应用近似动态规划算法求解安全约束随机动态经济调度问题

针对大电网安全约束随机动态经济调度(DED)问题的求解时间太长,提出了应用近似动态规划算法快速求解不含抽水蓄能电站电网的安全约束随机DED问题的方法。建立了随机DED问题的虚拟存储器模型,以系统的正旋转备用容量作为存储变量,构建系统相邻时段的状态转移方程,并考虑了各输电线路和断面的安全约束。以风电场日前功率预测曲线为基础,通过拉丁超立方抽样产生风电场出力的误差场景,并逐一场景递推求解每个时段的二次规划模型以对各个时段的值函数进行训练,形成收敛的值函数,再代入预测场景求解以获得最终的优化调度方案。该方法实现了对随机DED模型各个场景和各个时段的解耦求解,将一个大规模优化问题分解为一系列的小规模优化问题,有效提高了对大电网随机DED模型的求解速度。以某一实际省级电网为算例,通过与场景法和鲁棒优化调度方法的比较验证了所提出模型和求解方法的正确有效性。     

基于多时间尺度协调机组组合的含风电系统 旋转备用优化研究

考虑风电出力的预测误差和负荷功率的预测误差具有随预测时间尺度的缩短而减小的特点,以及电力系统旋转备用容量的配置离不开机组组合,建立了多时间尺度下协调机组组合的含并网风电电力系统旋转备用预留容量的优化模型。对该模型的求解,先采用优先顺序法求取各机组的启停机顺序,再通过粒子群算法滚动计算求解得出不同等效旋转备用容量水平下所对应的系统最经济调度计划。通过利用不断更新的风电出力预测和负荷预测结果信息来调整调度计划,在保障系统可靠性达到要求的前提下,减少含风电电力系统旋转备用容量的配置,从而提高风电并网后电力系统运     

含风电场电力系统经济调度的模糊建模及优化算法

随着人们对风电的日益关注,新型风电场的容量在并网系统中所占比例不断增加,这对传统电力系统的经济调度问题提出了新的要求。特别是风电场输出功率的随机变化给系统的经济调度带来了更多的不确定性因素。文中应用模糊理论建立了含风电场电力系统动态经济调度的模糊模型,使调度结果能够表达决策者的意愿,从而更好地适应风机输出功率的随机性。在优化算法上,利用下降搜索思想对传统粒子群算法进行了改进,并将改进后的算法用于求解提出的动态经济调度问题。在算例中进行了测试,结果验证了所提出的方法的可行性。     

风力发电机输出功率条件子集区间估计方法

根据风力发电机的风速和输出功率历史数据,对风机输出功率均值与风速的关系进行最小二乘参数辨识,以此为基础求出风机输出功率偏差与风速的关系。采用Python概率分析确定风机输出功率偏差各子集的概率分布类型,估计其特征参数,以求出其概率密度函数,进而对风机输出功率偏差进行概率置信区间预测。基于风机输出功率均值与风速的关系和风机输出功率偏差子集的置信区间估计模型,实现了根据风速预报值对风机输出功率的置信区间进行预测。用实际风机的历史纪录对所提方法进行了测试和验证。结果表明:基于风速将风机输出功率偏差划分成多个子集,可提高风机输出功率概率置信区间预测的精准度。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

考虑风电不确定性的风蓄火联合优化经济调度研究

风电的间歇性、波动性和反调峰特性导致大量风能成为弃风,致使风电的经济效益和环保效益均受到影响。针对风电和抽水蓄能以及火电出力的不同特性,文中采用内外两层模型嵌套求解,即优先建立内层风蓄联合运行收益最大和风电入网波动最小的双目标模型,以决定抽水蓄能机组的抽水功率或发电功率,再在外层建立计及不同置信水平风电预测误差的风蓄火联合收益最大的目标模型。以抽水蓄能和风电合作运行来应对风电的不确定性,同时采用机会约束规划来处理模型中的随机变量。采用粒子群优化-遗传算法混合优化算法求解模型,并通过IEEE 30节点系统验证了该模型在增加系统经济效益的同时可以降低风电出力波动性。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于解集动态分析含风电接入的多目标机组组合研究

风电的大规模接入给多目标节能减排发电调度带来了新的机遇和挑战。由于风电场出力具有随机性,采用置信区间简化风电场景模拟数量,考虑到多目标模型的复杂性,利用Benders分解技术对模型进行降维,设计一种基于解集动态分析的多目标自适应优化算法对降维后的多目标主问题进行求解,并提出一种提高模型整体求解效率的预处理机制加速收敛。仿真结果表明所提方法能够有效求解含风电的多目标机组组合问题,并验证了所提多目标算法和预处理机制在求解模型中的优势。     

考虑风电接入的电力系统鲁棒经济优化调度

鉴于风力发电具有很强的随机性和波动性,含风电调度系统中,应用传统预测区间来描述其不确定性的方法存在缺陷.针对该问题,通过引入弃风限制对风电场的风电出力预测区间进行优化,得到能够保证调度系统安全运行的风电安全出力区间;在此基础上,建立双层鲁棒区间优化调度模型,使得常规机组的运行成本和风电场的弃风成本最小,并分析了系统爬坡...     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

含风电电力系统机组组合的量子离散差分进化方法

风电具有天然的不可控性和随机性,大量并网给电力系统调度计划带来困难,在电力系统日前机组组合计划中计及风电出力的不确定性,有利于提高电力系统优化运行的精细度.文中通过系统旋转备用将风电出力的预测误差纳入机组组合的数学模型中,为求解含风电的机组组合问题,设计了双层求解方法,外层采用量子离散差分进化法优化传统火电机组的启停状...     

考虑风电场储能容量配置风电功率预测误差估计算法对比研究

针对风电功率预测误差估计方法中混合高斯分布拟合法和特征值提取估计法这两种适用范围较广的风电功 率预测误差估计方法,详细介绍其原理和误差估计流程,利用实际风电场数据对两种方法进行算例验证,并根据计算 结果,针对两种方法下的估计区间对储能容量配置的影响进行对比研究,为工程应用时的方法选取提供参考。同时, 为了兼顾误差估计区间的有效性和经济性,有效指导风电场储能系统的容量配置,在高斯混合模型的基础上对风电 功率预测误差进行状态划分,结合马尔可夫模型,提出一种ＭＭ－ＧＭＭ优化预测误差区间估计算法并对其进行算例 验证。     

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

风电的波动性和不确定性给大规模风电并网带来了挑战,估计风电场上报风电的预测功率误差范围,能够为含风电电力系统的运行调度提供重要信息。因此,提出基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计方法。通过建立隐马尔可夫模型实现一定置信水平下对风电功率误差波动区间的快速估计,并利用局部加权回归散点平滑法对误差区间进行处理。以实际数据为例分析,结果表明所提方法能够给出风电功率预测误差的波动范围,为电力系统的调度与控制、备用容量的配置、风险评估等方面提供更全面的信息。     

考虑风电不确定性的ɸ-散度下基于条件风险价值的鲁棒动态经济调度

针对风电功率预测误差不确定背景下动态经济调度的发电风险费用,建立基于条件风险价值的动态经济调度风险费用鲁棒优化模型.在仅知风电功率预测误差情景的条件下,结合统计学理论,采用φ-散度构建较高置信水平下的风电功率预测误差不确定概率的置信域;采用拉格朗日对偶理论,将动态经济调度风险费用鲁棒优化模型转化为可求解的数学模型.采用IEEE 30、IEEE 118节点和S-1047节点系统进行数值仿真,结果表明,所建模型能够有效地抑制风电功率预测误差不确定性对风险费用的影响.     

基于改进BBO算法的风电-水电互补优化运行策略

为平抑风电的出力波动,同时考虑到风电与水电具有良好的互补性,提出风电与梯级水电站的互补优化运行策略。鉴于风速的不确定性,将风电出力视为随机变量,从兼顾风电-水电互补运行的稳定性与经济性、保证后续发电能力的角度出发,建立基于机会约束的多目标随机优化模型。采用引入余弦型迁移模型、差分进化算法的变异策略以及动态非均匀变异算子的改进生物地理学优化算法(Biogeography-based Optimization,BBO)求解优化模型,并结合随机模拟技术求解机会约束。通过基于风电预测与径流预测的分时段动态滚动决策,来不断修正风电与水电的后续运行方式,进一步提高互补运行的可靠性。以一个大型风电场和一个三级梯级水电站互补运行为例验证了所提模型、算法以及策略的可行性和有效性。     

基于Copula理论的风/光出力预测误差分析方法的研究

准确预测风/光出力能够提高电力系统经济调度的可靠性。本文提出了一种新型的风/光出力预测误差分析方法,在基于点预测数据基础上,针对风电出力和光伏出力点预测精度不高的问题,采用Copula函数分别计算风电出力和光伏出力的实际值和预测值的联合概率分布,采用聚类的方法分别按天气类型和季度分析历史数据,分别对风电出力和光伏出力预测误差进行建模以提高预测精度,同时在各环境下考虑风电场和光伏电站的相关特性,使预测更加准确。以某风/光电站实际出力数据、天气、时间等为样本进行了实例研究,通过与传统预测方法进行对比验证了模型的精确性。     

含风电场与电动汽车充换电站的电力系统经济调度

在分析风电和电动汽车发展形势的基础上,提出将电动汽车充换电站视作储能电站引入电网调度,为含有风电场的系统提供备用.通过对风电出力和充换电站可用容量的预测,考虑风电和充换电站建立经济调度模型,提出模型优化策略,并采用粒子群优化算法（PSO）求解.通过算例验证了模型和算法的正确性和有效性.     

基于随机规划的正负旋转备用容量求解方法

为研究正负旋转备用容量对电力系统运行费用的影响,提出了一种随机规划二阶段补偿模型,其目标函数包括计划运行费用和补偿费用。在不同正负备用容量情况下,采用拉格朗日松弛法和Monte Carlo模拟对模型进行求解,结果表明：系统的总运行费用随着负备用的增加始终单调递增; 当系统中负荷和风电功率的随机性较强时,最大和最小正旋转备用之间存在最优值使得总运行费用最小。最后采用粒子群(PSO)智能算法对10机系统的最优正旋转备用容量进行了求解。     

An Efficient Modified HPSO-TVAC-Based Dynamic Economic Dispatch of Generating Units

Abstract

This paper proposes a novel particle swarm optimization (PSO) algorithm with population reduction, which is called modified new self-organizing hierarchical PSO with jumping time-varying acceleration coefficients (MNHPSO-JTVAC). The proposed method is used for solving well-known benchmark functions, as well as non-convex and non-smooth dynamic economic dispatch (DED) problems for a 24?h time interval in two different test systems. Operational constraints including the prohibited operating zones (POZs), the transmission losses, the ramp-rate limits and the valve-point effects are considered in solving the DED problem. The obtained numerical results show that the MNHPSO-JTVAC algorithm is very suitable and competitive compared to other algorithms and have the capacity to obtain better optimal solutions in solving the non-convex and non-smooth DED problems compared to the other variants of PSO and the state of the art optimization algorithms proposed in recent literature. The source codes of the HPSO-TVAC algorithms and supplementary data for this paper are publicly available at https://github.com/ebrahimakbary/MNHPSO-JTVAC.     

风电场输出功率的组合预测模型

风电场输出功率预测对于接入大量风电的电力系统运行具有重要意义。作者利用BP神经网络、径向基函数神经网络和支持向量机进行风电功率预测,提出了风电场输出功率的组合预测模型。采用3种方法确定权重,即等权重平均法、协方差优选组合预测法和时变权系数组合预测法。研究结果表明,不同方法的预测精度不同,整体预测精度高的方法在个别预测点也可能误差较大,组合预测模型能有效减少各预测点较大误差的出现,有利于提高预测精度。