-
题名基于场景缩减法的供水管网抗震可靠性评估
被引量：1
- 1
-
-
作者
贾睿
杜坤
宋志刚
-
机构
昆明理工大学建筑工程学院
-
出处
《防灾减灾工程学报》
CSCD
北大核心
2023年第2期286-293,共8页
-
基金
国家自然科学基金项目(52260011)
云南省重点研发计划项目(202203AC100004)
云南省重点研发计划项目(202003AC100001)资助。
-
文摘
供水管网抗震可靠性是在可能地的震烈度下管网的服务水平,目前大多数采用蒙特卡洛模拟产生数量庞大的震损样本进行估计,此方法给大型复杂管网抗震可靠性的评估带来极大工作量和超高时间成本。为了克服这些问题,提出了多爆管压降计算模型,并引入场景缩减方法以提高计算效率。首先,利用多爆管压降模型计算震损场景下节点水压。其次,利用系统聚类中类平均法对震损节点水压进行场景合并和分类。然后利用k‐medoids聚类对每一类选取中心点作为典型场景。最后,通过典型场景确定节点和系统可靠性指数。将某实际管网应用所提算法计算并与传统蒙特卡洛模拟结果进行对比。结果表明,基于线性估计多爆管压降模型是合理的,基于场景缩减法的可靠性评估是可行的,提高典型场景数量可降低评估误差。因此,该算法可在保证结果准确的同时提高计算效率。
-
关键词
地震
城市供水管网
蒙特卡洛场景生成
场景缩减
案例分析
-
Keywords
earthquake
urban water supply network
Monte Carlo scenario generation
scenario re‐duction
case studies
-
分类号
TU443
[建筑科学—岩土工程]
-
-
题名考虑风电场景缩减的多区域综合能源系统容量配置
被引量：6
- 2
-
-
作者
张鸿
曹阳
单福州
李晓露
-
机构
中国电力科学研究院有限公司(南京)
上海电力大学电气工程学院
-
出处
《可再生能源》
CAS
北大核心
2020年第1期128-135,共8页
-
基金
国家重点研发计划项目(2017YFB0902600)
-
文摘
以冷-热-电联供为核心的综合能源系统(IES)能有效提高能源利用率和供能灵活性。文章针对大规模风电接入对IES规划和运行的影响,提出了一种考虑风电场景缩减的多区域综合能源系统容量配置方法。采用混合度量的改进k-means算法对风电历史数据进行聚类,判定聚类场景数目和聚类中心;在充分考虑热网损耗和延迟效应的基础上,建立包含热网管道、节点、换热器的详细热网模型;通过热网连接多个区域综合能源系统,建立以系统年投资成本、运行成本和弃风惩罚成本之和最小为目标函数的多区域综合能源系统容量配置模型。仿真结果表明,该模型能大幅降低设备配置容量和系统运行费用,提高风电消纳率。
-
关键词
综合能源系统
风电场景缩减
热网
容量配置
-
Keywords
integrated energy system
wind power scenario reduction
heating network
capacity configuration
-
分类号
TK89
[动力工程及工程热物理—流体机械及工程]
TK01
[动力工程及工程热物理]
-
-
题名华中电网风电出力波动性与典型时序场景
被引量：4
- 3
-
-
作者
彭利鸿
余姚果
肖小刚
张祥
梅亚东
-
机构
国家电网公司华中分部
武汉大学水资源与水电工程科学国家重点实验室
-
出处
《水电与新能源》
2019年第11期22-26,共5页
-
基金
国家电网有限公司科技项目资助(合同号:SGHZ0000DKJS1900230)
-
文摘
风电、光伏电等新能源出力波动性分析可为电力系统调峰、机组控制、调度计划制订提供科学依据。采用出力变率、出力概率分布、出力不均衡率分析华中电网风电出力波动性,然后应用同步回代法进行华中电网风电出力场景缩减,提取典型时序场景。对2017年华中电网风电出力波动性分析表明:风电出力小于30%风电装机容量的概率超过0.70,15 min时间粒度的最大出力变化值为55.4万kW(增加)和-55.4万kW(减少),出力年不均衡率和月不均衡率变化剧烈,日均出力变化幅度大。按年、季和月提取的典型日出力过程具有明显的规律性。
-
关键词
风电
波动性
场景缩减
华中电网
-
Keywords
wind power
fluctuation
scenario reduction
Central China power grid
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名考虑源荷双重不确定性的综合能源系统规划优化
- 4
-
-
作者
李爱武
邸亮
董杰
田喆
王一
牛纪德
-
机构
龙源(北京)新能源工程设计研究院有限公司
天津大学环境科学与工程学院
天津大学天津市建筑环境与能源重点实验室
-
出处
《西安工程大学学报》
CAS
2024年第5期77-85,共9页
-
基金
天津市重点研发计划(22YFZCSN00180)。
-
文摘
综合能源系统设计过程会面临可再生能源发电与能源需求的不确定性,以确定性方法进行设计时会引入次优决策的风险。为此,提出了一种考虑源荷双重不确定性的综合能源系统高效规划优化模型。首先,使用蒙特卡洛仿真模拟的方法生成了大量的原始随机场景集,在考虑边界条件不确定性的前提下,为了确保随机规划模型可解,对原始随机年场景进行了典型年及典型日的双重缩减。其次,为了验证基于缩减场景所得方案的有效性,以某工业园区的综合能源系统为案例,将随机规划方案代入原始随机场景集,进行生产模拟,测试了随机规划模型有效性。结果表明:典型日边界充分考虑了原始设计边界的不确定性,并且能够保证随机规划模型可解;与确定性优化模型相比,随机优化模型产生更为保守的方案,对可再生能源的配置更少,更多地依赖常规能源及电网;同时生产模拟的结果表明,随机规划方法在经济性上更具优势,其规划方案的等年值费用较确定性规划方案降低2.02%。
-
关键词
综合能源系统
不确定性
随机规划
场景缩减
-
Keywords
integrated energy system
uncertainty
stochastic optimization
scenario reduction
-
分类号
TM73
[电气工程—电力系统及自动化]
-
-
题名梯级水库中长期仿天然水文情势的生态流量多目标调度
被引量：2
- 5
-
-
作者
崔福宁
朱迪
卜慧
郭卫
汪琳
-
机构
云南华电金沙江中游水电开发有限公司
长江水利委员会水文局
-
出处
《水生态学杂志》
CSCD
北大核心
2024年第1期1-9,共9页
-
基金
水利部重大科技项目(SKS-2022038)
国家重点研发计划(2021YFC3200304)。
-
文摘
针对现有研究较少从水文情势角度开展梯级水库中长期生态流量调度的现状,基于场景缩减(SBR)技术推求的仿天然水文情势生态流量过程,以梯级水库下泄流量与生态流量的动态时间规整(DTW)距离最小为生态目标,以梯级水库发电量最大为发电目标,构建梯级水库多目标生态流量调度模型,并采用“参数模拟−优化”思路求解,选择金沙江中游梨园、阿海、金安桥、龙开口、鲁地拉和观音岩6座梯级水库,对1953-2015年的旬径流资料开展分析研究,为梯级水库中长期生态流量调度提供参考。结果表明,推求的仿天然水文情势生态流量具有明显的季节性波动和上下游断面量级差异特征;相较梯级水库原调度方案,优化调度方案可通过径流调节,改善梯级水库中长期生态和发电效益,在不影响生态目标的状态下,可增加511亿kW·h的发电量,相应增幅为1.35%;在不影响发电目标的情况下,可减少134253的DTW距离,相应降幅为3.85%。
-
关键词
生态流量调度
动态时间规整
场景缩减
梯级水库
金沙江中游
-
Keywords
ecological flow
dynamic time warping
scenario reduction
cascaded reservoirs
middle reach of the Jinsha River
-
分类号
TV697
[水利工程—水利水电工程]
-
-
题名计及风电不确定性的区域互联动态经济优化调度方法
被引量：6
- 6
-
-
作者
林艺城
孟安波
殷豪
陈云龙
-
机构
广东工业大学自动化学院
-
出处
《水利水电技术》
CSCD
北大核心
2018年第3期176-185,共10页
-
基金
广东省科技计划项目(2016A010104016)
广东电网公司科技项目(GDKJQQ20152066)
-
文摘
结合含风电场的区域互联电力系统运行特点,考虑风电出力、负荷的不确定性因素以及电力系统安全运行约束,建立计及系统燃料费用、机组运行维护成本、风险成本的区域互联动态经济调度优化模型,并以一种融合拉丁超立方采样、场景缩减法和自学习差分算法的优化方法对所提模型进行求解。该方法根据风电和负荷预测误差采用拉丁超立方采样技术生成大量样本,并对所生成样本结合场景缩减法进行缩减,再由自学习差分算法进行全局寻优,得到各场景所对应的最优调度方案。结果表明:采用该方法既能模拟出风电、负荷的不确定性特点,又能避免建立过于复杂的随机性模型,降低了建模和求解的难度,同时所提自学习差分算法具有良好的收敛特性及鲁棒性。因此,所提优化方法对区域互联电力系统优化调度具有参考价值。
-
关键词
区域互联电力系统
不确定性
拉丁超立方采样
场景缩减法
自学习差分算法
-
Keywords
regional interconnected power system
uncertainty
Latin hypercube sampling
scenario reduction method
self-learning differential algorithm
-
分类号
TM727
[电气工程—电力系统及自动化]
-
