基于场景集的含风电电力系统运行备用动态调度优化方法与流程

本发明属于电力系统发电调度领域，具体涉及一种基于场景集的含风电电力系统运行备用动态调度优化方法。

背景技术：

电力系统运行备用是指为了应对负荷波动和风电出力波动，发电机停运故障等不确定性，满足对负荷可靠持续供电而预留的快速有功响应容量。备用容量配置不足，则会导致系统安全性和可靠性降低，严重时会造成弃风，切负荷操作；配置过多虽然提高系统可靠性，但是会产生备而不用的浪费局面。大规模风电并网带来了更多不确定性，传统备用决策调度方法难以应对风电随机波动性和间歇性对系统带来的影响，无法实现经济性与可靠性最优折中，极大制约了风电进一步发展，给电力系统调度运行带来了巨大挑战。

电力系统发电和备用调度方法主要分为2种：1)发电和备用依次进行序列调度；2)发电和备用协调调度。传统机组出力和备用决策依次进行序列调度，先确定机组出力，然后进行备用调度。这种方法难以在经济性方面达到最优，并且面临计算复杂性，当改变调度顺序时，可能出现无解的情况。近些年将机组出力和备用决策联合描述为一个有约束的优化问题，该方法同时得到机组最优出力和备用分配，实现了可靠性和经济性的最优折中。

在已知风电出力预测误差和负荷预测误差概率分布模型后，需要通过计算机模拟抽样生成风电出力场景和负荷场景。抽样方法主要包括蒙特卡洛抽样和拉丁超立方抽样。蒙特卡洛抽样方法是一种基于随机数和伪随机数的抽样方法，是一种完全随机的抽样技术，样本概率更高的点更容易被抽出，因此在抽样次数较低且样本中存在较低概率的样本时，抽样得到的结果聚集现象会更加明显，具有较大误差。拉丁超立方抽样基于分层抽样的原理，通过较少的迭代次数，就可以相对准确的重建概率分布。相比于蒙特卡洛抽样，拉丁超立方抽样得到的随机变量的联合覆盖空间总是大于蒙特卡洛抽样方法。经过同步回代缩减法将大规模场景缩减为少数场景，缩减后的场景在概率上最大程度代表了初始场景。

因此，通过构建风电出力场景和负荷场景，计及发电机强迫停运率，建立机组出力和备用决策动态协调调度模型，以避免备用不足产生弃风限电，避免备用过多造成经济浪费，具有重要的现实意义。

技术实现要素：

本发明的技术问题是风电并网给电力系统带来了更多不确定性，传统备用决策方法采用固定百分比的形式确定备用容量，该方法难以应对风电随机波动性和间歇性对系统带来的影响。而后出现对机组出力与备用决策依次进行序列调度的方法，无法实现全局优化，且计算复杂，当改变调度顺序时，可能出现无解的情况。随机性方法，概率性方法等不确定性方法均考虑到各种波动因素对系统的影响，利用机会约束规划方法的备用决策方法，弱化了约束条件要严格满足不等式要求，但模型中的置信度均来自经验值，没有严格的选取依据，其优化结果不具有代表性。

本发明的目的是解决上述问题，提供一种基于场景集的含风电电力系统运行备用动态调度优化方法，通过构建风电出力场景和负荷场景，计及发电机强迫停运率，建立机组出力和备用决策动态协调调度模型，以避免备用不足产生弃风限电，避免备用过多造成经济浪费。

本发明的技术方案是基于场景集的含风电电力系统运行备用动态调度优化方法，基于场景集，推导电力系统备用需求与可靠性指标之间的量化关系，建立日前机组组合模型，优化目标包括机组运行费用最小，启停成本最小和可用备用成本最小，调度优化方法包括以下步骤，

步骤1：根据日前风电出力预测、负荷预测数据，得到风电出力预测误差概率分布和负荷预测误差概率分布；

步骤2：根据风电出力预测误差概率分布和负荷预测误差概率分布，抽样生成风电出力场景和负荷场景，作为初始场景集；

步骤3：采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；

步骤4：计算代表性场景集每个场景的失电量指标和弃风指标；

步骤5：计算上调备用需求和下调备用需求；

步骤5.1：基于失电量期望指标量化上调备用需求；

步骤5.2：基于弃风电量期望指标量化下调备用需求；

步骤6：将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；

步骤7：对机组组合模型进行求解，得到日前机组启停计划、出力计划和备用配置。

所述初始场景集还包括根据机组强迫停运率建立的机组n-1故障场景集。

所述抽样生成风电出力场景和负荷场景，采用拉丁超立方抽样，设ξ1,ξ2,...,ξt是t个独立随机变量，其累积概率分布函数为φt＝ft(ξt),φt∈[0,1]，针对任一随机变量ξt,t＝1,2,…t，首先将累积分布函数区间均匀划分成n个区间，对每个区间进行随机采样，设un为第n个采样子区间的一个随机数，对累积分布函数反变换后计算ξt的采样值，即：

式中ξn,t是随机变量ξt在第n个子区间的采样值。

建立发电机n-1故障场景集

式中pl是单台机组故障场景概率；non是正常运行机组编号，noff是故障机组编号，f为机组强迫停运率。

步骤3中，场景筛选的原则包括：1)如果该场景与其他场景十分靠近，去除此场景不会影响整个场景集的特征，则将此场景删除；2)该场景存在的概率相比其他场景很小，可以删除此场景。

基于同步回代缩减法对初始场景进行缩减，主要过程如下：

1)首先得到大规模场景w＝{w1,w2,...,wn}，将需要被删除的场景集合j设为空集φ，需要删除的场景数量为k；计算每一对场景的坎托洛维奇距离：

式中wi是第i个场景，wj是第j个场景，vi,t是场景i的第t个元素，vj,t是场景j的第t个元素；

2)针对任一场景wi，通过比较与其匹配的场景对的距离大小，找到最靠近场景wi的场景，根据场景筛选原则进行删除，将被删除的场景概率累加到距离其距离最近的场景上；

3)重复进行步骤2)，直到删减场景数量达到k结束；

4)将得到的风电出力场景和负荷场景与机组故障场景相互结合，将风电场景，负荷场景和机组故障场景概率相乘，得到每个组合场景的概率βk。

步骤5中，所述基于失电量期望指标量化上调备用需求，计算每小时可能出现的失负荷电量：

式中βk表示第k个场景的概率，为负荷预测值，是场景k下t时刻的负荷预测误差，是场景k下的t时刻的发电量，为风电场预测出力，是场景k下t时刻的风电预测误差，是场景k下系统可以提供的上调备用容量；

由如下公式计算：

式中是机组i在场景k下t时刻的发电量；是机组i在场景k下t时刻可以提供的上调备用；rup,i是机组i的上爬坡速率；t0为备用响应时间；pimax为机组i的最大出力；

设每个小时最小失电量容量为根据可靠性要求，每个小时的失电量期望应小于即

满足上式的最小即为t时刻系统所需最小上调备用容量，即

式中是t时刻系统上调备用需求。

所述基于弃风电量期望指标量化下调备用需求，计算每小时可能出现的弃风电量：

式中βk表示第k个场景的概率，是场景k下的t时刻的发电量，为风电场预测出力，是场景k下t时刻的风电预测误差，为负荷预测值，是场景k下t时刻的负荷预测误差，是场景k下系统可以提供的下调备用容量；

由以下公式计算：

式中是机组i在场景k下t时刻可以提供的下调备用；rdn,i是机组i的下爬坡速率；t0为备用响应时间；pimin为机组i的最小出力；

设每个小时允许的最小弃风电量为根据可靠性要求，每个小时的弃风电量期望应小于即

满足上式的最小即为t时刻系统所需最小下调备用容量，即

式中是t时刻系统下调备用需求。

所述的机组组合优化模型如下：

目标函数

目标函数右式中第一部分是机组运行出力成本与系统可以备用成本之和，是机组i在k场景下t时刻的出力；是场景k下机组i在t时刻的出力运行成本；αi是上调备用单位成本，λi是下调备用单位成本；目标函数右式中第二部分是机组启停成本，和分别是机组i在t时刻的启动成本和停机成本；

由如下公式获得：

式中ai，bi、ci分别为机组i耗量函数二次项系数、一次项系数、常系数；hi、ji分别是机组i的单次启动成本、关停成本；ui,t、ui,t-1分别表示机组i在t时刻、t-1时刻的开关状态，为0-1整数变量；

所述的机组组合模型的约束条件如下：

1)功率平衡约束

式中是第j个风电场出力预测，是负荷预测；

2)机组出力约束

式中pimin、pimax分别表示机组i最小技术出力、最大技术出力，ui,t是机组i在t时刻的启停状态；

3)机组爬坡约束

式中rup,i、rdn,i分别表示机组i最大向上爬坡速率、向下爬坡速率；t为调度时间尺度；

4)机组启停时间约束

式中是机组i允许的最小运行时间；是机组i允许的最小停机时间；

5)潮流安全约束

式中n是发电机组数量，nl是负荷节点数量，j是系统负荷节点编号，pd,t是节点d在t时刻的负荷需求，gl-i是机组i有功出力对线路l的功率转移因子，gl-b是节点负荷b对线路l的转移因子，pl,min和pl,max分别是线路l传输有功的下限和上限；

6)可靠性约束

式中是机组i在场景k下t时刻可以提供的上调备用，是机组i在场景k下t时刻可以提供的下调备用，为t时刻系统上调备用需求，为t时刻系统下调备用需求。

调度时间尺度t取值为1小时。

相比于现有技术，本发明的有益效果是通过构建风电出力场景和负荷场景，计及发电机强迫停运率，综合考虑电力系统功率平衡约束，潮流约束，机组爬坡约束等约束条件，建立了机组出力和备用决策动态协调调度模型，在求解过程中考虑失电量期望和弃风电量期望对优化结果的影响，在满足电力系统可靠性的基础上，实现了机组出力和备用决策的最优调度，避免了备用不足产生弃风限电，避免了备用过多造成经济浪费，具有重要的现实意义。

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为本发明的建模示意图。

图2为本发明方法的流程示意图。

具体实施方式

如图1、图2所示，基于场景集的含风电电力系统运行备用动态调度优化方法，推导电力系统备用需求与可靠性指标之间的量化关系，建立日前机组组合模型，优化目标包括机组运行费用最小，启停成本最小和可用备用成本最小，调度优化方法包括以下步骤，

步骤1：根据日前风电出力预测、负荷预测数据，得到风电出力预测误差概率分布和负荷预测误差概率分布；

步骤2：根据风电出力预测误差概率分布和负荷预测误差概率分布，采用拉丁超立方抽样生成风电出力场景和负荷场景，作为初始场景集；根据机组强迫停运率建立的机组n-1故障场景集，加入初始场景集；步骤3：采用同步回代缩减法筛选初始场景集筛选，得到代表性场景集；

步骤4：计算代表性场景集每个场景的失电量指标和弃风指标；

步骤5：计算上调备用需求和下调备用需求；

步骤5.1：基于失电量期望指标量化上调备用需求；

步骤5.2：基于弃风电量期望指标量化下调备用需求；

步骤6：将上调备用需求和下调备用需求作为可靠性约束，建立日前机组组合模型；

步骤7：对机组组合模型进行求解，得到日前机组启停计划、出力计划和备用配置。

风电出力预测误差和负荷预测误差均服从标准正态分布，概率分布如下：

式中：是风电预测偏差；是风电场预测出力；是风电场总装机容量；是风电出力方差；是负荷预测偏差；是负荷预测值；是负荷方差。

所述拉丁超立方抽样，设ξ1,ξ2,...,ξt是t个独立随机变量，均服从标准正态分布，其累积概率分布函数为φt＝ft(ξt),φt∈[0,1]，针对任一随机变量ξt,t＝1,2,…t，首先将累积分布函数区间均匀划分成n个区间，对每个区间进行随机采样，设un为第n个采样子区间的一个随机数，对累积分布函数反变换后计算ξt的采样值，即：

式中ξn,t是随机变量ξt在第n个子区间的采样值。

建立发电机n-1故障场景集

式中pl是单台机组故障场景概率；non是正常运行机组编号，noff是故障机组编号，f为机组强迫停运率。

步骤3中，场景筛选的原则包括：1)如果该场景与其他场景十分靠近，去除此场景不会影响整个场景集的特征，则将此场景删除；2)该场景存在的概率相比其他场景很小，可以删除此场景。

基于同步回代缩减法对初始场景进行缩减，主要过程如下：

1)首先得到大规模场景w＝{w1,w2,...,wn}，将需要被删除的场景集合j设为空集φ，需要删除的场景数量为k；计算每一对场景的坎托洛维奇距离：

式中wi是第i个场景，wj是第j个场景，vi,t是场景i的第t个元素，vj,t是场景j的第t个元素；

2)针对任一场景wi，通过比较与其匹配的场景对的距离大小，找到最靠近场景wi的场景，根据场景筛选原则进行删除，将被删除的场景概率累加到距离其距离最近的场景上；

3)重复进行步骤2)，直到删减场景数量达到k结束；

4)将得到的风电出力场景和负荷场景与机组故障场景相互结合，将风电场景，负荷场景和机组故障场景概率相乘，得到每个组合场景的概率βk。

步骤5中，所述基于失电量期望指标量化上调备用需求，计算每小时可能出现的失负荷电量：

式中βk表示第k个场景的概率，为负荷预测值，是场景k下t时刻的负荷预测误差，是场景k下的t时刻的发电量，为风电场预测出力，是场景k下t时刻的风电预测误差，是场景k下系统可以提供的上调备用容量；

由如下公式计算：

式中是机组i在场景k下t时刻的发电量；是机组i在场景k下t时刻可以提供的上调备用；rup,i是机组i的上爬坡速率；t0为备用响应时间；pimax为机组i的最大出力；

设每个小时最小失电量容量为根据可靠性要求，每个小时的失电量期望应小于即

满足上式的最小即为t时刻系统所需最小上调备用容量，即

式中是t时刻系统上调备用需求。

所述基于弃风电量期望指标量化下调备用需求，计算每小时可能出现的弃风电量：

式中βk表示第k个场景的概率，是场景k下的t时刻的发电量，为风电场预测出力，是场景k下t时刻的风电预测误差，为负荷预测值，是场景k下t时刻的负荷预测误差，是场景k下系统可以提供的下调备用容量；

由以下公式计算：

式中是机组i在场景k下t时刻可以提供的下调备用；rdn,i是机组i的下爬坡速率；t0为备用响应时间，pimin是机组i的最小出力；

设每个小时允许的最小弃风电量为根据可靠性要求，每个小时的弃风电量期望应小于即

满足上式的最小即为t时刻系统所需最小下调备用容量，即

式中是t时刻系统下调备用需求。

如图1所示，机组组合优化模型如下：

目标函数

目标函数右式中第一部分是机组运行出力成本与系统可以备用成本之和，是机组i在k场景下t时刻的出力；是场景k下机组i在t时刻的出力运行成本；αi是上调备用单位成本，λi是下调备用单位成本；目标函数右式中第二部分是机组启停成本，和分别是机组i在t时刻的启动成本和停机成本；

由如下公式获得：

式中ai，bi、ci分别为机组i耗量函数二次项系数、一次项系数、常系数；hi、ji分别是机组i的单次启动成本、关停成本；ui,t、ui,t-1分别表示机组i在t时刻、t-1时刻的开关状态，为0-1整数变量；

所述的机组组合模型的约束条件如下：

1)功率平衡约束

式中是第j个风电场出力预测，是负荷预测；

2)机组出力约束

式中pimin、pimax分别表示机组i最小技术出力、最大技术出力，ui,t是机组i在t时刻的启停状态；

3)机组爬坡约束

式中rup,i、rdn,i分别表示机组i最大向上爬坡速率、向下爬坡速率；t为调度时间尺度；

4)机组启停时间约束

式中是机组i允许的最小运行时间；是机组i允许的最小停机时间；

5)潮流安全约束

式中n是发电机组数量，nl是负荷节点数量，j是系统负荷节点编号，pd,t是节点d在t时刻的负荷需求，gl-i是机组i有功出力对线路l的功率转移因子，gl-b是节点负荷b对线路l的转移因子，pl,min和pl,max分别是线路l传输有功的下限和上限；

6)可靠性约束

式中是机组i在场景k下t时刻可以提供的上调备用，是机组i在场景k下t时刻可以提供的下调备用，为t时刻系统上调备用需求，为t时刻系统下调备用需求。

一种实施例中，调度时间尺度t取值为1小时。

机组运行成本经过分段线性化转化为线性函数，可靠性约束经过推导转变为不等式约束，整个问题转化成混合整数线性规划问题。

对上述机组组合优化模型进行求解得到日前机组启停计划，机组出力计划和备用配置。