CN114548757A - 一种考虑源荷不确定性的火电机组灵活性改造规划方法 - Google Patents

一种考虑源荷不确定性的火电机组灵活性改造规划方法 Download PDF

Info

Publication number
CN114548757A
CN114548757A CN202210158115.8A CN202210158115A CN114548757A CN 114548757 A CN114548757 A CN 114548757A CN 202210158115 A CN202210158115 A CN 202210158115A CN 114548757 A CN114548757 A CN 114548757A
Authority
CN
China
Prior art keywords
generating unit
power
thermal power
power generating
constraint
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.)
Granted
Application number
CN202210158115.8A
Other languages
English (en)
Other versions
CN114548757B (zh
Inventor
周云海
陈奥洁
石亮波
李伟
宋德璟
张智颖
贾倩
张韬
辛月杰
石基辰
燕良坤
崔黎丽
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210158115.8A priority Critical patent/CN114548757B/zh
Priority claimed from CN202210158115.8A external-priority patent/CN114548757B/zh
Publication of CN114548757A publication Critical patent/CN114548757A/zh
Application granted granted Critical
Publication of CN114548757B publication Critical patent/CN114548757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/38—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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2300/20—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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (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

一种考虑源荷不确定性的火电机组灵活性改造规划方法，它包括以下步骤：步骤1：获取电力系统的基础数据；步骤2：对所获取的电力系统的基础数据进行数据处理；步骤3：根据系统基础数据构建电力系统年度随机规划模型；步骤4：将随机规划模型中的机会约束确定化；步骤5：设置不同的火电机组调峰深度并对模型分别进行求解，比较各不同调峰深度下年运行结果，择取最优火电机组改造方案；步骤6：调节机会约束的置信度以达到更优的系统运行状态。本发明的目的是为了解决目前在对高比例可再生能源电力系统中火电机组灵活性进行改造及深度调峰运行进行优化时，所存在的因为可再生能源出力存在随机性及波动性，导致预测与实际出力的不一致，使得确定性的优化给出的结果往往偏于保守的技术问题。

Description

一种考虑源荷不确定性的火电机组灵活性改造规划方法
技术领域
本发明属于电力系统技术领域，具体涉及一种考虑源荷不确定性的火电机组灵活性改造规划方法。
背景技术
我国风电、光伏发电等非化石能源发展日益增大。然而可再生能源出力具有显著的随机性和间歇性，其并网接入将给电网调度带来更多的不确定性，使主网稳定问题面临严重挑战。
目前已有不少学者研究了新建可再生电源选址定容的规划问题。合理的系统容量配置方案是开发利用可再生能源的重要基础。但是，目前我国以火电为主的能源结构决定了未来能源的灵活性仍需从火电入手。火电灵活性改造是高比例可再生能源电力系统调节能力提升的最有效手段，对适应和促进我国可再生能源的发展具有重大现实意义。因此，在提高可再生电源装机容量的同时，需对常规火电机组灵活性改造以同步提升系统对可再生能源的消纳能力，减少弃风光，提高系统运行的经济性与环保性。
针对可再生能源系统深度调峰运行优化问题，以确定性的模型进行优化，忽略了可再生能源出力的随机性和波动性。为消除预测与实际出力的不一致，确定性的优化给出的结果往往偏于保守。为保证系统达到预期的运行可靠程度，需要付出巨大的代价预留大量旋转备用，严重影响的系统运行效益。针对可再生能源发电的波动性和间歇性对电网稳定带来的困扰，目前国内外学者对多种能源互补发电也进行了许多研究，罗经馨，陈庆超，黄秋立在2021年提出“考虑调峰主动性的梯级水光互补与火电耦合系统经济调度”，该方法将光伏电站接入水电站后构成一个相对稳定的电源向电网输电，重在考虑了火电深度调峰时所产生的高额调峰成本，提高了火电机组参与深度调峰的主动性。但对于可再生能源发电随机性方面未进行深入讨论。另外，我国北方也普遍存在风光互补与火电机组可以集成耦合成为一个统一的运营主体于同一点汇聚后并网的场景。该方式下的风电和光伏出力预测误差在某种程度上可以达到互补，火电与可再生能源联合运行共同参与并网点的功率调节。
因此，如何科学地对运营主体内的常规火电机组进行灵活性改造，使风光火并网对外输出稳定可靠的功率，提高可再生能源消纳水平，同时保证系统运行有较好的经济性。为我国未来含高比例可再生能源的电力系统的发展、传统火电机组的改造优化重组、风电光伏为代表的可再生能源优化布局具有重大的现实意义。
发明内容
本发明的目的是为了解决目前在对高比例可再生能源电力系统中火电机组灵活性进行改造及深度调峰运行进行优化时，所存在的因为可再生能源出力存在随机性及波动性，导致预测与实际出力的不一致，使得确定性的优化给出的结果往往偏于保守的技术问题。
一种考虑源荷不确定性的火电机组灵活性改造规划方法，它包括以下步骤：
步骤1：获取电力系统的基础数据；
步骤2：对所获取的电力系统的基础数据进行数据处理；
步骤3：根据系统基础数据构建电力系统年度随机规划模型；
步骤4：将随机规划模型中的机会约束确定化；
步骤5：设置不同的火电机组调峰深度并对模型分别进行求解，比较各不同调峰深度下年运行结果，择取最优火电机组改造方案；
步骤6：调节机会约束的置信度以达到更优的系统运行状态。
基础数据包括以下数据：
1)获取电力系统中待改造火电机组信息；包括：火电机组台数N，火电机组编号i，每台火电机组的最大有功出力
Figure BDA0003513060300000021
最小有功出力
Figure BDA0003513060300000022
可进行灵活性改造的火电机组的最小不投油深度调峰情况下的出力
Figure BDA0003513060300000023
可进行灵活性改造的火电机组的最小投油深度调峰情况下的出力
Figure BDA0003513060300000024
每台火电机组的最大向上爬坡率
Figure BDA0003513060300000025
和最大向下爬坡率
Figure BDA0003513060300000026
每台火电机组最小启用时间
Figure BDA0003513060300000027
和最小停机时间
Figure BDA0003513060300000028
2)获取电力系统中各可再生能源电厂信息；包括：风电场和光伏电站的装机容量，历史全年风光出力数据，历史全年预测与实际出力误差数据；
3)获取电力系统中历史年时间尺度日负荷数据；
4)获取旋转备用容量信息；包括：电力系统安全运行所需正旋转备用容量Pres,up和负旋转备用容量Pres,down。
在步骤2中，对所获取的电力系统的基础数据进行数据处理，进一步包括：
步骤2-1，场景缩减法处理风光出力和负荷曲线，采用k-means聚类算法按月对日风光出力和负荷场景进行聚类，将得到的k类场景按其概率进行加权得到具有代表性的当月典型日风光出力和负荷场景。每月以一个典型日风光出力和负荷数据作为代表。每个月典型日的弃能量或发电成本乘以当月天数作为当月运行数据的近似代替，最后将所有月份运行数据相加作为年弃能量或发电成本。
步骤2-2，采用核密度估计法对可再生能源电场历史出力预测误差统计，得到预测误差统计概率分布函数。
在步骤3中，所建立的电力系统年度随机规划模型如下：
(1)所述电力系统年度随机规划模型的目标函数为
Figure BDA0003513060300000029
式中m表示规划周期内的月份数；Dm表示第m月份包含的天数；T为一天的总时段数；Nw表示电力系统中风电场数量；Nv表示电力系统中光伏电站数量；
Figure BDA0003513060300000031
表示在t时刻风电场弃风功率、光伏电站弃光功率；Fth表示火电厂的运行成本(包含模拟调峰运行时燃料成本、机组寿命损耗成本、助燃油投放成本、机组启停成本)；Fre可再生能源发电总弃能惩罚成本；
(2)所述电力系统年度随机规划模型的约束条件为
1)耦合系统功率平衡约束：
耦合系统内火电机组与可再生能源的发电功率之和应满足并网点对耦合系统的功率需求，约束的表达式为
Figure BDA0003513060300000032
式中
Figure BDA0003513060300000033
为第i台机组在时刻t发出的有功功率；
Figure BDA0003513060300000034
分别表示在t时刻风电或光伏的预测值；
Figure BDA0003513060300000035
分别表示在t时刻风电或光伏的功率预测误差；
Figure BDA0003513060300000036
分别表示在t时刻风电场弃风功率、光伏电站弃光功率，Pt L表示在t时刻耦合并网的负荷功率。
2)火电机组出力约束：
为保证系统运行的安全性、可靠性，火电机组在进行深度调峰补偿新能源发电的过程中主要考虑机组出力约束、机组爬坡约束和启停时间约束：
201)运行的常规火电机组出力介于该机组最小与最大技术出力范围之间，约束的表达式为
Figure BDA0003513060300000037
式中
Figure BDA0003513060300000038
表示第i台火电机组的最小技术出力；
Figure BDA0003513060300000039
表示第i台火电机组的最大技术出力；
202)可进行灵活性改造深度调峰运行的火电机组的出力介于该机组最小投油深度调峰与最大技术出力范围之间，约束的表达式为
Figure BDA00035130603000000310
式中
Figure BDA00035130603000000311
表示第i台火电机组的最小技术出力；
Figure BDA00035130603000000312
表示第i台火电机组的最大技术出力；
203)火电机组爬坡率约束的表达式为
Figure BDA00035130603000000313
式中
Figure BDA00035130603000000314
表示第i台火电机组单位时间最大能减少的出力；
Figure BDA00035130603000000315
表示第i台火电机组单位时间最大能增加的出力；
204)火电机组最小启停时间约束的表达式为
Figure BDA00035130603000000316
式中
Figure BDA00035130603000000317
为第i台机组在t时刻的运行状态(停机时为0，运行时为1)；
Figure BDA00035130603000000318
分别表示至t-1时火电机组的连续运行时长和连续停机时长；
Figure BDA0003513060300000041
分别表示机组允许的最小连续运行、停机时长；
3)可再生能源发电约束，可再生能源发电调节响应速度快，不设置类似火电机组的爬坡率、启停约束，仅以机组容量约束作为可再生能源的发电约束，约束的表达式为
Figure BDA0003513060300000042
式中
Figure BDA0003513060300000043
表示风电或光伏在t时刻的实际出力值；
Figure BDA0003513060300000044
分别表示风电或光伏在t时刻的功率预测误差；
Figure BDA0003513060300000045
表示风电站或光伏电厂对t时刻的功率预测值；
4)系统备用容量约束
Figure BDA0003513060300000046
其中：
Figure BDA0003513060300000047
式中Pres,up,t、Pres,down,t分别表示耦合系统安全运行需要的正、负旋转备用容量，一般取系统总负荷的5％；ρ1、ρ2分别为给定的满足正、负备用要求的置信水平；
Figure BDA0003513060300000048
分别表示火电在t时刻的上调、下调备用容量；
Figure BDA0003513060300000049
为在常规调峰状态运行的火电机组运行功率；
Figure BDA00035130603000000410
为在(投油)深度调峰状态运行的火电机组运行功率。
在步骤4中，采用基于采样的随机模拟方法将机会约束确定化：
首先将ΔPt re记为ξ，将上述概率形式的备用容量约束括号中不等号右式移到左侧，并分别记为U(ξ)、D(ξ)：
Figure BDA00035130603000000411
然后，对系统中可再生能源发电的预测误差随机变量ξ进行N次采样，并对所得采样值集合进行升序排列，记为{ξ|ξ1,...,ξN-1,ξN}；得到U(ξ)、D(ξ)序列分别关于ξ单调递增、单调递减；根据所需置信水平即可在序列中取到相应的U(ξm)、D(ξn)，概率约束可等价为某确定样本ξm、ξn的上式；由此，所述含有随机变量的机会约束条件最终转化为如下所示的确定性约束，即：
Figure BDA00035130603000000412
式中Pres,up,t、Pres,down,t分别表示耦合系统安全运行需要的正、负旋转备用容量；
Figure BDA0003513060300000051
分别表示火电在t时刻的上调、下调备用容量floor、ceil分别表示向下、向上取整。
在步骤5中，对电力系统年度随机规划模型进行求解，借助目标规划，将多目标问题转化为求解未达到各目标最优值的偏差量总和最小的单目标优化问题，最终采用混合整数线性规划方法。
在步骤6中，含有随机变量的机会约束置信度可根据系统实际运行情况，由决策者进行适当调整，以达到更优的运行方案。
本发明具有如下技术效果：
相比现有技术，本发明的有益效果是考虑了可再生能源出力的随机性和波动性，以及负荷的不确定性，引入备用容量机会约束置信度作为系统运行的可靠性指标，在保证系统一定的运行可靠性的前提下，提高消纳可再生能源的能力和系统运行的经济性。为电网规划运行人员制定适应可再生能源高比例消纳的电力系统运行方式及火电机组灵活性改造方案提供科学的决策依据；
本发明目的是为了解决目前高比例可再生能源电力系统中火电机组灵活性改造及深度调峰运行优化的技术问题，以满足电力系统调峰运行过程中预留适量的旋转备用容量，保证了系统运行的可靠性，同时也尽可能的兼顾了低碳运行的需求，减少了弃风弃光现象，为火电机组灵活性改造及系统运行优化问题带来了新的解决思路。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为考虑源荷不确定性的火电机组灵活性改造规划方法示意图。
图2为全过程调峰运行成本示意图。
图3为实施例的全年风光出力及负荷历史数据示意图。
图4为实施例的各月典型日风光出力及负荷场景示意图。
图5为实施例的可再生能源发电全年预测误差及其概率分布函数示意图。
图6为实施例的单台火电在不同调峰深度下运行情况的示意图。
图7为实施例的两台火电在不同调峰深度下运行情况的示意图。
具体实施方式
火电机组通常作为调峰调频辅助服务过程的承担机组，经过灵活性改造后其调峰过程通常可以分为常规调峰、不投油深度调峰和投油深度调峰三个阶段，如图2所示。
考虑源荷不确定性的火电机组灵活性改造规划方法，包括以下步骤：
步骤1：获取电力系统的基础数据；
步骤2：对所获取的电力系统的基础数据进行数据处理；
步骤3：根据系统基础数据构建电力系统年度随机规划模型，该模型由目标函数和约束条件构成；
步骤4：采用基于采样的随机模拟方法将随机规划模型中的机会约束确定化；
步骤5：设置不同的火电机组调峰深度并对模型分别进行求解，比较各不同调峰深度下年运行结果，择取最优火电机组改造方案；
步骤6：调节机会约束的置信度以达到更优的系统运行状态。
步骤1中，所述电力系统的基础数据包括：
1)获取电力系统中待改造火电机组信息，包括：火电机组台数N，火电机组编号i，每台火电机组的最大有功出力
Figure BDA0003513060300000061
最小有功出力
Figure BDA0003513060300000062
可进行灵活性改造的火电机组的最小不投油深度调峰情况下的出力
Figure BDA0003513060300000063
可进行灵活性改造的火电机组的最小投油深度调峰情况下的出力
Figure BDA0003513060300000064
每台火电机组的最大向上爬坡率
Figure BDA0003513060300000065
和最大向下爬坡率
Figure BDA0003513060300000066
每台火电机组最小启用时间
Figure BDA0003513060300000067
和最小停机时间
Figure BDA0003513060300000068
2)获取电力系统中各可再生能源电厂信息，包括：风电场和光伏电站的装机容量，历史全年风光出力数据，历史全年预测与实际出力误差数据，图5为实施例的可再生能源发电全年预测误差及其概率分布函数示意图；
3)获取电力系统中历史年时间尺度日负荷数据，图3为实施例的全年风光出力及负荷历史数据示意图；
4)获取旋转备用容量信息：电力系统安全运行所需正旋转备用容量Pres,up和负旋转备用容量Pres,down。
步骤2中，所述对所获取的电力系统的基础数据进行数据处理，包括步骤2-1，场景缩减法处理风光出力和负荷曲线，采用k-means聚类算法按月对日风光出力和负荷场景进行聚类，将得到的k类场景按其概率进行加权得到具有代表性的当月典型日风光出力和负荷场景。每月以一个典型日风光出力和负荷数据作为代表。图4为实施例的各月典型日风光出力及负荷场景示意图。每个月典型日的弃能量或发电成本乘以当月天数作为当月运行数据的近似代替，最后将所有月份运行数据相加作为年弃能量或发电成本。步骤2-2，采用核密度估计法对可再生能源电场历史出力预测误差统计，得到预测误差统计概率分布函数。
步骤3中，确定电力系统年度随机规划模型目标函数：火电机组组合应安排合理，使得机组持续运行，减少调峰模式频繁切换运行模式和机组启停次数。因所建立的规划模型旨在研究如何对现有的火电机组进行灵活性改造，提高机组调峰能力，以平抑耦合系统内可再生能源的出力波动。所以，模型在保证系统安全的前提下综合考虑可再生能源消纳量和系统运行经济性，选取F1弃风弃光最少、F2系统运行总成本最小两个目标函数。引入目标规划模型求解，择以高优先级消纳可再生能源，减少系统的碳排放量，以低优先级优化系统运行成本，在优先保障系统安全运行低碳环保的基础上尽可能减少耦合系统发电运行成本。
综上，目标函数综合考虑可再生能源弃风弃光最少，系统运行总成本最小，目标函数为
Figure BDA0003513060300000071
式中m表示规划周期内的月份数；Dm表示第m月份包含的天数；T为一天的总时段数；Nw表示电力系统中风电场数量；Nv表示电力系统中光伏电站数量；
Figure BDA0003513060300000072
表示在t时刻风电场弃风功率、光伏电站弃光功率；Fth表示火电厂的运行成本(包含模拟调峰运行时燃料成本、机组寿命损耗成本、助燃油投放成本、机组启停成本)；Fre可再生能源发电总弃能惩罚成本。
确定模型的约束条件，具体如下：
1)耦合系统功率平衡约束：
耦合系统内火电机组与可再生能源的发电功率之和应满足并网点对耦合系统的功率需求，约束的表达式为
Figure BDA0003513060300000073
式中
Figure BDA0003513060300000074
为第i台机组在时刻t发出的有功功率；
Figure BDA0003513060300000075
分别表示在t时刻风电或光伏的预测值；
Figure BDA0003513060300000076
分别表示在t时刻风电或光伏的功率预测误差；
Figure BDA0003513060300000077
分别表示在t时刻风电场弃风功率、光伏电站弃光功率，Pt L表示在t时刻耦合并网的负荷功率。
2)火电机组出力约束：
为保证系统运行的安全性、可靠性，火电机组在进行深度调峰补偿新能源发电的过程中主要考虑机组出力约束、机组爬坡约束和启停时间约束：
201)运行的常规火电机组出力介于该机组最小与最大技术出力范围之间，约束的表达式为
Figure BDA0003513060300000078
式中
Figure BDA0003513060300000079
表示第i台火电机组的最小技术出力；
Figure BDA00035130603000000710
表示第i台火电机组的最大技术出力。
202)可进行灵活性改造深度调峰运行的火电机组的出力介于该机组最小投油深度调峰与最大技术出力范围之间，约束的表达式为
Figure BDA00035130603000000711
式中
Figure BDA00035130603000000712
表示第i台火电机组的最小技术出力；
Figure BDA00035130603000000713
表示第i台火电机组的最大技术出力。
203)火电机组爬坡率约束的表达式为
Figure BDA00035130603000000714
式中
Figure BDA00035130603000000715
表示第i台火电机组单位时间最大能减少的出力；
Figure BDA00035130603000000716
表示第i台火电机组单位时间最大能增加的出力。
204)火电机组最小启停时间约束的表达式为
Figure BDA0003513060300000081
式中
Figure BDA0003513060300000082
为第i台机组在t时刻的运行状态(停机时为0，运行时为1)；
Figure BDA0003513060300000083
分别表示至t-1时火电机组的连续运行时长和连续停机时长；
Figure BDA0003513060300000084
分别表示机组允许的最小连续运行、停机时长。
3)可再生能源发电约束，可再生能源发电调节响应速度快，不设置类似火电机组的爬坡率、启停约束，仅以机组容量约束作为可再生能源的发电约束，约束的表达式为
Figure BDA0003513060300000085
式中
Figure BDA0003513060300000086
表示风电或光伏在t时刻的实际出力值；
Figure BDA0003513060300000087
分别表示风电或光伏在t时刻的功率预测误差；
Figure BDA0003513060300000088
表示风电站或光伏电厂对t时刻的功率预测值。
4)系统备用容量约束
Figure BDA0003513060300000089
其中：
Figure BDA00035130603000000810
式中Pres,up,t、Pres,down,t分别表示耦合系统安全运行需要的正、负旋转备用容量，一般取系统总负荷的5％；ρ1、ρ2分别为给定的满足正、负备用要求的置信水平；
Figure BDA00035130603000000811
分别表示火电在t时刻的上调、下调备用容量；
Figure BDA00035130603000000812
为在常规调峰状态运行的火电机组运行功率；
Figure BDA00035130603000000813
为在(投油)深度调峰状态运行的火电机组运行功率。
采用北方某局部电网2020年全年运行数据为例进行仿真分析。该区域小系统由2台600WM火电机组、1座300WM海上风电场、1座300WM光伏电站和1座110WM光伏电站组成，可再生能源发电装机容量比例达到了37％。其中火电机组能在RPR、DPR和DPRO阶段运行，最低负荷率分别为50％、40％和30％。,各电厂站于同一并网点耦合成耦合系统。
仿真数据采用该地区全年系统运行数据，如图4所示。模型中弃风、弃光惩罚费用均为540元/MWh。设系统备用容量约束的置信度为，系统安全运行需要的正、负旋转备用容量为负荷的10％。
引入目标规划模型求解双目标优化问题，借助各目标函数单独优化时的目标结果，将多目标问题转化为求解未达到各目标最优值的偏差量总和最小的单目标优化问题。择以高优先级消纳可再生能源，减少系统的碳排放量，以低优先级优化系统运行成本，在优先保障系统安全运行低碳环保的基础上尽可能减少耦合系统发电运行成本。将多目标优化模型转化为混合整数线性规划模型，采用YALMIP调用IBM公司开发的商业求解器CPLEX优化求解。
为研究火电机组调峰深度与耦合系统整体运行效益之间的关系，分析在不同的运行模式下系统运行经济性及可再生能源的消纳水平。分别对单台、多台火电机组参与深度调峰在不同的调峰深度下进行仿真对比分析。对于参与深度调峰的火电机组，将其调峰深度分别设定为50％PN、55％PN、60％PN、65％PN、70％PN这五种。图6、7分别为实施例单台、两台火电机组参与深度调峰时，在不同调峰深度下运行时系统运行的各项成本及可再生能源弃能率的变化示意图。
从图6、7中可以看出，随着火电机组调峰深度的增加，火电机组的煤耗成本、可再生能源弃电量及惩罚成本均在逐渐降低，而火电机组的机组寿命损耗成本、助燃油消耗成本在逐渐增加。在不投油深度调峰阶段(调峰深度在、期间)，随着调峰深度的增加，可再生能源弃电量下降幅度较大。当调峰机组进入投油深度调峰阶段(调峰深度在、期间)，可再生能源弃电量下降幅度越来越小。对比图6、7可知，在同一调峰深度下，两台火电机组参与深度调峰比仅一台火电机组参与深度调峰运行有更低的运行成本和可再生能源弃电量。在投油深度调峰阶段运行成本同比下降了约3.5％，可再生能源弃电量同比下降了约85％。这表明，适当的通过多机组灵活性改造提高机组调峰深度，对可再生能源的消纳具有很重要的现实意义。
为得到最佳优化方案下的备用容量机会约束条件的置信度的值，实施例取置信度范围为0.9～1，间隔为0.1取值，按照上述模型分别求解，得到不同机会约束置信度下的优化结果，如表1。同时提出系统总运行成本下降率kρ，便于分析模型优化的经济性目标随机会约束置信度改变的变化。
Figure BDA0003513060300000091
式中：Fρ表示在机会约束条件置信度为时的系统总运行成本。
表1不同机会约束置信度下运行结果
Figure BDA0003513060300000092
从表1中可以看出，机会约束置信度为1时，可再生能源消纳量和系统总运行成本最大，这时的旋转备用容量基于确定性标准，严格满足可再生能源发电最大预测误差时所需的备用容量。因此时为保证系统运行时刻满足最大热备用需求，系统尽最大可能消纳了可再生能源，从而有较低的可再生能源弃能率。而为了尽量消纳可再生能源，火电机组运行在投油深度调峰时产生的助燃油投放成本明显更多，导致了更高的运行成本。
随着机会约束置信度的降低，可再生能源弃电量增加，系统总运行成本逐渐降低。其中系统的投油成本降低最为明显，为系统总运行成本降低的最主要的因素。系统总运行成本下降率大体上也成降低趋势。这表明为尽量保证系统安全稳定运行，机会约束置信度的进一步降低，对系统运行经济性的提升越来越有限。置信度越低，模型优化计算时对备用容量的约束值越小，系统运行的可靠性就会越低。本文所提规划模型可以根据系统的可靠性需求，适当调整备用容量机会约束置信度，来保证系统安全可靠运行的同时又有较好的经济性。

Claims (6)

1.一种考虑源荷不确定性的火电机组灵活性改造规划方法，其特征在于，它包括以下步骤：
步骤1：获取电力系统的基础数据；
步骤2：对所获取的电力系统的基础数据进行数据处理；
步骤3：根据系统基础数据构建电力系统年度随机规划模型；
步骤4：将随机规划模型中的机会约束确定化；
步骤5：设置不同的火电机组调峰深度并对模型分别进行求解，比较各不同调峰深度下年运行结果，择取最优火电机组改造方案；
步骤6：调节机会约束的置信度以达到更优的系统运行状态。
2.根据权利要求1所述的方法，其特征在于，所述基础数据包括以下数据：
1)获取电力系统中待改造火电机组信息；包括：火电机组台数N，火电机组编号i，每台火电机组的最大有功出力
Figure FDA0003513060290000011
最小有功出力
Figure FDA0003513060290000012
可进行灵活性改造的火电机组的最小不投油深度调峰情况下的出力
Figure FDA0003513060290000013
可进行灵活性改造的火电机组的最小投油深度调峰情况下的出力
Figure FDA0003513060290000014
每台火电机组的最大向上爬坡率
Figure FDA0003513060290000015
和最大向下爬坡率
Figure FDA0003513060290000016
每台火电机组最小启用时间
Figure FDA0003513060290000017
和最小停机时间
Figure FDA0003513060290000018
2)获取电力系统中各可再生能源电厂信息；包括：风电场和光伏电站的装机容量，历史全年风光出力数据，历史全年预测与实际出力误差数据；
3)获取电力系统中历史年时间尺度日负荷数据；
4)获取旋转备用容量信息；包括：电力系统安全运行所需正旋转备用容量Pres,up和负旋转备用容量Pres,down。
3.根据权利要求1所述的方法，其特征在于，在步骤2中进一步包括：
步骤2-1，场景缩减法处理风光出力和负荷曲线，采用k-means聚类算法按月对日风光出力和负荷场景进行聚类，将得到的k类场景按其概率进行加权得到具有代表性的当月典型日风光出力和负荷场景；每月以一个典型日风光出力和负荷数据作为代表，每个月典型日的弃能量或发电成本乘以当月天数作为当月运行数据的近似代替，最后将所有月份运行数据相加作为年弃能量或发电成本；
步骤2-2，采用核密度估计法对可再生能源电场历史出力预测误差统计，得到预测误差统计概率分布函数。
4.根据权利要求1所述的方法，其特征在于，在步骤3中，所建立的电力系统年度随机规划模型如下：
(1)所述电力系统年度随机规划模型的目标函数为：
Figure FDA0003513060290000021
式中m表示规划周期内的月份数；Dm表示第m月份包含的天数；T为一天的总时段数；Nw表示电力系统中风电场数量；Nv表示电力系统中光伏电站数量；
Figure FDA0003513060290000022
表示在t时刻风电场弃风功率、光伏电站弃光功率；Fth表示火电厂的运行成本(包含模拟调峰运行时燃料成本、机组寿命损耗成本、助燃油投放成本、机组启停成本)；Fre可再生能源发电总弃能惩罚成本；
(2)所述电力系统年度随机规划模型的约束条件为：
1)耦合系统功率平衡约束：
耦合系统内火电机组与可再生能源的发电功率之和应满足并网点对耦合系统的功率需求，约束的表达式为
Figure FDA0003513060290000023
式中
Figure FDA0003513060290000024
为第i台机组在时刻t发出的有功功率；
Figure FDA0003513060290000025
分别表示在t时刻风电或光伏的预测值；
Figure FDA0003513060290000026
分别表示在t时刻风电或光伏的功率预测误差；
Figure FDA0003513060290000027
分别表示在t时刻风电场弃风功率、光伏电站弃光功率，Pt L表示在t时刻耦合并网的负荷功率；
2)火电机组出力约束：
为保证系统运行的安全性、可靠性，火电机组在进行深度调峰补偿新能源发电的过程中主要考虑机组出力约束、机组爬坡约束和启停时间约束：
201)运行的常规火电机组出力介于该机组最小与最大技术出力范围之间，约束的表达式为
Figure FDA0003513060290000028
式中
Figure FDA0003513060290000029
表示第i台火电机组的最小技术出力；
Figure FDA00035130602900000210
表示第i台火电机组的最大技术出力；
202)可进行灵活性改造深度调峰运行的火电机组的出力介于该机组最小投油深度调峰与最大技术出力范围之间，约束的表达式为
Figure FDA00035130602900000211
式中
Figure FDA00035130602900000212
表示第i台火电机组的最小技术出力；
Figure FDA00035130602900000213
表示第i台火电机组的最大技术出力；
203)火电机组爬坡率约束的表达式为
Figure FDA00035130602900000214
式中
Figure FDA00035130602900000215
表示第i台火电机组单位时间最大能减少的出力；
Figure FDA00035130602900000216
表示第i台火电机组单位时间最大能增加的出力；
204)火电机组最小启停时间约束的表达式为
Figure FDA0003513060290000031
式中
Figure FDA0003513060290000032
为第i台机组在t时刻的运行状态(停机时为0，运行时为1)；
Figure FDA0003513060290000033
分别表示至t-1时火电机组的连续运行时长和连续停机时长；
Figure FDA0003513060290000034
分别表示机组允许的最小连续运行、停机时长；
3)可再生能源发电约束，可再生能源发电调节响应速度快，不设置类似火电机组的爬坡率、启停约束，仅以机组容量约束作为可再生能源的发电约束，约束的表达式为
Figure FDA0003513060290000035
式中
Figure FDA0003513060290000036
表示风电或光伏在t时刻的实际出力值；
Figure FDA0003513060290000037
分别表示风电或光伏在t时刻的功率预测误差；
Figure FDA0003513060290000038
表示风电站或光伏电厂对t时刻的功率预测值；
4)系统备用容量约束
Figure FDA0003513060290000039
其中：
Figure FDA00035130602900000310
式中Pres,up,t、Pres,down,t分别表示耦合系统安全运行需要的正、负旋转备用容量，一般取系统总负荷的5％；ρ1、ρ2分别为给定的满足正、负备用要求的置信水平；
Figure FDA00035130602900000311
分别表示火电在t时刻的上调、下调备用容量；
Figure FDA00035130602900000312
为在常规调峰状态运行的火电机组运行功率；
Figure FDA00035130602900000313
为在(投油)深度调峰状态运行的火电机组运行功率。
5.根据权利要求1所述的方法，其特征在于，在步骤4中，采用基于采样的随机模拟方法将机会约束确定化：
首先将ΔPt re记为ξ，将上述概率形式的备用容量约束括号中不等号右式移到左侧，并分别记为U(ξ)、D(ξ)：
Figure FDA00035130602900000314
然后，对系统中可再生能源发电的预测误差随机变量ξ进行N次采样，并对所得采样值集合进行升序排列，记为{ξ|ξ1,...,ξN-1,ξN}；得到U(ξ)、D(ξ)序列分别关于ξ单调递增、单调递减；根据所需置信水平即可在序列中取到相应的U(ξm)、D(ξn)，概率约束可等价为某确定样本ξm、ξn的上式；由此，所述含有随机变量的机会约束条件最终转化为如下所示的确定性约束，即：
Figure FDA0003513060290000041
式中Pres,up,t、Pres,down,t分别表示耦合系统安全运行需要的正、负旋转备用容量；
Figure FDA0003513060290000042
分别表示火电在t时刻的上调、下调备用容量floor、ceil分别表示向下、向上取整。
6.根据权利要求1所述的方法，其特征在于，在步骤5中，对电力系统年度随机规划模型进行求解；引入目标规划模型求解，择以高优先级消纳可再生能源，减少系统的碳排放量，以低优先级优化系统运行成本，在优先保障系统安全运行低碳环保的基础上尽可能减少耦合系统发电运行成本；将多目标问题转化为求解未达到各目标最优值的偏差量总和最小的单目标优化问题，最终采用混合整数线性规划方法。
CN202210158115.8A 2022-02-21 一种考虑源荷不确定性的火电机组灵活性改造规划方法 Active CN114548757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210158115.8A CN114548757B (zh) 2022-02-21 一种考虑源荷不确定性的火电机组灵活性改造规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210158115.8A CN114548757B (zh) 2022-02-21 一种考虑源荷不确定性的火电机组灵活性改造规划方法

Publications (2)

Publication Number Publication Date
CN114548757A true CN114548757A (zh) 2022-05-27
CN114548757B CN114548757B (zh) 2024-07-02

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937990A (zh) * 2022-06-17 2022-08-23 国网浙江省电力有限公司经济技术研究院 电力系统备用容量确定方法、系统、设备及存储介质
CN116703084A (zh) * 2023-06-05 2023-09-05 东北林业大学 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN112508221A (zh) * 2020-09-24 2021-03-16 国网天津市电力公司电力科学研究院 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN113869608A (zh) * 2021-10-28 2021-12-31 国家电网有限公司 源网荷储灵活性资源日前优化方法
WO2022022101A1 (zh) * 2020-07-30 2022-02-03 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022022101A1 (zh) * 2020-07-30 2022-02-03 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法
CN112508221A (zh) * 2020-09-24 2021-03-16 国网天津市电力公司电力科学研究院 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN112467807A (zh) * 2020-12-14 2021-03-09 东北电力大学 一种多能源电力系统日前优化调度方法及系统
CN113869608A (zh) * 2021-10-28 2021-12-31 国家电网有限公司 源网荷储灵活性资源日前优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUN SUI: "Optimization of Monthly Power Generation Plan for Thermal Power Units Considering Access of Large-scale New Energy", 《2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》, 30 January 2020 (2020-01-30) *
李铁;李正文;杨俊友;崔岱;王钟辉;马坤;胡伟;: "计及调峰主动性的风光水火储多能系统互补协调优化调度", 电网技术, no. 10, 5 October 2020 (2020-10-05) *
杨冬锋: "考虑多类型需求响应的电-热联合系统多时间尺度协调调度", 《太阳能学报》, 28 October 2021 (2021-10-28) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937990A (zh) * 2022-06-17 2022-08-23 国网浙江省电力有限公司经济技术研究院 电力系统备用容量确定方法、系统、设备及存储介质
CN114937990B (zh) * 2022-06-17 2024-06-04 国网浙江省电力有限公司经济技术研究院 电力系统备用容量确定方法、系统、设备及存储介质
CN116703084A (zh) * 2023-06-05 2023-09-05 东北林业大学 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法
CN116703084B (zh) * 2023-06-05 2024-03-22 东北林业大学 基于高风电渗透率的燃煤机组多技术灵活性改造规划方法

Similar Documents

Publication Publication Date Title
CN109256799B (zh) 一种基于样本熵的新能源电力系统优化调度方法
CN111555281B (zh) 一种电力系统灵活性资源配置仿真方法及装置
CN109412158B (zh) 一种考虑弃能成本约束的送端电网机组组合运行控制方法
CN111950808B (zh) 基于综合需求响应的综合能源系统随机鲁棒优化运行方法
CN112994115B (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
CN114336599B (zh) 一种独立型微电网动态优化调度方法
CN111652405A (zh) 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN111641233A (zh) 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN116780646A (zh) 一种计及灵活性的电力系统资源优化调度方法及终端
CN110956344A (zh) 一种计及绿证与碳交易制度的“源-荷”协调优化调度方法
CN115411773A (zh) 基于机会约束的多电网负荷响应水光分区短期调峰方法
CN116436088A (zh) 一种风光电-火电-储能-电解铜一体化系统多目标优化调度方法
CN113255982A (zh) 一种风光水互补系统中长期优化调度方法
CN113298407A (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN117114281A (zh) 一种灵活资源多阶段规划方案的确定方法
CN112288130A (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
CN117154838A (zh) 一种含氢储能的综合能源系统中长期低碳调度优化方法、系统、电子设备、存储介质
CN114548757A (zh) 一种考虑源荷不确定性的火电机组灵活性改造规划方法
CN114548757B (zh) 一种考虑源荷不确定性的火电机组灵活性改造规划方法
CN112821468B (zh) 一种分时段多目标火电机组实时优化调度方法
CN112767189B (zh) 一种计及风电并网下电网灵活性评估方法
CN114186847A (zh) 基于出力保障率的风电月度平衡功率评估方法
CN114399162A (zh) 一种基于能源调度时间自适应变化的滚动优化调度方法
Zhang et al. A multi-objective optimization method for utilizing seawater desalination load to consume offshore wind power

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
GR01 Patent grant