本发明涉及风电场调度领域，尤其是涉及一种考虑风电场时空关联约束的日前优化调度方法。
背景技术：
：降低对化石能源的依赖和大力发展风电为代表的清洁能源已成为国际社会应对全球气候变化的普遍共识。中国能源发展相关政策提出，到2030年，风电等可再生资源发电量将达到20％，高比例风电并网已经成为我国电力发展的必然趋势。然而，随着风电在电网中比例不断攀升，其随机性和间歇性给机组组合问题带来了严峻挑战，并加剧了其不确定性。高比例风电接入下，传统的确定性机组组合模型]已经难以适用。为此，风电出力的不确定性建模已经成为高比例风电下机组组合所需研究的关键问题。针对风电的不确定性，目前主流的处理方法大致分为3类：备用准则法，随机优化法和鲁棒优化法。备用准则法是通过配置一定容量的备用来应对风电的不确定性，该方法简单易行，但兼顾经济性和可靠性的备用容量难以确定。随机优化法是通过对风力发电随机场景和相关概率进行建模来刻画风电的不确定性，但随机规划模型因具有计算量大、计算精度无法保证等问题，其推广应用受到限制。鲁棒优化法则采用不确定集来描述风电不确定性，能够给出满足最恶劣情况下的鲁棒解，近年来在电力系统机组组合中得到了初步的应用。然而，现有的鲁棒机组组合大多以机组启停费用和运行费用最小为目标函数，并假定风电出力能被系统全部消纳。考虑到高比例风电并网时风电可能无法完全被全部消纳，但目前鲁棒机组组合的弃风研究相对较少，因此需要考虑在鲁棒机组组合中弃风，提升风电的消纳能力。此外，由于鲁棒优化是试图得到满足任何场景的鲁棒解，这使得其调度方案过于保守。因此，在不影响决策可靠性的前提下应尽量收缩不确定集以改善模型的经济性。一些文献将风电功率的不确定性描述为区间不确定性的形式，细化了风电功率各个时间段内的取值范围，但没有考虑风电功率的时间平滑效应，使模型仍过于保守。虽然有些文献考虑了对风电的时间平滑效应进行了研究，但忽略了风电的空间集群效应。因此综合考虑风电场的空间集群效应和时间平滑效应的不确定集需要进一步研究。从数学本质来看考虑风电场时空关联约束的日前优化调度模型是一个同时包含连续变量和离散变量的高维、非线性的混合整数规划问题，直接求解难度大。为了便于计算，一般将其转换为一个多层嵌套的优化问题，用对偶变换来消去最内层优化问题。通常采用benders算法求解鲁棒机组组合，但其收敛效率依赖于对偶解的质量，容易遭遇计算速度慢的问题。针对大规模的交替迭代计算，列和约束生成算法能够识别出不确定因素影响的关键变量，为主问题动态地创建新的变量和约束，但该算法在鲁棒机组组合中的应用研究相对较少。因此，急需一种考虑风电场时空关联约束的日前优化调度方法，既能够充分考虑风的空间集群效应和时间平滑效应，又能够快速准确地获取获得优化调度结果。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑风电场时空关联约束的日前优化调度方法。本发明的目的可以通过以下技术方案来实现：一种考虑风电场时空关联约束的日前优化调度方法，包括以下步骤：1)建立考虑发电成本和弃风成本的鲁棒机组组合数学模型；2)对于风电的空间集群效应和时间平滑效应，构建考虑风电空间和时间约束的不确定集；3)将数学模型分解为机组组合主问题、安全可行性检验子问题以及最大化利用风电子问题，采用列和约束生成算法建立了主子问题的耦合关系，并进行求解得到优化调度方案。所述的步骤1)中，考虑发电成本和弃风成本的鲁棒机组组合数学模型的目标函数为：其中，f为发电成本和弃风惩罚成本之和，sui为系统机组的启动费用，sdi为系统机组的停机费用，zi,t和ui,t均为第一阶段的0/1变量，用以表示机组i的启停状态转变，若机组i在时段t由停机变为启动则zi,t＝1，否则zi,t＝0，若机组i在时段t由运行变为停机则ui,t＝1，否则zi,t＝0，fi,t(pi,t)为机组的运行成本二次函数，t为调度时段总数，n为机组总数，nw为风电场总数，为第j个风电场在t时刻的风电输出功率，为第j个风电场在t时刻的最优调度出力，λj为第j个风电场弃风时的惩罚系数，上标w表示风电，上标b表示基准状态；约束条件包括：a)最小开机时间约束：其中，为机组i的最小开机时间，为基准状态下机组i在t-1时段的运行状态变量，为基准状态下机组i在t时段的运行状态变量，yi,h为机组i在已经运行/停运时间内的运行状态变量，h为已经运行/停运时间；b)最小停机时间约束：其中，为机组i的最小停机时间；c)机组状态与状态转换的逻辑约束：d)系统备用约束：其中，pb,t为t时段节点b处的负荷，r为旋转备用率，pi,max为机组i的最大出力，nd为节点总数；e)机组出力约束：其中，pi,max和pi,min分别为机组i的最大和最小出力值。f)功率平衡约束：其中，为基准状态下机组i在t时段的出力，为基准状态下第j个风电场在t时刻的最优调度出力；g)机组爬坡约束：其中，rui和rdi分别为机组i的上、下爬坡率。h)输电线路容量约束：其中，分别为节点i、j、b到线路l的功率转移因子，为线路最大的传输容量；i)风电场的出力约束：其中，为第j个风电场在t时刻的风电输出功率，w为风电空间和时间约束的不确定集。所述的步骤2)中，风电空间和时间约束的不确定集w表示为：其中，wj,t为第j个风电场在t时刻的期望出力，δwj,t为风电输出功率与期望值的最大偏差量，为0/1变量，为风电输出功率的空间约束参数，为风电输出功率的时间约束参数，式中第一二行表示了风电的预测功率，第三行为时间不确定约束，第四行为空间不确定约束。其参数计算的具体过程包括以下步骤：21)集合保守度控制参数δwj,t的计算：给定一个集合保守度控制参数α∈(0,1)来控制集合的保守度，即：其中，φ-1(·)为标准正态分布累积概率密度函数的反函数，σj,t为第j个风电场在t时刻的标准差；。22)参数和的计算：令其中，ej,t为风电输出功率的预测误差，yj为第j个风电场所有时刻的ej,t总和；yt为t时刻的所有风电场的ej,t总和。其中，m为风电场个数；t为调度时段数。此外，为了便于求解，对不确定集中绝对值进行线性化处理。令则不确定集可以转换为：其中，aj,t＝-aj,t,1+aj,t,2-ndj,t,1≤aj,t≤ndj,t,20≤aj,t,1≤ndj,t,10≤aj,t,2≤ndj,t,2dj,t,1+dj,t,2＝1其中，aj,t，aj,t,1，aj,t,2均为引入的辅助变量；dj,t,1,dj,t,2为0/1变量(若aj,t＞0，则dj,t,1＝0,dj,t,2＝1；若aj,t＜0，则dj,t,1＝1,dj,t,2＝0)；n为一个足够大的正数。所述的步骤3)中，机组组合主问题表达为：其中，约束条件为最小开机时间约束、最小停机时间约束、机组状态与状态转换的逻辑约束、系统备用约束、机组出力约束、功率平衡约束、机组爬坡约束、输电线路容量约束、风电场的出力约束，以及所有生成的c&cg割并且η≥0，η为子问题的目标函数值。所述的步骤3)中，安全可行性检验子问题安全可行性检验子问题的目标是为了检验主问题的解是否能够适应所有的风电随机波动。因此，考虑到若最恶劣情况下约束都没有越限，则不论不确定性因素如何变化，都能够保证系统的安全运行，构建表达为max-min问题，即：υ1,lt≥0υ2t≥0υ3t≥0其中，zc为安全可行性检验子问题的目标函数值，υ1,lt,υ2,lt,υ3,lt分别为引入的松弛变量，为考虑风电不确定性优化的风电出力，为考虑风电不确定性优化的机组出力，上标u表示考虑风电不确定的状态。所述的步骤3)中，如主问题通过安全性检验，则需进一步求解风电最大化利用子问题，该子问题的目标函数为最恶劣情况下的弃风惩罚成本最小，最大化利用风电子问题表达为：其中，zs为风电最大化利用子问题的目标函数，其约束条件与安全可行性检验子问题的约束条件相同，但不包含松弛变量。所述的步骤3)中，采用c&cg算法进行求解，具体包括以下步骤：31)主问题：采用混合整数规划求解机组组合主问题，获取各时刻的运行状态、机组出力和第二阶段的目标函数下界，并传递给下一阶段；32)子问题：对机组组合主问题传递的机组运行状态变量进行优化并产生割集，产生割集包括：321)将机组组合主问题中求解得到的机组运行状态代入可行性检验子问题，判断机组运行状态在最恶劣场景下是否满足要求，若松弛变量之和不为0，则该机组运行状态不满足要求，产生c&cg割并返回主问题，对机组运行状态进行调整，若安全可行性检验问题中引入的松弛变量之和为0，则证明问题可行，进行风电最大化利用子问题的求解；322)将步骤31)中得到的解代入风电最大化利用子问题中，计算其对偶问题，得到第二阶段目标函数的上界，当迭代收敛时，获取最优解，否则产生c&cg割并返回主问题，对机组运行状态进行调整。与现有技术相比，本发明具有以下优点：一、快速可靠：与现有方法相比，本发明公开的求解方法能够快速可靠地获得决策变量的优化调度结果，有效提高计算效率。二、增加模型的适用性：在考虑风电场时空关联约束的日前优化调度基础上考虑弃风惩罚成本能够保证风电在不能被全部消纳时最大化利用风电，增加了模型的适用性。三、考虑风电的空间集群效应和时间平滑效应：考虑风电时间和空间约束的不确定集能够更加细致地描述风电的不确定性，进而获得了优化效果更好、更符合实际运行情况的调度方案。附图说明图1为加入风电场的ieee39节点系统图。图2为不同风电比例下的优化结果变化的示意图。图3为误差随迭代次数的变化曲线示意图。图4为两种模型的不确定集的示意图。图5为风电场空间集群效应对计算结果影响的示意图。图6为本发明的方法流程图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。实施例本发明提出了一种考虑风电场时空关联约束的日前优化调度方法，如图6所示，本发明首先建立了高比例风电的鲁棒机组组合的数学模型，该模型以最小化调度周期内发电成本以及最恶劣场景下的弃风惩罚成本为目标，同时满足多种火电机组和风电机组的约束。其次，针对具有空间集群效应和时间平滑效应的风电出力建立其不确定集。然后，基于鲁棒优化原理将原问题解耦成一个基态的机组组合主问题和两个子问题即为安全检验子问题和最大化利用风电子问题。接着鉴于高比例风电模型的求解难度，综合运用对偶理论、混合整数规划以及c&cg算法对模型进行迭代求解直至获得具有鲁棒性和经济性的调度方案。实施例1：下面具体结合一个包含1个风电场的ieee39节点系统进行详细分析，如图1所示。为了分析集合的鲁棒性，采取不同的集合保守度控制参数α，分析其对调度成本的影响，具体结果如表1所示。由表1可以看出，不同控制参数α下鲁棒机组组合优化模型得到的调度结果均不相同，为此不确定集的改变会直接影响鲁棒机组组合的调度决策；此外随着控制参数α的减小，不确定区间不断收缩，鲁棒机组组合模型优化得到的发电成本和弃风惩罚成本也呈现下降趋势。表1不同控制参数α下的调度结果α发电成本/($)弃风惩罚成本/($)总成本/($)0.9726407977806170.7714247808792320.5702167684779000.3691007540766400.167735743775172为了分析弃风模型对调度决策的影响，分为四种方案进行对比分析。方案1：在风电功率能被完全消纳(按风电场容量的60％进行优化，即风电接入比例为15％)前提下，鲁棒机组组合模型中不考虑弃风；方案2：在风电功率能被完全消纳(按风电场容量的60％进行优化，即风电接入比例为15％)前提下，鲁棒机组组合模型中考虑弃风；方案3：在风电功率不能被完全消纳(按风电场的容量进行优化，即风电接入比例为23％)前提下，鲁棒机组组合模型中不考虑弃风；方案4：在风电功率不能被完全消纳(按风电场的容量进行优化，即风电接入比例为23％)前提下，鲁棒机组组合模型中考虑弃风。表2四种方案的调度结果由表2(表2中“—”表示无解)可知，当风电功率能被全部消纳时，模型中考虑弃风与不考虑弃风的调度结果是一样的；而当风电功率不能被全部消纳时，如果不考虑弃风的模型可能会无可行解。因此，考虑弃风的调度模型更适用于含高比例风电的电力系统调度。为了研究不同风电比例下的优化调度结果变化，在保持发电机组总装机容量不变的情况，不断增加风电接入容量，其优化结果如图2所示。从图中可以看出，在风电接入比例小于19％时，由于风电功率能被全部消纳，所以弃风惩罚成本为0，同时随着风电消纳量变大，发电成本逐渐变小。但当风电接入比例为19％～33％时，由于风电功率不能全部消纳，所以弃风惩罚成本逐渐增大；另外，发电成本先减少后增加，因为风电接入达到饱和后逼停了经济性较好的机组，导致发电成本增加。由此可见，在考虑风电场时空关联约束的日前优化调度模型中增加弃风惩罚成本促进了风电消纳，提升了模型的风电消纳能力。为了分析列和约束生成算法的有效性，结合场景1将列和约束生成算法与benders分解法进行对比。在计算过程中控制参数α取值均为0.9，两种算法的计算性能统计如表3所示。从表中可以看出，两种方法得到的调度总成本非常接近，但c&cg算法的计算时间仅为benders分解算法的六分之一，迭代次数也减少了192％。此外，进一步对比两种算法的收敛曲线，如图3所示，可以看出受对偶解质量的影响，benders分解算法的收敛过程比较缓慢并会出现一些小的振荡，而列和约束生成算法的迭代收敛过程较为迅速可靠。为此，在相同的求解精度的情况下，与benders算法相比较，列和约束生成算法由于能够有效地反馈给主问题关键的约束以加速收敛，因此其计算效率更高。表3三种解法的比较计算方法计算时间/(s)总成本/($)迭代次数benders分解法4202053360001126201列和约束生成算法407000320500927505为了进一步分析时间平滑效应和空间集群效应的影响。假设控制参数α＝0.9现在分别采用两种模型进行仿真分析，模型1考虑了时间不确定约束，模型2不考虑时间不确定约束()，其他约束条件均相同。两种模型下构建的不确定集如图4所示。从图4中可以看出，考虑了时间不确定约束的不确定集区间宽度比没有考虑时间不确定约束的宽度更窄，不确定性区间得到了一定的收缩。此外，没有考虑时间不确定约束的模型2的运行总成本为82070$，而考虑了时间不确定约束的模型1的运行总成本则为80671$，与模型2相比减少了1399$，因此考虑时间平滑效应的模型能够有效地减少鲁棒不确定集的保守性，优化效果更好。为了进一步分析空间集群效应对模型的影响(固定时间约束参数)，将原来接入节点29的风电场分成多个小风电场，接入不同的节点可以来模拟风电场的空间集群效应(风电总容量不变)。具体为：①分为2个风电场时，则空间约束参数②分为4个风电场时，则空间约束参数③分为6个风电场时，则空间约束参数④分为8个风电场时，则空间约束参数⑤分为10个风电场时，则空间约束参数从图5中可以看出，随着风电场数量的增加，即风电场分布越广，空间不确定约束越强，鲁棒机组组合的总成本也逐渐变小。为此，考虑空间集群效应的模型能更加细致地描述风电不确定性，得到更符合实际运行的调度方案。当前第1页12