CN109255102B - 一种基于凸松弛的光伏发电最大并网容量评估方法 - Google Patents
一种基于凸松弛的光伏发电最大并网容量评估方法 Download PDFInfo
- Publication number
- CN109255102B CN109255102B CN201811026558.1A CN201811026558A CN109255102B CN 109255102 B CN109255102 B CN 109255102B CN 201811026558 A CN201811026558 A CN 201811026558A CN 109255102 B CN109255102 B CN 109255102B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- constraint
- output
- capacity
- follows
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000014509 gene expression Effects 0.000 claims description 34
- 238000013210 evaluation model Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 238000009987 spinning Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于凸松弛的光伏发电最大并网容量评估方法,本发明首先通过分析光伏出力的历史数据,获得其均值、方差及概率密度函数等统计特性,然后针对电力系统建立机会约束的容量评估模型,在模型中考虑断面潮流越限的风险约束和旋转备用不足的风险约束,再把机会约束松弛为确定性的凸约束,把原问题转化为容易求解的凸优化问题,最后求解调度模型,得到最大并网容量。本发明充分利用了机会约束随机优化的优点,有效降低了系统的风险,充分发挥了电力网络引导光伏消纳的潜力,通过提出的凸松弛方法,把不易求解的机会约束问题松弛为容易求解的凸优化问题,提高了系统运行的安全性和灵活性。
Description
技术领域
本发明属于电力网运行安全防控技术领域,特别涉及一种机会约束的光伏发电最大并网容量评估方法。
背景技术
开发利用可再生能源、实现能源的可持续发展是我国能源发展战略的重大举措。随着光伏电源大规模接入电网,其波动性和随机性给电力系统的运行带来了重大技术挑战。
为了降低光伏的不确定性给电网带来的不利影响,光伏发电最大并网容量评估是必不可少的一环,然而目前对光伏不确定性的处理,决策者常常采用蒙特卡洛随机模拟的方法,计算效率不高。机会约束的随机优化建模方法可以兼顾决策过程的安全性和经济性。
机会约束的优化问题是指约束中含有随机变量的优化问题,随机变量的期望、方差以及概率密度函数通过对大量历史数据的观测和拟合而得到,由决策变量和随机变量共同决定的风险约束需要在预先给定的置信水平下成立。
机会约束的光伏发电最大并网容量评估模型通过把断面潮流越限的风险与旋转备用不足的风险限制在一定置信水平之下,通过最大化目标函数的值,得到光伏发电最大并网容量,为最优调度决策做准备。
然而机会约束优化问题的求解是非常困难的,现有的求解方法普遍存在计算量大的缺点,因此无法实现并网容量评估的高效性和灵活性,光伏发电最大并网容量评估的建模以及高效求解是目前亟需解决的问题。
发明内容
本发明的目的是为克服已有技术的不足之处,提出一种基于凸松弛的光伏发电最大并网容量评估方法。
本发明采取的技术方案如下:
一种基于凸松弛的光伏发电最大并网容量评估方法,包括以下步骤:
1)建立基于凸松弛的机会约束光伏发电最大并网容量评估模型,该模型由目标函数和约束条件组成,具体步骤如下:
1-1)确定基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数;
基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数为光伏并网容量的最大化,表达式如下:
式中,Sj为第j个光伏场的装机容量,J表示光伏场的数量;
1-2)模型的约束条件包括确定性约束和机会约束;具体如下:
1-2-1)确定性约束条件;具体如下:
1-2-1-1)功率平衡约束,表达式如下:
其中,T表示决策时段的数量、N表示传统火电机组数,J表示光伏场的数量,t为决策时段,i为传统火电机组的编号,j为光伏场的编号;pi,t表示第i台火电机组在t时段的计划出力,pd,t为t时段第d个节点的负荷量,D既表示负荷的总数,也表示节点的个数,ηj,t表示第j个光伏场在t时段的出力系数,为符合一定分布的随机变量,为第i个火电机组在t时刻提供的实际旋转备用容量,是随出力系数而变化的随机变量;考虑到功率的实时平衡,光伏场的计划参考出力应该满足以下约束,
其中,pj,t为第j个光伏场在t时刻的计划参考出力;
综合方程(2)和方程(3),可以得到:
1-2-1-2)机组出力的上下限约束,表达式如下:
1-2-1-3)光伏接入容量的上下限约束,表达式如下:
1-2-1-4)光伏场计划出力的上下限约束,表达式如下:
0≤pj,t≤Sj (7)
1-2-1-5)机组的爬坡约束,表达式如下:
对
-RDi·Δt≤pi,t+1-pi,t≤RUi·Δt (8)
其中,RDi和RUi分别表示单位时间内第i台机组的最大向下、向上爬坡率,Δt表示每个调度周期的时间间隔;
1-2-1-6)旋转备用的约束:为了平衡由于光伏出力的不确定性引起的功率波动,机组需要留有足够的正负旋转备用容量,然而这种容量的数量又会受到其他因素的限制,包括机组出力总和的限制,最大备用容量的限制,表达式如下:
1-2-2)机会约束,具体如下:
1-2-2-1)线路潮流约束:因为光伏出力为随机变量,线路上的潮流也是一个随机变量,线路上的有功功率需以一定的置信水平1-β不超过其上界,具体表达式如下:
其中,在式(11)和式(12)中,p(B)表示事件B发生的概率,事件B代表括号中不等式成立的概率;L为线路的总数量,l为线路的编号,Gi,l为第l条线路对第i台传统火力发电机组的有功出力的转移分布因子,Gj,l为第l条线路对第j个光伏场有功出力的转移分布因子,Gd,l为第l条线路对第d个节点负荷功率的转移分布因子,Ll为第l条线路上的有功潮流上限,β为线路上的有功功率不超过其上界的允许最大违背水平;
1-2-2-2)旋转备用不足的风险:正、负旋转备用的计划容量需要以一定的置信水平不小于光伏场实际出力的波动,即实际所需的旋转备用的容量,上述条件可以表达为满足置信水平为1-β的机会约束:
对
考虑到方程(3),上式可以表达为:
2)基于凸松弛的机会约束光伏发电最大并网容量评估方法:通过机会约束的凸松弛算法,光伏发电最大并网容量评估模型转化为确定性的凸优化模型,该方法包括以下内容:
2-1)机会约束的凸松弛算法:算法的标准形式:
假定机会约束确定的可行域为:
X={x:p[y(x,λ)≥0]≥1-η,x∈A} (16)
其中,是决策变量,n为决策变量x的维度,表示维度为n的所有向量构成的n维空间,λ是一个随机变量且满足一定的概率分布,样本空间为b为随机变量λ的维度,P(B)表示事件B发生的概率,η∈(0,1)表示约束条件不满足的可能性,表示由其他确定性约束所定义的非空集合,表示机会约束函数,表示目标函数,X为机会约束确定的可行域;
其中,y0(x)表示y(x,λ)中仅与x有关的部分,λj表示λ的第j个分量,yj(x)表示y(x,λ)中与λ的第j个分量λj相乘积的部分,E(·)表示随机变量的期望,b为自然数,L为实际问题中y(x,λ)的下界,是把极端场景下x和λ的值代入函数y(x,λ)得到的;
2-2)基于凸松弛算法的确定性的光伏发电最大并网容量评估模型:
光伏的出力系数满足混合高斯分布,步骤1)中的机会约束可以转化为确定性凸约束,步骤实施如下:
2-2-1)光伏场的出力系数满足混合高斯分布,表达式如下:
其中,ηj,t表示第j个光伏场在t时段的出力系数,fj,t(ηj,t)表示t时刻第j个光伏场的实际出力系数的预测值的概率密度函数,表示其第m个高斯分量,M表示总的分量个数,wm,j,t,μm,j,t,σm,j,t分别表示该分量的系数、均值和方差,满足
2-2-2)对步骤1)中的机会约束的转化,转化后的表达式如下:
其中,式(19)(20)、(21)和(22)分别对应机会约束(11)、(12)、(14)和(15),Lf1,t,Lf2,t,Lb1,t和Lb2,t分别为式(11)、(12)、(14)和(15)机会约束函数的实际下界,可以通过考虑所有机组有功出力的边界确定;wm,j,t表示式(18)中光伏场出力系数所满足的混合高斯分布的第m个高斯分量的系数;m表示式(18)中混合高斯分布分量的下标,M表示式(18)中混合高斯分布所包含的高斯分量的个数,β为机会约束的最大违背水平,e表示自然常数;
3)求解由式(1)~(15),(19)~(22)确定的确定性光伏发电最大并网容量评估模型,将求解得到的Sj作为第j个光伏场的最大并网容量。
本发明方法首先建立了以光伏接入最大容量为目标函数的随机动态并网容量评估模型,模型的约束包括确定性约束和机会约束,机会约束把传输线有功越限的风险以及旋转备用不足风险限制在一定的置信水平下;通过构造函数和应用概率不等式,提出了一种把机会约束转化为确定性的凸约束的方法,从而把机会约束的动态并网容量评估问题转化为方便求解的凸优化问题。确定性约束和不确定性约束联合优化的结果是保证系统安全运行下的光伏发电最大并网容量。
与传统的并网容量评估方法相比,本发明充分利用了机会约束随机优化的优点,有效降低了系统的风险,充分发挥了电力网络引导光伏消纳的潜力,通过提出的凸松弛方法,把不易求解的机会约束问题松弛为容易求解的凸优化问题,提高了系统运行的安全性和灵活性。本发明方法可应用于包含大规模光伏电源的电力系统光伏发电最大并网容量评估决策中。
具体实施方式
下面结合具体实施例进一步阐述本发明的内容。
本发明提出的基于凸松弛的机会约束光伏发电最大并网容量评估模型方法,着重考虑建模及松弛过程。首先,通过分析光伏出力的历史数据,获得其均值、方差及概率密度函数等统计特性。其次,针对电力系统建立机会约束的容量评估模型,在模型中考虑两种机会约束:断面潮流越限的风险约束、旋转备用不足的风险约束;然后,把机会约束松弛为确定性的凸约束,把原问题转化为容易求解的凸优化问题;最后求解调度模型,得到最大并网容量。该方法包括以下步骤:
1)建立基于凸松弛的机会约束光伏发电最大并网容量评估模型,该模型由目标函数和约束条件组成,具体步骤如下:
1)建立基于凸松弛的机会约束光伏发电最大并网容量评估模型,该模型由目标函数和约束条件组成,具体步骤如下:
1-1)确定基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数;
基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数为光伏并网容量的最大化,表达式如下:
式中,Sj为第j个光伏场的装机容量,J表示光伏场的数量;
1-2)模型的约束条件包括确定性约束和机会约束;具体如下:
1-2-1)确定性约束条件;具体如下:
1-2-1-1)功率平衡约束,表达式如下:
其中,T表示决策时段的数量、N表示传统火电机组数,J表示光伏场的数量,t为决策时段,i为传统火电机组的编号,j为光伏场的编号;pi,t表示第i台火电机组在t时段的计划出力,pd,t为t时段第d个节点的负荷量,D既表示负荷的总数,也表示节点的个数,ηj,t表示第j个光伏场在t时段的出力系数,为符合一定分布的随机变量,为第i个火电机组在t时刻提供的实际旋转备用容量,是随出力系数而变化的随机变量;考虑到功率的实时平衡,光伏场的计划参考出力应该满足以下约束,
其中,pj,t为第j个光伏场在t时刻的计划参考出力;
综合方程(2)和方程(3),可以得到:
1-2-1-2)机组出力的上下限约束,表达式如下:
其中,分别表示第i台火电机组出力的上下限;
1-2-1-3)光伏接入容量的上下限约束,表达式如下:
1-2-1-4)光伏场计划出力的上下限约束,表达式如下:
0≤pj,t≤Sj (7)
1-2-1-5)机组的爬坡约束,表达式如下:
-RDi·Δt≤pi,t+1-pi,t≤RUi·Δt (8)
其中,RDi和RUi分别表示单位时间内第i台机组的最大向下、向上爬坡率,Δt表示每个调度周期的时间间隔;
1-2-1-6)旋转备用的约束:为了平衡由于光伏出力的不确定性引起的功率波动,机组需要留有足够的正负旋转备用容量,然而这种容量的数量又会受到其他因素的限制,包括机组出力总和的限制,最大备用容量的限制,表达式如下:
1-2-2)机会约束,具体如下:
1-2-2-1)线路潮流约束:因为光伏出力为随机变量,线路上的潮流也是一个随机变量,线路上的有功功率需以一定的置信水平1-β不超过其上界,具体表达式如下:
其中,在式(11)和式(12)中,p(B)表示事件B发生的概率,事件B代表括号中不等式成立的概率;L为线路的总数量,l为线路的编号,Gi,l为第l条线路对第i台传统火力发电机组的有功出力的转移分布因子,Gj,l为第l条线路对第j个光伏场有功出力的转移分布因子,Gd,l为第l条线路对第d个节点负荷功率的转移分布因子,Ll为第l条线路上的有功潮流上限,β为线路上的有功功率不超过其上界的允许最大违背水平;
1-2-2-2)旋转备用不足的风险:正、负旋转备用的计划容量需要以一定的置信水平不小于光伏场实际出力的波动,即实际所需的旋转备用的容量,上述条件可以表达为满足置信水平为1-β的机会约束:
考虑到方程(3),上式可以表达为:
2)基于凸松弛的机会约束光伏发电最大并网容量评估方法:通过机会约束的凸松弛算法,光伏发电最大并网容量评估模型转化为确定性的凸优化模型,该方法包括以下内容:
2-1)机会约束的凸松弛算法:算法的标准形式:
假定机会约束确定的可行域为:
X={x:p[y(x,λ)≥0]≥1-η,x∈A} (16)
其中,是决策变量,n为决策变量x的维度,表示维度为n的所有向量构成的n维空间,λ是一个随机变量且满足一定的概率分布,样本空间为b为随机变量λ的维度,P(B)表示事件B发生的概率,η∈(0,1)表示约束条件不满足的可能性,表示由其他确定性约束所定义的非空集合,表示机会约束函数,表示目标函数,X为机会约束确定的可行域;
当时,凸松弛后的可行域为:
其中,y0(x)表示y(x,λ)中仅与x有关的部分,λj表示λ的第j个分量,yj(x)表示y(x,λ)中与λ的第j个分量λj相乘积的部分,E(·)表示随机变量的期望,b为自然数,L为实际问题中y(x,λ)的下界,是把极端场景下x和λ的值代入函数y(x,λ)得到的;
2-2)基于凸松弛算法的确定性的光伏发电最大并网容量评估模型:
光伏的出力系数满足混合高斯分布,步骤1)中的机会约束可以转化为确定性凸约束,步骤实施如下:
2-2-1)光伏场的出力系数满足混合高斯分布,表达式如下:
其中,ηj,t表示第j个光伏场在t时段的出力系数,fj,t(ηj,t)表示t时刻第j个光伏场的实际出力系数的预测值的概率密度函数,表示其第m个高斯分量,M表示总的分量个数,wm,j,t,μm,j,t,σm,j,t分别表示该分量的系数、均值和方差,满足
2-2-2)对步骤1)中的机会约束的转化,转化后的表达式如下:
其中,式(19)(20)、(21)和(22)分别对应机会约束(11)、(12)、(14)和(15),Lf1,t,Lf2,t,Lb1,t和Lb2,t分别为式(11)、(12)、(14)和(15)机会约束函数的实际下界,可以通过考虑所有机组有功出力的边界确定;wm,j,t表示式(18)中光伏场出力系数所满足的混合高斯分布的第m个高斯分量的系数;m表示式(18)中混合高斯分布分量的下标,M表示式(18)中混合高斯分布所包含的高斯分量的个数,β为机会约束的最大违背水平,e表示自然常数;
3)求解由式(1)~(15),(19)~(22)确定的确定性光伏发电最大并网容量评估模型,将求解得到的Sj作为第j个光伏场的最大并网容量。
Claims (1)
1.一种基于凸松弛的光伏发电最大并网容量评估方法,其特征在于,包括以下步骤:
1)建立基于凸松弛的机会约束光伏发电最大并网容量评估模型,该模型由目标函数和约束条件组成,具体步骤如下:
1-1)确定基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数;
基于凸松弛的机会约束光伏发电最大并网容量评估模型的目标函数为光伏并网容量的最大化,表达式如下:
式中,Sj为第j个光伏场的装机容量,J表示光伏场的数量;
1-2)模型的约束条件包括确定性约束和机会约束;具体如下:
1-2-1)确定性约束条件;具体如下:
1-2-1-1)功率平衡约束,表达式如下:
其中,T表示决策时段的数量、N表示传统火电机组数,J表示光伏场的数量,t为决策时段,i为传统火电机组的编号,j为光伏场的编号;pi,t表示第i台火电机组在t时段的计划出力,pd,t为t时段第d个节点的负荷量,D既表示负荷的总数,也表示节点的个数,ηj,t表示第j个光伏场在t时段的出力系数,为符合一定分布的随机变量,为第i个火电机组在t时刻提供的实际旋转备用容量,是随出力系数而变化的随机变量;考虑到功率的实时平衡,光伏场的计划参考出力应该满足以下约束,
其中,pj,t为第j个光伏场在t时刻的计划参考出力;
综合方程(2)和方程(3),可以得到:
1-2-1-2)机组出力的上下限约束,表达式如下:
对
1-2-1-3)光伏接入容量的上下限约束,表达式如下:
1-2-1-4)光伏场计划出力的上下限约束,表达式如下:
0≤pj,t≤Sj (7)
1-2-1-5)机组的爬坡约束,表达式如下:
-RDi·Δt≤pi,t+1-pi,t≤RUi·Δt (8)
其中,RDi和RUi分别表示单位时间内第i台机组的最大向下、向上爬坡率,Δt表示每个调度周期的时间间隔;
1-2-1-6)旋转备用的约束:为了平衡由于光伏出力的不确定性引起的功率波动,机组需要留有足够的正负旋转备用容量,然而这种容量的数量又会受到其他因素的限制,包括机组出力总和的限制,最大备用容量的限制,表达式如下:
1-2-2)机会约束,具体如下:
1-2-2-1)线路潮流约束:因为光伏出力为随机变量,线路上的潮流也是一个随机变量,线路上的有功功率需以一定的置信水平1-β不超过其上界,具体表达式如下:
其中,在式(11)和式(12)中,p(B)表示事件B发生的概率,事件B代表括号中不等式成立的概率;L为线路的总数量,l为线路的编号,Gi,l为第l条线路对第i台传统火力发电机组的有功出力的转移分布因子,Gj,l为第l条线路对第j个光伏场有功出力的转移分布因子,Gd,l为第l条线路对第d个节点负荷功率的转移分布因子,Ll为第l条线路上的有功潮流上限,β为线路上的有功功率不超过其上界的允许最大违背水平;
1-2-2-2)旋转备用不足的风险:正、负旋转备用的计划容量需要以一定的置信水平不小于光伏场实际出力的波动,即实际所需的旋转备用的容量,上述条件可以表达为满足置信水平为1-β的机会约束:
对
考虑到方程(3),上式可以表达为:
2)基于凸松弛的机会约束光伏发电最大并网容量评估方法:通过机会约束的凸松弛算法,光伏发电最大并网容量评估模型转化为确定性的凸优化模型,该方法包括以下内容:
2-1)机会约束的凸松弛算法:算法的标准形式:
假定机会约束确定的可行域为:
X={x:p[y(x,λ)≥0]≥1-η,x∈A} (16)
其中,是决策变量,n为决策变量x的维度,表示维度为n的所有向量构成的n维空间,λ是一个随机变量且满足一定的概率分布,样本空间为b为随机变量λ的维度,P(B)表示事件B发生的概率,η∈(0,1)表示约束条件不满足的可能性,表示由其他确定性约束所定义的非空集合,表示机会约束函数,表示目标函数,X为机会约束确定的可行域;
其中,y0(x)表示y(x,λ)中仅与x有关的部分,λj表示λ的第j个分量,yj(x)表示y(x,λ)中与λ的第j个分量λj相乘积的部分,E(·)表示随机变量的期望,b为自然数,L为实际问题中y(x,λ)的下界,是把极端场景下x和λ的值代入函数y(x,λ)得到的;
2-2)基于凸松弛算法的确定性的光伏发电最大并网容量评估模型:
光伏的出力系数满足混合高斯分布,步骤1)中的机会约束可以转化为确定性凸约束,步骤实施如下:
2-2-1)光伏场的出力系数满足混合高斯分布,表达式如下:
其中,ηj,t表示第j个光伏场在t时段的出力系数,fj,t(ηj,t)表示t时刻第j个光伏场的实际出力系数的预测值的概率密度函数,表示其第m个高斯分量,M表示总的分量个数,wm,j,t,μm,j,t,σm,j,t分别表示该分量的系数、均值和方差,满足
2-2-2)对步骤1)中的机会约束的转化,转化后的表达式如下:
其中,式(19)、 (20)、(21)和(22)分别对应机会约束(11)、(12)、(14)和(15),Lf1,t,Lf2,t,Lb1,t和Lb2,t分别为式(11)、(12)、(14)和(15)机会约束函数的实际下界,可以通过考虑所有机组有功出力的边界确定;wm,j,t表示式(18)中光伏场出力系数所满足的混合高斯分布的第m个高斯分量的系数;m表示式(18)中混合高斯分布分量的下标,M表示式(18)中混合高斯分布所包含的高斯分量的个数,β为机会约束的最大违背水平,e表示自然常数;
3)求解由式(1)~(15),(19)~(22)确定的确定性光伏发电最大并网容量评估模型,将求解得到的Sj作为第j个光伏场的最大并网容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026558.1A CN109255102B (zh) | 2018-09-04 | 2018-09-04 | 一种基于凸松弛的光伏发电最大并网容量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026558.1A CN109255102B (zh) | 2018-09-04 | 2018-09-04 | 一种基于凸松弛的光伏发电最大并网容量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255102A CN109255102A (zh) | 2019-01-22 |
CN109255102B true CN109255102B (zh) | 2020-02-04 |
Family
ID=65047065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026558.1A Active CN109255102B (zh) | 2018-09-04 | 2018-09-04 | 一种基于凸松弛的光伏发电最大并网容量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255102B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076626B (zh) * | 2021-03-17 | 2022-10-04 | 武汉工程大学 | 基于分布鲁棒优化的分布式光伏极限并网容量评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986193B (zh) * | 2014-05-30 | 2016-04-20 | 广西大学 | 一种最大风电并网容量获取的方法 |
CN104134011A (zh) * | 2014-08-14 | 2014-11-05 | 贵州电力试验研究院 | 一种配电网小水电接入最优接纳能力的计算方法 |
CN104751246B (zh) * | 2015-04-09 | 2019-01-15 | 国网宁夏电力公司经济技术研究院 | 一种基于随机机会约束的有源配电网规划方法 |
US10101050B2 (en) * | 2015-12-09 | 2018-10-16 | Google Llc | Dispatch engine for optimizing demand-response thermostat events |
CN106532778B (zh) * | 2016-12-30 | 2020-05-08 | 国网冀北电力有限公司秦皇岛供电公司 | 一种计算分布式光伏并网最大准入容量的方法 |
CN106998077A (zh) * | 2017-03-09 | 2017-08-01 | 国网新疆电力公司 | 一种长距离输电型电网光伏最大消纳能力的确定方法 |
CN108039723B (zh) * | 2017-11-27 | 2020-09-25 | 国网江西省电力有限公司经济技术研究院 | 一种考虑功率随机性的配电网分布式电源容量评估方法 |
CN108460482A (zh) * | 2018-01-31 | 2018-08-28 | 南京理工大学 | 考虑可中断负荷和日前小时电价的风电消纳方法 |
-
2018
- 2018-09-04 CN CN201811026558.1A patent/CN109255102B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109255102A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107910863B (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
CN110717688B (zh) | 考虑新能源出力不确定性的水风光短期联合优化调度方法 | |
CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
CN109256810B (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
CN103997039B (zh) | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN111429024B (zh) | 一种考虑灵活性平衡机理的水-风-光短期联合调度方法 | |
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 | |
CN111313475A (zh) | 一种功率平衡约束考虑预测误差不确定变量的电力系统调度方法 | |
Zhang et al. | Grid–source coordinated dispatching based on heterogeneous energy hybrid power generation | |
CN113241803A (zh) | 一种基于新能源消纳的储能调度方法及计算机介质 | |
CN109299862B (zh) | 一种风电最大消纳能力的凸松弛评估方法 | |
Yang et al. | Multi-Objective optimal scheduling of island microgrids considering the uncertainty of renewable energy output | |
CN109657898B (zh) | 一种基于凸松弛的可再生能源随机动态经济调度方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
CN108695893B (zh) | 一种省级电网新能源弃电量影响因素分解方法 | |
CN113298407B (zh) | 一种工业园区电-气综合能源系统优化调度模型建立方法 | |
CN109255102B (zh) | 一种基于凸松弛的光伏发电最大并网容量评估方法 | |
Gu et al. | Research on day-ahead optimal scheduling of wind-photovoltaic-thermal-energy storage combined power generation system based on opportunity-constrained programming | |
CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 | |
Zhou et al. | Optimal dispatching of distribution network considering system flexibility and user thermal comfort | |
Fu et al. | Comparison of modeling methods of dynamic economic dispatch with stochastic wind power integration | |
Zhong et al. | Coordinated control of coastal multi-source multi-load system with desalination load: a review | |
Wang et al. | Intraday net load reserve demand assessment based on catboost and kernel density estimation |
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 |