本发明涉及新能源发电运行领域，尤其涉及一种风蓄联合系统优化调度方法。
背景技术：
风能作为一种可再生绿色能源得到人们的广泛重视，随着风力发电技术迅猛发展，其发电成本已得到大幅度下降，具有较好的社会经济意义和可持续发展意义，但是受到风速不确定因素的影响，风力发电具有很强的间歇性和随机波动性。不仅导致大量的风能成为弃风，大大降低了风电的消纳；而且大规模风电的接入会大大增加电力系统的不确定性，对电力系统运行过程中的优化调度、系统稳定性和电能质量等方面造成影响。针对以上问题，采取合理的方式平抑风电功率输出，减少弃风量，实现电力系统的低碳经济调度具有重要的社会意义。
近年来，随着我国越来越多的大中型风电场相继投入运行，为保证供电的均衡和连续，储能装置已经成为风力发电系统的关键配套部件。其中，最成熟也是世界应用最普遍的物理储能--抽水储能，作为存储电能的一种方式，它的优点不仅是释放时间可以从几小时到几天，且能量转换率高(70％-85％)，抽水储能可以间接储存电能，在风能过剩的时候利用多余的风能驱动水泵，将水从下水库抽到上水库储存起来，然后在风能缺乏的时候将水放出发电，并流入下水库.
现阶段，针对风电和抽水蓄能联合运行优化问题，国内外专家学者进行了一些探索性的工作，这些研究多集中于风电和抽水蓄能联合运行策略、调度模型优化求解以及系统中风电预测出力不确定性问题的处理等方面。虽然都针对风电的消纳和经济效益等问题进行了处理，但整体考虑的都不够全面。
综上所述，有必要发明一种风蓄联合系统优化调度研究策略，即增加了风电的消纳、又增加了风电的上网经济效益、同时使得协调后的整体的风力发电间歇和波动性相比协调前有了明显减少，使整个系统的运行较协调前平稳了很多。
技术实现要素：
本发明目的在于提供一种风蓄联合系统优化调度方法，该方法具有简便、考虑因素全面、以及实用性高的特点。
为实现上述目的，本发明是通过以下技术方案实现的：
一种风蓄联合系统优化调度方法，所述方法内容包括如下步骤：
步骤1定义抽水蓄能机组运行状态，建立抽水蓄能状态模型；
步骤2考虑风电机组出力特性，对风力发电机组进行建模；
步骤3基于可信性理论求解机会约束规划；
步骤4建立基于可信性理论的机会约束规划的风蓄联合优化调度模型；
步骤5结合改进的粒子群算法和随机模拟技术对步骤4的模型进行求解。
进一步的，在步骤1中，所述定义抽水蓄能机组运行状态，建立抽水蓄能状态模型，其具体过程如下：
定义抽水蓄能机组运行状态，建立抽水蓄能机组状态模型；
抽水蓄能机组与风电机组联合后组成新的优化调度，可以充分发挥抽水蓄能机组的优势，对风电机组出力进行有效平滑；本发明方法是根据日前风电出力预测值来确定抽水蓄能机组的运行状态，但是由于风电预测出力存在误差，因此，根据实时的风电出力变化，建立风蓄联合协调出力的新型节能调度方式；
本发明方法引入0-1整型变量来考虑机组的抽水和发电两个阶段，建立抽水蓄能机组的状态模型如下:
x(t,k)+y(t,k)＝1(1)
(1)式中：x(t,k)＝1时表示机组在第t小时第k(协调周期为24小时，每小时分四个时段，k＝1,2,3,4)时段为发电阶段，y(t,k)＝1时机组为抽水阶段。
进一步的，在步骤2中，所述考虑风电机组出力特性，其具体过程如下：
1.单台风电机出力特性
风速为服从weibull分布的随机变量，风电机组的功率特性曲线一般由风机制造商提供，也可通过实测得到。在计算中，根据风电机组的功率特性曲线，单台风电机的输出功率pif与风速关系v可近似用分段函数表示为：
(2)式中：vr和pwr分别表示风机在第t小时第k时段的额定风速和额定功率；vin为切入风速；vout为切出风速；
2.描述风电机组总出力曲线特性
总的风电机组的发电功率pw可表示为:
pw(t,k)＝efnw(t,k)pif(t,k)(3)
0≤pif(t,k)≤pwr(4)
(3)和(4)式中：pif(t,k),pw(t,k),分别为第t小时第k时段单台风机和总的风电机组发电功率(mw)；e，f分别为风机的传动效率和发电效率(％)；nw(t,k)为第t小时第k时段风电场中正常运行的风机台数；pwr(t,k)为每台机组的额定功率(mw)。
进一步的，在步骤3中，所述基于可信性理论求解机会约束规划，其具体求解过程如下：
机会约束规划是随机规划理论的重要分支，由charnes和cooper提出，目前，有两种方法用来求解机会约束规划，第一种是利用清晰类等价算法将其转化确定性模型；本发明方法采用第二种方法即通过随机模拟技术来求解机会约束规划：
机会约束规划是一种用于解决在给定置信水平下含有随机变量的优化问题的随机规划方法，且考虑到决策变量在随机变量满足约束条件后才能作出决策。本发明方法提出如下模型来求解机会约束规划，具体分析如式(1)～式(3)所示。
cr{gj(x,ξ)≤0,j＝1,2,…,p}≥β(7)
在(5)、(6)和(7)式中：f(x,ξ)为目标函数；
可信性测度是描述机会约束规划不确定性情况的一种重要工具。假设(θ,p(θ),pos)为可能性空间，a为幂集p(θ)中的一个元素，则其可信性测度可表示为：
(8)式中：pos{a}为事件a的可能性测度；ac为a的对立事件。
进一步的，在步骤4中，所述建立基于可信性理论的机会约束规划的风蓄联合优化调度模型，其具体实现过程如下：
确定目标函数及约束条件
本发明方法考虑了风电场的上网经济和抽水蓄能机组抽水的花费，通过约束风电场输出有功功率使其趋于平滑，同时满足风电场的功率输出限制，最大程度地利用风能，以风电系统的上网经济效益最大为目标。
此外，由于风电场出力的随机性，导致风蓄联合出力的取值也具有随机性，因此整个周期内通过抽水机组获取的抽水功率和发电功率均具有随机性。若仍采用传统经济调度约束条件中等式或不等式的形式，则结果将过于保守，且没有实际意义，因此本发明方法以概率的形式来描述约束条件，即约束条件含有置信水平，而置信水平的取值来自于系统实际的要求。因此，基于可信性理论的机会约束规划的风蓄联合运行优化调度的数学模型如下：
风蓄联合运行优化目标函数：
x(t,k)+y(t,k)＝1(14)
式中:
约束条件：
①风蓄联合系统确保小时内各个时段的协调总出力保持稳定，满足风电场输出有功功率相对平滑：
pws(t,k)＝pws(t,k+1)(17)
②目标利润的约束条件：
式中：α0为满足目标利润最大的置信水平。
③风蓄联合系统出力在抽水状态下约束：
式中：φ1为风蓄联合机组在第t小时第k时刻抽水状态的联合出力约束置信水平；
④风蓄联合系统出力在发电状态下约束：
式中：φ2为风蓄联合机组在第t小时第k时刻的发电状态下的联合出力约束置信水平；
⑤风蓄联合系统出力约束：
pmin(t,k)≤pws(t,k)≤pmax(t,k)(21)
式中：pmin(t，k)、pmax(t，k)为第t小时第k时段风电场输送到电网的功率最小值和最大值；
⑥风蓄联合系统抽水功率和发电功率约束：
式中：ηg为水泵发电效率；其余见上文解释。
⑦风电机组实际出力约束：
pdmin(t,k)≤pw(t,k)≤pdmax(t,k)(23)
式中：pdmin(t,k)、pdmax(t,k)为第t小时第k时段风电机组装机容量的最大值和最小值。
⑧抽水蓄能电站容量约束：
0≤q(t,k)≤ppgr(27)
0≤pp(t,k)≤pgmax(t,k)(29)
式中：ppgr为机组额定容量；c为机组循环效率；q(t,k)为第t小时第k时段同步机抽水功率(mw)；ppmax(t,k)和pgmax(t,k)分别为抽水功率和发电功率上限；e(t,k)为抽水蓄能电站存储量；相邻两个时段的间隔为δt。
⑨抽水蓄能电站水库约束：
本发明方法将上下水库看成一个整体，并将水库储水量转化为存储电量，不考虑水位对系统的影响，本发明方法将存储电量和水量之间看作是线性关系，储水量受到上下限约束，且在系统运行一个调度周期后，储水量未发生变化：
emin(t,k)≤e(t,k)≤emax(t,k)＝(30)
e(t,k)＝t(t,k)(31)
式中：emin(t,k)、emax(t,k)分别表示第t小时第k时刻风蓄联合系统储水量的最大和最小值。
⑩在调度周期内，风蓄联合系统的储水量变化公式满足：
式中：ηp为水泵抽水效率；ηg为水泵发电效率；ηp取0.85；ηg取0.8。
进一步的，在步骤5中，所述结合改进的粒子群算法和随机模拟技术对模型进行求解，其具体实现过程如下：
粒子群算法是kennedy博士和eberhart教授提出的一种智能寻优方法。其对求解含有大量约束条件的非线性规划问题具有很快的收敛速度及较好的全局寻优能力。粒子群基本公式为:
式中：m表示粒子的编号；t分别表示算法运行的迭代步数；d表示搜索空间维度d的第d维分量；h表示全局最优；pm为粒子的个体极值，xmd，vmd，pmd，vmax.d，vmin.d，hd分别表示xm，vm，pm，vmax，vmin，h的第d维分量；c1,c2通常取值为2；r1,r2是介于[0,1]之间的随机数。
由于粒子群算法中惯性权重对寻优搜索影响较大，本发明方法参考基于自适应度调整粒子群算法思想对其进行了改进。搜索初始阶段，设定惯性权重取较大值，可以提高寻优搜索的效率，在搜索中后期，随着搜寻结果的不断优化，采用改进后的惯性权重取值公式使惯性权重随着搜索步骤的进行不断减小，从而进一步提高寻优搜索的准确性，获取更多的经济效益。改进后的惯性权重ω可表示为：
式中：ωmax为初始权重；ωmin为最终权重；nmax为最大迭代次数；n0为当前迭代次数。ωmax取0.8。
随机模拟方法，也称为蒙特·卡罗(montecarlo)方法。它的基本思想是:首先建立一个概率模型或随机过程求各方面的问题，然后对模型或过程进行分析计算，最后给出所求解的近似值。本发明方法将随机模拟技术结合改进后的粒子群算法来求解机会约束规划模型，提高寻优搜索的精度和收敛速度。具体求解思路如下：
(1)输入系统数据，置信水平以及算法控制参数；
(2)以各个小时内机组在抽水状态下和发电状态下的联合出力作为随机变量，在可行域范围内由概率密度函数生成n个随机变量ξn即产生一组初始方案作为粒子群算法的初始种群，并初始化粒子群位置和速度；
(3)任意给定决策变量x，设其初始值m＝0，将x和ξ值代入式(3)，若满足使gj(x,ξ)≤0成立，则令m＝m+1，当n取值较大，且满足m/n≥α时，式(3)成立，若不满足，返回步骤(2)；
(4)若满足，此时设初始值为n，判断n次随机序列中若n/n≥β，则开始排序置fi＝f(x，ξi)，其中i＝1,2,…,n,得到序列{f1,f2,…,fn},置k为βin的整数部分，则序列中第k个最大元素即为目标函数的最优值；
(5)结合步骤(4)及适应度优劣程度确定粒子群算法的个体极值和全局极值；
(6)更新粒子速度和位置，利用式(34)计算惯性权重，并采用式(32)、和式(33)对种群进行迭代计算，得到新一代的种群；
(7)重复步骤(3)至(6)，当满足最大允许迭代次数时，停止搜索，并输出结果即为风蓄联合机组在抽水状态下和发电状态下的最优联合出力值；否则返回步骤(3)继续搜索。
由于采用上述技术方案，本发明提供的与现有技术相比具有这样的有益效果：
本发明提出的优化策略相比现有技术更加简捷方便、实用性高，而且可以更有效地兼顾减少风电的间歇性和波动性、提高风电消纳量和增加风电上网经济效益的效果。且本发明提出的将改进惯性权重后的粒子群算法和随机模拟技术结合对模型求解，提高算法的寻优精度和收敛速度。
附图说明
图1是本发明方法系统结构图；
图2是本发明方法中风能与抽水蓄能的协调方式图；
图3是本发明方法的总体流程图。
具体实施方式
本发明方法是在考虑大规模分布式电源接入主动配电网情况下提出的。
下面结合图1、图2和图3，详细说明本发明所述的一种风蓄联合系统优化调度方法，如图3所示，该方法具体步骤如下：
(1)定义抽水蓄能机组运行状态，建立抽水蓄能状态模型
抽水蓄能机组与风电机组联合后组成新的优化调度，可以充分发挥抽水蓄能机组的优势，对风电机组出力进行有效平滑。本发明方法是根据日前风电出力预测值来确定抽水蓄能机组的运行状态，但是由于风电预测出力存在误差，因此，根据实时地风电出力变化，建立风蓄联合协调出力的新型节能调度方式。
本发明方法引入0-1整型变量来考虑机组的抽水和发电两个阶段，建立抽水蓄能机组的状态模型如下:
x(t,k)+y(t,k)＝1(1)
式中：x(t,k)＝1时表示机组在第t小时第k(协调周期为24小时，每小时分四个时段，k＝1,2,3,4)时段为发电阶段，y(t,k)＝1时机组为抽水阶段。
(2)考虑风电机组出力特性，对风力发电机组进行建模
描述风电机组出力特性；
(2-1)单台风电机出力特性
风速为服从weibull分布的随机变量，风电机组的功率特性曲线一般由风机制造商提供，也可通过实测得到。在计算中，根据风电机组的功率特性曲线，单台风电机的输出功率pif与风速关系v可近似用分段函数表示：
(2)式中：vr和pwr分别表示是风机在第t小时第k时段的额定风速和额定功率；vin为切入风速；vout为切出风速；
(2-2)描述风电机组总出力特性
总的风电机组的发电功率pw可表示为:
pw(t,k)＝efnw(t,k)pif(t,k)(3)
0≤pif(t,k)≤pwr(4)
(3)和(4)式中：pif(t,k),pw(t,k),分别为第t小时第k时段单台风机和总的风电机组发电功率(mw)；e,f分别为风机的传动效率和发电效率(％)；nw(t,k)为第t小时第k时段风电场中正常运行的风机台数；pwr(t,k)为每台机组的额定功率(mw)。
(3)基于可信性理论求解机会约束规划
机会约束规划是随机规划理论的重要分支，由charnes和cooper提出，目前，有两种方法来求解机会约束规划，第一种是利用清晰类等价算法将其转化确定性模型；本发明方法采用第二种方法即通过随机模拟技术来求解。
机会约束规划是一种用于解决在给定置信水平下含有随机变量的优化问题的随机规划方法，且考虑到决策变量在随机变量满足约束条件后才能作出决策。本发明方法提出如下模型来求解机会约束规划，具体分析如式(1)～式(3)所示。
cr{gj(x，ξ)≤0,j＝1,2,…,p}≥β(7)
在(5)、(6)和(7)式中：f(x,ξ)为目标函数；
可信性测度是描述机会约束规划不确定性情况的一种重要工具。假设(θ,p(θ),pos)为可能性空间，a为幂集p(θ)中的一个元素，则其可信性测度可表示为:
(8)式中：pos{a}为事件a的可能性测度；ac为a的对立事件。
(4)建立基于可信性理论和机会约束规划的风蓄联合优化调度模型
(4-1)风蓄联合系统结构
我国响应大力开发可再生能源的号召，以及跟据国际上提出的节能减排的要求，本发明方法建立了包含风电机组与抽水蓄能机组协调的风蓄联合机组、常规火电机组的优化调度模型，并以优先调度风电为原则，尽可能地多利用风电，其系统结构如图1所示。
(4-2)风蓄联合系统的协调方式
以一天24小时为周期，当某一小时内的总的风力发电值大于周期内平均每小时发电值时，则该小时被定义为抽水蓄能机组的抽水状态，此阶段通过控制抽水功率使得此阶段的每时段向系统提供的风力发电量相同，多余的风力发电用于抽水蓄能抽水出力。当某一小时内的总的风力发电值小于周期内平均每小时发电值时，则该小时被定义为抽水抽水蓄能机组的发电状态，此阶段每时段的风力发电较少，此时将水从上水库放出发电，通过控制发电功率使得每时段抽水机组发出的电量和风能的发电量协调后向系统提供电能相同，这样协调后的整体的风力发电间歇和波动性相比协调前有了明显减少。协调方式如图2。
(4-3)确定目标函数及约束条件
本发明方法考虑了风电场的上网经济和抽水蓄能机组抽水的花费，通过约束风电场输出有功功率使其趋于平滑，同时满足风电场的功率输出限制，最大程度地利用风能，以风电系统的上网经济效益最大为目标。
此外，由于风电场出力的随机性，导致风蓄联合出力的取值也具有随机性，因此整个周期内通过抽水机组获取的抽水功率和发电功率均具有随机性。若仍采用传统经济调度约束条件中等式或不等式的形式，则结果将过于保守，且没有实际意义，因此本发明方法以概率的形式来描述约束条件，即约束条件含有置信水平，而置信水平的取值来自于系统实际的要求。因此，基于可信性理论的机会约束规划的风蓄联合运行优化调度的数学模型如下：
风蓄联合运行优化目标函数:
pws(t,k)＝ptxx(t,k)+ptyy(t,k)(11)
pp(t.k)＝pw(t,k)y(t,k)-pty(12)
pg(t,k)＝ptx-pw(t,k)x(t,k)(13)
x(t,k)+y(t,k)＝1(14)
式中:
约束条件：
①风蓄联合系统确保小时内各个时段的协调总出力保持稳定，满足风电场输出有功功率相对平滑：
pws(t,k)＝pws(t,k+1)(17)
②目标利润的约束条件：
式中：α0为满足目标利润最大的置信水平。
③风蓄联合系统出力在抽水状态下约束：
式中：φ1为风蓄联合机组在第t小时第k时刻抽水状态的联合出力约束置信水平；
④风蓄联合系统出力在发电状态下约束：
式中：φ2为风蓄联合机组在第t小时第k时刻的发电状态下的联合出力约束置信水平；
⑤风蓄联合系统出力约束：
pmin(t,k)≤pws(t,k)≤pmax(t,k)(21)
式中：pmin(t,k)、pmax(t,k)为第t小时第k时段风电场输送到电网的功率最小值和最大值；
⑥风蓄联合系统抽水功率和发电功率约束：
式中：ηg为水泵发电效率；其余见上文解释。
⑦风电机组实际出力约束：
pdmin(t,k)≤pw(t,k)≤pdmax(t,k)(23)
式中：pdmin(t,k)、pdmax(t,k)为第t小时第k时段风电机组装机容量的最大值和最小值。
⑧抽水蓄能电站容量约束：
0≤q(t,k)≤ppgr(27)
0≤pp(t,k)≤pgmax(t,k)(29)
式中：ppgr为机组额定容量；c为机组循环效率；q(t,k)为第t小时第k时段同步机抽水功率(mw)；ppmax(t,k)和pgmax(t,k)分别为抽水功率和发电功率上限；e(t,k)为抽水蓄能电站存储量；相邻两个时段的间隔为δt。
⑨抽水蓄能电站水库约束：
本发明方法将上下水库看成一个整体，并将水库储水量转化为存储电量，不考虑水位对系统的影响，本发明方法将存储电量和水量之间看作是线性关系，储水量受到上下限约束，且在系统运行一个调度周期后，储水量未发生变化：
emin(t,k)≤e(t,k)≤emax(t,k)(30)
e(t,k)＝t(t,k)(31)
式中：emin(t,k)、emax(t,k)分别表示第t小时第k时刻风蓄联合系统储水量的最大和最小值。
⑩在调度周期内，风蓄联合系统的储水量变化公式满足：
式中：ηp为水泵抽水效率；ηg为水泵发电效率；ηp取0.85；ηg取0.8。
(5)结合改进的粒子群算法和随机模拟技术对步骤4的模型进行求解
粒子群算法是kennedy博士和eberhart教授提出的一种智能寻优方法。其对求解含有大量约束条件的非线性规划问题具有很快的收敛速度及较好的全局寻优能力。粒子群基本公式为:
式中：m表示粒子的编号；t分别表示算法运行的迭代步数；d表示搜索空间维度d的第d维分量；h表示全局最优；pm为粒子的个体极值，xmd，vmd，pmd，vmax.d，vmin.d，hd分别表示xm，vm，pm，vmax，vmin，h的第d维分量；c1,c2通常取值为2；r1,r2是介于[0,1]之间的随机数。
由于粒子群算法中惯性权重对寻优搜索影响较大，本发明方法参考基于自适应度调整粒子群算法思想对其进行了改进。搜索初始阶段，设定惯性权重取较大值，可以提高寻优搜索的效率，在搜索中后期，随着搜寻结果的不断优化，采用改进后的惯性权重取值公式使惯性权重随着搜索步骤的进行不断减小，从而进一步提高寻优搜索的准确性，获取更多的经济效益。改进后的惯性权重ω可表示为：
式中：ωmax为初始权重；ωmin为最终权重；nmax为最大迭代次数；n0为当前迭代次数。ωmax取0.8。
随机模拟方法，也称为蒙特·卡罗(montecarlo)方法。它的基本思想是:首先建立一个概率模型或随机过程求各方面的问题，然后对模型或过程进行分析计算，最后给出所求解的近似值。本发明方法将随机模拟技术结合改进后的粒子群算法来求解机会约束规划模型，提高寻优搜索的精度和收敛速度。具体求解思路如下：
(1)输入系统数据，置信水平以及算法控制参数；
(2)以各个小时内机组在抽水状态下和发电状态下的联合出力作为随机变量，在可行域范围内由概率密度函数生成n个随机变量ξn即产生一组初始方案作为粒子群算法的初始种群，并初始化粒子群位置和速度；
(3)任意给定决策变量x，设其初始值m＝0，将x和ξ值代入式(3)，若满足使gj(x,ξ)≤0成立，则令m＝m+1，当n取值较大，且满足m/n≥α时，式(3)成立，若不满足，返回步骤(2)；
(4)若满足，此时设初始值为n，判断n次随机序列中若n/n≥β，则开始排序置fi＝f(x,ξi)，其中i＝1,2,…,n,得到序列{f1,f2,…,fn},置k为βin的整数部分，则序列中第k个最大元素即为目标函数的最优值；
(5)结合步骤(4)及适应度优劣程度确定粒子群算法的个体极值和全局极值；
(6)更新粒子速度和位置，利用式(34)计算惯性权重，并采用式(32)、和式(33)对种群进行迭代计算，得到新一代的种群；
(7)重复步骤(3)至(6)，当满足最大允许迭代次数时，停止搜索，并输出结果即为风蓄联合机组在抽水状态下和发电状态下的最优联合出力值。否则返回步骤(3)继续搜索。