CN108416529B - 计及需求响应的风电并网系统节点短期可靠性评估方法 - Google Patents
计及需求响应的风电并网系统节点短期可靠性评估方法 Download PDFInfo
- Publication number
- CN108416529B CN108416529B CN201810222251.2A CN201810222251A CN108416529B CN 108416529 B CN108416529 B CN 108416529B CN 201810222251 A CN201810222251 A CN 201810222251A CN 108416529 B CN108416529 B CN 108416529B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- combination
- power grid
- demand response
- 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
- 230000004044 response Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 54
- 101001126816 Mus musculus PH-interacting protein Proteins 0.000 claims description 40
- 102100030275 PH-interacting protein Human genes 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000002747 voluntary effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010521 absorption reaction Methods 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 abstract description 3
- 230000008092 positive effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 9
- 101100326684 Caenorhabditis elegans tra-3 gene Proteins 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统可靠性分析方法，具体为计及需求响应的风电并网系统节点短期可靠性评估方法，解决现有的评估方法未分析短期可靠性影响，难以发挥DR项目可靠性的积极作用，未采用全部DR项目，未提出控制策略，缺少合理规划，无法描述实施所有DR项目对电网可靠性水平影响的问题，步骤：一、用户需求响应负荷建模；二、建立基于层次分析法的DR项目组合优先级层次结构模型；三、计及需求响应的风电并网系统短期可靠性评估。优点：为运行与调度提供最佳DR项目组合参考；证实实施DR项目有效性，减少停电事故，提高可靠性水平，降低成本，缓解风电波动的影响，提高消纳能力；提供决策指导；弥补传统评估方法的缺陷。
Description
技术领域
本发明涉及电力系统可靠性分析方法，具体为计及需求响应的风电并网系统节点短期可靠性评估方法。
背景技术
需求响应(demand response，DR)定义为：当电力价格上升或系统可靠性受到威胁时，用户改变其固定消费模式而响应的电力需求。风电出力具有间歇性和难预测性，风电出力波动增大了电网峰谷差，给系统可靠性水平带来了巨大冲击。在风电并网系统中引入DR，一方面可引导用户减少或转移用电负荷，改善负荷耗量曲线，提高系统可靠性；另一方面可缓解电网容量需求，延期储能设备的投入及电厂建设，提高系统运行的经济性。
目前，国内外学者针对需求响应对风电并网系统可靠性水平影响的研究已取得一定成果，研究主要集中在：基于电价的需求响应对风电并网系统可靠性的影响、基于激励的需求响应对风电并网系统可靠性的影响。在基于电价的需求响应对风电并网系统可靠性影响的研究主要有以下几个方面：1、以电网安全稳定运行及市场机制为约束，建立基于分时电价的需求响应模型，研究计及分时电价的负荷优化调度模型对配电网可靠性的影响；2、采用消费者心理学理论分析用电侧对峰谷分时电价的响应行为；3、DR能快速响应风电机组出力引起的不平衡功率，改善风电消纳能力，将DR应用到风电接入系统优化调度模型中，基于实时电价，建立了随机机组组合及经济调度模型；4、建立了计及电价及温度的尖峰电价模型，通过确定尖峰时刻、尖峰日等，权衡电网及用户利益，优化了尖峰费率；5、从风电场、电力公司、用户利益的角度出发对尖峰电价综合决策，分析尖峰电价对系统峰负荷及风电消纳能力的影响。上述1-5的研究主要从整体的角度分析DR项目对系统长期可靠性的影响，未从节点的角度分析DR项目对短期可靠性的影响，难以充分发挥DR项目对风电并网系统可靠性的积极作用。
在基于激励的需求响应对风电并网系统可靠性影响的研究主要集中在以下几个方面：a、通过改变热力学可控负荷温度，提出了改善风电消纳能力的直接负荷控制动态模型；b、考虑负荷耗量波动、常规发电机、输电线路、可中断负荷违约等不确定性因素，研究计及不确定性因素的可中断负荷优化模型；c、提出可靠性效益概念，引入可中断电价，分析DR参与系统削峰填谷的调度策略及成本效益；d、从需求侧竞价的角度，基于分段竞价的负荷组合优化模型，合理分配电网和用户合作的购电费用。在基于电价和激励的需求响应对风电并网系统可靠性的影响研究方面，将分时电价和可中断负荷两种DR项目引入到提高风电消纳的日前调度模型中，研究DR对大规模风电接入系统调峰能力的影响。上述研究多针对单个或部分特定DR项目进行研究，未采用全部DR项目，也未提出使用DR项目组合的控制策略，缺少对所有DR项目的合理规划，同时缺少实施所有DR项目对风电并网系统可靠性水平的整体思考和系统性研究，没有明确地描述实施所有DR项目对电网可靠性水平的影响。
因此，设计一种从节点的角度出发，以提高风电并网系统可靠性与经济性为目标，综合考虑所有DR项目对系统短期可靠性的影响，并对需求响应项目组合的优先级进行排序的风电并网系统节点可靠性评估方法是十分必要的。
发明内容
本发明解决目前现有的风电并网系统可靠性评估方法未从节点的角度分析DR项目对短期可靠性的影响，难以充分发挥DR项目对风电并网系统可靠性的积极作用，同时，未采用全部DR项目，也未提出使用DR项目组合的控制策略，缺少对所有DR项目的合理规划，无法明确地描述实施所有DR项目对电网可靠性水平影响的问题，提供一种计及需求响应的风电并网系统节点短期可靠性评估方法。
本发明是通过以下操作步骤实现的：计及需求响应的风电并网系统节点短期可靠性评估方法，包括以下操作步骤：
一、用户需求响应负荷建模：用户需求响应负荷模型是指用户综合考虑当前时刻点及其他时刻点的电价，改变原计划用电量，达到减少电量消耗或将高电价时段用电量推移至低电价时段的电力响应目标，根据定义，本评估方法将DR项目分为2类：基于市场价格的DR项目和基于故障的DR项目；第一类DR项目称为正常DR项目(normal DRprograms，NDRP)，在在NDRP中，用户基于电价和激励机制管理电量需求；在第二类DR项目中，当故障严重影响可靠性水平时，签订DR合同的用户在预定时间内减少其电能消耗的响应称为紧急需求响应(emergency DR programs，EDRP)；
引入需求价格弹性系数ei,j描述i时刻电量改变率与j时刻电价改变率的关系，表征用户负荷耗量对电量价格的响应：
其中：xi、Xi分别为i时刻点用户电量需求的实际值、期望值；p1、p2分别为电价的期望值、实际值；i、j分别表示不同时刻点；当i＝j，则ei,i表示i时刻点的用户电量需求不能向其他时刻转移；当i≠j，则ei,j表示i时刻点的用户电量需求能向其他时刻点转移；
假设用户签订合同约定的负荷减少量为γ，当系统发生功率短缺时，减少单位负荷奖励价格为p3，若用户未按照合约要求减少负荷，单位负荷的惩罚价格为p4，则用户履行合约所得奖励INC(xi)和未履行合约所受惩罚PEN(xi)分别为：
如果在i时刻点用户电量需求为xi的条件下收益为F(xi)，那么，用户总收益H(xi)为：
H(xi)＝F(xi)+INC(xi)-pi2·xi-PEN(xi)，
为获得用户总收益的最大值，令
得：
F(xi)还可以表示为：
联立上述两式得：
综上，需求响应项目参与下用户负荷模型为：
需要指出：用户完全自愿参与NDRP，故在NDRP中无惩罚且γi＝0；在EDRP中，由于用户无法自行恢复到故障前负荷需求，故ei,j＝0，ei，i＜0，
远小于
设
为-0.01；
二、建立基于层次分析法(analytic hierarchy process，AHP)的DR项目组合优先级层次结构模型：基于AHP，构建DR项目组合优先级层次结构，本发明决策分析的主要目标是提高风电并网系统可靠性与经济性，从而选择最佳的DR项目组合，因此，针对目标层设置5个准则，分别是：电量不足期望(loss of energy expectation，LOEE)、期望停电成本(expected interruption cost，EIC)、系统总成本(total cost，TC)、实现简易度(implementation simplicity，IS)、信任度(trustworthiness，T)，其中LOEE、EIC、TC是定量分析准则，IS、T是定性分析准则；针对准则层，设置n个DR项目组合方案，每个组合由NDRP、EDRP、CLP组成，假设DR参与度占负荷水平的20％；
针对定量准则，各DR项目组合成对重要性的比较可依据算例可靠性评估结果直接获得，然而，定性准则需要量化分析；根据电网实际运行情况，针对IS准则，DR项目排序为：NDRP、EDRP、CLP，针对T准则，DR项目排序为：CLP、NDRP、EDRP，排列顺序对应权重分别为：3、2、1；根据权重分配各DR项目占DR项目组合的比例，分别为15％、10％、5％；那么，针对准则IS或T，一个DR项目组合的权重
为：
其中：
表示针对准则m，DR项目Y(NDRP、EDRP、CLP)的权重；
表示在DR项目组合n中Y的权重；
针对准则m，DR项目组合n1的相对权重
为：
其中：
表示针对准则m，DR项目组合n1、n2两两比较归一化比率；
表示针对准则m，DR项目组合n1、n2两两比较的比率；
则任意DR项目组合n1的绝对权重
为：
其中：IRWm表示针对目标，各准则的相对权重；对于目标层，各准则的排序依次为：LOEE、EIC、T、TC、IS，针对目标，各准则的相对权重详细计算过程同上；
三、计及需求响应的风电并网系统短期可靠性评估方法：
A、建立元件短期可靠性模型：元件(主要指发电机、输电线路)故障概率与时间t有关，则元件c时变故障概率
为：
计及需求响应的风电并网系统短期可靠性评估方法概述：基于序贯蒙特卡洛模拟法采用分段最优潮流法对大规模风电并网系统的短期可靠性水平进行评估，其中，在每小时划分的子区间上，需求响应参与优化调度模型如下式所示：
a)、目标函数
b)、约束条件
其中：Cg为发电成本；PC为负荷有功功率削减量；IEAR为单位电能停电成本；ng为发电机台数；nl为负荷节点数；PG为发电机有功出力；PD为节点负荷有功功率；V为节点电压幅值；G为节点导纳矩阵实部；B为节点导纳矩阵虚部；θ为节点电压相角；q为节点总数；QG为发电机无功出力；QD为节点负荷无功功率；QC为负荷无功功率削减量；
为线路传输容量；
由上述公式可知，基于交流潮流的需求响应优化调度为二次非线性规划问题，本发明采用原对偶内点法进行求解，从而对计及需求响应的风电并网系统节点可靠性进行评估。
在步骤一用户需求响应负荷建模时，电力系统调度人员为保障电网安全、稳定、可靠运行切除部分负荷称为切负荷项目(curtailable loads programs，CLP)，由于CLP是由系统调度人员直接操作，为强调用户侧的重要性，突出需求响应项目对系统可靠性水平的影响，本发明忽略CLP建模，主要针对NDRP、EDRP建立用户需求响应负荷模型。
步骤二层次分析法的机理简述：层次分析法能够分别从定性、定量的角度进行分析决策，通常包含以下4个基本步骤：a、构造层次结构：深刻分析待决策问题，将其分为目标层、准则层及方案层；b、构造各层判断矩阵A：针对上层元素，基于成对比较法标度本层各元素间的相对重要性，成对标度表如表1所示，进而求得各层判断矩阵；c、计算各层元素的相对权重：对各层判断矩阵先进行列向量的归一化，再求行和取平均，则可得对于上层某元素，本层各元素的相对权重；d、计算方案层各元素绝对权重：将方案层对于准则层的相对权重与准则层对于目标层的相对权重的对应乘积相加可得各方案对于目标层的绝对权重，按方案绝对权重大小进行优先级排序。
表1成对标度表
在步骤三中，传统电力系统可靠性评估时间t较长，元件故障概率通常取恒定值，
忽略下式中指数部分，但是，风电并网系统短期可靠性评估研究时段相对较短且远小于元件平均无故障工作时间，因此元件故障概率还与时间t有关。
本发明所述的计及需求响应的风电并网系统节点短期可靠性评估方法的有益效果是，可以有效地在用户需求响应负荷模型、需求响应项目组合优先级层次结构模型的基础上，基于序贯蒙特卡洛模拟法采用分段最优潮流法分别从整体、节点的角度评估需求响应项目组合对风电并网系统短期可靠性的影响并对DR项目优先级排序，得到系统整体、负荷节点对应的最佳DR组合，为系统运行与调度人员选择最佳DR项目组合提供参考；证实实施DR项目能有效降低峰值负荷耗量，减少风电并网系统负荷停电事故，明显提高风电并网系统可靠性水平，降低系统运行成本，缓解风电波动对电网可靠性的影响，提高风电消纳能力；通过比较整体、节点可靠性评估结果及DR组合优先级排序结果，表明风电并网系统节点可靠性评估方法评估结果更加准确，优于整体可靠性评估方法，为电网决策提供指导；本发明所述的评估方法有效地弥补了传统评估方法无法体现需求响应项目对电力系统节点可靠性影响的缺陷。
附图说明
图1为步骤二基于AHP构建DR项目组合优先级层次结构示意图；
图2为步骤三基于序贯蒙特卡洛模拟法采用分段最优潮流法对大规模风电并网系统的短期可靠性水平进行评估流程图；
图3为实施DR前后风电并网系统典型日负荷耗量曲线图；由图3可见，实施DR项目可有效减少大规模风电接入电网的峰值负荷耗量，降低负荷耗量峰、谷时段差；表明需求响应能明显提高系统可靠性水平，减少停电事故的发生，保障电网安全稳定运行；此外，TPC随DR组合的差异变化相对较大，这是因为DR组合中包含的需求响应类型不同，从而导致实施DR项目的成本相差较大。
具体实施方式
计及需求响应的风电并网系统节点短期可靠性评估方法，包括以下操作步骤：
一、用户需求响应负荷建模：用户需求响应负荷模型是指用户综合考虑当前时刻点及其他时刻点的电价，改变原计划用电量，达到减少电量消耗或将高电价时段用电量推移至低电价时段的电力响应目标，根据定义，本评估方法将DR项目分为2类：基于市场价格的DR项目和基于故障的DR项目；第一类DR项目称为正常DR项目(normal DRprograms，NDRP)，在在NDRP中，用户基于电价和激励机制管理电量需求；在第二类DR项目中，当故障严重影响可靠性水平时，签订DR合同的用户在预定时间内减少其电能消耗的响应称为紧急需求响应(emergency DR programs，EDRP)；
引入需求价格弹性系数ei,j描述i时刻电量改变率与j时刻电价改变率的关系，表征用户负荷耗量对电量价格的响应：
其中：xi、Xi分别为i时刻点用户电量需求的实际值、期望值；p1、p2分别为电价的期望值、实际值；i、j分别表示不同时刻点；当i＝j，则ei,i表示i时刻点的用户电量需求不能向其他时刻转移；当i≠j，则ei,j表示i时刻点的用户电量需求能向其他时刻点转移；
假设用户签订合同约定的负荷减少量为γ，当系统发生功率短缺时，减少单位负荷奖励价格为p3，若用户未按照合约要求减少负荷，单位负荷的惩罚价格为p4，则用户履行合约所得奖励INC(xi)和未履行合约所受惩罚PEN(xi)分别为：
如果在i时刻点用户电量需求为xi的条件下收益为F(xi)，那么，用户总收益H(xi)为：
为获得用户总收益的最大值，令
得：
F(xi)还可以表示为：
联立上述两式得：
综上，需求响应项目参与下用户负荷模型为：
需要指出：用户完全自愿参与NDRP，故在NDRP中无惩罚且γi＝0；在EDRP中，由于用户无法自行恢复到故障前负荷需求，故ei,j＝0，ei，i＜0，
远小于
设
为-0.01；
二、建立基于层次分析法(analytic hierarchy process，AHP)的DR项目组合优先级层次结构模型：基于AHP，构建DR项目组合优先级层次结构，本发明决策分析的主要目标是提高风电并网系统可靠性与经济性，从而选择最佳的DR项目组合，因此，针对目标层设置5个准则，分别是：电量不足期望(loss of energy expectation，LOEE)、期望停电成本(expected interruption cost，EIC)、系统总成本(total cost，TC)、实现简易度(implementation simplicity，IS)、信任度(trustworthiness，T)，其中LOEE、EIC、TC是定量分析准则，IS、T是定性分析准则；针对准则层，设置n个DR项目组合方案，每个组合由NDRP、EDRP、CLP组成，假设DR参与度占负荷水平的20％；
针对定量准则，各DR项目组合成对重要性的比较可依据算例可靠性评估结果直接获得，然而，定性准则需要量化分析；根据电网实际运行情况，针对IS准则，DR项目排序为：NDRP、EDRP、CLP，针对T准则，DR项目排序为：CLP、NDRP、EDRP，排列顺序对应权重分别为：3、2、1；根据权重分配各DR项目占DR项目组合的比例，分别为15％、10％、5％；那么，针对准则IS或T，一个DR项目组合的权重
为：
其中：
表示针对准则m，DR项目Y(NDRP、EDRP、CLP)的权重；
表示在DR项目组合n中Y的权重；
针对准则m，DR项目组合n1的相对权重
为：
其中：
表示针对准则m，DR项目组合n1、n2两两比较归一化比率；
表示针对准则m，DR项目组合n1、n2两两比较的比率；
则任意DR项目组合n1的绝对权重
为：
其中：IRWm表示针对目标，各准则的相对权重；对于目标层，各准则的排序依次为：LOEE、EIC、T、TC、IS，针对目标，各准则的相对权重详细计算过程同上；
三、计及需求响应的风电并网系统短期可靠性评估方法：
A、建立元件短期可靠性模型：元件(主要指发电机、输电线路)故障概率与时间t有关，则元件c时变故障概率
为：
其中：λ、μ分别为元件的故障率、修复率；
B、计及需求响应的风电并网系统短期可靠性评估方法概述：基于序贯蒙特卡洛模拟法采用分段最优潮流法对大规模风电并网系统的短期可靠性水平进行评估，其中，在每小时划分的子区间上，需求响应参与优化调度模型如下式所示：
a)、目标函数
b)、约束条件
其中：Cg为发电成本；PC为负荷有功功率削减量；IEAR为单位电能停电成本；ng为发电机台数；nl为负荷节点数；PG为发电机有功出力；PD为节点负荷有功功率；V为节点电压幅值；G为节点导纳矩阵实部；B为节点导纳矩阵虚部；θ为节点电压相角；q为节点总数；QG为发电机无功出力；QD为节点负荷无功功率；QC为负荷无功功率削减量；
为线路传输容量；
由上述公式可知，基于交流潮流的需求响应优化调度为二次非线性规划问题，本发明采用原对偶内点法进行求解，从而对计及需求响应的风电并网系统节点可靠性进行评估。
为证明本发明所提模型、方法的正确性和有效性，选用改进电力系统可靠性(IEEEReliability Test System，IEEE-RTS79)，利用matlab进行仿真分析，分别从整体、节点的角度评估风电并网系统可靠性并对DR项目组合优先级排序：
A、计及需求响应的风电并网系统整体可靠性评估及DR项目优先级排序：
为验证本发明模型的正确性及所提方法的有效性，先采用本发明所提方法评估未计及需求响应的风电并网系统短期可靠性，得到LOLP为0.000412，LOEE为18.3024(MWh/天)，EIC为77287($/天)，GPC为167.8928($/天)，TPC为77454($/天)，其中LOLP为电力不足概率，GPC为发电概率成本，TPC为系统运行总概率成本。
仿真中，在负荷节点16处接入3座风电场，每座风电场含108台风力发电机，每台装机容量为2MW，总装机容量648MW，将风力发电机的出力等分成20个状态，风电机组输出功率状态概率分布如表2所示。
表2风电机组输出功率状态概率分布
为了对DR项目组合的优先级进行排序，设p2为80$/MWh，选取24个DR项目组合，分别如下：
DR组合1：NDRP占比10％，p3＝2p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间5分钟；CLP占比5％，p3＝6p2，通知时间7分钟；
DR组合2：NDRP占比15％，p3＝2p2；CLP占比5％，p3＝6p2，通知时间7分钟；
DR组合3：NDRP占比15％，p3＝2p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间5分钟；
DR组合4：NDRP占比15％，p3＝2p2；EDRP占比5％，p3＝2p2，p4＝p2，通知时间5分钟；
DR组合5：NDRP占比15％，p3＝p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间5分钟；
DR组合6：NDRP占比10％，p3＝2p2；CLP占比10％，p3＝6p2，通知时间7分钟；
DR组合7：NDRP占比10％，p3＝p2；CLP占比10％，p3＝6p2，通知时间7分钟；
DR组合8：NDRP占比10％，p3＝2p2；EDRP占比10％，p3＝3p2，p4＝2p2，通知时间5分钟；
DR组合9：EDRP占比10％，p3＝3p2，p4＝2p2，通知时间5分钟；CLP占比10％，p3＝6p2，通知时间7分钟；
DR组合10：EDRP占比5％，p3＝3p2，p4＝2p2，通知时间5分钟；CLP占比15％，p3＝6p2，通知时间7分钟；
DR组合11：CLP占比20％，p3＝6p2，通知时间7分钟；
DR组合12：NDRP占比10％，p3＝2p2；
DR组合13：NDRP占比10％，p3＝p2；
DR组合14：NDRP占比10％，p3＝2p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间7分钟；CLP占比5％，p3＝10p2，通知时间5分钟；
DR组合15：NDRP占比15％，p3＝2p2；CLP占比5％，p3＝10p2，通知时间5分钟；
DR组合16：NDRP占比15％，p3＝2p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间7分钟；
DR组合17：NDRP占比15％，p3＝2p2；EDRP占比5％，p3＝2p2，p4＝p2，通知时间7分钟；
DR组合18：NDRP占比15％，p3＝p2；EDRP占比5％，p3＝3p2，p4＝2p2，通知时间7分钟；
DR组合19：NDRP占比10％，p3＝2p2；CLP占比10％，p3＝10p2，通知时间5分钟；
DR组合20：NDRP占比10％，p3＝p2；CLP占比10％，p3＝10p2，通知时间5分钟；
DR组合21：NDRP占比10％，p3＝2p2；EDRP占比10％，p3＝3p2，p4＝2p2，通知时间7分钟；
DR组合22：EDRP占比10％，p3＝3p2，p4＝2p2，通知时间7分钟；CLP占比10％，p3＝10p2，通知时间5分钟；
DR组合23：EDRP占比5％，p3＝3p2，p4＝2p2，通知时间7分钟；CLP占比15％，p3＝10p2，通知时间5分钟；
DR组合24：CLP占比20％，p3＝10p2，通知时间5分钟。
在24个DR组合下风电并网系统短期可靠性评估结果如表3所示，其中TPC不仅包含GPC、EIC，还包含实施各DR项目(NDRP、EDRP、CLP)的概率成本。分析、对比考虑DR前、后风电并网系统可靠性评估结果，可以看出：考虑DR后LOEE、GPC、EIC比未考虑DR时明显减小。实施DR前后风电并网系统典型日负荷耗量曲线如图3所示。由图3可见，实施DR项目可有效减少大规模风电接入电网的峰值负荷耗量，降低负荷耗量峰、谷时段差。表3和图3都表明需求响应能明显提高系统可靠性水平，减少停电事故的发生，保障电网安全稳定运行；此外，TPC随DR组合的差异变化相对较大，这是因为DR组合中包含的需求响应类型不同，从而导致实施DR项目的成本相差较大。
表3在不同DR组合下风电并网系统整体可靠性评估结果
根据表3，利用步骤二中公式
分别计算各DR组合相对权重与绝对权重，计算结果如表4所示。由表4将DR组合按照绝对权重递减顺序排列，DR项目组合优先级与绝对权重成正比，其中，DR组合8、21对应的绝对权重值最大，为0.0697，优先级最高，因此，为提高风电并网系统可靠性与经济性，从整体角度考虑，最佳DR项目组合为8、21。
表4DR组合相对权重与绝对权重
B、计及需求响应的风电并网系统节点可靠性评估及DR项目优先级排序：
IEEE-RTS79测试系统有17个负荷节点，电网运行条件及运行行为不同，各负荷节点负荷耗量特性也不同。本发明从节点的角度，评估计及需求响应的风电并网系统各节点短期可靠性，根据评估结果对各节点DR项目组合优先级排序，选择适合各节点的最佳DR组合。针对IS、T准则，24个DR组合相对权重仍采用表4数据，LOEE、EIC、TC指标根据节点运行情况重新计算，限于篇幅，风电并网系统节点短期可靠性评估结果不再列举，节点1、9、16、20在不同DR组合下的绝对权重如表5所示。
表5节点1、9、16、20在不同DR组合下的绝对权重由表5得，节点1、9、16、20对应的最佳DR组合分别为：5、21、12、15，对应的绝对权重分别为0.0854、0.0906、0.0755、0.1337从系统整体的角度选择最佳DR组合为8、21；可以看出：系统整体可靠性评估结果与节点可靠性评估结果相差较大，从系统整体的角度选择出的最佳DR组合并不完全适用于各负荷节点。
C、结果对比分析
为进一步比较整体、节点可靠性评估方法的不同，将系统最佳DR组合应用于各负荷节点，再次评估各节点短期可靠性水平，部分评估结果如表6。
表6系统整体及节点实施DR可靠性评估结果对比
由表6得，实施节点最佳DR组合后LOEE、EIC、TC明显减小，系统可靠性水平明显提高，运行成本明显下降，说明基于DR的风电并网系统节点可靠性评估方法优于整体可靠性评估方法。
Claims (1)
1.计及需求响应的风电并网系统节点短期可靠性评估方法，包括以下操作步骤：
一、用户需求响应负荷建模：用户需求响应负荷模型是指用户综合考虑当前时刻点及其他时刻点的电价，改变原计划用电量，达到减少电量消耗或将高电价时段用电量推移至低电价时段的电力响应目标，根据定义，本评估方法将DR项目分为2类：基于市场价格的DR项目和基于故障的DR项目；第一类DR项目称为正常DR项目，在NDRP中，用户基于电价和激励机制管理电量需求；在第二类DR项目中，当故障严重影响可靠性水平时，签订DR合同的用户在预定时间内减少其电能消耗的响应称为紧急需求响应；
引入需求价格弹性系数ei,j描述i时刻电量改变率与j时刻电价改变率的关系，表征用户负荷耗量对电量价格的响应：
其中：xi、Xi分别为i时刻点用户电量需求的实际值、期望值；p1、p2分别为电价的期望值、实际值；i、j分别表示不同时刻点；当i＝j，则ei,i表示i时刻点的用户电量需求不能向其他时刻转移；当i≠j，则ei,j表示i时刻点的用户电量需求能向其他时刻点转移；
假设用户签订合同约定的负荷减少量为γ，当系统发生功率短缺时，减少单位负荷奖励价格为p3，若用户未按照合约要求减少负荷，单位负荷的惩罚价格为p4，则用户履行合约所得奖励INC(xi)和未履行合约所受惩罚PEN(xi)分别为：
如果在i时刻点用户电量需求为xi的条件下收益为F(xi)，那么，用户总收益H(xi)为：
为获得用户总收益的最大值，令
得：
F(xi)还可以表示为：
联立
与
两式得：
综上，需求响应项目参与下用户负荷模型为：
需要指出：用户完全自愿参与NDRP，故在NDRP中无惩罚且γi＝0；在EDRP中，由于用户无法自行恢复到故障前负荷需求，故ei,j＝0，ei,i＜0，
远小于
设
为-0.01；
二、建立基于层次分析法的DR项目组合优先级层次结构模型：基于AHP，构建DR项目组合优先级层次结构，本发明决策分析的主要目标是提高风电并网系统可靠性与经济性，从而选择最佳的DR项目组合，因此，针对目标层设置5个准则，分别是：电量不足期望LOEE、期望停电成本EIC、系统总成本TC、实现简易度IS、信任度T，其中LOEE、EIC、TC是定量分析准则，IS、T是定性分析准则；针对准则层，设置n个DR项目组合方案，每个组合由NDRP、EDRP、CLP组成，假设DR参与度占负荷水平的20％；
针对定量准则，各DR项目组合成对重要性的比较可依据算例可靠性评估结果直接获得，然而，定性准则需要量化分析；根据电网实际运行情况，针对IS准则，DR项目排序为：NDRP、EDRP、CLP，针对T准则，DR项目排序为：CLP、NDRP、EDRP，排列顺序对应权重分别为：3、2、1；根据权重分配各DR项目占DR项目组合的比例，分别为15％、10％、5％；那么，针对准则IS或T，一个DR项目组合的权重
为：
其中：
表示针对准则m，DR项目Y的权重；
表示在DR项目组合n中Y的权重；
针对准则m，DR项目组合n1的相对权重
为：
其中：
表示针对准则m，DR项目组合n1、n2两两比较归一化比率；
表示针对准则m，DR项目组合n1、n2两两比较的比率；
则任意DR项目组合n1的绝对权重
为：
其中：IRWm表示针对目标，各准则的相对权重；对于目标层，各准则的排序依次为：LOEE、EIC、T、TC、IS，针对目标，各准则的相对权重详细计算过程同上；
三、计及需求响应的风电并网系统短期可靠性评估方法：
A、建立元件短期可靠性模型：元件故障概率与时间t有关，则元件c时变故障概率Pc Down(t)为：
其中：λ、μ分别为元件的故障率、修复率；
B、计及需求响应的风电并网系统短期可靠性评估方法概述：基于序贯蒙特卡洛模拟法采用分段最优潮流法对大规模风电并网系统的短期可靠性水平进行评估，其中，在每小时划分的子区间上，需求响应参与优化调度模型如下式所示：
a)、目标函数
b)、约束条件
其中：Cg为发电成本；PC为负荷有功功率削减量；IEAR为单位电能停电成本；ng为发电机台数；nl为负荷节点数；PG为发电机有功出力；PD为节点负荷有功功率；V为节点电压幅值；G为节点导纳矩阵实部；B为节点导纳矩阵虚部；θ为节点电压相角；q为节点总数；QG为发电机无功出力；QD为节点负荷无功功率；QC为负荷无功功率削减量；
为线路传输容量；
由步骤三的A、B步骤中的公式可知，基于交流潮流的需求响应优化调度为二次非线性规划问题，本发明采用原对偶内点法进行求解，从而对计及需求响应的风电并网系统节点可靠性进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810222251.2A CN108416529B (zh) | 2018-03-16 | 2018-03-16 | 计及需求响应的风电并网系统节点短期可靠性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810222251.2A CN108416529B (zh) | 2018-03-16 | 2018-03-16 | 计及需求响应的风电并网系统节点短期可靠性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108416529A CN108416529A (zh) | 2018-08-17 |
| CN108416529B true CN108416529B (zh) | 2021-07-27 |
Family
ID=63131994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810222251.2A Active CN108416529B (zh) | 2018-03-16 | 2018-03-16 | 计及需求响应的风电并网系统节点短期可靠性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416529B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111831963A (zh) * | 2020-07-14 | 2020-10-27 | 中国南方电网有限责任公司 | 电力市场背景下的综合能源服务商的可调控能力评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105405061A (zh) * | 2015-05-06 | 2016-03-16 | 国家电网公司 | 一种基于需求响应的配电网供电可靠性评估方法 |
| CN105592090A (zh) * | 2015-12-28 | 2016-05-18 | 上海交通大学 | 基于事件的需求响应动态安全服务方法 |
| CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
| CN106779477A (zh) * | 2017-01-11 | 2017-05-31 | 浙江大学 | 一种计及需求响应的多状态电力系统可靠性计算方法 |
| US10552109B2 (en) * | 2007-07-26 | 2020-02-04 | General Electric Technology Gmbh | Methods for assessing reliability of a utility company's power system |
-
2018
- 2018-03-16 CN CN201810222251.2A patent/CN108416529B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10552109B2 (en) * | 2007-07-26 | 2020-02-04 | General Electric Technology Gmbh | Methods for assessing reliability of a utility company's power system |
| CN105405061A (zh) * | 2015-05-06 | 2016-03-16 | 国家电网公司 | 一种基于需求响应的配电网供电可靠性评估方法 |
| CN105592090A (zh) * | 2015-12-28 | 2016-05-18 | 上海交通大学 | 基于事件的需求响应动态安全服务方法 |
| CN106712005A (zh) * | 2017-01-11 | 2017-05-24 | 东南大学 | 一种计及需求响应的电网安全优化调度方法 |
| CN106779477A (zh) * | 2017-01-11 | 2017-05-31 | 浙江大学 | 一种计及需求响应的多状态电力系统可靠性计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416529A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Uncertainties of virtual power plant: Problems and countermeasures | |
| Hasankhani et al. | Stochastic energy management of smart microgrid with intermittent renewable energy resources in electricity market | |
| Papavasiliou et al. | Reserve requirements for wind power integration: A scenario-based stochastic programming framework | |
| Zhang et al. | A hierarchical EMS for aggregated BESSs in energy and performance-based regulation markets | |
| Sheikhahmadi et al. | A risk-based approach for modeling the strategic behavior of a distribution company in wholesale energy market | |
| Papavasiliou et al. | A stochastic unit commitment model for integrating renewable supply and demand response | |
| Daneshvar et al. | Optimal day-ahead scheduling of the renewable based energy hubs considering demand side energy management | |
| Gao et al. | The influence of demand response on wind-integrated power system considering participation of the demand side | |
| CN103997062A (zh) | 一种微网能量管理控制方法 | |
| Daneshvar et al. | A transactive energy management framework for regional network of microgrids | |
| Hayati et al. | A two-stage stochastic optimization scheduling approach for integrating renewable energy sources and deferrable demand in the spinning reserve market | |
| Dalimi-Asl et al. | Optimal stochastic-probability management of resources and energy storage in energy hub considering demand response programs and uncertainties | |
| Dhivya | Demand side management studies on distributed energy resources: A survey | |
| Byers et al. | Modeling flow-based market coupling: Base case, redispatch, and unit commitment matter | |
| CN108416529B (zh) | 计及需求响应的风电并网系统节点短期可靠性评估方法 | |
| Rietz et al. | A review of the application of analytic hierarchy process to the planning and operation of electric power microgrids | |
| Chen et al. | Optimal energy management of microgrid systems in Taiwan | |
| Chane et al. | Short Term Load Forecasting of Distribution Feeder Using Artificial Neural Network Technique | |
| Zahraoui et al. | Stochastic Energy Management for Battery Storage System-Based Microgrid Considering Different Forecasting Models | |
| Zhang et al. | Stochastic planning considering the uncertainties of renewable energy seasonal correlation and Sub-DR for smart distribution network | |
| Liu et al. | A Rule-Based Bionic Energy Management System for Grid-Connected Community Microgrid Using Peer-to-Peer Trading With Rapid Settlement | |
| Majzoobi et al. | Microgrid value of ramping | |
| Peng et al. | Projection Method of Energy Storage System in Power Spot Market for Renewable Accommodation | |
| Yang | Development of intelligent energy management system using natural computing | |
| Lu et al. | Assessing the Impact of Demand Response on Renewable Energy Exploitation in Smart Grids with Multi-dimensional Uncertainties |
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 |