消纳大规模风电的多时间尺度协调的有功调度系统设计
充裕性资源协同参与系统调节的风电消纳能力分析模型_凡鹏飞
DOI:10.13335/j.1000-3673.pst.2012.05.032
1 充裕性资源协同提高风电消纳能力机理 分析
根据长期测风数据统计分析，小时级及以内风 电出力波动约为风电装机容量的10%到35%，4— 12 h 出力波动多超过50%[15]。从时间尺度来看， 风电出力具有季节特性，局部地区风电日出力呈现 一定反调峰性，体现为风电在白天负荷高峰时段出 力较小，而后半夜负荷低谷时段出力较大。风电出 力呈现出随机性和波动性的特点。为提高风电消纳 能力，客观上要求调动电力系统发电、输配电、用 电等环节的充裕性资源参与系统平衡调节。发电充 裕性资源主要表现为发电工作容量和备用容量，输 配电充裕性资源表现为输配电容量，用电侧充裕性 资源主要表现为可中断负荷、蓄热电锅炉、热泵、
第 36 卷 第 5 期
其次，建设强大互联电网，增强输电容量的充 裕度，是提高风电接纳能力的客观需要。依托跨大 区电网，充分发挥区域互联电网的错峰调峰、水火 互补、互为备用效益，共享大电网范围内灵活调节 资源，共同平抑不同地域风电出力差异，实现风电 大规模输送和优化配置。德国、西班牙电网通过 220 kV 及以上跨国联络线与周边国家实现了较强互 联，风电消纳得到了欧洲大电网的有力支撑。丹麦 电网与挪威、瑞典和德国通过 14 条联络线实现互联， 挪威等国丰富的水电资源发挥了“蓄电池”作用， 为丹麦风电起到了良好的调节作用。我国风能资源 与负荷中心呈逆向分布，客观上决定了必须建立大 容量、远距离的能源输送通道，大幅提高输电容量 充裕度，在全国范围内实现大规模风电并网和消纳。
电力系统中的风力发电优化调度研究
电力系统中的风力发电优化调度研究随着可再生能源的快速发展，风力发电作为其中的重要组成部分，正逐渐成为电力系统中的主导能源之一。
然而，由于风力发电的不确定性和不稳定性，如何实现风力发电的优化调度成为电力系统研究领域的一个重要挑战。
本文将就电力系统中风力发电的优化调度研究进行探讨，旨在提出有效的解决方案，促进风力发电在电力系统中的可持续发展。
一、风力发电的关键特点和挑战风力发电作为一种可再生能源，具有许多优势，包括零排放、资源丰富、潜力大等。
然而，由于风力发电依赖于风速和风向等自然条件，其电力输出具有不确定性和不稳定性。
这给电力系统的运行和调度带来了许多挑战。
首先，由于风速无法可靠预测，风力发电的功率输出难以确定，这给电力系统的稳定性带来威胁。
其次，电力系统需要满足用户的需求，对风力发电的功率输出有一定的要求，而如何将风力发电的不确定性与用户需求相匹配也是一个难题。
此外，风力发电的分布广泛，不同风电场之间的风力特性存在差异，如何将不同风电场的风力发电协调起来，提高整体效益也是一个挑战。
二、风力发电优化调度的目标和方法风力发电优化调度的目标是在保证电力系统安全稳定运行的前提下，最大限度地利用风能资源，实现经济效益最大化。
为了实现这一目标，研究者们提出了许多优化调度方法。
其中，基于数学建模的方法是最常用的方法之一。
通过对风力发电机组、传输线路和负荷等进行建模，构建起一个能够描述电力系统运行状态的数学模型。
然后，利用最优化算法求解该模型，得到最优的发电和输电策略。
另外，基于仿真优化的方法也得到了广泛应用。
通过建立一个电力系统的仿真模型，模拟风速变化、负荷需求变化等情况，然后通过优化算法寻找最优的发电和输电策略。
三、风力发电优化调度的关键技术风力发电优化调度的关键技术主要包括风速预测、风力发电机组出力预测、负荷预测和优化算法。
首先，风速预测是实现风力发电优化调度的基础。
通过对历史风速数据和气象因素的分析，建立风速预测模型，准确预测未来一段时间的风速，为优化调度提供准确的输入数据。
风力发电场调度与控制系统设计及性能分析
风力发电场调度与控制系统设计及性能分析随着对可再生能源的需求不断增加，风力发电成为了一种受到广泛关注的清洁能源。
在风力发电场中，调度与控制系统的设计和性能分析至关重要，它们直接影响着发电场的效率和可靠性。
本文将探讨风力发电场调度与控制系统的设计原则和性能分析方法。
一、风力发电场调度系统设计1. 目标与约束：风力发电场的调度系统的目标是最大化发电场的发电量并保持稳定运行，同时满足电力系统对电量的需求。
约束则包括风力机的额定功率、最小和最大运行速度、电网电压和频率要求等。
2. 数据采集和监控：调度系统应该能够实时采集风力发电机组和电网的运行数据，包括各个风力机组的功率、风速、温度、振动等参数。
此外，还需要监控电网的负荷情况和电压频率波动等。
3. 预测技术：通过利用历史和实时的风速数据，可以预测未来的风力情况，从而合理地安排发电机组的运行计划。
预测技术可以基于时间序列分析、神经网络、数学模型等方法。
4. 优化和调度算法：为了实现最优的风力发电场调度，需要开发高效的优化和调度算法。
这些算法可以基于模型预测控制、遗传算法、粒子群优化等。
5. 系统集成：调度系统应该能够与发电机组的控制系统、电网的监控系统以及其他相关系统进行数据交流和信息共享，实现整个风力发电场的协调运行。
二、风力发电场控制系统设计1. 风力机组控制：风力机组控制系统是实现风力机组自动化运行的关键。
它应该能够根据风速和功率要求，自动调整转速和叶片角度，保持输出功率在额定功率范围内。
2. 并网控制：并网控制是指将风力发电机组的输出电能与电网进行连接和同步。
并网控制系统应该能够实现无缝切换，保持电网的电压和频率稳定。
3. 预防事故和故障保护：控制系统应该具备故障自检和快速停机等功能。
当发生风力机组故障或电力系统异常时，控制系统应根据预设的保护策略来保护设备和人员安全。
4. 数据通信和远程监控：控制系统应具备远程监控和数据传输功能，可以实时获取风力机组的运行状态和性能参数。
风电场功率预测系统的实时调度与优化策略
风电场功率预测系统的实时调度与优化策略随着能源需求的增长和环保意识的提高，可再生能源的利用逐渐成为解决能源需求的重要途径。
其中，风能作为一种清洁且可再生的能源，得到了广泛的关注和应用。
然而，由于风速的不稳定性和不可预测性，风力发电场在实际运行过程中存在着一定的挑战。
为了更好地协调风电场的运行和电网的需求，实时调度与优化策略成为了风电场功率预测系统中的关键问题。
一、风电场功率预测系统的概述风电场功率预测系统是基于对风速数据的分析和模型建立，预测未来一段时间内风电场的发电功率，从而实现对风电场的实时调度与优化。
预测的准确性对于实时调度和优化决策具有重要意义。
一般来说，风电功率预测可以通过以下几方面的因素来进行分析和建模：1. 风速数据分析：通过对历史风速数据的统计和分析，可以得到风速的概率分布及其变化规律。
这对于选择适当的风速模型和算法有着重要的指导作用。
2. 外部环境因素：风速的变化除了与内部因素有关外，还受到一系列外部环境因素的影响，例如气象因素、地理位置、季节变化等。
考虑这些因素，可以提高预测模型的准确度。
3. 风电机组特性：不同风电机组有着不同的工作特性和性能指标，例如启动风速、切入风速等。
这些特性对于发电功率的预测具有一定的影响，需要在模型中予以考虑。
二、实时调度策略实时调度在风电场的运行过程中起着至关重要的作用。
通过实时收集和分析风速数据，可以及时调整风电机组的工作状态，以实现最优的发电功率输出。
下面介绍几种常用的实时调度策略：1. 基于强化学习的调度策略：强化学习是一种通过与环境的交互来学习最优行为的方法。
在风电场中，可以通过建立动态规划模型，将风电场的状态和功率输出作为状态和动作空间，通过强化学习算法，不断迭代优化发电功率输出。
2. 模糊控制调度策略：模糊控制是一种基于模糊逻辑推理的控制方法。
在风电场中，通过建立模糊规则库，将风速、风电机组状态等作为输入，发电功率作为输出，通过模糊推理来实现对发电功率的调度。
多时间尺度协调的柔性负荷互动响应调度模型与策略
多时间尺度协调的柔性负荷互动响应调度模型与策略一、本文概述随着全球能源结构的转型和智能电网的快速发展，电力系统正面临着前所未有的挑战和机遇。
传统的电力调度模型主要依赖于刚性负荷，但在可再生能源大规模接入和用户需求多样化的背景下，电力系统的稳定性、经济性和可持续性受到了严重挑战。
因此，如何有效管理和调度柔性负荷，实现多时间尺度的协调互动响应，成为了当前电力系统研究的热点和难点。
本文旨在提出一种多时间尺度协调的柔性负荷互动响应调度模型与策略。
通过对柔性负荷的精确建模和预测，结合电力系统的实际运行需求，构建了一个综合考虑经济、环境和社会效益的优化调度模型。
该模型能够实现在不同时间尺度下，柔性负荷与电力系统的协调互动，提高电力系统的稳定性、经济性和可持续性。
本文首先对柔性负荷的定义、分类及其在电力系统中的作用进行了深入分析和阐述。
在此基础上，提出了一种基于多时间尺度的柔性负荷互动响应调度框架，详细描述了各时间尺度下的调度目标和约束条件。
接着，通过构建优化调度模型，实现了对柔性负荷的精细化管理和调度。
通过算例分析和仿真实验，验证了所提模型和策略的有效性和可行性。
本文的研究不仅为电力系统调度提供了新的思路和方法，也为实现电力系统的可持续发展和能源转型提供了有力支持。
未来，我们将继续深入研究柔性负荷的互动响应特性和调度策略，为构建更加智能、高效、环保的电力系统做出更大贡献。
二、多时间尺度协调调度模型在电力系统中，负荷的调度和管理是一个复杂而关键的任务。
传统的调度模型往往只关注单一的时间尺度，难以应对现代电力系统中负荷的多样性和不确定性。
因此，本文提出了一种多时间尺度协调的柔性负荷互动响应调度模型，旨在更好地平衡电力供需，提高电力系统的稳定性和经济性。
该模型将负荷调度过程分为多个时间尺度，包括短期、中期和长期。
每个时间尺度都有不同的调度目标和策略，以适应不同的负荷特性和市场需求。
在短期时间尺度上，模型主要关注实时负荷的预测和调度，以确保电力系统的稳定运行。
考虑风电反调峰特性的储能调峰优化策略
考虑风电反调峰特性的储能调峰优化策略摘要：近年来，随着社会经济的快速发展，电力负荷急剧增加，波动范围也逐渐增大，系统需要扩建设备来调节此类短期的负荷急剧波动，造成投资成本加大、设备使用率降低，如何实现深度调峰以解决负荷波动问题成为电力系统负荷规划亟需解决的难题之一。
由我国发电能源结构决定，传统调峰手段包括火电和燃油燃气机组，但这些方法对电网负荷预测精准性要求高的同时还需要发电机组具备足够的调峰备用容量。
此外，电力生产的实时性造成调峰时发电机组的频繁启停，这不利于燃料资源的高效利用，也不符合绿色能源发展理念，以储能系统额定功率为约束，选取合适的功率迭代步长，分别计算出系统功率最低移峰功率值和最高填谷功率值，然后根据所需功率差在对应时段进行充放电动作，功率差超出范围的部分按照储能系统额定功率动作，实现对储能系统的实时优化。
关键词：储能系统；电网调峰；优化风力发电作为一种较成熟、经济效益较好的清洁能源发电，受到了世界各国的高度重视。
储能电站容量配置相关研究多基于单一应用场景，如调峰、调频、消纳新能源、提高供电可靠性等，然而仅考虑单一应用场景配置储能，忽略电网侧储能电站其他辅助服务价值，会低估储能带来的效益，造成规划建设阶段储能配置容量与系统实际储能需求容量不匹配，难以充分挖掘储能调峰-调频等多应用场景协调运行的潜力。
一、储能与调峰-调频运行1、调峰-调频运行模拟。
以满足系统调峰调频需求为导向的储能配置研究需对其双重辅助服务效果进行量化。
采用运行模拟的方法量化储能对系统调峰-调频的贡献，通过对规划年的负荷、风电、光伏时序曲线进行聚类得到典型日曲线；再基于典型日曲线进行两阶段运行模拟得到系统运行成本；将储能配置前后运行成本求差即可得到储能的贡献。
两阶段运行模拟亦使储能配置优化问题包含了调峰-调频双重应用场景的运行约束，因为若以全年时序负荷、风电、光伏功率进行优化会存在求解规模过大的问题，考虑到负荷、风电、光伏功率有明显的季节性，可采用K-means聚类方法得到典型日功率曲线来表征全年的功率曲线。
风电系统调度调节机制
风电系统调度调节机制随着全球能源危机和环境污染问题日益严重，风能作为一种清洁、可再生的能源得到了广泛关注。
风电系统在电力系统中的比重逐渐增加，但其间歇性、波动性和季节性等特点给电力系统调度带来了挑战。
为适应风电并网发电的需求，研究并建立合理的风电系统调度调节机制具有重要意义。
一、风电系统调度调节机制的基本原理风电系统调度调节机制主要依据电力系统的实时运行状况、风电场的预测发电量和储能设备的荷电状态（State of Charge，SOC）进行调度。
调度过程中需要充分考虑风电场的发电特性、储能设备的性能以及电力系统的稳定性，实现风电发电的平滑输出，降低对电力系统的影响。
二、风电系统调度调节机制的主要环节1.风电场发电预测：根据历史数据和气象条件，对风电场的发电量进行预测。
预测结果可以为调度决策提供依据，以便合理分配风电场的发电任务。
2.储能设备调度：根据风电场发电预测和储能设备的SOC，制定储能设备的充放电策略。
在保证储能设备安全运行的前提下，实现对风电发电的平滑调节。
3.电力系统调度：根据风电场发电预测、储能设备的SOC和电力系统的实时运行状况，制定电力系统的调度计划。
调度过程中需要确保电力系统的稳定性，降低风电发电对电力系统的影响。
4.调度执行与监测：实时监测风电场、储能设备和电力系统的运行状况，根据实际情况调整调度策略。
通过调度执行与监测，确保调度计划的顺利实施，提高风电发电的运行效率。
三、风电系统调度调节机制的发展趋势1.智能化调度：利用大数据、人工智能等技术，提高风电系统调度的精确性和实时性。
通过智能算法优化调度策略，降低风电发电对电力系统的影响。
2.多元化储能设备：研究并开发新型储能设备，如液流电池、压缩空气储能等，以提高风电系统的调节能力。
多元化储能设备可以互补现有储能设备的不足，提高风电发电的平稳性。
3.集成调度：将风电系统与其它可再生能源发电系统（如太阳能、生物质能等）进行集成调度，实现多种能源的互补和平衡，提高整体发电效益。
211062342_智能量测开关拓扑识别技术研究
现代电子技术2023年第46卷图7储能充放电策略制定示意图4）点⁃线⁃面的负荷平衡优化以台区为基本单元点进行负荷平衡优化，以鸿泰汽车企业为例，通过平台对企业内的储能设备调控，可将变压器负荷峰谷差降低35%，提升电能质量，效果见图9a ）；多台储能联合调控，可将10kV 线路峰谷差率减少30%，同时降低线路10%的负载率，解除线路红色预警，效果见图9b ）；数十台储能设备联合调控，可将区域内110kV 虹桥变的容载比由1.21提升至1.37，解除变电站红色预警状态，效果见图9c ）。
最终完成点⁃线⁃面的负荷平衡优化。
图8储能电站历史数据查询示意图图9点⁃线⁃面的负荷平衡优化图5结论1）问题需求梳理、功能架构设计、系统开发研制为平台系统开发三阶段，可确切解决当前配网调控管理的问题难点，满足平台开发需求，实现平台设计功能。
2）融合无线传感实时监测、多能空间数据全景检测、数据安全传输等关键技术，使得平台具有高效、安全、稳定的优点，满足配网调控数据互联贯通、信息全景检测、配网协同管控、高效率运维的需求，实现对现场设备可观、可测、可控的功能。
128第8期3）通过多层级能源聚合调控技术对储能设备进行单台调控或区域多台集群调控，达到从台区至线路至变电站的点⁃线⁃面多层级自平衡，有效提升配电网弹性能力和稳定运行能力。
注：本文通讯作者为吴成坚。
参考文献[1]曾博，刘念，张玉莹，等.促进间歇性分布式电源高效利用的主动配电网双层场景规划方法[J].电工技术学报，2013，28（9）：155⁃163.[2]崔弘，夏成军，罗宗杰，等.分布式电源并网对配网系统的影响[J].电气应用，2009，28（24）：54⁃58.[3]毛学魁，王伟.含风电配网系统电压稳定控制技术研究[J].华北电力大学学报（自然科学版），2011，38（1）：39⁃43. [4]任妮，王家陈，李耀华，等.新能源调度平台AGC系统的应用与实现[J].电工技术，2017（11）：137⁃139.[5]孙芊，王倩，杨利萍，等.针对分布式光伏接入的配电网改造方法[J].电力系统及其自动化学报，2014，26（5）：60⁃65. [6]刘少午，马新，李春山.基于大数据的电网调度系统可靠性研究[J].信息技术，2021（3）：48⁃53.[7]杜贵和，王正风.智能电网调度一体化设计与研究[J].电力系统保护与控制，2010，38（15）：127⁃131.[8]杨德昌，李勇，REHTANZ C，等.中国式智能电网的构成和发展规划研究[J].电网技术，2009，33（20）：13⁃20.[9]张伯明，吴文传，郑太一，等.消纳大规模风电的多时间尺度协调的有功调度系统设计[J].电力系统自动化，2011，35（1）：1⁃6.[10]贺斯琪，邓春宇，邵玉鹏，等.配电网运行状态实时监控数据可视化设计[J].电信科学，2015，31（6）：140⁃144. [11]林峰，胡牧，蒋元晨，等.电力调度综合数据平台体系结构及相关技术[J].电力系统自动化，2007，31（1）：61⁃64. [12]范志夫.电力计量中心生产调度平台的设计与实现[J].江西电力，2013，37（2）：41⁃43.[13]康鹏，刘康，汤玮，等.调度平台全景调控统一数据模型的构建与研究[J].粘接，2020，44（12）：37⁃40.[14]吴攀，张飞峰.梯级水电站联合优化调度系统的开发与应用分析[J].科技创新与应用，2017（6）：232.[15]贾志刚，贺蓉，李仁发，等.一种基于决策树分类算法的家庭能量动态调度系统[J].计算机应用研究，2016，33（9）：2619⁃2624.[16]高中强，袁燕岭，陈宁.“互联网+”在电力智能配网运维系统中的应用与开发[J].计算机系统应用，2017，26（4）：77⁃81. [17]石智永，管晓峰，侯尽然，等.基于数据挖掘的智能电网调度技术研究[J].电子设计工程，2019，27（22）：170⁃174. [18]唐昕，庄峥宇，闫博.分布式电源调控平台设计与应用[J].浙江电力，2015，34（2）：12⁃15.[19]刘俊勇，沈晓东，田立峰，等.智能电网下可视化技术的展望[J].电力自动化设备，2010，30（1）：7⁃13.[20]徐律佳，杨乐祥.利用无线宽带技术构建智能配网通信接入方式[J].电力系统通信，2011，32（10）：73⁃77.作者简介：王捷（1976—），男，高级工程师，主要研究方向为电网规划。
考虑源荷协同的水风光一体化多时间尺度优化调度研究
0 引言构建以新能源为主体的新型电力系统，推动清洁电力资源大范围优化配置是实现我国“双碳”目标的重要举措[1]。
随着风光等新能源大规模、高比例并网，电力系统受其间歇性、波动性、随机性和通道容量限制等影响加剧[2]，这将导致电能质量和潮流阻塞等问题。
可再生能源发电具有季节性不均和短时波动特征，而径流、风电与光伏互补性较强[3]，风光水互补运行可以有效利用水电的灵活性补偿风光的波动性和间歇性[4，5]。
由于水风光互补改变了水电的调度运行边界，水库原有调度规则将不再适用，协调目标对象更为复杂[6]。
因此，为真正实现水风光的“长期电量补偿、短期电力补偿”，制定考虑多能互补的水库中长期与短期调度决策是解决新能源出力不稳定的有效途径。
此外，我国提出开展“两个一体化”实施意见[7]，强调结合需求侧负荷特性、电源结构和调节能力，充分挖掘新能源消纳能力，确保开发规模与消纳能力匹配，缓解弃电问题。
因此，构建考虑源端多能互补、受端适应电力需求的水库多时间尺度调度决策显得十分重要。
关于水风光一体化系统优化调度方面，国内外专家学者已有许多研究。
在短期互补调度方面，朱燕梅等[8]提出了发电量、出力波动双目标的水光互补短期调度模型，基于改进的出力波动度量方法，提出分阶段波动控制策略，便于光伏规模化接入系统。
张艳华等[9]建立了系统余留负荷均方差最小的梯级水风光电站联合调峰短期调度模型，分析了联合调度的短期调峰能力、梯级短期调度运行产生的影响。
李杨等[10]提出了输电容量限制的梯级水光互补联合发电系统日前鲁棒调峰优化调度方法，考虑梯级水电上、下游水力耦合和机组运行约束，实现了梯级水光互补运行。
上述研究主要针对水风光短期互补策略，虽考虑了短期风光波动性的影响，但缺乏互补系统的中长期运行决策指导，进而难以兼顾系统的长远效益，而水风光互补长期协调需考虑长、短期多尺度耦合调度问题[4]。
在长、短期多尺度耦合调度方面，谭乔凤等[11]研究了大规模风光接入背景下梯级水电站在长期、日前和实时尺度上的调度方式，系统评估了互补调度效益和风险。
考虑风电可信容量的配电网优化调度模型
考虑风电可信容量的配电网优化调度模型【摘要】本文旨在探讨考虑风电可信容量的配电网优化调度模型。
首先介绍了背景和研究意义，明确研究目的为优化调度风电资源。
在风电可信容量概念部分，阐述了风电资源的可信性与容量的重要性。
然后详细设计了配电网优化调度模型，包括模型参数设置和优化算法的选择。
接着通过案例分析，验证了模型的有效性和实用性。
在总结了研究成果并展望未来研究方向。
本研究为提高风电资源利用率和配电网调度效率提供了重要参考，对实现清洁能源发展具有重要意义。
【关键词】风电可信容量、配电网优化调度、模型设计、模型参数、优化算法、案例分析、研究成果、未来展望。
1. 引言1.1 背景介绍风力发电是一种清洁能源，广泛应用于现代能源系统中。
随着风电装机容量的不断增加，风电对电网的影响也变得愈发明显。
风能的不稳定性和间歇性给电网调度和运行带来了挑战。
为了更好地发挥风力发电的作用，提高风电资源利用率，需要研究风电可信容量及其在配电网优化调度中的应用。
风电可信容量是指在一定概率水平下，风力发电系统能够提供的可靠功率输出。
通过对风电可信容量进行研究，可以更好地评估风力发电系统的可靠性和稳定性，为电网调度和运行提供参考依据。
在现代电力系统中，配电网的优化调度是一个重要的研究领域。
通过合理规划电力系统的运行方案，可以实现对电能的高效利用，并提高系统的运行效率和安全性。
研究基于风电可信容量的配电网优化调度模型具有重要的理论和应用价值。
本文旨在探讨风电可信容量概念及其在配电网优化调度中的应用，为提高风力发电系统的可靠性和稳定性提供参考。
1.2 研究意义风电作为清洁能源之一，在当前的能源转型中扮演着重要的角色。
随着风电装机容量的不断增加，风电可信容量的概念也越来越受到关注。
风电可信容量指在风电发电的不确定性条件下，风电装机容量的一部分能够被认可为可靠的发电容量，可以为配电网提供稳定的电力支撑。
研究风电可信容量的配电网优化调度模型具有重要的意义。
风电接入电力系统的调度现状与展望
结束语
２ ． １日 调聩 Ｅ 计戈 Ⅱ 。人工 日 请 百 诉 驰 蔓 副 定日 。 自 跋 电调 『 Ｊ ｆ ｊ 勺 重 要内 传统的调 度方 式已经不能满足风电 接人 后的电力系统， 日 内 发电计 划 容， 考虑 日前初组的运行、 备用、 检修等状况， 为满足负荷的基本要求及波 的加入 ， 在保证电网安全稳定的前提下 ， 可陕 速修正发电计划 ， 保证电力系 动 陛， 其间要充分考虑系统的安全 眭和经济 陛， 而预先合理调度安｛ ｊ ｆ 发 电 统隐定， 可以更好白 勺 】 南 映 风电并网后不确定 的调度问题。未来我国的调 机组的启停和出力 ， 进而合理的利用发电资源。 度模式将向电网调度自动化方向发展。 ２ ２自 拨 电 （ Ａ Ｇ ｃ ） 。自动发￣ ￣ ｜ （ Ａ Ｇ Ｃ Ｙ ｒ ＇ ｌ ｚ 为 二 的 参 考文献 自 动实现方式 ， 其 目的是通过调节发电机出力 ， 恢复区域电网负荷功率与 【 １ 】 陈之栩， 李丹， 梁吉等． 华北电网日内发电计划及 实时调度系统 电力系 发电功率之间的平衡。 为了满足发电厂没备、 用户设备和电力系统。 正常运 统 自 动化 ， ２ ０ １ １ ， ３ ５ （ １ ９ １ ： ５ ４ ＿ ５ ７ ． 行的需要 ， 必须根据各区域电力系统的特 电力系统中的大部分发电机 圈张伯明， 吴文传， 郑太一等硝 纳大规模风电的多时间尺度协调的有功调 组进行自动发电控制， 并依据各棚组本身的调节Ｉ 生ｆ ｉ 巳 及在电网中的地位分 度系 统 破州刀 电 力系 统自 动化， ２ ０ １ １ ， ３ ５ （ １ ） ： １ ＿ ６ 类进行控制 ， 自动地维持电力系统中发供电功率的平衡 ， 保证电力系统频 ｐ １ 李予州， 吴文传， 张伯明等． 多时间尺度协调的区域控制偏差超前控制方 率稳定。日 前调度计戈 ０ 和自动发电控制相结合的调度方式， 这２ 个时间尺 法 电网技术 ， ２ ０ ０ ９ ， ３ ３ ０ ） ： １ ５ ＿ ２ ４ 度跨度大、 调度模式较粗放 ， 无法适应大规模风电接 ＾后的电网调度。 主要
A-多时间尺度协调的源-荷互动调度的模型与策略研究
风电预测精度具有随时间尺度逐级提高的特性，预测时间越短，预测误差相对越小，对系统带
来的不确定性扰动越小。同样从时间维度上来看，不同的电力负荷由于受自身工作特性的限制，在
参与需求响应时所需提前通知时间、响应速度、响应持续时间等因素也不相同，通过对某区域电网
的分类负荷特性进行分析可知，系统中大部分负荷参与需求响应时所需的提前通知时间较长，响应
IA2i IC2i
IA3i
IC3i
Obj: min{costC} S.t.:
Pr{|ΣDi-DGE-Dw|<△D}>λ Limin<Li<Limax Dimin<Di<Dimax
Agent-1
εPi,lP0,DP0 lip 电 价 型 负 荷
Agent-2
EX α,β,DEX0
激激
...
励励 型型
...
日内 15min 负荷调控和实时负荷调控，总体架构如图 1 所示。
发电机组
风电
DGE
F(μ0,σ0)
F(μ1,σ1)
F(μ2,σ2)
F(μ3,σ3)
t
日前24小时 负荷调控
0
IA0i
IC0i
调度交易中心
... ... ...
日内1小时 负荷调控
IA1i
IC1i
日内15分钟 负荷调控
实时负荷调控 （秒级）
Obj： min{cos t(DDiPk _ T 0 , DDiEXk _ T 0 )}
(2)
s.t.：
DDVk _ T 0 = DDiPk _ T 0 + DDiEXk _ T 0
(3)
2013 电力系统自动化专委会学术交流研讨会论文集
考虑多时间尺度灵活性约束的含风电并网机组组合方法[发明专利]
![考虑多时间尺度灵活性约束的含风电并网机组组合方法[发明专利]](https://img.taocdn.com/s3/m/d5b476dd67ec102de3bd89d5.png)
专利名称：考虑多时间尺度灵活性约束的含风电并网机组组合方法
专利类型：发明专利
发明人：马英浩,徐吴昊,杨贺钧,张大波
申请号：CN202010385070.9
申请日：20200509
公开号：CN111525628A
公开日：
20200811
专利内容由知识产权出版社提供
摘要：本发明公开了一种考虑多时间尺度灵活性约束的含风电并网机组组合方法，其步骤包括：1基于混合整数线性(MIL)方法建立电力系统多时间尺度灵活性供给模型；2基于风电功率预测误差时变概率特性，建立电力系统多时间尺度灵活性需求模型；3建立考虑多时间尺度灵活性约束的含风电并网机组组合模型。
本发明对多时间尺度运行灵活性供给及需求进行分析，考虑多时间尺度灵活性约束，建立含风电电力系统机组组合模型，能够充分反映含大规模风电电力系统多时间尺度灵活性供需平衡关系，在保证系统灵活性和安全性的前提下，提高运行经济性。
申请人：合肥工业大学
地址：230009 安徽省合肥市包河区屯溪路193号
国籍：CN
代理机构：安徽省合肥新安专利代理有限责任公司
更多信息请下载全文后查看。
基于场景分析的含风电系统机组组合的两阶段随机优化
目前， 国内外的专家学者已对风电功率预测问题 展开较为广泛的研究[5-9]，但总体来讲，风电功率预 测精度依然不尽如人意， 如丹麦西部电网基于数值天 气预报数据，对未来 12~36 h 风功率预测的平均相对 误差为32%~50%[5]。 因此， 直接依据日前风电功率预 测结果采用确定性决策方式进行电网调度， 将面临较 大决策风险。由此，不确定决策方法被认为是解决未 来电网调度决策问题的必由手段[10-15]。 机组组合是电力系统运行决策的重要组成部 分，相比较于超前调度或实时调度，其对电力系统 运行经济性的影响更为显著。 由于发电设备的启动、
雷 宇，等
基于场景分析的含风电系统机组组合的两阶段随机优化
- 59 -
关停具有时间上的延续性，难以实现实时响应，因 而，机组组合及其后续调度问题必然形成多时间尺 度的关联决策问题[16]。在确定性占主导地位的运行 环境下，每种机组组合状态对应着一种最为经济的 发电调度模式，决策者通过对启停成本与发电成本 的折中考虑， 可以得到最佳的机组组合方式。 然而， 随着系统运行中的不确定性增强，这种确定性的机 组组合方式，将难以保证决策的有效性，机组组合 决策必须考虑到不确定条件下系统所可能呈现的各 种运行形态及其对应的不同的运行效果。 由此，本文构建了含有风电场电力系统机组组 合问题的两阶段随机规划方法。其中，方法的第一 阶段优化问题决策机组的启停，旨在寻找启停成本 最小的机组组合方式，而第二阶段则评估随机条件 下机组启停策略所伴随的期望发电成本，用以对启 停策略对应的运行效果进行评价。方法通过对两阶 段运行成本的统筹考虑，最终决策出最佳的机组组 合方式。文中采用场景树方式描述日前风电场输出 功率预测误差的时间分布特性，并利用场景缩减技 术实现在较高计算精度下模型复杂度的降低。文章 通过对某 26 节点 11 机实际系统的分析计算验证了 所提出方法的有效性。
考虑多能灵活性的综合能源系统多时间尺度优化调度
考虑多能灵活性的综合能源系统多时间尺度优化调度一、概述随着能源结构的不断转型和能源需求的日益增长，综合能源系统正逐渐成为能源领域的研究与应用热点。
综合能源系统通过集成多种能源资源，如电力、天然气、热能等，实现了能源的互补和优化利用，从而提高能源利用效率、降低环境污染，并增强能源系统的安全性与可靠性。
在能源系统实际运行过程中，由于可再生能源的高度不确定性、负荷需求的波动性以及不同能源之间的转换效率差异，其优化调度面临着诸多挑战。
多能灵活性是综合能源系统的重要特性之一，它指的是系统能够根据不同能源的特性、价格以及需求状况，灵活调整各种能源的产、供、存、消过程，以实现能源利用的最优化。
这种灵活性的实现需要依赖于先进的优化调度技术。
多时间尺度优化调度是综合能源系统优化调度的关键手段。
它根据能源系统的运行特性和需求变化，将调度过程划分为不同的时间尺度，如长期规划、中期调度和实时调整等，并在每个时间尺度上采用不同的优化策略和方法。
这种调度方式能够充分考虑不同时间尺度下的能源需求和约束条件，从而实现能源系统的全局优化。
本文旨在研究考虑多能灵活性的综合能源系统多时间尺度优化调度问题。
我们将首先分析综合能源系统的结构特点和运行机理，然后探讨多能灵活性的实现方式和影响因素。
在此基础上，我们将建立多时间尺度优化调度模型，并采用先进的优化算法进行求解。
我们将通过仿真实验验证所提出方法的有效性和实用性，为综合能源系统的优化调度提供理论支持和实践指导。
1. 综合能源系统概述综合能源系统，作为新时代能源利用与管理的典范，旨在通过先进的物理信息技术与创新的管理模式，实现对区域内多种能源资源的有效整合与高效利用。
该系统不仅涵盖传统的煤炭、石油、天然气等不可再生能源，更将电能、热能、风能、太阳能等可再生能源纳入形成一个多元化、互补互济的能源供应体系。
综合能源系统的核心在于其多能协同的特性。
通过对不同能源子系统的协调规划、优化运行以及交互响应，系统能够实现能源之间的互补与替代，从而提高整体能源利用效率，降低能源浪费。
利用用户侧资源提升电网规划运行效率的方法
利用用户侧资源提升电网规划运行效率的方法代贤忠，韩新阳，靳晓凌（国网能源研究院有限公司，北京 102209）基金项目：国家电网有限公司科技项目（52020118007D）。
Supported by State Grid Corporation of China （52020118007D）．摘 要：随着清洁能源发展、电网结构演变与用电负荷增长，仅依靠电源侧扩展规划与优化调度将影响电网规划运行效率，亟须挖掘用户侧资源可利用潜力，提升电网规划运行效率。
针对用户侧资源利用潜力进行分类评估，提出考虑用户侧资源的电力系统灵活性协调优化规划方法。
该方法以全社会综合经济成本最小为目标，决定各类型用户侧资源改造规模、灵活性电源及其配套电网建设容量，能够提升电网规划运行效率。
结合某省级电网进行实证分析，结果证明该方法具有可行性和实用价值。
关键词：用户侧资源；利用潜力；源网荷互动；协调优化；电网运行效率中图分类号：TM71 文献标志码：A DOI ：10.19421/ki.1006-6357.2021.03.003［引文信息］代贤忠，韩新阳，靳晓凌．利用用户侧资源提升电网规划运行效率的方法［J ］．供用电，2021，38（3）：17-21，30．DAI Xianzhong ，HAN Xinyang ，JIN Xiaoling ．Method of improving power grid plan and operation efficiency considering demand side resource ［J ］．Distribution & Utilization ，2021，38（3）：17-21，30．0 引言为构建清洁、低碳的现代能源体系［1］，我国大力发展风电、光伏等新能源。
风电、光伏出力具有不确定性和随机性，对电力系统调峰能力提出很高要求，目前电源侧调峰能力的欠缺使得弃风、弃光现象严重。
大规模风力发电并网基础科学问题研究
项目名称：大规模风力发电并网基础科学问题研究首席科学家：袁小明华中科技大学起止年限：2012.1-2016.8依托部门：教育部一、关键科学问题及研究内容本项目针对风力发电出力的强波动性、出力动态特性的功率弱支撑性/同步强随动性/暂态弱生存性等特点，结合我国风电大规模高集中开发模式的特点，以保障电力系统供电充裕性和运行安全稳定性为目标，集中解决以下两个关键的科学问题：科学问题一：含波动性和不确定性风电电力系统的电源规划和运行调度理论与方法围绕科学问题一，研究以下两个内容：（1）大规模高集中度风电场出力多时空尺度爬坡特征分析、预测与控制针对大规模高集中度风力发电所在的地理区域，构建历史和实时的气象及出力数据平台；研究风电场之间的出力相关性，揭示区域风电出力多时空尺度爬坡特征的规律；提出爬坡事件概率分布的预测理论和方法，实现出力爬坡预警；基于风机出力的有限度可控性，提出区域风力发电出力爬坡有限度控制的理论和方法。
（2）含大规模高集中度风电的电力系统电源规划/调度与供电充裕性基于风力发电出力的多时空尺度爬坡特征，建立电力系统容量与灵活性一体方法；研究有效评估风力发电容量信度的理论和方化的规划和运行调度理论和臵法，提出计及常规电源有效爬坡能力和灵活性的系统充裕性理论和指标体系；基于爬坡预测误差的不确定性，研究满足灵活性需求的电源滚动优化调度理论和方法；探索风力发电地理分布集中度、跨区域平衡、多种资源联合调度（如：负荷需求响应、电动车充放电调度）等因素与常规电源灵活性需求相互影响的规律。
科学问题二：含弱支撑性/强随动性/弱生存性风电电力系统的控制和保护理论与方法围绕科学问题二，研究以下三个内容：（3）远距离大规模风电的有功/无功功率控制与电力系统频率及电压稳定研究远距离大规模风电的有功控制与系统频率、无功控制与系统电压的相互作用规律。
考虑风力机转动惯量的风速约束及转速可控性，探索风力机虚拟惯量的控制和优化理论，保障含大规模风电的电力系统频率稳定。
风力发电场优化调度算法及系统设计
风力发电场优化调度算法及系统设计1. 引言随着环境保护意识的提高和新能源的发展，风能作为一种可再生、清洁、丰富的能源形式，成为国际社会关注的焦点。
风力发电场作为风能利用的主要途径之一，正迅速发展。
然而，要将风能有效地转化为电能，需要解决风力发电场优化调度的问题。
本文旨在研究风力发电场优化调度算法及系统设计，以提高发电效率和经济性。
2. 风力发电场优化调度算法2.1 风速预测算法风速预测是风力发电场优化调度的基础。
通过准确预测风速，在风速较高时进行发电，风速偏低时进行储能或停机，可大大提高发电效率。
常用的风速预测算法包括统计学方法、时间序列方法和人工智能方法等。
其中，基于机器学习的算法如人工神经网络、支持向量机和遗传算法等，可以通过学习历史风速数据，提高风速预测的准确性。
2.2 发电机组优化调度算法在发电机组的优化调度中，需要考虑发电机组的有效运行时间、风速变化、电网负荷等多个因素。
常用的优化调度算法有基于遗传算法、蚁群算法和粒子群算法等。
通过优化发电机组的运行策略，如启动和停机时间点的确定、输出功率的调整等，可以实现最大程度的发电效益。
2.3 储能系统调度算法储能系统在风力发电场中起到平衡供需的重要作用。
通过合理调度储能系统的充放电过程，可以实现电网的平稳运行，并提高电能利用率。
常用的储能系统调度算法包括基于模型预测控制和最优调度算法。
通过分析储能系统的性能特点，如充放电效率、储能容量等，以及电网负荷需求和风速预测等信息，可以确定最佳的储能调度策略。
3. 风力发电场优化调度系统设计3.1 系统架构设计风力发电场优化调度系统需要包括风速预测模块、发电机组控制模块和储能系统调度模块等。
这些模块通过不断地监测风速、电网负荷和储能状态等信息，并结合优化调度算法，实现对发电机组和储能系统的自动调控。
3.2 数据采集与传输在风力发电场优化调度系统中，需要实时采集多个参数的数据，如风速、风向、电网负荷、储能系统状态等。
风电场电力系统的调度与优化
风电场电力系统的调度与优化风能作为一种重要的可再生能源，其发电成本低、无污染、无耗损等优点日益被人们所认识和重视，风电发电已成为可再生能源中占据重要地位的能源之一。
然而，风能的不稳定性和风力发电场布局的特殊性，给风电场电力系统调度和优化带来了一定挑战。
本文将围绕这一问题进行探讨。
一、风电场的电力系统以及调度风电场的电力系统主要由风轮机、桥变电站、交流电缆、集电线路、变电所等组成。
在风电场的运行过程中，系统调度可以通过运用现代信息技术来实现。
系统调度的目标是确保风电场稳定运行和发电优质。
一般情况下，调度的主要策略是优先考虑制导MWh和基础电量的平衡，并结合风力发电场天气预报和市场电价情况，确定发电计划。
二、风电场电力系统调度的影响因素风力发电受地形、气压、湍流等多种各异的因素的影响，以致发电有时候无法全面、质量稳定地实现。
（一）风电机组实际运行状态风电机组运行状态不同，其发电功率也不同。
在调度时，需要考虑风电机组的运行状态，以控制发电功率，达到平衡发电的目的。
（二）天气因素天气因素是风力发电的关键影响因素，因为风力发电主要受到风速的影响。
在调度中应遵循天气预报，合理安排发电计划，以避免出现不必要的损失。
（三）电力市场情况在市场经济这种电力销售模式下，电力市场对风电场发电计划制定产生了直接影响。
在调度时，需要考虑到电力市场的情况，以便更准确地制定计划。
三、风电场电力系统调度的优化方法（一）结合天气预报实现发电计划优化在风电场电力系统的调度中，天气预报是十分重要的信息资源。
如果利用天气预报信息，可以有效地优化发电计划。
在制定发电计划时，需要考虑到风速的波动和天气的变化，进行合理安排。
（二）优化电力系统调度中的资源在调度中，可以通过调整风电机组的运行状态，优化发电计划。
如果有效利用风电机组各项条件，如配合市场电价、平衡基础电量等，可以实现调度优化。
（三）通过智能化技术实现发电计划优化随着科技的不断进步，电力调度已经支持许多智能化技术，在发电计划优化中有很大的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
消纳大规模风电的多时间尺度协调的有功调度系统设计摘要:大规模风电的接入对电网调度模式和技术提出了重大挑战。
通过分析风电预测精度随时间尺度逐级提高的特性和有功调度的固有特点,提出了多时间尺度协调的有功调度模式及其关键技术。
这种调度模式是基于“多级协调、逐级细化”的思路,将上一级遗留的偏差由下一级来修正。
文中首先介绍了该系统的整体构架和总体思路;然后,分析了发电态势分析的几个基本问题:理想发电模型、扩展短期预测和超短期预测以及负荷特性分解;接着,提出滚动计划优化模型及其与日前计划的关系,以及以弃风最小为目标的实时调度模型及其与风电场调度的关系。
最后,给出了一个实际系统的应用效果。
关键词:风电接入;有功调度;多时间尺度协调;实时调度;电力系统调度0 引言大规模风电接入对电力系统调度运行的影响是多方面的,如有功/无功潮流、电压、系统稳定性、电能质量等。
有功调度作为电力系统调度运行体系中的核心组成部分,直接关系到电力系统中的有功功率平衡和频率稳定,对电力系统的安全、可靠、经济运行有着不可替代的重要作用。
风电接入后的电力系统在线有功调度包括电网侧的调度决策和风电场侧的运行控制2个方面。
电网侧的在线有功调度决策是电网控制中心针对大规模风电接入,如何建立新的在线有功调度运行方法以适应风力发电的特点,保持电网功率平衡和频率稳定;风电场侧的有功运行控制是指风电场如何控制风电机组的运行,以使风电场的输出功率尽量平稳并且具备一定的可控能力。
目前国内外的学者对风电场的运行控制研究已经取得了一定的成果,主要集中在风力发电机组的电压和无功控制等方面,但在电网控制中心的在线有功调度方面的研究相对较少。
风力发电区别于其他传统发电形式,在于其取决于风速,且具有一定的随机性和间歇性。
目前关于风电接入后的电力系统有功调度的研究主要包括风电预测[1-6]、运行备用优化[7-15]、阻塞管理、有功发电计划和频率控制等方面。
为了提高电网对风电的接入能力,风电预测是一项基础工作,但是风电预测的准确性难以保证。
随着预测时间的增长,预测误差也会逐渐增大,预测时间越短,预测误差相对越小。
例如:风电场日前风电预测的误差一般为25%~40%[16],有时可能更大。
因此,本文引入多时间尺度的有功协调优化调度模式,目的在于逐级降低由于风电接入后电网运行的不确定性,增加系统接纳风电的能力。
1 总体思路国内传统的调度方式主要采用人工日前调度计划和自动发电控制(AGC)等2个时间尺度相结合的调度方式,这2个时间尺度跨度大、调度模式较粗放,无法适应大规模风电接入后的电网调度。
传统调度方式主要存在以下问题:①日前负荷预测结果与实际负荷往往存在较大偏差,特别是大规模上网风电的随机性和波动性,使得日前计划在执行中和实际情况存在很大偏差;②日前调度与AGC之间时间跨度太大,日前计划偏差、负荷和风电随机扰动全部由AGC机组来负担,经常会出现AGC可调容量不足的情况,进一步影响了系统的安全性和电能质量。
因此,在现有调度模式下,调度员不得不时时根据系统功率不平衡量调节常规发电机基点功率,工作量和强度都很大,在大规模风电接入的情况下已无法适应。
由于预测精度与时间跨度成反比,本文提出在时间维将有功调度策略分解为秒级、5~15 min级、30~60 min级、日级等。
根据负荷波动的特点和机组的控制特性,可以把控制分解为4个阶段:日前计划、滚动计划、实时调度计划和AGC。
1) 日前计划。
日前计划有充足的时间进行动态优化计算,该时间级的控制以安全为约束,以经济为目标,可以称为最优控制。
2)滚动计划。
以扩展短期负荷预测为基础,30~60 min为启动周期的滚动计划充分利用最新的信息,实时对剩余时间的发电计划进行修正,逐步降低日前计划的不确定性,同时预测各风电场未来时段的最大允许发电曲线。
3)实时调度计划。
调度计划在实施时,要面对运行点接近安全域边沿、机组未有效跟踪计划、AGC机组容量不足等不确定因素。
取系统中性能良好、执行计划良好的机组作为缓冲机组,通过超短期预测以5~15 min为周期调整出力,用于消除这些不确定因素。
缓冲机组以安全为第一目标,经济为第二目标,一方面吸收最优控制过程中的功率不平衡量、改善运行安全性,保证最优控制环节正常运行;另一方面为秒级AGC机组预留调节空间,保证AGC环节的正常运行。
本文称这种对缓冲机组的控制为保优控制。
保优控制需要超短期负荷预测作为支持。
当电网发生阻塞时,也可先调缓冲机组以避免干扰最优控制。
4)AGC。
AGC包括校正控制和安全校正控制(阻塞管理)。
其中,校正控制调度秒级AGC机组,使频率和联络线功率满足CPS考核指标;安全校正控制即时处理线路断面潮流越限。
AGC的目标是快速消除安全隐患,保证系统频率质量。
图1给出了日前计划、滚动计划、实时调度计划和AGC之间的关系,本质上是在日前发电计划和AGC之间增加滚动计划和实时调度计划阶段。
在该阶段中建立智能化决策和自适应协调控制的技术支持环节,以替代传统的人工调整模式,减轻值班调度员的劳动强度,实现高品质的电力供应。
图1 有功发电调度的分级控制模式Fig.1 A hierarchical control model for activepower dispatch2 关键技术为了实现多时间尺度协调的调度模式,需要解决其中几个关键技术问题。
2.1 发电态势分析多时间尺度的协调控制本质上是一种超前控制,因此首先需要回答的问题是下一时刻或时段总的发电需求是多少然后作出发电态势分析。
发电态势分析需要解决如下问题。
1)预测模型问题。
传统的算法直接把实测的负荷数据PD作为预测的基础数据,预测得到的是负荷值并不能直接作为发电出力的控制目标,因此提出理想发电预测模型P*G[17]:P*G= PD+KLΔf+Ploss+PST(1)式中:Ploss为系统网损;KLΔf为系统频率偏差引起的功率偏差;PST为联络线功率交换计划。
图2显示了1日中某省电网网损的变化情况,可见变化很大。
因此,采用理想发电预测模型是实现超前控制的关键之一。
图2 某省级电网1日的网损曲线Fig.2 A daily power loss curve of a provincialpower grid2)扩展短期负荷(发电需求)预测模型和方法,以满足滚动计划的需求。
滚动计划环节需要监视当日发电计划的执行情况,在原计划与实际负荷发生严重偏离的情况下,及时完成该日剩余时段负荷的重新预测和发电计划的调整。
提出了扩展短期负荷(发电需求)预测服务于滚动计划,它利用当前时刻及以前的历史负荷数据预测当前时刻及以后的系统负荷,详细技术细节请参阅文献[18]。
3)超短期负荷(发电需求)预测的方法,以满足实时调度的需求。
实时调度环节是以5~15 min为周期进行超前的功率平衡调度,因此,如何保证超短期负荷预测的精度是实现实时调度的关键,详细技术细节参阅文献[19]。
4)负荷分解与负荷特性分析,以确定不同机组的角色分配。
电力系统的负荷变化是引起电力系统功率不平衡的主要原因之一,是制订参与计划、实时调度和AGC机组容量的主要依据。
通过对日负荷曲线的分解,电力系统的负荷通常是由3种不同变化规律的负荷分量组成:第1种是变化周期在10 s以内、变化幅值较小的负荷分量。
这种负荷的快速波动是各个独立负荷随机变化的集中表现,主要由AGC机组来平衡。
第2种是变化周期在10 s到数分钟之间的负荷分量。
这种负荷变化的幅值较小,一般不超过负荷峰值的2.5%,主要由实时调度机组来承担。
第3种是变化缓慢的持续变动负荷。
这类负荷的变化主要是由各种行业的作息制度、居民生活用电方式等引起,具有较强的规律性,可以由计划机组来承担。
通过负荷分解与负荷特性分析,确定计划、实时调度AGC机组容量,详细技术细节可参阅文献[20]。
另外,日前短期风电预测的误差很大,而且规律性不强,只能通过对常规机组的调度来平衡。
本文通过日内滚动计划和实时调度环节逐级消纳这部分误差。
2.2 滚动计划随着时间尺度变长,发电需求和风电出力预测的不确定因素的影响不断增加,预测的准确度会逐渐降低,因此,日前计划无法满足实际功率平衡需求。
对1日每个时段之后的剩余时段的发电需求进行在线滚动修正,即滚动地修正各个机组在剩余时段的出力计划,使得机组的总出力与实际发电需求逐级逼近。
所以,可以认为滚动计划就是对日前计划不断修正、不断刷新的过程。
滚动计划是从当前时段到结束时段之间的动态优化,在数学上是一个NP难题,模型复杂而且耗时较多。
因此,需要研究如何通过对动态优化模型进行时间维度和空间维度的解耦并进行协调以得到适于滚动计划环节在线应用的实用化的优化模型。
这对滚动计划算法的高效性提出了要求。
其次,由于日负荷和风电出力波动带来的不确定性,算法及其优化模型还需要具有很好的鲁棒性。
2.2.1 滚动计划与日前计划的关系日前计划是在已知次日系统负荷预测、水电计划、交换计划、燃料计划等的情况下,制订次日发电机组的运行计划,使得系统发电或者购电的总费用最低。
其优化模型中,单台机组的费用与该机组的发电出力成正比或者二次关系,因此,整个日前计划的目标函数可以表示为:(2)式中:为机组i在时段t的出力值;N为机组数;T为时段数。
若令ai=0,则目标函数与出力值是线性关系。
滚动计划对日前计划不断修正的过程。
日前计划中包含了节能减排、电量约束以及其他非技术性约束,滚动计划以日前计划为基础,滚动制订各个机组计划出力的调整量,因此,需要将该调量限定在一定的范围内。
令机组i在时段t(当前时段T0之后的剩余时段)的出力修正值为则机组i在时段t的出力为。
对应的目标函数为:（3）式中:为最新计划(最近一次的滚动修正计划出力,若之前没有滚动修正,则为日前计划的出力值)中机组i在时t的出力值,而必须在的邻域之内。
2.2.2 滚动计划的模型降低煤耗和降低购电成本都可单独作为优化目标,也可综合优化。
采用发电出力的二次函数,通过权重系数,进行两者之间的协调,这样便可以将多目标优化问题转换为带约束的以二次函数最小值为目标的优化问题。
假定机组i在时段t的原计划出力为pit。
若在时段T0(0≤T0<T)观察到时段T0+1的扩展短期发电需求预测与最新计划的差值超过一定的阈值,则需要对时段T0+1,T0+2,…,T的所有机组出力进行修正。
考虑到滚动计划和日前计划的关系,令机组i在时段t(T0<t≤T)的出力修正值为Δpit,则机组i在时段t的出力为pit+Δpit。
滚动计划优化问题的目标函数为:1)发电需求功率平衡约束式中:为时段t扩展短期负荷预测的发电需求与最新计划的发电需求的差值;t=T0+1,T0+2,…,T。
2)断面潮流约束式中:m=1,2,…,M;t=T0+1,T0+2,…,T;为电机i对断面m的有功灵敏度;m为需要考虑的断面数;为断面m在时段t的传输上限。