CN110752600A - 基于多能互补的清洁能源***优化调度模型的构建方法 - Google Patents

Abstract

本发明公开了基于多能互补的清洁能源***优化调度模型的构建方法，包括以下步骤：1)、根据水电机组、火电机组、风电机组和光伏电机组在一段时间内的负荷变化，确定调度模型的影响能源为火电、风电和光伏电；2)、基于影响能源，以充分消纳清洁能源、最大限度降低火电机组的发电成本为原则，获得调度模型的影响因子为火电机组的总发电成本、弃用风光能源的惩罚成本；3)、基于步骤2)获得影响因子建立调度模型，所述调度模型的目标函数为火电机组的总发电成本与弃用风光能源的惩罚成本之和。本发明在保证***安全运行的前提下，促进了风电和光伏发电的消纳，同时提高了***运行的经济性，尤其是可实现清洁能源占比很高时***的经济调度。

Description

基于多能互补的清洁能源***优化调度模型的构建方法

技术领域

本发明涉及能源运行成本分析领域，具体涉及基于多能互补的清洁能源***优化调度模型的构建方法。

背景技术

自全球工业化以来，传统化石能源被大量开发利用，有限的储量与引发的大量环境问题严重威胁人类经济社会的可持续发展。世界各国都在积极探索与发展以风能、太阳能为代表的可再生清洁能源的开发与利用。在目前风光装机容量占比不大的情况下，我国就已出现了较为严重的弃风、弃光现象。为了实现可持续发展战略，完成可再生能源对传统化石能源的替代，切实提高风光消纳比例，亟需探索适应高比例清洁能源***的优化调度模式。

在对含大规模IPS的***进行经济调度建模时，在原有DED模型的基础上引入了表示IPS出力的随机变量，如何对随机变量进行处理是其中的重点问题，现有的研究方法主要分为三类。一类是基于IPS区间预测信息的区间数模型，中国电机工程学报第36第22期6096-6102段建立了考虑发电机及负荷频率响应的鲁棒区间调度模型，中国电机工程学报第37卷第2期557-564段提出了一种区间经济调度非线性对偶优化方法，将风电功率描述为区间数，建立了双层非线性经济调度模型；一类是基于IPS出力概率的概率模型，太阳能学报第35卷第1期64-73段和中国电机工程学报第33卷第13期2-9段建立了考虑风电和负荷波动的多场景优化模型；此外，还有通过根据IPS出力可信性测度的模糊数模型，电力***自动化第42卷第17期67-78段同时考虑发用电双侧的不确定性建立了鲁棒模糊数学模型，电网技术第40卷第4期1094-1099段则考虑不同时间尺度下IPS预测精度的变化，将模糊置信度设置为递增向量，建立了多时间尺度的模糊机会约束调度模型。但现有研究所针对的电力***中清洁能源的比例仍较低，尤其是难以实现对间歇式电源占比很高的***的优化调度。

发明内容

本发明的目的在于提供一种基于多能互补的清洁能源***优化调度模型的构建方法，本发明所述构建的调度模型应用于清洁能源***调度时，在保证***安全运行的前提下，促进了风电和光伏发电的消纳，同时提高了***运行的经济性，尤其是可实现清洁能源占比很高时***的经济调度。

本发明通过下述技术方案实现：

基于多能互补的清洁能源***优化调度模型的构建方法，包括以下步骤：

1)、根据水电机组、火电机组、风电机组和光伏电机组在一段时间内的负荷变化，获得多种能源的互补形式，通过多种能源的互补形式确定调度模型的影响能源为火电、风电和光伏电；

2)、基于影响能源，以充分消纳清洁能源、最大限度降低火电机组的发电成本为原则，获得调度模型的影响因子为火电机组的总发电成本、弃用风光能源的惩罚成本；

3)、基于步骤2)获得影响因子建立调度模型，所述调度模型的目标函数为火电机组的总发电成本与弃用风光能源的惩罚成本之和：

式中，s为风光荷组合场景，S为所有可能出现的场景集合，p(s)为场景s出现的概率，且∑p(s)＝1；T为调度总时段，取T＝24；F₁ ^s(t)为场景s下时段t的火电机组总发电成本，

为场景s下时段t的风光弃用的惩罚成本。

现有方法大多仍考虑以火电机组为主体的电力网络，***中清洁能源所占比例较低或仍是以可控的水电机组为主，无法充分适应未来各类间歇式电源大规模接入的电网，对清洁能源的消纳与***经济运行的统筹较差。

本发明的针对清洁能源在电力***中所占比例越来越高的趋势，为满足可再生能源大规模并网的发展趋势，实现可再生能源的充分消纳，提升电网对可再生能源的接纳能力和对不确定冲击的承受能力，本专利基于多种能源形式存在的互补关系提出了一种适用于高比例清洁能源***的优化调度方法，可在保证***安全稳定运行的前提下降低***的运行成本。

本发明的模型考虑了火电、水电、风电和光伏发电，尽可能利用***的调峰能力，在保证***安全运行的前提下，促进了风电和光伏发电的消纳，同时提高了***运行的经济性，尤其是可实现清洁能源占比很高时***的经济调度。

本发明所述构建的调度模型应用于清洁能源***调度时，在保证***安全运行的前提下，促进了风电和光伏发电的消纳，同时提高了***运行的经济性，尤其是可实现清洁能源占比很高时***的经济调度。

本发明基于多能互补的适用于高比例间歇式能源并网的优化调度方法，分析了各类能源形式的不同特性，根据未来实际电网的发展方向，适当调整模型参数即可应用于实际电网的调度中，符合工程实际要求。

进一步地，多种能源的互补形式为：

水电负荷基本无变化，单独优化，不作为调度模型的影响能源；火电承担基本负荷，风电和光伏电的负荷呈现出一定的互补性。

进一步地，火电机组的总发电成本包括火电机组的煤耗成本和机组的启停机成本，所述火电机组的总发电成本表示为：

F(t)＝F_g(t)+F_q(t)

其中，

式中，Mt表示火电机组数，F_g(t)表示火电机组的煤耗成本，F_q(t)表示火电机组的启停机成本，F_q1(t)、F_q2(t)分别对应启动成本和停机成本；a_mt、b_mt、c_mt为机组mt的煤耗成本系数；K_mt、B_mt分别为机组启动过程中的固定成本系数和变动成本系数，

为机组mt在时段t已经连续停机的时间，τ_mt为机组mt的冷却时间常数，G_mt为机组mt停机成本。

进一步地，弃用风光能源的惩罚成本包括弃风电能源成本和弃光电能源成本，所述弃用风光能源的惩罚成本表示为：

式中，μ_w和μ_p分别表示弃风电能源和弃光电能源的成本系数，Mw和Mp分别为风电场和光伏电场的数量，

和P_mw,t分别为风电场mw在时刻t的期望出力和实际出力，下标为mp则对应光伏电场。

进一步地，结合约束条件，采用粒子群算法对目标函数进行简化处理。

本发明对高比例清洁能源电力***的优化调度模型并对其加以简化，然后对问题进行解耦，分别对水电、风光火电进行优化。

约束条件

1)、最小启停机时间约束：

式中，I_mt、D_mt分别表示调度周期开始阶段机组mt必须开、关机的时段，X_{on_mt,0}表示机组mt在调度周期开始时已经连续开、停机的时间，正数表示开机，负数表示停机，u_mt,0为机组mt在调度周期开始时的开停机状态；T_{on_mt}、T_{off_mt}分别为机组最小连续开关机时间。

2)、机组出力约束：

式中，

和

分别为火电机组mt的装机容量和最小技术出力，下标mh则对应水电机组；

和

分别机组mt的上、下爬坡能力。

3)、水电站约束：

对于水电站，还应存在一些与水库库容和发电流量有关的约束：

式中，为水电站mh的水电转换关系系数；Q_mh,t表示水电站mh在时段t引用的发电流量，应介于机组发电流量的最大值

最小值

之间；V_mh,t表示水库mh在时段t末的库容，应介于水库最大库容

与最小库容之间，

为水电转换关系中所采用的时段t的水库mh的平均库容，取该时段首末库容的中值；水电站mh在时段t引用的发电流量Q_mh,t应为水库mh库容的变化与时段t的自然来水量I_mh,t之和，若水电站mh存在S_mh个上级水电站，那么还应加上所有上级水电站的发电流量，τ_mh,n为水流滞时；V_mh,T表示调度期末水库mh的库容，应等于计划值V_mh,end。

4)、网络功率平衡约束：

式中，为场景s的负荷与风光预测误差之和，后文简称为负荷。

5)、线路潮流约束：

式中，Pf_l,t表示时段t线路l上的传输功率，由线路首端流向末端时为正，反之为负，Pf_l ^max为线路l的最大正向传输容量，-Pf_l ^max表示线路l的最大反向传输容量。

采用改进的粒子群算法对梯级水电联合优化调度问题进行求解。由于日前制定的机组组合方案在实际调度中很难变更，故制定的机组组合方案应满足各个负荷预测误差场景的需要。经过一系列线性化处理后，该子问题为典型的混合整数规划问题，采用分支定界法可有效求解。

火电机组的煤耗成本函数为二次函数，若将其直接用于后续模型进行求解，将对求解速度产生很大的影响，可通过对其进行线性化处理对其进行简化。过程如图1所示：

图1中，虚线为机组mt煤耗成本的二次函数形式图像，可以用N_mtO_mt、O_mtM_mt两段线段进行近似，为机组最大出力与最小出力的中值，O_mt点为机组出力为

时的机组发电成本，N_mt、M_mt分别为机组最小出力、最大出力对应的煤耗成本。

根据实际使用的需要，协调求解精度与求解速度的需求，可将煤耗成本进一步划分。

火电机组的启动成本为指数型函数，且机组的启停机成本的表示形式均与机组开关状态有关，可将启动成本用阶梯函数的形式表示并将启停机成本一并加入到约束条件中。其过程如图2所示：态有关，可将启动成本用阶梯函数的形式表示并将启停机成本一并加入到约束条件中。其过程如图2所示：

图2中，虚线为机组mt停机t个时段后的启动成本函数，

分别为机组停机1～3个时段对应的启动成本。

此外，还应注意到任意时段任意机组的启动成本和停机成本都不可能同时为0，为减小求解的规模，可将二者用同一变量进行表示。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明所述调度模型可在保证***安全稳定运行的前提下最大化利用清洁能源并尽可能地减少了运行成本，具备应对不同负荷场景的灵活性。

2、可通过调整模型中风光弃用惩罚成本系数对风光消纳进行有效控制。

3、本发明适用于不同风光渗透率的***，尤其是具备对风光渗透率很高的***的优化调度能力。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1火电机组发电成本线性化示意图；

图2为火电机组启动成本线性化示意图；

图3为24节点***布置图；

图4为最优机组组合方案示意图；

图5为荷在4类机组间的分配情况示意图；

图6为火电机组发电成本与弃风光量随风光弃用成本系数的变化示意图；

图7为***运行成本及风光弃用成本随比风光渗透率的变化示意图；

图8为调度模型求解流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例：

基于多能互补的清洁能源***优化调度模型的构建方法，包括以下步骤：

1)、根据水电机组、火电机组、风电机组和光伏电机组在一段时间内的负荷变化(如图5所示，图5中柱体由下到上依次为水电、火电、风电和光伏电)，获得多种能源的互补形式，通过多种能源的互补形式确定调度模型的影响能源为火电、风电和光伏电，

如图5所示：由于来水相对固定，水电单独优化，水电出力变化相对较小，风电场和光伏发电场的出力呈现出一定的互补性。大型火电机组承担基本负荷，较小的火电机组同时负责调峰。很好地实现了多种能源形式的互补。

2)、基于影响能源，以充分消纳清洁能源、最大限度降低火电机组的发电成本为原则，获得调度模型的影响因子为火电机组的总发电成本、弃用风光能源的惩罚成本；

3)、基于步骤2)获得影响因子建立调度模型，所述调度模型的目标函数为火电机组的总发电成本与弃用风光能源的惩罚成本之和：

式中，s为风光荷组合场景，S为所有可能出现的场景集合，p(s)为场景s出现的概率，且∑p(s)＝1；T为调度总时段，取T＝24；F₁ ^s(t)为场景s下时段t的火电机组总发电成本，

为场景s下时段t的风光弃用的惩罚成本；

所述火电机组的总发电成本包括火电机组的煤耗成本和机组的启停机成本，所述火电机组的总发电成本表示为：

F(t)＝F_g(t)+F_q(t)

其中，

式中，Mt表示火电机组数，F_g(t)表示火电机组的煤耗成本，F_q(t)表示火电机组的启停机成本，F_q1(t)、F_q2(t)分别对应启动成本和停机成本；a_mt、b_mt、c_mt为机组mt的煤耗成本系数；K_mt、B_mt分别为机组启动过程中的固定成本系数和变动成本系数，

为机组mt在时段t已经连续停机的时间，τ_mt为机组mt的冷却时间常数，G_mt为机组mt停机成本。

所述弃用风光能源的惩罚成本包括弃风电能源成本和弃光电能源成本，所述弃用风光能源的惩罚成本表示为：

式中，μ_w和μ_p分别表示弃风电能源和弃光电能源的成本系数，Mw和Mp分别为风电场和光伏电场的数量，

和P_mw,t分别为风电场mw在时刻t的期望出力和实际出力，下标为mp则对应光伏电场。

尽管目标函数的两部分都是非线性的，但均可根据IEEE Transactions on PowerSystems第21卷第3期1371-1378段进行线性化处理。

约束条件

1)、最小启停机时间约束：

式中，I_mt、D_mt分别表示调度周期开始阶段机组mt必须开、关机的时段，X_{on_mt,0}表示机组mt在调度周期开始时已经连续开、停机的时间，正数表示开机，负数表示停机，u_mt,0为机组mt在调度周期开始时的开停机状态；T_{on_mt}、T_{off_mt}分别为机组最小连续开关机时间。

2)、机组出力约束：

式中，

和分别为火电机组mt的装机容量和最小技术出力，下标mh则对应水电机组；

和

分别机组mt的上、下爬坡能力。

3)、水电站约束：

对于水电站，还应存在一些与水库库容和发电流量有关的约束：

式中，

为水电站mh的水电转换关系系数；Q_mh,t表示水电站mh在时段t引用的发电流量，应介于机组发电流量的最大值

最小值

之间；V_mh,t表示水库mh在时段t末的库容，应介于水库最大库容与最小库容之间，

为水电转换关系中所采用的时段t的水库mh的平均库容，取该时段首末库容的中值；水电站mh在时段t引用的发电流量Q_mh,t应为水库mh库容的变化与时段t的自然来水量I_mh,t之和，若水电站mh存在S_mh个上级水电站，那么还应加上所有上级水电站的发电流量，τ_mh,n为水流滞时；V_mh,T表示调度期末水库mh的库容，应等于计划值V_mh,end。

4)、网络功率平衡约束：

式中，

为场景s的负荷与风光预测误差之和，后文简称为负荷。

5)、线路潮流约束：

式中，Pf_l,t表示时段t线路l上的传输功率，由线路首端流向末端时为正，反之为负，Pf_l ^max为线路l的最大正向传输容量，-Pf_l ^max表示线路l的最大反向传输容量。

采用改进的粒子群算法对梯级水电联合优化调度问题进行求解。由于日前制定的机组组合方案在实际调度中很难变更，故制定的机组组合方案应满足各个负荷预测误差场景的需要。经过一系列线性化处理后，该子问题为典型的混合整数规划问题，采用分支定界法可有效求解。

火电机组的煤耗成本函数为二次函数，若将其直接用于后续模型进行求解，将对求解速度产生很大的影响，可通过对其进行线性化处理对其进行简化。过程如图1所示：

图1中，虚线为机组mt煤耗成本的二次函数形式图像，可以用N_mtO_mt、O_mtM_mt两段线段进行近似，

为机组最大出力与最小出力的中值，O_mt点为机组出力为

时的机组发电成本，N_mt、M_mt分别为机组最小出力、最大出力对应的煤耗成本。

根据实际使用的需要，协调求解精度与求解速度的需求，可将煤耗成本进一步划分。

火电机组的启动成本为指数型函数，且机组的启停机成本的表示形式均与机组开关状态有关，可将启动成本用阶梯函数的形式表示并将启停机成本一并加入到约束条件中。其过程如图2所示：态有关，可将启动成本用阶梯函数的形式表示并将启停机成本一并加入到约束条件中。其过程如图2所示：

图2中，虚线为机组mt停机t个时段后的启动成本函数，

分别为机组停机1～3个时段对应的启动成本。

此外，还应注意到任意时段任意机组的启动成本和停机成本都不可能同时为0，为减小求解的规模，可将二者用同一变量进行表示。

为了验证本发明所述调度***的有效性，本专利采用改进的粒子群算法和分支定界法分别对水电优化调度子问题和风光火电联合优化子问题进行求解(求解流程如图8所示：随机抽样得到大量场景-场景消减得到若干典型场景-去除水电，得到各个场景的剩余负荷曲线-要求各负荷场景火电机组组合一致，进行两阶段联合优化，或对梯级水电站进行优化调度-除水电，得到各个场景的剩余负荷曲线-要求各负荷场景火电机组组合一致，进行两阶段联合优化)。并采用修改后的IEEE-24节点***，如图3所示，作为算例进行分析。

IEEE-24节点***的网络参数如表1所示：

表1

本文采用拉丁超立方法生成风光出力的原始场景，并通过同步回代削减法得到20个典型的负荷场景，梯级水电优化调度问题通过改进粒子群算法求解，种群个数为50，最大惯性系数为0.9，最小惯性系数为0.4，自学习因子与社会学习因子均为2.0，最小压缩因子为0.99。

根据板发明所述调度模型求解所得最优机组组合方案。经济性较好的机组1-6保持24时段常开，经济性较差的机组23-25保持24时段常关，其余机组在需要时开启。其中出现了一些例外，如为满足18时段剩余的负荷需求，开启了22号机组而非21号机组，这实际上与两机组的容量大小有关，当剩余负荷大于21号机组的容量时，可避免机组启停，同时使开启的机组运行在较为经济的状态。如图4所示。

模型参数灵敏度分析：

为检验模型中风光弃用惩罚成本系数对模型求解结果的影响，调整风光渗透比例为初始值的1.8倍使调度结果中不得不出现弃风光现象，分别设置弃风光惩罚成本系数为0～30$/MWh，观察优化调度结果的变化。得到如图6所示的曲线。

从图6可以看出，两条曲线的变化曲线呈现很强的互补关系，说明随弃风光惩罚力度的增加，调度周期内的弃风光量得到了有效控制，但付出的代价是火电机组发电成本的增加。

为研究风光渗透率对***调度结果的影响，按一定比例(称作比风光渗透率)调整风光的出力及预测误差，分别计算对应的最优运行成本和弃风光成本，得到如图7所示的曲线。

如图7所示，当风光渗透率达到原始值的1.3倍时将出现弃风光现象，随着比风光渗透率的增加，弃风光也逐渐严重。在特定的弃风光惩罚成本下，***的总运行成本直至比风光渗透率1.7时才因大量的弃风光而上升。说明风光渗透率不断提升的情况下，模型综合考虑增加风光消纳量所节省的发电成本和弃风光导致的惩罚成本以决定消纳的风光总量，两者共同促进风光的消纳，而其他各类约束则制约了风光消纳，最终两类因素达到一个平衡即得到最优调度结果，这也反映了风光弃用惩罚成本系数在调度模型中的作用。

综上所述，本发明的基于多能互补的高比例清洁能源***优化调度方法可充分利用多种能源形式的互补能力，在保证***安全稳定运行的前提下，充分实现清洁能源的消纳，并可有效降低***的运行总成本，此外，还可以根据决策者的需要，在两者间实现一定倾向性选择。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于多能互补的清洁能源***优化调度模型的构建方法，其特征在于，包括以下步骤：

1)、根据水电机组、火电机组、风电机组和光伏电机组在一段时间内的负荷变化，获得多种能源的互补形式，通过多种能源的互补形式确定调度模型的影响能源为火电、风电和光伏电；

2)、基于影响能源，以充分消纳清洁能源、最大限度降低火电机组的发电成本为原则，获得调度模型的影响因子为火电机组的总发电成本、弃用风光能源的惩罚成本；

3)、基于步骤2)获得影响因子建立调度模型，所述调度模型的目标函数为火电机组的总发电成本与弃用风光能源的惩罚成本之和：

式中，s为风光荷组合场景，S为所有可能出现的场景集合，p(s)为场景s出现的概率，且∑p(s)＝1；T为调度总时段，取T＝24；F₁ ^s(t)为场景s下时段t的火电机组总发电成本，F₂ ^s(t)为场景s下时段t的风光弃用的惩罚成本。

2.根据权利要求1所述的基于多能互补的清洁能源***优化调度模型的构建方法，其特征在于，所述多种能源的互补形式为：

水电负荷基本无变化，单独优化，不作为调度模型的影响能源；火电承担基本负荷，风电和光伏电的负荷呈现出一定的互补性。

3.根据权利要求1所述的基于多能互补的清洁能源***优化调度模型的构建方法，其特征在于，所述火电机组的总发电成本包括火电机组的煤耗成本和机组的启停机成本，所述火电机组的总发电成本表示为：

F(t)＝F_g(t)+F_q(t)

其中，

式中，Mt表示火电机组数，F_g(t)表示火电机组的煤耗成本，F_q(t)表示火电机组的启停机成本，F_q1(t)、F_q2(t)分别对应启动成本和停机成本；a_mt、b_mt、c_mt为机组mt的煤耗成本系数；K_mt、B_mt分别为机组启动过程中的固定成本系数和变动成本系数，

为机组mt在时段t已经连续停机的时间，τ_mt为机组mt的冷却时间常数，G_mt为机组mt停机成本。

4.根据权利要求1所述的基于多能互补的清洁能源***优化调度模型的构建方法，其特征在于，所述弃用风光能源的惩罚成本包括弃风电能源成本和弃光电能源成本，所述弃用风光能源的惩罚成本表示为：

式中，μ_w和μ_p分别表示弃风电能源和弃光电能源的成本系数，Mw和Mp分别为风电场和光伏电场的数量，

和P_mw,t分别为风电场mw在时刻t的期望出力和实际出力，下标为mp则对应光伏电场。

5.根据权利要求1所述的基于多能互补的清洁能源***优化调度模型的构建方法，其特征在于，结合约束条件，采用分段线性化方法对目标函数进行简化处理，利用粒子群算法进行求解。

Images