[发明专利]一种含风电的电网随机调度优化模型与方法

摘要

本发明公开了一种含风电的电网随机调度优化模型与方法。不确定性模型的建立，包括负荷不确定性模型和风电场出力不确定性模型；考虑柔性负荷的含风电的动态随机调度模型的建立：包括可中断负荷和激励负荷模型的建立；火电成本、风电成本、正负旋转备用成本模型的建立；对功率平衡、火电机组、风电机组、柔性负荷、旋转备用进行约束，用机会约束规划处理系统的风险备用；采用实数编码的遗传算法对模型进行求解，采用随机模拟来近似表示机会约束成立的概率。本发明在系统要求的范围内，保证可靠性和经济性；实现供需侧良性互动，有效减少仅靠供电侧平衡风电并网引起的波动。

主权项

1.一种含风电的电网随机调度优化模型与方法，其特征在于，按如下步骤进行：步骤1、建立负荷不确定性模型，负荷的概率模型为：ΔPL～N(0,σL2)  (1)式中：ΔPL为负荷预测误差；σL2为ΔPL的标准差；PL代表负荷实际值，由负荷预测值与负荷预测误差ΔP_L求和得到；步骤2、建立风电场出力不确定性模型：风速预测误差可以考虑为一服从正态分布的随机变量，其均值为0；Δv＝N(0,σ2V)  (3)式中，σ2V为风速随机变量Δv的方差；如果用来表示风速预测值，那么风速实际值可以表达为：风电功率与风速之间的关系可以用下述分段函数来表达：式中，Pw代表单台风电机的出力；vi为切入风速；vr为额定风速；v0为切出风速；Pr为单台风机额定装机容量；步骤3、建立柔性负荷成本费用模型：柔性负荷主要包括可中断负荷和激励负荷；可中断负荷的补偿成本函数为：式中，M为可中断用户数量，μIjt代表用户j在t时段可中断负荷的状态，用“0”和“1”表示，ρj为用户j的补偿系数，PIjt为用户中断负荷容量；激励负荷的补偿成本函数为：式中，D为系统激励负荷用户数量，μHkt代表用户k在t时段激励负荷的状态，ηk为用户k增加负荷的激励系数，PHkt为增加负荷的容量；步骤4、建立第n台火电机组的发电成本模型：式中，μGnt代表机组n在t时段的工作状态，运行时取“1”，停止时取“0”；An、Bn、Cn为燃料成本系数；Pn,t为发电机组n在t时段输出的有功功率，Sn,t为火电机组n在t时段的启停费用；步骤5、建立风电功率发电成本模型：FWnt＝Wn,t×dn  (9)式中，Wn,t为风电场中第n台风力发电机t时段的计划出力，dn为第n台风机t时段的发的成本系数；步骤6、建立系统的正、负旋转备用需求成本模型：式(10)中，为系统负旋转备用需求的成本，为系统的负旋转备用需求，k_p为系统的负旋转备用系数；式(11)中，为系统正旋转备用需求的成本，为系统的正旋转备用需求，k_r为系统的正旋转备用系数；步骤7、随机经济调度模型的建立：将上述所建立火电机组的发电成本模型、柔性负荷成本费用模型、风电功率发电成本模型、及系统的正、负旋转备用需求成本模型纳入到调度计划模型中，在某一调度周期t时段内，随机经济调度的目标函数为：式中，N为火电机组个数，NW为风机个数；步骤8、采用实数编码的遗传算法对随机经济调度模型进行求解，采用随机模拟来近似表示机会约束成立的概率；具体包括按顺序执行的下列步骤：步骤8.1、输入原始数据；步骤8.2、对个体进行编码；步骤8.3、输入遗传算法的种群规模、最大迭代次数及交叉和变异概率；步骤8.4、采用随机方法产生一组初始种群，即初代种群；步骤8.5、对种群中的所有个体根据约束条件进行合理性调整；步骤8.6、根据公式(12)计算所有个体对应的目标函数值，即发电总成本，并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束，对违反系统风险备用约束、功率平衡约束条件的个体，采用惩罚函数方法计算该个体的适应度值；对不违反系统风险备用约束、功率平衡约束条件的个体，直接使用其目标函数值作为该个体的适应度值；步骤8.7、采用基于模拟退火的排序选择法对种群的个体进行选择操作；步骤8.8、对种群中的个体进行交叉和变异操作，得到新一代个体；步骤8.9、对种群中的所有个体根据约束条件进行合理性调整；步骤8.10、计算所有个体对应的目标函数值，即发电总成本，并采用蒙特卡罗仿真方法检验每一个个体是否满足系统风险备用约束，对违反系统风险备用约束、功率平衡约束条件的个体，采用惩罚函数方法计算该个体的适应度值；对不违反系统风险备用约束、功率平衡约束条件的个体，直接使用其目标函数值作为该个体的适应度值；步骤8.11、重复步骤8.7～步骤8.10，完成新一代种群的生成和评价，直到大于给定的最大迭代次数为止；步骤8.12、以求解过程中所发现的适应度值最小的个体作为最后的调度计划。