CN115833240A - 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 - Google Patents
考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 Download PDFInfo
- Publication number
- CN115833240A CN115833240A CN202211593585.3A CN202211593585A CN115833240A CN 115833240 A CN115833240 A CN 115833240A CN 202211593585 A CN202211593585 A CN 202211593585A CN 115833240 A CN115833240 A CN 115833240A
- Authority
- CN
- China
- Prior art keywords
- formula
- capacity
- jth
- wind
- individual
- 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
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑梯级水电站连接的风‑光‑水互补系统的容量配置优化方法,包括:1搜集梯级水电站的特征参数,依据相关数据拟合出对应的特征曲线;2在考虑梯级水电站连接的基础上,建立风‑光‑水互补系统的出力模型;3以互补系统的理论发电量与最大输送能力的总波动最小为总目标建立容量配置模型,并实现弃能量最小和通道利用率最大;4用改进的差分进化算法求解,得到最优的容量配比结果。本发明能在考虑梯级水库连接的基础上,降低整个互补系统的弃能,并提高外送通道利用率,从而能极大地提高系统的可靠性。
Description
技术领域
本发明涉及新能源发电系统容量配置领域,具体涉及一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法。
背景技术
随着全世界能源和科技革命的新一轮崛起,新能源领域方兴未艾,虽然在过往的工作中,新能源发电已经取得了斐然的成绩,但由于新能源总系统规划问题以及难以匹配已经成熟完备的电力机制等实际原因,造成新能源难以消纳,弃风弃光甚至弃核问题异常严重。在此背景下,多能互补式发电作为可解决上述问题的有效手段受到广泛关注,该方法是利用各种能源的互补特性缓解供需矛盾和出力不稳定的问题,从而可以显著提高能源利用率,减少输电工程投资。而在多能互补式发电系统的研究中,风-光-水互补式发电系统又格外引人注目,因为该互补系统可以利用水电站调频性能优秀,响应灵活的特点,将风光电站与水电站产生的电能打捆送出,以此平抑风光单独发电时出力变幅较大,不稳定的缺陷,从而提高能源的利用率,保证整个发电系统的安全性与稳定性。而在风-光-水互补系统的规划时期,首当其冲需要确定的便是合理的容量配置方案,因为这是后续建设的前提和基础。
但是现有的技术没有真正考虑梯级水电站的连接特征,对于水电站的发电过程作了大幅简化,这并不利于发明在实际情况中的应用;其次,现有模型的主要目的集中在经济性指标,例如降低投资成本,而对于可靠性指标缺少关注,导致了多能互补式发电系统的稳定性大幅下降;此外,对于外送通道容量的选取和风光接入比例之间关系的研究也是寥寥无几,这就让模型的通用性大幅降低;最后,关于求解相关的模型,现有的技术缺少同时解决约束,提高种群质量和跳出局部最优的有效方法,所以这也对多能互补式发电系统的规划建设产生了阻碍。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法,以期能在考虑梯级水库连接的基础上,降低整个互补系统的弃能,并提高外送通道利用率,从而能极大地提高系统的可靠性。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法,所述风-光-水互补系统包括:梯级水电站、光伏电站和风电站以及外送通道,其特点在于,所述容量配置优化方法包括以下步骤:
步骤1、获取梯级水电站的特征参数,并依据特征数据拟合出对应的特征曲线,从而根据特征参数选取所述风-光-水互补系统的外送通道容量;
步骤1.1、获取梯级水电站的特征参数包括:正常蓄水位,汛限水位,死水位,总库容,死库容,装机容量,保证出力,最小下泄流量,最大下泄流量;
步骤1.2、使用最小二乘法对水位-库容表,下泄流量-下游水位表和水头-预想出力表中的数据进行拟合,得到对应的特征曲线;
步骤1.3、以梯级水电站中已有的外送通道利用程度最高为目标,选取风-光-水互补系统的外送通道容量;
步骤2、在考虑梯级水电站连接的基础上,建立风-光-水互补系统的出力模型;
步骤2.1、利用式(1)和式(2)构建风电出力模型:
步骤2.2、利用式(3)和式(4)构建光电出力模型:
步骤2.3、利用式(5)构建水电出力模型:
式(6)和式(7)中,表示第j个水电站在第i时段的下游水位;Zi,j表示第j个水电站在第i时段的水位;Zi+1,j表示第j个水电站在第i+1时段的水位;Z(·)表示下游水位和下泄流量的函数关系式;Qi,j表示第j个水电站在第i时段的下泄流量,并有:
式(9)和式(10)中,Vi,j表示第j个水电站在第i时段的库容,Vi+1,j表示第j个水电站在第i+1时段的库容;ti表示第i时段的小时数;Ii,j表示第j个水电站在第i时段的入库流量;V(·)表示库容变化和水位变化的关系式;
步骤3、以系统的理论发电量与最大输送能力的总波动最小为总目标,并实现弃能量最小和通道利用率最大,从而建立容量配置模型;
步骤3.1、利用式(16)构建容量配置模型的目标函数F,使得风-光-水互补系统在运行周期内的理论发电量相对于最大输送能力的总波动最小:
式(17)-式(19)中,Psend表示风-光-水互补系统的外送通道的容量,并有:
式(20)-式(22)中,Es表示风-光-水互补系统在整个运行周期内的弃能量;Epwh表示风-光-水互补系统在运行周期内产生的理论总电量;Esend表示风-光-水互补系统在运行周期内的最大外送电量;Ev,pwh表示风-光-水互补系统产生的有效总电量;Ru表示风-光-水互补系统的通道利用率;
步骤3.2、利用式(25)-式(36)构建容量配置模型的约束条件:
利用式(25)和式(26)构建容量配置模型的第一约束条件:
利用式(27)和式(28)构建容量配置模型的第二约束条件:
利用式(29)构建容量配置模型的第三约束条件:
1<Rw+Rp≤σ (29)
式(29)中,σ表示风电与光电接入装机容量比例的约束上限;
利用式(30)-式(34)构建容量配置模型的第四约束条件,包括:
利用式(30)构建水位约束:
利用式(31)和式(32)构建水位的边界条件:
利用式(33)和式(34)构建初末水位的耦合关系:
利用式(35)构建容量配置模型的第五约束条件:
利用式(36)构建容量配置模型的第六约束条件:
式(36)中,Vi+1,j表示j个水电站在第i时段的库容;Vi,j表示第j个水电站在第i时段的库容;Ii,j表示第j个水电站在第i时段的入库流量;表示第j个水电站在第i时段的发电引用流量;表示第j个水电站在第i时段的弃水流量;
步骤4、用改进的差分进化算法对容量配置模型进行迭代求解,并输出每一次迭代的最优解及对应的目标函数值;若每次迭代的目标函数值均相同,且目标函数值的量级均与惩罚因子的量级相同,则返回步骤1.3,在重新选取互补系统的外送通道容量后,继续顺序执行步骤2;否则,以最后一次迭代中最优个体的第n×(T+1)+1维向量和第n×(T+1)+2维向量作为风电和光伏最优的装机容量接入比例,再利用式(2)和式(4)得到风电和光伏的最优接入装机规模。
本发明所述的一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法的特点也在于,所述步骤4包括:
步骤4.1、定义并初始化参数,包括:当前迭代次数g=0,最大迭代次数maxGEN,种群规模Np,问题维度D;缩放因子F和交叉概率CR;
其中,Xm,n(g)表示第g代种群中第m个个体Xm(g)的第n维向量;为第g代种群中第m个个体Xm(g)的第j×i维向量,表示第j个水电站在第i时段的水位;为第g代种群中第m个个体Xm(g)的第n×(T+1)+1维向量,表示风电站装机容量的接入比例,为第g代种群中第m个个体Xm(g)的第n×(T+1)+1维向量,表示光伏电站装机容量的接入比例,σm(g)为第g代种群中第m个个体Xm(g)的第n×(T+1)+2维向量,表示风电站和光伏电站装机容量接入比例的约束上限;D=n×(T+1)+3;
再利用式(37)对第g代种群中的第m个个体的每个维度进行赋值:
步骤4.3、利用式(38)对第g代种群中第m个个体的第n维向量Xm,n(g)进行变异操作,生成第m个个体的第n维变异向量Mm,n(g):
Mm,n(g)=Xm1,n(g)+F×(Xm2,n(g)-Xm3,n(g)) (38)
式(38)中,F∈(0,1)表示缩放因子;Xm1,n(g)、Xm2,n(g)、Xm3,n(g)分别表示第g代种群中第m1、m2、m3个个体的第n维向量,m1,m2,m3∈{1,2,3,...,Np}且m1≠m2≠m3;
步骤4.4、利用式(39)对第g代种群中第m个个体的第n维向量Xm,n(g)和第n维变异向量Mm,n(g)进行交叉操作,得到第m个个体的第n维交叉向量Vm,n(g),再利用式(40)得到第g代种群中第m个交叉个体Vm(g):
Vm(g)={Vm,1(g),...,Vm,n(g),...,Vm,D(g)} (40)
式(39)和式(40)中,Vm,n(g)表示第g代种群中第m个体的第n维交叉向量;CR为交叉概率;
步骤4.5、计算第g代中第m个交叉个体Vm(g)的适应度值F(Vm(g)):
步骤4.5.8、利用式(17)计算第g代中第m个交叉个体Vm(g)的目标函数值f(Vm(g));
步骤4.5.9、利用式(41)使用死亡罚函数得到第g代中第m个交叉个体Vm(g)的适应度值F(Vm(g)):
式(41)中,表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的通道利用率;表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的弃能率;F(·)表示计算个体适应度的函数;f(·)表示计算个体目标函数值的函数;N表示惩罚系数;k为不满足约束的个数;
步骤4.6、利用式(42)得到第g+1代种群的第m个个体Xm(g+1):
式(42)中,F(Vm(g))表示第g代种群中第m个交叉个体Vm(g)的适应度值;F(Xm(g))表示第g代种群中第m个个体Xm(g)的适应度值;
步骤4.7、分别找到当前第g+1代种群中的最优个体Xbest(g+1)和最差个体Xworst(g+1);
步骤4.8、执行混沌局部搜索:
步骤4.8.1、利用式(43)得到第g+1代经混沌映射后的混沌值Yg+1:
Yg+1=cos(λ×arccosYg) (43)
式(43)中,当g=0时,令Yg取(-1,1)的任意值;
步骤4.9、利用式(45)对第g+1代种群中最差个体Xworst(g+1)进行更新:
步骤4.10、将g+1赋值给g后,判断g>maxGEN是否成立,若成立,则终止循环,得到第maxGEN代种群的最优个体Xbest(maxGEN)和第maxGEN代种群中最优个体的最优目标函数值f(Xbest(maxGEN));否则,返回步骤4.3顺序执行。
本发明一种电子设备,包括存储器以及处理器,其特点在于,所述存储器用于存储支持处理器执行所述容量配置优化方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特点在于,所述计算机程序被处理器运行时执行所述容量配置优化方法的步骤。
与现有技术相比,本发明的有益效果在于:
1.本发明在考虑梯级水电站连接的基础上,以降低整个风-光-水互补系统的弃能和提高外送通道利用率为目的,并且在实例计算中,会根据实际的需求和条件选取对应的场景,即选取合适的外送通道容量和风光接入比例之间的关系,再经过改进的差分进化算法优化求解,从而得到最优的容量配比结果。所以,本发明提高了风-光-水互补发电系统的可靠性,并为建设风-光-水互补能源系统或其他分布式多能互补发电系统提供了参考。
2.本发明提出的风-光-水互补系统的出力模型,是在考虑了梯级水电站连接特征的基础上,细化梯级水电站的出力过程,使其更加贴近现实,从而让本发明更具有实用价值。
3.本发明求解的容量配置模型,是以互补系统的理论发电量与最大输送能力的总波动最小为总目标,进而同时实现弃能量最小和通道利用率最大的目的,从而极大程度地提高了该系统的可靠性,弥补了现有技术的不足。
4.本发明使用的改进差分算法通过死亡罚函数的思想可以高效且有效地解决含约束问题,再通过基于混沌搜索的精英选择策略,可以实现在尽可能跳出局部最优解的基础上提高下一代种群质量的目的,从而为风-光-水互补发电系统的后期建设提供更为准确的指导,同时也为解决同类型的高维含约束优化问题提供了新思路。
5.本发明以梯级水电站中已有的外送通道利用程度最高为目标,选取风-光-水互补系统的外送通道容量,并在分析结果时考虑到了外送通道容量和风光接入比例之间的关系对最优配比的影响,有利于选取合适的外送通道容量和比例关系,从而让本发明在不同的实际需求和环境背景下仍然能发挥效用,为使用者提供准确的容量配置计划和对应的实际建设规划,进而提高了本发明的通用性和实用性。
附图说明
图1为本发明的整体流程图;
图2为本发明提出的算法流程图。
具体实施方式
本实施例中,一种考虑梯级水电站连接的风-光-水互补系统容量配置优化方法,如图1所示,是按如下步骤进行:
步骤1、搜集梯级水电站的特征参数,依据相关数据拟合出对应的特征曲线,并选取整个互补系统的外送通道容量;
步骤1.1、搜集的水电站特征参数包括:正常蓄水位,汛限水位,死水位,总库容,死库容,装机容量,保证出力,最小下泄流量,最大下泄流量等;
步骤1.2、再使用最小二乘法对水位-库容表,下泄流量-下游水位表和水头-预想出力表中的数据进行拟合,得到对应的特征曲线,后期使用二分查找法对曲线进行搜索;
步骤1.3、根据最大程度利用水电站已有消纳通道的思想,选取风-光-水互补系统的外送通道容量。
选取外送通道容量(Psend)时,需要在最大程度利用水电站调节能力的基础上,考虑风电和光电接入比例的上下限,例如对金沙江下游的四个梯级水电站进行分析,乌东德水电站的装机容量是1020万千瓦,白鹤滩的装机容量是1600万千瓦,溪洛渡是1386万千瓦,向家坝是640万千瓦,总装机容量为4646万千瓦,风电和光电接入的比例都不超过1.5,那么外送通道容量可以在4500万千瓦左右选取,因为更精确地选取还需要结合风电和光电的出力系数,所以可以取4000万千瓦,4500万千瓦和5000万千瓦三个场景对该模型进行实验,再根据具体的结果进行下一步的筛选。
步骤2、在考虑梯级水电站连接的基础上,建立风-光-水互补系统的出力模型;
步骤2.1、利用式(1)和式(2)构建风电出力模型:
步骤2.2、利用式(3)和式(4)构建光电出力模型:
步骤2.3、利用式(5)构建水电出力模型:
式(6)和式(7)中,表示第j个水电站第i时段的下游水位;Zi,j表示第j个水电站第i时段的水位;Zi+1,j表示第j个水电站第i+1时段的水位;Z(·)表示下游水位和下泄流量的函数关系式,Qi,j表示第j个水电站第i时段的下泄流量,并有:
Vi+1,j-Vi,j=V(Zi+1,j-Zi,j) (10)
式(9)和式(10)中,Vi,j表示第j个水电站在第i时段的库容,Vi+1,j表示第j个水电站在第i+1时段的库容;ti表示第i时段的小时数;Ii,j表示第j个水电站在第i时段的入库流量;V(·)表示库容变化和水位变化的关系式;
步骤3、以系统的理论发电量与最大输送能力的总波动最小为总目标,并实现弃能量最小和通道利用率最大,从而建立容量配置模型;
步骤3.1、利用式(16)构建容量配置模型的目标函数F,使得风-光-水互补系统在运行周期内的理论发电量相对于最大输送能力的总波动最小:
式(17)-式(19)中,Psend表示风-光-水互补系统的外送通道的容量,并有:
式(20)-式(22)中,Es表示风-光-水互补系统在整个运行周期内的弃能量;Epwh表示风-光-水互补系统在运行周期内产生的理论总电量;Esend表示风-光-水互补系统在运行周期内的最大外送电量;Ev,pwh表示风-光-水互补系统产生的有效总电量;Ru表示风-光-水互补系统的通道利用率;
步骤3.2、利用式(25)-式(36)构建容量配置模型的约束条件:
利用式(25)和式(26)构建容量配置模型的第一约束条件,通道利用率约束:
利用式(27)和式(28)构建容量配置模型的第二约束条件,弃能率约束:
利用式(29)构建容量配置模型的第三约束条件,风电和光伏的接入比例约束:
1<Rw+Rp≤σ (29)
式(29)中,σ表示风电与光伏接入装机容量比例的约束上限;
利用式(30)-式(34)构建容量配置模型的第四约束条件,包括水位约束,水位的边界条件及初末水位的耦合条件:
利用式(30)构建水位约束:
利用式(31)和式(32)构建水位的边界条件:
利用式(33)和式(34)构建初末水位的耦合关系:
利用式(35)构建容量配置模型的第五约束条件,出力约束:
利用式(36)构建容量配置模型的第六约束条件,水量平衡方程约束:
式(36)中,Vi+1,j表示j个水电站在第i时段的库容;Vi,j表示第j个水电站在第i时段的库容;Ii,j表示第j个水电站在第i时段的入库流量;表示第j个水电站在第i时段的发电引用流量;表示第j个水电站在第i时段的弃水流量;
步骤4、使用改进的差分进化算法求解,并对结果进行分析,算法的流程如图2所示,算法的具体步骤和分析结果的步骤如下:
步骤4.1、定义并初始化参数,包括:当前迭代次数g=0,最大迭代次数maxGEN,种群规模Np,问题维度D;缩放因子F和交叉概率CR;
其中,Xm,1(g)表示第g代种群中第m个个体Xm(g)的第1维向量;Xm,n(g)表示第g代种群中第m个个体Xm(g)的第n维向量;Xm,D(g)表示第g代种群中第m个个体Xm(g)的第D维向量;为第g代种群中第m个个体Xm(g)的第(1×1)维向量,表示第1个水电站在第1时段的水位;为第g代种群中第m个个体Xm(g)的第(j×i)维向量,表示第j个水电站在第i时段的水位;为第g代种群中第m个个体Xm(g)的第(n×(T+1))维向量,表示第n个水电站在第T+1时段的水位;为第g代种群中第m个个体Xm(g)的第(n×(T+1)+1)维向量,表示风电站装机容量的接入比例,为第g代种群中第m个个体Xm(g)的第(n*(T+1)+2)维向量,表示光伏电站装机容量的接入比例,σm(g)为第g代种群中第m个个体Xm(g)的第(n*(T+1)+3)维向量,表示风电站和光伏电站装机容量接入比例的约束上限;
再利用式(37)对第g代种群中的第m个个体的每个维度进行赋值:
步骤4.3、利用式(38)对第g代种群中第m个个体的第n维向量Xm,n(g)进行变异操作,生成第m个个体的第n维变异向量Mm,n(g):
Mm,n(g)=Xm1,n(g)+F×(Xm2,n(g)-Xm3,n(g)) (38)
式(38)中,缩放因子F∈(0,1),用来控制差分向量的大小;Xm1,n(g)、Xm2,n(g)、Xm3,n(g)分别表示第g代种群中第m1,m2,m3个个体的第n维向量;m1,m2,m3∈{1,2,3,...,Np}且m1≠m2≠m3;
步骤4.4、利用式(39)对第g代种群中第m个个体的第n维向量Xm,n(g)和第n维变异向量Mm,n(g)进行交叉操作,得到第m个个体的第n维交叉向量Vm,n(g),再利用式(40)得到第g代种群中的第m个交叉个体Vm(g):
Vm(g)={Vm,1(g),...,Vm,n(g),...,Vm,D(g)} (40)
式(39)和式(40)中,Vm,1(g)表示第g代种群中第m个体的第1维交叉向量;Vm,n(g)表示第g代种群中第m个体的第n维交叉向量;Vm,D(g)表示第g代种群中第m个体的第D维交叉向量;CR为交叉概率;
步骤4.5、计算第g代第m个交叉个体Vm(g)的适应度值F(Vm(g)):
步骤4.5.8、利用式(17)计算第g代第m个交叉个体Vm(g)的目标函数值f(Vm(g));
步骤4.5.9、利用式(41)对第g代第m个交叉个体Vm(g)进行约束条件的判断,若不满足,则使用死亡罚函数施加惩罚后得到适应度值F(Vm(g)),否则,直接得到适应度值F(Vm(g)):
式(41)中,表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的通道利用率;表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的弃能率;F(·)表示计算个体适应度的函数;f(·)表示计算个体目标函数值的函数;N表示惩罚系数;k为不满足约束的个数;
步骤4.6、利用式(42)得到第g+1代种群的第m个个体Xm(g+1):
式(42)中,F(Vm(g))表示第g代种群中第m个交叉个体Vm(g)的适应度值;F(Xm(g))表示第g代种群中第m个个体Xm(g)的适应度值;
步骤4.7、分别找到当前第g+1代种群中的最优个体Xbest(g+1)和最差个体Xworst(g+1);
步骤4.8、执行混沌局部搜索:
步骤4.8.1、利用式(43)得到经第g+1代混沌映射后的混沌值Yg+1:
Yg+1=cos(λ×arccosYg) (43)
式(43)中,当g=0时,令Yg取(-1,1)的任意值;
式(44)中,表示当前第g+1代种群中最优个体的第n维变量;表示在第g+1代种群最优个体周围依据混沌局部搜索生成的新个体的第n维变量;分别表示第n维变量的上下限;rand1(g),rand2(g)均表示在第g次迭代中产生的随机数,其范围是(0,1)
步骤4.9、利用式(45)对第g+1代种群中最差个体Xworst(g+1)进行更新:
步骤4.10、将g+1赋值给g后,判断g>maxGEN是否成立,若成立,则终止循环,得到第maxGEN代种群的最优个体Xbest(maxGEN)和第maxGEN代种群中最优个体的最优目标函数值f(Xbest(maxGEN));否则,返回步骤4.3,顺序执行直至满足终止条件;
步骤4.11、在用改进的差分进化算法对容量配置模型进行迭代求解后,输出每一次迭代的最优解及对应的目标函数值。若每次迭代的目标函数值均相同,且目标函数值的量级均与惩罚因子的量级相同,则返回步骤1.3,在重新选取互补系统的外送通道容量后,继续顺序执行步骤2,否则,以最后一次迭代中最优个体的第n×(T+1)+2维向量和第n×(T+1)+3维向量作为风电和光伏最优的装机容量接入比例,再利用式(2)和式(4)得到风电和光伏的最优接入装机规模;
步骤4.12、首先分析互补系统外送通道容量的改变对整个模型的影响情况,例如风电和光电的最优接入比例,弃能率,通道利用率,能源利用小时数等因素的变化规律。
步骤4.13、其次分析接入的风电和光电规模变化对整个模型的影响,例如弃能率,通道利用率,能源利用小时数等因素的变化规律,在这个过程中,为了研究的方便性,可将风电,光电的接入比例需要在变动范围内设为正比例函数关系,并在此基础上,利用弃能率和通道空闲率(1-通道利用率)的图像交点验证算法的有效性。
步骤4.14、最后分析各种场景下的最优容量配比结果,在验证步骤4.12和步骤4.13得到规律的基础上,再根据实际情况和具体需求选取对应的场景,得到最终的结果。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述容量配置优化方法的程序,该处理器被配置为用于执行该储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述容量配置优化方法的步骤。
Claims (4)
1.一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法,所述风-光-水互补系统包括:梯级水电站、光伏电站和风电站以及外送通道,其特征在于,所述容量配置优化方法包括以下步骤:
步骤1、获取梯级水电站的特征参数,并依据特征数据拟合出对应的特征曲线,从而根据特征参数选取所述风-光-水互补系统的外送通道容量;
步骤1.1、获取梯级水电站的特征参数包括:正常蓄水位,汛限水位,死水位,总库容,死库容,装机容量,保证出力,最小下泄流量,最大下泄流量;
步骤1.2、使用最小二乘法对水位-库容表,下泄流量-下游水位表和水头-预想出力表中的数据进行拟合,得到对应的特征曲线;
步骤1.3、以梯级水电站中已有的外送通道利用程度最高为目标,选取风-光-水互补系统的外送通道容量;
步骤2、在考虑梯级水电站连接的基础上,建立风-光-水互补系统的出力模型;
步骤2.1、利用式(1)和式(2)构建风电出力模型:
步骤2.2、利用式(3)和式(4)构建光电出力模型:
步骤2.3、利用式(5)构建水电出力模型:
式(6)和式(7)中,表示第j个水电站在第i时段的下游水位;Zi,j表示第j个水电站在第i时段的水位;Zi+1,j表示第j个水电站在第i+1时段的水位;Z(·)表示下游水位和下泄流量的函数关系式;Qi,j表示第j个水电站在第i时段的下泄流量,并有:
式(9)和式(10)中,Vi,j表示第j个水电站在第i时段的库容,Vi+1,j表示第j个水电站在第i+1时段的库容;ti表示第i时段的小时数;Ii,j表示第j个水电站在第i时段的入库流量;V(·)表示库容变化和水位变化的关系式;
步骤3、以系统的理论发电量与最大输送能力的总波动最小为总目标,并实现弃能量最小和通道利用率最大,从而建立容量配置模型;
步骤3.1、利用式(16)构建容量配置模型的目标函数F,使得风-光-水互补系统在运行周期内的理论发电量相对于最大输送能力的总波动最小:
式(17)-式(19)中,Psend表示风-光-水互补系统的外送通道的容量,并有:
式(20)-式(22)中,Es表示风-光-水互补系统在整个运行周期内的弃能量;Epwh表示风-光-水互补系统在运行周期内产生的理论总电量;Esend表示风-光-水互补系统在运行周期内的最大外送电量;Ev,pwh表示风-光-水互补系统产生的有效总电量;Ru表示风-光-水互补系统的通道利用率;
步骤3.2、利用式(25)-式(36)构建容量配置模型的约束条件:
利用式(25)和式(26)构建容量配置模型的第一约束条件:
利用式(27)和式(28)构建容量配置模型的第二约束条件:
利用式(29)构建容量配置模型的第三约束条件:
1<Rw+Rp≤σ (29)
式(29)中,σ表示风电与光电接入装机容量比例的约束上限;
利用式(30)-式(34)构建容量配置模型的第四约束条件,包括:
利用式(30)构建水位约束:
利用式(31)和式(32)构建水位的边界条件:
利用式(33)和式(34)构建初末水位的耦合关系:
利用式(35)构建容量配置模型的第五约束条件:
利用式(36)构建容量配置模型的第六约束条件:
式(36)中,Vi+1,j表示j个水电站在第i时段的库容;Vi,j表示第j个水电站在第i时段的库容;Ii,j表示第j个水电站在第i时段的入库流量;表示第j个水电站在第i时段的发电引用流量;表示第j个水电站在第i时段的弃水流量;
步骤4、用改进的差分进化算法对容量配置模型进行迭代求解,并输出每一次迭代的最优解及对应的目标函数值;若每次迭代的目标函数值均相同,且目标函数值的量级均与惩罚因子的量级相同,则返回步骤1.3,在重新选取互补系统的外送通道容量后,继续顺序执行步骤2;否则,以最后一次迭代中最优个体的第n×(T+1)+1维向量和第n×(T+1)+2维向量作为风电和光伏最优的装机容量接入比例,再利用式(2)和式(4)得到风电和光伏的最优接入装机规模。
2.根据权利要求1所述的一种考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法,其特征在于,所述步骤4包括:
步骤4.1、定义并初始化参数,包括:当前迭代次数g=0,最大迭代次数maxGEN,种群规模Np,问题维度D;缩放因子F和交叉概率CR;
步骤4.2、初始化第g代种群,令第g代种群中的第m个个体记为Xm(g),且
其中,Xm,n(g)表示第g代种群中第m个个体Xm(g)的第n维向量;为第g代种群中第m个个体Xm(g)的第j×i维向量,表示第j个水电站在第i时段的水位;为第g代种群中第m个个体Xm(g)的第n×(T+1)+1维向量,表示风电站装机容量的接入比例,为第g代种群中第m个个体Xm(g)的第n×(T+1)+1维向量,表示光伏电站装机容量的接入比例,σm(g)为第g代种群中第m个个体Xm(g)的第n×(T+1)+2维向量,表示风电站和光伏电站装机容量接入比例的约束上限;D=n×(T+1)+3;
再利用式(37)对第g代种群中的第m个个体的每个维度进行赋值:
步骤4.3、利用式(38)对第g代种群中第m个个体的第n维向量Xm,n(g)进行变异操作,生成第m个个体的第n维变异向量Mm,n(g):
Mm,n(g)=Xm1,n(g)+F×(Xm2,n(g)-Xm3,n(g)) (38)
式(38)中,F∈(0,1)表示缩放因子;Xm1,n(g)、Xm2,n(g)、Xm3,n(g)分别表示第g代种群中第m1、m2、m3个个体的第n维向量,m1,m2,m3∈{1,2,3,...,Np}且m1≠m2≠m3;
步骤4.4、利用式(39)对第g代种群中第m个个体的第n维向量Xm,n(g)和第n维变异向量Mm,n(g)进行交叉操作,得到第m个个体的第n维交叉向量Vm,n(g),再利用式(40)得到第g代种群中第m个交叉个体Vm(g):
式(39)和式(40)中,Vm,n(g)表示第g代种群中第m个体的第n维交叉向量;CR为交叉概率;
步骤4.5、计算第g代中第m个交叉个体Vm(g)的适应度值F(Vm(g)):
步骤4.5.8、利用式(17)计算第g代中第m个交叉个体Vm(g)的目标函数值f(Vm(g));
步骤4.5.9、利用式(41)使用死亡罚函数得到第g代中第m个交叉个体Vm(g)的适应度值F(Vm(g)):
式(41)中,表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的通道利用率;表示由第g代种群中第m个交叉个体Vm(g)计算出的系统在第i时段的弃能率;F(·)表示计算个体适应度的函数;f(·)表示计算个体目标函数值的函数;N表示惩罚系数;k为不满足约束的个数;
步骤4.6、利用式(42)得到第g+1代种群的第m个个体Xm(g+1):
式(42)中,F(Vm(g))表示第g代种群中第m个交叉个体Vm(g)的适应度值;F(Xm(g))表示第g代种群中第m个个体Xm(g)的适应度值;
步骤4.7、分别找到当前第g+1代种群中的最优个体Xbest(g+1)和最差个体Xworst(g+1);
步骤4.8、执行混沌局部搜索:
步骤4.8.1、利用式(43)得到第g+1代经混沌映射后的混沌值Yg+1:
Yg+1=cos(λ×arccosYg) (43)
式(43)中,当g=0时,令Yg取(-1,1)的任意值;
步骤4.9、利用式(45)对第g+1代种群中最差个体Xworst(g+1)进行更新:
步骤4.10、将g+1赋值给g后,判断g>maxGEN是否成立,若成立,则终止循环,得到第maxGEN代种群的最优个体Xbest(maxGEN)和第maxGEN代种群中最优个体的最优目标函数值f(Xbest(maxGEN));否则,返回步骤4.3顺序执行。
3.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1或2所述容量配置优化方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
4.一种计算机可读存储介质,计算机可读存储介质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运行时执行权利要求1或2所述容量配置优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593585.3A CN115833240A (zh) | 2022-12-13 | 2022-12-13 | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593585.3A CN115833240A (zh) | 2022-12-13 | 2022-12-13 | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115833240A true CN115833240A (zh) | 2023-03-21 |
Family
ID=85546659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593585.3A Pending CN115833240A (zh) | 2022-12-13 | 2022-12-13 | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833240A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639114A (zh) * | 2024-01-26 | 2024-03-01 | 河海大学 | 梯级水电协同配置风光容量优化方法、装置、设备及介质 |
-
2022
- 2022-12-13 CN CN202211593585.3A patent/CN115833240A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639114A (zh) * | 2024-01-26 | 2024-03-01 | 河海大学 | 梯级水电协同配置风光容量优化方法、装置、设备及介质 |
CN117639114B (zh) * | 2024-01-26 | 2024-04-02 | 河海大学 | 梯级水电协同配置风光容量优化方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956266B (zh) | 基于层次分析法的多电源电力系统多目标优化调度方法 | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN108365608A (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
CN112184070A (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
CN110222938A (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
CN112785184B (zh) | 考虑需求响应的源网荷协调分布鲁棒长期扩展规划方法 | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
CN112491043A (zh) | 一种新能源富集电网电源规划方法及系统 | |
CN109755959A (zh) | 基于风/光出力柯西分布的火电机组动态实时调度方法 | |
CN115833240A (zh) | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
He et al. | Biobjective optimization-based frequency regulation of power grids with high-participated renewable energy and energy storage systems | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
CN111509784B (zh) | 计及不确定性的虚拟电厂鲁棒出力可行域辨识方法及装置 | |
CN112039058A (zh) | 基于风功率预测区间的机组组合方法、系统、介质及设备 | |
CN116404642A (zh) | 一种分布式电源集群划分方法、装置、电子设备及存储介质 | |
CN116345450A (zh) | 一种基于深度强化学习的风光水互补系统智能调度方法 | |
CN111553398B (zh) | 基于多维正态分布的风电场景不确定连续区间获取方法 | |
CN115912421A (zh) | 一种配电网储能选址定容多目标优化方法及系统 | |
CN114819573A (zh) | 新能源系统的日前调度方法、装置和计算机设备 | |
CN112994087A (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN116415742B (zh) | 风光水电系统两阶段随机多属性决策方法及系统 |
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 |