CN109256810A - 考虑风机出力不确定成本的多目标优化方法 - Google Patents

Abstract

本发明公开了考虑风机出力不确定成本的多目标优化方法，属于电力系统自动化的技术领域。本发明拟通过对神经网络预测模型参数进行优化，并联合风电场发电、负荷需求的历史数据，气象信息进行预测，得到风电场日前出力信息；同时，针对大规模间歇式风电出力波动性引起的不确定成本问题，引入不确定成本概念，建立以适应配电网稳定可控运行为前提的多目标优化模型，根据预测结果确定风机日前出力的不确定区间及不确定成本，利用鲁棒方法将其转化为确定性模型，并基于PSO算法的带权极小模理想点法对该确定性模型进行求解，根据风险评估等级确定最终的鲁棒优化方案，在实现风电场系统运行经济性的同时满足负荷需求与配电网安全功率需求。

Description

考虑风机出力不确定成本的多目标优化方法

技术领域

本发明公开了考虑风机出力不确定成本的多目标优化方法，属于电力系统自动化的技术领域。

背景技术

由于自然能源日益短缺，大规模新型清洁能源风电的快速发展使得配电网得到充分补充，但其间歇性、随机性和反调峰特性的发电特点给电网发电计划和调度方案的制定带来困难。在实际应用中建立风电场系统，通过预测技术预测日前具体出力值，未考虑风机出力不确定成本追求成本最小化的优化方案具有不合理性；要求满足风电并网后电力系统安全稳定、风电场运行成本和不确定成本最低、风机启停次数最少等多目标多约束问题，利用传统加权系数法的单目标优化方法只能得到片面的方案，无法给决策调度人员提供足够的决策支持。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了考虑风机出力不确定成本的多目标优化方法，建立考虑了风机出力不确定成本的多目标优化模型，通过柔性调节风机出力不确定成本实现了多目标优化模型的鲁棒优化，再基于PSO算法的带权极小模理想点法实现了多目标优化，解决了现有风机出力优化方案不合理且具有片面性的技术问题。

本发明为实现上述发明目的采用如下技术方案：

考虑风机出力不确定成本的多目标优化方法，采用RBF神经网络预测出风机日前出力情况后建立风机出力不确定区间及风机运行不确定成本，建立以风机运行成本最小、风机运行不确定成本最小、风电并网安全功率最大、风机启停次数最少为目标的优化模型，利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型，求解所述多目标确定性模型以确定风机出力优化方案。

作为考虑风机出力不确定成本的多目标优化方法的进一步优化方案，风机出力不确定区间及风机运行不确定成本为：其中， 为RBF神经网络预测的第j个风机在t时刻出力波动值的上下限，为第j个风机在t时刻的不确定性区间系数，Δ_t为在t时刻风机运行的不确定代价，Δ_t∈(0,N_W]，N_W为风机总数。

作为考虑风机出力不确定成本的多目标优化方法的再进一步优化方案，风机运行成本包含风机运行成本以及相邻时刻风机启停状态变化带来的运行成本。

进一步的，考虑风机出力不确定成本的多目标优化方法中，风机运行成本最小的表达式为：其中，F_cost为风机运行成本，T为调度周期长度，分别为第j个风机在t-1时刻，t时刻的启停状态变量，α_j、δ_j分别为第j个风机开启、关闭的成本参数，β_j为第j个风机运行的成本参数，为第j个风机在t时刻的出力。

再进一步的，考虑风机出力不确定成本的多目标优化方法中，

风机运行不确定成本最小的表达式为：

风电并网安全功率最大的表达式为：

风机启停次数最少的表达式为：

其中，F_uncer为风机运行的不确定成本，μ_j为第j个风机不确定性的惩罚系数，为第j个风机在t+1时刻的启停状态变量，为第j个风机在t+1时刻的出力，E_safe为电网调度风电的电量，F_fre为风机启停次数。

更进一步的，考虑风机出力不确定成本的多目标优化方法中，优化模型还包括：

功率平衡约束：

旋转备用约束：

风电、火电机组输出功率约束：

爬坡速度约束：

最小启停时间约束：

其中，为第f个火电机组在t时刻的出力，N_v为火电机组的数量，为t时刻的负荷需求，为t时刻的电力传输损失，为t时刻备用储能的充电需求，为t时刻的配电网电能补充，和分别为第j个风机在t时刻的最大可用出力和最小可用出力，和分别为t时刻应对风电功率波动所需的正负旋转备用，P_vf,max和P_vf,min分别为第f个火电机组的最大出力和最小出力，为第f个火电机组在t时刻的出力，P_storage,max为备用储能的最大容量，L为系统负荷的旋转备用率，L∈[0,100)，P_wj,max和P_wj,min分别为第j个风机输出功率的上下限，为第j个风机在t-1时刻的出力，P_wj,high和P_wj,low分别为第j个风机的上升出力限制和下降出力限制，和分别为第j个风机在t时刻的开机持续时间和停机持续时间，和分别为第j个风机的最小开机时间和最小停机时间。

进一步的，考虑风机出力不确定成本的多目标优化方法中，利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型的具体过程为：将风机出力不确定区间及负荷平衡约束带入旋转备用约束，根据线性对偶理论并通过构造拉格朗日函数的方式简化旋转备用约束为：通过柔性调节风机不确定成本以确定风机不确定性区间系数，其中，μ_t、δ_t、λ_t均为t时刻的拉格朗日系数。

作为考虑风机出力不确定成本的多目标优化方法的进一步优化方案，采用基于PSO算法的带权极小理想点法求解所述多目标确定性模型以确定风机出力优化方案。

本发明采用上述技术方案，具有以下有益效果：采用RBF神经网络对高度非线性的风电场出力进行高精度预测，根据RBF神经网络预测的风机出力确定不确定区间及不确定预算，通过柔性调节风机不确定成本进而确定风机出力不确定区间，同时，利用鲁棒优化方法将建立在预不确定区间基础上的多目标优化模型转化为确定性模型，并利用基于PSO算法的带权极小模理想点法进行求解，根据风险评估等级从求解得到的方案集中确定最终的鲁棒最优方案，在实现风电场系统运行经济性的同时满足负荷需求与配电网安全功率需求，为不同需求的规划者灵活地提供选择方案。

附图说明

图1为考虑风机出力不确定成本的多目标优化方法的流程图。

具体实施方式

下面结合图1对发明的技术方案进行详细说明。

本发明提出了考虑风机出力不确定成本的多目标优化方法，根据风电场出力预测结果确定风机出力的不确定区间，基于鲁棒原理将多目标风电场模型转化为确定性模型，求解得到最优方案集，并根据风险评估等级确定最终的鲁棒优化方案。

(一)利用RBF神经网络预测模型预测风机日前出力，并在此基础上确定风机出力的不确定区间：

大规模风电场的间歇性给电能调度增加了困难，用传统调度资源如火电机组、储能等能源进行大功率补充，造价昂贵。基于上述问题，考虑通过预测及鲁棒优化技术确定风电场日前出力的不确定区间。由于风电场预测是一个高度非线性系统的处理问题，本专利采用具有较好的全局逼近能力的径向基函数(RBF，Radial Basis Function)神经网络进行预测，模型建立过程如下：

(1)为了消除风机原始的出力数据带来的不利影响，提高预测模型的学习速度和预测精度，首先对数据进行归一化预处理：

其中，x′为归一化后的输入数据，x为风机出力的原始输入数据，x_min、x_max为原始数据x中的最小、最大值；

(2)优化RBF神经网络参数：

风机出力预测的多因素时间序列特性决定了该预测是一种非线性预测，用传统BP神经网络预测有一定困难，故选用RBF神经网络进行预测。在风机出力的预测过程中，以风力历史发电数据和负荷需求信息为训练样本，训练RBF神经网络获得最优网络参数，再对实时气象信息样本进行训练得到风机日前出力信息。

RBF神经网络结构的确立需要求解3个参数：基函数数据中心c_j、方差σ_j，以及隐含层到输出层的权值w_j,i。高斯核函数是最常用的隐含层基函数，式中：X＝[x₁,x₂,x₃,...,x_n]，为n维输入向量；c_j为第j个基函数中心，是与X具有相同维数的向量；σ_j为第j个神经元的标准化常数方差；n、p分别为输入层、隐含层神经元的个数。确定了隐含层函数后，RBF网络输入输出之间的关系表达式即高斯基函数，可以用下式表示：式中：m为输出层神经元的个数；y_i为输出层第i个神经元的输出值；w_j,i为隐含层第j个单元与输出层第i个单元之间的连接权值。

(3)对训练好的神经网络模型进行评价：

其中，RMSE为均方根误差，n为数据总数，为第j个风电机组在t时刻出力的预测值，为第j个风电机组在t时刻出力的真实值，j为数据序号。对模型进行误差评估，并由此对预测模型的优劣做出评判。通过训练好的RBF神经网络可以得到日前风机出力的估计值，并以此类推得到t＝T+n时刻的出力估计值。

(4)根据神经网络预测结果确定风机出力的不确定区间及不确定性预算：

其中，为第j个风电机组在t时刻出力波动值的下限，为第j个风电机组在t时刻出力波动值的上限；Δ_t为在t时刻的不确定代价，Δ_t∈(0,N_W]，为第j个风电机组在t时刻的不确定性区间系数，通过对上式的求解获得风机日前出力的不确定区间，及其相应的不确定性预算，在后续对风电的多目标模型的方案求解中，利用鲁棒原理将其转化为确定性模型，并进行优化。

(二)根据风机出力的不确定性区间建立多目标鲁棒经济优化调度模型：

由于大规模风电接入电网呈现出的不确定性，考虑风机出力的不确定区间及不确定性代价，以风机的运行成本、不确定性成本、配电网安全性以及风机启停次数为目标，确定以下多目标优化模型：

(1)优化目标：

风电机组的运行成本：

风机运行的不确定成本：

风电并网的最大安全功率限制：

风机启停次数：

其中，T为调度周期长度；N_W为风机机组数量；F_cost为风电机组运行成本；为风机j在t时段的启停状态变量，表示风机处于开机运行状态，表示风机处于停机休整状态；为风机j在t时刻的出力；α_j、δ_j分别表示风机开启、关闭的成本参数，β_j为风机运行的成本参数；F_uncer为风电机组运行的不确定成本；μ_j为第j个风电机组不确定性的惩罚系数；E_safe表示电网调度风电的电量；F_fre为风电机组启停次数。

(2)功率平衡约束：

其中，为火电机组f在t时刻的出力、N_v为火电机组数量、为t时刻的负荷需求、为t时刻的电力传输损失、为t时刻的风储系统里备用储能的充电需求、为t时刻的配电网电能补充。

(3)旋转备用约束：

其中，风电机组在t时段的最大可用出力和最小可用出力； 分别为t时段应对风电功率波动所需的正负旋转备用；P_storage,max为备用储能的最大容量，P_vf,max为第f个火电机组的最大出力，为火电机组f在t时刻的出力，L为t时刻针对系统负荷的旋转备用率，L∈[0,100)。

(4)风电、火电机组输出功率约束：

其中，P_wj,max和P_wj,min分别为风电机组j的输出功率上下限。

(5)爬坡速度约束：

其中，为风电机组j在t-1时刻的出力；P_wj,high和P_wj,low分别为风电机组j的上升出力限制和下降出力限制。

(6)最小启停时间约束：

其中，和分别为风电机组j在t时刻的开机持续时间和停机持续时间；和分别为风电机组j的最小开机时间和最小停机时间。

(三)基于鲁棒优化理论将不确定性模型转化为确定性模型，并根据风险评估等级确定鲁棒最优方案

由于大规模风电接入电网呈现出的不确定性问题，根据鲁棒优化理论将其转化为确定性模型：

首先，将上述负荷平衡与风机出力的不确定性区间公式代入火电机组的旋转备用约束中：

根据线性对偶理论及通过构造拉格朗日函数，可简化得到下式：

其中，μ_t、δ_t、λ_t均为为t时刻的拉格朗日系数。

在优化过程中，由于Δ_t柔性可调，根据风电的不确定预算成本和出力的不确定区间进行调整，也随之动态变化，因此根据式(3)确定风电出力的不确定集合，在该不确定集合的基础上，充分考虑风机出力的不确定区间及不确定性代价，对风电多目标鲁棒优化模型进行求解即可确定风机出力最优方案。

针对模型中的多目标优化问题，采用基于PSO算法的带权极小模理想点法进行求解，将多目标问题通过添加权重转化为单目标问题进行求解，根据求得的最优方案，确定风电系统在不确定集合下的方案集。对每个不确定方案造成的风险程度进行等级划分，并结合实际工程的偏好需求，选取风险较低且满足实际需求的鲁棒最优方案。实际操作方法为：假设风电系统在不确定集合下的方案为其中，N_rac为多目标模型中Archive外部档案集的大小，对每个方案可能会造成的出力波动、功率不平衡以及电压不稳定等进行风险程度评估，选取风险性最小的方案作为鲁棒优化方案Y’^*，即得到多目标模型的最优方案解。

Claims (8)

1.考虑风机出力不确定成本的多目标优化方法，其特征在于，采用RBF神经网络预测出风机日前出力情况后建立风机出力不确定区间及风机运行不确定成本，建立以风机运行成本最小、风机运行不确定成本最小、风电并网安全功率最大、风机启停次数最少为目标的优化模型，利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型，求解所述多目标确定性模型以确定风机出力优化方案。

2.根据权利要求1所述考虑风机出力不确定成本的多目标优化方法，其特征在于，所述风机出力不确定区间及风机运行不确定成本为：其中，为RBF神经网络预测的第j个风机在t时刻出力波动值的上下限，为第j个风机在t时刻的不确定性区间系数，Δ_t为在t时刻风机运行的不确定代价，Δ_t∈(0,N_W]，N_W为风机总数。

3.根据权利要求1或2所述考虑风机出力不确定成本的多目标优化方法，其特征在于，所述风机运行成本包含风机运行成本以及相邻时刻风机启停状态变化带来的运行成本。

4.根据权利要求3所述考虑风机出力不确定成本的多目标优化方法，其特征在于，风机运行成本最小的表达式为：其中，F_cost为风机运行成本，T为调度周期长度，分别为第j个风机在t-1时刻，t时刻的启停状态变量，α_j、δ_j分别为第j个风机开启、关闭的成本参数，β_j为第j个风机运行的成本参数，为第j个风机在t时刻的出力。

5.根据权利要4所述考虑风机出力不确定成本的多目标优化方法，其特征在于，

风机运行不确定成本最小的表达式为：

风电并网安全功率最大的表达式为：

风机启停次数最少的表达式为：

其中，F_uncer为风机运行的不确定成本，μ_j为第j个风机不确定性的惩罚系数，为第j个风机在t+1时刻的启停状态变量，为第j个风机在t+1时刻的出力，E_safe为电网调度风电的电量，F_fre为风机启停次数。

6.根据权利要求5所述考虑风机出力不确定成本的多目标优化方法，其特征在于，所述优化模型还包括：

功率平衡约束：

旋转备用约束：

风电、火电机组输出功率约束：

爬坡速度约束：

最小启停时间约束：

其中，为第f个火电机组在t时刻的出力，N_v为火电机组的数量，为t时刻的负荷需求，为t时刻的电力传输损失，为t时刻备用储能的充电需求，为t时刻的配电网电能补充，和分别为第j个风机在t时刻的最大可用出力和最小可用出力，和分别为t时刻应对风电功率波动所需的正负旋转备用，P_vf,max和P_vf,min分别为第f个火电机组的最大出力和最小出力，为第f个火电机组在t时刻的出力，P_storage,max为备用储能的最大容量，L为系统负荷的旋转备用率，L∈[0,100)，P_wj,max和P_wj,min分别为第j个风机输出功率的上下限，为第j个风机在t-1时刻的出力，P_wj,high和P_wj,low分别为第j个风机的上升出力限制和下降出力限制，和分别为第j个风机在t时刻的开机持续时间和停机持续时间，和分别为第j个风机的最小开机时间和最小停机时间。

7.根据权利要求6所述考虑风机出力不确定成本的多目标优化方法，其特征在于，利用鲁棒优化理论并结合对风机运行不确定成本的柔性调节将优化模型转化为多目标确定性模型的具体过程为：将风机出力不确定区间及负荷平衡约束带入旋转备用约束，根据线性对偶理论并通过构造拉格朗日函数的方式简化旋转备用约束为：通过柔性调节风机不确定成本以确定风机不确定性区间系数，其中，μ_t、δ_t、λ_t均为t时刻的拉格朗日系数。

8.根据权利要求1所述考虑风机出力不确定成本的多目标优化方法，其特征在于，采用基于PSO算法的带权极小理想点法求解所述多目标确定性模型以确定风机出力优化方案。