建立了含风电场的电力系统多目标动态优化调度模型,以总燃料耗量、污染气体排放量及购电费用最小为优化目标,针对风电场出力随机性的特点,采用极限场景代表风电场出力偏离预测场景的各种可能方向,考虑了风电场出力极限场景下,各常规机...建立了含风电场的电力系统多目标动态优化调度模型,以总燃料耗量、污染气体排放量及购电费用最小为优化目标,针对风电场出力随机性的特点,采用极限场景代表风电场出力偏离预测场景的各种可能方向,考虑了风电场出力极限场景下,各常规机组备用动作对应的网络安全、机组爬坡等约束。将极限场景与预测场景联立求解,得出机组出力计划及各极限场景下的备用动作方案。采用规格化法平面约束法(normalized normal constraint,NNC)和GAMS/CONOPT求解器求解三目标优化问题,以获得均匀分布的Pareto最优解集;并提出通过确定乌托邦面位于目标函数空间中可行域内部的完整部分,以求解完整Pareto前沿的方法。最后以IEEE 39节点系统和某省级电网为例,分析结果表明,所提出模型和算法能够为调度人员提供更为完整的决策信息,并得到在风电场出力波动条件下,能够满足系统各种运行约束的备用动作方案。展开更多
文摘建立了含风电场的电力系统多目标动态优化调度模型,以总燃料耗量、污染气体排放量及购电费用最小为优化目标,针对风电场出力随机性的特点,采用极限场景代表风电场出力偏离预测场景的各种可能方向,考虑了风电场出力极限场景下,各常规机组备用动作对应的网络安全、机组爬坡等约束。将极限场景与预测场景联立求解,得出机组出力计划及各极限场景下的备用动作方案。采用规格化法平面约束法(normalized normal constraint,NNC)和GAMS/CONOPT求解器求解三目标优化问题,以获得均匀分布的Pareto最优解集;并提出通过确定乌托邦面位于目标函数空间中可行域内部的完整部分,以求解完整Pareto前沿的方法。最后以IEEE 39节点系统和某省级电网为例,分析结果表明,所提出模型和算法能够为调度人员提供更为完整的决策信息,并得到在风电场出力波动条件下,能够满足系统各种运行约束的备用动作方案。
文摘为应对不断增长的能源需求和环境污染,发展分布式电源(distributed generation,DG)、需求侧响应(demand response,DR)成为促进全球能源体系发展的重要举措。基于此,提出基于改进k-means聚类和最优特征集提取的用电行为画像方法,以实现针对用户差异化用电特征的需求响应方案界定。然后,构建考虑差异化需求响应方案的配电网扩展规划模型,在决策目标中添加年综合成本、DG利用率等优化目标,采用规格化法平面约束法(normalized normal constraint,NNC)求解帕累托最优解集。最后,在IEEE33节点系统上验证了该需求响应方案界定方法和扩展规划模型的有效性。