CN115577905A - 一种梯级水电站群调峰能量优化调度方法 - Google Patents

一种梯级水电站群调峰能量优化调度方法 Download PDF

Info

Publication number
CN115577905A
CN115577905A CN202211096176.2A CN202211096176A CN115577905A CN 115577905 A CN115577905 A CN 115577905A CN 202211096176 A CN202211096176 A CN 202211096176A CN 115577905 A CN115577905 A CN 115577905A
Authority
CN
China
Prior art keywords
power
scheduling
term
hydropower station
prediction
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
CN202211096176.2A
Other languages
English (en)
Inventor
靳钧
林世湧
陈崇乐
吴星榕
林凯
陈一
翁昕
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.)
Fujian Shuikou Power Generation Group Co Ltd
Original Assignee
Fujian Shuikou Power Generation Group 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 Fujian Shuikou Power Generation Group Co Ltd filed Critical Fujian Shuikou Power Generation Group Co Ltd
Priority to CN202211096176.2A priority Critical patent/CN115577905A/zh
Publication of CN115577905A publication Critical patent/CN115577905A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种梯级水电站群调峰能量优化调度方法，将梯级水电站群的调峰能力按照三时间尺度的进行优化管理，在长期、短期和实时预测的基础上制定出最终的调度计划。在长期预测时，针对梯级水电站所在流域不同的时间特性，分为汛期、枯期、平水期三个时期制定长期调度计划，再根据水电站群不同的装机容量合理的分配各个水电站的调度计划。本发明可使梯级水电群满足大电网的能量调度需求，充分发挥调峰能力的同时；还能综合考虑水电站群内不同出力的水电站进行统一能量调度，满足大电网调峰的同时又能保障发电效益。

Description

一种梯级水电站群调峰能量优化调度方法
技术领域
本发明涉及梯级水电站群调控领域，具体涉及一种梯级水电站群调峰能量优化调度方法。
背景技术
当前我国电力消费结构正不断调整优化，风光等间歇性新能源的加速投产，电网负荷的波动性也越来越大。相对火电等传统能源，有着发电机组爬坡速度较快、起停速度快、经济成本低等优点的水电成为了电力系统中调峰的首选。但大规模的水电开发也造成了水电产能过剩，消纳困难，与用电市场不匹配，所以将规模化水电站群的联合调峰调度能力充分应用在电力市场也是提高能源利用率，助力双碳的关键一环。
发明内容
有鉴于此，本发明的目的在于提供一种梯级水电站群调峰能量优化调度方法，用于不同场景的梯级水电站群调峰调度方法，针对流域梯级水电站群在不同时期的出力差异制定调度计划，有效提高调峰效率及质量，提高能源利用率。
为实现上述目的，本发明采用如下技术方案：
一种梯级水电站群调峰能量优化调度方法，包括以下步骤：
步骤S1:根据不同对象的特性确定功率预测算法；
步骤S2:构建长期、短期和超短期三时间尺度的优化调度模型；
步骤S3:确定长期、短期和超短期的预测和优化算法；
步骤S4:根据步骤S3确定的预测和优化算法，对长期的优化调度模型进行预测；
步骤S5:根据步骤S4得到的预测结果，制定梯级水电站群调峰能量调度的一次计划；
步骤S6:根据步骤S3确定的预测和优化算法，对短期的优化调度模型进行预测；
步骤S7:根据步骤S6得到的预测结果，对步骤S5制定的梯级水电站群调峰能量调度一次计划进行修正，得到二次调度计划；
步骤S8:根据步骤S3确定的预测和优化算法，对超短期的优化调度模型进行预测；
步骤S9:根据步骤S8得到的预测结果，对步骤S7制定的二次调度计划进行修正，得到日内的调度计划。
进一步的，所述不同对象包括梯级水电站群出力预测和负荷预测，具体如下：
梯级水电站群出力预测，通过梯级水电站群的历史出力数据作或利用历史天气、流域径流数据得到环境变量与水电站输出功率之间的映射关系，进行预测；在长期和短期预测中采用模糊大脑情感学习神经网络，超短期预测递归小脑模型神经网络进行预测
负荷预测基于负荷历史数据，采用模糊大脑情感学习神经网络进行预测。
进一步的，所述步骤S2具体为：
a)长期的优化调度模型：
针对梯级水电站所在流域不同的时间特性，分为汛期、枯期、平水期三个时期来制定长期调度计划，再根据水电站群不同的装机容量合理的分配各个水电站的调度计划，可将未来N个月的调度计划提前提交至相关部门报备，告知水电站群未来N个月内的调峰能力及调峰计划；
b)短期的优化调度模型：
考虑水电站受天气及流域径流量的影响，出力也存在一定的波动性，需要再进行短期预测修正水电站群日前的出力、及负荷情况，制定二次调度计划；
c)超短期的优化调度模型：
通过前两次系统的调度计划，考虑实时天气预报得到的环境信息与实际情况存在的较大误差，根据日内的风光出力、负荷情况，制定源荷储互动的系统的三次调度计划。
进一步的，所述三时间尺度的优化调度模型，目标函数具体为：
Figure BDA0003838819300000031
f调度计划的目标值；d为梯级水电站群调峰调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，系统内稳定性目标f4的权重系数；
其中，针对长期调度计划的目标函数，分为汛期、枯期和平水期三个时期来制定
汛期：
Figure BDA0003838819300000041
汛期流域水流量丰富，以弃水量最大值最小为优化目标，式中，Vdis为梯级最大弃水量；
Figure BDA0003838819300000042
表示电站p在第t时段的弃水流量(m3/s)；Δt为第t时段秒数，T为总时段数；P表示电站集合。
平水期、枯期：
Figure BDA0003838819300000043
平水期、枯水期以梯级水电站群与电网联络线的功率差最小，式中，ΔD表示电网剩余负荷的峰谷差(MW)；Rt和Ot分别表示第t时段和原始负荷和剩余负荷值(MW)；
Figure BDA0003838819300000044
表示第p个电站在第t时段的出力(MW)；P表示参与优化水电站数量；T是总时段数。
进一步的，所述三时间尺度的优化调度模型，约束条件，具体为：
1)梯级水电站群各自输出功率不能超出功率上下限：
Pi,min≤Pi(t)≤Pi,max
式中Pi，max Pi，min分别为电源功率上下限；
2)微电网内电源输出功率、储能输出功率、与大电网交流功率之和应等于负荷功率，即微申网内部应保持功率平衡：
Figure BDA0003838819300000045
式中
Figure BDA0003838819300000046
为各梯级水电站输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；Po为其他功率；
3)参与调度的水电站数不超过本区域水电站数量
Figure BDA0003838819300000047
式中
Figure BDA0003838819300000051
分别表示梯级水电站群参与调峰的最小和最大数量。
4)水量平衡约束，保证单站时段以及上下游电站空间上的水量平衡
Figure BDA0003838819300000052
其中，
Figure BDA0003838819300000053
式中
Figure BDA0003838819300000054
分别为电站p在t时段入库流量、发电流量和弃水流量(m3/s)；当p＝1时，表示电站p为龙头电站，入库流量等于区间流量
Figure BDA0003838819300000055
当p＞1时，表示电站p为非龙头电站，入库流量等于区间流量
Figure BDA0003838819300000056
和上有电站p-1出库流量
Figure BDA0003838819300000057
之和；
Figure BDA0003838819300000058
和
Figure BDA0003838819300000059
为电站p在第t时段初末库容；
5)库水位约束，保证水库运行在安全合理的水位范围
Figure BDA00038388193000000510
式中
Figure BDA00038388193000000511
和
Figure BDA00038388193000000512
分别表示安全水位上下限。
进一步的，所述优化算法采用切比雪夫混沌映射的果蝇优化算法，具体为：根据果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性，通过切比雪夫混沌映射的方法改进初始化种群的方式改进算法优化和收敛性能。
本发明与现有技术相比具有以下有益效果：
1、本发明通过长期预测、短期预测、超短期预测的三时间尺度相结合的方法，同时考虑水电站群流域流量特性、电网负荷预测信息的准确性，制定出梯级水电站群经济最优、环境效益最好、电网剩余负荷的最大值最小为优化目标的调峰调度计划，同时提出一种改进果蝇算法进行优化求解，解决了现有技术的问题及缺陷。
2、本发明可使梯级水电群满足大电网的能量调度需求，充分发挥调峰能力的同时；又能综合水电站群内不同容量的水电站就行能量调度，满足大电网调峰的同时又能保障发电效益。
附图说明
图1是本发明梯级水电站群与大电网调峰互动示意图
图2是本发明方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1-2，本发明提供一种梯级水电站群调峰能量优化调度方法，包括以下步骤：
步骤S1:根据不同对象的特性确定功率预测算法，包括梯级水电站群出力预测和负荷预测：
a)梯级水电站群出力预测：
采用统计法进行预测，即基于数值天气预报、流域的历史径流及对大量的历史数据进行统计，预测梯级水电站群的出力。直接通过梯级水电站群的历史出力数据作或利用历史天气、流域径流数据得到环境变量与水电站输出功率之间的映射关系，进行预测。
在长期和短期预测中采用泛化能力较强的模糊大脑情感学习神经网络，超短期预测需要响应速度快的预测算法，拟采用动态特性强、响应速度快的递归小脑模型神经网络进行预测。
b)负荷预测：
同样是对大量的负荷历史数据进行统计，预测用户负荷功率，采用泛化能力较强的模糊大脑情感学习神经网络进行预测。
步骤S2:构建长期、短期和超短期三时间尺度的优化调度模型；
a)系统的一次调度计划：
针对梯级水电站所在流域不同的时间特性，可以分为汛期、枯期、平水期三个时期来制定长期调度计划，再根据水电站群不同的装机容量合理的分配各个水电站的调度计划，由此可将未来一个月的调度计划提前提交至相关部门报备，告知水电站群未来一个月内的调峰能力及调峰计划，每月更新。
b)系统的二次调度计划：
“长期预测”的一次调度计划虽然能够提前得到梯级水电站群未来一个月内的调峰能力及调峰计划，但由水电站受天气及流域径流量的影响，出力也存在一定的波动性，需要再进行“短期预测”修正水电站群日前的出力、及负荷情况，制定二次调度计划。
c)系统的三次调度计划：
通过前两次系统的调度计划，可以不断调整“源”：梯级水电站群、“网”：大电网、“荷”：用户负荷各自的出力降低系统的净功率，但受环境因素变化的不规律，实时天气预报得到的环境信息与实际情况存在的较大误差等原因，梯级水电站群输出的日前功率预测还不够完善，导致日前功率预测与实际情况还存在一定偏差，所以系统的一、二次日前调度计划不完全适用于优化日实际情况，只能作为一种预知性的调度计划，减少微电网的运行成本。所以需要进行“超短期预测”系统日内的风光出力、负荷情况，制定源荷储”互动的系统的三次调度计划。
d)目标函数：
Figure BDA0003838819300000081
f调度计划的目标值；d为梯级水电站群调峰调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，系统内稳定性目标f4的权重系数，权重系数根据每次调度计划的实际情况而定。
其中，针对长期调度计划的目标函数，可以分为汛期、枯期和平水期三个时期来制定。
汛期：
Figure BDA0003838819300000082
汛期流域水流量丰富，以弃水量最大值最小为优化目标。式中，Vdis为梯级最大弃水量；
Figure BDA0003838819300000083
表示电站p在第t时段的弃水流量(m3/s)；Δt为第t时段秒数，T为总时段数；P表示电站集合。
平水期、枯期：
Figure BDA0003838819300000091
平水期、枯水期以梯级水电站群与电网联络线的功率差最小。式中，ΔD表示电网剩余负荷的峰谷差(MW)；Rt和Ot分别表示第t时段和原始负荷和剩余负荷值(MW)；
Figure BDA0003838819300000092
表示第p个电站在第t时段的出力(MW)；P表示参与优化水电站数量；T是总时段数。
e)约束条件
1)梯级水电站群各自输出功率不能超出功率上下限：
Pi,min≤Pi(t)≤Pi,max
式中Pi，max Pi，min分别为电源功率上下限。
2)微电网内电源输出功率、储能输出功率、与大电网交流功率之和应等于负荷功率，即微申网内部应保持功率平衡：
Figure BDA0003838819300000093
式中
Figure BDA0003838819300000094
为各梯级水电站输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；Po为其他功率。
3)参与调度的水电站数不超过本区域水电站数量
Figure BDA0003838819300000095
式中
Figure BDA0003838819300000096
分别表示梯级水电站群参与调峰的最小和最大数量。
4)水量平衡约束，保证单站时段以及上下游电站空间上的水量平衡
Figure BDA0003838819300000101
其中，
Figure BDA0003838819300000102
式中
Figure BDA0003838819300000103
分别为电站p在t时段入库流量、发电流量和弃水流量(m3/s)；当p＝1时，表示电站p为龙头电站，入库流量等于区间流量
Figure BDA0003838819300000104
当p＞1时，表示电站p为非龙头电站，入库流量等于区间流量
Figure BDA0003838819300000105
和上有电站p-1出库流量
Figure BDA0003838819300000106
之和(m3/s)；
Figure BDA0003838819300000107
和
Figure BDA0003838819300000108
为电站p在第t时段初末库容(m3)。
5)库水位约束，保证水库运行在安全合理的水位范围
Figure BDA0003838819300000109
式中
Figure BDA00038388193000001010
和
Figure BDA00038388193000001011
分别表示安全水位上下限。
步骤S3:确定长期、短期和超短期的预测和优化算法；
在本实施例中，采用改进FOA算法(Based On Chebyshev map Fruit FlyOptimization Algorithm)，即利用切比雪夫混沌映射的果蝇优化方法进行应用求解，具体为：根据果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性。通过切比雪夫混沌映射的方法改进初始化种群的方式改进算法优化和收敛性能，实现局部开发和全局探索能力的提升。
步骤S4:根据步骤S3确定的预测和优化算法，对长期的优化调度模型进行预测；
在本实施例中，分别对水电站所在流域的三个不同时期将一月内每天分为四个时间段：早高峰(8-12)、晚高峰(16-22)、平段(12-16)、谷段(22-8)。预测数据以1h为分辨精度，每个时间段为运行周期，周前预测每个时间段的数据
步骤S5:根据步骤S4得到的预测结果，制定梯级水电站群调峰能量调度的一次计划；
在本实施例中，通过调度计划，使得“源”、“网”、“荷”各自在每个时间段内平均功率的净功率曲线波动率最小，由此可以提前梯级水电站群在未来一个月内的调峰能力，告知“网”侧做好相关备案，尽可能避免高峰期电网调峰能力不足的情况发生。同时制定以梯级水电站群的运行经济性最优，尽可能的消纳新能源，与“网”的互动波动性最小为目标函数的一次调度计划。
步骤S6:根据步骤S3确定的预测和优化算法，对短期的优化调度模型进行预测；
在本实施例中，将一天分为96小时时间段，一个时间段15min。预测数据以15min为分辨率，以一旬为运行周期，日前预测每15min的数据，每日循环更新未来十天的预测数据。
步骤S7:根据步骤S6得到的预测结果，对步骤S5制定的梯级水电站群调峰能量调度一次计划进行修正，得到二次调度计划；
在本实施例中，在第一个调度计划的基础上，制定以以每旬累计发电量完成度与系统月调度计划完成度偏差值最小为目标、运行经济性最优、水电站群完全出力，可迁移负荷量最少等为目标函数的二次调度计划。
步骤S8:根据步骤S3确定的预测和优化算法，对超短期的优化调度模型进行预测；
在本实施例中，预测数据以1min为分辨率，15min为运行周期，每1min更新一次未来15min的数据。实时预测每分钟的数据，每分钟更正执行调度策略，每进入一个1min的时间段，利用前15min数据预测未来15min的数据，但只有第一个时间段执行调度计划。
步骤S9:根据步骤S8得到的预测结果，对步骤S7制定的二次调度计划进行修正，得到日内的调度计划。
在本实施例中，在二次调度计划的基础上，制定以每日累计发电量完成度与系统旬调度计划完成度偏差值最小为目标、运行经济性最优、可迁移负荷量最少等为目标函数的三次调度计划。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种梯级水电站群调峰能量优化调度方法，其特征在于，包括以下步骤：
步骤S1:根据不同对象的特性确定功率预测算法；
步骤S2:构建长期、短期和超短期三时间尺度的优化调度模型；
步骤S3:确定长期、短期和超短期的预测和优化算法；
步骤S4:根据步骤S3确定的预测和优化算法，对长期的优化调度模型进行预测；
步骤S5:根据步骤S4得到的预测结果，制定梯级水电站群调峰能量调度的一次计划；
步骤S6:根据步骤S3确定的预测和优化算法，对短期的优化调度模型进行预测；
步骤S7:根据步骤S6得到的预测结果，对步骤S5制定的梯级水电站群调峰能量调度一次计划进行修正，得到二次调度计划；
步骤S8:根据步骤S3确定的预测和优化算法，对超短期的优化调度模型进行预测；
步骤S9:根据步骤S8得到的预测结果，对步骤S7制定的二次调度计划进行修正，得到日内的调度计划。
2.根据权利要求1所述的一种梯级水电站群调峰能量优化调度方法，其特征在于，所述不同对象包括梯级水电站群出力预测和负荷预测，具体如下：
梯级水电站群出力预测，通过梯级水电站群的历史出力数据作或利用历史天气、流域径流数据得到环境变量与水电站输出功率之间的映射关系，进行预测；在长期和短期预测中采用模糊大脑情感学习神经网络，超短期预测递归小脑模型神经网络进行预测
负荷预测基于负荷历史数据，采用模糊大脑情感学习神经网络进行预测。
3.根据权利要求1所述的一种梯级水电站群调峰能量优化调度方法，其特征在于，所述步骤S2具体为：
a)长期的优化调度模型：
针对梯级水电站所在流域不同的时间特性，分为汛期、枯期、平水期三个时期来制定长期调度计划，再根据水电站群不同的装机容量合理的分配各个水电站的调度计划，可将未来N个月的调度计划提前提交至相关部门报备，告知水电站群未来N个月内的调峰能力及调峰计划；
b)短期的优化调度模型：
考虑水电站受天气及流域径流量的影响，出力也存在一定的波动性，需要再进行短期预测修正水电站群日前的出力、及负荷情况，制定二次调度计划；
c)超短期的优化调度模型：
通过前两次系统的调度计划，考虑实时天气预报得到的环境信息与实际情况存在的较大误差，根据日内的风光出力、负荷情况，制定源荷储互动的系统的三次调度计划。
4.根据权利要求3所述的一种梯级水电站群调峰能量优化调度方法，其特征在于，所述三时间尺度的优化调度模型，目标函数具体为：
Figure FDA0003838819290000031
f调度计划的目标值；d为梯级水电站群调峰调度周期的时间段；α1～α4分别为每个调度周期的经济性目标f1，环境效益目标f2，与大电网的联络线稳定性目标f3，系统内稳定性目标f4的权重系数；
其中，针对长期调度计划的目标函数，分为汛期、枯期和平水期三个时期来制定
汛期：
Figure FDA0003838819290000032
汛期流域水流量丰富，以弃水量最大值最小为优化目标，式中，Vdis为梯级最大弃水量；
Figure FDA0003838819290000034
表示电站p在第t时段的弃水流量(m3/s)；Δt为第t时段秒数，T为总时段数；P表示电站集合。
平水期、枯期：
Figure FDA0003838819290000033
平水期、枯水期以梯级水电站群与电网联络线的功率差最小，式中，ΔD表示电网剩余负荷的峰谷差(MW)；Rt和Ot分别表示第t时段和原始负荷和剩余负荷值(MW)；
Figure FDA0003838819290000035
表示第p个电站在第t时段的出力(MW)；P表示参与优化水电站数量；T是总时段数。
5.根据权利要求3所述的一种梯级水电站群调峰能量优化调度方法，其特征在于，所述三时间尺度的优化调度模型，约束条件，具体为：
1)梯级水电站群各自输出功率不能超出功率上下限：
Pi,min≤Pi(t)≤Pi,max
式中Pi，max Pi，min分别为电源功率上下限；
2)微电网内电源输出功率、储能输出功率、与大电网交流功率之和应等于负荷功率，即微申网内部应保持功率平衡：
Figure FDA0003838819290000041
式中
Figure FDA0003838819290000042
为各梯级水电站输出功率；Pg(t)为微电网与大电网交流功率；Pload(t)为负荷功率；Po为其他功率；
3)参与调度的水电站数不超过本区域水电站数量
Figure FDA0003838819290000043
式中
Figure FDA0003838819290000044
分别表示梯级水电站群参与调峰的最小和最大数量。
4)水量平衡约束，保证单站时段以及上下游电站空间上的水量平衡
Figure FDA0003838819290000045
其中，
Figure FDA0003838819290000046
式中
Figure FDA0003838819290000047
分别为电站p在t时段入库流量、发电流量和弃水流量(m3/s)；当p＝1时，表示电站p为龙头电站，入库流量等于区间流量
Figure FDA0003838819290000048
当p＞1时，表示电站p为非龙头电站，入库流量等于区间流量
Figure FDA0003838819290000049
和上有电站p-1出库流量
Figure FDA00038388192900000410
之和；
Figure FDA00038388192900000411
和
Figure FDA00038388192900000412
为电站p在第t时段初末库容；
5)库水位约束，保证水库运行在安全合理的水位范围
Figure FDA0003838819290000051
式中
Figure FDA0003838819290000052
和
Figure FDA0003838819290000053
分别表示安全水位上下限。
6.根据权利要求1所述的一种梯级水电站群调峰能量优化调度方法，其特征在于，所述优化算法采用切比雪夫混沌映射的果蝇优化算法，具体为：根据果蝇算法初始种群个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性，通过切比雪夫混沌映射的方法改进初始化种群的方式改进算法优化和收敛性能。
CN202211096176.2A 2022-09-08 2022-09-08 一种梯级水电站群调峰能量优化调度方法 Pending CN115577905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211096176.2A CN115577905A (zh) 2022-09-08 2022-09-08 一种梯级水电站群调峰能量优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211096176.2A CN115577905A (zh) 2022-09-08 2022-09-08 一种梯级水电站群调峰能量优化调度方法

Publications (1)

Publication Number Publication Date
CN115577905A true CN115577905A (zh) 2023-01-06

Family

ID=84581016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211096176.2A Pending CN115577905A (zh) 2022-09-08 2022-09-08 一种梯级水电站群调峰能量优化调度方法

Country Status (1)

Country Link
CN (1) CN115577905A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117650581A (zh) * 2023-12-07 2024-03-05 华能西藏雅鲁藏布江水电开发投资有限公司 一种梯级多电站的联合优化调度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117650581A (zh) * 2023-12-07 2024-03-05 华能西藏雅鲁藏布江水电开发投资有限公司 一种梯级多电站的联合优化调度方法及系统
CN117650581B (zh) * 2023-12-07 2024-05-03 华能西藏雅鲁藏布江水电开发投资有限公司 一种梯级多电站的联合优化调度方法及系统

Similar Documents

Publication Publication Date Title
CN109347151B (zh) 一种新能源参与调峰的送端电网电源结构优化方法
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109492861B (zh) 一种梯级水电站群中期电量交易计划分解方法
CN109636674B (zh) 一种大规模水电站群月度交易电量分解与校核方法
CN107423852A (zh) 一种计及典型场景的光储联合电站优化运营方法
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
CN104167730A (zh) 一种复杂约束限制下的梯级水电站群实时优化调度方法
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
CN112736905B (zh) 区域新能源容量优化配置方法及系统
CN114884108A (zh) 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN117709682B (zh) 一种梯级水电响应灵活性需求模式下的水库水位扰动区间评估与控制方法
CN114336762A (zh) 风光发电及电网负荷波动日前调度储能配置优化方法
CN108009672A (zh) 基于双层优化模型的水光互补电站日发电计划编制方法
CN116526469A (zh) 一种水风光互补系统长期随机动态调度方法
CN115577905A (zh) 一种梯级水电站群调峰能量优化调度方法
CN113078643A (zh) 一种考虑电网经济运行风电计划优化及偏差补偿用储能容量配置方法
CN113991640B (zh) 基于火电的多能互补能源基地能源配置规划方法
CN117332908B (zh) 一种耦合集合预报的梯级水库多目标优化调度方法及系统
CN103679284A (zh) 一种消纳风电接入的定区间滚动调度方法
CN117526446A (zh) 梯级水风光多能互补发电系统风光容量双层优化配置方法
CN116993087A (zh) 基于多层次嵌套动态规划多目标模型的水库优化调度方法
CN116644932A (zh) 一种考虑典型日调峰的水风光长期互补调度计划制定方法
CN109460887A (zh) 一种考虑光电接入的电力系统优化调度方法
CN115577903A (zh) 新能源对电网调峰影响的评估方法、装置、设备及介质
CN113506185A (zh) 梯级水电站的发电优化调度方法、装置和计算机设备

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