CN108808734A - 一种含虚拟电厂的风电并网系统分布式优化调度建模方法 - Google Patents
一种含虚拟电厂的风电并网系统分布式优化调度建模方法 Download PDFInfo
- Publication number
- CN108808734A CN108808734A CN201810747341.3A CN201810747341A CN108808734A CN 108808734 A CN108808734 A CN 108808734A CN 201810747341 A CN201810747341 A CN 201810747341A CN 108808734 A CN108808734 A CN 108808734A
- Authority
- CN
- China
- Prior art keywords
- wind
- load
- cost
- electricity integration
- integration system
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000010354 integration Effects 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000012887 quadratic function Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 32
- 230000005611 electricity Effects 0.000 description 29
- 230000005540 biological transmission Effects 0.000 description 14
- 238000000638 solvent extraction Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005192 partition Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 230000029087 digestion Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000009987 spinning Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000011160 research 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
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含虚拟电厂的风电并网系统分布式优化调度建模方法,包括:获取含激励型需求响应虚拟电厂的响应成本的负荷变化量的二次函数;将上述二次函数、风电成本加入到火电机组经济调度目标函数中,风电出力和负荷变化量加入到节点功率平衡方程中,引入风电出力约束和负荷变化量约束;建立含激励型需求响应虚拟电厂的风电并网系统集中式经济调度模型,以风电并网系统总成本最小为目标;以上述模型为基础,利用ADMM的一般一致性优化方法,对单区域系统分区,建立含激励型需求响应的风电并网系统分布式日前经济调度模型,对模型进行求解;改善了电力系统单一依靠发电侧调度的模式降低了电网调度的压力;有利于大规模风电消纳,降低运行成本。
Description
技术领域
本发明涉及电力系统分布式优化调度领域,尤其涉及一种含虚拟电厂的风电并网系统分布式优化调度建模方法。
背景技术
风电作为一种清洁的可再生能源,与常规机组共同参与系统调度,对电力系统节能减排具有十分重要意义。但风电具有波动性和随机性,随着其并网容量的不断增加,仅依靠发电侧调度已难以实现大规模风电的高效消纳。为快速响应电源侧出力变化,提高用户参与调度的积极性,可通过在负荷侧引入需求响应(demand response,DR)机制,直接或间接的控制或转移需求侧负荷,从而达到减少或者转移电力需求的效果。由于需求侧负荷数量众多,系统调度中心同时控制大量不同类型负荷难度较大,且负荷的不确定性导致需求响应的不确定性。为有效对负荷侧大量不确定性需求响应进行管理,需求响应虚拟电厂(virtual power plant,VPP)概念应运而生。
需求响应虚拟电厂(DR-VPP)通过对需求侧资源进行聚合,提供虚拟出力来调控电力平衡,DR-VPP可代替一部分传统发电资源,与风电机组一起参与系统优化调度,以促进风电等可再生能源的消纳。对于考虑DR-VPP的大规模风电并网系统,传统集中式优化调度在系统调度中心根据供需变化执行集中计算与控制,需要进行大量的信息交互,而受电网结构影响,信息交互的效率较低,因而影响了优化的效率;而DR-VPP灵活性较强,且分布于不同负荷区域,系统调度中心难以快速响应其变化;此外,DR-VPP内私有参数都需要传递给系统调度中心进行集中处理,这可能造成隐私安全问题和信息阻塞。
针对上述集中式优化调度的不足,采用分布式方法求解电力系统的优化调度问题已成为目前研究的热点。系统分区将电力系统分解为多个子区域(子系统),分布式优化调度方法通过子区域内独立优化和相邻子区域间协调优化以实现整个系统的优化调度。子区域内信息不需要向系统调度中心传递,保证了子区域优化的独立性和信息的私密性,减少了信息传输量,降低了信息阻塞的风险,提升了调度的快速性。
近年来,交替方向乘子法(alternating direction method of multipliers,ADMM)整合了乘子法的收敛性和对偶上升法的可分解性,具有收敛性好、鲁棒性强、且不要求优化模型严格凸和有限的特点,通过全局变量控制相邻区域少量的信息交互,已成为求解电力系统分布式优化问题的重要方法。
发明内容
本发明提供了一种含虚拟电厂的风电并网系统分布式优化调度建模方法,本发明针对考虑DR-VPP集中式优化调度的不足,提出一种考虑DR-VPP的风电并网系统分布式日前经济调度模型,并借助ADMM求解该分布式优化模型,详见下文描述:
一种含虚拟电厂的风电并网系统分布式优化调度建模方法,所述方法包括以下步骤:
获取含激励型需求响应虚拟电厂的响应成本的负荷变化量的二次函数;
将上述二次函数、风电成本加入到火电机组经济调度目标函数中,风电出力和负荷变化量加入到节点功率平衡方程中,引入风电出力约束和负荷变化量约束;
建立含激励型需求响应虚拟电厂的风电并网系统集中式经济调度模型,以风电并网系统总成本最小为目标;
以上述模型为基础,并利用ADMM的一般一致性优化方法,对单区域系统分区,建立含激励型需求响应的风电并网系统分布式日前经济调度模型,并对模型进行求解;
所述方法改善了电力系统单一依靠发电侧调度的模式降低了电网调度的压力;含激励型需求响应通过在负荷侧削峰填谷转移负荷,有利于大规模风电消纳,降低系统运行成本。
所述二次函数为:
式中,T为系统调度期间的时间段数;Rk,t、dk,t分别为t时段第k个IBDR-VPP的响应成本和负荷变化量;分别为第k个IBDR-VPP响应成本的二次项和一次项系数;为负荷变化量的上限约束。
所述风电并网系统集中式经济调度模型具体为:
式中,t=1,…T;fcost为系统总成本;NG、NW和NK为系统火电机组、风电场和IBDR-VPP数量;Pm,t、wi,t分别为火电机组m在t时段的有功出力、风电场i在t时段的出力;fg(Pm,t)、fw(wi,t)、fa(wi,t)和fk(dk,t)分别为火电机组m在t时段的发电成本、风电场i在t时段的发电成本、弃风成本和虚拟电厂k在t时段的发电成本。
所述ADMM的一般一致性优化方法的基本形式为:
xi∈Ri
式中,N为多区域系统区域数量;fi(xi)为第i个区域的目标函数,这些目标函数都是凸函数;区域内部的变量xi由局部变量和耦合变量构成,满足一定约束空间Ri,每个耦合变量都与一个全局变量zi满足等式关系
所述基于ADMM的含激励型需求响应的风电并网系统分布式日前经济调度模型具体为:
式中,λT为拉格朗日乘子的转置,ρ为迭代步长,Lρ(x,z,λ)为增广拉格朗日形式。
所述基于ADMM的含激励型需求响应的风电并网系统分布式日前经济调度模型具体求解方法为:
式中,k为迭代次数,kg为与全局变量相连的耦合变量的数量,G(i,j)=g表示全局变量与各区域的映射关系;设耦合变量为相邻子区域边界节点相角变量,则全局变量为与之相连的相邻子区域边界节点相角的平均值;
将更新后的全局变量发送回相邻子区域,并由下式更新拉格朗日乘子;
上式判断ADMM收敛,对偶残差s和原始残差r的2范数平方小于相对停止阈值ε1、ε2。
本发明提供的技术方案的有益效果是:
1、集中式优化调度和分布式优化调度对规模不同的系统适用性不同。对于规模较大、对系统调度的灵活性要求较高的系统采用分布式经济调度,通过子区域内少量信息的独立优化及区域之间有限边界节点信息交互,可有效提升系统优化效率;
2、本方法采用ADMM指导系统分区,分区后全局变量保证区域之间交互信息的一致性。不同的分区策略影响全局变量数量,全局变量数量越少,区域之间的信息传输量越低,算法计算效率越高;
3、对含激励型需求响应虚拟电厂(IBDR-VPP)的风电并网系统进行分布式优化调度时,IBDR-VPP在负荷侧通过在调度周期内灵活转移负荷有效促进了风电消纳,IBDR-VPP数量越多,风电利用率越高;
4、系统接入风电和IBDR-VPP后,促进了新能源的发展,改变了单一依靠发电侧参与调度的模式,有效降低了系统运行成本。
附图说明
图1是6节点系统分区示意图;
图2是6节点系统分区过程的示意图;
图3是6节点系统区域之间的信息交互示意图;
图4是ADMM求解分布式优化调度模型流程图;
图5是6节点测试系统图;
图6是负荷和风电出力预测图;
图7是考虑IBDR-VPP前后负荷和风电变化示意图;
图8是3种场景下的系统调度成本对比图;
图9是IBDR-VPP在不同区域的风电出力情况;
图10是两种分区方式下的收敛曲线图;
图11是集中式与分布式优化调度计算时间对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例建立了含IBDR-VPP的风电并网系统集中式经济调度模型。IBDR-VPP通过负荷聚合参与风电并网系统集中式经济调度,改善了电力系统单一依靠发电侧调度的模式从而降低了电网调度的压力。IBDR-VPP通过在负荷侧削峰填谷转移负荷,不仅有利于大规模风电消纳,而且降低了电力系统运行成本。模型搭建包括以下步骤:
101:构建需求响应虚拟电厂模型:
按照响应机制不同,需求响应可分为基于激励的需求响应(incentive-baseddemand response,IBDR)和基于价格的需求响应(price-sensitive demand response,PSDR),本发明实施例主要针对系统对负荷侧的激励政策,建立基于激励的确定性需求响应虚拟电厂模型(IBDR-VPP)。
所述电力公司IBDR-VPP的响应成本可以简化为负荷变化量的二次函数:
式中,T为系统调度期间的时间段数;Rk,t、dk,t分别为t时段第k个IBDR-VPP的响应成本和负荷变化量;分别为第k个IBDR-VPP响应成本的二次项和一次项系数。为负荷变化量的上限约束一般情况下为节点负荷的20%,保证了IBDR-VPP响应前后系统总负荷不变。
102:构建含IBDR-VPP的风电并网系统集中式经济调度模型,该步骤102包括:
1)将式(1)中IBDR-VPP成本、风电成本加入到火电机组经济调度目标函数中,风电出力和负荷变化量加入到节点功率平衡方程中,引入风电出力约束和负荷变化量约束,建立如下含IBDR-VPP的风电并网系统集中式经济调度模型。以系统总成本最小为目标:
式中,t=1,…T;fcost为系统总成本;NG、NW和NK为系统火电机组、风电场和IBDR-VPP数量;Pm,t、wi,t分别为火电机组m在t时段的有功出力、风电场i在t时段的出力;fg(Pm,t)、fw(wi,t)、fa(wi,t)和fk(dk,t)分别为火电机组m在t时段的发电成本、风电场i在t时段的发电成本、弃风成本和虚拟电厂k在t时段的发电成本。多目标函数具体表达式为:
式中,为风电场i在t时段的出力上限;为第m台火电机组的成本系数;ci、αi分别为第i台风电场的成本系数和弃风惩罚因子。
2)约束条件为:
Pt+wt-(Dt-dt)=B·θt (4)
式(4)-(6)分别为节点功率平衡约束、线路传输功率限制和发电机出力约束。式中,Pt、wt、Dt、dt分别为t时段的系统火电机组出力、风电场出力、总负荷值和负荷变化量构成的向量;B为系统的节点导纳阵;θt为t时段系统节点相角矩阵;θb,t、θj,t分别为t时段b、j节点相角;Xbj为b、j节点之间线路的电抗值;为b、j节点之间线路最大传输功率;为第m台火电机组有功出力的上下限。
式(7)、(8)分别为火电机组爬坡约束和风电出力约束、负荷变化量约束约束。式中 分别为第m台火电机组有功出力爬坡最大上升速率和最大下降速率。
式(9)、(10)分别为旋转备用约束和平衡节点约束。式中,RES为旋转备用负荷预测误差值;为应对风电预测误差的旋转备用需求量;θref,t为t时段的平衡节点相角。
实施例2
上述含IBDR-VPP的风电并网系统集中式经济调度模型在系统调度中心进行集中计算时,大量信息传输会降低系统计算效率和调度灵活性。因此,本发明实施例借助ADMM求解分布式优化调度问题的灵活性、独立性和高效性,建立基于ADMM的含IBDR-VPP的风电并网系统分布式日前经济调度模型。下面结合具体的计算公式、附图对实施例1中的方案进行进一步地介绍:
201:交替方向乘子法;
ADMM思想是将原始变量分解成不同变量x和z,目标函数也由两部分组成,保证优化过程的可分解性。算法的基本形式如下:
式中,f(x)为凸优化的目标函数,A、B、C为系数矩阵,变量x和z满足的约束条件Ax+Bz=C构成了ADMM目标函数中变量的可行域,g(z)为指示函数,变量z满足可行域时g(z)=0,不满足可行域时g(z)=+∞。
基于上述ADMM的一般一致性优化方法(general form consensus optimization)适用于求解多区域系统分布式优化问题。该方法以式(11)中f(x)表示各区域内部独立优化,g(z)表示区域间的信息交互,通过有限的全局变量z仅控制相邻区域间边界节点信息一致,区域内变量x和全局变量z满足一定等式约束。ADMM的一般一致性优化方法的基本形式为:
式中,N为多区域系统区域数量;fi(xi)为第i个区域的目标函数,这些目标函数都是凸函数;变量zi满足可行域,因此g(zi)=0。
区域内部的变量由局部变量和耦合变量构成,耦合变量由相邻区域传输线两端的边界节点变量和相邻区域复制到本区域的复制边界节点变量构成,区域内其余变量称为局部变量。每个耦合变量都与一个全局变量zi满足等式关系区域内变量xi满足一定约束空间Ri。上述方法利用有限全局变量仅控制边界节点信息一致,有效保证了各区域信息的私密性和优化的独立性,简化了区域间信息交互过程,实现了整个系统的优化。
202:基于ADMM的分布式经济调度模型;
考虑到ADMM的一般一致性优化方法求解分布式优化问题的优势,并基于集中式经济调度模型,本发明构建了如下基于ADMM的一般一致性优化方法的分布式经济调度模型。
式中,λT为拉格朗日乘子的转置,ρ为迭代步长,Lρ(x,z,λ)为式(12)的增广拉格朗日形式,其中fi(xi)与集中式优化调度模型中的目标函数(2)一致。
式(14)-(16)为ADMM的变量交替迭代计算,k为迭代次数;式(14)为各区域内部独立优化,arg min表示的是使目标函数(13)达到最小值时变量xi的值,变量约束条件与集中式优化调度模型约束条件(4)-(10)对应;式(15)为全局变量的更新,kg为与全局变量相连的耦合变量的数量,G(i,j)=g表示全局变量与各区域的映射关系;通过式(16)更新拉格朗日乘子。
即式(14)-式(16)是式(13)所述增广拉格朗日形式的变量具体迭代求解方法,更新变量后由式(17)判断ADMM是否收敛,即为迭代停止的条件:
式(17)表示对偶残差s和原始残差r的2范数平方小于相对停止阈值ε1、ε2。对偶残差为每次迭代耦合变量和全局变量的差值,反映了不同区域对同一边界节点的优化结果,差值越小,区域之间的信息传输越准确。原始残差为相邻两次迭代的全局变量的差值,差值越小,说明了两次迭代变化幅度越小,越接近全局优化。
203:基于ADMM的系统分区和模型求解。
对于多区域系统,利用ADMM的一般一致性优化方法,通过有限全局变量控制边界节点信息一致有效降低了区域间信息交互量;对于单区域系统,采用ADMM的一般一致性优化方法指导系统分区,可简化分区过程。以图1中的6节点测试系统为例,详细分析系统分区方法和区域之间的信息交互。该步骤203包括:
1)6节点系统分区如图1所示,切割3、4节点之间的传输线将系统分为两个子区域,边界节点为3和4。节点3、4之间的传输线功率为相邻子区域边界节点相角差值除以电抗值F34=(θ3-θ4)/X34,保持传输线电抗值不变,利用ADMM中的全局变量保证边界节点相角复制前后的一致性,即可确保相邻子区域之间传输线分别复制到相邻子区域内,使区域之间传输线路约束解耦。分区过程见图2。
2)从图2中可看出,全局变量z1连接区域1的θ3以及复制到区域2的则z1=θ3且全局变量z2连接区域2中的θ4以及复制到区域1的则z2=θ4且全局变量保证了复制前后边界节点相角的一致性。
3)图3为子区域内独立优化和区域间进行的信息交互。以区域1为例,区域1内变量包括其中为耦合变量,其余变量为局部变量。如图3所示,更新后的全局变量为与之相连的耦合变量的平均值将更新后的全局变量发送回各子区域,参与子区域下一次优化。循环图3区域内优化和区域间的信息交互,直至变量满足ADMM收敛条件。对于单区域系统按上述方式指导系统分区;对于多区域系统,可直接按图3方式进行区域间的信息交互。ADMM求解分布式优化调度模型流程图如图4所示。
综上所述,本发明实施例采用ADMM的一般一致性方法指导单区域系统分区并对多区域系统的分布式优化调度问题进行求解,有效实现了区域内部优化求解和相邻多区域之间的信息交互。
实施例3
下面结合具体的实例、图5-11、以及表1-6对实施例1和2中的方案进行可行性验证,详见下文描述:
301:6节点测试系统
表1发电机数据
表2线路数据
本实例以6节点测试系统为例进行分析、验证,以图5中的6节点测试系统为例进行分析,该系统包括了2个发电机节点和3个负荷节点,具体系统参数如表1、2。
图6为24小时内的系统预测总负荷和预测风电出力情况。将预测的每小时总负荷平均分配到负荷节点L1、L2、L3上,得出各节点每个时段的负荷值。建立6节点测试系统的考虑风电和IBDR-VPP的分布式日前经济调度模型,在节点5加入一个如图6所示的风电场,设风电成本系数为8$/MW,弃风惩罚因子为100$/MW,在每个负荷节点都加入IBDR-VPP,设第k个IBDR-VPP的该步骤301包括:
1)6节点测试系统分区
表3为6节点测试系统的两种分区方法。图5中展示了具体分区方式。第1种分区方式是在传输线1、2处将系统分割成两个子系统,边界节点为1、2、3节点,形成3个全局变量。第2种分区方式是在传输线2、3处将系统分割成两个子系统,边界节点为1、2、3、4节点,形成4个全局变量。
表3 6节点测试系统两种分区方法
2)考虑IBDR-VPP后系统风电、负荷、成本的变化
在分区方式1下,分别对如下三种场景:
场景1:不考虑风电和IBDR-VPP的分布式经济调度;
场景2:考虑风电的分布式日前经济调度;
场景3:考虑风电和IBDR-VPP的分布式日前经济调度3种场景下的模型进行计算。
图7分析了场景2和3下考虑IBDR-VPP前后负荷和风电的变化情况。由图7中可看出,在1-6、13、21、23-24时段内,负荷变化量为负值,系统总负荷增加,风电出力增加;其他时段,负荷变化量为正值,系统总负荷减少,风电出力达到了本时段预测出力值。由于系统总负荷变化量在24小时内总和为零,为了平衡使风电出力增多而增加的负荷,满足用户的舒适度,需要削减负荷,因此负荷变化量在某些时段为正值。由上述现象可知,IBDR-VPP在系统低风电消纳时段增加负荷其他时段削减负荷,使系统总负荷不变,通过转移负荷,有效地提升了风电利用率。
图8进一步对比场景1、2和3下的系统调度成本。从图8可看出,场景1、2和3下的系统调度成本依次下降。由于3种场景下系统总负荷不变,场景2下风力发电量代替了近50%火电机组出力且风电出力成本系数小于火电机组成本系数,因此场景2成本小于场景1。场景3在场景2的基础上考虑IBDR-VPP后,IBDR-VPP响应量为负值时增加系统总负荷用于提升风电出力,响应量为正值时降低系统总负荷减少火电机组出力,从而降低了系统调度成本。但由于IBDR-VPP响应时,需要给用户一部分经济赔偿,这部分赔偿是IBDR-VPP总响应成本,而增加的IBDR-VPP总响应成本小于降低的火电机组出力成本与弃风成本总和。因此,场景3成本最低,考虑IBDR-VPP后,降低了系统运行成本。
3)IBDR-VPP在不同区域的风电出力情况
在分区方式1下,以上考虑IBDR-VPP的风电并网系统分布式日前经济调度模型在两个区的负荷节点都建立了虚拟电厂。下面的研究中,进一步对风电场和虚拟电厂建立在同一区和建立在不同区这两种情况进行计算,比较系统经济调度成本和风电利用率的变化,计算结果见表4。
表4 IBDR-VPP接入不同负荷节点的调度成本对比
表2中IBDR-VPP接入到与风电同区的3节点和接入到与风电不同区的6节点两种场景下的风电利用率基本相同。IBDR-VPP接入到整个系统的数量越多,风电利用率越高,系统调度总成本越低。由于系统分区后区域间信息交互准确高效,在此系统参数下,风电出力与IBDR-VPP所在区域相关性较小。IBDR-VPP接入系统数量越多,弃风时间段内系统总负荷增加越多,风电出力越多,从而系统弃风成本越低,因此系统经济调度总成本越低。
图9为IBDR-VPP接入在不同区域时风电在24小时内的出力情况。由图9可看出,上述3种情况下接入系统的IBDR-VPP个数越多,在1-5、23-24时段内风电出力越多。由于IBDR-VPP接入负荷节点数量越多,弃风时段负荷变化量越大,系统总负荷越大,因此风电出力越多。
4)对比6节点测试系统两种分区方式下计算效率
不同的分区方式决定了ADMM信息交互数量的不同,进而影响了ADMM的收敛速度。以6节点测试系统不同的分区方式为例进行计算分析。对表1中两种分区方式下不考虑IBDR-VPP的风电并网系统分布式经济调度模型进行计算,计算结果如图10所示。
图10为两种分区方式下原始残差和对偶残差收敛曲线图。从图10可以看出,分区方式1下的原始残差和对偶残差收敛次数小于分区方式2,且由计算结果可得第1、2种分区方式下的求解时间分别为173、610秒。第1、2种分区方式都将系统分成了两个区域,分别产生2、4个全局变量,由于全局变量数量越多,系统之间的信息交互量越大。因此,ADMM在分区方式2下的计算效率更低。
302:IEEE-118节点测试系统
本节以IEEE-118节点测试系统为例进一步分析本文所提模型在大规模系统中应用的实用性。设IEEE-118节点测试系统不考虑风电和IBDR-VPP的经济调度模型总负荷为6节点预测负荷的15.7倍。在34、65、77、91、117节点分别加入2.9倍的表1中预测风电值。该步骤302包括:
1)IEEE-118节点测试系统3种分区方式对比
表5为IEEE-118节点测试系统3种分区方式下不考虑风电和IBDR-VPP的分布式日前经济调度模型计算结果。从表3可以看出分区方式1和2将系统分成了3个子区域,分区方式3将系统分成了4个子区域,每个时段分别产生15、23、21个全局变量,全局变量越多,算法计算时间越长。3种分区方式子区域的数量不同,全局变量越多,传输的信息量越大。因此,系统子区域的数量不是影响算法计算时间主要因素,而是系统分区形成的全局变量的数量决定了算法计算时间。为了提高算法计算效率,可用全局变量的数量这一指标来指导分区。
表5 IEEE-118节点测试系统3种分区方法
2)IEEE-118节点测试系统考虑IBDR-VPP后风电和调度成本变化情况
在分区方式1下,分别对IEEE-118节点测试系统的场景1:不考虑风电和IBDR-VPP的分布式日前经济调度模型,场景2:考虑风电的分布式日前经济调度模型,场景3:考虑IBDR-VPP的风电并网系统日前经济调度模型进行计算分析。风电成本和IBDR-VPP成本系数与6节点测试系统一致,计算结果见表6。
表6 IEEE-118节点测试系统3种场景对比
表6对比3种场景下风电利用率和计算效率。由表6可知,场景3比场景2风电利用率高,且场景3系统调度总成本最小。由于IBDR-VPP通过转移负荷有效促进了风电消纳,降低了系统弃风成本,因此考虑风电和IBDR-VPP后降低了系统运行成本。
303:集中式与分布式优化调度计算效率对比
以6节点、IEEE-14节点、IEEE-39节点、IEEE-118节点、和354节点测试系统为例进行计算,分析集中式经济调度方式与分布式经济调度方式的计算效率。6节点测试系统按方式1分区,IEEE-14节点测试系统分区形成两区5个全局变量,IEEE-39节点测试系统分区形成两区6个全局变量,IEEE-118节点测试系统按方式1分区,354节点测试系统是由3个IEEE-118节点测试系统构成,3个子区域之间由两条传输线连接形成4个全局变量。IEEE-14节点、IEEE-39节点、354节点测试系统的每个时段总负荷分别为6节点系统每个时段总负荷的0.86、14.29、47.14倍。分别对5个测试系统的集中式优化调度模型和分布式优化调度模型进行计算,每个模型计算10次,10次收敛时间的平均值作为最终计算时间。计算结果见图11。
图11为集中式与分布式优化调度计算时间对比图。从图11可以看出,两条线交叉节点系统在IEEE-14节点和IEEE-39节点测试系统之间。在交叉节点之前集中式优化调度时间小于分布式优化调度迭代一次的时间,在交叉节点以后,分布式优化调度迭代一次的时间更短,而且从趋势可见,系统规模越大,两种调度方式计算效率相差越大。
规模较小的系统信息传输量小,分区后形成的子系统节点信息较少,子系统内部优化时间与原系统集中式优化时间相差不大,分区后子系统数量变多,导致子系统之间的信息传递变复杂因而计算时间增多。然而对于规模较大的系统,通过将系统分区,使得子区域内部优化的节点信息相比原系统大幅降低,子系统之间仅进行少量的信息交互,降低了信息传输量,在一定程度上节省了计算时间。因此,对于系统规模较大的系统,分布式优化调度计算效率更高。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述方法包括以下步骤:
获取含激励型需求响应虚拟电厂的响应成本的负荷变化量的二次函数;
将上述二次函数、风电成本加入到火电机组经济调度目标函数中,风电出力和负荷变化量加入到节点功率平衡方程中,引入风电出力约束和负荷变化量约束;
建立含激励型需求响应虚拟电厂的风电并网系统集中式经济调度模型,以风电并网系统总成本最小为目标;
以上述模型为基础,并利用ADMM的一般一致性优化方法,对单区域系统分区,建立含激励型需求响应的风电并网系统分布式日前经济调度模型,并对模型进行求解;
所述方法改善了电力系统单一依靠发电侧调度的模式降低了电网调度的压力;含激励型需求响应通过在负荷侧削峰填谷转移负荷,有利于大规模风电消纳,降低系统运行成本。
2.根据权利要求1所述的一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述二次函数为:
式中,T为系统调度期间的时间段数;Rk,t、dk,t分别为t时段第k个IBDR-VPP的响应成本和负荷变化量;分别为第k个IBDR-VPP响应成本的二次项和一次项系数;为负荷变化量的上限约束。
3.根据权利要求1所述的一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述风电并网系统集中式经济调度模型具体为:
式中,t=1,…T;fcost为系统总成本;NG、NW和NK为系统火电机组、风电场和IBDR-VPP数量;Pm,t、wi,t分别为火电机组m在t时段的有功出力、风电场i在t时段的出力;fg(Pm,t)、fw(wi,t)、fa(wi,t)和fk(dk,t)分别为火电机组m在t时段的发电成本、风电场i在t时段的发电成本、弃风成本和虚拟电厂k在t时段的发电成本。
4.根据权利要求1所述的一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述ADMM的一般一致性优化方法的基本形式为:
xi∈Ri
式中,N为多区域系统区域数量;fi(xi)为第i个区域的目标函数,这些目标函数都是凸函数;区域内部的变量xi由局部变量和耦合变量构成,满足一定约束空间Ri,每个耦合变量都与一个全局变量zi满足等式关系
5.根据权利要求1所述的一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述基于ADMM的含激励型需求响应的风电并网系统分布式日前经济调度模型具体为:
式中,λT为拉格朗日乘子的转置,ρ为迭代步长,Lρ(x,z,λ)为增广拉格朗日形式。
6.根据权利要求1所述的一种含虚拟电厂的风电并网系统分布式优化调度建模方法,其特征在于,所述基于ADMM的含激励型需求响应的风电并网系统分布式日前经济调度模型具体求解方法为:
式中,k为迭代次数,kg为与全局变量相连的耦合变量的数量,G(i,j)=g表示全局变量与各区域的映射关系;设耦合变量为相邻子区域边界节点相角变量,则全局变量为与之相连的相邻子区域边界节点相角的平均值;
将更新后的全局变量发送回相邻子区域,并由下式更新拉格朗日乘子;
上式判断ADMM收敛,对偶残差s和原始残差r的2范数平方小于相对停止阈值ε1、ε2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810747341.3A CN108808734A (zh) | 2018-07-09 | 2018-07-09 | 一种含虚拟电厂的风电并网系统分布式优化调度建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810747341.3A CN108808734A (zh) | 2018-07-09 | 2018-07-09 | 一种含虚拟电厂的风电并网系统分布式优化调度建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108808734A true CN108808734A (zh) | 2018-11-13 |
Family
ID=64076005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810747341.3A Pending CN108808734A (zh) | 2018-07-09 | 2018-07-09 | 一种含虚拟电厂的风电并网系统分布式优化调度建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108808734A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657984A (zh) * | 2018-12-20 | 2019-04-19 | 清华-伯克利深圳学院筹备办公室 | 能源系统的优化调度方法、装置、电子设备和存储介质 |
CN109767350A (zh) * | 2018-12-19 | 2019-05-17 | 国网江苏省电力有限公司 | 一种电网资源调度方法和装置 |
CN110137956A (zh) * | 2019-05-21 | 2019-08-16 | 云南电网有限责任公司 | 一种电力系统灵活性需求的评估方法及系统 |
CN110620402A (zh) * | 2019-10-21 | 2019-12-27 | 山东大学 | 基于分布式多场景的电-气混联系统规划运行联合优化方法及系统 |
CN111222664A (zh) * | 2018-11-26 | 2020-06-02 | 国网能源研究院有限公司 | 基于可再生能源与负荷响应的电力市场机制设计方法 |
CN112510708A (zh) * | 2020-12-15 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 连通片区数可变的放射性配电网重构方法及装置 |
WO2021135332A1 (zh) * | 2019-12-31 | 2021-07-08 | 东北大学 | 一种基于边缘计算的多智能体负荷调控方法 |
CN113793029A (zh) * | 2021-09-14 | 2021-12-14 | 国网上海市电力公司 | 一种虚拟电厂优化调度方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466999A (zh) * | 2014-12-06 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法 |
CN105631599A (zh) * | 2015-12-30 | 2016-06-01 | 国网甘肃省电力公司电力科学研究院 | 一种虚拟电厂多目标运行调度方法 |
CN106300336A (zh) * | 2016-07-22 | 2017-01-04 | 华北电力大学 | 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法 |
CN106972483A (zh) * | 2017-03-13 | 2017-07-21 | 东北电力大学 | 一种考虑需求侧响应的电力系统可用输电能力计算方法 |
CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
CN107591815A (zh) * | 2017-09-07 | 2018-01-16 | 华南理工大学 | 一种求解含离散控制电力系统无功优化的分解方法 |
CN107910881A (zh) * | 2017-12-06 | 2018-04-13 | 重庆大学 | 一种基于电网负载应急管理的admm控制方法 |
-
2018
- 2018-07-09 CN CN201810747341.3A patent/CN108808734A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466999A (zh) * | 2014-12-06 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法 |
CN105631599A (zh) * | 2015-12-30 | 2016-06-01 | 国网甘肃省电力公司电力科学研究院 | 一种虚拟电厂多目标运行调度方法 |
CN106300336A (zh) * | 2016-07-22 | 2017-01-04 | 华北电力大学 | 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法 |
CN106972483A (zh) * | 2017-03-13 | 2017-07-21 | 东北电力大学 | 一种考虑需求侧响应的电力系统可用输电能力计算方法 |
CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
CN107591815A (zh) * | 2017-09-07 | 2018-01-16 | 华南理工大学 | 一种求解含离散控制电力系统无功优化的分解方法 |
CN107910881A (zh) * | 2017-12-06 | 2018-04-13 | 重庆大学 | 一种基于电网负载应急管理的admm控制方法 |
Non-Patent Citations (3)
Title |
---|
GUO CHEN ET AL: "A fully distributed ADMM-based dispatch approach for virtual power plant problems", 《APPLIED MATHEMATICAL MODELLING》 * |
李佩杰等: "基于交替方向乘子法的动态经济调度分散式优化", 《中国电机工程学报》 * |
牛文娟等: "考虑不确定性的需求响应虚拟电厂建模", 《中国电机工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222664A (zh) * | 2018-11-26 | 2020-06-02 | 国网能源研究院有限公司 | 基于可再生能源与负荷响应的电力市场机制设计方法 |
CN111222664B (zh) * | 2018-11-26 | 2022-11-22 | 国网能源研究院有限公司 | 基于可再生能源与负荷响应的电力市场机制设计方法 |
CN109767350A (zh) * | 2018-12-19 | 2019-05-17 | 国网江苏省电力有限公司 | 一种电网资源调度方法和装置 |
CN109657984A (zh) * | 2018-12-20 | 2019-04-19 | 清华-伯克利深圳学院筹备办公室 | 能源系统的优化调度方法、装置、电子设备和存储介质 |
CN110137956A (zh) * | 2019-05-21 | 2019-08-16 | 云南电网有限责任公司 | 一种电力系统灵活性需求的评估方法及系统 |
CN110137956B (zh) * | 2019-05-21 | 2022-07-22 | 云南电网有限责任公司 | 一种电力系统灵活性需求的评估方法及系统 |
CN110620402A (zh) * | 2019-10-21 | 2019-12-27 | 山东大学 | 基于分布式多场景的电-气混联系统规划运行联合优化方法及系统 |
CN110620402B (zh) * | 2019-10-21 | 2021-03-02 | 山东大学 | 电-气混联系统分布式规划运行联合优化方法及系统 |
WO2021135332A1 (zh) * | 2019-12-31 | 2021-07-08 | 东北大学 | 一种基于边缘计算的多智能体负荷调控方法 |
CN112510708A (zh) * | 2020-12-15 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 连通片区数可变的放射性配电网重构方法及装置 |
CN112510708B (zh) * | 2020-12-15 | 2023-05-16 | 南方电网科学研究院有限责任公司 | 连通片区数可变的放射性配电网重构方法及装置 |
CN113793029A (zh) * | 2021-09-14 | 2021-12-14 | 国网上海市电力公司 | 一种虚拟电厂优化调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108808734A (zh) | 一种含虚拟电厂的风电并网系统分布式优化调度建模方法 | |
JP7261507B2 (ja) | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム | |
Zeng et al. | A potential game approach to distributed operational optimization for microgrid energy management with renewable energy and demand response | |
Yang et al. | Blockchain-based decentralized energy management platform for residential distributed energy resources in a virtual power plant | |
CN111881616B (zh) | 一种基于多主体博弈的综合能源系统的运行优化方法 | |
CN108599373B (zh) | 高比例可再生能源电力系统输配协调调度目标级联分析法 | |
Wu et al. | Distributed optimal coordination for distributed energy resources in power systems | |
Chang et al. | User-centric multiobjective approach to privacy preservation and energy cost minimization in smart home | |
Roy et al. | Optimal allocation of active and reactive power of dispatchable distributed generators in a droop controlled islanded microgrid considering renewable generation and load demand uncertainties | |
Zhou et al. | Distributed economic and environmental dispatch in two kinds of CCHP microgrid clusters | |
Chang et al. | A distributed robust optimization approach for the economic dispatch of flexible resources | |
Yang et al. | DISTRIBUTED OPTIMAL DISPATCH OF VIRTUAL POWER PLANT BASED ON ELM TRANSFORMATION. | |
CN110137955A (zh) | 一种计及CVaR的鲁棒机组组合调度的决策方法 | |
Zhou et al. | Multiagent Bayesian deep reinforcement learning for microgrid energy management under communication failures | |
Zhang et al. | Bi-level distributed day-ahead schedule for islanded multi-microgrids in a carbon trading market | |
CN112202206A (zh) | 一种基于势博弈的多能源微网分布式调度方法 | |
Wang et al. | Coordinated load shedding control scheme for recovering frequency in islanded microgrids | |
CN115130745A (zh) | 变频空调负荷参与输配电网备用分布式协调优化配置方法 | |
Aziz et al. | A decentralized game theoretic approach for virtual storage system aggregation in a residential community | |
CN110247392A (zh) | 计及风电备用能力与需求侧响应的多备用资源鲁棒优化方法 | |
Abedini et al. | Adaptive energy consumption scheduling of multi-microgrid using whale optimization algorithm | |
CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
CN116054241B (zh) | 一种新能源微电网群系统鲁棒能量管理方法 | |
Zhang et al. | Decentralized robust unit commitment for AC/DC interconnected power systems considering wind power uncertainty | |
CN115425697A (zh) | 基于交替方向乘子法的分布式跨区跨省调度方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181113 |
|
WD01 | Invention patent application deemed withdrawn after publication |