CN110889541A - 一种电力系统风险调度决策方法及装置 - Google Patents

一种电力系统风险调度决策方法及装置 Download PDF

Info

Publication number
CN110889541A
CN110889541A CN201911126072.XA CN201911126072A CN110889541A CN 110889541 A CN110889541 A CN 110889541A CN 201911126072 A CN201911126072 A CN 201911126072A CN 110889541 A CN110889541 A CN 110889541A
Authority
CN
China
Prior art keywords
wind power
risk
output
particle
scene
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.)
Pending
Application number
CN201911126072.XA
Other languages
English (en)
Inventor
孙蓉
陈兵
邵剑
吕振华
孙国强
梅建春
翁蓓蓓
邹逸云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Taizhou Power Supply Co of Jiangsu Electric Power Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Taizhou Power Supply Co of Jiangsu Electric Power Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU, Taizhou Power Supply Co of Jiangsu Electric Power Co, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911126072.XA priority Critical patent/CN110889541A/zh
Publication of CN110889541A publication Critical patent/CN110889541A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种电力系统风险调度决策方法及装置，包括识别系统不确定性概率特征，针对风电短期波动特征进行风电不确定性建模；在概率优化调度模型框架下构建短期经济调度的风险决策模型；基于粒子群算法，提出风险调度决策模型求解方法。本发明可以科学实现系统备用容量优化配置，在满足大规模并网风电消纳需求的基础上有机协调系统运行安全性与经济性。

Description

一种电力系统风险调度决策方法及装置
技术领域
本发明属于电力系统技术领域，尤其涉及一种电力系统风险调度决策方法及装置。
背景技术
调度决策中备用容量的优化配置，是在不确定性环境下保证系统电力电量平衡和安全经济运行的基础。决定系统能否平衡波动性风电功率的关键在于，短期运行中系统备用容量裕度能否应对风电出力可能出现的偏差。但风电强随机性大大增加了系统备用容量的需求和优化配置难度：备用容量不足将导致系统的负荷损失或者限电弃风；但为风电出力的小概率大幅偏差而增加备用容量，则会增加运行成本，甚至超过由于备用不足带来的损失成本。
传统调度决策方法采用确定性准则增加风电备用百分比，难以协调系统可靠性和经济性这两方面对立特性。为了兼顾经济性和可靠性，实现系统在合理安全水平下的经济性最优，目前提出的含风电电力系统调度决策模型方法大体可分为两类：1)增加系统可靠性约束。这种限定的可靠性约束忽略了经济性和可靠性内在的耦合联系，可能减小两者协调统筹的优化空间。2)优化目标纳入备用风险成本。但这种方法的难点在于建立合理的风险成本指标，需要同时考量系统停电损失和弃风损失。因此，针对短期经济调度这一决定系统经济安全运行水平的基础问题，研究含风电电力系统优化调度决策模型和方法具有重要意义。
发明内容
本发明的目的在于提供一种电力系统风险调度决策方法及装置，通过建立风电不确定性的概率场景模型，以随机扰动发生的概率和严重度分析为基本出发点，建立短期经济调度的风险决策模型，通过备用容量优化配置合理协调风电消纳对系统经济成本和安全风险的影响。
为达到上述目的，本发明采用的技术方案如下：
本发明实施例提供一种电力系统风险调度决策方法，包括：
生成初始粒子种群和粒子种群初始速度；所述粒子种群为电力系统机组出力集合；
计算初始粒子种群中各粒子的适应度值；所述初始粒子种群中各粒子的适应度值由粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失确定；
根据各粒子的适应度值，将适应度值最小的粒子作为粒子最优位置，将所述粒子最优位置处电力系统机组出力作为最终的风险调度决策。
进一步的，所述生成初始粒子种群，包括：
初始粒子种群为NG×T的矩阵，
其中，NG为电力系统常规机组数量，T为短期经济调度包括的优化时段数量。进一步的，所述生成粒子种群初始速度，包括：利用内点法得到风电预测值条件下的经济性最优的电力系统机组出力，作为粒子种群初始速度。
进一步的，所述粒子对应机组出力的总煤耗成本计算如下：
Figure BDA0002276857460000021
其中，S0表示总煤耗成本，
Figure BDA0002276857460000022
表示t时段所有机组煤耗成本之和，NG为机组总数，
Figure BDA0002276857460000023
为第i台机组在t时段的煤耗成本，
Figure BDA0002276857460000024
为第i台机组在t时段的出力，ai、bi和ci为第i台机组的煤耗系数。
进一步的，所述粒子在各个风电随机场景下的总风险损失计算如下：
Figure BDA0002276857460000025
其中，
Figure BDA0002276857460000026
为第k个风电场景下的总风险损失，
Figure BDA0002276857460000027
为第k个风电场景下电力系统在t时段的损失成本，γL和γW分别为电力系统负荷损失和弃风损失的价值系数，
Figure BDA0002276857460000028
和
Figure BDA0002276857460000029
为第k个风电场景下电力系统在t时段的负荷损失和弃风损失，
Figure BDA00022768574600000210
和
Figure BDA00022768574600000211
计算如下：
Figure BDA00022768574600000212
Figure BDA00022768574600000213
其中，
Figure BDA00022768574600000214
和
Figure BDA00022768574600000215
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure BDA00022768574600000216
和
Figure BDA00022768574600000217
分别为t时段系统可提供给风电的正负旋转备用容量。
进一步的，根据粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失计算短期经济调度时段内电力系统运行风险总量，作为粒子的适应度值，包括：
Figure BDA00022768574600000218
其中，Risk为运行风险总量，Riskt为电力系统在t时段的运行风险总量，qk为第k个风电场景概率，Nk为风电场景数量，β为风险协调系数。
进一步的，所述电力系统运行风险总量计算过程中，需满足如下约束条件：
Figure BDA0002276857460000031
Figure BDA0002276857460000032
Figure BDA0002276857460000033
Figure BDA0002276857460000034
Figure BDA0002276857460000035
Figure BDA0002276857460000036
其中，
Figure BDA0002276857460000037
为第i台机组第k个风电场景下在t时段的出力，
Figure BDA0002276857460000038
为电力系统在t时段的总负荷功率，
Figure BDA0002276857460000039
和
Figure BDA00022768574600000310
分别为电力系统第k个风电场景下在t时段的正旋转备用总和负旋转备用总和，
Figure BDA00022768574600000311
和
Figure BDA00022768574600000312
分别为第i台机组第k个风电场景下在t时段的正旋转备用和负旋转备用，T10为旋转备用响应时间，
Figure BDA00022768574600000313
和
Figure BDA00022768574600000314
分别为第i台机组第k个风电场景下在t时段的最大出力和最小出力，
Figure BDA00022768574600000315
和
Figure BDA00022768574600000316
分别为第i台机组在基本调度时段内最大向上和向下爬坡量，μL、μS、μW分别取5％、8％和0，
Figure BDA00022768574600000317
和
Figure BDA00022768574600000318
为第i台机组出力下限和上限，r+和r-分别为第i台机组有功输出的正、负允许调整速率，Δt为电力系统在扰动状态下的允许紧急调整时间，PGi为正常运行状态下的第i台机组出力。
进一步的，所述风电场景概率基于马尔科夫链场景模型确定，包括：
假设当前t时段的风电出力状态为
Figure BDA00022768574600000319
则根据马尔科夫链的状态转移矩阵P得到t+1时段出现状态
Figure BDA00022768574600000320
的状态转移概率为pij；
按照不同状态的状态转移概率，从大到小依次确定对应的状态
Figure BDA0002276857460000041
直到转移到wt+1的累计概率大于一定置信水平，最终得到了t+1时段风电出力的有限个数状态及出现的概率；wt+1表示t+1时段风电出力状态合集；
在得到t+1时段风电出力状态的基础上，同理得到t+2时段的风电出力状态，直至得到所有优化时段的风电出力场景，风电场景概率根据相邻时刻状态转移概率累乘得到。
进一步的，所述风电场景数量按如下方式确定：
将优化时段内的风电出力状态限定于波动区间
Figure BDA0002276857460000042
内，其中，
Figure BDA0002276857460000043
为风电出力预测曲线；
采用场景减少技术在保持随机变量重要特征基础上，得到包含可接受数量的最优场景集合，作为最终的风电场景数据。
进一步的，所述基本调度时段为15min。
本发明实施例还提供一种电力系统风险调度决策装置，包括：
初始化模块，用于生成初始粒子种群和粒子种群初始速度；所述粒子种群为电力系统机组出力集合；
计算模块，用于计算初始粒子种群中各粒子的适应度值；所述初始粒子种群中各粒子的适应度值由粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失确定；
以及决策模块，用于根据各粒子的适应度值，将适应度值最小的粒子作为粒子最优位置，将所述粒子最优位置处电力系统机组出力作为最终的风险调度决策。
进一步的，所述计算模块，具体用于，
计算粒子对应机组出力的总煤耗成本：
Figure BDA0002276857460000044
其中，S0表示总煤耗成本，
Figure BDA0002276857460000045
表示t时段所有机组煤耗成本之和，NG为机组总数，
Figure BDA0002276857460000046
为第i台机组在t时段的煤耗成本，
Figure BDA0002276857460000047
为第i台机组在t时段的出力，ai、bi和ci为第i台机组的煤耗系数，T为优化时段数。
进一步的，所述计算模块，具体还用于，
计算粒子在各个风电随机场景下的总风险损失：
Figure BDA0002276857460000051
其中，
Figure BDA0002276857460000052
为第k个风电场景下的总风险损失，
Figure BDA0002276857460000053
为第k个风电场景下电力系统在t时段的损失成本，γL和γW分别为电力系统负荷损失和弃风损失的价值系数，
Figure BDA0002276857460000054
和
Figure BDA0002276857460000055
为第k个风电场景下电力系统在t时段的负荷损失和弃风损失，
Figure BDA0002276857460000056
和
Figure BDA0002276857460000057
计算如下：
Figure BDA0002276857460000058
Figure BDA0002276857460000059
其中，
Figure BDA00022768574600000510
和
Figure BDA00022768574600000511
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure BDA00022768574600000512
和
Figure BDA00022768574600000513
分别为t时段系统可提供给风电的正负旋转备用容量。
进一步的，所述计算模块，具体还用于，
根据粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失计算短期经济调度时段内电力系统运行风险总量，作为粒子的适应度值：
Figure BDA00022768574600000514
其中，Risk为运行风险总量，Riskt为电力系统在t时段的运行风险总量，qk为第k个风电场景概率，Nk为风电场景数量，β为风险协调系数。
本发明所达到的有益效果为：
本发明在概率调度优化理论框架下，将风电随机波动作为系统运行扰动，首先建立了风电不确定性的概率场景模型，以随机扰动发生的概率和严重度分析为基本出发点，建立了短期经济调度的风险决策模型，利用科学的风险管控方法来统筹协调调度决策中系统的经济成本和运行风险，实现运行风险与调度计划制定之间的有效衔接，通过备用容量优化配置合理协调风电消纳对系统经济成本和安全风险的影响。
附图说明
图1为本发明基于马尔科夫链的风电出力场景基本模型；
图2为本发明实施例中的IEEE 30节点算例系统网络拓扑图；
图3为本发明实施例中未来4h内的风电15min预测出力曲线。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明实施例首先研究概率优化调度理论，然后在概率调度优化理论框架下，将风电随机波动作为系统运行扰动，建立了风电不确定性的概率场景模型，最后以随机扰动发生的概率和严重度分析为基本出发点，建立短期经济调度的风险决策模型，通过算例测试所提方法的有效性。
概率优化调度在传统调度基础上融合统筹系统的运行风险，在各类约束限制下，以调度计划在未来时间段可能面临的不同运行状态下的运行风险总量最小为优化目标，它的一般数学表达式如下所示：
Figure BDA0002276857460000061
Figure BDA0002276857460000062
Figure BDA0002276857460000063
Figure BDA0002276857460000064
Figure BDA0002276857460000065
其中，T为调度决策的前瞻时段数，K为分析系统可能发生的随机扰动的总数；
Figure BDA0002276857460000066
为系统在t时段的正常运行状态，
Figure BDA0002276857460000067
为系统在t时段发生第k种随机扰动后的运行状态；
Figure BDA0002276857460000068
为系统在t时段处于正常运行状态的概率，
Figure BDA0002276857460000069
为系统在t时段发生第k种随机扰动的概率，
Figure BDA00022768574600000610
为随机扰动带来的风险损失成本。
由上式的目标函数表达式可知，系统在t时段运行风险总量Riskt综合了正常运行状态下的运行成本
Figure BDA00022768574600000611
和发生第k种随机扰动状态下的损失成本
Figure BDA00022768574600000612
β为系统风险协调系数，可实现对系统安全风险和经济成本的有机协调。
上式所包含的约束条件包括：在正常运行状态下的系统等式约束
Figure BDA00022768574600000613
和不等式约束
Figure BDA0002276857460000071
产生随机扰动运行状态下的系统等式约束
Figure BDA0002276857460000072
和不等式约束
Figure BDA0002276857460000073
随机扰动发生前后系统状态之间的耦合关联约束
Figure BDA0002276857460000074
如发电机事故调整约束等；以及系统运行状态变量约束
Figure BDA0002276857460000075
如机组出力上下限约束等。
识别系统不确定性概率特征的元件建模是风险分析的基础，电力系统中不确定性因素包含多个方面，本发明重点在于在提升调度决策对风电不确定性的适应能力，故仅针对风电短期波动特征进行不确定性建模。
基于马尔科夫链的风电场景建模的基本思路如图1所示。假设当前t时段的风电出力状态为
Figure BDA0002276857460000076
则可以根据马尔科夫链的状态转移矩阵P得到t+1时段出现状态
Figure BDA0002276857460000077
的概率为pij。按照不同可能状态发生的概率，从大到小依次确定对应的状态
Figure BDA0002276857460000078
直到转移到wt+1的累计概率大于一定置信水平(本发明取0.85)，最终得到了t+1时段风电出力的有限个数状态及其出现的概率，wt+1表示t+1时段可能的风电出力状态合集。同时，在得到t+1时段风电出力状态的基础上，可同理得到t+2时段可能的风电状态，直至未来多个时段的风电出力场景。每个场景代表一种确定性风电出力的时序状态变化曲线，其概率可根据相邻时刻状态转移概率累乘得到。
但对于未来多个时段的调度计划制定，情景的数量将随着调度时段数的增大按幂级数扩大，这也必然带来大量的计算。为了解决这一场景规模问题，本发明从两方面进行改进，得到适用于多时段调度计划的风电出力随机场景模型。
1)结合风电预测信息，避免场景树的幂级数增加。考虑短期风电预测的准确性，在得到未来调度周期的风电预测信息基础上，未来各时段可能的风电出力状态将可以限定于波动区间内。具体风电波动区间的确定可利用风电预测技术得到，本发明研究内容不关注具体预测技术，故认为短期内预测误差不超过预测曲线的20％，即风电波动区间为
Figure BDA0002276857460000079
为风电出力预测曲线。
2)采用场景减少技术，选取表征随机特性的少数代表性场景。实际调度优化计算难以涉及所有场景分析，本发明采用场景减少技术在保持随机变量重要特征基础上，得到包含可接受数量的最优场景集合，将计算数量降低到可接受的合理范围内。
传统经济调度一般以1小时为调度时段、1天为调度周期，制定一天内系统发电机组的出力计划。随着大规模风电并网，需要改善传统经济调度模型和方法以克服风电随机波动性的影响。目前主要的风电预测系统能够在短期内预测未来4h内各风电场的输出功率，时间分辨率为15min，所以本发明研究的短期经济调度以15min为基本调度时段，动态优化未来4小时内的机组出力计划，以保证系统对风电的消纳、提高常规机组运行经济性。基于风电出力随机场景模型，在概率优化调度模型框架下构建短期经济调度的风险决策模型，在传统经济最优目标基础上考虑系统未来不同场景下的运行风险，实现对风电消纳带来的风险和系统经济运行之间的有机协调。
概率风险决策是以系统未来时段面临的风险总量最小为优化目标，系统单时段的运行风险Riskt包括正常运行状态下的运行成本
Figure BDA0002276857460000081
和发生第k种随机扰动状态下的损失成本
Figure BDA0002276857460000082
考虑风电预测值一般是未来时段内风电随机出力的期望值，本发明以风电预测曲线对应系统运行为正常状态，正常运行状态下的系统总运行成本S0指常规火电机组的煤耗成本，如下所示：
Figure BDA0002276857460000083
其中，T为调度时段总数，本模型取T＝16；NG为调度常规机组总数；
Figure BDA0002276857460000084
为t时段的系统经济成本总量，等于所有常规机组煤耗成本之和；
Figure BDA0002276857460000085
为第i台机组在t时段的煤耗成本，由关于机组出力大小
Figure BDA0002276857460000086
的二次函数计算得到，ai、bi和ci分别为第i台机组的煤耗系数。
同时，利用前面提出的风电出力场景模型量化其随机特性，每个场景代表一种随机扰动状态，第k个风电场景下的损失成本
Figure BDA0002276857460000087
主要是指系统由于正/负备用容量不足造成的切负荷或弃风损失。由于机组调节能力的限制，系统短时应对风电误差的备用容量有限。当风电场景出力大于预测值，偏差大于系统的负备用容量，则必然会造成弃风；当风电场景出力小于预测值，偏差大于系统的正备用容量，则会造成负荷损失。第k个风电场景下的总风险损失成本
Figure BDA0002276857460000088
为：
Figure BDA0002276857460000089
其中，γL和γW分别为系统负荷损失和弃风损失的价值系数，
Figure BDA00022768574600000810
和
Figure BDA00022768574600000811
为第k个风电场景下系统在t时段的负荷损失和弃风损失，可根据下式计算得到：
Figure BDA0002276857460000091
Figure BDA0002276857460000092
其中，
Figure BDA0002276857460000093
和
Figure BDA0002276857460000094
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure BDA0002276857460000095
和
Figure BDA0002276857460000096
分别为t时段系统可提供给风电的正负旋转备用容量。
综上所述，短期经济调度的概率优化模型以调度周期内可能面临的不同运行状态下的运行风险总量最小为优化目标，如式所示：
Figure BDA0002276857460000097
其中，qk为各风电场景的概率，由马尔科夫链场景模型得到，且有
Figure BDA0002276857460000098
Nk为利用场景减少技术最终得到场景数量；β为风险协调系数。
经济调度概率风险决策模型的约束条件包括系统正常运行状态和随机扰动状态下的各类等式、不等式约束以及扰动发生前后状态之间的耦合约束，具体主要包括以下几个方面：
功率平衡约束：不考虑网损情况下，系统在各类状态下，任意时刻的系统有功计划总出力应该与有功负荷平衡，如下所示：
Figure BDA0002276857460000099
其中，
Figure BDA00022768574600000910
为第i台机组第k个风电场景下在t时段的出力计划，k＝0时，
Figure BDA00022768574600000911
特指第i台机组在t时段正常运行状态下的出力计划，
Figure BDA00022768574600000912
为系统在t时段的总负荷功率。
正旋转备用容量约束：
Figure BDA00022768574600000913
负旋转备用容量约束：
Figure BDA0002276857460000101
其中，
Figure BDA0002276857460000102
和
Figure BDA0002276857460000103
为系统在第k个风电场景下在t时段可提供的正/负旋转备用总和，
Figure BDA0002276857460000104
分别代表第i台机第k个风电场景下在t时段可提供的正/负旋转备用，T10为旋转备用响应时间，取值为10min，
Figure BDA0002276857460000105
为调度时段内负荷预测最大值，
Figure BDA0002276857460000106
是系统紧急事故旋转备用容量，
Figure BDA0002276857460000107
和
Figure BDA0002276857460000108
分别为第i台机组第k个风电场景下在t时段的最大和最小出力计划，
Figure BDA0002276857460000109
和
Figure BDA00022768574600001010
是第i台机组15min内最大向上和向下爬坡量，μW、μL、μS分别为风电波动、负荷预测误差、紧急事故对旋转备用容量的需求，μL、μS分别取5％、8％。
确定μW是含大规模风电电力系统旋转备用优化的关键环节，传统调度模型取μW为较大值(一般取15％～20％)，本发明的概率优化调度模型根据目标函数的运行风险量化结果对这部分备用容量进行优化，μW设定为0。
机组爬坡能力约束：
Figure BDA00022768574600001011
其中，
Figure BDA00022768574600001012
和
Figure BDA00022768574600001013
是第i台机组15min内最大向上和向下爬坡量。
机组出力约束：
Figure BDA00022768574600001014
其中，
Figure BDA00022768574600001015
和
Figure BDA00022768574600001016
为第i台机组出力下限和上限。
扰动发生前后机组调节能力耦合约束：由于扰动发生状态下，系统的允许的紧急调整时间、调节速率受限，机组调节能力的耦合牵制约束为：
Figure BDA00022768574600001017
其中，r+和r-分别为第i台机组有功输出的正、负允许调整速率，Δt为系统在扰动状态下的允许紧急调整时间，取为5min，PGi为正常运行状态下的第i台机组出力，
Figure BDA00022768574600001018
和
Figure BDA0002276857460000111
为第k个风电场景下第i台机组出力调整的上限和下限。
本发明采用粒子群算法求解上述模型，假定系统常规机组数量为NG，短期经济调度包括16个优化时段，则优化变量为NG×16的矩阵，每个粒子代表一种矩阵取值，基于粒子群算法的风险调度决策求解流程为：
1)基础参数初始化，需准备的基础参数包括系统参数和粒子群算法参数。系统参数包括：常规机组参数(机组煤耗参数、最大/最小技术出力、机组爬坡率等)、未来4h每15min的负荷功率和风电功率预测曲线、风电功率15min状态转移矩阵。粒子群算法参数包括：粒子种群规模Nsizep，迭代次数Ninteration，加速因子C1、C2，惯性权重ω等。
2)风电随机场景生成。根据风电功率预测数据和马尔科夫状态转移矩阵，按照前述风电随机场景建模过程得到风电随机场景及其概率，根据场景减少算法得到Nk个最优风电随机场景及其概率(本发明取Nk＝20)。
3)生成初始粒子种群和粒子种群初始速度。利用内点法得到风电预测值条件下的经济性最优出力计划，在其邻域内生成初始粒子种群，使各粒子满足机组出力上下限约束、机组出力爬坡约束和系统功率平衡约束。
4)计算初始粒子种群各粒子的适应度函数，得到粒子种群的初始最优位置：
①计算各个粒子对应机组出力的总煤耗成本S0；
②令k＝0；
③k＝k+1，计算各个粒子对应机组出力在第k个风电随机场景下的系统负荷损失、弃风损失和总风险损失
Figure BDA0002276857460000112
④重复③，直至k＝Nk，根据各场景概率和目标函数计算调度周期内系统运行风险总量，即各粒子的适应度值；
⑤根据各粒子适应度值，得到粒子初始最优位置，各粒子的个体初始最优位置pi为其初始化值，其中适应度值最小的粒子为历史最优初始位置pg。
为了验证本发明提出模型的风险决策效果，取风险价值协调系数β＝1，针对图2所示的测试系统进行计算，系统两个风电场出力预测曲线如图3，最终得到的机组出力计划曲线，系统的经济运行成本为10185.550，风险损失成本为34.131，由优化得到结果可知，风险调度决策虽然增加了系统运行成本，但大大降低了系统的安全风险损失。
本发明实施例还提供一种电力系统风险调度决策装置，包括：
初始化模块，用于生成初始粒子种群和粒子种群初始速度；所述粒子种群为电力系统机组出力集合；
计算模块，用于计算初始粒子种群中各粒子的适应度值；所述初始粒子种群中各粒子的适应度值由粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失确定；
以及决策模块，用于根据各粒子的适应度值，将适应度值最小的粒子作为粒子最优位置，将所述粒子最优位置处电力系统机组出力作为最终的风险调度决策。
进一步的，所述计算模块，具体用于，
计算粒子对应机组出力的总煤耗成本：
Figure BDA0002276857460000121
其中，S0表示总煤耗成本，
Figure BDA0002276857460000122
表示t时段所有机组煤耗成本之和，NG为机组总数，
Figure BDA0002276857460000123
为第i台机组在t时段的煤耗成本，
Figure BDA0002276857460000124
为第i台机组在t时段的出力，ai、bi和ci为第i台机组的煤耗系数，T为优化时段数。
进一步的，所述计算模块，具体还用于，
计算粒子在各个风电随机场景下的总风险损失：
Figure BDA0002276857460000125
其中，
Figure BDA0002276857460000126
为第k个风电场景下的总风险损失，
Figure BDA0002276857460000127
为第k个风电场景下电力系统在t时段的损失成本，γL和γW分别为电力系统负荷损失和弃风损失的价值系数，
Figure BDA0002276857460000128
和
Figure BDA0002276857460000129
为第k个风电场景下电力系统在t时段的负荷损失和弃风损失，
Figure BDA00022768574600001210
和
Figure BDA00022768574600001211
计算如下：
Figure BDA00022768574600001212
Figure BDA00022768574600001213
其中，
Figure BDA00022768574600001214
和
Figure BDA00022768574600001215
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure BDA0002276857460000131
和
Figure BDA0002276857460000132
分别为t时段系统可提供给风电的正负旋转备用容量。
进一步的，所述计算模块，具体还用于，
根据粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失计算短期经济调度时段内电力系统运行风险总量，作为粒子的适应度值：
Figure BDA0002276857460000133
其中，Risk为运行风险总量，Riskt为电力系统在t时段的运行风险总量，qk为第k个风电场景概率，Nk为风电场景数量，β为风险协调系数。
值得指出的是，该装置实施例是与上述方法实施例对应的，上述方法实施例的实现方式均适用于该装置实施例中，并能达到相同或相似的技术效果，故不在此赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种电力系统风险调度决策方法，其特征在于，包括：
生成初始粒子种群和粒子种群初始速度；所述粒子种群为电力系统机组出力集合；
计算初始粒子种群中各粒子的适应度值；所述初始粒子种群中各粒子的适应度值由粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失确定；
根据各粒子的适应度值，将适应度值最小的粒子作为粒子最优位置，将所述粒子最优位置处电力系统机组出力作为最终的风险调度决策。
2.根据权利要求1所述的一种电力系统风险调度决策方法，其特征在于，所述生成初始粒子种群，包括：
初始粒子种群为NG×T的矩阵；
其中，NG为电力系统常规机组数量，T为短期经济调度包括的优化时段数量。
3.根据权利要求1所述的一种电力系统风险调度决策方法，其特征在于，所述生成粒子种群初始速度，包括：利用内点法得到风电预测值条件下的经济性最优的电力系统机组出力，作为粒子种群初始速度。
4.根据权利要求2所述的一种电力系统风险调度决策方法，其特征在于，所述粒子对应机组出力的总煤耗成本计算如下：
Figure FDA0002276857450000011
其中，S0表示总煤耗成本，
Figure FDA0002276857450000012
表示t时段所有机组煤耗成本之和，NG为机组总数，
Figure FDA0002276857450000013
为第i台机组在t时段的煤耗成本，
Figure FDA0002276857450000014
为第i台机组在t时段的出力，ai、bi和ci为第i台机组的煤耗系数。
5.根据权利要求4所述的一种电力系统风险调度决策方法，其特征在于，所述粒子在各个风电随机场景下的总风险损失计算如下：
Figure FDA0002276857450000015
其中，
Figure FDA0002276857450000016
为第k个风电场景下的总风险损失，
Figure FDA0002276857450000017
为第k个风电场景下电力系统在t时段的损失成本，γL和γW分别为电力系统负荷损失和弃风损失的价值系数，
Figure FDA0002276857450000018
和
Figure FDA0002276857450000019
为第k个风电场景下电力系统在t时段的负荷损失和弃风损失，
Figure FDA0002276857450000021
和
Figure FDA0002276857450000022
计算如下：
Figure FDA0002276857450000023
Figure FDA0002276857450000024
其中，
Figure FDA0002276857450000025
和
Figure FDA0002276857450000026
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure FDA0002276857450000027
和
Figure FDA0002276857450000028
分别为t时段系统可提供给风电的正负旋转备用容量。
6.根据权利要求5所述的一种电力系统风险调度决策方法，其特征在于，根据粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失计算短期经济调度时段内电力系统运行风险总量，作为粒子的适应度值，，包括：
Figure FDA0002276857450000029
其中，Risk为运行风险总量，Riskt为电力系统在t时段的运行风险总量，qk为第k个风电场景概率，Nk为风电场景数量，β为风险协调系数。
7.根据权利要求6所述的一种电力系统风险调度决策方法，其特征在于，所述电力系统运行风险总量计算过程中，需满足如下约束条件：
Figure FDA00022768574500000210
Figure FDA00022768574500000211
Figure FDA00022768574500000212
Figure FDA00022768574500000213
Figure FDA00022768574500000214
Figure FDA00022768574500000215
其中，
Figure FDA0002276857450000031
为第i台机组第k个风电场景下在t时段的出力，
Figure FDA0002276857450000032
为电力系统在t时段的总负荷功率，
Figure FDA0002276857450000033
和
Figure FDA0002276857450000034
分别为电力系统第k个风电场景下在t时段的正旋转备用总和负旋转备用总和，
Figure FDA0002276857450000035
和
Figure FDA0002276857450000036
分别为第i台机组第k个风电场景下在t时段的正旋转备用和负旋转备用，T10为旋转备用响应时间，
Figure FDA0002276857450000037
和
Figure FDA0002276857450000038
分别为第i台机组第k个风电场景下在t时段的最大出力和最小出力，
Figure FDA0002276857450000039
和
Figure FDA00022768574500000310
分别为第i台机组在基本调度时段内最大向上和向下爬坡量，μL、μS、μW分别取5％、8％和0，
Figure FDA00022768574500000311
和
Figure FDA00022768574500000312
为第i台机组出力下限和上限，r+和r-分别为第i台机组有功输出的正、负允许调整速率，Δt为电力系统在扰动状态下的允许紧急调整时间，PGi为正常运行状态下的第i台机组出力。
8.根据权利要求6所述的一种电力系统风险调度决策方法，其特征在于，所述风电场景概率基于马尔科夫链场景模型确定，包括：
假设当前t时段的风电出力状态为
Figure FDA00022768574500000313
则根据马尔科夫链的状态转移矩阵P得到t+1时段出现状态
Figure FDA00022768574500000314
的状态转移概率为pij；
按照不同状态的状态转移概率，从大到小依次确定对应的状态
Figure FDA00022768574500000315
直到转移到wt+1的累计概率大于一定置信水平，最终得到了t+1时段风电出力的有限个数状态及出现的概率；wt+1表示t+1时段风电出力状态合集；
在得到t+1时段风电出力状态的基础上，同理得到t+2时段的风电出力状态，直至得到所有优化时段的风电出力场景，风电场景概率根据相邻时刻状态转移概率累乘得到。
9.根据权利要求6所述的一种电力系统风险调度决策方法，其特征在于，所述风电场景数量按如下方式确定：
将优化时段内的风电出力状态限定于波动区间
Figure FDA00022768574500000316
内，其中，
Figure FDA00022768574500000317
为风电出力预测曲线；
采用场景减少技术在保持随机变量重要特征基础上，得到包含可接受数量的最优场景集合，作为最终的风电场景数据。
10.根据权利要求7所述的一种电力系统风险调度决策方法，其特征在于，所述基本调度时段为15min。
11.一种电力系统风险调度决策装置，其特征在于，包括：
初始化模块，用于生成初始粒子种群和粒子种群初始速度；所述粒子种群为电力系统机组出力集合；
计算模块，用于计算初始粒子种群中各粒子的适应度值；所述初始粒子种群中各粒子的适应度值由粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失确定；
以及决策模块，用于根据各粒子的适应度值，将适应度值最小的粒子作为粒子最优位置，将所述粒子最优位置处电力系统机组出力作为最终的风险调度决策。
12.根据权利要求11所述的一种电力系统风险调度决策装置，其特征在于，所述计算模块，具体用于，
计算粒子对应机组出力的总煤耗成本：
Figure FDA0002276857450000041
其中，S0表示总煤耗成本，
Figure FDA0002276857450000042
表示t时段所有机组煤耗成本之和，NG为机组总数，
Figure FDA0002276857450000043
为第i台机组在t时段的煤耗成本，
Figure FDA0002276857450000044
为第i台机组在t时段的出力，ai、bi和ci为第i台机组的煤耗系数，T为优化时段数。
13.根据权利要求12所述的一种电力系统风险调度决策装置，其特征在于，所述计算模块，具体还用于，
计算粒子在各个风电随机场景下的总风险损失：
Figure FDA0002276857450000045
其中，
Figure FDA0002276857450000046
为第k个风电场景下的总风险损失，
Figure FDA0002276857450000047
为第k个风电场景下电力系统在t时段的损失成本，γL和γW分别为电力系统负荷损失和弃风损失的价值系数，
Figure FDA0002276857450000048
和
Figure FDA0002276857450000049
为第k个风电场景下电力系统在t时段的负荷损失和弃风损失，
Figure FDA00022768574500000410
和
Figure FDA00022768574500000411
计算如下：
Figure FDA00022768574500000412
Figure FDA00022768574500000413
其中，
Figure FDA0002276857450000051
和
Figure FDA0002276857450000052
分别为系统t时段预测风电出力值和t时段第k个风电场景下的风电出力值，
Figure FDA0002276857450000053
和
Figure FDA0002276857450000054
分别为t时段系统可提供给风电的正负旋转备用容量。
14.根据权利要求13所述的一种电力系统风险调度决策装置，其特征在于，所述计算模块，具体还用于，
根据粒子对应机组出力的总煤耗成本和粒子在各个风电随机场景下的总风险损失计算短期经济调度时段内电力系统运行风险总量，作为粒子的适应度值：
Figure FDA0002276857450000055
其中，Risk为运行风险总量，Riskt为电力系统在t时段的运行风险总量，qk为第k个风电场景概率，Nk为风电场景数量，β为风险协调系数。
CN201911126072.XA 2019-11-18 2019-11-18 一种电力系统风险调度决策方法及装置 Pending CN110889541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911126072.XA CN110889541A (zh) 2019-11-18 2019-11-18 一种电力系统风险调度决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911126072.XA CN110889541A (zh) 2019-11-18 2019-11-18 一种电力系统风险调度决策方法及装置

Publications (1)

Publication Number Publication Date
CN110889541A true CN110889541A (zh) 2020-03-17

Family

ID=69747766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911126072.XA Pending CN110889541A (zh) 2019-11-18 2019-11-18 一种电力系统风险调度决策方法及装置

Country Status (1)

Country Link
CN (1) CN110889541A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912647A (zh) * 2021-02-07 2022-08-16 富士通株式会社 用于决定决策的装置、方法和机器可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104600747A (zh) * 2015-01-21 2015-05-06 西安交通大学 协调运行风险与风能消纳的电力系统运行优化方法
CN104915737A (zh) * 2015-06-30 2015-09-16 国网山东省电力公司济南供电公司 基于风险控制含大规模风电的电力系统协调经济调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104600747A (zh) * 2015-01-21 2015-05-06 西安交通大学 协调运行风险与风能消纳的电力系统运行优化方法
CN104915737A (zh) * 2015-06-30 2015-09-16 国网山东省电力公司济南供电公司 基于风险控制含大规模风电的电力系统协调经济调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵剑: "基于风险理论的含大规模风电电力系统调度决策方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912647A (zh) * 2021-02-07 2022-08-16 富士通株式会社 用于决定决策的装置、方法和机器可读存储介质

Similar Documents

Publication Publication Date Title
CN112186766B (zh) 一种基于Benders分解的多阶段分解方法
CN112467807B (zh) 一种多能源电力系统日前优化调度方法及系统
CN110266031B (zh) 储能并网充放电量控制方法、装置、服务器及存储介质
WO2014176930A1 (zh) 含大规模风电电力系统的短期运行优化方法
CN108964103B (zh) 一种考虑微网系统可调度性的微网储能配置方法
CN108964113B (zh) 一种新能源发电调度方法及系统
CN109886446B (zh) 基于改进混沌粒子群算法的电力系统动态经济调度方法
CN111786417A (zh) 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN110889541A (zh) 一种电力系统风险调度决策方法及装置
CN113708404A (zh) 基于自动强化学习多时段预测的孤立微电网优化调度方法
CN109659937B (zh) 一种基于风电功率随机性成本的电力系统经济调度方法
CN110336308B (zh) 一种基于机会约束的主动配电网经济调度方法
CN110120682B (zh) 一种最小失弃风量的塔筒电梯供电优化调度方法
CN111525550A (zh) 一种功率预测对断面输送功率影响的评估方法及系统
CN116169785A (zh) 一种基于深度q学习的灵活互动资源安全运行预警方法
CN116436085A (zh) 一种基于场景构建的微能源网群分层优化控制方法及系统
CN103326387B (zh) 一种利用储能减小风电调度风险的源网协调调度方法
CN115392785A (zh) 计及阻塞抵抗性的配电网阻塞调度方法
CN112134275B (zh) 一种计算含风电场电力系统的可靠性方法及系统
CN112583053A (zh) 一种含分布式风电的微网能量优化调度方法
Cai et al. Generation schedule considering branch security check under new energy access

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200317

RJ01 Rejection of invention patent application after publication