利用风险约束调度提高极端天气环境下风力利用率的方法与流程

本发明涉及电力系统运行与调度技术领域，具体涉及一种利用风险约束调度提高极端天气环境下风力利用率的方法。

背景技术：

近些年，风力发电的比例不断提高，其经济环保的特点给广大用户带来了不少的益处，在一定程度上缓解了人类所面临的能源紧张问题，同时也减少了化石能源的使用给环境带来的危害。但是风力发电易受天气环境的影响，在极端天气环境下由于风机过早退出导致其利用率偏低。因此，提高风力利用率成为现阶段所要解决的首要问题。

现阶段的调度方法主要有基于场景的随机规划和超前调度，基于场景的随机规划存在如下缺点：①计算的复杂性随着场景的数量的增加而呈现指数形式的增长；②没有使用连续的概率密度函数，有可能会导致一些重要信息的丢失；③其操作决策是静态的，未能很好的应对随机场景。超前调度存在如下缺点：①其适用于处理短期的运行调度问题，不适用于长时间的运行调度问题；②其所得到的解并不是全局最优解。

技术实现要素：

本发明所要解决的技术问题是克服上述现有技术存在的不足，提供一种利用风险约束调度提高极端天气环境下风力利用率的方法，该方法通过不断更新的天气预测信息来制定机组的运行策略，避免风力机组过早退出，从而提高风力利用率。

为实现上述发明目的，本发明采用如下技术方案：

一种利用风险约束调度提高极端天气环境下风力利用率的方法，包括以下步骤：

步骤一：将快速启停机组、常规机组和风力机组组合建模成混合整数规划模型，所述模型由日前调度模型、小时前调度模型和实时切负荷模型组成；将三个模型在风险约束方法下进行序贯求解，得到在整个调度时段内的全局最优策略；

步骤二：生成序贯场景树，所述场景树分为日前调度阶段的场景、小时前调度阶段的场景和实时调度阶段的场景；场景树的节点代表一组可能的风力输出情景和负载需求情景，节点被描述为概率密度函数或随机变量的样本数量；场景树的分支表示从一个阶段的一个场景到后一阶段的另一个场景的可能转变，每次场景转变乘以相应的条件概率；

步骤三：采用分支定界和原-对偶内点法求解步骤一的混合整数规划模型，得到最优机组组合方案，在风电高效利用和潜在风险之间找到最佳均衡点。

其中，所述日前调度模型的目标函数定义为最小化发电机组的运行费用，包括发电机组运行二次费用，一次费用和固定费用；日前调度模型的运行约束包括等式约束和不等式约束，等式约束为电力系统功率平衡约束，不等式约束为机组出力约束、机组启停约束、机组爬坡约束和机组启停费用约束。

所述小时前调度模型的目标函数定义为最小化发电机组的运行费用，包括发电机组运行二次费用，一次费用和固定费用；小时前调度模型的运行约束包括等式约束和不等式约束，等式约束为电力系统功率平衡约束，不等式约束为机组出力约束、快速启停机组启停约束、机组爬坡约束和机组启停费用约束。

所述实时切负荷模型的目标函数定义为最小化切负荷费用；实时切负荷模型的运行约束为机组出力约束和电力系统功率平衡约束。

所述日前调度模型的目标函数表达式为(1a)：

其中表示日前调度阶段发电机组i在t时刻的有功出力，ai、bi、ci分别表示发电机组i运行二次费用系数，一次费用系数和固定费用系数，o^da表示日前调度的费用，c^up和c^down分别代表机组的启动费用和停止费用，代表日前调度阶段t时刻需要切除的负荷，δ为切负荷的费用系数，nt为整个调度的时间范围，时间间隔为一小时，ng为机组数。

所述日前调度模型的电力系统功率平衡约束、机组出力约束、机组启停约束、机组爬坡约束和机组启停费用约束的具体形式如下：

①电力系统功率平衡约束方程为(1b)：

其中为日前调度阶段发电机i在t时刻的状态，为日前调度阶段t时刻的风力发电量，为日前调度阶段t时刻的负荷值，为日前调度阶段t时刻的切负荷的数值；

②机组出力约束为(1c)：

其中为机组i出力下限值，为机组i出力的上限值；

③机组启停约束为(1d)：

其中和分别为日前调度阶段机组i在t时刻启动或者停止的时间，和分别为机组i的最小启动和停止时间；

④机组爬坡约束为(1e)：

其中和为日前调度阶段机组i的最小爬坡值；

⑤机组启停费用约束为(1f)：

其中和分别为机组i的启动费用和停止费用。

所述日前调度模型的简化形式如下：

(1g)：mino^da＝f(x^da)

(1i)：g(x^da)≥0

其中o^da为日前调度的费用，x^da为日前调度的决策变量为日前调度中在t时刻的风力发电值，h(·)为等式约束，g(·)为不等式约束。

所述小时前调度模型的简化形式如下：

(2a)：mino^ha＝f(x^ha)

(2c)：g(x^ha)≥0

其中o^ha表示小时前调度的费用，x^ha为小时前调度的决策变量其中表示小时前调度阶段发电机组i在t时刻的有功出力，为小时前调度阶段发电机i在t时刻的状态，为小时前调度阶段t时刻的切负荷的数值；为小时前调度中在t时刻的风力发电值，为小时前调度阶段t时刻的负荷值，h(·)为等式约束，g(·)为不等式约束；与日前调度模型不同的是，模型中的决策变量包括快速启停机组启停状态和所有机组的出力，时间范围是5～6小时，时间间隔为半小时。

所述实时切负荷模型的目标函数表达式为(3a)：

其中o^rt表示实时切负荷阶段的费用，nt^rt为实时切负荷阶段的时段数，表示实时切负荷阶段t时刻切除的负荷量，δ是相应的费用系数。

所述实时切负荷模型的机组出力约束和电力系统功率平衡约束的具体形式如下：

1)机组的出力约束(3b)：

其中nt^rt为实时切负荷阶段的时段数，为机组i在t时刻的出力值，为机组i出力下限值，为机组i出力的上限值，有机组的启停状态与小时前调度的对应时刻的状态相同；

2)电力系统功率平衡约束(3c)：

其中表示此阶段t时刻的风机出力，表示此阶段在t时刻的负荷值，表示此阶段t时刻的切除负荷。

所述混合整数规划模型为(4a)：

mino^da+o^ha+o^rt

s.t.(1h),(1i),(2b),(2c),(3b),(3c)

电力系统在极端天气环境下保持功率平衡的概率大于η，η表示电力系统的稳定性，(4a)中的条件概率约束表示电力系统的稳定性要求。

与现有技术相比，本发明具有以下有益效果：

(1)本发明运用了风险约束调度，随着天气预测信息的不断更新，不断更新调度计划，并且只需要考虑最后一个时刻的风险界限。

(2)模型采用动态规划，解的形式简单明了，并且调度计划更新次数越多模型越准确。

(3)本发明的方法得到的解是全局最优解。

(4)通过天气预测信息的更新不断调整机组的调度计划，灵活的使用快速启停机组和常规机组是本发明的方法优于基于场景的随机规划和超前调度两种方法的地方。

(5)本发明的方法构建的模型由日前调度模型、小时前调度模型和作为应急措施的实时切负荷模型，通过天气预测信息的更新，将三个模型按顺序调用，以求出给定调度时间内的最优调度策略，即最小化运行成本(包括机组运行费用以及切负荷损失费用)。相对于常规调度而言，本发明的方法不再一开始就考虑极端天气的最恶劣影响，而是随着天气信息的不断更新，逐步考虑极端天气的影响，避免了运行策略过于保守、过早切除风机，提高了风机的利用效率。

附图说明

图1是本发明的模型流程图；

图2是本发明的场景树图；

图3是采用分支定界的方法对整数变量进行规整处理的流程图；

图4是本发明的方法下发电机组输出功率曲线图；

图5是传统方法下发电机组输出功率曲线图。

具体实施方式

为了能更清晰地理解本发明的上述目的、特征和优点，下面结合模型的具体实现形式对本发明技术方案进行进一步的详细描述。

利用风险约束调度提高极端天气环境下风力利用率的方法，包括以下步骤：

步骤一：将快速启停机组、常规机组和风力机组组合建模成混合整数规划模型，所述模型由日前调度模型、小时前调度模型和实时切负荷模型组成；将三个模型在风险约束方法下进行序贯求解，得到在整个调度时段内的全局最优策略；

步骤二：生成序贯场景树，所述场景树分为日前调度阶段的场景、小时前调度阶段的场景和实时调度阶段的场景；场景树的节点代表一组可能的风力输出情景和负载需求情景，节点被描述为概率密度函数或随机变量的样本数量；场景树的分支表示从一个阶段的一个场景到后一阶段的另一个场景的可能转变，每次场景转变乘以相应的条件概率；

步骤三：采用分支定界和原-对偶内点法求解步骤一的混合整数规划模型，得到最优机组组合方案，在风电高效利用和潜在风险之间找到最佳均衡点。

本发明的方法构建的模型由日前调度模型、小时前调度模型和作为应急措施的实时切负荷模型，通过天气预测信息的更新，将三个模型按顺序调用，以求出给定调度时间内的最优调度策略，即最小化运行成本(包括机组运行费用以及切负荷损失费用)。相对于常规调度而言，本发明的方法不再一开始就考虑极端天气的最恶劣影响，而是随着天气信息的不断更新，逐步考虑极端天气的影响，避免了运行策略过于保守、过早切除风机，提高了风机的利用效率。

本发明的方法考虑了常规机组和快速启停机组的特点，在风暴期间由于风机的退出而导致出现电力缺口的情况下，快速启停机组和主动卸载装置被调用，以保证系统的功率平衡；风险约束在实现风力高效利用和潜在风险之间的权衡起着重要作用。

本发明的方法，具体步骤如下：

步骤一、建立模型

1、日前调度模型：

目标函数定义为最小化发电机组的运行费用，包括发电机组运行二次费用，一次费用和固定费用。日前调度模型的目标函数表达式为(1a)：

其中表示日前调度阶段发电机组i在t时刻的有功出力，ai、bi、ci分别表示发电机组i运行二次费用系数，一次费用系数和固定费用系数，o^da表示日前调度的费用，c^up和c^down分别代表机组的启动费用和停止费用，代表日前调度阶段t时刻需要切除的负荷，δ为切负荷的费用系数，nt为整个调度的时间范围，时间间隔为一小时，ng为机组数。

日前调度模型的运行约束包括等式约束和不等式约束，等式约束为电力系统功率平衡约束，不等式约束为机组出力约束、机组启停约束、机组爬坡约束和机组启停费用约束。具体形式如下：

①电力系统功率平衡约束方程为(1b)：

其中为日前调度阶段发电机i在t时刻的状态，为日前调度阶段t时刻的风力发电量，为日前调度阶段t时刻的负荷值，为日前调度阶段t时刻的切负荷的数值；

②机组出力约束为(1c)：

其中为机组i出力下限值，为机组i出力的上限值；

③机组启停约束为(1d)：

其中和分别为日前调度阶段机组i在t时刻启动或者停止的时间，和分别为机组i的最小启动和停止时间；

④机组爬坡约束为(1e)：

其中和为日前调度阶段机组i的最小爬坡值；

⑤机组启停费用约束为(1f)：

其中和分别为机组i的启动费用和停止费用。

日前调度模型的简化形式如下：

(1g)：mino^da＝f(x^da)

(1i)：g(x^da)≥0

其中o^da为日前调度的费用，x^da为日前调度的决策变量为日前调度中在t时刻的风力发电值h(·)为等式约束，g(·)为不等式约束。

2、小时前调度模型：

小时前调度模型与日前调度模型类似，其简化形式如下：

(2a)：mino^ha＝f(x^ha)

(2c)：g(x^ha)≥0

其中o^ha表示小时前调度的费用，x^ha为小时前调度的决策变量其中表示小时前调度阶段发电机组i在t时刻的有功出力，为小时前调度阶段发电机i在t时刻的状态，为小时前调度阶段t时刻的切负荷的数值；为小时前调度中在t时刻的风力发电值，为小时前调度阶段t时刻的负荷值，h(·)为等式约束，g(·)为不等式约束；与日前调度模型不同的是，模型中的决策变量包括快速启停机组启停状态和所有机组的出力，时间范围是5～6小时，时间间隔为半小时。

3、实时切负荷模型：

在风暴来临时，若所有机组的出力已达到最大值还不能达到系统功率平衡，则需要切除一部分负荷。

实时切负荷模型的目标函数定义为最小化切负荷费用，实时切负荷模型的目标函数表达式为(3a)：

其中o^rt表示实时切负荷阶段的费用，nt^rt为实时切负荷阶段的时段数，表示实时切负荷阶段t时刻切除的负荷量，δ是相应的费用系数。

实时切负荷模型的运行约束为机组出力约束和电力系统功率平衡约束，具体形式如下：

1)机组的出力约束(3b)：

其中nt^rt为实时切负荷阶段的时段数(4个时段，间隔15分钟)，为机组i在t时刻的出力值，为机组i出力下限值，为机组i出力的上限值，所有机组的启停状态与小时前调度的对应时刻的状态相同。

2)电力系统功率平衡约束(3c)：

其中表示此阶段t时刻的风机出力，表示此阶段在t时刻的负荷值，表示此阶段t时刻的切除负荷。

4、本发明的整体模型：混合整数规划模型为(4a)：

mino^da+o^ha+o^rt

s.t.(1h),(1i),(2b),(2c),(3b),(3c)

电力系统在极端天气环境下保持功率平衡的概率大于η，η表示电力系统的稳定性，(4a)中的条件概率约束表示电力系统的稳定性要求。

步骤二、生成序贯场景树

考虑到各种调度阶段的场景的衔接，场景由场景树的方式生成，并在场景转变时乘以相应的条件概率。具体过程如下：

在日前调度阶段分别以p(h1)＝0.6和p(l1)＝0.4的概率生成两个高预测误差和低预测误差的场景，记为{m11,m12}。同样，在小时前调度阶段，在m11的条件下，两个高预测误差和低预测误差的场景{m21,m22}分别以条件概率p(h2|h1)和p(l2|h1)被生成。用同样的方法，在m12的条件下以p(h3|l1)和p(l3|l1)生成场景{m23,m24}。最后，在实时切负荷阶段，8个场景{m31,m32}、{m33,m34}、{m35,m36}和{m37,m38}分别以条件概率p(h4|h2h1)、p(l4|h2h1)、p(h5|l2h1)、p(l5|l2h1)、p(h6|h3l1)、p(l6|h3l1)、p(h7|l3l1)和p(l7|l3l1)被生成。场景树图如图2所示。

步骤三、求解模型

采用分支定界与原-对偶内点法求解混合整数规划模型，得到最优机组组合方案。具体步骤如下：

将模型(4a)写成如下紧凑模型(5a)：

minf(x)

g(x)＝0

其中，x∈r⁽ⁿ⁾，h(x)＝[h1(x),…,hm(x)]是不等式约束，和h＝[h1,…,hm]^t是其上下界，g(x)＝[g1,…,gk]^t为等式约束。

首先将原问题(5a)的不等式约束转化为等式约束：

(5c)：h(x)-l-h＝0

其中松弛变量(l,u)∈r^(m)，应满足

u＞0,l＞0

这样，原问题化为(5d)：

minf(x)

h(x)-l-h＝0

g(x)＝0

u＞0

l＞0

然后，对松弛变量引入对数障碍函数，使新问题的目标函数在可行域内近似于原目标函数f(x)。因此可以得到(5e)：

h(x)-l-h＝0

g(x)＝0

其中μ＞0为扰动因子，将(5e)用拉格朗日乘数法来求解，其拉格朗日函数为(5f)：

其中，α∈r^(k),β∈r^(m),δ∈r^(m)为拉格朗日乘数，所以kkt条件为：

(5h)：lα＝g(x)＝0

(5i)：lβ＝h(x)-l-h＝0

(5k)：ll＝β-μl^-1e＝0

(5l)：lu＝-δ-μu^-1e＝0

(l,u；β)＞0,δ＜0,α≠0

其中l^-1＝diag(l1,…,lm)^-1，u^-1＝diag(u1,…,um)^-1，e＝[1,…,1]^t∈r^(m)。

采用基于牛顿-拉夫逊法解的内点法解以上kkt条件的方程组，得到模型(5d)的松弛后最优解；当不满足整数变量约束时，采用分支定界的方法对整数变量进行规整处理，其流程如图3所示。

以下是本发明的应用实例：

以5台常规机组的系统为例进行说明，主要有以下三个部分或步骤。

1、设置机组参数：

常规机组参数如表一和表二所示：

表一：机组的特征参数

表二：机组的费用参数

假设风暴在19点到达风力发电厂所在地。

2、搭建模型：

目标函数是机组的运行费用，约束条件是机组的运行约束，包括等式约束和不等式约束。本发明所述方法和传统方法的数学模型如下所示：

本发明的方法：

min日前调度费用+小时前调度费用+实时切负荷费用

s.t.日前调度的发电机组运行约束

小时前调度的发电机组运行约束

实时切负荷的发电机组功率约束和功率平衡约束

实时切负荷下的条件概率约束

传统方法：

min日前调度费用

s.t.发电机组运行约束

此处为了简化计算，仅考虑单一场景的情况。

3、求解模型：

通过yalmip在matlab里将上述两种模型建模，并用cplex12.5求解，得到常规机组的出力情况，结果如图4、图5所示。

由图4和图5对比，可以看出通过本发明使用的风险约束调度的方法，常规机组在风暴来临前的出力明显降低，这是因为风险约束调度的方法推迟了风机的切除时间，使得风机很好的利用了风暴到来前的风力资源，提高了风力的利用率。