👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
参考文献:
近年来
,
以风电为代表的可再生能源得到了迅猛发展,
目前中国已成为世界风电装机容量最大的
国家
。
然而在目前的技术水平下
,
风电功率 预 测精度远低于传统电力系统负荷预测精度
,
风电出
力的随机性与波动性对传统确定性调度方式提出了挑战
。
与此同时
,
近年来频发的自然灾害可 能 引发多个电力设备同时失效,
严重情况下将导致系统失负荷。
例如
,2016
年
9
月澳大利亚南部受到极端天气的影响,
多 条 输 电 线 路 同 时 故 障 停 运
,
造 成 了900MWMW 的负荷损失
。
而风电出力的不确定性将进一步加剧设备强迫停运对电力系统的危害
。
因此,
电力系统需要更加灵活鲁棒的调度方式以应对多重不确定性因素带来的风险。
需求侧 响 应
(demand response, DR
)
是指 用 户根据价格信号或激励机制,
主动调整其电力消费方式的一种用电行为
。按照响应机制的不同
,
DR分为价格型和激励型2
种
。
价格型
DR
通过价格信号引导用户调整用电行为
,
达到削峰填谷的效果
;激 励 型
DR
基于 用 户 与 电 力 公 司 所 签 订 的 协议,
通过经济补偿的方式来激励用户参与电力系统所需的负荷削减项目
。文献
的研究结果表明,
协同优化配置
2
种
DR
措施
,
可以起到提高电力系统运行效率的作用。
然而目前的大部分研究中未协同优化2
种
DR
措施与发电 机 组 备 用
,
同 时 未 给出2
种
DR
措施的适用场景
。
本文建立了日前
—
日内两阶段三层鲁棒备用优化模型。
日前阶段采用确定性调度
,
在风电预测出
力下
,
最小化能量成本与备用成本
,
确定机组组合方式与实时电价,
并对日内可能发生的随机事件留存备用,
其中备用容量包括机组备用容量与
IDR
容量。
日内阶段针对给定的不确定集合
,
调用备用资源保证系统安全运行,
并寻找其中最恶劣的风险场景,
通过优化使得调整成本最小
。
协同求解两阶段优化问题,
以保证系统运行的经济性与可靠性
。
模型目标函数为:
![](https://i-blog.csdnimg.cn/blog_migrate/9e861c8e896cc744e791bd3913f5edc7.png)
由于 本 文 所 提 出 的 模 型 为
min
-
max
-
min
三层优化形式,
因此
Cplex
,
Gurobi
等商用求解器无法直接求解。
对于此类问题
,
目前已有的求解方法主要包括仿射规则[
25
]
、
Benders
分解法
[
26
]
与列与约束生成(
C&CG
)
算法
[
19
]
。
其中
,仿射规则通过安排发电机按照一定的分配系数调节日内阶段系统的功率波动,可将多层优化问题转化为单层问题进行直接求解。然而采用仿射规则得到的优化结果往往偏保守。Benders分解 法 与 C&CG 算法 则 是 将 原 问题分解为主问题与 max-min形式的子问题,并通过KKT(Karush-Kuhn-Tucker)条 件 或 强 对 偶 理 论(strongdualitytheory,SDT)将双层优化子 问 题 转化为单层优化问题,随后主子问题迭代得到原问题
最优解
。
其中
,
C&CG
算法中子问题向主问题返回 原切平面(
primalcuttingplane),
相较返回对偶切 平面(
dualcuttingplane)
的
Benders
分解法效率更 高,
因此本文采用
C&CG
算法对两阶段三层鲁棒问 题进行求解。
![](https://i-blog.csdnimg.cn/blog_migrate/6b631b700095ffec18cd9146084a5c7d.png)
📚2 运行结果
2.1 IEEE6节点
2.2 文献结果图
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]陈哲,张伊宁,马光,郭创新,张金江.计及需求侧响应日前—日内两阶段鲁棒备用优化[J].电力系统自动化,2019,43(24):67-76.