CN113394820B - 一种新能源并网电力系统的优化调度方法 - Google Patents

Abstract

本发明涉及一种新能源并网电力系统的优化调度方法，包括：根据系统负荷需求预测及发电量预测，通过月度电量偏差修正模型求解各场景下机组增、减发电量，将修正的月度电量分解到日，并形成次日预分解电力，从而以预分解电量和预分解电力衔接,日前优化调度模型；最后，根据次日预分解电力，结合日前负荷预测，优化求解机组次日各时段出力计划。本发明能够有效适应风、光、水等新能源出力的随机性并将月度电量与日前电力进行有效衔接，促进了电力电量的平衡，提高了系统运行可靠性。

Description

一种新能源并网电力系统的优化调度方法

技术领域

本发明涉及电力系统调度技术领域，尤其涉及一种新能源并网电力系统的优化调度方法。

背景技术

电力电量平衡是电力系统调度计划编制的核心，其目的是通过常规机组与新能源之间的相互配合，确保电力系统安全、低碳与经济运行。当前，水电、风电、光伏发电等清洁能源迅猛发展，在缓解能源短缺等方面发挥了重要作用。然而，新能源出力的不确定性，增加了系统运行风险，同时，新能源占比不断提高，导致电力系统灵活性供给不足，问题日益加剧。因此，面向新能源特点进一步开展电力电量平衡分析，具有重要的研究意义。

在现有电力电量平衡研究中，经常进行中长期电力电量平衡分析。然而，相关文献仅研究单一时间尺度的优化调度方法，难以应对大规模可再生能源并网的不确定性带来的电量偏差，中长期电量与短期电力平衡之间缺乏有效的衔接。

同时，电力系统包含众多的不确定性，不确定性问题是影响机组安全可靠运行不可忽略的因素。有文献将风电预测出力等效为可信出力，纳入电力电量平衡分析问题进行计算；有文献通过水电站弃水或火电站增加出力的方法确保电力电量平衡；有文献基于历史数据进行数据挖掘，对风电及光伏电量预估，并以此作为合同电量分解的基础。上述对于新能源不确定性的研究提供了方法，但考虑的电源结构单一，且将新能源不确定性因素转变成定性变量的分析方式，得到的结果不精确。因此，如何采用恰当的分析方法，在电力电量平衡分析中合理表征随机因素的影响，仍是亟待解决的问题。

发明内容

针对上述现有技术中的问题，本发明所要解决的技术问题是提供一种新能源并网电力系统的优化调度方法，其能够有效适应新能源出力的随机性并将月度电量与日前电力进行有效衔接，促进电力电量的平衡，提高系统运行可靠性。

为解决上述问题，本发明所述的一种新能源并网电力系统的优化调度方法包括：

月度电量偏差修正：将当月用电负荷需求预测、可再生能源发电量预测与月合同电量比较，确定各场景下机组的增发电量和减发电量，并使用如下以系统内月度电量偏差调整成本最小为目标的月度电量偏差修正模型和相应约束条件对月度发电计划进行修正：

其中，c为场景编号；ω^c为c场景权重；

分别为机组i增发电量报价和减发电量报价；

为c场景下分配给机组i的增发电量与减发电量；

月合同电量分解及日前衔接：根据修正后的月度发电计划，将各发电厂的月合同电量分解到日，再根据分解得到的次日合同电量W_i,d，结合次日负荷需求预测，对日前发电计划进行优化，得到次日预分解电力

日前优化调度：将所述次日预分解电力

代入预设的日前优化调度模型，对各机组出力进行优化调整；其中，所述日前优化调度模型以各机组出力调整量最小为目标，同时确保弃风、弃光、弃水量最小。

优选地，所述月度电量偏差修正模型的约束条件包括电量供需平衡约束、增发电量和减发电量的上下限约束、机组剩余天数发电量上下限约束。

优选地，所述月合同电量分解及日前衔接的模型公式如下：

其中，W_i ⁰为已完成的合同电量；W_i,d为机组i在d日分解得到的日合同电量；k_i为机组i的月度预发电计划电量占比；

为机组i次日t时段的预分解电力。

优选地，所述日前优化调度模型的公式如下：

其中，P_i,t为火电机组i在t时段的出力；

为风电场w在t时段的弃风量；

为光伏电站p在t时段弃光量；△P_h,t为水电机组h在t时段的弃水量。

优选地，所述日前优化调度模型满足以下约束条件：

1)火电机组出力约束

P_i,min·y_i,t≤P_i,t≤P_i,max·y_i,t

其中，P_i,max和P_i,min分别为火电机组i的出力上、下限。

(2)火电机组爬坡约束

-P_i,down≤P_i,t-P_i,t-1≤P_i,up

其中，P_i,up和P_i,down分别为火电机组i在t时段内的爬坡功率上、下限。

(3)启停逻辑约束

U_i,t-D_i,t＝d_i,t-d_i,t-1

U_i,t+D_i,t≤1

其中，d_i,t为火电机组i在t时段运行状态的0/1变量；U_i,t、D_i,t为火电机组i在t时段启停状态的0/1变量。

(4)最小启停时间约束

(d_i,t-1-d_i,t)(T_i,t-1-T _i ^on)≥0

(d_i,t-d_i,t-1)(-T_i,t-1-T_i ^off)≥0

其中，T_i,t-1为机组i连续运行时间；T_i ^on、T_i ^off分别为机组i最小启、停机时间。

(5)水电机组发电流量约束

y_h,tQ_h,min≤q_h,t≤y_h,tQ_h,max

其中，y_h,t为0-1变量，表示水电机组h在t时段的运行状态；q_h,t为水电机组h在t时段的发电流量；Q_h,max、Q_h,min分别为水电机组h发电流量上下限。

(6)水库下泄流量约束

△P_h,t≥0

其中，h∈s表示水电机组h属于水库s；

为水库s下泄流量的上下限。

(7)库容约束

V_s,min≤V_s,t≤V_s,max

其中，V_s,min、V_s,max为水库s在调度时期允许的库容。

(8)始末库容约束

V_s,0＝V_s ⁰

V_s,T≥V_s ^T

其中，V_s,0、V_s,T分别表示水库s在调度初始时段和末时段的库容；V_s ⁰、V_s ^T分别为水库s的始末库容值。

(9)水库水量平衡约束

其中，V_s,t为水库s在t时段的库容；R_s,t为水库s在t时段的区间入库流量。

(10)风电、光伏出力约束

其中，

分别为风电和光伏的出力预测值。

(11)电力平衡约束

其中，

分别为风电和光伏的出力预测值。

(12)水电出力约束

P_h,t＝e_h,rq_h,t+f_h,r

P_h,min≤P_h,t≤P_h,max

其中，P_h,min、P_h,max为水电机组h出力的上下限。

本发明与现有技术相比具有以下优点：

1、适应性高：本发明建立的考虑新能源不确定性的月度电量偏差修正模型能够针对不同的调度场景进行电量计划的调整，以此有效地适应风、光、水等新能源出力的随机性。

2、运行可靠性强：本发明构建的月度电量与日前电力衔接优化模型能够确保修正后月度电量的有效分解，促进电力电量的平衡，提高系统运行可靠性。

3、经济性好：根据修正的月度电量计划，优化得到的各机组出力，能够较好的兼顾发电成本和月度电量偏差。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为本发明实施例提供的方法流程图。

图2为本发明实施例提供的模型衔接流程。

图3为本发明实施例提供的各场景下机组减发电量。

图4为本发明实施例提供的各场景下机组增发电量。

图5为本发明实施例提供的不考虑多场景下月度电量偏差的优化调度模型机组出力计划。

图6本发明实施例提供的考虑多场景下月度电量偏差的优化调度模型机组出力计划。

具体实施方式

参考图1和图2，本发明一种新能源并网电力系统的优化调度方法，根据系统负荷需求预测及发电量预测，通过月度电量偏差修正模型求解各场景下机组增、减发电量，将修正的月度电量分解到日，并形成次日预分解电力，从而以预分解电量和预分解电力衔接,日前优化调度模型。最后，根据次日预分解电力，结合日前负荷预测，优化求解机组次日各时段出力计划。具体而言，包括如下步骤：

步骤S101、考虑新能源不确定性的月度电量偏差修正。

月内运行时，调度机构将当月用电负荷需求预测、可再生能源发电量预测与月合同电量比较，确定机组提供的增发电量与减发电量

建立考虑新能源不确定性的月度电量偏差修正模型，充分考虑系统中可再生能源发电量的不确定性，以系统内月度电量偏差调整成本最小为目标，建立如下月度电量偏差修正模型：

其中，c为场景编号；ω^c为c场景权重；

分别为机组i增发电量报价和减发电量报价；

为c场景下分配给机组i的增发电量与减发电量。

同时，上述月度电量偏差修正模型的约束条件包括电量供需平衡约束、增发电量和减发电量的上下限约束、机组剩余天数发电量上下限约束。

(1)电量供需平衡约束：

其中，W_m为当日对系统月度负荷需求的预测值；W_h,c为c场景下水电机组月度发电量预测值；W_pv,c为光伏月度发电量预测值；W_w,c为风电月度发电量预测值；W_i为机组i的月度合同电量。

(2)增发电量和减发电量的上下限约束

其中，W_i ^max、W_i ^min分别为机组i当月发电能力上限和必发电量下限。

(3)机组剩余天数发电量上下限约束

其中，P_i ^min、P_i ^max分别为机组i的最大出力上限和最小出力下限；r为当月剩余天数。

最后，使用上述月度电量偏差修正模型和约束条件对月度发电计划进行修正。各模型中，采用GAMS仿真软件进行仿真，利用商业线性优化求解器CPLEX求解。

步骤S102、月合同电量分解及日前衔接。

根据修正的月度发电计划，将各发电厂的月合同电量分解到日，各发电厂再根据分解得到的次日合同电量，结合次日负荷需求预测，进一步优化各机组的日前发电计划。

具体地，构建月合同电量分解及日前衔接模型如下：

其中，W_i ⁰为已完成的合同电量；W_i,d为机组i在d日分解得到的日合同电量；k_i为机组i的月度预发电计划电量占比；

为机组i次日t时段的预分解电力。

步骤S103、日前优化调度。

通过月合同电量分解模型W_i,d，可确定机组次日各时段预分解电力

但是无法满足机组运行约束的要求，因此需建立相应的日前优化调度模型对机组出力进行调整。

具体地，以1天为调度周期，调度间隔为1小时，日前优化调度模型以各机组出力调整量最小为目标，同时需要确保弃风、弃光、弃水量最小，则有：

其中，P_i,t为火电机组i在t时段的出力；

为风电场w在t时段的弃风量；

为光伏电站p在t时段弃光量；△P_h,t为水电机组h在t时段的弃水量。

建立的日前优化调度模型满足以下约束条件：

(1)火电机组出力约束

P_i,min·y_i,t≤P_i,t≤P_i,max·y_i,t

其中，P_i,max和P_i,min分别为火电机组i的出力上、下限。

(2)火电机组爬坡约束

-P_i,down≤P_i,t-P_i,t-1≤P_i,up

其中，P_i,up和P_i,down分别为火电机组i在t时段内的爬坡功率上、下限。

(3)启停逻辑约束

U_i,t-D_i,t＝d_i,t-d_i,t-1

U_i,t+D_i,t≤1

其中，d_i,t为火电机组i在t时段运行状态的0/1变量；U_i,t、D_i,t为火电机组i在t时段启停状态的0/1变量。

(4)最小启停时间约束

(d_i,t-1-d_i,t)(T_i,t-1-T_i ^on)≥0

(d_i,t-d_i,t-1)(-T_i,t-1-T_i ^off)≥0

其中，T_i,t-1为机组i连续运行时间；T_i ^on、T_i ^off分别为机组i最小启、停机时间。

(5)水电机组发电流量约束

y_h,tQ_h,min≤q_h,t≤y_h,tQ_h,max

其中，y_h,t为0-1变量，表示水电机组h在t时段的运行状态；q_h,t为水电机组h在t时段的发电流量；Q_h,max、Q_h,min分别为水电机组h发电流量上下限。

(6)水库下泄流量约束

△P_h,t≥0

其中，h∈s表示水电机组h属于水库s；

为水库s下泄流量的上下限。

(7)库容约束

V_s,min≤V_s,t≤V_s,max

其中，V_s,min、V_s,max为水库s在调度时期允许的库容。

(8)始末库容约束

V_s,0＝V_s ⁰

V_s,T≥V_s ^T

其中，V_s,0、V_s,T分别表示水库s在调度初始时段和末时段的库容；V_s ⁰、V_s ^T分别为水库s的始末库容值。

(9)水库水量平衡约束

其中，V_s,t为水库s在t时段的库容；R_s,t为水库s在t时段的区间入库流量。

(10)风电、光伏出力约束

其中，

分别为风电和光伏的出力预测值。

(11)电力平衡约束

其中，

分别为风电和光伏的出力预测值。

(12)水电出力约束

P_h,t＝e_h,rq_h,t+f_h,r

P_h,min≤P_h,t≤P_h,max

其中，P_h,min、P_h,max为水电机组h出力的上下限。

实例数据

选取含有风、光、水、火的多能源混合电力系统为例，对本发明上述优化模型进行算例测试，从而验证本发明所建模型的合理性。系统中包含10台火电机组，4级梯级水电站、2座风电场和1座光伏电站。

1)多场景下的月度电量平衡分析

考虑到系统的月度负荷预测越接近月末越精确，故本文算例中将系统当月的前20日月度负荷预测数据设置为系统当月总合同电量，在当月下旬则以表1的数据纳入月度预发电修正计划。

表1系统月度负荷预测数据

如表2所示，机组G1、G7和G10减发电量价格均低于200元/MW.h，同时仅机组G10增发电量价格低于200元/MW.h，各个机组增发、减发电量成本不一，结合当月发电量预测和负荷预测值，对于各个机组月度发电计划存在经济上的优化空间。

表2增、减发电量价格

选取20个不同预测场景，对当月下旬月度电力电量平衡进行分析。通过月度电量偏差修正模型，得到的各个场景增、减发电量如图3、图4所示。

由图3、图4可知，由于新能源和负荷预测信息的不确定性，在各个场景下机组存在着增、减发电量的情况。例如在预测第4日中，场景10的机组减发电量26MW.h，场景12的机组减发电量24MW.h；在预测第3日中，场景5的机组增发电量22MW.h，场景9的机组增发电量23MW.h。由此可知，各个场景下的增发、减发电量均有所不同，这表明本文提出的月度电量偏差修正模型能够针对不同的调度场景进行电量计划的调整，可以有效地适应风、光、水等新能源出力的随机性。

2)不同优化模型的比较

为了分析新能源出力不确定性引起的月度电量偏差对系统调度决策的影响，设置以下两种方案进行比较。

方案一：不考虑多场景下月度电量偏差的优化调度模型。

方案二：本发明考虑多场景下月度电量偏差的优化调度模型。

表3不同方案下的总成本

各方案优化得到的发电成本如表3所示，本发明的优化调度模型所得的成本低于方案一所得的成本，减少了25.5％。同时，各方案所得的机组出力计划如图5、图6所示，可以看出，两种方案下各时段机组出力计划不相同，这是由于本文的优化调度模型充分考虑了新能源出力的不确定性，优化所得的月度偏差电量有效的分解并纳入各机组日前出力计划，导致机组日前出力计划变化较大。而方案一未考虑月度电量偏差，导致日前机组出力计划未进行调整，难以确保系统稳定运行。

以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (5)

1.一种新能源并网电力系统的优化调度方法，其特征在于，该优化调度方法包括：

月度电量偏差修正：将当月用电负荷需求预测、可再生能源发电量预测与月合同电量比较，确定各场景下机组的增发电量和减发电量，并使用如下以系统内月度电量偏差调整成本最小为目标的月度电量偏差修正模型和相应约束条件对月度发电计划进行修正：

其中，c为场景编号；ω^c为c场景权重；

分别为机组i增发电量报价和减发电量报价；

为c场景下分配给机组i的增发电量与减发电量；

月合同电量分解及日前衔接：根据修正后的月度发电计划，将各发电厂的月合同电量分解到日，再根据分解得到的机组i在d日分解得到的日合同电量W_i,d，结合次日负荷需求预测，对日前发电计划进行优化，得到机组i次日t时段的预分解电力

日前优化调度：将

代入预设的日前优化调度模型，对各机组出力进行优化调整；其中，所述日前优化调度模型以各机组出力调整量最小为目标，同时确保弃风、弃光、弃水量最小。

2.如权利要求1所述的优化调度方法，其特征在于，所述月度电量偏差修正模型的约束条件包括电量供需平衡约束、增发电量和减发电量的上下限约束、机组剩余天数发电量上下限约束。

3.如权利要求1所述的优化调度方法，其特征在于，所述月合同电量分解及日前衔接的模型公式如下：

其中，W_i ⁰为已完成的合同电量；k_i为机组i的月度预发电计划电量占比。

4.如权利要求1所述的优化调度方法，其特征在于，所述日前优化调度模型的公式如下：

其中，P_i,t为火电机组i在t时段的出力；

为风电场w在t时段的弃风量；

为光伏电站p在t时段弃光量；△P_h,t为水电机组h在t时段的弃水量。

5.如权利要求4所述的优化调度方法，其特征在于，所述日前优化调度模型满足以下约束条件：

1)火电机组出力约束

P_i,min·y_i,t≤P_i,t≤P_i,max·y_i,t

其中，P_i,max和P_i,min分别为火电机组i的出力上、下限；

(2)火电机组爬坡约束

-P_i,down≤P_i,t-P_i,t-1≤P_i,up

其中，P_i,up和P_i,down分别为火电机组i在t时段内的爬坡功率上、下限；

(3)启停逻辑约束

U_i,t-D_i,t＝d_i,t-d_i,t-1

U_i,t+D_i,t≤1

其中，d_i,t为火电机组i在t时段运行状态的0/1变量；U_i,t、D_i,t为火电机组i在t时段启停状态的0/1变量；

(4)最小启停时间约束

(d_i,t-1-d_i,t)(T_i,t-1-T _i ^on)≥0

(d_i,t-d_i,t-1)(-T_i,t-1-T _i ^off)≥0

其中，T_i,t-1为机组i连续运行时间；T _i ^on、T _i ^off分别为机组i最小启、停机时间；

(5)水电机组发电流量约束

y_h,tQ_h,min≤q_h,t≤y_h,tQ_h,max

其中，y_h,t为0-1变量，表示水电机组h在t时段的运行状态；q_h,t为水电机组h在t时段的发电流量；Q_h,max、Q_h,min分别为水电机组h发电流量上下限；

(6)水库下泄流量约束

△P_h,t≥0

其中，h∈s表示水电机组h属于水库s；

为水库s下泄流量的上下限；

(7)库容约束

V_s,min≤V_s,t≤V_s,max

其中，V_s,min、V_s,max为水库s在调度时期允许的库容；

(8)始末库容约束

其中，V_s,0、V_s,T分别表示水库s在调度初始时段和末时段的库容；

分别为水库s的始末库容值；

(9)水库水量平衡约束

其中，V_s,t为水库s在t时段的库容；R_s,t为水库s在t时段的区间入库流量；

(10)风电、光伏出力约束

其中，

分别为风电和光伏的出力预测值；

(11)电力平衡约束

其中，

分别为风电和光伏的出力预测值；

(12)水电出力约束

P_h,t＝e_h,rq_h,t+f_h,r

P_h,min≤P_h,t≤P_h,max

其中，P_h,min、P_h,max为水电机组h出力的上下限。

Images