CN108875190B - 一种智能电网分布式调度方法 - Google Patents

Abstract

本发明提供一种智能电网分布式调度方法，包括以下步骤：建立经济调度的智能电网模型，给出各机组的初始输出功率、发电成本参数以及出力约束；通过分布式通信获得机组连接情况，计算机组的权值矩阵；采用投影梯度算法计算用于迭代计算出力值的梯度步长；将步骤三中的梯度步长代入投影算子计算下一步迭代的出力值；若迭代趋于收敛，本次计算结束，继续步骤六；若没有，转到步骤三；通过分布式通信，邻点之间检查有无新接机组或退出机组，若有，转到步骤二；若无，各机组更新最终出力值。该方法能够减少通信线路的架设和维护成本，具有收敛快速、计算量小的特点，且支持即插即用功能，增强了智能电网的鲁棒性和灵活性。

Description

一种智能电网分布式调度方法

技术领域

本发明属于智能电网调度技术领域，特别涉及一种智能电网分布式调度方法。

背景技术

智能电网技术，是使电网系统以最经济的方式调度发电资源的技术。经济调度的目标是在安全约束条件下的电能消耗的最优化，可以节约资金以及可以潜在的避免为了增大峰值要求而建设昂贵的电力基础设施。

经济调度可以描述为在凸或非凸约束条件下的优化问题。目前其算法可以分为两类，一类是解析式算法，包括λ迭代法和梯度搜索法；另一类是启发式算法，比如遗传算法、粒子群优化算法、蒙特卡罗法。然而，这两类算法法均涉及大量的集中式计算，需要整个电网的全局信息，由于存在大量的数据传输以及通信系统内不可避免的时滞、延迟，导致集中式算法在提供实时优化控制时困难增大。此外，随着技术发展及不可再生能源的日趋匮乏，越来越多的新式能源(风力发电、光伏发电等)接入到电网系统中。但是，风力发电等可再生能源由于其能源本身的特点，发电不可避免地具有较大的随机性，需要整个系统的实时响应，现有的集中式算法所具有的鲁棒性和可扩展性，已不能满足分布式通信与分布式计算快速敏捷、实时响应的技术要求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种智能电网分布式调度方法，该方法无需中央服务器作为计算和联系中心，而是通过分布式调度获取相邻机组的数据信息，结合计算风机成本的函数模型，利用投影梯度法迭代计算更新机组最优出力，能够减少通信线路的架设和维护成本，满足即插即用功能，且增强了智能电网的鲁棒性和灵活性。

为实现以上目的，本发明采用以下技术方案：

本发明提供了一种智能电网调度方法，其特征在于，包括以下步骤：

S1：建立经济调度的智能电网模型，给出各机组的初始输出功率、发电成本参数以及出力约束；

S2：通过分布式通信获得机组连接情况，计算机组的权值矩阵；

S3：采用投影梯度算法计算用于迭代计算出力值的梯度步长；

S4：将步骤S3中的梯度步长代入投影算子计算下一步迭代的出力值；

S5：若迭代趋于收敛，本次计算结束，继续步骤S6；若没有，转到步骤S3；

S6：通过分布式通信，邻点之间检查有无新接机组或退出机组，若有，转到步骤S2；若无，各机组更新最终出力值。

其中，步骤S1中所述智能电网模型的目标成本函数为：

/>

式中：S_G是所有普通发电机组的集合，P_i是普通发电机组i的输出功率，S_W是所有风机的集合，W_j是风机j的输出功率，f_i是普通发电机的发电成本函数，g_j是风机的发电成本函数，其中，f_i的表达式为：

f_i(P_i)＝α_iP_i ²+β_iP_i+γ_i；

式中：α_i,β_i和γ_i为第i个普通发电机的成本系数；g_j的表达式为：

g_j(W_j)＝d_jW_j+C_pwjE(Y_ue,j)+C_rwjE(Y_oe,j)；

式中：d_jW_j是第j个风电机组的成本系数为d_j的线性成本函数，C_pwjE(Y_ue,j)、C_rwjE(Y_oe,j)分别是成本系数为C_pwj和C_rwj的低估、高估成本，式中E(Y_ue,j)为：

式中：W_r是额定风力发电功率，v_r、v_in和v_out分别是额定、切进和切出风速，k和c分别是风的Weibull分布的尺度因子和形状因子，Г(a,x)是一个标准不完整伽马函数，v_j是一个中介变量，由下式给出：

同样的E(Yoe,j)可以表示为：

进一步地，步骤S1中的调度模型中，优化调度要满足的约束条件包括等式约束和不等式约束。

进一步地，所述等式约束为普通发电机组和风电机组的出力总和为需求负荷P_d，表达式为：

进一步地，所述不等式约束为各个机组的出力上下限：

P_i ^min≤P_i≤P_i ^max,i∈S_G

0≤W_j≤W_r,j,j∈S_W

式中，P_i ^min是发电机组i的输出功率下限，P_i ^max是发电机组i的输出功率上限，W_r,j是风机j的输出功率上限。

进一步地，步骤S2中所述权值矩阵的计算公式为

式中：λ₂≠λ₃≠...≠λ_K+1≠0反映配电网系统机组连接情况的拉普拉斯矩阵的K个非零特征值，N_i是与节点i相邻的节点的集合，n_i＝|N_i|是节点i的相邻节点数。

进一步地，步骤S3中所述迭代计算公式为：

式中：

是第k个节点在算法内第1次迭代的结果，/>

是第k个节点在算法内第2次内部迭代的结果，/>

是第k个节点在算法内第K次内部迭代的结果，/>

是第k个节点在算法内第K-1次内部迭代的结果，z^k(l)是第k个节点在算法内的最优迭代结果，/>

是第j个节点在算法内第1次迭代的结果，/>

是第j个节点在算法内第2次迭代的结果，

是第j个节点在算法内第K-1次迭代的结果，w_kk(1)～w_kk(K)是第k个节点的自身权重，w_kj(1)～w_kj(K)是第k和第j个节点连接情况的权重，N代表节点个数，M代表迭代次数，x^k(l)和x^j(l)分别是第k和第j个节点在第l次迭代算法时的投算影子值，▽c_k(x^k(l))是x^k(l)的梯度，ξ_l为迭代步长，需要满足以下条件：

进一步地，步骤S4中所述投影算子为：

x^k(l+1)＝f[z^k(l)]；

x^k(l+1)为第l+1次迭代的投影算子，f为在约束集合下的投影算子，算法为将每次迭代得到的梯度步长代入下式：

其中，P_d是普通发电机组和风电机组的出力总和为需求负荷，N代表节点个数，z^k(l)是第k个节点在算法内的最优迭代结果。

与已有技术相比，本发明具有如下有益效果：

本发明采用分布式通信方法，可以减少和节约基础通信设施的建设；本发明提出投影梯度算法，具有收敛快速、计算量小的特点；本发明支持发电机组的即插即用，增强了智能电网的鲁棒性；本发明应用于智能电网中，可实现对分布式机组(特别是随机性较大的风电机组)快递、经济地调度。

附图说明

图1是本发明智能电网分布式调度方法流程图；

图2是本发明实施例的六节点连接图；

图3是本发明实施例在600MW需求负荷时的调度结果图；

图4是本发明实施例存在机组接入和退出动作的调度结果图。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步详细的说明。所述实施例的示例在附图中示出，在下述本发明的实施方式中描述的具体的实施例仅作为本发明的具体实施方式的示例性说明，旨在用于解释本发明，而不构成为对本发明的限制。

本发明提供了一种智能电网分布式调度方法，如图1所示，包括以下步骤：

步骤S1：建立经济调度的智能电网模型，给出各机组的初始输出功率、发电成本参数以及出力约束。

步骤S1中所述智能电网模型的目标成本函数为：

式中：S_G是所有普通发电机组的集合，P_i是普通发电机组i的输出功率，S_W是所有风机的集合，W_j是风机j的输出功率，f_i是普通发电机的发电成本函数，g_j是风机的发电成本函数，其中，f_i的表达式为：

f_i(P_i)＝α_iP_i ²+β_iP_i+γ_i；

式中：α_i,β_i和γ_i为第i个普通发电机的成本系数；g_j的表达式为：

g_j(W_j)＝d_jW_j+C_pwjE(Y_ue,j)+C_rwjE(Y_oe,j)；

式中：d_jW_j是第j个风电机组的成本系数为d_j的线性成本函数，C_pwjE(Y_ue,j)、C_rwjE(Y_oe,j)分别是成本系数为C_pwj和C_rwj的低估、高估成本，式中E(Y_ue,j)为：

式中：W_r是额定风力发电功率，v_r、v_in和v_out分别是额定、切进和切出风速，k和c分别是风的Weibull分布的尺度因子和形状因子，Г(a,x)是一个标准不完整伽马函数，v_j是一个中介变量，由下式给出：

同样的E(Yoe,j)可以表示为：

进一步地，步骤S1中的调度模型中，优化调度要满足的约束条件包括等式约束和不等式约束。

所述等式约束为普通发电机组和风电机组的出力总和为需求负荷P_d，表达式为：

所述不等式约束为各个机组的出力上下限：

P_i ^min≤P_i≤P_i ^max,i∈S_G

0≤W_j≤W_r,j,j∈S_W

式中，P_i ^min是发电机组i的输出功率下限，P_i ^max是发电机组i的输出功率上限，W_r,j是风机j的输出功率上限。

步骤S2：通过分布式通信获得机组连接情况，计算机组的权值矩阵，所述权值矩阵的计算公式为：

式中：λ₂≠λ₃≠...≠λ_K+1≠0反映配电网系统机组连接情况的拉普拉斯矩阵的K个非零特征值，N_i是与节点i相邻的节点的集合，n_i＝|N_i|是节点i的相邻节点数。

步骤S2中分布式通信获得机组连接情况的方式是各机组将自己本地的连接情况以及获得的邻点的连接情况传递给其它邻点，通过这样的信息传递方式，假设若共有n个机组，那么最多只需经过n步这样的信息传递，就可以得出全局的连接情况从而通过图论得到配电网系统的拉普拉斯矩阵。

步骤S3：采用投影梯度算法计算用于迭代计算出力值的梯度步长，所述迭代计算公式为：

式中：

是第k个节点在算法内第1次迭代的结果，/>

是第k个节点在算法内第2次内部迭代的结果，/>

是第k个节点在算法内第K次内部迭代的结果，/>

是第k个节点在算法内第K-1次内部迭代的结果，z^k(l)是第k个节点在算法内的最优迭代结果，/>

是第j个节点在算法内第1次迭代的结果，/>

是第j个节点在算法内第2次迭代的结果，

是第j个节点在算法内第K-1次迭代的结果，w_kk(1)～w_kk(K)是第k个节点的自身权重，w_kj(1)～w_kj(K)是第k和第j个节点连接情况的权重，N代表节点个数，M代表迭代次数，x^k(l)和x^j(l)分别是第k和第j个节点在第l次迭代算法时的投算影子值，▽c_k(x^k(l))是x^k(l)的梯度，ξ_l为迭代步长，需要满足以下条件：

步骤S4：将步骤S3中的梯度步长代入投影算子计算下一步迭代的出力值，所述投影算子为：

x^k(l+1)＝f[z^k(l)]；

x^k(l+1)为第l+1次迭代的投影算子，f为在约束集合下的投影算子，算法为将每次迭代得到的梯度步长代入下式：

其中，P_d是普通发电机组和风电机组的出力总和为需求负荷，N代表节点个数，z^k(l)是第k个节点在算法内的最优迭代结果。

步骤S5：若迭代趋于收敛，本次计算结束，继续步骤S6；若没有，转到步骤S3。

步骤S6：通过分布式通信，邻点之间检查有无新接机组或退出机组，若有，转到步骤S2；若无，各机组更新最终出力值。

图2为本发明实施例的六节点连接图，图中，可以彼此交换信息的相邻节点由双向线连接，由此可以得出该系统中四个发电机组的拉普拉斯矩阵如下：

其中，该系统包括三个普通发电机组(P1、P2、P3)和一个风力发电机组(W1)，三个普通发电机组成本函数的系数详见表1：

表1普通发电机组参数

风力发电机组成本函数的系数详见表2：

表2风速以及风机参数

图3是本发明实施例在600MW需求负荷时的调度结果图，图中可知，迭代次数在20次以内，三个普通发电机组(P1、P2、P3)和一个风力发电机组(W1)均可达到收敛，收敛速度快；表1中可知，发电机组1的发电成本以及增量成本较其它机组低，但图3中其输出功率最高；四个机组的发电量分别为367.7996MW、102.2463MW、29.1174MW和100.8367MW，四值和为600MW满足负荷需求，且迭代到最后每个机组的增量成本均为8.25。由此可知，本发明提供的调度方法使得智能电网具有快速的收敛速度和优良的迭代结果。

图4是本发明实施例在图3的基础上，发电机组1存在接入和退出动作的调度结果图。图中，当迭代在50次时，机组1从系统中移出，此时剩下的机组通过与相邻机组通信传递信息，更新机组连接情况，计算出新拉普拉斯矩阵，并迅速达到新的收敛值，分别为0MW、322.2944MW、117.6226MW、160.0829MW，四值和仍为600MW，满足负荷需求。但由于发电机组1是其中最经济的机组，所以移除后，成本反而升高；当迭代到100次，将发电机组1再次接入系统中，图中可见各机组又迅速地在前述收敛值处达到收敛。由此可知，本发明提出的方法求解与初始值无关，求出的是全局最优解而不是局部最优解，并且满足机组的即插即用功能，可以增强智能电网的鲁棒性。

本发明通过分布式调度获取相邻机组的数据信息，结合计算风机成本的函数模型，利用投影梯度法迭代计算更新机组最优出力，能够减少通信线路的架设和维护成本，具有收敛快速、计算量小的特点，且支持即插即用功能，增强了智能电网的鲁棒性和灵活性；本发明应用于智能电网中，可快递、经济地实现对分布式机组(特别是随机性较大的风电机组)的调度。

应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，单词“包含”不排除存在未列在权利要求中的数据或步骤。

Claims (7)

1.一种智能电网分布式调度方法，其特征在于，包括以下步骤：

S1：建立经济调度的智能电网模型，给出各机组的初始输出功率、发电成本参数以及出力约束；

S2：通过分布式通信获得机组连接情况，计算机组的权值矩阵；

S3：采用投影梯度算法计算用于迭代计算出力值的梯度步长；

S4：将步骤S3中的梯度步长代入投影算子计算下一步迭代的出力值；

S5：若迭代趋于收敛，本次计算结束，继续步骤S6；若没有，转到步骤S3；

S6：通过分布式通信，邻点之间检查有无新接机组或退出机组，若有，转到步骤S2；若无，各机组更新最终出力值；

其中，所述智能电网模型的目标成本函数为：

式中：S_G是所有普通发电机组的集合，P_i是普通发电机组i的输出功率，S_W是所有风机的集合，W_j是风机j的输出功率，f_i是普通发电机的发电成本函数，g_j是风机的发电成本函数；

其中，f_i的表达式为：

f_i(P_i)＝α_iP_i ²+β_iP_i+γ_i；

式中：α_i,β_i和γ_i为第i个普通发电机的成本系数；

g_j的表达式为：

g_j(W_j)＝d_jW_j+C_pwjE(Y_ue,j)+C_rwjE(Y_oe,j)；

式中：d_jW_j是第j个风电机组的成本系数为d_j的线性成本函数，C_pwjE(Y_ue,j)、C_rwjE(Y_oe,j)分别是成本系数为C_pwj和C_rwj的低估、高估成本，式中E(Y_ue,j)为：

式中：W_r是额定风力发电功率，v_r、v_in和v_out分别是额定、切进和切出风速，k和c分别是风的Weibull分布的尺度因子和形状因子，Г(a,x)是一个标准不完整伽马函数，v_j是一个中介变量，由下式给出：

同样的E(Yoe,j)可以表示为：

2.根据权利要求1所述的一种智能电网分布式调度方法，其特征在于：步骤S1中的调度模型中，优化调度要满足的约束条件包括等式约束和不等式约束。

3.根据权利要求2所述的一种智能电网分布式调度方法，其特征在于：所述等式约束为普通发电机组和风电机组的出力总和为需求负荷P_d，表达式为：

4.根据权利要求2所述的一种智能电网分布式调度方法，其特征在于：所述不等式约束为各个机组的出力上下限：

P_i ^min≤P_i≤P_i ^max,i∈S_G

0≤W_j≤W_r,j,j∈S_W

式中，P_i ^min是发电机组i的输出功率下限，P_i ^max是发电机组i的输出功率上限，W_r,j是风机j的输出功率上限。

5.根据权利要求1所述的一种智能电网分布式调度方法，其特征在于：步骤S2中所述权值矩阵的计算公式为：

式中：λ₂≠λ₃≠...≠λ_K+1≠0反映配电网系统机组连接情况的拉普拉斯矩阵的K个非零特征值，N_i是与节点i相邻的节点的集合，n_i＝|N_i|是节点i的相邻节点数。

6.根据权利要求1所述的一种智能电网分布式调度方法，其特征在于：步骤S3中所述迭代计算公式为：

式中：

是第k个节点在算法内第1次迭代的结果，/>

是第k个节点在算法内第2次内部迭代的结果，/>

是第k个节点在算法内第K次内部迭代的结果，/>

是第k个节点在算法内第K-1次内部迭代的结果，z^k(l)是第k个节点在算法内的最优迭代结果，/>

是第j个节点在算法内第1次迭代的结果，/>

是第j个节点在算法内第2次迭代的结果，/>

是第j个节点在算法内第K-1次迭代的结果，w_kk(1)～w_kk(K)是第k个节点的自身权重，w_kj(1)～w_kj(K)是第k和第j个节点连接情况的权重，N代表节点个数，M代表迭代次数，x^k(l)和x^j(l)分别是第k和第j个节点在第l次迭代算法时的投算影子值，/>

是x^k(l)的梯度，ξ_l为迭代步长，需要满足以下条件：

7.根据权利要求1所述的一种智能电网分布式调度方法，其特征在于：步骤S4中所述投影算子为：

x^k(l+1)＝f[z^k(l)]；

x^k(l+1)为第l+1次迭代的投影算子，f为在约束集合下的投影算子，算法为将每次迭代得到的梯度步长代入下式：

其中，P_d是普通发电机组和风电机组的出力总和为需求负荷，N代表节点个数，z^k(l)是第k个节点在算法内的最优迭代结果。

Images