CN106096751B - 考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 - Google Patents
考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 Download PDFInfo
- Publication number
- CN106096751B CN106096751B CN201610321347.5A CN201610321347A CN106096751B CN 106096751 B CN106096751 B CN 106096751B CN 201610321347 A CN201610321347 A CN 201610321347A CN 106096751 B CN106096751 B CN 106096751B
- Authority
- CN
- China
- Prior art keywords
- spare
- unit
- constraint
- period
- power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000009987 spinning Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法,属于电力系统安全规划运行领域。本发明获取电力系统基本数据,以系统总成本最小为目标函数,建立约束条件,基于分解协调的思想,将求解目标函数和约束条件构成的优化模型的问题分解为包括第1个安全约束机组组合子问题以及一次备用充裕性检查子问题、二次负备用充裕性检查子问题、二次正备用和三次备用充裕性检查子问题在内的四个子问题进行求解,如果后三个子问题经检查均满足,则问题得解,如果不满足,则修改机组及各类备用配置后再进入第1个安全约束机组组合子问题中,重新求解,直到最后收敛。本发明能够有效求解大规模多故障态随机机组组合问题。
Description
技术领域
本发明属于电力系统安全规划运行领域,具体涉及考虑新能源接入与需求侧响应(Demand Response,DR)参与短期发电计划与备用优化配置方法。
背景技术
电力系统短期有功备用的决策与分配与电网特点、规模、电源组成及负荷水平等多种因素有关,电力系统短期有功备用的决策从来都不是一个孤立的研究问题,而是与电力系统安全约束机组组合问题紧密结合,建立一个全面综合的短期发电计划和备用优化分配模型和方法具有很大的现实意义。
新能源具有波动性、不确定性和反调峰性,为保证系统功率平衡必须考虑大量快速备用。如果风电过大,不能完全消纳时,为保证功率平衡选择适当弃风,用电高峰时期风电反而过少时,除了需要切负荷以外,主动的DR(需求侧响应)支持由于其容量潜力巨大,可用性强,不会造成资源浪费等优势特性使其可以和新能源接入特性形成互补,成为了另一种更佳的选择。
因此,有必要对系统接入大量新能源后大规模多故障态随机机组组合带来的影响系统备用总量和分配问题进行研究,在制定短期发电计划安排及备用优化配置时考虑新能源接入随机性与需求侧响应的相关因素。
一般认为风功率服从正态分布,可采用计及风功率接入容量的置信水平方法,确定置信水平就可以估计风功率的风险值。假设风功率的置信度为α,则风功率的置信水平为β=(100-α)%,服从正态分布,其值如下:
式中:为风功率预测落在置信区间的概率,风功率预测偏差的置信区间为 为风功率预测偏差值的标准差;zα/2为置信度1-α求得的α/2在正态分布表查询到的对应值。
发电机的备用容量分为正负一次备用、正负二次备用(即传统旋转备用部分)和三次备用三类。本申请认为,系统对一次备用、二次备用和三次备用的需求主要用于考虑事故状态下的频率安全和功率平衡,而对于二次负备用容量的需求主要用于满足风电功率波动,因此,一次备用和三次备用仅计及正备用部分,二次备用分为正负备用。本申请中使用有可中断负荷和直接负荷控制的激励型负荷,分别作为二次和三次备用的需求侧部分使用计入模型。一般情况,负荷不同时参与二次备用与三次备用。
图1给出了需求侧的调度计划和备用模型示意。假如第j个DR既参与日前计划、也参与二次备用和三次备用,则图1中,PDR,j,min为最小负荷值,即刚性负荷;PDR,j,max为最大负荷值,即弹性负荷最大值;PDR,j为实际负荷调度值,和分别为DR参与二次备用的容量,R3,DR,j为DR参与三次备用的容量。
发明内容
本发明目的是:为了解决系统接入大量新能源后大规模多故障态随机机组组合带来的影响系统备用总量和分配问题,提出考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法。该方法在传统安全约束机组模型的基础上,考虑了风电出力的随机性和DR的作用。
具体地说,本发明是采用以下技术方案实现的,包括以下步骤:
1)获取电力系统基本数据,包括风电场24时段风功率预测值、各机组参数以及负荷和旋转备用参数,所述各机组参数包括各机组的功率上下限、成本系数、启停费用、最小和最大开机时间、初始状态、爬坡约束及初始启停时间;
2)以系统总成本最小为目标函数;
3)建立约束条件,目标函数和约束条件构成的优化模型为:
min F=F0+Fr (1-1)
其中,F为系统总成本,F0为系统总的发电成本,Fr为系统总的备用成本;
T为时段数;Ng、NDR分别为火电机组总数、系统中提供备用的DR总数;Pi,t为机组i在时段t的有功功率;Ii,t为机组i在时段t的启停状态;PW0,t为风电在时段t的预测值;Pj,DR,t为第j个DR在时段t的有功功率;PL,t是时段t的非DR型负荷预测值;
Pi,min和Pi,max分别是机组i最小和最大有功功率;
PDR,j,t,max、PDR,j,t,min分别为第j个DR时段t的负荷最大值和最小值;
R1,i,t、R3,i,t分别为机组i时段t内提供的一次备用、正二次备用、负二次备用和三次备用;ΔP1,i,max为机组i的最大一次调频能力;ΔT2、ΔT3分别为二次和三次备用的调节周期;和分别为机组i的上升和下降爬坡速率;
R3,DR,j,t分别为第j个DR在时段t内提供的正二次备用、负二次备用和三次备用;ηU、ηD分别为DR参与二次备用上调和下调的百分数;Ii,τ为时段τ内机组i的状态;
Ton,i、Toff,i分别为机组i的最小允许开机时间和最小允许停机时间;
ΔPk,t为故障k发生后的系统功率缺额;Ng,k为故障k发生后系统可参与一次调频的机组集合;Δf1,max为系统暂态频率波动最大值;fN为系统的额定频率;KL*为综合负荷的单位调节功率的标幺值;K为故障总数;
Δf1是系统扰动后稳态频率波动值;Kg,i是机组i一次调频时下垂曲线的斜率;Δf1,i,max是机组i可提供的最大一次备用对应的最大频率波动值,为负值;
ΔPW,t为时段t全系统风电的预测误差;β为风功率的置信水平;
N为节点总数,Br为支路总数,Pm,t为时段t节点m上的净注入有功功率;Al,m、分别表示正常状态和故障态k下节点m上的注入功率与线路l的传输功率之间的转移分布因子;Pl,max、Pinf,max分别为线路l和断面线路的最大传输功率;Ninf为断面线路数;Sinf为断面数;inf为断面号;为故障态k下备用被调用后的节点m上的净注入功率;
以上式中,目标函数minF=F0+Fr表示使系统总成本最小;
其中Fr=Fg,r+FDR,r,Fg,r为发电侧提供的总备用成本,FDR,r为需求侧提供的总备用成本;
式中,Si为机组i的启动成本,ai,bi,ci为机组i的发电成本系数;和C3,i,t分别为机组i时段t内正二次备用、负二次备用和三次备用的成本系数; C3,DR,j,t分别为第j个DR时段t内提供正二次备用、负二次备用和三次备用的成本系数;
第一个约束表示系统功率平衡约束;
第二个约束Ii,tPi,min≤Ii,tPi,t≤Ii,tPi,max表示机组出力限制约束;
第三个约束PDR,j,t,min≤Pj,DR,t≤PDR,j,t,max表示DR出力限制约束;
第四个约束R1,i,t≤min[-Ii,t·ΔP1,i,max,Pi,max-Pi,t]表示机组一次备用约束;表示机组正二次备用约束、负二次备用约束;表示机组三次备用约束;
第五个约束 表示DR参与二次备用容量约束;R3,DR,j,t≤Pj,DR,t-PDR,j,t,min表示DR参与三次备用容量约束;
第六个约束表示机组爬坡速率约束;
第七个约束表示机组最小运行、最小停运时间限制;
第八个约束为考虑一个预想故障集K,根据次日各个时段发生故障k时,确保系统一次调频后稳态频率波动值小于系统最大频率波动Δf1,max=0.5Hz要求;
第九个约束为计及风电预测置信概率的系统二次备用容量的机会约束,系统t时段总的正二次备用及负二次备用分别为:
PW,t=PW0,t+ΔPW,t(t=1,…,T) (1-26)
第十个约束为系统三次备用约束,三次备用由基于激励的可中断负荷、发电侧的三次备用共同提供;
第十一个约束表示支路传输容量约束,其基于转移分布因子,将线路的传输功率近似为节点注入功率的线性形式;
第十二个约束表示断面功率约束;
第十三个约束表示考虑网络传输能力的备用可用性约束;
4)基于分解协调的思想,将求解优化模型的问题分解为包括第1个安全约束机组组合子问题以及一次备用充裕性检查子问题、二次负备用充裕性检查子问题、二次正备用和三次备用充裕性检查子问题在内的四个子问题进行求解,如果后三个子问题经检查均满足,则问题得解,如果不满足,则修改机组及各类备用配置后再进入第1个安全约束机组组合子问题中,重新求解,直到最后收敛。
上述技术方案的进一步特征在于,如求解优化模型时仅考虑严重故障,则:
式(1-14)相应变为式(1-27):
系统二次正备用和三次备用约束(1-17)变为(1-28):
式(1-20)变为:
二次备用约束为确定性约束,式(1-16)变为:
上述各式中的K表示最严重故障,γ为风电预测误差比例系数。
优化模型相应变为确定性安全约束机组组合问题,表示如下:
本发明的有益效果如下:日前计划与备用优化问题为大规模多故障态随机机组组合问题。随机主要在于考虑风电(含负荷)预测的随机误差,进而影响到正、负二次备用的总量和分配。多故障态主要在于大扰动下的频率安全约束和故障态下网络潮流安全约束的满足,影响到系统一次备用的安排和三次备用的购置总量和优化分配。本发明考虑了风电出力的随机性和DR的作用,以系统总成本最小为目标,建立了考虑DR和频率安全约束条件的优化模型,从而能够有效求解上述问题。
附图说明
图1为需求侧的调度计划和备用模型示意图。
图2为本发明方法的流程图。
图3为本发明求解方法的问题划分和计算框图。
具体实施方式
下面参照附图并结合实例对本发明作进一步详细描述。
实施例1:以某10机系统为例,在系统中接入1个风电场群,模型中发电侧提供的二次正旋转备用成本系数为20$/(MW·h),发电侧提供的二次负旋转备用成本系数为11$/(MW·h),负荷直接控制的需求侧提供的备用成本系数为100$/(MW·h),可中断负荷提供的备用成本系数为50$/(MW·h),风功率预测偏差的均方差取风功率的20%。该系统的短期发电计划安排及备用优化配置可以通过以下步骤实现,如图2所示。
步骤1:获取电力系统基本数据,包括风电场24时段风功率预测值、各机组参数以及负荷和旋转备用参数,所述各机组参数包括各机组的功率上下限、成本系数、启停费用、最小和最大开机时间、初始状态、爬坡约束及初始启停时间,具体数据如表1-3所示。
表1 24时段风功率预测数据
表2 10机24时段算例机组参数
表3 负荷和旋转备用参数
步骤2:以系统总成本最小为目标函数;
步骤3:建立约束条件,目标函数和约束条件构成的优化模型为:
min F=F0+Fr (1-1)
其中,F为系统总成本,F0为系统总的发电成本,Fr为系统总的备用成本;T为时段数;Ng、NDR分别为火电机组总数、系统中提供备用的DR总数;Pi,t为机组i在时段t的有功功率;Ii,t为机组i在时段t的启停状态;PW0,t为风电在时段t的预测值;Pj,DR,t为第j个DR在时段t的有功功率;PL,t是时段t的非DR型负荷预测值;Pi,min和Pi,max分别是机组i最小和最大有功功率;PDR,j,t,max、PDR,j,t,min分别为第j个DR时段t的负荷最大值和最小值;R1,i,t、R3,i,t分别为机组i时段t内提供的一次备用、正二次备用、负二次备用和三次备用;ΔP1,i,max为机组i的最大一次调频能力;ΔT2、ΔT3分别为二次和三次备用的调节周期;和分别为机组i的上升和下降爬坡速率;R3,DR,j,t分别为第j个DR在时段t内提供的正二次备用、负二次备用和三次备用;ηU、ηD分别为DR参与二次备用上调和下调的百分数;Ii,τ为时段τ内机组i的状态;Ton,i、Toff,i分别为机组i的最小允许开机时间和最小允许停机时间;ΔPk,t为故障k发生后的系统功率缺额;Ng,k为故障k发生后系统可参与一次调频的机组集合;Δf1,max为系统暂态频率波动最大值;fN为系统的额定频率;KL*为综合负荷的单位调节功率的标幺值;K为故障总数;Δf1是系统扰动后稳态频率波动值;Kg,i是机组i一次调频时下垂曲线的斜率;Δf1,i,max是机组i可提供的最大一次备用对应的最大频率波动值,为负值;ΔPW,t为时段t全系统风电的预测误差;β为风功率的置信水平;N为节点总数,Br为支路总数,Pm,t为时段t节点m上的净注入有功功率;Al,m、分别表示正常状态和故障态k下节点m上的注入功率与线路l的传输功率之间的转移分布因子;Pl,max、Pinf,max分别为线路l和断面线路的最大传输功率;Ninf为断面线路数;Sinf为断面数;inf为断面号;为故障态k下备用被调用后的节点m上的净注入功率。
以上式中,目标函数minF=F0+Fr表示使系统总成本最小。
其中Fr=Fg,r+FDR,r,Fg,r为发电侧提供的总备用成本,FDR,r为需求侧提供的总备用成本;
式中,Si为机组i的启动成本,ai,bi,ci为机组i的发电成本系数;和C3,i,t分别为机组i时段t内正二次备用、负二次备用和三次备用的成本系数; C3,DR,j,t分别为第j个DR时段t内提供正二次备用、负二次备用和三次备用的成本系数。
各约束条件的含义如下:
第一个约束表示系统功率平衡约束;第二个约束Ii, tPi,min≤Ii,tPi,t≤Ii,tPi,max表示机组出力限制约束;第三个约束PDR,j,t,min≤Pj,DR,t≤PDR,j,t,max表示DR出力限制约束;第四个约束R1,i,t≤min[-Ii,t·ΔP1,i,max,Pi,max-Pi,t]表示机组一次备用约束;表示机组正二次备用约束、负二次备用约束;表示机组三次备用约束;第五个约束 表示DR参与二次备用容量约束;R3,DR,j,t≤Pj,DR,t-PDR,j,t,min表示DR参与三次备用容量约束;第六个约束 表示机组爬坡速率约束;第七个约束 表示机组最小运行、最小停运时间限制;第八个约束为考虑一个预想故障集K,根据次日各个时段发生故障k时,确保系统一次调频后稳态频率波动值小于系统最大频率波动Δf1,max=0.5Hz要求;第九个约束为计及风电预测置信概率的系统二次备用容量的机会约束,系统t时段总的正二次备用及负二次备用分别为:
PW,t=PW0,t+ΔPW,t(t=1,…,T) (1-26)
第十个约束为系统三次备用约束,三次备用由基于激励的可中断负荷、发电侧的三次备用共同提供;第十一个约束表示支路传输容量约束,其基于转移分布因子,将线路的传输功率近似为节点注入功率的线性形式;第十二个约束表示断面功率约束;第十三个约束表示考虑网络传输能力的备用可用性约束。
步骤4:基于分解协调的思想,将求解优化模型的问题分解为包括第1个安全约束机组组合(SCUC)子问题以及一次备用充裕性检查子问题、二次负备用充裕性检查子问题、二次正备用和三次备用充裕性检查子问题在内的四个子问题进行求解,即将问题分解为有限故障态安全约束机组组合子问题、基于拉丁超立方采样蒙特卡洛方法的二次负备用约束、基于大扰动长过程时域仿真分析的频率安全约束和基于最小切负荷的故障态静态安全约束检查子问题四个子问题交替迭代进行。如果后三个子问题经检查均满足,则问题得解,如果不满足,则修改机组及各类备用配置后再进入第1个安全约束机组组合子问题中,重新求解,直到最后收敛。其过程如图3所示。
如果计算时仅考虑严重故障,则上述优化模型会发生相应变化,具体为:
式(1-14)相应变为式(1-27):
系统二次正备用和三次备用约束(1-17)变为(1-28):
式(1-20)变为:
二次备用约束为确定性约束,式(1-16)变为:
上述各式中的K表示最严重故障,γ为风电预测误差比例系数,通过调整γ取值,可以改变置信水平。
优化模型相应变为确定性安全约束机组组合问题,表示如下:
虽然本发明已以较佳实施例公开如上,但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (2)
1.考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法,其特征在于,包括以下步骤:
1)获取电力系统基本数据,包括风电场24时段风功率预测值、各机组参数以及负荷和旋转备用参数,所述各机组参数包括各机组的功率上下限、成本系数、启停费用、最小和最大开机时间、初始状态、爬坡约束及初始启停时间;
2)以系统总成本最小为目标函数;
3)建立约束条件,目标函数和约束条件构成的优化模型为:
min F=F0+Fr (1-1)
其中,F为系统总成本,F0为系统总的发电成本,Fr为系统总的备用成本;
T为时段数;Ng、NDR分别为火电机组总数、系统中提供备用的DR总数;Pi,t为机组i在时段t的有功功率;Ii,t为机组i在时段t的启停状态;PW0,t为风电在时段t的预测值;Pj,DR,t为第j个DR在时段t的有功功率;PL,t是时段t的非DR型负荷预测值;
Pi,min和Pi,max分别是机组i最小和最大有功功率;
PDR,j,t,max、PDR,j,t,min分别为第j个DR时段t的负荷最大值和最小值;
R1,i,t、R3,i,t分别为机组i时段t内提供的一次备用、正二次备用、负二次备用和三次备用;ΔP1,i,max为机组i的最大一次调频能力;ΔT2、ΔT3分别为二次和三次备用的调节周期;和分别为机组i的上升和下降爬坡速率;
R3,DR,j,t分别为第j个DR在时段t内提供的正二次备用、负二次备用和三次备用;ηU、ηD分别为DR参与二次备用上调和下调的百分数;Ii,τ为时段τ内机组i的状态;
Ton,i、Toff,i分别为机组i的最小允许开机时间和最小允许停机时间;
ΔPk,t为故障k发生后的系统功率缺额;Ng,k为故障k发生后系统可参与一次调频的机组集合;Δf1,max为系统暂态频率波动最大值;fN为系统的额定频率;KL*为综合负荷的单位调节功率的标幺值;K为故障总数;
Δf1是系统扰动后稳态频率波动值;Kg,i是机组i一次调频时下垂曲线的斜率;Δf1,i,max是机组i可提供的最大一次备用对应的最大频率波动值,为负值;
ΔPW,t为时段t全系统风电的预测误差;β为风功率的置信水平;
N为节点总数,Br为支路总数,Pm,t为时段t节点m上的净注入有功功率;Al,m、分别表示正常状态和故障态k下节点m上的注入功率与线路l的传输功率之间的转移分布因子;Pl,max、Pinf,max分别为线路l和断面线路的最大传输功率;Ninf为断面线路数;Sinf为断面数;inf为断面号;为故障态k下备用被调用后的节点m上的净注入功率;
以上式中,目标函数minF=F0+Fr表示使系统总成本最小;
其中Fr=Fg,r+FDR,r,Fg,r为发电侧提供的总备用成本,FDR,r为需求侧提供的总备用成本;
式中,Si为机组i的启动成本,ai,bi,ci为机组i的发电成本系数;和C3,i,t分别为机组i时段t内正二次备用、负二次备用和三次备用的成本系数; C3,DR,j,t分别为第j个DR时段t内提供正二次备用、负二次备用和三次备用的成本系数;
第一个约束表示系统功率平衡约束;
第二个约束Ii,tPi,min≤Ii,tPi,t≤Ii,tPi,max表示机组出力限制约束;
第三个约束PDR,j,t,min≤Pj,DR,t≤PDR,j,t,max表示DR出力限制约束;
第四个约束R1,i,t≤min[-Ii,t·ΔP1,i,max,Pi,max-Pi,t]表示机组一次备用约束;表示机组正二次备用约束、负二次备用约束;表示机组三次备用约束;
第五个约束
表示DR参与二次备用容量约束;R3,DR,j,t≤Pj,DR,t-PDR,j,t,min表示DR参与三次备用容量约束;
第六个约束表示机组爬坡速率约束;
第七个约束表示机组最小运行、最小停运时间限制;
第八个约束为考虑一个预想故障集K,根据次日各个时段发生故障k时,确保系统一次调频后稳态频率波动值小于系统最大频率波动Δf1,max=0.5Hz要求;
第九个约束为计及风电预测置信概率的系统二次备用容量的机会约束,系统t时段总的正二次备用及负二次备用分别为:
PW,t=PW0,t+ΔPW,t(t=1,…,T) (1-26)
第十个约束为系统三次备用约束,三次备用由基于激励的可中断负荷、发电侧的三次备用共同提供;
第十一个约束表示支路传输容量约束,其基于转移分布因子,将线路的传输功率近似为节点注入功率的线性形式;
第十二个约束表示断面功率约束;
第十三个约束表示考虑网络传输能力的备用可用性约束;
4)基于分解协调的思想,将求解优化模型的问题分解为包括第1个安全约束机组组合子问题以及一次备用充裕性检查子问题、二次负备用充裕性检查子问题、二次正备用和三次备用充裕性检查子问题在内的四个子问题进行求解,如果后三个子问题经检查均满足,则问题得解,如果不满足,则修改机组及各类备用配置后再进入第1个安全约束机组组合子问题中,重新求解,直到最后收敛。
2.根据权利要求1所述的考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法,其特征在于,如求解优化模型时仅考虑严重故障,则:
式(1-14)相应变为式(1-27):
系统二次正备用和三次备用约束(1-17)变为(1-28):
式(1-20)变为:
二次备用约束为确定性约束,式(1-16)变为:
上述各式中的K表示最严重故障,γ为风电预测误差比例系数;
优化模型相应变为确定性安全约束机组组合问题,表示如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610321347.5A CN106096751B (zh) | 2016-05-15 | 2016-05-15 | 考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610321347.5A CN106096751B (zh) | 2016-05-15 | 2016-05-15 | 考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096751A CN106096751A (zh) | 2016-11-09 |
CN106096751B true CN106096751B (zh) | 2019-11-01 |
Family
ID=57229951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610321347.5A Active CN106096751B (zh) | 2016-05-15 | 2016-05-15 | 考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096751B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107086568B (zh) * | 2017-05-17 | 2019-11-12 | 杭州意能电力技术有限公司 | 一种基于预想故障分解的电力系统最优支援机组定位方法 |
CN109245132B (zh) * | 2018-11-01 | 2021-05-11 | 南京邮电大学 | 一种常规备用与弹性备用多维协调优化方法 |
CN109449988A (zh) * | 2018-12-14 | 2019-03-08 | 国网山东省电力公司经济技术研究院 | 大规模新能源发电并网的电力系统逐日仿真模拟方法 |
CN110138019B (zh) * | 2019-06-04 | 2021-06-08 | 国网山东省电力公司电力科学研究院 | 一种机组优化启停方法 |
CN110492531B (zh) * | 2019-08-06 | 2020-09-11 | 清华大学 | 考虑同步旋转惯量水平的电力系统调度运行方法及系统 |
CN111262279B (zh) * | 2020-03-11 | 2021-01-29 | 清华大学 | 基于松弛邻域搜索的电力系统机组组合优化方法及装置 |
CN111327052B (zh) * | 2020-03-12 | 2021-01-29 | 清华大学 | 一种电力系统机组组合加速优化方法及装置 |
CN114156950B (zh) * | 2022-02-09 | 2022-06-07 | 广东电力交易中心有限责任公司 | 一种电力系统电源容量分配方法及装置 |
CN116191473B (zh) * | 2023-03-20 | 2023-09-15 | 华北电力大学 | 一种考虑随机-极端扰动下的一次调频备用优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103259335A (zh) * | 2013-04-11 | 2013-08-21 | 国家电网公司 | 一种智能需求响应及需求侧优化运行系统 |
CN104933534A (zh) * | 2015-06-30 | 2015-09-23 | 浙江大学 | 一种考虑风电有功降载能力的两阶段系统备用优化评估方法 |
-
2016
- 2016-05-15 CN CN201610321347.5A patent/CN106096751B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103259335A (zh) * | 2013-04-11 | 2013-08-21 | 国家电网公司 | 一种智能需求响应及需求侧优化运行系统 |
CN104933534A (zh) * | 2015-06-30 | 2015-09-23 | 浙江大学 | 一种考虑风电有功降载能力的两阶段系统备用优化评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106096751A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096751B (zh) | 考虑新能源接入与需求侧响应参与短期发电计划安排及备用优化配置方法 | |
El-Taweel et al. | Hydrogen storage optimal scheduling for fuel supply and capacity-based demand response program under dynamic hydrogen pricing | |
Wen et al. | Enhanced security-constrained unit commitment with emerging utility-scale energy storage | |
Abdullah et al. | An effective power dispatch control strategy to improve generation schedulability and supply reliability of a wind farm using a battery energy storage system | |
Bruninx et al. | Endogenous probabilistic reserve sizing and allocation in unit commitment models: Cost-effective, reliable, and fast | |
Aghdam et al. | Contingency based energy management of multi-microgrid based distribution network | |
Brijs et al. | Evaluating the role of electricity storage by considering short-term operation in long-term planning | |
Xu et al. | A day-ahead economic dispatch method considering extreme scenarios based on wind power uncertainty | |
Qiu et al. | Tri-level mixed-integer optimization for two-stage microgrid dispatch with multi-uncertainties | |
Wang et al. | Optimal planning of stand-alone microgrids incorporating reliability | |
Tuohy et al. | Rolling unit commitment for systems with significant installed wind capacity | |
Liu et al. | A MILP-based distribution optimal power flow model for microgrid operation | |
Liang et al. | Inertia pricing in stochastic electricity markets | |
CN108390415B (zh) | 一种区域电网新能源消纳容量计算方法和系统 | |
Koltsaklis et al. | Optimal scheduling of interconnected power systems | |
CN103997039A (zh) | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 | |
Guo et al. | Economic value of energy storages in unit commitment with renewables and its implication on storage sizing | |
Awasthi et al. | Operation of datacenter as virtual power plant | |
Mohiti et al. | Role of vanadium redox flow batteries in the energy management system of isolated microgrids | |
Trojani et al. | Stochastic security-constrained unit commitment considering electric vehicles, energy storage systems, and flexible loads with renewable energy resources | |
Hu et al. | Distributionally robust optimization for generation expansion planning considering virtual inertia from wind farms | |
Wei et al. | Graph computing based security constrained unit commitment in hydro-thermal power systems incorporating pumped hydro storage | |
Ignat-Balaci et al. | Day-Ahead Scheduling, Simulation, and Real-Time Control of an Islanded Microgrid. | |
Wang et al. | Generation-expansion planning with linearized primary frequency response constraints | |
Alves et al. | Allocation of spinning reserves in autonomous grids considering frequency stability constraints and short-term solar power variations |
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 |