CN115907140A - 电力现货出清方案优化方法、装置、计算机设备和介质 - Google Patents
电力现货出清方案优化方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN115907140A CN115907140A CN202211448008.5A CN202211448008A CN115907140A CN 115907140 A CN115907140 A CN 115907140A CN 202211448008 A CN202211448008 A CN 202211448008A CN 115907140 A CN115907140 A CN 115907140A
- Authority
- CN
- China
- Prior art keywords
- model
- scuc
- sub
- new
- calculation result
- 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 61
- 238000004364 calculation method Methods 0.000 claims abstract description 87
- 230000006870 function Effects 0.000 claims description 70
- 230000009977 dual effect Effects 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 36
- 238000012821 model calculation Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- 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
Abstract
本申请涉及一种电力现货出清方案优化方法、装置、计算机设备和介质。所述方法包括:根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件,按照预先设定的多个时间段,将所述SCUC模型划分为多个子模型,针对各所述子模型,利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果;所述计算结果表征各所述时间段对应的最优电力出清方案,根据各所述子模型的计算结果,获取所述SCUC模型的求解结果;所述求解结果表征根据所述电力数据确定的最优的电力出清方案。采用本方法能够提高最优的电力出清方案确定的效率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种电力现货出清方案优化方法、装置、计算机设备和介质。
背景技术
随着电力交易规模的不断扩大,电力市场的出清问题需要考虑电网的众多业务场景,不仅需要满足市场化的经济需求,还需要符合电网的安全特性和电网的运行要求。
传统技术中,对于电力市场的出清问题中的最优的电力出清方案的确定方法主要是通过构建安全约束的机组组合(Security-constrained Unit Commitment,SCUC,SCUC)模型,对SCUC模型进行求解,将SCUC模型模型的最优解确定为最优的电力出清方案。
然而,传统技术存在确定最优的电力出清方案效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高最优的电力出清方案确定效率的电力现货出清方案优化方法、装置、计算机设备和介质。
第一方面,本申请提供了一种电力现货出清方案优化方法。所述方法包括:
根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及所述SCUC模型的约束条件;
按照预先设定的多个时间段,将所述SCUC模型划分为多个子模型;
针对各所述子模型,利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果;所述计算结果表征各所述时间段对应的最优电力出清方案;
根据各所述子模型的计算结果,获取所述SCUC模型的求解结果;所述求解结果表征根据所述电力数据确定的最优的电力出清方案。
在其中一个实施例中,所述利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果,包括:
执行迭代操作,所述迭代操作包括:将所述约束条件利用所述拉格朗日乘子加入所述子模型对应的目标函数中,获取所述子模型对应的松弛对偶模型;对所述松弛对偶模型进行求解,获取出力参数;所述出力参数包括机组出力参数和联络线出力参数;
根据所述出力参数,获取新的拉格朗日乘子,并将所述新的拉格朗日乘子作为所述拉格朗日乘子,返回执行所述迭代操作,得到新的松弛对偶模型和新的出力参数;
若确定所述出力参数和所述新的出力参数对应的目标函数的差值满足预设阈值,则确定所述新的松弛对偶模型收敛,并根据所述新的出力参数和所述约束条件,获取所述子模型的计算结果。
在其中一个实施例中,所述根据所述新的出力参数和所述约束条件,获取所述子模型的计算结果,包括:
根据所述新的出力参数获取所述约束条件的第一上限值和第一下限值;
根据所述第一上限值和所述第一下限值,确定所述约束条件的松弛变量;
将所述松弛变量加入所述目标函数中,并对更新后的目标函数进行求解,得到所述子模型的计算结果。
在其中一个实施例中,所述根据所述出力参数,获取新的拉格朗日乘子,包括:
根据所述出力参数,获取所述约束条件的第二上限值和第二下限值;
根据所述第二上限值和所述第二下限值,获取所述新的拉格朗日乘子。
在其中一个实施例中,所述根据各所述子模型的计算结果,获取所述SCUC模型的求解结果,包括:
按照各所述时间段的顺序,对各所述子模型的计算结果进行拼接处理,得到所述求解结果。
在其中一个实施例中,所述根据各所述子模型的计算结果,获取所述SCUC模型的求解结果,包括:
根据各所述子模型的计算结果,获取所述SCUC模型的整型变量;
根据所述整型变量将所述SCUC模型转换为线性规划模型;
对所述线性规划模型求解,得到所述求解结果。
第二方面,本申请还提供了一种电力现货出清方案优化装置。所述装置包括:
生成模块,用于根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及所述SCUC模型的约束条件;
划分模块,用于按照预先设定的多个时间段,将所述SCUC模型划分为多个子模型;
第一获取模块,用于针对各所述子模型,利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果;所述计算结果表征各所述时间段对应的最优电力出清方案;
第二获取模块,用于根据各所述子模型的计算结果,获取所述SCUC模型的求解结果;所述求解结果表征根据所述电力数据确定的最优的电力出清方案。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述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第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的方法。
上述电力现货出清方案优化方法、装置、计算机设备和介质,根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件,按照预先设定的多个时间段,将SCUC模型划分为多个子模型,针对各子模型,利用约束条件和拉格朗日乘子,能够获取表征各时间段对应的最优电力出清方案的子模型的计算结果,根据各所述子模型的计算结果,能够获取表征根据所述电力数据确定的最优的电力出清方案的SCUC模型的求解结果,由于按照预先设定的多个时间段将SCUC模型划分为多个子模型,相比传统技术,能够满足约束条件与时间的耦合关系,能够快速的根据划分的各子模型的计算结果获取SCUC模型的求解结果,而且根据约束条件和拉格朗日乘子对各子模型进行求解,能够将混合正数线性规划子模型转换为容易求解的二次线性规划模型,使得各子模型更加容易求解,提高了获取各子模型的计算结果的效率和准确度,从而能够提高根据各子模型获取SCUC模型的求解结果的效率和准确度,进而提高了确定最优电力出清方案的效率。
附图说明
图1为一个实施例中电力现货出清方案优化方法的应用环境图;
图2为一个实施例中电力现货出清方案优化方法的流程示意图;
图3为另一个实施例中电力现货出清方案优化方法的流程示意图;
图4为另一个实施例中电力现货出清方案优化方法的流程示意图;
图5为另一个实施例中电力现货出清方案优化方法的流程示意图;
图6为另一个实施例中电力现货出清方案优化方法的流程示意图;
图7为一个实施例中电力现货出清方案优化装置的结构框图;
图8为另一个实施例中电力现货出清方案优化装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
电力市场的出清指的是供电侧与用电侧之间电力数据交易,制定电力出清机制需要考虑综合考虑电力平衡、机组运行特性、电网安全等约束条件,以供电侧资源值最小化为目标,可以根据发电厂的电力数据建立安全约束的机组组合(Security-constrained UnitCommitment,SCUC)模型,通过多相关的约束以及数量庞大的决策变量共同作用,通过求解模型的最优解,获取最优的电力出清方案。通常,求解SCUC模型是根据地理位置和业务场景将SCUC模型划分为多个子模型,通过求解各子模型的结果获取SCUC模型的求解结果,但是并未考虑到约束条件与时间的耦合关系,而且,建立的SCUC模型属于需要混合整数规划模型(Mixed Integer Linear Program,MILP)模型,随着模型中的变量及约束数量成倍增长,模型的求解难度也大幅提升,求解速度较低,无法快速得到SCUC模型的计算结果,因此获取最优电力出清方案的效率较低。基于此,本申请提出一种能够提高获取最优电力出清方案效率的电力现货出清方案优化方法。
本申请实施例提供的电力现货出清方案优化方法,可以应用于如图1所示的应用环境中。该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力现货出清方案优化方法。
在一个实施例中,如图2所示,提供了一种电力现货出清方案优化方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件。
其中,电力数据包括发电厂中电力生产机组的运行条件,发电厂与电网之间的联络线的运行条件,发电厂和联络线组的日前供电计划,电网的安全约束条件,各区域系统的负荷信息,以及各个机组及联络线组的资源值。SCUC模型为安全约束的机组组合模型,为了求解模型的最优解,需要构造SCUC的目标函数,通过求解目标函数的最小值得到SCUC模型的最优解,可选的,本实施例中的目标函数可以为:
式中,i表示机组,t表示时刻,j表示联络线组单元,Ci,t(Pi,t)表示机组运行资源值,Pi,t为第i个机组第t时刻的出力,为机组开关机的资源值,Wi,t为是否开机决策,con,i,t为开机一次的资源值,∑J∑tCJ,t(Tj,t)为联络线组单元的运行资源值,Tj,t为第j条联络线第t时刻的出力。
需要说明的是,对SCUC模型进行求解时需要考虑电网的安全约束,安全约束主要包括直流最小出力约束、分岛负荷平衡约束、电力系统正备用约束、电力系统负备用约束、机组爬坡约束和断面潮流约束,在本实施例中,可以根据上传的电力数据确定SCUC模型的约束条件:
(2)分岛负荷平衡约束条件:式中:Nn为岛n内的机组数量,Dn,t为岛n的负荷总和,Pi,t为第i个机组第t时刻的出力,Tj,t为第j条联络线第t时刻的出力,JSRC和JDST为送出和接受方向的联络线的集合。
(3)系统正备用约束条件:
式中,Ng表示电气省g内机组的个数,Ii,t为机组i在t时段的状态变量,取0表示关机,取1表示机组开机,为机组i在时段t的最大,表示省g的输出电量的联络线集合,Jdt,g表示省g的送入电量的联络线集合,Di,t为负荷i在时段t的出力;Nd,g为省g的负荷i的个数;表示省g在t时段的正备用容量,为时段t的系统正备用容量减扣值。系统正备用指的是不大于机组出力的最大值与负荷的差值,即负荷正向波动由正备用来实现。
(4)系统负备用约束条件:
式中,Ng表示电气省g内机组的个数,Ii,t为机组i在t时段的状态变量,取0表示关机,取1表示机组开机,为机组i在时段t的最大,表示省g的输出电量的联络线集合,Jdt,g表示省g的送入电量的联络线集合,Di,t为负荷i在时段t的出力;Nd,g为省g的负荷i的个数,表示省g在t时段的负备用容量。系统负备用指的是不大于负荷与机组出力最小值的差值,即负荷负向波动由负备用来实现。
(5)机组爬坡约束条件:
(6)断面潮流约束条件:
式中,和分别为断面S的潮流传输极限;Pi,t、Tj,t和Dk,t分别为机组出力,联络线出力以及节点负荷,TRs-i、TRs-j和TRs-k分别为前三者的潮流灵敏度。电网传输安全约束包括线路传输过程中的功率是否超过线路的极限值,在电网传输中,如果某条传输线路出现故障,则其他线路需要承担故障线路需要传输的功率,因此,其他线路的传输功率可能会超过功率极限,为了预防事故发生,保留一定的输电裕度,设置输电断面,通过输电断面的线路潮流之和称之为断面潮流,同时设定一个限额,保证当断面潮流在这个限额之下时,符合电网传输的安全要求。
可选的,在本实施例中,各级电力调度系统可以将数据库中的电力数据上传到计算机设备中进行处理,也可以是计算机设备从各级电力调度系统的数据库中获取电力数据,根据获取的电力数据可以生成SCUC模型和SCUC模型的约束条件。
S202,按照预先设定的多个时间段,将SCUC模型划分为多个子模型。
可选的,预先设定的时间段可以是10分钟,也可以是15分钟,也可以是20分钟,本实施例在此不做限制。在本实施例中,可以按照预先设定的多个时间段将SCUC模型划分为多个子模型,划分的各子模型的目标函数与SCUC模型的目标函数的公式相同,各子模型的目标函数中时间t的取值范围均不相同,例如,第一个子模型的的目标函数中的t∈[6,6.25],第二个子模型的目标函数中的t∈[6.25,6.5],其中,6、6.25和6.5分别为不同的时刻值。
可选的,在本实施例中,可以将SCUC模型根据表示为如下形式:
AIt+BVt≤b,t∈τ
AIt+A′It′+BVt+B′Vt′≤bt,t′∈τ
s.t.I,V∈Dscuc
式中,I代表模型中的整型变量,例如机组开关机状态,V分别代表模型中的连续变量,例如机组出力Pi,t和联络线出力Tj,t,Dscuc代表模型的可行域。如果将总体的时间T=[1,n]划分为K段τk=[tk-1,tk],其中1=t0≤t1≤…≤ti=n。
根据模型的约束和时间的耦合程度,可以将上述约束条件划分为两类约束条件,第一类约束条件可以直接根据时间将SCUC模型划分为多个子模型,第二类约束条件需要考虑时间的重合,即跨越时间段的约束,从而可以将SCUC模型按照如下方式进行划分:
式中,Dscuc和Doverlap为可行域,k为划分的时间段,I为模型中的整型变量,V为模型中的连续变量。
具体划分步骤可以描述为:
S1:将SCUC模型划分为多个子模型。
S3:根据第一个问题的可行域,固定第二类约束中t≤ti的变量,代入其余子模型中,并顺序求解其余子模型。
S4:将求解得出的解进行拼装即可得到变量I和变量V。
S203,针对各子模型,利用约束条件和拉格朗日乘子,获取子模型的计算结果;计算结果表征各时间段对应的最优电力出清方案。
其中,拉格朗日乘子为拉格朗日乘子法中为了将约束条件函数与原函数联系到一起,使能配成与变量数量相等的等式方程,从而求出可以得到原函数极值的各个变量的解的参数,最优电力出清方案指的是在电力出清市场能够满足供电侧与用电侧的需求的最优策略。
需要说明的是,通过拉格朗日乘子,可以将MILP问题转换为序列二次规划(Sequental Quadratic Programming,SQP)问题,从而通过求解得到问题的最优解。在本实施例中,可以根据约束条件和拉格朗日乘子对划分的各子模型进行转换处理,将各子模型转换为序列二次规划的子模型,从而对转换后的各子模型的目标函数进行求解,得到各目标函数的最小值,将各目标函数的最小值作为各子模型的计算结果,即各时间段对应的最优电力出清方案。
在本实施例中,各子模型的目标函数与子模型对应的时间相关,不同子模型的目标函数中的时间的取值范围不同,各子模型的目标函数可以表示为:
式中,i表示机组,t表示时刻,j表示联络线组单元,Ci,t(Pi,t)表示机组运行资源值,Pi,t为第i个机组第t时刻的出力,为机组开关机的资源值,Wi,t为是否开机决策,Con,i,t为开机一次的资源值,∑J∑tCJ,t(Tj,t)为联络线组单元的运行资源值,Ti,t为第j条联络线第t时刻的出力。
S204,根据各子模型的计算结果,获取SCUC模型的求解结果;求解结果表征根据电力数据确定的最优的电力出清方案。
可选的,可以按照各时间段的顺序,对各子模型的计算结果进行拼接处理,得到求解结果。在本实施例中,可以根据各子模型对应的不同时间段,按照各时间段的起始时间,将各时间段顺序排序,根据排序后的时间段获取各个时间段对应的子模型的计算结果,将计算结果进行拼接处理,可以得到全部时间段的计算结果,从而得到SCUC模型的求解结果,SCUC模型的求解结果就是所有时间段对应的最优电力出清方案。
上述电力现货出清方案优化方法中,根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件,按照预先设定的多个时间段,将SCUC模型划分为多个子模型,针对各子模型,利用约束条件和拉格朗日乘子,能够获取表征各时间段对应的最优电力出清方案的子模型的计算结果,根据各所述子模型的计算结果,能够获取表征根据所述电力数据确定的最优的电力出清方案的SCUC模型的求解结果,由于按照预先设定的多个时间段将SCUC模型划分为多个子模型,相比传统技术,能够满足约束条件与时间的耦合关系,能够快速的根据划分的各子模型的计算结果获取SCUC模型的求解结果,而且根据约束条件和拉格朗日乘子对各子模型进行求解,能够将混合正数线性规划子模型转换为容易求解的二次线性规划模型,使得各子模型更加容易求解,提高了获取各子模型的计算结果的效率和准确度,从而能够提高根据各子模型获取SCUC模型的求解结果的效率和准确度,进而提高了最优的电力出清方案的确定效率。
在一个实施例中,如图3所示,上述S203,包括:
S301,执行迭代操作,迭代操作包括:将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型;对松弛对偶模型进行求解,获取出力参数;出力参数包括机组出力参数和联络线出力参数。
其中,拉格朗日乘子为一个变量,通过在原模型中引入拉格朗日乘子,将约束条件与原模型联系到一起,将原模型配成与变量的数量相等的等式方程,使得若原模型满足约束条件,则可以得到模型的最优解,若不满足约束条件,则破坏模型的最优解,从而求出原模型的目标函数的各个变量的解。约束条件指的是断面潮流约束条件,出力指的是电力系统中的输出功率,可以指电力设备或发电厂的有功功率,也可以为无功输出功率,机组出力参数指的是发电厂的发电机组发出的电力功率,联络线出力参数指的是发电厂和电网之间起联接作用的专用导线传输的电力功率。
需要说明的是,由于电网安全约束中的断面潮流约束与时间的耦合性较强,无法直接求出该约束的边界条件,因此,可以根据拉格朗日松弛原理,将断面潮流约束加入到模型的目标函数中,得到以原模型的约束条件和目标函数为基础构造的对偶模型,由于变换后的目标函数继续保持线性,使得变换后的模型可以快速求解,在本实施例中,通过拉格朗日乘子将断面潮流约束带入到SCUC模型中,可以得到对应的对偶模型的目标函数,对偶模型的目标函数OBJ为:
进一步地,为了便于求解模型,可以对对偶模型进行进行松弛,即放松模型的约束条件,得到松弛对偶模型,使得松弛后的模型可以得到目标函数值更小的解。在本实施例中,对SCUC模型进行松弛对偶处理,可以将原始的模型从MILP问题转换为SQP问题。
在本实施例中,通过求解转换后的松弛对偶模型,可以得到松弛对偶模型的最优解,从最优解中提取出机组出力参数和联络线出力参数。
S302,根据出力参数,获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,得到新的松弛对偶模型和新的出力参数。
其中,新的拉格朗日乘子指的是每一次迭代操作过程中得到的拉格朗日乘子;新的松弛对偶模型指的是每一次迭代操作中得到的松弛对偶模型;新的出力参数指的是每一次迭代操作过程中,从新的松弛对偶模型的求解结果中提取的出力参数。可以理解的是,在迭代操作过程中,每一次迭代操作过程中得到的拉格朗日乘子、松弛对偶模型和出力参数均不相同。
在本实施例中,根据出力参数计算得到断面潮流约束的松弛程度值,根据计算得到的松弛程度值对拉格朗日乘子进行更新,得到新的拉格朗日乘子,将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,重新将断面潮流约束通过拉格朗日乘子加入到各子模型的目标函数中得到新的对偶模型,对新的对偶模型进行松弛,得到新的松弛对偶模型,从而对新的松弛对偶模型进行求解,得到新的出力参数。
S303,若确定出力参数和新的出力参数对应的目标函数的差值满足预设阈值,则确定新的松弛对偶模型收敛,并根据新的出力参数和约束条件,获取子模型的计算结果。
其中,满足预设阈值的条件为:OBJk+1-OBJk≤σ,式中,OBJ为对偶模型的目标函数,k为本次迭代的次数,k+1为下一次迭代的次数,σ为根据原始目标函数的计算结果的量级确定的,例如,若原始目标函数的计算结果的量级是109,则σ的量级为106。
在本实施例中,可以通过获取任意两次迭代操作获得的新的出力参数和出力参数,将新的出力参数和出力参数对应的目标函数的差值小于预设阈值,则说明新的出力参数对应的松弛对偶模型收敛,可以根据新的出力参数和约束条件,通过将新的出力参数、约束条件和子模型输入至结果输出器,获取子模型的计算结果。
本实施例中,通过执行将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型,对松弛对偶模型进行求解,获取机组出力参数和联络线出力参数的迭代操作,能够根据出力参数获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,从而得到新的松弛对偶模型和新的出力参数,而且若出力参数和新的出力参数的差值满足预设阈值,确定新的松弛对偶模型收敛,从而根据新的出力参数和约束条件,获取子模型的计算结果,由于通过约束条件和拉格朗日乘子将各子模型转换成容易求解的松弛对偶模型,并且通过迭代操作可以得到收敛的松弛对偶模型,使得各松弛对偶模型能够得到最优解,从而可以根据收敛的松弛对偶模型快速得到各子模型的计算结果,提高了各子模型的求解速度和准确度。
在上述根据新的出力参数和约束条件,获取子模型的计算结果的场景中,由于松弛对偶模型收敛时,仍存在部分断面潮流约束超过约束条件的上限或者下限,因此需要在收敛的松弛对偶模型对应的目标函数中加入断面潮流约束的松弛变量,在一个实施例中,如图4所示,上述S303,包括:
S401,根据新的出力参数获取约束条件的第一上限值和第一下限值。
其中,第一上限值为断面潮流约束的上限越限值,第一下限值为断面潮流约束的下限越限值。
在本实施例中,可以将新的出力参数带入断面潮流约束的公式中,分别计算第一上限值和第一下限值,第一上限值的计算公式为:
第一下限值的计算公式为:
S402,根据第一上限值和第一下限值,确定约束条件的松弛变量。
其中,松弛变量指的使得所求解的模型能够获得更大的可行域,引入模型的一个变量,若所研究的线性规划模型的约束条件全是小于类型,那么可以通过标准化过程引入若干个非负的松弛变量。通常,对于不同形式的线性规划模型,当约束条件为“≤”或者“≥”类型的线性规划问题时,通过在不等式的左边加上或者减去一个非负的新变量,将不等式转化为等式,上述新增的非负变量称为松弛变量。
在本实施例中,若计算得到的第一上限值大于0,或者第一下限值大于0,则说明松弛对偶模型收敛时仍存在部分断面潮流约束不符合约束条件,则需要在目标函数中引入这部分不符合约束条件的断面潮流约束的松弛变量。
S403,将松弛变量加入目标函数中,并对更新后的目标函数进行求解,得到子模型的计算结果。
其中,更新后的目标函数为加入断面潮流约束的松弛惩罚的目标函数。
在本实施例中,可以根据如下公式将松弛变量加入目标函数中:
式中,M为松弛变量的极大值,为断面潮流约束的松弛惩罚值。
本实施例中,根据新的出力参数获取约束条件的第一上限值和第一下限值,进而根据获取的第一上限值和第一下限值,确定约束条件的松弛变量,通过将松弛变量加入目标函数中,可以对更新后的目标函数进行求解,得到子模型的计算结果,由于新的出力参数是松弛对偶模型收敛时对应的出力参数,使得根据新的出力参数获取的第一上限值和第一下限值确定的约束条件的松弛变量更加准确,从而使得更新的目标函数能够获得最优解,进而提高了得到子模型的计算结果的效率和准确度。
在上述迭代操作的场景中,需要根据出力参数获取新的拉格朗日乘子,在一个实施例中,如图5所示,上述S302,包括:
S501,根据出力参数,获取约束条件的第二上限值和第二下限值。
其中,第二上限值指的是迭代操作过程中,根据每次迭代后得到的出力参数计算的断面潮流约束对应的上限越限值,第二下限值指的是迭代操作过程中,根据每次迭代后得到的出力参数计算的断面潮流约束对应的下限越限值,可以理解的是,在迭代操作过程中,每一次操作中的第二上限值和第二下限值均为根据上一次操作的求解结果重新计算得到的。
在本实施例中,将出力参数带入断面潮流约束的上限越限值和下限越限值的计算公式中,通过计算,可以得到断面潮流约束的第二上限值和第二下限值,上限越限值的计算公式为:
下限越限值的计算公式为:
S502,根据第二上限值和第二下限值,获取新的拉格朗日乘子。
其中,新的拉格朗日乘子指的是迭代操作过程中,根据上一次的求解结果对上一次的拉格朗日乘子进行更新得到的拉格朗日乘子,在本实施例中,可以根据第二上限值和第二下限值更新上述对偶模型的目标函数中的变量,得到新的拉格朗日乘子,新的拉格朗日乘子为:
本实施例中,根据出力参数获取约束条件的第二上限值和第二下限值,从而根据第二上限值和第二下限值获取新的拉格朗日乘子,由于可以根据上一次迭代过程获取的出力参数获取约束条件的第二上限值和第二下限值,从而根据获取的约束条件的第二上限值和第二下限值获取新的拉格朗日乘子,使得每一次迭代过程获取的新的拉格朗日乘子都是在上一次迭代结果的基础上获取的,提高了获取的新的拉格朗日乘子的准确度。
在上述根据各子模型的计算结果,获取SCUC模型的求解结果的场景中,在一个实施例中,如图6所示,上述S204,包括:
S601,根据各子模型的计算结果,获取SCUC模型的整型变量。
其中,整型变量指的是机组的开关机状态。在本实施例中,可以根据各子模型的计算结果,确定出各子模型的目标函数和约束条件中的整型变量,从而根据确定的整型变量确定SCUC模型中的整型变量。
S602,根据整型变量将SCUC模型转换为线性规划模型。
其中,线性规划模型指的是目标函数和约束条件是求解变量的线性函数的数学规划模型。在本实施例中,可以固定目标函数和约束条件中的整型变量,则求解原始的SCUC模型可以转换为求解模型中连续变量的线性规划模型,即,只需要求解SCUC模型的目标函数中的连续变量,就可以得到SCUC模型的求解结果。
S603,对线性规划模型求解,得到求解结果。
在本实施例中,可以通过求解转换后的线性规划的SCUC模型,即对SCUC模型的目标函数中的连续变量进行求解,就可以得到SCUC模型的求解结果,该求解结果可以表征根据获取的电力数据确定的最优电力出清方案。
本实施例中,通过根据各子模型的计算结果,能够获取SCUC模型的整型变量,从而能够根据整型变量将SCUC模型转换为线性规划模型,进而通过对线性规划模型求解,得到求解结果,由于转换后的线性规划模型更容易求解,能够提高SCUC模型的求解速度和准确度,从而能够根据SCUC模型的求解结果快速准确的确定最优的电力出清方案,提高了最优电力出清方案确定的效率。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力现货出清方案优化方法的电力现货出清方案优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力现货出清方案优化装置实施例中的具体限定可以参见上文中对于电力现货出清方案优化方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种电力现货出清方案优化装置,包括:生成模块11、划分模块12、第一获取模块13和第二获取模块14,其中:
生成模块11,用于根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件。
划分模块12,用于按照预先设定的多个时间段,将SCUC模型划分为多个子模型。
第一获取模块13,用于针对各子模型,利用约束条件和拉格朗日乘子,获取子模型的计算结果;计算结果表征各时间段对应的最优电力出清方案。
第二获取模块14,用于根据各子模型的计算结果,获取SCUC模型的求解结果;求解结果表征根据电力数据确定的最优的电力出清方案。本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,如图8所示,上述第一获取模块13,包括:迭代单元131,第一获取单元132和第二获取单元133,其中:
迭代单元131,用于执行迭代操作,迭代操作包括:将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型;对松弛对偶模型进行求解,获取出力参数;出力参数包括机组出力参数和联络线出力参数。
第一获取单元132,用于根据出力参数,获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,得到新的松弛对偶模型和新的出力参数。
第二获取单元133,用于若确定出力参数和新的出力参数对应的目标函数的差值满足预设阈值,则确定新的松弛对偶模型收敛,并根据新的出力参数和约束条件,获取子模型的计算结果。
本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,请继续参照图8,上述第二获取单元133,具体用于:
根据新的出力参数获取约束条件的第一上限值和第一下限值;根据第一上限值和第一下限值,确定约束条件的松弛变量;将松弛变量加入目标函数中,并对更新后的目标函数进行求解,得到子模型的计算结果。
本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,请继续参照图8,上述第一获取单元132,具体用于:
根据出力参数,获取约束条件的第二上限值和第二下限值;根据第二上限值和第二下限值,获取新的拉格朗日乘子。
本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,请继续参照图8,上述第二获取模块14,包括:第三获取单元141,其中:
第三获取单元141,用于按照各时间段的顺序,对各子模型的计算结果进行拼接处理,得到求解结果。
本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,请继续参照图8,上述第二获取模块14,包括:第四获取单元142,转换单元143和第五获取单元144,其中:
第四获取单元142,用于根据各子模型的计算结果,获取SCUC模型的整型变量。
转换单元143,用于根据整型变量将SCUC模型转换为线性规划模型。
第五获取单元144,用于对线性规划模型求解,得到求解结果。
本实施例提供的电力现货出清方案优化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
上述电力现货出清方案优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件;
按照预先设定的多个时间段,将SCUC模型划分为多个子模型;
针对各子模型,利用约束条件和拉格朗日乘子,获取子模型的计算结果;计算结果表征各时间段对应的最优电力出清方案;
根据各子模型的计算结果,获取SCUC模型的求解结果;求解结果表征根据电力数据确定的最优的电力出清方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
执行迭代操作,迭代操作包括:将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型;对松弛对偶模型进行求解,获取出力参数;出力参数包括机组出力参数和联络线出力参数;
根据出力参数,获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,得到新的松弛对偶模型和新的出力参数;
若确定出力参数和新的出力参数对应的目标函数的差值满足预设阈值,则确定新的松弛对偶模型收敛,并根据新的出力参数和约束条件,获取子模型的计算结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据新的出力参数获取约束条件的第一上限值和第一下限值;
根据第一上限值和第一下限值,确定约束条件的松弛变量;
将松弛变量加入目标函数中,并对更新后的目标函数进行求解,得到子模型的计算结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据出力参数,获取约束条件的第二上限值和第二下限值;
根据第二上限值和第二下限值,获取新的拉格朗日乘子。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
按照各时间段的顺序,对各子模型的计算结果进行拼接处理,得到求解结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各子模型的计算结果,获取SCUC模型的整型变量;
根据整型变量将SCUC模型转换为线性规划模型;
对线性规划模型求解,得到求解结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件;
按照预先设定的多个时间段,将SCUC模型划分为多个子模型;
针对各子模型,利用约束条件和拉格朗日乘子,获取子模型的计算结果;计算结果表征各时间段对应的最优电力出清方案;
根据各子模型的计算结果,获取SCUC模型的求解结果;求解结果表征根据电力数据确定的最优的电力出清方案。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
执行迭代操作,迭代操作包括:将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型;对松弛对偶模型进行求解,获取出力参数;出力参数包括机组出力参数和联络线出力参数;
根据出力参数,获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,得到新的松弛对偶模型和新的出力参数;
若确定出力参数和新的出力参数对应的目标函数的差值满足预设阈值,则确定新的松弛对偶模型收敛,并根据新的出力参数和约束条件,获取子模型的计算结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据新的出力参数获取约束条件的第一上限值和第一下限值;
根据第一上限值和第一下限值,确定约束条件的松弛变量;
将松弛变量加入目标函数中,并对更新后的目标函数进行求解,得到子模型的计算结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据出力参数,获取约束条件的第二上限值和第二下限值;
根据第二上限值和第二下限值,获取新的拉格朗日乘子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
按照各时间段的顺序,对各子模型的计算结果进行拼接处理,得到求解结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各子模型的计算结果,获取SCUC模型的整型变量;
根据整型变量将SCUC模型转换为线性规划模型;
对线性规划模型求解,得到求解结果。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及SCUC模型的约束条件;
按照预先设定的多个时间段,将SCUC模型划分为多个子模型;
针对各子模型,利用约束条件和拉格朗日乘子,获取子模型的计算结果;计算结果表征各时间段对应的最优电力出清方案;
根据各子模型的计算结果,获取SCUC模型的求解结果;求解结果表征根据电力数据确定的最优的电力出清方案。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
执行迭代操作,迭代操作包括:将约束条件利用拉格朗日乘子加入子模型对应的目标函数中,获取子模型对应的松弛对偶模型;对松弛对偶模型进行求解,获取出力参数;出力参数包括机组出力参数和联络线出力参数;
根据出力参数,获取新的拉格朗日乘子,并将新的拉格朗日乘子作为拉格朗日乘子,返回执行迭代操作,得到新的松弛对偶模型和新的出力参数;
若确定出力参数和新的出力参数对应的目标函数的差值满足预设阈值,则确定新的松弛对偶模型收敛,并根据新的出力参数和约束条件,获取子模型的计算结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据新的出力参数获取约束条件的第一上限值和第一下限值;
根据第一上限值和第一下限值,确定约束条件的松弛变量;
将松弛变量加入目标函数中,并对更新后的目标函数进行求解,得到子模型的计算结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据出力参数,获取约束条件的第二上限值和第二下限值;
根据第二上限值和第二下限值,获取新的拉格朗日乘子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
按照各时间段的顺序,对各子模型的计算结果进行拼接处理,得到求解结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各子模型的计算结果,获取SCUC模型的整型变量;
根据整型变量将SCUC模型转换为线性规划模型;
对线性规划模型求解,得到求解结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力现货出清方案优化方法,其特征在于,所述方法包括:
根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及所述SCUC模型的约束条件;
按照预先设定的多个时间段,将所述SCUC模型划分为多个子模型;
针对各所述子模型,利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果;所述计算结果表征各所述时间段对应的最优电力出清方案;
根据各所述子模型的计算结果,获取所述SCUC模型的求解结果;所述求解结果表征根据所述电力数据确定的最优的电力出清方案。
2.根据权利要求1所述的方法,其特征在于,所述利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果,包括:
执行迭代操作,所述迭代操作包括:将所述约束条件利用所述拉格朗日乘子加入所述子模型对应的目标函数中,获取所述子模型对应的松弛对偶模型;对所述松弛对偶模型进行求解,获取出力参数;所述出力参数包括机组出力参数和联络线出力参数;
根据所述出力参数,获取新的拉格朗日乘子,并将所述新的拉格朗日乘子作为所述拉格朗日乘子,返回执行所述迭代操作,得到新的松弛对偶模型和新的出力参数;
若确定所述出力参数和所述新的出力参数对应的目标函数的差值满足预设阈值,则确定所述新的松弛对偶模型收敛,并根据所述新的出力参数和所述约束条件,获取所述子模型的计算结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述新的出力参数和所述约束条件,获取所述子模型的计算结果,包括:
根据所述新的出力参数获取所述约束条件的第一上限值和第一下限值;
根据所述第一上限值和所述第一下限值,确定所述约束条件的松弛变量;
将所述松弛变量加入所述目标函数中,并对更新后的目标函数进行求解,得到所述子模型的计算结果。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述出力参数,获取新的拉格朗日乘子,包括:
根据所述出力参数,获取所述约束条件的第二上限值和第二下限值;
根据所述第二上限值和所述第二下限值,获取所述新的拉格朗日乘子。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述子模型的计算结果,获取所述SCUC模型的求解结果,包括:
按照各所述时间段的顺序,对各所述子模型的计算结果进行拼接处理,得到所述求解结果。
6.根据权利要求1所述的方法,其特征在于,所述根据各所述子模型的计算结果,获取所述SCUC模型的求解结果,包括:
根据各所述子模型的计算结果,获取所述SCUC模型的整型变量;
根据所述整型变量将所述SCUC模型转换为线性规划模型;
对所述线性规划模型求解,得到所述求解结果。
7.一种电力现货出清方案优化装置,其特征在于,所述装置包括:
生成模块,用于根据各级电力调度系统上传的电力数据,生成安全约束的机组组合SCUC模型以及所述SCUC模型的约束条件;
划分模块,用于按照预先设定的多个时间段,将所述SCUC模型划分为多个子模型;
第一获取模块,用于针对各所述子模型,利用所述约束条件和拉格朗日乘子,获取所述子模型的计算结果;所述计算结果表征各所述时间段对应的最优电力出清方案;
第二获取模块,用于根据各所述子模型的计算结果,获取所述SCUC模型的求解结果;所述求解结果表征根据所述电力数据确定的最优的电力出清方案。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448008.5A CN115907140A (zh) | 2022-11-18 | 2022-11-18 | 电力现货出清方案优化方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448008.5A CN115907140A (zh) | 2022-11-18 | 2022-11-18 | 电力现货出清方案优化方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907140A true CN115907140A (zh) | 2023-04-04 |
Family
ID=86486478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211448008.5A Pending CN115907140A (zh) | 2022-11-18 | 2022-11-18 | 电力现货出清方案优化方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907140A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091066A (zh) * | 2023-04-07 | 2023-05-09 | 广东电力交易中心有限责任公司 | 基于加速对偶动态规划的全分散式交易出清方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137959A1 (en) * | 2003-10-24 | 2005-06-23 | Yan Joseph H. | Simultaneous optimal auctions using augmented lagrangian and surrogate optimization |
US20060089864A1 (en) * | 2004-10-21 | 2006-04-27 | Abb Research Ltd. | Formal sequential lagrangian algorithm for large scale resource scheduling optimization |
CA3036879A1 (en) * | 2018-03-16 | 2019-09-16 | Feng Pan | Integrated solution techniques for security constrained unit commitment problem |
CN111428922A (zh) * | 2020-03-19 | 2020-07-17 | 云南电网有限责任公司 | 一种快速后验条件断面的电力市场出清方法及系统 |
US20200350762A1 (en) * | 2019-05-03 | 2020-11-05 | Battelle Memorial Institute | Fast simultaneous feasibility testing and applications for electrical power grids |
CN113468755A (zh) * | 2021-07-12 | 2021-10-01 | 云南电网有限责任公司 | 基于精细化水力联系校核的市场迭代出清方法及装置 |
CN114548603A (zh) * | 2022-04-02 | 2022-05-27 | 国电南瑞南京控制系统有限公司 | 一种年度电量校核计算方法 |
CN114784882A (zh) * | 2022-05-26 | 2022-07-22 | 中国南方电网有限责任公司 | 机组组合优化处理方法及装置 |
-
2022
- 2022-11-18 CN CN202211448008.5A patent/CN115907140A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137959A1 (en) * | 2003-10-24 | 2005-06-23 | Yan Joseph H. | Simultaneous optimal auctions using augmented lagrangian and surrogate optimization |
US20060089864A1 (en) * | 2004-10-21 | 2006-04-27 | Abb Research Ltd. | Formal sequential lagrangian algorithm for large scale resource scheduling optimization |
CA3036879A1 (en) * | 2018-03-16 | 2019-09-16 | Feng Pan | Integrated solution techniques for security constrained unit commitment problem |
US20200350762A1 (en) * | 2019-05-03 | 2020-11-05 | Battelle Memorial Institute | Fast simultaneous feasibility testing and applications for electrical power grids |
CN111428922A (zh) * | 2020-03-19 | 2020-07-17 | 云南电网有限责任公司 | 一种快速后验条件断面的电力市场出清方法及系统 |
CN113468755A (zh) * | 2021-07-12 | 2021-10-01 | 云南电网有限责任公司 | 基于精细化水力联系校核的市场迭代出清方法及装置 |
CN114548603A (zh) * | 2022-04-02 | 2022-05-27 | 国电南瑞南京控制系统有限公司 | 一种年度电量校核计算方法 |
CN114784882A (zh) * | 2022-05-26 | 2022-07-22 | 中国南方电网有限责任公司 | 机组组合优化处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴云亮;李豹;罗会洪;袁泉;李鹏;赖晓文;孙宇军;殷梓恒;: "面向现货市场出清的条件断面约束模型化处理方法", 电网技术, vol. 44, no. 08, pages 2820 * |
颜伟;汪敏;龙漪澜;李丹;王俊梅;黄正波;赵霞;余娟;: "小时级月度发购电计划的优化模型及其混合智能求解策略", 电网技术, vol. 41, no. 09, pages 2823 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091066A (zh) * | 2023-04-07 | 2023-05-09 | 广东电力交易中心有限责任公司 | 基于加速对偶动态规划的全分散式交易出清方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Two-stage robust planning-operation co-optimization of energy hub considering precise energy storage economic model | |
Sandgani et al. | Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids | |
Li et al. | Multi-stage real-time operation of a multi-energy microgrid with electrical and thermal energy storage assets: A data-driven MPC-ADP approach | |
Catalao et al. | Scheduling of head-sensitive cascaded hydro systems: A nonlinear approach | |
Tumuluru et al. | A two-stage approach for network constrained unit commitment problem with demand response | |
Nie et al. | Optimizing the post-disaster control of islanded microgrid: A multi-agent deep reinforcement learning approach | |
Bhattacharjee et al. | Benefits of strategically sizing wind-integrated energy storage and transmission | |
Peng et al. | Risk-limiting unit commitment in smart grid with intelligent periphery | |
CN111049196A (zh) | 现货环境下调峰辅助服务的出清方法、系统、装置及介质 | |
Zhou et al. | Interval optimization combined with point estimate method for stochastic security-constrained unit commitment | |
CN110867852B (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
CN114784882A (zh) | 机组组合优化处理方法及装置 | |
CN114202229B (zh) | 基于深度强化学习的微电网的能量管理策略的确定方法 | |
CN115907140A (zh) | 电力现货出清方案优化方法、装置、计算机设备和介质 | |
Eidiani et al. | A Fast Holomorphic Method to Evaluate Available Transmission Capacity with Large Scale Wind Turbines | |
Aghajani et al. | Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
Wei et al. | Graph computing based security constrained unit commitment in hydro-thermal power systems incorporating pumped hydro storage | |
CN115983733A (zh) | 基于水位控制的电力市场出清数据处理方法和装置 | |
CN113705964B (zh) | 一种配电网韧性恢复灾前预案制定方法及装置 | |
Wu et al. | An efficient decomposition method for bilevel energy storage arbitrage problem | |
Amjady et al. | Optimal reliable operation of hydrothermal power systems with random unit outages | |
Alismail | Chance constraints optimal planning strategy of energy storage systems and Tie-Lines under wind power uncertainties to improve the reliability | |
CN115296345B (zh) | 一种燃气发电机组启停-出力-备用联合优化方法及装置 | |
Ruppert et al. | Dynamic optimal power flow with storage restrictions using augmented lagrangian algorithm |
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 |