WO2020119159A1 - 基于风/光出力柯西分布的火电机组动态实时调度方法 - Google Patents
基于风/光出力柯西分布的火电机组动态实时调度方法 Download PDFInfo
- Publication number
- WO2020119159A1 WO2020119159A1 PCT/CN2019/100600 CN2019100600W WO2020119159A1 WO 2020119159 A1 WO2020119159 A1 WO 2020119159A1 CN 2019100600 W CN2019100600 W CN 2019100600W WO 2020119159 A1 WO2020119159 A1 WO 2020119159A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- power
- output
- wind
- distribution
- photovoltaic power
- Prior art date
Links
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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Definitions
- the invention relates to a dynamic real-time scheduling method for thermal power units based on the distribution of wind/photovoltaic output Cauchy, in particular to a dynamic real-time scheduling method for thermal power units based on the distribution of wind power/photovoltaic output Cauchy, which belongs to the technical field of power system operation.
- the purpose of the present invention is to propose a dynamic real-time scheduling method for thermal power units based on the wind/light output Cauchy distribution. Based on the joint Cauchy distribution, the short-term output of wind power is accurately fitted to take full advantage of the opportunity to constrain the advantages of random economic dispatch. Effectively reduce the risk of the system and save the cost of power grid dispatching.
- the dynamic real-time scheduling method for thermal power units based on the distribution of wind/light output Cauchy proposed by the present invention includes the following steps:
- the Cauchy distribution model includes the following:
- PDF( ⁇ ) represents the probability density function of random variables.
- the probability density function is obtained by fitting the historical output of wind power/photovoltaic power plants, t is the dispatch period, and K is the number of wind power/photovoltaic power plants.
- T is the matrix transpose
- the superscript w indicates that the variable describes the wind power/photovoltaic power plant
- the position parameter of ⁇ k,t represents the position parameter of the edge Cauchy distribution of the kth wind/photovoltaic power plant output during the t dispatch period
- ⁇ t represents the scale parameter of the probability density function of the joint Cauchy distribution during the
- a be a k-dimensional column vector
- the one-dimensional Cauchy distribution with position and scale parameters (a T ⁇ t , a T ⁇ t a), its probability density function, cumulative distribution function and inverse function of the cumulative distribution function can be expressed in the following form:
- the probability density function is:
- the cumulative distribution function is:
- tan is the tangent function
- arctan is the inverse tangent function
- F is the quantile
- the objective function is to minimize the running cost, the expression is as follows:
- T, N and J represent the number of dispatching period t
- t, i and j are the dispatching period, the number of thermal power generation units and the number of automatic generation control units, respectively.
- a i,t ,b i,t ,c i,t are the quadratic coefficient, primary coefficient and constant term of the fuel cost of thermal power unit i in period t respectively
- a j,t ,b j,t ,c j, t are the quadratic coefficient, the primary coefficient and the constant term of the fuel cost of the automatic generation unit j during the period t.
- E( ⁇ ) represents the expected value of the random variable
- ⁇ j is the power distribution coefficient of the j th power generation automatic control unit, and is determined according to the ratio of the rated capacity of the power generation automatic control unit to the total capacity of the power generation automatic control unit
- w t represents t
- the cost factor for the negative spin reserve The sum of actual wind power output
- the last two terms in the expression of the objective function f are:
- K is the number of wind power/photovoltaic power plants
- A, B, and C are constants.
- I the load amount of the d-th node of the power grid where the wind power/photovoltaic power station and thermal power unit are located during the t scheduling period
- D represents the total number of loads and the number of nodes in the power grid
- ⁇ is the acceptable risk level set by the dispatcher, for The inverse function of the cumulative distribution function of, Represents the total actual output of all wind/photovoltaic power stations during time t,
- K represents the number of wind power/photovoltaic power plants
- G i,l is the transfer distribution factor of the l- th line to the i-th thermal power generating unit in the power grid
- G j,l is the transfer distribution of the l-line to the j-th power generation automatic control unit active output Factor
- G k,l is the transfer distribution factor of the l-th line to the k-th wind/photovoltaic power plant active output
- G d,l is the transfer distribution factor of the l-line to the d-th node load power
- each transfer distribution The factors are obtained from the power grid dispatch center
- L l, t is the upper limit of the active power on the lth line in the t scheduling period
- ⁇ is the risk level that the active power on the power line exceeds the upper limit of the line active power, which is set by the dispatcher.
- ⁇ l is a K-dimensional vector
- the k-th element is
- the dynamic real-time scheduling method for thermal power units based on the distribution of wind/light output Cauchy proposed by the present invention has the following advantages:
- the method of the present invention first accurately characterizes the output characteristics and correlation of the short-term forecast of wind power/photovoltaic through the joint Cauchy distribution of multiple random variables. Based on this distribution, the method establishes the minimum cost expected value under the consideration of deterministic constraints and opportunity constraints.
- the randomized dynamic real-time scheduling model, the opportunity constraint limits the security risks caused by the randomness of the wind power/photovoltaic power plant and AGC units during the scheduling process to a certain confidence level.
- the real-time active scheduling model is analytically expressed as a linearly constrained convex optimization model. The result of the model optimization is that traditional thermal power units that can control scheduling risks and reduce scheduling costs can participate in frequency modulation.
- the present invention makes full use of the superiority and excellent mathematical characteristics of Cauchy distribution in the short-term prediction of the output of wind power/photovoltaic power plants, effectively improves the solution efficiency of the model, and at the same time the opportunity constraint model with adjustable risk level eliminates the traditional robust economy
- the conservative nature of scheduling provides decision-makers with a more reasonable basis for scheduling.
- the method of the present invention can be applied to the real-time economic dispatch of active power systems including large-scale wind power grid connection.
- the dynamic real-time scheduling method for thermal power units based on the distribution of wind/light output Cauchy proposed by the present invention includes the following steps:
- the Cauchy distribution model includes the following:
- the Cauchy distribution model includes the following:
- the position parameter of ⁇ k,t represents the position parameter of the edge Cauchy distribution of the kth wind/photovoltaic power plant output during the t
- a be a k-dimensional column vector
- the one-dimensional Cauchy distribution with position and scale parameters (a T ⁇ t , a T ⁇ t a), its probability density function, cumulative distribution function and inverse function of the cumulative distribution function can be expressed in the following form:
- the probability density function is:
- the cumulative distribution function is:
- tan is the tangent function
- arctan is the inverse tangent function
- F is the quantile
- the objective function is to minimize the running cost, the expression is as follows:
- T, N and J represent the number of scheduling period t, the number of thermal power units and the number of automatic generation units (hereinafter referred to as AGC units), t, i and j are the scheduling period, thermal power unit number and automatic generation
- the number of the control unit the superscript s indicates that the variable describes the thermal power unit, the superscript "+” indicates that the variable describes positive rotation reserve, and the superscript "-" indicates that the variable describes negative rotation reserve
- Indicates that the jth AGC unit plans to contribute within the t dispatch period It represents the sum of the actual output of all wind power/photovoltaic power stations during the t dispatch period, with Respectively represent the fuel cost of thermal power units and AGC units:
- a i,t ,b i,t ,c i,t are the quadratic coefficient, primary coefficient and constant term of the fuel cost of thermal power unit i in period t respectively
- a j,t ,b j,t ,c j and t are the quadratic coefficient, the primary coefficient and the constant term of the fuel cost of the AGC unit j in the period t respectively
- E( ⁇ ) represents the expected value of the random variable
- the cost coefficient of the positive rotation reserve which is determined according to the cost characteristics of the AGC unit.
- the value is 1000
- the unit is “yuan/MW”
- ⁇ j is the power distribution coefficient of the jth AGC unit
- w t represents the total planned output of all wind power/photovoltaic power stations during the t scheduling period
- the cost coefficient for negative rotation reserve is determined according to the cost characteristics of the AGC unit. In one embodiment of the present invention, the value is 1000, and the unit is "yuan/MW".
- the sum of actual wind power output The probability density function of For the sum of the upper bounds of all wind power/photovoltaic power plants during the t dispatch period, Is the upper bound of the output of the kth wind power/photovoltaic power station in time t;
- K is the number of wind power/photovoltaic power plants
- A, B, and C are constants.
- the stochastic dynamic real-time scheduling model based on the distribution of wind power/photovoltaic power plant Cauchy is determined by equations (5), (6), (11) and (12).
- Each node in the grid has a load, D represents the total load, and the number of nodes in the grid;
- equation (14) Since the power imbalance caused by the actual output of the wind/photovoltaic power plant deviating from the planned output is finally balanced by the AGC unit, expression (13) can be written as equation (14):
- ⁇ is the acceptable risk level set by the dispatcher.
- Random variable The inverse function of the cumulative distribution function of, Represents the total actual output of all wind/photovoltaic power stations during time t, The parameters in the function are It is a k-dimensional column vector whose all elements are all 1.
- the generation capacity automatically controls the rotation reserve constraints of the unit. In order to balance the power fluctuations caused by various uncertainties, the system needs to reserve a certain amount of positive and negative rotation reserve capacity.
- the reserve capacity is subject to AGC
- the unit's climbing rate and output upper and lower bound limits are as follows:
- G i,l is the transfer distribution factor of the l- th line to the i-th thermal power generating unit in the power grid
- G j,l is the transfer distribution of the l-line to the j-th power generation automatic control unit active output Factor
- G k,l is the transfer distribution factor of the l-th line to the k-th wind/photovoltaic power plant active output
- G d,l is the transfer distribution factor of the l-line to the d-th node load power
- each transfer distribution The factors are obtained from the power grid dispatch center
- L l, t is the upper limit of the active power on the lth line during the t scheduling period
- ⁇ is the risk level that the active power on the power line exceeds the upper limit of the line active power, which is set by the dispatcher.
- ⁇ l is a k-dimensional vector, and the k-th element is
Abstract
一种基于风/光出力柯西分布的火电机组动态实时调度方法，属于电力系统的运行技术领域。通过分析风电出力的历史数据，利用统计或拟合软件进行联合柯西分布拟合。针对确定的电力系统参数，建立机会约束的随机动态实时调度模型；然后，利用柯西分布的数学性质，把原问题转化为容易求解的线性约束凸优化问题；最后求解调度模型，得到调度策略。该方法充分利用柯西分布在风电/光伏电站出力的短期预测方面的优越性和优良的数学特性，有效提高了模型的求解效率，同时风险水平可调的机会约束模型消除了传统鲁棒经济调度的保守性，为决策者提供了更合理的调度依据。该方法可应用于包含大规模风电并网的电力系统有功实时经济调度中。
Description
相关申请的交叉引用
本申请要求清华大学于2018年12月11日提交的、发明名称为“基于风/光出力柯西分布的火电机组动态实时调度方法”的、中国专利申请号“201811509293.0”的优先权。
本发明涉及一种基于风/光出力柯西分布的火电机组动态实时调度方法，尤其涉及一种基于风电/光伏出力柯西分布的火电机组动态实时调度方法，属于电力系统的运行技术领域。
开发利用风电资源、实现能源的可持续发展是我国能源发展战略的重大举措。随着风电大规模接入电网，其波动性和随机性给电力系统的有功调度带来了两个方面的难题。
一方面，精确、灵活的风电出力预测是实现安全、经济有功调度的基础，传统的预测方法包括给定出力上下限的区间描述法和简单的高斯概率密度函数描述法，虽然像贝塔分布、通用分布、混合高斯分布等模型也被用在了风电预测出力的拟合中，但是它们或者无法精确拟合风电预测出力，或者给有功调度模型的求解带来了极大的困难，因此一种准确、灵活的预测模型亟需得到应用。
另一方面，风电的波动性和随机性使得传统的确定性调度方法难以适用。鲁棒经济调度通常是一种可行的方案，然而由于鲁棒优化具有保守性，会给调度带来不必要的成本；机会约束的随机经济调度是兼顾系统运行风险和减少成本的有效建模策略，该方法把风险发生的概率限制在预先给定的置信水平下，通过目标函数值的最小化得到成本最低的调度策略。然而约束和目标函数中存在的随机变量使得机会约束优化问题的求解变得非常困难，现有的求解方法普遍存在计算量大的缺点，然而松弛的方法又使得求解结果不够精确，无法实现经济调度的高效性。
综上所述，计及风电出力随机性的动态经济调度的建模以及快速求解仍然是影响风电资源利用率的一大难题。
发明内容
本发明的目的是提出一种基于风/光出力柯西分布的火电机组动态实时调度方法，基于联合柯西分布，对风电短期出力进行精确拟合，以充分利用机会约束随机经济调度的优点， 有效降低系统的风险，节约电网调度的成本。
本发明提出的基于风/光出力柯西分布的火电机组动态实时调度方法，包括以下步骤：
(1)建立电网中风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，该柯西分布模型包括以下内容：
a、一个多风电/光伏电站短期预测出力的联合柯西分布的概率密度函数：
其中，PDF(·)表示随机变量的概率密度函数，概率密度函数通过对风电/光伏电站历史出力的拟合得到，t为调度时段，K为风电/光伏电站的数目，
为调度时段t所有风电/光伏电站实际出力的列向量，上标T为矩阵转置，上标w表示该变量描述风电/光伏电站，
表示t调度时段第k个风电/光伏电站的实际出力，μ
t＝(μ
1,t,μ
2,t,...,μ
k,t)
T表示t调度时段联合柯西分布概率密度函数的位置参数，μ
k,t表示t调度时段第k个风电/光伏电站出力的边缘柯西分布的位置参数，Σ
t表示t调度时段联合柯西分布概率密度函数的尺度参数；
b、形式为各风电/光伏电站出力线性组合的随机变量的概率描述，包括概率密度函数、累积分布函数以及累积分布函数的逆函数：
设a为k维列向量，那么随机变量
服从位置参数和尺度参数为(a
Tμ
t,a
TΣ
ta)的一维柯西分布，其概率密度函数、累积分布函数以及累积分布函数的逆函数可以表达为以下形式：
其中，概率密度函数为：
累积分布函数为：
累积分布函数的逆函数为：
其中，tan为正切函数，arctan为反正切函数，F为分位数；
(2)建立一个基于风电/光伏电站出力柯西分布的随机动态实时调度模型，该随机动态实时调度模型由目标函数和约束条件组成，具体步骤如下：
(2-1)建立基于风电/光伏电站出力柯西分布的随机动态实时调度模型的目标函数f：
目标函数为使运行成本最小化，表达式如下：
其中，T、N和J分别表示调度时段t的数量、火电机组数量以及发电量自动控制机组的数量，t、i和j分别为调度时段、火电机组编号和发电量自动控制机组的编号，上标s表示该变量描述火电机组，上标“+”表示该变量描述正旋转备用，上标“-”表示该变量描述负旋转备用，
表示第i台火电机组在t调度时段的计划出力，
表示第j个发电量自动控制机组在t调度时段内计划出力，
表示t调度时段所有风电/光伏电站实际出力的总和，
和
分别表示火电机组和发电量自动控制机组的燃料成本：
其中，a
i,t,b
i,t,c
i,t分别为t时段火电机组i的燃料成本的二次项系数、一次项系数和常数项，a
j,t,b
j,t,c
j,t分别为t时段发电量自动控制机组j的燃料成本的二次项系数、一次项系数和常数项，
E(·)表示随机变量的期望值，
表示在t调度时段内，由于风电/光伏电站发电实际出力低于计划出力引起的正旋转备用的需求成本，即高估风电/光伏电站出力的惩罚，当风电/光伏电站的实际出力小于计划值时会调度发电量自动控制机组的正旋转备用以维持功率平衡，具体表达式如下：
其中，
为正旋转备用的成本系数，α
j为第j个发电量自动控制机组的功率分配系数，根据发电量自动控制机组的额定容量占发电量自动控制机组的总容量的比例确定，w
t表示t调度时段所有风电/光伏电站的计划出力总和，
表示t时段所有风电/光伏电站的实际出力总和，满足如下关系：
其中，
为第j个发电量自动控制机组的实际出力，
表示t调度时段第k个风电/光伏电站的计划出力，K表示风电/光伏电站的数量；
其中，
为负旋转备用的成本系数，
为实际风电出力总和
的概率密度函数，
为所有风电/光伏电站在t调度时段出力的上界之和，
为t时段第k个风电/光伏电站的出力的上界；
根据上述步骤(1)的风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，得到目标函数f的表达式中的后两项为：
其中，
为所有元素全为1的K维列向量，K为风电/光伏电站的数目，A,B,C均为常数具体表达式如下：
(2-2)上述基于风电/光伏电站出力柯西分布的随机动态实时调度模型的约束条件，包括：
(2-2-1)电网功率平衡约束，表达式如下：
其中，
为t调度时段、风电/光伏电站和火电机组所在电网的第d个节点的负荷量，D表示负荷的总数，同时表示电网中节点的个数；
(2-2-2)电网机组出力的上、下限约束，包括：
其中，t＝1,...,T，i＝1,...,N，j＝1,...,J，k＝1,...,K，
和
分别为第j个发电量自动控制机组在t调度时段出力的上下界，
和
分别为第i个火电机组在t时段出力的上下界，δ为调度员设定的可接受的风险水平，
为
的累积分布函数的逆函数，
表示t时段所有风电/光伏电站的实际出力总和，
(2-2-3)电网中火电机组和发电量自动控制机组的爬坡约束，表达式如下：
对
其中，
和
分别为t调度时段第i台火电机组向上、向下爬坡率，
和
分别表示t时段第j台发电量自动控制机组向上、向下爬坡率，ΔT表示相邻两个调度时段之间的调度间隔，β为调度员设定的可接受风险水平，
表示w
t,t-1的累积分布函数的逆函数，
的表达式如下：
(2-2-4)发电量自动控制机组的旋转备用约束，具体表达式如下：
对
其中，
和
分别表示t调度时段第j台发电量自动控制机组提供的正负旋转备用的数量，
和
分别表示t调度时段电网所需要的最小正、负旋转备用的数量，ε为调度员设定的可接受的风险水平；
(2-2-5)电网线路潮流约束，表达式如下：
对
其中，G
i,l为电网中第l条线路对第i台火力发电机组有功出力的转移分布因子，G
j,l为第l条线路对第j个发电量自动控制机组有功出力的转移分布因子，G
k,l为第l条线路对第k个风电/光伏电站有功出力的转移分布因子，G
d,l为第l条线路对第d个节点负荷功率的转移分布因子，各转移分布因子分别从电网调度中心获取，L
l,t为t调度时段第l条线路上的有功功率上限，η为电网线路上的有功功率超过线路有功功率上限的风险水平，由调度员设定，
为
的累积分布函数的逆函数，满足：
α
l为K维向量，其第k个元素为
(3)采用内点法，求解上述步骤(2)中的目标函数和约束条件组成的随机动态实时调度模型，得到
和
将其中的
作为t调度时段第i个火电机组的计划出力，
第j个发电量自动控制机组的计划出力，
作为第k个风电/光伏电站的参考出力，实现基于风/光出力柯西分布的火电机组动态实时调度。
本发明提出的基于风/光出力柯西分布的火电机组动态实时调度方法，其优点是：
本发明方法首先通过多随机变量的联合柯西分布精确刻画了风电/光伏短期预测的出力特性和相关性，以该分布为基础，本方法建立了考虑确定性约束和机会约束下的成本期望值最小化的随机动态实时调度模型，机会约束把调度过程中由于风电/光伏电站和AGC机组出力的随机性带来的安全风险限制在一定的置信水平内。同时，由于柯西分布优良的数学性质使得实时有功调度模型被解析地表达为线性约束的凸优化模型，模型优化的结果是在控制调度风险和减少调度成本下的传统火电机组、可参与调频的AGC机组以及风电/光伏电站出力的最优实时调度决策。本发明充分利用了柯西分布在风电/光伏电站出力的短期预测方面的优越性和优良的数学特性，有效提高了模型的求解效率，同时风险水平可调的机会约束模型消除了传统鲁棒经济调度的保守性，为决策者提供了更合理的调度依据。本发明方法可应用于包含大规模风电并网的电力系统有功实时经济调度中。
本发明提出的基于风/光出力柯西分布的火电机组动态实时调度方法，包括以下步骤：
(1)建立电网中风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，该柯西分布模型包括以下内容：
(1)建立电网中风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，该柯西分布模型包括以下内容：
a、一个多风电/光伏电站短期预测出力的联合柯西分布的概率密度函数：
其中，Γ为一类基本的数学函数，具体表达式为
式中s为任意大于0的自变量，PDF(·)表示随机变量的概率密度函数，概率密度函数通过对风电/光伏电站历史出力的拟合得到，t为调度时段，K为风电/光伏电站的数目，
为调度时段t所有风电/光伏电站实际出力的列向量，上标T为矩阵转置，上标w表示该变量描述风电/光伏电站，
表示t调度时段第k个风电/光伏电站的实际出力，μ
t＝(μ
1,t,μ
2,t,...,μ
k,t)
T表示t调度时段联合柯西分布概率密度函数的位置参数，μ
k,t表示t调度时段第k个风电/光伏电站出力的边缘柯西分布的位置参数，Σ
t表示t调度时段联合柯西分布概率密度函数的尺度参数；
b、形式为各风电/光伏电站出力线性组合的随机变量的概率描述，包括概率密度函数、累积分布函数以及累积分布函数的逆函数：
设a为k维列向量，那么随机变量
服从位置参数和尺度参数为(a
Tμ
t,a
TΣ
ta)的一维柯西分布，其概率密度函数、累积分布函数以及累积分布函数的逆函数可以表达为以下形式：
其中，概率密度函数为：
累积分布函数为：
累积分布函数的逆函数为：
其中，tan为正切函数，arctan为反正切函数，F为分位数；
(2)建立一个基于风电/光伏电站出力柯西分布的随机动态实时调度模型，该随机动态实时调度模型由目标函数和约束条件组成，具体步骤如下：
(2-1)建立基于风电/光伏电站出力柯西分布的随机动态实时调度模型的目标函数f：
目标函数为使运行成本最小化，表达式如下：
其中，T、N和J分别表示调度时段t的数量、火电机组数量以及发电量自动控制机组(以下简称AGC机组)的数量，t、i和j分别为调度时段、火电机组编号和发电量自动控制机组的编号，上标s表示该变量描述火电机组，上标“+”表示该变量描述正旋转备用，上标“-”表示该变量描述负旋转备用，
表示第i台火电机组在t调度时段的计划出力，
表示第j个AGC机组在t调度时段内计划出力，
表示t调度时段所有风电/光伏电站实际出力的总和，
和
分别表示火电机组和AGC机组的燃料成本：
其中，a
i,t,b
i,t,c
i,t分别为t时段火电机组i的燃料成本的二次项系数、一次项系数和常数项，a
j,t,b
j,t,c
j,t分别为t时段AGC机组j的燃料成本的二次项系数、一次项系数和常数项，E(·)表示随机变量的期望值，
表示在t调度时段内，由于风电/光伏电站发电实际出力低于计划出力引起的正旋转备用的需求成本，即高估风电/光伏电站出力的惩罚，当风电/光伏电站的实际出力小于计划值时会调度AGC机组的正旋转备用以维持功率平衡，具体表达式如下：
其中，
为正旋转备用的成本系数，根据AGC机组的成本特性确定，本发明的一个实施例中，取值为1000，单位为“元/MW”，α
j为第j个AGC机组的功率分配系数，根据AGC机组的额定容量占发电量自动控制机组的总容量的比例确定，w
t表示t调度时段所有风电/光伏电站的计划出力总和，
表示t时段所有风电/光伏电站的实际出力总和，满足如下关系：
其中，
为第j个AGC机组的实际出力，
表示t调度时段第k个风电/光伏电站的计划出力，K表示风电/光伏电站的数量；
其中，
为负旋转备用的成本系数，根据AGC机组的成本特性确定，本发明的一个实施例中，取值为1000，单位为“元/MW”，
为实际风电出力总和
的概率密度函数，
为所有风电/光伏电站在t调度时段出力的上界之和，
为t时段第k个风电/光伏电站的出力的上界；
根据上述步骤(1)的风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，结合方程(2)，得到目标函数f的表达式中的后两项为：
其中，
为所有元素全为1的K维列向量，K为风电/光伏电站的数目，A,B,C均为常数具体表达式如下：
基于风电/光伏电站出力柯西分布的随机动态实时调度模型由方程(5)，(6)，(11)和(12)确定。
2-2)上述基于风电/光伏电站出力柯西分布的随机动态实时调度模型的约束条件，包括：
(2-2-1)电网功率平衡约束，表达式如下：
对
其中，
为t调度时段、风电/光伏电站和火电机组所在电网的第d个节点的负荷量，电网中每个节点都有一个负荷，D表示负荷的总数，同时表示电网中节点的个数；
由于由风电/光伏电站实际出力偏离计划出力引起的功率不平衡最终被AGC机组所平衡，因此表达式(13)可写为方程(14)：
(2-2-2)电网机组出力的上、下限约束，包括：
对
其中，
和
分别为第j个AGC机组在t调度时段出力的上下界，
和
分别为第i个火电机组在t时段出力的上下界。
同时，AGC机组t时段的实际出力以一定的风险水平不得超出其出力的上下界，具体表达 式如下：
其中δ为调度员设定的可接受的风险水平。
结合方程(4)，机会约束(16)可以转化为确定性的线性约束：
其中，
为随机变量
的累积分布函数的逆函数，
表示t时段所有风电/光伏电站的实际出力总和，
函数中各参数为
为所有元素全为1的k维列向量。
(2-2-3)电网中火电机组和发电量自动控制机组的爬坡约束，表达式如下：
对
其中，
和
分别为t调度时段第i台火电机组向上、向下爬坡率；
和
分别表示t调度时段第j台AGC机组向上、向下爬坡率；ΔT表示相邻两个调度时段之间的调度间隔；β为调度员设定的可接受风险水平；
方程(18)和方程(20)分别表示火电机组和AGC机组在相邻时段的爬坡限制，方程(19)表示AGC机组在t调度时段发挥调频作用时的爬坡限制。
结合方程(4)，方程(19)和(20)可以转化为如下形式：
其中，
表示随机变量w
t,t-1的累积分布函数的逆函数，表达式如下：
(2-2-4)发电量自动控制机组的旋转备用约束，为了平衡由于各种不确定性因素引起的功率波动，系统需要留有一定数量的正、负旋转备用容量，该备用容量受AGC机组的爬坡率和出力上、下界限制，具体表达式如下：
对
其中，
和
分别表示t调度时段第j台AGC机组提供的正、负旋转备用的数量，
和
分别表示t调度时段电网所需要的最小正、负旋转备用的数量，ε为调度员设定的可接受的风险水平。
结合方程(4)，约束(25)可以转化为线性约束(26)
(2-2-5)电网线路潮流约束，表达式如下：
对
其中，G
i,l为电网中第l条线路对第i台火力发电机组有功出力的转移分布因子，G
j,l为第l条线路对第j个发电量自动控制机组有功出力的转移分布因子，G
k,l为第l条线路对第k个风电/光伏电站有功出力的转移分布因子，G
d,l为第l条线路对第d个节点负荷功率的转移分布因子，各转移分布因子分别从电网调度中心获取，L
l,t为t调度时段第l条线路上的有功功率上限，η为电网线路上的有功功率超过线路有功功率上限的风险水平，由调度员设定。 结合方程(4)，约束(27)可以转化为线性约束(28)，
其中，
为随机变量
的累积分布函数的逆函数，满足：
α
l为k维向量，其第k个元素为
(3)采用内点法，求解由式(5)，(6)，(8)，(9)，(11)，(12)，(14)～(29)确定的随机动态实时调度模型，得到
和
将其中的
作为t调度时段第i个火电机组的计划出力，
作为第j个发电量自动控制机组的计划出力，
作为第k个风电/光伏电站的参考出力，实现基于风/光出力柯西分布的火电机组动态实时调度。
Claims (1)
- 一种基于风/光出力柯西分布的火电机组动态实时调度方法，其特征在于该方法包括以下步骤：(1)建立电网中风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，该柯西分布模型包括以下内容：a、一个多风电/光伏电站短期预测出力的联合柯西分布的概率密度函数：
其中，PDF(·)表示随机变量的概率密度函数，概率密度函数通过对风电/光伏电站历史出力的拟合得到，t为调度时段，K为风电/光伏电站的数目，为调度时段t所有风电/光伏电站实际出力的列向量，上标T为矩阵转置，上标w表示该变量描述风电/光伏电站，
表示t调度时段第k个风电/光伏电站的实际出力，μ t＝(μ 1,t,μ 2,t,...,μ k,t) T表示t调度时段联合柯西分布概率密度函数的位置参数，μ k,t表示t调度时段第k个风电/光伏电站出力的边缘柯西分布的位置参数，Σ t表示t调度时段联合柯西分布概率密度函数的尺度参数；
b、形式为各风电/光伏电站出力线性组合的随机变量的概率描述，包括概率密度函数、累积分布函数以及累积分布函数的逆函数：设a为k维列向量，那么随机变量服从位置参数和尺度参数为(a Tμ t,a TΣ ta)的一维柯西分布，其概率密度函数、累积分布函数以及累积分布函数的逆函数可以表达为以下形式：
其中，概率密度函数为：
累积分布函数为：
累积分布函数的逆函数为：
其中，tan为正切函数，arctan为反正切函数，F为分位数；(2)建立一个基于风电/光伏电站出力柯西分布的随机动态实时调度模型，该随机动态实时调度模型由目标函数和约束条件组成，具体步骤如下：(2-1)建立基于风电/光伏电站出力柯西分布的随机动态实时调度模型的目标函数f：目标函数为使运行成本最小化，表达式如下：
其中，T、N和J分别表示调度时段t的数量、火电机组数量以及发电量自动控制机组的数量，t、i和j分别为调度时段、火电机组编号和发电量自动控制机组的编号，上标s表示该变量描述火电机组，上标“+”表示该变量描述正旋转备用，上标“-”表示该变量描述负旋转备用，表示第i台火电机组在t调度时段的计划出力，
表示第j个发电量自动控制机组在t调度时段内计划出力，
表示t调度时段所有风电/光伏电站实际出力的总和，
和
分别表示火电机组和发电量自动控制机组的燃料成本：
其中，a i,t,b i,t,c i,t分别为t时段火电机组i的燃料成本的二次项系数、一次项系数和常数项，a j,t,b j,t,c j,t分别为t时段发电量自动控制机组j的燃料成本的二次项系数、一次项系数和常数项，E(·)表示随机变量的期望值，表示在t调度时段内，由于风电/光伏电站发电实际出力低于计划出力引起的正旋转备用的需求成本，即高估风电/光伏电站出力的惩罚，当风电/光伏电站的实际出力小于计划值时会调度发电量自动控制机组的正旋转备用以维持功率平衡，具体表达式如下：
其中，为正旋转备用的成本系数，α j为第j个发电量自动控制机组的功率分配系数，根据发电量自动控制机组的额定容量占发电量自动控制机组的总容量的比例确定，w t表示t调度时段所有风电/光伏电站的计划出力总和，
表示t时段所有风电/光伏电站的实际 出力总和，满足如下关系：
其中，为第j个发电量自动控制机组的实际出力，
表示t调度时段第k个风电/光伏电站的计划出力，K表示风电/光伏电站的数量；
表示在t时段内由于风电/光伏电站实际出力超过计划出力而引起的负旋转备用的需求成本，即低估风电/光伏电站出力的惩罚成本，当风电/光伏电站的实际出力大于计划值时会调度发电量自动控制机组的负旋转备用以维持功率平衡，具体表达式如下：
其中，为负旋转备用的成本系数，
为实际风电出力总和
的概率密度函数，
为所有风电/光伏电站在t调度时段出力的上界之和，
为t时段第k个风电/光伏电站的出力的上界；
根据上述步骤(1)的风电/光伏电站短期预测出力的多随机变量联合柯西分布模型，得到目标函数f的表达式中的后两项为：
其中，为所有元素全为1的K维列向量，K为风电/光伏电站的数目，A,B,C均为常数具体表达式如下：
(2-2)上述基于风电/光伏电站出力柯西分布的随机动态实时调度模型的约束条件，包括：(2-2-1)电网功率平衡约束，表达式如下：
其中，为t调度时段、风电/光伏电站和火电机组所在电网的第d个节点的负荷量，D表示负荷的总数，同时表示电网中节点的个数；
(2-2-2)电网机组出力的上、下限约束，包括：
其中，t＝1,...,T，i＝1,...,N，j＝1,...,J，k＝1,...,K，和
分别为第j个发电量自动控制机组在t调度时段出力的上下界，
和
分别为第i个火电机组在t时段出力的上下界，δ为调度员设定的可接受的风险水平，
为
的累积分布函数的逆函数，
表示t时段所有风电/光伏电站的实际出力总和，
为所有元素全为1的K维列向量，K表示风电/光伏电站的数量；
(2-2-3)电网中火电机组和发电量自动控制机组的爬坡约束，表达式如下：对i＝1,2,...,N；j＝1,2,...,J：
其中，和
分别为t调度时段第i台火电机组向上、向下爬坡率，
和
分别表示t时段第j台发电量自动控制机组向上、向下爬坡率，ΔT表示相邻两个调度时段之间的调度间隔，β为调度员设定的可接受风险水平，
表示w t,t-1的累积分布函数的逆函数，
的表达式如下：
(2-2-4)发电量自动控制机组的旋转备用约束，具体表达式如下：对i＝1,2,...,N,j＝1,2,...,J，
其中，和
分别表示t调度时段第j台发电量自动控制机组提供的正负旋转备用的数量，
和
分别表示t调度时段电网所需要的最小正、负旋转备用的数量，ε为调度员设定的可接受的风险水平；
(2-2-5)电网线路潮流约束，表达式如下：对l＝1,2,...,L：
其中，G i,l为电网中第l条线路对第i台火力发电机组有功出力的转移分布因子，G j,l为第l条线路对第j个发电量自动控制机组有功出力的转移分布因子，G k,l为第l条线路对第k个风电/光伏电站有功出力的转移分布因子，G d,l为第l条线路对第d个节点负荷功率的转移分布因子，各转移分布因子分别从电网调度中心获取，L l,t为t调度时段第l条线路上的有功功率上限，η为电网线路上的有功功率超过线路有功功率上限的风险水平，由调度员设定，为
的累积分布函数的逆函数，满足：
α l为K维向量，其第k个元素为
(3)采用内点法，求解上述步骤(2)中的目标函数和约束条件组成的随机动态实时调度模型，得到和
将其中的
作为t调度时段第i个火电机组的计划出力，
第j个发电量自动控制机组的计划出力，
作为第k个风电/光伏电站的参考出力，实现基于风/光出力柯西分布的火电机组动态实时调度。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811509293.0 | 2018-12-11 | ||
| CN201811509293.0A CN109755959B (zh) | 2018-12-11 | 2018-12-11 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020119159A1 true WO2020119159A1 (zh) | 2020-06-18 |
Family
ID=66403544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/100600 WO2020119159A1 (zh) | 2018-12-11 | 2019-08-14 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109755959B (zh) |
| WO (1) | WO2020119159A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109755959B (zh) * | 2018-12-11 | 2020-07-10 | 清华大学 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
| CN111416396A (zh) * | 2020-03-31 | 2020-07-14 | 清华大学 | 辅助服务市场中考虑电采暖的火电与风电联合调度方法 |
| CN113721476A (zh) * | 2021-06-29 | 2021-11-30 | 武汉大学 | 100mw级可变速海水抽水蓄能机组与可再生能源联合运行系统硬件在环仿真平台及方法 |
| CN114069621B (zh) * | 2021-11-16 | 2023-08-22 | 南京邮电大学 | 计及多能源系统稳定性的多目标协同优化安全调度方法 |
| CN114188942A (zh) * | 2021-12-09 | 2022-03-15 | 国网甘肃省电力公司电力科学研究院 | 一种包含大规模新能源基地的电网调度方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103050998A (zh) * | 2012-11-26 | 2013-04-17 | 西安理工大学 | 一种风电并网的火电系统动态调度方法 |
| CN104242354A (zh) * | 2014-06-18 | 2014-12-24 | 国家电网公司 | 计及风光出力相关性的新能源集中外送运行特性评估方法 |
| CN107330546A (zh) * | 2017-06-14 | 2017-11-07 | 武汉大学 | 一种考虑风电出力和需求响应不确定性的优化调度方法 |
| US20170371306A1 (en) * | 2016-06-27 | 2017-12-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and Method for Dispatching an Operation of a Distribution Feeder with Heterogeneous Prosumers |
| CN108879787A (zh) * | 2018-08-17 | 2018-11-23 | 合肥工业大学 | 一种含风电的电网随机调度优化模型与方法 |
| CN109755959A (zh) * | 2018-12-11 | 2019-05-14 | 清华大学 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015031331A1 (en) * | 2013-08-26 | 2015-03-05 | Robert Bosch Gmbh | Dispatch controller for an energy system |
| CN105591407A (zh) * | 2016-03-03 | 2016-05-18 | 国家电网公司 | 可再生能源电站有功出力预测误差间相关性的研究方法 |
| CN106327091B (zh) * | 2016-08-26 | 2020-12-11 | 清华大学 | 基于鲁棒联络线计划的多区域异步协调动态经济调度方法 |
| CN106485362B (zh) * | 2016-10-18 | 2019-10-18 | 江苏省电力试验研究院有限公司 | 一种基于高维风电预测误差模型及降维技术的发电调度方法 |
-
2018
- 2018-12-11 CN CN201811509293.0A patent/CN109755959B/zh active Active
-
2019
- 2019-08-14 WO PCT/CN2019/100600 patent/WO2020119159A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103050998A (zh) * | 2012-11-26 | 2013-04-17 | 西安理工大学 | 一种风电并网的火电系统动态调度方法 |
| CN104242354A (zh) * | 2014-06-18 | 2014-12-24 | 国家电网公司 | 计及风光出力相关性的新能源集中外送运行特性评估方法 |
| US20170371306A1 (en) * | 2016-06-27 | 2017-12-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and Method for Dispatching an Operation of a Distribution Feeder with Heterogeneous Prosumers |
| CN107330546A (zh) * | 2017-06-14 | 2017-11-07 | 武汉大学 | 一种考虑风电出力和需求响应不确定性的优化调度方法 |
| CN108879787A (zh) * | 2018-08-17 | 2018-11-23 | 合肥工业大学 | 一种含风电的电网随机调度优化模型与方法 |
| CN109755959A (zh) * | 2018-12-11 | 2019-05-14 | 清华大学 | 基于风/光出力柯西分布的火电机组动态实时调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109755959A (zh) | 2019-05-14 |
| CN109755959B (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119159A1 (zh) | 基于风/光出力柯西分布的火电机组动态实时调度方法 | |
| CN108320111B (zh) | 一种超大规模水电站群短期实用化调度方法 | |
| CN106786753B (zh) | 多用户的区域能源互联网的系统及其调节方法 | |
| WO2023065113A1 (zh) | 风光水多能互补系统灵活性需求量化及协调优化方法 | |
| CN109936170A (zh) | 考虑电源灵活性裕度的风光水火互补协调优化调度方法 | |
| CN105406509A (zh) | 一种基于分布式电源置信容量的配电网供电能力评估方法 | |
| CN111064229A (zh) | 基于q学习的风-光-气-蓄联合动态经济调度优化方法 | |
| CN108092324A (zh) | 一种风电参与调峰调频的agc控制系统和控制方法 | |
| CN103762589A (zh) | 一种电网中新能源容量配比分层优化方法 | |
| CN112510703B (zh) | 一种考虑煤耗曲线修正的多能源接入电网优化调度方法 | |
| CN107332286A (zh) | 一种含储热的热电联产与风电协调调度方法 | |
| CN109670694B (zh) | 一种多能源供给系统负荷预测方法 | |
| CN105373842A (zh) | 一种基于全能流模型的微电网能量优化与评估方法 | |
| CN110826773A (zh) | 一种考虑新能源接入的火电机组月度发电计划优化方法 | |
| CN104392284A (zh) | 一种基于情境分析的大中小水电短期可消纳电量最大协调优化调度方法 | |
| CN110400056A (zh) | 基于风光时空特性的梯级水电日前优化调度方法及装置 | |
| CN114123313B (zh) | 一种时序生产模拟新能源电力系统消纳方法 | |
| CN109657898B (zh) | 一种基于凸松弛的可再生能源随机动态经济调度方法 | |
| CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
| US11689024B2 (en) | Bilateral stochastic power grid dispatching method | |
| CN109299862A (zh) | 一种风电最大消纳能力的凸松弛评估方法 | |
| CN109409609A (zh) | 综合能源系统多能流供需平衡的概率约束建模方法和装置 | |
| CN106026191B (zh) | 用于最小化弃光电量光伏电站发电权置换电量评估的方法 | |
| CN116341881B (zh) | 计及热网灵活性的电-热系统鲁棒超前调度方法及系统 | |
| CN109726416A (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19896794 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19896794 Country of ref document: EP Kind code of ref document: A1 |