CN104283236B - 一种风光储能并网发电智能优化调度方法 - Google Patents

Abstract

本发明提供一种风光储能并网发电智能优化调度方法，包括1)采集历年风电、光电数据，得出日前、日内不同时间尺度下的风电、光电出力预测误差分布；2)根据气象数据(光照，温度)利用现有的风电出力预测系统和光电出力预测系统分别得到风电、光电预测出力值；3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型；5)优化得出第一次风光储发电日前联合调度值；6)得出日内风光储发电联合调度值和日内风、光、储发电调度值；7)得出风光储实时调度值。

Description

一种风光储能并网发电智能优化调度方法

技术领域

本发明属于电力系统运行和控制技术领域，尤其涉及一种风光储能并网发电智能优化调度方法。

背景技术

随着传统能源日益的消耗，全球污染的加剧，以及全球气温升高等问题的凸显，新能源(洁净能源)发电越来越受到重视，大规模新能源发电相继上网。但是，新能源发电出力具有随机性、不确定性，给电网带来了一些安全问题。风光互补发电由于具有互补特性，加之，储能具有强大的“吞吐”的功率的能力，风光储联合发电成为了新能源发电比较“热”的发电形式，这种形式的出现在一定程度上缓解了新能源单一发电出力不稳定的问题。

针对风光储联合发电调度的调度值计算与确定，现有技术中主要方法及存在的缺陷为：

(1)袁铁江等在文献“大规模风电并网电力系统动态清洁经济优化调度建模[J]”.中国电机工程学报，2013，30(31)：7-13中提出了风电环境成本的概念，并建立了环境成本价格体系，并依此基础建立风电并网优化调度优化目标，给本发明开发提供了借鉴意义，但文献在安排风电调度时未考虑风电出力不确定性给调度带来的影响，同时在确定优化目标时，考虑的目标函数不够全面，因此不具有工程应用价值。

(2)陈宁等在文献“基于电气剖分原理的风电系统调度方法[J]”.电力系统自动化，2014，24(10)：32-37中提出了风电并网静态优化调度模型，但此调度模型属于静态调度模型，缺乏不同周期内调度之间的联系。

(3)韩自奋等在文献“考虑约束的风电调度模式[J]”.电力系统自动化,2010,34(2):89-92中，提出了考虑约束条件下的风电调度模式，在约束条件设立时，未将风电出力随机性考虑在约束条件中，使得最终得出的优化结果值得商榷。

(4)周玮等在文献“含风电场的电力系统动态经济调度[J]”.中国电机工程学报,2009,29(25):13-18.中，建立了风电场的电力系统动态经济调度模型，将风电预测出力作为输入量，通过设计的模型进行调度，但是忽略了风电出力预测在不同周期内的出力预测误差，给调度结果产生较大影响。

(5)吴雄等在文献“风电储能混合系统的联合调度模型及求解[J].中国电机工程学报,2013,33(13):10-17.”中提出了风电储能混合的调度模型以及通过MonteCarlo求解方法，此文献只是对风电储能出力进行粗糙的抽样，就将抽样数据做为调度的基础数据进行调度计算，未对风电不同时期内的出力预测误差进行定量分析；同时在建立调度模型过程中，目标函数的不全面，例如未考虑我国最新对新能源发电上网的鼓励政策，在约束条件建立上，未考虑风电的随机性，使得优化调度模型无法达到最优。

以上现有技术公开的文献在安排调度时，主要是涉及风电、或者光电单一发电调度，风电储联合经济调度的方法较少，并且在安排风电、光电调度时均未考虑出力预测误差给电网调度产生的影响，使得调度值不准确，电力部门不得不加大系统备用容量，从而导致风光储附加的额外发电成本；其次，在安排调度时，未将不同时间段(日前、日内、实时)的调度值有效的耦合，效率低下；在安排调度时，调度的核心部分调度模型的建立，也存在很大的问题，在优化目标函数的选取上，未将国家最新颁布的新能源洁净能源调度的政策考虑、弃风和弃光现象等考虑在目标函数中，脱离实际情况。

发明内容

针对现有技术存在的上述不足，本发明的目的在于怎样解决现有技术中调度值不准确，电力系统备用容纳大，效率低，并且成本高的问题，提供一种风光储能并网发电智能优化调度方法。

为了解决上述技术问题，本发明采用的技术方案是这样的：一种风光储能并网发电智能优化调度方法，其特征在于：包括如下步骤：

1)采集历年风电、光电数据，分析得出日前、日内不同周期的风电出力预测误差分布和光电出力预测误差分布：

光电出力预测误差为： ${\mathrm{error}}_{P.t}\left(\%\right)=\frac{P_{P.real.t}-P_{P.fore.t}}{P_{P.\max }}\×100\%---\left(1\right)$

风电出力预测误差为： ${\mathrm{error}}_{W.t}\left(\%\right)=\frac{P_{W.real.t}-P_{W.fore.t}}{P_{W.max}}\×100\%---\left(2\right)$

其中P_P.real.t、P_W.real.t为光电、风电t时刻的实际出力，P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；

2)根据光照、温度气象数据，利用基于神经网络的风电出力预测系统和光电出力预测系统分别得到风电预测出力值和光电预测出力值；

3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；

光电出力场景：P_P.i.t＝P_P.fore.t+(error_P.t×P_P.fore.t×P_P.max)(3)

风电出力场景：P_W.j.t＝P_W.fore.t+(error_W.t×P_W.fore.t×P_W.max)(4)

P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；调度周期内调度点为24*4个，调度间隔15min；

4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型：其中，

①日前调度模型为：

MaxE(i,j,P_PB.t)＝R₁+R₂-R₃-R₄(7)

$R_1=\underset{1}{\overset{96}{\Σ}}{\mathrm{MP}}_t{P}_{WPB.t}---\left(8\right)$

$R_2=\underset{1}{\overset{96}{\Σ}}\{{\mathrm{MP}}_t^{up}\underset{i}{\Σ}\underset{j}{\Σ}\[(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\]\}---\left(9\right)$

$R_3=\underset{1}{\overset{96}{\Σ}}\{{\mathrm{MP}}_t^{up}\underset{i}{\Σ}\underset{j}{\Σ}{b}_{i.j.t}(P_{PB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\]\}---\left(10\right)$

$R_4=\underset{1}{\overset{96}{\Σ}}{P}_{dro}\underset{i}{\Σ}\underset{j}{\Σ}({\mathrm{\ΔP}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(11\right)$

ΔP_i.j.dro.t＝ΔP_i.P.t+ΔP_j.W.t(12)

ΔP_i.P.t＝P′_i.P.t-P_i.P.t(13)

ΔP_j.W.t＝P′_j.W.t-P_j.W.t(14)

MP_t、P_WPB.t为t时刻的风光储发电的售电价格、风光储联合计划出力值；为风光储出力正偏差售电价格，风光储负偏差惩罚价格，b_i.j.t为光伏出力正负偏差状态，P_dro为风光储出力弃风、弃光价格，P_i.j.jo.t为调度周期内第t个调度点光电场景i、风电场景j风光储联合发电出力，ΔP_i.j.dro.t为调度周期内第t个调度点场景为i、j的情况下光储出力溢出量，P′_i.P.t为调度周期内第t个调度点场景i光电自然出力，P_i.P.t为调度周期内第t个调度点场景i光电出力，P′_j.W.t为调度周期内第t个调度点场景j风电自然出力，P_j.W.t为调度周期内第t个调度点场景j风电出力；

②日前调度约束条件模型为：

光储联合发电间的出力平衡约束：

P_i.j.jo.t＝P_P.i.t+P_W.j.t+P_dis.t-P_ch.t(15)

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(16)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(17)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(18)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(19)

0≤P_i.j.ch.t≤P_ch.max(20)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(21)

其中P_dis.max、P_ch.max为储能装置最大充、放电功率；

③日内调度模型的建立：

日内调度，属于滚动调度由于预测周期变短，相应的风、光预测精度将变高，场景出力场景范围将变小，为此，需要采用日内滚动调度对日前调度进行更新域修正，假设，滚动调度(修正日前调度)每s时间间隔执行一次，调度日的第l次对剩余的时段s*(l-1)+1至调度日结束时间点，目标函数变为：

MaxE(i,j,l,P_PB.t)＝R₁+R₂-R₃-R₄(22)

$R_1=\underset{s*l}{\overset{96}{\Σ}}{\mathrm{MP}}_t{P}_{PB.t}---\left(23\right)$

$R_2=\underset{s*l}{\overset{96}{\Σ}}\{{\mathrm{MP}}_t^{up}\underset{i}{\Σ}\underset{j}{\Σ}\[(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\]\}---\left(24\right)$

$R_3=\underset{s*l}{\overset{96}{\Σ}}\{{\mathrm{MP}}_t^{up}\underset{i}{\Σ}\underset{j}{\Σ}{b}_{i.j.t}(P_{WPB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\]\}---\left(25\right)$

$R_4=\underset{s*l}{\overset{96}{\Σ}}{P}_{dro}\underset{i}{\Σ}\underset{j}{\Σ}({\mathrm{\ΔP}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(26\right)$

④日内调度约束条件的建立

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(27)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(28)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(29)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(30)

0≤P_i.j.ch.t≤P_ch.max(31)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(32)

日内风、光电出力调度的确定；

通过上述方法求出了风光储联合调度出力值；再求出风、光、储调度值P_P.WPB.t、P_W.WPB.t、P_B.WPB.t，通过三者协调完成联合调度出力值，基于求出的联合调度出力值，以弃风量和弃光量最少作为优化目标：

$min\underset{s*l}{\Σ}{\mathrm{\ΔP}}_{dro.t}$

即可求出风、光电出力调度值，该约束条件以日内联合调度相同，只是不再考虑风、光电不确定性，将它们的预测出力值看为已知量；

储能调度的出力值：

P_B.WPB.t＝P_WPB.t-P_P.WPB.t-P_W.WPB.t(33)

⑤实时调度模型：具体如下：

1、当 $P_{W.WPB.t}^{act}>P_{W.WPB.t}$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}$

当 $P_{P.WPB.t}^{act}>P_{P.WPB.t}$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}$

②当 $P_{W.WPB.t}^{act}<P_{W.WPB.t}$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act}$

当 $P_{P.WPB.t}^{act}<P_{P.WPB.t}$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act}$

③若 $P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$

$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$

若 $P_{WPB.t}\&le;P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$

$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$

act上标代表实际值；online代表在线调度值；“-”代表储能储存功率

5)通过日前气象数据，根据步骤3)得出的风电日前出力场景数据和光电日前出力场景数据输入步骤4)调度模型中，优化得出第一次风光储发电日前联合调度值；

6)通过日内气象数据，根据步骤3)求出风电日内出力场景数据和光电日内出力场景值再次输入步骤4)调度模型中，对第一次调度值进行修正，得出日内风光储发电联合调度值和日内风、光、储发电调度值；

通过日内滚动气象数据，循环次得出日内风光储发电滚动调度值,s为滚动时间间隔；

7)通过步骤6)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力与实际出力比较，通过判断，得出风光储实时调度值，具体如下：

①当 $P_{W.WPB.t}^{act}>P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t};$

当 $P_{P.WPB.t}^{act}>P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t};$

②当 $P_{W.WPB.t}^{act}<P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act};$

当 $P_{P.WPB.t}^{act}<P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act};$

③若 $P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

若 $P_{WPB.t}\&le;P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

act上标代表实际值；online代表在线调度值；“-”代表储能储存功率。

相比现有技术，本发明具有如下有益效果：

1.在计算风光储调度值，考虑了风光出力不稳定问题，将风光出力不确定问题，通过分布函数进行量化，根据量化结果最后将不确定问题转换成“确定性”问题；通过对不同周期的风光出力预测误差概率分布，将风、光出力不确定量化成成确定性问题，为调度计算提供可靠的基础数据。

2.在建立调度优化模型中，充分考虑风光出力不确定特点，通过期望值来表述风光储收益目标函数；在目标函数的建立过程中，分别建立日前、日内、实时调度分段优化模型；在计算风光储日前、日内联合调度值环节主要从经济收益上最大考虑优化调度，着重考虑了到风、光新能源发电无污染、出力不稳定特点，在计算风电、光电调度值环节兼顾我国对新能源上网鼓励政策，以弃风量、弃光量最小作为优化目标进行优化，使得优化的结果，即满足经济性同时还兼顾了我国鼓励新能源发电的政策；在调度模型建立过程中，充分考虑了风光储联合发电的特点，建立了风光发电的正负偏差收益；通过日内滚动调度计算与修正和实时调度修正，将不同周期内的调度值耦合关联，同时使得含风光储联合发电的电网稳定性更高；建立了弃光、弃风惩罚性“负”收益，反应我国目前电网接纳风电、光电的能力。

3.利用不同时期预测精度的不同，预测周期短，精度高的特点，设计出日内滚动调度环节，使得本发明工程利用价值高。

附图说明

图1是本发明调度值的计算方法总体示意图；

图2是本发明实施例的风电出力预测值；

图3是本发明实施例的光电出力预测值；

图4是本发明实施例的风光储日前联合调度出力值；

图5是本发明实施例的风光储日内滚动调度值；

图6是本发明实施例的风电日内调度值；

图7是本发明实施例的光电日内调度值；

图8是本发明实施例的风电实时调度值；

图9是本发明实施例的光电实时调度值。

具体实施方式

下面将结合附图及实施例对本发明作进一步说明。

实施例：参见图1，本发明的风光储能并网发电智能优化调度方法，主要从考虑风电、光电出力不确定性问题入手，通过现阶段采用的采样技术将出力不确定性转化为有限个出力场景；在建立调度优化模型中，充分考虑风光出力不确定特点，通过期望值来表述风光储收益目标函数；在目标函数的建立过程中，分别建立日前、日内、实时调度分段优化模型；在计算风光储日前、日内联合调度值环节主要从经济收益上最大考虑优化调度，着重考虑了到风、光新能源发电无污染、出力不稳定特点，在计算风电、光电调度值环节兼顾我国对新能源上网鼓励政策，以弃风量、弃光量最小进行优化，使得优化的结果，即满足经济性同时还兼顾了我国鼓励新能源发电的政策，其具体如下：

一种风光储能并网发电智能优化调度方法，包括如下步骤：

1)采集历年风电、光电数据，分析得出日前、日内不同周期的风电处理预测误差分别和光电出力预测误差分布，其中：

光电出力预测误差为： ${\mathrm{error}}_{P.t}\left(\%\right)=\frac{P_{P.real.t}-P_{P.fore.t}}{P_{P.\max }}\&times;100\%---\left(1\right)$

风电出力预测误差为： ${\mathrm{error}}_{W.t}\left(\%\right)=\frac{P_{W.real.t}-P_{W.fore.t}}{P_{W.max}}\&times;100\%---\left(2\right)$

其中P_P.real.t、P_W.real.t为光电、风电t时刻的实际出力，P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；调度周期内调度点为24*4个(调度间隔15min)。

由于预报技术的制约和光电、风电发电历史数据的缺失，近而产生出力预测误差，在调度过程中往往需要不同时刻可靠的风电、光电出力数据，传统的利用预测数据作为调度的参考数据，将影响电网的安全。为此，分析风电、光电出力预测误差分布显得尤为重要，通过预测系统得出的出力预测数据与预测分布误差有机结合起来，就能够为调度提供有效可靠的风、光电场景出力。

在求解光电、风电出力预测误差可以概率密度演化求解的办法实现，此方法目前已大规模应用在工程实际中，在此不再陈述此方法的原理部分，通过风电、光电出力误差样本，即可通过基于多核支持向量机的概率密度估计方法进行求解，利用支持向量机求解主要需要5个步骤。

①在像空间定义风电、光电出力预测误差的回归问题；

②利用支持向量机方法构造求解回归问题的核函数K(x_u,x_v)；

③构造交叉核函数K(x_u,t)；

④根据核函数K(x_u,x_v)，利用支持向量机方法求解回归问题，即找出支持向量机 和对应的系数

⑤利用这些支持向量机和对应的系数，即可求出风电、光电出力预测分布；

通过输入不同时期内的风电、光电预测误差样本，即可求出日前、日内、实时的出力预测误差。

设i＝1,..,N，j＝1,..,N，P_P.i.t、P_W.j.t为调度周期内第t个调度点下第i、j个场景下光伏出力，N为所有风电、光电预测误差场景的总和，风电、光电场景无关联。

P_P.i.t＝P_P.fore.t+(error_P.t×P_P.fore.t×P_P.max)(3)

P_W.j.t＝P_W.fore.t+(error_W.t×P_W.fore.t×P_W.max)(4)

2)根据历年气象数据(光照、温度)，利用基于神经网络的风电预测系统和光电预测系统分别得到风电预测出力值和光电预测出力值；

3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；根据步骤1)得到的风电、光电出力预测误差分布，利用步骤2)得到的光伏出力预测值，通过抽样技术就可分别得到有限个风电、光电出力场景，目前工程中，应用较多的拉丁超立方抽样、蒙特卡洛抽样法，本实例采用比较普遍的拉丁超立方抽样技术。

由于步骤1)分别求出了风电、光电出力预测误差分布特性，通过步骤2)得出的风电、光电出力预测值，采用拉丁超立方抽样对风电、光电出力场景即可进行有效抽样，以风电为例，拉丁超立方抽样步骤如下：

⑴将得出的风电出力场景概率分布分为m等概率区间。

⑵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：

$p_m=\frac{r}{m}+\frac{i-1}{m}---\left(5\right)$

式(8)中r为[0,1]等概率分布的随机变量。

利用风电预测出力分布函数的逆变换，得到概率区间为[(e-1)/m,e/m]的风电出力样本，即为：P_W.i.t＝F^-1(p_m)(6)

其中，风电、光电抽样是相互独立的过程。

4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型；其中：

由于风光储发电出力不确定性，目标函数也必然包含随机变量，采用确定的目标函数来优化光储混合发电效益失去实际意义，为此本发明采用含随机变量的期望目标函数来表达此问题更加合理、实用。本发明考虑了风光储售电收益、风光储联合出力正偏差、负偏差惩罚收益，从电网吸纳风光储的能力角度，考虑了电网对风光储发电最大消纳能力的“溢出负收益”，需要说明的是风电、光电预测时间间隔为15min，调度时间周期为24h,调度时间段为0:00-23:59，日前调度时间点为24*4＝96个点，

①日前调度模型为：

MaxE(i,j,P_PB.t)＝R₁+R₂-R₃-R₄(7)

$R_1=\underset{1}{\overset{96}{\&Sigma;}}{\mathrm{MP}}_t{P}_{WPB.t}---\left(8\right)$

$R_2=\underset{1}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}\&lsqb;(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(9\right)$

$R_3=\underset{1}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}{b}_{i.j.t}(P_{PB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(10\right)$

$R_4=\underset{1}{\overset{96}{\&Sigma;}}{P}_{dro}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}({\mathrm{\&Delta;P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(11\right)$

ΔP_i.j.dro.t＝ΔP_i.P.t+ΔP_j.W.t(12)

ΔP_i.P.t＝P′_i.P.t-P_i.P.t(13)

ΔP_j.W.t＝P′_j.W.t-P_j.W.t(14)

MP_t、P_WPB.t为t时刻的风光储发电的售电价格、风光储联合计划出力值；为风光储出力正偏差售电价格，风光储负偏差惩罚价格，b_i.j.t为光伏出力正负偏差状态，P_dro为风光储出力弃风、弃光价格，P_i.j.jo.t为调度周期内第t个调度点光电场景i、风电场景j风光储联合发电出力，ΔP_i.j.dro.t为调度周期内第t个调度点场景为i、j的情况下光储出力溢出量，P′_i.P.t为调度周期内第t个调度点场景i光电自然出力，P_i.P.t为调度周期内第t个调度点场景i光电出力，P′_j.W.t为调度周期内第t个调度点场景j风电自然出力，P_j.W.t为调度周期内第t个调度点场景j风电出力。

日前的风光储发电洁能优化调度主要要从以下角度考虑：

a.风光储发电之间的功率平衡约束；

b.电网消纳风光储发电的出力限制约束、配套的储能装置充放电量约束；

c.时刻之间耦合的电量约束、周期内的储能充放电平衡约束；

d.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。

②日前调度约束条件模型为：

P_i.j.jo.t＝P_P.i.t+P_W.j.t+P_dis.t-P_ch.t(15)；

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(16)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(17)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(18)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(19)

0≤P_i.j.ch.t≤P_ch.max(20)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(21)

其中P_dis.max、P_ch.max为储能装置最大充、放电功率。

③日内调度模型的建立：

日内调度，属于滚动调度由于预测周期变短，相应的风、光预测精度将变高，场景出力场景范围将变小，为此，需要采用日内滚动调度对日前调度进行更新域修正，假设，滚动调度(修正日前调度)每s时间间隔执行一次，调度日的第l次对剩余的时段s*(l-1)+1至调度日结束时间点，日前调度模型为：

MaxE(i,j,l,P_PB.t)＝R₁+R₂-R₃-R₄(22)

$R_1=\underset{s*l}{\overset{96}{\&Sigma;}}{\mathrm{MP}}_t{P}_{PB.t}---\left(23\right)$

$R_2=\underset{s*l}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}\&lsqb;(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(24\right)$

$R_3=\underset{s*l}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}{b}_{i.j.t}(P_{WPB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(25\right)$

$R_4=\underset{s*l}{\overset{96}{\&Sigma;}}{P}_{dro}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}({\mathrm{\&Delta;P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(26\right)$

④日内调度约束条件模型为：

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(27)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(28)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(29)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(30)

0≤P_i.j.ch.t≤P_ch.max(31)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(32)

日内风、光电出力调度的确定：

通过上述方法只求出了风光储联合调度出力值，为此接下来需要单独求出风、光、储调度值P_P.WPB.t、P_W.WPB.t、P_B.WPB.t，需要三者协调才能完成联合调度出力值，基于求出的联合调度出力值，考虑目前我国对新能源发电的鼓励政策，以弃风量和弃光量最少作为优化目标：

$min\underset{s*l}{\&Sigma;}{\mathrm{\&Delta;P}}_{dro.t}$

即可求出风、光电出力调度值，该约束条件以日内联合调度相同，只是不再考虑风、光电不确定性，将它们的预测出力值看为已知量，在此，不再重复描述。

储能调度的出力值：

P_B.WPB.t＝P_WPB.t-P_P.WPB.t-P_W.WPB.t(33)

5)通过日前气象数据，根据步骤3)得出的风电日前出力场景数据和光电日前出力场景数据输入步骤4)调度模型中，优化得出第一次风光储发电日前联合调度值；

6)通过日内气象数据，根据步骤3)求出风电日内出力场景数据和光电日内出力场景值再次输入步骤4)调度模型中，对第一次调度值进行修正，得出日内风光储发电联合调度值和日内风、光、储发电调度值；

通过日内滚动气象数据，循环次得出日内风光储发电滚动调度值,s为滚动时间间隔；

7)通过步骤6)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力与实际出力比较，通过判断，得出风光储实时调度模型，具体如下：

②当 $P_{W.WPB.t}^{act}>P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t};$

当 $P_{P.WPB.t}^{act}>P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t};$

②当 $P_{W.WPB.t}^{act}<P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act};$

当 $P_{P.WPB.t}^{act}<P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act};$

③若 $P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

若 $P_{WPB.t}\&le;P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

act上标代表实际值；online代表在线调度值；“-”代表储能储存功率。

具体实施例：

以新疆某风光储发电系统为实例，该光伏电站的光伏发电容量为50MWp,风电容量为148.5MW。当地已经配置了风电、光电出力预测系统，预测时间间隔为15min,同时与气象部门有合作，能够及时的得到光伏气象数据，目前此项目已投入运行了三年，具有大量的历史数据。本实例的调度时间为2014年3月5日0:00-23:59，时间间隔为15min。调度点为96＝24*4。

(一)基于支持向量机的概率密度估计方法风电和光电预测误差分布特性分析：

通过步骤1，利用matlab强大的数据处理和编程能力，编写基于支持向量机的概率密度估计方法程序，将风光储发电项目中的历史发电数据作为样本输入量，通过不同预测周期的历史样本，预测得到风电、光电预测出力误差分布(日前、日内)，通过计算最后得出：

风电日前出力预测误差分布为:error_P.t(％)～N(0,0.25)

风电日内出力预测误差分布：error_W.t(％)～N(0,0.22)、error_W.t(％)～N(0,0.19)、error_W.t(％)～N(0,0.17)、error_W.t(％)～N(0,0.12)

光电日前出力预测误差分布为:error_P.t(％)～N(0,0.30)

光电日内出力预测误差分布：error_P.t(％)～N(0,0.27)、error_P.t(％)～N(0,0.23)

需要说明的是，本文采用6h滚动更新日内调度值，因为光电在夜晚不再工作，风电有4个不同预测周期日内预测误差分布，而光电只有2个。光电发电时间为7:00—18:59。

(二)基于神经网络预测系统的光电、风电出力预测：

通过风光储配置的风电、光电预测系统对风电、光电进行预测，此系统基于神经网络进行设计，具有一定的预测精度，将气象数据输入，即可得到风电、光电不同周期各时间段的出力预测值，图2、图3为2014年3月5日风电、光电出力预测值。

(三)基于拉丁超立方抽样技术的风电、光电场景出力抽样：

利用(一)中得到的风电和光电出力预测误差的分布函数，以及通过预测系统得到的风电、光电出力预测值，基于matlab环境下编写的拉丁超立方抽样技术可对不同周期内不同调度点的进行抽样，从而得到场景出力值。

表12014年3月5日14点光电场景出力值

表22014年3月5日14点点风电场景出力值

表1、为2014年3月5日14点不同概率条件下的光电出力场景值，注每个调度点的出力场景数为15个。

(四)基于GAMS软件建立风光储并网洁能发电智能优化调度模型：

本发明采用目前在工程应用相当成熟的GAMS软件进行建模与优化计算，将以上已经建立的目标函数和约束条件在GAMS编程实现，同时设计与matlab兼容的接口，将matlab计算出来的场景出力值，通过接口输入到模型中，作为优化调度的输入量。光储相关参数如表3所示。

表3风光储发电系统相关参数

参数名称	参数值
		光电容量	50MWp
风电容量	148.5MW
		储能装置容量	50MW.h
PP.max	50MWp
		PW.max	148.5MW
Pdis.max	30MW
		Pch.max	29MW
ηch	0.7
		ηdis	0.69
Emin	0
		Emax	50MW.h

(五)风光储日前联合调度值的确定：

利用气象部门得到日前气象数据，通过风电、光电出力预测系统得出预测值，结合日前出力预测分布函数以及本发明采用的抽样技术得到风电日前出力场景数据和光电日前出力场景数据，将此作为输入量输入到调度模型中，通过优化计算，得出第一次风、光、储日前调度值，如图4所示。

(六)风光储日内滚动调度值的确定：

利用气象部门得到日内气象数据，通过风电、光电出力预测系统得出预测值，结合日内出力预测分布函数以及本发明采用的抽样技术得到风电日内出力场景数据和光电日前出力场景数据，将此作为输入量输入到调度模型中，通过优化计算，对第一次调度值进行修正，得出日内风光储发电联合调度值和日内风、光、储发电调度值。

通过日内滚动气象数据，重复操作步骤(六)4次得出日内风光储发电滚动联合调度值和风电、光电调度值。图5、图6、图7分别为6:00的风光储日内第一次调度滚动值、风电第一次日内调度值、光电第一次日内调度值。

(七)风光储实时调度值的确定：

通过步骤(六)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力，通过判断，得出风光储实时调度，具体判断方法见具体实施方法，此环节同样基于GAMS环境编写，结果如图8、图9。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种风光储能并网发电智能优化调度方法，其特征在于：包括如下步骤：

1)采集历年风电、光电数据，分析得出日前、日内不同周期的风电出力预测误差分布和光电出力预测误差分布：

光电出力预测误差为： ${\mathrm{error}}_{P.t}\left(\%\right)=\frac{P_{P.real.t}-P_{P\&CenterDot;fore.t}}{P_{P.\max }}\&times;100\%---\left(1\right)$

风电出力预测误差为： ${\mathrm{error}}_{W.t}\left(\%\right)=\frac{P_{W.real.t}-P_{W\&CenterDot;fore.t}}{P_{W.max}}\&times;100\%---\left(2\right)$

其中P_P.real.t、P_W.real.t为光电、风电t时刻的实际出力，P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；

2)根据光照、温度气象数据，利用基于神经网络的风电出力预测系统和光电出力预测系统分别得到风电预测出力值和光电预测出力值；

3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；

光电出力场景：P_P.i.t＝P_P.fore.t+(error_P.t×P_P.fore.t×P_P.max)(3)

风电出力场景：P_W.j.t＝P_W.fore.t+(error_W.t×P_W.fore.t×P_W.max)(4)

P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；调度周期内调度点为24*4个，调度间隔15min；

4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型：其中，

①日前调度模型为：

MaxE(i,j,P_PB.t)＝R₁+R₂-R₃-R₄(7)

$R_1=\underset{1}{\overset{96}{\&Sigma;}}{\mathrm{MP}}_t{P}_{WPB.t}---\left(8\right)$

$R_2=\underset{1}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}\&lsqb;(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(9\right)$

$R_3=\underset{1}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}{b}_{i.j.t}(P_{PB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(10\right)$

$R_4=\underset{1}{\overset{96}{\&Sigma;}}{P}_{dro}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}({\mathrm{\&Delta;P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(11\right)$

ΔP_i.j.dro.t＝ΔP_i.P.t+ΔP_j.W.t(12)

ΔP_i.P.t＝P′_i.P.t-P_i.P.t(13)

ΔP_j.W.t＝P′_j.W.t-P_j.W.t(14)

MP_t、P_WPB.t为t时刻的风光储发电的售电价格、风光储联合计划出力值；为风光储出力正偏差售电价格，风光储负偏差惩罚价格，b_i.j.t为光伏出力正负偏差状态，P_dro为风光储出力弃风、弃光价格，P_i.j.jo.t为调度周期内第t个调度点光电场景i、风电场景j风光储联合发电出力，ΔP_i.j.dro.t为调度周期内第t个调度点场景为i、j的情况下光储出力溢出量，P′_i.P.t为调度周期内第t个调度点场景i光电自然出力，P_i.P.t为调度周期内第t个调度点场景i光电出力，P′_j.W.t为调度周期内第t个调度点场景j风电自然出力，P_j.W.t为调度周期内第t个调度点场景j风电出力；

②日前调度约束条件模型为：

光储联合发电间的出力平衡约束：

P_i.j.jo.t＝P_P.i.t+P_W.j.t+P_dis.t-P_ch.t(15)

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(16)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(17)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(18)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(19)

0≤P_i.j.ch.t≤P_ch.max(20)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(21)

其中P_dis.max、P_ch.max为储能装置最大充、放电功率；

③日内调度模型的建立：

日内调度，属于滚动调度由于预测周期变短，相应的风、光预测精度将变高，场景出力场景范围将变小，为此，需要采用日内滚动调度对日前调度进行更新域修正，假设，滚动调度每s时间间隔执行一次，调度日的第次对剩余的时段s*(l-1)+1至调度日结束时间点，目标函数变为：

MaxE(i,j,l,P_PB.t)＝R₁+R₂-R₃-R₄(22)

$R_1=\underset{s*l}{\overset{96}{\&Sigma;}}{\mathrm{MP}}_t{P}_{PB.i}---\left(23\right)$

$R_2=\underset{s*l}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}\&lsqb;(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(24\right)$

$R_3=\underset{s*l}{\overset{96}{\&Sigma;}}\{{\mathrm{MP}}_t^{up}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}{b}_{i.j.t}(P_{WPB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}\&rsqb;\}---\left(25\right)$

$R_4=\underset{s*l}{\overset{96}{\&Sigma;}}{P}_{dro}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}({\mathrm{\&Delta;P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(26\right)$

④日内调度约束条件的建立

申报出力容量的约束：

0≤P_PB.t≤P_P.max+P_W.max+P_dis.max(27)

储能装置时刻间的电量约束：

E_i.j.t＝E_i.j.t-1+P_i.j.ch.tη_ch-P_i.j.dis.t/η_dis(28)

储能装置的电量约束：

E_min≤E_i.j.t≤E_max(29)

储能充放电的功率限制约束：

0≤P_i.j.dis.t≤P_dis.max(30)

0≤P_i.j.ch.t≤P_ch.max(31)

周期内的电量平衡约束：

E_i.j.0＝E_i.j.T(32)

日内风、光电出力调度的确定；

通过上述方法求出了风光储联合调度出力值；再求出风、光、储调度值P_P.WPB.t、P_W.WPB.t、P_B.WPB.t，通过三者协调完成联合调度出力值，基于求出的联合调度出力值，以弃风量和弃光量最少作为优化目标：

$min\underset{s*l}{\&Sigma;}{\mathrm{\&Delta;P}}_{dro.t}$

即可求出风、光电出力调度值，该约束条件以日内联合调度相同，只是不再考虑风、光电不确定性，将它们的预测出力值看为已知量；

储能调度的出力值：

P_B.WPB.t＝P_WPB.t-P_P.WPB.t-P_W.WPB.t(33)

⑤实时调度模型：具体如下：

1、当 $P_{W.WPB.t}^{act}>P_{W.WPB.t}$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}$

当 $P_{P.WPB.t}^{act}>P_{P.WPB.t}$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}$

②当 $P_{W.WPB.t}^{act}<P_{W.WPB.t}$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act}$

当 $P_{P.WPB.t}^{act}<P_{P.WPB.t}$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act}$

③若 $P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$

$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$

若 $P_{WPB.t}\&le;P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$

$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$

act上标代表实际值；online代表在线调度值；“-”代表储能储存功率

5)通过日前气象数据，根据步骤3)得出的风电日前出力场景数据和光电日前出力场景数据输入步骤4)调度模型中，优化得出第一次风光储发电日前联合调度值；

6)通过日内气象数据，根据步骤3)求出风电日内出力场景数据和光电日内出力场景值再次输入步骤4)调度模型中，对第一次调度值进行修正，得出日内风光储发电联合调度值和日内风、光、储发电调度值；

通过日内滚动气象数据，循环次得出日内风光储发电滚动调度值,s为滚动时间间隔；

7)通过步骤6)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力与实际出力比较，通过判断，得出风光储实时调度值，具体如下：

①当 $P_{W.WPB.t}^{act}>P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t};$

当 $P_{P.WPB.t}^{act}>P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t};$

②当 $P_{W.WPB.t}^{act}<P_{W.WPB.t},$

$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act};$

当 $P_{P.WPB.t}^{act}<P_{P.WPB.t},$

$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act};$

③若 $P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

若 $P_{WPB.t}\&le;P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$

$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$

act上标代表实际值；online代表在线调度值；“-”代表储能储存功率。