CN103326394A - 一种计及风电波动性的多场景概率优化调度方法 - Google Patents

Abstract

本发明提供一种计及风电波动性的多场景概率优化调度方法，包括：S1，根据历史数据对风功率预测误差的分析得到每个时间段的风功率预测误差分布曲线；S2，根据风功率预测误差分布曲线将各个时间段内的风功率离散成至少三个的风功率状态，建立各个时间段对应于风功率的状态概率矩阵；S3，根据状态概率矩阵得到场景k发生的概率f(k)；步骤S4，求出满足使调度周期内电力系统的发电成本最小并且满足约束条件的场景K，目标函数为：

将考虑风电预测功率的波动范围以及出现的概率的作为一种可实行方案运用到包含风力发电机组的电力系统的发电计划中，在长期运作的情况下能够尽量使整个发电成本达到最小。

Description

一种计及风电波动性的多场景概率优化调度方法

技术领域

本发明涉及电力系统领域，具体涉及一种计及风电波动性的多场景概率优化调度方法。

背景技术

目前，常规的风电出力预测结果一般都是确定性的点预测，只是给出一个确切的数值，并且风电场出力的预测精度也不高。

在含有大规模风电并网的系统中，风电出力的波动性给基于电源的可靠性以及负荷的可预测性的传统发电调度带来巨大挑战，发电计划的制定变得困难。针对上述情况，一种方法是把风电作为负负荷，为使系统安全稳定运行，往往通过增加其它电源（火电等）的备用容量来应对风电出力波动性对系统的影响。然而，备用容量的冗余部分抵消了风电并网带来的低污染和低能耗的优点，使风电价值大打折扣。另一种方法是把风电作为电源，通过研究分析预测误差的分布规律，建立计及预测误差带的优化调度模型。此方法虽然在一定程度上考虑了风电的波动性，但是预测误差模型的拟合效果较差，同时当出现预测误差时，仍然仅以预测风功率作为调度计划的参考，不能很好跟踪预测误差的变化趋势，波动性问题没有得到较好地解决。

发明内容

本发明涉及一种计及风电波动性的多场景概率优化调度方法，所述优化调度方法包括：

步骤S1，根据历史数据对风功率预测误差的分析得到每个时间段的风功率预测误差分布曲线，所述风功率预测误差分布曲线为表示风功率的相对预测误差概率曲线；

步骤S2，根据所述风功率预测误差分布曲线将各个时间段内的风功率离散成至少三个的风功率状态，所述每个时间段离散成的至少三个的风功率状态在所述时间段的风电出力波动范围内，在不同的时间段对风功率离散成不同数量的风功率状态；根据所述风功率预测误差分布曲线得到每个时间段的各个风功率状态的概率，建立各个时间段对应于风功率的状态概率矩阵；

步骤S3，根据所述状态概率矩阵得到场景k发生的概率f(k)；

所述场景为各个所述时间段里的各个风功率状态的集合；

步骤S4，求出满足使调度周期内所述电力系统的发电成本最小并且满足约束条件的场景K，目标函数为： $\min {\{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}C\left(P_{i,t}^k\right)+(1-f\left(k\right))\underset{k^{\′}=1,k^{\′}\≠k}{\overset{K}{\mathrm{\Σ}}}f\left(k^{\′}\right)\·\cos t\·\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}|P_{i,t}^{k^{\′}}-P_{i,t}^k\left|\right\}}_K;$

其中，T为一个调度周期包含的时间段数，m为常规机组数，

为常规机组i在场景k的t时段出力，

表示场景k中常规机组的发电成本，

为成本函数，1-f(k)表示场景k不发生的概率，f(k′)且k′＝1～K，k′≠k表示除场景k之外的任意一个场景k′发生的概率，cost表示单位出力调整成本，为一个具体数值，

为常规机组i在场景k′的t时段出力，

表示所有时段所有常规机组由的场景k′到场景k的出力调整值的和，表示由的场景k′到场景k所有时段所有常规机组的出力调整的成本。

本发明提供的第一优选实施例中：所述步骤S1得到的所述风功率预测误差分布曲线中，所述风功率预测误差趋向均值为0的正态分布，预测时间尺度越大所述风功率波动范围越大；

所述步骤S2中根据所述风功率波动范围的大小以及按照需求设定的计算精度和计算量要求确定各个时间段的离散的风功率状态的数量。

本发明提供的第二优选实施例中：所述步骤S3中根据所述状态矩阵得到场景k发生的概率f(k)的方法包括：

步骤S301，根据所述状态概率矩阵得到各个时间段每一个风功率状态的概率；

步骤S302，根据所述各个时间段各个风功率状态的概率得到所述场景k发生的概率w_k为场景k下各个时间段风功率的状态，

为场景k下各个时间段风功率在各自的状态下的概率。

本发明提供的第三优选实施例中：所述步骤S4中所述目标函数的约束条件包括功率平衡约束、最大最小出力约束、机组爬坡速率约束、潮流安全约束。

本发明提供的第四优选实施例中：所述功率平衡约束为

其中：n为系统风电场总数；

为第k场景下第j个风电场在时段t输出的有功功率；P_load,t为时段t的负荷值；

所述最大最小出力约束为

其中：分别为第i台常规机组在时段t输出有功功率的上下限，i＝1,2，…，m；

发电机爬坡速率约束为：

其中：

分别为第i台常规机组有功出力滑坡速率和爬坡速率；

潮流安全约束为：

其中：p_α,β(t)，

分别为支路α-β的潮流功率及上限。

本发明提供的一种计及风电波动性的多场景概率优化调度方法的有益效果包括：

1、本发明提供的一种计及风电波动性的多场景概率优化调度方法，根据对风功率预测误差的分析得到风功率预测误差分布曲线，并将连续的风功率预测误差分布曲线离散成各个风功率状态，统计各个状态的概率，将考虑风电预测功率的波动范围以及出现的概率的作为一种可实行方案运用到包含风力发电机组的电力系统的发电计划中，在大规模风电场群，特别是长期运作的情况下能够尽量减小整个发电成本。

2、考虑场景规模随着考虑的时间段数成指数增长，根据风功率预测误差在不同的预测时间尺度的概率分布特性（预测时间尺度越大，风功率预测误差值逐渐分散，风功率波动范围越大），在不同的预测时间尺度对风功率离散不同的区间数，在风功率的波动上限和波动下限的范围内，波动范围越大离散的风功率状态越多，既保证了一定的精度，又减少了场景数。

同时，在整个调度周期过程中，考虑需求的计算精度和计算量要求，来确定各个时间段的离散的区间数即风功率状态数。

附图说明

如图1所示为本发明提供的一种计及风电波动性的多场景概率优化调度方法的流程图；

如图2所示为本发明提供的不同预测时间尺度的风功率预测误差分布曲线图；

如图3所示为本发明提供的一种将风功率预测误差分布曲线图离散化的实施例的示意图；

如图4所示为本发明提供的一种不同时间段离散成不同数量的风功率状态的实施例的示意图。

具体实施方式

下面根据附图对本发明的具体实施方式作进一步详细说明。

本发明提供一种计及风电波动性的多场景概率优化调度方法，其方法流程图如图1所示，由图1可知，该方法包括：步骤S1，根据历史数据对风功率预测误差的分析得到每个时间段的风功率预测误差分布曲线，该风功率预测误差分布曲线为表示风电出功率的相对预测误差概率曲线。

步骤S2，根据风功率预测误差分布曲线将各个时间段内的风功率离散成至少三个的风功率状态，每个时间段离散成的至少三个的风功率状态在该时间段的风电出力波动范围内。在不同的时间段对风功率离散成不同数量的风功率状态。根据风功率预测误差分布曲线得到每个时间段的各个风功率状态的概率，建立各个时间段对应于风功率的状态概率矩阵。

步骤S3，根据状态概率矩阵得到场景k发生的概率f(k)。场景表示各个时间段里的各个风功率状态的集合。

步骤S4，求出满足使调度周期内电力系统的发电成本最小并且满足约束条件的场景K，目标函数为： $\min {\{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}C\left(P_{i,t}^k\right)+(1-f\left(k\right))\underset{k^{\′}=1,k^{\′}\≠k}{\overset{K}{\mathrm{\Σ}}}f\left(k^{\′}\right)\·\cos t\·\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}|P_{i,t}^{k^{\′}}-P_{i,t}^k\left|\right\}}_K.$

其中，T为一个调度周期包含的时间段数，m为常规机组数。

为常规机组i在场景k的t时段出力，

为成本函数，

表示场景k中常规机组的发电成本的总和。1-f(k)表示场景k不发生的概率，f(k′)且k′＝1～K，k′≠k表示除场景k之外的任意一个场景k′发生的概率，cost表示单位出力调整成本，为一个具体数值，

为常规机组i在场景k′的t时段出力，

表示所有时段所有常规机组由的场景k′到场景k的出力调整值的和，

表示由的场景k′到场景k所有时段所有常规机组的出力调整的成本。

如图2所示为本发明提供的不同预测时间尺度的风功率预测误差分布曲线图，图中横坐标x表风功率的预测值与实际值的相对误差，竖坐标f(x)表示风功率的预测值与实际值的相对误差为x时的概率。对于大规模风电场群而言，地域分布广阔，根据中心极限定理，风功率预测误差将趋向均值为0的正态分布，如图2所示。

由图2可知，在较小的预测时间尺度内（5min～10min），风功率预测误差值较集中，风功率波动范围较小，随着预测时间尺度的增大（1h～3h），风功率预测误差值逐渐分散，风功率波动范围也越来越大。

步骤S2中根据风功率预测误差分布曲线图将各个时间段内的风功率离散成多个风功率状态，并统计计算各个状态的概率，将连续的风功率预测误差分布曲线离散化，提供一种风功率预测功率分布的量化计算方法，并运用到场景发生概率计算中。

如图3所示为本发明提供的一种将风功率预测误差分布曲线图离散化的实施例的示意图，给出的是风功率预测误差分布曲线为正态分布曲线并离散成7个区间的情况，每个区间的宽度为预测误差的标准差，该区间的风功率状态对应的预测相对误差为相应的分段中间点的值，每个区间对应的风功率状态的概率可以通过积分计算该分段的x轴与该风功率预测误差分布曲线围起来的面积得到。

如果将每时段风功率预测误差离散成y段，那么对于一个包含T个时间段的优化调度周期，系统将有y^T个场景，场景规模随着考虑的时间段数成指数增长。本发明提供的一种计及风电波动性的多场景概率优化调度方法，优选的，根据风功率预测误差在不同的预测时间尺度的概率分布特性（预测时间尺度越大，风功率预测误差值逐渐分散，风功率波动范围越大），在不同的预测时间尺度对风功率离散不同的段数，如图4所示为本发明提供的一种不同时间段离散成不同数量的风功率状态的实施例的示意图，在风功率的波动上限和波动下限的范围内，波动范围越大离散的风功率状态越多，既保证了一定的精度，又减少了场景数。

同时，在整个调度周期过程中，考虑需求的计算精度和计算量要求，来确定各个时间段的离散的区间数即风功率状态数。

优选的，步骤S3中根据步骤S2中得到的状态矩阵得到场景k发生的概率f(k)的方法包括：

步骤S301，根据该状态概率矩阵得到各个时间段每一个风功率状态的概率；

步骤S302，根据各个时间段各个风功率状态的概率得到场景k发生的概率

w_k为场景k下各个时间段风功率的状态，

为场景k下各个时间段风功率在各自的状态下的概率。

步骤S4中目标函数的约束条件包括功率平衡约束、最大最小出力约束、机组爬坡速率约束、潮流安全约束。

功率平衡约束为 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_{i,t}^k+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{P}_{j,t}^k=P_{\mathrm{load},t}.$

其中：n为系统风电场总数；

为第k个场景下第j个风电场在时段t输出的有功功率；P_load,t为时段t的负荷值。

最大最小出力约束为

其中：

分别为第i台常规机组在时段t输出有功功率的上下限，i＝1,2，…，m。

发电机爬坡速率约束为：

其中：

分别为第i台常规机组有功出力滑坡速率和爬坡速率（MW/15min）。

潮流安全约束为：

其中：p_α,β(t)，分别为支路α-β的潮流功率及上限。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种计及风电波动性的多场景概率优化调度方法，其特征在于，所述优化调度方法包括：

步骤S1，根据历史数据对风功率预测误差的分析得到每个时间段的风功率预测误差分布曲线，所述风功率预测误差分布曲线为表示风功率的相对预测误差概率曲线；

步骤S2，根据所述风功率预测误差分布曲线将各个时间段内的风功率离散成至少三个的风功率状态，所述每个时间段离散成的至少三个的风功率状态在所述时间段的风电出力波动范围内，在不同的时间段对风功率离散成不同数量的风功率状态；根据所述风功率预测误差分布曲线得到每个时间段的各个风功率状态的概率，建立各个时间段对应于风功率的状态概率矩阵；

步骤S3，根据所述状态概率矩阵得到场景k发生的概率f(k)；

所述场景为各个所述时间段里的各个风功率状态的集合；

步骤S4，求出满足使调度周期内所述电力系统的发电成本最小并且满足约束条件的场景K，目标函数为： $\min {\{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}C\left(P_{i,t}^k\right)+(1-f\left(k\right))\underset{k^{\′}=1,k^{\′}\≠k}{\overset{K}{\mathrm{\Σ}}}f\left(k^{\′}\right)\·\cos t\·\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}|P_{i,t}^{k^{\′}}-P_{i,t}^k\left|\right\}}_K;$

其中，T为一个调度周期包含的时间段数，m为常规机组数，

为常规机组i在场景k的t时段出力，表示场景k中常规机组的发电成本，

为成本函数，1-f(k)表示场景k不发生的概率，f(k′)且k′＝1～K，k′≠k表示除场景k之外的任意一个场景k′发生的概率，cost表示单位出力调整成本，为一个具体数值，

为常规机组i在场景k′的t时段出力，

表示所有时段所有常规机组由的场景k′到场景k的出力调整值的和，表示由的场景k′到场景k所有时段所有常规机组的出力调整的成本。

2.如权利要求1所述的优化调度方法，其特征在于，所述步骤S1得到的所述风功率预测误差分布曲线中，所述风功率预测误差趋向均值为0的正态分布，预测时间尺度越大所述风功率波动范围越大；

所述步骤S2中根据所述风功率波动范围的大小以及按照需求设定的计算精度和计算量要求确定各个时间段的离散的风功率状态的数量。

3.如权利要求1所述的优化调度方法，其特征在于，所述步骤S3中根据所述状态矩阵得到场景k发生的概率f(k)的方法包括：

步骤S301，根据所述状态概率矩阵得到各个时间段每一个风功率状态的概率；

步骤S302，根据所述各个时间段各个风功率状态的概率得到所述场景k发生的概率

w_k为场景k下各个时间段风功率的状态，

为场景k下各个时间段风功率在各自的状态下的概率。

4.如权利要求1所述的优化调度方法，其特征在于，所述步骤S4中所述目标函数的约束条件包括功率平衡约束、最大最小出力约束、机组爬坡速率约束、潮流安全约束。

5.如权利要求4所述的优化调度方法，其特征在于，

所述功率平衡约束为 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_{i,t}^k+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{P}_{j,t}^k=P_{\mathrm{load},t};$

其中：n为系统风电场总数；

为第k场景下第j个风电场在时段t输出的有功功率；P_load,t为时段t的负荷值；

所述最大最小出力约束为

其中：

分别为第i台常规机组在时段t输出有功功率的上下限，i＝1,2，…，m；

所述发电机爬坡速率约束为：

其中：

分别为第i台常规机组有功出力滑坡速率和爬坡速率；

所述潮流安全约束为：

其中：p_α,β(t)，

分别为支路α-β的潮流功率及上限。

Images