CN107977744B - 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 - Google Patents

一种基于传统Benders分解法的电力系统日前鲁棒调度方法 Download PDF

Info

Publication number
CN107977744B
CN107977744B CN201711238465.0A CN201711238465A CN107977744B CN 107977744 B CN107977744 B CN 107977744B CN 201711238465 A CN201711238465 A CN 201711238465A CN 107977744 B CN107977744 B CN 107977744B
Authority
CN
China
Prior art keywords
day
ahead
formula
load
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
Application number
CN201711238465.0A
Other languages
English (en)
Other versions
CN107977744A (zh
Inventor
杨楠
王璇
李宏圣
黎索亚
叶迪
黄禹
董邦天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201711238465.0A priority Critical patent/CN107977744B/zh
Publication of CN107977744A publication Critical patent/CN107977744A/zh
Application granted granted Critical
Publication of CN107977744B publication Critical patent/CN107977744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电网调度领域，具体是一种基于传统Benders分解法的电力系统日前鲁棒调度方法，用来求解含新能源的电力系统动态经济调度问题。提出了一种综合考虑负荷、风电以及光伏出力不确定性及概率相关性的日前鲁棒调度方法。首先构建考虑多重不确定性因素及概率相关性的改进鲁棒优化调度模型；然后利用Cholesky分解法将具有相关性的随机样本转换为相互独立的随机样本，从而基于样本特征直接确定最坏场景；最后利用Benders分解法对模型进行求解。基于IEEE‑118节点算例的仿真结果表明：本发明所提方法可以在多重不确定性因素下，保证日前调度计划鲁棒性的同时，有效提升其经济性，而基于Cholesky分解的最坏场景确定方法也有效提升了鲁棒调度模型的紧凑性，使其计算效率得到显著提升。

Description

一种基于传统Benders分解法的电力系统日前鲁棒调度方法
技术领域
本发明一种基于传统Benders分解法的电力系统日前鲁棒调度方法，涉及电力系统调度领域。
背景技术
风电及光伏是无污染、绿色的可再生能源，其分布广泛、能量密度高，适合大规模开发，因此，风力和光伏发电技术已受到了世界各国的高度重视。然而，由于其出力具有随机性与波动性的特点，大规模接入电网将会给传统的调度方法带来极大的挑战，因此，研究多种新能源大规模接入下的电力系统日前调度方法具有重要的理论价值与现实意义。
目前很多专家学者从不同角度研究了新能源接入下的电力系统日前调度问题，但普遍仅考虑了单一不确定性变量，然而实际电力系统中包含诸如风电出力、光伏出力、负荷预测误差等多重不确定性因素，现有仅考虑单一不确定性的日前调度显然难以保证其决策的有效性并影响系统运行的经济性。因此在调度问题中考虑多重不确定性因素的影响已经成为近年来专家学者们研究的热点。
发明内容
针对现有方法的不足，本发明提出了一种综合考虑负荷、风电以及光伏不确定性及相关性的改进鲁棒调度方法，该方法首先构造考虑多种不确定性因素的日前鲁棒优化调度模型，然后引入Cholesky分解法将具有相关性的随机样本转换为相互独立的随机样本，并基于样本特征直接确定最坏场景，最后进行鲁棒机组组合求解。
本发明采取的技术方案为：
一种基于传统Benders分解法的电力系统日前鲁棒调度方法，包括以下步骤：
1)考虑多重随机因素的日前鲁棒调度建模；
2)最坏场景求解；
3)通过Benders分解法来对模型进行求解；
在步骤1)中，首先考虑多重随机因素的日前鲁棒调度建模；然后进行基本场景下的日前调度建模；再进行不确定场景下的日前调度建模；
在步骤2)中首先进行随机因素的概率密度函数建模，然后样本抽样，再进行正交转换矩阵推导；接着进行最坏场景求取；
在步骤3)中，具体操作步骤如下：
1)求解主问题模型，得到其最优机组组合和出力方案；
2)将主问题的解分别代入到两个安全子问题中进行校验；
3)如果两个子问题有任何一个无法通过校验，则生成相应的Benders割；
4)将生成的Benders割返回到主问题中继续寻找新的机组组合和出力方案，并返回步骤2)，如果两个子问题校验均通过，则迭代停止，输出结果。
在步骤1)中，多重随机因素包括风电、光伏及负荷预测误差因素。
在步骤1)中，将机组组合决策分为基本场景和最坏场景分别建模。
上述基本场景以不确定性因素功率预测值为基础，以系统总运行成本最小为目标，同时考虑系统在确定性环境下的各种常规约束条件。
上述最坏场景以不确定性电源出力的最大波动出力为基础，考虑不确定性约束条件。
在步骤2)中，先寻求最坏场景，然后直接利用最坏场景进行鲁棒性校核。
首先利用非参数核密度估计分别构建风电、光伏以及负荷的概率密度函数，然后利用拉丁超立方抽样生成样本，最后采用Cholesky分解法将上述具有相关性的随机样本转换为相互独立的随机样本，并以此为基础确定最坏场景。
已知基于历史数据的负荷样本个数为n，则基于非参数核密度估计方法构建负荷的概率密度模型为：
Figure GDA0003009987170000021
式中:φ(Pd)为负荷的概率密度函数；K(Pd,l)为核函数；Pdm为负荷样本中的第m个样本值，l为带宽。
选择高斯函数作为负荷概率密度模型的核函数，并对带宽l进行求解，从而得到系统负荷的概率密度函数φ(Pd)。
求得风电出力的概率密度函数φ(Pw)以及光伏出力概率密度函数φ(Pv)。如式(2)和式(3)。
Figure GDA0003009987170000022
式中:φ(Pw)为负荷的概率密度函数；K(Pw,l)为核函数；Pwm为风电出力样本中的第m个样本值，l为带宽。
Figure GDA0003009987170000031
式中:φ(Pv)为负荷的概率密度函数；K(Pv,l)为核函数；Pvm为光伏出力样本中的第m个样本值，l为带宽。
采用拉丁超立方抽样进行分层采样。
设采样规模为N，Ym＝Fm(Xm)表示第m个随机变量Xm的概率密度函数，其具体抽样过程如下：将区间[0,1]平均分为N等分，选取每个子区间的中间值，通过其反函数得到采样值
Figure GDA0003009987170000032
所有随机变量采样完成后，则得到其样本矩阵。
利用相关系数矩阵来描述负荷、风电以及光伏发电间的相关性，设通过拉丁超立方抽样得到的样本矩阵为W＝[w1,w2,…wl]T，其相关系数矩阵为Cw：
Figure GDA0003009987170000033
该矩阵各元素可由式(5)求得：
Figure GDA0003009987170000034
式中：
Figure GDA0003009987170000035
和
Figure GDA0003009987170000036
分别为输入变量wi和wj的标准差；Cov(wi,wj)为输入变量wi和wj的协方差。相关系数矩阵Cw是正定矩阵，则可以对系数矩阵进行Cholesky分解：
Cw＝GGT (21)
式中：G为下三角矩阵，其中元素可由式(7)求得：
Figure GDA0003009987170000037
设存在一正交矩阵B，可将具有相关性的输入随机变量W转换为不相关的随机变量Y：
Y＝BW (23)
由于不相关随机变量Y的相关系数矩阵CY为单位矩阵I，因而有：
CY＝ρ(Y,YT)＝ρ(BW,WTBT)＝Bρ(W,WT)BT＝BCWBT＝I (24)
又由式(6)可得：
CY＝BCWBT＝BGGTBT＝(BG)(BG)T＝I (25)
由上式推导得到：
B＝G-1 (26)
在已知有相关性的输入随机变量W的前提下，通过正交变换矩阵，可以将其变为不相关的随机变量Y。
通过得到的正交变换矩阵，将存在相关性的负荷、风电及光伏出力矩阵转换为独立矩阵，消除其间的相关性，进而通过最坏场景线性叠加的方法求得最坏场景。
采用Benders分解法对模型进行求解；将原问题分解为主问题和两个子问题，主问题为基本场景下的UC决策问题；子问题分别为基本场景下的网络安全校核子问题和最坏场景下的鲁棒校核子问题，主问题及子问题模型如下：
1)UC主问题模型：
主问题包括目标函数式(12)及约束条件式(14-20)以及所有生成的Benders割
(1)目标函数
Figure GDA0003009987170000041
其中：
Figure GDA0003009987170000042
式中：
Figure GDA0003009987170000043
表示机组i在t时刻的有功出力；
Figure GDA0003009987170000044
表示机组i在t时刻的状态；
Figure GDA0003009987170000045
为开停机费用，ai、bi、ci为机组的发电成本函数的参数。
(2)功率平衡约束
Figure GDA0003009987170000046
式中：
Figure GDA0003009987170000047
为t时刻风电出力和负荷功率以及光伏发电出力的预测值。
(3)常规机组出力约束
Figure GDA0003009987170000048
式中：
Figure GDA0003009987170000049
与
Figure GDA00030099871700000410
分别表示火电机组i的最大和最小有功出力。
(4)常规机组爬坡速率约束
上升爬坡速率约束
Figure GDA00030099871700000411
下降爬坡速率约束
Figure GDA00030099871700000412
(5)常规机组启停时间约束
Figure GDA00030099871700000413
Figure GDA00030099871700000414
式中：
Figure GDA0003009987170000051
为机组i在t时刻的开停机时间，Ton,iToff,i为最小开机和停机时间约束。
(6)网络安全约束
Figure GDA0003009987170000052
式中：
Figure GDA0003009987170000053
为线路最大潮流约束，SFl,m为节点功率转移因子。U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合。
2)基本场景下的安全校核子问题模型
Figure GDA0003009987170000054
Figure GDA0003009987170000055
Figure GDA0003009987170000056
式中：vl,t为松弛变量；
子问题中引入松弛变量vl,t的作用是当于约束条件不能满足时，用松弛变量暂时缓解网络安全约束，以保证子问题始终有解，若最终优化得出的vl,t大于给定的安全阈值，则表示主问题求得的最优机组组合方案不能满足网络安全约束，因此需要返回Benders割如下：
Figure GDA0003009987170000057
3)考虑不确定性的安全校核子问题模型
不确定场景下的安全校核模型如式(23)所示，其校验在最坏场景
Figure GDA0003009987170000058
和
Figure GDA0003009987170000059
下能否满足安全约束；
Figure GDA00030099871700000510
S.t.
Figure GDA00030099871700000511
Figure GDA00030099871700000512
Figure GDA00030099871700000513
Figure GDA0003009987170000061
Figure GDA0003009987170000062
Figure GDA0003009987170000063
Figure GDA0003009987170000064
0≤v1,lt,v2t,v3t (29)
式中：λ1,it,λ2,it,μ1,it,μ2,it,η1,it,η2,it是旋转备用约束、机组容量约束、爬坡约束的对偶变量；
如果不能满足安全约束，则返回Benders割式(24)到主问题，其作为约束条件，使得机组组合和出力方案在最坏场景上自适应调整满足网络安全约束和功率平衡。
Figure GDA0003009987170000065
通过上述步骤，完成考虑多重不确定性及相关性的电力系统日前鲁棒调度。
本发明的技术效果如下：
1)、与传统方法相比，本发明一方面可以有效计及多重不确定性因素及其相关性，因而可以在保证调度决策方案鲁棒性的同时提高系统运行的经济性；另一方面，改进的鲁棒调度模型有效避免了在海量场景下求解机组组合问题，具有较高的求解效率。
2)、本发明通过引入Cholesky分解法对鲁棒优化方法进行改进，从而无需通过多场景潮流计算直接确定最坏场景，有效提升了鲁棒优化模型的适用性和求解效率。
附图说明
图1本发明整体建模框图；
图2本发明最坏场景求取流程图；
图3本发明算法总体思路框图；
图4本发明实施例风电及光伏有功出力曲线；
图5为时刻1下的最坏场景对比表格；
图6为日前调度成本对比结果表格；
图7为计算效率对比表格。
具体实施方式
一种基于传统Benders分解法的电力系统日前鲁棒调度方法，包括以下步骤：
步骤1：基本场景下的日前调度建模
本发明基于鲁棒优化思想，构建考虑风电、光伏及负荷预测误差不确定性的日前调度模型。本发明将机组组合决策分为基本场景和最坏场景分别建模，基本场景以不确定性因素功率预测值为基础，以系统总运行成本最小为目标，同时考虑系统在确定性环境下的各种常规约束条件，从而保障调度决策的经济性；最坏场景以不确定性电源出力的最大波动出力为基础，考虑不确定性约束条件，从而保证基本场景下的决策方案在不确定环境下的鲁棒性。模型框图如图1所示。
步骤1.1：基本场景下的日前调度建模：包含目标函数及约束条件
1)确定包含了常规机组的燃料费用和机组启停成本的目标函数：
Figure GDA0003009987170000071
其中：
Figure GDA0003009987170000072
式中：
Figure GDA0003009987170000073
表示机组i在t时刻的有功出力；
Figure GDA0003009987170000074
表示机组i在t时刻的状态；
Figure GDA0003009987170000075
为开停机费用，ai、bi、ci为机组的发电成本函数的参数。
2)确立该模型中含有的约束条件，如：
(1)系统功率平衡约束，不计网损的情况下：
Figure GDA0003009987170000076
式中：
Figure GDA0003009987170000077
为t时刻风电出力和负荷功率以及光伏发电出力的预测值。
(2)常规机组出力约束：
Figure GDA0003009987170000078
式中：
Figure GDA0003009987170000079
与
Figure GDA00030099871700000710
分别表示火电机组i的最大和最小有功出力。
(3)机组爬坡速率约束
上升爬坡速率约束
Figure GDA00030099871700000711
下降爬坡速率约束
Figure GDA00030099871700000712
式中：URi,DRi为常规机组爬坡功率限制。
(4)常规机组启停时间约束
Figure GDA00030099871700000713
Figure GDA00030099871700000714
式中：
Figure GDA0003009987170000081
为机组i在t时刻的开停机时间，Ton,iToff,i为最小开机和停机时间约束。
(5)网络安全约束
Figure GDA0003009987170000082
式中：
Figure GDA0003009987170000083
为线路最大潮流约束，SFl,m为节点功率转移因子。U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合。
步骤1.2：不确定场景下的日前调度建模
基本场景下求得的日前机组组合和机组出力计划应当保证系统在不确定性环境下的鲁棒性，因此，需要利用不确定性环境下的系统约束条件对日前计划进行校核。需要指出的是，在实际计算中可以先寻求最坏场景，然后直接利用最坏场景进行鲁棒性校核。
确立模型中的约束条件：
(1)系统功率平衡约束，不计网损的情况下：
Figure GDA0003009987170000084
式中：
Figure GDA0003009987170000085
和
Figure GDA0003009987170000086
为不确定情况下的风电出力、光伏出力以及负荷的实际值。
(2)常规机组出力约束：
Figure GDA0003009987170000087
式中：
Figure GDA0003009987170000088
为不确定情况下的常规机组实际出力。
(3)机组爬坡速率约束
上升爬坡速率约束
Figure GDA0003009987170000089
下降爬坡速率约束
Figure GDA00030099871700000810
(4)旋转备用容量约束
Figure GDA00030099871700000811
式中：
Figure GDA00030099871700000812
为常规机组的正、负旋转备用。
(5)网络安全约束
Figure GDA00030099871700000813
式中：
Figure GDA00030099871700000814
为线路最大潮流约束，SFl,m为节点功率转移因子。U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合。
步骤2：最坏场景求解
由步骤1可知，在实际计算中可以先寻求最坏场景，然后直接利用最坏场景进行鲁棒性校核。因此本发明基于Cholesky分解理论，提出了一种适用于多重相关随机性因素的最坏场景快速推求方法。首先利用非参数核密度估计分别构建风电、光伏以及负荷的概率密度函数，然后利用拉丁超立方抽样生成样本，最后采用Cholesky分解法将上述具有相关性的随机样本转换为相互独立的随机样本，并以此为基础确定最坏场景。
步骤2.1：随机因素的概率密度函数建模
已知基于历史数据的负荷样本个数为n，则基于非参数核密度估计方法构建负荷的概率密度模型为：
Figure GDA0003009987170000091
式中:φ(Pd)为负荷的概率密度函数；K(Pd,l)为核函数；Pdm为负荷样本中的第m个样本值，l为带宽。
本发明选择高斯函数作为负荷概率密度模型的核函数，并对带宽l进行求解，从而得到系统负荷的概率密度函数φ(Pd)。
同理可以求得风电出力的概率密度函数φ(Pw)以及光伏出力概率密度函数φ(Pv)。如式(17)和式(18)。
Figure GDA0003009987170000092
式中:φ(Pw)为负荷的概率密度函数；K(Pw,l)为核函数；Pwm为风电出力样本中的第m个样本值，l为带宽。
Figure GDA0003009987170000093
式中:φ(Pv)为负荷的概率密度函数；K(Pv,l)为核函数；Pvm为光伏出力样本中的第m个样本值，l为带宽。
步骤2.2：样本抽样
拉丁超立方抽样是一种分层采样方法，其具有样本记忆功能，可避免抽取已经出现的样本。设采样规模为N，Ym＝Fm(Xm)表示第m个随机变量Xm的概率密度函数。其具体抽样过程如下：将区间[0,1]平均分为N等分，选取每个子区间的中间值，通过其反函数得到采样值
Figure GDA0003009987170000094
所有随机变量采样完成后，则得到其样本矩阵。
步骤2.3：正交转换矩阵推导
利用相关系数矩阵来描述负荷、风电以及光伏发电间的相关性，设通过拉丁超立方抽样得到的样本矩阵为W＝[w1,w2,…wl]T，其相关系数矩阵为Cw：
Figure GDA0003009987170000101
该矩阵各元素可由式(20)求得：
Figure GDA0003009987170000102
式中：σwi和σwj分别为输入变量wi和wj的标准差；Cov(wi,wj)为输入变量wi和wj的协方差。
由定义不难看出，本发明的相关系数矩阵Cw是正定矩阵，则可以对系数矩阵进行Cholesky分解：
Cw＝GGT (21)
式中：G为下三角矩阵，其中元素可由式(22)求得。
Figure GDA0003009987170000103
设存在一正交矩阵B，可将具有相关性的输入随机变量W转换为不相关的随机变量Y：
Y＝BW (23)
由于不相关随机变量Y的相关系数矩阵CY为单位矩阵I，因而有：
CY＝ρ(Y,YT)＝ρ(BW,WTBT)＝Bρ(W,WT)BT＝BCWBT＝I (24)
又由式(21)可得：
CY＝BCWBT＝BGGTBT＝(BG)(BG)T＝I (25)
由上式推导得到：
B＝G-1 (26)
在已知有相关性的输入随机变量W的前提下，通过正交变换矩阵，可以将其变为不相关的随机变量Y。
步骤2.4：最坏场景求取；
通过步骤2.3得到的正交变换矩阵，将存在相关性的负荷、风电及光伏出力矩阵转换为独立矩阵，消除其间的相关性，进而通过最坏场景线性叠加的方法求得最坏场景。最坏场景求取流程图如图2所示。
步骤3：模型求解
本发明提出了一种基于Benders分解的多阶段分解算法来对模型进行求解。
采用Benders分解法对模型进行求解；将原问题分解为主问题和两个子问题，主问题为基本场景下的UC决策问题；子问题分别为基本场景下的网络安全校核子问题和最坏场景下的鲁棒校核子问题，主问题及子问题模型如下：
1)UC主问题模型
主问题包括目标函数式(12)及约束条件式(14-20)以及所有生成的Benders割
(1)目标函数
Figure GDA0003009987170000111
其中：
Figure GDA0003009987170000112
式中：
Figure GDA0003009987170000113
表示机组i在t时刻的有功出力；
Figure GDA0003009987170000114
表示机组i在t时刻的状态；
Figure GDA0003009987170000115
为开停机费用，ai、bi、ci为机组的发电成本函数的参数；
(2)功率平衡约束：
Figure GDA0003009987170000116
式中：
Figure GDA0003009987170000117
为t时刻风电出力和负荷功率以及光伏发电出力的预测值；
(3)常规机组出力约束：
Figure GDA0003009987170000118
式中：
Figure GDA0003009987170000119
与
Figure GDA00030099871700001110
分别表示火电机组i的最大和最小有功出力；
(4)常规机组爬坡速率约束：
上升爬坡速率约束
Figure GDA00030099871700001111
下降爬坡速率约束
Figure GDA00030099871700001112
(5)常规机组启停时间约束：
Figure GDA00030099871700001113
Figure GDA00030099871700001114
式中：
Figure GDA00030099871700001115
为机组i在t时刻的开停机时间，Ton,iToff,i为最小开机和停机时间约束；
(6)网络安全约束
Figure GDA0003009987170000121
式中：
Figure GDA0003009987170000122
为线路最大潮流约束，SFl,m为节点功率转移因子，U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合；
2)基本场景下的安全校核子问题模型
Figure GDA0003009987170000123
Figure GDA0003009987170000124
Figure GDA0003009987170000125
式中：vl,t为松弛变量；
子问题中引入松弛变量vl,t的作用是当于约束条件不能满足时，用松弛变量暂时缓解网络安全约束，以保证子问题始终有解，若最终优化得出的vl,t大于给定的安全阈值，则表示主问题求得的最优机组组合方案不能满足网络安全约束，因此需要返回Benders割如下：
Figure GDA0003009987170000126
3)考虑不确定性的安全校核子问题模型：
不确定场景下的安全校核模型如式(23)所示，其校验在最坏场景
Figure GDA0003009987170000127
和
Figure GDA0003009987170000128
下能否满足安全约束；
Figure GDA0003009987170000129
S.t.
Figure GDA00030099871700001210
Figure GDA00030099871700001211
Figure GDA00030099871700001212
Figure GDA00030099871700001213
Figure GDA00030099871700001214
Figure GDA0003009987170000131
Figure GDA0003009987170000132
0≤v1,lt,v2t,v3t (29)
式中：λ1,it,λ2,it,μ1,it,μ2,it,η1,it,η2,it是旋转备用约束、机组容量约束、爬坡约束的对偶变量；
如果不能满足安全约束，则返回Benders割式(24)到主问题，其作为约束条件，使得机组组合和出力方案在最坏场景上自适应调整满足网络安全约束和功率平衡；
Figure GDA0003009987170000133
通过上述步骤，完成考虑多重不确定性及相关性的电力系统日前鲁棒调度。
具体的，本发明以修改的IEEE-118节点系统来验证所提模型的正确性。该系统包含了54台常规火电机组、3个风电场以及1个光伏电站。其中风电场额定功率分别为100MW、200MW、250MW，位于5、9、48号节点；光伏电站的容量为300MW，位于20号节点。风电与光伏的有功出力曲线如图5所示。系统中常规机组正旋转备用需求为系统最大负荷的8％，负旋转备用需求为系统最小负荷的2％。安全校核子问题校验值的阈值均取310MWh-。采用拉丁超立方抽样对负荷、风电以及光伏出力每小时抽样100次，共计2400组样本。相关计算均在英特尔酷睿i5-4460处理器3.20GHz，8G内存计算机上完成，采用Matlab和Cplex 12.5对算例进行编程求解。
根据本发明所提最坏场景求解方法，求出模式1和模式2的不确定性因素最坏场景对比结果如图5所示。
由图5可知，如果不考虑不确定性因素间的概率相关性，通过简单线性叠加求出的最坏场景较为保守，这将会影响到日前调度决策的经济性，通过本文方法的精确计算可以看出，由于不确定性因素之间存在相关性，这种最坏场景其实是不可能出现的。
分别计算模式1和模式2下的日前调度方案，其结果如图6所示。
由图6可知，相较于不考虑多重不确定性因素概率相关性的传统日前调度方法，本发明提出的方法使本算例的日前调度成本降低了约38650$。其原因是，本发明方法充分考虑了风电、光伏与负荷间的概率相关性，有效避免了在鲁棒性校核过程中计及不可能发生的极端场景，从而使日前调度决策在保证系统鲁棒性的同时，降低其运行成本。
为比较本发明方法相较于传统方法的优势，分别采用标准Benders分解方法和本发明方法对同一算例进行仿真，并对比其计算效率。对比结果如图7所示。
由图7可知：本发明所提方法较计算效率得到了非常显著的提升，这是由于本发明提出的基于Cholesky分解的最坏场景求取方法有效避免了在大量场景下进行机组组合和潮流计算的求解问题，因而计算效率提升了411.5％。
本发明按照优选实施例进行了说明，但上述实施例不以任何形式限定本发明，凡采用等同替换或等效变换的形式所获得的技术方案，均落在本发明技术方案的范围内。

Claims (10)

1.一种基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：包括以下步骤：
1)考虑多重随机因素的日前鲁棒调度建模；
2)最坏场景求解；
3)通过Benders分解法来对模型进行求解；
首先构造考虑多重随机因素的日前鲁棒优化调度模型，然后将具有相关性的随机样本转换为相互独立的随机样本，并基于样本特征直接确定最坏场景，最后进行鲁棒机组组合求解，即利用Benders分解法对模型进行求解；
在步骤3)中，所述模型为日前鲁棒调度模型；
在步骤1)中，首先考虑多重随机因素的日前鲁棒调度建模；然后进行基本场景下的日前调度建模；再进行不确定场景下的日前调度建模；
基本场景下的日前调度建模包含目标函数及约束条件；
所述目标函数包括常规机组的燃料费用和机组启停成本的目标函数：
Figure FDA0003009987160000011
其中：
Figure FDA0003009987160000012
式中：
Figure FDA0003009987160000013
表示机组i在t时刻的有功出力；
Figure FDA0003009987160000014
表示机组i在t时刻的状态；
Figure FDA0003009987160000015
为开停机费用，ai、bi、ci为机组的发电成本函数的参数；
所包含的约束条件如下：
(1)系统功率平衡约束，不计网损的情况下：
Figure FDA0003009987160000016
式中：
Figure FDA0003009987160000017
为t时刻风电出力和负荷功率以及光伏发电出力的预测值；
(2)常规机组出力约束：
Figure FDA0003009987160000018
式中：Pi min与Pi max分别表示火电机组i的最大和最小有功出力；
(3)机组爬坡速率约束：
上升爬坡速率约束
Figure FDA0003009987160000021
下降爬坡速率约束
Figure FDA0003009987160000022
(4)常规机组启停时间约束：
Figure FDA0003009987160000023
Figure FDA0003009987160000024
式中：
Figure FDA0003009987160000025
为机组i在t时刻的开停机时间，Ton,iToff,i为最小开机和停机时间约束；
(5)网络安全约束：
Figure FDA0003009987160000026
式中：
Figure FDA0003009987160000027
为线路最大潮流约束，SFl,m为节点功率转移因子，U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合；
在进行基本场景下的日前调度建模之后，利用不确定性环境下的系统约束条件对日前计划进行校核，包括以下约束条件：
(1)系统功率平衡约束，不计网损的情况下：
Figure FDA0003009987160000028
式中：
Figure FDA0003009987160000029
和
Figure FDA00030099871600000210
为不确定情况下的风电出力、光伏出力以及负荷的实际值；
(2)常规机组出力约束：
Figure FDA00030099871600000211
式中：
Figure FDA00030099871600000212
为不确定情况下的常规机组实际出力；
(3)机组爬坡速率约束：
上升爬坡速率约束
Figure FDA00030099871600000213
下降爬坡速率约束
Figure FDA00030099871600000217
(4)旋转备用容量约束
Figure FDA00030099871600000214
式中：
Figure FDA00030099871600000215
为常规机组的正、负旋转备用；
(5)网络安全约束
Figure FDA00030099871600000216
式中：
Figure FDA0003009987160000031
为线路最大潮流约束，SFl,m为节点功率转移因子，U(m)、D(m)、W(m)和V(m)分别为常规机组、负荷、风电以及光伏所在母线集合；
在步骤2)中首先进行随机因素的概率密度函数建模，然后样本抽样，再进行正交转换矩阵推导；接着进行最坏场景求取；
在步骤3)中，具体操作步骤如下：
1)求解主问题模型，得到其最优机组组合和出力方案；
2)将主问题的解分别代入到两个安全子问题中进行校验；
3)如果两个子问题有任何一个无法通过校验，则生成相应的Benders割；
4)将生成的Benders割返回到主问题中继续寻找新的机组组合和出力方案，并返回步骤2)，如果两个子问题校验均通过，则迭代停止，输出结果。
2.根据权利要求1所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：首先利用非参数核密度估计分别构建风电、光伏以及负荷的概率密度函数，然后利用拉丁超立方抽样生成样本，最后采用Cholesky分解法将上述具有相关性的随机样本转换为相互独立的随机样本，并以此为基础确定最坏场景。
3.根据权利要求2所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：已知基于历史数据的负荷样本个数为n，则基于非参数核密度估计方法构建负荷的概率密度模型为：
Figure FDA0003009987160000032
式中:φ(Pd)为负荷的概率密度函数；K(Pd,l)为核函数；Pdm为负荷样本中的第m个样本值，l为带宽。
4.根据权利要求3所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：选择高斯函数作为负荷概率密度模型的核函数，并对带宽l进行求解，从而得到系统负荷的概率密度函数φ(Pd)。
5.根据权利要求3或4所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：求得风电出力的概率密度函数φ(Pw)以及光伏出力概率密度函数φ(Pv)；如式(17)和式(18)；
Figure FDA0003009987160000033
式中:φ(Pw)为负荷的概率密度函数；K(Pw,l)为核函数；Pwm为风电出力样本中的第m个样本值，l为带宽；
Figure FDA0003009987160000041
式中:φ(Pv)为负荷的概率密度函数；K(Pv,l)为核函数；Pvm为光伏出力样本中的第m个样本值，l为带宽。
6.根据权利要求2所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：采用拉丁超立方抽样进行分层采样。
7.根据权利要求6所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：设采样规模为N，Ym＝Fm(Xm)表示第m个随机变量Xm的概率密度函数，其具体抽样过程如下：将区间[0,1]平均分为N等分，选取每个子区间的中间值，通过其反函数得到采样值
Figure FDA0003009987160000042
所有随机变量采样完成后，则得到其样本矩阵。
8.根据权利要求2或7所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：利用相关系数矩阵来描述负荷、风电以及光伏发电间的相关性，设通过拉丁超立方抽样得到的样本矩阵为W＝[w1,w2,…wl]T，其相关系数矩阵为Cw：
Figure FDA0003009987160000043
该矩阵各元素可由式(5)求得：
Figure FDA0003009987160000044
式中：
Figure FDA0003009987160000045
和
Figure FDA0003009987160000046
分别为输入变量wi和wj的标准差；Cov(wi,wj)为输入变量wi和wj的协方差。
9.根据权利要求8所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：相关系数矩阵Cw是正定矩阵，则可以对系数矩阵进行Cholesky分解：
Cw＝GGT (21)
式中：G为下三角矩阵，其中元素可由式(7)求得：
Figure FDA0003009987160000047
设存在一正交矩阵B，可将具有相关性的输入随机变量W转换为不相关的随机变量Y：
Y＝BW (23)
由于不相关随机变量Y的相关系数矩阵CY为单位矩阵I，因而有：
CY＝ρ(Y,YT)＝ρ(BW,WTBT)＝Bρ(W,WT)BT＝BCWBT＝I (24)
又由式(6)可得：
CY＝BCWBT＝BGGTBT＝(BG)(BG)T＝I (25)
由上式推导得到：
B＝G-1 (26)
在已知有相关性的输入随机变量W的前提下，通过正交变换矩阵，可以将其变为不相关的随机变量Y。
10.根据权利要求9所述的基于传统Benders分解法的电力系统日前鲁棒调度方法，其特征在于：通过得到的正交变换矩阵，将存在相关性的负荷、风电及光伏出力矩阵转换为独立矩阵，消除其间的相关性，进而通过最坏场景线性叠加的方法求得最坏场景。
CN201711238465.0A 2017-11-30 2017-11-30 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 Active CN107977744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711238465.0A CN107977744B (zh) 2017-11-30 2017-11-30 一种基于传统Benders分解法的电力系统日前鲁棒调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711238465.0A CN107977744B (zh) 2017-11-30 2017-11-30 一种基于传统Benders分解法的电力系统日前鲁棒调度方法

Publications (2)

Publication Number Publication Date
CN107977744A CN107977744A (zh) 2018-05-01
CN107977744B true CN107977744B (zh) 2021-07-13

Family

ID=62008649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711238465.0A Active CN107977744B (zh) 2017-11-30 2017-11-30 一种基于传统Benders分解法的电力系统日前鲁棒调度方法

Country Status (1)

Country Link
CN (1) CN107977744B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667010B (zh) * 2018-05-04 2019-08-16 清华大学 一种基于分布鲁棒优化的配电网经济调度方法
CN109193684B (zh) * 2018-08-14 2021-09-07 河海大学 一种基于两阶段优化的电力系统实时无功优化方法
CN109274117A (zh) * 2018-09-21 2019-01-25 华中科技大学 一种数据驱动的日前鲁棒机组组合方法
CN109785183A (zh) * 2018-12-26 2019-05-21 国网山西省电力公司电力科学研究院 一种考虑风电与负荷预测不确定性的鲁棒调度方法
CN110061528B (zh) * 2019-04-11 2021-03-26 华中科技大学 一种气电联合系统日前鲁棒调度方法
CN110175740B (zh) * 2019-04-15 2021-08-03 大唐环境产业集团股份有限公司 一种基于Kriging代理模型的场景分析实现方法
CN109995056A (zh) * 2019-05-15 2019-07-09 长沙理工大学 一种多机调频比例决策方法
CN111711184B (zh) * 2020-05-25 2022-02-11 国网青海省电力公司 一种基于最坏场景辨识的电力系统鲁棒经济调度方法
CN111786384B (zh) * 2020-07-10 2022-03-04 中国船舶工业集团公司第七0八研究所 一种受到外界干扰后的弹性导向配电网鲁棒优化运行方法
CN112615386B (zh) * 2020-11-23 2023-04-07 国网浙江省电力有限公司台州供电公司 一种面向风电消纳的电热混合储能系统优化定容方法
CN112531687A (zh) * 2020-11-24 2021-03-19 国家电网有限公司 含热电联合机组的综合能源系统周前机组组合优化方法
CN113659634B (zh) * 2021-08-13 2023-08-25 华中科技大学 一种计及局部相关性的电力系统鲁棒调度方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684224A (zh) * 2012-05-25 2012-09-19 浙江大学 一种求解考虑风电波动性的机组组合方法
CN105846456A (zh) * 2016-05-13 2016-08-10 清华大学 一种交直流互联电网风、火协调动态经济调度优化方法
CN106159974A (zh) * 2016-08-02 2016-11-23 清华大学 一种输配协调的分布式无功电压优化方法
CN106655246A (zh) * 2016-10-18 2017-05-10 国网黑龙江省电力有限公司哈尔滨供电公司 基于风电预测与需求响应的鲁棒双层优化模型的求解方法
CN106815661A (zh) * 2017-02-22 2017-06-09 清华大学 一种热电联合系统的分解协调调度方法
CN106992538A (zh) * 2017-04-17 2017-07-28 国网浙江省电力公司电力科学研究院 一种基于Benders分解的独立型交流微电网优化配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684224A (zh) * 2012-05-25 2012-09-19 浙江大学 一种求解考虑风电波动性的机组组合方法
CN105846456A (zh) * 2016-05-13 2016-08-10 清华大学 一种交直流互联电网风、火协调动态经济调度优化方法
CN106159974A (zh) * 2016-08-02 2016-11-23 清华大学 一种输配协调的分布式无功电压优化方法
CN106655246A (zh) * 2016-10-18 2017-05-10 国网黑龙江省电力有限公司哈尔滨供电公司 基于风电预测与需求响应的鲁棒双层优化模型的求解方法
CN106815661A (zh) * 2017-02-22 2017-06-09 清华大学 一种热电联合系统的分解协调调度方法
CN106992538A (zh) * 2017-04-17 2017-07-28 国网浙江省电力公司电力科学研究院 一种基于Benders分解的独立型交流微电网优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
计及安全约束的机组最优组合鲁棒优化方法;钱峰等;《电力建设》;20170430;第18-25页 *

Also Published As

Publication number Publication date
CN107977744A (zh) 2018-05-01

Similar Documents

Publication Publication Date Title
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
CN107947164B (zh) 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
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN112467807B (zh) 一种多能源电力系统日前优化调度方法及系统
CN107239863B (zh) 一种电网安全约束的鲁棒机组组合方法
Fu et al. Multiobjective stochastic economic dispatch with variable wind generation using scenario-based decomposition and asynchronous block iteration
Yang et al. An improved robust SCUC approach considering multiple uncertainty and correlation
Liu et al. Computational study of security constrained economic dispatch with multi-stage rescheduling
CN110912205A (zh) 基于场景集的含风电电力系统运行备用动态调度优化方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
Huang et al. Joint generation and reserve scheduling of wind‐solar‐pumped storage power systems under multiple uncertainties
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
CN115438964A (zh) 一种输电网随机规划方法、设备及存储介质
Yang Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm
CN109861293B (zh) 光伏不确定性对电力系统小信号稳定性影响的评估方法
CN113608434B (zh) 一种综合能源系统异质能流联动优化平台
CN112085399A (zh) 能源系统可靠性确定方法、装置和设备
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
Liu et al. Two-stage robust optimal dispatch method considering wind power and load correlation
Su et al. A novel data-driven robust method applied to OPF with uncertain wind power
Chen et al. Distributed hierarchical deep reinforcement learning for large-scale grid emergency control
CN114997549B (zh) 黑盒模型的解释方法、装置及设备
Zhang et al. Reliability Assessment of Power Generation System Using an Optimized State Enumeration Method
CN116029464B (zh) 一种电网精确箱型经济运行域的加速求解方法
CN117540882B (zh) 基于随机场景生成的电力系统日前多阶段优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180501

Assignee: Hubei Yunzhihang Drone Technology Co.,Ltd.

Assignor: CHINA THREE GORGES University

Contract record no.: X2023980044730

Denomination of invention: A Robust Day-Ahead Scheduling Method for Power Systems Based on Traditional Benders Decomposition Method

Granted publication date: 20210713

License type: Common License

Record date: 20231027