基于优化Kriging代理模型的场景分析法求解机组组合问题

基于优化Kriging代理模型的场景分析法求解机组组合问题

由于风电具有很强的波动性和不确定性,为机组组合(Unit Commitment,UC)问题带来许多问题和挑战.因此,提出了一种基于优化Kriging代理模型的场景分析法来处理风电的不确定性.首先通过"预测箱"方法生成大量场景,然后由序列优化的Kriging代理模型估计各场景所对应的经济成本.同时,根据风电不确定性及运行成本对系统的影响,采用重要性采样法削减场景.通过考虑功率平衡和风电爬坡约束的随机机组组合(Stochastic Unit Commitment,SUC)模型验证了该方法的有效性.算例分析结果表明,序列优化Kriging代理模型可以使用较少的场景预测场景运行成本...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电力系统保护与控制 2020-11, Vol.48 (22), p.49-56
Hauptverfasser: 崔承刚, 郝慧玲, 杨宁, 奚培锋
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:由于风电具有很强的波动性和不确定性,为机组组合(Unit Commitment,UC)问题带来许多问题和挑战.因此,提出了一种基于优化Kriging代理模型的场景分析法来处理风电的不确定性.首先通过"预测箱"方法生成大量场景,然后由序列优化的Kriging代理模型估计各场景所对应的经济成本.同时,根据风电不确定性及运行成本对系统的影响,采用重要性采样法削减场景.通过考虑功率平衡和风电爬坡约束的随机机组组合(Stochastic Unit Commitment,SUC)模型验证了该方法的有效性.算例分析结果表明,序列优化Kriging代理模型可以使用较少的场景预测场景运行成本.与Kantorovich距离法相比,该方法的削减结果选择了较为重要的场景,其求解结果具有更好的经济性和可靠性.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.191518