CN113346541B - 一种台风灾害下风电预防控制优化方法 - Google Patents

Abstract

本发明公开了一种台风灾害下风电预防控制优化方法，在台风到来前预先有序将部分风电停运，提前调度系统的火力和水力发电机组的可调节容量。该方法首先利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景；随后确定海上风电场拓扑故障情况生成风电场故障场景，之后将风电故障场景和风电停机场景进行耦合，最后基于条件风险价值建立决策风机提前停运和机组出力调度的随机优化模型。该方法能够在台风情况下避免海上风电接入系统的负荷损失，同时减少系统运行成本，可为台风情况下系统物资调配、机组出力调度等台风灾害防御提供参考，具有一定的理论价值和工程价值。

Description

一种台风灾害下风电预防控制优化方法

技术领域

本发明属于电力系统防灾减灾技术领域，具体是一种基于条件风险价值的台风灾害下风电预防控制决策方法。

背景技术

由于风能无污染可再生、运行维护成本较低的特点，近年来，国家在沿海地区对风能进行了大力开发。但是，东南沿海区域也是我国受热带气旋影响最为显著的区域。在中国近海城市地区，每年都有不同强度的台风来袭。风速的随机性和波动性导致风电场出力具有波动性，由于电力系统本身具有一定的稳定余度，输入功率的小幅度波动并不会影响系统稳定运行。然而强风下大量风电机组同步切出时，风电场的出力可能由接近额定出力突变为零。当电网中风电渗透率提高到一定水平后，大规模风电出力的剧烈波动将会对电网的安全稳定运行造成明显冲击。

因此，有必要研究台风灾害下风电停运预防控制方法。现有研究主要针对的是风电爬坡事件进行预防控制，而在台风灾害下主要面临大规模风电停运事件，目前针对台风灾害下风电停机的预防控制方法研究较少。针对台风灾害下风机停电场景系统调度研究，现有研究主要以风电场为研究对象，考虑所有风电全部退出，未能从电网的视角考虑风电停运不确定性研究电网的预防控制方案。

发明内容

本发明的目的在于提供一种基于条件风险价值的台风灾害下风电预防控制决策方法，解决了现在台风情况下风电停运预防控制方法缺乏的问题。

实现本发明目的的技术解决方案为：一种台风灾害下风电预防控制优化方法，包括如下步骤：

步骤1：利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景；

步骤2：确定海上风电场拓扑故障情况生成风电场故障场景；

步骤3：将风电故障场景和风电停机场景进行耦合；

步骤4：基于条件风险价值构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

本发明所达到的有益效果：

(1)与现有海上风电预防控制研究相比，本发明充分考虑了台风天气下海上风电故障的不确定性和风机切机的时空相关性，建立了决策风机提前停运和机组出力调度的随机优化模型，能够提前预防台风天气下系统中多风电场停运事件，有效降低系统风险；

(2)以条件风险价值来衡量极端场景下的负荷损失成本，根据该模型得到的风电提前停运和机组出力调度策略，相比现有模型具有更低的系统运行成本。

下面结合附图和实施例对本发明作进一步说明。

附图说明

图1为本发明中的台风灾害下风电预防控制优化方法流程图。

图2为本发明实施例中的RTS79测试系统接线图。

图3为本发明实施例中的一种风电机组输出功率图。

图4为本发明实施例中的一种水力发电机组输出功率图。

图5为本发明实施例中的一种参与调节的火力发电机组输出功率图。

图6为本发明实施例中的三种不同的风机停运方案对比图。

具体实施方式

如图1所示，一种台风灾害下风电预防控制优化方法，包括以下步骤：

步骤1：利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景，具体为：

步骤1-1：根据历史数据，构建包含N个风场内的风机在T个时间内的风功率预测误差矩阵E：

式中，

为第N个风机在时刻T的第ξ个值；

步骤1-2：利用核密度估计方法计算每一组风速预测误差的边际累积分布函数；

步骤1-3：利用极大似然估计方法估计Copula函数的参数，并根据相关系数选择Copula函数的类型，其中，用于评估Copula函数拟合效果的指标如下：

(1)拟合优度指标：即欧氏距离d，d值越小表明该Copula函数越贴近经验概率分布函数；

(2)相关性指标：包括Spearman和Kendall相关性系数，计算各Copula 函数抽样生成的样本场景的Spearman和Kendall相关性系数，相关性系数越接近实际样本，表明该Copula模型越接近实际的空间相关性程度；

步骤1-4：对所选择Copula函数的参数进行估计，得到联合CDF，采用蒙特卡洛模拟法生成单台风机风功率预报误差的多维场景：

忽略风电场内部的风机尾流的影响，设定风电场内的所有风机出力功率相同，则第s个场景中第i个风电场在时刻t的总功率

表示为：

式中，N_sum,wind,i为第i个风电场的风机总接入数目，

为第i个风电场单台风机在时刻t的预测输出功率，

为第s个场景中第i个风电场在时刻t的风机功率预测误差。

步骤2：确定海上风电场拓扑故障情况生成风电场故障场景，具体为：

将台风下海上风电场的故障分为风机故障和线路故障，风机故障导致单台风机切出，架空线路故障导致线路末端所有的正常风机都被迫切出，设备在强台风作用下的疲劳损伤模型表示为：

式中，a、b为模型系数，与杆塔材料有关，V_i为第i个时间段杆塔所受台风风速，V₀为台风开始对设备产生低周疲劳损伤的临界风速，V_m为设备承受的极限风速，D_i表示第i个时间段内设备所受的低周疲劳损伤，在每个时间段内计算线路杆塔和风机的低周疲劳损伤，根据miner理论对某时刻之前的低周疲劳损伤进行累积，得到台风期间该时刻的海上风电场故障场景。

步骤3：将风电故障场景和风电停机场景进行耦合，具体为：

风电场风机总数N_sum,wind,i与风电场故障场景相关，需要实时进行校正，海上风电场总功率

为：

式中，N_{sum,wind,i,t,s}为第s个场景中第i个风电场在时刻t的风机总接入数目，

为第i个风电场单台风机在时刻t的预测输出功率，

为第s个场景中第i 个风电场在时刻t的风机功率预测误差。

步骤4：基于条件风险价值构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案，具体为：

步骤4-1：对于给定的α∈[0,1]，VaR_α定义为inf{l|Prob(L^shed≤l)≥α}，即VaR_α是负荷分布损失的α分位数，L^shed为负荷损失；

条件风险价值(CVaR)与风险价值(VaR)密切相关，CVaR是一个条件期望，它描述了负荷损失分布右尾的统计特性：

式中，w为场景数；

步骤4-2：构建包含发电机出力成本和VaR风险成本的目标函数：

t_s≥C^L+C^W-VaR_α

t_s≥0

式中，C_w，C_g，C_l分别为风电停运成本，发电机运行成本以及切负荷成本， P_w.res为台风到来后保持运行的风电功率，P_g.k.t为t时刻发电机k的输出功率，P_w.loss.t.s为第s个场景t时刻的风电停运量，P_loss.n.t,s为母线n处在第s个场景t时刻的负荷损失，S为场景总数，α∈[0,1]表示置信水平，β∈[0,1]为表示风险水平。

所述目标函数的约束条件为：

(a)风功率约束

0≤N_w,loss,t≤N_sum,wind,t

N_w,loss,t≥N_w,loss,t-1

N_wind,t,s≥N_sum,wind,t,s-N_w,loss,t

N_wind,t,s≥0

P_w,loss,t,s＝(N_sum,wind,t,s-N_wind,t,s)P_wind

式中，N_w,loss,t、N_sum,wind,t分别为t时刻停运的风机数量和风机总量，N_w,loss,t-1为t-1时刻停运的风机数量，N_wind,t,s、N_sum,wind,t,s分别为第s个场景t时刻运行的风机数量和风机总量，N_w,loss,t为第s个场景t时刻停运的风机数量，P_wind为单个风机的额定容量；P_w,loss,t,s为第s个场景t时刻风电场弃风量；

(b)发电机输出约束

式中，P_g,k,min、P_g,k,max分别为发电机k的最小技术输出功率和最大输出功率，

分别为t时刻发电机k的正储备容量和负储备容量；

(c)发电机爬坡率约束

R_d,k,tΔt≤P_g,k,t-P_g,k,t-1≤R_u,k,tΔt

式中，R_d,k,t、R_u,k,t分别为t时刻发电机k的上升和下降爬坡率，P_g,k,t、P_g,k,t-1分别为发电机k在t时刻和t-1时刻的输出功率，Δt为时间间隔；

(d)发电机储备约束

式中，

为系统所需的备用容量，此外，储备响应率还取决于设备的爬坡率，NG为发电机数量；

(e)有功功率平衡约束

式中，L_i,t为t时刻通过线路i的传输功率，δ⁺(n)、δ^-(n)分别指节点n处设定为始端和终端的线路，P_g,k,t,s为第s个场景t时刻发电机k的输出功率，P_w,t,s为第s个场景t时刻的风电输出功率，P_loss,n,t,s为第s个场景t时刻母线n处的负荷损失，P_w,loss,t,s第s个场景t时刻的风电停运量，D_n,t,s为第s个场景t时刻母线n 上的负载，NG，N’分别为发电机和节点的数量；

(f)潮流约束

P_pq,t,s＝B_pq(θ_p,t,s-θ_q,t,s)

式中，P_pq,t,s为第s个场景t时刻通过线路p、q的传输功率，B_pq为线电纳，θ_p,t,s、θ_q,t,s为第s个场景t时刻p、q节点的相角；

(g)线路传输限制约束

|P_pq,t,s|≤P_pq,lim

式中，P_pq,t,s为第s个场景t时刻线路pq的传输功率，P_pq,lim为线路pq的传输功率极限；

(h)相角约束

-π≤θ_n,t,s≤π

式中，θ_n,t,s为第s个场景节点n在t时刻的相角；

(i)负荷约束

0≤P_loss,n,t,s≤D_n,t

式中，D_n,t为t时刻母线n所连负载的额定容量。

一种台风灾害下风电预防控制优化系统，包括以下模块：

风电停机场景生成模块：用于利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景；

风电场故障场景生成模块：用于确定海上风电场拓扑故障情况生成风电场故障场景；

耦合模块：用于将风电故障场景和风电停机场景进行耦合；

优化模型构建模块：用于构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：

步骤1：利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景；

步骤2：确定海上风电场拓扑故障情况生成风电场故障场景；

步骤3：将风电故障场景和风电停机场景进行耦合；

步骤4：基于条件风险价值构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

步骤1：利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景；

步骤2：确定海上风电场拓扑故障情况生成风电场故障场景；

步骤3：将风电故障场景和风电停机场景进行耦合；

步骤4：基于条件风险价值构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

下面结合具体实施例对本发明作进一步的说明。

实施例

通过调整后的含风电的RTS79测试系统进行分析，系统结构如附图2所示，在节点13、23号母线分别接入风电场W1(300MW)和风电场W2(400MW)，单台风机额定容量为5MW。将节点21和节点22上的发电机组分别替换为核电机组和水电机组。

发电机运行成本如表1所示，风电停运成本为200元/MWh，为了尽可能减少切负荷的概率，切负荷成本设为1万元/MWh。每台发电机的爬坡率如表2所示。

表1发电机成本

表2发电机爬坡率

采用蒙特卡洛模拟生成台风天气下的风电场停机场景，包含了5000组风场故障场景和5000组考虑时空相关性的风机停运场景，其中由累计故障概率生成风场故障场景，由Gumbel-Copula函数得到的联合概率分布生成风机停运场景，之后进行场景耦合，根据预防模型计算每个场景中不同风电场出力总功率。

得到风电随时间的出力变化如附图3所示，水力发电机组输出功率如附图4 所示，参与调节的火力发电机组输出功率如附图5所示。

对于三种不同的风机停运方案，优化后得到的发电成本、CVaR风险成本和总成本对比如附图6所示，其中按比例停运指每分钟停运相同数量的风机。

由附图6中的结果可知，有序停运的各项成本均小于按比例停运，这是由于有序停运的切机数量比较灵活，可以有效减少弃风量，降低发电机发电成本。然而自然停运虽然发电机成本最小，但是风险成本最大，这是由于自然停运不会提前切机，虽然风电利用率最大，但是当风机停机后由于发电机爬坡功率的限制，无法有效解决风电功率缺额，带来大量的负荷损失，导致自然停运方案总成本最大。

考虑不同类型相关性的方案成本结果对比如表3所示：

表3考虑不同时空相关性的方案成本对比

由表3中结果可知，考虑时空相关性的方案成本最小，考虑时间相关性的次之，其次是考虑空间相关性的方案，不考虑任何相关性的成本最大。对于时间相关性和空间相关性的对比，由于风电数据的取样时间为5min，且两个不同风电场的距离稍远，导致了风场停运的空间相关性弱于时间相关性，需要额外的发电机出力。风电场停运的时间相关性强于空间相关性，且考虑时空相关性的总成本最小。

根据台风灾害下风电预防控制决策方法，可对系统机组出力进行提前调度，可以为灾前电网风险防御提供参考。

Claims (8)

1.一种台风灾害下风电预防控制优化方法，其特征在于，包括以下步骤：

步骤1：利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景，具体为：

步骤1-1：根据历史数据，构建包含N个风场内的风机在T个时间内的风功率预测误差矩阵E：

式中，

为第N个风机在时刻T的第ξ个值；

步骤1-2：利用核密度估计方法计算每一组风速预测误差的边际累积分布函数；

步骤1-3：利用极大似然估计方法估计Copula函数的参数，并根据相关系数选择Copula函数的类型；

步骤1-4：对所选择Copula函数的参数进行估计，得到联合CDF，采用蒙特卡洛模拟法生成单台风机风功率预报误差的多维场景：

忽略风电场内部的风机尾流的影响，设定风电场内的所有风机出力功率相同，则第s个场景中第i个风电场在时刻t的总功率

表示为：

式中，N_sum,wind,i为第i个风电场的风机总接入数目，

为第i个风电场单台风机在时刻t的预测输出功率，

为第s个场景中第i个风电场在时刻t的风机功率预测误差；

步骤2：确定海上风电场拓扑故障情况生成风电场故障场景；

步骤3：将风电故障场景和风电停机场景进行耦合；

步骤4：基于条件风险价值构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

2.根据权利要求1所述的台风灾害下风电预防控制优化方法，其特征在于，所述步骤2中的确定海上风电场拓扑故障情况生成风电场故障场景，具体为：

将台风下海上风电场的故障分为风机故障和线路故障，风机故障导致单台风机切出，架空线路故障导致线路末端所有的正常风机都被迫切出，将设备在强台风作用下的疲劳损伤模型表示为：

式中，a、b为模型系数，与杆塔材料有关，V_i为第i个时间段杆塔所受台风风速，V₀为台风开始对设备产生低周疲劳损伤的临界风速，V_m为设备承受的极限风速，D_i表示第i个时间段内设备所受的低周疲劳损伤，在每个时间段内计算线路杆塔和风机的低周疲劳损伤，根据miner理论对某时刻之前的低周疲劳损伤进行累积，得到台风期间该时刻的海上风电场故障场景。

3.根据权利要求1所述的台风灾害下风电预防控制优化方法，其特征在于所述步骤3中的将海上风电场故障场景和考虑时空相关性的风电停运场景进行耦合，具体为：

风电场风机总数N_sum,wind,i与风电场故障场景相关，需要实时进行校正，海上风电场总功率

为：

式中，N_{sum,wind,i,t,s}为第s个场景中第i个风电场在时刻t的风机总接入数目，

为第i个风电场单台风机在时刻t的预测输出功率，

为第s个场景中第i个风电场在时刻t的风机功率预测误差。

4.根据权利要求1所述的台风灾害下风电预防控制优化方法，其特征在于，所述步骤4中的构建决策风机提前停运和机组出力调度的随机优化模型，具体为：

步骤4-1：对于给定的α∈[0,1]，VaR_α定义为inf{l|Prob(L^shed≤l)≥α}，即VaR_α是负荷分布损失的α分位数，L^shed为负荷损失；

步骤4-2：构建包含发电机出力成本和VaR风险成本的目标函数：

t_s≥C^L+C^W-VaR_α

t_s≥0

式中，C^W，C^G，C^L分别为风电停运成本，发电机运行成本以及切负荷成本，P_w.res为台风到来后保持运行的风电功率，P_g,k,t为t时刻发电机k的输出功率，P_w,loss,t,s为第s个场景t时刻的风电停运量，P_loss,n,t,s为母线n处在第s个场景t时刻的负荷损失，S为场景总数，α∈[0,1]表示置信水平，β∈[0,1]为表示风险水平。

5.根据权利要求4所述的台风灾害下风电预防控制优化方法，其特征在于，所述目标函数的约束条件为：

(a)风功率约束

0≤N_w,loss,t≤N_sum,wind,t

N_w,loss,t≥N_w,loss,t-1

N_wind,t,s≥N_sum,wind,t,s-N_w,loss,t,s

N_wind,t,s≥0

P_w,loss,t,s＝(N_sum,wind,t,s-N_wind,t,s)P_wind

式中，N_w,loss,t、N_sum,wind,t分别为t时刻停运的风机数量和风机总量，N_w,loss,t-1为t-1时刻停运的风机数量，N_wind,t,s、N_sum,wind,t,s分别为第s个场景t时刻运行的风机数量和风机总量，N_w,loss,t,s为第s个场景t时刻停运的风机数量，P_wind为单个风机的额定容量；P_w,loss,t,s为第s个场景t时刻风电场弃风量；

(b)发电机输出约束

式中，P_g,k,min、P_g,k,max分别为发电机k的最小技术输出功率和最大输出功率，

分别为t时刻发电机k的正储备容量和负储备容量；

(c)发电机爬坡率约束

R_d,k,tΔt≤P_g,k,t-P_g,k,t-1≤R_u,k,tΔt

式中，R_d,k,t、R_u,k,t分别为t时刻发电机k的上升和下降爬坡率，P_g,k,t、P_g,k,t-1分别为发电机k在t时刻和t-1时刻的输出功率，Δt为时间间隔；

(d)发电机储备约束

式中，

为系统所需的备用容量，此外，储备响应率还取决于设备的爬坡率，NG为发电机数量；

(e)有功功率平衡约束

式中，L_i,t,s为第s个场景t时刻通过线路i的传输功率，δ⁺(n)、δ^-(n)分别指节点n处设定为始端和终端的线路，P_g,k,t,s为第s个场景t时刻发电机k的输出功率，P_w,t,s为第s个场景t时刻的风电输出功率，P_loss,n,t,s为第s个场景t时刻母线n处的负荷损失，P_w,loss,t,s第s个场景t时刻的风电停运量，D_n,t,s为第s个场景t时刻母线n上的负载，NG，N’分别为发电机和节点的数量；

(f)潮流约束

P_pq,t,s＝B_pq(θ_p,t,s-θ_q,t,s)

式中，P_pq,t,s为第s个场景t时刻通过线路p、q的传输功率，B_pq为线电纳，θ_p,t,s、θ_q,t,s为第s个场景t时刻p、q节点的相角；

(g)线路传输限制约束

|P_pq,t,s|≤P_pq,lim

式中，P_pq,t,s为第s个场景t时刻线路pq的传输功率，P_pq,lim为线路pq的传输功率极限；

(h)相角约束

-π≤θ_n,t,s≤π

式中，θ_n,t,s为第s个场景节点n在t时刻的相角；

(i)负荷约束

0≤P_loss,n,t,s≤D_n,t

式中，D_n,t为t时刻母线n所连负载的额定容量。

6.一种基于权利要求1方法的台风灾害下风电预防控制优化系统，其特征在于，包括以下模块：

风电停机场景生成模块：用于利用Copula函数对海上风电出力预测误差的时空相关性进行建模并生成风电停机场景，具体为：

根据历史数据，构建包含N个风场内的风机在T个时间内的风功率预测误差矩阵E：

式中，

为第N个风机在时刻T的第ξ个值；

利用核密度估计方法计算每一组风速预测误差的边际累积分布函数；

利用极大似然估计方法估计Copula函数的参数，并根据相关系数选择Copula函数的类型；

对所选择Copula函数的参数进行估计，得到联合CDF，采用蒙特卡洛模拟法生成单台风机风功率预报误差的多维场景：

忽略风电场内部的风机尾流的影响，设定风电场内的所有风机出力功率相同，则第s个场景中第i个风电场在时刻t的总功率

表示为：

式中，N_sum,wind,i为第i个风电场的风机总接入数目，

为第i个风电场单台风机在时刻t的预测输出功率，

为第s个场景中第i个风电场在时刻t的风机功率预测误差；

风电场故障场景生成模块：用于确定海上风电场拓扑故障情况生成风电场故障场景；

耦合模块：用于将风电故障场景和风电停机场景进行耦合；

优化模型构建模块：用于构建决策风机提前停运和机组出力调度的随机优化模型，根据优化模型确定风机停运和调度方案。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1-5中任一项所述方法的步骤。

8.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的方法的步骤。

Images