CN117540882B - 基于随机场景生成的电力系统日前多阶段优化调度方法 - Google Patents

基于随机场景生成的电力系统日前多阶段优化调度方法 Download PDF

Info

Publication number
CN117540882B
CN117540882B CN202410030621.8A CN202410030621A CN117540882B CN 117540882 B CN117540882 B CN 117540882B CN 202410030621 A CN202410030621 A CN 202410030621A CN 117540882 B CN117540882 B CN 117540882B
Authority
CN
China
Prior art keywords
stage
random
day
scene
power system
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
Application number
CN202410030621.8A
Other languages
English (en)
Other versions
CN117540882A (zh
Inventor
于昊洋
刘栋
王智冬
孙珂
吴雄
曹滨睿
秦继朔
李凡
郭国栋
章程
王丹
薛雅玮
刘忠健
游沛羽
张柯欣
梁涵卿
陶太堃
司远
胡天宇
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.)
Xian Jiaotong University
State Grid Economic and Technological Research Institute
Original Assignee
Xian Jiaotong University
State Grid Economic and Technological Research Institute
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 Xian Jiaotong University, State Grid Economic and Technological Research Institute filed Critical Xian Jiaotong University
Priority to CN202410030621.8A priority Critical patent/CN117540882B/zh
Publication of CN117540882A publication Critical patent/CN117540882A/zh
Application granted granted Critical
Publication of CN117540882B publication Critical patent/CN117540882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于随机场景生成的电力系统日前多阶段优化调度方法，该方法包括：基于电力系统的前一日风‑光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；构建面向含新能源的电力系统日前多阶段随机优化调度模型；基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统的日前多阶段优化调度。因此，本发明的多阶段随机优化调度模型可以根据新能源的实现情况改变各阶段决策，同时考虑后续阶段不确定性因素的实现。

Description

基于随机场景生成的电力系统日前多阶段优化调度方法
技术领域
本发明是关于一种基于随机场景生成的电力系统日前多阶段优化调度方法、装置、设备及介质，涉及电力系统技术领域。
背景技术
为应对全球性生态和气候变化，大力发展可再生能源，减少化石能源依赖，促进能源可持续发展已成为全世界共识。2023年7月，我国提出要加快构建清洁低碳、安全充裕、经济高效、供需协同、灵活智能的新型电力系统。能源行业碳排放占全国总量80%以上，大力发展新能源，促进电力行业高质量发展，是实现“双碳”目标的重要环节。由于风-光资源的不确定性，给电力系统的优化运行带来了巨大的挑战。新能源出力的随机特性将直接影响电力系统的电力供给能力和新能源的消纳水平。准确刻画风-光资源和计及随机性的电力系统优化运行模型是解决含大规模新能源电力系统优化运行的重要方法。
目前针对新能源出力特性的刻画已有相关研究，采用的方法可归纳为基于优化的方法、基于随机抽样的方法及数据驱动的方法，具体包括启发式时刻匹配法、观望聚类的前向选择算法、混合藤Copula模型、多元正太分布、Copula模型及蒙特卡洛抽样等。然而，上述方法均存在一些缺陷，例如：基于优化的模型往往难以考虑低概率的极端场景，同时存在计算效率低的问题；基于随机抽样的方法难以处理实际风-光资源的复杂分布特性；常规数据驱动方法难以充分捕获风-光资源曲线的时序特性并生成可控且高质量的风-光功率曲线，同时传统生成对抗网络模型面临着收敛困难、性能不稳定等问题。
另外，电力系统的优化调度是保障电力系统安全运行的重要基础。但是在传统日前运行模型中，机组决策变量一般在不确定因素实现的前一天就被确定，难以适应具体的不确定因素变化。考虑到大规模的新能源随机场景和优化调度模型中的离散变量，基于非预期约束的方法在大规模场景下会大幅增加求解复杂度，而基于Benders分解的多阶段模型求解算法则难以直接处理优化调度模型中的离散变量。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够根据新能源的实现情况改变各阶段决策，同时考虑后续阶段不确定性因素的实现的基于随机场景生成的电力系统日前多阶段优化调度方法、装置、设备及介质。
为了实现上述发明目的，本发明采用的技术方案为：
第一方面，本发明提供的一种基于随机场景生成的电力系统日前多阶段优化调度方法，该方法包括：
基于电力系统的前一日风-光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；
削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；
构建面向含新能源的电力系统日前多阶段随机优化调度模型；
基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统日前多阶段优化调度。
优选地，条件生成对抗网络是以设定的目标函数为优化方向，通过对判别器和生成器交替训练，最终使得判别器难以区分真实样本数据和生成器得到的假样本数据，真实样本数据为收集到的真实历史场景数据，假样本数据为生成器随机生成的场景数据，其中，条件生成对抗网络的目标函数为：
；
其中，函数为条件生成对抗网络对于样本的损失值，/>表示判别器网络参数，/>表示生成器网络参数；函数/>为计算数据期望；/>表示真实样本数据，表示真实样本分布，/>表示随机输入样本，/>表示随机噪声分布，/>为条件数据，其中，基于Wasserstein距离条件生成条件对抗网络损失函数。
优选地，削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景，包括：
采用k-means聚类算法削减日前新能源预测随机场景；
将削减后的削减日前新能源预测随机场景使用阶段独立的随机场景树描述多阶段规划过程中不确定性实现的情况。
优选地，面向含新能源的电力系统，包括光伏发电装置、风力发电装置、电池储能系统和火电机组供给系统中的电力负荷，各设备的运行需满足各自的运行约束及系统电力平衡约束，其中，运行约束及系统电力平衡约束包括火电机组运行约束、电池储能系统约束、风力、光伏发电运行约束及功率平衡约束。
优选地，电力系统的日前多阶段随机优化调度模型是基于各设备的运行约束及系统电力平衡约束和考虑风-光出力的不确定性进行获得：
；
其中，表示阶段s的目标函数，/>表示阶段s的所有变量，/>表示阶段总数量，/>表示阶段s优化结果造成的后续阶段运行成本,/>为随机变量表示随机因素在阶段s的实现情况，包括风电随机出力/>及光伏随机出力/>，/>表示阶段s的可行域，并受到/>和/>的影响。
优选地，基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统的日前多阶段优化调度，包括：
S1、初始化参数，包括单次抽样场景个数N m 、最大迭代次数N ite 、多阶段调度求解上限UB、多阶段调度求解下限LB和迭代次数i；
S2、从阶段独立场景树中随机采样获得日前新能源预测随机场景；
S3、进行前向过程，收集优化结果，更新多阶段调度求解上限UB；
S4、进行反向过程，收集优化结果，生成割并添加到电力系统日前多阶段随机优化调度模型中；
S5、求解第一阶段随机优化调度模型，更新多阶段调度求解下限LB，i=i+1；
S6、判断，如果满足则结束，如果不满足则判断/>，若否则返回S2，若是则结束，其中，/>表示电力系统日前多阶段调度模型的求解收敛判据。
优选地，还包括通过多阶段调 度策略实现电力系统的日前多阶段优化调度的步骤，包括：在日前多阶段优化调度策略中，决策者需要在日前考虑次日新能源出力的随机特性，在各个阶段估计后续阶段可能存在的运行成本，形成多个单阶段优化模型，在每个阶段中捕获当前阶段随机场景，结合上一阶段s-1优化调度结果基于求解当前阶段s的单阶段随机优化调度模型获得电力系统运行情况。
第二方面，本发明提供一种基于随机场景生成的电力系统日前多阶段优化调度装置，该装置包括：
日前随机场景生成模块，被配置为基于电力系统的前一日风-光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；
多阶段场景树生成模块，被配置为削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；
模型构建模块，被配置为构建面向含新能源的电力系统日前多阶段随机优化调度模型；
算法求解模块，被配置为基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统的日前多阶段优化调度。
第三方面，本发明提供的一种电子设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
第四方面，本发明提供的一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
本发明由于采取以上技术方案，其具有以下特点：本发明首先采用基于注意力机制和Wasserstein距离的条件生成对抗网络学习历史风-光资源特性，形成大量日前风-光资源场景；然后采用聚类算法削减生成的日前场景，并使用场景树刻画日前场景；最后，采用SDDIP算法求解提出的电力系统多阶段优化调度模型，和传统两阶段随机规划不同，本发明的多阶段随机优化调度模型可以根据新能源的实现情况改变各阶段决策，同时考虑后续阶段不确定性因素的实现。综上，本发明可以广泛应用于电力系统中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1为本发明实施例中AWCGAN结构示意图。
图2（a）为本发明实施例的场景描述随机过程；
图2（b）为本发明实施例的场景树。
图3（a）为本发明实施例中含新能源的电力系统结构。
图3（b）为本发明实施例的多阶段调度策略。
图4为本发明实施例中SDDIP算法流程图。
图5为本发明实施例中AWCGAN场景生成结果示意图。
图6为本发明实施例中描述日前不确定性的场景树。
图7为本发明实施例在随机场景下调度结果。
图8为本发明实施例中电子设备结构示意图。
具体实施方式
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
由于在传统日前运行模型中，机组决策变量一般在不确定因素实现的前一天就被确定，难以适应具体的不确定因素变化。本发明提供的基于随机场景生成的电力系统日前多阶段优化调度方法、装置、设备及介质，包括：基于注意力机制的条件生成对抗网络用于生成日前新能源预测场景，采用Wasserstein距离保证网络训练过程的稳定性；提出面向含新能源的电力系统日前多阶段调度模型，每个阶段对应日内的每个小时，各阶段优化决策取决于上一阶段优化结果和当前阶段不确定因素的实现情况；采用随机对偶动态整数规划算法(SDDIP)对上述模型进行求解，实现电力系统的日前多阶段优化调度，大幅提高了计算效率。因此，本发明的多阶段随机优化模型可以根据新能源的实现情况改变各阶段决策，同时考虑后续阶段不确定性因素的实现。
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一：本实施例提供的基于随机场景生成的电力系统日前多阶段优化调度方法，包括：
S1、根据给定的前一日风-光出力数据基于注意力机制的条件生成对抗（AWCGAN）网络生成日前新能源预测随机场景即生成次日风-光资源预测结果。
本实施例中，如图1所示为AWCGAN网络结构示意图，AWCGAN网络是经过学习历史风-光出力数据训练得到，包括判别器和生成器，判别器用于对输入的假样本数据和真样本数据进行样本数据是否真实的判断，其中，假样本数据为生成器随机生成的场景数据，真样本数据为收集到的真实历史场景数据；生成器基于当日风-光出力数据和随机噪声生成次日风-光出力预测。其中，在判别器中引入注意力机制，可以有效提高判别器的特征提取能力，从而使判别器可以高效指导生成器产生数据，生成器采用卷积神经网络构建，通过对判别器和生成器交替训练，最终使得判别器难以区分真实样本数据和生成器得到的假样本数据。
进一步地，本发明的基于注意力机制的AWCGAN网络用于生成日前新能源预测场景，并采用Wasserstein距离保证网络训练过程的稳定性。
其中，注意力机制为：
；
其中，表示自注意力层的输入数据，/>分别表示自注意力模型的键序列、查询序列和值序列，/>表示原始自注意力模型中注意力矩阵，/>表示输入时序数据时刻/>和时刻/>时序数据间的距离，/>和/>为可训练矩阵，/>由/>所组成，x表示自注意力层的输入数据、d表示自注意力层的输入数据的维度，T表示转置操作，N表示自注意力层的头数，O表示自注意力层的输出结果，P表示自注意力计算算子。
需要说明的是，式（1）表示键序列、查询序列和值序列的计算过程，式（2）表示传统注意力矩阵的计算过程，式（3）采用e指数函数计算时序数据之间的距离，式（4）和式（5）表示矩阵的组成方式，式（6）将/>和/>相加，经过归一化函数/>后和值序列相乘，得到注意力模型的输出结果。对于注意力层，其输入数据为样本数据，即时序风-光出力曲线数据，输出考虑关键特征和位置信息的数据特征。
本实施例中，AWCGAN网络以基于注意力机制的条件生成对抗网络的目标函数为优化方向，训练过程中，不断固定生成器优化判别器，再固定判别器优化生成器，直到生成器的生成结果可以以假乱真。
基于注意力机制的条件生成对抗网络的目标函数为：
；
其中，表示判别器网络参数，/>表示生成器网络参数，函数/>为条件生成对抗网络对于样本的损失值；函数/>为计算数据期望；/>表示真实样本，分布表示真实样本分布，/>表示随机输入样本，分布/>表示随机噪声分布，为条件数据，其中，基于Wasserstein距离条件生成条件对抗网络损失函数。
进一步地，传统生成对抗网络常采用J-散度衡量损失函数，容易导致梯度消失等问题。本发明采用Wasserstein距离刻画生成对抗网络的损失函数，对于两个随机变量和，Wasserstein距离可以被定义为式（8）所示：
；
其中，分布代表随机变量/>和/>的联合分布。
考虑实际操作中直接计算Wasserstein距离较为困难，为此，结合Kantorovich-Rubinstein对偶原理，将基于Wasserstein距离条件生成对抗网络损失函数写为：
；
其中，表示判别器函数满足1-Lipschitz连续。将其转为惩罚项，则式（7）可写为：
；
其中，为梯度惩罚项函数，保证判别器函数近似满足1-Lipschitz连续。
S2、削减生成的日前场景，并使用场景树刻画日前场景即采用多阶段场景树模型刻画日前风-光资源的不确定性。
本实施例中，将采用条件对抗生成网络形成大量的日前调度场景通过k-means聚类算法削减各时刻场景数量。
本实施例中，采用阶段独立场景树描述风-光出力的多阶段随机过程。
进一步地，如图2（a）和（b）所示，使用阶段独立的随机场景树描述了多阶段规划过程中不确定性实现的情况：阶段独立场景树中每个节点对应随机过程中不确定性的实现，并且不同阶段间的节点相互独立，即在阶段2中B、C和D中任何一个节点的实现，都不会影响阶段3中各节点的取值和概率分布。
S3、构建面向含新能源的电力系统日前多阶段随机优化调度模型，用于刻画电力系统运行限制和运行目标。
本实施例中，如图3（a）所示的含新能源的电力系统结构，包括光伏发电装置、风力发电装置、电池储能系统、火电机组供给系统中的电力负荷。各设备的运行需满足各自的运行约束同时满足系统电力平衡约束。当系统电力平衡无法满足时，则根据系统源荷匹配情况决定切负荷、弃风、弃光等。
进一步地，各设备运行需满足各自的运行约束及系统电力平衡约束包括：
1）火电机组运行约束：
火电机组具有较高的发电灵活性，可以有效减少新能源随机性对系统供电可靠性的影响，其运行约束如式（11）-（16）所示：
；
其中，0-1变量为阶段s内机组n的启停状态；0-1变量/>为阶段s内机组n在t时刻的启动操作；连续变量/>表示阶段s内机组n的实际有功出力；常数/>和/>分别表示火电机组n的最小和最大出力；常数/>和/>分别表示火电机组的最小开/停机时间；常数/>和/>分别表示火电机组在开停机始末时段和开机中间时段的爬坡功率最大值。
需要说明的是，式（11）表示了火电机组的启停状态与启动操作之间的关系；式（12）表示当机组开机时，火电机组实际出力应当处于最小和最大出力范围之间；式（13）和式（14）为机组最小连续开停机时间约束；式（15）和式（16）为机组爬坡约束。
2）电池储能系统约束：
电池储能系统具有较高的响应速度，可以实现能量的跨时间匹配，其运行约束如式（17）-（21）所示：
；
其中，连续变量和/>分别表示阶段s内电池储能系统n吸收和释放的功率；连续变量/>表示阶段s内电池储能系统n的荷电状态；常数/>和/>分别表示电池储能系统n充放电功率；0-1变量/>表示储能机组是否处在吸收功率运行状态下；0-1变量/>表示储能机组是否处在释放功率运行状态下；/>电池储能系统n吸收功率上限；/>电池储能系统n释放功率下限；/>表示电池储能系统n的荷电状态下限；/>表示电池储能系统n的荷电状态上限。
需要说明的是，式（17）和式（18）表示电池储能系统的输入输出功率最大限制；式（19）表示电池储能系统荷电状态的上下限约束；式（20）表示电池储能系统在一个阶段下仅可以处于充电状态或放电状态；式（21）表示电池储能系统荷电状态与其输入输出功率的动态约束。
3）风力、光伏发电运行约束：
风力、光伏发电装置依靠风能和太阳能发电，其输出功率不能超过对应阶段相关随机变量的实现值，如式（22）-（25）所示：
；
其中，连续变量和/>分别表示阶段s内风力发电装置n和光伏发电装置n的实际输出功率；连续变量/>和/>分别表示阶段s内风力发电装置n和光伏发电装置n的弃电量；随机变量/>和/>分别表示阶段s风电光伏的预测出力；常数/>和分别表示风力发电装置n和光伏发电装置n的装机容量。
需要说明的是，式（22）和式（24）分别表示风电和光伏实际出力，由风电和光伏最大出力和风电和光伏弃电量决定，式（23）和式（25）分别表示风电和光伏弃电量的上限。
4）功率平衡约束：
电力系统需要满足相应的功率，其表示形式如式（26）-式（28）所示：
；
其中，集合、/>、/>、/>分别代表系统中风电、光伏、火电机组、电池储能系统的集合；常数/>代表阶段s系统负荷；连续变量/>代表阶段s系统切负荷量；常数/>代表阶段s系统备用需求，常数/>分别表示火电机组在开机中间时段的爬坡功率最大值。
需要说明的是，式（26）表示系统有功功率平衡，系统中所有设备的发电量应当等于系统实际供应的负荷，式（27）表示系统切负荷量应小于系统总负荷，式（28）表示所有火电机组备用总和应当大于系统备用需求，其中，各火电机组的备用容量由其当前阶段下向上最大可调容量决定。
本实施例中，电力系统日前调度以经济性最优为原则，同时尽可能减少切负荷量和新能源弃电量，电力系统日前多阶段随机优化调度模型的目标函数的表达形式如式（29）所示：
；
式中，常数表示调度模型的阶段数；连续变量/>表示日前调度总成本；常数/>表示火电机组n的开机费用；常数/>表示火电机组n的关机费用；常数/>表示火电机组n发电成本；常数/>表示电池储能系统n充电发电成本；常数/>和/>分别表示弃风弃光惩罚成本；常数/>表示系统切负荷成本。其中，式（29）表示系统全天运行成本为各阶段运行成本总和，各阶段运行成本包括火电机组、电池储能系统、风电光伏弃电惩罚成本和切负荷成本组成。
综合上述约束，考虑风-光出力的不确定性，得到电力系统的日前多阶段随机优化调度模型：
；
其中，函数表示阶段s优化结果造成的后续阶段运行成本，函数/>表示阶段s的目标函数，/>表示阶段总数量，集合/>表示阶段s的所有变量，随机变量/>表示随机因素在阶段s的实现情况，包括风电随机出力/>、光伏随机出力/>，集合/>表示阶段s的可行域，并受到/>和/>的影响。
S4、对日前多阶段调度模型通过随机对偶动态整数规划算法（SDDIP）求解。
本实施例中，日前多阶段调度模型也可直接使用随机规划形式进行求解，从场景树中抽样所有的日前场景，对每一个可能发生的日前场景构造日前确定性优化运行模型并求解。但是该方法会因复杂不确定性的实现及大量约束导致维数灾，从而使模型的求解时间大幅增加甚至无法求解。因此，本发明采用SDDIP算法求解该日前多阶段调度模型。SDDIP算法将多阶段模型转化为动态规划的形式，在每个阶段内求解对应的贝尔曼方程。每个阶段内的变量可以分为局部变量和状态变量，局部变量不会影响下一阶段的决策，而状态变量的优化结果将传递给下一阶段的模型并对后续规划结果产生影响。
进一步地，对于本发明所提出的日前多阶段调度模型，其各阶段局部变量包括所有设备的运行情况，状态变量主要包括上一阶段火电机组输出功率、开停机状态以及电池储能系统的荷电状态。为简化后续说明，将模型（29）转化为模型（31）所示形式：
；
其中，为所有局部变量，/>为仅含01变量的状态变量。/>、/>和/>表示对应的常数向量，/>、/>表示对应的常数矩阵，/>表示阶段s受到不确定性影响的规划可行域。
进一步地，SDDIP算法主要包括三个步骤：采样、前向过程和反向过程。
（1）采样过程：从阶段独立场景树中随机生成个场景/>，每个场景包括所有规划阶段中不确定性的实现，即/>。
2）前向过程：在前向过程中，依照到的顺序，基于采样得到的场景信息，求解带值函数的每个规划阶段的原始问题，其形式如模型（32）所示：
；
其中，为传递变量，用于获取上阶段状态变量的信息。
值函数的表达形式如式（33）所示。
；
式中，表示确定值函数下限内部优化问题的额外变量，/>表示割函数中的常数向量，/>表示割函数中的状态向量权重向量，/>表示割函数中的索引集合。
（3）反向过程：反向过程是为了获取近似值函数下界的割。
为获取阶段s中值函数的割，需要在反向过程中求解阶段所有场景的松弛模型。在反向过程中，依照到的顺序，基于前向过程中得到的每阶段的状态变量，求解下阶段所有场景的模型（34）和（35）：
；
式中，表示/>的线性松弛变量，在值上二者相等，/>表示对应优化问题的函数形式，/>表示状态等价约束的对偶变量。
根据求解得到的信息和/>，可以构建近似值函数的强化benders割，其形式如式（36）所示：
；
其中，表示阶段s的所有子节点的集合，常数/>表示从阶段s到不确定节点g的概率。
进一步地，如图4所示的SDDIP算法流程图，具体过程包括：
初始化参数，包括单次抽样场景个数N m 、最大迭代次数N ite 、多阶段调度求解上限UB、多阶段调度求解下限LB和迭代次数i；
从阶段独立场景树中随机采样获得日前新能源预测随机场景；
进行前向过程，收集优化结果，更新多阶段调度求解上限UB；
进行反向过程，收集优化结果，生成割并添加到电力系统日前多阶段随机优化调度模型中；
求解第一阶段规划模型，更新多阶段调度求解下限LB，i=i+1；
判断，如果满足则结束，如果不满足则判断/>，若否则返回场景树中随机采样的步骤，若是则结束，其中，/>表示电力系统日前多阶段调度模型的求解收敛判据。
进一步地，如图3（b）所示，每个阶段对应日内的每个小时（将一天对应的24个时刻划分为24个阶段），各阶段优化决策取决于上一阶段优化结果和当前阶段不确定因素的实现情况。本实施例通过多阶段调度策略实现电力系统的日前多阶段优化调度的步骤，包括：
多阶段优化调度中，每一个阶段对应日内一个时刻。在每一个阶段中，决策者需要基于上一阶段优化运行结果和当前不确定因素的实现情况，考虑后续阶段的成本函数，即后续时刻下的系统运行成本，制定考虑下一阶段不确定性的优化调度结果。在日前多阶段优化调度策略中，决策者需要在日前考虑次日新能源出力的随机特性，在各个阶段估计后续阶段可能存在的运行成本，形成24个单阶段优化模型。在每个阶段中捕获当前阶段随机场景的实现情况，结合上一阶段s-1优化结果基于求解当前阶段s的单阶段优化模型获得系统运行情况，即s时的模型。对比日前固定机组决策变量的日前两阶段随机优化模型，本发明提出的日前多阶段堆积优化调度可以在每个时刻更改机组决策变量，从而适应新能源随机特性。
下面通过具体实施例详细说明本发明的基于随机场景生成的电力系统日前多阶段优化调度方法的验证过程。
本实施例基于中国某省份2022年的风-光资源时序数据和电力系统装机规模构建条件生成对抗网络的训练数据和日前多阶段优化的调度模型。
对于条件生成对抗网络的训练数据，将年风-光资源时序数据划分为多日数据，各日数据包括风电和光伏出力的小时级数据，后一天数据生成的条件数据为前一天实际数据。
该地电力系统中含有74台火电机组，3台电池储能系统，3个风电场站，2个光伏场站，峰值负荷为26000兆瓦。对于给定日期的场景生成，随机生成500条日前预测曲线，设定聚类数为10，将每时刻的日前场景削减到10，日前预测结果和真实曲线参照图5。本发明提出的AWCGAN可以有效接近真实的风-光场景，且由聚类算法获得的可能场景可以有效描述日前调度的风险，构建的场景树参照图6。系统在随机抽样产生的1个运行场景下运行结果参照图7。为验证算法的有效性，本发明对如下两种方法形成的日前调度策略进行对比：1）本发明所提日前多阶段随机优化调度；2）固定火电机组启停状态的两阶段随机优化模型。对于不同的场景聚类数，2种算法各自形成日前调度策略，并在100条随机生成的日前曲线中对比日前策略和最优调度的差距，如表1所示。参照图7中数据可知，本发明所提出的日前多阶段优化调度模型可以实现日前功率平衡。在本发明所考虑的电力系统中，火电机组占主要部分，系统负荷主要由火电机组支撑。由表1中数据可知，本发明提出的日前多阶段优化调度模型可以更好地适应次日的新能源随机特性。在固定机组开机情况后，如果次日新能源出力大幅偏离日前预测结果，系统将难以处理源荷平衡，进而产生弃风、弃光、切负荷成本，从而导致成本偏离。而本发明提出的日前多阶段随机优化调度模型充分考虑了每个时刻可能发生的情况，在不确定因素实现后求解带未来成本函数估计的单阶段模型，从而形成保证未来成本函数的当前阶段机组开机情况，有效避免了可能出现的源荷不匹配情况。
为验证求解算法的计算效率，本发明对如下2种求解方法进行对比：1）采用SDDIP算法求解日前多阶段随机优化模型；2）从场景树中采样所有可能的场景，采用随机优化进行求解。对于不同规模的场景树，两种求解方法的求解时间如表2所示。由表中数据可知，采用SDDIP算法求解日前多阶段随机优化调度模型可以有效提高计算效率，而随机优化算法则面临着内存爆炸和维数灾的问题。在大规模场景树下，随机优化模型将难以处理更加复杂的运行场景，在阶段数为24，场景聚类数为10的场景树下，随机优化算法将面临1024个随机场景的求解，造成内存爆炸的问题。为此，本发明针对日前多阶段随机优化调度模型设计的求解算法可以有效处理大规模场景树，同时保证次日调度面对新能源随机性的适应性。
综上，本发明以中国2022年某省级电力系统新能源出力数据和系统结构为例，结果表明本发明设计的条件生成对抗网络可以有效学习风-光资源的整体特性，所提出的多阶段优化模型面对风-光出力的随机特性表现出更强的适应性，采用的SDDIP算法可以有效加速模型求解时间，因此利用本发明方法可以模拟日前风-光出力，有利于含新能源电力系统的安全经济运行。此外，本发明通过数值算例验证了该方法在真实数据集和多能系统随机最优调度模型上的有效性。
实施例二：上述实施例一提供了基于随机场景生成的电力系统日前多阶段优化调度方法，与之相对应地，本实施例提供一种基于随机场景生成的电力系统日前多阶段优化调度装置。本实施例提供的装置可以实施实施例一的基于随机场景生成的电力系统日前多阶段优化调度方法，该装置可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便，描述本实施例时以功能分为各种单元分别描述。当然，在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如，该装置可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的装置基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例一的部分说明即可，本发明提供的基于随机场景生成的电力系统日前多阶段优化调度装置的实施例仅仅是示意性的。
具体地，本实施例提供的基于随机场景生成的电力系统日前多阶段优化调度装置，包括：
日前随机场景生成模块，被配置为基于电力系统的前一日风-光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；
多阶段场景树生成模块，被配置为削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；
模型构建模块，被配置为构建面向含新能源的电力系统日前多阶段随机优化调度模型；
算法求解模块，被配置为基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统的日前多阶段优化调度。
实施例三：本实施例提供一种与本实施例一所提供的基于随机场景生成的电力系统日前多阶段优化调度方法对应的电子设备，电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例一的方法。
如图8所示，电子设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。总线可以是工业标准体系结构（ISA，IndustryStandard Architecture）总线，外部设备互连（PCI，Peripheral Component）总线或扩展工业标准体系结构（EISA，Extended Industry Standard Component）总线等等。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以执行实施例一的方法，其实现原理和技术效果与实施例一类似，在此不再赘述。本领域技术人员可以理解，图8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设备的限定，具体的计算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。
在一个优选的实施例中，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、光盘等各种可以存储程序代码的介质。
在一个优选的实施例中，处理器可以为中央处理器（CPU）、数字信号处理器（DSP）等各种类型通用处理器，在此不做限定。
实施例四：本实施例提供一种计算机程序产品，计算机程序产品可以是包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述实施例一所提供的方法，其实现原理和技术效果与实施例一类似，在此不再赘述。
在一个优选的实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备，例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。计算机可读存储介质存储计算机程序指令，该计算机程序指令使计算机执行上述实施例一提供的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。在本说明书的描述中，参考术语“一个优选的实施例”、“进一步地”、“具体地”、“本实施例中”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说明书实施例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须针对的是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。
本申请是参照根据本申请实施例的方法、设备（装置）、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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于随机场景生成的电力系统日前多阶段优化调度方法，其特征在于，该方法包括：
基于电力系统的前一日风-光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；
削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；
构建面向含新能源的电力系统日前多阶段随机优化调度模型，包括：
电力系统的日前多阶段随机优化调度模型是基于各设备的运行约束及系统电力平衡约束和考虑风-光出力的不确定性获得：
其中，表示阶段s的目标函数，/>表示阶段s的所有变量，/>表示阶段总数量，/>表示阶段s优化结果造成的后续阶段运行成本，/>为随机变量表示随机因素在阶段s的实现情况，包括风电随机出力/>及光伏随机出力/>，/>表示阶段s的可行域，并受到/>和/>的影响；
基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统日前多阶段优化调度，包括：
S1、初始化参数，包括单次抽样场景个数N m、最大迭代次数N ite、多阶段调度求解上限UB、多阶段调度求解下限LB和迭代次数i；
S2、从阶段独立场景树中随机采样获得日前新能源预测随机场景；
S3、进行前向过程，收集优化结果，更新多阶段调度求解上限UB；
S4、进行反向过程，收集优化结果，生成割并添加到电力系统日前多阶段随机优化调度模型中；
S5、求解第一阶段随机优化调度模型，更新多阶段调度求解下限LB，i=i+1；
S6、判断，如果满足则结束，如果不满足则判断/>，若否则返回S2，若是则结束，其中，/>表示电力系统日前多阶段调度模型的求解收敛判据。
2.根据权利要求1所述的基于随机场景生成的电力系统日前多阶段优化调度方法，其特征在于，条件生成对抗网络是以设定的目标函数为优化方向，通过对判别器和生成器交替训练，最终使得判别器难以区分真实样本数据和生成器得到的假样本数据，真实样本数据为收集到的真实历史场景数据，假样本数据为生成器随机生成的场景数据，其中，条件生成对抗网络的目标函数为：
其中，函数为条件生成对抗网络对于样本的损失值，/>表示判别器网络参数，/>表示生成器网络参数；函数/>为计算数据期望；/>表示真实样本数据，/>表示真实样本数据分布，/>表示随机输入样本，/>表示随机噪声分布，/>为条件数据，其中，基于Wasserstein距离条件生成条件对抗网络损失函数。
3.根据权利要求1所述的基于随机场景生成的电力系统日前多阶段优化调度方法，其特征在于，削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景，包括：
采用k-means聚类算法削减日前新能源预测随机场景；
将削减后的削减日前新能源预测随机场景使用阶段独立的随机场景树描述多阶段规划过程中不确定性实现的情况。
4.根据权利要求1所述的基于随机场景生成的电力系统日前多阶段优化调度方法，其特征在于，面向含新能源的电力系统，包括光伏发电装置、风力发电装置、电池储能系统和火电机组供给系统中的电力负荷，各设备的运行需满足各自的运行约束及系统电力平衡约束，其中，运行约束及系统电力平衡约束包括火电机组运行约束、电池储能系统约束、风力、光伏发电运行约束及功率平衡约束。
5.根据权利要求1所述的基于随机场景生成的电力系统日前多阶段优化调度方法，其特征在于，还包括通过多阶段调度策略实现电力系统的日前多阶段优化调度的步骤，包括：在日前多阶段优化调度策略中，决策者需要在日前考虑次日新能源出力的随机特性，在各个阶段估计后续阶段存在的运行成本，形成多个单阶段优化调度模型，在每个阶段中捕获当前阶段随机场景，结合上一阶段s-1优化调度结果基于求解当前阶段s的单阶段随机优化调度模型获得电力系统运行情况。
6.一种基于随机场景生成的电力系统日前多阶段优化调度装置，其特征在于，该装置包括：
日前随机场景生成模块，被配置为基于电力系统的前一日风-光出力数据通过条件生成对抗网络生成日前新能源预测随机场景；
多阶段场景树生成模块，被配置为削减日前新能源预测随机场景，并使用场景树刻画削减后的日前新能源预测随机场景；
模型构建模块，被配置为构建面向含新能源的电力系统日前多阶段随机优化调度模型，包括：
电力系统的日前多阶段随机优化调度模型是基于各设备的运行约束及系统电力平衡约束和考虑风-光出力的不确定性获得：
其中，表示阶段s的目标函数，/>表示阶段s的所有变量，/>表示阶段总数量，/>表示阶段s优化结果造成的后续阶段运行成本，/>为随机变量表示随机因素在阶段s的实现情况，包括风电随机出力/>及光伏随机出力/>，/>表示阶段s的可行域，并受到/>和/>的影响；
算法求解模块，被配置为基于场景树刻画的日前新能源预测随机场景对电力系统日前多阶段调度模型通过随机对偶动态整数规划算法求解，实现电力系统的日前多阶段优化调度，包括：
S1、初始化参数，包括单次抽样场景个数N m、最大迭代次数N ite、多阶段调度求解上限UB、多阶段调度求解下限LB和迭代次数i；
S2、从阶段独立场景树中随机采样获得日前新能源预测随机场景；
S3、进行前向过程，收集优化结果，更新多阶段调度求解上限UB；
S4、进行反向过程，收集优化结果，生成割并添加到电力系统日前多阶段随机优化调度模型中；
S5、求解第一阶段随机优化调度模型，更新多阶段调度求解下限LB，i=i+1；
S6、判断，如果满足则结束，如果不满足则判断/>，若否则返回S2，若是则结束，其中，/>表示电力系统日前多阶段调度模型的求解收敛判据。
7.一种电子设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至5所述方法中的任一方法的指令。
8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至5所述方法中的任一方法。
CN202410030621.8A 2024-01-09 2024-01-09 基于随机场景生成的电力系统日前多阶段优化调度方法 Active CN117540882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410030621.8A CN117540882B (zh) 2024-01-09 2024-01-09 基于随机场景生成的电力系统日前多阶段优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410030621.8A CN117540882B (zh) 2024-01-09 2024-01-09 基于随机场景生成的电力系统日前多阶段优化调度方法

Publications (2)

Publication Number Publication Date
CN117540882A CN117540882A (zh) 2024-02-09
CN117540882B true CN117540882B (zh) 2024-03-15

Family

ID=89790391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410030621.8A Active CN117540882B (zh) 2024-01-09 2024-01-09 基于随机场景生成的电力系统日前多阶段优化调度方法

Country Status (1)

Country Link
CN (1) CN117540882B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816171A (zh) * 2019-01-28 2019-05-28 三峡大学 一种基于模糊pid实时电价的电动汽车区域微网群双层分布式优化调度方法
CN110516944A (zh) * 2019-08-20 2019-11-29 国网江苏省电力有限公司 一种配电网多阶段典型运行场景生成方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN113515890A (zh) * 2021-05-21 2021-10-19 华北电力大学 一种基于联邦学习的可再生能源日前场景生成方法
CN114498617A (zh) * 2021-12-25 2022-05-13 国网甘肃省电力公司电力科学研究院 一种考虑随机性的多能源发电系统两阶段优化调度方法
CN115051406A (zh) * 2022-06-15 2022-09-13 贵州电网有限责任公司 一种计及源网不确定性的多阶段协调控制风险调度方法
CN115310647A (zh) * 2022-01-20 2022-11-08 国网内蒙古东部电力有限公司 考虑非预期性的多阶段随机规划能源调度方法及系统
CN116937637A (zh) * 2023-06-12 2023-10-24 三峡大学 一种多能互补提供频率支撑的储能容量分布鲁棒规划方法
CN117114281A (zh) * 2023-07-24 2023-11-24 国网湖北省电力有限公司经济技术研究院 一种灵活资源多阶段规划方案的确定方法
CN117113628A (zh) * 2023-07-11 2023-11-24 国家电网有限公司华中分部 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816171A (zh) * 2019-01-28 2019-05-28 三峡大学 一种基于模糊pid实时电价的电动汽车区域微网群双层分布式优化调度方法
CN110516944A (zh) * 2019-08-20 2019-11-29 国网江苏省电力有限公司 一种配电网多阶段典型运行场景生成方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN113515890A (zh) * 2021-05-21 2021-10-19 华北电力大学 一种基于联邦学习的可再生能源日前场景生成方法
CN114498617A (zh) * 2021-12-25 2022-05-13 国网甘肃省电力公司电力科学研究院 一种考虑随机性的多能源发电系统两阶段优化调度方法
CN115310647A (zh) * 2022-01-20 2022-11-08 国网内蒙古东部电力有限公司 考虑非预期性的多阶段随机规划能源调度方法及系统
CN115051406A (zh) * 2022-06-15 2022-09-13 贵州电网有限责任公司 一种计及源网不确定性的多阶段协调控制风险调度方法
CN116937637A (zh) * 2023-06-12 2023-10-24 三峡大学 一种多能互补提供频率支撑的储能容量分布鲁棒规划方法
CN117113628A (zh) * 2023-07-11 2023-11-24 国家电网有限公司华中分部 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统
CN117114281A (zh) * 2023-07-24 2023-11-24 国网湖北省电力有限公司经济技术研究院 一种灵活资源多阶段规划方案的确定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Electric power infrastructure planning under uncertainty: stochastic dual dynamic integer programming (SDDiP) and parallelization scheme;Cristiana L. Lara等;《Optimization and Engineering (2020)》;20191016(第21期);第1243-1259页 *

Also Published As

Publication number Publication date
CN117540882A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Tian et al. A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization
Zhou et al. Integrated power and heat dispatch considering available reserve of combined heat and power units
Wu et al. A solution to the chance-constrained two-stage stochastic program for unit commitment with wind energy integration
Kuo A novel coding scheme for practical economic dispatch by modified particle swarm approach
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
Liu et al. Stochastic robust mathematical programming model for power system optimization
CN106230028B (zh) 一种风电—抽水蓄能联合系统的多目标优化方法
CN113890023B (zh) 一种综合能源微网分布式经济调度优化方法及系统
Chen Two-level hierarchical approach to unit commitment using expert system and elite PSO
CN107239863B (zh) 一种电网安全约束的鲁棒机组组合方法
Dabbaghjamanesh et al. Effective scheduling operation of coordinated and uncoordinated wind-hydro and pumped-storage in generation units with modified JAYA algorithm
CN111681130A (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
Yang et al. An improved robust SCUC approach considering multiple uncertainty and correlation
Ghassemi et al. A mathematical approach to improve energy-water nexus reliability using a novel multi-stage adjustable fuzzy robust approach
Zhang et al. Short term load forecasting based on IGSA-ELM algorithm
CN117277444B (zh) 一种新能源基地电源容量优化配置方法及装置
CN106712116A (zh) 完全分布式的电力系统机组投入配置方法及系统
Yang Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm
CN117913914A (zh) 基于电量分类的一体化项目并网多时段调度方法及装置
Qu et al. A hybrid static economic dispatch optimization model with wind energy: Improved pathfinder optimization model
Yang et al. A Novel Binary Jaya Optimization for Economic/Emission Unit Commitment.
CN117540882B (zh) 基于随机场景生成的电力系统日前多阶段优化调度方法
Liang et al. Study on economic operation for micro-grid based on scenario and PSO
Pereira et al. Power system unit commitment incorporating wind energy and battery energy storage
CN116526530A (zh) 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置

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