CN117236574A - 源网荷储协调优化方法、装置、设备、存储介质 - Google Patents
源网荷储协调优化方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN117236574A CN117236574A CN202210622765.3A CN202210622765A CN117236574A CN 117236574 A CN117236574 A CN 117236574A CN 202210622765 A CN202210622765 A CN 202210622765A CN 117236574 A CN117236574 A CN 117236574A
- Authority
- CN
- China
- Prior art keywords
- flexibility
- flexible
- time
- model
- representing
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 33
- 230000001105 regulatory effect Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 8
- 231100000719 pollutant Toxicity 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 230000009194 climbing Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003828 downregulation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002222 downregulating effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种源网荷储协调优化方法、装置、设备、存储介质。根据电力系统的净负荷值构建灵活性需求模型以及根据灵活性资源的出力构建灵活性供给模型，根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。本方法提出源‑网‑荷‑储全环节的协调规划优化模型，通过灵活性平衡约束对高比例新能源接入的源‑网‑荷‑储进行协调优化，从而提升电力系统的灵活性、充裕性，和电力系统的新能源消纳能力和可靠性。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种源网荷储协调优化方法、装置、设备、存储介质。
背景技术
随着我国以新能源为主体的新型电力系统建设的提出，新能源将逐渐取代传统能源，成为未来我国能源供应的主力军，但新能源能量密度低、出力随机性强的特点将会给电力系统带来极大的不确定性。灵活性资源广泛地存在于源-网-荷-储各侧，可以有效解决新型电力系统的不确定性问题，因此源网荷储一体化的协调优化决策是新型电力系统规划中的重要内容。
目前主要依靠电力平衡、电量平衡约束来提高新型电力系统的灵活性，从而对源网荷储进行协调优化。但是该方法难以有效地响应负荷波动性的特征，使得新型电力系统调节能力不足，导致电网安全面临较大风险。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电力系统调节能力的源网荷储协调优化方法、装置、设备、存储介质。
第一方面，本申请提供了一种源网荷储协调优化方法，所述方法包括：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
在其中一个实施例中，所述根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化，包括：
构建目标函数，其中，所述目标函数用于表征所述灵活性资源的投资成本、所述灵活性资源的运行成本、所述灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
构建所述目标函数的约束条件，所述约束条件包括所述电量平衡约束条件以及所述电力平衡约束条件；
根据所述灵活性平衡约束条件、所述目标函数以及所述目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化。
在其中一个实施例中，所述根据电力系统的净负荷值构建灵活性需求模型，包括：
获取所述电力系统的各节点的灵活性需求模型；
利用概率统计方法，获取所述电力系统的各节点在预设置信水平下的灵活性需求模型。
在其中一个实施例中，所述根据灵活性资源的出力构建灵活性供给模型，包括：
确定预设时间段内所述灵活性资源的上调功率和所述出力的第一差值；
确定所述预设时间段内所述出力和所述灵活性资源的下调功率的第二差值；
将所述第一差值中的最大值作为灵活性向上供给模型，并将所述第二差值中的最大值作为灵活性向下供给模型；所述灵活性供给模型包括所述灵活性向上供给模型和所述灵活性向下供给模型。
在其中一个实施例中，所述灵活性充裕约束条件满足第一目标公式，
其中，所述第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
在其中一个实施例中，若所述灵活性资源包括f种灵活性资源，则所述灵活性传输约束条件满足第二目标公式，
其中，所述第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
在其中一个实施例中，所述灵活性调节约束条件满足第三目标公式，
其中，所述第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
第二方面，本申请还提供了一种源网荷储协调优化装置，所述装置包括：
第一构建模块，用于根据电力系统的净负荷值构建灵活性需求模型；
第二构建模块，用于根据灵活性资源的出力构建灵活性供给模型；
优化模块，用于根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
上述源网荷储协调优化方法、装置、设备、存储介质，根据电力系统的净负荷值构建灵活性需求模型以及根据灵活性资源的出力构建灵活性供给模型，根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。本方法提出源-网-荷-储全环节的协调规划优化模型，通过灵活性平衡约束对高比例新能源接入的源-网-荷-储进行协调优化，从而提升电力系统的灵活性、充裕性，和电力系统的新能源消纳能力和可靠性。
附图说明
图1为一个实施例中源网荷储协调优化方法的应用环境图；
图2为一个实施例中源网荷储协调优化方法的流程示意图；
图3为一个实施例中对电力系统的源网荷储进行协调优化的流程示意图；
图4为一个实施例中构建灵活性需求模型的流程示意图；
图5为一个实施例中构建灵活性供给模型的流程示意图；
图6为一个实施例中源网荷储协调优化的示意图；
图7为灵活性资源的置信水平与成本之间的关系图；
图8为一个实施例中源网荷储协调优化装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的源网荷储协调优化方法，可以应用于如图1所示的应用环境中。该应用环境中包括计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力系统相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种源网荷储协调优化方法。
在一个实施例中，如图2所示，提供了一种源网荷储协调优化方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，根据电力系统的净负荷值构建灵活性需求模型。
在本实施例中，可以根据电力系统在某一时刻的净负荷值，得到该节点的灵活性需求模型，将所有节点的灵活性需求模型进行累加，得到该时刻下电力系统的灵活性需求模型。也可以在得到该节点的灵活性需求模型后，通过预设的置信水平，得到该节点在置信水平下的灵活性需求模型，将所有节点在置信水平下的灵活性需求模型进行累加，得到该时刻下电力系统的灵活性需求模型。
S202，根据灵活性资源的出力构建灵活性供给模型。
灵活性资源是指能够增加能源供需系统柔性、弹性、灵活性的，服务于用能系统动态供需平衡的资源。系统能够通过灵活性资源的快速、准确地调控，实现自身的供需平衡，同时满足多元化的能源供需要求。
在本实施例中，对于任意一种灵活性资源在某一时刻的出力，获取在该时刻时间尺度内的多个上调功率和多个下调功率，分别计算该时刻的出力与上调功率的多个第一差值，将多个第一差值中的最大值作为向上灵活性供给模型。同样的计算下调功率与该时刻的出力的多个第二差值，将多个第二差值中的最大值作为向下灵活性供给模型，向上灵活性供给模型和向下灵活性供给模型共同构成该种灵活性资源的灵活性供给模型。将多种灵活性供给模型进行累加，则可得到电力系统的灵活性供给模型。
S203，根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化；其中，灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
灵活性充裕约束条件满足第一目标公式：
上式中，表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
灵活性供给模型应当满足线路传输容量，因此，需要确定各灵活性资源达到供给最大值时，线路潮流是否满足约束。若灵活性资源包括f种灵活性资源，则灵活性传输约束条件满足第二目标公式：
上式中，表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
其中，潮流改变量可以通过下述公式获得：
上式中，IP,f,t(τ)为t时刻时间尺度τ内f种灵活性资源的供给模型，为t时刻时间尺度τ内f种灵活性资源对线路的潮流改变量，为f种灵活性资源对v条线路的直流潮流分布因子。
灵活性调节约束条件满足第三目标公式：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
在本实施例中，若不考虑灵活性资源成本的情况下，可以直接通过灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件，对灵活性需求模型以及灵活性供给模型的参数进行约束，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。也可以通过灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件对灵活性资源成本进行约束，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化，使得在灵活性资源尽可能小的情况下，提高电力系统的灵活性。
上述源网荷储协调优化方法中，根据电力系统的净负荷值构建灵活性需求模型以及根据灵活性资源的出力构建灵活性供给模型，根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。本方法提出源-网-荷-储全环节的协调规划优化模型，通过灵活性平衡约束对高比例新能源接入的源-网-荷-储进行协调优化，从而提升电力系统的灵活性、充裕性，和电力系统的新能源消纳能力和可靠性。
图3为一个实施例中对电力系统的源网荷储进行协调优化的流程示意图，如图3所示，本申请实施例涉及的是如何根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化的一种可能的实现方式，即上述S203包括以下步骤：
S301，构建目标函数，其中，目标函数用于表征灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数。
在本实施例中，假设在火电机、水电机组的电源侧进行灵活性资源的协调规划，则目标函数可以为minC＝min(CIN+COM+CFAR+CEP)
上式中，CIN是灵活性资源的投资成本，COM是灵活性资源的运行成本，CFAR是灵活性资源的调节成本，CEP是污染物排放的环境成本。
具体地，S为待建灵活性资源的集合，xi是第i个待选资源的0-1投资决策变量，ωi是第i个待选资源的单位容量建设成本，Ci是第i个待选资源的安装容量，li是第i个待选资源的平均寿命，k为折现率。
上式中，ρa为规划年含有典型日a的天数；为t时刻火电机组g的运行状态0-1变量，为t-τ时刻火电机组g的运行状态0-1变量，1表示运行状态，0表示关停状态，为火电机组g的启动过程0-1变量，1表示火电机组g从前一时刻到当前时刻有启动动作，为火电机组g在t时刻的出力，为水电机组h在t时刻的出力，为火电机组g的单位出力成本，为火电机组g的单次启动成本；为t时刻水电机组h的运行状态0-1变量，为t-τ时刻水电机组h的运行状态0-1变量，为水电机组h的启动过程0-1变量，为水电机组h的单位出力成本，为水电机组h的单次启动成本，cIL为单位中断负荷容量的调节成本，为t时刻负荷中断容量，和分别为储能设备e在t时刻充电状态的0-1变量和放电状态的0-1变量，分别为储能设备e的充电启动过程0-1变量和放电启动过程0-1变量，cc,e为充电的单次启动成本，cd,e为放电的单次启动成本，ce为单位充/放电功率的成本，是储能设备e在t时刻的充电功率，是储能设备e在t时刻的放电功率。
上式中，为t时刻负荷l的切负荷值，可再生能源re的限电功率，为系统切负荷，为可再生能源限电成本。
上式中，Mcar为火电机组单位发电的碳排放量，ccar为碳排放的环境成本。
S302，构建目标函数的约束条件，约束条件包括电量平衡约束条件以及电力平衡约束条件。
在本实施例中，约束条件包括电量平衡约束条件以及电力平衡约束条件，具体可以表示为出力约束、爬坡约束、可中段负荷容量约束、储能运行约束等约束条件。
其中，出力约束条件和爬坡约束条件可以表示为：
上式中，为火电机组g最大向上爬坡率，为火电机组g最大向下爬坡率，为火电机组g在t时刻的出力，为火电机组g在t+τ时刻的出力，为t时刻火电机组g的运行状态0-1变量，为火电机组g技术出力上限，为火电机组g技术出力下限，为水电机组h最大向上爬坡率，为水电机组h最大向下爬坡率，为水电机组h在t时刻的出力，为水电机组h在t+τ时刻的出力，为技术出力上限，为技术出力下限，为t时刻水电机组h的运行状态0-1变量，是水电机组h在t时刻的库容，为库容的上限、为库容的下限，是水电机组h在t时刻的发电流量，为发电流量的上限、为发电流量的下限。
可中断负荷容量约束条件可以表示为：
其中，为负荷可中断容量最大值，为t时刻负荷中断容量，kIL为可中断负荷所占电负荷的最大比例，de,t为t时刻电负荷容量值。
储能运行约束条件为：
其中，是储能设备e在t时刻的充电功率，是储能设备e在t时刻的放电功率，是储能设备e在t+τ时刻的充电功率，是储能设备e在t+τ时刻的放电功率，为储能设备e在t时刻的充电状态的0-1变量，为储能设备e在t时刻的放电状态的0-1变量，为充电功率的上限，为放电功率的上限，为在t时刻的储能电量值，为在t时刻的电量存储的上限，为在t时刻电量存储的下限，ηc,e为储能设备e的充电效率，ηd,e为储能设备e的放电效率。
功率平衡约束条件为：
线路潮流约束条件为：
上式中，为火电机组对v条线路的直流潮流分布因子，为水电机组对v条线路的直流潮流分布因子，为可中断负荷对v条线路的直流潮流分布因子，为可再生能源对v条线路的直流潮流分布因子，为储能对v条线路的直流潮流分布因子。
S303，根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
在本实施例中，通过目标函数的约束条件以及灵活性平衡约束条件，对目标函数进行约束，从而使目标函数达到最小值。以及通过灵活性平衡约束条件对活性需求模型以及灵活性供给模型的参数进行约束，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
本申请实施例中，通过构建关于灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本等的目标函数，根据目标函数的约束条件以及灵活性平衡约束条件对目标函数进行约束，使得目标函数的值最小，在目标函数最小的情况下，利用活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。本方法在保证成本尽可能小的前提下提升电力系统的灵活性、充裕性。
图4为一个实施例中构建灵活性需求模型的流程示意图，如图4所示，本申请实施例涉及的是如何根据电力系统的净负荷值构建灵活性需求模型的一种可能的实现方式，即上述S201包括以下步骤：
S401，获取电力系统的各节点的灵活性需求模型。
在本实施例中，通过获取电力系统的各节点的历史数据，利用历史数据构建灵活性需求模型，其可以表示为：
上式中，INj,t(τ)为t时刻j节点在时间尺度τ内的灵活性需求，为t时刻j节点的负荷值，为t+τ时刻j节点的净负荷值，Pt j,wind为风电功率、Pt j,solar为光伏功率，为t时刻j节点在时间尺度τ内的向上灵活性需求模型，为t时刻j节点在时间尺度τ内的向下灵活性需求模型。
S402，利用概率统计方法，获取电力系统的各节点在预设置信水平下的灵活性需求模型。
可选的，预设置信水平可以为0.8、0.9、0.95等，本申请实施例对此不做限制。
在本实施例中，采用概率统计的方法，定义置信水平q下时刻节点的灵活性需求，如下式所示：
上式中，Pr表示事件发生概率，INj,t为t时刻j节点的灵活性需求，INj,t,m为预测集合Ω中的值，Ω为净负荷波动值(净负荷值随着新能源的波动产生的值)的预测集合，置信水平q表示在预测集合内的灵活性需求值被满足的概率，q∈[0,1]。置信水平为1时，表示预测集合内的灵活性需求均应被满足。
通过对节点灵活性需求的刻画，对同一时刻各节点的灵活性需求进行叠加，得到电力系统的灵活性需求：
上式中，IN,t(τ)示电力系统在t时刻时间尺度τ下的灵活性需求模型，IN,q,t(τ)表示电力系统在t时刻时间尺度τ下的置信水平q下的灵活性需求模型。
图5为一个实施例中构建灵活性供给模型的流程示意图，如图5所示，本申请实施例涉及的是如何根据灵活性资源的出力构建灵活性供给模型的一种可能的实现方式，即上述S202包括以下步骤：
S501，确定预设时间段内灵活性资源的上调功率和出力的第一差值。
在本实施例中，灵活性资源在t时刻以及给定时间尺度τ内能够调节功率里程的最大值，具有向上和向下两个方向；对于任一灵活性资源f在t时刻的出力Pf,t，考虑其技术出力范围和功率变化速率后，在时间尺度τ(预设时间段)内该灵活性资源为应对净负荷波动性和不确定性而达到的m种上调功率，分别为m种下调功率为计算调节功率里程为上调功率与当前出力Pf,t的差值，共得到m个第一差值。
S502，确定预设时间段内出力和灵活性资源的下调功率的第二差值。
在本实施例中，同样的，计算灵活性资源f在t时刻的出力Pf,t与m种下调功率的差值，共得到m个第二差值。
S503，将第一差值中的最大值作为灵活性向上供给模型，并将第二差值中的最大值作为灵活性向下供给模型；灵活性供给模型包括灵活性向上供给模型和灵活性向下供给模型。
在本实施例中，因此，灵活性资源f的向上灵活性供给潜力和向下灵活性供给潜力的统一形式为：
通过对单个灵活性资源的刻画，对同一时刻各灵活性资源供给潜力进行叠加，得到整个电力系统的灵活性供给模型，可以表示为：
上式中，为系统t时刻向上的灵活性供给模型，为系统t时刻的向下灵活性供给模型。
在一个实施例中，通过MATLAB R2014a软件和CPLEX求解器，基于改进IEEE39节点系统进行仿真试验，改进IEEE39节点系统包含10台机组及2个风力发电场，验证上述灵活性需求模型与灵活性供给模型的有效性。运行仿真基于典型日进行计算，时间尺度设置为15min。在改进IEEE39节点系统的基础上进行灵活性资源扩建规划，待选灵活性资源的电源类包含火电机组和水电机组，储能类包含抽水蓄能和储能电站。碳排放环境惩罚成本为0.026元/kg，负荷最大可中断容量和最大可中断比例分别为20MW和0.5％，单位中断成本为400元/MW。系统向上和向下灵活性资源的调节变量(对应弃风、切负荷)最大比例分别为7％和20％，灵活性需求置信水平取0.95。
图6为一个实施例中源网荷储协调优化的示意图，如图6所示，以及通过上述实施例所示的方法对分区负荷特性进行精细化建模，根据高比例新能源区域电力系统分区情况，从典型年、日负荷特性及尖峰负荷持续时间等维度逐一进行分区负荷特性精细化建模，对灵活性供给与灵活性需求建模，得到灵活性供给模型和灵活性需求模型。从电力系统的灵活性充裕、灵活性传输以及灵活性调节三个角度，构建灵活性平衡约束条件。提出源-网-荷-储协调规划优化的成本目标函数，在传统的电力平衡、电量平衡等约束条件的基础上加入灵活性平衡约束条件，使得目标函数值尽可能的小，保证了在成本尽可能小的前提下提升电力系统的灵活性、充裕性。
为分析灵活性约束在规划优化模型中的作用以及负荷侧灵活性资源对传统源-储资源规划的影响，各方案设置如下：方案1：仅对源-储两侧灵活性资源进行传统规划，且不考虑各灵活性约束；方案2：在方案1的基础上考虑灵活性平衡约束；方案3：在方案2的基础上，在节点12加入负荷侧灵活性资源进行协调优化，规划结果参阅表1。
表1
从上述表1可知，对比表1中方案1与方案2的配置结果可以分析灵活性约束的作用。相比方案1，方案2分别在37节点和12节点处增建了230MW/1725WMh的抽蓄电站和7.5MW/30MWh的储能电站，相应地，建设成本提高了12％，但是其弃风、切负荷成本比方案1下降了62％，表明弃风、切负荷的容量因灵活性提升而显著减少。因此，本申请所构建的灵活性平衡约束条件能有效提升系统规划过程中的灵活性水平，并降低规划总成本。对比表1中方案2与方案3的配置结果能分析负荷侧需求响应对规划结果的影响，体现出负荷侧灵活性资源对新建资源的代替作用，一定程度上避免了大额的建设投资成本。
图7为灵活性资源的置信水平与成本之间的关系图。通过改变置信水平q的大小，分析其与经济性之间的关系。从图7中可知，随着电力系统灵活性需求的置信水平不断增大，电力系统灵活性提高，规划总成本越高，运行经济性下降，尤其在置信水平为0.96～0.99时，经济性与灵活性的矛盾关系较为显著。由于灵活性需求的波动性，想尽可能全部满足难度较大，因此规划人员需要合理权衡灵活性与总成本之间的关系，优先的，在置信水平为0.96附近可以兼顾灵活性和经济性的要求。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的源网荷储协调优化方法的源网荷储协调优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个源网荷储协调优化装置实施例中的具体限定可以参见上文中对于源网荷储协调优化方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种源网荷储协调优化装置，包括：第一构建模块11、第二构建模块12和优化模块13，其中：
第一构建模块11，用于根据电力系统的净负荷值构建灵活性需求模型；
第二构建模块12，用于根据灵活性资源的出力构建灵活性供给模型；
优化模块13，用于根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化；
其中，灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
在一个实施例中，优化模块，包括：
第一构建单元，用于构建目标函数，其中，目标函数用于表征灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
第二构建单元，用于构建目标函数的约束条件，约束条件包括电量平衡约束条件以及电力平衡约束条件；
优化单元，用于根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
在一个实施例中，第一构建模块，包括：
第一获取单元，用于获取电力系统的各节点的灵活性需求模型；
第二获取单元，用于利用概率统计方法，获取电力系统的各节点在预设置信水平下的灵活性需求模型。
在一个实施例中，第二构建模块，包括：
第一确定单元，用于确定预设时间段内灵活性资源的上调功率和出力的第一差值；
第二确定单元，用于确定预设时间段内出力和灵活性资源的下调功率的第二差值；
第三确定单元，用于将第一差值中的最大值作为灵活性向上供给模型，并将第二差值中的最大值作为灵活性向下供给模型；灵活性供给模型包括灵活性向上供给模型和灵活性向下供给模型。
在一个实施例中，灵活性充裕约束条件满足第一目标公式，
其中，第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
在一个实施例中，灵活性资源包括f种灵活性资源，则灵活性传输约束条件满足第二目标公式，
其中，第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
在一个实施例中，灵活性调节约束条件满足第三目标公式，
其中，第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
上述源网荷储协调优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种源网荷储协调优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化；
其中，灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
构建目标函数，其中，目标函数用于表征灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
构建目标函数的约束条件，约束条件包括电量平衡约束条件以及电力平衡约束条件；
根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电力系统的各节点的灵活性需求模型；
利用概率统计方法，获取电力系统的各节点在预设置信水平下的灵活性需求模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定预设时间段内灵活性资源的上调功率和出力的第一差值；
确定预设时间段内出力和灵活性资源的下调功率的第二差值；
将第一差值中的最大值作为灵活性向上供给模型，并将第二差值中的最大值作为灵活性向下供给模型；灵活性供给模型包括灵活性向上供给模型和灵活性向下供给模型。
在一个实施例中，灵活性充裕约束条件满足第一目标公式，
其中，第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
在一个实施例中，灵活性资源包括f种灵活性资源，则灵活性传输约束条件满足第二目标公式，
其中，第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
在一个实施例中，灵活性调节约束条件满足第三目标公式，
其中，第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化；
其中，灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建目标函数，其中，目标函数用于表征灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
构建目标函数的约束条件，约束条件包括电量平衡约束条件以及电力平衡约束条件；
根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电力系统的各节点的灵活性需求模型；
利用概率统计方法，获取电力系统的各节点在预设置信水平下的灵活性需求模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定预设时间段内灵活性资源的上调功率和出力的第一差值；
确定预设时间段内出力和灵活性资源的下调功率的第二差值；
将第一差值中的最大值作为灵活性向上供给模型，并将第二差值中的最大值作为灵活性向下供给模型；灵活性供给模型包括灵活性向上供给模型和灵活性向下供给模型。
在一个实施例中，灵活性充裕约束条件满足第一目标公式，
其中，第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
在一个实施例中，灵活性资源包括f种灵活性资源，则灵活性传输约束条件满足第二目标公式，
其中，第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
在一个实施例中，灵活性调节约束条件满足第三目标公式，
其中，第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化；
其中，灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建目标函数，其中，目标函数用于表征灵活性资源的投资成本、灵活性资源的运行成本、灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
构建目标函数的约束条件，约束条件包括电量平衡约束条件以及电力平衡约束条件；
根据灵活性平衡约束条件、目标函数以及目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对电力系统的源网荷储进行协调优化。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电力系统的各节点的灵活性需求模型；
利用概率统计方法，获取电力系统的各节点在预设置信水平下的灵活性需求模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定预设时间段内灵活性资源的上调功率和出力的第一差值；
确定预设时间段内出力和灵活性资源的下调功率的第二差值；
将第一差值中的最大值作为灵活性向上供给模型，并将第二差值中的最大值作为灵活性向下供给模型；灵活性供给模型包括灵活性向上供给模型和灵活性向下供给模型。
在一个实施例中，灵活性充裕约束条件满足第一目标公式，
其中，第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
在一个实施例中，灵活性资源包括f种灵活性资源，则灵活性传输约束条件满足第二目标公式，
其中，第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
在一个实施例中，灵活性调节约束条件满足第三目标公式，
其中，第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种源网荷储协调优化方法，其特征在于，所述方法包括：
根据电力系统的净负荷值构建灵活性需求模型；
根据灵活性资源的出力构建灵活性供给模型；
根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
2.根据权利要求1所述的方法，其特征在于，所述根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化，包括：
构建目标函数，其中，所述目标函数用于表征所述灵活性资源的投资成本、所述灵活性资源的运行成本、所述灵活性资源的调节成本以及污染物排放的环境成本中至少两个成本之和的函数；
构建所述目标函数的约束条件，所述约束条件包括所述电量平衡约束条件以及所述电力平衡约束条件；
根据所述灵活性平衡约束条件、所述目标函数以及所述目标函数的约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化。
3.根据权利要求1所述的方法，其特征在于，所述根据电力系统的净负荷值构建灵活性需求模型，包括：
获取所述电力系统的各节点的灵活性需求模型；
利用概率统计方法，获取所述电力系统的各节点在预设置信水平下的灵活性需求模型。
4.根据权利要求1所述的方法，其特征在于，所述根据灵活性资源的出力构建灵活性供给模型，包括：
确定预设时间段内所述灵活性资源的上调功率和所述出力的第一差值；
确定所述预设时间段内所述出力和所述灵活性资源的下调功率的第二差值；
将所述第一差值中的最大值作为灵活性向上供给模型，并将所述第二差值中的最大值作为灵活性向下供给模型；所述灵活性供给模型包括所述灵活性向上供给模型和所述灵活性向下供给模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述灵活性充裕约束条件满足第一目标公式，
其中，所述第一目标公式为：
表示在t时刻的向上灵活性供给模型、表示在t时刻的向下灵活性供给模型、表示在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型、表示t时刻的切负荷值、表示t时刻的可再生能源限电功率。
6.根据权利要求1-4任一项所述的方法，其特征在于，若所述灵活性资源包括f种灵活性资源，则所述灵活性传输约束条件满足第二目标公式，
其中，所述第二目标公式为：
表示f种灵活性资源对线路v的直流潮流分布因子、表示线路v在t时刻的潮流改变量，表示线路v的传输功率上限、表示f种灵活性资源在t时刻的向上灵活性供给模型、表示f种灵活性资源在t时刻的向下灵活性供给模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向上灵活性需求模型、表示节点j在t时刻τ时间尺度以及置信水平q下的向下灵活性需求模型。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述灵活性调节约束条件满足第三目标公式，
其中，所述第三目标公式为：
kL表示切负荷值的最大允许比例、kR表示可再生能源限电功率的最大允许比例、dt表示t时刻的负荷量、表示t时刻的可再生能源发电量。
8.一种源网荷储协调优化装置，其特征在于，所述装置包括：
第一构建模块，用于根据电力系统的净负荷值构建灵活性需求模型；
第二构建模块，用于根据灵活性资源的出力构建灵活性供给模型；
优化模块，用于根据预先构建的灵活性平衡约束条件，利用灵活性需求模型和灵活性供给模型对所述电力系统的源网荷储进行协调优化；
其中，所述灵活性平衡约束条件包括灵活性充裕约束条件、灵活性传输约束条件以及灵活性调节约束条件。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210622765.3A CN117236574A (zh) | 2022-06-02 | 2022-06-02 | 源网荷储协调优化方法、装置、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210622765.3A CN117236574A (zh) | 2022-06-02 | 2022-06-02 | 源网荷储协调优化方法、装置、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236574A true CN117236574A (zh) | 2023-12-15 |
Family
ID=89084890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210622765.3A Pending CN117236574A (zh) | 2022-06-02 | 2022-06-02 | 源网荷储协调优化方法、装置、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236574A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117937625A (zh) * | 2024-01-11 | 2024-04-26 | 北京中电飞华通信有限公司 | 主动配电网的调度方法、装置、存储介质和电子设备 |
-
2022
- 2022-06-02 CN CN202210622765.3A patent/CN117236574A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117937625A (zh) * | 2024-01-11 | 2024-04-26 | 北京中电飞华通信有限公司 | 主动配电网的调度方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11314304B2 (en) | Datacenter power management using variable power sources | |
| Radosavljević et al. | Energy and operation management of a microgrid using particle swarm optimization | |
| CN111682536B (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| CN114221353B (zh) | 电网调控方法、装置、设备、存储介质和计算机程序产品 | |
| CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
| Tian et al. | Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization | |
| CN112381375B (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
| CN113285490A (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| Wen et al. | Stochastic optimization for security-constrained day-ahead operational planning under pv production uncertainties: Reduction analysis of operating economic costs and carbon emissions | |
| CN114362218B (zh) | 基于深度q学习的微电网内多类型储能的调度方法及装置 | |
| Lin et al. | Long-term multi-objective optimal scheduling for large cascaded hydro-wind-photovoltaic complementary systems considering short-term peak-shaving demands | |
| Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
| CN114243693B (zh) | 微电网的调度模型构建方法、装置和计算机设备 | |
| CN117236574A (zh) | 源网荷储协调优化方法、装置、设备、存储介质 | |
| CN105162173A (zh) | 一种接入风力发电的电力系统备用容量确定方法 | |
| Shariatkhah et al. | Modelling the operation strategies of storages and hydro resources in adequacy analysis of power systems in presence of wind farms | |
| Wang et al. | Optimal recovery strategy of DERs integrated distribution network based on scheduling rationality | |
| CN115189409A (zh) | 电力系统生产模拟方法、装置、计算机设备及存储介质 | |
| CN116316865A (zh) | 一种高比例新能源区域电力系统全环节协调规划优化方法 | |
| CN114358361A (zh) | 一种计及需求响应的微电网多时间尺度优化调度方法 | |
| CN118350613B (zh) | 一种基于分区虚拟电厂的优化调度方法及系统 | |
| Vankadara et al. | A novel optimization algorithm for UC, ELD and scheduling of hybrid energy storage system | |
| CN118572703B (zh) | 一种梯级水蓄风光火规划运行方法、系统、设备及介质 | |
| CN118100141A (zh) | 电力系统调度方法、装置、计算机设备、存储介质和产品 | |
| Zhai et al. | Optimization operation strategy of wind-pumped storage integrated system participation in spot market considering dual uncertainties |
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 |