CN109256799A - 一种基于样本熵的新能源电力系统优化调度方法 - Google Patents

Abstract

一种基于样本熵的新能源电力系统优化调度方法，属于电力系统中新能源电力系统优化调度领域。本发明首先，针对新能源、风电及光伏，进行出力预测；新能源与传统负荷形成净负荷。其次，对净负荷序列进行特性分析，并划分子序列，计算相应样本熵。最后，基于样本熵对净负荷子序列进行复杂度评估，根据反映复杂度的样本熵值进行电源角色调整，传统的电源对净负荷的波动性进行灵活追踪。本发明针对电力系统中新能源并网问题，提出使高比例新能源能源优先上网与传统负荷形成净负荷，避免出现弃风弃光现象；针对净负荷曲线的波动程度，调整火电机组出力状态和区间，最小化火电机组波动，最大化可再生能源利用效率及系统经济效益。

Description

一种基于样本熵的新能源电力系统优化调度方法

技术领域

本发明属于电力系统中新能源电力系统优化调度领域。涉及到样本熵计算及电力系统优化调度相关理论，特别涉及到一种基于样本熵求解含有新能源电力系统优化调度的方法。

背景技术

为解决化石能源减少积极发展风光等新能源发电，电力系统中可再生能源比例逐年增加，导致能源生产和消费面临转型，新能源并网将成为新能源电力系统的必然发展趋势及重要特征。如何提高新能源的利用效率，减少新能源比例增加给传统电源带来的波动性是急需解决的问题。

传统的电力系统规划运行中，电源主要由火电，水电及核电组成，可再生能源占比较低，系统的不确定性较小，主要通过火电机组预留足够的备用来实现对可再生能源的波动性的互补。此方法不仅保守还会造成资源浪费。随着可再生能源比例增加，传统的电力系统向着含不确定性的电力系统发展，为了解决预留备用保守和资源浪费的问题，学者们逐步考虑满足一定置信度的电源备用，以及各种储能手段接入电网，提高系统电源侧柔性，响应可再生能源的波动性。新能源电力系统中风电，光伏等可再生能源大力发展，电源侧趋向清洁化低碳化，逐步与传统电源共同承担负荷需求，预计到2050年新能源占比超60％，同时，负荷侧的分布式电源、电动汽车、负荷储能等的接入加重了系统需求侧负荷的不确定性，“源-荷”双侧的不确定性增加了对于系统灵活性的要求，使得电力系统的能量平衡趋近概率化。

目前，国内外专家及研究学者针对新能源并网相关问题进行了大量的研究，分析其带来的挑战、对新能源电力系统的规划与展望。从可再生能源本身性质出发，分析可再生能源的不确定特性，与负荷的相关性及匹配度，建立相关模型，促进新能源系统中的可再生能源消纳。从新能源并网角度出发，针对可再生能源在不同开发与消纳模式下的电量比例、系统运行和可用调节容量等方面分析其消纳效率。针对新能源并网，建立相关的“源-荷-储”电力调度模型，通过提高需求侧和供应侧资源的协调以及储能技术对负荷分布的调控能力，或者从优化备用角度来提升新能源的消纳能力及消纳水平。

发明内容

本发明的目的是提供一种基于样本熵的新能源电力系统优化调度方法。为了促进新能源的消纳，减少弃水、弃风、弃光等，提高新能源的利用效率，调度允许可再生能源优先上网，具有随机性的新能源优先被负荷消纳，形成净负荷。对净负荷序列进行特性分析，并划分子序列，计算响应样本熵，基于样本熵对净负荷子序列进行复杂度评估，根据反映复杂的样本熵值进行电源角色调整传统的电源对净负荷的波动性进行灵活追踪。

本发明的技术方案是：

一种基于样本熵的新能源电力系统优化调度方法，包括以下步骤：

步骤1.针对新能源、风电及光伏，进行出力预测。

步骤2.新能源与传统负荷形成净负荷，如式(1)所示：

其中，t为时刻，单位为小时，P_Lt为传统负荷在t时刻需求量，为风电场wpi在t时段的预测出力，nw为风电厂总数，为光伏发电厂solari在t时段的预测出力，ns为光伏发电厂总数，P_NLt为系统净负荷在t时刻需求量。

步骤3.净负荷时间序列特性分析，滚动式计算净负荷时间序列的样本熵，根据净负荷曲线趋势，记录所选样本熵的时段首末时间点及对应样本熵值。

所述的样本熵的求解步骤如下：

(1)给定时间序列，{u_i}＝{u(1),u(2),...,u(N)}，其中N为样本总数；

(2)将时间序列{u_i}进行整理，生成m维子序列U(i)＝[u(i),u(i+1),...,u(i+m-1)]，其中，i＝1,2,...,N-m+1，一般情况m取为2；

(3)定义U(i)与U(j)之间的距离为两者对应元素差值最大的一个；对于每一个i值计算U(i)与其余U(j)之间的距离，其中j＝1,2,...,N-m+1,j≠i。即：

(4)给定相似容限r(r>0，通常取值为0.1～0.25SD，SD为时间序列的标准差)，对应每一个i，统计的个数，并计算其与样本数据距离总数N-m的比值，计作该过程称为子序列U(i)的模板匹配过程，则：

(5)求的平均值为：

(6)增加维数为m+1，重复步骤(1)-(5)，得到的平均值B^m+1(r)，则样本熵定义为：

当N取有限值时，式(5)所表示的为样本熵估计值，如式(6)所示：

SampEn(r,m,N)＝-ln(B^m+1(r)/B^m(r)) (6)

步骤4.建立基于样本熵的新能源电力系统调度模型

(1)目标函数

模型以系统火电机组运行成本F_thermal为目标函数，如式(7)所示：

式中，T是调度时段总数；ng为可调度火电机组数；P_pi,t为机组pi有功出力，a_pi、b_pi以及c_pi为火电机组pi的成本系数。

(2)能量平衡方程与火电机组出力约束条件

系统能量平衡的等式约束如式(8)所示：

式中，为火电机组总发电量，P_Hgeni,t为水电站Hgeni在t时刻发电功率，P_Hpumpi,t为水电站Hpumpi在t时刻抽水功率，np为抽水蓄能电站发电机总数量。

抽水蓄能电站抽水功率和发电功率约束如式(9)和式(10)所示：

式中，和分别为水电站发电功率最大值及最小值。和分别为水电站抽水功率的最大值和最小值。对于抽水蓄能电站，抽水与发电不能发生在同一时刻，即P_Hgeni,t·P_Hpumpi,t＝0。水库能量转换约束为：

其中，H_Pumpi,t+1及H_Pumpi,t分别表示t+1时刻和t时刻抽水蓄能电站水库的储能情况，Δt为各时刻持续的时间间隔，γ_Pump为水泵抽水效率，γ_Gen为水力发电效率。和分别为抽水蓄能电站水库的储能上下限。

火电机组的出力约束如式(13)所示：

式中，和分别为火电机组pi的最小和最大出力约束。

火电机组的爬坡率约束如式(14)所示：

式中，UR_pi和DR_pi分别为火电机组pi爬坡上、下限。

设为t_g和t_l时段内净负荷子时间序列的样本熵值，g＝1,2,…,24，l＝1,2,…,24，根据样本熵的大小及在整体样本熵中的占比判定，若样本熵值较大即此时段内净负荷复杂度较大，则最小化火电机组出力波动，如式(15)所示：

系统旋转备用的机会约束模型如式(16)-式(19)所示。

式中，ρ为置信度；P_wpi,t为风电场wpi在t刻的实际出力。P_URi,t和P_DRi,t分别为火电机组pi的实际上、下备用。

(3)风电随机模型描述，旋转备用随机性转换及求解

分布式电源以风电，光伏为例，光伏随机性调整在频率范围调整，本专利不考虑光伏备用。假设风电出力随机特性满足Beta分布，则风功率的随机分布的概率密度函数如式(20)所示：

其中，p_wp为归一化的风电出力，B(α,β)为Beta分布函数，α,β为分布函数的形状参数，可由下列公式求得。

式中，P_wp为风电实际出力；和为风电出力的上下限；为风电出力预测值；为的期望；为的方差。

由风电随机性引起的风电不足及风电过剩由系统的火电机组备用来补足，即系统备用满足一定置信度下的风电随机波动，形如式(25)所示：

Pr{X≥X_ρ}≥ρ (25)

式中，X为随机变量，X_ρ为约束条件，ρ为置信度。

式(25)为机会约束问题，采用分位点的概念求解，如式(26)所示：

Pr(Y>Y_ρ)＝ρρ∈(0,1) (26)

式中，Y为随机变量，Y_ρ为置信度ρ下的分为点。结合图1及式(25)，式(26)可得，当X_α≤Y_ρ时，式(25)条件满足。图中，f(Y)为Y的密度函数

由机会约束及分位点的概念可得，式(16)和式(17)可以转换为式(27)和式(28)所示形式。系统旋转备用约束式(27)和式(28)的求解关键为满足式(29)和式(30)所示不等式：

则基于样本熵的含新能源电力系统调度模型如式(31)所示。

步骤5.采用原对偶内点法对新能源电力系统调度模型进行优化求解，得到基于净负荷追踪，新能源全部消纳，最大化系统经济性及保证火电机组持续稳定运行的调度解。

本发明的效果和益处是：提出了基于样本熵的新能源电力系统优化调度方法。针对电力系统中新能源并网问题，提出使高比例新能源能源优先上网与传统负荷形成净负荷，避免出现弃风弃光现象；针对净负荷曲线的波动程度，调整火电机组出力状态和区间，最小化火电机组波动，最大化可再生能源利用效率及系统经济效益。

附图说明

图1是Beta分布密度函数曲线。

图2是基于样本熵的含新能源电力系统优化调度方法流程图。

图3是系统负荷曲线。

图4净负荷曲线。

图5是净负荷对应样本熵值。

图6是不考虑样本熵，模型中火电机组出力优化结果。

图7是考虑样本熵，模型中火电机组出力优化结果。

图8是不考虑样本熵，模型中抽水蓄能出力结果。

图9是考虑样本熵，模型中抽水蓄能出力结果。

具体实施方式

以下以改进十机组系统为例，结合技术方案和附图详细叙述本发明的具体实施方式。系统参数如表1所示。系统中最大负荷为2220MW，负荷曲线如图3所示。水电厂装机容量为700MW，可参与运行的火电机组总容量2358MW，风电配比为两个装机容量500MW的风电厂，渗透率为45％；光伏发电厂装机容量为600MW，渗透率为27％，可再生能源总体占比为72％。

表1十机组系统数据

图2为基于样本熵的含新能源电力系统优化调度方法流程图，具体步骤如下：

第一步，系统相关数据整理，进行风电及光伏预测。

第二步，传统负荷及新能源生成净负荷时间序列，曲线如图4所示。

第三步，净负荷时间序列特性分析，滚动式计算净负荷时间序列的样本熵，根据净负荷曲线趋势和样本熵大小，选定子序列首末时间点。净负荷曲线及样本熵如图4、图5及表2所示。

表2系统净负荷参数

对应图4净负荷曲线得出结论，样本熵越小，复杂度越小，说明该时间段内的时间序列波动频繁，无明显变化趋势；而样本熵越大，复杂度越大，说明该时间段内的时间序列波动不频繁，一定时段内有明显的增加或减小趋势。

第四步，建立基于样本熵的新能源电力系统调度模型。风电预测置信度选取0.9，通过式(20)-(30)计算置信度为0.9条件下的风电备用上下限。

第五步，采用原对偶内点法进行优化。优化在两种情景下进行，分别为：

场景(1)模型中不考虑样本熵，为传统的优化调度，火电机组出力如图6所示。

场景(2)模型中考虑样本熵，火电机组如图7所示。

两种场景下的成本对比如表3所示。

表3两种场景下优化结果对比

系统的各项出力有表3给出，可以看出，场景(2)中，火电机组的出力成本大于场景(1)中的火电机组出力成本。结合图6和图7，基于样本熵调整的模型，如式(24)所示，根据净负荷曲线的复杂度将火电机组的爬坡进行了限制，减少了火电机组在净负荷曲线复杂度大的时段的频繁波动，使得火电机组出力在相应时段更加平滑，表3中所示场景(1)的火电机组上下爬坡总量小于均场景(2)中的爬坡总量。如图7所示，场景(1)中，可以将火电机组出力时间尺度定为“3-5-3-7-6”模式，实现净负荷追踪下的变尺度调度，全部火电机组在第二时段的5小时及第四时段的7小时内可以实现持续稳定运行，几乎没有处理调整，减少运行成本，提高系统的经济性。

抽水蓄能机组出力如图8和图9所示，结合表3可知，场景(1)中的抽水蓄能吞吐总量大于场景(2)中的，在复杂度大的净负荷对应的时间段内，场景(1)中的抽水蓄能在净负荷复杂度大的时段的参与度增加，代替了火电机组的频繁变化，保证了在净负荷复杂度大的时段内的稳定输出。

基于样本熵调整的含新能源电力系统优化调度，不仅避免了弃风弃光现象，可再生能源全部并网，同时平滑了火电机组的出力优化了出力时段，增加了火电机组稳定运行的持续时长，实现了基于样本熵追踪净负荷的电力系统变尺度调度。所提出的调度方法减少了火电机组出力的频繁波动，增加了抽水蓄能机组的参与量，进一步增加了系统的经济性和稳定性。

以上所述实施例仅表达了本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (3)

1.一种基于样本熵的新能源电力系统优化调度方法，其特征在于以下步骤：

步骤1.针对新能源、风电及光伏，进行出力预测；

步骤2.新能源与传统负荷形成净负荷，如式(1)所示：

其中，t为时刻，单位为小时，P_Lt为传统负荷在t时刻需求量，为风电场wpi在t时段的预测出力，nw为风电厂总数，为光伏发电厂solari在t时段的预测出力，ns为光伏发电厂总数，P_NLt为系统净负荷在t时刻需求量；

步骤3.净负荷时间序列特性分析，滚动式计算净负荷时间序列的样本熵，根据净负荷曲线趋势，记录所选样本熵的时段首末时间点及对应样本熵值；

步骤4.建立基于样本熵的新能源电力系统调度模型

(1)模型以系统火电机组运行成本F_thermal为目标函数

(2)能量平衡方程与火电机组出力约束条件

系统能量平衡的等式约束如式(8)所示：

式中，为火电机组总发电量，P_Hgeni,t为水电站Hgeni在t时刻发电功率，P_Hpumpi,t为水电站Hpumpi在t时刻抽水功率，np为抽水蓄能电站发电机总数量；

抽水蓄能电站抽水功率和发电功率约束如式(9)和式(10)所示：

式中，和分别为水电站发电功率最大值及最小值；和分别为水电站抽水功率的最大值和最小值；对于抽水蓄能电站，抽水与发电不能发生在同一时刻，即P_Hgeni,t·P_Hpumpi,t＝0；水库能量转换约束为：

其中，H_Pumpi,t+1及H_Pumpi,t分别表示t+1时刻和t时刻抽水蓄能电站水库的储能情况，Δt为各时刻持续的时间间隔，γ_Pump为水泵抽水效率，γ_Gen为水力发电效率；和分别为抽水蓄能电站水库的储能上下限；

火电机组的出力约束如式(13)所示：

式中，和分别为火电机组pi的最小和最大出力约束；

火电机组的爬坡率约束如式(14)所示：

式中，UR_pi和DR_pi分别为火电机组pi爬坡上、下限；

设为t_g和t_l时段内净负荷子时间序列的样本熵值，g＝1,2,…,24，l＝1,2,…,24，根据样本熵的大小及在整体样本熵中的占比判定，若样本熵值较大即此时段内净负荷复杂度较大，则最小化火电机组出力波动，如式(15)所示：

系统旋转备用的机会约束模型如式(16)-式(19)所示；

式中，ρ为置信度；P_wpi,t为风电场wpi在t刻的实际出力；P_URi,t和P_DRi,t分别为火电机组pi的实际上、下备用；

(3)风电随机模型描述，旋转备用随机性转换及求解

假设风电出力随机特性满足Beta分布，则风功率的随机分布的概率密度函数如式(20)所示：

其中，p_wp为归一化的风电出力，B(α,β)为Beta分布函数；

由风电随机性引起的风电不足及风电过剩由系统的火电机组备用来补足，即系统备用满足一定置信度下的风电随机波动，形如式(25)所示：

Pr{X≥X_ρ}≥ρ (25)

式中，X为随机变量，X_ρ为约束条件，ρ为置信度；

式(25)为机会约束问题，采用分位点的概念求解，如式(26)所示：

Pr(Y>Y_ρ)＝ρρ∈(0,1) (26)

式中，Y为随机变量，Y_ρ为置信度ρ下的分为点；结合图1及式(25)，式(26)可得，当X_α≤Y_ρ时，式(25)条件满足；

则基于样本熵的含新能源电力系统调度模型如式(31)所示；

步骤6.采用原对偶内点法对新能源电力系统调度模型进行优化求解，得到基于净负荷追踪，新能源全部消纳，最大化系统经济性及保证火电机组持续稳定运行的调度解。

2.根据权利要求1所述的一种基于样本熵的新能源电力系统优化调度方法，其特征在于，步骤3中所述的样本熵的求解步骤如下：

(1)给定时间序列，{u_i}＝{u(1),u(2),...,u(N)}，其中N为样本总数；

(2)将时间序列{u_i}进行整理，生成m维子序列U(i)＝[u(i),u(i+1),...,u(i+m-1)]，其中，i＝1,2,...,N-m+1，一般情况m取为2；

(3)定义U(i)与U(j)之间的距离为两者对应元素差值最大的一个；对于每一个i值计算U(i)与其余U(j)之间的距离，其中j＝1,2,...,N-m+1,j≠i；即：

(4)给定相似容限r(r>0，通常取值为0.1～0.25SD，SD为时间序列的标准差)，对应每一个i，统计的个数，并计算其与样本数据距离总数N-m的比值，计作该过程称为子序列U(i)的模板匹配过程，则：

(5)求的平均值为：

(6)增加维数为m+1，重复步骤(1)-(5)，得到的平均值B^m+1(r)，则样本熵定义为：

当N取有限值时，式(5)所表示的为样本熵估计值，如式(6)所示：

SampEn(r,m,N)＝-ln(B^m+1(r)/B^m(r)) (6)。

3.根据权利要求1或2所述的一种基于样本熵的新能源电力系统优化调度方法，其特征在于，步骤4的子步骤(3)中所述的Beta分布函数B(α,β)的α,β为分布函数的形状参数，由下列公式求得：

式中，P_wp为风电实际出力；和为风电出力的上下限；为风电出力预测值；为的期望；为的方差。