一种风电—抽水蓄能联合系统的多目标优化方法技术方案

本发明专利技术公开一种风电—抽水蓄能联合系统的多目标优化方法，基于日前风电功率预测值已知且负荷确定，包括步骤：基于风电输出功率预测及预测误差的概率分布，采用自回归滑动平均模型进行场景采样并建立一组初始场景；采用场景缩减对初始场景进行处理得到最优风电场景树；建立以低碳和低成本为目标的数学优化模型，将机组的启停状态及机组在每时段的有功出力分配作为决策变量，采用二阶随机优化模型对最优风电场景树进行优化，输出最优的机组调度。本发明专利技术结合场景树创建和缩减技术得到最优风电场景，基于二阶随机优化，以最小成本和低碳为目标，采用增强ε约束的多目标算法及混合整数线性规划，最终得到最优的机组调度，可靠性和适用性好。

A multi objective optimization method of wind power pumped storage system

The invention discloses a multi-objective optimization method of energy storage system with wind power and pumped the day before the wind power prediction value is known and the load, comprising the steps of: Based on the probability distribution of wind power prediction error and prediction based on the autoregressive moving average model for scene sampling and established a group of initial scene; the scene cuts to the initial scene to get the optimum wind farm landscape tree; the mathematical optimization model is established with low carbon and low cost as the goal, the unit's start and stop state and units in each period of the active power distribution as decision variables, the optimal wind farm landscape tree to optimize the two order stochastic optimization model, unit the output of the optimal scheduling. The invention combines scene tree creation and reduction technique to obtain the optimal wind power scenarios, two order stochastic optimization based on minimum cost and low carbon as the goal, to enhance the use of epsilon constrained multi-objective algorithm and mixed integer linear programming, finally obtained the optimal scheduling of generating units, reliability and good applicability.

【技术实现步骤摘要】

本专利技术涉及风电—抽水蓄能联合系统优化的
，更具体地说，本专利技术涉及一种风电—抽水蓄能联合系统的多目标优化方法。
技术介绍
当今世界越来越重视可再生环保能源的利用，风能发电作为一项重要举措正在不断发展，中国风机的总装机容量处于世界前列。由于风能的随机性和波动性导致了风电出力不可控，当一定装机容量的风电直接入网时，可能会对电网产生巨大冲击，为了保证电网稳定安全的运行，只能限制风电入网的规模，这样就会出现大量的弃风现象导致风资源难以有效利用。为此，电力系统应着重解决风电大规模入网后的功率平衡和备用等问题，抽水蓄能装置响应快、实时调节能力强，即清洁又高效，并且风电—抽水蓄能电站的联合运行已有相对成熟的经验，是平滑风电场有功功率输出、维护电网安全稳定运行的有效措施。机组组合优化调度的实现，是目前国内外研究的热点问题。我国电力调度经历“三公调度”、“经济调度”和“节能调度”三个重要的发展阶段，不同的调度方式代表了各时期系统调度不同的侧重点。随着低碳经济的不断发展和完善，电力行业作为我国一次能源的最大消费体以及排碳大户，其传统电力调度方式亟待改革，提高能源利用率、减少碳排放量等问题将成为未来电力调度改革必须考虑的重要因素。低碳电力调度是在传统电力调度基础上的继承和发展，它以实现电力系统低能耗、低污染、低排放的“三低”运行为最终目标。因此，如何在保证经济性的同时有效实现低碳目标已成为我国目前低碳电力研究的关键问题，对风电—抽水蓄能联合系统进行低碳、低成本的多目标优化研究显得尤为必要。
技术实现思路
针对上述技术中存在的不足之处，本专利技术提供一种风电—抽水蓄能联合系统的多目标优化方法，结合场景树创建和缩减技术得到最优风电场景，基于二阶随机优化，以最小成本和低碳为目标，采用增强ε约束的多目标算法及混合整数线性规划，最终得到最优的机组调度，可靠性和适用性好，可有效解决大规模、非线性、含混合整数的多目标优化问题。为了实现根据本专利技术的这些目的和其它优点，本专利技术通过以下技术方案实现：本专利技术提供一种风电—抽水蓄能联合系统的多目标优化方法，基于日前风电功率预测值已知且负荷确定，其特征在于，包括以下步骤：基于风电输出功率预测及预测误差的概率分布，采用自回归滑动平均模型进行场景采样并建立一组初始场景；采用场景缩减对初始场景进行处理得到最优风电场景树；建立以低碳和低成本为目标的数学优化模型，将机组的启停状态及机组在每时段的有功出力分配作为决策变量，采用二阶随机优化模型对最优风电场景树进行优化，输出最优的机组调度。优选的是，采用自回归滑动平均模型进行场景采样并建立一组初始场景，包括以下步骤：采用自回归滑动平均模型对风电输出功率预测误差进行估计，即，则，场景S下风电场在各个时段的输出有功为：随机产生S个风电场输出功率场景，记为初始场景S，概率密度记为P；其中，p、q分别为自回归滑动平均模型的自回归及滑动平均部分的阶数，取1；θj为模型参数，估计得到；εt～N(0,σE)；为预测跨度为t个时段的风电场输出功率预测误差与预测期望功率值的比值。优选的是，采用场景缩减对初始场景进行处理得到最优风电场景树，包括以下步骤：采用场景缩减删除一组场景J，缩减后场景树的概率密度记为Q；采用Kantorovich距离Dk衡量初始场景和缩减后场景的距离，则，其中，表示场景i和j的间距；设最优场景树为H，则，H＝S-J；对应的删减场景J满足使minDk(P,Q)，则，缩减后场景的概率为其初始概率和所有与之距离接近而删除的场景的概率之和，即：优选的是，所述低碳的碳排放包括机组碳排放和大电网等值碳排放，所述低成本的成本包括机组启动费用和运行费用，则， min F cos t = Σ t T Σ i n C i s ( 1 - u i t - 1 ) u i t + Σ h H β h [ Σ t T Σ i n u i t F ( P G , i h t ) ] ; ]]>其中，Femission为碳排放量，Fcost为总费用；βh为场景h的概率；描述机组i在t时段的启动状态；机组处于启动状态，机组处于停止状态，为机组i在t时段的启动费用，当连续停机时间小于热启动临界时间tih时，取热启动费用反之，取冷启动费用描述场景h下机组i在t时段的燃料费，ai、bi、ci为机组运行成本的相关系数，ais、bis、cis为机组碳排放的相关系数。优选的是，采用二阶随机优化模型对最优风电场景树进行优化，包括以下步骤：将最优风电场景树的优化分成两个独立的优化阶段，定义机组的启停为具有离散变量的第一优化阶段，定义各机组每时段的有功出力及负荷分配为具有连续变量的第二优化阶段；通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化。优选的是，所述第一优化阶段的相关约束包括：机组开停机时间约束，其中，机组i在t时段的连 续运行或停机时间，连续运行取值为正，连续停机取负值；为机组i的最小运行时间，为机组i的最小停机时间；抽水蓄能电站输出有功功率约束：抽水和发电两种运行状态下水动态平衡及水库水容约束为：其中，分别为上下水库容量，αP、αG分别为抽水和发电的水流量系数。优选的是，所述第二优化阶段的相关约束包括：场景h中t时段系统功率平衡约束为：其中，为为机组的有功功率，为风机的有功功率，对抽水蓄能电站输出的有功功率，为负荷功率；场景h中t时段火电发电量上下限为；机组爬坡约束为：其中，为t时段机组功率下降的最大功率，为t时段机组功率上升的最大功率。优选的是，通过混合整数线性规划以及增强ε约束的多目标优化对所述第一优化阶段和所述第二优化阶段分别进行优化，包括步骤：将Fcost作为主目标函数，Femission加入比例因数δ和松弛变量s2后作为约束条件，并定义F1(x)＝Fcost，F2(x)＝Femission；对两个目标F1(x)和F2(x)分别进行优化计算，得到F1(x)的最大值和最小值F2(x)的最大值和最小值即目标F2(x)最大取值为目标F2(x)的取本文档来自技高网...

【技术保护点】
一种风电—抽水蓄能联合系统的多目标优化方法，基于日前风电功率预测值已知且负荷确定，其特征在于，包括以下步骤：基于风电输出功率预测及预测误差的概率分布，采用自回归滑动平均模型进行场景采样并建立一组初始场景；采用场景缩减对初始场景进行处理得到最优风电场景树；建立以低碳和低成本为目标的数学优化模型，将机组的启停状态及机组在每时段的有功出力分配作为决策变量，采用二阶随机优化模型对最优风电场景树进行优化，输出最优的机组调度。

【技术特征摘要】
1.一种风电—抽水蓄能联合系统的多目标优化方法，基于日前风电功率预测值已知且负荷确定，其特征在于，包括以下步骤：基于风电输出功率预测及预测误差的概率分布，采用自回归滑动平均模型进行场景采样并建立一组初始场景；采用场景缩减对初始场景进行处理得到最优风电场景树；建立以低碳和低成本为目标的数学优化模型，将机组的启停状态及机组在每时段的有功出力分配作为决策变量，采用二阶随机优化模型对最优风电场景树进行优化，输出最优的机组调度。2.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法，其特征在于，采用自回归滑动平均模型进行场景采样并建立一组初始场景，包括以下步骤：采用自回归滑动平均模型对风电输出功率预测误差进行估计，即，则，场景S下风电场在各个时段的输出有功为：随机产生S个风电场输出功率场景，记为初始场景S，概率密度记为P；其中，p、q分别为自回归滑动平均模型的自回归及滑动平均部分的阶数，取1；θj为模型参数，估计得到；εt～N(0,σE)；为预测跨度为t个时段的风电场输出功率预测误差与预测期望功率值的比值。3.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法，其特征在于，采用场景缩减对初始场景进行处理得到最优风电场景树，包括以下步骤：采用场景缩减删除一组场景J，缩减后场景树的概率密度记为Q；采用Kantorovich距离Dk衡量初始场景和缩减后场景的距离，则，其中，表示场景i和j的间距；设最优场景树为H，则，H＝S-J；对应的删减场景J满足使minDk(P,Q)，则，缩减后场景的概率为其初始概率和所有与之距离接近而删除的场景的概率之和，即：4.如权利要求1所述的风电—抽水蓄能联合系统的多目标优化方法，其特征在于，所述低碳的碳排放包括机组碳排放和大电网等值碳排放，所述低成本的成本包括机组启动费用和运行费用，则，其中，Femission为碳排放量，Fcost为总费用；βh为场景h的概率；描述机组i在t时段的启动状态；机组处于启动状态，机组处于停止状态，为机组i在t时段的启动费用，当连续停机时间小于热启动临界时间tih时，取热启动费用反之，取冷启动费用描述场景h下机组i在t时段的燃料费，ai、bi、ci为机组运行成本的相关系数，ais、bis、cis为机组碳排放的相关系数。5.如权利要求4所述的风电—抽水蓄能联合系统的多目标优化方法，其特征在于，采用二阶随机优化模型对最优风电场景树进行优化，包括以下步骤：将最优风电场景树的优化分...

【专利技术属性】
技术研发人员：吴义纯，李勇汇，黄洁，于传，陈银，徐晓彤，
申请(专利权)人：安徽电气工程职业技术学院，国网安徽省电力公司培训中心，国家电网公司，
类型：发明
国别省市：安徽;34