CN109274117A - 一种数据驱动的日前鲁棒机组组合方法 - Google Patents

Abstract

本发明公开了一种数据驱动的日前鲁棒机组组合方法，考虑到新能源出力的不确定性对日前调度所带来的影响，本发明通过收集主网的相关运行参数与当地风电场的历史数据，构建了一种考虑风电时空相关性的不确定集合，通过有限个极限场景替代大量的历史场景，同时根据对主网日前调度模型进行了详尽的建模，提出了一种针对有限个极限场景的鲁棒优化求解方法。本发明充分考虑了风电在时间与空间上的相关性，经过优化后的调度方案能够极大的减少传统鲁棒优化带来的保守性，最大限度的降低电网的发电成本，减少资源浪费。

Description

一种数据驱动的日前鲁棒机组组合方法

技术领域

本发明属于电气工程领域，更具体地，涉及一种数据驱动的日前鲁棒机组组合方法。

背景技术

随着能源危机与环境污染问题的不断加重，光伏风电等新能源在电网中的渗透率不断增加。常规火电、水电机组都能通过一定的处理方法转变为持续稳定并且可控的能源，而风电等新能源则表现出很强的随机性，间歇性和波动性，且其预测精度较低，这就为传统的日前调度方法带来了一定的困难。针对这一问题，现有多采用机会约束规划、鲁棒优化等方法来处理模型中的随机性。对于机会约束方法，其约束以概率的形式满足，这就意味着最终求解得到的调度策略不满足相关约束，进而威胁到电网的安全运行。而鲁棒优化方法则是通过建立不确定集合对不确定参数进行描述，以保证调度策略能够满足所有的不确定参数的取值。但是现有的鲁棒优化方法中多采用盒式集合对不确定集合进行描述，即不考虑风电场之间的空间相关性与单风电场自身的时间相关性，这无疑增大了不确定集合的体积，导致了由传统鲁棒优化求解得到的调度策略过于保守，进而导致经济性下降，甚至会出现无调度策略满足约束的情况。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种数据驱动的日前鲁棒机组组合方法，由此解决传统鲁棒优化方法过于保守的弊端。

为实现上述目的，本发明提供了一种数据驱动的日前鲁棒机组组合方法，包括：

(1)以天为单位，将各风电场历史出力数据对各风电场的出力上限进行标幺化处理，得到所有风电场每天的出力数据，将所有风电场在每天的出力数据均作为一个场景；

(2)得到能够包围所有场景的四边形，并选取四边形中的若干个顶点作为不确定集合，其中，每个顶点对应一种极限场景；

(3)以目标函数为发电成本最小构建日前调度模型，并基于考虑有限个极限场景的鲁棒优化对日前调度模型进行对等转换，实现对日前调度模型的求解，得到能够应对所有极限场景的日前调度策略。

优选地，步骤(2)包括：

(2.1)得到能够包围所有极限场景的闭包高维椭球；

(2.2)选取所述高维椭球的2N_wT个顶点作为不确定集合，其中，每个顶点对应一种极限场景，N_w为风电场个数，T为每天的调度时间段。

优选地，所述高维椭球表示为：其中，为正定矩阵，其代表所述高维椭球的对阵轴对坐标轴的偏离程度，为所述高维椭球的中心点。

优选地，步骤(2.2)包括：

由Q＝P^TDP＝P^-1DP对正定矩阵Q进行正交化分解，所得到的D矩阵为对角线矩阵，且对角线上均为正数，记则高维椭球的顶点所构成的矩阵为：其中，ω_e,q,q∈1,2,...,N_e表示高维椭球顶点的坐标值，N_e＝2N_wT；

由确定不确定集合W，其中，p_q表示系数。

优选地，步骤(3)包括：

(3.1)由确定日前调度模型，其中，ω代表随机变量，x代表机组开机方式，y为发电机出力，函数q为目标函数，其为发电成本最小，函数f为等式约束，其包括启/停机费用约束，煤耗约束，功率平衡约束及发电机状态约束，函数g为不等式约束，其包括潮流上限约束，发电机出力上下限约束，发电机最小起停时间约束及发电机爬坡约束；

(3.2)考虑风电随机性，且采用鲁棒优化将日前调度模型转换为：

(3.3)若需要开机方式满足所有可能出现的极限场景，则充要条件为日前调度模型满足所有的极限场景，以此将步骤(3.2)中转换后的日前调度模型进行鲁棒对等转换为：其中，F表示新生成的目标函数，y_e,q表示在第q个极限场景下发电机的出力值，N_e表示极限场景的个数。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本发明提出了一种考虑风电出力时空相关性的不确定集合描述方法，解决了现有鲁棒优化方法过于保守的弊端，与此同时，基于这种不确定集合，提出了一种鲁棒优化求解方法，极大的减少传统鲁棒优化带来的保守性。

附图说明

图1是本发明实施例提供的一种方法流程示意图；

图2是本发明实施例提供的一种case6主网算例拓扑示意图；

图3是本发明实施例提供的一种主网负荷曲线示意图；

图4是本发明实施例提供的一种部分极限场景下风电出力的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出了一种数据驱动的日前鲁棒机组组合方法，通过收集风电场的历史出力数据，提出了一种考虑风电出力时空相关性的不确定集合描述方法，解决了现有鲁棒优化方法过于保守的弊端，与此同时，基于这种不确定集合，提出了一种鲁棒优化求解方法，极大的减少传统鲁棒优化带来的保守性，最大限度的降低电网的发电成本，减少资源浪费。

如图1所示为本发明实施例提供的一种数据驱动的日前鲁棒机组组合方法的流程示意图，在图1所示的方法中具体包括以下步骤：

(1)收集相关参数

首先收集各个风电场的历史出力数据与主网的相关运行参数，其中，主网的相关运行参数包括：主网发电机集合G，主网发电机个数N_G，主网节点集合B，主网节点个数N_B，主网支路集合L，主网支路个数N_L，主网负荷节点集合LD，主网负荷节点个数N_LD，主网中风电场的集合U，风电场个数N_w，主网负荷节点i在t时刻功率P_LDi,t，主网支路l允许通过的最大功率P_L,max，主网发电机j最大/小出力值P_Gj,max/P_Gi,min，主网发电机j最小开机时间T_on,j，主网发电机j最小关机时间T_off,j，主网发电机j运行时单位时段内最大上/下爬坡功率值RU_G,j/RD_G,j，主网发电机j开机后单位时段内最大上爬坡功率值SU_G,j，主网发电机j关机前单位时段内最大下爬坡功率值SD_G,j，主网发电机j开机/关机费用CSU_G,j/CSD_G,j。

在本发明实施例中，以标准6节点为例，拓扑如图2所示，发电机相关参数如下表1所示：

在主网中，包含发电机三台，其参数如下表1所示：

表1发电机参数表

其中，电网负荷预测曲线P_LDi,t可以从调度中心获取。

在本发明实施例中，所收集的负荷曲线数据如图3所示。

所收集到的各个风电场历史出力数据对各风电场的出力上限标幺化后表示为如下的矩阵P^W形式：

其中，N_w为风电场个数，T₁为所收集到的历史数据的时段数，假设收集到的数据为N_d天，设日前调度时间为一天，分为T个时段(T可以为24)，则T₁＝N_dT，为第m个风电场在第n时刻的出力值，m为风电场的下标，n为时间的下标，其中，m∈1,2,...,N_w,n∈1,2,...,T₁。

(2)求解由历史出力场景确定的不确定集合。

将收集到的风电历史出力数据按天进行划分，记每天的出力数据为一个场景，如下所示：

其中，k∈1,2,...,N_d。

将上述矩阵写为分块矩阵的形式，如下式所示：

其中，k∈1,2,...,N_d。

完成矩阵分块后，求解一个能够包围所有场景的四边形，具体做法如下所示：

首先求解一个能够包围所有场景的闭包高维椭球，即求解优化：

其中，为正定矩阵，其代表高维椭球的对阵轴对坐标轴的偏离程度，为高维椭球的中心点，表示N_wT维的单位球体积，ω_h,s,s＝1,2...表示场景s下风电历史出力值，h为历史场景。完成优化(4)的求解后，得到该椭球的表达式为：

其中，表示N_wT维实数集合。

其次，选取该椭圆的2N_wT个顶点(记为极限场景ω_e)作为不确定集合，求解该不确定集合的方法如下：

对正定矩阵Q进行正交化分解：Q＝P^TDP＝P^-1DP，所得到的D矩阵为对角线矩阵，且对角线上均为正数。记则高维椭圆的顶点所构成的矩阵可表示为：

其中，ω_e,q,q∈1,2,...,N_e表示高维椭球顶点的坐标值，N_e＝2N_wT，则不确定集合W表达式为：

其中，p_q表示0～1的系数。

最终得到的部分极限场景下风电出力的示意图如图4所示。

(3)针对考虑有限个极限场景的鲁棒优化模型进行对等转换

在风电出力为已知量时，日前调度模型的数学表达式如下所示：

目标函数为发电成本最小，其数学表达式为：

其中，N_G为发电机个数；T为调度时间段；C_SUj,t和C_SDj,t为发电机组j在t时刻的启/停机费用；F_j,t(P_Gj,t)为发电机组j在t时刻所产生的煤耗，P_Gj,t为发电机j在t时刻所发出的有功。变量所需满足的约束如下所示：

其中，v_Gj,t为主网发电机j在t时刻开机动作，u_Gj,t为主网发电机j在t时刻关机动作，均为0/1变量，a_Gj、b_Gj、C_Gj分别表示为煤耗成本的常数项、一次项系数、二次项系数，对机组煤耗做线性化处理可得：

其中，A_Gj,p/B_Gj,p为机组j的第p分段对应的燃料系数。传统日前调度模型满足以下约束：

其中，约束(12)为功率平衡约束，(13)为潮流上限约束，(14)为发电机出力上下限约束，(15)(16)为发电机状态约束，(17)～(20)为发电机最小起停时间约束，(21)(22)为发电机爬坡约束。其中，P_wk,t为k节点处风机在t时刻发出的有功功率；v_i,t、u_i,t、I_i,t均为0/1变量，v_i,t为主网发电机i在t时刻开机动作，0为在t时刻不动作，1为在t时刻开机；u_i,t为主网发电机i在t时刻关机动作，0为在t时刻不动作，1为在t时刻关机；I_i,t为主网发电机i在t时刻状态，0为在t时刻处于关机状态，1为在t时刻处于开机状态；P_LDj,t、N_d分别为负荷节点j在t时刻的有功功率、配电网个数，b为参考节点、T_l,b为直流潮流中的传输矩阵(由网架结构决定)，G(b)为连接在b节点上的发电机节点集合，LD(b)为连接在b节点上的负荷节点集合，U(b)为连接在b节点上的风场的集合，P_L,max为线路允许通过的最大功率值，u_i,t为主网发电机i在t时刻关机动作，v_i,t为主网发电机i在t时刻开机动作，I_i,t为主网发电机i在t时刻状态，I_i,t+1为主网发电机i在t+1时刻状态，I_i,w为主网发电机i在w时刻状态，I_i,t-1为主网发电机i在t-1时刻状态，P_Gi,t+1为发电机i在t+1时刻的有功出力值。

采用一般形式描述以上模型：

其中，ω代表随机变量，x代表机组开机方式，y为发电机出力。函数q为目标函数，其等价于式(8)，函数f为等式约束，其等价于式(9)、(11)、(12)、(15)，函数g为不等式约束，其等价于式(13)～(14)、(16)～(22)。当考虑风电随机性时，且采用鲁棒优化进行处理时，上式变为：

由于上式中存在max-min优化模型，无法用传统的求解器对其进行求解，因此需要进行鲁棒对等转换。

根据鲁棒优化理论，若要开机方式满足所有可能出现的场景，其充要条件为其满足所有的极限场景ω_e，即上式等价为：

其中，F表示新生成的目标函数，定义为F，y_e,q表示在第q个极限场景下发电机的出力值。

需要注意的是，在完成上式的求解后，可以看出，日前调度策略x能够应对所有N_e个极限场景，即对于每个极限场景，有一个相应的日前调度策略x来保证决策的可行性；另一方面，对于每个极限场景，均有一个相应的调度策略y来保证决策的最优性。

最终求解后可以得到日前调度中机组的开机方式(即向量x的值)如下表2所示：

表2

时刻/t	1	2	3	4	5	6	7	8
									I<sub>G1,t</sub>	1	1	1	1	1	1	1	1
I<sub>G2,t</sub>	0	0	0	0	0	0	1	1
									I<sub>G3,t</sub>	0	0	0	0	0	0	0	0
时刻/t	9	10	11	12	13	14	15	16
									I<sub>G1,t</sub>	1	1	1	1	1	1	0	0
I<sub>G2,t</sub>	1	1	1	1	1	1	1	1
									I<sub>G3,t</sub>	0	0	0	0	0	0	1	1
时刻/t	17	18	19	20	21	22	23	24
									I<sub>G1,t</sub>	0	0	0	0	0	0	0	0
I<sub>G2,t</sub>	1	1	1	1	1	1	1	1
									I<sub>G3,t</sub>	1	1	1	1	1	1	0	0

以上调度策略能够满足所有可能出现的场景，保证了日前调度策略的鲁棒性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种数据驱动的日前鲁棒机组组合方法，其特征在于，包括：

(1)以天为单位，将各风电场历史出力数据对各风电场的出力上限进行标幺化处理，得到所有风电场每天的出力数据，将所有风电场在每天的出力数据均作为一个场景；

(2)得到能够包围所有场景的四边形，并选取四边形中的若干个顶点作为不确定集合，其中，每个顶点对应一种极限场景；

(3)以目标函数为发电成本最小构建日前调度模型，并基于考虑有限个极限场景的鲁棒优化对日前调度模型进行对等转换，实现对日前调度模型的求解，得到能够应对所有极限场景的日前调度策略。

2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：

(2.1)得到能够包围所有极限场景的闭包高维椭球；

(2.2)选取所述高维椭球的2N_wT个顶点作为不确定集合，其中，每个顶点对应一种极限场景，N_w为风电场个数，T为每天的调度时间段。

3.根据权利要求2所述的方法，其特征在于，所述高维椭球表示为：其中，为正定矩阵，其代表所述高维椭球的对阵轴对坐标轴的偏离程度，为所述高维椭球的中心点。

4.根据权利要求3所述的方法，其特征在于，步骤(2.2)包括：

由Q＝P^TDP＝P^-1DP对正定矩阵Q进行正交化分解，所得到的D矩阵为对角线矩阵，且对角线上均为正数，记则高维椭球的顶点所构成的矩阵为：其中，ω_e，q，q∈1，2，...，N_e表示高维椭球顶点的坐标值，N_e＝2N_wT；

由确定不确定集合W，其中，p_q表示系数。

5.根据权利要求4所述的方法，其特征在于，步骤(3)包括：

(3.1)由确定日前调度模型，其中，ω代表随机变量，x代表机组开机方式，y为发电机出力，函数q为目标函数，其为发电成本最小，函数f为等式约束，其包括启/停机费用约束，煤耗约束，功率平衡约束及发电机状态约束，函数g为不等式约束，其包括潮流上限约束，发电机出力上下限约束，发电机最小起停时间约束及发电机爬坡约束；

(3.2)考虑风电随机性，且采用鲁棒优化将日前调度模型转换为：

(3.3)若需要开机方式满足所有可能出现的极限场景，则充要条件为日前调度模型满足所有的极限场景，以此将步骤(3.2)中转换后的日前调度模型进行鲁棒对等转换为：其中，F表示新生成的目标函数，y_e,q表示在第q个极限场景下发电机的出力值，N_e表示极限场景的个数。