CN113452078B - 基于新能源接入及水火电特性的agc多目标协调优化策略 - Google Patents

基于新能源接入及水火电特性的agc多目标协调优化策略 Download PDF

Info

Publication number
CN113452078B
CN113452078B CN202110619380.7A CN202110619380A CN113452078B CN 113452078 B CN113452078 B CN 113452078B CN 202110619380 A CN202110619380 A CN 202110619380A CN 113452078 B CN113452078 B CN 113452078B
Authority
CN
China
Prior art keywords
unit
new energy
output
cost
thermal power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110619380.7A
Other languages
English (en)
Other versions
CN113452078A (zh
Inventor
吴军
韩锐
陈俊锋
邱睿
黄文鑫
郭子辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110619380.7A priority Critical patent/CN113452078B/zh
Publication of CN113452078A publication Critical patent/CN113452078A/zh
Application granted granted Critical
Publication of CN113452078B publication Critical patent/CN113452078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明涉及一种基于新能源接入及水火电特性的AGC多目标协调优化策略，该策略能够有效为电力部门AGC过程提供决策支持。本发明在分析大规模新能源接入电力***AGC基础上，基于各机组自身特点，构建了可以较为全面衡量***状态的三个目标函数；本发明采用结合Pareto理论的基于第三代非支配排序遗传算法(NSGA‑III)的多目标进化算法对三个目标进行优化计算，一定程度克服多个目标之间冲突、量纲不统一等问题；本发明所提方法，结合***当前实际状态，在Pareto解集中决策，更加灵活且更能适应大规模新能源接入的电力***。

Description

基于新能源接入及水火电特性的AGC多目标协调优化策略
技术领域
本发明构建一种基于新能源接入及水火电特性的AGC多目标协调优化策略，该策略能够有效为电力部门AGC过程提供决策支持。
背景技术
随着不可再生化石燃料的不断消耗，温室气体的大量排放，如何高效利用可再生清洁能源越来越受到人们的重视。世界众多国家对于新能源都展开大量研究。根据计划，中国的新能源在电网中的渗透率将在2050年超过30％。美国，欧盟等国家也计划进一步提高新能源在电网中比例。伴随着新能源的发展，电网中新能源比例的不断提高，传统电网将面临新的问题。目前针对大规模新能源并网，结合各机组自身特点，协调各机组参与***频率调节的研究较少。大部分研究仍聚焦于新能源变流器或电厂层面，从***角度对各机组调频比例的优化较少；所存在的以AGC层面对新能源于传统机组协调问题的研究，也仅从经济性或者稳定性单个角度出发，对于包含新能源、水电、火电机组的复杂***难以同时兼顾经济性和稳定性。因此对于大规模新能源电网，如何在AGC层面合理且全面评估***状态，兼顾***安全经济性要求，统筹各类型机组出力有着十分重要的意义。
发明内容
本发明的目的是为了提供一种基于新能源接入及水火电特性的AGC多目标协调优化策略，解决大规模新能源并网时，如何协调新能源以及传统机组参与***频率调节。
为了实现上述目的，本发明提供基于新能源接入及水火电特性的AGC多目标协调优化策略，其特征在于，基于以下目标函数:
目标函数I：水电机组穿越振动区次数最少，
Figure BDA0003099143230000021
其中，当水电机组k穿越振动区则Nk为1，否则为0；λ为各机组参与二次调频比例因子；x为预测误差百分比；ΔPLx为x％误差对应的有功功率；H为***中参与AGC的水电机组数量；
目标函数ⅠI：经济性最优，
Figure BDA0003099143230000022
其中，Ci为第i台火电同步机组参与调频的成本；Cj为了提高新能源(光、风)利用率引入的弃风、弃光惩罚成本；PjR为新能源电站j预留功率，一般取预测值的10％，M、N分别为***中参与AGC的火电以及新能源机组数量；
目标函数ⅡI：***备用方式最优，
Figure BDA0003099143230000023
具体优化方法基于第三代非支配排序遗传算法的多目标进化算法对上述三个目标函数进行求解，具体步骤如下：
步骤1、读取机组参数、新能源以及负荷预测数据；
步骤2、随机生成种群R0，根据约束条件进行初始化；
步骤3、非支配排序，对种群个体进行筛选；
步骤4、通过交叉、变异生成子代种群；
步骤5、重复初始化后的步骤，直到到达最大迭代次数，得到三目标的Pareto前沿面。
步骤6、根据实际***当前状态，在Pareto解集进行决策，获得各机组AGC协调因子。
在上述的方法，对于目标函数I和ⅠI，包括
1)水电机组调频成本
对于水电机组来说，当降低水电出力时，可能存在弃水效应，而在应对***频率下降，上调水电机组出力时通常不考虑其调频成本。文本主要考虑如何协调各机组出力应对***频率下降的问题。
2)火电机组调频成本
不考虑机组启停，火电成本主要为燃煤成本和爬坡成本。
①燃煤成本
火电机组的煤耗量与输出存在二次方的关系，如式(3):
Ci1＝aiPi 2+biPi+ci (1)
Pi为常规机组i输出有功功率，ai、bi、ci为常规机组i能耗特性曲线系数。
②爬坡成本
对于爬坡成本认为火电机组的成本函数与相邻两时刻间爬坡速率的大小有关，即单位时间内出力的变化量存在线性关系。
Figure BDA0003099143230000031
其中，γ为火电机组成本爬坡因子。
最终，二次调频优化中火电机组成本由上述两部分组成，可以表示为：
Ci＝Ci1+Ci2 (3)。
在上述的方法，对于目标函数ⅡI，所述Rkh、Rig、Rjre分别为：
Rkh(λkhΔPLx)＝Kkh(PkHS-λkhΔPLx) (7)
其中，PkHS为水电机组k备用容量；Kkh为水电机组k系数，随着机组备用容量增加而减小；
Rig(λigΔPLx)＝Kig(PiGS-λigΔPLx) (8)
其中，PiGS为火电机组i备用容量；Kig为火电机组i系数，随着机组备用容量增加而减小；
Rjre(λjΔPLx)＝Kj1(PjreS-λjΔPLx)+Kj2(λjΔPLx) (9)
其中，Kj1是新能源发电机组j不考虑波动性时系数，与火电稳定系数相同，随着机组备用容量增加而减小；Kj2为新能源机组j出力预测值误差所带来的波动系数，用于衡量新能源一次能源不确定性；PjreS为新能源机组j备用容量。
在上述的方法，约束条件包括：
***功率平衡约束：
Figure BDA0003099143230000041
其中，Ks是***频率偏差系数，Δf为***备用容量不足时的频率偏差。在***备用容量充足时，可化简成下式：
Figure BDA0003099143230000042
火电机组出力约束：
PiGMin＜PiG＜PiGMax (6)
其中，PiGMin、PiGMax分别为火电机组i不停机最小输出功率与最大输出功率。
在高比例水电***中，水电站运行要考虑电网、水库、机组等多类型约束，水电机组出力约束。各水电机组每时段出力需满足不超过电机的最大输出值和不小于最小输出值：
PkHMin＜PkH＜PkHMax (7)
其中，PkHMin、PkHMax分别为水电机组k不停机最小输出功率与最大输出功率。
新能源出力约束：
0＜Pj＜PjMax (8)
其中，PjMax为新能源出力短期预测值。
火电机组爬坡速率约束：
DiG＜PiG(t+1)-PiG(t)＜UiG (9)
其中，DiG、UiG分别为火电机组i向下、向上爬坡速率最大值。
水电机组爬坡速率约束：
DkH＜PkH(t+1)-PkH(t)＜UkH (10)
其中，DkH、UkH分别为水电机组k向下、向上爬坡速率最大值。
对于水电机组出力区间还存在振动区的约束：
a＜PkH＜b or c＜PkH＜d (11)。
有益效果：1.本发明在分析大规模新能源接入电力***AGC基础上，基于各机组自身特点，构建了可以较为全面衡量***状态的三个目标函数；2.本发明采用结合Pareto理论的基于第三代非支配排序遗传算法(NSGA-III)的多目标进化算法对三个目标进行优化计算，一定程度克服多个目标之间冲突、量纲不统一等问题；3.本发明所提方法，结合***当前实际状态，在Pareto解集中决策，更加灵活且更能适应大规模新能源接入的电力***。
附图说明
图1是本发明提供的基于第三代非支配排序遗传算法(NSGA-III)的多目标进化算法流程图。
图2是本发明实施例提供的一种新能源接入的IEEE 9节点***。
图3是本发明实施例提供的NSGA-III算法求解出的三目标Pareto前沿面。
图4是本发明实施例提供的三种光照情况。
图5是本发明实施例提供的光伏参与调频下三种场景***频率情况。
图6是本发明的方法流程示意图。
具体实施方式
下面给出本发明的具体实施例，对本发明的技术方案作进一步具体的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于多目标优化方法的AGC机组协调因子分配策略，对***AGC机组协调因子进行优化计算，削弱了大规模新能源并网所带来的不利影响，有利于大规模新能源并网***的稳定性。
针对包含新能源以及水火机组***的二次调频过程，综合考虑***中各机组自身特点，提出三个目标函数，全面衡量***状态；
在本发明实施例中目标函数I：水电机组穿越振动区次数最少：
Figure BDA0003099143230000061
其中，当水电机组k穿越振动区则Nk为1，否则为0；λ为各机组参与二次调频比例因子；x为预测误差百分比；ΔPLx为x％误差对应的有功功率；H为***中参与AGC的水电机组数量；
在本发明实施例中目标函数ⅠI：经济性最优：
Figure BDA0003099143230000062
其中，Ci为第i台火电同步机组参与调频的成本；Cj为了提高新能源(光、风)利用率引入的弃风、弃光惩罚成本；PjR为新能源电站j预留功率，一般取预测值的10％，M、N分别为***中参与AGC的火电以及新能源机组数量；
1)水电机组调频成本
对于水电机组来说，当降低水电出力时，可能存在弃水效应，而在应对***频率下降，上调水电机组出力时通常不考虑其调频成本。文本主要考虑如何协调各机组出力应对***频率下降的问题。
2)火电机组调频成本
不考虑机组启停，火电成本主要为燃煤成本和爬坡成本。
①燃煤成本
火电机组的煤耗量与输出存在二次方的关系，如式(3):
Ci1＝aiPi 2+biPi+ci (12)
Pi为常规机组i输出有功功率，ai、bi、ci为常规机组i能耗特性曲线系数。
②爬坡成本
对于爬坡成本认为火电机组的成本函数与相邻两时刻间爬坡速率的大小有关，即单位时间内出力的变化量存在线性关系。
Figure BDA0003099143230000071
其中，γ为火电机组成本爬坡因子。
最终，二次调频优化中火电机组成本由上述两部分组成，可以表示为：
Ci＝Ci1+Ci2 (14)
3)新能源调频成本
新能源调频成本主要为新能源主动减载后，并没有合理安排调频所造成的弃风、弃光造成。主要由新能源减载功率与参与调频功率差值表示
在本发明实施例中目标函数ⅡI：***备用方式最优
Figure BDA0003099143230000072
其中，Rkh、Rig、Rjre分别为水电、火电以及新能源发电相关表达式；
进一步，所述Rkh、Rig、Rjre分别为：
Rkh(λkhΔPLx)＝Kkh(PkHS-λkhΔPLx) (7)
其中，PkHS为水电机组k备用容量；Kkh为水电机组k系数，随着机组备用容量增加而减小；
Rig(λigΔPLx)＝Kig(PiGS-λigΔPLx) (8)
其中，PiGS为火电机组i备用容量；Kig为火电机组i系数，随着机组备用容量增加而减小；
Rjre(λjΔPLx)＝Kj1(PjreS-λjΔPLx)+Kj2(λjΔPLx) (9)
其中，Kj1是新能源发电机组j不考虑波动性时系数，与火电稳定系数相同，随着机组备用容量增加而减小；Kj2为新能源机组j出力预测值误差所带来的波动系数，用于衡量新能源一次能源不确定性；PjreS为新能源机组j备用容量。
在所述三个优化目标基础上，考虑***所存在的约束条件，进而结合Pareto理论，通过基于第三代非支配排序遗传算法(NSGA-III)的多目标进化算法对上述三个目标函数进行优化计算；
进一步，所述的约束条件有：
***功率平衡约束：
Figure BDA0003099143230000081
其中，Ks是***频率偏差系数，Δf为***备用容量不足时的频率偏差。在***备用容量充足时，可化简成下式：
Figure BDA0003099143230000082
火电机组出力约束：
PiGMin＜PiG＜PiGMax (17)
其中，PiGMin、PiGMax分别为火电机组i不停机最小输出功率与最大输出功率。
在高比例水电***中，水电站运行要考虑电网、水库、机组等多类型约束，水电机组出力约束。各水电机组每时段出力需满足不超过电机的最大输出值和不小于最小输出值：
PkHMin＜PkH＜PkHMax (18)
其中，PkHMin、PkHMax分别为水电机组k不停机最小输出功率与最大输出功率。
新能源出力约束：
0＜Pj＜PjMax (19)
其中，PjMax为新能源出力短期预测值。
火电机组爬坡速率约束：
DiG＜PiG(t+1)-PiG(t)＜UiG (20)
其中，DiG、UiG分别为火电机组i向下、向上爬坡速率最大值。
水电机组爬坡速率约束：
DkH＜PkH(t+1)-PkH(t)＜UkH (21)
其中，DkH、UkH分别为水电机组k向下、向上爬坡速率最大值。
对于水电机组出力区间还存在振动区的约束：
a＜PkH＜b or c＜PkH＜d (22)
如果存在多段振动区，约束方程与上述类似。
进一步，所述的第三代非支配排序遗传算法主要步骤如下：
读取机组参数、新能源以及负荷预测数据；
随机生成种群R0，根据约束条件进行初始化；
非支配排序，对种群个体进行筛选；
通过交叉、变异生成子代种群；
重复初始化后的步骤，直到到达最大迭代次数；
进一步，根据迭代结果得到三目标的Pareto前沿面；
进一步，根据***实际情况，在Pareto解集中，获得所期望的解。
进一步，获得***各机组AGC协调因子。
在搭建的IEEE 9节点***上中，针对AGC协调因子进行优化计算，计算结果如图3所示，并结合如图4所式三种情形，进行决策，决策结果图表1、表2、表3所示。
场景1光照强度变化趋势：增加。优化决策结果如表1。
Figure BDA0003099143230000101
表1 场景1优化结果
场景2光照强度变化趋势：不变。优化决策结果如表2。
Figure BDA0003099143230000102
表2 场景2优化结果
场景3光照强度变化趋势：减小。优化决策结果如表3。
Figure BDA0003099143230000103
表3 场景3优化结果
进一步，将优化结果带入仿真，可以获得如图5所示的***动态频率图；
进一步，根据优化结果得到表4经济性。
Figure BDA0003099143230000104
表4 三种场景经济性对比
可以发现本发明所提方法可以有效协调新能源与传统能源在二次调频时功率分配，保证二次调频阶段的经济型与可靠性。对于大规模新能源并网时，如何协调新能源参与***频率调节有一定指导意义。

Claims (3)

1.基于新能源接入及水火电特性的AGC多目标协调优化方法，其特征在于，基于以下目标函数:
目标函数一：水电机组穿越振动区次数最少，
Figure FDA0003585737820000011
其中，当水电机组k穿越振动区则Nk为1，否则为0；λ为各机组参与二次调频比例因子；x为预测误差百分比；ΔPLx为x％误差对应的有功功率；H为***中参与AGC的水电机组数量；
目标函数二：经济性最优，
Figure FDA0003585737820000012
其中，Ci为第i台火电同步机组参与调频的成本；Ci、Cj为了提高新能源利用率引入的弃风、弃光惩罚成本；PjR为新能源电站j预留功率，一般取预测值的10％，M、N分别为***中参与AGC的火电以及新能源机组数量；
目标函数三：***备用方式最优，
Figure FDA0003585737820000013
具体优化方法基于第三代非支配排序遗传算法的多目标进化算法对上述三个目标函数进行求解，具体步骤如下：
步骤1、读取机组参数、新能源以及负荷预测数据；
步骤2、随机生成种群R0，根据约束条件进行初始化；
步骤3、非支配排序，对种群个体进行筛选；
步骤4、通过交叉、变异生成子代种群；
步骤5、重复初始化后的步骤，直到到达最大迭代次数，得到三目标的Pareto前沿面；
步骤6、根据实际***当前状态，在Pareto解集进行决策，获得各机组AGC协调因子；
Rkh、Rig、Rjre分别为：
Rkh(λkhΔPLx)＝Kkh(PkHS-λkhΔPLx) (7)
其中，PkHS为水电机组k备用容量；Kkh为水电机组k系数，随着机组备用容量增加而减小；
Rig(λigΔPLx)＝Kig(PiGS-λigΔPLx) (8)
其中，PiGS为火电机组i备用容量；Kig为火电机组i系数，随着机组备用容量增加而减小；
Rjre(λjΔPLx)＝Kj1(PjreS-λjΔPLx)+Kj2(λjΔPLx) (9)
其中，Kj1是新能源发电机组j不考虑波动性时系数，与火电稳定系数相同，随着机组备用容量增加而减小；Kj2为新能源机组j出力预测值误差所带来的波动系数，用于衡量新能源一次能源不确定性；PjreS为新能源机组j备用容量。
2.根据权利要求1所述的方法，其特征在于：对于目标函数一和二，包括
1)水电机组调频成本
对于水电机组来说，当降低水电出力时，可能存在弃水效应，而在应对***频率下降，上调水电机组出力时通常不考虑其调频成本；主要考虑如何协调各机组出力应对***频率下降的问题；
2)火电机组调频成本
不考虑机组启停，火电成本主要为燃煤成本和爬坡成本；
①燃煤成本
火电机组的煤耗量与输出存在二次方的关系，如式(3):
Ci1＝aiPi 2+biPi+ci (1)
Pi为常规机组i输出有功功率，ai、bi、ci为常规机组i能耗特性曲线系数；
②爬坡成本
对于爬坡成本认为火电机组的成本函数与相邻两时刻间爬坡速率的大小有关，即单位时间内出力的变化量存在线性关系；
Figure FDA0003585737820000021
其中，γ为火电机组成本爬坡因子；
最终，二次调频优化中火电机组成本由上述两部分组成，可以表示为：
Ci＝Ci1+Ci2 (3)。
3.根据权利要求1所述的方法，其特征在于：约束条件包括：
***功率平衡约束：
Figure FDA0003585737820000022
其中，Ks是***频率偏差系数，Δf为***备用容量不足时的频率偏差；在***备用容量充足时，可化简成下式：
Figure FDA0003585737820000031
火电机组出力约束：
PiGMin＜PiG＜PiGMax (6)
其中，PiGMin、PiGMax分别为火电机组i不停机最小输出功率与最大输出功率；
在高比例水电***中，水电站运行要考虑电网、水库、机组等多类型约束，水电机组出力约束；各水电机组每时段出力需满足不超过电机的最大输出值和不小于最小输出值：
PkHMin＜PkH＜PkHMax (7)
其中，PkHMin、PkHMax分别为水电机组k不停机最小输出功率与最大输出功率；
新能源出力约束：
0＜Pj＜PjMax (8)
其中，PjMax为新能源出力短期预测值；
火电机组爬坡速率约束：
DiG＜PiG(t+1)-PiG(t)＜UiG (9)
其中，DiG、UiG分别为火电机组i向下、向上爬坡速率最大值；
水电机组爬坡速率约束：
DkH＜PkH(t+1)-PkH(t)＜UkH (10)
其中，DkH、UkH分别为水电机组k向下、向上爬坡速率最大值；
对于水电机组出力区间还存在振动区的约束：
a＜PkH＜b or c＜PkH＜d (11)。
CN202110619380.7A 2021-06-03 2021-06-03 基于新能源接入及水火电特性的agc多目标协调优化策略 Active CN113452078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110619380.7A CN113452078B (zh) 2021-06-03 2021-06-03 基于新能源接入及水火电特性的agc多目标协调优化策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110619380.7A CN113452078B (zh) 2021-06-03 2021-06-03 基于新能源接入及水火电特性的agc多目标协调优化策略

Publications (2)

Publication Number Publication Date
CN113452078A CN113452078A (zh) 2021-09-28
CN113452078B true CN113452078B (zh) 2022-06-07

Family

ID=77810829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110619380.7A Active CN113452078B (zh) 2021-06-03 2021-06-03 基于新能源接入及水火电特性的agc多目标协调优化策略

Country Status (1)

Country Link
CN (1) CN113452078B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115864429A (zh) * 2022-08-31 2023-03-28 湖北工业大学 双碳目标下风储火协同的多目标优化agc方法
CN117650583B (zh) * 2024-01-30 2024-04-26 三峡金沙江云川水电开发有限公司 一种水电站一管多机并网多目标协调优化控制方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112803494A (zh) * 2021-02-19 2021-05-14 国网湖南省电力有限公司 一种含风光水火的多目标agc协调优化方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070154989A1 (en) * 2006-01-03 2007-07-05 The Scripps Research Institute Zinc finger domains specifically binding agc

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112803494A (zh) * 2021-02-19 2021-05-14 国网湖南省电力有限公司 一种含风光水火的多目标agc协调优化方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Multiobjective Reinforcement Learning-Based Intelligent Approach for Optimization of Activation Rules in Automatic Generation Control;Huaizhi Wang;《 IEEE Access ( Volume: 7)》;20190124;全文 *
协同电网安全性与经济性的新能源优先实时调度方法及应用;王彬等;《电力***自动化》;20200527(第16期);全文 *
基于多目标粒子群算法的风光水火多源AGC协调优化方法;宋兴荣;《重庆大学学报》;20210414;全文 *
基于多目标蚁群算法的水电站AGC机组组合与负荷分配优化;蔡杰等;《西北水电》;20161206(第01期);全文 *

Also Published As

Publication number Publication date
CN113452078A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN102509175B (zh) 分布式供电***可靠性优化方法
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
CN113452078B (zh) 基于新能源接入及水火电特性的agc多目标协调优化策略
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN109784554B (zh) 一种基于主从博弈的电力***最优调度方法
CN109325621B (zh) 一种园区能源互联网两阶段优化调度控制方法
CN115640982B (zh) 基于抽水蓄能优先调节的多能互补***日前优化调度方法
CN113408962A (zh) 一种电网多时间尺度多目标能量优化调度方法
CN114936720A (zh) 一种源-荷-储协调的综合能源***低碳经济调度方法
CN111293718A (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN115102159A (zh) 计及碳排放流的共享储能优化运行方法
CN113313305A (zh) 一种基于非合作博弈的综合能源***优化调度方法
CN115577929A (zh) 基于多场景分析的乡村综合能源***随机优化调度方法
CN111049179A (zh) 一种考虑不确定性的新能源发电***多目标优化调度方法
CN106451424A (zh) 含大规模光伏发电并网的输电网随机规划方法
CN110472364B (zh) 一种考虑可再生能源的离网式热电气联产***的优化方法
CN116896072A (zh) 远海风电与制氢***的优化调控方法和装置
Wadi et al. Optimization of Distributed Generation Using Homer Software and Fuzzy Logic Control
CN115459323A (zh) 一种基于改进遗传算法的微电网优化调度方法
CN114123349A (zh) 考虑可靠性和经济性协调的海上岸电分布式优化调度方法
CN114362255A (zh) 一种源网荷储电力***多目标日前调度优化方法及***
Ma et al. Multi-Point Layout Planning of Multi-Energy Power Supplies Based on Time-series Production Simulation
Zang et al. An Economical Optimization Method for Active Power With Variable Droop Control Considering Frequency Regulation Costs in Integrated Energy Systems
CN112529728A (zh) 一种基于非合作博弈的综合能源***优化调度方法
CN117559438B (zh) 基于ems-lmp耦合的源网荷储一体化可再生能源消纳方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant