CN108879787A - 一种含风电的电网随机调度优化模型与方法 - Google Patents
一种含风电的电网随机调度优化模型与方法 Download PDFInfo
- Publication number
- CN108879787A CN108879787A CN201810941959.3A CN201810941959A CN108879787A CN 108879787 A CN108879787 A CN 108879787A CN 201810941959 A CN201810941959 A CN 201810941959A CN 108879787 A CN108879787 A CN 108879787A
- Authority
- CN
- China
- Prior art keywords
- period
- load
- formula
- individual
- wind
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 title claims abstract description 35
- 238000009987 spinning Methods 0.000 claims abstract description 40
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000005619 thermoelectricity Effects 0.000 claims abstract description 7
- 230000005684 electric field Effects 0.000 claims abstract description 6
- 238000002948 stochastic simulation Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 16
- 238000002922 simulated annealing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010792 warming 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含风电的电网随机调度优化模型与方法。不确定性模型的建立,包括负荷不确定性模型和风电场出力不确定性模型;考虑柔性负荷的含风电的动态随机调度模型的建立:包括可中断负荷和激励负荷模型的建立;火电成本、风电成本、正负旋转备用成本模型的建立;对功率平衡、火电机组、风电机组、柔性负荷、旋转备用进行约束,用机会约束规划处理系统的风险备用;采用实数编码的遗传算法对模型进行求解,采用随机模拟来近似表示机会约束成立的概率。本发明在系统要求的范围内,保证可靠性和经济性;实现供需侧良性互动,有效减少仅靠供电侧平衡风电并网引起的波动。
Description
技术领域
本发明涉及电力系统经济调度、可再生能源利用技术领域,具体地说是一种含风电的电网随机调度优化模型与方法。
背景技术
随着全球能源消耗的日益增加,煤、石油这些主要化石燃料的储备量急速下降,同时,燃烧这些化学燃料所带来的空气污染、全球变暖等环境问题也日益凸显。在这一形势下,用可再生能源代替传统化石能源成为大势所趋。其中,风能发电是目前可再生能源发电中技术最为成熟、最具有开发利用前景的发电形式,被各个国家普遍作为首选可再生能源,并且得以迅猛发展。
然而,风力发电具有很强的波动性、间歇性和低调度性。并且,当下风电预测水平远远不能满足要求。随着风电更多的接入电网,电网运行的安全稳定受到极大挑战。
目前的研究成果中,选取固定比例的系统预测负荷和风电预测值作为旋转备用。并没有有效的对系统的不确定性因素进行协调。难以实际反应系统实际运行的风险水平,因而可能使得调度计划偏于保守或冒进。
需求响应具有良好的调峰性,能有效的平缓风电所引起的波动,现有将需求响应融入系统随机调度模型的研究较少。
发明内容
本发明是为避免上述现有技术所存在的不足,提供一种含风电的电网随机调度优化模型与方法,以期能在保障电力系统安全运行的前提下,更大限度的利用风能,确定在满足一定风险阈值下的合理备用需求量,然后对常规发电机组制定发电计划。
本发明为解决技术问题采用如下技术方案:
一种含风电的电网随机调度优化模型与方法,其特征在于,按如下步骤进行:
步骤1、建立负荷不确定性模型,负荷的概率模型为:
ΔPL~N(0,σL 2) (1)
式中:ΔPL为负荷预测误差;σL 2为ΔPL的标准差;PL代表负荷实际值,由负荷预测值与负荷预测误差ΔPL求和得到;
步骤2、建立风电场出力不确定性模型:
风速预测误差可以考虑为一服从正态分布的随机变量,其均值为0;
Δv=N(0,σ2 V) (3)
式中,σ2 V为风速随机变量Δv的方差;
如果用来表示风速预测值,那么风速实际值可以表达为:
风电功率与风速之间的关系可以用下述分段函数来表达:
式中,Pw代表单台风电机的出力;vi为切入风速;vr为额定风速;v0为切出风速;Pr为单台风机额定装机容量;
步骤3、建立柔性负荷成本费用模型:
柔性负荷主要包括可中断负荷和激励负荷;
可中断负荷的补偿成本函数为:
式中,M为可中断用户数量,μIjt代表用户j在t时段可中断负荷的状态,用“0”和“1”表示,ρj为用户j的补偿系数,PIjt为用户中断负荷容量;激励负荷的补偿成本函数为:
式中,D为系统激励负荷用户数量,μHkt代表用户k在t时段激励负荷的状态,ηk为用户k增加负荷的激励系数,PHkt为增加负荷的容量;
步骤4、建立第n台火电机组的发电成本模型:
式中,μGnt代表机组n在t时段的工作状态,运行时取“1”,停止时取“0”;An、Bn、Cn为燃料成本系数;Pn,t为发电机组n在t时段输出的有功功率,Sn,t为火电机组n在t时段的启停费用;
步骤5、建立风电功率发电成本模型:
FWnt=Wn,t×dn (9)
式中,Wn,t为风电场中第n台风力发电机t时段的计划出力,dn为第n台风机t时段的发的成本系数;
步骤6、建立系统的正、负旋转备用需求成本模型:
式(10)中,为系统负旋转备用需求的成本,为系统的负旋转备用需求,kp为系统的负旋转备用系数;
式(11)中,为系统正旋转备用需求的成本,为系统的正旋转备用需求,kr为系统的正旋转备用系数;
步骤7、随机经济调度模型的建立:将上述所建立火电机组的发电成本模型、柔性负荷成本费用模型、风电功率发电成本模型、及系统的正、负旋转备用需求成本模型纳入到调度计划模型中,在某一调度周期t时段内,随机经济调度的目标函数为:
式中,N为火电机组个数,NW为风机个数;
所述的一种含风电的电网随机调度优化模型与方法,其特征在于,所述随机经济调度模型的约束条件有:
Pn,min≤Pn,t≤Pn,max (14)
0≤Wn,t≤Wn,max (15)
PIjt,min≤PIjt≤PIjt,max (17)
PHkt,min≤PHkt≤PHkt,max (18)
TIj,min≤TIjt≤TIj,max (19)
式(13)为功率平衡约束,其中,为t时段负荷预测值;
式(14)为常规发电机组出力上下限约束,式中,Pn,min和Pn,max分别为发电机组的出力上限和下限;
式(15)为风力发电机组的上下限约束,式中,Wn,max为单台风电机组的额定装机容量;
式(16)为发电机组爬坡率约束,式中,和为第n台发电机组的向上、向下爬坡率;T60为一个60分钟的运行时段;
式(17)~(19)为柔性负荷约束:式(17)为可中断负荷的限值约束,PIjt,min为用户j在t时段可中断负荷的下限值,PIjt,max为用户j在t时段可中断负荷的上限值;式(18)为激励负荷的限值约束,式中,PHkt,min为用户k在t时段激励负荷的下限值,PHkt,max用户k在t时段激励负荷的上限值;式(19)为可中断负荷中断时间约束,TIj,min和TIj,max为第j个可中断负荷用户最小、最大中断时间,TIjt为可中断负荷在t时段已中断时长;
式(20)~(25)为旋转备用约束,即总的正、负旋转备用需求量不能超过系统能提供的最大正、负旋转备用量,式中:为发电机组n在t时段能提供的最大正旋转备用,为发电机组n在t时段的最大出力,T10为一个10分钟的旋转备用响应时间,为系统正旋转备用需求量;为发电机组n在t时段能提供的最大负旋转备用,为发电机组n在t时段的最小出力,为系统正旋转备用需求量;
式(26)、(27)为系统风险备用约束,用机会约束表示;式中,α、β分别表示正、负旋转备用满足要求的置信水平;Wav,n,t表示风电机组n在t时段的实际可用风电出力;PL,t为t时段的负荷实际值。
步骤8、采用实数编码的遗传算法对随机经济调度模型进行求解,采用随机模拟来近似表示机会约束成立的概率;具体包括按顺序执行的下列步骤:
步骤8.1、输入原始数据;
步骤8.2、对个体进行编码;
步骤8.3、输入遗传算法的种群规模、最大迭代次数及交叉和变异概率;
步骤8.4、采用随机方法产生一组初始种群,即初代种群;
步骤8.5、对种群中的所有个体根据约束条件进行合理性调整;
步骤8.6、根据公式(12)计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤8.7、采用基于模拟退火的排序选择法对种群的个体进行选择操作;
步骤8.8、对种群中的个体进行交叉和变异操作,得到新一代个体;
步骤8.9、对种群中的所有个体根据约束条件进行合理性调整;
步骤8.10、计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤8.11、重复步骤8.7~步骤8.10,完成新一代种群的生成和评价,直到大于给定的最大迭代次数为止;
步骤8.12、以求解过程中所发现的适应度值最小的个体作为最后的调度计划。
所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.2的个体编码具体包括::N台火电机组24时段的计划出力值、NW台风机24时段的计划出力值、M个可中断用户24时段的可中断负荷值、D个激励用户24时段的激励负荷值、正旋转备用24时段的需求量和负旋转备用24时段的需求量,采用实数编码的方式完成个体染色体的编码。
用这种方法来进行个体编码,一方面便于对当前个体适应度值的计算,另一方面也便于后续交叉和变异操作的进行,从而保证算法的求解效率。
所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.5及步骤8.9的个体合理性调整中,具体过程包括按顺序执行的下列步骤:
Step1.根据式(13)求得期望的任意时段的火电机组计划出力值,即满足平衡条件的火电计划出力值,将期望的火电机组计划出力值和个体随机产生的火电计划出力值的差值定义为不平衡量;
Step2.判断可中断负荷是否满足上下限要求,若不满足,则将此时段可中断负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step3.逐时段逐用户判断中断负荷时候满足可中断时间约束,若该时段该用户的累积中断时间大于最大中断时间,则将该时段该用户的中断负荷量调整为0,并将调整量归算到不平衡量中;若累积中断时间小于最小中断时间且该时段该用户未中断,则调整该时段该用户的中断负荷量使其继续中断,并将调整量归算到不平衡量中;
Step4.判断激励负荷是否满足上下限要求,若不满足,则将此时段激励负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step5.调整发电机组出力范围以满足机组出力上下限约束,将由此产生的调整量归算到不平衡量;
Step6.逐时段逐机组调整发电机组使其满足爬坡约束和启停约束,将由此产生的调整量归算到不平衡量,同时,在满足发电机组各约束的前提下,调整火电机组计划出力,使不平衡量尽量为0;
Step7.逐时段判断不平衡量是否为0,若仍不为0,则依次调整风电计划出力、可中断负荷值、激励负荷值,使不平衡量尽量为0;
Step8.计算并调整正负旋转备用需求量使其小于正负旋转备用最大可用量。
所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.7的基于模拟退火的排序选择中,具体过程包括按顺序执行的下列步骤:
Step1.基于模拟退火机制确定当前迭代次数下对最优个体的保留数量;
Step2.将最优个体和当前种群中的所有个体根据适应度值按从大到小的顺序进行排列,在去除重复个体后,若个体数量大于种群规模则采用模拟退火机制删除多余的个体,若个体数量小于种群规模则通过随机生成方式引入新的个体,从而维持种群规模的一致;
Step3.采用轮盘赌方法,依次选择出将要进行交叉的个体。
用这种方法来进行选择,一方面保证了对当前已搜寻到的最优个体的精英保留;另一方面在遗传算法的初期侧重于种群中个体的多样性,保证了对解空间的全局搜索能力,而随着算法的迭代,则逐渐提高已搜索到最优个体在当前种群中所占的比例,从而保证了对解空间的局部搜索能力。
与已有技术相比,本发明有益效果体现在:
1、本发明考虑风力发电的随机性以及负荷的随机性,采用机会约束表示系统的风险备用约束,保证正、负旋转备用容量以高于某一设定概率下大于等于风电功率预测误差与负荷预测误差的波动。确定合理的备用量,在系统要求的范围内,保证可靠性和经济性。
2、本发明突破了传统只考虑发电侧作为调度资源的局限,将需求响应纳入调度体系中,将柔性负荷作为一种可调度的调峰资源,可以更好的体现用户的需求,实现供需侧良性互动,有效减少仅靠供电侧平衡风电并网引起的波动。
附图说明
图1是本发明的流程示意图。
图2为采用基于蒙特卡罗仿真的遗传算法求解模型的流程图。
具体实施方式
如图1所示,本发明提供的一种含风电的电网随机调度优化模型与方法,包括按顺序执行的下列步骤:
步骤1、不确定性模型的建立,包括负荷不确定性模型和风电场出力不确定性模型。获取未来24个时段的预测负荷预测曲线,设负荷预测误差是服从正态分布的随机变量。用负荷预测值与负荷预测误差之和表示负荷实际值;取未来24个时段的风速预测曲线,设风速预测误差是服从正态分布的随机变量,用风速预测值与风速预测误差之和表示风速实际值。依据风速-风电功率关系,得到风电场出力的概率模型。
步骤2、建立考虑柔性负荷的含风电的动态随机调度模型:包括可中断和激励负荷模型的建立;火电成本、风电成本、正负旋转备用成本模型的建立;对功率平衡、火电机组、风电机组、柔性负荷、旋转备用进行约束,用机会约束规划处理系统的风险备用。
步骤3、采用实数编码的遗传算法对模型进行求解,采用随机模拟来近似表示机会约束成立的概率。
在步骤1中,所述不确定性模型的建立的具体过程包括按顺序执行的下列步骤:
步骤1.1、建立负荷不确定性模型,负荷的概率模型为:
ΔPL~N(0,σL 2) (1)
式中:ΔPL为负荷预测误差;σL 2为ΔPL的标准差;PL代表负荷实际值,由负荷预测值与负荷预测误差ΔPL求和得到。
步骤1.2、建立风电场出力不确定性模型:
风速预测误差可以考虑为一服从正态分布的随机变量,其均值为0。
Δv=N(0,σ2 V) (3)
式中,σ2 V为风速随机变量Δv的方差。
如果用来表示风速预测值,那么风速实际值可以表达为:
风电功率与风速之间的关系可以用下述分段函数来表达:
式中,Pw代表单台风电机的出力;vi为切入风速;vr为额定风速;v0为切出风速;Pr为单台风机额定装机容量。
在步骤2中,所述不确定模型的建立的具体过程包括按顺序执行的下列步骤:
步骤2.1、建立可中断负荷的补偿成本模型:
式中,M为可中断用户数量,μIjt代表用户j在t时段可中断负荷的状态,用“0”和“1”表示,ρj为用户j的补偿系数,PIjt为用户中断负荷容量。
步骤2.2、建立激励负荷的补偿成本模型:
式中,D为系统激励负荷用户数量为,μHkt代表用户k在t时段激励负荷的状态,ηk为用户k增加负荷的激励系数,PHkt为增加负荷的容量。
步骤2.3、建立第n台火电机组的发电成本模型:
式中,μGnt代表机组n在t时段的工作状态,运行时取“1”,停止时取“0”;An、Bn、Cn为燃料成本系数;Pn,t为发电机组n在t时段输出的有功功率,Sn,t为火电机组n在t时段的启停费用。
步骤2.4、建立风电功率发电成本模型:
FWnt=Wn,t×dn (9)
式中,Wn,t为风电场中第n台风力发电机t时段的计划出力,dn为第n台风机t时段的发的成本系数
步骤2.5、建立系统的正、负旋转备用需求成本模型:
式(10)中,为系统负旋转备用需求的成本,是风电实际出力大于风电计划出力时对风电功率浪费的惩罚成本。成本来源于两个方面:当实际负荷值低于预测值,或风电实际出力大于计划出力时,为了保证系统的有功平衡,一方面,火电机组需要减少出力,频繁改变火电机组出力会增加成本。另一方面,会造成弃风,即风能浪费,负旋转备用需求的成本也可以看成是对风能浪费的一种惩罚。为系统的负旋转备用需求,kp为系统的负旋转备用系数。
式(11)中,为系统正旋转备用需求的成本,是风电实际出力小于风电计划出力时的风险备用成本。为系统的正旋转备用需求。kr为系统的正旋转备用系数。
步骤2.6、随机经济调度模型的建立:将上述所建立火电机组的发电成本模型、柔性负荷成本费用模型、风电功率发电成本模型、及系统的正、负旋转备用需求成本模型纳入到调度计划模型中,在某一调度周期t时段内,随机经济调度的目标函数为:
式中,N为火电机组个数,NW为风机个数。
各项约束条件为:
Pn,min≤Pn,t≤Pn,max (14)
0≤Wn,t≤Wn,max (15)
PIjt,min≤PIjt≤PIjt,max (17)
PHkt,min≤PHkt≤PHkt,max (18)
TIj,min≤TIjt≤TIj,max (19)
式(13)为功率平衡约束,其中,为t时段负荷预测值。
式(14)为常规发电机组出力上下限约束,式中,Pn,min和Pn,max分别为发电机组的出力上限和下限。
式(15)为风力发电机组的上下限约束,式中,Wn,max为单台风电机组的额定装机容量。
式(16)为发电机组爬坡率约束,式中,和为第n台发电机组的向上、向下爬坡率;T60为一个运行时段(60分钟)。
式(17)~(19)为柔性负荷约束:式(17)为可中断负荷的限值约束,PIjt,min为用户j在t时段可中断负荷的下限值,PIjt,max为用户j在t时段可中断负荷的上限值;式(18)为激励负荷的限值约束,式中,PHkt,min为用户k在t时段激励负荷的下限值,PHkt,max用户k在t时段激励负荷的上限值;式(19)为可中断负荷中断时间约束,TIj,min和TIj,max为第j个可中断负荷用户最小、最大中断时间,TIjt为可中断负荷在t时段已中断时长。
式(20)~(25)为旋转备用约束,式中:为发电机组n在t时段能提供的最大正旋转备用,为发电机组n在t时段的最大出力,T10为旋转备用响应时间(10分钟),为系统正旋转备用需求量;为发电机组n在t时段能提供的最大负旋转备用,为发电机组n在t时段的最小出力,为系统正旋转备用需求量。
步骤2.7、建立基于机会约束规划的风险备用约束。当风电实际出力小于计划出力、负荷实际值大于预测值时,需要传统机组提供正旋转备用。若正旋转备用容量不够,则会出现失负荷的情况。为保证系统的可靠运行,必须将失负荷的概率约束在一定的范围中,不能超过给定阀值。同样的,当风电实际出力大于计划出力、负荷实际值小于预测值时,需要提供负旋转备用。若负旋转备用容量不足,则可能造成风电功率的浪费,同样需要将弃风的概率控制在合理的范围内,不能超过给定阀值。风险备用约束如下所示:
式(26)、(27)中,α、β分别表示正、负旋转备用满足要求的置信水平;Wav,n,t表示风电机组n在t时段的实际可用风电出力;PL,t为t时段的负荷实际值。
在步骤3中,所述实数编码的遗传算法对模型求解具体过程包括按顺序执行的下列步骤:
步骤3.1、输入原始数据;
步骤3.2、对个体进行编码;
步骤3.3、输入遗传算法的种群规模、最大迭代次数及交叉和变异概率;
步骤3.4、采用随机方法产生一组初始种群,即初代种群;
步骤3.5、对种群中的所有个体根据约束条件进行合理性调整;
步骤3.6、根据公式(12)计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤3.7、采用基于模拟退火的排序选择法对种群的个体进行选择操作;
步骤3.8、对种群中的个体进行交叉和变异操作,得到新一代个体;
步骤3.9、对种群中的所有个体根据约束条件进行合理性调整;
步骤3.10、计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤3.11、重复步骤3.7~步骤3.10,完成新一代种群的生成和评价,直到大于给定的最大迭代次数为止;
步骤3.12、以求解过程中所发现的适应度值最小的个体作为最后的调度计划。
在步骤3.2的个体编码具体包括:N台火电机组24时段的计划出力值、NW台风机24时段的计划出力值、M个可中断用户24时段的可中断负荷值、D个激励用户24时段的激励负荷值、正旋转备用24时段的需求量和负旋转备用24时段的需求量,采用实数编码的方式完成个体染色体的编码。
用这种方法来进行个体编码,一方面便于对当前个体适应度值的计算,另一方面也便于后续交叉和变异操作的进行,从而保证算法的求解效率。
在步骤3.5及步骤3.9的个体合理性调整中具体过程包括按顺序执行的下列步骤:
Step1.根据式(13)求得期望的任意时段的火电机组计划出力值,即满足平衡条件的火电计划出力值,将期望的火电机组计划出力值和个体随机产生的火电计划出力值的差值定义为不平衡量;
Step2.判断可中断负荷是否满足上下限要求,若不满足,则将此时段可中断负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step3.逐时段逐用户判断中断负荷时候满足可中断时间约束,若该时段该用户的累积中断时间大于最大中断时间,则将该时段该用户的中断负荷量调整为0,并将调整量归算到不平衡量中;若累积中断时间小于最小中断时间且该时段该用户未中断,则调整该时段该用户的中断负荷量使其继续中断,并将调整量归算到不平衡量中;
Step4.判断激励负荷是否满足上下限要求,若不满足,则将此时段激励负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step5.调整发电机组出力范围以满足机组出力上下限约束,将由此产生的调整量归算到不平衡量;
Step6.逐时段逐机组调整发电机组使其满足爬坡约束和启停约束,将由此产生的调整量归算到不平衡量,同时,在满足发电机组各约束的前提下,调整火电机组计划出力,使不平衡量尽量为0;
Step7.逐时段判断不平衡量是否为0,若仍不为0,则依次调整风电计划出力、可中断负荷值、激励负荷值,使不平衡量尽量为0;
Step8.计算并调整正负旋转备用需求量使其小于正负旋转备用最大可用量。
在步骤3.7的基于模拟退火的排序选择中,具体过程包括按顺序执行的下列步骤:
Step1.基于模拟退火机制确定当前迭代次数下对最优个体的保留数量;
Step2.将最优个体和当前种群中的所有个体根据适应度值按从大到小的顺序进行排列,在去除重复个体后,若个体数量大于种群规模则采用模拟退火机制删除多余的个体,若个体数量小于种群规模则通过随机生成方式引入新的个体,从而维持种群规模的一致;
Step3.采用轮盘赌方法,依次选择出将要进行交叉的个体。
用这种方法来进行选择,一方面保证了对当前已搜寻到的最优个体的精英保留;另一方面在遗传算法的初期侧重于种群中个体的多样性,保证了对解空间的全局搜索能力,而随着算法的迭代,则逐渐提高已搜索到最优个体在当前种群中所占的比例,从而保证了对解空间的局部搜索能力。
Claims (5)
1.一种含风电的电网随机调度优化模型与方法,其特征在于,按如下步骤
进行:
步骤1、建立负荷不确定性模型,负荷的概率模型为:
ΔPL~N(0,σL 2) (1)
式中:ΔPL为负荷预测误差;σL 2为ΔPL的标准差;PL代表负荷实际值,由
负荷预测值与负荷预测误差ΔPL求和得到;
步骤2、建立风电场出力不确定性模型:
风速预测误差可以考虑为一服从正态分布的随机变量,其均值为0;
Δv=N(0,σ2 V) (3)
式中,σ2 V为风速随机变量Δv的方差;
如果用来表示风速预测值,那么风速实际值可以表达为:
风电功率与风速之间的关系可以用下述分段函数来表达:
式中,Pw代表单台风电机的出力;vi为切入风速;vr为额定风速;v0为切出风速;Pr为单台风机额定装机容量;
步骤3、建立柔性负荷成本费用模型:
柔性负荷主要包括可中断负荷和激励负荷;
可中断负荷的补偿成本函数为:
式中,M为可中断用户数量,μIjt代表用户j在t时段可中断负荷的状态,用“0”和“1”表示,ρj为用户j的补偿系数,PIjt为用户中断负荷容量;
激励负荷的补偿成本函数为:
式中,D为系统激励负荷用户数量,μHkt代表用户k在t时段激励负荷的状态,ηk为用户k增加负荷的激励系数,PHkt为增加负荷的容量;
步骤4、建立第n台火电机组的发电成本模型:
式中,μGnt代表机组n在t时段的工作状态,运行时取“1”,停止时取“0”;An、Bn、Cn为燃料成本系数;Pn,t为发电机组n在t时段输出的有功功率,Sn,t为火电机组n在t时段的启停费用;
步骤5、建立风电功率发电成本模型:
FWnt=Wn,t×dn (9)
式中,Wn,t为风电场中第n台风力发电机t时段的计划出力,dn为第n台风机t时段的发的成本系数;
步骤6、建立系统的正、负旋转备用需求成本模型:
式(10)中,为系统负旋转备用需求的成本,为系统的负旋转备用需求,kp为系统的负旋转备用系数;
式(11)中,为系统正旋转备用需求的成本,为系统的正旋转备用需求,kr为系统的正旋转备用系数;
步骤7、随机经济调度模型的建立:将上述所建立火电机组的发电成本模型、柔性负荷成本费用模型、风电功率发电成本模型、及系统的正、负旋转备用需求成本模型纳入到调度计划模型中,在某一调度周期t时段内,随机经济调度的目标函数为:
式中,N为火电机组个数,NW为风机个数;
步骤8、采用实数编码的遗传算法对随机经济调度模型进行求解,采用随机模拟来近似表示机会约束成立的概率;具体包括按顺序执行的下列步骤:
步骤8.1、输入原始数据;
步骤8.2、对个体进行编码;
步骤8.3、输入遗传算法的种群规模、最大迭代次数及交叉和变异概率;
步骤8.4、采用随机方法产生一组初始种群,即初代种群;
步骤8.5、对种群中的所有个体根据约束条件进行合理性调整;
步骤8.6、根据公式(12)计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤8.7、采用基于模拟退火的排序选择法对种群的个体进行选择操作;
步骤8.8、对种群中的个体进行交叉和变异操作,得到新一代个体;
步骤8.9、对种群中的所有个体根据约束条件进行合理性调整;
步骤8.10、计算所有个体对应的目标函数值,即发电总成本,并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束,对违反系统风险备用约束、功率平衡约束条件的个体,采用惩罚函数方法计算该个体的适应度值;对不违反系统风险备用约束、功率平衡约束条件的个体,直接使用其目标函数值作为该个体的适应度值;
步骤8.11、重复步骤8.7~步骤8.10,完成新一代种群的生成和评价,直到大于给定的最大迭代次数为止;
步骤8.12、以求解过程中所发现的适应度值最小的个体作为最后的调度计划。
2.根据权利要求1所述的一种含风电的电网随机调度优化模型与方法,其特征在于,所述随机经济调度模型的约束条件有:
Pn,min≤Pn,t≤Pn,max (14)
0≤Wn,t≤Wn,max (15)
PIjt,min≤PIjt≤PIjt,max (17)
PHkt,min≤PHkt≤PHkt,max (18)
TIj,min≤TIjt≤TIj,max (19)
式(13)为功率平衡约束,其中,为t时段负荷预测值;
式(14)为常规发电机组出力上下限约束,式中,Pn,min和Pn,max分别为发电机组的出力上限和下限;
式(15)为风力发电机组的上下限约束,式中,Wn,max为单台风电机组的额定装机容量;
式(16)为发电机组爬坡率约束,式中,和为第n台发电机组的向上、向下爬坡率;T60为一个60分钟的运行时段;
式(17)~(19)为柔性负荷约束:式(17)为可中断负荷的限值约束,PIjt,min为用户j在t时段可中断负荷的下限值,PIjt,max为用户j在t时段可中断负荷的上限值;式(18)为激励负荷的限值约束,式中,PHkt,min为用户k在t时段激励负荷的下限值,PHkt,max用户k在t时段激励负荷的上限值;式(19)为可中断负荷中断时间约束,TIj,min和TIj,max为第j个可中断负荷用户最小、最大中断时间,TIjt为可中断负荷在t时段已中断时长;
式(20)~(25)为旋转备用约束,即总的正负旋转备用需求量不能超过系统能提供的最大正负旋转备用量,式中:为发电机组n在t时段能提供的最大正旋转备用,为发电机组n在t时段的最大出力,T10为一个10分钟的旋转备用响应时间,为系统正旋转备用需求量;为发电机组n在t时段能提供的最大负旋转备用,为发电机组n在t时段的最小出力,为系统正旋转备用需求量;
式(26)、(27)为系统风险备用约束,用机会约束表示;式中,α、β分别表示正、负旋转备用满足要求的置信水平;Wav,n,t表示风机n在t时段的实际可用风电出力;PL,t为t时段的负荷实际值。
3.根据权利要求1所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.2的个体编码具体包括:N台火电机组24时段的计划出力值、NW台风机24时段的计划出力值、M个可中断用户24时段的可中断负荷值、D个激励用户24时段的激励负荷值、正旋转备用24时段的需求量和负旋转备用24时段的需求量,采用实数编码的方式完成个体染色体的编码。
4.根据权利要求2所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.5及步骤8.9的个体合理性调整中,具体过程包括按顺序执行的下列步骤:
Step1.根据式(13)求得期望的任意时段的火电机组计划出力值,即满足平衡条件的火电计划出力值,将期望的火电机组计划出力值和个体随机产生的火电计划出力值的差值定义为不平衡量;
Step2.判断可中断负荷是否满足上下限要求,若不满足,则将此时段可中断负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step3.逐时段逐用户判断中断负荷时候满足可中断时间约束,若该时段该用户的累积中断时间大于最大中断时间,则将该时段该用户的中断负荷量调整为0,并将调整量归算到不平衡量中;若累积中断时间小于最小中断时间且该时段该用户未中断,则调整该时段该用户的中断负荷量使其继续中断,并将调整量归算到不平衡量中;
Step4.判断激励负荷是否满足上下限要求,若不满足,则将此时段激励负荷调整至上下限值,若远小于下限值,则直接清零,由此产生的调整量归算到不平衡量;
Step5.调整发电机组出力范围以满足机组出力上下限约束,将由此产生的调整量归算到不平衡量;
Step6.逐时段逐机组调整发电机组使其满足爬坡约束和启停约束,将由此产生的调整量归算到不平衡量,同时,在满足发电机组各约束的前提下,调整火电机组计划出力,使不平衡量尽量为0;
Step7.逐时段判断不平衡量是否为0,若仍不为0,则依次调整风电计划出力、可中断负荷值、激励负荷值,使不平衡量尽量为0;
Step8.计算并调整正负旋转备用需求量使其小于正负旋转备用最大可用量。
5.根据权利要求1所述的一种含风电的电网随机调度优化模型与方法,其特征在于,在步骤8.7的基于模拟退火的排序选择中,具体过程包括按顺序执行的下列步骤:
Step1.基于模拟退火机制确定当前迭代次数下对最优个体的保留数量;
Step2.将最优个体和当前种群中的所有个体根据适应度值按从大到小的顺序进行排列,在去除重复个体后,若个体数量大于种群规模则采用模拟退火机制删除多余的个体,若个体数量小于种群规模则通过随机生成方式引入新的个体,从而维持种群规模的一致;
Step3.采用轮盘赌方法,依次选择出将要进行交叉的个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941959.3A CN108879787B (zh) | 2018-08-17 | 2018-08-17 | 一种含风电的电网随机调度优化模型与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941959.3A CN108879787B (zh) | 2018-08-17 | 2018-08-17 | 一种含风电的电网随机调度优化模型与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108879787A true CN108879787A (zh) | 2018-11-23 |
CN108879787B CN108879787B (zh) | 2021-04-13 |
Family
ID=64318817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810941959.3A Active CN108879787B (zh) | 2018-08-17 | 2018-08-17 | 一种含风电的电网随机调度优化模型与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108879787B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462256A (zh) * | 2018-11-28 | 2019-03-12 | 燕山大学 | 一种基于柔性负荷的光伏电力系统优化调度方法及系统 |
CN109659985A (zh) * | 2019-01-14 | 2019-04-19 | 华北电力大学 | 基于大规模风电和可调节负荷的电力系统联合调度方法 |
CN109948859A (zh) * | 2019-03-26 | 2019-06-28 | 华南理工大学 | 一种基于协同量子遗传算法的风火联合随机优化调度方法 |
CN110266058A (zh) * | 2019-05-31 | 2019-09-20 | 国网山东省电力公司济南供电公司 | 一种基于区间优化的机组组合模型的建模及求解方法 |
WO2020119159A1 (zh) * | 2018-12-11 | 2020-06-18 | 清华大学 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
CN113488999A (zh) * | 2021-07-08 | 2021-10-08 | 广东电网有限责任公司 | 电力系统运行双侧的备用配置方法、系统、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101305584B1 (ko) * | 2011-12-30 | 2013-09-09 | 주식회사 포스코아이씨티 | 에너지 발전량 예측 시스템 및 방법 |
CN104537428A (zh) * | 2014-12-05 | 2015-04-22 | 天津大学 | 一种计及风电接入不确定性的经济运行评估方法 |
CN106327014A (zh) * | 2016-08-24 | 2017-01-11 | 上海电机学院 | 一种含风电场的电力系统调度优化方法 |
CN108063451A (zh) * | 2017-11-17 | 2018-05-22 | 国网辽宁省电力有限公司 | 一种提高风电接纳能力的电网多元优化调度方法 |
-
2018
- 2018-08-17 CN CN201810941959.3A patent/CN108879787B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101305584B1 (ko) * | 2011-12-30 | 2013-09-09 | 주식회사 포스코아이씨티 | 에너지 발전량 예측 시스템 및 방법 |
CN104537428A (zh) * | 2014-12-05 | 2015-04-22 | 天津大学 | 一种计及风电接入不确定性的经济运行评估方法 |
CN106327014A (zh) * | 2016-08-24 | 2017-01-11 | 上海电机学院 | 一种含风电场的电力系统调度优化方法 |
CN108063451A (zh) * | 2017-11-17 | 2018-05-22 | 国网辽宁省电力有限公司 | 一种提高风电接纳能力的电网多元优化调度方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462256A (zh) * | 2018-11-28 | 2019-03-12 | 燕山大学 | 一种基于柔性负荷的光伏电力系统优化调度方法及系统 |
WO2020119159A1 (zh) * | 2018-12-11 | 2020-06-18 | 清华大学 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
CN109659985A (zh) * | 2019-01-14 | 2019-04-19 | 华北电力大学 | 基于大规模风电和可调节负荷的电力系统联合调度方法 |
CN109948859A (zh) * | 2019-03-26 | 2019-06-28 | 华南理工大学 | 一种基于协同量子遗传算法的风火联合随机优化调度方法 |
CN110266058A (zh) * | 2019-05-31 | 2019-09-20 | 国网山东省电力公司济南供电公司 | 一种基于区间优化的机组组合模型的建模及求解方法 |
CN113488999A (zh) * | 2021-07-08 | 2021-10-08 | 广东电网有限责任公司 | 电力系统运行双侧的备用配置方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108879787B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108879787A (zh) | 一种含风电的电网随机调度优化模型与方法 | |
CN110516851B (zh) | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 | |
CN108063451B (zh) | 一种提高风电接纳能力的电网多元优化调度方法 | |
CN110689189B (zh) | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 | |
CN108764519B (zh) | 一种园区能源互联网能源设备容量优化配置方法 | |
CN112508221A (zh) | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 | |
CN111210079B (zh) | 一种分布式能源虚拟电厂运行优化方法及系统 | |
CN110826773B (zh) | 一种考虑新能源接入的火电机组月度发电计划优化方法 | |
WO2024016504A1 (zh) | 一种基于安全经济的电热综合能源控制方法 | |
CN111682531B (zh) | 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置 | |
CN115360706B (zh) | 考虑dr和灵活性供需平衡的源荷储联合调度方法及系统 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN111047077A (zh) | 一种新能源年度交易电量优化分解方法及系统 | |
CN116108360A (zh) | 一种区域综合能源系统优化运行控制方法及装置 | |
CN118017573A (zh) | 一种考虑灵活性供需平衡的源网荷储资源规划方法 | |
CN111697635A (zh) | 计及随机模糊双重不确定的交直流混合微网优化运行方法 | |
Najafi-Ghalelou et al. | Risk-Constrained Scheduling of Energy Hubs: A Stochastic $ p $-Robust Optimization Approach | |
CN114971071A (zh) | 计及风光接入和电热混合储能的园区综合能源系统时序规划方法 | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
CN111967646A (zh) | 一种虚拟电厂可再生能源优化配置方法 | |
CN110336308B (zh) | 一种基于机会约束的主动配电网经济调度方法 | |
CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
CN116384155A (zh) | 考虑用户行为不确定性的家庭能量管理优化方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN115310714A (zh) | 一种园区能源优化调控方法、调控系统及存储介质 |
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 |