CN112886572A - 一种电网可再生能源消纳能力评估方法 - Google Patents

一种电网可再生能源消纳能力评估方法 Download PDF

Info

Publication number
CN112886572A
CN112886572A CN202110093408.8A CN202110093408A CN112886572A CN 112886572 A CN112886572 A CN 112886572A CN 202110093408 A CN202110093408 A CN 202110093408A CN 112886572 A CN112886572 A CN 112886572A
Authority
CN
China
Prior art keywords
renewable energy
output
grid
photovoltaic
wind
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
Application number
CN202110093408.8A
Other languages
English (en)
Inventor
蒋雨豪
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202110093408.8A priority Critical patent/CN112886572A/zh
Publication of CN112886572A publication Critical patent/CN112886572A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种电网可再生能源消纳能力评估方法，它包括以下步骤：步骤1：基于各可再生能源的发电模型，分析各个可再生能源发电端的不确定性与气象因素、并网状态的关系，建立随并网容量变化的不确定集合；步骤2：建立可再生能源消纳能力评估模型；步骤3：基于不确定集合以及可再生能源消纳评估模型，对可再生能源消纳评估模型进行求解；通过以上步骤对电网可再生能源消纳能力进行评估。

Description

一种电网可再生能源消纳能力评估方法
技术领域
本发明属于电力系统调度自动化技术领域，具体涉及一种电网可再生能源消纳能力评估方法。
背景技术
能源转型、低碳发展推动了以风能、太阳能为代表的可再生能源发电技术的快速发展。大规模、高比例的可再生能源发电具有波动性和随机性，给电力系统的规划和运行带来了巨大的挑战。因此建立合理的可再生能源消纳能力评估方法，有助于电网的建设规划和调度运行。现有的基于非时序分析模型的风电消纳能力评估方法，通过负荷特性构建了风电消纳空间的概率分布，进而评估系统的风电消纳能力。但是，非时序方法无法考虑机组爬坡能力对系统的影响，以及电网输电能力方面的约束。因此在可再生能源消纳评估中考虑常规机组运行约束和网络安全约束具有重要意义，使其更加符合工程实际。
在现有技术中，授权公告号为CN109818347A的专利文献公开了一种电-气综合能源系统的风电消纳能力评估模型。该方法利用布尔变量表征风电不确定性，将其与风电出力预测值相结合构建风电不确定集合，以弃风量、切负荷量为最优值构建风电可接纳判据，并设置电力系统与天然气系统模型约束；求解模型输出风电可接纳上下边界。但是该现有技术以日前预测风电为基础给出系统可接纳风电的区间，但不能给出明确的风电可消纳量。同时，当电网不能完全消纳日前预测可再生能源发电时，从可再生能源预测角度来讲，弃风、弃光会改变风电出力的不确定性。所以基于日前预测风电构建的可再生能源消纳区间，不能满足实际使用的要求。
发明内容
本发明主要是为了解决如何在考虑可再生能源出力不确定性的情况下评估电网的可再生能源消纳能力的技术问题，而提出的一种电网可再生能源消纳能力评估方法。
为解决上述技术问题，本发明所采用的技术方案是：
一种电网可再生能源消纳能力评估模型的建立方法，它包括两个阶段，第一阶段：制订可再生能源并网决策和火电机组调度决策；第二阶段：为可再生能源可消纳判据，用于校验不确定场景下第一阶段决策的鲁棒性。
具体包括以下步骤：
步骤1)建立两阶段的可再生能源消纳评估模型，模型以系统的弃风、弃光最小为目标，如下式所示：
Figure BDA0002910287760000021
步骤2)第一阶段约束包括：风电场的出力约束；光伏电站出力约束；系统的功率平衡约束；火电机组的出力上下限约束；火电机组的开停机时间约束；火电机组的爬坡约束；传输线路容量约束；
步骤3)考虑可再生能源出力不确定性的可消纳判据，即为可再生能源不确定出力在极大化下电网运行过程中再调度阶段的弃风，弃光，切负荷量最小，其数学上表现为双层max-min形式如下：
Figure BDA0002910287760000022
第二阶段的约束包括：功率平衡约束；输电线路传输功率约束；火电机组出力上下限约束及再调度约束；火电机组爬坡约束；风电不确定集合；光伏不确定集合；
式中，PWw,t为风电出力；
Figure BDA0002910287760000023
为风电场预测出力；PVv,t为并网光伏出力；
Figure BDA0002910287760000024
为光伏电站预测出力；
Figure BDA0002910287760000025
为风电场不确定出力；
Figure BDA0002910287760000026
为光伏不确定出力；
Figure BDA0002910287760000027
为不确定场景下火电机组的出力；ΔPWw,t，ΔPVv,t，以及ΔDd,t表示弃风量，弃光量和切负荷量；Nw表示风电场的数量；Nv表示光伏电站的数量；ND表示负荷的数量。
一种对可再生能源消纳评估模型进行求解的方法，包括以下步骤：
步骤(1)将原始问题拆分为基本场景下的可再生能源消纳评估主问题和不确定场景下的可再生能源可消纳判据子问题；
步骤(2)进行主问题的求解，求解主问题得到的Ib、pb、pw，pv；
步骤(3)子问题求解，将主问题中求得的Ib、pb、pw，pv在不确定场景下的可再生能源可消纳判据子问题中进行校验，若子问题中的弃风、弃光或切负荷量大于0，生成C&CG割平面返回到主问题，重新求解主问题；如果弃风、弃光或切负荷量等于0，迭代结束；
步骤(4)生成C&CG最优割集，求解步骤(3)中的Max问题，如果最坏场景下的弃风，弃光，切负荷大于0，保留风电、光伏出力最坏场景，在主问题中添加变量Δwk+1，Δvk+1，
Figure BDA0002910287760000032
生成C&CG最优割平面并返回到主问题，重新求解主问题。
式中，Ib为火电机组的0-1状态变量；pb为预测场景下火电机组出力；pw为风电场的出力，pv为光伏电站的出力；Δw、Δv和Δd分别表示不确定场景下的弃风、弃光和切负荷变量；pu表示不确定场景下的常规机组出力；θu表示不确定场景下的节点相角；下标k表示迭代次数。
在步骤(2)中，主问题的矩阵数学模型可列写如下：
Figure BDA0002910287760000033
在步骤(3)中，可消纳判据子问题的模型可列写如下式；
Figure BDA0002910287760000031
式中，pwe和pve分别为预测风电和光伏发电；pwu、pvu表示不确定风电和光伏出力，zw、zv为0-1变量；U表示不确定集合。A、B、K、G、H、E、L、F、R、M、X、N、g、h分别为常系数矩阵或向量。
上述接可再生能源可消纳判据是一个Max-Min问题，取内层Min问题的对偶，从而将可消纳判据子问题转化为一个的Max型单层优化问题，如下所示：
Figure BDA0002910287760000041
式中，λ为权利要求4中max-min模型中约束对应的对偶变量；pwu＝fun(zw)表示pwu为zw的函数。
一种电网可再生能源消纳能力评估方法，其特征在于，它包括以下步骤：
步骤1：基于各可再生能源的发电模型，分析各个可再生能源发电端的不确定性与气象因素、并网状态的关系，建立随并网容量变化的不确定集合；
步骤2：建立可再生能源消纳能力评估模型；
步骤3：基于不确定集合以及可再生能源消纳评估模型，对可再生能源消纳评估模型进行求解；
通过以上步骤对电网可再生能源消纳能力进行评估。
在步骤1中，可再生能源的发电模型包括风电机组发电模型和光伏发电模型，分析风电场、光伏电站出力的不确定性与气象因素、并网状态的关系，定义风电并网系数、光伏并网容量系数，建立随并网容量变化的不确定集合。
在步骤1中，具体包括以下步骤：
步骤1)进行风电不确定集合的构造，定义“风电并网系数”λW，将风电并网系数描述为：风电场并网容量与总容量的比值，基于风电并网系数，建立随并风电并网容量变化的不确定集合如下：
Figure BDA0002910287760000042
式中，w为风电场序号，t表示时间；
Figure BDA0002910287760000043
为风电不确定出力；PWw,t为并网风电机组的出力；
Figure BDA0002910287760000044
为风电场预测出力；
Figure BDA0002910287760000045
βW为风电出力的预测误差系数，布尔变量
Figure BDA0002910287760000046
和
Figure BDA0002910287760000047
描述风电场出力的不确定性，当
Figure BDA0002910287760000048
＝1时，风电场出力最坏场景出现在上边界，
Figure BDA0002910287760000051
时，风电场出力最坏场景出现在下边界；ΓT为时间不确定预算，λW表示风电并网系数，在实际风电场中风机数量是足够多的，因此可以认为λW是连续的，即为λW∈[0,1]；
步骤2)定义“光伏并网容量系数”λV，将光伏容量并网系数描述为：光伏电站并网系统面积与总面积的比值，建立随光伏并网容量变化的不确定集合模型，如下式所示：
Figure BDA0002910287760000052
式中，v为光伏电站序号，t表示时间；
Figure BDA0002910287760000053
为光伏电站的不确定出力；PVt为并网光伏出力；
Figure BDA0002910287760000054
为光伏电站预测出力；
Figure BDA0002910287760000055
βV为光伏预测误差系数；布尔变量
Figure BDA0002910287760000056
和
Figure BDA0002910287760000057
描述光伏出力的不确定性，当
Figure BDA0002910287760000058
时，光伏出力最坏场景出现在上边界，
Figure BDA0002910287760000059
时，出力最坏场景出现在下边界；ΓT为时间不确定预算，λV表示光伏并网系数，λV∈[0,1]。
在步骤2中，采用本发明中的一种电网可再生能源消纳能力评估模型的建立方法进行可再生能源消纳能力评估模型的建立。
在步骤3中，采用本发明中的一种对可再生能源消纳评估模型进行求解的方法在对可再生能源消纳评估模型进行求解。
与现有技术相比，本发明具有如下技术效果：
本发明分析了可再生能源出力的不确定性与风速、风机并网状态的关系，建立随并网容量变化的不确定集合，更合理的描述了可再生能源出力的不确定性；然后基于鲁棒优化方法建立了考虑可再生能源出力不确定性的消纳评估模型，合理给出了电网的最大可再生能源接纳能力。
本发明的附加优点将在下面的描述中部分给出，通过下面的描述变得更加明显。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的流程图。
图2为负荷预测数据图。
图3为风电、光伏预测出力图。
图4为各时段的风电并网系数图。
图5为各时段的光伏并网系数图。
具体实施方式
一种电网可再生能源消纳能力评估方法，包括以下步骤：
步骤1：基于风电机组和光伏发电模型，分析了风电场、光伏电站出力的不确定性与气象因素、并网状态的关系，定义了“风电并网系数”和“光伏并网容量系数”，建立随并网容量状态变化的不确定集合；
步骤1中，更具体的步骤如下：
步骤1)进行风电不确定集合的构造，定义“风电并网系数”λW，将风电并网系数描述为：风电场并网容量与总容量的比值，基于风电并网系数，建立随并风电并网容量变化的不确定集合如下：
Figure BDA0002910287760000061
式中，w为风电场序号，t表示时间；
Figure BDA0002910287760000062
为风电不确定出力；PWw,t为并网风电机组的出力；
Figure BDA0002910287760000063
为风电场预测出力；
Figure BDA0002910287760000064
βW为风电出力的预测误差系数，布尔变量
Figure BDA0002910287760000065
和
Figure BDA0002910287760000066
描述风电场出力的不确定性，当
Figure BDA0002910287760000067
＝1时，风电场出力最坏场景出现在上边界，
Figure BDA0002910287760000068
时，风电场出力最坏场景出现在下边界；ΓT为时间不确定预算，λW表示风电并网系数，在实际风电场中风机数量是足够多的，因此可以认为λW是连续的，即为λW∈[0,1]；
步骤2)定义“光伏并网容量系数”λV，将光伏容量并网系数描述为：光伏电站并网系统面积与总面积的比值，建立随光伏并网容量变化的不确定集合模型，如下式所示：
Figure BDA0002910287760000069
式中，v为光伏电站序号，t表示时间；
Figure BDA0002910287760000071
为光伏电站的不确定出力；PVt为并网光伏出力；
Figure BDA0002910287760000072
为光伏电站预测出力；
Figure BDA0002910287760000073
βV为光伏预测误差系数；布尔变量
Figure BDA0002910287760000074
和
Figure BDA0002910287760000075
描述光伏出力的不确定性，当
Figure BDA0002910287760000076
时，光伏出力最坏场景出现在上边界，
Figure BDA0002910287760000077
时，出力最坏场景出现在下边界；ΓT为时间不确定预算，λV表示光伏并网系数，λV∈[0,1]。
步骤2：基于鲁棒优化方法建立可再生能源消纳能力评估模型，所提模型分为两个阶段：第一阶段制订可再生能源并网决策和火电机组调度决策；第二阶段为可再生能源可消纳判据，用于校验不确定场景下第一阶段决策的鲁棒性；该电网可再生能源消纳能力评估模型的建立方法可独立使用，也可与其它步骤配合使用。
步骤2中，更具体的步骤如下：
步骤1)建立两阶段的可再生能源消纳评估模型。模型以系统的弃风、弃光最小为目标，如下式所示。
Figure BDA0002910287760000078
步骤2)第一阶段约束包括：风电场的出力约束(4)；光伏电站出力约束式(5)；系统的功率平衡约束(6)；传输线路容量约束(7)-(8)；火电机组的出力上下限约束(9)；火电机组的开停机时间约束(10)-(11)；火电机组的爬坡约束(12)-(13)。
Figure BDA0002910287760000079
Figure BDA00029102877600000710
Figure BDA00029102877600000711
Figure BDA00029102877600000712
Figure BDA00029102877600000713
Figure BDA00029102877600000714
Figure BDA00029102877600000715
Figure BDA00029102877600000716
Figure BDA00029102877600000717
Figure BDA0002910287760000081
步骤3)考虑可再生能源出力不确定性的可接纳判据，即为可再生能源不确定出力在极大化下电网运行过程中再调度阶段的弃风，弃光，切负荷量最小，其数上表现为双层max-min形式：
Figure BDA0002910287760000082
第二阶段的约束包括：功率平衡约束(15)；输电线路传输功率约束(16)-(17)；火电机组出力上下限约束及再调度约束(18)-(19)；火电机组爬坡约束(20)-(21)；风电不确定集合和光伏不确定集合。
Figure BDA0002910287760000083
Figure BDA0002910287760000084
Figure BDA0002910287760000085
Figure BDA0002910287760000086
Figure BDA0002910287760000087
Figure BDA0002910287760000088
Figure BDA0002910287760000089
式中，w，t，j，i，l，d，m，n分别为风电场，时间段，风机，常规机组，输电线路，负荷，母线接点的索引下标；PWw,t为风电出力；
Figure BDA00029102877600000810
为风电场预测出力；PVv,t为并网光伏出力；
Figure BDA00029102877600000811
为光伏电站预测出力；
Figure BDA00029102877600000812
为期望场景下的常规机组出力；
Figure BDA00029102877600000813
和
Figure BDA00029102877600000814
为与线路l连接的节点相角，
Figure BDA00029102877600000815
为平衡节点相角，xl为线路l的电抗；
Figure BDA00029102877600000816
表示期望场景下输电线路功率，
Figure BDA00029102877600000817
为线路的最大传输容量；
Figure BDA00029102877600000818
为节点的负荷量；G(m)表示位于m节点的常规机组，W(m)表示位于节点m的风电场，L(m)表示与节点m连接的输电线路，D(m)表示位于节点m的负荷。
Figure BDA00029102877600000819
表示常规机组运行状态，Pi min、Pi max为常规机组出力的下限和上限；
Figure BDA00029102877600000822
为机组已经连续开机和停机的时间变量；Ton,i、Toff,i表示机组开机和停机时间约束；URi和DRi为上下爬坡限制；ΔPWw,t，ΔPVv,t，以及ΔDd,t表示弃风量，弃光量和切负荷量；Nw表示风电场的数量；Nv表示光伏电站的数量；ND表示负荷的数量；
Figure BDA0002910287760000091
表示不确定场景下常规机组的出力；
Figure BDA0002910287760000092
表示不确定场景下输电线路功率，
Figure BDA0002910287760000093
和
Figure BDA0002910287760000094
为不确定场景下与线路l连接的节点的相角，
Figure BDA0002910287760000095
为发电机的正负旋转备用容量。
步骤3：建立的不确定集合和可再生能源消纳评估模型，采用列约束生成算法对模型进行求解；该对可再生能源消纳评估模型进行求解的方法可独立使用，也可与其它步骤配合使用。
步骤1)采用列约束生成算法对两阶段的可再生能源消纳评估模型进行求解。将原始问题拆分为基本场景下的可再生能源消纳评估主问题和不确定场景下的可再生能源可消纳判据子问题。
步骤2)主问题求解。主问题的矩阵数学模型可列写如下式。求解主问题得到的Ib、pb、pw，pv。
Figure BDA0002910287760000096
步骤3)子问题求解。将主问题中求得的Ib、pb、pw，pv在不确定场景下的可消纳判据子问题中进行校验。若子问题中的弃风、弃光或切负荷量大于0，生成C&CG割平面返回到主问题，重新求解主问题；如果弃风、弃光或切负荷量等于0，迭代结束。
可消纳判据子问题的紧凑数学模型可列写如下式。
Figure BDA0002910287760000097
可消纳判据子问题是一个Max-Min问题，属于双层规划中的一种特殊形式，无法直接求解。基于强对偶定理算法，取内层Min问题的对偶，从而将子问题转化为一个的Max型单层优化问题，如下式所示。λ为上式内层优化问题的对偶变量。
Figure BDA0002910287760000101
步骤4)生成C&CG最优割集。求解3)中的Max问题，如果最坏场景下的弃风，弃光，切负荷大于0，λ、zw、zv的最优解为λk+1、zwk+1、zvk+1，在主问题中添加变量Δwk+1，Δvk+1，Δdk+1
Figure BDA0002910287760000103
生成C&CG最优割平面并返回到主问题，重新求解主问题。
Figure BDA0002910287760000102
式中，Ib为火电机组的0-1状态变量；pb为预测场景下火电机组出力；θb为的节点相角；pwe和pve分别为预测风电和光伏发电；pw为风电场的出力，pv为光伏电站的出力；Δw、Δv和Δd分别表示不确定场景下的弃风、弃光和切负荷变量；pu表示不确定场景下的常规机组出力；θu表示不确定场景下的节点相角；pwu、pvu表示不确定风电和光伏出力，zw、zv为0-1变量；U表示不确定集合。A、B、K、G、H、E、L、F、R、M、X、N、e、s、f、g、h分别为常系数矩阵或向量；λ为式(23)中Max-Min模型中约束对应的对偶变量；pwu＝fun(zw)表示pwu为zw的函数。
为使本领域技术人员更好地理解本发明以及了解本发明相对现有技术的优点，申请人结合具体实施例进行进一步的阐释。
实施例：
下面基于某省网全网算例进行分析，该系统包含有154台火电机组110座风电场，以及129个光伏电站。为了降低模型的求解难度，对风电场和光伏电站进行处理，将连接在同一母线上的风电场或光伏电站合并为1个。本节以某一日的可再生能源、电负荷为例，验证所提模型的有效性，负荷和可再生能源预测数据如图2和图3所示。为模拟可再生能源大规模接入，将风电、光伏预测数据增大一倍。风电和光伏的预测误差为0.2，负荷预测误差为0.1。提出的电热协调随机优化调度模型在MATLAB 2017b上调用YALMIP和Gurobi-8.0.1实现。
表1
预测发电量(MWh) 可消纳量(MWh) 弃电量(MWh)
风电 263568 165942 97626
光伏 61343 55002 6341
通过求解可再生能源消纳评估模型，得到给定预测误差下系统的可再生能源消纳量，计算结果如表1所示。从表中可以看出，系统的弃风量较高。图4和图5给出了各时刻风电和光伏并网比例。从图4中可以看出，风电在整个时间段的并网都比较低，这是因为在夜间，系统负荷较低，开启的火电机组数目较少，不足以提供足够的备用容量保证风电的消纳；在白天，由于系统要消纳光伏发电，因此弃风的比例也较高。

Claims (10)

1.一种电网可再生能源消纳能力评估模型的建立方法，其特征在于，它包括两个阶段，第一阶段：制订可再生能源并网决策和火电机组调度决策；第二阶段：为可再生能源可消纳判据，用于校验不确定场景下第一阶段决策的鲁棒性。
2.根据权利要求1所述的电网可再生能源消纳能力评估模型的建立方法，其特征在于，具体包括以下步骤：
步骤1)建立两阶段的可再生能源消纳评估模型，模型以系统的弃风、弃光最小为目标，如下式所示：
Figure FDA0002910287750000011
步骤2)第一阶段约束包括：风电场的出力约束；光伏电站出力约束；系统的功率平衡约束；火电机组的出力上下限约束；火电机组的开停机时间约束；火电机组的爬坡约束；传输线路容量约束；
步骤3)考虑可再生能源出力不确定性的可消纳判据，即为可再生能源不确定出力在极大化下电网运行过程中再调度阶段的弃风，弃光，切负荷量最小，其数上表现为双层max-min形式如下：
Figure FDA0002910287750000012
第二阶段的约束包括：功率平衡约束；输电线路传输功率约束；火电机组出力上下限约束及再调度约束；火电机组爬坡约束；风电不确定集合；光伏不确定集合；
式中，PWw,t为风电出力；
Figure FDA0002910287750000013
为风电场预测出力；PVv,t为并网光伏出力；
Figure FDA0002910287750000014
为光伏电站预测出力；
Figure FDA0002910287750000015
为风电场不确定出力；
Figure FDA0002910287750000016
为光伏不确定出力；
Figure FDA0002910287750000017
为不确定场景下火电机组的出力；ΔPWw,t，ΔPVv,t，以及ΔDd,t表示弃风量，弃光量和切负荷量；Nw表示风电场的数量；Nv表示光伏电站的数量；ND表示负荷的数量。
3.一种对可再生能源消纳评估模型进行求解的方法，其特征在于，包括以下步骤：
步骤(1)将原始问题拆分为基本场景下的可再生能源消纳评估主问题和不确定场景下的可再生能源可消纳判据子问题；
步骤(2)进行主问题的求解，求解主问题得到的Ib、pb、pw，pv；
步骤(3)子问题求解，将主问题中求得的Ib、pb、pw，pv在不确定场景下的可再生能源可消纳判据子问题中进行校验，若子问题中的弃风、弃光或切负荷量大于0，生成C&CG割平面返回到主问题，重新求解主问题；如果弃风、弃光或切负荷量等于0，迭代结束；
步骤(4)生成C&CG最优割集，求解步骤(3)中的Max问题，如果最坏场景下的弃风，弃光，切负荷大于0，保留风电、光伏出力最坏场景，在主问题中添加变量Δwk+1，Δvk+1，
Figure FDA0002910287750000021
生成C&CG最优割平面并返回到主问题，重新求解主问题；
式中，Ib为火电机组的0-1状态变量；pb为预测场景下火电机组出力；pw为风电场的出力，pv为光伏电站的出力；Δw、Δv和Δd分别表示不确定场景下的弃风、弃光和切负荷变量；pu表示不确定场景下的常规机组出力；θu表示不确定场景下的节点相角；下标k表示迭代次数。
4.根据权利要求3所述的对可再生能源消纳评估模型进行求解的方法，其特征在于，在步骤(2)中，主问题的矩阵数学模型可列写如下：
Figure FDA0002910287750000022
在步骤(3)中，可再生能源可消纳判据子问题的模型可列写如下式；
Figure FDA0002910287750000023
Figure FDA0002910287750000024
式中，pwe和pve分别为预测风电和光伏发电；pwu、pvu表示不确定风电和光伏出力，zw、zv为0-1变量；U表示不确定集合，A、B、K、G、H、E、L、F、R、M、X、N、g、h分别为常系数矩阵或向量。
5.根据权利要求4所述的对可再生能源消纳评估模型进行求解的方法，其特征在于，所述可再生能源可消纳判据子问题是一个Max-Min问题，取内层Min问题的对偶，将可再生能源可消纳判据子问题转化为一个的Max型单层优化问题，如下所示：
Figure FDA0002910287750000031
式中，λ为权利要求4中Max-Min模型中约束对应的对偶变量。
6.一种电网可再生能源消纳能力评估方法，其特征在于，它包括以下步骤：
步骤1：基于各可再生能源的发电模型，分析各个可再生能源发电端的不确定性与气象因素、并网状态的关系，建立随并网容量变化的不确定集合；
步骤2：建立可再生能源消纳能力评估模型；
步骤3：基于不确定集合以及可再生能源消纳评估模型，对可再生能源消纳评估模型进行求解；
通过以上步骤对电网可再生能源消纳能力进行评估。
7.根据权利要求6所述的电网可再生能源消纳能力评估方法，其特征在于，在步骤1中，可再生能源的发电模型包括风电机组发电模型和光伏发电模型，分析风电场、光伏电站出力的不确定性与气象因素、并网状态的关系，定义风电并网系数、光伏并网容量系数，建立随并网容量变化的不确定集合。
8.根据权利要求7所述的电网可再生能源消纳能力评估方法，其特征在于，在步骤1中，具体包括以下步骤：
步骤1)进行风电不确定集合的构造，定义“风电并网系数”λW，将风电并网系数描述为：风电场并网机组数量与总机组数量的比值，基于风电并网系数，建立随并风电并网容量变化的不确定集合如下：
Figure FDA0002910287750000032
式中，w为风电场序号，t表示时间；
Figure FDA0002910287750000041
为风电不确定出力；PWw,t为并网风电机组的出力；
Figure FDA0002910287750000042
为风电场预测出力；
Figure FDA0002910287750000043
βW为风电出力的预测误差系数，布尔变量
Figure FDA0002910287750000044
和
Figure FDA0002910287750000045
描述风电场出力的不确定性，当
Figure FDA0002910287750000046
＝1时，风电场出力最坏场景出现在上边界，
Figure FDA0002910287750000047
时，风电场出力最坏场景出现在下边界；ΓT为时间不确定预算，λW表示风电并网系数，在实际风电场中风机数量是足够多的，因此可以认为λW是连续的，即为λW∈[0,1]；
步骤2)定义“光伏并网容量系数”λV，将光伏容量并网系数描述为：光伏电站并网系统面积与总面积的比值，建立随光伏并网容量变化的不确定集合模型，如下式所示：
Figure FDA0002910287750000048
式中，v为光伏电站序号，t表示时间；
Figure FDA0002910287750000049
为光伏电站的不确定出力；PVt为并网光伏出力；
Figure FDA00029102877500000410
为光伏电站预测出力；
Figure FDA00029102877500000411
βV为光伏预测误差系数；布尔变量
Figure FDA00029102877500000412
和
Figure FDA00029102877500000413
描述光伏出力的不确定性，当
Figure FDA00029102877500000414
时，光伏出力最坏场景出现在上边界，
Figure FDA00029102877500000415
时，出力最坏场景出现在下边界；ΓT为时间不确定预算，λV表示光伏并网系数，λV∈[0,1]。
9.根据权利要求6至8其中之一所述的电网可再生能源消纳能力评估方法，其特征在于，在步骤2中，在建立可再生能源消纳能力评估模型时，采用如权利要求1或2所述的建立方法。
10.根据权利要求6至8其中之一所述的电网可再生能源消纳能力评估方法，其特征在于，在步骤3中，在对可再生能源消纳评估模型进行求解时，采用如权利要求3至5其中之一所述的求解的方法。
CN202110093408.8A 2021-01-21 2021-01-21 一种电网可再生能源消纳能力评估方法 Pending CN112886572A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093408.8A CN112886572A (zh) 2021-01-21 2021-01-21 一种电网可再生能源消纳能力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093408.8A CN112886572A (zh) 2021-01-21 2021-01-21 一种电网可再生能源消纳能力评估方法

Publications (1)

Publication Number Publication Date
CN112886572A true CN112886572A (zh) 2021-06-01

Family

ID=76050702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093408.8A Pending CN112886572A (zh) 2021-01-21 2021-01-21 一种电网可再生能源消纳能力评估方法

Country Status (1)

Country Link
CN (1) CN112886572A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109617134A (zh) * 2018-12-21 2019-04-12 华北电力大学 计及不确定量预测误差时空相关性的鲁棒机组组合方法
CN109818347A (zh) * 2018-11-30 2019-05-28 华北电力大学 一种电力系统风电消纳能力的评估方法
CN110247426A (zh) * 2019-06-12 2019-09-17 国网山西省电力公司电力科学研究院 一种基于多频段不确定集合的鲁棒机组组合方法
CN110443467A (zh) * 2019-07-18 2019-11-12 天津大学 一种区域综合能源系统太阳能消纳能力评估方法
CN110535185A (zh) * 2019-08-09 2019-12-03 东北电力大学 一种考虑需求响应的含光热电站多源优化运行方法
CN110543693A (zh) * 2019-08-13 2019-12-06 国网山西省电力公司电力科学研究院 一种计及运行风险的鲁棒机组组合方法
CN110688725A (zh) * 2019-08-13 2020-01-14 国网山西省电力公司电力科学研究院 一种计及运行风险和需求响应的鲁棒机组组合方法
CN110991857A (zh) * 2019-11-28 2020-04-10 华北电力大学 一种电热综合能源系统风电消纳能力评估的方法
CN111668877A (zh) * 2020-04-28 2020-09-15 中国电力科学研究院有限公司 一种主动配电网分布鲁棒优化调度方法及系统
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112072641A (zh) * 2020-08-19 2020-12-11 国网江苏省电力有限公司扬州供电分公司 一种源网荷储柔性协调控制和运行优化方法
CN112072708A (zh) * 2020-07-27 2020-12-11 中国电力科学研究院有限公司 一种提升电力系统风电消纳水平的方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818347A (zh) * 2018-11-30 2019-05-28 华北电力大学 一种电力系统风电消纳能力的评估方法
CN109617134A (zh) * 2018-12-21 2019-04-12 华北电力大学 计及不确定量预测误差时空相关性的鲁棒机组组合方法
CN110247426A (zh) * 2019-06-12 2019-09-17 国网山西省电力公司电力科学研究院 一种基于多频段不确定集合的鲁棒机组组合方法
CN110443467A (zh) * 2019-07-18 2019-11-12 天津大学 一种区域综合能源系统太阳能消纳能力评估方法
CN110535185A (zh) * 2019-08-09 2019-12-03 东北电力大学 一种考虑需求响应的含光热电站多源优化运行方法
CN110543693A (zh) * 2019-08-13 2019-12-06 国网山西省电力公司电力科学研究院 一种计及运行风险的鲁棒机组组合方法
CN110688725A (zh) * 2019-08-13 2020-01-14 国网山西省电力公司电力科学研究院 一种计及运行风险和需求响应的鲁棒机组组合方法
CN110991857A (zh) * 2019-11-28 2020-04-10 华北电力大学 一种电热综合能源系统风电消纳能力评估的方法
CN111668877A (zh) * 2020-04-28 2020-09-15 中国电力科学研究院有限公司 一种主动配电网分布鲁棒优化调度方法及系统
CN112072708A (zh) * 2020-07-27 2020-12-11 中国电力科学研究院有限公司 一种提升电力系统风电消纳水平的方法
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法
CN112072641A (zh) * 2020-08-19 2020-12-11 国网江苏省电力有限公司扬州供电分公司 一种源网荷储柔性协调控制和运行优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
巩志皓: "基于风险的电- 热综合能源系统风电消纳能力评估", 《全球能源互联网》 *
张智: "计及运行风险和需求响应的两阶段鲁棒机组组合模型", 《中国电机工程学报》 *
王程: "含燃气发电综合能源系统风电消纳能力评估", 《中国电机工程学报》 *

Similar Documents

Publication Publication Date Title
CN108599268B (zh) 一种考虑风电场时空关联约束的日前优化调度方法
CN111242806A (zh) 一种考虑不确定性的电-热-氢多能量系统的规划方法
CN109919399B (zh) 一种综合能源系统日前经济调度方法及系统
CN102509175B (zh) 分布式供电系统可靠性优化方法
CN108233430B (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN111144620A (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN112994115B (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
Kong et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm
CN114069688B (zh) 一种基于时序生产模拟的多电源容量布局规划方法
CN113256045A (zh) 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN112163711A (zh) 一种基于mopso/cc的综合能源系统优化调度方法
CN111293718A (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN115425668A (zh) 一种基于电力系统时序生产模拟的储能容量优化配置方法
CN114676991A (zh) 基于源荷双侧不确定的多能互补系统优化调度方法
Fard et al. Evaluation of reliability parameters in micro-grid
CN110472364B (zh) 一种考虑可再生能源的离网式热电气联产系统的优化方法
CN116805192A (zh) 考虑最优弃能率的综合能源系统双层规划优化方法及应用
CN116683461A (zh) 一种考虑不确定性的虚拟电厂随机鲁棒调度控制方法
CN112886572A (zh) 一种电网可再生能源消纳能力评估方法
CN108599148A (zh) 计及交直流微网应对灾害事件弹性能力的鲁棒调度方法
CN114997662A (zh) 含电动车充电桩的区域分布式多能源系统低碳规划方法
Shi et al. Optimization of wind-marine hybrid power system configuration based on genetic algorithm

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601