CN116306006A - 风光水联合发电的优化调度方法、装置和计算机设备 - Google Patents

风光水联合发电的优化调度方法、装置和计算机设备 Download PDF

Info

Publication number
CN116306006A
CN116306006A CN202310347627.3A CN202310347627A CN116306006A CN 116306006 A CN116306006 A CN 116306006A CN 202310347627 A CN202310347627 A CN 202310347627A CN 116306006 A CN116306006 A CN 116306006A
Authority
CN
China
Prior art keywords
wind
photovoltaic
data
prediction
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310347627.3A
Other languages
English (en)
Inventor
赵明哲
赵培双
普中勇
简云忠
段必辉
夏一丹
陈国志
杨关发
卢飞
崔东
王玥
赖建甫
尹文春
龙雪奎
胡旭敏
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.)
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Huaneng Lancang River Hydropower 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 Huaneng Lancang River Hydropower Co Ltd filed Critical Huaneng Lancang River Hydropower Co Ltd
Priority to CN202310347627.3A priority Critical patent/CN116306006A/zh
Publication of CN116306006A publication Critical patent/CN116306006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提出一种风光水联合发电的优化调度方法、装置和计算机设备，该方法包括：获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据和光伏预测数据，根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示风电预测偏差数据和光伏预测偏差数据，确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量，基于目标随机变量构建优化调度模型，利用寻优算法对决策变量进行求解，由此，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。

Description

风光水联合发电的优化调度方法、装置和计算机设备
技术领域
本公开涉及多能互补发电技术领域，具体涉及一种风光水联合发电的优化调度方法、装置和计算机设备。
背景技术
为了应对环境污染、气候变化、能源枯竭危机等诸多问题，可再生能源开发利用与能源结构转型的进程明显加快，使得以化石能源和水电为主体的传统电力系统转变为以风电、光伏和水电等可再生能源为主体的新型电力系统。然而，风电和光伏等新能源发电具有随机性、波动性以及间歇性，其大规模并网导致弃风弃光现象频发。风光水互补能源基地是依托已有或规划的水电基地，在基地内配置适宜容量的风电和光伏，并借用水电基地的外送通道将风光水电打捆送出，实现风光水互补开发和运行。
相关技术中，在对风光水互补能源基地进行发电调度时，通常采用出力场景代表风电和光伏出力预测的不确定性。
这种方式下，在调度过程中对于风电和光伏出力预测不确定性的描述准确性较低，影响风光水联合发电的调度效果。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的目的在于提出一种风光水联合发电的优化调度方法、装置、计算机设备和存储介质，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。
本公开第一方面实施例提出的风光水联合发电的优化调度方法，包括：
获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据；
根据所述风电历史数据和所述光伏历史数据，构建风光功率偏差概率分布模型，所述风光功率偏差概率分布模型用于指示与所述风电预测数据对应的风电预测偏差数据，以及与所述光伏预测数据对应的光伏预测偏差数据；
确定所述风电预测数据、所述光伏预测数据、所述风电预测偏差数据和所述光伏预测偏差数据的和值作为目标随机变量；
基于所述目标随机变量构建优化调度模型，其中，所述优化调度模型包括目标函数、决策变量和约束条件，所述目标函数用于指示所述优化调度模型的优化目标，所述决策变量包括水电机组的出力，所述约束条件用于约束所述决策变量；
利用寻优算法对优化调度模型中的所述决策变量进行求解。
本公开第一方面实施例提出的风光水联合发电的优化调度方法，通过获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据，根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据，确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量，基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量，利用寻优算法对优化调度模型中的决策变量进行求解，由此，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。
本公开第二方面实施例提出的风光水联合发电的优化调度装置，包括：
获取模块，用于获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据；
第一模型构建模块，用于根据所述风电历史数据和所述光伏历史数据，构建风光功率偏差概率分布模型，所述风光功率偏差概率分布模型用于指示与所述风电预测数据对应的风电预测偏差数据，以及与所述光伏预测数据对应的光伏预测偏差数据；
确定模块，用于确定所述风电预测数据、所述光伏预测数据、所述风电预测偏差数据和所述光伏预测偏差数据的和值作为目标随机变量；
第二模型构建模块，用于基于所述目标随机变量构建优化调度模型，其中，所述优化调度模型包括目标函数、决策变量和约束条件，所述目标函数用于指示所述优化调度模型的优化目标，所述决策变量包括水电机组的出力，所述约束条件用于约束所述决策变量；
处理模块，用于利用寻优算法对优化调度模型中的所述决策变量进行求解。
本公开第二方面实施例提出的风光水联合发电的优化调度装置，通过获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据，根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据，确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量，基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量，利用寻优算法对优化调度模型中的决策变量进行求解，由此，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。
本公开第三方面实施例提出的计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本公开第一方面实施例提出的风光水联合发电的优化调度方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的风光水联合发电的优化调度方法。
本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本公开第一方面实施例提出的风光水联合发电的优化调度方法。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开一实施例提出的风光水联合发电的优化调度方法的流程示意图；
图2是本公开另一实施例提出的风光水联合发电的优化调度方法的流程示意图；
图3是根据本公开提出的一种考虑不确定性的风光水互补能源基地灵活性日前发电计划优化方法的流程图；
图4是本公开一实施例提出的风光水联合发电的优化调度装置的结构示意图；
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的风光水联合发电的优化调度方法的流程示意图。
其中，需要说明的是，本实施例的风光水联合发电的优化调度方法的执行主体为风光水联合发电的优化调度装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在计算机设备中，计算机设备可以包括但不限于终端、服务器端等，如终端可为手机、掌上电脑等。
如图1所示，该风光水联合发电的优化调度方法，包括：
S101：获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据。
其中，风光水互补能源基地是依托已有或规划的水电基地，在基地内配置适宜容量的风电和光伏，并借用水电基地的外送通道将风光水电打捆送出，实现风光水互补开发和运行。
其中，风电历史数据，可以是指风光水互补能源基地与风电相关的历史数据，例如可以是风电功率数据。风电预测数据，则是指对风光水互补能源基地在未来某个时间段内的风电功率进行预测所得到的数据。
其中，光伏历史数据，可以是指风光水互补能源基地与光伏发电相关的历史数据，例如可以是光伏功率数据。光伏预测数据，则是指对风光水互补能源基地在未来某个时间段内的光伏功率进行预测所得到的数据。
可选的，一些实施例中，风电历史数据包括风电历史预测数据和风电历史真实数据，风电历史预测数据包括历史预测风电资源数据以及与预测风电资源数据对应的历史预测风电功率，风电历史真实数据包括与历史预测风电资源数据对应的历史真实风电资源数据，以及历史预测风电功率对应的历史真实风电功率。
其中，历史预测风电资源数据，是指针对过去某个时间点的风电资源进行预测所得到的数据。而历史真实风电资源数据，则用于指示风光水互补能源基地在上述预测时间点时所拥有的真实的风电资源。
其中，历史预测风电功率，是指基于历史预测风电资源数据对风电功率进行预测所得到的数据。历史真实风电功率，则是指风光水互补能源基地在上述预测时间点时的真实风电功率。
可选的，一些实施例中，光伏历史数据包括光伏历史预测数据和光伏历史真实数据，光伏历史预测数据包括历史预测光伏资源数据以及与预测光伏资源数据对应的历史预测光伏功率，光伏历史真实数据包括与历史预测光伏资源数据对应的历史真实光伏资源数据，以及历史预测光伏功率对应的历史真实光伏功率。
其中，历史预测光伏资源数据，是指针对过去某个时间点的光伏资源进行预测所得到的数据。而历史真实光伏资源数据，则用于指示风光水互补能源基地在上述预测时间点时所拥有的真实的光伏资源。
其中，历史预测光伏功率，是指基于历史预测光伏资源数据对光伏功率进行预测所得到的数据。历史真实光伏功率，则是指风光水互补能源基地在上述预测时间点时的真实光伏功率。
也即是说，本公开实施例中在获取风电历史数据和光伏历史数据时，不仅获取了对应的功率数据，还获取了对应的资源数据，由此，可以有效提升所得风电历史数据和光伏历史数据在后续构建风光功率偏差概率分布模型时的指示效果。
S102：根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据。
其中，风光功率偏差概率分布模型，是指可以被用于描述对于上述风光水互补能源基地风光功率预测的不确定性。
其中，风电预测偏差数据，可以包含对风电功率进行预测所可能产生的误差区间，以及误差区间内各个误差值对应的取值概率。
其中，光伏预测偏差数据，可以包含对光伏功率进行预测所可能产生的误差区间，以及误差区间内各个误差值对应的取值概率。
可选的，一些实施例中，在根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型时，可以是根据多个历史预测风电功率以及于每个历史预测风电功率对应的历史真实风电功率，确定风电功率预测偏差的第一概率统计特性，根据多个历史预测光伏功率以及于每个历史预测光伏功率对应的历史真实光伏功率，确定光伏功率预测偏差的第二概率统计特性，根据第一概率统计特性和第二概率统计特性，构建风光功率偏差的广义逻辑分布模型作为风光功率偏差概率分布模型，由此，可以基于第一概率统计特性和第二概率统计特性有效提升风光功率偏差概率分布模型构建过程的针对性，从而有效提升所得风光功率偏差概率分布模型对于风光功率偏差的描述准确性。
其中，概率统计特性，可以是对风电预测功率的偏差数据进行统计分析所得到的特征。第一概率统计特性，是指与风电功率预测偏差对应的概率统计特性。而第二概率统计特性，是指与光伏功率预测偏差对应的概率统计特性。
S103：确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量。
可以理解的是，本公开实施例中风电预测偏差数据和光伏预测偏差数据皆为随机变量，而过多的随机变量可能会影响模型求解的效率，由此，本公开实施例中，当确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量时，可以减少后续优化调度模型中随机变量的数量，保证模型求解效率。
本公开实施例中，在计算风电预测偏差数据和光伏预测偏差数据之间的相加运算时，由于两者皆是随机变量，由此，可以使用卷积运算的方法计算风电预测偏差数据和光伏预测偏差数据的和值。
可选的，一些实施例中，风电预测数据包括多个预设时间区间的风电预测功率，光伏预测数据包括多个预设时间区间的光伏预测功率，由此，可以使风电预测数据和光伏预测数据适应于个性化的风电资源和光电资源，以有效提升风电预测数据和光伏预测数据的准确性和实用性。
可以理解的是，本公开实施例中所获取的风电预测数据和光伏预测数据可能是针对未来一个较长时间段内的预测数据，例如次日一天，而一天中风电资源和光伏资源可能会随时间产生变化，由此，将次日一天划分为多个预设时间区间，例如1个小时，可以有效提升风电预测数据和光伏预测数据的预测准确性。
S104：基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量。
其中，优化调度模型，可以是指根据目标函数和约束条件对决策变量进行求解的模型。
本公开实施例中，当基于目标随机变量构建优化调度模型，可以根据应用场景的需求信息对目标函数和约束条件进行灵活配置，以有效提升优化调度的灵活性。
S105：利用寻优算法对优化调度模型中的决策变量进行求解。
其中，寻优算法，是指通过模仿社会性动物的行为，而提出的一种随机优化算法。例如蚁群优化算法、粒子群优化算法、细菌觅食算法、萤火虫算法、人工鱼群算法等。
本公开实施例中，在选取寻优算法对优化调度模型中的决策变量进行求解时，可以根据优化调度模型中目标函数的数量，使用单目标粒子群算法或者多目标粒子群算法进行求解，对此不做限制。
本实施例中，通过获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据，根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据，确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量，基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量，利用寻优算法对优化调度模型中的决策变量进行求解，由此，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。
图2是本公开另一实施例提出的风光水联合发电的优化调度方法的流程示意图。
如图2所示，该风光水联合发电的优化调度方法，包括：
S201：获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据。
S202：根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据。
S203：确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量。
S201-S203的描述说明可以具体参见上述实施例，在此不再赘述。
S204：获取风光水互补能源基地的运行参数，其中，运行参数包括分别与风电、光伏、水电对应的发电装机容量和出力上下限信息。
其中，发电装机容量，指正式安装完毕投入使用的发电设备能力，包括正常运转容量、事故备用容量和检修备用容量，计算单位是千瓦。
其中，出力，是指对应发电机组(风电机组、光伏机组或者水电机组)在单位时间内输出的能量，又称为发电站输出功率，例如发电站24小时出力的平均值称为日平均出力。在一天内，出力随时间的积分值就是发电站日发电量。
其中，出力上下限信息，可以被用于描述风电、光伏、水电对应的出力上限和出力下限。
可以理解的是，不同应用场景中，风光水互补能源基地的运行参数可能存在差异，而运行参数可能会影响风光水联合发电的优化调度过程，由此，本公开实施例中，当获取风光水互补能源基地的运行参数时，可以为后续构建优化调度模型提供可靠的参考信息，能够有效提升构建优化调度模型构建过程的可靠性。
S205：获取风光水互补能源基地中水电站的发电属性信息。
本公开实施例中，风光水互补能源基地可以包含一个或多个水电站，对此不做限制。
其中，发电属性信息，则是指影响对应水电站发电功能的相关属性信息，例如水电站特征水位、流量、特征曲线、梯级电站水力联系，以及水电站初始状态边界条件等，对此不做限制。
S206：根据发电装机容量、出力上下限信息、发电属性信息和目标随机变量，构建优化调度模型。
也即是说，本公开实施例中在确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量之后，可以获取风光水互补能源基地的运行参数，其中，运行参数包括分别与风电、光伏、水电对应的发电装机容量和出力上下限信息，获取风光水互补能源基地中水电站的发电属性信息，根据发电装机容量、出力上下限信息、发电属性信息和目标随机变量，构建优化调度模型，由此，可以在优化调度模型的构建过程中有效结合风光水互补能源基地中的相关信息，从而有效提升所得优化调度模型与风光水互补能源基地的适配性，提升所得优化调度模型的适用性。
S207：确定优化调度模型中各个目标函数和约束条件的运算特征。
可以理解的是，本公开实施例中优化调度模型是基于目标随机变量构建得到的，而目标随机变量中包含积分运算，由此，目标函数和约束条件中也可能包含积分运算，本公开实施例中当确定优化调度模型中各个目标函数和约束条件的运算特征时，可以准确快速地从多个目标函数和约束条件中确定包含积分运算的待处理对象。
可选的，一些实施例中，目标函数包括：第一目标函数和第二目标函数，其中，第一目标函数，用于指示优化调度模型对于风光水总发电量的优化调度目标，第二目标函数，用于指示优化调度模型对于风光水互补能源基地失负荷及风电、光伏弃电期望的优化调度目标。
其中，第一目标函数，可以表示为风光水互补能源基地风电、光伏和水电总发电量最大的数学表达式。该第一目标函数中可以用风光水互补能源基地中风电、光伏和水电在不同时刻的出力作为参数。
第二目标函数，可以表示为风光水互补能源基地失负荷及风电、光伏弃电期望最小的数学表达式。该第二目标函数中可以用风光功率偏差、水电最大出力、水电最小出力，以及水电在不同时刻的出力调整能力等作为参数，对此不做限制。
可选的，一些实施例中，约束条件包括常规约束条件、灵活性不足概率约束条件和极限破坏概率约束条件。
其中，常规约束条件，可以是指风光水互补能源基地进行优化调度时常规的一些约束条件，如水量平衡约束、水位流量约束、水能利用约束、水电站出力约束和变量非负约束等，对此不做限制。
其中，灵活性不足概率约束条件，是指针对系统上调和下调灵活性不足概率所配置的约束条件，可以被用于避免优化调度过程中由于系统上调和下调灵活性不足而导致系统失控。
其中，极限破坏概率约束条件，是指针对风光水互补能源基地失负荷及风电、光伏弃电概率所配置的约束条件。
可选的，一些实施例中，灵活性不足概率约束包括上调灵活性不足概率约束和下调灵活性不足概率约束，极限破坏概率约束包括极端失负荷概率约束和极端弃电概率约束。
也即是说，本公开实施例中所构建的优化调度模型在以风光水总发电量为优化调度目标，以常规约束条件为约束的前提下，还同时考虑了风光水互补能源基地失负荷及风电、光伏弃电期望与日前发电计划灵活性不足的风险与极限破坏概率，避免了常用的多场景随机优化方法依赖场景选择且难以考虑极端破坏的不足，有效规避预测不确定性对风光水互补能源基地日前发电计划的影响，为多能互补短期调度运行提供支撑。
S208：根据运算特征，从多个目标函数和约束条件中确定待处理对象，其中，待处理对象中包含积分运算。
其中，待处理对象，可以是指多个目标函数和约束条件中积分运算的对象。
S209：基于数值积分处理待处理对象，以得到更新后的优化调度模型。
本公开实施例中，在基于数值积分处理待处理对象时，可以是采用复化梯形积分方法计算目标函数和约束条件中的概率分布及其逆函数。
S210：利用寻优算法对更新后的优化调度模型中的决策变量进行求解。
也即是说，本公开实施例中在构建优化调度模型之后，可以确定优化调度模型中各个目标函数和约束条件的运算特征，根据运算特征，从多个目标函数和约束条件中确定待处理对象，其中，待处理对象中包含积分运算，基于数值积分处理待处理对象，以得到更新后的优化调度模型，利用寻优算法对更新后的优化调度模型中的决策变量进行求解，由此，可以基于数值积分对风光水互补能源基地对应优化调度模型的目标、约束进行处理，实现了复杂随机优化问题的求解。
本实施例中，通过获取风光水互补能源基地的运行参数，其中，运行参数包括分别与风电、光伏、水电对应的发电装机容量和出力上下限信息，获取风光水互补能源基地中水电站的发电属性信息，根据发电装机容量、出力上下限信息、发电属性信息和目标随机变量，构建优化调度模型，由此，可以在优化调度模型的构建过程中有效结合风光水互补能源基地中的相关信息，从而有效提升所得优化调度模型与风光水互补能源基地的适配性，提升所得优化调度模型的适用性。通过确定优化调度模型中各个目标函数和约束条件的运算特征，根据运算特征，从多个目标函数和约束条件中确定待处理对象，其中，待处理对象中包含积分运算，基于数值积分处理待处理对象，以得到更新后的优化调度模型，利用寻优算法对更新后的优化调度模型中的决策变量进行求解，由此，可以基于数值积分对风光水互补能源基地对应优化调度模型的目标、约束进行处理，实现了复杂随机优化问题的求解。
图3是根据本公开提出的一种考虑不确定性的风光水互补能源基地灵活性日前发电计划优化方法的流程图，其中，包括如下步骤：
步骤1，获取风光水互补能源基地各电源的运行参数；获取风电、光伏功率的历史数据、预测数据；
步骤2，针对风电、光伏功率预测的不确定性，引入广义逻辑分布(GLO-V)，构建风光预测偏差分布模型；
步骤3，建立考虑不确定性的风光水互补能源基地日前随机优化调度模型(即上述实施例中的优化调度模型)，以风光水能源基地风电、光伏和水电总发电量最大(即上述实施例中的第一目标函数)，和系统失负荷与风电、光伏弃电期望最小(即上述实施例中的第二目标函数)为目标，考虑水量平衡约束、水位流量约束、水能利用约束、水电站出力约束和变量非负约束等常规优化模型约束，并引入风光水能源基地日前发电计划灵活性不足的风险与极限破坏等概率约束(即上述实施例中的灵活性不足概率约束条件和极限破坏概率约束条件)；
步骤4，针对步骤3建立的风光水互补能源基地日前随机优化调度模型目标和约束中的概率分布及其逆函数，提出采用复化梯形积分的目标函数和约束条件处理方法；
步骤5，采用多目标粒子群算法(MOPSO)对风光水互补能源基地日前随机优化调度模型进行求解，制定考虑不确定性的风光水互补能源基地日前灵活性发电计划。
步骤1中，风光水互补能源基地为风电、光伏电站集群及流域(跨流域)水电站群组成的打捆电源系统。
风电、光伏、水电站的运行参数具体包括各电源装机容量、出力上下限；水电站特征水位、流量、特征曲线、梯级电站水力联系，以及水电站初始状态边界条件。
风电、光伏的历史数据具体包括长序列实际和预测的风速、风向、气压、风电功率、光照强度、温度、光伏功率。
风电、光伏的预测数据则为次日逐小时的风电、光伏预测功率。
步骤2的具体过程为：
根据长序列风电、光伏功率历史数据，分析风电功率和光电功率预测偏差的概率统计特性，构建风光功率偏差的广义逻辑分布模型，其概率分布函数、概率分布逆函数、概率密度函数如下：
Figure BDA0004160373620000141
Figure BDA0004160373620000142
Figure BDA0004160373620000143
式中，F(x)和f(x)为GLO-V分布的累积分布(Cdf)和概率密度(Pdf)函数；x(F)为GLO-V分布累积分布的逆函数；μ为位置参数，μ∈[-∞,∞]；α为尺度参数，α∈[0,∞]；k为偏斜参数(系数)，k∈[-∞,∞]。
将步骤1获取的风电、光伏预测数据(次日逐小时的风电、光伏预测功率)与风光功率偏差概率分布模型相叠加，即可得到预测的次日风光功率值的可信区间及其相应的概率值。
为尽可能减少后续随机优化调度模型中随机变量的数量，保证模型求解效率，可将风电和光伏功率及其预测偏差相加，作为一个随机变量输入调度模型。
由于涉及风电预测偏差与光伏预测偏差两随机变量间的加法运算，需采用卷积运算进行处理，其计算公式如下：
Figure BDA0004160373620000151
式中，fwind-PV(x)为风电功率和光伏功率预测值的总偏差；fwind(x)为风电功率的预测值偏差；fPV(x)为光伏功率的预测值偏差。
步骤3的具体过程为：
目标一，风光水互补能源基地风电、光伏和水电总发电量最大的数学表达式如下：
Figure BDA0004160373620000152
式中，
Figure BDA0004160373620000153
和/>
Figure BDA0004160373620000154
分别为风光水互补能源基地中风电、光伏和水电在t时刻的出力；Δt表示优化模型的时间尺度，取Δt＝1h；T则为调度期的时段总数。
目标二，风光水互补能源基地失负荷及风电、光伏弃电期望最小的数学表达式如下：
Figure BDA0004160373620000155
式中，
Figure BDA0004160373620000156
和/>
Figure BDA0004160373620000157
分别表示时段t风光水互补能源基地上调和下调灵活性不足的期望，其计算方法如下：
Figure BDA0004160373620000158
Figure BDA0004160373620000159
式中，x为风光功率偏差，x>0为正偏，x<0为负偏；ft bias(·)则为t时段风电和光伏出力的偏差分布；Flexup(·)和Flexdown(·)表示系统灵活性缺额，其计算方法如下：
Figure BDA0004160373620000161
式中，abs(·)和min(·)表示取绝对值与最小值，
Figure BDA0004160373620000162
和/>
Figure BDA0004160373620000163
分别为t时段水电上调和下调灵活性供给能力，其计算方法如下：
Figure BDA0004160373620000164
式中，
Figure BDA0004160373620000165
和/>
Figure BDA0004160373620000166
分别为水电的最大和最小出力；HRamp+,t和HRamp-,t表示水电在t时段向上和向下的爬坡能力。
随机优化调度模型中，风光水互补能源基地日前发电计划灵活性不足的风险与极限破坏等概率约束为：
Figure BDA0004160373620000167
式中，
Figure BDA0004160373620000168
和/>
Figure BDA0004160373620000169
为时段t系统上调和下调灵活性不足概率；/>
Figure BDA00041603736200001610
和
Figure BDA00041603736200001611
为灵活性不足概率允许上限；/>
Figure BDA00041603736200001615
和/>
Figure BDA00041603736200001616
分别表示时段t系统上调和下调灵活性的极端缺额，由于电力系统运行中失负荷的影响远大于弃电，因此极端失负荷概率取1，而极端弃电概率取1％；/>
Figure BDA00041603736200001612
表示风电和光伏偏差累积分布的逆函数；/>
Figure BDA00041603736200001613
和
Figure BDA00041603736200001614
分别为系统上调和下调灵活性可能的最大值极端缺额。
此外，随机优化调度模型还包含水量平衡约束、水位流量约束、水能利用约束、水电站出力约束和变量非负约束等常规约束条件如下：
(1)电力系统平衡约束
Figure BDA0004160373620000171
式中，
Figure BDA0004160373620000172
表示风光水互补能源基地在t时刻承担的负荷。
(2)电力系统备用容量约束
Figure BDA0004160373620000173
式中，
Figure BDA0004160373620000174
和/>
Figure BDA0004160373620000175
分别表示系统中水电在t时刻的备用容量；Rup(t)和Rdown(t)分别为风光水互补能源基地的备用需求。
(3)水量平衡约束
Figure BDA0004160373620000176
式中，V(i,t)和V(i,t+1)分别为梯级水库i在t时段初和时段末的库容；QI(i,t)为梯级水库i在t时段内的平均入库流量。
(4)可用水量约束
Figure BDA0004160373620000177
式中，Q(i,t)为梯级水库i在t时段内的平均下泄流量；Wavailable(i)表示梯级水库i在调度期内下泄的总水量；I则为能源基地内所有梯级水库的集合。
(5)梯级电站间水力联系
Figure BDA0004160373620000178
式中，QI(i+1,t)表示第i+1个梯级水库在t时段内的入库流量；Q(i,t-Δt′)表示第i个梯级水库在t-Δt′i时段内的出库流量，Δt′i则为第i个水库与第i+1个水库间的水流滞时；q(i+1,t)表示第i+1个梯级水库在t时段的区间入流。
(6)水库水位流量约束
Figure BDA0004160373620000179
式中，Z(i,t)为水库i在t时段初的水位；
Figure BDA00041603736200001710
和/>
Figure BDA00041603736200001711
分别为水库i的水位上下限，由于水库的水位与库容一一对应，因此库容约束与水位约束等效，不需要重复考虑；/>
Figure BDA0004160373620000181
和
Figure BDA0004160373620000182
分别为水库i下泄流量的上下限。
(7)水能利用约束
Figure BDA0004160373620000183
式中，
Figure BDA0004160373620000184
和H(i,t)分别为系统梯级电站i在t时段的出力、发电引流量以及水头；K(i)表示梯级电站i发电机组的出力系数。
(8)风、光、水电站出力约束
Figure BDA0004160373620000185
式中，
Figure BDA0004160373620000186
和/>
Figure BDA0004160373620000187
表示梯级水电站i的出力上下限；/>
Figure BDA0004160373620000188
和/>
Figure BDA0004160373620000189
表示光伏电站的出力上下限；/>
Figure BDA00041603736200001810
和/>
Figure BDA00041603736200001811
则表示风电站的出力上下限。
(9)变量非负约束，由于生产实际中风-光-水混合互补能源基地调度运行的相关变量不可能出现负值，故上述模型中所有变量均大于0。
步骤4的具体过程为：
步骤3构建的风光水互补能源基地日前随机优化调度模型涉及概率分布和积分的运算，模型中的分布和积分还与其他状态变量、决策变量存在互馈关系，使得模型目标和约束的方程结构复杂，采用解析算法难以处理。故采用复化梯形积分方法计算目标函数和约束条件中的概率分布及其逆函数，其计算公式如下：
Figure BDA00041603736200001812
式中，I为定积分的结果，其积分上下限为[a,b]；xi为积分区间上的离散点；n为积分区间的离散数量；h为离散区间步长，其计算公式为：
Figure BDA00041603736200001813
步骤5的具体过程为：
①初始化MOPSO算法参数，并随机生成满足约束的初始粒子聚群；
②更新粒子群进化速度，迭代计算新一代粒子集群；
③根据模型目标函数，计算粒子集群各个粒子的适应度；
④确定粒子集群中适应度最佳的粒子，更新pBest粒子；
⑤对比粒子集群中适应度最佳的粒子与全局最优粒子，更新gBest粒子；
⑥循环②～⑤步骤，当满足算法初始化设定的迭代终止条件时，循环结束，输出最终优化结果。制定考虑不确定性的风光水互补能源基地日前灵活性发电计划。
图4是本公开一实施例提出的风光水联合发电的优化调度装置的结构示意图。
如图4所示，该风光水联合发电的优化调度装置40，包括：
获取模块401，用于获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据；
第一模型构建模块402，用于根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据；
确定模块403，用于确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量；
第二模型构建模块404，用于基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量；
处理模块405，用于利用寻优算法对优化调度模型中的决策变量进行求解。
需要说明的是，前述对风光水联合发电的优化调度方法的解释说明也适用于本实施例的风光水联合发电的优化调度装置，此处不再赘述。
本实施例中，通过获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据，根据风电历史数据和光伏历史数据，构建风光功率偏差概率分布模型，风光功率偏差概率分布模型用于指示与风电预测数据对应的风电预测偏差数据，以及与光伏预测数据对应的光伏预测偏差数据，确定风电预测数据、光伏预测数据、风电预测偏差数据和光伏预测偏差数据的和值作为目标随机变量，基于目标随机变量构建优化调度模型，其中，优化调度模型包括目标函数、决策变量和约束条件，目标函数用于指示优化调度模型的优化目标，决策变量包括水电机组的出力，约束条件用于约束决策变量，利用寻优算法对优化调度模型中的决策变量进行求解，由此，能够基于风光功率偏差概率分布模型准确描述风电和光伏出力预测的不确定性，从而保证调度过程的可靠性，有效提升风光水联合发电的调度效果。
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。
尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得人体能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的风光水联合发电的优化调度方法。
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开前述实施例提出的风光水联合发电的优化调度方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的风光水联合发电的优化调度方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定是指相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种风光水联合发电的优化调度方法，其特征在于，包括：
获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据；
根据所述风电历史数据和所述光伏历史数据，构建风光功率偏差概率分布模型，所述风光功率偏差概率分布模型用于指示与所述风电预测数据对应的风电预测偏差数据，以及与所述光伏预测数据对应的光伏预测偏差数据；
确定所述风电预测数据、所述光伏预测数据、所述风电预测偏差数据和所述光伏预测偏差数据的和值作为目标随机变量；
基于所述目标随机变量构建优化调度模型，其中，所述优化调度模型包括目标函数、决策变量和约束条件，所述目标函数用于指示所述优化调度模型的优化目标，所述决策变量包括水电机组的出力，所述约束条件用于约束所述决策变量；
利用寻优算法对所述优化调度模型中的所述决策变量进行求解。
2.如权利要求1所述的方法，其特征在于，其中，
所述风电历史数据包括风电历史预测数据和风电历史真实数据，所述风电历史预测数据包括历史预测风电资源数据以及与所述预测风电资源数据对应的历史预测风电功率，所述风电历史真实数据包括与所述历史预测风电资源数据对应的历史真实风电资源数据，以及所述历史预测风电功率对应的历史真实风电功率；
所述光伏历史数据包括光伏历史预测数据和光伏历史真实数据，所述光伏历史预测数据包括历史预测光伏资源数据以及与所述预测光伏资源数据对应的历史预测光伏功率，所述光伏历史真实数据包括与所述历史预测光伏资源数据对应的历史真实光伏资源数据，以及所述历史预测光伏功率对应的历史真实光伏功率。
3.如权利要求2所述的方法，其特征在于，所述根据所述风电历史数据和所述光伏历史数据，构建风光功率偏差概率分布模型，包括：
根据多个所述历史预测风电功率以及于每个所述历史预测风电功率对应的历史真实风电功率，确定风电功率预测偏差的第一概率统计特性；
根据多个所述历史预测光伏功率以及于每个所述历史预测光伏功率对应的历史真实光伏功率，确定光伏功率预测偏差的第二概率统计特性；
根据所述第一概率统计特性和所述第二概率统计特性，构建风光功率偏差的广义逻辑分布模型作为所述风光功率偏差概率分布模型。
4.如权利要求1所述的方法，其特征在于，其中，
所述风电预测数据包括多个预设时间区间的风电预测功率；
所述光伏预测数据包括多个所述预设时间区间的光伏预测功率。
5.如权利要求1所述的方法，其特征在于，所述基于所述目标随机变量构建优化调度模型，包括：
获取所述风光水互补能源基地的运行参数，其中，所述运行参数包括分别与风电、光伏、水电对应的发电装机容量和出力上下限信息；
获取所述风光水互补能源基地中水电站的发电属性信息；
根据所述发电装机容量、所述出力上下限信息、所述发电属性信息和所述目标随机变量，构建所述优化调度模型。
6.如权利要求1所述的方法，其特征在于，所述目标函数包括：第一目标函数和第二目标函数，其中，
所述第一目标函数，用于指示所述优化调度模型对于风光水总发电量的优化调度目标；
所述第二目标函数，用于指示所述优化调度模型对于所述风光水互补能源基地失负荷及风电、光伏弃电期望的优化调度目标。
7.如权利要求1所述的方法，其特征在于，所述约束条件包括常规约束条件、灵活性不足概率约束条件和极限破坏概率约束条件。
8.如权利要求7所述的方法，其特征在于，其中，
所述灵活性不足概率约束包括上调灵活性不足概率约束和下调灵活性不足概率约束；
所述极限破坏概率约束包括极端失负荷概率约束和极端弃电概率约束。
9.如权利要求1所述的方法，其特征在于，在所述利用寻优算法对所述优化调度模型中的所述决策变量进行求解之前，还包括：
确定所述优化调度模型中各个所述目标函数和所述约束条件的运算特征；
根据所述运算特征，从多个所述目标函数和所述约束条件中确定待处理对象，其中，所述待处理对象中包含积分运算；
基于数值积分处理所述待处理对象，以得到更新后的优化调度模型；
其中，所述利用寻优算法对优化调度模型中的所述决策变量进行求解，包括：
利用所述寻优算法对所述更新后的优化调度模型中的所述决策变量进行求解。
10.一种风光水联合发电的优化调度装置，其特征在于，包括：
获取模块，用于获取风光水互补能源基地的风电历史数据、风电预测数据、光伏历史数据，以及光伏预测数据；
第一模型构建模块，用于根据所述风电历史数据和所述光伏历史数据，构建风光功率偏差概率分布模型，所述风光功率偏差概率分布模型用于指示与所述风电预测数据对应的风电预测偏差数据，以及与所述光伏预测数据对应的光伏预测偏差数据；
确定模块，用于确定所述风电预测数据、所述光伏预测数据、所述风电预测偏差数据和所述光伏预测偏差数据的和值作为目标随机变量；
第二模型构建模块，用于基于所述目标随机变量构建优化调度模型，其中，所述优化调度模型包括目标函数、决策变量和约束条件，所述目标函数用于指示所述优化调度模型的优化目标，所述决策变量包括水电机组的出力，所述约束条件用于约束所述决策变量；
处理模块，用于利用寻优算法对优化调度模型中的所述决策变量进行求解。
11.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，其中，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
13.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述方法的步骤。
CN202310347627.3A 2023-04-03 2023-04-03 风光水联合发电的优化调度方法、装置和计算机设备 Pending CN116306006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310347627.3A CN116306006A (zh) 2023-04-03 2023-04-03 风光水联合发电的优化调度方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310347627.3A CN116306006A (zh) 2023-04-03 2023-04-03 风光水联合发电的优化调度方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN116306006A true CN116306006A (zh) 2023-06-23

Family

ID=86836011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310347627.3A Pending CN116306006A (zh) 2023-04-03 2023-04-03 风光水联合发电的优化调度方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN116306006A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117220286A (zh) * 2023-11-07 2023-12-12 长江三峡集团实业发展(北京)有限公司 一种水风光多能互补系统风险评估方法、装置及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117154725B (zh) * 2023-10-31 2024-01-26 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117220286A (zh) * 2023-11-07 2023-12-12 长江三峡集团实业发展(北京)有限公司 一种水风光多能互补系统风险评估方法、装置及介质
CN117220286B (zh) * 2023-11-07 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种水风光多能互补系统风险评估方法、装置及介质

Similar Documents

Publication Publication Date Title
CN116306006A (zh) 风光水联合发电的优化调度方法、装置和计算机设备
Foley et al. Wind power forecasting & prediction methods
CN107204615B (zh) 一种实现功率预测的方法及系统
CN103699944A (zh) 一种多预测模式的风电光伏发电功率预测系统
CN110289631B (zh) 一种风电场储能装置容量的计算方法及系统
Zhang et al. Assessment of climate change impacts on the hydro-wind-solar energy supply system
CN108155674B (zh) 考虑不确定分布特性的水火电联合调度方法及系统
CN113872253B (zh) 抽水蓄能电站联合新能源发电优化调度方法及装置
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
CN115456304A (zh) 考虑台风影响的海上风电场可靠性指标计算方法及装置
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
Tahir et al. Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
Bakhtiari et al. Uncertainty modeling methods for risk-averse planning and operation of stand-alone renewable energy-based microgrids
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
Paliwal A Technical Review on Reliability and Economic Assessment Framework of Hybrid Power System with Solar and Wind Based Distributed Generators
CN117251728A (zh) 风电机组发电功率预测模型训练方法、装置及设备
CN115936407A (zh) 考虑新能源不确定性的电力系统优化调度方法及存储介质
CN115577903A (zh) 新能源对电网调峰影响的评估方法、装置、设备及介质
CN114219182A (zh) 一种基于强化学习的异常天气场景风电预测方法
CN112163696B (zh) 基于水文指数的电力系统稳定性预测方法及装置
CN118572697B (zh) 一种虚拟电厂能量管理方法、装置、设备及介质
CN118381124B (zh) 支撑新能源灵活性的梯级龙头水电站水位预测与调控方法
CN118659465B (zh) 风光混蓄系统调度方法、装置、电子设备及存储介质

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