适应新能源接入的短期与超短期协调滚动调度优化策略制造技术

本发明专利技术公开了一种新能源接入后基于多时间尺度和MPC分层控制理论的短期与超短期协调滚动调度优化策略。该策略包括：确定适应新能源接入的基于多时间尺度的协调滚动调度总体框架；确定本策略使用的MPC（ModelPredictiveControl）控制方法和分层递阶控制方法，包括MPC的概念及其在新能源接入下的应用模型，分层递阶控制方法的研究等；基于多时间尺度、MPC和分层递阶控制方法，确定适应新能源接入的短期与超短期协调滚动调度MPC分层控制策略；研究确定适应新能源接入的协调滚动调度MPC分层优化模型，主要指滚动调度最优计划层和实时修正计划层的数学模型，包括目标函数，各种约束条件等。具体步骤见摘要附图。本发明专利技术解决了间歇式新能源接入后的协调滚动调度问题。

【技术实现步骤摘要】

本专利技术属于间歇式新能源接入后的优化滚动调度
，尤其涉及一种适应新能源接入的基于多时间尺度和MPC分层控制理论的协调滚动调度优化策略。
技术介绍
随着国内风、光电等间歇式新能源并网规模的不断扩大，其对电网的运行安全造成了严重威胁，电力系统能量管理和运行控制正面临着严峻挑战。其原因如下： 1)风、光电出力具有强不确定性。风、光电等间歇式能源出力不确定性大，很难预测，其预测精度也很低，而且预测提前的时间越长，其预测误差越大。大规模新能源的接入使电力系统运行的不确定性增大，迫切需要寻求能够更好应对风、光电出力不确定性的调度控制模式和方法。 2)复杂的优化调度和快速的实时控制矛盾。大规模风电的调度控制要兼顾经济和安全，是一类具有不确定性的复杂大系统多目标优化问题。优化调度和实时控制各自的优化目标和决策的时间尺度是不同的，这与传统的调度模式有很大区别。 国内传统的调度方式主要采用人工日前调度计划和自动发电控制(AGC)等2个时间尺度相结合的调度方式。这2个时间尺度跨度大，调度模式较粗放，无法适应大规模新能源接入后的电网调度。传统调度方式主要存在以下问题：①日前负荷预测结果与实际负荷往往存在较大偏差，特别是大规模上网风、光电的随机性和波动性，使得日前计划在执行中和实际情况存在很大偏差；②日前调度与AGC之间时间跨度太大，日前计划偏差、负荷和风光电随机扰动全部由AGC机组来负担，经常会出现AGC可调容量不足的情况，进一步影响了系统的安全性和电能质量。 因此，需要在传统的调度模式基础上，研究适应间歇式新能源接入的滚动调度优化策略，以更好的弥补风、光电等间歇式能源的预测偏差，消除新能源波动性对系统的不利影响，保证系统的安全性和经济性。
技术实现思路
本专利技术的目的在于，提供一种适应新能源接入的短期与超短期协调滚动调度优化策略，用于解决新能源接入后的滚动调度问题。 为实现上述目的，本专利技术提供的技术方案是，一种适应间歇式新能源接入的基于多时间尺度和MPC分层控制理论的协调滚动调度优化策略，其特征是所述方法包括： 步骤1：确定适应新能源接入的基于多时间尺度的协调滚动调度总体框架：将传统的调度模式改造为具有日前发电计划、滚动调度最优计划、实时调度修正计划和AGC四个时间尺度的滚动调度模式； 步骤2：确定本策略使用的MPC(Model Predictive Control)控制方法和分层递阶控制方法，包括MPC的概念及其在新能源接入下的应用模型，分层递阶控制方法的研究等； 步骤3：在步骤1和步骤2的基础上，确定适应新能源接入的短期与超短期协调滚动调度MPC分层控制策略：将分层递阶控制融入MPC方法中，形成含有滚动调度最优计划层、实时调度修正计划层、反馈校正层的分层MPC控制架构，每一层负责修正上一层的偏差，体现了一种“多级协调、逐级细化”的思想； 步骤4：在步骤3的基础上，确定适应新能源接入的协调滚动调度MPC分层优化模型，主要指滚动调度最优计划层和实时修正计划层的数学模型，包括目标函数，各种约束条件等。 所述适应新能源接入的基于多时间尺度的协调滚动调度总体框架，是在传统调度模式的日前发电计划(day级)和AGC(seconds级)两个时间尺度的基础上，增加滚动调度最优计划(15～30min级)和实时调度修正计划(5～15min级)两个时间尺度。每个时间尺度发电计划的制定，都以上一级的计划数据为基础，并利用最新的风、光电预测值和负荷预测数据，结合相应的调度模型，滚动刷新常规机组出力，将上一级遗留的偏差由下一级来修正，形成适应间歇式新能源接入的多时间尺度滚动调度模式。其中，滚动调度最优计划以扩展短期负荷预测及风功率预测为基础，每15分钟启动一次；实时调度修正计划以超短期负荷预测及风功率预测为基础，每5分钟启动一次。 所述MPC控制方法和分层递阶控制方法是： 1)MPC是一类基于模型的有限时域闭环最优控制算法，由模型预测、滚动优化、反馈校正等3部分组成:模型预测的功能是根据过程的历史信息和未来输入预测过程的未来输出值，为MPC的优化提供先验知识；滚动优化是基于实际系统的输出反馈结果，通过对控制目标的反复滚动寻优，获得将来一段时段的最优控制措施；反馈校正是用实际系统稳态输出量的量测值来校正，修正预测模型，重新进行滚动优化，并循环进行。 大规模间歇式风电接入后，MPC以风电输出功率滚动预测为基础，在每一采样周期根据最新的风电预测结果进行优化控制，以有限时段的基于系统实际运行状态的反复滚动优化代替传统最优控制的一次离线全局优化，以时段最优代替全局最优，以降低风电预测的不准确性对控制过程的影响，其优化模型如下所示： min p t ( k ) p j w ( k ) Σ i , j Σ k = 1 N J ( 本文档来自技高网...

【技术保护点】
一种适应新能源接入的基于多时间尺度和MPC分层控制理论的短期与超短期协调滚动调度优化策略，其特征是所述方法包括：步骤1：确定适应新能源接入的基于多时间尺度的协调滚动调度总体框架：将传统的调度模式改造为具有日前发电计划、滚动调度最优计划、实时调度修正计划和AGC四个时间尺度的滚动调度模式；步骤2：确定本策略使用的MPC(Model Predictive Control)控制方法和分层递阶控制方法，包括MPC的概念及其在新能源接入下的应用模型，分层递阶控制方法的研究等；步骤3：在步骤1和步骤2的基础上，确定适应新能源接入的短期与超短期协调滚动调度MPC分层控制策略：将分层递阶控制融入MPC方法中，形成含有滚动调度最优计划层、实时调度修正计划层、反馈校正层的分层MPC控制架构，每一层负责修正上一层的偏差，体现了一种“多级协调、逐级细化”的思想；步骤4：在步骤3的基础上，确定适应新能源接入的协调滚动调度MPC分层优化模型，主要指滚动调度最优计划层和实时修正计划层的数学模型，包括目标函数，各种约束条件等。

【技术特征摘要】
1.一种适应新能源接入的基于多时间尺度和MPC分层控制理论的短期与超
短期协调滚动调度优化策略，其特征是所述方法包括：
步骤1：确定适应新能源接入的基于多时间尺度的协调滚动调度总体框架：
将传统的调度模式改造为具有日前发电计划、滚动调度最优计划、实时调度修正
计划和AGC四个时间尺度的滚动调度模式；
步骤2：确定本策略使用的MPC(Model Predictive Control)控制方法和分
层递阶控制方法，包括MPC的概念及其在新能源接入下的应用模型，分层递阶
控制方法的研究等；
步骤3：在步骤1和步骤2的基础上，确定适应新能源接入的短期与超短期
协调滚动调度MPC分层控制策略：将分层递阶控制融入MPC方法中，形成含有
滚动调度最优计划层、实时调度修正计划层、反馈校正层的分层MPC控制架构，
每一层负责修正上一层的偏差，体现了一种“多级协调、逐级细化”的思想；
步骤4：在步骤3的基础上，确定适应新能源接入的协调滚动调度MPC分
层优化模型，主要指滚动调度最优计划层和实时修正计划层的数学模型，包括目
标函数，各种约束条件等。
2.根据权利要求1所述适应新能源接入的基于多时间尺度的协调滚动调度
总体框架，是在传统调度模式的日前发电计划(day级)和AGC(seconds级)
两个时间尺度的基础上，增加滚动调度最优计划(15～30min级)和实时调度修
正计划(5～15min级)两个时间尺度，每个时间尺度发电计划的制定，都以上一
级的计划数据为基础，并利用最新的风、光电预测值和负荷预测数据，结合相应
的调度模型，滚动刷新常规机组出力，将上一级遗留的偏差由下一级来修正，形
成适应间歇式新能源接入的多时间尺度滚动调度模式；其中，滚动调度最优计划

\t以扩展短期负荷预测及风功率预测为基础，每15分钟启动一次；实时调度修正
计划以超短期负荷预测及风功率预测为基础，每5分钟启动一次。
3.根据权利要求1所述的MPC控制方法和分层递阶控制方法
1)MPC是一类基于模型的有限时域闭环最优控制算法，由模型预测、滚动
优化、反馈校正等3部分组成:模型预测的功能是根据过程的历史信息和未来输入
预测过程的未来输出值，为MPC的优化提供先验知识；滚动优化是基于实际系统
的输出反馈结果，通过对控制目标的反复滚动寻优，获得将来一段时段的最优控
制措施；反馈校正是用实际系统稳态输出量的量测值来校正，修正预测模型，重
新进行滚动优化，并循环进行；
大规模间歇式风电接入后，MPC以风电输出功率滚动预测为基础，在每一
采样周期根据最新的风电预测结果进行优化控制，以有限时段的基于系统实际运
行状态的反复滚动优化代替传统最优控制的一次离线全局优化，以时段最优代替
全局最优，以降低风电预测的不准确性对控制过程的影响，其优化模型如下所示：
min p t ( k ) p j w ( k ) Σ i , j Σ k = 1 N J ( p i ( k ) , p j w ( k ) ) s . t . Σ i p i ( k ) + Σ j p j w ( k ) = L ^ ( k ) L ^ ( k ) = f 1 ( L ^ ( k - 1 ) ) p ^ j w , max ( k ) = f 2 ( p ^ j w , max ( k - 1 ) ) 0 ≤ p j w ( k ) ≤ p ^ j w , max ( k ) p i min ( k ) ≤ p i ( k ) ≤ p i max ( k ) - Δ p d , i ≤ p i ( k ) - p i ( k - 1 ) ≤ Δ p u , i g ( p i ( k ) , p j w ( k ) ) ≤ ]]> 式中：f1和f2分别为未来负荷需求及风电最大出力预测模型，预测模型以及为输出变量，以风电、负荷历史出力及数值天气预报结果为输入变量；
△pd,i和△pu,i分别为发电机i的下调和上调步长约束；g(*)≤0表示系统其他安全约束；
2)分层递阶控制方法：大系统处于不确定环境中，在决策时往往需要通过
较长时间积累资料和经验，不断修正控制过程的目标函数、约束条件和数学模型

\t的不确定参数，以保持系统的最优运行状态，但是决策的制定和执行却要求及时、
迅速，否则控制就不能适应系统的实时变化；为解决这一矛盾，分层递阶控制通
过“变粒度”方法将大系统总的复杂决策问题按控制功能或决策性质的分解来...

【专利技术属性】
技术研发人员：王维洲，王建波，刘福潮，姜希伟，郑晶晶，郭鹏，杜培东，夏鹏，张建华，付熙玮，韩永军，刘文颖，
申请(专利权)人：国家电网公司，国网甘肃省电力公司电力科学研究院，华北电力大学，
类型：发明
国别省市：北京;11