CN112260267B - 一种包含风电的电网调度控制方法及装置 - Google Patents

一种包含风电的电网调度控制方法及装置 Download PDF

Info

Publication number
CN112260267B
CN112260267B CN202011000775.0A CN202011000775A CN112260267B CN 112260267 B CN112260267 B CN 112260267B CN 202011000775 A CN202011000775 A CN 202011000775A CN 112260267 B CN112260267 B CN 112260267B
Authority
CN
China
Prior art keywords
power
generating unit
wind
thermal power
power generating
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
CN202011000775.0A
Other languages
English (en)
Other versions
CN112260267A (zh
Inventor
陈琴
陈严
白兴之
马其鹏
苏梦星
孙高山
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN202011000775.0A priority Critical patent/CN112260267B/zh
Publication of CN112260267A publication Critical patent/CN112260267A/zh
Application granted granted Critical
Publication of CN112260267B publication Critical patent/CN112260267B/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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • 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
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明涉及电力系统控制技术领域，具体涉及一种包含风电的电网调度控制方法及装置，所述方法包括：首先获取原始数据，所述原始数据包括电网运行的实时气象数据和负荷数据，接着根据原始数据得到包含风电功率及负荷的最终预测结果，最后基于所述最终预测结果分配电网中各发电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小以及风电消纳能力最大，本发明可以将储能、预测与调度相结合从而达到系统协调。

Description

一种包含风电的电网调度控制方法及装置
技术领域
本发明涉及电力系统控制技术领域，具体涉及一种包含风电的电网调度控制方法及装置。
背景技术
随着新能源的发展，风电在电网中的参与率越来越高，但风电的随机性、波动性、间线性以及波动幅度大且无规律等特性使其与常规电源有很大的区别，也给电网的调度加大了难度。
传统的电网调度控制系统已经不适用于波动性强的含风电的电网系统。为使得电网运行更加稳定安全，一味的选择弃风、调高火电机组出力来满足用电要求已不可取，其导致了能源的浪费、环境污染以及成本提高。
现有的电网控制系统没有考虑到大规模风电并网给调度带来的影响。大规模风电并网使得电网调度难度大，难度大的根本原因是无法准确把握风电出力自身的不确定性，传统的电网调度系统没有进行风电功率预测。
现有的电网控制系统中缺乏储能、预测与调度相结合从而达到系统协调的要求。
发明内容
为解决上述问题，本发明提供一种包含风电的电网调度控制方法及装置，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种包含风电的电网调度控制方法，包括：
步骤S100、数据采集步骤：获取原始数据，所述原始数据包括电网运行的实时气象数据和负荷数据；
步骤S200、数据预测步骤：根据原始数据得到包含风电功率及负荷的最终预测结果；
步骤S300、功率分配步骤：基于所述最终预测结果分配电网中各发电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小以及风电消纳能力最大。
进一步，所述步骤S300之后，包括：
步骤S400、故障告警步骤：当检测到电网运行工况偏离正常范围时，显示报警信息。
进一步，所述步骤S200包括：
利用VMD算法提取原始数据中的线性部分、非线性部分以及噪声部分；
利用LSTM算法对非线性部分进行风电功率及负荷预测，得到非线性部分的预测结果；
利用ARIMA算法对线性部分进行功率及负荷预测，得到线性部分的预测结果，将线性部分的预测结果和非线性部分的预测结果进行求和重构得到初步预测结果；
利用MSGP算法对噪声部分进行建模，得到噪声部分的预测结果，将初步预测结果和噪声部分的预测结果求和重构得到风电功率及负荷的最终预测结果。
进一步，所述步骤S300包括：
获取第i台火电机组的燃料费用系数；第i台火电机组在第t时段的出力；第i台火电机组的上升旋转备用成本系数；第i台火电机组在第t时段的上升旋转备用容量，根据以下公式确定最小化总成本目标函数：
Figure BDA0002694232970000021
式中：f1为发电总成本；ai,bi,ci分别为第i台火电机组的燃料费用系数，T为总时段，NG为火电机组的总数量，PG,i(t)为第i台火电机组在第t时段的出力；
Figure BDA0002694232970000022
为第i台火电机组的上升旋转备用成本系数；SU,i(t)为第i台火电机组在第t时段的上升旋转备用容量；
获取第i台火电机组的污染物排放量特性系数，通过以下公式确定污染物排放量最小化目标函数：
Figure BDA0002694232970000023
式中：f2为污染物排放总量；di,ei,fi分别为第i台火电机组的污染物排放量特性系数；
获取t时段风电功率预测值，通过以下公式确定风电消纳能力最大化目标函数：
Figure BDA0002694232970000024
式中：f3为风电机组的消纳量，WG为风力机组数量，PWtj为t时段第j台风电机组的功率预测值；
获取并网风电场个数，第m个风电场在第t时段的输出功率，电网在第t时段的负荷预测，通过以下公式确定含风电场的功率平衡约束：
Figure BDA0002694232970000025
式中：NW为并网风电场个数；Pw,m(t)为第m个风电场在第t时段的输出功率；PL(t)为电网在第t时段的负荷预测；
获取第i台火电机组的出力下限，第i台火电机组的出力上限，通过以下公式确定各火电机组出力上下限约束：
Figure BDA0002694232970000031
式中：
Figure BDA0002694232970000032
为第i台火电机组的出力下限；
Figure BDA0002694232970000033
为第i台火电机组的出力上限；
获取第i台火电机组的爬坡上限；第i台火电机组的爬坡下限，通过以下公式确定各火电机组爬坡速率约束：
Figure BDA0002694232970000034
式中:URi为第i台火电机组的爬坡上限；DRi为第i台火电机组的爬坡下限；
其中，风力发电机模型为：
Figure BDA0002694232970000035
式中：vr为额定风速，vin为切入风速，v0为切出风速，v为实时风速；Pr为风机的额定功率；a,b为曲线中三次函数段的系数，
Figure BDA0002694232970000036
通过寻优算法对所述最小化总成本目标函数、污染物排放量最小化目标函数以及风电消纳能力最大化目标函数进行训练，根据训练得到的结果确定电网中各火电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小、以及风电消纳能力最大。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的包含风电的电网调度控制方法的步骤。
一种包含风电的电网调度控制装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一项所述的包含风电的电网调度控制方法。
本发明的有益效果是：本发明公开一种包含风电的电网调度控制方法及装置，本发明根据原始数据得到包含风电功率及负荷的最终预测结果，分配电网中各发电机组的出力，使得各发电机组运行成本总和最小、污染最小化、以及风电消纳量最大化。本发明可以将储能、预测与调度相结合从而达到系统协调。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种包含风电的电网调度控制方法的流程示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。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。
参考图1，根据本申请的第一方面，本申请实施例提供一种包含风电的电网调度控制方法，包括以下步骤：
步骤S100、数据采集步骤：获取原始数据，所述原始数据包括电网运行的实时气象数据和负荷数据；
其中，所述实时气象数据包括风电场的风速、风向、气温和气压，所述负荷数据包括实时有功功率总和、实时无功功率总和、每日和当前有功功率曲线、功率最大、最小值及其出现时间、最大需量及出现时间，所述原始数据通过设置在各变电站和发电厂的远动终端((Remote Terminal Unit，RTU)采集得到，所述原始数据为非平稳时间序列，所述远动终端是指电力系统设置于厂站端用以采集和发送发电厂或变电站的原始数据，接收并执行调度中心控制与调节命令的终端设备。所述实时气象数据用于预测风电功率，所述负荷数据用于预测负荷。
步骤S200、数据预测步骤：根据原始数据得到包含风电功率及负荷的最终预测结果；
作为优选实施例，所述步骤S200具体包括：
利用VMD算法(VariationalMode Decomposition，变分模态分解)提取原始数据中的线性部分、非线性部分以及噪声部分；
利用LSTM算法(Long Short-Term Memory,长短期记忆人工神经网络)对非线性部分进行风电功率及负荷预测，得到非线性部分的预测结果；
其中，LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，本实施例采用LSTM算法进行时间序列预测，能无限逼近非线性函数，降低预测计算复杂度及预测误差。
利用ARIMA算法(Auto-regressive Integrated Moving Average model，差分整合移动平均自回归模型，又称整合移动平均自回归模型，是时间序列预测分析方法之一)对线性部分进行功率及负荷预测，得到线性部分的预测结果，将线性部分的预测结果和非线性部分的预测结果进行求和重构得到初步预测结果；
利用MSGP算法(Sparse Gaussian Mixture Process Expert Model，稀疏高斯混合过程专家模型，是一种可扩展的非参数贝叶斯回归模型)对噪声部分进行建模，得到噪声部分的预测结果，将初步预测结果和噪声部分的预测结果求和重构得到风电功率及负荷的最终预测结果。
步骤S300、功率分配步骤：基于所述最终预测结果分配电网中各发电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小以及风电消纳能力最大。
其中，功率分配步骤根据三个优化目标函数(最小化总成本目标函数、污染物排放量最小化目标函数以及风电消纳能力最大化目标函数)进行优化建模。
具体地，功率分配步骤如下：
由于电网调度以满足电网负荷要求，提高风电消纳能力，降低电网运行成本为目标。因风电场不消耗燃料成本，首先获取第i台火电机组的燃料费用系数；第i台火电机组在第t时段的出力；第i台火电机组的上升旋转备用成本系数；第i台火电机组在第t时段的上升旋转备用容量，根据以下公式确定最小化总成本目标函数，需要说明的是，所述最小化总成本目标函数忽略了阈点效应；
Figure BDA0002694232970000051
式中：f1为发电总成本；ai,bi,ci分别为第i台火电机组的燃料费用系数，T为总时段，NG为火电机组的总数量，PG,i(t)为第i台火电机组在第t时段的出力；
Figure BDA0002694232970000052
为第i台火电机组的上升旋转备用成本系数；SU,i(t)为第i台火电机组在第t时段的上升旋转备用容量；
需要说明的是，这些参数可参照IEC标准(IEC143-2，Series Compensation ofPower Systems,Part 2:Pro-tective equipment for series capacitor bank[S],1994)或采用实际电网运行的参数。
获取第i台火电机组的污染物排放量特性系数，通过以下公式确定污染物排放量最小化目标函数，需要说明的是，所述污染物排放量最小化目标函数仅考虑氮氧化物的污染物排放量；
Figure BDA0002694232970000053
式中：f2为污染物排放总量；di,ei,fi分别为第i台火电机组的污染物排放量特性系数；
获取t时段风电功率预测值，通过以下公式确定风电消纳能力最大化目标函数：
Figure BDA0002694232970000061
式中：f3为风电机组的消纳量，WG为风力机组数量，PWtj为t时段第j台风电机组的功率预测值；
其中，风电机组的消纳量f3取决于总时段T内的风电功率预测值，选择好风电机组后，受实时气象数据的影响，风电功率预测值也会产生波动，导致风电机组的消纳量不同。
获取并网风电场个数，第m个风电场在第t时段的输出功率，电网在第t时段的负荷预测，通过以下公式确定含风电场的功率平衡约束：
Figure BDA0002694232970000062
式中：NW为并网风电场个数；Pw,m(t)为第m个风电场在第t时段的输出功率；PL(t)为电网在第t时段的负荷预测；
获取第i台火电机组的出力下限，第i台火电机组的出力上限，通过以下公式确定各火电机组出力上下限约束：
Figure BDA0002694232970000063
式中：
Figure BDA0002694232970000064
为第i台火电机组的出力下限；
Figure BDA0002694232970000065
为第i台火电机组的出力上限；
获取第i台火电机组的爬坡上限；第i台火电机组的爬坡下限，通过以下公式确定各火电机组爬坡速率约束：
Figure BDA0002694232970000066
式中:URi为第i台火电机组的爬坡上限；DRi为第i台火电机组的爬坡下限；
其中，风力发电机模型为：
Figure BDA0002694232970000067
式中：vr为额定风速，vin为切入风速，v0为切出风速，v为实时风速；Pr为风机的额定功率；a,b为曲线中三次函数段的系数，
Figure BDA0002694232970000068
通过寻优算法对所述最小化总成本目标函数、污染物排放量最小化目标函数以及风电消纳能力最大化目标函数进行训练，根据训练得到的结果确定电网中各火电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小、以及风电消纳能力最大。
其中，所述寻优算法包括粒子群算法和蚁群算法其中之一。
在一个优选的实施例中，所述步骤S300之后，包括：
步骤S400、故障告警步骤：当检测到电网运行工况偏离正常范围时，显示报警信息。
本实施例中，电网运行工况偏离正常范是指电力系统中的电元件(如发电机、线路等)或电力系统本身发生了故障或危机其安全运行的事件，例如电力系统中的元件发生短路或电气量(如电压、电流、功率、频率等)变化异常。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的包含风电的电网调度控制方法的步骤。
本发明还提供一种包含风电的电网调度控制装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的包含风电的电网调度控制方法。
所述包含风电的电网调度控制装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述包含风电的电网调度控制装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是包含风电的电网调度控制装置的示例，并不构成对包含风电的电网调度控制装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述包含风电的电网调度控制装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述包含风电的电网调度控制装置的控制中心，利用各种接口和线路连接整个包含风电的电网调度控制装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述包含风电的电网调度控制装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (4)

1.一种包含风电的电网调度控制方法，其特征在于，包括：
步骤S100、数据采集步骤：获取原始数据，所述原始数据包括电网运行的实时气象数据和负荷数据；
步骤S200、数据预测步骤：根据原始数据得到包含风电功率及负荷的最终预测结果；
步骤S300、功率分配步骤：基于所述最终预测结果分配电网中各发电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小以及风电消纳能力最大；
其中，所述步骤S200包括：
利用VMD算法提取原始数据中的线性部分、非线性部分以及噪声部分；
利用LSTM算法对非线性部分进行风电功率及负荷预测，得到非线性部分的预测结果；
利用ARIMA算法对线性部分进行功率及负荷预测，得到线性部分的预测结果，将线性部分的预测结果和非线性部分的预测结果进行求和重构得到初步预测结果；
利用MSGP算法对噪声部分进行建模，得到噪声部分的预测结果，将初步预测结果和噪声部分的预测结果求和重构得到风电功率及负荷的最终预测结果；
其中，所述步骤S300包括：
获取第i台火电机组的燃料费用系数；第i台火电机组在第t时段的出力；第i台火电机组的上升旋转备用成本系数；第i台火电机组在第t时段的上升旋转备用容量，根据以下公式确定最小化总成本目标函数：
Figure FDA0003633520680000011
式中：f1为发电总成本；ai,bi,ci分别为第i台火电机组的燃料费用系数，T为总时段，NG为火电机组的总数量，PG,i(t)为第i台火电机组在第t时段的出力；
Figure FDA0003633520680000012
为第i台火电机组的上升旋转备用成本系数；SU,i(t)为第i台火电机组在第t时段的上升旋转备用容量；
获取第i台火电机组的污染物排放量特性系数，通过以下公式确定污染物排放量最小化目标函数：
Figure FDA0003633520680000013
式中：f2为污染物排放总量；di,ei,fi分别为第i台火电机组的污染物排放量特性系数；
获取t时段风电功率预测值，通过以下公式确定风电消纳能力最大化目标函数：
Figure FDA0003633520680000021
式中：f3为风电机组的消纳量，WG为风力机组数量，PWtj为t时段第j台风电机组的功率预测值；
获取并网风电场个数，第m个风电场在第t时段的输出功率，电网在第t时段的负荷预测，通过以下公式确定含风电场的功率平衡约束：
Figure FDA0003633520680000022
式中：NW为并网风电场个数；Pw,m(t)为第m个风电场在第t时段的输出功率；PL(t)为电网在第t时段的负荷预测；
获取第i台火电机组的出力下限，第i台火电机组的出力上限，通过以下公式确定各火电机组出力上下限约束：
Figure FDA0003633520680000023
式中：
Figure FDA0003633520680000024
为第i台火电机组的出力下限；
Figure FDA0003633520680000025
为第i台火电机组的出力上限；
获取第i台火电机组的爬坡上限；第i台火电机组的爬坡下限，通过以下公式确定各火电机组爬坡速率约束：
Figure FDA0003633520680000026
式中:URi为第i台火电机组的爬坡上限；DRi为第i台火电机组的爬坡下限；PG,i(t-1)为第i台火电机组在第(t-1)时段的出力；
其中，风力发电机模型为：
Figure FDA0003633520680000027
式中：vr为额定风速，vin为切入风速，v0为切出风速，v为实时风速；Pr为风机的额定功率；a,b为曲线中三次函数段的系数，
Figure FDA0003633520680000028
通过寻优算法对所述最小化总成本目标函数、污染物排放量最小化目标函数以及风电消纳能力最大化目标函数进行训练，根据训练得到的结果确定电网中各火电机组的出力，使得各发电机组运行总成本最小、污染物排放量最小、以及风电消纳能力最大。
2.根据权利要求1所述的一种包含风电的电网调度控制方法，其特征在于，所述步骤S300之后，包括：
步骤S400、故障告警步骤：当检测到电网运行工况偏离正常范围时，显示报警信息。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的包含风电的电网调度控制方法的步骤。
4.一种包含风电的电网调度控制装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的包含风电的电网调度控制方法。
CN202011000775.0A 2020-09-22 2020-09-22 一种包含风电的电网调度控制方法及装置 Active CN112260267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011000775.0A CN112260267B (zh) 2020-09-22 2020-09-22 一种包含风电的电网调度控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011000775.0A CN112260267B (zh) 2020-09-22 2020-09-22 一种包含风电的电网调度控制方法及装置

Publications (2)

Publication Number Publication Date
CN112260267A CN112260267A (zh) 2021-01-22
CN112260267B true CN112260267B (zh) 2022-06-17

Family

ID=74232681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011000775.0A Active CN112260267B (zh) 2020-09-22 2020-09-22 一种包含风电的电网调度控制方法及装置

Country Status (1)

Country Link
CN (1) CN112260267B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113364017B (zh) * 2021-06-04 2024-01-09 国网辽宁省电力有限公司 Vmd火电机组与电池储能系统的协调消纳风电调节策略

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102075014A (zh) * 2011-01-06 2011-05-25 清华大学 消纳风电接入的大电网实时调度方法
CN202046911U (zh) * 2010-11-30 2011-11-23 汕头大学 一种风光互补反渗透海水淡化装置
CA2758901A1 (en) * 2010-11-30 2012-05-30 General Electric Company Integration of renewable power generating technologies with integrated volt/var control systems
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
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202046911U (zh) * 2010-11-30 2011-11-23 汕头大学 一种风光互补反渗透海水淡化装置
CA2758901A1 (en) * 2010-11-30 2012-05-30 General Electric Company Integration of renewable power generating technologies with integrated volt/var control systems
CN102075014A (zh) * 2011-01-06 2011-05-25 清华大学 消纳风电接入的大电网实时调度方法
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
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张兴伟，陈严.风力机大型化发展中的总体设计技术.《新能源进展》.2013,第1卷(第3期), *

Also Published As

Publication number Publication date
CN112260267A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Khasanov et al. Optimal distributed generation and battery energy storage units integration in distribution systems considering power generation uncertainty
Mohammadi et al. Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices
Chen et al. Economic dispatch of wind integrated power systems with energy storage considering composite operating costs
Li et al. Dispatch planning of a wide-area wind power-energy storage scheme based on ensemble empirical mode decomposition technique
CN110348695B (zh) 电力系统的灵活性评估方法、装置、设备及存储介质
CN113315171B (zh) 新能源消纳能力评估方法、装置、计算机设备和存储介质
Kamarposhti et al. Effect of wind penetration and transmission line development in order to reliability and economic cost on the transmission system connected to the wind power plant
CN106786669B (zh) 一种风电场有功功率变化率控制方法及系统
CN115498623A (zh) 多微电网的储能配置优化方法、装置、设备及存储介质
CN110535131B (zh) 基于场景分析和安全约束经济调度的分层消纳预警方法
CN112260267B (zh) 一种包含风电的电网调度控制方法及装置
CN107453408B (zh) 一种考虑不确定性的微电网能量优化调度方法
CN111049165A (zh) 一种用于新能源电力系统储能配置的方法及系统
Zhu et al. Energy optimal dispatch of the data center microgrid based on stochastic model predictive control
Kushwaha et al. A novel framework to assess synthetic inertia & primary frequency response support from energy storage systems
CN112564160B (zh) 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质
CN110544958B (zh) 一种电力系统消纳随机出力电源能力的确定方法及装置
Gorshenin et al. Study of Methods for Forecasting Wind Power Generation Based on the Processing of Meteorological Data
Cheng et al. A planning scenario clustering method based on monte-carlo simulation
Hutchinson et al. Sensitivity analysis of a wind farm with integrated flywheel energy storage
CN110707702A (zh) 考虑可再生能源不确定性的最优潮流计算方法和装置
Joubert Geographical location optimisation of wind and solar photovoltaic power capacity in South Africa using mean-variance portfolio theory and time series clustering
CN109447456A (zh) 计及短期需求响应的风电并网电力系统规划方法
CN112906928B (zh) 一种风电场集群有功功率预测方法及系统
CN116826859A (zh) 一种电源碳电协同规划方法、装置、设备及存储介质

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