CN112583003A - 一种基于演化博弈理论的多能源电力系统电源规划方法 - Google Patents

Abstract

本发明属于电力系统领域，具体涉及一种考虑大规模高比例新能源的电源容量配置及布局规划方法，在综合分析了由风电、光伏、光热、水电、火电以及储能所组成的多能源电力系统技术经济特性的基础上，基于演化博弈理论提出一种电源规划模型。该模型以各个电源节点为博弈主体，通过时序生产模拟积累经验且不断变化其行为规则，调整各种类型电源的装机容量来适应环境，最终求得各个节点各类电源容量的最优布局方案，验证了所提方法对提高新能源的消纳有显著效果，保证电力系统的高效运行。

Description

一种基于演化博弈理论的多能源电力系统电源规划方法

技术领域

本发明属于电力系统领域，具体涉及一种考虑大规模高比例新能源的电源容量配置及布局方法。

背景技术

近年来，随着能源需求的日益增长和环保形势的日渐紧迫，可再生能源得到了越来越广泛的关注，而电力行业低碳化是应对全球气候变暖、实现我国社会经济可持续发展的关键，合理有效的电源规划方案，将是保证电力系统在安全稳定运行前提下实现高效碳减排的有力手段，这也对电源规划提出了新的要求。高比例可再生能源接入将是未来电网发展的重要方向之一。

电源规划要解决的核心问题是：基于系统中的各种约束条件和多种电源的出力特性寻求最佳的电源规划方案，以满足电力负荷需求为目的，使电力系统的建设成本最小、运行效率以及供电可靠性最高。为确保电力系统在未来的安全、可靠、经济和高效运行，有必要考虑电源和电网规划方案的相互作用和影响，进行协同规划。在近年来我国清洁能源基地大规模建设与发展的过程中，配套网架规划和建设相对脱节和滞后，局部地区弃风、弃光、弃水限电问题严重，进一步凸显电源规划和电网规划协同的紧迫性。

针对新能源大规模规划问题，已有研究进行了初步探索。肖汉，傅旭，钟胜，张玥等人提出了一种适应新能源大规模接入的电源规划方法(专利号CN201610497124.4)，通过负荷预测，预先制定常规电源规划方案，并以常规电源规划方案为基础制定新能源装机方案。李虹，赵阳，张姿姿，高亚静等人提出了一种基于时序特性和环境效益的分布式电源规划方法(专利号CN201410633933.4)，将配电网每个负荷点全年的日负荷序列按照季节和日期类型进行划分，依据单位容量分布式电源典型日出力序列，确定目标函数，得出最优规划方案。以上研究均未考虑电力系统网架结构对新能源布局的影响，有鉴于此，本发明提供一种考虑高比例新能源接入的电源容量配置及布局方法，对保证源网协同规划的电力系统安全可靠运行具有重要的理论意义和应用价值。

发明内容

本发明的目的在于提供一种考虑大规模高比例新能源的多电源容量配置及布局规划方法，在研究风力发电、光伏发电、光热发电、水力发电、储能和传统火电组成的多能源电力系统的技术经济特性的基础上，基于演化博弈理论建立电源规划模型。该模型以各个电源节点为主体，通过建立多场景时序模型进行经验的积累，并且不断变化其行为规则，调整各种类型电源的装机容量来适应环境，最终求得各个节点各类电源容量的最优布局方案，对实际的工程建设有一定的指导意义。

为实现上述目的，本发明提供的技术方案如下：

步骤1、综合电源出力特性，基于演化博弈理论，视电源节点为博弈主体，建立电源规划模型；

步骤2、计及时序特性和季节性差异，选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型；

步骤3、选取可控环境影响因素并进行编码，构建行为规则集；

步骤4、主体从外界环境获取信息，以一定概率选取所对应的行为规则，如果主体的目标效益函数值增加，则提高对应概率数值，反之则降低数值，用以表示主体的经验积累以及适应性提高的过程；

步骤5、若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回步骤4继续迭代计算。

本发明所述步骤1中，充分考虑各种类型电源的出力特性，各个节点主体以经济性最优为目标函数建立规划模型。

各种电源出力特性

(1)风电出力特性

风机的输出功率与风速有密切的关系，风速一般遵循Weibull分布，其概率密度函数f(v)表示为：

式中：v为实时风速；k、c分别为形状参数和尺度参数。风机的输出功率P_win，t与风速v的关系如式：

式中：P_win，N为风机的额定功率；v_ci、v_co、v_N分别为风机的切入风速、切出风速和额定风速。

(2)光伏电出力特性

光伏的输出功率P_pho，t与光照强度γ的关系如下：

式中：P_pho，N、γ_N分别为光伏额定功率和额定光照强度。

(3)水电出力特性

水电输出功率P_hyd，t满足以下约束：

式中：P_hyd，min、P_hyd，max为水电厂的最小及最大输出功率；P_hyd，up、P_hyd，down为水电厂的爬坡和下坡功率；P_{hyd，up max}、P_{hyd，down max}为水电厂的最大爬坡和最大下坡功率。

(4)火电出力特性

火电输出功率P_the，t满足以下约束：

式中：P_the，min、P_the，max为火电厂的最小及最大输出功率；P_the，up、P_the，down为火电厂的爬坡和下坡功率；P_{the，up max}、P_{the，down max}为火电厂的最大爬坡和最大下坡功率。

目标函数

综合收益C最大，包括售电收入C_S、设备回收收入C_D、投资费用C_V、运维费用C_M，如下所示：

C＝max(C_S+C_D-C_V-C_M) (6)(1)售电收入C_S

C_S＝(1+α-β)*R*P_sel (7)

式中：R为电价；α为政策补贴系数；β为环境污染系数；P_sel为输出功率。

(2)设备回收收入C_D

C_D＝C_win，D+C_pho，D+C_hyd，D+C_the，D (8)

C_win，D，C_pho，D，C_hyd，D，C_the，D分别为风电、光伏、光热和火电的设备回收收入，以风电为例：

P_win为风电的装机容量；D_win为风电的单位容量回收收入；L_win为风电的使用寿命；r为贴现率。

(3)投资费用C_V

C_V＝C_win，V+C_pho，V+C_hyd，V+C_the，V (10)

C_win，V，C_pho，V，C_hyd，V，C_the，V分别为风电、光伏、水电及火电的投资费用，以风电为例：

V_win为风电的单位容量投资费用。

(4)运维费用C_M

C_M＝C_win，M+C_pho，M+C_hyd，M+C_the，M (12)

C_win，M，C_pho，M，C_hyd，M，C_the，M分别为风电、光伏、水电及火电的运维费用，以风电为例：

C_win，M＝P_win*M_win (13)

其中M_win为风电的单位容量运维费用

约束条件

(1)潮流约束

为简化规划过程中的计算量，采用直流潮流计算方法：

P＝B*θ (14)

式中：P为节点注入有功功率列向量；B为系统节点导纳矩阵；θ为节点电压相角列向量；

(2)爬坡约束

ΔP^t _i，up≤P^t _{i，the，max up}+P^t _{i，hyd，max up} (15)

式中：ΔP^t _i，up为i节点在t时刻的爬坡功率；P^t _{i，the，max up}、P^t _{i，hyd，max up}分别为i节点在t时刻的火电、水电最大爬坡功率。

(3)下坡约束

ΔP^t _i，down≤P^t _{i，the，max down}+P^t _{i，hyd，max down} (16)

式中：ΔP^t _i，down为i节点在t时刻的下坡功率；P^t _{i，the，max down}、P^t _{i，hyd，max down}分别为i节点在t时刻的火电、水电最大下坡功率。

(4)装机容量约束

式中：P_i，win、P_i，pho、P_i，hyd、P_i，the分别为i节点的风电、光伏、水电及火电的装机容量；

P_{i，win，max}、P_{i，pho，max}、P_{i，hyd，max}、P_{i，the，max}分别为i节点的风电、光伏、水电及火电的最大装机容量。

(5)断面约束

式中：P_i，l为i节点断面中l线路传输功率；P_{i，section，max}为i节点断面最大传输功率。

本发明所述步骤2中，建立的时序性多场景模型，通过对比季节性差异选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型。

主体的等效日出力为：

式中：n为典型场景总个数；P_i为第i个典型日的出力，且P_i＝P_win，i+P_pho，i+P_hyd，i+P_the，i，其中P_win，i、P_pho，i、P_hyd，i、P_the，i分别为第i个典型日的风电、光伏、水电及火电出力；η_i为第i个典型日的概率。

本发明所述步骤3中，对环境影响因素E进行编码：形如E＝[e₁，e₂，L e_i L]的列向量，维数为环境影响因素的数量和。e_i为第i个环境影响因素的整数编码。对反应集合S进行编码：形如S＝[s₁，s₂，L s_i L]的列向量，维数为可控因素的数量和。s_i为第i个反应集合的整数编码。构建行为规则集R：

式中：E_k为第k条规则R_k从外界获取的环境信息；S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整。其中δ_ik满足

本发明所述步骤4中，若主体从外界环境获取的信息为E_k，以概率δ_jk选取S_jk为所对应的行为措施。如果主体的目标效益函数值增加，则提高δ_jk数值，反之则降低δ_jk数值，用以表示主体的经验积累以及适应性提高的过程。

与现有的技术方案相比，本发明的有益效果为：本发明设计的一种多能源电力系统电源协调规划设计方法，充分考虑了不同电源节点的地理因素、自然环境因素及电网的拓扑结构，以经济性最优为目标函数，基于演化博弈理论，以电源节点为独立的博弈主体，充分考虑各类型电源的时空出力特性，建立了考虑地理位置和网架结构的高比例可再生能源的源网协调规划模型。有效减少了弃风弃光现象，提高了系统对新能源的消纳，该模型具有工程实用性，对电源规划建设有一定的指导意义。

附图说明

图1为本发明实施例提供的一种基于演化博弈理论的多能源电力系统电源协调规划设计算法流程图；

图2为本发明实施例提供的博弈节点主体行为机理图；

图3为本发明实施例提供的我国某地区电力系统网架示意图；

图4为本发明实施例提供的各类电源总装机容量变化曲线图；

图5为本发明实施例提供的节点21目标效益函数值散点图；

图6为本发明实施例提供的节点主体目标效益变化曲线图；

图7为本发明实施例提供的重新规划前后新能源消纳总电量对比图；

具体实施方式

为了更好的理解本发明，现结合附图及实施例进一步阐述本发明的内容，但本发明的实施方式不限于此。

本发明针对大规模多类型电源多点布局规划问题而设计一种基于演化博弈理论的多能源电力系统电源规划方法，算法整体流程如图1所示，包括如下步骤：

步骤1、综合电源出力特性，基于演化博弈理论，视电源节点为博弈主体，建立电源规划模型；

步骤2、计及时序特性和季节性差异，选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型；

步骤3、选取可控环境影响因素并进行编码，构建行为规则集；

步骤4、主体从外界环境获取信息，以一定概率选取所对应的行为规则，如果主体的目标效益函数值增加，则提高对应概率数值，反之则降低数值，用以表示主体的经验积累以及适应性提高的过程；

步骤5、若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回步骤4继续迭代计算。

各步骤中的具体内容已在说明书中进行了详细的说明，这里不再一一具体说明。

本发明的关键在于步骤3中环境因素和可控因素的选取及编码和步骤4中博弈主体随着经验的增加对自身规则的调整。下面对该应用方法进行详细的说明。

本发明建立的演化博弈模型，以经济性最优为目标，综合考虑各个电源节点的地理位置信息以及自然环境条件，并且计及考虑爬坡约束，潮流约束，输电断面约束，建立了多能源电源容量配置的规划模型。其中环境因素列向量E＝[e₁，e₂，L e_i L]设定为[弃风量，弃光量，爬坡限制，降坡限制，断面约束，最大容量约束]，依据越限程度对影响因素进行编码处理。其中控制因素列向量S＝[s₁，s₂，L s_i L]设定为[风电容量，光伏容量，水电容量，火电容量]。编码对应规则为：1-增加容量；-1-减少容量；0-容量不变。其中节点主体的行为规则如下：

式中：E_k为第k条规则R_k从外界获取的环境信息；S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整。其中δ_jk满足

为了使节点主体依据自身经验进行行为选择，若主体的目标效益函数值增加，则提高选取对应规则概率δ_jk数值，反之则降低δ_jk数值。

本发明考虑电力系统源网协调问题，基于演化博弈理论，以各电源节点为博弈主体建立规划模型，可明确各节点多类型电源的容量配置，提高新能源消纳量以及系统的运行效率。

2、算例展示

为了便于本领域技术人员的理解与实施，下面通过仿真实例对本发明所设计的基于演化博弈理论的多能源电力系统电源规划方法进行验证。

实施例系统采用某地区实际电力系统，系统结构如图3所示，节点类型如表1所示。依据电网实际运行情况，划分了7大断面，如表2所示。重新规划前的电源布局情况如表3所示。经济技术参数如表4所示。

表1节点类型

表2断面划分

表3规划前电源布局

表4经济技术参数

在对电源重新布局的过程中，如图4所示，风电总装机容量略有下降，火电总装机容量基本维持不变，光伏及水电装机总容量有所增加。对于每个电源节点主体来说，以节点21为例，图5为节点21目标效益函数值的变化散点图，从图中可以看出每个电源主体通过改变各类电源的容量配置，以获得最大收益。图中曲线采用高斯函数对散点进行5阶曲线拟合，可以看出收敛趋势与图4电源装机总容量的收敛时刻相吻合。图6为各电源节点主体目标效益函数值的高斯拟合曲线。可以看出虽然所有主体以目标效益函数值最大为演变方向，但是也会出现部分主体目标函数值减小的情况，这是主体与主体之间存在竞争关系所导致的。重新规划后，电源的布局情况如表5所示。

表5重新规划后的电源布局

电源节点编号风电装机容量(MW)光伏装机容量(MW)水电装机容量(MW)火电装机容量(MW)

表5表明，在同一负荷水平下对电源容量进行规划并且对各类电源容量的具体分布情况进行布局，可见各类电源的总容量基本保持不变，但是各类电源的具体分布情况发生了明显改变。对重新规划前后电源布局情况进行100次时序多场景的出力模拟，新能源消纳的情况如图7、表6所示。

表6三种情况消纳新能源电量

在规划前和考虑断面约束规划两种情况下，新能源消纳量提高4.8％，减少了弃风弃光现象；由以上结果可以看出，采用本文方法对电源重新进行布局后，新能源的消纳量有了显著增加，减少了弃风弃光现象，验证了本文所提方法的有效性。

以上所述，仅为本发明的具体实施例而已，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于演化博弈理论的多能源电力系统电源规划方法，其特征在于，所述方法包括如下步骤：

步骤1、综合电源出力特性，演化博弈理论，视电源节点为博弈主体，建立电源规划模型；

步骤2、计及时序特性和季节性差异，选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型；

步骤3、选取可控环境影响因素并进行编码，构建行为规则集；

步骤4、主体从外界环境获取信息，以一定概率选取所对应的行为规则，如果主体的目标效益函数值增加，则提高对应概率数值，反之则降低数值，用以表示主体的经验积累以及适应性提高的过程；

步骤5、若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回步骤4继续迭代计算。

2.根据权利要求1所述的方法，其特征在于，在所述步骤1中充分考虑各种类型电源的出力特性建立的一种以各个节点为研究对象的电源规划模型：

(1)风电出力特性

风速一般遵循Weibull分布，其概率密度函数f(v)表示为：

式中：v为实时风速；k、c分别为形状参数和尺度参数。风机的输出功率P_win，t与风速v的关系如式：

式中：P_win，N为风机的额定功率；V_ci、V_co、v_N分别为风机的切入风速、切出风速和额定风速；

(2)光伏电出力特性

光伏的输出功率P_pho，t与光照强度γ的关系如下：

式中：P_pho，N、γ_N分别为光伏额定功率和额定光照强度。

(3)水电出力特性

水电输出功率P_hyd，t满足以下约束：

式中：P_hyd，min、P_hyd，max为水电厂的最小及最大输出功率；P_hyd，up、P_hyd，down为水电厂的爬坡和下坡功率；P_{hyd，up max}、P_{hyd，down max}为水电厂的最大爬坡和最大下坡功率。

(4)火电出力特性

火电输出功率P_the，t满足以下约束：

式中：P_the，min、P_the，max为火电厂的最小及最大输出功率；P_the，up、P_the，down为火电厂的爬坡和下坡功率；P_{the，up max}、P_{the，down max}为火电厂的最大爬坡和最大下坡功率。

目标函数：

综合收益C最大，包括售电收入C_S、设备回收收入C_D、投资费用C_V、运维费用C_M，如下所示：

C＝max(C_S+C_D-C_V-C_M) (6)

(1)售电收入C_S

C_S＝(1+α-β)*R*P_sel (7)

式中：R为电价；α为政策补贴系数；β为环境污染系数；P_sel为输出功率。

(2)设备回收收入C_D

C_D＝C_win，D+C_pho，D+C_hyd，D+C_the，D (8)

C_win，D，C_pho，D，C_hyd，D，C_the，D分别为风电、光伏、光热和火电的设备回收收入，以风电为例：

P_win为风电的装机容量；D_win为风电的单位容量回收收入；L_win为风电的使用寿命；r为贴现率。

(3)投资费用C_V

C_V＝C_win，V+C_pho，V+C_hyd，V+C_the，V (10)

C_win，V，C_pho，V，C_hyd，V，C_the，V分别为风电、光伏、水电及火电的投资费用，以风电为例：

V_win为风电的单位容量投资费用。

(4)运维费用C_M

C_M＝C_win，M+C_pho，M+C_hyd，M+C_the，M (12)

C_win，M，C_pho，M，C_hyd，M，C_the，M分别为风电、光伏、水电及火电的运维费用，以风电为例：

C_win，M＝P_win*M_win (13)

其中M_win为风电的单位容量运维费用

约束条件：

(1)潮流约束

为简化规划过程中的计算量，采用直流潮流计算方法：

P＝B*θ (14)

式中：P为节点注入有功功率列向量：B为系统节点导纳矩阵；θ为节点电压相角列向量；

(2)爬坡约束

ΔP^t _i，up≤P^t _{i，the，max up}+P^t _{i，hyd，max up} (15)

式中：ΔP^t _i，up为i节点在t时刻的爬坡功率；P^t _{i，the，max up}、P^t _{i，hyd，max up}分别为i节点在t时刻的火电、水电最大爬坡功率。

(3)下坡约束

ΔP^t _i，down≤P^t _{i，the，max down}+P^t _{i，hyd，max down} (16)

式中：ΔP^t _i，down为i节点在t时刻的下坡功率；P^t _{i，the，max down}、P^t _{i，hyd，max down}分别为i节点在t时刻的火电、水电最大下坡功率。

(4)装机容量约束

式中：P_i，win、P_i，pho、P_i，hyd、P_i，the分别为i节点的风电、光伏、水电及火电的装机容量；P_{i，win，max}、P_{i，pho，max}、P_{i，hyd，max}、P_{i，the，max}分别为i节点的风电、光伏、水电及火电的最大装机容量。

(5)断面约束

式中：P_i，l为i节点断面中l线路传输功率；P_{i，section，max}为i节点断面最大传输功率。

3.根据权利要求1所述的方法，其特征在于，在所述步骤2中建立的时序性多场景模型，通过对比季节性差异选取一年中多个典型日，每个典型日分为24个时段。主体的等效日出力为：

式中：n为典型场景总个数；P_i为第i个典型日的出力，且P_i＝P_win，i+P_pho，i+P_hyd，i+P_the，i，其中P_win，i、P_pho，i、P_hyd，i、P_the，i分别为第i个典型日的风电、光伏、水电及火电出力；η_i为第i个典型日的概率。

4.根据权利要求1所述的方法，其特征在于，在所述步骤4中，对环境影响因素E进行编码：形如E＝[e₁，e₂，L e_iL]的列向量，维数为环境影响因素的数量和。e_i为第i个环境影响因素的整数编码。对反应集合S进行编码：形如S＝[s₁，s₂，L s_iL]的列向量，维数为可控因素的数量和。s_i为第i个反应集合的整数编码。构建行为规则集R：

式中：E_k为第k条规则R_k从外界获取的环境信息；S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整。其中δ_jk满足

Images