用于电力网络的日前运行计划的风力发电削减优化的方法和设备与流程

本公开涉及用于电力网络的日前运行计划的风力发电削减优化的方法和设备。
背景技术：
：通过整合可再生能源(res)对能源系统脱碳的普遍承诺已经存在了一段时间。随着res渗透份额的增长，电力系统的运行活动面临越来越多的不确定性和复杂性。特别地，由于更多分布式风力发电站可能导致电力变压器和网状传输和配电网络中的线路过载这一事实所带来的技术挑战变得越来越亟需解决。越来越频繁的非常规和双向的电力流在高风力发电渗透下造成网络瓶颈，可能不是一个要攻关的直接挑战。风力发电的削减是克服拥堵问题的可能手段，这需要由电网运营商很好地合理化并且通常仅用作最后的资源解决方案。为了确保在削减风力发电时采取最有效的决策，系统运营商需要从基于常识的决策转向以确实建立的技术和经济标准为基础的近乎最优的削减解决方案。系统运营商削减风力发电所做出的决策在某种程度上与最大化res(可再生能源)整合到能量系统中的范例相矛盾，但偶尔需要避免元件过载。由于这种矛盾，必须保证在必要时严格削减最小量的风力发电。此外，通过适当接近风力发电削减问题，系统运营商为其活动带来更多透明度，并给予风力发电生产商最公平的削减信号。在风力发电削减需求的情况下，系统运营商必须识别哪些风力发电站正导致网络瓶颈，并且确定要削减哪些风力发电站和要削减多少风力发电站。由于电力流的可控性有限以及对分支阻抗的依赖性，这可能变成一个要解决的复杂问题，尤其是在高度网状的网络的情况下，其中若干位置的风力发电站对现有的过载有不同的贡献。参考文献[1]v.米兰达和n.丰塞卡，“epso-应用于电力系统问题的两个世界中最好的元启发式”，进化计算，2002.cec'02，于2002年夏威夷檀香山的2002会议记录，第1080-1085页。[2]v.米兰达和n.丰塞卡，“epso-进化粒子群优化，一种在电力系统中应用的新算法”，2002年传输分配会议展览：2002年亚太地区ieee/pes，第745-750页。[3]v.米兰达和r.阿尔维斯，“par/pst在具有风力发电不确定性的电网中的位置和尺寸”，应用于电力系统的概率方法(pmaps)，于2014年达拉谟的2014国际会议，第1-6页。[4]r.阿尔维斯，“facts设备在电力传输网络中的随机位置”，波尔图大学工程学院硕士论文，2013年7月。[5]环境、空间规划和能源部，“法令-94/2014”，参见：https://dre.pt/application/file/25677141(葡萄牙语)。上述参考文献应以其全部内容在此进行考虑。公开这些事实是为了说明本公开所解决的技术问题。技术实现要素：在本公开中，公开了一种用于削减风力发电的方法。其目的是在经济、技术、安全和监管原则约束的情况下，出于日前运行计划的目的以每小时为基础提供接近最优的风力发电削减解决方案。对电网的事前评估允许系统运营商预测网络约束并及时采取最佳的风力发电削减决策。在基于葡萄牙传输电力系统的案例研究中对该方法进行验证。获得的结果表明，当应用于复杂和大规模的电力系统时，该方法能够实现接近最优的削减解决方案。由于所解决的问题、不同的风力发电站位置和对应的功率削减水平的组合性质，使用基于启发式的算法来向系统运营商提供准最优的削减解决方案。一种日前运行计划方法，用于决定削减多少风力发电以及处在网络瓶颈场景下的位置。优选地使用进化粒子群优化[1]算法，使得所述基于启发式的算法能够为电力系统运营商提供最低成本的鲁棒风力发电削减解决方案。优化风力发电削减的问题必须由电网运营商解决，以确保系统的最具成本效益的运行。在特定位置i处削减的每单位风力发电pci对于电网运营商通常具有成本αi。因此，使等式1的目标函数最小化提供了最小的风力发电削减成本：在n个风力发电厂的每个位置i处的部分削减成本(可能导致分支过载)的总和，得到了系统的总消减成本。在该问题的更高级版本中，电网运营商通常高度重视的、削减解决方案与具体技术要求的不符合也可能影响削减决策。系统运营商可能愿意削减额外的风力发电以确保具有高级电网支持能力的风力发电机保持与电网连接，而不是简单地考虑优化问题中削减的电力成本。具体地，风力发电站面对电压降连续产生电力的能力(通常被认为是低电压穿越(lvrt)能力)正成为电网运营商越来越有价值的特征。在风力发电站提供大量消耗份额的运行场景下，确保连接到电网的具有lvrt能力的风力涡轮机的最高可能比率在技术上是相关的。由于其感知价值，可以在等式1的目标函数中包括成本因数βi来表示每个风力发电站位置i处的lvrt能力缺失的成本：在等式2中，导致具有lvrt能力的风力发电站的发电量减少的风力发电削减解决方案是不利的。原则上，对于没有lvrt能力的风力发电站而言，因数βi显著低于αi并且等于非常小的值。这意味着当具有多个风力发电站同样导致分支过载时，对没有lvrt能力的风力发电站给予消减优先级。当试图将国家立法强加的削减规则反映到问题的目标函数中时，出现了对风力发电削减问题的进一步复杂的方法。在这种具体情况下，目的是基于过度配备的风力发电站的概念，考虑位置i处的风力发电站的差异化削减成本。为了提高res渗透水平，过度配备的风力发电站的额定功率大于它们通常被授权添加到电网的最大功率(即连接功率)。在高风速时段期间，当风力发电站的输出功率大于其连接功率时，系统运营商可以允许将与过度配备相关联的过量风力发电注入网络。相对应地，风力发电生产商允许在电网运营商请求时无成本地削减高于授权连接功率的注入的风力发电量(例如，葡萄牙电力系统的风力发电削减程序的情况[5])。如图1所示，这导致过度装配的发电站的两种不同的风力发电削减替代方案：1)过度配备(over-equipment)风力发电削减(pco)-指系统运营商无成本地削减的高于连接功率的电力量；2)风力发电削减(pc)-指系统运营商以成本αi削减的低于连接功率的电力量。可以将该原则映射到问题的目标函数，以便系统运营商优先考虑过度配备电力削减以使总成本最小化：在等式3中，m是n的子集，其仅包括可能导致分支过载的过度配备的发电站，pcoi是在特定位置i处削减的过度配备的电力量。尽管就pcoi来说，αi等于0(没有削减成本)，但仍然需要包括成本因数βi以保证对没有优选能力(例如lvrt能力)的过度配备的风力发电站给予削减优先级。风力发电削减问题的约束由与电力系统的操作相关的技术和安全原则来定义。那些是典型的电力流方程，其中发电满足需求加系统损耗，并且分支负载在技术限制范围内：fjmin≤fj≤fjmax(4)其中，fj是流过分支j的电力，并且fjmax和fjmin是其最大技术局限和最小技术局限。为了符合系统运营商的安全要求，还必须在(n-1)意外事故标准(例如entso-e定义的任何网络元件的单一损耗)下满足问题的约束。另外，问题的决策变量pci和pcoi受到根据等式5和等式6的约束。pcimin≤pci≤pcimax(5)pcoimin≤pcoi≤pcoimax(6)其中，在位置i处的风力发电削减限制pcimin、pcimax、pcoimin和pcoimax是基于风力发电模式的评估来定义的。所公开的方法旨在解决用于日前运行计划目的的风力发电削减问题。它以每小时为基础评估网络的预测运行状况，识别其潜在的瓶颈，并通过提供最佳的风力发电削减解决方案来支持电网运营商的决策，从而克服可能的过载。在大规模的维度中，其中也许数百个风力发电站可能表示削减问题的非常大量的决策变量，则确保该方法的计算效率是至关重要的。电力系统运营商需要在有限的时间段内提供准确的解决方案。以下提出的方法在与系统运营商的运行活动兼容的时间范围内提供有效的风力发电削减解决方案。该方法的初始步骤包括日前网络评估。在此阶段，接收的输入数据涉及日前预测的生成、消耗和网络拓扑。基于所接收的输入数据，针对24小时中的每小时来求解ac电力流。以每小时为基础，评估网络瓶颈的存在。在拥堵问题的情况下，针对每小时来识别过载的分支和变压器。在评估了网络的日前操作状况之后，在24小时中的每一小时中执行安全评估以检查与(n-1)标准的符合性(例如，由entso-e定义的任何网络元件的单一损耗)。因此，执行意外事故分析以识别单个意外事故场景下的分支过载。(n-1)意外事故分析是该方法的计算消耗活动，如果不能有效地执行则可导致长处理时间。尤其是在处理大规模电力系统时，可能会评估大量的单一意外事故场景，导致大量的待解决的ac电力流问题。为了克服这个困难，确保该方法可适用于复杂的电力系统，优选地执行并行处理意外事故分析以减少模拟的处理时间(图2)。可以使用专用电力系统的软件(其对整体处理速度具有实质性影响)来确保并行处理意外事故分析。所公开的方法利用了这样的事实，即当今的成品计算机包含若干个cpu核，单个意外事故场景可以并行地分配给这些cpu核，从而增强了用于大规模电力系统的方法的性能。优选地仅针对在日前网络或安全评估期间检测到分支过载的小时来执行灵敏度分析(图4)。灵敏度分析确定改变分支流中的电力注入的影响。在本方法的范围内，它用于识别导致分支过载的风力发电站，这些分支是为了克服过载问题而将被削减的潜在候选。分支j中的流fj对位置i处的风力发电站的电力注入pgeni的灵敏度因数sji在等式7中定义为：通过在过载状况下对每个分支执行灵敏度分析，选择具有大于特定阈值(灵敏度因数截止值)的灵敏度因数的影响分支流的风力发电站，来定义风力发电削减问题的决策变量集。例如，对于给定网络，将选择具有高于全局阈值的至少一个灵敏度因数的任何风力发电站来定义该决策变量集。这确保了，在实际电力系统中的大量风力发电站中，在风力发电削减优化问题中仅考虑导致过载问题的那些风力发电站。利用这种方法，如图3所示，由于较小的决策变量集，问题的维度可以大大减少。灵敏度因数截止值的适当定义对于确保方法的准确性和计算效率是重要的，但是在本领域普通技术人员的技能范围内，例如通过对少量候选阈值的常规测试，考虑到阈值的实际值将会因网络而异。图3中示出了示例性实例。如果一方面，灵敏度因数截止值的非常小的值可能导致风力发电削减问题的较大的决策变量集，并且计算问题的复杂性不会降低(在优化过程中考虑对过载分支流影响较小的风力发电站)。另一方面，灵敏度因数截止值的较大值将导致较小的决策变量集(仅考虑对过载分支电力流具有较高影响的风力发电站)，可能对所选定的风力发电站的结果的准确性有影响，因为所选定的风力发电站对于网络具有更小的代表性，并且风力发电削减解决方案将明显较差(或非常难以获得)。需要在结果的的准确性与方法的计算效率之间找到良好的折衷方案，尤其是当应用于大规模电力系统时，以便找到正确的灵敏度因数截止值。在识别出日前网络过载(根据日前网络和安全评估)并选择了导致了检测到的网络拥堵的风力发电站(根据灵敏度分析)之后，针对识别的风力发电站的限定组解决了风力发电削减优化问题。由于问题的组合性质，该方法优选地利用进化粒子群优化(epso)[1]来优化风力发电削减，但是可以使用其他优化方法。在本公开中进一步讨论了该算法，以及其在风力发电削减问题中的应用。在图4的流程图中总结了用于优化用于日前运行计划的风力发电削减的所述方法。启发式方法通常用于优化高度复杂的问题，即组合性质的问题。在电力系统的具体情况下，启发式是解决从日常运行到长期计划的不同问题的受欢迎的工具。针对这些问题的维度以及在有限时间段内获得良好的解决方案的需要，使用启发式技术是有利的[4]。米兰达等人提出了进化粒子群优化(epso)[1]并将演化算法(ea)和粒子群优化(pso)的概念放在一起。集合ea和pso的优势，epso已被证明是一种具有非常有趣的收敛性的成功算法[1-4]。epso作为混合算法使用pso的相同运动规则，其中群(粒子集)在搜索空间中演化，其战略参数的特殊性根据ea原则引入的自适应演化策略过程来定义。因此，epso导致pso的增强版本，其中战略参数的初始值的定义在pso中并不重要，这大大提高了收敛的可能性[1、4]。在epso中，从一次迭代到另一次迭代，每个粒子(问题的可能解)xi遵循取决于速度项vinew的运动规则，其进而取决于已知为惯性、记忆和合作的三个主要因数：xinew＝xi+vinew(8)vinew＝w*i0vi+w*i1(bi-xi)+w*i2(b*g-xi)(9)vinew的第一项表示粒子的惯性，使其沿其之前移动的方向移动。第二项表示粒子的记忆，使其运动被粒子在其过去的生命中所发现的最佳点bi所吸引。最后一项表示与粒子交换信息的协作，以定义群发现的当前最佳点bg并且沿该方向移动[1、4]。根据等式9，与pso发生的情况相反，每一项的权重w*ik经历一个突变过程，定义如下：w*ik＝wik[logn(0，1)]τ(10)其中τ是算法的学习速率，从外部定义，以控制突变幅度。在epso中，等式11中的全局最佳b*g是基于高斯分布和新权重w*i3随机分布的，其也受到突变过程的影响：b*g＝bg+w*i3n(0，1)(11)epso的方法包括复制过程，其中每个粒子被复制r次，产生相同的粒子，然后突变每个粒子的权重。然后，基于所描述的运动规则，执行粒子的再生过程，生成一组后代。因此，每个后代通过适应度函数进行评估，并基于其适应性进行选择，从而形成新一代的粒子。该过程重复几代，直到达到某个停止标准[1、4]。对于使用epso算法的所公开的方法，群中的每个粒子是风力发电削减问题的可能解。基于所执行的灵敏度分析来定义粒子结构，其中表示了导致分支过载的每个风力发电站。粒子结构每小时动态适应不同的拥堵曲线。粒子的元素表示在位置i处削减的总风力发电量pci，如图5中所示：基于等式3的适应度函数对粒子进行评估，因此根据其相关联的削减成本进行分类。每当拥堵问题持续存在时，通过添加大的常数值来使所获得的粒子的适应度值不利，以确保选择解决网络过载的粒子。这需要通过解决ac电力流并通过意外事故分析检查与(n-1)标准的符合性来评估每个风力发电削减曲线(粒子)的网络状况，如图4所示。因此，公开了一种用于包括风力发电站组的电力网络的日前运行计划的风力发电削减优化的方法，所述方法包括：计算用于日前的电力网络的电力流，包括所述电力网络的预测的发电、电力消耗和拓扑；计算用于日前的电力网络的意外事故分析，包括所述电力网络的预测的发电、电力消耗和拓扑，以及以及一组意外事故场景；计算每个电力网络分支的电力流对于每个风力发电站的电力注入的灵敏度因数，其中，计算灵敏度因数是仅针对在解决电力流期间或在解决意外事故分析期间检测到过载分支的日前时间段来进行的；选择具有高于预定阈值的至少一个灵敏度因数的风力发电站子组作为削减候选；计算局限于所选定的风力发电站子组的风力发电削减。在优选实施方式中，使用进化粒子群优化epso来计算风力发电削减，其中，每个epso粒子是风力发电削减计算的可能解。在进一步的优选实施方式中，用于由epso选择的粒子评估包括针对每个epso粒子计算电力网络的电力流，并且针对每个epso粒子计算电力网络的意外事故分析。在又进一步的优选实施方式中，每个epso粒子被包括在对于每个所选定的风力发电站子组削减的电力量中。在优选的实施方式中，epso粒子是使用适应度函数评估的：其中，n是选定的风力发电站的数量；αi是在风力发电站i处的削减电力的成本；βi是在风力发电站i处lvrt能力缺失的成本；pci是在风力发电站i处削减的电力量。在优选的实施方式中，epso粒子是使用适应度函数评估的：其中，n是选定的风力发电站的数量；m是n的子组，其仅包括具有过度配备电力的风力发电站，即，额定功率高于连接功率；αi是在风力发电站i处削减电力的成本；βi是在风力发电站i处lvrt能力缺失的成本；pci是在风力发电站i处低于风力发电站i的连接功率的削减电力量；并且pcoi是在风力发电站i处高于风力发电站i的连接功率的削减电力量。在优选的实施方式中，在电力网络分支中的电力流对于风力发电站的电力注入的灵敏度因数sji是：其中，是由于风力发电站i注入的电力中的增量而导致的电力网络分支j中的电力流中的增量。在优选的实施方式中，意外事故分析是针对一个且仅一个停止服务的网络元件的单个意外事故场景来进行的。在进一步优选的实施方式中，意外事故分析是针对每个意外事故场景并行进行的，具体地，每个意外事故场景被分配至单个单核cpu或多核cpu中的单个核。在进一步优选的实施方式中，该方法是针对网络的日前运行计划的24小时的24个小时增量来进行的。还描述了一种用于包括多个风力发电站的电力网络的日前运行计划的风力发电削减优化的设备，所述设备被配置用于进行上述方法中的任一种方法。还公开了一种包括程序指令的非暂时性存储介质，这些程序指令用于实现用于包括风力发电站组的电力网络的日前运行计划的风力发电削减优化的方法，这些程序指令包括可执行来进行上述方法中的任一种方法的指令。还描述了一种包括上述非暂时性存储介质的用于风力发电削减优化的设备。附图说明以下附图提供了用于说明描述的优选实施方式，并且不应被视为限制本发明的范围。图1：过度配备功率削减(pcoi)和功率削减(pci)的实施方式的示意性表示。图2：并行处理(n-1)意外事故分析的概念的实施方式的示意性表示。图3：基于灵敏度分析对导致分支(虚线)过载的风力发电站(灰色区域-具有的灵敏度因数大于灵敏度因数截止值的选定风力发电站)的识别的示意性表示。图4：用于优化用于日前运行计划的风力发电削减的所公开方法的实施方式的流程图的示意性表示。图5：适于风力发电削减问题的粒子结构的实施方式的示意性表示。图6：代表性的24小时负载和风力发电曲线的实施方式的示意性表示。图7：检测到过载的网络区域的实施方式的示意性表示(分支流超过标称速率的100％)：第20小时。图7a：在最佳风力发电削减之后的第20小时的电力流结果的实施方式的示意性表示。图8：根据等式1(上图)和等式3的公式的风力发电削减结果的实施方式的示意性表示。图9：epso的适应度进化-平均50次运行和最佳运行的实施方式的示意性表示。具体实施方式使用葡萄牙传输系统来评估所公开的风力发电削减方法在大规模电力系统中的性能。传输网络包括+1000总线和+400生成单元，其中圆110是风力发电站。已经考虑了高风力发电渗透的示例性日前场景，如图6中所示，以有意地引起系统中的过载。24小时网络评估突出了在第20小时中具有峰值负载和高风力发电渗透状况的网络拥堵。在第一方法中，在不执行安全评估的情况下，两个分支过载(即，负载超过100％)(参见图7)：表i，在第20小时检测到的分支过载。从总线到总线分支类型分支负载(％)655693线路113687287变压器117基于所开发的方法来优化风力发电削减。结果呈现在表ii中，并考虑等式1和等式3的两种不同方法(另见图8)。表ii的风力发电削减解决方案解决了所识别的拥堵问题。实际上，在等式1和等式3的两种方法中，在根据获得的结果削减风力发电站之后，两个分支655-693和687-287以大约100％的负载运行，如图7a所示。表ii，风力发电削减结果。在关于等式1的公式的结果中，其中目标是仅基于值α来最小化削减成本，则显然该方法提供了削减发生在具有最低削减成本-α的风力发电站中的解决方案。虽然wp72对分支655-693的过载有很大影响，但wp62和wp88701影响分支687-287中的电力流。另一方面，正如预期的那样，等式3的方法导致不同风力发电站的分布式的电力削减。由于每个风力发电站都考虑了20％的过度配备，因此该方法提供了一种解决方案，首先探索对于系统运营商无成本的每个风力发电站中过度配备功率的削减pco。只有当削减总设备功率时，对于系统运营商有一定成本的剩余电力削减pc是对系统运营商以最低削减成本α在风力发电站wp72和wp88701处实现的。在第二步骤中，当在方法中包括安全评估时，由于不符合(n-1)标准，检测到过载状况中的其他分支。表iii，通过安全评估，在第20小时检测到分支过载。从总线到总线分支类型分支负载(％)655693线路113687287变压器11769687线路在(n-1)意外事故下过载690190变压器(1)在(n-1)意外事故下过载690190变压器(2)在(n-1)意外事故下过载这两个变压器690-190位于网络的与图7中所示的区域不同的区域中。风力发电站wp89001、wp89002和wp89003是导致分支690-190过载的风力发电站。表iv中呈现了确保符合(n-1)标准的风力发电站的最优削减。表iv，风力发电削减结果与安全评估。观察到，为了符合(n-1)标准，必须削减更多的风力发电并且在其他位置进行削减。从wp89001、wp89002和wp89003的削减模式中，还可以验证该方法给出的优先级，以削减没有lvrt能力的风力发电站。由于这些风力发电站对690-190支路的电力流(类似的灵敏度因数)具有相似的影响并且具有相同的削减成本α，因此该方法优先由于缺乏lvrt能力而削减wp98003。对于总共50次运行，epso在优化风力发电削减问题方面表现出良好的性能，如图9和表v所示。在所有执行的运行中，该算法显露了以接近最佳风力发电削减解决方案解决拥堵问题的能力。所展示的鲁棒性对于提高系统运营商对此类工具的信心至关重要。表v，50次运行的epso性能。最佳平均-μ标准偏差-σ711.52760.6257.12本文档中使用的术语“包括”旨在表示所陈述的特征、整数、步骤、部件的存在，但不排除存在或添加一个或多个其他特征、整数、步骤、组件或其组合。例如图4中描绘了本公开方法的具体实施方式的流程图。流程图未描绘任何具体手段，而是流程图示出了本领域普通技术人员执行根据本公开所需的所述方法所需的功能信息。本领域普通技术人员将理解，除非本文中另有指示，否则所描述的具体步骤顺序仅是示例性的，并且可以在不背离本公开的情况下进行改变。因此，除非另有说明，否则所描述的步骤是无序的，这意味着在可能的情况下，这些步骤可以以任何方便或期望的顺序执行。不应以任何方式将本公开视为限于所描述的实施方式，并且本领域普通技术人员将预见到其许多修改可能性。上述实施方式是可组合的。所附权利要求进一步阐述了本公开的具体实施方式。当前第1页12