考虑风电不确定性的水风火短期优化调度方法与流程

1.本发明涉及水风火电调度领域，特别是一种考虑风电不确定性的水风火短期优化调度方法。


背景技术：

2.风电等可再生能源具有随机性、波动性与反调峰性，风电等可在生能源的大规模并网严重影响电力系统的安全性、可靠性与稳定性。在可再生能源发展的新趋势下，减少弃风，提高电网对风电等清洁能源的消纳，是目前电力系统发展的关键任务。
3.弃风的主要原因是电力系统的灵活性电源不足，电力系统没有充足的灵活性电源平抑风电波动，部分地区仅仅依靠火电应对风电出力的不确定性。随着风电等清洁性能源大规模政策并网，部分地区仅仅依靠火电平抑风电波动，火电机组将频繁启停或运行在深度调峰区，严重影响火电机组的寿命，严重影响电力系统的安全。随着我国西北、西南梯级水电站群的并网，如何充分梯级水电等灵活性电源的调节能力，制定合理的水风火等多电源联合调度方案，以缓解风电等间歇性电源的大规模馈入带来的运行风险，是当前亟需解决的问题之一。
4.目前已有的梯级水电、火电与风电联合调度，大都考虑确定性调度，并不符合风电随机波动的特点。
5.本发明中的“短期”是指调度周期为一天，每15min一个点，共计96个点进行计算。


技术实现要素：

6.本发明所要解决的技术问题是，针对现有技术不足，提供一种考虑风电不确定性的水风火短期优化调度方法，充分利用梯级水电的灵活性平抑风电波动，实现风电、水电多发，火电少发，计算速度快、时效性强，有效减少系统煤耗，增加系统效益。
7.为解决上述技术问题，本发明所采用的技术方案是：一种考虑风电不确定性的水风火短期优化调度方法，包括以下步骤：
8.s1、以t时刻风速预报数据、历史实际风电功率数据为神经网络的输入，预测t时刻风电出力t＝1,2，
…
，t；
9.s2、根据下式平抑风电所需要的最小出力s2、根据下式平抑风电所需要的最小出力其中，其中，为的反函数，ω
t
(j)＝{b
i
|i＝t,t+y,...,t+ny}，n表示误差集合ω
t
(j)中的元素个数；ξ为给定误差水平；b
i
为排序后风电出力偏差值；num表示b
i
≤ξ的个数；y表示时间间隔(y＝15min)，β为误差；
10.s3、将火电机组总负荷减去平抑风电所需要的最小出力和梯级水电站出力，得到的结果分配到火电机组，并对火电机组开机进行优化。
11.本发明在满足水电、风电、火电约束的基础上，充分利用梯级水电的灵活性平抑风电波动，实现风电、水电多发，火电少发，计算速度快、时效性强，有效减少系统煤耗，增加系统效益。
12.步骤s3中，所述梯级水电站出力的计算过程包括：
13.i)选取m组水库运行过程中水位序列，利用所述水位序列初始化种群，得到m个个体，每个个体表示为z
r
＝[z
1r
,z
2r
,...,z
tr
],z
tr
为个体z
r
在t时刻的染色体，表示个体z
r
在t时刻的水位值；t表示总的时段长度(t＝96,每个时段长度为15min)；r表示个体编号1≤r≤m；
[0014]
ii)按发电量最大为目标进行评价，计算每个个体的适应度；
[0015]
iii)对所有个体的适应度排序，利用确定的选择概率p
s
(取p
s
＝0.6)，选择p
s
×
m个适应度最高的个体，直接进入下一代；被淘汰的(1
‑
p
s
)
×
m个个体由交叉或变异而产生的新的个体所替代；
[0016]
iv)重复步骤i)
‑
iii)，直到最优个体的适应度不发生改变时，结束；最优个体对应的适应度值，即为梯级水电站出力。
[0017]
步骤i)～iv)提出的遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体开始的，一方面可以有效地避免搜索一些不必搜索的点，另一方面基于概率规则，而不是确定性规则，这使得搜索灵活，效率高。
[0018]
由于遗传算法易受初始解的影响，步骤i)中，采用logistic映射初始化种群，即采用公式x
r+1
＝μx
r
(1
‑
x
r
)进行映射，x
r
表示采用logistic映射后生成的第r个个体；μ为正向可调参数，μ可取3.8。
[0019]
为了使logistic生成的个体在可行域区内，需要将生成的序列，映射到原可行域区间内，优选地，按式进行映射，z分别表示水位变量上限、下限；z
r
(1)表示映射后个体的初始水位序列。
[0020]
为了进一步改善遗传算法的性能，步骤iii)中，对种群中的所有个体进行两两随机交叉配对，采用随机数的方式生成交叉点，依据设定的交叉概率p
c
在其交叉点处相互交换两个个体的染色体，从而产生两个新的个体；交叉概率按照如下公式进行计算：
[0021][0022]
其中，p
c
为交叉概率，f
c
为要交叉的两个个体中最大的适应度值，f
max
为种群中最大适应度值，f
ave
为每代群体的平均适应度值，p
c1
、p
c2
为正向可调参数。
[0023]
步骤iii)中，为了保证交叉过程中产生的新个体与原个体差异性，在随机交叉配对过程中，当公式成立时，个体z1与z2执行交叉操作，否则重新配对；z1、z2为两个不同的个体，c
n
为总的迭代次数，c
j
为当前迭代的次数，b为阈值(本发明中，可取b＝0.8)。
[0024]
为了进一步改善遗传算法的性能，步骤iii)中，对交叉后的所有个体的染色体，以概率为p
m
进行突变，突变后的染色体值大小满足水位最高与最低约束；p
m
按照如下公式进行计算：
[0025][0026]
其中，p
m
为变异概率，f
max
为种群中最大的适应度值，f
ave
为每代群体的平均适应度值，f
m
要变异个体的适应度值，p
m1
与p
m2
为正向可调参数。
[0027]
步骤s3的火电机组开机优化具体实现过程包括：
[0028]
a)在不考虑启停成本的基础上，计算火电机组的单位煤耗成本，并根据单位煤耗成本的大小，建立机组开机顺序表；
[0029]
b)剔除所述开机顺序表中检修、尚未达到开机时间的机组，得到更新后的开机顺序表；
[0030]
c)根据更新后的开机顺序表，选择单位电量消耗煤量最小的机组，并累加其最大出力，直到其大于系统净负荷(电网负荷减去风电与水电出力)最大值；
[0031]
d)将步骤c)中各火电机组最小出力累加，并验证其是否小于系统净负荷最小值，若不满足则根据步骤a)的开机顺序表，调整机组，并验证步骤c)；是否成立，若不成立重新安排火电站机组，并调整火电机组承担负荷。
[0032]
基于步骤a)
‑
d)的火电机组开停机方法，能在系统负荷一定的情况下尽可能减少火电机组的系统煤耗，增加火电机组发电效益。
[0033]
还包括：
[0034]
e)计算各个时段是否满足火电机组爬坡约束，若不满足，则重新选择火电机组，重复步骤a)～步骤e)，直到满足火电站爬坡约束；所述火电爬坡约束为：复步骤a)～步骤e)，直到满足火电站爬坡约束；所述火电爬坡约束为：为火电机组j在t时刻的出力，δ
j
分别表示向上、向下爬坡速度。
[0035]
基于步骤e)的火电机组爬坡验证方法，能在一定的条件内快速、准确识别火电机组出力是否满足爬坡约束，使得火电机组出力满足实际需求。
[0036]
还包括：
[0037]
s4、判断公式是否成立，若是，则表明梯级水电能平抑风电波动，水电出力满足否则，梯级水电不足以抵消风电出力的不确定性，火电机组在满足各种约束的条件下，承担平抑风电波动出力ζ
t
；
[0038]
s5、判断是否成立，若成立则按照步骤s3对梯级水电站负荷进行分配；否则，在满足各种约束条件的前提下以步长δε增加ζ
t
，直到成立，按照步骤s3对梯级水电站负荷进行分配，并安排火电机组，n
sd
表示水电站的个数，表示水电站m在t时刻的出力。
[0039]
本发明还提供了一种考虑风电不确定性的水风火短期优化调度系统，其包括计算
机设备；所述计算机设备被配置或编程为用于执行上述方法的步骤。
[0040]
与现有技术相比，本发明所具有的有益效果为：本发明在满足水风火约束的基础上，构建了清洁能源利用率最大和火电机组出力波动最小的多目标优化调度模型，该模型利用梯级水电启停灵活、爬坡速度快等优点平抑风电出力波动。其技术方案为：由于梯级水电、风电、火电联合优化调度问题是个高度复杂的混合整数非线性规划问题，整体求解难度较大。基于分层求解思想，将模型分解为风电调度层、水电调度层与火电调度层，层与层之间以余荷相关联，并提出了集成神经网络、区间估计、改进的遗传算法与启发式算法相结合的求解框架，实现了模型的快速求解。以某区域为例进行模拟计算，算例表明该方法时效性强，仅需89.2s，即可得出结果，实现了风电、水电等清洁能源多发、火电少发，增加了系统效益。
附图说明
[0041]
图1为本发明实施例总体计算原理；
[0042]
图2为本发明实施例实际系统负荷与实际风电出力；
[0043]
图3为本发明实施例置信区间为90％风电出力；
[0044]
图4(a)和图4(b)分别为梯级水电优化前后实验结果图；
[0045]
图5为优化前后梯级水电站出力结果；
[0046]
图6为优化前后火电出力结果图；
[0047]
图7(a)优化前调度结果；
[0048]
图7(b)优化后调度结果。
具体实施方式
[0049]
本发明实施例构建了清洁能源消纳最大与火电机组出力波动最小的多目标优化调度模型。为了实现模型的快速求解，基于分层求解的思想将模型分解为三层，层与层之间以余荷相关联(如图1所示)，并根据梯级水电、风电与火电的不同特性，制定了不同的调度策略。首先根据风速预报数据、历史风电功率数据与历史风速数据对风电出力进行预测，并给定置信水平，采用经验法计算风电出力的置信区间；根据风电出力区间，安排梯级水电出力过程使得水电出力尽可能提供充足的灵活性，以应对置信区间内的风电波动，同时提供更多的调峰电量，尽可能的保证火电出力平稳；火电机组调节能力差，因此应尽量保持余留给火电的净负荷尽可能平稳，使之承担基荷。在求解过程中，采用elman神经网络与非参数法对风电运行层置信区间进行计算；采用改进的遗传算法对梯级水电站的负荷进行分配；采用启发式算法安排火电机组出力。需要说明的是采用该分层策略求解得到的解，虽然可能不是全局最优解，但求解速度较快，在可接受的时间内求得较优解。步骤如下：
[0050]
步骤1：水
‑
风
‑
火联合优化调度模型的总体目标是在保证弃风、弃水最小的前提下，尽量保证火电出力平稳。具体目标函数如下：
[0051]
[0052]
式中f1用来反映火电出力的平稳情况，若f1越大表示火电出力越不平稳；表示火电机组在t时刻的出力；f2为调度模型中弃风、弃水量；分别表示弃风、弃水总功率；t为调度周期时段数。
[0053]
在求解过程中，应当满足以下约束：
[0054]
1)电力平衡约束
[0055]
在求解过程中应保证电力系统供需平衡：
[0056][0057]
其中，表示t时刻系统预测负荷需求；与分别表示梯级水电与风电机组预测出力。
[0058]
2)梯级水电站约束
[0059]
水力约束：
[0060]
梯级水电上下游水力联系很强，上游出库直接影响下游入库；此外梯级水电还应当满足水位库容约束、出库流量约束。
[0061][0062]
其中：表示水电站m在t时刻的库容，表示m的上游电站在t
‑
τ时刻的出库流量；τ为上游出库到达下游时间；与分别表示梯级水电站m在时刻t的区间入流、出库、蒸发、渗漏损失的水量；的区间入流、出库、蒸发、渗漏损失的水量；z
m,t
分别表示电站m出库下限、出库上限、水位上限、水位下限。
[0063]
运行约束：
[0064]
水电站在运行过程中需满足机组过流上下限约束、出力大小上下限约束、最小启停时间约束。
[0065][0066]
式中表示机组i最小、最大过流；为机组i在t时刻开停机状态参数开机为0关机为1；表示水电机组i的最大出力；表示机组开机、关机持续时间；分别表示最小运行时长与停机时长。
[0067]
3)火电机组约束
[0068]
火电机组出力上下限约束：
[0069][0070]
其中，当启停状态改变时为1其他时段为0；表示火电机组j在t时刻的出力；表示火电机组j的最小与最大出力；n
sh
表示火电机组个数。
[0071]
火电机组启停与爬坡约束：
[0072]
由于火电机组启停时间较长，不考虑火电机组的日内启停，即火电机组发电状态一旦确定，在日内不会发生变化。
[0073][0074]
火电机组爬坡约束：
[0075][0076]
式中δ
h,j
分别表示向上、向下爬坡速度。
[0077]
4)备用约束
[0078]
假设风电出力预测误差区间为负荷功率预测误差为则系统备用需求为：
[0079][0080]
式中分别表示t时刻的正、负旋转备用。
[0081]
步骤2：基于elman神经网络与非参数法的风电运行层
[0082]
采用elman神经网络与非参数法对风电运行层的出力区间置信上下限进行求解，具体步骤如下：
[0083]
1)以t时刻风速预报数据、历史风电功率数据为输入，选取动态elman神经网络(elman neural network、elman)模型作为基础预测工具，预测t时刻风电出力t＝1,2,...,t，t＝96，t与t+1的时间间隔为15min；
[0084]
2)：假设t时刻风电出力预测值与实际值的偏差为b
t
，按照下式求得误差分布函数
[0085][0086]
ω
t
(j)＝{b
i
|i＝t,t+y,...,t+ny}
ꢀꢀꢀ
(10)
[0087]
其中：n表示误差集合ω
t
(j)中的所有元素个数；ξ为给定误差水平；b
i
为排序后风电出力偏差值；num表示b
i
≤ξ的个数；其中
t
表示时间，y表示时间间隔。
[0088]
3)给定ξ，根据即可采用经验法求得相应误差水平下的风电功率预测区间；假设误差为β对应的一个1
‑
β的概率预测区间为：
[0089][0090]
其中为的反函数，为t时刻风电功率预测值，为了方便下文表示，记区间下限区间上限
[0091]
步骤3：根据风电运行层风电出力上限与出力下限计算平抑风电所需要的最小出力：
[0092][0093]
步骤4：将步骤3)所得的分配到梯级水电调度层，采用梯级水电出力平抑风电波动，梯级水电出力计算方法，见步骤5)。
[0094]
步骤5：采用遗传算法对梯级水电出力进行计算，使得每个时段的水电出力均大于采用遗传算法对梯级电站出力计算步骤如下：
[0095]
1)初始解(个体)的生成：选取m(取m＝50)组水库运行过程中水位序列，利用所述水位序列初始化种群，得到m个个体，每个个体可表示为z
r
＝[z
1r
,z
2r
,...,z
tr
],式中z
tr
为个体z
r
的染色体，表示在t时刻的水位值；t表示总的时段长度(t＝96,每个时段长度为15min)；r表示个体编号1≤r≤m。由于遗传算法易受初始解的影响，采用logistic映射初始化种群，见式(13)，从而提升算法搜索效率。
[0096]
x
r+1
＝μx
r
(1
‑
x
r
)
ꢀꢀꢀ
(13)
[0097]
式中：x
r
表示采用logistic映射后生成的第r个个体；μ为正向可调参数。
[0098]
研究表明，logistic映射的参数在一定范围内是混沌映射，可取u＝3.8。为了使logistic生成的个体在可行域区内，需要将生成的序列，映射到原可行域区间内，可按式进行映射(y分别表示原优化变量上限、下限；z
r
(1)表示映射后个体的初始位置)。
[0099]
2)适应度评价：按发电量最大为目标进行评价(在保证与期末水位约束的基础上尽可能的增加梯级水电出力)，计算每个个体的适应度。
[0100]
3)选择运算：采用保存最优个体策略，假定群体中的个体规模为m(m＝50)，首先根据个体的适应度值进行排序；然后利用确定的选择概率p
s
(取p
s
＝0.6)，从母体种群中选择p
s
×
m个适应较高的个体,直接进入下一代；而被淘汰的(1
‑
p
s
)
×
m个体由交叉或变异而产生的新个体所替代。
[0101]
4)交叉操作：对种群中的所有个体进行两两随机配对，采用随机数的方式生成交叉点，依据设定的交叉概率p
c
在其交叉点处相互交换两个个体的染色体，从而产生两个新的个体。p
c
值对产生新个体至关重要，p
c
过大导致遗传算法的适应度高的个体结果很快被破坏、偏小就不容易产生新的个体结构导致搜索停滞不前。交叉概率按照如下公式进行计算：
[0102][0103]
式中f
c
为要交叉的两个个体适应度较大的适应度值；f
max
为种群中最大的适应度值；f
ave
为每代群体的平均适应度值；p
c1
、p
c2
为正向可调参数，可取p
c1
＝0.9，p
c2
＝0.6。
[0104]
为了保证交叉过程中产生的新个体与原个体差异性，在随机交叉配对过程中，假设个体z1与z2可用向量z1＝[z
11
,z
21
...,z
t1
]与z2＝[z
12
,z
22
...,z
t2
]表示，在设置交叉中应采取如下措施：
[0105][0106]
式中：c
n
为计算过程中总的迭代次数，c
j
为当前迭代的次数，b为阈值(取b＝0.8)。
[0107]
5)变异操作：对交叉后的所有个体的染色体，以概率为p
m
进行突变，突变后的染色体值大小，应满足水位最高与最低约束。p
m
值的大小的选取对算法性能至关重要，p
m
偏小不容易产生新的个体，偏大就变成了随机搜索。p
m
按照如下公式进行：
[0108][0109]
f
m
要变异个体的适应度值p
m1
与p
m2
为正向可调参数，可取p
m1
＝0.1，p
m2
＝0.001
[0110]
6)重复步骤1)
‑
5)直到最优个体的适应度不发生改变为止。最优个体对应的适应度值，即为梯级水电站出力值。
[0111]
将余荷(总负荷减去风电与梯级水电出力)分配到火电机组，并按照步骤6)对火电机组开机进行优化。
[0112]
步骤6：基于启发式算法的火电调度层
[0113]
采用启发式算法寻求机组的最优开机方式，具体步骤如下：
[0114]
1)：在不考虑启停成本的基础上，计算火电机组的单位煤耗成本，并根据煤耗成本的大小，建立机组开机顺序表。单位电量煤耗成本可按下式计算：
[0115][0116]
式中β
j
为火电机组j生产单位电量所消耗的煤耗成本；表示火电机组j的当前出力；a
j
、b
j
、c
j
为火电机组j的运行参数为固定值。
[0117]
2)：剔除开机顺序表中检修、尚未达到开机时间的机组。
[0118]
3)：根据开停机顺序表，选择单位电量消耗煤量最小的机组，并累加其最大出力，直到其大于系统净负荷(电网负荷减去风电与水电出力)的最大值。
[0119]
4)：将3)中各火电机组最小出力累加，并验证其是否小于系统净负荷最小值，若不满足则根据1)的开机顺序表，调整机组，并验证3)是否成立，若不成立重新安排火电站机组，并调整火电机组承担负荷。
[0120]
5)：计算各个时段是否满足火电站爬坡约束，若不满足，则重新选择火电机组执1)
‑
5)，直到满足要求。
[0121]
步骤7：在满足各种约束的条件下，按照式(18)计算梯级水电是否能平抑风电波动。
[0122][0123]
步骤8：若式(18)成立，表明梯级水电能平抑风电波动，在负荷低谷时段，为了减少风电的随机波动对电力系统的影响同时在负荷高峰期预留更多的水电出力应保证
[0124]
步骤9：若不满足式(18)，则梯级水电不足以抵消风电出力的不确定性，此时火电机组在满足各种约束的条件下，应承担平抑风电波动出力ζ
t
。
[0125]
步骤10：计算是否成立。
[0126]
a)若成立则按照步骤5对梯级水电站负荷进行分配，按步骤6安排火电机组。
[0127]
b)若不成立则在满足各种约束条件的前提下以较小的步长δε＝0.1增加ζ
t
，直到成立。并按照步骤5对梯级水电站负荷进行分配，按步骤6安排火电机组。
[0128]
为了验证本发明方法的有效性，以我国西南某地区冬季典型日短期调度为例进行计算。该地区冬季风电出力波动性较大，以冬季为某日进行计算更能反映风电出力不确定性对电力系统的影响。算例包含距离不足20km的二级梯级水电站，上游水电站为多年调节电站装机为1200mw，下游电站为日调节电站装机为1320mw，装机总容量为13500mw的风电场群，以及30台装机总容量为13650mw的火电机组群。选取调度时段为15min，调度周期取1天，在调度周期内实际风电出力与系统实际负荷如图2所示，可以看出风电出力具有反调峰性，增加了电力系统的调度难度，图3为置信区间为90％时风电场群实际出力与预测出力过程。
[0129]
梯级水电在调度过程中各个参数如表1所示，其中水电站1处于上游，为多年调节电站；电站2处于下游电站，为径流式电站。采用改进的遗传算法迭代500次，初始种群为50。所有仿真程序均用pathon语言编写，运行环境为4核cup、主频3.2ghz、内存为16gb、硬盘500gb、windows系统的联想计算机。仿真计算100次，最长计算时间为89.2s，可有效满足短期调度时效性的需求，取最优计算结果进行分析。
[0130]
表1梯级水电站运行参数
[0131][0132]
优化前与优化后各个电源发电量如表2所示，从表中可以看出优化前与优化后置信区间内的风电均全额消纳，但优化后火电少发45.37kwh，实现了风电、水电等清洁能源多发、火电少发。
[0133]
表2优化前后各电源出力结果
[0134][0135]
优化前(实际调度过程)与优化后梯级水电站水位如图4(a)与4(b)所示，可以看出优化前后上游水电站由于是多年调节电站水位变化不大。而下游水电站是日调节水电站，调度期初水位被抬升，耗水率更小，更有利于发电。优化前后梯级水电站的出力如图5所示，可以看出，优化前与优化后梯级水电在任何时段都能“平抑”风电波动，即任意时段梯级水电站出力满足优化前梯级水电站出力较大，后期可供电站支配的调峰水量较小，后期水电调峰能力不足，导致火电机组深度调峰，调峰压力较大；优化后梯级水电在前期出力较小，后期可供支配的水量较多，调峰出力相对较大，使得火电机组出力更加平稳。与优化前相比水电多发45.56万kwh，显著提高了发电效益。
[0136]
通过计算火电机组的开机顺序表如表3所示，火电出力优化前与优化后对比如图4所示，可以看出优化后火电机组出力峰谷差为2426.12mw，与优化前相比峰谷差减小了682.15mw；优化后标准差为790.43mw，与优化前相比减小了226.75mw，火电机组出力更加平稳；优化后火电机组开机台数为8台，与优化前相比较小三台，煤耗成本减小23.33万元。火电机组优化前后出力结果如图6所示。
[0137]
表3启发式算法确定火电机组经济性顺序表
[0138][0139]
表4优化前后火电出力对比
[0140]
[0141]
图7(a)与图7(b)展示了各个电源优化前后出力情况，可以看出无论是优化前还是优后，火电机组出力占比较大，优化后火电出力占比为70.42％，减少了0.11％。优化后梯级水电在负荷高峰期(40
‑
52,64
‑
88)出力加大，在负荷低谷时段出力较小；火电在负荷高峰期调峰负荷减小，负荷低谷时出力增加，火电出力更加平稳。从优化结果来看，梯级水电、风电、火电联合调度能有效减小风电出力不确定性对电力系统的影响，使得火电机组出力更加平稳。实现了清洁能源多发、火电少发的目的，获得了较好的调度结果。