CN115117940A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115117940A CN115117940A CN202210630795.9A CN202210630795A CN115117940A CN 115117940 A CN115117940 A CN 115117940A CN 202210630795 A CN202210630795 A CN 202210630795A CN 115117940 A CN115117940 A CN 115117940A
- Authority
- CN
- China
- Prior art keywords
- wind
- fuzzy
- photovoltaic
- power
- cost
- 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
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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
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,步骤1:构建阶梯型碳排放成本模型;步骤2:将步骤1构建的阶梯型碳排放成本模型加入传统经济调度模型中,构建风光水火储系统最优经济调度模型;步骤3:考虑可再生能源和负荷预测值的不确定性,引入模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述;步骤4:建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所构建的模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型。本发明方法旨在降低碳排放量,兼顾系统的低碳性、可靠性与经济性;能够为多能源系统调度提供有效的技术支持。
Description
技术领域
本发明涉及风光水火储系统优化调度技术领域,具体涉及一种考虑风电、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。
背景技术
当前,许多国家和地区都对如何建立相关的市场机制,促进碳减排进行了理论和实践的探索,作为最为有效的温室气体减排机制之一,碳交易机制被很多国家和地区使用。碳交易机制的引入,提高了可再生能源的消纳水平,降低系统碳排放量。将碳排放成本引入风光水火储系统开展研究,旨在降低碳排放,但可再生能源具有间歇性和不确定性,给多能源系统低碳化进程带来巨大的挑战。在降碳要求不断提高的背景下,如何推动节能减排的进程,实现可靠性、环保性和经济目标的兼顾成为当下重要议题。
现有技术中涉及风光水火储系统优化调度存在的弊端有:
1)、针对风光水火储一体化系统,大多数只考虑了碳排放成本,对节能减排起到一定效果,但未对碳排放量划分区间。
2)、目前对实现低碳性和经济性研究中,同时考虑风电、光伏及负荷的不确定性调度模型较少,导致所建模型不准确。或者采用鲁棒优化法、概率优化法、区间优化法等方法。但鲁棒优化结果过于保守,难以兼顾成本与风险;概率优化法需要建立概率分布函数,计算量大且时间长。
发明内容
为解决上述技术问题,本发明提供一种考虑风电、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,该方法建立了考虑碳排放成本和源荷不确定性的多能系统调度模型,旨在降低碳排放量,兼顾系统的低碳性、可靠性与经济性;能够为多能源系统调度提供有效的技术支持和参考意见。
本发明采取的技术方案为:
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,包括以下步骤:
步骤1:考虑系统低碳性,首先构建阶梯型碳排放成本模型;
步骤2:将步骤1构建的阶梯型碳排放成本模型加入传统经济调度模型中,构建风光水火储系统最优经济调度模型;该模型实现能源消纳、环境效益和经济效益的最大化,即火电机组煤耗成本、启停成本、弃风弃光惩罚成本及碳排放成本的和最小为目标函数,考虑各个机组及系统约束条件;
步骤3:针对步骤2所建立的考虑阶梯型碳排放成本的风光水火储系统最优经济调度模型,同时再考虑可再生能源和负荷预测值的不确定性,引入模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述;
步骤4:根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所构建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型。
所述步骤1中,为减少CO2的排放提出减排机制,即碳排放交易机制。目前全国碳交易市场有两种模式,即基于配额市场和基于项目市场。本发明采用基于配额的碳排放机制,构建阶梯型碳排放成本模型,具体如下:
(1.1):根据《全国碳交易市场发电行业的配额分配方法》,可得单位电量的碳排放分配系数,近似将系统的碳排放配额与火电机组出力成正比,即系统的碳排放配额如下所示:
式中:ML,t为系统总的碳排放配额;N为火电机组总台数;εi为单位电量CO2排放分配系数,目前中国根据机组容量大小和燃料类型划分了不同的系数;Pi,t为火电机组i在t时刻的发电功率;△T=1h。
(1.2):在风光水火储系统中,风电和光伏同属清洁能源,发电时不消耗化石能源。因此电力系统中的CO2排放基本源于火电机组,所以系统碳排放量为:
式中:MP,t为系统碳排放总量;σi为火电机组i的碳排放强度。
(1.3):为了较好控制碳排放量,本发明由传统的碳排放机制引入阶梯型碳排放机制,设置3个排放量区间,具体计算如下:
所述步骤2中,风光水火储系统最优经济调度模型,具体包括:
(2.1):风光水火储系统最优经济目标函数:
将碳排放成本f1、火电机组煤耗成本和启停成本f2、以及弃风弃光惩罚成本f3的和总运行成本最小作为目标函数,即:
minF=f1+f2+f3;
式中:F为总运行成本;f1为碳排放成本;f2为火电机组煤耗成本和启停成本;f3为弃风、弃光惩罚成本。
其中,火电机组煤耗成本和启停成本f2:
式中:ai、bi和ci为火电机组i的煤耗量系数;Pi,t为火电机组i的发电功率;T为24h;Sjt为火电机组i的启停费用;ui,t为t时刻火电机组i的启停状态;ui,t-1为t-1时刻火电机组i的启停状态。
弃风、弃光惩罚成本f3:
式中:λw、λv分别为弃风、弃光惩罚系数;PW、PV分别为风电、光伏预测出力;PW,t、PV,t分别为风电、光伏实际出力。
(2.2):风光水火储系统最优经济约束条件:
1)常规火电机组约束:
①火电机组出力约束:
Pi,min≤Pi,t≤Pi,max;
式中:Pi,max、Pi,min分别为火电机组i的下限和上限;Pi,t为t时刻火电机组i的发电功率。
②火电机组爬坡约束:
-ri,down≤Pi,t-Pi,t-1≤ri,up;
式中:ri,up、ri,down分别为火电机组i爬坡、滑坡速率;Pi,t为t时刻火电机组i的发电功率;Pi,t-1为t-1时刻火电机组i的发电功率。
③火电机组最小启停约束:
(ui,t-1-ui,t)(Ti,t-1-Ti,on)≥0
(ui,t-ui,t-1)(-Ti,t-1-Ti,off)≥0;
式中:Ti,t-1为火电机组i在t-1时刻的运行时间;Ti,on、Ti,off分别为火电机组i启动与停机时间。ui,t为火电机组i在t时刻的启停状态;ui,t-1为火电机组i在t-1时刻的启停状态。
2)常规水电机组约束:
Ph,min≤Ph,t≤Ph,max
Ph,t=AηQtht
式中:Ph,t为t时刻水电机组的发电功率;Ph,max、Ph,min分别为水电机组发电功率上限和下限;A为水电转换系数,一般取9.81;Wmin、Wmax分别为水库部门分配的最小和最大用电量;Qt为水电机组排水量;ht为水电机组的水头高度;η为水电机组效率。△t为调度时段;t为对应时刻。
3)储能约束:
①储能充放电功率约束:
0≤Pc,t≤Pc,max
0≤Pd,t≤Pd,max;
式中:Pc,t为充电功率;Pd,t为放电功率;Pc,max为储能系统最大充电功率;Pd,max为储能系统最大放电功率。
②储能电站荷电状态:
St,min≤St≤St,max
式中:St为t时刻的荷电状态;St,min、St,max分别为荷电状态的上下限;
St-1为t-1时刻的荷电状态;δ为自放电率;
ηc、ηd分别为充放电效率;E为系统容量;uc,t、ud,t分别为储能装置充放电逻辑状态;
△t为调度时段。
4)功率平衡约束:
5)旋转备用约束:
所述步骤3中,考虑可再生能源和负荷预测值的不确定性,引入三角形模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述,模糊参数能在信息不充分的情况下借助专家系统获得相应的隶属度函数,更合理地描述风电、光伏和负荷出力不确定性;
(3.1):风电、光伏和负荷预测值的模糊表达式:
风电、光伏和负荷预测值的模糊表达式用三角形隶属度参数表示,即:
P1=μ1Ppre,P2=μ2Ppre,P2=μ3Ppre;
式中:为三角形模糊参数;P1—P3为三角形隶属度参数:P1为模糊参数对应的第一个隶属度;P2为模糊参数对应的第二个隶属度;P3为模糊参数对应的第三个隶属度;μ1-μ3为比例系数;Ppre为风、光及负荷在t时刻的预测值。
(3.2):风电、光伏出力表达式:
当风电、光伏预测值大于调度值PW,t、PV,t时,对应隶属度为0,即舍去多于风电和光伏;小于调度值时隶属度不变,即风电出力表达式为:
式中:为风电实际出力模糊式;PW1,t—PW3,t为实际风电调度的模糊参数:PW1,t为风电调度模糊参数对应的第一个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW3,t为风电调度模糊参数对应的第三个隶属度;
PW1—PW3为风电预测的模糊参数;PW1为风电预测的模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PW,t为风电的实际调度值。
光伏出力表达式为:
式中:为光伏实际出力模糊式;PV1,t—PV3,t为实际光伏调度的模糊参数:PV1,t为光伏调度模糊参数对应的第一个隶属度;PV2,t为光伏调度模糊参数对应的第二个隶属度;PV3,t为光伏调度模糊参数对应的第三个隶属度;
PV1—PV3为光伏预测的模糊参数;PV1为光伏预测的模糊参数对应的第一个隶属度;PV2为光伏预测的模糊参数对应的第二个隶属度;PV3为光伏预测的模糊参数对应的第三个隶属度;PV,t为光伏的实际调度值。
(3.3):负荷预测值表达式:
所述步骤4中,根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,加入可信性理论,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型,具体如下:
(4.1):模糊机会优化模型:
1)模糊机会约束下的功率平衡:
式中:Cr{}为事件的可信性;α为置信水平。
2)模糊机会约束下的旋转备用:
3)模糊机会约束下的弃风弃光成本:
(4.2):模糊机会约束的确定性转化:
求解模糊机会约束优化问题时,关键在于约束条件的处理,主要有模糊模拟、智能算法、清晰等价转换等方法,本发明为简化计算,转换为清晰等价类,然后采用传统方法进行求解,转化后的模型为:
1)功率平衡约束的清晰等价类:
2)旋转备用约束的清晰等价类:
3)弃风弃光成本的悲观值:
式中:PL2为负荷预测的模糊参数对应的第二个隶属度;PL3为负荷预测的模糊参数对应的第三个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW1,t为风电调度模糊参数对应的第一个隶属度;PV2,t为光伏调度模糊参数对应的第二个隶属度;PV1,t为光伏调度模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PV2为光伏预测的模糊参数对应的第二个隶属度;PV3为光伏预测的模糊参数对应的第三个隶属度。
将上述式子与步骤2所建的风光水火储系统最优经济调度模型的结合,结合起来得到的目标函数、约束条件为:
①目标函数:
②约束条件:
最终得到了考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型,通过对含有模糊的约束等价转换,求解该调度模型。
本发明一种考虑风电、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,技术效果如下:
1)本发明考虑了碳排放成本的阶梯型模型,同时考虑风电、光伏出力及负荷预测值的不确定性对系统优化调度带来的影响,兼顾了系统可靠性与环保性。
2)本发明采用阶梯型碳排放成本模型,可以提高风光消纳量,减少碳排放量。
3)本发明方法考虑风、光及负荷的不确定,最终构建基于不确定的风光水火储系统低碳调度模型。与确定性模型相比,本发明方法结果更具参考价值,调度者可以在风险可控的情况下,做出兼顾经济性和可靠性的决策计划。
附图说明
图1为本发明风光水火储系统的低碳调度流程图。
图2为三角形隶属度参数图。
图3为实施例中碳排放成本对弃风弃光率和碳排放成本的影响图。
图4为实施例中碳排放成本对总成本和碳排放量的影响图。
图5为实施例中火电机组的出力曲线图。
图6为实施例中储能电站充放电功率图。
具体实施方式
如图1所示,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,包括以下步骤:
步骤1:考虑系统低碳性,首先构建阶梯型碳排放成本模型。
步骤2:在传统经济调度的基础上,与步骤1所建阶梯型碳排放成本模型相结合,构建风光水火储系统最优经济调度模型,该模型实现以能源消纳、环境效益和经济效益最大化,即火电机组运行启停成本、弃风弃光惩罚成本及碳排放成本的和最小为目标函数,考虑各个机组及系统约束条件。
步骤3:针对风光水火储系统模型中,考虑可再生能源和负荷预测值的不确定性,引入模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述。
步骤4:根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型。
所述步骤1中,为减少CO2的排放提出减排机制,即碳排放交易机制。目前全国碳交易市场有两种模式,即基于配额市场和基于项目市场。本发明采用基于配额的碳排放机制,构建阶梯型碳排放成本模型。
1.1、根据《全国碳交易市场发电行业的配额分配方法》可得单位电量的碳排放分配系数,近似将系统的碳排放配额与火电机组出力成正比。即系统碳排放分配额如下所示:
式中:ML,t为系统总的碳排放配额;N为火电机组总台数;εi为单位电量CO2排放分配系数,目前中国根据机组容量大小和燃料类型划分了不同的系数;Pi,t为火电机组i在t时刻的发电功率;△T=1h。
1.2、在风光水火储系统中,风电和光伏同属清洁能源,发电时不消耗化石能源。因此电力系统中的CO2排放基本源于火电机组,所以系统碳排放量为:
式中:MP,t为系统碳排放总量;σi为火电机组i的碳排放强度;Pi,t为火电机组i在t时刻的发电功率;△T=1h。
1.3、为了较好控制碳排放量,文中由传统的碳排放机制引入阶梯型碳排放机制,设置3个排放量区间,具体计算如下:
所述步骤2中,将构建好的阶梯型碳排放成本模型加入传统经济调度模型中,构建风光水火储系统最优经济调度模型,即火电机组运行启停成本、弃风弃光惩罚成本及碳排放成本的和最小为目标函数
2.1、风光水火储系统最优经济目标函数:
将碳排放成本f1、火电机组煤耗成本和启停成本f2及弃风弃光惩罚成本f3的和总运行成本最小作为目标函数,即:
minF=f1+f2+f3;
式中:F为总运行成本;f1为碳排放成本;f2为火电机组煤耗成本和启停成本;f3为弃风、弃光惩罚成本。
其中火电机组煤耗成本和启停成本:
式中:ai、bi和ci为火电机组i的煤耗量系数;Pi,t为火电机组i的发电功率;T为24h;Sjt为火电机组i的启停费用;ui,t为t时刻火电机组i的启停状态;ui,t-1为t-1时刻火电机组i的启停状态。
弃风、弃光惩罚成本:
式中:λw、λv分别为弃风、弃光惩罚系数;PW、PV分别为风电、光伏预测出力;PW,t、PV,t分别为风电、光伏实际出力。
2.2、风光水火储系统最优经济约束条件:
1)常规火电机组约束:
①火电机组出力约束
Pi,min≤Pi,t≤Pi,max;
式中:Pi,max、Pi,min分别为火电机组i的下限和上限;Pi,t为t时刻火电机组i的发电功率。
②火电机组爬坡约束:
-ri,down≤Pi,t-Pi,t-1≤ri,up;
式中:ri,up、ri,down分别为火电机组i爬坡、滑坡速率;Pi,t为t时刻火电机组i的发电功率;Pi,t-1为t-1时刻火电机组i的发电功率。
③火电机组最小启停约束:
(ui,t-1-ui,t)(Ti,t-1-Ti,on)≥0
(ui,t-ui,t-1)(-Ti,t-1-Ti,off)≥0;
式中:Ti,t-1为火电机组i在t-1时刻的运行时间;Ti,on、Ti,off分别为火电机组i启动与停机时间。
2)常规水电机组约束:
Ph,min≤Ph,t≤Ph,max
Ph,t=AηQtht
式中:Ph,t为t时刻水电机组的发电功率;Ph,max、Ph,min分别为水电机组发电功率上限和下限;A为水电转换系数,一般取9.81;Wmin、Wmax分别为水库部门分配的最小和最大用电量;Qt为水电机组排水量;ht为水电机组的水头高度;η为水电机组效率。
3)储能约束:
①储能充放电功率约束:
0≤Pc,t≤Pc,max
0≤Pd,t≤Pd,max;
式中:Pc,t为充电功率;Pd,t为放电功率;Pc,max为储能系统最大充电功率;Pd,max为储能系统最大放电功率。
②储能电站荷电状态:
St,min≤St≤St,max
式中:St为t时刻的荷电状态;St,min、St,max分别为荷电状态的上下限;St-1为t-1时刻的荷电状态;δ为自放电率;ηc、ηd分别为充放电效率;E为系统容量;uc,t、ud,t分别为储能装置充放电逻辑状态;△t为调度时段。
4)功率平衡约束:
5)旋转备用约束:
所述步骤3中,考虑可再生能源和负荷预测值的不确定性,引入三角形模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述。模糊参数能在信息不充分的情况下借助专家系统获得相应的隶属度函数,更合理地描述风电、光伏和负荷出力不确定性。三角形隶属度参数如图2所示。
3.1、风电、光伏和负荷预测值的模糊表达式:
风电、光伏和负荷预测值的模糊表达式用三角形隶属度参数表示,即:
P1=μ1Ppre,P2=μ2Ppre,P2=μ3Ppre
式中:为三角形模糊参数;P1—P3为三角形隶属度参数;P1为模糊参数对应的第一个隶属度;P2为模糊参数对应的第二个隶属度;P3为模糊参数对应的第三个隶属度;μ1-μ3为比例系数;Ppre为风、光及负荷在t时刻的预测值。
3.2、风电、光伏出力:
当风电、光伏预测值大于调度值PW,t、PV,t时,对应隶属度为0,即舍去多于风电和光伏;小于调度值时隶属度不变,即:
式中:为风电实际出力模糊式;PW1,t—PW3,t为实际风电调度的模糊参数;PW1,t为风电调度模糊参数对应的第一个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW3,t为风电调度模糊参数对应的第三个隶属度;PW1—PW3为风电预测的模糊参数;PW1为风电预测的模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PW,t为风电的实际调度值;同理光伏出力同上式。
3.3、负荷预测值:
所述步骤4中,根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,加入可信性理论,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型。
4.1、模糊机会优化模型:
1)模糊机会约束下的功率平衡:
式中:Cr{}为事件的可信性;α为置信水平。
2)模糊机会约束下的旋转备用:
3)模糊机会约束下的弃风弃光成本:
4.2、模糊机会约束的确定性转化:
求解模糊机会约束优化问题时,关键在于约束条件的处理,主要有模糊模拟、智能算法、清晰等价转换等方法,本发明为简化计算,转换为清晰等价类,然后采用传统方法进行求解,转化后的模型为:
1)功率平衡约束的清晰等价类
2)旋转备用约束的清晰等价类:
3)弃风弃光成本的悲观值:
式中:PL2为负荷预测的模糊参数对应的第二个隶属度;PL3为负荷预测的模糊参数对应的第三个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW1,t为风电调度模糊参数对应的第一个隶属度;PV2,t为光伏调度模糊参数对应的第二个隶属度;PV1,t为光伏调度模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PV2为光伏预测的模糊参数对应的第二个隶属度;PV3为光伏预测的模糊参数对应的第三个隶属度。
综上,将上述式子与步骤2所建的风光水火储系统最优经济调度模型的结合,最终得到考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型。
实施例:
(1)基本数据与参数
为验证所提模型可行性,本发明算例由1个风电厂(300MW)、1个光伏电站(50MW)、1台水电站(100MW)、一个储能电站(400MWh)和5台火电机组组成,储能电站充放电功率最大值为100MW,充放电效率为0.95,火电机组参数见表1。
表1火电机组参数
算例中选取夏季日作为研究对象,调度周期为一天。风光及负荷预测数据见表2。
表2风光及负荷预测数据
表3隶属度参数
(2)系统优化调度分析:
为响应国家政策,对碳排放进行限制,计算了市场碳交易价格的变化对弃风弃光率、碳排放成本,碳排放量和系统总成本的影响,结果如图3、图4所示。此时系统的置信水平设定为0.9。由图3、图4可看出:随着市场碳交易价格的增大,弃风弃光率降低、碳排放量减少,而系统总成本与碳排放成本均增大。在碳交易价格为50元/t时,弃风弃光率为7.76%、碳排放成本为7.75万元、碳排放量为20498.84t,系统总成本为63.96万元。
本发明考虑碳排放成本的同时考虑了风电、光伏和负荷的不确定性,针对不同的置信度表征不确定性对系统的约束,当风光水火储系统的风险水平处于0.65-0.9之间时,调度结果见表4。
表4不同置信水平下的调度结果
由表4可看出:随着α的不断降低,系统总成本、备用容量均降低,主要因为置信水平降低,风险越大,投入成本小。弃风、弃光成本也随α降低而降低,因为风光和负荷的不确定性使系统无法权衡可靠性和能源消纳,导致弃风、弃光。
系统在优化调度运行中,若备用容量少将引起可靠性下降,备用容量多将引起经济性下降。通过改变置信水平实现对风险的把控,实际运行中可以选择不同的置信水平,权衡系统风险与成本。
(3)不同调度模式结果分析:
为了验证不同调度下,考虑碳排放和源-荷不确定性对风光水火储系统的影响,本发明采用三种调度模式进行对比分析。
调度模式1:不考虑风光及负荷的不确定性,考虑碳排放成本。即采用传统确定性调度模式,满足等式的功率平衡约束条件,且将备用容量设为风光出力值的5%,负荷预测值的10%。
调度模式2:考虑风光及负荷预测值的不确定性,采用三角形模糊参数表示,但在目标函数中不考虑阶梯型碳排放成本。
调度模式3:采用本发明提出的调度模式,用模糊参数描述不确定性,同时考虑阶梯型碳排放模型。
表5为三种调度模式下的结果,其中设定模型中的置信水平为0.9。
表5不同情景下的调度结果
由表5可看出:调度模式1相比于调度模式3,风光消纳率降低了33.72%,碳排放量增加了13.11%,备用容量增加了68.14%、总成本增加了47.65%。主要因为模式1对备用容量要求过大,使得经济性降低,增大了系统经济成本。而调度模式3考虑了置信水平,兼顾经济性和可靠性,合理降低了系统备用容量,增大了经济性。
调度模式2相比于调度模式3,风光消纳率降低了15.59%,碳排放量增加了3.55%,总成本增加了6.22%。即不考虑碳排放会增加火电机组的出力,降低可再生能源的上网空间,经济性变差。
总体上,调度模式3结果最优,即弃风弃光率、碳排放量和系统总成本均最小。此模式下各时段火电机组的最优出力如图5所示,储能电站充放电功率如图6所示。
由图5、图6可看出:机组在满足约束情况下,火电机组1在负荷第一个峰值段和第二个峰值段都达到满发,碳排放强度小的火电机组3、4在第一峰值阶段出力最大,碳排放强度大的机组5为满足负荷平衡,适当出力。且储能装置在峰值时放电,低谷时充电,达到削峰填谷的目的。本发明模型在满足经济性较好的基础上,实现最优弃风弃光率,风电和光伏的上网空间增大,弃风弃光率为7.76%。
此调度是考虑模糊机会约束下的调度结果,各个机组出力已包含备用容量,不需另设。
综上,本发明在传统经济调度基础上,建立了考虑碳排放成本的阶梯型模型,可以控制碳排放量,提高风光消纳量;采用模糊机会约束法处理风电、光伏及负荷预测值的不确定性,引入置信水平权衡系统风险和成本。与不考虑碳排放成本、不考虑不确定性相比,本发明所提模型碳排放量降低了11.59%、风光消纳量提高了33.72%,总成本降低了32.27%,具有一定参考价值。
Claims (5)
1.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,其特征在于包括以下步骤:
步骤1:构建阶梯型碳排放成本模型;
步骤2:将步骤1构建的阶梯型碳排放成本模型加入传统经济调度模型中,构建风光水火储系统最优经济调度模型;
步骤3:针对步骤2所建立的考虑阶梯型碳排放成本的风光水火储系统最优经济调度模型,同时再考虑可再生能源和负荷预测值的不确定性,引入模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述;
步骤4:根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所构建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型。
2.根据权利要求1所述考虑风电、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,其特征在于:所述步骤1中,构建阶梯型碳排放成本模型,具体如下:
(1.1):近似将系统的碳排放配额与火电机组出力成正比,即系统的碳排放配额如下所示:
式中:ML,t为系统总的碳排放配额;N为火电机组总台数;εi为单位电量CO2排放分配系数,Pi,t为火电机组i在t时刻的发电功率;△T=1h;
(1.2):电力系统中的CO2排放基本源于火电机组,故系统碳排放量为:
式中:MP,t为系统碳排放总量;σi为火电机组i的碳排放强度;
(1.3):引入阶梯型碳排放机制,设置3个排放量区间,具体计算如下:
3.根据权利要求1所述考虑风电、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,其特征在于:所述步骤2中,风光水火储系统最优经济调度模型,具体包括:
(2.1):风光水火储系统最优经济目标函数:
将碳排放成本f1、火电机组煤耗成本和启停成本f2、以及弃风弃光惩罚成本f3的和总运行成本最小作为目标函数,即:
minF=f1+f2+f3;
式中:F为总运行成本;f1为碳排放成本;f2为火电机组煤耗成本和启停成本;f3为弃风、弃光惩罚成本;
其中,火电机组煤耗成本和启停成本f2:
式中:ai、bi和ci为火电机组i的煤耗量系数;Pi,t为火电机组i的发电功率;T为24h;Sjt为火电机组i的启停费用;ui,t为t时刻火电机组i的启停状态;ui,t-1为t-1时刻火电机组i的启停状态;
弃风、弃光惩罚成本f3:
式中:λw、λv分别为弃风、弃光惩罚系数;PW、PV分别为风电、光伏预测出力;PW,t、PV,t分别为风电、光伏实际出力;
(2.2):风光水火储系统最优经济约束条件:
1)常规火电机组约束:
①火电机组出力约束:
Pi,min≤Pi,t≤Pi,max;
式中:Pi,max、Pi,min分别为火电机组i的下限和上限;Pi,t为t时刻火电机组i的发电功率;
②火电机组爬坡约束:
-ri,down≤Pi,t-Pi,t-1≤ri,up;
式中:ri,up、ri,down分别为火电机组i爬坡、滑坡速率;Pi,t为t时刻火电机组i的发电功率;Pi,t-1为t-1时刻火电机组i的发电功率;
③火电机组最小启停约束:
(ui,t-1-ui,t)(Ti,t-1-Ti,on)≥0
(ui,t-ui,t-1)(-Ti,t-1-Ti,off)≥0;
式中:Ti,t-1为火电机组i在t-1时刻的运行时间;Ti,on、Ti,off分别为火电机组i启动与停机时间;ui,t为火电机组i在t时刻的启停状态;ui,t-1为火电机组i在t-1时刻的启停状态;
2)常规水电机组约束:
Ph,min≤Ph,t≤Ph,max
Ph,t=AηQtht
式中:Ph,t为t时刻水电机组的发电功率;Ph,max、Ph,min分别为水电机组发电功率上限和下限;A为水电转换系数,一般取9.81;Wmin、Wmax分别为水库部门分配的最小和最大用电量;Qt为水电机组排水量;ht为水电机组的水头高度;η为水电机组效率;△t为调度时段;t为对应时刻;
3)储能约束:
①储能充放电功率约束:
0≤Pc,t≤Pc,max
0≤Pd,t≤Pd,max;
式中:Pc,t为充电功率;Pd,t为放电功率;Pc,max为储能系统最大充电功率;Pd,max为储能系统最大放电功率;
②储能电站荷电状态:
St,min≤St≤St,max
式中:St为t时刻的荷电状态;St,min、St,max分别为荷电状态的上下限;
St-1为t-1时刻的荷电状态;δ为自放电率;
ηc、ηd分别为充放电效率;E为系统容量;uc,t、ud,t分别为储能装置充放电逻辑状态;
△t为调度时段;
4)功率平衡约束:
5)旋转备用约束:
4.根据权利要求1所述考虑风电、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,其特征在于:所述步骤3中,考虑可再生能源和负荷预测值的不确定性,引入三角形模糊参数对风电、光伏出力和负荷功率预测值的不确定性进行描述;
(3.1):风电、光伏和负荷预测值的模糊表达式:
风电、光伏和负荷预测值的模糊表达式用三角形隶属度参数表示,即:
P1=μ1Ppre,P2=μ2Ppre,P2=μ3Ppre;
式中:为三角形模糊参数;P1—P3为三角形隶属度参数:P1为模糊参数对应的第一个隶属度;P2为模糊参数对应的第二个隶属度;P3为模糊参数对应的第三个隶属度;μ1-μ3为比例系数;Ppre为风、光及负荷在t时刻的预测值;
(3.2):风电、光伏出力表达式:
当风电、光伏预测值大于调度值PW,t、PV,t时,对应隶属度为0,即舍去多于风电和光伏;小于调度值时隶属度不变,即风电出力表达式为:
式中:为风电实际出力模糊式;PW1,t—PW3,t为实际风电调度的模糊参数:PW1,t为风电调度模糊参数对应的第一个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW3,t为风电调度模糊参数对应的第三个隶属度;
PW1—PW3为风电预测的模糊参数;PW1为风电预测的模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PW,t为风电的实际调度值;
光伏出力表达式为:
式中:为光伏实际出力模糊式;PV1,t—PV3,t为实际光伏调度的模糊参数:PV1,t为光伏调度模糊参数对应的第一个隶属度;PV2,t为光伏调度模糊参数对应的第二个隶属度;PV3,t为光伏调度模糊参数对应的第三个隶属度;
PV1—PV3为光伏预测的模糊参数;PV1为光伏预测的模糊参数对应的第一个隶属度;PV2为光伏预测的模糊参数对应的第二个隶属度;PV3为光伏预测的模糊参数对应的第三个隶属度;PV,t为光伏的实际调度值;
(3.3):负荷预测值表达式:
5.根据权利要求1所述考虑风电、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,其特征在于:所述步骤4中,根据步骤3得到风电、光伏出力和负荷功率预测值的模糊表达式,加入可信性理论,建立模糊机会优化模型,采用确定性转化方法,将含有模糊的约束等价转换,将处理后的模糊模型与步骤2所建的风光水火储系统最优经济调度模型的结合,最终得到基于不确定的风光水火储系统的低碳调度模型,具体如下:
(4.1):模糊机会优化模型:
1)模糊机会约束下的功率平衡:
式中:Cr{}为事件的可信性;α为置信水平;
2)模糊机会约束下的旋转备用:
3)模糊机会约束下的弃风弃光成本:
(4.2):模糊机会约束的确定性转化:
求解模糊机会约束优化问题时,为简化计算,转换为清晰等价类,然后采用传统方法进行求解,转化后的模型为:
1)功率平衡约束的清晰等价类:
2)旋转备用约束的清晰等价类:
3)弃风弃光成本的悲观值:
式中:PL2为负荷预测的模糊参数对应的第二个隶属度;PL3为负荷预测的模糊参数对应的第三个隶属度;PW2,t为风电调度模糊参数对应的第二个隶属度;PW1,t为风电调度模糊参数对应的第一个隶属度;PV2,t为光伏调度模糊参数对应的第二个隶属度;PV1,t为光伏调度模糊参数对应的第一个隶属度;PW2为风电预测的模糊参数对应的第二个隶属度;PW3为风电预测的模糊参数对应的第三个隶属度;PV2为光伏预测的模糊参数对应的第二个隶属度;PV3为光伏预测的模糊参数对应的第三个隶属度;
将上述式子与步骤2所建的风光水火储系统最优经济调度模型的结合,结合起来得到的目标函数、约束条件为:
①目标函数:
②约束条件:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630795.9A CN115117940A (zh) | 2022-06-06 | 2022-06-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630795.9A CN115117940A (zh) | 2022-06-06 | 2022-06-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115117940A true CN115117940A (zh) | 2022-09-27 |
Family
ID=83325719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210630795.9A Pending CN115117940A (zh) | 2022-06-06 | 2022-06-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115117940A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115663924A (zh) * | 2022-12-26 | 2023-01-31 | 西华大学 | 含设定比例风光接入的多时间尺度源网荷储协同调度方法 |
CN117172389A (zh) * | 2023-11-01 | 2023-12-05 | 山东建筑大学 | 考虑风光不确定性的区域级综合能源优化运行方法及系统 |
CN117374974A (zh) * | 2023-12-06 | 2024-01-09 | 国网浙江省电力有限公司 | 一种配电网调度方法、系统、介质及设备 |
-
2022
- 2022-06-06 CN CN202210630795.9A patent/CN115117940A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115663924A (zh) * | 2022-12-26 | 2023-01-31 | 西华大学 | 含设定比例风光接入的多时间尺度源网荷储协同调度方法 |
CN115663924B (zh) * | 2022-12-26 | 2023-04-14 | 西华大学 | 含设定比例风光接入的多时间尺度源网荷储协同调度方法 |
CN117172389A (zh) * | 2023-11-01 | 2023-12-05 | 山东建筑大学 | 考虑风光不确定性的区域级综合能源优化运行方法及系统 |
CN117172389B (zh) * | 2023-11-01 | 2024-02-02 | 山东建筑大学 | 考虑风光不确定性的区域级综合能源优化运行方法及系统 |
CN117374974A (zh) * | 2023-12-06 | 2024-01-09 | 国网浙江省电力有限公司 | 一种配电网调度方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
CN103840457B (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
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 | |
CN112016747B (zh) | 一种适用于源荷储灵活资源统筹规划与运行的优化方法 | |
CN105375507A (zh) | 雾霾环境下虚拟电厂的电力两级交互优化调度系统 | |
CN114865631B (zh) | 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN114091913A (zh) | 考虑热网及p2g多园区综合能源系统低碳经济调度方法 | |
CN114936720A (zh) | 一种源-荷-储协调的综合能源系统低碳经济调度方法 | |
CN112366684A (zh) | 一种海岛微电网系统 | |
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 | |
CN110932261A (zh) | 一种基于全局效益最大化的多能源系统联合装机规划方法 | |
CN113298407B (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 | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
Ding et al. | Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information | |
CN112308433A (zh) | 一种风电电力调度方法及系统 | |
CN117114281A (zh) | 一种灵活资源多阶段规划方案的确定方法 | |
CN116805192A (zh) | 考虑最优弃能率的综合能源系统双层规划优化方法及应用 | |
Foroozandeh et al. | Robust energy scheduling for smart buildings considering uncertainty in PV generation | |
CN115986833A (zh) | 考虑两阶段需求响应的热电联供微网低碳经济调度方法 | |
CN114925892A (zh) | 水电与电转气结合的中长期风水火发电量双层规划方法 | |
CN113962438A (zh) | 一种冷热电混合能源联合优化系统及方法 | |
Ma et al. | Multi-Point Layout Planning of Multi-Energy Power Supplies Based on Time-series Production Simulation | |
Yan et al. | Combined Source-Storage-Transmission Planning Considering the Comprehensive Incomes of Energy Storage System |
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 |