一种风光储混合系统的优化调度方法与流程

本发明涉及电力调度技术，特别涉及一种风光储混合系统的优化调度方法。

背景技术：

自21世纪以来，能源匮乏以及环境污染等问题日益突出，成为制约经济发展的重要因素。为了解决环境问题以及能源供应的持续性问题，已经开发了地热能、风力发电、光伏发电等清洁能源。

在传统的优化调度中，只考虑了一个扰动元——负荷，通过设置一定的备用容量来应对负荷的波动。传统的优化调度方案，预测的误差可以控制在5％以下，应对这部分波动所需要的备用占比也很小。当各种清洁能源并入电网之后，使得电网中不稳定的因素大大增加。为了应对风、光等能源出力的不确定性，必须增加常规机组的备用或者配置储能设备，才能保证电网的稳定与安全。目前的大部分系统是由储能设备来调节风光等清洁能源的预测误差，没有考虑到机组自身的调节能力，这给储能设备带来了很大的负担，而且储能设备的成本特别高。

技术实现要素：

本发明的目的在于提供一种考虑频率安全和联合调控的风光储混合系统的优化调度方法，提高了混合能源系统运行的经济性和安全性。

本发明实现上述目的的技术方案：一种风光储混合系统的优化调度方法，包括如下步骤：

步骤1、设置风光输出功率参考值，获取风电、光伏能源的日前预测出力曲线和负荷预测曲线；

步骤2、根据风光输出功率参考值和风电、光伏能源的日前预测出力曲线，确定风光储能源出力曲线，以及储能设备的运行方式；

步骤3、以系统调度日内运行成本最小为优化目标，建立多目标优化调度模型；

步骤4、输入负荷预测曲线、风光储能源出力曲线和储能设备的运行方式，利用改进的粒子群算法求解优化调度模型，得到日前机组组合出力曲线。

本发明与现有技术相比，具有如下显著优点：1)本发明依靠风光机组自身的调控能力，在一定范围内控制其输出跟踪预测曲线，剩下的调节不足量再由储能设备解决，减少了储能设备的容量；2)本发明将风光考虑为一个整体，在调节预测误差时，计算两者的预测出力之和与实际可发功率之和的差值，再将这个差值由两者按照装机容量分担，从而避免了其中一个的调节过量，由于利用了风光互补性，这个差值比两者的预测差值之和要小，节省了一定的调节量；3)本发明在调度模型的约束条件中加入了频率约束，防止机组一次调频时调节量过大导致频率偏移量超过允许值，有利于系统的稳定运行。

附图说明

图1为本发明风光储混合能源系统优化调度方法的应用流程图。

图2为本发明风光储系统联合调控策略的流程图。

图3为本发明具体实例中的夏季某日负荷日前预测曲线图。

图4为本发明具体实例中的夏季某日风电光伏能源出力日前预测曲线图。

图5为本发明提供的改进粒子群算法的具体流程图。

图6为本发明具体实例中最后求解所得的常规机组日前调度计划的出力曲线图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明方案。

如图1所示，一种风光储混合系统的优化调度方法，包括如下步骤：

步骤1、获取风电、光伏能源的日前预测出力曲线和负荷预测曲线；

步骤2、根据风电、光伏能源的日前预测出力曲线，确定风光储能源出力曲线，以及储能设备的运行方式，具体确定方法描述如下：

设日前预测的风光输出功率和参考值分别为：

式中，分别为日前预测的时段i的风能和光能的出力功率，为日前预测的时段i的风光机组出力功率之和；分别为时段i的风能和光能的出力参考值，为时段i的风光出力参考值之和；

那么预测出力的偏差为：

将风和光的预测误差合并考虑，能有效减少的幅值和波动。若则表示实际可发功率不足预测出力，要控制风光机组调高输出或者靠储能设备来弥补这部分差值。若则表示风光实际可发功率超过了预测值，蓄电池工作与充电状态，吸收风光机组的剩余电量，从而避免了大量的弃风弃光。

因预测误差需要增发或减发功率时，按装机容量占比来分配，风电机组和光伏机组分别需要增发或减发的功率量为：

由于风机和光伏机组能用来调节的备用容量有限，所以需要根据增发或减发的功率与备用容量的关系，确定风机和光伏机组的实际调整量，当需要调节的量超过了备用容量时，便需要储能装置来调节。风机和光伏机组的实际调整量表示为：

式中，为风电机组备用容量，为光伏机组备用容量；

调整过的风光机组出力表示为：

作为调控策略的第二层，储能系统需要承担风光机组预测误差的调节不足量。当预测值过高，上调备用容量不足时，即蓄电池工作于放电状态，向电网中输送电量，来弥补电能不足；当预测值低于实际值时，多余电量给蓄电池充电，即δp^wp(t)≤0，蓄电池工作于充电状态，吸收风光机组的剩余电量，若蓄电池此时的能量状态到达其最大值，即不能工作于充电状态时，多出的风能与光能只能舍弃，弃风弃光的功率表示为：

蓄电池的充放电功率表示为：

假定在δt时间段内充放电功率恒定，则充放电后，蓄电池的能量状态表示为：

式中，为充放电后蓄电池的能量状态，为充放电前蓄电池的储能量状态，δbat为蓄电池自放电率，为蓄电池的充电功率(kw)，为蓄电池的放电功率(kw)，wbat.n为蓄电池的额定容量(kw·h)，ηbat.c为充电效率；ηbat.d为放电效率，δt为充放电时段时长(h)。

步骤3、以系统调度日内运行成本最小为优化目标，建立多目标优化调度模型，具体为：以系统调度日内运行成本最小为优化目标函数，其中包括燃料能耗成本、风光储调节费用，目标函数具体如下式所示：

1)燃料成本cti(t)

式中，为第i台火电机组在时段t的出力，ai,bi,ci为常规机组的燃料成本系数；

2)风机调节成本sw

sw＝awdp^w(t)²+bwdp^w(t)+cw

式中，dp^w(t)为风电机组在时段t下的调节量，awbwcw为风电机组的调节成本系数；

3)光伏机组调节成本sp

sp＝apdp^p(t)²+bpdp^p(t)+cp

式中，dp^p(t)为光伏机组在时段t下的调节量，apbpcp为光伏机组的调节成本系数；

4)弃风弃光惩罚sdrop

式中，分别为时段t的弃风量和弃光量，ρ^w、ρ^p分别为弃风弃光的惩罚系数；

约束条件为：

1)功率平衡约束

式中，pd(t)为时段t的负荷总量；

2)常规机组出力约束

式中，pi,min为i号机组的出力下限，pi,max为i号机组的处理上限；

3)频率安全约束

根据转子运动方程推导出频率变化的动态过程：

上式中，δf为频率的变化量；r为常规机组调速器的爬坡值；δpl为负荷的突变量；h为系统的惯性时间常数；δfdb为调速器的频率死区，通常0.2hz。

得到频率最低点的表达式为：

从而推导出下式：

式中，δfnadir为动态频率过程中的频率最低点，δfufls为低频减载的边界值，r为常规机组调速器的爬坡值，δpl为负荷的突变量，h为系统的惯性时间常数，δfdb为调速器的频率死区，通常0.2hz；

4)常规机组爬坡约束

式中，为i号机组的向下最大爬坡值；为i号机组的向上最大爬坡值；

5)旋转备用约束

式中，为i号机组的正旋转备用容量，为i号机组的负旋转备用容量，η1η2η3分别为风电、光伏和负荷的预测误差比率；

6)蓄电池在运行过程中，约束条件包含能量状态范围约束和充放电功率限制，表示为：

式中，sbat为蓄电池的能量状态下限，为蓄电池的能量状态上限，充电过程中，对进行蓄电池充电，对于的部分进行弃风弃电，为蓄电池的最大允许充电功率(kw)，为蓄电池最大允许放电功率(kw)。

步骤4、输入负荷预测曲线、风光储能源出力曲线和储能设备的运行方式，利用改进的粒子群算法求解优化调度模型，得到日前机组组合出力曲线，求解优化调度模型具体方法为：

步骤4.1、数据输入及初始化；

步骤4.2、随机初始化粒子种群：随机生成一个初始粒子种群，种群中粒子的位置表示一种可行的调度方案，粒子的速度表示粒子位置中相应变量的调整幅度：

式中，表示第k代粒子种群中粒子i的位置，表示第k代粒子种群中粒子i的速度，g表示常规能源机组数量，表示第i台常规机组在时段t的出力，表示在第i台常规机组在时段t出力的调整幅度，p^w(t)表示风电机组出力，p^p(t)表示光伏机组组出力，pbat(t)表示蓄电池的充放电功率，δp^w(t)表示风电机组需要增发或减发的功率，δp^p(t)表示光伏机组需要增发或减发的功率，δpbat(t)表示蓄电池在时段t出力的调整幅度；

步骤4.3、粒子约束修正：依据约束条件公式，对粒子中的越界变量进行修正，将变量限制在约束范围内；

步骤4.4、计算目标函数：依据目标函数公式计算优化目标函数；

步骤4.5、粒子速度及位置更新：粒子的速度由种群的历史最优位置以及粒子的历史最优位置，依据下公式进行更新：

式中，w表示惯性权重系数，c1表示加速因子1，c2表示加速因子2，rand(0,1)表示0～1间的随机数，pbest,i表示粒子i的历史最优位置，gbest种群的历史最优位置，为了在迭代前期，提高算法的全局搜索能力，防止陷入次优解；迭代后期，提升算法的局部搜素能力，加速收敛于最优解，对粒子群算法的惯性权重系数以及加速因子进行了改进，具体由下列式子进行更新：

式中，wmax表示最大权重系数，wmin表示最小权重系数，c11、c12分别表示加速因子1的初始值及最终值，c21、c22分别表示加速因子2的初始值及最终值，gen表示当前种群代数，genmax表示种群最大代数；

步骤4.6、判断是否达到种群最大代数，若满足，则输出最优粒子的位置，即最优调度方案，若不满足，则更新种群代数，返回步骤4.3继续迭代计算。实施例1

本实施例具体实施参数如下表1和表2所示，其中表1为三台火电机组的一些参数设置，包括最大最小可发功率、最大最小爬坡值和发电成本系数，表2为风电场和光伏电站的参数设置，包括总装机容量、备用占比和调节成本系数。

表格1火电机组参数表

表格2风场和光伏电站参数表

采用本发明方法进行优化调度，夏季某日负荷日前预测曲线如图3所示。风电光伏能源出力日前预测曲线如图4所示，可以看出，一天中，中午风能较弱而光伏能源充足；夜间无光而风能较为充足，联合出力的曲线与两者单独出力曲线相比较为稳定。基于改进的粒子群算法对优化调度模型进行求解，具体流程图如图5所示，算法的输入为日前的风光出力和负荷预测值和一些参数，输出为火电机组的24小时出力计划值。最后得到常规机组的日前调度计划的出力曲线，如图6所示，可以看出，在用电高峰期时，火电机组2和3处于满发状态；在用电低谷期时，只有火电机组2在线上。综上所述本发明利用风光能源的互补特性和调频能力，来减轻储能设备和常规能源机组的调频压力，并考虑频率安全约束，确定风光储混合能源系统的最优运行方式，提高了混合能源系统运行的经济性和安全性。