电力供需平衡优化方法及系统与流程

智能电网调度系统通过新能源预测，保证电力供需平衡。 #生活知识# #科技生活# #科技改变生活# #新能源技术#

本发明属于电气自动化领域，具体涉及一种电力供需平衡优化方法及系统。

背景技术：

1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的比那里。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。

2、电力供需平衡优化，是电力系统的重要研究内容；准确的电力供需平衡优化方案，能够极大的提高电力系统的运行可靠性和经济性；因此，准确的电力供需平衡优化，对于电力系统而言，具有重要意义。

3、电力供需平衡优化，本质上是多场景、多目标、多约束的数学优化问题。目前，传统的电力供需平衡优化方案，采用的是基于典型日的表格分析法；该方法采用确定性优化开展分析，以完成电力供需平衡优化。但是，随着高比例可再生能源发电系统并入电网，现有的电力供需平衡优化方案并未考虑源荷等因素产生的不确定性，尤其是未考虑新能源发电系统的出力随机性和间歇性。这种情况，使得现有的电力供需平衡优化方案，存在可靠性差，精确性差的问题，已经不再适用于高比例可再生能源的电力系统的电力供需平衡优化。

技术实现思路

1、本发明的目的之一在于提供一种可靠性高且精确性好的电力供需平衡优化方法。

2、本发明的目的之二在于提供一种实现所述电力供需平衡优化方法的系统。

3、本发明提供的这种电力供需平衡优化方法，包括如下步骤：

4、s1.获取目标电力系统的历史数据信息；

5、s2.根据步骤s1获取的历史数据信息，构建目标电力系统的源荷场景集；

6、s3.构建考虑源荷时空相关性的电力供需平衡优化模型；

7、s4.基于步骤s2构建的目标电力系统的源荷场景集，对步骤s3构建的模型进行求解；

8、s5.根据步骤s4得到的求解结果，完成目标电力系统的电力供需平衡优化。

9、步骤s1所述的目标电力系统的历史数据信息，具体包括目标电力系统各个区域的各类型源荷的历史数据、待规划的电源数据和能源价格数据。

10、步骤s2所述的根据步骤s1获取的历史数据信息，构建目标电力系统的源荷场景集，具体包括如下步骤：

11、a.对步骤s1获取历史数据信息进行预处理和聚类；

12、b.根据步骤a得到的聚类结果，进行源荷时序概率分布参数的计算；

13、c.根据步骤b得到的时序概率分布参数计算结果，进行源荷的自相关性分析和互相关性分析；

14、d.根据步骤c得到的自相关性分析和互相关性分析结果，进行自相关性源荷场景构建；

15、e.对步骤d构建的自相关性源荷场景进行削减，构建目标电力系统的源荷场景集。

16、步骤a所述的对步骤s1获取历史数据信息进行预处理和聚类，具体包括如下步骤：

17、对步骤s1获取的历史数据信息进行归一化处理；

18、采用k-means聚类算法对归一化后的各区域的各类型源荷数据进行聚类；聚类时，采用davies-bouldin指数对聚类的数目进行评价。

19、步骤b所述的根据步骤a得到的聚类结果，进行源荷时序概率分布参数的计算，具体包括如下步骤：

20、根据步骤a得到的聚类结果，采用最大似然估计法，拟合各区域的各类型源荷在各个时刻的时序概率分布参数；

21、在拟合时，采用威布尔分布拟合风速，从而对风机出力与风速进行拟合；采用贝塔分布拟合光照强度，从而对光伏出力与光照强度进行拟合；对于电负荷，采用正态分布进行拟合。

22、步骤c所述的根据步骤b得到的时序概率分布参数计算结果，进行源荷的自相关性分析和互相关性分析，具体包括如下步骤：

23、源荷的自相关性分析：

24、对于任意一类源荷时间序列，采用如下算式计算自相关性系数矩阵ρa：

25、

26、式中ri,i+k为i时刻的源荷数据xi与i+k时刻源荷数据xi+k之间的相关性系数，且μ为该类源荷时间序列的均值；

27、源荷的互相关性分析：

28、对所有的源荷时间序列，对源荷时间序列的随机变量进行排序，并计算各个随机变量的秩，然后采用如下算式计算得到m类源荷随机变量间的互相关系数矩阵ρc：

29、

30、式中si,j为第i个源荷随机变量和第j个源荷随机变量间的spearman相关系数，且xi为排序后的第i个源荷随机变量的秩，xj为排序后的第j个源荷随机变量的秩，cov()为协方差计算函数，σ()为标准差计算函数。

31、步骤d所述的根据步骤c得到的自相关性分析和互相关性分析结果，进行自相关性源荷场景构建，具体包括如下步骤：

32、采用拉丁超立方抽样方法，生成无特定自相关性的初始样本场景矩阵w；针对生成的初始样本场景矩阵w，计算对应的自相关矩阵

33、对初始样本场景矩阵w的自相关矩阵采用如下算式进行分解：

34、

35、式中x为分解矩阵，且为下三角矩阵；

36、随机生成与初始样本场景矩阵w维度相同的顺序矩阵a；顺序矩阵a中每一列的元素均为整数，且元素取值为1～ww的随机排列，ww为初始样本场景矩阵w的行数；

37、利用分解矩阵x消除初始样本场景矩阵w的自相关性，重构得到第二顺序矩阵b为b＝ax-1；

38、根据历史样本场景矩阵获取目标自相关性系数矩阵对进行cholesky分解：

39、

40、式中y为分解矩阵，且为下三角矩阵；

41、利用分解矩阵y，对第二顺序矩阵b中的元素进行更新，生成第三顺序矩阵c为c＝yb；

42、根据第三顺序矩阵c中每一行的数值顺序，对初始样本场景矩阵w中每一行的元素进行重新排序，得到自相关场景矩阵wa；

43、重复以上步骤，对所有生成的各类源荷初始样本场景矩阵，计算对应的自相关场景矩阵，完成自相关性源荷场景的构建。

44、步骤e所述的对步骤d构建的自相关性源荷场景进行削减，构建目标电力系统的源荷场景集，具体包括如下步骤：

45、采用粒子群优化算法对步骤d构建的自相关性源荷场景进行削减：

46、a.初始化种群：

47、初始化若干组粒子，并确定对应的初始速度；每组粒子表示一种场景集，所述场景集由若干构建的自相关性源荷场景构成；

48、b.计算个体与全局最优解：

49、计算每组粒子所对应场景集的互相关系数矩阵ρc,o和各个粒子的互相关性系数矩阵ρs,o；

50、采用如下算式计算得到当前迭代过程中的粒子的适应值δρ：

51、δρ＝|ρs,o-ρc,o|

52、式中||为计算矩阵间欧式距离的计算函数；

53、以适应值δρ最小为目标，得到当前迭代过程中粒子所对应的场景集的个体最优解和全局最优解；

54、c.计算与更新粒子的位置与速度：

55、根据各个粒子的个体最优值与全局最优值，更新当前粒子群中各个粒子在解空间中的位置和速度；

56、d.收敛判断：

57、判断是否达到设定的收敛条件：

58、若达到设定的收敛条件，则输出最优粒子所对应的场景集，作为后续电力供需平衡优化的源荷场景集；

59、若未达到设定的收敛条件，则返回步骤b进行下一轮的迭代计算，直至满足收敛条件；

60、所述的收敛条件包括是否达到最大迭代次数，以及适应值δρ是否小于设定阈值，若达到最大迭代次数或适应值δρ小于设定阈值则判定为达到收敛条件，否则判定为未达到收敛条件。

61、步骤s3所述的构建考虑源荷时空相关性的电力供需平衡优化模型，包括如下步骤：

62、以弃电量、等值年总成本和区间传输电量为优化目标，以电源配置容量以及在各场景运行状态为优化变量，综合考虑设备规划容量约束、电源运行约束、电力电量平衡约束、区间传输功率约束和可再生能源弃电率约束，建立考虑源荷时空相关性的电力供需平衡优化模型。

63、步骤s3所述的构建考虑源荷时空相关性的电力供需平衡优化模型，具体包括如下步骤：

64、目标函数：

65、以弃电量最小为第一目标函数，表示为：

66、

67、式中f1为弃电量；sc为场景总数；ar为供电区域总数；为第i个场景第j个供电区域在t时刻的火电出力；为第i个场景第j个供电区域在t时刻的可调水电出力；为第i个场景第j个供电区域在t时刻的不可调水电出力；为第i个场景第j个供电区域在t时刻的风机出力；为第i个场景第j个供电区域在t时刻的光伏出力；为第i个场景第j个供电区域在t时刻的向外部购电的购电功率；为第i个场景在t时刻其他供电区域向第j个供电区域传输的功率；为第i个场景第j个供电区域在t时刻的储能放电功率；为第i个场景第j个供电区域在t时刻的抽水蓄能放电功率；为第i个场景第j个供电区域在t时刻的储能充电功率；为第i个场景第j个供电区域在t时刻的抽水蓄能充电功率；li,j,t为第i个场景第j个供电区域在t时刻的电负荷；

68、以等值年总成本最小为第二目标函数，表示为：

69、minf2＝cinv+cmain+copt+cco2

70、式中f2为等值年总成本；cinv为电源规划等值年成本，且ω为能量形式，且ω＝1表示火电，ω＝2表示可调水电，ω＝3表示不可调水电，ω＝4表示风机，ω＝5表示光伏，ω＝6表示储能，ω＝7表示抽水蓄能，cinv,ω为ω类电源的单位投资成本，sω为ω类电源的规划容量，sω,n为ω类电源的当前容量，r为贴现率，nω为ω类电源的全周期寿命值；cmain为电源年运维成本，且cmat,ω为ω类电源的年运维成本；copt为电力系统运行成本，且ηe-sc为电-标煤转换系数，ηrc-sc为标煤-原煤转换系数，ccoal为单位煤价，δrc为单位煤的碳排放因子；cco2为环境成本，且cco2为碳税；

71、以区间传输电量最小为第三目标函数，表示为

72、

73、式中为第i个场景在t时刻的第j个供电区域向第k个供电区域传输的功率；

74、约束条件：

75、设备规划容量约束，表示为

76、sω,n≤sω≤sω,max

77、式中sω,max为ω类电源容量的上限值；

78、电源运行约束，表示为：

79、

80、式中为火电最小允许出力系数；stp为火电规划容量；为火电最大允许出力系数；为火电爬坡率约束系数；

81、

82、式中为水电最小允许出力系数；saht为水电规划容量；为水电最大允许出力系数；

83、

84、式中为第i个场景第j个供电区域在t时刻的储能电量；为储能的损失效率；为储能的充电效率；为储能的放电效率；为第i个场景第j个供电区域在t时刻的充电状态0-1变量，且表示处于充电状态，表示未处于充电状态；为储能最大充电功率；为第i个场景第j个供电区域在t时刻的放电状态0-1变量，且表示处于放电状态，表示未处于放电状态；为储能最大放电功率；为储能荷电状态下限值；为储能荷电状态上限值；kes为储能起始出力系数；

85、

86、式中为抽水蓄能的充电效率；为抽水蓄能的放电效率；为抽水蓄能的最大充电效率；为第i个场景第j个供电区域在t时刻的抽水蓄能的充电状态，且表示为充电状态，表示为放电状态；为水蓄能的最大放电效率；为第i个场景第j个供电区域在t时刻的抽水蓄能的放电状态，且表示为放电状态，表示为充电状态；

87、电力电量平衡约束，表示为

88、

89、式中为第i个场景t时刻的其他供电区域向第j个供电区域传输的功率；为第i个场景t时刻的第j个供电区域向其他供电区域传输的功率；

90、区间传输功率约束，表示为：

91、

92、式中为第i个场景在t时刻的第j个供电区域向第k个供电区域传输功率的最大允许传输功率值；

93、可再生能源弃电率约束，表示为：

94、

95、

96、式中ηre为弃电率上限约束。

97、步骤s4所述的基于步骤s2构建的目标电力系统的源荷场景集，对步骤s3构建的模型进行求解，具体包括如下步骤：

98、在求解前，将步骤s3构建的多目标函数优化模型进行转换：

99、采用模糊隶属度函数，将第一目标函数、第二目标函数和第三目标函数转换为单一目标；第i个目标函数的隶属度函数表示为

100、

101、式中u(fi)为第i个目标函数的隶属度函数；fi为第i个目标函数的实际值；fi,b为第i个目标函数的最劣值；fi,w为第i个目标函数的最优值；

102、引入权重系数λi，得到转换后的目标函数为

103、

104、式中

105、然后，基于步骤s2构建的目标电力系统的源荷场景集，基于构建的约束条件，对转换后的目标函数进行求解(可以采用cplex求解器进行求解)。

106、本发明还提供了一种实现所述电力供需平衡优化方法的系统，包括数据获取模块、场景构建模块、模型构建模块、模型求解模块和平衡优化模块；数据获取模块、场景构建模块、模型构建模块、模型求解模块和平衡优化模块依次串接；数据获取模块用于获取目标电力系统的历史数据信息，并将数据信息上传场景构建模块；场景构建模块用于根据接收到的数据信息，构建目标电力系统的源荷场景集，并将数据信息上传模型构建模块；模型构建模块用于根据接收到的数据信息，构建考虑源荷时空相关性的电力供需平衡优化模型，并将数据信息上传模型求解模块；模型求解模块用于根据接收到的数据信息，基于构建的目标电力系统的源荷场景集，对构建的模型进行求解，并将数据信息上传平衡优化模块；平衡优化模块用于根据接收到的数据信息，根据得到的求解结果，完成目标电力系统的电力供需平衡优化。

107、本发明提供的这种电力供需平衡优化方法及系统，通过场景集的构建和创新的优化模型的构建，不仅实现了电力供需平衡优化，而且考虑了源荷数据的时序性、地域性、时序自相关性和互相关性，因此本发明的可靠性更高，而且精确性更好。

网址：电力供需平衡优化方法及系统与流程 https://www.yuejiaxmz.com/news/view/274237

相关内容

功耗优化方法及电子设备与流程
智能电网与电力系统调度优化研究
业务流程梳理：系统化步骤与优化方法提升企业效率
一种电子设备性能优化方法及电子设备与流程
一种智能调控方法及系统与流程
人力资源管理流程优化的方法与思路
优化工作流程的方法与策略.docx
无线网络优化流程与方法
场景联动控制方法及系统与流程
一种电子设备的维护管理系统及维护管理方法与流程

随便看看