CN111401656A - 一种基于模型预测控制的电力系统设备过载校正控制方法 - Google Patents

一种基于模型预测控制的电力系统设备过载校正控制方法 Download PDF

Info

Publication number
CN111401656A
CN111401656A CN202010249895.8A CN202010249895A CN111401656A CN 111401656 A CN111401656 A CN 111401656A CN 202010249895 A CN202010249895 A CN 202010249895A CN 111401656 A CN111401656 A CN 111401656A
Authority
CN
China
Prior art keywords
control
new energy
time
power
overload
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.)
Granted
Application number
CN202010249895.8A
Other languages
English (en)
Other versions
CN111401656B (zh
Inventor
鲍颜红
徐泰山
徐伟
任先成
周海锋
张金龙
杨君军
吴峰
阮晶晶
夏小琴
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.)
Nari Technology Co Ltd
Original Assignee
Nari Technology 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 Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202010249895.8A priority Critical patent/CN111401656B/zh
Publication of CN111401656A publication Critical patent/CN111401656A/zh
Application granted granted Critical
Publication of CN111401656B publication Critical patent/CN111401656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于模型预测控制的电力系统设备过载校正控制方法，应用于电力系统设备过载实时校正控制中，该方法基于调度控制中心SCADA系统的量测数据判断设备过载量，从超短期调度计划、负荷预测和新能源功率预测数据中获取系统未来一段时间内的运行状态，采用状态估计数据进行常规机组和新能源机组控制灵敏度计算，求解综合考虑控制代价最小和新能源消纳最大化的目标函数实现未来15min控制策略序列的在线滚动优化，取控制策略序列的第一组控制措施通过AGC系统下发执行。本发明方法实现了基于模型预测控制的电力系统设备过载实时校正自动控制，控制的动态性能、稳定性和鲁棒性得到较大提升。

Description

一种基于模型预测控制的电力系统设备过载校正控制方法
技术领域
本发明属于电力系统自动化技术领域，具体涉及一种基于模型预测控制的电力系统设备过载校正控 制方法。
背景技术
一次能源实现大规模清洁能源替代(如风电、光伏等新能源)、终端能源实现大规模电能替代(如电 动汽车)的能源革命，使电力系统面临大量的不确定因素，电网输电潜力又需要进一步挖掘，设备过载 已逐渐成为制约电网安全可靠、经济运行的主要问题，急需进一步提升电网调度运行控制技术及装备水 平。在电网的调度运行与控制中，针对电网中设备过载的不同程度，采用的控制手段也不同。若设备过 载的程度较轻，允许的持续运行时间较长(例如30分钟)，则由调度人员通过下达调度命令对电网实施 控制，若设备过载的程度较重，允许的持续运行时间较短(例如5分钟)，则由安全稳定紧急控制系统对 电网实施自动控制。
相比于调度人员通过下达调度命令对电网实施设备过载的校正控制，在调度控制中心基于能量管理 系统(EMS)的状态估计数据和数据采集与监视控制(SCADA)系统的量测数据，可以进行设备过载的 实时校正控制决策，并将控制策略通过自动发电控制(AGC)系统下发执行，实现设备过载实时校正自 动控制。但目前状态估计、校正控制决策、数据量测和策略下发执行均有一定耗时，因此上述控制存在 控制滞后的问题。此外，目前校正控制决策大多基于控制灵敏度计算获得，控制灵敏度可能存在误差， 量测数据也可能存在误差，而上述控制未考虑根据控制效果进行反馈校正的问题。
模型预测控制(model predictive control，MPC)算法由于其建模方便，具有良好的动态性能以及稳 定性、鲁棒性强等特点而被广泛应用在各领域中，在电力系统控制中也得到了一定的应用。
发明内容
本发明的目的在于提供一种基于模型预测控制的电力系统设备过载校正控制方法，实现了基于模型 预测控制的电力系统设备过载实时校正自动控制。
为达到上述目的，本发明采用的技术方案如下：
一种基于模型预测控制的电力系统设备过载校正控制方法，包括：
获取线路和变压器电流量测数据和当前运行状态的状态估计数据，以及未来一段时间的超短期调度 计划、负荷预测和新能源功率预测数据；所述超短期调度计划指常规机组和新能源厂站发电计划；
根据线路和变压器电流量测数据判断是否过载，如果过载，则根据当前运行状态的状态估计数据计 算所有常规机组和新能源厂站有功注入功率对过载线路和变压器的控制灵敏度；以及，根据未来一段时 间的超短期调度计划、负荷预测和新能源功率预测数据，生成时间分辨率为1min的常规机组和新能源 厂站发电计划值、负荷预测值和新能源功率预测值序列；
根据常规机组和新能源厂站有功注入功率对过载线路和变压器的控制灵敏度筛选未来一段时间参与 控制的常规机组和新能源厂站；
构建综合考虑参与控制的常规机组和新能源厂站控制代价最小和新能源消纳最大化的控制策略目标 函数；
求解所述目标函数，获得未来一段时间参与控制的常规机组和新能源厂站的控制策略序列；
选取所述控制策略序列的第一组控制策略通过AGC系统下发执行；
判断当前时间与开始时间差值，如果时间差值大于等于1min，则重新获取数据进行下一轮的控制策 略序列计算。
进一步的，所述生成时间分辨率为1min的常规机组和新能源厂站发电计划值、负荷预测值和新能 源功率预测值序列，包括：
通过在当前运行状态的状态估计数据和未来一段时间的常规机组和新能源厂站发电计划、负荷预测 和新能源功率预测数据之间采用线性插值方法生成：
Figure BDA0002435100890000031
Figure BDA0002435100890000032
Figure BDA0002435100890000033
Figure BDA0002435100890000034
其中，k表示tk时刻，h＝1,…,H，H表示时间分辨率为1min的时域数，
Figure BDA0002435100890000035
为第γ个预测 量tk+h时刻的预测值，预测量包括常规机组和新能源厂站发电计划值、负荷预测值，γ＝1,…,NO，NO为 常规机组、新能源厂站和负荷总数，
Figure BDA0002435100890000036
为第γ个预测量tk+h时刻的预测值变化量，
Figure BDA0002435100890000037
为第γ个预测量tk+H时刻的预测值，
Figure BDA0002435100890000038
为第γ个预测量tk时刻状态估计值，
Figure BDA0002435100890000039
为第β个新 能源厂站功率tk+h时刻的预测值，也即第β个新能源厂站tk+h时刻的最大出力，
Figure BDA00024351008900000310
第β个新能 源厂站功率tk+h时刻的预测值变化量，
Figure BDA00024351008900000311
为第β个新能源厂站功率tk+H时刻的预测值，
Figure BDA00024351008900000312
第β个新能源厂站功率tk时刻状态估计值。
进一步的，所述根据常规机组和新能源厂站有功出力对过载线路和变压器的控制灵敏度筛选未来一 段时间参与控制的常规机组和新能源厂站，包括：
参与控制的常规机组通过在AGC电源集合中筛选对任一过载线路或变压器控制灵敏度大于门槛值 的常规机组获得；
参与控制的新能源厂站通过在AGC电源集合中筛选对任一过载线路或变压器控制灵敏度大于门槛 值的新能源厂站等值机组获得。
进一步的，所述构建综合考虑参与控制的常规机组和新能源厂站控制代价最小和新能源消纳最大化 的控制策略目标函数，包括：
Figure BDA0002435100890000041
其中，ΔPGα(k+h|k)为在tk时刻预测第α个参与控制的常规机组tk+h时刻的出力变化量，α＝1,…,NG， NG为参与控制的常规机组总数，ΔPWβ(k+h|k)为在tk时刻预测第β个参与控制的新能源厂站tk+h时刻的 出力变化量，β＝1,…,NW，NW为参与控制的新能源厂站总数，λ1和λ2分别为常规机组和新能源厂站 控制代价系数，
Figure BDA0002435100890000042
和PWβ(k+h|k)分别为第β个参与控制的新能源厂站tk+h时刻的最大出力和预 测的有功出力，Wy为控制代价权重系数，Wm为新能源最大化消纳权重系数；
所述目标函数满足约束条件：
a、功率平衡约束：
Figure BDA0002435100890000043
其中，
Figure BDA0002435100890000044
为第γ个不参与控制的节点tk时刻预测tk+h时刻的有功注入功率变化量， γ＝1,2,…,NO，NO为不参与控制的节点总数；所述节点包括常规机组、新能源厂站和负荷节点；
b、线路和变压器电流等式约束：
Figure BDA0002435100890000045
μ＝1,2,…,p
其中，
Figure BDA0002435100890000051
表示tk时刻预测的第μ个过载线路或变压器tk+h时刻的电流值，p为过载线路和 变压器数目，Sαμ，Sβμ和Sγμ分别为参与控制的常规机组、新能源厂站和不参与控制的节点有功注入功 率对过载线路或变压器的控制灵敏度；
c、线路和变压器电流限值约束：
Figure RE-GDA0002510464630000052
其中，yiμ.max为第μ个过载线路或变压器电流限值，eμ(k)为第μ个过载线路或变压器量测电流与前 一时刻的预测值比较形成的误差向量，形成误差向量如下：
Figure BDA0002435100890000053
其中，yiμ(k)为第μ个过载线路或变压器tk时刻的电流量测值，
Figure BDA0002435100890000054
为tk-1时刻预测的第μ个 过载线路或变压器tk时刻的电流值；
d、常规机组调节速率限制约束：
Figure BDA0002435100890000055
其中，ΔP Gα，
Figure BDA0002435100890000056
分别为第α个参与控制的常规机组爬坡速率允许上、下限；
e、新能源厂站调节速率限制约束：
Figure BDA0002435100890000057
其中，ΔP Wβ，
Figure BDA0002435100890000058
分别为第β个参与控制的新能源厂站爬坡速率允许上、下限；
f、常规机组调节容量限制约束
Figure BDA0002435100890000059
其中，P Gα，
Figure BDA00024351008900000510
分别为第α个参与控制的常规机组有功出力允许上、下限，PGα(k+h|k)表示第α个 参与控制的常规机组tk+h-1时刻预测的有功出力；
g、新能源厂站调节容量限制约束：
Figure BDA0002435100890000061
其中，P Wβ为第β个参与控制的新能源厂站有功出力允许下限；
h、常规机组出力约束：
PGα(k+h|k)＝ΔPGα(k+h|k)+PGα(k+h-1|k)
i、新能源厂站出力约束：
PWβ(k+h|k)＝ΔPWβ(k+h|k)+PWβ(k+h-1|k)。
进一步的，所述求解所述目标函数，包括：
采用原对偶内点法对所述目标函数进行求解，获得未来一段时间参与控制的常规机组和新能源厂站 出力变化量，作为未来一段时间参与控制的常规机组和新能源厂站的控制策略序列。
进一步的，所述未来一段时间取未来15min。
与现有技术相比，本发明所达到的有益效果是：
本发明可在系统当前运行状态基础上，同时考虑系统未来一段时间内的运行状态，采用模型预测控 制方法实现当前与未来有限时段的最优控制，并根据实际运行状态进行反馈校正，在控制时域内滚动优 化，通过在线检测、反馈校正、滚动优化、调节控制量达到对输出目标期望值的在线动态跟踪控制。
本发明方法实现了基于模型预测控制的电力系统设备过载实时校正自动控制，与常规方法相比控制 的动态性能、稳定性和鲁棒性得到较大提升。
附图说明
图1为本发明的基于模型预测控制的电力系统设备过载校正控制方法流程图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来 限制本发明的保护范围。
参见图1，本发明实施例提供一种基于模型预测控制的电力系统设备过载校正控制方法，包括：
1)从调度控制中心能量管理系统获取线路和变压器电流量测数据和当前运行状态的状态估计数据， 以及未来15min的超短期调度计划、负荷预测和新能源功率预测数据，记录开始时间tk；
2)判断线路和变压器量测电流是否大于各自的最大允许电流，如是则转入步骤3)，否则转回步骤1)；
3)基于状态估计数据生成当前运行状态的潮流计算数据，采用潮流计算数据计算所有常规机组和新 能源厂站有功出力对过载线路和变压器的控制灵敏度；
控制灵敏度是指常规机组或新能源厂站等值机组有功出力变化与过载线路或变压器电流变化之比， 可以基于潮流计算数据形成潮流计算雅可比矩阵通过灵敏度分析计算获得。
4)基于未来15min的超短期调度计划、负荷预测和新能源功率预测数据生成时间分辨率为1min的 常规机组和新能源厂站发电计划值、负荷预测值和新能源功率预测值序列；
进一步的，时间分辨率为1min的常规机组和新能源厂站发电计划值、负荷预测值和新能源功率预 测值序列通过在当前运行状态的状态估计数据和未来15min的超短期调度计划、负荷预测和新能源功率 预测数据之间采用线性插值方法生成，公式如下：
Figure BDA0002435100890000071
其中，k+h|k代表在tk时刻预测tk+h时刻的常规机组和新能源厂站发电计划值、负荷预测值，k表 示tk时刻，h＝1,…,H，H＝15表示时间分辨率为1min的共15个时域数，
Figure BDA0002435100890000081
为第γ个预测量tk+h时刻的预测值，预测量包括常规机组和新能源厂站发电计划值、负荷预测值，γ＝1,…,NO，NO为常规 机组、新能源厂站和负荷总数，
Figure BDA0002435100890000082
为第γ个预测量tk+h时刻的预测值变化量，计算公式如下：
Figure BDA0002435100890000083
其中，
Figure BDA0002435100890000084
为第γ个预测量未来15min预测值，
Figure BDA0002435100890000085
为第γ个预测量tk时刻状态估计值。
同理可以按照如下公式计算新能源功率预测值序列：
Figure BDA0002435100890000086
其中，
Figure BDA0002435100890000087
为第β个新能源厂站功率tk+h时刻的预测值，也即第β个新能源厂站tk+h时刻的最 大出力，
Figure BDA0002435100890000088
第β个新能源厂站功率tk+h时刻的预测值变化量，
Figure BDA0002435100890000089
为第β个新能源厂 站功率未来15min预测值，
Figure BDA00024351008900000810
第β个新能源厂站功率tk时刻状态估计值。
5)求解综合考虑控制代价最小和新能源消纳最大化的目标函数获得未来15min控制策略序列；
目标函数如下：
Figure BDA00024351008900000811
其中，k+h|k代表在tk时刻预测tk+h时刻的控制量和状态量，k表示tk时刻，h＝1,…,H，H＝15为 控制时域数，ΔPGα(k+h|k)为在tk时刻预测第α个参与控制的常规机组tk+h时刻的出力变化量， α＝1,…,NG，NG为参与控制的常规机组总数，通过在AGC电源集合中筛选对任一过载线路或变压器控 制灵敏度大于门槛值的常规机组获得；ΔPWβ(k+h|k)为在tk时刻预测第β个参与控制的新能源厂站tk+h时 刻的出力变化量，β＝1,…,NW，NW为参与控制的新能源厂站总数，通过在AGC电源集合中筛选对任一 过载线路或变压器控制灵敏度大于门槛值的新能源厂站等值机组获得；λ1和λ2分别为常规机组和新能源 厂站控制代价系数，一般可取为λ1＝0.5和λ2＝0.5；
Figure BDA0002435100890000091
和PWβ(k+h|k)分别为第β个参与控制 的新能源厂站tk+h时刻的最大出力和预测的有功出力；Wy为控制代价权重系数，Wm为新能源最大化消 纳权重系数，一般可取为Wy＝0.7和Wm＝0.3。
需满足约束条件如下：
a)功率平衡约束：
Figure BDA0002435100890000092
其中，
Figure BDA0002435100890000093
为第γ个不参与控制的其他节点(包括常规机组、新能源厂站和负荷节点)tk时 刻预测tk+h时刻的有功注入功率变化量，γ＝1,2,…,NO，NO为不参与控制的其他节点总数。
b)线路和变压器电流等式约束：
Figure BDA0002435100890000094
其中，
Figure BDA0002435100890000095
表示tk时刻预测的第μ个过载线路或变压器tk+h时刻的电流值，p为过载线路和 变压器数目，Sαμ，Sβμ和Sγμ分别为参与控制的常规机组、新能源厂站和不参与控制的其他节点(包括 常规机组、新能源厂站和负荷节点)有功注入功率对过载线路或变压器的控制灵敏度。
c)线路和变压器电流限值约束
Figure RE-GDA0002510464630000095
其中，yiμ.max为第μ个过载线路或变压器电流限值，eμ(k)为第μ个过载线路或变压器量测电流与前 一时刻的预测值比较形成的误差向量，形成误差向量公式如下：
Figure BDA0002435100890000101
其中，yiμ(k)为第μ个过载线路或变压器tk时刻的量测电流值，
Figure BDA0002435100890000102
为tk-1时刻预测的第μ个 过载线路或变压器tk时刻的电流值。
d)常规机组调节速率限制约束
Figure BDA0002435100890000103
其中，ΔP Gα，
Figure BDA0002435100890000104
分别为第α个参与控制的常规机组爬坡速率允许上下限。
e)新能源厂站调节速率限制约束
Figure BDA0002435100890000105
其中，ΔP Wβ，
Figure BDA0002435100890000106
分别为第β个参与控制的新能源厂站爬坡速率允许上下限。
f)常规机组调节容量限制约束
Figure BDA0002435100890000107
其中，P Gα，
Figure BDA0002435100890000108
分别为第α个参与控制的常规机组有功出力允许上下限，PGα(k+h|k)表示第α个 参与控制的常规机组tk+h-1时刻预测的有功出力。
g)新能源厂站调节容量限制约束
Figure BDA0002435100890000109
其中，P Wβ为第β个参与控制的新能源厂站有功出力允许下限，PWβ(k+h|k)表示第β个参与控制的 新能源厂站tk+h-1时刻预测的有功出力。
h)常规机组出力约束
PGα(k+h|k)＝ΔPGα(k+h|k)+PGα(k+h-1|k) (13)
i)新能源厂站出力约束
PWβ(k+h|k)＝ΔPWβ(k+h|k)+PWβ(k+h-1|k) (14)
采用原对偶内点法对所述目标函数进行求解，获得未来15min参与控制的常规机组和新能源厂站出 力变化量。
6)取控制策略序列的第一组控制措施通过AGC系统下发执行；
进一步的，控制策略序列的第一组控制措施，是指通过求解未来15min控制策略序列优化模型获得 h组常规机组和新能源厂站控制量(出力变化量)，取第1组控制量作为控制措施。
7)判断当前时间与开始时间tk差值是否大于等于1min，如是则返回步骤1)，否则继续等待。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离 本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，包括：
获取线路和变压器电流量测数据和当前运行状态的状态估计数据，以及未来一段时间的超短期调度计划、负荷预测和新能源功率预测数据；所述超短期调度计划指常规机组和新能源厂站发电计划；
根据线路和变压器电流量测数据判断是否过载，如果过载，则根据当前运行状态的状态估计数据计算所有常规机组和新能源厂站有功注入功率对过载线路和变压器的控制灵敏度；以及，根据未来一段时间的超短期调度计划、负荷预测和新能源功率预测数据，生成时间分辨率为1min的常规机组和新能源厂站发电计划值、负荷预测值和新能源功率预测值序列；
根据常规机组和新能源厂站有功注入功率对过载线路和变压器的控制灵敏度筛选未来一段时间参与控制的常规机组和新能源厂站；
构建综合考虑参与控制的常规机组和新能源厂站控制代价最小和新能源消纳最大化的控制策略目标函数；
求解所述目标函数，获得未来一段时间参与控制的常规机组和新能源厂站的控制策略序列；
选取所述控制策略序列的第一组控制策略通过AGC系统下发执行；
判断当前时间与开始时间差值，如果时间差值大于等于1min，则重新获取数据进行下一轮的控制策略序列计算。
2.根据权利要求1所述的一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，所述生成时间分辨率为1min的常规机组和新能源厂站发电计划值、负荷预测值和新能源功率预测值序列，包括：
通过在当前运行状态的状态估计数据和未来一段时间的常规机组和新能源厂站发电计划、负荷预测和新能源功率预测数据之间采用线性插值方法生成：
PNγ(k+h|k)＝PNγ(k+h-1|k)+ΔPNγ(k+h|k)
ΔPNγ(k+h|k)＝(PNγ(k+H|k)-PNγ(k))/H
Figure FDA0002435100880000021
Figure FDA0002435100880000022
其中，k表示tk时刻，h＝1,…,H，H表示时间分辨率为1min的时域数，PNγ(k+h|k)为第γ个预测量tk+h时刻的预测值，预测量包括常规机组和新能源厂站发电计划值、负荷预测值，γ＝1,…,NO，NO为常规机组、新能源厂站和负荷总数，ΔPNγ(k+h|k)为第γ个预测量tk+h时刻的预测值变化量，PNγ(k+H|k)为第γ个预测量tk+H时刻的预测值，PNγ(k)为第γ个预测量tk时刻状态估计值，
Figure FDA0002435100880000023
为第β个新能源厂站功率tk+h时刻的预测值，也即第β个新能源厂站tk+h时刻的最大出力，
Figure FDA0002435100880000024
第β个新能源厂站功率tk+h时刻的预测值变化量，
Figure FDA0002435100880000025
为第β个新能源厂站功率tk+H时刻的预测值，
Figure FDA0002435100880000026
第β个新能源厂站功率tk时刻状态估计值。
3.根据权利要求1所述的一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，所述根据常规机组和新能源厂站有功出力对过载线路和变压器的控制灵敏度筛选未来一段时间参与控制的常规机组和新能源厂站，包括：
参与控制的常规机组通过在AGC电源集合中筛选对任一过载线路或变压器控制灵敏度大于门槛值的常规机组获得；
参与控制的新能源厂站通过在AGC电源集合中筛选对任一过载线路或变压器控制灵敏度大于门槛值的新能源厂站等值机组获得。
4.根据权利要求2所述的一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，所述构建综合考虑参与控制的常规机组和新能源厂站控制代价最小和新能源消纳最大化的控制策略目标函数，包括：
Figure RE-FDA0002510464620000031
其中，ΔPGα(k+h|k)为在tk时刻预测第α个参与控制的常规机组tk+h时刻的出力变化量，α＝1,…,NG，NG为参与控制的常规机组总数，ΔPWβ(k+h|k)为在tk时刻预测第β个参与控制的新能源厂站tk+h时刻的出力变化量，β＝1,…,NW，NW为参与控制的新能源厂站总数，λ1和λ2分别为常规机组和新能源厂站控制代价系数，
Figure RE-FDA0002510464620000032
和PWβ(k+h|k)分别为第β个参与控制的新能源厂站tk+h时刻的最大出力和预测的有功出力，Wy为控制代价权重系数，Wm为新能源最大化消纳权重系数；
所述目标函数满足约束条件：
a、功率平衡约束：
Figure RE-FDA0002510464620000033
其中，
Figure RE-FDA0002510464620000034
为第γ个不参与控制的节点tk时刻预测tk+h时刻的有功注入功率变化量，γ＝1,2,…,NO，NO为不参与控制的节点总数；所述节点包括常规机组、新能源厂站和负荷节点；
b、线路和变压器电流等式约束：
Figure RE-FDA0002510464620000035
其中，
Figure RE-FDA0002510464620000036
表示tk时刻预测的第μ个过载线路或变压器tk+h时刻的电流值，p为过载线路和变压器数目，Sαμ，Sβμ和Sγμ分别为参与控制的常规机组、新能源厂站和不参与控制的节点有功注入功率对过载线路或变压器的控制灵敏度；
c、线路和变压器电流限值约束：
Figure RE-FDA0002510464620000041
其中，yiμ.max为第μ个过载线路或变压器电流限值，eμ(k)为第μ个过载线路或变压器量测电流与前一时刻的预测值比较形成的误差向量，形成误差向量如下：
Figure RE-FDA0002510464620000042
其中，yiμ(k)为第μ个过载线路或变压器tk时刻的电流量测值，
Figure RE-FDA0002510464620000043
为tk-1时刻预测的第μ个过载线路或变压器tk时刻的电流值；
d、常规机组调节速率限制约束：
Figure RE-FDA0002510464620000044
其中，ΔP Gα，
Figure RE-FDA0002510464620000045
分别为第α个参与控制的常规机组爬坡速率允许上、下限；
e、新能源厂站调节速率限制约束：
Figure RE-FDA0002510464620000046
其中，ΔP Wβ，
Figure RE-FDA0002510464620000047
分别为第β个参与控制的新能源厂站爬坡速率允许上、下限；
f、常规机组调节容量限制约束
Figure RE-FDA0002510464620000048
其中，P Gα，
Figure RE-FDA0002510464620000049
分别为第α个参与控制的常规机组有功出力允许上、下限，PGα(k+h|k)表示第α个参与控制的常规机组tk+h-1时刻预测的有功出力；
g、新能源厂站调节容量限制约束：
Figure RE-FDA0002510464620000051
其中，P Wβ为第β个参与控制的新能源厂站有功出力允许下限；
h、常规机组出力约束：
PGα(k+h|k)＝ΔPGα(k+h|k)+PGα(k+h-1|k)
i、新能源厂站出力约束：
PWβ(k+h|k)＝ΔPWβ(k+h|k)+PWβ(k+h-1|k)。
5.根据权利要求4所述的一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，所述求解所述目标函数，包括：
采用原对偶内点法对所述目标函数进行求解，获得未来一段时间参与控制的常规机组和新能源厂站出力变化量，作为未来一段时间参与控制的常规机组和新能源厂站的控制策略序列。
6.根据权利要求1至5任意一项所述的一种基于模型预测控制的电力系统设备过载校正控制方法，其特征在于，所述未来一段时间取未来15min。
CN202010249895.8A 2020-04-01 2020-04-01 一种基于模型预测控制的电力系统设备过载校正控制方法 Active CN111401656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010249895.8A CN111401656B (zh) 2020-04-01 2020-04-01 一种基于模型预测控制的电力系统设备过载校正控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010249895.8A CN111401656B (zh) 2020-04-01 2020-04-01 一种基于模型预测控制的电力系统设备过载校正控制方法

Publications (2)

Publication Number Publication Date
CN111401656A true CN111401656A (zh) 2020-07-10
CN111401656B CN111401656B (zh) 2022-06-14

Family

ID=71429412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010249895.8A Active CN111401656B (zh) 2020-04-01 2020-04-01 一种基于模型预测控制的电力系统设备过载校正控制方法

Country Status (1)

Country Link
CN (1) CN111401656B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417643A (zh) * 2020-10-13 2021-02-26 国网山东省电力公司电力科学研究院 基于送风机电流的火电机组最大出力实时评估方法及系统
CN116432478A (zh) * 2023-06-15 2023-07-14 广东电网有限责任公司东莞供电局 一种电力系统的能量确定方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288151A (ja) * 2005-04-04 2006-10-19 Kansai Electric Power Co Inc:The 電力需給制御システム、電力需給制御方法、および、記録媒体
CN102946097A (zh) * 2012-10-22 2013-02-27 中国电力科学研究院 一种结合agc系统和人工调度的热稳定实时控制方法
CN106655154A (zh) * 2016-10-12 2017-05-10 云南电力调度控制中心 电力系统设备过载的自适应紧急控制系统及方法
CN108110754A (zh) * 2017-12-29 2018-06-01 山东大学 一种考虑多聚合体间协调的有功安全校正方法
CN109149560A (zh) * 2018-08-06 2019-01-04 国网江西省电力有限公司赣州供电分公司 一种处理区域备自投系统动作引起过负荷的方法
CN110932281A (zh) * 2019-11-27 2020-03-27 中国电力科学研究院有限公司 一种基于电网准稳态灵敏度的多断面协同校正方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288151A (ja) * 2005-04-04 2006-10-19 Kansai Electric Power Co Inc:The 電力需給制御システム、電力需給制御方法、および、記録媒体
CN102946097A (zh) * 2012-10-22 2013-02-27 中国电力科学研究院 一种结合agc系统和人工调度的热稳定实时控制方法
CN106655154A (zh) * 2016-10-12 2017-05-10 云南电力调度控制中心 电力系统设备过载的自适应紧急控制系统及方法
CN108110754A (zh) * 2017-12-29 2018-06-01 山东大学 一种考虑多聚合体间协调的有功安全校正方法
CN109149560A (zh) * 2018-08-06 2019-01-04 国网江西省电力有限公司赣州供电分公司 一种处理区域备自投系统动作引起过负荷的方法
CN110932281A (zh) * 2019-11-27 2020-03-27 中国电力科学研究院有限公司 一种基于电网准稳态灵敏度的多断面协同校正方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417643A (zh) * 2020-10-13 2021-02-26 国网山东省电力公司电力科学研究院 基于送风机电流的火电机组最大出力实时评估方法及系统
CN112417643B (zh) * 2020-10-13 2023-05-30 国网山东省电力公司电力科学研究院 基于送风机电流的火电机组最大出力实时评估方法及系统
CN116432478A (zh) * 2023-06-15 2023-07-14 广东电网有限责任公司东莞供电局 一种电力系统的能量确定方法、装置、设备及介质
CN116432478B (zh) * 2023-06-15 2023-09-08 广东电网有限责任公司东莞供电局 一种电力系统的能量确定方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111401656B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
Ye et al. Hierarchical model predictive control strategy based on dynamic active power dispatch for wind power cluster integration
CN104607042B (zh) 一种基于约束预测控制的scr脱硝系统及方法
CN111401656B (zh) 一种基于模型预测控制的电力系统设备过载校正控制方法
CN111697597B (zh) 一种基于粒子群算法的火储联合agc调频控制方法
CN112186811B (zh) 一种基于深度强化学习的agc机组动态优化方法
CN108923435B (zh) 一种基于分层mpc的风电无功电压协调控制系统
CN113054688B (zh) 考虑不确定性的可再生能源集群出力分布式协调控制方法
CN111711184A (zh) 一种基于最坏场景辨识的电力系统鲁棒经济调度方法
CN108054790B (zh) 基于预测出力逐次逼近的风光发电集群有功实时优化控制方法
Surjagade et al. Robust optimal integral sliding mode controller for total power control of large PHWRs
CN107528348A (zh) 一种基于来水不确定性的梯级水电站负荷调整方法
CN115313380A (zh) 自适应氢负荷波动的新能源制氢系统协调控制方法
CN110969342B (zh) 一种平衡小库容水力发电安全与防洪风险管控的方法
CN113131517B (zh) 一种分布式储能的光伏并网监测方法及系统
Laouafi et al. An evaluation of conventional and computational intelligence methods for medium and long-term load forecasting in Algeria
CN117057491B (zh) 基于mpc与储能系统结合的农村地区电力供应优化管理方法
CN112531745B (zh) 一种电力系统频率安全预防控制优化方法
CN113890017A (zh) 基于关键量测的配电网电压自适应控制方法
CN112952923B (zh) 一种用于avc系统的无功裕度分配方法
Wang et al. Multi-objective optimal dispatch of wind-integrated power system based on distributed energy storage
CN115051406A (zh) 一种计及源网不确定性的多阶段协调控制风险调度方法
CN110224434B (zh) 一种基于随机鲁棒优化的电力系统调度方法
CN114188942A (zh) 一种包含大规模新能源基地的电网调度方法
CN113507111A (zh) 基于盲数理论的规划目标年电力盈亏评估方法
CN112182952A (zh) 一种提升电力系统弹性的多目标优化调度方法

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