一种风光储能并网发电智能优化调度方法

摘要

本发明提供一种风光储能并网发电智能优化调度方法，包括1)采集历年风电、光电数据，得出日前、日内不同时间尺度下的风电、光电出力预测误差分布；2)根据气象数据(光照，温度)利用现有的风电出力预测系统和光电出力预测系统分别得到风电、光电预测出力值；3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型；5)优化得出第一次风光储发电日前联合调度值；6)得出日内风光储发电联合调度值和日内风、光、储发电调度值；7)得出风光储实时调度值。

主权项

一种风光储能并网发电智能优化调度方法，其特征在于：包括如下步骤：1)采集历年风电、光电数据，分析得出日前、日内不同周期的风电出力预测误差分布和光电出力预测误差分布：光电出力预测误差为：${\mathrm{error}}_{P.t}\left(\%\right)=\frac{P_{P.real.t}-P_{P·fore.t}}{P_{P.\max }}\times 100\%---\left(1\right)$风电出力预测误差为：${\mathrm{error}}_{W.t}\left(\%\right)=\frac{P_{W.real.t}-P_{W·fore.t}}{P_{W.max}}\times 100\%---\left(2\right)$其中P_P.real.t、P_W.real.t为光电、风电t时刻的实际出力，P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；2)根据光照、温度气象数据，利用基于神经网络的风电出力预测系统和光电出力预测系统分别得到风电预测出力值和光电预测出力值；3)结合步骤1)和步骤2)确定风电出力场景值和光电出力场景值；光电出力场景：P_P.i.t＝P_P.fore.t+(error_P.t×P_P.fore.t×P_P.max)    (3)风电出力场景：P_W.j.t＝P_W.fore.t+(error_W.t×P_W.fore.t×P_W.max)    (4)P_P.fore.t、P_W.fore.t为光电、风电调度周期内第t个调度点的预测出力值，P_P.max、P_W.max为光伏电站的装机容量；调度周期内调度点为24*4个，调度间隔15min；4)建立风光储能并网发电智能化调度模型，所述风光储能并网发电智能化调度模型包括调度优化目标函数模型和调度约束条件模型；所述调度优化目标函数模型包括日前、日内以及实时调度模型：其中，①日前调度模型为：MaxE(i,j,P_PB.t)＝R₁+R₂‑R₃‑R₄     (7)$R_1=\underset{1}{\overset{96}{\Sigma }}{\mathrm{MP}}_t{P}_{WPB.t}---\left(8\right)$$R_2=\underset{1}{\overset{96}{\Sigma }}\left\{{\mathrm{MP}}_t^{up}\underset{i}{\Sigma }\underset{j}{\Sigma }\right[(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\left]\right\}---\left(9\right)$$R_3=\underset{1}{\overset{96}{\Sigma }}\{{\mathrm{MP}}_t^{up}\underset{i}{\Sigma }\underset{j}{\Sigma }{b}_{i.j.t}(P_{PB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}]\}---\left(10\right)$$R_4=\underset{1}{\overset{96}{\Sigma }}{P}_{dro}\underset{i}{\Sigma }\underset{j}{\Sigma }({\mathrm{\Delta P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(11\right)$ΔP_i.j.dro.t＝ΔP_i.P.t+ΔP_j.W.t     (12)ΔP_i.P.t＝P′_i.P.t‑P_i.P.t           (13)ΔP_j.W.t＝P′_j.W.t‑P_j.W.t           (14)MP_t、P_WPB.t为t时刻的风光储发电的售电价格、风光储联合计划出力值；为风光储出力正偏差售电价格，风光储负偏差惩罚价格，b_i.j.t为光伏出力正负偏差状态，P_dro为风光储出力弃风、弃光价格，P_i.j.jo.t为调度周期内第t个调度点光电场景i、风电场景j风光储联合发电出力，ΔP_i.j.dro.t为调度周期内第t个调度点场景为i、j的情况下光储出力溢出量，P′_i.P.t为调度周期内第t个调度点场景i光电自然出力，P_i.P.t为调度周期内第t个调度点场景i光电出力，P′_j.W.t为调度周期内第t个调度点场景j风电自然出力，P_j.W.t为调度周期内第t个调度点场景j风电出力；②日前调度约束条件模型为：光储联合发电间的出力平衡约束：P_i.j.jo.t＝P_P.i.t+P_W.j.t+P_dis.t‑P_ch.t               (15)申报出力容量的约束：0≤P_PB.t≤P_P.max+P_W.max+P_dis.max                   (16)储能装置时刻间的电量约束：E_i.j.t＝E_i.j.t‑1+P_i.j.ch.tη_ch‑P_i.j.dis.t/η_dis      (17)储能装置的电量约束：E_min≤E_i.j.t≤E_max                                (18)储能充放电的功率限制约束：0≤P_i.j.dis.t≤P_dis.max                            (19)0≤P_i.j.ch.t≤P_ch.max                              (20)周期内的电量平衡约束：E_i.j.0＝E_i.j.T                                     (21)其中P_dis.max、P_ch.max为储能装置最大充、放电功率；③日内调度模型的建立：日内调度，属于滚动调度由于预测周期变短，相应的风、光预测精度将变高，场景出力场景范围将变小，为此，需要采用日内滚动调度对日前调度进行更新域修正，假设，滚动调度每s时间间隔执行一次，调度日的第次对剩余的时段s*(l‑1)+1至调度日结束时间点，目标函数变为：MaxE(i,j,l,P_PB.t)＝R₁+R₂‑R₃‑R₄      (22)$R_1=\underset{s*l}{\overset{96}{\Sigma }}{\mathrm{MP}}_t{P}_{PB.i}---\left(23\right)$$R_2=\underset{s*l}{\overset{96}{\Sigma }}\left\{{\mathrm{MP}}_t^{up}\underset{i}{\Sigma }\underset{j}{\Sigma }\right[(1-b_{i.j.t})(P_{i.j.jo.t}-P_{WPB.t})p_{P.i.t}*p_{W.j.t}\left]\right\}---\left(24\right)$$R_3=\underset{s*l}{\overset{96}{\Sigma }}\{{\mathrm{MP}}_t^{up}\underset{i}{\Sigma }\underset{j}{\Sigma }{b}_{i.j.t}(P_{WPB.t}-P_{i.j.jo.t})p_{P.i.t}*p_{W.j.t}]\}---\left(25\right)$$R_4=\underset{s*l}{\overset{96}{\Sigma }}{P}_{dro}\underset{i}{\Sigma }\underset{j}{\Sigma }({\mathrm{\Delta P}}_{i.j.dro.t}*p_{P.i.t}*p_{W.j.t})---\left(26\right)$④日内调度约束条件的建立申报出力容量的约束：0≤P_PB.t≤P_P.max+P_W.max+P_dis.max                        (27)储能装置时刻间的电量约束：E_i.j.t＝E_i.j.t‑1+P_i.j.ch.tη_ch‑P_i.j.dis.t/η_dis           (28)储能装置的电量约束：E_min≤E_i.j.t≤E_max                                     (29)储能充放电的功率限制约束：0≤P_i.j.dis.t≤P_dis.max                                 (30)0≤P_i.j.ch.t≤P_ch.max                                   (31)周期内的电量平衡约束：E_i.j.0＝E_i.j.T                                         (32)日内风、光电出力调度的确定；通过上述方法求出了风光储联合调度出力值；再求出风、光、储调度值P_P.WPB.t、P_W.WPB.t、P_B.WPB.t，通过三者协调完成联合调度出力值，基于求出的联合调度出力值，以弃风量和弃光量最少作为优化目标：$min\underset{s*l}{\Sigma }{\mathrm{\Delta P}}_{dro.t}$即可求出风、光电出力调度值，该约束条件以日内联合调度相同，只是不再考虑风、光电不确定性，将它们的预测出力值看为已知量；储能调度的出力值：P_B.WPB.t＝P_WPB.t‑P_P.WPB.t‑P_W.WPB.t          (33)⑤实时调度模型：具体如下：1、当$P_{W.WPB.t}^{act}>P_{W.WPB.t}$$P_{W.WPB.t}^{online}=P_{W.WPB.t}$当$P_{P.WPB.t}^{act}>P_{P.WPB.t}$$P_{P.WPB.t}^{online}=P_{P.WPB.t}$②当$P_{W.WPB.t}^{act}<P_{W.WPB.t}$$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act}$当$P_{P.WPB.t}^{act}<P_{P.WPB.t}$$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act}$③若$P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$若$P_{WPB.t}\le P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}$$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\}$act上标代表实际值；online代表在线调度值；“‑”代表储能储存功率5)通过日前气象数据，根据步骤3)得出的风电日前出力场景数据和光电日前出力场景数据输入步骤4)调度模型中，优化得出第一次风光储发电日前联合调度值；6)通过日内气象数据，根据步骤3)求出风电日内出力场景数据和光电日内出力场景值再次输入步骤4)调度模型中，对第一次调度值进行修正，得出日内风光储发电联合调度值和日内风、光、储发电调度值；通过日内滚动气象数据，循环次得出日内风光储发电滚动调度值,s为滚动时间间隔；7)通过步骤6)得出的日内风电滚动联合发电出力和日内风、光滚动调度出力与实际出力比较，通过判断，得出风光储实时调度值，具体如下：①当$P_{W.WPB.t}^{act}>P_{W.WPB.t},$$P_{W.WPB.t}^{online}=P_{W.WPB.t};$当$P_{P.WPB.t}^{act}>P_{P.WPB.t},$$P_{P.WPB.t}^{online}=P_{P.WPB.t};$②当$P_{W.WPB.t}^{act}<P_{W.WPB.t},$$P_{W.WPB.t}^{online}=P_{W.WPB.t}^{act};$当$P_{P.WPB.t}^{act}<P_{P.WPB.t},$$P_{P.WPB.t}^{online}=P_{P.WPB.t}^{act};$③若$P_{WPB.t}>P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$$P_{B.WPB.t}^{online}=min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$若$P_{WPB.t}\le P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act},$$P_{B.WPB.t}^{online}=-min\{\left|P_{WPB.t}-P_{B.WPB.t}^{act}-P_{P.WPB.t}^{act}\right|,P_{dis.max},P_{ch.max}\};$act上标代表实际值；online代表在线调度值；“‑”代表储能储存功率。