计及效益和风险的含不确定风电的日前调度方法技术

计及效益和风险的含不确定风电的日前调度方法，属于电力系统日前调度技术领域。其特征在于：包括如下步骤：步骤1，开始；步骤2，计算风速的概率密度函数和累积概率密度函数；步骤3，给定一个概率α，风速置信度为(1‑α)，计算风速在该置信度下的置信区间；步骤4，计算得到风电的置信区间；步骤5，计算得到风电的概率分布；步骤6，构建概率区间优化模型；步骤7，利用智能优化算法，对概率区间优化模型进行优化，得到最终的调度方案。本计及效益和风险的含不确定风电的日前调度方法，不需要对不同场景下的风速进行重复采样，而且也无需计算多目标优化问题，适应于解决随机不确定的电力系统日前调度问题。

【技术实现步骤摘要】

计及效益和风险的含不确定风电的日前调度方法，属于电力系统日前调度

技术介绍
风电的大规模集中式接入电网已经成为利用风能的主要方式，由于风电的间歇性和不确定性的特性，含风电的电力系统传统调度问题变成随机调度问题。传统的确定性调度方法由于没有考虑风电的不确定性，因此大规模风电入网将可能导致极端运行方式的出现，威胁系统运行的安全性。目前国内外通常采用四种建模方法求解含不确定风电的日前调度问题：模糊建模方法、鲁棒建模方法、概率建模方法和区间建模方法。在模糊建模方法中，不确定风电被视为模糊变量，通过构造不同类型的模糊函数来反映调度员的意愿；其优点是最终的调度解能够充分反映调度员的意愿。鲁棒建模方法的思想是将不确定的风电以一定的近似程度转化为一个具有多项式计算复杂度的确定性凸优化问题，其目的是求得这样一个解：对于可能出现的所有情况，约束条件均满足，并且使得最坏情况下的目标函数值都接近最优；其优点是能将不确定性问题的计算复杂度降低成类似于确定性问题的计算复杂度。在概率建模方法中，首先假设不确定风速服从某种特定的概率分布，然后采用蒙塔卡罗采样或拉丁超立方采样方法模拟不同场景下的风速；只要采样次数足够多，该方法能够较准确的模拟不确定风电。区间建模方法则是将风电视为区间变量，然后对其进行优化以得到最大效益；该建模方法大大减少了随机采样的计算量。但是，上述的四种建模方法都存在着一定的不足，如模糊建模方法存在强烈的主观性，使得最终的调度方案过度依赖于调度员的意愿；鲁棒建模方法面临着如何构造一个可追踪调度模型的挑战，难以确定最差场景下的优化目标；概率建模方法则存在着重复采样计算量大的问题，另外该建模方法往往忽略了不确定风电的风险性；区间建模方法只考虑了风电入网给系统运行带来的效益，没有计及不确定风电给系统运行带来的风险。因此对于含风电的电力系统日前调度来讲，为了得到经济安全的调度方案，必须充分考虑不确定风电的效益和风险，同时减少优化求解的计算量，为调度问题提供科学参考依据。
技术实现思路
本专利技术要解决的技术问题是：克服现有技术的不足，提供一种计及效益和风险的含不确定风电的日前调度方法，该方法不需要对风速进行重复采样，而且也无需计算多目标优化问题，适应于解决随机不确定的电力系统日前调度问题。本专利技术解决其技术问题所采用的技术方案是：该计及效益和风险的含不确定风电的日前调度方法，其特征在于：包括如下步骤：步骤1，开始；步骤2，计算风速的概率密度函数和风速的累积概率密度函数；步骤3，给定一个概率α，风速置信度为(1-α)，计算风速在该置信度下的置信区间；步骤4，利用风速的累积概率密度函数，运用风速与风电的数学模型，计算得到风电的置信区间；步骤5，利用风速的累积概率密度函数和风电与风速的数学模型，计算得到风电的概率分布；步骤6，根据风电置信区间和风电的概率分布，构建概率区间优化模型；步骤7，利用智能优化算法，对概率区间优化模型进行优化，得到最终的调度方案。优选的，步骤2中所述风速的概率密度函数的计算公式为： f = 1 σ 2 π e - ( v - μ ) 2 2 σ 2 ]]>其中，μ和σ分别表示实际风速v的均值和标准方差。优选的，步骤2中所述风速的累积概率密度函数的计算公式为： F = 1 σ 2 π ∫ 0 v e - ( t - μ ) 2 2 σ 2 d t ]]>其中，μ和σ分别表示实际风速v的均值和标准方差。优选的，步骤3中所述的风速置信区间的数学模型为： P ( | v - μ σ | ≥ Z α 2 ) = α ⇒ P ( | v - μ σ | ≤ 本文档来自技高网...

【技术保护点】
计及效益和风险的含不确定风电的日前调度方法，其特征在于：包括如下步骤：步骤1，开始；步骤2，计算风速的概率密度函数和风速的累积概率密度函数；步骤3，给定一个概率α，风速置信度为(1‑α)，计算风速在该置信度下的置信区间；步骤4，利用风速的累积概率密度函数，运用风速与风电的数学模型，计算得到风电的置信区间；步骤5，利用风速的累积概率密度函数和风电与风速的数学模型，计算得到风电的概率分布；步骤6，根据风电置信区间和风电的概率分布，构建概率区间优化模型；步骤7，利用智能优化算法，对概率区间优化模型进行优化，得到最终的调度方案。

【技术特征摘要】
1.计及效益和风险的含不确定风电的日前调度方法，其特征在于：包括如下步骤：步骤1，开始；步骤2，计算风速的概率密度函数和风速的累积概率密度函数；步骤3，给定一个概率α，风速置信度为(1-α)，计算风速在该置信度下的置信区间；步骤4，利用风速的累积概率密度函数，运用风速与风电的数学模型，计算得到风电的置信区间；步骤5，利用风速的累积概率密度函数和风电与风速的数学模型，计算得到风电的概率分布；步骤6，根据风电置信区间和风电的概率分布，构建概率区间优化模型；步骤7，利用智能优化算法，对概率区间优化模型进行优化，得到最终的调度方案。2.根据权利要求1所述的计及效益和风险的含不确定风电的日前调度方法，其特征在于：步骤2中所述风速的概率密度函数的计算公式为： f = 1 σ 2 π e - ( v - μ ) 2 2 σ 2 ]]>其中，μ和σ分别表示实际风速v的均值和标准方差。3.根据权利要求1所述的计及效益和风险的含不确定风电的日前调度方法，其特征在于：步骤2中所述风速的累积概率密度函数的计算公式为： F = 1 σ 2 π ∫ 0 v e - ( t - μ ) 2 2 σ 2 d t ]]>其中，μ和σ分别表示实际风速v的均值和标准方差。4.根据权利要求1所述的计及效益和风险的含不确定风电的日前调度方法，其特征在于：步骤3中所述的风速置信区间的数学模型为： P ( | v - μ σ | > Z α 2 ) = α ⇒ P ( | v - μ σ | ≤ Z 1 - α 2 ) = 1 - α ⇒ P ( - Z 1 - α 2 ≤ v - μ σ ≤ Z 1 - α 2 ) = 1 - α ]]>即： v - μ σ ∈ [ - Z 1 - α 2 , Z 1 - α 2 ] ⇒ v ∈ [ μ - Z 1 - α 2 * σ , μ + Z 1 - α 2 * σ ] ]]>其中：μ和σ分别表示实际风速v的均值和标准方差。5.根据权利要求1所述的计及效益和风险的含不确定风电的日前调度方法，其特征在于：步骤4中所述的风电的置信区间的数学模型为： P W = 0 , 0 ≤ v < v c i a + bv 3 , v c i ≤ v < v r a P r a , v r a ≤ v ≤ v c o 0 , v > v c o ]]>其中，v,vc,ivr,avc分别表示实际风速，切入风速，额定风速和切出风速；Pra表示风机的额定功率。6.根据权利要求1所述的计及效益和风险的含不确定风电的日前调度方法，其特征在于：步骤5中所述的风电的概率分布的计算公式为：当PW＝0时，对应的风速区间为[0,vci)和(vco,+∞)，风电概率为： p ( P W = 0 ) = P ( v < v c i ) + P ( v > v c o ) = P ( v < v c i ) + 1 - P ( v ≤ v c o ) = F ( v c i ) + 1 - F ( v c o ) = 1 σ 2 π ∫ 0 v c i e - ( t - μ ) 2 2 σ 2 d t + 1 - 1 σ 2 π ∫ 0 v c o e - ( t - μ ) 2 2 σ 2 d t ]]>当PW＝Pra时，对应的风速区间为[vra,vco]，风电概率为： p ( P W ...

【专利技术属性】
技术研发人员：陈佳佳，庄云蓓，赵艳雷，胡元潮，安韵竹，刘剑，李海涛，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：山东;37