The invention discloses a contract power decomposition method based on distributed robust optimization, which includes the following steps: S1, acquisition cost information, difference information between monthly power generation and contract power, unit parameters and power data, and according to which a contract power decomposition model is established; S2, according to the contract power decomposition model, a distributed robust optimization model considering wind power uncertainty is established; According to the distributed robust optimization model, column and constraint generation algorithm is adopted to obtain the probability result of wind power uncertain scenarios; S4. According to the probability result, the distributed robust optimization model is adopted to obtain the contract power decomposition result; The invention solves the problem of wind power and load uncertainty in the contract power decomposition, and reduces the wave caused by wind power uncertainties. Move.
【技术实现步骤摘要】
一种基于分布鲁棒优化的合同电量分解方法
本专利技术属于电力市场领域,具体涉及一种基于分布鲁棒优化的合同电量分解方法。
技术介绍
合同电量的分解是电网公司电力交易中心的主要任务之一。例如,省电网在年初制定发电计划时,需要根据月负荷预测曲线、机组检修计划、热电联产等因素将年合同电量划分为月份。同时,每月发电计划也需要分解为一天甚至一段时间。高质量的合同电能分解方案可以大大降低后续日调度的难度,是电网经济调度和节能发电调度的基础,因此具有重要的意义。此外,在发电计划的实际实施中,需要根据一天内各时段负荷的不确定性,对所有设备进行调整,对分解方案进行修正,以使电力合同偏差最小。月度机组组合作为一种中长期电力的资源优化,可以较长时间考虑电网的运行效率。这种能源结构也决定了机组不应该采用频繁启动和关闭的最佳运行模式,从而提高了月度机组组合在实际生产中的重要性。因此,可以考虑基于月度机组组合的月度发电计划来解决合同功率分解问题。然而,近年来,随着风力发电等分布式发电系统的接入,电力系统变得越来越复杂。合同电量的分解可能会面临一个巨大的挑战,以适应不确定的DG输出和负载。对于DG输出的不确定性建模,常用的方法通常包括随机优化(SO)和鲁棒优化(RO)。虽然这两种不确定性方法在一定程度上达到了一定的处理效果,但它们也有各自的缺陷。分布式鲁棒优化(DRO)作为一种很有前途的不确定性建模方法,近年来得到了广泛的研究。它把随机优化和鲁棒优化结合起来,在给定的置信集范围内寻找最坏概率分布。然而,DRO方法通常通过利用Wasserstein度量或不确定的一阶/二阶矩信息来构造概率分布 ...
【技术保护点】
1.一种基于分布鲁棒优化的合同电量分解方法,其特征在于,包括如下步骤:S1:采集成本信息、月发电量与合同电量的差额信息、机组参数以及功率数据,并根据其建立合同电量分解模型;S2:根据合同电量分解模型,建立考虑风电不确定性的分布鲁棒优化模型;S3:根据分布鲁棒优化模型,采用列与约束生成算法,得到风电不确定场景发生的概率值结果;S4:根据概率值结果,采用分布鲁棒优化模型,得到合同电量分解结果。
【技术特征摘要】
1.一种基于分布鲁棒优化的合同电量分解方法,其特征在于,包括如下步骤:S1:采集成本信息、月发电量与合同电量的差额信息、机组参数以及功率数据,并根据其建立合同电量分解模型;S2:根据合同电量分解模型,建立考虑风电不确定性的分布鲁棒优化模型;S3:根据分布鲁棒优化模型,采用列与约束生成算法,得到风电不确定场景发生的概率值结果;S4:根据概率值结果,采用分布鲁棒优化模型,得到合同电量分解结果。2.根据权利要求1所述的基于分布鲁棒优化的合同电量分解方法,其特征在于,所述步骤S1中,建立合同电量分解模型,包括如下步骤:S1-1:根据成本信息和月发电量与合同电量的差额信息,构建合同电量分解模型的目标函数;S1-2:根据机组参数和功率数据,制定合同电量分解模型的约束条件。3.根据权利要求2所述的基于分布鲁棒优化的合同电量分解方法,其特征在于,所述步骤S1-1中,目标函数的公式为:F=min(F1+F2+F3)式中,F为总体的优化目标函数;F1为机组起停成本;F2为机组月发电量与合同电量的差额;F3为弃风成本。4.根据权利要求3所述的基于分布鲁棒优化的合同电量分解方法,其特征在于,机组起停成本的计算公式为:式中,F1为机组的起停成本;T为总天数;td为一天的总时间段数;NG为总机组数;STi、SDi分别为i机组的开始和停止成本;ui,t、ui,t-1分别为i机组在t和t-1时间段的启动和停止状态值,停止为0,启动为1;t为时间段变量;i为机组变量;机组月发电量与合同电量的差额的计算公式为:式中,F2为机组月发电量与合同电量的差额;Li每月第i机组功率调度偏差的增量;弃风成本的计算公式为:式中,F3为弃风成本;NW为风力机数量;δ为弃风惩罚系数;为第一台风力机在t时间段内的预测和实际调度输出。5.根据权利要求2所述的基于分布鲁棒优化的合同电量分解方法,其特征在于,所述步骤S1-2中,所述约束条件包括电力平衡约束、机组运行约束、ESS约束以及潮流约束;电力平衡约束的公式为:式中,Pi,t为i机组在t时间段内的有功输出;分别为i机组在t时间段内的充电和放电有功注入;PtL为t时间段内的负载总有功功率;ESS为储能系统的机组节点集合;NESS为总储能系统ESS数量;为i风电机组在t时间段内的有功功率;机组运行约束的公式为:式中,Pi,min、Pi,max分别为i机组有功功率输出的下限和上限;ui,t分别为i机组在t时间段内的启动和停止状态值,停止为0,启动为1;yi,t为i机组在t时间段内的是否有停机到开机状态变化的标志值,没有为0,有为1;zi,t为i机组在t时间段内的从开始到关闭状态的变化的标志值,关闭为0,开始为1;rUi、rDi分别为i机组的爬坡上限和下限;TDi、TUi分别为最小启动时间和最小停机时间;t为时间段变量;i为机组变量;ESS约束的公式为:式中,ESS为储能系统的机组节点集合;Ei,t为i机组在t时间段内所储存的电量;分别为充电效率和放电效率;分别为i机组的充电和放电状态;为i机组在t时间段内的充电和放电有功功率值;为i机组在t时间段内的充电和放电有功功率的上限值;SOCj.max、SOCj.min为存储有功功率比的上限和下限;分别为i机组上存储的有功功率的上限和下限;潮流约束的公...
【专利技术属性】
技术研发人员:沈晓东,刘俊勇,阮贺彬,刘彦,杨军峰,李旻,
申请(专利权)人:四川大学,国家电网有限公司,国网四川省电力公司,国网四川省电力公司电力科学研究院,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。