CN105633950A - 考虑风电注入不确定性的多目标随机模糊动态最优潮流 - Google Patents

Abstract

本发明涉及考虑风电注入不确定性的多目标随机模糊动态最优潮流，属电力***日前调度计划研究领域，包括以下步骤：获取下一调度周期内***相关数据；以随机模糊模型及其机会测度函数描述风速变量和对应的风电出力；以***发电耗费、污染物排放量、有功网损最小为目标，考虑电力***节点安全电压、无功出力、***备用等的静态约束和机组爬坡的动态约束，建立多目标随机模糊动态最优潮流模型；通过随机模糊模拟法生成风电出力，采用NSGA-II与最大满意度法混合算法获取优化模型的Pareto解集和最优折衷解。本发明以随机模糊模型描述风电出力，建立多目标随机模糊动态最优潮流模型，合理描述和求解多重不确定风电注入下的电力***多目标优化调度问题。

Description

考虑风电注入不确定性的多目标随机模糊动态最优潮流

技术领域

本发明属于电力***日前调度计划研究领域，涉及一种考虑风电注入不确定性的多目标随机模糊动态最优潮流。

背景技术

随着新能源开发利用，大规模风电的不确定性注入对电力***调度带来众多影响和挑战，其建模是相关研究的首要问题和难点之一。

目前调度问题研究中的风电出力建模多视其不确定性为随机性或模糊性。随机性模型随机建模大致可分为两种，一是普遍先用Weibull分布函数描述风速，再利用风速与功率关系获得风电场输出功率，也有研究采用Beta分布描述；二是采用随机时间序列的分析方法，常用的主要有马尔可夫链模型和自回归移动平均模型等。在调度问题中，通常采用蒙特卡洛模拟产生仿真风电出力。模糊建模也可分两种，一是直接对风电出力进行模糊隶属度建模；二是将风电的模糊性转化为预测误差的模糊性，对误差进行模糊建模。

事实上，风速因受众多自然因素影响而具有随机性，可用概率分布描述，但其分布参数拟合受有限的历史数据所限而存在模糊性，因而风速兼具随机和模糊双重不确定性特征。规模化风电出力受风速主导影响亦具有多重不确定性，其更加科学准确的建模以及调度问题中基于风速多重不确定模型的风电出力仿真模拟方法亟待研究。

考虑风电注入多目标动态最优潮流旨在基于对电力***下一调度周期负荷等情况的合理预测，制定***中可调节手段如风电弃风量、火电机组出力、机端电压、无功补偿投入等的调度计划，以实现电力***在满足机组爬坡及电压安全等约束下的经济、环保、节能等方面多目标动态优化运行。这类问题是具有大量混合变量和约束条件的复杂多目标非线性优化问题。基于遗传思想的快速非支配排序遗传算法(non-dominatedsortinggeneticalgorithm-II，NSGA-II)具有良好的非线性优化能力和鲁棒性，可获取多目标Pareto最优解集，保证最优个体多样性从而为决策者提供不同偏好选择，成为求解多目标优化问题的优秀智能算法之一。最大满意度法通过模糊满意度和综合满意度计算从而获取多目标综合最优折衷解，为决策提供一种方法途径。

综上所述，研究考虑风电注入不确定性的多目标随机模糊动态最优潮流，以有效建模和求解含风电电力***多目标日前调度问题，对于适应风电渗透接入和提升电力***日前调度水平具有积极意义。

发明内容

针对现有技术的不足，本发明“考虑风电注入不确定性的多目标随机模糊动态最优潮流”，提出在调度问题中采用随机模糊双重不确定数学模型描述风速和风电出力，基于此建立电力***多目标随机模糊动态最优潮流模型，以随机模糊模拟法生成仿真风电出力，采取NSGA-II与最大满意度法混合算法求解获取多目标动态最优潮流的Pareto解集和最优折衷解。

本发明采用如下技术方案：考虑风电注入不确定性的多目标随机模糊动态最优潮流，该方法包括如下步骤：

步骤1：获取电力***在下一个完整调度周期的数据，并进行负荷预测。

步骤2：以随机模糊双重不确定模型及其机会测度函数描述风速变量和对应的风电出力。

步骤3：以***发电耗费最小、污染物排放量最小、有功网损最小为目标，考虑电力***节点安全电压、无功出力、***备用等静态约束和机组爬坡的动态约束，建立多目标随机模糊动态最优潮流模型。

步骤4：通过随机模糊模拟法生成日风速数据与对应风电出力，采用NSGA-II与最大满意度法混合算法获取多目标随机模糊动态最优潮流的Pareto解集和最优折衷解。

附图说明

图1：本发明考虑风电注入不确定性的多目标随机模糊动态最优潮流的整体实施流程图；

图2：本发明的随机模糊模拟风电出力流程图；

图3：本发明的偏小型满意度函数曲线；

图4：IEEE30节点***的接线示意图；

图5：IEEE30节点***的典型负荷曲线图。

具体实施方式

下面结合附图及具体实施例，对本发明做进一步详述。

本发明提出的考虑风电注入不确定性的多目标随机模糊动态最优潮流，其整体实施流程见图1，下面以IEEE30节点***为具体实施例对其进行详细说明，其接线情况见图4。实施例用于说明但不限于本发明。

步骤1：获取电力***在下一个完整调度周期的数据，并进行负荷预测。

对于本实施例直接输入IEEE30节点***的数据即可。负荷预测曲线采用图5典型双峰曲线为例。

步骤2：以随机模糊双重不确定模型及其机会测度函数描述风速变量和对应的风电出力。

风速服从Weibull分布

f_v(v)＝k/c(v/c)^k-1exp[-(v/c)^k](1)

通过历史数据挖掘和参数拟合，获取历史风速Weibull分布的尺度参数c和形状参数k的模糊隶属度，将其用模糊变量ξ_c和ξ_k表示。从而将风速描述为随机模糊变量ξ_v，即

$f_{{\mathrm{\ξ}}_v}\left({\mathrm{\ξ}}_v\right)={\mathrm{\ξ}}_k/{\mathrm{\ξ}}_c{({\mathrm{\ξ}}_v/{\mathrm{\ξ}}_c)}^{k-1}\exp \[-{({\mathrm{\ξ}}_v/{\mathrm{\ξ}}_c)}^{{\mathrm{\ξ}}_k}\]---\left(2\right)$

机会测度分布函数为

$F\left({\mathrm{\&xi;}}_v\right)=Ch(v<{\mathrm{\&xi;}}_v)=1-\exp \&lsqb;-{({\mathrm{\&xi;}}_v/{\mathrm{\&xi;}}_c)}^{{\mathrm{\&xi;}}_k}\&rsqb;---\left(3\right)$

规模化风电场有功出力模型近似为多台风力发电机出力叠加

$P_{WG}^{fore}=\left\{\begin{array}{cc}0,& {\mathrm{\&xi;}}_v<v_{ci}{\mathrm{or\&xi;}}_v\&GreaterEqual;v_{co}\\ N\&CenterDot;P_{WGr}({{\mathrm{\&xi;}}_v}^3-v_{ci}^3)/(v_r^3-v_{ci}^3),& v_{ci}\&le;{\mathrm{\&xi;}}_v\&le;v_r\\ N\&CenterDot;P_{WGr},& {\mathrm{\&xi;}}_v\&GreaterEqual;v_r\end{array}\right.---\left(4\right)$

其中v_ci，v_co和v_r分别为切入、切除和额定风速，P_WGr是单个风力发电机的额定有功出力，N为风力发电机数目。

在动态调度问题中考虑弃风量P_WC,t，风电有功出力为

$P_{WG,t}=P_{WG,t}^{fore}-P_{WC,t}---\left(5\right)$

考虑风电场运行于超前相位的恒功率因数控制模式下，则其吸收无功

步骤3：以***发电耗费最小、污染物排放量最小、有功网损最小为目标，考虑电力***节点安全电压、无功出力、***备用等的静态约束和机组爬坡的动态约束，建立多目标随机模糊动态最优潮流模型。

本发明中的多目标随机模糊动态最优潮流模型如下：

决策变量向量其中P_Gi,t是火电机组i的有功出力(i＝1,2,…n_G)，U_Gi,t是火电机组i所在节点的电压，B_k,t(k＝1,2,…n_SC)是无功补偿器k投入量，P_WC,t是风电场弃风量。

本实例中，传统火电机组6台，无功补偿器2台，风电场1个，平衡机组有功出力不纳入决策变量，则有14个决策变量。

目标函数：

$f_1\&lsqb;x_t\&rsqb;=min\underset{t=1}{\overset{T}{\&Sigma;}}\{\underset{i=1}{\overset{n_G}{\&Sigma;}}\&lsqb;a_i{P}_{Gi,t}^2+b_i{P}_{Gi,t}+c_i\&rsqb;\}---\left(7\right)$

$f_2\&lsqb;x_t\&rsqb;=min\underset{t=1}{\overset{T}{\&Sigma;}}\{\underset{i=1}{\overset{n_G}{\&Sigma;}}\&lsqb;{\mathrm{\&alpha;}}_i{P}_{Gi,t}^2+{\mathrm{\&beta;}}_i{P}_{Gi,t}+{\mathrm{\&gamma;}}_i\&rsqb;\}---\left(8\right)$

$f_2\&lsqb;x_t\&rsqb;=min\underset{t=1}{\overset{T}{\&Sigma;}}\{\underset{bi=1}{\overset{n_{bus}}{\&Sigma;}}{U}_{bi}\left(t\right)\underset{bj\&Element;\mathrm{\&Gamma;}}{\mathrm{\&Sigma;}}{U}_{bj}\left(t\right)\&lsqb;G_{bi,bj,t}{\mathrm{cos\&delta;}}_{bi,bj,t}+B_{bi,bj,t}{\mathrm{sin\&delta;}}_{bi,bj,t}\&rsqb;\}---\left(9\right)$

约束条件：

1.静态约束

(1)功率平衡约束

$P_{Gbi,t}-P_{Lbi,t}=U_{bi,t}\underset{bj\&Element;\mathrm{\&Gamma;}}{\mathrm{\&Sigma;}}{U}_{bj,t}\&lsqb;G_{bi,bj,t}{\mathrm{cos\&delta;}}_{bi,bj,t}+B_{bi,bj,t}{\mathrm{sin\&delta;}}_{bi,bj,t}\&rsqb;\},\&ForAll;bi,t---\left(10\right)$

$Q_{Gbi,t}-Q_{Lbi,t}=U_{bi,t}\underset{bj\&Element;\mathrm{\&Gamma;}}{\mathrm{\&Sigma;}}{U}_{bj,t}\&lsqb;G_{bi,bj,t}{\mathrm{sin\&delta;}}_{bi,bj,t}-B_{bi,bj,t}{\mathrm{cos\&delta;}}_{bi,bj,t}\&rsqb;\},\&ForAll;bi,t---\left(11\right)$

(2)发电约束

$0\&le;P_{WC,t}\&le;P_{WC,t}^{fore}$

$P_{Gi}^{\min }\&le;P_{Gi,t}\&le;P_{Gi}^{max},\&ForAll;i,t---\left(12\right)$

$Q_{Gi}^{min}\&le;Q_{Gi,t}\&le;Q_{Gi}^{\max },\&ForAll;i,t---\left(13\right)$

(3)节点电压约束

$U_{bi}^{min}\&le;U_{bi,t}\&le;U_{bi}^{\max },\&ForAll;bi,t---\left(14\right)$

(4)***旋转备用约束

$\underset{i=1}{\overset{n_G}{\&Sigma;}}\&lsqb;P_{Gi}^{\max }-P_{Gi,t}\&rsqb;\&GreaterEqual;{\mathrm{\&mu;P}}_L^{max},\&ForAll;t---\left(15\right)$

取μ＝5％

2.动态约束

火电机组的爬坡约束

$-{\mathrm{\&Delta;P}}_{Gi}^{down}\&le;P_{Gi,t+1}-P_{Gi,t}\&le;{\mathrm{\&Delta;P}}_{Gi}^{up},\&ForAll;i,t---\left(16\right)$

考虑爬坡约束后的火电机组出力上下限由下式决定

$\max \{P_{Gi}^{min},P_{Gi,t-1}-{\mathrm{\&Delta;P}}_{Gi}^{down}\}\&le;P_{Gi,t}\&le;\min \{P_{Gi}^{\max },P_{Gi,t-1}+{\mathrm{\&Delta;P}}_{Gi}^{up}\}---\left(17\right)$

步骤4：通过随机模糊模拟法生成日风速数据与对应风电出力，采用NSGA-II与最大满意度法混合算法获取多目标随机模糊动态最优潮流的Pareto解集和最优折衷解。

采用随机模糊模拟法产生可用风电有功出力曲线，其流程图如图2所示。

采用NSGA-II求取Pareto最优解集，最大满意度法决策最优折衷解，在优化目标函数中加入动态罚函数实现静态等式约束。

采用偏小型模糊满意度计算公式，其示意图如图3。对于Pareto解集中的每个非支配解，计算其每个目标值的满意度，再计算每个非支配解的综合满意度，选取综合满意度最大的非支配解为多目标最优折衷解。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。

Claims (3)

1.考虑风电注入不确定性的多目标随机模糊动态最优潮流，其特征是，该方法包括如下步骤：

步骤1：获取电力***在下一个完整调度周期的数据，并进行负荷预测；

步骤2：以随机模糊双重不确定模型及其机会测度函数描述风速变量和对应的风电出力；

步骤3：以***发电耗费最小、污染物排放量最小、有功网损最小为目标，考虑电力***节点安全电压、无功出力、***备用等的静态约束和机组爬坡的动态约束，建立多目标随机模糊动态最优潮流模型；

步骤4：通过随机模糊模拟法生成日风速数据与对应风电出力，采用NSGA-II与最大满意度法混合算法获取多目标随机模糊动态最优潮流的Pareto解集和最优折衷解。

2.根据权利要求l所述的考虑风电注入不确定性的多目标随机模糊动态最优潮流，其特征是，步骤2中的风速与风电出力模型，是随机模糊双重不确定模型，即：

风速ξ_v的分布函数 $f_{{\mathrm{\&xi;}}_v}\left({\mathrm{\&xi;}}_v\right)={\mathrm{\&xi;}}_k/{\mathrm{\&xi;}}_c{({\mathrm{\&xi;}}_v/{\mathrm{\&xi;}}_c)}^{k-1}\exp \&lsqb;-{({\mathrm{\&xi;}}_v/{\mathrm{\&xi;}}_c)}^{{\mathrm{\&xi;}}_k}\&rsqb;$

其中ξ_k和ξ_c分别表示Weibull分布的形状参数模糊变量和尺度参数模糊变量；

机会测度分布函数 $F\left({\mathrm{\&xi;}}_v\right)=Ch(v<{\mathrm{\&xi;}}_v)=1-\exp \&lsqb;-{({\mathrm{\&xi;}}_v/{\mathrm{\&xi;}}_c)}^{{\mathrm{\&xi;}}_k}\&rsqb;$

规模化风电场有功出力

$P_{WG}^{fore}=\left\{\begin{array}{cc}0,& {\mathrm{\&xi;}}_v<v_{ci}{\mathrm{or\&xi;}}_v\&GreaterEqual;v_{co}\\ N\&CenterDot;P_{WGr}({{\mathrm{\&xi;}}_v}^3-v_{ci}^3)/(v_r^3-v_{ci}^3),& v_{ci}\&le;{\mathrm{\&xi;}}_v\&le;v_r\\ N\&CenterDot;P_{WGr},& {\mathrm{\&xi;}}_v\&GreaterEqual;v_r\end{array}\right.$

其中v_ci，v_co和v_r分别为切入、切除和额定风速，P_WGr是单个风力发电机的额定有功出力，N为风力发电机数目。

3.根据权利要求1和权利要求2中任意一项权利要求所属的考虑风电注入不确定性的多目标随机模糊动态最优潮流，其特征是，步骤4中的模型求解中以基于机会测度分布函数和逆变换法的随机模糊模拟法生成日风速仿真数据与对应风电出力。