；Ot,ω为时刻t场景ω下电氢储能系统对外输送的氢能。
在一个具体的示例中，以改进的IEEE-14系统为例进行生产模拟仿真。图4示出了火电、风电、氢储能联合的电力系统构架。假设系统包含5台火电机组，总装机容量882MW，负荷峰值700MW，在节点7接入一个等效装机容量为300MW的风电场。假定风电预测精度参数为0.2，利用场景生成和削减技术得到30个出力场景。在节点11接入EHSS，电解槽额定功率100MW，氢燃料电池额定功率40MW，最小制氢/发电功率均取额定功率的10％，制氢-发电工况下能量转换效率分别为80％、40％，储氢容量上限300MW.h，下限100MW.h，初始储能150MW.h。
Figure BDA0003798203850000206
取值20$/t；η取值0.7t/(MW.h)；Vsh取值1000$/(MW.h)；
Figure BDA0003798203850000204
均取值10$/(MW.h)(一次成本系数均值的一半)；
Figure BDA0003798203850000205
取值12$/(MW.h)(考虑到转换效率，1MW.h氢能可以生产0.4MW.h电能，电能经济价值取火电机组成本一次项系数最小值，环境价值取碳交易收益，此时氢能经济价值6.4$/(MW.h)，环境价值5.6$/(MW.h))。
按照上述方法对碳交易环境下火电-风电-电氢储能互补系统的生产模拟建模并求解。选择4种运行方式进行对比，方式A：传统经济调度模式；方式B：在方式A基础上引入碳交易机制；方式C：在方式A基础上接入EHSS；方式D：在方式A基础上引入碳交易机制并接入EHSS。不同运行方式下各机组发电量如图5所示。
应该理解的是，虽然如上的各实施例所涉及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，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电力系统生产模拟方法的电力系统生产模拟装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力系统生产模拟装置实施例中的具体限定可以参见上文中对于电力系统生产模拟方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电力系统生产模拟装置600，包括：火电模拟模块601、风电模拟模块602、氢能模拟模块603、系统构建模块604和模拟处理模块605，其中：
火电模拟模块601，用于基于电力系统中火力发电机组的碳排放数据，构建碳交易模型。
风电模拟模块602，用于基于风电场的风电出力数据，构建模拟出力不确定性模型。
氢能模拟模块603，用于基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型。
系统构建模块604，用于基于碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型。
模拟处理模块605，用于在生产模拟约束条件的约束下，以生产成本期望最小为目标对生产模拟模型进行求解，得到电力系统的生产模拟结果；生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
在其中一个实施例中，碳交易模型包括碳源排放模型、碳排放权分配模型、以及碳交易成本模型；碳排放数据至少包括碳排放量、碳排放权分配系数、以及火电机组数量中的一种；火电模拟模块用于对于多个火电机组，基于各火电机组各自的碳排放强度和各火电机组在各时刻的输出功率，确定各火电机组在每一时刻的碳排放量，以构建碳源排放模型；基于各火电机组各自的碳排放权分配系数，和每一时刻的电力系统的系统负荷，确定各火电机组在每一时刻的碳排放额度，以构建碳排放权分配模型；基于碳交易价格和火电机组数量，确定每一时刻的碳交易成本，以构建碳交易成本模型；基于碳源排放模型、碳排放权分配模型、以及碳交易成本模型，构建碳交易模型。
在其中一个实施例中，风电出力数据至少包括风电场装机容量和风电出力预测值中的一种；风电模拟模块用于基于各个风电场装机容量和每一时刻的风电出力预测值，分别确定各个风电场在每一时刻的风电出力预测误差；获取多个风电功率预测误差场景，并分别确定在各个风电功率预测误差场景下、包含风电出力预测误差的典型场景集合；典型场景集合中包括不同场景下各个风电场的预测误差功率，以及相应风电功率预测误差场景的发生概率；基于典型场景集合，构建风力发电情况下的模拟出力不确定性模型。
在其中一个实施例中，电氢储能系统包括电解槽、储氢罐、以及氢燃料电池，氢能发电情况包括制氢环节、中间环节、以及发电环节；氢能转换数据至少包括模拟耗电功率、模拟发电功率、以及不同环节的能量转换效率中的一种；氢能模拟模块用于基于制氢环节下的模拟耗电功率和第一能量转换效率，确定制氢环节下每一时刻注入至储氢罐的注入氢能；基于每一时刻的注入氢能，确定中间环节下每一时刻从储氢罐流出的流出氢能；其中，每一时刻的注入氢能和流出氢能的差异表征相邻时刻储氢罐中的氢能储量的变化量；基于发电环节下的模拟发电功率和第二能量转换效率，确定每一时刻储氢罐向氢燃料电池输送的氢能；基于每一时刻从储氢罐流出的流出氢能，和每一时刻储氢罐向氢燃料电池输送的氢能，确定每一时刻电氢储能系统对外输送的氢能，以构建电氢储能系统能量转换模型。
在其中一个实施例中，系统构建模块用于基于碳交易模型，确定电力系统的日前发电成本期望值；基于模拟出力不确定性模型，确定考虑到各个风电功率预测误差场景的功率平衡成本期望值；基于电氢储能系统能量转换模型，确定氢能收益期望值；基于日前发电成本期望值、功率平衡成本期望值、以及氢能收益期望值，构建电力系统的生产模拟模型。
在其中一个实施例中，生产模拟约束条件包括电氢储能系统运行约束条件、火电机组运行约束条件、风电出力约束条件、以及整体系统运行约束；其中，电氢储能系统运行约束条件至少包括装置功率约束、工况约束、氢能储存容量约束、以及通用约束中的一种；火电机组运行约束至少包括火电出力约束、最小开关机时间约束、以及通用约束中的一种；风电出力约束至少包括风电出力约束和弃风量约束中的一种；系统运行约束至少包括功率平衡约束、旋转备用需求与可获得量约束、线路传输容量约束、以及切负荷量约束中的一种。
上述电力系统生产模拟装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器。以该计算机设备为终端为例，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力系统生产模拟方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力系统生产模拟方法，其特征在于，所述方法包括：
基于电力系统中火力发电机组的碳排放数据，构建碳交易模型；
基于风电场的风电出力数据，构建模拟出力不确定性模型；
基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型；
基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；
在生产模拟约束条件的约束下，以生产成本期望最小为目标对所述生产模拟模型进行求解，得到电力系统的生产模拟结果；所述生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
2.根据权利要求1所述的方法，其特征在于，所述碳交易模型包括碳源排放模型、碳排放权分配模型、以及碳交易成本模型；所述碳排放数据至少包括碳排放量、碳排放权分配系数、以及火电机组数量中的一种；所述基于电力系统中火力发电机组的碳排放数据，构建碳交易模型，包括：
对于多个火电机组，基于各火电机组各自的碳排放强度和各火电机组在各时刻的输出功率，确定各火电机组在每一时刻的碳排放量，以构建碳源排放模型；
基于各火电机组各自的碳排放权分配系数，和每一时刻的电力系统的系统负荷，确定各火电机组在每一时刻的碳排放额度，以构建碳排放权分配模型；
基于碳交易价格和火电机组数量，确定每一时刻的碳交易成本，以构建碳交易成本模型；
基于所述碳源排放模型、碳排放权分配模型、以及碳交易成本模型，构建碳交易模型。
3.根据权利要求1所述的方法，其特征在于，所述风电出力数据至少包括风电场装机容量和风电出力预测值中的一种；所述基于风电场的风电出力数据，构建模拟出力不确定性模型，包括：
基于各个风电场装机容量和每一时刻的风电出力预测值，分别确定各个风电场在每一时刻的风电出力预测误差；
获取多个风电功率预测误差场景，并分别确定在各个风电功率预测误差场景下、包含风电出力预测误差的典型场景集合；所述典型场景集合中包括不同场景下各个风电场的预测误差功率，以及相应风电功率预测误差场景的发生概率；
基于所述典型场景集合，构建风力发电情况下的模拟出力不确定性模型。
4.根据权利要求1所述的方法，其特征在于，所述电氢储能系统包括电解槽、储氢罐、以及氢燃料电池，所述电氢储能系统的氢能发电情况包括制氢环节、中间环节、以及发电环节；所述氢能转换数据至少包括模拟耗电功率、模拟发电功率、以及不同环节的能量转换效率中的一种；所述基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型，包括：
基于制氢环节下的模拟耗电功率和第一能量转换效率，确定制氢环节下每一时刻注入至储氢罐的注入氢能；
基于每一时刻的注入氢能，确定中间环节下每一时刻从储氢罐流出的流出氢能；其中，所述每一时刻的注入氢能和流出氢能的差异表征相邻时刻储氢罐中的氢能储量的变化量；
基于发电环节下的模拟发电功率和第二能量转换效率，确定每一时刻储氢罐向氢燃料电池输送的氢能；
基于所述每一时刻从储氢罐流出的流出氢能，和所述每一时刻储氢罐向氢燃料电池输送的氢能，确定每一时刻电氢储能系统对外输送的氢能，以构建电氢储能系统能量转换模型。
5.根据权利要求1所述的方法，其特征在于，所述基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型，包括：
基于碳交易模型，确定电力系统的日前发电成本期望值；
基于模拟出力不确定性模型，确定考虑到各个风电功率预测误差场景的功率平衡成本期望值；
基于电氢储能系统能量转换模型，确定氢能收益期望值；
基于所述日前发电成本期望值、功率平衡成本期望值、以及氢能收益期望值，构建电力系统的生产模拟模型。
6.根据权利要求1所述的方法，其特征在于，所述生产模拟约束条件包括电氢储能系统运行约束条件、火电机组运行约束条件、风电出力约束条件、以及整体系统运行约束；
其中，所述电氢储能系统运行约束条件至少包括装置功率约束、工况约束、氢能储存容量约束、以及通用约束中的一种；
所述火电机组运行约束至少包括火电出力约束、最小开关机时间约束、以及通用约束中的一种；
所述风电出力约束至少包括风电出力约束和弃风量约束中的一种；
所述系统运行约束至少包括功率平衡约束、旋转备用需求与可获得量约束、线路传输容量约束、以及切负荷量约束中的一种。
7.一种电力系统生产模拟装置，其特征在于，所述装置包括：
火电模拟模块，用于基于电力系统中火力发电机组的碳排放数据，构建碳交易模型；
风电模拟模块，用于基于风电场的风电出力数据，构建模拟出力不确定性模型；
氢能模拟模块，用于基于电氢储能系统的氢能转换数据，构建电氢储能系统的能量转换模型；
系统构建模块，用于基于所述碳交易模型、模拟出力不确定性模型、以及能量转换模型，构建电力系统的生产模拟模型；
模拟处理模块，用于在生产模拟约束条件的约束下，以生产成本期望最小为目标对所述生产模拟模型进行求解，得到电力系统的生产模拟结果；所述生产模拟约束条件表征在多能源发电的情况下模拟电力系统安全运行的约束条件。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210974542.3A 2022-08-15 2022-08-15 电力系统生产模拟方法、装置、计算机设备及存储介质 Pending CN115189409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210974542.3A CN115189409A (zh) 2022-08-15 2022-08-15 电力系统生产模拟方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210974542.3A CN115189409A (zh) 2022-08-15 2022-08-15 电力系统生产模拟方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115189409A true CN115189409A (zh) 2022-10-14

Family

ID=83522402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210974542.3A Pending CN115189409A (zh) 2022-08-15 2022-08-15 电力系统生产模拟方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115189409A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883174A (zh) * 2023-04-10 2023-10-13 北京金风零碳能源有限公司 一种基于区块链的碳资产管理方法、系统及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883174A (zh) * 2023-04-10 2023-10-13 北京金风零碳能源有限公司 一种基于区块链的碳资产管理方法、系统及电子设备
CN116883174B (zh) * 2023-04-10 2024-03-22 北京金风零碳能源有限公司 一种基于区块链的碳资产管理方法、系统及电子设备

Similar Documents

Publication Publication Date Title
Li et al. Sizing of a stand-alone microgrid considering electric power, cooling/heating, hydrogen loads and hydrogen storage degradation
Wu et al. GENCO's risk-based maintenance outage scheduling
Wu et al. GENCO's risk-constrained hydrothermal scheduling
CN111555281B (zh) 一种电力系统灵活性资源配置仿真方法及装置
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN109741110A (zh) 一种基于机会约束规划的风氢系统联合优化建模方法
Jin et al. Dispatching strategies for coordinating environmental awareness and risk perception in wind power integrated system
Dadashi et al. Coordination of wind power producers with an energy storage system for the optimal participation in wholesale electricity markets
Han et al. Multi-stage distributionally robust optimization for hybrid energy storage in regional integrated energy system considering robustness and nonanticipativity
CN112308411A (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
CN114362218B (zh) 基于深度q学习的微电网内多类型储能的调度方法及装置
Michael et al. Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters
CN105514988B (zh) 一种计及动态时空特征的微电网电源规划方案优选方法
Liu et al. P2H Modeling and operation in the microgrid under coupled electricity–hydrogen markets
Li et al. Two-time-scale coordinated optimal control of building energy systems for demand response considering forecast uncertainties
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
CN111126675A (zh) 多能互补微网系统优化方法
CN115189409A (zh) 电力系统生产模拟方法、装置、计算机设备及存储介质
Ju et al. Near-zero carbon stochastic dispatch optimization model for power-to-gas-based virtual power plant considering information gap status theory
Shi et al. Optimal allocation of energy storage capacity for hydro-wind-solar multi-energy renewable energy system with nested multiple time scales
CN114819573A (zh) 新能源系统的日前调度方法、装置和计算机设备
Lei et al. Optimal scheduling of a renewable energy-based park power system: a novel hybrid SDDP/MPC approach
CN114925892A (zh) 水电与电转气结合的中长期风水火发电量双层规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination