CN105226730A - 一种提高风电可调度性的风储联合系统调度方法及装置 - Google Patents

Abstract

本发明公开了一种提高风电可调度性的风储联合系统调度方法及装置，调度方法包括：通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；建立含风储联合系统的调度模型，调度模型由目标函数和约束条件组成；将目标函数作为细菌适应度值，采用改进的细菌觅食算法对调度模型进行求解；若求解结果满足全部约束条件，则作为最优解，并输出。调度装置包括：计算模块、建立模块、求解模块和输出模块。本发明基于所提出的风储联合系统运行策略，建立了风储联合系统调度模型，采用改进的细菌觅食算法进行求解，充分考虑风储联合系统运行的经济性，有效提高风电可调度性，进而提高风电利用率，适用于风储联合系统的协调调度。

Description

一种提高风电可调度性的风储联合系统调度方法及装置

技术领域

本发明涉及电力系统分析与调度技术领域，尤其涉及一种提高风电可调度性的风储联合系统调度方法及装置。

背景技术

近年来由于环境问题日益严峻，可再生能源发电技术发展迅猛，而风力发电作为技术发展最成熟、规模最大的一种可再生能源发电技术，在全球范围内装机容量迅速增加。

随着风电在电网中所占比例的不断提高，风电功率的间歇性、随机性、波动性和反调峰性，伴随着风电出力预测误差，给基于电源可控性和负荷可预测性的调度计划制定带来了严峻的挑战。实际系统中，由于调峰能力等因素的制约，弃风现象严重，2013年，我国弃风量最高的蒙东电网弃风电量34亿千瓦时，“弃风率”最高的吉林省达到了21.79％。风电并网存在的主要问题在于其输出功率不完全可控，即其可调度性较低，这也直接导致了对系统调度模式的冲击。考虑到风电在节能减排、可持续发展方面的积极作用，如何平抑风电波动，进而提高其可调度性，实现风电优先调度，最大化系统风电消纳能力，具有重要的现实意义。

目前，含大规模风电的电力系统调度中，一般考虑总发电成本或购电成本最小，通常包括火电机组运行成本和环保成本，而大规模风电接入后对于系统经济性的直接影响研究较少。风电不消耗化石能源，发电成本较低，一方面，可降低系统总发电成本，但另一方面，其大规模接入会压缩火电机组出力，降低火电机组运行经济性。

发明内容

本发明提供了一种提高风电可调度性的风储联合系统调度方法及装置，本发明提高风电可调度性，同时考虑系统中各机组的运行经济性，适用于风储联合系统的协调调度，详见下文描述：

一种提高风电可调度性的风储联合系统调度方法，所述调度方法包括以下步骤：

通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

基于可用调度出力建立含风储联合系统的调度模型，所述调度模型由目标函数和约束条件组成；

将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

所述约束条件包括：

功率平衡约束条件、火电机组出力约束条件、火电机组爬坡约束条件、风电机组出力约束条件、蓄电池容量约束条件、蓄电池充放电速度约束条件、输电线路潮流约束条件和旋转备用约束条件。

所述调度方法还包括：

若求解结果不满足任一约束条件时，则重新对调度模型进行计算。

所述将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解的步骤具体为：

当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；

在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

半数不良细菌死亡，复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；

当驱散次数达到驱散次数上限值时，驱散过程完成。

所述调度方法还包括：

当初始化的细菌状态不满足任一约束条件时，将细菌适应度值附加一惩罚值，再继续计算。

所述调度方法还包括：

在趋化过程中，寻找局部最优点和全局最优点，以此动态调整前进步长。

所述调度方法还包括：

当趋化步数、复制次数或驱散次数没有达到对应的上限值时，则继续对应的计算过程。

另一实施例，一种提高风电可调度性的风储联合系统调度装置，所述调度装置包括：

计算模块，用于通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

建立模块，用于基于可用调度出力建立含风储联合系统的调度模型，所述调度模型由目标函数和约束条件组成；

求解模块，用于将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

输出模块，用于若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

所述求解模块包括：趋化子模块，用于当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

复制子模块，用于复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散子模块，用于驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；当驱散次数达到驱散次数上限值时，驱散过程完成。

本发明提供的技术方案的有益效果是：本发明推导了风电场可用调度出力的表达式；在传统火电机组经济成本和环保效益的基础上，引入风电欠调度补偿成本、备用容量补偿成本和蓄电池储能能量损失成本，以表征风储联合系统对经济性的影响，计及机组出力约束、爬坡约束、旋转备用约束等约束条件，建立了提高风电可调度性的风储联合系统调度模型，并采用改进的细菌觅食算法进行求解，更加全面考虑风储联合系统运行的经济性，可有效提高风电可调度性，进而提高风电利用率，适用于风储联合系统的协调调度。

附图说明

图1为一种提高风电可调度性的风储联合系统调度方法的流程图；

图2为一种提高风电可调度性的风储联合系统调度方法的另一流程图；

图3为风电预测出力、可用调度出力和实际调度出力的示意图；

图4为一种提高风电可调度性的风储联合系统调度装置的示意图；

图5为求解模块的示意图。

附图中，各标号所代表的部件列表如下：

1：计算模块；2：建立模块；

3：求解模块；4：输出模块；

31：趋化子模块；32：复制子模块；

33：驱散子模块。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

针对风电波动性，储能是一种较好的平滑其输出功率曲线的方法。目前，储能技术的研究主要集中在平抑风电功率波动的协调控制策略，含储能的电力系统运行经济性的研究以及容量优化配置方法。其中，蓄电池储能由于其充放电灵活性的优势，适用于含风电系统调度方案的制定。

综上，利用蓄电池储能平抑风电波动，进而提高风电可调度性，同时考虑系统中各机组的运行经济性，对于含风电系统优化调度具有重要意义。

实施例1

一种提高风电可调度性的风储联合系统调度方法，参见图1，该方法包括以下步骤：

101：通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

102：基于可用调度出力建立含风储联合系统的调度模型，调度模型由目标函数和约束条件组成；

103：将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

104：若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

其中，上述步骤102中的约束条件包括：

功率平衡约束条件、火电机组出力约束条件、火电机组爬坡约束条件、风电机组出力约束条件、蓄电池容量约束条件、蓄电池充放电速度约束条件、输电线路潮流约束条件和旋转备用约束条件。

其中，该调度方法还包括：

若求解结果不满足任一约束条件时，则重新对调度模型进行计算。

其中，步骤103中的将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解的步骤具体为：

当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；

在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

半数不良细菌死亡，复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；

当驱散次数达到驱散次数上限值时，驱散过程完成。

其中，该调度方法还包括：

当初始化的细菌状态不满足任一约束条件时，将细菌附加一惩罚值，再继续计算过程。

其中，该调度方法还包括：

在趋化过程中，寻找局部最优点和全局最优点，以此动态调整前进步长。

其中，该调度方法还包括：

当趋化步数、复制次数或驱散次数没有达到对应的上限值时，继续对应的计算过程。

综上所述，本发明实施例通过上述步骤101-步骤103建立了提高风电可调度性的风储联合系统调度模型，并采用改进的细菌觅食算法对调度模型进行求解，输出最优解，本方法适用于风储联合系统的协调调度。

实施例2

下面结合具体的计算公式、例子对实施例1中的方案进行详细描述，详见下文描述：

201：通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

在风电预测出力在某一置信度下高于某上限值(即风电装机容量的某一百分比)时，将该上限值作为此时段风储联合系统的可用调度出力，蓄电池将多余的电能充电。

若在此过程中蓄电池由于最大充电容量或该时段内充电速度的限制不能将全部电能储存起来，则将多余电能通过卸荷器卸载(弃风)。

在风电预测出力低于该上限值时，风储联合系统的可用调度出力为此时段某一置信度下的预测出力值与蓄电池可提供的电能的累加值。

其中，考虑蓄电池的充放电速度约束，蓄电池中时间t对应的电能储存量可表示为：

$P_{sto}\left(t\right)=\left\{\begin{array}{cc}{P}_{sto}(t-1)-(P_{wy,t}-P_{ws,t})/{\mathrm{\&eta;}}_d& -v_d*\mathrm{\&Delta;}t\&le;P_{wy,t}-P_{ws,t}\&le;0\\ P_{sto}(t-1)+{\mathrm{\&eta;}}_c*(P_{wy,t}-P_{ws,t})& 0<P_{wy,t}-P_{ws,t}\&le;v_c*\mathrm{\&Delta;}t\\ P_{sto}(t-1)+{\mathrm{\&eta;}}_c*v_c*\mathrm{\&Delta;}t& P_{wy,t}-P_{ws,t}>v_c*\mathrm{\&Delta;}t\end{array}\right.$

其中：P_sto(t)为t时刻蓄电池储存的电能；P_sto(t-1)为t-1时刻蓄电池储存的电能；v_c、v_d分别为蓄电池充、放电速度；Δt为时间间隔，本发明实施例以1h为例进行说明；P_wy,t和P_ws,t分别为风电的预测出力和实际调用值；η_c为蓄电池充电效率，一般在0.65～0.9之间；η_d为蓄电池放电效率，一般取1。具体实现时，本发明实施例对上述取值不做限制。

同时，蓄电池在任意时刻电能储存值需要满足容量约束：

P_stomin≤P_sto(t)≤P_stomax

其中：P_stomax、P_stomin分别为蓄电池储能最大、最小容量。

由于蓄电池容量和最大充放电速度的约束，蓄电池在t时刻、时间段Δt内能提供的电能P_d,sto,t可表示为：

$P_{d,sto,t}=\left\{\begin{array}{cc}0& P_{sto}(t-1)\&le;P_{stomin}\\ {\mathrm{\&eta;}}_d*\left(P_{sto}\right(t-1)-P_{stomin})& P_{sto}(t-1)-P_{stomin}\&le;v_d*\mathrm{\&Delta;}t\\ {\mathrm{\&eta;}}_d*v_d*\mathrm{\&Delta;}t& P_{sto}(t-1)-P_{sto\min }>v_d*\mathrm{\&Delta;}t\end{array}\right.$

风储联合系统在t时刻可用调度出力P_wd,t的表达式如下：

$P_{wd,t}=\left\{\begin{array}{cc}r\%*P_r& P_{wy,t}\&GreaterEqual;r\%*P_r\\ P_{wy,t}+P_{d,sto,t}& P_{wy,t}<r\%*P_r\end{array}\right.$

其中：r％为预先设定的百分比；P_r为风电装机容量。

202：建立含风储联合系统的调度模型；

该步骤具体为：建立含风储联合系统的调度模型，目标函数在考虑传统火电机组经济成本和环保效益的基础上，引入风电欠调度补偿成本、备用容量补偿成本和蓄电池运行能量损失成本，形成风储联合系统的综合运行成本，从而更加全面地反映风储联合系统运行的经济性；约束条件包括：功率平衡约束、火电机组出力约束、火电机组爬坡约束、风电机组出力约束、蓄电池容量约束、蓄电池充放电速度约束、输电线路潮流约束和旋转备用约束。

其中，含风储联合系统的调度模型如下：

目标函数由机组运行成本F_Τpc、环境补偿成本F_ec、备用容量补偿成本F_src、风电欠调度补偿成本F_W,dis以及蓄电池运行能量损失成本F_batloss组成，可表示为：

minF＝F_Τpc+F_ec+F_src+F_W,dis+F_batloss

其中：由于风电运行和维护需要一定成本，故机组运行成本F_Τpc应包括风电发电成本和传统火电机组运行成本两部分，可表示为：

$F_{Tpc}=\underset{t=1}{\overset{T}{\&Sigma;}}\left(\underset{i=1}{\overset{N}{\&Sigma;}}\right(a_i{P_{i,t}}^2+b_i{P}_{i,t}+c_i)+{\mathrm{\&alpha;P}}_{ws,t})$

式中：a_i，b_i，c_i为火电机组运行成本特性系数；α为风电单位发电成本，单位$/MW；T为调度周期总数；N为火电机组总数；P_i,t为火电机组调度出力。

环境补偿成本F_ec可表示为：

$F_{ec}=\underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{Cb}}_i*P_{i,t}*{\mathrm{ep}}_i$

其中：ep_i为第i台火电机组单位发电量所排放的有害气体量；Cb_i为处理CO₂等有害气体的环保成本系数，单位$/MW。

风储联合系统的可用调度出力波动性小，可调度性高，为鼓励风电发展，需对风电场弃风进行补偿，从而赋予风电调度的优先权。风电欠调度补偿成本F_W,dis为：

$F_{W,dis}=\underset{t=1}{\overset{T}{\&Sigma;}}{C}_{conp}*(P_{wd,t}-P_{ws,t})$

式中，C_conp为风电欠调度补偿成本系数，单位$/MW；T为调度周期数，取24。风储联合可用调度出力P_wd,t为实际调度出力P_ws,t的参考值，后者不能超过前者，故风电欠调度补偿成本是非负的。

大规模风电并网后，由于其预测出力存在误差，为确保电网的可靠供电，需增加电力系统的旋转备用，承担备用任务的火电机组运行经济性下降，需对备用量予以补偿。备用容量补偿成本为：

$F_{src}=\underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&eta;}}_{sr}*({P_{i,t}}^{max}-P_{i,t})$

式中，η_sr为备用补偿成本系数，单位$/MW；N为常规火电机组数；P_i，t ^max为第i台火电机组最大出力。

由于蓄电池充放电的效率不同，在蓄电池充电过程中，会产生能量的损失，该部分损失是蓄电池储能给电力系统营运带来的额外损失，故需要考虑其成本。蓄电池运行能量损失成本可表示为：

$F_{batloss}=\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{\&phi;}}_{loss}*(1-{\mathrm{\&eta;}}_c)*P_{ch\arg e,t}$

式中，φ_loss为蓄电池能量损失补偿成本系数，单位$/MW；P_charge,t为t时段蓄电池的充电功率。

约束条件包括如下几种：

1)功率平衡约束：

$\underset{i=1}{\overset{N}{\&Sigma;}}{P}_{i,t}+P_{ws,t}-P_{Load,t}=0$

其中，P_Load,t为t时段的系统有功负荷值。

2)火电机组出力约束：

P_i,t ^min≤P_i,t≤P_i,t ^max

其中，P_i,t ^min、P_i,t ^max分别为第i台火电机组最小、最大出力值。

3)火电机组爬坡约束：

P_i,t-P_i,t-1≤RU_iT

P_i,t-1-P_i,t≤RD_iT

其中：RU_i、RD_i分别为火电机组i向上、向下爬坡速率；P_i,t-1为火电机组i在t-1时刻的功率。

4)风电机组出力约束：

$0\&le;P_{ws,t}\&le;P_{ws,t}^{\max }$

其中：为风电机组出力最大值。

5)蓄电池容量约束：

P_stomin≤P_sto(t)≤P_stomax

6)蓄电池充放电速度约束：

v_d*Δt≤P_sto(t)-P_sto(t-1)≤v_c*Δt

7)输电线路潮流约束：

T_s，t≤T_max

其中：T_s，t为第s条线路的输送功率；T_max为线路输送功率最大值。

8)旋转备用约束可表示为：

$\underset{i=1}{\overset{N}{\&Sigma;}}{P_{i,t}}^{\max }-P_{i,t}\&GreaterEqual;P_{xzb}+P_{wju,t}$

$\underset{i=1}{\overset{N}{\&Sigma;}}(P_{i,t}-{P_{i,t}}^{\min })\&GreaterEqual;P_{wjd,t}$

其中：P_xzb为未纳入风电时系统所需的旋转备用，取电力系统负荷的5％～10％；P_wju，t、P_wjd，t分别为接入风电后针对风电出力突然减少和增加引起的上调、下调旋转备用；P_wju，t、P_wjd，t由预测误差比例系数ER与P_wy，t相乘得到，ER取10％。

实际应用时，上述变量的具体取值范围根据实际应用中的需要进行设定，本发明实施例对此不做限制。

203：采用改进的细菌觅食算法对调度模型进行求解。

其中，细菌觅食算法(BacterialForagingAlgorithm，BFA)因具有群体智能算法的并行搜索、易跳出局部极小值等优点已被成功应用于解决电力系统的优化问题，但其搜索速度相对较慢；利用粒子群算法(ParticleSwarmOptimization，PSO)实现简单，收敛速度快且搜索精度高的优点对细菌觅食算法进行改进，进而有效平衡局部和全局搜索，提高改进的细菌觅食算法的搜索速度和收敛精度。

其中，改进的细菌觅食算法计算过程如下：

算法中，空间矢量P＝[P₁，P₂，P₃，……P_s]代表一个细菌状态，J(P)函数为细菌的适应度，即模型的目标函数。该算法的搜索过程可分为趋化、复制和驱散三步。

1、趋化过程：在细菌生命周期内，细菌向营养富集区域移动，移动分为前进和翻转两步。在细菌翻转向某一方向后，以特定步长沿该方向前进，若适应度值得到改善，则继续前进；若适应度值恶化，则进行翻转动作，当趋化步数到达限值，则停止趋化。

趋化行为可表示为：

$P^m(n+1,k,s)=P^m(n,k,s)+C\left(m\right)*\frac{\mathrm{\&Delta;}\left(m\right)}{\sqrt{{\mathrm{\&Delta;}}^T\left(m\right)\mathrm{\&Delta;}\left(m\right)}}$

其中：P^m(n,k,s)为第s次驱散、第k次复制、第n次趋化过程中第m个细菌的空间位置矢量；P^m(n+1,k,s)为第s次驱散、第k次复制、第n+1次趋化过程中第m个细菌的空间位置矢量；C(m)为细菌m向某一方向移动的长度向量；Δ(m)为细菌m的单位方向向量；Δ(m)∈(-1,1)；Δ^T(m)为Δ(m)的转置。

2、复制过程：趋化过程结束后，计算种群内所有细菌适应度值，并进行排序，以某一健康度为界，对于适应度较好的细菌进行复制，替代适应度值恶劣的细菌。复制过程的健康度值可表示为：

${J^m}_{health}=\underset{n=1}{\overset{N_c+1}{\&Sigma;}}J(m,n,k,s)$

其中：Nc为趋化最大步数，J^m _health为第i个细菌的健康度；J(m,n,k,s)为第s次驱散、第k次复制、第n次趋化过程中第m个细菌的适应度值。

计算中，将总细菌中适应度较差的一半细菌淘汰，剩余适应度较好的细菌以一分为二的方式繁殖，以保持种群规模不变。

3、驱散过程：易陷入局部最优是部分优化算法存在的问题，BFA算法引入驱散过程，以预先设定的某一概率P_ed选取部分细菌驱散到矢量空间其他位置，以保证算法的全局搜索能力，避免陷入局部最优，提高搜索精度，但此过程势必会减缓算法的搜索速度。

算法改进如下：

针对BFA算法搜索速度慢的缺点，利用PSO算法实现简单，收敛速度快且搜索精度高的优点对BFA算法进行改进，有效平衡局部和全局搜索，提高算法的搜索速度和收敛精度。

在BFA算法趋化过程中根据PSO算法中全局最优点gbest和局部最优点pbest动态修改前进步长，在距离最终的最优点较远时，前进步长较大，从而提高搜索速度；当距离最终的最优点距离较近时，前进步长较小，从而提高收敛精度，具体按下式进行修改：

C(m)＝w*C(m)+C₁*rand₁*(pbest-P^m)+C₂*rand₂*(gbest-P^m)

其中：w、C₁、C₂为权重系数，w取0.9，C₁、C₂分别取1.2和0.5；rand₁和rand₂为0到1之间的随机数；P^m为第m个细菌的空间位置矢量。

实际应用时，上述变量的具体取值范围根据实际应用中的需要进行设定，本发明实施例对此不做限制。

综上所述，本发明实施例通过上述步骤201-步骤203在传统火电机组经济成本和环保效益的基础上，在模型中引入风电欠调度补偿成本、备用容量补偿成本和蓄电池储能能量损失成本，以表征风储联合系统对系统经济性的影响，计及机组出力约束、爬坡约束、旋转备用约束等约束条件，建立了提高风电可调度性的风储联合系统调度模型，并采用改进的细菌觅食算法对调度模型进行求解，输出最优解，该方法适用于风储联合系统的协调调度。

实施例3

下面结合具体的流程图2对实施例1、2中的方案进行详细的描述：

301：数据初始化，并计算当前周期风储可用调度出力；

其中，该数据初始化的步骤具体包括：读取趋化、复制、驱散的次数上限值等、当前周期的负荷值、风电预测出力值、蓄电池当前存储的电量、各机组出力上下限、以及爬坡约束等电力系统参数，通过上述参数来初始化细菌状态。

综合当前蓄电池电量状态和本时段的风电预测出力，计算本时段的风储联合系统的可用调度出力。

302：对初始化的细菌状态按照调度模型求取其对应的目标函数值，即细菌适应度值(即将调度模型中的目标函数值作为细菌觅食算法中的细菌适应度值)，并判断细菌状态是否满足所有约束条件(即实施例2中步骤202中的约束条件)，如果是，执行步骤303；如果否，则将该细菌附加一惩罚值，然后执行步骤303；

通过该步骤302将风储联合系统与细菌觅食算法结合起来。当不满足任一约束条件时，就将细菌附加一惩罚值。其中，惩罚值为优化算法领域中公知的技术术语，本发明实施例对此不做赘述。

303：趋化细菌，完成前进、翻转动作；

其中，细菌进行趋化过程，按照预先设定的参数完成前进和翻转动作，该步骤为本领域技术人员所公知，本发明实施例对此不做限制。

304：在趋化过程中，计算细菌的适应度值，寻找局部最优点pbest和全局最优点gbest，以此动态调整前进步长；判断细菌是否满足所有约束条件(即实施例2中步骤202中的约束条件)，如果是，执行步骤305；如果否，则将该细菌附加一惩罚值，之后执行步骤305；

通过该步骤可以提高搜索速度和精度，向适应度值更好的方向移动。寻找局部最优点pbest和全局最优点gbest，以此动态调整前进步长。

其中，步骤302和步骤304中的惩罚值根据实际应用中的需要进行人为设定，本发明实施例对此不作限制。例如可以为任意满足约束条件的细菌适应度值的10倍。

305：判断趋化步数是否达到趋化步数上限值，如果是，趋化过程完成，执行步骤306；如果否，趋化过程尚未完成，执行步骤303；

306：半数不良细菌死亡，复制优良细菌；判断复制次数是否达到复制次数上限值，如果是，复制过程完成，执行步骤307；如果否，复制过程尚未完成，执行步骤303；

307：驱散部分细菌，按照预先设定的概率P_ed选取部分细菌进行驱散；

通过该步骤可以保证算法不陷入局部最优，概率P_ed的取值根据实际应用中的需要进行设定，本发明实施例对此不作限制。

308：判断驱散次数是否达到驱散次数上限值，如果是，驱散过程完成，执行步骤309；如果否，驱散过程尚未完成，执行步骤303；

其中，上述的趋化步数上限值、复制次数上限值和驱散次数上限值根据实际应用中的需要进行设定，本发明实施例对此不做限制。

309：当最优解不满足任一约束条件，则执行步骤301；若满足全部约束条件，执行步骤310；

即，当不满足约束条件中的任一条件时，需要重新开始计算过程，直至得到满足全部约束条件的最优解。

310：记录结果，输出最优解。

若最优解满足全部约束条件，则将各机组最优调度出力、电池充放电功率等本周期数据记录保存，同时输出最优解，按照上述步骤301-步骤310进行下一周期的计算。

综上所述，本发明实施例通过上述步骤301-步骤310建立了提高风电可调度性的风储联合系统调度模型，并采用改进的细菌觅食算法对调度模型进行求解，输出最优解，本方法适用于风储联合系统的协调调度。

实施例4

下面以具体的实例为例、结合图3和表1对实施例1-3中的方案进行可行性验证，详见下文描述：

本发明实施例以IEEE30节点系统为实施例，假设2个装机容量分别为40MW、60MW的风电场分别在13、23节点接入，代替原有的火电机组，并各自接入容量为20MWh和30MWh的蓄电池储能。考虑接入储能和不接入储能两种场景，两种场景下的风电利用率和总发电成本如表1所示，接入储能场景下风电预测出力、可用调度出力和实际调度出力如图2所示。

表1不同模式对比

由表1可知，接入储能后，风储联合系统风电利用率对比不接入储能情况下有明显提高，同时风储联合系统的总发电成本降低，运行经济性提高。图3中，可用调度出力P_{wd， t}的波动范围在线3与线4之间，而风电预测出力P_wy，t的波动范围在线1与线2之间，前者的波动明显较小，验证了蓄电池储能对风电出力波动性进行平抑的效果较好，表明了实施例1-3中提出的风储联合运行的可行性。

实施例5

一种提高风电可调度性的风储联合系统调度装置，参见图4，该调度装置包括：

计算模块1，用于通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

建立模块2，用于基于可用调度出力建立含风储联合系统的调度模型，调度模型由目标函数和约束条件组成；

求解模块3，用于将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

输出模块4，用于若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

其中，参见图5，求解模块3包括：

趋化子模块31，用于当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

复制子模块32，用于复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散子模块33，用于驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；当驱散次数达到驱散次数上限值时，驱散过程完成。

本发明实施例对上述模块、子模块的执行主体不做限制，可以为单片机、PC机等具有计算功能的器件。

综上所述，本发明实施例建立了提高风电可调度性的风储联合系统调度模型，并采用改进的细菌觅食算法对调度模型进行求解，输出最优解，本方法适用于风储联合系统的协调调度。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述调度方法包括以下步骤：

通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

基于可用调度出力建立含风储联合系统的调度模型，所述调度模型由目标函数和约束条件组成；

将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

2.根据权利要求1所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述约束条件包括：

功率平衡约束条件、火电机组出力约束条件、火电机组爬坡约束条件、风电机组出力约束条件、蓄电池容量约束条件、蓄电池充放电速度约束条件、输电线路潮流约束条件和旋转备用约束条件。

3.根据权利要求1所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述调度方法还包括：

若求解结果不满足任一约束条件时，则重新对调度模型进行计算。

4.根据权利要求1所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解的步骤具体为：

当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；

在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

半数不良细菌死亡，复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；

当驱散次数达到驱散次数上限值时，驱散过程完成。

5.根据权利要求4所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述调度方法还包括：

当初始化的细菌状态不满足任一约束条件时，将细菌适应度值附加一惩罚值，再继续计算。

6.根据权利要求4所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述调度方法还包括：

在趋化过程中，寻找局部最优点和全局最优点，以此动态调整前进步长。

7.根据权利要求4所述的一种提高风电可调度性的风储联合系统调度方法，其特征在于，所述调度方法还包括：

对趋化步数、复制次数或驱散次数进行判断，若没有达到对应的上限值，则从趋化过程开始继续计算过程。

8.一种提高风电可调度性的风储联合系统调度装置，其特征在于，所述调度装置包括：

计算模块，用于通过当前时刻蓄电池的电量状态、风电预测出力，计算风储联合系统的可用调度出力；

建立模块，用于基于可用调度出力建立含风储联合系统的调度模型，所述调度模型由目标函数和约束条件组成；

求解模块，用于将目标函数作为细菌适应度值，结合改进的细菌觅食算法对调度模型进行求解；

输出模块，用于若求解结果满足所有约束条件，则将求解结果作为最优解，并输出最优解。

9.根据权利要求8所述的一种提高风电可调度性的风储联合系统调度装置，其特征在于，所述求解模块包括：

趋化子模块，用于当初始化的细菌状态满足所有约束条件时，趋化细菌，完成前进、翻转动作；在趋化过程中，当细菌的适应度值满足所有约束条件、趋化步数达到趋化步数上限值时，趋化过程完成；

复制子模块，用于复制优良细菌，当复制次数达到复制次数上限值时，复制过程完成；

驱散子模块，用于驱散部分细菌，按照预先设定的概率选取部分细菌进行驱散；当驱散次数达到驱散次数上限值时，驱散过程完成。