CN110120685B - 高水电比重系统中梯级水电群与风光电站协调调峰方法 - Google Patents
高水电比重系统中梯级水电群与风光电站协调调峰方法 Download PDFInfo
- Publication number
- CN110120685B CN110120685B CN201910436252.1A CN201910436252A CN110120685B CN 110120685 B CN110120685 B CN 110120685B CN 201910436252 A CN201910436252 A CN 201910436252A CN 110120685 B CN110120685 B CN 110120685B
- Authority
- CN
- China
- Prior art keywords
- wind
- hydropower station
- station
- hydropower
- formula
- 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 19
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 2
- 238000013486 operation strategy Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000005611 electricity Effects 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910001657 ferrierite group Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010792 warming 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
- H02J3/381—Dispersed generators
-
- H02J3/383—
-
- H02J3/386—
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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)
Abstract
本发明公开了一种高水电比重系统中梯级水电群与风光电站协调调峰方法，考虑风光电站出力的不确定性，利用梯级水电群的出力可调的优势，通过增大系统接纳风光电站出力的能力，尽可能平抑负荷波动，减小火电机组调峰压力；提出的梯级水电群与风光电站协调调峰优化运行策略，考虑方便模型求解，对非线性的水电转换函数进行线性化处理；利用梯级水电群出力可调的优势，增大系统风光的接纳能力，实现梯级水电群与风光电站协调调峰，同时减小火电调峰压力。
Description
技术领域
本发明属于电气信息技术领域，具体是一种高水电比重系统中梯级水电群与风光电站协调调峰方法。
背景技术
随着全球经济的发展，各国都面临着化石能源枯竭、环境污染和全球气候变暖等问题，这严重影响到人类的生存和可持续发展。以风能和太阳能为主的新能源具有分布广、清洁环保和可持续性等优点，得到了大力地开发和利用。然而，风力发电的不确定性使得风电的消纳问题日渐突出。水电作为目前开发比例最高的清洁能源，具有较好的调峰特性，能够很好地提高系统接纳新能源的能力。
随着我国对西南地区水电资源的持续开发，水电装机比重越来越大，梯级流域水电站以及沿岸风光电站不仅需要承担系统峰荷，甚至还需要承担一部分基荷。因此，如何协调梯级水电站与风光电站的调峰优化运行，充分利用水电以及风光资源，对高水电比重系统有重要意义。
传统水电“以电定水”和“以水定电”的调度方式会造成大量弃水或不能充分发挥水电的调节作用。例如：
1、在水电站的总发电量约束基础上，考虑了水电机组对系统调峰的影响，对系统机组进行发电出力优化(丁军威，胡旸，夏清，等.竞价上网中的水电优化运行.电力系统自动化，2002，27(3)：19-23)；2、采用分段线性函数对水电转换曲线进行拟合，提出了基于混合整数线性规划方法的短期水火电机组组合模型(Alberto B，Claudia D A，Andrea L，etal.An MILP approach for short-term hydro scheduling and unit commitment withhead-dependent reservoir[J].IEEE Transactions on Power systems，2008，23(3)：1115-1124)；3、以流域梯级总发电量最大和最小下泄流量最大为目标，建立梯级水电站多目标兴利调度模型(张睿，张利升，覃晖，周建中.梯级水电站多目标兴利调度建模及求解.水电能源科学，2016，34(06):39-42)；4、考虑高水电比重系统，以系统发电效益最大为目标，建立了计及水电机组振荡区间的高水电比重系统电力电量平衡模型(曾雪婷，刘天琪，李茜，何川，肖汉，秦浩庭.高水电比重系统电力电量平衡混合整数二次规划模型及算法研究.中国电机工程学报，2017，37(04):1114-1125)；5、利用水电的储能能力以平抑风电出力在负荷高峰时段的日间波动性，提出了在冬季枯水期水电-风电系统日间联合调峰运行策略(静铁岩，吕泉，郭琳，李卫东.水电—风电系统日间联合调峰运行策略.电力系统自动化，2011，35(22)：97-104)；6、利用水力发电快速、可调节的优点，提出联合补偿调节的两个原则,即电力电量补偿平衡原则和避免弃水补偿原则(畅建霞，王义民，黄强，孙晓懿.水电与风电联合补偿调度机理研究与应用.水力发电学报，2014，33(03)：68-73+80)；7、为平抑风电的出力波动,同时利用风电与水电的互补性，提出了风电与梯级水电站的互补优化运行策略，建立基于机会约束的多目标随机优化模型(江岳春，何钟南，刘爱玲.基于改进BBO算法的风电-水电互补优化运行策略.电力系统保护与控制，2018，46(10):39-47)；8、在分析水电和风电的自然与技术互补特性基础上，建立考虑水流时滞效应的梯级水电站水量平衡模型，构建以运行成本最小为目标的计及梯级水电的水火风互补发电系统短期优化运行模型(肖欣，周渝慧，何时有，张宁.含流域梯级水电的水火风互补发电系统联合运行优化.电力自动化设备，2018，38(02):100-108)；以黄河上游5座百万千瓦级的梯级水电站与甘肃河西千万千瓦级的风电站为研究对象，综合考虑各种复杂约束条件，以弃风电量最小为目标，建立了水电-风电互补运行优化调度数学模型；9、建立了考虑了长期梯级水电站来水优化的机组组合，不确定性考虑了系统元件故障、负荷以及来水的不确定性(安源，黄强，丁航，王浩，王颂凯.水电-风电联合运行优化调度研究.西安理工大学学报，2016，32(03):333-337)；10、考虑了风力发电的不确定性，提出了发电公司、风电场和梯级水电站之间的协调优化调度策略(Wu L,Shahidehpour M.Optimal coordination of stochastic hydro andnatural gas supplies in midterm operation of power systems[J].IET generation,transmission&distribution,2011,5(5):577-587)。
发明内容
本发明所要解决的技术问题是提供一种高水电比重系统中梯级水电群与风光电站协调调峰方法，针风光等新能源出力不确定性，利用梯级水电群出力可调的优势，增大系统风光的接纳能力，实现梯级水电群与风光电站协调调峰，同时减小火电调峰压力。
为解决上述技术问题，本发明采用的技术方案是：
一种高水电比重系统中梯级水电群与风光电站协调调峰方法，包括以下步骤：
步骤1：建立风光水协调调峰优化运行模型
步骤1.1：确定目标函数
目标函数为系统剩余负荷的方差最小：
式中：t和T分别为调度时段及调度期内时段总数；Ft为t时段的剩余负荷；
为剩余负荷均值；Ccur为弃风弃光惩罚；Pt load为原始负荷；
和
分别为风电场w、光伏电站p出力预测值；Pht，Pwt和Ppt分别为水电站h，风电场w和光伏电站p的调度出力；
步骤1.2：建立水电站模型
水电转换函数表示水电站发电功率与水头、发电流量的关系，如公式(5)所示：
Pht＝g·ηh·Qht·Hht (5)
式中：g为水电转换系数；ηh为水电站h发电效率；Qht为水电站h在t时段的发电流量；Hht为水电站h在t时段的水头；
水电站发电功率受到机组出力上下限的约束，如公式(6)，以及爬坡约束，如公式(7)，即：
Δh≤Pht-Ph,t-1≤Δh (7)
式中：
和
为水电站h出力的最小和最大限制；Δh为水电站h单时段最大出力升降限制；
1)径流水电站
径流水电站的发电流量与其来水流量和最大发电流量有关，具体如公式(8)-(10)所示，即如果径流量小于最大发电流量，那么径流量全部用于发电，反之，则径流电站满发；
-fht·M+Rht≤Qht≤Rht+fht·M (9)
式中：M为一个足够大的数；
为水电站最大发电流量；fht为0-1变量，用来表示水电站径流量Rht是否超过最大发电流量，fht假如为1，则表示水电站径流量超过最大发电流量，水电站发电流量Qht为
fht为0时则相反，水电站发电流量Qht为Rht；
径流电站的水头为常数，即：
Hht＝hh (11)
式中：hh为水电站h的水头常数；
2)可调水电站
可调水电站具有较好的调峰功能，调节库容使得电站发电量最大或者电站出力跟踪负荷的变化，需要满足发电流量不等式约束(12)、库容不等式约束(13)，起始、末尾库容约束(14)，以及库容平衡约束(15)等；
Vh,0＝vh,0,Vh,NT＝vh,NT (14)
Vht＝Vh,t-1+Rht-Qht (15)
式中：Vht为水电站h在t时刻的库容；
和
为水电站h库容的最小和最大限制；NT为优化运行最终时刻；vh,0和vh,NT为常数，分别代表水电站h的初始库容和最终时刻库容；
可调电站的水头随着库容的变化而改变，即水头为库容的线性函数，如公式(16)所示；
Hht＝h0,h+αh·Vht (16)
式中：h0,h和αh为常数，由水电站h的大小决定；
3)梯级水电站
梯级水电站的发电流量约束，库容约束，起始、末尾库容约束需要满足公式(12)-(14)的约束；但梯级水电站的库容平衡约束中需要考虑上一级水电站的发电流量和水流时滞，如公式(17)所示；
Vht＝Vh,t-1+Rht+Qh-1,t-τh-Qht (17)
式中：τh为水电站h的水流时滞；Qh-1,t-τh为上一级水电站h-1在t-τh时刻的发电流量；
步骤1.3：建立风光电站模型
设定风电场和光伏电站的出力在一定程度上是能够进行调度的，调度的方式即通过适当弃风弃光来实现优化调峰，具体如公式(18)-(19)所示；
步骤2：建立随机风光水电站协调调峰优化运行模型
步骤2.1：对水电转换函数进行线性化处理
针对可调节水电站，将水头与库容函数(16)带入到水电转换函数(5)中，便得到了水电站发电功率与发电流量、库容之间的关系，如公式(20)所示；
Pht＝g·ηh·Qht·(h0,h+αh·Vht) (20)
引入辅助0-1变量和连续变量来对其进行线性化处理，使风光水电站协调调峰优化运行模型(1)-(19)转化为混合整数二次规划问题；
将公式(20)中的角标省略，得到通用的水电转换函数(21)；
P＝g·η·Q·(h0+α·V) (21)
将Q和V分成若干子区间，即[Qi,Qi+1]和[Vj,Vj+1]，其中i＝1…m-1，j＝1…n-1；这样一来，原来的水电转换函数就被分成了(m-1)·(n-1)的网格，其中每一个顶点即原来函数的值，每个顶点发电量计算为Pi,j＝g·η·Qi·(h0+α·Vj)；
每一个网格被分成两个三角形，即左上三角形和右下三角形，用0-1变量δi,j和ξi,j来表征在两个三角形中的位置，于是公式(21)用(22)-(26)来近似；
φi,j≤δi,j-1+δi,j+δi,j+1+ξi-1,j+ξi,j+ξi+1,j (24)
δi,j,ξi,j∈{0,1} (26)
步骤2.2：建立紧凑形式的确定性调峰优化运行模型
将确定性的风光水电站协调调峰优化运行模型写成如公式(27)所示形式；
式中：x表示0-1变量，即水电转换函数线性化处理中的辅助变量；f(x,y)表示目标函数与x和y相关；y为连续变量，代表风光水电站的调度；C，D和e为抽象的矩阵和向量，表示目标函数和约束中的成本以及系数；
步骤2.3：建立随机风光水电站协调调峰优化运行模型
随机优化模型通过Monte Carlo模拟，利用若干不同的风光出力场景来代表风光出力不确定性的影响；得到随机风光水电站协调调峰优化运行模型如公式(28)所示；
式中：上标s表示不同的场景；ρs为对应场景s的概率；目标函数为不同场景目标的加权平均；对于每个场景s来说，风光水电站的运行都需要满足自身的约束；
步骤3：对随机风光水电站协调调峰优化运行模型求解
步骤3.1：风光出力场景生成
假定风光的出力满足正态分布N(μ,σ2)，其中风光出力预测的均值为μ，方差为σ2；利用Monte Carlo模拟法生成大量的符合正态分布的风光出力场景，每一个生成场景的概率则是通过1除以场景总数来得到；
利用拉丁超立方法对风光出力场景进行抽样，若采样空间为D维，拉丁超立方采样方法如下：将每一维变量划分为N个相等的区间；然后在每个区间随机产生一个数，就形成了N乘以D维的采样矩阵S；最后再在S矩阵中每一列随机抽取一个数，组成向量；
步骤3.2：风光出力场景消减
利用风光出力场景消减技术，减少用于场景模拟的计算时间；
场景削减技术是通过测量概率分布的距离作为概率标准来控制近似拟合度；利用快进约简法来进行场景消减，具体步骤如下；
令Ωs(s＝1,2,...N)表示N个不同的风光出力场景，每一个场景概率为ρs，DTs,s'表示两个场景(s,s')之间的距离：
步骤(1)：设S为最初的场景集合；DS为需要删除的场景，DS初始状态为空集；计算每一个场景对之间的距离：DTs,s'＝DT(Ωs,Ωs'),s,s'＝1,2,...N；
步骤(2)：计算
其中r指代场景；选择d，满足PDd＝minPDk，k＝1,2,...N；
步骤(3)：S＝S-{d}，DS＝DS+{d}；ρr＝ρr+ρd；
步骤(4)：重复步骤(2)-(4)直至删除场景的数量达到设置的要求。
与现有技术相比，本发明的有益效果是：本发明利用梯级水电群较好的调峰能力，能更多地接纳风光等新能源发电出力，同时减小火电机组调峰压力。对非线性的水电转换函数进行线性化处理，方便模型求解。
附图说明
图1为典型周负荷曲线；
图2为典型周风电出力曲线；
图3为典型周光伏出力曲线；
图4为算例1-3剩余负荷；
图5为典型周风电场5个场景出力曲线；
图6为典型周光伏电站5个场景出力曲线；
图7为算例4中不同场景剩余负荷；
图8为算例5中不同场景剩余负荷；
图9为算例6典型周风电场5个场景出力曲线；
图10为算例6典型周光伏电站5个场景出力曲线；
图11为算例10中不同场景剩余负荷。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明提出了高水电比重系统中梯级水电群与风、光电站协调调峰优化运行策略，以最大利用梯级水电群的调节能力，增大系统消纳风光电站的发电出力，并尽可能平抑系统负荷波动，减小火电机组调峰压力。考虑到风电、光伏出力的不确定性，本发明基于典型周负荷曲线，提出随机风光水电站协调调峰优化运行模型，得到梯级水电群与风光电站在典型周的出力期望值。针对梯级水电站非线性的水电转换函数，通过引入辅助0-1变量和连续变量来对其进行线性化处理，最终得到混合整数二次规划问题(Mixed-Integer Quadratic Programming,MIQP)，利用Gurobi软件进行求解。在某高水电比重区域电网中进行仿真分析，结果表明了所提优化策略能够有效利用梯级水电群的调节能力，兼顾梯级水电的调峰效益与系统接纳风光能力。
实施例：
为了研究梯级水电群对风光等新能源发电出力的接纳能力，以及梯级水电群的调峰能力，设置了以下3个算例。
算例1：弃风弃光惩罚设置为1；
算例2：弃风弃光惩罚设置为0.1；
算例3：弃风弃光惩罚设置为0。
算例1-3的结果如表1所示，得到的剩余负荷如图4所示。从图4中可以看出，在周二有两个时刻出现比较明显高峰。对比图1、图2和图3可以发现，这两个时刻风电场出力几乎为0，而可调梯级水电站也几乎满发，风光水系统不能在提供更多的功率。结合表1和图4可以发现，随着弃风弃光惩罚的变小，系统逐渐出现弃风弃光，剩余负荷也更加的平滑。
在算例1中，当需要尽可能的多接纳风光等新能源时，风光水协调调峰能力大幅减弱。特别是在周末，系统负荷较小的时候，风光等新能源出力较大，使得剩余负荷方差较大，为2338.16。
算例2中，弃风弃光惩罚有所减小，即系统可以在风光水协调调峰和新能源接纳之间找到一个平衡。在这个算例中，典型周弃风量和弃光量分别为5365.37MWh和230.87MWh。
在算例3中，风光水系统可以随意的弃风弃光来尽可能的跟随负荷波动，使剩余负荷趋于平滑，减小了火电的调峰压力。在此算例中，得到的剩余负荷曲线最平滑，剩余负荷方差为189.50，弃风弃光量也最大。
表1算例1-3仿真结果
为了进一步研究风光电站出力不确定性对风光水协调调峰优化运行策略的影响，本发明利用拉丁超立方采样，生成5000个场景，根据风光出力场景消减技术，最后得到5个典型周的风光出力曲线。本发明设置了以下3个算例来体现梯级水电群对间歇性的风光电站出力的平滑作用。
算例4：风光电站的预测误差区间为预测值的20％。
算例5：在算例4基础上，弃风弃光惩罚设置为0。
算例6：在算例4基础上，增大风光电站的预测误差区间至40％。
算例4中，场景消减之后得到的5个典型周的风电场出力曲线如图5所示，5个典型周的光伏电站出力曲线如图6所示，每个场景的概率如表2所示。利用本发明提出的梯级水电群与风光电站协调调峰优化运行策略进行调峰优化分析之后，得到的5个不同场景的剩余负荷如图7所示。从图5-图6中可以看出，周五到周日的时候，风光出力较大，相应的波动范围也较大，风电场出力波动大小为50MW，光伏电站波动较小一些，在5MW左右。对比分析图5-图7，当梯级水电群对风光电站的出力进行协调调峰后，剩余负荷的波动较为平滑，剩余负荷的波动为15MW左右，大大降低了间歇性风光电站出力不确定性，充分发挥了梯级水电群的调峰特性。
表2算例4中不同场景概率
| 场景1 | 场景2 | 场景3 | 场景4 | 场景5 | |
| 概率 | 0.2962 | 0.1308 | 0.1186 | 0.2644 | 0.1900 |
算例5中，我们假设风光电站也可以适当的弃风弃光来使得剩余负荷更加的平滑，仿真结果如图8所示。可以看到，这时的剩余负荷曲线非常的平滑，并且不同的场景得到的剩余负荷曲线也几乎一致，也充分体现了梯级水电群的调峰特性。
在算例6中，我们进一步增大风光电站的预测误差区间，得到的5个典型周的风电场出力曲线如图9所示，5个典型周的光伏电站出力曲线如图10所示。可以看到，风光出力的波动范围更大了。当采用梯级水电群与风光电站协调调峰优化运行策略后，得到的不同场景下剩余负荷如图11所示。对比图7可以看出，当风光出力波动范围增大一倍之后，梯级水电群也能发挥自身较好的调峰特性，使得不同场景下剩余负荷曲线较为平稳，较算例4并没有明显增加。
Claims (1)
1.一种高水电比重系统中梯级水电群与风光电站协调调峰方法，其特征在于，包括以下步骤：
步骤1：建立风光水协调调峰优化运行模型
步骤1.1：确定目标函数
目标函数为系统剩余负荷的方差最小：
式中：t和T分别为调度时段及调度期内时段总数；Ft为t时段的剩余负荷；
为剩余负荷均值；Ccur为总弃风弃光惩罚；Pt load为原始负荷；
和
分别为风电场w、光伏电站p出力预测值；Pht，Pwt和Ppt分别为水电站h，风电场w和光伏电站p的调度出力；
步骤1.2：建立水电站模型
水电转换函数表示水电站发电功率与水头、发电流量的关系，如公式(5)所示：
Pht＝g·ηh·Qht·Hht (5)
式中：g为水电转换系数；ηh为水电站h发电效率；Qht为水电站h在t时段的发电流量；Hht为水电站h在t时段的水头；
水电站发电功率受到机组出力上下限的约束，如公式(6)，以及爬坡约束，如公式(7)，即：
-Δh≤Pht-Ph,t-1≤Δh (7)
式中：
和
为水电站h出力的最小和最大限制；Δh为水电站h单时段最大出力升降限制；
1)径流水电站
径流水电站的发电流量与其来水流量和最大发电流量有关，具体如公式(8)-(10)所示，即如果径流量小于最大发电流量，那么径流量全部用于发电，反之，则径流电站满发；
-fht·M+Rht≤Qht≤Rht+fht·M (9)
式中：M为一个足够大的数；
为水电站最大发电流量；fht为0-1变量，用来表示水电站径流量Rht是否超过最大发电流量，fht为1时，则表示水电站径流量超过最大发电流量，水电站发电流量Qht为
fht为0时则相反，水电站发电流量Qht为Rht；
径流电站的水头为常数，即：
Hht＝hh (11)
式中：hh为水电站h的水头常数；
2)可调水电站
可调水电站具有较好的调峰功能，调节库容使得电站发电量最大或者电站出力跟踪负荷的变化，需要满足发电流量不等式约束(12)、库容不等式约束(13)，起始、末尾库容约束(14)，以及库容平衡约束(15)；
Vh,0＝vh,0,Vh,NT＝vh,NT (14)
Vht＝Vh,t-1+Rht-Qht (15)
式中：Vht为水电站h在t时刻的库容；
和
为水电站h库容的最小和最大限制；NT为优化运行最终时刻；vh,0和vh,NT为常数，分别代表水电站h的初始库容和最终时刻库容；
可调电站的水头随着库容的变化而改变，即水头为库容的线性函数，如公式(16)所示；
Hht＝h0,h+αh·Vht (16)
式中：h0,h和αh为常数，由水电站h的大小决定；
3)梯级水电站
梯级水电站的发电流量约束，库容约束，起始、末尾库容约束需要满足公式(12)-(14)的约束；但梯级水电站的库容平衡约束中需要考虑上一级水电站的发电流量和水流时滞，如公式(17)所示；
式中：τh为水电站h的水流时滞；
为上一级水电站h-1在t-τh时刻的发电流量；
步骤1.3：建立风光电站模型
设定风电场和光伏电站的出力在一定程度上是能够进行调度的，调度的方式即通过适当弃风弃光来实现优化调峰，具体如公式(18)-(19)所示；
步骤2：建立随机风光水电站协调调峰优化运行模型
步骤2.1：对水电转换函数进行线性化处理
针对可调节水电站，将水头与库容函数(16)带入到水电转换函数(5)中，便得到了水电站发电功率与发电流量、库容之间的关系，如公式(20)所示；
Pht＝g·ηh·Qht·(h0，h+αh·Vht) (20)
引入辅助0-1变量和连续变量来对其进行线性化处理，使风光水电站协调调峰优化运行模型(1)-(19)转化为混合整数二次规划问题；
将公式(20)中的角标省略，得到通用的水电转换函数(21)；
P＝g·η·Q·(h0+α·V) (21)
将Q和V分成若干子区间，即[Qi，Qi+1]和[Vj，Vj+1]，其中i＝1...m-1，j＝1…n-1；这样一来，原来的水电转换函数就被分成了(m-1)·(n-1)的网格，其中每一个顶点即原来函数的值，每个顶点发电量计算为Pi，j＝g·η·Qi·(h0+α·Vj)；
每一个网格被分成两个三角形，即左上三角形和右下三角形，用0-1变量δi，j和ξi，j来表征在两个三角形中的位置，于是公式(21)用(22)-(26)来近似；
φi，j≤δi，j-1+δi，j+δi，j+1+ξi-1，j+ξi，j+ξi+1，j (24)
δi，j，ξi，j∈{0，1} (26)
步骤2.2：建立紧凑形式的确定性调峰优化运行模型
将确定性的风光水电站协调调峰优化运行模型写成如公式(27)所示形式；
式中：x表示0-1变量，即水电转换函数线性化处理中的辅助变量；f(x,y)表示目标函数与x和y相关；y为连续变量，代表风光水电站的调度；C，D和e为抽象的矩阵和向量，表示目标函数和约束中的成本以及系数；
步骤2.3：建立随机风光水电站协调调峰优化运行模型
随机优化模型通过Monte Carlo模拟，利用若干不同的风光出力场景来代表风光出力不确定性的影响；得到随机风光水电站协调调峰优化运行模型如公式(28)所示；
式中：上标s表示不同的场景；ρs为对应场景s的概率；目标函数为不同场景目标的加权平均；对于每个场景s来说，风光水电站的运行都需要满足自身的约束；
步骤3：对随机风光水电站协调调峰优化运行模型求解
步骤3.1：风光出力场景生成
假定风光的出力满足正态分布N(μ,σ2)，其中风光出力预测的均值为μ，方差为σ2；利用Monte Carlo模拟法生成大量的符合正态分布的风光出力场景，每一个生成场景的概率则是通过1除以场景总数来得到；
利用拉丁超立方法对风光出力场景进行抽样，若采样空间为D维，拉丁超立方采样方法如下：将每一维变量划分为N个相等的区间；然后在每个区间随机产生一个数，就形成了N乘以D维的采样矩阵G；最后再在G矩阵中每一列随机抽取一个数，组成向量；
步骤3.2：风光出力场景消减
利用风光出力场景消减技术，减少用于场景模拟的计算时间；
场景削减技术是通过测量概率分布的距离作为概率标准来控制近似拟合度；利用快进约简法来进行场景消减，具体步骤如下；
令Ωs(s＝1,2,...N)表示N个不同的风光出力场景，每一个场景概率为ρs，DTs,s'表示两个场景(s,s')之间的距离：
步骤(1)：设S为最初的场景集合；DS为需要删除的场景，DS初始状态为空集；计算每一个场景对之间的距离：DTs,s'＝DT(Ωs,Ωs'),s,s'＝1,2,...N；
步骤(2)：计算
其中s指代场景；选择d，满足PDd＝minPDk，k＝1,2,...N；
步骤(3)：S＝S-{d}，DS＝DS+{d}；ρs＝ρs+ρd；
步骤(4)：重复步骤(2)-(4)直至删除场景的数量达到设置的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910436252.1A CN110120685B (zh) | 2019-05-23 | 2019-05-23 | 高水电比重系统中梯级水电群与风光电站协调调峰方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910436252.1A CN110120685B (zh) | 2019-05-23 | 2019-05-23 | 高水电比重系统中梯级水电群与风光电站协调调峰方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110120685A CN110120685A (zh) | 2019-08-13 |
| CN110120685B true CN110120685B (zh) | 2023-04-07 |
Family
ID=67523097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910436252.1A Active CN110120685B (zh) | 2019-05-23 | 2019-05-23 | 高水电比重系统中梯级水电群与风光电站协调调峰方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110120685B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717688B (zh) * | 2019-10-16 | 2022-07-01 | 云南电网有限责任公司 | 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 |
| CN111428904B (zh) * | 2020-01-19 | 2022-08-26 | 河海大学 | 一种含梯级水电的风光水互补发电系统短期优化调度方法 |
| CN111342486B (zh) * | 2020-02-24 | 2022-10-14 | 河海大学 | 一种含梯级水电的风光水互补发电系统的优化调度方法 |
| CN112736985B (zh) * | 2020-12-23 | 2023-04-21 | 河海大学 | 一种考虑受端负荷特性的水光联合调度的出力分配方法 |
| CN113113931B (zh) * | 2021-04-19 | 2022-06-24 | 国网湖南省电力有限公司 | 风光水联合发电系统的规划调度方法 |
| CN113285483B (zh) * | 2021-06-25 | 2022-05-13 | 中国电建集团贵阳勘测设计研究院有限公司 | 基于清洁能源基地水光日内互补的光伏消纳率计算方法 |
| CN114400716B (zh) * | 2022-03-29 | 2022-07-22 | 华中科技大学 | 一种水电站机组扩机的容量选取方法 |
| CN115018260B (zh) * | 2022-05-12 | 2024-05-31 | 华能澜沧江水电股份有限公司 | 一种梯级水光互补发电系统的调峰优化调度方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106130079A (zh) * | 2016-07-08 | 2016-11-16 | 华北电力大学 | 一种风水火短期联合优化调度方法 |
| CN106655280A (zh) * | 2016-11-26 | 2017-05-10 | 大连理工大学 | 一种基于电量控制的梯级水电短期调峰模型及求解方法 |
| CN107818385A (zh) * | 2017-11-24 | 2018-03-20 | 南瑞集团有限公司 | 一种梯级水电站群实时运行趋势预测方法 |
| CN108320111A (zh) * | 2018-03-16 | 2018-07-24 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
| CN108574303A (zh) * | 2018-04-17 | 2018-09-25 | 上海电力学院 | 一种考虑调峰调频需求的多能源协调优化调度方法 |
| CN108711892A (zh) * | 2018-05-30 | 2018-10-26 | 南京工程学院 | 一种多能互补发电系统的优化调度方法 |
| CN109447405A (zh) * | 2018-09-20 | 2019-03-08 | 中国南方电网有限责任公司 | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 |
| CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 |
| CN109449987A (zh) * | 2018-12-14 | 2019-03-08 | 国网山东省电力公司经济技术研究院 | 新能源发电并网的电力系统模拟方法及系统 |
| CN109510238A (zh) * | 2018-12-07 | 2019-03-22 | 国网辽宁省电力有限公司大连供电公司 | 一种高效求解水电火电风电的协调调度机组组合方法 |
| CN109636015A (zh) * | 2018-11-28 | 2019-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种梯级水电虚拟抽蓄电站调度方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10205323B2 (en) * | 2014-11-21 | 2019-02-12 | James Arthur Lowell | Hydroelectricity and compressed-air power converter system |
| WO2019006733A1 (zh) * | 2017-07-06 | 2019-01-10 | 大连理工大学 | 一种跨省互联水电站群长期联合调峰调度方法 |
-
2019
- 2019-05-23 CN CN201910436252.1A patent/CN110120685B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106130079A (zh) * | 2016-07-08 | 2016-11-16 | 华北电力大学 | 一种风水火短期联合优化调度方法 |
| CN106655280A (zh) * | 2016-11-26 | 2017-05-10 | 大连理工大学 | 一种基于电量控制的梯级水电短期调峰模型及求解方法 |
| CN107818385A (zh) * | 2017-11-24 | 2018-03-20 | 南瑞集团有限公司 | 一种梯级水电站群实时运行趋势预测方法 |
| CN108320111A (zh) * | 2018-03-16 | 2018-07-24 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
| CN108574303A (zh) * | 2018-04-17 | 2018-09-25 | 上海电力学院 | 一种考虑调峰调频需求的多能源协调优化调度方法 |
| CN108711892A (zh) * | 2018-05-30 | 2018-10-26 | 南京工程学院 | 一种多能互补发电系统的优化调度方法 |
| CN109447405A (zh) * | 2018-09-20 | 2019-03-08 | 中国南方电网有限责任公司 | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 |
| CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 |
| CN109636015A (zh) * | 2018-11-28 | 2019-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种梯级水电虚拟抽蓄电站调度方法 |
| CN109510238A (zh) * | 2018-12-07 | 2019-03-22 | 国网辽宁省电力有限公司大连供电公司 | 一种高效求解水电火电风电的协调调度机组组合方法 |
| CN109449987A (zh) * | 2018-12-14 | 2019-03-08 | 国网山东省电力公司经济技术研究院 | 新能源发电并网的电力系统模拟方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| On Characterizing Information Dissemination During City-Wide Cascading Failures in Smart Grid;Mingkui Wei et al;《IEEE Systems Journal》;20171109;第12卷(第4期);3404-3414 * |
| 水电比重较大电网中抽水蓄能建设必要性研究思考;南亚林等;《西北水电》;20181231(第5期);8-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110120685A (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120685B (zh) | 高水电比重系统中梯级水电群与风光电站协调调峰方法 | |
| CN109599861B (zh) | 考虑本地负荷调峰能力的送端电网电源结构规划方法 | |
| CN106169108B (zh) | 含电池储能系统的主动配电网短期有功优化方法 | |
| Ding et al. | A forecast-driven decision-making model for long-term operation of a hydro-wind-photovoltaic hybrid system | |
| Abouzahr et al. | Loss of power supply probability of stand-alone photovoltaic systems: a closed form solution approach | |
| Qi et al. | Optimal configuration of concentrating solar power in multienergy power systems with an improved variational autoencoder | |
| CN111461421A (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
| WO2015154318A1 (zh) | 梯级水电站群日发电计划编制方法 | |
| CN109494727B (zh) | 考虑需求响应的配电网有功和无功协调优化运行方法 | |
| Mohammadi et al. | Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty | |
| CN111404204A (zh) | 一种利用改进狼群算法的含风电场电力系统优化调度方法 | |
| CN107862408B (zh) | 一种水电厂弃水最小预警协调滚动优化方法 | |
| CN114725969B (zh) | 一种基于风电曲线连续追踪的电动汽车负荷聚合方法 | |
| CN113659620A (zh) | 基于动态频率约束的水风互补发电系统日前调度方法 | |
| CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
| CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
| CN111652447B (zh) | 基于分布式神经动态优化的综合能源系统经济调度方法 | |
| CN110826778B (zh) | 一种主动适应新能源发展的负荷特性优化计算方法 | |
| Zhang et al. | Coordinated optimal short-term operation of hydro-wind-solar integrated systems | |
| CN110544958B (zh) | 一种电力系统消纳随机出力电源能力的确定方法及装置 | |
| Senapati et al. | Convolution integral based multivariable grey prediction model for solar energy generation forecasting | |
| Zeng et al. | Long-term wind accommodation of interconnected power grids via HVDC tie-line based on aggregate unit model | |
| CN115271244A (zh) | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 | |
| Colak et al. | Very short-term estimation of global horizontal irradiance using data mining methods | |
| Ghosh et al. | Short term Common Emission and Economic Dispatch modelling of Conventional and Renewable resources power generation using Differential Particle Swarm Optimization |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wei Mingkui Inventor after: Cai Shaorong Inventor after: Jiang Li Inventor before: Liu Qin Inventor before: Wei Mingkui Inventor before: Cai Shaorong Inventor before: Jiang Li |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |