CN105488357A - 一种光热电站-风电场联合系统的有功功率滚动调度方法 - Google Patents

Abstract

本发明涉及一种光热电站-风电场联合系统的有功功率滚动调度方法，属于电力系统运行和控制技术领域。首先对风电场、光热电站光场的历史预测数据和历史实际有功功率数据进行统计，建立历史预测数据和历史实际有功功率数据之间的关系曲线；根据关系曲线，生成未来48小时的风电场、光热电站光场的有功功率场景集合；根据场景集合和实际接入电网的售电价格，对光热电站-风电联合系统未来24小时的输出有功功率计划值进行计算；联合系统在未来24小时的时间尺度内，执行计算得到的输出有功功率计划值。本方法解决了光热电站-风电联合系统中风电场功率波动的情况，促进了可再生能源的并网。

Description

一种光热电站-风电场联合系统的有功功率滚动调度方法

技术领域

本发明涉及一种光热电站-风电场联合系统的有功功率滚动调度方法，属于电力系统运行和控制技术领域。

背景技术

随着近年来可再生能源发电的快速发展，利用太阳能转化为热能发电的光热发电技术再一次引起人们的关注。据国际能源署预计，在适度政策的支持下，2050年全球CSP累计装机容量将达980GW。目前,国内在张家口、青海等多地均有在建的光热电站项目。

光热电站利用热能产生蒸汽推动汽轮机发电，当光热电站与储热装置结合时，可以显著提高光热发电的可控性和可调度性，从而使原本不可调度的电源变为具有良好调度性能的电源。由于光热电站需要产生蒸汽来发电，因此其对直射太阳光辐射有较高的要求，在我国，可以满足光热电站光照条件要求的地区大多位于西北和北部，这些地区风电资源也比较丰富。由于风电资源存在不确定性，其预测误差使得风电实际出力与预测出力有一定的偏差，在导致弃风问题的同时，也给电力系统的日前调度和实时调度带来了困难。考虑到未来光热电站的发展趋势、其可能建设投产的地理位置以及光热电站的可调度能力，可以考虑将光热电站与风电结合起来。光热电站中储热装置内的能量能以较低的损耗存储很长时间，联合系统在制订日前计划时，如果没有考虑后几日风光功率的不确定性和光热电站可调度能力的变化，就无法制订合理的储热装置充放电计划来充分发挥光热电站的可调度能力，从而影响联合系统在更长时间尺度上的经济效益。因此，对于光热电站和风电联合系统，有必要考虑风光功率预测的不确定性以及风光不确定性在未来48小时中的变化情况，对联合系统的调度问题进行研究。

发明内容

本发明的目的是提出一种光热电站-风电场联合系统的有功功率滚动调度方法，针对可再生能源并网问题，充分考虑风光功率预测的不确定性以及风光不确定性在未来48小时中的变化情况，将未来48小时的风光预测数据纳入光热电站-风电联合系统的调度当中，从而产生合理的未来24小时的光热电站-风电联合系统输出有功功率计划，减少风电场的不确定性，促进可再生能源并网。

本发明提出的光热电站-风电场联合系统的有功功率滚动调度方法，包括以下步骤：

(1)对风电场、光热电站的光场的历史预测数据和历史实际有功功率数据进行统计，建立历史预测数据和历史实际有功功率数据之间的关系曲线，具体过程如下：

(1-1)对光热电站的光场过去一年的历史日前光照功率预测数据进行统计，得到光热电站的光场过去一年的历史日前光照功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前光照功率预测数据分布于区间p₁内；

(1-2)设定一个数值gap₁，gap₁的取值范围为gap₁∈(0,5]；

(1-3)根据步骤(1-1)中所述的分布区间p₁和步骤(1-2)中设定的数值gap₁，计算得到子区间P_k，k＝1,2,...,n₁，上述子区间P_k的取值范围为 $P_k\∈(p_1^{\min }+(k-1)\·{\mathrm{gap}}_1,p_1^{\min }+k\·{\mathrm{gap}}_1\],$ n₁的取值为：

(1-4)对光热电站的光场过去一年的历史实际输出光照功率数据进行统计，得到光热电站光场过去一年的历史实际输出光照功率数据集合h₁；

(1-5)根据步骤(1-3)中所述子区间P_k和n₁，将历史实际输出光照功率数据集合h₁划分为n₁个子集合k＝1,2,...,n₁，具体过程如下：

(1-5-1)从步骤(1-1)所述光热电站的光场过去一年的历史日前光照功率预测数据中找出与上述数据集合h₁中的任意一个元素x相对应的历史日前光照功率预测数据x'，x∈h₁；

(1-5-2)根据步骤(1-3)中所述子区间P_k，若上述则将步骤(1-5-1)中所述的元素x划分给集合k＝1,2,...,n₁；

(1-5-3)遍历数据集合h₁中的每一个元素，重复步骤(1-5-1)和步骤(1-5-2)，将数据集合h₁中的每一个元素划分到上述数据子集合中，k＝1,2,...,n₁；

(1-6)计算步骤(1-5-3)的数据子集合的均方根误差将子区间P_k的中间值作为自变量，将数据子集合的均方根误差中与P_k相对应的均方根误差作为因变量，构成一个P_k与的关系曲线R₁；

(1-7)对风电场过去一年的历史日前风电功率预测数据进行统计，得到风电场过去一年的历史日前风电功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前风电功率预测数据分布于区间p₂内；

(1-8)设定一个数值gap₂，gap₂的取值范围为gap₂∈(0,5]；

(1-9)根据步骤(1-7)中所述的分布区间p₂和步骤(1-8)中设定的数值gap₂，计算得到子区间W_g，g＝1,2,...,n₂，上述子区间W_g的取值范围为 $W_g\∈(p_2^{\min }+(g-1)\·{\mathrm{gap}}_2,p_2^{\min }+g\·{\mathrm{gap}}_2\],$ n₂的取值为：

(1-10)对风电场的光场过去一年的历史实际输出风电功率数据进行统计，得到风电场过去一年的历史实际输出风电功率数据集合h₂，

(1-11)根据步骤(1-7)中所述子区间W_g和n₂，将历史实际输出光照功率数据集合h₂划分为n₂个子集合g＝1,2,...,n₂，具体过程如下：

(1-11-1)从步骤(1-7)所述风电场过去一年的历史日前风电功率预测数据中找出与上述数据集合h₂中任一个元素y相对应的历史日前风电功率预测数据y',y∈h₂；

(1-11-2)根据步骤(1-9)所述子区间W_g，若上述则将步骤(1-11-1)中所述的元素y划分给集合g＝1,2,...,n₂；

(1-11-3)遍历数据集合h₁中的每一个元素，重复步骤(1-11-1)和步骤(1-11-2)，将数据集合h₂中的每一个元素划分到上述数据子集合中，g＝1,2,...,n₂；

(1-12)计算步骤(1-11-3)中得到的数据子集合的均方根误差将子区间W_g的中值作为自变量，将数据子集合的均方根误差中与W_g相对应的均方根误差作为因变量，构成一个W_g与的关系曲线R₂；

(2)根据风电场、光热电站光场的未来48小时的有功功率预测，并根据上述步骤(1)的历史预测数据和历史实际有功功率数据之间的关系曲线，生成未来48小时的风电场、光热电站光场的有功功率场景集合，具体过程如下：

(2-1)设定光热电站的光场未来48小时的有功功率预测数值SP^l，查询上述关系曲线R₁，分别得到与有功功率预测数值SP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-2)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_1^l}=\frac{l}{48}{\mathrm{RMSE}}_1^l,1\≤l\≤48$

(2-3)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₁＝1,2,...,10为组下标；

(2-4)根据上述有功功率预测数值SP^l和10组数据计算得到10组光热电站光场未来48小时的有功功率场景：l＝1,2,...,48，s₁＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(2-5)设定风电场未来48小时的有功功率预测数值WP^l，查询上述关系曲线R₂，分别得到与有功功率预测数值WP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-6)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_2^l}=\frac{l}{48}{\mathrm{RMSE}}_2^l,1\≤l\≤48$

(2-7)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₂＝1,2,...,10为组下标；

(2-8)根据上述有功功率预测数值WP^l和10组数据计算得到10组风电场未来48小时的有功功率场景：l＝1,2,...,48，s₂＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(3)根据上述风电场、光热电站的光场的有功功率场景集合和实际接入电网的售电价格，对光热电站-风电联合系统未来24小时的输出有功功率计划值进行计算，具体过程如下：

(3-1)设第l时刻的售电价格为ρ_l；

(3-2)设定光热电站的有功功率出力的各項约束，具体过程如下：

(3-2-1)设定光热电站发电机出力限制约束为： $P_{\min }^{CSP}\·x_l^{CSP}\≤P_{l,s}^{CSP}\≤P_{max}^{CSP}\·x_l^{CSP},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},$

其中，l＝1,2...48为时刻值，s为对上述步骤(2-4)集合和步骤(2-8)集合进行并集运算后得到的新集和中列元素的下标s＝1,2,....,100，为光热电站中的发电机在所述l时刻和所述的场景s中的出力变量，为设定的光热电站中的发电机的最小出力设定值，为设定的光热电站中的发电机的最大出力设定值，为光热电站中的发电机在k时刻的状态变量，所述等于1表示发电机开启，等于0表示发电机关闭；

(3-2-2)设定光热电站中的发电机的状态变量与开机变量的关系约束为：

$x_l^{CSP}-x_{l-1}^{CSP}\≤u_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的开机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-3)设定光热电站中的发电机的状态变量与关机变量的关系约束为：

$x_{l-1}^{CSP}-x_l^{CSP}\≤v_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的关机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-4)设定光热电站中的发电机的最小开机时间约束为：

$\begin{array}{c}{x}_l^{CSP}-x_{l-1}^{CSP}\≤x_{\mathrm{\τ}}^{CSP},\\ \∀\mathrm{\τ}\∈\[l+1,\min \{l+T_{on}^{CSP}-1,T\}\]\end{array}$

其中，为设定的光热电站中的发电机最小开机时间，指任意一个取值在区间中的变量τ，上述区间中表示对和T取最小值；

(3-2-5)设定光热电站中的发电机的最小关机时间约束为：

$\begin{array}{c}{x}_{l-1}^{CSP}-x_l^{CSP}\≤1-x_{\mathrm{\τ}}^{CSP},\\ \∀\mathrm{\τ}\∈\[l+1,\min \{l+T_{off}^{CSP}-1,T\}\]\end{array}$

其中，为设定的光热电站中的发电机最小关机时间；

(3-2-6)设定光热电站中的发电机的爬坡约束为：

$\begin{array}{c}-{\mathrm{RD}}^{CSP}\·x_l^{CSP}+P_{\min }^{CSP}(x_l^{CSP}-1)\≤\\ P_{l,s}^{CSP}-P_{l-1,s}^{CSP}\≤\\ {\mathrm{RU}}^{CSP}\·x_l^{CSP}+P_{\max }^{CSP}(1-x_l^{CSP}),s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}\end{array}$

其中，RU^CSP设定的光热电站发电机的最大上爬坡值，RD^CSP为设定的光热电站发电机的最大下爬坡值；

(3-2-7)设定光热电站中的储能装置的存储能量约束为：

$E_{\min }\≤E_{l,s}\≤{\mathrm{\ρ}}^{FLH}\frac{P_{\max }^{CSP}}{{\mathrm{\η}}_e},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_min为设定的光热电站中的储能装置考虑安全运行的最小能量存储量，E_l,s为在所述l时刻和所述的场景s中光热电站中的储能装置内存储的能量变量，ρ^FLH为设定的光热电站中的储能装置满负荷小时数，η_e为设定的光热电站中的发电机热转电效率；

(3-2-8)设定光热电站中的储能装置的充放电功率约束为：

$\begin{array}{c}0\≤P_{l,s}^{ch}\≤P_{\max }^c\·x_{l,s}^{storage},\\ 0\≤P_{l,s}^{dis}\≤P_{\max }^d\·(1-x_{l,s}^{storage})\\ x_{l,s}^{storage}\≥0,s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}\end{array}$

其中，为设定的光热电站中的储能装置的最大充热功率，为设定的光热电站中的储能装置的最大充热/放热功率；为在所述l时刻和所述的场景s中光热电站中的储热装置的充热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的放热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的充放电状态，上述为0时表示储热装置释放热量，为1时表示储热装置储存热量；

(3-2-9)设定光热电站中的储热装置的充放热功率与储热装置中存储能量的关系约束为：

$-{\mathrm{\η}}_c\·P_{l,s}^{ch}+\frac{P_{l,s}^{dis}}{{\mathrm{\η}}_{dc}}=(1-\mathrm{\γ})E_{l-1,s}-E_{l,s},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，γ为设定的储热装置耗散系数，η_dc为设定的储热装置的放热效率，η_c为设定的储热装置充热效率；

(3-2-10)设定在步骤(3-2-1)所述各场景s下光热电站中的储热装置中存储能量的变量在l＝24时刻的关系约束为：

$E_{l,\mathrm{\λ}}=E_{l,\mathrm{\ω}}\{\mathrm{\λ},\mathrm{\ω}\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},l=24\}$

上述约束保证各场景s下光热电站中的储热装置存储能量在当前调度日结束时刻取值相等，从而使下一调度日开始时刻储热装置内储能量为定值；

(3-2-11)设定光热电站中的能量流动关系约束为：

$\frac{P_{l,s}^{CSP}}{{\mathrm{\η}}_e}-P_{l,s}^{ch}+P_{l,s}^{dis}+E_{loss}\·u_l^{CSP}\≤P_{l,s}^{sf},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_loss为设定的光热电站发电机开机损失的热量；

(3-3)设定与光热电站组成联合系统的风电场的有功功率约束为：

$0\≤P_{l,s}^{Wind}\≤{\mathrm{PF}}_{l,s}^{wind},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

式中：为在步骤(2-8)所述l时刻和所述的场景s中风电场的预测风功率数据，为在所述l时刻和所述的场景s中风电场的实际风电有功功率变量；

(3-4)设定光热电站-风电联合系统的有功功率计划变量为上述与步骤(3-2-1)中所述光热电站中的发电机在所述l时刻和所述的场景s中的出力变量和步骤(3-3)风电场的实际风电有功功率变量的关系为：

$P_l^{sche}-P_{l,s}^{CSP}-P_{l,s}^{wind}=0$

(3-5)光热电站-风电联合系统进行有功功率调度的目标函数为经济效益的最大化，上述目标函数由步骤(3-1)所述售电价格ρ_l和步骤(3-4)所述光热电站-风电联合系统的有功功率计划变量表示为：

(3-6)根据上述步骤(3-2)，步骤(3-3)，步骤(3-4)中所述的约束和步骤(3-5)中所述的目标函数，建立一个光热电站-风电联合系统的日前调度优化模型；

(3-7)通过数学中的分支定界方法，求解上述步骤(3-6)的日前调度优化模型，得到未来48小时光热电站-风电联合系统的计划有功功率l＝1,2,...,48，和各l时刻和各所述s场景下光热电站中的发电机有功功率风电场有功功率

(4)光热电站-风电联合系统在未来24小时的时间尺度内，执行步骤(3-7)生成的输出有功功率计划值具体过程如下：

(4-1)根据上述步骤(3-7)中未来48小时的计划有功功率取出前24小时的计划有功功率t＝1,..,24；

(4-2)在预测开始的第t小时时刻，调度光热电站-风电联合系统的实时有功功率为直到第24小时后，当前调度周期结束；

(5)当上述步骤(4)中24小时的输出有功功率计划值执行完毕后，进入步骤(2)，进入下一周期的光热电站-风电场联合系统的有功功率滚动调度。

本发明提出的光热电站-风电场联合系统的有功功率滚动调度方法，其优点是：本发明方法考虑未来48小时的光热电站光场和风电场有功功率预测数据，充分利用光热电站中储热装置的调度能力，减少可再生能源的波动性。该方法可以在考虑未来48小时数据的基础上，对未来24小时的光热电站-风电联合系统进行合理调度，充分考虑储能装置在光热电站调度中的作用，根据第二天可能出现的风电场有功功率情况和光热电站光场有功功率情况进行调度，并决定前24小时结束时的留存能量，防止由于第一天光热电站的储能装置未能留存足够的能量导致光热电站-风电联合系统在第二天可能出现的有功功率波动情况，并充分考虑光热电站-风电联合系统的经济效益。该方法在很大程度上解决了光热电站-风电联合系统中风电场功率波动的情况，促进了可再生能源的并网。本发明方法原理简单，利用实现方便。

附图说明

图1是本发明提出的光热电站-风电场联合系统的有功功率滚动调度方法流程框图

具体实施方式

本发明提出的光热电站-风电场联合系统的有功功率滚动调度方法，其流程框图如图1所示，包括以下步骤：

(1)对风电场、光热电站的光场的历史预测数据和历史实际有功功率数据进行统计，建立历史预测数据和历史实际有功功率数据之间的关系曲线，具体过程如下：

(1-1)对光热电站的光场过去一年的历史日前光照功率预测数据进行统计，得到光热电站的光场过去一年的历史日前光照功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前光照功率预测数据分布于区间p₁内；

(1-2)设定一个数值gap₁，gap₁的取值范围为gap₁∈(0,5]；

(1-3)根据步骤(1-1)中所述的分布区间p₁和步骤(1-2)中设定的数值gap₁，计算得到子区间P_k，k＝1,2,...,n₁，上述子区间P_k的取值范围为 $P_k\∈(p_1^{\min }+\left(k-1\right)\·{\mathrm{gap}}_1,p_1^{\min }+k\·{\mathrm{gap}}_1\],$ n₁的取值为：

(1-4)对光热电站的光场过去一年的历史实际输出光照功率数据进行统计，得到光热电站光场过去一年的历史实际输出光照功率数据集合h₁；

(1-5)根据步骤(1-3)中所述子区间P_k和n₁，将历史实际输出光照功率数据集合h₁划分为n₁个子集合k＝1,2,...,n₁，具体过程如下：

(1-5-1)从步骤(1-1)所述光热电站的光场过去一年的历史日前光照功率预测数据中找出与上述数据集合h₁中的任意一个元素x相对应的历史日前光照功率预测数据x'，x∈h₁；

(1-5-2)根据步骤(1-3)中所述子区间P_k，若上述则将步骤(1-5-1)中所述的元素x划分给集合k＝1,2,...,n₁；

(1-5-3)遍历数据集合h₁中的每一个元素，重复步骤(1-5-1)和步骤(1-5-2)，将数据集合h₁中的每一个元素划分到上述数据子集合中，k＝1,2,...,n₁；

(1-6)计算步骤(1-5-3)的数据子集合的均方根误差将子区间P_k的中间值作为自变量，将数据子集合的均方根误差中与P_k相对应的均方根误差作为因变量，构成一个P_k与的关系曲线R₁；

(1-7)对风电场过去一年的历史日前风电功率预测数据进行统计，得到风电场过去一年的历史日前风电功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前风电功率预测数据分布于区间p₂内；

(1-8)设定一个数值gap₂，gap₂的取值范围为gap₂∈(0,5]；

(1-9)根据步骤(1-7)中所述的分布区间p₂和步骤(1-8)中设定的数值gap₂，计算得到子区间W_g，g＝1,2,...,n₂，上述子区间W_g的取值范围为 $W_g\∈(p_2^{\min }+(g-1)\·{\mathrm{gap}}_2,p_2^{\min }+g\·{\mathrm{gap}}_2\],$ n₂的取值为：

(1-10)对风电场的光场过去一年的历史实际输出风电功率数据进行统计，得到风电场过去一年的历史实际输出风电功率数据集合h₂，

(1-11)根据步骤(1-7)中所述子区间W_g和n₂，将历史实际输出光照功率数据集合h₂划分为n₂个子集合，g＝1,2,...,n₂，具体过程如下：

(1-11-1)从步骤(1-7)所述风电场过去一年的历史日前风电功率预测数据中找出与上述数据集合h₂中任一个元素y相对应的历史日前风电功率预测数据y',y∈h₂；

(1-11-2)根据步骤(1-9)所述子区间W_g，若上述则将步骤(1-11-1)中所述的元素y划分给集合g＝1,2,...,n₂；

(1-11-3)遍历数据集合h₁中的每一个元素，重复步骤(1-11-1)和步骤(1-11-2)，将数据集合h₂中的每一个元素划分到上述数据子集合中，g＝1,2,...,n₂；

(1-12)计算步骤(1-11-3)中得到的数据子集合的均方根误差将子区间W_g的中值作为自变量，将数据子集合的均方根误差中与W_g相对应的均方根误差作为因变量，构成一个W_g与的关系曲线R₂；

(2)根据风电场、光热电站光场的未来48小时的有功功率预测，并根据上述步骤(1)的历史预测数据和历史实际有功功率数据之间的关系曲线，生成未来48小时的风电场、光热电站光场的有功功率场景集合，具体过程如下：

(2-1)设定光热电站的光场未来48小时的有功功率预测数值SP^l，查询上述关系曲线R₁，分别得到与有功功率预测数值SP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-2)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_1^l}=\frac{l}{48}{\mathrm{RMSE}}_1^l,1\≤l\≤48$

(2-3)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₁＝1,2,...,10为组下标；

(2-4)根据上述有功功率预测数值SP^l和10组数据计算得到10组光热电站光场未来48小时的有功功率场景：l＝1,2,...,48，s₁＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(2-5)设定风电场未来48小时的有功功率预测数值WP^l，查询上述关系曲线R₂，分别得到与有功功率预测数值WP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-6)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_2^l}=\frac{l}{48}{\mathrm{RMSE}}_2^l,1\≤l\≤48$

(2-7)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₂＝1,2,...,10为组下标；

(2-8)根据上述有功功率预测数值WP^l和10组数据计算得到10组风电场未来48小时的有功功率场景：l＝1,2,...,48，s₂＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(3)根据上述风电场、光热电站的光场的有功功率场景集合和实际接入电网的售电价格，对光热电站-风电联合系统未来24小时的输出有功功率计划值进行计算，具体过程如下：

(3-1)设第l时刻的售电价格为ρ_l，该价格数值由实际光热电站-风电联合系统与电网公司的合同决定；

(3-2)设定光热电站的有功功率出力的各項约束，具体过程如下：

(3-2-1)设定光热电站发电机出力限制约束为：

$P_{\min }^{CSP}\·x_l^{CSP}\≤P_{l,s}^{CSP}\≤P_{max}^{CSP}\·x_l^{CSP},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},$

其中，l＝1,2...48为时刻值，s为对上述步骤(2-4)集合和步骤(2-8)集合进行并集运算后得到的新集和中列元素的下标s＝1,2,....,100，为光热电站中的发电机在所述l时刻和所述的场景s中的出力变量，为设定的光热电站中的发电机的最小出力设定值，为设定的光热电站中的发电机的最大出力设定值，为光热电站中的发电机在k时刻的状态变量，所述等于1表示发电机开启，等于0表示发电机关闭；

(3-2-2)设定光热电站中的发电机的状态变量与开机变量的关系约束为：

$x_l^{CSP}-x_{l-1}^{CSP}\≤u_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的开机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-3)设定光热电站中的发电机的状态变量与关机变量的关系约束为：

$x_{l-1}^{CSP}-x_l^{CSP}\≤v_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的关机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-4)设定光热电站中的发电机的最小开机时间约束为：

$\begin{array}{c}{x}_l^{CSP}-x_{l-1}^{CSP}\≤x_{\mathrm{\τ}}^{CSP},\\ \∀\mathrm{\τ}\∈\[l+1,\min \{l+T_{on}^{CSP}-1,T\}\]\end{array}$

其中，为设定的光热电站中的发电机最小开机时间，指任意一个取值在区间中的变量τ，上述区间中表示对和T取最小值；

(3-2-5)设定光热电站中的发电机的最小关机时间约束为：

$\begin{array}{c}{x}_{l-1}^{CSP}-x_l^{CSP}\≤1-x_{\mathrm{\τ}}^{CSP},\\ \∀\mathrm{\τ}\∈\[l+1,\min \{l+T_{off}^{CSP}-1,T\}\]\end{array}$

其中，为设定的光热电站中的发电机最小关机时间；

(3-2-6)设定光热电站中的发电机的爬坡约束为：

$\begin{array}{c}-{\mathrm{RD}}^{CSP}\·x_l^{CSP}+P_{\min }^{CSP}(x_l^{CSP}-1)\≤\\ P_{l,s}^{CSP}-P_{l-1,s}^{CSP}\≤\\ {\mathrm{RU}}^{CSP}\·x_l^{CSP}+P_{\max }^{CSP}(1-x_l^{CSP}),s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}\end{array}$

其中，RU^CSP设定的光热电站发电机的最大上爬坡值，RD^CSP为设定的光热电站发电机的最大下爬坡值；

(3-2-7)设定光热电站中的储能装置的存储能量约束为：

$E_{\min }\≤E_{l,s}\≤{\mathrm{\ρ}}^{FLH}\frac{P_{\max }^{CSP}}{{\mathrm{\η}}_e},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_min为设定的光热电站中的储能装置考虑安全运行的最小能量存储量，E_l,s为在所述l时刻和所述的场景s中光热电站中的储能装置内存储的能量变量，ρ^FLH为设定的光热电站中的储能装置满负荷小时数，η_e为设定的光热电站中的发电机热转电效率；

(3-2-8)设定光热电站中的储能装置的充放电功率约束为：

$\begin{array}{c}0\≤P_{l,s}^{ch}\≤P_{\max }^c\·x_{l,s}^{storage},\\ 0\≤P_{l,s}^{dis}\≤P_{\max }^d\·(1-x_{l,s}^{storage})\\ x_{l,s}^{storage}\≥0,s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}\end{array}$

其中，为设定的光热电站中的储能装置的最大充热功率，为设定的光热电站中的储能装置的最大充热/放热功率；为在所述l时刻和所述的场景s中光热电站中的储热装置的充热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的放热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的充放电状态，上述为0时表示储热装置释放热量，为1时表示储热装置储存热量；

(3-2-9)设定光热电站中的储热装置的充放热功率与储热装置中存储能量的关系约束为：

$-{\mathrm{\η}}_c\·P_{l,s}^{ch}+\frac{P_{l,s}^{dis}}{{\mathrm{\η}}_{dc}}=(1-\mathrm{\γ})E_{l-1,s}-E_{l,s},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，γ为设定的储热装置耗散系数，η_dc为设定的储热装置的放热效率，η_c为设定的储热装置充热效率；

(3-2-10)设定在步骤(3-2-1)所述各场景s下光热电站中的储热装置中存储能量的变量在l＝24时刻的关系约束为：

$E_{l,\mathrm{\λ}}=E_{l,\mathrm{\ω}}\{\mathrm{\λ},\mathrm{\ω}\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},l=24\}$

上述约束保证各场景s下光热电站中的储热装置存储能量在当前调度日结束时刻取值相等，从而使下一调度日开始时刻储热装置内储能量为定值；

(3-2-11)设定光热电站中的能量流动关系约束为：

$\frac{P_{l,s}^{CSP}}{{\mathrm{\η}}_e}-P_{l,s}^{ch}+P_{l,s}^{dis}+E_{loss}\·u_l^{CSP}\≤P_{l,s}^{sf},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_loss为设定的光热电站发电机开机损失的热量；

(3-3)设定与光热电站组成联合系统的风电场的有功功率约束为：

$0\≤P_{l,s}^{Wind}\≤{\mathrm{PF}}_{l,s}^{wind},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

式中：为在步骤(2-8)所述l时刻和所述的场景s中风电场的预测风功率数据，为在所述l时刻和所述的场景s中风电场的实际风电有功功率变量；

(3-4)设定光热电站-风电联合系统的有功功率计划变量为上述与步骤(3-2-1)中所述光热电站中的发电机在所述l时刻和所述的场景s中的出力变量和步骤(3-3)风电场的实际风电有功功率变量的关系为：

$P_l^{sche}-P_{l,s}^{CSP}-P_{l,s}^{wind}=0$

(3-5)光热电站-风电联合系统进行有功功率调度的目标函数为经济效益的最大化，上述目标函数由步骤(3-1)所述售电价格ρ_l和步骤(3-4)所述光热电站-风电联合系统的有功功率计划变量表示为：

(3-6)根据上述步骤(3-2)，步骤(3-3)，步骤(3-4)中所述的约束和步骤(3-5)中所述的目标函数，建立一个光热电站-风电联合系统的日前调度优化模型；

(3-7)通过数学中的分支定界方法，求解上述步骤(3-6)的日前调度优化模型，得到未来48小时光热电站-风电联合系统的计划有功功率l＝1,2,...,48，和各l时刻和各所述s场景下光热电站中的发电机有功功率风电场有功功率

(4)光热电站-风电联合系统在未来24小时的时间尺度内，执行步骤(3-7)生成的输出有功功率计划值具体过程如下：

(4-1)根据上述步骤(3-7)中未来48小时的计划有功功率取出前24小时的计划有功功率t＝1,..,24；

(4-2)在预测开始的第t小时时刻，调度光热电站-风电联合系统的实时有功功率为直到第24小时后，当前调度周期结束；

(5)当上述步骤(4)中24小时的输出有功功率计划值执行完毕后，进入步骤(2)，进入下一周期的光热电站-风电场联合系统的有功功率滚动调度。

Claims (1)

1.一种光热电站-风电场联合系统的有功功率滚动调度方法，其特征在于，该方法包括以下步骤：

(1)对风电场、光热电站的光场的历史预测数据和历史实际有功功率数据进行统计，建立历史预测数据和历史实际有功功率数据之间的关系曲线，具体过程如下：

(1-1)对光热电站的光场过去一年的历史日前光照功率预测数据进行统计，得到光热电站的光场过去一年的历史日前光照功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前光照功率预测数据分布于区间p₁内；

(1-2)设定一个数值gap₁，gap₁的取值范围为gap₁∈(0,5]；

(1-3)根据步骤(1-1)中所述的分布区间p₁和步骤(1-2)中设定的数值gap₁，计算得到子区间P_k，k＝1,2,...,n₁，上述子区间P_k的取值范围为 $P_k\∈(p_1^{\min }+\left(k-1\right)\·{\mathrm{gap}}_1,p_1^{\min }+k\·{\mathrm{gap}}_1\],$ n₁的取值为：

(1-4)对光热电站的光场过去一年的历史实际输出光照功率数据进行统计，得到光热电站光场过去一年的历史实际输出光照功率数据集合h₁；

(1-5)根据步骤(1-3)中所述子区间P_k和n₁，将历史实际输出光照功率数据集合h₁划分为n₁个子集合k＝1,2,...,n₁，具体过程如下：

(1-5-1)从步骤(1-1)所述光热电站的光场过去一年的历史日前光照功率预测数据中找出与上述数据集合h₁中的任意一个元素x相对应的历史日前光照功率预测数据x'，x∈h₁；

(1-5-2)根据步骤(1-3)中所述子区间P_k，若上述 $x^{\′}\∈(p_1^{\min }+\left(k-1\right)\·{\mathrm{gap}}_1,p_1^{\min }+k\·{\mathrm{gap}}_1\],$ 则将步骤(1-5-1)中所述的元素x划分给集合k＝1,2,...,n₁；

(1-5-3)遍历数据集合h₁中的每一个元素，重复步骤(1-5-1)和步骤(1-5-2)，将数据集合h₁中的每一个元素划分到上述数据子集合中，k＝1,2,...,n₁；

(1-6)计算步骤(1-5-3)的数据子集合的均方根误差将子区间P_k的中间值作为自变量，将数据子集合的均方根误差中与P_k相对应的均方根误差作为因变量，构成一个P_k与的关系曲线R₁；

(1-7)对风电场过去一年的历史日前风电功率预测数据进行统计，得到风电场过去一年的历史日前风电功率预测数据分布区间 为上述区间的下界，为上述区间的上界，则过去一年的历史日前风电功率预测数据分布于区间p₂内；

(1-8)设定一个数值gap₂，gap₂的取值范围为gap₂∈(0,5]；

(1-9)根据步骤(1-7)中所述的分布区间p₂和步骤(1-8)中设定的数值gap₂，计算得到子区间W_g，g＝1,2,...,n₂，上述子区间W_g的取值范围为 $W_g\∈(p_2^{\min }+\left(g-1\right)\·{\mathrm{gap}}_2,p_2^{\min }+g\·{\mathrm{gap}}_2\],$ n₂的取值为：

(1-10)对风电场的光场过去一年的历史实际输出风电功率数据进行统计，得到风电场过去一年的历史实际输出风电功率数据集合h₂，

(1-11)根据步骤(1-7)中所述子区间W_g和n₂，将历史实际输出光照功率数据集合h₂划分为n₂个子集合g＝1,2,...,n₂，具体过程如下：

(1-11-1)从步骤(1-7)所述风电场过去一年的历史日前风电功率预测数据中找出与上述数据集合h₂中任一个元素y相对应的历史日前风电功率预测数据y',y∈h₂；

(1-11-2)根据步骤(1-9)所述子区间W_g，若上述 $y^{\′}\∈(p_2^{\min }+\left(g-1\right)\·{\mathrm{gap}}_2,p_2^{\min }+g\·{\mathrm{gap}}_2\],$ 则将步骤(1-11-1)中所述的元素y划分给集合g＝1,2,...,n₂；

(1-11-3)遍历数据集合h₁中的每一个元素，重复步骤(1-11-1)和步骤(1-11-2)，将数据集合h₂中的每一个元素划分到上述数据子集合中，g＝1,2,...,n₂；

(1-12)计算步骤(1-11-3)中得到的数据子集合的均方根误差将子区间W_g的中值作为自变量，将数据子集合的均方根误差中与W_g相对应的均方根误差作为因变量，构成一个W_g与的关系曲线R₂；

(2)根据风电场、光热电站光场的未来48小时的有功功率预测，并根据上述步骤(1)的历史预测数据和历史实际有功功率数据之间的关系曲线，生成未来48小时的风电场、光热电站光场的有功功率场景集合，具体过程如下：

(2-1)设定光热电站的光场未来48小时的有功功率预测数值SP^l，查询上述关系曲线R₁，分别得到与有功功率预测数值SP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-2)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_1^l}=\frac{l}{48}{\mathrm{RMSE}}_1^l,1\≤l\≤48$

(2-3)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₁＝1,2,...,10为组下标；

(2-4)根据上述有功功率预测数值SP^l和10组数据计算得到10组光热电站光场未来48小时的有功功率场景：l＝1,2,...,48，s₁＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(2-5)设定风电场未来48小时的有功功率预测数值WP^l，查询上述关系曲线R₂，分别得到与有功功率预测数值WP^l相对应的48个均方根误差l为预测时刻，l＝1,2,...,48；

(2-6)对48个均方根误差分别进行修正，得到48个修正均方根误差

$\stackrel{\‾}{{\mathrm{RMSE}}_2^l}=\frac{l}{48}{\mathrm{RMSE}}_2^l,1\≤l\≤48$

(2-7)根据步骤(2-2)所述的48个修正均方根误差利用基于高斯分布的蒙特卡洛方法，相对应每个修正均方根误差产生标准差为的10组数据l＝1,2,...,48，s₂＝1,2,...,10为组下标；

(2-8)根据上述有功功率预测数值WP^l和10组数据计算得到10组风电场未来48小时的有功功率场景：l＝1,2,...,48，s₂＝1,2,...,10为组下标，10组共480个有功功率数据组成场景集合

(3)根据上述风电场、光热电站的光场的有功功率场景集合和实际接入电网的售电价格，对光热电站-风电联合系统未来24小时的输出有功功率计划值进行计算，具体过程如下：

(3-1)设第l时刻的售电价格为ρ_l；

(3-2)设定光热电站的有功功率出力的各項约束，具体过程如下：

(3-2-1)设定光热电站发电机出力限制约束为：

$P_{\min }^{CSP}\·x_l^{CSP}\≤P_{1,s}^{CSP}\≤P_{max}^{CSP}\·x_l^{CSP},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},$

其中，l＝1,2...48为时刻值，s为对上述步骤(2-4)集合和步骤(2-8)集合进行并集运算后得到的新集和中列元素的下标s＝1,2,....,100，为光热电站中的发电机在所述l时刻和所述的场景s中的出力变量，为设定的光热电站中的发电机的最小出力设定值，为设定的光热电站中的发电机的最大出力设定值，为光热电站中的发电机在k时刻的状态变量，所述等于1表示发电机开启，等于0表示发电机关闭；

(3-2-2)设定光热电站中的发电机的状态变量与开机变量的关系约束为：

$x_l^{CSP}-x_{l-1}^{CSP}\≤u_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的开机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-3)设定光热电站中的发电机的状态变量与关机变量的关系约束为：

$x_{l-1}^{CSP}-x_l^{CSP}\≤v_l^{CSP},$

其中，为步骤(3-2-1)所述l时刻光热电站中的发电机的关机状态标志，所述等于1表示机组在l时刻启动，等于0表示发电机没有在l时刻进行启动操作；

(3-2-4)设定光热电站中的发电机的最小开机时间约束为：

$x_l^{CSP}-x_{l-1}^{CSP}\≤x_{\mathrm{\τ}}^{CSP},$

$\∀\mathrm{\τ}\∈\[l+1,min\{l+T_{on}^{CSP}-1,T\}\]$

其中，为设定的光热电站中的发电机最小开机时间， $\∀\mathrm{\τ}\∈\[l+1,min\{l+T_{on}^{CSP}-1,T\}\]$ 指任意一个取值在区间中的变量τ，上述区间中表示对和T取最小值；

(3-2-5)设定光热电站中的发电机的最小关机时间约束为：

$x_{l-1}^{CSP}-x_l^{CSP}\≤1-x_{\mathrm{\τ}}^{CSP},$

$\∀\mathrm{\τ}\∈\[l+1,min\{l+T_{off}^{CSP}-1,T\}\]$

其中，为设定的光热电站中的发电机最小关机时间；

(3-2-6)设定光热电站中的发电机的爬坡约束为：

$\begin{array}{c}-{\mathrm{RD}}^{CSP}\·x_l^{CSP}+P_{\min }^{CSP}(x_l^{CSP}-1)\≤\\ P_{l,s}^{CSP}-P_{l-1,s}^{CSP}\≤\\ {\mathrm{RU}}^{CSP}\·x_l^{CSP}+P_{\max }^{CSP}(1-x_l^{CSP}),s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}\end{array}$

其中，RU^CSP设定的光热电站发电机的最大上爬坡值，RD^CSP为设定的光热电站发电机的最大下爬坡值；

(3-2-7)设定光热电站中的储能装置的存储能量约束为：

$E_{\min }\≤E_{l,s}\≤{\mathrm{\ρ}}^{FLH}\frac{P_{\max }^{CSP}}{{\mathrm{\η}}_e},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_min为设定的光热电站中的储能装置考虑安全运行的最小能量存储量，E_l,s为在所述l时刻和所述的场景s中光热电站中的储能装置内存储的能量变量，ρ^FLH为设定的光热电站中的储能装置满负荷小时数，η_e为设定的光热电站中的发电机热转电效率；

(3-2-8)设定光热电站中的储能装置的充放电功率约束为：

$0\≤P_{l,s}^{ch}\≤P_{max}^c\·x_{l,s}^{storage},$

$0\≤P_{l,s}^{dis}\≤P_{max}^d\·(1-x_{l,s}^{storage})$

$x_{l,s}^{storage}\≥0,s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，为设定的光热电站中的储能装置的最大充热功率，为设定的光热电站中的储能装置的最大充热/放热功率；为在所述l时刻和所述的场景s中光热电站中的储热装置的充热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的放热功率变量，为在所述l时刻和所述的场景s中光热电站中的储热装置的充放电状态，上述为0时表示储热装置释放热量，为1时表示储热装置储存热量；

(3-2-9)设定光热电站中的储热装置的充放热功率与储热装置中存储能量的关系约束为：

$-{\mathrm{\η}}_c\·P_{l,s}^{ch}+\frac{P_{l,s}^{dis}}{{\mathrm{\η}}_{dc}}=(1-\mathrm{\γ})E_{l-1,s}-E_{l,s},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，γ为设定的储热装置耗散系数，η_dc为设定的储热装置的放热效率，η_c为设定的储热装置充热效率；

(3-2-10)设定在步骤(3-2-1)所述各场景s下光热电站中的储热装置中存储能量的变量在l＝24时刻的关系约束为：

$\begin{array}{cc}{E}_{l,\mathrm{\λ}}=E_{l,\mathrm{\ω}}& \{\mathrm{\λ},\mathrm{\ω}\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP},l=24\}\end{array}$

上述约束保证各场景s下光热电站中的储热装置存储能量在当前调度日结束时刻取值相等，从而使下一调度日开始时刻储热装置内储能量为定值；

(3-2-11)设定光热电站中的能量流动关系约束为：

$\frac{P_{l,s}^{CSP}}{{\mathrm{\η}}_e}-P_{l,s}^{ch}+P_{l,s}^{dis}+E_{loss}\·u_l^{CSP}\≤P_{l,s}^{sf},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

其中，E_loss为设定的光热电站发电机开机损失的热量；

(3-3)设定与光热电站组成联合系统的风电场的有功功率约束为：

$0\≤P_{l,s}^{Wind}\≤{\mathrm{PF}}_{l,s}^{wind},s\∈\stackrel{\‾}{SP}\∪\stackrel{\‾}{WP}$

式中：为在步骤(2-8)所述l时刻和所述的场景s中风电场的预测风功率数据，为在所述l时刻和所述的场景s中风电场的实际风电有功功率变量；

(3-4)设定光热电站-风电联合系统的有功功率计划变量为上述与步骤(3-2-1)中所述光热电站中的发电机在所述l时刻和所述的场景s中的出力变量和步骤(3-3)风电场的实际风电有功功率变量的关系为：

$P_l^{sche}-P_{l,s}^{CSP}-P_{l,s}^{wind}=0$

(3-5)光热电站-风电联合系统进行有功功率调度的目标函数为经济效益的最大化，上述目标函数由步骤(3-1)所述售电价格ρ_l和步骤(3-4)所述光热电站-风电联合系统的有功功率计划变量表示为：

(3-6)根据上述步骤(3-2)，步骤(3-3)，步骤(3-4)中所述的约束和步骤(3-5)中所述的目标函数，建立一个光热电站-风电联合系统的日前调度优化模型；

(3-7)通过数学中的分支定界方法，求解上述步骤(3-6)的日前调度优化模型，得到未来48小时光热电站-风电联合系统的计划有功功率l＝1,2,...,48，和各l时刻和各所述s场景下光热电站中的发电机有功功率风电场有功功率

(4)光热电站-风电联合系统在未来24小时的时间尺度内，执行步骤(3-7)生成的输出有功功率计划值具体过程如下：

(4-1)根据上述步骤(3-7)中未来48小时的计划有功功率取出前24小时的计划有功功率t＝1,..,24；

(4-2)在预测开始的第t小时时刻，调度光热电站-风电联合系统的实时有功功率为直到第24小时后，当前调度周期结束；

(5)当上述步骤(4)中24小时的输出有功功率计划值执行完毕后，进入步骤(2)，进入下一周期的光热电站-风电场联合系统的有功功率滚动调度。