CN104659781A - 一种以最小调节量应对风电功率随机变化的调度方法 - Google Patents

Abstract

本发明公开了一种以最小调节量应对风电功率随机变化的调度方法，包括步骤：(1)建立以最小调节量应对风电功率随机变化的调度模型；(2)采用优化约减场景方法生成风电功率场景和概率；(3)根据风电功率场景、概率和所述调度模型获得机组的出力计划u_i,t、P_i,t以及满足各场景所需的正调节量和负调节量；并获得系统每个时段t所需的最小正旋转备用和负旋转备用。本发明考虑了系统的功率平衡、正/负调节量约束，机组的出力约束、爬坡约束和最小启停时间约束，支路潮流约束，电压约束，弃风约束，满足系统运行的基本要求；所得的调度计划以较小的调节量满足风电功率可能出现的场景，避免了调度计划的大幅度调整，减轻运行调度人员的负担。

Description

一种以最小调节量应对风电功率随机变化的调度方法

技术领域

本发明属于风力发电技术领域，更具体地，涉及一种以最小调节量应对风电功率随机变化的调度方法。

背景技术

由于风电随机变化和难以预测的特性，大规模的风电接入电网给电力系统运行带来了极大的挑战，建立适当的调度模型应对风电的随机变化具有重要的意义。在现有公开技术中，往往对风电功率场景进行限制，建立的模型不能应对一些极端的场景，不具备鲁棒性。

在中国专利说明书CN 103151803 A中公开了一种含风电系统机组及备用配置的优化方法。该方法仅针对给定几种场景的风电出力曲线对备用进行优化配置，未能较为全面反映风电的随机特性。

在中国专利说明书CN 103956773 A中公开了一种含风电系统机组的备用配置优化方法。该方法需要假定负荷和风电服从正态分布，然而大多数情况下，风电不服从正态分布。并且该方法未考虑最小旋转备用。

在中国专利说明书CN 102832614 A中公开了一种不确定性环境下发电计划的鲁棒优化方法。该方法实现了调度计划的鲁棒性，但是未考虑风电系统。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种以最小调节量应对风电功率随机变化的调度方法，旨在解决现有调度模型对风电场景的限制、不具备鲁棒性的缺陷，调度计划出现大幅度调整的问题。

本发明提供了一种以最小调节量应对风电功率随机变化的调度方法，包括下述步骤：

(1)建立以最小调节量应对风电功率随机变化的调度模型，所述调度模型中的目标函数应满足使得系统总运行成本、总调节成本及总弃风成本总和最小，所述调度模型中的约束条件包括节点功率平衡约束、机组正、负调节量限制约束、机组的运行约束、机组出力的爬坡约束、机组的最小启停时间约束、支路潮流约束、电压约束和弃风约束；

(2)采用优化约减场景方法生成风电功率场景和概率；

(3)根据所述风电功率场景、概率和所述调度模型获得机组的出力计划u_i,t、P_i,t以及满足各场景所需的正调节量和负调节量并获得系统每个时段t所需的最小正旋转备用和负旋转备用获得的出力计划u_i,t、P_i,t即为所求调度计划。

更进一步地，所述目标函数为：

$\min F_c(u_{i,t},P_{i,t}^G)+\mathrm{\β}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{p}^s\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(r_{i,t}^s+v_{i,t}^s)+\mathrm{\α}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{p}^s\underset{i=1}{\overset{N_B}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left({\stackrel{\‾}{W}}_{i,t}^s\right);$

$F_c=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}[u_{i,t}{f}_{i,t}\left(P_{i,t}^G\right)+u_{i,t}(1-u_{i,t-1})C_{i,t}^U+u_{i,t-1}(1-u_{i,t})C_{i,t}^D];$

$f_{i,t}\left(P_{i,t}^G\right)=a_i+b_i{P}_{i,t}^G+c_i{\left(P_{i,t}^G\right)}^2;$

其中，为系统的总运行成本；u_i,t为可调度机组i在第t时段的状态，u_i,t＝1表示开机，u_i,t＝0表示停机；N_G为可调度机组的台数；N_B为系统节点数目；为可调度机组i在第t时段的发电成本，a_i、b_i和c_i分别为可调度机组i的发电成本函数的0次、1次和2次系数；为调度机组i在第t时段的出力；为第i个节点在第t时段的系统应对风电功率场景s的弃风量；分别为调度机组i在第t时段的启动成本和停机成本；β表示调节量的价格系数；α表示弃风的惩罚系数；表示在第t时段第i个节点应对风电功率场景s所需要的正调节量；表示在第t时段第i个节点应对风电功率场景s所需要的负调节量；p^s表示风电功率场景s的概率。

其中，所述调度模型目标函数考虑了总运行成本、总调节成本及总弃风成本总和最小，与传统仅考虑总运行成本的调度模型相比，得到的调度计划在保证经济成本最小的同时能够以最小调节量应对风电功率随机变化，避免了调度计划的大幅度调整，减轻了运行调度人员的负担。

本发明考虑了系统的功率平衡、正/负调节量约束，机组的出力约束、爬坡约束和最小启停时间约束，支路潮流约束，电压约束，弃风约束，满足系统运行的基本要求。且从目标函数和约束函数的形式看，所建立的模型为常规的确定性混合整数规划问题，求解简单、方便。所得的调度计划以较小的调节量满足风电功率可能出现的场景，避免了调度计划的大幅度调整，减轻运行调度人员的负担。

附图说明

图1是本发明实施例提供的以最小调节量应对风电功率随机变化的调度方法实现流程图；

图2是本发明实施例提供的系统负荷值的曲线图；

图3是本发明实施例提供的压缩后的风电功率场景的曲线图；

图4是本发明实施例提供的火力发电机组的出力计划的曲线图；

图5是本发明实施例提供的系统旋转备用的曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明所要解决的技术问题是克服现有调度模型对风电场景的限制、不具备鲁棒性的缺陷，提出一种新的鲁棒调度模型，该模型制定了应对可能出现的风电功率场景的鲁棒调度计划，同时确保调节量是最小的，避免了调度计划的大幅度调整。

针对现有技术的不足，本发明提出了一种以最小调节量应对风电功率随机变化的鲁棒调度计划模型。该模型实现了用一系列常规的、易于求解的确定性约束表征风电功率的随机特性，以较小的调节量满足风电功率可能出现的场景。模型计算简单、结果实用，具有很强的鲁棒性。

本发明实施例提供的以最小调节量应对风电功率随机变化的调度方法，具体包括下述步骤：

(1)建立以最小调节量应对风电功率随机变化的鲁棒调度计划模型。

(1.1)目标函数：使得系统总运行成本、总调节成本、总弃风成本总和最小。

$\min F_c(u_{i,t},P_{i,t}^G)+\mathrm{\β}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{p}^s\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(r_{i,t}^s+v_{i,t}^s)+\mathrm{\α}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{p}^s\underset{i=1}{\overset{N_B}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left({\stackrel{\‾}{W}}_{i,t}^s\right)---\left(1\right)$

$F_c=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}[u_{i,t}{f}_{i,t}\left(P_{i,t}^G\right)+u_{i,t}(1-u_{i,t-1})C_{i,t}^U+u_{i,t-1}(1-u_{i,t})C_{i,t}^D]---\left(2\right)$

$f_{i,t}\left(P_{i,t}^G\right)=a_i+b_i{P}_{i,t}^G+c_i{\left(P_{i,t}^G\right)}^2---\left(3\right)$

式(1)(2)(3)中，表示系统的总运行成本；u_i,t表示可调度机组i在第t时段的状态，u_i,t＝1表示开机，u_i,t＝0表示停机；N_G表示可调度机组的台数；N_B表示系统节点数目；为机组i在第t时段的发电成本，a_i、b_i和c_i分别表示机组i的发电成本函数的0次、1次和2次系数；为调度机组i在第t时段的出力；表示第i个节点在第t时段，系统应对风电功率场景s的弃风量；分别表示调度机组i在第t时段的启动成本和停机成本；β表示调节量的价格系数；α表示弃风的惩罚系数；表示在第t时段，第i个节点应对风电功率场景s所需要的正调节量；表示在第t时段，第i个节点应对风电功率场景s所需要的负调节量；p^s表示风电功率场景s的概率。

(1.2)约束条件：

(1.2.1)节点功率平衡约束

$u_{i,t}{P}_{i,t}^G+(W_{i,t}^s-{\stackrel{\‾}{W}}_{i,t}^s)+(r_{i,t}^s-v_{i,t}^s)-U_{i,t}\underset{j=1}{\overset{N_B}{\mathrm{\Σ}}}{U}_{j,t}(G_{i,j}\cos {\mathrm{\θ}}_{i,j;t}+B_{i,j}\sin {\mathrm{\θ}}_{i,j;t})=P_{i,t}^D---\left(4\right)$

s＝1,2,…,S；t＝1,2,…,T；i∈S_B

式(4)中，S_B表示系统节点的集合；表示第i个节点的第s个风电功率场景在第t时段的值；表示第i个节点在第t时段的有功负荷；U_i,t表示第i个节点在第t时段的电压幅值；θ_i,t表示第i个节点在第t时段的电压相角，θ_i,j；t＝θ_i,t-θ_j,t；G_i,j，B_i,j分别表示节点导纳矩阵第i行第j列元素的实部和虚部。

(1.2.2)机组正、负调节量限制约束

$0\≤r_{i,t}^s\≤u_{i,t}({\stackrel{\‾}{P}}_i^G-P_{i,t}^G)---\left(5\right)$

$0\≤v_{i,t}^s\≤u_{i,t}(P_{i,t}^G-{\underset{\‾}{P}}_i^G)---\left(6\right)$

s＝1,2,…,S；t＝1,2,…,T；i∈S_G

式(5)(6)中，S_G表示常规机组的集合；表示可调度机组i出力的上限；表示可调度机组i出力的下限。

(1.2.3)机组的运行约束

$u_{i,t}{\underset{\‾}{P}}_i^G\≤P_{i,t}^G\≤u_{i,t}{\stackrel{\‾}{P}}_i^G---\left(7\right)$

(1.2.4)机组出力的爬坡约束

$P_{i,t}^G-P_{i,t-1}^G\≤{\mathrm{\ΔP}}_i^{\mathrm{up}},P_{i,t}^G>P_{i,t-1}^G---\left(8\right)$

$P_{i,t}^G-P_{i,t-1}^G\&GreaterEqual;{\mathrm{\&Delta;P}}_i^{\mathrm{down}},P_{i,t}^G<P_{i,t-1}^G---\left(9\right)$

式(8)(9)中，表示机组i在相邻时段向上爬坡出力限制；表示机组i在相邻时段向下爬坡出力限制。

(1.2.5)机组的最小启停时间约束

$\left\{\begin{array}{c}{\underset{\&OverBar;}{T}}_i^{\mathrm{on}}\&le;T_i^{\mathrm{on}}\\ {\underset{\&OverBar;}{T}}_i^{\mathrm{off}}\&le;T_i^{\mathrm{off}}\end{array}\right.---\left(10\right)$

式(10)中，表示机组i持续运行的时间；表示机组i持续停机的时间；表示机组i持续运行的最小时间限制；表示机组i持续停机的最小时间限制。

(1.2.6)支路潮流约束

$\left|P_{l,t}\right|=\left|P_{i,j;t}\right|=|{\left(U_{i,t}\right)}^2{G}_{i,j}-U_{i,t}{U}_{j,t}(G_{i,j}\cos {\mathrm{\&theta;}}_{i,j;t}+B_{i,j}\sin {\mathrm{\&theta;}}_{i,j;t})|\&le;{\stackrel{\&OverBar;}{P}}_l,l\&Element;S_l---\left(11\right)$

(1.2.7)电压约束

${\stackrel{\&OverBar;}{U}}_i\&le;U_{i,t}\&le;{\stackrel{\&OverBar;}{U}}_j---\left(12\right)$

(1.2.8)弃风约束

$0\&le;{\stackrel{\&OverBar;}{W}}_{i,t}^s\&le;W_{i,t}^s---\left(13\right)$

(2)生成风电功率场景

采用优化约减场景方法生成风电功率场景，具体步骤参考文献《Scenario reduction and scenario tree construction for power managementproblems》(Proceedings of IEEE Conference on Power Tech,Bologna,Italy,2003)，优化约减场景的模型公式如下：

$\underset{\tilde{o}}{\min }\frac{1}{T}\underset{k1\&Element;\{o-\tilde{o}\}}{\mathrm{\&Sigma;}}{p}_{\mathrm{\&zeta;}}^{k1}\underset{k2\&Element;\tilde{o}}{\min }|{\mathrm{\&zeta;}}_{1,...,T}^{k1}-{\widetilde{\mathrm{\&zeta;}}}_{1,...,T}^{k2}|$

s.t.

$\underset{\tilde{s}=1}{\overset{{\tilde{S}}_{\mathrm{\&zeta;}}}{\mathrm{\&Sigma;}}}{\tilde{p}}_{\widetilde{\mathrm{\&zeta;}}}^{\tilde{s}}=1---\left(14\right)$

$\underset{s=1}{\overset{S_{\mathrm{\&zeta;}}}{\mathrm{\&Sigma;}}}{p}_{\mathrm{\&zeta;}}^s=1$

式(14)中，O表示原始的场景集合；表示约简的场景集合；表示被删减的场景集合；ζ和分别表示原始的场景及其概率；和分别表示约简的场景及其概率；s_ζ表示原始的场景总数，s＝1,2,…,s_ζ；表示约简的场景总数， $\tilde{s}=\mathrm{1,2},...,{\tilde{s}}_{\mathrm{\&zeta;}}.$

求解式(14)获得优化约减场景及其概率其中，表示第个约简的风电功率场景在第t时段的值；表示第个约简的风电功率场景的概率。

(3)求解模型

将(2)中生成的场景和概率代入模型中的和p^s，采用GAMS软件中的CPLEX求解器对模型进行求解。通过计算得到如下结果：

(3.1)一个鲁棒的机组的出力计划u_i,t、P_i,t，在实际运行中，该计划通过适量的调节，可应对可能发生的所有场景S，具有鲁棒性。其中，u_i,t表示调度机组i在第t时段的状态，P_i,t表示调度机组i在第t时段的出力。

(3.2)满足各场景所需的正调节量和负调节量然后根据式(15)、(16)可以得到系统每个时段t所需的最小正旋转备用和负旋转备用

$R_t^{\mathrm{up}}=\max \{\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=1},\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=2},...,\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=S}\}---\left(15\right)$

$R_t^{\mathrm{down}}=\max \{\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=1},\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=2},...,\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}{r}_{i,t}^{s=S}\}---\left(16\right)$

t＝1,2,…,T

本发明的优点和积极效果是：模型考虑了系统的功率平衡、正/负调节量约束，机组的出力约束、爬坡约束和最小启停时间约束，支路潮流约束，电压约束，弃风约束，满足系统运行的基本要求。且从目标函数和约束函数的形式看，所建立的模型为常规的确定性混合整数规划问题，求解简单、方便。所得的调度计划以较小的调节量满足风电功率可能出现的场景，避免了调度计划的大幅度调整，减轻运行调度人员的负担。

下面结合附图对本发明实施案例作进一步说明。

案例中系统火电装机容量为20253MW，风电装机容量为5633MW。参与调度的机组共有95台，即N_G＝95。机组最大出力为20253MW，最小出力为14333MW。系统负荷值如图2所示，图2中曲线表示日96点的系统负荷值，其中最大值为20589MW，最小值为18056MW。在本算例中，设C_r＝C_v＝16.18$/MW。

第1步：选取历史的161个风功率序列的典型场景，采用式(14)优化约减场景方法将其压缩得到22个风电功率场景，即S＝22，所得场景如图3所示，图3中22条曲线表示压缩得到的22个风电功率场景日96点功率值。

第2步：将第1步生成的场景和概率代入模型中的和p^s，采用CAMS软件进行求解。

通过计算得到：

(1)u_i,t＝1，i＝1,2,…,N_G,t＝1,2,…,T，也就是说每个机组的状态都是开启的。

(2)火力发电机组的出力计划如图4所示。图4中曲线1是模型求解的结果P_i,t，曲线2是实际净负荷，其值等于系统负荷减去实际风电功率。从图中可以看出，曲线1与曲线2的偏差较小，意味着本发明方法能够通过调节较好地应对风电功率的变化。

(3)图5比较了模型求解的系统旋转备用和系统具有的旋转备用，曲线1和曲线2分别表示模型的正旋转备用和负旋转备用，曲线3和曲线4分别表示系统具有的正旋转备用和负旋转备用。系统旋转备用通过式(15)(16)计算得到。从图5中可以看出，求解模型得到的系统旋转备用小于系统具有的旋转备用，这说明本发明方法需要的旋转备用较小，且不超过系统的具有的旋转备用，具有较高可行性，保证了系统的安全稳定运行。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种以最小调节量应对风电功率随机变化的调度方法，其特征在于，包括下述步骤：

(1)建立以最小调节量应对风电功率随机变化的调度模型，所述调度模型中的目标函数应满足使得系统总运行成本、总调节成本及总弃风成本总和最小，所述调度模型中的约束条件包括节点功率平衡约束、机组正、负调节量限制约束、机组的运行约束、机组出力的爬坡约束、机组的最小启停时间约束、支路潮流约束、电压约束和弃风约束；

(2)采用优化约减场景方法生成风电功率场景和概率；

(3)根据所述风电功率场景、概率和所述调度模型获得机组的出力计划u_i,t、P_i,t以及满足各场景所需的正调节量Δr_t ^s和负调节量并获得系统每个时段t所需的最小正旋转备用和负旋转备用

2.如权利要求1所述的调度方法，其特征在于，所述目标函数为：

$\min F_c(u_{i,t},P_{i,t}^G)+\mathrm{\&beta;}\underset{s=1}{\overset{S}{\mathrm{\&Sigma;}}}{p}^s\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(r_{i,t}^s+v_{i,t}^s)+\mathrm{\&alpha;}\underset{s=1}{\overset{S}{\mathrm{\&Sigma;}}}{p}^s\underset{i=1}{\overset{N_B}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left({\stackrel{\&OverBar;}{W}}_{i,t}^s\right);$

$F_c=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_G}{\mathrm{\&Sigma;}}}[u_{i,t}{f}_{i,t}\left(P_{i,t}^G\right)+u_{i,t}(1-u_{i,t-1})C_{i,t}^U+u_{i,t-1}(1-u_{i,t})C_{i,t}^D];$

$f_{i,t}\left(P_{i,t}^G\right)=a_i+b_i{P}_{i,t}^G+c_i{\left(P_{i,t}^G\right)}^2;$

其中，为系统的总运行成本；u_i,t为可调度机组i在第t时段的状态，u_i,t＝1表示开机，u_i,t＝0表示停机；N_G为可调度机组的台数；N_B为系统节点数目；为可调度机组i在第t时段的发电成本，a_i、b_i和c_i分别为可调度机组i的发电成本函数的0次、1次和2次系数；为调度机组i在第t时段的出力；为第i个节点在第t时段的系统应对风电功率场景s的弃风量；分别为调度机组i在第t时段的启动成本和停机成本；β表示调节量的价格系数；α表示弃风的惩罚系数；表示在第t时段第i个节点应对风电功率场景s所需要的正调节量；表示在第t时段第i个节点应对风电功率场景s所需要的负调节量；p^s表示风电功率场景s的概率。