基于风、火、光储协调的多能源联合优化调度运行方法与流程

本发明涉及电网控制技术领域，特别是涉及一种基于风、火、光储协调的多能源联合优化调度运行方法。

背景技术：

随着能源与环境问题的日益加剧，清洁能源在电力系统中所占的比例逐渐加大，电网在完成调峰任务的同时，需要兼顾对大规模清洁能源的消纳，使得电网运行管理变得越来越困难。由于风电、光伏等新能源的不确定性，仅依赖传统火电机组进行调峰，必然会增加调峰压力以及调峰成本，存在电网调度成本高、风电消纳小的问题。当前，关于新能源调度方法已开展大量研究，多从新能源的不确定性角度出发，但是较少考虑其本身的调峰能力。优先选用调峰能力强的新能源机组调峰，对于系统的可靠稳定运行具有重要作用。

因此，解决现有电网调度成本高、调峰压力大、新能源消纳小的问题提供一种能够考虑风机和光伏储能的调峰能力，合理地选择新能源机组参与到系统调峰，保证新能源消纳，以确保电力系统运行的经济性和可靠性的调度方法是当前亟待解决的问题。

技术实现要素：

本发明的目的是提供一种基于风、火、光储协调的多能源联合优化调度运行方法，能够解决现有电网调度成本高、调峰压力大、新能源消纳小的问题，确保电力系统运行的经济性和可靠性。

为实现上述目的，本发明提供了如下方案：

一种基于风、火、光储协调的多能源联合优化调度运行方法，包括以下步骤：

s1，获取电力系统中火电机组、风电机组和光储单元的台数及运行参数，电力系统负荷预测数据、电网购电价格,风电、光储出力的历史数据和预测数据；

s2，修正风电、光储出力的预测数据，根据风电机组和光储单元的运行参数构建调峰能力指标体系，评估新能源的调峰能力，并确定风电机组和光储单元的可调峰状态；

s3，根据所述调峰能力指标体系得到新能源调峰指标特征参数，并结合风电、光储出力的预测数据的修正结果，建立计及新能源调峰能力的多能源联合优化调度运行模型；

s4，根据所述多能源联合优化调度运行模型，以电网收益最大化、风电消纳最大化为优化目标，采用混沌粒子群算法计算得到机组联合运行结果。

进一步的，所述步骤s1中，电力系统中火电机组、风电机组和光储单元的台数及运行参数，具体包括：

火电机组的运行参数：火电机组的出力上限、出力下限以及爬坡速率；

风电机组的运行参数：风机的出力上限、出力下限；

光储单元的运行参数：光伏的出力上限、出力下限以及储能的出力上限、出力下限。

进一步的，所述步骤s2中，修正风电、光储出力的预测数据，根据风电机组和光储单元的运行参数构建调峰能力指标体系，评估新能源的调峰能力，并确定风电机组和光储单元的可调峰状态，具体包括：

s201，构建调峰能力指标体系，衡量新能源的调峰能力，所述调峰能力指标体系包括以下指标：

风机发电状态：

风机极限下调容量：δpw,j,t+1,maxd＝fpw,j,t+1-pw,j,min(2)

风机极限下调比例：

风机极限上调容量：δpw,j,t+1,maxu＝fpw,j,t+1-fpw,j,t(4)

风机极限上调比例：

式中，ηj为风机j的发电状态，fpw,j,t+1表示为t+1时刻风机j的预测功率，wjn为风机j的额定功率；δpw,j,t+1,maxd为风机极限下调容量，pw,j,min为风机j的稳定运行的最小功率；ηjd为风机j的极限下调比例；δpw,j,t+1,maxu为风机极限上调容量，fpw,j,t表示为t时刻风机j的预测功率；ηju为风机j的极限上调比例；

光伏发电状态：

光储极限下调容量：δppv,l,t+1,maxd＝fppv,l,t+1-ppv,l,min+pc,ilmax-pc,l,t(7)

光储极限下调比例：

光储极限上调容量：δppv,l,t+1,maxu＝fppv,l,t+1-fppv,l,t+pc,l,t-pc,l,min(9)

光储极限上调比例：

式中，ηl.p表示为光伏l的发电状态，pc,l,t表示为储能l的功率，fppv,l,t+1表示为t+1时刻光储l的预测功率，pc0表示储能的额定容量，pvln表示光伏l的额定容量；δppv,l,t+1,maxd为光储极限下调容量，ppv,l,min为光伏l的稳定运行的最小功率，pc,l,max表示储能l的储能上限；ηld.p为光储l的极限下调比例，δppv,l,t+1,maxu为光储极限上调容量，fppv,l,t表示为t时刻光储l的预测功率，pc,l,min表示储能l的储能下限；ηlu.p为光储l的极限上调比例；

s202，确定风电机组和光储单元的可调峰状态：

风电机组可调峰状态：

式中，zjw,u/d为风机调峰状态，wn为风机低容量标准，ηju/d.p为风机j的极限上调或下调比例，ηj.p为风机j的最大调节比例，wjn为风机j的额定容量；

光储单元可调峰状态：

式中，zlpv,u/d为光伏调峰状态，pvn为光伏低容量标准，ηlu/d.p为光伏l的极限上调/下调比例，ηl.p为光伏l的最大调节比例，pvln为光伏l的额定容量。

进一步的，所述步骤s3中，建立计及新能源调峰能力的多能源联合优化调度运行模型，具体包括：

s301，确定目标函数：

电网成本最低：

式中，ng为区域内所有发电机组的总台数，包括火电机组，风电机组和光储单元，k′i为电网售电价格，p′i为电网在t时刻售电量，ki为电网从每台发电机组的购电价格，pi为电网在t时刻从每台发电机组的购电量；

风电消纳最大：

式中，nwind为区域内风电机组总台数，pw,j,t为风电机组j在t时刻的计划出力；

为尽量使用高调峰能力机组，以高调峰机组调峰功率maxdp最大为目标：

式中，ppv,l,t为t时刻光储机组l的出力；

s302，确定约束条件：

1)功率平衡约束：

式中，nh、nwind、npv分别为区域内火电机组、风电机组、光储单元的总台数，ph,k,t、pw,j,t、ppv,l,t分别为在t时刻下火电机组k、风机j和光储l各发电机组的出力，pload,t为t时刻下所需的电力负荷总量；

2)出力约束：

风电机组出力约束：

0≤pw,j,t≤fpw,j,t(17)

式中：fpw,j,t表示为t时刻风机j的预测功率，；

由于风电具有不确定性，在此考虑概率约束：

pr{wj,t≤fpw,j,t}≥ρ(18)

其中，pr表示wj,t≤fpw,j,t发生的概率，r表示为置信度，wj,t为风机j在t时刻实际可达到的有功出力；wj为随机变量，使用beta分布表示。beta分布的累计概率分布函数f(x)为：

其中，b(a,b)是分布参数a,b的不完全b函数，e(x)为随机变量x发生的期望值，d(x)为方差，u为所取的样本值；

整理后可得，

式(18)和式(21)化简可得，

根据风机调频能力衡量进行约束

式中，pw，l，t-1表示t-1时刻风电机组j的出力，为风机机组j在t时刻置信度r下的累计分布值。

光储单元出力约束：

为了保证储能元件的寿命和保留一定的调峰裕度，储能元件的荷电状态如下，

式中，soc表示储能的荷电状态，fppv,l,t为t时刻光储l的预测功率，pc0表示储能的额定容量，pc,l表示储能l的充放电状态，ppv,l,t-1表示t-1时刻光储l的出力。

火电机组出力约束：

ph,k,min≤ph,k,t≤ph,k,max(26)

式中：ph,k,min和ph,k,max分别表示为火电机组k所允许的最小出力和最大出力。

3)爬坡约束：

火电机组爬坡约束：

|ph,k,t+1-ph,k,t|≤ph,k,down/up(27)

式中，ph,k,t+1表示火电机组k在t+1时刻的出力，ph，down/up分别表示火电机组的向上/向下爬坡能力。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于风、火、光储协调的多能源联合优化调度运行方法，以电网调度成本最低和风电消纳最大作为优化目标，通过新能源机组预测的运行状态给出机组调峰能力指标，优先考虑高调峰新能源机组，将其引入目标函数，解决现有电网调度成本高、调峰压力大、新能源消纳小的问题；本发明所提出的调峰能力指标体系考虑了风机、光伏以及储能的运行状态，将其划分高可调、低可调以及不可调三种情况，利用概率分布函数来表示风电出力不确定性，充分发挥高调峰状态新能源机组能力，保障了计及新能源调峰能力的多能源联合优化调度运行模型的准确性，考虑风机和光伏储能的调峰能力，合理选择新能源机组参与到系统调峰，能够提升新能源消纳同时，确保电力系统运行的可靠性和经济性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于风、火、光储协调的多能源联合优化调度运行方法的流程图；

图2是本发明实施例提供的所述运行方法中混沌粒子群算法的流程图；

图3是本发明实施例提供的所述运行方法中6节点系统原理框图；

图4是本发明实施例提供的所述运行方法第一种方案调度运行结果图；

图5是本发明实施例提供的所述运行方法第二种方案调度运行结果图；

图6是本发明实施例提供的所述运行方法第三种方案调度运行结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于风、火、光储协调的多能源联合优化调度运行方法，综合考虑风机和光伏储能的调峰能力，合理选择新能源机组参与到系统调峰，缓解新能源调峰压力，提高新能源消纳量，并降低电力系统的调度成本。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的基于风、火、光储协调的多能源联合优化调度运行方法，包括以下步骤：

s1，获取电力系统中火电机组、风电机组和光储单元的台数及运行参数，电力系统负荷预测数据、电网购电价格,风电、光储出力的历史数据和预测数据；其中，具体包括：

火电机组的运行参数：火电机组的出力上限、出力下限以及爬坡速率；

风电机组的运行参数：风机的出力上限、出力下限；

光储单元的运行参数：光伏的出力上限、出力下限以及储能的出力上限、出力下限；

电力系统负荷预测数据可以是各个时间段的系统总负荷预测值，用于与火电机组的出力情况进行匹配，以此有效降低大容量机组频繁改变运行状态时所带来的经济损失和安全隐患；

s2，修正风电、光储出力的预测数据，根据风电机组和光储单元的运行参数构建调峰能力指标体系，评估新能源的调峰能力，并确定风电机组和光储单元的可调峰状态；具体包括：

s201，构建调峰能力指标体系，衡量新能源的调峰能力，新能源调峰能力的评估与新能源的运行状态有关，运行在较高功率时，下调的调峰能力显著增加，下一时刻的预测功率较大时，则其上调的调峰能力增加，因此选择以下指标衡量新能源的调峰能力。所述调峰能力指标体系包括以下指标：

风机发电状态：

风机极限下调容量：δpw,j,t+1,maxd＝fpw,j,t+1-pw,j,min(2)

风机极限下调比例：

风机极限上调容量：δpw,j,t+1,maxu＝fpw,j,t+1-fpw,j,t(4)

风机极限上调比例：

式中，ηj为风机j的发电状态，fpw,j,t+1表示为t+1时刻风机j的预测功率，wjn为风机j的额定功率；δpw,j,t+1,maxd为风机极限下调容量，pw,j,min为风机j的稳定运行的最小功率；ηjd为风机j的极限下调比例；δpw,j,t+1,maxu为风机极限上调容量，fpw,j,t表示为t时刻风机j的预测功率；ηju为风机j的极限上调比例；

光伏发电状态：

光储极限下调容量：δppv,l,t+1,maxd＝fppv,l,t+1-ppv,l,min+pc,ilmax-pc,l,t(7)

光储极限下调比例：

光储极限上调容量：δppv,l,t+1,maxu＝fppv,l,t+1-fppv,l,t+pc,l,t-pc,l,min(9)

光储极限上调比例：

式中，ηl.p表示为光伏l的发电状态，pc,l,t表示为储能l的功率，fppv,l,t+1表示为t+1时刻光储l的预测功率，pc0表示储能的额定容量，pvln表示光伏l的额定容量；δppv,l,t+1,maxd为光储极限下调容量，ppv,l,min为光伏l的稳定运行的最小功率，pc,l,max表示储能l的储能上限；ηld.p为光储l的极限下调比例，δppv,l,t+1,maxu为光储极限上调容量，fppv,l,t表示为t时刻光储l的预测功率，pc,l,min表示储能l的储能下限；ηlu.p为光储l的极限上调比例；

s202，确定风电机组和光储单元的可调峰状态：

风电机组可调峰状态：

式中，zjw,u/d为风机调峰状态，wn为风机低容量标准，ηju/d.p为风机j的极限上调或下调比例，ηj.p为风机j的最大调节比例，wjn为风机j的额定容量；

光储单元可调峰状态：

式中，zlpv,u/d为光伏调峰状态，pvn为光伏低容量标准，ηlu/d.p为光伏l的极限上调/下调比例，ηl.p为光伏l的最大调节比例，pvln为光伏l的额定容量。

s3，根据所述调峰能力指标体系得到新能源调峰指标特征参数，并结合风电、光储出力的预测数据的修正结果，建立计及新能源调峰能力的多能源联合优化调度运行模型；

s4，根据所述多能源联合优化调度运行模型，以电网收益最大化、风电消纳最大化为优化目标，采用混沌粒子群算法计算得到机组联合运行结果。

其中，所述步骤s3中，建立计及新能源调峰能力的多能源联合优化调度运行模型，具体包括：

s301，确定目标函数：

电网成本最低：

式中，ng为区域内所有发电机组的总台数，包括火电机组，风电机组和光储单元，k′i为电网售电价格，p′i为电网在t时刻售电量，ki为电网从每台发电机组的购电价格，pi为电网在t时刻从每台发电机组的购电量；

风电消纳最大：

式中，nwind为区域内风电机组总台数，pw,j,t为风电机组j在t时刻的计划出力；

为尽量使用高调峰能力机组，以高调峰机组调峰功率maxdp最大为目标：

式中，ppv,l,t为t时刻光储机组l的出力；

s302，确定约束条件：

1)功率平衡约束：

式中，nh、nwind、npv分别为区域内火电机组、风电机组、光储单元的总台数，ph,k,t、pw,j,t、ppv,l,t分别为在t时刻下火电机组k、风机j和光储l各发电机组的出力，pload为t时刻下所需的电力负荷总量；

2)出力约束：

风电机组出力约束：

0≤pw,j,t≤fpw,j,t(17)

式中：fpw,j,t表示为t时刻风机j的预测功率，；

由于风电具有不确定性，在此考虑概率约束：

pr{wj,t≤fpw,j,t}≥ρ(18)

其中，pr表示wj,t≤fpw,j,t发生的概率，r表示为置信度，wj,t为风机j在t时刻实际可达到的有功出力；wj为随机变量，使用beta分布表示。beta分布的累计概率分布函数f(x)为：

其中，b(a,b)是分布参数a,b的不完全b函数，e(x)为随机变量x发生的期望值，d(x)为方差，u为所取的样本值；

整理后可得，

式(18)和式(21)化简可得，

根据风机调频能力衡量进行约束

式中，pw,l,t-1表示t-1时刻风电机组j的出力，为风机机组j在t时刻置信度r下的累计分布值。

光储单元出力约束：

为了保证储能元件的寿命和保留一定的调峰裕度，储能元件的荷电状态如下，

式中，soc表示储能的荷电状态，fppv,l,t为t时刻光储l的预测功率，pc0表示储能的额定容量，pc,l表示储能l的充放电状态，ppv,l,t-1表示t-1时刻光储l的出力。

火电机组出力约束：

ph,k,min≤ph,k,t≤ph,k,max(26)

式中：ph,k,min和ph,k,max分别表示为火电机组k所允许的最小出力和最大出力；

3)爬坡约束：

火电机组爬坡约束：

|ph,k,t+1-ph,k,t|≤ph,k,down/up(27)

式中，ph,k,t+1表示火电机组k在t+1时刻的出力，ph，down/up分别表示火电机组的向上/向下爬坡能力。

其中，所述步骤4中，采用常规技术中的混沌粒子群算法计算得到机组联合运行结果，具体方法如图2所示。

本发明实施例采用6节点系统如图3，该系统有：两台火电，装机容量为230mw；两台风机，装机分别为150mw和80mw；两台光伏分别最大发电功率30mw，储能容量为20mw，最大发电功率60mw，储能容量为30mw。t1和t2为变压器，ps1为移相器。

火电机组参数如表1，光伏预测如表2，储能如表3，负荷预测如表4，风电预测数据如表5。

本实施例设置三种运行方案：方案一：不考虑新能源的调峰能力，机组按照多电源联合优化调度运行方式运行，运行结果如图4所示；方案二：考虑新能源的调峰能力，机组按照本发明提供的运行方法运行，运行结果如图5所示；方案三：非最优的联合机组调度运行方式，运行结果如图6所示。

从图4至图6中可以看出，方案一和二可以明显改善火电机组的调峰压力，方案二相比于方案一减少了机组的调峰次数，充分利用了高调峰能力的机组进行调峰。

为了对多目标进行优化计算，本文采用层次分析法计算目标函数maxfa、maxfwind和maxδp的权重分别为：0.4642，0.3132，0.2226，则总目标f可表示为f＝0.4642maxfa+0.3132maxfwind+0.2226maxδp。

表1火电机组数据

表2光伏数据

表3储能数据

表4负荷预测数据

表5风电预测数据

在调度成本方面，如表6所示，相比于非最优调度运行方式(方案三)的调度成本，未考虑新能源调峰能力的调度运行方式(方案一)与考虑新能源调峰能力的调度运行方式(方案二)分别节约调度成本110756.4元和110893元。可见本发明提供的多电源联合调度模型的运行结果更利于电网调度，满足电网利益最大化。

表6调度成本

本发明实施例以电网调度成本最低和风电消纳最大作为优化目标，通过新能源机组预测的运行状态给出机组调峰能力指标，优先考虑高调峰新能源机组，将其引入目标函数，提出了基于风、火、光储协调的多能源联合优化调度运行方法。所提出的新能源调峰指标考虑了风机光伏以及储能的运行状态，将其划分高可调、低可调以及不可调三种情况，利用概率分布函数来表示风电出力不确定性，充分发挥高调峰状态新能源机组能力，保障了模型的准确性，合理地选择了新能源机组参与到系统调峰，能够可靠经济和保证新能源消纳。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。