CN103824134A - 一种用于虚拟电厂的两阶段优化调度方法 - Google Patents

Abstract

本发明公开了一种用于虚拟电厂的两阶段优化调度方法，包括以下步骤：采集虚拟电厂内部电源的发电和用电信息，同时采集虚拟电厂外部来自电力公司或电力市场的激励信息；构造经济调度模型；将所获取的信息代经济调度模型，进行优化求解；构造安全调度模型；将网络约束信息以及求解的调度方案代入安全调度模型中，采用粒子群优化算法进行求解，得到最终的调度方案；本发明能够实现大规模分布式电源、储能装置以及可控负荷等的有效管理，将一个大规模复杂的电源调度规划问题分解为两个调度子问题：经济调度问题和安全调度问题，在保证调度方案经济性以及可靠性的同时，降低了计算的复杂性，减小了计算时间。

Description

一种用于虚拟电厂的两阶段优化调度方法

技术领域

本发明涉及分布式能源优化调度方法，具体涉及一种虚拟电厂的优化调度方法。

背景技术

随着化石燃料的紧缺以及环境污染问题的日益加剧，分布式电源飞速发展。为了实现大规模分布式电源的有效管理，虚拟电厂（virtual power plant,VPP）的概念越来越受到人们的关注。从微观角度来说，虚拟电厂可认为是通过先进信息通信技术和软件系统，实现分布式电源、储能装置、可控负荷、电动汽车等分布式能源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。从宏观角度来说，虚拟电厂在电力系统和市场中充当类似于传统电厂的角色。

传统的调度方案通常包括三种情况：单独考虑经济性；单独考虑安全性；综合考虑经济性和安全性。采用第一种调度方法可以获得很好的收益，但往往会对线路的承载能力造成很大的威胁，不利于电网的安全运行；采用第二种调度方法可以很好的保证配电网的安全稳定运行，但经济性较差；采用第三种调度方法可以兼顾考虑调度方案的经济性以及对电网安全稳定运行的影响，但其计算规模大、复杂度高，因而计算时间较长而且容易陷入局部最优解的问题。特别地，在多个配电网中的分布式能源统一协调调度时，经济性和安全性更应该分开考虑。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提供一种同时兼顾调度的经济问题和安全问题的用于虚拟电厂的两阶段优化调度方法。

技术方案：本发明提供了一种用于虚拟电厂的两阶段优化调度方法，如图1所示，包括以下步骤：

1）采集虚拟电厂内部电源的发电和用电信息，同时采集虚拟电厂外部来自电力公司或电力市场的激励信息；

2）构造经济调度模型；

3）将步骤1）中所获取的信息代入至步骤2）中所建立的经济调度模型，进行优化求解；

4）构造安全调度模型；

5）将网络约束信息以及步骤3）中所求解的调度方案代入步骤4）所建立的安全调度模型中，采用粒子群优化算法进行求解，得到最终的调度方案。

优选的，步骤1）所述内部电源的发电信息包括可控电源的最大和最小出力、爬坡速度、不可控电源的预测发电量以及以上信息的历史数据。

优选的，步骤1）所述内部电源的用电信息包括负荷预测数据、可控负荷的功率及时段信息以及以上信息的历史数据。

进一步，步骤2）所述构造经济调度模型的具体步骤为：

①、构建优化目标：建立以利润最大化为目标的函数；

②、构建约束条件，包括：电源出力的上下限约束、电源出力的爬坡约束、可控电源的最大和最小启停时间约束、可控负荷功率约束和能量平衡约束。

进一步，步骤4）所述构造安全调度模型的具体步骤为：

Ⅰ、构建优化目标：建立以再调度操作成本最小为目标的函数；

Ⅱ、构建约束条件，包括：线路的功率约束、线路的电流约束、节点电压约束、系统运行约束、与大电网连接点的容量约束。

进一步，步骤（5）所述粒子群优化算法，如图2所示，包括以下步骤：

（1）读取节点、支路数据信息；

（2）设定参数：设定粒子群算法的种群大小、最大迭代次数、学习因子和惯性系数参数；

（3）初始化种群：以虚拟电厂内部各节点的电源出力和负荷削减为待优化变量，以初步调度结果为种群中各微粒的位置初值，并随机生成各微粒的速度值；

（4）根据安全调度的目标函数，计算局部最优解和全局最优解的初值；

（5）根据下式更新粒子的移动速度：

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

式中：v_i,j为第j维搜索空间中第i个粒子的速度，ω为惯性权重，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，p_i,j为第j维搜索空间中第i个粒子本身所找到的最优解，p_g,j为整个种群目前找到的最优解；x_i,j为第j维搜索空间中第i个粒子的位置，t为目前迭代的次数；

（6）根据下式更新粒子的位置：

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

（7）计算线路潮流，计算并更新局部最优解和全局最优解；

（8）判断是否达到最大迭代次数，若是，则输出结果；否则置迭代次数加1，返回步骤（5）。

有益效果：本发明能够实现大规模分布式电源、储能装置以及可控负荷等的有效管理，将一个大规模复杂的电源调度规划问题分解为两个调度子问题：经济调度问题和安全调度问题，在保证调度方案经济性以及可靠性的同时，降低了计算的复杂性，减小了计算时间。

附图说明

图1为本发明优化调度方法的流程图；

图2为粒子群算法求解安全调度模型的流程图；

图3为改进的IEEE33节点配电网系统结构图；

图4（a）为典型燃气轮机的调度结果示意图；

图4（b）为抽水蓄能电站的调度结果示意图；

图5为第11时段配电网各节点电压幅值示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例：本实施例以一座小型风电场（Wind Turbine，WT）、一座抽水蓄能电站（pumped hydro storage plant，PHSP）和三台不同型号的燃气轮机（gas turbine，GT）组成虚拟电厂。采用CPLEX12.5和PSO算法在四核3.30GHzCPU和4GB内存的个人计算机上对如图3所示的改进的IEEE33节点配电网算例进行仿真计算，WT、PHSP和三台GT分别接在节点21、10、17、24、32。

步骤一，采集发电和电价信息：基于新疆某小型风电场和欧洲电能交易中心（European energy exchange，EEX）2013年6月14日前两周的风电和电价历史数据，采用人工神经网络算法，预测2013年6月14日的风机出力和电价数据；燃气轮机采用TAURUS60、CENTAUR40、CENTAUR50三种型号，其最大出力分别为5.67MW、2.5MW、3.4MW，其最小开/停机时间均为3/2小时；抽水蓄能电站的最大容量为40MW，每小时最大转换功率为8MW，综合效率为0.75；

步骤二，在CPLEX软件中搭建经济调度模型，为整体利润最大化为优化目标，并将步骤一采集到的数据代入求解，得到初步的经济调度解如图4和图5中实线部分所示；

步骤三，构造安全调度模型：以再操作成本最小为优化目标，设每一节点电压在0.8～1.2p.u.之间，线路最大传输功率为1.5p.u.，与公网连接点的最大功率为2.5p.u.；

步骤四，采用PSO算法进行求解：（1）设置粒子数为20，最大迭代次数为500，惯性权重为0.5，学习因子均为2，读取IEEE33节点的线路参数数据和步骤二的经济调度值，以初步调度结果为粒子的初值并随机生成速度值；（2）根据再操作成本最小的目标函数，计算局部最优解和全局最优解的初值；（3）根据下式更新粒子的移动速度：

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

式中：v_i,j为第j维搜索空间中第i个粒子的速度，ω为惯性权重，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，p_i,j为第j维搜索空间中第i个粒子本身所找到的最优解，p_g,j为整个种群目前找到的最优解，x_i,j为第j维搜索空间中第i个粒子的位置，t为目前迭代的次数；

（4）根据下式更新粒子的位置：

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

（5）计算线路潮流，计算并更新局部最优解和全局最优解；判断是否达到最大迭代次数，若是，则输出结果；否则置迭代次数加1，返回（3）。

计算结果如图4和图5中虚线部分所示。图4（a）和图4（b）分别给出了典型燃气轮机（GT3）和抽水蓄能电站的调度结果，图5给出了第11时段各节点电压幅值。可以看出，若采用经济调度解进行调度很难保证配电网运行的安全性，采用本发明提出的两阶段优化调度方法求取的最终解进行调度在保证配电网安全运行的同时，兼顾了整体的经济性。表1给出了采用PSO算法综合求解经济、安全约束和采用本发明提出的两阶段优化调度方法的计算结果（以经济调度模型下求取的利润值作为利润基准值）。由表1可以看出，取得相同的利润值时，本发明所提出的方法的计算时间大为减少。

表1两种方法的计算结果比较

如上，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (6)

1.一种用于虚拟电厂的两阶段优化调度方法，其特征在于：包括以下步骤：

1）采集虚拟电厂内部电源的发电和用电信息，同时采集虚拟电厂外部来自电力公司或电力市场的激励信息；

2）构造经济调度模型；

3）将步骤1）中所获取的信息代入至步骤2）中所建立的经济调度模型，进行优化求解；

4）构造安全调度模型；

5）将网络约束信息以及步骤3）中所求解的调度方案代入步骤4）所建立的安全调度模型中，采用粒子群优化算法进行求解，得到最终的调度方案。

2.根据权利要求1所述的用于虚拟电厂的两阶段优化调度方法，其特征在于：步骤1）所述内部电源的发电信息包括可控电源的最大和最小出力、爬坡速度、不可控电源的预测发电量以及以上信息的历史数据。

3.根据权利要求1所述的用于虚拟电厂的两阶段优化调度方法，其特征在于：步骤1）所述内部电源的用电信息包括负荷预测数据、可控负荷的功率及时段信息以及以上信息的历史数据。

4.根据权利要求1所述的用于虚拟电厂的两阶段优化调度方法，其特征在于：步骤2）所述构造经济调度模型的具体步骤为：

①、构建优化目标：建立以利润最大化为目标的函数；

②、构建约束条件，包括：电源出力的上下限约束、电源出力的爬坡约束、可控电源的最大和最小启停时间约束、可控负荷功率约束和能量平衡约束。

5.根据权利要求1所述的用于虚拟电厂的两阶段优化调度方法，其特征在于：步骤4）所述构造安全调度模型的具体步骤为：

Ⅰ、构建优化目标：建立以再调度操作成本最小为目标的函数；

Ⅱ、构建约束条件，包括：线路的功率约束、线路的电流约束、节点电压约束、系统运行约束、与大电网连接点的容量约束。

6.根据权利要求1所述的用于虚拟电厂的两阶段优化调度方法，其特征在于：步骤（5）所述粒子群优化算法包括以下步骤：

（1）读取节点、支路数据信息；

（2）设定参数：设定粒子群算法的种群大小、最大迭代次数、学习因子和惯性系数参数；

（3）初始化种群：以虚拟电厂内部各节点的电源出力和负荷削减为待优化变量，以初步调度结果为种群中各微粒的位置初值，并随机生成各微粒的速度值；

（4）根据安全调度的目标函数，计算局部最优解和全局最优解的初值；

（5）根据下式更新粒子的移动速度：

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

式中：v_i,j为第j维搜索空间中第i个粒子的速度，ω为惯性权重，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，p_i,j为第j维搜索空间中第i个粒子本身所找到的最优解，p_g,j为整个种群目前找到的最优解；x_i,j为第j维搜索空间中第i个粒子的位置，t为目前迭代的次数；

（6）根据下式更新粒子的位置：

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

（7）计算线路潮流，计算并更新局部最优解和全局最优解；

（8）判断是否达到最大迭代次数，若是，则输出结果；否则置迭代次数加1，返回步骤（5）。

Images