买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于电力系统发电调度领域，公开了一种水风光互补系统梯级汛前蓄能风险分析及控制方法。以汛前蓄能为约束，建立枯期消落模型和汛期蓄水调度规则以确定模拟运行准则；构建枯期缺电、汛期弃水、年末蓄能不足、风光弃电指标集以量化多阶段多源运行风险；耦合蒙特卡洛和模糊隶属度表征多维不确定性场景及其概率，采用模拟分析确定汛前蓄能与水风光互补效益、风险概率和风险损失的定量关系。通过某特大流域水风光互补系统的实例分析，结果表明本发明能够从发生概率和损失方面全面描述风险，验证结果显示，通过风险准确描述和蓄能合理控制，系统发电量增加了5.8亿kWh，风险损失平均降低42％，呈现很好的实用性。

主权项：1.一种水风光互补系统梯级汛前蓄能风险分析及控制方法，其特征在于，包括如下步骤：1以梯级汛前蓄能、枯期月间电量控制以及水电调度常规限制为约束，构建枯期消落优化模型，以得到最优的枯期消落方案，枯期消落优化模型的目标函数如下： 式中，E为各场景下的期望发电量；J,T1,N分别表示径流不确定场景、枯期调度时段数和电站的集合，j,t,n是对应的集合元素；Pj是第j个场景概率；Phj,n,t是电站n在场景j第t时段对应的出力；Pwpj,t是场景j第t时段的风光出力；Δt是时段对应时长s；汛前蓄能约束和枯期月间电量控制约束如下：1梯级汛前蓄能约束 式中：为电站n的汛前蓄能；Etar为目标汛前蓄能；指期末电站n的库容；指电站n上游电站的库容总和，是电站n上游电站集合；ηn是电站n的平均耗水率；2枯期月间电量控制约束 式中：Kt为t时段发电量占枯期的控制比例；ξ为控制误差；以Gurobi求解器为建模及求解平台，利用Python编程和pyomo建模语言将枯期消落优化模型中的非线性约束进行线性化，转化为混合整数线性规划进行求解；2构建蓄水调度规则，包括五段式对冲调度规则和梯级出力分配方法，梯级出力分配方法采用K值判别法；2.1建立对冲调度规则：采用Python-pyomo建模程序建立参数线性优化方法构建五段式对冲调度规则，确定水风光互补系统的月时段出力；其中，OAGD是水风光互补系统三段式调度规则，其中OA段是保证出力以下出力段，AG段是保证出力段，GD段是加大出力段；在三段式调度规则基础上，在AG段和GD段之间分别添加B点和C点，建立含BC对冲段的对冲调度规则OABCD，其中，BC段与AG段和GD段的交叉点的横坐标为参数a和b；参数a,b的确定方法根据水风光历史出力结果优化得到，具体表达式如下： 式中：k和d是BC段曲线的斜率和截距；Et是t时段历史水风光的平均可用能量；T2是蓄水调整期的调度时段数；Pt是对应的t时段的历史平均出力；由于BC与AB段和GD段交叉，联合AB段和GD段的表达式，a和b由下式计算得到： 式中：PM是水风光互补系统的最大出力；Pf是水风光互补系统的保证出力；是梯级电站满蓄可利用蓄能；Δm是月内小时数；2.2梯级出力分配：在步骤2.1获得水风光互补系统的月时段出力后，将扣除风光出力后的剩余出力在梯级间进行分配，采用K值判别法来决定梯级的供蓄水次序，蓄水时K值大的电站先蓄水；供水时K值小的先供水；电站n的判别式Kn值计算如下所示： 式中：ΔEx表示因电站n蓄水ΔVn而导致电站n和下游水电站增加的能量；其中，是电站n因蓄水水头增加导致的水能增量，Wn是电站n的当前库容；是下游水电站因此次电站n蓄水ΔVn而增加的能量，表示电站n下游电站集合；ΔVn是电站n的单位蓄水量；ηk是电站k从初始水位到蓄水位的平均耗水率；ΔEz表示电站n蓄水ΔVn导致上游水电站增加的能量；表示电站n上游电站集合；Vk表示上游电站k的死库容以上的蓄水量，Wk是电站k的区间来水量；是电站n在库容为Vn时，单位库容变化与耗水率变化的关系函数；3采用模糊理论表征水风光高维、多重不确定性概率；3.1假设径流和风光新能源出力预测误差为模糊变量，预测误差分布符合柯西分布，则径流和风光新能源出力预测误差ε的隶属度函数表达式为： 式中：EP和EN是径流和风光出力不确定集合中正误差和负误差的统计平均值，σ是权重；3.2使用Python编程语言从Excel文件导入长系列径流和风光新能源出力的历史预测和实测数据，利用Python-Scipy库-cauchy.fit函数，对计算得到的预测误差数据进行柯西分布参数的拟合；3.3表述同一时段各电站径流和风光出力之间以及各电站径流和风光出力在不同时段之间的综合隶属度，定义如下两类模糊关系：同一时段各电站径流和风光出力之间的模糊关系如下：h1Q1t,Q2t,...,Qnt,Pwpt＝min{fQ1t,fQ2t,...,fQnt,fPwpt}11式中：Q1t,Q2t,...,Qnt分别是电站1，2,…,n在t时段的入流或区间流量；Pwpt是风光在t时段的出力；f·是对应的隶属度函数；各电站径流和风光出力在不同时段之间的模糊关系表示如下： h3Pwp1,Pwp2,...,PwpT＝min{fPwp1,fPwp2,...,fPwpT}13式中：h2·和h3·是针对不同时段径流之间以及不同时段风光出力之间的模糊关系即综合隶属度；是电站n在1,2,…,T时段的径流；Pwp1,Pwp2,...,PwpT是风光在1,2,…,T时段的出力；4选取汛期、枯期的关键风险指标，建立水风光互补系统汛枯关键风险指标集，具体如下：4.1枯期缺电风险Rs为 式中：Pishortage是场景i下的出力不足风险刻画值，存在风险为1，不存在风险为0；Pi,t是场景i第t时段的系统出力值；I是模拟的场景总数，T1是枯期的时段总数，Pf是水风光互补系统的保证出力；4.2汛期弃水风险Rw为 式中：Si是场景i的弃水量；Sd是弃水控制阈值；spilli,t是场景i第t时段的弃水量；4.3年末蓄能不足风险Re为 式中：Eendi是场景i下的年末蓄能；Emin是系统的年末最低蓄能要求，低于此蓄能视为蓄能不足；4.4风光弃电风险Rc为 curtaili,t＝fPhi,tt∈T21式中：Ci是场景i的风光弃电；Cd是梯级电站弃电控制阈值；curtaili,t是场景i第t时段的风光弃电；f·为水风光互补系统弃电函数；Phi,t是场景i第t时段的水电出力；T为全年时段数；各指标场景下的枯期缺电、汛期弃水、年末蓄能不足和风光弃电的风险损失值计算方法如下： 式中：是水风光互补系统枯期缺电、汛期弃水、年末蓄能不足和风光弃电的指标损失值；μi,t是场景i第t时段的模糊隶属度；μi是第i场景的综合模糊隶属度；5枯期缺电、汛期弃水、风光弃电及年末蓄能不足风险的量化将径流预测误差、风光出力预测误差记为模糊变量不考虑风光差异，将风电、光伏汇总统称为新能源；风险的量化步骤如下：5.1根据历史径流、新能源出力的预测与实测数据，利用Python-Scipy库-cauchy.fit函数，计算径流和风光出力隶属函数的参数，进而分别确定径流预测误差、新能源出力预测误差的模糊隶属度函数1≤m≤12，1≤z≤Z，z表示径流或者风光出力不确定变量，m代表月份；5.2根据入流和新能源出力的误差隶属度函数，利用Python-random程序包中的蒙特卡洛模拟方法随机生成一系列实数和对应的隶属度N是随机数数量；5.3进行模拟运行；在枯水期，从年初开始，依据枯期消落方案，采用定水位计算进行逐月模拟；对于任意月m，生成一系列根据方案中的始末水位，得到一系列互补系统总出力Psm,k和枯期风光弃电并确定隶属度如果方案中的末水位不可行，用模拟得到的水位代替方案末水位进行后续的模拟计算；在汛期，采用五段式调度规则进行逐月模拟；从汛初开始，生成一系列对于任意的场景得到年末蓄能Eendk，汛期风光弃电和汛期弃水Sk及对应的隶属度ml代表汛期起始月份，将和相加得到场景k下的全年风光弃电；5.4根据步骤3计算枯期缺电、汛期弃水、年末蓄能不足和风光弃电指标的风险概率和风险损失；5.5对于其它的梯级汛前蓄能，重复5.2-5.6，最终得到梯级蓄能与枯期缺电、汛期弃水、年末蓄能不足和风光弃电风险的精细化关系。

全文数据：

权利要求：

百度查询： 大连理工大学 一种水风光互补系统梯级汛前蓄能风险分析及控制方法