一种考虑风电预测误差的机组有功实时调度方法

摘要

本发明公开了一种考虑风电预测误差的电力系统有功实时经济调度方法。使用拉普拉斯分布描述风电预测误差随机分布特性，以经济性最优与弃风最小为双目标，引入机会约束条件，基于拉丁超立方采样的概率潮流方法求解系统有功潮流概率分布，建立考虑风电预测误差的缓冲机组有功最优分配模型，并采用改进的遗传算法求解该机会约束规划模型。本发明在实时调度中考虑风电预测误差，能够避免风电出力偏差给系统带来的功率失衡和潮流越限，保障系统的安全运行。此外系统在消纳风电预测误差的同时，提高了风电接纳能力。

主权项

一种考虑风电预测误差的机组有功实时调度方法，其特征在于：包括顺序执行的以下步骤：步骤一、读取待调度电力系统的网络数据和机组参数，以及最新滚动调度后电力系统中的机组出力；步骤二、设定缓冲机组有功最优分配模型目标函数为$\min (\underset{v\in N_{\mathrm{rt}}}{\Sigma }{a}_v^{\mathrm{rt}}·\Delta P_v^{\mathrm{rt}}\left(t\right)+\underset{v\in N_{\mathrm{wind}}}{\Sigma }{\kappa }_v·\Delta P_v^{\mathrm{loss}}\left(t\right))---\left(1\right)$(1)式中：v表示机组包括缓冲机组和风电机组，N_rt是缓冲机组的集合，N_wind是风电机组的集合，是缓冲机组发电出力单位调整成本，是缓冲机组在t时刻初的出力调整量，是风电机组在t时刻初的弃风量，κ_v为弃风权重因子；步骤三、获取下一周期的风电预测出力及总负荷预测信息，并设置阈值P_wind；利用下一周期的风电预测出力减去当前周期的风电出力获得风电总出力预测增量，判断风电总出力预测增量是否大于P_wind；若大于等于P_wind，则下一周期电力系统选择弃风；若小于P_wind，则下一周期电力系统选择全部接纳风电出力；步骤四、设定和为决策变量，组成待求染色体；步骤五、随机产生初代染色体，基于拉丁超立方采样获取风电预测误差样品，通过概率潮流方法得到电力系统有功潮流概率分布，验证其是否满足如下4个约束条件；$\underset{v\in N_{\mathrm{rt}}}{\Sigma }\Delta P_v^{\mathrm{rt}}\left(t\right)+\underset{v\in N_{\mathrm{wind}}}{\Sigma }(\Delta P_v^{\mathrm{wind}}\left(t\right)-\Delta P_v^{\mathrm{loss}}\left(t\right))-\Delta P_{\mathrm{load}}=0---\left(2\right)$$\mathrm{Pr}\{\underset{‾}{P_{\mathrm{Tk}}}\le P_{\mathrm{Tk}}\left({ϵ}_v^f\left(t\right)\right)\le \underset{‾}{\overline{P_{\mathrm{Tk}}}}\}\ge 1-{\theta }_1^{\mathrm{rt}}---\left(4\right)$$-\Delta \underset{‾}{P_v^{\mathrm{rt}}}\le \Delta P_v^{\mathrm{rt}}\left(t\right)\le \Delta P_v^{\mathrm{rt}}---\left(5\right)$$\mathrm{Pr}\{-\underset{v\in N_{\mathrm{rt}}}{\Sigma }\Delta \underset{‾}{P_v^{\mathrm{rt}}}\le \underset{v\in N_{\mathrm{rt}}}{\Sigma }\Delta P_v^{\mathrm{rt}}\left(t\right)-\underset{v\in N_{\mathrm{wind}}}{\Sigma }({ϵ}_v^f\left(t\right)-\Delta P_v^{\mathrm{loss}}\left(t\right))\le \underset{v\in N_{\mathrm{rt}}}{\Sigma }\Delta \overline{P_v^{\mathrm{rt}}}\}\le 1-{\theta }_2^{\mathrm{rt}}---\left(6\right)$式中：(2)式中：是风电机组预测出力的增量，ΔP_load为总负荷预测的增量，总负荷预测增量为下一周期总负荷预测信息减去当前周期总负荷；(3)式中：为风电机组的风电预测误差量，P_Tk为t时刻实时调度风电预测误差后的线路断面k的有功功率概率分布，为线路断面k的有功功率传输上限，为线路断面k的有功功率传输下限，Pr{·}表示概率，为给定的潮流约束置信水平，且该式需对电网中任一断面k都成立；(4)式中：为缓冲机组出力调整的下限，且$\Delta \underset{‾}{P_v^{\mathrm{rt}}}=\min (P_v^{\mathrm{rt}}(t-1)-P_{v,\min },\Delta P_v^{\mathrm{dn}}),$其中P_v,min为缓冲机组出力下限，为缓冲机组出力的最大下调量，为缓冲机组出力调整的上限，且$\Delta \overline{P_v^{\mathrm{rt}}}=\min (P_{v,\max }-P_v^{\mathrm{rt}}(t-1),\Delta P_v^{\mathrm{up}}),$其中P_v,max为缓冲机组出力上限，为缓冲机组出力的最大上调量；(5)式中：为给定的旋转备用约束置信水平；若满足所有约束条件，则将对应的初代染色体放入初代种群；否则重新产生染色体并在新的染色体的基础上重复上述采样及验证方法，将满足约束条件的对应的染色体放入初代种群中，直至达到种群规模N；步骤六：经由改进遗传算法进行保留、选择、交叉、变异、复制操作，采用基于序的评价函数，对新产生种群进行检验以确认其满足步骤五中的4个约束条件，直到改进遗传算法达到指定进化代数d或满足以下收敛性条件：$\underset{v\in N}{\Sigma }|{\eta }_v^d-{\eta }_v^{d-1}|\le ϵ---\left(7\right)$(1)式中：为染色体，d为进化代数，ε为收敛判据；步骤七：将最终代染色体中的最优个体作为优化后的缓冲机组出力调整量和弃风量，并按照优化后缓冲机组出力调整量和弃风量进行实时调度。