CN115495862A - 考虑可再生能源极端场景的输电网扩展规划方法及系统 - Google Patents
考虑可再生能源极端场景的输电网扩展规划方法及系统 Download PDFInfo
- Publication number
- CN115495862A CN115495862A CN202211249069.9A CN202211249069A CN115495862A CN 115495862 A CN115495862 A CN 115495862A CN 202211249069 A CN202211249069 A CN 202211249069A CN 115495862 A CN115495862 A CN 115495862A
- Authority
- CN
- China
- Prior art keywords
- scene
- renewable energy
- extreme
- lphi
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000005540 biological transmission Effects 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
Abstract
本发明公开了考虑可再生能源极端场景的输电网扩展规划方法及系统,基于GAN生成海量可再生能源随机场景,为极端场景分析提供可靠数据信息,从对电网运行的实际影响程度和发生概率两方面给出了可再生能源极端场景的定义及其判定条件,提出了考虑极端场景分析的数据驱动的输电网扩展规划框架,实现了规划经济性和鲁棒性的平衡。
Description
技术领域
本发明属于输电网扩展规划领域,具体涉及考虑可再生能源极端场景的输电网扩展规划方法及系统。
背景技术
全球气候变暖背景下,极寒、极热等小概率极端天气气候事件呈现多发强发趋势,将引发风-光等可再生能源出力的异常波动,严重影响电力系统供需平衡。考虑到未来电网在促进可再生能源跨区跨省消纳中的枢纽作用,在TEP问题中考虑可再生能源极端出力具有重要意义。
可再生能源极端出力具有LPHI的特点,若电网规划完全满足低概率的极端情况将极大抬高规划成本,造成投资浪费;若只考虑高概率低影响的常规出力情况,在可再生能源出力严重不足的极端情况下将导致电力短缺。因此,考虑极端场景的电网规划不仅需要平衡决策的经济性和鲁棒性,还需要准确评估极端场景的负面效果,为极端情况防范措施的制定提供依据。
现有技术一:基于鲁棒优化的电网规划方法,给出满足最恶劣场景下的规划方案。具体形式如下:
采用封闭有界的不确定集描述可再生能源出力的波动范围,通常包括盒式不确定集、多面体不确定集、椭球不确定集或基数不确定集,寻找集合内的最恶劣场景进行电网规划决策,规划方案对于不确定集中的所有场景都是可行的,通常具有min-max-min的模型结构,较难求解。
缺点一:不确定集参数的设定受到人工经验的影响,具有主观性;
缺点二:无需了解可再生能源出力的具体概率分布,通常忽略或简化了多个随机变量之间的时空相关性,导致最恶劣场景在实际中难以发生,规划过于保守。
现有技术二:基于随机优化的电网规划方法,建立概率模型描述可再生能源出力。具体形式如下:
包括期望值模型和机会约束模型。期望值模型采用离散概率场景描述可再生能源出力,可方便处理不确定性因素间的相关性特征,规划决策满足所有离散场景下的安全约束;机会约束模型定义风险指标衡量不确定性因素极端情况的影响,规划方案允许一定置信水平下安全约束不满足的情况发生,牺牲一部分的鲁棒性以保证经济性。
缺点一:期望值模型决策的优劣取决于典型场景集的选择,通常排除了低概率的极端场景,规划的鲁棒性较差。
缺点二:机会约束为非凸的概率性约束,针对随机变量多重耦合以及海量随机场景规模时难以求解。
发明内容
为解决以上问题,本专利给出了考虑可再生能源极端场景的输电网扩展规划方法及系统。基于GAN生成海量可再生能源随机场景,为极端场景分析提供可靠数据信息,从对电网运行的实际影响程度和发生概率两方面给出了可再生能源极端场景的定义及其判定条件,提出了考虑极端场景分析的数据驱动的输电网扩展规划框架,实现了规划经济性和鲁棒性的平衡。
为了解决技术问题,本发明的技术方案是:
考虑可再生能源极端场景的输电网扩展规划方法,所述方法包括:
采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
利用上述输电网拟定规划方案建立风险评估模型REM,基于REM模型对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
进一步,基于典型场景集建立两阶段TEP期望值模型,包括:
以年费用最小为目标函数,考虑典型场景集下的电力系统安全约束,建立两阶段TEP期望值模型;其中:以年费用最小为目标函数,包括:输电线路投资年值、年发电成本和可再生能源弃电惩罚成本;电力系统安全约束,包括:已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。
进一步,所述确定可再生能源极端场景,具体包括:
极端情况的实际影响程度采用失负荷风险指标进行衡量;设定可再生能源时序场景ξ下t时段节点n的系统失负荷量为采用小时失负荷因子和日失负荷因子分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ;依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响场景,反之为低影响场景;
极端情况的发生概率采用显著性水平α描述,当LPHI场景样本数在生成场景集中的比例小于显著性水平α时,极端场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足:
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数;
所述确定可再生能源极端场景判定条件,包括:确定可再生能源极端场景第一判定条件和可再生能源极端场景第二判定条件;
可再生能源极端场景第一判定条件:HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
可再生能源极端场景第二判定条件:P(ξ∈SLPHI)≤α。
进一步,对可再生能源随机场景筛查处理后,并基于确定的可再生能源极端场景及判定条件进行极端场景分析;具体包括:
基于REM模型对可再生能源随机场景求解,得到可再生能源时序场景ξ下的系统各时段失负荷信息,并根据上述定义的可再生能源极端场景,计算失负荷风险指标HLOLFξ|O和DLOLFξ|O;根据可再生能源极端场景第一判定条件确定LPHI场景,并计算P(ξ∈SLPHI)。
进一步,根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件;具体包括:
当可再生能源极端场景第二判定条件不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中更新典型场景集,并开启下一轮循环;直至满足可再生能源极端场景第二判定条件,得到满足判定条件的LPHI场景集和最终规划方案。
考虑可再生能源极端场景的输电网扩展规划系统,所述系统包括:
处理模块,用于采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
求解模块,用于基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
确定模块,用于获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
分析处理模块,用于利用上述输电网拟定规划方案建立风险评估模型REM,基于REM对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
更新循环模块,用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,即得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
进一步,所述求解模块,包括求解单元;所述求解单元用于以年费用最小为目标函数,考虑典型场景集下的电力系统安全约束,建立两阶段TEP期望值模型;以年费用最小为目标函数,包括:输电线路投资年值、年发电成本和可再生能源弃电惩罚成本;电力系统安全约束,包括:已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。
进一步,所述确定模块,包括第一确定单元和第二确定单元;所述第一确定单元,用于确定可再生能源极端场景,具体包括:
极端情况的实际影响程度采用失负荷风险指标进行衡量;设定可再生能源时序场景ξ下t时段节点n的系统失负荷量为采用小时失负荷因子和日失负荷因子分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ;依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响场景,反之为低影响场景;
极端情况的发生概率采用显著性水平α描述,当LPHI场景样本数在生成场景集中的比例小于显著性水平α时,极端场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足:
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数;
所述第二确定单元,用于确定可再生能源极端场景判定条件,包括:确定可再生能源极端场景第一判定条件和可再生能源极端场景第二判定条件;
可再生能源极端场景第一判定条件:HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
可再生能源极端场景第二判定条件:P(ξ∈SLPHI)≤α。
进一步,所述分析处理模块,包括:分析处理单元;所述分析处理单元,用于对可再生能源随机场景筛查处理后,并基于确定的可再生能源极端场景及判定条件进行极端场景分析;具体包括:
基于REM模型对可再生能源随机场景求解,得到可再生能源时序场景ξ下的系统各时段失负荷信息,并根据上述建立的可再生能源极端场景,计算失负荷风险指标HLOLFξ|O和DLOLFξ|O;根据可再生能源极端场景第一判定条件确定LPHI场景,并计算P(ξ∈SLPHI);
所述更新循环模块,包括更新循环单元;所述更新循环单元用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件;具体包括:
当可再生能源极端场景第二判定条件不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中更新典型场景集,并开启下一轮循环;直至满足可再生能源极端场景第二判定条件,得到满足判定条件的LPHI场景集和最终规划方案。
进一步,以失负荷惩罚成本最小为目标函数,考虑单一场景下电力系统安全约束的满足情况,建立REM模型。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述中任一项所述的方法。
与现有技术相比,本发明的优点在于:
考虑可再生能源极端场景的输电网扩展规划方法及系统,本发明的规划方法包括:海量随机场景生成、典型场景集的TEP规划、风险评估和极端场景分析及典型场景集自适应更新四个步骤:
1)基于GAN泛化历史数据集,生成海量具有时序相关性的可再生能源随机场景;
2)采用基于典型场景集的TEP期望值模型生成拟定规划方案,规划方案满足HPLI场景的可行性;
3)定义可再生能源极端场景,并基于REM模型进行快速LPHI场景筛查;
4)进行极端场景分析,根据分析结果自适应地更新典型场景集,作为下一阶段TEP模型的输入。
规划方案寻优是极端场景分析与规划决策修正的交互迭代过程,LPHI场景和HPLI场景随着规划方案的调整动态转化,通过验证LPHI极端场景判定条件得到最终的规划方案。
本发明给出的可再生能源极端场景定义考虑了“低概率”和“高影响”两方面因素,是对电力系统实际运行状态的综合考察,更为全面准确。本发明提出的考虑可再生能源极端场景的数据驱动输电网迭代规划方法,实现了规划经济性和鲁棒性的平衡。
附图说明
图1、考虑极端场景的输电网扩展规划框架;
图2、海量随机场景生成及场景约简框架;
图3、Garver-6节点系统。
具体实施方式
下面结合实施例描述本发明具体实施方式:
需要说明的是,本说明书所示意的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例一:
缩略语和关键术语定义:
输电网扩展规划(transmission expansion planning,TEP);
低概率高影响(low-probability,high-impact,LPHI);
高影响低概率(high-probability,low-impact,HPLI);
风险评估模型(risk evaluation model,REM);
生成对抗网络(generative adversarial network,GAN);
针对技术一的缺点,利用场景生成模型解决。采用基于GAN的场景生成模型,泛化历史运行数据生成海量的具有时空相关性的可再生能源随机场景。相比可再生能源不确定性的显式模型,得益于深度神经网络的高维非线性映射能力,该方法能够非显性地提取多源-荷的时序特征和空间特征。生成场景的概率分布与历史数据具有高度一致性,包含少量LPHI极端场景,能够作为电力系统扩展规划的有效输入信息。
针对技术二的缺点,提出可再生能源极端场景判定条件和风险评估模型来解决。可再生能源典型场景集代表HPLI场景特性,包含少量具有相关性的多源-荷时序场景,基于典型场景集的TEP模型为凸的混合整数线性规划问题,可通过求解器方便求解。区别于现有方法中基于可再生能源出力空间定义极端情况,从实际影响程度和发生概率两方面给出了LPHI极端场景的判断条件,通过REM模型对可再生能源海量场景进行极端场景筛查,根据极端场景分析结果自适应地更新典型场景集,以平衡TEP规划结果的经济性和鲁棒性。REM模型为凸的线性规划问题,对海量场景能够并行求解。
如图1所示,所述方法包括:
本发明的规划方法包括:海量随机场景生成、典型场景集的TEP规划、风险评估和极端场景分析及典型场景集自适应更新四个步骤。
1)基于GAN泛化历史数据集,生成海量具有时序相关性的可再生能源随机场景;
2)采用基于典型场景集的TEP期望值模型生成拟定规划方案,规划方案满足HPLI场景的可行性;
3)定义可再生能源极端场景,并基于REM模型进行快速LPHI场景筛查;
4)进行极端场景分析,根据分析结果自适应地更新典型场景集,作为下一阶段TEP模型的输入。
规划方案寻优是极端场景分析与规划决策修正的交互迭代过程,LPHI场景和HPLI场景随着规划方案的调整动态转化,通过验证LPHI极端场景判定条件得到最终的规划方案;求解框架如图1所示。
各部分的具体实现如下:
(1)海量随机场景生成
风-光场站投运时间较短,存储数据规模有限,直接采用少量的历史数据难以有效分析未来的极端情况。用基于GAN的场景生成模型,泛化历史运行数据生成海量的具有时空相关性的可再生能源随机场景,生成场景的概率分布与历史数据具有高度一致性。生成的海量场景中包含有大量的HPLI场景,采用场景约简网络从海量场景中提取具有代表性的典型场景,典型场景可以代表众多的HPLI场景,海量随机场景生成及场景约简框架如图2所示。
(2)基于典型场景集的TEP模型
建立两阶段TEP期望值模型,以年费用最小为目标函数,包含输电线路投资年值、年发电成本和可再生能源弃电惩罚成本。任意典型场景均满足电力系统安全约束,各节点负荷需求被严格满足,模型约束条件包括已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。求解得到第k次迭代的输电网拟定规划方案Ok。
(3)风险评估
i)可再生能源极端场景定义
可再生能源极端场景具有LPHI特点,其定义考虑了极端情况的实际影响程度和发生概率两方面因素,是对电力系统实际运行状态的综合考察,其边界随着源-网-荷状态的改变而不断调整。
极端情况的实际影响程度采用失负荷风险指标进行衡量。假设可再生能源时序场景ξ下t时段节点n的系统失负荷量为定义小时失负荷因子(hourly loss of loadfactor,HLOLF)和日失负荷因子(daily loss of load factor,DLOLF)分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ。依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响(high-impact,HI)场景,反之为低影响场景。
极端情况的发生概率采用显著性水平α描述。当生成场景集样本数充分大时,LPHI场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数。
可再生能源LPHI极端场景的“高影响”和“低概率”判定条件为:
i)HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
ii)P(ξ∈SLPHI)≤α。
ii)风险评估模型
TEP模型求解得到的拟定规划方案Ok为针对生成场景集的极端场景分析提供了的辨识目标。建立基于拟定规划方案Ok的风险评估模型,以失负荷惩罚成本最小为目标函数,考察单一场景下电力系统安全约束的满足情况。REM与TEP模型具有相同的安全约束条件,网架拓扑Ok为已知信息,并允许节点负荷缺额,以保证REM在任意场景下有可行解。REM为线性规划问题,具有较小的计算复杂度,可采用并行计算。
(4)极端场景分析及典型场景集自适应更新
求解REM得到场景ξ下的系统各时段失负荷信息,根据公式(1)-(2)可计算失负荷风险指标HLOLFξ|O和DLOLFξ|O,根据极端场景判定条件i)确定LPHI场景,并计算P(ξ∈SLPHI)。当极端场景判定条件ii)不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中,并开启下一轮循环。直至满足“低概率”条件,即得到满足判定条件的LPHI场景集和最终规划方案。
综上,本发明提出的考虑可再生能源极端场景的输电网扩展规划方法求解步骤为:
实施例2:
本发明给出的可再生能源极端场景定义考虑了“低概率”和“高影响”两方面因素,是对电力系统实际运行状态的综合考察,更为全面准确。2)提出的考虑可再生能源极端场景的数据驱动输电网迭代规划方法,实现了规划经济性和鲁棒性的平衡。
针对改进的Garver-6节点系统进行算例分析,系统拓扑结构如图3所示。可再生能源数据采用中国西北某地风-光场站2019年1月1日至2020年10月31日历史实测出力,数据间隔1h,共670组历史场景,采用GAN泛化10000组生成场景;如图3所示。
采用基于期望值模型的现有方法和本专利方法分别求解输电网规划问题,并对规划结果进行极端场景分析,结果对比如表1所示。
表1 Garver-6节点系统规划结果对比
基于期望值模型的现有方法规划方案新建线路较少,具有较好的经济性,但是经极端场景分析得到的LPHI极端场景发生概率为4.43%,不能认为是小概率事件,可能引发严重的电网停电事故,方案的鲁棒性较差。本发明方法得到的规划方案通过多建一条输电线路,在增加少量的年费用的基础上,使LPHI极端场景发生概率降至0.28%<1%,可以认为是小概率事件,实现了规划经济性和鲁棒性的平衡。
实施例3:
为了更好的实施以上方法,本实施例提供涉及考虑可再生能源极端场景的输电网扩展规划系统;
例如,考虑可再生能源极端场景的输电网扩展规划系统,所述系统包括:所述系统包括:
确定模块确定模块第一确定单元第二确定单元第一确定单元第二确定单元处理模块,用于采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
求解模块,用于基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
确定模块,用于获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
分析处理模块,用于利用上述输电网拟定规划方案建立风险评估模型REM,基于REM对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
更新循环模块,用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,即得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
进一步,所述求解模块,包括求解单元;所述求解单元用于以年费用最小为目标函数,考虑典型场景集下的电力系统安全约束,建立两阶段TEP期望值模型;以年费用最小为目标函数,包括:输电线路投资年值、年发电成本和可再生能源弃电惩罚成本;电力系统安全约束,包括:已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。
进一步,所述确定模块,包括第一确定单元和第二确定单元;所述第一确定单元,用于确定可再生能源极端场景,具体包括:
极端情况的实际影响程度采用失负荷风险指标进行衡量;设定可再生能源时序场景ξ下t时段节点n的系统失负荷量为采用小时失负荷因子和日失负荷因子分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ;依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响场景,反之为低影响场景;
极端情况的发生概率采用显著性水平α描述,当LPHI场景样本数在生成场景集中的比例小于显著性水平α时,极端场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足:
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数;
所述第二确定单元,用于确定可再生能源极端场景判定条件,包括:确定可再生能源极端场景第一判定条件和可再生能源极端场景第二判定条件;
可再生能源极端场景第一判定条件:HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
可再生能源极端场景第二判定条件:P(ξ∈SLPHI)≤α。
进一步,所述分析处理模块,包括:分析处理单元;所述分析处理单元,用于对可再生能源随机场景筛查处理后,并基于确定的可再生能源极端场景及判定条件进行极端场景分析;具体包括:
基于REM模型对可再生能源随机场景求解,得到可再生能源时序场景ξ下的系统各时段失负荷信息,并根据上述建立的可再生能源极端场景,计算失负荷风险指标HLOLFξ|O和DLOLFξ|O;根据可再生能源极端场景第一判定条件确定LPHI场景,并计算P(ξ∈SLPHI);
所述更新循环模块,包括更新循环单元;所述更新循环单元用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件;具体包括:
当可再生能源极端场景第二判定条件不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中更新典型场景集,并开启下一轮循环;直至满足可再生能源极端场景第二判定条件,得到满足判定条件的LPHI场景集和最终规划方案。
实施例4:
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一考虑可再生能源极端场景的输电网扩展规划方法中的步骤。
例如该指令可以执行如下步骤:
考虑可再生能源极端场景的输电网扩展规划方法,所述方法包括:
采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
利用上述输电网拟定规划方案建立风险评估模型REM,基于REM模型对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
本发明是参照根据本发明实施例的方法、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。
上面对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.考虑可再生能源极端场景的输电网扩展规划方法,其特征在于,所述方法包括:
采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
利用上述输电网拟定规划方案建立风险评估模型REM,基于REM模型对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
2.根据权利要求1所述的考虑可再生能源极端场景的输电网扩展规划方法,其特征在于,基于典型场景集建立两阶段TEP期望值模型,包括:
以年费用最小为目标函数,考虑典型场景集下的电力系统安全约束,建立两阶段TEP期望值模型;其中:以年费用最小为目标函数,包括:输电线路投资年值、年发电成本和可再生能源弃电惩罚成本;电力系统安全约束,包括:已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。
3.根据权利要求1所述的考虑可再生能源极端场景的输电网扩展规划方法,其特征在于,所述确定可再生能源极端场景,具体包括:
极端情况的实际影响程度采用失负荷风险指标进行衡量;确定可再生能源时序场景ξ下t时段节点n的系统失负荷量为采用小时失负荷因子和日失负荷因子分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ;依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响场景,反之为低影响场景;
采用显著性水平α描述极端情况的发生概率,当LPHI场景样本数在生成场景集中的比例小于显著性水平α时,确定极端场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足:
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数;
所述确定可再生能源极端场景判定条件,包括:建立可再生能源极端场景第一判定条件和可再生能源极端场景第二判定条件;
可再生能源极端场景第一判定条件:HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
可再生能源极端场景第二判定条件:P(ξ∈SLPHI)≤α。
4.根据权利要求3所述的考虑可再生能源极端场景的输电网扩展规划方法,其特征在于,对可再生能源随机场景筛查处理后,并基于确定的可再生能源极端场景及判定条件进行极端场景分析;具体包括:
基于REM模型对可再生能源随机场景求解,得到可再生能源时序场景ξ下的系统各时段失负荷信息,并根据上述定义的可再生能源极端场景,计算失负荷风险指标HLOLFξ|O和DLOLFξ|O;根据可再生能源极端场景第一判定条件确定LPHI场景,并计算P(ξ∈SLPHI)。
5.根据权利要求4所述的考虑可再生能源极端场景的输电网扩展规划方法,其特征在于,根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件;具体包括:
当可再生能源极端场景第二判定条件不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中更新典型场景集,并开启下一轮循环;直至满足可再生能源极端场景第二判定条件,得到满足判定条件的LPHI场景集和最终规划方案。
6.考虑可再生能源极端场景的输电网扩展规划系统,其特征在于,所述系统包括:
处理模块,用于采用生成对抗网络GAN的场景生成模型泛化历史数据集,生成数量万级以上具有时空相关性的可再生能源随机场景,并进行场景简约处理,得到典型场景集;
求解模块,用于基于典型场景集建立两阶段输电网扩展规划TEP期望值模型并求解,得到第k次迭代的输电网拟定规划方案;
确定模块,用于获取极端情况的实际影响程度和发生概率,确定可再生能源极端场景及判定条件;
分析处理模块,用于利用上述输电网拟定规划方案建立风险评估模型REM,基于REM对可再生能源随机场景筛查处理后基于确定的可再生能源极端场景及判定条件进行极端场景分析;
更新循环模块,用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件,即得到满足判定条件的低概率高影响LPHI场景集和最终规划方案。
7.根据权利要求6所述的考虑可再生能源极端场景的输电网扩展规划系统,其特征在于,所述求解模块,包括求解单元;所述求解单元用于以年费用最小为目标函数,考虑典型场景集下的电力系统安全约束,建立两阶段TEP期望值模型;以年费用最小为目标函数,包括:输电线路投资年值、年发电成本和可再生能源弃电惩罚成本;电力系统安全约束,包括:已建线路状态约束,节点功率平衡约束、发电机组出力约束、线路潮流约束、系统备用容量约束、节点电压相角约束和可再生能源最大弃电比例。
8.根据权利要求6所述的考虑可再生能源极端场景的输电网扩展规划系统,其特征在于,所述确定模块,包括第一确定单元和第二确定单元;所述第一确定单元,用于确定可再生能源极端场景,具体包括:
极端情况的实际影响程度采用失负荷风险指标进行衡量;设定可再生能源时序场景ξ下t时段节点n的系统失负荷量为采用小时失负荷因子和日失负荷因子分别描述该场景下电力系统单位时段最大失负荷风险和日累积失负荷风险,计算公式为:
其中Dt为电力系统t时段的总负荷需求;下标ξ|O表示作用于规划方案O的场景ξ;依据人工经验或具体情况设置可接受的单位时段和日累积失负荷阈值,当HLOLFξ|O≥εH或者DLOLFξ|O≥εD时,该场景即为针对规划方案O的高影响场景,反之为低影响场景;
极端情况的发生概率采用显著性水平α描述,当LPHI场景样本数在生成场景集中的比例小于显著性水平α时,极端场景发生为小概率事件,此时LPHI场景发生的概率通过HI样本数估计,满足:
其中SLPHI为LPHI场景集,SRES为生成场景集,N(·)为场景样本数;
所述第二确定单元,用于确定可再生能源极端场景判定条件,包括:确定可再生能源极端场景第一判定条件和可再生能源极端场景第二判定条件;
可再生能源极端场景第一判定条件:HLOLFξ|O≥εH或者DLOLFξ|O≥εD;
可再生能源极端场景第二判定条件:P(ξ∈SLPHI)≤α。
9.根据权利要求8所述的考虑可再生能源极端场景的输电网扩展规划系统,其特征在于,所述分析处理模块,包括:分析处理单元;所述分析处理单元,用于对可再生能源随机场景筛查处理后,并基于确定的可再生能源极端场景及判定条件进行极端场景分析;具体包括:
基于REM模型对可再生能源随机场景求解,得到可再生能源时序场景ξ下的系统各时段失负荷信息,并根据上述建立的可再生能源极端场景,计算失负荷风险指标HLOLFξ|O和DLOLFξ|O;根据可再生能源极端场景第一判定条件确定LPHI场景,并计算P(ξ∈SLPHI);
所述更新循环模块,包括更新循环单元;所述更新循环单元用于根据极端场景分析结果自适应地更新典型场景集,并开启下一轮循环,直至满足低概率条件;具体包括:
当可再生能源极端场景第二判定条件不满足时,从LPHI场景中选择失负荷最小的场景加入典型场景集中更新典型场景集,并开启下一轮循环;直至满足可再生能源极端场景第二判定条件,得到满足判定条件的LPHI场景集和最终规划方案。
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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249069.9A CN115495862A (zh) | 2022-10-12 | 2022-10-12 | 考虑可再生能源极端场景的输电网扩展规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249069.9A CN115495862A (zh) | 2022-10-12 | 2022-10-12 | 考虑可再生能源极端场景的输电网扩展规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115495862A true CN115495862A (zh) | 2022-12-20 |
Family
ID=84473643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211249069.9A Pending CN115495862A (zh) | 2022-10-12 | 2022-10-12 | 考虑可再生能源极端场景的输电网扩展规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495862A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
-
2022
- 2022-10-12 CN CN202211249069.9A patent/CN115495862A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Mission reliability evaluation for fuzzy multistate manufacturing system based on an extended stochastic flow network | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
Elsaraiti et al. | Time series analysis of electricity consumption forecasting using ARIMA model | |
CN103729501A (zh) | 基于灰色理论的短期电力负荷预测方法 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN111952965B (zh) | 一种基于预测控制与区间规划的cchp系统优化运行方法 | |
CN112016748A (zh) | 一种稳控装置运行状态的动态分析与量化评估方法 | |
CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
Song et al. | Risky multi-criteria group decision making on green capacity investment projects based on supply chain | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN117595391A (zh) | 一种电网系统的协调控制方法 | |
Liu et al. | Surrogate-assisted many-objective optimization of building energy management | |
ŞİŞMAN | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Petrichenko et al. | Short-term forecasting of district heating demand | |
Pérez-Vilarelle et al. | Modeling and simulation of wind energy production in the smart-grid scenario | |
KR20220025511A (ko) | 스마트 팩토리 에너지 관리 방법 및 장치 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Li et al. | Performance prediction of a production line with variability based on grey model artificial neural network | |
Frimpong et al. | A model for predicting unregulated energy usage | |
Wen | Probabilistic wind power forecasting with missing values via adaptive quantile regression |
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 |