电力市场环境下发电调度与上下时间级的协调

电力市场环境下发电调度与上下时间级的协调

风电工程效率的预测偏差通常为25%-40%，预测精度随着时间的推移而逐渐降低。因此，在当前制定的发电计划的实际设计中，由于水电的实际设计输出曲线显著偏离预测曲线，因此很难实施。多时间隔协调的规划方法是慢慢消除风电设计的偏差，提高系统的消纳电气能的效率。实时布局是多时间斗争的核心内容之一。基于短期预测的先时预测的提前调整。实时t-t（t循环通常为5.15分钟）时间的推移是对上一时间内发电计划（滚动发电计划）的修正和偏差的修正。在文献中，我们讨论了在能源市场环境下和节能发电原则下实现实时规划和协调上一段时间内发电规划的策略。在文献中，我们研究了基于采购成本和煤炭消耗最小化的实时计划策略。然而，上述文件中没有考虑风电工程的影响。在文献中，我们提出了基于最小放弃风的实时设计模式，采用了线性渐进式优化模型。传统的提升模型可能会导致大型传统机组的调整不足，严重偏离经济领域。在文献中，建立了基于最大消耗风能力和最小化火电工具的实时规划模型，并取得了良好的运行效果。然而，目前，风电工程的基础数据并不完整，尚未建立实时风电工程系统。为了立即提供更短的预测值，需要进行调整和修改。因此，在基于波动校正的最佳动态规划和校正中，无法提高发电计划的精度。本研究依托武汉大学智能电网研究平台，建立了一种超短期内风电时序动态修正的电力系统实时调度模型．该模型依据最新的风电功率实测值，采用马尔科夫链时序预测方法，以5～15min为周期动态修正风电超短期预测功率的时间序列，并以煤耗增量最小和弃风最小为双重优化目标同步修正风电场及常规机组的发电计划．1基于区块分析的实时规划模型1.1实时机组优化问题实时调度不改变机组启停安排，考虑以机组出力调整引起的系统能耗增量成本最小为优化目标，即式中：ai和bi分别为机组i的能耗二次项、一次项系数；NG为实时机组个数；p*Gi为机组i的滚动计划出力值；ΔpGi为机组i的出力的修正量，则机组i的实时计划出力值可表示为pGi=p*Gi+ΔpGi.1.2状态个数及状态变量的确定X=(X1,X2，…，Xt，…），式中：X为风电预测误差的时间序列向量；Xt为第t时段的预测误差．运用二阶的马尔科夫模型对该序列变量之间的状态转移概率进行估计，即式中：k,i,j∈{1,2，…，n}，n为状态变量个数；qkij(t）为状态转移矩阵Q(t）的元素，表示第t+1时刻状态是sj的概率，仅与t时刻状态si及t-1时刻的状态sk有关，则有n个状态变量的转移矩阵Q(t）的阶数为n×n×n;S为状态空间，记为S={s1,s2…，sn}．通过极大似然估计方法确定qkij(t），即：式中nkij(t）表示sk,si→sj状态转移的数量，可由风电场历史运行数据以统计方法求得．建模时状态个数和状态变量确定的适当与否会影响到模型估计的精度．传统的状态个数划分方法，如样本均值-均方差分级法是应用样本均值与样本均方差来刻画随机变量的变化，但不能考虑物理因素对随机变量的影响，仅从统计的角度把样本均值作为随机变量波动区间的中心；另外，若有序聚类法要求各时段随机变量具有相依性，则以各阶自相关系数刻画状态变量之间的相关关系及其强弱，但风电机组发出的功率数据没有任何规律且波动很大，状态变量之间的相关关系难以描述，因此也不适用．本文为了不破坏风电功率的数据特点，采用基本等分法进行划分，同时等分法划分方法也便于比较分析状态变量个数对预测结果准确性的影响．在确定二阶的马尔科夫模型各参数后，由状态转移概率矩阵Q(t）和初始误差分布向量，可以确定下一时段风电功率预测误差状态的概率密度分布ξ（t+1）=[ξ0(t），ξ0(t-1)]Q(t），其中：ξ（t+1）=[ξ1(t+1），ξ2(t+1），…，ξn(t+1）]为n维向量，第i个元素ξi(t+1）表示第t+1时段的预测误差等于状态si的概率；[ξ0(t），ξ0(t-1）]为第t+1时段的初始误差分布向量，由之前两个时段的实测误差值与预测值逐点比较求得．最后以期望误差状态修正第t+1时段的风电预测功率，有式中：为第t+1时段风电功率原预测值的期望误差状态；PW*(t+1）为第t+1时段原预测值；PWust(t+1）为修正后的第t+1时段预测值．则实时发电调度中弃风惩罚量目标可表示为f2=κ（PWust-PW），其中：PW为风电功率的实时计划值；κ为弃风惩罚系数．1.3实时调度模型建立A．功率平衡约束为其中UL为最新负荷预测值．B．风电场出力约束为0≤PW≤PWust.C．实时机组约束．a．爬坡率约束为其中：ΔpGi,dn和ΔpGi,up分别为机组i单位时间内允许的降出力和升出力限值；T15=15min为一个调度时段．b．出力上下限约束为pGimin≤pGi≤pGimax，其中pGimax和pGimin分别为机组i的出力上限和下限．c．调节偏差约束．为保证机组出力修正值与原计划值的关联性，设定机组的调节偏差阈值，使偏差控制在一定的范围内，即|ΔpGi|≤αi，其中αi为第i台机组的允许最大偏差值．D．旋转备用约束．风电并网后，系统不但需要附加的正旋转备用容量，还需要附加的负旋转备用容量，以应对风电功率的波动性，同时保证AGC机组被及时“拉回”到系统安全约束要求的调节范围内．约束条件为式中：Lu和Ld分别为负荷预测偏差对正、负备用的需求系数；wu和wd分别为风电预测偏差对正、负备用的需求系数；pus,Gi和pds,Gi分别为机组i提供的正、负旋转备用容量，有式中T10=10min为旋转备用响应时间．E．电网断面功率约束．对于重要的输电断面，应考虑其断面功率约束条件下的风电场和常规机组出力限制，即式中：Nm为断面m内的常规机组数；ρm,i为机组i对断面m的有功灵敏度；δm,W为风电场对断面m的有功灵敏度；为断面m的传输上限．由以上建模，实时调度模型可以写成如下带线性约束的二次规划形式式中：f为实时调度的目标函数，故有f=f1+f2;H为f的二次系数矩阵；x（≥0）为常规机组及风电场实时计划出力向量；h(x）和g(x）分别表示等式与不等式约束函数；g1和g2分别为不等式约束的上、下限列向量．2基于调度公平性原则的设备选型由于H半正定，因此式（1）是一个凸二次规划问题，推导可得出其拉格朗日对偶问题式中：A1和A2分别为等式与不等式约束的一次系数矩阵；b1和b2分别为等式与不等式约束的常系数向量；xs（≥0）为松弛变量，满足[A2,I][x,xs]T=b2;y和z分别为等式与不等式约束对应的拉格朗日乘子向量．调用Matlab中原对偶内点法程序沿原-对偶问题的中心路径寻求最优解．为简化算法对初始内点的求解过程，当模型的决策变量初值在各自取值范围之内即启动算法．其中风电功率实时计划初始值PW(0）的确定方法为：式中PW*为风电功率的滚动计划出力值．实时机组出力修正量的初始值ΔpGi(0）的确定方法为：根据上一时间尺度发电计划对机组出力的安排，将实时机组分为可上调机组和可下调机组两类，基于调度公平性原则定义分别确定各类机组的负荷分配因子βi和βi′，由βi和βi′与系统总有功功率偏差确定实时机组出力修正量的初始值，即：式中UL*为滚动计划的负荷预测值；ω1和ω2分别为上调机组和下调机组；算法沿原-对偶问题的中心路径方向搜索，路径上的点须满足松弛的Karush-Kuhn-Tucker(KKT）条件．由牛顿法求一阶导后可得第k次迭代的搜索方向（Δv(k），Δy(k），Δz(k））如下第k次迭代的步长为算法步骤为：步骤1输入原始参数、最新负荷预测值、超短期风电预测值及机组滚动计划出力值；步骤2数据初始化，给定初始点，设置容许误差ε，令δ=0.1,k∶=0;步骤4确定搜索方向并计算迭代步长λ；步骤5若条件‖σ‖1<ε，‖ρ‖1<ε，γ<ε同时满足则结束，得到问题的最优解，否则置k∶=k+1，转步骤3.3基于原对偶内点的实时调度算法在确定风电以含风电场的10机系统96时段/d为例进行仿真计算．算例中机组1与风电场组成约束断面1，传输限制为[-500,500]MW;wu=10%,wd=30%;Lu,Ld=5%；γi=10%；κ=max(aiγi+2aipGimax+bi），本文具体值为202.8；ε取1．风电场总装机140MW，取其3个月、96点的实际运行数据为基础数据，训练风电动态时序修正的二阶马尔科夫模型．训练所得状态1的误差范围是[66%，∞），状态2为[63%,66%），然后依次呈等差分布至状态37为[-42%,-39%），最后状态38是[-∞，-42%).我国基本采用大规模集中送出的形式，目前电网的电源结构仍以常规水、火电为主，当常规机组调峰能力不足而风电功率被严重低估时，不可避免地会产生大量弃风功率，因此针对这一情形应用所提出的实时调度方法进行了具体分析．图1为对某日风电场功率时序动态修正前后的96点模拟曲线．由图1可知：曲线2与曲线3符合程度较高，曲线3的平均预测误差减小到6.03%．由于曲线1对风电功率存在明显的低估，不利于风电的最大化利用，当风电并网比例大时还会给系统带来较大的调节负担．从第30时段开始出现较大的风电功率预测误差，故此时执行实时调度算法至本日结束，共执行了66次．图2为风电场实时计划出力与上一时间尺度滚动计划出力的对比．由于风电功率被低估，经过风电时序动态修正后的实时调度，各时段平均计划多消纳风电功率达到15.342MW.伴随着风电功率被更多地消纳，系统能耗节约也十分明显．如表1所示，实时调度后系统运行成本减少5.1673万美元，各时段平均减少运行成本0.107447万美元．算法平均执行一次耗时为0.74s，平均迭代次数为8次．图3为目标函数的收敛曲线，由图3可见：平均迭代8次以后目标函数接近最后的稳定值．迭代次数为7次时费用最低