CN106451551B - 风电极限穿透功率优化方法和装置 - Google Patents
风电极限穿透功率优化方法和装置 Download PDFInfo
- Publication number
- CN106451551B CN106451551B CN201611007034.9A CN201611007034A CN106451551B CN 106451551 B CN106451551 B CN 106451551B CN 201611007034 A CN201611007034 A CN 201611007034A CN 106451551 B CN106451551 B CN 106451551B
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- electricity generation
- powered electricity
- fuzzy
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 143
- 230000035515 penetration Effects 0.000 title claims abstract description 94
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 2
- 230000000295 complement effect Effects 0.000 claims 2
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 230000000739 chaotic effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
Abstract
本发明涉及一种风电极限穿透功率优化方法和装置,该方法包括:建立风电输出功率预测误差的可信性测度函数;建立支路传输功率模糊约束条件;根据可信性测度函数和模糊约束条件建立风电极限穿透功率模糊机会约束优化模型;根据风电极限穿透功率模糊机会约束优化模型获取风电极限穿透功率;根据所获取的风电极限穿透功率对电网进行配置。上述风电极限穿透功率优化方法和装置,采用可信性测度,能够判定事件是否一定发生,避免可能性测度造成的决策混乱;且根据风电输出功率预测误差的可信性测度函数和模糊约束条件,建立考虑线路潮流安全的模糊机会约束优化模型,实现一定置信水平下的极限穿透功率计算,提高了多种状态下配电网络的安全运行。
Description
技术领域
本发明涉及含风电场的电网运行安全领域,特别是涉及一种风电极限穿透功率优化方法和装置。
背景技术
大规模风电接入电网有助于推广清洁能源,减少环境污染,但是高渗透率的风电会改变电网的潮流方向,影响电网的安全运行,因此在规划设计阶段需确定风电场的极限穿透功率,即电网可接受的最大风电容量。
在研究有关风电的优化过程和决策问题时,会涉及到风电的不确定性,这些不确定性包括随机性与模糊性。风电出力的随机性指风速具有统计学意义上的随机性,风电的随机分布近似服从韦布尔分布;风电出力的模糊性主要是由于现有的预测方法可靠性很低,风电场实际出力与预测值之间存在很大误差,且风电出力还与天气状况、风速、风向等因素密切相关。风电出力具有明显的不确定性,风机的极限穿透功率需在规划阶段做出决策,因此所做决策在不利情况发生时可能不满足约束条件,这种情况下更适合采取一种折中原则,即允许该约束条件在一定程度上不被满足,但其成立的概率或可能性应满足要求的置信水平,在数学上描述为机会约束规划问题。当变量具有模糊性时,模糊论中的可能性测度不能判定事件是否一定发生,导致决策出现混乱。
发明内容
基于此,有必要提供一种风电极限穿透功率优化方法和装置,其可以准确地获取在风电输出功率不确定的情况下的风电极限穿透功率。
一种风电极限穿透功率优化方法,所述方法包括:
建立风电输出功率预测误差的可信性测度函数;
建立支路传输功率模糊约束条件;
根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型;
根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率;
根据所获取的风电极限穿透功率对电网进行配置。
上述风电极限穿透功率优化方法,采用可信性测度,能够判定事件是否一定发生,避免可能性测度造成的决策混乱;且根据风电输出功率预测误差的可信性测度函数和模糊约束条件,建立考虑线路潮流安全的模糊机会约束优化模型,实现一定置信水平下的极限穿透功率计算,提高了多种状态下配电网络的安全运行。
在其中一个实施例中,所述建立风电输出功率预测误差的可信性测度函数的步骤包括:
获取接入配电网的风电参数;所述接入配电网的风电参数包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vo、额定风速vr以及系数常数a、b、c;
根据所述接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛模拟风速;其中,
风速的概率分布为:其中v为预测风速;
风电输出功率和风速的关系为:其中Pw为风电输出功率;
假定风电输出功率预测值Pw′是确定的,对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:
获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数;
获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,ξ表示模糊变量,sup表示取上界,u(x)表示ξ的隶属度函数;
建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
本实施例中考虑了风电输出功率的不确定性中的随机性和模糊性,采用概率密度函数表示预测风速,同时对预测误差进行模糊处理,结合风电输出功率和风速的关系,表征了风电输出功率的不确定性。
在其中一个实施例中,所述建立支路传输功率模糊约束条件的步骤,包括:
获取配电网系统参数;所述配电网系统参数包括节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn;
根据预测风速计算风电输出功率Pw=Pw′(1+εw);
根据所述配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求;
建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标。
在其中一个实施例中,所述配电网系统参数还包括风电机组的有功输出的上限以及风电机组的有功输出的下限;
所述根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型的步骤,具体为:
获取风电极限穿透功率的线性优化模型:
max(Pr)
约束条件为:
其中,Ng为常规风电机组的台数,Pgi为第i台常规风电机组的有功功率,为第i台常规风电机组的有功出力的上限,Pgi 为第i台常规风电机组的有功出力的下限;
根据所述支路传输功率模糊约束条件,建立风电极限穿透功率模糊机会约束优化模型如下:
max(Pr)
约束条件:
在其中一个实施例中,所述根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率的步骤,包括:
对所述风电极限穿透功率模糊机会约束进行清晰等价处理;
将风电极限穿透功率模糊机会约束优化模型转化为混合整数线性规划模型进行获取输出风电极限穿透功率。
本实施例中将模糊机会约束条件进行清晰等价处理,将风电极限穿透功率模糊机会约束模型转换为易于求解的线性规划问题,耗时短且结果准确。
在其中一个实施例中,所述对所述风电极限穿透功率模糊机会约束进行清晰等价处理的步骤,包括:
获取机会约束函数g(x,ξ)=ξ-h(x),其中x为决策变量,ξ为模糊变量,h(x)为仅包含决策变量的函数式;
将约束不等式Cr{g(x,ξ)≤0}>α转换为Cr{ξ≤h(x)}>α,则h(x)≥λ,则λ为:
其中,λ为中间变量,无具体含义;
根据所述支路传输功率模糊约束条件求得h(x),且当时,成立条件为:
其中,μ表示隶属度函数;
根据风电预测误差的隶属度函数,将所述模糊机会约束条件转化为等价类形式:
一种风电极限穿透功率优化装置,所述系统包括:
可信性测度模块,用于建立风电输出功率预测误差的可信性测度函数;
模糊约束条件模块,用于建立支路传输功率模糊约束条件;
模型建立模块,该模型建立模块的第一输入端与所述可信性测度模块的输出端相连接,该模型建立模块的第二输入端与所述模糊约束条件模块的输出端相连接,该模型建立模块用于根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型;
最优解模块,该最优解模块的输入端与所述模型建立模块的输出端相连接,该最优解模块用于根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率;
输出模块,该输出模块的输入端与所述最优解模块的输出端相连接,该输出模块用于根据获取的风电极限穿透功率对电网进行配置。
在其中一个实施例中,还包括信息获取模块,该信息获取模块的第一输出端与所述可信性测度模块的输入端相连接,所述信息获取模块的第二输出端与所述模糊约束条件模块的输入端相连接,所述信息获取模块用于获取接入配电网的风电参数和配电网系统参数;
所述接入配电网的风电参数包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vo、额定风速vr以及系数常数a、b、c;
所述配电网系统参数包括节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn、风电机组的有功输出的上限以及风电机组的有功输出的下限。
在其中一个实施例中,所述可信性测度模块包括:
风速预测单元,用于根据所述接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛模拟风速;其中,
风速的概率分布为:其中v为预测风速;
风电输出功率和风速的关系为:其中Pw为风电输出功率;
风电输出功率预测单元,该风电输出功率预测单元的输入端与所述风速预测单元的输出端相连接,该风电输出功率预测单元用于对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:其中假定风电输出功率预测值Pw′是确定的;
隶属度函数单元,该隶属度函数单元的输入端与所述风电输出功率预测单元的输出端相连接,该隶属度函数单元用于获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数;
可信性测度函数单元,该可信性测度函数单元的输入端与所述隶属度函数单元的输出端相连接,该可信性测度函数单元用于获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,ξ表示模糊变量,sup表示取上界,u(x)表示ξ的隶属度函数;
以及建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
在其中一个实施例中,所述模糊约束条件模块包括:
输出功率计算单元,用于根据预测风速计算风电输出功率Pw=Pw′(1+εw);
有功功率单元,该有功功率单元与所述输出功率计算单元相连接,该有功功率单元用于根据所述配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求;风电输出功率Pw=Pw′(1+εw);
模糊约束条件单元,该模糊约束条件单元的输入端与所述有功功率单元的输出端相连接,该模糊约束条件单元用于建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标。
附图说明
图1为一实施例中的风电极限穿透功率优化方法的流程图;
图2为一实施例中的配电网网络拓扑图;
图3为一实施例中的不同风电输出功率预测水平下的风电极限穿透功率的结果图;
图4为一实施例中的不同置信水平下的风电极限穿透功率的结果图;
图5为一实施例中的风电极限穿透功率优化装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
在详细说明根据本发明的实施例前,应该注意到的是,所述的实施例主要在于与风电极限穿透功率优化方法和装置相关的步骤和系统组件的组合。因此,所属系统组件和方法步骤已经在附图中通过常规符号在适当的位置表示出来了,并且只示出了与理解本发明的实施例有关的细节,以免因对于得益于本发明的本领域普通技术人员而言显而易见的那些细节模糊了本发明的公开内容。
在本文中,诸如左和右,上和下,前和后,第一和第二之类的关系术语仅仅用来区分一个实体或动作与另一个实体或动作,而不一定要求或暗示这种实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含,由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素,而且还包含没有明确列出的其他要素,或者为这种过程、方法、物品或者设备所固有的要素。
请参阅图1所示,图1为一实施例中的风电极限穿透功率优化方法的流程图,在该实施例中,该风电极限穿透功率优化方法可以包括:
S102:建立风电输出功率预测误差的可信性测度函数。
在该实施例中,采用可信性测度,能够判定事件是否一定发生,避免可能性测度造成的决策混乱。
S104:建立支路传输功率模糊约束条件。
S106:根据可信性测度函数和模糊约束条件建立风电极限穿透功率模糊机会约束优化模型。
在该实施例中,根据风电输出功率预测误差的可信性测度函数和模糊约束条件,建立考虑线路潮流安全的模糊机会约束优化模型,实现一定置信水平下的极限穿透功率计算,提高了多种状态下配电网络的安全运行。
S108:根据风电极限穿透功率模糊机会约束优化模型获取风电极限穿透功率。
S110:根据所获取的风电极限穿透功率对电网进行配置。
请参阅图2所示,图2为一实施例中配电网网络拓扑结构示意图,其中包含节点1至节点30,在经过上述步骤S102至S108获取到风电极限穿透功率后,可以根据该获取的风电极限穿透功率对电网进行配置,以实现对电网网络的优化。
在上述实施例中,将可信性理论和模糊机会约束规划引入风电极限穿透功率决策,给出模糊置信水平下风电极限穿透功率优化方法,根据风速预测误差的可信性分布函数以及模糊可信度函数,建立考虑线路潮流安全的模糊机会约束模型,对该模糊机会约束模型进行简化,可以方便获取在风电输出功率不确定的情况下的风电极限穿透功率。
在其中一个实施例中,上述步骤S102,即建立风电输出功率预测误差的可信性测度函数的步骤,可以包括:
S202:获取接入配电网的风电参数。
在该实施例中,该接入配电网的风电参数可以包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vo、额定风速vr以及系数常数a、b、c。在实际应用中,需要用户输入该配电网的风电参数。
S204:根据接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛方法模拟风速。
其中,在本实施例中,预测风速v服从韦布尔分布,因此风速的概率分布为:
在上述式子(1)中采用了配电网的风电参数中的风速概率分布尺度系数q、风速概率分布形状系数k。
此外,建立的风电输出功率和风速的关系为:
其中Pw为风电输出功率,且在该式子(2)中还采用了输入的配电网的风电参数中的风电的额定输出功率Pr、切入风速vci、切出风速vo、额定风速vr以及系数常数a、b、c。
S206:假定风电输出功率预测值Pw′是确定的,对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:
其中Pw′为风电输出功率预测值,Pw为风电输出功率,即风电实际的输出功率。
由于该步骤中已经对风电输出功率预测误差εw进行了模糊建模,因此可以获取该风电输出功率预测误差εw的隶属度函数,从而可以继续进行以下步骤。
S208:获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数。
S210:获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,sup表示取上界,ξ表示模糊变量,u(x)表示ξ的隶属度函数。
S212:建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
在该实施例中,类比概率论的概率分布函数,可信性分布函数值是指模糊变量ξ取值小于等于εw的可信性。
在其中一个实施例中,上述步骤S104,即建立支路传输功率模糊约束条件的步骤,可以包括:
S302:获取配电网系统参数。
其中,配电网系统参数可以包括节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn。
S304:根据预测风速计算风电输出功率:
Pw=Pw′(1+εw) (7)
其中,Pw′采用的是预测值,考虑到预测误差的模糊性,约束条件并不一定总能满足,但决策结果必须令该约束条件成立的可能性满足要求的置信水平。
S306:根据配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求。在该实施例中,其采用了配电网系数参数:节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn。在该实施例中是通过直流潮流方法进行计算的。
S308:建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标,相当于概率置信度,表示支路容量小于极限传输容量的可能性超过α。
在其中一个实施例中,配电网系统参数还包括风电机组的有功输出的上限以及风电机组的有功输出的下限。
上述步骤S106,即根据可信性测度函数和模糊约束条件建立风电极限穿透功率模糊机会约束优化模型的步骤,可以为:
S402:获取风电极限穿透功率的线性优化模型:
max(Pr)
约束条件为:
其中,Ng为常规风电机组的台数,Pgi为第i台常规风电机组的有功功率,为第i台常规风电机组的有功出力的上限,Pgi 为第i台常规风电机组的有功出力的下限。其中,上述风电极限穿透功率的线性优化模型是以风电场装机容量的最大化作为目标函数,综合考虑风电机运行约束,功率平衡约束、线路容量约束。
S404:根据支路传输功率模糊约束条件,建立风电极限穿透功率模糊机会约束优化模型如下:
max(Pr)
约束条件:
在其中一个实施例中,步骤S108,即根据风电极限穿透功率模糊机会约束优化模型获取风电极限穿透功率的步骤,可以包括:
S502:对风电极限穿透功率模糊机会约束进行清晰等价处理。
S504:将风电极限穿透功率模糊机会约束优化模型转化为混合整数线性规划模型进行获取输出风电极限穿透功率。
在其中一个实施例中,步骤S504,即对风电极限穿透功率模糊机会约束进行清晰等价处理的步骤,可以包括:
S602:获取机会约束函数g(x,ξ)=ξ-h(x),其中x为决策变量,ξ为模糊变量,h(x)为仅包含决策变量的函数式。
S604:将约束不等式Cr{g(x,ξ)≤0}>α转换为Cr{ξ≤h(x)}>α,则h(x)≥λ,则λ为:
其中,λ为中间变量,无具体含义。
S606:根据支路传输功率模糊约束条件求得h(x),且当时,成立条件为:
其中,μ表示隶属度函数。
S608:根据风电预测误差的隶属度函数,将模糊机会约束条件转化为等价类形式:
在上述的实施例中,对于输入的配电网系统参数和接入配电网的风电参数,可以统一输入,而不必分开进行输入,避免多次输入。
为了验证上述实施例中风电极限穿透功率优化方法的有效性,以IEEE30节点标准测试系统作为算例,分别分析了风电预测误差和置信水平对风电极限穿透功率的影响。
(1)不同的风电出力预测误差。请参阅图3所示,图3为一实施例中的不同风电输出功率预测水平下的风电极限穿透功率的结果图,韦布尔分布参数k=2.0,c=8.5。额定风速为12.4m/s,切入风速为6.5m/s,切出风速19.5m/s。模糊可信度指标α为0.95,分别在节点16、10、12、6、20接入风机,计算各节点的极限穿透功率。图3的结果表明,随着预测误差值的增大,同一节点下风电极限穿透功率逐渐下降,说明风速实际出力与预测值的偏差值越大时,则对系统运行方式的要求提高,对电网稳定鲁棒性的要求提高了,于是风电场的极限穿透功率必然要受到限制。
(2)不同置信水平。请参阅图4所示,图4为一实施例中的不同置信水平下的风电极限穿透功率的结果图。风电预测误差Ew=±20%;权重系数σ=2.33。分别在节点16、10、12、6、20接入风机,计算各节点的极限穿透功率。图4的结果表明随着α的减小,风机的穿透功率逐渐增大。这是因为可信度指标α在风机容量决策模型中表征了避免越限风险的概念,选择大的α意味着可以减少风电预测误差带来的风险,但同时决策结果也趋于保守;选择较小的α则可以获得较高的穿透功率,提高风电的利用率,但是由于风电预测存在误差,容易造成支路容量越限。
上述实施例中结合可信性理论和模糊理论,对风电输出功率的不确定性进行合理处理,采用概率分布函数表征随机性,可信性函数表征模糊性,采用模糊机会约束优化算法实现对风电极限穿透功率的求解,有利于在规划阶段提出合理的设计方案保证电网的安全运行。
请参阅图5所示,图5为一实施例中的风电极限穿透功率优化装置的示意图。在该实施例中,该风电极限穿透功率优化装置包括可信性测度模块100、模糊约束条件模块200、模型建立模块300、最优解模块400以及输出模块500。其中,该模型建立模块300的第一输入端与可信性测度模块100的输出端相连接,该模型建立模块300的第二输入端与模糊约束条件模块200的输出端相连接,该最优解模块400的输入端与模型建立模块300的输出端相连接,该输出模块500的输入端与最优解模块400的输出端相连接。
可信性测度模块100用于建立风电输出功率预测误差的可信性测度函数。模糊约束条件模块200用于建立支路传输功率模糊约束条件。模型建立模块300用于根据可信性测度函数和模糊约束条件建立风电极限穿透功率模糊机会约束优化模型。最优解模块400用于根据风电极限穿透功率模糊机会约束优化模型获取风电极限穿透功率。输出模块500用于根据获取的风电极限穿透功率对电网进行配置。
在其中一个实施例中,该风电极限穿透功率优化装置还包括信息获取模块600,该信息获取模块600的第一输出端与可信性测度模块100的输入端相连接,信息获取模块600的第二输出端与模糊约束条件模块200的输入端相连接,信息获取模块600用于获取接入配电网的风电参数和配电网系统参数。接入配电网的风电参数包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vo、额定风速vr以及系数常数a、b、c。配电网系统参数包括节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn、风电机组的有功输出的上限以及风电机组的有功输出的下限。
在其中一个实施例中,可信性测度模块100包括风速预测单元、风电输出功率预测单元、隶属度函数单元以及可信性测度函数单元。该风电输出功率预测单元的输入端与风速预测单元的输出端相连接,该隶属度函数单元的输入端与风电输出功率预测单元的输出端相连接,该可信性测度函数单元的输入端与隶属度函数单元的输出端相连接。
风速预测单元用于根据接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛模拟风速;其中,
风速的概率分布为:其中v为预测风速;
风电输出功率和风速的关系为:其中Pw为风电输出功率。
该风电输出功率预测单元用于对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:其中假定风电输出功率预测值Pw′是确定的。
该隶属度函数单元用于获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数。
该可信性测度函数单元用于获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,ξ表示模糊变量,sup表示取上界,u(x)表示ξ的隶属度函数。
以及建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
在其中一个实施例中,模糊约束条件模块200包括输出功率计算单元、有功功率单元、模糊约束条件单元。该有功功率单元与输出功率计算单元相连接,该模糊约束条件单元的输入端与有功功率单元的输出端相连接。
输出功率计算单元用于根据预测风速计算风电输出功率Pw=Pw′(1+εw)。该有功功率单元用于根据配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求;风电输出功率Pw=Pw′(1+εw)。
该模糊约束条件单元用于建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种风电极限穿透功率优化方法,其特征在于,所述方法包括:
建立风电输出功率预测误差的可信性测度函数;
建立支路传输功率模糊约束条件;
根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型;
根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率;
根据所获取的风电极限穿透功率对电网进行配置;
所述建立风电输出功率预测误差的可信性测度函数的步骤包括:
获取接入配电网的风电参数;所述接入配电网的风电参数包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vco、额定风速vr以及系数常数a、b、c;
根据所述接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛模拟风速;其中,
风速的概率分布为:其中v为预测风速;
风电输出功率和风速的关系为:其中Pw为风电输出功率;
假定风电输出功率预测值P′w是确定的,对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:
获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数;
获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,Rc表示事件R的对立事件,ξ表示模糊变量,sup表示取上界,u(x)表示ξ的隶属度函数;
建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
2.根据权利要求1所述的风电极限穿透功率优化方法,其特征在于,所述建立支路传输功率模糊约束条件的步骤,包括:
获取配电网系统参数;所述配电网系统参数包括节点支路关联矩阵M、节点导纳矩阵B、支路电抗xmn;
根据预测风速计算风电输出功率Pw=P′w(1+εw);
根据所述配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求;
建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标。
3.根据权利要求2所述的风电极限穿透功率优化方法,其特征在于,所述配电网系统参数还包括风电机组的有功输出的上限以及风电机组的有功输出的下限;
所述根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型的步骤,具体为:
获取风电极限穿透功率的线性优化模型:
max(Pr)
约束条件为:
其中,Ng为常规风电机组的台数,Pgi为第i台常规风电机组的有功功率,为第i台常规风电机组的有功出力的上限,Pgi 为第i台常规风电机组的有功出力的下限;为线路传输的极限有功功率;Iij表示线路ij传输的有功功率;
根据所述支路传输功率模糊约束条件,建立风电极限穿透功率模糊机会约束优化模型如下:
max(Pr)
约束条件:
4.根据权利要求3所述的风电极限穿透功率优化方法,其特征在于,所述根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率的步骤,包括:
对所述风电极限穿透功率模糊机会约束进行清晰等价处理;
将风电极限穿透功率模糊机会约束优化模型转化为混合整数线性规划模型进行获取输出风电极限穿透功率。
5.根据权利要求4所述的风电极限穿透功率优化方法,其特征在于,所述对所述风电极限穿透功率模糊机会约束进行清晰等价处理的步骤,包括:
获取机会约束函数g(x,ξ)=ξ-h(x),其中x为决策变量,ξ为模糊变量,h(x)为仅包含决策变量的函数式;
将约束不等式Cr{g(x,ξ)≤0}>α转换为Cr{ξ≤h(x)}>α,则h(x)≥λ,则λ为:
其中,λ为中间变量,无具体含义;
根据所述支路传输功率模糊约束条件求得h(x),且当时,成立条件为:
其中,μ表示隶属度函数,xij为线路ij的阻抗;
根据风电预测误差的隶属度函数,将所述模糊机会约束条件转化为等价类形式:
6.一种风电极限穿透功率优化装置,其特征在于,所述装置包括:
可信性测度模块,用于建立风电输出功率预测误差的可信性测度函数;
模糊约束条件模块,用于建立支路传输功率模糊约束条件;
模型建立模块,该模型建立模块的第一输入端与所述可信性测度模块的输出端相连接,该模型建立模块的第二输入端与所述模糊约束条件模块的输出端相连接,该模型建立模块用于根据所述可信性测度函数和所述模糊约束条件建立风电极限穿透功率模糊机会约束优化模型;
最优解模块,该最优解模块的输入端与所述模型建立模块的输出端相连接,该最优解模块用于根据所述风电极限穿透功率模糊机会约束优化模型获取所述风电极限穿透功率;
输出模块,该输出模块的输入端与所述最优解模块的输出端相连接,该输出模块用于根据获取的风电极限穿透功率对电网进行配置;
所述装置还包括信息获取模块,该信息获取模块的第一输出端与所述可信性测度模块的输入端相连接,所述信息获取模块的第二输出端与所述模糊约束条件模块的输入端相连接,所述信息获取模块用于获取接入配电网的风电参数;
所述接入配电网的风电参数包括风速概率分布尺度系数q、风速概率分布形状系数k、风电的额定输出功率Pr、切入风速vci、切出风速vco、额定风速vr以及系数常数a、b、c;
所述可信性测度模块包括:
风速预测单元,用于根据所述接入配电网的风电参数表征风速的概率分布,并建立风电输出功率和风速的关系,且通过蒙特卡洛模拟风速;其中,
风速的概率分布为:其中v为预测风速;
风电输出功率和风速的关系为:其中Pw为风电输出功率;
风电输出功率预测单元,该风电输出功率预测单元的输入端与所述风速预测单元的输出端相连接,该风电输出功率预测单元用于对风电输出功率预测误差εw进行模糊建模,则风电输出功率预测误差为:其中假定风电输出功率预测值P′w是确定的;
隶属度函数单元,该隶属度函数单元的输入端与所述风电输出功率预测单元的输出端相连接,该隶属度函数单元用于获取风电输出功率预测误差εw的隶属度函数的柯西分布:
其中,表示正误差百分数的统计平均值,表示负误差百分数的统计平均值,σ为权重,μw为变量w的隶属度函数;
可信性测度函数单元,该可信性测度函数单元的输入端与所述隶属度函数单元的输出端相连接,该可信性测度函数单元用于获取可信性测度函数Cr{ξ∈R}和隶属度函数u(x)之间的关系:
其中,R表示模糊事件,Rc表示事件R的对立事件,ξ表示模糊变量,sup表示取上界,u(x)表示ξ的隶属度函数;
以及建立εw∈R时的风电输出功率预测误差的可信性测度函数为:
7.根据权利要求6所述的风电极限穿透功率优化装置,其特征在于,所述模糊约束条件模块包括:
输出功率计算单元,用于根据预测风速计算风电输出功率Pw=P′w(1+εw);
有功功率单元,该有功功率单元与所述输出功率计算单元相连接,该有功功率单元用于根据所述配电网系统参数,建立支路传输的有功功率:
其中,Imn表示线路mn传输的有功功率,Pg表示常规风电机组输出功率,Pl表示系统总负荷需求;风电输出功率Pw=P′w(1+εw);
模糊约束条件单元,该模糊约束条件单元的输入端与所述有功功率单元的输出端相连接,该模糊约束条件单元用于建立支路传输功率模糊约束条件:
其中,为线路mn传输的极限有功功率,α为模糊可信度指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611007034.9A CN106451551B (zh) | 2016-11-15 | 2016-11-15 | 风电极限穿透功率优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611007034.9A CN106451551B (zh) | 2016-11-15 | 2016-11-15 | 风电极限穿透功率优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106451551A CN106451551A (zh) | 2017-02-22 |
CN106451551B true CN106451551B (zh) | 2019-02-15 |
Family
ID=58207871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611007034.9A Active CN106451551B (zh) | 2016-11-15 | 2016-11-15 | 风电极限穿透功率优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106451551B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492894A (zh) * | 2017-09-05 | 2017-12-19 | 淮南联合大学 | 一种含风电场电力系统的节点电压静态稳定性评估方法 |
CN108847663A (zh) * | 2018-06-15 | 2018-11-20 | 南京理工大学 | 一种基于随机最优潮流的风电穿透功率极限分析方法 |
CN109193802A (zh) * | 2018-09-25 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种考虑新能源预测误差的需求侧资源调度方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8996183B2 (en) * | 2007-08-28 | 2015-03-31 | Consert Inc. | System and method for estimating and providing dispatchable operating reserve energy capacity through use of active load management |
-
2016
- 2016-11-15 CN CN201611007034.9A patent/CN106451551B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
Non-Patent Citations (1)
Title |
---|
基于可信性理论的含风电场电力系统动态经济调度;艾欣等;《中国电机工程学报》;20111231;第31卷;第12-16页 |
Also Published As
Publication number | Publication date |
---|---|
CN106451551A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep learning-based interval state estimation of AC smart grids against sparse cyber attacks | |
Ganguly et al. | Distributed generation allocation on radial distribution networks under uncertainties of load and generation using genetic algorithm | |
CN111639870B (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 | |
CN105656031B (zh) | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 | |
CN106451551B (zh) | 风电极限穿透功率优化方法和装置 | |
CN108304623A (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN105449713A (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN107508280B (zh) | 一种配电网重构方法及系统 | |
CN108336739A (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN108599268A (zh) | 一种考虑风电场时空关联约束的日前优化调度方法 | |
CN106532710A (zh) | 计及电压稳定约束的微电网潮流优化方法 | |
Al Shereiqi et al. | Co‐optimisation of wind farm micro‐siting and cabling layouts | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
CN109672219A (zh) | 一种求解含风电场无功优化模型的方法及系统 | |
Zhao et al. | Probabilistic voltage stability assessment considering stochastic load growth direction and renewable energy generation | |
Li et al. | Stochastic optimal power flow approach considering correlated probabilistic load and wind farm generation | |
CN106385053B (zh) | 风电极限穿透功率优化方法和装置 | |
Ayvaz et al. | Information‐gap decision theory based transient stability constrained optimal power flow considering the uncertainties of wind energy resources | |
Li et al. | A tidal resource evaluation-based method for tidal current generation farm allocation considering the directionality of tidal currents | |
Marley et al. | An AC-QP optimal power flow algorithm considering wind forecast uncertainty | |
CN108183499A (zh) | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 | |
Rudion et al. | MaWind-tool for the aggregation of wind farm models | |
CN111400925A (zh) | 考虑复杂地势的三维潮汐流能发电场规划系统 |
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 |