一种风储联合系统的优化调度方法及优化调度系统技术方案

本发明专利技术涉及一种风储联合系统的优化调度方法及优化调度系统，结合风电出力时空耦合性，基于区间不确定集刻画风机出力的不确定性，与传统对称区间不确定性集相比，计及时空效应的不确定性集有效排除了发生概率很小的一些极端场景，降低了模型保守性；构造风储联合系统两阶段鲁棒优化调度模型，并依托线性化技术及嵌套C&CG策略实现了模型的高效求解。技术及嵌套C&CG策略实现了模型的高效求解。技术及嵌套C&CG策略实现了模型的高效求解。

【技术实现步骤摘要】
一种风储联合系统的优化调度方法及优化调度系统


[0001]本专利技术涉及风储联合系统优化调度
，特别是涉及一种风储联合系统的优化调度方法及优化调度系统。

技术介绍

[0002]全球能源危机以及环境污染问题的持续发酵使得寻求清洁可再生的能源发展模式成为一种必然趋势。风电作为一种无污染、可再生的新能源，在国内外电力系统应用中受到了极大的关注。风机出力具有显著的随机性与波动性，其大规模并网使得电力系统优化调度面临不确定性因素增多，以往确定性调度方法获得的调度结果可能偏离实际运行情况，无法满足现代电力系统安全灵活运行需求。而储能技术的飞速发展为电力系统调度运行提供了新思路，通过风储联合运行参与电力系统优化调度，将有利于平抑风机出力波动性，提高风电消纳能力，同时可有效增强系统可控性。在此背景下，合理表征风机出力波动特征，研究不确定性背景下风储联合系统优化调度问题具有重要的理论价值和实践意义。
[0003]关于高比例风电背景下风储联合系统调度问题，其核心在于合理地表征和处理风机出力的不确定性。随机优化法基于历史数据拟合获取不确定性变量的概率密度函数，而后通过场景采样生成大量场景集，从而将不确定性优化问题转化为单个场景的确定性问题。在实际工程中，受自然因素及地域因素影响，风机出力具有显著的随机性与波动性，很难获取风机出力确切的概率密度函数，故随机优化法实践应用表现较差。实际上为保障计算准确性，随机优化法往往需要生成大量场景集，这使得该法的计算规模十分庞大，面临计算时间长的问题，无法适应现代电力系统调度实时需求。尽管通过设置场景约束采用场景削减技术可以减少场景数，但场景约束的设置较为主观，导致模型准确度下降，计算结果的可信度会因此较低。在求解方面，从数学本质上看，风储联合运行系统优化调度模型为高维度、非线性规划问题，无法直接高效求解。
[0004]因此，本领域技术人员亟需提供一种新的风储联合系统优化调度方法，能够有效处理风电出力不确定性并克服优化模型计算量大、求解效率低的缺点。

技术实现思路

[0005]本专利技术的目的是提供一种风储联合系统的优化调度方法及优化调度系统，以在考虑风电不确定性的基础上提高优化调度模型求解效率。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种风储联合系统的优化调度方法，所述方法包括：
[0008]根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；
[0009]以风电不确定集为风电出力约束，构建风储联合系统的优化调度模型；
[0010]对所述优化调度模型进行线性化，获得线性化后的优化调度模型；
[0011]采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合系统的优化调度计划。
[0012]可选的，所述根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集，具体包括：
[0013]根据Lindeberg
‑
Levy中心极限定理，利用公式确定时空不确定性参数；其中，分别为第w个风电场在t时刻的出力上限和下限；Φ
‑1(
·
)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σ
w，t
为第w个风电场在t时刻的方差；为第w个风电场输出功率的空间约束参数；为风电场输出功率的时间参数；W为风电场数；T为调度周期；
[0014]根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为
[0015][0016]其中，U为风电不确定集；W
w，t
，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。
[0017]可选的，以风电不确定集为风电出力约束，构建风储联合系统的优化调度模型，具体包括：
[0018]以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合系统中常规机组的启停成本模型；
[0019]根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合系统中常规机组的运行成本模型；
[0020]根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合系统的优化调度模型为
[0021][0022]其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0
‑
1变量，其中时，机组g在t时刻从关机状态变为启动状态，否则为0，时，
机组g由启动状态转为关机状态；z
g，t
为机组g在t时刻运行状态，z
g，t
为1时机组g处于运行状态，否则为关机状态；P
g，t
为机组g在t时刻风电机组出力；ΔW
w，t
、ΔD
d，t
分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；为二进制变量，其中时，表示储能电站s在t时刻处于放电状态，时，则处于充电状态；分别为储能电站s在t时刻的放电量、充电量。
[0023]可选的，所述采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合系统的优化调度计划，具体包括：
[0024]将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u
*
为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；c
T
x为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；d
T
y+g
T
z为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f
‑
Hx
‑
Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y
(l)
为第l次迭代第一子问题中连续决策变量；z
(l)
为第l次迭代第一子问题中二进制决策变量；为第l次迭代第一子问题中最恶劣场景下不确定性变量；
[0025]初始化外层下界LB
out
为负无穷大，外层上界UB
out
为正无穷大，外层迭代次数m为1；
[0026]对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x
*
及ω
*
；其中，ω
*
为第一主问题优化模型求解得到的最优ω；
[0027]调用内层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风储联合系统的优化调度方法，其特征在于，所述方法包括：根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集；以风电不确定集为风电出力约束，构建风储联合系统的优化调度模型；对所述优化调度模型进行线性化，获得线性化后的优化调度模型；采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合系统的优化调度计划。2.根据权利要求1所述的风储联合系统的优化调度方法，其特征在于，所述根据风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集，具体包括：根据Lindeberg
‑
Levy中心极限定理，利用公式确定时空不确定性参数；其中，分别为第w个风电场在t时刻的出力上限和下限；Φ
‑1(
·
)为标准正态分布累积概率密度函数的逆函数，α为用于调整集合的保守性大小的参数；σ
w，t
为第w个风电场在t时刻的方差；为第w个风电场输出功率的空间约束参数；为风电场输出功率的时间参数；W为风电场数；T为调度周期；根据所述时空不确定性参数，结合风机出力的时空耦合性，构建用于刻画风机出力不确定性的风电不确定集为其中，U为风电不确定集；W
w，t
，为第w个风电场在t时刻的出力值、期望出力值及历史出力值。3.根据权利要求1所述的风储联合系统的优化调度方法，其特征在于，以风电不确定集为风电出力约束，构建风储联合系统的优化调度模型，具体包括：以机组开停机状态、最小开停机持续时间为约束条件，构建风储联合系统中常规机组的启停成本模型；根据所述启停成本模型，以电网运行约束与储能约束为约束条件，构建风储联合系统中常规机组的运行成本模型；根据所述启停成本模型和运行成本模型，以所述风电不确定集为风电出力约束，构建风储联合系统的优化调度模型为
其中，F1为常规机组的启停成本，F2为常规机组的出力成本、弃风成本、切负荷成本、储能循环老化成本及充放电成本之和；C1、C2分别为启停成本模型和运行成本模型的约束，U为风电不确定集，表示风电出力约束；为表征机组g在t时刻表征启动和停机的0
‑
1变量，其中时，机组g在t时刻从关机状态变为启动状态，否则为0，时，机组g由启动状态转为关机状态；z
g，t
为机组g在t时刻运行状态，z
g，t
为1时机组g处于运行状态，否则为关机状态；P
g，t
为机组g在t时刻风电机组出力；ΔW
w，t
、ΔD
d，t
分别为第w个风电场在t时刻的弃风量及t时刻负荷d的切负荷量；为二进制变量，其中时，表示储能电站s在t时刻处于放电状态，时，则处于充电状态；分别为储能电站s在t时刻的放电量、充电量。4.根据权利要求3所述的风储联合系统的优化调度方法，其特征在于，所述采用CCG算法对所述线性化后的优化调度模型进行嵌套求解，确定风储联合系统的优化调度计划，具体包括：将所述优化调度模型划分为第一主问题优化模型和第一子问题优化模型；所述第一主问题优化模型为所述第一子问题优化模型为其中，x为启停成本模型的决策变量；y为运行成本模型的连续决策变量合集；z为运行成本模型的二进制决策变量；u
*
为最恶劣场景下不确定性变量；b、c、d、g、f、A、E、F、H、G为对应常系数矩阵；c
T
x为启停成本模型的目标函数；Ax≤b表征启停成本模型的约束条件；d
T
y+g
T
z为运行成本模型的目标函数，为机组运行出力成本、弃风成本、切负荷成本、储能循环老化成本和充放电成本之和；Ey+Fz≤f
‑
Hx
‑
Gu为相应的运行成本模型的约束条件；ω为反映第一子问题对第一主问题约束的变量；l为主问题迭代次数指示变量；y
(l)
为第l次迭代第一子问题中连续决策变量；z
(l)
为第l次迭代第一子问题中二进制决策变量；为第l次迭代第一子问题中最恶劣场景下不确定性变量；初始化外层下界LB
out
为负无穷大，外层上界UB
out
为正无穷大，外层迭代次数m为1；对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的启停成本模型的决策变量最优解集x
*
及ω
*
；其中，ω
*
为第一主问题优化模型求解得到的最优ω；调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景根据启停成本模型的决策变量最优解集x
*
及ω
*
更新外层上界UB
out
＝min{UB
out
，c
T
x
*
+ω
*
}；判断更新后的外层上界和外层上界的差值的绝对值是否大于差值阈值，获得第一判断结果；
若所述第一判断结果表示是，则将作为约束添加至第一主问题优化模型中，将外层迭代次数增加1，返回步骤“对所述第一主问题优化模型进行外层循环求解，得到用于下一次的内层循环迭代的第一阶段最优解集x
*
及ω
*”；其中，y
(m+1)
为用于m+1次迭代的y变量；z
(m+1)
为用于第m+1次迭代的z变量；若所述第一判断结果表示否，则输出在考虑最恶劣场景下的风储联合系统的优化调度计划。5.根据权利要求4所述的风储联合系统的优化调度方法，其特征在于，所述调用内层循环求解第一子问题优化模型，获取外层第m次循环的最恶劣场景具体包括：将所述第一子问题优化模型划分为第二主问题优化模型和第二子问题优化模型；所述第二主问题优化模型为所述第二子问题优化模型为其中，θ为第二子问题的目标函数；z
(k)
为第k次迭代的第二主问题中二进制决策变量；π
(k)
为第k次迭代的对偶变量；初始化内层上界UB
in
为正无穷大，内层下界为LB
in
为负无穷大，内层迭代次数n为1；对所述第二子问题优化模型进行求解，得到最恶劣场景u
*
及内层上界最优值UB
in
＝θ
*
；根据所述最恶劣场景u
*
，对所述第二主问题优化模型进行求解，获得运行成本模型的连续决策变量合集的最优解集y
*
和运行成本模型的二进制决策变量的最优解集z
*
；根据运行成本模型的连续决策变量合集的最优解集y
*
和运行成本模型的二进制决策变量的最优解集z
*
更新内层下界LB
in
＝max{LB
in
，d
T
y
*
+g
T
z
*
}；判断内层上界和更...

【专利技术属性】
技术研发人员：夏世威，李盼盼，宋靓云，屈姬贤，黄跃辉，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：