CN114781817A - 电-气互联系统多时间尺度联合优化调度方法及系统 - Google Patents

电-气互联系统多时间尺度联合优化调度方法及系统 Download PDF

Info

Publication number
CN114781817A
CN114781817A CN202210326302.2A CN202210326302A CN114781817A CN 114781817 A CN114781817 A CN 114781817A CN 202210326302 A CN202210326302 A CN 202210326302A CN 114781817 A CN114781817 A CN 114781817A
Authority
CN
China
Prior art keywords
optimization
time
day
real
scheduling
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
CN202210326302.2A
Other languages
English (en)
Inventor
张瀚
黄琨
张振威
王成福
申洪
徐蕊
崔悦
王昊
丁子娴
张雪
刘胤哲
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.)
Global Energy Internet Group Ltd
Original Assignee
Global Energy Internet Group Ltd
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 Global Energy Internet Group Ltd filed Critical Global Energy Internet Group Ltd
Priority to CN202210326302.2A priority Critical patent/CN114781817A/zh
Publication of CN114781817A publication Critical patent/CN114781817A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06313—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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • 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
    • H02J2203/20—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
    • H02J2300/28—The renewable source being wind energy

Landscapes

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

Abstract

本发明提供了一种电‑气互联系统多时间尺度联合优化调度方法及系统，获取电力网络和天然气网络的运行参量数据；根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略；本发明将随机模型预测控制方法应用于IEGS中的可再生不确定性问题，平衡了运营策略的经济性和准确性。

Description

电-气互联系统多时间尺度联合优化调度方法及系统
技术领域
本发明涉及电-气互联系统调度技术领域，特别涉及一种电-气互联系统多时间尺度联合优化调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
与单一的能源供应系统相比，电力天然气一体化系统(IEGS)已成为一种更加灵活高效的能源管理系统，可以满足电力、热力、天然气等多种负荷的需求。在统一建模、能量流分析、IEGS协调优化等方面进行了前期研究。然而，复杂的能量耦合关系和多个能源网络的自然物理差异给IEGS的精细化运行带来了挑战。此外，随着间歇性可再生能源的引入，IEGS的运行面临更高的不确定性。
特别是随着间歇性风电的大量引入，基于日前长时间尺度的优化调度不再适用于实际系统的实时功率平衡，甚至会在预测输入与实际偏差时产生错误的方案。此外，有技术人员在实时短时间规模调度中，相当重视操作精度，忽略了机组启停和启动的时间要求。因此，提出了多时间尺度协调调度作为在不同时间粒度下实现准确性和经济性之间更好权衡的有效策略。这种选择的关键是机组调整规则必须协调机组的不同响应速度，特别是对于具有多类型耦合和存储单元的IEGS。其中，燃气轮机(GT)和电转燃气机组(P2G)作为更灵活、响应速度更快的能源，在实时阶段平滑导入的风电和负荷。在负荷高峰期，GT被提升以补充火电机组的短缺。此外，P2G用于将多余的风电转化为天然气并注入天然气管网，为风电消纳提供了更加经济灵活的方式。GT和P2G的合作实现了电力和天然气系统的双向交互，在不确定的波动情况下具有明显的调度潜力。对于慢响应源，有研究人员论证了在前一天阶段应提前安排起停和爬坡计划，以满足经济运行。上述研究表明，解决IEGS中多时间尺度的协调问题对于实现经济、准确运行至关重要。
但是，发明人发现，上述方案中，最优调度过程仍然是开环控制，没有考虑实际系统对控制过程的反馈修正；也没有考虑日前优化、日内优化和实时优化的配合，使得最终的运行调度计划不能实现成本的有效控制。
发明内容
为了解决现有技术的不足，本发明提供了一种电-气互联系统多时间尺度联合优化调度方法及系统，将随机模型预测控制方法应用于电-气互联系统(IEGS)中的可再生不确定性问题，同时平衡运营策略的经济性和准确性；优化日前阶段的机组启停方案，滚动计算最佳可达功率曲线，作为日内阶段的参考；此外，在实时阶段实现了基于最新状态的闭环偏差修正，保证了优化策略的可靠性。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种电-气互联系统多时间尺度联合优化调度方法。
一种电-气互联系统多时间尺度联合优化调度方法，包括以下过程：
获取电力网络和天然气网络的运行参量数据；
根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；
根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；
根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略。
本发明第二方面提供了一种电-气互联系统多时间尺度联合优化调度系统。
一种电-气互联系统多时间尺度联合优化调度系统，包括：
数据获取模块，被配置为：获取电力网络和天然气网络的运行参量数据；
日前优化模块，被配置为：根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；
日内优化模块，被配置为：根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；
实时优化模块，被配置为：根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的电-气互联系统多时间尺度联合优化调度方法及系统，将随机模型预测控制方法应用于电-气互联系统(IEGS)中的可再生不确定性问题，同时平衡运营策略的经济性和准确性，优化日前阶段的机组启停方案，滚动计算最佳可达功率曲线，作为日内阶段的参考，此外，在实时阶段实现了基于最新状态的闭环偏差修正，保证了优化策略的可靠性。
2、本发明所述的电-气互联系统多时间尺度联合优化调度方法及系统，将最优调度扩展为日前、日内和实时三个子阶段的优化问题来协调运营的经济性和准确性；根据多能耦合机组和高渗透间歇性风电的运行特点，在各个调度阶段设计不同的优化策略；在日前阶段，针对机组组合问题，安排慢响应机组的启停计划，同时在日内阶段保持日前启停计划，确保经济全时段优化运行；在日内阶段，实施基于MPC的滚动优化，以获得具有最低运营成本目标的运行方案；此外，输出方案基于超短期预测值在实时阶段进行滚动调整，并引入闭环反馈机制以实现精确的功率平衡；在每个阶段，基于随机场景方法执行随机决策，有效捕捉了IEGS中的不确定性。
3、本发明所述的电-气互联系统多时间尺度联合优化调度方法及系统，建立了考虑双向交互的IEGS模型，挖掘了多能源深度耦合下的灵活调度潜力，特别是在实时阶段，多能耦合转换和存储设备可以同时最大限度地降低经济成本，提高了风电消纳能力。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的IEGS结构的示意图。
图2为本发明实施例1提供的多时间尺度协调调度框架示意图。
图3为本发明实施例1提供的测试算例系统1示意图。
图4为本发明实施例1提供的日前阶段机组启停计划示意图。
图5为本发明实施例1提供的火电机组在三个阶段的出力计划示意图。
图6为本发明实施例1提供的风电在三个阶段的消纳情况示意图。
图7为本发明实施例1提供的电储能在日前阶段的运行状态示意图。
图8为本发明实施例1提供的燃气轮机在实时阶段的出力情况示意图。
图9为本发明实施例1提供的燃气轮机在实时阶段的出力情况示意图。
图10为本发明实施例1提供的电转气机组在实时阶段的出力情况示意图。
图11为本发明实施例1提供的误差和相对误差分析(ω＝10)示意图。
图12为本发明实施例1提供的误差和相对误差分析(ω＝50)示意图。
图13为本发明实施例1提供的误差和相对误差分析(ω＝100)示意图。
图14为本发明实施例1提供的误差和相对误差分析(ω＝150)示意图。
图15为本发明实施例1提供的测试算例系统2示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种基于随机模型预测控制(MPC)的电-气互联系统(IEGS)多时间尺度联合优化调度方法，在所提出的调度方法中，将最优调度扩展为日前、日内和实时三个子阶段的优化问题来协调运营的经济性和准确性。
根据多能耦合机组和高渗透间歇性风电的运行特点，在各个调度阶段设计不同的优化策略。在日前阶段，针对机组组合问题，安排慢响应机组的启停计划，同时在日内阶段保持日前启停计划，确保经济全时段优化运行。在日内阶段，实施基于MPC的滚动优化，以获得具有最低运营成本目标的运行方案。此外，输出方案基于超短期预测值在实时阶段进行滚动调整，并引入闭环反馈机制以实现精确的功率平衡。在每个阶段，基于随机场景方法执行随机决策，有效捕捉IEGS中的不确定性。此外，使用McCormick松弛将所提出的非线性模型转换为混合整数二阶锥规划问题(MISOCP)，商业求解器可以有效地解决该问题。在IEEE39-GAS20和IEEE118-GAS40测试系统上的仿真结果证明了该方法在运行经济性和风电利用方面的优越性，也验证了该方法在没有明显计算负担的情况下准确跟踪随机波动的有效性。
具体的，包括以下内容：
S1：电气互联系统优化模型
本实施例提出了一种考虑双向互动的电力和天然气综合系统(IEGS)，如图1所示，包括电力和天然气网络、火电机组、风电、气源、燃气轮机(GT)、电转气(P2G)、电能储存(EES)和天然气储存(NGS)。GT通过燃烧天然气快速发电，以补充电力负荷需求。并且，P2G通过电解和甲烷合成的过程将电能转化为天然气。得益于更快的斜坡速率，GT和P2G的合作支持了一种更经济有效的方法来稳定风电和负荷的波动。GT和P2G的典型数学模型在(1)-(4)中给出。在优化调度中，出力满足电力与天然气的转换关系，同时也受到装机容量的限制。
Figure BDA0003573567740000071
Figure BDA0003573567740000072
Figure BDA0003573567740000073
Figure BDA0003573567740000074
稳定状态下的天然气流动可以用Weymouth建模，如式(5)所示。管道中的流动方向由出口和入口的压力决定，如式(6)所示，流量与管道参数有关，如式(7)所示。在天然气系统中，燃气轮机消耗天然气作为负载，电转气产生天然气作为气源。因此，考虑到储气装置参与了最优调度，各节点的平衡关系可描述为式(8)。同时，气源出力受装机容量限制，如式(9)所示，管道输送能力考虑节点压力和管道容量约束，如式(10)-(11)所示。
Figure BDA0003573567740000075
Figure BDA0003573567740000076
Figure BDA0003573567740000081
Figure BDA0003573567740000082
Figure BDA0003573567740000083
Figure BDA0003573567740000084
Figure BDA0003573567740000085
天然气储气库(NGS)中储存的能量可以描述为(12)，它与损失系数、前期储存状态、充放电流量有关。充电约束的最大和最小状态可以描述为(13)。同时，为了给下一个运营期留出余量，NGS需要在运营期结束时恢复初始产能，如式(14)所示。此外，NGS只能在一种状态下运行，充电或放电。因此，只能使用0和1的状态函数来约束运行状态，如(15)-(17)所示。
Figure BDA0003573567740000086
Figure BDA0003573567740000087
Figure BDA0003573567740000088
Figure BDA0003573567740000089
Figure BDA00035735677400000810
Figure BDA00035735677400000811
为了满足系统在短周期阶段的计算时间要求，本部分采用二阶锥松弛法将非凸非线性问题转为二阶锥规划问题，进而可以直接调用商用求解器CPLEX进行求解。
其松弛过程如下：
Figure BDA0003573567740000091
Figure BDA0003573567740000092
Figure BDA0003573567740000093
二进制变量
Figure BDA0003573567740000094
被引入来表示管道的流量方向，πm,t被引入用来表示管道压力的平方。当管道的流量方向为从节点m到节点n时，
Figure BDA0003573567740000095
当管道的流量方向为从节点n到节点m时，
Figure BDA0003573567740000096
引入非负辅助变量来表示左双线性乘积项，如式(21)所示。
Figure BDA0003573567740000097
采用McCormick法对方程进行松弛：
Figure BDA0003573567740000098
Figure BDA0003573567740000099
Figure BDA00035735677400000910
Figure BDA00035735677400000911
由此，Weymouth方程可以进一步转为二阶锥的一般形式：
Figure BDA00035735677400000912
为了减少松弛间隙来确保求解结果与原问题等效，在目标函数中加入线性惩罚项来使不等式的取值逼近取到等号。
Figure BDA00035735677400000913
电力系统模型主要包括节点功率平衡约束、发电机容量和斜坡约束、线路功率约束，如(28)-(33)所示。电力平衡方程左侧包括火电机组、燃气轮机、电能存储放电、上游线路和风电接入。右侧包括负载、电转气、储能充电、下游线路、负载和弃风。同时，类似于NGS，在(34)-(39)中提出了EES模型，包括充电状态约束、容量约束和充放电状态约束。
Figure BDA0003573567740000101
Figure BDA0003573567740000102
Figure BDA0003573567740000103
Figure BDA0003573567740000104
Figure BDA0003573567740000105
Figure BDA0003573567740000106
Figure BDA0003573567740000107
Figure BDA00035735677400001012
Figure BDA0003573567740000108
Figure BDA0003573567740000109
Figure BDA00035735677400001010
Figure BDA00035735677400001011
S2：多时间尺度协调调度
建立多时间尺度协同优化调度模型框架，跟踪风电波动，获取整个系统的最优经济运行方案，如图2所示。
在日前阶段，根据日前长周期风电预测结果生成带有概率的典型场景，并输入到日前优化调度中。以1小时为时间步长，以24小时为调度周期。目标函数为总运行成本最小。考虑机组的运行特点，在日前阶段主要确定响应速度慢的机组的启停和爬坡计划，优化模型考虑运行的时间约束。通过在日前阶段实现提前机组的启停和爬坡可以实现调度的全局经济性最优。
由于日前阶段的长周期预测造成的偏差，难以满足电力平衡的需求。在日内阶段，以ΔT作为时间步长进行短期预测和优化操作。为了满足经济性要求，保持日前的机组启停和爬坡计划，以最小运行成本为目标调整机组的出力计划。在日内阶段引入随机模型预测控制方法，以t+MΔT为滚动优化窗口，且每次滚动仅执行第一时段计划，下一t+ΔT时段的滚动依据更新预测场景进行，重复上述过程直至完成全调度周期优化。
日前和日内阶段的协调配合虽然减少了风电波动对系统安全运行的影响，但仍属于开环优化，缺乏精准控制。在实时阶段，以Δt(Δt<ΔT)为时间步长，对风电进行超短期预测。同时，依据实时反馈信息更新预测模型，获得实时跟踪风电波动的随机场景。为了平衡经济性与调度的准确性，实时阶段采用偏差目标，在日内调度出力计划的基础上进一步调整机组出力来满足系统功率平衡的要求。
(1)日前阶段
首先，日前阶段为机组组合问题，需要安排慢速响应的火电机组启停机计划。日前阶段的目标函数仍为成本最低，包含火电机组的发电煤耗成本、启动成本、停机成本，以及外购天然气成本、弃风惩罚成本、失负荷成本，如式(40)所示。
Figure BDA0003573567740000121
Figure BDA0003573567740000122
在日前阶段，控制变量包括机组运行状态和输出变量，如式(41)所示。同样，优化目标中考虑了运营和启停成本。式(40)中，第一项为火电机组的运行成本，可由式(42)计算。其他是购买天然气的成本，弃风和负荷削减的惩罚成本。值得注意的是，火电机组的输出成本函数是一个二次规划问题。为了提高求解效率，将(42)放宽为(43)并进一步转化为二阶锥规划问题，如(44)-(45)所示。
Figure BDA0003573567740000123
Figure BDA0003573567740000124
Figure BDA0003573567740000125
Figure BDA0003573567740000126
对于每个阶段，优化模型都包含目标函数和约束。约束包括单元和输电网络约束。首先，机组约束包括耦合机组(GT、P2G)、火电机组、风力发电机组、气源、电能存储和燃气储能的运行状态和输出容量，如(1)-(4)所示。输电网络制约着天然气和电力网络的运行特性。在天然气网络中，提出了稳态气流模型，并进一步转化为二阶锥问题，如(5)-(7)、(18)-(26)所示。并且，约束包括节点流量平衡、节点压力和管道流量约束，如(8)-(11)所示。在电力网络中，约束包括直流潮流、节点功率平衡、线路功率和节点相角约束，如(28)-(31)所示。
在日前阶段，优化模型不仅要满足上述第二节提出的约束，还要满足(46)-(48)中的启停状态约束、(49)-(50)中的启停时间约束
Figure BDA0003573567740000131
Figure BDA0003573567740000132
Figure BDA0003573567740000133
Figure BDA0003573567740000134
Figure BDA0003573567740000135
Figure BDA0003573567740000136
Figure BDA0003573567740000137
(2)日内阶段
在日内阶段维持日前的启停计划，目标函数为各情景下系统优化周期内总运行成本的最小期望总和，如式(53)所示：
Figure BDA0003573567740000138
Figure BDA0003573567740000139
与日前阶段相比，日内阶段基于MPC实现滚动优化，启停成本不再包含在优化目标中，优化目标已在日前阶段确定。同时，控制变量只包括单位输出变量，如(54)所示。
(3)实时阶段
优化计算的目标是最小化实时阶段输出和日内阶段参考之间的偏差，如(55)所示。用于表示控制变量，在实时阶段进一步调整以跟随风电的随机波动，如式(56)所示。在实时阶段，以时间步长为时间步，控制变量的输出模型在(57)中提出。
Figure BDA0003573567740000141
Figure BDA0003573567740000142
Figure BDA0003573567740000143
以目前的预测精度，先进的MPC控制无法保证风电出力与预测值一致，导致先进可控分布式发电出力与实际有功出力存在偏差。因此需要一个反馈修正环节，以系统当前实际有功功率值作为新一轮滚动优化调度的初始值，形成闭环控制，如式(58)所示。
Figure BDA0003573567740000144
(4)随即场景法
由于风速变化频繁，风电功率预测值存在较大偏差，随着优化时间的延长，预测值的偏差显着增大，导致优化策略偏离实际需求。如何快速获得合理的预测值成为一项关键问题。因此，本部分提出基于时间序列预测模型(ARMA)的随机场景法，在不同的时间尺度下获得更加符合风电随机波动的典型风电场景，将基于单一预测值的模型预测控制调整为基于典型场景的随机模型预测控制。首先，基于历史测量数据建立时间序列预测模型，如式(59)。
Figure BDA0003573567740000151
风电预测误差可以近似为满足正态分布，其概率密度函数如式(60)所示：
Figure BDA0003573567740000152
基于时间序列预测模型得到的预测数据以及风电的预测误差概率分布，采用场景法，即可生成对应的随机场景。以长时间尺度调度为例，首先基于蒙特卡洛随机模拟方法在风电预测误差的概率分布函数上生成随机抽样的数组，进而得到等概率的大量风电随机出力场景，进而采用场景削减方法得到具有概率的典型场景。对比第二章的场景法，基于时间序列预测模型在日内和实时阶段可以根据最新量测值调整预测模型，进而获得更新的风电预测值，实现滚动优化的不断更新和测量值的实时反馈。
S3：算例分析
为了验证所提出的多时间尺度协同优化调度方法的有效性，建立了一个IEEE39-GAS20测试系统，如图3所示。耦合单元包括GT和P2G，实现电力和天然气系统之间的能量双向转换。储能单元包括电能存储(EES)和天然气存储(NGS)。
设置时间间隔为1小时，在日前阶段得到24小时优化调度方案。设置时间间隔为15分钟，控制范围为16，每4小时滚动一次优化，直到在日内阶段完成整个24小时优化。在实时阶段，设置时间间隔为5分钟，控制范围为12，每1小时执行一次滚动优化。不同阶段机组的优化运行方案如图4-10所示。日前阶段，通过提前安排机组启停，兼顾长期负荷变化，得到整个循环经济方案。在所提出的测试案例中，在日前阶段获得了十台火电机组的最优启停方案，如图4所示。其中，成本系数较低的机组几乎一直处于开启状态。保持最高运行效率，如1、2、5、7号机组。成本系数较高的机组在负荷和风电波动较大时作为备用补充，如9、10号机组。
与日前长周期调度相比，日内实时短周期调度可以准确跟踪风电的快速波动，满足实际系统安全可靠运行的要求。因此，为了协调经济性和准确性，在日内和实时阶段保持提前启停方案，并进一步调整火电机组出力以平衡系统的随机波动。图5比较了火电机组不同阶段的出力，火电机组可以实时快速调整，以满足风电快速波动期间系统的能量供应平衡，例如时间间隔6-8和22-24。在风电稳定阶段，三阶段调度策略保持在相近水平。
在实时短周期调度中，风电的随机预测场景更符合实际波动，以指导系统运行。图6中，预测接入和风电消耗的差异是弃风部分，也就是图中的阴影部分。对比三个调度阶段，本文提出的模型在实时阶段修正计算后，弃风量明显减少，如时间间隔16-20。并且运行策略可以有效地跟踪风电的变化，比如时间间隔4-15。同时，剩余的风电通过电转气机组转化为天然气，直接注入天然气管道，有效降低了购气成本，如图7所示。
电力和天然气系统通过燃气轮机和电改气机组的配合实现双向能源交互，为可再生能源消纳和平衡峰谷差提供了更加经济有效的途径。同时，储能装置作为一种灵活配置的资源，可以实现能量跨时间段的转移，进一步释放调度能力。对比图6和图8的运行结果，当风电快速上升而其他机组很难快速爬坡时，如时间间隔3-4、19-21，电能存储会储存多余的电量。并且，在负载增加阶段，储能将提供满足系统源-荷平衡的储备。为了给下一个调度周期留有余量，该模型中的储能充电状态在整个周期结束后恢复到初始值。
耦合转换单元的运行状态受到电力和天然气网络的限制。由于天然气价格高昂，燃气轮机基本作为储备，以运行成本为目标。在峰值负载时，燃气轮机满足系统源负载平衡，并在负载低谷期间以最低输出水平运行。同时，对比图9中燃气轮机在不同节点运行的工况，与电力系统母线4相连的燃气轮机具有较高的负载波动产生更多的输出。31路带火电机组的燃气轮机保持较低的输出水平，这表明燃气轮机作为快速备用的优势。
另一方面，电转气装置提供了一种有效吸收风能的方式，将多余的电能转化为天然气，直接注入天然气管道。电改气机组的出力随风电的随机波动而变化，如图10所示。同时，与连接到不同天然气网络节点的单元相比，连接到节点11的电转气单元具有更高的输出，直接供应用气负荷。因此，电转气机组的出力不仅受限于自身最大运行，还受限于所连接的天然气管网的输送能力。此外，配置移动储气罐与电转气机组配合，将是吸收风电的有效途径。
为了证明McCormick松弛在非线性天然气管网问题中的有效性，在图11-14中给出了考虑不同惩罚系数值的测试系统中19条管道的误差和相对误差分析。与直接求解MINLP相比，基于McCormick松弛的MISOCP可以有效避免局部最优解，并通过商业求解器提高求解效率。
根据上述结果，当ω＝10时，19条管道的误差范围在1×10-6～2×10-6；当ω＝50时，19条管道的误差范围在3×10-7～7×10-7；当ω＝100时，19条管道的误差范围在2.5×10-8～5×10-8；当惩罚系数增加，误差快速减小。当ω>100，误差的数量级保持在10-8。同时，通过对比相对误差的变化情况，当惩罚系数增加时，相对误差可以缩减至0.003％。对于工程应用，上述误差和相对误差均能满足要求，因此本实施例引入的McCormick松弛是有效的。
然后，在大型测试系统上对提出的模型进行可扩展性验证，如图15所示。大规模测试系统模型由一个IEEE 118总线电力系统和一个40节点天然气系统组成。提出的优化是在基于Yalmip工具箱的MATLAB R2021a中调用CPLEX商业求解器计算得到的，PC环境为IntelXeon Gold 5118 CPU@2.30GHZ RAM64GB。
三个阶段的两个测试系统的求解时间如表1所示。可以看出，当系统规模扩大时，系统的求解时间仍能满足实际运行要求。其中，日前阶段的单元组合问题需要的计算时间最多。同时，与IEEE39-GAS20系统相比，IEEE118-GAS40系统的单元数量从10个增加到54个，优化计算时间增加了5倍。但是，对于提前一天的24小时调度，计算时间负担是可以接受的。对于计算时间要求高的日内和实时阶段，两个测试系统的计算时间在1分钟以内，随着系统规模的三倍，计算时间增加了两到三倍。尤其是实时阶段1小时调度，每五分钟滚动一次还是可以很快解决的。
表1：计算时间对比
Figure BDA0003573567740000181
在间歇性风电大规模并网IEGS的大背景下，本实施例提出的基于MPC的多时间尺度协同优化调度方法，还包括以下优势：
可以充分利用IEGS中的多能耦合资源。考虑电力和天然气网络的双向交互，有效平滑峰谷差异，释放系统的灵活性。此外，可以吸收更多的风电，降低系统运行成本。
可以协调IEGS操作的经济性和准确性。与单次规模调度相比，长期调度既保留了运营的经济性，又提供了灵活的空间。结合小规模调度，可以根据更新的预测值快速调整灵活的资源(如储能装置、能量耦合单元)，有效提高系统运行的准确性。
将基于随机情景的MPC引入日内和实时阶段，该模型可以有效应对风电波动并改善可再生能源消耗。
实施例2：
本发明实施例2提供了一种电-气互联系统多时间尺度联合优化调度系统，包括：
数据获取模块，被配置为：获取电力网络和天然气网络的运行参量数据；
日前优化模块，被配置为：根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；
日内优化模块，被配置为：根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；
实时优化模块，被配置为：根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略。
所述系统的工作方法与实施例1提供的电-气互联系统多时间尺度联合优化调度方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
实施例4：
本发明实施例1提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例4所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种电-气互联系统多时间尺度联合优化调度方法，其特征在于：
包括以下过程：
获取电力网络和天然气网络的运行参量数据；
根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；
根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；
根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略。
2.如权利要求1所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
日前优化中，以1小时为时间步长，以24小时为调度周期，确定响应速度小于预设值的火电机组的启停和爬坡计划；
日前优化的总运行成本包括：火电机组的发电煤耗成本、启动成本、停机成本、外购天然气成本、弃风惩罚成本和失负荷成本。
3.如权利要求1所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
在日内优化中，以ΔT作为时间步长进行短期预测和优化操作，保持日前优化的机组启停和爬坡计划，以最小运行成本为目标调整各火电机组的出力计划；
在日内优化阶段，引入随机模型预测控制方法，以t+MΔT为滚动优化窗口，每次滚动仅执行第一时段计划，下一t+ΔT时段的滚动依据更新的预测场景进行，重复上述过程直至完成全日内优化。
4.如权利要求1所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
实时优化中，以Δt为时间步长，对风电进行超短期预测，依据实时反馈信息更新预测模型，获得实时跟踪风电波动的随机场景，其中Δt<ΔT；
实时优化中，以实时阶段输出和日内阶段参考之间的偏差最小为目标，在日内调度出力计划的基础上调整机组出力以满足系统功率平衡。
5.如权利要求4所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
实时优化中，以系统当前实际有功功率值作为新一轮滚动优化调度的初始值，进行闭环控制。
6.如权利要求1所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
基于时间序列预测模型的随机场景法，在不同的时间尺度下得到符合风电随机波动的典型风电场景。
7.如权利要求6所述的电-气互联系统多时间尺度联合优化调度方法，其特征在于：
基于蒙特卡洛随机模拟方法在风电预测误差的概率分布函数上生成随机抽样的数组，得到等概率的多个风电随机出力场景，采用场景削减方法得到具有概率的典型场景。
8.一种电-气互联系统多时间尺度联合优化调度系统，其特征在于：
包括：
数据获取模块，被配置为：获取电力网络和天然气网络的运行参量数据；
日前优化模块，被配置为：根据获取的运行参量数据，根据日前长周期风电预测结果生成带有概率的典型场景，以总运行成本最小为目标进行日前优化，得到各典型场景下机组的组合策略；
日内优化模块，被配置为：根据机组的组合策略，以各典型场景下内总运行成本的期望总和最小为目标进行日内优化，得到最优的日内机组调度策略；
实时优化模块，被配置为：根据获取的最优的经济调度策略，以实时阶段输出和日内阶段参考之间的偏差最小为目标进行实时优化，得到最优的机组实时调度策略。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的电-气互联系统多时间尺度联合优化调度方法中的步骤。
CN202210326302.2A 2022-03-30 2022-03-30 电-气互联系统多时间尺度联合优化调度方法及系统 Pending CN114781817A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210326302.2A CN114781817A (zh) 2022-03-30 2022-03-30 电-气互联系统多时间尺度联合优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210326302.2A CN114781817A (zh) 2022-03-30 2022-03-30 电-气互联系统多时间尺度联合优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN114781817A true CN114781817A (zh) 2022-07-22

Family

ID=82427513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210326302.2A Pending CN114781817A (zh) 2022-03-30 2022-03-30 电-气互联系统多时间尺度联合优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN114781817A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640894A (zh) * 2022-10-21 2023-01-24 山东大学 一种基于双时间尺度的综合能源系统优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640894A (zh) * 2022-10-21 2023-01-24 山东大学 一种基于双时间尺度的综合能源系统优化调度方法
CN115640894B (zh) * 2022-10-21 2024-03-26 山东大学 一种基于双时间尺度的综合能源系统优化调度方法

Similar Documents

Publication Publication Date Title
Cao et al. Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power
Qadrdan et al. Operating strategies for a GB integrated gas and electricity network considering the uncertainty in wind power forecasts
Saez-de-Ibarra et al. Co-optimization of storage system sizing and control strategy for intelligent photovoltaic power plants market integration
Antenucci et al. Gas-constrained secure reserve allocation with large renewable penetration
CN106529740B (zh) 一种天然气网络、电力网络和电源的联合规划方法
Fallahi et al. Integrated unit commitment and natural gas network operational planning under renewable generation uncertainty
Zhai et al. Robust model predictive control for energy management of isolated microgrids
CN112909933B (zh) 现货市场环境下含抽水蓄能机组的日内滚动优化调度方法
Nozari et al. Development of dynamic energy storage hub concept: A comprehensive literature review of multi storage systems
Zhang et al. Multitime scale co-optimized dispatch for integrated electricity and natural gas system considering bidirectional interactions and renewable uncertainties
CN112018756A (zh) 气电联合系统日前鲁棒协调优化调度方法
Mohagheghi et al. Real-time optimal power flow under wind energy penetration-Part I: Approach
Li et al. A novel two-stage energy management of hybrid AC/DC microgrid considering frequency security constraints
Chen et al. Stochastic look-ahead dispatch for coupled electricity and natural-gas networks
CN114781817A (zh) 电-气互联系统多时间尺度联合优化调度方法及系统
CN112039126B (zh) 含分布式电源的配电网多时间尺度协调调度方法及系统
Zhang et al. Optimal dispatch for cross-regional integrated energy system with renewable energy uncertainties: A unified spatial-temporal cooperative framework
Tungadio et al. Energy flow estimation-control of two interconnected microgrids
CN115115276A (zh) 考虑不确定性和隐私保护的虚拟电厂调度方法及系统
Ma et al. Multi-Point Layout Planning of Multi-Energy Power Supplies Based on Time-series Production Simulation
CN112054553A (zh) 电热气互联系统协调优化运行方法、系统、介质及设备
Onen et al. Optimal Expansion Planning of Integrated natural gas and electricity network with high penetration of wind and solar power under uncertainty
Bhand et al. Optimizing economic load dispatch problem using genetic algorithm: A case study of thermal power station Jamshoro
Mitrofanov et al. Development of a Software Module of Intra-Plant Optimization for Short-Term Forecasting of Hydropower Plant Operating Conditions
Pourkhalili et al. Utility Scale Battery as Capacity Source for Electric Grid Systems

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