一种风光储能并网发电智能优化调度方法
【专利摘要】本发明提供一种风光储能并网发电智能优化调度方法，包括1)采集历年风电、光电数据，得出日前、日内不同时间尺度下的风电、光电出力预测误差分布；2)根据气象数据(光照，温度)利用现有的风电出力预测系统和光电出力预测系统分别得到风电、光电预测出力值；3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型；5)优化得出第一次风光储发电日前联合调度值；6)得出日内风光储发电联合调度值和日内风、光、储发电调度值；7)得出风光储实时调度值。
【专利说明】-种风光储能并网发电智能优化调度方法
【技术领域】
[0001] 本发明属于电力系统运行和控制【技术领域】，尤其涉及一种风光储能并网发电智能 优化调度方法。
【背景技术】
[0002] 随着传统能源日益的消耗，全球污染的加剧，以及全球气温升高等问题的凸显，新 能源（洁净能源）发电越来越受到重视，大规模新能源发电相继上网。但是，新能源发电出 力具有随机性、不确定性，给电网带来了一些安全问题。风光互补发电由于具有互补特性， 加之，储能具有强大的"吞吐"的功率的能力，风光储联合发电成为了新能源发电比较"热" 的发电形式，这种形式的出现在一定程度上缓解了新能源单一发电出力不稳定的问题。
[0003] 针对风光储联合发电调度的调度值计算与确定，现有技术中主要方法及存在的缺 陷为：
[0004] (1)袁铁江等在文献"大规模风电并网电力系统动态清洁经济优化调度建模 [J]".中国电机工程学报，2013,30(31) :7-13中提出了风电环境成本的概念，并建立了环 境成本价格体系，并依此基础建立风电并网优化调度优化目标，给本发明开发提供了借鉴 意义，但文献在安排风电调度时未考虑风电出力不确定性给调度带来的影响，同时在确定 优化目标时，考虑的目标函数不够全面，因此不具有工程应用价值。
[0005] (2)陈宁等在文献"基于电气剖分原理的风电系统调度方法[J]".电力系统自动 化，2014,24(10) :32-37中提出了风电并网静态优化调度模型，但此调度模型属于静态调 度模型，缺乏不同周期内调度之间的联系。
[0006] (3)韩自奋等在文献"考虑约束的风电调度模式[J] " .电力系统自动 化，2010, 34 (2) : 89-92中，提出了考虑约束条件下的风电调度模式，在约束条件设立时，未 将风电出力随机性考虑在约束条件中，使得最终得出的优化结果值得商榷。
[0007] (4)周玮等在文献"含风电场的电力系统动态经济调度[J]".中国电机工程学 报，2009, 29 (25) : 13-18.中，建立了风电场的电力系统动态经济调度模型，将风电预测出 力作为输入量，通过设计的模型进行调度，但是忽略了风电出力预测在不同周期内的出力 预测误差，给调度结果产生较大影响。
[0008] (5)吴雄等在文献"风电储能混合系统的联合调度模型及求解[J].中国电机工程 学报，2013, 33(13) : 10-17. "中提出了风电储能混合的调度模型以及通过Monte Carlo求 解方法，此文献只是对风电储能出力进行粗糙的抽样，就将抽样数据做为调度的基础数据 进行调度计算，未对风电不同时期内的出力预测误差进行定量分析；同时在建立调度模型 过程中，目标函数的不全面，例如未考虑我国最新对新能源发电上网的鼓励政策，在约束条 件建立上，未考虑风电的随机性，使得优化调度模型无法达到最优。
[0009] 以上现有技术公开的文献在安排调度时，主要是涉及风电、或者光电单一发电调 度，风电储联合经济调度的方法较少，并且在安排风电、光电调度时均未考虑出力预测误差 给电网调度产生的影响，使得调度值不准确，电力部门不得不加大系统备用容量，从而导致 风光储附加的额外发电成本；其次，在安排调度时，未将不同时间段（日前、日内、实时）的 调度值有效的耦合，效率低下；在安排调度时，调度的核心部分调度模型的建立，也存在很 大的问题，在优化目标函数的选取上，未将国家最新颁布的新能源洁净能源调度的政策考 虑、弃风和弃光现象等考虑在目标函数中，脱离实际情况。
【发明内容】
[0010] 针对现有技术存在的上述不足，本发明的目的在于怎样解决现有技术中调度值不 准确，电力系统备用容纳大，效率低，并且成本高的问题，提供一种风光储能并网发电智能 优化调度方法。
[0011] 为了解决上述技术问题，本发明采用的技术方案是这样的：一种风光储能并网发 电智能优化调度方法，其特征在于：包括如下步骤：
[0012] 1)采集历年风电、光电数据，分析得出日前、日内不同周期的风电出力预测误差分 布和光电出力预测误差分布：
[0013] 光电出力预测误差为
【权利要求】
1. 一种风光储能并网发电智能优化调度方法，其特征在于：包括如下步骤：
1) 采集历年风电、光电数据，分析得出日前、日内不同周期的风电出力预测误差分布和 光电出力预测误差分布： 光电出力预测误差为 ⑴ 风电出力预测误差为 （2) 其中PP.Mal.t、Pw.Mal. t为光电、风电t时刻的实际出力，PRf_.t、Pw. f_.t为光电、风电调度 周期内第t个调度点的预测出力值，PP.MX、PW._为光伏电站的装机容量； 2) 根据光照、温度气象数据，利用基于神经网络的风电出力预测系统和光电出力预测 系统分别得到风电预测出力值和光电预测出力值； 3) 结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值； 光电出力场景：PP. i. t = PP. f〇re. t+ (errorP. t X Pp f〇re t X Pp J (3) 风电出力场景：PW .j. t fore. t+(errorfftXPff .fore, t ^ Pw. max) ⑷ 为光电、风电调度周期内第t个调度点的预测出力值，PP._、PW._为光 伏电站的装机容量；调度周期内调度点为24*4个，调度间隔15min ; 4) 建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包 括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日 内以及实时调度模型：其中， ①日前调度模型为： MaxE(i, j,PPB.t) = Ri+R2_R3_R4 (7)
(12) (13) (14) MPt、PWPB.t为t时刻的风光储发电的售电价格、风光储联合计划出力值；为风光储 出力正偏差售电价格，风光储负偏差惩罚价格，为光伏出力正负偏差状态，PdM为风光储出力弃风、弃光价格，Pmt为调度周期内第t个调度点光电场景i、风电场景j 风光储联合发电出力，APm.t为调度周期内第t个调度点场景为i、j的情况下光储出力 溢出量，P' i.P.t为调度周期内第t个调度点场景i风电自然出力，Put为调度周期内第t 个调度点场景i风电出力，P'」.w.t为调度周期内第t个调度点场景j光电自然出力，Pj. w.t为调度周期内第t个调度点场景j光电出力； ② 日前调度约束条件模型为： 光储联合发电间的出力平衡约束： Pi. j. jo. t - Pp. i. t+Pw. j. t+Pdis. t_Pch. t (15) 申报出力容量的约束： 0. PpB. t < Pp. max+Pw. max+Pdis. max (16) 储能装置时刻间的电量约束： Ei.j.t - j. t-l+Pi. j. ch. t ^ ch_Pi. j. dis. J ^ dis (丄了） 储能装置的电量约束： Emin^ ELj,t ^ Emax (18) 储能充放电的功率限制约束： 0. Pi.j.dis. t ^ Pdis. max (19) 〇 ^ Pi. j.ch. t ^ Pch.max (2〇) 周期内的电量平衡约束： Ei.j.o 一 Ej j T (21) 其中为储能装置最大充、放电功率； ③ 日内调度模型的建立： 日内调度，属于滚动调度由于预测周期变短，相应的风、光预测精度将变高，场景出力 场景范围将变小，为此，需要采用日内滚动调度对日前调度进行更新域修正，假设，滚动调 度（修正日前调度）每S时间间隔执行一次，调度日的澤次对剩余 的时段S*(l_l)+1至调度日结束时间点，目标函数变为：
MaYF.n i 1 P"" 'l = R +R^-R^-R.
⑶u n y口j反水求i丫 p、j陡」^申报出力容量的约束：0 ^ PpB. t ^ Pp. max+Pw. max+Pdis. max (27) (23) (2-1) (25) ) 储能装置时刻间的电量约束： Ei.j.t - j. t-l+Pi. j. ch. t ^ ch_Pi. j. dis. J ^ dis (28) 储能装置的电量约束： Emin ^ El j. t ^ Emax (29) 储能充放电的功率限制约束： 0. Pi.j.dis. t ^ Pdis. max (3〇) 〇 < Pi.j.ch. t < Pch. max (31) 周期内的电量平衡约束： Ei.j.o - ELj't (32) 日内风、光电出力调度的确定； 通过上述方法求出了风光储联合调度出力值；再求出风、光、储调度值PRWFB.t、Pw. WPB.t、 PB.WB.t，通过三者协调完成联合调度出力值,基于求出的联合调度出力值，本发明以弃风量 和弃光量最少作为优化目标：
即可求出风、光电出力调度值，该约束条件以日内联合调度相同，只是不再考虑风、光 电不确定性，将它们的预测出力值看为已知量； 储能调度的出力值： Pb. WPB. t - PwPB. t_Pp. WPB. t_Pw. WPB. t (33) ⑤实时调度模型：具体如下：
act上标代表实际值；online代表在线调度值；代表储能储存功率 5)通过日前气象数据，根据步骤3)得出的风电日前出力场景数据和光电日前出力场 景数据输入步骤4)调度模型中，优化得出第一次风光储发电日前联合调度值； 6) 通过日内气象数据，根据步骤3)求出风电日内出力场景数据和光电日内出力场景 值再次输入步骤4)调度模型中，对第一次调度值进行修正，得出日内风光储发电联合调度 值和日内风、光、储发电调度值； 24*60 通过日内滚动气象数据，循环/一7^\次得出日内风光储发电滚动调度值，S为滚动 { 5 ) 时间间隔； 7) 通过步骤6)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力与实际 出力比较，通过判断，得出风光储实时调度值，具体如下：
' # act上标代表实际值；online代表在线调度值；代表储能储存功率。
【文档编号】H02J3/46GK104283236SQ201410578942
【公开日】2015年1月14日 申请日期:2014年10月25日 优先权日:2014年10月25日
【发明者】罗建春, 罗洪, 冉鸿, 杨杰, 刘凯, 杨晓初, 李保全 申请人:国网重庆武隆县供电有限责任公司