CN102170170A - 消纳风电接入的大电网调度滚动计划方法 - Google Patents

Abstract

本发明涉及一种消纳风电接入的大电网调度滚动计划方法，包括以下步骤：从日前发电计划系统中获得所有常规机组日前计划的出力数据；建立基于日前计划的消纳风电接入电网的日内滚动模型；通过日内滚动扩展短期预测得到当前系统负荷预测值与风电总出力预测值，并根据所述系统负荷预测值与风电总出力预测值在线刷新所有常规机组剩余时段的出力数据；更新机组出力计划时优化问题中单机子的处理数据。本发明能够很好的解决风电接入后对电网运行的影响；在充分利用清洁能源的同时提高电网运行的安全性和经济性。

Description

消纳风电接入的大电网调度滚动计划方法

技术领域

本发明属于电力系统调度自动化技术领域，特别涉及间歇式风电接入电网后的发电调度滚动计划方法。

背景技术

为了实现电网经济调度，需要在已知系统负荷预测、网损修正、机组初始状态和未来一天96个时段(每个时段的时间跨度为15分钟)的机组启停状态的情况下，制定日前计划(未来一天每个时段每台机组的出力计划)，使系统发电总费用最低。随着风电等可再生能源的并网运行，日前计划也需要做出一定的调整：在最大限度地利用风电的前提下，保证常规机组的发电费用最低。

随着时间的推移，系统负荷预测值和风电出力预测值的不确定性有所增加，其可靠性和准确度也会降低，这会对常规机组的出力计划产生影响。因此，有必要实时地对一天内剩余时段的系统负荷和风电出力进行滚动预测修正，从而不断修正各台常规机组剩余时段的出力计划。这样可以保证各台常规机组的出力计划更加合理，更加有意义。

滚动计划是从当前时段到结束时段的动态优化，在数学上是一个NP(Non-deterministic Polynomial，非多项式算法难题)难题，模型复杂而且耗时较多。因此，需要研究如何通过对动态优化模型进行时间维度和空间维度的解耦与协调得到适于滚动计划环节在线应用的实用化的优化模型。这就对滚动计划算法的高效性提出了要求。其次，由于日负荷波动和风电出力波动带来的不确定性，算法及其优化模型还需要具有很好的鲁棒性。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一。

本发明的目的在于提出一种实现了系统负荷预测误差和风电预测误差的逐步修正，提高大电网风电出力接入能力的消纳风电接入的大电网调度滚动计划方法。

为实现上述目的，本发明的实施例提出了一种消纳风电接入的大电网调度滚动计划方法，包括如下步骤：

1)从日前发电计划系统中获得所有常规机组日前计划的出力数据，其中所述常规机组包括火电机组和水电机组；

2)建立基于日前计划的消纳风电接入电网的日内滚动模型；

3)根据所述基于日前计划的消纳风电接入电网的日内滚动模型，通过日内滚动扩展短期预测得到当前系统负荷预测值与风电总出力预测值，并根据所述系统负荷预测值与风电总出力预测值在线刷新所有常规机组剩余时段的出力数据；

4)根据在线刷新得到的所有常规机组剩余时段的出力数据更新机组出力计划时优化问题中单机子的处理数据。

根据本发明实施例的消纳风电接入的大电网调度滚动计划方法建立风电与常规机组发电的协调调度模型，在保证风力发电最小弃风的前提下实现常规机组的经济出力；利用日内滚动计划的不断更新，实现了系统负荷预测误差和风电预测误差的逐步修正，提高大电网风电出力接入能力。并且通过拉格朗日松弛法把滚动计划模型分解成主问题和单发电机优化的子问题，对单发电机优化的子问题提出了一种快速递推算法，从而使得整个模型求解算法的时间复杂度为O(n³)。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的基于日前计划的消纳风电接入电网的日内滚动的流程图；和

图2为本发明实施例的求解滚动计划算法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下面参考图1和图2对根据本发明实施例的消纳风电接入的大电网调度滚动计划方法进行说明。

本发明实施例的消纳风电接入的大电网调度滚动计划方法，包括以下步骤：

1)从日前计划系统获得该日所有常规机组96点(一天划分为96个时段，每个时段的时间跨度为15分钟；每个时段都对应一个数据)的出力计划数据；

2)给出大电网调度日内滚动计划算法的框架；具体步骤如下：

(21)将第1个时段之前的时段定义为日前计划初始时段，标记为第T₀时段，其中T₀＝0；将第96个时段定义为最终时段，标记为第T时段，其中T＝96；

(22)日内滚动计划初始时段标记为第t₀时段，令t₀＝T₀；

(23)从第t₀时段开始，进行一次系统负荷和各风场的风电出力总和的扩展短期预测(从当前时段t₀开始，预测当天所有剩余时段的数值；剩余时段即为t₀+1，t₀+2，...，T-1，T，共T-t₀个时段)；扩展短期预测的系统负荷记为D_t，风电出力总和记为W_t，其中t₀+1≤t≤T；

(24)根据扩展短期预测中的系统负荷以及风电出力总和的数值，判断是否需要进行常规机组计划出力的滚动更新：

把最新计划(最近一次的滚动更新数据；若日内还未进行滚动更新，则为日前计划的数据)在时段[t₀+1，T]的系统负荷记为D_t′，风电总出力记为W_t′；若：

$\∃t\∈[t_0+1,T],$ 满足|(D_t′-W_t′)-(D_t-W_t)|≥ξ           (1)

其中：ξ——预测允许最大偏差；

若公式(1)满足，需要进行常规机组计划出力的更新，转步骤3)；否则不需要更新出力计划；

(25)若t₀＝T-2则日内滚动计划已经结束，不需要更新机组出力计划，转步骤(26)；否则再过半个小时，令t₀＝t₀+2，转步骤23)；

(26)日内滚动计划结束；

3)根据第t₀时段进行的扩展短期预测的系统负荷D_t与风电总出力W_t(其中t₀+1≤t≤T)，进行常规机组计划出力的更新；具体步骤如下：

(31)建立更新计划的数学模型：

(311)更新计划数学模型的目标函数：

无特殊说明，数学模型中涉及的i为常规机组编号，取值范围为i∈[1，N]，其中N为总机组数；t为时段编号，取值范围为t∈[t₀+1，T]；

更新计划数学模型对应的时间跨度为[t₀+1，T]，目标函数具体如下：

$\min f\left(p_{\mathrm{it}}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}(a_i{p_{\mathrm{it}}}^2+b_i{p}_{\mathrm{it}}+c_i)---\left(2\right)$

其中：p_it——更新计划中第i台常规机组在第t时段的计划出力值；

a_i，b_i，c_i——第i台常规机组发电费用的二次项、一次项和常数项系数；

(312)更新计划数学模型的约束条件：

常规机组出力应满足

a.负荷平衡约束：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}=D_t-W_t---\left(3\right)$

b.机组出力上下界约束：

pma_i，t≤p_it≤pmi_i，t                         (4)

其中：pma_i，t——第i台常规机组在第t时段允许的出力最大值；

pmi_i，t——第i台常规机组在第t时段允许的出力最小值；

c.机组爬坡率约束：

p_i，t-1-Δpd_i，t≤p_it≤p_i，t-1+Δpu_i，t      (5)

其中：Δpd_i，t——第i台常规机组从第t时段到第t+1时段允许的降出力最大值；

Δpu_i，t——第i台常规机组在第t时段到第t+1时段允许的升出力最大值；

d.断面潮流安全约束：

这里考虑直流潮流的模型，有：

$\underset{\‾}{{\mathrm{TL}}_{l,t}}\≤\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(k_{\mathrm{li}}\·p_{\mathrm{it}})\≤\stackrel{\‾}{{\mathrm{TL}}_{l,t}},$ l＝1，...，L    (6)

其中：l，L——分别表示断面编号和总断面数；

k_li——第i台常规机组对第l断面的灵敏度因子；

——分别表示断面潮流的最小值和最大值；

其中，负荷平衡约束和断面潮流安全约束包含多台机组的耦合信息，定义为耦合约束；而机组处理上下界约束和机组爬坡率约束定义为非耦合约束。

(32)更新计划数学模型的求解：

采用拉格朗日对偶松弛法求解步骤(31)提到的数学模型；将原问题转换为对偶问题；考虑到步骤(31)是凸规划的优化问题，当对偶问题获得最优解的同时，原问题的最优解也可求得；具体的步骤如下：

(321)通过拉格朗日乘子松弛常规机组耦合约束，包括负荷平衡约束和断面潮流安全约束，构造原数学模型的对偶模型：

max：θ(w，v)，其中w＞0

$\mathrm{\θ}(w,v)=\inf \{\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{v}_t(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}-D_t)-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}(\stackrel{\‾}{{\mathrm{TL}}_{l.t}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{P}_{\mathrm{it}})$

$-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}(-\underset{\‾}{{\mathrm{TL}}_{l.t}}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{P}_{\mathrm{it}})|p_{\mathrm{it}}\∈D_e---\left(7\right)$

其中：v_t、

w _lt ——分别表示耦合约束的不等式约束和等式约束的拉格朗日乘子；

D_e——单机约束(包括机组出力上下界约束和机组爬坡率约束)；

公式(7)的inf表示下确界；

(322)给定拉格朗日乘子和对偶问题的迭代次数的初值为：

$\left\{\begin{array}{c}w=0\\ v=0\\ j=1\end{array}\right.---\left(8\right)$

(323)根据梯度方向为最速上升方向的原理，求得(w，v)对应的修正方向(dw，dv)：

将(w，v)的值代入公式(7)，可得：

$\mathrm{\θ}(w,v)=\inf \left\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\right[a_i\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^2+\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}(b_i-v_t+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}}-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}})p_{\mathrm{it}}]+C|p_{\mathrm{it}}\∈D_e\}---\left(9\right)$

其中：C——常数项；

公式(7)的常数对优化不产生影响，因此合并为常数项C；

对于公式(9)，可以把函数θ(w.，v)分解为N个并列的子问题；每个子问题都只含有单台常规机组的发电费用系数和相关约束(单机的出力上下界约束和单机爬坡率约束)，分别求解这N个单机子问题，获得所有p_it值；子问题的求解过程见步骤4)；

将求得的p_it代入公式(7)，根据梯度为最速上升方向的原则，可求得(dw，dv)如下：

$\left\{\begin{array}{c}d\stackrel{\‾}{w_{\mathrm{lt}}}=-\stackrel{\‾}{{\mathrm{TL}}_{l,t}}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{p}_{\mathrm{it}}\\ d\underset{\‾}{w_{\mathrm{lt}}}=\underset{\‾}{{\mathrm{TL}}_{l,t}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{p}_{\mathrm{it}}\\ {\mathrm{dv}}_t=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}+D_t\end{array}\right.---\left(10\right)$

(324)判断更新计划是否结束：

若：

max(dw，dv)＜ε                    (11)

其中：ε——阈值，本文取0.1；

当上升方向向量的最大值小于预定阈值时，说明对偶问题已经取得最优解；转步骤(325)；

否则，修正(w，v)：

(w，v)＝(w，v)+λ^j·(dw，dv)      (12)

λ^j为动态修正步长，取值为

${\mathrm{\λ}}^j=\frac{1}{A+B\·j}---\left(13\right)$

其中：A，B——步长修正参数，取值为A＝1，B＝4

改变迭代次数：

j＝j+1

转步骤(323)；

(325)最近一次循环时步骤(323)求得的p_it即为原问题的最优解，也是更新计划中所要求解的各台常规机组的出力值；跳转至步骤23)；

4)单机子问题的求解；具体步骤如下：

(41)单机数学模型：

根据公式(9)，可得第i台机组的单机数学模型为：

${\min \mathrm{\θ}}_i\left(p_{\mathrm{it}}\right)=\{\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{a_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}^2+\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{b_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}|p_{\mathrm{it}}\∈D_e\}---\left(14\right)$

其中 ${b_{\mathrm{it}}}^{\′}=b_i-v_t+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}}-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}}$

(42)根据单机数学模型的多时段的特性，采用逆向推进的动态规划方法求解(13)式的目标函数。具体分为两个步骤：

(421)获取机组出力的各阶段最优决策

令第T时段为第1阶段，第T-1时段为第2阶段，并依次类推，第t₀+1时段则为第T-t₀阶段；决策则是机组在每个阶段允许的出力值；而机组出力的第T-t+1(其中t₀+1≤t≤T)阶段的最优决策是指若该机组在第t时段出力值为p_it，o时能保证θ_i(p_it)的后部子过程(从第t时段到第T时段)对应的函数值取得最优。

从第T时段开始逆推至第(t₀+1)时段，求取第t(t∈[t₀+1，T])时段对应的(T-t+1)阶段最优决策；具体步骤如下：

首先计算第1阶段的最优决策，这时的子过程为

${\min \mathrm{\θ}}_i\left(p_{\mathrm{it}}\right)=\{\underset{t=T}{\overset{T}{\mathrm{\Σ}}}{a_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}^2+\underset{t=T}{\overset{T}{\mathrm{\Σ}}}{b_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}|p_{\mathrm{it}}\∈D_e\}---\left(15\right)$

这时只有第T时段，令

$p_{\mathrm{iT},s}=-\frac{{b_{\mathrm{iT}}}^{\′}}{{{2a}_{\mathrm{iT}}}^{\′}}---\left(16\right)$

式(16)为二次函数对称轴处的取值，又考虑到机组出力上下界的约束，则第1阶段的最优决策为

p_iT，o＝min(max(pmi_iT′，p_iT，s)，pma_iT′)(17)

其中pmi_iT′＝pmi_iT，pma_iT′＝pma_iT

再求第2阶段的最优决策p_i，T-1，o，将式(15)拓展为2阶段简化数学模型：

$\min {\mathrm{\θ}}_i\left(p_{\mathrm{it}}\right)=\{\underset{t=T-1}{\overset{T}{\mathrm{\Σ}}}{a_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}^2+\underset{t=T-1}{\overset{T}{\mathrm{\Σ}}}{b_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}|p_{\mathrm{it}}\∈D_e\}---\left(18\right)$

这时第2阶段的决策区间(机组在第T-1时段的出力范围)为[pmi_i，T-1′，pma_i，T-1′]，其中

pmi_i，T-1′＝max(pmi_i，T-1，pmi_i，T′-Δpu_i，T)

pma_i，T-1′＝min(pma_i，T-1，pma_i，T′+Δpd_i，T)

根据第一阶段的pmi_iT，pma_iT′，p_iT，o这3个功率值的信息(特殊情况下，当p_iT，o＝pmi_iT′或者p_iT，o＝pma_iT′时，可能退化为2个功率值)，可将[pmi_i，T-1′，pma_i，T-1′]最多分解为3个区间，分别为[pmi_i，T-1′，p_iT，o-Δpu_i，T]，[p_iT，o-Δpu_i，T，p_iT，o+Δpd_i，T]，[p_iT，o+Δpd_i，T，pma_i，T-1′]；每个区间都为2次函数的形式，二次项系数和一次项的系数分别为(a_iT′+a_i，T-1′，b_iT′+b_i，T-1′+2a_iT′Δpu_i，T)，(a_i，T-1′，b_i，T-1′)，(a_iT′+a_i，T-1′，b_iT′+b_i，T-1′-2a_iT′Δpd_i，T)。若某个区间的二次项和一次项系数算得的对称轴恰好在该区间内，则对称轴的取值即为第2阶段的最优决策p_i，T-1，o的取值；若最左侧区间(功率取值最小的区间)的对称轴比最小功率值pm_i，T-1还小，则p_i，T-1，o＝pmi_i，T-1；若最右侧区间(功率取值最大的区间)的对称轴比最大功率值pma_i，T-1还小，则p_i，T-1，o＝pma_i，T-1；若相邻两个区间中左侧区间的对称轴比该区间的最大功率值要大，而右侧区间的对称轴比该区间的最小功率值要小，则第2阶段的最优决策p_i，T-1，o即为这相邻两区间左侧区间的最大功率值(也等于右侧区间的最小功率值)。

同理，在已知第T-t+1阶段(对应第t时段)的pmi_i，t′，pma_i，t′，p_i，t，o以及该阶段决策区间[pmi_i，t′，pma_i，t′]的所有分区和分区的二次项、一次项系数的基础上，计算第T-t+2阶段(第t-1时段)的最优决策p_i，t-1，o。先计算第T-t+2阶段的决策区间为[pmi_i，t-1′，pma_i，t-1′]：

pmi_i，t-1′＝max(pmi_i，t-1，pmi_i，t′-Δpu_i，t)

pma_i，t-1′＝min(pma_i，t-1，pma_i，t′+Δpd_i，t)

再计算第T-t+2阶段决策区间的所有分区。

当T-t+1阶段分区满足

则

为T-t+2阶段的分区；

当T-t+1阶段分区

满足

则

[p_i，t，o-Δpu_it，p_i，t，o+Δpd_it]，

都为T-t+2阶段的分区；

当T-t+1阶段分区

满足p _i，t ≥p_i，t，o，则

为T-t+2阶段的分区；

根据类似第2阶段提到的二次项和一次项系数的修正方法，得到各个分区的二次项、一次项系数；最终根据各分区的二次函数对称轴和分区最大功率和最小功率的关系(参考第2阶段的比较方法)可以得到第T-t+2阶段的最优决策p_i，t-1，o。

直到拓展成公式(14)的模型，即逐步可以获得第1阶段至第T-t₀阶段的最优决策；

(422)获取机组出力的最优策略

已知机组在第t₀时段的实际出力值为

(4221)根据机组第t₀时段的出力值，获得机组在第(t₀+1)时段的出力值

当满足： $p_{i,t_0+1,o}-p_{i,t_0}>\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$ 则 $p_{i,t_0+1}=p_{i,t_0}+\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$

当满足： $p_{i,t_0}-p_{i,t_0+1,o}>\mathrm{\Δ}{\mathrm{pd}}_{i,t_0+1};$ 则 $p_{i,t_0+1}=p_{i,t_0}+\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$

否则： $p_{i,t_0+1}=p_{i,t_0+1,o};$

(4222)从第(t₀+1)时段顺推至第T时段，根据机组第t时段的出力值，获得机组在第(t+1)时段的出力值p_i，t+1，这时t∈[t₀+1，T-1]：

当满足：p_i，t+1，o-p_i，t＞Δpu_i，t+1；则p_i，t+1＝p_i，t+Δpu_i，t+1；

当满足： $p_{i,t_0}-p_{i,t+1,o}>\mathrm{\Δ}{\mathrm{pd}}_{i,t+1};$ 则p_i，t+1＝p_i，t+Δpu_i，t+1；

否则：p_i，t+1＝p_i，t+1，o；

求得N个单机子问题的所有p_i，t，跳回步骤(323)；

根据本发明实施例的消纳风电接入的大电网调度滚动计划方法，建立风电与常规机组发电的协调调度模型，在保证风力发电最小弃风的前提下实现常规机组的经济出力；利用日内滚动计划的不断更新，实现了系统负荷预测误差和风电预测误差的逐步修正，提高了大电网风电出力接入能力。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (4)

1.一种消纳风电接入的大电网调度滚动计划方法，其特征在于，包括以下步骤：

1)从日前发电计划系统中获得所有常规机组日前计划的出力数据，其中所述常规机组包括火电机组和水电机组；

2)建立基于日前计划的消纳风电接入电网的日内滚动模型；

3)根据所述基于日前计划的消纳风电接入电网的日内滚动模型，通过日内滚动扩展短期预测得到当前系统负荷预测值与风电总出力预测值，并根据所述系统负荷预测值与风电总出力预测值在线刷新所有常规机组剩余时段的出力数据；

4)根据在线刷新得到的所有常规机组剩余时段的出力数据更新机组出力计划时优化问题中单机子的处理数据。

2.如权利要求1所述的大电网调度滚动计划方法，其特征在于，所述建立基于日前计划的消纳风电接入电网的日内滚动模型，包括以下步骤：

(21)将一天划分为多个时段，所有时段的时间总跨度为24小时；将一天划分为96个时段，每个时段的时间跨度为15分钟；将第1个时段之前的时段设置为日前计划初始时段，标记为第T₀时段，其中T₀＝0；将第96个时段定义为最终时段，标记为第T时段，其中T＝96；

(22)将日内滚动计划初始时段标记为第t₀时段，令t₀＝T₀；

(23)从第t₀时段开始，进行一次系统负荷和各风场的风电出力总和的扩展短期预测，其中，扩展短期预测的系统负荷记为D_t，风电出力总和记为W_t，t₀+1≤t≤T；

(24)根据扩展短期预测中的系统负荷以及风电出力总和的数值，判断是否需要进行常规机组计划出力的滚动更新：

若需要，则进行常规机组计划出力的更新，执行所述步骤3)，根据所述基于日前计划的消纳风电接入电网的日内滚动模型，通过日内滚动扩展短期预测得到当前系统负荷预测值与风电总出力预测值，根据所述系统负荷预测值与风电总出力预测值在线刷新所有常规机组剩余时段的出力数据；

若不需要更新，执行步骤(25)，判断日内滚动计划是否结束：

若日内滚动计划已经结束，执行步骤(26)；否则，再过半个小时，令t₀＝t₀+2，执行步骤(23)；

(26)日内滚动计划结束。

3.如权利要求2所述大电网调度滚动计划方法，其特征在于，所述通过日内滚动扩展短期预测得到当前系统负荷预测值与风电总出力预测值，并根据所述系统负荷预测值与风电总出力预测值在线刷新所有常规机组剩余时段的出力数据，包括以下步骤：

(31)建立更新计划的数学模型：

(311)更新计划数学模型的目标函数：

更新计划数学模型对应的时间跨度为[t₀+1，T]，

目标函数为： $\min f\left(p_{\mathrm{it}}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}(a_i{p_{\mathrm{it}}}^2+b_i{p}_{\mathrm{it}}+c_i),$

其中：p_it为更新计划中第i台常规机组在第t时段的计划出力值；

a_i，b_i，c_i分别为第i台常规机组发电费用的二次项、一次项和常数项系数；

i为常规机组编号，取值范围为i∈[1，N]，其中N为总机组数；t为时段编号，取值范围为t∈[t₀+1，T]；

(312)更新计划数学模型的约束条件：

常规机组出力满足耦合约束和非耦合约束，其中耦合约束包括负荷平衡约束和断面潮流安全约束，所述负荷平衡约束和所述断面潮流安全约束包含多台机组的耦合信息；非耦合约束包括机组处理上下界约束和机组爬坡率约束，

a.负荷平衡约束： $\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}=D_t-W_t;$

b.机组出力上下界约束：pma_i，t≤p_it≤pmi_i，t

其中：pma_i，t为第i台常规机组在第t时段允许的出力最大值；

pmi_i，t为第i台常规机组在第t时段允许的出力最小值；

c.机组爬坡率约束：p_i，t-1-Δpd_i，t≤p_it≤p_i，t-1+Δpu_i，t

其中：Δpd_i，t为第i台常规机组从第t时段到第t+1时段允许的降出力最大值；

Δpu_i，t为第i台常规机组在第t时段到第t+1时段允许的升出力最大值；d.断面潮流安全约束：

基于直流潮流的模型，

l＝1，...，L

其中：l，L分别为断面编号和总断面数；

k_li为第i台常规机组对第l断面的灵敏度因子；

TL _l，t 为断面潮流的最小值；

为断面潮流的最大值；

(32)更新计划数学模型的求解：

采用拉格朗日对偶松弛法求解所述步骤(31)中的数学模型，包括如下步骤：

(321)通过拉格朗日乘子松弛常规机组耦合约束，构造原数学模型的对偶模型：

max：θ(w，v)，其中w＞0

$\mathrm{\θ}(w,v)=\inf \{\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{v}_t(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}-D_t)-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}(\stackrel{\‾}{{\mathrm{TL}}_{l.t}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{P}_{\mathrm{it}})$

$-\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}(-\underset{\‾}{{\mathrm{TL}}_{l.t}}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{P}_{\mathrm{it}})|p_{\mathrm{it}}\∈D_e\}$

其中：v_t、

w _lt 分别表示耦合约束的不等式约束和等式约束的拉格朗日乘子；

D_e表示单机约束(包括机组出力上下界约束和机组爬坡率约束)；inf表示下确界；

(322)设置拉格朗日乘子和对偶问题迭代次数j的初值为：

$\left\{\begin{array}{c}w=0\\ v=0\\ j=1\end{array}\right.;$

(323)根据梯度方向为最速上升方向的原理，得到(w，v)对应的修正方向(dw，dv)：将(w，v)的值代入所述对偶模型，可得：

$\mathrm{\θ}(w,v)=\inf \left\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\right[a_i\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^2+\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}(b_i-v_t+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}}-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}})p_{\mathrm{it}}]+C|p_{\mathrm{it}}\∈D_e\}$

其中：C——常数项；

将θ(w.，v)分解为N个并列的子问题；每个子问题包括单台常规机组的发电费用系数和相关约束，单机的出力上下界约束和单机爬坡率约束，分别求解N个单机子问题，获得所有p_it值；通过所述步骤4)求解所述子问题；

将求得的p_it代入所述对偶模型，根据梯度为最速上升方向的原则，得到(dw，dv)如下：

$\left\{\begin{array}{c}d\stackrel{\‾}{w_{\mathrm{lt}}}=-\stackrel{\‾}{{\mathrm{TL}}_{l,t}}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{p}_{\mathrm{it}}\\ d\underset{\‾}{w_{\mathrm{lt}}}=\underset{\‾}{{\mathrm{TL}}_{l,t}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_{\mathrm{li}}{p}_{\mathrm{it}}\\ {\mathrm{dv}}_t=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{it}}+D_t\end{array}\right.;$

(324)判断更新计划是否结束：

当上升方向向量的最大值小于预定阈值时，表示对偶问题已经取得最优解；执行步骤(325)；

否则，修正(w，v)：(w，v)＝(w，v)+λ^j·(dw，dv)，

λ^j为动态修正步长， ${\mathrm{\λ}}^j=\frac{1}{A+B\·j},$

其中：A，B——步长修正参数，取值为A＝1，B＝4

改变迭代次数，j＝j+1；执行所述步骤(323)；

所述步骤(325)最近一次循环时所述步骤(323)求得的p_it为原问题的最优解，和更新计划中所要求解的各台常规机组的出力值，执行所述步骤(25)。

4.如权利要求3所述大电网调度滚动计划方法，其特征在于，所述更新机组出力计划时优化问题中单机子的处理数据，包括以下步骤：

对于第i台机组，

(41)建立单机数学模型：

第i台机组的单机数学模型为：

${\min \mathrm{\θ}}_i\left(p_{\mathrm{it}}\right)=\{\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{a_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}^2+\underset{t=t_0+1}{\overset{T}{\mathrm{\Σ}}}{b_{\mathrm{it}}}^{\′}{p}_{\mathrm{it}}|p_{\mathrm{it}}\∈D_e\},$

其中， ${b_{\mathrm{it}}}^{\′}=b_i-v_t+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\stackrel{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}}-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{\‾}{w_{\mathrm{lt}}}\·k_{\mathrm{li}};$

(42)根据所述单机数学模型的多时段的特性，采用逆向推进的动态规划方法求解目标函数，包括如下步骤：

(421)获取机组出力的各阶段最优决策；

令第T时段为第1阶段，第T-1时段为第2阶段，并依此类推，第t₀+1时段则为第T-t₀阶段，决策为机组在每个阶段允许的出力值，机组出力的第T-t+1阶段的最优决策为当该机组在第t时段出力值为p_i，t，o时，保证θ_i(p_it)的后部子过程对应的函数值取得最优，其中所述后部子过程为从第t时段到第T时段，

从第T时段开始逆推至第(t₀+1)时段，求取第t(t∈[t₀+1，T])时段对应的(T-t+1)阶段最优决策p_i，t，o；

(422)获取机组出力的最优策略，机组在第t₀时段的实际出力值为

(4221)根据机组第t₀时段的出力值，获得机组在第(t₀+1)时段的出力值

当满足： $p_{i,t_0+1,o}-p_{i,t_0}>\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$ 则 $p_{i,t_0+1}=p_{i,t_0}+\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$

当满足： $p_{i,t_0}-p_{i,t_0+1,o}>\mathrm{\Δ}{\mathrm{pd}}_{i,t_0+1};$ 则 $p_{i,t_0+1}=p_{i,t_0}+\mathrm{\Δ}{\mathrm{pu}}_{i,t_0+1};$

否则： $p_{i,t_0+1}=p_{i,t_0+1,o};$

(4222)从第(t₀+1)时段顺推至第T时段，根据机组第t时段的出力值，获得机组在第(t+1)时段的出力值p_i，t+1，t∈[t₀+1，T-1]：

当满足：p_i，t+1，o-p_i，t＞Δpu_i，t+1；则p_i，t+1＝p_i，t+Δpu_i，t+1；

当满足： $p_{i,t_0}-p_{i,t+1,o}>\mathrm{\Δ}{\mathrm{pd}}_{i,t+1};$ 则p_i，t+1＝p_i，t+Δpu_i，t+1；

否则：p_i，t+1＝p_i，t+1，o；

求得N个单机子问题的所有p_i，t，跳回步骤(323)。

Images