一种规避风电场出力不确定性风险的电力系统调度方法

摘要

本发明公开了种规避风电场出力不确定性风险的电力系统调度方法，所述方法包括：获取数据，所述数据包括从电网能量管理系统中所获得的各负荷点的日前功率预测曲线数据和各风电场的日前出力预测曲线数据，以及各个常规火电机组、风电场和抽水蓄能电站的运行参数；将所获取的数据输入至规避风电场出力不确定性风险的调度模型，获得各个常规火电机组、风电场和抽水蓄能电站的优化调度方案。本发明建立了含风电场和抽水蓄能电站的电力系统随机调度模型，通过在目标函数中考虑弃风惩罚费用以促进风电的消纳，针对引入0‑1离散变量描述的抽水蓄能电站运行状态约束，通过适当的变换将其转化为连续线性约束以提高计算效率。

说明书

技术领域

本发明涉及调度技术领域，具体涉及一种规避风电场出力不确定性风险的电力系统调度方法。

背景技术

电力系统经济调度是指在满足安全运行和电能质量的前提下，合理利用能源和设备，采用各种技术措施和管理措施，以最低的发电成本保证对用户可靠供电的一种调度方法。近年来，随着我国经济发展方式与发展理念的转变，以风电为代表的可再生能源发电在我国电力系统装机容量中所占的比重日益增加，截至2020年底，我国风电装机容量达2.8亿千瓦，位居世界首位。为了提高风电利用率，国家出台和完善了相关的可再生能源消纳考核和监管机制，而电网调度机构承担着经营区消纳责任权重实施的组织责任，因此，优先消纳风电等可再生能源发电出力成为了电网经济调度的主要目标之一。由于受到风速、风向等天气因素频繁变化的影响，风电场的出力具有非常强的随机波动特性。抽水蓄能电站由于具备具有大容量存储和快速响应的特性，与风电场等可再生能源配合，将大大降低其出力随机波动对电网运行的影响，因而近年来在消纳可再生能源方面发挥着重要作用。由于确定性优化方法没有考虑风电场出力的随机特性，得到的优化调度方案在风电场出力随机波动条件下存在系统不安全运行风险；场景法虽然能够通过大量场景模拟来考虑可再生能源出力的随机波动，但随着场景数的增加，模型的变量数与约束条件数也急剧增加，且经济调度问题包含一日多个时段调度的联合求解，因此整个问题的规模和求解运算耗时将大大增加，难以满足应用于实际大规模电网经济调度的要求。

目前，在规避风电场出力不确定性风险的随机经济调度算法方面，主要有两大类方法。第一类方法通过将风电场出力随机波动引起的系统安全运行风险考量作为约束条件添加到经济调度模型中，并通过给定概率置信水平对风险程度予以考虑，如各类机会约束算法等。第二类方法则通过将风电场出力极端场景所带来的风险损失以系统运行成本形式表示并添加到经济调度模型的目标函数中，目前主要采用考虑单个风险置信水平的风险价值(Value at Risk，VaR)法与条件价值风险(Conditional Value at Risk，CVaR)法两种风险度量方法，但是，对于能够考虑多个风险置信水平的风险度量方法，目前仍未见有相关研究。

上述第一类方法的主要缺点是，计及风电场出力随机波动的概率信息后，机会约束的加入将使得模型变得难以直接求解。因此，常考虑通过各种近似手段将机会约束转换为确定性约束，但这个过程中不可避免地会引入较大误差，又或是通过反复迭代求解得到收敛解，但所耗费的运算资源与运算时间会非常庞大，无法应用于实际大规模电网经济调度问题的求解。至于第二类方法，目前采用的手段无法实现根据决策者的风险偏好，同时考虑多个风险置信水平，在实际电网调度中应用的局限性较大。

发明内容

为了解决上述背景技术所存在的至少一技术问题，本发明实施例提供了一种规避风电场出力不确定性风险的电力系统调度方法。

为实现上述目的，本发明采用如下技术方案：

一种规避风电场出力不确定性风险的电力系统调度方法，所述方法包括：

获取数据，所述数据包括从电网能量管理系统中所获得的各负荷点的日前功率预测曲线数据和各风电场的日前出力预测曲线数据，以及各个常规火电机组、风电场和抽水蓄能电站的运行参数；

将所获取的数据输入至规避风电场出力不确定性风险的调度模型，获得各个常规火电机组、风电场和抽水蓄能电站的优化调度方案。

本发明的有益效果在于：

本发明建立了含风电场和抽水蓄能电站的电力系统随机调度模型，通过在目标函数中考虑弃风惩罚费用以促进风电的消纳，针对引入0-1离散变量描述的抽水蓄能电站运行状态约束，通过适当的变换将其转化为连续线性约束以提高运算效率。为了处理由于风电场出力随机波动性所带来的求解困难，引入ADP算法将多时段优化调度问题进行逐时段解耦递推求解。为了实现利用更多的风险规避置信水平组合以考虑更多的风险场景，引入失真风险价值(GlueVaR)的风险度量方法，并对近似值函数的训练过程进行优化以加快训练过程的收敛。算例结果表明，所提出方法能够较快地实现近似值函数训练过程的收敛，且与风险中立的调度方法相比，能够考虑多种风电场出力极端场景的风险水平，进而可获得更加符合实际电网运行要求的优化调度结果，以最低的发电成本保证对用户可靠供电。

附图说明

图1为本发明实施例提供的规避风电场出力不确定性风险的电力系统调度方法的流程图；

图2为VaR，CVaR和GlueVaR的区别；

图3为6节点系统的网架结构图；

图4为风电出力预测场景图；

图5总有功负荷曲线图；

图6为时段t＝11的系统运行成本图；

图7为时段t＝15的系统运行成本图；

图8近似值函数训练过程图；

图9不同风险水平下抽水蓄能电站上游水库存储能量变化图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

参阅图1所示，本实施例提供的规避风电场出力不确定性风险的电力系统调度方法主要包括如下步骤：

101、获取数据，所述数据包括从电网能量管理系统中所获得的各负荷点的日前功率预测曲线数据和各风电场的日前出力预测曲线数据，以及各个常规火电机组、风电场和抽水蓄能电站的运行参数；

102、将所获取的数据输入至规避风电场出力不确定性风险的调度模型，获得各个常规火电机组、风电场和抽水蓄能电站的优化调度方案。

如此，通过上述步骤，将优化运算得到的发电调度方案下发给各个常规火电厂、风电场和抽水蓄能电站的运行人员执行。

为了进一步促进可再生能源消纳，常通过将可再生能源削减惩罚添加到优化问题的目标函数中予以考虑，因此，上述规避风电场出力不确定性风险的调度模型的目标函数包括火电机组发电费用与风电场弃风惩罚费用，如式(1)所示：

(1)目标函数

其中，E为数学期望运算符号；N

F

其中，a

由于式(2)为二次等式方程，可以对式(2)进行线性化处理，得到式(3)：

其中，k

(2)约束条件

约束条件主要包括常规火电机组运行约束，风电场运行约束、抽水蓄能电站运行约束与线路有功功率约束等，具体如下：

1)常规火电机组运行约束

其中，P

2)风电场出力约束

3)抽水蓄能电站运行约束

主要包括抽水蓄能电站上游水库存储能量约束、各相邻时段间上游水库存储能量转移约束与各时段抽水蓄能电站运行状态约束。

R

其中，R

由于式(8)包含描述抽水蓄能电站运行状态的0-1变量，使得经济调度模型为混合整数规划模型，增加了模型的求解难度。为此，通过将对式(8)进行适当的变换以将其转化为连续线性约束，从而提高问题求解的运算效率，具体过程如下所示：

首先，根据式(8)的第1个式子，y

y

将式(9)代入式(8)的第2和第3个式子中，可以得到以下表达式：

0≤P

0≤P

接着，将式(10)和式(11)相加，可以得到如下不等式：

0≤P

由于y

0≤P

0≤P

并在式(13)两端同时乘上P

最后，经过对式(15)进行简单的整理，最终可以得到式(16)的表达式，成功实现将含0-1离散变量的式(8)转换为连续线性化约束：

4)网络安全约束

其中，P

可见，对于上述含风电场与抽水蓄能电站的电力系统随机经济调度模型，由于目标函数中含有数学期望运算，是一个随机多时段连续线性规划模型，难以直接求解。

在引入GlueVaR之前，首先引入考虑单风险置信水平的VaR法与CVaR法两种风险度量方法，其表达式分别如式(18)与式(19)所示：

其中，α∈[0,1]为置信水平；X为未来特定时期内某资产价值的成本；u为要求的最小上界；P(X≤u)≥α表明X低于上界u的概率大于α；(X-u)

接着，引入失真函数的概念。对于满足g：[0,1]→[0,1]，使得g(0)＝0，g(1)＝1，且g是非递减的一类函数，称之为失真函数。假设g为失真函数，定义随机变量X与相对应的生存函数S

通常，失真风险价值的常用失真函数如式(21)所示，此时称对应的失真风险价值为GlueVaR。

其中，置信水平α，β∈[0,1]且α<β，h

VaR与CVaR实际上也可归属于失真风险价值，其对应的失真函数如下：

VaR对应的失真函数：

CVaR对应的失真函数：

通过选定合适的α，β，h

当引入式(22)所示记号后，失真函数

因此，GlueVaR可以表示为CVaR

接着，将上面所引入的GlueVaR用于考虑风电场出力极端场景的随机经济调度中。对于传统动态规划模型，其目标函数可以表示为以下形式：

其中，S

由于式(25)包含多个时段费用之和的数学期望运算，难以直接求解，通过引入动态风险价值度量

若

一致性风险测度需要满足正齐次性、平移不变性、单调性与次可加性等性质。由于VaR不满足次可加性，因此，除非k

在实际应用中，为了避免调度决策完全由费用分布函数的长尾部分决定，往往将目标函数表示为ρ

因此，对于考虑风险规避的动态规划模型，根据Bellman最优性定理，其值函数可以表示为式(29)，且ρ

其中，x

根据ADP算法，若选定抽水蓄能电站上游水库决策后存储能量作为状态变量，则值函数可通过分段线性函数进行近似。如式(30)所示。

其中，L为决策后状态的分段数；k

为了使近似值函数更好地拟合最优值函数，需要利用误差场景对近似值函数进行训练。由于假定各个风电场出力随机场景具有相同的发生概率，因此为了得到更为精确的一定风险水平下的系统成本，需要进行多次重复训练求解以保证样本量，因此，训练过程中对传统的逐次投影近似路径算法进行改进，主要体现在将产生风电场出力场景等分为若干组训练场景，在进行每一组中一定数量样本场景的求解后，才对近似值函数的斜率与截距进行新一轮的更新，且每次更新时，均在系统目标函数中考虑GlueVar项，其主要包括如下步骤：

1、初始化

1.1：通过求解风电场出力预测场景，得到近似值函数的初始化斜率与截距，并给定场景训练次数上限M；

1.2：基于蒙特卡洛法产生风电场出力的Ω个训练场景，将Ω个训练场景等分为若干个子集Ω

1.3：设定m＝1。

2、训练

2.1：设定t＝1；

2.2：遍历所有场景ω∈Ω

2.3：根据式(31)运算得到计及风险规避的目标函数

其中，

2.4：分别给

2.5：根据式(31)运算得到扰动后计及风险规避的目标函数

2.6：利用

2.7：利用新的斜率与截距以一定比例系数对原斜率与截距进行更新；

2.8：若t

2.9：若m

在得到经过训练收敛的近似值函数后，可根据各时段的近似值函数对风电场出力预测场景下的经济调度问题式(30)进行逐一时段递推求解，以得到能够规避风电场出力不确定性风险的经济调度方案。

下面结合一个仿真试验来对本方法进行进一步的验证说明：

采用的试验系统为6节点系统，其中接入2台燃煤火电机组，1座风电场与1座抽水蓄能电站，具体网架结构与接入位置如图3所示。抽水蓄能电站的参数如下：R

表2常规火电机组参数

首先运算系统在各场景下的成本分布情况。由于风电场在各场景下的出力均满足正态分布，因此系统各时段运行成本同样呈现一定的分布规律，近似值函数训练的第10次更新后的100个场景下t＝11与t＝15的系统成本分布分别如图6与图7所示。可以看到，系统运行成本的分布呈现中间多，两边少的特征，且在分位线以上分布着少量由于风电场出力极端场景所带来的较大系统成本，需要考虑对其风险的规避。

接着，分析近似值函数训练过程。由于在本算例中，每次近似值函数斜率与截距的更新均基于同一组中100个场景训练得到的近似值函数平均值与失真风险价值GlueVaR的加权和，因此近似值函数达到收敛所需要的更新次数将大大减少。图8展示了当置信水平α＝60和β＝90，参数k

本发明所提出的规避风电场出力不确定性风险的随机调度方法，根据选择的分位点的不同，可以考虑不同置信度的风险水平组合。为此，给定保守性依次递增的四种风险规避水平组合，分别为：1)风险中立，即λ

此外，表3展示了四种风险规避水平下，系统运行成本与失真风险价值GlueVaR的变化情况。可以看到，随着风险规避水平的上升，系统运行成本也随之上升，这是因为此时抽水蓄能电站不再运行在最经济的状态下，进而使得机组出力发生变化。但与此同时，风电场出力波动极端场景下的系统运行风险成本GlueVaR值，即潜在系统运行成本有所下降，表明此时系统调度通过牺牲一定的预测场景下的运行经济性，换取极端场景下运行成本的降低，体现了对极端场景风险规避的效果。

表3不同风险规避水平下的系统运行成本和GlueVaR值

综上，通过本方法所获得的规避风电场出力不确定性风险随机经济调度决策方案与现有技术相比，主要优点在于，通过合理整定GlueVaR表达式中的四个参数，可以同时考虑最恶劣、次恶劣与一般恶劣三种保守场景下的风险规避，且通过给定不同场景的权重系数，可以得到不同风险偏好组合的调度决策方案。此外，本发明通过将风险损失直接添加到模型的目标函数中，避免了复杂的运算求解，同时，通过改进逐次投影近似路径算法进行近似值函数训练，使得同一组中各场景的求解可以并行运算，大大提高近似值函数训练的运算效率。综上所述，本发明技术提供了一种简单易行，且可以同时考虑多种风险场景的规避风电场出力不确定性风险的随机调度方法。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。