CN113746142B - 一种风光电站汇聚调度方法 - Google Patents

Abstract

本发明涉及电力系统发电调度领域，特别涉及一种风光电站汇聚调度方法。本发明能够利用新能源电站在时空尺度上的发电互补效应，通过电站集群调度管理减小单一电站调度的发电不可控性和随机性。主要技术方案为：引入出力互补性指标来表征不同电站之间出力互补程度的平均效应，采用凝聚层次聚类确定不同划分数量下的最优集群划分方式，并引入经济效益理论来确定最优集群数量，避免了依靠主观确定集群个数可能导致的随机性和不合理性。通过云南电网数十座实际风光电站群工程实例分析，结果表明本发明可有效减少直接调度电站数量，以集群方式可以更准确描述风光电站的不确定性出力，呈现出较好的可靠性、集中度和实用性。

Description

一种风光电站汇聚调度方法

技术领域

本发明涉及电力系统调度领域，特别涉及一种风光电站汇聚调度方法。

背景技术

新能源的快速发展使得风光等间歇性能源在电力系统中的占比越来越大，受限于风电、光伏电固有的间歇、不可控发电特性，以及其他综合因素，新能源消纳问题一直非常突出，特别是随着并网规模的快速扩大，弃风、弃光以及高比例清洁能源系统安稳运行等问题影响越来越大。从空间尺度来看，清洁能源基地风、光电站通常数十、数百座，且地理位置分散，气候和地域等自然特性的时空差异较大，使得各电站的入网节点、发电特性存在很大不同，面临“点多难控”局面。这种情况下，单一电站的发电规律掌控及单点指令调度难度很大，给电网发电计划编制带来很大不确定性，也大幅增加了调度人员的工作量。因此，采用集群调度方式，以多电站聚合形式描述风、光电站的出力分布特性，以减少直接调度电站个数、降低不确定性，这种情况下如何合理划分集群是非常重要的。

目前，集群划分多数考虑地理或电气位置，或集群耦合性、集群内电源利用情况等，将集群内部关联度、连接性、规模、集群间关联度等指标，以及反映集群自治能力的有功和无功调节容量、有功和无功电压灵敏度、供需匹配等指标作为划分依据，鲜有关注集群内电站的出力特性指标，以及集群间的划分合理性指标，且许多方法需要依靠主观确定集群个数，可能导致结果的随机性和不合理性。

针对上述问题，提出一种风光电站汇聚调度方法，并以云南电网为工程背景对其进行应用测试。结果显示本发明成果可有效减少直接调度电站个数，准确描述风光电站不确定性出力，呈现出较好的可靠性、集中度和实用性。

发明内容

本发明要解决的技术问题是提供一种风光电站汇聚调度方法，以减少直接调度电站个数，并提高风光电站不确定性出力描述的可靠性、集中度和实用性。

本发明技术方案：

一种风光电站汇聚调度方法，其特征在于，包括如下步骤：

步骤(1)引入互补性指标S，以反映电站集群出力互补的平均效应；计算公式如下：

式中：

表示集群q中各电站在某时段内互补程度的平均效应，

越小，说明各电站出力互补程度越高，

越大，说明各电站出力互补程度越低；β_q,i为集群q中各电站在时刻i的非互补程度，β_q,i＝0，表明集群q中各电站的出力变化量恰好完全抵消，达到完全互补；β_q,i≠0，表明存在未抵消部分；δ_q,n,i表示集群q中电站n在时刻i的出力变化率；I为采样点数；P_q,n,i和P_q,n,i+1分别表示时刻i和i+1的电站n的出力；T为出力变化率的周期；Q表示集群个数；N表示电站个数；

步骤(2)构建基于凝聚层次聚类的电站集群划分方法，以各电站实际出力过程为特征输入，以步骤(1)中的该互补性指标为评价准则，利用组合理论和分层迭代确定最优的电站集群划分方式；具体步骤如下：

Step2.1.输入N个电站的出力序列；

Step2.2.N个电站可能的集群个数为：1,2，…，N；当集群个数为N时，只有一种划分方式，即每个电站单独作为一个集群；当集群个数为1时，也仅有一种划分方式，即所有电站作为一个集群；当集群个数位于2至N-1之间时，需要通过凝聚层次聚类每一层的结果获得最优的电站集群划分方式及其对应的该互补性指标；

在凝聚层次聚类的第一层，初始集群个数为N，通过将两个出力互补程度最高的电站汇聚作为一个集群，将集群个数由N变为N-1；具体为：运用数学组合理论，生成面临电站集群的所有组合方式，并根据公式(1)计算得到每一种组合方式对应的该互补性指标：

式中：g为组合方式的编号；G为所有组合方式的总个数，G＝N(N-1)/2；

表示集群个数为N-1时第g种组合方式；S_N-1,g表示集群个数为N-1时第g种组合方式对应的该互补性指标；

Step2.3.集群个数为N-1时该互补性指标的最小值为：

Step2.4.假定

对应的组合方式为

则按照该组合方式进行集群划分，则集群个数由N变为N-1；

Step2.5.重复步骤Step2.2-Step2.4，直至所有电站汇聚为2个集群；通过分层迭代计算，可获得集群个数为2至N-1时的最优电站集群划分方式及对应的互补性指标；

所有可能集群划分个数对应的最优电站集群划分方式及其互补性指标表示为：

步骤(3)引入效益指标，确定最优集群划分个数；具体步骤如下：

Step3.1.定义收入为互补性指标的减小程度，成本为集群个数的增大程度，计算公式如下：

式中：ε_n'表示集群个数为n'时互补性指标的减小程度；δ_n'表示集群个数为n'时集群个数的增大程度；S_max、S_min分别表示互补性指标的最大值和最小值，

n'_max、n'_min分别表示集群个数的最大值和最小值，n'_max＝N，n'_min＝1；

Step3.2.根据收入与成本计算效益e_n'，计算公式如下：

e_n'＝ε_n'-δ_n；_'

Step3.3.找出效益最大时所对应的集群个数n^*作为最终的集群个数。

本发明成果有如下有益效果：与单电站调度方式相比，本发明的集群调度方式可有效减少直接调度电站数量，准确描述风光电站不确定性出力，呈现出较好的可靠性、集中度和实用性。互补性指标实质上指的是各电站在某时段内互补程度的平均效应，通过使互补性指标达到最小来确定最优的集群划分方式，以减小风光电站集群出力的波动性，使得集群出力更加平稳。引入经济效益确定集群划分个数，避免了依靠主观来确定集群个数的随机性和不合理性。

附图说明

图1是本发明方法总体求解框架图；

图2是电站汇聚方法原理图；

图3是确定电站集群划分个数示意图；

图4是互补性指标与集群划分个数关系曲线；

图5是各集群日平均出力曲线；

图6是方案1电站汇聚过程；

图7(a)和图7(b)分别是晴天和阴天光伏电站日出力过程；

图8(a)和图8(b)是光伏电站集群内各电站出力过程；

图9是方案3各集群平均出力率变化曲线；

图10(a)和图10(b)分别是风电站集群可靠性与集中度；

图11(a)和图11(b)分别是光伏电站集群可靠性与集中度；

图12(a)和图12(b)分别是风光电站混合集群可靠性与集中度。

具体实施方式

下面结合附图和技术方案，进一步说明本发明的具体实施方式。

一般而言，对风、光电站进行集群调度可以有效减少直接调度的电站个数，同时利用电源间的时空互补特点，能够提高集群输出功率的平稳性。为衡量电站间的出力互补程度，引入互补性指标S，以反映电站集群出力互补的平均效应。

式中：

表示集群q中各电站在某时段内互补程度的平均效应，

越小，说明各电站出力互补程度越高，

越大，说明各电站出力互补程度越低。β_q,i为集群q中各电站在时刻i的非互补程度，β_q,i＝0，表明集群q中各电站的出力变化量恰好完全抵消，达到完全互补；β_q,i≠0，表明存在未抵消部分。δ_q,n,i表示集群q中电站n在时刻i的出力变化率；I为采样点数；P_q,n,i和P_q,n,i+1分别表示时刻i和i+1的电站n的出力；T为出力变化率的周期；Q表示集群个数；N表示电站个数。

为确定适合的新能源电站集群，需解决两个问题：(1)确定集群的个数；(2)确定该集群个数下最优的集群划分方式。因无法预知合适的集群个数，因此首先确定任一可能集群划分个数相对应的最优集群划分方式，进而根据互补性指标与集群个数的二维变化曲线确定最优的集群个数。

电站集群划分的目标是将具有较好出力互补性的电站分配至同一组，为确定某一集群划分个数下的最优集群划分方式，构建了基于凝聚层次聚类的电站集群划分方法，以各电站实际出力过程为特征输入，以上述互补性指标为评价准则，利用组合理论和分层迭代确定最优的集群划分方式，其原理见图2。

假定研究对象包括N个新能源电站，则可能的集群个数为：1_,2,…,N。当集群个数为N时，只有一种划分方式，即每个电站单独作为一个集群；同理，当集群个数为1时，也仅有一种划分方式，即所有电站作为一个集群；当集群个数位于2至N-1之间时，需要通过层次聚类每一层的结果获得最优的集群划分方式及对应的互补性指标。

如图2所示，在凝聚层次聚类的第一层，初始集群个数为N，通过将两个出力互补程度最高的电站汇聚作为一个集群，此时系统的整体集群个数由N变为N-1。具体思路是运用数学组合理论，生成面临电站集群的所有组合方式，并根据公式(7)计算得到每一种组合方式对应的该互补性指标：

式中：g为组合方式的编号；G为所有组合方式的总个数，G＝N(N-1)/2；

表示集群个数为N-1时第g种组合方式；S_N-1,g表示集群个数为N-1时第g种组合方式的互补性指标。

集群个数为N-1时互补性指标的最小值为：

假定

对应的组合方式为

则按照该组合方式进行集群划分，集群个数由N变为N-1。重复上述过程，直至所有电站汇聚为2个集群。通过分层迭代计算，可获得集群个数为2至N-1时的最优电站集群划分方式及对应的互补性指标。

综上，所有可能集群划分个数对应的最优集群划分方式及其互补性指标可表示为：

对于电站集群调度，集群个数越少，意味着电网直接调度的对象越少，因此减少集群个数可大幅减少调度人员的工作量，增加集群调度的实用性。而随着电站的不断汇聚，由于部分电站间出力规律的相似性会导致集群内各电站的非互补程度随之变大，互补性降低，因此选择合适的集群个数是非常重要的。

为确定最优集群个数，引入经济效益的概念。通常情况下，效益为收入与成本之差。在本发明中，互补性指标的减小程度即为收入，集群个数的增大程度即为成本。计算公式如下：

式中：ε_n'表示集群个数为n'时互补性指标的减小程度；δ_n'表示集群个数为n'时集群个数的增大程度；S_max、S_min分别表示互补性指标的最大值和最小值，

n'_max、n'_min分别表示集群个数的最大值的最小值，n'_max＝N，n'_min＝1。

效益的计算公式如下：

e_n'＝ε_n'-δ_n' (12)

找出效益最大时所对应的集群个数n^*作为最终的集群个数。当集群个数小于n^*时，互补性指标减小明显；当集群个数大于n^*时，互补性指标趋于稳定，因此n^*即为合适的集群个数，其原理图见图3。

应用实例：

现以云南某地区21座风、光电站为例进行方法验证，其中2017-2018年实际与计划出力数据用于构建模型，2019年1月份数据用于检验，时间尺度为15min。考虑到光伏电站夜停昼发特性，故提取8:00至19:00数据进行分析。为验证本发明方法对不同电站群体的适用性，构建三种电站集群混合方案，方案1为单一风电站集群、方案2为单一光伏电站集群、方案3为风电站和光伏电站混合集群，其中方案1包括13座风电站(W1-W13)，方案2包括8座光伏电站(S1-S8)，方案3包括方案1与2中所有电站。

将样本数据处理为D×T维矩阵(D为天数，T为每日采样点)，并采用本发明的方法分别对三种方案进行集群划分，结果见表1。可以看出，不同方案的集群划分个数与集群中包含的电站个数有较大差异，这与风、光伏电站发电出力特性密切相关。

对于方案1，从图4互补性指标与集群划分个数关系曲线可以看出，随着集群个数不断减小，互补性指标增幅不断增大，当集群个数取4时，指标的变化速率处于临界状态因此将所有电站汇聚为4个集群，这一点通过图5各集群的出力过程曲线也可以分析得出，4个集群的出力过程变化趋势基本一致，若继续汇聚，各集群相似出力规律可能导致非互补程度显著增加，所以方案1风电站集群个数及包含的电站是适合的。进一步分析电站汇聚过程(见图6)，在出力互补性指标引导下，互补程度最高的两个电站W7、W12优先汇聚为一个集群，即凝聚层次聚类的第一层，互补程度为3.31，对应的互补性指标为4.31；以此类推，最终得到4个集群的互补程度分别为9.20、8.98、7.51、7.25。为证明该集群划分状态的优越性，随机取出电站移入其它集群，比较互补程度的变化。例如集群1中W1与W3的互补程度为9.20，若将W1移入其它集群，则W1与集群2、3、4的互补程度分别为11.36、9.85、9.66；类似地，若移入W3，则互补程度分别为11.27、9.70、9.53，显然，这两种集群方式的互补程度均低于W1与W3汇聚。选取其它电站进行测试，也可得到相似结论，说明方案1得到的集群划分结果是最优的。

对于方案2，光伏电站汇聚过程主要依据8:00-19:00出力数据，根据实际数据分析，各光伏电站在晴天与阴天的出力特点有较大差异。晴天中，电站的出力变化趋势基本一致，见图7(a)；但在阴天，光伏电站的出力过程波动较为频繁，且电站间变化趋势不一致，见图7(b)，这种情况大多能体现出更好的互补性。例如，图8(a)和图8(b)为集群1与集群2各电站在阴天的出力过程曲线，可以看出，由于集群内各电站出力波动规律不一致，呈现出良好的互补性。另外，集群3仅包含一个电站S3，原因在于该电站与其它电站的出力互补性较低，若将S3移入另外两个集群，则非互补程度会大大增加，集群1、2的互补程度将分别由2.55、2.25变为3.55、3.31，因此将S3单独作为一个集群是合理的。

对于方案3，由于风、光发电具有天然的时间互补性，因此得到的每个集群中都同时包括风、光两类电站，而且各集群内部的同类型电站、不同类型电站间的出力互补性都达到了最佳状态，从图9各集群平均出力率变化曲线可以看出，汇聚后的出力变化过程确实较为平滑，体现了较好的互补性。此外，各集群的汇聚出力曲线变化趋势大致相同，说明集群间的互补性较差，不宜继续汇聚，验证了集群划分个数的合理性。

采用常用方法建立各集群的出力概率分布，根据上述出力概率密度分布，可以分析不同置信水平下出力的变化区间，进而评价分布规律的准确性。一是评价概率分布是否可靠，通过实际值落入出力变化区间的概率表示；二是分析概率分布的集中度即区间宽度，区间越窄，不确定性信息越集中，实用性越强。

置信区间依据宽度最小原则选取，假设各时段出力置信区间上下限分别为

则平均区间宽度为：

式中：d表示平均区间宽度；

p_t分别表示时段t的置信区间上限、下限。

可靠性采用式(12)计算：

式中：R_1-β表示置信度为1-β时的可靠性值；N为样本个数；n_1-β为实际出力值落入置信度为1-β的置信区间的个数。R_1-β越接近1，表明可靠性越高。

由于电站集群较多，下面重点选择方案1、2、3中的典型集群4、1、1进行评价分析。方便起见，记本发明方法为方法1，并与不划分集群，各电站分别建立概率分布模型进行对比，记为方法2。

图10(a)和图10(b)给出了风电站集群不同置信水平与出力描述可靠性、平均区间宽度的关系。可以看出，方法1具有更高可靠性，90％置信区间的可靠性达到了99.3％。从出力区间大小来看，方法2更大，原因在于单个风电站的出力随机性大，规律性较差。

图11(a)和图11(b)给出了光伏电站集群不同置信水平与出力描述可靠性、平均区间宽度的关系。与风电站集群明显不同，两种方法的可靠性整体相近，方法1平均区间宽度更小小，说明光伏电站呈现出较强的集群效应，与单个电站相比，集群出力的规律性更强。

图12(a)和图12(b)给出了风光电站混合集群不同置信水平与出力描述可靠性、平均区间宽度的关系。可以看出，方法2可靠性更高，但其置信区间宽度明显大于方法1，实用性较差。方法1的可靠性较高，集中度很好。

通过不同方法、不同方案的对比分析，验证了本发明提出的风光电站分区汇聚出力描述方法能够适用于不同种类电站，且结果的可靠性高、不确定性小，在保证准确性的同时，可以有效减小风光不确定性出力模型的规模。

表1集群划分结果

Claims (1)

1.一种风光电站汇聚调度方法，其特征在于，包括如下步骤：

步骤(1)引入互补性指标S，以反映电站集群出力互补的平均效应；计算公式如下：

式中：

表示集群q中各电站在某时段内互补程度的平均效应，

越小，说明各电站出力互补程度越高，

越大，说明各电站出力互补程度越低；β_q,i为集群q中各电站在时刻i的非互补程度，β_q,i＝0，表明集群q中各电站的出力变化量恰好完全抵消，达到完全互补；β_q,i≠0，表明存在未抵消部分；δ_q,n,i表示集群q中电站n在时刻i的出力变化率；I为采样点数；P_q,n,i和P_q,n,i+1分别表示时刻i和i+1的电站n的出力；T为出力变化率的周期；Q表示集群个数；N表示电站个数；

步骤(2)构建基于凝聚层次聚类的电站集群划分方法，以各电站实际出力过程为特征输入，以步骤(1)中的该互补性指标为评价准则，利用组合理论和分层迭代确定最优的电站集群划分方式；具体步骤如下：

Step2.1.输入N个电站的出力序列；

Step2.2.N个电站可能的集群个数为：1,2，…，N；当集群个数为N时，只有一种划分方式，即每个电站单独作为一个集群；当集群个数为1时，也仅有一种划分方式，即所有电站作为一个集群；当集群个数位于2至N-1之间时，需要通过凝聚层次聚类每一层的结果获得最优的电站集群划分方式及其对应的该互补性指标；

在凝聚层次聚类的第一层，初始集群个数为N，通过将两个出力互补程度最高的电站汇聚作为一个集群，将集群个数由N变为N-1；具体为：运用数学组合理论，生成面临电站集群的所有组合方式，并根据公式(1)计算得到每一种组合方式对应的该互补性指标：

式中：g为组合方式的编号；G为所有组合方式的总个数，G＝N(N-1)/2；

表示集群个数为N-1时第g种组合方式；S_N-1,g表示集群个数为N-1时第g种组合方式对应的该互补性指标；

Step2.3.集群个数为N-1时该互补性指标的最小值为：

Step2.4.假定

对应的组合方式为

则按照该组合方式进行集群划分，则集群个数由N变为N-1；

Step2.5.重复步骤Step2.2-Step2.4，直至所有电站汇聚为2个集群；通过分层迭代计算，可获得集群个数为2至N-1时的最优电站集群划分方式及对应的互补性指标；

所有可能集群划分个数对应的最优电站集群划分方式及其互补性指标表示为：

步骤(3)引入效益指标，确定最优集群划分个数；具体步骤如下：

Step3.1.定义收入为互补性指标的减小程度，成本为集群个数的增大程度，计算公式如下：

式中：ε_n'表示集群个数为n'时互补性指标的减小程度；δ_n'表示集群个数为n'时集群个数的增大程度；S_max、S_min分别表示互补性指标的最大值和最小值，

n'_max、n'_min分别表示集群个数的最大值和最小值，n'_max＝N，n'_min＝1；

Step3.2.根据收入与成本计算效益e_n'，计算公式如下：

e_n'＝ε_n'-δ_n'；

Step3.3.找出效益最大时所对应的集群个数n^*作为最终的集群个数。

Images