CN117473743A - 一种水光互补电站agc优化方法及系统 - Google Patents

一种水光互补电站agc优化方法及系统 Download PDF

Info

Publication number
CN117473743A
CN117473743A CN202311428524.6A CN202311428524A CN117473743A CN 117473743 A CN117473743 A CN 117473743A CN 202311428524 A CN202311428524 A CN 202311428524A CN 117473743 A CN117473743 A CN 117473743A
Authority
CN
China
Prior art keywords
constraint
station
photovoltaic power
hydropower station
power generation
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
Application number
CN202311428524.6A
Other languages
English (en)
Inventor
李锋
李峰
谌洪江
郑磊
陈永涛
杨荣杰
周伟
王洪祥
覃汉倦
谢朝军
姜飞
李冰欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dong Qing Branch Of Guizhou Beipanjiang Electric Power Co ltd
Original Assignee
Dong Qing Branch Of Guizhou Beipanjiang Electric Power Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dong Qing Branch Of Guizhou Beipanjiang Electric Power Co ltd filed Critical Dong Qing Branch Of Guizhou Beipanjiang Electric Power Co ltd
Priority to CN202311428524.6A priority Critical patent/CN117473743A/zh
Publication of CN117473743A publication Critical patent/CN117473743A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种水光互补电站AGC优化方法及系统。采集水电站与光伏电站的各种运行数据；通过各运行数据构建水电站与光伏电站相互配合发电的数学模型，以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；对数学模型采用遗传优化算法进行求解，对求解结果进行验证，若结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足则返回重新求解。本发明将短时来水预测和光功率预测作为约束条件，采用最优效益为目标对水光发电功率进行优化，减少弃光量，提高水光互补系统的调峰能力。

Description

一种水光互补电站AGC优化方法及系统
技术领域
本发明涉及水电站与光伏电站互补发电技术领域，特别是涉及一种水光互补电站AGC优化方法及系统。
背景技术
随着当今世界经济的快速发展和人类社会对资源的需求不断增加，传统的化石燃料由于有限且不可再生的特点无法长久地满足人们的能源需求，而且增加了大气中温室气体的排放量，对环境造成了很大的破坏，促进了全球气候变暖。将水电站与光伏电站组成联合电源，结合光伏安全可靠无污染与水力发电负荷调节灵活迅速的特点，在光伏发电出力变化时，通过调整水电站出力进行补偿，从而实现水光互补发电，把光伏电能变换成能够被电力系统接收的优质电能，减少弃光量，提高水光互补系统的发电效益。
水光互补系统目前存在目标函数较少，边界条件约束内容单调，无法全面对水电站与光伏电站互补发电系统进行优化的问题，最优效益中只涵盖了提高调峰能力和减小出力与负荷需求的偏差，还需综合考虑联合发电的经济效益，约束边界需要增加短时来水预测和光功率预测使互补系统功能更加完备。将短时来水预测和光功率预测作为控制的约束边界，有利于对多约束的求解中快速查找可行解，提高运行速度。
发明内容
本发明的目的是提供一种水光互补电站AGC优化方法及系统，以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标对水光发电功率进行优化，减少弃光量，提高水光互补系统的调峰能力。
为实现上述目的，本发明提供了如下方案：
一种水电站与光伏电站优化控制方法包括：
采集水电站与光伏电站的各种运行数据；
通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；
对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
可选地，还包括：
根据各所述运行数据，设定水电站与光伏电站的出力约束条件，所述出力约束条件包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
可选地，所述水电站的出力约束为：
pW，t，min≤pW，t≤pW，t，max
其中，pW，t为水电站在第t时段的发电功率；pW，t，min和pW，t，max分别代表水电站在第t时段的发电极限值；
水电站的库容约束为：
Vt，min≤Vt≤Vt，max
其中，Vt，min与Vt，max代表第t时段的库容下限与上限；
水电站的水位约束为：
Zt，min≤Zt≤Zt，max
其中，Zt，min与Zt，max代表第t时段的水电站水位的下限与上限；
水电站的发电流量约束：
Qt，min≤Qt≤Qt，max
其中，Qt，min与Qt，max代表第t时段的流量下限与上限；
光伏电站的出力约束为：
0≤pP，t≤min(pP，t，max，ps)
其中，pP，t表示光伏电站在第t时段的发电功率；pP，t，max表示光伏电站第t时段出力可输出的极限值，ps为光伏发电的装机容量。
可选地，所述通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测和光功率预测作为控制的约束边界，采用最优效益为目标，具体包括：
根据水电站与光伏电站联合运行发电的原理建立初始数学模型，将调度期内调峰能力最高、调度期内联合出力曲线与计划发电曲线偏差最小和经济收益最大为目标函数，将所述出力约束条件增加水电电量约束、功率平衡约束以及水量约束；
通过回归模型的方法对短时来水进行预测，得到短时来水预测模型；以短时来水预测结果作为水电站发电流量极限的约束条件，使水电站的发电流量极限根据短时来水预测实现动态改变；
通过LSTM神经网络算法进行光伏发电功率预测，得到光伏发电功率预测模型；以光伏发电功率模型预测模型得到调度期内光伏发电功率结果为水光互补多目标优化数学模型光伏电站出力的约束条件，根据不同天气条件，对光伏发电出力输入产生不同的约束程度；
将所述短时来水预测模型和所述光伏发电功率预测模型作为控制的约束边界，最优效益为目标函数构建多目标优化数学模型。
可选地，所述目标函数为：
f1＝max{pW，t+pP，t}t∈[1，W]
其中，f1表示水电站的调峰能力，f2表示互补系统出力与发电计划之间的偏差，f3表示互补系统发电的经济效益；
水量平衡约束为：
Vt+1＝Vt+(It-Qt}Δt
其中，Vt表示水电站的蓄水量，It表示入库流量，Qt表示出库流量；
功率平衡约束为：
pW，t+pP，t≤pp，t
水电电量约束为：
其中，C为调度期内水量约束下水电所发的电量，据水量调度和电力调度确定为定值。
可选地，所述对所述数学模型采用遗传优化算法进行求解，得到求解结果，具体包括：
设置遗传算法初始种群参数，以24h为一个调度周期，将水电站的发电水头作为决策变量，采用二进制编码将决策变量用基因型字符串结构数据表示，生成初始种群；
计算初始种群中每个个体的适应度函数值，根据所述适应度函数值的大小对个体进行排序，利用轮盘赌的方式选择保留的个体；
采用单点交叉和随机变异的方式生成新一代种群；
计算新一代种群中个体的适应度函数，根据适应度数值的大小对总体个体进行排序，排除掉适应度数值低的个体，判断是否满足终止条件，若求解结果符合所述终止条件，则输出水电站与光伏电站优化调度图，若不符合则返回重新计算，直到计算结果符合终止条件。
一种水光互补电站AGC优化方法及系统包括：
运行数据采集模块，用于采集水电站与光伏电站的各种运行数据；
数学模型建立模块，用于通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；
数学模型求解验证模块，用于对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
可选地，还包括：
出力约束条件建立模块，用于根据各所述运行数据，设定水电站与光伏电站的出力约束条件，所述出力约束条件包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种水光互补电站AGC优化方法及系统，结合水电站与光伏电站的运行特点，以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标的方法进行水光发电功率优化控制，并进行优化后发电曲线的展示，本发明能够减少弃光量，提高水光互补系统的调峰能力。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1水电站与光伏电站优化控制方法流程图；
图2为本发明实施例1调度期内的发电曲线示意图；
图3为本发明实施例2水电站与光伏电站优化控制系统结构图。
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。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。
本发明的目的是提供一种水光互补电站AGC优化方法及系统，以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标对水光发电功率进行优化，减少弃光量，提高水光互补系统的调峰能力。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1水电站与光伏电站优化控制方法流程图。如图1所示，一种水光互补电站AGC优化方法及系统包括：
步骤101：采集水电站与光伏电站的各种运行数据；
该步骤具体包括：
首先采集水电站的初始数据，包括水电站装机容量、总库容以及调节库容，收集水电站的运行数据，包括水电站实际运行数据、当地电网实际运行数据、水电站机组特性曲线、径流数据、水库特征、水位库容和尾水位流量关系曲线。确认所采集的水电站的出力系数，建立发电量与水流量和水头高度之间的关系。
其中，计算水电出力的计算公式为：
pW，t＝kQtHt
其中，pW，t表示水电站在第t时段的发电功率；k表示水电站的出力系数；Qt表示水电站在第t时段的平均发电流量；Ht表示水电站在第t时段的发电水头。
采集光伏电站的运行数据，包括光伏电站的实际运行数据以及光伏电站最大发电量。
其中，光伏电站的出力约束为：
0≤pP，t≤min(pp，t，max，ps)
其中，pP，t表示光伏电站在第t时段的发电功率；pP，t，max表示光伏电站第t时段出力可输出的极限值，ps为光伏发电的装机容量。
结合采集到的水电站与光伏电站的运行数据并分析，以此为依据设定水电站与光伏电站的出力约束条件。包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
其中，水电站的出力约束为：
pW，t，min≤pW，t≤pW，t，max
其中，pW，t为水电站在第t时段的发电功率；pW，t，min和pW，t，max分别代表水电站在第t时段的发电极限值。
水电站的库容约束为：
Vt，min≤Vt≤Vf，max
其中，Vt，min与Vt，max代表第t时段的库容下限与上限。
水电站的水位约束为：
Zt，min≤Zt≤Zt，max
其中，Zt，min与Zt，max代表第t时段的水电站水位的下限与上限。
水电站的发电流量约束：
Qt，min≤Qt≤Qt，max
其中，Qt，min与Qt，max代表第t时段的流量下限与上限。
步骤102：通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标。
该步骤具体包括：
步骤1021：根据水电站与光伏电站联合运行发电的原理建立初始数学模型，将调度期内调峰能力最高、调度期内联合出力曲线与计划发电曲线偏差最小和经济收益最大为目标函数，将所述出力约束条件增加水电电量约束、功率平衡约束以及水量约束。
其中，目标函数为：
f1＝max{pW，t+pP，t}t∈[1，W]
其中，f1表示水电站的调峰能力，f2表示互补系统出力与发电计划之间的偏差，f3表示互补系统发电的经济效益。
水量平衡约束为：
Vt+1＝Vt+(It-Qt}Δt
其中，Vt表示水电站的蓄水量，It表示入库流量，Qt表示出库流量。
功率平衡约束为：
pW，t+pP，t≤pp，t
水电电量约束为：
其中，C为调度期内水量约束下水电所发的电量，据水量调度和电力调度确定为定值。
步骤1022：通过回归模型的方法对短时来水进行预测，得到短时来水预测模型。
通过回归模型的方法对短时来水进行预测，对采集到的水电站径流量数据进行标准化处理，对原始数据进行线性变换，使结果映射到[0～1]之间，其中转换函数为：
其中，xt为样本数据x标准化后的数据。
将标准化后的数据还原为原始数据的数据还原转换函数为：
x＝xt(xmax-xmin)+xmin
采用一元回归的方法对短时来水进行预测，来水量y与径流量之和x之间的公式表述为：
y＝β0+β1x+u
其中，β0为回归常数，β1为回归系数，u为误差。
采集历史径流量之和与来水量的数据，计算回归常数与回归系数。
估算回归常数与回归系数采用误差平方和最小原则，计算公式为：
其中，为回归系数计算值，/>为回归常数计算值。
将观测的径流量之和代入回归方程yt＝β0+β1xt预测得到来水量数据。
步骤1023：以短时来水预测结果作为水电站发电流量极限的约束条件，使水电站的发电流量极限根据短时来水预测结果在调度期内动态变化。
判断函数为：
其中，为短时来水预测第t时刻的来水量，Wt为前一天第t时刻的实际来水量。
发电流量极限的计算公式为：
其中，Qt-1min,Qt-1max和Qtmin，Qtmax分别为第t-1、t时刻的发电流量极限，S和L为短时来水增量的控制系数。
步骤1024：通过LSTM神经网络算法进行光伏发电功率预测，得到光伏发电功率预测模型。
通过LSTM神经网络算法进行光伏发电功率预测，以历史发电量序列、天气类型、太阳辐照强度、空气质量指数、湿度为输入，以预测日的发电量序列为输出。LSTM层数设置为3，设置合适的时间步数，设置Tanh为激活函数，激活函数的数学公式为：
步骤1025：以光伏发电功率模型预测模型得到调度期内光伏发电功率结果为水光互补多目标优化数学模型光伏电站出力的约束条件，根据不同天气条件，对光伏发电出力输入产生不同的约束程度。
光伏发电出力的计算公式为：
其中，为光伏发电功率模型预测光伏电站在第t时段的光伏出力，KP为限制系数，防止实际发电功率与实际发电功率差距较大时造成电力系统的不稳定运行，FP为天气系数，表示天气变化速度情况。
天气系数的计算公式为：
其中，为光伏发电功率模型预测的当天光伏发电平均功率。
步骤1026：将所述短时来水预测模型和所述光伏发电功率预测模型作为控制的约束边界，最优效益为目标函数构建多目标优化数学模型。
出力约束是使水力和光伏发电不超出自己的出力极限，预测是先对水量和光电做个输入预测。
步骤103：对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
该步骤具体包括：
步骤1031：设置遗传算法初始种群参数，以24h为一个调度周期，将水电站的发电水头作为决策变量，采用二进制编码将决策变量用基因型字符串结构数据表示，生成初始种群。
步骤1032：计算初始种群中每个个体的适应度函数值，根据适应度函数值的大小对个体进行排序，利用轮盘赌的方式选择保留的个体，个体被保留的概率计算公式为：
其中，fi为第i个个体的适应度函数值。
步骤1033：采用单点交叉和随机变异的方式生成新一代种群。
步骤1034：计算新一代种群中个体的适应度函数，根据适应度数值的大小对总体个体进行排序，排除掉适应度数值低的个体，判断是否满足终止条件，若结果符合终止条件，则输出水电站与光伏电站优化调度图，若不符合则返回重新计算，直到计算结果符合终止条件。
如图2所示，采用智能优化算法对水电站和光伏电站联合发电的水光互补调度模型进行求解，得到调度期内的发电曲线。
实施例2：
图3为本发明实施例2水电站与光伏电站优化控制系统结构图。如图3所示，一种水光互补电站AGC优化方法及系统包括：
运行数据采集模块201，用于采集水电站与光伏电站的各种运行数据；
数学模型建立模块202，用于通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；
数学模型求解验证模块203，用于对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
本实施例的一种水光互补电站AGC优化方法及系统还包括：
出力约束条件建立模块，用于根据各所述运行数据，设定水电站与光伏电站的出力约束条件，所述出力约束条件包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
实施例3：
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1的水光互补电站AGC优化方法方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例1的水光互补电站AGC优化方法方法。
本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种水光互补电站AGC优化方法及系统，其特征在于，包括：
采集水电站与光伏电站的各种运行数据；
通过各所述运行数据构水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；
对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
2.根据权利要求1所述的一种水光互补电站AGC优化方法及系统，其特征在于，还包括：
根据各所述运行数据，设定水电站与光伏电站的出力约束条件，所述出力约束条件包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
3.根据权利要求2所述的一种水光互补电站AGC优化方法及系统，其特征在于，所述水电站的出力约束为：
pw，1，min≤pw，1≤pw，1，max
其中，pw，1为水电站在第t时段的发电功率；pw，1，min和pw，1，max分别代表水电站在第t时段的发电极限值；
水电站的库容约束为：
V1，min≤V1≤V1，max
其中，V1，min与V1，max代表第t时段的库容下限与上限；
水电站的水位约束为：
Z1，min≤Z1≤Z1，max
其中，Z1，min与Zt，max代表第t时段的水电站水位的下限与上限；
水电站的发电流量约束：
Q1，min≤Q1≤Q1，max
其中，Q1，min与Q1，max代表第t时段的流量下限与上限；
光伏电站的出力约束为：
0≤pP，t≤min(pP，t，max，ps)
其中，pP，1表示光伏电站在第t时段的发电功率；Pp，t，max表示光伏电站第t时段出力可输出的极限值，ps为光伏发电的装机容量。
4.根据权利要求3所述的一种水光互补电站AGC优化方法及系统，其特征在于，所述通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标，具体包括：
根据水电站与光伏电站联合运行发电的原理建立初始数学模型，将调度期内调峰能力最高、调度期内联合出力曲线与计划发电曲线偏差最小和经济收益最大为目标函数，将所述出力约束条件增加水电电量约束、功率平衡约束以及水量约束；
通过回归模型的方法对短时来水进行预测，得到短时来水预测模型；以短时来水预测结果修订水电站发电流量极限的约束条件，使水电站的发电流量极限根据短时来水预测实现动态改变；
通过LSTM神经网络算法进行光伏发电功率预测，得到光伏发电功率预测模型；以光伏发电功率模型预测模型得到调度期内光伏发电功率结果为水光互补多目标优化数学模型光伏电站出力的约束条件，根据不同天气条件，对光伏发电出力输入产生不同的约束程度；
将所述短时来水预测模型和所述光伏发电功率预测模型作为控制的约束边界，最优效益为目标函数构建多目标优化数学模型。
5.根据权利要求4所述的一种水光互补电站AGC优化方法及系统，其特征在于，所述目标函数为：
f1＝max(pW，1+pP，t} t∈[1，W]
其中，f1表示水电站的调峰能力，f2表示互补系统出力与发电计划之间的偏差，f3表示互补系统发电的经济效益；
水量平衡约束为：
Wt+1＝Wt+(It-Qt)Δt
其中，V1表示水电站的蓄水量，It表示入库流量，Q1表示出库流量；
功率平衡约束为：
pW，1+pP，1≤pp,1
水电电量约束为：
其中，C为调度期内水量约束下水电所发的电量，据水量调度和电力调度确定为定值。
6.根据权利要求1所述的一种水光互补电站AGC优化方法及系统，其特征在于，所述对所述数学模型采用遗传优化算法进行求解，得到求解结果，具体包括：
设置遗传算法初始种群参数，以24h为一个调度周期，将水电站的发电水头作为决策变量，采用二进制编码将决策变量用基因型字符串结构数据表示，生成初始种群；
计算初始种群中每个个体的适应度函数值，根据所述适应度函数值的大小对个体进行排序，利用轮盘赌的方式选择保留的个体；
采用单点交叉和随机变异的方式生成新一代种群；
计算新一代种群中个体的适应度函数，根据适应度数值的大小对总体个体进行排序，排除掉适应度数值低的个体，判断是否满足终止条件，若求解结果符合所述终止条件，则输出水电站与光伏电站优化调度图，若不符合则返回重新计算，直到计算结果符合终止条件。
7.一种水光互补电站AGC优化方法及系统，其特征在于，包括：
运行数据采集模块，用于采集水电站与光伏电站的各种运行数据；
数学模型建立模块，用于通过各所述运行数据构建水电站与光伏电站相互配合发电的数学模型，所述数学模型以短时来水预测值修订水电站流量约束边界，以短时光功率预测值作为光伏电站出力的约束条件，采用最优效益为目标；
数学模型求解验证模块，用于对所述数学模型采用遗传优化算法进行求解，对求解结果进行验证，若求解结果满足约束条件，则输出水电站与光伏电站在调度期的发电曲线，若不满足约束条件，则返回重新求解。
8.根据权利要求7所述的一种水光互补电站AGC优化方法及系统，其特征在于，还包括：
出力约束条件建立模块，用于根据各所述运行数据，设定水电站与光伏电站的出力约束条件，所述出力约束条件包括水电站的出力约束、库容约束、水位约束、发电流量约束与光伏电站的出力约束。
CN202311428524.6A 2023-10-31 2023-10-31 一种水光互补电站agc优化方法及系统 Pending CN117473743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311428524.6A CN117473743A (zh) 2023-10-31 2023-10-31 一种水光互补电站agc优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311428524.6A CN117473743A (zh) 2023-10-31 2023-10-31 一种水光互补电站agc优化方法及系统

Publications (1)

Publication Number Publication Date
CN117473743A true CN117473743A (zh) 2024-01-30

Family

ID=89630541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311428524.6A Pending CN117473743A (zh) 2023-10-31 2023-10-31 一种水光互补电站agc优化方法及系统

Country Status (1)

Country Link
CN (1) CN117473743A (zh)

Similar Documents

Publication Publication Date Title
CN109713737B (zh) 一种接入柔性直流电网的新能源外送能力评估方法及系统
CN111555355B (zh) 水光蓄联合发电的调度策略及其优化方法
CN112396220B (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
CN107370188A (zh) 一种计及风电出力的电力系统多目标调度方法
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN103683326A (zh) 一种区域电网风电多点接入最佳接纳能力的计算方法
CN106529719A (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN110516840A (zh) 基于改进随机森林方法的风光发电出力的短期预测方法
CN107039977A (zh) 以综合成本最小为目标的电力系统鲁棒调度不确定集构建方法
EP3640869A1 (en) Method for predicting an energy demand, data processing system and renewable power plant with a storage
CN112330487B (zh) 一种光伏发电短期功率预测方法
CN110163420B (zh) 一种基于分解文化进化算法的多目标生态调度方法和系统
CN116885691B (zh) 一种风电功率爬坡事件间接预测方法
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
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN108233357B (zh) 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN116307240A (zh) 基于woa-vmd-ols的光伏发电站短期发电功率预测方法
CN111724064A (zh) 一种基于改进免疫算法的含储能配电网规划方法
CN113363976B (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
CN117458488A (zh) 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
CN117473743A (zh) 一种水光互补电站agc优化方法及系统
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN112633565B (zh) 一种光伏功率集合区间预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication