CN103455729B - 一种确定光储并网联合发电调度值的方法 - Google Patents

Abstract

本发明公开了一种光储并网联合发电调度值的计算方法，其步骤有一、根据光伏出力预测误差值的历史数据得到光伏出力预测误差分布特性；二、通过光伏预测子系统预测得到光伏出力预测值；三、根据光伏出力预测误差分布特性和光伏出力预测值利用LHS（拉丁超立方抽样技术）得出若干个光伏出力场景；四、利用SR技术（场景削减技术）将光伏出力场景消减后得到不同概率条件下的有限个光伏出力场景；五、以有限个光伏出力场景作为基础计算数据，通过光储联合发电经济调度计算模型计算得到光储并网联合发电调度值。本发明具有为解决多场景不确定性问题提供了有效的解决途径，能有效降低发电成本的有益效果。

Description

一种确定光储并网联合发电调度值的方法

技术领域

本发明涉及一种光伏电站电力调度值的计算方法，特别是涉及一种基于LHS-SR的光储并网节能经济优化调度的调度值计算方法。

背景技术

随着传统能源短缺、环境污染的加重和我国光资源丰富，加之光伏发电具有可持续、无污染等特点，国务院为此发布了《太阳能发电科技发展“十二五”专项规划》，将使得光伏上网容量越来越大，但光伏发电国内主要采用大规模、集中式并网形式，光伏短期出力预测精度低、出力不确定性(云遮挡)使得电网光伏发电调度提成了急需解决的难题，常规以单一的经济性作为目标的电网调度策略，影响了光伏发电企业的利益，阻碍了光伏发电的发展。

随着储能技术的应用成熟以及成本的降低，光储联合发电成为解决上述问题有效途径，例如国内已经实施的张北风光储重点示范工程。当光伏实际出力值大于计划出力值时，储能装置可将多余的功率储存，当实际出力值低于计划出力值，可释放功率，避免因为达不到出力计划值而受到电力部门惩罚，提高光电效益。目前主要的储能技术有飞轮储能、抽水蓄能、压缩空气储能、蓄电池等。

针对光储联合发电调度的调度值计算与确定，现有技术中重要存在以下方法：

(1)Bathurst GN等在文献“Value of combining energy storage and wind inshort term energy.Electric Power SystRes(EPSR)2003；67：1—8”中提出了风电场“负效应”运行的概念，建立了大规模风电并网洁净优化调度模型，但未考虑出力预测误差，缺乏实用性。

(2)Badrul H.Chowdhury等在文献“Double-fed induction generator controlfor variablespeed wind power generation[J].Electric Power Systems Research，2006，76(12)：786-800.”中提出了以发电成本最小为目标提出了光伏发电并网静态调度模型，但也未考虑出力预测误差。

(3)Slootweg等在文献“Modelling wind turbines for power system dynamicssimulations[J].Wind Engineering,2004，28(1)：7-26.”中考虑电网了最大接纳光伏发电容量，提出了弃光惩罚成本，并建立了静态调度模型。

(4)Holdsworth L,等在文献“Power system fault ride through capabilitiesof induction generator based wind turbines[J].Wind Engineering 2004,28(4)：399–409.”中考虑了光伏预测误差，提出了基于光伏预测误差的动态调度模型，但由于未对预测误差分布特性分析，将对调度结果产生较大影响。

以上现有技术公开的文献在安排调度时，均未考虑光伏出力预测误差特性从而忽略了光伏出力带来的不确定性，将波及电网的安全，使得电力部门加大系统备用容量，从而导致发电成本的增加；其次以经济最优作为单一目标进行优化调度，但未考虑电网最大接入光电的能力以及光伏发电出力正负效应等问题。

发明内容

针对现有技术存在的上述不足，本发明解决的技术问题是：提供一种能有效降低发电成本的光储并网联合发电调度值的计算方法。

为了解决上述技术问题，本发明采用如下技术方案：

一种确定光储并网联合发电调度值的方法，其特征在于，包括以下步骤：

(1)根据光伏出力预测误差值的历史数据得到光伏出力预测误差分布特性；

(2)提前24小时对光储联合发电时间内的光伏出力进行预测得到光伏出力预测值；

(3)根据步骤(1)得到的光伏出力预测误差分布特性，对步骤(2)得到的光伏出力预测值进行LHS拉丁超立方抽样得到若干个光伏出力场景；

(4)对步骤(3)得到的若干个光伏出力场景进行SR场景消减后得到在不同概率条件下的有限个光伏出力场景；

(5)以步骤(4)中得到的有限个光伏出力场景作为基础计算数据，通过光储联合发电经济调度计算模型计算得到光储并网联合发电调度值。

进一步地，所述光储联合发电时间为10个小时，所述对光储联合发电时间内的光伏出力进行实时预测的预测间隔时间为10分钟。

相比现有技术，本发明具有如下有益效果：

本发明根据光伏出力预测误差分布特性和光伏出力预测值得出若干个光伏出力场景，并利用LHS-RS技术将光伏出力不确定性问题转化为有限个光伏出力场景，为解决多场景不确定性问题提供了有效的解决途径，使得电力部门不必加大系统备用容量，具有效降低发电成本的的有益效果。

附图说明

图1为本发明调度值的计算方法总体示意图；

图2为本发明光伏出力预测图；

图3为本发明光储联合调度出力图。

具体实施方式

下面结合附图和具体实施方式对本实用新型作进一步详细说明。

针对光储联合发电调度问题，分别建立考虑鼓励光伏发电的光储联合出力正偏差收益模型和负偏差惩罚收益模型，同时建立考虑电网的光伏最大消纳能力的溢出负收益模型，然后以上述光储联合出力正偏差收益模型、光储联合出力负偏差惩罚收益模型和溢出负收益模型为基础，建立光储并网节能经济调度模型，其中由于收益模型考虑了光伏出力的不确定性，因此本发明利用概率密度估计分析了光伏出力预测误差的分布特性，并且基于LHS(拉丁超立方抽样)-SR(场景削减)技术将光伏不确定出力转换为不同概率条件下有限个光伏出力场景,为光伏调度模型提供基础计算数据。

参见图1，一种光储并网联合发电调度值的计算方法包括以下步骤：

(1)根据光伏出力预测误差值的历史数据得到光伏出力预测误差分布特性。

具体的，由于影响光伏出力因素多而复杂，导致了光伏具有一定的误差性，研究预测误差分布性，才能将光伏出力的不确定性转化为有限个场景出力，为下一步安排调度，提供基础数据。

预测误差定义为：

其中P_real.t为光伏t时刻的实际出力，P_fore.t为光伏t时刻的预测出力，P_P.max为光伏电站的装机容量。

采用光伏出力预测误差概率密度函数error_X(x,t)来表征预测误差error(t)分布特性，利用概率密度函数估计演化从而求解，求解过程如下:光伏预测误差样本X₁(t),X₂(t)..X_c(t)...X_y(t)，则可以通过密度演化方法获取概率密度函数P_X(x,t)估计。因为误差样本是独立的，可对其作为代表性时程，概率为：

显然对于c(1≤c≤y)个代表性时程，求解的密度演化方程为：

对应的初始条件为：

P_X:c(x,t)＝δ(x-x_0:c)P_c (4)

x_0:c为第c个样本的初始值：

x_0:c＝X_c(t₀) (5)

求解3-4式得到P_X:c(x,t)后，则可求出X(t)概率密度函数估计：

(2)提前24小时对光储联合发电时间内的光伏出力进行预测得到光伏出力预测值。具体的，所述光储联合发电时间可设定为8：00至17：59，共10个小时，所述对光储联合发电时间内的光伏出力进行实时预测的预测间隔时间可设定为10分钟。

(3)根据步骤(1)得到的光伏出力预测误差分布特性，对步骤(2)得到的光伏出力预测值进行LHS拉丁超立方抽样得到若干个光伏出力场景；

通过公式(1)可知，每一个预测误差，对应一个光伏出力场景，在其概率为p_i的场景下的出力为：

P_P.i.t＝P_fore.t+(e_i×P_fore.t×P_P.max) (7)

其中i＝1,..,N，P_P.i.t为t时刻下第i个场景下光伏出力，e_i为第i场景下对应的光伏出力预测误差，N为所有预测误差场景的总和。

通过步骤(1)得出了光伏出力预测误差分布特性，由步骤(2)得出的光伏出力预测值，本发明采用拉丁超立方抽样对光伏出力场景进行有效抽样，光伏出力拉丁超立方抽样步骤如下：

1)将得出的光伏出力场景概率分布分为m等概率区间。

2)任何一个等概率区间：m[(e-1)/m,e/m]1≤e≤m随机抽取一个数p_m，p_m为：

式(8)中r为[0,1]等概率分布的随机变量。

利用对光伏预测出力分布函数的逆变换，得到概率区间为[(e-1)/m,e/m]的光伏出力样本，即为：P_P.i.t＝F^-1(p_m) (9)

(4)对步骤(3)中得到的若干个光伏出力场景进行光伏出力SR场景消减后得到在不同概率条件下的有限个光伏出力场景。

由于通过拉丁超立方抽样，与此对应某一时刻t的光伏出力场景多，形成众多的场景树，若不对场景进行处理，将给造计算机成巨大的计算量，为此本发明利用场景削减技术对场景进行削减，用削减后的场景代替多场景，从而形成有限个光伏出力集合，便于计算机处理。假设通过拉丁方抽样的出力场景为m个。减少其场景为n。某一时刻t场景削减具体步骤如下：

a.假设l＝m，l为需要削减的场景数。计算任意时刻其中两个j、k场景下的P_P.j.t、P_P.k.tKantorovich距离，其中j≤l、k≤l。本发明采用的Kantorovich距离为：

d_k(P_P.j.t,P_P.k.t)＝|P_P.j.t-P_P.k.t| (10)

b.对于每一个场景j来说，寻找与出力场景P_P.j.t场景距离最短的出力场景P_P.k.t，即min{d_k(P_p.j.t,P_P.k.t),j≠k}

设μ_minj＝min{d_k(P_p.j.t,P_P.k.t),j≠k} (11)

c.计算P_KDi.t＝μ_minj.t×p_j.t，其中p_j.t为P_P.j.t的概率。

d.每一个光伏出力场景，重复步骤c，在得出的所有的中，寻找最小的P_KD.i.t。标记为P_KDS.t。然后，新场景概率为p_k.t＝p_j.t+p_k.t，将出力场景P_sj集中削减。

e.在一个场景被削减后，重新换入a步骤，当出力场景个数减少为n。即可得出t时刻的n削减出力场景。

(5)以步骤(4)中得到的有限个光伏出力场景作为基础计算数据，通过光储联合发电经济调度计算模型计算得到光储并网联合发电调度值。

本发明的光储联合发电经济调度计算模型是以目标函数来表征的，基于GAMS(General Alegebraic Model System)软件，利用DICOPT算法，以步骤(4)得到的有限个光伏出力场景作为基础计算数据，并以联合期望发电收益最大作为优化目标，求解所述的光储联合发电经济调度计算模型，求解过程中还添加设置了约束条件，并输入了联合发电系统参数。

具体的，目标函数建立过程如下：由于光伏出力不确定性，导致出力的多场景，为此不能用单一确定的目标函数来优化光储混合发电效益，本发明采用含随机变量的期望目标函数来描述此问题更加合理和实用。结合国家的相关对新能源发电的鼓励发电政策，本发明考虑了售电收益、光储联合出力正偏差收益、负偏差惩罚收益，并考虑了电网对光伏发电最大消纳能力的“溢出负收益”。建立的目标函数如式(12)所示。

MaxE(i,P_PB.t)＝R₁+R₂-R₃-R₄ (12)

R₄＝P_dro.ΔP_i.dro.t (16)

本发明选取光储联合发电时间为8:00-17:59.共计10个小时。其中，MP_t、P_PB.t为t时刻的售电价格、光储联合计划出力；为正偏差售电价格，此表征光储伏出力正偏差效益。负偏差惩罚价格，此表征光储出力负偏差惩罚效益。b_i.t为光伏出力正负偏差状态，当b_i.t＝1为负偏差状态。P_dro为光储溢出价格，表征光储溢出效益。P_i.jo.t为t时刻场景i光储联合发电出力。ΔP_i.dro.t为t时刻场景i光储出力溢出量。

约束条件建立方式如下：光储联合发电调度，首先需考虑光、储之间的功率平衡约束，同时需要考虑光电最大消纳的光电出力限制约束、储能装置的充放电电量约束、相互时刻之间的电量约束、一个周期内的储能装置充放电储能平衡约束。还需要考虑光储因为自身容量导致的联合发电申报容量约束。

光储联合发电间的出力平衡约束：P_i.jo.t＝P_P.i.t+P_dis.t-P_ch.t (17)

考虑电网最大消纳的限制约束：

ΔP_i.dro＝P_PB.t-P_con.t (18)

1)申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_dis.max (19)

2)储能装置时刻间的电量约束：

E_t＝E_t-1+P_ch.tη_ch-P_dis.t/η_dis (20)

5)储能装置的电量约束：

E_min≤E_t≤E_max (21)

6)储能充放电的功率限制约束：

0≤P_dis.t≤P_dis.max (22)

0≤P_ch.t≤P_ch.max (23)

7)周期内的电量平衡约束：

E₀＝E_T (24)

其中P_dis.max、P_ch.max为储能装置最大充、放电功率。

实例1：

采用新疆地区某光伏电站为例，该光伏电站的光伏发电容量为50MW,光伏电站采用基于反馈神经网络预测系统，预测间隔时间为10min。光伏电站投运时间为4年，当地具有丰富的气象数据。

(一)预测误差分布特性分析

通过对新疆某光伏电站3年的实际数据和预测数据的采集，预测间隔时间为10min,总共3×365×10×6样本，然后基于matlab编写的概率密度估计方法程序，对其预测误差进行求解，求出的概率分布后发现各段预测误差分布左右近似对称，且外包络线呈正太分布特性，从而得出：预测误差具有成正太分布特性。经过计算得出，本发明所采用新疆某光伏电站的预测误差为error(t)～(0,0.14)。

(二)光伏场景出力的抽样与削减

利用(一)中得出光伏出力预测误差的分布，即可利用LHS技术对预测误差场景进行抽样，光伏预测误差场景抽样数为2000个，然后结合光伏预测系统的光伏预测值，根据式8即可得到光伏出力场景，重复上面的操作，即可得到10h小时的光伏出力场景。

为了使计算效率提高，基于matlab编写光伏出力场景削减程序，场景削减即不能无限度的削减，导致削减后的拟合度，又不能一味的追求出力误差分布拟合度，而使得计算效率不高。拟合度为削减前后预测误差分布曲线与横坐标面积之比。为此本发明首先选择削减数为：15、25、35、45、55、65。拟合度如表1所示。

通过表1可知在削减数场景数位65时，拟合度最高，但影响计算效率，而削减场景数15具有0.68的拟合度，若采用削减场景数为15，将大大提高计算效率，为此本发明选择15作为削减场景数，本发明选择新疆某光伏电站2013年7月25日14：00的预测值35.3MW，通过LHS产生2000个出力场景数，然后利用SR技术对出力场景削减。产生的15个场景出力如表2所示。

表1不同出力削减场景数的拟合精度

表2 2013年7月25日14点场景出力

(三)基于GAMS光储混合经济节能调度的实现(光储并网联合发电调度值的最终计算与确定)

本发明采用GAMS进行建模与编程，选择的算法为DICOPT算法，每次在cpu为I5、4B内存计算机中调度运行时间的整个运行时间为30。其中MP_t在12:00-15:59为0.8元/kW.h,在9:00-11:59和16：00-17:59电价为0.55元/kW.h。正偏差售电价为MP_t的0.2倍。P_dro价格为0.05元/kW.h，光储相关参数如表3所示。

表3光储系统相关参数

通过输入如表3所示的光储系统相关参数，以及光伏预测数据的采集(选择新疆某光伏电站2013年7月26日做为调度时间，光伏出力预测值曲线如图2所示，光储联合发电时间为8：00至17：59，共10个小时，预测间隔时间为10分钟，因此共60个调度点)，即可进入调度程序，得出的光储混合出力调度值如图3所示。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种确定光储并网联合发电调度值的方法，其特征在于，包括以下步骤：

(1)根据光伏出力预测误差值的历史数据得到光伏出力预测误差分布特性；

预测误差定义为：

其中P_real.t为光伏t时刻的实际出力，P_fore.t为光伏t时刻的预测出力，P_P.max为光伏电站的装机容量；

采用光伏出力预测误差概率密度函数error_X(x,t)来表征预测误差error(t)分布特性，利用概率密度函数估计演化从而求解，求解过程如下:光伏预测误差样本X₁(t),X₂(t)..X_c(t)...X_y(t)，则可以通过密度演化方法获取概率密度函数P_X(x,t)估计；因为误差样本是独立的，可对其作为代表性时程，概率为：

$p_c(x,t)=\frac{1}{y}---\left(2\right)$

显然对于c个代表性时程，1≤c≤y，求解的密度演化方程为：

$\frac{\∂p_{X:c}(x,t)}{\∂t}+X_q\left(t\right)\frac{\∂p_c(x,t)}{\∂x}=0---\left(3\right)$

对应的初始条件为：

P_X:c(x,t)＝δ(x-x_0:c)P_c (4)

x_0:c为第c个样本的初始值：

x_0:c＝X_c(t₀) (5)

求解3-4式得到P_X:c(x,t)后，则可求出X(t)概率密度函数估计：

${\mathrm{error}}_X(x,t)=\underset{c=1}{\overset{y}{\Σ}}{p}_{X:c}(x,t)---\left(6\right)$

(2)提前24小时对光储联合发电时间内的光伏出力进行预测得到光伏出力预测值；

(3)根据步骤(1)得到的光伏出力预测误差分布特性，对步骤(2)得到的光伏出力预测值进行LHS拉丁超立方抽样得到若干个光伏出力场景；

(4)对步骤(3)得到的若干个光伏出力场景进行SR场景消减后得到在不同概率条件下的有限个光伏出力场景；

假设通过拉丁方抽样的出力场景为m个，减少其场景为n，某一时刻t场景削减具体步骤如下：

a.假设l＝m，l为需要削减的场景数；计算任意时刻其中两个j、k场景下的P_P.j.t、P_P.k.tKantorovich距离，其中j≤l、k≤l；采用的Kantorovich距离为：

d_k(P_P.j.t,P_P.k.t)＝|P_P.j.t-P_P.k.t|

b.对于每一个场景j来说，寻找与出力场景P_P._j.t场景距离最短的出力场景P_P.k.t，即min{d_k(P_p.j._t,P_P.k.t),j≠k}

设μ_minj＝min{d_k(P_p.j.t,P_P.k.t),j≠k}

c.计算其中p_j.t为P_P.j.t的概率；

d.每一个光伏出力场景，重复步骤c，在得出的所有的中，寻找最小的P_KD.i.t；标记为P_KDS.t；然后，新场景概率为p_k.t＝p_j._t+p_k.t，将出力场景P_sj集中削减；

e.在一个场景被削减后，重新换入a步骤，当出力场景个数减少为n，即可得出t时刻的n削减出力场景；

(5)以步骤(4)中得到的有限个光伏出力场景作为基础计算数据，通过光储联合发电经济调度计算模型计算得到光储并网联合发电调度值，计算过程中添加设置了约束条件，并输入了联合发电系统参数；

本方法分别建立考虑鼓励光伏发电的光储联合出力正偏差收益模型和负偏差惩罚收益模型，同时建立考虑电网的光伏最大消纳能力的溢出负收益模型，然后以上述光储联合出力正偏差收益模型、光储联合出力负偏差惩罚收益模型和溢出负收益模型为基础，建立所述光储联合发电经济调度计算模型，收益模型考虑了光伏出力的不确定性；其中光储联合发电经济调度计算模型是以目标函数来表征的，以联合期望发电收益最大作为优化目标；

光储联合发电经济调度计算模型建立的目标函数如下所示；

MaxE(i,P_PB.t)＝R₁+R₂-R₃-R₄；其中R₁、R₂、R₃、R₄分别按下式计算，

$R_1=\underset{1}{\overset{12}{\Σ}}{\mathrm{MP}}_t{P}_{PB.t}$

$R_2=\underset{1}{\overset{12}{\Σ}}\[{\mathrm{MP}}_t^{up}\underset{i}{\Σ}(1-b_{i.t})(P_{i.jo.t}-P_{PB.t})p_{i.t}\]$

$R_3=\underset{1}{\overset{12}{\Σ}}\[{\mathrm{MP}}_i^{down}.\underset{i}{\Σ}{b}_{i.t}(P_{PB.t}-P_{i.jo.t})p_{i.t}\]$

R₄＝P_dro.ΔP_i.dro.t

其中，MP_t、P_PB.t为t时刻的售电价格、光储联合计划出力；为正偏差售电价格，此表征光储伏出力正偏差效益；负偏差惩罚价格，此表征光储出力负偏差惩罚效益；b_i.t为光伏出力正负偏差状态，当b_i.t＝1为负偏差状态；P_dro为光储溢出价格，表征光储溢出效益；P_i.jo.t为t时刻场景i光储联合发电出力；ΔP_i.dro.t为t时刻场景i光储出力溢出量。

2.根据权利要求1所述的一种确定光储并网联合发电调度值的方法，其特征在于，所述光储联合发电时间为10个小时。

3.根据权利要求1或2所述的一种确定光储并网联合发电调度值的方法，其特征在于，所述对光储联合发电时间内的光伏出力进行实时预测的预测间隔时间为10分钟。