一种提升电力系统风电消纳水平的方法与流程

本发明涉及电力系统技术领域，尤其涉及一种提升电力系统风电消纳水平的方法。

背景技术：

近年来，新能源发电因清洁、可再生的特点发展迅猛，逐渐占据传统化石能源的发电市场，然而以风电为代表的新能源却存在固有缺陷，即其出力波动多样化导致无法精确预测，进而引起电力系统的功率平衡波动。为了解决当前电力市场的风电消纳问题，促进能源市场的变革与转型，针对风电消纳的决策体系与高级灵活设备配置成为探讨解决风电不确定性波动的关键手段。

风电消纳能力与电力系统的运行灵活性息息相关，在电力系统运行框架下纳入风电消纳的考虑是当下研究的热点之一，考虑风电不确定性的电力系统运行调度方法主要分为随机优化调度与鲁棒优化调度。其中，随机优化调度基于数据统计拟合出风电场景发生的概率密度曲线，并以此为基准融入电力系统的运行策略优化与校验；而鲁棒优化调度则是刻画出不确定集合，以连续的风电不确定区域去影响电力系统的调度决策。立足于电力系统的可靠性运行要求，鲁棒优化调度更能满足电力系统的稳健调度，进而满足此要求，但是鲁棒优化调度的结果性质取决于不确定集合的建模精确性，目前应用较广泛的不确定集合是区间运算形式，虽能保证最终策略稳定可靠却过于保守，因此需要开发一种能在保证电力系统稳健运行的基础上改善传统鲁棒优化模型保守性的方案，以提高风电消纳效率。

技术实现要素：

本发明的目的是提供一种提升电力系统风电消纳水平的方法，该方法能够有效改善传统鲁棒优化模型的保守性，提高风电消纳效率。

本发明的目的是通过以下技术方案实现的：

一种提升电力系统风电消纳水平的方法，所述方法包括：

步骤1、根据基于超平面的不确定集合hpus实现风电不确定性建模，排除无效的风电场景区域；

步骤2、然后建立兼顾经济调度与风电消纳的基于hpus的两阶段鲁棒风电消纳模型；

步骤3、基于c&cg算法框架对所述两阶段鲁棒风电消纳模型进行求解，实现电力系统风电消纳水平的提升。

由上述本发明提供的技术方案可以看出，上述方法能够有效改善传统鲁棒优化模型的保守性，提高风电消纳效率，并节约出更多的发电机调节空间应对风电不确定性波动并满足负荷波动需求，从而提高电力系统的运行灵活性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的提升电力系统风电消纳水平的方法流程示意图；

图2为本发明所举实例ieee-6节点电力系统拓扑示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的提升电力系统风电消纳水平的方法流程示意图，所述方法包括：

步骤1、根据基于超平面的不确定集合hpus实现风电不确定性建模，排除无效的风电场景区域；

在该步骤中，在一定的历史数据样本下，每次优化得到一组风电可接纳域边界均筛选出有效的数据范围，筛选后的有效范围在空间内呈现立体矩形，能够最大范围囊括所有有效数据却体现不出数据的分布特点。

因此本申请由电力系统模型的风电可接纳域中每一个空间立体矩形出发，沿着边界寻找超平面最大化切割内部无数据分布的区域以凸显数据分布特点，所使用的超平面表达式为：

上式中，i是包裹有效数据的空间立体矩形顶点的序数；αi和βi分别是一个向量与标量；在一个维度为e的空间中，记空间立体矩形的顶点向量为公式中的上标为矩阵转置符号；

通过超平面切割出的hpus(hyperplane-baseduncertaintyset，基于超平面的不确定集合)的顶点记作其中j表示hpus的顶点序数；

在被超平面切割后，原来空间立体矩形的一个顶点会对应e个hpus的顶点，故j和i的关系表示为：

每一个切割所述空间立体矩形的超平面通过以下优化模型(3)-(6)获得，该优化模型(3)-(6)记为模型i：

上式中，目标函数(3)是极大化切除无数据点分布的空间区域，e是空间维度序数，λie是与之间的几何距离；

受基于支持向量机的分类思想的启发，式(4)表示包围数据的空间立体矩形顶点与所有的历史数据应分布在超平面的两侧，式中的γ与γ分别表示每一个数据向量与筛选中的数据集合，并且hpus的顶点位于超平面上；

式(5)表示坐落在空间立体矩形的边界上，同时除去第e维度的坐标外，与其它维度的坐标相同，式中的与分别表示与的第o维坐标；

式(6)进一步定义λie，其中θie是一个标志位，当的第e维坐标表示空间立体矩形的上/下边界，则θie的数值对应为1/-1；

所述hpus的顶点由优化模型(3)-(6)求得，它的顶点集合设置为πh，则hpus的表达式为：

式(7)表示hpus中任意一点通过其顶点得到，其中wmti代表hpus的顶点，vi指hpus顶点的对应整数变量。

步骤2、然后建立兼顾经济调度与风电消纳的基于hpus的两阶段鲁棒风电消纳模型；

在该步骤中，所建立的基于hpus的两阶段鲁棒风电消纳模型称为模型ii，包括主问题与子问题，具体为：

子问题包括目标函数(8)，约束{式(9)-(10)，hpus的表达式&vt∈{0，1}.}

具体公式为：

s.t.对应实时风电出力的发电机的出力约束、爬坡约束和线路传输容量限制约束,

hpus的表达式为：

wmti代表hpus的顶点，vi指hpus顶点的对应整数变量；

上述目标函数(8)作为风电可接纳性判据，只有目标函数维持在0时，方能认为风电可接纳域可行；w是风电的不确定场景；x是电力系统的调度决策变量；s是一对松弛变量，具体表示为和

式(9)考虑实时风电出力下的电力系统运行约束，同时限制一对松弛变量大于0；

式(10)在节点功率平衡约束中添加一对松弛变量，目的是检测实时风电出力wmt引起的潜在功率不平衡；

在所述子问题中，由于目标函数的内层问题是一个凸优化问题，所以其识别的最坏场景取自所述hpus的顶点，进一步vi被离散化为二进制变量；

具体实现中，发电机的出力约束表示为：

发电机的爬坡约束表示为：

线路传输容量限制约束表示为：

上式中，ugt是发电机的启停状态；是发电机的最大/最小出力；表示发电机的正/负爬坡能力；其中，fl指线路的最大传输容量；是线路导纳；分别表示线路的首端相角与末端相角。

所述主问题包括目标函数式(11)，约束{式(12)-(14)&修正的电网中的节点功率平衡约束、发电机的出力约束、爬坡约束和线路传输容量限制约束&子问题返回的割约束(15)，}

具体公式为：

其中，pgt表示发电机的产电量；表示风电造成的弃风/切负荷损失；a0g，a1g，a2g分别表示发电机发电成本的常数项、一次系数和二次系数；k代表罚项系数；

式(12)-(14)是弃风与切负荷损失的约束，是约束风电消纳损失的常系数；代表风电可接纳域的上/下边界；分别指风电的预测值和装机容量；表示所能承受的最大风电消纳损失；式(12)指经历分段线性化近似后弃风和切负荷损失与风电可接纳域边界之间的关系；式(13)限制了风电可接纳域上边界与下边界的变化范围；式(14)则约束电力系统中接受风电消纳的损失上限；

在所述主问题中，κ代表已迭代求解子问题的次数；k表示添加约束的序数；修正的电网中的节点功率平衡约束、发电机的出力约束、爬坡约束和线路传输容量限制约束具体指风电预测值及风电预测下的电力系统决策量将由实时风电出力及对应添加的第k组电力系统决策变量代替，根据子问题识别出的最坏场景建立以下割约束(15)，表示为：

上式中，和分别表示子问题在第k次识别最坏场景时形成的hpus中大于和小于风电预测值的顶点集合；表示子问题在第k次识别最坏场景时形成的hpus的顶点对应整数变量；和分别代表主问题在第k次迭代中求取的风电可接纳域的上界与下界；和分别代表主问题在第κ次迭代中所需求取的风电可接纳域的上界与下界。

具体实现中，电网中的节点功率平衡约束表示为：

其中，分别代表与节点n相连的发电机、风机、线路末端、线路首端、负荷等集合；plt指线路潮流；ddt表示负荷功率。

步骤3、基于c&cg(column-and-constraintgeneration，列和约束)算法框架对所述两阶段鲁棒风电消纳模型进行求解，实现电力系统风电消纳水平的提升。

在该步骤中，具体求解过程为：

首先，基于风电的预测值求取模型ii的主问题，得到最优的风电消纳区间及日前发电计划；

然后由风电消纳边界筛选出有效的数据样本，根据模型i形成hpus；

再基于所形成的hpus求取所述模型ii的子问题，辨识出最坏场景及对应的潜在最大功率不平衡量；

最后判断辨识出的最大功率不平衡量是否满足收敛条件，如果满足，则判断主问题的优化结果可行，迭代收敛；如果不满足，则返回基于此组最坏场景的割约束并添加一组决策变量至所述主问题，迭代继续。

下面以具体的算例对上述方法的实施过程和结果进行分析如下，本实例以ieee-6节点电力系统为例进行仿真分析，如图2所示为本发明所举实例ieee-6节点电力系统拓扑示意图，发电机基本参数如下表1所示：

表1发电机基本参数

按照本发明实施例所述方法提出的hpus下的风电不确定性建模，与现有技术中的bbus下的风电不确定性建模进行对比，这里以一天二十四个时段为实验时间窗，设置不同的机组组合方式如以下案例：

case1：g1与g2全天开启；

case2：g1全天开启，g2分别于1时至4时及20时至24时停止；

case3：g1于1时至4时停止，g2于20时至24时停止。

根据以上三种案例，得到结果如下表2所示：

表2hpus与bbus结果对比

由表2可知：发电成本与风电消纳的惩罚成本由case1到case3均逐渐增加，且总是hpus下的两种成本低于bbus下的两种成本，说明hpus排除部分无效的风电不确定区域后，改善了决策结果的保守性，节约出更多的发电机调节空间应对风电不确定性波动并满足负荷波动需求，提高电力系统的运行灵活性。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。