CN110912205B - 基于场景集的含风电电力系统运行备用动态调度优化方法 - Google Patents

基于场景集的含风电电力系统运行备用动态调度优化方法 Download PDF

Info

Publication number
CN110912205B
CN110912205B CN201911175908.5A CN201911175908A CN110912205B CN 110912205 B CN110912205 B CN 110912205B CN 201911175908 A CN201911175908 A CN 201911175908A CN 110912205 B CN110912205 B CN 110912205B
Authority
CN
China
Prior art keywords
scene
unit
wind
power
output
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
Application number
CN201911175908.5A
Other languages
English (en)
Other versions
CN110912205A (zh
Inventor
周云海
黄鹏翔
赵吉祥
廖攀峰
田昌
赵品超
郭胜凯
龙子琦
贾倩
辛月杰
张韬
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.)
Beijing Qingdian Technology Co ltd
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201911175908.5A priority Critical patent/CN110912205B/zh
Publication of CN110912205A publication Critical patent/CN110912205A/zh
Application granted granted Critical
Publication of CN110912205B publication Critical patent/CN110912205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

基于场景集的含风电电力系统运行备用动态调度优化方法，包括根据风电出力预测误差概率分布和负荷预测误差概率分布，抽样生成风电出力场景和负荷场景，作为初始场景集；采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；计算代表性场景集每个场景的失电量指标和弃风指标；计算上调备用需求和下调备用需求；将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；求解日前机组组合模型，得到日前机组启停计划、出力计划和备用配置。本发明通过构建风电出力场景和负荷场景，计及发电机强迫停运率，建立机组出力和备用决策动态协调调度模型，避免了备用不足产生弃风限电。

Description

基于场景集的含风电电力系统运行备用动态调度优化方法
技术领域
本发明属于电力系统发电调度领域，具体涉及一种基于场景集的含风电电力系统运行备用动态调度优化方法。
背景技术
电力系统运行备用是指为了应对负荷波动和风电出力波动，发电机停运故障等不确定性，满足对负荷可靠持续供电而预留的快速有功响应容量。备用容量配置不足，则会导致系统安全性和可靠性降低，严重时会造成弃风，切负荷操作；配置过多虽然提高系统可靠性，但是会产生备而不用的浪费局面。大规模风电并网带来了更多不确定性，传统备用决策调度方法难以应对风电随机波动性和间歇性对系统带来的影响，无法实现经济性与可靠性最优折中，极大制约了风电进一步发展，给电力系统调度运行带来了巨大挑战。
电力系统发电和备用调度方法主要分为2种：1)发电和备用依次进行序列调度；2)发电和备用协调调度。传统机组出力和备用决策依次进行序列调度，先确定机组出力，然后进行备用调度。这种方法难以在经济性方面达到最优，并且面临计算复杂性，当改变调度顺序时，可能出现无解的情况。近些年将机组出力和备用决策联合描述为一个有约束的优化问题，该方法同时得到机组最优出力和备用分配，实现了可靠性和经济性的最优折中。
在已知风电出力预测误差和负荷预测误差概率分布模型后，需要通过计算机模拟抽样生成风电出力场景和负荷场景。抽样方法主要包括蒙特卡洛抽样和拉丁超立方抽样。蒙特卡洛抽样方法是一种基于随机数和伪随机数的抽样方法，是一种完全随机的抽样技术，样本概率更高的点更容易被抽出，因此在抽样次数较低且样本中存在较低概率的样本时，抽样得到的结果聚集现象会更加明显，具有较大误差。拉丁超立方抽样基于分层抽样的原理，通过较少的迭代次数，就可以相对准确的重建概率分布。相比于蒙特卡洛抽样，拉丁超立方抽样得到的随机变量的联合覆盖空间总是大于蒙特卡洛抽样方法。经过同步回代缩减法将大规模场景缩减为少数场景，缩减后的场景在概率上最大程度代表了初始场景。
因此，通过构建风电出力场景和负荷场景，计及发电机强迫停运率，建立机组出力和备用决策动态协调调度模型，以避免备用不足产生弃风限电，避免备用过多造成经济浪费，具有重要的现实意义。
发明内容
本发明的技术问题是风电并网给电力系统带来了更多不确定性，传统备用决策方法采用固定百分比的形式确定备用容量，该方法难以应对风电随机波动性和间歇性对系统带来的影响。而后出现对机组出力与备用决策依次进行序列调度的方法，无法实现全局优化，且计算复杂，当改变调度顺序时，可能出现无解的情况。随机性方法，概率性方法等不确定性方法均考虑到各种波动因素对系统的影响，利用机会约束规划方法的备用决策方法，弱化了约束条件要严格满足不等式要求，但模型中的置信度均来自经验值，没有严格的选取依据，其优化结果不具有代表性。
本发明的目的是解决上述问题，提供一种基于场景集的含风电电力系统运行备用动态调度优化方法，通过构建风电出力场景和负荷场景，计及发电机强迫停运率，建立机组出力和备用决策动态协调调度模型，以避免备用不足产生弃风限电，避免备用过多造成经济浪费。
本发明的技术方案是基于场景集的含风电电力系统运行备用动态调度优化方法，基于场景集，推导电力系统备用需求与可靠性指标之间的量化关系，建立日前机组组合模型，优化目标包括机组运行费用最小，启停成本最小和可用备用成本最小，调度优化方法包括以下步骤，
步骤1：根据日前风电出力预测、负荷预测数据，得到风电出力预测误差概率分布和负荷预测误差概率分布；
步骤2：根据风电出力预测误差概率分布和负荷预测误差概率分布，抽样生成风电出力场景和负荷场景，作为初始场景集；
步骤3：采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；
步骤4：计算代表性场景集每个场景的失电量指标和弃风指标；
步骤5：计算上调备用需求和下调备用需求；
步骤5.1：基于失电量期望指标量化上调备用需求；
步骤5.2：基于弃风电量期望指标量化下调备用需求；
步骤6：将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；
步骤7：对机组组合模型进行求解，得到日前机组启停计划、出力计划和备用配置。
所述初始场景集还包括根据机组强迫停运率建立的机组N-1故障场景集。
所述抽样生成风电出力场景和负荷场景，采用拉丁超立方抽样，设ξ1,ξ2,...,ξT是T个独立随机变量，其累积概率分布函数为Φt＝Ft(ξt),Φt∈[0,1]，针对任一随机变量ξt,t＝1,2,…T，首先将累积分布函数区间均匀划分成N个区间，对每个区间进行随机采样，设Un为第n个采样子区间的一个随机数，对累积分布函数反变换后计算ξt的采样值，即：
Figure BDA0002289939620000021
式中ξn,t是随机变量ξt在第n个子区间的采样值。
建立发电机N-1故障场景集
Figure BDA0002289939620000022
式中Pl是单台机组故障场景概率；non是正常运行机组编号，noff是故障机组编号，F为机组强迫停运率。
步骤3中，场景筛选的原则包括：1)如果该场景与其他场景十分靠近，去除此场景不会影响整个场景集的特征，则将此场景删除；2)该场景存在的概率相比其他场景很小，可以删除此场景。
基于同步回代缩减法对初始场景进行缩减，主要过程如下：
1)首先得到大规模场景W＝{w1,w2,...,wn}，将需要被删除的场景集合J设为空集φ，需要删除的场景数量为K；计算每一对场景的坎托洛维奇距离：
Figure BDA0002289939620000031
式中wi是第i个场景，wj是第j个场景，vi,t是场景i的第t个元素，vj,t是场景j的第t个元素；
2)针对任一场景wi，通过比较与其匹配的场景对的距离大小，找到最靠近场景wi的场景，根据场景筛选原则进行删除，将被删除的场景概率累加到距离其距离最近的场景上；
3)重复进行步骤2)，直到删减场景数量达到K结束；
4)将得到的风电出力场景和负荷场景与机组故障场景相互结合，将风电场景，负荷场景和机组故障场景概率相乘，得到每个组合场景的概率βk。
步骤5中，所述基于失电量期望指标量化上调备用需求，计算每小时可能出现的失负荷电量：
Figure BDA0002289939620000032
式中βk表示第k个场景的概率，
Figure BDA0002289939620000033
为负荷预测值，
Figure BDA0002289939620000034
是场景k下t时刻的负荷预测误差，
Figure BDA0002289939620000035
是场景k下的t时刻的发电量，
Figure BDA0002289939620000036
为风电场预测出力，
Figure BDA0002289939620000037
是场景k下t时刻的风电预测误差，
Figure BDA0002289939620000038
是场景k下系统可以提供的上调备用容量；
Figure BDA0002289939620000039
由如下公式计算：
Figure BDA00022899396200000310
Figure BDA00022899396200000311
Figure BDA00022899396200000312
式中
Figure BDA00022899396200000313
是机组i在场景k下t时刻的发电量；
Figure BDA00022899396200000314
是机组i在场景k下t时刻可以提供的上调备用；rup,i是机组i的上爬坡速率；T0为备用响应时间；Pimax为机组i的最大出力；
设每个小时最小失电量容量为
Figure BDA00022899396200000315
根据可靠性要求，每个小时的失电量期望应小于
Figure BDA00022899396200000316
即
Figure BDA00022899396200000317
满足上式的最小
Figure BDA00022899396200000318
即为t时刻系统所需最小上调备用容量，即
Figure BDA0002289939620000041
式中
Figure BDA0002289939620000042
是t时刻系统上调备用需求。
所述基于弃风电量期望指标量化下调备用需求，计算每小时可能出现的弃风电量：
Figure BDA0002289939620000043
式中βk表示第k个场景的概率，
Figure BDA0002289939620000044
是场景k下的t时刻的发电量，
Figure BDA0002289939620000045
为风电场预测出力，
Figure BDA0002289939620000046
是场景k下t时刻的风电预测误差，
Figure BDA0002289939620000047
为负荷预测值，
Figure BDA0002289939620000048
是场景k下t时刻的负荷预测误差，
Figure BDA0002289939620000049
是场景k下系统可以提供的下调备用容量；
Figure BDA00022899396200000410
由以下公式计算：
Figure BDA00022899396200000411
式中
Figure BDA00022899396200000412
是机组i在场景k下t时刻可以提供的下调备用；rdn,i是机组i的下爬坡速率；T0为备用响应时间；Pimin为机组i的最小出力；
设每个小时允许的最小弃风电量为
Figure BDA00022899396200000413
根据可靠性要求，每个小时的弃风电量期望应小于
Figure BDA00022899396200000414
即
Figure BDA00022899396200000415
满足上式的最小
Figure BDA00022899396200000416
即为t时刻系统所需最小下调备用容量，即
Figure BDA00022899396200000417
式中
Figure BDA00022899396200000418
是t时刻系统下调备用需求。
所述的机组组合优化模型如下：
目标函数
Figure BDA00022899396200000419
目标函数右式中第一部分是机组运行出力成本与系统可以备用成本之和，
Figure BDA00022899396200000420
是机组i在k场景下t时刻的出力；
Figure BDA00022899396200000421
是场景k下机组i在t时刻的出力运行成本；αi是上调备用单位成本，λi是下调备用单位成本；目标函数右式中第二部分是机组启停成本，
Figure BDA00022899396200000422
和
Figure BDA00022899396200000423
分别是机组i在t时刻的启动成本和停机成本；
Figure BDA00022899396200000424
由如下公式获得：
Figure BDA0002289939620000051
式中ai，bi、ci分别为机组i耗量函数二次项系数、一次项系数、常系数；Hi、Ji分别是机组i的单次启动成本、关停成本；Ui,t、Ui,t-1分别表示机组i在t时刻、t-1时刻的开关状态，为0-1整数变量；
所述的机组组合模型的约束条件如下：
1)功率平衡约束
Figure BDA0002289939620000052
式中
Figure BDA0002289939620000053
是第j个风电场出力预测，
Figure BDA0002289939620000054
是负荷预测；
2)机组出力约束
Figure BDA0002289939620000055
式中Pimin、Pimax分别表示机组i最小技术出力、最大技术出力，Ui,t是机组i在t时刻的启停状态；
3)机组爬坡约束
Figure BDA0002289939620000056
式中rup,i、rdn,i分别表示机组i最大向上爬坡速率、向下爬坡速率；T为调度时间尺度；
4)机组启停时间约束
Figure BDA0002289939620000057
式中
Figure BDA0002289939620000058
是机组i允许的最小运行时间；
Figure BDA0002289939620000059
是机组i允许的最小停机时间；
5)潮流安全约束
Figure BDA00022899396200000510
式中N是发电机组数量，NL是负荷节点数量，j是系统负荷节点编号，Pd,t是节点d在t时刻的负荷需求，Gl-i是机组i有功出力对线路l的功率转移因子，Gl-b是节点负荷b对线路l的转移因子，Pl,min和Pl,max分别是线路l传输有功的下限和上限；
6)可靠性约束
Figure BDA0002289939620000061
式中
Figure BDA0002289939620000062
是机组i在场景k下t时刻可以提供的上调备用，
Figure BDA0002289939620000063
是机组i在场景k下t时刻可以提供的下调备用，
Figure BDA0002289939620000064
为t时刻系统上调备用需求，
Figure BDA0002289939620000065
为t时刻系统下调备用需求。
调度时间尺度T取值为1小时。
相比于现有技术，本发明的有益效果是通过构建风电出力场景和负荷场景，计及发电机强迫停运率，综合考虑电力系统功率平衡约束，潮流约束，机组爬坡约束等约束条件，建立了机组出力和备用决策动态协调调度模型，在求解过程中考虑失电量期望和弃风电量期望对优化结果的影响，在满足电力系统可靠性的基础上，实现了机组出力和备用决策的最优调度，避免了备用不足产生弃风限电，避免了备用过多造成经济浪费，具有重要的现实意义。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的建模示意图。
图2为本发明方法的流程示意图。
具体实施方式
如图1、图2所示，基于场景集的含风电电力系统运行备用动态调度优化方法，推导电力系统备用需求与可靠性指标之间的量化关系，建立日前机组组合模型，优化目标包括机组运行费用最小，启停成本最小和可用备用成本最小，调度优化方法包括以下步骤，
步骤1：根据日前风电出力预测、负荷预测数据，得到风电出力预测误差概率分布和负荷预测误差概率分布；
步骤2：根据风电出力预测误差概率分布和负荷预测误差概率分布，采用拉丁超立方抽样生成风电出力场景和负荷场景，作为初始场景集；根据机组强迫停运率建立的机组N-1故障场景集，加入初始场景集；步骤3：采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；
步骤4：计算代表性场景集每个场景的失电量指标和弃风指标；
步骤5：计算上调备用需求和下调备用需求；
步骤5.1：基于失电量期望指标量化上调备用需求；
步骤5.2：基于弃风电量期望指标量化下调备用需求；
步骤6：将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；
步骤7：对机组组合模型进行求解，得到日前机组启停计划、出力计划和备用配置。
风电出力预测误差和负荷预测误差均服从标准正态分布，概率分布如下：
Figure BDA0002289939620000071
式中：
Figure BDA0002289939620000072
是风电预测偏差；
Figure BDA0002289939620000073
是风电场预测出力；
Figure BDA0002289939620000074
是风电场总装机容量；
Figure BDA0002289939620000075
是风电出力方差；
Figure BDA0002289939620000076
是负荷预测偏差；
Figure BDA0002289939620000077
是负荷预测值；
Figure BDA0002289939620000078
是负荷方差。
所述拉丁超立方抽样，设ξ1,ξ2,...,ξT是T个独立随机变量，均服从标准正态分布，其累积概率分布函数为Φt＝Ft(ξt),Φt∈[0,1]，针对任一随机变量ξt,t＝1,2,…T，首先将累积分布函数区间均匀划分成N个区间，对每个区间进行随机采样，设Un为第n个采样子区间的一个随机数，对累积分布函数反变换后计算ξt的采样值，即：
Figure BDA0002289939620000079
式中ξn,t是随机变量ξt在第n个子区间的采样值。
建立发电机N-1故障场景集
Figure BDA00022899396200000710
式中Pl是单台机组故障场景概率；non是正常运行机组编号，noff是故障机组编号，F为机组强迫停运率。
步骤3中，场景筛选的原则包括：1)如果该场景与其他场景十分靠近，去除此场景不会影响整个场景集的特征，则将此场景删除；2)该场景存在的概率相比其他场景很小，可以删除此场景。
基于同步回代缩减法对初始场景进行缩减，主要过程如下：
1)首先得到大规模场景W＝{w1,w2,...,wn}，将需要被删除的场景集合J设为空集φ，需要删除的场景数量为K；计算每一对场景的坎托洛维奇距离：
Figure BDA00022899396200000711
式中wi是第i个场景，wj是第j个场景，vi,t是场景i的第t个元素，vj,t是场景j的第t个元素；
2)针对任一场景wi，通过比较与其匹配的场景对的距离大小，找到最靠近场景wi的场景，根据场景筛选原则进行删除，将被删除的场景概率累加到距离其距离最近的场景上；
3)重复进行步骤2)，直到删减场景数量达到K结束；
4)将得到的风电出力场景和负荷场景与机组故障场景相互结合，将风电场景，负荷场景和机组故障场景概率相乘，得到每个组合场景的概率βk。
步骤5中，所述基于失电量期望指标量化上调备用需求，计算每小时可能出现的失负荷电量：
Figure BDA0002289939620000081
式中βk表示第k个场景的概率，
Figure BDA0002289939620000082
为负荷预测值，
Figure BDA0002289939620000083
是场景k下t时刻的负荷预测误差，
Figure BDA0002289939620000084
是场景k下的t时刻的发电量，
Figure BDA0002289939620000085
为风电场预测出力，
Figure BDA0002289939620000086
是场景k下t时刻的风电预测误差，
Figure BDA0002289939620000087
是场景k下系统可以提供的上调备用容量；
Figure BDA0002289939620000088
由如下公式计算：
Figure BDA0002289939620000089
Figure BDA00022899396200000810
Figure BDA00022899396200000811
式中
Figure BDA00022899396200000812
是机组i在场景k下t时刻的发电量；
Figure BDA00022899396200000813
是机组i在场景k下t时刻可以提供的上调备用；rup,i是机组i的上爬坡速率；T0为备用响应时间；Pimax为机组i的最大出力；
设每个小时最小失电量容量为
Figure BDA00022899396200000814
根据可靠性要求，每个小时的失电量期望应小于
Figure BDA00022899396200000815
即
Figure BDA00022899396200000816
满足上式的最小
Figure BDA00022899396200000817
即为t时刻系统所需最小上调备用容量，即
Figure BDA00022899396200000818
式中
Figure BDA00022899396200000819
是t时刻系统上调备用需求。
所述基于弃风电量期望指标量化下调备用需求，计算每小时可能出现的弃风电量：
Figure BDA00022899396200000820
式中βk表示第k个场景的概率，
Figure BDA00022899396200000821
是场景k下的t时刻的发电量，
Figure BDA00022899396200000822
为风电场预测出力，
Figure BDA00022899396200000823
是场景k下t时刻的风电预测误差，
Figure BDA00022899396200000824
为负荷预测值，
Figure BDA00022899396200000825
是场景k下t时刻的负荷预测误差，
Figure BDA00022899396200000826
是场景k下系统可以提供的下调备用容量；
Figure BDA00022899396200000827
由以下公式计算：
Figure BDA00022899396200000828
式中
Figure BDA00022899396200000829
是机组i在场景k下t时刻可以提供的下调备用；rdn,i是机组i的下爬坡速率；T0为备用响应时间，Pimin是机组i的最小出力；
设每个小时允许的最小弃风电量为
Figure BDA0002289939620000091
根据可靠性要求，每个小时的弃风电量期望应小于
Figure BDA0002289939620000092
即
Figure BDA0002289939620000093
满足上式的最小
Figure BDA0002289939620000094
即为t时刻系统所需最小下调备用容量，即
Figure BDA0002289939620000095
式中
Figure BDA0002289939620000096
是t时刻系统下调备用需求。
如图1所示，机组组合优化模型如下：
目标函数
Figure BDA0002289939620000097
目标函数右式中第一部分是机组运行出力成本与系统可以备用成本之和，
Figure BDA0002289939620000098
是机组i在k场景下t时刻的出力；
Figure BDA0002289939620000099
是场景k下机组i在t时刻的出力运行成本；αi是上调备用单位成本，λi是下调备用单位成本；目标函数右式中第二部分是机组启停成本，
Figure BDA00022899396200000910
和
Figure BDA00022899396200000911
分别是机组i在t时刻的启动成本和停机成本；
Figure BDA00022899396200000912
由如下公式获得：
Figure BDA00022899396200000913
式中ai，bi、ci分别为机组i耗量函数二次项系数、一次项系数、常系数；Hi、Ji分别是机组i的单次启动成本、关停成本；Ui,t、Ui,t-1分别表示机组i在t时刻、t-1时刻的开关状态，为0-1整数变量；
所述的机组组合模型的约束条件如下：
1)功率平衡约束
Figure BDA00022899396200000914
式中
Figure BDA00022899396200000915
是第j个风电场出力预测，
Figure BDA00022899396200000916
是负荷预测；
2)机组出力约束
Figure BDA00022899396200000917
式中Pimin、Pimax分别表示机组i最小技术出力、最大技术出力，Ui,t是机组i在t时刻的启停状态；
3)机组爬坡约束
Figure BDA00022899396200000918
式中rup,i、rdn,i分别表示机组i最大向上爬坡速率、向下爬坡速率；T为调度时间尺度；
4)机组启停时间约束
Figure BDA0002289939620000101
式中
Figure BDA0002289939620000102
是机组i允许的最小运行时间；
Figure BDA0002289939620000103
是机组i允许的最小停机时间；
5)潮流安全约束
Figure BDA0002289939620000104
式中N是发电机组数量，NL是负荷节点数量，j是系统负荷节点编号，Pd,t是节点d在t时刻的负荷需求，Gl-i是机组i有功出力对线路l的功率转移因子，Gl-b是节点负荷b对线路l的转移因子，Pl,min和Pl,max分别是线路l传输有功的下限和上限；
6)可靠性约束
Figure BDA0002289939620000105
式中
Figure BDA0002289939620000106
是机组i在场景k下t时刻可以提供的上调备用，
Figure BDA0002289939620000107
是机组i在场景k下t时刻可以提供的下调备用，
Figure BDA0002289939620000108
为t时刻系统上调备用需求，
Figure BDA0002289939620000109
为t时刻系统下调备用需求。
一种实施例中，调度时间尺度T取值为1小时。
机组运行成本经过分段线性化转化为线性函数，可靠性约束经过推导转变为不等式约束，整个问题转化成混合整数线性规划问题。
对上述机组组合优化模型进行求解得到日前机组启停计划，机组出力计划和备用配置。

Claims (9)

1.基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，基于场景集，推导电力系统备用需求与可靠性指标之间的量化关系，建立日前机组组合模型，优化目标包括机组运行费用最小，启停成本最小和可用备用成本最小，调度优化方法包括以下步骤，
步骤1：根据日前风电出力预测、负荷预测数据，得到风电出力预测误差概率分布和负荷预测误差概率分布；
步骤2：根据风电出力预测误差概率分布和负荷预测误差概率分布，抽样生成风电出力场景和负荷场景，作为初始场景集；
步骤3：采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；
步骤4：计算代表性场景集每个场景的失电量指标和弃风指标；
步骤5：计算上调备用需求和下调备用需求；
步骤5.1：基于失电量期望指标量化上调备用需求；
步骤5.2：基于弃风电量期望指标量化下调备用需求；
步骤6：将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；
步骤7：对机组组合模型进行求解，得到日前机组启停计划、出力计划和备用配置。
2.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，所述抽样生成风电出力场景和负荷场景，采用拉丁超立方抽样。
3.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，所述初始场景集还包括根据机组强迫停运率建立的机组N-1故障场景集。
4.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，步骤3中，基于同步回代缩减法对初始场景进行缩减，主要过程如下：
1)首先得到大规模场景W＝{w1,w2,...,wn}，将需要被删除的场景集合J设为空集φ，需要删除的场景数量为K；计算每一对场景的坎托洛维奇距离：
Figure FDA0002289939610000011
式中wi是第i个场景，wj是第j个场景，vi,t是场景i的第t个元素，vj,t是场景j的第t个元素；
2)针对任一场景wi，通过比较与其匹配的场景对的距离大小，找到最靠近场景wi的场景，根据场景筛选原则进行删除，将被删除的场景概率累加到距离其距离最近的场景上；
3)重复进行步骤2)，直到删减场景数量达到K结束；
4)将得到的风电出力场景和负荷场景与机组故障场景相互结合，将风电场景，负荷场景和机组故障场景概率相乘，得到每个组合场景的概率βk。
5.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，步骤5中，所述基于失电量期望指标量化上调备用需求，计算每小时可能出现的失负荷电量：
Figure FDA0002289939610000021
式中βk表示第k个场景的概率，
Figure FDA0002289939610000022
为负荷预测值，
Figure FDA0002289939610000023
是场景k下t时刻的负荷预测误差，
Figure FDA0002289939610000024
是场景k下的t时刻的发电量，
Figure FDA0002289939610000025
为风电场预测出力，
Figure FDA0002289939610000026
是场景k下t时刻的风电预测误差，
Figure FDA0002289939610000027
是场景k下系统可以提供的上调备用容量；
Figure FDA0002289939610000028
由如下公式计算：
Figure FDA0002289939610000029
Figure FDA00022899396100000210
Figure FDA00022899396100000211
式中
Figure FDA00022899396100000212
是机组i在场景k下t时刻的发电量；
Figure FDA00022899396100000213
是机组i在场景k下t时刻可以提供的上调备用；rup,i是机组i的上爬坡速率；T0为备用响应时间；Pimax为机组i的最大出力；
设每个小时最小失电量容量为
Figure FDA00022899396100000214
根据可靠性要求，每个小时的失电量期望应小于
Figure FDA00022899396100000215
即
Figure FDA00022899396100000216
满足上式的最小
Figure FDA00022899396100000217
即为t时刻系统所需最小上调备用容量，即
Figure FDA00022899396100000218
式中
Figure FDA00022899396100000219
是t时刻系统上调备用需求。
6.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，步骤5中，所述基于弃风电量期望指标量化下调备用需求，计算每小时可能出现的弃风电量：
Figure FDA00022899396100000220
式中βk表示第k个场景的概率，
Figure FDA00022899396100000221
是场景k下的t时刻的发电量，
Figure FDA00022899396100000222
为风电场预测出力，
Figure FDA00022899396100000223
是场景k下t时刻的风电预测误差，
Figure FDA00022899396100000224
为负荷预测值，
Figure FDA00022899396100000225
是场景k下t时刻的负荷预测误差，
Figure FDA0002289939610000031
是场景k下系统可以提供的下调备用容量；
Figure FDA0002289939610000032
由以下公式计算：
Figure FDA0002289939610000033
式中
Figure FDA0002289939610000034
是机组i在场景k下t时刻可以提供的下调备用；rdn,i是机组i的下爬坡速率；T0为备用响应时间；Pimin为机组i的最小出力；
设每个小时允许的最小弃风电量为
Figure FDA0002289939610000035
根据可靠性要求，每个小时的弃风电量期望应小于
Figure FDA0002289939610000036
即
Figure FDA0002289939610000037
满足上式的最小
Figure FDA0002289939610000038
即为t时刻系统所需最小下调备用容量，即
Figure FDA0002289939610000039
式中
Figure FDA00022899396100000310
是t时刻系统下调备用需求。
7.根据权利要求1所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，所述的机组组合优化模型如下：
目标函数
Figure FDA00022899396100000311
目标函数右式中第一部分是机组运行出力成本与系统可以备用成本之和，
Figure FDA00022899396100000312
是机组i在k场景下t时刻的出力；
Figure FDA00022899396100000313
是场景k下机组i在t时刻的出力运行成本；αi是上调备用单位成本，λi是下调备用单位成本；目标函数右式中第二部分是机组启停成本，
Figure FDA00022899396100000314
和
Figure FDA00022899396100000315
分别是机组i在t时刻的启动成本和停机成本；
Figure FDA00022899396100000316
由如下公式获得：
Figure FDA00022899396100000317
式中ai，bi、ci分别为机组i耗量函数二次项系数、一次项系数、常系数；Hi、Ji分别是机组i的单次启动成本、关停成本；Ui,t、Ui,t-1分别表示机组i在t时刻、t-1时刻的开关状态，为0-1整数变量；
所述的机组组合模型的约束条件如下：
1)功率平衡约束
Figure FDA0002289939610000041
式中
Figure FDA0002289939610000042
是第j个风电场出力预测，
Figure FDA0002289939610000043
是负荷预测；
2)机组出力约束
Figure FDA0002289939610000044
式中Pimin、Pimax分别表示机组i最小技术出力、最大技术出力，Ui,t是机组i在t时刻的启停状态；
3)机组爬坡约束
Figure FDA0002289939610000045
式中rup,i、rdn,i分别表示机组i最大向上爬坡速率、向下爬坡速率；T为调度时间尺度；
4)机组启停时间约束
Figure FDA0002289939610000046
式中Ti on是机组i允许的最小运行时间；Ti off是机组i允许的最小停机时间；
5)潮流安全约束
Figure FDA0002289939610000047
式中N是发电机组数量，NL是负荷节点数量，j是系统负荷节点编号，Pd,t是节点d在t时刻的负荷需求，Gl-i是机组i有功出力对线路l的功率转移因子，Gl-b是节点负荷b对线路l的转移因子，Pl,min和Pl,max分别是线路l传输有功的下限和上限；
6)可靠性约束
Figure FDA0002289939610000051
式中
Figure FDA0002289939610000052
是机组i在场景k下t时刻可以提供的上调备用，
Figure FDA0002289939610000053
是机组i在场景k下t时刻可以提供的下调备用，
Figure FDA0002289939610000054
为t时刻系统上调备用需求，
Figure FDA0002289939610000055
为t时刻系统下调备用需求。
8.根据权利要求4所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，场景筛选的原则包括：1)如果该场景与其他场景十分靠近，去除此场景不会影响整个场景集的特征，则将此场景删除；2)该场景存在的概率相比其他场景很小，可以删除此场景。
9.根据权利要求7所述的基于场景集的含风电电力系统运行备用动态调度优化方法，其特征在于，调度时间尺度T取值为1小时。
CN201911175908.5A 2019-11-26 2019-11-26 基于场景集的含风电电力系统运行备用动态调度优化方法 Active CN110912205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911175908.5A CN110912205B (zh) 2019-11-26 2019-11-26 基于场景集的含风电电力系统运行备用动态调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911175908.5A CN110912205B (zh) 2019-11-26 2019-11-26 基于场景集的含风电电力系统运行备用动态调度优化方法

Publications (2)

Publication Number Publication Date
CN110912205A CN110912205A (zh) 2020-03-24
CN110912205B true CN110912205B (zh) 2023-05-02

Family

ID=69819666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911175908.5A Active CN110912205B (zh) 2019-11-26 2019-11-26 基于场景集的含风电电力系统运行备用动态调度优化方法

Country Status (1)

Country Link
CN (1) CN110912205B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400918A (zh) * 2020-03-19 2020-07-10 国电南瑞科技股份有限公司 基于多场景生成技术的电网新能源消纳能力评估计算方法、装置及系统
CN111786421B (zh) * 2020-07-31 2022-05-06 国网青海省电力公司电力科学研究院 电网调度方法及装置
CN112134275B (zh) * 2020-08-11 2022-02-11 国网山东省电力公司青岛供电公司 一种计算含风电场电力系统的可靠性方法及系统
CN112072703B (zh) * 2020-09-10 2022-02-08 华北电力大学 一种适用新能源接入规划的灵活性评价方法及系统
CN112633642B (zh) * 2020-12-09 2023-02-03 中国南方电网有限责任公司 电力系统备用需求预测方法、系统、装置及存储介质
CN112418715B (zh) * 2020-12-11 2022-09-16 广西电网有限责任公司 风电功率序列场景集的生成方法、装置以及存储介质
CN112989536A (zh) * 2021-03-11 2021-06-18 南方电网科学研究院有限责任公司 基于场景分解的电气多能流系统优化调度方法
CN115437451B (zh) * 2022-09-01 2023-08-25 三峡大学 基于多策略改进的人工蜂群算法的光伏mppt控制方法
CN116436101B (zh) * 2023-06-14 2023-09-05 山东大学 一种基于场景缩减的输配协同随机调度方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821581A (zh) * 2015-05-22 2015-08-05 中国电力科学研究院 一种最优日前备用容量的确定方法
JP2017022975A (ja) * 2015-06-19 2017-01-26 株式会社日立製作所 風力発電所の運転制御装置、運転制御方法及び風力発電システム
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN109038686A (zh) * 2018-08-28 2018-12-18 国网山东省电力公司聊城供电公司 一种基于风电出力预测误差的滚动优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821581A (zh) * 2015-05-22 2015-08-05 中国电力科学研究院 一种最优日前备用容量的确定方法
JP2017022975A (ja) * 2015-06-19 2017-01-26 株式会社日立製作所 風力発電所の運転制御装置、運転制御方法及び風力発電システム
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN109038686A (zh) * 2018-08-28 2018-12-18 国网山东省电力公司聊城供电公司 一种基于风电出力预测误差的滚动优化调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Yerzhigit Bapin.Estimation of Operating Reserve Capacity in Interconnected Systems with Variable Renewable Energy Using Probabilistic Approach.2018 IEEE International Conference on Probabilistic Methods Applied to Power Systems (PMAPS).2018,第1-6页. *
元博 ; 周明 ; 李庚银 ; 宗瑾 ; .基于可靠性指标的含风电电力系统的发电和运行备用的协调调度模型.电网技术.2013,第37卷(第03期),第800-807页. *
艾小猛,塔伊尔江·巴合依,杨立滨等.基于场景集的含风电电力系统旋转备用优化.电网技术.2018,第42卷(第3期),第835-841页. *
陈彦秀 ; 彭怡峰 ; 李怡舒 ; 刘照 ; 李莹莹 ; 曾蓉 ; .考虑弃风与失负荷损失的含风电系统旋转备用优化调度.电力科学与工程.2016,第32卷(第04期),第8-13页. *

Also Published As

Publication number Publication date
CN110912205A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110912205B (zh) 基于场景集的含风电电力系统运行备用动态调度优化方法
Li et al. Optimal scheduling of isolated microgrids using automated reinforcement learning-based multi-period forecasting
Wang et al. MPC-based decentralized voltage control in power distribution systems with EV and PV coordination
Sharma et al. A critical and comparative review of energy management strategies for microgrids
Taneja et al. Defining cps challenges in a sustainable electricity grid
CN103606967A (zh) 一种实现电力系统鲁棒运行的调度方法
CN112381375B (zh) 一种基于潮流分配矩阵的电网经济运行域快速生成方法
CN110676849B (zh) 一种孤岛微电网群能量调度模型的构建方法
CN112383086B (zh) 一种孤岛微电网日前能量-备用联合优化调度方法
CN114336599A (zh) 一种独立型微电网动态优化调度方法
CN112994115A (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
CN111641233A (zh) 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法
CN115051388A (zh) 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法
CN113659631B (zh) 考虑时变特性的风光电站群出力描述方法
CN116485036A (zh) 一种基于多任务学习机制的多能流碳排放短期预测方法
CN116742664A (zh) 一种短期电池储能和季节性储氢协同规划方法及系统
CN108039739B (zh) 一种主动配电网动态随机经济调度方法
CN111404195B (zh) 一种基于智能网关的含分布式电源微电网的调度方法
Bruno et al. Integration of operating reserve constrains in the predictive optimal dispatch of energy and storage resources in small islands
Yang et al. Cloud-edge-end intelligence for fault-tolerant renewable energy accommodation in smart grid
CN112003279B (zh) 层次化微电网新能源消纳能力的评估方法
Cai et al. Intra-day Tie-line Scheduling Model Considering New Energy Fluctuation
Yang et al. A fast heuristic algorithm for maximum LOLP constrained unit commitment
Zhang New ancillary service market design to improve MW-frequency performance: reserve adequacy and resource flexibility
CN115528752B (zh) 一种微电网群的控制方法及装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240411

Address after: Room 0702, 6th Floor, Building 1, No. 66, Zhongguancun East Road, Haidian District, Beijing, 100080

Patentee after: Beijing Qingdian Technology Co.,Ltd.

Country or region after: China

Address before: 443002 No. 8, University Road, Xiling District, Yichang, Hubei

Patentee before: CHINA THREE GORGES University

Country or region before: China