CN116613733A - 计及源荷不确定性的多元能源系统优化调度方法及装置 - Google Patents

计及源荷不确定性的多元能源系统优化调度方法及装置 Download PDF

Info

Publication number
CN116613733A
CN116613733A CN202310448145.7A CN202310448145A CN116613733A CN 116613733 A CN116613733 A CN 116613733A CN 202310448145 A CN202310448145 A CN 202310448145A CN 116613733 A CN116613733 A CN 116613733A
Authority
CN
China
Prior art keywords
day
scheduling
model
uncertainty
ahead
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
CN202310448145.7A
Other languages
English (en)
Inventor
左剑
包博
杨韵
付聪
潮铸
涂炼
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310448145.7A priority Critical patent/CN116613733A/zh
Publication of CN116613733A publication Critical patent/CN116613733A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)

Abstract

本发明提供一种计及源荷不确定性的多元能源系统优化调度方法、装置、设备及存储介质，所述方法包括：构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；构建日前低碳经济优化调度模型，以获取日前调度计划；构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案。本发明能够降低可再生能源发电不确定性对电力系统运行的影响，提高电网运行效率。

Description

计及源荷不确定性的多元能源系统优化调度方法及装置
技术领域
本发明涉及电网调度技术领域，尤其是涉及一种计及源荷不确定性的多元能源系统优化调度方法、装置、设备及存储介质。
背景技术
现阶段，随着大力推进坚强智能电网和泛在电力物联网两网融合的建设，高比例可再生能源接入电网，人工智能、传感器、先进的通信技术获取全面的新能源、储能及负荷数据应用于电力系统优化调度。同时，全球温室效应对生态系统的影响日益增加，电力行业的CO2减排对降低温室气体的排放起到关键作用。在“三型两网”战略下，面对新能源高渗透率的智能电网，充分运用源荷储数据，解决多时间尺度下风电、光伏发电、火电、储能等多种能源的低碳经济调度问题十分紧迫。
发明内容
本发明旨在提供一种计及源荷不确定性的多元能源系统优化调度方法、装置、设备及存储介质，以解决上述技术问题，从而能够降低可再生能源发电不确定性对电力系统运行的影响。
为了解决上述技术问题，本发明提供了一种计及源荷不确定性的多元能源系统优化调度方法，包括：
构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
构建日前低碳经济优化调度模型，以获取日前调度计划；
构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
进一步地，所述构建日前低碳经济优化调度模型，包括：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
进一步地，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
进一步地，所述构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整，包括：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
本发明还提供一种计及源荷不确定性的多元能源系统优化调度装置，包括：
数据预测模块，用于构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
日前调度模块，用于构建日前低碳经济优化调度模型，以获取日前调度计划；
日内调整模块，用于构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
优化求解模块，用于采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
进一步地，所述日前调度模块具体用于：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
进一步地，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
进一步地，所述日内调整模块用于：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
本发明还提供一种终端设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现任一项所述的计及源荷不确定性的多元能源系统优化调度方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述的计及源荷不确定性的多元能源系统优化调度方法。
与现有技术相比，本发明具有如下有益效果：
本发明提供了一种计及源荷不确定性的多元能源系统优化调度方法、装置、设备及存储介质，所述方法包括：构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；构建日前低碳经济优化调度模型，以获取日前调度计划；构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案。本发明能够降低可再生能源发电不确定性对电力系统运行的影响，提高电网运行效率。
附图说明
图1是本发明提供的计及源荷不确定性的多元能源系统优化调度方法的流程示意图；
图2是本发明提供的基于遗传算法的蝙蝠算法的流程示意图；
图3是本发明提供的计及源荷不确定性的多元能源系统优化调度方法的整体架构示意图；
图4是本发明提供的计及源荷不确定性的多元能源系统优化调度装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本发明实施例提供了一种计及源荷不确定性的多元能源系统优化调度方法，可以包括步骤：
S1、构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
S2、构建日前低碳经济优化调度模型，以获取日前调度计划；
S3、构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
S4、采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
在本发明实施例中，进一步地，所述构建日前低碳经济优化调度模型，包括：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
在本发明实施例中，进一步地，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
在本发明实施例中，进一步地，所述构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整，包括：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
需要说明的是，日前调度和实时自动发电控制的两时间尺度结合调度模式在我国应用较为广泛，但其调度级跨度过大，随着大规模新能源发电的并网，实时AGC机组的容量的要求越来越高。
当前的这种调度模式未考虑源-荷的不确定性随时间缩短而降低的特性，日内的源荷侧出力波动性以及需求侧响应的不确定性造成的影响逐步增大，需要日前-日内-实时细化时间尺度滚动，兼顾源荷多元能源的运行特性，提升优化调度科学化、精细化水平。
基于上述背景技术提出的问题，本发明实施例综合考虑风、光、火机组及需求响应在不同时间尺度的特性，提出一种日前-日内调度模型，兼顾发电侧风、光出力波动性和负荷侧需求响应不确定性，提出多能系统日前和日内低碳经济优化调度模型，并采用基于遗传算法的改进蝙蝠算法和两点估计法求解，得到优化调度方案。
本发明实施例综合考虑火电、风电、光伏发电以及蓄电池储能电站的混合发电系统，提出一种适用于大型电网的优化调度方法，以降低可再生能源发电不确定性对电力系统运行的影响。如图3所示，本发明实施例主要包括以下步骤：
1)光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型构建；
2)日前低碳经济优化调度模型构建；
3)计及源荷不确定性日内优化调度模型构建；
4)基于遗传算法的改进蝙蝠算法求解。
下面将对本案所提出的各步骤进行具体说明：
步骤一：
(1)光伏出力不确定性模型：
光伏电站输出功率取决于太阳光照强度，光伏电站出力与光照强度的函数关系如下：
PPV,r为光伏电站额定输出功率；Rstd为在标准环境下光照强度，1000W/m2；Rc为某一位置的光照强度，150W/m2。
针对某一位置的每小时光照强度服从双模态分布，即两个如Weibull、Beta等概率密度函数的单模态分布函数的组合。采用Weibull概率密度函数表示：
式中，w为0～1(0<w<1)范围内的权重参数，K1、K2、C1、C2分别为光伏板的形状因子和比例因子。
(2)风电出力不确定模型：
风机出力大小与风速相关，记录并统计分析其概率分布函数，假设风速服从Weibull概率密度函数，可得出相应风机功率分布，可表示为：
式中，v为风速；K3为形状因子；C为尺度参数。与风速相比，风力输出具有随机性，对于给定的风速输入，风机输出功率为：
式中，Pw,r为风机额定输出功率，v是风速(m/秒)，而vin，vout，vr分别是切入、切断和额定风速。
(3)日前电价型响应虚拟机组不确定模型：
从经济角度上可看出，基于电量价格弹性系数的需求响应在电价较高时，用电量较少；反之，用电量较多。电力部门通过电价改善用户用电，电价变化率对负荷变化率的影响由自弹性系数表征，定义如下：
定义如下：
φΔL,t＝ett×φΔρ,t
式中，φΔL,t为t时刻负荷响应率；φΔρ,t为t时刻电价的变化率；ett为t时刻的自弹性系数。
用户按自愿原则参与需求响应，负荷实际响应量具有随机性，无法完全确定，通过三角数转换成确定变量后的期望值可表示因价格变动用户实际响应电量，如下式：
式中，PPDR,t,act为t时刻日前电价型需求响应用户的实际响应功率；PPDR,t为t时刻用户参与电价需求响应前的用电负荷。
步骤二：
为实现低碳电力，将碳排放成本引入电力系统经济调度目标函数：
式中，F1为系统运行成本函数，元；Ctax为市场上的单位碳处理成本，美元/吨；EC,t为火电机组碳排放量，吨；ED,t为发电机组t时段的碳分配额，吨，当机组碳排放量在碳分配额范围内时，碳处理成本为0；T为调度周期中的分段数，对于日前调度，T＝24。风电、光伏为可再生能源发电，发电过程中不产生碳排放，不考虑风电光伏的碳排放。电力系统中的碳排放来自火电机组的煤耗，t时段机组的碳排放额度分配额如下：
式中，NF为火电机组数量；ηD为发电机组单位有功出力碳排放分配额。火电机组在t时段的实际碳排放量为：
式中，αi、βi、δi分别为火电机组i的排放因子。
日前调度模型约束条件：
1)系统负荷平衡约束：
对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等。
PL，act，t为t时刻系统负荷的实际功率；
2)发电机组约束：
火电机组的输出功率受到其最小、最大出力和发电机向上、向下爬坡速率的限制，且机组的启停状态受最大、最小启停时间约束。
风力发电机输出功率约束：0≤PW,j≤PW,j,max
式中，PW,j,r为各风机额定输出功率，由风电场提供。
风机实际出力变化范围为：0≤PW,j≤PW,j,max j＝1,2,...NW
式中，PW,j,max是第j个风电机组根据预测风速求得风机各时刻的最大出力，是变化且有波动性。光伏电站输出功率约束同上。
3)蓄电池储能电站约束：
蓄电池储能电站的功率需满足：
0≤PB,c≤PB,c,max
0≤PB≤PB,max
式中，PB,c、PB分别表示电池储能电站充放电功率；PB,c,max、PB,max分别表示充放电功率的最大值。
电池储能电站电量平衡及电量约束如下：
WB,t+1＝WB,t+PB,tΔt
WB,min≤WB,t≤PB,max
式中，WB,min、PB,max分别为储能电站的最小及最大剩余电量；WB,t为第t时段内储能电站剩余电量。
步骤三：
在日内调度阶段，根据风电、光伏功率超短期预测数据，对日前调度计划进行调整，分为两步：
基于日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
2、以低碳经济调度为目标，得出各机组日内调度方案。
考虑风、光、需求响应、负荷的不确定性对优化调度的影响，火电机组出力修正模型可分为以下两种。
1)不确定性优化调度模型，在此模型中，日前调度为确定值，考虑风光预测和负荷在不同时间尺度上的误差，日内调度中火电机组出力是变化的，以平均调整成本最小化为目标函数，模型如下：
CIN,i,t(PDEV,i,t)＝xi+yiPDEV,i,t+ziPDEV,i,t 2
PDEV,i,t＝|PG,i,t,DA-PG,i,t,IN|
式中，PDEV,i,t为变化的偏差功率；PG,i,t,IN为因风电、光伏电站预测的误差而变化的日内功率。在日内调度中，当风电实际出PW,j的预测误差为μW(％)时，风电实际输出功率约束变化为：
式中，分别为实际风速上下波动引起风机实际最大输出功率PW,j,max变化的最大、最小功率，并满足如下约束：
0≤PW,j≤PW,j,max
光伏电站发电的实际输出功率变化表达式同上。
2)日内低碳经济调度模型：
式中，Δf为平均调整成本，在日内调度中，由于风速、太阳辐射和负荷需求预测的不确定性，火电机组偏离日前调度计划导致的成本。
上述低碳经济调度目标函数中需求响应成本由日前电价型需求响应成本和日内激励型需求响应成本组成，可表示为：
日内调度激励型需求响应有一定的调度成本，即向按需调整负荷量的用户给予相应的经济补偿。
式中，ωt为t时刻虚拟机组是否参与日内调度的0-1变量；NIDR为阶梯电价分段的数量；分别为激励型响应虚拟机组在t时刻处于第d段阶梯电价时的增减电量；/>分别为增减电量时的单位成本。
步骤四：
如图2所示，基于不确定数据的概率潮流优化方法求解日前调度计划，根据日内阶段风、光、负荷的偏差功率计算日内阶段平均调整成本最小值。在随机变量处理方面，两点估计法将每个不确定的量用均值两侧的值代替，且其他不确定量取均值，计算概率潮流模型，较随机抽样的蒙特卡洛法计算量更小且精度较高，用于估算平均调整成本，并采用改进蝙蝠算法对随机变量优化模型进行求解。
基于遗传算法的蝙蝠算法应用于求解风光火储的两阶段优化调度，算法步骤如下：
1：初始化算法参数，生成蝙蝠个体基因序列，个体基因片段中光伏、风机、负荷等参数根据源-荷不确定性模型设定，并确定迭代次数1000次，目标函数f(X)，设定蝙蝠总数Npop，位置X0、飞行速度v0、响度A0及频率f0；
步骤2：在控制变量的可行域范围内随机生成Npop只蝙蝠作为当前最优解集，计算当前蝙蝠基因序列下的目标函数值并从小到大进行排序，保留排序前1/2的蝙蝠个体进行更新、增殖过程；
3：开始进行迭代计算。改变频率和更新个体速度，将新的蝙蝠群体看作父代进行锦标赛选择、交叉、高斯变异操作，组成子代蝙蝠种群的前半部分；
4：更新父代蝙蝠种群个体位置，并判断是否满足局部搜索条件随机数rand1>rI，若满足，选取最优解进行局部搜索得到新位置替换原位置；
5：判断新的适应度值是否满足f(XI)<fbest且随机rand2<AI。若满足，接受新解，组成子代蝙蝠种群的后半部分，并更新蝙蝠个体的目标函数值。
6：对整个子代种群目标函数值进行排序评价，并更新当前最优位置(解)X。
7：判断迭代次数是否大于最大迭代次数，若是，则返回进行步骤2；否则，算法结束，输出最优值。
在本发明实施例中，针对大规模可再生能源并网的现状，考虑风电、光伏、负荷和需求响应机组在不同时间尺度下的不确定性，计及火电机组深度调峰特性，提出一种含风光火储的电力系统日前-日内低碳调度模型，以系统运行成本和碳排放成本最小为目标，利用基于遗传算法的改进蝙蝠算法求解，可以减少不同调度场景下多能协调调度的系统综合运行成本，提升电网运行经济性、低碳性。
需要说明的是，对于以上方法或流程实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本发明实施例所必须的。
请参见图4，本发明实施例还提供一种计及源荷不确定性的多元能源系统优化调度装置，包括：
数据预测模块1，用于构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
日前调度模块2，用于构建日前低碳经济优化调度模型，以获取日前调度计划；
日内调整模块3，用于构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
优化求解模块4，用于采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
进一步地，所述日前调度模块2具体用于：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
进一步地，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
进一步地，所述日内调整模块3用于：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
可以理解的是上述装置项实施例，是与本发明方法项实施例相对应的，本发明实施例提供的一种计及源荷不确定性的多元能源系统优化调度装置，可以实现本发明任意一项方法项实施例提供的计及源荷不确定性的多元能源系统优化调度方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述的计及源荷不确定性的多元能源系统优化调度方法。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
所述领域的技术人员可以清楚地了解到，为了方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种计及源荷不确定性的多元能源系统优化调度方法，其特征在于，包括：
构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
构建日前低碳经济优化调度模型，以获取日前调度计划；
构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
2.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度方法，其特征在于，所述构建日前低碳经济优化调度模型，包括：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
3.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度方法，其特征在于，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
4.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度方法，其特征在于，所述构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整，包括：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
5.一种计及源荷不确定性的多元能源系统优化调度装置，其特征在于，包括：
数据预测模块，用于构建不确定性模型集合，以获取预测数据；其中，所述不确定性模型集合包括光伏出力不确定性模型、风电出力不确定性模型以及日前电价型响应虚拟机组不确定模型；
日前调度模块，用于构建日前低碳经济优化调度模型，以获取日前调度计划；
日内调整模块，用于构建计及源荷不确定性日内优化调度模型，以对获取得到的日前调度计划进行调整；
优化求解模块，用于采用基于遗传算法的改进蝙蝠算法基于所述预测数据对随机变量优化模型进行求解得到最优调度方案；其中，所述随机变量优化模型为基于所述不确定性模型集合、所述日前低碳经济优化调度模型和所述计及源荷不确定性日内优化调度模型确定得到。
6.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度装置，其特征在于，所述日前调度模块具体用于：
将碳排放成本引入电力系统经济调度目标函数，构建得到所述日前低碳经济优化调度模型；其中，所述碳排放成本为基于调度周期中各个分段的单位碳处理成本、火电机组碳排放量和碳分配额进行计算得到。
7.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度装置，其特征在于，所述日前低碳经济优化调度模型的约束条件包括系统负荷平衡约束、发电机组约束和蓄电池储能电站约束；其中，所述系统负荷平衡约束指的是对于任意时刻，系统的发电和储能火电机组、风机、光伏、蓄电池电站的出力总和与系统参与需求响应后的负荷相等；所述发电机组约束包括火电机组的最小出力、最大出力、发电机向上爬坡速率约束、发电机向下爬坡速率约束、最大启停时间和最小启停时间；所述发电机组约束还包括风机额定输出功率约束；所述发电机组约束还包括光伏额定输出功率约束；所述蓄电池储能电站约束包括电池储能电站充放电功率约束。
8.根据权利要求1所述的计及源荷不确定性的多元能源系统优化调度装置，其特征在于，所述日内调整模块用于：
基于获取得到的日前调度计划的火电机组组合，以平均调整成本最小为目标，修正火电机组的出力；
以低碳经济调度为目标，得出各机组日内调度方案。
9.一种终端设备，包括处理器和存储有计算机程序的存储器，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4任一项所述的计及源荷不确定性的多元能源系统优化调度方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述的计及源荷不确定性的多元能源系统优化调度方法。
CN202310448145.7A 2023-04-23 2023-04-23 计及源荷不确定性的多元能源系统优化调度方法及装置 Pending CN116613733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310448145.7A CN116613733A (zh) 2023-04-23 2023-04-23 计及源荷不确定性的多元能源系统优化调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310448145.7A CN116613733A (zh) 2023-04-23 2023-04-23 计及源荷不确定性的多元能源系统优化调度方法及装置

Publications (1)

Publication Number Publication Date
CN116613733A true CN116613733A (zh) 2023-08-18

Family

ID=87673727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310448145.7A Pending CN116613733A (zh) 2023-04-23 2023-04-23 计及源荷不确定性的多元能源系统优化调度方法及装置

Country Status (1)

Country Link
CN (1) CN116613733A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649102A (zh) * 2024-01-30 2024-03-05 大连理工大学 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649102A (zh) * 2024-01-30 2024-03-05 大连理工大学 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法
CN117649102B (zh) * 2024-01-30 2024-05-17 大连理工大学 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法

Similar Documents

Publication Publication Date Title
CN114004476B (zh) 一种综合能源系统多时间尺度优化调度方法
CN111525601B (zh) 用户侧储能设备的充放电控制方法、装置及存储介质
Boaro et al. Adaptive dynamic programming algorithm for renewable energy scheduling and battery management
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN104734200B (zh) 一种基于虚拟发电的主动配电网优化调度方法
CN111753431B (zh) 综合能源系统中最优配置的计算方法和计算设备
CN109888840B (zh) 风光-垃圾发电能源综合利用系统的调度优化方法及装置
CN109146320B (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
CN112966883B (zh) 综合能源系统运行优化方法及终端设备
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN116613733A (zh) 计及源荷不确定性的多元能源系统优化调度方法及装置
CN117060474A (zh) 一种新能源充电站的调度方法、系统、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
CN114977152A (zh) 能源管理系统的控制方法、装置、存储介质及设备
CN113112287A (zh) 一种基于微电网调度的虚拟电厂能源管理方法及装置
CN117332963A (zh) 一种源网荷储协同的虚拟电厂动态优化调度方法及系统
CN116742621A (zh) 一种功率确定方法、装置、系统及介质
CN116914850A (zh) 一种区域综合能源系统双层优化调度方法、系统及设备
CN116054270A (zh) 电网调度优化方法、装置和非易失性存储介质
CN111861278B (zh) 一种电力系统的用电负荷峰谷时段划分方法及系统
CN114784896A (zh) 面向虚拟电厂的规模化充电桩能量优化管理方法和系统
CN114549148A (zh) 虚拟电厂的竞价方法、装置、设备及存储介质
CN113555887A (zh) 电网能源控制方法、装置、电子设备及存储介质
CN109066797B (zh) 含光伏发电的电力系统运行控制方法及装置

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