CN114498617A - 一种考虑随机性的多能源发电系统两阶段优化调度方法 - Google Patents

一种考虑随机性的多能源发电系统两阶段优化调度方法 Download PDF

Info

Publication number
CN114498617A
CN114498617A CN202111604139.3A CN202111604139A CN114498617A CN 114498617 A CN114498617 A CN 114498617A CN 202111604139 A CN202111604139 A CN 202111604139A CN 114498617 A CN114498617 A CN 114498617A
Authority
CN
China
Prior art keywords
power generation
power
output
formula
storage system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111604139.3A
Other languages
English (en)
Inventor
张珍珍
吕清泉
张健美
张睿骁
高鹏飞
张彦琪
周强
韩旭杉
马彦宏
王定美
张金平
李津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202111604139.3A priority Critical patent/CN114498617A/zh
Publication of CN114498617A publication Critical patent/CN114498617A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑随机性的多能源发电系统两阶段优化调度方法，所述优化调度方法包括，构建多源发电系统基本结构与出力模型、随机性场景生成与缩减和构建多源发电系统双层优化调度模型。本发明应用于电网公司对多种能源发电的协调调度。本发明针对多能源发电系统的优化调度问题，该方法能够综合不同能源的发电特性，达到多种能源综合互补利用的目标，多源发电系统可以在保证系统安全运行的前提下，获得较高的运行收益和承担更低的运行风险。

Description

一种考虑随机性的多能源发电系统两阶段优化调度方法
技术领域
本发明涉及多能源优化调度技术领域，具体是指一种考虑随机性的多能源发电系统两阶段优化调度方法。
背景技术
近年来由于风电、光伏的随机波动性，且可控性较差，对电网造成的不利影响随着其接入比例的增加而日益突出。光热发电这一新兴的新能源发电技术，相较与风电、光伏发电，其具有与常规机组相媲美的调节特性，对解决高比例新能源接入电网的调峰、调压问题将发挥重要的作用。
由于目前光热发电的规模较小，在新能源并网协调调度控制策略的研究上多着重于风电、光伏与火电的协调优化，很少涉及光热机组。随着即将迎来的光热发电高速发展，如何对风电-光伏-光热-火电进行协调优化调度，是目前高比例新能源接入下的电网亟待解决的问题。
光热发电在高比例新能源送端系统中，与风电、光伏发电等已成熟发展的新能源发电形式协调优化调度运行，有利于减少新能源弃电率，促进多种类型新能源发电安全经济运行和消纳，对构建以新能源为主的新型电力系统具有重要意义。为了解决多能源发电系统的优化调度问题，提出了一种考虑随机性的多源发电系统两阶段优化调度方法。
发明内容
本发明要解决的技术问题是，克服现有技术缺点，提供一种考虑随机性的多能源发电系统两阶段优化调度方法。
为解决上述技术问题，本发明提供的技术方案为：一种考虑随机性的多能源发电系统两阶段优化调度方法，所述优化调度方法包括，构建多源发电系统基本结构与出力模型、随机性场景生成与缩减和构建多源发电系统双层优化调度模型。
进一步的，构建多源发电系统基本结构与出力模型中，所述多源发电系统由风力发电、光伏发电、光热发电以及火力发电组成。在多源发电系统内，为了降低新能源出力的随机性，在日前调度阶段采用场景模拟方法获取新能源日前预测出力以确定日前调度计划；在时前调度中，采用时前预测出力校正日前调度计划，改变光热发电及火力发电的出力计划。
进一步的，其中多源发电系统出力模型包括：
1)风力发电模型
风力发电的出力情况由实时风速决定，用Weibull分布函数描述风速分布，通过式(1)获得期望值与方差：
Figure RE-GDA0003570117690000021
式中：v为实时风速；α表示形状参数；β表示尺度参数。风速为v的概率为：
Figure RE-GDA0003570117690000022
计算风电出力，计算公式如式(3)：
Figure RE-GDA0003570117690000023
式中：vt为t时刻的实际风速；vin、vout、vr分别为风力发电的切入、额定与切出风速； Pr wind为风力发电的额定输出功率。
2)光伏发电模型
光伏发电的出力与太阳的辐射强度有关，采用Beta分布函数描述辐射强度，如式(4)：
Figure RE-GDA0003570117690000024
式中：r为辐射强度；αp、βp为Beta的形状分布参数。辐射强度为r时的概率为：
Figure RE-GDA0003570117690000025
通过光电转换计算式，光伏发电的实时功率为：
Pt solar＝SPPηPPrt (6)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为t时刻的辐射强度。
3)光热电站模型
光热电站利用直射太阳光辐射方式产生热量，其包含三部分：光场、发电机及储热系统，其输入功率由光场通过直射太阳光辐射方式转化的热功率来表示，发电机输出功率模型为
Pt,CSP＝ηrdPt CSP (7)
式中：ηrd为光热电站发电机热电转换效率系数；Pt CSP表示t时刻光热电站的汽轮发电机输入热功率。储热模型为：
Figure RE-GDA0003570117690000031
式中：Et为t时刻储热系统的储热量；ρ为耗散系数；Pt CR、Pt FR表示储热系统在t时刻的储热功率与放热功率；ηcr、ηfr为储热系统的储热、放热效率。
进一步的，随机性场景生成与缩减中，基本步骤如下：
第一步：求解集合中参考场景s0与其余对比场景s的几何距离；
第二步：选取对比场景中概率距离值和最小的场景s'；
第三步：以参考场景s0取代场景s'，并将场景s'的出现概率与参考场景s0的出现概率之和作为场景s0的发生概率，形成新的场景集合S'。
第四步：判断新的场景集合S'是否满足要求；若满足，则设置最终的模拟场景，结束任务；若不满足，重复前三步。
进一步的，构建多源发电系统双层优化调度模型中，日前优化调度层：
调用风力发电、光伏发电及光热发电，并对新能源出力进行模拟，获取多场景下风光的出力模拟结果，以运行效益最大为目标，目标函数如下：
Figure RE-GDA0003570117690000032
式中：λs表示场景s的权重系数；
Figure RE-GDA0003570117690000034
分别为场景s下光热、风电、光伏、蓄电池储能系统的运行收益，其中：
Figure RE-GDA0003570117690000033
Figure RE-GDA0003570117690000035
Figure RE-GDA0003570117690000036
Figure RE-GDA0003570117690000037
Figure RE-GDA0003570117690000038
Figure RE-GDA0003570117690000039
式中：Pt WP为在t时段内风电的上网电量；st,WP表示t时段内的风电上网电价；st,PP为 t时段内光伏的上网电价；Pt PP表示t时段内光伏的上网电量。
Figure RE-GDA00035701176900000310
表示t时段光热电站的发电效益；st,CSP表示t时刻光热电站的上网电价；
Figure RE-GDA00035701176900000311
表示光热电站在时段t内的运维成本；
Figure RE-GDA0003570117690000041
表示光热发电的单位电量运维成本。
Figure RE-GDA0003570117690000042
为t时刻蓄电池储能系统的运行收益；
Figure RE-GDA0003570117690000043
分别表示t时刻蓄电池储能系统的充电与放电价格；
Figure RE-GDA0003570117690000044
表示t时段蓄电池储能系统的运行成本；
Figure RE-GDA0003570117690000045
为蓄电池储能系统的单位维护成本；
Figure RE-GDA0003570117690000046
分别为t时刻蓄电池储能系统的放电电量与充电电量。
进一步的，约束条件为：
1)功率平衡约束
Figure RE-GDA0003570117690000047
式中：Pt,GD表示系统向电网的购电量；Pt,L为t时段的负荷需求；
Figure RE-GDA0003570117690000048
与
Figure RE-GDA0003570117690000049
分别风电、光伏与光热发电的出力损失率，考虑到预测误差问题，引入了鲁棒随机优化理论，详细步骤如下：
假设风电和光伏的误差系数绝对值为
Figure RE-GDA00035701176900000410
那么可知风电的波动区间是
Figure RE-GDA00035701176900000411
光伏的波动区间是
Figure RE-GDA00035701176900000412
为使得优化模型存在可行解，对式(16)进行修正：
Figure RE-GDA00035701176900000413
设Pt NL为系统的净负荷：
Figure RE-GDA00035701176900000414
根据上式，式(17)可修正为：
Figure RE-GDA00035701176900000415
由上式可知风光随机性的影响会随着随机性约束的强度而变化；为使新能源出力等于预
测边界时，上述约束仍满足，引入辅助变量
Figure RE-GDA00035701176900000416
增加式(19)的约束能力，假设
Figure RE-GDA00035701176900000417
时，可得：
Figure RE-GDA00035701176900000418
Figure RE-GDA00035701176900000419
依据式(20)与式(21)可获得约束性最强的约束条件，此时上两式取代式(16)可获得保守性最强的调度计划。由于实际中极端情况发生高概率较低，此处引入鲁棒系数гWP、гPP，且г的取值在[0,1]之间，上两式修正为：
Figure RE-GDA0003570117690000051
Figure RE-GDA0003570117690000052
2)光热电站约束
光热电站约束条件包括机组出力约束、储热运行约束与爬坡约束等。
Figure RE-GDA0003570117690000053
Figure RE-GDA0003570117690000054
Figure RE-GDA0003570117690000055
Figure RE-GDA0003570117690000056
Figure RE-GDA0003570117690000057
Figure RE-GDA0003570117690000058
Et0＝ET (30)
式中：Pt CSP表示t时刻光热发电的发电功率；RD、RU表示光热电站汽轮发电机的最大上、下爬坡极限值；
Figure RE-GDA0003570117690000059
表示储热系统安全运行的最小储热容量；Et表示储热系统在t时刻的储热容量；TMFY表示储热系统的满负荷运行小时数；ηrd表示储热系统的热电转换效率；
Figure RE-GDA00035701176900000510
Figure RE-GDA00035701176900000511
表示储热系统在t时刻的蓄热与放热功率；
Figure RE-GDA00035701176900000512
表示储热系统的最大蓄热、放热功率；Et0、ET分别表示储能系统在一个调度周期始末的蓄热量。
3)蓄电池储能系统约束
Figure RE-GDA00035701176900000513
Figure RE-GDA00035701176900000514
Figure RE-GDA00035701176900000515
Figure RE-GDA00035701176900000516
式中：
Figure RE-GDA00035701176900000517
为蓄电池储能系统的初始荷电状态；
Figure RE-GDA00035701176900000518
为蓄电池储能系统在时段t内的荷电状态；
Figure RE-GDA00035701176900000519
表示蓄电池储能系统充放电损耗率；
Figure RE-GDA00035701176900000520
分别表示蓄电池储能系统充放电速率的极限值。
4)系统备用约束
Figure RE-GDA0003570117690000061
Figure RE-GDA0003570117690000062
式中：Pt,max、Pt,min分别为在t时刻光热电站最大、最小出力；n1、n2、n3为负荷、风电和光伏的上旋转备用系数，n4、n5为风电和光伏的下旋转备用系数；
依据式(9)、式(22)至式(34)及其他约束可建立具有自由调节鲁棒系数的随机优化模型。
进一步的，构建多源发电系统双层优化调度模型中，在时前调度层中，风电与光伏时前预测功率被用来修正日前调度计划，包含修正蓄电池储能系统以及光热电站日前出力计划，该层以系统运行成本最小为优化目标：
Figure RE-GDA0003570117690000063
Ct,G-Q＝st,GDPt,GD+st,QDPt,QD (36)
式中：Ct,G-Q为t时刻系统缺电惩罚费用及向发电公司的购电费用之和；st,GD、st,QD 分别为t时刻的购电单价及缺电惩罚单价；Pt,GD、Pt,QD为t时刻购电量及缺电量。
当对日前调度计划进行修正时，功率平衡约束修正为：
Figure RE-GDA0003570117690000064
式中：Pt WP*、Pt PP*分别表示风电、光伏在t时刻的出力；
Figure RE-GDA0003570117690000065
分别表示蓄电池储能系统、光热电站的修正出力。
由于蓄电池储能系统在t时刻修正后不会对该时刻后的调度计划产生影响，则蓄电池储能系统应满足以下约束条件：
Figure RE-GDA0003570117690000066
Figure RE-GDA0003570117690000067
此外还需考虑输电安全约束
Pdmin≤Pdt≤Pdmax (39)
式中：Pdmin、Pdmax分别为输电断面d的最小、最大传输容量；Pdt为时段t内输电断面d的传输容量。
本发明具有如下优点：本发明应用于电网公司对多种能源发电的协调调度。针对多能源发电系统的优化调度问题，将风力发电、光伏发电、光热发电以及电储能装置组成多源发电系统，提出了一种考虑随机性的多源发电系统两阶段优化调度方法。首先引入鲁棒随机优化理论对风光出力的不确定性进行描述，建立了多源发电系统出力模型。然后建立了双层随机优化调度模型，在日前调度层中，以系统运行收益最大为优化目标，建立了基于风电和光伏日前预测结果的优化调度模型；在时前调度层中，以系统运行成本最小为优化目标，依据风电和光伏的实时出力，建立日前调度计划修正模型。最后，通过对比多场景的仿真结果，验证该模型的有效性。仿真结果表明，该方法能够综合不同能源的发电特性，达到多种能源综合互补利用的目标，多源发电系统可以在保证系统安全运行的前提下，获得较高的运行收益和承担更低的运行风险。
附图说明
图1是多源发电系统结构的示意图。
图2是预测曲线的示意图。
图3是双层优化调度结果示意图。
图4鲁棒系数为0.5时多源发电系统调度结果示意图。
图5鲁棒系数不同时光热发电出力示意图。
图6场景2中多源发电系统调度结果示意图。
图7不同场景风光出力示意图。
图8多源发电系统在不同鲁棒系数时的运行收益示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
本发明在具体实施时，多源发电系统基本结构
1.多源发电系统(Muti-source power system,MSPS)由风力发电(Wind power,WP)、光伏发电(Photovoltaic power,PP)、光热发电(Concentrating solar power,CSP)以及火力发电(Thermal Power Generation,TPG)组成。多源发电系统结构如图1所示。
在该系统内，为了降低新能源出力的随机性，在日前调度阶段采用场景模拟方法获取新能源日前预测出力以确定日前调度计划。在时前调度中，采用时前预测出力校正日前调度计划，改变光热发电及火力发电的出力计划。
1.2多源发电系统出力模型
(1)风力发电模型
风力发电的出力情况由实时风速决定，一般用Weibull分布函数描述风速分布，通过式(1) 可以获得期望值与方差：
Figure RE-GDA0003570117690000071
式中：v为实时风速；α表示形状参数；β表示尺度参数。
风速为v的概率为：
Figure RE-GDA0003570117690000081
如需计算风电出力，计算公式如式(3):
Figure RE-GDA0003570117690000082
式中：vt为t时刻的实际风速；vin、vout、vr分别为风力发电的切入、额定与切出风速； Pr wind为风力发电的额定输出功率。
(2)光伏发电模型
光伏发电的出力与太阳的辐射强度有密切关系，通常采用是Beta分布函数描述辐射强度，如式(4)：
Figure RE-GDA0003570117690000083
式中：r为辐射强度；αp、βp为Beta的形状分布参数。
辐射强度为r时的概率为：
Figure RE-GDA0003570117690000084
通过光电转换计算式，可知光伏发电的实时功率为:
Pt solar＝SPPηPPrt (6)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为t时刻的辐射强度。
(3)光热电站模型
光热电站利用直射太阳光辐射方式产生热量，其包含三部分：光场、发电机及储热系统，其输入功率可以由光场通过直射太阳光辐射方式转化的热功率来表示。发电机输出功率模型为
Pt,CSP＝ηrdPt CSP (7)
式中：ηrd为光热电站发电机热电转换效率系数；Pt CSP表示t时刻光热电站的汽轮发电机输入热功率。储热模型为：
Figure RE-GDA0003570117690000091
式中：Et为t时刻储热系统的储热量；ρ为耗散系数；Pt CR、Pt FR表示储热系统在t时刻的储热功率与放热功率；ηcr、ηfr为储热系统的储热、放热效率。
由于光热电站通常会配有较大容量的储热系统，所以瞬时的光照条件变化不会直接影响光热电站的出力。同时，次日光照辐射变化可以非常准确地进行预测，光照的随机性对光热电站的出力影响非常有限，使得储热系统在进行蓄热进程时不会受到较大天气变化的干扰。因此，忽略光照变化对光热电站出力的影响。
2.随机性场景生成与缩减
由于新能源发电受到自然因素的影响，其出力具有随机性，而系统调度属于预调度，必须在获取风电、光伏出力之前做出系统调度方案，因此结合日前预测数据，通过场景模拟方法来描述风光的随机性。
利用区间法模拟风光出力场景，将风光出力分为几个区间，并以每个区间内某一点的值作为输出功率的数学期望；当区间足够时，可以将模拟出力作为实际出力。假设风光出力无关联性，则每个场景包含两种状态(即风、光出力)；由于在整个调度时段风光输出函数的结果不同，采用场景树的方法将出力分为三个状态，即高中低，可以求得不同状态下的风光出力。
由于生成的场景数量庞大，使得求解调度模型的过程较为繁琐。因此，考虑到求解精度以及计算复杂度的影响，在概率距离的基础上，采用快速前代消除法对场景集合S进行削减，基本步骤如下：
第一步：求解集合中参考场景s0与其余对比场景s的几何距离；
第二步：选取对比场景中概率距离值和最小的场景s'；
第三步：以参考场景s0取代场景s'，并将场景s'的出现概率与参考场景s0的出现概率之和作为场景s0的发生概率，形成新的场景集合S'。
第四步：判断新的场景集合S'是否满足要求；若满足，则设置最终的模拟场景，结束任务；若不满足，重复前三步。
3.多源发电系统双层优化调度模型
3.1日前优化调度层
调用风力发电、光伏发电及光热发电，并对新能源出力进行模拟，获取多场景下风光的出力模拟结果，以运行效益最大为目标，目标函数如下：
Figure RE-GDA0003570117690000101
式中：λs表示场景s的权重系数；
Figure RE-GDA0003570117690000102
分别为场景s下光热、风电、光伏、蓄电池储能系统的运行收益。其中：
Figure RE-GDA0003570117690000103
Figure RE-GDA0003570117690000104
Figure RE-GDA0003570117690000105
Figure RE-GDA0003570117690000106
Figure RE-GDA0003570117690000107
Figure RE-GDA0003570117690000108
式中：Pt WP为在t时段内风电的上网电量；st,WP表示t时段内的风电上网电价；st,PP为 t时段内光伏的上网电价；Pt PP表示t时段内光伏的上网电量。
Figure RE-GDA0003570117690000109
表示t时段光热电站的发电效益；st,CSP表示t时刻光热电站的上网电价；
Figure RE-GDA00035701176900001010
表示光热电站在时段t内的运维成本；
Figure RE-GDA00035701176900001011
表示光热发电的单位电量运维成本。
Figure RE-GDA00035701176900001012
为t时刻蓄电池储能系统的运行收益；
Figure RE-GDA00035701176900001013
分别表示t时刻蓄电池储能系统的充电与放电价格；
Figure RE-GDA00035701176900001014
表示t时段蓄电池储能系统的运行成本；
Figure RE-GDA00035701176900001015
为蓄电池储能系统的单位维护成本；
Figure RE-GDA00035701176900001016
分别为t时刻蓄电池储能系统的放电电量与充电电量。
约束条件为：
①功率平衡约束
Figure RE-GDA00035701176900001017
式中：Pt,GD表示系统向电网的购电量；Pt,L为t时段的负荷需求；
Figure RE-GDA00035701176900001018
与
Figure RE-GDA00035701176900001019
分别风电、光伏与光热发电的出力损失率。
要实现多源发电系统的优化调度需深度分析风电与光伏的随机性对调度计划的影响，上述约束条件未考虑预测误差，直接将预测结果作为输入参数，当预测误差较大时，会对整个系统的运行产生影响。因此，考虑到预测误差问题，引入了鲁棒随机优化理论。详细步骤如下：
假设风电和光伏的误差系数绝对值为
Figure RE-GDA0003570117690000112
那么可知风电的波动区间是
Figure RE-GDA0003570117690000113
光伏的波动区间是
Figure RE-GDA0003570117690000114
为使得优化模型存在可行解，对式(16)进行修正：
Figure RE-GDA0003570117690000115
设Pt NL为系统的净负荷：
Figure RE-GDA0003570117690000116
根据上式，式(17)可修正为：
Figure RE-GDA0003570117690000117
由上式可知风光随机性的影响会随着随机性约束的强度而变化；为使新能源出力等于预测边界时，上述约束仍满足，引入辅助变量
Figure RE-GDA0003570117690000118
增加式(19)的约束能力，假设
Figure RE-GDA0003570117690000119
时，可得：
Figure RE-GDA00035701176900001110
Figure RE-GDA00035701176900001111
依据式(20)与式(21)可获得约束性最强的约束条件，此时上两式取代式(16)可获得保守性最强的调度计划。由于实际中极端情况发生高概率较低，此处引入鲁棒系数гWP、гPP，且г的取值在[0,1]之间，上两式修正为：
Figure RE-GDA00035701176900001112
Figure RE-GDA00035701176900001113
②光热电站约束
光热电站约束条件包括机组出力约束、储热运行约束与爬坡约束等。
Figure RE-GDA00035701176900001114
Figure RE-GDA00035701176900001115
Figure RE-GDA0003570117690000111
Figure RE-GDA0003570117690000121
Figure RE-GDA0003570117690000122
Figure RE-GDA0003570117690000123
Et0＝ET (30)
式中：Pt CSP表示t时刻光热发电的发电功率；RD、RU表示光热电站汽轮发电机的最大上、下爬坡极限值；
Figure RE-GDA0003570117690000126
表示储热系统安全运行的最小储热容量；Et表示储热系统在t时刻的储热容量；TMFY表示储热系统的满负荷运行小时数；ηrd表示储热系统的热电转换效率；
Figure RE-GDA0003570117690000127
Figure RE-GDA0003570117690000128
表示储热系统在t时刻的蓄热与放热功率；
Figure RE-GDA0003570117690000129
表示储热系统的最大蓄热、放热功率；Et0、ET分别表示储能系统在一个调度周期始末的蓄热量。
③蓄电池储能系统约束
Figure RE-GDA0003570117690000124
Figure RE-GDA0003570117690000125
Figure RE-GDA00035701176900001210
Figure RE-GDA00035701176900001211
式中：
Figure RE-GDA00035701176900001212
为蓄电池储能系统的初始荷电状态；
Figure RE-GDA00035701176900001213
为蓄电池储能系统在时段t内的荷电状态；
Figure RE-GDA00035701176900001214
表示蓄电池储能系统充放电损耗率；
Figure RE-GDA00035701176900001215
分别表示蓄电池储能系统充放电速率的极限值。
④系统备用约束
Figure RE-GDA00035701176900001216
Figure RE-GDA00035701176900001217
式中：Pt,max、Pt,min分别为在t时刻光热电站最大、最小出力；n1、n2、n3为负荷、风电和光伏的上旋转备用系数，n4、n5为风电和光伏的下旋转备用系数。
依据式(9)、式(22)至式(34)及其他约束可建立具有自由调节鲁棒系数的随机优化模型，此模型可根据不同的鲁棒系数为决策者提供不同的最优计划。
3.2时前优化调度层
在时前调度层中，风电与光伏时前预测功率被用来修正日前调度计划，包含修正蓄电池储能系统以及光热电站日前出力计划，该层以系统运行成本最小为优化目标：
Figure RE-GDA0003570117690000131
Ct,G-Q＝st,GDPt,GD+st,QDPt,QD (36)
式中：Ct,G-Q为t时刻系统缺电惩罚费用及向发电公司的购电费用之和；st,GD、st,QD 分别为t时刻的购电单价及缺电惩罚单价；Pt,GD、Pt,QD为t时刻购电量及缺电量。
当对日前调度计划进行修正时，功率平衡约束修正为：
Figure RE-GDA0003570117690000132
式中：Pt WP*、Pt PP*分别表示风电、光伏在t时刻的出力；
Figure RE-GDA0003570117690000133
分别表示蓄电池储能系统、光热电站的修正出力。
由于蓄电池储能系统在t时刻修正后不会对该时刻后的调度计划产生影响，则蓄电池储能系统应满足以下约束条件：
Figure RE-GDA0003570117690000134
Figure RE-GDA0003570117690000135
此外还需考虑输电安全约束
Pdmin≤Pdt≤Pdmax (39)
式中：Pdmin、Pdmax分别为输电断面d的最小、最大传输容量；Pdt为时段t内输电断面d的传输容量。
4.算例分析
4.1算例参数
为验证方法的有效性，算例采用某局域电网进行分析，该电网配置100MW风电机组， 75MW光伏机组，光热电站参数为：光-热转换效率为40％，镜场面积为1.4平方千米，机组最大出力为100MW，机组最小出力为5MW，储热系统储量为350MW·h，TMFY取值为15h，发电成本为850￥/MW·h；蓄电池储能系统容量为20MW，充放电损耗取5％，其维护成本为150￥/MW·h，且采用实时电价作为电储能装置的充放电价格。风电参数为：vin取值为 3m/s，vout取值为25m/s，vr取值为14m/s，α＝2，
Figure RE-GDA0003570117690000136
拟合辐射强度αp＝0.43、βp＝8.62；风光模拟误差取值为0.08、0.03。
结合风速及光照分布函数，通过基于区间法及概率距离的场景生成及削减方法，选择发生概率最大的场景作为模拟场景；风光及负荷曲线如图2所示。
假设光热发电、风电与光伏上网电价分别取1150￥/MW·h、500￥/MW·h与750￥/MW ·h。
为了分析新能源的随机性对调度结果的影响，算例分析假设两个场景：不含电储能装置调度场景(场景1)、含有电储能装置的调度场景(场景2)，通过对比多场景调度结果，说明电储能装置对系统调度的影响。模型通过MATLAB软件调用CPLEX进行求解。
4.2结果分析
①不含电储能装置调度场景结果
场景1中，在日前调度阶段，风光输出功率分别是667.49MW·h与311.96MW·h；在时前调度阶段，新能源输出功率分别为610.78MW·h、301.60MW·h。由此可知若依据日前风光预测数据安排调度计划，整个系统可能出现部分缺电风险，整个系统需要承担缺电惩罚费用，这使得经济效益会相应变低。多源发电系统双层优化调度结果如图3。
为了分析新能源出力的随机性对整个系统的影响，该场景引入鲁棒随机优化理论，不同鲁棒系数下的多源发电系统优化调度结果如表1所示。
表1鲁棒系数不同时多源发电系统优化调度数据
Figure RE-GDA0003570117690000141
由表1可知，鲁棒系数гWP、гPP的设置减小了新能源出力的随机性对系统的威胁。当гWP与гPP取0.5时，风电与光伏出力分别减小了25.31MW·h与41.97MW·h；当гWP 与гPP取0.9时，风电与光伏出力分别减小了44.5MW·h与67.25MW·h；当гWP、гPP 取值慢慢增大时，新能源出力有所减小，降低了其随机性对系统的影响，但同时也使得运行效益有所下降。当гWP取0.5、гPP取0.5时，多源发电系统调度结果如图4。
由图3、图4可得：引入两个鲁棒系数гWP、гPP使得光热发电在负荷高峰时段被调用以满足负荷需求，新能源发电备用容量减小，为使得缺电惩罚费用尽量少，系统将会减小接纳风光的发电量。若在其他时段，负荷需求的减少使得光热发电机组可以增加其对于新能源发电的备用容量；并且光热发电机组的出力与新能源出力几乎呈逆向关系，因为新能源主要的备用电源就是光热发电机组。同时为了提高系统运行可靠性，系统会减少新能源发电出力，提高光热发电机组的调用率。不同鲁棒系数下光热发电出力如图5。
由图5可知，光热发电出力会随着鲁棒系数取值的增大而增大。当гWP、гPP同时变化时，光热发电的出力可大致分为三个部分，当取值小于0.3时，说明决策者的风险态度较好，所以光热发电出力斜率没有达到最大值；当取值在0.3至0.5之间时，系数取值较大，决策者变得厌恶风险，所以斜率达到最大值；当取值大于0.5时，光热发电出力接近极限值，为了调度新能源发电提高运行效益，斜率由最大值趋于平缓。
②含电储能装置调度场景结果
在场景2中，гWP与гPP均取值为0.5时，系统运行效益为75.4万元，风光的并网量分别是604.79MW·h、287.52MW·h，EESD充电电量为16.2MW·h，放电电量为13.5MW· h，风光弃能分别为59.07MW·h、40.26MW·h。图3.3.25为гWP与гPP均取0.5时多源发电系统调度结果。
由图6可知，在负荷高峰时期，EESD通过放电可以减小光热发电出力，使得光热发电可以为新能源发电提供更多的备用容量；在负荷低谷时期，EESD进行充电可均匀抬高负荷曲线，提高新能源发电利用空间。不同场景下风电与光伏出力如图7所示。
由图7可知，гWP与гPP均取0.5时，多源发电系统中引入电储能装置，电储能装置可通过其能量的转移特性为新能源提供备用服务，降低了多源发电系统出力的波动，一定程度上降低了风光发电对光热发电的备用需求，使得新能源的出力有所上升，提高了新能源的消纳量。不同场景下多源发电系统优化结果如表2。
表2多场景调度数据(гWP,гPP取0.5)
Figure RE-GDA0003570117690000151
3)敏感性分析
在风光的日前预测数据基础上，引入гWP、гPP对新能源出力的随机性进行描述，鲁棒系数的合理选取对制订系统最优调度计划有着至关重要的影响，对不同鲁棒系数下系统运行收益进行讨论。鲁棒系数取值由0.1逐步增加到0.9时系统的运行收益如图8所示。
由图8可知，当гWP与гPP的取值由0.1逐渐增加到0.9时，多源发电系统的运行效益逐渐减小，这说明决策者为了达到减小新能源出力的随机性对系统的影响，使得风电与光伏的上网电量减少，降低了新能源出力的运行收益，但同时也减少了系统的备用容量，降低了系统的运行风险。
综上所述，引入鲁棒系数可以使决策者控制系统的运行风险，为了追求更多的经济收益，需要结合系统自身的风险承受能力适量放宽鲁棒系数的取值范围。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：所述优化调度方法包括，构建多源发电系统基本结构与出力模型、随机性场景生成与缩减和构建多源发电系统双层优化调度模型。
2.根据权利要求1所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：构建多源发电系统基本结构与出力模型中，所述多源发电系统由风力发电、光伏发电、光热发电以及火力发电组成；在多源发电系统内，为了降低新能源出力的随机性，在日前调度阶段采用场景模拟方法获取新能源日前预测出力以确定日前调度计划；在时前调度中，采用时前预测出力校正日前调度计划，改变光热发电及火力发电的出力计划。
3.根据权利要求2所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：其中多源发电系统出力模型包括：
1)风力发电模型
风力发电的出力情况由实时风速决定，用Weibull分布函数描述风速分布，通过式(1)获得期望值与方差：
Figure FDA0003433650610000011
式中：v为实时风速；α表示形状参数；β表示尺度参数；风速为v的概率为：
Figure FDA0003433650610000012
计算风电出力，计算公式如式(3)：
Figure FDA0003433650610000013
式中：vt为t时刻的实际风速；vin、vout、vr分别为风力发电的切入、额定与切出风速；Pr wind为风力发电的额定输出功率；
2)光伏发电模型
光伏发电的出力与太阳的辐射强度有关，采用Beta分布函数描述辐射强度，如式(4)：
Figure FDA0003433650610000014
式中：r为辐射强度；αp、βp为Beta的形状分布参数；辐射强度为r时的概率为：
Figure FDA0003433650610000021
通过光电转换计算式，光伏发电的实时功率为：
Pt solar＝SPPηPPrt (6)
式中：ηPP表示光电转换效率；SPP为光伏阵列的面积；rt为t时刻的辐射强度；
3)光热电站模型
光热电站利用直射太阳光辐射方式产生热量，其包含三部分：光场、发电机及储热系统，其输入功率由光场通过直射太阳光辐射方式转化的热功率来表示，发电机输出功率模型为
Pt,CSP＝ηrdPt CSP (7)
式中：ηrd为光热电站发电机热电转换效率系数；Pt CSP表示t时刻光热电站的汽轮发电机输入热功率，储热模型为：
Figure FDA0003433650610000022
式中：Et为t时刻储热系统的储热量；ρ为耗散系数；Pt CR、Pt FR表示储热系统在t时刻的储热功率与放热功率；ηcr、ηfr为储热系统的储热、放热效率。
4.根据权利要求1所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：随机性场景生成与缩减中，基本步骤如下：
第一步：求解集合中参考场景s0与其余对比场景s的几何距离；
第二步：选取对比场景中概率距离值和最小的场景s'；
第三步：以参考场景s0取代场景s'，并将场景s'的出现概率与参考场景s0的出现概率之和作为场景s0的发生概率，形成新的场景集合S'；
第四步：判断新的场景集合S'是否满足要求；若满足，则设置最终的模拟场景，结束任务；若不满足，重复前三步。
5.根据权利要求1所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：构建多源发电系统双层优化调度模型中，日前优化调度层：
调用风力发电、光伏发电及光热发电，并对新能源出力进行模拟，获取多场景下风光的出力模拟结果，以运行效益最大为目标，目标函数如下：
Figure FDA0003433650610000023
式中：λs表示场景s的权重系数；
Figure FDA0003433650610000031
分别为场景s下光热、风电、光伏、蓄电池储能系统的运行收益，其中：
Figure FDA0003433650610000032
Figure FDA0003433650610000033
Figure FDA0003433650610000034
Figure FDA0003433650610000035
Figure FDA0003433650610000036
Figure FDA0003433650610000037
式中：Pt WP为在t时段内风电的上网电量；st,WP表示t时段内的风电上网电价；st,PP为t时段内光伏的上网电价；Pt PP表示t时段内光伏的上网电量；
Figure FDA0003433650610000038
表示t时段光热电站的发电效益；st,CSP表示t时刻光热电站的上网电价；
Figure FDA0003433650610000039
表示光热电站在时段t内的运维成本；
Figure FDA00034336506100000310
表示光热发电的单位电量运维成本；
Figure FDA00034336506100000311
为t时刻蓄电池储能系统的运行收益；
Figure FDA00034336506100000312
分别表示t时刻蓄电池储能系统的充电与放电价格；
Figure FDA00034336506100000313
表示t时段蓄电池储能系统的运行成本；
Figure FDA00034336506100000314
为蓄电池储能系统的单位维护成本；
Figure FDA00034336506100000315
分别为t时刻蓄电池储能系统的放电电量与充电电量。
6.根据权利要求5所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：约束条件为：
1)功率平衡约束
Figure FDA00034336506100000316
式中：Pt,GD表示系统向电网的购电量；Pt,L为t时段的负荷需求；φw、φp与φc分别风电、光伏与光热发电的出力损失率，考虑到预测误差问题，引入了鲁棒随机优化理论，详细步骤如下：
假设风电和光伏的误差系数绝对值为
Figure FDA00034336506100000317
那么可知风电的波动区间是
Figure FDA00034336506100000318
光伏的波动区间是
Figure FDA00034336506100000319
为使得优化模型存在可行解，对式(16)进行修正：
Figure FDA0003433650610000041
设
Figure FDA0003433650610000042
为系统的净负荷：
Figure FDA0003433650610000043
根据上式，式(17)可修正为：
Figure FDA0003433650610000044
由上式可知风光随机性的影响会随着随机性约束的强度而变化；为使新能源出力等于预测边界时，上述约束仍满足，引入辅助变量
Figure FDA0003433650610000045
增加式(19)的约束能力，假设
Figure FDA0003433650610000046
时，可得：
Figure FDA0003433650610000047
Figure FDA0003433650610000048
依据式(20)与式(21)可获得约束性最强的约束条件，此时上两式取代式(16)可获得保守性最强的调度计划；由于实际中极端情况发生高概率较低，此处引入鲁棒系数гWP、гPP，且г的取值在[0,1]之间，上两式修正为：
Figure FDA0003433650610000049
Figure FDA00034336506100000410
2)光热电站约束
光热电站约束条件包括机组出力约束、储热运行约束与爬坡约束；
Figure FDA00034336506100000411
Figure FDA00034336506100000412
Figure FDA00034336506100000413
Figure FDA00034336506100000414
Figure FDA00034336506100000415
Figure FDA00034336506100000416
Et0＝ET (30)
式中：Pt CSP表示t时刻光热发电的发电功率；RD、RU表示光热电站汽轮发电机的最大上、下爬坡极限值；
Figure FDA0003433650610000051
表示储热系统安全运行的最小储热容量；Et表示储热系统在t时刻的储热容量；TMFY表示储热系统的满负荷运行小时数；ηrd表示储热系统的热电转换效率；
Figure FDA0003433650610000052
Figure FDA0003433650610000053
表示储热系统在t时刻的蓄热与放热功率；
Figure FDA0003433650610000054
表示储热系统的最大蓄热、放热功率；Et0、ET分别表示储能系统在一个调度周期始末的蓄热量；
3)蓄电池储能系统约束
Figure FDA0003433650610000055
Figure FDA0003433650610000056
Figure FDA0003433650610000057
Figure FDA0003433650610000058
式中：
Figure FDA0003433650610000059
为蓄电池储能系统的初始荷电状态；
Figure FDA00034336506100000510
为蓄电池储能系统在时段t内的荷电状态；
Figure FDA00034336506100000511
表示蓄电池储能系统充放电损耗率；
Figure FDA00034336506100000512
分别表示蓄电池储能系统充放电速率的极限值；
4)系统备用约束
Figure FDA00034336506100000513
Figure FDA00034336506100000514
式中：Pt,max、Pt,min分别为在t时刻光热电站最大、最小出力；n1、n2、n3为负荷、风电和光伏的上旋转备用系数，n4、n5为风电和光伏的下旋转备用系数；
依据式(9)、式(22)至式(34)及其他约束可建立具有自由调节鲁棒系数的随机优化模型。
7.根据权利要求1所述的一种考虑随机性的多能源发电系统两阶段优化调度方法，其特征在于：构建多源发电系统双层优化调度模型中，在时前调度层中，风电与光伏时前预测功率被用来修正日前调度计划，包含修正蓄电池储能系统以及光热电站日前出力计划，该层以系统运行成本最小为优化目标：
Figure FDA00034336506100000515
Ct,G-Q＝st,GDPt,GD+st,QDPt,QD (36)
式中：Ct,G-Q为t时刻系统缺电惩罚费用及向发电公司的购电费用之和；st,GD、st,QD分别为t时刻的购电单价及缺电惩罚单价；Pt,GD、Pt,QD为t时刻购电量及缺电量；
当对日前调度计划进行修正时，功率平衡约束修正为：
Figure FDA0003433650610000061
式中：Pt WP*、Pt PP*分别表示风电、光伏在t时刻的出力；
Figure FDA0003433650610000062
分别表示蓄电池储能系统、光热电站的修正出力；
由于蓄电池储能系统在t时刻修正后不会对该时刻后的调度计划产生影响，则蓄电池储能系统应满足以下约束条件：
Figure FDA0003433650610000063
Figure FDA0003433650610000064
此外还需考虑输电安全约束
Pdmin≤Pdt≤Pdmax (39)
式中：Pdmin、Pdmax分别为输电断面d的最小、最大传输容量；Pdt为时段t内输电断面d的传输容量。
CN202111604139.3A 2021-12-25 2021-12-25 一种考虑随机性的多能源发电系统两阶段优化调度方法 Pending CN114498617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111604139.3A CN114498617A (zh) 2021-12-25 2021-12-25 一种考虑随机性的多能源发电系统两阶段优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111604139.3A CN114498617A (zh) 2021-12-25 2021-12-25 一种考虑随机性的多能源发电系统两阶段优化调度方法

Publications (1)

Publication Number Publication Date
CN114498617A true CN114498617A (zh) 2022-05-13

Family

ID=81496161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111604139.3A Pending CN114498617A (zh) 2021-12-25 2021-12-25 一种考虑随机性的多能源发电系统两阶段优化调度方法

Country Status (1)

Country Link
CN (1) CN114498617A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375032A (zh) * 2022-09-01 2022-11-22 东南大学溧阳研究院 一种含分布式储能的区域电网多时间尺度优化调度方法
CN115392052A (zh) * 2022-09-22 2022-11-25 华北电力大学（保定） 考虑设备变工况运行特性的综合能源系统区间优化方法
CN116526468A (zh) * 2023-05-09 2023-08-01 国网湖北省电力有限公司经济技术研究院 考虑多类型备用辅助服务的高比例可再生能源电力系统优化调度方法
CN117540882A (zh) * 2024-01-09 2024-02-09 国网经济技术研究院有限公司 基于随机场景生成的电力系统日前多阶段优化调度方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375032A (zh) * 2022-09-01 2022-11-22 东南大学溧阳研究院 一种含分布式储能的区域电网多时间尺度优化调度方法
CN115392052A (zh) * 2022-09-22 2022-11-25 华北电力大学（保定） 考虑设备变工况运行特性的综合能源系统区间优化方法
CN116526468A (zh) * 2023-05-09 2023-08-01 国网湖北省电力有限公司经济技术研究院 考虑多类型备用辅助服务的高比例可再生能源电力系统优化调度方法
CN116526468B (zh) * 2023-05-09 2024-04-26 国网湖北省电力有限公司经济技术研究院 考虑多类型备用辅助服务的高比例可再生能源电力系统优化调度方法
CN117540882A (zh) * 2024-01-09 2024-02-09 国网经济技术研究院有限公司 基于随机场景生成的电力系统日前多阶段优化调度方法
CN117540882B (zh) * 2024-01-09 2024-03-15 国网经济技术研究院有限公司 基于随机场景生成的电力系统日前多阶段优化调度方法

Similar Documents

Publication Publication Date Title
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN114498617A (zh) 一种考虑随机性的多能源发电系统两阶段优化调度方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN110365013B (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
CN110689189A (zh) 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法
CN110970912A (zh) 一种含储能的新能源电力系统运行模拟方法
CN106384176A (zh) 一种基于风光互补特性的风光储发电系统容量优化方法
CN110601260B (zh) 一种限定联络线上功率波动的光-蓄系统容量优化方法
CN111404206A (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN110097237A (zh) 一种基于电动汽车和多能源的主配网协调调度优化方法
CN112541609A (zh) 风光热和水蓄能联合可再生能源发电系统容量优化模型
CN111049179A (zh) 一种考虑不确定性的新能源发电系统多目标优化调度方法
CN112036652A (zh) 基于机会约束规划的光伏-储能综合能源系统规划方法
CN115423282A (zh) 一种基于奖惩阶梯型碳交易的电-氢-储综合能源网多目标优化调度模型
CN112311017A (zh) 一种虚拟电厂与主网最优协同调度方法
CN115577929A (zh) 基于多场景分析的乡村综合能源系统随机优化调度方法
CN116706869A (zh) 一种用于区域电网供需平衡场景的预测方法及装置
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN112653137A (zh) 计及碳交易的光热电站与风电系统、低碳调度方法及系统
CN110119850B (zh) 基于光热发电调节的储热量双阶段优化调度方法
CN116683461A (zh) 一种考虑不确定性的虚拟电厂随机鲁棒调度控制方法
CN112600227B (zh) 一种基于典型日挖掘的储能辅助调峰容量配置方法
CN114649822A (zh) 一种考虑风光三状态的微电网混合储能双层容量配置方法
Bansal et al. An off-grid hybrid system scheduling for a remote area

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination