一种考虑风电不确定性的负荷恢复分布鲁棒优化方法技术

技术编号:33859816 阅读:15 留言:0更新日期:2022-06-18 10:49
本发明专利技术提出一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,包括:S1:生成风电出力的典型场景;S2:利用KL散度控制模糊集的鲁棒性,以步骤S1中生成的风电出力的典型场景为风电出力参考分布,构造符合风险偏好的风电出力模糊集;S3:在风电出力模糊集的基础上,以最大化期望恢复量为目标建立负荷恢复分布鲁棒优化模型;S4:建立负荷恢复分布鲁棒优化模型的约束条件;S5:将负荷恢复分布鲁棒优化模型转化为混合整数二阶锥模型;S6:对混合整数二阶锥模型进行求解,生成分布鲁棒优化负荷恢复优化结果。本发明专利技术能够更灵活地排除极低概率场景下极端的风电出力场景,使得负荷恢复的优化结果不那么“保守”,从而保证恢复的快速有效。从而保证恢复的快速有效。从而保证恢复的快速有效。

【技术实现步骤摘要】
一种考虑风电不确定性的负荷恢复分布鲁棒优化方法


[0001]本专利技术涉及新能源电力系统恢复控制
,具体为一种考虑风电不确定性的负荷恢复分布鲁棒优化方法。

技术介绍

[0002]为积极推动能源体系的清洁低碳转型和可持续发展,以新能源为主体的新型电力系统的建设步伐日趋加快。伴随新能源接入比例的不断提升,尤其以资源丰富且研究技术最为成熟的风电为代表,使得我国的能源结构逐渐改变。由其出力强波动性和电网侧随机扰动等不确定因素叠加出现的小概率极端事件严重威胁着电力系统的运行安全。
[0003]大停电后的系统恢复过程主要分为三个阶段:黑启动、网架重构、负荷恢复。对于系统恢复各阶段考虑风电参与均已有了相应的研究,尤其以黑启动和网架重构阶段为代表,研究较为成熟。负荷恢复阶段作为系统恢复的最后阶段,旨在快速有效地投入负荷以使得系统恢复到停电之前的水平,此时系统网架已基本建立完全,各机组均投入使用,考虑风电参与其中的策略制定是十分重要的。
[0004]现有的鲁棒鲁棒优化方法是针对风电等不确定变量在无需知道其概率分布的基础上建立相应不确定集从而进行优化求解的方法,旨在找到不确定变量在可能发生的最恶劣场景下的最优解,但是最恶劣场景在实际中发生的概率是极低的,使得负荷恢复的恢复策略制定过于保守。
[0005]因此在负荷恢复阶段如何协调风电参与系统恢复过程,对于高比例新能源电力系统事故后恢复效果提升具有举足轻重的现实意义。

技术实现思路

[0006]针对现有技术的不足,本专利技术提供了一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,通过引入分布鲁棒优化方法,首先在假设风电出力确定的情况下建立风电参与的负荷恢复模型,其次根据风电历史出力数据采用基于KL散度(Kullback

Leibler)距离的方法建立分布鲁棒优化所需的模糊集来处理风电出力的不确定性,将负荷恢复模型转化为考虑风电不确定性的负荷恢复分布鲁棒优化模型,最后采用二阶锥理论和拉格朗日对偶方法将其转化为可求解的混合整数二阶锥模型,以降低优化结果保守性,加快负荷恢复进程。
[0007]本专利技术提供一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,包括以下步骤:
[0008]一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,包括以下步骤:
[0009]S1:根据风电的历史出力样本采用场景缩减法进行聚类,利用同步回代缩减法按照场景的相似度每次迭代从众多场景中删除一个场景,将其概率累加到与该场景最相似的场景,直至缩减到预定场景个数,得到风电出力的典型场景,所述风电出力的典型场景作为风电出力参考分布;
[0010]S2:利用KL散度控制模糊集的鲁棒性,以步骤S1中生成的风电出力的典型场景为
风电出力参考分布,构造符合风险偏好的风电出力模糊集;
[0011]S3:在步骤S2中生成的风电出力模糊集的基础上,基于分布鲁棒的方法,在风电出力最恶劣分布的情况下,以最大化期望恢复量为目标建立负荷恢复分布鲁棒优化模型;
[0012]S4:建立负荷恢复分布鲁棒优化模型的约束条件;
[0013]S5:采用二阶锥理论和拉格朗日对偶方法将步骤S3建立的负荷恢复分布鲁棒优化模型转化为混合整数二阶锥模型;
[0014]S6:对步骤S5得到的混合整数二阶锥模型进行求解,生成分布鲁棒优化负荷恢复优化结果。
[0015]进一步的,所述步骤S1中,风电出力各典型场景生成的概率满足公式(1):
[0016][0017]其中:M为风电出力样本个数,各典型场景都包含有缩减的原始场景,S
k
为场景U
k
含有的原始场景个数;
[0018]风电出力参考分布P0满足公式(2):
[0019][0020]进一步的,其特征在于所述步骤S2中,风电出力模糊集的构造依托于分布函数与参考分布的距离,即KL散度,其计算公式依分布函数的类型应满足公式(3)和(4):
[0021]连续型:
[0022][0023]其中ξ是风电的可能出力,为不确定变量,f(ξ)为分布函数P的概率密度函数,f0(ξ)是参考分布P0的概率密度函数,Ω是变量的样本空间;
[0024]离散型:
[0025][0026]其中N为样本数目,π
n
为模糊分布在样本n出的大小,为参考分布在样本处的大小;
[0027]风电出力模糊集的具体构造满足公式(5):
[0028]Ω={P|D
KL
(P||P0)≤d
KL
}
ꢀꢀ
(5)
[0029]其中P0为步骤S2生成的风电出力参考分布,通过风电的历史数据估计可得,集合距离d
KL
表示决策者对风险偏好的要求,根据该值大小的调整可以控制模型的鲁棒性。
[0030]进一步的,所述步骤S3中,所建立的负荷恢复分布鲁棒优化模型是一种双层优化模型,用以描述计及风电不确定性的负荷恢复分布鲁棒优化问题,其中下层优化模型为不考虑风电不确定性的情况下,负荷节点的投入决策、火电机组的出力的分时步优化问题;上层优化模型是风电出力最恶劣分布情况的二次优化问题;其中基于分布鲁棒进行优化体现为:在上层优化问题中max函数决策变量为风电场风速的概率分布,等同于风电场出力的概率分布,在风电出力概率分布允许的范围内最大化恢复量。
[0031]进一步的,其特征在于:所述双层优化模型的目标函数满足公式(6)~(8):
[0032][0033]其中,F为本优化模型的目标函数,其含义为考虑风电出力的最坏概率的分布下进行恢复得到的期望最大恢复量,x为决策变量,包含负荷节点的投入决策以及火电机组的出力,ξ是风电的可能出力,为不确定变量;P为不确定变量ξ的概率分布函数,EP[.]是ξ服从分布函数P情况下的期望值,L(x,ξ)为各个风速出力场景下,负荷恢复量:
[0034][0035]其中L
ik
为每时步下第i个节点下第k个馈线的负荷有功量,c
ik
为0、1整数变量,表示决定每时步节点馈线下的负荷是否投入,其值为1时表示负荷投入,ω
ik
为负荷节点i的重要度,值越大意味着负荷重要程度越高,n
L
为节点数量,n
S
为各节点下的负荷馈线数量,在风电出力确定的情况下L(x,ξ)即为负荷恢复模型的优化目标;
[0036]Ω={P|D
KL
(P||P0)≤d
KL
}
ꢀꢀ
(8)
[0037]Ω为基于KL散度所构造的模糊集,其中,d
KL
为最大KL距离,P0为风电出力的参考分布,P为风电出力的实际分布,D
KL
为风电出力实际分布与参考分布之间的KL距离。
[0038]进一步的,所述步骤S4包括以下步骤:
[0039]S401:依据电力系统并网机组的额定容量和各机组频率响应能本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于包括以下步骤:S1:根据风电的历史出力样本采用场景缩减法进行聚类,利用同步回代缩减法按照场景的相似度每次迭代从众多场景中删除一个场景,将其概率累加到与该场景最相似的场景,直至缩减到预定场景个数,得到风电出力的典型场景,所述风电出力的典型场景作为风电出力参考分布;S2:利用KL散度控制模糊集的鲁棒性,以步骤S1中生成的风电出力的典型场景为风电出力参考分布,构造符合风险偏好的风电出力模糊集;S3:在步骤S2中生成的风电出力模糊集的基础上,基于分布鲁棒的方法,在风电出力最恶劣分布的情况下,以最大化期望恢复量为目标建立负荷恢复分布鲁棒优化模型;S4:建立负荷恢复分布鲁棒优化模型的约束条件;S5:采用二阶锥理论和拉格朗日对偶方法将步骤S3建立的负荷恢复分布鲁棒优化模型转化为混合整数二阶锥模型;S6:对步骤S5得到的混合整数二阶锥模型进行求解,生成分布鲁棒优化负荷恢复优化结果。2.根据权利要求1所述的一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于:所述步骤S1中,风电出力各典型场景生成的概率满足公式(1):其中:M为风电出力样本个数,各典型场景都包含有缩减的原始场景,S
k
为场景U
k
含有的原始场景个数;风电出力参考分布P0满足公式(2):3.根据权利要求2所述的一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于所述步骤S2中,风电出力模糊集的构造依托于分布函数与参考分布的距离,即KL散度,其计算公式依分布函数的类型应满足公式(3)和(4):连续型:其中ξ是风电的可能出力,为不确定变量,f(ξ)为分布函数P的概率密度函数,f0(ξ)是参考分布P0的概率密度函数,Ω是变量的样本空间;离散型:其中N为样本数目,π
n
为模糊分布在样本n出的大小,为参考分布在样本处的大小;风电出力模糊集的具体构造满足公式(5):Ω={P|D
KL
(P||P0)≤d
KL
}
ꢀꢀꢀꢀ
(5)其中P0为步骤S2生成的风电出力参考分布,通过风电的历史数据估计可得,集合距离
d
KL
表示决策者对风险偏好的要求,根据该值大小的调整可以控制模型的鲁棒性。4.根据权利要求1所述的一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于:所述步骤S3中,所建立的负荷恢复分布鲁棒优化模型是一种双层优化模型,用以描述计及风电不确定性的负荷恢复分布鲁棒优化问题,其中下层优化模型为不考虑风电不确定性的情况下,负荷节点的投入决策、火电机组的出力的分时步优化问题;上层优化模型是风电出力最恶劣分布情况的二次优化问题;其中基于分布鲁棒进行优化体现为:在上层优化问题中max函数决策变量为风电场风速的概率分布,等同于风电场出力的概率分布,在风电出力概率分布允许的范围内最大化恢复量。5.根据权利要求4所述的一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于:所述双层优化模型的目标函数满足公式(6)~(8):其中,F为本优化模型的目标函数,其含义为考虑风电出力的最坏概率的分布下进行恢复得到的期望最大恢复量,x为决策变量,包含负荷节点的投入决策以及火电机组的出力,ξ是风电的可能出力,为不确定变量;P为不确定变量ξ的概率分布函数,EP[.]是ξ服从分布函数P情况下的期望值,L(x,ξ)为各个风速出力场景下,负荷恢复量:其中L
ik
为每时步下第i个节点下第k个馈线的负荷有功量,c
ik
为0、1整数变量,表示决定每时步节点馈线下的负荷是否投入,其值为1时表示负荷投入,ω
ik
为负荷节点i的重要度,值越大意味着负荷重要程度越高,n
L
为节点数量,n
S
为各节点下的负荷馈线数量,在风电出力确定的情况下L(x,ξ)即为负荷恢复模型的优化目标;Ω={P|D
KL
(P||P0)≤d
KL
}
ꢀꢀꢀꢀ
(8)Ω为基于KL散度所构造的模糊集,其中,d
KL
为最大KL距离,P0为风电出力的参考分布,P为风电出力的实际分布,D
KL
为风电出力实际分布与参考分布之间的KL距离。6.根据权利要求1所述的一种考虑风电不确定性的负荷恢复分布鲁棒优化方法,其特征在于:所述步骤S4包括以下步骤:S401:依据电力系统并网机组的额定容量和各机组频率响应能力确定暂态频率约束,应满足公式(9):其中P
L
为单时...

【专利技术属性】
技术研发人员:陈汝斯刘海光余笑东刘艳蔡德福顾雪平周鲲鹏王作维李晓辉李少岩王涛万黎王涛王莹王文娜董航张良一孙冠群王尔玺
申请(专利权)人:国家电网有限公司华北电力大学保定
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1