一种基于最小切负荷模型的新能源消纳评估方法
技术领域
本发明涉及新能源电力系统技术领域,具体是一种基于最小切负荷模型的新能源消纳评估方法。
背景技术
近年来,新能源发电已经显示出巨大的环境效益和经济效益,我国新能源迅猛发展。在我国南方水资源丰富地区,建立了一定规模的蓄水式水电站,使得系统具有较高的灵活性,可以充分利用系统中的电源灵活性来实现一定规模新能源的全额消纳。然而,新能源的消纳是指在保证系统安全稳定运行的前提下,合理利用各种资源使得系统能够高效利用新能源。可见,新能源消纳仍是以系统的安全稳定运行为大前提,系统在消纳新能源时,不应产生大量的切负荷、线路过载等不良运行状态。但新能源电源的并网运行改变了电力系统的电源结构,网络的潮流分布也显著改变,使得电力系统可能面临着线路过载和切负荷的风险。
电力系统中电源的灵活性,能够有效提升新能源消纳能力,特别是在我国南方水电富集的地区,利用灵活性电源蓄水式水电站的调节作用可以实现区域内新能源的全额消纳。然而,现有的大多数关于新能源消纳评估的研究简化了水电站的运行模型,蓄水式水电站的水库可能承担着防洪、灌溉和供水等其它综合性任务,研究中没有考虑水库因其它任务需求而限制机组的发电能力,因此无法准确评估系统的新能源消纳能力。此外,目前大多数研究只考虑了系统在正常运行状态下,并没有对系统进行N-1安全校验。在实际运行中,新能源接入的系统在N-1预想故障状态可能出现切负荷现象,影响供电的可靠性。目前缺乏一种综合考虑系统的正常运行状态和N-1预想故障状态进行新能源消纳评估的方法。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于最小切负荷模型的新能源消纳评估方法,主要包括以下步骤:
1)获取T年内电力系统数据,并建立电力系统N-1预想故障集。
2)利用K均值聚类方法对电力系统数据进行处理,建立电力系统运行典型场景,并分别计算每个典型场景发生的概率。
建立电力系统运行典型场景的主要步骤如下:
2.1)基于T年内电力系统数据,选出T年内电力系统在每个季节的典型日,并设置典型日的功率采样点和采样时刻。
在每个采样时刻,对所有典型日的功率采样点进行功率数据采样,建立原始数据集,并将典型日划分为高峰、平衡和低谷三个时段。
2.2)根据采样点、采样时刻和原始数据集,建立典型日内高峰、平衡和低谷三个时段内的典型场景。典型日内的典型场景总数N=Ttop+Tlev+Tlow。
每个典型场景表示如下:
式中,和分别为高峰、平衡和低谷时段内的第t个采样时刻测得的源荷功率。x=1,2,…,m,m为采样点总数。Ttop、Tlev和Tlow分别为高峰、平衡和低谷时段内的采样时刻总数。
2.3)利用K均值法对典型场景进行聚类,主要步骤如下:
2.3.1)根据典型日高峰、平衡和低谷三个时段内的典型场景,确定高峰、平衡和低谷三个时段内的聚类个数Ktop、Klev和Klow。利用密度参数法优化生成Ktop、Klev和Klow个初始聚类中心。
2.3.2)分别计算每个典型场景和所有聚类中心的欧式距离,并将所述典型场景分配到距离最近的类中。利用均值法迭代更新聚类中心直至收敛,从而在高峰时段建立Ktop个类和Ktop个聚类中心,在平衡时段建立Klev个类和Klev个聚类中心,在低谷时段建立Klow个类和Klow个聚类中心。每个类中的典型场景数量即为每个聚类中心表示的典型场景数量。
2.4)对每个聚类中心和所述聚类中心所在类中的所有典型场景中的源荷功率数据进行比较,找出与聚类中心差距最小的典型场景,并利用与聚类中心差距最小的典型场景替换聚类中心。每个替换后的聚类中心即为典型日的典型场景。
2.5)第s个典型场景发生的概率Ps如下所示:
式中,s为典型场景的编号。Ns为典型场景的总数。ns为典型场景s所表示的典型场景数量。N为典型日中的典型场景总数。Ts为典型场景s所属的典型日在一年中所代表的天数。
3)对电力系统的水电站进行优化调度,使电力系统在正常运行状态下满足正常运行约束条件。
所述正常运行约束条件主要包括风电与光伏发电的消纳约束、水电的消纳约束、正常运行功率平衡约束、线路传输容量约束、机组出力约束、水电站库容约束、水电站发电流量约束和水电站水量平衡约束。
风电与光伏发电的消纳约束如下所示:
式中,Nw和NPV分别为电力系统并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。和分别为第s个典型场景下风电场和光伏电站总的最大出力。
水电的消纳约束如下所示:
式中,Nstop、Nslev和Nslow分别为典型日内高峰平衡低谷时段内的典型场景总数。Nh为并网的水电站总数。sh为水电站的编号。和分别为高峰平衡低谷各个时段内的第s个典型场景下的第sh座水电站的出力情况。 和分别为高峰平衡低谷各个时段内的第s个典型场景所持续的时间。为水电站在任意典型日的最大发电量。
正常运行功率平衡约束如下所示:
其中,和分别为节点i在第s个典型场景下的火电、光伏、风电和水电的有功注入功率。和分别为节点i在第s个典型场景下的有功负荷和注入功率。和分别为节点i与节点j在第s个典型场景下的电压相角。和分别是以为支路导纳建立起来的节点导纳矩阵的自导纳和互导纳。
正常运行时第s个典型场景的节点i的自导纳如下所示:
正常运行时第s个典型场景的节点i和节点j互导纳如下所示:
线路传输容量约束如下所示:
式中,Pij.max为支路ij之间的传输极限。为支路ij在第s个典型场景下所传输的有功功率。
支路ij在第s个典型场景下所传输的有功功率如下所示:
机组出力约束分别如公式10至公式13所示:
式中,和分别为节点i所连火电机组在第s个典型场景下的有功出力上下限。和分别为节点i所连光伏电站在第s个典型场景下的有功出力上下限。和分别为节点i所连风电场在第s个典型场景下的有功出力上下限。和分别为节点i所连接的水电站在第s个典型场景时的有功出力上下限。
水电站发电流量约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时所分配的发电流量上下限。
发电流量和水电出力的转化关系如下所示:
式中,ηi为节点i所连接的水电站的发电效率。为节点i所连接的水电站在第s个典型场景下的发电流量。为节点i所连接的水电站在第s个典型场景下的发电水头平均高度。
水电站水量平衡约束如下所示:
其中,和分别为节点i所连接的水电站在第s个典型场景初时和末时的水库蓄水量。和分别为节点i所连接的水电站在第s个典型场景时的入库流量、发电流量和其它流量。所述其它流量主要包括灌溉流量和生活用水流量。
水电站库容约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时的蓄水量上下限。为节点i所连接的水电站在第s个典型场景时的蓄水量。
4)基于N-1预想故障集,建立最小切负荷模型。将电力系统数据输入最小切负荷模型中,得到最小负荷削减量的期望值,使电力系统在N-1预想故障状态下满足故障状态约束条件。
所述故障状态约束条件主要包括风电和光伏发电的消纳约束、水电的消纳约束、故障状态功率平衡约束、线路传输容量约束、机组出力约束、故障状态节点负荷削减量约束、水电站库容约束、水电站发电流量约束、水电站水量平衡约束。
故障状态功率平衡约束如下所示:
式中,和分别为节点i在第f个故障状态下的火电、光伏、风电和水电机组的有功注入功率。为节点i在第f个故障状态下的有功负荷。为节点i在第f个故障状态下的有功负荷削减量。和分别为节点i与节点j在第f个故障状态下的电压相角。和分别是在第f个故障状态下以为支路导纳建立起来的节点导纳矩阵的自导纳及互导纳。
第f个故障状态下节点i的自导纳如下所示:
第f个故障状态下节点i和节点j的互导纳如下所示:
故障状态节点负荷削减量约束如下所示:
5)改变电力系统中新能源电场的装机容量,并重复步骤3和步骤4,计算不同新能源渗透率下的最小负荷削减量的期望值,从而计算得到新能源渗透率上限和新能源消纳能力。
最小切负荷模型如下所示:
式中,s、f和i分别为典型场景、N-1预想故障状态和电力网络节点的编号。Ns、Nf和Nn分别为典型场景、N-1预想故障状态和电力网络节点的数量。ps为第s个场景发生的概率。为第s个场景下的第i个节点在第f个故障状态下的有功负荷削减量。
6)根据不同新能源渗透率下的最小负荷削减量的期望值,建立新能源渗透率和最小负荷削减量期望值的关系曲线,从而判断新能源消纳时系统的安全稳定性。电力系统安全稳定的判断标准为:新能源渗透率ξ<ξmax。
建立新能源渗透率和最小负荷削减量期望值关系的主要步骤如下:
6.1)改变风电场和光伏电站的装机容量,从而改变电力系统中的新能源渗透率。新能源渗透率ξ如下所示:
式中,Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的装机容量。PLD.max为电力系统中负荷功率的最大值。
6.2)利用最小切负荷模型计算不同新能源渗透率下的最小负荷削减量的期望值。
6.3)当电力系统无法满足步骤3或步骤4中的任一约束条件时,则输出电力系统可接受的新能源渗透率上限ξmax。电力系统的新能源消纳能力M如下所示:
式中,M为年度新能源消纳电量。Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。Ns为典型场景的数量。ps为第s个典型场景发生的概率。
本发明的技术效果是毋庸置疑的。本发明以负荷削减量为系统安全稳定评价指标,提出了基于最小切负荷模型的新能源消纳评估方法,分析新能源渗透率和负荷削减量之间的关系,从而为统筹协调系统的安全稳定运行和新能源消纳提供指导意见。
本发明的评估方法可引导新能源的合理发展;充分考虑了系统中的电源灵活性,并且考虑了系统的正常运行状态和N-1预想故障状态,分析新能源渗透率和最小负荷削减量的关系,可为保障电力系统安全稳定运行的实际工作提供指导。
本发明适用于水电富集地区,通过灵活性电源蓄水式水电站的优化调度,实现区域内新能源的全额消纳,解决弃风、弃光、弃水问题,该方法充分考虑了系统中的电源灵活性,提高新能源消纳水平,准确评估了系统的新能源消纳能力。
本发明综合考虑了系统的正常运行状态和N-1预想故障状态,优化求解了系统在N-1预想故障状态下的最小负荷削减量的期望值,分析了新能源渗透率和最小负荷削减量期望值的关系以及新能源消纳时系统的安全稳定性,为引导新能源的合理发展以及保障系统安全稳定运行奠定基础。
附图说明
图1是新能源消纳评估方法的流程示意图;
图2是2018年典型日3月21日峰时段生成的典型场景;
图3是新能源渗透率和最小负荷削减量期望值的关系曲线。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,一种基于最小切负荷模型的新能源消纳评估方法,主要包括以下步骤:
1)获取T年内电力系统数据,并建立电力系统N-1预想故障集。N-1预想故障集是根据电网的实际运行方式建立的。N-1预想故障集即无法满足电力系统N-1准则时所出现的故障。N-1准则是指在正常运行方式下的电力系统中任一元件(如线路、发电机、变压器等)无故障或因故障断开,电力系统应能保持稳定运行和正常供电,其他元件不过载且系统电压和频率均在允许范围内。
2)考虑源荷功率的相关性,利用K均值聚类方法对电力系统数据进行处理,建立电力系统运行典型场景,并分别计算每个典型场景发生的概率。
建立电力系统运行典型场景的主要步骤如下:
2.1)基于T年内电力系统数据,选出T年内电力系统在每个季节的典型日,并设置典型日的功率采样点和采样时刻。
在每个采样时刻,对所有典型日的功率采样点进行功率数据采样,建立原始数据集,并将典型日划分为高峰、平衡和低谷三个时段。
2.2)根据采样点、采样时刻和原始数据集,以采样时刻为序列建立典型日内高峰、平衡和低谷三个时段内的典型场景。典型日内的典型场景总数N=Ttop+Tlev+Tlow。
每个典型场景表示如下:
式中,和分别为高峰、平衡和低谷时段内的第t个采样时刻测得的源荷功率。x=1,2,…,m,m为采样点总数。Ttop、Tlev和Tlow分别为高峰、平衡和低谷时段内的采样时刻总数。
2.3)利用K均值法对典型场景进行聚类,主要步骤如下:
2.3.1)根据典型日高峰、平衡和低谷三个时段内的典型场景,确定高峰、平衡和低谷三个时段内的聚类个数Ktop、Klev和Klow。利用密度参数法优化生成Ktop、Klev和Klow个初始聚类中心。
2.3.2)分别计算每个典型场景和所有聚类中心的欧式距离,并将所述典型场景分配到距离最近的类中。利用均值法迭代更新聚类中心直至收敛,从而在高峰时段建立Ktop个类和Ktop个聚类中心,在平衡时段建立Klev个类和Klev个聚类中心,在低谷时段建立Klow个类和Klow个聚类中心。每个类中的典型场景数量即为每个聚类中心表示的典型场景数量。
2.4)对每个聚类中心和所述聚类中心所在类中的所有典型场景中的源荷功率数据进行比较,找出与聚类中心差距最小的典型场景,也即与聚类中心的源荷功率数据差值最小的典型场景,并利用与聚类中心差距最小的典型场景替换聚类中心,从而保证所生成的典型场景来源于系统中实际的源荷功率场景。每个替换后的聚类中心即为典型日的典型场景。
2.5)第s个典型场景发生的概率Ps如下所示:
式中,s为典型场景的编号。Ns为典型场景的总数,Ns个典型场景是由所选取的典型日中的原始场景通过K均值聚类技术生成的,系统中的所有原始场景均是通过Ns个典型场景进行表示。ns为典型场景s所表示的典型场景数量。N为典型日中的典型场景总数。Ts为典型场景s所属的典型日在一年中所代表的天数。
3)对电力系统的灵活性电源蓄水式水电站进行优化调度,使电力系统在正常运行状态下满足正常运行约束条件。
所述正常运行约束条件主要包括风电与光伏发电的消纳约束、水电的消纳约束、正常运行功率平衡约束、线路传输容量约束、机组出力约束、水电站库容约束、水电站发电流量约束和水电站水量平衡约束。
风电与光伏发电的消纳约束如下所示:
式中,Nw和NPV分别为电力系统并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。和分别为第s个典型场景下风电场和光伏电站总的最大出力。为了防止出现弃风弃光问题,必须使各场景下系统所消纳的风电和光伏发电等于风电场和光伏电站的最大出力。
水电的消纳约束如下所示:
式中,Nstop、Nslev和Nslow分别为典型日内高峰平衡低谷时段内的典型场景总数。Nh为并网的水电站总数。sh为水电站的编号。和分别为高峰平衡低谷各个时段内的第s个典型场景下的第sh座水电站的出力情况。和分别为高峰平衡低谷各个时段内的第s个典型场景所持续的时间。为水电站在任意典型日的最大发电量。蓄水式水电站具有较大容量的水库,当风电场和光伏电站出力较大时,水库可以将该场景下的多余发电用水量进行储存,用于其它场景时的水力发电。
正常运行功率平衡约束如下所示:
其中,和分别为节点i在第s个典型场景下的火电、光伏、风电和水电的有功注入功率。和分别为节点i在第s个典型场景下的有功负荷和注入功率。和分别为节点i与节点j在第s个典型场景下的电压相角。和分别是以为支路导纳建立起来的节点导纳矩阵的自导纳和互导纳。
正常运行时第s个典型场景的节点i的自导纳如下所示:
正常运行时第s个典型场景的节点i和节点j互导纳如下所示:
线路传输容量约束如下所示:
式中,Pij.max为支路ij之间的传输极限。为支路ij在第s个典型场景下所传输的有功功率。
支路ij在第s个典型场景下所传输的有功功率如下所示:
机组出力约束分别如公式10至公式13所示:
式中,和分别为节点i所连火电机组在第s个典型场景下的有功出力上下限。和分别为节点i所连光伏电站在第s个典型场景下的有功出力上下限。和分别为节点i所连风电场在第s个典型场景下的有功出力上下限。和分别为节点i所连接的水电站在第s个典型场景时的有功出力上下限。
水电站发电流量约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时所分配的发电流量上下限。水库承担着一定量的防洪、农业灌溉和生活用水等任务,水电站需要根据水库调度部门调度计划进行安排发电用水量,可用水电资源应为调度部门分配的发电流量上下限。
发电流量和水电出力的转化关系如下所示:
式中,ηi为节点i所连接的水电站的发电效率。为节点i所连接的水电站在第s个典型场景下的发电流量。为节点i所连接的水电站在第s个典型场景下的发电水头平均高度。
水电站水量平衡约束如下所示:
其中,和分别为节点i所连接的水电站在第s个典型场景初时和末时的水库蓄水量。和分别为节点i所连接的水电站在第s个典型场景时的入库流量、发电流量和其它流量。所述其它流量主要包括灌溉流量和生活用水流量。
水电站库容约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时的蓄水量上下限。为节点i所连接的水电站在第s个典型场景时的蓄水量。
4)基于N-1预想故障集,建立最小切负荷模型。将电力系统数据输入最小切负荷模型中,得到最小负荷削减量的期望值,使电力系统在N-1预想故障状态下满足故障状态约束条件。
所述故障状态约束条件主要包括风电和光伏发电的消纳约束、水电的消纳约束、故障状态功率平衡约束、线路传输容量约束、机组出力约束、故障状态节点负荷削减量约束、水电站库容约束、水电站发电流量约束、水电站水量平衡约束。
故障状态功率平衡约束如下所示:
式中,和分别为节点i在第f个故障状态下的火电、光伏、风电和水电机组的有功注入功率。为节点i在第f个故障状态下的有功负荷。为节点i在第f个故障状态下的有功负荷削减量。和分别为节点i与节点j在第f个故障状态下的电压相角。和分别是在第f个故障状态下以为支路导纳建立起来的节点导纳矩阵的自导纳及互导纳。
第f个故障状态下节点i的自导纳如下所示:
式中,为第f个故障状态下支路导纳。
第f个故障状态下节点i和节点j的互导纳如下所示:
故障状态节点负荷削减量约束如下所示:
5)改变电力系统中新能源电场的装机容量,并重复步骤3和步骤4,计算不同新能源渗透率下的最小负荷削减量的期望值,从而计算得到新能源渗透率上限和新能源消纳能力。
最小切负荷模型如下所示:
式中,s、f和i分别为典型场景、N-1预想故障状态和电力网络节点的编号。Ns、Nf和Nn分别为典型场景、N-1预想故障状态和电力网络节点的数量。ps为第s个场景发生的概率。为第s个场景下的第i个节点在第f个故障状态下的有功负荷削减量。
6)根据不同新能源渗透率下的最小负荷削减量的期望值,建立新能源渗透率和最小负荷削减量期望值的关系曲线,从而判断新能源消纳时系统的安全稳定性。电力系统安全稳定的判断标准为:新能源渗透率ξ<ξmax。
建立新能源渗透率和最小负荷削减量期望值关系曲线的主要步骤如下:
6.1)结合典型场景中的负荷功率,改变风电场和光伏电站的装机容量,从而改变电力系统中的新能源渗透率。新能源渗透率ξ如下所示:
式中,Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的装机容量。PLD.max为电力系统中负荷功率的最大值。
6.2)利用最小切负荷模型计算不同新能源渗透率下的最小负荷削减量的期望值。
6.3)当电力系统无法满足步骤3或步骤4中的任一约束条件时,则输出电力系统可接受的新能源渗透率上限ξmax。电力系统的新能源消纳能力M如下所示:
式中,M为年度新能源消纳电量。Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。Ns为典型场景的数量。ps为第s个典型场景发生的概率。
实施例2:
一种基于最小切负荷模型的新能源消纳评估方法,主要包括以下步骤:
1)获取T年内电力系统数据,并建立电力系统N-1预想故障集。
2)利用K均值聚类方法对电力系统数据进行处理,建立电力系统运行典型场景,并分别计算每个典型场景发生的概率。
3)对电力系统的水电站进行优化调度,使电力系统在正常运行状态下满足正常运行约束条件。
4)基于N-1预想故障集,建立最小切负荷模型;将电力系统数据输入最小切负荷模型中,得到最小负荷削减量的期望值,使电力系统在N-1预想故障状态下满足故障状态约束条件。
5)改变电力系统中新能源电场的装机容量,并重复步骤3和步骤4,计算不同新能源渗透率下的最小负荷削减量的期望值,从而计算得到新能源渗透率上限和新能源消纳能力。
6)根据不同新能源渗透率下的最小负荷削减量的期望值,建立新能源渗透率和最小负荷削减量期望值的关系曲线,从而判断新能源消纳时系统的安全稳定性。
实施例3:
一种基于最小切负荷模型的新能源消纳评估方法,主要步骤参见实施例2,其中,建立电力系统运行典型场景的主要步骤如下:
1)基于T年内电力系统数据,选出T年内电力系统在每个季节的典型日,并设置典型日的功率采样点和采样时刻。
在每个采样时刻,对所有典型日的功率采样点进行功率数据采样,建立原始数据集,并将典型日划分为高峰、平衡和低谷三个时段。
2)根据采样点、采样时刻和原始数据集,建立典型日内高峰、平衡和低谷三个时段内的典型场景。典型日内的典型场景总数N=Ttop+Tlev+Tlow。
每个典型场景表示如下:
式中,和分别为高峰、平衡和低谷时段内的第t个采样时刻测得的源荷功率。x=1,2,…,m,m为采样点总数。Ttop、Tlev和Tlow分别为高峰、平衡和低谷时段内的采样时刻总数。
3)利用K均值法对典型场景进行聚类,主要步骤如下:
3.1)根据典型日高峰、平衡和低谷三个时段内的典型场景,确定高峰、平衡和低谷三个时段内的聚类个数Ktop、Klev和Klow。利用密度参数法优化生成Ktop、Klev和Klow个初始聚类中心。
3.2)分别计算每个典型场景和所有聚类中心的欧式距离,并将所述典型场景分配到距离最近的类中。利用均值法迭代更新聚类中心直至收敛,从而在高峰时段建立Ktop个类和Ktop个聚类中心,在平衡时段建立Klev个类和Klev个聚类中心,在低谷时段建立Klow个类和Klow个聚类中心。每个类中的典型场景数量即为每个聚类中心表示的典型场景数量。
4)对每个聚类中心和所述聚类中心所在类中的所有典型场景中的源荷功率数据进行比较,找出与聚类中心差距最小的典型场景,并利用与聚类中心差距最小的典型场景替换聚类中心。每个替换后的聚类中心即为典型日的典型场景。
5)第s个典型场景发生的概率Ps如下所示:
式中,s为典型场景的编号。Ns为典型场景的总数。ns为典型场景s所表示的典型场景数量。N为典型日中的典型场景总数。Ts为典型场景s所属的典型日在一年中所代表的天数。
实施例4:
一种基于最小切负荷模型的新能源消纳评估方法,主要步骤参见实施例2,其中,正常运行约束条件主要包括风电与光伏发电的消纳约束、水电的消纳约束、正常运行功率平衡约束、线路传输容量约束、机组出力约束、水电站库容约束、水电站发电流量约束和水电站水量平衡约束。
风电与光伏发电的消纳约束如下所示:
式中,Nw和NPV分别为电力系统并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。和分别为第s个典型场景下风电场和光伏电站总的最大出力。
水电的消纳约束如下所示:
式中,Nstop、Nslev和Nslow分别为典型日内高峰平衡低谷时段内的典型场景总数。Nh为并网的水电站总数。sh为水电站的编号。和分别为高峰平衡低谷各个时段内的第s个典型场景下的第sh座水电站的出力情况。和分别为高峰平衡低谷各个时段内的第s个典型场景所持续的时间。为水电站在任意典型日的最大发电量。
正常运行功率平衡约束如下所示:
其中,和分别为节点i在第s个典型场景下的火电、光伏、风电和水电的有功注入功率。和分别为节点i在第s个典型场景下的有功负荷和注入功率。和分别为节点i与节点j在第s个典型场景下的电压相角。和分别是以为支路导纳建立起来的节点导纳矩阵的自导纳和互导纳。
正常运行时第s个典型场景的节点i的自导纳如下所示:
正常运行时第s个典型场景的节点i和节点j互导纳如下所示:
线路传输容量约束如下所示:
式中,Pij.max为支路ij之间的传输极限。为支路ij在第s个典型场景下所传输的有功功率。
支路ij在第s个典型场景下所传输的有功功率如下所示:
机组出力约束分别如公式8至公式11所示:
式中,和分别为节点i所连火电机组在第s个典型场景下的有功出力上下限。和分别为节点i所连光伏电站在第s个典型场景下的有功出力上下限。和分别为节点i所连风电场在第s个典型场景下的有功出力上下限。和分别为节点i所连接的水电站在第s个典型场景时的有功出力上下限。
水电站发电流量约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时所分配的发电流量上下限。
发电流量和水电出力的转化关系如下所示:
式中,ηi为节点i所连接的水电站的发电效率。为节点i所连接的水电站在第s个典型场景下的发电流量。为节点i所连接的水电站在第s个典型场景下的发电水头平均高度。
水电站水量平衡约束如下所示:
其中,和分别为节点i所连接的水电站在第s个典型场景初时和末时的水库蓄水量。和分别为节点i所连接的水电站在第s个典型场景时的入库流量、发电流量和其它流量。所述其它流量主要包括灌溉流量和生活用水流量。
水电站库容约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时的蓄水量上下限。为节点i所连接的水电站在第s个典型场景时的蓄水量。
实施例5:
一种基于最小切负荷模型的新能源消纳评估方法,主要步骤参见实施例2,其中,故障状态约束条件主要包括风电和光伏发电的消纳约束、水电的消纳约束、故障状态功率平衡约束、线路传输容量约束、机组出力约束、故障状态节点负荷削减量约束、水电站库容约束、水电站发电流量约束、水电站水量平衡约束。
故障状态功率平衡约束如下所示:
式中,和分别为节点i在第f个故障状态下的火电、光伏、风电和水电机组的有功注入功率。为节点i在第f个故障状态下的有功负荷。为节点i在第f个故障状态下的有功负荷削减量。和分别为节点i与节点j在第f个故障状态下的电压相角。和分别是在第f个故障状态下以为支路导纳建立起来的节点导纳矩阵的自导纳及互导纳。
第f个故障状态下节点i的自导纳如下所示:
第f个故障状态下节点i和节点j的互导纳如下所示:
故障状态节点负荷削减量约束如下所示:
风电与光伏发电的消纳约束如下所示:
式中,Nw和NPV分别为电力系统并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。和分别为第s个典型场景下风电场和光伏电站总的最大出力。
水电的消纳约束如下所示:
式中,Nstop、Nslev和Nslow分别为典型日内高峰平衡低谷时段内的典型场景总数。Nh为并网的水电站总数。sh为水电站的编号。和分别为高峰平衡低谷各个时段内的第s个典型场景下的第sh座水电站的出力情况。和分别为高峰平衡低谷各个时段内的第s个典型场景所持续的时间。为水电站在任意典型日的最大发电量。
线路传输容量约束如下所示:
式中,Pij.max为支路ij之间的传输极限。为支路ij在第s个典型场景下所传输的有功功率。
支路ij在第s个典型场景下所传输的有功功率如下所示:
机组出力约束分别如公式9至公式12所示:
式中,和分别为节点i所连火电机组在第s个典型场景下的有功出力上下限。和分别为节点i所连光伏电站在第s个典型场景下的有功出力上下限。和分别为节点i所连风电场在第s个典型场景下的有功出力上下限。和分别为节点i所连接的水电站在第s个典型场景时的有功出力上下限。
水电站发电流量约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时所分配的发电流量上下限。
发电流量和水电出力的转化关系如下所示:
式中,ηi为节点i所连接的水电站的发电效率。为节点i所连接的水电站在第s个典型场景下的发电流量。为节点i所连接的水电站在第s个典型场景下的发电水头平均高度。
水电站水量平衡约束如下所示:
其中,和分别为节点i所连接的水电站在第s个典型场景初时和末时的水库蓄水量。和分别为节点i所连接的水电站在第s个典型场景时的入库流量、发电流量和其它流量。所述其它流量主要包括灌溉流量和生活用水流量。
水电站库容约束如下所示:
式中,和分别为节点i所连接的水电站在第s个典型场景时的蓄水量上下限。为节点i所连接的水电站在第s个典型场景时的蓄水量。
实施例6:
一种基于最小切负荷模型的新能源消纳评估方法,主要步骤参见实施例2,其中,最小切负荷模型如下所示:
式中,s、f和i分别为典型场景、N-1预想故障状态和电力网络节点的编号。Ns、Nf和Nn分别为典型场景、N-1预想故障状态和电力网络节点的数量。ps为第s个场景发生的概率。为第s个场景下的第i个节点在第f个故障状态下的有功负荷削减量。
实施例7:
一种基于最小切负荷模型的新能源消纳评估方法,主要步骤参见实施例2,其中,建立新能源渗透率和最小负荷削减量期望值关系的主要步骤如下:
6.1)改变风电场和光伏电站的装机容量,从而改变电力系统中的新能源渗透率。新能源渗透率ξ如下所示:
式中,Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的装机容量。PLD.max为电力系统中负荷功率的最大值。
6.2)利用最小切负荷模型计算不同新能源渗透率下的最小负荷削减量的期望值。
6.3)当电力系统无法满足步骤3或步骤4中的任一约束条件时,则输出电力系统可接受的新能源渗透率上限ξmax。电力系统的新能源消纳能力M如下所示:
式中,M为年度新能源消纳电量。Nw和NPV分别为并网的风电场和光伏电站总数。sw和sPV分别为风电场和光伏电站的编号。和分别为第s个典型场景下的第sw座风电场和第sPV座光伏电站的出力情况。Ns为典型场景的数量。ps为第s个典型场景发生的概率。
实施例8:
一种验证基于最小切负荷模型的新能源消纳评估方法的实验,主要步骤如下:
1)获取T年内电力系统数据,并建立电力系统N-1预想故障集。以我国南方某沿海地区110kV电网2018年的电源结构、网架结构、实际运行方式等信息作为实施例的原始数据,2018年该地有3座新能源电场,总容量达到220.24MW;1座火电厂,总容量达到1200MW,4座蓄水式水电站,总容量达到69.6MW,2018年该区域负荷的最大功率为1080.49MW,网络N-1预想故障集中的故障数量为97个。
2)利用K均值聚类方法对电力系统数据进行处理,建立电力系统运行典型场景,并分别计算每个典型场景发生的概率。
在冬、夏和春/秋季节内各选取一个典型日来反映当地电网2018年的运行情况。其中,冬季选择了12月21日,夏季选择了8月5日,春/秋季选择了3月21日。
选择该区域电网中的126个节点作为功率采样点,每隔5min对各采样点进行一次功率采样获得源荷功率的原始数据,结合该区域电力系统的实际运行情况,典型日内的高峰、平衡和低谷时段划分情况如表1所示。
表1典型日内的高峰、平衡和低谷时段划分情况
时段 |
持续时间 |
高峰时段 |
10:00-12:00、15:00-20:00 |
平衡时段 |
7:00-10:00、12:00-15:00、20:00-0:00 |
低谷时段 |
0:00-7:00 |
根据采样获得的原始数据,采用K均值聚类技术分别在3个典型日的高峰、平衡和低谷时段内均生成3个典型场景,并计算各个典型场景发生的概率。
图2为2018年春/秋季典型日3月21日高峰时段的典型场景的生成结果;表2为2018年春/秋季典型日3月21日高峰时段的典型场景发生的概率;依据2018年3月21日平衡时段、低谷时段和冬季、夏季典型日各时段内的原始场景,同样可以生成对应的典型场景和获得各典型场景发生的概率。
表2 2018年3月21日高峰时段的典型场景发生的概率
3)对电力系统的水电站进行优化调度,使电力系统在正常运行状态下满足正常运行约束条件。
4)基于N-1预想故障集,建立最小切负荷模型。将电力系统数据输入最小切负荷模型中,利用CPLEX求解器求解得到最小负荷削减量的期望值,使电力系统在N-1预想故障状态下满足故障状态约束条件。
基于测试网络和典型场景数据,在正常运行状态下,实现系统内的新能源全额消纳,并且避免出现线路过载和切负荷等问题;在故障状态下,根据N-1安全校核的预想故障集,计算出各个典型场景下的最小负荷削减量,计算结果如表3所示。
表3各典型场景下的最小负荷削减量(MW)
进一步结合预想故障数量和各个典型场景概率,计算2018年该区域最小负荷削减量的期望值为0.2881MW;根据新能源电场的装机容量以及2018年该区域最大的负荷功率,计算2018年该区域的新能源渗透率为20.38%,新能源消纳电量为415601.62MW·h。
5)改变电力系统中新能源电场的装机容量,并重复步骤3和步骤4,计算不同新能源渗透率下的最小负荷削减量的期望值,从而计算得到新能源渗透率上限和新能源消纳能力。
调整新能源电场的装机容量来改变系统中的新能源渗透率,求解不同新能源渗透率下的最小负荷削减量的期望值。其中,在改变新能源渗透率时仍需使系统满足正常运行状态下和预想故障状态下的约束条件,当不满足时,即可获得系统的新能源渗透率上限,经计算系统的新能源渗透率上限为84.58%。
6)根据不同新能源渗透率下的最小负荷削减量的期望值,建立新能源渗透率和最小负荷削减量期望值的关系曲线,分析两者之间的关系,进而分析新能源消纳时系统的安全稳定性。
根据不同新能源渗透率下的最小负荷削减量的期望值,建立新能源渗透率和最小负荷削减量期望值的关系曲线如图3所示。
从图3可以看出,当新能源渗透率小于68.74%时,最小负荷削减量的期望值为固定值,即使新能源渗透率为0,没有新能源接入时,最小负荷削减量的期望值仍是0.2881MW,说明新能源渗透率在0-68.74%区间内,系统最小负荷削减量的期望值与新能源是否接入、新能源渗透率是否提高均没有关系;当新能源渗透率高于68.74%时,最小负荷削减量的期望值同新能源渗透率成正相关,系统最小负荷削减量的期望值将随着新能源消纳电量的增加而增大,进而给系统的安全稳定运行带来更多的隐患;受限于新能源电场输电线路传输容量的限制,新能源渗透率的上限为84.58%,对应最小负荷削减量的期望值最大为0.7592MW;当新能源渗透率超过上限时,系统在正常运行状态下会出现线路过载的现象,无法安全稳定运行。
根据新能源渗透率的上限,评估系统的新能源消纳能力,经计算,系统年度新能源消纳电量最大为3592193.13MW·h。