一种确定风电运行备用的随机优化调度方法和系统与流程

本发明属于新能源，具体涉及一种确定风电运行备用的随机优化调度方法和系统。

背景技术：

1、风电作为主要的新能源发电形式，其波动性和间歇性给电力系统安全运行带来严峻挑战。为了应对风电不确定性，含大规模风电并网电力系统机组组合需安排火电预留足够的旋转备用容量，以保证系统运行安全。

2、现有技术中，风电高比例接入电网前，备用需求评估采用确定性方法，常用系统内最大机组容量(n-1准则)、系统高峰负荷的一定百分比或者两者相结合的方式，通过既定标准将不确定量转为确定量或百分比，从而实现系统备用需求的评估。但高比例风电接入电网后，系统不确定性和备用需求之间的关系变得复杂，确定性方法不再适用，需要考虑风电功率预测的不确定性。

3、对于发电侧的短期运行备用，在传统电力系统中主要由同步机组提供系统所需要的正备用和负备用，在风电并网比例小的情况下，调度部门可以为风电预留全额备用。在高比例新能源电力系统中，当风电占系统总用电量的10％时，预计要增加的备用容量约为风电装机容量的2％～8％。需要增加的备用容量不同，是由于采用备用容量弥补的风电预测误差所提前的小时数不同，风电预测误差范围也就相应不同，从而增加的备用需求量也就不同。此时，如果由火电机组提供全额预留备用，会造成传统火电机组负荷率大幅下降，进而导致机组煤耗率大幅上升，系统备用成本大幅增加。因此，可以将风电作为可利用的发电测备用资源纳入系统的运行备用。针对风电纳入系统备用的运行优化，国内外学者进行了大量研究，对风电不确定性进行建模是其中的核心问题。利用风电出力区间预测信息的建模方法中，不需要考虑精确的概率密度函数，而是根据预测区间的上下界确定一系列对系统运行影响较大的场景，代表性的方法主要鲁棒优化方法和区间优化方法；利用风电概率预测信息的建模方法中，利用了具有精确数学表达形式的概率密度函数或累计分布函数进行预测，代表性的方法包括场景优化方法、机会约束规划方法和风险优化方法。然而，目前的研究中均未将非预期约束和全场景可行性加以考虑。鲁棒优化中第二阶段决策是在已知所有随机因素的条件下给出的，依赖于未来不确定量的实现值。基于场景的随机优化方法只能从概率分布角度考虑有限个关键场景，机会约束方法也是通过概率约束代替传统确定约束在一定置信水平下保证调度方案的可行性，面对随机生产模拟中无穷多场景下无法保证求解可行性。因此，本文提出一种将风电出力纳入备用体系的随机机组组合模型，可保证经济调度决策的非预期性和机组组合决策的全场景可行性。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种确定风电运行备用的随机优化调度方法和系统，提出将风电机组作为发电侧资源纳入系统运行备用，通过全场景可行随机优化方法确定风电和电力系统中传统同步火电机组的运行备用容量，提高了风电消纳率。

2、本发明采用如下的技术方案。

3、一种确定风电运行备用的随机优化调度方法，包括：

4、步骤1，采集风电机组的实际运行数据和预测数据，基于核密度估计建立日内风电预测功率的误差概率分布函数；

5、步骤2，利用误差概率分布函数的反函数和设定的预测功率准确率概率，确定日内风电预测功率的可信度；以大于可信度的风电机组的出力作为风电提供的运行备用容量；

6、步骤3，利用全场景可行随机优化方法，从日内风电出力场景集中筛选出关键场景集；针对关键场景集，以最小化电力系统的运行成本为目标函数，建立风电纳入运行备用的机组组合模型；在日内运行阶段，利用风电纳入运行备用的机组组合模型，确定同步火电机组和风电机组的运行备用容量。

7、优选地，采用高斯函数作为核函数，核密度估计的最优带宽为：

8、

9、式中，h为核密度估计的带宽，n为样本数量，σ为标准差。

10、优选地，日内风电预测功率的可信度如下：

11、ap＝g(1-c％)

12、式中，

13、ap为日内风电预测功率的可信度，

14、g(·)为风电预测误差概率分布函数的反函数，

15、c％为设定的预测功率准确率概率。

16、优选地，预测功率准确率概率取值为95％。

17、优选地，风电提供的运行备用容量的约束如下：

18、

19、式中，

20、为风电机组j在时刻t提供的运行备用容量，

21、wj,t为风电机组j在时刻t的预测功率。

22、优选地，步骤3包括：

23、步骤3.1，以风电机组出力为随机变量，采用凸多面体不确定集u描述日内风电出力场景集；利用全场景可行随机优化方法，从日内风电出力场景集中筛选出的关键场景集包括：基本场景sbs、顶点场景ssvs和极限爬坡场景sers，关键场景集表示为s＝{sbs,ssvs,sers}；

24、步骤3.2，针对关键场景集，以最小化电力系统的运行成本为目标函数，建立风电纳入运行备用的机组组合模型；风电纳入运行备用的机组组合模型包括：调度模型，调度模型的约束条件；

25、步骤3.3，在日内运行阶段，利用风电纳入运行备用的机组组合模型，确定同步火电机组和风电机组的运行备用容量。

26、优选地，步骤3.1包括：

27、步骤3.1.1，根据历史运行数据确定基本场景sbs；在随机优化生成场景过程中只考虑一个基本场景，即期望场景，如下：

28、

29、式中，

30、wbs为基本场景下风电机组出力的矩阵表示，

31、为基本场景下风电机组j在时刻t的出力，

32、kw为风电机组数量，

33、t为时间段数，

34、e(·)为期望值函数，

35、wj,t为风电机组j在时刻t的预测出力；

36、步骤3.1.2，从凸多面体不确定集u中选取各时刻在相同排序序位m的顶点，构成顶点场景ssvs，如下：

37、

38、式中，

39、wsvs为顶点场景下风电机组出力的矩阵表示，

40、为顶点场景下风电机组j在时刻t的出力，且排序序位为m，

41、nt为时刻t的凸多面体不确定性集ut中的顶点数量；

42、步骤3.1.3，以风电出力在奇数时段为出力上限、偶数时段为出力下限的场景为奇数场景，以风电出力在奇数时段为出力下限、偶数时段为出力上限的场景为偶数场景，奇数场景和偶数场景构成极限爬坡场景sers；

43、sers的生成过程表示如下：

44、

45、

46、

47、式中，

48、wos为奇数场景下风电机组出力的矩阵表示，

49、为奇数场景下风电机组j在时刻t的出力，

50、wes为偶数场景下风电机组出力的矩阵表示，

51、为偶数场景下风电机组j在时刻t的出力，

52、todd为奇数时刻，

53、teven为偶数时刻，

54、分别为风电机组j在时刻t的出力上、下限。

55、优选地，利用全场景可行随机优化方法生成个关键场景集，包括：个顶点场景数，1个基本场景，2个极限爬坡场景；

56、其中，

57、优选地，调度模型如下：

58、

59、式中，

60、cstate为机组启停成本，

61、ccur为风电弃用成本，

62、coper为火电机组煤耗成本，

63、cback为系统备用成本，

64、πs为关键场景s的概率。

65、优选地，各成本满足如下关系式：

66、

67、式中，

68、a、b、c分别为煤耗成本的二次项系数、一次项系数和常数项系数，

69、pg,t为火电机组g在时刻ｔ的出力，

70、分别为火电机组ｇ的启动成本和停机成本，

71、为时刻ｔ的单位电量的风电弃用成本，

72、δrj,ｔ为风电机组ｊ在时刻ｔ的风电弃用量，

73、cug、cdg分别为火电机组g的正运行备用容量的购买成本、负运行备用容量的购买成本，

74、rｕｇ,ｔ、rｄｇ,t分别为火电机组g在时刻t的正运行备用容量、负运行备用容量，

75、cwj为风电机组j运行备用容量的购买成本，

76、为风电机组j在时刻t提供的运行备用容量，

77、g为火电机组数量，

78、kw为风电机组数量，

79、t为时间段数。

80、优选地，调度模型的约束条件包括：

81、1)火电机组的运行状态与启动状态和关闭状态之间的约束条件；

82、2)火电机组的最小开、关机时间的约束条件：

83、3)火电机组出力的约束条件；

84、4)风电机组出力的约束条件；

85、5)火电机组爬坡的约束条件；

86、6)系统备用容量的约束条件。

87、优选地，调度模型的约束条件还包括：强非预期的约束条件；如下：

88、

89、

90、

91、式中，

92、分别表示在奇数场景sos、偶数场景ses下火电机组g在时刻t的出力。

93、xg,t为火电机组g在时刻ｔ的运行状态，开机时xg,t＝1，关机时xg,t＝0，

94、sbs、ssvs、sers分别为基本场景、顶点场景和极限爬坡场景，

95、pg,t为火电机组g在时刻t的出力，

96、todd为奇数时刻，

97、teven为偶数时刻。

98、一种确定风电运行备用的随机优化调度系统，包括：采集模块，风电运行备用容量计算模块，关键场景集筛选模块，调度优化模块；

99、采集模块，用于采集风电机组的实际运行数据和预测数据；

100、风电运行备用容量计算模块，用于根据风电机组的实际运行数据和预测数据，基于核密度估计建立日内风电预测功率的误差概率分布函数；利用误差概率分布函数的反函数和设定的预测功率准确率概率，确定日内风电预测功率的可信度；以大于可信度的风电机组的出力作为风电提供的运行备用容量；

101、关键场景集筛选模块，用于利用全场景可行随机优化方法，从日内风电出力场景集中筛选出关键场景集；

102、调度优化模块，用于针对关键场景集，以最小化电力系统的运行成本为目标函数，建立风电纳入运行备用的机组组合模型；在日内运行阶段，利用风电纳入运行备用的机组组合模型，确定同步火电机组和风电机组的运行备用容量。

103、本发明的有益效果在于，与现有技术相比，本发明首先，基于数据驱动下得到风电预测功率误差的概率密度估计，在一定置信区间水平下将风电纳入系统运行备用；其次，建立了含高比例风电系统的随机机组组合模型，并引入强非预期条件对模型进行转化，并采用全场景可行随机优化方法对转化后的模型进行求解。所提出的风电出力纳入备用体系的全场景可行随机优化方法，保证经济调度决策的非预期性和机组组合决策的全场景可行性。