CN104333047A - 一种适用于风电接入的电力系统实时滚动计划方法 - Google Patents

Abstract

本发明涉及一种适用于风电接入的电力系统实时滚动计划方法。步骤是：依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段（以5-15min为一个时段）风电和负荷的预测值；结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳；以电网弃风最小和火电机组煤耗最小为双重优化目标，建立实时滚动计划模型；输入系统、机组、算法控制参数，通过人工智能优化算法求解实时滚动计划问题。所建模型通过风、火、负荷的就地平衡，有效减小风功率波动对系统潮流等的影响，机组的选择方式可大大提高系统的经济性和安全性，实现低碳调度。

Description

一种适用于风电接入的电力系统实时滚动计划方法

技术领域

本发明涉及电力系统及自动化领域，尤其是涉及一种适用于风电接入的电力系统实时滚动计划方法。

背景技术

为提高电力系统消纳风电等可再生能源的能力，一些专家学者提出了“多时间尺度”的优化调度机制，这种方法将调度问题从时间维度上细分为日前计划、滚动计划和实时计划三个环节。电力系统滚动计划一般每隔0.5-1h启动一次，对本日剩余所有时段进行负荷预测和风功率预测，并根据这些预测信息对剩余时段机组的出力曲线进行动态修正。由于滚动计划以扩展短期预测信息为基础，在日内靠后的时段负荷和风功率的预测精度偏低，因而对剩余所有时段机组出力曲线进行修正的意义不大。实时计划基于提前量为5-15min的负荷和风功率的超短期预测值，在当前时段修正下一时段的机组出力。目前，在实际省级电网中，往往只能提供数小时提前量的负荷和风功率的预测值，并未对本日剩余所有时段进行负荷和风功率预测。如此，省级电网开展滚动计划和实时计划缺乏必要的基础数据支撑平台。此外，在节能调度大背景下，参与滚动计划或实时计划机组的选择需要遵循一定的原则。

发明内容

本发明主要是解决现有技术所存在的省级电网开展滚动计划和实时计划，由于缺乏必要的基础数据支撑平台而无法实施的技术问题；提供了一种可以在提高系统运行安全性的同时，大大提高风电的接入水平和系统的经济性的一种适用于风电接入的电力系统实时滚动计划方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种适用于风电接入的电力系统实时滚动计划方法，其特征在于，基于实时滚动计划模型，该模型以电网弃风最小和火电机组煤耗最小为双重优化目标，其中：

实时滚动计划模型基于以下目标函数：

$f=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)+\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\δ}(P_{\mathrm{wind}}^t-P_{\mathrm{wt}})$    式二

其中：f为总的目标函数，N_G为参与中调实时滚动计划火电机组的台数；a_i、b_i、c_i分别为机组i的能耗二次项、一次项和常数项系数；p_it为机组i在第T₀+t时段的实时滚动计划出力；P_wt为风电功率在第T₀+t时段实时滚动计划值，δ为弃风惩罚系数，为保证风电尽可能被消纳，δ取为最大火电机组煤耗的数倍，δ＝2max(a_ip_i max+b_i)i＝1,2,…,N_G；

所述实时滚动计划模型基于以下约束条件：

约束条件包括功率平衡、风功率约束、火电机组爬坡速率约束、火电机组出力上下限约束、系统备用容量约束，基于如下公式：

$\left\{\begin{array}{c}{P}_{\mathrm{wt}}+\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}=P_{\mathrm{load}}^t\\ 0\≤P_{\mathrm{wt}}\≤P_{\mathrm{wind}}^t\\ p_{\mathrm{it}}-p_{i(t-1)}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{up}}\\ p_{i(t-1)}-p_{\mathrm{it}}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{dn}}\\ p_{i\min }\≤p_{\mathrm{it}}\≤p_{i\max }\\ L_u\·P_{\mathrm{load}}^t+W_u\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{us}}\\ L_d\·P_{\mathrm{load}}^t+W_d\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{ds}}\\ p_{\mathrm{it}}^{\mathrm{us}}=\min (5\·{\mathrm{\Δp}}_{i,\mathrm{up}},p_{i\max }-p_{\mathrm{it}})\\ p_{\mathrm{it}}^{\mathrm{ds}}=\min (5\·{\mathrm{\Δp}}_{i,\mathrm{dn}},p_{\mathrm{it}}-p_{i\min })\end{array}\right\}i=\mathrm{1,2},...,N_G,t=\mathrm{1,2},...,n$    式三

其中：Δp_i,up,Δp_i,dn(MW/min)分别为机组i单位时间内允许升出力和降出力限值；p_i0为机组i在当前时段的实际出力值；p_i min,p_i max分别为机组i的最小和最大技术出力；L_u,W_u分别为负荷和风功率预测误差对系统正备用的需求系数；L_d,W_d分别为负荷和风功率预测误差对系统负备用的需求系数；分别为机组i在T₀+t时段提供的正、负旋转备用容量；

适用于风电接入的电力系统实时滚动计划方法包括以下步骤：

步骤1，依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段风电和负荷的预测值，具体方法是：定义当前时段编号为T₀，以N分钟为一个时段进行预测，风电和负荷预测时间间隔对应的时段数为n，预测时间间隔为M小时，则n＝60M/N，n为正整数；并且负荷和风功率的预测值分别为P_load,P_wind，负荷和风功率当前时段的实测值分别为则T₀+t时段负荷和风功率的预测值分别为：

$\left.\begin{array}{c}{P}_{\mathrm{load}}^t=P_{\mathrm{load}}^0+\frac{t}{n}(P_{\mathrm{load}}-P_{\mathrm{load}}^0)\\ P_{\mathrm{wind}}^t=P_{\mathrm{wind}}^0+\frac{t}{n}(P_{\mathrm{wind}}-P_{\mathrm{wind}}^0)\end{array}\right\}t=\mathrm{1,2},...,n$    式一；

步骤2，结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳，具体方法是：

步骤2.1，对于风电密集接入的地区，随机选择符合以下条件的机组：

条件一：与风电密集接入点电气距离最近的前M个，且具有相同外送通道的所有机组；

条件二：处于同一个断面的火电厂的所有机组；

步骤2.2，结合燃煤机组发电序位表，并在步骤2.1选择的所有机组中；在火电机组需要增出力时，选择排序为第1位至第M位的机组作为实时滚动机组；在火电机组需要减出力时，选择排序为第N位至第Q位的机组作为实时滚动机组；其中，发电序位表中定义所有机组排序是：1、2、3……Q；

步骤3，基于步骤2选取的机组以及实时滚动计划模型和约束条件，输入系统、机组、算法控制参数，通过粒子群优化算法求解实时滚动计划，得到实时滚动机组在未来n个时段的计划出力；在寻优过程中，机组的初始出力在机组的最大至最小技术出力之间随机选取一个技术出力值，迭代收敛条件是全局最优粒子适应值的改变量连续K次在收敛精度范围内，迭代收敛精度设置为0.0001，其中，K取大于等于20的正整数。

本发明创造性的根据省级电网目前所能提供的风电和负荷提前数小时的预测信息，通过线性插值法，给出预测时间段内各时段(以5-15min为一个时段)风功率和负荷的预测值，在此基础上，对预测时间段内机组的出力进行修正。结合省级电网风电、火电和负荷的地区分布特点，相应地选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳，减小其波动可能带来的局部输电阻塞等问题。同时，在火电机组的选择上，结合燃煤机组发电序位表，在火电机组需要增出力时，选择排序靠前的机组；在火电机组需要减出力时，选择排序靠后的机组。如此，作为一种折衷的方案，实时滚动计划可以在提高系统运行安全性的同时，大大提高风电的接入水平和系统的经济性。

因此，本发明具有如下优点：根据风功率和负荷数小时提前量的预测信息和历史实测信息，进行预测时段内风功率和负荷的预测，可以制定出较为合理的机组出力计划。提出的风、火、负荷就地平衡思想，可以减小风功率波动对系统潮流等的影响。结合燃煤机组发电序位表，进行实时滚动机组的选择，可以大大提高系统的经济性，实现低碳调度。

附图说明

附图1是本发明的方法流程示意图。

附图2是本发明的实施例中A地区的网架结构示意图。

附图3是本发明的实施例中A，B两个地区风功率在6-9时段的预测值。

附图4是本发明的实施例中在6-9时段负荷的预测值。

附图5是本发明的实施例中A地区4个电厂各机组在燃煤机组发电序位表中的先后顺序，各火电机组的基本参数与当前时段出力。

附图6是本发明的实施例中第6-9时段A地区选定的实时滚动机组修正后的计划出力。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面，以一个具体案例来说明本发明的具体实施方法，以某个实际省网为例进行说明，该省网风电密集接入点为A，B两个地区，忽略其它地区的风电，主要包括以下步骤：

步骤1，依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段(以5-15min为一个时段)风电和负荷的预测值；

在本实施例中，假定风功率预测时间间隔为1h，当前时段为第5时段，则实时滚动计划针对的是第6-9时段。A，B两个地区风电在第5时段的实测值分别为867.4MW，712.8MW，1h提前量的预测值分别为752.4MW，651.8MW。附图3给出了A，B两个地区风功率在6-9时段的预测值。由于负荷的预测精度相对高很多，在本实施例中，负荷取其日前预测值，如附图4所示。其中，附图3,2第5时段风功率和负荷为实测值。

步骤2，结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳；

以A地区为例进行阐述。图2给出了A地区的网架结构示意图。A地区作为风电密集接入的地区，按照选择与风电密集接入点电气距离近，具有相同外送通道，或处于同一个断面的火电机组作为实时滚动机组的原则，可选择C，D，E，F电厂的部分机组作为实时滚动机组。附图5给出了A地区4个电厂各机组在燃煤机组发电序位表中的先后顺序。由负荷和风功率的预测信息可知，在6-9时段，火电机组的总出力呈上升趋势，则选择排序靠前的部分机组。为此，可选择电厂D4#，电厂C4#，电厂D1#，电厂D2#，电厂C1#，电厂C2#等6台机组作为实时滚动机组，其他机组的出力计划不变。

步骤3，以电网弃风最小和火电机组煤耗最小为双重优化目标，建立实时滚动计划模型；

(1)、本实例所建模型如下：

$f=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)+\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\δ}(P_{\mathrm{wind}}^t-P_{\mathrm{wt}})---\left(1\right)$

其中：f为总的目标函数，N_G为参与中调实时滚动计划火电机组的台数；a_i、b_i、c_i分别为机组i的能耗二次项、一次项和常数项系数；p_it为机组i在第T₀+t时段的实时滚动计划出力；P_wt为风电功率在第T₀+t时段实时滚动计划值，δ为弃风惩罚系数，为保证风电尽可能被消纳，δ取为最大火电机组煤耗的数倍，如δ＝2max(a_ip_i max+b_i)i＝1,2,…,N_G。

(2)、约束条件包括功率平衡、风功率约束、火电机组爬坡速率约束、火电机组出力上下限约束、系统备用容量约束，如下所示：

$\left\{\begin{array}{c}{P}_{\mathrm{wt}}+\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}=P_{\mathrm{load}}^t\\ 0\≤P_{\mathrm{wt}}\≤P_{\mathrm{wind}}^t\\ p_{\mathrm{it}}-p_{i(t-1)}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{up}}\\ p_{i(t-1)}-p_{\mathrm{it}}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{dn}}\\ p_{i\min }\≤p_{\mathrm{it}}\≤p_{i\max }\\ L_u\·P_{\mathrm{load}}^t+W_u\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{us}}\\ L_d\·P_{\mathrm{load}}^t+W_d\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{ds}}\\ p_{\mathrm{it}}^{\mathrm{us}}=\min (5\·{\mathrm{\Δp}}_{i,\mathrm{up}},p_{i\max }-p_{\mathrm{it}})\\ p_{\mathrm{it}}^{\mathrm{ds}}=\min (5\·{\mathrm{\Δp}}_{i,\mathrm{dn}},p_{\mathrm{it}}-p_{i\min })\end{array}\right\}i=\mathrm{1,2},...,N_G,t=\mathrm{1,2},...,n---\left(2\right)$

其中：Δp_i,up,Δp_i,dn(MW/min)分别为机组i单位时间内允许升出力和降出力限值；p_i0为机组i在当前时段的实际出力值；p_i min,p_i max分别为机组i的最小和最大技术出力；L_u,W_u分别为负荷和风功率预测误差对系统正备用的需求系数；L_d,W_d分别为负荷和风功率预测误差对系统负备用的需求系数；分别为机组i在T₀+t时段提供的正、负旋转备用容量。

步骤4，输入系统、机组、算法控制参数，通过人工智能优化算法求解实时滚动计划问题。

附图5给出了各火电机组的基本参数与当前时段出力。以A地区为例，表5给出了第6-9时段选定的实时滚动机组修正后的计划出力。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种适用于风电接入的电力系统实时滚动计划方法，其特征在于，基于实时滚动计划模型，该模型以电网弃风最小和火电机组煤耗最小为双重优化目标，其中：

实时滚动计划模型基于以下目标函数：

$f=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)+\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\δ}(P_{\mathrm{wind}}^t-P_{\mathrm{wt}})$        式二

其中：f为总的目标函数，N_G为参与中调实时滚动计划火电机组的台数；a_i、b_i、c_i分别为机组i的能耗二次项、一次项和常数项系数；p_it为机组i在第T₀+t时段的实时滚动计划出力；P_wt为风电功率在第T₀+t时段实时滚动计划值，δ为弃风惩罚系数，为保证风电尽可能被消纳，δ取为最大火电机组煤耗的数倍，δ＝2max(a_ip_imax+b_i)i＝1,2,…,N_G；

所述实时滚动计划模型基于以下约束条件：

约束条件包括功率平衡、风功率约束、火电机组爬坡速率约束、火电机组出力上下限约束、系统备用容量约束，基于如下公式：

$\left\{\begin{array}{c}{P}_{\mathrm{wt}}+\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}{P}_{\mathrm{load}}^t\\ 0\≤P_{\mathrm{wt}}\≤P_{\mathrm{wind}}^t\\ p_{\mathrm{it}}-p_{i(t-1)}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{up}}\\ p_{i(t-1)}-p_{\mathrm{it}}\≤15\·\mathrm{\Δ}{p}_{i,\mathrm{dn}}\\ p_{i\min }\≤p_{\mathrm{it}}\≤p_{i\max }\\ L_u\·P_{\mathrm{load}}^t+W_u\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{us}}\\ L_d\·P_{\mathrm{load}}^t+W_d\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{ds}}\\ p_{\mathrm{it}}^{\mathrm{us}}=\min (5\·\mathrm{\Δ}{p}_{i,\mathrm{up}},p_{i\max }-p_{\mathrm{it}})\\ p_{\mathrm{it}}^{\mathrm{ds}}=\min (5\·\mathrm{\Δ}{p}_{i,\mathrm{dn}},p_{\mathrm{it}}-p_{i\min })\end{array}\right\}i=\mathrm{1,2},...,N_G,t=\mathrm{1,2},...,n$      式三

其中：Δp_i,up,Δp_i,dn(MW/min)分别为机组i单位时间内允许升出力和降出力限值；p_i0为机组i在当前时段的实际出力值；p_imin,p_imax分别为机组i的最小和最大技术出力；L_u,W_u分别为负荷和风功率预测误差对系统正备用的需求系数；L_d,W_d分别为负荷和风功率预测误差对系统负备用的需求系数；分别为机组i在T₀+t时段提供的正、负旋转备用容量；

适用于风电接入的电力系统实时滚动计划方法包括以下步骤：

步骤1，依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段风电和负荷的预测值，具体方法是：定义当前时段编号为T₀，以N分钟为一个时段进行预测，风电和负荷预测时间间隔对应的时段数为n，预测时间间隔为M小时，则n＝60M/N，n为正整数；并且负荷和风功率的预测值分别为P_load,P_wind，负荷和风功率当前时段的实测值分别为则T₀+t时段负荷和风功率的预测值分别为：

$\left.\begin{array}{c}{P}_{\mathrm{load}}^t=P_{\mathrm{load}}^0+\frac{t}{n}(P_{\mathrm{load}}-P_{\mathrm{load}}^0)\\ P_{\mathrm{wind}}^t=P_{\mathrm{wind}}^0+\frac{t}{n}(P_{\mathrm{wind}}-P_{\mathrm{wind}}^0)\end{array}\right\}t=\mathrm{1,2},...,n$         式一；

步骤2，结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳，具体方法是：

步骤2.1，对于风电密集接入的地区，随机选择符合以下条件的机组：

条件一：与风电密集接入点电气距离最近的前M个，且具有相同外送通道的所有机组；

条件二：处于同一个断面的火电厂的所有机组；

步骤2.2，结合燃煤机组发电序位表，并在步骤2.1选择的所有机组中；在火电机组需要增出力时，选择排序为第1位至第M位的机组作为实时滚动机组；在火电机组需要减出力时，选择排序为第N位至第Q位的机组作为实时滚动机组；其中，发电序位表中定义所有机组排序是：1、2、3。。。。Q；

步骤3，基于步骤2选取的机组以及实时滚动计划模型和约束条件，输入系统、机组、算法控制参数，通过粒子群优化算法求解实时滚动计划，得到实时滚动机组在未来n个时段的计划出力；在寻优过程中，机组的初始出力在其最大与最小技术出力之间随机设置，迭代收敛条件是全局最优粒子适应值的改变量连续K次在收敛精度范围内，迭代收敛精度设置为0.0001，其中，K取大于等于20的正整数。