CN116865358A - 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 - Google Patents
多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 Download PDFInfo
- Publication number
- CN116865358A CN116865358A CN202310882944.5A CN202310882944A CN116865358A CN 116865358 A CN116865358 A CN 116865358A CN 202310882944 A CN202310882944 A CN 202310882944A CN 116865358 A CN116865358 A CN 116865358A
- Authority
- CN
- China
- Prior art keywords
- wind
- time
- optimization
- unit
- objective function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 241000668842 Lepidosaphes gloverii Species 0.000 title claims abstract description 56
- 239000002699 waste material Substances 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 106
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 72
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 37
- 229910052799 carbon Inorganic materials 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 235000019580 granularity Nutrition 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备,包括:构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;构建改进NSGA‑II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA‑II算法对所述改进NSGA‑II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。本发明确保了电力系统整体的经济性和环保性。
Description
技术领域
本发明涉及电力系统电力调度技术领域,尤其涉及一种多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备。
背景技术
以新能源为主体的新型电力系统中包含风电和太阳能等可再生能源;然而,风电受自然环境的影响较大,具有明显的随机性和波动性,全额消纳风电还可能造成电网峰谷差、深度调峰及调峰成本剧增,甚至引起电网潜在的运行风险。因此在风电出力较大和负荷低谷时,需要有选择的弃掉一部分风电出力。相关技术中综合最小弃风指标与最高可靠性水平指标,对风电接入容量大小进行优化,通过放弃部分风电可以实现系统的优化运行,但未考虑弃风量随时间尺度的变化。另外一些相关技术中通常以小时级的分辨率参与调度运算,忽略了离散时长近似分布产生的误差。小时级的离散时长未能体现出净负荷梯度变化的细节,且风电功率可能在小时内发生较大变化,因此采用传统小时级模型不能满足对灵活性的需求,需要更灵活地优化时长间隔才能更好地应对净负荷的变化。而采用精细的时长分辨率虽然可以节省运行成本,但增加时长间隔会导致求解时长呈指数增长;而使用小时汇总的模式虽然降低了计算复杂度,但不能精确跟踪净负荷的变动。因此,开发一种多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备,可以有效克服上述相关技术中的缺陷,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备。
第一方面,本发明提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪方法,包括:构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
在上述方法内容的基础上,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建多时长尺度弃风模型的弃风目标函数,包括:
PLt=Pd,t-(1-λw,t)Pw,t
其中:F1为电力系统净负荷方差;t为不同时长粒度下的时长序列第t个时长段;PLt为第t个时长段下的电力系统净负荷;PLave,t为电力系统在整个调度周期内净负荷的平均值;Pd,t为第t个时长段初始负荷;λw,t为t时长段的弃风率,且λw,t为变量,λw,t∈[0,1];Pw,t为t时长段风电场的输出功率;min为取最小值符号;T为一个调度周期的时段数。
在上述方法内容的基础上,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述对所述弃风目标函数构建弃风约束条件,包括:
0≤Pw,t≤Pw,max
其中,Pw,max为t时长段风电场的最大出力;kw,max表示风电场允许的最大弃风率;max为取最大值符号。
在上述方法的基础上,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,包括:
其中,NL为净负荷曲线分段总数;Pave,a为a分段内的净负荷平均值;Pave为所有时刻负荷平均值;La为a分段内的负荷点总数;Pave,b为第b个负荷点的净负荷平均值;PLab为第a个净负荷分段内第b个负荷点的负荷大小;M1为表征不同时长段净负荷的平均值之间离散型的指标;M2为属于同一时长段内净负荷离散性的指标。
在上述方法的基础上,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,包括:对选择策略中的比例因子进行改进,改进后的自适应比例因子为:
Cm=Nm·ξm,m=1,2,…Dmax
其中,Cm为从所选取的种群中第m个非支配层里取得的个体数目;Nm为第m个非支配层的个体数量;ξm为比例因子;Dmax为非支配层的数目;zm为第一变量参数,xm为第二变量参数,取值范围均为[0.5,1],且zm<xm;k为迭代次数;kmax为最大迭代次数。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,包括:
minF2=C1+C2+C3
其中,F2为火电机组和风电系统参与优化调度的电网运行成本;C1为调峰成本,具体包括:
其中,C(Pi,t)为火电机组的调峰成本,Pi,t为火电机组i在时长段t的出力,Pmax为火电机组出力最大值,Pmin为基本调峰阶段机组出力最小值,Pn为不投油深度调峰阶段机组最小出力,Pm为投油深度调峰阶段机组最小出力,Closs为机组深度调峰时产生的寿命损耗成本,Coil为投油成本;C2为系统旋转备用成本,具体包括:
其中,ρres为系统旋转备用成本系数;Rup,load、Rdown,load分别为正、负旋转备用容量;C3为碳交易成本,具体包括:
C3=Ce+Cw
其中,Ce为火电机组的碳交易成本;Cw为风电场的碳交易成本;
Ce=σ(Qet-Qqt)
其中,σ为火电机组在t时刻的碳交易价格;Qet为火电机组在t时刻的碳排放量;Qqt为火电机组在t时刻的碳排放配额;
其中,li为火电机组i的单位电量碳排放强度;λ为风电备用容量系数;N为火电机组总台数;
其中,β为单位电量碳交易配额;
Cw=σ(Qwet-Qwt)
Qwt=βPw,t
其中,Qwet为风电场在t时刻的碳排放量;Qwt为风电场在t时刻的碳排放配额。
所述对所述下层优化目标函数构建优化约束条件,包括:电力系统功率平衡约束:
热备用约束:
其中,Pi,max为机组i的最大出力限制;ρ为热备用系数;;ui,t为火电机组i在t时长段的启停状态变量;
机组出力约束:
ui,tPi,min≤Pi,t≤ui,tPi,max
其中,Pi,min为机组i的最小出力限制;
机组爬坡约束:
-Ru≤Pi,t-Pi,t-1≤Ru
其中,Ru为火电机组的爬坡速率;Pi,t-1为火电机组i在时长段t-1的出力;
机组启停时间约束:
其中,Ti,on、Ti,off为火电机组i的最小开机、停机时刻;Ti,t-1,on、Ti,t-1,off为火电机组i在t-1时长段的运行、关闭时长;
启停费用约束:
其中,Hi为机组i的单次启动成本;Ji为机组i的单次关停成本;为火电机组i在时段t的启动成本;/>为火电机组i在时段t的关停成本;
潮流安全约束:
PL,min≤Pi,t≤PL,max
其中,PL,min为线路L的最小潮流约束;PL,max为线路L的最大潮流约束;
正、负旋转备用约束:
其中,r1、r2分别为由风电接入而增加的上、下旋转备用容量系数,取值范围为[0.1,0.2]。
第二方面,本发明提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪装置,包括:第一主模块,用于实现构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;第二主模块,用于实现构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;第三主模块,用于实现构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
第三方面,本发明提供了一种电子设备,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,执行第一方面的各种实现方式中任一种实现方式所提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法。
第四方面,本发明提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法。
本发明的有益效果:充分采用时长粒度对于负荷梯度变化的调节能力,减小负荷的偏差,更好地处理净负荷的随机波动性,有效解决负荷低谷期时由于风电消纳较大而导致的调峰成本剧增,以及传统小时级调度因可再生能源的波动而不能精确跟踪负荷波动的问题,确保了电力系统整体的经济性和环保性。
附图说明
图1为本发明的多时长尺度电力系统风电弃风及负荷波动跟踪方法流程示意图;
图2为本发明的多时长尺度电力系统风电弃风及负荷波动跟踪装置结构示意图;
图3为本发明的电子设备的实体结构示意图;
图4为本发明的改进NSGA-II算法求解最优净负荷曲线分段流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
通过构建多时长尺度下考虑合理弃风的净负荷曲线自适应分段双层经济调度模型,包括上层优化模型和下层优化模型两部分。上层优化模型,划分目标是在不同时长粒度下,满足出力约束和弃风率约束,使系统净负荷方差尽量小,得到各时长段净负荷曲线。同时,将风电并网后的净负荷曲线在满足时长段划分约束的基础上,采用改进NSGA-II求解目标函数,求得时长分段点,得到阶梯净负荷曲线。该模型通过合理弃风后,得到的净负荷曲线相对平缓,能有效避免系统深度调峰,减少系统调峰成本。下层优化模型,划分目标是基于上层模型传递的阶梯净负荷曲线,以受端电网运行成本最小,对各时长段火电机组出力进行优化。目标函数中考虑多项成本,包括火电机组总运行成本、风电、系统旋转备用成本、碳交易成本,通过CPLEX求解器求出各时长段火电机组的出力安排、启停安排和最小运行成本。该模型减小负荷偏差,能较好地处理净负荷的随机波动性,使得火电机组稳定运行时长长,启停次数少,进而减少机组启停成本。基于此,本发明提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪方法,参见图1,该方法包括:构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
作为一种可选的实施例,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建多时长尺度弃风模型的弃风目标函数,包括:
PLt=Pd,t-(1-λw,t)Pw,t (2)
其中:F1为电力系统净负荷方差;t为不同时长粒度下的时长序列第t个时长段;PLt为第t个时长段下的电力系统净负荷;PLave,t为电力系统在整个调度周期内净负荷的平均值;Pd,t为第t个时长段初始负荷;λw,t为t时长段的弃风率,且λw,t为变量,λw,t∈[0,1];Pw,t为t时长段风电场的输出功率;min为取最小值符号;T为一个调度周期的时段数。
具体的,因风电的反调峰特性,少数风电尖峰出力大都发生在低负荷时段,因此为消纳更多风电尖峰出力应减少系统的火电出力,但同时导致旋转备用成本增加,这样会造成系统总运行成本急剧增大。因此放弃负荷低谷时段的一部分风电出力,可以提高系统经济性。对此,提出了在5min、15min、30min和1h不同时间粒度下,以系统净负荷方差最小为优化目标,考虑风电出力和弃风率约束条件,建立优化模型,并利用CPLEX求解器求解。由于负荷和风电出力的不确定性,系统电负荷峰谷差较大,模型以舍弃适量的风力发电为代价保证净负荷方差逐步减小,从而使净负荷曲线越平缓。目标函数为系统净负荷方差最小,则目标函数如式(1)到式(3)所示。
作为一种可选的实施例,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述对所述弃风目标函数构建弃风约束条件,包括:
0≤Pw,t≤Pw,max (4)
其中,Pw,max为t时长段风电场的最大出力;kw,max表示风电场允许的最大弃风率;max为取最大值符号。具体的,式(4)为风电出力约束条件,式(5)为弃风率约束条件。
作为一种可选的实施例,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,包括:
其中,NL为净负荷曲线分段总数;Pave,a为a分段内的净负荷平均值;Pave为所有时刻负荷平均值;La为a分段内的负荷点总数;Pave,b为第b个负荷点的净负荷平均值;PLab为第a个净负荷分段内第b个负荷点的负荷大小;M1为表征不同时长段净负荷的平均值之间离散型的指标;M2为属于同一时长段内净负荷离散性的指标。
具体的,采用多目标优化的方法对净负荷曲线进行分段处理,其中优化目标为表征不同时段净负荷的平均值之间离散型的指标M1最大,表征属于同一时段内净负荷离散性的指标M2最小。为使优化目标方向一致,对优化目标M1取倒数处理,即净负荷曲线优化分段的目标如式(6)所示。
优化分段后每个分段内各时刻的净负荷值取该分段的负荷平均值。当净负荷曲线划分成NL个分段,则有NL-1个负荷分段点,即优化控制变量为t1,t2,…,tN-1,其中负荷分段点不能超过全天范围24小时,且分段点之间不能相等,则控制变量约束如(7)式所示。
作为一种可选的实施例,本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,包括:对选择策略中的比例因子进行改进,改进后的自适应比例因子为:
其中,Cm为从所选取的种群中第m个非支配层里取得的个体数目;Nm为第m个非支配层的个体数量;ξm为比例因子;Dmax为非支配层的数目;zm为第一变量参数,xm为第二变量参数,取值范围均为[0.5,1],且zm<xm;k为迭代次数;kmax为最大迭代次数。
具体的,NSGA-II算法的一般过程为:首先随机生成一个包含n个个体的种群,即父代种群,并对父代种群中的个体进行非支配排序;然后计算个体拥挤度,由个体拥挤度大小决定所在层级,采用选择算子选出适当的个体放入交配池中,对池中的个体进行交叉、变异等操作产生下一代种群;最后,使用精英策略,按设定比例排除不达标的个体,让优秀的个体进入下一代优化,由此通过多次迭代来获得最终的Pareto集合。
NSGA-II算法改进策略
自适应比例因子
NSGA-II算法的选择机制为联赛选择法,在该规则中,判定个体优劣的指标是非支配等级和拥挤度距离。在同非支配层中,个体n(除两个端点外)的拥挤度仅由前后相邻两个体目标函数值的差值决定,导致种群多样性变差。为了减少重复个体数量并增加种群的多样性,本文对选择策略中的比例因子进行了改进,规则如式(8)所示。
需要说明的是,zm、xm只与m有关,其初始值设置为zm=0.5,xm=1,随着m的增加,zm和xm均以0.01的间隔减小。比例因子ξm是由m和k共同决定的动态变量。从非支配层分层排序来看,排序越靠后的非支配层含有的优势个体越少,而ξm是随着m的增大而减小的,这样可有效减少劣势个体的数量。
正态分布交叉算子
传统的NSGA-II一般采用模拟二进制交叉算子(SBX)生成子代,因其搜索范围有限,易产生局部最优,并导致进化过程存在不稳定性。针对传统NSGA-II的不足,本文在交叉过程中引入正态分布交叉算子(NDX),可以有效增强算法的空间搜索能力,并进一步提高收敛速度,降低计算成本。假定父代种群为P1、P2,子代种群为Q1、Q2,对于个体i,利用NDX交叉生成子代的过程如下。
产生一个随机数r∈[0,1],当r≤0.5时:
当r>0.5时:
式中,P1,x为父代种群1的个体x;P2,x为父代种群2的个体x;Q1,x为子代种群1的个体x;Q2,x为子代种群2的个体x;N(0,1)为正态分布随机变量。
本发明采用改进NSGA-II算法求解本说明优化模型,流程如图4所示。需要补充说明的是,在获得Pareto非劣解集后可根据模糊隶属度函数挑选折中解。隶属度值可反映决策者对各优化目标的满意程度,然后加权各目标函数的属度值可求取模型折中解。
需要说明的是,精英策略是指父代种群有n个,父代种群和子代种群合并后,经过优胜劣汰的筛选,使种群的个数仍等于n。优胜劣汰的具体方法为:(1)将父代种群和子代种群合并形成新的种群。之后对新种群进行非支配排序,将种群分成了不同个Pareto等级。(2)进行新的父代的生成工作,先将Pareto等级为1的非支配个体放入新的父代集合当中,之后将Pareto等级为2的个体放入新的父代种群中,以此类推。(3)若等级为k的个体全部放入新的父代集合中后,集合中个体的数量小于n,而等级为k+1的个体全部放入新的父代集合中后,集合中的个体数量大于n,则对第k+1等级的全部个体计算拥挤度并将所有个体按拥挤度进行降序排列,之后将等级大于k+1的个体全部淘汰。(4)将等级k+1中的个体按步骤2中排好的顺序逐个放入新的父代集合中,直到父代集合中的个体数量等于n,剩余的个体被淘汰。Pareto非劣解集即是一种非支配排序,Pareto支配关系:本发明是最小化双目标优化问题,目标分别是1/M1和M2,个体x1,x2,如果有以下两个条件同时成立,则称x1支配x2,(a)1/M1(x1)≤1/M1(x2),M2(x1)≤M2(x2);(b)1/M1(x1)<1/M1(x2)或者M2(x1)<M2(x2),即任意一个目标函数,x1的函数值都不大于x2的函数值,并且在这些目标函数中至少存在一个目标函数,使x1的函数值严格比x2的函数值小,则x1支配x2。其中,x1和x2代表不同的分段结果。
如果对于一个决策变量,不存在其他决策变量能够支配他,那么就称该决策变量为非支配解。Pareto等级:在一组解中,非支配解Pareto等级定义为1,将非支配解从解的集合中删除,剩下解中的非支配解Pareto等级定义为2,依次类推,可以得到该解集合中所有解的Pareto等级。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,包括:
minF2=C1+C2+C3 (11)
其中,F2为火电机组和风电系统参与优化调度的电网运行成本;C1为调峰成本,具体包括:
其中,C(Pi,t)为火电机组的调峰成本,Pi,t为火电机组i在时长段t的出力,Pmax为火电机组出力最大值,Pmin为基本调峰阶段机组出力最小值,Pn为不投油深度调峰阶段机组最小出力,Pm为投油深度调峰阶段机组最小出力,Closs为机组深度调峰时产生的寿命损耗成本,Coil为投油成本;C2为系统旋转备用成本,具体包括:
其中,ρres为系统旋转备用成本系数;Rup,load、Rdown,load分别为正、负旋转备用容量;C3为碳交易成本,具体包括:
C3=Ce+Cw (14)
其中,Ce为火电机组的碳交易成本;Cw为风电场的碳交易成本;
Ce=σ(Qet-Qqt) (15)
其中,σ为火电机组在t时刻的碳交易价格;Qet为火电机组在t时刻的碳排放量;Qqt为火电机组在t时刻的碳排放配额;
其中,li为火电机组i的单位电量碳排放强度;λ为风电备用容量系数;N为火电机组总台数;
其中,β为单位电量碳交易配额;
Cw=σ(Qwet-Qwt) (19)
Qwt=βPw,t (21)
其中,Qwet为风电场在t时刻的碳排放量;Qwt为风电场在t时刻的碳排放配额。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,所述对所述下层优化目标函数构建优化约束条件,包括:电力系统功率平衡约束:
热备用约束:
其中,Pi,max为机组i的最大出力限制;ρ为热备用系数;;ui,t为火电机组i在t时长段的启停状态变量;
机组出力约束:
ui,tPi,min≤Pi,t≤ui,tPi,max (24)
其中,Pi,min为机组i的最小出力限制;
机组爬坡约束:
-Ru≤Pi,t-Pi,t-1≤Ru (25)
其中,Ru为火电机组的爬坡速率;Pi,t-1为火电机组i在时长段t-1的出力;
机组启停时间约束:
其中,Ti,on、Ti,off为火电机组i的最小开机、停机时刻;Ti,t-1,on、Ti,t-1,off为火电机组i在t-1时长段的运行、关闭时长;
启停费用约束:
其中,Hi为机组i的单次启动成本;Ji为机组i的单次关停成本;为火电机组i在时段t的启动成本;/>为火电机组i在时段t的关停成本;
潮流安全约束:
PL,min≤Pi,t≤PL,max (29)
其中,PL,min为线路L的最小潮流约束;PL,max为线路L的最大潮流约束;
正、负旋转备用约束:
其中,r1、r2分别为由风电接入而增加的上、下旋转备用容量系数,取值范围为[0.1,0.2]。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪方法,充分采用时长粒度对于负荷梯度变化的调节能力,减小负荷的偏差,更好地处理净负荷的随机波动性,有效解决负荷低谷期时由于风电消纳较大而导致的调峰成本剧增,以及传统小时级调度因可再生能源的波动而不能精确跟踪负荷波动的问题,确保了电力系统整体的经济性和环保性。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中,可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况,在上述各实施例的基础上,本发明的实施例提供了一种多时长尺度电力系统风电弃风及负荷波动跟踪装置,该装置用于执行上述方法实施例中的多时长尺度电力系统风电弃风及负荷波动跟踪方法。参见图2,该装置包括:第一主模块,用于实现构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;第二主模块,用于实现构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;第三主模块,用于实现构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
本发明的多时长尺度电力系统风电弃风及负荷波动跟踪装置,采用图2中的若干模块,充分采用时长粒度对于负荷梯度变化的调节能力,减小负荷的偏差,更好地处理净负荷的随机波动性,有效解决负荷低谷期时由于风电消纳较大而导致的调峰成本剧增,以及传统小时级调度因可再生能源的波动而不能精确跟踪负荷波动的问题,确保了电力系统整体的经济性和环保性。
需要说明的是,本发明提供的装置实施例中的装置,除了可以用于实现上述方法实施例中的方法外,还可以用于实现本发明提供的其他方法实施例中的方法,区别仅仅在于设置相应的功能模块,其原理与本发明提供的上述装置实施例的原理基本相同,只要本领域技术人员在上述装置实施例的基础上,参考其他方法实施例中的具体技术方案,通过组合技术特征获得相应的技术手段,以及由这些技术手段构成的技术方案,在保证技术方案具备实用性的前提下,就可以对上述装置实施例中的装置进行改进,从而得到相应的装置类实施例,用于实现其他方法类实施例中的方法。例如:
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第一子模块,用于实现所述构建多时长尺度弃风模型的弃风目标函数,包括:
PLt=Pd,t-(1-λw,t)Pw,t
其中:F1为电力系统净负荷方差;t为不同时长粒度下的时长序列第t个时长段;PLt为第t个时长段下的电力系统净负荷;PLave,t为电力系统在整个调度周期内净负荷的平均值;Pd,t为第t个时长段初始负荷;λw,t为t时长段的弃风率,且λw,t为变量,λw,t∈[0,1];Pw,t为t时长段风电场的输出功率;min为取最小值符号;T为一个调度周期的时段数。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第二子模块,用于实现所述对所述弃风目标函数构建弃风约束条件,包括:
0≤Pw,t≤Pw,max
其中,Pw,max为t时长段风电场的最大出力;kw,max表示风电场允许的最大弃风率;max为取最大值符号。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第三子模块,用于实现所述构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,包括:
其中,NL为净负荷曲线分段总数;Pave,a为a分段内的净负荷平均值;Pave为所有时刻负荷平均值;La为a分段内的负荷点总数;Pave,b为第b个负荷点的净负荷平均值;PLab为第a个净负荷分段内第b个负荷点的负荷大小;M1为表征不同时长段净负荷的平均值之间离散型的指标;M2为属于同一时长段内净负荷离散性的指标。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第四子模块,用于实现所述采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,包括:对选择策略中的比例因子进行改进,改进后的自适应比例因子为:
Cm=Nm·ξm,m=1,2,…Dmax
其中,Cm为从所选取的种群中第m个非支配层里取得的个体数目;Nm为第m个非支配层的个体数量;ξm为比例因子;Dmax为非支配层的数目;zm为第一变量参数,xm为第二变量参数,取值范围均为[0.5,1],且zm<xm;k为迭代次数;kmax为最大迭代次数。
本发明提供的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第五子模块,用于实现所述构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,包括:
minF2=C1+C2+C3
其中,F2为火电机组和风电系统参与优化调度的电网运行成本;C1为调峰成本,具体包括:
其中,C(Pi,t)为火电机组的调峰成本,Pi,t为火电机组i在时长段t的出力,Pmax为火电机组出力最大值,Pmin为基本调峰阶段机组出力最小值,Pn为不投油深度调峰阶段机组最小出力,Pm为投油深度调峰阶段机组最小出力,Closs为机组深度调峰时产生的寿命损耗成本,Coil为投油成本;C2为系统旋转备用成本,具体包括:
其中,ρres为系统旋转备用成本系数;Rup,load、Rdown,load分别为正、负旋转备用容量;C3为碳交易成本,具体包括:
C3=Ce+Cw
其中,Ce为火电机组的碳交易成本;Cw为风电场的碳交易成本;
Ce=σ(Qet-Qqt)
其中,σ为火电机组在t时刻的碳交易价格;Qet为火电机组在t时刻的碳排放量;Qqt为火电机组在t时刻的碳排放配额;
其中,li为火电机组i的单位电量碳排放强度;λ为风电备用容量系数;N为火电机组总台数;
其中,β为单位电量碳交易配额;
Cw=σ(Qwet-Qwt)
Qwt=βPw,t
其中,Qwet为风电场在t时刻的碳排放量;Qwt为风电场在t时刻的碳排放配额。
本发明的多时长尺度电力系统风电弃风及负荷波动跟踪装置,还包括:第六子模块,用于实现所述对所述下层优化目标函数构建优化约束条件,包括:电力系统功率平衡约束:
热备用约束:
其中,Pi,max为机组i的最大出力限制;ρ为热备用系数;;ui,t为火电机组i在t时长段的启停状态变量;
机组出力约束:
ui,tPi,min≤Pi,t≤ui,tPi,max
其中,Pi,min为机组i的最小出力限制;
机组爬坡约束:
-Ru≤Pi,t-Pi,t-1≤Ru
其中,Ru为火电机组的爬坡速率;Pi,t-1为火电机组i在时长段t-1的出力;
机组启停时间约束:
其中,Ti,on、Ti,off为火电机组i的最小开机、停机时刻;Ti,t-1,on、Ti,t-1,off为火电机组i在t-1时长段的运行、关闭时长;
启停费用约束:
/>
其中,Hi为机组i的单次启动成本;Ji为机组i的单次关停成本;为火电机组i在时段t的启动成本;/>为火电机组i在时段t的关停成本;
潮流安全约束:
PL,min≤Pi,t≤PL,max
其中,PL,min为线路L的最小潮流约束;PL,max为线路L的最大潮流约束;
正、负旋转备用约束:
其中,r1、r2分别为由风电接入而增加的上、下旋转备用容量系数,取值范围为[0.1,0.2]。
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,如图3所示,该电子设备包括:至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线,其中,至少一个处理器,通信接口,至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令,以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外,上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的一些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,包括:构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
2.根据权利要求1所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述构建多时长尺度弃风模型的弃风目标函数,包括:
PLt=Pd,t-(1-λw,t)Pw,t
其中:F1为电力系统净负荷方差;t为不同时长粒度下的时长序列第t个时长段;PLt为第t个时长段下的电力系统净负荷;PLave,t为电力系统在整个调度周期内净负荷的平均值;Pd,t为第t个时长段初始负荷;λw,t为t时长段的弃风率,且λw,t为变量,λw,t∈[0,1];Pw,t为t时长段风电场的输出功率;min为取最小值符号;T为一个调度周期的时段数。
3.根据权利要求2所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述对所述弃风目标函数构建弃风约束条件,包括:
0≤Pw,t≤Pw,max
其中,Pw,max为t时长段风电场的最大出力;kw,max表示风电场允许的最大弃风率;max为取最大值符号。
4.根据权利要求3所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,包括:
其中,NL为净负荷曲线分段总数;Pave,a为a分段内的净负荷平均值;Pave为所有时刻负荷平均值;La为a分段内的负荷点总数;Pave,b为第b个负荷点的净负荷平均值;PLab为第a个净负荷分段内第b个负荷点的负荷大小;M1为表征不同时长段净负荷的平均值之间离散型的指标;M2为属于同一时长段内净负荷离散性的指标。
5.根据权利要求4所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,包括:对选择策略中的比例因子进行改进,改进后的自适应比例因子为:
Cm=Nm·ξm,m=1,2,…Dmax
其中,Cm为从所选取的种群中第m个非支配层里取得的个体数目;Nm为第m个非支配层的个体数量;ξm为比例因子;Dmax为非支配层的数目;zm为第一变量参数,xm为第二变量参数,取值范围均为[0.5,1],且zm<xm;k为迭代次数;kmax为最大迭代次数。
6.根据权利要求5所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,包括:
min F2=C1+C2+C3
其中,F2为火电机组和风电系统参与优化调度的电网运行成本;C1为调峰成本,具体包括:
其中,C(Pi,t)为火电机组的调峰成本,Pi,t为火电机组i在时长段t的出力,Pmax为火电机组出力最大值,Pmin为基本调峰阶段机组出力最小值,Pn为不投油深度调峰阶段机组最小出力,Pm为投油深度调峰阶段机组最小出力,Closs为机组深度调峰时产生的寿命损耗成本,Coil为投油成本;C2为系统旋转备用成本,具体包括:
其中,ρres为系统旋转备用成本系数;Rup,load、Rdown,load分别为正、负旋转备用容量;C3为碳交易成本,具体包括:
C3=Ce+Cw
其中,Ce为火电机组的碳交易成本;Cw为风电场的碳交易成本;
Ce=σ(Qet-Qqt)
其中,σ为火电机组在t时刻的碳交易价格;Qet为火电机组在t时刻的碳排放量;Qqt为火电机组在t时刻的碳排放配额;
其中,li为火电机组i的单位电量碳排放强度;λ为风电备用容量系数;N为火电机组总台数;
其中,β为单位电量碳交易配额;
Cw=σ(Qwet-Qwt)
Qwt=βPw,t
其中,Qwet为风电场在t时刻的碳排放量;Qwt为风电场在t时刻的碳排放配额。
7.根据权利要求6所述的多时长尺度电力系统风电弃风及负荷波动跟踪方法,其特征在于,所述对所述下层优化目标函数构建优化约束条件,包括:电力系统功率平衡约束:
热备用约束:
其中,Pi,max为机组i的最大出力限制;ρ为热备用系数;;ui,t为火电机组i在t时长段的启停状态变量;
机组出力约束:
ui,tPi,min≤Pi,t≤ui,tPi,max
其中,Pi,min为机组i的最小出力限制;
机组爬坡约束:
-Ru≤Pi,t-Pi,t-1≤Ru
其中,Ru为火电机组的爬坡速率;Pi,t-1为火电机组i在时长段t-1的出力;
机组启停时间约束:
其中,Ti,on、Ti,off为火电机组i的最小开机、停机时刻;Ti,t-1,on、Ti,t-1,off为火电机组i在t-1时长段的运行、关闭时长;
启停费用约束:
其中,Hi为机组i的单次启动成本;Ji为机组i的单次关停成本;为火电机组i在时段t的启动成本;/>为火电机组i在时段t的关停成本;
潮流安全约束:
PL,min≤Pi,t≤PL,max
其中,PL,min为线路L的最小潮流约束;PL,max为线路L的最大潮流约束;
正、负旋转备用约束:
其中,r1、r2分别为由风电接入而增加的上、下旋转备用容量系数,取值范围为[0.1,0.2]。
8.一种多时长尺度电力系统风电弃风及负荷波动跟踪装置,其特征在于,包括:第一主模块,用于实现构建多时长尺度弃风模型的弃风目标函数,对所述弃风目标函数构建弃风约束条件;第二主模块,用于实现构建改进NSGA-II算法的净负荷曲线自适应分段优化模型的优化目标函数,对所述优化目标函数构建优化约束条件,采用改进NSGA-II算法对所述改进NSGA-II算法的净负荷曲线自适应分段优化模型进行求解,得到净负荷曲线分段结果;第三主模块,用于实现构建多时长尺度弃风的净负荷曲线自适应分段下层优化调度模型的下层优化目标函数,对所述下层优化目标函数构建优化约束条件,确保电力系统的总运行成本取得最小值。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至7任一项权利要求所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使计算机执行权利要求1至7中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882944.5A CN116865358A (zh) | 2023-07-18 | 2023-07-18 | 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882944.5A CN116865358A (zh) | 2023-07-18 | 2023-07-18 | 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116865358A true CN116865358A (zh) | 2023-10-10 |
Family
ID=88233880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882944.5A Pending CN116865358A (zh) | 2023-07-18 | 2023-07-18 | 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116865358A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726150A (zh) * | 2024-02-08 | 2024-03-19 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
-
2023
- 2023-07-18 CN CN202310882944.5A patent/CN116865358A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726150A (zh) * | 2024-02-08 | 2024-03-19 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
CN117726150B (zh) * | 2024-02-08 | 2024-04-26 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956266B (zh) | 基于层次分析法的多电源电力系统多目标优化调度方法 | |
CN108365608B (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN110222938B (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
CN104299173B (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN111709109B (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 | |
CN116865358A (zh) | 多时长尺度电力系统风电弃风及负荷波动跟踪方法及设备 | |
CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
CN116470511A (zh) | 基于深度强化学习的线路潮流控制方法 | |
CN105279575B (zh) | 基于发电预测的多能源主体分布式博弈优化方法 | |
CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
CN113363976A (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 | |
CN106951988B (zh) | 一种用于求解电力系统经济调度问题的人工记忆分子动理论优化方法 | |
CN113344283A (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN108539799B (zh) | 一种电网中风电的调度方法及装置 | |
Chang | Notice of retraction: Optimal scheduling of hydrothermal system based on improved particle swarm optimization | |
CN109638886A (zh) | 一种基于CVaR的风电日前出力申报优化方法 | |
CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 | |
Salama et al. | Short term optimal generation scheduling of fixed head hydrothermal system using genetic algorithm and constriction factor based particle swarm optimization technique | |
CN112132471A (zh) | 基于模拟退火粒子群算法的梯级水电站调度方法及系统 | |
CN106682760A (zh) | 一种风电功率爬坡预测方法 |
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 |