一种考虑风电不确定性的电-热联合系统经济调度方法技术方案

本发明专利技术公开了一种考虑风电不确定性的电‑热联合系统经济调度方法，首先，采用多场景法对风电的不确定性进行处理；其次，采用广义benders分解法将考虑风电不确定性的电‑热联合系统经济调度问题分为电力系统子问题和供热网络主问题。电力系统子问题为基于风电多场景的电力系统调度模型，供热网络主问题为考虑网络热延迟和建筑物热惯性的供热网络约束问题。先求解电力系统子问题得到机组出力及电锅炉功率，再以供热网络主问题对机组出力结果进行校验，若不满足则添加热电联产机组、电锅炉的约束至电力系统子问题，进行迭代求解。本方法在进行电‑热联合调度时较为精细化地考虑了风电的不确定性，对提高调度的经济性与保持电力系统的安全性很有意义。

An economic scheduling method of power heat combined system considering wind power uncertainty

【技术实现步骤摘要】
一种考虑风电不确定性的电-热联合系统经济调度方法
本专利技术涉及一种电力系统
，尤其涉及一种考虑风电不确定性的电-热联合系统经济调度方法。
技术介绍
可再生能源具有间歇性、反调峰特性，而热电机组又必须遵循“以热定电”的原则，使得调峰问题更加困难，以弃风作为调节手段的情况越来越多。热电联产将蒸汽中的余热充分利用，比热电分产节约20％-30％的能源。热电联产的锅炉容量大，除尘率高，可以有效降低污染。热电联产以供热为主，余热发电。热电联产具有较高的能源利用率，可达到70％-90％。电-热联合系统具有“资源利用率高、环保效益好”的特点，因此受到业内人士的广泛关注。对于目前存在的电-热联合系统调度方法，没有考虑风电的不确定性。随着风电装机容量的不端增大，风电的预测误差对电力系统的备用需求以及安全性产生的影响越来越不容忽视。
技术实现思路
本专利技术提出一种用多场景法来描述风电的不确定性、用广义benders分解法将电-热联合调度分解为电力系统子问题和供热网络主问题进行求解、能够保证两个系统隐私性的考虑风电不确定性的电-热联合系统经济调度方法。本专利技术的目的是提出一种考虑风电不确定性的电-热联合系统经济调度方法，首先通过采用多场景法对风电的不确定性进行处理，得到风电功率多场景；其次采用广义benders分解法将电-热联合系统经济调度问题分为电力系统子问题和供热网络主问题，进行分解迭代求解。该方法包括如下步骤：(1)提出了风电不确定性建模方法，生成确定性场景，对风电的不确定性进行了有效处理，步骤如下：(1-1)用蒙特卡洛模拟对预测误差服从正态分布的风电功率进行场景抽样，得到N个风电功率的样本，步骤如下：(1-1-1)风电功率与风电误差有线性的关系，风电功率也服从正态分布，将其累积分布函数表示为：Φt＝Ft(Xt),Φt∈[0,1]上式中，Xt为t时段的风电功率，为随机变量；Φt为t时段的风电功率对应的累积分布的概率；Ft为t时段的风电功率的概率累积分布函数；(1-1-2)抽取各时段风电功率对应的累积分布概率，即在累积分布概率所在区间[0,1]内随机抽取T个数，为一个T行的数组pi，T为调度时段数；(1-1-3)通过各时段风电功率对应的累积分布函数的反函数求得风电功率样本值，为(1-1-4)重复步骤(1-1-2)至(1-1-3)N次，得到N个风电功率的样本。(1-2)蒙特卡洛模拟抽样得到的样本容量较大，需要进行场景削减，步骤如下：(1-2-1)假设抽样得到的N个风电功率的场景代表所有风电功率可能出现的情况，则每个场景的概率为：qi＝1/N(1-2-2)计算每两个场景间的相对距离：上式中，ξi、ξj为场景i、j，为第i个场景中第t时段的风电功率；(1-2-3)对于每一个场景ξi，找到与其相对距离最小的场景，从而获取minD(ξi,ξj)，i≠j；(1-2-4)计算概率相对距离PDi：PDi＝D(ξi,ξj)P(ξi)上式中，P(ξi)为场景i的概率；对于步骤(1-2-3)中每一对场景，计算其概率相对距离，可以找到最小概率相对距离对应的场景s，则PDs＝min{PDi}；(1-2-5)针对步骤(1-2-4)中求得的场景s及与其最近的场景，这两个场景中要被淘汰一个场景，选择原则如下：该场景与其他的场景同样也十分靠近，删除此场景对整个场景的特征及信息的影响较小；或此场景发生的概率较小；(1-2-6)步骤(1-2-5)中淘汰了相应的场景后，需将该淘汰场景本身的概率叠加至另一被保留的场景概率之中；(1-2-7)反复迭代步骤(1-2-3)至步骤(1-2-6)，直至削减后的场景数达到要求。(2)置迭代次数z为0，对于电力系统子问题进行优化，得到不考虑热力系统运行约束的经济调度的结果，所述电力系统子问题决策为不考虑热力系统运行约束的电力系统优化模型，包括目标函数和约束条件；(2-1)所述目标函数为系统在各风电出力场景下的煤耗成本、弃风惩罚成本期望值最小，表达式为：上式中，T为调度时段数，Δt为调度时间间隔，NCHP、NG、Nw分别为热电联产机组、常规火电机组、风电机组的台数，Ns表示场景的个数，分别为第i台热电联产机组在时段t的发电出力、供热出力，为第i台常规火电机组在时段t的发电出力，为第s场景下第i台常规火电机组在t时段旋转备用调用量，由常规火电机组承担所有的旋转备用，为第s场景下第i台风电机组在时段t的发电出力，Pro(s)为第s场景的概率；其中的热电联产机组的成本函数为：上式中，a0,i、a1,i、a2,i、a3,i、a4,i、a5,i为热电联产机组的成本函数系数；常规火电机组的成本函数为：上式中，b0,i、b1,i、b2,i为第i台常规火电机组的成本函数系数；风电机组的弃风惩罚成本函数为：上式中，为第s场景下的风电功率，δ为弃风惩罚成本系数。(2-2)电力系统子问题约束条件，包括：(2-2-1)电-热联合系统中的电力系统的运行约束条件：(2-2-1-1)电功率平衡约束：每个风电出力场景下的火电机组功率调整量、风电的实际发电攻率都不同，都需要满足发电功率与负荷的平衡。上式中，为第i个循环泵在t时段所需电功率，Np为循环泵的个数，为第i个电锅炉在t时段消耗的电功率，NGB为电锅炉的个数，为第i个负荷节点的负荷功率，ND为负荷节点的个数；(2-2-1-2)电网潮流约束：上式中，为输电线路j在t时段的功率，采用直流潮流计算得到，为第j条输电线路的功率上下限；(2-2-1-3)火电机组约束：机组出力约束：上式中，为第i台常规火电机组出力的上、下限。旋转备用约束：各场景中火电机组的最大调整量即为所需的旋转备用，则旋转备用约束可表示为各场景下的火电机组旋转备用调用量满足相应的约束；式中，T10表示旋转备用响应时间10min，为第i台火电机组上、下爬坡率，单位为MW/min；爬坡约束：(2-2-1-4)风电场出力约束：各场景下风电场的实际发电量要小于该场景下的可用的风电发电量；(2-2-1-5)热电联产机组约束：出力约束：上式中，为第i台热电联产机组的最大热功率，分别为热电联产机组纯凝工况下的最大、最小电出力，Cv,i为热电联产机组i总进汽量不变时多抽取单位供热量下发电功率的减小量，Cm,i为热电联产机组i背压运行时的电功率和热功率的弹性系数，Ci为常数；热出力爬坡约束：上式中，Φiup、Φidown分别为机组i的最大向上、向下的热功率爬坡速率；电出力爬坡约束：(2-2-1-6)电锅炉功率约束电锅炉电、热功率关系约束：上式中，表示第i台电锅炉在t时段的热功率，表示第i台电锅炉在t时段的电功率，表示第i台电锅炉的效率；电锅炉功率约束：上式中，表示第i台电锅炉的最大电功率；(3)基于电力系统子问题的优化结果，对供热网络主问题进行可行性检验。供热网络主问题为考虑网络热延迟和建筑物热惯性的供热网络约束问题。供热网络与电力系统的连接仅为供热网络首端与由热电联产机组及电锅炉组成的热源相连，以验证电力系统子问题优化的热电联产机组热出力、电锅炉电功率能否满足供热网络首端功率的约束；(3-1)供热网络优化目标函数为所有松弛变量的和：上式中，S1t、S2t为非负松弛变量。(3-2)供热网络约束条件：(3-2-1)热功率平衡约束：上式中，为第i个CHP机组本文档来自技高网...

【技术保护点】
1.一种考虑风电不确定性的电‑热联合系统经济调度方法，其特征在于：所述方法包括如下步骤：(1)提出了风电不确定性建模方法，生成确定性场景，对风电的不确定性进行了有效处理，其中步骤如下：(1‑1)用蒙特卡洛模拟对预测误差服从正态分布的风电功率进行场景抽样，得到N个风电功率的样本，步骤如下：(1‑1‑1)风电功率与风电误差有线性的关系，风电功率也服从正态分布，将其累积分布函数表示为：Φt＝Ft(Xt),Φt∈[0,1]上式中，Xt为t时段的风电功率，为随机变量；Φt为t时段的风电功率对应的累积分布的概率；Ft为t时段的风电功率的概率累积分布函数；(1‑1‑2)抽取各时段风电功率对应的累积分布概率，即在累积分布概率所在区间[0,1]内随机抽取T个数，为一个T行的数组pi，T为调度时段数；(1‑1‑3)通过各时段风电功率对应的累积分布函数的反函数求得风电功率样本值，为xi(t)＝Ft

【技术特征摘要】
1.一种考虑风电不确定性的电-热联合系统经济调度方法，其特征在于：所述方法包括如下步骤：(1)提出了风电不确定性建模方法，生成确定性场景，对风电的不确定性进行了有效处理，其中步骤如下：(1-1)用蒙特卡洛模拟对预测误差服从正态分布的风电功率进行场景抽样，得到N个风电功率的样本，步骤如下：(1-1-1)风电功率与风电误差有线性的关系，风电功率也服从正态分布，将其累积分布函数表示为：Φt＝Ft(Xt),Φt∈[0,1]上式中，Xt为t时段的风电功率，为随机变量；Φt为t时段的风电功率对应的累积分布的概率；Ft为t时段的风电功率的概率累积分布函数；(1-1-2)抽取各时段风电功率对应的累积分布概率，即在累积分布概率所在区间[0,1]内随机抽取T个数，为一个T行的数组pi，T为调度时段数；(1-1-3)通过各时段风电功率对应的累积分布函数的反函数求得风电功率样本值，为xi(t)＝Ft-1(qi(t))；(1-1-4)重复步骤(1-1-2)至(1-1-3)N次，得到N个风电功率的样本；(1-2)蒙特卡洛模拟抽样得到的样本容量较大，需要进行场景削减，步骤如下：(1-2-1)假设抽样得到的N个风电功率的场景代表所有风电功率可能出现的情况，则每个场景的概率为：qi＝1/N(1-2-2)计算每两个场景间的相对距离：上式中，ξi、ξj为场景i、j，为第i个场景中第t时段的风电功率；(1-2-3)对于每一个场景ξi，找到与其相对距离最小的场景，从而获取minD(ξi,ξj)，i≠j；(1-2-4)计算概率相对距离PDi：PDi＝D(ξi,ξj)P(ξi)上式中，P(ξi)为场景i的概率；对于步骤(1-2-3)中每一对场景，计算其概率相对距离，可以找到最小概率相对距离对应的场景s，则PDs＝min{PDi}；(1-2-5)针对步骤(1-2-4)中求得的场景s及与其最近的场景，这两个场景中要被淘汰一个场景，选择原则如下：该场景与其他的场景同样也十分靠近，删除此场景对整个场景的特征及信息的影响较小；或此场景发生的概率较小；(1-2-6)步骤(1-2-5)中淘汰了相应的场景后，需将该淘汰场景本身的概率叠加至另一被保留的场景概率之中；(1-2-7)反复迭代步骤(1-2-3)至步骤(1-2-6)，直至削减后的场景数达到要求；(2)置迭代次数z为0，对于电力系统子问题进行优化，得到不考虑热力系统运行约束的经济调度的结果，所述电力系统子问题决策为不考虑热力系统运行约束的电力系统优化模型，包括目标函数和约束条件；(2-1)所述目标函数为系统在各风电出力场景下的煤耗成本、弃风惩罚成本期望值最小，表达式为：上式中，T为调度时段数，Δt为调度时间间隔，NCHP、NG、Nw分别为热电联产机组、常规火电机组、风电机组的台数，Ns表示场景的个数，分别为第i台热电联产机组在时段t的发电出力、供热出力，为第i台常规火电机组在时段t的发电出力，为第s场景下第i台常规火电机组在t时段旋转备用调用量，由常规火电机组承担所有的旋转备用，为第s场景下第i台风电机组在时段t的发电出力，Pro(s)为第s场景的概率；其中的热电联产机组的成本函数为：上式中，a0,i、a1,i、a2,i、a3,i、a4,i、a5,i为热电联产机组的成本函数系数；常规火电机组的成本函数为：上式中，b0,i、b1,i、b2,i为第i台常规火电机组的成本函数系数；风电机组的弃风惩罚成本函数为：上式中，为第s场景下的风电功率，δ为弃风惩罚成本系数；(2-2)电力系统子问题约束条件，包括(2-2-1)电-热联合系统中的电力系统的运行约束条件：(2-2-1-1)电功率平衡约束：每个风电出力场景下的火电机组功率调整量、风电的实际发电攻率都不同，都需要满足发电功率与负荷的平衡。上式中，为第i个循环泵在t时段所需电功率，Np为循环泵的个数，为第i个电锅炉在t时段消耗的电功率，NGB为电锅炉的个数，为第i个负荷节点的负荷功率，ND为负荷节点的个数；(2-2-1-2)电网潮流约束：上式中，为输电线路j在t时段的功率，采用直流潮流计算得到，为第j条输电线路的功率上下限；(2-2-1-3)火电机组约束：机组出力约束：上式中，为第i台常规火电机组出力的上、下限；旋转备用约束：各场景中火电机组的最大调整量即为所需的旋转备用，则旋转备用约束可表示为各场景下的火电机组旋转备用调用量满足相应的约束；式中，T10表示旋转备用响应时间1...

【专利技术属性】
技术研发人员：张鹏，王磊，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32