CN114188942A - 一种包含大规模新能源基地的电网调度方法 - Google Patents

Abstract

本发明属于电网调度领域，具体地而言为一种包含大规模新能源基地的电网调度方法，包括：按照系统煤耗最小，建立目标函数；采用系统约束以及风电机组相关约束、水电机组相关约束、光伏机组约束以及火电机组约束作为约束条件；其中约束条件还包括随机约束，所述随机约束包括风速的随机模型、光照的随机模型以及来水的随机模型；以水火风光发电量以及水电站库容作为决策变量；建立风光水火发电优化调度的数学模型；对数学模型就行优化计算。

Description

一种包含大规模新能源基地的电网调度方法

技术领域

本发明属于电网调度领域，具体地而言为一种包含大规模新能源基地的电网调度方法。

背景技术

新能源调度是为了保证新能源最大化消纳、协助电网安全稳定运行而采用的一种有效管理手段。同时它也是电网调度的一部分，其目的是将波动性强、场站数量众多的新能源进行精细化管理，为电网调度提供技术支撑。新能源发展速度快、建设集中，但受局部地区电网输送能力以及全网调峰能力等因素限制，已无法全额消纳新能源。为保证系统运行安全，必须开展新能源调度，制定新能源发电计划，以保证新能源的最大化消纳和电力系统的安全运行。新能源调度应能够实时监测场(站)功率和变化趋势，预测多元能源发电功率，在此基础上制定合理的各类能源发电计划，并通过对多元能源的并网运行特性进行模拟，以加强对场站的管理，协调优化新能源与常规电源的调度，支撑全系统安全稳定运行，提高系统新能源利用率。

发明内容

本发明所要解决的技术问题在于提供一种包含大规模新能源基地的电网调度方法，解决无法全额消纳新能源的问题。

本发明是这样实现的，

一种包含大规模新能源基地的电网调度方法，包括：

按照系统煤耗最小，建立目标函数；

采用系统约束以及风电机组相关约束、水电机组相关约束、光伏机组约束以及火电机组约束作为约束条件；其中约束条件还包括随机约束，所述随机约束包括风速的随机模型、光照的随机模型以及来水的随机模型；

以水火风光发电量以及水电站库容作为决策变量；

建立风光水火发电优化调度的数学模型；

对数学模型就行优化计算。

进一步地，所述目标函数为：

其中，i为火电机组索引；N_I为火电机组的数目；t为计划时段索引；W_i,t为火电机组i在t时段的发电量；F_i(·)为火电机组的能耗函数，按照实测能耗拟合得到。

进一步地，所述系统约束包括：

电力电量平衡约束：

最大发电功率约束：

式中，N_I、N_H、N_F、N_G分别为火电、水电、风电、光伏机组的数目；w_h,t、w_f,t、w_g,t分别为t时段水电、风电、光伏的发电量；W_D,t为t时段的需求电量；j为与电力相关的检修时段的索引；

分别表示火电、水电、风电、光伏机组在第j个检修时段的最大可发功率；P_D,j、R_j为第j个检修时段的最大负荷和系统备用需求；k为检修项目的编号；N_M为检修项目总数；y_k,j为给定的检修项目的k检修状态变量，若处于检修状态，则y_k,j＝1，否则y_k,j＝0；P_max,i、P_max,h为火、水电机组的最大发电功率；P_r,f、P_r,g分别为风电机组f和光伏机组g的额定功率；A_i,k、A_h,k、A_f,k、A_g,k为机组与检修项目的关联矩阵，当k检修项目影响i、h、、f或g机组发电能力时，对应元素为1，否则，为0；P_con,k为检修项目k对发电能力的影响；

旋转备用约束：

式中，URS_t为时段t系统中燃气电站和火电站共同提供的向上的旋转备用总容量；UR_i,t为火电电机组i在t时段提供的10min响应向上的旋转备用容量；UR_h,t为水电站h在时段t提供的旋转备用容量；L％是不考虑风电、光伏发电接入时，系统总负荷预测误差对向上的旋转备用的需求；F％是风电出力预测误差对向上的旋转备用的需求；G％是光伏出力预测误差对向上旋转备用的约束。P_imax,t为火电机组i在时段t的最大出力；T₁₀为旋转备用响应时间10min；

系统向下的旋转备用容量为：

进一步地，风电机组相关约束：

其中，

式中，

为风电机组f的计划时段t的预测出力；v_ci,f、v_r,f、v_co,f分别为风电机组f的切入、额定、切出风速；v_f,t为风电机组f计划时段t的预测风速；

为风电机组出力函数的常系数；T_j,t为计划时段和检修时段的关联矩阵，若计划时段t与检修时段j相关联，对应元素为1，否则对应元素为0；J_t为与计划时段t对应检修时段j的集合；N_j表示j所含小时数；w_f,t、

为t时段风电机组f的发电量及可调度的发电量；D_d,f,j为风电机组的负荷率。

进一步地，水电机组相关约束：

①水电发电量约束

W_b,h,t＝P_b,h,tΔt；

线性化表示为：

W_b,h,t≤w_h,t≤wh,t

式中，s为出力限制约束中水头的分段编号；

为水电站h_p第s段对应的水头，

分别为第s个分段区间的最小和最大水头，这里设

为t时段水电站的水头；

为水电机组h所属水电站在第S段的状态变量，当

时取值为1，否则为0；

为第S段相应的水电出力上限；N_j,t为检修时段j与计划时段t的关联矩阵，如检修j时段，与计划时段t相关，对应元素取值为l，否则为0；D_d,h,j为机组h在检修时段j的负荷率；N_j为检修时段j所含小时数；

②水库相关约束

式中，W_b,h,t、

为水电机组的最小、最大发电量；D_d,h,j为水电机组的负荷率；P_b,h,t为水电机组的发电功率下限；Δt为t时段包含的小时数；q_h,t为t时段机组h的发电流量；Q_max,h、Q_min,h为机组发电流量的上下限；

为t时段水电站h_p的弃水流量；

为下泄流量的上下限；

为t时段水电站的h_p库容；

为t时段水电站的区间来水流量；U_p为代表其上游水电站集合；Δt'为时段t内包含的秒数；

为初始和调度期末的阵容；

为水电站阵容的上下限；

对于水电站h_p，在任一时段t的阵容

与水位

尾水位

与下泄流量、水头损失

与发电流量

之间的近似线性函数关系分别如下式所示

均为常系数。

水电机组h所属水电站h_p在t时段的平均发电净水头

与水位、尾水位及头损失之间的函数以及发电量与发电流量及水头之间的发电特性函数如：

式中，K_h为水电机组h的综合出力系数；

发电量与发电流量及水头之间的发电特性函数转换为线性混合整数模型具体为：

式中，r为水头的分段编号，r∈R；

为水电站h_p第r段对应的水头，

分别为第r个分段区间的最小和最大水头，这里设

为t时段水电站h_p的水头，

表示水电机组h所属水电站h_p在第r段的状态变量，当

时取值为1，否则为0；q_h,t,r为t时段水电机组h第r段的发电流量；K_h,r为水电机组h在第r段水头下的综合出力系数；q_h,t为t时段水电机组h的发电流量；w_h,t为t时段水电发电量。

进一步地，光伏机组约束包括：

①组件及出力约束

式中，

为第g个光伏发电出力变化的最大值。当系统的运行电压设定后，光伏组件数量需要满足以下约束条件：

0≤R_g≤R_g,max

式中，R_g是单独光伏发电时满足用户负荷需求所需要的个数；

②太阳板倾角约束

太阳能光伏阵列有两个角度参量：光伏组件方位角口α和光伏组件倾角β。α指光伏组件的垂直面与正南方向的夹角，在北半球光伏组件朝向正南取α＝0；β是指太阳能光伏组件平面与水平面之问的夹角，其取值范围应为：

0≤β≤90°。

进一步地，火电机组约束包括：

①火电发电量约束

②火电燃煤库存动态平衡约束

g_i,t-1+G_i,t-F_i(w_i,t)

G_i,min≤g_i,t≤G_i,max

式中，W_min,i,t为综合考虑最小出力限制和供热要求后的火电机组f在t时段的最小发电量；

为考虑检修后火电机组的最大发电量；D_d,i,j为火电机组的负荷率；g_i,t为火电厂i燃煤库存；G_i,t为火电厂i供煤计划；G_i,min为火电厂i最小燃煤库存。

③最小开关机时间约束

式中，

和

分别为火电机组i在t时刻已经持续开机、关机的时间；τ_on,i和τ_off,i分别为火电机组i的最小开机、关机时间限制，如果调度周期为T，若火电机组i在第t时段投入了运行，从运行的那一时段算起，那么该火电机组至少在接下来的连续τ_on,i个时段里都要求是运行状态，当(T-t)≤t_on,i时，则在余下的(T-t)个时段也要求处于运行状态；若火电机组i在第i时段停机，从停机的那一时段算起，该火电机组至少在接下来的连续τ_off,i个时段里必须是停机状态，当(T-t)≤t_off,i时，则余下的(T-t)个时段也要求处于停运状态；

将最小开关机时间约束进行非线性化转化表达式为：

进一步地，采用点估计法用于求解，包括：

步骤1：将非线性的中长期优化调度度模型转换为MILP模型，并令随机变量的索引i＝1；

步骤2：选取随机变量x_i；

步骤3：根据随机变量的概率特性，计算相应参数λ_i,j；λ_i,j为随机变量x_i的j阶中心矩M_j(x_i)和标准差σ_i的j次方之比，表达式如下：

其中f(x_i)为随机变量x_i的概率密度函数，λ_i,1＝0，λ_i,2＝1，λ_i,3、λ_i,4则分别称为随机变量的偏度和峰度系数；

步骤4：计算估计点的位置系数ξ_i,k，若进行三点估计m＝3，即每个随机变量x_i取3个估计点，当其中一个估计点取值为均值时，位置系数计算公式如下：

步骤5：确定估计点，若随机变量x_i(i＝1,2,...,n)的均值为μ_i以方差为σ_i，则构造x_i上的m个估计点如式：

x_i,k＝μ_i+ξ_i,kσ_i,k＝1,...,m

步骤6：针对m个估计点构造估计点向量[μ₁,μ₂,...,x_i,k,...,μ_n]，即第i个随机变量x_i取为估计点x_i,k，其他随机变量均取预测均值。

步骤7：计算估计点x_i,k相应的权重w_i,k满足

步骤8：针对构造的估计点向量，根据步骤1建立的数学模型进行确定性的中长期优化调度，并保存计算结果；

Y(i,k)＝h(μ₁,μ₂,...,x_i,k,...,μ_n)

步骤9：判断是否所有新构造的估计点向量都计算完毕，如是，转至步骤10，若否，转至步骤6；

步骤10：判断是否所有的随机变量都计算完毕，如是，转至步骤11；若否，i＝i+1，转至步骤2；

步骤11：根据Y与X的函数关系，求得Y的l阶原点矩估计值：

当l＝1时，E(Y)为均值。

本发明与现有技术相比，有益效果在于：多元能源协同调度不仅能减少环境污染，而且能节约电力系统的燃料成本，带来可观的经济效益。但多元能源电力系统的中长期联合优化运行不仅需要考虑不同类型电源运行的差异性和互补性，而且面临着风速、来水等多种不确定性因素。本发明综合考虑水力、风力、光伏以及热力相互耦合的复杂约束，以能耗最小为目标，以水火风光发电量以及水电站库容为决策变量，建立风光水火发电中长期优化调度的数学模型。

附图说明

图1为本发明方法框图；

图2为风电机组功率特性曲线；

图3为线性化分段策略；

图4为点估计的示意图；

图5为将点估计法应用于风光水火发电系统的中长期优化调度的求解流程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

水火风发电系统中长期优化调度应在满足系统日益增长的电力电量需求的前提下，按照节能、环保、经济的原则调度各类能源发电。因此中长期风水火优化调度计划需要满足的基本原则为：

(1)保证电力电量的可靠供应：在电量平衡方面，系统各种类型电源发电量应满足电量需求；电力平衡方面，系统可供发电能力应大于等于电力负荷和备用的需求。同时，考虑到与电力相关和与电量相关的变量的求解时间间隔并不相同应分别设置时间索引变量。

(2)保证电网安全稳定运行：中长期优化调度既要满足系统的相关约束，还要满足复杂的风电、梯级水电和火电的运行约束。

(3)最大限度地节能降耗：从更大时间范围内，提高系统运行的经济性，节约不可再生一次能源的消耗。

(4)充分利用清洁能源：一方面风电应按照投产进度计划，参与电力电量平衡；另一方面由于水电既是清洁电源又是具有一定调节能力的电源，制定调度计划应综合权衡水电站发电量及调峰电量。包括：按照系统煤耗最小，建立目标函数；

采用系统约束以及风电机组相关约束、水电机组相关约束、光伏机组约束以及火电机组约束作为约束条件；其中约束条件还包括随机约束，所述随机约束包括风速的随机模型、光照的随机模型以及来水的随机模型；

以水火风光发电量以及水电站库容作为决策变量；

建立风光水火发电优化调度的数学模型；

对数学模型就行优化计算。

其中1.目标函数

水火风发电系统中长期优化调度是在满足系统电力电量需求的前提下，按照节能、经济的原则调度各类能源发电，使得系统煤耗最小，其目标函数如下。

式中，i为火电机组索引；N_I为火电机组的数目；t为计划时段索引；W_i,t为火电机组i在t时段的发电量；F_i(·)为火电机组的能耗函数，按照实测能耗拟合得到。

2.约束条件

(1)系统约束

①电力电量平衡约束

②机组维修——最大发电功率约束

式中，N_I、N_H、N_F、N_G分别为火电、水电、风电、光伏机组的数目；w_h,t、w_f,t、w_g,t分别为t时段水电、风电、光伏的发电量；W_D,t为t时段的需求电量；j为与电力相关的检修时段的索引；

分别表示火电、水电、风电、光伏机组在第j个检修时段的最大可发功率；P_D,j、R_j为第j个检修时段的最大负荷和系统备用需求；k为检修项目的编号；N_M为检修项目总数；y_k,j为给定的检修项目的k检修状态变量，若处于检修状态，则y_k,j＝1，否则y_k,j＝0；P_max,i、P_max,h为火、水电机组的最大发电功率；P_r,f、P_r,g分别为风电机组f和光伏机组g的额定功率；A_i,k、A_h,k、A_f,k、A_g,k为机组与检修项目的关联矩阵，当k检修项目影响i、h、、f或g机组发电能力时，对应元素为1，否则，为0；P_con,k为检修项目k对发电能力的影响。

③旋转备用约束

确定电力系统的旋转备用容量的常用方法主要包括两种：系统总负荷的固定比例(5％-10％)或系统中单台机组的最大容量。当系统中没有间歇性电源并网时，旋转备用容量的主要作用是克服负荷预测误差带来的影响，在含有间歇性能源的系统中，在考虑负荷预测误差的同时还应考虑风电以及光伏发电功率预测误差对旋转备用的影响。风电和太阳能发电接入系统后，由于其出力预测存在较大误差，系统的随机性增大，为保证系统的安全运行，需要水电站和火电站共同提供旋转备用。

式中，URS_t为时段t系统中燃气电站和火电站共同提供的向上的旋转备用总容量；UR_i,t为火电电机组i在t时段提供的10min响应向上的旋转备用容量；UR_h,t为水电站h在时段t提供的旋转备用容量；L％是不考虑风电、光伏发电接入时，系统总负荷预测误差对向上的旋转备用的需求；F％是风电出力预测误差对向上的旋转备用的需求；G％是光伏出力预测误差对向上旋转备用的约束。P_imax,t为火电机组i在时段t的最大出力；T₁₀为旋转备用响应时间10min。

类似的，系统向下的旋转备用容量为：

由于风电以及太阳能发电功率预测误差随预测周期的增加而增大，使得系统对旋转备用容量需求也随预测周期的增加而提高。

(2)风电机组相关约束

风电机组出力的大小与自然界风速的大小、风力发电机组捕捉风能的能力、额定功率等因素密切相关。可以将风电机组的输出功率与风速变化的关系分为三个阶段进行描述：

1)当风速小于切入风速或者大于切出风速时，风电机组的输出功率为0；

2)当风速大于切入风速，小于额定风速时，风电机组的出力位于0和额定功率之间；

3)当风速大于额定风速，小于切出风速时，风电机组的出力将取额定功率。

图2展示了风电机组功率特性曲线，式(10)给出了风电出力分段线性函数的表达式。

其中，

式中，

为风电机组f的计划时段t的预测出力；v_ci,f、v_r,f、v_co,f分别为风电机组f的切入、额定、切出风速；v_f,t为风电机组f计划时段t的预测风速；

为风电机组出力函数的常系数；T_j,t为计划时段和检修时段的关联矩阵，若计划时段t与检修时段j相关联，对应元素为1，否则对应元素为0；J_t为与计划时段t对应检修时段j的集合；N_j表示j所含小时数；w_f,t、

为t时段风电机组f的发电量及可调度的发电量；D_d,f,j为风电机组的负荷率。

(3)水电机组相关约束

①水电发电量约束

W_b,h,t＝P_b,h,tΔt (17)

②水库相关约束

式中，W_b,h,t、

为水电机组的最小、最大发电量；D_d,h,j为水电机组的负荷率；P_b,h,t为水电机组的发电功率下限；Δt为t时段包含的小时数；q_h,t为t时段机组h的发电流量；Q_max,h、Q_min,h为机组发电流量的上下限；

为t时段水电站h_p的弃水流量；

为下泄流量的上下限；

为t时段水电站的h_p库容；

为t时段水电站的区间来水流量；U_p为代表其上游水电站集合；Δt'为时段t内包含的秒数；

为初始和调度期末的阵容；

为水电站阵容的上下限。

对于水电站h_p，在任一时段t的阵容

与水位

尾水位

与下泄流量、水头损失

与发电流量

之间的近似线性函数关系分别如式(23)-(25)所示

均为常系数。

水电机组h所属水电站h_p在t时段的平均发电净水头

与水位、尾水位及头损失之间的函数如式(26)所示；发电量与发电流量及水头之间的发电特性函数如式(27)所示。

w_h,t＝K_hq_h,tH_hp,tΔt (27)

式中，K_h为水电机组h的综合出力系数。

(4)光伏机组约束

①组件及出力约束

式中，

为第g个光伏发电出力变化的最大值。当系统的运行电压设定后，光伏组件数量需要满足以下约束条件：

0≤R_g≤R_g,max (29)

式中，R_g是单独光伏发电时满足用户负荷需求所需要的个数。

②太阳板倾角约束

太阳能光伏阵列有两个角度参量：光伏组件方位角口α和光伏组件倾角β。α指光伏组件的垂直面与正南方向的夹角，在北半球光伏组件朝向正南取α＝0；β是指太阳能光伏组件平面与水平面之问的夹角，其取值范围应为：

0≤β≤90° (30)

(5)火电机组约束

①火电发电量约束

②火电燃煤库存动态平衡约束

g_i,t-1+G_i,t-F_i(w_i,t) (33)

G_i,min≤g_i,t≤G_i,max (34)

式中，W_min,i,t为综合考虑最小出力限制和供热要求后的火电机组f在t时段的最小发电量；

为考虑检修后火电机组的最大发电量；D_d,i,j为火电机组的负荷率；g_i,t为火电厂i燃煤库存；G_i,t为火电厂i供煤计划；G_i,min为火电厂i最小燃煤库存。

③最小开关机时间约束

式中，

和

分别为火电机组i在t时刻已经持续开机、关机的时间；τ_on,i和τ_off,i分别为火电机组i的最小开机、关机时间限制。如果调度周期为T，若火电机组i在第t时段投入了运行，从运行的那一时段算起，那么该火电机组至少在接下来的连续τ_on,i个时段里都要求是运行状态，当(T-t)≤t_on,i时，则在余下的(T-t)个时段也要求处于运行状态；若火电机组i在第i时段停机，从停机的那一时段算起，那么该火电机组至少在接下来的连续τ_off,i个时段里必须是停机状态，当(T-t)≤t_off,i时，则余下的(T-t)个时段也要求处于停运状态。

3.随机因素

(1)风速的随机模型

风电机组的输出功率主要取决于风机轮毂高度处的风速的大小，因此风电功率的内在随机性是由风速的随机性引起的，为描述风力发电机组出力的特性，必须要了解风电场所在位置风速变化的规律。关于风速的预测，国内外研究学者开展了大量研究，风速预测模型并大致可以分为两类。一类是确定性预测模型，这种模型是给出未来一段时间内确定的风速预测结果，但是由于风速本身具有较强的波动性与间歇性，确定性预测结果误差较大，并且这种预测结果往往不适应电力系统运行与调控的需要。与确定性预测模型相应的另一类为不确定性预测模型，这种模型将给出未来一段时间内不同预测值出现的概率，进而有利于开展风电并网后电力系统优化调度决策。关于风速的分布，目前国内外通常采用的风速概率模型是Weibull分布模型，具体表达式如下：

式中，v为风速；k为Weibull分布的形状参数，k＞0反映的是风速分布的特点；c为Weibull分布的尺度参数，c＞1反映的是该地区平均风速的大小。k和c可以由平均风速μ和标准差σ得到，具体如式(37)所示。

式中，Γ为Gamma函数。

(2)光照的随机模型

由统计数据得出，太阳的光照强度在一定的时间段内可以近似地认为是Beta分布，它的概率密度函数如公式(38)所示：

(3)来水的随机模型

一般来说，中长期区间来水的概率分布近似服从正态分布。若

和

分别为来水预测值的均值和标准差，则各时段平均来水情况

的概率密度函数为：

4.非线性约束的转换

(1)火电机组煤耗量

公式(3-1)煤耗量是一个二次的凸函数，其线性化分段策略如图3所示。将第i台火电机组出力范围

平均分为M段，分段点为

每段的长度为

斜率为

即二次函数在点P_i,m处一阶导函数，线性化后的煤耗量为：

此时火电机组i在时间t的出力为：

(2)火电机组最小开关机时间

公式(35)可以理解为机组在开机或关机后，开或停的状态至少要持续τ_on或τ_off。如果火电机组在t时刻开机，则在t+1,t+2,…,t+τ_on-1时刻也必须处于开机状态；如果火电机组在t时刻关机，则在t+1,t+2,…,t+τ_off-1时刻也必须处于关机状态。现将该过程用线性函数表达，引入指示火电机组开机或关机的变量ind_on、ind_off，最小开机、关机时间约束的线性表达式为：

(3)发电量约束的表示

发电水头会对水电机组出力产生影响，不同水头对应着不同的出力上限。同时发电量与相应月份的发电出力有密切关系，因此在水头作用的条件下，发电量约束式(15)(16)需要利用下述的约束条件进行表示：

W_b,h,t≤w_h,t≤wh,t (51)

式中，s为出力限制约束中水头的分段编号；

为水电站h_p第s段对应的水头，

分别为第s个分段区间的最小和最大水头，这里设

为t时段水电站的水头；

为水电机组h所属水电站在第S段的状态变量，当

时取值为1，否则为0；

为第S段相应的水电出力上限；N_j,t为检修时段j与计划时段t的关联矩阵，如检修j时段，与计划时段t相关，对应元素取值为l，否则为0；D_d,h,j为机组h在检修时段j的负荷率；N_j为检修时段j所含小时数。

式(47)表示

时，水电站水头位于出力限制曲线的第s段区间内。式(48)表示对于所有的

t时段有且仅有一个

为l，也就是说任一时段的水头只能处于一个分段的区间内。式(49)表示当

时，水电最大可发功率不能大于第S段水头相应的出力上限。式(50)表示最大发电量为机组负荷率与最大可发功率以及时段内包含的小时数的乘积。式(51)表示水电机组发电量可以在最小、最大发电量之间变化。通过上述式(47)-(51)的表示，体现出了发电水头作用对于发电量上下限的影响。

(4)水电出力特性函数的表示

受水头影响的水电转换关系非常复杂，水电机组的出力P通常可以表示为水电站水头H和发电量Q的二元函数，即P＝KHQ，其中，K为综合出力系数，那么发电量W则可以表示为W＝P*Δt＝KHQΔt，具体如式(27)所示。同时，实际应用中关于水电出力特性数据，提供的是HNQ曲线(水头-出力-发电流量曲线)，根据HNQ曲线可生成水电机组在不同水头下的出力与发电流量关系的离散点，对离散点进行线性拟合可以得到不同水头下的出力与发电流量线性函数。将式(27)转换为线性混合整数模型具体如式(51)-(55)所示：

式中，r为水头的分段编号，r∈R；

为水电站h_p第r段对应的水头，

分别为第r个分段区间的最小和最大水头，这里设

为t时段水电站h_p的水头，

表示水电机组h所属水电站h_p在第r段的状态变量，当

时取值为1，否则为0；q_h,t,r为t时段水电机组h第r段的发电流量；K_h,r为水电机组h在第r段水头下的综合出力系数；q_h,t为t时段水电机组h的发电流量；w_h,t为t时段水电发电量。

式(51)表示当

时，水电站水头位于第r段区间内。式(52)表示对于所有的

t时段有且仅有一个

为1，也就是说任一时段的水头只能处于一个分段的区间内。式(53)表示当

时，即水头就位于第r段区间内时，第r段发电流量q_h,t,r的变化区间为[Q_min,h,Q_max,h]；当

时，q_h,t,r也为0。综合考虑(51)、(52)、(53)，式(54)表示当水电站水头位于第r段区间时，q_h,t,r＝q_h,t。式(55)表示水电站水头位于第r段区间时，水电发电量为r段水头下的综合出力系数与发电流量以及时段内包含的小时数之积。

此时，除去式(15)、(16)和(27)，式(1)-(55)就构成了风光水火发电系统中长期优化调度问题的线性混合整数规划模型。

5.基于点估计的优化调度方法

风光水火发电系统的中长期优化调度中，各输出变量Y与随机输入变量X之间的非线性函数可以抽象地表示为：

Y＝F(X) (56)

考虑到风速、来水的随机特性，本章采用点估计法进行中长期优化调度的研究。点估计法是根据Y的泰勒级数展开，应用X的高阶矩，分别对每一个随机变量x_i(i＝1,2,...,n)构造m个估计点，对待求变量Y作m×n次计算，从而得到Y的概率统计信息。点估计的示意图如图4所示，每个随机变量的估计信息是由一组(x_i,k,w_i,k)，k＝1,2,...,m构成，其中x_i,k为估计点，w_i,k为相应的权重，估计点x_i,k对应的估计向量为[μ₁,μ₂,...,x_i,k,...,μ_n]，通过中长期优化调度的计算可以得到待求变量Y(i,k)＝h(μ₁,μ₂,...,x_i,k,...,μ_n)依次进行所有估计点的计算，便可得到待求变量的统计信息。

基于上述原理，将点估计法应用于风光水火发电系统的中长期优化调度的求解流程如图5，具体计算步骤如下：

步骤1：将非线性的中长期优化调度度模型转换为MILP模型，并令随机变量的索引i＝1。

步骤2：选取随机变量x_i。

步骤3：根据随机变量的概率特性，计算相应参数λ_i,j。λ_i,j为随机变量x_i的j阶中心矩M_j(x_i)和标准差σ_i的j次方之比，表达式如下：

其中f(x_i)为随机变量x_i的概率密度函数。由式(57)可知，λ_i,1＝0，λ_i,2＝1，λ_i,3、λ_i,4则分别称为随机变量的偏度和峰度系数。

步骤4：计算估计点的位置系数ξ_i,k。若进行三点估计m＝3，即每个随机变量x_i取3个估计点(3n方案)，当其中一个估计点取值为均值时，位置系数计算公式如下：

步骤5：确定估计点。若随机变量x_i(i＝1,2,...,n)的均值为μ_i以方差为σ_i，则构造x_i上的m个估计点如式(60)。

x_i,k＝μ_i+ξ_i,kσ_i,k＝1,...,m (60)

步骤6：针对m个估计点构造估计点向量[μ₁,μ₂,...,x_i,k,...,μ_n]，即第i个随机变量x_i取为估计点x_i,k，其他随机变量均取预测均值。

步骤7：计算估计点x_i,k相应的权重w_i,k满足

步骤8：针对构造的估计点向量，根据步骤1建立的数学模型进行确定性的中长期优化调度，并保存计算结果。

Y(i,k)＝h(μ₁,μ₂,...,x_i,k,...,μ_n) (62)

步骤9：判断是否所有新构造的估计点向量都计算完毕，如是，转至步骤10，若否，转至步骤6。

步骤10：判断是否所有的随机变量都计算完毕，如是，转至步骤11；若否，i＝i+1，转至步骤2。需要说明的是，尽管构造了3n个估计点，但其中有n个点对应着同一个估计点向量[μ₁,μ₂,...,x_i,k,...,μ_n]，显然这n个点只需要计算一次h(X)，因此总共只需循环2n+1次计算。

步骤11：根据Y与X的函数关系，求得Y的l阶原点矩估计值：

由式(63)可以看出，当l＝1时，E(Y)为均值。因此，通过上述方法可以得到各个优化调度决策变量的期望值。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种包含大规模新能源基地的电网调度方法，其特征在于，包括：

按照系统煤耗最小，建立目标函数；

采用系统约束以及风电机组相关约束、水电机组相关约束、光伏机组约束以及火电机组约束作为约束条件；其中约束条件还包括随机约束，所述随机约束包括风速的随机模型、光照的随机模型以及来水的随机模型；

以水火风光发电量以及水电站库容作为决策变量；

建立风光水火发电优化调度的数学模型；

对数学模型就行优化计算。

2.按照权利要求1所述的方法，其特征在于，所述目标函数为：

其中，i为火电机组索引；N_I为火电机组的数目；t为计划时段索引；W_i,t为火电机组i在t时段的发电量；F_i()为火电机组的能耗函数，按照实测能耗拟合得到。

3.按照权利要求1所述的方法，其特征在于，所述系统约束包括：

电力电量平衡约束：

最大发电功率约束：

式中，N_I、N_H、N_F、N_G分别为火电、水电、风电、光伏机组的数目；w_h,t、w_f,t、w_g,t分别为t时段水电、风电、光伏的发电量；W_D,t为t时段的需求电量；j为与电力相关的检修时段的索引；

分别表示火电、水电、风电、光伏机组在第j个检修时段的最大可发功率；P_D,j、R_j为第j个检修时段的最大负荷和系统备用需求；k为检修项目的编号；N_M为检修项目总数；y_k,j为给定的检修项目的k检修状态变量，若处于检修状态，则y_k,j＝1，否则y_k,j＝0；P_max,i、P_max,h为火、水电机组的最大发电功率；P_r,f、P_r,g分别为风电机组f和光伏机组g的额定功率；A_i,k、A_h,k、A_f,k、A_g,k为机组与检修项目的关联矩阵，当k检修项目影响i、h、、f或g机组发电能力时，对应元素为1，否则，为0；P_con,k为检修项目k对发电能力的影响；

旋转备用约束：

式中，URS_t为时段t系统中燃气电站和火电站共同提供的向上的旋转备用总容量；UR_i,t为火电电机组i在t时段提供的10min响应向上的旋转备用容量；UR_h,t为水电站h在时段t提供的旋转备用容量；L％是不考虑风电、光伏发电接入时，系统总负荷预测误差对向上的旋转备用的需求；F％是风电出力预测误差对向上的旋转备用的需求；G％是光伏出力预测误差对向上旋转备用的约束。P_imax,t为火电机组i在时段t的最大出力；T₁₀为旋转备用响应时间10min；

系统向下的旋转备用容量为：

4.按照权利要求1所述的方法，其特征在于，

风电机组相关约束：

其中，

式中，

为风电机组f的计划时段t的预测出力；v_ci,f、v_r,f、v_co,f分别为风电机组f的切入、额定、切出风速；v_f,t为风电机组f计划时段t的预测风速；

为风电机组出力函数的常系数；T_j,t为计划时段和检修时段的关联矩阵，若计划时段t与检修时段j相关联，对应元素为1，否则对应元素为0；J_t为与计划时段t对应检修时段j的集合；N_j表示j所含小时数；w_f,t、

为t时段风电机组f的发电量及可调度的发电量；D_d,f,j为风电机组的负荷率。

5.按照权利要求1所述的方法，其特征在于，水电机组相关约束：

①水电发电量约束

W_b,h,t＝P_b,h,tΔt；

线性化表示为：

W_b,h,t≤w_h,t≤wh,t

式中，s为出力限制约束中水头的分段编号；

为水电站h_p第s段对应的水头，

分别为第s个分段区间的最小和最大水头，这里设

为t时段水电站的水头；

为水电机组h所属水电站在第S段的状态变量，当

时取值为1，否则为0；

为第S段相应的水电出力上限；N_j,t为检修时段j与计划时段t的关联矩阵，如检修j时段，与计划时段t相关，对应元素取值为l，否则为0；D_d,h,j为机组h在检修时段j的负荷率；N_j为检修时段j所含小时数；

②水库相关约束

式中，W_b,h,t、

为水电机组的最小、最大发电量；D_d,h,j为水电机组的负荷率；P_b,h,t为水电机组的发电功率下限；Δt为t时段包含的小时数；q_h,t为t时段机组h的发电流量；Q_max,h、Q_min,h为机组发电流量的上下限；

为t时段水电站h_p的弃水流量；

为下泄流量的上下限；

为t时段水电站的h_p库容；

为t时段水电站的区间来水流量；U_p为代表其上游水电站集合；Δt'为时段t内包含的秒数；

为初始和调度期末的阵容；

为水电站阵容的上下限；

对于水电站h_p，在任一时段t的阵容

与水位

尾水位

与下泄流量、水头损失

与发电流量

之间的近似线性函数关系分别如下式所示

均为常系数。

水电机组h所属水电站h_p在t时段的平均发电净水头

与水位、尾水位及头损失之间的函数以及发电量与发电流量及水头之间的发电特性函数如：

式中，K_h为水电机组h的综合出力系数；

发电量与发电流量及水头之间的发电特性函数转换为线性混合整数模型具体为：

式中，r为水头的分段编号，r∈R；

为水电站h_p第r段对应的水头，

分别为第r个分段区间的最小和最大水头，这里设

为t时段水电站h_p的水头，

表示水电机组h所属水电站h_p在第r段的状态变量，当

时取值为1，否则为0；q_h,t,r为t时段水电机组h第r段的发电流量；K_h,r为水电机组h在第r段水头下的综合出力系数；q_h,t为t时段水电机组h的发电流量；w_h,t为t时段水电发电量。

6.按照权利要求1所述的方法，其特征在于，光伏机组约束包括：

①组件及出力约束

式中，

为第g个光伏发电出力变化的最大值。当系统的运行电压设定后，光伏组件数量需要满足以下约束条件：

0≤R_g≤R_g,max

式中，R_g是单独光伏发电时满足用户负荷需求所需要的个数；

②太阳板倾角约束

太阳能光伏阵列有两个角度参量：光伏组件方位角口α和光伏组件倾角β。α指光伏组件的垂直面与正南方向的夹角，在北半球光伏组件朝向正南取α＝0；β是指太阳能光伏组件平面与水平面之问的夹角，其取值范围应为：

0≤β≤90°。

7.按照权利要求1所述的方法，其特征在于，火电机组约束包括：

①火电发电量约束

②火电燃煤库存动态平衡约束

g_i,t-1+G_i,t-F_i(w_i,t)

G_i,min≤g_i,t≤G_i,max

式中，W_min,i,t为综合考虑最小出力限制和供热要求后的火电机组f在t时段的最小发电量；

为考虑检修后火电机组的最大发电量；D_d,i,j为火电机组的负荷率；g_i,t为火电厂i燃煤库存；G_i,t为火电厂i供煤计划；G_i,min为火电厂i最小燃煤库存。

③最小开关机时间约束

式中，

和

分别为火电机组i在t时刻已经持续开机、关机的时间；τ_on,i和τ_off,i分别为火电机组i的最小开机、关机时间限制，如果调度周期为T，若火电机组i在第t时段投入了运行，从运行的那一时段算起，那么该火电机组至少在接下来的连续τ_on,i个时段里都要求是运行状态，当(T-t)≤t_on,i时，则在余下的(T-t)个时段也要求处于运行状态；若火电机组i在第i时段停机，从停机的那一时段算起，该火电机组至少在接下来的连续τ_off,i个时段里必须是停机状态，当(T-t)≤t_off,i时，则余下的(T-t)个时段也要求处于停运状态；

将最小开关机时间约束进行非线性化转化表达式为：

。

8.按照权利要求1所述的方法，其特征在于，采用点估计法用于求解，包括：

步骤1：将非线性的中长期优化调度度模型转换为MILP模型，并令随机变量的索引i＝1；

步骤2：选取随机变量x_i；

步骤3：根据随机变量的概率特性，计算相应参数λ_i,j；λ_i,j为随机变量x_i的j阶中心矩M_j(x_i)和标准差σ_i的j次方之比，表达式如下：

其中f(x_i)为随机变量x_i的概率密度函数，λ_i,1＝0，λ_i,2＝1，λ_i,3、λ_i,4则分别称为随机变量的偏度和峰度系数；

步骤4：计算估计点的位置系数ξ_i,k，若进行三点估计m＝3，即每个随机变量x_i取3个估计点，当其中一个估计点取值为均值时，位置系数计算公式如下：

步骤5：确定估计点，若随机变量x_i(i＝1,2,...,n)的均值为μ_i以方差为σ_i，则构造x_i上的m个估计点如式：

x_i,k＝μ_i+ξ_i,kσ_i,k＝1,...,m

步骤6：针对m个估计点构造估计点向量[μ₁,μ₂,...,x_i,k,...,μ_n]，即第i个随机变量x_i取为估计点x_i,k，其他随机变量均取预测均值。

步骤7：计算估计点x_i,k相应的权重w_i,k满足

步骤8：针对构造的估计点向量，根据步骤1建立的数学模型进行确定性的中长期优化调度，并保存计算结果；

Y(i,k)＝h(μ₁,μ₂,...,x_i,k,...,μ_n)

步骤9：判断是否所有新构造的估计点向量都计算完毕，如是，转至步骤10，若否，转至步骤6；

步骤10：判断是否所有的随机变量都计算完毕，如是，转至步骤11；若否，i＝i+1，转至步骤2；

步骤11：根据Y与X的函数关系，求得Y的l阶原点矩估计值：

当l＝1时，E(Y)为均值。

Images