CN116646994A - 一种电力系统优化调度方法及装置 - Google Patents
一种电力系统优化调度方法及装置 Download PDFInfo
- Publication number
- CN116646994A CN116646994A CN202310928118.XA CN202310928118A CN116646994A CN 116646994 A CN116646994 A CN 116646994A CN 202310928118 A CN202310928118 A CN 202310928118A CN 116646994 A CN116646994 A CN 116646994A
- Authority
- CN
- China
- Prior art keywords
- objective function
- power
- representing
- power system
- optimal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 209
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 238000010248 power generation Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 21
- 239000002699 waste material Substances 0.000 claims description 16
- 230000009194 climbing Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 1
- 238000004146 energy storage Methods 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 230000000295 complement effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000031361 Hiccup Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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]
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (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
本发明涉及电力系统技术领域,公开了电力系统优化调度方法及装置,其中,该方法包括:构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大;根据各电站的初始出力数据对优化调度模型进行求解得到电力系统的优化调度策略。通过本发明得到的优化调度策略能够在保证电力系统运行经济性的基础上,使得电力系统稳定运行,且电力系统中各新能源机组的效益最大化。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种电力系统优化调度方法及装置。
背景技术
随着新能源发电站的不断发展,新能源发电站需要并入电力系统的情况越来越多,为了实现对电力系统的优化调度,需要将新能源发电站作为其中一项考虑因素。现有技术中,大多数研究在建立多目标优化模型时,仅将系统运行成本作为目标函数,并没有考虑新能源入网后对电力系统带来的影响,使得根据现有技术得到的优化调度策略后,执行优化调度策略时,电力系统无法稳定运行,且该优化调度策略无法满足电力系统的实际使用需求。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中得到的优化调度策略不合理的缺陷,从而提供一种电力系统优化调度方法及装置。
第一方面,本发明提供了一种电力系统优化调度方法,包括:构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大;获取电力系统中新能源发电机组和传统发电机组中电站的初始出力数据;根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,优化调度策略中包含各电站的出力数据。
在本发明提供的方法中,对电力系统进行优化调度时,构建的优化调度模型包含第一目标函数、第二目标函数、第三目标函数,其中,第一目标函数用于表征电力系统的综合运行成本最小,第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小,第三目标函数用于表征新能源消纳并网电量最大。电力系统是一个必须考虑运行经济性和运行稳定性的系统。第一目标函数和第二目标函数共同作用,分别保证了多能互补系统运行过程中的经济性和稳定性,在加入第三目标函数后,通过本发明提供的优化调度模型保证了各类新能源机组效益最大化,可见,本发明实施例提供的方法综合考虑了多种角度对电力系统进行优化调度,得到的优化调度策略能够在保证电力系统运行经济性的基础上,使得电力系统稳定运行,且电力系统中各新能源机组的效益最大化。
在一种可选的实施方式中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,传统发电机组包含火电机组,第一目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站、火电机组的运行成本,以及不同时间段内的弃风弃光成本的和建立的,以使目标时间段内新能源发电机组的成本、传统发电机组的成本以及弃风弃光成本的和最小。
在一种可选的实施方式中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,第二目标函数是根据电力系统在不同时间段内的剩余负荷建立的,以使目标时间段内新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;其中,剩余负荷是根据电力系统中的用电负荷与新能源出力数据的差确定的,新能源出力数据是根据水电机组、光伏电站、风电机组以及抽水蓄能电站的出力数据确定的。
在一种可选的实施方式中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,第三目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站的出力数据的和建立的,以使目标时间段内新能源发电机组的出力最大。
在一种可选的实施方式中,优化调度模型中的约束条件包括功率平衡约束、火电机组约束、梯级水电站约束、抽水蓄能电站应发尽发约束、电网安全性约束中的一项或多项。
在一种可选的实施方式中,火电机组约束为:
,
其中,C up、C low、R up、R low分别表示火电机组的向上爬坡率、向下滑坡率、向上可调备用容量、向下可调备用容量,表示火电机组在目标时间段内的出力,/>表示火电机组出力的下限,/>火电机组出力的上限,/>表示时间差。
在一种可选的实施方式中,梯级水电站约束为:
,
其中,表示水电机组的出力,/>表示水轮发电机组效率,/>表示来水流速,H表示水头,/>和/>分别为第i号梯级水电站在t+1时段和t时段的水库容量;/>为第i号梯级水电站在t时段的来水流量;/>为第i号梯级水电站在t时段的发电流量;T 0为时间差;/>表示第(i+1)号梯级水电站在t时段的来水流量;/>表示第(i+1)号梯级水电站在t时段的发电流量;/>和/>分别为水电机组出力的下限和上限;/>和/>分别为水电站发电流量的下限和上限;/>和/>分别为水库水位的下限和上限。
在一种可选的实施方式中,抽水蓄能电站应发尽发约束为:
,
其中,为抽水蓄能电站出力约束系数,/>表示抽水蓄能电站的出力,/>和分别表示抽水蓄能电站出力的下限和上限,/>和/>分别表示抽水蓄能电站发电流量的下限和上限,/>表示抽水蓄能电站的发电流量,/>和/>分别表示抽水蓄能电站水位的下限和上限,/>表示运行中的抽水蓄能电站水位。
在一种可选的实施方式中,根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,包括:将各电站的初始出力数据作为初代;根据初代得到子代,子代中包括多个个体,每个个体为一个解,解用于表征各电站的出力数据;将各个体对应的解分别输入至第一目标函数、第二目标函数、第三目标函数中,得到各个体分别对应的第一函数值、第二函数值、第三函数值;将预先设置的理想状态最优解输入至第一目标函数、第二目标函数、第三目标函数中,得到理想状态最优解对应的第一最优函数值、第二最优函数值、第三最优函数值;根据各个体分别对应的第一函数值、第二函数值、第三函数值,以及第一最优函数值、第二最优函数值、第三最优函数值,计算各个体的收敛特性值,个体的收敛特性值是根据个体与理想状态最优解之间的距离确定的;根据子代中各个体的收敛特性值在子代中确定一个个体作为最优收敛特性参考点;根据子代中其余各个体的第一函数值、第二函数值、第三函数值,以及最优收敛特性参考点的第一函数值、第二函数值、第三函数值,分别计算各个体的分布特征值,个体的分布特征值通过个体在最优收敛特性参考点上的投影长度表征;若当前迭代满足预设条件,根据分布特征值大于预设分布特性参考值的个体确定电力系统的优化调度策略。
本发明实施例提供的方法,针对此高维多目标优化问题,设计基于主动选择策略的多目标优化算法,提出使用欧几里得距离表征的收敛特性和使用空间向量投影长度表征的分布特性,对求解过程中得到的个体进行主动选择和筛选,可以在解空间中快速区分目标函数、收敛特性、分布特性最优的个体,避免了求解算法陷入局部最优解、求解收敛速度慢等问题。
在一种可选的实施方式中,若当前迭代不满足预设条件,将分布特征值大于预设分布特性参考值的个体作为初代,返回根据初代得到子代的步骤,直至当前迭代满足预设条件。
在一种可选的实施方式中,通过如下公式计算收敛特性值:
,
其中,表示第i个个体的收敛特性值,/>表示第一目标函数,/>表示第二目标函数,/>表示第三目标函数,/>表示第i个个体,/>表示理想状态最优解。
在一种可选的实施方式中,通过如下公式计算分布特征值:
,
其中,表示第i个个体的分布特征值,/>表示第j个目标函数,/>表示第i个个体,/>表示理想状态最优解。
第二方面,本发明提供了一种电力系统优化调度装置,包括:模型构建模块,用于构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大;初始数据获取模块,用于获取电力系统中新能源发电机组和传统发电机组中电站的初始出力数据;模型求解模块,用于根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,优化调度策略中包含各电站的出力数据。
第三方面,本发明提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行上述第一方面或其对应的任一实施方式的电力系统优化调度方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的电力系统优化调度方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中电力系统优化调度方法的一个具体示例的流程图;
图2为本发明实施例中电力系统优化调度方法的另一具体示例的流程图;
图3为本发明实施例中某一个体在最优收敛特性参考点的目标函数向量上的投影示意图;
图4为本发明实施例中电力系统优化调度装置的一个具体示例的原理框图;
图5为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”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,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种电力系统优化调度方法,如图1所示,包括:
步骤S11:构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大。
在一可选实施例中,新能源发电机组包括水电机组、光伏电站、风电机组、抽水蓄能电站,传统发电机组包含火电机组。
在本发明实施例中, 第一目标函数用于表征电力系统的综合运行成本最小,系统综合运行成本最小是多能互补系统优化调度必须考虑的基本优化目标。
在本发明实施例中,第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小,系统接入新能源后,新能源供给负荷之外的负荷必须由火电机组供应。为了保证火电机组供给负荷不出现大的波动,新能源调峰后剩余负荷标准差需要尽可能小,保证新能源调峰后负荷的稳定性。
并且,在本发明实施例中,是通过新能源发电机组对电力系统进行调峰后的剩余负荷标准差来表征新能源条调峰后负荷的稳定性的,虽然方差和标准差均能衡量数据的偏离程度,但由于数据方差计算过程中对各个数据偏离平均值的误差进行了平方,所求出来的方差数据是不具有实际意义的;而标准差通过开方,可以直观反映出数据的波动和偏离相对于平均值差了多少,是具有实际物理意义的,且通过剩余负荷方差表征新能源调峰后负荷的稳定性时,仅能要求波动降低,无法对波动幅度进行度量。
在本发明实施例中,第三目标函数用于表征新能源消纳并网电量最大,新能源消纳并网电量最大保证了各类新能源发电尽量全部并网,避免出现弃风弃光弃水等问题。
步骤S12:获取电力系统中新能源发电机组和传统发电机组中电站的初始出力数据。
在一可选实施例中,各电站的出力数据是指新能源发电机组和传统发电机组中各电站在不同时间段内的出力。
步骤S13:根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,优化调度策略中包含各电站的出力数据。
在本发明实施例提供的方法中,对电力系统进行优化调度时,构建的优化调度模型包含第一目标函数、第二目标函数、第三目标函数,其中,第一目标函数用于表征电力系统的综合运行成本最小,第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小,第三目标函数用于表征新能源消纳并网电量最大。电力系统是一个必须考虑运行经济性和运行稳定性的系统。第一目标函数和第二目标函数共同作用,分别保证了多能互补系统运行过程中的经济性和稳定性,在加入第三目标函数后,通过本发明提供的优化调度模型保证了各类新能源机组效益最大化,可见,本发明实施例提供的方法综合考虑了多种角度对电力系统进行优化调度,得到的优化调度策略能够在保证电力系统运行经济性的基础上,使得电力系统稳定运行,且电力系统中各新能源机组的效益最大化。
在一可选实施例中,第一目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站、火电机组的运行成本,以及不同时间段内的弃风弃光成本的和建立的,以使目标时间段内新能源发电机组的成本、传统发电机组的成本以及弃风弃光成本的和最小。
在一可选实施例中,不同时间段可以为目标时间段内的不同时间段,示例性地,目标时间段可以为一天,不同时间段可以为一天内的不同时间段,例如,可以将24小时划分为12段,每两个小时作为一个时间段。
在一可选实施例中,第一目标函数为:
,
式中,,/>,/>,/>,/>,分别为在t时段单台水电机组、光伏电站和风电机组的运行成本,H表示水电机组的数量,P表示光伏电站的数量,W表示风电机组的数量,/>、/>、/>、/>、/>分别表示电力系统中所有火电机组、所有水电机组、所有光伏电站、所有风电机组、所有抽水蓄能电站在t时段的运行成本,T表示目标时间段中的时段数量,/>表示弃风弃光成本。在一具体实施例中,可以使用96时点的日前调度计划负荷数据,每隔15分钟解算一次各机组出力,t取值为1~96。
在一可选实施例中,考虑火电机组的煤耗成本、运行维护成本和“双碳”背景下火电机组的碳补集成本,计算N台火电机组运行成本为:
,
其中,m为电煤价格,nth为火电机组运行维护成本与煤耗成本的比值;Pthit为第i台机组出力在t时段的出力,ai、bi、ci分别为第i台机组的二次项、一次项、常数项煤耗量系数;为单位碳捕集成本,/>为第i台机组的单位碳排放量。在一具体实施例中,m可取700元/吨,/>可取80元/吨,ai、bi、ci分别可取786.80、30.42、0.226,/>可取0.72kg/kW•h。
在一可选实施例中,抽水蓄能电站运行成本为:
其中,nPS为抽水蓄能机组直接能量转换效率,即单位抽水-发电周期内输出电能与输入电能之比;PPSt为抽水蓄能机组在t时段的出力;Sqt为抽水蓄能电站机组的启停成本,Frl为抽水蓄能容量成本价格;Swh为抽水蓄能机组的维护成本,,其中,δ为抽水蓄能电站的年运行费率,Sjs为抽水蓄能机组的建设成本。在一具体实施例中,nPS可取75%。
在一可选实施例中,弃风弃光成本Sq可计算为:
其中,γ为弃风弃光惩罚因子,和/>分别为弃风量和弃光量。在t时段内,弃风弃光量可以计算为:
其中,表示预期风电出力,/>表示预期光伏出力。
在一可选实施例中,第二目标函数是根据电力系统在不同时间段内的剩余负荷建立的,以使目标时间段内新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;其中,剩余负荷是根据电力系统中的用电负荷与新能源出力数据的差确定的,新能源出力数据是根据水电机组、光伏电站、风电机组以及抽水蓄能电站的出力数据确定的。
在一可选实施例中,第二目标函数为:
其中,为t时段内的剩余负荷,/>为T个时间段中的剩余负荷均值。
在一可选实施例中,第三目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站的出力数据的和建立的,以使目标时间段内新能源发电机组的出力最大。
在一可选实施例中,为最大化新能源消纳的经济性,设置新能源并网电量最大目标函数,即全天梯级水电、风电、光伏、抽水蓄能电站出力最大:
特别地,为求解基于主动选择策略的多能互补优化调度模型,需要对上述目标函数取反,以保持三个目标函数均为求最小的一致性,即第三目标函数为:
。
在一可选实施例中,优化调度模型中的约束条件包括功率平衡约束、火电机组约束、梯级水电站约束、抽水蓄能电站应发尽发约束、电网安全性约束中的一项或多项。
在一可选实施例中,功率平衡约束用于控制电力系统的系统负荷与新能源机组与传统机组中所有机组的功率平衡。
在一可选实施例中,功率平衡约束为:
。
在一可选实施例中,火电机组约束为:
,
其中,C up、C low、R up、R low分别表示火电机组的向上爬坡率、向下滑坡率、向上可调备用容量、向下可调备用容量,表示火电机组在目标时间段内的出力,/>表示火电机组出力的下限,/>火电机组出力的上限,/>表示时间差。,若负荷曲线为24点,则时间差为1小时;若负荷曲线为96点,则时间差为15分钟。
在一可选实施例中,梯级水电站约束为:
,
其中,表示水电机组的出力,/>表示水轮发电机组效率,水轮发电机组效率与水轮机、发电机的类型和参数有关,还会随机组运行工况的改变而改变,/>表示来水流速,单位为(m3/s),H表示水头,单位为(m),即作用在水轮机上的有效水头,/>和/>分别为第i号梯级水电站在t+1时段和t时段的水库容量;/>为第i号梯级水电站在t时段的来水流量;/>为第i号梯级水电站在t时段的发电流量;T 0为时间差;/>表示第(i+1)号梯级水电站在t时段的来水流量;/>表示第(i+1)号梯级水电站在t时段的发电流量;/>和分别为水电机组出力的下限和上限;/>和/>分别为水电站发电流量的下限和上限;/>和/>分别为水库水位的下限和上限,/>表示时间差。
在一可选实施例中,抽水蓄能电站应发尽发约束为:
,
其中,为抽水蓄能电站出力约束系数,/>表示抽水蓄能电站的出力,/>和分别表示抽水蓄能电站出力的下限和上限,/>和/>分别表示抽水蓄能电站发电流量的下限和上限,/>表示抽水蓄能电站的发电流量,/>和/>分别表示抽水蓄能电站水位的下限和上限,/>表示运行中的抽水蓄能电站水位。
本发明实施例中的抽水蓄能电站应发尽发约束通过设置一个抽水蓄能电站出力约束系数(取值大于0小于0.5,示例性地可取0.15),保证抽水蓄能电站的功率和发电流量接近最大、负荷高峰期上水库水位接近最低。
示例性地,当抽水蓄能电站出力约束系数取为0.15时,则应发尽发约束为:
则在优化调度的全过程中,抽水蓄能电站的出力、发电流量和水位得到约束,出力接近上限、发电流量接近上限、水位接近水库下限,优化求解得到的结果依照应发尽发约束必然保持抽水蓄能电站出力较大,保证了抽水蓄能电站在每个调度周期内均实现应发尽发。
可见,在本发明实施例中,设置抽水蓄能电站出力约束系数后,在每一个调度周期内,对抽水蓄能电站的发电功率和发电流量都做出了比较高的要求,使得抽水蓄能电站在每个调度周期内均实现应发尽发。
在一可选实施例中,电网安全性约束为:
,
其中,为电网线路承受传输功率的最大值,/>表示电网线路承受传输功率。
在本实施例中提供了一种电力系统优化调度方法,图2是根据本发明实施例的电力系统优化调度方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201:构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大。详细内容参见上述实施例中步骤S11的描述,在此不再赘述。
步骤S202:获取电力系统中新能源发电机组和传统发电机组中电站的初始出力数据。详细内容参见上述实施例中步骤S12的描述,在此不再赘述。
步骤S203:根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,优化调度策略中包含各电站的出力数据。
具体地,上述步骤S203包括:
步骤S2031:将各电站的初始出力数据作为初代。
步骤S2032:根据初代得到子代,子代中包括多个个体,每个个体为一个解,解用于表征各电站的出力数据。
在一可选实施例中,子代是通过对初代进行交配、变异产生的。每个个体对应的解包括各电站在不同时段的出力。
步骤S2033:将各个体对应的解分别输入至第一目标函数、第二目标函数、第三目标函数中,得到各个体分别对应的第一函数值、第二函数值、第三函数值。
步骤S2034:将预先设置的理想状态最优解输入至第一目标函数、第二目标函数、第三目标函数中,得到理想状态最优解对应的第一最优函数值、第二最优函数值、第三最优函数值。
在一可选实施例中,理想状态最优解是指能够使得电力系统达到抽水蓄能电站发电量完全并网、无弃风弃光、新能源发电量最大、各机组无停机的状态的解。
步骤S2035:根据各个体分别对应的第一函数值、第二函数值、第三函数值,以及第一最优函数值、第二最优函数值、第三最优函数值,计算各个体的收敛特性值,个体的收敛特性值是根据个体与理想状态最优解之间的距离确定的。
步骤S2036:根据子代中各个体的收敛特性值在子代中确定一个个体作为最优收敛特性参考点。
在一可选实施例中,可以将收敛特征值最大的个体确定为最优收敛特性参考点。
在执行上述步骤S2036后,判断当前迭代是否满足预设条件,若当前迭代满足预设条件,执行步骤S2037:根据最优收敛特性参考点确定电力系统的优化调度策略。
若当前迭代不满足预设条件,执行如下步骤:
步骤S2038:根据子代中其余各个体的第一函数值、第二函数值、第三函数值,以及最优收敛特性参考点的第一函数值、第二函数值、第三函数值,分别计算各个体的分布特征值,个体的分布特征值通过个体在最优收敛特性参考点上的投影长度表征。
在一可选实施例中,某一个体在最优收敛特性参考点的目标函数向量上的投影如图3所示。
步骤S2039:将分布特征值大于预设分布特性参考值的个体作为初代。
执行步骤S2038和步骤S2039后,返回上述步骤S2032,重复执行步骤S2032-步骤S2037,直至迭代满足预设条件。
在一可选实施例中,若迭代次数大于或等于第一预设值,判定当前迭代满足预设条件,则可以根据当前的最优收敛特性参考点确定电力系统的优化调度策略,也可以根据相邻多个迭代周期内分别对应的最优收敛特性参考点确定电力系统的优化调度策略。其中,第一预设值可以根据实际需求设置,在此不做限定。
在一可选实施例中,若最优收敛特性参考点的收敛特性值小于第二预设值,判定当前迭代满足预设条件,则根据当前的最优收敛特性参考点确定电力系统的优化调度策略。
由于最优收敛参考点的收敛特性值是根据最优收敛参考点与所述理想状态最优解之间的距离确定的,当收敛特性值小于第二预设值时,表明最优收敛特性参考点与理想状态最优解的距离较小,此时可以根据最优收敛特性参考点确定电力系统的优化调度策略。 其中,第二预设值可以根据实际需求设置,在此不做限定。
在一可选实施例中,通过如下公式计算收敛特性值:
,
其中,表示第i个个体的收敛特性值,/>表示第一目标函数,/>表示第二目标函数,/>表示第三目标函数,/>表示第i个个体,/>表示理想状态最优解。
在一可选实施例中,通过如下公式计算分布特征值:
,
其中,表示第i个个体的分布特征值,/>表示第j个目标函数,/>表示第i个个体,/>表示理想状态最优解。
上述实施例提供的方法中,其扣呃优化调度模型的方法为:针对需求侧电网的日负荷曲线,对多能互补系统中的所有电站设置初始出力数据作为初代,并通过交配、变异等方式产生子代,进而应用主动选择策略,根据个体的收敛特性和分布特性计算公式,计算每一个体相较于理想状态最优解的欧几里得距离,遍历得到当前子代中的最优收敛特性参考点,并计算每一个体在最优收敛特性参考点上的投影长度,将其与预先设定的分布特性参考值进行比较,删除群体中与收敛特性最优个体相似度较低的个体,通过主动选择策略得到筛选后的子代并再次交配、突变,反复迭代,直到解集收敛至最优解,完成多能互补系统的优化调度。
本发明实施例提出的高维多目标优化算法采用了主动选择策略,希望模型求解过程中算法可以主动选择目标函数、收敛特性、分布特性表现均为最好的子代,避免在求解高维多目标模型时,和普通NSGA-Ⅱ算法一样陷入局部最优解、无法收敛。
主动选择策略的实施分为两步,第一步即计算子代中每一个个体的收敛特性。收敛特性使用欧几里得距离表征。即,根据预先设定的理想状态最优解,标识每一个个体与理想状态最优解之间的欧几里得距离,并遍历寻优,不断更新最有收敛特性参考点的选择,直到找出当前子代中真正的最优收敛特性参考点。
这一步的有益效果在于,根据预先设定的理想状态最优解,找到的当前子代的最优收敛特性参考点是具有实际经济意义的。该参考点总体符合多能互补系统调度的几项基本准则,并向理想状态靠拢。而传统多目标优化算法中的NSGA-Ⅱ算法仅仅能够求解设置的约束条件下的最优解,并未考虑是否符合多能互补系统最理想的调度运行状态。
在第一步找到当前子代的最优收敛特性参考点后,第二步需要根据各个个体的分布特性进行筛选,删除不具有优化意义的个体,提高算法求解效率。
各个子代个体的分布特性使用其在第一步求解出来的最优收敛特性参考点上的投影长度进行表征。该投影长度越大,说明该个体与最优收敛特性参考点的属性重合度越高,应当予以保留;该投影长度越小,说明该个体与最优收敛特性参考点的属性重合度越低,应当予以舍弃。
通过预先设定一个分布特性参考值,将每一个子代个体的分布特性与其比较,删除群体中与最优收敛特性参考点相似度较低的个体,完成对当前子代的筛选过程。
这一步的有益效果在于,使用空间投影长度代表了子代个体的分布特性,并且投影长度的计算基于上一步得到的最优收敛特性参考点,仍然具有实际的优化意义;此外,根据分布特性筛选,删除了与最优收敛特性参考点相似度较低的个体,可以有效提高算法的计算速度和准确性。
可见,本发明实施例提供的方法,针对此高维多目标优化问题,设计基于主动选择策略的多目标优化算法,提出使用欧几里得距离表征的收敛特性和使用空间向量投影长度表征的分布特性,对求解过程中得到的个体进行主动选择和筛选,可以在解空间中快速区分目标函数、收敛特性、分布特性最优的个体,避免了求解算法陷入局部最优解、求解收敛速度慢等问题。
本发明实施例还提供了一种电力系统优化调度装置,如图4所示,包括:
模型构建模块41,用于构建电力系统的优化调度模型,电力系统包括新能源发电机组和传统发电机组,优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,第一目标函数用于表征电力系统的综合运行成本最小;第二目标函数用于表征新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;第三目标函数用于表征新能源消纳并网电量最大。
初始数据获取模块42,用于获取电力系统中新能源发电机组和传统发电机组中电站的初始出力数据。
模型求解模块43,用于根据各电站的初始出力数据对优化调度模型进行求解,得到电力系统的优化调度策略,优化调度策略中包含各电站的出力数据。
在一可选实施例中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,传统发电机组包含火电机组,第一目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站、火电机组的运行成本,以及不同时间段内的弃风弃光成本的和建立的,以使目标时间段内新能源发电机组的成本、传统发电机组的成本以及弃风弃光成本的和最小。
在一可选实施例中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,第二目标函数是根据电力系统在不同时间段内的剩余负荷建立的,以使目标时间段内新能源发电机组对电力系统进行调峰后的剩余负荷标准差最小;其中,剩余负荷是根据电力系统中的用电负荷与新能源出力数据的差确定的,新能源出力数据是根据水电机组、光伏电站、风电机组以及抽水蓄能电站的出力数据确定的。
在一可选实施例中,新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,第三目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站的出力数据的和建立的,以使目标时间段内新能源发电机组的出力最大。
在一可选实施例中,优化调度模型中的约束条件包括功率平衡约束、火电机组约束、梯级水电站约束、抽水蓄能电站应发尽发约束、电网安全性约束中的一项或多项。
在一可选实施例中,火电机组约束为:
,
其中,C up、C low、R up、R low分别表示火电机组的向上爬坡率、向下滑坡率、向上可调备用容量、向下可调备用容量,表示火电机组在目标时间段内的出力,/>表示火电机组出力的下限,/>火电机组出力的上限,/>表示时间差。在一可选实施例中,梯级水电站约束为:/>
,
其中,表示水电机组的出力,/>表示水轮发电机组效率,/>表示来水流速,H表示水头,/>和/>分别为第i号梯级水电站在t+1时段和t时段的水库容量;/>为第i号梯级水电站在t时段的来水流量;/>为第i号梯级水电站在t时段的发电流量;T 0为时间差;/>表示第(i+1)号梯级水电站在t时段的来水流量;/>表示第(i+1)号梯级水电站在t时段的发电流量;/>和/>分别为水电机组出力的下限和上限;/>和/>分别为水电站发电流量的下限和上限;/>和/>分别为水库水位的下限和上限,/>表示时间差。
在一可选实施例中,抽水蓄能电站应发尽发约束为:
,
其中,为抽水蓄能电站出力约束系数,/>表示抽水蓄能电站的出力,/>和分别表示抽水蓄能电站出力的下限和上限,/>和/>分别表示抽水蓄能电站发电流量的下限和上限,/>表示抽水蓄能电站的发电流量,/>和/>分别表示抽水蓄能电站水位的下限和上限,/>表示运行中的抽水蓄能电站水位。
在一可选实施例中,模型求解模块43具体包括:
初代确定单元,用于将各电站的初始出力数据作为初代。
子代确定单元,用于根据初代得到子代,子代中包括多个个体,每个个体为一个解,解用于表征各电站的出力数据。
函数值计算单元,用于将各个体对应的解分别输入至第一目标函数、第二目标函数、第三目标函数中,得到各个体分别对应的第一函数值、第二函数值、第三函数值。
最优函数值计算单元,用于将预先设置的理想状态最优解输入至第一目标函数、第二目标函数、第三目标函数中,得到理想状态最优解对应的第一最优函数值、第二最优函数值、第三最优函数值。
收敛特性值计算单元,用于根据各个体分别对应的第一函数值、第二函数值、第三函数值,以及第一最优函数值、第二最优函数值、第三最优函数值,计算各个体的收敛特性值,个体的收敛特性值是根据个体与理想状态最优解之间的距离确定的。
最优收敛特性参考点确定单元,用于根据子代中各个体的收敛特性值在子代中确定一个个体作为最优收敛特性参考点。
分布特征值计算单元,用于根据子代中其余各个体的第一函数值、第二函数值、第三函数值,以及最优收敛特性参考点的第一函数值、第二函数值、第三函数值,分别计算各个体的分布特征值,个体的分布特征值通过个体在最优收敛特性参考点上的投影长度表征。
优化调度策略确定单元,若当前迭代满足预设条件,优化调度策略确定单元用于根据分布特征值大于预设分布特性参考值的个体确定电力系统的优化调度策略。
在一可选实施例中,模型求解模块43还包括:
初代更新单元,若当前迭代不满足预设条件,初代更新单元,用于将分布特征值大于预设分布特性参考值的个体作为初代。
在一可选实施例中,通过如下公式计算收敛特性值:
,
其中,表示第i个个体的收敛特性值,/>表示第一目标函数,/>表示第二目标函数,/>表示第三目标函数,/>表示第i个个体,/>表示理想状态最优解。
在一可选实施例中,通过如下公式计算分布特征值:
,
其中,表示第i个个体的分布特征值,/>表示第j个目标函数,/>表示第i个个体,/>表示理想状态最优解。
本实施例中的电力系统优化调度装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种计算机设备,具有上述图5所示的电力系统优化调度装置。
请参阅图5,图5是本发明可选实施例提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (15)
1.一种电力系统优化调度方法,其特征在于,包括:
构建电力系统的优化调度模型,所述电力系统包括新能源发电机组和传统发电机组,所述优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,所述第一目标函数用于表征所述电力系统的综合运行成本最小;所述第二目标函数用于表征所述新能源发电机组对所述电力系统进行调峰后的剩余负荷标准差最小;所述第三目标函数用于表征新能源消纳并网电量最大;
获取所述电力系统中新能源发电机组和所述传统发电机组中电站的初始出力数据;
根据各电站的初始出力数据对所述优化调度模型进行求解,得到所述电力系统的优化调度策略,所述优化调度策略中包含各电站的出力数据。
2.根据权利要求1所述的方法,其特征在于,所述新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,所述传统发电机组包含火电机组,
所述第一目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站、火电机组的运行成本,以及不同时间段内的弃风弃光成本的和建立的,以使目标时间段内所述新能源发电机组的成本、传统发电机组的成本以及弃风弃光成本的和最小。
3.根据权利要求1所述的方法,其特征在于,所述新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,
所述第二目标函数是根据所述电力系统在不同时间段内的剩余负荷建立的,以使目标时间段内所述新能源发电机组对所述电力系统进行调峰后的剩余负荷标准差最小;其中,所述剩余负荷是根据所述电力系统中的用电负荷与新能源出力数据的差确定的,所述新能源出力数据是根据所述水电机组、光伏电站、风电机组以及抽水蓄能电站的出力数据确定的。
4.根据权利要求1所述的方法,其特征在于,所述新能源发电机组包含水电机组、光伏电站、风电机组、抽水蓄能电站,
所述第三目标函数是根据不同时间段内各水电机组、光伏电站、风电机组、抽水蓄能电站的出力数据的和建立的,以使目标时间段内所述新能源发电机组的出力最大。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述优化调度模型中的约束条件包括功率平衡约束、火电机组约束、梯级水电站约束、抽水蓄能电站应发尽发约束、电网安全性约束中的一项或多项。
6.根据权利要求5所述的方法,其特征在于,所述火电机组约束为:
,
其中,C up、C low、R up、R low分别表示火电机组的向上爬坡率、向下滑坡率、向上可调备用容量、向下可调备用容量,表示火电机组在目标时间段内的出力,/>表示火电机组出力的下限,/>火电机组出力的上限,/>表示时间差。
7.根据权利要求5所述的方法,其特征在于,所述梯级水电站约束为:
,
其中,表示水电机组的出力,/>表示水轮发电机组效率,/>表示来水流速,H表示水头,/>和/>分别为第i号梯级水电站在t+1时段和t时段的水库容量;/>为第i号梯级水电站在t时段的来水流量;/>为第i号梯级水电站在t时段的发电流量;T 0为时间差;表示第(i+1)号梯级水电站在t时段的来水流量;/>表示第(i+1)号梯级水电站在t时段的发电流量;/>和/>分别为水电机组出力的下限和上限;/>和/>分别为水电站发电流量的下限和上限;/>和/>分别为水库水位的下限和上限。
8.根据权利要求5所述的方法,其特征在于,所述抽水蓄能电站应发尽发约束为:
,
其中,为抽水蓄能电站出力约束系数,/>表示抽水蓄能电站的出力,/>和/>分别表示抽水蓄能电站出力的下限和上限,/>和/>分别表示抽水蓄能电站发电流量的下限和上限,/>表示抽水蓄能电站的发电流量,/>和/>分别表示抽水蓄能电站水位的下限和上限,/>表示运行中的抽水蓄能电站水位。
9.根据权利要求1-5中任一项所述的方法,其特征在于,根据各电站的初始出力数据对所述优化调度模型进行求解,得到所述电力系统的优化调度策略,包括:
将各电站的初始出力数据作为初代;
根据所述初代得到子代,所述子代中包括多个个体,每个个体为一个解,所述解用于表征各电站的出力数据;
将各个体对应的解分别输入至第一目标函数、第二目标函数、第三目标函数中,得到各个体分别对应的第一函数值、第二函数值、第三函数值;
将预先设置的理想状态最优解输入至所述第一目标函数、第二目标函数、第三目标函数中,得到所述理想状态最优解对应的第一最优函数值、第二最优函数值、第三最优函数值;
根据各个体分别对应的第一函数值、第二函数值、第三函数值,以及所述第一最优函数值、第二最优函数值、第三最优函数值,计算各个体的收敛特性值,所述个体的收敛特性值是根据所述个体与所述理想状态最优解之间的距离确定的;
根据所述子代中各个体的收敛特性值在所述子代中确定一个个体作为最优收敛特性参考点;
若当前迭代满足预设条件,根据所述最优收敛特性参考点个体确定所述电力系统的优化调度策略。
10.根据权利要求9所述的方法,其特征在于,
若当前迭代不满足预设条件,根据所述子代中其余各个体的第一函数值、第二函数值、第三函数值,以及所述最优收敛特性参考点的第一函数值、第二函数值、第三函数值,分别计算各个体的分布特征值,个体的分布特征值通过所述个体在所述最优收敛特性参考点上的投影长度表征;
将所述分布特征值大于预设分布特性参考值的个体作为初代,返回所述根据所述初代得到子代的步骤,直至当前迭代满足预设条件。
11.根据权利要求9所述的方法,其特征在于,通过如下公式计算收敛特性值:
,
其中,表示第i个个体的收敛特性值,/>表示第一目标函数,/>表示第二目标函数,/>表示第三目标函数,/>表示第i个个体,/>表示理想状态最优解。
12.根据权利要求9所述的方法,其特征在于,通过如下公式计算分布特征值:
,
其中,表示第i个个体的分布特征值,/>表示第j个目标函数,/>表示第i个个体,表示理想状态最优解。
13.一种电力系统优化调度装置,其特征在于,包括:
模型构建模块,用于构建电力系统的优化调度模型,所述电力系统包括新能源发电机组和传统发电机组,所述优化调度模型中的目标函数包含第一目标函数、第二目标函数、第三目标函数;其中,所述第一目标函数用于表征所述电力系统的综合运行成本最小;所述第二目标函数用于表征所述新能源发电机组对所述电力系统进行调峰后的剩余负荷标准差最小;所述第三目标函数用于表征新能源消纳并网电量最大;
初始数据获取模块,用于获取所述电力系统中新能源发电机组和所述传统发电机组中电站的初始出力数据;
模型求解模块,用于根据各电站的初始出力数据对所述优化调度模型进行求解,得到所述电力系统的优化调度策略,所述优化调度策略中包含各电站的出力数据。
14.一种计算机设备,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,从而执行如权利要求1-12中任一项所述的电力系统优化调度方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-12中任一项所述的电力系统优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928118.XA CN116646994B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统优化调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928118.XA CN116646994B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统优化调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116646994A true CN116646994A (zh) | 2023-08-25 |
CN116646994B CN116646994B (zh) | 2024-01-05 |
Family
ID=87643754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928118.XA Active CN116646994B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统优化调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116646994B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN108695850A (zh) * | 2018-06-20 | 2018-10-23 | 华中科技大学 | 一种单站多电网的水电负荷分配方法、系统及其应用 |
CN110956324A (zh) * | 2019-11-29 | 2020-04-03 | 厦门大学 | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 |
CN114221338A (zh) * | 2021-12-19 | 2022-03-22 | 东北电力大学 | 考虑电源灵活性和互补性的多能源电力系统优化调度方法 |
CN116307632A (zh) * | 2023-05-11 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 水电站经济负荷分配方法、装置、电子设备及存储介质 |
-
2023
- 2023-07-27 CN CN202310928118.XA patent/CN116646994B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981888A (zh) * | 2017-05-10 | 2017-07-25 | 西安理工大学 | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 |
CN108695850A (zh) * | 2018-06-20 | 2018-10-23 | 华中科技大学 | 一种单站多电网的水电负荷分配方法、系统及其应用 |
CN110956324A (zh) * | 2019-11-29 | 2020-04-03 | 厦门大学 | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 |
CN114221338A (zh) * | 2021-12-19 | 2022-03-22 | 东北电力大学 | 考虑电源灵活性和互补性的多能源电力系统优化调度方法 |
CN116307632A (zh) * | 2023-05-11 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 水电站经济负荷分配方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王开艳;罗先觉;贾嵘;周承文;: "充分发挥多能互补作用的风蓄水火协调短期优化调度方法", 电网技术, no. 10, pages 3632 - 3635 * |
Also Published As
Publication number | Publication date |
---|---|
CN116646994B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Day-ahead stochastic coordinated scheduling for thermal-hydro-wind-photovoltaic systems | |
Borghetti et al. | Lagrangian heuristics based on disaggregated bundle methods for hydrothermal unit commitment | |
Meibom et al. | Stochastic optimization model to study the operational impacts of high wind penetrations in Ireland | |
Tuohy et al. | Unit commitment for systems with significant wind penetration | |
Dent et al. | Simplified methods for renewable generation capacity credit calculation: A critical review | |
US10452032B1 (en) | Optimizing power contribution of distributed energy resources for real time power demand scheduling | |
CN107910883B (zh) | 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法 | |
Sweerts et al. | Evaluating the role of unit size in learning-by-doing of energy technologies | |
CN103414213A (zh) | 一种海岛型微电网的电源优化配置方法 | |
CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
Aaslid et al. | Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage | |
Daneshvar et al. | Short term optimal hydro-thermal scheduling of the transmission system equipped with pumped storage in the competitive environment | |
CN107359611B (zh) | 考虑多种随机因素的配电网等值方法 | |
Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
Du et al. | Preliminary analysis of long‐term storage requirement in enabling high renewable energy penetration: A case of East Asia | |
CN115882523A (zh) | 含分布式储能的电力系统优化运行方法、系统及设备 | |
Jiang et al. | Research on short-term optimal scheduling of hydro-wind-solar multi-energy power system based on deep reinforcement learning | |
CN113435659B (zh) | 基于场景分析的综合能源系统两阶段优化运行方法及系统 | |
CN108288132B (zh) | 一种基于源荷互动电力系统调度的建模方法 | |
Wen et al. | Data-driven energy management system for flexible operation of hydrogen/ammonia-based energy hub: A deep reinforcement learning approach | |
CN112564160A (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
CN116646994B (zh) | 一种电力系统优化调度方法及装置 | |
Hjelmeland et al. | Combined SDDP and simulator model for hydropower scheduling with sales of capacity | |
Liu et al. | Joint optimisation of generation and storage in the presence of wind | |
CN108418213B (zh) | 一种基于源荷互动电力系统调度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |