CN112952807B - 考虑风电不确定性与需求响应的多目标优化调度方法 - Google Patents

考虑风电不确定性与需求响应的多目标优化调度方法 Download PDF

Info

Publication number
CN112952807B
CN112952807B CN202110176954.8A CN202110176954A CN112952807B CN 112952807 B CN112952807 B CN 112952807B CN 202110176954 A CN202110176954 A CN 202110176954A CN 112952807 B CN112952807 B CN 112952807B
Authority
CN
China
Prior art keywords
wind power
power
demand response
uncertainty
scene
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
CN202110176954.8A
Other languages
English (en)
Other versions
CN112952807A (zh
Inventor
段建东
刘帆
杨瑶
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110176954.8A priority Critical patent/CN112952807B/zh
Publication of CN112952807A publication Critical patent/CN112952807A/zh
Application granted granted Critical
Publication of CN112952807B publication Critical patent/CN112952807B/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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了考虑风电不确定性与需求响应的多目标优化调度方法，建立基于随机场景的风力发电日预测方法，同时识别出风电发生爬坡的区段。构建基于电气综合能源系统运行成本最小化、风电消纳率最大化以及供电可靠性最高，并考虑需求响应的电气综合能源系统多目标优化调度模型的目标函数。建立优化调度模型，采用权重切比雪夫分解法分解为多个子问题便于求解。使用MOEA/D算法对前述步骤得到的分解的单目标优化模型进行求解。风电并入系统更加安全可靠，同时考虑了需求响应，使得系统运行的灵活性和可控性经济性都得到了提高；考虑了风电消纳率以及供电可靠性，构建了经济性、消纳率及供电可靠性同时得到提高的优化模型。

Description

考虑风电不确定性与需求响应的多目标优化调度方法
技术领域
本发明属于分散式风电接入电气耦合能源配网的优化运行领域，特别涉及考虑风电不确定性的电气综合系统多目标优化调度方法。
背景技术
近年来，能源状况和生态状况日益严峻，绿色清洁、可再生的风电和光伏资源得到了快速发展。但以风电和光伏为主的可再生清洁能源与电力系统常规发电能源不同，其出力值大小对风速、光照等环境因素依赖较大，具备很强的随机波动性。风力发电不确定性是风电发展过程中显著突出的一个问题，其波动性等不确定性对电力系统的影响越来越严重，已经达到了不能忽视的地步。
发明内容
本发明的目的是提供一种考虑风电不确定性的电气综合系统多目标优化调度方法，解决了现有技术中存在的风电并入配电网过程中产生的不确定性问题，并在考虑其的基础上进行优化调度。
电气综合能源系统以及需求侧响应都是有效地解决风电的消纳问题的途径和手段，故本发明针对电气综合能源系统，研究考虑风电不确定性和需求响应的优化调度。不同于普遍的以经济性作为优化标准，本发明同时考虑系统运行的经济性、消纳率及供电可靠性多个优化指标，以图实现电力系统的可靠运行，提高其经济性和灵活性，也为应对风电爬坡现象提供一种有效方法，并引入基于权重切比雪夫分解的多目标进化算法进行模型求解。
为实现上述技术目标，本发明采用的技术方案是：
考虑风电不确定性的电气综合系统多目标优化调度方法，包括以下步骤：
步骤1：在考虑风电不确定性的基础上，建立基于随机场景的风力发电日预测方法，同时识别出风电发生爬坡的区段。
步骤2：在考虑风电不确定性的基础上，构建基于电气综合能源系统运行成本最小化、风电消纳率最大化以及供电可靠性最高，并考虑需求响应的电气综合能源系统多目标优化调度模型的目标函数。
步骤3：考虑建立优化调度模型的配电网、配气网、电转气与需求响应等约束条件。
步骤4：经过上述步骤得到优化调度模型后，采用权重切比雪夫分解法分解为多个子问题便于求解。
步骤5：使用MOEA/D算法对前述步骤得到的分解的单目标优化模型进行求解。
进一步地，在步骤1中，建立随机场景模型的一般流程为：
(1)根据历史数据建立风电系统的不确定性概率模型；
(2)用拉丁超立方抽样法对场景进行采样，得到初始场景集；
(3)基于最小化缩减前后的概率距离原理，对生成的初始场景集进行缩减，最后得到场景值及其概率。
在步骤2中，建立的目标函数如下：
A.成本目标如下式：
Figure BDA0002940976000000031
其中：
Figure BDA0002940976000000032
Figure BDA0002940976000000033
Figure BDA0002940976000000034
式中，s为场景索引；t为时间索引；d为负荷节点索引；Ss为场景数；Nt为调度总时段；Nw为风机数量；Ng为燃气轮机数量；h(s)为第s个场景的概率；
Figure BDA0002940976000000035
为单位购电价格，
Figure BDA0002940976000000036
为购电功率；/>
Figure BDA0002940976000000037
为单位弃风惩罚费用，/>
Figure BDA0002940976000000038
为风机j的弃风量；/>
Figure BDA0002940976000000039
为切电负荷惩罚费用，/>
Figure BDA00029409760000000310
为切电负荷量；/>
Figure BDA00029409760000000311
为单位购气价格，/>
Figure BDA00029409760000000312
为购气功率；/>
Figure BDA00029409760000000313
为单位失气负荷惩罚费用，/>
Figure BDA00029409760000000314
为失气负荷功率；/>
Figure BDA00029409760000000315
为P2G运行成本，
Figure BDA00029409760000000316
为P2G出力；/>
Figure BDA00029409760000000317
为激励型需求侧响应电负荷功率，/>
Figure BDA00029409760000000318
为单位激励型需求侧响应电负荷的补偿费用；/>
Figure BDA0002940976000000041
和/>
Figure BDA0002940976000000042
为机组的开机、停机成本，二元整型变量ut，j、vt，j为机组j的开机变量和停机变量；/>
Figure BDA0002940976000000043
和/>
Figure BDA0002940976000000044
为机组的上下备用容量价格，/>
Figure BDA0002940976000000045
和/>
Figure BDA0002940976000000046
为机组j的上下备用容量。
B.消纳率目标：以系统最大化风电消纳率为目标进行优化，提出基于最大互相关熵准则(maximum correntropy criterion，MCC)思想的消纳率指标函数如下式：
Figure BDA0002940976000000047
式中，ΔPWMCC表示基于MCC的风电消纳率指标，Gσ表示MCC的核函数，σ表示核函数的核宽度，本发明取为常数1(此处不同取值亦可得到不同优化结果值)；函数
Figure BDA0002940976000000048
表示了风电计划出力与实际出力之间的相似度，由下式计算：
Figure BDA0002940976000000049
C.供电可靠性目标：以电气综合系统的负荷缺电率(Loss of Power SupplyProbability,LPSP)作为衡量供电可靠性的指标，本发明提出下式所示子目标：
Figure BDA00029409760000000410
在步骤3中，如图3所示，得到的配电网、配气网、电转气与需求响应等三类约束条件包括：
(1)配电网约束条件：
Figure BDA0002940976000000051
式中，π(j)表示配电网中以j为末端节点的支路首端节点集合，ω(j)表示配电网中以j为首端节点的支路末端节点集合；
Figure BDA0002940976000000052
为风机w的有功出力，/>
Figure BDA0002940976000000053
为燃气轮机g的有功出力；Pij和Qij为配电网线路ij段的有功和无功功率；/>
Figure BDA0002940976000000054
和/>
Figure BDA0002940976000000055
表示预测电负荷值；/>
Figure BDA0002940976000000056
表示负荷的功率因数；Ujt表示节点j的电压大小，Iij，t表示配电线路ij段的电流；Rij和Xij表示配电线路ij段的电阻、电抗值。/>
Figure BDA0002940976000000057
和/>
Figure BDA0002940976000000061
表示燃气轮机爬坡上下限值，/>
Figure BDA0002940976000000062
和
Figure BDA0002940976000000063
表示风机爬坡上下限值。/>
Figure BDA0002940976000000064
和/>
Figure BDA0002940976000000065
表示燃气轮机出力上下限值，/>
Figure BDA0002940976000000066
和
Figure BDA0002940976000000067
表示风机出力上下限值。/>
Figure BDA0002940976000000068
和/>
Figure BDA0002940976000000069
表示机组g的最小启动与停机时间，；Ig(t)表示机组g在时段t开停机状态的二元整型变量，取值为1表示开机，为0表示停机；/>
Figure BDA00029409760000000610
和
Figure BDA00029409760000000611
表示开停机持续时间
(2)配气网约束条件：
Figure BDA00029409760000000612
式中，Cpq表示天然气管道的Weymouth特性参数；V(p)与U(p)表示以节点p为首节点和末节点的天然气管道集合；ωq，t表示注入节点p的天然气流量，ωpq，t表示天然气管道mn的管道流量；p、q、r为天然气节点索引；θp，t表示节点气压。θp，min与θp，max表示节点气压上下限约束；ωpq，min与ωpq，max表示管道流量上下限约束
(3)其他约束条件：
Figure BDA0002940976000000071
式中，
Figure BDA0002940976000000072
与/>
Figure BDA0002940976000000073
表示配网与上级主网交换的最小和最大有功功率；
Figure BDA0002940976000000074
与/>
Figure BDA0002940976000000075
表示配网与天然气供应商交换的最小和最大有功功率。/>
Figure BDA0002940976000000076
表示电转气设备转换得到的天然气体积；/>
Figure BDA0002940976000000077
表示电转气设备实际消耗的电功率；ηP2G表示电转气设备的转换效率；HHV表示天然气高热值；/>
Figure BDA0002940976000000078
表示电转气设备的最大转换功率；IP2G表示电转气设备的工作状态。/>
Figure BDA0002940976000000079
表示电负荷预测值，/>
Figure BDA00029409760000000710
表示需求响应后的电负荷值，
Figure BDA00029409760000000711
表示参与需求响应的电负荷值，/>
Figure BDA00029409760000000712
表示配网系统允许的最大电负荷值；αdt表示激励型需求响应的电负荷比例；/>
Figure BDA00029409760000000713
表示配网系统允许的激励型需求响应的最大电负荷值。
在步骤4中，引入权重切比雪夫分解法将这个大问题分解为多个子问题便于求解。权重切比雪夫分解法的公式如下：
Figure BDA00029409760000000714
式中，m为目标函数个数，ηi为各目标函数的权重值，fi(x)为前述步骤建立的模型中单目标函数，gAT(x|η)为分解后的单目标函数，对于优化变量x∈Ω，z′＝(z1′，z2′，…，zm′)T为参考点。
在步骤5中，使用MOEA/D算法对前述步骤得到的分解的单目标优化模型进行求解。通过上述步骤，完成考虑风电不确定性与需求响应的电气综合系统优化调度。
本发明考虑风电不确定性与需求响应的电气综合系统多目标优化调度方法的有益效果如下：
1)充分考虑了风电不确定性，使得风电并入系统更加安全可靠，同时考虑了需求响应，使得系统运行的灵活性和可控性经济性都得到了提高；
2)不同于现有普遍只考虑系统经济性的优化方法，本发明还鲜有的考虑了风电消纳率以及供电可靠性，构建了经济性、消纳率及供电可靠性同时得到提高的优化模型。
附图说明
图1是本发明考虑风电不确定性的电气综合系统多目标优化调度方法的流程图。
图2是本发明考虑风电不确定性的电气综合系统多目标优化调度方法用于实例的配网系统示意图。
图3是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中所使用的风电出力不确定性的随机场景预测模型及爬坡识别流程图。
图4是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中使用使用MOEA/D算法求解多目标优化模型流程图。
图5是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中使用BP神经网络预测一天风电出力曲线。
图6是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中得到的风电出力典型场景。
图7是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中得到的风电出力波动区间。
图8是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中识别出的某场景的风电爬坡区段。
图9是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中使用的电价曲线图。
图10是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中案例一的调度结果。
图11是本发明考虑风电不确定性的电气综合系统多目标优化调度方法中案例二的调度结果。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见附图1，本发明考虑风电不确定性的电气综合系统多目标优化调度方法，按照以下步骤实施：
步骤1：在考虑风电不确定性的基础上，建立基于随机场景的风力发电日预测方法。首先使用BP神经网络模型对历史数据进行练习，得到预测误差及初始预测值，然后对预测误差做拉丁超立方抽样，得到多组误差场景。考虑到历史数据预测误差的相关性，建立历史误差的时间序列模型。但是所产生的场景是很多的，可以对场景进行削减，得到典型场景，然后求得最终预测值。简言之，随机场景模型的一般流程为：
(1)根据历史数据建立风电系统的不确定性概率模型；
(2)用拉丁超立方抽样法对场景进行采样，得到初始场景集；
(3)基于最小化缩减前后的概率距离原理，对生成的初始场景集进行缩减，最后得到场景值及其概率。
A.基于BP神经网络的风电出力初训练
首先创建神经网络预测模型对风电场的历史数据进行练习，然后对输出功率进行预测。考虑建立BP神经网络模型，以风电实际功率为网络输入量，以预测风电功率为输出量。对BP神经网络而言，理论上三层网络可以很好地趋近任意非线性函数。因此，本发明选择只有一个隐含层的3层网络，得到的风电出力日预测结果见图5。为了描述模型性能，这里定义了决定系数，见下式：
Figure BDA0002940976000000101
B.随机场景的产生及削减
本发明通过拉丁超立方抽样构建场景对风电出力不确定性情形及其概率进行模拟。
首先是经过拉丁超立方抽样产生随机场景。假设抽样规模为n，误差随机变量个数z(本发明z＝1)，表示为X＝{x1，x2，…，xn}。假设[xwd，xwu]区间内的值的概率分布函数为Fw(xw)，w＝1，2，…，z；把分布函数的取值范围[Fw(xwd)，Fw(xwu)]进行划分，形成n个等概率区间；对于任意一个概率区间，随机选取一个qi，满足
Figure BDA0002940976000000111
则令yiw＝qi·(Fw(xwu)-Fw(xwd))+Fw(xwd)，其中，r为[0，1]区间内均匀分布的随机变量；通过正态分布的逆变换得到相应样本，可表示为Xiw＝Fw -1(yiw)。
通过拉丁超立方抽样得到的样本量较大，需要对样本进行缩减。对于任意2个样本i，j(i≠j)，通过
Figure BDA0002940976000000112
计算xi和xj之间的距离dij；删除Pdi＝Pici最小的样本，其中，Pi为样本i的出现概率，ci为样本i的密度距离，是由距离样本i最近的两个样本l，k的距离求出；对样本l，k的出现概率进行更新。重复进行上述内容，直到样本数目满足要求。得到10个风电出力典型场景见图6。
C.误差时间序列模型
对误差时间序列yt建立自回归滑动平均模型ARMA(p，q)如下式：
Figure BDA0002940976000000113
由于风电功率预测误差均匀分布，故此不需平稳化，p，q值为1。
D.风电功率预测值
将风电预测误差与神经网络预测的初始值相加，即可得到风电功率预测值终值。得到的风电出力波动区间见图7。对于某典型场景识别出的风电爬坡区段见图8。
步骤2：在考虑风电不确定性的基础上，构建基于配网系统运行成本最小化与风电消纳率最大化，并考虑需求响应的电气综合能源系统优化调度模型的目标函数。
A.成本目标：系统运行费用包括配电网、配气网、耦合设备及需求响应等三类成本，成本目标的数学模型如下式：
Figure BDA0002940976000000121
其中：
Figure BDA0002940976000000122
Figure BDA0002940976000000123
Figure BDA0002940976000000124
式中，s为场景索引；t为时间索引；d为负荷节点索引；Ss为场景数；Nt为调度总时段；Nw为风机数量；Ng为燃气轮机数量；h(s)为第s个场景的概率；
Figure BDA0002940976000000131
为单位购电价格，
Figure BDA0002940976000000132
为购电功率；/>
Figure BDA0002940976000000133
为单位弃风惩罚费用，/>
Figure BDA0002940976000000134
为风机j的弃风量；/>
Figure BDA0002940976000000135
为切电负荷惩罚费用，/>
Figure BDA0002940976000000136
为切电负荷量；/>
Figure BDA0002940976000000137
为单位购气价格，/>
Figure BDA0002940976000000138
为购气功率；/>
Figure BDA0002940976000000139
为单位失气负荷惩罚费用，/>
Figure BDA00029409760000001310
为失气负荷功率；/>
Figure BDA00029409760000001311
为P2G运行成本，
Figure BDA00029409760000001312
为P2G出力；/>
Figure BDA00029409760000001313
为激励型需求侧响应电负荷功率，/>
Figure BDA00029409760000001314
为单位激励型需求侧响应电负荷的补偿费用；/>
Figure BDA00029409760000001315
和/>
Figure BDA00029409760000001316
为机组的开机、停机成本，二元整型变量ut，j、vt，j为机组j的开机变量和停机变量；/>
Figure BDA00029409760000001317
和/>
Figure BDA00029409760000001318
为机组的上下备用容量价格，/>
Figure BDA00029409760000001319
和/>
Figure BDA00029409760000001320
为机组j的上下备用容量。
B.消纳率目标：以系统最大化风电消纳率为目标进行优化，提出基于最大互相关熵准则(maximum correntropy criterion，MCC)思想的消纳率指标函数如下式：
Figure BDA00029409760000001321
式中，ΔPWMCC表示基于MCC的风电消纳率指标，Gσ表示MCC的核函数，σ表示核函数的核宽度，本发明取为常数1(此处不同取值亦可得到不同优化结果值)；函数
Figure BDA00029409760000001322
表示了风电计划出力与实际出力之间的相似度，由下式计算：
Figure BDA0002940976000000141
C.供电可靠性目标：以电气综合系统的负荷缺电率(Loss of Power SupplyProbability,LPSP)作为衡量供电可靠性的指标，本发明提出下式所示子目标：
Figure BDA0002940976000000142
步骤3：构建优化调度模型的配电网、配气网、电转气与需求响应等三类约束条件。
(1)配电网约束条件：
Figure BDA0002940976000000143
式中，π(j)表示配电网中以j为末端节点的支路首端节点集合，w(j)表示配电网中以j为首端节点的支路末端节点集合；
Figure BDA0002940976000000151
为风机w的有功出力，/>
Figure BDA0002940976000000152
为燃气轮机g的有功出力；Pij和Qij为配电网线路ij段的有功和无功功率；/>
Figure BDA0002940976000000153
和/>
Figure BDA0002940976000000154
表示预测电负荷值；/>
Figure BDA0002940976000000155
表示负荷的功率因数；Ujt表示节点j的电压大小，Iij，t表示配电线路ij段的电流；Rij和Xij表示配电线路ij段的电阻、电抗值。/>
Figure BDA00029409760000001518
和/>
Figure BDA0002940976000000156
表示燃气轮机爬坡上下限值，/>
Figure BDA0002940976000000157
和
Figure BDA0002940976000000158
表示风机爬坡上下限值。/>
Figure BDA0002940976000000159
和/>
Figure BDA00029409760000001510
表示燃气轮机出力上下限值，/>
Figure BDA00029409760000001511
和
Figure BDA00029409760000001512
表示风机出力上下限值。/>
Figure BDA00029409760000001513
和/>
Figure BDA00029409760000001514
表示机组g的最小启动与停机时间，；Ig(t)表示机组g在时段t开停机状态的二元整型变量，取值为1表示开机，为0表示停机；/>
Figure BDA00029409760000001515
和
Figure BDA00029409760000001516
表示开停机持续时间
(2)配气网约束条件：
Figure BDA00029409760000001517
式中，Cpq表示天然气管道的Weymouth特性参数；V(p)与U(p)表示以节点p为首节点和末节点的天然气管道集合；wq，t表示注入节点p的天然气流量，ωpq，t表示天然气管道mn的管道流量；p、q、r为天然气节点索引；θp，t表示节点气压。θp，min与θp，max表示节点气压上下限约束；ωpq，min与ωpq，max表示管道流量上下限约束
(3)其他约束条件：
Figure BDA0002940976000000161
式中，
Figure BDA0002940976000000162
与/>
Figure BDA0002940976000000163
表示配网与上级主网交换的最小和最大有功功率；
Figure BDA0002940976000000164
与/>
Figure BDA0002940976000000165
表示配网与天然气供应商交换的最小和最大有功功率。/>
Figure BDA0002940976000000166
表示电转气设备转换得到的天然气体积；/>
Figure BDA0002940976000000167
表示电转气设备实际消耗的电功率；ηP2G表示电转气设备的转换效率；HHV表示天然气高热值；/>
Figure BDA0002940976000000168
表示电转气设备的最大转换功率；IP2G表示电转气设备的工作状态。/>
Figure BDA0002940976000000169
表示电负荷预测值，/>
Figure BDA00029409760000001610
表示需求响应后的电负荷值，
Figure BDA00029409760000001611
表示参与需求响应的电负荷值，/>
Figure BDA00029409760000001612
表示配网系统允许的最大电负荷值；αdt表示激励型需求响应的电负荷比例；/>
Figure BDA00029409760000001613
表示配网系统允许的激励型需求响应的最大电负荷值。/>
步骤4：针对前述步骤提出的多目标优化问题，本发明引入权重切比雪夫分解法将这个大问题分解为多个子问题便于求解。权重切比雪夫分解法的公式如下：
Figure BDA0002940976000000171
式中，m为目标函数个数，ηi为各目标函数的权重值，fi(x)为前述步骤建立的模型中单目标函数，gAT(x|η)为分解后的单目标函数，对于优化变量x∈Ω，即表示各单目标函数中的决策变量，z′＝(z1′，z2′，…，zm′)T为参考点，对于每个i有z′i＝min(fi(x)|x∈Ω)，每一组向量η总会存在一个x′为上式的一个解，同时多目标优化问题的每一个解都是单目标问题的一个最优解。通过调节ρ控制权重求和法与切比雪夫法的比重，可以提高收敛速度且兼顾切比雪夫法分布性好的特点，同时得到的Pareto曲线更加平滑。
步骤5：使用MOEA/D算法对前述步骤得到的分解的单目标优化模型进行求解，具体流程见附图4。
实施例
下面通过具体实施例说明本发明有益效果。
如附图2所示，选用扩展的IEEE33节点电力系统和24节点天然气系统构建电气综合能源系统配网算例。如图中所示，接入配电网中的风电有1个，其接入位置为配电网的15节点；燃气轮机有2个，其接入位置分别为配电网的11、19节点，接入配气网的24、2节点；P2G设备接入配电网的节点15和天然气系统的节点11；配电网的节点1为购电节点，天然气系统的节点1为购气节点。调度总周期为24小时，以1小时为一个优化间隔，使用的分时电价见图9。本算例在MATLAB2016a软件环境下进行。
在本算例中，构建如下调度案例：
案例1：考虑风电不确定性的不含P2G的电力系统经济调度，结果如图10所示；
案例2：考虑风电不确定性的含P2G的电力系统经济调度，结果如图11所示；
案例3：考虑需求响应的电气耦合系统优化调度；
案例4：考虑风电不确定性和需求响应的电气耦合系统优化调度。
对于上述案例做出定量和定性分析，判断案例优劣性。其中案例1和案例2的优化调度结果见下表。
表1两种模型的电力系统调度成本
Figure BDA0002940976000000181
对比两个案例可以看出在本发明所提多目标优化调度的情况下，考虑风电不确定性较不考虑风电不确定性的优化调度要稍显经济，同时可以对比看出P2G设备将多余的风电转化消纳，其为风电爬坡时段发生的弃风消纳提供了途径，极大地提高了电力系统的调度灵活性和运行经济性。而对于案例3分析可知，利用电气两网的需求响应及两网的耦合特性使得电力系统的运行灵活性提高，运行成本也得到降低，且能够促进风电消纳。而对比案例3与案例4，可以分析得出，同时考虑风电不确定性和两网需求响应能够在保证经济性、灵活性以及可再生能源消纳率的同时，提高供电质量，保证电力系统的安全稳定运行。
通过上述案例说明，本发明一种考虑风电不确定性和需求响应的电气综合系统多目标优化调度方法，充分考虑了风电不确定性，使得风电并入系统更加安全可靠，同时考虑了需求响应，使得系统运行的灵活性和可靠性经济性都得到了提高，不同于现有普遍只考虑系统经济性的优化方法，本发明同时考虑系统运行的经济性、消纳率及供电可靠性多个指标，构建了经济性、消纳率及供电可靠性同时得到提高的优化模型。

Claims (4)

1.考虑风电不确定性与需求响应的多目标优化调度方法，包括以下步骤：
步骤1：在考虑风电不确定性的基础上，建立基于随机场景的风力发电日预测方法，同时识别出风电发生爬坡的区段；
步骤2：在考虑风电不确定性的基础上，构建基于电气综合能源系统运行成本最小化、风电消纳率最大化以及供电可靠性最高，并考虑需求响应的电气综合能源系统多目标优化调度模型的目标函数；
步骤3：建立优化调度模型的配电网、配气网、电转气与需求响应的约束条件；
步骤4：经过上述步骤得到优化调度模型后，采用权重切比雪夫分解法分解为多个子问题便于求解；
步骤5：使用MOEA/D算法对前述步骤得到的分解的单目标优化模型进行求解，得到考虑风电不确定性与需求响应的电气综合系统优化调度方案。
2.根据权利要求1所述的考虑风电不确定性与需求响应的多目标优化调度方法，其特征在于，所述步骤1中，建立随机场景模型的流程为：
(1)根据历史数据建立风电系统的不确定性概率模型；
(2)用拉丁超立方抽样法对场景进行采样，得到初始场景集；
(3)基于最小化缩减前后的概率距离原理，对生成的初始场景集进行缩减，最后得到场景值及其概率。
3.根据权利要求1所述的考虑风电不确定性与需求响应的多目标优化调度方法，其特征在于，所述步骤2中，建立的目标函数如下：
A.成本目标如下式：
Figure FDA0004219373110000011
其中：
Figure FDA0004219373110000012
Figure FDA0004219373110000013
Figure FDA0004219373110000021
式中，s为场景索引；t为时间索引；d为负荷节点索引；Ss为场景数；Nt为调度总时段；Nw为风机数量；Ng为燃气轮机数量；h(s)为第s个场景的概率；
Figure FDA0004219373110000022
为单位购电价格，/>
Figure FDA0004219373110000023
为购电功率；/>
Figure FDA0004219373110000024
为单位弃风惩罚费用，/>
Figure FDA0004219373110000025
为风机j的弃风量；/>
Figure FDA0004219373110000026
为切电负荷惩罚费用，/>
Figure FDA0004219373110000027
为切电负荷量；/>
Figure FDA0004219373110000028
为单位购气价格，/>
Figure FDA0004219373110000029
为购气功率；
Figure FDA00042193731100000210
为单位失气负荷惩罚费用，/>
Figure FDA00042193731100000211
为失气负荷功率；/>
Figure FDA00042193731100000212
为P2G运行成本，/>
Figure FDA00042193731100000213
为P2G出力；/>
Figure FDA00042193731100000214
为激励型需求侧响应电负荷功率，/>
Figure FDA00042193731100000215
为单位激励型需求侧响应电负荷的补偿费用；/>
Figure FDA00042193731100000216
和/>
Figure FDA00042193731100000217
为机组的开机、停机成本，二元整型变量ut，j、υt，j为机组j的开机变量和停机变量；/>
Figure FDA00042193731100000218
和/>
Figure FDA00042193731100000219
为机组的上下备用容量价格，/>
Figure FDA00042193731100000220
和/>
Figure FDA00042193731100000221
为机组j的上下备用容量；
B.消纳率目标：以系统最大化风电消纳率为目标进行优化，提出基于最大互相关熵准则思想的消纳率指标函数如下式：
Figure FDA00042193731100000222
式中，ΔPWMCC表示基于MCC的风电消纳率指标，Gσ表示MCC的核函数，σ表示核函数的核宽度，σ取为常数1，函数
Figure FDA00042193731100000223
表示了风电计划出力与实际出力之间的相似度，由下式计算：
Figure FDA0004219373110000031
C.供电可靠性目标：以电气综合系统的负荷缺电率LPSP作为衡量供电可靠性的指标，提出下式所示子目标：
Figure FDA0004219373110000032
Figure FDA0004219373110000033
表示为场景s下风机w的有功出力；
Figure FDA0004219373110000034
表示风机w的有功出力上限值；
Figure FDA0004219373110000035
表示风机w的弃风量。
4.根据权利要求1所述的考虑风电不确定性与需求响应的多目标优化调度方法，其特征在于，所述步骤4中，引入权重切比雪夫分解法将这个大问题分解为多个子问题便于求解，权重切比雪夫分解法的公式如下：
Figure FDA0004219373110000036
式中，m为目标函数个数，ηi为各目标函数的权重值，fi(x)为前述步骤建立的模型中单目标函数，gAT(x|η)为分解后的单目标函数，对于优化变量x∈Ω，z′＝(z1′，z2′，…，zm′)T为参考点。
CN202110176954.8A 2021-02-09 2021-02-09 考虑风电不确定性与需求响应的多目标优化调度方法 Active CN112952807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110176954.8A CN112952807B (zh) 2021-02-09 2021-02-09 考虑风电不确定性与需求响应的多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110176954.8A CN112952807B (zh) 2021-02-09 2021-02-09 考虑风电不确定性与需求响应的多目标优化调度方法

Publications (2)

Publication Number Publication Date
CN112952807A CN112952807A (zh) 2021-06-11
CN112952807B true CN112952807B (zh) 2023-06-30

Family

ID=76244642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110176954.8A Active CN112952807B (zh) 2021-02-09 2021-02-09 考虑风电不确定性与需求响应的多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN112952807B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113794242A (zh) * 2021-09-18 2021-12-14 山东科技大学 一种计及天然气网动态特性的区间优化调度方法
CN114169800B (zh) * 2021-12-27 2024-05-28 国网湖南省电力有限公司 综合能源系统的能量调度方法
CN114336607B (zh) * 2021-12-30 2023-04-07 国网浙江省电力有限公司电力科学研究院 计及源荷双侧不确定性的电网经济运行域生成方法及系统
CN114548596A (zh) * 2022-03-02 2022-05-27 国网江苏省电力有限公司扬州供电分公司 一种考虑多系统的配电网安全经济调度的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110676861A (zh) * 2019-09-11 2020-01-10 台州宏远电力设计院有限公司 一种配电网复合储能装置的容量优化配置方法
CN110783957A (zh) * 2019-11-06 2020-02-11 国网新疆电力有限公司经济技术研究院 计及需求响应的含风电电力系统旋转备用优化配置方法
CN111652441A (zh) * 2020-06-04 2020-09-11 四川大学 考虑气电联合需求响应的气电综合能源系统配网优化方法
CN111786420A (zh) * 2020-07-16 2020-10-16 国网能源研究院有限公司 一种考虑再生能源混合发电的电力系统经济调度的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150213466A1 (en) * 2014-01-24 2015-07-30 Fujitsu Limited Demand response aggregation optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110676861A (zh) * 2019-09-11 2020-01-10 台州宏远电力设计院有限公司 一种配电网复合储能装置的容量优化配置方法
CN110783957A (zh) * 2019-11-06 2020-02-11 国网新疆电力有限公司经济技术研究院 计及需求响应的含风电电力系统旋转备用优化配置方法
CN111652441A (zh) * 2020-06-04 2020-09-11 四川大学 考虑气电联合需求响应的气电综合能源系统配网优化方法
CN111786420A (zh) * 2020-07-16 2020-10-16 国网能源研究院有限公司 一种考虑再生能源混合发电的电力系统经济调度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimal Dispatch of Integrated Power and Gas Systems Considering Wind Power Uncertainty;Duan Jiandong et al.;《2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA)》;20190916;第882-887页 *
Stochastic residential energy resource scheduling by multi-objective natural aggregation algorithm;Fengji Luo et al.;《2017 IEEE Power & Energy Society General Meeting》;20180201;第1-5页 *
考虑需求响应的多目标模糊机会约束动态经济调度;程文等;《科学技术与工程》;20201130;第20卷(第31期);第12749-12856页 *

Also Published As

Publication number Publication date
CN112952807A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
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
Li et al. Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach
CN109615141B (zh) 一种多能源系统并网优化调度方法及装置
CN110390467A (zh) 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法
CN111598289A (zh) 计及lstm光伏出力预测的综合能源系统分散式优化方法
CN106529737A (zh) 一种配电网供给侧调峰电源规划布局方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN114154744A (zh) 综合能源系统的扩容规划方法、装置及电子设备
CN113592133A (zh) 一种能量枢纽优化配置方法及系统
CN115423161A (zh) 基于数字孪生的多能耦合优化调度方法及系统
CN115169916A (zh) 一种基于安全经济的电热综合能源控制方法
CN112418488A (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN115439000A (zh) 考虑风光荷功率不确定性和相关性的配电网区块划分方法
CN116914821A (zh) 一种基于改进粒子群算法的微电网低碳优化调度方法
CN116488183A (zh) 一种含分布式电源的配电网优化调度方法
CN113158547B (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
CN115204562A (zh) 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
An et al. Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics
CN116128154A (zh) 一种农业园区综合能源系统的能源优化配置方法及装置
CN114239922A (zh) 一种城市多能源协调优化调度方法
CN115411719A (zh) 一种基于源荷不确定性和电压稳定性的分布式电源规划方法

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