CN115438964A - 一种输电网随机规划方法、设备及存储介质 - Google Patents

一种输电网随机规划方法、设备及存储介质 Download PDF

Info

Publication number
CN115438964A
CN115438964A CN202211085245.XA CN202211085245A CN115438964A CN 115438964 A CN115438964 A CN 115438964A CN 202211085245 A CN202211085245 A CN 202211085245A CN 115438964 A CN115438964 A CN 115438964A
Authority
CN
China
Prior art keywords
data center
power
scene
line
planning
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
CN202211085245.XA
Other languages
English (en)
Inventor
高赐威
王旭东
宋梦
张文翰
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202211085245.XA priority Critical patent/CN115438964A/zh
Publication of CN115438964A publication Critical patent/CN115438964A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • 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
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/02—Data centres
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

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

Abstract

本发明提供一种输电网随机规划方法、设备及存储介质，涉及电力系统及其自动化领域。该输电网随机规划方法，该方法包括对节点负荷量、数据中心工作负载量和输电线路可用性等不确定因素进行建模；建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案；基于Benders分解求解规划问题，电网和数据中心交互数据中心功率和Benders割集，自身优化、不断迭代获得问题的最优解。该方法以电网的投资成本、运行成本和数据中心的负载调度成本之和最小为目标，决策输电线路的最优规划方案，有效保护了电网和数据中心的信息隐私，可充分利用数据中心负荷的空间转移能力降低电网规划的总成本，提升规划的可靠性、经济性。

Description

一种输电网随机规划方法、设备及存储介质
技术领域
本发明涉及电力系统及其自动化技术领域，具体为一种输电网随机规划方法、设备及存储介质。
背景技术
众多学者对输电网规划问题进行研究，涉及网络潮流模型、安全和可靠性标准、不确定性分析、电力市场因素、规划求解算法等方面，随着能源结构的低碳转型，风电等可再生能源在电力系统的占比不断提高，如何在电网规划过程中处理可再生能源的随机性和波动性，提升可再生能源的消纳水平，正得到越来越多的学者的关注。需求侧的灵活资源可以响应电网的价格或激励信号，主动调节负荷以维持系统的供需平衡，对于平抑可再生能源出力的波动、延缓输变电设备投资具有重要作用，将需求侧资源纳入电网规划过程能够有效提升规划的可靠性、经济性。
数据中心负荷体量庞大、增长迅猛，是一种潜力巨大的需求响应资源。大型互联网公司常在多个地区建有数据中心，彼此之间通过光纤链路实现数据互联，区别于空调等柔性资源仅能够在时间上转移电负荷，互联数据中心可以借助工作负载调度达成时间和空间维度的负荷转移。目前仅有少部分文献在电网规划过程中考虑数据中心负荷的灵活调节能力，但未考虑常规负荷、数据中心工作负载量随机性等不确定因素。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种输电网随机规划方法、设备及存储介质，以电网的投资成本、运行成本和数据中心的负载调度成本之和最小为目标，决策输电线路的最优规划方案，有效保护了电网和数据中心的信息隐私，可充分利用数据中心负荷的空间转移能力降低电网规划的总成本，提升规划的可靠性、经济性。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一方面，提供了一种输电网随机规划方法，该方法包括：对节点负荷量的不确定性、数据中心工作负载量的不确定性、风电机组出力的不确定性以及设备可用性的不确定性进行建模；
建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案；
基于Benders分解求解规划问题，电网和数据中心交互数据中心功率和Benders割集，自身优化、不断迭代获得问题的最优解。
优选的，所述对节点负荷量的不确定性进行建模具体为
Figure BDA0003834723390000021
其中，
Figure BDA0003834723390000022
为节点n的峰值负荷；
Figure BDA0003834723390000023
为节点n的峰值负荷的均值；
Figure BDA0003834723390000024
为节点n的峰值负荷的标准差。
优选的，所述对数据中心工作负载量的不确定性进行建模具体为
Figure BDA0003834723390000025
其中，L为前端代理δ的峰值工作负载到达速率；Lδ为前端代理δ的峰值工作负载到达速率的均值；Lδ为前端代理δ的峰值工作负载到达速率的标准差。
优选的，所述对风电机组出力的不确定性进行建模具体为
Figure BDA0003834723390000026
其中，v为风速；k>0为形状参数，c>0为比例参数，二者可根据风电场的历史风速数据进行估计；
风机出力与风速的关系如下
Figure BDA0003834723390000031
其中，pWT,r为风机的额定功率；vr为风机的额定风速；vci和vco分别为风机的切入风速和切出风速。
优选的，所述对设备可用性的不确定性进行建模具体为
Figure BDA0003834723390000032
其中，v为设备的运行状态，取1表示正常工作，取0表示故障停运；P(v)为设备处于v状态的概率；pFOR为设备的强迫停运率。
优选的，所述建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案包括确定规划模型的目标函数和确定规划模型的约束条件。
优选的，所述确定规划模型的目标函数具体为
考虑静态电网规划，含数据中心的电网随机规划模型的目标为规划总成本最小：
min C＝Cinv+Cgen+Ccur+Caba+CDC
Figure BDA0003834723390000033
Figure BDA0003834723390000034
Figure BDA0003834723390000035
其中，Cinv为等年值的线路投资成本；ΩC为候选线路集合；cl为线路l的单位造价；
Figure BDA0003834723390000036
为线路l最大传输功率；rl为线路l的长度；xl为线路l的投建状态，取1表示线路投建，取0表示线路不投建；i0为资金基准折现率；m为线路投资分摊的年限；Cgen为发电成本；Φ为不确定性场景集合；ρs为场景s发生的概率；T为划分的时段集合；τt为t时段的持续时间；Γ为常规发电机组集合；
Figure BDA0003834723390000041
为发电机组g的边际发电成本；
Figure BDA0003834723390000042
为场景s中发电机组g在t时段的出力；Ccur为切负荷惩罚成本；N为电网节点集合；
Figure BDA0003834723390000043
为场景s中节点n在t时段的切负荷量；κcur为单位切负荷的惩罚成本；Caba为弃风惩罚成本；Ψ为风电机组集合；
Figure BDA0003834723390000044
为场景s中风电机组w在t时段的弃风量；κaba为单位弃风的惩罚成本；CDC为额外的工作负载调度成本；Δ为前端代理集合；Ξ为数据中心集合；σ为工作负载由前端代理δ传输到数据中心ξ的带宽成本系数；
Figure BDA0003834723390000045
Figure BDA0003834723390000046
为电网调度前，场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；
Figure BDA0003834723390000047
为场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；max(α,β)为α和β中的较大者。
优选的，所述确定规划模型的约束条件具体包括：
候选线路的投建状态约束：
Figure BDA0003834723390000048
电网的运行约束：
节点功率平衡约束
Figure BDA0003834723390000049
其中，Γn、Ψn、Ξn分别为节点n上的常规发电机组集合、风电机组集合、数据中心集合；
Figure BDA00038347233900000410
为场景s中风电机组w在t时段的出力；
Figure BDA00038347233900000411
为场景s中风电机组w的运行状态，取1表示正常工作，取0表示故障停运；
Figure BDA00038347233900000412
为场景s节点n在t时段的负荷；
Figure BDA00038347233900000413
为场景s中数据中心ξ在t时段的功率；s(l)和d(l)分别为线路l的起始和终止节点；
Figure BDA00038347233900000414
为场景s中线路l在t时段传输的功率；
已有线路的潮流约束
Figure BDA0003834723390000051
其中，ΩE为已有线路集合；Bl为线路l的电纳值(取绝对值)；
Figure BDA0003834723390000052
和θ分别为场景s中线路l的起始和终止节点在t时段的相角；vl,s为场景s中线路l的运行状态，取1表示正常工作，取0表示故障停运；
候选线路的潮流约束
Figure BDA0003834723390000053
Figure BDA0003834723390000054
其中，M为一个很大的正数；
已有线路的容量约束
Figure BDA0003834723390000055
候选线路的容量约束
Figure BDA0003834723390000056
发电机组出力约束
Figure BDA0003834723390000057
其中，
Figure BDA0003834723390000058
为发电机组g的最大出力；
Figure BDA0003834723390000059
为场景s中发电机组g的运行状态，取1表示正常工作，取0表示故障停运；
切负荷量约束
Figure BDA00038347233900000510
系统可靠性约束
Figure BDA00038347233900000511
其中，REENS,max为系统EENS的最大值；
弃风量约束
Figure BDA00038347233900000512
平衡节点相角约束
Figure BDA00038347233900000513
其中，
Figure BDA00038347233900000514
为场景s中平衡节点在t时段的相角；
数据中心的运行约束：
服务器的平均CPU利用率
Figure BDA00038347233900000515
其中，
Figure BDA0003834723390000061
为场景s中数据中心ξ在t时段的活跃服务器数量；μξ为数据中心ξ内服务器处理工作负载的平均服务速率；
服务器的总功率
Figure BDA0003834723390000062
其中，pξ和pξ分别为数据中心ξ的活跃服务器的空闲和满载功率；
数据中心的总功率
Figure BDA0003834723390000063
其中，a和b为数据中心ξ的功率系数；
工作负载平衡约束
Figure BDA0003834723390000064
其中，
Figure BDA0003834723390000065
为场景s中前端代理δ在t时段的工作负载的平均到达速率；
工作负载处理延迟约束
Figure BDA0003834723390000066
Figure BDA0003834723390000067
其中，D为工作负载的最大延迟时间；
工作负载量约束
Figure BDA0003834723390000068
活跃服务器数量约束
Figure BDA0003834723390000069
其中，Mξ为数据中心ξ内的服务器总数量。
再一方面，提供了一种设备，所述设备包括：
至少一个处理器；
存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的一种输电网随机规划方法。
又一方面，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存储有执行上述的一种输电网随机规划方法的计算机程序。
(三)有益效果
本发明一种输电网随机规划方法、设备及存储介质，提供的方法以电网的投资成本、运行成本和数据中心的负载调度成本之和最小为目标，决策输电线路的最优规划方案，有效保护了电网和数据中心的信息隐私，可充分利用数据中心负荷的空间转移能力降低电网规划的总成本，提升规划的可靠性、经济性。
附图说明
图1为本发明方法流程图；
图2为本发明实施例中Benders分解算法的总体流程图。
具体实施方式
下面将结合本发明的附图，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，都属于本发明保护的范围。
实施例
如图1-2所示，本发明实施例提供一种输电网随机规划方法，该方法包括以下步骤：
(1)对节点负荷量、数据中心工作负载量、可再生能源出力、发电机组和输电线路可用性等不确定因素进行建模；
(2)建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案；
(3)基于Benders分解求解规划问题，电网和数据中心交互数据中心功率和Benders割集，自身优化、不断迭代获得问题的最优解。
具体的，所述步骤(1)中，对节点负荷量、数据中心工作负载量、可再生能源出力、发电机组和输电线路可用性等不确定因素进行建模，具体为：
(1-1)节点负荷量的不确定性
电网对未来负荷的预测存在误差，假设节点负荷量服从正态分布，如下式所示：
Figure BDA0003834723390000081
其中：
Figure BDA0003834723390000082
为节点n的峰值负荷；
Figure BDA0003834723390000083
为节点n的峰值负荷的均值；
Figure BDA0003834723390000084
为节点n的峰值负荷的标准差。
(1-2)数据中心工作负载量的不确定性
受到业务增长、预测方法等的影响，数据中心运营商对未来工作负载量的预测存在误差，假设工作负载量服从正态分布，如下式所示：
Figure BDA0003834723390000085
其中：L为前端代理δ的峰值工作负载到达速率；Lδ为前端代理δ的峰值工作负载到达速率的均值；Lδ为前端代理δ的峰值工作负载到达速率的标准差。
(1-3)风电机组出力的不确定性
通常认为风速服从Weibull分布，其概率密度函数为：
Figure BDA0003834723390000086
其中：v为风速；k>0为形状参数，c>0为比例参数，二者可根据风电场的历史风速数据进行估计。风机出力与风速的关系如下：
Figure BDA0003834723390000091
其中：pWT,r为风机的额定功率；vr为风机的额定风速；vci和vco分别为风机的切入风速和切出风速。
(1-4)设备可用性的不确定性
风电机组、常规发电机组、输电线路均有可能因故障而停运，假设这些设备的可用性服从0-1分布，如下式所示：
Figure BDA0003834723390000092
其中：v为设备的运行状态，取1表示正常工作，取0表示故障停运；P(v)为设备处于v状态的概率；pFOR为设备的强迫停运率。
根据各种不确定因素的概率分布，随机抽样生成多组不确定性场景，并基于蒙特卡洛模拟进行多场景的电网规划分析。其中，抽样方法采用拉丁超立方抽样，它可以保证抽样值覆盖整个样本空间，削减必要的场景数量。
具体的，所述步骤(2)中，建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案，具体为：
(2-1)确定规划模型的目标函数
考虑静态电网规划，含数据中心的电网随机规划模型的目标为规划总成本最小：
min C＝Cinv+Cgen+Ccur+Caba+CDC (6)
①等年值的线路投资成本
Figure BDA0003834723390000093
其中：ΩC为候选线路集合；cl为线路l的单位造价；
Figure BDA0003834723390000101
为线路l最大传输功率；rl为线路l的长度；xl为线路l的投建状态，取1表示线路投建，取0表示线路不投建；i0为资金基准折现率；m为线路投资分摊的年限。
②发电成本
Figure BDA0003834723390000102
其中：Φ为不确定性场景集合；ρs为场景s发生的概率；T为划分的时段集合；τt为t时段的持续时间；Γ为常规发电机组集合；
Figure BDA0003834723390000103
为发电机组g的边际发电成本；
Figure BDA0003834723390000104
为场景s中发电机组g在t时段的出力。
③切负荷惩罚成本
Figure BDA0003834723390000105
其中：N为电网节点集合；
Figure BDA0003834723390000106
为场景s中节点n在t时段的切负荷量；κcur为单位切负荷的惩罚成本。
④弃风惩罚成本
Figure BDA0003834723390000107
其中：Ψ为风电机组集合；
Figure BDA0003834723390000108
为场景s中风电机组w在t时段的弃风量；κaba为单位弃风的惩罚成本。
⑤额外的工作负载调度成本
工作负载由前端代理传输到数据中心时会产生带宽成本，常建模为传输的工作负载量的线性函数，电网调度工作负载需向数据中心支付的额外带宽成本如下式所示：
Figure BDA0003834723390000109
其中：Δ为前端代理集合；Ξ为数据中心集合；σ为工作负载由前端代理δ传输到数据中心ξ的带宽成本系数；
Figure BDA0003834723390000111
为电网调度前，场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；
Figure BDA0003834723390000112
为场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；max(α,β)为α和β中的较大者。
(2-2)确定规划模型的约束条件
含数据中心的电网随机规划模型的约束条件包括候选线路的投建状态约束、电网的运行约束、数据中心的运行约束。
①候选线路的投建状态约束
Figure BDA0003834723390000113
②电网的运行约束
电网运行约束包括节点功率平衡约束、已有线路潮流约束、候选线路潮流约束、已有线路容量约束、候选线路容量约束、发电机组出力约束、切负荷量约束、系统可靠性约束、弃风量约束、平衡节点相角约束。
A、节点功率平衡约束
考虑弃风、切负荷情况后，各节点功率应保持供需平衡：
Figure BDA0003834723390000114
其中：Γn、Ψn、Ξn分别为节点n上的常规发电机组集合、风电机组集合、数据中心集合；
Figure BDA0003834723390000115
为场景s中风电机组w在t时段的出力；
Figure BDA0003834723390000116
为场景s中风电机组w的运行状态，取1表示正常工作，取0表示故障停运；
Figure BDA0003834723390000117
为场景s节点n在t时段的负荷；
Figure BDA0003834723390000118
为场景s中数据中心ξ在t时段的功率；s(l)和d(l)分别为线路l的起始和终止节点；
Figure BDA0003834723390000119
为场景s中线路l在t时段传输的功率。
B、已有线路的潮流约束
Figure BDA00038347233900001212
其中：ΩE为已有线路集合；Bl为线路l的电纳值(取绝对值)；
Figure BDA0003834723390000121
和
Figure BDA0003834723390000122
分别为场景s中线路l的起始和终止节点在t时段的相角；vl,s为场景s中线路l的运行状态，取1表示正常工作，取0表示故障停运。
C、候选线路的潮流约束
Figure BDA0003834723390000123
式(15)含有决策变量的乘积，可使用大M法转换为线性形式：
Figure BDA0003834723390000124
其中：M为一个很大的正数。
D、已有线路的容量约束
Figure BDA0003834723390000125
E、候选线路的容量约束
Figure BDA0003834723390000126
F、发电机组出力约束
Figure BDA0003834723390000127
其中：
Figure BDA0003834723390000128
为发电机组g的最大出力；
Figure BDA0003834723390000129
为场景s中发电机组g的运行状态，取1表示正常工作，取0表示故障停运。
G、切负荷量约束
Figure BDA00038347233900001210
H、系统可靠性约束
以电量不足期望值作为系统的可靠性评价指标，需满足以下约束：
Figure BDA00038347233900001211
其中：REENS,max为系统EENS的最大值。
I、弃风量约束
Figure BDA0003834723390000131
J、平衡节点相角约束
Figure BDA0003834723390000132
其中：
Figure BDA0003834723390000133
为场景s中平衡节点在t时段的相角。
③数据中心的运行约束
数据中心的运行约束包括数据中心的用电功率、工作负载平衡约束、工作负载处理延迟约束、工作负载量约束、活跃服务器数量约束。
A、数据中心的用电功率
假设数据中心内所有服务器是同质的，则服务器的平均CPU利用率可计算为：
Figure BDA0003834723390000134
其中：
Figure BDA0003834723390000135
为场景s中数据中心ξ在t时段的活跃服务器数量；μξ为数据中心ξ内服务器处理工作负载的平均服务速率。
数据中心的服务器功率与CPU利用率呈线性关系，因此，服务器的总功率可表示如下：
Figure BDA0003834723390000136
其中：pξ和pξ分别为数据中心ξ的活跃服务器的空闲和满载功率。
数据中心的总功率可表示为：
Figure BDA0003834723390000141
其中：a和b为数据中心ξ的功率系数。
B、工作负载平衡约束
到达前端代理的工作负载应全部分配到数据中心内处理，如下式所示：
Figure BDA0003834723390000142
其中：
Figure BDA0003834723390000143
为场景s中前端代理δ在t时段的工作负载的平均到达速率。
C、工作负载处理延迟约束
根据M/M/1排队模型计算工作负载的处理延迟时间，需满足如下约束：
Figure BDA0003834723390000144
其中：D为工作负载的最大延迟时间。
将式(28)转换为线性形式，可得下式：
Figure BDA0003834723390000145
D、工作负载量约束
Figure BDA0003834723390000146
E、活跃服务器数量约束
Figure BDA0003834723390000147
其中：Mξ为数据中心ξ内的服务器总数量。
具体的，所述步骤(3)中，基于Benders分解求解规划问题，电网和数据中心交互数据中心功率和Benders割集，自身优化、不断迭代获得问题的最优解，具体为：
采用Benders分解求解含数据中心的电网随机规划模型，电网不需要向数据中心提供网架结构、机组和负荷的参数等信息，数据中心也不需要向电网提供服务器数量、工作负载到达速率等信息，二者只需要交互数据中心功率和Benders割集即可对模型进行求解，有效保护了电网和数据中心的隐私信息。
(3-1)主问题：电网的投资和运行优化
Benders分解的主问题为电网的投资和运行优化，用于确定输电线路的规划方案和机组出力、切负荷量、弃风量、网络潮流等电网运行状态，如下式所示：
Figure BDA0003834723390000151
其中：ηt,s为引入的辅助变量。
求解主问题可以获得问题(6)的下界：
Figure BDA0003834723390000152
其中：CMP为主问题的最优解；Cinv、Cgen、Ccur、Caba分别为等年值线路投资成本、发电成本、切负荷惩罚成本、弃风惩罚成本的最优值；
Figure BDA0003834723390000153
为辅助变量的最优值。
(3-2)子问题：数据中心的运行优化
Benders分解的子问题为数据中心的运行优化，用于确定工作负载的分配策略和活跃服务器数量等数据中心运行状态。由于每种不确定性场景中每个时段的数据中心运行优化是相互独立的，为了加快Benders分解的收敛过程，采用多割集方法，将场景s中t时段的数据中心运行优化都作为一个子问题，依次求解每个子问题并向主问题添加割集，如下式所示：
Figure BDA0003834723390000161
其中：
Figure BDA0003834723390000162
为主问题求得的数据中心用电功率的最优值；
Figure BDA0003834723390000163
为约束的对偶变量。
①若子问题(34)有最优解，生成主问题的最优割集：
Figure BDA0003834723390000164
其中：
Figure BDA0003834723390000165
为子问题的最优解；
Figure BDA0003834723390000166
为对偶变量的最优值。
②若子问题(34)无解，引入数据中心用电功率的不平衡量，求解如下问题：
Figure BDA0003834723390000167
其中：
Figure BDA0003834723390000168
和
Figure BDA0003834723390000169
为数据中心用电功率的不平衡量。由此可生成主问题的可行性割集：
Figure BDA00038347233900001610
其中：
Figure BDA00038347233900001611
为功率不平衡问题的最优解。
③若所有子问题均有最优解，可以获得问题(6)的上界：
Figure BDA00038347233900001612
当问题(6)的下界和上界相等时，Benders算法收敛。实际应用中，迭代终止条件可以设置为：
CUB-CLB≤ε (39)
其中：ε为Benders分解的误差界限。
(3-3)Benders分解的算法流程
步骤1：初始化系统参数。问题(6)的下界CLB＝-∞，问题(6)的上界CUB＝+∞，设置Benders分解的误差界限ε，迭代次数i置0。
步骤2：电网求解投资和运行主问题(32)，按式(33)计算问题(6)的下界CLB。
步骤3：对每种不确定性场景中的每个时段，根据主问题求得的数据中心用电功率最优值
Figure BDA0003834723390000171
数据中心求解运行子问题(34)。如果子问题有最优解，将最优割集(35)添加到主问题；否则，求解功率不平衡问题(36)，将可行性割集(37)添加到主问题。
步骤4：判断是否满足所有子问题均有最优解。若满足，按式(38)计算问题(6)的上界CUB；否则，i←i+1，跳转至步骤2。
步骤5：判断是否满足式(39)的迭代终止条件。如果满足，输出最优规划方案；否则，i←i+1，跳转至步骤2。
本发明再一实施例，提供了一种设备，所述设备包括：
至少一个处理器；
存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的一种输电网随机规划方法。
本发明又一实施例，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存储有执行上述的一种输电网随机规划方法的计算机程序
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种输电网随机规划方法，其特征在于，所述方法包括：
对节点负荷量的不确定性、数据中心工作负载量的不确定性、风电机组出力的不确定性以及设备可用性的不确定性进行建模；
建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案；
基于Benders分解求解规划问题，电网和数据中心交互数据中心功率和Benders割集，自身优化、不断迭代获得问题的最优解。
2.根据权利要求1所述的一种输电网随机规划方法，其特征在于：所述对节点负荷量的不确定性进行建模具体为
Figure FDA0003834723380000011
其中，
Figure FDA0003834723380000016
为节点n的峰值负荷；
Figure FDA0003834723380000012
为节点n的峰值负荷的均值；
Figure FDA0003834723380000013
为节点n的峰值负荷的标准差。
3.根据权利要求1所述的一种输电网随机规划方法，其特征在于：所述对数据中心工作负载量的不确定性进行建模具体为
Figure FDA0003834723380000014
其中，L为前端代理δ的峰值工作负载到达速率；Lδ为前端代理δ的峰值工作负载到达速率的均值；Lδ为前端代理δ的峰值工作负载到达速率的标准差。
4.根据权利要求1所述的一种输电网随机规划方法，其特征在于：所述对风电机组出力的不确定性进行建模具体为
Figure FDA0003834723380000015
其中，v为风速；k>0为形状参数，c>0为比例参数，二者可根据风电场的历史风速数据进行估计；
风机出力与风速的关系如下
Figure FDA0003834723380000021
其中，pWT,r为风机的额定功率；vr为风机的额定风速；vci和vco分别为风机的切入风速和切出风速。
5.根据权利要求1所述的一种输电网随机规划方法，其特征在于：所述对设备可用性的不确定性进行建模具体为
Figure FDA0003834723380000022
其中，v为设备的运行状态，取1表示正常工作，取0表示故障停运；P(v)为设备处于v状态的概率；pFOR为设备的强迫停运率。
6.根据权利要求1所述的一种输电网随机规划方法，其特征在于：所述建立含数据中心的电网随机规划模型，模型的最优解为输电线路的最优扩建方案包括确定规划模型的目标函数和确定规划模型的约束条件。
7.根据权利要求6所述的一种输电网随机规划方法，其特征在于：所述确定规划模型的目标函数具体为
考虑静态电网规划，含数据中心的电网随机规划模型的目标为规划总成本最小：
minC＝Cinv+Cgen+Ccur+Caba+CDC
Figure FDA0003834723380000023
Figure FDA0003834723380000024
Figure FDA0003834723380000025
其中，Cinv为等年值的线路投资成本；ΩC为候选线路集合；cl为线路l的单位造价；
Figure FDA0003834723380000031
为线路l最大传输功率；rl为线路l的长度；xl为线路l的投建状态，取1表示线路投建，取0表示线路不投建；i0为资金基准折现率；m为线路投资分摊的年限；Cgen为发电成本；Φ为不确定性场景集合；ρs为场景s发生的概率；T为划分的时段集合；τt为t时段的持续时间；Γ为常规发电机组集合；
Figure FDA0003834723380000032
为发电机组g的边际发电成本；
Figure FDA0003834723380000033
为场景s中发电机组g在t时段的出力；Ccur为切负荷惩罚成本；N为电网节点集合；
Figure FDA0003834723380000034
为场景s中节点n在t时段的切负荷量；κcur为单位切负荷的惩罚成本；Caba为弃风惩罚成本；Ψ为风电机组集合；
Figure FDA0003834723380000035
为场景s中风电机组w在t时段的弃风量；κaba为单位弃风的惩罚成本；CDC为额外的工作负载调度成本；Δ为前端代理集合；Ξ为数据中心集合；σ为工作负载由前端代理δ传输到数据中心ξ的带宽成本系数；λ
Figure FDA0003834723380000036
为电网调度前，场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；
Figure FDA0003834723380000037
为场景s中数据中心ξ在t时段来自前端代理δ的工作负载的平均到达速率；max(α,β)为α和β中的较大者。
8.根据权利要求6所述的一种输电网随机规划方法，其特征在于：所述确定规划模型的约束条件具体包括：
候选线路的投建状态约束：
Figure FDA0003834723380000038
电网的运行约束：
节点功率平衡约束
Figure FDA0003834723380000039
其中，Γn、Ψn、Ξn分别为节点n上的常规发电机组集合、风电机组集合、数据中心集合；
Figure FDA0003834723380000041
为场景s中风电机组w在t时段的出力；
Figure FDA0003834723380000042
为场景s中风电机组w的运行状态，取1表示正常工作，取0表示故障停运；
Figure FDA0003834723380000043
为场景s节点n在t时段的负荷；
Figure FDA0003834723380000044
为场景s中数据中心ξ在t时段的功率；s(l)和d(l)分别为线路l的起始和终止节点；
Figure FDA0003834723380000045
为场景s中线路l在t时段传输的功率；
已有线路的潮流约束
Figure FDA0003834723380000046
其中，ΩE为已有线路集合；Bl为线路l的电纳值(取绝对值)；
Figure FDA0003834723380000047
和θ分别为场景s中线路l的起始和终止节点在t时段的相角；vl,s为场景s中线路l的运行状态，取1表示正常工作，取0表示故障停运；
候选线路的潮流约束
Figure FDA0003834723380000048
Figure FDA0003834723380000049
其中，M为一个很大的正数；
已有线路的容量约束
Figure FDA00038347233800000410
候选线路的容量约束
Figure FDA00038347233800000411
发电机组出力约束
Figure FDA00038347233800000412
其中，
Figure FDA00038347233800000413
为发电机组g的最大出力；
Figure FDA00038347233800000414
为场景s中发电机组g的运行状态，取1表示正常工作，取0表示故障停运；
切负荷量约束
Figure FDA00038347233800000415
系统可靠性约束
Figure FDA00038347233800000416
其中，REENS,max为系统EENS的最大值；
弃风量约束
Figure FDA00038347233800000417
平衡节点相角约束
Figure FDA00038347233800000418
其中，
Figure FDA0003834723380000051
为场景s中平衡节点在t时段的相角；
数据中心的运行约束：
服务器的平均CPU利用率
Figure FDA0003834723380000052
其中，
Figure FDA0003834723380000053
为场景s中数据中心ξ在t时段的活跃服务器数量；μξ为数据中心ξ内服务器处理工作负载的平均服务速率；
服务器的总功率
Figure FDA0003834723380000054
其中，pξ和pξ分别为数据中心ξ的活跃服务器的空闲和满载功率；
数据中心的总功率
Figure FDA0003834723380000055
其中，a和b为数据中心ξ的功率系数；
工作负载平衡约束
Figure FDA0003834723380000056
其中，
Figure FDA0003834723380000057
为场景s中前端代理δ在t时段的工作负载的平均到达速率；
工作负载处理延迟约束
Figure FDA0003834723380000058
Figure FDA0003834723380000059
其中，D为工作负载的最大延迟时间；
工作负载量约束
Figure FDA00038347233800000510
活跃服务器数量约束
Figure FDA0003834723380000061
其中，Mξ为数据中心ξ内的服务器总数量。
9.一种设备，其特征在于，所述设备包括：
至少一个处理器；
存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一所述的一种输电网随机规划方法。
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存储有执行权利要求1-8任一所述的一种输电网随机规划方法的计算机程序。
CN202211085245.XA 2022-09-06 2022-09-06 一种输电网随机规划方法、设备及存储介质 Pending CN115438964A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211085245.XA CN115438964A (zh) 2022-09-06 2022-09-06 一种输电网随机规划方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211085245.XA CN115438964A (zh) 2022-09-06 2022-09-06 一种输电网随机规划方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115438964A true CN115438964A (zh) 2022-12-06

Family

ID=84246699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211085245.XA Pending CN115438964A (zh) 2022-09-06 2022-09-06 一种输电网随机规划方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115438964A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611192A (zh) * 2023-05-22 2023-08-18 上海交通大学 一种计及运行风险的柔性配电网随机扩展规划方法及系统
CN117094537A (zh) * 2023-10-19 2023-11-21 国网浙江省电力有限公司丽水供电公司 电网规划方法、装置、电子设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611192A (zh) * 2023-05-22 2023-08-18 上海交通大学 一种计及运行风险的柔性配电网随机扩展规划方法及系统
CN117094537A (zh) * 2023-10-19 2023-11-21 国网浙江省电力有限公司丽水供电公司 电网规划方法、装置、电子设备和存储介质
CN117094537B (zh) * 2023-10-19 2024-01-05 国网浙江省电力有限公司丽水供电公司 电网规划方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN106874630B (zh) 基于电量消纳的区域电网新能源开发潜力评估方法
Santos et al. New multistage and stochastic mathematical model for maximizing RES hosting capacity—Part I: Problem formulation
Teng et al. Understanding the benefits of dynamic line rating under multiple sources of uncertainty
CN112186766B (zh) 一种基于Benders分解的多阶段分解方法
Orfanos et al. Transmission expansion planning of systems with increasing wind power integration
Xie et al. Model predictive economic/environmental dispatch of power systems with intermittent resources
CN115438964A (zh) 一种输电网随机规划方法、设备及存储介质
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
Gbadamosi et al. Reliability assessment of composite generation and transmission expansion planning incorporating renewable energy sources
Chang et al. A distributed robust optimization approach for the economic dispatch of flexible resources
Mahdavi et al. Transmission and generation expansion planning considering system reliability and line maintenance
Huang et al. An endogenous approach to quantifying the wind power reserve
CN107316113B (zh) 一种输电网规划方法及系统
CN112994013A (zh) 考虑频率约束的多源电力系统日前优化调度方法
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
CN111092429A (zh) 一种柔性互联配电网的优化调度方法、存储介质及处理器
CN111950900B (zh) 一种电力系统源网荷储本质安全风险评估方法
CN113592133A (zh) 一种能量枢纽优化配置方法及系统
Huang et al. Joint generation and reserve scheduling of wind‐solar‐pumped storage power systems under multiple uncertainties
Rathbun et al. Impact studies and cooperative voltage control for high PV penetration
Ali et al. Optimal allocation of wind-based distributed generators in power distribution systems using probabilistic approach
Wang et al. Minimum load-shedding calculation approach considering loads difference
Xiong et al. Robust Scheduling with Temporal Decomposition of Integrated Electrical-Heating System Based on Dynamic Programming Formulation
CN109787217A (zh) 基于风电多状态模型及机会成本修正的备用出清方法
Liu et al. Two-stage robust optimal dispatch method considering wind power and load correlation

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