基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法与流程

本发明属于电网技术领域，特别是一种基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法。

背景技术：

在停电系统恢复过程中，尤其是恢复的初期，尽快恢复更多的电源是提高电网恢复效率的关键。和常规火电机组相比，风电场在恢复供电后，风电即可接入电网，快速为停电电网提供功率支持。对于含大量风电的停电电网，风电参与电网的恢复将能加快系统的恢复。对风电参与系统恢复，风电出力的评估是一个关键且具有挑战性的问题。风电会在出力调整时和运行过程中对已恢复系统产生影响。首先，风机出力根据调度要求调整时，风电将在非常短的时间内实现输出功率的提高或降低，对已恢复系统产生冲击。其中，风电的有功出力会对已恢复系统产生频率冲击第二，虽然限功率控制技术能够使风电出力满足调度要求，但由于风能的不确定性，风场有功出力会出现短时间内无法满足调度要求的情况，对已恢复系统的频率产生冲击。而且风机出力跌落的时间和跌落值都存在不确定性，增加了风机出力的评估的难度。

目前还未见基于风电场限功率控制能力的系统恢复过程中风电出力优化的研究。

技术实现要素：

本发明的目的在于提供一种基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法。

实现本发明目的的技术解决方案为：一种基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法，包括如下步骤：

步骤1，建立基于限功率功能的风电场出力特性模型。

步骤2，分析风电出力对已恢复系统的影响。

步骤3，建立不考虑风电出力跌落的确定性优化模型。

步骤4，建立基于信息间隙决策理论的风电出力鲁棒优化模型。

步骤5，采用人工蜂群算法求解鲁棒模型，得到能达到预期出力目标的风电有功投入方案。

本发明与现有技术相比，其显著优点为：1)本发明的方法无需已知风电出力的不确定性分布，模型简单，求解结果稳定性和鲁棒性较好，利用本发明得到的风场有功出力方案能够在风电场出力调整和短暂有功跌落时满足电网安全约束，并保证风场总有功出力量达到预期的最低目标。2)本发明可以适用于含风电系统的停电恢复过程中，具有一定的理论价值和工程价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法流程图。

图2为人工蜂群算法求解模型流程图。

图3为10机39节点系统拓扑图。

图4为求解稳定性效果图。

图5为恢复33号机组时偏差因子与风场有功出力波动幅度之间的关系。

图6为两种模型试验结果对比图。

具体实施方式

结合图1，本发明的基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法，包括如下步骤：

步骤1，建立基于限功率功能的风电场出力特性模型，具体操作步骤为：

步骤1-1，根据风速确定风电场有功出力模型。

对风力发电机，根据风况的不同，变速变桨风电机组的运行区间可以划分为起动区、最大风能跟踪区、转速恒定区和功率恒定区四个工作区间。风机在不同风速下的功率上限为：

式中v——风速；

vin——切入风速；

vcon_ω——最大风能跟踪区风速上限；

vn——恒转速区风速上限；

vout——风机所能承受的最大风速；

ρ——空气密度；

r——风力机半径；

cpmax——最大风能利用系数，

θ0——初始桨矩角值；

pn——风机最大输出功率。

设风电场内各风机的预测风速为vpre，风电场的有功出力范围为：

0≤pdis≤npmax(vpre)

式中n——风场中风机数量；

pdis——风电场有功出力。

步骤1-2，建立风电有功波动情况下实际出力模型

由于风能资源随机性和间歇性的特点，风电场短期风速预测误差在±20％～±40％左右，再加上风能的波动性特点，使得每时段风电场实际输出功率相对于平均预测功率具有较大的变化量。当风速高于预测值时，风电场能够达到预测功率，但当风速低于预测值时，风电场出力将小于预测功率。

对于具有限功率控制功能的风电场，风电场的实际的出力将在调度要求值的下方波动，因此实际的风电机组有功功率可以用信息差距模型表示：

式中pact——风电场的实际有功出力，实际的有功出力量在(1-α，1)范围内波动。

如果调度所需功率越接近风电场预测最大功率npmax(vpre)，风场实际输出功率的波动幅度α将会越大。

步骤2，分析风电出力对已恢复系统的影响，主要考虑风电出力对系统频率的影响：

一方面，风电将在非常短的时间内达到调度要求出力，从而对已恢复系统产生有功冲击；另一方面，风电出力的突然跌落也会产生有功冲击。因此，系统恢复过程中，需要根据电网恢复的状态对风电场有功出力变化值进行限制。

风场单次最大有功出力变化值为：

式中pgi——已恢复系统中机组i的有功出力；

△fmax——暂态频率最大允许上升值，单次风场最大有功投入量是为了确保每次风场投入的有功冲击不至于导致暂态频率上升△fmax，本发明△fmax取0.5hz，

dfi——机组i的暂态频率响应值

步骤3，建立不考虑风电出力跌落的确定性优化模型，具体操作步骤为：

步骤3-1，确定风电有功出力的优化目标。

在电网恢复过程中，一方面需要尽可能多的投入风电，加快电网的恢复。另一方面需要考虑出力调整过程中有功冲击带来的电网频率波动，保证恢复过程的安全。因此，风电有功出力的优化目标为：

式中f——投入系统的风电有功出力总量；

m——系统中接入风场数量；

pdis_i——风电场i的有功出力值。

步骤3-2，确定风电有功优化过程中需要考虑的约束条件：

风电场有功出力约束为：

0≤pdis_i≤nipmax_i(vpre_i)

式中ni——风场i中风机数量；

pdis_i——风电场i的调度要求出力；

vpre_i——风电场i内各风机的预测风速。

风电接入时的暂态频率约束：

调度要求的风电有功出力变化量∑△pdis_j引起的电网频率变化量需要在安全范围内：

系统潮流约束：

式中pi——节点i的系统有功注入功率；

qi——节点i的系统无功注入功率；

pli——节点i的负荷有功功率；

qli——节点i的负荷无功功率；

vi——节点电压；

gij——节点i与j之间的电导；

bij——节点i与j之间的电纳；

δij——vi与vj相角差；

n——节点数。

常规机组出力约束：

式中pgi——常规机组的有功出力；

qgi——常规机组的无功出力；

pgimax——常规机组有功的最大出力；

pgimin——常规机组有功的最小出力；

qgimax——常规机组无功的最大出力；

qgimin——常规机组无功的最小出力；

bc＝(1-δ)b0

式中δ——偏差因子，即预期目标和确定性模型最优解之间的偏差程度，取值范围为[0，1)；

b0——优化模型求得的最优解；

bc——负荷恢复的可接受最小恢复量。

步骤4，建立基于信息间隙决策理论的风电出力鲁棒优化模型，具体操作步骤为：

步骤4-1，基于信息间隙决策理论，在定好预期目标的前提下，以最大化不确定变量的波动幅度为目标，求解鲁棒模型得到的决策解可以保证在波动幅度内始终满足预期目标。因此，风电出力鲁棒模型的优化目标为风电出力波动幅度最大，即：

maxα

步骤4-2，对于具有限功率控制功能的风电场，风电场的实际的出力将在调度要求值的下方波动，因此实际的风电机组有功功率可以用信息差距模型表示：

风电出力的波动幅度的取值范围在0-1之间：

0≤α≤1

步骤4-3，将原优化模型中的优化目标转变为新优化模型的约束条件，即保证在波动情况下最小的风电出力值也能满足预期目标：

式中b0——原确定性模型下得到预想方案的风场总有功出力量；

bc——决策者根据经验给定风场有功出力的可接受最小值

δ——偏差因子，即预期目标和确定性模型最优解之间的偏差程度，取值范围为[0，1)。

当各风电场实际有功出力最小时，总的风场有功投入量最小，，因此约束条件可以改为：

步骤4-4，增加考虑风电出力跌落的暂态频率约束

步骤4-5，原确定性模型中的系统潮流约束、常规机组和风电机组的出力约束保持不变，步骤4-1至4-4中的目标函数和约束条件构建成基于信息间隙决策理论的风电出力鲁棒优化模型。

步骤5，采用人工蜂群算法求解鲁棒模型，得到能达到预期出力目标的风电有功投入方案，流程如图2所示，具体操作步骤为：

步骤5-1，初始化及参数设置，输入系统的参数包括系统结构，常规机组和风电机组装机容量、爬坡率、启动功率，线路启动时间，负荷容量，设置人工蜂群算法种群数量n、最大迭代次数mcn、蜜源最大限制开采次数limit。将已迭代次数和蜜源开采次数置0，其中种群中引领蜂、跟随蜂各占一半；

步骤5-2，先根据恢复路径对可以投入的风机进行预选，确定待投入风机个数d。初始时刻，n只蜜蜂全为侦查蜂，随机产生n个d维的0-1风电机组出力序列，同时生成n个风电有功波动幅度α，和恢复序列一一对应，即n个初始蜜源，若蜜源对应的风机有功出力值大于本阶段的最大允许出力值或经校验不满足潮流约束条件，则重新生成，直到蜜源满足约束为止。以风机有功出力值作为蜜源的适应度函数值，根据适应度值排序，前百分之五十为引领蜂，剩下的为跟随蜂。

步骤5-3，每个引领蜂在对应的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源优于原蜜源，则取代原位置，将已开采次数置0，否则，该蜜源的开采次数加1。

步骤5-4，引领蜂将蜜源的信息分享给跟随蜂，蜜源的质量越好，被跟随的概率越大。每个蜜源被选择的概率可以通过下式计算：

式中fiti——蜜源i的适应度值；

sn——蜜源总数。

跟随蜂根据概率值pi选择蜜源，在选择的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源优于原蜜源，则取代原位置，该跟随蜂转变为引领蜂，蜜源已开采次数置0。否则，蜜源和引领蜂保持不变，该蜜源的开采次数加1。

步骤5-5，引领蜂和跟随蜂搜索结束后，迭代次数加1，并记录当前的最优蜜源。如果一个蜜源的开采次数达到上限，则放弃改蜜源，对应的蜜蜂变成侦查蜂，重新生成新的蜜源，已开采次数置1。

步骤5-6，如果迭代次数还未达到上限，则转到步骤5-3重新搜索，直到达到迭代上限后输出当前最优蜜源以及最优蜜源对应的风场有功出力投入方案。

本发明的方法无需已知风电出力的不确定性分布，模型简单，求解结果稳定性和鲁棒性较好，利用本发明得到的风场有功出力方案能够在风电场出力调整和短暂有功跌落时满足电网安全约束，并保证风场总有功出力量达到预期的最低目标。

下面结合算例对本发明做进一步详细的描述：

实施例1

以ieee10机39节点系统为例，电网拓扑如图3所示，其中30号机组为水电机组，具备自启动能力，其余均为火电机组，不具备自启动能力。假设当前时步除了自启动机组以外，37、38、39号机组已经恢复，图3中蓝色实线为已恢复路径。由已经恢复的小系统为33号机组提供厂用电，节点26、29、27、16上接有风电场。

(1)求解方法稳定性分析

本发明采用人工蜂群算法进行求解时，相关参数设置为：种群数量n＝20，蜜源最大开采次数limit＝5，最大迭代次数mcn＝200。以风场投入的可接受最小投入量为确定性模型最优解的50％为例，采用重复运行20次的计算结果进行分析，计算结果如图4。

从图4可以看出，人工蜂群算法求解结果的波动程度较小，上下波动均在1％以内，因此，利用人工蜂群算法求解本发明模型具有较好的稳定性。

(2)基于信息间隙决策理论的风场有功出力优化结果

考虑风电场出力不确定性时，通过改变偏差因子δ，确定不同的期望目标，求解基于igdt理论的风场有功出力鲁棒模型，可以得到相应的不确定参数最大波动幅度α以及对应的风场有功出力方案，偏差因子与风场有功出力波动幅度之间的关系如图5所示。

从图5中可以看出，偏差因子和波动幅度呈正相关关系，预期风场有功出力总量越小，允许的风场投入系统过程中的波动越大，即鲁棒区域随着预期有功投入量的减小而增大。这表明，预期风场有功投入量越小，其决策的各风场风机投入方案的鲁棒性越好，可以抵抗较大的有功出力波动。调度人员在实际操作过程中，可以根据历史数据确定风场出力波动的大致范围，查表选择合适的风场投入方案。

(3)鲁棒优化的必要性分析

为了验证考虑风场有功出力不确定的必要性，分别用确定性模型和鲁棒模型求解风场投入方案。假设风场实际有功出力在预测值的附近的波动区间为[0.7，1]，每次仿真中实际风场有功出力量在该范围内随机生成，重复20次仿真，每次试验按照两种模型求解出的风场出力方案得到的总风电出力如图6所示。当实际出力波动时，如果恢复方案无法满足安全约束，则总风场出力记为0。图6中蓝色折线表示确定性方案的风场投入量，红色折线表示考虑不确定性鲁棒方案的风场投入量，虚线表示预期的风场最小投入量。

当实际风场出力波动时，仿真中存相当部分的确定性模型求解结果无法满足安全约束的情况。从图6中可以看出，20次比较实验中，确定性方案中有8次因为风场出力跌落过大导致频率越限，鲁棒方案中风场出力较确定性方案偏小，但是没有出现频率越线的情况。

从算例结果可以看出，本发明无需已知风电出力的不确定性分布，模型简单，求解结果稳定性和鲁棒性较好，利用本发明得到的风场有功出力方案能够在风电场出力调整和短暂有功跌落时满足电网安全约束，并保证风场总有功出力量达到预期的最低目标。本发明可以适用于含风电系统的电网恢复过程中，具有一定的理论价值和工程价值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。