CN111934366A - 一种提高风电接纳能力的电网多元优化调度方法 - Google Patents
一种提高风电接纳能力的电网多元优化调度方法 Download PDFInfo
- Publication number
- CN111934366A CN111934366A CN202010798625.2A CN202010798625A CN111934366A CN 111934366 A CN111934366 A CN 111934366A CN 202010798625 A CN202010798625 A CN 202010798625A CN 111934366 A CN111934366 A CN 111934366A
- Authority
- CN
- China
- Prior art keywords
- power
- output
- peak
- wind
- unit
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000033228 biological regulation Effects 0.000 claims abstract description 186
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 239000001257 hydrogen Substances 0.000 claims abstract description 33
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims description 25
- 230000009194 climbing Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 230000003828 downregulation Effects 0.000 claims description 8
- 241000257303 Hymenoptera Species 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000005086 pumping Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
- H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种提高风电接纳能力的电网多元优化调度方法,步骤一、通过风电出力模型对风功率进行预测,同时对系统的旋转备用进行调整;步骤二、优化各机组出力,实现火电作基荷情况下的,核电、储氢作为辅助的联合优化调度方法,实现核电的等效调峰,实现风‑核‑蓄‑火联合优化调度过程。本申请提出一种风‑火‑核储优化调度提高风电接纳能力方法,先通过建立风电不确定出力的风电模型,实现对风电出力的预测情况,再建立核电的调峰深度模型,确定核电的调峰深度,建立基于联合优化调度模型,采用蚁群算法对火电,核电,储能调度进行分析确定,实现能量的转移、移峰填谷,通过增加清洁能源的利用量和利用率,使清洁能源出力最大化。
Description
技术领域
本发明属于风力发电消纳技术领域,特别涉及一种提高风电接纳能力的电网优化调度方法。
技术背景
随着我国社会经济的发展,对能源的需求量逐年增加,一直依赖石化能源高消耗的支撑,这 使得煤、石油和天然气等不可再生资源的储量迅速降低,能源危机愈演愈烈的同时也产生了 大量的有害污染,如果要实现可持续发展,就必须找出储量大、低污染的可再生能源,我国 的发电行业主要采用的是燃烧石化能源为主,但随着科学技术的发展,着眼点放在风力发电 上,我国风电资源充足,主要分布于风电资源丰富的“三北”地区,虽然资源丰富,但是弃风 问题严重,影响其原因有很多,风力发电依赖于变化的气象条件,存在随机性,风电机组出 力受风速影响难以精确预测,预测准确度较低;存在间歇性,风电机组出力会在不同时段间 剧烈波动,尤其是负荷水平较低而风电出力较高时,反调峰的特性明显,会产生极大问题。 早期风电场容量较小,作为一种分布式电源,分散接入配电网络就地消纳,对于发电调度的 影响可以忽略不计。随着风力发电机组规模和容量的不断扩大,风电在电网发电资源中所占 的比重逐步提高,大规模风电并网对电力系统的影响也越来越显著。风电的随机波动性和间 歇性使其调度方式不同于常规机组,势必会给电网发电计划和调度方案的制定增加难度,严 重时甚至会影响电网运行的安全,所以如何更好的利用弃风能源,成为我们亟须解决的问题。
发明内容
发明目的:
本发明提供一种提高风电接纳能力的电网多元优化调度方法,其目的是解决以往所存在的问 题,是在风电出力最大的情况下,实现火电作基荷情况下的调峰任务,并用核电、储氢作为 辅助减小日常调度。专利中对风电出力进行预测,并修正系统的正负旋转备用,在,完成电 力系统的日前调度计划。
技术方案:
一种提高风电接纳能力的电网优化调度方法,其特征在于:
步骤一、通过风电出力模型对风功率进行预测,同时对系统的旋转备用进行调整;
步骤二、优化各机组出力,实现火电作基荷情况下的,核电、储氢作为辅助的联合优化 调度方法,实现核电的等效调峰,实现风-核-蓄-火联合优化调度过程。
步骤一中:通过建立基于误差增长的风电不确定出力计算方法,对误差增长的相关概念 进行分析,建立风电出力模型,将风电预测误差计入风电出力模型,结合风电出力特点,把 风电出力看做不确定的量,对风电的输出进行预测。
第二步中所述的优化各机组出力是指在风-核-蓄-火联合优化调度过程中,在满足负荷需 求的情况下需要优先考虑风电出力,再安排火电机组与储氢出力。由于风电的不确定性,储 氢在风电大发时,将电网不能接纳的风电用抽水的形式储存起来,在负荷高峰时段发电,缓 解高峰负荷时段的调峰压力;在优先给定风电与火电机组出力后,用储氢的方式减轻火电的 调度中的变动,其中核电机组不参与常规调峰任务,当负荷低谷时的下调峰容量不足,通过 给定的判定方法,核电参与短时的深度调峰。
步骤一中对风功率进行预测的实现方法:(1)通过威布尔分布确定风速规律,得到风速 的威布尔分布:
式中,c和k分别表示Weibull分布的形状参数和尺度参数,v为风速值;
当风速值大于风电机组的切入风速vci时,风力机开始运行;当风速值维持额定风速vr时, 风电机组出力保持不变;如果风速值大于等于切出风速vco时,风力机停止运行;服从风速 Weibull分布的风电输出有功功率P由下式可知:
其中,
式中,Pr为风速值维持额定风速时的功率;
步骤二中:当电网处于低谷时期,下调峰容量不足时,通过短时减少核电机组出力,为 风电接纳提供空间,实现核电的等效调峰;等效调峰深度模型:
式中,T为系统尖峰的电力盈余容量;D为系统低谷的下调峰盈余容量;PLMax和PLMin分别 为计划日最高和最低发电负荷;PGMax和PGMin分别为计划日全系统开机运行的所有火电机 组在负荷高峰和低谷时段的可调最大和最小出力;PNMax为计划日所有核电机组的额定出力; PR和PR'分别为系统正、负旋转备用容量;
若同时满足D≥0和T≥0,则系统满足调峰平衡,核电不必参与调峰;若T<0,即 在负荷低谷时的下调峰容量不足,需要核电参与调峰,判据即为:
PLMin<PGMin+PNMax+PR' (7)
采用蚁群算法对上述等效调峰深度模型进行分析确定,实现核电的等效调峰,具体步骤 为:
列出优化目标函数:
式中,i为机组编号,t为时刻,fi为火电机组i的发电成本,为全部火电机 组在调度周期T内的发电成本,m0为火电机组总数;PNiMax为核电机组i的额定出力,核电机组i的实际出力,为调度周期T内核电参与调峰额外增加的成本,m1为核电机组总数;为火电机组i的深度调峰功率,为调度周期T内火 电机组深度调峰时额外增加的成本;P′GiMin为火电机组最小出力的调峰容量,为火电启停调峰成本,m2为调度周期T内启停的火电机组数量,启停调峰效果将作用于启 停后的整个调度周期;为储氢装置i的容量,为调度周期T内制氢产生 的成本;CN、CG、CTOf、CHy分别为各类调峰手段单位容量调峰成本。
式(7)需要同时满足下述的系统功率平衡约束、系统备用约束、消纳核电调峰量能力 约束、火电机组容量约束、旋转备用约束、常规机组最小启停时间约束和机组爬坡率约束, 各约束条件中,t均为调度周期内任意时间段,由于优化目标为1天内总运行成本,则t的 范围为1-24h;
约束方程
(1)系统功率平衡方程:
(2)统备用约束:
式中,PGiMax为火电机组i在电网高峰时段的最大出力,火电机组i在实际出力,为电网在高峰时段的总体备用,P′GiMin火电机组i电网低谷时段的最小出力,为电网在低谷时段的总体备用,Prt、P′rt分别为系统在t时刻的正、负备用 需求,均由火电机组承担备用;
(3)消纳核电调峰量能力约束:
P′N≤PN.max-PN0 (11)
式中,PN0为预调度模型中的核电出力;
(4)火电机组容量约束:
(5)旋转备用约束:
式中:N为总机组数,Pi t为第i台发电机的实际输出功率,Pi max为t时段第i台发电机的最 大可能输出功率,其值由发电机的出力极限能及机组的爬坡速率决定;Rt为系统t时段所需 的旋转备用容量,按系统总负荷的7%来考虑;
(6)常规机组最小启停时间约束:
(7)机组爬坡率约束:
式中,P′i.t为机组i在t时刻的输出功率,P′i.t-1为机组i在t-1时刻的输出功率,Lup.i、Ldown.i分别为机组i单位时间内允许的升出力上限和降出力上限;
采用的蚁群的算法如下:
引进状态和决策两个概念
状态:当前时刻采取的调峰手段的组合构成一个状态;
决策:从某时段的调峰手段组合到下一个时段调峰手段的确定,即从一个状态到下一个 状态形成一个决策;
并对于获得最优解的闭合路径概念如下:
路径:调度周期内所有时段的调峰手段集合;每个时段任取调峰手段,这样整个调度周 期内的各类电源的调峰出力,即所有决策的集合构成一条路径;
目标函数为:
J=min∑(tc(si,si+1)+tc(si,si-1))0≤i≤24 (18)
其中:tc(si,si+1)和tc(si,si-1)分别表示从状态i到状态(i+1)和从状态i到状态(i-1) 的决策成本;i状态选择为1天中的负荷最大点,该点的调峰成本为0,对应TSP问题中距 离为0,即还未出发;不同的是在联合调峰优化问题中,下一次采用怎样的调峰手段组合受 到前一次所采用的调峰手段约束,在tabu表中记录的是所采取的不同调峰手段的已调节容 量及其调峰成本,用以限制下次调峰的调节手段及容量的组合,在一次循环过后,tabu表中 最小的调峰成本即对应TSP问题的最短路径,在下次循环开始之前,更新路径信息,清零 tabu表;通过转化后的目标函数即可用蚁群算法进行求解。
将核电调峰出力安排在蚁群算法循环之外,通过改变核电调峰深度来改变优化结果;
等式约束
功率平衡约束,通过计算相邻时间点的负荷差,来约束调峰手段组合,相邻时间的负荷 变化量即为所选调峰手段调节容量之和,从而满足功率平衡约束。
不等式约束:
不等式约束包括各类电源的出力上下限约束、火电机组的爬坡约束、旋转备用和最小开 停机时间,各类约束最终目的均是对机组出力的约束:
通过tabu表中已经记录的各类调峰手段的已调节容量和各类不等式约束共同控制下个 时间点所能够采用的调峰手段组合:
提高风电接纳能力的电网多元优化调度方法的计算步骤:
①输入电网负荷数据,找到最大负荷对应的时间点,确定该时间点的状态,从该点开始 向两侧迭代;
②输入核电出力模型,调峰深度设置可调,设置调节幅度与步长;
③判断初始状态s,初始状态即为负荷最大点对应的时间点;
④ACA初始化:D=1;τij=0;Δτij=0;cost(k)=0;
⑤两侧迭代:
向前迭代——t=t-1,判断t是否为最终时段0,若是转到⑧,否者转到⑥;
向后迭代——t=t+1,判断t是否为最终时段24,若是转到⑧,否者转到⑥;
⑥形成当前时刻的tabu表,并计算此刻调峰费用作为ACA中的路径长度;
按照蚂蚁转移概率选择下一个状态j,即下一个时段的调峰手段组合,计算从i状态到j状态各类机组的负荷调节量及其对应的调峰成本;
⑦不断累加蚂蚁的路径长度,即调峰成本,转到⑤;
⑧记录⑦的最短路径,通过算法全局更新规则来更新路径信息;
⑨令:D=D+1;Δτij=0;cost(k)=0清空表;
⑩如果D<DMax,并且未出现停滞现象,则令t回到最大负荷对应时间点,转到⑤,开始下一次迭代,否则停止迭代,输出最优解;其中:cost(k)为蚂蚁k当前走过的路径 长度,即当前总调峰成本;D为迭代次数,DMax为最大迭代次数。
优点效果:
1风电不确定性出力建模
在风-蓄-火联合优化调度过程中,需要优先配置好风电,再与火电机组配置,满足负荷 需求。由于风电的不确定性,储氢在风电大发时,将电网不能接纳的风电用抽水的形式储存 起来;在负荷高峰时段发电,缓解高峰负荷时段的调峰压力。在优先配置好风电与火电的配 置后,用储氢的方式减轻火电的调度中的变动。
由于风速随机性特点,使得风电出力具有不确定性。专利中假定风速服从Weibull分布, 其概率密度函数如下:
式中,c和k分别表示Weibull分布的形状参数和尺度参数,v为风速值。
当风速值大于风电机组的切入风速vci时,风力机开始运行;当风速值维持额定风速vr时, 风电机组出力保持不变;如果风速值大于等于切出风速vco时,风力机停止运行。服从风速 Weibull分布的风电输出有功功率P由下式可知:
其中,
2核电调峰的判定
仅考虑储氢、火、核电接入电力系统,且不考虑火电启停调峰,则电网电力平衡及调峰 平衡式为:
其中:T为系统尖峰的电力盈余容量;D为系统低谷的下调峰盈余容量;PLMax和PLMin分别 为计划日最高和最低发电负荷;PGMax和PGMin分别为计划日全系统开机运行的所有火电机 组在负荷高峰和低谷时段的可调最大和最小出力;PNMax为计划日所有核电机组的额定出力; PR和PR'分别为系统正、负旋转备用容量。
若同时满足D≥0和T≥0,则系统满足调峰平衡,核电不必参与调峰。若T<0,即 在负荷低谷时的下调峰容量不足,需要核电参与调峰,判据即为:
PLMin<PGMin+PNMax+PR' (6)
3联合调峰优化建模
专利中对储氢、火、核电联合调峰优化的目的是在保证系统安全稳定运行的前提下,使 系统在优化调度周期内总发电成本最低。
对于该优化问题,列出如下目标函数:
其中:为全部火电机组在调度周期T内的发电成本,m0为火电机组总数; 为调度周期T内核电参与调峰额外增加的成本,m1为核电机组总数;为调度周期T内火电机组深度调峰时额外增加的成本;为火电 启停调峰成本,m2为调度周期T内启停的火电机组数量,启停调峰效果将作用于启停后的 整个调度周期;为调度周期T内制氢产生的费用;CN、CG、CTOf、CHy分 别为各类调峰手段单位容量调峰成本。式(7)服从下文的系统约束、独立水系约束、火电 机组出力约束与核电调峰出力约束,各约束条件中,t均为调度周期内任意时间段,由于优 化目标为1天内总运行成本,则t的范围为1-24h。
约束方程
(1)系统功率平衡方程:
(2)系统备用约束:
式中:Prt、P′rt分别为系统在t时刻的正、负备用需求,均由火电机组承担备用。
(3)消纳核电调峰量能力约束:
P′N≤PN.max-PN0 (10)
式中,PN0为预调度模型中的核电出为。
(4)火电机组容量约束:
式中:PGi min,PGi max为常规机组i的出力上下限。
(5)旋转备用约束:
式中:Pi max为t时段第i台发电机的最大可能输出功率,其值由发电机的出力极限能及机组 的爬坡速率决定;Rt为系统t时段所需的旋转备用容量,按系统总负荷的7%来考虑。
(6)常规机组最小启停时间约束:
(7)机组有功出力上下限约束:
计算中,火电机组和核电机组的参数ki,cv均为0。
(8)机组爬坡率约束:
式中,Lup.i、Ldown.i分别为机组i单位时间内允许的升出力上限和降出力上限。
4蚁群算法优化机组联合调峰
多电源联合调峰优化问题需要对模型进行一定改进,引进状态和决策两个概念。状态: 当前时刻采取的调峰手段的组合构成一个状态。决策:从某时段的调峰手段组合到下一个时 段调峰手段的确定,即从一个状态到下一个状态形成一个决策。
由于在蚁群优化算法中,闭合路径就是问题的可行解,因此路径的概念如下:路径:调 度周期内所有时段的调峰手段集合。每个时段任取调峰手段,这样整个调度周期内的各类电 源的调峰出力,即所有决策的集合构成一条路径。
根据上述各概念及相关定义,多电源联合调峰优化问题可以转化成一个多阶段动态搜索 问题。经过调峰选择优化的目标是寻找所有时刻的决策中路径的最小值,相当于问题中寻找 的最优路径。由于受到各类约束限制,各时段的状态数量并不相同。
(1)优化目标的蚁群算法模式
蚁群算法求解TSP问题时,蚂蚁走过的路径即是优化的结果,对于多电源联合调峰的 问题亦是如此,可以通过状态和决策的概念把多电源联合调峰问题用TSP问题的模式去求 解。各时间段调峰手段的组合即对应于TSP问题中的各个城市,调峰成本即是路径的长度, 最低的调峰成本即为优化的目标,则多电源联合调峰问题的目标函数可以转化为:
J=min∑(tc(si,si+1)+tc(si,si-1))0≤i≤24 (19)
其中:tc(si,si+1)和tc(si,si-1)分别表示从状态i到状态(i+1)和从状态到状态(i-1)的决 策费用,对TSP应于问题中的转移距离;i状态选择为1天中的负荷最大点,该点的调峰费 用为0,对应TSP问题中距离为,即还未出发;不同的是在联合调峰优化问题中,下一次采 用怎样的调峰手段组合受到前一次所采用的调峰手段约束,因此在tabu表中记录的是所采 取的不同调峰手段的已调节容量及其调峰费用,用以限制下次调峰的调节手段及容量的组合, 在一次循环过后,tabu表中最小的调峰费用即对应TSP问题的最短路径,在下次循环开始 之前,更新路径信息,清零tabu表。通过转化后的目标函数即可用蚁群算法进行求解。
(2)约束条件的转化
由于核电机组的特殊性,有固定的出力曲线,且仅能改变其调峰深度,固将核电调峰出 力安排在蚁群算法循环之外,通过改变核电调峰深度来改变优化结果。
1.等式约束
功率平衡约束,通过计算相邻时间点的负荷差,来约束调峰手段组合,相邻时间的负荷 变化量即为所选调峰手段调节容量之和,从而满足功率平衡约束。水量平衡约束可以转化为 对其他出力的出力限制。
2.不等式约束
不等式约束包括各类电源的出力上下限约束,火电机组的爬坡约束、旋转备用、最小开 停机时间等,各类约束最终目的均是对机组出力的约束。
通过tabu表中已经记录的各类调峰手段的已调节容量和各类不等式约束共同控制下个 时间点所能够采用的调峰手段组合,比如在机组出力越限时则取其最大或者最小值,爬坡速 率不满足时则取机组最大爬坡速率。
(4)计算步骤
①输入电网负荷数据,找到最大负荷对应的时间点,确定该时间点的状态(即各类机组 的出力情况),从该点开始向两侧迭代。
②输入核电出力模型,调峰深度设置可调,设置调节幅度与步长。
③判断初始状态s,初始状态即为负荷最大点对应的时间点。
④ACA初始化:D=1;τij=0;Δτij=0;cost(k)=0。
⑤两侧迭代:
向前迭代——t=t-1,判断t是否为最终时段0,若是转到⑧,否者转到⑥。
向后迭代——t=t+1,判断t是否为最终时段24,若是转到⑧,否者转到⑥。
⑥形成当前时刻的tabu表,并计算此刻调峰费用作为ACA中的路径长度。
按照蚂蚁转移概率选择下一个状态j,即下一个时段的调峰手段组合,计算从i状态到j状态各类机组的负荷调节量及其对应的调峰费用。
⑦不断累加蚂蚁的路径长度,即调峰费用,转到⑤。
⑧记录⑦的最短路径,通过算法全局更新规则来更新路径信息。
⑨令:D=D+1;Δτij=0;cost(k)=0清空表。
⑩如果D<DMax,并且未出现停滞现象,则令t回到最大负荷对应时间点,转到⑤,开始下一次迭代,否则停止迭代,输出最优解。其中:cost(k)为蚂蚁k当前走过的路径 长度,即当前总调峰费用;D为迭代次数,DMax为最大迭代次数。
综上,本申请提出一种风-火-核储优化调度提高风电接纳能力方法,先通过建立风电不 确定出力的风电模型,实现对风电出力的预测情况,再建立核电的调峰深度模型,确定核电 的调峰深度,建立基于联合优化调度模型,采用蚁群算法对火电,核电,储能调度进行分析 确定,实现能量的转移、移峰填谷,通过增加清洁能源的利用量和利用率,使清洁能源出力 最大化。
附图说明
图1状态空间图
图2算法总体流程图
图3AOA算法流程图
具体实施方式
一种提高风电接纳能力的电网优化调度方法,步骤如下:
步骤一、通过风电出力模型对风功率进行预测,同时对系统的旋转备用进行调整;(后 面公式中的旋转备用量R,目的为风电提供消纳空间)
步骤二、通过给定的约束条件保证系统安全可靠的基础上优化各机组出力,实现火电作 基荷情况下的,核电、储氢作为辅助的联合优化调度方法,实现核电的等效调峰,实现风- 核-蓄-火联合优化调度过程。
步骤一中:通过建立基于误差增长的风电不确定出力计算方法,对误差增长的相关概念 进行分析(即风电预测误差相关概念是公式1至2所描述的内容),建立风电(不确定)出 力模型,将风电预测误差计入风电(不确定)出力模型(这块是风电出力建模但在建模中考 虑了风电出力的不确定性),结合风电出力特点,把风电出力看做不确定的量,对风电的输 出进行预测。
第二步中所述的优化各机组出力是指在风-核-蓄-火联合优化调度过程中,在满足负荷需求的 情况下需要优先考虑风电出力,再安排火电机组与储氢出力。由于风电的不确定性,储氢在 风电大发时,将电网不能接纳的风电用抽水的形式储存起来,在负荷高峰时段发电,缓解高 峰负荷时段的调峰压力;在优先给定风电与火电机组出力后,用储氢的方式减轻火电的调度 中的变动,其中核电机组不参与常规调峰任务,当负荷低谷时的下调峰容量不足,通过给定 的判定方法(公式5至6中间的文字描述),核电参与短时的深度调峰。
步骤一中对风功率进行预测的实现方法:(1)通过威布尔分布确定风速规律,得到风速 的威布尔分布:
式中,c和k分别表示Weibull分布的形状参数和尺度参数,v为风速值;
当风速值大于风电机组的切入风速vci时,风力机开始运行;当风速值维持额定风速vr时, 风电机组出力保持不变;如果风速值大于等于切出风速vco时,风力机停止运行;服从风速 Weibull分布的风电输出有功功率P由下式可知:
其中,
式中,Pr为风速值维持额定风速时的功率;
步骤二中:当电网处于低谷时期,下调峰容量不足时,通过短时减少核电机组出力,为 风电接纳提供空间,实现核电的等效调峰;等效调峰深度模型:
其中:T为系统尖峰的电力盈余容量;D为系统低谷的下调峰盈余容量;PLMax和PLMin分别 为计划日最高和最低发电负荷;PGMax和PGMin分别为计划日全系统开机运行的所有火电机 组在负荷高峰和低谷时段的可调最大和最小出力;PNMax为计划日所有核电机组的额定出力; PR和PR'分别为系统正、负旋转备用容量;
若同时满足D≥0和T≥0,则系统满足调峰平衡,核电不必参与调峰;若T<0,即 在负荷低谷时的下调峰容量不足,需要核电参与调峰,判据即为:
PLMin<PGMin+PNMax+PR'(6)。(如果判定参与调峰那么根据公式 7中调整核电的出力)
采用蚁群算法对上述等效调峰深度模型进行分析确定,实现核电的等效调峰,具体步骤 为:
列出优化目标函数:
其中:i为机组编号,t为时刻,fi为火电机组i的发电(经济)成本,为全部火电机组在调度周期T内的发电(经济)成本,m0为火电机组总数;PNiMax为核电机 组i的额定出力,核电机组i的实际出力,为调度周期T内核电参与 调峰额外增加的(经济)成本,m1为核电机组总数;为火电机组i的深度调峰功率, 为调度周期T内火电机组深度调峰时额外增加的(经济)成本;P′GiMin为火电 机组最小出力的调峰容量,为火电启停调峰(经济)成本,m2为调度周期T 内启停的火电机组数量,启停调峰效果将作用于启停后的整个调度周期;为储氢装置i 的容量,为调度周期T内制氢产生的(经济)成本;CN、CG、CTOf、CHy分别为各类调峰手段单位容量调峰成本。
式(7)需要同时满足下述的系统功率平衡约束、系统备用约束、消纳核电调峰量能力 约束、火电机组容量约束、旋转备用约束、常规机组最小启停时间约束和机组爬坡率约束, 各约束条件中,t均为调度周期内任意时间段,由于优化目标为1天内总运行成本,则t的 范围为1-24h;
约束方程
(1)系统功率平衡方程:
(2)系统备用约束:
式中:PGiMax为火电机组i在电网高峰时段的最大出力,火电机组i在实际出力,为电网在高峰时段的总体备用,P′GiMin火电机组i电网低谷时段的最小出力,为电网在低谷时段的总体备用,Prt、P′rt分别为系统在t时刻的正、负备用 需求,均由火电机组承担备用;
(3)消纳核电调峰量能力约束:
P′N≤PN.max-PN0 (10)
式中,PN0为预调度模型中的核电出力;
(4)火电机组容量约束:
(5)旋转备用约束:
式中:N为总机组数,Pi t为第i台发电机的实际输出功率,Pi max为t时段第i台发电机的最 大可能输出功率,其值由发电机的出力极限能及机组的爬坡速率决定;Rt为系统t时段所需 的旋转备用容量,按系统总负荷的7%来考虑;
(6)常规机组最小启停时间约束:
(7)机组爬坡率约束:
式中,P′i.t为机组i在t时刻的输出功率,P′i.t-1为机组i在t-1时刻的输出功率,Lup.i、Ldown.i分别为机组i单位时间内允许的升出力上限和降出力上限;
采用的蚁群的算法如下:
引进状态和决策两个概念
状态:当前时刻采取的调峰手段的组合构成一个状态;
决策:从某时段的调峰手段组合到下一个时段调峰手段的确定,即从一个状态到下一个 状态形成一个决策;
并对于获得最优解的闭合路径概念如下:
路径:调度周期内所有时段的调峰手段集合;每个时段任取调峰手段,这样整个调度周 期内的各类电源的调峰出力,即所有决策的集合构成一条路径;
目标函数为:
J=min∑(tc(si,si+1)+tc(si,si-1))0≤i≤24 (18)
其中:tc(si,si+1)和tc(si,si-1)分别表示从状态i到状态(i+1)和从状态i到状态(i-1) 的决策成本;i状态选择为1天中的负荷最大点,该点的调峰成本为0,对应TSP问题中距 离为0,即还未出发;不同的是在联合调峰优化问题中,下一次采用怎样的调峰手段组合受 到前一次所采用的调峰手段约束,在tabu表中记录的是所采取的不同调峰手段的已调节容 量及其调峰成本,用以限制下次调峰的调节手段及容量的组合,在一次循环过后,tabu表中 最小的调峰成本即对应TSP(旅行商问题,Traveling Salesman Problem)问题的最短路径, 在下次循环开始之前,更新路径信息,清零tabu表;通过转化后的目标函数即可用蚁群算 法进行求解。
将核电调峰出力安排在蚁群算法循环之外,通过改变核电调峰深度来改变优化结果;
等式约束
功率平衡约束,通过计算相邻时间点的负荷差,来约束调峰手段组合,相邻时间的负荷 变化量(指前面提到的相邻时间点的负荷差)即为所选调峰手段调节容量之和,从而满足功 率平衡约束。
不等式约束:
不等式约束包括各类电源的出力上下限约束、火电机组的爬坡约束、旋转备用和最小开 停机时间,各类约束最终目的均是对机组出力的约束:
通过tabu表中已经记录的各类调峰手段的已调节容量和各类不等式约束共同控制下个 时间点所能够采用的调峰手段组合,比如在机组出力越限时则取其最大或者最小值,爬坡速 率不满足时则取机组最大爬坡速率:
提高风电接纳能力的电网多元优化调度方法的计算步骤:
①输入电网负荷数据,找到最大负荷对应的时间点,确定该时间点的状态(即各类机组 的出力情况),从该点开始向两侧迭代;
②输入核电出力模型,调峰深度设置可调,设置调节幅度与步长;
③判断初始状态s,初始状态即为负荷最大点对应的时间点;
④ACA初始化:D=1;τij=0;Δτij=0;cost(k)=0;
⑤两侧迭代:
向前迭代——t=t-1,判断t是否为最终时段0,若是转到⑧,否者转到⑥;
向后迭代——t=t+1,判断t是否为最终时段24,若是转到⑧,否者转到⑥;
⑥形成当前时刻的tabu表,并计算此刻调峰费用作为ACA中的路径长度;
按照蚂蚁转移概率选择下一个状态j,即下一个时段的调峰手段组合,计算从i状态到j状态各类机组的负荷调节量及其对应的调峰成本;
⑦不断累加蚂蚁的路径长度,即调峰成本,转到⑤;
⑧记录⑦的最短路径,通过算法全局更新规则来更新路径信息;
⑨令:D=D+1;Δτij=0;cost(k)=0清空表;
⑩如果D<DMax,并且未出现停滞现象,则令t回到最大负荷对应时间点,转到⑤,开始下一次迭代,否则停止迭代,输出最优解;其中:cost(k)为蚂蚁k当前走过的路径 长度,即当前总调峰成本;D为迭代次数,DMax为最大迭代次数。
步骤三使用核—火—风—储的联合调度模型,合理的确定核电、火电的出力预测,用储 能的能量转移实现核电的等效调峰,达到增加清洁能源利用率的目的。
下面对本发明做进一步的详细说明:
1风电不确定性出力建模
在风-蓄-火联合优化调度过程中,需要优先配置好风电,再与火电机组配置,满足负荷 需求。由于风电的不确定性,储氢在风电大发时,将电网不能接纳的风电用抽水的形式储存 起来;在负荷高峰时段发电,缓解高峰负荷时段的调峰压力。在优先配置好风电与火电的配 置后,用储氢的方式减轻火电的调度中的变动。
由于风速随机性特点,使得风电出力具有不确定性。专利中假定风速服从Weibull分布, 其概率密度函数如下:
式中,c和k分别表示Weibull分布的形状参数和尺度参数,v为风速值。
当风速值大于风电机组的切入风速vci时,风力机开始运行;当风速值维持额定风速vr时, 风电机组出力保持不变;如果风速值大于等于切出风速vco时,风力机停止运行。服从风速 Weibull分布的风电输出有功功率P由下式可知:
其中,
2核电调峰的判定
仅考虑储氢、火、核电接入电力系统,且不考虑火电启停调峰,则电网电力平衡及调峰 平衡式为:
其中:T为系统尖峰的电力盈余容量;D为系统低谷的下调峰盈余容量;PLMax和PLMin分别 为计划日最高和最低发电负荷;PGMax和PGMin分别为计划日全系统开机运行的所有火电机 组在负荷高峰和低谷时段的可调最大和最小出力;PNMax为计划日所有核电机组的额定出力; PR和PR'分别为系统正、负旋转备用容量。
若同时满足D≥0和T≥0,则系统满足调峰平衡,核电不必参与调峰。若T<0,即 在负荷低谷时的下调峰容量不足,需要核电参与调峰,判据即为:
PLMin<PGMin+PNMax+PR' (6)
3联合调峰优化建模
专利中对储氢、火、核电联合调峰优化的目的是在保证系统安全稳定运行的前提下,使 系统在优化调度周期内总发电成本最低。
对于该优化问题,列出如下目标函数:
其中:为全部火电机组在调度周期T内的发电成本,m0为火电机组总数; 为调度周期T内核电参与调峰额外增加的成本,m1为核电机组总数;为调度周期T内火电机组深度调峰时额外增加的成本;为火电 启停调峰成本,m2为调度周期T内启停的火电机组数量,启停调峰效果将作用于启停后的 整个调度周期;为调度周期T内制氢产生的费用;CN、CG、CTOf、CHy分 别为各类调峰手段单位容量调峰成本。式(7)服从下文的系统约束、独立水系约束、火电 机组出力约束与核电调峰出力约束,各约束条件中,t均为调度周期内任意时间段,由于优 化目标为1天内总运行成本,则t的范围为1-24h。
约束方程
(1)系统功率平衡方程:
(2)系统备用约束:
式中:Prt、P′rt分别为系统在t时刻的正、负备用需求,均由火电机组承担备用。
(3)消纳核电调峰量能力约束:
P′N≤PN.max-PN0 (10)
式中,PN0为预调度模型中的核电出为。
(4)火电机组容量约束:
式中:PGi min,PGi max为常规机组i的出力上下限。
(5)旋转备用约束:
式中:Pi max为t时段第i台发电机的最大可能输出功率,其值由发电机的出力极限能及机组 的爬坡速率决定;Rt为系统t时段所需的旋转备用容量,按系统总负荷的7%来考虑。
(6)常规机组最小启停时间约束:
(7)机组有功出力上下限约束:
计算中,火电机组和核电机组的参数ki,cv均为0。
(8)机组爬坡率约束:
式中,Lup.i、Ldown.i分别为机组i单位时间内允许的升出力上限和降出力上限。
4蚁群算法优化机组联合调峰
多电源联合调峰优化问题需要对模型进行一定改进,引进状态和决策两个概念。状态: 当前时刻采取的调峰手段的组合构成一个状态。决策:从某时段的调峰手段组合到下一个时 段调峰手段的确定,即从一个状态到下一个状态形成一个决策。
由于在蚁群优化算法中,闭合路径就是问题的可行解,因此路径的概念如下:路径:调 度周期内所有时段的调峰手段集合。每个时段任取调峰手段,这样整个调度周期内的各类电 源的调峰出力,即所有决策的集合构成一条路径。
根据上述各概念及相关定义,多电源联合调峰优化问题可以转化成一个多阶段动态搜索 问题。经过调峰选择优化的目标是寻找所有时刻的决策中路径的最小值,相当于问题中寻找 的最优路径。由于受到各类约束限制,各时段的状态数量并不相同。
(1)优化目标的蚁群算法模式
蚁群算法求解TSP问题时,蚂蚁走过的路径即是优化的结果,对于多电源联合调峰的 问题亦是如此,可以通过状态和决策的概念把多电源联合调峰问题用TSP问题的模式去求 解。各时间段调峰手段的组合即对应于TSP问题中的各个城市,调峰成本即是路径的长度, 最低的调峰成本即为优化的目标,则多电源联合调峰问题的目标函数可以转化为:
J=min∑(tc(si,si+1)+tc(si,si-1))0≤i≤24 (18)
其中:tc(si,si+1)和tc(si,si-1)分别表示从状态i到状态(i+1)和从状态到状态(i-1)的决 策费用,对TSP应于问题中的转移距离;i状态选择为1天中的负荷最大点,该点的调峰费 用为0,对应TSP问题中距离为,即还未出发;不同的是在联合调峰优化问题中,下一次采 用怎样的调峰手段组合受到前一次所采用的调峰手段约束,因此在tabu表中记录的是所采 取的不同调峰手段的已调节容量及其调峰费用,用以限制下次调峰的调节手段及容量的组合, 在一次循环过后,tabu表中最小的调峰费用即对应TSP问题的最短路径,在下次循环开始 之前,更新路径信息,清零tabu表。通过转化后的目标函数即可用蚁群算法进行求解。
(2)约束条件的转化
由于核电机组的特殊性,有固定的出力曲线,且仅能改变其调峰深度,固将核电调峰出 力安排在蚁群算法循环之外,通过改变核电调峰深度来改变优化结果。
1.等式约束
功率平衡约束,通过计算相邻时间点的负荷差,来约束调峰手段组合,相邻时间的负荷 变化量即为所选调峰手段调节容量之和,从而满足功率平衡约束。水量平衡约束可以转化为 对其他出力的出力限制。
2.不等式约束
不等式约束包括各类电源的出力上下限约束,火电机组的爬坡约束、旋转备用、最小开 停机时间等,各类约束最终目的均是对机组出力的约束。
通过tabu表中已经记录的各类调峰手段的已调节容量和各类不等式约束共同控制下个 时间点所能够采用的调峰手段组合,比如在机组出力越限时则取其最大或者最小值,爬坡速 率不满足时则取机组最大爬坡速率。
(4)计算步骤
①输入电网负荷数据,找到最大负荷对应的时间点,确定该时间点的状态(即各类机组 的出力情况),从该点开始向两侧迭代。
②输入核电出力模型,调峰深度设置可调,设置调节幅度与步长。
③判断初始状态s,初始状态即为负荷最大点对应的时间点。
④ACA初始化:D=1;τij=0;Δτij=0;cost(k)=0。
⑤两侧迭代:
向前迭代——t=t-1,判断t是否为最终时段0,若是转到⑧,否者转到⑥。
向后迭代——t=t+1,判断t是否为最终时段24,若是转到⑧,否者转到⑥。
⑥形成当前时刻的tabu表,并计算此刻调峰费用作为ACA中的路径长度。
按照蚂蚁转移概率选择下一个状态j,即下一个时段的调峰手段组合,计算从i状态到j状态各类机组的负荷调节量及其对应的调峰费用。
⑦不断累加蚂蚁的路径长度,即调峰费用,转到⑤。
⑧记录⑦的最短路径,通过算法全局更新规则来更新路径信息。
⑨令:D=D+1;Δτij=0;cost(k)=0清空表。
⑩如果D<DMax,并且未出现停滞现象,则令t回到最大负荷对应时间点,转到⑤,开始下一次迭代,否则停止迭代,输出最优解。其中:cost(k)为蚂蚁k当前走过的路径 长度,即当前总调峰费用;D为迭代次数,DMax为最大迭代次数。
Claims (10)
1.一种提高风电接纳能力的电网优化调度方法,其特征在于:
步骤一、通过风电出力模型对风功率进行预测,同时对系统的旋转备用进行调整;
步骤二、优化各机组出力,实现火电作基荷情况下的,核电、储氢作为辅助的联合优化调度方法,实现核电的等效调峰,实现风-核-蓄-火联合优化调度过程。
2.根据权利要求1所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:步骤一中:通过建立基于误差增长的风电不确定出力计算方法,对误差增长的相关概念进行分析,建立风电出力模型,将风电预测误差计入风电出力模型,结合风电出力特点,把风电出力看做不确定的量,对风电的输出进行预测。
3.根据权利要求1所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:第二步中所述的优化各机组出力是指在风-核-蓄-火联合优化调度过程中,在满足负荷需求的情况下需要优先考虑风电出力,再安排火电机组与储氢出力。由于风电的不确定性,储氢在风电大发时,将电网不能接纳的风电用抽水的形式储存起来,在负荷高峰时段发电,缓解高峰负荷时段的调峰压力;在优先给定风电与火电机组出力后,用储氢的方式减轻火电的调度中的变动,其中核电机组不参与常规调峰任务,当负荷低谷时的下调峰容量不足,通过给定的判定方法,核电参与短时的深度调峰。
6.根据权利要求1所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:步骤二中:当电网处于低谷时期,下调峰容量不足时,通过短时减少核电机组出力,为风电接纳提供空间,实现核电的等效调峰;等效调峰深度模型:
其中:T为系统尖峰的电力盈余容量;D为系统低谷的下调峰盈余容量;PLMax和PLMin分别为计划日最高和最低发电负荷;PGMax和PGMin分别为计划日全系统开机运行的所有火电机组在负荷高峰和低谷时段的可调最大和最小出力;PNMax为计划日所有核电机组的额定出力;PR和PR'分别为系统正、负旋转备用容量;
若同时满足D≥0和T≥0,则系统满足调峰平衡,核电不必参与调峰;若T<0,即在负荷低谷时的下调峰容量不足,需要核电参与调峰,判据即为:
PLMin<PGMin+PNMax+PR' (7) 。
7.根据权利要求1所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:采用蚁群算法对上述等效调峰深度模型进行分析确定,实现核电的等效调峰,具体步骤为:
列出优化目标函数:
8.根据权利要求7所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:式(7)需要同时满足下述的系统功率平衡约束、系统备用约束、消纳核电调峰量能力约束、火电机组容量约束、旋转备用约束、常规机组最小启停时间约束和机组爬坡率约束,各约束条件中,t均为调度周期内任意时间段,由于优化目标为1天内总运行成本,则t的范围为1-24h;
约束方程
(1)系统功率平衡方程:
(2)系统备用约束:
式中:PGiMax为火电机组i在电网高峰时段的最大出力,火电机组i在实际出力,为电网在高峰时段的总体备用,P′GiMin火电机组i电网低谷时段的最小出力,为电网在低谷时段的总体备用,Prt、P′rt分别为系统在t时刻的正、负备用需求,均由火电机组承担备用;
(3)消纳核电调峰量能力约束:
P′N≤PN.max-PN0 (11)
式中,PN0为预调度模型中的核电出力;
(4)火电机组容量约束:
(5)旋转备用约束:
式中:N为总机组数,Pi t为第i台发电机的实际输出功率,Pimax为t时段第i台发电机的最大可能输出功率,其值由发电机的出力极限能及机组的爬坡速率决定;Rt为系统t时段所需的旋转备用容量,按系统总负荷的7%来考虑;
(6)常规机组最小启停时间约束:
(7)机组爬坡率约束:
式中,P′i.t为机组i在t时刻的输出功率,P′i.t-1为机组i在t-1时刻的输出功率,Lup.i、Ldown.i分别为机组i单位时间内允许的升出力上限和降出力上限。
9.根据权利要求8所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:采用的蚁群的算法如下:
引进状态和决策两个概念
状态:当前时刻采取的调峰手段的组合构成一个状态;
决策:从某时段的调峰手段组合到下一个时段调峰手段的确定,即从一个状态到下一个状态形成一个决策;
并对于获得最优解的闭合路径概念如下:
路径:调度周期内所有时段的调峰手段集合;每个时段任取调峰手段,这样整个调度周期内的各类电源的调峰出力,即所有决策的集合构成一条路径;
目标函数为:
J=min∑(tc(si,si+1)+tc(si,si-1))0≤i≤24 (18)
其中:tc(si,si+1)和tc(si,si-1)分别表示从状态i到状态(i+1)和从状态i到状态(i-1)的决策成本;i状态选择为1天中的负荷最大点,该点的调峰成本为0,对应TSP问题中距离为0,即还未出发;不同的是在联合调峰优化问题中,下一次采用怎样的调峰手段组合受到前一次所采用的调峰手段约束,在tabu表中记录的是所采取的不同调峰手段的已调节容量及其调峰成本,用以限制下次调峰的调节手段及容量的组合,在一次循环过后,tabu表中最小的调峰成本即对应TSP问题的最短路径,在下次循环开始之前,更新路径信息,清零tabu表;通过转化后的目标函数即可用蚁群算法进行求解。
10.根据权利要求9所述的一种提高风电接纳能力的电网多元优化调度方法,其特征在于:
提高风电接纳能力的电网多元优化调度方法的计算步骤:
①输入电网负荷数据,找到最大负荷对应的时间点,确定该时间点的状态,从该点开始向两侧迭代;
②输入核电出力模型,调峰深度设置可调,设置调节幅度与步长;
③判断初始状态s,初始状态即为负荷最大点对应的时间点;
④ACA初始化:D=1;τij=0;Δτij=0;cost(k)=0;
⑤两侧迭代:
向前迭代——t=t-1,判断t是否为最终时段0,若是转到⑧,否者转到⑥;
向后迭代——t=t+1,判断t是否为最终时段24,若是转到⑧,否者转到⑥;
⑥形成当前时刻的tabu表,并计算此刻调峰费用作为ACA中的路径长度;
按照蚂蚁转移概率选择下一个状态j,即下一个时段的调峰手段组合,计算从i状态到j状态各类机组的负荷调节量及其对应的调峰成本;
⑦不断累加蚂蚁的路径长度,即调峰成本,转到⑤;
⑧记录⑦的最短路径,通过算法全局更新规则来更新路径信息;
⑨令:D=D+1;Δτij=0;cost(k)=0清空表;
⑩如果D<DMax,并且未出现停滞现象,则令t回到最大负荷对应时间点,转到⑤,开始下一次迭代,否则停止迭代,输出最优解;其中:cost(k)为蚂蚁k当前走过的路径长度,即当前总调峰成本;D为迭代次数,DMax为最大迭代次数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266118 | 2019-12-11 | ||
CN2019112661188 | 2019-12-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111934366A true CN111934366A (zh) | 2020-11-13 |
Family
ID=73307270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010798625.2A Pending CN111934366A (zh) | 2019-12-11 | 2020-08-11 | 一种提高风电接纳能力的电网多元优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111934366A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112467727A (zh) * | 2020-11-17 | 2021-03-09 | 清华四川能源互联网研究院 | 控制方法、装置、电子设备及可读存储介质 |
CN112821464A (zh) * | 2021-01-07 | 2021-05-18 | 国网辽宁省电力有限公司 | 经同一并网点的可再生能源与火力发电耦合系统调度模型 |
CN112886645A (zh) * | 2021-01-26 | 2021-06-01 | 国网辽宁省电力有限公司 | 一种基于氢能超高比例的新能源电力系统运行模拟方法 |
CN113240547A (zh) * | 2021-05-21 | 2021-08-10 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN113659637A (zh) * | 2021-09-06 | 2021-11-16 | 华北电力大学 | 一种基于风电不确定性预测的火电机组调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104485690A (zh) * | 2014-12-18 | 2015-04-01 | 国家电网公司 | 一种基于多阶段动态规划的电网多源调峰方法 |
CN107679679A (zh) * | 2017-11-20 | 2018-02-09 | 国网辽宁省电力有限公司电力科学研究院 | 联合发电机组调度运行方法 |
CN108063451A (zh) * | 2017-11-17 | 2018-05-22 | 国网辽宁省电力有限公司 | 一种提高风电接纳能力的电网多元优化调度方法 |
-
2020
- 2020-08-11 CN CN202010798625.2A patent/CN111934366A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104485690A (zh) * | 2014-12-18 | 2015-04-01 | 国家电网公司 | 一种基于多阶段动态规划的电网多源调峰方法 |
CN108063451A (zh) * | 2017-11-17 | 2018-05-22 | 国网辽宁省电力有限公司 | 一种提高风电接纳能力的电网多元优化调度方法 |
CN107679679A (zh) * | 2017-11-20 | 2018-02-09 | 国网辽宁省电力有限公司电力科学研究院 | 联合发电机组调度运行方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112467727A (zh) * | 2020-11-17 | 2021-03-09 | 清华四川能源互联网研究院 | 控制方法、装置、电子设备及可读存储介质 |
CN112467727B (zh) * | 2020-11-17 | 2022-02-01 | 清华四川能源互联网研究院 | 电力调频控制方法、装置、电子设备及可读存储介质 |
CN112821464A (zh) * | 2021-01-07 | 2021-05-18 | 国网辽宁省电力有限公司 | 经同一并网点的可再生能源与火力发电耦合系统调度模型 |
CN112886645A (zh) * | 2021-01-26 | 2021-06-01 | 国网辽宁省电力有限公司 | 一种基于氢能超高比例的新能源电力系统运行模拟方法 |
CN112886645B (zh) * | 2021-01-26 | 2023-07-14 | 国网辽宁省电力有限公司 | 一种基于氢能超高比例的新能源电力系统运行模拟方法 |
CN113240547A (zh) * | 2021-05-21 | 2021-08-10 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN113240547B (zh) * | 2021-05-21 | 2022-04-12 | 河北工业大学 | 风电消纳下制氢机组阵列的调度方法 |
CN113659637A (zh) * | 2021-09-06 | 2021-11-16 | 华北电力大学 | 一种基于风电不确定性预测的火电机组调度方法 |
CN113659637B (zh) * | 2021-09-06 | 2024-08-23 | 华北电力大学 | 一种基于风电不确定性预测的火电机组调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111934366A (zh) | 一种提高风电接纳能力的电网多元优化调度方法 | |
CN108063451B (zh) | 一种提高风电接纳能力的电网多元优化调度方法 | |
CN105048516B (zh) | 一种风光水火多源互补优化调度方法 | |
CN112467807B (zh) | 一种多能源电力系统日前优化调度方法及系统 | |
CN111064229B (zh) | 基于q学习的风-光-气-蓄联合动态经济调度优化方法 | |
CN109103929B (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN107276122B (zh) | 适应大规模可再生能源并网的调峰资源调用决策方法 | |
CN111769600A (zh) | 一种基于灵活性裕度的电力系统源荷储协调滚动调度方法 | |
CN107994609B (zh) | 考虑压缩空气储能的风电并网备用整定方法及装置 | |
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 | |
CN111030094B (zh) | 一种多能互补园区供能可靠性评估方法 | |
CN113408962A (zh) | 一种电网多时间尺度多目标能量优化调度方法 | |
Mladenov et al. | Characterisation and evaluation of flexibility of electrical power system | |
CN110535132A (zh) | 一种基于鲁棒优化的电力系统建设规划方法 | |
CN106779250B (zh) | 一种基于新型优化模型的孤立分布式电网配置方法 | |
CN114336599A (zh) | 一种独立型微电网动态优化调度方法 | |
CN105244870A (zh) | 一种快速计算电网风电场弃风率及机组发电量的方法 | |
CN106712060B (zh) | 一种基于多代理的百兆瓦级电池储能系统控制方法及系统 | |
CN105514986A (zh) | 一种基于虚拟电厂技术的der用户竞价并网方法 | |
CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN113991640A (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
CN110336308B (zh) | 一种基于机会约束的主动配电网经济调度方法 | |
CN115907402B (zh) | 一种梯级水电站联合保证出力的推求方法及系统 | |
CN110120682B (zh) | 一种最小失弃风量的塔筒电梯供电优化调度方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 |
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 |