专利名称：用于调度发电机的运转的方法
技术领域：
本发明的技术领域总体上涉及发电，更具体地，涉及对发电机的运转的调度。
背景技术：
期望调度例如核能、煤炭、石油、燃气、水力、太阳能和风力发电机这样的发电机的运转。发电机通过电网连接到消费者。电网可以覆盖大陆。运转调度的目的是为消费者产生计划的电力量并且将生产成本和电力短缺的风险降低到最低。运转调度包括一系列运转周期(步长)，这些周期(步长)的长度通常是一个小时。在每一个步长期间，应当确定哪些发电机应开机和哪些发电机应关机，并且确定每一个开机的发电机应产生多少电力。计划周期(S卩，调度的持续时间)通常在一天到一周之间。由于存在数量非常庞大的可能的发电机组合、必须被考虑的调度、各个发电机的运转成本的差异、输出的可靠性和变化以及各种存在的运转限制，因此在全部可能的调度中发现最优的运转调度是非常困难的计算问题。大量的这些限制在本质上是暂时的，这就将运转调度转变为连续的决策问题。例如，一些发电机具有最小和最大开机(on)时间和关机(off)时间，并且具有对它们能够多快地增大输出或多快地减小输出的限制。这是为什么启动或者关闭发电机具有很长时间的影响，并且这些决定组成了针对多个时间步长之间使用(或不使用)发电机的调配。为此,决定启动或者关闭哪些发电机通常被认为是发电中的发电机启动停止问题(unit commitment problem)。在已调配了在一特定时刻启动一组发电机之后,必须确定各个发电机将产生的最优输出。还必须考虑附加的限制，诸如发电机可产生的最小输出和最大输出。这种嵌套优化(nested optimization)问题被称为经济调度(economic dispatch)问题。 在作为全部可用的发电机的子集的运转中的发电机的集合s并且目标电力需求d的情况下，假定F=f (s，d)得到集合s中的发电机产生电力需求d的总预期成本，并且G=g(s, d)得到利用这个发电机的集合不能满足需求的预期风险(概率)。如果集合s中的发电机例如因为d超出了集合s中的发电机的个体的最大输出之和而不能满足需求d，则假定成本F等于使发电机满负荷运行的成本，并且不能满足需求的风险G是一。对于大多数实际问题，全部可能的调度的数量太大以至于不能被穷尽搜索。如果N个发电机可用，则在任何时间步长中都存在处于启动状态的发电机的2N个可能子集。如果在计划周期中存在总共M个时间步长，例如，针对为一天的计划周期(M=24)和一小时的时间步长，则全部可能的调度的总数是2N‘M。运转调度问题的极大的组合复杂度要求针对近似解的更有效的计算方法。—个简单的方法是将全部发电机放入按照各个发电机满负荷运转时的输出电力的相对成本排序的优先级列表中，使得具有最低成本的发电机具有最高优先级。考虑到时间步长t的预期需求dt，可用的发电机根据该优先级列表来运转，如果ClX1则有可能调配原本关闭的新发电机，或者如果，则可能回收原本启动的发电机。通过修改优先级列表以排除那些必须启动或关闭以满足这些限制的发电机，可以适应最小的启动和关闭时间。尽管可行，但是这种运转调度方法远不是最优的，并且已知基于动态规划(dynamic programming)、拉格朗日松弛、分支定界的更先进的技术。一种方式将该问题解构为与调度的单个时间步长相对应的阶段，并且针对当前阶段的发电机的每一个可行组合(子集)，使用动态规划来回归地确定最优的累积代价函数(cost-to-go),直至调度的结束为止。这种过程减小了该问题的计算复杂度，因为计算复杂度在阶段(步长)的数量方面是线性的，并且在每个阶段的可行的组合的数量方面是二次函数。然而，可行的组合的数量(2N)在可用发电机的数量方面仍然是指数函数。减少可行的组合的数量的探索可能会导致次优方案。此外，如果发电机的状态由布尔变量(开/关)表示，则不能适应最小启动时间和关闭时间的要求以及对斜率的限制。当完全了解了计划周期的整个持续时间中的未来电力需求并且发电机的操作员在发电机被启动之后对发电机产生多少电力具有完全控制时，可预先确定最优的运转调度，并且随着时间的过去而相应地执行。然而实际上，不能完全了解需求。预报中总存在不准确性，并且存在由于未来事件而引起的随机变化，例如，由于在比预期的更热的日子里空调器的更高的负载引起。类似地，不能完全了解发电机的输出。例如，任何发电机都有一定的概率会发生故障。另外，诸如光伏面板和风力发电机这样的可更新能源的输出能够发生极大的变化，这是因为输出受到不可控的自然力的制约。尽管比如发电机的完全故障那样严重，但可更新能源的变化性每天都会出现，并且更加显著地影响运转调度。在过去，一种针对预期需求和供应的偏差进行计划的实际方法是包括利用调配的发电机的额外发电能力的安全余量，也称为运转备用。也就是说，运转调度计划了稍高出一些的电力输出。确定这个安全余量应该是多少以及该安全余量在运转发电机之间应如何分布并不是一个简单的问题，并且受到规定制约。有时使用经验法则来对预期需求提供小的安全余量，例如3%。在其它情况下，电网必须对可能失去最大的发电机的情况进行补偿。然而，这种方式大体上是启发式的，并且当将来可更新的能源变得更普遍时不大可能有用。替代方式是认识到电力需求和发电机供应的不确定性使得该问题成为随机的(stochastic)，S卩，概率的和随机的，例如参见美国专利申请 20090292402，“Method&apparatus for orchestrating utility powersupply&demand in real time using a continuous pricing signal sent via a networkto home networks&smart appliances,，，2009 年 11 月 26 日。概率性运转调度确定能够适应供应和需求的未来变化的调度方案，并且通过针对全部可能的偶然性进行计划而隐含地提供安全余量。与这种方式相关联的明显困难是如何代表所有这些可能的偶然性，以及如何针对它们做出计划。一种模型将系统的所有的未来的可能实现(称为场景(scenario) )组织为场景束的树。然而，这种用于表示概率性的模型仅限于数量不多的场景，而在实际系统中，未来可由无限种方式实现
发明内容
本发明的实施方式提供一种用于确定在电力的随机需求和例如诸如光伏面板和风力发电机这样的可更新能源的不可控发电机的随机输出的情况下一组发电机的最优的条件运转调度的方法。不同于预先固定的常规运转调度，条件运转调度依赖于可观察的随机变量(需求和输出)的未来状态，并且根据对这些变量的观察结果而得到不同的实际调度。调度明确地提供发电的运转成本与不能够满足未来电力需求的风险之间的平衡。
图1是根据本发明实施方式的用于针对N个发电机的集合确定最优的条件运转调度的方法的流程图；图2示出了根据本发明实施方式的用于可控和不可控的发电机的前驱状态和后续状态；以及图3示出了根据本发明实施方式的用于计算最优的条件运转调度的和/或树。
具体实施例方式如图1所示，本发明的实施方式提供了一种用于确定在对电力的随机需求101和发电机的子集的随机输出的情况下一组N个发电机100的最优的条件运转调度150的方法50。发电机向消费者105提供电力。该方法可以在与本领域公知的存储器和输入输出接口相连接的处理器中执行。该方法使用可分解马尔科夫决策过程(fMDP) 130。该方法的输入包括随机性(随机)的需求dlOl、与发电机有关的变量(诸如运转成本和限制)102以及风险系数α 103。需求和与发电机有关的变量被用于构建IlOfDMP的状态和转变。fMDP的成本函数 还由 变量101至102和风险系数构建120。该方法通过fMDP130来表示包括多个发电机100的发电系统。fMDP表示使用状态变量的复状态(complex state)空间和使用动态贝叶斯网络(DBN) 131的转变模型。该方法通过使用与/或树141来解140fMDP，以确定最优的条件运转调度方案150，参见图3。马尔科夫决策过程马尔科夫决策过程(MDP)可以用于表示一系统，其中状态随着时间概率性地演化。通常，通过四元组(X，A, R, P)描述MDP，其中，X是状态X的有限集，A是动作a的有限集，R是回报函数(reward function),使得如果在状态x下采取动作a,则R(x, a)代表回报(即，成本);并且P是马尔科夫转变模型，其中PU’ X, a)代表如果在状态X下采取动作a，转变到状态X’的概率。MDP可以用于代表发电系统，例如，根据状态X表示发电机的每一个可能组合、通过动作a表示关于下一时间步长中的发电机的状态的决策的每一个组合、在状态X中运转发电机达当前周期的成本以及根据回报函数R(x，a)在周期的结束处根据动作a切换到发电机的先前状态X’。为了使得转变函数成为马尔科夫型，不通过布尔(开/关)变量表示各个发电机的状态，而是通过表示发电机被启动或者关闭的时间步长的数量的多项变量来表示。必须确保符合发电机应被启动或关闭的最小时间或最大时间有关的运转限制。
如果发电机应该被启动至少(或者最多，选更大的)L个时间步长，并且应被关闭至少(或者最多，选更大的)I个时间步长，则该状态由L+1个值中的一个表达。相应地,包括N个发电机的整个发电系统的状态可以是(L+1)N个组合中的一个。如果要在M个时间步长上进行计划，则MDP的状态|X|的总数量是M(L+1)n。然而，对于大多数实际问题，例如，当L=1=5，N=20，M=24时，X| =24X IO20 0因而，得到的现有的MDP不能够被解，这是因为已有的用于解MDP的精确方法仅在|X|被限制为几百万个状态时在计算上才是可行的。另外，MDP很难构建和维护。可分解马尔科夫决策过程因此，根据本发明优选实施方式的方法使用fMDP130。在fMDP中，通过对单个随机变量的集合X= {Xi，X2,, XJ赋值来隐含地描述过程的状态的集合，其中每一个状态变量Xi都具有有限域Dom(Xi)中的值。也就是说，单个状态X也是赋值的集合{Xl，X2,, XnI，使得 Xi e Dom (Xi)。动态贝叶斯网络转变模型可通过DBN131紧凑地表示。DBN表示概率系统，即，发电机，从一个时间步长t到下一个时间步长t+i的演进。如果X= {Xi，X2,, XJ是系统在第一时间步长的前驱状态，并且X’={x’是系统在下一个时间步长的的前驱状态，则DBNT具有集合(X1, X2,, Xn, X’ i，X’ 2，...，V J中的2n个随机变量，通常组织成两层，即，前驱层和后续层。DBNt的转变图可由双层有向非循环图来表示，其中节点是2n个随机变量。在BDNt的图中的节点X’ i的父节点由父τ (X’ ,)表示。此外，针对变量X’ ,限定了条件概率分布(CPD)，使得CPD仅在父τ (X’ ,) :Ρ τ [X’ J父τ (X’ ,)]中的变量而言是有条件的。
接着，可以将fMDP的整个转变函数分解成单个变暈
权利要求
1.一种针对发电机的集合确定最优的条件运转调度的方法，该方法包括以下步骤 由目标电力需求和发电机变量来构建分解马尔科夫决策过程(fMDP)的状态和转变； 基于所述电力需求、所述发电机变量以及风险系数，构建所述fMDP的成本函数；以及 对所述fMDP求解以获得所述最优的条件运转调度，其中，上述步骤在处理器中执行。
2.根据权利要求1所述的方法，其中，所述需求是随机的。
3.根据权利要求1所述的方法，其中，所述发电机的集合包括不可控发电机，其中，各不可控发电机具有随机的输出。
4.根据权利要求1所述的方法，其中，所述发电机变量包括所述发电机的数量、成本和运转所述发电机的限制。
5.根据权利要求1所述的方法，其中，所述fMDP由动态贝叶斯网络(DBN)表示。
6.根据权利要求1所述的方法，其中，所述求解使用近似动态规划。
7.根据权利要求1所述的方法，其中，所述fMDP的所述状态由随机变量的集合X= (X1, X2,... XJ表示，其中，各个状态变量Xi具有有限域Dom(Xi)中的值，并且单个状态x具有赋值集合(X1, X2, · · · , X1J，使得 Xi e Dom (Xi)。
8.根据权利要求5所述的方法，其中，所述DBN表示所述发电机从时间步长t到下一个时间步长t+Ι的演进，并且其中，X= (X1, X2,..., XJ是时间t处的前驱状态，并且V ={X’ i，X’ 2，···，Χ’ J是时间t+1处的后续状态。
9.根据权利要求5所述的方法，其中，所述DBN由双层有向非循环图表示。
10.根据权利要求1所述的方法，其中，所述fMDP的求解使用与/或树以及动态规划。
11.根据权利要求10所述的方法，其中，所述与/或树的分支被限制为所述可控发电机的适当配置的子集。
12.根据权利要求11所述的方法，其中，所述可控发电机的所述适当配置的子集由所述发电机的优先级列表构建。
13.根据权利要求11所述的方法，其中，所述可控发电机的所述适当配置的子集是通过在需求预期值的周围对所述需求的变化程度执行确定性调度并观察在所述最优的条件运转调度中使用哪些配置而构建的。
14.根据权利要求11所述的方法，其中，通过从总需求中减去全部不可控变量的输出来计算净需求。
15.根据权利要求11所述的方法，其中，需求变量是离散的并且仅限为多个可能的离散值。
16.根据权利要求15所述的方法，其中，由离散时间自回归随机过程来估计所述净需求变量的概率性转变函数。
17.根据权利要求15所述的方法，其中，由连续时间均值反转随机过程来估计所述净需求变量的概率性转变函数。
全文摘要
通过根据目标电力需求和发电机变量构建可分解马尔科夫决策过程(fMDP)的状态和转变，针对发电机的集合确定最优的条件运转调度。基于所述电力需求、所述发电机变量和风险系数来构建fMDP的成本函数。接着，对fMDP求解以获得最优的条件运转调度。
文档编号H02J3/00GK103069442SQ20118004129
公开日2013年4月24日 申请日期2011年7月5日 优先权日2010年8月27日
发明者丹尼尔·尼科夫斯基, 张伟红 申请人:三菱电机株式会社