[发明专利]一种适用于风电接入的电力系统实时滚动计划方法

摘要

本发明涉及一种适用于风电接入的电力系统实时滚动计划方法。步骤是：依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段（以5-15min为一个时段）风电和负荷的预测值；结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳；以电网弃风最小和火电机组煤耗最小为双重优化目标，建立实时滚动计划模型；输入系统、机组、算法控制参数，通过人工智能优化算法求解实时滚动计划问题。所建模型通过风、火、负荷的就地平衡，有效减小风功率波动对系统潮流等的影响，机组的选择方式可大大提高系统的经济性和安全性，实现低碳调度。     

主权项

一种适用于风电接入的电力系统实时滚动计划方法，其特征在于，基于实时滚动计划模型，该模型以电网弃风最小和火电机组煤耗最小为双重优化目标，其中：实时滚动计划模型基于以下目标函数：$f=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}(a_i{p}_{\mathrm{it}}^2+b_i{p}_{\mathrm{it}}+c_i)+\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\δ}(P_{\mathrm{wind}}^t-P_{\mathrm{wt}})$       式二其中：f为总的目标函数，N_G为参与中调实时滚动计划火电机组的台数；a_i、b_i、c_i分别为机组i的能耗二次项、一次项和常数项系数；p_it为机组i在第T₀+t时段的实时滚动计划出力；P_wt为风电功率在第T₀+t时段实时滚动计划值，δ为弃风惩罚系数，为保证风电尽可能被消纳，δ取为最大火电机组煤耗的数倍，δ＝2max(a_ip_imax+b_i)i＝1,2,…,N_G；所述实时滚动计划模型基于以下约束条件：约束条件包括功率平衡、风功率约束、火电机组爬坡速率约束、火电机组出力上下限约束、系统备用容量约束，基于如下公式：$\left\{\begin{array}{c}{P}_{\mathrm{wt}}+\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}{P}_{\mathrm{load}}^t\\ 0\≤P_{\mathrm{wt}}\≤P_{\mathrm{wind}}^t\\ p_{\mathrm{it}}-p_{i(t-1)}\≤15\·{\mathrm{\Δp}}_{i,\mathrm{up}}\\ p_{i(t-1)}-p_{\mathrm{it}}\≤15\·\mathrm{\Δ}{p}_{i,\mathrm{dn}}\\ p_{i\min }\≤p_{\mathrm{it}}\≤p_{i\max }\\ L_u\·P_{\mathrm{load}}^t+W_u\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{us}}\\ L_d\·P_{\mathrm{load}}^t+W_d\·P_{\mathrm{wt}}\≤\underset{i=1}{\overset{N_G}{\mathrm{\Σ}}}{p}_{\mathrm{it}}^{\mathrm{ds}}\\ p_{\mathrm{it}}^{\mathrm{us}}=\min (5\·\mathrm{\Δ}{p}_{i,\mathrm{up}},p_{i\max }-p_{\mathrm{it}})\\ p_{\mathrm{it}}^{\mathrm{ds}}=\min (5\·\mathrm{\Δ}{p}_{i,\mathrm{dn}},p_{\mathrm{it}}-p_{i\min })\end{array}\right\}i=\mathrm{1,2},...,N_G,t=\mathrm{1,2},...,n$     式三其中：Δp_i,up,Δp_i,dn(MW/min)分别为机组i单位时间内允许升出力和降出力限值；p_i0为机组i在当前时段的实际出力值；p_imin,p_imax分别为机组i的最小和最大技术出力；L_u,W_u分别为负荷和风功率预测误差对系统正备用的需求系数；L_d,W_d分别为负荷和风功率预测误差对系统负备用的需求系数；分别为机组i在T₀+t时段提供的正、负旋转备用容量；适用于风电接入的电力系统实时滚动计划方法包括以下步骤：步骤1，依据风电和负荷的预测时间间隔以及预测值，通过线性插值法，给出预测时间段内各时段风电和负荷的预测值，具体方法是：定义当前时段编号为T₀，以N分钟为一个时段进行预测，风电和负荷预测时间间隔对应的时段数为n，预测时间间隔为M小时，则n＝60M/N，n为正整数；并且负荷和风功率的预测值分别为P_load,P_wind，负荷和风功率当前时段的实测值分别为则T₀+t时段负荷和风功率的预测值分别为：$\left.\begin{array}{c}{P}_{\mathrm{load}}^t=P_{\mathrm{load}}^0+\frac{t}{n}(P_{\mathrm{load}}-P_{\mathrm{load}}^0)\\ P_{\mathrm{wind}}^t=P_{\mathrm{wind}}^0+\frac{t}{n}(P_{\mathrm{wind}}-P_{\mathrm{wind}}^0)\end{array}\right\}t=\mathrm{1,2},...,n$        式一；步骤2，结合电网风电、火电和负荷的地区分布特点与燃煤机组发电序位表，选择数台火电机组参与实时滚动计划，以尽可能实现风电的就地消纳，具体方法是：步骤2.1，对于风电密集接入的地区，随机选择符合以下条件的机组：条件一：与风电密集接入点电气距离最近的前M个，且具有相同外送通道的所有机组；条件二：处于同一个断面的火电厂的所有机组；步骤2.2，结合燃煤机组发电序位表，并在步骤2.1选择的所有机组中；在火电机组需要增出力时，选择排序为第1位至第M位的机组作为实时滚动机组；在火电机组需要减出力时，选择排序为第N位至第Q位的机组作为实时滚动机组；其中，发电序位表中定义所有机组排序是：1、2、3。。。。Q；步骤3，基于步骤2选取的机组以及实时滚动计划模型和约束条件，输入系统、机组、算法控制参数，通过粒子群优化算法求解实时滚动计划，得到实时滚动机组在未来n个时段的计划出力；在寻优过程中，机组的初始出力在其最大与最小技术出力之间随机设置，迭代收敛条件是全局最优粒子适应值的改变量连续K次在收敛精度范围内，迭代收敛精度设置为0.0001，其中，K取大于等于20的正整数。