CN113067329B - 一种电力系统的可再生能源适应性优化方法及终端 - Google Patents

一种电力系统的可再生能源适应性优化方法及终端 Download PDF

Info

Publication number
CN113067329B
CN113067329B CN202110196889.5A CN202110196889A CN113067329B CN 113067329 B CN113067329 B CN 113067329B CN 202110196889 A CN202110196889 A CN 202110196889A CN 113067329 B CN113067329 B CN 113067329B
Authority
CN
China
Prior art keywords
power
renewable energy
power system
adaptability
line
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
CN202110196889.5A
Other languages
English (en)
Other versions
CN113067329A (zh
Inventor
袁博
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.)
Hebei Huizhi Electric Power Engineering Design Co ltd
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Hebei Huizhi Electric Power Engineering Design Co ltd
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
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 Hebei Huizhi Electric Power Engineering Design Co ltd, State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Hebei Huizhi Electric Power Engineering Design Co ltd
Priority to CN202110196889.5A priority Critical patent/CN113067329B/zh
Publication of CN113067329A publication Critical patent/CN113067329A/zh
Application granted granted Critical
Publication of CN113067329B publication Critical patent/CN113067329B/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
    • 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
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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

Abstract

本发明适用于电力技术领域，提供了一种电力系统的可再生能源适应性优化方法及终端，所述方法包括：获取电力系统各个线路的功率裕度和功率影响因子；根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标；判断可再生能源适应性评价指标是否小于预设阈值，若可再生能源适应性评价指标小于预设阈值，则基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化。本发明能够准确、有效地对电力系统进行可再生能源适应性评价和优化。

Description

一种电力系统的可再生能源适应性优化方法及终端
技术领域
本发明属于电力技术领域，尤其涉及一种电力系统的可再生能源适应性优化方法及终端。
背景技术
随着电力系统中可再生能源的接入比例越来越高，电力系统对可再生能源的适应性变得越来越重要。
目前，优化电力系统中各机组的调控策略，是提升可再生能源适应性的主要手段。然而，本申请的发明人发现，在对电力系统进行优化之前，现有技术不能全面、准确地对电力系统进行可再生能源适应性评价，也就无法准确判断电力系统是否需要优化；此外，现有的适应性优化方法的优化目标与评价指标不一致，且没有考虑到电力系统的可控负荷参与度的影响，优化效果不佳。
发明内容
有鉴于此，本发明实施例提供了一种电力系统的可再生能源适应性优化方法，以准确、有效地对电力系统进行可再生能源适应性评价和优化。
本发明实施例的第一方面提供了一种电力系统的可再生能源适应性优化方法，首先，基于可再生能源最大消纳计算了线路功率裕度和线路功率影响因子，提出电力系统可再生能源适应性评价指标；然后，根据可再生能源适应性评价指标对是否进行可再生能源适应性优化做出判断；进而，基于分类虚拟电厂思想，以归一化后的可再生能源适应性评价指标与虚拟电厂输出有功功率波动指标之和的最小值为目标，考虑可控负荷参与度，提出可再生能源适应性优化模型；最后，通过该优化模型，输出各类电厂的输出功率和可控负荷参与度。具体的，该方法包括：
获取电力系统各个线路的功率裕度和功率影响因子；
根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标；
判断可再生能源适应性评价指标是否小于预设阈值，若可再生能源适应性评价指标小于预设阈值，则基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化。
可选的，在获取电力系统各个线路的功率裕度之前，还包括：计算电力系统各个线路的功率裕度；
计算电力系统各个线路的功率裕度包括：
获取电力系统各个线路的最大运行功率和实际运行功率；
计算电力系统各个线路的最大运行功率与实际运行功率的差值，得到电力系统各个线路的功率裕度。
可选的，在获取电力系统各个线路的功率影响因子之前，还包括：计算电力系统各个线路的功率影响因子；
计算电力系统各个线路的功率影响因子包括：
Figure BDA0002947180450000021
式中，Sij为线路i-j的功率影响因子，NG为电力系统中发电机节点的数量，
Figure BDA0002947180450000022
为线路i-j相对于发电机节点g的功率影响因子。
可选的，线路i-j相对于发电机节点g的功率影响因子的计算方法为：
Figure BDA0002947180450000023
式中，
Figure BDA0002947180450000024
为线路i-j相对于发电机节点g的功率影响因子，ΔPg为发电机节点g的功率变化值，ΔPij为线路i-j的功率变化值。
可选的，根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标，包括：
Figure BDA0002947180450000031
式中，A为电力系统的可再生能源适应性评价指标值，PS为当前电力系统，
Figure BDA0002947180450000032
为线路i-j的功率裕度，Sij为线路i-j的功率影响因子。
可选的，虚拟电厂优化调度模型的构建方法包括：
以归一化后的可再生能源适应性指标值与虚拟电厂输出有功功率波动指标之和的最小值为目标构建目标函数；
构建目标函数的约束条件，得到虚拟电厂优化调度模型；其中，约束条件包括系统功率平衡约束、电网运行约束、虚拟电厂调峰机组出力约束、电力系统可控负荷参与度约束、虚拟电厂上网功率波动约束和可再生能源适应性指标约束。
可选的，以归一化后的可再生能源适应性指标值与虚拟电厂输出有功功率波动指标之和的最小值为目标构建目标函数，包括：
Figure BDA0002947180450000033
式中，Ps,t为t时刻虚拟电厂向电力系统输出的有功功率，E(Ps,t)为一天内虚拟电厂向电力系统输出的有功功率的平均值，
Figure BDA0002947180450000034
为t时刻线路i-j相对于发电机节点g的功率影响因子，Pij,t为t时刻线路i-j的实际运行功率，NG为电力系统中发电机节点的数量，
Figure BDA0002947180450000035
为t时刻线路i-j的最大运行功率，Amax为一天内可再生能源适应性评价指标值的最大值，PS为当前电力系统，μ1为可再生能源适应性评价指标的权重系数，μ2为虚拟电厂输出有功功率波动指标的权重系数，且μ1+μ2＝1。
可选的，电力系统可控负荷参与度约束包括：
Figure BDA0002947180450000041
式中，PLOAD,t为t时刻电力系统的潜在总负荷，PrLOAD,t为t时刻电力系统实施需求管理的实际总负荷，PcLOAD,t为t时刻电力系统可进行需求管理的可控总负荷，其中，PcLOAD,t＝λtPLOAD,t，λt为可控负荷储备率。
可选的，基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化，包括：
将电力系统的工作参数输入至虚拟电厂优化调度模型中，得到虚拟电厂优化调度模型输出的优化调度结果；
基于优化调度结果对电力系统进行可再生能源适应性优化。
本发明实施例的第二方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述电力系统的可再生能源适应性优化方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过获取电力系统各个线路的功率裕度和功率影响因子，从电力系统灵活性角度来对电力系统的可再生能源适应性进行评价，能够准确判断电力系统是否需要进行可再生能源适应性优化；进一步，通过预设的电力系统的虚拟电厂优化调度模型，能够合理、有效地对电力系统中的各类电厂进行优化，增强电力系统对可再生能源的适应性。本发明能够准确、有效地对电力系统进行可再生能源适应性评价和优化。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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是本发明实施例提供的电力系统的可再生能源适应性优化方法的实现流程示意图；
图2是本发明实施例提供的一种电力系统的结构示意图；
图3是本发明实施例提供的场景1下电力系统的优化结果；
图4是本发明实施例提供的场景2下电力系统的优化结果；
图5是本发明实施例提供的场景3下电力系统的优化结果；
图6是本发明实施例提供的场景4下电力系统的优化结果；
图7是本发明实施例提供的终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例的第一方面提供了一种电力系统的可再生能源适应性优化方法，如图1所示，该方法具体包括以下步骤：
步骤S101、获取电力系统各个线路的功率裕度和功率影响因子。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，在获取电力系统各个线路的功率裕度之前，还包括：计算电力系统各个线路的功率裕度。
其中，计算电力系统各个线路的功率裕度包括：
获取电力系统各个线路的最大运行功率和实际运行功率；
计算电力系统各个线路的最大运行功率与实际运行功率的差值，得到电力系统各个线路的功率裕度。
在本发明实施例中，可以首先获取当前电力系统的实际运行参数与当前电力系统在最大可再生能源消纳场景时的最大运行参数，根据实际运行参数和最大运行参数计算电力系统各个线路的最大运行功率和实际运行功率。
其中，确定最大可再生能源消纳场景的方式有两种。其一，保持当前电力系统中可再生能源的接入位置不变，等比例增加各可再生能源能源的接入容量，直到当前电力系统无法正常运行；其二，根据现有技术中最大消纳的可再生能源配置方法，确定当前电力系统在最大消纳时的可再生能源接入位置与容量。本发明通过对上述两种方法进行分析对比，选取消纳较大的方式作为确定最大可再生能源消纳场景的方式。
在本发明实施例中，针对当前电力系统场景与可再生能源最大消纳时的电力系统场景，均通过对一定时间范围内各线路的功率进行蒙特卡洛模拟，并统计模拟结果，得到两种场景下各线路功率的平均值，即为各线路的实际运行功率和最大运行功率。
进一步，根据
Figure BDA0002947180450000061
计算电力系统中各个线路的功率裕度；其中，
Figure BDA0002947180450000062
表示线路i-j的功率裕度，Pij表示当前电力系统中线路i-j的实际运行功率，
Figure BDA0002947180450000063
表示当前电力系统在可再生能源最大消纳场景时线路i-j的最大运行功率。某线路的功率裕度越大，该线路可用于传输功率容量越大，应对可再生能源出力波动的能力也就越强。
具体的，蒙特卡洛模拟计算各线路的电流平均值的过程如下：
(1)采用蒙特卡洛模拟生成对应场景下的可再生能源时序曲线，模拟可再生能源功率的波动性，利用蒙特卡洛取随机数的方法计算预测误差，并结合历史数据得到对应场景下可再生能源的有功输出功率。
(2)根据对应场景下可再生能源接入的位置，将可再生能源的输出功率以负荷的形式(负数)加入到电力系统分析软件中仿真计算电力系统的潮流，得到各线路的功率平均值。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，在获取电力系统各个线路的功率影响因子之前，还包括：计算电力系统各个线路的功率影响因子。
其中，计算电力系统各个线路的功率影响因子包括：
Figure BDA0002947180450000071
式中，Sij为线路i-j的功率影响因子，NG为电力系统中发电机节点的数量，
Figure BDA0002947180450000072
为线路i-j相对于发电机节点g的功率影响因子。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，线路i-j相对于发电机节点g的功率影响因子的计算方法为：
Figure BDA0002947180450000073
式中，
Figure BDA0002947180450000074
为线路i-j相对于发电机节点g的功率影响因子，ΔPg为发电机节点g的功率变化值，ΔPij为线路i-j的功率变化值。其中，ΔPg为
在本发明实施例中，功率影响因子反映的是发电机有功输出功率变化引起的线路功率变化量，其值越小，说明发电机节点的出力扰动对电力系统运行状态的影响越小，电力系统对可再生能源的适应性也就越好。
步骤S102、根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标，包括：
Figure BDA0002947180450000075
式中，A为电力系统的可再生能源适应性评价指标值，PS为当前电力系统，
Figure BDA0002947180450000076
为线路i-j的功率裕度，Sij为线路i-j的功率影响因子。
在本发明实施例中，可再生能源适应性评价指标值A反映的是电力系统对可再生能源的适应性，其值越大，说明该电力系统可接纳可再生能源容量越大，而在最大消纳场景下，A＝0。
步骤S103、判断可再生能源适应性评价指标是否小于预设阈值，若可再生能源适应性评价指标小于预设阈值，则基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化。
通俗上讲，电力系统对可再生能源的适应性，表现为电力系统对可再生能源的冲击性和不确定性的应变能力，而本发明实施例中的可再生能源适应性评价指标从应对可再生能源出力的灵活性角度考量，能够反映其响应供需两端变化的能力，是适应性的集中体现。
在本发明实施例中，预设阈值AT，可通过两种可选的方式实现：其一，通过AT＝αA0设置可再生能源适应性指标的阈值，其中，A0为当前电力系统在不接入可再生能源时的适应性评价指标，阈值系数α∈[0,1]且α<<1；其二，根据技术使用场景的需求，直接确定阈值AT。本实施例中，采用第一种方式设置α＝0.1。
通过判断可再生能源适应性评价指标A是否小于预设阈值AT，若A<AT，则根据考虑可控负荷参与度的分类虚拟电厂优化调度模型，对电力系统中进行可再生能源适应性优化；否则，不必对电力系统中的机组进行调度优化，直接输出当前电力系统的可再生能源适应性评价结果。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，虚拟电厂优化调度模型的构建方法包括：
以归一化后的可再生能源适应性指标值与虚拟电厂输出有功功率波动值之和的最小值为目标构建目标函数；
构建目标函数的约束条件，得到虚拟电厂优化调度模型；其中，约束条件包括系统功率平衡约束、电网运行约束、虚拟电厂调峰机组出力约束、电力系统可控负荷参与度约束、虚拟电厂上网功率波动约束。
虚拟电厂(VPP，virtual power plant)是以能量管理系统和通信控制设备为基础，在一定区域内将位置分散的发电单元及自愿参与负荷调节的电力用户集成在一起，形成类电厂的空间实体。本发明建立了分类虚拟电厂思想，即按照传统发电单元和各类可再生能源发电单元进行分类集成，将某一类发电单位作为整体进行输出。传统虚拟电厂中，通常以虚拟电厂向电力系统输出的总有功功率波动最小为目标，这仅仅能够实现对发电单元波动性的调整，无法全面优化电力系统对可再生能源的适应性。
而本发明实施例所构建的虚拟电厂优化调度模型，其目标函数包括可再生能源适应性评价指标和虚拟电厂输出有功波动，能够更加全面表征电力系统对可再生能源的适应性。并且，本发明实施例所构建的虚拟电厂优化调度模型考虑了电力系统的可控负荷参与度，能够更加合理、有效地对电力系统进行优化。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，以归一化后的可再生能源适应性指标值与虚拟电厂输出有功功率波动指标之和的最小值为目标构建目标函数，包括：
Figure BDA0002947180450000091
式中，Ps,t为t时刻虚拟电厂向电力系统输出的有功功率，E(Ps,t)为一天内虚拟电厂向电力系统输出的有功功率的平均值，
Figure BDA0002947180450000092
为t时刻线路i-j相对于发电机节点g的功率影响因子，Pij,t为t时刻线路i-j的实际运行功率，NG为电力系统中发电机节点的数量，
Figure BDA0002947180450000093
为t时刻线路i-j的最大运行功率(t时刻可再生能源消纳最大场景时的线路i-j的运行功率)，Amax为一天内可再生能源适应性评价指标值的最大值，PS为当前电力系统，μ1为可再生能源适应性评价指标的权重系数，μ2为虚拟电厂输出有功功率波动指标的权重系数，且μ1+μ2＝1。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，电力系统可控负荷参与度约束包括：
Figure BDA0002947180450000101
式中，PLOAD,t为t时刻电力系统的潜在总负荷，PrLOAD,t为t时刻电力系统实施需求管理的实际总负荷，PcLOAD,t为t时刻电力系统可进行需求管理的可控总负荷，其中，PcLOAD,t＝λtPLOAD,t，λt为可控负荷储备率。
一般地，全天可控负荷储备率可以简单选取为一恒定值。在本发明实施例中，考虑到人们的日常生活习惯以及用电负荷高低峰，可以根据分段函数设置全天的可控负荷储备率，以提高优化效果。
Figure BDA0002947180450000102
在本发明实施例中，系统功率平衡约束包括：
PG,t+PP,t+PW,t+PV,t＝PS,t＝(1-ξtλt)PLOAD,t
式中，PG,t为t时刻非虚拟电厂机组的有功出力，PP,t为t时刻虚拟电厂中火电站的有功出力，PW,t为t时刻虚拟电厂中风电站的有功出力，PV,t为t时刻虚拟电厂中光伏电站的有功出力，PS,t为t时刻虚拟电厂向电力系统输出的总有功功率，PLOAD,t为t时刻电力系统的潜在总负荷，ξt为t时刻电力系统可控负荷参与度，λt为t时刻的可控负荷储备量。
在本发明实施例中，电网运行约束包括：
Figure BDA0002947180450000103
Figure BDA0002947180450000104
式中，Pij,t和
Figure BDA0002947180450000105
分别为线路i-j在t时刻的实际运行功率和线路i-j的传输极限功率，Uk,t、
Figure BDA0002947180450000106
分别为节点k在t时刻的电压值、节点k的电压下限、节点k的电压上限。
在本发明实施例中，虚拟电厂调峰机组出力约束包括：各类电厂机组的出力约束和调峰电厂的机组段爬坡能力约束。
其中，各类电厂机组的出力约束包括：
PGmin≤PG,t≤PGmax
PPmin≤PP,t≤PPmax
PWmin≤PW,t≤PWmax
PVmin≤PV,t≤PVmax
式中，PGmin、PPmin、PWmin、PVmin分别表示非虚拟电厂机组的出力下限、虚拟电厂的火电机组的出力下限、虚拟电厂的风电机组的出力下限、虚拟电厂的光伏机组的出力下限；PGmax、PPmax、PWmax、PVmax分别表示非虚拟电厂机组的出力上限、虚拟电厂的火电机组的出力上限、虚拟电厂的风电机组的出力上限、虚拟电厂的光伏机组的出力上限。
调峰电厂的机组段爬坡能力约束包括：
PG,t+1-PG,t≤ΔPup-G
PG,t-PG,t+1≤ΔPdown-G
PP,t+1-PP,t≤ΔPup-P
PP,t-PP,t+1≤ΔPdown-P
式中，ΔPup-P和ΔPdown-P分别为虚拟电厂中火电机组的爬坡上限和爬坡下限；ΔPup-G和ΔPdown-G分别为非虚拟电厂中机组的爬坡上限和爬坡下限。
在本发明实施例中，虚拟电厂上网功率波动约束包括：
PSmin≤PS,t≤PSmax
式中，PSmax为虚拟电厂输出的有功功率上限，PSmin为虚拟电厂输出的有功功率下限。
在本发明实施例中，可再生能源适应性指标约束包括：
0≤At≤Amax
式中，At为t时刻d可再生能源适应性评价指标值。
可选的，作为本发明实施例提供的电力系统的可再生能源适应性优化方法的一种具体的实施方式，基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化，包括：
将电力系统的工作参数输入至虚拟电厂优化调度模型中，得到虚拟电厂优化调度模型输出的优化调度结果；
基于优化调度结果对电力系统进行可再生能源适应性优化。
在本发明实施例中，可以根据现有数学优化模型求解方法，求解基于分类虚拟电厂并考虑可控负荷参与度的可再生能源适应性优化模型，得到虚拟电厂中火电机组、风电机组和光伏机组的上网功率以及可控负荷参与度。
示例性的，以下结合具体应用场景对本发明实施例第一方面提供的电力系统的可再生能源适应性优化方法进行合理性验证。
如图2所示，VPP系统包括一个火力发电厂、2个风电场、3个光伏电站、 3台同步补偿器和14条母线。光伏电站的额定容量为10MW，风电场额定容量为49.5MW，VPP系统内各单元参数设置为：PPmin＝50MW、PPmax＝350MW、ΔPup-P＝40MW/h、ΔPdown-P＝30MW/h、PSmin＝50MW、PSmax＝70MW。
如表1所示，设置4个不同可控负荷储备率的VPP场景：场景1中无可控负荷参与；场景2中全天可控负荷储备率统一为0.2；场景3中采用所建立的可控负荷储备率分段函数；场景4中比场景3整体的可控负荷比例增大1.5倍。
表1四个场景的参数设置
Figure BDA0002947180450000121
Figure BDA0002947180450000131
4个虚拟电厂场景的优化结果如表2所示。图3、图4、图5和图6分别为四个场景下受端主网架的优化结果，参照如图3-图6为所示，对受端主网架的优化结果进行分析。
表2四个场景的优化结果
VPP上送功率 可控负荷参与度
场景1 27.2MW 0
场景2 51.52MW 57.35％
场景3 63.48MW 66.11％
场景4 64.78MW 57.94％
对比图1和图2可知：场景1无可控负荷参与，其VPP上送功率在9:00～ 10:00及18:00～19:00发生了小范围波动，在21:00～23:00发生了较大波动；而场景2中VPP上送功率能够稳定为51.52MW，这是由于可控负荷在新能源整体波动范围较大的8:00～12:00和18:00～22:00时间段积极参与了辅助调峰；同时场景2中火电机组的工作环境相比场景1得到明显改善，爬坡曲线相对平缓，在时间段8:00～11:00和18:00～21:00尤为突出。因此，考虑可控负荷参与度的优化结果更好。
另外，对比图2和图3可知：在负荷低谷时期1:00～6:00，虽然场景2的可控负荷储备率高于前者，但场景3的可控负荷削减量明显高于后者，即可控负荷参与度更高；场景3火电机组出力可稳定在200MW以上，且由于场景3 相比场景2在负荷低谷期出力水平高，在早高峰7:00～11:00阶段、以及晚高峰时段场景3的火电机组出力爬坡要更缓和；从曲线总体变化水平分析，场景3 的火电机组出力整体范围以及波动情况明显好于场景2，即便在负荷低谷期也能保持较高的水平。因此，利用可控负荷储备率分段函数优化后的电力系统的可再生能源适应性更好。并且，对比图3和图4：当可控负荷储备率增加1.5 倍后，火电机组的曲线整体出力变化范围有所减小，但其波动程度和VPP整体上送功率并未得到明显改善，因此可控负荷储备率应按VPP内部新能源容量和波动情况来合理确立，过高的可控负荷储备率会造成浪费，增加运营成本。
由以上内容可知，本发明通过构建电力系统各个线路的功率裕度和功率影响因子，从系统对机组出力的灵活性角度对电力系统的可再生能源适应性进行评价，能够准确判断电力系统是否需要进行可再生能源适应性优化；进一步，基于分类虚拟电厂的思想，并考虑可控负荷参与度，以可再生能源适应性指标和虚拟电厂整体上网功率波动两者为目标，建立电力系统的可再生能源适应性优化模型，合理、有效地对电力系统的机组进行优化调度，解决可再生能源随机性和不确定性对电力系统的影响，增强电力系统对可再生能源的适应性。本发明能够准确、有效地对受端主网架电力系统进行可再生能源适应性评价和优化。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的终端的结构示意图。如图7所示，该实施例的终端7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70 上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个电力系统的可再生能源适应性优化方法实施例中的步骤，例如图1所示的步骤S101 至S103。
示例性的，计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在终端7中的执行过程。例如，计算机程序72可以被分割成获取模块、确定模块、优化模块(虚拟装置中的模块)，各模块具体功能如下：
获取模块，用于获取电力系统各个线路的功率裕度和功率影响因子。
确定模块，用于根据功率裕度和功率影响因子确定电力系统的可再生能源适应性评价指标。
优化模块，用于判断可再生能源适应性评价指标是否小于预设阈值，若可再生能源适应性评价指标小于预设阈值，则基于预设的电力系统的虚拟电厂优化调度模型对电力系统进行可再生能源适应性优化。
终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端7的示例，并不构成对终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端7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70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)、现成可编程门阵列 (Field-Programmable Gate Array，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。
存储器71可以是终端7的内部存储单元，例如终端7的硬盘或内存。存储器71也可以是终端7的外部存储设备，例如终端7上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡 (Flash Card)等。进一步地，存储器71还可以既包括终端7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端7所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种电力系统的可再生能源适应性优化方法，其特征在于，包括：
获取电力系统各个线路的功率裕度和功率影响因子；其中，电力系统各个线路的功率影响因子的公式为：
Figure FDA0003985078510000011
式中，Sij为线路i-j的功率影响因子，NG为电力系统中发电机节点的数量，
Figure FDA0003985078510000012
为线路i-j相对于发电机节点g的功率影响因子；线路i-j相对于发电机节点g的功率影响因子的计算方法为：
Figure FDA0003985078510000013
式中，
Figure FDA0003985078510000014
为线路i-j相对于发电机节点g的功率影响因子，ΔPg为发电机节点g的功率变化值，ΔPij为线路i-j的功率变化值；
根据所述功率裕度和所述功率影响因子确定所述电力系统的可再生能源适应性评价指标；
判断所述可再生能源适应性评价指标是否小于预设阈值，若所述可再生能源适应性评价指标小于预设阈值，则基于预设的所述电力系统的虚拟电厂优化调度模型对所述电力系统进行可再生能源适应性优化；
所述虚拟电厂优化调度模型的构建方法包括：以归一化后的可再生能源适应性指标值与虚拟电厂输出有功功率波动指标之和的最小值为目标构建目标函数
Figure FDA0003985078510000015
式中，Ps,t为t时刻虚拟电厂向电力系统输出的有功功率，E(Ps,t)为一天内虚拟电厂向电力系统输出的有功功率的平均值，
Figure FDA0003985078510000016
为t时刻线路i-j相对于发电机节点g的功率影响因子，Pij,t为t时刻线路i-j的实际运行功率，NG 为电力系统中发电机节点的数量，
Figure FDA0003985078510000017
为t时刻线路i-j的最大运行功率，Amax为一天内可再生能源适应性评价指标值的最大值，PS为当前电力系统，μ1为可再生能源适应性评价指标的权重系数，μ2为虚拟电厂输出有功功率波动指标的权重系数，且μ1+μ2＝1；构建所述目标函数的约束条件，得到所述虚拟电厂优化调度模型；其中，所述约束条件包括系统功率平衡约束、电网运行约束、虚拟电厂调峰机组出力约束、电力系统可控负荷参与度约束、虚拟电厂上网功率波动约束和可再生能源适应性评价指标约束。
2.如权利要求1所述的电力系统的可再生能源适应性优化方法，其特征在于，在获取电力系统各个线路的功率裕度之前，还包括：计算电力系统各个线路的功率裕度；
所述计算电力系统各个线路的功率裕度包括：
获取电力系统各个线路的最大运行功率和实际运行功率；
计算电力系统各个线路的最大运行功率与实际运行功率的差值，得到电力系统各个线路的功率裕度。
3.如权利要求1所述的电力系统的可再生能源适应性优化方法，其特征在于，所述根据所述功率裕度和所述功率影响因子确定所述电力系统的可再生能源适应性评价指标，包括：
Figure FDA0003985078510000021
式中，A为电力系统的可再生能源适应性评价指标值，PS为当前电力系统，
Figure FDA0003985078510000022
为线路i-j的功率裕度，Sij为线路i-j的功率影响因子。
4.如权利要求1所述的电力系统的可再生能源适应性优化方法，其特征在于，所述电力系统可控负荷参与度约束包括：
Figure FDA0003985078510000023
式中，PLOAD,t为t时刻电力系统的潜在总负荷，PrLOAD,t为t时刻电力系统实施需求管理的实际总负荷，PcLOAD,t为t时刻电力系统可进行需求管理的可控总负荷，其中，PcLOAD,t＝λtPLOAD,t，λt为可控负荷储备率。
5.如权利要求1所述的电力系统的可再生能源适应性优化方法，其特征在于，所述基于预设的所述电力系统的虚拟电厂优化调度模型对所述电力系统进行可再生能源适应性优化，包括：
将电力系统的工作参数输入至所述虚拟电厂优化调度模型中，得到所述虚拟电厂优化调度模型输出的优化调度结果；
基于所述优化调度结果对所述电力系统进行可再生能源适应性优化。
6.如权利要求2所述的电力系统的可再生能源适应性优化方法，其特征在于，获取电力系统各个线路的最大运行功率和实际运行功率包括：
获取当前电力系统的实际运行参数与当前电力系统在最大可再生能源消纳场景时的最大运行参数，根据实际运行参数和最大运行参数计算电力系统各个线路的最大运行功率和实际运行功率；
其中，确定最大可再生能源消纳场景的方式为：通过方式一保持当前电力系统中可再生能源的接入位置不变，等比例增加各可再生能源能源的接入容量，直到当前电力系统无法正常运行；通过方式二根据最大消纳的可再生能源配置方法，确定当前电力系统在最大消纳时的可再生能源接入位置与容量；分析对比方式一和方式二，选取消纳较大的方式确定最大可再生能源消纳场景；
根据实际运行参数和最大运行参数计算电力系统各个线路的最大运行功率和实际运行功率包括：根据实际运行参数和最大运行参数，针对当前电力系统场景与可再生能源最大消纳时的电力系统场景，采用蒙特卡洛模拟生成对应场景下的可再生能源时序曲线，模拟可再生能源功率的波动性，利用蒙特卡洛取随机数的方法计算预测误差，并结合历史数据得到对应场景下可再生能源的有功输出功率；根据对应场景下可再生能源接入的位置，将可再生能源的输出功率以负荷的形式加入到电力系统分析软件中仿真计算电力系统的潮流，得到两种场景下各线路功率的平均值，即为各线路的实际运行功率和最大运行功率。
7.如权利要求4所述的电力系统的可再生能源适应性优化方法，其特征在于，可控负荷储备率λt根据分段函数设置，将全天24小时分为四个时间段，包括λ1、λ2、λ3和λ4，λt表示为：
Figure FDA0003985078510000041
8.如权利要求1所述的电力系统的可再生能源适应性优化方法，其特征在于，电网运行约束包括：
Figure FDA0003985078510000042
Figure FDA0003985078510000043
式中，Pij,t和
Figure FDA0003985078510000044
分别为线路i-j在t时刻的实际运行功率和线路i-j的传输极限功率，Uk,t、
Figure FDA0003985078510000045
分别为节点k在t时刻的电压值、节点k的电压下限、节点k的电压上限；
虚拟电厂调峰机组出力约束包括：各类电厂机组的出力约束和调峰电厂的机组段爬坡能力约束；
其中，各类电厂机组的出力约束包括：
PGmin≤PG,t≤PGmax；
PPmin≤PP,t≤PPmax；
PWmin≤PW,t≤PWmax；
PVmin≤PV,t≤PVmax；
式中，PGmin、PPmin、PWmin、PVmin分别表示非虚拟电厂机组的出力下限、虚拟电厂的火电机组的出力下限、虚拟电厂的风电机组的出力下限、虚拟电厂的光伏机组的出力下限；PGmax、PPmax、PWmax、PVmax分别表示非虚拟电厂机组的出力上限、虚拟电厂的火电机组的出力上限、虚拟电厂的风电机组的出力上限、虚拟电厂的光伏机组的出力上限；
调峰电厂的机组段爬坡能力约束包括：
PG,t+1-PG,t≤ΔPup-G；
PG,t-PG,t+1≤ΔPdown-G；
PP,t+1-PP,t≤ΔPup-P；
PP,t-PP,t+1≤ΔPdown-P；
式中，ΔPup-P和ΔPdown-P分别为虚拟电厂中火电机组的爬坡上限和爬坡下限；ΔPup-G和ΔPdown-G分别为非虚拟电厂中机组的爬坡上限和爬坡下限；
虚拟电厂上网功率波动约束包括：
PSmin≤PS,t≤PSmax；
式中，PSmax为虚拟电厂输出的有功功率上限，PSmin为虚拟电厂输出的有功功率下限；
可再生能源适应性评价指标约束包括：
0≤At≤Amax；
式中，At为t时刻可再生能源适应性评价指标值，Amax为可再生能源适应性评价指标最大值。
9.一种终端，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
CN202110196889.5A 2021-02-22 2021-02-22 一种电力系统的可再生能源适应性优化方法及终端 Active CN113067329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110196889.5A CN113067329B (zh) 2021-02-22 2021-02-22 一种电力系统的可再生能源适应性优化方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110196889.5A CN113067329B (zh) 2021-02-22 2021-02-22 一种电力系统的可再生能源适应性优化方法及终端

Publications (2)

Publication Number Publication Date
CN113067329A CN113067329A (zh) 2021-07-02
CN113067329B true CN113067329B (zh) 2023-03-14

Family

ID=76558822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110196889.5A Active CN113067329B (zh) 2021-02-22 2021-02-22 一种电力系统的可再生能源适应性优化方法及终端

Country Status (1)

Country Link
CN (1) CN113067329B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156886A (zh) * 2014-08-11 2014-11-19 上海交通大学 一种含可再生能源电力系统的电源灵活性评价方法
CN108429256A (zh) * 2018-03-22 2018-08-21 国网河北省电力有限公司经济技术研究院 电力系统运行优化方法及终端设备
CN112072640A (zh) * 2020-08-13 2020-12-11 清华大学 一种虚拟电厂聚合资源的容量优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109742779B (zh) * 2018-12-14 2022-09-02 中国电力科学研究院有限公司 一种分布式储能调度方法和装置
CN111415061B (zh) * 2020-02-10 2022-07-22 南方电网科学研究院有限责任公司 一种可再生能源电力系统的综合评价方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156886A (zh) * 2014-08-11 2014-11-19 上海交通大学 一种含可再生能源电力系统的电源灵活性评价方法
CN108429256A (zh) * 2018-03-22 2018-08-21 国网河北省电力有限公司经济技术研究院 电力系统运行优化方法及终端设备
CN112072640A (zh) * 2020-08-13 2020-12-11 清华大学 一种虚拟电厂聚合资源的容量优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Flexibility Optimal Dispatch of the Distribution Network With Virtual Power Plant;Ning Luo等;《2020 IEEE 4th Conference on Energy Internet and Energy System》;20201101;178-284页 *
含高渗透分布式电源配电网灵活性提升优化调度方法;王洪坤等;《电力系统自动化》;20180810(第15期);86-93页 *
高比例可再生能源并网的电力系统灵活性评价与平衡机理;鲁宗相等;《中国电机工程学报》;20170105(第01期);9-19页 *
高渗透率可再生能源集成电力系统灵活性优化调度;高庆忠等;《电网技术》;20201031(第10期);3761-3768页 *

Also Published As

Publication number Publication date
CN113067329A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
Jia et al. Dynamic pricing and distributed energy management for demand response
CN110429653B (zh) 考虑储能和dr的农网分布式光伏消纳方法及终端设备
CN110137952B (zh) 一种实现源-荷-储协调运行的优化模型与方法
CN109272353A (zh) 计及综合需求响应不确定性的系统动态概率能流分析方法
Zhou et al. Interval optimization combined with point estimate method for stochastic security-constrained unit commitment
CN111563637A (zh) 基于需求响应的多目标概率最优潮流计算方法及装置
CN113067329B (zh) 一种电力系统的可再生能源适应性优化方法及终端
CN117091242A (zh) 空调温控负荷集群的评估方法、温度设定方法及系统
CN111082424A (zh) 一种综合能源及微电网系统可靠性预测方法及装置
CN116111580A (zh) 电力优化调度方法、装置、设备及存储介质
CN116169723A (zh) 一种平抑光伏发电不确定性的电压控制方法及相关装置
CN111047163A (zh) 储能策略数据处理系统、方法、装置及介质
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
Dokuchaev et al. Optimal energy storing and selling in continuous time stochastic multi-battery setting
CN117559464B (zh) 一种电力需求响应的调控方法、系统、电子设备及介质
Zeng et al. Quantifying the capacity credit of IDC‐based demand response in smart distribution systems
CN117713176B (zh) 源网荷储低碳运行方法、装置、电子设备及存储介质
CN117114455B (zh) 一种基于用户参与的需求响应调度方法及装置
CN116014743A (zh) 一种直流配电网电压分区方法及装置
CN115528712B (zh) 一种源网荷储备不同区储能容量平衡方法及系统
CN117937598A (zh) 一种基于Stackelberg博弈的配电网分布式光伏低碳化消纳方法
CN117937430A (zh) 一种基于分布式控制的配电方法及系统
CN117239793A (zh) 储能规划方法、装置、计算机设备和存储介质
Wang et al. Electricity Allocation Portfolio Decisions of Wind Power Generators in the Mid to Long-Term and Spot Power Markets

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