一种基于场景分析的风电场随机优化调度方法
【专利摘要】本发明涉及一种基于场景分析的风电场随机优化调度方法。根据实际风电场风机排布地理位置和海拔高度，由尾流效应理论得到风电场风机尾流削减系数矩阵，带入随机优化调度模型。再由实际风电测风塔历史实测数据和历史预测数据，结合对未来时段风速预测进行场景分析，生成海量风速场景并进行场景削减，得到未来时段的场景修正风速曲线。以场景分析修正风速曲线作为输入量，利用本发明所公开的风电场随机优化调度模型，利用混合整数线性规划进行计算，得到未来时段风电场风机开停机及有功出力策略。以中国蒙东某实际风电场地理数据和风机参数为基础的仿真算例验证了所提方法的可行性和合理性。本专利具有良好的推广价值和应用前景。
【专利说明】
-种基于场景分析的风电场随机优化调度方法
技术领域
[0001] 本发明属于电力系统运行与控制领域，设及一种基于场景分析的风电场随机优化 调度方法。
【背景技术】
[0002] 随着世界风电装机容量的不断攀升，风电大规模并网消纳问题越来越受到关注。 近年来，风速和风电功率预测水平得到长足发展，预测精度逐步提升。系统运行人员可根据 风电功率及负荷预测的信息，提前24小时制定系统内常规机组的机组组合和调度计划，同 时向风电场下达发电曲线。风电场运行人员则根据风速预测数据，制定风机的启停和出力 策略，跟踪系统下发的功率曲线，实现风电场内的优化调度，W减小风电功率的随机波动性 对系统运行的影响。
[0003] 然而，由于风电场内风机数量众多，且排列方式各异，考虑尾流效应的影响后，不 同的风机启停策略会造成风电场内风速分布的较大差异，从而导致风电场实际的功率输出 与调度值存在较大误差，难W满足风电场内优化调度的需求，而各风机输入风速的不确定 性也给风电场内的优化调度带来了较大的挑战。
[0004] 在风速不确定性研究上，已有方法可归纳为模糊建模、概率建模和场景建模Ξ种。
[0005] (1)模糊建模方法。模糊建模通过定义隶属度函数来反映调度决策者的意愿，但确 定隶属度函数目前多依赖试验或经验，没有成熟的方法，人为因素较强，难W给出反映客观 实际的调度决策方案。
[0006] (2)概率建模方法。概率建模利用特定概率分布模型拟合风速预测误差的概率分 布，在调度模型中计入W概率模型描述的实际风电出力的期望代价，但概率模型多W微积 分形式存在，很多情况下无法在电力系统规划与运行决策中直接使用。
[0007] (3)场景建模方法。场景建模根据预测误差的概率分布，生成未来一个调度周期内 可能的风速波动场景，将随机期望值模型转化为离散化的确定性等价模型进行求解，求解 速度快、方法简单。
[000引另外，在优化调度算法方面，动态规划法运算量较大，随着变量的增多，求解复杂 度增大，无法满足快速性要求;优先顺序法计算速度快，占用内存少，但是对于变量庞大的 问题常常找不到最优解;智能算法对于机组组合变量中混合有整数变量的问题难W保证解 满足所有的约束，运算精度不高，无法满足精确性要求。部分科研工作者将非线性模型分段 线性化，利用混合整数规划求解目标函数，对于庞大的变量求解取得了较快的运算效率和 较高的运算精度，比较适合于风电场内优化调度问题的求解。
【发明内容】
[0009]本发明W区域内测风塔观测的10~15分钟平均风速和风向为输入W数据，建立了 一种基于场景的风电场随机优化调度方法。将风速视为随机变量，结合尾流效应建立随机 优化调度模型，通过场景分析方法将随机变量确定化，基于混合整数规划将模型线性化后 求解，得到风电场优化调度策略。
[0010] 本发明提供的技术方案是一种基于场景分析的风电场随机优化调度方法，其特征 是包括W下步骤：
[0011] -种基于场景分析的风电场随机优化调度方法，基于优化调度模型和约束条件， 该模型的目标函数为：
[0012]
[0013]其中，Pi,康示在t时段内第i台风力发电机从风能中获得的有功功率;ai,t为风机 在一个时段内单位功率发电的运行和维护成本，bi,t和Cl,t分别为开机动作成本和关机动作 成本;xi,t为在t时段第i台风机的运行状态，yi,t和zi,t分别为第i台风机在t时段的开机动作 变量和关机动作变量;Bt($)为上网电价，Κι为风机在停机状态下，内部电子元件依旧保持工 作状态的耗电量;A巧为风电场有功出力不满足系统侧下发功率需求的情况，产生功率缺 额，媒为一个时段内单位功率缺额的罚金;?/Τ为风机尾流效应或是人为改变奖距角限制风 机出力，造成的风电场未利用风电功率，如为未利用风功率的单位罚金；
[0014] 约束条件为：
[0015] 条件一:功率约束；
[0016]
[0017] 其中PiNmax为风机的额定功率，Vt为自然风速，i为风机受风参数，耗y为第j台风机 对第i台风机的尾流削减系数，当风向一定时，其取值仅与两台风机的规格参数和相互位 置、海拔有关，与风速大小无关;Cpmax为风能利用系数最大值，且有:Cpmax = 0.593 ;
[0018] 条件二:状态变量及启停动作变量约束；
[0019]
[0020]
[0021] 其中，T为调度的总时间短，To为调度开始的第一个时间段，Te为调度的最后一个时 间段；
[0022] 条件Ξ:功率缺额约束及未利用功率约束；
[0025] 其中，Pset是系统侧功率需求，其与变量同上；
[0026] 基于场景分析的风电场随机优化调度方法具体包括W下步骤：
[0027] 步骤1:读取实际风电场风机分布坐标和海拔数据，有尾流效应理论计算得出风电 场风机尾流削减系数矩阵，带入本发明所述随机优化调度模型；
[0028] 步骤2:读取风电场测风塔历史实测数据和历史预测数据，结合未来时段的风速预 测曲线进行场景分析，生成海量风速场景并进行场景削减，得到未来时段的场景修正风速 曲线;场景削减使用同步回代缩减法进行，具体步骤如下：
[0029] 步骤2.1 .确定需要削减的场景：剔除满足下式所示条件的场景ω S*序列，S* e (1,. . . ,ns}，ns为场景总数；
[0030]
[0031] 步骤2.2.改变场景的总数:115 = ^-1;并且挑选出与被剔除的场景《(34最近的场 景妨口)，即：
[0032]
[003；3]步骤2.3.改变与被剔除的场景ω 最近的场景份&的概率：兀(& =巧(& +疋<^，；
[0034] 步骤2.4.只要剩余的场景总数ns仍然大于需要的场景的数量，削减算法重复到第 1步；
[0035] 步骤3: W场景修正风速曲线为输入量，输入到本发明所述的随机优化调度模型 中，利用混合整数线性规划进行计算，得到未来时段风电场风机开停机及有功出力策略。
[0036] 在上述的一种基于场景分析的风电场随机优化调度方法，对于新风电场的调度， 先执行步骤1更新尾流削减系数矩阵，再依次执行步骤2、步骤3;若对于已经执行过本发明 所述优化调度的风电场，直接执行步骤2、步骤3。
[0037] 本发明具有如下优点：首次在风电场优化调度问题中，同时考虑风速随机性和尾 流效应建立风电场随机优化调度模型，利用场景分析将随机优化调度模型确定化，基于混 合整数规划将模型线性化，保证求解过程的快速性和精确性。W中国蒙东某地的实际风电 场地理数据和实际历史数据为基础的仿真算例验证了所提方法的可行性和合理性，与传统 调度方法进行对比分析，具有良好的推广价值和应用前景。
【附图说明】
[0038] 图1-1是本发明风速场景生成模型中风速分布模型示意图。
[0039] 图1-2是本发明风速场景生成模型中风速预测误差分布模型示意图。
[0040] 图2是本发明随机优化调度模型分段线性化示意图。
[0041] 图3是本发明仿真算例中采用的实际风电场风机位置排布图。
[0042] 图4是本发明仿真算例中利用实际历史风速的风速场景分析过程图。
[0043] 图5是本发明算例得到的风电场随机优化调度策略功率统计曲线图。
[0044] 图6-1是本发明仿真算例中计及尾流效应后，针对第別寸段风速下，假设所有机组 均投入运行的风电场风电功率分布图。
[0045] 图6-2是本发明仿真算例中计及尾流效应后，针对第8时段风速下，采用调度方案 风机组合的风电场风电功率分布图。
[0046] 图6-3是本发明仿真算例中计及尾流效应后，针对第5时段风速下，采用调度方案 风机组合的风电场风电功率分布图。
[0047] 图7是本发明仿真算例中Ξ种调度方式的未利用功率统计对比图。
[0048] 图8是本发明仿真算例中Ξ种调度方式的定量对比图。
[0049] 图9是本发明仿真算例中Ξ种调度方式下风电场4小时运行成本比较图。
[0050] 图10是本发明的方法流程示意图。
【具体实施方式】
[0051 ]下面结合附图和实施例对本发明的技术方案进一步说明。
[0052] -、首先介绍风电场随机优化调度模型的建立。将风速视为随机变量，先分析风速 与风电功率关系W及风速的尾流效应，建立基础目标函数，并向基础目标函数中逐步引入 启停成本、缺额补偿、缺额惩罚和未利用功率惩罚，最后得到完整的风电场随机优化调度模 型。
[0化3] 1.1风速与风电功率。
[0054]在t时段内，第i台风力发电机从风能中获得的有功功率Pi,t(MW)可表示为：
[0057]其中，风速Vi,t表示t时段第i台风机的风速;Si,t为风机的叶片扫风面积;Pi,t为空 气密度Pi,t;Cpi,t为风能利用系数，是浆距角i3i,t和尖速比Ai,t的函数。对于确定的风电场来 说，每台风机的Si,t及Pi,t视为不变，引入受风参数c^i可得：
[0060]由上述各式可知，风力发电机组的有功出力主要受风速大小影响。风速的随机性 导致风电功率也是一个随机变量。在实际风电运行过程中，可通过控制浆距角01,t和尖速比 λι,*调节风能利用系数Cpi,t，改变风机有功输出。根据Betz理论，风能利用系数Cpi,t最大值 Cpmax = 0.593〇
[0061 ] 1.2风机的尾流削减系数。
[0062] 目前，用于模拟尾流效应的数学模型中最常用的是Jensen尾流模型，其计算基础 为风机背后尾流线性扩张理论。考虑风机分布和地形、平均风速及风向等因素影响，通过 Jensen尾流模型可推导得到风电场各台风机接受风速如式(6):
[0063]
㈱
[0064] 其中，vt为自然风速，为在t时段，第j台风机的运行状态，xj,t = 0表示停机状 态，xj,t=l表示开机状态。Bi,j为第j台风机对第i台风机的尾流影响因素，wj为第j台风机尾 流风速与自然风速的比值：
[0066][0067]其中，h表示海拔，Ah表示两个风机间的海拔差，a为轴向感应系数，打表示推力系
[00 化] 数，打= 4a(l-a)，a与Ct均由风机厂商提供。r(x)为X处尾流影响半径，打ot为上游风机奖叶半 径。Ashad-ij为风机j在风机i处的投影面积，Arot-i为风机奖叶扫风面积。
[006引综合式(6)~式(8)可知，若令：
[0072] 其中，炸;·为第j台风机对第i台风机的尾流削减系数，当风向一定时，其取值仅与两 台风机的规格参数和相互位置、海拔有关，与风速大小无关。
[0073] 由式（10)可见，如果风电场内风机的启停状态xj, t不同，各风机的受风情况将发生 改变，导致风电场内风速及风电功率分布发生变化，其具体变化情况将在后文算例中结合 具体风电场进行分析。
[0074] 1.3风电场随机优化调度模型的目标函数。
[0075] 风机在发电过程中，叶片会受到磨损，其损伤程度与发电量成正比，将风机在一个 时段内单位功率发电的运行和维护成本记为ai,t。风机在停机状态下，内部电子元件依旧保 持工作状态，耗电量为Ki(MWh)，上网电价为Bt($)。计及风电场内各台风机各时段的运转和 闲置成本，可得风电场的基本成本函数：
[0076]
(11)
[0077] 风机在切换启停动作时，内部电子元件动作，使发电机内部制动或强动，造成机械 磨损，产生启停机损耗，计入成本函数中有：
[007引
[0079] 其中，yi,t和zi,t分别为第i台风机在t时段的开机动作变量和关机动作变量。当发 生开机动作时，71,*=1向,* = 0，当发生关机动作时，71,* = 0向,*=1。131,滿化*分别为开机 动作成本和关机动作成本。引入启停成本可W有效避免调度策略中出现风机的运行状态频 繁切换，限制调度策略中风机的启停动作频次。
[0080] 在风电场调度时，可能出现有功出力不满足系统侧下发功率需求的情况，产生功 率缺额A/f (MI)。风电场出现功率缺额，不仅需要从其他发电单位购买缺额部分功率进行 补偿，还需要向系统调度部口上缴相应罚金，计入成本函数中，得到：
[0081]
[0082] 其中，辨为一个时段内单位功率缺额的罚金。
[0083] 自然风速决定了运行风机的可利用风电功率，但是由于风机尾流效应或是人为改 变奖距角限制风机出力，某些风机会存在未利用风电功率Aig (MW)，即假设风机在充分利 用自然的发电功率与实际风电功率的差值。风电场的实际发电量与运行风机充分利用自然 风的最大发电量之比定义为风电场的风机利用率。显然，要提高风电场的经济性，必须设法 提高风电场风机利用率，限制A挣的大小，减少因尾流效应和人为限出力导致的风电功率损 失。为此，在成本函数中引入ΔΛ"'，参考文献思路引入单位罚金系数如，对成本函数进行如下 扩展：
[0084]
[0085] 综上，式（14)即是本发明所得风电场随机优化调度模型的成本函数。本发明W风 电场运行的经济性最优为调度目标，可得目标函数如下：
[0086]
[0087]目标函数式（15)中，t时段内第i台风机的有功出力Pi,t、风机状态xi,t、风机启停动 作yi,t与zi,t、t时段内风电场功率缺额地"和未利用功率是目标函数的决策变量。基于此 成本函数，系统调度人员可根据实际运行情况人为调控单位功率缺额惩罚媒和单位未利用 功率惩罚掉'，权衡功率缺额与未利用功率之间权重关系。
[008引1.4约束条件。
[0089] 1)功率约束；
[0090] 由风机额定功率PiNmax可得风机输出有功功率上下限约束：
[0091] 〇《Pi,t《PiNmax (16)
[0092] 由前文所述Betz理论及尾流效应可得风机实际出力约束：
[0096] 2)状态变量及启停动作变量约束[0097] 由状态变量和启停动作变量的定义可知：
[0098]
[0099]
[0100] 3)功率缺额约束及未利用功率约束
[0101] 功率缺额、未利用功率与系统下达的功率需求有关，系统侧下发功率需求为Pset (MW)，则有：
[0104] 上述约束条件从Betz理论和尾流效应出发，同时考虑风机额定功率，提出风机实 际出力上限。通过不等式约束将启停动作变量与机组状态变量联系起来;结合风电场与系 统侧功率需求，提出功率缺额和未利用功率约束，符合风电场运行实际。
[0105] 二、下面介绍基于场景分析的随机变量处理方法。
[0106] 由于风速具有明显的随机性，工程上一般将风速VI,t视为随机变量，由式（18)可 知，风速的随机性导致风机的出力范围、功率缺额碱"、未利用功率也成为随机变量。本 发明利用场景分析的方法，将随机风速模型转化为确定性等价模型，方便后续求解。
[0107] 2.1风速场景生成
[0108] 对于随机变量一般认为有一定的概率分布。本发明假设风速服从威布尔分布，如 图1-1所示。再将风速历史数据进行分箱处理，W正态分布为各数据箱内风速预测误差分布 建模，如图1-2所示。基于多元正态分布和逆变换抽样，生成计及风速波动性的海量风速动 态场景集合，描述风速的不确定性。
[0109] 2.2场景削减
[0110] 依据初始场景集合与场景缩减后保留的场景子集合之间的概率距离最小的场景 缩减原理，采用基于启发式的同步回代缩减方法对初始场景集合进行削减。两个场景的 ω ("和ω W的Kantorovich距离为两个场景间的2-范数，即：
[0111]
巧3)
[0112] 使用同步回代缩减法的场景缩减步骤如下：
[0113] 步骤1.确定需要削减的场景：剔除满足式（24)所示条件的场景〇s*，s*e{l，...， ns}
[0114]
[0115] 步骤2.改变场景的总数:ns = ns-l。并且挑选出与被剔除的场景最近的场景 W'、'，即：
[0116]
[0117] 步骤3.改变与被剔除的场景《的最近的场景份向的概率：兀向=兀南+兀(内。
[0118] 步骤4.只要剩余的场景总数ns仍然大于需要的场景的数量，削减算法重复到第1 步。
[0119] 使用基于启发式的同步回代缩减法对海量风速场景进行缩减，W少量的风速动态 场景逼近原始的抽样场景，得到确定性模型。确定性模型简单实用，与传统经济调度模型在 数学形式上保持一致，方便使用例如混合整数规划等算法对调度模型求取最优解，极大地 简化求解过程。
[0120] 下介绍基于混合整数规划的模型线性化。
[0121] 混合整数规划法对于快速、精确求解包含状态、启停等整数变量和风机出力等非 整数变量的优化模型十分适用。混合整数规划法要求目标函数和约束条件必须是决策变量 的线性函数或线性不等式关系。由目标函数式（14)和约束条件式（17)~(21)可知，当风速 随机变量通过场景分析确定化后，只需将目标函数和约束条件进行线性化，即可满足混合 整数规划法的模型要求进行求解。
[0122] 3.1目标函数线性化
[0123] 由式（14)可知，目标函数仅有第一项是关于决策变量的非线性关系，其余部分均 是决策变量的线性叠加。为将此部分线性化，添加如下不等式约束条件式：
[0124] 0《Pi,t《Xi,tPiNmax (26)
[0125] 则线性化后的目标函数如下式：
[0126]
[0127] 3.2约束条件线性化
[0128] 式（16)中含有决策变量的指数项，为非线性关系。本发明利用分段线性化的方法， 用多段直线近似代替非线性曲线，如图2所示。
[0129] 可见，对原函数曲线通过分段线段进行近似代替，为保证线性化的精度及运算速 度，宜采用不均匀分段，由图2可得：
[0132] 其中，Fi,功第1分段的直线斜率，hi,i,t为第1分段的取值，则有：
[0133]
(30)
[0134] 由式(29)可将不等式约束条件式（17)、式(20) W及式(21)线性化，再综合式（18)、 式(19)和式(30)，得到线性化后的不等式约束条件如下：
[0135]
巧1)
[0136] 由线性化后的目标函数式(27)、线性化后的等式约束条件式(29)和不等式约束条 件式(31)，利用Matlab平台的Cplex工具计算，即可获得随机优化调度模型目标函数的最优 解，即为风电场随机优化调度方案。
[0137] 四、下面是采用上面的理论基础的算例及仿真。
[0138] 本发明选取中国蒙东某风电场，平均海拔为1750m，共有20台风电机组，机组型号 均为Vestas V52-850kW，具体参数如下:额定容量为0.85MW，切入风速为3m/s，切出风速为 15m/s，奖叶直径为52m。所有风机均在同一海拔高度，风机的排布如图3所示。
[0139] 4.1风速场景分析
[0140] 首先输入一组风速预测序列，基于该风电场的风速历史数据，运用场景分析方法， 生成500组可能的风速场景。对500组场景进行缩减，得到1组对应于该预测风速序列的确定 性风速场景，如图4所示。风速序列Wl5min为一个时间段，每组场景均具有16个时间段，时 间跨度4小时。短时间内风向变化不大，均近似为北偏东45° (即图3中θ = 45°)。
[0141] 图4中场景缩减后的风速序列和风速点预测序列同风速实测值序列对比发现，场 景分析得到的确定性风速场景序列误差更小。通过计算，风速点预测平均误差为3.25%，而 场景分析后得到的风速序列平均误差仅为2.64%。场景分析较好地修正了风速的点预测， 减小了预测误差。
[0142] 4.2风电场优化调度
[0143] 将基于场景方法得到的风电场16个时段的风速序列作为输入量，用混合整数规划 算法求解得到风电场未来4小时的随机优化调度策略。风电场各项运行费用参数参考IEEE 文献。风电场各时段功率曲线如图5所示：
[0144] 从图5可W看出，通过求解随机优化调度模型得到的调度计划中，实际发电量与系 统侧功率需求基本保持一致，未利用功率均处于较小的水平，几乎不存在功率缺额的现象。
[0145] 4.3尾流效应及尾流削减系数分析
[0146] 因为尾流效应的作用，风机不同的开停机状态导致风电场内风速分布及风电功率 分布将有很大的差别，如图6所示。图6-1为假设在第別寸段风速下所有风机均投入运行时的 风电功率分布；图6-2、6-3分别为调度方案中第別寸段和第5时段的风电功率分布。第8时段 调度方案中，第5、6、8、14及17~20号机组处于停机状态，其余机组均运行，自然风速为 8.08111/3;而第5时段调度方案中，仅有第6、8、14、18、19号机组处于停机状态，其余机组均运 行，自然风速8.13m/s，与第別寸段风速水平基本一致。从图6可W明显看出，风电场内风机的 不同启停组合，对风电场内风电功率分布造成较大的影响。因为尾流效应的影响，风机接受 到的风速最低仅有自然风速的81.5%，由于风机的风电功率与风速的Ξ次方成正比，风机 的风电功率最低仅为自然风速下风电功率的54.1%。因此，在风电场优化调度的研究中，考 虑尾流效应对风电场风速分布的影响十分必要。本发明结合尾流效应，构建风电场内的随 机优化模型，在不同的风机启停组合下造成的不同的风速分布中寻优，在追踪下发功率的 同时，于功率缺额与未利用功率间博弈，具有极大的工程实际参考价值。
[0147] 4.4风电场不同调度模式对比分析
[0148] 传统的风电场调度中，调度人员在安排调度策略时，习惯于按风机编号顺序依次 投入风机使其充分发电，对于最末一台风机调节其奖距角来限制功率，使风电场有功输出 达到系统侧下发功率需求。在运过程中，调度人员并不考虑依据风机之间的尾流效应合理 配置风机组合，只求满足系统侧下发功率需求。
[0149] 为进一步分析本发明所述风电场随机优化调度模型的优势，定义了如下Ξ种算例 场景：
[0150] 化se 1: W预测风速作为输入，采用传统调度模型；
[0151] 化se 场景方法生成的风速作为输入，采用传统调度模型；
[0152] 化se 3: W场景方法生成的风速作为输入，采用本发明所提的随机优化调度模型。
[0153] 保持电价曲线、系统侧有功需求曲线和风电场各项参数与前一算例不变，计算得 到Ξ种化se下各时段风机运行状态和出力计划。Ξ种化se的风电场未利用功率如图7所示， 可W看出，相对于传统调度方案的化se 1和化se 2,随机优化调度方案化se 3的未利用功 率明显减小。优化调度模型极好地控制了风电场未利用功率大小，避免了风机在极小出力 状态下运行。
[0154] 4.5调度策略定量分析
[0155] Ξ种化se的风电场4小时功率缺额总量、未利用功率总量、开机总数量、开停机次 数和开机利用率如图8所示。
[0156] 在功率缺额和未利用功率方面，Case 3虽然产生了一个不大的功率缺额，但其未 利用功率远小于化se 1和化se 2,前者约是后者的1/3。在机组启停方面，Case 3风机运行 总数和开停机次数均明显小于两种传统调度策略。开机利用率方面，Case 3对于处于运行 状态的风机，利用程度极高，达98.48%，而化se 1和化se 2分别只有84.21%和86.17%。运 些指标显示了化se 3调度过程中利用尾流效应对风机组合合理配置的显著优越性。将化se 1和Case 2进行比较可W发现，W场景得到的风速作为调度输入的化se 2各项指标均明显 优于W点预测风速作为输入的化se 1。
[0157] 本发明的目标函数为风电场运行的经济性最优，下面对Ξ种化se的4个小时风电 场运行成本进行对比，将化se 1的运行成本看作100%，观察优化调度的相对成本比值，如 图9所示。
[0158] 可见，化se 3的4小时内运行成本大幅低于化se 1和化se 2,成本相较于化se 1减 少16.6%，相较于化se 2减少了 14.0%。综上所述，利用本发明所述随机优化调度方法制定 调度策略，风电场经济性将明显优于传统调度策略。
【主权项】
1. 一种基于场景分析的风电场随机优化调度方法，其特征在于，基于优化调度模型和 约束条件，该模型的目标函数为：其中，p1>t表示在t时段内第i台风力发电机从风能中获得的有功功率;a1>t为风机在一 个时段内单位功率发电的运行和维护成本，bi,t和ci,t分别为开机动作成本和关机动作成 本; Xl,t为在t时段第i台风机的运行状态，yi,4PZl,t分别为第i台风机在t时段的开机动作变 量和关机动作变量;B t($)为上网电价，L为风机在停机状态下，内部电子元件依旧保持工作 状态的耗电量;間《为风电场有功出力不满足系统侧下发功率需求的情况，产生功率缺额， #为一个时段内单位功率缺额的罚金;胡"为风机尾流效应或是人为改变桨距角限制风机 出力，造成的风电场未利用风电功率，if为未利用风功率的单位罚金； 其约束条件为： 条件一:功率约束；其中PlNmax为风机的额定功率，vt为自然风速，c/为风机受风参数，#为第j台风机对第 i台风机的尾流削减系数，当风向一定时，其取值仅与两台风机的规格参数和相互位置、海 拔有关，与风速大小无关;心_为风能利用系数最大值，且有:C pmax = 0.593; 条件二:状态变量及启停动作变量约束；其中，T为调度的总时间短，To为调度开始的第一个时间段，I为调度的最后一个时间 段； 条件三:功率缺额约束及未利用功率约束；其中，Pw是系统侧功率需求，其与变量同上； 基于场景分析的风电场随机优化调度方法具体包括以下步骤： 步骤1:读取实际风电场风机分布坐标和海拔数据，有尾流效应理论计算得出风电场风 机尾流削减系数矩阵，带入随机优化调度模型； 步骤2:读取风电场测风塔历史实测数据和历史预测数据，结合未来时段的风速预测曲 线进行场景分析，生成海量风速场景并进行场景削减，得到未来时段的场景修正风速曲线； 场景削减使用同步回代缩减法进行，具体步骤如下： 步骤2.1.确定需要削减的场景：剔除满足下式所示条件的场景咚*序列，，e {1，...， ns}，ns为场景总数；步骤2.2.改变场景的总数:115 = 115-1;并且挑选出与被剔除的场景《^最近的场景^)， 即：步骤2.3.改变与被剔除的场景# "最近的场景#>的概率：;r(S> = ;r(5) + ; 步骤2.4.只要剩余的场景总数ns仍然大于需要的场景的数量，削减算法重复到第1步； 步骤3:以场景修正风速曲线为输入量，输入到随机优化调度模型中，利用混合整数线 性规划进行计算，得到未来时段风电场风机开停机及有功出力策略。2.根据权利要求1所述的一种基于场景分析的风电场随机优化调度方法，其特征在于， 对于新风电场的调度，先执行步骤1更新尾流削减系数矩阵，再依次执行步骤2、步骤3;若对 于已经执行过优化调度的风电场，直接执行步骤2、步骤3。
【文档编号】G06Q10/04GK106058941SQ201610614122
【公开日】2016年10月26日
【申请日】2016年7月29日
【发明人】徐箭, 易先坤, 孙元章
【申请人】武汉大学