CN112396220A - 一种基于场景缩减的含风电与需求侧资源的优化调度方法 - Google Patents

一种基于场景缩减的含风电与需求侧资源的优化调度方法 Download PDF

Info

Publication number
CN112396220A
CN112396220A CN202011235521.7A CN202011235521A CN112396220A CN 112396220 A CN112396220 A CN 112396220A CN 202011235521 A CN202011235521 A CN 202011235521A CN 112396220 A CN112396220 A CN 112396220A
Authority
CN
China
Prior art keywords
scene
cost
power
output
scheduling
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
CN202011235521.7A
Other languages
English (en)
Other versions
CN112396220B (zh
Inventor
刘敦楠
韩雅萱
加鹤萍
王宣元
刘蓁
张�浩
刘明光
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.)
Jibei Electric Power Trading Center Co ltd
North China Electric Power University
Original Assignee
Jibei Electric Power Trading Center Co ltd
North China Electric Power 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 Jibei Electric Power Trading Center Co ltd, North China Electric Power University filed Critical Jibei Electric Power Trading Center Co ltd
Priority to CN202011235521.7A priority Critical patent/CN112396220B/zh
Publication of CN112396220A publication Critical patent/CN112396220A/zh
Application granted granted Critical
Publication of CN112396220B publication Critical patent/CN112396220B/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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，包括以下步骤：步骤1、预测次日风电场输出功率，并对风电功率预测误差进行建模后，随机生成多个含风电出力的初始场景；步骤2、对步骤1随机生成多个含风电出力的初始场景进行场景缩减，从而生成经典场景集；步骤3、建立以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型；步骤4、计算优化调度模型的目标函数最小值，对虚拟电场进行优化配置。本发明能够对虚拟电厂所聚集能源的有效组合，在内部优化调度时，可减少新能源发电出力的波动性与不可控性，协同管理分布式电源与负荷，促进电网安全稳定运行。

Description

一种基于场景缩减的含风电与需求侧资源的优化调度方法
技术领域
本发明属于电力调度技术领域，涉及含风电与需求侧资源的优化调度方法，尤其是一种基于场景缩减的含风电与需求侧资源的优化调度方法。
背景技术
能源环境问题促使包括风电在内的新能源电力迅速发展，新型能源本身的不可储存性决定了风电等新能源发电具有间歇性、随机性以及波动性等特征，新能源大规模接入电网，对电网调度带来新的挑战。
传统电力系统优化调度问题主要包括经济调度和机组组合两种方法，随后在此基础上不断完善，新的方法又被不断引入到优化调度中。除发电成本最小外，考虑环保因素、降低污染物排放量的多目标优化问题也被引入优化调度中来。
虚拟电厂参与的电力系统优化调度可以以机组收益最大，发电成本最小及碳排放和污染物最少目标进行调度。虚拟电厂是一种将多种分布式能源整合到一个能源运行网络中的一个新型能源基础设施模型，可以实现电网与分布式电源、用户互动的智能管理。虚拟电厂能够整合需求侧资源参与电力辅助服务市场，优化整个网络利用率，快速响应系统需求变化。目前虚拟电厂在针对风电不确定性问题有很大探索空间。
而场景分析常常用来描述随机性、不确定性问题，由于电力系统中风电出力及负荷具有随机性和季节变化等特征，因此场景分析法在电网优化调度研究中具有广泛应用。场景分析法在实际应用中包含场景生成和场景缩减两部分。场景缩减是为了用少量有着代表性的场景来近似代替生成的大规模场景，减少计算复杂程度并保持一定可信性。现有的针对智能电网的优化调度研究主要集中在供电侧，尽管考虑到风电等新能源并网的影响，但这些方法通常是采集电网信息，对发电企业、供电站的行为做出全局约束，而对具有极大的市场价值和调节潜力的需求侧资源考虑较少。此外，目前的优化调度方法较为复杂，计算量大并涉及到较多的数学理论知识，不太适用于一般场景的简单优化调度分析。
因此，如何提出一种既要将需求侧资源纳入到优化调度的考虑范围内，同时也关注到风电等新能源并网带来的波动性，并且能够在降低计算量的同时又保证精确性的简单实用的智能电网优化调度方法是本领域技术人员亟欲解决的技术难题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于场景缩减的含风电与需求侧资源的优化调度方法，能够挖掘需求侧潜力，保障用电高峰时段电网稳定性，解决风电等新能源并网带来的波动的技术问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，包括以下步骤：
步骤1、预测次日风电场输出功率，并对风电功率预测误差进行建模后，随机生成多个含风电出力的初始场景；
步骤2、对步骤1随机生成多个含风电出力的初始场景进行场景缩减，从而生成经典场景集；
步骤3、在步骤2的生成经典场景集的基础上，引入虚拟电厂参加调度，建立以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型；
步骤4、计算以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型的目标函数最小值，进而对虚拟电场进行优化配置。
而且，所述步骤1的具体步骤包括：
(1)收集数据，按照时间序列排布，预测次日风电场输出功率，并对原始数据进行无量纲化处理；
(2)采用自回归滑动平均模型(ARMA)对风电功率预测误差进行建模：
Figure BDA0002764766280000031
其中，p、q分别为ARMA模型中自回归部分和滑动平均部分的阶数，αi、βj为待估参数，εt是独立误差项，为服从均值为0，方差为σ2的高斯分布的白噪声，
Figure BDA0002764766280000032
为对实际出力进行无量纲化处理后所得到的预测误差；αi、βj、σ2的值可以通过历史数据，采用最小二乘估计法得到，由此可以模拟出一系列εt值，继而生V个场景，则每一个场景发生的概率均为1/V。
(3)采用拉丁超立方抽样法，随机生成多个风电出力的初始场景。
而且，所述步骤1第(3)步的具体步骤包括：
①假设所研究随机变量的概率分布函数为
Y＝F(X)
②设N为样本总量，将累计概率密度曲线的y轴均匀分成N个区域，则区间宽度为1/N，而后针对第m个区间生成随机数r，r在(0,1)区间上服从均匀分布，则第m个区段所对应的样本值为
Figure BDA0002764766280000033
③把样本值ym代入其反函数，即可得出第m个X的样本值为
xm＝F-1(ym)
由此即可得出所需的N个不重复的样本，均匀覆盖整个样本空间，代表随机生成多个风电出力的初始场景。
而且，所述步骤2的具体步骤包括：
(1)假设用时间序列表示风电场未来T个时间段的出力预测值si，即
Figure BDA0002764766280000041
Figure BDA0002764766280000042
(i＝1，2，…，V-1，V)其中
Figure BDA0002764766280000043
表示的是第t个时刻第i个场景的出力值，共有V个场景，V个场景发生的概率之和为1。
(2)采用同步回带缩减法进行场景缩减，生成经典场景集。
而且，所述步骤2的第(2)步的具体步骤包括：
①确立场景缩减的原则是缩减前的场景集合与缩减后的场景集合间的概率距离最小，即下式最小：
Figure BDA0002764766280000045
其中：
Figure BDA0002764766280000044
M表示删减场景的个数，pi表示场景si发生的概率；
②起初拟删除场景集合为空集，即M＝M0，所有场景均放置在保留场景集S中，S＝{s0,…si,…sv}，令k＝0；
③设第k次迭代中需要删除的场景为γk，将γk移入集合M中，则此时与被删除场景γk距离最近的场景sl的概率为：
p(s′l)＝p(sl)+p(γk)
④重复步骤S202，直到集合M中含有规定数目场景为止。
而且，所述步骤3的具体方法为：
(1)以虚拟电厂加入后电力系统日前调度计划中的总调度成本最小化为优化目标建立优化模型：
加入虚拟电厂后和传统机组联合调度，总调度成本会包含传统机组成本和虚拟电厂成本两部分，在此基础上综合考虑内部各分布式资源运行成本及波动性，对风电出力随机性考虑后所构建的风电出力经典场景集，目标函数为调度成本最小即为期望成本最小，即：
Figure BDA0002764766280000051
式中，γk为各场景发生概率；
①
Figure BDA0002764766280000052
是传统机组优化调度模型中的调度成本，式中t为以1h为时间间隔的时间序列，t＝1,2,3,…,T，T为以24h为一个运行周期的小时数，nth为发电机组数量；
Figure BDA0002764766280000053
为t时刻第i台机组出力功率，
Figure BDA0002764766280000054
为其调度成本，可表示为二次函数形式，即：
Figure BDA0002764766280000055
式中，ath、bth、cth为火电机组的运行成本系数；
②CVPP为虚拟电厂成本，由三部分组成，分别是风电机组成本Cw，燃气轮机成本CGT，虚拟电厂调用可中断负荷给予用户的补偿CIB，即：
CVPP＝CW+CGT+CIB
其中，风电机组成本Cw由运行成本和弃风惩罚两部分组成：
Figure BDA0002764766280000056
Figure BDA0002764766280000057
加入弃风惩罚可以有效提高风电机组的利用率，加大系统对新能源发电的吸纳能力；式中，
Figure BDA0002764766280000058
为t时刻第i台风电机组出力，
Figure BDA0002764766280000059
为t时刻的弃风量，
Figure BDA00027647662800000510
为t时刻风电机组最大出力，
Figure BDA00027647662800000511
为t时刻风电机组实际出力，ρw、ρp分别为风电机组单位运行成本和惩罚成本，nw为虚拟电厂中风电机组数目；
其中，燃气轮机的成本由运行成本和燃料成本两部分组成：
Figure BDA0002764766280000061
式中，
Figure BDA0002764766280000062
为t时刻第i台燃气机组出力，ρGT、ρfp分别为燃气轮机单位运行成本和单位燃料成本，ngt为虚拟电厂中燃气轮机数目。
其中，虚拟电厂在调用可中断负荷后需要对用户进行补偿，本发明采用对单位负荷中断量给予固定补偿费用的形式，则补偿成本为：
Figure BDA0002764766280000063
式中，ρIB对用户进行补偿的价格，
Figure BDA0002764766280000064
为t时段按照约定所调用的可中断负荷量；
(2)加入优化调度需满足的约束条件，虚拟电厂内需要满足功率平衡约束、燃气机组和风电机组出力约束和可中断负荷约束：
①功率平衡约束：
Figure BDA0002764766280000065
除传统机组需要考虑的功率外，还需加入虚拟电厂所包含的风电机组、燃气轮机、用户补偿部份的功率，共同达到平衡。
②出力上下限约束：
Figure BDA0002764766280000066
Figure BDA0002764766280000067
其中，式1为燃气机组出力约束，
Figure BDA0002764766280000068
分别为其出力值的下限和上限；式2为风电机组出力约束，
Figure BDA0002764766280000069
分别为其出力值的下限和上限。
③燃气机组爬坡约束：
Figure BDA00027647662800000610
式中，Δt为单个时间段长度，本文取1h；
Figure BDA00027647662800000611
分别为燃气机组的向下和向上爬坡功率。
④可中断负荷约束：
Figure BDA0002764766280000071
式中，
Figure BDA0002764766280000072
分别为t时段可供虚拟电厂调度的可中断负荷的下限和上限。
而且，所述步骤4的具体方法为：求解以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型的目标函数最小值计算得出在调度成本最小化时，各机组在不同时刻的出力情况，参照出力数据结合实际情况，可以对虚拟电场进行优化配置。
本发明的优点和积极效果是：
1、本发明应用场景分析法模拟虚拟电厂内部分布式风电出力，建立风电出力预误差的自回归滑动平均模型，通过随机抽样生成初始场景后进行场景缩减，最终形成经典场景集，模拟风电出力的随机场景，以表示其未来可能出现的不确定性波动情况。在进行日前机组组合时，可以通过一定的预测方法得到次日风电场输出功率，但是精确预测次日功率十分困难，不可避免存在误差。如果直接根据所研究的随机对象生成场景，则可能导致生成的场景与实际情况吻合度较低，或是由于随机性过大而出现大量无效低效场景，因此，在本步骤中将所研究随机变量的预测误差视为新的随机变量，通过对其建模进行拟合可以在一定程度上提高预测精度。
2、本发明通过场景生成有效模拟了虚拟电厂中间歇性发电单元的不确定性，所采用的场景分析方法能够解决电力系统中随机性问题，用于获取电力系统中的大规模场景。但大量场景的引入增加了工作量及计算负担，而且每个场景之间具有显著相似性，所以在生成一定场景后的缩减工作尤为重要，将初始场景中的部分场景进行合并，将原始抽样生成的大规模的多个场景用少量场景组成的集合进行替代，从而生成经典场景集。此外，运用同步回代缩减法进行场景缩减，相较于场景法，不仅降低了计算量，并且提高了计算效率，同时不对精确度造成影响。
3、本发明加入虚拟电厂，整合需求侧资源，以电力系统调度成本最小化为目标，提出一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法。虚拟电厂能够促进电力系统需求与社会用能需求的深度融合，可以有效地连接需求侧资源与电力系统，实现资源的优化调度。通过本发明对虚拟电厂所聚集能源的有效组合，在内部优化调度时，可减少新能源发电出力的波动性与不可控性，协同管理分布式电源与负荷，促进电网安全稳定运行。
附图说明
图1是本发明一种基于场景缩减的含风电与需求侧资源的优化调度方法的流程图；
图2是应用拉丁超立方法，随机产生200个风电功率输出场景图；
图3是应用同步回代缩减法将初始场景缩减，保留4个经典场景图；
图4是考虑到虚拟电厂中风电机组出力不确定性后优化结果图；
图5是考虑到虚拟电厂中风电机组出力不确定性虚拟电厂内部出力结果图；
图6是仅考虑传统机组参与调度的优化结果图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，如图1所示，包括以下步骤：
步骤1、预测次日风电场输出功率，并对风电功率预测误差进行建模后，随机生成多个含风电出力的初始场景；
在本实施例中，首先通过预测方法得到次日风电场输出功率，为避免误差导致的场景与实际情况吻合度差或者出现大量无效低效场景，需要将所研究随机变量的预测误差视为新的随机变量，通过对其建模进行拟合可以在一定程度上提高预测精度。
所述步骤1的具体步骤包括：
(1)收集数据，按照时间序列排布，预测次日风电场输出功率，并对原始数据进行无量纲化处理。
(2)采用自回归滑动平均模型(ARMA)对风电功率预测误差进行建模：
Figure BDA0002764766280000091
其中，p、q分别为ARMA模型中自回归部分和滑动平均部分的阶数，αi、βj为待估参数，εt是独立误差项，为服从均值为0，方差为σ2的高斯分布的白噪声，
Figure BDA0002764766280000092
为对实际出力进行无量纲化处理后所得到的预测误差；αi、βj、σ2的值可以通过历史数据，采用最小二乘估计法得到，由此可以模拟出一系列εt值，继而生V个场景，则每一个场景发生的概率均为1/V。
(4)采用拉丁超立方抽样法，随机生成多个风电出力的初始场景；
所述步骤1第(3)步的具体步骤包括：
①假设所研究随机变量的概率分布函数为
Y＝F(X)
②设N为样本总量，将累计概率密度曲线的y轴均匀分成N个区域，则区间宽度为1/N，而后针对第m个区间生成随机数r，r在(0,1)区间上服从均匀分布，则第m个区段所对应的样本值为
Figure BDA0002764766280000093
③把样本值ym代入其反函数，即可得出第m个X的样本值为
xm＝F-1(ym)
由此即可得出所需的N个不重复的样本，均匀覆盖整个样本空间，代表随机生成多个风电出力的初始场景。
步骤2、对步骤1随机生成多个含风电出力的初始场景进行场景缩减，从而生成经典场景集；
在本实施例中，将原始抽样生成的大规模的多个场景用少量场景组成的集合进行替代，从而生成经典场景集。场景缩减不会改变计算结果的可信度，而且可以有效减少计算负担。
所述步骤2的具体步骤包括：
(1)假设用时间序列表示风电场未来T个时间段的出力预测值si，即
Figure BDA0002764766280000101
Figure BDA0002764766280000102
(i＝1，2，…，V-1，V)其中
Figure BDA0002764766280000103
表示的是第t个时刻第i个场景的出力值，共有V个场景，V个场景发生的概率之和为1。
(3)采用同步回带缩减法进行场景缩减，生成经典场景集。
所述步骤2的第(2)步的具体步骤包括：
①确立场景缩减的原则是缩减前的场景集合与缩减后的场景集合间的概率距离最小，即下式最小：
Figure BDA0002764766280000105
其中：
Figure BDA0002764766280000104
M表示删减场景的个数，pi表示场景si发生的概率；
②起初拟删除场景集合为空集，即M＝M0，所有场景均放置在保留场景集S中，S＝{s0,…si,…sv}，令k＝0；
③设第k次迭代中需要删除的场景为γk，将γk移入集合M中，则此时与被删除场景γk距离最近的场景sl的概率为：
p(s′l)＝p(sl)+p(γk)
④重复步骤S202，直到集合M中含有规定数目场景为止。
步骤3、在步骤2的生成经典场景集的基础上，引入虚拟电厂参加调度，建立以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型；
所述步骤3的具体方法为：
(1)以虚拟电厂加入后电力系统日前调度计划中的总调度成本最小化为优化目标建立优化模型：
加入虚拟电厂后和传统机组联合调度，总调度成本会包含传统机组成本和虚拟电厂成本两部分，在此基础上综合考虑内部各分布式资源运行成本及波动性，对风电出力随机性考虑后所构建的风电出力经典场景集，目标函数为调度成本最小即为期望成本最小，即：
Figure BDA0002764766280000111
式中，γk为各场景发生概率；
①
Figure BDA0002764766280000112
是传统机组优化调度模型中的调度成本，式中t为以1h为时间间隔的时间序列，t＝1,2,3,…,T，T为以24h为一个运行周期的小时数，nth为发电机组数量；
Figure BDA0002764766280000113
为t时刻第i台机组出力功率，
Figure BDA0002764766280000114
为其调度成本，可表示为二次函数形式，即：
Figure BDA0002764766280000115
式中，ath、bth、cth为火电机组的运行成本系数；
②CVPP为虚拟电厂成本，由三部分组成，分别是风电机组成本Cw，燃气轮机成本CGT，虚拟电厂调用可中断负荷给予用户的补偿CIB，即：
CVPP＝CW+CGT+CIB
其中，风电机组成本Cw由运行成本和弃风惩罚两部分组成：
Figure BDA0002764766280000121
Figure BDA0002764766280000122
加入弃风惩罚可以有效提高风电机组的利用率，加大系统对新能源发电的吸纳能力；式中，
Figure BDA0002764766280000123
为t时刻第i台风电机组出力，
Figure BDA0002764766280000124
为t时刻的弃风量，
Figure BDA0002764766280000125
为t时刻风电机组最大出力，
Figure BDA0002764766280000126
为t时刻风电机组实际出力，ρw、ρp分别为风电机组单位运行成本和惩罚成本，nw为虚拟电厂中风电机组数目；
其中，燃气轮机的成本由运行成本和燃料成本两部分组成：
Figure BDA0002764766280000127
式中，
Figure BDA0002764766280000128
为t时刻第i台燃气机组出力，ρGT、ρfp分别为燃气轮机单位运行成本和单位燃料成本，ngt为虚拟电厂中燃气轮机数目。
其中，虚拟电厂在调用可中断负荷后需要对用户进行补偿，本发明采用对单位负荷中断量给予固定补偿费用的形式，则补偿成本为：
Figure BDA0002764766280000129
式中，ρIB对用户进行补偿的价格，
Figure BDA00027647662800001210
为t时段按照约定所调用的可中断负荷量。
(2)加入优化调度需满足的约束条件，虚拟电厂内需要满足功率平衡约束、燃气机组和风电机组出力约束和可中断负荷约束：
①功率平衡约束：
Figure BDA00027647662800001211
除传统机组需要考虑的功率外，还需加入虚拟电厂所包含的风电机组、燃气轮机、用户补偿部份的功率，共同达到平衡。
②出力上下限约束：
Figure BDA00027647662800001212
Figure BDA00027647662800001213
其中，式1为燃气机组出力约束，
Figure BDA0002764766280000131
分别为其出力值的下限和上限；式2为风电机组出力约束，
Figure BDA0002764766280000132
分别为其出力值的下限和上限。
③燃气机组爬坡约束：
Figure BDA0002764766280000133
式中，Δt为单个时间段长度，本文取1h；
Figure BDA0002764766280000134
分别为燃气机组的向下和向上爬坡功率。
④可中断负荷约束：
Figure BDA0002764766280000135
式中，
Figure BDA0002764766280000136
分别为t时段可供虚拟电厂调度的可中断负荷的下限和上限。
步骤4、计算以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型的目标函数最小值，进而对虚拟电场进行优化配置。
所述步骤4的具体方法为：利用软件，如Matlab中的YALMIP和CPLEX求解器，进行求解。通过建立的模型可以计算得出，在调度成本最小化时，各机组在不同时刻的出力情况，参照出力数据结合实际情况，可以对虚拟电场进行优化配置。
下面结合具体算例，对本发明作进一步说明：
本发明即基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，包括以下步骤：
步骤1，获得某风电场四个月内风电出力实际数据与日前预测数据，如下表1所示(部份节选)，传统机组具体参数如下表2所示，其中G1机组参与调度的同时为系统提供备用。虚拟电厂由4个50MW的风电机组、5个30MW的燃气轮机和60MW可中断负荷构成，虚拟电厂内部单元参数如下表3所示。
表1某风电场四个月内风电出力实际数据与日前预测数据(节选)
Figure BDA0002764766280000141
表2火电机组参数
Figure BDA0002764766280000151
表3虚拟电厂内部单元参数
Figure BDA0002764766280000152
对风电场原始数据进行无量纲化处理：
Figure BDA0002764766280000153
步骤S2，建立ARMA模型参数，采用ARMA模型描述风电场输出功率预测误差：
Figure BDA0002764766280000154
其中，p、q分别为ARMA模型中自回归部分和滑动平均部分的阶数，
Figure BDA0002764766280000155
为对实际出力进行无量纲化处理后所得到的预测误差。αi、βj、σ2的值可以通过历史数据，采用最小二乘估计法得到，即：
Figure BDA0002764766280000161
其中，εt、εt-1为服从均值为0，标准差为0.1291的高斯分布的白噪声。
步骤S3，应用拉丁超立方法对ARMA模型的残差抽样，和原始数据叠加，随机产生200个风电功率输出数据，用matlab绘制场景如图2所示，步骤如下：
假设所研究随机变量的概率分布函数为服从均值为0，标准差为0.1291的高斯分布的白噪声
Y＝F(X)
设N为样本总量，将累计概率密度曲线的y轴均匀分成N个区域，则区间宽度为1/N，而后针对第m个区间生成随机数r，r在(0,1)区间上服从均匀分布，则第m个区段所对应的样本值为：
Figure BDA0002764766280000162
接着把样本值ym代入其反函数，即可得出第m个X的样本值为
xm＝F-1(ym)
步骤S4，采用同步回代缩减法将200个场景缩减，保留4个场景，得到各场景下风电出力值及各场景发生概率。缩减后场景如图3所示，各场景发生概率依次为0.365、0.235、0.115、0.285。
步骤S5,根据本文所建立优化模型，在Matlab中运用YALMIP和CPLEX求解器进行求解，得到如下运行结果：
考虑不确定性后优化结果如图4所示，虚拟电厂内部出力结果如图5所示。
此时电力系统期望调度成本为503.76万元。
如果仅采用传统机组参与调度，得到调度成本为574.79万元。各机组具体出力情况如图6所示。
可见，本发明的基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，有利于电厂优化调度节约成本，并且算法简单而不失精确性。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (7)

1.一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：包括以下步骤：
步骤1、预测次日风电场输出功率，并对风电功率预测误差进行建模后，随机生成多个含风电出力的初始场景；
步骤2、对步骤1随机生成多个含风电出力的初始场景进行场景缩减，从而生成经典场景集；
步骤3、在步骤2的生成经典场景集的基础上，引入虚拟电厂参加调度，建立以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型；
步骤4、计算以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型的目标函数最小值，进而对虚拟电场进行优化配置。
2.根据权利要求1所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤1的具体步骤包括：
(1)收集数据，按照时间序列排布，预测次日风电场输出功率，并对原始数据进行无量纲化处理；
(2)采用自回归滑动平均模型(ARMA)对风电功率预测误差进行建模：
Figure FDA0002764766270000011
其中，p、q分别为ARMA模型中自回归部分和滑动平均部分的阶数，αi、βj为待估参数，εt是独立误差项，为服从均值为0，方差为σ2的高斯分布的白噪声，
Figure FDA0002764766270000021
为对实际出力进行无量纲化处理后所得到的预测误差；αi、βj、σ2的值可以通过历史数据，采用最小二乘估计法得到，由此可以模拟出一系列εt值，继而生V个场景，则每一个场景发生的概率均为1/V；
(3)采用拉丁超立方抽样法，随机生成多个风电出力的初始场景。
3.根据权利要求2所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤1第(3)步的具体步骤包括：
①假设所研究随机变量的概率分布函数为
Y＝F(X)
②设N为样本总量，将累计概率密度曲线的y轴均匀分成N个区域，则区间宽度为1/N，而后针对第m个区间生成随机数r，r在(0,1)区间上服从均匀分布，则第m个区段所对应的样本值为
Figure FDA0002764766270000022
③把样本值ym代入其反函数，即可得出第m个X的样本值为
xm＝F-1(ym)
由此即可得出所需的N个不重复的样本，均匀覆盖整个样本空间，代表随机生成多个风电出力的初始场景。
4.根据权利要求1所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤2的具体步骤包括：
(1)假设用时间序列表示风电场未来T个时间段的出力预测值si，即
Figure FDA0002764766270000023
Figure FDA0002764766270000024
其中
Figure FDA0002764766270000025
表示的是第t个时刻第i个场景的出力值，共有V个场景，V个场景发生的概率之和为1；
(2)采用同步回带缩减法进行场景缩减，生成经典场景集。
5.根据权利要求4所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤2的第(2)步的具体步骤包括：
①确立场景缩减的原则是缩减前的场景集合与缩减后的场景集合间的概率距离最小，即下式最小：
Figure FDA0002764766270000031
其中：
Figure FDA0002764766270000032
M表示删减场景的个数，pi表示场景si发生的概率；
②起初拟删除场景集合为空集，即M＝M0，所有场景均放置在保留场景集S中，S＝{s0,…si,…sv}，令k＝0；
③设第k次迭代中需要删除的场景为γk，将γk移入集合M中，则此时与被删除场景γk距离最近的场景sl的概率为：
p(s′l)＝p(sl)+p(γk)
④重复步骤S202，直到集合M中含有规定数目场景为止。
6.根据权利要求1所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤3的具体方法为：
(1)以虚拟电厂加入后电力系统日前调度计划中的总调度成本最小化为优化目标建立优化模型：
加入虚拟电厂后和传统机组联合调度，总调度成本会包含传统机组成本和虚拟电厂成本两部分，在此基础上综合考虑内部各分布式资源运行成本及波动性，对风电出力随机性考虑后所构建的风电出力经典场景集，目标函数为调度成本最小即为期望成本最小，即：
Figure FDA0002764766270000033
式中，γk为各场景发生概率；
①
Figure FDA0002764766270000041
是传统机组优化调度模型中的调度成本，式中t为以1h为时间间隔的时间序列，t＝1,2,3,…,T，T为以24h为一个运行周期的小时数，nth为发电机组数量；
Figure FDA0002764766270000042
为t时刻第i台机组出力功率，
Figure FDA0002764766270000043
为其调度成本，可表示为二次函数形式，即：
Figure FDA0002764766270000044
式中，ath、bth、cth为火电机组的运行成本系数；
②CVPP为虚拟电厂成本，由三部分组成，分别是风电机组成本Cw，燃气轮机成本CGT，虚拟电厂调用可中断负荷给予用户的补偿CIB，即：
CVPP＝CW+CGT+CIB
其中，风电机组成本Cw由运行成本和弃风惩罚两部分组成：
Figure FDA0002764766270000045
Figure FDA0002764766270000046
加入弃风惩罚可以有效提高风电机组的利用率，加大系统对新能源发电的吸纳能力；式中，
Figure FDA0002764766270000047
为t时刻第i台风电机组出力，
Figure FDA0002764766270000048
为t时刻的弃风量，
Figure FDA0002764766270000049
为t时刻风电机组最大出力，
Figure FDA00027647662700000410
为t时刻风电机组实际出力，ρw、ρp分别为风电机组单位运行成本和惩罚成本，nw为虚拟电厂中风电机组数目；
其中，燃气轮机的成本由运行成本和燃料成本两部分组成：
Figure FDA00027647662700000411
式中，
Figure FDA00027647662700000412
为t时刻第i台燃气机组出力，ρGT、ρfp分别为燃气轮机单位运行成本和单位燃料成本，ngt为虚拟电厂中燃气轮机数目；
其中，虚拟电厂在调用可中断负荷后需要对用户进行补偿，本发明采用对单位负荷中断量给予固定补偿费用的形式，则补偿成本为：
Figure FDA0002764766270000051
式中，ρIB对用户进行补偿的价格，
Figure FDA0002764766270000052
为t时段按照约定所调用的可中断负荷量；
(2)加入优化调度需满足的约束条件，虚拟电厂内需要满足功率平衡约束、燃气机组和风电机组出力约束和可中断负荷约束：
①功率平衡约束：
Figure FDA0002764766270000053
除传统机组需要考虑的功率外，还需加入虚拟电厂所包含的风电机组、燃气轮机、用户补偿部份的功率，共同达到平衡；
②出力上下限约束：
Figure FDA0002764766270000054
Figure FDA0002764766270000055
其中，式1为燃气机组出力约束，
Figure FDA0002764766270000056
分别为其出力值的下限和上限；式2为风电机组出力约束，
Figure FDA0002764766270000057
分别为其出力值的下限和上限；
③燃气机组爬坡约束：
Figure FDA0002764766270000058
式中，Δt为单个时间段长度，本文取1h；
Figure FDA0002764766270000059
分别为燃气机组的向下和向上爬坡功率；
④可中断负荷约束：
Figure FDA00027647662700000510
式中，
Figure FDA00027647662700000511
分别为t时段可供虚拟电厂调度的可中断负荷的下限和上限。
7.根据权利要求1所述的一种基于场景缩减的含风电与需求侧资源的智能电网优化调度方法，其特征在于：所述步骤4的具体方法为：求解以电力系统调度成本最小化为目标的考虑不确定性的虚拟电厂和传统机组的优化调度模型的目标函数最小值计算得出在调度成本最小化时，各机组在不同时刻的出力情况，参照出力数据结合实际情况，可以对虚拟电场进行优化配置。
CN202011235521.7A 2020-11-06 2020-11-06 一种基于场景缩减的含风电与需求侧资源的优化调度方法 Active CN112396220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011235521.7A CN112396220B (zh) 2020-11-06 2020-11-06 一种基于场景缩减的含风电与需求侧资源的优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011235521.7A CN112396220B (zh) 2020-11-06 2020-11-06 一种基于场景缩减的含风电与需求侧资源的优化调度方法

Publications (2)

Publication Number Publication Date
CN112396220A true CN112396220A (zh) 2021-02-23
CN112396220B CN112396220B (zh) 2024-03-22

Family

ID=74597584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011235521.7A Active CN112396220B (zh) 2020-11-06 2020-11-06 一种基于场景缩减的含风电与需求侧资源的优化调度方法

Country Status (1)

Country Link
CN (1) CN112396220B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538066A (zh) * 2021-07-30 2021-10-22 国网上海市电力公司 虚拟电厂参与电力市场的控制方法、系统、设备及介质
CN113904364A (zh) * 2021-09-18 2022-01-07 北京交通大学 风电集群日前功率调度计划的制定方法
CN114139878A (zh) * 2021-11-08 2022-03-04 北京邮电大学 一种虚拟电厂协调调度方法、系统及区块链应用方法
CN114256840A (zh) * 2021-12-23 2022-03-29 深圳供电局有限公司 一种新能源多场景预测结果的整合方法及系统
CN114552658A (zh) * 2022-03-29 2022-05-27 合肥工业大学 计及需求侧响应的新能源电力系统调度方法
CN115663914A (zh) * 2022-09-15 2023-01-31 长春工程学院 一种基于深度强化学习的含风电虚拟电厂聚合调度方法
CN116436101A (zh) * 2023-06-14 2023-07-14 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
CN116823332A (zh) * 2023-06-29 2023-09-29 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070150324A1 (en) * 2005-12-28 2007-06-28 Kosato Makita Method, system and computer program for supporting evaluation of a service
CN105226707A (zh) * 2015-09-29 2016-01-06 南京邮电大学 一种基于Shapley值风电并网系统输电固定成本的分摊方法
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070150324A1 (en) * 2005-12-28 2007-06-28 Kosato Makita Method, system and computer program for supporting evaluation of a service
CN105226707A (zh) * 2015-09-29 2016-01-06 南京邮电大学 一种基于Shapley值风电并网系统输电固定成本的分摊方法
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HEPING JIA等: "Operating Reliability Evaluation of Power Systems With Demand-Side Resources Considering Cyber Malfunctions", 《IEEE ACCESS》, vol. 8, 6 May 2020 (2020-05-06), pages 87354 - 87366, XP011789283, DOI: 10.1109/ACCESS.2020.2992636 *
刘敦楠等: "面向分布式电源就地消纳的园区分时电价定价方法", 《电力系统自动化》, vol. 44, no. 20, 2 July 2020 (2020-07-02), pages 19 - 28 *
黄驰: "含风电电力系统的无功分区和基于 场景缩减技术的无功优化", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 09, 5 September 2019 (2019-09-05), pages 042 - 410 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538066B (zh) * 2021-07-30 2024-02-27 国网上海市电力公司 虚拟电厂参与电力市场的控制方法、系统、设备及介质
CN113538066A (zh) * 2021-07-30 2021-10-22 国网上海市电力公司 虚拟电厂参与电力市场的控制方法、系统、设备及介质
CN113904364A (zh) * 2021-09-18 2022-01-07 北京交通大学 风电集群日前功率调度计划的制定方法
CN113904364B (zh) * 2021-09-18 2024-04-09 北京交通大学 风电集群日前功率调度计划的制定方法
CN114139878A (zh) * 2021-11-08 2022-03-04 北京邮电大学 一种虚拟电厂协调调度方法、系统及区块链应用方法
CN114256840A (zh) * 2021-12-23 2022-03-29 深圳供电局有限公司 一种新能源多场景预测结果的整合方法及系统
CN114552658B (zh) * 2022-03-29 2024-03-01 合肥工业大学 计及需求侧响应的新能源电力系统调度方法
CN114552658A (zh) * 2022-03-29 2022-05-27 合肥工业大学 计及需求侧响应的新能源电力系统调度方法
CN115663914A (zh) * 2022-09-15 2023-01-31 长春工程学院 一种基于深度强化学习的含风电虚拟电厂聚合调度方法
CN116436101A (zh) * 2023-06-14 2023-07-14 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
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
CN116823332A (zh) * 2023-06-29 2023-09-29 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统
CN116823332B (zh) * 2023-06-29 2024-05-07 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统

Also Published As

Publication number Publication date
CN112396220B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN112396220A (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
CN110571867B (zh) 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN109523128A (zh) 一种促进消纳的可再生能源容量配置方法
CN110717688A (zh) 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN111340299B (zh) 一种微电网多目标优化调度方法
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
Daneshvar et al. Short term optimal hydro-thermal scheduling of the transmission system equipped with pumped storage in the competitive environment
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
CN112288130B (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
CN113298407A (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN112308411A (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
CN112994087B (zh) 基于条件风险约束的多源电力系统中期优化调度方法
CN115189409A (zh) 电力系统生产模拟方法、装置、计算机设备及存储介质
Fan et al. Medium and long-term electricity trading considering renewable energy participation
CN115456406A (zh) 一种综合能源系统的评估方法、装置、设备以及存储介质
CN114549148A (zh) 虚拟电厂的竞价方法、装置、设备及存储介质
CN113011779A (zh) 一种基于模糊综合评价的能源消费价格补偿方法及装置
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
Wang et al. Intraday net load reserve demand assessment based on catboost and kernel density estimation
CN117458485B (zh) 基于减碳潜力实现电力系统运行优化调度的方法及系统
CN116151005A (zh) 面向容量-能量市场的电源结构演化仿真方法、装置及系统
CN115907981B (zh) 一种虚拟电厂低碳联合交易优化方法

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