CN115189420A - 考虑供需双侧不确定性的电网调度运行优化方法及系统 - Google Patents

考虑供需双侧不确定性的电网调度运行优化方法及系统 Download PDF

Info

Publication number
CN115189420A
CN115189420A CN202210882954.4A CN202210882954A CN115189420A CN 115189420 A CN115189420 A CN 115189420A CN 202210882954 A CN202210882954 A CN 202210882954A CN 115189420 A CN115189420 A CN 115189420A
Authority
CN
China
Prior art keywords
power grid
demand
supply
power
output load
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
CN202210882954.4A
Other languages
English (en)
Inventor
霍慧娟
刘一江
王红晋
丁林
徐丹
范潆丹
谷志红
王硕
张�荣
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.)
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Economic and Technological Research Institute of State Grid Shanxi Electric Power Co Ltd
Original Assignee
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Economic and Technological Research Institute of State Grid Shanxi Electric 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 State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office, Economic and Technological Research Institute of State Grid Shanxi Electric Power Co Ltd filed Critical State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Priority to CN202210882954.4A priority Critical patent/CN115189420A/zh
Publication of CN115189420A publication Critical patent/CN115189420A/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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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]
    • 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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

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

Abstract

本发明涉及一种考虑供需双侧不确定性的电网调度运行优化方法及系统，其特征在于，包括：获取待测区域电网中供给端和需求端的实际数据；将获取的实际数据输入至构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略，本发明可以广泛应用于电力系统运行优化技术领域中。

Description

考虑供需双侧不确定性的电网调度运行优化方法及系统
技术领域
本发明涉及电力系统运行优化技术领域，特别是关于一种考虑供需双侧不确定性的电网调度运行优化方法及系统。
背景技术
目前，清洁能源的规模化发展速度很快，推进电力系统不断向清洁化、低碳化转型。风电、光伏等清洁能源的出力具有显著的季节性和波动性，其发电比例的不断提升将使得供给侧呈现随机性，推动能源电力系统由传统的需求单侧随机不确定性向供需双侧随机不确定性转变，为电网的稳定运行和安全控制带来严峻挑战。储能系统、需求响应能够为系统运行提供灵活的调节能力，平抑供需双侧不确定性给电网运行带来的冲击。
电力系统中以风光为主的可再生能源电源装机规模逐年上升，电源出力将呈现随机性和间歇性，影响电网的安全稳定运行。需求响应、可中断负荷等需求端资源可以降低用户峰谷负荷差，平抑用户侧负荷波动；储能电站、抽水蓄能系统等储能资源能够平抑大量可再生能源发电随机波动性对系统运行的冲击，通过存储与释放电能，支撑电力供需平衡。因此，电网运行不仅要面临具有随机波动性的高比例可再生能源接入，还要充分调用储能资源、需求端资源以确保清洁能源消纳与系统稳定运行。
传统的电网运行优化方式中的优化模型是基于电力需求侧单侧随机不确定性构建的。尽管一部分现有技术在优化模型中考虑了风电出力负荷、光伏出力负荷等清洁能源，但是大多是基于以煤为主的传统电力供给结构而构建的模型，无法适应高比例清洁能源渗透下的电网运行优化策略研究工作。另外，以往的优化模型中电网运行价值大多集中在成本最优和系统安全两个维度，对电网调度运行的碳减排价值考虑不足。综合考虑风电出力负荷、光伏出力负荷、储能系统和需求响应等多种资源交互的电网调度运行优化模型还鲜有成果。
发明内容
针对上述问题，本发明的目的是提供一种基于风电、光伏、储能系统和需求响应等多种资源交互的考虑供需双侧不确定性的电网调度运行优化方法及系统。
为实现上述目的，本发明采取以下技术方案：第一方面，提供一种考虑供需双侧不确定性的电网调度运行优化方法，包括：
获取待测区域电网中供给端和需求端的实际数据；；
将获取的实际数据输入至构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略。
进一步地，所述供给端包括风电机组、光伏发电机组和火电机组中的至少一个，所述需求端包括抽水蓄能系统和可中断负荷中的至少一个。
进一步地，所述考虑供需双侧不确定性的电网调度运行优化模型的构建过程为：
对供给端与需求端的不确定性因素进行特征提取，得到若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合；
基于风电出力负荷、光伏出力负荷和可中断负荷的场景集合，确定考虑供需双侧不确定性的电网调度运行优化模型的目标函数；
确定考虑供需双侧不确定性的电网调度运行优化模型的约束条件；
根据所述目标函数和所述约束条件，构建所述考虑供需双侧不确定性的电网调度运行优化模型。
进一步地，所述对供给端与需求端的不确定性因素进行特征提取，得到若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合，包括：
根据待测区域电网的风电出力负荷、光伏出力负荷和可中断负荷的历史实际数据，对供给端与需求端的不确定性因素进行特征提取，生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合并进行合并，形成所有不确定因素的场景集合。
进一步地，所述生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合并进行合并，形成所有不确定因素的场景集合，包括：
基于气象数据和电力系统调度运行数据，获得待测区域电网的风速、光照辐射和可中断负荷的历史实际数据，并将风速和光照辐射转化为不同时刻下的风电出力负荷和光伏出力负荷，得到风电出力负荷、光伏出力负荷和可中断负荷可能发生的全部初始场景集合；
采用同步回带缩减法，基于距离最小原则对风电出力负荷、光伏出力负荷和可中断负荷的全部初始场景集合进行缩减；
将缩减后的风电出力负荷、光伏出力负荷和可中断负荷的场景集合进行合并，形成所有不确定因素的场景集合。
进一步地，所述考虑供需双侧不确定性的电网调度运行优化模型的目标函数为：
min ω1Cem-ω2TRall
其中，ω1、ω2分别为二氧化碳排放量目标函数和电网运营收益目标函数的权重值，且ω1、ω2≥0，ω1+ω2＝1；TRall为电网运营收益；Cem为电网运行的二氧化碳排放量。
进一步地，所述电网运营收益目标函数为：
Figure BDA0003764921930000031
其中，s为对所有场景的净收益取期望值；
Figure BDA0003764921930000032
为场景s下的售电收入；CIB,s为场景s下调用可中断负荷后电网企业对用户的经济补偿；CW,s为场景s下风电购电成本；CPV,s为场景s下光伏出力负荷购电成本；CFI,s为场景s下火电购电成本；CCW,s为场景s下抽水蓄能运行成本；s∈S，S为不确定因素的场景集合总数；
所述二氧化碳排放量目标函数为：
Figure BDA0003764921930000033
其中，
Figure BDA0003764921930000034
为火电机组单位发电量的二氧化碳排放价值；
Figure BDA0003764921930000035
为火电在t时刻的出力负荷。
第二方面，提供一种考虑供需双侧不确定性的电网调度运行优化系统，包括：
数据获取模块，用于获取待测区域电网中供给端和需求端的实际数据；
求解模块，用于将获取的实际数据输入至预先构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略。
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述考虑供需双侧不确定性的电网调度运行优化方法对应的步骤。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述考虑供需双侧不确定性的电网调度运行优化方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明充分考虑了供给端和需求端的不确定性对电网运行的影响，预先构建考虑供需双侧不确定性的电网调度运行优化模型中，当需要对电网进行电网调度运行优化时，将供给端和需求端的实际数据输入至构建的模型中即可得到供给端和需求端内各系统的运行最优策略，满足电力系统的运行收益最大化与碳排放最小。
2、本发明采用随机规划理论对系统供需双侧不确定性环境下的电网运行价值进行度量，并考虑碳排放量，采用层次分析法，以电网运行经济效益最优、二氧化碳排放量最低为目标建立电网调度运行优化模型，为电网运行优化策略制定提供参考。
3、发明将供给端和需求端的不确定性因素纳入到模型构建的全过程中，采用场景分析法对供需不确定性进行处理，即将不确定性的因素转化为若干个确定性的场景，在模型的目标函数构建中，本发明采取电力系统运行的期望经济效益最大为优化模型的目标函数之一，在模型构建与求解的全过程中充分考虑的供需双侧不确定性因素的。
综上所述，本发明可以广泛应用于电力系统运行优化技术领域中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明一实施例提供的电网调度运行优化方法整体流程示意图；
图2是本发明一实施例提供的基于场景分析法的供需双侧不确定性问题处理流程示意图；
图3是本发明一实施例提供的可中断负荷场景分布情况示意图；
图4是本发明一实施例提供的四种场景的可中断负荷情况示意图；
图5是本发明一实施例提供的风速场景分布情况示意图；
图6是本发明一实施例提供的四种场景的风电最大出力情况示意图；
图7是本发明一实施例提供的光照强度场景分布情况示意图；
图8是本发明一实施例提供的四种场景的光伏出力负荷最大出力情况示意图；
图9是本发明一实施例提供的情景一的电网调度运行优化结果示意图；
图10是本发明一实施例提供的情景二的电网调度运行优化结果示意图；
图11是本发明一实施例提供的情景三的电网调度运行优化结果示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
面对新型电力系统建设，电网调度运行过程中将持续面临供给端的风电出力不确定性与用户端的可中断负荷不确定性的双重压力，电力系统供给端的不确定因素主要来自于风电出力负荷与光伏出力负荷的随机性和间歇性，其出力与风速和光照辐射具有显著相关性，需求端的不确定因素主要由可中断负荷，因此本发明实施例提供的考虑供需双侧不确定性的电网调度运行优化方法及系统，考虑供需双侧不确定性与碳减排构建电网调度运行优化模型，基于供给端和需求端的实际数据，生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合，以得到不同时段下供给端和需求端的最优出力负荷值，提供一种能够解决供需双侧不确定性的电力系统调度运行方式，能够解决风电、光伏、储能系统和需求响应等多种资源交互下的电网运行价值优化问题，能够增加电网运行的经济效益，显著降低火电调用量，提升清洁能源消纳效率。
实施例1
如图1所示，本实施例提供一种考虑供需双侧不确定性的电网调度运行优化方法，包括以下步骤：
1)获取待测区域电网中供给端和需求端的实际数据。
2)将获取的实际数据输入至构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略，以满足电力系统运行收益最大化与碳排放最小的风电、光伏、火电、抽水蓄能系统和可中断负荷在24小时内各时段的出力负荷值。
上述步骤1)中，供给端包括风电机组、光伏发电机组和火电机组中的至少一个，需求端包括抽水蓄能系统和可中断负荷中的至少一个。
上述步骤1)中，供给端和需求端的实际数据包括待测区域电网中风电机组、光伏发电机组和火电机组的发电功率上下限值，火电机组的爬坡功率上下极限值、最短启动时间和最短停机时间，火电机组单位电量的二氧化碳排放量，抽水蓄能系统的抽水额定功率、上水库的最大和最小水容量、发电功率上下限值和电能转化系数，待测区域的峰时段、平时段和谷时段数据和电价水平。
上述步骤2)中，考虑供需双侧不确定性的电网调度运行优化模型的构建过程为：
2.1)基于电力系统运行特征，根据待测区域电网的供给端和需求端的历史实际数据，构建考虑供需双侧不确定性的电网调度运行优化模型，具体过程为：
2.1.1)基于电力系统安全运行规则，确定以新能源为主体的电力系统运行特征。
具体地，电力系统中以风光为主的可再生能源电源装机规模逐年上升，电源出力将呈现随机性和间歇性，影响电网的安全稳定运行。需求响应和可中断负荷等需求侧资源可以降低用户峰谷负荷差，平抑用户侧负荷波动；储能电站和抽水蓄能电站等储能资源能够平抑大量可再生能源发电随机波动性对系统运行的冲击，通过存储与释放电能，支撑电力供需平衡。因此，电网运行不仅要面临具有随机波动性的高比例可再生能源接入，还要充分调用储能资源、需求侧资源以确保清洁能源消纳与系统稳定运行。
2.1.2)如图2所示，采用场景分析法，基于确定的电力系统运行特征，根据待测区域电网的风电出力负荷、光伏出力负荷和可中断负荷的历史实际数据，对供给端(风电出力负荷)与需求端(可中断负荷)的不确定性因素进行特征提取，转化为若干个风电出力负荷、光伏出力负荷和可中断负荷的场景集合，实现将不确定的决策环境转化为确定的决策环境，并进行概率化处理。
2.1.2.1)基于确定的电力系统运行特征，根据待测区域电网的风电出力负荷、光伏出力负荷和可中断负荷的历史实际数据，生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合并进行合并，形成所有不确定因素的场景集合。
具体地，供给端的不确定因素主要来自于风电出力负荷与光伏出力负荷的随机性和间歇性，其出力与风速和光照辐射具有显著相关性。需求端的不确定因素主要由可中断负荷。因此，进行场景生成包括：
a)基于气象数据和电力系统调度运行数据，获得待测区域电网的风速、光照辐射和可中断负荷的历史实际数据，并按照下述公式(1)，将风速和光照辐射转化为不同时刻下的风电出力负荷和光伏出力负荷，得到风电出力负荷、光伏出力负荷和可中断负荷可能发生的全部初始场景集合。
具体地，当风速低于切入风速vin或高于切出风速vout时，则电力系统的风电机组将停止工作；若风速介于额定风速vrated与切出风速vout之间，则风电机组将以额定功率srat出力；其他情况下，风电出力依赖风速的大小，即：
Figure BDA0003764921930000061
其中，
Figure BDA0003764921930000062
为风电出力负荷；vt为t时刻的实际风速；vin为切入风速；vout为切出风速；vrat为额定风速；srat为风电机组额定功率。
Figure BDA0003764921930000063
其中，
Figure BDA0003764921930000064
为光伏出力负荷；αpv为光伏出力负荷的效率；Spv为光伏出力负荷板总面积，φt为t时刻的太阳能辐射强度。
将风电出力负荷、光伏出力负荷和可中断负荷的历史数据视为电力系统运行所可能发生的全部初始场景集合。
b)采用同步回带缩减法，基于距离最小原则对进行风电出力负荷、光伏出力负荷和可中断负荷的全部初始场景集合进行缩减：
①假设风电出力负荷的初始场景集合(或光伏出力负荷的初始场景集合或可中断负荷的初始场景集合)为Q＝{qi(t)|i＝1,2,…,S}，其中，qi(t)为第t时刻的风电出力负荷(或光伏出力负荷或可中断负荷)；t表示时间，单位为小时。定义场景qi(t)和qj(t)之间的距离为c(qi,qj)：
Figure BDA0003764921930000071
②对于每一风电出力负荷场景qi(t)(或光伏出力负荷场景或可中断负荷场景)，如果满足：
cs(qi,qh)＝min{c(qi,qj)} (4)
且qh∈Q，i≠h，则场景qh(t)记为在初始场景集合Q中与场景qi(t)距离最近的场景，其中，cs(qi,qh)为场景qi(t)与其距离最近的场景qh(t)之间的距离值。
③删除距离场景qi(t)最近的场景qh(t)，由保留下来的距离场景qh(t)最近的场景ql(t)代替。
④令K为预先设定的需删减的场景数量，进入步骤②，重复计算余下风电出力负荷的初始场景集合中与qi(t)最近的场景，并进行剔除、替换，直至缩减K个风电出力负荷场景(或光伏出力负荷场景或可中断负荷场景)。
⑤进入步骤①，将风电出力负荷的初始场景集合相应替换为光伏出力负荷的初始场景集合和可中断负荷的初始场景集合，进行上述步骤①至④的工作，对光伏出力负荷场景和可中断负荷场景进行缩减。
c)将缩减后的风电出力负荷、光伏出力负荷和可中断负荷的场景集合进行合并，形成所有不确定因素的场景集合。
据此，基于场景分析法将含有不确定性场景下的优化模型求解问题转变为多个确定性场景下的优化模型求解问题。
2.1.2.2)计算合并后的场景集合中各个场景发生的概率。
具体地，根据下述公式(5)计算合并后的场景集合中各个场景发生的发生概率：
p′j＝pj+∑h∈Jph (5)
其中，p′j为删除K个场景后，场景j的出现概率；场景h为已经被删除的且能够被场景j替代的场景；pi、pj为删除场景i前场景i和j的出现概率；J为所有能够被场景j所替代的被删减场景总数。
2.1.3)基于风电出力负荷、光伏出力负荷和可中断负荷的场景集合，确定考虑供需双侧不确定性的电网调度运行优化模型的目标函数。
具体地，电网运行价值包括运营收益与环境价值。利用随机规划理论，构建考虑供需双侧不确定性的电网调度运行优化模型的多目标函数：
2.1.3.1)确定包含风电出力负荷、光伏出力负荷和可中断负荷不确定性因素的电网运营收益目标函数：
Figure BDA0003764921930000081
其中，TRall为电网运营收益，单位为万元；Es为对所有场景的净收益取期望值；
Figure BDA0003764921930000082
为场景s下的售电收入，单位为万元；CIB,s为场景s下调用可中断负荷后电网企业对用户的经济补偿；CW,s为场景s下风电出力负荷购电成本；CPV,s为场景s下光伏出力负荷购电成本；CFI,s为场景s下火电购电成本；CCW,s为场景s下抽水蓄能运行成本，单位均为万元；s∈S，S为不确定因素的场景集合总数。
具体地，针对售电收入，考虑峰谷分时电价政策，电网运行的售电收入
Figure BDA0003764921930000083
为：
Figure BDA0003764921930000084
其中，ρp、ρf、ρv分别为执行峰谷电价后峰时段、平时段和谷时段的电价，单位为万元/MW；Tp、Tf、Tv分别为峰时段、平时段和谷时段；
Figure BDA0003764921930000085
为t时段初始可中断负荷；
Figure BDA0003764921930000086
为t时段调用可中断负荷资源进行负荷削减的状态，若在t时段对负荷削减指令进行响应，则
Figure BDA0003764921930000087
反之则
Figure BDA0003764921930000088
Figure BDA0003764921930000089
为t时段能够调用的可中断负荷，单位为MW。
具体地，成本费用CIB,为：
Figure BDA00037649219300000810
其中，ρIB为对按照计划进行负荷削减的用户进行的经济补偿价格。
具体地，风电出力负荷购电成本CW,s、光伏出力负荷购电成本CPV,和火电购电成本CFI,分别为：
Figure BDA00037649219300000811
Figure BDA00037649219300000812
Figure BDA00037649219300000813
其中，ρW、ρPV、ρFI分别为风电出力负荷、光伏出力负荷和火电的上网电价，单位为万元/MW；
Figure BDA00037649219300000814
为风电出力负荷在t时刻的出力负荷，
Figure BDA00037649219300000815
为光伏出力负荷在t时刻的出力负荷，
Figure BDA00037649219300000816
为火电在t时刻的出力负荷，单位均为MW。
具体地，抽水蓄能电站的运行成本主要为抽水成本，其与抽水泵运行状态、运行功率及抽水电价有关，即：
Figure BDA00037649219300000817
其中，
Figure BDA00037649219300000818
为t时刻的抽水电价；
Figure BDA00037649219300000819
为抽水泵的工作状态，
Figure BDA00037649219300000820
表示抽水泵处于工作状态，反之则为停止工作；
Figure BDA00037649219300000821
为单位时间内抽水系统的额定功率，单位为MW/h。
2.1.3.2)火电机组是电力系统中二氧化碳排放的主要来源，因此确定考虑系统运行的二氧化碳排放量目标函数：
Figure BDA0003764921930000091
其中，Cem为电网运行的二氧化碳排放量；
Figure BDA0003764921930000092
为火电机组单位发电量的二氧化碳排放量，单位为kg/MWh。
2.1.3.3)采用层析分析法，将步骤2.1.3.1)和2.1.3.2)中确定的两个目标函数进行整合，得到最终考虑供需双侧不确定性的电网调度运行优化模型的目标函数：
min ω1Cem-ω2TRall (14)
其中，ω1、ω2分别为二氧化碳排放量目标函数和电网运营收益目标函数的权重值，且ω1、ω2≥0，ω1+ω2＝1。
2.1.4)基于不确定性因素处理结果，确定考虑供需双侧不确定性的电网调度运行优化模型的约束条件：
2.1.4.1)确定考虑不同场景s下的功率平衡约束：
Figure BDA0003764921930000093
其中，
Figure BDA0003764921930000094
分别为风电出力负荷、光伏出力负荷和燃煤发电的厂用电率；
Figure BDA0003764921930000095
为场景s下t时段风电机组运行的状态变量，
Figure BDA0003764921930000096
表示t时段风电机组运行，
Figure BDA0003764921930000097
表示t时段风电机组停运；
Figure BDA0003764921930000098
为场景s下t时段光伏发电机组运行的状态变量，
Figure BDA0003764921930000099
表示t时段光伏发电机组运行，
Figure BDA00037649219300000910
表示t时段光伏发电机组停运；
Figure BDA00037649219300000911
为场景s下t时段火电机组运行状态，
Figure BDA00037649219300000912
表示t时段火电机组运行，
Figure BDA00037649219300000913
表示t时段火电机组停运；
Figure BDA00037649219300000914
为场景s下t时段抽水蓄能电站放电状态，
Figure BDA00037649219300000915
表示场景s下t时段抽水蓄能电站处于放电状态，
Figure BDA00037649219300000916
表示场景s下t时段抽水蓄能电站处于充电状态；
Figure BDA00037649219300000917
为t时刻的放电功率；
Figure BDA00037649219300000918
为t时刻的充电功率。
2.1.4.2)确定考虑风电出力负荷、光伏出力负荷的出力约束：
Figure BDA00037649219300000919
Figure BDA00037649219300000920
其中，
Figure BDA00037649219300000921
为风电出力负荷在t时刻的最大出力负荷，单位为MW；
Figure BDA00037649219300000922
为光伏出力负荷在t时刻的最大出力，单位为MW。
2.1.4.3)确定考虑火力发电的出力约束、爬坡约束和最小启停机时间约束：
Figure BDA00037649219300000923
Figure BDA00037649219300000924
Figure BDA0003764921930000101
Figure BDA0003764921930000102
其中，
Figure BDA0003764921930000103
为t-1时刻火电机组的运行状态；
Figure BDA0003764921930000104
GFI分别为火电的最大、最小发电输出功率，单位为MW/h；ΔGFI和
Figure BDA0003764921930000105
分别为火电的爬坡功率上下极限，单位为MW/h；
Figure BDA0003764921930000106
和
Figure BDA0003764921930000107
分别为机组在t-1时刻的连续运行时间和连续停机时间，单位为h；
Figure BDA0003764921930000108
和
Figure BDA0003764921930000109
为机组最短启动时间和最短停机时间，单位为h。
2.1.4.4)确定考虑可中断负荷的调用约束：
Figure BDA00037649219300001010
其中，
Figure BDA00037649219300001011
分别为t时刻电力系统调用可中断负荷可中断负荷的上、下限，单位为MW。
2.1.4.5)确定考虑抽水蓄能电站运行满足发电功率约束、工况状态约束和抽水储能约束：
Figure BDA00037649219300001012
Figure BDA00037649219300001013
抽水蓄能系统不能同时处于抽水和发电两种工作状态中，即：
Figure BDA00037649219300001014
其中，
Figure BDA00037649219300001015
分别为t时段内、t-1时段内上水库的水量，单位为m3；
Figure BDA00037649219300001016
Figure BDA00037649219300001017
为抽水蓄能系统上水库的最小水容量和最大水容量，单位为m3；
Figure BDA00037649219300001018
为抽水系统的工作状态，
Figure BDA00037649219300001019
表示抽水泵处于工作状态，反之则为停止工作；ηCWp为抽水时段的电能转换系数，单位为m3/MW；
Figure BDA00037649219300001020
为单位时间内抽水蓄能系统的抽水额定功率，单位为MW/h；Δt为t时段内的抽水蓄能系统运行时长，单位为小时；ηCWg为发电时段的电能转换系数，单位为m3/MW；
Figure BDA00037649219300001021
为t时刻的发电功率，单位为MW；
Figure BDA00037649219300001022
为单位时间内抽水储能系统的最大发电功率，单位为MW/h。
2.1.5)根据确定的目标函数和约束条件，构建考虑供需双侧不确定性的电网调度运行优化模型。
光伏发电机组光伏发电机组下面通过具体实施例详细说明本发明的考虑供需双侧不确定性的电网调度运行优化方法：
基于上述提到的电网运行价值包括运营收益与环境价值，进行建模，模型参数如下：该地区用户的峰谷分时电价水平，如表1所示。
表1：用户峰谷分时电价
Figure BDA00037649219300001023
Figure BDA0003764921930000111
风电出力负荷上网电价为390元/MWh，光伏出力负荷上网电价为650元/MWh，火电上网电价为220元/MWh，可中断负荷调用成本为580元/MWh。抽水蓄能电站的水库最大容量为300m3，最小容量为80m3，初始时上水库水量为100m3，抽水时段的电能转换系数为0.9m3/MW，工作额定功率为100MW；发电时段的电能转换系数1.2m3/MW，发电功率的上下限功率分别为50MW和150MW。为分析供需双侧不确定情况下的电网运行价值，本实施例提出四种模拟仿真情景：
情景1：基础情景，即仅考虑经济收益与需求侧不确定性的传统电网运行价值优化情景。针对需求侧不确定性，搜集该区域用户连续50天的可中断负荷历史数据，生成图3。假设每一场景的发生概率相同，均为0.02。采用MATLAB R2014a软件实现同步回带缩减法，将50个负荷场景削减至4个，如图4所示。经计算，四个负荷场景的发生概率分别为0.31、0.28、0.22和0.19。
情景2：供需双侧不确定性情景，考虑新型电力系统下供需双侧的不确定性，以经济收益最大化为目标进行电网运行价值优化的情景，即部分采用本发明的模拟分析结果。针对风光不确定性，基于历史数据模拟200天风速和光照强度的数据，生成图5和图7。假设每一场景的发生概率均等于0.005。采用同步回带缩减法将200个场景削减至4个，如图6和图8所示。经场景合成后计算得到，风电、光伏最大出力负荷的四个场景发生概率分别为0.34、0.23、0.14和0.29。
情景3：综合情景，考虑新型电力系统下供需双侧不确定性，采用层次分析法对经济收益目标与碳减排目标进行赋权组合，以此作为总目标进行电网运行价值优化的情景，即全部采用本发明的模拟分析结果。本实施例中假设电网运行中的二氧化碳碳排放量仅来自于火电，令火电机组单位电量所消耗的标煤量为360kg/MWh，单位标煤的二氧化碳排放量为0.68kg/kg标煤。采用环境治理成本来反映碳排放对电网运行价值的影响，取二氧化碳减排治理成本为0.88元/kg。所以火电机组单位发电量的二氧化碳排放价值为216元/MWh。火电机组的二氧化碳排放价值越小，系统运行效果越优。
按照层次分析法，判断标值取1～9之间的整数，值越大代表目标1相较于目标2越重要。基于区域电网运行实际需求，认为该区域电网运行价值中经济效益目标比碳减排目标重要，形成判断矩阵如下表2所示，经检验判断矩阵具有一致性，由此计算的权重值是合理可信的。继而求出特征矩阵为[0.75 0.25]r，最大特征根为2：
表2：目标函数的判断矩阵
目标/判断值 经济效益目标 碳减排目标
经济效益目标 1 1/3
碳减排目标 3 1
所以，综合情景下的电网调度运行优化模型的目标函数为：
min 0.25Cem-0.75TRall
根据上述情景参数设定，进行建模，计算不同情景下电网运行价值优化结果，并进行分析：
1、情景1运行价值优化结果
该情景主要用于分析传统电力系统中电网运行价值优化情景，为基准场景。本情景中以电网运行经济价值最大化为优化目标，得到电网调度运行优化结果，如图9所示。此情景中电网运行价值全部是经济收益，为297.29万元，其中风电调用总量为4466MWh，光伏出力负荷调用总量为631MWh，火电调用总量为9680MWh，抽水蓄能电站的抽水电量为398MWh、发电总量为260MWh，可中断负荷调用总量为474MWh。二氧化碳排放量为2370吨。假设用二氧化碳治理成本来量化电网运行排放价值，则情景1中的碳排放价值为209万元。
2、情景2运行价值优化结果
该情景主要用于供需双侧不确定性情景，以电网运行经济价值最大化为目标的调度优化情况。基于风电出力负荷和可中断负荷的场景划分，得到电网调度运行优化结果，如图10所示。此情景中电网运行价值全部是经济收益，为188.68万元，其中风电调用总量为5586MWh，光伏出力负荷调用总量为337MWh，火电调用总量为9315MWh，抽水蓄能电站的抽水电量为425MWh、发电总量为281MWh，可中断负荷调用总量为552MWh。二氧化碳排放量为2280吨。假设用二氧化碳治理成本来量化电网运行排放价值，情景2中的碳排放价值为201万元。
3、情景3运行价值优化结果
该情景主要用于供需双侧不确定性下，以电网运行经济价值最大化和碳排放价值最小为双重目标的调度优化情况。电网调度运行优化结果如图11所示。此情景中电网运行价值全部是经济收益，为226.92万元，其中风电出力负荷调用总量为5716MWh，光伏出力负荷调用总量为472MWh，火电调用总量为9154MWh，抽水蓄能电站的抽水电量为480MWh、发电总量为332MWh，可中断负荷调用总量为527MWh。情景3中的二氧化碳排放量为2241吨，碳排放价值为197万元。
上述仿真结果验证了本发明所构建的模型有效性与实用性。由仿真结果可知，供需双侧不确定环境下，电网运行的最优经济效益会下降，但引入电网碳排放目标后，不但电网运行的经济效益会有所增加，还会显著降低火电调用量，提升清洁能源消纳效率。
实施例2
本实施例提供一种电网调度运行优化系统，包括：
数据获取模块，用于获取待测区域电网中供给端和需求端的实际数据。
求解模块，用于将获取的实际数据输入至预先构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略。
在一个优选的实施例中，还包括模型构建模块，用于基于待测区域电网中供给端和需求端的历史实际数据，构建考虑供需双侧不确定性的电网调度运行优化模型。
本实施例提供的系统是用于执行上述各方法实施例，具体流程和详细内容请参照上述实施例，此处不再赘述。
实施例3
本实施例提供一种与本实施例1所提供的电网调度运行优化方法对应的处理设备，处理设备可以适用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的电网调度运行优化方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
实施例4
本实施例提供一种与本实施例1所提供的电网调度运行优化方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的电网调度运行优化方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，包括：
获取待测区域电网中供给端和需求端的实际数据；
将获取的实际数据输入至预先构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略。
2.如权利要求1所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述供给端包括风电机组、光伏发电机组和火电机组中的至少一个，所述需求端包括抽水蓄能系统和可中断负荷中的至少一个。
3.如权利要求2所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述考虑供需双侧不确定性的电网调度运行优化模型的构建过程为：
对供给端与需求端的不确定性因素进行特征提取，得到若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合；
基于风电出力负荷、光伏出力负荷和可中断负荷的场景集合，确定考虑供需双侧不确定性的电网调度运行优化模型的目标函数；
确定考虑供需双侧不确定性的电网调度运行优化模型的约束条件；
根据所述目标函数和所述约束条件，构建所述考虑供需双侧不确定性的电网调度运行优化模型。
4.如权利要求3所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述对供给端与需求端的不确定性因素进行特征提取，得到若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合，包括：
根据待测区域电网的风电出力负荷、光伏出力负荷和可中断负荷的历史实际数据，对供给端与需求端的不确定性因素进行特征提取，生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合并进行合并，形成所有不确定因素的场景集合。
5.如权利要求4所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述生成若干风电出力负荷、光伏出力负荷和可中断负荷的场景集合并进行合并，形成所有不确定因素的场景集合，包括：
基于气象数据和电力系统调度运行数据，获得待测区域电网的风速、光照辐射和可中断负荷的历史实际数据，并将风速和光照辐射转化为不同时刻下的风电出力负荷和光伏出力负荷，得到风电出力负荷、光伏出力负荷和可中断负荷可能发生的全部初始场景集合；
采用同步回带缩减法，基于距离最小原则对风电出力负荷、光伏出力负荷和可中断负荷的全部初始场景集合进行缩减；
将缩减后的风电出力负荷、光伏出力负荷和可中断负荷的场景集合进行合并，形成所有不确定因素的场景集合。
6.如权利要求3所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述考虑供需双侧不确定性的电网调度运行优化模型的目标函数为：
min ω1Cem-ω2TRall
其中，ω1、ω2分别为二氧化碳排放量目标函数和电网运营收益目标函数的权重值，且ω1、ω2≥0，ω1+ω2＝1；TRall为电网运营收益；Cem为电网运行的二氧化碳排放量。
7.如权利要求6所述的一种考虑供需双侧不确定性的电网调度运行优化方法，其特征在于，所述电网运营收益目标函数为：
Figure FDA0003764921920000021
其中，Es为对所有场景的净收益取期望值；
Figure FDA0003764921920000022
为场景s下的售电收入；CIB,s为场景s下调用可中断负荷后电网企业对用户的经济补偿；CW,s为场景s下风电购电成本；CPV,s为场景s下光伏出力负荷购电成本；CFI,s为场景s下火电购电成本；CCW,s为场景s下抽水蓄能运行成本；s∈S，S为不确定因素的场景集合总数；
所述二氧化碳排放量目标函数为：
Figure FDA0003764921920000023
其中，
Figure FDA0003764921920000024
为火电机组单位发电量的二氧化碳排放价值；
Figure FDA0003764921920000025
为火电在t时刻的出力负荷。
8.一种考虑供需双侧不确定性的电网调度运行优化系统，其特征在于，包括：
数据获取模块，用于获取待测区域电网中供给端和需求端的实际数据；
求解模块，用于将获取的实际数据输入至预先构建的考虑供需双侧不确定性的电网调度运行优化模型中，得到不同时段下供给端和需求端的最优出力负荷值，形成待测区域电网调度运行最优策略。
9.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的考虑供需双侧不确定性的电网调度运行优化方法对应的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的考虑供需双侧不确定性的电网调度运行优化方法对应的步骤。
CN202210882954.4A 2022-07-26 2022-07-26 考虑供需双侧不确定性的电网调度运行优化方法及系统 Pending CN115189420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210882954.4A CN115189420A (zh) 2022-07-26 2022-07-26 考虑供需双侧不确定性的电网调度运行优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210882954.4A CN115189420A (zh) 2022-07-26 2022-07-26 考虑供需双侧不确定性的电网调度运行优化方法及系统

Publications (1)

Publication Number Publication Date
CN115189420A true CN115189420A (zh) 2022-10-14

Family

ID=83522180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210882954.4A Pending CN115189420A (zh) 2022-07-26 2022-07-26 考虑供需双侧不确定性的电网调度运行优化方法及系统

Country Status (1)

Country Link
CN (1) CN115189420A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592524A (zh) * 2021-06-04 2021-11-02 国电南瑞科技股份有限公司 基于微观机组参数的碳市场基本供需确定方法及系统
CN115800276A (zh) * 2023-02-09 2023-03-14 四川大学 一种考虑机组爬坡的电力系统应急调度方法
CN117937486A (zh) * 2024-03-21 2024-04-26 中石油深圳新能源研究院有限公司 电网管理方法、装置、设备以及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592524A (zh) * 2021-06-04 2021-11-02 国电南瑞科技股份有限公司 基于微观机组参数的碳市场基本供需确定方法及系统
CN113592524B (zh) * 2021-06-04 2024-03-22 国电南瑞科技股份有限公司 基于微观机组参数的碳市场基本供需确定方法及系统
CN115800276A (zh) * 2023-02-09 2023-03-14 四川大学 一种考虑机组爬坡的电力系统应急调度方法
CN117937486A (zh) * 2024-03-21 2024-04-26 中石油深圳新能源研究院有限公司 电网管理方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
Yin et al. Day-ahead stochastic coordinated scheduling for thermal-hydro-wind-photovoltaic systems
Nojavan et al. Optimal bidding and offering strategies of merchant compressed air energy storage in deregulated electricity market using robust optimization approach
Alharbi et al. Stochastic optimal planning of battery energy storage systems for isolated microgrids
CN110717688B (zh) 考虑新能源出力不确定性的水风光短期联合优化调度方法
Catalao et al. Scheduling of head-sensitive cascaded hydro systems: A nonlinear approach
CN115189420A (zh) 考虑供需双侧不确定性的电网调度运行优化方法及系统
CN111555281B (zh) 一种电力系统灵活性资源配置仿真方法及装置
CN108898282A (zh) 数据中心资源优化调度方法及计算机存储介质
Aburub et al. On the use of adjustable-speed pumped hydro storage operation in the US electricity market
Daneshvar et al. Short term optimal hydro-thermal scheduling of the transmission system equipped with pumped storage in the competitive environment
CN108648096A (zh) 一种基于全寿命周期成本理论的抽水蓄能电站容量规划方法
Abdalla et al. Generation expansion planning considering unit commitment constraints and data‐driven robust optimization under uncertainties
Toh et al. Incorporating forecast uncertainties into EENS for wind turbine studies
Sridhar et al. Energy storage integration with run of river power plants to mitigate operational environmental constraints: Case study of Sweden
CN112491080A (zh) 一种新能源装机布局规划方法和系统
Ye et al. Stochastic scheduling of integrated electricity-heat-hydrogen systems considering power-to-hydrogen and wind power
CN115189409A (zh) 电力系统生产模拟方法、装置、计算机设备及存储介质
Lu et al. Stochastic optimal scheduling of wind power and pumped-storage hydropower complementary systems with multiple uncertainties
CN114764652A (zh) 一种考虑中长期调度的多周期协调电力平衡系统及方法
CN110571861B (zh) 一种发电机组的输出电量的确定方法及装置
Hou et al. Optimization method of wind power consumption based on thermal storage tanks against the background of stepped carbon trading
Zhang et al. Algorithm on optimal wind power capacity using peak load regulation restraints
Zhang et al. Frequency-constrained expansion planning for wind and photovoltaic power in wind-photovoltaic-hydro-thermal multi-power system
CN115879330B (zh) 基于时序生产仿真的多能源电源多点布局确定方法和装置
Ramya et al. Solution of stochastic economic dispatch problem using modified PSO algorithm

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