本发明属于电力系统调峰技术领域,尤其涉及一种基于多形态需求侧负荷响应的荷源互动调峰控制方法。
背景技术:
为了应对能源危机和环境污染,各国都越来越重视风电的发展,并且已在全球范围内大规模开发利用风电。大规模风电并网增加了电力的供应,有效缓解阶段性电力供需矛盾,减少了环境污染,但由于风电具有间歇性和随机性的特点,也给电网的安全稳定运行带来很多问题。随着风电并网容量的急剧增加,电网调峰压力不断加大,风电并网和调峰问题日益凸显,弃风现象比较突出。对于大规模风电接入的电网,常规电源参与调峰的能力往往无法满足需求,因此需要尽可能多地调节多形态需求侧负荷参与电网调峰。
目前针对多形态需求侧负荷参与电网荷源互动调峰问题,国内外学者已经做了很多研究,总结如下:
1)开展了多形态需求侧负荷运行及响应特性的研究,关于高载能负荷和电动汽车负荷特性的研究比较多,而关于蓄热电锅炉负荷运行及响应特性的研究,几乎没有国内外文献涉及。
2)对于大规模风电并网电力系统调峰模型的研究已经比较成熟。但是,随着风电规模的不断增大,仅仅靠常规电源参与调峰已经不能满足电网需要,因此,亟需利用新的调峰资源和手段来配合常规电源进行风电调峰。
3)对于多形态需求侧负荷响应参与荷源互动调峰控制方法的研究,前人研究都只单一地考虑一种需求侧负荷,未考虑多种需求侧负荷同时参与调峰。
综上所述,国内外工程界已意识到多形态需求侧负荷参与电网荷源互动调峰的重要性和可行性,建立了一部分多形态需求侧负荷的调峰模型,初步探讨了它们参与互动调峰的前景。但是,对于建立适应大规模风电并网的多形态需求侧负荷响应参与荷源互动调峰模式和模型尚缺乏系统性研究。因此,本发明在以上研究的基础上,提出一种基于多形态需求侧负荷响应的荷源互动调峰控制方法,充分考虑多形态需求侧负荷运行及响应特性,深入挖掘它们的响应潜力,在确保电网安全的前提下尽可能以最小的运行成本来获得最大的多形态需求侧负荷调节量,进一步提升电网的调峰能力。
技术实现要素:
本发明的目的在于,提供一种基于多形态需求侧负荷响应的荷源互动调峰控制方法,用于解决大规模风电并网时电网调峰困难的问题,为电网荷源互动调峰控制提供参考。
为实现上述目的,本发明提供的技术方案是,一种基于多形态需求侧负荷响应的荷源互动调峰控制方法,如无特殊说明,后文所述的负荷均指多形态需求侧负荷。其包括以下步骤:
s1:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应特性参数和响应成本参数;
s2:建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型;
s3:建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日内荷源互动调峰模型;
s4:利用改进的多目标遗传算法nsga-ⅱ求解日前荷源互动调峰模型和日内荷源互动调峰模型。
优选的,所述s1包括以下步骤:
s101:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应特性参数;
s102:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应成本参数。
优选的,所述s2包括以下步骤:构建以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型。标准化模型为:
式(27)中:fi(x)为目标函数;x表示由常规机组启停状态及有功出力、可时移响应负荷、可离散响应负荷的投切状态及响应容量构成的待优化决策向量。
优选的,所述s3包括以下步骤:构建以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型。标准化模型为:
式(28)中:fi(x)为目标函数;x表示由常规机组启停状态及有功出力、可连续响应负荷的投切状态及响应容量构成的待优化决策向量。
优选的,所述s4包括以下步骤:
s401:利用改进的多目标遗传算法nsga-ⅱ求解日前荷源互动调峰模型。
s402:利用改进的多目标遗传算法nsga-ⅱ求解日内荷源互动调峰模型。
本发明提供的一种基于多形态需求侧负荷响应的荷源互动调峰控制方法,通过:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应特性参数和响应成本参数;建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型;建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日内荷源互动调峰模型;利用改进的多目标遗传算法nsga-ⅱ求解日前荷源互动调峰模型和日内荷源互动调峰模型。本发明充分考虑多形态需求侧负荷的运行特性和响应特性,深入挖掘它们的响应潜力,在确保电网安全的前提下尽可能以最小的运行成本来获得最大的多形态需求侧负荷调节量,进一步提升电网的调峰能力。
附图说明
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
图1是本发明提供的一种基于多形态需求侧负荷响应的荷源互动调峰控制方法流程图。
具体实施方式
为了清楚了解本发明的技术方案,将在下面的描述中提出其详细的结构。显然,本发明实施例的具体施行并不足限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下,除详细描述的这些实施例外,还可以具有其他实施方式。
下面结合附图和实施例对本发明做进一步详细说明。
实施例1
图1是一种基于多形态需求侧负荷响应的荷源互动调峰控制方法流程图的流程图。其包括:
s1:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应特性参数和响应成本参数;
s2:建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型;
s3:建立以多形态需求侧负荷可调节量最大和运行成本最低为目标的日内荷源互动调峰模型;
s4:利用改进的多目标遗传算法nsga-ⅱ求解日前荷源互动调峰模型和日内荷源互动调峰模型。
所述s1包括以下步骤:
s101:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应特性参数;
s102:获取甘肃省电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的响应成本参数。
所述s2包括:
构建以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型。
s201:其目标函数如下:
(1)以多形态需求侧负荷可调节量最大为目标
式(29)中:e1为日前荷源互动调峰模型阶段多形态需求侧负荷可调节量;
(2)以系统运行成本最小为目标
minc1=cgen+cls+csy(30)
式(30)中,c1为日前荷源互动调峰模型阶段系统运行成本,cgen为常规电源调度成本,由机组运行成本和启停成本组成;cls、csy分别为可离散响应负荷、可时移响应负荷的调度成本。
式(31)中,ng为常规发电机组台数;
式(32-33)中,ωlsj、ρsyj分别为可离散响应负荷、可时移响应负荷j的单位调节成本;
s201:其约束条件函数如下:
约束条件包括系统功率平衡约束、风电出力约束、常规机组出力约束、可离散响应负约束和可时移响应负荷约束。
(1)功率平衡约束
式(34)中:
旋转备用约束:
风电的随机性导致风电预测存在一定的误差,为了避免风电出力预测误差对系统的优化运行造成不利影响,采用正、负备用容量的方式来应对大规模风电出力的波动。
式(35-36)中,
(2)风电出力约束条件
式(37)中:
(3)常规机组输出功率上下限约束
式(38)中:pgi.max、pgi.min分别为第i台常规电源机组出力上下限。
(4)常规机组最小启停时间约束
式(39)中:
(5)常规机组爬坡约束
式(40)中:pgi,up、pgi,down分别为第i台常规电源机组上升出力限制和下降出力限制。
(6)可离散响应负约束
①可离散响应负荷容量约束
式(41)中,plsj,max和plsj,min分别为可离散响应负荷j的离散容量上下限。
②可离散响应负荷调节次数约束
式(42)中,nlsj为可离散响应负荷j的最大允许投切次数。
③可离散响应负荷响应时间约束
tlsj,min≤tlsj≤tlsj,max(43)
式(43)中,tlsj为可离散响应负荷j某次调节的响应时间,tlsj,max、tlsj,min分别为可离散响应负荷j响应时间的上下限。
(7)可时移响应负荷约束
①可时移响应负荷容量约束
式(44)中,psyj,max和psyj,min分别为可时移响应负荷j的时移容量上下限。
②可时移响应负荷时移量约束
在整个调度周期t内,可时移响应负荷j时移前后负荷总量保持不变。
式(45)中,wsyj0为可时移响应负荷j时移前负荷总量。
所述s3包括以下步骤:
构建以多形态需求侧负荷可调节量最大和运行成本最低为目标的日前荷源互动调峰模型。
s301:其目标函数如下:
(1)以多形态需求侧负荷可调节量最大为目标
式(46)中:e2为日内荷源互动调峰模型多形态需求侧负荷可调节量;e1max为日前荷源互动调峰模型多形态需求侧负荷的最大可调节量;
(2)以系统运行成本最小为目标
minc2=c1min+δcgen+clx(47)
式(47-49)中,c2为日内荷源互动调峰模型系统运行成本,c1min为日前荷源互动调峰模型系统最小运行成本;δcgen为常规电源调度成本变动量;
s302:其约束条件如下:
约束条件包括系统功率平衡约束、风电出力约束、常规风电出力约束、可连续响应负荷约束。
(1)功率平衡约束
式(50)中:
(2)风电出力约束条件
式(51)中:
(3)常规机组出力约束
(4)可连续响应负荷约束
①可连续响应负荷响应容量约束
式(53)中,plxj,max和plxj,min分别为可连续响应负荷j的可响应容量上下限。
②可连续响应负荷响应容量升降约束
式(54)中,δplxj,down、δplxj,up分别为可连续响应负荷j的单时段负荷上升调节限值、下降调节限值。
所述s4包括以下步骤:
s401:对种群进行初始化操作,随机产生初始种群
s402:对第i代种群xi中的全部个体进行快速非支配排序操作,并计算个体的拥挤度。
s403:得到每个个体的拥挤度比较算子后,进行选择运算,选择出较优个体。
s404:对步骤s403选择出的较优个体进行自适应交叉和变异操作,得到子代种群yi。
s405:将父代种群xi和子代种群yi进行合并,对合并后的种群zi执行快速非支配排序,选择前np个个体生成新的父代种群xi+1。
s406:对进化代数gen进行判断,判断其是否满足最大进化代数。若满足最大进化代数,则转到步骤s407;否则转到步骤s402,算法继续运行。
s407:利用模糊隶属度函数求出最优折衷解,输出多形态需求侧负荷可调节量最大值和运行成本最小值。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的权利要求保护范围之内。