CN116418001A - 应对新能源不确定性的水库群多能互补调度方法与系统 - Google Patents

应对新能源不确定性的水库群多能互补调度方法与系统 Download PDF

Info

Publication number
CN116418001A
CN116418001A CN202310173400.1A CN202310173400A CN116418001A CN 116418001 A CN116418001 A CN 116418001A CN 202310173400 A CN202310173400 A CN 202310173400A CN 116418001 A CN116418001 A CN 116418001A
Authority
CN
China
Prior art keywords
new energy
output scene
output
energy
scene set
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
CN202310173400.1A
Other languages
English (en)
Inventor
冯仲恺
黄晴晴
杨涛
牛文静
刘俊杰
沈亮
王霞雨
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202310173400.1A priority Critical patent/CN116418001A/zh
Publication of CN116418001A publication Critical patent/CN116418001A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了应对新能源不确定性的水库群多能互补调度方法与系统。包括：首先，收集新能源历史出力与预测出力的长序列场景集合，据此在分析新能源出力误差的基础上生成未来实际出力期望情景；其次，构建耦合梯级水电站与新能源出力情景的决策变量、目标函数、约束条件等为一体的调度模型；然后，根据水电站水情信息及新能源出力情景，采用高性能自适应群体进化算法进行求解，快速得到满足运行需求的多能互补调度方案；最后，对新能源历史预测及实际出力数据库进行持续更新，形成长期、滚动的多能互补调度方案决策系统。本发明可以综合考虑新能源不确定性因素，提高梯级水库群多能互补调度方案的可靠性，降低电网运行风险，综合效益显著。

Description

应对新能源不确定性的水库群多能互补调度方法与系统
技术领域
本发明属于水库调度领域，具体涉及应对新能源不确定性的水库群多能互补调度方法与系统
背景技术
大规模开发、高质量发展可再生能源是助力实现清洁低碳能源体系的重要途径。水电、风电、光电是目前极具开发价值和开发潜力的典型可再生能源。其中，以风、光为代表的新能源具有分布范围广、理论蕴量多、发电速度快等优点，但具有间歇性、随机性、波动性特征，将新能源大规模单独接入电网，会对电网的稳定运行造成巨大冲击，严重影响电网的安全性和可靠性。而水电与风、光能源不同，具有启停控制灵活、负荷响应迅速等特点，可作为风、光能源的优质调度电源来应对新能源出力消纳问题。因此，充分发挥水电调节能力，提出合理的多能互补调度方法，进而提高新能源利用效率，促进能源结构加速转型，成为水资源规划领域及多能互补领域的研究热点之一。然而，传统的水电-新能源多能互补调度方法常以新能源预报出力作为水电计划制定时的输入条件，未能充分考虑新能源预测出力的不确定性特征，无法保障水库群发电计划可靠性，易造成系统调度风险与电网运行风险。
发明内容
本发明的目的在于：提供应对新能源不确定性的多能互补调度方法与系统，通过分析新能源出力的不确定性信息，构建多能互补调模型并提出合理的调度方案，以提高新能源利用效率，同时降低电网运行风险。
为实现上述目的，本发明提供如下技术方案：应对新能源不确定性的水库群多能互补调度方法，包括如下步骤：
S1、获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；
S2、利用主成分分析方法将步骤S1得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
S3、将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
S4、根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
S5、基于水电站水情信息及实际出力场景集合求解调度模型，得到目标多能互补调度方案。
进一步地，前述的步骤S1包括如下子步骤：
S101、获取某日新能源历史预测出力场景集合：
Figure BDA0004099951190000021
其中，k0表示日期编号，T表示出力时段；
K0天的预测出力构成历史预测出力场景集合
Figure BDA0004099951190000022
记为:
Figure BDA0004099951190000023
其中，
Figure BDA0004099951190000024
表示新能源在第k0天的预测出力场景；
Figure BDA0004099951190000025
表示新能源在第k0天第t时段的预测出力值；
S102、获取与已知的新能源历史预测出力场景集合一一对应的历史实际预测出力场景集合：
Figure BDA0004099951190000026
Figure BDA0004099951190000027
其中，
Figure BDA0004099951190000028
表示新能源在第k0天的实际出力场景；
Figure BDA0004099951190000029
表示新能源在第k0天第t时段的实际出力值；
S103、将历史预测出力场景集合和历史实际出力场景集合按照日期编号一一对应，如下式：
Figure BDA0004099951190000031
按如下公式计算误差出力场景集合Serror：
Figure BDA0004099951190000032
进一步地，前述的步骤S2包括以下子步骤：
S201、采用主成分分析方法提取误差出力场景集合累计方差贡献率符合要求的前p个主成分，p≤T，将Serror经线性变换转化到新的p维空间S'error；
S202、采用无监督聚类算法对S'error进行聚类，计算不同聚类数目下的轮廓系数SC，如下式：
Figure BDA0004099951190000033
其中，I表示聚类结果中的样本数量；a(i)表示第i个样本到彼此间不相似程度的平均值；b(i)代表第i个样本到其他簇的平均不相似程度的最小值；
S203、选定最小轮廓系数对应的聚类数目R为最终聚类类别数，得到R个典型误差出力场景集合：
Figure BDA0004099951190000034
如下式：
Figure BDA0004099951190000035
S204、计算典型误差出力场景集合在T个时段的出力均值，得到新能源典型误差出力场景
Figure BDA0004099951190000041
及其发生概率αs,1,...,αs,r,...,αs,R，如下式：
Figure BDA0004099951190000042
Figure BDA0004099951190000043
进一步地，前述的步骤S3中包括如下子步骤：
S301、输入待预测出力序列
Figure BDA0004099951190000044
至各个新能源典型误差出力场景集合中，由Serror＝Sfore-Sreal得到在典型误差出力场景r下对应未来实际出力期望场景，如下式：
Figure BDA0004099951190000045
S302、生成R个可能实际出力场景集合
Figure BDA0004099951190000046
且各情景的发生概率为αs,r，如下式：
Figure BDA0004099951190000047
其中，
Figure BDA0004099951190000048
表示新能源在第r个典型误差场景下第t时段的未来实际出力值。
进一步地，前述的步骤S4中，根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型具体为：
(1)决策变量：
X＝[Q1,1,…,Q1,T…,Qi,t,…Qi,T,…,QN,1,…,QN,T]，
其中，Qi,t为第i个水库在t时段的发电流量；
(2)目标函数：
Figure BDA0004099951190000049
Figure BDA0004099951190000051
其中，Pl,t,r为第r个可能实际出力场景中t时段的系统剩余负荷；Dt为t时段的系统总负荷需求；f表示系统剩余负荷在所有可能实际出力场景下的均方差之和最小；
(3)等式约束：
(3.1)水量平衡约束：
Figure BDA0004099951190000052
其中，Vi,t、qi,t、Ii,t、Oi,t、Qi,t、Si,t分别为第i个水库在t时段的蓄水量、来水量、区间流量、总入库流量、总出库流量、发电流量和弃水流量；NUi是与第i个水库直接相连的上游水库数量；
(3.2)初末水位约束：
Figure BDA0004099951190000053
其中，
Figure BDA0004099951190000054
分别是第i个水库预设的初始水位和末水位；
(4)不等式约束：
(4.1)水位约束
Figure BDA0004099951190000055
其中，
Figure BDA0004099951190000056
分别为第i个水库在t时段水库水位的最小值、最大值；
(4.2)发电流量约束
Figure BDA0004099951190000057
其中，
Figure BDA0004099951190000058
分别为第i个水库在t时段发电流量的最小值、最大值；
(4.3)总出库流量约束
Figure BDA0004099951190000059
其中，
Figure BDA0004099951190000061
分别为第i个水库在t时段总出库流量的最小值、最大值；
(4.4)各电站出力约束
Figure BDA0004099951190000062
其中，
Figure BDA0004099951190000063
分别为第i个水库在t时段出力的最小值、最大值；
(4.5)总出力约束
Figure BDA0004099951190000064
其中，
Figure BDA0004099951190000065
分别表示所有水库在t时段总出力的最小值、最大值；
(5)非线性特性曲线约束
Figure BDA0004099951190000066
其中，fi 1(·)、fi 2(·)是第i个水库的水位-库容曲线和尾水位-流量曲线。
进一步地，前述的步骤S5包括如下子步骤：
S501、设置种群规模M、最大迭代次数K，生成初始种群；
令k＝1,采用下式生成初始种群中的个体位置：
Figure BDA0004099951190000067
Figure BDA0004099951190000068
S502、计算群体中每个个体的适应度值：在保证强制满足等式约束的基础上，利用罚函数法对目标函数进行不等式约束处理，每个个体的适应度计算公式如下：
Figure BDA0004099951190000069
其中，
Figure BDA00040999511900000610
表示不等式约束的数目；
Figure BDA00040999511900000611
表示变量
Figure BDA00040999511900000612
的不等式约束；σ表示惩罚系数。
S503、根据适应度值，选出第k次迭代适应度最小的第一、第二和第三个最佳个体，作为当前状态的3个精英解，分别表示为
Figure BDA0004099951190000071
S504、采用两种不同策略生成第一预备群体U、第二预备群体V：
所述第一预备群体U的群体进化公式为：
Figure BDA0004099951190000072
Figure BDA0004099951190000073
参数计算公式为：
Figure BDA0004099951190000074
λ＝2ar2-a，
Figure BDA0004099951190000075
其中，a是系数向量；r1、r2、r3是均匀分布在[0,1]之间的随机数向量；
第二预备群体V的进化公式为：
Figure BDA0004099951190000076
Figure BDA0004099951190000077
参数计算公式为：
Figure BDA0004099951190000078
Figure BDA0004099951190000079
其中，α和β为计算系数；
Figure BDA00040999511900000710
为服从标准正态分布的随机向量；
Figure BDA00040999511900000711
为k次迭代中每个个体的历史最优位置；r4是均匀分布在[0,1]之间的随机数向量；
S505、利用含有突变系数的精英选择策略更新群体位置：
Figure BDA0004099951190000081
Figure BDA0004099951190000082
其中，r5是均匀分布在[0,1]之间的随机数，表示突变系数，有0.1的概率不执行精英选择，以保持群体多样性。
S506、判断是否达到终止条件k＝K，是则输出求解结果，获得目标多能互补调度方案；否则，令k＝k+1，并返回执行步骤S502。
本发明另一方面提出应对新能源不确定性的水库群多能互补调度系统，包括：新能源出力场景采集模块、新能源出力场景预处理模块、梯级水库群与新能源多能互补调度模型构建模块、梯级水库群与新能源多能互补调度方案求解模块；
所述新能源出力场景采集模块，被配置执行以下动作：获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；所述新能源出力场景预处理模块，被配置执行以下动作：利用主成分分析方法将新能源出力场景采集模块得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
所述新能源出力场景生成模块，被配置执行以下动作：将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
所述梯级水库群与新能源多能互补调度模型构建模块，被配置执行以下动作：根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
所述梯级水库群与新能源多能互补调度方案求解模块，被配置执行以下动作：基于水电站水情信息及实际出力场景集合，求解调度模型，得到目标多能互补调度方案。
相较于现有技术，本发明的有益效果如下：
(1)此方法充分考虑了新能源出力存在的不确定性信息，利用主成分分析降低数据维度，同时采用无监督聚类技术对新能源出力误差情景分类，能够大幅提高数据处理效率，进而在量化新能源出力不确定性误差的基础上实现新能源实际出力期望情景构建，为新能源出力不确定性研究提供一种新思路。
(2)此方法采用集合多种进化方式及精英选择策略的高性能进化算法求解调度计划，在群体位置更新时利用精英解集进行引导，并通过两种不同策略生成预备更新个体，同时基于变异概率进行精英选择，既能够在发挥精英解的引领作用下提高算法收敛速度，实现快速寻优，同时也赋予算法跳出局部最优的能力，实现全局搜索与局部搜索兼顾，提高方法求解质量。
(3)此方法提出了一种有效应对新能源不确定性的多能互补调度方法和系统，计算效率高，调度效果好，能够快速生成满足调度决策者意愿的梯级水库群多能互补调度方案，保证新能源并网可靠性，降低电网运行风险。
附图说明
图1为本发明流程图。
图2为新能源未来实际场景生成的流程图。
图3为不同季节某日预测出力下剩余负荷分布箱线图
图4(a)—图4(d)为不同季节下预测出力的调度结果图；其中图4(a)为春季某日预测出力下的调度结果图，图4(b)为夏季某日预测出力下的调度结果图，图4(c)为秋季某日预测出力下的调度结果图，图4(d)为冬季某日预测出力下的调度结果图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
如图1所示，涉及应对新能源不确定性的水库群多能互补调度方法，包括如下步骤：S1、获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；
S2、利用主成分分析方法将步骤S1得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
S3、将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
S4、根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
S5、基于水电站水情信息及实际出力场景集合求解调度模型，得到目标多能互补调度方案。
实施例中，算法中的参数设置为：N＝30,K＝500；
Figure BDA0004099951190000101
如图2所示，新能源未来实际场景生成的流程图。
首先，获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合，具体为：
S101、获取某日新能源历史预测出力场景集合：
Figure BDA0004099951190000102
其中，k0表示日期编号，T表示出力时段；
K0天的预测出力构成历史预测出力场景集合
Figure BDA0004099951190000103
记为：
Figure BDA0004099951190000104
其中，
Figure BDA0004099951190000105
表示新能源在第k0天的预测出力场景；
Figure BDA0004099951190000106
表示新能源在第k0天第t时段的预测出力值；
S102、获取与已知的新能源历史预测出力场景集合一一对应的历史实际预测出力场景集合：
Figure BDA0004099951190000107
Figure BDA0004099951190000111
其中，
Figure BDA0004099951190000112
表示新能源在第k0天的实际出力场景；
Figure BDA0004099951190000113
表示新能源在第k0天第t时段的实际出力值；
S103、将历史预测出力场景集合和历史实际出力场景集合按照日期编号一一对应，如下式：
Figure BDA0004099951190000114
按如下公式计算误差出力场景集合Serror：
Figure BDA0004099951190000115
然后，利用主成分分析方法将步骤S1得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合。具体步骤如下：
S201、采用主成分分析方法提取误差出力场景集合累计方差贡献率符合要求的前p个主成分，p≤T，将Serror经线性变换转化到新的p维空间S'error；
S202、采用无监督聚类算法对S'error进行聚类，计算不同聚类数目下的轮廓系数SC，如下式：
Figure BDA0004099951190000116
其中，I表示聚类结果中的样本数量；a(i)表示第i个样本到彼此间不相似程度的平均值；b(i)代表第i个样本到其他簇的平均不相似程度的最小值；
S203、选定最小轮廓系数对应的聚类数目R为最终聚类类别数，得到R个典型误差出力场景集合：
Figure BDA0004099951190000121
如下式：
Figure BDA0004099951190000122
S204、计算典型误差出力场景集合在T个时段的出力均值，得到新能源典型误差出力场景
Figure BDA0004099951190000123
及其发生概率αs,1,…,αs,r,...,αs,R，如下式：
Figure BDA0004099951190000124
Figure BDA0004099951190000125
最后，将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景。具体步骤如下：
S301、输入待预测出力序列
Figure BDA0004099951190000126
至各个新能源典型误差出力场景集合中，由Serror＝Sfore-Sreal得到在典型误差出力场景r下对应未来实际出力期望场景，如下式：
Figure BDA0004099951190000127
S302、生成R个可能实际出力场景集合
Figure BDA0004099951190000128
且各情景的发生概率为αs,r，如下式：
Figure BDA0004099951190000129
其中，
Figure BDA0004099951190000131
表示新能源在第r个典型误差场景下第t时段的未来实际出力值。
根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型具体为：
(1)决策变量：
X＝[Q1,1,…,Q1,T…,Qi,t,…Qi,T,…,QN,1,…,QN,T]，
其中，Qi,t为第i个水库在t时段的发电流量；
(2)目标函数：
Figure BDA0004099951190000132
Figure BDA0004099951190000133
其中，Pl,t,r为第r个可能实际出力场景中t时段的系统剩余负荷；Dt为t时段的系统总负荷需求；f表示系统剩余负荷在所有可能实际出力场景下的均方差之和最小；
(3)等式约束：
(3.1)水量平衡约束：
Figure BDA0004099951190000134
式中：Vi,t、qi,t、Ii,t、Oi,t、Qi,t、Si,t分别为第i个水库在t时段的蓄水量、来水量、区间流量、总入库流量、总出库流量、发电流量和弃水流量；NUi是与第i个水库直接相连的上游水库数量；
(3.2)初末水位约束：
Figure BDA0004099951190000135
Figure BDA0004099951190000136
其中，
Figure BDA0004099951190000137
分别是第i个水库预设的初始水位和末水位；
(4)不等式约束：
(4.1)水位约束
Figure BDA0004099951190000141
其中，
Figure BDA0004099951190000142
分别为第i个水库在t时段水库水位的最小值、最大值；
(4.2)发电流量约束
Figure BDA0004099951190000143
其中，
Figure BDA0004099951190000144
分别为第i个水库在t时段发电流量的最小值、最大值；
(4.3)总出库流量约束
Figure BDA0004099951190000145
其中，
Figure BDA0004099951190000146
分别为第i个水库在t时段总出库流量的最小值、最大值；
(4.4)各电站出力约束
Figure BDA0004099951190000147
其中，
Figure BDA0004099951190000148
分别为第i个水库在t时段出力的最小值、最大值；
(4.5)总出力约束
Figure BDA0004099951190000149
其中，
Figure BDA00040999511900001410
分别表示所有水库在t时段总出力的最小值、最大值；
(5)非线性特性曲线约束
Figure BDA00040999511900001411
其中，fi 1(·)、fi 2(·)是第i个水库的水位-库容曲线和尾水位-流量曲线。
基于水电站水情信息及实际出力场景集合求解调度模型，得到目标多能互补调度方案。具体步骤如下：
S501、设置种群规模M、最大迭代次数K，生成初始种群；
令k＝1,采用下式生成初始种群中的个体位置：
Figure BDA0004099951190000151
Figure BDA0004099951190000152
S502、计算群体中每个个体的适应度值：在保证强制满足等式约束的基础上，利用罚函数法对目标函数进行不等式约束处理，每个个体的适应度计算公式如下：
Figure BDA0004099951190000153
其中，
Figure BDA0004099951190000154
表示不等式约束的数目；
Figure BDA0004099951190000155
表示变量
Figure BDA0004099951190000156
的不等式约束；σ表示惩罚系数。
S503、根据适应度值，选出第k次迭代适应度最小的第一、第二和第三个最佳个体，作为当前状态的3个精英解，分别表示为
Figure BDA0004099951190000157
S504、采用两种不同策略生成第一预备群体U、第二预备群体V：
所述第一预备群体U的群体进化公式为：
Figure BDA0004099951190000158
Figure BDA0004099951190000159
参数计算公式为：
Figure BDA00040999511900001510
λ＝2ar2-a，
Figure BDA00040999511900001511
其中，a是系数向量；r1、r2、r3是均匀分布在[0,1]之间的随机数向量；
第二预备群体V的进化公式为：
Figure BDA00040999511900001512
Figure BDA00040999511900001513
参数计算公式为：
Figure BDA0004099951190000161
Figure BDA0004099951190000162
其中，α和β为计算系数；
Figure BDA0004099951190000163
为服从标准正态分布的随机向量；
Figure BDA0004099951190000164
为k次迭代中每个个体的历史最优位置；r4是均匀分布在[0,1]之间的随机数向量；
S505、利用含有突变系数的精英选择策略更新群体位置：
Figure BDA0004099951190000165
Figure BDA0004099951190000166
其中，r5是均匀分布在[0,1]之间的随机数，表示突变系数，有0.1的概率不执行精英选择，以保持群体多样性。
S506、判断是否达到终止条件k＝K，是则输出求解结果，获得目标多能互补调度方案；否则，令k＝k+1，并返回执行步骤S502。
本发明还提出应对新能源不确定性的水库群多能互补调度系统，包括：
新能源出力场景采集模块、新能源出力场景预处理模块、梯级水库群与新能源多能互补调度模型构建模块、梯级水库群与新能源多能互补调度方案求解模块；
所述新能源出力场景采集模块，被配置执行以下动作：获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；所述新能源出力场景预处理模块，被配置执行以下动作：利用主成分分析方法将新能源出力场景采集模块得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
所述新能源出力场景生成模块，被配置执行以下动作：将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
所述梯级水库群与新能源多能互补调度模型构建模块，被配置执行以下动作：根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
所述梯级水库群与新能源多能互补调度方案求解模块，被配置执行以下动作：基于水电站水情信息及实际出力场景集合，求解调度模型，得到目标多能互补调度方案。
表1是随机选取的四种典型日下分别经常规方法和本发明调度后的剩余负荷统计结果，从表1可以看出，本发明所提一种应对新能源不确定性的水库群多能互补调度方法在不同典型日的预测出力情景下，均能够明显降低常规调度方法下剩余负荷的峰谷差与标准差，如典型日2剩余负荷峰谷差降低108.10MW，降幅约31％；剩余负荷标准差降低24.64MW，降幅约33％。此外，本发明还能够提高剩余负荷的日负荷率，如在典型日3中本发明将负荷率提高5％以上，能够减少火电机组出力，降低化石能源使用比例。
表1
Figure BDA0004099951190000171
图3是不同季节预测出力下剩余负荷分布箱线图，可以看出，利用本发明得到的调度方案进行调度后，系统剩余负荷分布较常规方法调度结果更为集中，最大剩余负荷降低，本发明调度效果更好。
图4(a)-图4(d)为不同季节下预测出力的调度结果图；其中图4(a)为春季某日预测出力下的调度结果图，图4(b)为夏季某日预测出力下的调度结果图，图4(c)为秋季某日预测出力下的调度结果图，图4(d)为冬季某日预测出力下的调度结果图。由图可见各调度结果中剩余负荷在日内波动很小，整体过程平缓，说明本发明可以提供合理高效的应对新能源不确定性的多能互补调度方案。
综上所述，本发明提供了一种应对新能源不确定性的水库群多能互补调度方法与系统。首先通过对新能源历史及实际出力进行误差分析，最终得到未来实际出力情景及相应发货所能概率；其次综合考虑多能互补调度需求及水电站运行约束，从而构建耦合多重信息的多能互补不确定性调度模型；最后，采用自适应智能算法对模型进行求解，得到理想调度方案，在实际运行中相较于常规方法效果更佳。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。
虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.应对新能源不确定性的水库群多能互补调度方法，其特征在于，包括如下步骤：
S1、获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；
S2、利用主成分分析方法将步骤S1得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
S3、将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
S4、根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
S5、基于水电站水情信息及实际出力场景集合求解调度模型，得到目标多能互补调度方案。
2.根据权利要求1所述的应对新能源不确定性的水库群多能互补调度方法，其特征在于，步骤S1包括如下子步骤：
S101、获取某日新能源历史预测出力场景集合：
Figure FDA0004099951180000011
其中，k0表示日期编号，T表示出力时段；
K0天的预测出力构成历史预测出力场景集合
Figure FDA0004099951180000012
记为：
Figure FDA0004099951180000013
其中，
Figure FDA0004099951180000014
表示新能源在第k0天的预测出力场景；
Figure FDA0004099951180000015
表示新能源在第k0天第t时段的预测出力值；
S102、获取与已知的新能源历史预测出力场景集合一一对应的历史实际预测出力场景集合：
Figure FDA0004099951180000016
Figure FDA0004099951180000017
其中，
Figure FDA0004099951180000021
表示新能源在第k0天的实际出力场景；
Figure FDA0004099951180000022
表示新能源在第k0天第t时段的实际出力值；
S103、将历史预测出力场景集合和历史实际出力场景集合按照日期编号一一对应，如下式：
Figure FDA0004099951180000023
按如下公式计算误差出力场景集合Serror：
Figure FDA0004099951180000024
3.根据权利要求2所述的应对新能源不确定性的水库群多能互补调度方法，其特征在于，步骤S2包括以下子步骤：
S201、采用主成分分析方法提取误差出力场景集合累计方差贡献率符合要求的前p个主成分，p≤T，将Serror经线性变换转化到新的p维空间S'error；
S202、采用无监督聚类算法对S'error进行聚类，计算不同聚类数目下的轮廓系数SC，如下式：
Figure FDA0004099951180000025
其中，I表示聚类结果中的样本数量；a(i)表示第i个样本到彼此间不相似程度的平均值；b(i)代表第i个样本到其他簇的平均不相似程度的最小值；
S203、选定最小轮廓系数对应的聚类数目R为最终聚类类别数，得到R个典型误差出力场景集合：
Figure FDA0004099951180000026
如下式：
Figure FDA0004099951180000027
S204、计算典型误差出力场景集合在T个时段的出力均值，得到新能源典型误差出力场景
Figure FDA0004099951180000031
及其发生概率αs,1,...,αs,r,...,αs,R，如下式：
Figure FDA0004099951180000032
Figure FDA0004099951180000033
4.根据权利要求3所述的应对新能源不确定性的水库群多能互补调度方法，其特征在于，步骤S3中包括如下子步骤：
S301、输入待预测出力序列
Figure FDA0004099951180000034
至各个新能源典型误差出力场景集合中，由Serror＝Sfore-Sreal得到在典型误差出力场景r下对应未来实际出力期望场景，如下式：
Figure FDA0004099951180000035
S302、生成R个可能实际出力场景集合
Figure FDA0004099951180000036
且各情景的发生概率为αs,r，如下式：
Figure FDA0004099951180000037
其中，
Figure FDA0004099951180000038
表示新能源在第r个典型误差场景下第t时段的未来实际出力值。
5.根据权利要求4所述的应对新能源不确定性的水库群多能互补调度方法，其特征在于，
步骤S4中，根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型具体为：
(1)决策变量：
X＝[Q1,1,…,Q1,T…,Qi,t,…Qi,T,…,QN,1,…,QN,T]
其中，Qi,t为第i个水库在t时段的发电流量；
(2)目标函数：
Figure FDA0004099951180000039
Figure FDA00040999511800000310
其中，Pl,t,r为第r个可能实际出力场景中t时段的系统剩余负荷；Dt为t时段的系统总负荷需求；f表示系统剩余负荷在所有可能实际出力场景下的均方差之和最小；
(3)等式约束：
(3.1)水量平衡约束：
Figure FDA0004099951180000041
其中，Vi,t、qi,t、Ii,t、Oi,t、Qi,t、Si,t分别为第i个水库在t时段的蓄水量、来水量、区间流量、总入库流量、总出库流量、发电流量和弃水流量；NUi是与第i个水库直接相连的上游水库数量；
(3.2)初末水位约束：
Figure FDA0004099951180000042
Figure FDA0004099951180000043
其中，
Figure FDA0004099951180000044
分别是第i个水库预设的初始水位和末水位；
(4)不等式约束：
(4.1)水位约束
Figure FDA0004099951180000045
其中，
Figure FDA0004099951180000046
分别为第i个水库在t时段水库水位的最小值、最大值；
(4.2)发电流量约束
Figure FDA0004099951180000047
其中，
Figure FDA0004099951180000048
分别为第i个水库在t时段发电流量的最小值、最大值；
(4.3)总出库流量约束
Figure FDA0004099951180000049
其中，
Figure FDA00040999511800000410
分别为第i个水库在t时段总出库流量的最小值、最大值；
(4.4)各电站出力约束
Figure FDA00040999511800000411
其中，
Figure FDA0004099951180000051
分别为第i个水库在t时段出力的最小值、最大值；
(4.5)总出力约束
Figure FDA0004099951180000052
其中，
Figure FDA0004099951180000053
分别表示所有水库在t时段总出力的最小值、最大值；
(5)非线性特性曲线约束
Figure FDA0004099951180000054
其中，
Figure FDA0004099951180000055
是第i个水库的水位-库容曲线和尾水位-流量曲线。
6.根据权利要求5所述的应对新能源不确定性的水库群多能互补调度方法，其特征在于，
步骤S5包括如下子步骤：
S501、设置种群规模M、最大迭代次数K，生成初始种群；
令k＝1,采用下式生成初始种群中的个体位置：
Figure FDA0004099951180000056
Figure FDA0004099951180000057
S502、计算群体中每个个体的适应度值：在保证强制满足等式约束的基础上，利用罚函数法对目标函数进行不等式约束处理，每个个体的适应度计算公式如下：
Figure FDA0004099951180000058
其中，
Figure FDA0004099951180000059
表示不等式约束的数目；
Figure FDA00040999511800000510
表示变量
Figure FDA00040999511800000511
的不等式约束；σ表示惩罚系数；
S503、根据适应度值，选出第k次迭代适应度最小的第一、第二和第三个最佳个体，作为当前状态的3个精英解，分别表示为
Figure FDA00040999511800000512
S504、采用两种不同策略生成第一预备群体U、第二预备群体V：
所述第一预备群体U的群体进化公式为：
Figure FDA00040999511800000513
Figure FDA0004099951180000061
参数计算公式为：
Figure FDA0004099951180000062
λ＝2ar2-a，
Figure FDA0004099951180000063
其中，a是系数向量；r1、r2、r3是均匀分布在[0,1]之间的随机数向量；
第二预备群体V的进化公式为：
Figure FDA0004099951180000064
Figure FDA0004099951180000065
参数计算公式为：
Figure FDA0004099951180000066
Figure FDA0004099951180000067
其中，α和β为计算系数；
Figure FDA0004099951180000068
为服从标准正态分布的随机向量；
Figure FDA0004099951180000069
为k次迭代中每个个体的历史最优位置；r4是均匀分布在[0,1]之间的随机数向量；
S505、利用含有突变系数的精英选择策略更新群体位置：
Figure FDA00040999511800000610
Figure FDA00040999511800000611
其中，r5是均匀分布在[0,1]之间的随机数，表示突变系数，有0.1的概率不执行精英选择，以保持群体多样性。
S506、判断是否达到终止条件k＝K，是则输出求解结果，获得目标多能互补调度方案；否则，令k＝k+1，并返回执行步骤S502。
7.应对新能源不确定性的水库群多能互补调度系统，其特征在于，包括：
新能源出力场景采集模块、新能源出力场景预处理模块、梯级水库群与新能源多能互补调度模型构建模块、梯级水库群与新能源多能互补调度方案求解模块；
所述新能源出力场景采集模块，被配置执行以下动作：获取新能源历史预测出力场景集合以及与其一一对应的历史实际出力场景集合，然后进行相减，得到误差出力场景集合；
所述新能源出力场景预处理模块，被配置执行以下动作：利用主成分分析方法将新能源出力场景采集模块得到的误差出力场景集合进行降维，然后采用聚类算法生成若干个新能源典型误差出力场景集合；
所述新能源出力场景生成模块，被配置执行以下动作：将新能源预测序列分别输入至各个新能源典型误差出力场景集合中，得到对应的实际出力场景集合，然后根据不同实际出力场景的发生概率得到未来实际出力期望场景；
所述梯级水库群与新能源多能互补调度模型构建模块，被配置执行以下动作：根据未来实际出力期望场景，并结合决策变量、目标函数、等式约束、不等式约束构建耦合梯级水电站与新能源出力情景的调度模型；
所述梯级水库群与新能源多能互补调度方案求解模块，被配置执行以下动作：基于水电站水情信息及实际出力场景集合，求解调度模型，得到目标多能互补调度方案。
CN202310173400.1A 2023-02-28 2023-02-28 应对新能源不确定性的水库群多能互补调度方法与系统 Pending CN116418001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310173400.1A CN116418001A (zh) 2023-02-28 2023-02-28 应对新能源不确定性的水库群多能互补调度方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310173400.1A CN116418001A (zh) 2023-02-28 2023-02-28 应对新能源不确定性的水库群多能互补调度方法与系统

Publications (1)

Publication Number Publication Date
CN116418001A true CN116418001A (zh) 2023-07-11

Family

ID=87052312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310173400.1A Pending CN116418001A (zh) 2023-02-28 2023-02-28 应对新能源不确定性的水库群多能互补调度方法与系统

Country Status (1)

Country Link
CN (1) CN116418001A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN117096872A (zh) * 2023-08-30 2023-11-21 南京工业大学 一种电-气综合能源系统日前优化调度方法
CN117638919A (zh) * 2023-12-11 2024-03-01 安徽易加能数字科技有限公司 基于多能互补的充电桩补能优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN116912202B (zh) * 2023-07-13 2024-01-30 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN117096872A (zh) * 2023-08-30 2023-11-21 南京工业大学 一种电-气综合能源系统日前优化调度方法
CN117638919A (zh) * 2023-12-11 2024-03-01 安徽易加能数字科技有限公司 基于多能互补的充电桩补能优化方法

Similar Documents

Publication Publication Date Title
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN112821463A (zh) 基于风、光随机性的主动配电网多目标日前优化调度方法
CN116488183A (zh) 一种含分布式电源的配电网优化调度方法
CN114204549B (zh) 一种考虑储能共享的风光储集群联合优化运行的方法
CN115513998A (zh) 一种基于群体增量学习算法的新能源消纳提升方法
CN115775046A (zh) 一种虚拟电厂优化调度方法、系统、电子设备及存储介质
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN118412929A (zh) 一种考虑调度响应能力的虚拟电厂运行控制方法
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
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
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
CN108491977B (zh) 一种微能源网的弱鲁棒优化调度方法
CN109787294A (zh) 一种电力系统优化调度方法
CN117913914A (zh) 基于电量分类的一体化项目并网多时段调度方法及装置
CN112598175A (zh) 一种流域型虚拟电厂调度方法
CN115239028B (zh) 综合能源调度方法、装置、设备及存储介质
CN117114281A (zh) 一种灵活资源多阶段规划方案的确定方法
CN116540545A (zh) 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法
CN116454944A (zh) 一种基于随机生产模拟的储能装置优化配置方法及系统
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
CN116260172A (zh) 面向光储系统内多目标优化的储能容量配置方法及系统
CN115940252A (zh) 一种基于时序生产模拟的零碳工业园区调峰资源配置方法
CN115483718A (zh) 计及储能与需求响应的电-气虚拟电厂双层优化调度方法
Ma et al. Coordinated Generation and Transmission Expansion Planning with High Proportion of Renewable Energy

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