法律状态公告日
法律状态信息
法律状态
2017-11-21
授权
授权
2016-01-27
实质审查的生效 IPC(主分类):H02J3/38 申请日:20150915
实质审查的生效
2015-12-30
公开
公开
技术领域
本发明属于互联电网调频与自动发电控制技术领域,具体涉及 考虑风电及频率不确定性的AGC随机动态优化调度方法。
背景技术
自动发电控制(AutomaticGenerationControl,AGC)作为电力 系统自动调频的基础,是实现电网有功频率控制、维持系统频率质 量以及互联电网之间联络线功率交换控制的一种重要技术手段,其 控制策略直接决定控制效果,对电网安全可靠、优质运行发挥重大 作用,具有重要的研究价值。
长期以来,AGC控制策略主要针对如何校正区域控制偏差,其 研究重点在于区域总调节功率的生成和AGC机组调节功率的分配。 该AGC控制策略基于常规AGC控制过程,是一个典型的“先有偏差 再调节”的滞后控制,只能根据当前的缺额来调节AGC机组未来的 出力,且未考虑机组间爬坡速率及最小爬坡时间的差异,容易出现 机组欠调和过调,频繁或无谓动作,增加了发电机组调整磨损,缩 短使用寿命。随着新能源的快速发展、控制性能标准(Control PerformanceStandard,CPS)的推广应用以及电力市场的进一步深化, 现代电力系统的AGC已经发展成为一个需要解决机组调节特性、区 域控制性能、安全约束及市场因素相协调的复杂问题。AGC动态优 化策略则是基于优化理论下的通过动态优化直接确定各AGC机组 调节功率的一种超前控制方式,能有效克服常规AGC控制策略中存 在的上述问题,是AGC控制策略的一个重要发展方向。
现有的AGC机组动态优化调度方法是以AGC机组调节指令及 调节速率为待求量,CPS1指标最优、AGC调节辅助服务费用最少 为目标函数的AGC机组动态优化调度模型。该方法综合考虑了区域 功率平衡,AGC机组调节特性,联络线功率偏差,CPS指标等各项 约束,能有效解决快慢机组协调、省网控制性能与市场因素协调的 问题。但该方法的主要缺点是:①没有考虑风电或是简单地将风电 功率作为一个准确的预测值来对待,没有考虑风电功率出力的随机 性,导致AGC控制无法满足风电功率出现波动的其他场景;②系统 频率的求解未考虑外网频率控制的行为,在此基础上所获取的优化 结果很有可能与实际不符,无法应用。
发明内容
本发明的目的是解决现有的调度方法得到的优化结果,无法满 足风电功率及系统频率发生随机波动场景下的应用问题。本方法能 够在满足风电功率及系统频率随机波动情况下,通过动态优化直接 确定各AGC机组的调节指令及调节速率,并保证计算出的调节指令 及调节速率既满足CPS考核指标,同时实现区域电网AGC的期望 调节费用最低。
为实现本发明目的而采用的技术方案是这样的,考虑风电及频 率不确定性的AGC随机动态优化调度方法。首先输入采集到的AGC 有关数据及系统相关数据,利用蒙特卡罗模拟技术生成风电功率及 频率样本,然后随机生成调节指令与调节速率控制变量的初始种群, 并对控制变量的调节指令约束、调节速率约束以及最小持续爬坡时 间约束进行修正,接着综合考虑CPS1指标与AGC调节辅助服务费 用目标函数,联络线功率偏差、频率偏差、CPS1指标、CPS2指标、 机组出力等概率约束对个体进行适应度值计算,再对个体进行自适 应变异操作,最后基于群体多样性对个体进行选择,进行终止判断, 来实现AGC调节指令及调节速率的决策。
考虑风电及频率不确定性的AGC随机动态优化调度方法,其特 征在于,包括以下步骤:
1)输入基础数据
首先获取系统相关数据,采集AGC有关数据,并设置进化规划 及蒙特卡罗模拟参数。所述系统相关数据包括系统优化周期时段数, 联络线功率偏差上下限值及置信水平,CPS1指标上下限值及置信水 平,区域控制偏差平均值的置信水平,下一优化周期各时段的AGC 机组计划出力值、联络线功率计划值、负荷预测值、风电功率预测 值及频率预测值、风电功率及系统频率预测误差的概率分布信息, 所有机组的机组类型、额定容量、出力上下限及置信水平、单位调 节功率及费用系数,AGC机组的调节速率上下限及最小持续爬坡时 间,控制区频率偏差系数,全网频率偏差系数和频率控制目标。所 述AGC有关数据包括上一优化周期控制区内所有机组出力信息, AGC机组的调节指令,上一优化周期末时段的系统频率值和联络线 功率值。进化规划及蒙特卡罗模拟参数包括种群数量,最大迭代次 数,迭代终止条件和蒙特卡罗模拟次数。
2)蒙特卡罗模拟生成风电功率及频率样本
根据所述风电功率及系统频率的预测值、预测误差服从的概率 分布信息及蒙特卡罗模拟次数,按公式1和2分别产生各时段下的 风电功率样本和频率样本。
公式1中,表示第j台风电机组在第t个时段的第m个出力样 本值。为第j台风电机组在第t个时段的出力预测值。是 第m次抽样时由风电功率预测误差所服从概率分布信息产生的随机 变量。m=1,2,…,sampnum,表示第m个样本,sampnum为蒙特卡罗模 拟次数。
公式2中,ft(m)表示第t个时段的第m个频率样本值,为第t 个时段的频率预测值,是第m次抽样时由频率预测误差所服 从概率分布信息产生的随机变量。m=1,2,…,sampnum,表示第m个样 本,sampnum为蒙特卡罗模拟次数。
3)初始化种群
将控制变量作为个体进行编码,所述控制变量为AGC机组在优 化周期内每个时段的调节指令和调节速率采用十进制编码, 所述个体直接由控制变量编码构成。按照公式3和4随机生成一个 包含popnum个个体的初始种群,popnum为种群规模。
公式3和4中,表示第i台AGC机组第t个时段的调节指令,1 表示增加出力,0表示保持原有出力,-1表示减少出力。表示第i 台AGC机组第t个时段的调节速率,单位为MW/min。Ri,max、Ri,min分 别为第i台AGC机组的调节速率上下限。
4)个体基因修正
步骤3完成后,对所述个体即调节指令及调节速率进行修正, 具体修正内容包括:
I)调节指令修正
离散调节指令在变异后可能造成调节指令不为-1、0或1,对变 异后的调节指令值进行近似取整运算,判断取整后的值接近1、0或 -1中的某个值,并用该值代替来修正,见公式3。
II)调节速率修正
AGC机组在每个时段的调节速率在变异后,不能保证在上下限 范围内,当越限后则按照公式4相应地重新在调节速率上下限生成。
III)最小持续爬坡时间修正
步骤4中的I调节指令修正后,所述调节指令已满足公式3中 的约束,因此对每个时段的调节指令进行最小持续爬坡时间判断: 从第二个调节指令开始检验,若前一时段是保持原有出力,即调节 指令是0,其后调节指令值可为1、0或-1,不用进行修正。若前一 时段是增加出力,即调节指令是1,则检验在当前时段之前的机组最 小持续爬坡时间内,机组是否均为增加出力的调节状态。若为增加 出力,则当前时段调节指令不用修正。否则进行基因修正,具体方 法用前一时段的调节指令替换当前时段的调节指令,如此反复检验 修正。若前一时段是减少出力,即调节指令是-1,则检验在当前时 段之前的机组最小持续爬坡时间内,机组是否均为减少出力的调节 状态。若为减少出力,则当前时段调节指令不用修正。否则进行基 因修正,具体方法用前一时段的调节指令替换当前时段的调节指令, 如此反复检验修正。具体判断式参见公式5:
公式5中,分别为第i台AGC机组第t、t-1、k时段加 减出力的调节指令。为第i台AGC机组到第t-1时段时连续保 持同一调节指令的调节指令总和,由于每个时段对应一个调节指令, 也即是连续保持同一调节指令的时间。中的取值来源 于上个优化周期的调节指令,Ti,min为第i台AGC机组的最小持续爬 坡时间,T为优化周期时段数。
5)基于蒙特卡罗模拟技术进行适应值计算
步骤4完成后,根据修正后所得的个体,即AGC机组的调节指 令与调节速率,同时根据系统风电功率及频率样本值,计算每个个 体所对应的适应度函数值,具体步骤如下:
i)计算不同样本下各状态变量
对于每个个体,计算不同频率样本下各时段的机组出力,计算 公式为:
公式6中,为第m个频率样本下第i台机组第t个时段的出力。 为当前优化周期第i台机组的初始出力。KGi为第i台机组的单位 调节功率。ft(m)表示第t个时段的第m个频率样本值,f0为当前优 化周期的初始频率值。分别为第i台AGC机组第k个时段的 调节指令与调节速率。
对于每个个体,计算不同风电功率及频率样本下各时段的联络 线功率偏差,计算公式为:
公式7中,NG、NW分别为控制区内所有非风电的发电机组总数、风 电机组总数。为第m个频率样本下第i台机组第t个时段的出 力。表示第j台风电机组在第t个时段的第m个出力样本值。分别为第t个时段的预测负荷、联络线功率计划值。为第 m个样本下第t个时段的联络线功率偏差。
对于每个个体,计算不同风电功率计频率样本下优化周期内的 CPS1指标值及区域控制偏差ACE的平均值,计算公式分别为:
公式8和9中,KCPS1(m)、ACEAVG(m)分别为第m个样本下优化周期 内的CPS1指标值及区域控制偏差的平均值。ACEt(m)为第m个样本 下第t个时段的区域控制偏差,
对于每个个体,计算不同风电功率及频率样本下的目标函数值 f1(m)、f2(m),计算公式为:
f1(m)=(2-KCPS1(m))2(10)
公式10和11中,f1(m)、f2(m)分别是第m个样本下的指标性目标 函数值、经济性目标函数值。NAGC为控制区域中AGC机组总数。ci为第i台AGC机组的辅助服务费用系数。为第i台AGC机组在 第t个时段的计划出力。Δt为优化时段分钟数,T为优化周期时段 数。KCPS1(m)为第m个样本下优化周期内的CPS1指标值,为 第m个频率样本下第i台机组第t个时段的出力。
ii)判断并记录概率约束,计算目标函数期望
对于每个个体,在所有样本下的状态变量计算结束后,基于公 式12—15判断得到不符合约束的状态变量及其对应个体,并记录越 限量的总和。
公式12-15中,Pr{·}为{·}中不等式成立的概率,不等式两端分别为 对应状态变量允许的上下限。为第m个频率样本下第i台机组 第t个时段的出力,PGi、β1分别为第i台机组出力的上限、下 限、置信水平。为第m个样本下第t个时段的联络线功率偏 差,ΔPTP、β2分别为联络线功率偏差的上限、下限、置信水 平。KCPS1(m)为第m个样本下优化周期内的CPS1指标值,KCPS1、 β3分别为CPS1指标的上限、下限、置信水平。ACEAVG(m)为第m个 样本下优化周期内区域控制偏差的平均值,B、BS分别为控制区及全 网的频率偏差系数,ε15为全网对全年15分钟频率平均偏差的均方根 的控制目标值,β4为区域控制偏差平均值对应的置信水平。
计算每个个体对应的目标函数的期望值,计算公式为:
公式16和17中,f1AVG、f2AVG分别为每个个体对应的目标函数1、 2的期望值,f1(m)、f2(m)分别是第m个样本下的指标性目标函数 值、经济性目标函数值,sampnum为蒙特卡罗模拟次数。
iii)计算每个个体对应的适应度值
将所述f1AVG、f2AVG分别按从小到大排序,选取排序第一的且大 于零的f1AVG_min、f2AVG_min作为每一代个体的基点。由公式18计算每 个个体相对各基点的目标函数之和Fx_temp,最后增加惩罚项Ccf×φ, 由公式19得出每个个体适应度值。
Fx_temp=(f1AVG/f1AVG_min)+(f1AVG/f2AVG_min)(18)
Fx=1/(Fx_temp+Ccf×φ)(19)
公式19中,Fx为个体的适应度值。Ccf为惩罚系数,φ表示状态变量 越限量的总和。
6)自适应变异
步骤5完成后,对所得的个体进行自适应变异以获取更高适应 度值的个体,具体步骤如下:
首先计算每个个体的高斯变量的系数。计算第i台AGC机组的 调节指令及调节速率的高斯变量的系数ai和bi,计算公式为:
公式20中,popnum表示种群规模。j=1,2,…,G,G表示进化代数。 Fxmin为当代种群中最小的适应度函数值,Xk、Y、Zk均为[0,1]之间 包括0和1两个端点的随机数,Ri,max、Ri,min为调节速率的上下限。
然后根据公式21计算高斯随机变量的标准差。
公式21中,Fx为对应个体的适应度函数值,ai、bi为高斯变量的系 数。
最后由公式22确定子代个体
公式22中,为父代个体。δ为均值为0、方差为σ2高斯随机 变量,代表变异量。
7)选择个体
步骤6完成后,综合父代和子代种群及其对应的适应度值,选 择个体。具体步骤如下:
首先利用公式23计算每个个体的浓度。对于某一个体Pi,其浓 度等于大于该个体适应度值的个体数目在种群内所有个体数目的比 例:
C=Cnum/(2×popnum)(23)
公式23中,Cnum表示种群中大于该个体适应度值的个体数,popnum 为种群规模。
然后计算并修正每个个体的q得分。对于某一个体Pi,随机选 取q个个体的适应度值与其适应度值进行大小比较,个体Pi的适应 度值大,则q得分加1,如此得出每个个体的q得分qscore,再根据 公式24修正qscore。
qscore=qscore+α·C·(1-Fx/Fxmax)·qscore+β·(Fx/Fxmax)·qscore(24)
公式24中:α、β为可调参数,在[0,1]之间取值并包含0和1两个 端点值。Fx表示个体的适应度值,Fxmax为种群中个体的最大适应度 值,C为个体浓度。
最后得到每个个体得分后,按照每个个体q得分从大到小进行 排序,并筛选排在popnum前的个体形成新种群,q得分最高的为最 优个体。
8)终止条件判断
当最优个体连续保持不变的迭代次数达到预设值,则结束迭代 计算,输出结果,所述结果为AGC机组的调节指令及调节速率。
当最优个体连续保持不变的迭代次数达到预设值且迭代次数达 到最大迭代次数,则停止迭代,输出“未寻找到最优解!”。
当最优个体连续保持不变的迭代次数未达到预设值且迭代次数 达到最大迭代次数,返回步骤4,进行重新迭代计算。
本发明的技术效果是毋庸置疑的,主要有以下效果:
1)风电功率处理上,与现有技术比较,本发明考虑了风电功率 预测值的不确定性,使AGC控制效果可以适用更多风电功率波动等 不确定的场景。
2)系统频率处理上,与现有技术比较,本发明考虑了外网的有 功调频行为,将频率作为随机变化的随机变量处理,提高了AGC控 制效果的实用与合理性。
本发明方法可广泛应用于考虑风电及频率不确定性的AGC随 机动态优化调度控制,对随机环境下的AGC动态优化调度与管理具 有良好的实用价值和应用前景。
附图说明
图1为本发明方法的程序流程框图;
图2为改进的IEEE-14节点系统的网络图;
图1中:条件1为当最优个体连续保持不变的迭代次数达到预 设值;条件2为当迭代次数达到最大迭代次数且最优个体连续保持 不变的迭代次数未达到预设值;条件3为当最优个体连续保持不变 的迭代次数未达到预设值且迭代次数达到最大迭代次数。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本 发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思 想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换 和变更,均应包括在本发明的保护范围内。
考虑风电及频率不确定性的AGC随机动态优化调度方法的具 体步骤如下:
1)输入基础数据
首先获取系统相关数据,采集AGC有关数据,并设置进化规划 及蒙特卡罗模拟参数。所述系统相关数据包括系统优化周期时段数, 联络线功率偏差上下限值及置信水平,CPS1指标上下限值及置信水 平,区域控制偏差平均值的上限及置信水平,下一优化周期各时段 的AGC机组计划出力值、联络线功率计划值、负荷预测值、风电功 率预测值及频率预测值,风电功率及系统频率预测误差的概率分布 信息,所有机组的机组类型、额定容量、出力上下限及置信水平、 单位调节功率、费用系数,AGC机组的调节速率上下限、最小持续 爬坡时间,控制区频率偏差系数,全网频率偏差系数,频率控制目 标值。所述AGC有关数据包括上一优化周期控制区内所有机组出力 信息,AGC机组的调节指令,上一优化周期末时段的系统频率值、 联络线功率值。所述进化规划及蒙特卡罗模拟参数包括种群数量, 最大迭代次数,迭代终止条件,蒙特卡罗模拟次数。
具体设置如下:获取或采集得到各机组运行参数及置信水平参 见表1所示,AGC机组计划出力值即为初始出力;优化周期末频率 值、联络线功率值分别为49.975Hz、207.3MW,控制区频率偏差系 数为15.44MW/0.1Hz、全网频率偏差系数为92.63MW/0.1Hz;互联 电网对全年1分钟、15分钟频率平均偏差的均方根的控制目标分别 为0.019473、0.024039;系统联络线功率偏差上下限为±50MW,置 信水平为0.95;CPS1指标上下限分别为1、4,置信水平为0.95; 区域控制偏差平均值上限为10MW,置信水平为0.95;优化周期时 段数为15;优化周期各时段的系统负荷预测值、风电功率预测值、 系统频率预测值、联络线功率计划值参见表2所示,且各时段的风 电功率预测误差服从均值为0、0.01倍预测值为方差的正态分布,各 时段的频率预测误差服从均值为零、0.0001倍预测值为方差的正态 分布。种群数量为200,最大迭代次数为150,最优个体保持30代 不变或达到最大迭代次数终止迭代,蒙特卡罗模拟次数为2000。
S表1机组信息
表2预测信息
2)蒙特卡罗模拟生成风电功率及频率样本
根据所述风电功率及系统频率预测误差服从的概率分布信息及 蒙特卡罗模拟次数,按照技术方案中的公式1和公式2分别产生各 时段下的风电功率和频率样本。
以第1次迭代获得的第1个样本为例,各时段的风电功率和频 率样本参见表3所示。
表3各时段的风电功率和频率样本
3)初始化种群
对控制变量进行编码,即AGC机组在优化周期内每个时段调节 指令和调节速率,采用十进制编码,个体直接由控制变量编码构成。 基于AGC机组的调节指令及爬坡速率数据,在限定的搜索空间内 (调节指令是在-1,0,1三个整数之间;调节速率是在最小和最大 调节速率之间)随机产生一个包含200个个体的初始种群。
4)个体基因修正
步骤3完成后,对所述个体调节指令及调节速率进行修正,具 体修正内容包括:
I)调节指令修正
离散调节指令在变异后可能造成调节指令不为-1、0或1,对变 异后的调节指令值进行近似取整运算,判断取整后的值接近1、0或 -1中的某个值,根据技术方案中的公式3,用该指令对应的整数代 替来修正。
II)调节速率修正
AGC机组在每个时段的调节速率在变异后,不能保证在上下限 范围内,当越限后则按照公式4相应地重新在调节速率上下限生成。
III)最小持续爬坡时间修正
步骤4中的I调节指令修正后,所述调节指令已满足公式3中 的约束,因此对每个时段的调节指令进行最小持续爬坡时间判断: 从第二个调节指令开始检验,若前一时段是保持原有出力,即调节 指令是0,其后调节指令值可为1、0或-1,不用进行修正。若前一 时段是增加出力,即调节指令是1,则检验在当前时段之前的机组最 小持续爬坡时间内,机组是否均为增加出力的调节状态。若为增加 出力,则当前时段调节指令不用修正。否则进行基因修正,具体方 法用前一时段的调节指令替换当前时段的调节指令,如此反复检验 修正。若前一时段是减少出力,即调节指令是-1,则检验在当前时 段之前的机组最小持续爬坡时间内,机组是否均为减少出力的调节 状态。若为减少出力,则当前时段调节指令不用修正。否则进行基 因修正,具体方法用前一时段的调节指令替换当前时段的调节指令, 如此反复检验修正。按照技术方案中公式5的判断式进行判断。
初始化种群时,已确保了每台AGC机组离散的调节指令能够满 足技术方案中公式3的约束,调节速率满足技术方案中公式4的约 束,因此仅需对最小持续爬坡时间进行判断;而在经过变异操作后, 则需进行以上所述的所有修正内容。
以第1次迭代初始化种群的结果举例,种群表达式参见表4所示。
表4初始种群表达形式
5)基于蒙特卡罗模拟技术进行适应值计算
步骤4完成后,根据修正后所得的个体,即AGC机组的调节指 令与调节速率,同时根据系统风电功率及频率样本值,计算每个个 体所对应的适应度函数值,具体步骤如下:
i)计算不同样本下各状态变量
由技术方案中的公式6和7计算优化周期各时段下各机组出力、 联络线功率偏差。
以第1次迭代获得的第1个样本举例,计算结果参见表5所示。
表5各时段联络线功率偏差、各机组出力
由技术方案中的公式8和9计算优化周期内的CPS1指标值、 区域控制偏差平均值及目标函数。
以第1次迭代获得的第1个样本举例,计算得KCPS1=2.5273, ACEAVG=14.9110,f1=0.2780,f2=9128.2。
ii)判断并记录概率约束,计算目标函数期望
所有样本计算结束后,判断各概率约束是否达到置信水平并记 录,计算目标函数期望。
以第1次迭代的个体1为例,所有样本计算结束后,各时段下 联络线功率偏差、各机组出力概率约束值参见表6所示,优化周期 内CPS1指标、区域控制偏差平均值的概率约束值,目标函数1、2 的期望值参见表7所示。
表6各时段下联络线功率偏差、各机组出力概率约束值
表7CPS指标概率约束及目标函数期望值
iii)计算每个个体对应的适应度函数值
步骤ii完成后,按照技术方案中的公式18和19计算每个个体 的适应度函数值。
以第1次迭代计算的结果举例,计算得到每个个体适应度函数 值参见表8所示:
表8每个个体对应的适应度函数值
6)自适应变异
步骤5完成后,按照技术方案中的公式20、21和22,对所得的 个体进行自适应变异,得出新种群。
以第1次迭代计算的结果举例,得出新种群表达形式参见表9 所示:
表9新种群表达形式
7)基于群体多样性的选择
步骤6完成后,按照技术方案中的公式23、24对所得的父代和 子代个体进行选择,筛选得出新种群及其适应值。
以第1次迭代计算的结果举例,筛选得出新种群及其适应值参 见表10所示:
表10经选择操作后的新种群表达形式及其适应值排序
8)终止条件判断
当最优个体连续保持不变的迭代次数达到预设值,则结束迭代 计算,输出结果。
当最优个体连续保持不变的迭代次数达到预设值且迭代次数达 到最大迭代次数,则停止迭代,输出“未寻找到最优解!”。
当最优个体连续保持不变的迭代次数未达到预设值且迭代次数 达到最大迭代次数,返回步骤4,进行重新迭代计算。
根据前面的步骤,迭代132次后满足终止条件条件,此时优化 结果参见表11与12所示。
表11AGC随机动态优化调度计算结果(1)
表12AGC随机动态优化调度计算结果(2)
下面,对IEEE-14节点系统,进行改进,假设原IEEE-14节点 系统为所研究的区域电网,通过节点5与外网相连,节点3接入一 等值风电机组,得到如图2所示的14节点系统的网络图。用其他方 法及本方法分别计算其AGC优化结果,对比验证本发明方法的有效 性。
方法1:将风电功率以确定性的预测值进行考虑,系统频率不考 虑外网调频行为,计算出AGC机组最优调节指令及调节速率,基于 该调节指令及调节速率在蒙特卡罗模拟产生的样本下计算机组出 力、联络线功率偏差、CPS1指标及区域控制偏差平均值满足约束的 概率。
方法2:本发明方法,基于蒙特卡罗模拟抽样来考虑风电功率及 系统频率的预测误差随机性,增加机组出力、联络线功率偏差、CPS1 指标及区域控制偏差平均值的概率约束,直接优化得出AGC机组最 优调节指令和调节速率。
为验证本发明方法的特点,表13对比给出了两种优化方法下各 个时段的联络线功率偏差及机组2出力的概率约束,表14对比给出 了两种优化方法下优化周期内的CPS1指标及区域控制偏差平均值 的概率约束。
表13两种优化方法下联络线功率偏差及机组2出力概率约束对比
表14两种优化方法下CPS1指标及区域控制偏差平均值概率约 束对比
其中,粗体字标书的数据为越限量(低于事先给定的置信水平)。
由上述对比结果可知,方法1所计算出的联络线功率偏差、机 组2出力在某些时刻都出现了越限情况,优化周期内的区域控制偏 差平均值也不满足要求,而方法2优化所得的结果均达到事先给定 的置信水平。这说明本发明方法能够保证在风电功率及系统频率发 生随机波动场景下,满足状态变量事先给定的置信水平,通过动态 优化直接确定各AGC机组的调节指令及调节速率。
机译: 基于风电不确定性的数据驱动的三阶段电力,热力和燃气网络调度方法
机译: 用于调度随机命令以最小化位置不确定性的影响的系统和方法
机译: 用于调度随机命令以最小化位置不确定性的影响的系统和方法