计及火电阶梯式爬坡率与新能源不确定性功率调度方法

1.本发明属于提升火电机组不确定性运行稳定性方法技术领域，具体涉及计及火电阶梯式爬坡率与新能源不确定性功率调度方法。


背景技术：

2.可再生能源装机容量长期保持快速增长趋势，对电力系统实现高水平可再生能源消纳、系统的安全稳定运行造成了很大的挑战，风电提供清洁电能的同时，自身的波动性和间歇性等给电力系统实现供需平衡带来了巨大挑战；可再生能源普遍具有不确定性，如具有代表性的风力发电与太阳能发电，其受风速、风向、温度、太阳辐照度等影响极其显著，与传统的火电机组的运行特性有很大差别，虽然需求响应等柔性负荷参与调节以此平抑新能源波动性与不确定性的方法不断被提出，然而用户行为本身就具有高度不确定性，以分时电价为代表的价格激励措施目前还属于理论阶段，而储能系统成本高昂，适用于调节日内的小范围高频波动，可以预见在相当一段时间内，火电还会承担主要的调节角色。
3.高比例新能源已成为现代电力系统的突出特征，新能源发电功率的间歇性、波动性给电力系统带来显著不确定性，极大增加了电力系统安全和稳定运行的风险。新能源的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响也日益彰显，由于电力系统中存在的测量误差、预测误差、可再生能源出力的波动、近似以及截断误差等因素会造成电力系统的负荷、发电机出力具有一定的不确定性，因此基于确定性模型的计算方法具有局限性。


技术实现要素：

4.本发明的目的是提供计及火电阶梯式爬坡率与新能源不确定性功率调度方法，通过将火电机组的变爬坡率进行阶梯化，在优化时考虑了机组变爬坡率这一特点，使得所得火电机组调度结果具有更好的鲁棒性与求解速度。
5.本发明所采用的技术方案是，计及火电阶梯式爬坡率与新能源不确定性功率调度方法，对于包含风力发电和火电发电的电力系统，具体按照以下步骤实施：
6.步骤1、由风力发电功率预测风力发电功率p
wind
及电力系统负荷预测数据，结合火电机组运行约束条件中，以系统最小弃风量为目标判断电力系统是否弃风，进而确定火电发电功率最大可调节曲线；
7.步骤2、以系统最小运行成本为目标函数建立不确定性模型；
8.步骤3、通过对历史风电发电功率实际值与预测值之间误差进行统计分析，得到机会约束中的所需参数，带入不确定性模型，即可得到考虑不确定性后的火电机组运行模型；
9.步骤4、使用matlab调用gurobi求解器对考虑不确定性后的火电机组运行模型进行求解即可得到火电发电日前调度曲线。
10.本发明特点还在于：
11.步骤1具体过程为：
12.步骤1.1、通过对一定区域的风力发电功率进行预测，获得次日的风力发电功率p
wind
及电力系统负荷预测数据；
13.步骤1.2、将风电发电功率p
wind
看作是负的负荷，将同一时间对应的风电发电功率p
wind
和电力系统负荷预测数据相加，得到多个时间点对应火电发电的等效负荷预测数据，作各个时间点对应的火电发电等效负荷随时间的变化曲线图，得到火电发电等效负荷预测曲线；
14.步骤1.3、火电机组阶梯式爬坡约束表达如下：假设火电机组x爬坡率r
x
与其出力区间[p
min
，p
max
]内与输出功率p
x
成单增函数关系，则令取dpro范围内的平均值近似为火电机组在投油深度调峰状态下的爬坡率{r
x
＝r
x,dpro
,p∈dpro}；
[0015]
即可得到火电机组在常规调峰(rpr)，不投油深度调峰(dpr)和投油深度调峰(dpro)状态下的爬坡率r
x
，分别记为r
x,dpro
，r
x,dpr
，r
x,rpr
；
[0016][0017][0018][0019]
式(1a)-(1c)中，p
x
为第台火电机组的出力，p
x,i
(i＝1,2,3)为火电机组x处在该种深度区间内的出力大小，其中i＝1表示为dpro状态，i＝2表示为dpr状态，i＝3表示为rpr状态；s
x,i
为布尔变量，代表机组在该深度下是否存在出力；确定在该约束下最小弃风运行曲线，根据最小弃风运行曲线与火电发电等效负荷预测曲线比较结果确定火电发电功率最大可调节曲线。
[0020]
步骤1.3中根据最小弃风运行曲线与火电发电等效负荷预测曲线比较结果确定火电发电功率最大可调节曲线具体过程为：
[0021]
若最小弃风运行曲线上的数据不小于火电发电等效负荷预测曲线，则电力系统弃风，火电发电功率最大可调节曲线上的数据为最小弃风运行曲线上的数据；
[0022]
否则，火电发电功率最大可调节曲线上的数据为最小弃风运行曲线上的数据为火电发电等效负荷预测曲线；
[0023]
通过火电发电功率最大可调节曲线上的数据获得火电发电功率最大可调节曲线。
[0024]
步骤2中具体过程为：
[0025]
以受不确定性影响下的火电机组最小运行成本为目标建立目标函数为：
[0026]
[0027][0028]
p
ω,x
≥0,0≤α
x
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2c)
[0029]
其中p
l
为日前负荷值，pr为新能源的日前预测值，ω为预测误差，与p
x
分别为火电机组x的出力上限与下限，ε为出力在该区间内的置信水平；
[0030]
式2(a)-2(c)中，表示为在t时刻时，日前净负荷值与实际净负荷值的差值为ω，其整体由n台火电机组共同调节，火电机组x在该时刻的调节量为α
x
ω；
[0031]
约束条件为火电机组阶梯式爬坡约束。
[0032]
步骤3中机会约束包括电力系统运行功率平衡约束、能够平衡风电的功率波的旋转备用约束、风电约束、相邻两个时段的风电场的有功出力变化量约束、火电机组输出功率的上下限约束，阶梯式爬坡约束。
[0033]
步骤3中机会条件具体为：
[0034]
电力系统运行功率平衡约束为火电发电功率最大可调节曲线，表示为：
[0035][0036]
其中，nw是风电场个数，ng为火电机组数量，pm是常规负荷的有功功率值，；p
twind
是各个风电场的有功功率出力值；p
tgj
是火电机组j在t时刻的有功功率出力值；是火电机组j的启停状态0-1变量，其中等价于s
x,1
；
[0037]
旋转备用约束为：
[0038][0039][0040]
式中p
tgj
表示t时刻第j台火电机组的有功出力值，和分别是第j台火电机组的出力上限和下限，是火电机组j的启停状态0-1变量；
[0041]
风电约束为：
[0042][0043]
其中表示的是t时刻风电是实际出力值，表示的是对于t时刻的风电功率预测值；
[0044]
相邻两个时段的风电场的有功出力变化量约束为：
[0045][0046]
其中，表示的是t时刻风电是实际出力值，表示的是t+1时刻风电是实际出力值，r
wind_down
和r
wind_up
分别是风电场的相邻时段有功出力的向下调节最大值和向上调节最大值；
[0047]
火电机组输出功率的上下限约束为：
[0048][0049]
其中，p
tgj
指的是在t时刻第j台火电机组的有功出力大小，指的是在t时刻第j台火电机组的启停变量，用1表示该台火电机组开启状态，0表示该台火电机组处于停机状态；p
tgj_min
和p
tgj_max
分别表示第j台火电机组的有功出力的最小值和最大值；
[0050]
根据火电机组阶梯式爬坡约束如下式所示：
[0051][0052][0053]
p
x
≥0,0≤α
x
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8c)。
[0054]
本发明有益效果是：
[0055]
本发明计及火电阶梯式爬坡率与新能源不确定性功率调度方法，通过将火电机组的变爬坡率进行阶梯化，在优化时考虑了机组变爬坡率这一特点；并提出了一种基于有界随机变量内部逼近方法对新能源不确定性的机会约束进行重构。通过算例分析可以发现，当我们以机会约束描述新能源不确定性时，所得结果产生的电量误差与成本误差均小于未考虑新能源不确定性的情况，与此同时，火电机组变爬坡率的引入，使得所得结果更加贴近于火电机组运行的实际情况。本发明提出的有界随机变量内部逼近机会约束相较于几种常规的机会约束逼近而言，具有更好的鲁棒性与求解速度，同时也具有良好的误差控制。
附图说明
[0056]
图1是本发明中火电机组阶梯式爬坡率示意图；
[0057]
图2是本发明实施例中某地某日负荷曲线及风电厂发电功率变化示意图；
[0058]
图3是本发明实施例中火电机组单独调峰结果示意图；
[0059]
图4是本发明实施例中对系统等效负荷分解成三个模态中分量变化曲线图；
[0060]
图5是本发明实施例中火电机组调节低频部分不同时刻的发电功率变化曲线图；
[0061]
图6是本发明实施例中电池储能系统调节中频部分不同时刻的充放电功率变化曲
线图；
[0062]
图7是本发明实施例中超级电容对高频部分不同时刻的充放电功率变化曲线图；
[0063]
图8是本发明实施例中基于vmd火电机组、电池储能、超级电容协调调节的不同时刻的充放电功率变化曲线图。
具体实施方式
[0064]
下面结合附图和具体实施方式对本发明进行详细说明。
[0065]
本发明计及火电阶梯式爬坡率与新能源不确定性功率调度方法，对于包含风力发电和火电发电的电力系统，对火电机组的模型进行了更加细致的描述，并在此基础上加入了基于有界随机变量内部逼近方法对机会约束进行重构，考虑了新能源的不确定性，具体按照以下步骤实施：
[0066]
步骤1、由风力发电功率预测风力发电功率p
wind
及电力系统负荷预测数据，结合火电机组运行约束条件中，以系统最小弃风量为目标判断电力系统是否弃风，进而确定火电发电功率最大可调节曲线；具体过程为：
[0067]
步骤1.1、通过对一定区域的风力发电功率进行预测，获得次日的风力发电功率p
wind
及电力系统负荷预测数据；
[0068]
步骤1.2、将风电发电功率p
wind
看作是负的负荷，将同一时间对应的风电发电功率p
wind
和电力系统负荷预测数据相加，得到多个时间点对应火电发电的等效负荷预测数据，作各个时间点对应的火电发电等效负荷随时间的变化曲线图，得到火电发电等效负荷预测曲线；
[0069]
步骤1.3、火电机组阶梯式爬坡约束表达如下：假设火电机组x爬坡率r
x
与其出力区间[p
min
，p
max
]内与输出功率p
x
成单增函数关系，则令取dpro范围内的平均值近似为火电机组在投油深度调峰状态下的爬坡率{r
x
＝r
x,dpro
,p∈dpro}；
[0070]
即可得到火电机组在常规调峰(rpr)，不投油深度调峰(dpr)和投油深度调峰(dpro)状态下的爬坡率r
x
，分别记为r
x,dpro
，r
x,dpr
，r
x,rpr
；
[0071][0072][0073][0074]
式(1a)-(1c)中，p
x
为第台火电机组的出力，p
x,i
(i＝1,2,3)为火电机组x处在该种深度区间内的出力大小，其中i＝1表示为dpro状态，i＝2表示为dpr状态，i＝3表示为rpr状态；s
x,i
为布尔变量，代表机组在该深度下是否存在出力；确定在该约束下最小弃风运行曲
线，根据最小弃风运行曲线与火电发电等效负荷预测曲线比较结果确定火电发电功率最大可调节曲线。
[0075]
根据最小弃风运行曲线与火电发电等效负荷预测曲线比较结果确定火电发电功率最大可调节曲线具体过程为：
[0076]
若最小弃风运行曲线上的数据不小于火电发电等效负荷预测曲线，则电力系统弃风，火电发电功率最大可调节曲线上的数据为最小弃风运行曲线上的数据；
[0077]
否则，火电发电功率最大可调节曲线上的数据为最小弃风运行曲线上的数据为火电发电等效负荷预测曲线；
[0078]
通过火电发电功率最大可调节曲线上的数据获得火电发电功率最大可调节曲线。
[0079]
步骤2、以系统最小运行成本为目标函数建立不确定性模型；具体过程为：
[0080]
以受不确定性影响下的火电机组最小运行成本为目标建立目标函数为：
[0081][0082][0083]
p
ω,x
≥0,0≤α
x
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2c)
[0084]
其中p
l
为日前负荷值，pr为新能源的日前预测值，ω为预测误差，与p
x
分别为火电机组x的出力上限与下限，ε为出力在该区间内的置信水平；
[0085]
式2(a)-2(c)中，表示为在t时刻时，日前净负荷值与实际净负荷值的差值为ω，其整体由n台火电机组共同调节，火电机组x在该时刻的调节量为α
x
ω；
[0086]
约束条件为火电机组阶梯式爬坡约束。
[0087]
步骤3、通过对历史风电发电功率实际值与预测值之间误差进行统计分析，得到机会约束中的所需参数，带入不确定性模型，即可得到考虑不确定性后的火电机组运行模型；
[0088]
机会约束包括电力系统运行功率平衡约束、能够平衡风电的功率波的旋转备用约束、风电约束、相邻两个时段的风电场的有功出力变化量约束、火电机组输出功率的上下限约束，阶梯式爬坡约束。
[0089]
电力系统运行功率平衡约束为火电发电功率最大可调节曲线，表示为：
[0090][0091]
其中，nw是风电场个数，ng为火电机组数量，pm是常规负荷的有功功率值，；p
twind
是各个风电场的有功功率出力值；p
tgj
是火电机组j在t时刻的有功功率出力值；是火电机
组j的启停状态0-1变量，其中等价于s
x,1
；
[0092]
旋转备用约束为：
[0093][0094][0095]
式中p
tgj
表示t时刻第j台火电机组的有功出力值，和分别是第j台火电机组的出力上限和下限，是火电机组j的启停状态0-1变量；
[0096]
风电约束为：
[0097][0098]
其中表示的是t时刻风电是实际出力值，表示的是对于t时刻的风电功率预测值；
[0099]
相邻两个时段的风电场的有功出力变化量约束为：
[0100][0101]
其中，表示的是t时刻风电是实际出力值，表示的是t+1时刻风电是实际出力值，r
wind_down
和r
wind_up
分别是风电场的相邻时段有功出力的向下调节最大值和向上调节最大值；
[0102]
火电机组输出功率的上下限约束为：
[0103][0104]
其中，p
tgj
指的是在t时刻第j台火电机组的有功出力大小，指的是在t时刻第j台火电机组的启停变量，用1表示该台火电机组开启状态，0表示该台火电机组处于停机状态；p
tgj_min
和p
tgj_max
分别表示第j台火电机组的有功出力的最小值和最大值；
[0105]
根据火电机组阶梯式爬坡约束如图1所示，如下式所示：
[0106][0107][0108]
p
x
≥0,0≤α
x
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8c)。
[0109]
步骤4、使用matlab调用gurobi求解器对考虑不确定性后的火电机组运行模型进行求解即可得到火电发电日前调度曲线。
[0110]
实施例
[0111]
以某地区某日负荷为例，选取基准值为1mw，该地区有7台火电机组，其参数如表1所示，选取某风电场具有不同分布特性的预测值与次日的实际出力值的误差值作为扰动量，并构造了不同情况下的风电出力曲线，因此来分析验证所提出方法的准确性与有效性。算例使用的净负荷曲线均如图2所示：
[0112]
表1
[0113][0114][0115]
采用matlab中调用gurobi最优化求解器对其进行最优化规划求解。在该算例中，扰动量均值μ＝8.624mw，标准差δ＝57.415，置信值ε＝0.9，其净负荷预测与实际曲线如图3所示。当不考虑火电阶梯式爬坡率时，火电机组4出力情况如图4所示(由于机组过多，只列举机组4作为参考)。
[0116]
其与当日火电机组的实际出力相对误差与最大误差如图5所示，可以发现，虽然四种方法在纯正态分布下均会产生一定的相对误差，但是在内部逼近与正态分布逼近情况下，其误差小于切比雪夫逼近与soc逼近，说明在该算例下，这两种方法的越界风险均小于切比雪夫逼近与soc逼近。其火电出力曲线如图6所示：
[0117]
其具体运行参数如表2所示：
[0118]
表2
[0119][0120]
由于该模型采用的系统平衡等式约束一致，因此几种考虑不确定性方法的发电量均相等，而且相较于传统的日前调度，其出力与成本误差均有减小。而本发明提出的内部逼
近方法相较于之前几种传统方法，也具有较好的成本误差控制。
[0121]
当我们考虑火电阶梯式爬坡率时，火电机组出力情况如图7所示，其与当日火电机组的实际出力相对误差与最大误差如图8所示，可以发现，由于引入了机组的阶梯式爬坡率，以上四种方法相较于不考虑机组爬坡约束的情况下，其相对误差都要更大于之前情况，但是在内部逼近与正态分布逼近情况下，其误差依然小于切比雪夫逼近与soc逼近，说明在该算例下，这两种方法的越界风险依然小于切比雪夫逼近与soc逼近(在该种情况下也均未发生机组运行曲线越界情况)。
[0122]
由于其系统等式约束相同，因此其总出力曲线依然如图6所示，其具体运行参数如表3所示：
[0123]
表3
[0124][0125]
由表3可以发现，由于考虑了火电机组的阶梯式爬坡约束，可以更加准确的考虑个各机组所处的实际的运行状态，其系统的实际运行成本相较于传统的不考虑机组爬坡率的实际运行成本有所下降，但是相应的由于约束条件的增加，模型求解时间显著增加，与表2所得结果类似，在考虑不确定性后，相较于传统的日前调度，其出力与成本误差均有减小。而本发明提出的内部逼近方法相较于之前几种传统方法，也具有较好的成本误差控制，同时在该算例下求解速度相较于其他几种方法而言也更为迅速。
[0126]
通过上述方式，本发明计及火电阶梯式爬坡率与新能源不确定性功率调度方法，通过将火电机组的变爬坡率进行阶梯化，在优化时考虑了机组变爬坡率这一特点；并提出了一种基于有界随机变量内部逼近方法对新能源不确定性的机会约束进行重构。通过算例分析可以发现，当我们以机会约束描述新能源不确定性时，所得结果产生的电量误差与成本误差均小于未考虑新能源不确定性的情况，与此同时，火电机组变爬坡率的引入，使得所得结果更加贴近于火电机组运行的实际情况。本文提出的有界随机变量内部逼近机会约束相较于几种常规的机会约束逼近而言，具有更好的鲁棒性与求解速度，同时也具有良好的误差控制。具有较高的应用价值的同时，具有节能减排的社会效益。