CN109617134B - 计及不确定量预测误差时空相关性的鲁棒机组组合方法 - Google Patents
计及不确定量预测误差时空相关性的鲁棒机组组合方法 Download PDFInfo
- Publication number
- CN109617134B CN109617134B CN201811571492.4A CN201811571492A CN109617134B CN 109617134 B CN109617134 B CN 109617134B CN 201811571492 A CN201811571492 A CN 201811571492A CN 109617134 B CN109617134 B CN 109617134B
- Authority
- CN
- China
- Prior art keywords
- constraint
- unit
- unit combination
- robust
- wind power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003462 Bender reaction Methods 0.000 claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 208000011580 syndromic disease Diseases 0.000 claims description 12
- 230000009021 linear effect Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000010410 layer Substances 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011056 performance test Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的计及不确定量预测误差时空相关性的两阶段鲁棒机组组合，该方法包括以下步骤：首先基于完备的历史数据，建立可描述不确定量(风电功率和负荷)时空相关性线性的多面体不确定集合，给定置信概率与不确定集合之间的解析关系；然后基于多面体集合，建立以预测场景下运行成本最低为目标的两阶段鲁棒安全约束机组组合模型，采用广义的Benders分解法进行求解。最后，对大量历史风电和负荷数据进行统计以构建考虑时空相关性的不确定集，并基于改进的IEEE‑30和IEEE‑118节点系统上进行测试。结果表明，考虑时空相关性的多面体集合能有效降低鲁棒优化的保守型，同时保证鲁棒安全约束机组组合安全性和经济性。
Description
技术领域
本发明涉及电力系统调度自动化技术领域，特别是涉及计及不确定量预测 误差时空相关性的鲁棒机组组合方法。
背景技术
风电等可再生能源的大规模并网在促进电力系统“绿色”发展的同时，其 出力不确定性给电力系统的调度运行带来了严峻的挑战。为应对这种挑战，电 力系统亟需新的优化调度策略制定方法。随机调度与鲁棒调度在应对不确定性 方面的具有独特优势。前者一般通过模拟场景来刻画风电场出力的不确定性， 而后者则采用不确定性集合来刻画这种不确定性。鲁棒优化使用闭凸集合描述 参数的不确定性，并计算目标函数在“最坏情况”下的最优问题，因此鲁棒优 化结果一般保守性较强。鲁棒优化结果的保守性直接受到不确定参数集合的影 响。现阶段主要采用盒式集合描述不确定集,由于盒式集合的线性性质,这种不 确定集合在电力系统中应用广泛。已有研究中针对鲁棒优化提出了风电不确定 性集合的一般建模方法，该方法考虑了单个风电厂不同时段之间的时间平滑效 应以及风电厂之间的空间集群效应，在一定程度上降低了不确定性集合的保守 性，对风电的不确定性集合有了进一步压缩。
以上研究做了很有意义的工作，但以上方法均假设各风电厂、各调度时段 之间的预测误差是相互独立的。从实际情况来看，风电厂预测误差主要源于对 气象条件的难以精确预测，考虑到调度时段上的连续、风电厂在地理上的相近， 这种独立性的假设在实际中可能难以保证，需要通过实际数据对其有效性进行 评估。
以含风电的调度问题为例,当风电场之间距离较近时,两个或多个风电场 之间的出力会具有相关性。椭球集合能够考虑时间相关性，椭球集合大幅降低 了保守性，且椭球集合的系数矩阵为风电功率的协方差矩阵，在计算集合系数、 处理相关性风电功率方面具有天然的优势，但椭球集合为非线性集合。鲁棒优 化本质为多层优化问题,对约束条件要求较高,统计方法的分析结果需要表示 为线性约束才能应用于鲁棒优化算法中。
因此希望有一种计及不确定量预测误差时空相关性的两阶段鲁棒机组组 合方法以解决现有技术中的问题。
发明内容
本发明公开的计及不确定量预测误差时空相关性的鲁棒机组组合方法，所 述组合方法包括以下步骤：
步骤1：建立可描述不确定量时空相关性线性的多面体不确定集合，根据 置信概率与多面体不确定集合之间的解析关系，得到多面体不确定集合为：
步骤2：基于多面体集合，建立以预测场景下运行成本最低为目标的两阶 段的鲁棒安全约束机组组合模型，其中目标函数为：
约束 条件为：s.t.X·Ib+Y·Pb≤gb和Q·Ib+W·Pb+R·Pu(S)≤gu(S)，其中 Pb≥0,Pu≥0,Ib∈{0,1}；
步骤3：采用广义的Benders分解法对步骤2中的鲁棒安全约束机组组合 模型进行求解。
优选地,基于历史数据，建立所述步骤1可描述不确定量时空相关性线性 的多面体不确定集合的方法包括：
步骤1.1：风电场可能出力w表示为：w＝we+Δw，其中we表示风电场 的预测出力，Δw为风电出力预测误差，根据历史数据统计可得Δw的期望值： E(Δw)＝0，协方差cov(Δw)＝Σw，Δw还表示为
将
转化为公 式：
v的各随机变量相互独立，当给定v的分布时，可以间接地确定Δw以及w 的分布形式，式中v为期望为0，协方差为单位矩阵的随机向量；
步骤1.2：根据步骤1.1中公式
和vw(w＝1,2,…,n)均相互独立，分别定义vw的分布，并确定Δw和w的分布；
若置信概率为α，并假定v1,v2,…,vn有相同的置信概率β，则βn＝α；
随机向量Δw满足：
不等式的概率为α，可得风电 出力不确定集合为：
式中 
为置信概率为β时，随机变量vw的累积分布对应的常 数。
优选地，所述步骤2中的以预测场景下运行成本最低为目标的两阶段的鲁 棒安全约束机组组合模型的目标函数为预测场景下的最低开停机成本和运行成 本；所述约束条件s.t.X·Ib+Y·Pb≤gb为预测场景下的约束条件， Q·Ib+W·Pb+R·Pu(S)≤gu(S)为不确定场景下的约束条件。
优选地,所述步骤2约束条件包括：系统功率平衡约束、火电机组及风电 场出力上下限约束、火电机组开停机时间约束、火电机组爬坡约束、火电机组 不确定场景下的功率调整约束和系统中网络安全约束。
优选地,所述步骤3广义的Benders分解法包括以下步骤：
步骤3.1：将步骤2中的的两阶段鲁棒安全约束机组组合模型通过Benders 分解法将其原始模型分解为机组组合主问题和在各种不确定性下的安全校验 子问题。
步骤3.2：求解机组组合主问题，其目标函数为：
约束 条件为s.t.X·Ib+Y·Pb≤gb，到目前为止所有获得的Benders割集为： Pb≥0,Ib∈{0,1}；
机组组合主问题为混合整数线性规划问题，采用CPLEX求解，机组组合主 问题得到基本情况下的机组组合Ib和机组出力Pb，对应基本情况的方案约束和 到目前为止获得的所有Benders割集，第一次主迭代中没有Benders割集；
步骤3.3：求解安全校验子问题，安全评估子问题探讨了有关负荷/风电 变化的最大可能违规，安全校验子问题目标函数为：
约束条件 为：
如果最坏风电出力场景
和负荷场景
的情况下最大安全违规超过 了给定的安全阈值，则生成可行性Benders割集并返回至步骤3.2的机组组合 主问题，以寻求可以减轻安全违反的新机组组合方案。
优选地,所述步骤3.3还包括以下具体步骤：
步骤3.3.1：所述安全校验子问题为max-min问题，不能直接求解，内层 的线性min问题通过KKT条件将其转化为单层问题，目标函数为：
Q＝Max η，
约束条件为：
S,λ(r)≤0；
步骤3.3.2：通过大M法求解步骤3.1中具有互补约束的Max问题，求出 对应于最大安全违规的最坏场景
和
步骤3.3.3：生成对应于最坏场景下的最大安全违规的Benders割集：如 果最坏情场景的最大安全违规v高于给定阈值，则每小时安全检查子问题：
其中λ为对偶变量，生成对应于最坏场景的Benders割集 
反馈到机组组合主问题。
本发明公开的计及不确定量预测误差时空相关性的两阶段鲁棒机组组合 方法(Two-stage Robust SCUC Considering the Spatiotemporal Correlation ofUncertainty Prediction Error)，对大量历史风电和负荷数据进行统计以 构建考虑时空相关性的不确定集，并基于改进的IEEE-30和IEEE-118节点系 统上进行测试。结果表明，考虑时空相关性的多面体集合能有效降低鲁棒优化 的保守型，同时保证鲁棒安全约束机组组合安全性和经济性。
附图说明
图1是本发明计及不确定量预测误差时空相关性的两阶段鲁棒机组组合 方法流程图。
图2是风电实测预测误差的聚集效应图。
图3是单风电场不同时段的风电预测误差相关性矩阵图。
图4是三种不确定集合的建模效果比较示意图。
图5是RUC与TRUC机组组合对比示意图。
图6是不同置信概率下的求解结果比较示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实 施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中， 自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的 元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通 过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对 本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
计及不确定量预测误差时空相关性的两阶段鲁棒机组组合方法，包括以下 步骤：
步骤A.基于完备的历史数据，建立可描述不确定量(以风电为例)时空 相关性线性的多面体不确定集合，给定置信概率与不确定集合之间的解析关系。
步骤A1：风电场可能出力w可以表示为
w＝we+Δw (1)
根据历史数据统计可得Δw的期望值E(Δw)＝0，协方差cov(Δw)＝Σw。Δw又 可表示为：
将式
的两边同时乘以
可以得到：
v的各随机变量相互独立，当给定v的分布时，可以间接地确定Δw以及w的 分布形式。式中：we表示风电场的预测出力，Δw为风电出力预测误差，v为期 望为0、协方差为单位矩阵的随机向量。
给定v的分布后，||v||2的分布为：
特别地，当vw服从正态分布时，||v||2服从自由度为n的卡方分布，即
应用到风电场的不确定性建模中，风电出力不确定集和可以表示 为：
式中，Kα为置信概率为α时，χ2(n)累积概率分布所对应的常数。
v的分布可依据风电实际出力特性分析获得，可以不为正态分布，而风电 预测误差近似满足某种分布特性已经得到广泛的证实和认可。通过对Elia的 实测风电预测误差数据进行分析，可近似认为风电预测误差服从正态分布，如 图1所示。为了便于后续对比分析，当风电预测误差服从正态分布时，将上述 构建风电出力不确定性集合的方法记为EGF方法。由于椭球形式的集合为非线 性集合，难以直接应用到混合整数线性规划模型中，因此本发明考虑了一种考 虑预测误差相关性的多面体集合。
步骤A2：基于步骤A1得到的
考虑式中vw(w＝1,2,…,n)均相互独立，分别定义vw的分布也可以间接地确定 Δw以及w的分布。若给定置信概率α，并假定v1,v2,…,vn有相同的置信概率β， 则βn＝α。随机向量Δw满足：
不等式的概率为α。进而可得到风电出力不确定集合PGF为：
式中，
为置信概率为β时，随机变量vw的累积 分布对应的常数。
3.对于步骤B，基于步骤A，给出两阶段的鲁棒安全约束机组组合模型， 目标函数为预测场景下的开停机成本和运行成本最低：
约束条件为：
s.t.X·Ib+Y·Pb≤gb (10)
Q·Ib+W·Pb+R·Pu(S)≤gu(S) (11)
其中s.t.X·Ib+Y·Pb≤gb为预测场景下的约束，Q·Ib+W·Pb+R·Pu(S)≤gu(S)为不确定场景下的约束条件。约束条件包括：系统功率平衡约束、火电机组及 风电场出力上下限约束、火电机组开停机时间约束、火电机组爬坡约束、火电 机组不确定场景下的功率调整约束、系统中网络安全约束。具体模型为：
确定性的SCUC模型是混合整数规划问题。
其目标是使系统总的调度运行费用最低，调度费用包括火电机组的运行成 本以及开机和停机费用。目标函数如式：
通常情况下，火电机组的运行费用
可以表示为如下函数：
式中：
为决策变量，分别为机组出力和启停，
为开停机费 用，ai、bi、ci为机组的发电成本函数的参数。
机组运行成本曲线为二次函数，混合整数二次规划如果用常规方法去求解， 求解速度会很慢，可能会得不到解，基于以上原因，很有必要将目标函数线性 化。
系统功率平衡：运行机组的总发电量须满足系统负荷要求。这里暂时忽略 网络损耗，即火电机组、风电机组出力总和等于总的负荷。
式中：
为每时段风电功率、负荷功率。
机组出力上下限：每台机组的出力都有最大和最小约束。
火电机组出力限制：火电机组出力高于最小发电功率，低于最大发电功率。
式中：
为火电机组出力的上下限，
为分段后每一段上的功 率。
风电机组出力限制，风机出力小于风电的最大预测值。
式中：
为风电的预测值。
机组最小启停时间：机组在一定时间段内不能重复的开机或停机。
式中：
为机组在单位时间内的开停机时间，Ton,iToff,i为最小开机 和停机时间约束。
机组开停机费用限制。
式中：sui,sdi为机组i的开停机成本。
爬坡约束：机组出力的变化量在相邻时段须满足一定的界限。
式中：URi,DRi为机组爬坡功率限制。
基于直流潮流的网络安全约束
式中：
为线路最大潮流约束，SFl,m为节点功率转移因子。
考虑不确定因素的约束条件。
电力系统负荷需求和风电功率的预测值一般是不确定的。根据式(8)预 测风电功率集合可以表示为
同样，负荷预测 的不确定集合可以表示为
引入风电和负荷两 组出力区间约束来控制鲁棒优化模型的保守性。
系统功率平衡约束。
式中：
是火电机组i和风电场w在时段t上响应不确定区间的自适 应出力调整；
是时间t的负载d的不确定负荷；
下式描述了考虑不确定性情况下火电机组和风电场的出力限制。
响应不确定性的火电机组的出力调整受其基本情况下的校正能力限制。
式中：
机组i的上/下校正功率限制。
爬坡约束：在不确定区间上，机组在相邻时段内以及各个时刻功率调整的 变化需要满足一定限制。
(5)直流潮流下的网络安全约束。
步骤B.利用Benders分解法进行求解两阶段的鲁棒安全机组组合模型， 包括以下步骤：
步骤B1：所提出的两阶段鲁棒SCUC模型通过Benders分解法将其原始模 型分解为机组组合(UC)主问题和在各种不确定性下的安全校验子问题。
步骤B2：求解UC主问题，其目标函数为：
约束条件 为s.t.X·Ib+Y·Pb≤gb，到目前为止所有获得的Benders割集，Pb≥0,Ib∈{0,1}。 UC主问题为混合整数线性规划问题，可直接采用CPLEX求解。UC主问题得到 基本情况下的机组组合Ib和机组出力Pb，对应基本情况的方案约束和到目前为 止获得的所有Benders割集。第一次主迭代中没有Benders割集。
步骤B3：求解安全校验子问题。安全评估子问题探讨了有关负荷/风电变 化的最大可能违规。安全校核子问题目标函数为：
约束条件为：
如果最坏风电出力场景
和 负荷场景
的情况下最大安全违规超过了给定的安全阈值，则生成可行性 Benders割并反馈到步骤B2的UC主问题，以寻求可以减轻安全违反的新机组 组合方案。
4.步骤B3包括：
步骤B31：安全校核子问题是max-min问题，不能直接求解。内层的min 问题是线性问题，可用KKT条件将其转化为单层问题，目标函数为：Q＝Max η， 约束条件为：
S,λ(r)≤0。
步骤B32：应用“Big-M”方法求解B31中具有互补约束的Max问题，求 出对应于最大安全违规的最坏场景
和
步骤B33：生成对应于最坏场景下的最大安全违规的Benders割：如果最 坏情场景的最大安全违规v高于给定阈值，则每小时安全检查子问题：
λ为对偶变量。生 成对应于最坏场景的Benders割
反馈到UC主 问题。
为使本领域技术人员更好地理解本发明以及了解本发明相对现有技术的 优点，申请人结合具体实施例进行进一步的阐释。
以比利时的输电系统运营商Elia提供的2017年10月到2018年9月之间 1年的风电接入数据为预测误差序列样本。为了直观地分析风电预测误差的特 性，图2给出了相邻时段预测误差的分布情况。
图2给出时段1和时段2的统计数据的预测误差分布，表明预测误差具有 较为明显的聚集效应。
图3给出了24各时间段预测误差的相关系数矩阵。图3中横、纵坐标分 别对应预测误差在所有调度时段(24个)构成的随机向量。每个方格则代表 对应的两个时段的预测误差相关系数。分析可知，各调度时段预测误差的相关 系数多在0.2～1.0之间，且调度时段相邻越近，其相关性越强。因此，相邻 调度时段之间的预测误差存在较强相关性时。同理可证明相邻风电场在同一时 段预测误差也存在较强的相关性。
基于Elia提供的2017.10-2018.9的历史风电数据，以两个调度时段为 例对3种不确定性集合进行评估。当给定置信概率为95％时，CLT、EGF、PGF三 种方法所构建的不确定集合如图4所示。
从图中可以看出，相比于CLT方法，EGF和PGF方法得到的建模结果均 大幅压缩了不确定性集合的空间，降低了集合的保守性。CLT、EGF、PGF三种 模型中所覆盖的历史数据占比分别为98.62％，96.45％，95.32％。尽管CLT的 覆盖率高于EGF、PGF方法，但其覆盖了大量无效区域，其刻画精度仍是较低 的。
以IEEE-30节点标准算例和IEEE-118节点系统验证所提模型的有效性。
IEEE-30节点系统包括30条母线、6台发电机以及41条传输线。风电接 入和系统负荷数据来自比利时电网运营商Elia的公开数据。对风电及负荷数 据按比例调整使其符合IEEE-30节点系统正常运行的功率范围，并构建CLT、 PGF不确定集合。调整后系统最大负荷约800MW；IEEE-30节点系统中仅有1 个风电场，最大风电渗透率大约为30％，因此本节只考虑时间相关性对鲁棒调 度的影响。选取某一天风电和负荷预测数据作为日前机组组合预测数据。
为了验证本发明提出的模型有效性，对以下三种机组组合方法进行对比。
1)传统安全约束机组组合(SCUC)。采用确定性优化算法，不考虑风电与负 荷预测误差。
2)两阶段鲁棒机组组合(RUC)。采用盒式不确定集合的鲁棒优化算法， 考虑风电与负荷预测误差，但不考虑时间相关性。
3)计及时间相关性的两阶段鲁棒机组组合(TRUC)。
在日前风电与负荷预测的基础上，给定置信概率α＝95％，计算三种情况下 的机组组合求解结果，并对其进行安全校验。安全校验即为在风电和负荷的真 实场景下，制定的调度计划能否满足式(37)中是否最小安全违反小于给定安 全阈值。本发明中安全阈值设定为10-3。
表1三种模型的调度结果对比(Table 1 Comparison of scheduling results ofthe three models)
| 模型 | 求解时间 | 迭代次 | 优化结果/$ | 安全校验 |
| SCUC | 7.56 | 0 | 247490 | 未通过 |
| RUC | 192.44 | 8 | 276421 | 通过 |
| TRUC | 144.96 | 5 | 258922 | 通过 |
从表1中可以看出，不考虑不确定性的运行成本最低且计算速度最快。但 当不确定量预测存在误差时，机组组合结果将不能保证系统的安全性；相比于 RUC模型，本发明提出的TRUC模型在保证系统安全运行的基础上，降低了鲁 棒优化的保守程度，从而降低了系统的运行成本，提高了求解速度。
当考虑风电与负荷的不确定性时，两阶段的鲁棒优化方法通过调整机组组 合和调度方案来应对不确定性。从图5中可以看出(黑色代表开机状态，白色 代表停机状态)，当给定不确定集合的置信概率α＝95％时，RUC方案通过调整 机组组合以应对不确定性，开机数量增多造成经济成本增加。相比于RUC方案， TRUC由于考虑了不确定量预测误差时间的相关性，限制了鲁棒解的保守性， 增开机组数量少于RUC方案。
RUC与TRUC的优化结果主要受风电与负荷不确定集合的影响，两种方法 都是通过不确定集合和置信概率α的解析关系来控制不确定集合的保守程度。 下面比较不同α对三种机组组合模型优化结果的影响。
从图6中可以看出，传统的SCUC模型不考虑不确定性，当α变化时其运 行成本不变。随着置信概率的降低，RUC和TRUC模型的运行成本有不同程度 的降低。当α从95％变为90％时，RUC模型的运行成本降低了6.2％，TRUC模型 的运行成本降低了1.3％。但随着α的大小逐渐降低，运行成本降低的幅度逐渐 缩小。虽然RUC模型随着α的变化运行成本降低的幅度大于TRUC，但TRUC的 运行成本始终低于RUC。当置信概率为75％时，RUC及TRUC与SCUC的运行成 本较为接近。这是因为不确定集合缩小，系统不再需要通过大规模的调整机组组合计划，只需要调整机组出力来应对系统中的不确定性。
改进的IEEE-118节点标准算例包括118条母线、54台发电机以及186条 传输线，并在17、43、96三个节点分别设置3个风电场。根据Elia的公开数 据对风电及负荷数据稍作调整，使其符合IEEE-118节点系统正常运行的功率 范围，并以历史数据构建风电和负荷不确定集合。
IEEE-118节点系统中的三个风电场存在空间上的关联性，因此本节根据 风电预测误差的空间相关性和时间相关性建立不确定集合。将计及时空相关性 的鲁棒机组组合记为TSRUC。根据式(13)构建有3个风电场，24个调度时段 的预测误差集合Δw，ΔPd，并计算得到预测误差的标准差、协方差矩阵以及相 关系数矩阵。
下面比较SCUC、RUC、TRUC以及本节提出的考虑不确定量时空相关性的鲁 棒优化(TSRUC)结果的对比。结果如表2所示。
表2四种模型的调度结果对比(Table 2 Comparison of scheduling results ofthe four models)
表2是4种机组组合模型计算结果的对比。从表中可以看出，不考虑不确 定性的SCUC模型的运行成本最低。考虑风电和负荷的不确定性后，为应对风 电与负荷的最坏场景，需要调整机组组合方案，从而导致运行成本上升。考虑 不确定量的时间相关性模型TRUC限制了不确定集合的保守性，降低了运行成 本。当考虑多风电场情况下风电预测误差的时间以及空间相关相关性后，将进 一步降低机组组合的运行成本。
为了验证本发明所提出的TSRUC模型的可靠性，对不同置信概率下的UC 方案进行鲁棒性能测验。鲁棒测试是通过校验每个场景下的安全违反，这受基 本情况下机组组合
和机组出力
以及其他约束的限制。校验通过的场景数占 场景总数的比例越高，鲁棒水平越高，系统有更高的安全水平。本发明以调整 后的Elia 2017年10月-2018年9月一年的历史数据(负荷和风电的预测误 差)作为输入数据，对不同置信概率下的鲁棒机组组合方案进行安全评估。鲁 棒性能测试结果如表3所示，其中αset为不确定集合的置信水平，cost为鲁棒 优化成本，OGC为在线机组最大容量总和，αRO为实际鲁棒水平。
表3鲁棒性能测试结果(Table 3 Robust performance test results)
从表3中可以看出αset越大，实际鲁棒水平越高，cost和OGC越大，可以 得出结论，更高的鲁棒水平以更高的成本为代价。根据表中OGC可以看出，鲁 棒水平越高，系统中总的在线机组最大容量总和越大，这是因为系统通过开启 更多机组以应对更高的不确定性。通过对比RUC和TSRUC可以得出，在实际鲁 棒水平相近的情况下，TSRUC的总开机容量更小，在线机组容量利用率更高。
对比RUC模型和TSRUC模型的鲁棒性，在相同的置信概率下可以看出，RUC 模型的实际鲁棒水平略高于TSRUC。这是因为真实的历史数据中存个别相邻时 段或风电场预测误差较大的情况。从图5中也可以看出，CLT方法所覆盖的历 史数据要多于EGF、PGF方法。但在鲁棒水平接近的情况下，TSRUC的经济性 明显高于RUC。因此，通过设置αset给出了αRO的合理下界，因此可以通过调整αset来实现鲁棒性和经济性的折中。
算例系统的测试结果表明考虑时空相关性可以有效地缩小不确定集合范 围，降低鲁棒优化的保守性，既能降低系统的运行成本，又能保证系统的安全 运行。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人 员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对 其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于，所述组合方法包括以下步骤：
步骤1：建立可描述不确定量时空相关性线性的多面体不确定集合，根据置信概率与多面体不确定集合之间的解析关系，得到多面体不确定集合为：
WPGF表示风电出力不确定集合；we表示风电场的预测出力；Δw为风电出力预测误差；
为置信概率为β时，随机变量vw的累积分布对应的常数；ΣW表示风电场可能出力w的协方差；
步骤2：基于多面体集合，建立以预测场景下运行成本最低为目标的两阶段的鲁棒安全约束机组组合模型，其中目标函数为：
约束条件为：s.t.X·Ib+Y·Pb≤gb和Q·Ib+W·Pb+R·Pu(S)≤gu(S)，其中Pb≥0,Pu≥0,Ib∈{0,1}；NT表示常规机组启停成本系数矩阵的转置；Ib表示常规机组的启停变量矩阵；cT表示常规机组的运行成本系数矩阵的转置；Pb表示常规机组的出力变量矩阵；X、Y分别表示常规机组启停变量、出力变量的系数；gb表示确定性机组组合约束的中的常数矩阵；Pu(S)表示不确定场景下的常规机组出力的常数矩阵；gu(S)表示子问题约束中的常数矩阵；R、Q、W分别表示子问题约束中的系数矩阵；
步骤3：采用广义的Benders分解法对步骤2中的鲁棒安全约束机组组合模型进行求解。
2.根据权利要求1所述的计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于：基于历史数据，建立所述步骤1可描述不确定量时空相关性线性的多面体不确定集合的方法包括：
步骤1.1：风电场可能出力w表示为：w＝we+Δw，其中we表示风电场的预测出力，Δw为风电出力预测误差，根据历史数据统计可得Δw的期望值：E(Δw)＝0，协方差cov(Δw)＝Σw，Δw还表示为
将
转化为公式：
式中v为期望为0，协方差为单位矩阵的随机向量；
步骤1.2：根据步骤1.1中公式
和vw(w＝1,2,…,n)均相互独立，分别定义vw的分布，并确定Δw和w的分布；
若置信概率为α，并假定v1,v2,…,vn有相同的置信概率β，则βn＝α；
随机向量Δw满足：
不等式的概率为α，可得风电出力不确定集合为：
式中
为置信概率为β时，随机变量vw的累积分布对应的常数。
3.根据权利要求1所述的计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于：所述步骤2中的以预测场景下运行成本最低为目标的两阶段的鲁棒安全约束机组组合模型的目标函数为预测场景下的最低开停机成本和运行成本；所述约束条件s.t.X·Ib+Y·Pb≤gb为预测场景下的约束条件，Q·Ib+W·Pb+R·Pu(S)≤gu(S)为不确定场景下的约束条件。
4.根据权利要求3所述的计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于：所述步骤2约束条件包括：系统功率平衡约束、火电机组及风电场出力上下限约束、火电机组开停机时间约束、火电机组爬坡约束、火电机组不确定场景下的功率调整约束和系统中网络安全约束。
5.根据权利要求1所述的计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于：所述步骤3广义的Benders分解法包括以下步骤：
步骤3.1：将步骤2中的两阶段鲁棒安全约束机组组合模型通过Benders分解法将其原始模型分解为机组组合主问题和在各种不确定性下的安全校验子问题；
步骤3.2：求解机组组合主问题，其目标函数为：
约束条件为s.t.X·Ib+Y·Pb≤gb，到目前为止所有获得的Benders割集为：Pb≥0,Ib∈{0,1}；
机组组合主问题为混合整数线性规划问题，采用CPLEX求解，机组组合主问题得到基本情况下的机组组合Ib和机组出力Pb，对应基本情况的方案约束和到目前为止获得的所有Benders割集，第一次主迭代中没有Benders割集；
步骤3.3：求解安全校验子问题，全校验子问题目标函数为：
约束条件为：
S表示不确定场景；Pu表示不确定场景下的常规机组出力；v表示子问题中引入的松弛变量，保证子问题可行；
表示主问题传递到子问题的常规机组启停决策；
表示主问题传递到子问题的常规机组出力决策；λ表示子问题中约束的对偶变量；R、Q、W分别表示子问题约束中的系数矩阵；gu(S)表示子问题约束中的常数矩阵；
如果最坏风电出力场景
和负荷场景
的情况下最大安全违规超过了给定的安全阈值，则生成可行性Benders割集并返回至步骤3.2的机组组合主问题。
6.根据权利要求5所述的计及不确定量预测误差时空相关性的鲁棒机组组合方法，其特征在于：所述步骤3.3还包括以下具体步骤：
步骤3.3.1：所述安全校验子问题为max-min问题，内层的线性min问题通过KKT条件将其转化为单层问题，目标函数为：
Q＝Max η，
约束条件为：
步骤3.3.2：通过大M法求解步骤3.1中具有互补约束的Max问题，求出对应于最大安全违规的最坏场景
和
步骤3.3.3：生成对应于最坏场景下的最大安全违规的Benders割集：如果最坏情场景的最大安全违规v高于给定阈值，则每小时安全检查子问题：
其中λ为对偶变量，生成对应于最坏场景的Benders割集
反馈到机组组合主问题，
表示子问题最坏场景下子问题的常系数矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811571492.4A CN109617134B (zh) | 2018-12-21 | 2018-12-21 | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811571492.4A CN109617134B (zh) | 2018-12-21 | 2018-12-21 | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109617134A CN109617134A (zh) | 2019-04-12 |
| CN109617134B true CN109617134B (zh) | 2022-05-17 |
Family
ID=66009776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811571492.4A Active CN109617134B (zh) | 2018-12-21 | 2018-12-21 | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109617134B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110247426B (zh) * | 2019-06-12 | 2022-09-06 | 国网山西省电力公司电力科学研究院 | 一种基于多频段不确定集合的鲁棒机组组合方法 |
| CN110311427B (zh) * | 2019-06-18 | 2020-12-01 | 华北电力大学 | 计及故障概率的两阶段n-k鲁棒故障约束机组组合方法 |
| CN110543693B (zh) * | 2019-08-13 | 2022-08-23 | 国网山西省电力公司电力科学研究院 | 一种计及运行风险的鲁棒机组组合方法 |
| CN110739687B (zh) * | 2019-10-24 | 2021-06-01 | 福州大学 | 一种考虑风电高阶不确定性的电力系统分布鲁棒调度方法 |
| CN111475909B (zh) * | 2019-10-28 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
| CN111126664A (zh) * | 2019-11-25 | 2020-05-08 | 广西电网有限责任公司 | 一种基于鲁棒优化的主动配电网交流潮流的管理方法 |
| CN111600300B (zh) * | 2020-05-21 | 2023-05-09 | 云南电网有限责任公司大理供电局 | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 |
| CN112054554B (zh) * | 2020-08-18 | 2022-10-28 | 国网山东省电力公司临沂供电公司 | 基于非参数统计的自适应分布鲁棒机组组合方法及系统 |
| CN112330045A (zh) * | 2020-09-02 | 2021-02-05 | 国网冀北电力有限公司承德供电公司 | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 |
| CN112653195B (zh) * | 2020-11-27 | 2022-10-14 | 国网甘肃省电力公司经济技术研究院 | 一种并网型微电网鲁棒优化容量配置方法 |
| CN112886572A (zh) * | 2021-01-21 | 2021-06-01 | 三峡大学 | 一种电网可再生能源消纳能力评估方法 |
| CN113239574B (zh) * | 2021-06-09 | 2022-06-07 | 福州大学 | 考虑源荷双重不确定性的电力系统多阶段鲁棒机组组合决策方法 |
| CN113887837A (zh) * | 2021-11-09 | 2022-01-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于分布式电源出力高维联合分布的配电网消纳能力评估方法及装置 |
| CN117411086B (zh) * | 2023-11-16 | 2024-07-16 | 南京工业大学 | 一种含电熔镁电力系统分布鲁棒优化调度方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7417333B2 (en) * | 2006-11-02 | 2008-08-26 | General Electric Company | Methods and apparatus for controlling current in an electrical machine |
| CN106356902A (zh) * | 2016-11-01 | 2017-01-25 | 东南大学 | 一种适用于能量互联网中多能协同综合能源网络的能量管理方法 |
-
2018
- 2018-12-21 CN CN201811571492.4A patent/CN109617134B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109617134A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109617134B (zh) | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 | |
| US11156380B2 (en) | Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs | |
| Chen et al. | Robust N–k CCUC model considering the fault outage probability of units and transmission lines | |
| CN111628499B (zh) | 一种计及多风险因素的配电网新能源消纳能力评估的方法 | |
| Wang et al. | Risk-based admissibility assessment of wind generation integrated into a bulk power system | |
| Wang et al. | Dynamic reserve zones for day-ahead unit commitment with renewable resources | |
| Zhang et al. | Two-stage robust security-constrained unit commitment model considering time autocorrelation of wind/load prediction error and outage contingency probability of units | |
| Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
| JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
| CN109785183A (zh) | 一种考虑风电与负荷预测不确定性的鲁棒调度方法 | |
| CN106026092A (zh) | 一种用于含分布式电源的配电网孤岛划分方法 | |
| Dehghani et al. | Multi-stage resilience management of smart power distribution systems: A stochastic robust optimization model | |
| CN110247426B (zh) | 一种基于多频段不确定集合的鲁棒机组组合方法 | |
| CN110311427B (zh) | 计及故障概率的两阶段n-k鲁棒故障约束机组组合方法 | |
| Duan et al. | Smart meters enabling voltage monitoring and control: The last-mile voltage stability issue | |
| Huang et al. | Joint generation and reserve scheduling of wind‐solar‐pumped storage power systems under multiple uncertainties | |
| Wang et al. | Flexible transmission expansion planning for integrating wind power based on wind power distribution characteristics | |
| Ge et al. | Mid‐term integrated generation and maintenance scheduling for wind‐hydro‐thermal systems | |
| Li et al. | Distributionally robust chance constrained optimal power flow assuming log-concave distributions | |
| Bagheri et al. | Adaptive‐robust multi‐resolution generation maintenance scheduling with probabilistic reliability constraint | |
| Abdalla et al. | Generation expansion planning under correlated uncertainty of mass penetration renewable energy sources | |
| CN110543693B (zh) | 一种计及运行风险的鲁棒机组组合方法 | |
| Li et al. | PFR ancillary service in low‐inertia power system | |
| Wu et al. | Security‐Constrained Unit Commitment with Uncertainties | |
| Chin et al. | Formation of ad hoc microgrids for prompt critical load pickup during blackouts by leveraging stochastic distributed energy resources |
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 |