CN117458488B - 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 - Google Patents
梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117458488B CN117458488B CN202311787729.3A CN202311787729A CN117458488B CN 117458488 B CN117458488 B CN 117458488B CN 202311787729 A CN202311787729 A CN 202311787729A CN 117458488 B CN117458488 B CN 117458488B
- Authority
- CN
- China
- Prior art keywords
- stage
- constraint
- day
- water
- hydropower
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 230000000295 complement effect Effects 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 230000002829 reductive effect Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 93
- 230000006870 function Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000000844 transformation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000670 limiting effect Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 230000000452 restraining effect Effects 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000033228 biological regulation Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- H02J3/38—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
- 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
- H02J2300/22—The renewable source being solar 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
- H02J2300/20—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及多能源互补发电系统优化调度技术领域,尤其涉及一种梯级水光互补分布鲁棒优化调度方法、装置、设备及介质,包括:考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;建立日前阶段与日内阶段的两阶段约束条件;基于数据驱动方法,建立考虑1‑范数和∞‑范数约束不确定性概率分布置信集合;基于分段线性化和McCormick松弛,将分布鲁棒模型转化为混合整数线性规划模型;对混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。本发明中,能够提升互补运行的调峰能力,以及能够降低光伏出力预测不确定性带来的运行风险。
Description
技术领域
本发明涉及多能源互补发电系统优化调度技术领域,尤其涉及一种梯级水光互补分布鲁棒优化调度方法、装置、设备及介质。
背景技术
为实现双碳目标,以风能、太阳能、水能为代表的清洁能源在全球范围内快速发展。然而,随着风、光等新能源装机容量和发电量不断提高,新能源发电固有的间歇性、波动性和强随机性,对电力系统安全稳定运行带来挑战。将水电与新能源打捆,借助水电的灵活调节能力,补偿风电、光伏新能源的波动,形成水风光互补发电系统,是实现新能源消纳的有效途径。
梯级水电与光伏共用同一通道外送,优化梯级水电的出力曲线,补偿光伏的波动性,实现梯级水光互补发电系统调峰运行目标,降低受端电网的调峰压力。然而,在日前发电计划编制过程中,由于光伏发电处理的不确定性,可能导致预期调峰效果差于预期,导致弃电等发生。
传统的随机优化通常假定随机变量服从给定的概率分布,然后采用抽样等方式将不确定性问题转化为确定性问题进行求解,被广泛应用于水电与新能源的协调调度研究。但在实际问题中随机变量的概率分布往往未知,假设的概率分布不能准确刻画光伏的出力特征,从而导致随机优化所得到的调度运行方案无法满足实际系统的运行需求,即出现所谓“样本外表现”较差的问题。
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
本发明提供了一种梯级水光互补分布鲁棒优化调度方法、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:一种梯级水光互补分布鲁棒优化调度方法,包括如下步骤:
考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
建立日前阶段与日内阶段的两阶段约束条件;
基于数据驱动方法,建立考虑1-范数和∞-范数约束不确定性概率分布置信集合;
基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型;
对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。
进一步地,所述建立梯级水光互补在日前和日内两阶段分布鲁棒模型,包括:
;
;
;
其中,T为一个调度周期的时段数;I为参与调度的梯级水电站数量;G i 为第i座水电站中的机组总数;P L,t 为t时段的受端电网原负荷;PRL s,t为s场景t时段的受端电网剩余负荷;P i,g,s,t 和分别为第i级水电站第g台机组在s场景t时段的出力和日前与日内出力偏差;P i,g,t 为日前阶段水电机组出力;/>和/>分别为s场景t时段的光伏电站实际出力和最大可用出力;λ和γ为相应的权重系数。
进一步地,所述建立日前阶段与日内阶段的两阶段约束条件,包括:
建立日前阶段约束条件,包括:
梯级水力平衡约束:
;
;
;
其中,V i,t 为第i级水电站t时段的水库蓄水量;、q i,t 和s i,t 分别为第i级水电站t时段的区间流量、下泄流量和弃水流量;Q i,g,t 和d i,g,t 分别为第i级水电站第g台机组t时段的发电流量和水电机组启停导致的损失流量;QSU i,g和QSD i,g为水电机组启停的损失水量;/>和/>分别为表示机组启停操作的0-1变量,取1时表示机组开机操作,反之为机组停机操作;τ i-1 为第i-1级水电站到第i级水电站之间的水流滞时;Δt为调度周期内一个调度时段的时长;
库容控制约束:
;
;
;
其中,V i,max 和V i,min 分别为第i级水库库容的上、下限;V i,begin 和V i,end 分别为第i级水库在调度期初和调度期末的目标控制库容;
水电机组动力特性关系:
;
;
;
其中,ρ为水密度;η i,g 为第i级水电站中第g台水电机组的发电效率;H i,g,t 为t时段第i级水电站中第g台机组的发电净水头;和/>分别为第i级水电站中第g台水电机组的最小和最大发电流量;u i,g,t 为第i级水电站第g台机组在t时段的开停机状态变量,若开机取1,反之取0;s i,max 为第i级水电站的弃水流量上限;
水电机组振动区限制约束:
;
其中,和/>分别为第i级水电站中第g台水电机组出力的第m个振动区的上限和下限;
开停机状态变量与操作变量约束:
;
;
;
;
;
;
其中,和/>分别为机组最小开机和停机时间;Z SU 和Z SD 分别为机组最大开机和停机次数;
机组发电水头约束:
;
其中,为t时段第i级水库的坝前水位;/>为t时段第i级水库的尾水位;/>为第i级水电站中第g台机组t时段的水头损失;
坝前水位-库容关系约束:
;
其中,f FB,i (.)为第i级水库的坝前水位与库容的函数关系;
尾水位-下泄流量关系约束
;
其中,f TL,i (.)第i级水库的尾水位与下泄流量的函数关系;
建立日内阶段约束条件,包括:
梯级水电运行约束:
;
梯级水电调整约束:
;
其中,为水电机组爬坡速率;
外送通道限制约束:
;
其中,P L,max 为梯级水光联合发电系统的外送输电最大输电容量。
进一步地,所述基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合,包括:
在N个光伏历史数据中通过聚类产生有限S个离散场景(ξ1, ξ2,…ξs)来表示光伏出力的可能值;
通过1-范数和范数约束对各场景的概率分布进行约束,包括:
;
其中,P s 为第s个离散场景的概率值;为第s个离散场景的历史经验概率值;ω 1 和分别表示在1-范数和/>范数约束下的离散场景概率允许偏差限值;
对于从N组历史数据中所取的S组离散场景来说,{P s }满足置信度约束如下式:
;
;
若采用α 1 、 分别表示上式不等号右侧的置信度,则可求得离散场景允许偏差限值如下式:
;
;
随着历史数据总数的不断增大,ω 1 和的值均不断减小,即求解所得的不确定变量概率分布不断向历史经验分布靠拢。
进一步地,所述基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型,包括:
坝前水位-库容关系的分段线性化:
首先将第i级水电站所对应水库的库容进行分段,离散为J个区间:
;
其中,为第i级水库在第j个分段点上的蓄水量;/>为第i级水库在第j个分段点上对应的水位;那么,在t时段,第i级水库的水位/>和蓄水量/>可由下式表达:
;
;
;
;
其中,为库容区间的标志变量,若t时段第i级水库的蓄水量在第j段库容内则为1,否则为0;
机组动力特性函数的McCormick松弛方法:
假设每台机组的发电效率η i,g 恒定,则水电机组的出力特性采用McCormick凸包络松弛法进行线性化处理:
;
;
;
;
振动区约束线性化:
引入0-1变量将其转化为线性约束:
;
;
其中,M为第i级水电站中第g台水电机组的振动区数量;为0-1变量,若t时段第i级水电站中第g台水电机组的出力位于第m个安全运行区内则为1,否则为0;/>和/>分别为第i级水电站g台水电机组第m个安全区的上下限,其取值与振动区上下限和水电最大最小技术出力对应;
目标函数的线性化:
;
;
;
;
;
其中,和/>分别表示受端电网剩余负荷的最大值和最小值;
综合范数约束的线性化处理:
1-范数和∞-范数的约束条件为绝对值约束,通过引入0-1辅助变量和/>,将其等效为线性约束,对于/>范数约束,进行如下转化:
;
其中,P p,s 和P n,s 分别为概率值P s 相对于历史经验概率值的正负偏差,同理对于1-范数约束,也进行如下相应转化:
;
将两阶段分布鲁棒优化模型转换为混合整数线性规划模型,经过转化后的梯级水光互补两阶段分布鲁棒优化调度模型整理为下式:
;
;
;
;
;
其中,x为第一阶段决策变量,即梯级水电机组的机组启停变量、水电日前计划出力;y s 为第二阶段决策变量,包括各梯级水电机组的日内实时出力等;为不确定性参数,对应光伏实际出力;a,b,c,d,e,A,B,C,D,E分别为目标函数和约束条件中的相关系数矩阵;a和b为模型目标函数中的系数矩阵,/>为给定的第一阶段决策方案,即给定梯级水电机组启停、水电日前计划出力下,概率分布不确定集中在概率分布场景s下的梯级水光互补系统的调峰、水电调整和弃光值,A和B分别为仅含第一阶段变量的不等式约束和等式约束中决策变量的系数矩阵,c和d分别为仅含第一阶段变量的不等式约束和等式约束中的常数矩阵,D和E分别为第一阶段和第二阶段耦合约束中变量的系数矩阵,e为第一阶段和第二阶段耦合约束中的常数矩阵,C为仅含第二阶段变量的约束中的决策变量的系数矩阵。
进一步地,所述对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法,包括:
采用C&CG算法将原问题分为主问题 MP和子问题SP,MP基于SP传递的场景概率分布集合,求解最恶劣目标期望下的最优鲁棒决策,其给模型式提供一个下界值,如下式:
;
其中,k为迭代次数,SP是在给定的第一阶段变量的情况下,寻找最恶劣概率分布,当给定第一阶段决策变量x *,可得SP如下式:
;
SP为双层优化问题,其中的日前阶段决策变量为已知,由于各离散场景互相独立,SP的内层优化问题是数个独立的线性优化问题,首先求解下式各离散场景下的最优日内阶段目标值:
;
然后通过下式获得整体目标函数最差期望下的各场景概率(,/> ,…,/>),并将该值传递给MP,以进行MP的下一次迭代;
;
采用Yalmip调用Gurobi求解器对所述模型进行求解,两阶段分布鲁棒模型通过不断迭代,直到满足收敛条件,获得梯级水光互补分布鲁棒优化调度方法。
本发明还包括一种梯级水光互补分布鲁棒优化调度装置,使用如上述的方法,包括:
目标函数建立单元,所述目标函数建立单元用于考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
约束条件建立单元,所述约束条件建立单元用于建立日前阶段与日内阶段的两阶段约束条件;
分布置信集合建立单元,所述分布置信集合建立单元用于基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合;
线性转化单元,所述线性转换单元用于基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型;
求解单元,所述求解单元对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。
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:本发明通过建立考虑1-范数和范数约束不确定性概率分布置信集合,且将分布鲁棒模型转化为混合整数线性规划模型,对混合整数线性规划模型采用列与约束生成算法进行求解,能够有效利用梯级水电的灵活发电能力实现梯级水电与光伏协同调峰运行,且提升互补运行的调峰能力,以及能够降低光伏出力预测不确定性带来的运行风险。
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为实施例1中方法的流程图;
图2为实施例1中装置的结构示意图;
图3为实施例2中方法的流程图;
图4为实施例2中不同方法的梯级水电运行的机组台数结果图;
图5为实施例2中部分水电站日前出力计划结果图;
图6为实施例2中不同方法的梯级水电日前出力计划结果图;
图7为计算机设备的结构示意图。
具体实施方式
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。
实施例1:
如图1所示:一种梯级水光互补分布鲁棒优化调度方法,包括如下步骤:
考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
建立日前阶段与日内阶段的两阶段约束条件;
基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合;
基于分段线性化和McCormick松弛,将分布鲁棒模型转化为混合整数线性规划模型;
对混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。
通过建立考虑1-范数和范数约束不确定性概率分布置信集合,且将分布鲁棒模型转化为混合整数线性规划模型,对混合整数线性规划模型采用列与约束生成算法进行求解,能够有效利用梯级水电的灵活发电能力实现梯级水电与光伏协同调峰运行,且提升互补运行的调峰能力,以及能够降低光伏出力预测不确定性带来的运行风险。
在本实施例中,建立梯级水光互补在日前和日内两阶段分布鲁棒模型,包括:
;
;
;
其中,T为一个调度周期的时段数;I为参与调度的梯级水电站数量;G i 为第i座水电站中的机组总数;P L,t 为t时段的受端电网原负荷;为s场景t时段的受端电网剩余负荷;P i,g,s,t 和/>分别为第i级水电站第g台机组在s场景t时段的出力和日前与日内出力偏差;P i,g,t 为日前阶段水电机组出力;/>和/>分别为s场景t时段的光伏电站实际出力和最大可用出力;λ和γ为相应的权重系数。
建立日前阶段与日内阶段的两阶段约束条件,包括:
建立日前阶段约束条件,包括:
梯级水力平衡约束:
;
;
;
其中,V i,t 为第i级水电站t时段的水库蓄水量;、q i,t 和s i,t 分别为第i级水电站t时段的区间流量、下泄流量和弃水流量;Q i,g,t 和d i,g,t 分别为第i级水电站第g台机组t时段的发电流量和水电机组启停导致的损失流量;/>和/>为水电机组启停的损失水量;δ i,g,t 和σ i,g,t 分别为表示机组启停操作的0-1变量,取1时表示机组开机操作,反之为机组停机操作;τ i-1 为第i-1级水电站到第i级水电站之间的水流滞时;Δt为调度周期内一个调度时段的时长;
库容控制约束:
;
;
;
其中,V i,max 和V i,min 分别为第i级水库库容的上、下限;V i,begin 和V i,end 分别为第i级水库在调度期初和调度期末的目标控制库容;
水电机组动力特性关系:
;
;
;
其中,ρ为水密度;η i,g 为第i级水电站中第g台水电机组的发电效率;H i,g,t 为t时段第i级水电站中第g台机组的发电净水头;和/>分别为第i级水电站中第g台水电机组的最小和最大发电流量;u i,g,t 为第i级水电站第g台机组在t时段的开停机状态变量,若开机取1,反之取0;s i,max 为第i级水电站的弃水流量上限;
水电机组振动区限制约束:
;
其中,和/>分别为第i级水电站中第g台水电机组出力的第m个振动区的上限和下限;
开停机状态变量与操作变量约束:
;
;
;
;
;
;
其中,和/>分别为机组最小开机和停机时间;Z SU 和Z SD 分别为机组最大开机和停机次数;
机组发电水头约束:
;
其中,为t时段第i级水库的坝前水位;/>为t时段第i级水库的尾水位;/>为第i级水电站中第g台机组t时段的水头损失;
坝前水位-库容关系约束:
;
其中,f FB,i (.)为第i级水库的坝前水位与库容的函数关系;
尾水位-下泄流量关系约束
;
其中,f TL,i (.)第i级水库的尾水位与下泄流量的函数关系;
建立日内阶段约束条件,包括:
梯级水电运行约束:在日前阶段确定的优化变量,在日内阶段不再变化。日内阶段梯级水电运行约束与日前约束类似,其所涉及的第二阶段优化变量需由单一场景变量转换为S个离散场景变量,包括梯级水力平衡约束、库容控制约束、水电机组动力特性关系、水电机组振动区限制约束、机组发电水头约束、坝前水位-库容关系约束和尾水位-下泄流量关系约束。以水电机组动力特性关系为例,转换后的约束条件如下:
;
其余梯级水电运行约束转换不再赘述;
梯级水电调整约束:
;
其中,为水电机组爬坡速率;
外送通道限制约束:
;
其中,P L,max 为梯级水光联合发电系统的外送输电最大输电容量。
基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合,包括:
由于实际光伏出力场景不确定性概率分布很难获取,所以采用基于数据驱动方法进行光伏出力模拟,在N个光伏历史数据中通过聚类产生有限S个离散场景(ξ1, ξ2,…ξs)来表示光伏出力的可能值;然而,由于历史数据样本数量等问题,各离散场景的实际概率仍然存在不确定性。为了保证求解所得的概率分布与历史经验概率分布之间的相差程度在合理范围内,利用1-范数和/>范数来对各场景的概率分布进行约束, 描述了离散场景的实际概率分布值与经验概率分布的距离,如下式:
;
其中,P s 为第s个离散场景的概率值;为第s个离散场景的历史经验概率值;ω 1 和/>分别表示在1-范数和∞-范数约束下的离散场景概率允许偏差限值;
对于从N组历史数据中所取的S组离散场景来说,{P s }满足置信度约束如下式:
;
;
若采用α 1 、 分别表示上式不等号右侧的置信度,则可求得离散场景允许偏差限值如下式:
;
;
随着历史数据总数的不断增大,ω 1 和的值均不断减小,即求解所得的不确定变量概率分布不断向历史经验分布靠拢。
在本实施例中,基于分段线性化和McCormick松弛,将分布鲁棒模型转化为混合整数线性规划模型,包括:
坝前水位-库容关系的分段线性化:
首先将第i级水电站所对应水库的库容进行分段,离散为J个区间:
;
其中,为第i级水库在第j个分段点上的蓄水量;/>为第i级水库在第j个分段点上对应的水位;那么,在t时段,第i级水库的水位/>和蓄水量/>可由下式表达:
;
;
;
;
其中,为库容区间的标志变量,若t时段第i级水库的蓄水量在第j段库容内则为1,否则为0;
机组动力特性函数的McCormick松弛方法:
水电机组的有功出力是与机组发电效率、发电流量及水头相关的非线性函数关系。假设每台机组的发电效率η i,g 恒定,则水电机组的出力特性采用McCormick凸包络松弛法进行线性化处理:
;
;
;
;
振动区约束线性化:
引入0-1变量将其转化为线性约束:
;
;
其中,M为第i级水电站中第g台水电机组的振动区数量;为0-1变量,若t时段第i级水电站中第g台水电机组的出力位于第m个安全运行区内则为1,否则为0;/>和/>分别为第i级水电站g台水电机组第m个安全区的上下限,其取值与振动区上下限和水电最大最小技术出力对应;
目标函数的线性化:
;
;
;
;
;
其中,和/>分别表示受端电网剩余负荷的最大值和最小值;
综合范数约束的线性化处理:
1-范数和范数的约束条件为绝对值约束,通过引入0-1辅助变量θ p,s 和θ n,s ,将其等效为线性约束,对于/>范数约束,进行如下转化:
;
其中,P p,s 和P n,s 分别为概率值P s 相对于历史经验概率值的正负偏差,同理对于1-范数约束,也进行如下相应转化:
;
梯级水电调度模型在第二阶段中引入大量0-1变量,基于对偶等价转化的求解方法,求解过程相对繁杂,难以处理第二阶段的大规模MILP问题。因此采用C&CG算法将原问题分为主问题 (Master problem, MP) 和子问题 (Sub-problem, SP)。MP基于SP传递的场景概率分布集合,求解最恶劣目标期望下的最优鲁棒决策,其给模型式提供了一个下界值,如下式:
;
;
;
;
;/>
其中,x为第一阶段决策变量,即梯级水电机组的机组启停变量、水电日前计划出力;y s 为第二阶段决策变量,包括各梯级水电机组的日内实时出力等;为不确定性参数,对应光伏实际出力;a,b,c,d,e,A,B,C,D,E分别为目标函数和约束条件中的相关系数矩阵;a和b为模型目标函数中的系数矩阵,/>为给定的第一阶段决策方案,即给定梯级水电机组启停、水电日前计划出力下,概率分布不确定集中在概率分布场景s下的梯级水光互补系统的调峰、水电调整和弃光值,A和B分别为仅含第一阶段变量的不等式约束和等式约束中决策变量的系数矩阵,c和d分别为仅含第一阶段变量的不等式约束和等式约束中的常数矩阵,D和E分别为第一阶段和第二阶段耦合约束中变量的系数矩阵,e为第一阶段和第二阶段耦合约束中的常数矩阵,C为仅含第二阶段变量的约束中的决策变量的系数矩阵。
作为上述实施例的优选,对混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法,包括:
采用C&CG算法将原问题分为主问题 MP和子问题SP,MP基于SP传递的场景概率分布集合,求解最恶劣目标期望下的最优鲁棒决策,其给模型式提供一个下界值,如下式:
;
其中,k为迭代次数,SP是在给定的第一阶段变量的情况下,寻找最恶劣概率分布,当给定第一阶段决策变量x *,可得SP如下式:
;
SP为双层优化问题,其中的日前阶段决策变量为已知,由于各离散场景互相独立,SP的内层优化问题是数个独立的线性优化问题,首先求解下式各离散场景下的最优日内阶段目标值:
;
然后通过下式获得整体目标函数最差期望下的各场景概率,并将该值传递给MP,以进行MP的下一次迭代;
;
采用Yalmip调用Gurobi求解器对模型进行求解,两阶段分布鲁棒模型通过不断迭代,直到满足收敛条件,获得梯级水光互补分布鲁棒优化调度方法。
如图2所示,本实施例中还包括一种梯级水光互补分布鲁棒优化调度装置,使用如上述的方法,包括:
目标函数建立单元,目标函数建立单元用于考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
约束条件建立单元,约束条件建立单元用于建立日前阶段与日内阶段的两阶段约束条件;
分布置信集合建立单元,分布置信集合建立单元用于基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合;
线性转化单元,线性转换单元用于基于分段线性化和McCormick松弛,将分布鲁棒模型转化为混合整数线性规划模型;
求解单元,求解单元对混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。
实施例2:
为展现本发明提供的考虑电网调峰和波动平抑的梯级水光互补分布鲁棒优化调度方法的有效性,下面结合具体的应用场景进行说明。
本发明实施例包含由三座梯级水电站组成的梯级水电站群和一座光伏发电站。
步骤流程如图3所示,首先建立梯级水光互补两阶段分布鲁棒模型的目标函数如下:
;
;
;
其中,T为一个调度周期的时段数;I为参与调度的梯级水电站数量;为第i座水电站中的机组总数;/>为t时段的受端电网原负荷;/>为s场景t时段的受端电网剩余负荷;和/>分别为第i级水电站第g台机组在s场景t时段的出力和日前与日内出力偏差;/>为日前阶段水电机组出力;/>和/>分别为s场景t时段的光伏电站实际出力和最大可用出力;/>和/>为相应的权重系数。
接着建立日前阶段与日内阶段的两阶段约束条件如下:
日前阶段约束条件包括:
1)梯级水力平衡约束:
;
;
;
其中,为第i级水电站t时段的水库蓄水量;/>、/>和/>分别为第i级水电站t时段的区间流量、下泄流量和弃水流量;/>和/>分别为第i级水电站第g台机组t时段的发电流量和水电机组启停导致的损失流量;/>和/>为水电机组启停的损失水量;/>和/>分别为表示机组启停操作的0-1变量,取1时表示机组开机操作,反之为机组停机操作;/>为第i-1级水电站到第i级水电站之间的水流滞时;/>为调度周期内一个调度时段的时长;
2)库容控制约束:
;
;
;
其中,和/>分别为第i级水库库容的上、下限;/>和/>分别为第i级水库在调度期初和调度期末的目标控制库容;
3)水电机组动力特性关系:
;/>
;
;
其中,为水密度;/>为第i级水电站中第g台水电机组的发电效率;/>为t时段第i级水电站中第g台机组的发电净水头;/>和/>分别为第i级水电站中第g台水电机组的最小和最大发电流量;/>为第i级水电站第g台机组在t时段的开停机状态变量,若开机取1,反之取0;/>为第i级水电站的弃水流量上限;
4)水电机组振动区限制约束:
;
其中,和/>分别为第i级水电站中第g台水电机组出力的第m个振动区的上限和下限;
5)开停机状态变量与操作变量约束:
;
;
;
;
;
;
其中,和/>分别为机组最小开机和停机时间;/>和/>分别为机组最大开机和停机次数;
6)机组发电水头约束:
;
其中,为t时段第i级水库的坝前水位;/>为t时段第i级水库的尾水位;/>为第i级水电站中第g台机组t时段的水头损失;
7)坝前水位-库容关系约束:
;
其中,为第i级水库的坝前水位与库容的函数关系;
8)尾水位-下泄流量关系约束
;
其中,第i级水库的尾水位与下泄流量的函数关系;
梯级水电参数见表1:
表1 梯级水电参数
;
日内阶段约束条件包括:
1)梯级水电运行约束:
在日前阶段确定的优化变量,在日内阶段不再变化。日内阶段梯级水电运行约束与日前约束类似,其所涉及的第二阶段优化变量需由单一场景变量转换为S个离散场景变量,包括梯级水力平衡约束、库容控制约束、水电机组动力特性关系、水电机组振动区限制约束、机组发电水头约束、坝前水位-库容关系约束和尾水位-下泄流量关系约束。以水电机组动力特性关系为例,转换后的约束条件如下:
;
其余梯级水电运行约束转换不再赘述;
2)梯级水电调整约束:
;
其中,为水电机组爬坡速率;
3)外送通道限制约束:
;
其中,为梯级水光联合发电系统的外送输电最大输电容量。
接着,基于数据驱动方法,建立考虑1-范数和范数约束不确定性概率分布置信集合:
由于实际光伏出力场景不确定性概率分布很难获取,所以采用基于数据驱动方法进行光伏出力模拟,在N个光伏历史数据中通过聚类产生有限的S个离散场景来表征光伏出力的可能值。然而,由于历史数据样本数量等问题,各离散场景的实际概率仍然存在不确定性。为了保证求解所得的概率分布与历史经验概率分布之间的相差程度在合理范围内,利用1-范数和/>范数来对各场景的概率分布进行约束, 描述了离散场景的实际概率分布值与经验概率分布的距离,如下式:
;
其中,为第s个离散场景的概率值;/>为第s个离散场景的历史经验概率值,可以根据历史数据聚合得到。/>和/>分别表示在1-范数和/>范数约束下的离散场景概率允许偏差限值。对于从N组历史数据中所取的S组离散场景来说,/>满足置信度约束如下式:/>
;
;
若采用、/>分别表示上式不等号右侧的置信度,则可求得离散场景允许偏差限值如下式:
;
;
随着历史数据总数的不断增大,与/>的值均不断减小,即求解所得的不确定变量概率分布不断向历史经验分布靠拢。
接着,基于分段线性化和McCormick松弛,将所述模型转化为混合整数线性规划模型:
1)坝前水位-库容关系的分段线性化:
首先将第i级水电站所对应水库的库容进行分段,离散为J个区间:
;
其中,为第i级水库在第j个分段点上的蓄水量;/>为第i级水库在第j个分段点上对应的水位。那么,在t时段,第i级水库的水位/>和蓄水量/>可由下式表达:
;
;
;
;
其中,为库容区间的标志变量,若t时段第i级水库的蓄水量在第j段库容内则为1,否则为0;
2)尾水位-下泄流量关系的线性化可采用坝前水位-库容关系线性化相同的方法,在此不再赘述;
3)机组动力特性函数的McCormick松弛方法:
水电机组的有功出力是与机组发电效率、发电流量及水头相关的非线性函数关系。本文假设每台机组的发电效率恒定,则水电机组的出力特性可采用McCormick凸包络松弛法进行线性化处理:
;
;
;
;
4)振动区约束线性化:
大型水力发电机组的技术出力上下限区间内通常存在多个振动区,导致水电机组的安全运行区划分为数个不连续的区域,水电机组运行中应避开振动区运行,引入0-1变量将其转化为线性约束:
;
;
其中,M为第i级水电站中第g台水电机组的振动区数量;为0-1变量,若t时段第i级水电站中第g台水电机组的出力位于第m个安全运行区内则为1,否则为0;/>和/>分别为第i级水电站g台水电机组第m个安全区的上下限,其取值与振动区上下限和水电最大最小技术出力对应;
5)目标函数的线性化:
;
;
;
;
;
其中,和/>分别表示受端电网剩余负荷的最大值和最小值;
6)综合范数约束的线性化处理:
1-范数和范数的约束条件为绝对值约束,通过引入0-1辅助变量/>和/>,将其等效为线性约束。对于/>范数约束,可以进行如下转化:
;
其中,和/>分别为概率值/>相对于历史经验概率值/>的正负偏差。同理对于1-范数约束,也可以进行如下相应转化:
;
进而将两阶段分布鲁棒优化模型转换为混合整数线性规划模型,经过转化后的梯级水光互补两阶段分布鲁棒优化调度模型可以整理为下式:
;
;
;
;
;
其中,x为第一阶段决策变量,即梯级水电机组的机组启停变量、水电日前计划出力等;为第二阶段决策变量,包括各梯级水电机组的日内实时出力等;/>为不确定性参数,对应光伏实际出力;a,b,c,d,e,A,B,C,D,E分别为目标函数和约束条件中的相关系数矩阵;a和b为模型目标函数中的系数矩阵,/>为给定的第一阶段决策方案,即给定梯级水电机组启停、水电日前计划出力下,概率分布不确定集中在概率分布场景s下的梯级水光互补系统的调峰、水电调整和弃光值,A和B分别为仅含第一阶段变量的不等式约束和等式约束中决策变量的系数矩阵,c和d分别为仅含第一阶段变量的不等式约束和等式约束中的常数矩阵,D和E分别为第一阶段和第二阶段耦合约束中变量的系数矩阵,e为第一阶段和第二阶段耦合约束中的常数矩阵,C为仅含第二阶段变量的约束中的决策变量的系数矩阵。
最后,对所述混合整数线性规划模型采用列与约束生成算法进行求解,求解方法如下:
梯级水电调度模型在第二阶段中引入大量0-1变量,基于对偶等价转化的求解方法,求解过程相对繁杂,难以处理第二阶段的大规模MILP问题。因此采用C&CG算法将原问题分为主问题 (Master problem, MP) 和子问题 (Sub-problem, SP)。MP基于SP传递的场景概率分布集合,求解最恶劣目标期望下的最优鲁棒决策,其给模型式提供了一个下界值,如下式:
;
其中,k为迭代次数。SP是在给定的第一阶段变量的情况下,寻找最恶劣概率分布。当给定第一阶段决策变量x *,可得子问题如下式:
;
SP为双层优化问题,其中的日前阶段决策变量为已知,由于各离散场景互相独立,SP的内层优化问题是数个独立的线性优化问题,能够并行求解,提高求解速度。首先求解下式各离散场景下的最优日内阶段目标值:
;
然后通过下式获得整体目标函数最差期望下的各场景概率,并将该值传递给MP,以进行MP的下一次迭代;
;
采用Yalmip调用Gurobi求解器对所述模型进行求解,两阶段分布鲁棒模型通过不断迭代,直到满足收敛条件,获得梯级水光互补分布鲁棒优化调度方法。
为充分说明本发明的实用性,本发明实施例分别对不同优化方法调度结果、不同方法调度结果运行风险和不同置信度下结果进行了对比分析。
在进行不同优化方法调度结果对比分析时,将分布鲁棒优化所得结果与确定性优化(deterministic optimization, DO)和传统两阶段随机优化(two-stagestochastic,TSO)所得结果进行对比分析,得到不同方法的梯级水电运行的机组台数、部分水电站日前出力计划和不同方法的梯级水电日前出力计划分别见图4、图5和图6,图4中(a)是第一级水电站中水电机组运行台数随时间变化的图,(b)是第二级水电站中水电机组运行台数随时间变化的图,(c)是第三级水电站中水电机组运行台数随时间变化的图;图5中(a)、(b)、(c)、(d)分别是第二级水电站的第1、2、3、4台机组的日前出力计划结果。
在进行不同方法调度结果运行风险对比分析时,计算在不同的梯级水电日前出力计划下系统峰谷差、弃光量、调整出力的期望和最大值,结果如表2所示:
表2 不同方法的优化结果对比
;
在进行不同置信度下结果对比分析时,设置不同的置信度和/>,对梯级水光互补调度结果进行分析。选取/>=0.99,不同的/>的综合范数约束下的结果,与仅考虑/>范数的计算结果,如表3所示:
表3 综合范数与范数结果对比
;
同理,选取=0.5,不同的综合范数约束下的结果与仅考虑1-范数的优化结果对比,如表4所示:
表4 综合范数与1-范数结果对比
;
从上述结果可看出,本实施例中方法可有效利用梯级水电的灵活发电能力实现梯级水电与光伏协同调峰运行,且提升互补运行的调峰能力,以及能够降低光伏出力预测不确定性带来的运行风险。
请参见图7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(ErasableProgrammable 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 (5)
1.一种梯级水光互补分布鲁棒优化调度方法,其特征在于,包括如下步骤:
考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
建立日前阶段与日内阶段的两阶段约束条件;
基于数据驱动方法,建立考虑1-范数和∞-范数约束不确定性概率分布置信集合;
基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型;
对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法;
所述建立梯级水光互补在日前和日内两阶段分布鲁棒模型,包括:
其中,T为一个调度周期的时段数;I为参与调度的梯级水电站数量;G i 为第i座水电站中的机组总数;P L,t 为t时段的受端电网原负荷;为s场景t时段的受端电网剩余负荷;P i,g,s,t 和/>分别为第i级水电站第g台机组在s场景t时段的出力和日前与日内出力偏差;P i,g,t 为日前阶段水电机组出力;/>和/>分别为s场景t时段的光伏电站实际出力和最大可用出力;λ和γ为相应的权重系数;
所述基于数据驱动方法,建立考虑1-范数和∞-范数约束不确定性概率分布置信集合,包括:
在N个光伏历史数据中通过聚类产生有限S个离散场景(ξ1, ξ2,…ξs)来表示光伏出力的可能值;
通过1-范数和∞-范数约束对各场景的概率分布进行约束,包括:
其中,P s 为第s个离散场景的概率值;为第s个离散场景的历史经验概率值;ω 1 和/>分别表示在1-范数和∞-范数约束下的离散场景概率允许偏差限值;
对于从N组历史数据中所取的S组离散场景来说,{P s }满足置信度约束如下式:
若采用α 1 、 分别表示上式不等号右侧的置信度,则可求得离散场景允许偏差限值如下式:
随着历史数据总数的不断增大,ω 1 和的值均不断减小,即求解所得的不确定变量概率分布不断向历史经验分布靠拢;
所述基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型,包括:
坝前水位-库容关系的分段线性化:
首先将第i级水电站所对应水库的库容进行分段,离散为J个区间:
其中,为第i级水库在第j个分段点上的蓄水量;/>为第i级水库在第j个分段点上对应的水位;那么,在t时段,第i级水库的水位/>和蓄水量/>可由下式表达:
其中,为库容区间的标志变量,若t时段第i级水库的蓄水量在第j段库容内则为1,否则为0;
机组动力特性函数的McCormick松弛方法:
假设每台机组的发电效率η i,g 恒定,则水电机组的出力特性采用McCormick凸包络松弛法进行线性化处理:
振动区约束线性化:
引入0-1变量将其转化为线性约束:
其中,M为第i级水电站中第g台水电机组的振动区数量;为0-1变量,若t时段第i级水电站中第g台水电机组的出力位于第m个安全运行区内则为1,否则为0;/>和/>分别为第i级水电站g台水电机组第m个安全区的上下限,其取值与振动区上下限和水电最大最小技术出力对应;
目标函数的线性化:
其中,和/>分别表示受端电网剩余负荷的最大值和最小值;
综合范数约束的线性化处理:
1-范数和∞-范数的约束条件为绝对值约束,通过引入0-1辅助变量θ p,s 和θ n,s ,将其等效为线性约束,对于∞-范数约束,进行如下转化:
其中,P p,s 和P n,s 分别为概率值P s 相对于历史经验概率值的正负偏差,同理对于1-范数约束,也进行如下相应转化:
将两阶段分布鲁棒优化模型转换为混合整数线性规划模型,经过转化后的梯级水光互补两阶段分布鲁棒优化调度模型整理为下式:
其中,x为第一阶段决策变量,即梯级水电机组的机组启停变量、水电日前计划出力; y s 为第二阶段决策变量,包括各梯级水电机组的日内实时出力等;ξ s 为不确定性参数,对应光伏实际出力;a,b,c,d,e,A,B,C,D,E分别为目标函数和约束条件中的相关系数矩阵;a和b为模型目标函数中的系数矩阵,为给定的第一阶段决策方案,即给定梯级水电机组启停、水电日前计划出力下,概率分布不确定集中在概率分布场景s下的梯级水光互补系统的调峰、水电调整和弃光值,A和B分别为仅含第一阶段变量的不等式约束和等式约束中决策变量的系数矩阵,c和d分别为仅含第一阶段变量的不等式约束和等式约束中的常数矩阵,D和E分别为第一阶段和第二阶段耦合约束中变量的系数矩阵,e为第一阶段和第二阶段耦合约束中的常数矩阵,C为仅含第二阶段变量的约束中的决策变量的系数矩阵;
所述对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法,包括:
采用C&CG算法将原问题分为主问题 MP和子问题SP,MP基于SP传递的场景概率分布集合,求解最恶劣目标期望下的最优鲁棒决策,其给模型式提供一个下界值,如下式:
其中,k为迭代次数,SP是在给定的第一阶段变量的情况下,寻找最恶劣概率分布,当给定第一阶段决策变量x *,可得SP如下式:
SP为双层优化问题,其中的日前阶段决策变量为已知,由于各离散场景互相独立,SP的内层优化问题是数个独立的线性优化问题,首先求解下式各离散场景下的最优日内阶段目标值:
然后通过下式获得整体目标函数最差期望下的各场景概率,并将该值传递给MP,以进行MP的下一次迭代;
采用Yalmip调用Gurobi求解器对所述模型进行求解,两阶段分布鲁棒模型通过不断迭代,直到满足收敛条件,获得梯级水光互补分布鲁棒优化调度方法。
2.根据权利要求1所述的梯级水光互补分布鲁棒优化调度方法,其特征在于,所述建立日前阶段与日内阶段的两阶段约束条件,包括:
建立日前阶段约束条件,包括:
梯级水力平衡约束:
其中,V i,t 为第i级水电站t时段的水库蓄水量;、q i,t 和s i,t 分别为第i级水电站t时段的区间流量、下泄流量和弃水流量;Q i,g,t 和d i,g,t 分别为第i级水电站第g台机组t时段的发电流量和水电机组启停导致的损失流量;/>和/>为水电机组启停的损失水量;δ i,g,t 和σ i,g,t 分别为表示机组启停操作的0-1变量,取1时表示机组开机操作,反之为机组停机操作;τ i-1 为第i-1级水电站到第i级水电站之间的水流滞时;Δt为调度周期内一个调度时段的时长;
库容控制约束:
其中,V i,max 和V i,min 分别为第i级水库库容的上、下限;V i,begin 和V i,end 分别为第i级水库在调度期初和调度期末的目标控制库容;
水电机组动力特性关系:
其中,ρ为水密度;η i,g 为第i级水电站中第g台水电机组的发电效率;H i,g,t 为t时段第i级水电站中第g台机组的发电净水头;和/>分别为第i级水电站中第g台水电机组的最小和最大发电流量;u i,g,t 为第i级水电站第g台机组在t时段的开停机状态变量,若开机取1,反之取0;s i,max 为第i级水电站的弃水流量上限;
水电机组振动区限制约束:
其中,和/>分别为第i级水电站中第g台水电机组出力的第m个振动区的上限和下限;
开停机状态变量与操作变量约束:
其中,和/>分别为机组最小开机和停机时间;Z SU 和Z SD 分别为机组最大开机和停机次数;
机组发电水头约束:
其中,为t时段第i级水库的坝前水位;/>为t时段第i级水库的尾水位;/>为第i级水电站中第g台机组t时段的水头损失;
坝前水位-库容关系约束:
其中, f FB,i (.)为第i级水库的坝前水位与库容的函数关系;
尾水位-下泄流量关系约束
其中, f TL,i (.)第i级水库的尾水位与下泄流量的函数关系;
建立日内阶段约束条件,包括:
梯级水电运行约束:
梯级水电调整约束:
其中,为水电机组爬坡速率;
外送通道限制约束:
其中,P L,max 为梯级水光联合发电系统的外送输电最大输电容量。
3.一种梯级水光互补分布鲁棒优化调度装置,其特征在于,使用如权利要求1或2中任一项所述的方法,包括:
目标函数建立单元,所述目标函数建立单元用于考虑受端电网峰谷差、水电日内调节功率和弃光最小,建立梯级水光互补在日前和日内两阶段分布鲁棒模型的目标函数;
约束条件建立单元,所述约束条件建立单元用于建立日前阶段与日内阶段的两阶段约束条件;
分布置信集合建立单元,所述分布置信集合建立单元用于基于数据驱动方法,建立考虑1-范数和∞-范数约束不确定性概率分布置信集合;
线性转化单元,所述线性转化单元用于基于分段线性化和McCormick松弛,将所述分布鲁棒模型转化为混合整数线性规划模型;
求解单元,所述求解单元对所述混合整数线性规划模型采用列与约束生成算法进行求解,获得梯级水光互补分布鲁棒优化调度方法。
4.一种计算机设备,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或2中任一项所述的方法。
5.一种存储介质,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或2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787729.3A CN117458488B (zh) | 2023-12-25 | 2023-12-25 | 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787729.3A CN117458488B (zh) | 2023-12-25 | 2023-12-25 | 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117458488A CN117458488A (zh) | 2024-01-26 |
CN117458488B true CN117458488B (zh) | 2024-03-01 |
Family
ID=89591328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311787729.3A Active CN117458488B (zh) | 2023-12-25 | 2023-12-25 | 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458488B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117879063B (zh) * | 2024-03-12 | 2024-05-17 | 河海大学 | 水风光资源分布鲁棒优化配置方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112072641A (zh) * | 2020-08-19 | 2020-12-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种源网荷储柔性协调控制和运行优化方法 |
CN112651634A (zh) * | 2020-12-28 | 2021-04-13 | 天津大学合肥创新发展研究院 | 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 |
CN115860205A (zh) * | 2022-11-28 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 考虑跨季节调度的两阶段分布鲁棒氢储设备优化配置方法 |
-
2023
- 2023-12-25 CN CN202311787729.3A patent/CN117458488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112072641A (zh) * | 2020-08-19 | 2020-12-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种源网荷储柔性协调控制和运行优化方法 |
CN112651634A (zh) * | 2020-12-28 | 2021-04-13 | 天津大学合肥创新发展研究院 | 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 |
CN115860205A (zh) * | 2022-11-28 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 考虑跨季节调度的两阶段分布鲁棒氢储设备优化配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117458488A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107257129B (zh) | 一种考虑电网结构灵活调整的鲁棒调度方法 | |
CN117458488B (zh) | 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 | |
CN116388301B (zh) | 梯级水光互补日前鲁棒调峰调度方法、系统、设备及介质 | |
US20230009681A1 (en) | Optimal dispatching method and system for wind power generation and energy storage combined system | |
US11043818B2 (en) | Random rolling scheduling method for power system based on Newton method | |
CN111668877A (zh) | 一种主动配电网分布鲁棒优化调度方法及系统 | |
CN104467029A (zh) | 一种区域小水电、风电日内联合优化调度的方法 | |
CN110400056B (zh) | 基于风光时空特性的梯级水电日前优化调度方法及装置 | |
CN103904664B (zh) | 一种基于有效静态安全域的agc机组实时调度方法 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
Zhao et al. | Power fluctuation mitigation strategy for microgrids based on an LSTM-based power forecasting method | |
Mishra et al. | A deep learning assisted adaptive nonlinear deloading strategy for wind turbine generator integrated with an interconnected power system for enhanced load frequency control | |
CN117543721B (zh) | 梯级水风光互补系统的优化调度方法、装置、设备及介质 | |
CN105186584A (zh) | 一种考虑调峰和爬坡需求的两阶段源-荷调度方法及装置 | |
CN109510238B (zh) | 一种高效求解水电火电风电的协调调度机组组合方法 | |
US20230367280A1 (en) | Optimal scheduling method for peak regulation of cascade hydro-photovoltaic complementary power generation system | |
CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
CN111799793A (zh) | 一种源网荷协同的输电网规划方法与系统 | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
CN116299774A (zh) | 一种人工智能数值天气预报方法和系统 | |
CN101478159A (zh) | 基于差分等式约束转化降阶的暂态稳定约束潮流优化方法 | |
Paulin et al. | SOLAR PHOTOVOLTAIC OUTPUT POWER FORECASTING USING BACK PROPAGATION NEURAL NETWORK. | |
Karad et al. | Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller | |
Lv et al. | Photovoltaic Power Forecasting in Dunhuang based on Recurrent Neural Network |
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 |