CN117353387A - 一种日前市场下水风光联合互补优化调度方法 - Google Patents
一种日前市场下水风光联合互补优化调度方法 Download PDFInfo
- Publication number
- CN117353387A CN117353387A CN202311156298.0A CN202311156298A CN117353387A CN 117353387 A CN117353387 A CN 117353387A CN 202311156298 A CN202311156298 A CN 202311156298A CN 117353387 A CN117353387 A CN 117353387A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- hydropower station
- period
- ith
- 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 51
- 230000000295 complement effect Effects 0.000 title claims abstract description 31
- 238000010248 power generation Methods 0.000 claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000007812 deficiency Effects 0.000 claims abstract description 6
- 230000008901 benefit Effects 0.000 claims description 11
- 241000283323 Delphinapterus leucas Species 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 241000039077 Copula Species 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 6
- 241000283153 Cetacea Species 0.000 description 3
- 241000283326 Monodontidae Species 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 108010059642 isinglass Proteins 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000010792 warming 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
- 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
- H02J3/004—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
- H02J3/008—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
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种日前市场下水风光联合互补优化调度方法,步骤一,收集研究区域内的风电场、光伏电站的历史数据;并拟合表征该地区风光出力联合概率分布模型;步骤二,通过代表性场景表征风电和光伏电力的预测不确定性,然后将其输入模型中;步骤三,根据大规模水风光互补联合调度特性和水电站的调节能力,采用时间参数描述,水风光互补联合调度的出力过程,并设置水风光短期协同运行的策略;步骤四,根据步骤三构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型;本发明提供一种日前市场下水风光联合互补优化调度方法,能够有效实现在日前市场下水风光互补联合运行,并有效地提高发电企业的经济性和降低缺电风险的概率。
Description
技术领域
本发明涉及新能源发电中的水风光互补联合系统中的容量配置领域,尤其是一种日前市场下水风光联合互补优化调度方法。
背景技术
近年来,太阳能、风能等可再生能源因其环境友好、可再生、资源丰富等特点得到了快速发展。这些电源代表了对抗环境污染和全球变暖的有效方法。但由于太阳能和风能对气候因素的高度依赖性,具有很强的随机性、间歇性和波动性。这意味着当不稳定的风能和光伏(PV)电源直接集成到电网中时,电网的安全和经济运行可能受到威胁。风能和光伏与其他电源的互补管理提供了科普这一挑战的有效方法。水力发电是风能和光伏发电的补充电源的一个很好的选择,因为水力发电具有快速的开闭能力和强大的调节特性。当需要稳定风力和太阳能输出的波动时,这有助于水力发电机的快速调节。因此,为了形成一种类型的混合能量存储系统,水电与其他储能电源正变得越来越流行,其实例包括水电-光伏互补系统、水电-风互补系统和水电-风-光伏互补系统。在中国,太阳能和风能的总装机容量在2019年超过200吉瓦。然而,电力供应和需求之间存在空间不匹配:水电、风能和太阳能资源主要集中在西部中国,但东部地区的电力需求远高于西部地区。因此,针对新能源发电的随机性、波动性,开展水风光互补联合调度方法的研究是提升系统经济和稳定性的重要保证。
在水电大规模发展和电力市场新形势下,梯级水电企业已成为水电能源系统中至关重要的市场发电主体。在协调电力交易与实际运行之间扮演着关键角色的梯级水电系统短期优化调度,对于优化市场决策和高效配置资源具有极其重要的作用。为了实现水能资源的高效利用,优化梯级水电企业的市场决策和运行方式,研究新市场环境下梯级水电系统短期联合优化调度及风险控制策略显得尤为关键。这将有助于促进我国水电企业积极参与市场竞争,促进水电产业的高质量发展。在面临的关键科学问题和技术瓶颈上,探索水风光系统短期联合优化调度所面临的挑战将有助于提出创新性解决方案。这些解决方案不仅将为企业市场决策和资源配置带来优势,还将在实践中发挥重要作用,指导企业在新的市场环境下取得更好的效益。综上所述,研究水风光系统短期联合优化调度及风险控制策略在理论上具有重要意义,同时在实践中具备显著的工程应用价值。这将有助于我国水电企业在不断变化的电力市场中保持竞争力,同时推动电力行业的可持续发展。
发明内容
本发明所要解决的技术问题是提供一种日前市场下水风光联合互补优化调度方法,能够有效实现在日前市场下水风光互补联合运行,并有效地提高发电企业的经济性和降低缺电风险的概率。
为解决上述技术问题,本发明所采用的技术方案是:一种日前市场下水风光联合互补优化调度方法,包括以下步骤:
步骤一,收集研究区域内的风电场、光伏电站的历史数据;并拟合表征该地区风光出力联合概率分布模型;
步骤二,通过代表性场景表征风电和光伏电力的预测不确定性,然后将其输入模型中;
步骤三,根据大规模水风光互补联合调度特性和水电站的调节能力,采用时间参数描述,水风光互补联合调度的出力过程,并设置水风光短期协同运行的策略;
步骤四,根据步骤三构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型;
步骤五,基于步骤三和步骤四构建的日前市场水风光短期互补优化调度模型和策略,设置多目标优化求解方法;
步骤六,将由步骤一和步骤二所得的不确定性的风力和光伏功率预测场景的日出力过程输入模型,将各水电站的出力作为步骤五的输入变量,采用多目标优化算法对模型求解;
步骤七,基于步骤六形成帕累托前沿解,并选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估,提供不同的导向确定水风光最优配置方案。
优选的,所述步骤一中,集研究区域内的风电场、光伏电站的历史实测日出力数据,基于非参数核密度估计法分别求得域风电、光伏出力样本的概率密度函数,运用Copula理论建立多个常见的风光出力联合概率分布模型,通过比较其Kendall、Spearman相关系数度量值以及欧氏距离,从中选取拟合程度最优的Copula函数表征该地区的风光出力互补特性。
优选的,所述步骤二通过超立方拉丁抽样的方法获得的有限样本可以更准确地描述变量的分布,然后基于预测的风力和光伏功率输出以及模拟的预测误差,生成可以表征预测不确定性的风力和光伏功率场景的集合。
优选的,所述步骤四构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型由目标函数、决策变量和约束条件构成,
a、目标函数:
目标函数一:
兼顾日前市场,以预期效益最大为目标:
Ph,i,t=Ki·Qi,t·Hi,t
E总为总预期收益,元;
Ph,i,t为第k级级水电站第t时段n号机组的出力,kW;
Ww,t为风电第t时段的消纳电量,KW·h;
Ws,t为光伏第t时段的消纳电量,KW·h;
T为时段总数;
n为梯级水电站的总数;
Ki为第i级水电站的出力系数;
Qi,t为第i级水电站第t时段的平均发电流量,m3/s;
Hi,t为第i级水电站,第t时段的平均发电水头,m;
和/>分别为t时段电价、调频容量单价以及调频里程单价;
Ck,t为第k个水电站AGC发电单元t时段AGC容量;
Ak,t为第k个水电站AGC发电单元t时段调频性能指标;
Mk,t为第k个水电站AGC发电单元t时段调频里程;
目标函数二:
最小化综合风险率制定发电计划时应考虑综合限电和缺电风险
其中i是代表性场景的数量;
rci,t,t和rsi,t,t分别为情景i下在时段t的弃风弃光率和全系统缺电率;
T是操作周期的数量;
Pi,t计划是水风光在时间段t的计划输送功率(MW);
为情景i下梯级水电站在时间段t的实际发电量(MW);
ΔPi,t是在时间段t(MW)时系统的实际功率输出与发电计划中的计划输送功率之间的差;
b、决策变量:为平均发电流量和平均发电水头;
c、约束条件:
(1)水风光输送通道容量约束:
Ph,t+Pw,t+Ps,t≤Pmax
上式中,Pmax为输电通道的极限传输功率,Ph,t为t时刻所有水电站输出功率,Pw,t为t时刻所有风电输出功率,Ps,t为t时刻所有光伏的输出功率;
(2)梯级水电站水量平衡约束:
Vi,t+1、Vi,t分别为第i个水电站在第t时段初、末水库蓄水量,m3;
Qr,i,t为第i个水电站第t时段的入库流量,m3/s;
Qd,i,t为第i个水电站第t时段的下泄流量,m3/s;
Qf,i,t为第i个水电站第t时段的发电流量,m3/s;
Qs,i,t为第i个水电站第t时段的弃水流量,m3/s;
(3)上下游水力联系:
Qr,i,t=Qd,i-1,t+Qq,i,t
Qd,i-1,t,为第i个水电站的上游电站的下泄流量,m3/s
Qd,i,t为第i-1个电站到第i个电站之间范围的区间流量,m3/s
(4)水位-库容约束:
Vi,t=fi,zv(Zi,t)
fi,zv为第i个水电站的水位库容关系函数;
(5)尾水位-泄流量约束:
Zd,i,t=fi,zq(Qd,i,t)
fi,zq为第i个水电站的尾水位泄量关系函数;
Zd,i,t为第i个水电站t时段的下游水位,m;
(6)水位限制:
Zi,tmin≤Zi,t≤Zi,tmax
Zi,tmin为第i个水电站t时段最低运行水位,本研究取调度下线,m;
Zi,tmax为第i个水电站t时段最高运行水位,本研究取调度上线,m;
(7)发电流量限制:
Qi,tmin≤Qi,t≤Qi,tmax
Qi,tmin为第i个水电站在t时段最小引用流量,m3/s;
为第i个水电站在t时段水库的最小生态流量,m3/s;
为第i个水电站在t时段水轮机组要求的最小引用流量,m3/s;
Qi,tmax为第i个水电站在t时段最大引用流量,m3/s;
(8)电站出力约束:
Ni,tminvKQi,tHi,t≤Ni,tmax
Ni,tmin为第i个水电站在t时段发电机组的最小出力,kW;
Ni,tmax为第i个水电站在t时段发电机组的最大出力,kW;
Hi,t为第i个水电站在t时0段的发电水头,m;
(9)调频容量约束:
ui,k为机组功能标识,当机组为AGC机组时,ui,k=1,否则,ui,k=0;
分别为第k个水电站t时段i号机组的向上可调容量与向下可调容量;
(10)调频容量限制:
为t时段AGC发电单元调频容量申报下限和上限。
优选的,所述步骤六中的多目标优化算法为多目标白鲸优化算法。
本发明提供一种日前市场下水风光联合互补优化调度方法,可实现在日前市场下以及水电站出力和AGC辅助调频能力、水库的调节特性、风光预测出力的前提下,利用水风光联合调度系统的特点,最优经济以及考虑缺电风险最小的多目标优化模型。有效提高了发电企业经济特性和降低了第二天可能会出现限电和电力短缺最小的风险。并在此基础上,提出多目标鲸鱼优化算法用于求解日前市场下水风光互补来联合互补优化调度多目标调度模型。本发明可以为水风光互补系统的规划建设提供技术支持,适用于在大规模梯级水电调度和风光调度系统中推广应用。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的方法流程图;
图2为本发明多目标白鲸优化算法图;
图3为春季水电站出力和综合风险率的帕累托解集;
图4为夏季水电站出力和综合风险率的帕累托解集;
图5为秋季水电站出力和综合风险率的帕累托解集;
图6为冬季水电站出力和综合风险率的帕累托解集。
具体实施方式
如图1中,一种日前市场下水风光联合互补优化调度方法,包括以下步骤:
步骤一,收集研究区域内的风电场、光伏电站的历史数据;并拟合表征该地区风光出力联合概率分布模型;
步骤二,通过代表性场景表征风电和光伏电力的预测不确定性,然后将其输入模型中;
步骤三,根据大规模水风光互补联合调度特性和水电站的调节能力,采用时间参数描述,水风光互补联合调度的出力过程,并设置水风光短期协同运行的策略;
步骤四,根据步骤三构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型;
步骤五,基于步骤三和步骤四构建的日前市场水风光短期互补优化调度模型和策略,设置多目标优化求解方法;
步骤六,将由步骤一和步骤二所得的不确定性的风力和光伏功率预测场景的日出力过程输入模型,将各水电站的出力作为步骤五的输入变量,采用多目标优化算法对模型求解;
步骤七,基于步骤六形成帕累托前沿解,并选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估,提供不同的导向确定水风光最优配置方案。
优选的,所述步骤一中,集研究区域内的风电场、光伏电站的历史实测日出力数据,基于非参数核密度估计法分别求得域风电、光伏出力样本的概率密度函数,运用Copula理论建立多个常见的风光出力联合概率分布模型,通过比较其Kendall、Spearman相关系数度量值以及欧氏距离,从中选取拟合程度最优的Copula函数表征该地区的风光出力互补特性。
优选的,所述步骤二通过超立方拉丁抽样的方法获得的有限样本可以更准确地描述变量的分布,然后基于预测的风力和光伏功率输出以及模拟的预测误差,生成可以表征预测不确定性的风力和光伏功率场景的集合。
优选的,所述步骤四构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型由目标函数、决策变量和约束条件构成,
a、目标函数:
目标函数一:
在日前市场下,梯级水电企业会根据日前市场中电能价格及调频服务(包括调频容量和调频里程)价格等情况,集中考虑电能效益和调频效益,以总效益最大为目标构建短期优化调度模型,形成预发电计划,为其参与日前市场提供决策依据。为此,兼顾日前市场,以预期效益最大为目标,构建模型如式:
Ph,i,t=Ki·Qi,t·Hi,t
E总为总预期收益,元;
Ph,i,t为第k级级水电站第t时段n号机组的出力,kW;
Ww,t为风电第t时段的消纳电量,KW·h;
Ws,t为光伏第t时段的消纳电量,KW·h;
T为时段总数;
n为梯级水电站的总数;
Ki为第i级水电站的出力系数;
Qi,t为第i级水电站第t时段的平均发电流量,m3/s;
Hi,t为第i级水电站,第t时段的平均发电水头,m;
和/>分别为t时段电价、调频容量单价以及调频里程单价;
Ck,t为第k个水电站AGC发电单元t时段AGC容量;
Ak,t为第k个水电站AGC发电单元t时段调频性能指标;
Mk,t为第k个水电站AGC发电单元t时段调频里程;
由于本文为日前调度框架下建模,实际调频里程。由于本文为日前调度框架下建模,Mk,t可通过AGC发电单元历史调度数据进行估算。
目标函数二:
最小化综合风险率。在水风光联合系统中,梯级水电站具有补偿风电和光伏输出的调节能力,并处理风电和光伏功率预测不确定性的影响。然而,由于水电站水库的物理和运行限制,梯级水电站的调节能力有时是有限的。因此,在实施水风光联合发电计划的第二天,可能会出现限电和电力短缺。这意味着预测的不确定性的风和光伏功率带来的风险的发电调度。为解决这一问题,在制定发电计划时应考虑综合限电和缺电风险,以使综合风险率最小:
其中i是代表性场景的数量;
rci,t,t和rsi,t,t分别为情景i下在时段t的弃风弃光率和全系统缺电率;
T是操作周期的数量;
Pi,t计划是水风光在时间段t的计划输送功率(MW);
为情景i下梯级水电站在时间段t的实际发电量(MW);
ΔPi,t是在时间段t(MW)时系统的实际功率输出与发电计划中的计划输送功率之间的差;
b、决策变量:为平均发电流量和平均发电水头;t时段取15分钟为一个步长。
c、约束条件:
(1)水风光输送通道容量约束:
风光并网之后,水风光互补电源系统仍利用原基地外送水电的通道送电,并不改变其与电网其他电源之间的拓扑结构关系。
Ph,t+Pw,t+Ps,t≤Pmax
上式中,Pmax为输电通道的极限传输功率,Ph,t为t时刻所有水电站输出功率,Pw,t为t时刻所有风电输出功率,Ps,t为t时刻所有光伏的输出功率;
(2)梯级水电站水量平衡约束:
Vi,t+1、Vi,t分别为第i个水电站在第t时段初、末水库蓄水量,m3;
Qr,i,t为第i个水电站第t时段的入库流量,m3/s;
Qd,i,t为第i个水电站第t时段的下泄流量,m3/s;
Qf,i,t为第i个水电站第t时段的发电流量,m3/s;
Qs,i,t为第i个水电站第t时段的弃水流量,m3/s;
(3)上下游水力联系:
Qr,i,t=Qd,i-1,t+Qq,i,t
Qd,i-1,t,为第i个水电站的上游电站的下泄流量,m3/s
Qd,i,t为第i-1个电站到第i个电站之间范围的区间流量,m3/s
(4)水位-库容约束:
Vi,t=fi,zv(Zi,t)
fi,zv为第i个水电站的水位库容关系函数;
(5)尾水位-泄流量约束:
Zd,i,t=fi,zq(Qd,i,t)
fi,zq为第i个水电站的尾水位泄量关系函数;
Zd,i,t为第i个水电站t时段的下游水位,m;
(6)水位限制:
Zi,tmin≤Zi,t≤Zi,tmax
Zi,tmin为第i个水电站t时段最低运行水位,本研究取调度下线,m;
Zi,tmax为第i个水电站t时段最高运行水位,本研究取调度上线,m;
(7)发电流量限制:
Qi,tmin≤Qi,t≤Qi,tmax
Qi,tmin为第i个水电站在t时段最小引用流量,m3/s;
为第i个水电站在t时段水库的最小生态流量,m3/s;
为第i个水电站在t时段水轮机组要求的最小引用流量,m3/s;
Qi,tmax为第i个水电站在t时段最大引用流量,m3/s;
(8)电站出力约束:
Ni,tmin≤KQi,tHi,t≤Ni,tmax
Ni,tmin为第i个水电站在t时段发电机组的最小出力,kW;
Ni,tmax为第i个水电站在t时段发电机组的最大出力,kW;
Hi,t为第i个水电站在t时0段的发电水头,m;
(9)调频容量约束:
ui,k为机组功能标识,当机组为AGC机组时,ui,k=1,否则,ui,k=0;
分别为第k个水电站t时段i号机组的向上可调容量与向下可调容量;
(10)调频容量限制:
为t时段AGC发电单元调频容量申报下限和上限。
优选的,所述步骤六中的多目标优化算法为多目标白鲸优化算法。它是启发式算法得一种,该方法将白鲸优化算法和NSGA-II算法结合,能够有效避免陷入局部最优,并加快收敛速度,求得帕累托前沿解。
白鲸优化算法(Beluga whale optimization,BWO)是由是由Changting Zhong等于2022年提出的一种群体智能优化算法。BWO算法模仿白鲸的行为,如游泳,捕食和鲸鱼坠落。类似于其他元启发式,BWO包含探索阶段和开发阶段。探索阶段通过白鲸的随机选择保证设计空间的全局搜索能力,开发阶段控制设计空间的局部搜索,如图2所示,为白鲸优化算法流程图。为了对行为进行建模,白鲸被视为搜索代理,可以通过改变其位置向量在搜索空间中移动。此外,在改变白鲸的位置的BWO中考虑了鲸鱼坠落的概率。
NSGA-II算法引入了精英策略,达到保留优秀个体淘汰劣等个体的目的。精英策略通过将父代与子代个体混合形成新的群体,扩大了产生下一代个体时的筛选范围。
MOBWO算法则是则是将白鲸优化算法BWO和NSGA-II进行了结合,其主要思想是在NSGA-II的演化过程中引入BWO搜索机制,以增加算法的全局搜索能力。具体表现为:引入BWO算法的勘探和开发机制,例如二进制加权交叉和多项式变异,作为NSGA-II的交叉和变异操作,以增加搜索空间的探索能力。调整交叉概率和变异概率的参数,解决了因为遗传算法导致陷入的局部最优解的问题,特别是在高度复杂或具有大量局部最优解的问题中,使其能够更加有效的逼近全局最优解。
图3、4、5、6示出了针对春、夏、秋、冬四季中的典型日的发电调度模型的帕累托解集,解释了综合缺电风险和梯级水电最大出力的关系。图中可以观察到综合风险率与梯级水电发电量的关系随季节而变化。具体而言,在典型春季日和典型冬季日,当梯级水电平均出力分别大于2350MW和1900MW时,综合风险可控制在较低水平。相比之下,当梯级水电平均出力分别低于2350MW和1900MW时,综合风险率随着梯级水电平均出力的减少而增加。与典型春季日和典型冬季日不同,典型夏季日和典型秋季日的综合风险率与梯级发电量之间存在竞争关系。与典型春季日和典型冬季日相比,典型夏季日和典型秋季日的径流量均足以满足水力发电的需要。在这种情况下,计划预测的电力输送量很高,但梯级水电站由于其装机容量的限制,无法解决预测的不确定性,从而导致电力短缺。因此,当径流量充足时,梯级水电出力越高,综合风险率越高。此外,由于季节性来水不足限制了梯级水电站的灵活性,典型冬季日的综合风险率远高于其他季节。同时,缺乏流入也意味着很难平衡不同的目标,这导致目标之间的竞争关系比其他目标更加复杂。
引入风险规避原则的输送功率既不能过高也不能过低,以减少甚至避免电力短缺和限电措施的风险。因此,风险规避可能以降低发电量或调峰性能为代价。该模型将运行风险作为优化目标,结合发电量和调峰性能,参与系统的优化和决策过程,实现风险与收益的平衡,保证了系统的稳定运行。理论上,帕累托解集中的每个解都是模型的最优解。在这项研究中,制定的发电计划有一个风险属性,提供可靠的风险信息,用于决策。在此基础上,决策者可以根据自己的风险偏好迅速做出选择,从而提高决策效率。
相比于现有技术,本发明的技术方案所带来的有益效果是:本发明提出了一种日前市场下水风光联合互补优化调度的方法,为收集研究区域内的风电场、光伏电站的历史数据;并拟合表征该地区风光出力联合概率分布模型;通过代表性场景表征风电和光伏电力的预测不确定性,然后将其输入模型中;根据大规模水风光互补联合调度特性和水电站的调节能力,采用时间参数描述,水风光互补联合调度的出力过程,并设置水风光短期协同运行的策略;构建了日前市场下水风光系统的经济以及考虑缺电风险的多目标优化调度模型。并采用采用多目标白鲸优化算法对模型求解。根据管理者和决策者对于风险和经济的目标导向的确定,进而选择水风光的调度方案。可以提供具有风险指标的水风光的日前发电调度集合,梯级水电公司可根据季节和自身对于风险的承担能力做出抉择,决定自身发电量。
总体而言,提出的方法可以改善水风光联合调度的短期操作的指导方针。此外,可以提供具有风险指标的水风光的灵活的日前发电调度集合,这便于决策者做出明智的决定。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (5)
1.一种日前市场下水风光联合互补优化调度方法,其特征在于,包括以下步骤:
步骤一,收集研究区域内的风电场、光伏电站的历史数据;并拟合表征该地区风光出力联合概率分布模型;
步骤二,通过代表性场景表征风电和光伏电力的预测不确定性,然后将其输入模型中;
步骤三,根据大规模水风光互补联合调度特性和水电站的调节能力,采用时间参数描述,水风光互补联合调度的出力过程,并设置水风光短期协同运行的策略;
步骤四,根据步骤三构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型;
步骤五,基于步骤三和步骤四构建的日前市场水风光短期互补优化调度模型和策略,设置多目标优化求解方法;
步骤六,将由步骤一和步骤二所得的不确定性的风力和光伏功率预测场景的日出力过程输入模型,将各水电站的出力作为步骤五的输入变量,采用多目标优化算法对模型求解;
步骤七,基于步骤六形成帕累托前沿解,并选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估,提供不同的导向确定水风光最优配置方案。
2.根据权利要求1所述一种日前市场下水风光联合互补优化调度方法,其特征在于,所述步骤一中,集研究区域内的风电场、光伏电站的历史实测日出力数据,基于非参数核密度估计法分别求得域风电、光伏出力样本的概率密度函数,运用Copula理论建立多个常见的风光出力联合概率分布模型,通过比较其Kendall、Spearman相关系数度量值以及欧氏距离,从中选取拟合程度最优的Copula函数表征该地区的风光出力互补特性。
3.根据权利要求1所述一种日前市场下水风光联合互补优化调度方法,其特征在于,所述步骤二通过超立方拉丁抽样的方法获得的有限样本可以更准确地描述变量的分布,然后基于预测的风力和光伏功率输出以及模拟的预测误差,生成可以表征预测不确定性的风力和光伏功率场景的集合。
4.根据权利要求1所述一种日前市场下水风光联合互补优化调度方法,其特征在于,所述步骤四构建日前市场下水风光系统的最优经济模型、以及考虑缺电风险最小的多目标优化模型由目标函数、决策变量和约束条件构成,
a、目标函数:
目标函数一:
兼顾日前市场,以预期效益最大为目标:
Ph,i,t=Ki·Qi,t·Hi,t
E总为总预期收益,元;
Ph,i,t为第k级级水电站第t时段n号机组的出力,kW;
Ww,t为风电第t时段的消纳电量,KW·h;
Ws,t为光伏第t时段的消纳电量,KW·h;
T为时段总数;
n为梯级水电站的总数;
Ki为第i级水电站的出力系数;
Qi,t为第i级水电站第t时段的平均发电流量,m3/s;
Hi,t为第i级水电站,第t时段的平均发电水头,m;
和/>分别为t时段电价、调频容量单价以及调频里程单价;
Ck,t为第k个水电站AGC发电单元t时段AGC容量;
Ak,t为第k个水电站AGC发电单元t时段调频性能指标;
Mk,t为第k个水电站AGC发电单元t时段调频里程;
目标函数二:
最小化综合风险率制定发电计划时应考虑综合限电和缺电风险
其中i是代表性场景的数量;
rci,t,t和rsi,t,t分别为情景i下在时段t的弃风弃光率和全系统缺电率;
T是操作周期的数量;
Pi,t计划是水风光在时间段t的计划输送功率(MW);
为情景i下梯级水电站在时间段t的实际发电量(MW);
ΔPi,t是在时间段t(MW)时系统的实际功率输出与发电计划中的计划输送功率之间的差;
b、决策变量:为平均发电流量和平均发电水头;
c、约束条件:
(1)水风光输送通道容量约束:
Ph,t+Pw,t+Ps,t≤Pmax
上式中,Pmax为输电通道的极限传输功率,Ph,t为t时刻所有水电站输出功率,Pw,t为t时刻所有风电输出功率,Ps,t为t时刻所有光伏的输出功率;
(2)梯级水电站水量平衡约束:
Vi,t+1、Vi,t分别为第i个水电站在第t时段初、末水库蓄水量,m3;
Qr,i,t为第i个水电站第t时段的入库流量,m3/s;
Qd,i,t为第i个水电站第t时段的下泄流量,m3/s;
Qf,i,t为第i个水电站第t时段的发电流量,m3/s;
Qs,i,t为第i个水电站第t时段的弃水流量,m3/s;
(3)上下游水力联系
Qr,i,t=Qd,i-1,t+Qq,i,t
Qd,i-1,t,为第i个水电站的上游电站的下泄流量,m3/s
Qd,i,t为第i-1个电站到第i个电站之间范围的区间流量,m3/s
(4)水位-库容约束
Vi,t=fi,zv(Zi,t)
fi,zv为第i个水电站的水位库容关系函数;
(5)尾水位-泄流量约束
Zd,i,t=fi,zq(Qd,i,t)
fi,zq为第i个水电站的尾水位泄量关系函数;
Zd,i,t为第i个水电站t时段的下游水位,m;
(6)水位限制
Zi,tmin≤Zi,t≤Zi,tmax
Zi,tmin为第i个水电站t时段最低运行水位,本研究取调度下线,m;
Zi,tmax为第i个水电站t时段最高运行水位,本研究取调度上线,m;
(7)发电流量限制
Qi,tmin≤Qi,t≤Qi,tmax
Qi,tmin为第i个水电站在t时段最小引用流量,m3/s;
为第i个水电站在t时段水库的最小生态流量,m3/s;
为第i个水电站在t时段水轮机组要求的最小引用流量,m3/s;
Qi,tmax为第i个水电站在t时段最大引用流量,m3/s;
(8)电站出力约束
Ni,tminvKQi,tHi,t≤Ni,tmax
Ni,tmin为第i个水电站在t时段发电机组的最小出力,kW;
Ni,tmax为第i个水电站在t时段发电机组的最大出力,kW;
Hi,t为第i个水电站在t时0段的发电水头,m;
(9)调频容量约束
ui,k为机组功能标识,当机组为AGC机组时,ui,k=1,否则,ui,k=0;
分别为第k个水电站t时段i号机组的向上可调容量与向下可调容量;
(10)调频容量限制
为t时段AGC发电单元调频容量申报下限和上限。
5.根据权利要求1所述一种日前市场下水风光联合互补优化调度方法,其特征在于,所述步骤六中的多目标优化算法为多目标白鲸优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156298.0A CN117353387A (zh) | 2023-09-07 | 2023-09-07 | 一种日前市场下水风光联合互补优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156298.0A CN117353387A (zh) | 2023-09-07 | 2023-09-07 | 一种日前市场下水风光联合互补优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117353387A true CN117353387A (zh) | 2024-01-05 |
Family
ID=89365753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311156298.0A Pending CN117353387A (zh) | 2023-09-07 | 2023-09-07 | 一种日前市场下水风光联合互补优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117353387A (zh) |
-
2023
- 2023-09-07 CN CN202311156298.0A patent/CN117353387A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6736112B2 (ja) | 超大規模の水力発電所群の短期間実用化スケジューリング方法 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN106786799B (zh) | 一种直流联络线功率阶梯化发电计划优化方法 | |
CN109390981B (zh) | 新能源参与电量平衡的送端电网机组组合运行控制方法 | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN109412158B (zh) | 一种考虑弃能成本约束的送端电网机组组合运行控制方法 | |
CN111160640A (zh) | 水电站耗水率迭代修正的电力系统日前现货市场出清方法 | |
CN112651634B (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN102509175A (zh) | 分布式供电系统可靠性优化方法 | |
CN105184426B (zh) | 一种基于随机连续寻优策略的梯级电站调峰方法 | |
CN110942212B (zh) | 一种基于梯级水库运行系数的梯级水库优化运行方法 | |
CN111181198A (zh) | 一种基于网源互馈的异质能源互补发电调度方法 | |
CN110909954A (zh) | 一种最大化可再生能源利用的多阶段电源规划方法 | |
CN112417652A (zh) | 一种电-气-热综合能源系统优化调度方法及系统 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN109873419B (zh) | 一种考虑相似度和经济收益的水光蓄系统运行优化方法 | |
CN105868841B (zh) | 一种基于风电优先上网的风水火联合调度方法 | |
CN117134409A (zh) | 考虑电-氢-热互补的微网系统及其多目标优化配置方法 | |
CN117013522A (zh) | 考虑分布式电源和气电协同的综合能源系统调度优化方法 | |
CN117353387A (zh) | 一种日前市场下水风光联合互补优化调度方法 | |
CN114465226A (zh) | 一种电力系统多级备用获取联合优化模型的建立方法 | |
CN114362255A (zh) | 一种源网荷储电力系统多目标日前调度优化方法及系统 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 |
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 |