计及新能源出力不确定性和相继故障风险的电力调度方法与流程

本发明涉及电力系统的调度，特别涉及计及新能源出力不确定性和相继故障风险的电力调度方法。

背景技术：

1、随着我国特高压交直流混联电网的快速发展，输电通道愈加密集，恶劣天气等风险因素引发近区电力设备相继故障的情况愈加频繁；另一方面，新型电力系统建设背景下，我国电网新能源装机持续保持快速增长，尽管风电、光伏等新能源对“双碳”目标的实现起着至关重要的作用，但是，新能源渗透率提高亦对电网抵御恶劣天气等风险因素亦有着不利的影响。新能源渗透率提高后，常规机组的并网容量相应减少，电网整体对于负荷波动的调节能力下降；当间歇性新能源出力出现瞬时性的大幅向下波动时，所造成有功缺额容易造成系统频率失稳问题，而电网备用不足时将面临停电风险。因此，如何有效应对极端天气发生时对电力设备造成的冲击，避免多个电力设备因外部恶劣天气条件出现相继故障后给电力系统安全运行带来的不利影响，并实现在故障风险与新能源出力“双重不确定性”背景下安全、有序的电力调度已成为亟待解决的问题。

技术实现思路

1、本发明的目的在于提供计及新能源出力不确定性和相继故障风险的电力调度方法，能够实现在电网设备相继故障风险与新能源出力“双重不确定性”背景下对机组组合及功率分配的鲁棒预控。

2、本发明解决其技术问题，采用的技术方案是：

3、计及新能源出力不确定性和相继故障风险的电力调度方法，包括如下步骤：

4、s1、通过韦伯分布和贝塔分布描述风速和光伏的概率分布模型，并收集相关历史风力、光伏出力数据，最终利用矩估计法确定各个分布各时段的相关参数；

5、s2、根据拉丁超立方抽样获得大量风力和光伏出力场景，并通过模糊c均值聚类算法对风力和光伏出力进行缩减，获得风力、光伏出力不确定集合，以描述新能源出力不确定性；

6、s3、通过齐次泊松过程描述电网多设备相继故障风险离散概率分布，并收集各类设备相关历史故障数据，并利用矩估计法评估各类型灾害下的泊松强度；

7、s4、对于不同类型灾害，设定未来风险预控调度周期及风险概率阈值，以确定灾害自发生起在调度时间内的相继故障泊松概率分布，并得到调度周期内达到阈值的最大故障数；

8、s5、在形成新能源出力和相继故障风险的双重不确定集下，构建以最小化最严重故障情况下系统的运行成本为目标的两阶段鲁棒优化模型，以确定相应自然灾害来临时的机组启停及功率分配决策。

9、作为进一步优化，所述步骤s1具体包括如下步骤：

10、假设风速概率分布服从韦伯分布，其概率密度函数为：

11、

12、式中：v代表风速大小取值，c是位置参数，λ是尺度参数，k是形状参数；

13、在忽略电气损耗和风电场尾流因素对风电场的影响后，风电机组输出功率与风速之间的近似函数关系表达为：

14、

15、式中：vci为风电机组切入风速；vco为风电机组切出风速；vr为风电机组额定风速；pr为风电机组额定功率；

16、假设光伏出力分布服从贝塔概率分布，其概率密度函数为：

17、

18、式中：p是光伏出力标幺值，处于[0,1]区间；α和β是贝塔分布的两个参数；b(α，β)是贝塔函数，用于归一化分布，表示为：

19、

20、通过矩估计法计算各时段的相关概率分布参数，并模拟各时段的风电功率和光伏功率；

21、各个分布各时段的样本矩通过相关历史数据求出，通过求解理论矩等于样本矩的方程，最终可得出相关分布各时段的参数。

22、作为进一步优化，所述通过矩估计法计算各时段的相关概率分布参数，对于三参数韦伯分布，通过计算前三阶理论矩和样本矩，求解出相关参数，其三阶理论矩分别表示为：

23、一阶矩均值：

24、

25、二阶矩方差：

26、

27、三阶矩偏度：

28、

29、式中：γ(·)为伽马函数；

30、对于两参数贝塔分布，通过计算前二阶理论矩和样本矩，求解出相关参数，其二阶理矩分别表示为：

31、一阶矩均值：

32、

33、一阶矩方差：

34、

35、作为进一步优化，所述步骤s2中，在步骤s1确定各时段风速和光伏的分布参数后，对各时段的风速和光伏概率分布进行拉丁超立方采样，以获得大量风速和光伏出力场景，进一步得到各时段的风速和光伏数据，并将其转换为相应的风电功率和光伏出力值，最终生成大量风电和光伏出力时序场景。

36、作为进一步优化，对采样所获得的样本进行进一步缩减，以获得合理的新能源出力区间；

37、采用模糊c均值聚类算法完成场景缩减，该算法根据隶属度的不同对样本进行分类，所述模糊c均值聚类算法步骤如下：

38、首先给出待缩减各类新能源出力样本矩阵，矩阵每一列代表各样本同一时刻的出力功率，每一行代表每个样本全天的出力，模糊c均值聚类算法即缩减每一列的场景；

39、设定目标函数j，模糊指数m和聚类中心数l，及算法最大迭代次数imax：

40、

41、式中：d为样本数；oj表示第j个聚类中心；xi表示第i个样本；μij表示样本xi对聚类中心oj的隶属度；

42、初始化隶属度矩阵μ；

43、更新迭代隶属度矩阵μ和聚类中心矩阵oj；

44、设置迭代终止条件，若每次隶属度最大变化值低于设定阈值，则终止迭代，否则再次跳回上一步骤，并输出聚类中心；

45、由拉丁超立方采样生成的大量风力光伏时序出力数据最终可缩减为以聚类中心为代表的l个场景集，并以此作为新能源出力不确定性集合。

46、作为进一步优化，步骤s3中具体包括：

47、通过泊松过程来刻画电网多设备相继故障泊松过程模型，其基本过程定义为：设n(t),t≥0表示在时间间隔(0,t]内发生的故障事件的数目，则{n(t),t≥0}称为计数过程，若该计数过程满足以下条件：1)n(0)＝0；2)n(t)是独立增量过程：即每一时间段内事件发生次数相互独立；3)对任意时刻0≤t1≤t2，对应增量n(t1,t2)服从参数为δ(t2-t1)的泊松分布，即：

48、

49、式中：t1和t2分别为计数时间开始和结束时刻；k为故障时间发生次数。

50、则计数过程{n(t),t≥0}为服从强度为λ的泊松过程；

51、若泊松过程还满足平稳增量条件：计数过程n(t)在(t,t+s)内(s＞0)，事件发生次数(n(t+s)-n(t))仅与时间差有关，而与时间段的起始时间无关，则称该泊松过程为齐次泊松过程；

52、式中：s为计数时间间隔；n(t)和n(t+s)分别代表t时间和t+s时间内的故障数目。

53、齐次泊松过程的设备故障率不随时间变化，即λ近似为常数；

54、利用泊松过程描述电网多设备相继故障时，将其进行参数化：

55、设{n(t),t≥0}在时间区间(0,t]内，t1,t2,…,tn为多个设备故障间隔时间序列，服从强度为λ的齐次泊松过程，其数学期望为：

56、e[n(t)]＝δt

57、通过收集相关历史数据，统计某类型灾害期间下设备故障累计数，如从(t0,t1)时段累计发生故障数为则该时段的故障率无偏估计为：

58、

59、式中：t0和t1分别为计数开始时刻和结束时刻；

60、将其作为该灾害类型下的相继故障单位时间齐次泊松过程强度δ，最终形成n种灾害类型的泊松过程强度集合{δ1,δ2,…,δn}。

61、作为进一步优化，所述步骤s4具体包括：

62、对于第q类灾害，设定未来风险预控调度周期ts,q及风险概率阈值pq，以确定灾害自发生期间(t0,q,t0,q+ts,q)时间内的相继故障泊松分布：

63、

64、式中：t0,q为计数开始时刻；k为故障发生次数；δq为第q类灾害相继故障泊松过程强度；

65、若电网设备总数为n，求解故障数kq以满足：

66、

67、并将kq作为第q类灾害发生时在ts,q时间内的设备相继故障最大数目。

68、作为进一步优化，所述步骤5具体包括：

69、记步骤s2所生成的l个光伏、风电出力场景集为不确定集合u1：

70、

71、式中：分别表示t时段i节点的光伏和风电实际出力值，其来自于所在的不确定出力集合；

72、根据步骤s4，计算第m类灾害，未来风险预控调度周期ts,q及风险概率阈值pq下的设备相继故障最大数目kq，并形成故障不确定集合u2：

73、

74、式中：zg为第g台发电机的故障状态，为0表示正常，为1表示故障；zij为ij线路的故障状态，为0表示正常，为1表示故障；

75、则双重不确定集合u表达为u1∪u2。

76、作为进一步优化，所述步骤5中，所述系统的运行成本表达为：

77、

78、

79、式中：fg,1、fg,2、fbal、fload分别为常规发电机组的启停成本、发电成本、各母线的功率不平衡量产生的惩罚成本、负荷因需求侧响应产生的损失成本；u、v、y分别表示各常规发电机组启动、停机、运行的状态集合；z∈u表示不确定变量z选自双重不确定性集合u；q∈ω(u,v,y)表示为常规发电机组集合q在既定决策变量(u,v,y)下的功率分配可行域为ω(u,v,y)；λ为常规发电机组集合；分别为发电机g的启动成本、停机成本；ug,t、vg,t分别为发电机g在t时段的启动状态和停机状态，为0-1变量；为发电机g在t时段输出有功功率为pg,t时的发电成本；c为母线单位功率不平衡惩罚成本；di,t为母线i在t时段的注入功率与负荷之间出现的不平衡量；α为单位负荷削减量补偿成本；p0,i,t、pi,t分别为母线i在t时段的原始负荷和削减后的负荷。

80、本发明的有益效果是：通过上述计及新能源出力不确定性和相继故障风险的电力调度方法，通过形成新能源出力和电网相继故障风险双重不确定集，构建了在电网最恶劣故障情况下系统总运行成本最小化的两阶段鲁棒优化调度模型，最终实现了对高占比新能源电网相继故障风险的鲁棒预控，为电网调度人员应对自然灾害对电网冲击和新能源出力不确定性实施预控策略提供了一定理论支撑。