一种光热-光伏-火电联合协同控制方法及系统与流程

1.本发明涉及一种光热-光伏-火电联合协同控制方法及系统，属于电力系统运行与控制技术领域。


背景技术：

2.目前，国内外建成运行的光热电站大多处于试验运行阶段，尽管部分电站已商业化运行，但其运行模式和控制策略均立足于电站的优化运行，未考虑电网需求，不参与电网调度运行。此外，光热发电的学术层面也缺乏光热发电与光伏发电、风力发电以及常规电源发电之间的协调控制与优化运行的理论研究。随着光热接入容量的快速增长，其对电网运行的影响日益严重，电力调控调度的难度也在逐渐加大。多种类型、不同配置的光热电站支撑电网需求的调节特性及实际响应过程、光热电站在电力电量平衡及稳定支撑方面替代常规机组的能力，应是光热发电未来参与电网调度控制需要重点关注的问题，也是大规模光热电站能否实现安全友好并网的关键。此外，光热发电在高比例新能源送端系统中，与风电、光伏发电等已成熟发展的新能源发电形式协调优化调度运行，有利于减少新能源弃电率，促进多种类型新能源发电安全经济运行和消纳，对构建以可再生能源为主的送端综合能源电力系统具有重要意义。


技术实现要素：

3.本发明的目的在于克服现有技术中的不足，提供一种光热-光伏-火电联合协同控制方法及系统，解决了高比例新能源接入电网调峰能力不足的技术问题。
4.为达到上述目的，本发明是采用下述技术方案实现的：
5.第一方面，本发明提供了一种光热-光伏-火电联合协同控制方法，包括：
6.获取光热-光伏-火电联合发电系统预测信息，建立光热发电-火电联合调峰控制模型；
7.根据有无受阻风光电，将光热发电-火电联合调峰控制模型划分为“联合调峰”时段和其他时段；
8.在“联合调峰”时段下建立以受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制模型；
9.将光热发电-光伏-火电联合调峰优化控制模型中随机约束转化为确定性约束；
10.采用改进自适应混沌粒子群算法进行求解，对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电及光热计划出力；
11.计算其他时段的风电、光伏和火电及光热计划出力，从而得到全时段的风电、光伏和火电及光热计划出力，并据此进行协同控制。
12.进一步的，所述光热-光伏-火电联合发电系统预测信息包括：风电、光伏、光热功率预测及计划出力信息，火电计划出力，系统负荷预测信息，光热发电和火电功率调节约束信息。
13.进一步的，所述将光热发电-光伏-火电联合调峰控制模式划分为“联合调峰”时段和其他时段，“联合调峰”时段的定义为：
14.比较风光电预测出力和风光电计划出力将满足不等式的所有时段集合定义为“联合调峰”时段，记为t1。
15.进一步的，所述将光热发电-光伏-火电联合调峰控制模式划分为“联合调峰”时段和其他时段，“其他调峰”时段的定义为：
16.将“联合调峰”时段之外的时段定义为其他时段，在其他时段不进行光热发电-火电联合调峰优化控制。
17.进一步的，所述光热发电-光伏-火电联合调峰优化控制模型的优化目标描述为受阻风光电量最小，表示为：
[0018][0019]
其中，为风电场为i在t时刻的预测出力、计划出力；为光伏电站在j在t时刻的预测出力、计划出力；分别为风电场i、光伏电站j在t时刻
的预测出力置信水平；n
th
、nw、n
p
、n
csp
为火电机组、风电场、光伏电站、光热电站的数目；为光热电站n在t时刻的计划出力；为负荷在t时刻的计划出力；δt为单位调度时间；为火电机组m在t时刻的计划出力；分别为火电机组m的最大、最小有功功率；最小有功功率；分别为t时刻应对系统负荷预测误差所需的正、负旋转备用；分别为t时刻应对系统负荷预测误差所需的正、负旋转备用；分别为t时刻应对风电机组预测误差所需的正、负旋转备用；e为事件的期望值；分别为t时刻应对光伏机组预测误差所需的正、负旋转备用；分别为风电场i、光伏电站j在t时刻的技术出力；分别为风电场i、光伏电站j在t时刻的实际出力；分别为火电机组m上、下爬坡速度上限；ρ1、ρ2分别为风电、光伏概率约束置信水平；p
w,i,max
为风电场i装机容量；p
p,j,max
为光伏电站j装机容量；pr(
·
)为事件成立的概率；p
csp,n,max
、p
csp,n,min
分别为光热电站n功率上、下限；p
csp,n,up
、p
csp,n,down
分别为光热电站n爬坡功率最大、最小值；为光热电站n在t时刻的储热量；q
csp,n,min
为光热电站n储热系统最小储存热量；t
csp,n
为光热电站n的负荷运行小时数；k为联络线标号，p'
tk
为联络线k的期望有功，p
tk
为联络线k的实时有功，δp
tk
为联络线k的有功调节量，p
tk,max
为联络线k的有功限值；δp
l,j
为与联络线k相关的光伏场站j的有功调节量，δp
l,i
为与联络线k相关的风电场i的有功调节量，δp
l,n
为与联络线k相关的光热电站n的有功调节量；
[0020]
目标函数的含义是：受阻风光电量最小；
[0021]
约束条件：第一个约束条件表达的是功率平衡约束；第二个约束条件表达的是系统旋转备用约束；第三个约束表达的是火电机组输出功率上下限约束；第四个约束表达的是火电机组的爬坡速率约束；第五个约束表达的是风电、光伏运行约束；第六个约束表达的是光热电站功率上下限约束；第七个约束表达的是光热电站爬坡功率上下限约束；第八个约束表达的是储热系统储热量上下限约束；第九个约束表达的是联络线功率平衡约束。
[0022]
进一步的，所述将光热发电-光伏-火电联合调峰优化控制模型中随机约束转化为确定性约束，包括：
[0023]
令可将约束条件式(1)中系统旋转备用约束的条件期望转化为：
[0024][0025]
其中，分别为的概率密度函数；
[0026]
系统旋转备用约束可转换为：
[0027][0028]
令风电实际出力分布的累计概率分布函数为fw，光伏出力分布的累计概率分布函数为f
p
，式(1)中风电、光伏机组运行约束可转化为：
[0029][0030]
式(4)可转化为确定性约束：
[0031][0032]
进一步的，所述采用改进自适应混沌粒子群算法进行求解，对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电及光热计划出力，包括：
[0033]
生产初始化种群种群中的每个个体代表一组控制变量，包括光热计划出力、风电场计划出力、光伏电站计划出力和火电厂计划出力；
[0034]
计算并记录每个粒子的当前最优位置以及所有粒子的全局最优位置；
[0035]
更新步骤，包括：更新每个粒子的位置和速度；
[0036]
对粒子进行混沌搜索，更新每个粒子的当前最优位置和所有粒子的全局最优位置；
[0037]
计算本次搜索的进化度λ，更新权重和速度；
[0038]
若达到最大迭代次数，停止搜索，并输出最小受阻风光电量和相应的火电机组、光
热机组和风光电机组的计划出力；若未达到最大迭代次数，则转入更新步骤继续寻优。
[0039]
第二方面，本发明提供一种光热-光伏-火电联合协同控制系统，包括：
[0040]
第一模型建立模块，用于获取光热-光伏-火电联合发电系统预测信息，建立光热发电-火电联合调峰控制模型；
[0041]
划分模块，用于根据有无受阻风光电，将光热发电-火电联合调峰控制模型划分为“联合调峰”时段和其他时段；
[0042]
第二模型建立模块，用于在“联合调峰”时段下建立以受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制模型；
[0043]
转化模块，用于将光热发电-光伏-火电联合调峰优化控制模型中随机约束转化为确定性约束；
[0044]
计算模块，用于采用改进自适应混沌粒子群算法进行求解，对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电及光热计划出力；
[0045]
计算及控制模块，计算其他时段的风电、光伏和火电及光热计划出力，从而得到全时段的风电、光伏和火电及光热计划出力，并据此进行协同控制。
[0046]
与现有技术相比，本发明所达到的有益效果：
[0047]
本发明提供一种光热-光伏-火电联合协同控制方法及系统，针对高比例新能源接入电网光热发电-光伏-火电联合系统控制，采取划分时段的优化策略。输入风电、光伏、光热功率预测及计划出力信息，火电计划出力，系统负荷预测信息，光热发电和火电功率调节约束信息；根据有无受阻风光电，将光热发电-火电联合调峰控制模式分为“联合调峰”时段和其他时段；基于光热发电-光伏-火电联合调峰控制模式，提出以系统受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制方法；将光热发电-光伏-火电联合调峰优化控制方法中的随机约束转化为确定性约束，并采用改进自适应混沌粒子群算法进行求解，最终得到光热发电-光伏-火电联合调峰控制后全时段的风电、光伏、火电及光热计划出力，以实现最大化减少受阻风光电。
附图说明
[0048]
图1是本发明实施例提供的一种光热-光伏-火电联合协同控制方法的流程图；
[0049]
图2是本发明实施例提供的一种光热-光伏-火电联合协同控制方法的结构示意图；
具体实施方式
[0050]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0051]
实施例1
[0052]
本实施例介绍一种光热-光伏-火电联合协同控制方法，包括：
[0053]
获取光热-光伏-火电联合发电系统预测信息，建立光热发电-火电联合调峰控制模型；
[0054]
根据有无受阻风光电，将光热发电-火电联合调峰控制模型划分为“联合调峰”时段和其他时段；
[0055]
在“联合调峰”时段下建立以受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制模型；
[0056]
将光热发电-光伏-火电联合调峰优化控制模型中随机约束转化为确定性约束；
[0057]
采用改进自适应混沌粒子群算法进行求解，对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电及光热计划出力；
[0058]
计算其他时段的风电、光伏和火电及光热计划出力，从而得到全时段的风电、光伏和火电及光热计划出力，并据此进行协同控制。
[0059]
本实施例提供的光热-光伏-火电联合协同控制方法，其应用过程具体涉及如下步骤：
[0060]
步骤1：输入风电、光伏、光热功率预测及计划出力信息，火电计划出力，系统负荷预测信息，光热发电和火电功率调节约束信息；
[0061]
步骤2：根据有无受阻风光电，将光热发电-火电联合调峰控制模式分为“联合调峰”时段和其他时段，如图2所示；
[0062]
步骤3：基于光热发电-光伏-火电联合调峰控制模式，提出以系统受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制方法。光热发电-光伏-火电联合调峰优化控制模型的优化目标描述为受阻风光电量最小：
[0063][0064]
其中，为风电场为i在t时刻的预测出力、计划出力；为光伏电站在j在t时刻的预测出力、计划出力；分别为风电场i、光伏电站j在t时刻
的预测出力置信水平；n
th
、nw、n
p
、n
csp
为火电机组、风电场、光伏电站、光热电站的数目；为光热电站n在t时刻的计划出力；为负荷在t时刻的计划出力；δt为单位调度时间；为火电机组m在t时刻的计划出力；分别为火电机组m的最大、最小有功功率；最小有功功率；分别为t时刻应对系统负荷预测误差所需的正、负旋转备用；分别为t时刻应对系统负荷预测误差所需的正、负旋转备用；分别为t时刻应对风电机组预测误差所需的正、负旋转备用；e为事件的期望值；分别为t时刻应对光伏机组预测误差所需的正、负旋转备用；分别为风电场i、光伏电站j在t时刻的技术出力；分别为风电场i、光伏电站j在t时刻的实际出力；分别为火电机组m上、下爬坡速度上限；ρ1、ρ2分别为风电、光伏概率约束置信水平；p
w,i,max
为风电场i装机容量；p
p,j,max
为光伏电站j装机容量；pr(
·
)为事件成立的概率；p
csp,n,max
、p
csp,n,min
分别为光热电站n功率上、下限；p
csp,n,up
、p
csp,n,down
分别为光热电站n爬坡功率最大、最小值；为光热电站n在t时刻的储热量；q
csp,n,min
为光热电站n储热系统最小储存热量；t
csp,n
为光热电站n的负荷运行小时数；k为联络线标号，p'
tk
为联络线k的期望有功，p
tk
为联络线k的实时有功，δp
tk
为联络线k的有功调节量，p
tk,max
为联络线k的有功限值；δp
l,j
为与联络线k相关的光伏场站j的有功调节量，δp
l,i
为与联络线k相关的风电场i的有功调节量，δp
l,n
为与联络线k相关的光热电站n的有功调节量。
[0065]
目标函数的含义是：受阻风光电量最小。
[0066]
约束条件：第一个约束条件表达的是功率平衡约束；第二个约束条件表达的是系统旋转备用约束；第三个约束表达的是火电机组输出功率上下限约束；第四个约束表达的是火电机组的爬坡速率约束；第五个约束表达的是风电、光伏运行约束；第六个约束表达的是光热电站功率上下限约束；第七个约束表达的是光热电站爬坡功率上下限约束；第八个约束表达的是储热系统储热量上下限约束；第九个约束表达的是联络线功率平衡约束。
[0067]
步骤4：将光热发电-光伏-火电联合调峰优化控制模型中的约束条件里的随机约束转化为确定性约束。
[0068]
令可将约束条件式(1)中系统旋转备用约束的条件期望转化为：
[0069][0070]
其中，分别为的概率密度函数。
[0071]
进一步的，系统旋转备用约束可转换为：
[0072][0073]
令风电实际出力分布的累计概率分布函数为fw，光伏出力分布的累计概率分布函数为f
p
，式(1)中风电、光伏机组运行约束可转化为：
[0074][0075]
进一步的，式(4)可转化为确定性约束：
[0076][0077]
步骤5：采用改进自适应混沌粒子群算法(adaptive chaotic particle swarm optimization,acpso)对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电计划出力。改进acpso算法求解光热发电-光伏-火电联合调峰优化模型步骤，包括：
[0078]
1)种群初始化。生产初始化种群种群中的每个个体代表一组控制变量，包括光热计划出力、风电场计划出力、光伏电站计划出力和火电厂计划出力。
[0079]
2)计算适应度。计算并记录每个粒子的当前最优位置以及所有粒子的全局最优位置。
[0080]
3)更新每个粒子的位置和速度。
[0081]
4)对粒子进行混沌搜索，更新每个粒子的当前最优位置和所有粒子的全局最优位置。
[0082]
5)计算本次搜索的进化度λ，更新权重和速度。
[0083]
6)若达到最大迭代次数，停止搜索，并输出最小受阻风光电量和相应的火电机组、光热机组和风光电机组的计划出力；若未达到最大迭代次数，则转入步骤3)继续寻优。
[0084]
本发明针对高比例新能源接入电网光热发电-光伏-火电联合系统控制，采取划分时段的优化策略。输入风电、光伏、光热功率预测及计划出力信息，火电计划出力，系统负荷预测信息，光热发电和火电功率调节约束信息；根据有无受阻风光电，将光热发电-火电联合调峰控制模式分为“联合调峰”时段和其他时段；基于光热发电-光伏-火电联合调峰控制模式，提出以系统受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制方法；将光热发电-光伏-火电联合调峰优化控制方法中的随机约束转化为确定性约束，并采用改进自适应混沌粒子群算法(adaptive chaotic particle swarm optimization,acpso)进行求解，最终得到光热发电-光伏-火电联合调峰控制后全时段的风电、光伏、火电及光热计划出力，以实现最大化减少受阻风光电。
[0085]
实施例2
[0086]
本实施例提供一种光热-光伏-火电联合协同控制系统，包括：
[0087]
第一模型建立模块，用于获取光热-光伏-火电联合发电系统预测信息，建立光热发电-火电联合调峰控制模型；
[0088]
划分模块，用于根据有无受阻风光电，将光热发电-火电联合调峰控制模型划分为“联合调峰”时段和其他时段；
[0089]
第二模型建立模块，用于在“联合调峰”时段下建立以受阻风光电最小为目标的光热发电-光伏-火电联合调峰优化控制模型；
[0090]
转化模块，用于将光热发电-光伏-火电联合调峰优化控制模型中随机约束转化为确定性约束；
[0091]
计算模块，用于采用改进自适应混沌粒子群算法进行求解，对“联合调峰”时段优化控制模型进行求解，得出“联合调峰”时段的风电、光伏和火电及光热计划出力；
[0092]
计算及控制模块，计算其他时段的风电、光伏和火电及光热计划出力，从而得到全时段的风电、光伏和火电及光热计划出力，并据此进行协同控制。
[0093]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。