CN115693646A - 计及源荷低碳性与ccgp的两阶段优化调度方法 - Google Patents
计及源荷低碳性与ccgp的两阶段优化调度方法 Download PDFInfo
- Publication number
- CN115693646A CN115693646A CN202211116268.2A CN202211116268A CN115693646A CN 115693646 A CN115693646 A CN 115693646A CN 202211116268 A CN202211116268 A CN 202211116268A CN 115693646 A CN115693646 A CN 115693646A
- Authority
- CN
- China
- Prior art keywords
- carbon
- formula
- load
- cost
- power
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
计及源荷低碳性与CCGP的两阶段优化调度方法,在低碳经济背景下解决火电机组碳排放高和源荷预测误差导致的全局信息不匹配问题,提出计及源荷低碳性与机会约束目标规划(CCGP)的两阶段调度模型。首先,规划阶段兼顾源荷低碳经济性与安全性,建立需求响应后计及碳交易和源荷不确定的调度模型。然后,调整阶段计及预测信息不匹配影响和激励型负荷,以出力调整偏差最小优化实时出力。最后,通过确定性等价理论对模型转化,在改进IEEE30节点系统中验证模型。结果表明,所提模型有效降低了系统碳排放量与运行成本,提高了风电消纳能力及评估备用容量缺额需求。
Description
技术领域
本发明涉及火电机组碳排放规划领域,特别涉及计及源荷低碳性与CCGP的两阶段优化调度方法。
背景技术
近年来,碳排放导致的环境问题日益突出,提出碳达峰、碳中和目标。电力行业的碳排量在碳排总量中占比较大,因此低碳与清洁技术的利用尤为关键。碳交易机制是控制源侧碳排放的重要举措之一。现有技术提出含碳交易的热电联合机组和燃气机组的低碳模型。需求响应(demand response,DR)可挖掘负荷调度潜力,是消纳风电与减碳的方法之一。现有需求响应模型采用分时电价和用户满意度建立。同时,部分技术将碳交易与DR虚拟机组融合减少弃风和碳排放量。上述研究中未充分计及源荷不确定性对系统的影响,低碳经济性无法达到最优。
为使系统达到最优,国内外学者提出处理不确定性的方法主要有概率场景法、机会约束规划等。文献将目标规划与机会约束规划融合建立模型,提高了系统灵活性。上述方法都能处理不确定,但都有相应缺点,同时源荷不确定性导致规划出力与实时出力不匹配鲜有考虑。
发明内容
为解决上述现有技术存在的问题,本发明的目的在于提供计及源荷低碳性与CCGP的两阶段优化调度方法
为达到上述目的,本发明的技术方案为:
计及源荷低碳性与CCGP的两阶段优化调度方法,由如下步骤构成:
1 DR与碳交易机制确立
1.1 DR与碳交易机制模型
DR可分为PDR和IDR两种形式;本申请采用IDR形式;
IDR根据可中断负荷、转移负荷及其补偿价格改变用电行为,如式(1)所示。
式中:CIDR——用户参与IDR的补偿成本,元;Pcut,t、Ptran,t——中断负荷、转移负荷,MW; pcut、ptran——负荷补偿系数,元·MW-1。
碳交易机制是碳交易市场的一种规范制度,可约束系统碳排放。本发明火电机组碳排放配额采用无偿分配方式,如式(2)所示。
Ep,i,t=δiPi,t (2)
式中:Ep,i,t——机组碳排放配额,t;Pi,t——机组单位出力功率,MW;δi为机组配额系数,t·MW-1。
火电机组的碳排放量如式(3)所示。
Eq,i,t=ηiPi,t (3)
式中:Eq,i,t——机组实际碳排放量,t;ηi——机组碳排放系数,t·MW-1。
系统碳交易成本FT如式(4)所示。
式中:σ——碳价,120元·t-1;N——机组个数。
1.2 DR与碳交易机制的减碳分析
PDR通过价格信号改善用电方式,实现削峰填谷,消纳风电,减缓火电机组出力压力,提高系统低碳性。同时,系统需预留备用容量应对源荷不确定性,IDR在负荷高峰时中断及转移负荷,相当于减少备用容量,实现低碳性。在碳机制方面,高碳机组常具有低成本特性,在无碳交易约束下,为使经济性最小,高碳机组优先出力;反之,低碳机组优先出力,降低碳排放量。
2源荷不确定性的模型构建
2.1源荷双侧不确定性
风电出力与负荷都存在预测误差,对系统准确调度产生较大影响,2种预测误差如式(5) 所示。
式中:Pw,t、Pwf,t、εw,t——时刻t的风电出力实际值、预测值、预测误差,MW;PL,t、PLf,t、εL,t——时刻t的负荷实际值、预测值和预测误差,MW。
假设εw,t与εL,t都服从均值为0、标准差分别为σw,t与σL,t的正态分布,且分布相互独立。假设σw,t与σL,t可进行归一化,如式(6)所示。定义εw,t与εL,t的差为源荷双侧误差εwL,t,如式(7)所示。
式中:WI——风电装机总容量,MW;k取1。
2.2源荷不确定性的备用风险模型
根据数学理论,若CCGP标准表达式约束中的随机变量ξ可通过换算移至不等式一侧且ξ能从目标约束函数fi(x,ξ)分离,则概率约束可转化为确定性约束,如式(8)所示。
构建考虑εw,t与εL,t的备用风险成本Fccgp模型,如式(9)所示。
3两阶段低碳经济模型构建
3.1日前规划阶段
在保证系统低碳经济性与安全性的背景下,以综合成本F1最小为目标,包括弃风成本 Fwab、风电运行成本Fws、风险成本Fccgp、火电煤耗成本Fmh、备用容量成本Fby和碳交易成本FT。目标函数为:
minF1=Fwab+Fws+Fccgp+Fmh+Fby+FT (10)
式中:ζ、ψ、κi、νi——弃风惩罚成本系数、风电运行成本系数、火电机组i的正、负备用成本系数,元·MW-1;Pwab,t、Pws,t——风电弃风、并网功率,MW;ai、bi、ci——火电机组i的煤耗系数;Si、Di——火电机组i的启、停成本系数,元;ui,t——火电机组i在时刻t启停机的布尔变量。
系统约束条件如下:
1)功率平衡约束
式中:——PDR后时刻t的负荷、支路l的网损,MW;Nl——支路l的集合;bmn——支路l的电导值,G;m、n——支路l的首末端节点;Xms、Xns、Xmj、Xnj——节点阻抗矩阵;Γ、Ω——功率注入节点的集合与负荷节点的集合;Piw,t——风火出力注入功率,MW。
2)机组不等式约束
式中:约束包括火电出力约束、爬坡约束、风电出力约束、启停时间约束与备用容量约束。 Pi max、Pi min——火电机组i的上下限,MW;——上下爬坡速率,MW·h-1;h——步长,1h;——最小连续启停时间。
3)PDR约束
采用本领域常规约束公式;
4)潮流安全约束
本发明采用直流潮流模型表示潮流安全约束:
式中:Pl,t——t时段支路l的传输功率,MW;gmn——支路l的电纳值,;Pl,min、Pl,max——支路l传输功率的下上限,MW。
3.2实时调整阶段
日前规划阶段基于历史预测数据优化,与实时出力存在偏差,因此实时调整阶段以调整规划偏差成本最小为目标,包括风火出力调整成本、上下备用容量调整成本及IDR补偿成本组成。目标函数为:
系统约束条件如下:
1)功率平衡约束
2)机组不等式约束
式中:约束包括火电实时出力约束、风电实时出力约束与实时备用容量约束;潮流约束同规划阶段。
3)IDR约束
相对于现有技术,本发明的有益效果为:
本发明在上述研究的基础上,提出计及源荷低碳性与机会约束目标规划(chanceconstrained goal programming,CCGP)的两阶段优化调度模型。首先采用价格型需求响应(price demand response,PDR)优化负荷,实现削峰填谷;然后采用CCGP理论构建备用容量缺额模型,且兼顾系统低碳经济性与安全性,以综合成本最小为目标;最后计及规划与实时出力偏差和激励型需求响应(incentive demand response,IDR),以调整偏差最小优化出力。
本发明在低碳经济的背景下,解决源荷不确定性导致的弃风和预测误差产生的全局信息不匹配问题,提出计及源荷低碳性与CCGP的两阶段优化模型。结论如下:1)综合考虑了 DR、碳交易与源荷不确定性对系统调度的影响,有效改善了系统弃风率,提高了系统的低碳性与经济性;2)日前规划实时调整的两阶段模型使调度结果更具实际性和预见性,且对含高比例风电的电力系统调度具有重要意义。
附图说明
图1为历史预测数据图;
图2各场景下调度结果图;
图3不同峰谷时段的PDR结果图;
图4不同PDR模式的调度结果图;
图5实时调整结果分析图。
具体实施方式
下面结合附图和具体实施方式对本发明技术方案做进一步详细描述:
如图1-5所示,
试验例:
计及源荷低碳性与CCGP的两阶段优化调度方法,由如下步骤构成:
计及源荷低碳性与CCGP的两阶段优化调度方法,由如下步骤构成:
1 DR与碳交易机制确立
1.1 DR与碳交易机制模型
DR可分为PDR和IDR两种形式;本申请采用IDR形式;
IDR根据可中断负荷、转移负荷及其补偿价格改变用电行为,如式(1)所示。
式中:CIDR——用户参与IDR的补偿成本,元;Pcut,t、Ptran,t——中断负荷、转移负荷,MW; pcut、ptran——负荷补偿系数,元·MW-1。
碳交易机制是碳交易市场的一种规范制度,可约束系统碳排放。本发明火电机组碳排放配额采用无偿分配方式,如式(2)所示。
Ep,i,t=δiPi,t (2)
式中:Ep,i,t——机组碳排放配额,t;Pi,t——机组单位出力功率,MW;δi为机组配额系数, t·MW-1。
火电机组的碳排放量如式(3)所示。
Eq,i,t=ηiPi,t (3)
式中:Eq,i,t——机组实际碳排放量,t;ηi——机组碳排放系数,t·MW-1。
系统碳交易成本FT如式(4)所示。
式中:σ——碳价,120元·t-1;N——机组个数。
1.2 DR与碳交易机制的减碳分析
本发明将2种DR与碳交易融合,从技术和碳交易机制进行分析。在技术方面,PDR通过价格信号改善用电方式,实现削峰填谷,消纳风电,减缓火电机组出力压力,提高系统低碳性。同时,系统需预留备用容量应对源荷不确定性,IDR在负荷高峰时中断及转移负荷,相当于减少备用容量,实现低碳性。在碳机制方面,高碳机组常具有低成本特性,在无碳交易约束下,为使经济性最小,高碳机组优先出力;反之,低碳机组优先出力,降低碳排放量。
2源荷不确定性的模型构建
2.1源荷双侧不确定性
风电出力与负荷都存在预测误差,对系统准确调度产生较大影响,2种预测误差如式(5) 所示。
式中:Pw,t、Pwf,t、εw,t——时刻t的风电出力实际值、预测值、预测误差,MW;PL,t、PLf,t、εL,t——时刻t的负荷实际值、预测值和预测误差,MW。
假设εw,t与εL,t都服从均值为0、标准差分别为σw,t与σL,t的正态分布,且分布相互独立。假设σw,t与σL,t可进行归一化,如式(6)所示。定义εw,t与εL,t的差为源荷双侧误差εwL,t,如式(7)所示。
式中:WI——风电装机总容量,MW;k取1。
2.2源荷不确定性的备用风险模型
根据数学理论,若CCGP标准表达式约束中的随机变量ξ可通过换算移至不等式一侧且ξ能从目标约束函数fi(x,ξ)分离,则概率约束可转化为确定性约束,如式(8)所示。
构建考虑εw,t与εL,t的备用风险成本Fccgp模型,如式(9)所示。
3两阶段低碳经济模型构建
3.1日前规划阶段
在保证系统低碳经济性与安全性的背景下,以综合成本F1最小为目标,包括弃风成本 Fwab、风电运行成本Fws、风险成本Fccgp、火电煤耗成本Fmh、备用容量成本Fby和碳交易成本FT。目标函数为:
minF1=Fwab+Fws+Fccgp+Fmh+Fby+FT (10)
式中:ζ、ψ、κi、νi——弃风惩罚成本系数、风电运行成本系数、火电机组i的正、负备用成本系数,元·MW-1;Pwab,t、Pws,t——风电弃风、并网功率,MW;ai、bi、ci——火电机组i的煤耗系数;Si、Di——火电机组i的启、停成本系数,元;ui,t——火电机组i在时刻t启停机的布尔变量。
系统约束条件如下:
1)功率平衡约束
式中:——PDR后时刻t的负荷、支路l的网损,MW;Nl——支路l的集合;bmn——支路l的电导值,G;m、n——支路l的首末端节点;Xms、Xns、Xmj、Xnj——节点阻抗矩阵;Γ、Ω——功率注入节点的集合与负荷节点的集合;Piw,t——风火出力注入功率,MW。
2)机组不等式约束
式中:约束包括火电出力约束、爬坡约束、风电出力约束、启停时间约束与备用容量约束。 Pi max、Pi min——火电机组i的上下限,MW;——上下爬坡速率,MW·h-1;h——步长,1h;——最小连续启停时间。
3)PDR约束
采用本领域常规约束公式。
4)潮流安全约束
本发明采用直流潮流模型表示潮流安全约束:
式中:Pl,t——t时段支路l的传输功率,MW;gmn——支路l的电纳值,;Pl,min、Pl,max——支路l传输功率的下上限,MW。
3.2实时调整阶段
日前规划阶段基于历史预测数据优化,与实时出力存在偏差,因此实时调整阶段以调整规划偏差成本最小为目标,包括风火出力调整成本、上下备用容量调整成本及IDR补偿成本组成。目标函数为:
系统约束条件如下:
1)功率平衡约束
2)机组不等式约束
式中:约束包括火电实时出力约束、风电实时出力约束与实时备用容量约束;潮流约束同规划阶段。
3)IDR约束
4算例分析
4.1算例说明
为验证模型有效性,利用Matlab及Cplex求解器求解模型。对改进的IEEE 30节点系统测试;风电选用新疆某风电场历史值,最大总出力为620MW。峰平谷电价分别为 0.73/0.42/0.25[元·(kW·h)-1],其余参数见表1所示。
表1模型运行参数
Table1 Model operating parameters
根据模糊C均值聚类算法选取典型日历史预测曲线,如图1所示。
为验证本发明所提模型的有效性与优越性,设置4种运行场景进行对比:
场景1:不考虑DR和源荷不确定性的两阶段模型;场景2:考虑PDR但不考虑源荷不确定性的两阶段模型;场景3:考虑2种DR但不考虑源荷不确定性的两阶段模型;场景4:考虑2种DR和源荷不确定性的两阶段低碳优化模型,本发明所提。
4.2结果分析
4.2.1场景调度结果分析
本发明以综合成本最小对4种场景分析,调度结果如表2所示;风电及火电机组Gi出力如图2所示。
表2不同场景下调度结果
Table2 Scheduling results in different scenarios
由表2可知,场景4与场景1、2、3相比,碳排量分别减少了9.1%、10.8%、5.4%;弃风率分别降低了21.30%、18.26%、13.08%;备用容量分别下降了10.5%、11.4%、19.2%;系统综合运行成本分别下降了13.6%、12.9%、7.2%,验证了本发明模型在各个方面的优越性。
由图2可知,场景1弃风主要集中在风电发电较高时段,原因是系统采用固定比例备用容量且负备用不足,因此存在大量弃风。场景2中的PDR对负荷削峰填谷,弃风有所改善;但高碳机组优先出力,碳排放量增多。场景3中的IDR将高峰负荷中断和转移,降低火电出力压力,即高碳机组出力减少,碳排放、弃风率和各项成本下降。场景4中的CCGP降低了系统备用容量,高碳机组出力下降,碳排量和各项成本降低,提高了风电消纳能力。 4.2.2不同情况调度结果分析
为进一步验证本发明所提模型,分别对不同峰谷时段和不同风电波动程度讨论分析。
1)不同峰谷时段分析
本发明采用模式2时段,为验证不同峰谷时段的影响,另设4种时段模式对比,如表3 所示。
表3不同峰谷时段
Table3 Different peak and valley period division
PDR融入电力系统,形成源荷双侧互动的并网新模式,不同模式结果分析如图3、图4 所示。
由图3、图4可知,不同模式的PDR都实现削峰填谷且跟随负荷变化,有效改善系统弃风风险值,但碳排量相差甚小和增加了切负荷风险值。模式1与其它模式相比负荷响应较多,曲线较为平滑,系统安全性更高。未实施PDR的碳交易成本最低,但弃风风险值最大,火电运行成本最高。原因是荷侧波动较大,火电机组需提供较多备用容量。
2)不同风电波动程度分析
由于风电具有反调峰特性,对具有强烈反调峰和波动平缓的风电情形对比分析,结果如表4所示。
表4风电波动程度的结果分析
Table4 Result analysis of wind power fluctuation
由表4可知,具有强烈反调峰特性的风电各项结果都高于波动平缓情形,备用容量增加了4%、峰谷差增加了13%、弃风风险增加了51%、综合运行成本增加了2%。因此,当风电波动程度存在强烈反调峰时,弃风风险及峰谷差增加,备用容量和综合成本也提高,影响系统低碳经济性。
4.2.3实时调整结果分析
为解决源荷预测误差导致出力不匹配的问题,采用实时出力调整其偏差,其优化结果如图5所示。
从图5a可知,由于风电预测误差较大,风电实时调整偏差也较大,弃风率比日前规划阶段高。从图5b-5d可知,火电机组作为稳定出力电源,且负荷预测误差较小,火电出力调整偏差较小;从经济性看,实时调整阶段以调整偏差成本最小为目标,未考虑低碳性,使得火电机组在实时调整阶段出力增加,且因高碳机组调节性灵活,调节成本低,所以在实时调节阶段优先出力。因此,调整阶段具有实际意义,增加调度精度,降低调度困难。
本发明在低碳经济的背景下,解决源荷不确定性导致的弃风和预测误差产生的全局信息不匹配问题,提出计及源荷低碳性与CCGP的两阶段优化模型。结论如下:1)综合考虑了 DR、碳交易与源荷不确定性对系统调度的影响,有效改善了系统弃风率,提高了系统的低碳性与经济性;2)日前规划实时调整的两阶段模型使调度结果更具实际性和预见性,且对含高比例风电的电力系统调度具有重要意义。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (1)
1.计及源荷低碳性与CCGP的两阶段优化调度方法,其特征在于:由如下步骤构成:步骤一、DR与碳交易机制确立
1.1DR与碳交易机制模型
DR可分为PDR和IDR两种形式;本申请采用IDR形式;
IDR根据可中断负荷、转移负荷及其补偿价格改变用电行为,如式(1)所示;
式中:CIDR——用户参与IDR的补偿成本,元;Pcut,t、Ptran,t——中断负荷、转移负荷,MW;pcut、ptran——负荷补偿系数,元·MW-1;
碳交易机制是碳交易市场的一种规范制度,可约束系统碳排放;本发明火电机组碳排放配额采用无偿分配方式,如式(2)所示;
Ep,i,t=δiPi,t (2)
式中:Ep,i,t——机组碳排放配额,t;Pi,t——机组单位出力功率,MW;δi为机组配额系数,t·MW-1;
火电机组的碳排放量如式(3)所示;
Eq,i,t=ηiPi,t (3)
式中:Eq,i,t——机组实际碳排放量,t;ηi——机组碳排放系数,t·MW-1;
系统碳交易成本FT如式(4)所示;
式中:σ——碳价,120元·t-1;N——机组个数;
1.2DR与碳交易机制的减碳分析
PDR通过价格信号改善用电方式,实现削峰填谷,消纳风电,减缓火电机组出力压力,提高系统低碳性;同时,系统需预留备用容量应对源荷不确定性,IDR在负荷高峰时中断及转移负荷,相当于减少备用容量,实现低碳性;在碳机制方面,高碳机组常具有低成本特性,在无碳交易约束下,为使经济性最小,高碳机组优先出力;反之,低碳机组优先出力,降低碳排放量;
步骤二、源荷不确定性的模型构建
2.1源荷双侧不确定性
风电出力与负荷都存在预测误差,对系统准确调度产生较大影响,2种预测误差如式(5)所示;
式中:Pw,t、Pwf,t、εw,t——时刻t的风电出力实际值、预测值、预测误差,MW;PL,t、PLf,t、εL,t——时刻t的负荷实际值、预测值和预测误差,MW;
假设εw,t与εL,t都服从均值为0、标准差分别为σw,t与σL,t的正态分布,且分布相互独立;假设σw,t与σL,t可进行归一化,如式(6)所示;定义εw,t与εL,t的差为源荷双侧误差εwL,t,如式(7)所示;
式中:WI——风电装机总容量,MW;k取1;
2.2源荷不确定性的备用风险模型
根据数学理论,若CCGP标准表达式约束中的随机变量ξ可通过换算移至不等式一侧且ξ能从目标约束函数fi(x,ξ)分离,则概率约束可转化为确定性约束,如式(8)所示;
构建考虑εw,t与εL,t的备用风险成本Fccgp模型,如式(9)所示;
步骤三、两阶段低碳经济模型构建
3.1日前规划阶段
在保证系统低碳经济性与安全性的背景下,以综合成本F1最小为目标,包括弃风成本Fwab、风电运行成本Fws、风险成本Fccgp、火电煤耗成本Fmh、备用容量成本Fby和碳交易成本FT;目标函数为:
minF1=Fwab+Fws+Fccgp+Fmh+Fby+FT (10)
式中:ζ、ψ、κi、νi——弃风惩罚成本系数、风电运行成本系数、火电机组i的正、负备用成本系数,元·MW-1;Pwab,t、Pws,t——风电弃风、并网功率,MW;ai、bi、ci——火电机组i的煤耗系数;Si、Di——火电机组i的启、停成本系数,元;ui,t——火电机组i在时刻t启停机的布尔变量;
系统约束条件如下:
1)功率平衡约束
式中:——PDR后时刻t的负荷、支路l的网损,MW;Nl——支路l的集合;bmn——支路l的电导值,G;m、n——支路l的首末端节点;Xms、Xns、Xmj、Xnj——节点阻抗矩阵;Γ、Ω——功率注入节点的集合与负荷节点的集合;Piw,t——风火出力注入功率,MW;
2)机组不等式约束
式中:约束包括火电出力约束、爬坡约束、风电出力约束、启停时间约束与备用容量约束;Pi max、Pi min——火电机组i的上下限,MW;——上下爬坡速率,MW·h-1;h——步长,1h;——最小连续启停时间;
3)PDR约束
采用本领域常规约束公式;
4)潮流安全约束
本发明采用直流潮流模型表示潮流安全约束:
式中:Pl,t——t时段支路l的传输功率,MW;gmn——支路l的电纳值,;Pl,min、Pl,max——支路l传输功率的下上限,MW;
3.2实时调整阶段
日前规划阶段基于历史预测数据优化,与实时出力存在偏差,因此实时调整阶段以调整规划偏差成本最小为目标,包括风火出力调整成本、上下备用容量调整成本及IDR补偿成本组成;目标函数为:
系统约束条件如下:
1)功率平衡约束
2)机组不等式约束
式中:约束包括火电实时出力约束、风电实时出力约束与实时备用容量约束;潮流约束同规划阶段;
3)IDR约束
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211116268.2A CN115693646A (zh) | 2022-09-14 | 2022-09-14 | 计及源荷低碳性与ccgp的两阶段优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211116268.2A CN115693646A (zh) | 2022-09-14 | 2022-09-14 | 计及源荷低碳性与ccgp的两阶段优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115693646A true CN115693646A (zh) | 2023-02-03 |
Family
ID=85061944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211116268.2A Pending CN115693646A (zh) | 2022-09-14 | 2022-09-14 | 计及源荷低碳性与ccgp的两阶段优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115693646A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562512A (zh) * | 2023-07-11 | 2023-08-08 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统的能碳诊断方法、装置、设备及存储介质 |
CN117374974A (zh) * | 2023-12-06 | 2024-01-09 | 国网浙江省电力有限公司 | 一种配电网调度方法、系统、介质及设备 |
CN117689184A (zh) * | 2024-02-02 | 2024-03-12 | 山东科技大学 | 考虑荷侧与低碳-经济协同的电力系统规划方法及系统 |
-
2022
- 2022-09-14 CN CN202211116268.2A patent/CN115693646A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562512A (zh) * | 2023-07-11 | 2023-08-08 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统的能碳诊断方法、装置、设备及存储介质 |
CN116562512B (zh) * | 2023-07-11 | 2023-11-03 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统的能碳诊断方法、装置、设备及存储介质 |
CN117374974A (zh) * | 2023-12-06 | 2024-01-09 | 国网浙江省电力有限公司 | 一种配电网调度方法、系统、介质及设备 |
CN117689184A (zh) * | 2024-02-02 | 2024-03-12 | 山东科技大学 | 考虑荷侧与低碳-经济协同的电力系统规划方法及系统 |
CN117689184B (zh) * | 2024-02-02 | 2024-04-19 | 山东科技大学 | 考虑荷侧与低碳-经济协同的电力系统规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115693646A (zh) | 计及源荷低碳性与ccgp的两阶段优化调度方法 | |
CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
CN110516851B (zh) | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 | |
WO2022100091A1 (zh) | 一种广义源储系统调度的集中控制方法 | |
CN110163443B (zh) | 考虑电-气综合需求响应的天然气调压站微能网优化调度方法 | |
CN106950840B (zh) | 面向电网削峰的综合能源系统分层分布式协调控制方法 | |
CN109447405B (zh) | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 | |
CN110322372B (zh) | 区域电力系统中多级电网联动的机组组合调度方法 | |
CN113193547B (zh) | 计及新能源及负荷区间不确定性的电力系统日前-日内协同调度方法与系统 | |
CN110009244B (zh) | 一种考虑抗灾恢复的区域综合能源系统优化调度方法 | |
CN110363362B (zh) | 一种柔性负荷的多目标日前经济调度模型建立与求解方法 | |
CN110829408B (zh) | 基于发电成本约束的计及储能电力系统的多域调度方法 | |
CN112508391B (zh) | 一种产业园区群与地区电网相协同的综合能源系统规划方法 | |
CN104362671A (zh) | 一种大规模风电和抽水蓄能联合送出多目标优化协调方法 | |
CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN112836882B (zh) | 考虑设备负载率变化的区域综合能源系统运行优化方法 | |
CN110796373A (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN110707758A (zh) | 一种用于提高新能源消纳的分布式储能系统调度方法 | |
CN112311019A (zh) | 多智能体系统及其能源路由策略 | |
CN111768108A (zh) | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 | |
Chen et al. | Day-ahead scheduling of large numbers of thermostatically controlled loads based on equivalent energy storage model | |
CN113112062A (zh) | 一种考虑新能源消纳的区域能源聚合商博弈方法 | |
CN107622331B (zh) | 一种发电机组与电力用户直接交易方式的优化方法和装置 | |
CN113078684B (zh) | 一种基于双层优化的区域能源社区规划方法 | |
Mohamed et al. | Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |