CN104933534A - 一种考虑风电有功降载能力的两阶段系统备用优化评估方法 - Google Patents

Abstract

本发明公开了一种考虑风电有功降载能力的两阶段系统备用优化评估方法。在减少风电并网的备用容量需求、缓解风电消纳压力背景下，考虑新型风电机组的主动有功控制功能，针对传统火电机组与风电机组运行特性及响应时间尺度上的差异，建立事前计划与实时控制两阶段互耦双层优化模型，实现整个事前结算的成本最小以及实时阶段的计划调整最小。本发明能够定量地确定风电实际并网功率及备用能力，在事前计划阶段考虑系统实时运行阶段风电所具备的功率快速响应、调节能力，给出相应的系统运行计划。以本发明得到的调度计划策略与实时运行状态相比误差更小，且传统机组备用压力小，系统整体运行经济性更佳。

Description

一种考虑风电有功降载能力的两阶段系统备用优化评估方法

技术领域

本发明涉及一种系统备用优化评估方法，尤其是涉及一种考虑风电有功降载能力的两阶段系统备用优化评估方法。

背景技术

随着电力系统风电接入规模的不断扩大，电力系统调度问题与运行压力日益凸显，系统调度部门不得不调度传统机组持有相应的调频或调峰容量来确保风电的顺利消纳。这一方面增加了传统机组的运行压力以及系统调度运行的复杂性，另一方面减少或抵消了风电并网带来的经济环保效益。风电的有功控制技术能够调节风电的输出特性，改善风电与传统电网间的交互提升系统优化运行水平，近年来受到人们的广泛关注。在众多风电有功控制技术中，降载运行能够较长时间维持，是风电可调度性实现的技术基础。所谓风电降载控制，是指风机采用变桨控制、变流器控制等主动控制手段偏离MPPT运行，从而产生相应的功率调节与备用能力。如何实现风电主动功率控制能力及备用能力在系统层面的建模，是解决风电主动参与系统功率备用调度问题的关键。

目前，众多建模方法多默认风电自主地工作在MPPT模式，系统运行所需的其他功率及全部备用容量由传统的水电或火电机组承担。根据建模手段的不同，可以分为确定性建模方法和不确定性建模方法。确定性建模方法一般考虑风电预测误差和最大功率波动来评估实际的预测误差/波动量来确定备用容量，不确定性建模方法采用概率或模糊理论来评估备用需求并将评估结果用于系统调度建模中。在上述考虑消纳风电的经济调度方法中，确定性方法与不确定性方法均考虑风电全额馈入，通过传统机组备用容量来配合风电消纳并没有考虑风电自身的主动控制能力。并且上述模型一般忽略实时阶段均只考虑事前阶段，其优化结果缺少实时阶段的评价与验证。

相比传统机组，风电机组受制于天气条件出力虽然具有波动性和不确定性的缺点，但风电机组惯性常数小，响应速度快，因此风电场可在极短时间内实现其出力的调节，这有利于平抑功率波动趋近系统计划运行状态。因此，在事前阶段制定系统运行计划时应当对风电的实时调节能力予以考虑，建立传统机组与风电、系统调度事前计划阶段与系统实时运行阶段的联动机制以实现含风电接入系统的最优运行。目前，部分国家如丹麦、德国等在风机并网准则中已经明确规定风电场要具备有功控制能力。从中可以看出，风电机组的主动功率控制是未来风电控制的重要发展方向，但尚缺少相应的建模方法。

发明内容

为解决上述问题，本发明提出了一种考虑风电有功降载能力的两阶段系统备用优化评估方法，同时考虑系统事前计划阶段和实时控制阶段，求取系统最佳运行策略。

本发明的技术方案采用如下步骤：

1).构建考虑风电主动功率控制的含风电系统运行框架。

2).通过风机降载比来确定风电实际并网功率P及备用能力R。

3).事前阶段根据风电功率及负荷功率预测结果，以整个事前阶段的成本最小为目标函数制定相应的系统运行及备用计划。

4).实时阶段利用场景生成与缩减技术描述风电出力的不确定性，并考虑风电降载运行主动功率控制技术，保证系统实时运行状态与事前阶段制定的运行状态偏差最小。

5).最后，考虑两阶段模型求解的复杂性引入数学上的等效变换,利用KKT条件将具备明确物理意义的两阶段双层模型转化成单层模型方便求解。

所述的步骤1)中的虑风电主动功率控制的含风电系统调度框架为：

传统系统调度通常默认风电采用MPPT控制并通过风电场进行管理，系统层则通过功率预测估计风电波动范围并进而安排传统机组的出力计划和备用计划。如图1所示，本发明在传统模式的基础上考虑风电机组的主动功率控制能力，在风场层加入对系统出力命令的响应。与传统调度模式相比，在风电可调度模式下，风场层可以响应系统的调度指令，同时底层的风机可以响应风场层的控制命令。

所述的步骤2)中的风电实际并网功率P及备用能力R采用以下公式得到：

P＝(1-K)P^MPPT

R＝K·P^MPPT

其中，P为实际风电并网功率，R为风电降载运行的备用能力，K为风电降载比，P^MPPT为风电最大功率跟踪模式功率。

利用风机响应速度快的特点，在实时阶段可根据实时阶段运行工况合理调节降载比来趋近事前计划。原理图如图2所示，其中三段粗实线分别反映不同风速v₁、v₂和v₃下风机捕获功率随转子转速变化的关系；MPPT曲线为各风速下风机最大功率点的连线，曲线①②分别为风机在各风速下保持降载比K₁、K₂的运行点曲线。当实际风速v₁低于预测风速v₂时，风场将降载比从K₂调整为K₁可保证既定的计划输出。由此可见，和传统的MPPT控制相比，风机的降载控制可以提供更为平稳的风机出力。

所述的步骤3)中以整个事前阶段的成本最小为目标函数制定相应的系统运行及备用计划具体如下：

${\mathrm{minQ}}_1=\underset{m=1}{\overset{N_g}{\Σ}}\[f_m\left(P_m^{\left(0\right)}\right)+c_m^R{R}_m\]+\underset{n=1}{\overset{N_w}{\Σ}}(c_n^P{P}_n^{\left(0\right)}+c_n^R{R}_n)$

事前阶段以系统运行成本最小为目标函数，其中，Q₁为成本；R_m为事前阶段待确定的第m台机组提供的出力及备用容量；为第n个风场预测出力，R_n为第n个风场降载运行持有的备用容量；f_m(·)为传统机组二次成本函数； 和分别为传统机组备用价格、风电能量及备用定价；N_g、N_w分别为机组台数及风场个数；R_n采用下式求取：

$P_n^{\left(0\right)}=(1-K_n){\tilde{P}}_n$

$R_n=K_n{\tilde{P}}_n$

K_n为在事前阶段预估的风场降载比；为风场的MPPT功率预测值。

事前阶段的约束条件有：

$P_m^{\min }\≤P_m^{\left(0\right)}\≤P_m^{max},\∀m$

$\left\{\begin{array}{c}{P}_m^{\left(0\right)}\left(t\right)-P_m^{\left(0\right)}(t-1)\≤r_m^{+}D\\ P_m^{\left(0\right)}(t-1)-P_m^{\left(0\right)}\left(t\right)\≤r_m^{-}D\end{array}\right.,\∀m$

$0\≤R_m\≤min(P_m^{max}-P_m^{\left(0\right)},r_{m}D)$

$\underset{m=1}{\overset{N_g}{\Σ}}{R}_m+\underset{n=1}{\overset{N_w}{\Σ}}{R}_n\≥R_D$

$P_m^{\left(0\right)}+P_n^{\left(0\right)}-{\tilde{P}}_{L,i}-{\mathrm{\ΣB}}_{ij}{\mathrm{\θ}}_{ij}=0,\∀i$

$-P_{ij}^{max}\≤P_{ij}\≤P_{ij}^{max}$

约束条件依次为：传统机组出力上下限约束；传统机组爬坡约束；传统机组备用容量约束；系统备用容量约束；潮流约束；线路传输功率约束。

所述的步骤4)中实时控制阶段优化模型具体如下：

${\mathrm{minQ}}_2=\underset{s=1}{\overset{N_s}{\Σ}}{\mathrm{\σ}}^{\left(s\right)}\{\underset{m=1}{\overset{N_g}{\Σ}}{(P_m^{\left(s\right)}-P_m^{\left(0\right)})}^2+\underset{n=1}{\overset{N_w}{\Σ}}{(P_n^{\left(s\right)}-P_n^{\left(0\right)})}^2\}$

实时阶段考虑N_s个可能的实时阶段场景，以系统实际运行状态与事前计划结果间偏差Q₂最小为目标函数。其中，σ^(s)为第s个场景发生的概率；为待确定的第m台机组提供的出力；为第n个风场的预测出力；为传统机组m在场景s中的出力；N_g、N_w分别为机组台数及风场个数；为风场在场景s下的实际输出功率，采用下式求算：

$P_n^{\left(s\right)}=(1-K_n^{\left(s\right)}){\tilde{P}}_n^{\left(s\right)}$

其中，风场在场景s下的MPPT功率；为风场n在场景s下的降载比。

实时控制阶段的约束条件有：

$P_m^{min}\≤P_m^{\left(s\right)}\≤P_m^{max},\∀m,s$

$0\≤K_n^{\left(s\right)}\≤K_n^{\max },\∀n,\∀s$

$\underset{m=1}{\overset{N_g}{\Σ}}{P}_m^{\left(s\right)}+\underset{n=1}{\overset{N_w}{\Σ}}{P}_n^{\left(s\right)}=P_{load}^{\left(s\right)},\∀s$

约束条件依次为：传统机组出力上下限约束；风电降载比约束；功率平衡约束。

将步骤3)-4)中事前阶段优化模型与实时阶段优化模型采用以下公式相互耦合：

$K_n=min\left(K_n^{\left(s\right)}\right)$

即所述的事前阶段预估的风场降载比K_n取各实时场景所有降载比的最小值，从而为系统安排足够的传统备用容量。

所述的步骤5)中利用KKT条件将双层模型转化成单层模型方便求解的数学原理如下：

$\left.\begin{array}{c}\underset{x}{\min }{f}_1(x,y)\\ s.t.g_1(x,y)\≤0\\ h_1(x,y)=0\\ \underset{y}{\min }{f}_2(x,y)\\ s.t.g_2(x,y)\≤0\\ h_2(x,y)=0\end{array}\right\}\→\begin{array}{c}Object:\underset{x}{\min }{f}_1(x,y)\\ s.t.\left\{\begin{array}{c}{g}_1(x,y)\≤0\\ h_1(x,y)=0\\ {\▿}_y{f}_2(x,y)+{\▿}_y{\mathrm{\αg}}_2(x,y)+{\▿}_y{\mathrm{\λh}}_2(x,y)=0\\ g_2(x,y)\≤0\\ h_2(x,y)=0\\ \mathrm{\α}\≥g\\ {\mathrm{\αg}}_2(x,y)=0\end{array}\right.\end{array}$

其中，f₁(x,y)、f₂(x,y)分别代指事前和实时阶段目标，即系统运行成本和系统运行偏差；s.t.指相应目标的约束条件，其中g均表示不等式约束，h均表示等式约束；α,λ分别为等式约束和不等式约束的拉格朗日乘子，αg₂(x,y)＝0为线性互补条件。

本发明的有益效果是：

本发明能够定量地确定风电实际并网功率及备用能力，在事前计划阶段考虑系统实时运行阶段风电所具备的功率快速响应、调节能力，给出相应的系统运行计划。以本发明得到的调度计划策略与实时运行状态相比误差更小，且传统机组备用压力小，系统整体运行经济性更佳。

附图说明

图1含风电系统调度模式示意图；

图2DFIG降载运行及降载曲线示意图；

图3两风场30节点系统接线图；

图4预测的负荷-风电工况曲线，(a)工况C1，(b)工况C2；

图5工况C1两风场风电功率场景，(a)风场W1实时功率场景，(b)风场W2实时功率场景；

图6事前阶段风电降载比优化结果，(a)工况C1，(b)工况C2；

图7不同控制模式下的优化比较结果，(a)、(b)分别为工况C1、C2的事前计划成本图，(c)、(d)分别为工况C1、C2的系统计划偏差，(e)、(f)分别为工况C1、C2的风电并网功率；

图8实时场景风电控制方式示意图；

表1火电机组参数；

表2风场参数；

表3系统各节点负荷注入比例；

表4不同控制模式下的系统备用容量情况。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

本发明方法包括以下步骤：

1).构建考虑风电主动功率控制的含风电系统运行框架。

2).通过风机降载比来确定风电实际并网功率P及备用能力R。

3).事前阶段根据风电功率及负荷功率预测结果，以整个事前阶段的成本最小为目标函数制定相应的系统运行及备用计划。

4).实时阶段利用场景生成与缩减技术表征风电出力的不确定性，并考虑风电降载运行主动功率控制技术，保证系统实时运行状态与事前阶段制定的运行状态偏差最小。

5).最后，考虑两阶段模型求解的复杂性引入数学上的等效变换,利用KKT条件将具备明确物理意义的两阶段模型转化成单层模型方便求解。

其中，步骤1)中的考虑风电主动功率控制的含风电系统调度框架如图1所示。为了考虑风电机组的主动功率控制能力，本发明在传统模式的基础上在系统层加入对风电场出力的控制，在风场层加入对系统出力命令的响应。与传统调度模式相比，在风电可调度模式下，风场层可以响应系统的调度指令，同时底层的风机可以响应风场层的控制命令。

步骤2)中风电实际并网功率P及备用能力R采用以下公式得到：

P＝(1-K)P^MPPT

R＝K·P^MPPT

其中，P为实际风电并网功率，R为风电降载运行的备用能力，K为风电降载比，P^MPPT为风电MPPT模式功率。

所述的步骤3)中以整个事前阶段的成本最小为目标函数制定相应的系统运行及备用计划具体如下：

${\mathrm{minQ}}_1=\underset{m=1}{\overset{N_g}{\Σ}}\[f_m\left(P_m^{\left(0\right)}\right)+c_m^R{R}_m\]+\underset{n=1}{\overset{N_w}{\Σ}}(c_n^P{P}_n^{\left(0\right)}+c_n^R{R}_n)$

事前阶段以系统运行成本最小为目标函数，其中，R_m为事前阶段待确定的第m台机组提供的出力及备用容量；为第n个风场预测出力，R_n为风场降载运行持有的备用容量；f_m(·)为传统机组二次成本函数；和分别为传统机组备用价格、风电能量及备用定价；R_n采用下式求取：

$P_n^{\left(0\right)}=(1-K_n){\tilde{P}}_n$

$R_n=K_n{\tilde{P}}_n$

K_n为在事前阶段预估的风场降载比；为风场的MPPT功率预测值。

事前阶段的约束条件有：

$P_m^{\min }\≤P_m^{\left(0\right)}\≤P_m^{max},\∀m$

$\left\{\begin{array}{c}{P}_m^{\left(0\right)}\left(t\right)-P_m^{\left(0\right)}(t-1)\≤r_m^{+}D\\ P_m^{\left(0\right)}(t-1)-P_m^{\left(0\right)}\left(t\right)\≤r_m^{-}D\end{array}\right.,\∀m$

$0\≤R_m\≤min(P_m^{max}-P_m^{\left(0\right)},r_{m}D)$

$\underset{m=1}{\overset{N_g}{\Σ}}{R}_m+\underset{n=1}{\overset{N_w}{\Σ}}{R}_n\≥R_D$

$P_m^{\left(0\right)}+P_n^{\left(0\right)}-{\tilde{P}}_{L,i}-{\mathrm{\ΣB}}_{ij}{\mathrm{\θ}}_{ij}=0,\∀i$

$-P_{ij}^{max}\≤P_{ij}\≤P_{ij}^{max}$

约束条件依次为：传统机组出力上下限约束；传统机组爬坡约束；传统机组备用容量约束；系统备用容量约束；潮流约束；线路传输功率约束。

所述的步骤4)中实时控制阶段优化模型具体如下：

${\mathrm{minQ}}_2=\underset{s=1}{\overset{N_s}{\Σ}}{\mathrm{\σ}}^{\left(s\right)}\{\underset{m=1}{\overset{N_g}{\Σ}}{(P_m^{\left(s\right)}-P_m^{\left(0\right)})}^2+\underset{n=1}{\overset{N_w}{\Σ}}{(P_n^{\left(s\right)}-P_n^{\left(0\right)})}^2\}$

实时阶段考虑N_s个可能的实时阶段场景，以系统实际运行状态与事前计划结果间偏差最小为目标函数。其中，σ^(s)为场景s发生的概率；为传统机组m在场景s中的出力；为风场在场景s下的实际输出功率。采用下式求算：

$P_n^{\left(s\right)}=(1-K_n^{\left(s\right)}){\tilde{P}}_n^{\left(s\right)}0$

其中，风场在场景s下的MPPT功率；为风场n在场景s下的降载比。

实时控制阶段的约束条件有：

$P_m^{min}\≤P_m^{\left(s\right)}\≤P_m^{max},\∀m,s$

$0\≤K_n^{\left(s\right)}\≤K_n^{\max },\∀n,\∀s$

$\underset{m=1}{\overset{N_g}{\Σ}}{P}_m^{\left(s\right)}+\underset{n=1}{\overset{N_w}{\Σ}}{P}_n^{\left(s\right)}=P_{load}^{\left(s\right)},\∀s$

约束条件依次为：传统机组出力上下限约束；风电降载比约束；功率平衡约束。

所述的步骤3)-4)中事前阶段优化模型与实时阶段优化模型耦合条件为：

$K_n=min\left(K_n^{\left(s\right)}\right)$

其中，为风场n在场景s下的降载比，K_n为事前阶段预估的风场n的降载比。

所述的步骤5)中利用KKT条件将两阶段双层模型转化成单层模型：

目标函数：

${\mathrm{minQ}}_1=\underset{m=1}{\overset{N_g}{\Σ}}\[f_m\left(P_m^{\left(0\right)}\right)+c_m^R{R}_m\]+\underset{n=1}{\overset{N_w}{\Σ}}\[c_n^P{P}_n^{\left(0\right)}+c_n^R{R}_n\]$

(1)原上层约束条件：

$\left\{\begin{array}{c}\begin{array}{cc}{P}_m^{\min }\≤P_m^{\left(0\right)}\≤P_m^{max}& \∀m\end{array}\\ \begin{array}{cc}\left\{\begin{array}{c}{P}_m^{\left(0\right)}\left(t\right)-P_m^{\left(0\right)}(t-1)\≤r_m^{+}D\\ P_m^{\left(0\right)}(t-1)-P_m^{\left(0\right)}\left(t\right)\≤r_m^{-}D\end{array}\right.& \∀m\end{array}\\ 0\≤R_m\≤min(P_m^{max}-P_m^{\left(0\right)},r_{m}D)\\ \underset{m=1}{\overset{N_g}{\Σ}}{R}_m+\underset{n=1}{\overset{N_w}{\Σ}}{K}_n{\tilde{P}}_n\≥R_D\\ P_m^{\left(0\right)}+P_n^{\left(0\right)}-P_{load,i}-{\mathrm{\ΣB}}_{ij}{\mathrm{\θ}}_{ij}=0,\∀i\\ -P_{ij}^{max}\≤P_{ij}\≤P_{ij}^{max}\\ \begin{array}{cc}0\≤K_n\≤K_n^{\max }& \∀n\end{array}\\ K_n=\min \left(K_n^{\left(s\right)}\right)\end{array}\right.$

(2)下层等效条件：原下层模型写成KKT条件后得到的约束条件

$\left\{\begin{array}{c}\begin{array}{cc}\frac{df}{{\mathrm{dP}}_m}=\underset{s=1}{\overset{N_s}{\Σ}}{\mathrm{\σ}}_s\[2(P_m^{\left(s\right)}-P_m^{\left(0\right)})-{\mathrm{\α}}_m^{\left(s\right)}+{\mathrm{\β}}_m^{\left(s\right)}+{\mathrm{\λ}}^{\left(s\right)}\]=0& \∀m\end{array}\\ \begin{array}{cc}\frac{df}{{\mathrm{dK}}_n}=\underset{s=1}{\overset{N_s}{\Σ}}{\mathrm{\σ}}_s\{2(P_n^{\left(s\right)}-P_m^{\left(0\right)})(-{\tilde{P}}_n^{\left(s\right)})-{\mathrm{\μ}}_n^{\left(s\right)}+{\mathrm{\ν}}_n^{\left(s\right)}+{\mathrm{\λ}}^{\left(s\right)}(-{\tilde{P}}_n^{\left(s\right)})\}=0& \∀n\end{array}\\ \left\{\begin{array}{cc}{P}_m^{\min }-P_m^{\left(s\right)}\≤0,P_m^{\left(s\right)}-P_m^{\max }\≤0& \∀m,\∀s\\ K_n^{\left(s\right)}\≥0,K_n^{\left(s\right)}-K_n^{\max }\≤0& \∀n,\∀s\end{array}\right.\\ \begin{array}{cc}\underset{m=1}{\overset{N_g}{\Σ}}{P}_m^{\left(s\right)}+\underset{n=1}{\overset{N_w}{\Σ}}{P}_m^{\left(s\right)}-P_{load}^{\left(s\right)}=0& \∀s\end{array}\\ \begin{array}{cc}{\mathrm{\α}}_m^{\left(s\right)},{\mathrm{\β}}_m^{\left(s\right)},{\mathrm{\μ}}_m^{\left(s\right)}+{\mathrm{\ν}}_m^{\left(s\right)}\≥0& \∀m,\∀s\end{array}\\ \begin{array}{cc}\left\{\begin{array}{c}{\mathrm{\α}}_m^{\left(s\right)}(P_m^{\min }-P_m^{\left(s\right)})=0\\ {\mathrm{\β}}_m^{\left(s\right)}(P_m^{\left(s\right)}-P_m^{\max })=0\end{array}\right.& \∀m,\∀s\end{array}\\ \begin{array}{cc}\left\{\begin{array}{c}{\mathrm{\μ}}_n^{\left(s\right)}(-K_n^{\left(s\right)})=0\\ {\mathrm{\ν}}_n^{\left(s\right)}=(K_n^{\left(s\right)}-K_n^{\max })=0\end{array}\right.& \∀n,\∀s\end{array}\end{array}\right.$

采用本发明方法进行系统调度建模能够在事前计划阶段一并考虑风电降载运行的备用能力以及风电实时阶段的控制能力，得到偏差小、经济性佳的调度方案。有利于开发利用风电的主动控制能力，引导风电合理并网最终实现风电的合理消纳。

采用图3所示的IEEE6机30节点改进系统进行本发明的有效性验证。该系统中包括4个传统火电机组G1-G4以及2个风电场W1和W2，相应的参数在表1、表2中给出。网络参数与标准的IEEE6机30节点系统相同，负荷情况参见表3，为了综合反映实际中风电和负荷波动的影响，在具体实施例中测试了两种反映不同负荷-风电调峰特性的系统工况，如图4所示：1)工况1(记为C1)，风电全天出力存在较明显反调峰特性；2)工况2(记为C2)，风电全天出力较平缓、反调峰特性不明显。

本文算例中，实时阶段下的风电场景采用如下的方式产生：1)各场景出力满足正态分布；2)的均值和方差分别取为及5％3)误差在±15％内。负荷场景采用如下方式产：1)负荷满足均匀分布；2)负荷均值为波动范围在±3％。为了减少场景数目，在研究中进一步采用场景缩减方法，图5中给出了其中一组工况C1下的风电功率场景生成结果。

表1

表2

表3

采用本发明方法对实施例进行仿真计算，结果如下：

图6分别两种工况事前计划阶段的风电降载比K_n优化结果。同时，为探究风电降载运行状态与其渗透率的关系，图6中一并给出了各时段风电渗透率ρ(t)的信息，定义如下：

$\mathrm{\ρ}\left(t\right)=\frac{\underset{n}{\Σ}{\tilde{P}}_n\left(t\right)}{\underset{i}{\Σ}{\tilde{P}}_{L,i}\left(t\right)}$

从图6中可以看出，风电降载运行状态与其渗透率密切相关，在风电渗透率较高时(>20％时段)，风电降载运行以增加持有备用容量，降低火电机组的备用压力；在风电渗透率较低时(<20％时段)，系统备用压力小，风电保持较低的降载比或MPPT状态。

图7比较了不同控制策略的对比结果。可以观察到以下现象：

1)图7(a)-(b)，风电可降载运行相比MPPT运行可减少传统机组的备用容量需求，从而使系统的计划成本更小。特别是反调峰情况突出的3-13、20-24时段，可降载模式可更显著地降低系统计划成本，如图7(a)、(b)所示。

2)图7(c)-(d)，通过实时控制阶段调节降载比可减少风电功率偏差，使系统的计划偏差更小。特别地，结合图7(c)和图6(a)，W2在7->8时段K2从0.2降到0.1(增大出力)，接着在8->9时段恢复K2到0.2，使得8时段降载运行下的系统计划偏差Q₂大大小于MPPT模式下的相应值。同理，在图7(d)的15时段也观察到类似降载比变化。

3)由双层优化模型的特点，个别时段降载模式下系统计划偏差目标Q2较相应的MPPT模式略大，如图7(c)的2、4，图7(d)的5、10等时段，但相应的事前计划成本Q1仍较小(如图7(a)-(b))。

4)可降载模式下风电总并网功率(计划值)减少但其输出特性较MPPT模式更平滑(图7(e)(f))，尤其在风电反调峰特性较为显著的工况C1中特别明显。这有利于削减风电出力的峰谷差，降低传统机组的调峰压力。

图8给出了实时场景风电控制方式示意图中给出了24小时降载比的优化结果，同时给出风电实时场景MPPT值(根据实时风速评估)与事前计划值的差值信息。可以看出，在实时阶段若ΔP>0风电处于降载运行状态，若ΔP<0则风电保持MPPT运行。

表4

表4给出了两种控制模式下系统全天总备用容量统计情况，可以明显看出两种工况条件下风电可降载模式可以促使传统机组提供更少的备用容量，相应的总备用成本也更少。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (7)

1.一种考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于，包括以下步骤：

1)构建考虑风电主动功率控制的含风电系统运行的调度框架；

2)通过风机降载比来确定调度计划的风电并网功率P及备用能力R；

3)事前阶段根据风电功率及负荷功率预测结果，以整个事前阶段的成本最小为目标函数建立事前阶段系统运行及备用计划模型；

4)实时阶段利用场景生成与缩减技术描述风电出力的不确定性，并考虑风电降载运行主动功率控制技术，以保证系统实时运行状态与事前阶段制定的运行状态偏差最小，建立实时阶段系统运行及备用计划优化模型；

5)利用库恩-塔克条件将步骤3)及步骤4)建立的双层模型等效变换，转化为单层模型；求解，获得备用计划。

2.根据权利要求1所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的步骤1)构建的调度框架，具体为在传统模式的基础上在系统层加入对风电场出力的控制，在风场层加入对系统出力命令的响应。

3.根据权利要求1所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的步骤2)中的P及R采用以下公式得到：

P＝(1-K)P^MPPT

R＝K·P^MPPT

其中，P为实际风电并网功率，R为风电降载运行的备用能力，K为风电降载比，P^MPPT为风电最大功率跟踪模式功率。

4.根据权利要求1所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的步骤3)中建立的事前阶段系统运行及备用计划模型如下：

${\mathrm{minQ}}_1=\underset{m=1}{\overset{N_g}{\&Sigma;}}\&lsqb;f_m\left(P_m^{\left(0\right)}\right)+c_m^R{R}_m\&rsqb;+\underset{n=1}{\overset{N_w}{\&Sigma;}}(c_n^P{P}_n^{\left(0\right)}+c_n^R{R}_n)$

其中，Q₁为成本；R_m为事前阶段待确定的第m台机组提供的出力及备用容量；为第n个风场预测出力，R_n为第n个风场降载运行持有的备用容量；f_m(·)为传统机组二次成本函数；和分别为传统机组备用价格、风电能量及备用定价；N_g、N_w分别为机组台数及风场个数；R_n采用下式求取：

$P_n^{\left(0\right)}=(1-K_n){\tilde{P}}_n$

$R_n=K_n{\tilde{P}}_n$

K_n为在事前阶段预估的风场降载比；为风场的MPPT功率预测值。

事前阶段的约束条件有：

传统机组出力上下限约束

传统机组爬坡约束 $\{\begin{array}{c}{P}_m^{\left(0\right)}\left(t\right)-P_m^{\left(0\right)}(t-1)\&le;r_m^{+}D\\ P_m^{\left(0\right)}(t-1)-P_m^{\left(0\right)}\left(t\right)\&le;r_m^{-}D\end{array},\&ForAll;m$

传统机组备用容量约束 $0\&le;R_m\&le;min(P_m^{max}-P_m^{\left(0\right)},r_{m}D)$

系统备用容量约束 $\underset{m=1}{\overset{N_g}{\&Sigma;}}{R}_m+\underset{n=1}{\overset{N_w}{\&Sigma;}}{R}_n\&GreaterEqual;R_D$

潮流约束 $P_m^{\left(0\right)}+P_n^{\left(0\right)}-{\tilde{P}}_{L,i}-\&Sigma;B_{ij}{\mathrm{\&theta;}}_{ij}=0,\&ForAll;i$

线路传输功率约束 $-P_{ij}^{max}\&le;P_{ij}\&le;P_{ij}^{max}.$

5.根据权利要求4所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的事前阶段预估的风场降载比K_n为：

$K_n=min\left(K_n^{\left(s\right)}\right)$

即事前阶段取各实时场景降载比的最小值，其中，为风场n在场景s下的降载比。

6.根据权利要求1所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的步骤4)中建立的实时阶段优化模型如下：

${\mathrm{minQ}}_2=\underset{s=1}{\overset{N_s}{\&Sigma;}}{\mathrm{\&sigma;}}^{\left(s\right)}\{\underset{m=1}{\overset{N_g}{\&Sigma;}}{(P_m^{\left(s\right)}-P_m^{\left(0\right)})}^2+\underset{n=1}{\overset{N_w}{\&Sigma;}}{(P_n^{\left(s\right)}-P_n^{\left(0\right)})}^2\}$

其中，Q₂为系统实际运行状态与事前计划结果间偏差；实时阶段考虑N_s个可能的实时阶段场景，σ^(s)为第s个场景发生的概率；为待确定的第m台机组提供的出力；为第n个风场的预测出力；为传统机组m在场景s中的出力；N_g、N_w分别为机组台数及风场个数；为风场在场景s下的实际输出功率，采用下式求算：

$P_n^{\left(s\right)}=(1-K_n^{\left(s\right)}){\tilde{P}}_n^{\left(s\right)}$

其中，风场在场景s下的MPPT功率；为风场n在场景s下的降载比；

实时控制阶段的约束条件有：

传统机组出力上下限约束

风电降载比约束 $0\&le;K_n^{\left(s\right)}\&le;K_n^{\max },\&ForAll;n,\&ForAll;s$

功率平衡约束 $\underset{m=1}{\overset{N_g}{\&Sigma;}}{P}_m^{\left(s\right)}+\underset{n=1}{\overset{N_w}{\&Sigma;}}{P}_n^{\left(s\right)}=P_{load}^{\left(s\right)},\&ForAll;s.$

7.根据权利要求1所述的考虑风电有功降载能力的两阶段系统备用优化评估方法，其特征在于：所述的步骤5)中利用KKT条件实现双层模型到单层模型的等效转化：

$\begin{array}{c}Object:\underset{x}{\min }{f}_1(x,y)\\ \left.\begin{array}{c}\underset{x}{\max }{f}_1(x,y)\\ s.t.g_1(x,y)\&le;0\\ h_1(x,y)=0\\ \underset{y}{\min }{f}_2(x,y)\\ s.t.g_2(x,y)\&le;0\\ h_2(x,y)=0\end{array}\right\}\&RightArrow;s.t.\left\{\begin{array}{c}{g}_1(x,y)\&le;0\\ h_1(x,y)=0\\ {\&dtri;}_y{f}_2(x,y)+{\&dtri;}_y{\mathrm{\&alpha;g}}_2(x,y)+{\&dtri;}_y{\mathrm{\&lambda;h}}_2(x,y)=0\\ g_2(x,y)\&le;0\\ h_2(x,y)=0\\ \mathrm{\&alpha;}\&GreaterEqual;0\\ {\mathrm{\&alpha;g}}_2(x,y)=0\end{array}\right.\end{array}$

其中，f₁(x,y)、f₂(x,y)分别代指事前和实时阶段目标，即系统运行成本和系统运行偏差，α,λ分别为等式约束和不等式约束的拉格朗日乘子，αg₂(x,y)＝0为线性互补条件。