基于MPC的源网荷储灵活性资源实时优化调度方法

基于mpc的源网荷储灵活性资源实时优化调度方法
技术领域
1.本发明涉及电力系统的运行、优化调度与控制领域，尤其是涉及一种基于模型预测控制 (mpc)的源网荷储灵活性资源实时优化调度方法。


背景技术：

2.近年来，间歇性可再生能源发电的装机容量不断增长，以风电、光伏为代表的可再生能源发电的占比也不断提高。然而，风电、光伏功率具有不确定性，其大规模并网加大了电力系统调峰难度，对灵活性资源的需求日益增加。
3.在能源互联网背景下，源网荷储灵活性资源的协调运行将成为常态。针对源网荷储灵活性资源协调优化运行问题的研究，目前多集中于日前优化阶段。而扩展风电功率的日内超短期预测已在含风电的有功调度与控制中获得了较为广泛的应用。鉴于电力系统运行实时计划的时间分辨率一般大于实时量测信息的采样周期，实时调度与控制手段相结合为降低系统运行的不确定性，提高(在线)调度计划的可靠性提供了良好的解决方案，有必要在源网荷储灵活性资源的实时协调运行策略方面开展相关的探索和研究。


技术实现要素：

4.本发明旨在解决不确定性环境下，源网荷储灵活性资源的实时优化调度问题，基于鲁棒优化框架和mpc方法，提供一种适应源荷预测信息动态更新的源网荷储灵活性资源实时优化调度方法。
5.本发明解决上述技术问题是采取以下技术方案实现的：获取电源侧常规机组运行参数、电网侧拓扑结构与线路参数、负荷侧需求响应负荷规模、储能侧电池的运行参数、滚动优化调度阶段常规机组的启停计划与储能机组的充放电计划、源侧与负荷侧的超短期预测信息；在实时优化调度周期内，基于鲁棒优化框架和mpc方法，以源网荷储灵活性资源综合成本最小为目标函数，约束条件计及源网荷储灵活性资源的运行特性，构建实时优化调度模型，将实时优化调度模型转化成二次规划模型，调用商业求解器求解上述二次规划问题，计算得到常规火电机组实时出力计划、可再生能源发电功率和负荷需求响应的允许波动区间、实时电价策略、输电线路实时动态增容策略、储能的实时充放电策略。
6.本发明具有以下优点：(1)本发明基于鲁棒优化和模型预测控制方法，所制定的实时发电计划综合考虑了不确定性环境下源荷互动的可行性与经济性，并能根据实时调度阶段不断更新的源荷超短期预测信息和实时量测信息，滚动修正实时发电计划；(2)本发明所构建的模型最终转化为二次规划模型，可调用高效的商业求解器直接求解。
附图说明
7.为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
8.图1为本发明一实施例提供的风电和负荷的超短期预测功率图。
具体实施方式
9.一种基于mpc的源网荷储灵活性资源实时优化调度方法，包括以下步骤：
10.步骤1，获取电源侧常规机组运行参数、电网侧拓扑结构与线路参数、负荷侧需求响应负荷规模、储能侧电池的运行参数、滚动优化调度阶段常规机组的启停计划与储能机组的充放电计划、源侧与负荷侧的超短期预测信息；
11.步骤2，构建实时优化调度模型的目标函数及约束条件，建立源网荷储灵活性资源实时优化调度模型具体参考步骤2.1～2.2；
12.步骤2.1，建立源网荷储灵活性资源实时优化调度模型的目标函数： min{f
1s
+f
2s
+f
3s
+f
4s
+f
5s
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013][0014][0015][0016][0017]f5s
＝f
ops-f
pss
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0018][0019][0020][0021]
式中，ts为实时调度的周期；n
t
为火电机组台数，nr为可再生能源场站数量，n
p
为电价型需求响应(pdr)负荷所在的节点数，nn为输电线路数，nb为储能机组台数；mt为当前时段；f
1s
为实时调度时域内可调机组出力相对滚动优化结果的偏差成本，f
2s
为火电机组在实时优化阶段的备用成本，f
3s
为可再生能源超短期发电功率消纳惩罚成本与负荷需求响应惩罚成本之和，f
4s
为输电线路在实时调度阶段的动态增容成本，f
5s
为储能电站运行总成本， f
ops
为储能机组的运维成本，f
pss
为储能机组的调频收益；和为偏差成本的系数矩阵，和分别为日内滚动优化调度阶段、实时调度阶段可调机组出力计划和状态变量行向量，δu
j,mt+t
为可调机组控制变量行向量；和分别为实时优化调度阶段火电机组j 在时段t的向上、向下旋转备用容量，和分别为对应的向上、向下旋转备用成本系数；和分别为可再生能源场站r在时段t的弃风/弃光功率、切负荷功率，和分别为对应的弃风/弃光功率、切负荷功率的惩罚成本系数；和分别为pdr负荷n在时段t的向上、向下需求响应功率偏差，和分别为对应的向上、向下需求响应功率偏差的惩罚成本系数；为线路m在时段t的越限功率，为对应的单位功率动态增容成本；
分别为储能机组b的额定功率、额定容量、单位功率和单位容量的运行成本；α
bs
、r分别为储能机组b的实际循环寿命、贴现率、资本回收率；分别为储能机组b在时段t充电状态下的向上调整输出、放电状态下的向下调整输出及其收益系数，分别为储能机组b在时段t充电状态下的向下调整输出、放电状态下的向上调整输出及其收益系数。
[0022]
步骤2.2，构建源网荷储灵活性资源实时优化调度模型的约束条件，主要包括：常规火电机组约束、风电场/光伏电站功率约束、pdr负荷功率约束、储能电站运行约束、系统节点功率平衡约束、系统旋转备用约束、网络传输容量安全约束。其中，所述常规火电机组约束包括技术出力约束、机组爬坡约束以及旋转备用释放约束；储能电站运行约束包括储能机组充电/放电功率约束、储能机组荷电状态约束、储能电站寿命约束。
[0023]
所述可调机组技术出力约束：
[0024][0025]
式中，p
a,mt,0
为可调机组a在mt时段的实时采样值构成的行向量。和分别为可调机组 a技术出力上、下限构成的行向量。
[0026]
所述可调机组爬坡约束：
[0027]-r
dn
≤δu
a,mt+τ
≤r
up
，τ∈[1,t]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0028]
式中，δu
a,mt+τ
为可调机组控制变量行向量。r
up
和r
dn
分别为可调机组在实时调度阶段的爬坡/降坡率构成的行向量。
[0029]
所述储能机组荷电状态约束：
[0030][0031]
式中,soc
b,t
为储能机组b在时段t荷电状态构成的行向量，为储能机组b的最大、最小荷电状态构成的行向量；分别为储能机组b在mt时段处于充电、放电状态下的实时采样值构成的行向量；和分别为储能电站b的充电、放电效率，和分别为储能机组b在mt+τ时段处于充电、放电状态下的控制变量行向量。
[0032]
所述系统功率平衡约束：
[0033][0034]
式中，n
l
为负荷节点数，p
a,mt,0
为可调机组a在mt时段的实时采样值，δu
a,mt+τ
为可调机组a 在mt+τ时段的控制变量；为可再生能源场站r在时段t的超短期预测出力；为节点l 负荷在时段t的预测值，为pdr负荷n在时段t的预测响应功率。
[0035]
所述网络传输容量安全约束：
[0036][0037]
式中，λ
a,m
、λ
n,m
和λ
r,m
分别为可调机组a、pdr负荷和可再生能源场站r对线路m的准稳态灵敏度因子；为节点n处pdr负荷在第t时段的响应范围；和为线路m的双向传输容量限值；δp
a,t
为可调机组a在时段t的调节功率，为可再生能源场站r在时段t的波动功率；为线路m在时段t的增容功率；为线路m的增容限值。
[0038]
步骤3，将网络传输容量安全约束式(14)转化为如下确定性约束：
[0039][0040]
式中，λ
ε,m
为可再生能源场站r与pdr负荷对线路m的准稳态灵敏度因子的集合；分别为可再生能源场站r在时段t可消纳功率预测误差的上、下限，分别为节点n处pdr 在时段t容许响应功率的上、下限；为可再生能源场站r在时段t的可消纳功率预测误差上限与pdr负荷n在时段t的容许响应功率下限的集合；为可再生能源场站r在时段t的可消纳功率预测误差下限与pdr负荷n在时段t的容许响应功率上限的集合；时段t的可消纳功率预测误差下限与pdr负荷n在时段t的容许响应功率上限的集合；为实时优化调度阶段所引入的辅助变量。
[0041]
步骤4，调用商业求解器(如cplex或gurobi)求解上述二次规划问题，计算得到常规火电机组实时出力计划、可再生能源发电功率和负荷需求响应的允许波动区间、实时电价策略、输电线路实时动态增容策略、储能的实时充放电策略等。
[0042]
一实施例基于ieee 30节点测试系统，火电机组接入节点1、2、22、23、27，装机容量分别为160mw、160mw、100mw、60mw、110mw。负荷需求响应节点位于节点8，响应量预测误差不超过
±
4.75％。储能电池最大充放电功率为180mw，容量为450mwh。储能安装成本分别为2万元/mw和3万元/mwh。弃风功率惩罚成本系数和负荷需求响应向下波动偏差惩罚成本系数为
400元/mw，切负荷功率惩罚成本系数、负荷需求响应向上波动偏差惩罚成本系数、输电线路动态增容成本系数为600元/mw。风电场接入节点5，等效装机容量为300mw，风电控制中心每隔5分钟更新未来15分钟的风电功率超短期预测信息，以11:00～12:00(记为1～15时段)滚动更新的风电预测数据为例，进行实时优化调度结果分析。
[0043]
优化周期内风电与负荷的超短期预测信息如附图1所示，定义如下四种优化模型：模型 1：基于mpc的确定性优化模型；模型2：基于mpc的鲁棒优化模型，即本发明方法；模型 3：确定性优化模型；模型4：鲁棒优化模型。
[0044]
表1 不同模型的计算结果对比
[0045][0046]
由表1可知，在同样的风电消纳能力情形下，基于鲁棒优化的模型2、模型4较基于确定性优化的模型1、模型3应对负荷需求响应不确定性的能力更强。并且，在不考虑mpc的情形下，模型3和模型4需要更多的火电机组运行成本和储能电站运行成本，导致综合成本均高于模型1和模型2。相较于模型1和模型4，模型2在应对源荷不确定性和系统运行经济性方面进行了有效的权衡，验证了本发明方法的可行性和有效性。
[0047]
据上述测试结果可以看出，本发明方法可以有效解决计及源荷不确定性的源网荷储灵活性资源的实时发电计划制定问题，有利于实现决策结果的鲁棒性和经济性。