CN112202207A - 基于新能源出力随机特性的电网深度调峰运行优化方法 - Google Patents

Abstract

本发明提供了一种基于新能源出力随机特性的电网深度调峰运行优化方法，基于电网深度调峰运行和新能源出力随机特性，构建新能源装置参与电网深度调峰优化经济调度模型；基于构建的电网深度调峰优化调度模型，获取电网深度调峰优化调度策略，进行优化调度策略的求解；获取优化调度策略的计算值进行仿真系统代入，计算优化调度策略的有效值。本发明通过构建电网深度调峰优化调度模型，获取电网深度调峰优化调度策略，通过将区域的实际电网运行数据代入电网深度调峰优化调度策略进行仿真计算，获取优化调度策略的最优值，能够有效降低运行费用，且可根据实际计算结果对应调整电力系统的调峰装置的整体平均负荷率，有效保障电网的安稳运行。

Description

基于新能源出力随机特性的电网深度调峰运行优化方法

技术领域

本发明涉及电网深度调峰技术领域，更具体地，涉及一种基于新能源出力随机特性的电网深度调峰运行优化方法。

背景技术

在保持传统的火力发电情况下，我国正在大力推进着风电、光伏等一系列的系能源发电。但是，由于系能源发电由于受到时间、地点等物理因素的限制，存在着较大的随机特性和间歇性，如果存在大规模的新能源发电，加大负荷的峰谷差，尤其是夜间负荷低谷时段的风电大发、腰荷时段的光伏大发，都给电网系统的火电机组调峰运行增加了调峰压力。

在我国推广清洁能源消纳趋势下，仅依靠火电机组的常规调峰已不能满足风电、光伏现有的装机容量的出力波动变化，特别是某些地区新能源出力全消纳政策下，火电机组由于调峰能力不足常常只能减小新能源的发电量导致资源浪费。调峰资源的不充足不仅遏制了清洁能源的消纳容量，而且对电网运行的经济性和调峰灵活性也带来了不利的影响。

为了解决上述情况，火电机组需要进行深度调峰改造以适应电网的灵活性调度出力安排，传统的经济调度策略对现状电网不再适用，因而在火电机组参与深度调峰的电网中，需要从多个目标优化火电机组的机组组合出力策略，从而得到考虑新能源出力随机特性的电网机组深度调峰优化策略。

发明内容

为解决上述现有技术的中的不足，本发明的目的在于提供一种基于新能源出力随机特性的电网深度调峰运行优化方法，通过将区域的实际电网运行数据代入电网深度调峰优化调度策略进行仿真计算，获取优化调度策略的最优值，能够有效降低运行费用，且可根据实际计算结果对应调整电力系统的调峰机组的整体平均负荷率，有效保障电网的安稳运行。

本发明公开了一种基于新能源出力随机特性的电网深度调峰运行优化方法，包括：

基于电网深度调峰运行和新能源出力随机特性，构建新能源装置参与电网深度调峰优化经济调度模型；

基于构建的电网深度调峰优化调度模型，获取电网深度调峰优化调度策略，进行优化调度策略的求解；

获取优化调度策略的计算值进行仿真系统代入，计算优化调度策略的有效值。

作为上述方案的进一步优化，在构建电网深度调峰优化经济调度模型前，基于非参数估计理论进行新能源出力的随机特性处理，基于非新能源装置的深度调峰进行新能源装置的预算建模。

作为上述方案的进一步优化，所述新能源出力的随机特性包括设置不同置信度的新能源出力预测区间。

作为上述方案的进一步优化，所述预算包括新能源装置进行深度调峰运行的固定成本和深度调峰电量的收益补偿。

作为上述方案的进一步优化，所述在时段t下的火电机组调峰能力指标E_t表示如下：

P_en，t＝min(P_i，max-P_i，t，P_up，i) (3)

P_ed，t＝μP_by，t+|(L_dx，t+1-P_vw，t+1)-(L_dx，t-P_vw，t)| (4)

其中，P_en，t表示t时段对应的调峰能力，P_ed，t表示t时段对应的调峰需求，T_m表示调峰压力最大时段，E表示调峰压力最大时段调峰能力指标的最小值；

P_i，t为火电机组i在时段t的出力，P_i，max表示火电机组i的最大技术出力，μ为旋转备用容量的百分比系数，P_by，t为在时段t时的旋转备用容量，L_dx，t，P_vw，t为在时段t的负荷和光伏出力，L_dx，t+1，P_vw，t+1为在时段t+1的负荷和光伏出力。若调峰时段负荷上升，新能源光伏参与调峰，E_t充足，则火电机组为正调峰。作为上述方案的进一步优化，所述电网深度调峰优化调度模型的目标函数的约束条件为新能源装置的调峰能力指标E_t。

作为上述方案的进一步优化，通过采用强化学习的Q学习算法进行优化经济调度策略求解，采用Q学习算法进行电网调峰任务的分配，获取优化调峰过程的非新能源装置的运行费用最小，具体步骤包括如下：

(1)初始化Q学习算法的Q值表，学习样本轨道总数M，单条样本轨道决策周期 K，初始学习率α，折扣因子γ，初始贪心概率ε₀，最终贪心概率ε_e，衰减数T，且设置样本轨道m＝0；

(2)k＝0，随机初始化状态数据，确定状态s_k；

(3)根据Q值和贪婪策略greedypolicy，以ε贪心策略选择行动a_k：当前状态s_k下对应Q值最优的非新能源装置调峰出力的贪婪行动

同时随机选择行动a^rand，即随机产生的可行方案；

若ε＞random(0，1)，则系统行动为a_k＝a^greedy；

若ε≤random(0，1)，则系统行动为a_k＝a^rand；

根据公式更新贪心概率：

(4)执行当前电力系统所选的行动a_k，根据所建系统模型观察下一决策周期内系统状态s_k+1，并计算在决策周期k内通过执行行动a_k状态转移过程中产生的系统代价r_k，根据公式更新Q值，同时更新策略：

Q(s_k，a_k)＝Q(s_k，a_k)+α(r_k-(Q(s_k，a_k)))+γminQ(s_k+1，a_k+1) (6)

(5)令k＝k+1；若k＜K，返回(3)，否则跳转至(6)；

(6)令m＝m+1；若m＜M，返回(2)，否则结束循环。

本发明采用上述的技术方案，与现有技术相比，本发明的基于新能源出力随机特性的电网深度调峰运行优化方法，具有以下技术效果：

1.本发明示例的基于新能源出力随机特性的电网深度调峰运行优化方法，通过构建电网深度调峰优化调度模型，并对应获取电网深度调峰优化调度策略，通过将区域的实际电网运行数据代入电网深度调峰优化调度策略进行仿真计算，获取优化调度策略的最优值。

2.本发明通过计算不同置信区间的新能源出力的波动上下限，并具体得进行新能源出力的点预测、置信度获取和计算概率密度函数，可有效进行新能源出力的随机特性处理，且为了进一步增强数据的准确性，本发明还对概率密度函数进行积分运算，保障了对新能源出力的随机特性处理的科学严谨。

3.本发明通过将新能源出力与非新能源出力进行深度调峰相关性分析，能够有效降低运行费用，且可根据实际计算结果对应调整电力系统的调峰装置的整体平均负荷率，有效保障电网的安稳运行。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本发明基于新能源出力随机特性的电网深度调峰运行优化方法的流程示意图；

图2为本发明基于新能源出力随机特性的电网深度调峰运行优化方法的另一幅流程示意图；

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参见图1-2，本发明公开了一种基于新能源出力随机特性的电网深度调峰运行优化方法，包括：

Step1，基于非参数估计理论进行新能源出力的随机特性处理，其中新能源出力的随机特性包括设置不同置信度的新能源出力预测区间；

具体的，本发明在进行新能源装置的预算建模过程中，计算不同置信区间的新能源出力的波动上下限：

(11)对新能源出力进行点预测；

(12)获取不同的置信度；

(13)根据新能源出力的预测误差值，计算对应的概率密度函数；

更具体的，本发明的新能源出力预测误差ΔP_W可由下式表示：

ΔP_W＝P_W，real-P_W，pre (7)

其中，P_W，real表示新能源实际出力值，P_W，pre表示新能源预测出力值，ΔP_W表示某时刻新能源实际出力值与预测出力值的误差；

新能源出力的预测值基于出力水平进行分类，即新能源出力包括多个不同的区间，且针对所有区间继续预测误差的统计分析，新能源出力预测值的区间s可表示为：

其中，P_W，max表示新能源出力最大值，P_W，min表示新能源出力最小值，ω表示区间长度；

任意的区间S_i可由下式表示：

S_i＝[P_W,min+(i-1)ΔP,P_W,max+iΔP],i＝1,2,…,s (9)

在此特别说明的是，针对样本数目较少的区间，如起始区间和终止区间，进行相邻区间合并，确保合并后的新区间的样本数目符合最低标准数量；

基于任意已分好的区间S_i，可将新能源出力预测误差的概率密度函数表示为：

其中，ΔP_W表示样本中新能源实际出力值与预测出力值的误差，f(ΔP_W)表示概率密度函数，核函数选用高斯核函数，N为常数，w表示带宽，X_i表示样本中新能源实际出力值与预测出力值的误差基数；

更具体的，针对新能源出力的预测误差概率密度函数进行积分运算，获取累积概率分布函数F(ζ)，ζ表示光伏出力预测误差的随机变量；

即新能源出力预测值P_W，pre在置信概率1-a下的置信区间可由下式表示：

其中，a₁＝a/2，a₂＝1-a/2，

表示累积概率分布函数F(ζ)的反函数。

本发明通过计算不同置信区间的新能源出力的波动上下限，并具体得进行新能源出力的点预测、置信度获取和计算概率密度函数，可有效进行新能源出力的随机特性处理，且为了进一步增强数据的准确性，本发明还对概率密度函数进行积分运算，保障了对新能源出力的随机特性处理的科学严谨。

Step2，基于非新能源装置的深度调峰进行电力系统的预算建模；

具体的，本发明通过对非新能源装置的深度调峰过程进行火电机组的预算建模分析，预算包括火电机组进行深度调峰运行的固定成本和深度调峰电量的调峰补偿费用。其中，调峰补偿费用为在调峰辅助服务市场条件下，火电机组根据其负荷率确定各自档位报价与当日该机组在该负荷率下深度调峰发出电量的乘积总和。

更具体的，设置本发明的含新能源装置的开机运行状态下的固定成本函数为：

其中，T表示计算的时间长度，I_i，t表示调峰机组的启停状态；

且，I_i，t＝1表示调峰机组运行，I_i，t＝0表示调峰机组停机。

A(P_i，t)表示调峰机组煤耗成本，B(P_i，t)表示调峰机组寿命成本，C(P_i，t)表示调峰机组投油成本，D(P_i，t)表示调峰机组附加环境成本，P_a表示调峰机组深度调峰非投油阶段最小稳燃出力，P_U表示调峰机组容量，P_b表示调峰机组深度调峰投油阶段最大稳燃出力，P_min表示调峰机组最小技术出力。

本发明还设置调峰机组的其他费用为C_qt，则：

C_qt＝k_i+u_i[1-exp(-T_off，i，t/τ_i)] (12)

其中，k_i和u_i表示第i台机组开机时的煤耗常数，T_off，i，t表示第i台机组在时段t己经停运的时间，τ_i表示机组的冷却时间常数；

本发明设置调峰机组的启动方式为冷启动方式(停机时间超出阈值)和热启动方式(停机时间在阈值时间内)，新能源装置的冷/热启停成本C′_qt表示如下：

其中，C_hot，i，t和C_cold，i，t分别为调峰机组i的热、冷启动费用，M_off，i表示调峰机组i最小停机时间，T_off，i，t表示调峰机组i在时段t已停机的时段数，T_c，i表示冷启动时间。

根据上式，可得在时间段内调峰机组的启停成本总和C₂可表示如下：

Step3，基于电网深度调峰运行和新能源出力随机特性，构建含新能源装置的电网深度调峰优化调度模型；

本发明根据对新能源装置的预算分析，选取新能源装置参与深度调峰运行费用最小作为目标函数，表示如下：

minC_sum＝C₁+C₂ (15)

根据电网深度调峰优化经济调度模型，可获取对应的约束条件，具体如下所示：

(21)非新能源装置的出力约束

P_i，t，min≤P_i，t≤P_i，t，max (16)

其中，上式中的P_i，t，min、P_i，t，max分别作为火电机组i在t时刻的对应最小、最大出力限值；

(22)功率平衡约束

其中，I_i,t表示火电机组的运行状态，I_i,t＝1表示火电机组运行，I_i,t＝0表示火电机组停机，P_loss,t为网损，P_vw,t为新能源出力，L_t为负荷。

(23)开停机时间约束

非新能源装置的启停需要准备时间，即从停运状态->开机状态还是运行状态->停运状态，存在时间保证非新能源装置的运行状态转变。；

开机时间约束：

停机时间约束：

其中，

和

分别表示第i台火电机组的最小开机时间和最小停机时间，T_on，i，t和T_off，i，t分别表示第i台火电机组在时段t的已运行时间和已停机时间。

(24)爬坡约束

爬坡约束表示非新能源装置在一定时间内机组出力的增减能力，不同的机组对应不同的爬坡能力，定义P_up，i表示第i台机组增加出力时的最大变化量，P_down，i表示第i台机组减小出力时的最大变化量，其爬坡约束可由下式表示：

增加出力情况爬坡约束：P_i，t-P_i，t-1≤P_up，i (20)

减小出力情况爬坡约束：P_i，t-1-P_i，t≤P_down，i (21)

(25)调峰能力约束

具体的，本发明的还根据任意时间段的机组在进行深度调峰时，是否具备调峰能力满足电网系统的运转输出，且调峰能力与火电机组调峰能力成正比；

P_en，t＝min(P_i，max-P_i，t，P_up，i) (24)

P_ed，t＝μP_by，t+|(L_dx，t+1-P_vw，t+1)-(L_dx，t-P_vw，t)| (25)

其中，P_en，t表示t时段对应的调峰能力，P_ed，t表示t时段对应的调峰需求，T_m表示调峰压力最大时段，E表示调峰压力最大时段调峰能力指标的最小值,P_i，t为火电机组i 在时段t的出力，P_i，max表示火电机组i的最大技术出力，μ为旋转备用容量的百分比系数，P_by，t为在时段t时的旋转备用容量，L_dx，t，L_dx，t为在时段t的负荷和光伏出力，L_dx，t+1，P_vw，t+1为在时段t+1的负荷和光伏出力。若调峰时段负荷上升，新能源光伏大发参与调峰，E_t充足，则火电机组为正调峰。

Step4，基于构建的电网深度调峰优化调度模型，获取电网深度调峰优化经济调度策略，进行优化经济调度策略的求解；

Step5，获取优化经济调度策略的计算值进行仿真系统代入，计算优化经济调度策略的有效值。

具体的，本发明设置任意的1天时间为0-K的K+1个调度周期，设置决策时刻为每个调度时段的初始时刻t_k，其中k∈{0，1，…，K}；

系统状态向量s_k由决策时刻t_k、对应调度时段的光伏功率短期预测值P_Wk，pre，负荷短期预测值L_dk，pre，上一调度时刻结束时各非新能源装置实际出力调整值ΔP_i(k-1)组成：

s_k＝(t_k，P_Wk，pre，L_dk，pre，ΔP_i(k-1))∈Φ，i∈N

其中，Φ为系统状态空间。

具体的，本发明还通过采用强化学习的Q学习算法进行优化经济调度策略求解，采用Q学习算法进行电网调峰任务的分配，确保电网调峰和电网调峰运行代价的最小化，进而获取优化调峰过程的非新能源装置的运行费用最小：

(31)初始化Q学习算法的Q值表，学习样本轨道总数M，单条样本轨道决策周期K，初始学习率α，折扣因子γ，初始贪心概率ε₀，最终贪心概率ε_e，衰减数T，且设置样本轨道m＝0；

(32)k＝0，随机初始化状态数据，确定状态s_k；

(33)根据Q值和贪心策略greedypolicy，以贪心策略选择行动a_k：当前状态s_k下对应Q值最优的非新能源装置调峰出力的贪婪行动

同时随机选择行动a^rand，即随机产生的可行方案；

若ε＞random(0，1)，则系统行动为a_k＝a^greedy；

若ε≤random(0，1)，则系统行动为a_k＝a^rand；

根据公式改进贪心概率：

(34)执行当前电力系统所选的行动a_k，根据所建系统模型观察下一决策周期内系统状态s_k+1，并计算在决策周期k内通过执行行动a_k状态转移过程中产生的系统代价r_k，根据公式更新Q值，同时更新策略：

Q(s_k，a_k)＝Q(s_k，a_k)+α(r_k-(Q(s_k，a_k)))+γmin Q(s_k+1，a_k+1) (27)

(35)令k＝k+1；若k＜K，返回(33)，否则跳转至(36)；

(36)令m＝m+1；若m＜M，返回(32)，否则结束循环。

为了进行进一步说明，本发明提供如下实施例进行仿真系统的计算，优选的，本发明实施例采用10台火电机组，且基于MATLAB软件进行仿真分析，火电总装机容量为627万千瓦，每台火电机组具备深度调峰能力，系统旋转备用固定为系统火电装机容量的5％，火电机组的具体参数如表1所示。本发明实施例中的非新能源装置全部选为火电机组。

表1火电机组详细参数

具体的，设置非新能源装置在某时段运行负荷率低于50％时即表示非新能源装置在该时段已经进行深度调峰运行，负荷率低于40％则表示非新能源装置已经进行投油深度调峰运行，非新能源装置的最小技术出力为25％机组额定容量；

其中，煤炭价格为638元/t，油耗成本为6130元/t，燃油的环境附加成本为448 元/t，非新能源装置参与深度调峰的补偿收益在这里采用调峰服务辅助市场模式进行；

基于非新能源装置的深度调峰进行新能源装置的预算建模，且，深度调峰服务档位定价根据各档位报价的上限值进行调峰补偿使电网获得最大调峰补偿收益。

具体的，电网的新能源装机容量为200万千瓦，本发明实施例优选的采用腰荷12点到14点进行分析。

为了能进一步进行电网机组深度调峰运行策略的有效分析，本发明实施例采用3种运行方法进行数据对比：

方法1：仅以运行费用最低为优化目标的电网运行结果；

方法2：选取光伏预测出力100％置信区间出力上限值时的电网推荐运行结果；

方法3：选取光伏预测出力80％置信区间出力上限值时的电网推荐运行结果。

基于上述不同的运行方法，获取仿真结果对比表，如下所示

仿真运行结果	运行费用(百万元)	系统调峰能力指标
			1	5.348	0.8374
2	5.427	1.0304
			3	5.348	0.8374

表2仿真结果对比表

根据上表可知，采用腰荷12点到14点的时间段，电网运行费用和系统调峰能力指标呈现正相关性，调峰能力指标上升，机组的运行费用增加；

且，本发明实施例还根据上述的3种运行结果对比方法1运行费用最优情况下的对比数据，具体如下表所示：

表3各方法与方法1结果对比

基于上述的运行结果对比，运行结果1为系统运行费用最优，但其系统的调峰能力指标比其他结果较小；

若调度人员选取80％置信度下的新能源预测出力区间上限值，即可采用仅以运行费用最低为目标的调度策略安排新能源装置出力；

若调度人员选取90％或100％置信度下的新能源预测出力区间上限值作为最终预测值，由于电力系统的调峰能力指标小于上限值所需的能力约束值，无法确保新能源出力概率，则仅以电力系统运行经济性最优为目标的调度策略不符合实际需求。

基于本发明公开的电网调峰策略，并将区域的实际电网运行数据用于仿真计算，且结合新能源出力与非新能源装置深度调峰的相关性分析，在增大对腰荷时段系统的调峰能力指标的同时，且能够有效调整调峰装置的整体平均负荷率，有效促进电网的实际安稳运行。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。

Claims (7)

1.基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，包括：

基于电网深度调峰运行和新能源出力随机特性，构建新能源装置参与电网深度调峰优化经济调度模型；

基于构建的电网深度调峰优化调度模型，获取电网深度调峰优化调度策略，进行优化调度策略的求解；

获取优化调度策略的计算值进行仿真系统代入，计算优化调度策略的有效值。

2.根据权利要求1所述的基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，在构建电网深度调峰优化经济调度模型前，基于非参数估计理论进行新能源出力的随机特性处理。

3.根据权利要求2所述的基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，所述新能源出力的随机特性包括设置不同置信度的新能源出力预测区间。

4.根据权利要求2所述的一种基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，所述预算包括新能源装置参与深度调峰运行的固定成本和深度调峰电量的收益补偿。

5.根据权利要求1所述的基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，火电机组在时段t下的调峰能力指标E_t表示如下：

P_en，t＝min(P_i，max-P_i，t，P_up，i) (3)

P_ed，t＝μP_by，t+|(L_dx，t+1-P_vw，t+1)-(L_dx，t-P_vw，t)| (4)

其中，P_en，t表示t时段对应的调峰能力，P_ed，t表示t时段对应的调峰需求，T_m表示调峰压力最大时段，E表示调峰压力最大时段调峰能力指标的最小值；

P_i，t为火电机组i在时段t的出力，P_i，max表示火电机组i的最大技术出力，μ为旋转备用容量的百分比系数，P_by，t为在时段t时的旋转备用容量，L_dx，t，P_vw，t为在时段t的负荷和光伏出力，L_dx，t+1，P_vw，t+1为在时段t+1的负荷和光伏出力，若调峰时段负荷上升，新能源光伏参与调峰，E_t充足，则火电机组为正调峰。

6.根据权利要求1所述的一种基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，所述电网深度调峰优化调度模型的目标函数的约束条件为火电机组的调峰能力指标E_t。

7.根据权利要求1所述的一种基于新能源出力随机特性的电网深度调峰运行优化方法，其特征在于，通过采用强化学习的Q学习算法进行优化经济调度策略求解，采用Q学习算法进行电网调峰任务的分配，获取优化调峰过程的非新能源装置的运行费用最小，具体步骤包括如下：

(1)初始化Q学习算法的Q值表，学习样本轨道总数M，单条样本轨道决策周期K，初始学习率α，折扣因子γ，初始贪心概率ε₀，最终贪心概率ε_e，衰减数T，且设置样本轨道m＝0；

(2)k＝0，随机初始化状态数据，确定状态s_k；

(3)根据Q值和贪心策略greedypolicy，以贪心策略选择行动a_k：当前状态s_k下对应Q值最优的非新能源装置调峰出力的贪婪行动

同时随机选择行动a^rand，即随机产生的可行方案；

若ε＞random(0，1)，则系统行动为a_k＝a^greedy；

若ε≤random(0，1)，则系统行动为a_k＝a^rand；

根据公式更新贪心概率ε：

(4)执行当前电力系统所选的行动a_k，根据所建系统模型观察下一决策周期内系统状态s_k+1，并计算在决策周期k内通过执行行动a_k状态转移过程中产生的系统代价r_k，根据公式更新Q值，同时更新策略：

Q(s_k，a_k)＝Q(s_k，a_k)+α(r_k-(Q(s_k，a_k)))+γmin Q(s_k+1，a_k+1) (6)

(5)令k＝k+1；若k＜K，返回(3)，否则跳转至(6)；

(6)令m＝m+1；若m＜M，返回(2)，否则结束循环。

Images