一种计及风电机组提供运行备用容量的电力系统调度方法

摘要

本发明涉及电力系统电力调度技术领域，具体涉及一种计及风电机组提供运行备用容量的电力系统调度方法。本发明基于桨距角控制决策的风电机组备用容量，计及风电机组提供运行备用容量的两阶段随机调度，考虑风速不确定性、负荷不确定性及元件随机故障，基于随机优化模型确定最优的日前出力‑备用决策。根据该过程，可以对经济调度中计及决策依赖不确定性的风电机组备用容量建模，准确量化风电备用容量，同时可以进一步实现计及运行风险的最优经济调度。本方法可以有效提高风机备用容量模型的准确性进而优化常规机组和风电机组的出力和备用量，为电力系统电力调度、备用计划等工作提供更为可靠的依据。

说明书

技术领域

本发明涉及电力系统电力调度技术领域，具体涉及一种计及风电机组提供运行备用容量的电力系统调度方法。

背景技术

在碳排放目标推进下，近年来风电并网发展迅速。截至2021年底，我国风电并网装机容量达到30015万千瓦，较2016年底实现翻番。未来，风电将在许多电力系统中发挥主导作用。为维持系统运行的供需平衡，风电的不确定性将导致系统运行备用需求增加。从而增加高比例风电电力系统中电力系统的运行成本，降低风电并网的效益。如图1所示，通过桨距角控制策略，风电机组可降载运行以提供备用容量，以降低常规机组的备用成本。通过对风电备用容量的建模和准确量化，可以为系统提供额外的运行备用保证供需平衡，提高运行可靠性，降低运行总成本。因此，计及风电不确定性对风电机组备用容量进行精确建模，并在经济调度过程中量化传统机组和风电机组的备用，是从调度规划的角度上提高含风电电力系统经济性的有效手段，具有重要意义。

对风电备用容量进行准确建模，有助于日前经济调度中实现出力-备用的最优决策，降低系统失负荷风险。由于风电输出功率受风速不确定性影响，所以风电备用容量需要基于概率性准则确定。此外，风机降载提供备用的桨距角决策，将影响风速和可用风电功率之间的系数，从而影响实际风电出力和备用容量。风电备用容量同时受风速不确定性和运行人员降载决策影响，所以风电备用容量的不确定性具有决策依赖性。不同于传统火电和水电机组提供的备用，风电备用量的不确定性将导致备用量不可靠。在实际故障和风电波动场景中，备用量不足将导致系统出现切负荷风险。这使得传统基于N-1准则或百分比准则的备用量化准则并不适用于风电提供备用的情形。从而在系统经济调度中，需要考虑到风电备用容量的不确定，进行出力-备用的联合优化，提高系统可靠性和经济性。

因此，在风电备用容量和运行决策相耦合的情形下，如何考虑决策依赖不确定性，提高风机备用容量模型的准确性进而优化常规机组和风电机组的出力和备用量，为电力系统电力调度、备用计划等工作提供更为可靠的依据，是目前本领域技术人员亟待解决的技术问题。

发明内容

针对上述现有技术的不足，本发明提供了一种计及风电机组提供运行备用容量的电力系统调度方法，能够提高风机备用容量模型的准确性进而优化常规机组和风电机组的出力和备用量，为电力系统电力调度、备用计划等工作提供更为可靠的依据。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种计及风电机组提供运行备用容量的电力系统调度方法，包括以下步骤：

步骤1、基于风电机组特性系数，计算不同风速下各风电机组的风能利用系数C

步骤2、基于风能利用系数C

步骤3、根据风电机组出力对桨距角的线性函数F

步骤4、基于风电场历史风速和负荷数据预测日前24小时的风速和负荷，并计及风速的正态分布的预测误差生成实时24小时的风速场景及风速场景概率π

步骤5、枚举实时24小时的发电机组和线路的故障场景，并结合设备故障概率FOR计算故障场景概率

步骤6、结合风速场景、负荷场景和故障场景，得到实时24小时所有可能的系统实时场景，计算系统场景概率π

步骤7、基于系统场景及系统场景概率，构建系统的随机经济调度模型；

步骤8、根据随机经济调度模型求解系统的出力-备用决策，得到计及可靠性的经济调度总成本和日前经济调度决策。

名词说明：

日前24小时，指一个工作日之前，日前基于风电场历史风速和负荷数据预测、所有系统元件正常的情形，制定电力系统的经济调度计划；

实时24小时，指电力系统的实际运行工作日，实时24小时面临某一个确定的系统场景，实时运行基于日前的决策和系统场景进行调整。

优选地，步骤1中，风电机组的风能利用系数C

式中，风能利用系数C

优选地，步骤3中，风电机组的出力包括日前调度出力

优选地，风电机组w在时刻t的最大上备用容量

式中，

风电机组w在时刻t的日前调度的上备用容量

式中，

优选地，风电机组w在时刻t的实时系统场景s中调度的出力

式中，F

优选地，步骤4中，采用整合移动平均自回归模型预测日前24小时的风速和负荷；采用抽样方法生成实时24小时的风速场景及风速场景概率π

优选地，步骤7中，随机经济调度模型为两阶段随机经济调度模型，第一阶段量化日前24小时风电机组和常规机组的出力和备用量；第二阶段根据实时24小时的系统场景、第一阶段量化的出力和备用量计算，计算系统的切负荷量和弃风量。

优选地，步骤7中，随机经济调度模型的目标函数为：

式中，第一项表示常规机组发电成本，

优选地，随机经济调度模型的约束条件包括基于风速日前预测值的日前预调度潮流约束，以及基于系统实时场景再调度的潮流约束。

优选地，步骤8中，采用随机优化的Benders分解算法求解系统出力-备用；所述计及可靠性的经济调度总成本和日前经济调度决策，包括日前24小时的风电出力、风电备用容量、传统机组出力、传统机组备用容量。

本发明与现有技术相比，具有如下有益效果：

1、本发明基于桨距角控制决策的风电机组备用容量，计及风电机组提供运行备用容量的两阶段随机调度，考虑风速不确定性、负荷不确定性及元件随机故障，基于随机优化模型确定最优的日前出力-备用决策。根据该过程，可以对经济调度中计及决策依赖不确定性的风电机组备用容量建模，准确量化风电备用容量，同时可以进一步实现计及运行风险的最优经济调度，对提高电力系统运行的经济性和安全性具有重要意义。本发明能够对风电机组的决策依赖不确定进行建模，计及多种不确定性，联合优化电力系统中常规机组和风电机组的出力-备用，提高系统运行可靠性和调度的经济性。对于传统不计及风电备用容量的电力系统经济调度能够起到很好的补充作用，对计及风机组备用容量的规划、调度等具有重要意义。

综上，本方法可以有效提高风机备用容量模型的准确性进而优化常规机组和风电机组的出力和备用量，为电力系统电力调度、备用计划等工作提供更为可靠的依据。

2、由于随机优化模型的问题规模随着场景数增加而激增，采用Benders分解计算该随机经济调度模型，将日前和实时场景分开求解，从而缩减问题规模，提高计算效率。

3、本方法采用风电机组提供备用能够给电力系统提供额外备用容量，同时降低下备用容量需求；对比传统百分比备用量化准则，考虑风电机组的出力和备用的决策依赖不确定性，降低失负荷风险，能够提高电力系统运行可靠性。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为背景技术中的风电机组通过桨距角控制调整风能利用系数的示意图；

图2为实施例中的流程图；

图3为实施例中基于桨距角控制决策的风电机组备用容量的示意图；

图4为实施例中随机经济调度模型的工作过程示意图；

图5为用本发明对测试系统计算常规机组和风电机组的备用决策结果的对比示意图；

图6为用本发明对测试系统计算常规机组和风电机组的出力-备用决策结果的对比示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例：

如图2所示，本实施例中公开了一种计及风电机组提供运行备用容量的电力系统调度方法，包括以下步骤：

步骤1、基于风电机组特性系数，计算不同风速下各风电机组的风能利用系数C

具体实施时，风电机组的风能利用系数C

式中，风能利用系数C

步骤2、基于风能利用系数C

步骤3、根据风电机组出力对桨距角的线性函数F

具体实施时，风电机组的出力包括日前调度出力

风电机组w在时刻t的最大上备用容量

式中，

风电机组w在时刻t的日前调度的上备用容量

式中，

风电机组w在时刻t的实时系统场景s中调度的出力

式中，F

步骤4、基于风电场历史风速和负荷数据预测日前24小时的风速和负荷，并计及风速的正态分布的预测误差生成实时24小时的风速场景及风速场景概率π

步骤5、枚举实时24小时的发电机组和线路的故障场景，并结合设备故障概率FOR计算故障场景概率

步骤6、结合风速场景、负荷场景和故障场景，得到实时24小时所有可能的系统实时场景，计算系统场景概率π

步骤7、基于系统场景及系统场景概率，构建系统的随机经济调度模型。随机经济调度模型的工作过程如图4所示。其中，随机经济调度模型为两阶段随机经济调度模型，第一阶段量化日前24小时风电机组和常规机组的出力和备用量；第二阶段根据实时24小时系统场景、第一阶段量化的出力和备用量计算，计算系统的切负荷量和弃风量。

随机经济调度模型的目标函数为：

式中，第一项表示常规机组发电成本，

随机经济调度模型的约束条件包括基于风速日前预测值的日前预调度潮流约束，以及基于系统实时场景再调度的潮流约束。具体实施时，约束条件包括计及桨距角决策的风电机组出力和备用容量约束，以及常规机组出力和备用容量约束、功率平衡约束、相角约束、线路传输容量约束。

步骤8、根据随机经济调度模型，使用随机优化的Benders分解算法求解系统的出力-备用决策，得到计及可靠性的经济调度总成本和日前经济调度决策。其中，所述计及可靠性的经济调度总成本和日前经济调度决策，包括日前24小时的风电出力、风电备用容量、传统机组出力、传统机组备用容量。

由于随机优化模型的问题规模随着场景数增加而激增，采用Benders分解计算该随机经济调度模型，将日前和实时场景分开求解，从而缩减问题规模，提高计算效率。

本发明基于桨距角控制决策的风电机组备用容量，计及风电机组提供运行备用容量的两阶段随机调度，考虑风速不确定性、负荷不确定性及元件随机故障，基于随机优化模型确定最优的日前出力-备用决策。根据该过程，可以对经济调度中计及决策依赖不确定性的风电机组备用容量建模，准确量化风电备用容量，同时可以进一步实现计及运行风险的最优经济调度，对提高电力系统运行的经济性和安全性具有重要意义。本发明能够对风电机组的决策依赖不确定进行建模，计及多种不确定性，联合优化电力系统中常规机组和风电机组的出力-备用，提高系统运行可靠性和调度的经济性。对于传统不计及风电备用容量的电力系统经济调度能够起到很好的补充作用，对计及风机组备用容量的规划、调度等具有重要意义。除此，本方法采用风电机组提供备用能够给电力系统提供额外备用容量，同时降低下备用容量需求；对比传统百分比备用量化准则，考虑风电机组的出力和备用的决策依赖不确定性，降低失负荷风险，能够提高电力系统运行可靠性。本方法可以有效提高风机备用容量模型的准确性进而优化常规机组和风电机组的出力和备用量，为电力系统电力调度、备用计划等工作提供更为可靠的依据。

将本发明提出的计及风电机组提供运行备用容量的电力系统经济调度方法应用于改进的IEEE-RBTS，为了体现高比例风电电力系统的特点，假设改进系统存在风电机组，将节点1的一台10MW和节点2的一台20MW常规机组分别替换成105MW的风电机组。

为了说明本发明的优势，基于上述IEEE-RBTS，以下述四个案例进行示意。

案例1：采用确定性的百分比备用准则，不含风电备用容量；

案例2：采用确定性的百分比备用准则，含风电备用容量；

案例3：采用概率性备用准则，考虑风速、负荷不确定性和元件随机故障，不含风电备用容量；

案例4：采用概率性备用准则，采用本发明所提的方法，考虑风速、负荷不确定性和元件随机故障，含风电备用容量。

表1中给出了这四种调度案例的总成本，常规机组出力成本、备用成本，风电机组备用成本，切负荷和弃风成本。

表1

图5和图6分别从备用配置和实际场景切负荷量的角度列出了这四种调度案例的结果。

分析表1和图5可得出以下结论：

(1)案例1和案例2都是基于确定性的百分比备用准则，系统确定的所需备用量一致，但是案例2采用较多的风电备用。

(2)案例3和案例4基于概率性准则，由于考虑到多种不确定性，系统实际的备用需求高于案例1和案例2。

(3)案例3在时刻1-4和时刻24由于常规机组出力受出力下限的限制，无法提供足够的备用；而案例4采用风电备用容量后可以提供足够的备用。

(4)案例4的总成本最低，说明本发明提出的经济调度方法较常规方法经济性更好，这是因为采用了风电的备用容量，综合考虑多种不确定性实现最优的备用量优化。

图6是某个实时系统场景下的机组出力和系统切负荷量模拟结果，分析表1和图6可得出以下结论：

(1)案例1和案例2的切负荷量较高，说明常规的确定性的百分比备用准则并不适用未来高比例可再生能源电力系统，同时案例2还说明，为避免失负荷，确定性备用准则不适用于采用风电备用容量的情形。

(2)案例3和案例4的实际切负荷量最小，这是因为系统提供备用量高于案例1和案例2，能够保证系统运行的可靠性。

(4)案例4的总成本最低同时切负荷最少，说明本发明提出的经济调度方法较常规方法提高经济性的同时，能够保证系统运行可靠性。

本发明能够对风电机组的决策依赖不确定进行建模，计及多种不确定性，联合优化电力系统中常规机组和风电机组的出力-备用，提高系统运行可靠性和调度的经济性。对于传统不计及风电备用容量的电力系统经济调度能够起到很好的补充作用，对计及风机组备用容量的规划、调度等具有重要意义。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。