CN117670398A - 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 - Google Patents
一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117670398A CN117670398A CN202311661530.6A CN202311661530A CN117670398A CN 117670398 A CN117670398 A CN 117670398A CN 202311661530 A CN202311661530 A CN 202311661530A CN 117670398 A CN117670398 A CN 117670398A
- Authority
- CN
- China
- Prior art keywords
- accident
- power
- prediction coefficient
- wind
- active
- 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 50
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 65
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000012946 outsourcing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质,从来源风、光等发电资源的多维不确定性背景出发,充分考虑风光发电资源实际波动特征,构建风光多维不确定性离散概率序列生成方法,避免了求解过程中大量随机模拟运算,进一步以配网运行成本和事故后失负荷价值成本最低为目标,对含有光伏和风电的配网运行交易、线路开断策略进行建模,实现考虑失负荷弹性指标的配网综合效益最大化。相比已有方法,本发明全面完整地刻画了风光多维不确定性离散概率序列生成方法,进一步关注到极端事件和多维不确定下的配网弹性优化需求,为多维不确定性离散概率序列的系统弹性评估方法提供了重要参考,优势显著。
Description
技术领域
本发明属于电力系统领域,涉及一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质。
背景技术
由于气候变化,极端天气事件越来越频繁,在造成停电和经济损失方面变得更加严重。与其他电力系统停电原因,如技术问题和人为攻击,这些高影响、低概率(HILP)事件可能对电力系统安全构成重大且严重的威胁。与输电网相比,具有独特的拓扑配置和操作程序的配网系统更容易受到HILP事件的影响。
随着新能源产业的快速发展,风电场和光伏电站的随机性、间歇性和波动性对电力系统规划运行和安全经济运行产生了巨大的影响。分布式新能源的发展使得大量传统用户具备发电能力,并具有单体容量小、灵活度高和对市场响应灵敏等特点。但目前对间歇性分布式风光发电出力预测的准确度还有待进一步提高,对于间歇性能源出力波动的处理,机会约束能够较好地处理随机变量的不确定性,但是在求解过程中一般需要对随机变量的概率分布进行反变换才能将其转化成确定性约束的等价类。但在随机变量较多且概率分布不同的情况下,可能存在难以转化成确定性约束的问题,因此求解机会约束模型往往采用随机模拟的方式,但模拟法的计算较为耗时,且每次计算结果也具有一定的差异性。
发明内容
本发明的目的在于提供一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质,避免了求解过程中大量随机模拟运算,为风光等不确定性发电资源的运行决策分析提供重要参考。
本发明通过以下技术方案实现:
一种面向系统弹性提升的多维离散概率不确定性分析方法,包括:
S1,获取光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差;根据光电功率预测系数和风电功率预测系数,将将光电功率预测系数误差的概率分布表示为离散化概率序列,得到光电离散化概率序列;将风电功率预测系数误差的概率分布表示为离散化概率序列,得到风电离散化概率序列;将光电离散化概率序列和风电离散化概率序列进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列;
S2,采用S1得到的风光多维关联不确定性的预测系数误差离散概率序列修正光电功率预测系数和风电功率预测系数,将修正后的光电功率预测系数和风电功率预测系数作为场景数据,并在配网运行交易约束、线路主动开断状态约束和线路事故状态约束下,以目标函数最小为目标,对目标函数进行求解,得到基于风光预测出力结果和配网最严重的线路事故状态结果;
其中,所述目标函数为配网运行成本和事故失负荷价值的和。
优选的,目标函数为事故前运行成本C、事故后运行成本以及事故失负荷价值Csl的和:
其中,zl∈Zl为线路主动开断状态,xl∈Xl为线路事故状态;
对于节点n∈N在时段t∈T:
其中,为发电成本、/>为购电成本,/>为事故前分布式燃气轮机发电的有功功率,/>为事故前分布式燃气轮机发电成本,/>为事故前对外购售有功电量,/>为事故前对外购售价格,sln,t为有功失负荷量,/>为失负荷价值,/>为事故后对外购售有功电量,为事故后分布式燃气轮机发电的有功功率。
优选的,线路主动开断状态约束和线路事故状态约束具体包括:
对于线路事故状态,满足不超过最大攻击线路数量AL的约束:
对于线路主动开断状态和线路事故状态,满足如下的拓扑约束:
其中,zl∈Zl为线路主动开断状态,xl∈Xl为线路事故状态。
优选的,配网运行交易约束具体包括:
对于事故前阶段,满足节点功率平衡约束;
对于事故后阶段,在有功失负荷量和无功失负荷量的基础上满足节点功率平衡约束:
失负荷量约束;配网运行中的电压约束和潮流约束;
风电发电功率、光伏发电功率以及分布式燃气轮机发电功率的上下限约束。
优选的,对于事故前阶段,满足节点功率平衡约束,具体为:
其中,分别为事故前节点n在时段t的负荷有功功率和负荷无功功率,分别为事故前分布式燃气轮机发电有功功率、光伏发电有功功率以及风电发电有功功率,/>为事故前分布式燃气轮机发电无功功率,/>为事故前对外购售无功电量;
对于事故后阶段,在有功失负荷量和无功失负荷量的基础上满足节点功率平衡约束,具体是:
其中,sln,t、SQi,t分别为有功失负荷量和无功失负荷量;分别为事故后分布式燃气轮机发电有功功率、光伏发电有功功率以及风电发电有功功率,/>为事故后分布式燃气轮机发电无功功率,/>为事故后对外购售无功电量;
失负荷量约束:
优选的,基于CCG的求解模型及算法对目标函数进行求解。
进一步的,所述CCG的求解模型是通过将原问题分解为主问题和子问题进行交替求解的形式,得到原问题的最优解;
所述原问题为:
s.t.Z·I≤h
P≥0,I∈{0,1},Iu∈{0,1}
其中,I为事故前阶段中决策的线路主动开断0-1变量,Iu为事故后阶段中决策的线路攻击情况0-1变量,P为事故后阶段中的连续变量,表示随机场景集合,AT,BT,Z,h,Y,Q,X均为常数;
主问题建立模型如下:
其中,η为引入的对子问题的预估值,κ为迭代循环次数,Pr和Iu,r为在第r次循环中对P和Iu新建立的变量,为找到的最严重攻击状态场景数;
子问题建立模型如下:
P≥0,Iu∈{0,1}
其中,I*为主问题迭代得到的解。
一种面向系统弹性提升的多维离散概率不确定性分析系统,包括:
数据获取模块,用于获取输入数据,所述输入数据包括光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差;
数据处理模块,用于根据光电功率预测系数和风电功率预测系数,将将光电功率预测系数误差的概率分布表示为离散化概率序列,得到光电离散化概率序列;将风电功率预测系数误差的概率分布表示为离散化概率序列,得到风电离散化概率序列;将光电离散化概率序列和风电离散化概率序列进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列;
分析模块,用于采用风光多维关联不确定性的预测系数误差离散概率序列修正光电功率预测系数和风电功率预测系数,将修正后的光电功率预测系数和风电功率预测系数作为场景数据,并在配网运行交易约束、线路主动开断状态约束和线路事故状态约束下,以目标函数最小为目标,对目标函数进行求解,得到基于风光预测出力结果和配网最严重的线路事故状态结果;其中,所述目标函数为配网运行成本和事故失负荷价值的和。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述面向系统弹性提升的多维离散概率不确定性分析方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述面向系统弹性提升的多维离散概率不确定性分析方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明从来源风、光等发电资源的多维不确定性背景出发,充分考虑风光发电资源实际波动特征,构建风光多维不确定性离散概率序列生成方法,避免了求解过程中大量随机模拟运算,进一步以配网运行成本和事故后失负荷价值成本最低为目标,对含有光伏和风电的配网运行交易、线路开断策略进行建模,实现考虑失负荷弹性指标的配网综合效益最大化。相比已有方法,本发明全面完整地刻画了风光多维不确定性离散概率序列生成方法,进一步关注到极端事件和多维不确定下的配网弹性优化需求,为多维不确定性离散概率序列的系统弹性评估方法提供了重要参考,优势显著。
附图说明
图1为本发明的求解流程图。
图2为算例的IEEE 33节点配网系统结构图。
图3为算例的风光资源系数图。
图4为算例的用户平均负荷水平图。
图5为考虑风光多维不确定性的离散序列结果。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明进行描述,这些描述只是进一步解释本发明的特征和优点,并非用于限制本发明的权利要求。
参阅图1,本发明所述面向系统弹性提升的多维离散概率不确定性分析方法,具体包括以下步骤:
步骤一:生成风光多维关联不确定性的预测系数误差离散概率序列。
对于序列a(ia),ia=0,1,...,Na,...,其中Na为序列长度,满足ia>Na,a(ia)=0且ia=Na,a(ia)≠0,当该序列满足:
则该序列为一个概率性序列。
基于风电功率预测系数误差的正太分布模型,将风电功率预测系数误差区间[0,1]离散为K个区间,则风电实际可发电功率与预测功率P1 W的误差值(即风电功率预测系数误差)的概率分布模型可离散化为一组服从正太分布的概率密度函数族:
基于上述概率序列运算理论,在第k个区间上风电功率预测系数误差值的概率分布可用离散化概率序列{FW(k)}表示。类似的,对于光伏发电的功率预测系数误差(以下称光电功率预测系数误差)也可生成离散化概率序列{FPV(k)}。
假设风电功率预测系数误差、光电功率预测系数误差作为相互独立随机变量,对时刻t的风电功率预测系数误差、光电功率预测系数误差的离散化概率序列{FW(k)}、{FPV(k)}进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列:
步骤二:建立配网运营商单一目标函数,包括事故前运行成本C、事故后运行成本以及事故失负荷价值Csl的总成本Ci:
其中,zl∈Zl为线路主动开断状态,xl∈Xl为线路事故状态。
对于节点n∈N在时段t∈T的事故前后的运行成本,包含发电成本购电成本其中/>为事故前分布式燃气轮机发电的有功功率,/>为事故前分布式燃气轮机发电成本,/>为事故前对外购售有功电量,/>为事故前对外购售价格,将事故后阶段的上述各变量表示为/>例如/>为事故后对外购售有功电量,/>为事故后分布式燃气轮机发电的有功功率。n∈N为节点n属于所有节点集合N,n∈NG为节点n属于含有燃气轮机的节点NG。
对于节点n∈N在时段t∈T的失负荷价值Csl为:
其中,sln,t为有功失负荷量,为失负荷价值系数。
步骤三:建立配网的线路攻击模型和线路主动开断模型。对于线路事故状态,需要满足不超过最大攻击线路数量AL的约束:
对于线路主动开断状态和线路事故状态,需要满足如下的拓扑约束:
步骤四:建立事故前后的配网运行交易模型。
在事故前,对节点n在时段t需要满足节点功率平衡,其中为事故前节点n在时段t的负荷有功功率和负荷无功功率,/>分别为事故前分布式燃气轮机发电、光伏发电以及风电发电的有功功率,/>为事故前分布式燃气轮机发电无功功率,/>为事故前对外购售无功电量:
对于事故后阶段,需要在节点功率平衡中考虑有功失负荷量和无功失负荷量sln,t,SQi,t:
其中,分别为事故后分布式燃气轮机发电、光伏发电以及风电发电的有功功率,/>为事故后分布式燃气轮机发电无功功率,/>为事故后对外购售无功电量。
同时,对于失负荷量存在约束:
对于事故前后的配网运行,还存在电压和潮流约束,以事故前为例存在约束:
Umin≤Un,t≤Umax
其中,为线路l的有功功率和无功功率,/>为线路集合。rl line、/>分别为线路电阻及电抗参数,M为一极大数。/>分别为线路有功功率上限、线路无功功率上限。Um,t为与节点n相连线路l的另一端节点电压,U0为节点参考电压,m为节点,Un,t为节点电压,Umax、Umin分别为电压上限、电压下限。
对于风光和小型燃气轮机发电功率存在上下限约束:
其中,分别为光伏和风电的装机容量,/>为光电功率预测系数,/>为光伏预测发电功率,/>为光伏预测发电功率误差。/>为风电功率预测系数,/>为风电预测发电功率,Δγn,t为风光多维关联不确定性的预测系数误差离散概率序列,/>为风电预测发电功率误差。
对于分布式燃气轮机发电功率
其中,分别为分布式燃气轮机发电有功功率上限和分布式燃气轮机发电无功功率上限。
步骤五:建立基于CCG的求解模型及算法,通过将原问题分解为主问题和子问题进行交替求解的形式,得到原问题的最优解。
首先将原问题写成下述的形式便于叙述:
s.t.Z·I≤h
P≥0,I∈{0,1},Iu∈{0,1}
其中,I为事故前阶段中决策的线路主动开断0-1变量,Iu为事故后阶段中决策的线路攻击情况0-1变量,P为事故后阶段中的连续变量,表示随机场景集合,AT,BT,Z,h,Y,Q,X均为常数。
(1)主问题。
主问题建立模型如下:
其中,η为引入的对子问题的预估值,κ为迭代循环次数,Pr和Iu,r为在第r次循环中对P和Iu新建立的变量,为找到的最严重事故状态场景数。
(2)子问题。
子问题建立模型如下:
P≥0,Iu∈{0,1}
其中,I*为主问题迭代得到的解。
步骤六:首先得到实际输入数据,即光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差,典型负荷场景水平以及分布式燃气轮机的有功功率上限及无功功率上限、光伏以及风电的装机容量及失负荷价值系数。然后根据光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差及上述步骤一建立的模型,形成风光多维关联不确定性的预测系数误差离散概率序列。并进一步以事故前后的配网运行成本之和及事故失负荷价值成本最低为目标,考虑含有光伏和风电的配网运行交易、线路攻击以及线路主动开断模型约束,得到基于风光预测出力结果和配网最严重的线路事故状态结果。最后基于风光多维关联不确定性的预测系数误差离散概率序列和鲁棒优化求解,得到风光多维关联不确定性下的配网失负荷价值结果,有效表征配网系统弹性,形成基于风光多维关联不确定性的预测系数误差离散概率序列的系统弹性优化方法。
下面以IEEE 33节点配网测试系统(图2)作为算例系统说明本方法实施流程。
该实例IEEE 33节点配网测试系统进行算例分析,研究周期为一年。节点33为配网运营商所在节点。配网的平均负荷水平如图3所示。配网节点电压上、下限标幺值分别为1.05和0.95。光电功率预测系数和风电功率预测系数如图4所示。
利用本发明的方法,依据各步骤具体实施,可以得到风光多维关联不确定性的预测系数误差概率序列结果如图5所示。得到不确定性离散概率序列下的失负荷价值结果如表1所示。由图5可知,基于对风光预测系数误差的序列卷积处理,能够有效生成离散化序列结果,降低后续鲁棒优化求解的难度。由表1可知,基于风光多维关联不确定性的预测系数误差离散概率序列生成和鲁棒优化求解方法,能够有效得到失负荷价值结果,形成对配网系统弹性。
表1风光多维关联不确定性预测系数误差离散概率序列下的失负荷价值结果
综上,本发明在考虑风光等发电资源多维不确定性的背景下,基于两阶段鲁棒优化原理,得到配网最严重线路攻击场景。利用序列运算理论,根据风力发电和光伏发电出力的累积概率分布生成概率性序列,并利用卷积计算形成共同出力的概率性序列,避免了求解过程中大量随机模拟运算,进一步生成配网运行交易和拓扑调整决策方案,形成基于C&CG(Column and constraint generation method)的求解算法,实现基于离散概率序列的配网运行和拓扑决策方案,对多维度不确定下配网的运行优化和弹性评估研究有一定的促进意义,并能填补已有研究尚未关注的空白。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一实施例中,提供一种面向系统弹性提升的多维离散概率不确定性分析系统,能够用于实现上述的面向系统弹性提升的多维离散概率不确定性分析方法,具体的,该面向系统弹性提升的多维离散概率不确定性分析系统包括:
数据获取模块,用于获取输入数据,所述输入数据包括光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差;
数据处理模块,用于根据光电功率预测系数和风电功率预测系数,将将光电功率预测系数误差的概率分布表示为离散化概率序列,得到光电离散化概率序列;将风电功率预测系数误差的概率分布表示为离散化概率序列,得到风电离散化概率序列;将光电离散化概率序列和风电离散化概率序列进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列;
分析模块,用于采用风光多维关联不确定性的预测系数误差离散概率序列修正光电功率预测系数和风电功率预测系数,将修正后的光电功率预测系数和风电功率预测系数作为场景数据,并在配网运行交易约束、线路主动开断状态约束和线路事故状态约束下,以目标函数最小为目标,对目标函数进行求解,得到基于风光预测出力结果和配网最严重的线路事故状态结果;其中,所述目标函数为配网运行成本和事故失负荷价值的和。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于面向系统弹性提升的多维离散概率不确定性分析方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关面向系统弹性提升的多维离散概率不确定性分析方法的相应步骤。
本领域内的技术人员应明白,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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都属于本发明的保护范围。
Claims (10)
1.一种面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,包括:
S1,获取光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差;根据光电功率预测系数和风电功率预测系数,将将光电功率预测系数误差的概率分布表示为离散化概率序列,得到光电离散化概率序列;将风电功率预测系数误差的概率分布表示为离散化概率序列,得到风电离散化概率序列;将光电离散化概率序列和风电离散化概率序列进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列;
S2,采用S1得到的风光多维关联不确定性的预测系数误差离散概率序列修正光电功率预测系数和风电功率预测系数,将修正后的光电功率预测系数和风电功率预测系数作为场景数据,并在配网运行交易约束、线路主动开断状态约束和线路事故状态约束下,以目标函数最小为目标,对目标函数进行求解,得到基于风光预测出力结果和配网最严重的线路事故状态结果;
其中,所述目标函数为配网运行成本和事故失负荷价值的和。
2.根据权利要求1所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,目标函数为事故前运行成本C、事故后运行成本以及事故失负荷价值Csl的和:
其中,zl∈Zl为线路主动开断状态,xl∈Xl为线路事故状态;
对于节点n∈N在时段t∈T:
其中,为发电成本、/>为购电成本,/>为事故前分布式燃气轮机发电的有功功率,/>为事故前分布式燃气轮机发电成本,/>为事故前对外购售有功电量,/>为事故前对外购售价格,sln,t为有功失负荷量,/>为失负荷价值,/>为事故后对外购售有功电量,/>为事故后分布式燃气轮机发电的有功功率。
3.根据权利要求1所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,线路主动开断状态约束和线路事故状态约束具体包括:
对于线路事故状态,满足不超过最大攻击线路数量AL的约束:
对于线路主动开断状态和线路事故状态,满足如下的拓扑约束:
其中,zl∈Zl为线路主动开断状态,xl∈Xl为线路事故状态。
4.根据权利要求1所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,配网运行交易约束具体包括:
对于事故前阶段,满足节点功率平衡约束;
对于事故后阶段,在有功失负荷量和无功失负荷量的基础上满足节点功率平衡约束:
失负荷量约束;配网运行中的电压约束和潮流约束;
风电发电功率、光伏发电功率以及分布式燃气轮机发电功率的上下限约束。
5.根据权利要求1所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,对于事故前阶段,满足节点功率平衡约束,具体为:
其中,分别为事故前节点n在时段t的负荷有功功率和负荷无功功率,分别为事故前分布式燃气轮机发电有功功率、光伏发电有功功率以及风电发电有功功率,/>为事故前分布式燃气轮机发电无功功率,/>为事故前对外购售无功电量;
对于事故后阶段,在有功失负荷量和无功失负荷量的基础上满足节点功率平衡约束,具体是:
其中,sln,t、SQi,t分别为有功失负荷量和无功失负荷量;分别为事故后分布式燃气轮机发电有功功率、光伏发电有功功率以及风电发电有功功率,/>为事故后分布式燃气轮机发电无功功率,/>为事故后对外购售无功电量;
失负荷量约束:
6.根据权利要求1所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,基于CCG的求解模型及算法对目标函数进行求解。
7.根据权利要求6所述的面向系统弹性提升的多维离散概率不确定性分析方法,其特征在于,所述CCG的求解模型是通过将原问题分解为主问题和子问题进行交替求解的形式,得到原问题的最优解;
所述原问题为:
s.t.Z·I≤h
P≥0,I∈{0,1},Iu∈{0,1}
其中,I为事故前阶段中决策的线路主动开断0-1变量,Iu为事故后阶段中决策的线路攻击情况0-1变量,P为事故后阶段中的连续变量,表示随机场景集合,AT,BT,Z,h,Y,Q,X均为常数;
主问题建立模型如下:
其中,η为引入的对子问题的预估值,κ为迭代循环次数,Pr和Iu,r为在第r次循环中对P和Iu新建立的变量,为找到的最严重攻击状态场景数;
子问题建立模型如下:
P≥0,Iu∈{0,1}
其中,I*为主问题迭代得到的解。
8.一种面向系统弹性提升的多维离散概率不确定性分析系统,其特征在于,包括:
数据获取模块,用于获取输入数据,所述输入数据包括光电功率预测系数和光电功率预测系数误差以及风电功率预测系数和风电功率预测系数误差;
数据处理模块,用于根据光电功率预测系数和风电功率预测系数,将将光电功率预测系数误差的概率分布表示为离散化概率序列,得到光电离散化概率序列;将风电功率预测系数误差的概率分布表示为离散化概率序列,得到风电离散化概率序列;将光电离散化概率序列和风电离散化概率序列进行卷积计算,得到风光多维关联不确定性的预测系数误差离散概率序列;
分析模块,用于采用风光多维关联不确定性的预测系数误差离散概率序列修正光电功率预测系数和风电功率预测系数,将修正后的光电功率预测系数和风电功率预测系数作为场景数据,并在配网运行交易约束、线路主动开断状态约束和线路事故状态约束下,以目标函数最小为目标,对目标函数进行求解,得到基于风光预测出力结果和配网最严重的线路事故状态结果;其中,所述目标函数为配网运行成本和事故失负荷价值的和。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至7任意一项所述面向系统弹性提升的多维离散概率不确定性分析方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述面向系统弹性提升的多维离散概率不确定性分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661530.6A CN117670398A (zh) | 2023-12-05 | 2023-12-05 | 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661530.6A CN117670398A (zh) | 2023-12-05 | 2023-12-05 | 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670398A true CN117670398A (zh) | 2024-03-08 |
Family
ID=90069392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311661530.6A Pending CN117670398A (zh) | 2023-12-05 | 2023-12-05 | 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670398A (zh) |
-
2023
- 2023-12-05 CN CN202311661530.6A patent/CN117670398A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nan et al. | Research on modelling and solution of stochastic SCUC under AC power flow constraints | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
Zhou et al. | Multi-objective artificial bee colony algorithm for short-term scheduling of hydrothermal system | |
CN107316113B (zh) | 一种输电网规划方法及系统 | |
CN110429653B (zh) | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 | |
CN112186766A (zh) | 一种基于Benders分解的多阶段分解方法 | |
Huang et al. | Joint generation and reserve scheduling of wind‐solar‐pumped storage power systems under multiple uncertainties | |
CN111079972A (zh) | 一种主动配电网可靠性规划方法、设备及介质 | |
Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
CN115841187A (zh) | 柔性配电网运行策略的优化方法、装置、设备及存储介质 | |
CN111697607B (zh) | 一种多端柔性直流输电受端电网接入方法及系统 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN117670398A (zh) | 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质 | |
CN110768294B (zh) | 一种分布式电源随机调度方法和装置 | |
CN111509744B (zh) | 一种储能多功能应用布局方法及系统 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN113612191A (zh) | 一种配电网的快速恢复供电方法及装置 | |
CN109638835B (zh) | 一种交直流混合微电网优化配置方法及装置 | |
Ye et al. | Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials | |
CN109256790B (zh) | 一种蓄能系统配置方法、装置及存储介质 | |
CN114204613A (zh) | 一种海上风电场接入电力系统的无功补偿方法和系统 | |
CN117094537B (zh) | 电网规划方法、装置、电子设备和存储介质 | |
CN108390407A (zh) | 分布式光伏接入量计算方法、装置及计算机设备 | |
CN117096962B (zh) | 考虑光伏的电网动态无功补偿优化方法及系统 | |
CN113972659B (zh) | 一种考虑随机潮流的储能配置方法及系统 |
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 |