文章解读与仿真程序复现思路——电力自动化设备EI\CSCD\北大核心《计及备用风险性的新型电力系统源网协同安全经济调度》

发布时间:2023年12月23日

这个标题涉及到新型电力系统的源、网、协同调度以及安全经济方面的问题。让我们逐步解读:

  1. 新型电力系统: 这指的是可能是使用了新的技术、架构或策略的电力系统。这可能包括使用可再生能源、智能电网技术、能源存储等方面的创新。

  2. 源、网协同调度: 这表示在电力系统中,不仅需要考虑到不同类型的能源源(可能包括太阳能、风能、传统燃料等),还需要考虑到电力网络的整体协同调度。这意味着在电力系统的设计和运行中,源和电网之间的协同工作是必要的,以实现更高效、可靠的电力供应。

  3. 安全经济调度: 这表明电力系统的运行不仅需要考虑到经济性,即以最低的成本提供电力服务,还需要确保系统的安全性。在这个上下文中,安全性可能包括防止电力系统的过载、保障系统的韧性以应对突发事件等方面。

  4. 计及备用风险性: 这是标题的关键点。备用风险性可能指的是在电力系统中出现故障或其他问题时,备用机制的设计和准备。这包括备用电源、备用传输线路等,以应对可能的风险,确保电力系统的持续运行和供应。

综合起来,这个标题表明,这个新型电力系统的设计和运行不仅要考虑到协同调度、经济性,还要特别关注安全性,尤其是在面临备用风险的情况下。这可能涉及到先进的技术、智能算法、以及系统工程的综合考虑。

摘要:为合理利用源侧备用资源,提出计及随机潮流和基于半不变量法的备用风险评估指标,以准确量化因备用不足而造成的潮流越限风险;为了实现源侧备用资源和网侧可控资源的协同优化,将网侧有载调压变压器和电容器组无功补偿装置纳入决策变量,以系统运行成本最低和系统运行越限风险指标值最小为优化目标,构建计及备用风险性的新型电力系统源网协同安全经济调度模型;进一步将布朗运动和莱维飞行随机游走机制融入多目标微分进化算法,设计新型的布朗-莱维多目标微分进化算法,对模型进行高效求解。算例分析结果验证了所提方法的有效性和优越性。

这段摘要描述了一个关于电力系统调度的研究,其中包含了一系列创新性的方法和模型。以下是对摘要的详细解读:

  1. 备用资源利用和备用风险评估: 研究旨在合理利用电力系统中源侧的备用资源。为了评估备用资源的有效性,提出了考虑随机潮流和基于半不变量法的备用风险评估指标。这些指标旨在准确量化因备用不足导致的潮流越限风险,即电力系统可能面临的潜在问题。

  2. 源侧备用资源和网侧可控资源的协同优化: 为了实现源侧备用资源和网侧可控资源的协同优化,研究将网侧的有载调压变压器和电容器组无功补偿装置纳入决策变量。这表明在系统优化中,不仅要考虑源侧的备用资源,还要综合考虑网侧的可控资源,以最小化系统运行成本和系统运行越限风险指标。

  3. 新型电力系统源网协同安全经济调度模型: 在考虑备用风险性的基础上,研究构建了新型电力系统源网协同安全经济调度模型。这个模型旨在同时考虑系统的安全性、经济性和协同性,为电力系统的调度提供更全面的指导。

  4. 布朗-莱维多目标微分进化算法: 为了高效求解提出的模型,研究引入了布朗运动和莱维飞行随机游走机制,并设计了一种新型的布朗-莱维多目标微分进化算法。这个算法旨在解决多目标优化问题,其中考虑了系统运行成本和越限风险指标的最小化。

  5. 算例分析结果验证: 最后,通过算例分析,研究验证了所提出方法的有效性和优越性。这意味着新模型和算法在实际应用中具有潜在的实用性和性能优势。

总体而言,这项研究对电力系统调度领域提出了一种综合考虑备用资源、协同优化和安全经济调度的创新方法,并通过引入新型算法取得了令人满意的结果。

关键词:备用风险性; 随机潮流;源网协同;越限风险;安全经济调度;

  1. 备用风险性: 这指的是在电力系统中,备用资源不足可能导致的潜在风险。备用资源通常是为了应对突发情况,如设备故障或需求增加而预留的额外能力。备用风险性的考虑可能涉及到评估备用资源的可靠性、充裕性以及在系统操作中可能发生的不确定性。

  2. 随机潮流: 随机潮流描述了电力系统中潮流(电流流动)的随机性质。这意味着系统中的潮流可能受到随机变化的影响,例如风电和太阳能等可再生能源的不确定性,或者其他外部因素导致的随机波动。

  3. 源网协同: 这表明研究关注在电力系统调度中源侧(发电侧)和网侧(输电侧)之间的协同优化。这可能涉及到源侧和网侧设备的联合调度,以实现整个系统的最佳性能。

  4. 越限风险: 指的是电力系统中潮流或其他操作参数超出正常工作范围的风险。潮流越限可能导致设备过载或系统不稳定,因此评估和管理越限风险对于确保电力系统的稳定和可靠运行至关重要。

  5. 安全经济调度: 这表示研究关注在电力系统运行中,通过平衡安全性和经济性的考虑来进行调度。安全经济调度的目标是确保系统运行在经济效益最大化的同时,保持足够的安全裕度,以防范潜在的运行风险。

综合这些关键词,研究的核心目标是通过考虑备用资源的风险性、随机潮流的影响以及源侧和网侧的协同作用,构建一种新型的电力系统调度模型。该模型旨在实现系统的安全经济调度,最小化越限风险,并利用新型的布朗-莱维多目标微分进化算法来高效求解这一调度问题。

仿真算例:本文针对图 7 所示的改进型 6 机 IEEE-30 节点输 电网为例进行仿真计算。该改进系统中将原系统 13 节点处的常规机组改为光伏电站,并在节点 22 处接入 风电场,各时段风光出力见图 9;系统中含有 4 台变 压器和 9 处无功补偿设备,变压器和无功补偿装置所 接位置详见附录 C 图 C1,其中各变压器均有 9 个可 调分接头,变比调节范围为 1±4×2.5%;各无功补偿 设备由 10 组并联电容器组成,每组电容器容量为 500kvar。系统中各常规机组旋转备用成本系数如附录 C 表 C1 所示,各时段负荷需求如附录 C 图 C2 所示, 系统的其他各项参数可参考文献[23]。本文设定备用 优化时段的时间尺度为 1h,周期为 24 个时段, BL-MODE 算法设定种群规模为 100,交叉概率因子 为 0.8,变异尺度因子为 0.45,莱维飞行阈值为 0.0001, 布朗运动步长的方差为 1,最大迭代次数为 500 代。

仿真程序复现思路:

复现思路涉及到模拟改进型 6 机 IEEE-30 节点输电网的源网协同安全经济调度。以下是可能的复现步骤的伪代码表示,使用Python作为编程语言:

import numpy as np
from scipy.optimize import minimize
from scipy.optimize import Bounds

# 电力系统模型
class PowerSystemModel:
    def __init__(self, num_nodes, num_generators, num_loads):
        self.num_nodes = num_nodes
        self.num_generators = num_generators
        self.num_loads = num_loads
        self.bus_data = np.zeros((num_nodes, 3))  # [P, Q, V] for each bus
        self.generator_data = np.zeros((num_generators, 2))  # [P_max, P_min] for each generator
        self.load_data = np.zeros((num_loads, 2))  # [P, Q] for each load
        # Add more parameters as needed

    def set_bus_data(self, bus_index, P, Q, V):
        self.bus_data[bus_index] = [P, Q, V]

    def set_generator_data(self, generator_index, P_max, P_min):
        self.generator_data[generator_index] = [P_max, P_min]

    def set_load_data(self, load_index, P, Q):
        self.load_data[load_index] = [P, Q]

# 电力系统仿真
def power_flow_simulation(model):
    # 根据潮流方程求解电压和功率分布
    # 使用牛顿-拉夫逊法等方法进行潮流计算
    # 返回电压、功率等信息
    pass

# 优化目标函数
def objective_function(x, model):
    # 定义优化目标函数
    # 可以包括系统运行成本、越限风险等指标
    # 通过潮流计算得到系统状态
    # 返回目标函数值
    pass

# 优化算法
def optimization_algorithm(model):
    # 定义优化问题的边界
    bounds = Bounds(np.zeros(model.num_generators), model.generator_data[:, 0])

    # 初始解
    x0 = np.ones(model.num_generators)

    # 使用优化算法(这里使用共轭梯度法作为示例)
    result = minimize(objective_function, x0, args=(model,), method='L-BFGS-B', bounds=bounds)

    # 获取最优解
    optimal_solution = result.x

    return optimal_solution

# 主程序
def main():
    # 创建电力系统模型
    power_system_model = PowerSystemModel(num_nodes=3, num_generators=2, num_loads=1)

    # 设置节点数据
    power_system_model.set_bus_data(0, 0, 0, 1.0)
    power_system_model.set_bus_data(1, 0, 0, 1.0)
    power_system_model.set_bus_data(2, 0, 0, 1.0)

    # 设置发电机数据
    power_system_model.set_generator_data(0, 100, 0)
    power_system_model.set_generator_data(1, 150, 0)

    # 设置负荷数据
    power_system_model.set_load_data(0, 50, 20)

    # 进行电力系统仿真
    power_flow_simulation(power_system_model)

    # 进行优化
    optimal_solution = optimization_algorithm(power_system_model)

    print("最优发电机出力:", optimal_solution)

if __name__ == "__main__":
    main()

上述示例中,PowerSystemModel 类用于表示电力系统模型,包括节点数据、发电机数据、负荷数据等。power_flow_simulation 函数用于进行电力系统潮流计算,而 objective_function 函数定义了优化问题的目标函数。最后,optimization_algorithm 函数使用 SciPy 库中的优化算法来求解最优解。

请注意,这只是一个简单的示例,实际的仿真和优化过程可能涉及更多复杂的模型和算法。在实际应用中,可能需要使用专业的电力系统仿真工具、数学优化库等。

文章来源:https://blog.csdn.net/LIANG674027206/article/details/135145038
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。