Реферат на тему Оптимизация режимов ГЭС методом динамического программирования

Содержание:

Введение 3
1. Общие сведения 5
2. Описание проблемы 8
3. Внутристанционная оптимизация режима ГЭС 12
4. Динамическое программирование 19
4.1. Общее описание 19
4.2. ДП в ГЭС 21
Заключение 24
Литература 26

Введение:

Оптимальная работа коллектора (ORO) является многоцелевой задачей, которая часто решается с помощью динамического программирования (DP) и стохастического динамического программирования (SDP). Эти два метода страдают от так называемого «двойного проклятия», которое запрещает их использование в достаточно сложных водных системах. Первое — это «проклятие размерности», которое характеризуется экспоненциальным ростом сложности вычислений с пространственным измерением состояния-решения ( Bellman 1957 ). Второе — это «проклятие моделирования», которое требует явной модели каждого компонента водной системы ( Bertsekas & Tsitsiklis 1996 ) для расчета эффекта перехода каждой системы. Проклятие размерности ограничивает число переменных состояния-действия и предотвращает использование DP и SDP в сложных задачах оптимизации коллектора.
Были предприняты различные попытки преодолеть проклятия ( Castelletti et al. 2012 ; Li et al. 2013 ; Anvari et al. 2014 ) или более ранние DP на основе последовательных приближений ( Bellman & Dreyfus 1962 ), инкрементальное DP ( Larson 1968 ) и дифференциальный DP (DDP) ( Jacobson & Mayne 1970 ). DDP начинается с первоначального предположения о ценностях и политиках для достижения цели и продолжается улучшением политики с использованием различных методов ( Atkeson & Stephens 2007 ). Инкрементальный DP пытается найти глобальное решение проблемы DP путем постепенного улучшения свойств удовлетворения локальных ограничений по мере приобретения опыта посредством взаимодействия с окружающей средой ( Bradtke 1994 ).
В последнее десятилетие в ОРО были проведены значительные исследования и применения в области РЛ. Исследователи из Политехнического университета Милана (Италия) разработали SDP и ряд реализаций RL в ORO ( Castelletti et al. 2001 , 2007 ). Исследование Castelletti et al. (2002) предлагает вариант Q-обучения, названный Qlp (планирование Q-обучения), чтобы преодолеть ограничения SDP и стандартного Q-обучения путем интеграции автономного подхода, типичного для SDP и безмодельной характеристики Q-обучения. Огромное пространство состояния-действия в большинстве случаев чрезвычайно трудно выразить с помощью таблицы поиска, поэтому часто требуется обобщение через приближение функции (например, с помощью нейронной сети) (см., Например, Bhattacharya et al. 2003 ). Аналогичный подход, предложенный Ernst et al. (2006) , названный «подходящей Q- итерацией», объединяет RL-концепции автономного обучения и функциональной аппроксимации функции значения. Недавние методы RL ( Castelletti et al. 2010 ) использовали регрессию на основе дерева для смягчения проклятия размерности. Применение различных методов ORO рассмотрено в Yeh (1985) и для многорежимных систем в Labadie (2004) .
В этом документе рассматривается многоцелевая проблема ORO, заключающаяся в решении нескольких задач, связанных с: (1) выбросами из водохранилища для удовлетворения потребностей нескольких пользователей, расположенных ниже по течению, которые борются за воду с динамически меняющимися потребностями; (2) отклонения от целевых уровней воды в водохранилище (рекреация и / или борьба с наводнениями); и (3) производство гидроэнергии, которая представляет собой сочетание уровня воды в водохранилище и выбросов в водохранилище. Эта проблема, когда ставится, имеет несколько целей (восемь в нашем примере) и переменные решения (шесть в нашем примере), и она не разрешима со стандартными алгоритмами ORO из-за проклятия размерности. Основная цель состоит в том, чтобы исследовать и разработать алгоритмы, которые могут решать ранее упомянутые многоцелевые задачи ORO, смягчая проклятие размерности.

Заключение:

Изменение экономической формации России и переход от плановой экономики к рыночной вызвал многие изменения во всех областях деятельности России.
Современные электроэнергетические системы (ЭЭС) значительно изменили свои свойства по сравнению с теми, которые были в то время, когда выполнялись основные научные и практические разработки по проблеме управления режимами ЭЭС. Главные изменения связаны с организацией электроэнергетического рынка и новыми хозяйственными формами предприятий энергетики.
Структура установленной мощности Объединенной энергосистемы (ОЭС) Сибири характеризуется значительной долей, приходящейся на гидроэлектростанции. В связи с этим появляется необходимость оптимального использования гидроресурсов. Методы и задачи оптимального использования ГЭС достаточно хорошо разработаны, но требуются их анализ и изменения. На сегодняшний день регулировочный диапазон станций ограничен водохозяйственными требованиями. Примером сложившейся ситуации является Новосибир-ская ГЭС.
Гидростанции имеют связи с электроэнергетическими системами трех видов, которые отличаются структурой генерирующих мощностей, целями и возможностями.
1. Местная (МЭЭС), работающая на основе потребителей городов, образованных при создании гидростанции (Братск, п. Черемушки, Дивногорск и др.). Во многих городах имеются крупные промышленные потребители (алюминиевые комбина-ты, ЛПК).
2. Региональная ЭЭС (Иркутская, Красноярская, Хакасская).
3. Объединенная ЭЭС (Сибири, Казахстана, Урала, Центра).
В общем случае все эти системы гидротепловые. Тогда имеются три части в балансах электроэнергии ГЭС: ЭГЭС = ЭМЭЭС + ЭРЭС + ЭОЭС. Для этих энергетических балансов характерны различные критерии и модели оптимизации. Соответственно, для МЭЭС – минимальный расход топлива ВУД => min, если это гидротепловая система, имеющая ТЭС и единственную ГЭС. Если теплоснабжение осуществляется от электрической бойлерной, то эта система имеет характер нагрузки (ограничения); для РЭЭС – это минимальные эксплуатационные издержки И = Σi Иi => min, когда в гидротепловой системе имеются несколько ГЭС, ТЭЦ, КЭС; в объединенных системах ОЭС – минимальные эксплуатационные издержки или цены Ц => min для субъектов электроэнергетического рынка, которые взаимодействуют в коммерческих или технических вопросах.
Имеются два вида оптимизационных задач, у которых различны математические модели, – краткосрочная оптимизация при составлении баланса мощностей и долгосрочная оптимизация использования водных ресурсов ГЭС. В связи с этим в данной работе выполнено:
1. Выполнен анализ особенностей работы ГЭС в условиях оптовых рынков электроэнергии. Ограниченные объемы водохранилищ, каскадное расположение ГЭС, возможности для проявления монополизма ГЭС на рынках электроэнергии, жесткие водохозяйственные и экологические ограничения требуют разработки методик для планирования долгосрочных режимов работы ЭЭС и определения цен на срабатываемую и запасенную в водохранилищах воду и электроэнергию, вырабатываемую ГЭС.
2. Несогласованное поведение отдельных ГЭС по выработке электроэнергии в условиях оптовых рынков приводит к снижению экономической эффективности работы ЭЭС и нерациональному использованию водных ресурсов. На переходном этапе реформирования электроэнергетики целесообразно сохранение долгосрочного централизованного планирования режимов ЭЭС с ГЭС.
3. Представлены методики планирования долгосрочных оптимальных режимов электроэнергетических систем с ГЭС.

Фрагмент текста работы:

1. Общие сведения
Из-за неопределенности притока, цен на энергоносители и возможности хранения воды в течение более длительных периодов времени проблема планирования гидроэнергетики обычно рассматривается как проблема многоступенчатого стохастического программирования. Важным элементом планирования гидроэнергетики является стоимость воды; даже несмотря на то, что приток в водохранилища бесплатный, с водой, хранящейся в водохранилищах, связаны альтернативные издержки. Производитель может выбрать использование воды для продажи энергии сегодня и получить немедленный доход или сохранить ее IOP Conf. Серия: Физический журнал: Конф. Серия 1042 (2018) 012010 doi: 10.1088 / 1742-6596 / 1042/1/012010 для будущего использования с потенциально более высокой прибылью. С точки зрения планирования гидроэнергетики эта альтернативная стоимость называется стоимостью воды.
Учитывая сложный характер проблемы планирования гидроэнергетики, ее можно разделить на три задачи с различным временным горизонтом и деталями моделирования [4]. Задача долгосрочного планирования гидроэнергетики (LTHS) направлена на решение фундаментальной проблемы рынка, которая обеспечивает прогнозы цен на энергоносители и совокупную стоимость воды [5] [6]. Задача среднесрочного планирования гидроэнергетики (MTHS) может затем использовать агрегированные значения воды в качестве конечного отчета и прогноза цен для предоставления индивидуальных значений воды для каждого водохранилища в местной гидроэнергетической системе [7]. Кроме того, эти отдельные значения воды могут быть использованы в качестве конечного оператора для задачи краткосрочного планирования гидроэнергетики (STHS), которая имеет высокие детали моделирования, например, моделирование отдельных генераторов и водотоков. Разрешение по времени хорошее, как правило, ежечасно в течение одной или двух недель. Для либерализованных рынков электроэнергии эта задача направлена на то, чтобы сначала подать заявки на рынок электроэнергии, а после перерасчета рынка выполнить повторную оптимизацию, включающую в себя любые обязательства, возникшие в ходе клиринга [8].
2.1. Многоступенчатая стохастическая оптимизация
Эта статья описывает приложение, которое будет использоваться в дальнейших исследованиях проблемы MTHS. Для этого типа проблемы характерен временной интервал 1-2 года, с использованием еженедельных этапов принятия решения, поскольку приток сильно коррелирует на еженедельной основе. Эта проблема рассматривается как проблема стохастического динамического программирования (SDP) с еженедельными этапами принятия решений. Чтобы обойти «проклятие размерности», связанное с обычными (S) задачами DP, широко используется метод, называемый стохастическим двойным динамическим программированием (SDDP) [9].
Метод аппроксимирует функцию ожидаемой прибыли (EPF), также называемую функцией стоимости для решения задач минимизации. Один из недостатков этого метода заключается в том, что он требует, чтобы этапы принятия решений моделировались как задачи ЛП, исключая возможность моделирования нелинейностей без упрощений. Недавно было предложено расширение метода, названного методом стохастического двойного динамического целочисленного программирования (SDDiP) [10]. Метод может решать нелинейные задачи с конечной сходимостью. Однако это связано с дополнительным временем вычислений и некоторыми корректировками структуры задачи, т. Е. Требует, чтобы все переменные состояния были двоичными. В предыдущей работе был протестирован метод решения проблемы MTHS с многообещающими результатами по сравнению с методом SDDP [11]. Имея это в виду, в следующей работе исследуется, как функция генерации гидроэлектростанции может быть смоделирована в рамках SDDiP и как ее можно упростить, чтобы уменьшить вычислительную нагрузку.