CN113553714B - 限风情况下基于预测信息的风电场切风量计算方法及装置 - Google Patents

Abstract

本发明公开了一种限风情况下基于预测信息的风电场切风量计算方法及装置，方法包括：将风电场实时功率约束、风电场调节容量约束、风电场爬坡约束均转化为风电场切风量在2种切风情况下的上下限约束形式；根据集群需要的总切风量与升功率风电场自然切风量的大小，得到相应切风情况下的风电场切风量函数的分点集；根据分点集求取风电场最优切风量函数，将分点集按从小到大顺序对最优切风量函数进行直线搜索，获取终止分点并计算最优切风量乘子；将最优切风量乘子反带到风电场最优切风量函数中，获取各风电场的最优切风量。装置包括：处理器和存储器。本发明在保证结果正确性的同时，显著减少了电力系统对风电集群控制的运算时间。

Description

限风情况下基于预测信息的风电场切风量计算方法及装置

技术领域

本发明涉及电力系统中针对风电集群控制领域，尤其涉及一种限风情况下基于预测信息的风电场切风量计算方法及装置。

背景技术

近年来，我国一直将推动可再生能源高质量发展、有效解决清洁能源消纳问题作为重点工作。随着新能源发电占比的提高，新能源消纳问题也变的更加严重。以风电为例，我国风能资源与用电市场呈逆向分布的特点，一方面本地消纳能力不足，跨区电网建设滞后，用户需求侧响应能力有限，另一方面风电出力的随机性与波动性强，这些使得风电联网影响了电网的供需平衡机制，将引发弃风限电问题。所以如何协调控制新能源各机组的有功出力，实现各机组之间出力任务的优化分配，成为亟待解决的问题。

相比常规火电厂可通过等耗量微增率准则实现出力的优化控制，风电场群内各单场间有功出力分配策略相对复杂，通过优化风电场群内各单场的有功出力，可以最大限度的提高电网的风电消纳能力。

就目前风力发电厂的实际运行情况而言，对于风电集群控制主要就是利用分层控制方式。但是这一模式在实际应用中也会有一定的缺陷，其中最为明显的一个问题就是由于预测误差、风电场无法快速跟踪指令值，导致功率优化控制的效果不是特别理想，并且随着风电场数量的增加，这一问题也越来越明显。

针对上述问题，国内外学者做了一系列研究。风电场若想满足上级调度指令，可通过机组的启停及桨距角的控制实现。现有的风场内部有功调度策略多为按照风机运行最大有功功率值进行分配，按功率及风速等预测变化趋势将风机分为各类机群，能够实现有功功率的平滑控制，减少了输出功率的波动次数。近年来模型预测控制(Model PredictiveControl，MPC)在风电集群控制方面也有一系列的研究，可通过对风电场进行模型预测分层控制，对风电预测信息进行反馈校正及滚动优化，有效地提高了风电场有功控制精度。为了提升计算效率，近年来诞生了基于复杂的逻辑判断的方法，对风电场进行切风控制，对风场内风机进行启动、切除序列的生成，公平地将电网下达的切风指令分配给各风电场。

发明内容

本发明针对目前电网对各风电场协调控制模型的计算规模大，难以实现在线应用的特点，提出了一种限风情况下基于预测信息的风电场切风量计算方法及装置，利用风电场切风量函数为凸的特点，将风电场切风量函数简化为线性函数，在保证结果正确性的同时，显著减少了电力系统对风电集群控制的运算时间，详见下文描述：

第一方面，一种限风情况下基于预测信息的风电场切风量计算方法，所述方法包括：

将风电场实时功率约束、风电场调节容量约束、风电场爬坡约束均转化为风电场切风量在2种切风情况下的上下限约束形式；

根据集群需要的总切风量与升功率风电场自然切风量的大小，得到相应切风情况下的风电场切风量函数的分点集；

根据分点集求取风电场最优切风量函数，将分点集按从小到大顺序对最优切风量函数进行直线搜索，获取终止分点并计算最优切风量乘子；

将最优切风量乘子反带到风电场最优切风量函数中，获取各风电场的最优切风量。

在一种实施方式中，所述2种情况下的上下限约束形式为：

第一种情况

时，风电场切风量上下限分别为：

其中：

分别为升功率风电场中切风量的最小值、最大值，

为降功率风电场的切风量，恒为0，

为风电场i在当前时段下的最大上爬坡率；

第二种情况

时，风电场切风量上下限分别为：

其中：

分别为升功率风电场中切风量的最小值、最大值；

分别为升功率风电场中切风量的最小值、最大值，

为风电场i在当前时段下的最大下爬坡率。

在一种实施方式中，所述根据分点集求取风电场最优切风量函数具体为：

第一种情况时：

其中，

为升功率风电场i的切风量函数，

为降功率风电场i的切风量函数；

第二种情况时，最优切风量函数为：

在一种实施方式中，所述最优切风量乘子为：

其中，p_d为

将λ^*代入风电场最优切风量函数中，依次得到各风电场的最优切风量。

第二方面，一种限风情况下基于预测信息的风电场切风量计算装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。

第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。

本发明提供的技术方案的有益效果是：

1、对于规模较大的风电集群，现有的风电场控制方式存在计算量大、时间长的问题，难以实现在线应用，本方法在保证准确度的前提下，可有效减少计算时间，提升系统优化的效率；

2、本方法充分利用风电场切风量为二次凸函数的特点，避免了二次规划迭代次数过多的特点，能够实现在单调有限次代数计算后获得切风量的最优解；

3、本方法减少了为求解风电场切风序列而造成的大量逻辑判断，有效地减少了因数据传输受到干扰而造成数据缺失、异常等问题，能够有效保证风电场切风量的准确性，实现调度指令下达后的“整体分配，分区协调”的目的。

附图说明

图1为一种限风情况下基于预测信息的风电场切风量计算方法的流程图；

图2为一种限风情况下基于预测信息的风电场切风量计算的示意图；

图3为一种限风情况下基于预测信息的风电场切风量计算装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

基于上述背景，本发明实施例提出了一种限风情况下基于预测信息的风电场切风量计算方法。在限风条件下，利用风电场切风量函数凸特性的特点，并给出切风量的单调解析流程，通过切风量的边际集合可快速寻找各风电场的最优切风量。该方法避免了复杂的判断过程，可实现快速、准确的求解，在今后的实际工程中具有广阔的应用前景。

实施例1

本发明实施例建立了风电集群切风量的二次规划模型。以风电场调整量最小为目标，提升了计算求解的速度，为在线运行提供了一种方案，该模型搭建包括以下步骤：

在限风状态下，风电集群有功功率优化分配的基本思想是如何在电网调度指令给定的前提下，利用各风电场超短期功率预测的结果，综合考虑集群内部各风电场实时功率约束、爬坡率约束、风电场调节能力约束等条件下，合理分配给各风电场有功出力值，使得各风电场出力值的调整量最小。

可建立如下目标函数：

其中：

其中：

为风电场i在当前时刻的预测功率；

分别为升功率、降功率风电场在上一时段的实际出力；

分别为升功率、降功率风电场i在当前时段的切风量，F(.)为风电场切风量函数，F₁(.)为升功率风电场切风量函数，F₂(.)为降功率风电场切风量函数，W为所有风电场共同构成的集合，W₁为升功率风电场构成的集合，W₂为降功率风电场构成的集合，

为集合W₁中，风场i上一时段的实际出力，

为集合W₂中，风场i上一时段的实际出力。

约束条件：

a)切风量功率平衡约束：

其中：P^dem为电网当前时刻给风电集群下达的调度指令。

b)风电场实时功率约束：

其中：

为风电场i的装机容量。

c)风电场调节容量约束：

其中：d为风电场能够达到降出力控制比例，单位为％。

d)风电场爬坡约束

由于升功率风电场既可能发生向上爬坡也可能发生向下爬坡，如式(7)所示：

其中：

分别为风电场i输出功率最大的向上调节速率、向下调节速率。降功率风电场只能发生向下爬坡，因此爬坡约束表示如式(8)所示：

实施例2

下面结合具体的实例对实施例1中的方案进行进一步地介绍，本发明实施例建立了风电集群切风量的快速求解模型。以风电场调整量最小为目标，提升了计算求解的速度，为在线运行提供了一种方案。模型搭建包括以下步骤：

201：构建风电场快速切风量计算模型；

1)获取调度中心给予风电集群的调度值、各风电场超短期预测的功率值、当前时刻各风电场的实际出力值；

2)根据风电场集合W中下一时刻功率预测值与当前时刻出力大小的不同，分为升功率风电场和降功率风电场两大类，分别记为集合W₁和集合W₂，如式(9)所示。

其中：

为风电场i在t当前时刻的预测功率；P_i,t-Δt为风电场i上一时刻实际发出的功率。

3)构造原问题的拉格朗日增广目标函数：

其中：λ为拉格朗日乘子。从而，原问题的对偶问题可以表示为：

其中

其中：

为整体的为拉格朗日对偶问题；

分别为升功率、降功率风电场i在当前时刻下切风量最小值与最大值组成的列向量。由于调度值、风电场预测值为常数，式(12)可改写为：

其中：

其中：α_i为0-1变量，升功率风电场α_i取1，否则取0。

202：构建风电场快速切风量计算方法，步骤202包括：

1)将风电场实时功率约束、风电场调节容量约束、风电场爬坡约束均转化为风电场切风量上下限的约束形式。并根据集群需要的总切风量与升功率风电场自然切风量的大小，将切风分为两种情况，并得到两种情况下的风电场切风量函数的分点集；

1.1)当

时，此时风电场切风量上下限分别为：

其中：

分别为升功率风电场在情形1中切风量的最小值、最大值，

为降功率风电场在情形2的切风量，恒为0，

为风电场i在该时段下的最大上爬坡率。

1.2)当

时，此时风电场切风量上下限分别为：

其中：

分别为升功率风电场在情形2中切风量的最小值、最大值；

分别为升功率风电场在情形2中切风量的最小值、最大值，

为风电场i在该时段下的最大下爬坡率。

2)求取风电场切风量函数：

2.1)当

时，仅需升功率风电场切风，该最优切风量函数为：

其中，

为升功率风电场i的切风量函数，

为降功率风电场i的切风量函数。

2.2)当

时，需要同时对升功率风电场、降功率风电场同时切风，该最优切风量函数为：

其中：

分别为升功率风电场在情形2中切风量的最小值、最大值；

分别为升功率风电场在情形2中切风量的最小值、最大值。

5)将分点集按从小到大排序，对切风量函数进行直线搜索，找到终止分点并计算λ^*；

处于两种情况下的风电场切风量限值构成切风量的分点集S。分点集S由升功率、降功率风电场允许切风量最小、最大值对应的边际组成。若分点集元素个数为n，按从小到大的顺序，可分别记为λ₁,λ₂,…,λ_n，即：

λ₁＜λ₂＜…＜λ_n

该最优切风量快速求解直线搜索函数为：

显然，φ(λ_k)为关于λ_k的分段线性递增函数，k的取值范围为1～n。

分析可知，若

或

则上述风电场切风量问题无解；否则，必定存在λ^*使

的最优解。若最优解存在，依次按照k＝1,2,…,l，其中

是终止分点，则有如下序列计算：

其中，λ^*为最优切风量乘子，p_d为

计算λ^*，并代入风电场切风量函数中，可依次得到各风电场的最优切风量，从而完成风电场切风量问题解析求解。

6)将λ^*反带到风电场切风量函数中，得到各风电场的最优切风量。能够在保证风电场调整量最小为目标的同时，准确得到各风电场的切风量(结果与二次规划法相同)，节约了计算时间，同时以风电集群整体波动量最小为目标，提升了风电并网“友好度”。

实施例3

下面结合具体的实例、表1-5对实施例1和2中的方案进行可行性验证，详见下文描述：

301：搭建三风电场测试系统；

表1各风电场基础数据

以含三个风电场小系统为例验证本方法的准确性，为说明限风状态下，风电场最优切风量计算的正确性，设计如下2种方案并进行分析：

方案1：二次规划法求解各风电场切风量。

方案2：本文所提快速求解法求解切风量。

1)仅升功率风电场切风

当调度指令为86MW时，分别带入模型求解，可得到各风电场切风量，表2给出两种方案各风电场对应的切风量：

表2调度指令为80MW时快速求解算法与二次规划算法结果对比

快速求解法

一共有3个分点，按照从小到大进行排序后，分别为-20、-10、0，且φ(-20)＝0＜14、φ(0)＝15＞14，说明此问题有解。对φ(λ_k)进行直线搜索，当取λ₃＝0时终止迭代，因此λ^*从-10、0之间进行选取，由迭代公式计算可知，最终λ^*取-1时，反代到式(24)、(25)中，可得出各风电场的最优切风量。

以二次规划法和快速求解法作为对照，切风结果一致，表明本文所提出的风电场限出力下最优切风量快速求解方法可以保证情形1下的准确性。

2)升功率、降功率风电场同时切风

当调度指令为62MW时，分别带入模型求解，结果如表3所示：

表3快速求解算法与二次规划算法结果对比

快速求解法

一共有5个分点，按照从小到大进行排序后，分别为0、10、40、60、80，且φ(0)＝15＜38、φ(80)＝100＞38，说明此问题有解。当取λ₃＝40时终止迭代，由迭代公式(42)计算可知，λ^*＝18.67，带入式(24)、(25)可得出各风电场的最优切风量。

以二次规划法和快速求解法作为对照，切风结果一致，表明本文所提出的快速求解方法可以保证情形2下的准确性。

3)对比三风电场测试系统两种方式下计算效率

在情况1下，由于快速求解法中仅有3个分段点，进而查找速度耗时不足50毫秒；同样地，由于二次规划法仅对两个升功率风电场进行切风量的计算，求解时间主要用在二次规划的迭代求解上，在600毫秒内也可求解完成。而情况2下，虽然只增加了1个降功率风电场，但是二次规划法需要同时对F₁、F₂进行计算，因此计算速度慢57.14％，而快速求解法计算速度对风电集群规模敏感程度不大，两种情况下计算时间基本一致，二次规划法在情况2下的计算效率更低。

302：十风电场测试系统

本节以风电集群内含十个风电场为例进一步分析本文所提方法在大规模风电场并网运行中在线应用的实用性。基础数据如表4所示：

表4各风电场基础数据

1)仅升功率风电场切风下两种切风方式对比

当调度指令为770MW时，分别带入模型求解，可得到各风电场切风量，表5给出两种方案各风电场对应的切风量：

表5调度指令为770MW时不同方案计算结果对比

通过计算，快速求解法在此时

一共有4个分点，分别为-24、-10、-4、0。由迭代公式(27)计算可知，当取λ₂＝-10时终止迭代，计算可得λ^*＝0.667，反代到(22)、(23)中，可得出各风电场的最优切风量。

当风电集群中含有的降功率风电场数目不多时，快速求解法虽然可以提升计算速度，但是效果与301相比并不明显。

2)升功率、降功率风电场同时切风

当调度指令为620MW时，分别带入模型求解，结果如表6所示：

表6调度指令为620MW时不同方案计算结果对比

随着风电场数量的增加，快速求解法的分段点并不是以2N的数量增加，在此算例中仅有11个。当取λ₄＝60时终止迭代，这无疑加快了直线搜索的速度，对10个风电场的计算相较于仅对3个升功率风场用时仅多了10毫秒。

3)对比10风电场测试系统两种方式下的计算效率

两种不同方法相比，方案1的计算时间随风电集群规模最为敏感，仅是调度命令的不同，与情况1相比运算时间就增加了648.3％；方案2的敏感性较低，都可在100毫秒内完成。可以预测，当风电集群规模更大时，相较于二次规划的计算速度提升越明显。在保证风电场的调整量尽量小的前提下，可将调度指令快速、公平地分配到各风电场中，这就为在线应用提供可能。

基于同一发明构思，本发明实施例还提供了一种限风情况下基于预测信息的风电场切风量计算装置，参见图3，该装置包括：处理器1和存储器2，存储器2中存储有程序指令，处理器1调用存储器2中存储的程序指令以使装置执行实施例中的以下方法步骤：

将风电场实时功率约束、风电场调节容量约束、风电场爬坡约束均转化为风电场切风量在2种切风情况下的上下限约束形式；

根据集群需要的总切风量与升功率风电场自然切风量的大小，得到相应切风情况下的风电场切风量函数的分点集；

根据分点集求取风电场最优切风量函数，将分点集按从小到大顺序对最优切风量函数进行直线搜索，获取终止分点并计算最优切风量乘子；

将最优切风量乘子反带到风电场最优切风量函数中，获取各风电场的最优切风量。

在一种实施方式中，2种情况下的上下限约束形式为：

第一种情况

时，风电场切风量上下限分别为：

其中：

分别为升功率风电场中切风量的最小值、最大值，

为降功率风电场的切风量，恒为0，

为风电场i在当前时段下的最大上爬坡率；

第二种情况

时，风电场切风量上下限分别为：

其中：

分别为升功率风电场中切风量的最小值、最大值；

分别为升功率风电场中切风量的最小值、最大值，

为风电场i在当前时段下的最大下爬坡率。

在一种实施方式中，根据分点集求取风电场最优切风量函数具体为：

第一种情况时：

其中，

为升功率风电场i的切风量函数，

为降功率风电场i的切风量函数；

第二种情况时，最优切风量函数为：

在一种实施方式中，最优切风量乘子为：

其中，p_d为

将λ^*代入风电场最优切风量函数中，依次得到各风电场的最优切风量。

这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。

上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。

存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。

基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。

该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。

这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。

计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。

参考文献

[1]林俐，朱晨宸，郑太一，等.风电集群有功功率控制及其策略[J].电力系统自动化，2014，38(14)：9-16.

[2]冯利民,范国英,郑太一,李群英,李育发,王绍然.吉林电网风电调度自动化系统设计[J].电力系统自动化,2011,35(11):39-43.

[3]崔杨.大规模风电场群联网的源网协调性研究[D].华北电力大学,2011.

[4]行舟，陈永华，陈振寰，等.大型集群风电有功智能控制系统控制策略(一)风电场之间的协调控制[J].电力系统自动化，2011，35(20)：20-23，102.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种限风情况下基于预测信息的风电场切风量计算方法，其特征在于，所述方法包括：

将风电场实时功率约束、风电场调节容量约束、风电场爬坡约束均转化为风电场切风量在2种切风情况下的上下限约束形式；

根据集群需要的总切风量与升功率风电场自然切风量的大小，得到相应切风情况下的风电场切风量函数的分点集；

根据分点集求取风电场最优切风量函数，将分点集按从小到大顺序对最优切风量函数进行直线搜索，获取终止分点并计算最优切风量乘子；

将最优切风量乘子反带到风电场最优切风量函数中，获取各风电场的最优切风量；

所述分点集S由升功率、降功率风电场允许切风量最小、最大值对应的边际组成，若分点集元素个数为n，按从小到大的顺序，分别记为λ₁,λ₂,…,λ_n，即：λ₁＜λ₂＜…＜λ_n；

所述2种切风情况下的上下限约束形式为：

第一种情况

时，风电场切风量上下限分别为：

其中：P^dem为电网当前时刻给风电集群下达的调度指令，

为风电场i在当前时刻的预测功率；

分别为升功率风电场中切风量的最小值、最大值，

为降功率风电场的切风量，恒为0，

为风电场i在当前时段下的最大上爬坡率；

第二种情况

时，风电场切风量上下限分别为：

其中：

分别为升功率风电场中切风量的最小值、最大值；

分别为升功率风电场中切风量的最小值、最大值，

为风电场i在当前时段下的最大下爬坡率；

所述根据分点集求取风电场最优切风量函数具体为：

第一种情况时：

其中，

为升功率风电场i的切风量函数，

为降功率风电场i的切风量函数；

第二种情况时，最优切风量函数为：

2.根据权利要求1所述的一种限风情况下基于预测信息的风电场切风量计算方法，其特征在于，所述最优切风量乘子为：

其中，p_d为

将λ^*代入风电场最优切风量函数中，依次得到各风电场的最优切风量，k的取值范围为1～n。

3.一种限风情况下基于预测信息的风电场切风量计算装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-2中的任一项所述的方法步骤。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-2中的任一项所述的方法步骤。

Images