CN103187736A - 含风电场有功调度系统 - Google Patents

含风电场有功调度系统 Download PDF

Info

Publication number
CN103187736A
CN103187736A CN2013100265455A CN201310026545A CN103187736A CN 103187736 A CN103187736 A CN 103187736A CN 2013100265455 A CN2013100265455 A CN 2013100265455A CN 201310026545 A CN201310026545 A CN 201310026545A CN 103187736 A CN103187736 A CN 103187736A
Authority
CN
China
Prior art keywords
energy turbine
turbine set
wind energy
wind
wind power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100265455A
Other languages
English (en)
Inventor
袁蓉
章汉军
周荣虎
熊西林
刘进兴
苏沛轩
胡祖伟
黄滇生
杨文波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dali Power Supply Bureau Of Yunnan Power Grid Corp
Dali Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Dali Power Supply Bureau Of Yunnan Power Grid Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dali Power Supply Bureau Of Yunnan Power Grid Corp filed Critical Dali Power Supply Bureau Of Yunnan Power Grid Corp
Priority to CN2013100265455A priority Critical patent/CN103187736A/zh
Publication of CN103187736A publication Critical patent/CN103187736A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Abstract

含风电场有功调度系统，本发明包括（1）约束条件对风电场的灵敏度计算方法；（2）风电场最大发电能力的确定；（3）风电场有功调度算法；（4）数据输入输出文件设计四个特征。本发明通过实用的灵敏度计算方法、风电场最大有功出力的确定，以及采用改进的有功调度算法，实时对风电场进行最大限度利用其发电能力的有功调度。应用本发明的对风电场的有功进行调度，具有计算快捷、使用方便、科学合理等显著优点，为调度员调度提供了参考依据。

Description

含风电场有功调度系统
技术领域
本发明涉及电力系统调度，风电场有功控制的技术领域。 
背景技术
与常规能源电厂相比，风电场输出功率受风速等气象因素影响较大，输出功率是不完全可控。然而电力系统制定发电计划是基于电源的可靠性和负荷的可预测性，以往小规模风电接入系统时，一般将风电场作为负的负荷来处理，由于风速引起的功率波动在系统的容许范围内，扰动被系统消纳，对整个电网安全稳定影响较小。大规模风电接入系统时，由风速变化引起的功率波动会对电网运行造成严重影响甚至危及电网安全，必须对电网原有的运行调度方式进行优化和调整以应对大规模风电并网带来的问题。 
大规模风电并网后，调度系统在原有基础上增加包括风电预测、风电场系统控制、负荷预测等部分。利用短期风电预测和负荷预测结果，制定满足日前电量交易计划的发电计划，同时风电和负荷的不确定性导致预测结果和实际运行中存在较大的偏差，并且目前日前计划在实际执行中受到各种约束条件影响，需要在实时调度中考虑这些约束进行有功优化调度。原有调度系统很难满足大规模风电并网后的风电场有功调度问题。 
发明内容
本发明的目的正是为了解决上述现有调度系统难以处理含通道约束的风电场有功调度问题。本发明提出了通过灵敏度指标实时调整对通道约束灵敏的风电场出力，已满足通道限制的要求的有功调度系统。 
本发明的目的是通过如下技术方案实现的。 
含风电场有功调度系统，本发明包括（1）约束条件对风电场的灵敏度计算方法；（2）风电场最大发电能力的确定；（3）风电场有功调度算法；（4）数据输入输出文件设计四个特征。 
本发明在所述特征（1）中，约束条件对风电场的灵敏度计算方法为：针对含风电系统的全网建立潮流计算模型，将风电场作为PQ节点，并，并对每个关口功率对每个风电场求偏导数，即各风电场变化对各关口功率变化的影响程度，也即为各约束条件对发电机出力变化的灵敏度指标。 
本发明在所述特征（2）中，首先根据历史风速资料以及历史风电场出力数据，，对风电场进行超短期风功率预测，预测时间为5分钟，从而确定风电场最大发电能力。 
本发明在所述特征（3）中，根据关口约束条件和全网潮流模型，写出以最大限度利用可再生能源为目标的最优潮流模型，并以改进原对偶内点法为风电场有功调度算法，实现根据电网通道约束变化及时对风电场的出力进行调整的计算，达到最大限度利用可再生能源的目的。 
本发明所述特征（4）中，通过文件传输计算所需要的数据。首先从SCADA实时库中读取系统基本信息，保存在文件中，作为含风电有功调度系统的基础数据。然后，当含风电的有功调度计算完成，将计算结果保存在相应的文件中，并最后写入数据库，并最终将计算结果通过画面展示，直观方便。 
（1）约束条件对风电场的灵敏度计算 
首先列出潮流计算等式： 
Figure 337152DEST_PATH_IMAGE001
。式中Plim为与关口约束功率有关的量，PG1为风电场机组，x pq为其他与有功无功相关的变量。
关口约束条件对风电场发电机组的灵敏度定义为：
Figure 687362DEST_PATH_IMAGE002
。根据定义求解的灵敏度为准确值，但实际计算中求偏导数求解工作量比较大，可以采用关口功率变化量/各风电场发电出力单位变化的值作为灵敏度指标的近似值。此方法计算快捷，方便，能满足准确率的要求。 
（2）风电场最大发电能力的确定 
在风电场有功调度系统中，关键问题之一是要提前确定下个调度时刻风电场的最大发电能力。本专利采用超短期风功率预测来实现，预测时间为5分钟。首先选取本次调度计算时刻以及此前10个历史的风速数据和风电场出力数据作为历史数据，并应用趋势外推法以及风电场装机容量等数据估计下个时刻的风电场最大出力。通过实时计算，在各风电场风速数据及时上传至SCADA的情况下，可掌握风电场的最大有功出力，并且误差在可接受的范围。
（3）风电场有功调度算法 
风电场有功调度采用最优潮流模型，在满足关口约束情况下，最大限度地利用可再生能源为目标。为了便于讨论，不对控制变量和状态变量进行划分，而以和来区分与有功和无功关系密切的变量，则一般的最优潮流问题可以描述如下：
            
Figure 715361DEST_PATH_IMAGE003
    （1）
Figure 585359DEST_PATH_IMAGE005
      应用改进原对偶内点法求解，改进如下：根据凸对偶和部分对偶的结论，式(1)等价于：
                 
Figure 775032DEST_PATH_IMAGE006
   (2)
     
由于解点处的对偶变量取值事先无法知道，比较自然的方法就是交替求解(2)式两个子问题，直到两者求出的相同为止，最优值解出。
利用PQ解耦原理，可以在(2)子问题中把和无功有关的变量当作常量处理。因此，两个子问题可化简为： 
                                                (3)
为了使算法达到最佳的计算效率，本专利根据有功优化线性度较好的特点，为有功优化子问题设计了一套稀疏线性规划算法；根据无功电压非线性度强的特点，为无功优化子问题设计了一套稀疏增广拉格朗日函数二次逼近算法。全部程序采用稀疏矩阵和先进的稀疏矢量技术，计算效率相当高，基本达到在线应用的水平。算法的流程图如图3所示。
（4）输入输出文件设计 
为了计算方便，从SCADA取数据和计算结果回存至数据库都是经过文件进行。设计的输入输出文件有： 1）base.txt文件：包括从SCADA数据库中取得基准功率、母线个数、支路数、发电机数、约束条件数、最大迭代次数、收敛条件、循环迭代次数、设置水电和风电按比例调整比例等公共信息；2）branch.txt文件：存放全网的支路信息，包括首末节点、r、x、b、线路潮流数据Pf、Qf、 Pt、 Qt等；3）bus.txt文件：存放全网节点信息，包括节点类型、有功负荷、无功负荷、电压幅值、电压角度、基准电压、最大电压、最小电压等；4）gen.txt文件：存放发电机出力信息，包括PG、QG、发电机类型、最大发电能力、发电机出口电压、发电机基准值、发电机状态、调度是发电分配权重；对关口约束条件对本发电机的灵敏度值；5）limit.txt文件：存放关口约束条件，包括关口包含的支路，最大功率限制等；6）state.txt结果状态文件，显示计算是否成功的文件以及相关说明；7）dpresults.txt有功调度计算结果文件，显示相关计算结果。
本发明所达到的有益效果：本发明为含风电场的有功调度提供了一种方法，通过实用的灵敏度计算方法、风电场最大有功出力的确定，以及采用改进的有功调度算法，实时对风电场进行最大限度利用其发电能力的有功调度。应用本发明的对风电场的有功进行调度，具有计算快捷、使用方便、科学合理等显著优点，为调度员调度提供了参考依据。 
下面结合说明书附图和实施示例进一步阐述本发明的内容。 
附图说明
图1为本发明框架结构； 
图2为发明系统流程图；
图3 有功调度算法流程图；
图4 有功调度计算结果图。
具体实施方式
含风电场有功调度系统整体框架和实现流程图如图1和图2所示。 
含风电场有功调度系统，本发明包括（1）约束条件对风电场的灵敏度计算方法；（2）风电场最大发电能力的确定；（3）风电场有功调度算法；（4）数据输入输出文件设计四个特征。 
本发明在所述特征（1）中，约束条件对风电场的灵敏度计算方法为：针对含风电系统的全网建立潮流计算模型，将风电场作为PQ节点，并，并对每个关口功率对每个风电场求偏导数，即各风电场变化对各关口功率变化的影响程度，也即为各约束条件对发电机出力变化的灵敏度指标。 
本发明在所述特征（2）中，首先根据历史风速资料以及历史风电场出力数据，，对风电场进行超短期风功率预测，预测时间为5分钟，从而确定风电场最大发电能力。 
本发明在所述特征（3）中，根据关口约束条件和全网潮流模型，写出以最大限度利用可再生能源为目标的最优潮流模型，并以改进原对偶内点法为风电场有功调度算法，实现根据电网通道约束变化及时对风电场的出力进行调整的计算，达到最大限度利用可再生能源的目的。 
本发明所述特征（4）中，通过文件传输计算所需要的数据。首先从SCADA实时库中读取系统基本信息，保存在文件中，作为含风电有功调度系统的基础数据。然后，当含风电的有功调度计算完成，将计算结果保存在相应的文件中，并最后写入数据库，并最终将计算结果通过画面展示，直观方便。 
（1）系统首先从SCADA库中读取数据，并存入文件base.txt，branch.txt，bus.txt，gen.txt，limit.txt中。系统从文件中读入数据，形成全网潮流计算数据和约束条件数据。 
（2）建立目标函数，并以潮流、关口约束条件等形成数个等式和不等式约束条件，并应用改进原对偶算法求解，算法过程如图3所示。 
（3）在计算过程中，风电场出力调度首先满足根据按季节不同，风电、水电出力比例不同，并利用灵敏度指标，每个关口约束只调度与关口联系紧密的风电场。并且每个风电场最大的调度出力为预测的最大风电场出力。 
（4）一次计算结束，结果通过文件存入数据库，并且可以显示在客户端，如图4所示。 
（5）计算结果可作为调度员调度风电场出力的依据。 

Claims (1)

1.含风电场有功调度系统，其特征在于，包括（1）约束条件对风电场的灵敏度计算方法；（2）风电场最大发电能力的确定；（3）风电场有功调度算法；（4）数据输入输出文件设计；
在所述特征（1）中，约束条件对风电场的灵敏度计算方法为：针对含风电系统的全网建立潮流计算模型，将风电场作为PQ节点，并，并对每个关口功率对每个风电场求偏导数，即各风电场变化对各关口功率变化的影响程度，也即为各约束条件对发电机出力变化的灵敏度指标；
在所述（2）中，首先根据历史风速资料以及历史风电场出力数据，，对风电场进行超短期风功率预测，预测时间为5分钟，从而确定风电场最大发电能力；
在所述（3）中，根据关口约束条件和全网潮流模型，写出以最大限度利用可再生能源为目标的最优潮流模型，并以改进原对偶内点法为风电场有功调度算法，实现根据电网通道约束变化及时对风电场的出力进行调整的计算；
所述（4）中，通过文件传输计算所需要的数据，首先从SCADA实时库中读取系统基本信息，保存在文件中，作为含风电有功调度系统的基础数据，然后，当含风电的有功调度计算完成，将计算结果保存在相应的文件中，并最后写入数据库，并最终将计算结果通过画面展示。
CN2013100265455A 2013-01-18 2013-01-18 含风电场有功调度系统 Pending CN103187736A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100265455A CN103187736A (zh) 2013-01-18 2013-01-18 含风电场有功调度系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100265455A CN103187736A (zh) 2013-01-18 2013-01-18 含风电场有功调度系统

Publications (1)

Publication Number Publication Date
CN103187736A true CN103187736A (zh) 2013-07-03

Family

ID=48678774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100265455A Pending CN103187736A (zh) 2013-01-18 2013-01-18 含风电场有功调度系统

Country Status (1)

Country Link
CN (1) CN103187736A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104037815A (zh) * 2014-06-19 2014-09-10 清华大学 消除电网传输功率越限的光伏电站有功功率自动控制方法
CN104124715A (zh) * 2014-08-11 2014-10-29 国家电网公司 根据风机出力按优先级别分配的风电场有功自动调度方法
CN104333045A (zh) * 2014-10-28 2015-02-04 国网宁夏电力公司电力科学研究院 考虑风电与火电变负荷的实时自动发电控制机组调度方法
CN104638644A (zh) * 2015-02-12 2015-05-20 河海大学 一种含风电场电力系统动态随机最优潮流获取方法
CN105518963A (zh) * 2014-11-18 2016-04-20 深圳大学 交流电力网的发电和用电有功实时调度的对称方法
CN104333045B (zh) * 2014-10-28 2017-01-04 国网宁夏电力公司电力科学研究院 考虑风电与火电变负荷的实时自动发电控制机组调度方法
CN110912148A (zh) * 2019-11-28 2020-03-24 国网经济技术研究院有限公司 一种用于加强弱送端网架强度的无功配置方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008049556A1 (de) * 2006-10-26 2008-05-02 Gunnar Kaestle Verfahren zum betreiben eines niederspannungsnetzes

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008049556A1 (de) * 2006-10-26 2008-05-02 Gunnar Kaestle Verfahren zum betreiben eines niederspannungsnetzes

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周玮等: "计及风险备用约束的含风电场电力系统动态经济调度", 《中国电机工程学报》, vol. 32, no. 1, 5 January 2012 (2012-01-05), pages 47 - 55 *
杜波等: "基于灵敏度方法的大规模风电接入区域电压优化控制", 《电力科学与工程》, vol. 28, no. 8, 31 August 2012 (2012-08-31), pages 13 - 17 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104037815A (zh) * 2014-06-19 2014-09-10 清华大学 消除电网传输功率越限的光伏电站有功功率自动控制方法
CN104037815B (zh) * 2014-06-19 2016-07-06 清华大学 消除电网传输功率越限的光伏电站有功功率自动控制方法
CN104124715A (zh) * 2014-08-11 2014-10-29 国家电网公司 根据风机出力按优先级别分配的风电场有功自动调度方法
CN104333045A (zh) * 2014-10-28 2015-02-04 国网宁夏电力公司电力科学研究院 考虑风电与火电变负荷的实时自动发电控制机组调度方法
CN104333045B (zh) * 2014-10-28 2017-01-04 国网宁夏电力公司电力科学研究院 考虑风电与火电变负荷的实时自动发电控制机组调度方法
CN105518963A (zh) * 2014-11-18 2016-04-20 深圳大学 交流电力网的发电和用电有功实时调度的对称方法
CN105518963B (zh) * 2014-11-18 2018-02-02 深圳大学 交流电力网的发电和用电有功实时调度的对称方法
CN104638644A (zh) * 2015-02-12 2015-05-20 河海大学 一种含风电场电力系统动态随机最优潮流获取方法
CN104638644B (zh) * 2015-02-12 2017-02-01 河海大学 一种含风电场电力系统动态随机最优潮流获取方法
CN110912148A (zh) * 2019-11-28 2020-03-24 国网经济技术研究院有限公司 一种用于加强弱送端网架强度的无功配置方法及系统

Similar Documents

Publication Publication Date Title
Sossan et al. Achieving the dispatchability of distribution feeders through prosumers data driven forecasting and model predictive control of electrochemical storage
Sarkar et al. A comparative study of activation functions of NAR and NARX neural network for long-term wind speed forecasting in Malaysia
Karabacak et al. Artificial neural networks for controlling wind–PV power systems: A review
Farhat et al. Optimization methods applied for solving the short-term hydrothermal coordination problem
Hassan et al. Modified particle swarm optimisation technique for optimal design of small renewable energy system supplying a specific load at Mansoura University
CN103683274B (zh) 区域中长期风电发电量概率预测方法
JP2007056686A (ja) 風速予測に基づく風力発電機の数時間先発電電力予測装置
CN103187736A (zh) 含风电场有功调度系统
CN102419394A (zh) 一种预测分辨率可变的风光功率预测方法
CN103887813B (zh) 基于风功率预测不确定度的风电系统运行的控制方法
CN106130066A (zh) 一种用于独立微电网系统的多目标鲁棒频率控制方法
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN114156951B (zh) 一种源网荷储系统的控制优化方法和装置
Zhang et al. Economical operation strategy of an integrated energy system with wind power and power to gas technology–a DRL‐based approach
Vasilj et al. Robust nonlinear economic MPC based management of a multi energy microgrid
Baby et al. Short term wind speed forecasting and wind energy estimation: A case study of Rajasthan
Alanis et al. Neural model with particle swarm optimization Kalman learning for forecasting in smart grids
Dou et al. Double‐deck optimal schedule of micro‐grid based on demand‐side response
CN105633950A (zh) 考虑风电注入不确定性的多目标随机模糊动态最优潮流
Wu et al. Low-carbon economic dispatch optimization of a virtual power plant based on deep reinforcement learning in China's carbon market environment
Pooja Rani et al. Impact of deregulated power system market in congestion management of a transmission line a conceptual approach
Kurian et al. Real time implementation of artificial neural networks‐based controller for battery storage supported wind electric generation
Wang et al. Co‐allocation of solar field and thermal energy storage for CSP plants in wind‐integrated power system
Haddad et al. NARX-based short-term forecasting of water flow rate of a photovoltaic pumping system: A case study
Yu et al. Day-ahead wind power prediction based on BP neural network optimized by improved sparrow search algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130703