本发明涉及一种电网应急场景随机优化调度方法，具体涉及一种计及风电和可中断负荷不确定性的电网应急场景随机优化调度方法。
背景技术：
近年来，为应对能源危机和环境问题，风电作为可持续性较高、成本较小、技术较为成熟的清洁能源在世界范围内受到广泛关注。根据全球风能理事会发布的《全球风电市场2017年度统计报告》，2017年全球风电新增装机容量约为52.6gw，累计装机容量达到539.6gw，其中中国风电新增装机和累计装机量仍保持全球第一。然而风电的波动性与间歇性会直接导致电网节点输入功率不确定性的增强，其弱稳定性和弱抗扰性也势必对电力系统的运行稳定性造成影响。尤其在我国风电高集中度开发、远距离输送的模式下，随着风电并网规模的增加，其对系统供电充裕性和运行稳定性的影响趋于恶化，为电力系统的安全运行和稳定控制带来了新的威胁。
风电资源由于其固有性质，预测难度较大，且具有预测时间越短，预测精度越高的特点。为尽量避免电力系统短期运行中可能出现的小概率高风险事故，可以缩短风电预测的时间尺度，基于更加精确的预测数据，对日前调度计划进行日内滚动修正，从而逐级消除大规模风电接入对电网运行造成的影响。但考虑到发电侧有限的调节能力难以应对频繁的机组大幅爬坡等需求，还需要借助需求侧资源响应的效果实现电网应急场景下的随即优化调度。而可中断负荷(interruptibleload,il)作为一种激励型需求响应资源，部署灵活、可调潜力大且响应速度快，可以在负荷高峰或系统故障时中断部分或全部负荷，从而保障系统安全。尤其是电网发生高风险事故的应急场景下，由于线路潮流限制等原因，发电机组无法提供足够的供电量时，il作为一种虚拟的备用发电容量和输电容量资源，在应对容量事故、保障系统安全稳定运行方面愈发受到重视。因此，广泛挖掘il的可调度潜力，对大规模风电接入下的电网应急场景随机优化调度进行研究，对于提升电力系统调度方式的智能性与灵活性，保障电力系统安全稳定运行具有重要的意义。
根据目前的研究，发现以下几个突出的不足问题：(1)对il响应不确定性的假设较为单一，不能准确体现其真实的分布规律；(2)多集中于以24h为时间尺度的日前调度计划研究，但为了避免小概率高风险事故，针对不确定性il参与电网应急场景下的短期优化调度鲜有报道；(3)多利用蒙特卡洛模拟法求解电网随机调度模型，虽然实施简单，利于并行运算，但计算成本较高，收敛率较低。即使是改进的蒙特卡洛方法，如拉丁超立方抽样方法、拟蒙特卡洛方法等，仍存在一定的应用局限性，需要设计可有效处理电网随机调度模型中高维随机输入变量的不确定性量化(uncertaintyquantification,uq)方法。
技术实现要素：
发明目的：本发明提供了一种计及风电和可中断负荷不确定性的电网应急场景随机优化调度方法，利用无迹变换机调度过程中的不确定量，模型更加贴合实际情况，能够有效减小电力系统的随机调度成本，保障电力系统的安全稳定运行，兼顾了随机调度模型的计算精度和计算成本。
技术方案：本发明所述的一种电网应急场景随机优化调度方法，包括以下步骤：
(1)建立风电出力以及需求侧可中断负荷响应的不确定性模型；
(2)设置激励因子和惩罚因子来约束可中断负荷的中断行为；
(3)以随机调度总成本最低为目标，建立电网应急场景下的随机优化调度模型；
(4)明确步骤(3)所述的随机优化调度模型的约束条件；
(5)针对随机优化调度过程中的不确定性因素，利用无迹变换法在多维空间内生成一定数量的sigma点集；
(6)在每个sigma采样点处，调用matlabyalmip工具箱和cplex12.1求解电网应急场景下的确定性优化调度结果。
所述步骤(1)包括以下步骤：
(11)建立风电出力的不确定性模型：
其中，
(12)建立可中断负荷响应的不确定性模型：
dk'＝dk-δdk(ζk)
其中，dk'表示用户实际用电负荷，dk表示用户初始用电负荷，δdk(ζk)代表激励水平ζk下用户的实际负荷变化量。
所述步骤(2)包括以下步骤：
(21)电网公司为可中断用户k支付的激励成本：
其中，ζk为激励因子，ηk(ζk)为预测的负荷变化量；
(22)当用户k响应出现较大偏差时，电网公司对用户k进行惩罚：
其中，ξk为惩罚因子。
步骤(3)所述的优化调度模型可通过以下公式实现：
minf＝costdr+costre-gen+cosload+costwind
其中，costdr代表可中断负荷补偿成本，costre-gen代表发电机组再调度成本，costload代表切负荷成本，costwind代表弃风成本，nb为电网的负荷节点总数，k∈i表示可中断用户k在节点i处，uk为0-1状态变量，若该节点处的用户k参与电网经济再调度，则uk＝1，反之，则uk＝0，ζi和ξi表示节点i处针对所有用户的激励因子和惩罚因子，δdi(ζi)表示电网某一负荷节点i处的总体负荷变化量，
步骤(4)所述的约束条件主要包括：
功率平衡约束：
其中，pgi'、pwi'、pdi'分别表示电网节点i处的发电机组出力、风电出力以及负荷；
网络约束：
其中，gline为节点注入功率-线路潮流灵敏度矩阵，tl为输电线路的传输容量；
发电机组出力约束：
其中，pg,min、pg,max分别表示发电机组g的输出功率上下限，
发电机组爬坡约束：
其中，
风电出力约束：
pw,min≤pw+δpw≤pw,max
其中，pw,min、pw,max分别表示风电w的输出功率上下限；
弃风约束条件：
切负荷约束条件：
其中，
所述步骤(5)包括以下步骤：
(51)确定随机调度过程中的不确定性输入变量x2：
x2＝[δpw,δdk(ζk),δdbus]t
其中，δpw为风电出力预测误差向量，δdk(ζk)为可中断负荷响应误差向量，δdbus为电力系统中普通负荷节点的误差向量；
(52)采用对称采样策略，构造均值为μx、协方差为pxx的n维随机输入变量x2的sigma点集，sigma采样点的个数为2n+1：
其中，λ＝α2(n+κ)-n为尺度参数，控制各采样点到原状态变量均值的距离；
(53)计算各采样点的均值加权系数以及协方差加权系数：
其中，wi为第i个sigma样本点的权值，wim为各采样点均值加权系数，wip为个点协方差加权系数。
有益效果：与现有技术相比，本发明的有益效果：1、构建了更加贴合真实响应情况的可中断负荷响应不确定性模型，并通过引入激励因子和惩罚因子来约束用户中断行为，可以减小需求侧不确定性对调度过程的影响，并有效降低电网应急场景下的随机优化调度成本；2、对电网应急场景下的随机优化调度过程进行了研究，基于更加准确的风电预测数据对日前调度计划进行滚动修正，更加贴合实际情况，能够保障电力系统的安全稳定运行；3、提出了无迹变换(ut)法对随机优化调度过程中的不确定量进行处理，兼顾了计算精度与计算成本，具有一定的先进性。
附图说明
图1为本发明流程图；
图2为本发明中的新英格兰39节点标准测试系统接线图；
图3为本发明中的可中断负荷响应曲线图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
利用新英格兰39节点标准测试系统进行仿真计算，系统结构如图2，发电机节点主要参数如表1所示。系统中水电、核电机组的输出功率始终保持不变，即随机优化调度过程中只能调节火电机组，其分别位于节点33、节点34、节点36和节点39处。
表1新英格兰39节点系统发电机节点主要参数
图1为本发明的流程图，具体步骤如下：
步骤1，建立风电出力以及可中断负荷响应的不确定性模型如下：
风电出力的不确定性模型：
其中，
假设风电机组接入节点14和节点25，总装机容量分别为300mw和450mw，其主要参数见表2。
表2风电接入节点主要参数
可中断负荷的响应不确定性模型：
dk'＝dk-δdk(ζk)
其中，dk'表示用户实际用电负荷；dk表示用户初始用电负荷；δdk(ζk)代表激励水平ζk下用户的实际负荷变化量，认为其在区间
基于用户心理学模型，用户实际的负荷变化量δdk(ζk)与激励水平ζk之间的关系如图3所示，可以分为死区、线性区和饱和区三个部分。依据激励水平范围，设置了三类典型用户如表3所示。假设可中断用户全部接入节点8，总容量为522mw，其中类型1用户占40％，类型2用户占30％，类型3用户占30％。
表3可中断用户响应特性参数表
步骤2，针对可中断负荷，设置激励因子和惩罚因子来约束其中断行为：
电网公司为可中断用户k支付的激励成本为：
电网公司对用户施加的惩罚为：
步骤3，以随机优化调度总成本最低为目标，建立可中断负荷参与的电网应急场景随机优化调度模型如下：
minf＝costdr+costre-gen+cosload+costwind
其中，总成本包含四个部分，即可中断负荷补偿成本costdr，发电机组再调度成本costre-gen，切负荷成本costload以及弃风成本costwind。
可中断负荷补偿成本表示为：
式中，nb为电网的负荷节点总数；k∈i表示可中断用户k在节点i处；uk为0-1状态变量，若该节点处的用户k参与电网经济再调度，则uk＝1，反之，则uk＝0；ζi和ξi表示节点i处针对所有用户的激励因子和惩罚因子；δdi(ζi)表示电网某一负荷节点i处的总体负荷变化量，可以表示如下：
式中，n为节点i处可中断用户的总数。
为分析激励水平的变化对调度结果的影响，分别设置节点8处的激励水平ξ＝400元、650元、850元、1000元1200元，且ξk＝0.8ζk。
发电机组再调度成本表示为：
式中，
设置
表4火电机组发电成本
切负荷成本表示为：
式中，voll(valueoflostload)为单位切负荷损失，设置为6500元/mwh；
弃风成本表示为：
式中，cgw表示风电的单位发电成本，设置为68元/mwh；cew表示由于弃风操作所增加的单位环境成本，设置为98元/mwh；
步骤4，电网应急场景随机优化调度模型的约束条件如下：
功率平衡约束：
式中，pgi'、pwi'、pdi'分别表示电网节点i处的发电机组出力、风电出力以及负荷；
网络约束：
式中，gline为节点注入功率-线路潮流灵敏度矩阵；tl为输电线路的传输容量；
发电机组出力约束：
式中，pg,min、pg,max分别表示发电机组g的输出功率上下限；
发电机组爬坡约束：
式中，
风电出力约束：
pw,min≤pw+δpw≤pw,max
式中，pw,min、pw,max分别表示风电w的输出功率上下限；
弃风约束条件：
切负荷约束条件：
式中，
步骤5，针对随机优化调度过程中的不确定量，利用无迹变换(ut)法在多维空间内构造sigma点集
新英格兰39节点标准测试系统中，除了可中断负荷节点8，还有其他20个普通负荷节点。假设每个普通负荷节点也具有5％的负荷波动性，即负荷误差服从均值为0，标准差为预测值5％的正态分布。随机调度过程中的不确定性输入变量x2表示如下：
x2＝[δpw,δdk(ζi),δdbus]t
其中，δpw＝[δpw1,δpw2]描述了节点14和节点25处的风电出力偏差状况，有两个元素；δdk(ζi)＝[δdk(ζ8)]描述了节点8处的可中断负荷响应情况，有一个元素；δdbus＝[δdbus1,δdbus2,...,δdbus20]描述了测试系统中普通负荷节点的响应情况，有20个元素；综上，该测试系统中一共有23个随机输入变量，即维数n＝23。
采用对称采样策略，在23维空间内构造x2的sigma点集，sigma采样点的个数为47：
式中，λ＝α2(n+κ)-n为尺度参数，控制各采样点到原状态变量均值的距离，本发明中取α＝0.5。
计算各采样点的均值加权系数以及协方差加权系数：
式中，wi为第i个sigma样本点的权值；wim为各采样点均值加权系数；wip为个点协方差加权系数。
步骤6，在23维空间中的每个sigma采样点处，调用matlabyalmip工具箱和cplex12.1求解电网应急场景下的确定性优化调度结果，最终可以得到sigma点集{yi}。对{yi}进行加权处理，可以得到输出变量y的均值
为验证本发明方法的有效性，选取ut法、两点估计法(2pem)以及n＝105蒙特卡洛模拟法对随机调度中的随机输入变量进行处理。
假设以n＝105蒙特卡洛模拟法所得的再调度结果为准确值，用μs和σs分别表示输出变量的准确均值和标准差，用μcal和σcal分别表示不同方法仿真得到的输出变量均值和标准差，此时输出变量的相对误差计算公式表示如下：
将不同方法下火电机组g34的输出功率相对误差进行了比较，见表6。
在主频为2.63ghz、运行内存为2gb的inteli5计算机上，比较ut法、两点估计法(2pem)以及蒙特卡洛模拟法的计算成本(计算耗时)如表7所示。
表5不同激励水平下的电力系统随机调度结果
表6不同uq方法下的相对误差特性比较
表7不同方法计算成本对比
由表5可知，当激励水平较低时，可中断资源的使用成本较低，系统优先选择可中断负荷来消纳大规模风电接入的影响，激励对象的数量较多，导致可中断负荷(il)补偿成本较高；但可中断用户的总体响应意愿不高，实际负荷削减量并不大，仍需要切除大量负荷才能保持电力系统稳定运行，此时随机优化调度的总成本较高。
随着激励水平的增加，可中断负荷的使用成本升高，但激励对象的数量有所减少，使得il补偿成本略有下降；而随着可中断用户响应意愿的提高，实际负荷削减量明显增大，切除少量负荷就可以满足电力系统安全稳定运行的要求，此时随机优化调度的总成本有所降低。
当激励水平继续增加时，大部分可中断用户均已达到饱和状态，对于电力系统来说，可中断负荷的使用成本已达到了较高水平。从经济性角度，电力系统使用可中断负荷的意愿大幅降低，切负荷量增大，此时随机优化调度的总成本也逐渐增大。
综上，在电网应急场景下的随机优化调度过程中，切负荷量的大小对总成本的影响最为明显。与此同时，考虑到随机优化调度过程的经济性，激励水平不能过低，也不能过高。本算例中，最优激励水平约为760元，随机优化调度的总成本最低为8351.24元。
由表6、表7可知，ut法的计算时间略长于两点估计法(2pem)，计算成本相差不大，但计算精度以及误差稳定性较好；相较于蒙特卡洛模拟法，ut法在计算成本上具有明显的优势。因此，利用无迹变换(ut)法对电网应急场景下随机优化调度过程中的随机输入变量进行处理，能够以更快的速度获得精度更高的计算结果，兼顾了计算精度与计算成本，是有效且合理的选择。