CN115730818A - 功率平衡风险指标评估方法、装置、设备及介质 - Google Patents

功率平衡风险指标评估方法、装置、设备及介质 Download PDF

Info

Publication number
CN115730818A
CN115730818A CN202211411552.2A CN202211411552A CN115730818A CN 115730818 A CN115730818 A CN 115730818A CN 202211411552 A CN202211411552 A CN 202211411552A CN 115730818 A CN115730818 A CN 115730818A
Authority
CN
China
Prior art keywords
power
model
output
risk
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
CN202211411552.2A
Other languages
English (en)
Inventor
倪筹帷
赵波
刘洪�
张世达
程汉桐
侯国成
吴新华
杜倩昀
周逸之
林达
陈哲
李志浩
汪湘晋
章雷其
马瑜涵
张雪松
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.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Lishui Power Supply Co of State Grid Zhejiang 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 Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202211411552.2A priority Critical patent/CN115730818A/zh
Publication of CN115730818A publication Critical patent/CN115730818A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公开了一种功率平衡风险指标评估方法，涉及配电网优化技术领域，用于解决现有风险控制模型中可控资源单一，该方法包括：根据源荷历史数据构建时序特性功率模型，并构建多类型的可调节资源模型；评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；以最小风险和最小调节成本为目标构建风险指标评估模型；构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；通过截断正态分布求解所述模型，得到风险评估结果。本发明还公开了一种功率平衡风险指标评估装置、电子设备和计算机存储介质。本发明通过对多维度的建模，结合截断正态分布求解模型，实现了电网多维度的风险评估。

Description

功率平衡风险指标评估方法、装置、设备及介质
技术领域
本发明涉及配电网优化技术领域，尤其涉及一种基于数据驱动的电力系统功率平衡风险指标评估方法、装置、设备及介质。
背景技术
随着配电网中新能源的大规模接入，新能源出力的间歇性、波动性会使得配电网处于不确定的状态，并且运行参数更易越限；此外，新能源分布式电源的接入，改变了配电网的拓扑结构，使得潮流分布变得更为复杂，对配电网的电压、有功功率等状态量都产生了不容忽视的影响，增加了电力系统的风险水平，这也对源网荷互动的风险控制提出了更高的要求。
为保证风险可控，功率平衡风险约束需要包括两个方面：安全约束及零碳约束。安全约束指的是上级电网的最大网供容量小于本级电网运行所需能力，电网运行所产生的风险，即电网热稳定约束风险；零碳约束指的是本级电网内源荷能自给自足或者上送，不能保证零碳运行时产生的风险。
风险控制需要在风险评估及预警的基础上，通过实施与评估结果相适应的预防控制和应急管理等手段，降低高风险发生的可能性或后果的严重程度，为运行调度人员提供决策方案。传统的风险控制方法建立的风险控制模型中可控资源单一，难以协调利用需求侧和供电侧的全部资源，难以对电网的风险进行准确评估，无法为后续电网调度提供可靠的参考依据。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种功率平衡风险指标评估方法，通过考虑多类型可调节资源、负荷概率分布的不确定性进行建模，利用截断正态分布将目标函数中随机测度进行转化和求解，实现了电网的风险评估。
本发明的目的之一采用以下技术方案实现：
一种功率平衡风险指标评估方法，包括以下步骤：
根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；
以最小风险和最小调节成本为目标构建风险指标评估模型；
构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
通过截断正态分布求解所述模型，得到风险评估结果。
本发明的目的之二采用以下技术方案实现：
一种功率平衡风险指标评估装置，其包括：
构建模块，用于根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
指标构建模块，用于评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；以最小风险和最小调节成本为目标构建风险指标评估模型；构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
解析模块，用于求解模型，得到风险评估结果。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的功率平衡风险指标评估方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的功率平衡风险指标评估方法。
相比现有技术，本发明的有益效果在于：
本发明以电网的风险评估理论为基础，充分利用电网系统中源荷海量历史数据及可调节资源，构建时序特性功率模型及可调节资源建模；通过评估电力系统源网荷储功率平衡方程不成立的概率，作为风险指标；并考虑区域电网调节能力降低的风险，构建以最小风险和最小调节成本为目标的多目标风险指标评估模型；此外，本发明还考虑了概率分布的不确定性，提出了多目标分布鲁棒模型，以评估最劣的情况下的风险指标；利用截断正态分布将目标函数中随机测度进行转化和求解，通过利用电网系统中需求侧和供电侧的全部资源，并考虑了各种风险的评估，实现了电网多维度的风险评估，可为电网的调度提供可靠的参考依据。
附图说明
图1是实施例一的一种功率平衡风险指标评估方法的流程图；
图2是实施例二的源网荷功率平衡安全约束风险等级示意图；
图3是实施例二的源网荷功率平衡安全约束风险等级示意图；
图4是实施例二的源网荷功率平衡零碳约束风险示意图；
图5是实施例二的源网荷功率平衡零碳约束风险等级示意图；
图6是实施例二的多目标优化的帕累托前沿图；
图7是实施例二的多目标优化所对应的风险等级示意图；
图8是实施例三的功率平衡风险指标评估装置的结构框图；
图9是实施例四的电子设备的结构框图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种功率平衡风险指标评估方法，以电网的风险评估理论为基础，研究基于数据驱动的电力系统功率平衡风险指标评估方法。
本实施例所涉及的功率平衡风险主要包括两个方面：
1.安全约束：上级电网的最大网供容量小于本级电网运行所需能力，电网运行产生风险，即电网热稳定约束风险。
2.零碳约束：本级电网内源荷能自给自足或者上送，能够保证零碳，风险就是指不能保证零碳运行的风险，即用上级电网的电。
为应对上述两个功率平衡风险，本实施例通过多维度建立多模型，并综合考虑可能产生的各种风险，进行电网系统风险指标的评估。
具体而言，首先，考虑多类型分布式能源、负荷概率分布的不确定性，基于源荷海量历史数据构建矩信息模糊集形式的时序特性功率模型，并对系统中多类型可调节资源建模；其次，基于随机变量的运算原理，利用随机测度方法评估电力系统源网荷储功率平衡方程不成立的概率，作为风险指标；进一步，考虑区域电网调节能力降低风险，提出以最小风险和最小调节成本为目标的多目标风险指标评估模型；在此基础上，考虑不确定因素概率分布的不确定性，提出了多目标分布鲁棒模型，来评估最恶劣的情况下的风险指标；最后，利用截断正态分布将目标函数中随机测度进行转化和求解，并利用ε约束法求解考虑调节措施的风险指标评估中所涉及的多目标优化问题。
根据以上原理，请参照图1所示，一种功率平衡风险指标评估方法，包括以下步骤：
S1、根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
S1考虑多类型分布式能源、负荷概率分布的不确定性，基于源荷海量历史数据构建矩信息模糊集形式的时序特性功率模型，并对系统中多类型可调节资源建模。
根据源荷历史数据构建时序特性功率模型，所述功率模型的构建包括：
基于正态分布概率模型及地市级电网内分布式能源出力时序特性曲线，对光伏及风电系统i，针对每个时刻t，建立基于数据驱动矩信息的分布式能源出力时序特性模糊集：
Figure BDA0003938794370000051
Figure BDA0003938794370000052
其中，DDG1和DDG2分别为分布式电源的随机变量ξDG,i,t的模糊集和分布式电源出力曲线的均值序列μDG,i,t和方差序列σDG,i,t的不确定集合，ΩξDG为随机变量ξDG,i,t的分布集合；P(·)为求概率函数，表示随机变量ξDG,i,t的分布属于ΩξDG的概率为1；E(·)为求期望函数，
Figure BDA0003938794370000061
和μ DG,i,t分别为均值的上下限，
Figure BDA0003938794370000062
和σ DG,i,t分别为方差的上下限，μDG,pre,i,t和σDG,pre,i,t分别为均值和方差的预测值，α和β分别为用于控制模糊集的保守度的允许偏离系数，NDG为分布式电源配置数量；
构建水电功率模型，包括：
水电站HT的出力由发电效率ηh、水电站具体变量h在t时刻水头Hht和发电流量Qht三个因素共同决定。水电转换函数为：
Figure BDA0003938794370000063
其中，ηh为发电效率，Hht为水头，Qht为发电流量，g为水电转换系数，通常取9.81。将发电流量Qht实际值建模为服从正态分布的随机变量：
Figure BDA0003938794370000064
其中，μht是发电流量
Figure BDA0003938794370000065
的均值，σht是发电流量
Figure BDA0003938794370000066
的标准差系数；
考虑其均值和标准差不确定，构建水电出力的模糊集：
Figure BDA0003938794370000067
Figure BDA0003938794370000068
其中，DHT1和DHT2分别为随机变量
Figure BDA0003938794370000069
的模糊集和水电出力的均值
Figure BDA00039387943700000610
和方差
Figure BDA00039387943700000611
的不确定集合；
Figure BDA00039387943700000612
为随机变量
Figure BDA00039387943700000613
的分布集合，P(·)为求概率函数，表示随机变量
Figure BDA00039387943700000614
的分布属于
Figure BDA00039387943700000615
的概率为1，E(·)为求期望函数；
Figure BDA00039387943700000616
和
Figure BDA00039387943700000617
分别为均值的上下限，
Figure BDA00039387943700000618
和
Figure BDA00039387943700000619
分别为方差的上下限；
Figure BDA00039387943700000620
和
Figure BDA00039387943700000621
分别为均值和方差的预测值，α和β分别为允许偏离系数，NHT为水电配置数量；
其中，不同的水电站类型具备不同的水头调节特性，常见水电站有三种类型：径流水电站、可调水电站、梯级水电站。
对于径流水电站，其无库容调节能力,即水电站h在t时刻水头Hht为一固定值hh，满足Hht＝hh；
对于可调水电站，其具有较好的调节能力，发电水头由上下游水位决定，即水头随着库容的变化而改变。可调电站的发电水头为水库库容的线性函数，即：
Hht＝h0,h+αhVht，其中，h0,h与αh分别为常数，Vht表示水电站库容，水电站库容的调节范围为：
Figure BDA0003938794370000071
Figure BDA0003938794370000072
与
Figure BDA0003938794370000073
分别为库容调节的上下界。
对于梯级水电站，其是一类特殊的可调水电站，上下游可调水电站联系比较紧密、互相影响比较显著。当前可调水电站的来水量包括自然来水量和上一级水电站的发电流量。此外，上下游可调水电站之间有一定的距离，因此需要考虑水流的时滞效应。综上，梯级水电站的调节满足：
Figure BDA0003938794370000074
其中，τh为水电站h的水流时滞；
Figure BDA0003938794370000075
为上一级水电站h-1在t-τh时刻的发电流量。
构建负荷功率模型，包括：运用海量地市级电网内负荷的时序特性曲线预测数据，考虑多类型负荷时序特性差异考虑其均值和方差的不确定性，建立基于数据驱动矩信息的负荷出力时序特性模糊集。负荷功率模型考虑到的负荷包括居民负荷、商业负荷、工业负荷、行政负荷。对于负荷i，满足：
Figure BDA0003938794370000076
Figure BDA0003938794370000081
其中，DL1和DL2分别为随机变量
Figure BDA0003938794370000082
的模糊集和负荷出力的均值
Figure BDA0003938794370000083
和方差
Figure BDA0003938794370000084
的不确定集合；
Figure BDA0003938794370000085
为随机变量
Figure BDA0003938794370000086
的分布集合，P(·)为求概率函数，表示随机变量
Figure BDA0003938794370000087
的分布属于
Figure BDA0003938794370000088
的概率为1，E(·)为求期望函数；
Figure BDA0003938794370000089
和
Figure BDA00039387943700000810
分别为均值的上下限，
Figure BDA00039387943700000811
和
Figure BDA00039387943700000812
分别为方差的上下限；
Figure BDA00039387943700000813
和
Figure BDA00039387943700000814
分别为均值和方差的预测值，α和β分别为允许偏离系数，NL为负荷数量。
S1中的根据电力系统中的可调节资源构建多类型的可调节资源模型，包括：
结合氢储能能量约束、降解成本及调度周期，构建长时间尺度的氢储能模型，氢储能需满足功率约束能量约束，功率约束需满足燃料电池功率限制、电解装置功率限制、充放电不能同时进行约束，具体地，氢储能输出功率约束满足：
Figure BDA00039387943700000815
Figure BDA00039387943700000816
Figure BDA00039387943700000817
Figure BDA00039387943700000818
其中，FC表示燃料电池，ED表示电解装置，
Figure BDA00039387943700000819
Figure BDA00039387943700000820
分别表示燃料电池与电解装置输出功率的上下界，
Figure BDA00039387943700000821
与
Figure BDA00039387943700000822
分别为氢储第m个月调度周期t时刻燃料电池与电解装置是否工作的二进制变量，
Figure BDA00039387943700000823
为氢储能第m个月调度周期t时刻的输出功率，ηED与ηFC分别为电解装置与燃料电池的工作效率；
能量约束需满足氢储容量递推限制和每个时刻氢储容量限制：
Figure BDA0003938794370000091
Figure BDA0003938794370000092
其中，
Figure BDA0003938794370000093
为氢储第m个月调度周期t时刻的容量，EHY_max与EHy_min为容量的上下限。
氢储的运行费用，包括燃料电池的降解成本与电解装置降解的成本总和。
燃料电池降解成本满足：
Figure BDA0003938794370000094
其中，R0为FC欧姆电阻的初始值，CFC_cap为燃料电池的投资成本，rt FU为燃料电池的利用率，Uocv为FC的开启电压，Irated为FC的额定电流，θt为FC的温度，Rt为t时刻的欧姆电阻，SA为电池的面积。
电解装置降解成本满足：
Figure BDA0003938794370000095
其中，CED_cap为电解装置的投资成本，Δt为调度周期，
Figure BDA0003938794370000096
为FC的寿命周期。
氢储的总成本
Figure BDA0003938794370000097
满足：
Figure BDA0003938794370000098
其中，
Figure BDA0003938794370000099
和
Figure BDA00039387943700000910
分别为燃料电池和电解装置的降解成本。
此外，较小时级更长时间尺度的功率平衡调节主要考虑氢储的月调节作用，其方式为：根据预测的每月电网发电量与用电量差值(能量缺口或富余量)，以调节后总差值最小为目标，优化每个月氢储系统的充/放电量，再将其平均分配到每一天。
对于日调度周期，氢储能需满足如下约束：
Figure BDA0003938794370000101
其中，日调度时段数量为T1，
Figure BDA0003938794370000102
为氢储能第m个月调度周期末时刻的能量。
每月氢储能量变化的优化满足：
Figure BDA0003938794370000103
Figure BDA0003938794370000104
其中，Enet表示每月氢储的能量的变化，
Figure BDA0003938794370000105
表示负荷出力，
Figure BDA0003938794370000106
表示风电出力，
Figure BDA0003938794370000107
表示水电出力，
Figure BDA0003938794370000108
表示光伏出力，
Figure BDA0003938794370000109
表示氢储能的出力。
构建短时间初度电储能模型，满足：
Figure BDA00039387943700001010
SOCmin≤SOCt≤SOCmax
Figure BDA00039387943700001011
Figure BDA00039387943700001012
Figure BDA00039387943700001013
Figure BDA00039387943700001014
其中，SOCt为电储能的荷电状态，SOCmax与SOCmin为荷电状态的上下限约束，Et为t时刻电储能的能量，
Figure BDA00039387943700001015
与
Figure BDA00039387943700001016
为t时刻电储能的充放电功率，
Figure BDA00039387943700001017
为电储能充放电功率的上限；
电储能成本包含建设成本、运行维护成本和降解成本：
CESS＝αESSMESS+βESSMESS
MESS＝c2PESS.max+c3Er
Figure BDA00039387943700001018
CESS为电储能成本，MESS为储能设备一次性投资成本，PESS.max为储能最大充放电功率，Er是储能的容量，r是折现率，n为储能运行年限，αESS为电储能的等年值系数，βESS为运行成本系数，c2与c3为常数。
构建可调节水电、风光弃置、负荷需求响应的调节手段模型，库容及流量满足：
Figure BDA0003938794370000111
Figure BDA0003938794370000112
削减量满足：
Figure BDA0003938794370000113
Figure BDA0003938794370000114
其中，
Figure BDA0003938794370000115
分别为风、光的削减量，
Figure BDA0003938794370000116
分别为风、光的最大削减程度；并构建风光削减费用及激励总费用函数。
其中，风光削减的费用如下：
Figure BDA0003938794370000117
其中，λCUR为风光削减单位功率的费用，
Figure BDA0003938794370000118
为风光削减的功率，ΔT为调度周期。
负荷需求响应满足：
Figure BDA0003938794370000119
其中，
Figure BDA00039387943700001110
为削减的负荷量，
Figure BDA00039387943700001111
表示最大的削减程度。
第i个负荷的激励成本为
Figure BDA00039387943700001112
激励总费用满足：
Figure BDA00039387943700001113
其中，
Figure BDA00039387943700001114
负荷的激励总费用，
Figure BDA00039387943700001115
为负荷需求响应的单位功率的激励成本，
Figure BDA00039387943700001116
为第i个负荷需求响应量，NY为需求响应的负荷个数。
S2、评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；
S2中，风险指标评估思路为：
步骤一：得到区域内多类型源(风、光、水)荷考虑时序特性的概率功率模型；
步骤二：构建区域内各类型源荷储资源的多时间断面功率平衡方程；
步骤三：基于随机变量的运算原理，利用随机测度方法评估平衡方程不成立的概率，计算区域功率平衡的风险指标。
根据以上原理，评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标，满足：
Figure BDA0003938794370000121
Figure BDA0003938794370000122
Figure BDA0003938794370000123
其中，
Figure BDA0003938794370000124
表示调节之后的净负荷；
Figure BDA0003938794370000125
为变电站j中节点i的负荷出力；
Figure BDA0003938794370000126
为需求响应出力；
Figure BDA0003938794370000127
为风电出力；
Figure BDA0003938794370000128
为风电削减量；
Figure BDA0003938794370000129
为实施调节后的水电出力；
Figure BDA00039387943700001210
为光伏出力；
Figure BDA00039387943700001211
为光伏削减量；
Figure BDA00039387943700001212
为氢储的出力；
Figure BDA00039387943700001213
为电储能的出力；Ksub,j为变电站容载比；
Figure BDA00039387943700001214
为第j个变电站容量；
Figure BDA00039387943700001215
为变电站功率因数。
S3、以最小风险和最小调节成本为目标构建风险指标评估模型；
S3考虑区域电网调节能力降低风险，提出以最小风险和最小调节成本为目标的多目标风险指标评估模型。
其中，以最小风险为目标构建功率平衡风险指标，满足：
Figure BDA0003938794370000131
Figure BDA0003938794370000132
其中，
Figure BDA0003938794370000133
表示调节之后的净负荷；Pr{·}为概率；
Figure BDA0003938794370000134
为需求响应出力；
Figure BDA0003938794370000135
为风电削减量；Vht为水电库容；
Figure BDA0003938794370000136
为光伏削减量；
Figure BDA0003938794370000137
为氢储的出力；
Figure BDA0003938794370000138
为电储能的出力；Ksub,j为变电站容载比；Ssub,j为第j个变电站容量；
Figure BDA0003938794370000139
为变电站功率因数；
以最小调节成本为目标构建储能风险指标评估模型，满足：
min[CESS+CHHBES_deg+CDR+CCUR]。其中，CESS为电储能成本，CHHBES_deg为氢储能成本，CDR为需求响应成本，CCUR为风光削减惩罚成本。
S4、构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
S4具体地，构建多目标分布鲁棒模型作为最劣情况风险指标，所述目标包括概率模型不确定性及最小化成本，所述概率模型不确定性目标满足：
Figure BDA00039387943700001310
所述最小化成本包括两种储能的成本、需求响应成本、风电、光伏削减成本，满足：min[CESS+CHHBES_deg+CDR+CCUR]。其中，
Figure BDA00039387943700001311
为风电出力；
Figure BDA00039387943700001312
为光伏出力；
Figure BDA00039387943700001313
为水电出力；
Figure BDA00039387943700001314
为负荷出力；
Figure BDA00039387943700001315
表示调节之后的净负荷；Pr{·}为概率；
Figure BDA00039387943700001316
为需求响应出力；
Figure BDA00039387943700001317
为风电削减量；Vht为水电库容；
Figure BDA00039387943700001318
为光伏削减量；
Figure BDA00039387943700001319
为氢储的出力；
Figure BDA00039387943700001320
为电储能的出力；Ksub,j为变电站容载比；Ssub,j为第j个变电站容量；
Figure BDA00039387943700001321
为变电站功率因数。CESS为电储能成本，CHHBES_deg为氢储能成本，CDR为需求响应成本，CCUR为风光削减惩罚成本。
S5、通过截断正态分布求解所述模型，得到风险评估结果。
S5具体包括通过截断正态分布对所述模型中的函数进行转化，所述函数的净负荷绝对值满足：
Figure BDA0003938794370000141
μnet,j＝μL-μWT-μHT-μPV-μHyσnet,j 2＝σL 2+σWT 2+σHT 2+σPV 2，
其中，Φ为Pnet,j的累积分布函数；μnet,j为Pnet,j的均值，σnet,j 2为Pnet,j的方差；μL为负荷出力的均值；μWT为风电出力的均值；μHT为水电出力的均值；μPV为光伏出力的均值；μHy为储能出力的均值；σL 2为负荷出力的方差；σWT 2为风电出力的方差；σHT 2为水电出力的方差；σPV 2为光伏出力的方差；
同理
Figure BDA0003938794370000142
的求解，同上述方法类似，可进行转化，目标函数中的两部分分别可以转化为：
Obj1:Pr(x＞Ksub,jSsub,j)＝1-Pr(x≤Ksub,jSsub,j)＝1-ξ(Ksub,jSsub,j)
Figure BDA0003938794370000143
上述求解可以采用非线性求解器进行求解。对于考虑调节能力的源网荷功率平衡，可直接基于源荷网平衡求得的最恶劣情况，进行求解。
对转换后的函数通过ε约束法进行求解，具体地：
假设多目标优化包括目标函数F1和F2，求解具体步骤为：
步骤1：针对每个目标函数进行单独优化求解，此时其他目标函数处于无约束状态，得到F′1 *,F2(以F1为优化目标，得到的最优值F′1 *以及此时另一个目标函数的数值F′2)和F′1,F′2 *(以F2为优化目标，得到的最优值F′2 *以及此时另一个目标函数的数值F′1)；
步骤2：F2非劣解的取值范围为[min(F′2,F′2 *),max(F′2,F′2 *)]，根据想获取的非劣解个数n，从区间中等间距的选取ek(k＝1,…,n)，其中，常数值ek是从另一个目标函数在无约束条件下求得的最大
Figure BDA0003938794370000144
值和最小(ek )值之间等间距地获取的。
步骤3：将F2＝ek作为条件放入以F1为优化目标的优化模型中，优化结果为F1,k，从而得到第k个非劣解F1＝F1,k,F2＝ek。
步骤4：求解完成全部的n个非劣解之后，即可以构成该多目标优化问题的帕累托前沿数据。
由上，获取配电网资源配置模型的最优解，得到帕累托前沿数据。
步骤5：基于所述帕累托前沿数据调整所述分布式配电网中的资源配置参数。
具体的，帕累托前沿上的每个非劣解数据均是一个可行的最优解，对应的资源配置方案均为经过优化的方案，但目标函数值的组合不同，可根据实际需要进行选择，例如偏向于较低的配置预算成本，均能够为实现最小化风险和配置预算成本最小化的目标。
综上，通过本实施例所描述的模型构建过程及模型求解过程，不仅可以对风险进行预测，还能得到风险最小化的最优解，为电网调度提供参考。
实施例二
实施例二是实施例一的一种具体测试说明。
为了阐明实施例一中模型和所描述方法的有效性，对一座函供电区域进行风险指标评估，具体地，典型日取24个点，考虑容载比之后的最大容量为60MVA，光伏最大功率为74MW，风电最大功率为18MW，水电最大功率为30MW，区域最大负荷为145MW。
具体计算、风险评估过程请参照实施例一，风险评估结果如下：
安全约束风险请参照图2、图3所示，安全约束的违反在7时和8时较为明显，这是因为此刻风电功率较大，光伏已开始爬坡，但是负荷功率较小，易违反安全约束。
零碳约束风险请参照图4、图5所示，零碳约束的违反在17时和18时较为明显，这是因为晚高峰负荷功率较大，但光伏出力已经较小，易违反零碳约束。
请参照图6、图7所示的源网荷功率平衡风险指标的帕累托前沿，圆圈处为帕累托点(最大风险概率、全天成本)所对应风险指标评估情况。
综上，可以看出通过利用实施例一所阐述的方法，结合调节措施的实施，电网中功率平衡风险得到了显著降低，提高了电网系统的安全性，确保了系统的低碳运行。
实施例三
实施例三公开了一种对应上述实施例的功率平衡风险指标评估方法对应的装置，为上述实施例的虚拟装置结构，请参照图8所示，包括：
构建模块210，用于根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
指标构建模块220，用于评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；以最小风险和最小调节成本为目标构建风险指标评估模型；构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
解析模块230，用于求解模型，得到风险评估结果。
实施例四
图9为本发明实施例四提供的一种电子设备的结构示意图，如图9所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图9中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的功率平衡风险指标评估方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例一至实施例二的功率平衡风险指标评估方法。
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的用户身份信息、电网数据等。输出装置340可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，该存储介质可用于计算机执行功率平衡风险指标评估方法，该方法包括：
根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；
以最小风险和最小调节成本为目标构建风险指标评估模型；
构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
通过截断正态分布求解所述模型，得到风险评估结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于功率平衡风险指标评估方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，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的方法。
值得注意的是，上述基于功率平衡风险指标评估方法装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种功率平衡风险指标评估方法，其特征在于，包括以下步骤：
根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；
以最小风险和最小调节成本为目标构建风险指标评估模型；
构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
通过截断正态分布求解所述模型，得到风险评估结果。
2.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，根据源荷历史数据构建时序特性功率模型，所述功率模型的构建包括：
基于正态分布概率模型及地市级电网内分布式能源出力时序特性曲线，对光伏及风电系统i，针对每个时刻t，建立基于数据驱动矩信息的分布式能源出力时序特性模糊集：
Figure FDA0003938794360000011
Figure FDA0003938794360000012
其中，DDG1和DDG2分别为分布式电源的随机变量ξDG,i,t的模糊集和分布式电源出力曲线的均值序列μDG,i,t和方差序列σDG,i,t的不确定集合，
Figure FDA0003938794360000013
为随机变量ξDG,i,t的分布集合；P(·)为求概率函数，表示随机变量ξDG,i,t的分布属于
Figure FDA0003938794360000014
的概率为1；E(·)为求期望函数，
Figure FDA0003938794360000021
和μDG,i,t分别为均值的上下限，
Figure FDA0003938794360000022
和σDG,i,t分别为方差的上下限，μDG,pre,i,t和σDG,pre,i,t分别为均值和方差的预测值，α和β分别为用于控制模糊集的保守度的允许偏离系数，NDG为分布式电源配置数量；
构建水电功率模型，包括：
建立水电转换函数
Figure FDA0003938794360000023
Figure FDA0003938794360000024
其中，ηh为发电效率，hht为水头，Qht为发电流量，g为水电转换系数；
将发电流量Qht实际值建模为服从正态分布的随机变量：
Figure FDA0003938794360000025
其中，μht是发电流量
Figure FDA0003938794360000026
的均值，σht是发电流量
Figure FDA0003938794360000027
的标准差系数；
构建水电出力的模糊集：
Figure FDA0003938794360000028
Figure FDA0003938794360000029
其中，DHT1和DHT2分别为随机变量
Figure FDA00039387943600000210
的模糊集和水电出力的均值
Figure FDA00039387943600000211
和方差
Figure FDA00039387943600000212
的不确定集合；
Figure FDA00039387943600000213
为随机变量
Figure FDA00039387943600000214
的分布集合，P(·)为求概率函数，表示随机变量
Figure FDA00039387943600000215
的分布属于
Figure FDA00039387943600000216
的概率为1，E(·)为求期望函数；
Figure FDA00039387943600000217
和
Figure FDA00039387943600000218
分别为均值的上下限，
Figure FDA00039387943600000219
和
Figure FDA00039387943600000220
分别为方差的上下限；
Figure FDA00039387943600000221
和
Figure FDA00039387943600000222
分别为均值和方差的预测值，α和β分别为允许偏离系数，NHT为水电配置数量；
构建负荷功率模型，包括：
建立基于数据驱动矩信息的负荷出力时序特性模糊集：
Figure FDA0003938794360000031
Figure FDA0003938794360000032
其中，DL1和DL2分别为随机变量
Figure FDA0003938794360000033
的模糊集和负荷出力的均值
Figure FDA0003938794360000034
和方差
Figure FDA0003938794360000035
的不确定集合；
Figure FDA0003938794360000036
为随机变量
Figure FDA0003938794360000037
的分布集合，P(·)为求概率函数，表示随机变量
Figure FDA0003938794360000038
的分布属于
Figure FDA0003938794360000039
的概率为1，E(·)为求期望函数；
Figure FDA00039387943600000310
和
Figure FDA00039387943600000311
分别为均值的上下限，
Figure FDA00039387943600000312
和
Figure FDA00039387943600000313
分别为方差的上下限；
Figure FDA00039387943600000314
和
Figure FDA00039387943600000315
分别为均值和方差的预测值，α和β分别为允许偏离系数，NL为负荷数量。
3.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，根据电力系统中的可调节资源构建多类型的可调节资源模型，包括：
结合氢储能能量约束、降解成本及调度周期，构建长时间尺度的氢储能模型，输出功率约束满足：
Figure FDA00039387943600000316
Figure FDA00039387943600000317
Figure FDA00039387943600000318
Figure FDA00039387943600000319
其中，FC表示燃料电池，ED表示电解装置，
Figure FDA00039387943600000320
Figure FDA00039387943600000321
分别表示燃料电池与电解装置输出功率的上下界，
Figure FDA00039387943600000322
与
Figure FDA00039387943600000323
分别为氢储第m个月调度周期t时刻燃料电池与电解装置是否工作的二进制变量，
Figure FDA00039387943600000324
为氢储能第m个月调度周期t时刻的输出功率，ηED与ηFC分别为电解装置与燃料电池的工作效率；能量约束满足氢储容量递推限制和每个时刻氢储容量限制；氢储的运行费用包括燃料电池的降解成本与电解装置降解的成本总和；每月氢储能量变化的优化满足：
Figure FDA0003938794360000041
Figure FDA0003938794360000042
其中，Enet表示每月氢储的能量的变化，
Figure FDA0003938794360000043
表示负荷出力，
Figure FDA0003938794360000044
表示风电出力，
Figure FDA0003938794360000045
表示水电出力，
Figure FDA0003938794360000046
表示光伏出力，
Figure FDA0003938794360000047
表示氢储能的出力；
构建短时间初度电储能模型，满足：
Figure FDA0003938794360000048
SOCmin≤SOCt≤SOCmax
Figure FDA0003938794360000049
Figure FDA00039387943600000410
Figure FDA00039387943600000411
Figure FDA00039387943600000412
其中，SOCt为电储能的荷电状态，SOCmax与SOCmin为荷电状态的上下限约束，Et为t时刻电储能的能量，
Figure FDA00039387943600000413
与
Figure FDA00039387943600000414
为t时刻电储能的充放电功率，
Figure FDA00039387943600000415
为电储能充放电功率的上限，Er是储能容量，η是储能充放电效率；
构建可调节水电、风光弃置、负荷需求响应的调节手段模型，对于任意一个水电站i，库容及流量满足约束：
Figure FDA00039387943600000416
Figure FDA00039387943600000417
其中，
Figure FDA0003938794360000051
分别为水电站库容和流量的上下限；
削减量满足：
Figure FDA0003938794360000052
Figure FDA0003938794360000053
其中，
Figure FDA0003938794360000054
分别为风、光的削减量，
Figure FDA0003938794360000055
分别为风、光的最大削减程度；并构建风光削减费用及激励总费用函数，
Figure FDA0003938794360000056
分别为风电和光伏的日前预测出力。
4.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标，满足：
Figure FDA0003938794360000057
Figure FDA0003938794360000058
其中，
Figure FDA0003938794360000059
表示调节之后的净负荷；
Figure FDA00039387943600000510
为变电站j中节点i的负荷出力；
Figure FDA00039387943600000511
为需求响应出力；
Figure FDA00039387943600000512
为风电出力；
Figure FDA00039387943600000513
为风电削减量；
Figure FDA00039387943600000514
为实施调节后的水电出力；
Figure FDA00039387943600000515
为光伏出力；
Figure FDA00039387943600000516
为光伏削减量；
Figure FDA00039387943600000517
为氢储的出力；
Figure FDA00039387943600000518
为电储能的出力；Ksub,j为变电站容载比；
Figure FDA00039387943600000519
为第j个变电站容量；
Figure FDA00039387943600000520
为变电站功率因数。
5.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，以最小风险和最小调节成本为目标构建风险指标评估模型，包括：
以最小风险为目标构建功率平衡风险指标，满足：
Figure FDA00039387943600000521
Figure FDA0003938794360000061
其中，
Figure FDA0003938794360000062
表示调节之后的净负荷；Pr{·}为概率；
Figure FDA0003938794360000063
为需求响应出力；
Figure FDA0003938794360000064
为风电削减量；Vht为水电库容；
Figure FDA0003938794360000065
为光伏削减量；
Figure FDA0003938794360000066
为氢储的出力；
Figure FDA0003938794360000067
为电储能的出力；Ksub,j为变电站容载比；Ssub,j为第j个变电站容量；
Figure FDA0003938794360000068
为变电站功率因数；
以最小调节成本为目标构建储能风险指标评估模型，满足：
min[CESS+CHHBES_deg+CDR+CCUR]。
其中，CESS为电储能成本，CHHBES_deg为氢储能成本，CDR为需求响应成本，CCUR为风光削减惩罚成本。
6.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，构建多目标分布鲁棒模型作为最劣情况风险指标，所述目标包括概率模型不确定性及最小化成本，所述概率模型不确定性目标满足：
Figure FDA0003938794360000069
所述最小化成本目标满足：min[CESS+CHHBES_deg+CDR+CCUR]。
其中，
Figure FDA00039387943600000610
为风电出力；
Figure FDA00039387943600000611
为光伏出力；
Figure FDA00039387943600000612
为水电出力；
Figure FDA00039387943600000613
为负荷出力；
Figure FDA00039387943600000614
表示调节之后的净负荷；Pr{·}为概率；
Figure FDA00039387943600000615
为需求响应出力；
Figure FDA00039387943600000616
为风电削减量；Vht为水电库容；
Figure FDA00039387943600000617
为光伏削减量；
Figure FDA00039387943600000618
为氢储的出力；
Figure FDA00039387943600000619
为电储能的出力；Ksub,j为变电站容载比；Ssub,j为第j个变电站容量；
Figure FDA00039387943600000620
为变电站功率因数。CESS为电储能成本，CHHBES_deg为氢储能成本，CDR为需求响应成本，CCUR为风光削减惩罚成本。
7.如权利要求1所述的功率平衡风险指标评估方法，其特征在于，求解所述模型，包括：
通过截断正态分布对所述模型中的函数进行转化，所述函数的净负荷绝对值满足：
Figure FDA0003938794360000071
μnet,j＝μL-μWT-μHT-μPV-μHyσnet,j 2＝σL 2+σWT 2+σHT 2+σPV 2，
其中，Φ为Pnet,j的累积分布函数；μnet,j为Pnet,j的均值，σnet,j 2为Pnet,j的方差；μL为负荷出力的均值；μWT为风电出力的均值；μHT为水电出力的均值；μPV为光伏出力的均值；μHy为储能出力的均值；σL 2为负荷出力的方差；σWT 2为风电出力的方差；σHT 2为水电出力的方差；σPV 2为光伏出力的方差，x是服从的分布ξ(x)的随机变量；
对转换后的函数通过ε约束法进行求解，得到风险评估结果。
8.一种功率平衡风险指标评估装置，其特征在于，其包括：
构建模块，用于根据源荷历史数据构建时序特性功率模型，并根据电力系统中的可调节资源构建多类型的可调节资源模型；
指标构建模块，用于评估所述源网荷储功率模型中平衡方程不成立的概率，并作为风险指标；以最小风险和最小调节成本为目标构建风险指标评估模型；构建多目标分布鲁棒模型作为最劣情况风险指标，完成功率平衡风险指标评估模型的构建；
解析模块，用于求解模型，得到风险评估结果。
9.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的功率平衡风险指标评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的功率平衡风险指标评估方法。
CN202211411552.2A 2022-11-11 2022-11-11 功率平衡风险指标评估方法、装置、设备及介质 Pending CN115730818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211411552.2A CN115730818A (zh) 2022-11-11 2022-11-11 功率平衡风险指标评估方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211411552.2A CN115730818A (zh) 2022-11-11 2022-11-11 功率平衡风险指标评估方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115730818A true CN115730818A (zh) 2023-03-03

Family

ID=85295300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211411552.2A Pending CN115730818A (zh) 2022-11-11 2022-11-11 功率平衡风险指标评估方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115730818A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187768A (zh) * 2023-04-26 2023-05-30 浙江电力交易中心有限公司 适用于绿电市场的风险评估及防护方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187768A (zh) * 2023-04-26 2023-05-30 浙江电力交易中心有限公司 适用于绿电市场的风险评估及防护方法

Similar Documents

Publication Publication Date Title
Lujano-Rojas et al. Optimizing daily operation of battery energy storage systems under real-time pricing schemes
Shen et al. Low-carbon electricity network transition considering retirement of aging coal generators
Belmili et al. Sizing stand-alone photovoltaic–wind hybrid system: Techno-economic analysis and optimization
Lannoye et al. Evaluation of power system flexibility
Fernández-Blanco et al. Probabilistic security-constrained unit commitment with generation and transmission contingencies
Agamah et al. Energy storage system scheduling for peak demand reduction using evolutionary combinatorial optimisation
Xu et al. A day-ahead economic dispatch method considering extreme scenarios based on wind power uncertainty
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
Lu et al. Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network
Kiaee et al. Utilisation of alkaline electrolysers in existing distribution networks to increase the amount of integrated wind capacity
Maity et al. Optimal sizing and placement of wind farm in a radial distribution network considering reliability, operational, economic and environmental factors
Zhou et al. Multiobjective scheduling method for short-term peak shaving operation of cascade hydro plants
Zhu et al. Energy optimal dispatch of the data center microgrid based on stochastic model predictive control
CN115730818A (zh) 功率平衡风险指标评估方法、装置、设备及介质
Lotfi et al. Static hybrid AC/DC microgrid planning
Chai et al. PV inverter reliability constrained volt/var control with power smoothing via a convex-concave programming method
Aboshady et al. Reactive Power Control of PV Inverters in Active Distribution Grids with High PV Penetration
Nappu et al. Economic redispatch considering transmission congestion for optimal energy price in a deregulated power system
Eltohamy et al. Technical investigation for power system flexibility
Etim et al. Probabilistic adaptive power pinch analysis for islanded hybrid energy storage systems
Farjah Proposing an efficient wind forecasting agent using adaptive MFDFA
CN115392785A (zh) 计及阻塞抵抗性的配电网阻塞调度方法
Brka Optimisation of stand-alone hydrogen-based renewable energy systems using intelligent techniques
CN114547821A (zh) 基于灰色关联理论的可调度柔性资源辨识方法、存储介质
Dennis et al. Improving hydrogeneration representation in a production cost model used for long-term transmission studies in the Western Interconnection

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