[发明专利]计及风电的电力系统动态经济调度多场景协同优化算法

权利要求书

1.一种计及风电的电力系统动态经济调度多场景协同优化算法，其特征在于，包括：

构建基于多场景解耦的电力系统动态经济调度协同优化模型，所述优化模型包括系统级优化问题、预测场景子优化问题以及误差场景子优化问题；

引入动态松弛算法，对协同优化算法系统级优化问题的等式约束进行松弛，将等式约束放宽为不等式约束；

对基于多场景解耦的电力系统动态经济调度协同优化模型进行求解，直到系统级优化问题满足收敛条件，获得优化解；

所述的系统级优化问题具体为：

其中，J_n(x)为预测场景和s个误差场景的系统级约束；s_n为子优化问题的个数；f_c为调度周期的发电总成本；f₁和f₂分别表示煤耗总成本和由于汽轮机的阀点效应而产生的能耗成本；P_Gi(t)为常规发电机组i在时段t的出力，为在误差场景n^*下常规发电机组i在时段t的出力；T为调度周期的时段总数，t为时段号，N为常规机组总数；

所述预测场景子优化问题具体为：

P_Gi,min≤P_Gi⁰(t)≤P_Gi,max；

P_Gi⁰(t)-P_Gi⁰(t-1)≤r_ui；

P_Gi⁰(t-1)-P_Gi⁰(t)≤r_di；

其中，f₀为预测场景的目标函数；为在预测场景下，常规机组i在时段t的出力，为系统级优化问题分配的设计变量目标；N_w为风电场数，j为风电场号，P_wj⁰(t)为预测场景下风电场j在时段t的出力，P_Load(t)为系统在时段t的总负荷，β为负荷预测偏差百分值，P_Gi,min和P_Gi,max分别表示常规机组i的有功最小出力和有功最大出力，r_ui和r_di分别为机组i的爬坡率和滑坡率，P_mn⁰(t)表示预测场景下线路m-n在时段t的有功传输功率，表示线路m-n的有功传输功率上限；

所述误差场景子优化问题具体为：

P_Gi,min≤P_Gi^s(t)≤P_Gi,max；

P_Gi^s(t)-P_Gi^s(t-1)≤r_ui；

P_Gi^s(t-1)-P_Gi^s(t)≤r_di；

|P_Gi⁰(t)-P_Gi^s(t)|≤ΔP_Gi(t)；

其中，f_s为误差场景的目标函数，为系统级优化问题分配的设计变量目标；P_Gi^s(t)为误差场景下常规发电机组i在时段t的出力；P_mn^s(t)为误差场景下线路m-n在时段t的有功传输功率；P_wj^s(t)为误差场景下风电场j在时段t的出力，P_Load(t)为系统在时段t的总负荷，P_Gi,min和P_Gi,max分别表示常规机组i的有功最小出力和有功最大出力，r_ui和r_di分别为机组i的爬坡率和滑坡率，β为负荷预测偏差百分值，表示线路m-n的有功传输功率上限，ΔP_Gi(t)为常规机组i在t时段内可以迅速调节的有功出力，取为爬坡率；

所述对基于多场景解耦的电力系统动态经济调度协同优化模型进行求解的过程具体为：

1)系统级优化问题将设计变量目标分别传到预测场景子优化问题和误差场景子优化问题；

2)预测场景子优化问题和误差场景子优化问题独自进行优化，将各自的最优解返回给系统级优化问题，系统级优化问题根据接收到的最优解构造出系统级优化问题的约束；

3)经系统级优化后，若没有达到收敛条件，则以新的设计变量最优解作为新的设计变量目标再次传入预测场景子优化问题和误差场景子优化问题中进行优化，重复步骤2)-3)，直至系统级优化问题满足收敛条件；

该算法的收敛条件一般为前后两次迭代的经济调度目标函数值之差与本次迭代的经济调度目标函数值之比不超过所设置的收敛精度，如式(4)所示：

|f_i-1-f_i|/f_i≤ε (4)

其中：f_i-1和f_i分别表示前后两次迭代的经济调度目标函数值，ε表示收敛精度；

所述动态松弛算法具体为：

当第x次迭代时，各子问题优化结束后，各子问题的最优解分别为定义松弛量r；

根据所述松弛量r确定新的系统级约束；

所述松弛量r具体为：

r＝(λ*m_es)²；

其中，m_es为子问题间的不一致信息，λ为松弛因子；

所述子问题间的不一致信息具体为：

其中，分别表示子问题j和子问题k的最优解，j,k＝1,2,...s_n，且j≠k；

于是新的系统级约束就变为如式(7)所示：

...

2.如权利要求1所述的一种计及风电的电力系统动态经济调度多场景协同优化算法，其特征在于，所述收敛条件具体为：前后两次迭代的系统级目标函数值之差与本次迭代的系统级目标函数值之比不超过所设置的收敛精度。