CN116667446A - 风电、抽水蓄能系统的容量配置方法、装置、设备及介质 - Google Patents

风电、抽水蓄能系统的容量配置方法、装置、设备及介质 Download PDF

Info

Publication number
CN116667446A
CN116667446A CN202310939505.3A CN202310939505A CN116667446A CN 116667446 A CN116667446 A CN 116667446A CN 202310939505 A CN202310939505 A CN 202310939505A CN 116667446 A CN116667446 A CN 116667446A
Authority
CN
China
Prior art keywords
wind power
day
capacity
typical
pumping
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
Application number
CN202310939505.3A
Other languages
English (en)
Other versions
CN116667446B (zh
Inventor
李杨
吴峰
李讴廷
史林军
林克曼
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 CN202310939505.3A priority Critical patent/CN116667446B/zh
Publication of CN116667446A publication Critical patent/CN116667446A/zh
Application granted granted Critical
Publication of CN116667446B publication Critical patent/CN116667446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/003—Systems for storing electric energy in the form of hydraulic 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/007—Systems for storing electric energy involving storage in the form of mechanical energy, e.g. fly-wheels
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

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

Abstract

本发明涉及电力系统容量配置技术领域，尤其涉及一种风电、抽水蓄能系统的容量配置方法、装置、设备及介质，包括：建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；根据所述联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；采用生成对抗网络场景生成模型和K‑means聚类算法，生成典型风电出力序列；采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，得到容量优化的配置方案。本发明中，提高新能源消纳，实现新能源友好并网利用。

Description

风电、抽水蓄能系统的容量配置方法、装置、设备及介质
技术领域
本发明涉及电力系统容量配置技术领域，尤其涉及一种风电、抽水蓄能系统的容量配置方法、装置、设备及介质。
背景技术
“双碳”目标背景下，现有能源消费结构加速变革，新能源发电技术快速发展，但同时大规模的新能源并网也给电网的稳定运行提出了巨大挑战。为保证新型电力系统的频率稳定，迫切需要在寻求新型调频手段的同时，采取更加有效的频率控制方法。
抽水蓄能作为目前最成熟的大规模储能，具有调节灵活、环境友好、技术成熟、调节容量大等优势，在电网辅助服务中作用重大，与新能源协同配置开发时，利用抽水蓄能的多时间尺度调节能力，有利于平抑新能源处理偏差，形成高质量稳定外送绿色电力，提高新能源消纳，实现新能源友好并网利用。
国内外已有学者对风电-抽蓄联合系统的协同开发容量问题开展了相关研究。但是现有的研究场景多是离网型系统，通过优化风光储的容量配比降低系统的失负荷率，但是大型的风光储协同开发并网的研究相对较少。此外，现有的并网系统研究多考虑的是系统的经济性目标，未考虑联合系统中抽水蓄能的调峰功能定位。同时，变速抽蓄机组快速发展，在实际工程应用中，相比于定速抽蓄机组，变速抽蓄机组抽水功率可调，响应速度更快，对新能源处理不确定性的调控能力更优，但是现有的抽水蓄能与新能源系统协同开发的研究中，鲜有考虑变速机组与新能源协同配置的研究。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种风电、抽水蓄能系统的容量配置方法、装置、设备及介质，从而有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：一种风电、抽水蓄能系统的容量配置方法，包括如下步骤：
建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；
根据所述联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；
采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列；
采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，得到容量优化的配置方案。
进一步地，所述联合系统模型中，抽水蓄能机组表示为：
；
；
其中，和/>分别为典型日k抽蓄机组n在时段t的抽水流量和发电流量；和/>分别为抽水蓄能机组的抽水和发电效率；/>为管道输送效率；/>为水密度；/>为重力加速度；/>为水头高度；/>和/>分别为抽水蓄能机组抽水和发电工况下的流量功率比；/>和/>分别为典型日k抽蓄机组n在时段t的发电和抽水功率。
进一步地，所述目标函数包括：
；
；
；
；
；
；
；
其中，代表联合系统的平准化度电成本，/>代表联合系统与区域电网的净负荷峰谷差，/>代表联合系统日前日内出力偏差量，/>代表第k个典型日第s种日内情况联合系统日前日内出力偏差量，/>为系统风电和抽蓄电站的总初始投资建造成本，/>为系统全生命周期的运行维护成本，/>为风电场在系统生命周期中的机组替换成本，为抽蓄机组在系统生命周期中的机组替换成本，/>为联合系统的全生命周期年限，i为年限，取值为1至/>，/>为风电机组的使用年限，/>为抽蓄机组的使用年限；D为一年中天数，/>为在系统全生命周期内风电机组所需替换次数，j为次数，取值为1至/>，为在系统全生命周期内抽蓄机组所需替换次数，l为次数，取值为1至/>，/>为风电典型日出力场景数，/>为典型日k风电的年发电量，/>为典型日k联合系统外购电量，/>为典型日k抽水蓄能电站的年发电量，/>为折现率；/>为联合系统的对外购电单价，/>为典型日k场景概率，/>为典型日k在时段t的区域电网净负荷，/>和分别为典型日k区域电网净负荷的最大值和最小值，/>为典型日k在时段t的区域电网负荷，/>和/>为典型日k时段t的风-蓄联合系统的净发电和净用电功率，/>和为典型日k场景s在时段t联合系统的净发电和净用电功率，/>为典型日k场景s的概率，/>为风电典型日日内日场景数；T为一个调度周期，取24。
进一步地，所述风电机组装机容量约束为：
；
所述风电机组出力约束为：
；
；
其中，代表风电总装机容量，/>代表受自然条件限制的风电最大装机容量，/>代表第k个典型日日前预测下t时刻的风电出力标幺值，/>代表第k个典型日日前预测下t时刻的风电上网功率，/>为典型日k场景s风电在时段t的实际上网功率；为典型日k场景s风电在时段t的最大出力；
所述抽蓄机组日前运行约束为：
；
；
；
；
其中，和/>分别为典型日k抽蓄机组n在时段t的发电和抽水功率；/>和/>分别表示典型日k抽蓄机组n在时段t的发电和抽水工况的0-1变量；/>和分别为抽蓄机组n的发电和抽水功率的最大值和最小值；
所述水库库容与水位日前约束的表达式为：
；
；
；
其中，和/>分别为典型日k一个调度周期初始时段和末时段的上水库水位；/>为典型日k上水库在时段t的库容；/>和/>分别为典型日k抽蓄机组n在时段t的抽水流量和发电流量；/>和/>分别为上水库的库容上下限；T为一个调度周期，取24h；/>为抽蓄机组总台数；
所述联合系统外送约束的表达式为：
；
；
其中，为外送通道容量上限；
所述联合系统弃电约束的表达式为：
。
进一步地，所述采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列，包括：
采用生成对抗网络场景生成模型训练样本数据，生成服从样本数据概率分布的风电出力场景集；
采用K-means聚类算法对所述场景集进行消减聚类，生成能涵盖风电年出力特性的典型日概率场景和典型日下风电出力的日内随机优化场景。
进一步地，所述采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，包括：
以多目标算法作为外层，以混合整数线性模型作为内层，构建嵌套算法；
使用多目标算法求解系统度电成本、区域电网与联合系统净负荷峰谷差和日前日内的出力偏差量三个目标函数；
使用混合整数线性模型求解调峰效果和日前日内的出力偏差量两个线性目标，优化系统的运行状态。
本发明还包括一种风电、抽水蓄能系统的容量配置装置，使用如上述的方法，包括：
联合系统模型建模单元，所述联合系统模型建模单元用于建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；
多目标容量优化模型建立单元，所述多目标容量优化模型建立单元根据所述联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；
典型场景生成单元，所述典型场景生成单元采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列；
容量配置求解单元，所述容量配置求解单元采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，得到容量优化的配置方案。
本发明还包括一种计算机设备，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计算机程序时，实现如上述的方法。
本发明还包括一种存储介质，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如上述的方法。
本发明的有益效果为：本发明通过建立含风电机组、抽蓄机组的风电-抽水蓄能联合系统容量优化模型。该方法首先建立联合系统数学模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差和日前日内出力偏差量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束等约束条件，建立风电-抽水蓄能联合系统多目标容量优化模型；其次，采用生成对抗网络场景生成模型和K-means聚类方法，生成随机优化场景；最后，采用多目标算法与混合整数线性模型(MILP)嵌套的方法设计求解算法，求解风电-抽水蓄能联合系统多目标容量优化模型，获得帕累托(Pareto)最优解，得到满足系统约束的风电容量配置方案，形成高质量稳定外送绿色电力，提高新能源消纳，实现新能源友好并网利用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明方法的流程图；
图2为风电、抽水蓄能联合系统的系统模型；
图3为风电、抽水蓄能联合系统模型中风电典型日出力曲线；
图4为容量优化配置嵌套算法的流程图；
图5为容量配置帕累托示意图；
图6为容量优化目标度电成本与净负荷峰谷差趋势示意图；
图7为容量优化目标度电成本与系统日前日内出力偏差趋势示意图；
图8为容量优化目标净负荷峰谷差与系统日前日内出力偏差趋势示意图；
图9为本发明装置的结构示意图；
图10为计算机设备的结构示意图。
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、完整地描述，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。
如图1所示：一种风电、抽水蓄能系统的容量配置方法，包括如下步骤：
S110、建立含抽水蓄能机组的风电—抽水蓄能联合系统模型。
本发明实施例中，风电-抽水蓄能联合系统（风-蓄联合系统）包括风电场、抽蓄电站的上下水库、定变速可逆式抽蓄水泵水轮机组，风-蓄联合系统沿袭了抽水蓄能电站对区域电网削峰填谷的功能定位，区别在于抽水蓄能电站需要兼顾并网过程中风电出力反调峰特性的调节。风电高发时段一般为电网低负荷需求时段，此时抽水蓄能机组运行在抽水工况下，储存风电出力的同时也吸收电网过剩电能；当电网处于负荷需求高峰时，风电出力较低，难以满足电网的高用电需求，需要抽水蓄能机组运行在发电模式，释放储存的电能，降低联合系统与区域电网的净负荷差值。
S120、根据风电—抽水蓄能联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差和日前日内出力偏差量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束等约束条件，建立风电-抽水蓄能联合系统多目标容量优化模型。
本发明实施例中，在建立含抽水蓄能机组的风电—抽水蓄能联合系统模型后，考虑到大型抽水蓄能电站的开发容量受到自然条件限制，抽蓄电站的水库库容及装机容量较为固定，因此在确定抽蓄装机容量及机组组成的基础上，求解风电最优开发容量配比。考虑到随着风电发电开发规模增大，风电—抽水蓄能联合开发可以有效降低联合系统整体的度电成本，提高联合系统在电力市场中的竞争力，但同时会导致抽水蓄能电站对区域电网的调峰能力变差，风电并网后的偏差性对电网的运行扰动增加，因此，选取联合系统的度电成本、调峰效果和日前日内的出力偏差量为目标函数，考虑风电运行约束、装机容量约束、水库库容约束和机组状态约束等约束条件，构建考虑风电出力不确定性的风电—抽水蓄能联合系统多目标优化模型。
S130、以生成对抗网络场景生成模型和K-means聚类算法结合的方式生成风电概率优化场景。
本发明实施例中，考虑到风电出力不确定性对系统运行的影响，采用生成对抗网络场景生成模型和K-means聚类算法结合的方式生成风电概率场景，采用GAN场景生成模型训练样本数据，生成服从样本数据概率分布的风电出力场景集，采用K-means聚类算法对场景集进行消减聚类，生成能涵盖风电年出力特性的典型日概率场景和典型日下风电出力的日内随机优化场景。
S140、以spea2多目标算法和混合整数线性模型构建嵌套算法。
S150、求解风电—抽水蓄能联合系统容量优化模型，得到容量优化配置方案。
本发明实施例中，采用内外层模型嵌套来求解多目标问题，外层优化模型属于容量规划求解问题，使用spea2多目标算法求解系统度电成本、区域电网与联合系统净负荷峰谷差和日前日内的出力偏差量三个目标函数；内层优化求解系统运行问题，构建混合整数线性模型（MILP）求解调峰效果和日前日内的出力偏差量两个线性目标，优化系统的运行状态，通过内外层模型嵌套配合，解决复杂约束条件下的多目标容量优化求解问题。通过嵌套算法求解多目标模型，获得容量优化配置方案。
以上可知，本发明实施例提供的用于风电—抽水蓄能联合系统的容量优化配置方法，通过建立含抽水蓄能机组的风电—抽水蓄能联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差和日前日内出力偏差量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束等约束条件，建立风电-抽水蓄能联合系统多目标容量优化模型，采用生成对抗网络场景生成模型和K-means聚类算法结合的方式生成风电概率优化场景，最后采用spea2多目标算法和混合整数线性模型结合的嵌套算法求解该模型，可以得到风电—抽水蓄能联合系统的容量优化配置方案，形成高质量稳定外送绿色电力，提高新能源消纳，实现新能源友好并网利用。
具体的，上述实施例中，目标函数的表达式为：
；
；
；
；
；
；
；
其中，代表联合系统的平准化度电成本，/>代表联合系统与区域电网的净负荷峰谷差，/>代表联合系统日前日内出力偏差量，/>代表第k个典型日第s种日内情况联合系统日前日内出力偏差量，/>为系统风电和抽蓄电站的总初始投资建造成本，/>为系统全生命周期的运行维护成本，/>为风电场在系统生命周期中的机组替换成本，/>为抽蓄机组在系统生命周期中的机组替换成本，/>为联合系统的全生命周期年限，/>为风电机组的使用年限，/>为抽蓄机组的使用年限；D为一年中天数，/>为在系统全生命周期内风电机组所需替换次数，/>为在系统全生命周期内抽蓄机组所需替换次数，/>为风电典型日出力场景数，/>为典型日k风电的年发电量，/>为典型日k联合系统外购电量，/>为典型日k抽水蓄能电站的年发电量，/>为折现率；/>为联合系统的对外购电单价，/>为典型日k场景概率，/>为典型日k在时段t的区域电网净负荷，/>和分别为典型日k区域电网净负荷的最大值和最小值，/>为典型日k在时段t的区域电网负荷，/>和/>为典型日k时段t的风-蓄联合系统的净发电和净用电功率，/>和为典型日k场景s在时段t联合系统的净发电和净用电功率，/>为典型日k场景s的概率，/>为风电典型日日内日场景数；
所述风电机组装机容量约束的表达式为：
；
所述风电机组出力约束的表达式为：
；
；
其中，代表风电总装机容量，/>代表受自然条件限制的风电最大装机容量，/>代表第k个典型日日前预测下t时刻的风电出力标幺值，/>代表第k个典型日日前预测下t时刻的风电上网功率，/>为典型日k场景s风电在时段t的最大出力；
所述抽蓄机组日前运行约束的表达式为：
；
；
；
；
其中，和/>分别为典型日k抽蓄机组n在时段t的发电和抽水功率；/>和/>分别表示典型日k抽蓄机组n在时段t的发电和抽水工况的0-1变量；/>和分别为抽蓄机组n的发电和抽水功率的最大值和最小值；
所述水库库容与水位日前约束的表达式为：
；
；
；
其中，和/>分别为典型日k一个调度周期初始时段和末时段的上水库水位；/>为典型日k上水库在时段t的库容；/>和/>分别为典型日k抽蓄机组n在时段t的抽水流量和发电流量；/>和/>分别为上水库的库容上下限；T为一个调度周期，取24h；/>为抽蓄机组总台数；
考虑典型日的日内风电出力场景中，风电日内出力与典型日出力有所不同，抽蓄和风电进行日内出力调节，降低风电预测的不确定性对电网运行的影响。上述抽蓄运行约束与水库水位约束考虑的日内调度模型与日前类似，在此不再赘述。
所述联合系统外送约束的表达式为：
；
；
其中，为外送通道容量上限；
所述联合系统弃电约束的表达式为：
；
可选的，上述实施例中，联合系统优化场景生成方法，包括：
采用生成对抗网络场景生成模型(Generative adversarial network, GAN)和K-means聚类算法结合的方式生成风电概率场景，采用GAN场景生成模型训练样本数据，生成服从样本数据概率分布的风电出力场景集，采用K-means聚类算法对场景集进行消减聚类，生成能涵盖风电年出力特性的典型日概率场景和典型日下风电出力的日内随机优化场景。
可选的，上述实施例中，求解风电-抽水蓄能联合系统容量优化模型，得到容量配置优化结果，包括：
采用内外层模型嵌套来求解多目标问题，外层优化模型属于容量规划求解问题，使用spea2多目标算法求解系统度电成本、区域电网与联合系统净负荷峰谷差和日前日内的出力偏差量三个目标函数；内层优化求解系统运行问题，构建混合整数线性模型（MILP）求解调峰效果和日前日内的出力偏差量两个线性目标，优化系统的运行状态，通过内外层模型嵌套配合，解决复杂约束条件下的多目标容量优化求解问题。
本发明实施例中，在外层模型中采用多目标算法求解多目标容量优化问题，内层模型利用混合整数线性规划法求解系统的运行状态，可以得到联合系统容量优化配置方案。
具体实施时，可以采用Cplex、Gurobi等求解器进行求解，例如，可以采用CPLEX12.6求解器对该风电-抽水蓄能联合系统容量配置模型进行求解，得到风电-抽水蓄能联合系统容量配置方案。
为展现本发明提供的用于风电-抽水蓄能联合系统的容量优化配置方法的有效性，下面结合具体的应用场景进行说明。
请参阅图2和图3，图2是本发明实施例中风电—抽水蓄能联合系统的系统示意图，图3是本发明实施例中风电—抽水蓄能联合系统中风电的典型场景出力图。如图2所示，该风电—抽水蓄能联合系统包含风电场、抽水蓄能电站和区域电网。
首先建立风电—抽水蓄能联合系统容量优化的目标函数如下：
；
；
；
；
；
；
；
接着，建立日前调度阶段的风电—抽水蓄能联合系统容量优化配置的约束条件如下：
1）建立风电机组装机容量约束：
；
2）建立风电机组出力约束：
；
；
3）建立抽蓄机组日前运行约束：
；
；
；
；
其中，抽水蓄能电站的参数见表1：
表1
4）建立水库日前库容与水位约束：
；
；
；
考虑典型日的日内风电出力场景中，风电日内出力与典型日出力有所不同，抽蓄和风电进行日内出力调节，降低风电预测的不确定性对电网运行的影响。上述抽蓄运行约束与水库水位约束考虑的日内调度模型与日前类似，在此不再赘述。
5）建立联合系统外送约束：
；
；
5）建立联合系统弃电约束：
再然后，采用生成对抗网络场景生成模型和K-means聚类算法结合的方式生成能涵盖风电年出力特性的典型日概率场景和典型日下风电出力的日内随机优化场景；采用spea2多目标算法与混合整数线性模型嵌套配合，解决风电—抽水蓄能联合系统的多目标容量优化求解问题。
最后，采用CPLEX 12.6求解器对风电—抽水蓄能联合系统容量优化模型进行求解，获得风电—抽水蓄能联合系统的容量优化配置方案参见表2以及图5至图8。
表2
图4为本发明实施例中风电—抽水蓄能联合系统容量配置嵌套算法的流程示意图；图5为本发明实施例中风电—抽水蓄能联合系统容量优化的Pareto示意图；图6为本发明实施例中风电—抽水蓄能联合系统容量优化目标度电成本与净负荷峰谷差趋势示意图；图7为本发明实施例中风电—抽水蓄能联合系统容量优化目标度电成本与系统日前日内出力偏差趋势示意图；图8为本发明实施例中风电—抽水蓄能联合系统容量优化目标净负荷峰谷差与系统日前日内出力偏差趋势示意图。
如图9所示，本实施例中还包括一种风电、抽水蓄能系统的容量配置装置，使用如上述的方法，包括：
联合系统模型建模单元，联合系统模型建模单元用于建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；
多目标容量优化模型建立单元，多目标容量优化模型建立单元根据联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；
典型场景生成单元，典型场景生成单元采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列；
容量配置求解单元，容量配置求解单元采用多目标算法与混合整数线性模型构建嵌套算法，求解多目标容量优化模型，得到容量优化的配置方案。
请参见图10示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。
其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
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发明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必针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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，并且本发明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，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种风电、抽水蓄能系统的容量配置方法，其特征在于，包括如下步骤：
建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；
根据所述联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；
采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列；
采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，得到容量优化的配置方案。
2.根据权利要求1所述的风电、抽水蓄能系统的容量配置方法，其特征在于，所述联合系统模型中，抽水蓄能机组表示为：
；
；
其中，和/>分别为典型日k抽蓄机组n在时段t的抽水流量和发电流量；/>和/>分别为抽水蓄能机组的抽水和发电效率；/>为管道输送效率；/>为水密度；/>为重力加速度；/>为水头高度；/>和/>分别为抽水蓄能机组抽水和发电工况下的流量功率比；/>和/>分别为典型日k抽蓄机组n在时段t的发电和抽水功率。
3.根据权利要求2所述的风电、抽水蓄能系统的容量配置方法，其特征在于，所述目标函数包括：
；
；
；
；
；
；
；
其中，代表联合系统的平准化度电成本，/>代表联合系统与区域电网的净负荷峰谷差，/>代表联合系统日前日内出力偏差量，/>代表第k个典型日第s种日内情况联合系统日前日内出力偏差量，/>为系统风电和抽蓄电站的总初始投资建造成本，/>为系统全生命周期的运行维护成本，/>为风电场在系统生命周期中的机组替换成本，/>为抽蓄机组在系统生命周期中的机组替换成本，/>为联合系统的全生命周期年限，i为年限，取值为1至/>，/>为风电机组的使用年限，/>为抽蓄机组的使用年限；D为一年中天数，为在系统全生命周期内风电机组所需替换次数，j为次数，取值为1至/>，/>为在系统全生命周期内抽蓄机组所需替换次数，l为次数，取值为1至/>，/>为风电典型日出力场景数，/>为典型日k风电的年发电量，/>为典型日k联合系统外购电量，为典型日k抽水蓄能电站的年发电量，/>为折现率；/>为联合系统的对外购电单价，为典型日k场景概率，/>为典型日k在时段t的区域电网净负荷，/>和/>分别为典型日k区域电网净负荷的最大值和最小值，/>为典型日k在时段t的区域电网负荷，和/>为典型日k时段t的风-蓄联合系统的净发电和净用电功率，/>和/>为典型日k场景s在时段t联合系统的净发电和净用电功率，/>为典型日k场景s的概率，/>为风电典型日日内日场景数；T为一个调度周期，取24。
4.根据权利要求3所述的风电、抽水蓄能系统的容量配置方法，其特征在于，所述风电机组装机容量约束为：
；
所述风电机组出力约束为：
；
；
其中，代表风电总装机容量，/>代表受自然条件限制的风电最大装机容量，代表第k个典型日日前预测下t时刻的风电出力标幺值，/>代表第k个典型日日前预测下t时刻的风电上网功率，/>为典型日k场景s风电在时段t的实际上网功率；/>为典型日k场景s风电在时段t的最大出力；
所述抽蓄机组日前运行约束为：
；
；
；
；
其中， 和/>分别表示典型日k抽蓄机组n在时段t的发电和抽水工况的0-1变量；/>和/>分别为抽蓄机组n的发电功率的最大值和最小值；/>和/>分别为抽蓄机组n的抽水功率的最大值和最小值；
所述水库库容与水位日前约束的表达式为：
；
；
；
其中，和/>分别为典型日k一个调度周期初始时段和末时段的上水库水位；/>为典型日k上水库在时段t的库容； />和/>分别为上水库的库容上下限；T为一个调度周期，取24h；/>为抽蓄机组总台数；
所述联合系统外送约束的表达式为：
；
；
其中，为外送通道容量上限；
所述联合系统弃电约束的表达式为：
。
5.根据权利要求1所述的风电、抽水蓄能系统的容量配置方法，其特征在于，所述采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列，包括：
采用生成对抗网络场景生成模型训练样本数据，生成服从样本数据概率分布的风电出力场景集；
采用K-means聚类算法对所述场景集进行消减聚类，生成能涵盖风电年出力特性的典型日概率场景和典型日下风电出力的日内随机优化场景。
6.根据权利要求5所述的风电、抽水蓄能系统的容量配置方法，其特征在于，所述采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，包括：
以多目标算法作为外层，以混合整数线性模型作为内层，构建嵌套算法；
使用多目标算法求解系统度电成本、区域电网与联合系统净负荷峰谷差和日前日内的出力偏差量三个目标函数；
使用混合整数线性模型求解调峰效果和日前日内的出力偏差量两个线性目标，优化系统的运行状态。
7.一种风电、抽水蓄能系统的容量配置装置，其特征在于，使用如权利要求1至6任一项所述的方法，包括：
联合系统模型建模单元，所述联合系统模型建模单元用于建立含变速抽水蓄能机组的风电、抽水蓄能联合系统模型；
多目标容量优化模型建立单元，所述多目标容量优化模型建立单元根据所述联合系统模型，选取平准化度电成本、联合系统与区域电网净负荷峰谷差、日前日内出力波动量作为目标函数，考虑风电出力约束、抽蓄机组运行约束、水库库容及水位约束的约束条件，建立风电、抽水蓄能联合系统多目标容量优化模型；
典型场景生成单元，所述典型场景生成单元采用生成对抗网络场景生成模型和K-means聚类算法，生成典型风电出力序列；
容量配置求解单元，所述容量配置求解单元采用多目标算法与混合整数线性模型构建嵌套算法，求解所述多目标容量优化模型，得到容量优化的配置方案。
8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的方法。
9.一种存储介质，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1-6中任一项所述的方法。
CN202310939505.3A 2023-07-28 2023-07-28 风电、抽水蓄能系统的容量配置方法、装置、设备及介质 Active CN116667446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310939505.3A CN116667446B (zh) 2023-07-28 2023-07-28 风电、抽水蓄能系统的容量配置方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310939505.3A CN116667446B (zh) 2023-07-28 2023-07-28 风电、抽水蓄能系统的容量配置方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116667446A true CN116667446A (zh) 2023-08-29
CN116667446B CN116667446B (zh) 2023-09-26

Family

ID=87710037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310939505.3A Active CN116667446B (zh) 2023-07-28 2023-07-28 风电、抽水蓄能系统的容量配置方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116667446B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728474A (zh) * 2024-02-08 2024-03-19 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN118508530A (zh) * 2024-07-19 2024-08-16 河海大学 混合式抽蓄日前调峰调度方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN112541609A (zh) * 2020-07-06 2021-03-23 河海大学 风光热和水蓄能联合可再生能源发电系统容量优化模型
CN114662986A (zh) * 2022-04-20 2022-06-24 长江勘测规划设计研究有限责任公司 基于源荷匹配程度的风光蓄灌系统容量规划方法
CN115759421A (zh) * 2022-11-17 2023-03-07 国网新源控股有限公司 全功率变频抽蓄与风电联合供电优化配置系统及方法
CN115940207A (zh) * 2022-11-21 2023-04-07 国网甘肃省电力公司电力科学研究院 基于平抑风光波动的抽水蓄能容量优化配置方法
CN115954957A (zh) * 2023-01-30 2023-04-11 中国长江三峡集团有限公司 一种复合发电系统的容量配置方法、装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541609A (zh) * 2020-07-06 2021-03-23 河海大学 风光热和水蓄能联合可再生能源发电系统容量优化模型
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN114662986A (zh) * 2022-04-20 2022-06-24 长江勘测规划设计研究有限责任公司 基于源荷匹配程度的风光蓄灌系统容量规划方法
CN115759421A (zh) * 2022-11-17 2023-03-07 国网新源控股有限公司 全功率变频抽蓄与风电联合供电优化配置系统及方法
CN115940207A (zh) * 2022-11-21 2023-04-07 国网甘肃省电力公司电力科学研究院 基于平抑风光波动的抽水蓄能容量优化配置方法
CN115954957A (zh) * 2023-01-30 2023-04-11 中国长江三峡集团有限公司 一种复合发电系统的容量配置方法、装置和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAMDY M. SULTAN 等: ""Optimal Configuration of a Grid-Connected Hybrid PV/Wind/Hydro-Pumped Storage Power System Based on a Novel Optimization Algorithm"", 《 2020 INTERNATIONAL YOUTH CONFERENCE ON RADIO ELECTRONICS, ELECTRICAL AND POWER ENGINEERING (REEPE)》, pages 1 - 7 *
YANG LI 等: ""Coordinated multi-objective capacity optimization of wind-photovoltaic-pumped storage hybrid system"", 《ENERGY REPORTS》, no. 8, pages 1303 *
戴嘉彤，董海鹰: ""基于抽水蓄能电站的风光互补发电系统容量优化研究"", 《电网与清洁能源》, vol. 35, no. 6, pages 76 - 82 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728474A (zh) * 2024-02-08 2024-03-19 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN117728474B (zh) * 2024-02-08 2024-04-26 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN118508530A (zh) * 2024-07-19 2024-08-16 河海大学 混合式抽蓄日前调峰调度方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116667446B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN116667446B (zh) 风电、抽水蓄能系统的容量配置方法、装置、设备及介质
Teng et al. Assessment of the role and value of frequency response support from wind plants
Tang et al. Look-ahead economic dispatch with adjustable confidence interval based on a truncated versatile distribution model for wind power
Shropshire et al. Benefits and cost implications from integrating small flexible nuclear reactors with off-shore wind farms in a virtual power plant
Ssenyimba et al. Designing a solar and wind hybrid system for small-scale irrigation: a case study for Kalangala district in Uganda
Nykamp et al. Storage operation for peak shaving of distributed PV and wind generation
CN107832542A (zh) 一种基于时空尺度消纳风光的机组组合优化调度方法
Krenn et al. Small and mid-size pump-turbines with variable speed
CN117713160A (zh) 混合式抽蓄电站容量优化配置方法、装置、设备及介质
CN106339773A (zh) 基于灵敏度的主动配电网分布式电源定容规划方法
CN111864811A (zh) 一种考虑电网送出需求的水光互补系统光伏容量配置方法
CN111553572B (zh) 考虑电量计划执行风险的月度机组组合优化方法
Ye et al. Stochastic scheduling of integrated electricity-heat-hydrogen systems considering power-to-hydrogen and wind power
CN116933493A (zh) 基于时序生产模拟的碳排放量计算方法、装置及存储介质
Helistö et al. The impact of sector coupling and demand-side flexibility on electricity prices in a close to 100% renewable power system
CN116151807A (zh) 发电机组的检修确定方法、装置和电子设备
Li et al. Optimal Configuration and Economic Operation of Wind–Solar-Storage Complementary System for Agricultural Irrigation in Mountainous Areas
Cheng et al. The joint design of a compressed air and wind energy system for mechanical spillage recovery
Gumilar et al. Load Factor Improvement on Daily Load Curve Using Pump Storage to SavingProduction Cost
Sahin et al. New Frequency Control Philosophy for Future Hybrid Power Plants
CN117638874B (zh) 一种基于源网荷储协同优化的新能源系统成本确定方法
CN117767306B (zh) 一种利用灵活性资源短时校正网供负荷偏差的方法、系统及存储介质
CN118412900B (zh) 基于特征提取的微网电氢储能优化配置方法、装置及介质
Naval et al. Integrated scheduling of grid-connected PV pumping stations and irrigation water systems
CN113077096B (zh) 一种电力交易中心计划电比例确定方法

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