CN105305485A - 一种消纳大规模间歇性能源的安全约束经济调度方法 - Google Patents

Abstract

本发明提供了一种消纳大规模间歇性能源的安全约束经济调度方法，其包括如下步骤：A、采用场景法描述间歇性能源的出力；B、建立消纳大规模间歇性能源的安全约束经济调度模型；C、通过对约束方程的逐一讨论使调度模型得到简化；D、采用原始对偶内点算法求解调度模型。本发明建立的消纳大规模间歇性能源的安全约束经济调度方法，通过对调度模型的简化，使计算效率得到提高；本发明所建立的调度模型从理论上保证了系统具备消化间歇性能源的能力，使调度方案具有较强的鲁棒性；本发明综合考虑了水、火、风、气、光的多种能源结构，因此，本发明提出的调度方式适应范围广，能应用于含各种能源结构的实际电网。

Description

一种消纳大规模间歇性能源的安全约束经济调度方法

技术领域

本发明涉及一种消纳大规模间歇性能源的安全约束经济调度方法。

背景技术

由于风电、光伏发电等新能源具有间歇性及随机性，新能源并网后给电网调度带来了新的技术难题。在电力系统调度中，处理间歇性能源的不确定性问题主要有两种方法。其一，如《含风电场的电力系统动态经济调度》所披露，分配发电功率来满足负荷并留有足够的备用容量来满足间歇性能源的不确定性。其二，如《基于随机规划的含风电场的电力系统节能优化调度策略》所披露，采用随机优化技术处理间歇性能源的不确定性。前者过于保守，而且没有考虑间歇性能源的爬坡备用。后者需要知道间歇性能源出力的概率分布，且计算效率往往达不到工程要求。目前，鲁棒优化受到了广泛的关注。鲁棒优化通过预计各种可能出现的误差场景，建立优化模型，保证鲁棒模型的解能适应所有的误差场景，当系统发生扰动时，仍能保证系统稳定运行。

《RobustEconomicDispatchConsideringRenewableGeneration》基于零和博弈理论建立鲁棒调度模型，该模型为极大极小问题，提出一种松弛算法求解该模型并得到了较好的收敛结果。

《电力系统鲁棒经济调度(一)理论基础》把鲁棒调度问题归结为“鲁棒可行性”问题，通过逐次产生割平面不断排除非鲁棒可行点，最终获得可靠的调度策略。

《电力系统鲁棒经济调度(二)应用实例》分别建立鲁棒机组组合模型及鲁棒备用整定模型，并将其应用于实际调度问题，验证了鲁棒调度方式在应对风电波动时的可行性。

《水–火–风协调优化的全景安全约束经济调度》提出一种水、火、风协调优化的全景经济调度方法，该方法通过对关键场景的识别有效地应对了风电的波动，具有较强的鲁棒性。

《多风电场并网时安全约束机组组合的混合整数规划解法》提出一种基于极限场景法的鲁棒调度方式，证明在取相同场景数时，采用极限场景法求出的解比采用蒙特卡洛仿真法求出的解具有更强的鲁棒性。

上述文章分别以不同的切入点建立鲁棒调度模型，但所考虑的能源结构较为单一，且当风电场数目变多时，模型的复杂程度将急剧上升。此外，上述文章均缺乏对鲁棒调度的经济性与鲁棒性这一矛盾关系展开分析。

发明内容

针对现有技术的缺点，本发明的目的是提供一种能消纳大规模间歇性能源的安全约束经济调度方法，其能够降低间歇性新能源对电网的冲击作用。

为了实现上述目的，本发明提供了一种消纳大规模间歇性能源的安全约束经济调度方法，其包括如下步骤：

A、采用场景法描述间歇性能源的出力；

B、建立消纳大规模间歇性能源的安全约束经济调度模型；

C、通过对约束方程的逐一讨论使调度模型得到简化；

D、采用原始对偶内点算法求解调度模型。

步骤A中，采用场景法描述新能源出力的不确定性。新能源的功率预测存在较大的误差，每一种可能的出力描述为一个调度场景。以W个风电场为例，则场景s_i为风电场的某一种出力组合，即

s_i＝[P_w(1),P_w(2),…,P_w(w),…,P_w(W)](1)

由于风电在置信区间内的出力是连续随机的，因此任意时刻场景s_i的个数是无穷的，记Ns_i为场景个数，风电出力为预测值记为预测场景s₀，风电出力不等于预测值记为误差场景s_i(i＝1,2,...,Ns_i)。

在调度模型中，包含风电出力的约束项包括功率平衡约束和线路潮流约束。如何保证系统在所有场景s_i都满足功率平衡及线路潮流不越限是关键问题。换言之，通过制定合适的常规机组发电计划来应对各种误差场景。假设时刻h预测场景下的发电计划为P(s₀,h)。当发生误差场景s_i时，需要另外的发电计划才能保证系统功率平衡和线路潮流不越限，该发电计划记为P(s_i,h)。由于机组的爬坡率限制，要求预测场景下的发电计划P(s₀,h)在调整时间的约束下过渡到误差场景下的发电计划P(s_i,h)。

步骤B中，建立消纳大规模间歇性能源的安全约束经济调度模型。

采用预测场景下的发电成本作为调度模型的目标函数。约束方程包括预测场景下的约束方程，误差场景下的约束方程，场景之间的过渡约束这三个部分。假设研究对象有N台火电机组，M台水电机组，R台气电机组，W个风电场，F个光伏电站。其中，常规机组包括火电、水电、气电，常规机组台数G＝N+M+I，新能源机组个数G'＝W+F。

(1)目标函数

采用火电、气电的运行成本作为目标函数，水电、风电、光伏发电不考虑运行成本。机组的成本函数是以机组实际出力为决策变量的二次函数，其变量系数一般通过实际运行或实验获得。式2中，F(n,h)、F(r,h)分别第n台火电机组，第r台气电机组在时段h内的运行成本。

$Min:\underset{n=1}{\overset{N}{\Σ}}\underset{h=1}{\overset{H}{\Σ}}F(n,h)+\underset{r=1}{\overset{R}{\Σ}}\underset{h=1}{\overset{H}{\Σ}}F(r,h)---\left(2\right)$

(2)预测场景下的约束方程

a)各时段下系统的发用电量平衡。

$\underset{n=1}{\overset{N}{\Σ}}{P}_n(n,h)+\underset{m=1}{\overset{M}{\Σ}}{P}_m(m,h)+\underset{r=1}{\overset{R}{\Σ}}{P}_r(r,h)+\underset{j=1}{\overset{J}{\Σ}}{P}_w(w,h)+\underset{k=1}{\overset{K}{\Σ}}{P}_f(f,h)-P_L\left(h\right)=0---\left(3\right)$

式中：P_n(n,h)、P_m(m,h),、P_r(r,h)、P_w(w,h)、P_f(f,h)分别为时段h内第n台火电机组，第m台水电机组，第r台气电机组，第w个风电场，第f个光伏电站的输出功率。P_L(h)为时段h的负荷水平。

b)各时段下系统满足负荷备用要求。

$\underset{n=1}{\overset{N}{\Σ}}\left(P_{n,max}\right(n)-P_n(n,h\left)\right)+\underset{m=1}{\overset{M}{\Σ}}\left(P_{m,max}\right(m)-P_m(m,h\left)\right)+\underset{r=1}{\overset{R}{\Σ}}\left(P_{r,max}\right(r)-P_r(r,h\left)\right)\≥P_L\left(h\right)\×L\%---\left(4\right)$

式中：L％为负荷对旋转备用的需求；P_n,max(n)P_m,max(m)、P_r,max(r)分别为第n台火电机组，第m台水电机组，第r台气电机组的出力上限。

c)各电厂的物理特性约束。

P_g,min(g)≤P_g(g,h)≤P_g,max(g)(5)

-R_g,d(g)×T₁₅≤P_g(g,h)-P_g(g,h-1)≤R_g,u(g)×T₁₅(6)

$\underset{h=1}{\overset{H}{\Σ}}{P}_m(m,h)\≤W_m\left(m\right)---\left(7\right)$

$\underset{h=1}{\overset{H}{\Σ}}{P}_r(r,h)\≤W_r\left(r\right)---\left(8\right)$

式5、6分别为常规机组g的上下限约束及调节速率约束。调度时段T₁₅＝15min，R_g,d(g)、R_g,u(g)分别为第g台常规机组向下、向上调节速率。式7、8分别为水电及气电的日电量约束，即水电、气电的日发电量分别不超过W_m(m)、W_r(r)。

d)线路潮流约束。

$|\underset{g=1}{\overset{G}{\Σ}}\mathrm{\γ}(g,l)P(g,h)+\underset{g=1}{\overset{G}{\Σ}}{\mathrm{\γ}}^{\′}(g^{\′},l)P^{\′}(g^{\′},h)|\≤L\left(l\right)---\left(9\right)$

式9为线路潮流约束，γ(g,l)、γ'(j,l)分别为常规机组g、新能源机组g'在线路l上的功率分布因子，L(l)为线路流量限制。

(3)误差场景s_i下的约束方程

为保证系统在误差场景s_i下满足功率平衡及线路潮流不越限，要求相应的发电计划P_g(s_i,h)满足类似式3-9的约束方程。类似于式3，式10为场景s_i的功率平衡约束，P_n(s_i,n,h)为场景s_i下时段h第n台火电机组的出力，其他物理量类似。此外，P_g(s_i,h)要求满足负荷备用约束、电厂物理特性约束、线路潮流约束，此处不再赘述。

$\underset{n=1}{\overset{N}{\Σ}}{P}_n(s_i,n,h)+\underset{m=1}{\overset{M}{\Σ}}{P}_m(s_i,m,h)+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{P}_r(s_i,r,h)+\underset{j=1}{\overset{J}{\Σ}}{P}_w(s_i,w,h)+\underset{k=1}{\overset{K}{\Σ}}{P}_f(s_i,f,h)-P_L\left(h\right)=0---\left(10\right)$

(4)场景过渡约束

场景之间的过渡过程受到机组调节速率的限制。式11为从预测场景过渡到任意的误差场景，式12为任意两个误差场景之间的过渡，τ为调整时间。

-R_g,d(g)×τ≤P(s₀,g,h)-P(s_i,g,h)≤R_g,u(g)×τ(11)

-R_g,d(g)×τ≤P(s_i,g,h)-P(s_i',g,h)≤R_g,u(g)×τ(12)

步骤C中，通过对约束方程的逐一讨论使调度模型得到简化。

为了保证系统安全稳定运行，发电计划需适应所有的误差场景。模型中包括N_S组类似式3至9的约束方程集合。由于N_S→∞，如果不简化模型则无法求解。

误差场景集S＝[s₁s₂…s_i…s_Ns]中存在最大场景s_max与最小场景s_min。其中，最大场景s_max为所有的间歇性能源的出力都处于波动上限的情况；最小场景s_min为所有的间歇性能源的出力都处于波动下限的情况。相应的系统运行点为P(s_max,h)、P(s_min,h)。当发生最小场景s_min时，间歇性能源出力比其他场景时都小。为保证功率平衡，最小场景下常规机组出力比其他任意场景时大。对于任意时段h、任意常规机组g有：

P(s_min,g,h)＝max[P(s₁,g,h),P(s₂,g,h),...,P(s_Ns,g,h)](13)

同理,最大场景下常规机组出力最大，即：

P(s_max,g,h)＝min[P(s₁,g,h),P(s₂,g,h),...,P(s_Ns,g,h)](14)

下面逐一对模型的约束方程进行简化：

A)有功平衡约束

模型保证预测场景及Ns_i个误差场景的功率平衡。当间歇性能源波动最大时，功率缺额最大。只要保证s_max与s_min满足功率平衡其余误差场景必然能满足功率平衡。有功平衡约束如式18所示。

B)旋转备用约束

模型保证各场景下满足负荷备用需要。常规机组出力越大，剩余的备用容量越小。故只需保证在常规机组出力最大时满足备用约束即可。即要求在s_min下满足负荷备用约束，如式19所示。

C)电厂物理特性约束

各误差场景要求常规机组满足上下限约束。根据式13、14，上下限约束可以简化为2×G×H个约束方程，如下式20、21所示。同理，预测场景下的上下限约束可以省去。

各误差场景要求常规机组满足爬坡率约束，包含N_s×G×(H-1)个约束方程。对于第g台常规机组，从时段h过渡到时段h+1的全部情形如图1所示。只要满足图中实线所示的两种极端过渡情形，则其他情形必然能满足。故爬坡率约束简化为式22、23，共需2×G×(H-1)个约束方程。

各误差场景要求满足总水量与总气量约束，包含N_s×(M+R)个约束方程。同理，只需保证最小场景下满足要求即可，预测场景及其他误差场景下的水量与气量约束均可省去。即简化为式24、25，包含M+R个方程。

D)线路潮流约束

各误差场景要求满足线路潮流约束。可以写成如下的形式：

$-L\left(l\right)-\underset{g^{\′}=1}{\overset{G^{\′}}{\Σ}}\mathrm{\γ}(g^{\′},l)P(s_i,g^{\′},h)\≤\underset{g=1}{\overset{G}{\Σ}}\mathrm{\γ}(g,l)P(g,h)\≤L\left(l\right)-\underset{g^{\′}=1}{\overset{G^{\′}}{\Σ}}\mathrm{\γ}(g^{\′},l)P(s_i,g^{\′},h)---\left(15\right)$

$\underset{g^{\′}=1}{\overset{G^{\′}}{\Σ}}\mathrm{\γ}(g^{\′},l)P(s_i,g^{\′},h)\∈\[{P^{\′}}_{\min }(l,t),{P^{\′}}_{\max }(l,h)\]---\left(16\right)$

式中，P'_min(l,t)、P'_max(l,t)为线路l在时段t由于风电出力波动造成的潮流变化的上下限，该值根据网络的功率分布情况计算得出。因此，式15可以简化为式26。

E)场景过渡约束

式11、12为场景过渡约束，与爬坡率约束的简化方法类似，式11只需保证在调整时间内从预测场景过渡到最小场景及最大场景，如式27、28所示。式12只需保证在调整时间内最小场景和最大场景之间的相互过渡，如式29所示。

简化后的含多类型新能源的鲁棒调度模型描述如下：

$Min:\underset{n=1}{\overset{N}{\Σ}}\underset{h=1}{\overset{H}{\Σ}}F(n,h)+\underset{r=1}{\overset{R}{\Σ}}\underset{h=1}{\overset{H}{\Σ}}F(r,h)---\left(17\right)$

$\begin{array}{c}\underset{n=1}{\overset{N}{\Σ}}{P}_n(s_i,n,h)+\underset{m=1}{\overset{M}{\Σ}}{P}_m(s_i,m,h)+\underset{r=1}{\overset{R}{\Σ}}{P}_r(s_i,r,h)+\underset{w=1}{\overset{W}{\Σ}}{P}_w(s_i,w,h)+\\ \underset{f=1}{\overset{F}{\Σ}}{P}_f(s_i,f,h)-P_L\left(h\right)=0,(s_i=s_0,s_{\min },s_{\max };h=1,2,\mathrm{...},H)\end{array}---\left(18\right)$

$\begin{array}{c}\underset{n=1}{\overset{N}{\Σ}}\left(P_{g,\max }\right(n)-P_g(s_{\min },n,h\left)\right)+\underset{m=1}{\overset{M}{\Σ}}\left(P_{v,\max }\right(m)-P_v(s_{\min },m,h\left)\right)+\\ \underset{r=1}{\overset{R}{\Σ}}\left(P_{q,\max }\right(r)-P_q(s_{\min },r,h\left)\right)\≥P_L\left(h\right)\×L\%,(h=1,2,\mathrm{...},H)\end{array}---\left(19\right)$

P_min(g)≤P(s_max,g,h)(g＝1,2,...,G；h＝2,...,H)(20)

P_max(g)≥P(s_min,g,h)(g＝1,2,...,G；h＝2,...,H)(21)

-R^d(g)×T₁₅≤P(s_min,g,h)-P(s_max,g,h-1)≤R^u(g)×T₁₅(g＝1,2,...,G；h＝2,...,H)(22)

-R^d(g)×T₁₅≤P(s_max,g,h)-P(s_min,g,h-1)≤R^u(g)×T₁₅(g＝1,2,...,G；h＝2,...,H)(23)

$\underset{h=1}{\overset{H}{\Σ}}{P}_v(s_{min},m,h)\≤W_v\left(m\right),(m=1,2,\mathrm{...},M)---\left(24\right)$

$\underset{h=1}{\overset{H}{\Σ}}{P}_q(s_{min},r,h)\≤W_v\left(r\right),(r=1,2,\mathrm{...},R)---\left(25\right)$

$-L\left(l\right)-{P^{\′}}_{\min }(l,t)\≤\underset{g=1}{\overset{G}{\Σ}}\mathrm{\γ}(g,l)P(g,h)\≤L\left(l\right)-{P^{\′}}_{\max }(l,h),(l=1,2,\mathrm{...},L;h=1,2,\mathrm{...},H)---\left(26\right)$

-R^d(g)×T_c≤P(s₀,g,h)-P(s_min,g,h)≤R^u(g)×T_c(g＝1,2,...,G；h＝1,2,...,H)(27)

-R^d(g)×T_c≤P(s₀,g,h)-P(s_max,g,h)≤R^u(g)×T_c(g＝1,2,...,G；h＝1,2,...,H)(28)

-R^d(g)×T_c≤P(s_min,g,h)-P(s_max,g,h)≤R^u(g)×T_c(g＝1,2,...,G；h＝1,2,...,H)(29)

步骤D中，采用原始对偶内点算法求解调度模型。含大规模间歇性能源的安全约束经济调度模型是多场景、高维度的非线性优化问题，智能算法不适于求解这种大规模优化问题。原始对偶内点法是求解大规模线性优化问题的有效工具，随着问题规模的增大，迭代次数不会有明显变化。因此，本发明将采用原始对偶内点算法求解该调度模型。

根据本发明另一具体实施方式，步骤A中，风电出力等于预测值记为预测场景，风电出力不等于预测值记为误差场景；在调度模型中，包含风电出力的约束项包括功率平衡约束和线路潮流约束。

根据本发明另一具体实施方式，步骤A中，通过制定合适的常规机组发电计划来应对各种误差场景；当发生误差场景时，制定另外的发电计划以保证系统功率平衡和线路潮流不越限；并使预测场景下的发电计划在调整时间的约束下过渡到误差场景下的发电计划。

根据本发明另一具体实施方式，步骤B中，采用预测场景下的发电成本作为调度模型的目标函数；约束方程包括预测场景下的约束方程，误差场景下的约束方程，场景之间的过渡约束这三个部分。

根据本发明另一具体实施方式，步骤B中，采用火电、气电的运行成本作为目标函数，水电、风电、光伏发电不考虑运行成本。

根据本发明另一具体实施方式，步骤B中，机组的成本函数是以机组实际出力为决策变量的二次函数，其变量系数通过实际运行或实验获得。

根据本发明另一具体实施方式，步骤C中，误差场景集中存在最大场景与最小场景；其中，最大场景为所有的间歇性能源的出力都处于波动上限的情况；最小场景为所有的间歇性能源的出力都处于波动下限的情况。

根据本发明另一具体实施方式，步骤C中，当发生最小场景时，间歇性能源出力比其他场景时都小；为保证功率平衡，最小场景下常规机组出力比其他任意场景时大；最大场景下常规机组出力最大。

根据本发明另一具体实施方式，步骤C中包括对有功平衡约束方程进行简化：模型保证预测场景及误差场景的功率平衡；间歇性能源波动最大时，功率缺额最大；保证最大场景与最小场景满足功率平衡，其余误差场景也满足功率平衡。

根据本发明另一具体实施方式，步骤C中包括对旋转备用约束方程进行简化：模型保证各场景下满足负荷备用需要；常规机组出力越大，剩余的备用容量越小；保证在常规机组出力最大时满足备用约束，即要求在最小场景下满足负荷备用约束。

本发明的调度方法适用于在间歇性电源大规模并网的情况下如何制定保证电网安全、经济运行的调度方案的领域。

与现有技术相比，本发明具备如下有益效果：

(1)本发明建立的消纳大规模间歇性能源的安全约束经济调度方法，通过对调度模型的简化，使计算效率得到提高；

(2)本发明所建立的调度模型从理论上保证了系统具备消化间歇性能源的能力，使调度方案具有较强的鲁棒性；

(3)本发明综合考虑了水、火、风、气、光的多种能源结构，因此，本发明提出的调度方式适应范围广，能应用于含各种能源结构的实际电网。

下面结合附图对本发明作进一步的详细说明。

附图说明

图1为本发明的场景过渡的示意图；

图2为实施例1中，发电成本随波动区间的变化曲线；

图3为实施例1中，发电成本随调整时间的变化曲线。

具体实施方式

实施例1

本实施例以某省级电网为例进行仿真计算。

其中火电占55.8％，气电占17.3％，水电占18.3％，风电占7.2％，光伏发电占1.4％。该电网的间歇式能源所占比重较大，是典型的含大规模间歇性能源的实际电网。算例的输入数据如表1、表2所示：

表1机组信息

表2负荷及新能源预测信息(MW)

1)功率缺额分析

传统调度方式往往将间歇性机组的预测出力作为其经济调度出力，未考虑其波动性对经济调度的影响，在极端场景下可能出现功率缺额。本分别采用传统调度方式及鲁棒调度方式对该省级电网进行16个时段的调度计算，假设间歇性能源在预测值上下35％的区间内波动，场景调整时间为T_c＝2min。截取时段h＝1分析两种调度方式对间歇性能源波动性的适应能力。

h＝1，间隙性能源的出力范围为212±74MW，根据表3，传统调度方式在调整时间T_c内的最大下调功率及最大上调功率分别为

$P_d(h=1)=\underset{g=1}{\overset{G}{\Σ}}\min \{R^d\left(g\right)\×T_c,\[P(g,h)-P_{\min }\left(g\right)\]\}=52MW$

$P_u(h=1)=\underset{g=1}{\overset{G}{\Σ}}\min \{R^u\left(g\right)\×T_c,\[P_{\max }\left(g\right)-P(g,h)\]\}=132MW$

如果h＝1时发生最大场景s_max，间歇性能源出力增大了74MW。为了保证功率平衡，常规机组需要在调整时间T_C内下调74MW的出力，使功率恢复平衡。由于传统调度方式的最大下调功率仅为52MW，故时段h＝1将产生22MW的功率不平衡。

同理，h＝1时，鲁棒调度方式在调整时间T_C内的最大上调功率及最大下调功率分别为132MW、74MW。显然，对于任意误差场景，鲁棒调度方式均能在调整时间内通过再调度使系统功率恢复平衡。

表3机组参数及时段h＝1下两种调度方式的结果比较

根据上面的思路，分别计算两种调度方式在16个调度时段可能出现的最大功率不平衡，如表4所示。其中功率不平衡大于零表示发电过剩，反之为发电不足。表5为两种调度方式的性能比较。可得出如下的结论：1)传统调度方式没有考虑间歇性能源的波动性，当波动较大时，在某些时段将出现功率缺额；2)鲁棒调度方式在建模时考虑了所有的误差场景，只要间歇性能源的出力在波动区间内，鲁棒调度方式均能在调整时间约束内保证功率平衡。换言之，鲁棒调度方式能够适应间歇性能源的波动；3)传统调度方式更具有经济性，而鲁棒调度方式则是以损失经济性为代价换取对间歇性能源不确定性的适应能力。

表4两种方法可能出现的最大功率缺额统计

表5两种调度方式的优化性能比较

2)影响鲁棒调度结果的因素

上例中，假设间歇性能源的波动范围为预测值上下35％之间，调整时间为T_c＝2min。这两个参数均影响着鲁棒调度的经济性及鲁棒性。

不同的置信概率对应着不同的波动区间。将间歇性能源的出力波动范围分别设为预测值的上下20％、25％、30％、35％、40％进行调度计算。优化结果如表6所示，发电成本随着波动区间的增大而增大，因为考虑的误差场景数变多，使得可行域变小，经济性变差。当采用波动区间较大时，发电成本上升得更为明显，如图2所示。为了衡量调度结果的鲁棒性，假设最大偏移量为预测值的上下40％随机生成间歇性能源16个时段的出力。然后计算基于五种不同波动区间的鲁棒调度方式在16个调度时段的功率缺额的绝对值之和。显然，采用的波动区间越大，鲁棒性越强。

另一方面，调整时间T_c反映了系统跟随间歇性能源出力波动的能力。调整时间分别取2min、2.4min、2.8min、3.2min、3.6min进行调度计算，调度结果如表7所示。可见，发电成本随着调整时间的增大而减小，当调整时间大于3min时，发电成本趋于平缓，并逐渐趋近传统调度方式时的发电成本，如图3所示。

表6不同波动区间的鲁棒调度结果

表7不同调整时间的鲁棒调度结果

从上面的分析可知，波动区间及调整时间的大小直接影响鲁棒调度的经济性与鲁棒性。将波动区间及调整时间视为变量参与鲁棒调度优化可以有效地平衡鲁棒性与经济性这一组矛盾关系。

虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发明所做的同等改进，应为本发明的范围所涵盖。

Claims (10)

1.一种消纳大规模间歇性能源的安全约束经济调度方法，其包括如下步骤：

A、采用场景法描述间歇性能源的出力；

B、建立消纳大规模间歇性能源的安全约束经济调度模型；

C、通过对约束方程的逐一讨论使调度模型得到简化；

D、采用原始对偶内点算法求解调度模型。

2.根据权利要求1所述的调度方法，其特征在于，步骤A中，风电出力等于预测值记为预测场景，风电出力不等于预测值记为误差场景；在调度模型中，包含风电出力的约束项包括功率平衡约束和线路潮流约束。

3.根据权利要求2所述的调度方法，其特征在于，步骤A中，通过制定合适的常规机组发电计划来应对各种误差场景；当发生误差场景时，制定另外的发电计划以保证系统功率平衡和线路潮流不越限；并使预测场景下的发电计划在调整时间的约束下过渡到误差场景下的发电计划。

4.根据权利要求1所述的调度方法，其特征在于，步骤B中，采用预测场景下的发电成本作为调度模型的目标函数；约束方程包括预测场景下的约束方程、误差场景下的约束方程、场景之间的过渡约束这三个部分。

5.根据权利要求4所述的调度方法，其特征在于，步骤B中，采用火电、气电的运行成本作为目标函数，水电、风电、光伏发电不考虑运行成本。

6.根据权利要求4所述的调度方法，其特征在于，步骤B中，机组的成本函数是以机组实际出力为决策变量的二次函数，其变量系数通过实际运行或实验获得。

7.根据权利要求1所述的调度方法，其特征在于，步骤C中，误差场景集中存在最大场景与最小场景；其中，所述最大场景为所有的间歇性能源的出力都处于波动上限的情况；所述最小场景为所有的间歇性能源的出力都处于波动下限的情况。

8.根据权利要求7所述的调度方法，其特征在于，步骤C中，当发生所述最小场景时，间歇性能源出力比其他场景时都小；

为保证功率平衡，最小场景下常规机组出力比其它任意场景时大；

所述最大场景下常规机组出力最大。

9.根据权利要求7所述的调度方法，其特征在于，步骤C中包括对有功平衡约束方程进行简化：

模型保证预测场景及误差场景的功率平衡；间歇性能源波动最大时，功率缺额最大；保证最大场景与最小场景满足功率平衡，其余误差场景也满足功率平衡。

10.根据权利要求7所述的调度方法，其特征在于，步骤C中包括对旋转备用约束方程进行简化：

模型保证各场景下满足负荷备用需要；常规机组出力越大，剩余的备用容量越小；保证在常规机组出力最大时满足备用约束，要求在最小场景下满足负荷备用约束。