CN106026190A - 基于风电纵向时刻概率模型的日前调度计划风险分析方法 - Google Patents
基于风电纵向时刻概率模型的日前调度计划风险分析方法 Download PDFInfo
- Publication number
- CN106026190A CN106026190A CN201610308037.XA CN201610308037A CN106026190A CN 106026190 A CN106026190 A CN 106026190A CN 201610308037 A CN201610308037 A CN 201610308037A CN 106026190 A CN106026190 A CN 106026190A
- Authority
- CN
- China
- Prior art keywords
- moment
- wind
- wind power
- risk
- power output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012502 risk assessment Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 73
- 238000009826 distribution Methods 0.000 claims description 34
- 230000007704 transition Effects 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000001394 metastastic effect Effects 0.000 claims description 3
- 206010061289 metastatic neoplasm Diseases 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 abstract 1
- 238000011105 stabilization Methods 0.000 abstract 1
- 238000009987 spinning Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000000205 computational method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012955 system risk analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了基于风电纵向时刻概率模型的日前调度计划风险分析方法,构建风电功率纵向时刻概率模型;构建风电出力概率模型;定义支路越限严重度函数,分析各风电出力状态下的支路潮流临近热稳定极限的程度,构建严重度指标;基于风电出力的概率模型和严重度指标,是以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险;以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化。本发明所提风险分析方法,能够完整地描述整个调度时间段内的运行安全风险和风险的时段变化,为调度决策者提供充分的决策依据。
Description
技术领域
本发明涉及风电并入电网领域,具体涉及基于风电纵向时刻概率模型的日前调度计划风险分析方法。
背景技术
随着大规模风电并入电网,风电的不确定性势必引起电力系统的运行状态,如支路功率、节点电压等的改变,对系统的安全性和充裕性造成一定影响,甚至存在大规模停电的风险。从风险的角度,量化含风电场电力系统运行的不确定性,辅助调度决策者在满足供电可靠性水平的基础上,提高系统经济性水平,尽量消纳可再生能源,发挥电网潜能。
日前调度计划根据日前负荷预测结果和机组特性,按照经济性原则或节能性原则,兼顾系统的功率平衡、机组爬坡速率等安全约束,确定各机组的出力和备用容量。风电大规模并网前,日前调度计划以固定百分比增加备用容量的确定性方法,应对系统不确定性。随着风电并网容量的增大,风电功率在额定值内的随机变化使得系统运行场景更加复杂,以往确定性的优化方法难以兼顾经济性和安全性,因此需要将确定性的优化过程向控制运行风险的优化过程转变。目前针对风电出力不确定性的风险分析主要集中在风电场规划建设经济性分析、含风电场发电系统的可靠性评估、充裕性评估、计及风电出力风险的经济调度等领域。文献“不确定性环境下考虑弃风的电力系统日前调度[J].电力系统保护与控制,2015,43(24):75-77.”构建了考虑弃风电量期望和发电成本的多目标优化日前调度模型,模型中采用失负荷概率的机会约束处理决策过程中的不确定性,其中采用了预测误差的概率分布来描述风电的不确定性,利用遗传算法获得了兼顾发电成本和风电接纳水平的有效解。文献“一种含风电电力系统的日前发电计划和旋转备用决策[J].电力自动化设备,2014,34(5):21-27”利用风电功率和负荷的概率模型,将失负荷成本和弃风成本作为风险成本计入日前计划总成本目标函数,给出了满足系统安全约束的各常规机组日前出力和正负旋转备用计划。文献“关于电网运行安全风险在线评估的评述[J].电力系统自动化,2012,36(18):171-177”指出,关注风电等新能源大规模接入电网引起的电网运行安全风险,需着眼于存在问题的场景出现的概率,即风电的概率特征建模对含风电系统的风险分析至关重要。
现有的日前调度模型在计入风电波动引起的运行风险时,存在以下两个问题:一方面,不同于常规能源发电方式,风电除了随机停运、脱网等故障外,其不确定性主要来自于出力在额定值之内的随机变化,尤其短时间跨越多个出力状态的情况,可能引起系统旋转备用不足、支路潮流越限等安全问题,更应该受到重点关注。虽然通过引入风险约束使模型的解相对于确定性优化有了较大改进,但现有调度模型均未考虑风电波动引起的风险场景切换,而相邻时刻的风险的变化情况对于设置旋转备用、制定储能控制策略、衡量系统切负荷风险等方面都具有较实际的指导意义。
另一方面,风电功率概率模型是计及风电随机性风险分析的基础,目前,在风险分析中计及风电出力场景随机性时,常考虑三种方式。第一种是利用风速和风电机组的功率特性,将风速的经验分布(如Weibull分布、正态分布等)转化为风电出力的概率分布。由于风速与风电机组的功率特性出力呈指数关系,并且没有考虑风机故障停运等特殊情况,这种间接转化将造成误差的传递和放大,显然不如直接统计风电功率的概率分布更精确。第二种为考虑风电功率概率预测结果或预测误差的概率分布。目前虽然国内外学者针对风电预测问题开展了大量研究,但由于风电的波动性和随机性较强,风电功率的预测精度仍然有待进一步提高。风电功率的概率预测或预测误差的概率分布仍无法准确描述风电的随机性。第三种是假设风速或风电功率满足某一概率分布,通过Monte-Carlo模拟法获得风电功率序列。根据Monte-Carlo模拟的原理,抽样次数越多,其模拟结果就越接近于真实值;随着系统规模的扩大,Monte-Carlo模拟法样本数量将呈指数上升,也就是说,完成抽样将需要大量的计算时间和计算量,这对系统短期的动态经济调度和风险评估造成困扰。由此可见,对日前时间尺度而言,风电功率难以做到准确预测,模拟抽样法计算量大,风电出力的可靠性模型难以把握。
文献“风电场出力的纵向时刻概率分布特征[J].电力自动化设备,2014,34(5):40-45”提出了纵向时刻统计方法,该方法对风电功率纵向时刻的概率分布特征进行了统计和总结。在上述文献“风电场出力的纵向时刻概率分布特征[J]”的基础上,现有文献“基于纵向时刻Markov链模型的风功率概率预测方法”还提出了风电功率纵向时刻Markov链模型,给出了风电功率在相邻纵向时刻间转移概率矩阵集,描述风电的固有变化规律。
但是,含风电场电力系统日前计划的风险分析的相关技术还没有出现,无法为电网的安全稳定运行提供相应的决策依据。
发明内容
为解决现有技术存在的不足,本发明公开了基于风电纵向时刻概率模型的日前调度计划风险分析方法,本发明基于风电功率纵向时刻概率模型,以支路越限风险为研究对象,提出了含风电场电力系统日前计划的风险分析方法。其中,考虑风电的时刻概率分布分析了单时刻的越限风险;利用Markov链模型的转移概率矩阵,首次定义并计算了时刻间的关联风险,该风险指标对日前计划中,需要考虑风电时刻间变化的调控措施(如旋转备用计划)具有一定参考价值。
为实现上述目的,本发明的具体方案如下:
基于风电纵向时刻概率模型的日前调度计划风险分析方法,包括以下步骤:
根据实际风场出力的历史数据样本,对每天同一时刻的有功功率概率特征进行统计,获得该时刻的风电出力概率分布特性,构建风电功率纵向时刻概率模型;
基于构建的风电功率纵向时刻概率模型直接获得风电出力的分布和转移概率,构建风电出力概率模型;
定义支路越限严重度函数,分析各风电出力状态下的支路潮流临近热稳定极限的程度,构建严重度指标;
基于风电出力的概率模型和严重度指标,是以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险;
以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化。
进一步的,风电功率纵向时刻概率模型,包括风电功率纵向时刻分布模型和风电功率纵向时刻Markov链模型,其中,风电功率在各纵向时刻具有相应的概率特征,即该时刻的固有概率分布。
进一步的,风电功率纵向时刻分布模型是纵向时刻概率模型的基础部分,可描述如下:按照应用场景的需求,将全天的时间划分为M个纵向时刻,利用长期风电功率历史数据样本,统计风电在所有纵向时刻的出力概率分布,构成针对时刻的分布集合。
进一步的,风电功率纵向时刻Markov链模型是纵向时刻概率模型的主要部分,同样划分M个时刻,利用长期历史数据构建而成,描述了风电功率在相邻时刻间的固有转移规律。
进一步的,基于风电功率纵向时刻分布模型的风电功率纵向时刻的概率分布描述了风电在各时刻出力的固有概率分布,用于评估单时刻的独立风险,单时刻的风电出力概率表达如下:
Pr(t,s)=Pr(t→τ,s) (1)
式中,Pr(t,s)为t时刻时风电出力状态为s的概率;取时刻t对应的纵向时刻τ,Pr(t→τ,s)为τ时刻风电出力状态为s固有概率。
进一步的,风电的波动变化以风电功率纵向时刻Markov链模型来描述时,风电功率在各相邻时刻间的固有转移概率矩阵为:
Ptrs(t,s,q)=PA(t→τ,s,q) (2)
式中,Ptrs(t,s,q)为风电功率状态由t时刻的状态s变化为t+1时刻的状态q的概率;取时刻t对应的纵向时刻τ,PA(t→τ,s,q)为τ时刻状态s到τ+1时刻状态q的固有转移概率。
进一步的,分析各风电出力状态下的支路潮流临近热稳定极限的程度时,对含有n个节点的电力系统进行基本的潮流计算,获得各节点电压的幅值和相角后,计算支路潮流;
根据热稳定性计算公式,得到支路ij的有功功率极限;
获得各风电出力状态下的各条支路的有功潮流和功率极限后,选取支路潮流极限的设定值作为评估指标,对各条支路的功率越限程度进行评估。
进一步的,根据单时刻的风险指标表示,以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险,单时刻的风险指标是某时刻的各风电出力状态的风险值计算,当定位于关注的时刻时,可用于比较各出力状态可能引起的后果。
进一步的,根据相邻时刻间的关联风险指标,以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化时:
t时刻到t+1时刻,假设各时刻均有N个风电出力状态,分别计算对应的严重对水平为Sev1~SevN,相邻时刻之间风险的转移实质是风电出力状态的转移,因此,风电出力纵向时刻Markov模型的转移概率矩阵直接获得风险的转移概率;
计算相邻时刻关联风险;
为衡量t+1时刻在t时刻出力状态为s的前提下,可能存在的总体风险水平,定义期望关联风险指标。
风电功率纵向时刻概率模型中,所谓纵向时刻的统计方法,是指根据实际风场出力的历史数据样本,对每天同一时刻的有功功率概率特征进行统计,获得该时刻的风电出力概率分布特性。图1为纵向时刻概念示意图,若按照分钟级时间尺度Δt,将一天的时间划分为M个时刻,则纵向时刻集合可以表示为ΤA={τ1,τ2,…,τM}。
风电功率纵向时刻概率模型,包括风电功率纵向时刻分布模型和风电功率纵向时刻Markov链模型,风电功率在各纵向时刻具有相应的概率特征,即该时刻的固有概率分布。
以时刻τ为例,该时刻风电出力状态为s的固有概率分布表示为Pr(τ,s),时刻τ到时刻τ+1,风电出力由状态s变化为状态q的固有条件转移概率表示为PA(τ,s,q)。图2为纵向时刻Markov链模型的示意图。
风电出力的概率模型是风险分析工作的关键,基于前述工作构建的纵向时刻模型直接获得风电出力的分布和转移概率。
随着运行时间的变化,风电功率出力区间和系统运行条件必然发生改变,相邻时刻间的关联风险则用于综合衡量上述变化的概率和可能引起的系统安全性后果。其中,日前调度计划主要考虑负荷波动,相对于风电功率来说,负荷的波动可以按确定性变化来处理;风电的波动变化以第二章提出的风电功率纵向时刻Markov链模型来描述。
严重度函数也是风险分析的另一要素,用于量化风险事件造成后果的严重程度。在风电高渗透率下,风电的大幅波动引起支路潮流越限,威胁系统安全。本申请定义支路越限严重度函数,分析各风电出力状态下的支路潮流临近热稳定极限的程度。
对含有n个节点的电力系统进行基本的潮流计算,获得各节点电压的幅值和相角后,按式(3)计算支路潮流如下:
Pij=ViVj(Gij cosθij+Bij sinθij)-Vi 2Gij (3)
式中Pij为支路ij的有功功率;Gij和Bij为支路ij的电导和电纳;Vi和Vj分别为节点i和节点j的电压幅值,为节点i与节点j的电压相角差。。
根据热稳定性计算公式,支路ij的有功功率极限为
式中为支路ij的有功极限;Umax为电压允许最大值;L为线路长度;R为线路电阻标幺值;Sb为基准功率;Ac为对流换热系数;Ar为辐射换热系数;Tmax、Te分别为极限温度(一般取70℃)和环境实际温度;qe为线路吸收的日照热量。
获得各风电出力状态下的各条支路的有功潮流和功率极限后,选取支路潮流极限的80%作为评估指标,可按式(6)对各条支路的功率越限程度进行评估。
式中,Sevij(t,s)为风电出力状态s时,支路ij的功率越限严重度;和分别为支路ij的传输功率上下限。正常情况下该严重度指标计算结果小于0,认为系统风险等级处于可接受状态,且取值越小,说明支路潮流距离越限临界点越远,系统越稳定;当该严重度指标取值位于[0,0.2)时,说明支路潮流超过极限值的80%但尚未达到极限值,存在一定的潜在风险,系统风险等级处于预警状态,需要引起决策者的关注;当该严重度指标大于0.2时,说明支路潮流已经达到或超过极限值,系统风险等级处于拒绝状态,决策者应提前做好预防性控制措施,保证该状态下系统仍能安全运行。
本发明的有益效果:
本发明利用纵向时刻概率模型可以对调度计划的任意时间断面计算相应的风险指标,因此,后续工作将基于纵向时刻模型的含风电场电力系统风险分析计入考虑电网安全性动态经济调度,可以考虑风险约束或计及风险成本的多目标优化等形式,构建计及系统运行风险的调度模型,实现电网运行风险和发电成本的协调。
本发明所提风险分析方法,能够完整地描述整个调度时间段内的运行安全风险和风险的时段变化,为调度决策者提供充分的决策依据。算例采用IEEE 3机9节点系统进行了风险计算,结果表明了所提风险分析方法的有效性。实际运行中,调度决策者可根据运行的经验,设置可接受的风险水平,对可接受范围外的风险场景,提前采取预防控制措施,保证系统安全稳定运行。
附图说明
图1纵向时刻概念示意图;
图2纵向时刻Markov链模型示意图;
图3相邻时刻风险转移示意图;
图4(a)-图4(d)典型时刻风电功率概率分布;
图5(a)-图5(d)典型时刻风电功率转移概率矩阵;
图6 IEEE 3机9节点系统单线图。
具体实施方式:
下面结合附图对本发明进行详细说明:
本发明基于提出的风电功率纵向时刻概率模型,提出了含风电系统的日前计划运行风险分析方法。风电功率纵向时刻模型(包括纵向时刻概率分布模型和纵向时刻Markov链模型),是风电功率长期概率分布和转移规律的总结,将其应用于针对日前调度计划的风险分析,具有以下优势:
第一,纵向时刻模型提供的概率分布和转移概率矩矩阵集,是风电功率长期实际运行数据规律行的总结,具有鲜明的时刻特性和稳定的概率特征,在日前风电功率预测精度不高的情况下,为日前计划的制定和评估提供具有周期性的日特征规律;
第二,纵向时刻风险分析方法能够脱离预测和抽样过程,快速进行任意时刻的风险分析;
第三,利用纵向时刻Markov链模型的转移概率矩阵,可针对任意时刻计算其与相邻时刻的关联风险,遍历任意相邻时刻之间风险变化的所有可能性,为决策者展现完整的运行风险演变过程,提供更为充足的决策依据;
风电功率功率强不确定性引起系统潮流流向和分布随机改变,本文考虑支路潮流越限风险,对日前调度计划进行单时刻越限风险和相邻时刻关联风险的分析。
含风电场电力系统日前计划的风险分析:基于前述风电出力的概率模型和严重度指标,提出了含风电场电力系统日前调度计划的风险分析方法。该方法分别两部分,第一部分是以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险,提醒决策者关注风险较大的时刻和状态,根据可接受的风险程度对日前调度计划进行必要性的调整;第二部分是以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化。
在风电渗透率较高而预测难度较大的情况下,含风电场电力系统的日前计划风险分析能够完整地遍历各时段风电波动引起的风险的可能发展过程,为日前调度计划提供充足的依据。
单时刻独立风险指标:风电出力波动性强且难以预测,尤其是风电出力较大和出力较小的情况都会给系统的安全稳定造成一定的影响。单时刻的风险指标是某时刻的各风电出力状态的风险值计算,当定位于决策者关注的时刻时,可用于比较各出力状态可能引起的后果。
时刻t的各出力状态的风险值按式(7)计算。
Riskij(t,s)=Pr(t,s)·Sev(t,s) (7)
式中,Riskij(t,s)为支路ij在t时刻风电出力状态为s时,支路潮流越限的风险;Pr(t,s)和Sev(t,s)分别为按式(1)和式(6)求得的t时刻风电出力为s状态的概率和支路ij的功率越限严重度。
相邻时刻间的关联风险指标:风电波动程度较大,尤其短时间跨越多个出力状态的情况,引起系统功率和潮流方向大幅变化,可能引起系统支路潮流越限、旋转备用不足等安全问题。相邻时刻的风险的变化情况对于设置旋转备用、制定储能控制策略、衡量系统切负荷风险等方面都具有较实际的指导意义。然而,在风电预测水平不高的情况下,风电出力随时间的变化规律尚难以把握,因此风险的变化过程难以准确描述。大幅的出力波动可能因为预防性控制措施不足,使系统运行的安全风险突增,产生严重的后果。因此,在制定日前调度计划时,有必要事先分析风电波动引发的越限风险,从而降低执行计划过程中的调控压力。
基于纵向时刻Markov链模型通过统计风电功率长期实际序列,给出具有鲜明时刻特征的转移概率矩阵集合,对风电的时刻间关联和变化进行了规律性的总结。因此,本申请基于该模型,提出相邻时刻间的关联风险指标,能够完整地表述风电的各种出力变化及对应风险的演变过程,为决策者提供全面的可能情况和概率,以便决策者提前做好相应的控制措施,确保系统的安全运行。图3为t时刻到t+1时刻遍历的风险转移情况示意图,假设各时刻均有N个风电出力状态,分别按式(6)计算对应的严重对水平为Sev1~SevN。相邻时刻之间风险的转移实质是风电出力状态的转移,因此,风电出力纵向时刻Markov模型的转移概率矩阵直接获得风险的转移概率,即图中Ptrsi,j(i,j∈{1,2,…,N})。
相邻时刻关联风险的计算方法如式(8)所示。
式中,为t时刻风电出力状态为s的条件下,t+1时刻出力状态转移为状态q将引起的支路潮流越限风险;Ptrs(t,s,q)为取自纵向时刻Markov链模型对应时刻的转移概率矩阵;Sevij(t+1,q)为t+1时刻,风电出力状态为q时的支路潮流越限严重度。
为衡量t+1时刻在t时刻出力状态为s的前提下,可能存在的总体风险水平。定义期望关联风险指标,见式(9)。
式中,为已知t时刻的出力状态为s的条件下,t+1时刻的总体转移风险;Pr(t,s)为t时刻风电出力状态为s的固有概率,可由纵向时刻分布模型直接获得。
下面给出更为详细的算例仿真:本申请进行实际算例仿真来体现所提风险分析方法对日前调度计划的指导意义。先选取2010年1月1日至2011年12月31日的实测风电功率数据为样本数据,构建风电功率纵向时刻概率模型;再采用IEEE 3机9节点系统,在既定的日前调度计划下,进行风险分析指标的计算。
风电功率纵向时刻概率模型:选取2h为时间分辨率将全天划分为12个时刻,每个时刻的风电出力都具有其固有的概率分布特征。为方便评述和计算,在满足风险分析需求的前提下,对风电出力场景进行了必要的缩减,除0出力为单独状态外,将功率区间[0,1]等分为5个出力子区间,因此风电出力的状态空间可表示为:
按照前述纵向时刻概率分布的统计方法,对长达两年的风电功率序列进行统计,获得各时刻在各风电出力场景的固有概率分布,构建风电功率纵向时刻的分布模型。图4(a)-图4(d)绘制了四个典型时刻的概率分布情况。
构建纵向时刻Markov链模型,描述时刻间风电出力场景的转换。图5(a)-图5(d)为典型时刻的风电功率转移概率矩阵。
基于风电功率纵向时刻概率模型的日前计划风险分析:IEEE 3机9节点系统介绍:本文选取IEEE 3机9节点系统进行实例仿真,体现本文所提风险方法对日前调度计划的辅助意义。IEEE 3机9节点系统单线图如图6所示,将Bus2机组改为风电场,以有功取负值的PQ节点模拟风电功率的注入,且采用功率因数为0.96的恒功率控制。注入功率的概率分布满足上述纵向时刻概率分布模型。
系统基本参数:系统发电机及其母线参数见表1;输电线路及变压器参数见表2;负荷节点参数见表3。
表1 IEEE 3机9节点系统发电机及其母线参数
表2 IEEE 3机9节点系统变压器和输电线路参数
表3 IEEE 3机9节点系统负荷参数
根据电力系统典型日负荷曲线,低谷时段负荷约为最大负荷的50%,腰负荷约为最大负荷的80%。假设系统默认参数为日前调度计划腰荷时段计划,则该系统的风电渗透率为
该系统风电渗透率较高,因此风电功率的波动易引起系统运行状态变化,尤其是风电场附近节点和支路的电压、功率越限,可能会造成系统失稳的严重后果。
单时刻支路越限风险评估:将风电功率划分为6个出力状态后,利用风电场的长期功率数据构建了风电功率纵向时刻Markov链模型后,将该模型带入实际的IEEE 3机9节点系统,本申请以单独的时刻为研究对象计算不同风电出力状态可能引起的支路越限风险。
通过仿真计算结果的对比,发现B4-B5支路潮流受风电波动的影响最大,最易发生支路潮流越限。因此本申请以支路B4-B5为例,描述单时刻支路越限风险的评估过程和时刻间风险的转移过程。按式(4)支路B4-B5的极限功率参数如表4所示,计算可得最大传输功率。
表4 求支路B4-B5的极限功率各参数取值
在日前调度计划制定完成的前提下,以腰荷时段16:00为例,支路B4-B5的最大传输功率为1.6885,即为1.6885,为-1.6885。按照式(7)和式(8)计算16:00的严重度指标和支路越限风险见表5。
表5 16:00支路潮流越限严重度指标和支路越限风险
由表5可以看出,16:00时刻风电出力状态为0和[0,0.2)时严重度指标分别为0.0447和0.0066,说明若该时刻遇该风电出力状态,支路B4-B5的功率已超过该支路极限功率的80%但尚未达到功率极限,应重点关注。在风电出力渗透率较高的情况下,若风电功率不足时,风电场附近节点的潮流方向和大小将发生改变,风电场附近的负荷将由其他发电机组提供有功。本算例中,若风电出力位于前两个状态,负荷PL1消耗的有功主要有平衡节点提供,导致负荷节点与平衡节点之间支路B4-B5功率升高,存在支路过载风险。因此,随着风电出力的增加,系统的风险呈下降趋势。
相邻时刻支路越限关联风险计算:本申请以腰荷时刻18:00至峰荷时刻20:00的风险转移计算为例,假设20:00时系统总体负荷增长为18:00的1.5倍,常规机组G3出力不变,通过平衡机调节因风电出力状态随机而可能造成的有功缺额,依然以支路B4-B5为观察对象。时刻18:00和20:00各风电出力状态对应的概率和严重度指标见表6。
表6 18:00时刻和20:00时刻各风电出力状态概率和严重度指标
由表6的严重度指标可以看出,18:00时刻无论风电出力位于哪个区间,支路B4-B5的严重度指标均小于0,意味着支路B4-B5的功率均小于到极限功率的80%。在系统负荷不大的情况下,系统自身的抗扰动能力可有效协调风电出力的不足,降低系统的运行风险。而根据20:00时刻的严重度指标可以看出,20:00时刻当风电出力位于区间[0,0.6]时,支路B4-B5存在功率越限风险。尤其当风电出力小于其装机容量的20%时,支路B4-B5流过的功率将大于该支路的热稳定极限,应做好系统的旋转备用或采取切负荷等措施,防止这种情况的发生。当风电出力为装机容量的20%~60%时,支路B4-B5的功率已超过极限功率的80%,应重点关注风电的这些出力状态。对比两个时刻的严重度指标和风险指标,可以看出随着系统负荷的增加,系统越限风险明显增大。
按式(2)的计算方法,表7为18:00时刻至20:00时刻的转移概率矩阵,直接取自风电功率纵向时刻Markov链模型,提供当前时刻风电出力已知的条件下,下一时刻的风电出力概率分布。该条件概率既是风电功率的波动转移规律,也是风电引起的系统运行风险的条件转移概率。虽然各风电出力状态在18:00时刻均不会引起支路越限风险,但会以一定的转移概率变化至相邻时刻具有越限风险的出力状态。例如,当18:00时刻风电出力为0时,20:00时刻风电出力将以0.642的条件概率继续为0,且系统以0.642的概率出现越限程度为0.2514的风险状态。根据对表6的分析,应重点关注风电出力由18:00时刻转移至20:00前两个出力状态的情况。
表7 18:00时刻至20:00时刻的转移概率矩阵
利用纵向时刻Markov链模型提供的对应时刻的转移概率矩阵,见表7,按照式(8)计算当前风电出力状态已知的条件下,下一时刻支路B4-B5的潮流越限关联风险,见表8。相邻时刻关联风险综合衡量了风电功率变化概率和下一时刻严重度,表8通过遍历风电所有可能的转移路径,给出了18:00时刻至20:00时刻的关联风险。由计算结果,风电前两个状态间的关联风险明显高于其他状态。这是因为相邻时刻风电出力的相关性,显然相近状态的转移概率较高,即Markov链模转移概率矩阵的“山脊”特征明显,且前两个状态的有功不足引起的支路越限的后果较为严重,所以呈现关联风险高于其他状态。在电力系统的实际运行中,调度人员可根据实际情况设定关联风险的门槛值,采取提前设置旋转备用等措施,对风险结果超过门槛值的情况进行处理,防止系统出现支路越限等危险状况。以18:00时刻至20:00时刻的关联风险为例,假设相邻时刻间支路越限关联风险门槛值为0.05,则风电所有出力转移场景中{0,0},{0,(0,0.2]},{(0,0.2],(0,0.2]},{(0.2,0.4],(0,0.2]},{(0.2,0.4],(0.2,0.4]}的关联风险超过门槛值0.05,调度决策者应对其进行重点关注或采取控制措施,提高系统抵御风险的能力。
表8 18:00时刻至20:00时刻的关联风险
表9给出了20:00时刻的期望关联风险,衡量18:00时刻至20:00时刻风电出力状态和负荷波动引起的总体风险变化。可见以(0,0.2]为条件的出力场景的支路越限风险最高。
表9 20:00时刻的期望关联风险
风电功率纵向时刻概率模型以风电长期历史数据为建模样本,能够提供任一时刻的固有概率分布和时刻间转移概率矩阵。基于该模型,本文提出了含风电场电力系统的日前调度计划风险分析方法,并利用实际风场数据和IEEE 3机9节点系统的进行了实例仿真,计算了单时刻支路越限风险和相邻时刻间关联风险。计算所得的风险指标,可以为调度决策者提供因风电出力状态随机性可能出现的系统运行风险信息,辅助决策者进行必要的日前计划修正或预防控制措施,提高系统抵御风电扰动的能力。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,包括以下步骤:
根据实际风场出力的历史数据样本,对每天同一时刻的有功功率概率特征进行统计,获得该时刻的风电出力概率分布特性,构建风电功率纵向时刻概率模型;
基于构建的风电功率纵向时刻概率模型直接获得风电出力的分布和转移概率,构建风电出力概率模型;
定义支路越限严重度函数,分析各风电出力状态下的支路潮流临近热稳定极限的程度,构建严重度指标;
基于风电出力的概率模型和严重度指标,是以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险;
以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化。
2.如权利要求1所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,风电功率纵向时刻概率模型,包括风电功率纵向时刻分布模型和风电功率纵向时刻Markov链模型,其中,风电功率在各纵向时刻具有相应的概率特征,即该时刻的固有概率分布。
3.如权利要求2所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,风电功率纵向时刻分布模型是纵向时刻概率模型的基础部分,可描述如下:按照应用场景的需求,将全天的时间划分为M个纵向时刻,利用长期风电功率历史数据样本,统计风电在所有纵向时刻的出力概率分布,构成针对时刻的分布集合。
4.如权利要求2所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,风电功率纵向时刻Markov链模型是纵向时刻概率模型的主要部分,同样划分M个时刻,利用长期历史数据构建而成,描述了风电功率在相邻时刻间的固有转移规律。
5.如权利要求3所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,基于风电功率纵向时刻分布模型的风电功率纵向时刻的概率分布描述了风电在各时刻出力的固有概率分布,用于评估单时刻的独立风险,单时刻的风电出力概率表达如下:
Pr(t,s)=Pr(t→τ,s) (1)
式中,Pr(t,s)为t时刻时风电出力状态为s的概率;取时刻t对应的纵向时刻τ,Pr(t→τ,s)为τ时刻风电出力状态为s固有概率。
6.如权利要求4所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,风电的波动变化以风电功率纵向时刻Markov链模型来描述时,风电功率在各相邻时刻间的固有转移概率矩阵为:
Ptrs(t,s,q)=PA(t→τ,s,q) (2)
式中,Ptrs(t,s,q)为风电功率状态由t时刻的状态s变化为t+1时刻的状态q的概率;取时刻t对应的纵向时刻τ,PA(t→τ,s,q)为τ时刻状态s到τ+1时刻状态q的固有转移概率。
7.如权利要求1所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,分析各风电出力状态下的支路潮流临近热稳定极限的程度时,对含有n个节点的电力系统进行基本的潮流计算,获得各节点电压的幅值和相角后,计算支路潮流;
根据热稳定性计算公式,得到支路ij的有功功率极限;
获得各风电出力状态下的各条支路的有功潮流和功率极限后,选取支路潮流极限的设定值作为评估指标,对各条支路的功率越限程度进行评估。
8.如权利要求1所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,根据单时刻的风险指标表示,以时刻为研究对象,独立评估某时刻所有风电出力场景下的支路越限风险,单时刻的风险指标是某时刻的各风电出力状态的风险值计算,当定位于关注的时刻时,可用于比较各出力状态可能引起的后果。
9.如权利要求1所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,根据相邻时刻间的关联风险指标,以相邻时刻间的风险关联为研究对象,基于风电出力状态转移的纵向时刻Markov链模型,细致刻画风电出力波动过程引起的系统运行风险变化时。
10.如权利要求9所述的基于风电纵向时刻概率模型的日前调度计划风险分析方法,其特征是,t时刻到t+1时刻,假设各时刻均有N个风电出力状态,分别计算对应的严重对水平为Sev1~SevN,相邻时刻之间风险的转移实质是风电出力状态的转移,因此,风电出力纵向时刻Markov模型的转移概率矩阵直接获得风险的转移概率;
计算相邻时刻关联风险;
为衡量t+1时刻在t时刻出力状态为s的前提下,可能存在的总体风险水平,定义期望关联风险指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308037.XA CN106026190B (zh) | 2016-05-10 | 2016-05-10 | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308037.XA CN106026190B (zh) | 2016-05-10 | 2016-05-10 | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106026190A true CN106026190A (zh) | 2016-10-12 |
CN106026190B CN106026190B (zh) | 2018-07-20 |
Family
ID=57100472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610308037.XA Active CN106026190B (zh) | 2016-05-10 | 2016-05-10 | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106026190B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272626A (zh) * | 2017-07-13 | 2017-10-20 | 中国石油大学(北京) | 油气生产与加工系统风险传播多尺度监测预警方法及装置 |
CN109066667A (zh) * | 2018-09-10 | 2018-12-21 | 浙江电腾云光伏科技有限公司 | 一种区城电力智能控制系统 |
CN110365062A (zh) * | 2019-04-19 | 2019-10-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于Markov模型的多能系统协调控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049646A (zh) * | 2012-11-28 | 2013-04-17 | 广东电网公司电力科学研究院 | 一种电网500kV终端变电站建设的综合风险评估方法 |
CN103246806A (zh) * | 2013-04-25 | 2013-08-14 | 浙江大学 | 一种含风电场电力系统的运行风险评估方法 |
CN103996084A (zh) * | 2014-06-06 | 2014-08-20 | 山东大学 | 基于纵向时刻Markov链模型的风功率概率预测方法 |
CN104318397A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种基于电网短期运行行为的风险评估及分析方法 |
CN104537448A (zh) * | 2015-01-21 | 2015-04-22 | 山东大学 | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 |
-
2016
- 2016-05-10 CN CN201610308037.XA patent/CN106026190B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049646A (zh) * | 2012-11-28 | 2013-04-17 | 广东电网公司电力科学研究院 | 一种电网500kV终端变电站建设的综合风险评估方法 |
CN103246806A (zh) * | 2013-04-25 | 2013-08-14 | 浙江大学 | 一种含风电场电力系统的运行风险评估方法 |
CN103996084A (zh) * | 2014-06-06 | 2014-08-20 | 山东大学 | 基于纵向时刻Markov链模型的风功率概率预测方法 |
CN104318397A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种基于电网短期运行行为的风险评估及分析方法 |
CN104537448A (zh) * | 2015-01-21 | 2015-04-22 | 山东大学 | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 |
Non-Patent Citations (2)
Title |
---|
吕晓禄等: "风电场出力的纵向时刻概率分布特性", 《电力自动化设备》 * |
邓彬等: "考虑风电出力不确定性的电力系统运行风险评估", 《华东电力》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272626A (zh) * | 2017-07-13 | 2017-10-20 | 中国石油大学(北京) | 油气生产与加工系统风险传播多尺度监测预警方法及装置 |
CN109066667A (zh) * | 2018-09-10 | 2018-12-21 | 浙江电腾云光伏科技有限公司 | 一种区城电力智能控制系统 |
CN109066667B (zh) * | 2018-09-10 | 2021-01-26 | 浙江电腾云光伏科技有限公司 | 一种区城电力智能控制系统 |
CN110365062A (zh) * | 2019-04-19 | 2019-10-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于Markov模型的多能系统协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106026190B (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
CN106874630B (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
Xu et al. | Robust dispatch of high wind power-penetrated power systems against transient instability | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
CN105610192B (zh) | 考虑大规模风电接入的在线风险评估方法 | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN103996084B (zh) | 基于纵向时刻Markov链模型的风功率概率预测方法 | |
CN107977744A (zh) | 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 | |
CN105978037A (zh) | 基于风速预测的多时段电气互联系统最优潮流计算方法 | |
Hassan et al. | Developing chaotic Bonobo optimizer for optimal power flow analysis considering stochastic renewable energy resources | |
CN104102832A (zh) | 一种基于混沌时间序列的风电功率超短期预测方法 | |
CN106130066A (zh) | 一种用于独立微电网系统的多目标鲁棒频率控制方法 | |
CN106026190A (zh) | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 | |
Lin et al. | Stochastic optimal dispatch of PV/wind/diesel/battery microgrids using state‐space approximate dynamic programming | |
Lin et al. | Stochastic economic dispatch of power system with multiple wind farms and pumped‐storage hydro stations using approximate dynamic programming | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
Nasri et al. | Probabilistic–proactive distribution network scheduling against a hurricane as a high impact–low probability event considering chaos theory | |
Qin et al. | SR‐based chance‐constrained economic dispatch for power systems with wind power | |
Kushwaha et al. | PFR constrained energy storage and interruptible load scheduling under high RE penetration | |
CN104537448B (zh) | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 | |
CN105633950A (zh) | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 | |
CN104484728A (zh) | 一种电网安全综合指标体系架构方法 | |
Khosravifard et al. | Risk‐based available transfer capability assessment including nondispatchable wind generation | |
Suresh et al. | Generation maintenance scheduling using improved binary particle swarm optimisation considering aging failures | |
CN110048428A (zh) | 基于概率守恒原理的电力系统概率潮流计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |