[发明专利]一种考虑风电并网系统安全约束的调峰策略优化方法

摘要

本发明涉及一种考虑风电并网系统安全约束的调峰策略优化方法，本发明在分析风电并网使系统对调峰需求发生变化的基础上，以最大限度消纳风电为目标，通过考虑使调峰发电成本和线损最小、满足潮流安全约束等因素建立了基于火电、水电和抽水蓄能联合调峰的改进优化模型，并采用最优潮流和粒子群算法研究了改进优化模型的求解方法。该调峰方法能够在保证系统安全经济运行的前提下确定有效的调峰机组出力方案，可以有效的减小发电成本和保证系统的安全性，尽可能的消纳大规模风电。最后，对所研究调峰策略优化方法进行了仿真验证。

主权项

1.一种风电并网系统考虑安全约束的负荷调峰优化方法，其特征在于，定义风电并网系统考虑安全约束的调峰策略优化模型、风电并网系统调峰策略优化的约束条件以及调峰能力，具体是：定义一：调峰机组的调峰能力按式一定义为调峰机组可调容量与其额定有功容量的比值；式中：α_i为火电、水电或抽水蓄能等调峰机组i的调峰能力；P_Gimax为调峰机组i的最大有功输出，定义为机组的额定有功容量；P_Gimin为调峰机组i的最小有功输出；定义二：调峰策略优化模型基于以下目标函数：在以调峰机组发电成本最小作为系统调峰经济性量化指标基础上，附加考虑网损对系统售电收益影响的经济量化指标，按照式二建立综合考虑风电并网系统运行经济性的优化目标函数：式中，T为系统调度周期内的总时段数；N_h为调峰火电机组数；N_c为调峰抽水蓄能机组数；N_w为调峰水电机组数；C_hi(t)为调峰火电机组i在t时段发电费用；C¹_ci(t)和C²_ci(t)分别为调峰抽水蓄能机组i处于发电工况和抽水工况时在t时段的启动费用；C_si(t)为调峰水电机组i在t时段发电费用；P_s为系统销售电价；P_loss(t)为t时段网损；定义三：风电并网系统调峰策略优化的约束条件建立：在传统以各调峰机的调峰有功不超过其有功输出允许范围、各调峰机组可调容量之和大于等于系统中风电并网有功输出最大变化与系统负荷最大风谷差之和的基础上，附加了考虑潮流安全约束的条件，从而构建式三所示风电并网系统考虑系统安全约束的调峰策略优化约束条件；式中：N为系统节点集合；N_G为系统的调峰机组节点集合；N_WG为系统的并网风电节点集合；N_g为系统发电机节点集合；N_U为系统中枢电压节点集合；N_Q为系统的无功补偿调节节点集合；P_gj为系统节点j的注入有功；Q_gj为系统节点j的注入无功；△P_Gi为系统的有功调节增量；P_li、Q_li分别为系统负荷的有功和无功；U_i和U_j分别为系统节点i和j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i、j之间的电导、电纳和电压相角差；α_k为火电、水电或抽水蓄能等调峰机组k的调峰能力；P_Gkmax为调峰机组k的最大技术出力有功容量；△P_mGWmax为系统风电并网节点m的最大风电有功变化；△P_Lmax为系统负荷的最大峰谷差；P_gi为调峰机组的输出功率；P_gimax、P_gimin分别为各调峰机组有功调节的上限和下限；U_imax、U_imin分别为系统各电压重要节点的上下限；Q_gimax和Q_gimin分别为系统无功调节节点无功调节装置无功调节上下限；负荷调峰优化方法具体包括：步骤1：基于优化目标风电系统，利用matpower软件建立风电并网系统的潮流计算模型，初始化式二、式三所示优化模型参数；步骤2：设置反映粒子自身经验认知能力和社会经验认知能力的权重参数c₁、c₂；设置粒子保持已有寻优速度的惯性权重参数ω∈[0,1]，设为0.8；定义寻优目标搜索空间的维度等于风电并网系统调峰机组的节点数NG，并根据调峰机组的调峰能力定义寻优空间Sn，即：根据调峰机组台数确实空间维数，然后根据调峰能力确定每一维的长度，然后设向量x_i为寻优粒子，其分量x_ij表示调峰机组的有功增量，其中，j＝1,2,…,NG，定义粒子的数目为m，并在寻优空间S_n中随机生成各粒子的初始分量x_ij(0)(i＝1,…,m)，同时随机生成各粒子的初始寻优速度v_i(0)；设各粒子对目标函数的最优适应值fit_i＝∞，设粒子群的最优适应值Fit＝∞；设寻优搜索的最大迭代次数为N_max，同时设迭代次数n的初值为1；步骤3：将各粒子分别代入潮流计算模型，基于matpower最优潮流求解程序进行潮流分析计算，判断潮流是否满足约束条件，若满足，则执行步骤4；若不满足约束条件，则执行步骤7；步骤4：根据潮流计算结果，利用式二所示目标函数分析当前迭代次数的各粒子适应值fit_i(n)，并判断：若fit_i(n)<fit_i，则fit_i＝fit_i(n)，并且令P_i＝x_i(n)，否则保持fit_i与P_i不变；步骤5：判断min[fit_i]：若fit_i的最小值min[fit_i]<Fit，则Fit＝min[fit_i]，并且更新min[fit_i]对应的粒子为全局最优粒子x_G，否则保持Fit与x_G不变；步骤6：若[0.1+0.9(N_max‑n)/N_max]‑rand(1)≤0，则执行步骤7；否则在域[x_G‑ε,x_G+ε]内随机计算q个粒子x_Gεi的适应值fit_Gεi(n)，其中，ε＝l/2*10^{round(5*rand)}，l为粒子x_G的邻域空间搜索长度，round为取整函数,i＝1,…,q，并比较min[fit_Gεi(n)]：若min[fit_Gεi(n)]<Fit,则Fit和全局最优粒子x_G分别更新为min[fit_εi(n)]和min[fit_εi(n)]对应的邻域粒子x_Gεi，否则则执行步骤7；步骤7：利用粒子的速度和位移更新公式计算粒子在第n+1次迭代次数的空间位置；步骤8：如果n+1<N_max，则n＝n+1，返回第三步进行下一次迭代次数的计算，直到迭代次数达到N_max，输出最优解。