CN106058917A - 一种计及光伏发电的电力系统动态经济调度方法 - Google Patents

Abstract

一种计及光伏发电的电力系统动态经济调度方法，它包括以下过程：采集历史气象数据进行统计分析，得到未来24小时太阳辐照度、温度预测曲线；统计历史负荷数据，预测得到未来24小时电力系统负荷曲线；建立光伏电站出力模型，得到未来24小时光伏出力预测曲线；根据光伏出力的概率分布模型得到未来24小时光伏出力的概率分布以及不同场景下的光伏出力值；建立含光伏电站的电力系统动态经济调度优化模型，得到风险备用曲线；计算风险备用容量，得到风险容量曲线；求解基本UC优化问题，修正机组组合方案；求解运行费用期望值过程中发现的目标函数最小的调度方案作为最优的经济调度方案。本发明保证了电力系统的运行风险可控性和运行经济性。

Description

一种计及光伏发电的电力系统动态经济调度方法

技术领域

本发明涉及一种计及光伏发电的电力系统动态经济调度方法，属于电力系统经济调度技术领域。

背景技术

在传统电力系统中，系统的不稳定因素主要来自于负荷侧，发电侧出力是可控的，通过调节发电侧的机组出力来应对负荷侧电力需求的随机变化。大规模光伏电站接入电网后，由于光伏出力具有波动性和预测精度低等特点，使得发电侧部分电源出力不可控，这部分不可控电源和负荷的随机变化均需要具有灵活功率调整能力的可控电源配合运行，给系统运行增加了新的不确定因素，所以大规模光伏电站并网给电力系统的经济调度问题提出了更高的要求。

鉴于光伏与常规电源在出力特性及其可控性的不同，在调度问题中如何合理考虑光伏输出功率及其出力特性，对含大规模光伏电站的电力系统经济调度具有重要意义。文献[1]综合考虑了太阳辐照度随机变化的影响因素，基于蒙特卡洛方法建立起太阳辐照度的时变模型，根据光伏的能量转化原理得到光伏发电系统的功率输出特性，但基于统计得到的光伏功率输出特性应用于系统短期运行并不合适；文献[2]利用自回归滑动平均(ARMA)模型对太阳辐照度进行预测，结合光伏出力特性和聚类理论建立了光伏出力多状态随机预测模型，并应用于含光伏电力系统的中长期生产模拟中，但该模型无法考虑短期经济调度中的机组连续开停机时间等动态约束；文献[3]采用模糊理论，将各时段的光伏出力用模糊集表示，采用梯形隶属度函数来考虑光伏出力的随机性；文献[4]在对光伏出力进行模糊处理的基础上，引入可信性理论，用 置信水平控制风险，建立模糊机会约束的机组组合数学模型，但目标函数中没有对风险成本加以考虑。目前的文献均对光伏发电出力特性进行了研究，并取得一定的成果，但在衡量大规模光伏接入后给电力系统带来的电量效益以及风险成本方面尚缺乏深入的探索。因此，大规模光伏接入后电力系统的经济调度策略问题仍需要进行进一步研究工作。

参考文献:

[1]汪海瑛,白晓民.并网光伏的短期运行备用评估[J].电力系统自动化,2013,37(5):55-60。

[2]郭旭阳,谢开贵,胡博,等.计入光伏发电的电力系统分时段随机生产模拟[J].电网技术,2013,37(6):1499-1505。

[3]张学清,梁军,张利,等.计及风光电源的一种地区电网电动汽车充电调度方法[J].电工技术学报,2013,28(2):28-35。

[4]熊虎,向铁元,陈红坤,等.含大规模间歇式电源的模糊机会约束机组组合研究[J].中国电机工程学报,2013,33(13):36-44。

发明内容

针对现有技术的不足，本发明提出一种计及光伏发电的电力系统动态经济调度方法，其不仅能够保证电力系统运行风险可控，而且能够保证电力系统的运行经济性。

本发明解决其技术问题采取的技术方案是：一种计及光伏发电的电力系统动态经济调度方法，它包括以下过程：

S1，采集历史太阳辐照度、温度等对光伏发电出力产生影响的气象数据，对采集到的数据进行统计分析，对未来24小时的太阳辐照度、温度等对光伏发电出力产生影响的气象参数进行预测，得到未来24小时太阳辐照度、温度预测曲线；

S2，统计历史电力系统的负荷数据，预测得到未来24小时电力系统负荷曲线；

S3，建立光伏电站出力模型，并基于建立的光伏电站出力模型，根据未来24小时太阳辐照度、温度预测曲线，得到未来24小时光伏出力预测曲线；

S4，根据光伏出力的概率分布模型，基于光伏出力预测数据，得到未来24小时光伏出力的概率分布以及不同场景下的光伏出力值；

S5，建立含光伏电站的电力系统动态经济调度优化模型，给定不同的风险置信度β，计算未来24小时剩余时段的风险备用，得到风险备用曲线；

S6，计算风险备用容量，得到风险容量曲线；

S7，针对不同风险置信度下风险备用曲线及风险容量曲线，调用Matlab软件混合整数优化工具箱求解基本UC优化问题，修正机组组合方案；

S8，计算不同风险置信度下未来一天的电力系统的运行费用期望值，求解过程中发现的目标函数最小的调度方案作为最优的经济调度方案。

进一步地，在步骤S3中所述建立光伏电站出力模型的过程包括以下步骤：

1)对太阳辐射的概率分布进行建模

太阳辐射是光伏发电系统能量的来源，光伏电站的输出功率与太阳辐照度的大小密切相关。由于太阳辐射受到太阳位置、季节、气候和气象条件等因素的影响，具有较强的不确定性。研究表明，在一定时段内(1小时或几小时)，太阳辐照度近似服从Beta分布。太阳辐照度在时段t的概率密度函数可描述为

式中，Γ为Gamma函数；α_t、β_t为Beta分布在时段t的形状参数；s_t为时段t的太阳辐射率，定义为

式中，r_t和r_t.max分别为时段t实际的太阳辐照度和最大可能的太阳辐照度。Beta分布的形状参数α_t、β_t可由下式求出

式中，μ_t、σ_t分别为太阳辐射率s_t的均值和标准差。

2)对光伏电站输出功率的概率分布进行建模

基于建立的太阳辐照度概率模型，以光伏组件与太阳辐照度之间的映射关系为基础，建立光伏电站的输出功率函数。

光伏电站的输出功率取决于太阳辐照度、环境温度及光伏组件的特性，为简化模型，假设光伏电站中每个光伏组件是完全一样的，光伏电站总输出功率为

P_o(s)＝N·FF·V_y·I_y (5)

式中，N为光伏组件的数量；FF为填充因子；V_y、I_y分别为光伏组件的输出电压和输出电流。V_y、I_y和FF与太阳辐照度、环境温度之间的关系如式(6)～(9)所示。

V_y＝V_oc-K_vT_cy (7)

I_y＝s[I_sc+K_i(T_cy-25)] (8)

式中，T_cy、T_A分别为光伏组件的温度和环境温度；N_OT、V_oc、I_sc分别为光伏组件的标称工作温度、开路电压和短路电流；K_v、K_i分别为电压温度系 数和电流温度系数；V_MPPT、I_MPPT分别为最大运行点时的电压和电流。

3)光伏电站出力不确定性的处理及求解

光伏输出功率逐时的概率分布是一条连续并且光滑的概率曲线，无法直接引入模型进行计算，本发明采用多个离散场景的概率分布进行取代，既能保留光伏的概率特性，又简化了计算。在时段t，场景i下光伏出力为

式中，P_PVt.max为时段t太阳辐射率s_t等于1时光伏的输出功率，即光伏最大输出功率；ΔP_PVt为光伏实际出力与光伏最大输出功率P_PVt.max的差值。

进一步地，在步骤S4中首先对光伏出力进行离散化处理：

对光伏出力的概率分布进行离散化处理，将光伏出力的概率分布曲线分成若干个区间，得到每个区间对应的概率，然后通过对每个区间分别计算并进行加权，从而逼近光伏出力概率分布曲线的结果。

进一步地，在步骤S5中所述含光伏电站的电力系统动态经济调度优化模型的目标函数为：

以常规机组发电成本及相关的惩罚费用的数学期望最小作为目标函数：

式中，T为调度周期的时段数，本发明中T取24；N为系统常规发电机组数；f_Git为时段t机组i的发电成本；u_it表示机组i在时段t的运行状态，1代表运行，0代表停运；s_it为时段t机组i的启动成本；f_Lt为时段t光伏实际出力过低时强制切负荷的惩罚费用；f_PVt为时段t光伏实际出力过大时弃光电量的惩罚费用。

进一步地，目标函数中的各参数计算如下：

常规机组的发电成本为

f_Git＝(a_i+b_iP_Git+c_iP_Git ²)u_it (12)

式中，a_i、b_i、c_i为机组i的燃料费用系数；P_Git代表机组i在时段t的实际出力；

常规机组的启动成本为

式中，S_Hi为机组i的热态启动费用；S_Ci为机组i的冷态启动费用；X₊ ^off为机组i在启动时刻前的连续停运时间；T_i ^off为机组i的最小停运时间；T_i ^cs为机组i的冷态启动时间。

当光伏电站实际出力过低且系统中机组的上调能力不足时，系统中总发电容量不足以满足所有的负荷，此时需要采取强迫切负荷的方式，保证电力系统的实时功率平衡；当光伏电站实际出力过大且系统中机组的下调能力不足时，电力系统并不能完全吸纳所有的光伏出力，此时系统必须采取弃光的措施来保证系统的安全，维持电力平衡。针对这两种情况，由于光伏电站出力的随机变化而导致的强迫切负荷惩罚费用和弃光惩罚费用分别为

f_Lt＝C_LE_Lt (14)

f_PVt＝C_PVE_PVt.ab (15)

式中，C_L为单位失负荷电量的惩罚费用；C_PV为单位弃光电量的惩罚费用；E_Lt和E_PVt.ab分别为系统强迫切负荷电量期望值和弃光电量期望值。

进一步地，在步骤S5中所述含光伏电站的电力系统动态经济调度优化模型的约束条件如下：

含光伏电站的电力系统动态经济调度模型的约束条件包括系统运行约束、常规火电机组约束和光伏电站运行约束三部分。

(1)系统运行约束

①系统功率平衡约束

式中，P_PVt为光伏电站在时段t的有功出力；L_t为时段t的负荷。

②旋转备用约束

大规模光伏电站接入电网后，系统的调度人员不仅需要考虑常规机组的功率分配，还要合理安排光伏电站的出力计划。由于光伏发电的不可控性和随机性，为了确保含光伏系统安全可靠运行，需要设置足够的备用容量，以弥补光伏出力波动引起的电力不足。但如果要满足所有光伏出力场景下系统的供电需求，需要设置与光伏最大可能出力相等的旋转备用容量，但此优化结果过于保守，这样会降低常规机组的负荷水平，增大火电发电燃料消耗，使运行经济性变差。因此，为了平衡经济性与可靠性的矛盾，兼顾二者的需求，在本发明的经济调度模型中引入风险备用约束，允许在一定的置信水平内不满足备用约束，从而获得系统运行经济性与可靠性的折衷。设置风险备用的置信度为β，此时系统的旋转备用为

p(ΔP_PVt|≤R_t)≥β (17)

式中，R_t为置信水平β下为了平抑光伏出力波动所预留的风险备用值。

(2)常规火电机组约束

①机组出力约束

P_Gi.min≤P_Git≤P_Gi.max (18)

式中，P_Gi.max、P_Gi.min分别为常规机组i的最大和最小技术出力。

②机组爬坡速率约束

-D_i≤P_Git-P_Gi(t-1)≤U_i (19)

式中，D_i、U_i分别为机组i出力下降速率和上升速率的最大值。

③机组最小启停时间约束

式中，t_i ^on、t_i ^off分别为常规机组i的连续运行时间和连续停运时间；T_i ^on、T_i ^off为常规机组i必须满足的最小运行时间和最小停运时间。

(3)光伏电站运行约束

①光伏电站出力约束

式中，P_PV ^max为光伏电站的额定容量。

本发明的有益效果如下：

针对光伏发电的随机性特点，本发明提出了一种基于机会约束规划的含大规模光伏电站的电力系统动态经济调度模型，根据太阳辐照度逐时的概率分布函数，推导出光伏出力逐时的概率特性；引入基于置信度的风险备用，采用概率的形式考虑系统的备用约束，以适应光伏的随机性。本发明在目标函数中，采用相应的惩罚成本对光伏出力波动引发的强迫切负荷与弃光损失加以考虑，且综合考虑了系统的可靠性、经济性以及新能源利用；应用本发明的模型对IEEE RTS-96系统进行了计算分析，结果证明了本发明所提方法的有效性。

针对含光伏发电的电力系统动态经济调度问题，本发明建立了基于机会约束规划的电力系统动态经济调度模型，该模型不仅计及常规机组的发电成本，同时考虑了由于光伏出力波动导致系统的失负荷损失和光伏电站弃光的惩罚费用；采用Beta分布对太阳辐照度逐时的概率分布特性进行建模，根据太阳辐照度与光伏出力的关系获得光伏出力逐时的概率分布特性。本发明通过引入风险备用约束，对系统风险水平进行控制，通过对IEEERTS-96系统的仿真计算与分析，验证了模型的合理性。

本发明通过研究光伏的出力特点及其概率分布，针对传统调度方法难以 适应含大规模光伏电站的电力系统经济调度的问题，构建了考虑风险备用的新型动态经济调度模型。本发明引入了机会约束规划，通过设置风险备用的置信水平，优化应对光伏出力随机性的备用容量，在允许一定电量不足和弃光的前提下，得到兼顾风险与经济效益的调度策略。算例分析表明，本发明提出的经济调度模型是有效的，所得调度方案对含大规模光伏电力系统的生产调度具有一定参考价值。

附图说明

图1为本发明的方法流程图；

图2为光伏电站的日出力曲线示意图；

图3为光伏电池出力的概率密度曲线示意图；

图4为不同光伏渗透率水平下系统的经济技术指标示意图；

图5为不同风险备用置信水平下系统的经济技术指标示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

由于光伏出力具有明显的波动特性，大规模光伏发电接入系统后，系统需设置一定的备用容量应付其随机性的功率波动。但备用容量过高不仅会增加备用机组的机会成本，也会因降低了负载率导 致火电机组煤耗增大；而备用容量过低则会增大系统失负荷的风险。因此，备用容量设置也是光伏接入后系统的经济经济调度中出现的一个新的问题。机会约束规划是解决含随机变量的决策优化的一种有效手段，可以较好的协调光伏发电接入后系统经济调度中可靠性与经济性的关系问题。

如图1所示，本发明的一种计及光伏发电的电力系统动态经济调度方法，其特征是，包括以下过程：

S1，采集历史太阳辐照度、温度等对光伏发电出力产生影响的气象数据，对采集到的数据进行统计分析，对未来24小时的太阳辐照度、温度等对光伏发电出力产生影响的气象参数进行预测，得到未来24小时太阳辐照度、温度预测曲线；

S2，统计历史电力系统的负荷数据，预测得到未来24小时电力系统负荷曲线；

S3，建立光伏电站出力模型，并基于建立的光伏电站出力模型，根据未来24小时太阳辐照度、温度预测曲线，得到未来24小时光伏出力预测曲线；

S4，根据光伏出力的概率分布模型，基于光伏出力预测数据，得到未来24小时光伏出力的概率分布以及不同场景下的光伏出力值；

S5，建立含光伏电站的电力系统动态经济调度优化模型，给定不同的风险置信度β，计算未来24小时剩余时段的风险备用，得到风险备用曲线；

S6，计算风险备用容量，得到风险容量曲线；

S7，针对不同风险置信度下风险备用曲线及风险容量曲线，调用Matlab软件混合整数优化工具箱求解基本UC优化问题，修正机组组合方案；

S8，计算不同风险置信度下未来一天的电力系统的运行费用期望值，求解过程中发现的目标函数最小的调度方案作为最优的经济调度方案。

本发明根据太阳辐照度逐时的概率分布函数，推导出光伏出力逐时的概率特性。引入基于置信度的风险备用，采用概率的形式考虑系统的备用约束，以适应光伏的随机性。在目标函数中，采用相应的惩罚成本对光伏出力波动引发的强迫切负荷与弃光损失加以考虑，且综合考虑了系统的可靠性、经济性以及新能源利用。引入机会约束规划，通过设置风险备用的置信水平，优化应对光伏出力随机性的备用容量，在允许一定电量不足和弃光的前提下，得到兼顾风险与经济效益的调度策略。

下面对本发明的各个关键环节进行详细描述。

一、光伏电站出力建模

1.1光伏电站的出力特性

图2为某光伏电站连续十日内的光伏出力曲线，从图中可以看出，光伏电站各时段出力的最大值具有明显的昼夜特性，即日间呈现近似正态分布、夜间零出力的特征。对于光伏日间出力，由于太阳辐射受到天气、温度、季节等各种因素的影响，其日间出力呈现明显的波动特征。

与风电相比，光伏电站只在日间有效发电，夜间负荷低谷时发电功率为零，因此不会增加系统的峰谷差；且上午光伏出力大幅提升的时间区间与负荷增加的时间区间非常接近，能够有效降低上午负荷快速增加时常规机组的爬坡压力。

1.2太阳辐射的概率分布

太阳辐射是光伏发电系统能量的来源，光伏电站的输出功率与太阳辐照度的大小密切相关。由于太阳辐射受到太阳位置、季节、气候和气象条件等因素的影响，具有较强的不确定性。研究表明，在一定时段内(1h或几小时)，太阳辐照度近似服从Beta分布。太阳辐照度在时段t的概率密度函数可描述为

式中，Γ为Gamma函数；α_t、β_t为Beta分布在时段t的形状参数；s_t为时段t的太阳辐射率，定义为

式中，r_t和r_t.max分别为时段t实际的太阳辐照度和最大可能的太阳辐照度。Beta分布的形状参数α_t、β_t可由下式求出

式中，μ_t、σ_t分别为太阳辐射率s_t的均值和标准差。

1.3光伏电站输出功率的概率分布

基于建立的太阳辐照度概率模型，以光伏组件与太阳辐照度之间的映射关系为基础，建立光伏电站的输出功率函数。

光伏电站的输出功率取决于太阳辐照度、环境温度及光伏组件的特性，为简化模型，假设光伏电站中每个光伏组件是完全一样的，光伏电站总输出功率为

P_o(s)＝N·FF·V_y·I_y (5)

式中，N为光伏组件的数量；FF为填充因子；V_y、I_y分别为光伏组件的输出电压和输出电流。V_y、I_y和FF与太阳辐照度、环境温度之间的关系如式(6)-式(9)所示。

V_y＝V_oc-K_vT_cy (7)

I_y＝s[I_sc+K_i(T_cy-25)] (8)

式中，T_cy、T_A分别为光伏组件的温度和环境温度；N_OT、V_oc、I_sc分别为光伏组件的标称工作温度、开路电压和短路电流；K_v、K_i分别为电压温度系数和电流温度系数；V_MPPT、I_MPPT分别为最大运行点时的电压和电流。

1.4光伏电站出力不确定性的处理及求解

光伏组件参数如表1所示，太阳辐射率s_t的均值和方差分别为0.66、0.16时，时段t光伏电池出力的概率密度曲线如图3所示。

光伏输出功率逐时的概率分布是一条连续并且光滑的概率曲线，无法直接引入模型进行计算，本发明采用多个离散场景的概率分布进行取代，既能保留光伏的概率特性，又简化了计算。在时段t，场景i下光伏出力为

式中，P_PVt.max为时段t太阳辐射率s_t等于1时光伏的输出功率，即光伏最大输出功率；ΔP_PVt为光伏实际出力与光伏最大输出功率P_PVt.max的差值。

表1：光伏组件参数

二、基于场景分析的机会约束规划方法

机会约束规划是随机规划的一种，主要应用于含随机变量的决策优化问题。在随机变量实现之前，允许所做决策在一定程度上不满足约束条件，但此决策下约束条件成立的概率应不小于某一置信水平。机会约束规划模型可表示为

式中，x为一个n维决策向量；ξ(ω)为定义在概率空间上的m维连续型随机向量；f(x,ξ(ω))为包含随机变量的目标函数；Ef(x,ξ(ω))为随机变量函数的期望泛函；p{·}表示{·}中事件成立的概率；g_i(x,ξ(ω))为随机约束函数；β为给定的随机约束条件g_i(x,ξ(ω))≤0,i＝1,2,…，d的置信水平；集合D是所有的确定约束集。

光伏发电的出力是一个随机变量，电力系统的调度部门必须在获知光伏实际出力之前做出调度决策。因此，机会约束规划方法适用于含光伏发电的电力系统经济调度问题。在随机变量实现之前，为避免优化方案过于保守，允许调度方案在一定程度上不满足约束条件，用惩罚成本对不满足约束条件时的风险成本加以考虑，从而兼顾电力系统的供电可靠性和经济性。

三、含光伏电站的电力系统动态经济调度优化模型

3.1目标函数

由于光伏发电不需要消耗燃料，电力系统应该优先调度光伏发电。在不考虑光伏发电费用的前提下，计及光伏发电的电力系统动态经济调度的目标是常规机组发电成本及相关的惩罚费用最小。光伏出力是一个随机变量，使得具有灵活功率调整能力的常规电源的出力也是随机的，因此发电费用也是 随机的。机会约束规划下，约束条件以概率的形式给出。因此，以常规机组发电成本及相关的惩罚费用的数学期望最小作为目标函数：

式中，T为调度周期的时段数，本发明中T取24；N为系统常规发电机组数；f_Git为时段t机组i的发电成本；u_it表示机组i在时段t的运行状态，1代表运行，0代表停运；s_it为时段t机组i的启动成本；f_Lt为时段t光伏实际出力过低时强制切负荷的惩罚费用；f_PVt为时段t光伏实际出力过大时弃光电量的惩罚费用。

常规机组的发电成本为

f_Git＝(a_i+b_iP_Git+c_iP_Git ²)u_it (12)

式中，a_i、b_i、c_i为机组i的燃料费用系数；P_Git代表机组i在时段t的实际出力。

常规机组的启动成本为

式中，S_Hi为机组i的热态启动费用；S_Ci为机组i的冷态启动费用；为机组i在启动时刻前的连续停运时间；为机组i的最小停运时间；为机组i的冷态启动时间。

当光伏电站实际出力过低且系统中机组的上调能力不足时，系统中总发电容量不足以满足所有的负荷，此时需要采取强迫切负荷的方式，保证电力系统的实时功率平衡；当光伏电站实际出力过大且系统中机组的下调能力不足时，电力系统并不能完全吸纳所有的光伏出力，此时系统必须采取弃光的措施来保证系统的安全，维持电力平衡。针对这两种情况，由于光伏电站出力的随机变化而导致的强迫切负荷惩罚费用和弃光惩罚费用分别为

f_Lt＝C_LE_Lt (14)

f_PVt＝C_PVE_PVt.ab (15)

式中，C_L为单位失负荷电量的惩罚费用；C_PV为单位弃光电量的惩罚费用；E_Lt和E_PVt.ab分别为系统强迫切负荷电量期望值和弃光电量期望值。

3.2约束条件

含光伏电站的电力系统动态经济调度模型的约束条件包括系统运行约束、常规火电机组约束和光伏电站运行约束三部分。

(1)系统运行约束

①系统功率平衡约束

式中，P_PVt为光伏电站在时段t的有功出力；L_t为时段t的负荷。

②旋转备用约束

大规模光伏电站接入电网后，系统的调度人员不仅需要考虑常规机组的功率分配，还要合理安排光伏电站的出力计划。由于光伏发电的不可控性和随机性，为了确保含光伏系统安全可靠运行，需要设置足够的备用容量，以弥补光伏出力波动引起的电力不足。但如果要满足所有光伏出力场景下系统的供电需求，需要设置与光伏最大可能出力相等的旋转备用容量，但此优化结果过于保守，这样会降低常规机组的负荷水平，增大火电发电燃料消耗，使运行经济性变差。因此，为了平衡经济性与可靠性的矛盾，兼顾二者的需求，在本发明的经济调度模型中引入风险备用约束，允许在一定的置信水平内不满足备用约束，从而获得系统运行经济性与可靠性的折衷。设置风险备用的置信度为β，此时系统的旋转备用为

p(ΔP_PVt|≤R_t)≥β (17)

式中，R_t为置信水平β下为了平抑光伏出力波动所预留的风险备用值。

(2)常规火电机组约束

①机组出力约束

P_Gi.min≤P_Git≤P_Gi.max (18)

式中，P_Gi.max、P_Gi.min分别为常规机组i的最大和最小技术出力。

②机组爬坡速率约束

-D_i≤P_Git-P_Gi(t-1)≤U_i (19)

式中，D_i、U_i分别为机组i出力下降速率和上升速率的最大值。

③机组最小启停时间约束

式中，分别为常规机组i的连续运行时间和连续停运时间；为常规机组i必须满足的最小运行时间和最小停运时间。

(3)光伏电站运行约束

①光伏电站出力约束

式中，P_PV ^max为光伏电站的额定容量。

四、算例分析

为了验证本发明所提模型及方法的正确性和有效性，本节对改进的IEEE RTS-96系统(不含水电)进行了仿真计算和结果分析。仿真分析在Matlab平台上实现,并调用其混合整数优化工具箱求解基本UC优化问题。

表2：太阳辐射形状参数

该测试系统共包括26台火电机组，总装机容量为3105MW，机组的技术参数根据我国实际火电机组特性进行了修正。光伏发电的装机水平根据研究需要设置不同的渗透率，光伏组件的相关参数取值见表1。某地夏季典型日太阳辐照度逐时概率分布函数的形状参数如表2所示；系统负荷数据如表3所示。单位失负荷电量的惩罚费用取为1000$/MWh；单位弃光电量的惩罚费用为200$/MWh。

表3：系统负荷数据

4.1光伏渗透率水平对系统运行成本的影响

风险备用约束的置信水平β取95％，保持其他参数不变，得到不同光伏渗透率水平下对应的经济技术指标，如图4所示。

由图4可以看出，随着光伏渗透率的增加，火电机组的生产成本不断下降，但系统可靠性随之下降，系统总成本呈现先下降后增加的趋势。当光伏渗透率为50％时，系统的总成本最低。分析原因可以发现：由于不考虑光伏的发电成本，随着光伏渗透率的增加，光伏的电量效益不断凸显，使得系统中火电机组的生产成本不断下降。但光伏大规模接入电网使得光伏出力波动对于系统的影响更加明显，光伏渗透率越高，失负荷电量和弃光电量越多，相应的惩罚成本也越高。在光伏渗透率为50％时，系统出现了弃光，说明此时火电机组调节能力不足，为了保证系统的安全，必须采取弃光的措施。

4.2风险备用置信水平灵敏度分析

风险备用约束的置信水平会影响系统火电机组的开机容量和负载率水平，从而影响火电机组的发电经济性。图5给出不同风险备用置信水平下系统发电总成本的变化曲线。

由图5可以看出，随着风险备用置信水平的下降，火电机组的生产成本不断下降，失负荷电量不断增加，系统总成本呈现先减少后增加的趋势。当风险备用置信水平为97.5％时，系统总成本最低。分析原因可以发现：风险备用置信水平的下降使得系统为弥补光伏波动所留的旋转备用减少，火电开机减少，火电的运行水平提高，运行成本降低。但另一方面，旋转备用的减少减弱了电力系统的功率调节能力，光伏波动引起电力不足的概率增加，从而需要调度人员更加频繁地采取强迫切负荷、弃光等紧急措施来保障电力系统安全运行。

因此，为了适应光伏这种不确定性较高的发电形式大规模接入电网，应该对电力系统的风险水平进行优化和控制，在保证电力系统可靠性符合相关规定的前提下，兼顾经济性的要求。

本发明通过研究光伏的出力特点及其概率分布，针对传统调度方法难以 适应含大规模光伏电站的电力系统经济调度的问题，构建了考虑风险备用的新型动态经济调度模型。本发明引入了机会约束规划，通过设置风险备用的置信水平，优化应对光伏出力随机性的备用容量，在允许一定电量不足和弃光的前提下，得到兼顾风险与经济效益的调度策略。算例分析表明，本发明提出的经济调度模型是有效的，所得调度方案对含大规模光伏电力系统的生产调度具有一定参考价值。

针对含光伏发电的电力系统动态经济调度问题，本发明建立了基于机会约束规划的电力系统动态经济调度模型，该模型不仅计及常规机组的发电成本，同时考虑了由于光伏出力波动导致系统的失负荷损失和光伏电站弃光的惩罚费用；采用Beta分布对太阳辐照度逐时的概率分布特性进行建模，根据太阳辐照度与光伏出力的关系获得光伏出力逐时的概率分布特性。本发明通过引入风险备用约束，对系统风险水平进行控制，通过对IEEERTS-96系统的仿真计算与分析，验证了模型的合理性。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (6)

1.一种计及光伏发电的电力系统动态经济调度方法，其特征是，包括以下过程：

S1，采集历史太阳辐照度、温度等对光伏发电出力产生影响的气象数据，对采集到的数据进行统计分析，对未来24小时的太阳辐照度、温度等对光伏发电出力产生影响的气象参数进行预测，得到未来24小时太阳辐照度、温度预测曲线；

S2，统计历史电力系统的负荷数据，预测得到未来24小时电力系统负荷曲线；

S3，建立光伏电站出力模型，并基于建立的光伏电站出力模型，根据未来24小时太阳辐照度、温度预测曲线，得到未来24小时光伏出力预测曲线；

S4，根据光伏出力的概率分布模型，基于光伏出力预测数据，得到未来24小时光伏出力的概率分布以及不同场景下的光伏出力值；

S5，建立含光伏电站的电力系统动态经济调度优化模型，给定不同的风险置信度β，计算未来24小时剩余时段的风险备用，得到风险备用曲线；

S6，计算风险备用容量，得到风险容量曲线；

S7，针对不同风险置信度下风险备用曲线及风险容量曲线，调用Matlab软件混合整数优化工具箱求解基本UC优化问题，修正机组组合方案；

S8，计算不同风险置信度下未来一天的电力系统的运行费用期望值，求解过程中发现的目标函数最小的调度方案作为最优的经济调度方案。

2.根据权利要求1所述的一种计及光伏发电的电力系统动态经济调度方法，其特征是，在步骤S3中，所述建立光伏电站出力模型的过程包括以下步骤：

1)对太阳辐射的概率分布进行建模：

太阳辐照度在时段t的概率密度函数可描述为：

$f\left(t\right)=\frac{\mathrm{\Γ}({\mathrm{\α}}_t+{\mathrm{\β}}_t)}{\mathrm{\Γ}\left({\mathrm{\α}}_t\right)\mathrm{\Γ}\left({\mathrm{\β}}_t\right)}{\left(s_t\right)}^{({\mathrm{\α}}_t-1)}{(1-s_t)}^{({\mathrm{\β}}_t-1)}---\left(1\right)$

式中，Γ为Gamma函数；α_t、β_t为Beta分布在时段t的形状参数；s_t为时段t的太阳辐射率，定义为：

$s_t=\frac{r_t}{r_{t.max}}---\left(2\right)$

式中，r_t和r_t.max分别为时段t实际的太阳辐照度和最大可能的太阳辐照度；

Beta分布的形状参数α_t、β_t可由下式求出：

${\mathrm{\β}}_t=(1-{\mathrm{\μ}}_t)(\frac{{\mathrm{\μ}}_t(1-{\mathrm{\μ}}_t)}{{{\mathrm{\σ}}_t}^2}-1)---\left(3\right)$

${\mathrm{\α}}_t=\frac{{\mathrm{\μ}}_t{\mathrm{\β}}_t}{1-{\mathrm{\μ}}_t}---\left(4\right)$

式中，μ_t、σ_t分别为太阳辐射率s_t的均值和标准差；

2)对光伏电站输出功率的概率分布进行建模：

光伏电站的输出功率取决于太阳辐照度、环境温度及光伏组件的特性，为简化模型，假设光伏电站中每个光伏组件是完全一样的，光伏电站的总输出功率为：

P_o(s)＝N·FF·V_y·I_y (5)

式中，N为光伏组件的数量；FF为填充因子；V_y、I_y分别为光伏组件的输出电压和输出电流；

V_y、I_y和FF与太阳辐照度、环境温度之间的关系为：

$T_{cy}=T_A+s\left(\frac{N_{OT}-20}{0.8}\right)---\left(6\right)$

V_y＝V_oc-K_vT_cy (7)

I_y＝s[I_sc+K_i(T_cy-25)] (8)

$FF=\frac{V_{MPPT}{I}_{MPPT}}{V_{oc}{I}_{sc}}---\left(9\right)$

式中，T_cy、T_A分别为光伏组件的温度和环境温度；N_OT、V_oc、I_sc分别为光伏组件的标称工作温度、开路电压和短路电流；K_v、K_i分别为电压温度系数和电流温度系数；V_MPPT、I_MPPT分别为最大运行点时的电压和电流；

3)光伏电站出力不确定性的处理及求解

光伏输出功率逐时的概率分布是一条连续并且光滑的概率曲线，在时段t，场景i下光伏出力为：

$P_{PVt}^i=P_{PVt.max}+{\mathrm{\ΔP}}_{PVt}^i---\left(10\right)$

式中，P_PVt.max为时段t太阳辐射率s_t等于1时光伏的输出功率，即光伏最大输出功率；ΔP_PVt为光伏实际出力与光伏最大输出功率P_PVt.max的差值。

3.根据权利要求1所述的一种计及光伏发电的电力系统动态经济调度方法，其特征是，在步骤S4中，首先对光伏出力进行离散化处理：

对光伏出力的概率分布进行离散化处理，将光伏出力的概率分布曲线分成若干个区间，得到每个区间对应的概率，然后通过对每个区间分别计算并进行加权，从而逼近光伏出力概率分布曲线的结果。

4.根据权利要求3所述的一种计及光伏发电的电力系统动态经济调度方法，其特征是，在步骤S5中，所述含光伏电站的电力系统动态经济调度优化模型的目标函数为：

以常规机组发电成本及相关的惩罚费用的数学期望最小作为目标函数：

$\min F=\min E\{\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}\[f_{Git}+u_{it}(1-u_{i(t-1)})s_{it}+f_{Lt}+f_{PVt}\]\}---\left(11\right)$

式中，T为调度周期的时段数；N为系统常规发电机组数；f_Git为时段t机组i的发电成本；u_it表示机组i在时段t的运行状态，1代表运行，0代表停运；s_it为时段t机组i的启动成本；f_Lt为时段t光伏实际出力过低时强制切负荷的惩罚费用；f_PVt为时段t光伏实际出力过大时弃光电量的惩罚费用。

5.根据权利要求4所述的一种计及光伏发电的电力系统动态经济调度方法，其特征是，目标函数中的各参数计算如下：

常规机组的发电成本为

f_Git＝(a_i+b_iP_Git+c_iP_Git ²)u_it (12)

式中，a_i、b_i、c_i为机组i的燃料费用系数；P_Git代表机组i在时段t的实际出力；

常规机组的启动成本为

$s_{it}=\left\{\begin{array}{cc}{S}_{Hi}& T_i^{off}\≤X_i^{off}\≤T_i^{off}+T_i^{cs}\\ S_{Ci}& X_i^{off}>T_i^{off}+T_i^{cs}\end{array}\right.---\left(13\right)$

式中，S_Hi为机组i的热态启动费用；S_Ci为机组i的冷态启动费用；X_i ^off为机组i在启动时刻前的连续停运时间；T_i ^off为机组i的最小停运时间；T_i ^cs为机组i的冷态启动时间；

由于光伏电站出力的随机变化而导致的强迫切负荷惩罚费用和弃光惩罚费用分别为

f_Lt＝C_LE_Lt (14)

f_PVt＝C_PVE_PVt.ab (15)

式中，C_L为单位失负荷电量的惩罚费用；C_PV为单位弃光电量的惩罚费用；E_Lt和E_PVt.ab分别为系统强迫切负荷电量期望值和弃光电量期望值。

6.根据权利要求4所述的一种计及光伏发电的电力系统动态经济调度方法，其特征是，在步骤S5中，所述含光伏电站的电力系统动态经济调度优化模型的约束条件如下：

(1)系统运行约束

①系统功率平衡约束

$\underset{i=1}{\overset{N}{\Σ}}{P}_{Git}+P_{PVt}-L_t=0---\left(16\right)$

式中，P_PVt为光伏电站在时段t的有功出力；L_t为时段t的负荷；

②旋转备用约束

设置风险备用的置信度为β，此时系统的旋转备用为

p(|ΔP_PVt|≤R_t)≥β (17)

式中，R_t为置信水平β下为了平抑光伏出力波动所预留的风险备用值；

(2)常规火电机组约束

①机组出力约束

P_Gi.min≤P_Git≤P_Gi.max (18)

式中，P_Gi.max、P_Gi.min分别为常规机组i的最大和最小技术出力；

②机组爬坡速率约束

-D_i≤P_Git-P_Gi(t-1)≤U_i (19)

式中，D_i、U_i分别为机组i出力下降速率和上升速率的最大值；

③机组最小启停时间约束

$\begin{array}{c}{t}_i^{on}\≥T_i^{on}\\ t_i^{off}\≥T_i^{off}\end{array}---\left(20\right)$

式中，t_i ^on、t_i ^off分别为常规机组i的连续运行时间和连续停运时间；T_i ^on、T_i ^off为常规机组i必须满足的最小运行时间和最小停运时间；

(3)光伏电站运行约束

①光伏电站出力约束

$0\≤P_{PVt}\≤P_{PV}^{\max }---\left(21\right)$

式中，P_PV ^max为光伏电站的额定容量。