CN116029404A - 一种台风环境下多源电力系统协调优化调度方法和系统 - Google Patents
一种台风环境下多源电力系统协调优化调度方法和系统 Download PDFInfo
- Publication number
- CN116029404A CN116029404A CN202111246385.6A CN202111246385A CN116029404A CN 116029404 A CN116029404 A CN 116029404A CN 202111246385 A CN202111246385 A CN 202111246385A CN 116029404 A CN116029404 A CN 116029404A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- scene
- wind power
- typhoon
- 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
本发明实现了一种台风环境下多源电力系统协调优化调度方法和系统,包括:获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;基于台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;基于典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;其中,多源电力系统协调优化调度模型是基于条件风险价值理论建立的;本发明采用的多源电力系统协调优化调度模型是基于条件风险价值理论构建的,能够更好的度量多源电力系统的各项成本,能够更加准确高效地反映台风条件下风电场的实际出力情况,可用于指导电力系统的优化运行。
Description
技术领域
本发明属于电力系统技术领域,尤其是涉及一种台风环境下多源电力系统协调优化调度方法和系统。
背景技术
台风灾害对电力系统的安全、稳定和经济运行都具有严重的影响;同时,随着科技的进步和社会的发展,风电和水电等可再生能源发电量在全球发电量中的占比不断增加。在此背景下,含有风电、火电和水电等多种类型电源的电力系统运行在遭受台风等极端气象灾害时将面临更为严峻的考验。例如,台风引发的暴风或大风可引起短时的风电功率增加,或迫使风机停机,或损毁风机。若系统无法及时消纳突增的风电,则产生弃风,降低系统发电效益;若系统在风电功率骤降时电源备用或线路传输容量不足,则造成失负荷,存在运行风险。在遭受台风等极端气象灾害时现有系统中场景选择不够丰富,无法更好的协调系统。此外,伴随台风的大量降水也会对水电站的出力造成较大影响,改变系统各类电源的发电比例,危害电力系统运行的稳定性和安全性。台风风圈模型是建立台风时间时空分布模型的典型方法;场景分析法是电力系统规划和运行中针对可再生能源出力波动性和不确定性的常用方法,该方法通过场景生成和场景缩减得到典型场景。
现有在台风环境下的多源电力系统优化运行模型还不够完善,对于电力系统优化调度安排的合理性还存在着相当大的挑战。
发明内容
为克服上述现有技术的不足,本发明提出一种台风环境下多源电力系统协调优化调度方法,包括:
获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
基于所述典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,所述多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
优选的,所述多源电力系统协调优化调度模型的建立,包括:
以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标函数,以火电机组技术出力约束、火电机组爬坡和滑坡功率约束、火电机组最小开机和停机时间约束、水电功率转换关系、水电站水库库容约束、水电站发电流量约束、水电站水库库容动态平衡约束和风电转换关系为约束条件,对所述目标函数进行约束;
基于条件风险价值理论,对所述目标函数进行转化,得到考虑条件风险价值理论的目标函数;
以所述考虑条件风险价值理论的目标函数和所述约束条件,作为所述多源电力系统协调优化调度模型。
优选的,所述考虑条件风险价值理论的目标函数的计算式如下:
s.t.η≥CW,s-zs,zs≥0
式中,F表示考虑条件风险价值理论的目标函数的值,λ表示决策者在进行决策时的风险态度;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;Ps表示场景s发生的概率;S表示经典场景的总数;f表示多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;caban表示多源电力系统弃风的惩罚单价,closs表示多源电力系统失负荷的惩罚单价,ΔPs,t表示多源电力系统在场景s中调度时刻t下风电预测出力和场景出力的差值,T表示调度的周期;η表示风险价值,α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
优选的,所述多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和f的计算式如下:
式中,CHj,t表示水电机组j在调度时刻t的弃水成本等价的煤耗量系数;CWk,t表示风电机组k在调度时刻t的弃风成本等价的煤耗量系数;ai表示火电机组i发电煤耗特性中发电功率二次项的系数,bi表示火电机组i发电煤耗特性中发电功率一次项的系数;ci表示火电机组i发电煤耗特性中发电功率常数项的系数;NT表示火电机组数量;NH表示水电机组数量;NW表示风电机组数量;PTi,t表示火电机组i在调度时刻t的发电功率;qsHj,t表示水电机组j在调度时刻t的弃水流量;PWabank,t表示风电机组k在调度时刻t的弃风功率。
优选的,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速;
按照风电场所处地形和风电场承受风类型对所述初始背景风速进行修正;
基于修正后的初始背景风速,在不同的风电出力区间内生成反映各风电出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列;
对不同风电出力区间的独立场景按照设定的连接规则进行连接,并采用聚类算法进行场景缩减,生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力的典型场景;
其中,所述连接规则包括:对前一个时间序列的独立场景按照最后时间点的风电功率场景值的大小进行降序排序,后一个时间序列的独立场景按第一个时间点的风电功率场景值的大小进行降序排序后,连接时序相邻的各重新排列的独立场景。
优选的,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型进行计算,得到台风风场中各预测点的移动风速;
根据台风最大风速以及最大风速半径,采用朗肯模型进行计算,得到台风风场中各预测点的环流风速;
将所述台风风场中各预测点的移动风速和环流风速的进行叠加,得到初始背景风速。
优选的,所述基于修正后的初始背景风速,在不同的风电出力区间内生成反映各出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列,包括:
基于修正后的初始背景风速,生成风电预测功率序列,并按照时间对所述风电预测功率序列进行划分,得到对应调度周期内的时间序列的多个分段风电预测功率序列;
分别获取各分段风电预测功率序列所在的风电出力区间,并基于预先构造的对应风电出力区间的最佳协方差矩阵,采用拉丁超立方抽样生成各风电出力区间的服从多元正态分布的随机数;
计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段风电预测功率序列的误差场景;
叠加各分段风电预测功率序列和对应的误差场景,得到反映各出力区间风电预测误差的独立场景;
其中,所述最佳协方差矩阵是基于待选各协方差矩阵生成的风电场景的波动性分布和历史风电数据的t location-scale分布函数差值最小化为目标确定的。
基于同一发明构思,本发明还提供了一种台风环境下多源电力系统协调优化调度系统,包括:
包括:数据采集模块、场景生成模块和优化调度模块;
所述数据采集模块,用于获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
所述场景生成模块,用于基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
所述优化调度模块,用于基于所述典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,所述多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
优选的,所述多源电力系统协调优化调度模型的建立,包括:
以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标函数,以火电机组技术出力约束、火电机组爬坡和滑坡功率约束、火电机组最小开机和停机时间约束、水电功率转换关系、水电站水库库容约束、水电站发电流量约束、水电站水库库容动态平衡约束和风电转换关系为约束条件,对所述目标函数进行约束;
基于条件风险价值理论,对所述目标函数进行转化,得到考虑条件风险价值理论的目标函数;
以所述考虑条件风险价值理论的目标函数和所述约束条件,作为所述多源电力系统协调优化调度模型。
优选的,所述考虑条件风险价值理论的目标函数的计算式如下:
s.t.η≥CW,s-zs,zs≥0
式中,F表示考虑条件风险价值理论的目标函数的值,λ表示决策者在进行决策时的风险态度;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;Ps表示场景s发生的概率;S表示经典场景的总数;f表示多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;caban表示多源电力系统弃风的惩罚单价,closs表示多源电力系统失负荷的惩罚单价,ΔPs,t表示多源电力系统在场景s中调度时刻t下风电预测出力和场景出力的差值,T表示调度的周期;η表示风险价值,α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
优选的,所述场景生成模块具体用于:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速;
按照风电场所处地形和风电场承受风类型对所述初始背景风速进行修正;
基于修正后的初始背景风速,在不同的风电出力区间内生成反映各风电出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列;
对不同风电出力区间的独立场景按照设定的连接规则进行连接,并采用聚类算法进行场景缩减,生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力的典型场景;
其中,所述连接规则包括:对前一个时间序列的独立场景按照最后时间点的风电功率场景值的大小进行降序排序,后一个时间序列的独立场景按第一个时间点的风电功率场景值的大小进行降序排序后,连接时序相邻的各重新排列的独立场景。
优选的,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型进行计算,得到台风风场中各预测点的移动风速;
根据台风最大风速以及最大风速半径,采用朗肯模型进行计算,得到台风风场中各预测点的环流风速;
将所述台风风场中各预测点的移动风速和环流风速的进行叠加,得到初始背景风速。
优选的,所述基于修正后的初始背景风速,在不同的风电出力区间内生成反映各出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列,包括:
基于修正后的初始背景风速,生成风电预测功率序列,并按照时间对所述风电预测功率序列进行划分,得到对应调度周期内的时间序列的多个分段风电预测功率序列;
分别获取各分段风电预测功率序列所在的风电出力区间,并基于预先构造的对应风电出力区间的最佳协方差矩阵,采用拉丁超立方抽样生成各风电出力区间的服从多元正态分布的随机数;
计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段风电预测功率序列的误差场景;
叠加各分段风电预测功率序列和对应的误差场景,得到反映各出力区间风电预测误差的独立场景;
其中,所述最佳协方差矩阵是基于待选各协方差矩阵生成的风电场景的波动性分布和历史风电数据的t location-scale分布函数差值最小化为目标确定的。
本发明还提供了一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的方法。
本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明实现了一种台风环境下多源电力系统协调优化调度方法和系统,包括:获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;基于台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;基于典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;其中,多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的;本发明采用的多源电力系统协调优化调度模型是基于条件风险价值理论构建的,能够更好的度量多源电力系统的各项成本,能够更加准确高效地反映台风条件下风电场的实际出力情况,可用于指导电力系统的优化运行。
附图说明
图1为本发明提供的一种台风环境下多源电力系统协调优化调度方法流程示意图;
图2为本发明提供的实施例的基于台风风圈模型的场景生成算法流程图;
图3为本发明提供的实施例的K-medoids聚类算法流程图;
图4为本发明提供的实施例中的场景生成示意图;
图5为本发明提供的实施例中的场景削减示意图;
图6为本发明提供的实施例中的未考虑弃风弃水惩罚成本的多源电力系统各电源出力结果示意图;
图7为本发明提供的实施例中的考虑弃风弃水惩罚成本的多源电力系统各电源出力结果示意图;
图8为本发明提供的一种台风环境下多源电力系统协调优化调度系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明主要解决的技术问题是采用以台风风圈模型为初始背景风速的风电时序联合出力的场景生成法,结合条件风险价值(Conditional Value at Risk,CVaR)理论分析不同场景概率下弃风和失负荷损失,提供一种台风环境下多源电力系统协调优化调度方法和系统。
实施例1:
如图1所示,本发明提供的一种台风环境下多源电力系统协调优化调度方法包括:
步骤1:获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
步骤2:基于台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
步骤3:基于典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
其中,步骤2运用台风风圈模型经移动风速计算、环流风速计算、初始背景风速生成和背景风速的修正计算建立台风的时间时空分布模型(即初始背景风);再进一步对台风的时间时空分布模型进行独立场景生成段划分、协方差矩阵系数筛选、分段独立场景的抽样产生与拼接生成大量初始场景集,采用K-medoids聚类算法进行场景缩减生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力典型场景;
步骤3中,多源电力系统协调优化调度模型,是基于CVaR理论,以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
具体的,步骤2运用台风风圈模型经移动风速计算、环流风速计算、初始背景风速生成和背景风速的修正计算建立台风的时间时空分布模型,包括:
台风环境下,各风机的输入风速取决于台风的时间时空分布模型,即以台风中心为圆心,以各电站到台风中心的距离为半径的同心圆上台风风速的台风风圈模型。而在台风模拟方面,现有研究主要为根据气象部门提供的台风预报信息,通过已有的经验模型计算得出给出台风的预测时空演变趋势,且经验模型一般以环流风速和移动风速经验公式的形式给出台风风场计算模型,并增加按地理特征修正风速预报值的计算方法。故本发明构建基于移动风速风量与环流风速分量向量和的离地10m高的背景风速,及其根据电站地形进行修正输出的台风风圈模型。主要建模过程如下:
2-1:移动风速计算
本发明采用应用较多、模型准确度较高的宫崎正卫模型计算移动风速如下式所示:
式中,Vd表示台风风场中方某一点的移动风速;V0表示台风中心移动风速;r表示台风中心与风场中某一点的距离,(x1,y1)和(x2,y2)分别表示台风中心和某一点的经纬度坐标;R表示地球平均半径;Rmax表示最大风速半径。
2-2:环流风速计算
本发明采用实践中较为准确的朗肯(Rankine)模型计算环流风速,如下式所示:
式中,Vmax为台风最大风速;Vr为距离台风中心r处的台风环流风速,其方向与圆对称风场的逆时针切向之间存在一个内偏角,离台风中心越远,内偏角越大,一般取近似值20°。
2-3:初始背景风速生成
初始背景风速表示为移动风速和环流风速的向量和,如下式所示:
2-4:背景风速的修正计算
初始背景风速仅反映风场中离地10m高度的风速,不能准确反映电站所处地形对场景风速的实际影响,因而需要根据各电站的实际微地形条件对初始背景风速进行修正。按风向与电站点的微地形,可将电站承受的风分为迎坡风、背坡风、顺坡风和过渡带风四类。其中,迎坡风沿坡面上升,风速随高度的上升而增加;背坡风沿坡面下沉,风速随高程的下降而降低;顺坡风在正面遇到地形阻力较小,风速变化可忽略不计;过渡带风受到地形的影响介于顺坡风和迎坡风之间。在山峰和山坡地形下,风电场来风的类型对输入风速的修正计算方式有较大差异,其中迎坡风在不同地形下需应用不同的修正计算式;顺坡风无需修正;过渡带风可通过分解为顺坡风和迎坡风分量进行修正,分解公式如下:
式中,V表示过渡带风;Ψ表示在水平面内过渡带风与地势走向的夹角;Va和Vt分别表示过渡带风在水平面内分解得到的顺坡风和迎坡风分量。
由于气流在越过山顶后,会在背风坡出现流动分量和涡旋,因此背坡风的修正计算方法尚无定论。本发明将不同地形、不同类型来风下风电场输入的修正风速表示为初始背景风速与响应风速修正系数的乘积,各修正系数如表1所示。
表1不同地形、不同类型来风下风电场输入风速修正系数
表1中,c表示山坡倾角系数,g表示山坡倾角,当山坡倾角g<20°时,c=0.8;20°≤g≤30°时,c=0.9;g>30°时,c=1.0;Δh表示山顶与山麓间的高度差;例如取山顶处修正系数为1.0,或者取山麓处修正系数为0.5(或1.0),然后根据山顶处修正系数计算山麓处修正系数或根据山麓处修正系数计算山顶处修正系数,则其他点处修正系数可由线性插值确定。
本发明方法考虑了台风的时空时间分布特性,运行台风风圈模型生成台风环境下多源电力系统风电场输入的初始背景风速;基于风电场所处地形和风电场承受风类型对初始背景风速进行修正,进一步考虑了地形因素对风电输入的影响,使得风速计算更加准确,利于后续优化调度。
步骤2中,对台风的时间时空分布模型进行独立场景生成段划分、协方差矩阵系数筛选、分段独立场景的抽样产生与拼接生成大量初始场景集,采用K-medoids聚类算法进行场景缩减生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力典型场景(简称典型场景),包括:
基于修正后的风圈模型生成的风机输入风速运行场景(即修正后的初始背景风速)的合理性主要取决于台风路径的预测精度和风圈模型的准确度,且尚未考虑风电功率不确定性和波动性等特点,因而仅根据风圈模型制定的系统运行策略不够全面,应用性不强。因此,本发明在含有随机波动风电出力的电力系统中,采用场景分析法构造典型场景,反映风电出力的不确定性和波动性。该方法主要通过场景生成和场景削减实现典型场景的产生。其中场景生成是通过对连续分布的随机变量进行离散抽样,生成大量反映随机变量实际分布规律与波动规律的场景集,完成对随机事件的模拟。由于生成的场景量冗余性较强,因此需采用场景削减通过聚类的方法得到具有代表性的典型场景,以降低计算运行策略的复杂程度,提高计算效率。
基于上述内容,本发明还考虑了风电出力的波动性和不确定性特点,生成的典型场景更准确,更能反映风电出力的实际特点。
由于各场景下风电功率表示为服从特定分布的多元随机变量,故本发明采用多元正态分布协方差矩阵辨识的方法,生成既符合风电功率不确定性,又符合波动性的动态场景。
具体的场景生成方法为:
2-5:独立场景生成段的划分
由于在不同的风电出力区间下,风电功率的预测误差服从的分布具有较大差异,因此需根据风电的装机容量划分几个独立的子区间,在不同的出力区间内分别生成各自的风电预测误差场景,最后再采用合适的方法进行独立场景生成段的连接,以形成更能反映实际风电波动规律的场景。将基于日前的风电功率预测信息按照其出力范围划分功率时序序列(即对应调度周期内的时间序列的分段风电预测功率序列)可表示为:
Ds={Dseg1,Dseg2,...,DsegM} (5)
式中,Ds为分段风电预测功率序列;Dseg1,Dseg2,…,DsegM分别为不同风电出力区间下的分段风电预测功率序列;M为总的分段数。
2-6:协方差矩阵系数的筛选
同时反映风电波动和时序特性的风电功率误差场景可由一系列服从多元正态分布的随机向量中,各随机变量的标准正态函数值通过逆变换抽样得到。因此,服从多元正态分布的随机向量均值为零向量,方差由协方差矩阵表示:
式中,∑表示向量X的协方差矩阵;σd,e为变量Xd和Xe之间的协方差;ε为协方差矩阵系数,反映各变量的时序相关性;X为预测时长。本实施例中,各变量为风电功率预测误差,X为各分段风电预测功率序列对应的时间长度。
由于协方差矩阵∑反映风电功率误差时序的相关性,且相邻随机变量的协方差矩阵系数越大对应的误差场景波动越小,因此协方差矩阵的正确选取是风电场景波动性规律准确反映的关键。本发明以不同协方差矩阵生成的风电场景的波动性分布和历史风电数据的t location-scale分布函数差值最小化为目标确定用以场景生成的最佳协方差矩阵,目标函数具体表达式如下:
式中,Y为波动区间上等间距点y的集合;N为等间距点的个数;pdf(·)为不同分布的函数,fε为两个分部函数差值最小的目标函数,pdf(y)为历史风电数据的tlocation-scale分布函数,pdf(yε)为指定出力区间的协方差矩阵生成的风电场景的波动性分布。
2-7:分段独立场景的生成
采用拉丁超立方抽样以确定的最佳协方差矩阵生成服从多元正态分布的随机数,计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段的误差场景,这样可使所得误差场景服从各时段预测值的预测误差分布,同时跨时段服从预测误差的联合概率分布。将误差场景与风电预测功率序列相加即为分段风电功率场景(即独立场景)。
2-8:分段独立场景的连接
依次对各相邻分段场景进行连接即完成考虑风电功率不确定性和波动性的场景生成。连接的原则为对前一分段场景集按照最后一列(即最后一个时间点)的风电功率场景值大小进行降序排序,后一分段场景集按第一列(即第一个时间点)进行降序排序,连接时序相邻的各重新排列的分段场景。采用此连接方式得到的风电功率场景,既保证了各分段场景能够满足不同风电功率出力范围内波动性不相同的持点,也保证了连接处的场景的波动大小近似等于风电预测功率在该时段的波动大小。
步骤2-1至步骤2-8为基于台风风圈模型的场景生成算法流程,如图2所示。
在生成大量风电初始出力场景后,需对生成的场景进行削减处理,以避免计算冗余,提高模型的求解效率。场景削减是把原始大量的场景集合削减到能够反映波动及不确定性规律的少数典型场景。围绕场景削减技术,现有研究的主要思路是采用聚类的方法实现场景的削减,其中K-means和K-medoids算法应用广泛,且K-medoids算法对场景削减过程的全局优化性好,因此本发明采用基于初始聚类中心选取的改进K-medoids算法进行场景削减,主要由初始场景的选取和聚类中心的更新组成。
K-medoids聚类算法的聚类步骤如图3所示,具体如下:
(1)初始化剩余场景集,并开始进行聚类场景计数;
(2)根据距离方差最小原则筛选出剩余场景中的场景,建立聚类中心集;
(3)计算聚类中心集中各场景的邻域场景集,通过消除剩余场景集中的邻域场景集来更新剩余场景集;
(4)判断聚类场景计数值是否满足事先设定的聚类数K,若满足,初始场景生成结束;否则重新回到步骤(2);
(5)计算各场景与各聚类中心的欧式距离,并按距离最小原则分配类簇;
(6)类簇中心的更新,根据聚类误差平方和最小原则确定新的类簇中心;
(7)所有场景集场景重新分配,重新计算新的类簇下的聚类误差平方和;
(8)判断聚类误差平方和是否满足收敛条件,若满足,聚类结束;否则重新回到步骤(6)。
基于CVaR理论,建立以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本为目标函数的台风环境下的多源电力系统协调优化调度模型,包括:
电力系统优化运行中通常以系统运行经济性最优为目标实施优化调度。其中,风电和水电作为清洁能源,通常认为其直接能源消耗极低,相比于火电可以忽略不计。因此,风水火多源电力系统的联合优化调度模型以火电厂耗煤费用最低为一个优化目标。台风期间,考虑到由台风引发的风电大发、水电大发等可能的短暂极端运行场景会引发严重的弃风、弃水等现象,造成资源浪费,且对系统运行的安全稳定不利,因此为应对台风灾害下的恶劣运行环境,系统优化运行应同时考虑火电运行费用以及弃风和弃水成本,以使系统优化效果更为全面,具体目标函数表达式如下:
式中,f表示多源电力系统中所有火电厂在调度周期T内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;CHj,t表示水电机组j在调度时刻t的弃水成本等价的煤耗量系数;CWk,t表示风电机组k在调度时刻t的弃风成本等价的煤耗量系数;ai表示火电机组i发电煤耗特性中发电功率二次项的系数,bi表示火电机组i发电煤耗特性中发电功率一次项的系数;ci表示火电机组i发电煤耗特性中发电功率常数项的系数;NT表示火电机组数量;NH表示水电机组数量;NW表示风电机组数量;PTi,t表示火电机组i在调度时刻t的发电功率;qsHj,t表示水电机组j在调度时刻t的弃水流量;PWabank,t表示风电机组k在调度时刻t的弃风功率。
此外,考虑到台风期间,风电出力具有较强的波动性和不确定性,预测误差的存在使得调度计划不够精确,例如当风电出力实际值低于预测值或负荷实际值高于预测值时,需要增加系统中对应功率的供给或者削减部分负荷来保证功率平衡,反之可能需要弃风,这些都会导致系统遭受不同程度的经济损失。风险定量评估通过对系统发生损失的概率及大小进行评价,从而准确衡量系统运行风险。风险价值(Value at Risk,VaR)是指在正常的市场条件下和给定的置信水平内,某一投资组合在市场不确定性情况下所导致(获得)的最大可能损失(收益)值。VaR可以衡量投资风险,被广泛应用于金融领域,但其不是一致性风险度量,不满足可加性,在数学计算上也不一定满足凸性,且只能反映在确定置信水平下的风险情况,无法考虑不利情况发生时的经济损失程度。所以针对VaR存在的不足,有研究提出采用CVaR对系统风险进行度量。CVaR的定义是指在一定的投资周期内,当投资组合所承受的风险损失高于给定置信水平下的VaR值时的平均损失值。由于期望的损失计算方法将所有损失均一化对待,而往往容易忽视极端场景下造成的严重损失。因此,本发明将台风环境下考虑风电出力波动性和不确定性的多源电力系统协调优化中的风电出力概率场景带来的损失通过CVaR进行度量,其中所指损失为系统运行中对应于概率场景的弃风和失负荷经济性损失。综上,本发明采用CVaR理论对风电出力不确定性运行场景给系统带来的尾部风险进行建模,将基于期望的系统优化决策模型转化为基于CVaR的多源协调优化模型,转化后的目标函数为:
s.t.η≥CW,s-zs,zs≥0 (10)
式中,F表示台风环境下基于CVaR的多源电力系统协调优化调度模型目标函数的值,λ取值范围为λ∈[0,1],表示决策者在进行决策时的风险态度,其值越大表示决策者对风险越规避;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;caban和closs分别表示多源电力系统弃风、失负荷的惩罚单价;ΔPs,t表示系统在场景s中调度时刻t下风电预测出力和场景出力的差值;Ps表示场景s发生的概率;η表示风险价值(即VaR),α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
本发明考虑的运行约束如下:
火电机组技术出力约束
ui,tPi,min≤PTi,t≤ui,tPi,max (11)
式中,PTi,t表示火电机组i在调度时刻t的发电功率;Pi,max和Pi,min分别表示火电机组i技术出力的上、下限;ui,t表示火电机组i在调度时刻t的运行状态,1表示运行,0表示停运。
火电机组爬坡和滑坡功率约束
-RDi≤PTi,t-PTi,t-1≤RUi (12)
式中,RDi和RUi分别表示火电机组i的滑坡和爬坡功率的最大值。
火电机组最小开机和停机时间约束
式中,Toni,min和Toffi,min分别表示火电机组i的连续运行和连续停运时间的最小值;Toni,t-1和Toffi,t-1分别表示火电机组i至t-1时段末的连续运行和连续停运时间。
水电功率转换关系
PHj,t=h1jVHj,tqHj,t+h2jVHj,t+h3jqHj,t+h4j (14)
式中,PHj,t,VHj,t和qHj,t分别表示水电站j在调度时刻t的发电功率、水库库容和发电流量;h1j,h2j,h3j和h4j分别表示水电站j的四个水电转换系数。本实施例中,水电站j即水电机组j。
水电站水库库容约束
Vj,min≤VHj,t≤Vj,max (15)
式中,Vj,max和Vj,min分别表示水电站j水库库容的上限和下限。
水电站发电流量约束
qj,min≤qHj,t≤qj,max (16)
式中,qj,max和qj,min分别表示水电站j发电流量的上限和下限。
水电站水库库容动态平衡约束
式中,QHj,t,qsHj,t和RHj,t分别表示水电站j在调度时刻t的天然来水流量、弃水流量和下泄流量;ΔtH1表示调度时间间隔;RHupj,f,t,qsHupj,f,t和qHupj,f,t分别为水电站j的上游水库f在调度时刻t的下泄流量、弃水流量和发电流量,NHupj为水电站j的上游水库的总个数。
风电转换关系
式中,PWk,t表示风电机组k在调度时刻t的发电功率;vk,t表示风电机组k在调度时刻t所面临的风速;vk,s、vk,in和vk,out分别表示风电机组k进行发电时的额定风速,切入风速和切出风速;PWk,N表示风电机组k的额定功率。
式中,PL,t表示多源电力系统在调度时刻t的负荷功率。
为了进一步理解本发明,以下以中国某地区的多源电力系统在台风环境下系统优化结果为例,来解释本发明的实际应用。
本发明使用某地区风电场历史台风预报数据,进行风圈模型计算和典型场景生成,附图4给出了由场景生成产生的200个初始场景,附图5给出了由场景削减得到的10个典型场景,各场景概率见表2。
表2各削减场景概率
本发明通过对同一多源电力系统在不同置信水平分别进行优化求解。由表3可知,系统CVaR值和系统运行总成本随置信水平的提高而增加,即反映置信水平越高,系统越倾向于投入更多的运行成本,以降低风电出力预先不确定性带来的风险损失的趋势。应用过程中,系统可根据实际运行情况,综合考虑系统运行经济性和风电出力不确定性带来的影响,以选择合适的置信水平。
表3不同置信水平下系统优化结果
由附图6、附图7和表4可知,在目标函数中加入弃水和弃风惩罚成本后,本发明方法生成的多源电力系统优化运行策略可有效减少系统弃风和弃水,更具有实际应用价值,可用于指导电力系统的优化运行。
表4不同弃水和弃风惩罚下系统优化结果
以上对本发明的具体实施进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
实施例2:
基于同一发明构思,本发明还提供了一种台风环境下多源电力系统协调优化调度系统,该系统,如图8所示,包括:
数据采集模块、场景生成模块和优化调度模块;
所述数据采集模块,用于获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
所述场景生成模块,用于基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
所述优化调度模块,用于基于所述典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,所述多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
其中,所述多源电力系统协调优化调度模型的建立,包括:
以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标函数,以火电机组技术出力约束、火电机组爬坡和滑坡功率约束、火电机组最小开机和停机时间约束、水电功率转换关系、水电站水库库容约束、水电站发电流量约束、水电站水库库容动态平衡约束和风电转换关系为约束条件,对所述目标函数进行约束;
基于条件风险价值理论,对所述目标函数进行转化,得到考虑条件风险价值理论的目标函数;
以所述考虑条件风险价值理论的目标函数和所述约束条件,作为所述多源电力系统协调优化调度模型。
其中,所述考虑条件风险价值理论的目标函数的计算式如下:
s.t.η≥CW,s-zs,zs≥0
式中,F表示考虑条件风险价值理论的目标函数的值,λ表示决策者在进行决策时的风险态度;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;Ps表示场景s发生的概率;S表示经典场景的总数;f表示多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;caban表示多源电力系统弃风的惩罚单价,closs表示多源电力系统失负荷的惩罚单价,ΔPs,t表示多源电力系统在场景s中调度时刻t下风电预测出力和场景出力的差值,T表示调度的周期;η表示风险价值,α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
其中,多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和f的计算式如下:
式中,CHj,t表示水电机组j在调度时刻t的弃水成本等价的煤耗量系数;CWk,t表示风电机组k在调度时刻t的弃风成本等价的煤耗量系数;ai表示火电机组i发电煤耗特性中发电功率二次项的系数,bi表示火电机组i发电煤耗特性中发电功率一次项的系数;ci表示火电机组i发电煤耗特性中发电功率常数项的系数;NT表示火电机组数量;NH表示水电机组数量;NW表示风电机组数量;PTi,t表示火电机组i在调度时刻t的发电功率;qsHj,t表示水电机组j在调度时刻t的弃水流量;PWabank,t表示风电机组k在调度时刻t的弃风功率。
其中,所述场景生成模块具体用于:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速;
按照风电场所处地形和风电场承受风类型对所述初始背景风速进行修正;
基于修正后的初始背景风速,在不同的风电出力区间内生成反映各风电出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列;
对不同风电出力区间的独立场景按照设定的连接规则进行连接,并采用聚类算法进行场景缩减,生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力的典型场景;
其中,所述连接规则包括:对前一个时间序列的独立场景按照最后时间点的风电功率场景值的大小进行降序排序,后一个时间序列的独立场景按第一个时间点的风电功率场景值的大小进行降序排序后,连接时序相邻的各重新排列的独立场景。
其中,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型进行计算,得到台风风场中各预测点的移动风速;
根据台风最大风速以及最大风速半径,采用朗肯模型进行计算,得到台风风场中各预测点的环流风速;
将所述台风风场中各预测点的移动风速和环流风速的进行叠加,得到初始背景风速。
其中,所述基于修正后的初始背景风速,在不同的风电出力区间内生成反映各出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列,包括:
基于修正后的初始背景风速,生成风电预测功率序列,并按照时间对所述风电预测功率序列进行划分,得到对应调度周期内的时间序列的多个分段风电预测功率序列;
分别获取各分段风电预测功率序列所在的风电出力区间,并基于预先构造的对应风电出力区间的最佳协方差矩阵,采用拉丁超立方抽样生成各风电出力区间的服从多元正态分布的随机数;
计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段风电预测功率序列的误差场景;
叠加各分段风电预测功率序列和对应的误差场景,得到反映各出力区间风电预测误差的独立场景;
其中,所述最佳协方差矩阵是基于待选各协方差矩阵生成的风电场景的波动性分布和历史风电数据的t location-scale分布函数差值最小化为目标确定的。
实施例3:
本发明还提供了一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的方法。
实施例4:
本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (15)
1.一种台风环境下多源电力系统协调优化调度方法,其特征在于,包括:
获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
基于所述典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,所述多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
2.根据权利要求1所述的方法,其特征在于,所述多源电力系统协调优化调度模型的建立,包括:
以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标函数,以火电机组技术出力约束、火电机组爬坡和滑坡功率约束、火电机组最小开机和停机时间约束、水电功率转换关系、水电站水库库容约束、水电站发电流量约束、水电站水库库容动态平衡约束和风电转换关系为约束条件,对所述目标函数进行约束;
基于条件风险价值理论,对所述目标函数进行转化,得到考虑条件风险价值理论的目标函数;
以所述考虑条件风险价值理论的目标函数和所述约束条件,作为所述多源电力系统协调优化调度模型。
3.根据权利要求2所述的方法,其特征在于,所述考虑条件风险价值理论的目标函数的计算式如下:
s.t.η≥CW,s-zs,zs≥0
式中,F表示考虑条件风险价值理论的目标函数的值,λ表示决策者在进行决策时的风险态度;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;Ps表示场景s发生的概率;S表示经典场景的总数;f表示多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;caban表示多源电力系统弃风的惩罚单价,closs表示多源电力系统失负荷的惩罚单价,ΔPs,t表示多源电力系统在场景s中调度时刻t下风电预测出力和场景出力的差值,T表示调度的周期;η表示风险价值,α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
4.根据权利要求3所述的方法,其特征在于,所述多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和f的计算式如下:
式中,CHj,t表示水电机组j在调度时刻t的弃水成本等价的煤耗量系数;CWk,t表示风电机组k在调度时刻t的弃风成本等价的煤耗量系数;ai表示火电机组i发电煤耗特性中发电功率二次项的系数,bi表示火电机组i发电煤耗特性中发电功率一次项的系数;ci表示火电机组i发电煤耗特性中发电功率常数项的系数;NT表示火电机组数量;NH表示水电机组数量;NW表示风电机组数量;PTi,t表示火电机组i在调度时刻t的发电功率;qsHj,t表示水电机组j在调度时刻t的弃水流量;PWabank,t表示风电机组k在调度时刻t的弃风功率。
5.根据权利要求1所述的方法,其特征在于,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速;
按照风电场所处地形和风电场承受风类型对所述初始背景风速进行修正;
基于修正后的初始背景风速,在不同的风电出力区间内生成反映各风电出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列;
对不同风电出力区间的独立场景按照设定的连接规则进行连接,并采用聚类算法进行场景缩减,生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力的典型场景;
其中,所述连接规则包括:对前一个时间序列的独立场景按照最后时间点的风电功率场景值的大小进行降序排序,后一个时间序列的独立场景按第一个时间点的风电功率场景值的大小进行降序排序后,连接时序相邻的各重新排列的独立场景。
6.根据权利要求5所述的方法,其特征在于,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型进行计算,得到台风风场中各预测点的移动风速;
根据台风最大风速以及最大风速半径,采用朗肯模型进行计算,得到台风风场中各预测点的环流风速;
将所述台风风场中各预测点的移动风速和环流风速的进行叠加,得到初始背景风速。
7.根据权利要求5所述的方法,其特征在于,所述基于修正后的初始背景风速,在不同的风电出力区间内生成反映各出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列,包括:
基于修正后的初始背景风速,生成风电预测功率序列,并按照时间对所述风电预测功率序列进行划分,得到对应调度周期内的时间序列的多个分段风电预测功率序列;
分别获取各分段风电预测功率序列所在的风电出力区间,并基于预先构造的对应风电出力区间的最佳协方差矩阵,采用拉丁超立方抽样生成各风电出力区间的服从多元正态分布的随机数;
计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段风电预测功率序列的误差场景;
叠加各分段风电预测功率序列和对应的误差场景,得到反映各出力区间风电预测误差的独立场景;
其中,所述最佳协方差矩阵是基于待选各协方差矩阵生成的风电场景的波动性分布和历史风电数据的tlocation-scale分布函数差值最小化为目标确定的。
8.一种台风环境下多源电力系统协调优化调度系统,其特征在于,包括:数据采集模块、场景生成模块和优化调度模块;
所述数据采集模块,用于获取台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径;
所述场景生成模块,用于基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径生成典型场景;
所述优化调度模块,用于基于所述典型场景,对预先建立的多源电力系统协调优化调度模型进行求解,得到多源电力系统协调优化调度计划;
其中,所述多源电力系统协调优化调度模型是基于条件风险价值理论,考虑台风环境下的以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标建立的。
9.根据权利要求8所述的调度系统,其特征在于,所述多源电力系统协调优化调度模型的建立,包括:
以火电机组运行成本、水电弃水成本、风电弃风成本和风电预测误差惩罚成本等价的煤耗量最小为目标函数,以火电机组技术出力约束、火电机组爬坡和滑坡功率约束、火电机组最小开机和停机时间约束、水电功率转换关系、水电站水库库容约束、水电站发电流量约束、水电站水库库容动态平衡约束和风电转换关系为约束条件,对所述目标函数进行约束;
基于条件风险价值理论,对所述目标函数进行转化,得到考虑条件风险价值理论的目标函数;
以所述考虑条件风险价值理论的目标函数和所述约束条件,作为所述多源电力系统协调优化调度模型。
10.根据权利要求9所述的调度系统,其特征在于,所述考虑条件风险价值理论的目标函数的计算式如下:
s.t.η≥CW,s-zs,zs≥0
式中,F表示考虑条件风险价值理论的目标函数的值,λ表示决策者在进行决策时的风险态度;CW,s表示在经典场景s下的多源电力系统弃风、失负荷的经济性损失;CWCVaR,s表示在经典场景s下的多源电力系统弃风、失负荷的条件风险价值;Ps表示场景s发生的概率;S表示经典场景的总数;f表示多源电力系统中所有火电厂在调度周期内的煤耗费用、所有水电站弃水成本以及所有风电弃风成本等价的煤耗量的总和;caban表示多源电力系统弃风的惩罚单价,closs表示多源电力系统失负荷的惩罚单价,ΔPs,t表示多源电力系统在场景s中调度时刻t下风电预测出力和场景出力的差值,T表示调度的周期;η表示风险价值,α表示置信水平,Zs表示第s个场景下多源电力系统损失超过风险价值的部分。
11.根据权利要求8所述的调度系统,其特征在于,所述场景生成模块具体用于:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速;
按照风电场所处地形和风电场承受风类型对所述初始背景风速进行修正;
基于修正后的初始背景风速,在不同的风电出力区间内生成反映各风电出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列;
对不同风电出力区间的独立场景按照设定的连接规则进行连接,并采用聚类算法进行场景缩减,生成考虑风电出力波动性和不确定性双重特性的风电时序联合出力的典型场景;
其中,所述连接规则包括:对前一个时间序列的独立场景按照最后时间点的风电功率场景值的大小进行降序排序,后一个时间序列的独立场景按第一个时间点的风电功率场景值的大小进行降序排序后,连接时序相邻的各重新排列的独立场景。
12.根据权利要求11所述的调度系统,其特征在于,所述基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型和朗肯模型进行计算,得到初始背景风速,包括:
基于所述台风中心的移动速度、台风中心和预测点经纬度坐标以及最大风速半径,采用宫崎正卫模型进行计算,得到台风风场中各预测点的移动风速;
根据台风最大风速以及最大风速半径,采用朗肯模型进行计算,得到台风风场中各预测点的环流风速;
将所述台风风场中各预测点的移动风速和环流风速的进行叠加,得到初始背景风速。
13.根据权利要求11所述的调度系统,其特征在于,所述基于修正后的初始背景风速,在不同的风电出力区间内生成反映各出力区间风电预测误差的独立场景,各独立场景分别对应调度周期内的时间序列,包括:
基于修正后的初始背景风速,生成风电预测功率序列,并按照时间对所述风电预测功率序列进行划分,得到对应调度周期内的时间序列的多个分段风电预测功率序列;
分别获取各分段风电预测功率序列所在的风电出力区间,并基于预先构造的对应风电出力区间的最佳协方差矩阵,采用拉丁超立方抽样生成各风电出力区间的服从多元正态分布的随机数;
计算各随机数的标准正态函数值并通过对预测误差累积分布逆变换得到各分段风电预测功率序列的误差场景;
叠加各分段风电预测功率序列和对应的误差场景,得到反映各出力区间风电预测误差的独立场景;
其中,所述最佳协方差矩阵是基于待选各协方差矩阵生成的风电场景的波动性分布和历史风电数据的t location-scale分布函数差值最小化为目标确定的。
14.一种计算机设备,其特征在于,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求l至7中任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求l至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246385.6A CN116029404A (zh) | 2021-10-26 | 2021-10-26 | 一种台风环境下多源电力系统协调优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246385.6A CN116029404A (zh) | 2021-10-26 | 2021-10-26 | 一种台风环境下多源电力系统协调优化调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029404A true CN116029404A (zh) | 2023-04-28 |
Family
ID=86069359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246385.6A Pending CN116029404A (zh) | 2021-10-26 | 2021-10-26 | 一种台风环境下多源电力系统协调优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029404A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116667343A (zh) * | 2023-07-31 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于单位画像的供电管理方法和供电管理模块 |
CN116822712A (zh) * | 2023-05-25 | 2023-09-29 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
-
2021
- 2021-10-26 CN CN202111246385.6A patent/CN116029404A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822712A (zh) * | 2023-05-25 | 2023-09-29 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
CN116822712B (zh) * | 2023-05-25 | 2024-04-09 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
CN116667343A (zh) * | 2023-07-31 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于单位画像的供电管理方法和供电管理模块 |
CN116667343B (zh) * | 2023-07-31 | 2023-12-15 | 国网浙江省电力有限公司宁波供电公司 | 一种供电管理方法和供电管理模块 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming | |
Negnevitsky et al. | Innovative short-term wind generation prediction techniques | |
Wang et al. | Potential assessment of large-scale hydro-photovoltaic-wind hybrid systems on a global scale | |
CN116029404A (zh) | 一种台风环境下多源电力系统协调优化调度方法和系统 | |
CN102184337A (zh) | 一种受气象信息影响的新能源发电能力动态组合分析方法 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
Kim et al. | Maximum power point tracking of a wind power plant with predictive gradient ascent method | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
KR101682860B1 (ko) | 신재생에너지 그리드의 최적설계 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체 | |
CN112952818A (zh) | 一种基于出力互补性的风光水多能互补容量优化配置方法 | |
CN116526469A (zh) | 一种水风光互补系统长期随机动态调度方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
CN111104750A (zh) | 一种耦合集合预报信息的水库调度图绘制方法 | |
CN110991927B (zh) | 提高区域电网不同地区间歇性电源互补效果的电源规划方法 | |
Jaidee et al. | Very short-term solar power forecasting using genetic algorithm based deep neural network | |
CN110460041A (zh) | 配电网供电能力分析系统、方法及计算机可读存储介质 | |
CN115271244A (zh) | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 | |
KR102338519B1 (ko) | 실시간 신재생에너지 발전량 추정 시스템 | |
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 | |
CN113869771A (zh) | 基于局域疲劳载荷均衡的海上风电场功率调度方法 | |
Mamedova | Methodology for Assessing Meteorological Observation Data to Account for Wind Potential in The Design of a Wind Power Plant | |
Chen et al. | Short-term wind power forecasting based on spatial correlation and artificial neural network | |
Emeksiz et al. | A suitable wind turbine selection for achieving maximum efficiency from wind energy by an adaptive hybrid multi-criteria decision-making approach | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |