一种多能源电力系统日前优化调度方法及系统技术方案

本发明专利技术涉及一种多能源电力系统日前优化调度方法及系统。该方法包括：基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；定义虚拟净负荷，并根据风电光伏发电功率场景生成虚拟净负荷；基于虚拟净负荷，建立多能源电力系统的日前优化调度模型；采用改进的自适应遗传算法对多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。本发明专利技术能够对含有风光水火蓄的多能源电力系统进行优化调度，减少由于风电和光伏发电的不确定性和波动性造成的弃风弃光弃水以及对电力系统安全运行的不利影响，提高可再生能源的消纳水平。消纳水平。消纳水平。

【技术实现步骤摘要】
一种多能源电力系统日前优化调度方法及系统


[0001]本专利技术涉及电力系统日前优化调度领域，特别是涉及一种多能源电力系统日前优化调度方法及系统。

技术介绍

[0002]大力发展可再生能源发电是应对能源和环境压力的重要手段，含有高比例可再生能源并网的多能源电力系统已成为未来电力系统发展的必然趋势。然而，不同于稳定性好的常规火电与水电，风电和光伏发电具有较强的随机性，其大规模并网使得电力系统的运行不确定性显著增大。
[0003]随着风电和光伏发电的占比逐渐提高，采用确定性调度模型，通过提高备用发电容量来应对风光不确定性的方式的经济性越来越差。对此，国内外已经有学者做了大量研究，考虑风电和光伏发电的电源特性，将风光可再生能源的发电功率看作不确定变量，先后建立了鲁棒优化调度、区间优化调度、基于机会约束规划的随机优化调度和基于场景分析法的随机优化调度等多种优化调度模型。
[0004]鲁棒优化调度方法，以在不确定变量最坏(风光预测误差最大)的条件下寻优为核心思想进行调度。其主要实现步骤为如下：步骤一：以集合的方式描述风光发电功率这一不确定变量；步骤二：考虑最极端的情况下确定调度的优化目标函数；步骤三：建立包括电源的运行约束及系统的功率平衡约束在内的约束条件；步骤四：利用算法对调度模型进行求解得到调度结果。鲁棒优化调度方法所考虑的最劣势场景出现概率较低，使得调度方案偏保守且经济性较差。
[0005]区间优化调度利用区间变量代替不确定变量参与优化计算。该方法在目标函数及约束条件的建立中均采用区间变量代表风电和光伏的发电功率，其他步骤与鲁棒优化基本相似。区间优化调度方法由于在调度过程中只考虑风光发电功率的上下边界，因此也存在着经济性较差的问题。
[0006]基于机会约束规划的优化调度，不要求含不确定变量的约束必然成立，而是要求其成立的概率满足一定的置信水平要求，来进行优化调度。步骤一：利用风电和光伏发电功率的预测误差概率分布建模；步骤二：制定优化调度的目标函数；步骤三：基于风电光伏预测误差的概率分布模型建立含置信度的约束条件；步骤四：根据目标函数及约束条件对调度模型进行求解。基于机会约束规划的优化调度方法需要利用不确定变量的概率分布建模，但对于预测误差的分布规律难以做到完全准确的描述，只能排除极限小概率场景的影响。另外在模型求解过程中对机会约束条件需要进行一系列的处理，使得模型不够简洁，不利于快速求解。
[0007]基于场景分析法的优化调度根据不确定变量的概率分布信息进行抽样，采用多个确定性的场景来代表原来的不确定变量进行调度建模与求解。基于场景分析的调度方法，通过生成足够接近真实的场景，可以避免风光不确定变量带来的不利影响。但采用不同的场景生成方法还存在着不同的问题。
[0008]现有的场景生成方法可分为概率模型法、经典场景法和深度学习方法。
[0009]概率模型法根据统计经验或概率分布，结合蒙特卡洛、拉丁超立方等采样方法生成风光功率场景。步骤一：对风电和光伏发电功率的概率分布建模；步骤二：对所建立的概率分布模型进行采样，得到风光发电功率。概率模型法为了尽可能精确地表达不确定变量的分布信息，需要生成大量的场景，但这会显著增加优化调度模型的求解时间。
[0010]经典场景生成法应用数据挖掘和场景削减等技术可以在尽可能保留不确定变量概率分布信息的基础上，对大规模历史场景进行削减或优化生成，从而生成能够代表整个待解决问题区间的经典场景集。该方法主要步骤为在概率模型法基础上增加步骤三：利用算法对采样后得到的多个风光发电功率场景进行削减，得到具有代表性的风光发电功率场景。经典场景生成法随着电力系统中的数据维度的增加，计算复杂度也大大增加，经典场景生成方法面对复杂的实际应用环境缺乏广泛的适用性。
[0011]深度学习生成法基于深度学习框架，可以对数据进行深度挖掘，深入分析数据内部统计规律，实现场景的无监督生成。深度学习生成方法相较于其他类型的场景生成方法，泛化能力与数据表达能力强，且完全依靠数据驱动，具有无监督、可自主学习等优点。利用深度学习的方法挖掘不确定变量的内在规律，相比于利用概率分布的方法，能够生成足够接近真实的场景，避免不确定变量带来的不利影响。

技术实现思路

[0012]本专利技术的目的是提供一种多能源电力系统日前优化调度方法及系统，能够对含有风光水火蓄的多能源电力系统进行优化调度，减少由于风电和光伏发电的不确定性和波动性造成的弃风弃光弃水以及对电力系统安全运行的不利影响，提高可再生能源的消纳水平。
[0013]为实现上述目的，本专利技术提供了如下方案：
[0014]一种多能源电力系统日前优化调度方法，包括：
[0015]基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；
[0016]根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；
[0017]基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；
[0018]采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。
[0019]可选地，所述基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景，具体包括：
[0020]构建生成器和判别器；
[0021]获取高斯噪声和历史风电光伏数据；
[0022]将所述高斯噪声输入至所述生成器进行训练，生成风电数据和光伏数据；
[0023]将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；
[0024]在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的
Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。
[0025]可选地，所述根据所述风电光伏发电功率场景生成虚拟净负荷，具体包括：
[0026]根据所述风电光伏发电功率场景采用公式生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；
[0027]其中，P
VL,t
为第t个时段系统的虚拟净负荷；P
L,t
为第t个时段系统的实际总负荷；为第t个时段风电的最大发电能力；为第t个时段光伏的最大发电能力；为第t个时段第i台火电机组的最小技术出力；为第t个时段第i个水电站的强迫出力；N
th
和N
hy
分别为火电机组和水电站的总数。
[0028]可选地，所述基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型，具体包括：
[0029]以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多能源电力系统日前优化调度方法，其特征在于，包括：基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景；根据所述风电光伏发电功率场景生成虚拟净负荷，虚拟净负荷为在含风光水火的多能源电力系统中，某一时段的实际总负荷中除去火电的最小技术出力、水电的强迫出力及风电和光伏的最大发电功率后的负荷；基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型；采用改进的自适应遗传算法对所述多能源电力系统日前优化调度模型进行求解，得到最终的调度结果。2.根据权利要求1所述的多能源电力系统日前优化调度方法，其特征在于，所述基于Wasserstein距离的改进生成式对抗网络，生成风电光伏发电功率场景，具体包括：构建生成器和判别器；获取高斯噪声和历史风电光伏数据；将所述高斯噪声输入至所述生成器进行训练，生成风电数据和光伏数据；将所述历史风电光伏数据、所述风电数据和所述光伏数据输入至所述判别器进行训练；在达到设定最大训练次数或者用于描述生成场景与真实场景间分布的差距的Wasserstein距离满足要求时停止训练，通过所述生成器无监督地得到真实数据的分布规律，最终生成与真实场景的概率分布接近的场景，所述与真实场景的概率分布接近的场景为风电光伏发电功率场景。3.根据权利要求1所述的多能源电力系统日前优化调度方法，其特征在于，所述根据所述风电光伏发电功率场景生成虚拟净负荷，具体包括：根据所述风电光伏发电功率场景采用公式生成虚拟净负荷；所述风电光伏发电功率场景包括风电的最大发电能力和光伏的最大发电能力；其中，P
VL,t
为第t个时段系统的虚拟净负荷；P
L,t
为第t个时段系统的实际总负荷；为第t个时段风电的最大发电能力；为第t个时段光伏的最大发电能力；为第t个时段第i台火电机组的最小技术出力；为第t个时段第i个水电站的强迫出力；N
th
和N
hy
分别为火电机组和水电站的总数。4.根据权利要求1所述的多能源电力系统日前优化调度方法，其特征在于，所述基于所述虚拟净负荷，建立多能源电力系统的日前优化调度模型，具体包括：以系统的运行成本最小和可再生能源消纳最大为目标，建立调度模型的目标函数；根据所述虚拟净负荷，考虑各电源的运行约束、系统的功率平衡以及系统的灵活性，建立调度模型的约束条件。5.根据权利要求4所述的多能源电力系统日前优化调度方法，其特征在于，所述目标函数为：
其中，C为系统总成本；T为调度周期内的总时段数；C
th,i,t
为第t个时段内第i个火电机组的运行成本；C
ps,i,t
为第t个时段内第i个抽水蓄能机组的启停成本；a
i
、b
i
和c
i
分别为第i个火电机组的成本系数；和分别为第i个抽水蓄能机组的发电和抽水成本；和分别为第t个时段第i台抽水蓄能机组的发电状态指示量和抽水状态指示量，取值为1或0，分别表示机组在发电或抽水时的工作和停机状态；为调度周期内第i个水电站的计划发电量；ΔT为每个调度时段的时间间隔；Q
hy,i
为第i个水电站在调度周期内弃水的等效电量；ψ为可再生能源弃电的惩罚成本系数，元/(MW.h)；为第t个时段系统弃风、弃光的总功率；和分别为第t个时段弃风和弃光的等效功率。6.根据权利要求4所述的多能源电力系统日前优化调度方法，其特征在于，所述约束条件包括：1)火电机组约束火电机组在运行过程中需要满足功率上下限约束及爬坡约束，见公式：其中，P
th,i,t
为第i台火电机组在第t个时段的发电功率；为第i个火电机组的功率上限；ΔP
th,i,t
为第i个火电机组第t个时段与t
‑
1时段功率的差值；和为第i台火电机组的上下爬坡；2)水电站约束水电站运行时的约束主要包括功率上下限约束、爬坡约束及发电流量约束，见公式：
其中，P
hy,i,t
为第i个水电站在第t个时段的发电功率；和为第i个水电站的功率上下限；ΔP
hy,i,t
为第i个水电站第t个时段与t
‑
1时段功率的差值；和为第i个水电站的上下爬坡；3)抽水蓄能机组约束抽水蓄能机组运行时需满足功率上下限约束、库容约束以及工作状态转换约束，见公式：其中，P
ps,i,t
为第i台抽水蓄能机组在第t个时段的发电功率；为第i台抽水蓄能机组的功率上限；和为第t个时段抽水蓄能电站的上/下水库库容；和分别为抽水蓄能电站上水库在首末时段的库容；和分别为第t个时段第i台抽水蓄能机组的发电和抽水流...

【专利技术属性】
技术研发人员：肖白，于龙泽，范越，严干贵，董凌，王茂春，杨洪志，周鹏，
申请(专利权)人：国网青海省电力公司，
类型：发明
国别省市：