CN117977718A - 基于源网荷储的协调调度优化方法及系统 - Google Patents
基于源网荷储的协调调度优化方法及系统 Download PDFInfo
- Publication number
- CN117977718A CN117977718A CN202410384330.9A CN202410384330A CN117977718A CN 117977718 A CN117977718 A CN 117977718A CN 202410384330 A CN202410384330 A CN 202410384330A CN 117977718 A CN117977718 A CN 117977718A
- Authority
- CN
- China
- Prior art keywords
- cost
- determining
- scheme
- renewable energy
- constructing
- 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 40
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 239000000243 solution Substances 0.000 claims description 83
- 238000004146 energy storage Methods 0.000 claims description 51
- 238000009826 distribution Methods 0.000 claims description 44
- 230000005611 electricity Effects 0.000 claims description 42
- 230000005540 biological transmission Effects 0.000 claims description 36
- 230000003044 adaptive effect Effects 0.000 claims description 29
- 239000003637 basic solution Substances 0.000 claims description 23
- 238000001816 cooling Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002585 base Substances 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009133 cooperative interaction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于源网荷储的协调调度优化方法及系统,涉及电力系统优化技术领域,包括采集历史数据,结合环境影响因子,通过关系捕捉层,构建历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,确定可再生能源产量预测结果;根据发电单元属性,确定可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;计算电力系统运行成本,以电力系统运行成本最小化为目标,构建第二目标函数;基于第一目标函数和第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于协调调度函数,通过计算调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
Description
技术领域
本发明涉及电力系统优化技术领域,尤其涉及一种基于源网荷储的协调调度优化方法及系统。
背景技术
源网荷储是以“电源、电网、负荷、储能”为整体规划的新型电力运行模式,随着构建新型电力系统步伐加快,以水电、风电、光伏为代表的可再生资源在能源系统结构中比重不断提升,但其波动性、间歇性和随机性特点也给电网稳定运行带来挑战;
CN202310209275.5,公开了一种源网荷储协同互动优化调度系统,包括边缘计算模块、状态评估模块以及协同调度模块;所述边缘计算模块用于对电网内新能源电站和电动汽车充电站进行数据计算,并将计算结果传给状态评估模块;所述状态评估模块对该电网的状态进行评估并将评估的结果发送至协同调度模块;所述协同调度模块根据评估结果对该电网中的源网荷储各单元进行协同调度;能够针对不同的电网状态实行不同的源网荷储协同互动优化调度;
综上所述,在现有技术中电网系统调控主要采取“源随荷动”的模式,当用电负荷突然增高时,一旦电源侧发电能力不足,就会出现供需不平衡以致严重影响电网的安全运行;通过算法精准预测电力需求和电力供应,综合优化调度,得到最优的调度方案,本发明的应用至少能够解决现有技术的部分问题。
发明内容
本发明实施例提供一种基于源网荷储的协调调度优化方法及系统,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种基于源网荷储的协调调度优化方法,包括:
采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
在一种可选的实施例中,
确定可再生能源产量预测结果包括:
所述环境影响因子包括自然环境因子和人为环境因子,其中所述自然环境因子包括温度、湿度,所述人为环境因子包括节假日、庆典活动;
基于所述环境影响因子,以及时间特征,确定所述历史数据和时间的关联关系,构建所述时间关系序列;
基于需要预测时间点对应的所述环境影响因子,通过解析所述时间关系序列,预测对应的可再生能源产量。
在一种可选的实施例中,
根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数包括:
所述第一目标函数,其公式如下:
;
其中,Z renewable表示可再生能源利用率,a表示时间段,r表示可再生能源发电单元序数,R表示可再生能源发电单元总数,P gen,r表示可再生能源发电单元r的发电量,g表示发电单元序数,G表示发电单元总数,P gen,g表示发电单元g的发电量;
所述发电成本,其公式如下:
;
其中,C gen表示发电成本,MC g表示发电单元g的边际成本;
所述输电损耗成本,其公式如下:
;
其中,C trans表示输电损耗成本,h表示输电线路序号,L h表示第h条输电线路的能量损耗,CP h表示单位能量的价格;
所述储能设施充放电成本,其公式如下:
;
其中,C storage表示储能设施充放电成本,k表示储能设施序号,P charge,k表示第k个储能设备的充电量,CC k表示第k个储能设施充电的单位成本,P discharge,k表示第k个储能设备的放电量,η k表示第k个储能设施放电效率,DC k表示第k个储能设施放电的单位成本;
所述购电成本,其公式如下:
;
其中,C purchase表示购电成本,j表示购电市场序号,P purchase,j表示第j个购电市场的购电量,MP j表示第j个购电市场的电价;
所述第二目标函数,以发电成本、输电损耗成本、储能设施充放电成本和购电成本的总和最小化,其公式如下:
;
其中,Z total表示电力系统运行成本。
在一种可选的实施例中,
基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案包括:
基于预设的样本容量,随机确定方案样本,构建第一代方案集;
基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长,以所述方案样本所在位置为基准点位,结合所述自适应步长,更新所述方案样本的位置,确定新方案样本;
计算所述新方案样本对应的评估质量值,同时将所述新方案样本加入所述第一代方案集中,基于所述评估质量值,按照预设的择优数量,筛选构建第二代方案解集;
迭代进行方案样本的更新操作,直到达到预设的迭代次数,选择最大评估质量值对应的方案样本,得到调度方案最优解。
在一种可选的实施例中,
基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长包括:
基于所述评估质量值,确定所述方案样本的分布状态,根据所述分布状态,确定所述方案样本在解空间中的分布密度,基于所述分布密度,确定自适应状态因子;
根据预设的步长最大值和步长最小值,结合所述自适应状态因子,确定自适应步长;
所述自适应步长,其公式如下:
;
其中,t表示迭代次数,λ(t)表示第t次迭代时的自适应步长,λ max表示步长最大值,λ min表示预设的步长最小值,f s表示自适应状态因子,d表示当前方案样本的分布密度,d min表示分布密度最小值,d max表示分布密度最大值。
在一种可选的实施例中,
所述自适应步长还包括:
设置步长缩放因子,通过所述步长缩放因子调节步长,预设步长缩放因子范围,基于迭代进度,逐渐减小所述步长缩放因子;
所述步长缩放因子,其公式如下:
;
其中,α(t)表示第t次迭代时的步长缩放因子,α max表示预设的最大步长缩放因子,α min表示预设的最小步长缩放因子,T表示预设的最大迭代次数。
在一种可选的实施例中,
更新所述方案样本的位置,确定新方案样本,还包括:
以所述新方案样本作为基本解,基于预设的扰动强度,结合扰动调节因子,对所述基本解进行随机调整,确定扰动解;
如果扰动解对应的评估质量值大于基本解对应的评估质量值,用扰动解替代基本解;否则,基于评估质量值的差值和预设的扰动开始温度,确定扰动执行温度,基于所述扰动执行温度,确定替代率,基于所述替代率,确定是否用扰动解替代基本解;
基于冷却率,对扰动执行温度进行降温处理,确定下次迭代的扰动开始温度;
所述扰动解,其公式如下:
;
其中,x' i,t表示扰动解,x i,t表示基本解,δ表示扰动强度,rand()表示[0,1]的随机数。
本发明实施例的第二方面,
提供一种基于源网荷储的协调调度优化系统,包括:
第一单元,用于采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
第二单元,用于根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
第三单元,用于基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例中,通过包括温度、湿度、节假日、庆典活动等自然和人为环境因子,模型综合考虑各种因素对可再生资源发电的影响,使预测更为全面;通过使用长短时记忆模型,能够更好地捕捉具有长期和短期关联性的复杂时间序列数据,提高模型对复杂环境条件的适应性;通过调整可再生能源占比,优化发电单元属性,实现可再生能源利用率最大化的目标,通过提高可再生能源占比,系统更有效地利用可再生能源,降低对非可再生能源的依赖,实现环境友好和减少碳排放的目标;考虑了发电成本、输电损耗成本、储能设施充放电成本以及购电成本等多个方面,综合考虑整个电力系统的运行成本,通过调整发电单元属性和储能设施的充放电策略,优化系统运行,降低整体成本;自适应状态因子的引入是为了使搜索算法更具灵活性,能够在搜索的不同阶段自动调整参数,适应问题的复杂性和不确定性,通过自适应性,搜索算法可以更好地适应问题的特点,加速收敛过程,提高搜索效率;通过引入随机性和温度控制,算法具有更强的全局搜索能力,能够在搜索过程中跳出局部最优解,更有可能找到全局最优解;通过在搜索空间中引入随机性,算法能够更快速地探索潜在解空间,提高搜索效率。
附图说明
图1为本发明实施例基于源网荷储的协调调度优化方法的流程示意图;
图2为本发明实施例基于源网荷储的协调调度优化系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于源网荷储的协调调度优化方法的流程示意图,如图1所示,所述方法包括:
S101.采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
所述环境影响因子具体是指可能影响可再生资源发电量的外部条件或因素,包括但不限于天气状况、气温、风速、光照强度等与可再生能源产量相关的环境参数;
收集历史可再生资源发电量的数据,包括具体的发电量数值和时间戳,获取与可再生能源产量相关的环境影响因子的数据,如天气状况、气温、风速、光照强度等;
应用历史数据训练长短时记忆模型,长短时记忆模型学习并捕捉可再生能源产量的复杂模式和趋势,确定时间关系序列,即建立可再生资源发电量与环境影响因子之间的时间依赖关系;
将新的环境影响因子数据输入到已经训练好的模型中,解析时间关系序列,得到对未来可再生能源产量的预测结果;
在本实施例中,使用基于长短时记忆模型强大的时序预测技术,模型能够捕捉复杂的时间序列模式,提高预测的准确性;模型在构建中充分考虑历史数据和环境影响因子之间的时间关系,使得预测结果更符合实际的时间动态变化,提高时序预测的精度;考虑与可再生资源发电量相关的多个环境影响因子,包括天气状况、气温、风速、光照强度等,使模型更全面地反映外部环境对能源产量的影响。
在一种可选的实施例中,确定可再生能源产量预测结果包括:
所述环境影响因子包括自然环境因子和人为环境因子,其中所述自然环境因子包括温度、湿度,所述人为环境因子包括节假日、庆典活动;
基于所述环境影响因子,以及时间特征,确定所述历史数据和时间的关联关系,构建所述时间关系序列;
基于需要预测时间点对应的所述环境影响因子,通过解析所述时间关系序列,预测对应的可再生能源产量;
使用可再生资源发电,依赖自然资源,发电产量受到地理特征和气候条件影响明显,具有明显的季节性、波动性和不稳定性,其中各种自然条件构成自然环境因子,对可再生资源发电的发电量预测具有核心作用;
例如在太阳能光伏发电场景中,温度高低,影响太阳能的转换率;湿度增加,会导致云层增加,影响太阳能发电的光照条件; 又如在风能发电场景中,温度和气压变化,会使空气相对流动增加,从而增加风速,使风能涡轮机在更高的风速下产生更多的电能;
人为环境因子是指由人类活动引起的、对电能需求变化的各种因素,例如因为节假日和大型活动等,对照明、交通运输等有着更多的需求,需要更多的电能支撑,从而对发电量有着更高的要求,从而影响可再生资源发电设备的数量增减和运行时间的长短;
收集历史的可再生资源发电量数据,以及捕捉环境影响因子,通过统计方法,分析历史数据,确定环境影响因子和发电量之间的关系,将历史数据中的环境影响因子与发电量按时间顺序组合,形成时间关系序列;
使用训练数据集,基于历史数据和时间关系序列,训练长短时记忆模型,以捕捉环境影响因子对发电量的影响,调优所述长短时记忆模型,当需要对未来某一时间点的发电量进行预测时,输入该时间点以及对应的环境影响因子,通过已训练好的长短时记忆模型解析时间关系序列,得到可再生能源的产量预测结果;
在本实施例中,通过包括温度、湿度、节假日、庆典活动等自然和人为环境因子,模型综合考虑各种因素对可再生资源发电的影响,使预测更为全面;通过使用长短时记忆模型,能够更好地捕捉具有长期和短期关联性的复杂时间序列数据,提高模型对复杂环境条件的适应性;考虑到可再生资源发电场景的季节性、波动性和不稳定性,模型能够更好地适应这些特征,提高对不同季节和气候条件下的发电量的准确性;通过实时输入当前时间点的环境影响因子,模型能够实时解析时间关系序列,提高预测的实时性和准确性,满足对即时发电量需求的要求。
S102.根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
以可再生能源利用率最大化为目标,通过优化发电单元属性,特别是可再生能源的占比,使得电力系统中可再生能源的利用率最大化;通过调整可再生能源占比,使电力系统更有效地利用可再生能源,降低对非可再生能源的依赖,从而减少碳排放和提高系统的环境友好性;
可再生能源发电时,不同能源转换为电能需要不同的相关设备,而相关设备的技术含量和生产成本较高,相应的设备投资成本也更高,养护维修成本的也更高,规模也会受到影响;
可再生能源发电受到特定的自然环境和地理位置影响,以及电量的产出具有不稳定性和波动性,电力传输和电力存储上,需要产生更多成本,其中,可再生能源通常分布在离电力负荷中心较远的地区,因此需要进行长距离的输电,可能导致输电损耗的增加,影响电力系统的效率;不同的储能技术,如电池储能、压缩空气储能、水泵储能等,具有不同的成本、效率和适用场景,选择适当的储能技术对于维护电力系统平衡至关重要;可再生能源发电短缺时,需要通过外部购电来弥补电力供需的缺口,外部购电通常涉及购买电力市场上的电能,其成本会受市场电价波动、季节性需求变化等因素的影响,而市场供需、政策变化、天气条件等都会对市场电价产生影响;
在本实施例中,通过调整可再生能源占比,优化发电单元属性,实现可再生能源利用率最大化的目标,通过提高可再生能源占比,系统更有效地利用可再生能源,降低对非可再生能源的依赖,实现环境友好和减少碳排放的目标;考虑了发电成本、输电损耗成本、储能设施充放电成本以及购电成本等多个方面,综合考虑整个电力系统的运行成本,通过调整发电单元属性和储能设施的充放电策略,优化系统运行,降低整体成本;考虑到可再生能源通常分布在远离负荷中心的地区,采用高效输电技术有助于减小输电损耗,提高电力系统效率。
在一种可选的实施例中,根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数包括:
所述第一目标函数,其公式如下:
;
其中,Z renewable表示可再生能源利用率,a表示时间段,r表示可再生能源发电单元序数,R表示可再生能源发电单元总数,P gen,r表示可再生能源发电单元r的发电量,g表示发电单元序数,G表示发电单元总数,P gen,g表示发电单元g的发电量;
所述发电成本,其公式如下:
;
其中,C gen表示发电成本,MC g表示发电单元g的边际成本;
所述输电损耗成本,其公式如下:
;
其中,C trans表示输电损耗成本,h表示输电线路序号,L h表示第h条输电线路的能量损耗,CP h表示单位能量的价格;
所述储能设施充放电成本,其公式如下:
;
其中,C storage表示储能设施充放电成本,k表示储能设施序号,P charge,k表示第k个储能设备的充电量,CC k表示第k个储能设施充电的单位成本,P discharge,k表示第k个储能设备的放电量,η k表示第k个储能设施放电效率,DC k表示第k个储能设施放电的单位成本;
所述购电成本,其公式如下:
;
其中,C purchase表示购电成本,j表示购电市场序号,P purchase,j表示第j个购电市场的购电量,MP j表示第j个购电市场的电价;
所述第二目标函数,以发电成本、输电损耗成本、储能设施充放电成本和购电成本的总和最小化,其公式如下:
;
其中,Z total表示电力系统运行成本。
根据可再生能源利用率公式,分子部分是所有可再生能源发电单元在每个时间段的发电量之和,分母部分是所有发电单元(包括可再生和非可再生能源)在每个时间段的总发电量之和,通过最大化其比率,系统可以优化可再生能源的利用,降低对非可再生能源的依赖;
根据发电成本公式,每个发电单元的成本等于其在每个时间段的发电量乘以相应的边际成本,通过优化这个目标函数,可以降低系统的发电成本;
根据输电损耗成本公式,每条输电线路的成本等于其在每个时间段的能量损耗乘以单位能量的价格,通过最小化这个目标函数,可以降低系统的输电损耗成本;
根据储能设施充放电成本公式,每个储能设施的成本等于其在每个时间段的充电量乘以充电单位成本,再加上其放电量除以放电效率的乘积再乘以放电单位成本,通过优化这个目标函数,可以最小化系统的储能设施充放电成本;
根据购电成本公式,每个购电市场的成本等于其在每个时间段的购电量乘以相应的电价,通过最小化这个目标函数,可以降低系统的购电成本;
根据公式所述,通过优化可再生能源发电单元的占比,提高系统对可再生能源的整体利用率,减少对传统能源的依赖;促使电力系统更加偏向清洁、可再生的能源组合,降低碳排放,符合可持续发展目标;通过考虑发电成本、输电损耗成本、储能设施充放电成本以及购电成本,综合优化整个电力系统的运行,实现成本最小化,提高电力系统的经济效益,减小电力生产和传输的整体成本。
S103.基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案;
所述评估质量值具体是指针对给定的调度方案,通过一定的度量标准来衡量该方案在满足目标函数的同时,对系统性能和经济性的综合影响的值,可以反映调度方案的优劣,是对方案效果的量化表示;其中一定的度量标准具体是协调调度函数,通过评估质量值,比较不同调度方案的优劣,指导搜索算法朝着更优化的方向进行迭代;
所述自适应状态因子具体是指在搜索算法中的一个动态调整参数,其值根据当前搜索的状态和过去的搜索经验而变化,用于调整搜索的策略和方向,使搜索更加智能、高效;
在本实施例中,通过协调调度函数同时考虑可再生能源利用率最大化和电力系统运行成本最小化两个目标,实现多目标的优化,有助于找到一个平衡的调度方案,既提高可再生能源利用率又降低整体运行成本;通过迭代过程,搜索算法不断优化调度方案,逐渐接近最优解,有助于实现电力系统的长期优化,提高了系统的整体性能;自适应状态因子的引入是为了使搜索算法更具灵活性,能够在搜索的不同阶段自动调整参数,适应问题的复杂性和不确定性,通过自适应性,搜索算法可以更好地适应问题的特点,加速收敛过程,提高搜索效率。
在一种可选的实施例中,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案包括:
基于预设的样本容量,随机确定方案样本,构建第一代方案集;
基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长,以所述方案样本所在位置为基准点位,结合所述自适应步长,更新所述方案样本的位置,确定新方案样本;
计算所述新方案样本对应的评估质量值,同时将所述新方案样本加入所述第一代方案集中,基于所述评估质量值,按照预设的择优数量,筛选构建第二代方案解集;
迭代进行方案样本的更新操作,直到达到预设的迭代次数,选择最大评估质量值对应的方案样本,得到调度方案最优解。
所述分布密度具体是指在搜索算法中,描述当前解空间中各个解点分布的紧密程度,分布密度可以被看作是一种描述方案样本在解空间中分布情况的度量,高分布密度表示解点分布相对密集,低分布密度表示解点分布相对稀疏;
所述自适应步长具体是指在搜索算法中,根据当前解点的分布密度动态调整每一次搜索步长的大小,自适应步长可以帮助搜索算法更灵活地适应解空间中的局部和全局特征,加速搜索过程;
对调度方案搜索算法进行初始化,设置样本容量,随机生成第一代方案集;设定迭代次数和择优数量,初始化自适应步长;
利用协调调度函数,计算第一代方案集中每个方案样本的评估质量值,根据评估质量值,确定第一代方案集的分布情况,进而确定分布密度,再根据分布密度计算自适应步长;
对于每个方案样本,以现在的位置为基准点位,结合本次迭代计算出的自适应步长,更新方案样本的位置,并计算新生成的方案样本的评估质量值;
将新生成的方案样本加入第一代方案集中,根据评估质量值进行由高到低的降序排列,按照初始化设置的择优数量,选择评估质量值较高的,构建第二代方案解集;
进行下一次迭代,重复前述过程,通过确定新的自适应步长,继续更新方案样本的位置,进而产生第三代方案解集,以此类推,直到达到预设的迭代次数;在最终的方案解集中,选择具有最大评估质量值的方案样本,得到调度方案最优解;
在本实施例中,通过随机生成的方案样本,结合自适应步长的动态调整,实现了对调度空间的全局搜索,有助于发现更广泛的解空间;自适应步长的引入使得搜索过程更具智能性,可以根据当前搜索状态调整搜索的步长,提高搜索的效率和鲁棒性;随机生成的初始方案样本以及自适应步长的调整有助于维持搜索过程中的多样性,防止陷入局部最优解;通过预设的择优数量,筛选出评估质量值较高的方案样本,使得每一代的方案集中保留更优质的解,推动算法朝着更优解的方向发展。
在一种可选的实施例中,基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长包括:
基于所述评估质量值,确定所述方案样本的分布状态,根据所述分布状态,确定所述方案样本在解空间中的分布密度,基于所述分布密度,确定自适应状态因子;
根据预设的步长最大值和步长最小值,结合所述自适应状态因子,确定自适应步长;
所述自适应步长,其公式如下:
;
其中,t表示迭代次数,λ(t)表示第t次迭代时的自适应步长,λ max表示步长最大值,λ min表示预设的步长最小值,f s表示自适应状态因子,d表示当前方案样本的分布密度,d min表示分布密度最小值,d max表示分布密度最大值。
根据评估质量值,确定方案样本的分布状态,即在解空间中的位置分布情况,结合方案样本的分布状态,确定方案样本在解空间中的分布密度,即当前方案样本周围解空间的密集程度;基于当前方案样本的密集程度,计算自适应状态因子,自适应状态因子的值介于0和1之间,表示方案样本在解空间中的相对位置,0表示在最稀疏的区域,1表示在最聚集的区域,自适应状态因子,用于动态调整自适应步长;
基于计算得到的自适应状态因子,结合预设的步长最大值和步长最小值,确定当前迭代时的自适应步长;
自适应步长在每次迭代中根据当前的自适应状态因子进行调整,自适应步长介于预设的步长最小值和步长最大值之间,自适应状态因子值越大,自适应步长越趋近于步长最小值,表示在较聚集的区域更小幅度更新;自适应状态因子值越小,自适应步长越趋近于步长最大值,表示在较稀疏的区域更大幅度更新;
根据所述公式,自适应步长的计算使得算法能够在搜索过程中自动调整步长,根据当前的分布密度和状态灵活适应搜索空间的特性,有助于算法更好地适应不同的问题结构和搜索状态,提高算法的鲁棒性;通过自适应步长,算法能够在搜索的初期较大步长下快速探索全局空间,而在搜索的后期较小步长下更精细地进行局部搜索,这样的平衡使得算法更具有全局搜索和局部搜索的能力,有助于发现全局最优解和避免陷入局部最优解;自适应步长的调整机制使得算法在搜索的不同阶段能够更高效地利用计算资源。在探索空间的稀疏区域时,较大步长能够快速地覆盖更多的解空间;而在密集区域时,较小步长有助于更精准地调整位置,提高搜索的精度。
在一种可选的实施例中,所述自适应步长还包括:
设置步长缩放因子,通过所述步长缩放因子调节步长,预设步长缩放因子范围,基于迭代进度,逐渐减小所述步长缩放因子;
所述步长缩放因子,其公式如下:
;
其中,α(t)表示第t次迭代时的步长缩放因子,α max表示预设的最大步长缩放因子,α min表示预设的最小步长缩放因子,T表示预设的最大迭代次数。
确定步长缩放因子的范围,设置最大步长缩放因子和最小步长缩放因子;
随着迭代次数的增加,步长缩放因子的值逐渐减小,这种线性递减的趋势在搜索的后期有助于提高算法的精度;
将当前步长缩放因子应用于当前的步长,通过将原始步长与步长缩放因子相乘来确定;
逐渐增加迭代次数,通过不断迭代,步长缩放因子的值会逐渐减小,使得在搜索的后期,更新的步长逐渐缩小,有助于更精细地调整方案样本的位置;
在本实施例中,通过逐渐减小步长缩放因子,算法在搜索的过程中逐渐从全局搜索转向局部搜索,更加注重细节和精确性,有助于在有限的迭代次数内更好地调整方案样本的位置,提高算法的收敛性和精度。
在一种可选的实施例中,更新所述方案样本的位置,确定新方案样本,还包括:
以所述新方案样本作为基本解,基于预设的扰动强度,结合扰动调节因子,对所述基本解进行随机调整,确定扰动解;
如果扰动解对应的评估质量值大于基本解对应的评估质量值,用扰动解替代基本解;否则,基于评估质量值的差值和预设的扰动开始温度,确定扰动执行温度,基于所述扰动执行温度,确定替代率,基于所述替代率,确定是否用扰动解替代基本解;
基于冷却率,对扰动执行温度进行降温处理,确定下次迭代的扰动开始温度;
所述扰动解,其公式如下:
;
其中,x' i,t表示扰动解,x i,t表示基本解,δ表示扰动强度,rand()表示[0,1]的随机数。
将新方案样本作为基本解,设置扰动强度、扰动调节因子、扰动开始温度、替代率以及冷却率等参数;
根据扰动解的生成公式,对基本解进行随机扰动,得到扰动解;将扰动解对应的评估质量值与基本解对应的评估质量值进行比较,如果扰动解的评估质量值大于基本解的评估质量值,则用扰动解替代基本解;
如果扰动解的评估质量值小于等于基本解的评估质量值,计算扰动解的评估质量值和基本解的评估质量值的差值,再结合扰动开始温度,确定扰动执行温度;
基于扰动执行温度,通过指数函数计算替代率,根据替代率,使用随机生成一个值,确定扰动解是否被接受,例如,计算得到的替代率为73%,对应0.73,通过随机函数,在0到1之间生成一个数字如0.62,此时0.62小于0.73,在0到0.73的范围内,表示接受扰动解,用扰动解替代基本解;如果随机函数生成数字如0.87,超出0到0.73的范围,表示不接受扰动解。
根据冷却率,对扰动执行温度进行降温处理,产生新的扰动开始温度,进入下一次迭代;其中冷却率可以是线性降温,均匀参与扰动,也可以是非线性降温,在迭代后期,扰动降低。
在本实施例中,通过引入随机性和温度控制,算法具有更强的全局搜索能力,能够在搜索过程中跳出局部最优解,更有可能找到全局最优解;在温度较高时,算法更容易接受较差的解,从而在搜索空间中更广泛地探索;而在温度逐渐降低时,算法更趋向于接受更优的解,有助于在局部区域进行精细的优化;通过调节扰动强度、扰动调节因子和温度等参数,算法能够更灵活地适应不同问题的参数空间,提高算法的通用性和适用性;通过在搜索空间中引入随机性,算法能够更快速地探索潜在解空间,提高搜索效率;温度的逐渐降低使得算法在搜索的后期更专注于深入细致的局部搜索,加速收敛速度。
图2为本发明实施例基于源网荷储的协调调度优化系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
第二单元,用于根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
第三单元,用于基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.基于源网荷储的协调调度优化方法,其特征在于,包括:
采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
2.根据权利要求1所述的方法,其特征在于,确定可再生能源产量预测结果包括:
所述环境影响因子包括自然环境因子和人为环境因子,其中所述自然环境因子包括温度、湿度,所述人为环境因子包括节假日、庆典活动;
基于所述环境影响因子,以及时间特征,确定所述历史数据和时间的关联关系,构建所述时间关系序列;
基于需要预测时间点对应的所述环境影响因子,通过解析所述时间关系序列,预测对应的可再生能源产量。
3.根据权利要求1所述的方法,其特征在于,根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数包括:
所述第一目标函数,其公式如下:
;
其中,Z renewable表示可再生能源利用率,a表示时间段,r表示可再生能源发电单元序数,R表示可再生能源发电单元总数,P gen,r表示可再生能源发电单元r的发电量,g表示发电单元序数,G表示发电单元总数,P gen,g表示发电单元g的发电量;
所述发电成本,其公式如下:
;
其中,C gen表示发电成本,MC g表示发电单元g的边际成本;
所述输电损耗成本,其公式如下:
;
其中,C trans表示输电损耗成本,h表示输电线路序号,L h表示第h条输电线路的能量损耗,CP h表示单位能量的价格;
所述储能设施充放电成本,其公式如下:
;
其中,C storage表示储能设施充放电成本,k表示储能设施序号,P charge,k表示第k个储能设备的充电量,CC k表示第k个储能设施充电的单位成本,P discharge,k表示第k个储能设备的放电量,η k表示第k个储能设施放电效率,DC k表示第k个储能设施放电的单位成本;
所述购电成本,其公式如下:
;
其中,C purchase表示购电成本,j表示购电市场序号,P purchase,j表示第j个购电市场的购电量,MP j表示第j个购电市场的电价;
所述第二目标函数,以发电成本、输电损耗成本、储能设施充放电成本和购电成本的总和最小化,其公式如下:
;
其中,Z total表示电力系统运行成本。
4.根据权利要求1所述的方法,其特征在于,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案包括:
基于预设的样本容量,随机确定方案样本,构建第一代方案集;
基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长,以所述方案样本所在位置为基准点位,结合所述自适应步长,更新所述方案样本的位置,确定新方案样本;
计算所述新方案样本对应的评估质量值,同时将所述新方案样本加入所述第一代方案集中,基于所述评估质量值,按照预设的择优数量,筛选构建第二代方案解集;
迭代进行方案样本的更新操作,直到达到预设的迭代次数,选择最大评估质量值对应的方案样本,得到调度方案最优解。
5.根据权利要求4所述的方法,其特征在于,基于所述协调调度函数,计算所述第一代方案集中的每一个所述方案样本对应的评估质量值,根据所述评估质量值,以及分布密度,确定自适应状态因子,计算自适应步长包括:
基于所述评估质量值,确定所述方案样本的分布状态,根据所述分布状态,确定所述方案样本在解空间中的分布密度,基于所述分布密度,确定自适应状态因子;
根据预设的步长最大值和步长最小值,结合所述自适应状态因子,确定自适应步长;
所述自适应步长,其公式如下:
;
其中,t表示迭代次数,λ(t)表示第t次迭代时的自适应步长,λ max表示步长最大值,λ min表示预设的步长最小值,f s表示自适应状态因子,d表示当前方案样本的分布密度,d min表示分布密度最小值,d max表示分布密度最大值。
6.根据权利要求5所述的方法,其特征在于,所述自适应步长还包括:
设置步长缩放因子,通过所述步长缩放因子调节步长,预设步长缩放因子范围,基于迭代进度,逐渐减小所述步长缩放因子;
所述步长缩放因子,其公式如下:
;
其中,α(t)表示第t次迭代时的步长缩放因子,α max表示预设的最大步长缩放因子,α min表示预设的最小步长缩放因子,T表示预设的最大迭代次数。
7.根据权利要求4所述的方法,其特征在于,更新所述方案样本的位置,确定新方案样本,还包括:
以所述新方案样本作为基本解,基于预设的扰动强度,结合扰动调节因子,对所述基本解进行随机调整,确定扰动解;
如果扰动解对应的评估质量值大于基本解对应的评估质量值,用扰动解替代基本解;否则,基于评估质量值的差值和预设的扰动开始温度,确定扰动执行温度,基于所述扰动执行温度,确定替代率,基于所述替代率,确定是否用扰动解替代基本解;
基于冷却率,对扰动执行温度进行降温处理,确定下次迭代的扰动开始温度;
所述扰动解,其公式如下:
;
其中,x' i,t表示扰动解,x i,t表示基本解,δ表示扰动强度,rand()表示[0,1]的随机数。
8.基于源网荷储的协调调度优化系统,用于实现前述权利要求1-7中任一项所述的基于源网荷储的协调调度优化方法,其特征在于,包括:
第一单元,用于采集可再生资源发电量的历史数据,结合环境影响因子,通过关系捕捉层,构建所述历史数据和时间的关联关系,确定时间关系序列,通过基于长短时记忆模型构建的能源产量预测网络,对所述时间关系序列进行解析,确定可再生能源产量预测结果;
第二单元,用于根据发电单元属性,确定可再生能源占比,基于所述可再生能源产量预测结果,结合所述可再生能源占比,以可再生能源利用率最大化为目标,构建第一目标函数;根据发电成本、输电损耗成本、储能设施充放电成本以及购电成本,计算电力系统运行成本,以所述电力系统运行成本最小化为目标,构建第二目标函数;
第三单元,用于基于所述第一目标函数和所述第二目标函数,确定协调调度函数,构建调度方案搜索算法,基于所述协调调度函数,通过计算所述调度方案的评估质量值,结合自适应状态因子,迭代获得最优调度方案。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410384330.9A CN117977718A (zh) | 2024-04-01 | 2024-04-01 | 基于源网荷储的协调调度优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410384330.9A CN117977718A (zh) | 2024-04-01 | 2024-04-01 | 基于源网荷储的协调调度优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977718A true CN117977718A (zh) | 2024-05-03 |
Family
ID=90851879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410384330.9A Pending CN117977718A (zh) | 2024-04-01 | 2024-04-01 | 基于源网荷储的协调调度优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977718A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
US20200334609A1 (en) * | 2019-04-22 | 2020-10-22 | Xendee Corporation | Adaptive multiyear economic planning for energy systems, microgrid and distributed energy resources |
CN112653180A (zh) * | 2020-09-24 | 2021-04-13 | 北京信息科技大学 | 一种风火储联合系统环境经济调度方法及系统 |
US20210254848A1 (en) * | 2019-02-15 | 2021-08-19 | Aristotle University Of Thessaloniki-research Committee E.l.k.e. | Method for Improving the Performance of the Energy Management in a Nearly Zero Energy Building |
CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN115600809A (zh) * | 2022-10-14 | 2023-01-13 | 国网山西省电力公司太原供电公司(Cn) | 一种综合能源系统的优化调度装置及方法 |
CN115660177A (zh) * | 2022-10-26 | 2023-01-31 | 国网天津市电力公司 | 提高光伏消纳水平的多目标光伏-电动汽车调度方法 |
CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
CN117293924A (zh) * | 2023-09-28 | 2023-12-26 | 南京邮电大学 | 基于wso的配电网日前两阶段优化调度方法 |
CN117578409A (zh) * | 2023-11-14 | 2024-02-20 | 重庆邮电大学 | 一种电力市场环境下的多能互补优化调度方法及系统 |
US20240097443A1 (en) * | 2021-10-21 | 2024-03-21 | State Grid Zhejiang Electric Power Co., Ltd. Taizhou power supply company | Source-network-load-storage coordination dispatching method in background of coupling of renewable energy sources |
-
2024
- 2024-04-01 CN CN202410384330.9A patent/CN117977718A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
US20210254848A1 (en) * | 2019-02-15 | 2021-08-19 | Aristotle University Of Thessaloniki-research Committee E.l.k.e. | Method for Improving the Performance of the Energy Management in a Nearly Zero Energy Building |
US20200334609A1 (en) * | 2019-04-22 | 2020-10-22 | Xendee Corporation | Adaptive multiyear economic planning for energy systems, microgrid and distributed energy resources |
CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
CN112653180A (zh) * | 2020-09-24 | 2021-04-13 | 北京信息科技大学 | 一种风火储联合系统环境经济调度方法及系统 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
US20240097443A1 (en) * | 2021-10-21 | 2024-03-21 | State Grid Zhejiang Electric Power Co., Ltd. Taizhou power supply company | Source-network-load-storage coordination dispatching method in background of coupling of renewable energy sources |
CN115600809A (zh) * | 2022-10-14 | 2023-01-13 | 国网山西省电力公司太原供电公司(Cn) | 一种综合能源系统的优化调度装置及方法 |
CN115660177A (zh) * | 2022-10-26 | 2023-01-31 | 国网天津市电力公司 | 提高光伏消纳水平的多目标光伏-电动汽车调度方法 |
CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
CN117293924A (zh) * | 2023-09-28 | 2023-12-26 | 南京邮电大学 | 基于wso的配电网日前两阶段优化调度方法 |
CN117578409A (zh) * | 2023-11-14 | 2024-02-20 | 重庆邮电大学 | 一种电力市场环境下的多能互补优化调度方法及系统 |
Non-Patent Citations (4)
Title |
---|
YUNFEI DU; XIANGGEN YIN; JINMU LAI; GUANQUN SUN; ZHIWEI ZHAO; ZIA ULLAH: "Energy router based minimum loss cost routing strategy in energy internet", 2020 IEEE 1ST CHINA INTERNATIONAL YOUTH CONFERENCE ON ELECTRICAL ENGINEERING, 30 November 2020 (2020-11-30), pages 6 * |
孙浩锋: ""源网荷储"协调的主动配电网运行优化分析", 工程科技Ⅱ辑, no. 2022, 15 May 2022 (2022-05-15), pages 042 - 961 * |
阙凌燕,蒋正威,杨力强,卢敏: "基于改进遗传算法的源网荷储协同控制方法", 沈阳工业大学学报, no. 2023, 30 November 2023 (2023-11-30), pages 612 - 618 * |
黄荣泽: "源-网-荷-储协调的区域电网日前优化运行", 广西电力, no. 2022, 28 April 2022 (2022-04-28), pages 7 - 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106981888B (zh) | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN109256799B (zh) | 一种基于样本熵的新能源电力系统优化调度方法 | |
CN109103929B (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
CN111091239A (zh) | 基于差分进化算法的能源服务商电价策略制定方法及装置 | |
CN106339773B (zh) | 基于灵敏度的主动配电网分布式电源定容规划方法 | |
CN115907402B (zh) | 一种梯级水电站联合保证出力的推求方法及系统 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN116418013A (zh) | 风-光-抽水蓄能联合系统多目标优化方法及系统 | |
CN117977718A (zh) | 基于源网荷储的协调调度优化方法及系统 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN114723278A (zh) | 一种考虑光伏储能的社区微电网调度方法及系统 | |
CN111262240A (zh) | 一种综合能源系统优化运行方法及系统 | |
CN113507134B (zh) | 一种规划目标年新能源电源装机容量的优化规划方法 | |
CN115425671B (zh) | 一种风光蓄联合系统中抽水蓄能机组调节强度的评估方法 | |
CN117974365B (zh) | 一种电热综合能源耦合系统多目标运行优化方法及系统 | |
CN117937412B (zh) | 光伏直流接入电解铝供电系统整流机组稳流控制方法 | |
CN117709551A (zh) | 一种面向深度调峰的虚拟电厂内电储荷载优化调度方法 | |
CN115940252A (zh) | 一种基于时序生产模拟的零碳工业园区调峰资源配置方法 | |
CN116526456A (zh) | 基于b/s架构的电能路由器智能化集中控制方法及系统 | |
CN117674214A (zh) | 一种分布式储能系统最优配置规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |