電力市場環境下發電調度與上下時間級的協調

風電工程效率的預測偏差通常為25%-40%，預測精度隨著時間的推移而逐漸降低。因此，在當前制定的發電計劃的實際設計中，由于水電的實際設計輸出曲線顯著偏離預測曲線，因此很難實施。多時間隔協調的規劃方法是慢慢消除風電設計的偏差，提高系統的消納電氣能的效率。實時布局是多時間斗爭的核心內容之一。基于短期預測的先時預測的提前調整。實時t-t（t循環通常為5.15分鐘）時間的推移是對上一時間內發電計劃（滾動發電計劃）的修正和偏差的修正。在文獻中，我們討論了在能源市場環境下和節能發電原則下實現實時規劃和協調上一段時間內發電規劃的策略。在文獻中，我們研究了基于采購成本和煤炭消耗最小化的實時計劃策略。然而，上述文件中沒有考慮風電工程的影響。在文獻中，我們提出了基于最小放棄風的實時設計模式，采用了線性漸進式優化模型。傳統的提升模型可能會導致大型傳統機組的調整不足，嚴重偏離經濟領域。在文獻中，建立了基于最大消耗風能力和最小化火電工具的實時規劃模型，并取得了良好的運行效果。然而，目前，風電工程的基礎數據并不完整，尚未建立實時風電工程系統。為了立即提供更短的預測值，需要進行調整和修改。因此，在基于波動校正的最佳動態規劃和校正中，無法提高發電計劃的精度。本研究依托武漢大學智能電網研究平臺，建立了一種超短期內風電時序動態修正的電力系統實時調度模型．該模型依據最新的風電功率實測值，采用馬爾科夫鏈時序預測方法，以5～15min為周期動態修正風電超短期預測功率的時間序列，并以煤耗增量最小和棄風最小為雙重優化目標同步修正風電場及常規機組的發電計劃．1基于區塊分析的實時規劃模型1.1實時機組優化問題實時調度不改變機組啟停安排，考慮以機組出力調整引起的系統能耗增量成本最小為優化目標，即式中：ai和bi分別為機組i的能耗二次項、一次項系數；NG為實時機組個數；p*Gi為機組i的滾動計劃出力值；ΔpGi為機組i的出力的修正量，則機組i的實時計劃出力值可表示為pGi=p*Gi+ΔpGi.1.2狀態個數及狀態變量的確定X=(X1,X2，…，Xt，…），式中：X為風電預測誤差的時間序列向量；Xt為第t時段的預測誤差．運用二階的馬爾科夫模型對該序列變量之間的狀態轉移概率進行估計，即式中：k,i,j∈{1,2，…，n}，n為狀態變量個數；qkij(t）為狀態轉移矩陣Q(t）的元素，表示第t+1時刻狀態是sj的概率，僅與t時刻狀態si及t-1時刻的狀態sk有關，則有n個狀態變量的轉移矩陣Q(t）的階數為n×n×n;S為狀態空間，記為S={s1,s2…，sn}．通過極大似然估計方法確定qkij(t），即：式中nkij(t）表示sk,si→sj狀態轉移的數量，可由風電場歷史運行數據以統計方法求得．建模時狀態個數和狀態變量確定的適當與否會影響到模型估計的精度．傳統的狀態個數劃分方法，如樣本均值-均方差分級法是應用樣本均值與樣本均方差來刻畫隨機變量的變化，但不能考慮物理因素對隨機變量的影響，僅從統計的角度把樣本均值作為隨機變量波動區間的中心；另外，若有序聚類法要求各時段隨機變量具有相依性，則以各階自相關系數刻畫狀態變量之間的相關關系及其強弱，但風電機組發出的功率數據沒有任何規律且波動很大，狀態變量之間的相關關系難以描述，因此也不適用．本文為了不破壞風電功率的數據特點，采用基本等分法進行劃分，同時等分法劃分方法也便于比較分析狀態變量個數對預測結果準確性的影響．在確定二階的馬爾科夫模型各參數后，由狀態轉移概率矩陣Q(t）和初始誤差分布向量，可以確定下一時段風電功率預測誤差狀態的概率密度分布ξ（t+1）=[ξ0(t），ξ0(t-1)]Q(t），其中：ξ（t+1）=[ξ1(t+1），ξ2(t+1），…，ξn(t+1）]為n維向量，第i個元素ξi(t+1）表示第t+1時段的預測誤差等于狀態si的概率；[ξ0(t），ξ0(t-1）]為第t+1時段的初始誤差分布向量，由之前兩個時段的實測誤差值與預測值逐點比較求得．最后以期望誤差狀態修正第t+1時段的風電預測功率，有式中：為第t+1時段風電功率原預測值的期望誤差狀態；PW*(t+1）為第t+1時段原預測值；PWust(t+1）為修正后的第t+1時段預測值．則實時發電調度中棄風懲罰量目標可表示為f2=κ（PWust-PW），其中：PW為風電功率的實時計劃值；κ為棄風懲罰系數．1.3實時調度模型建立A．功率平衡約束為其中UL為最新負荷預測值．B．風電場出力約束為0≤PW≤PWust.C．實時機組約束．a．爬坡率約束為其中：ΔpGi,dn和ΔpGi,up分別為機組i單位時間內允許的降出力和升出力限值；T15=15min為一個調度時段．b．出力上下限約束為pGimin≤pGi≤pGimax，其中pGimax和pGimin分別為機組i的出力上限和下限．c．調節偏差約束．為保證機組出力修正值與原計劃值的關聯性，設定機組的調節偏差閾值，使偏差控制在一定的范圍內，即|ΔpGi|≤αi，其中αi為第i臺機組的允許最大偏差值．D．旋轉備用約束．風電并網后，系統不但需要附加的正旋轉備用容量，還需要附加的負旋轉備用容量，以應對風電功率的波動性，同時保證AGC機組被及時“拉回”到系統安全約束要求的調節范圍內．約束條件為式中：Lu和Ld分別為負荷預測偏差對正、負備用的需求系數；wu和wd分別為風電預測偏差對正、負備用的需求系數；pus,Gi和pds,Gi分別為機組i提供的正、負旋轉備用容量，有式中T10=10min為旋轉備用響應時間．E．電網斷面功率約束．對于重要的輸電斷面，應考慮其斷面功率約束條件下的風電場和常規機組出力限制，即式中：Nm為斷面m內的常規機組數；ρm,i為機組i對斷面m的有功靈敏度；δm,W為風電場對斷面m的有功靈敏度；為斷面m的傳輸上限．由以上建模，實時調度模型可以寫成如下帶線性約束的二次規劃形式式中：f為實時調度的目標函數，故有f=f1+f2;H為f的二次系數矩陣；x（≥0）為常規機組及風電場實時計劃出力向量；h(x）和g(x）分別表示等式與不等式約束函數；g1和g2分別為不等式約束的上、下限列向量．2基于調度公平性原則的設備選型由于H半正定，因此式（1）是一個凸二次規劃問題，推導可得出其拉格朗日對偶問題式中：A1和A2分別為等式與不等式約束的一次系數矩陣；b1和b2分別為等式與不等式約束的常系數向量；xs（≥0）為松弛變量，滿足[A2,I][x,xs]T=b2;y和z分別為等式與不等式約束對應的拉格朗日乘子向量．調用Matlab中原對偶內點法程序沿原-對偶問題的中心路徑尋求最優解．為簡化算法對初始內點的求解過程，當模型的決策變量初值在各自取值范圍之內即啟動算法．其中風電功率實時計劃初始值PW(0）的確定方法為：式中PW*為風電功率的滾動計劃出力值．實時機組出力修正量的初始值ΔpGi(0）的確定方法為：根據上一時間尺度發電計劃對機組出力的安排，將實時機組分為可上調機組和可下調機組兩類，基于調度公平性原則定義分別確定各類機組的負荷分配因子βi和βi′，由βi和βi′與系統總有功功率偏差確定實時機組出力修正量的初始值，即：式中UL*為滾動計劃的負荷預測值；ω1和ω2分別為上調機組和下調機組；算法沿原-對偶問題的中心路徑方向搜索，路徑上的點須滿足松弛的Karush-Kuhn-Tucker(KKT）條件．由牛頓法求一階導后可得第k次迭代的搜索方向（Δv(k），Δy(k），Δz(k））如下第k次迭代的步長為算法步驟為：步驟1輸入原始參數、最新負荷預測值、超短期風電預測值及機組滾動計劃出力值；步驟2數據初始化，給定初始點，設置容許誤差ε，令δ=0.1,k∶=0;步驟4確定搜索方向并計算迭代步長λ；步驟5若條件‖σ‖1<ε，‖ρ‖1<ε，γ<ε同時滿足則結束，得到問題的最優解，否則置k∶=k+1，轉步驟3.3基于原對偶內點的實時調度算法在確定風電以含風電場的10機系統96時段/d為例進行仿真計算．算例中機組1與風電場組成約束斷面1，傳輸限制為[-500,500]MW;wu=10%,wd=30%;Lu,Ld=5%；γi=10%；κ=max(aiγi+2aipGimax+bi），本文具體值為202.8；ε取1．風電場總裝機140MW，取其3個月、96點的實際運行數據為基礎數據，訓練風電動態時序修正的二階馬爾科夫模型．訓練所得狀態1的誤差范圍是[66%，∞），狀態2為[63%,66%），然后依次呈等差分布至狀態37為[-42%,-39%），最后狀態38是[-∞，-42%).我國基本采用大規模集中送出的形式，目前電網的電源結構仍以常規水、火電為主，當常規機組調峰能力不足而風電功率被嚴重低估時，不可避免地會產生大量棄風功率，因此針對這一情形應用所提出的實時調度方法進行了具體分析．圖1為對某日風電場功率時序動態修正前后的96點模擬曲線．由圖1可知：曲線2與曲線3符合程度較高，曲線3的平均預測誤差減小到6.03%．由于曲線1對風電功率存在明顯的低估，不利于風電的最大化利用，當風電并網比例大時還會給系統帶來較大的調節負擔．從第30時段開始出現較大的風電功率預測誤差，故此時執行實時調度算法至本日結束，共執行了66次．圖2為風電場實時計劃出力與上一時間尺度滾動計劃出力的對比．由于風電功率被低估，經過風電時序動態修正后的實時調度，各時段平均計劃多消納風電功率達到15.342MW.伴隨著風電功率被更多地消納，系統能耗節約也十分明顯．如表1所示，實時調度后系統運行成本減少5.1673萬美元，各時段平均減少運行成本0.107447萬美元．算法平均執行一次耗時為0.74s，平均迭代次數為8次．圖3為目標函數的收斂曲線，由圖3可見：平均迭代8次以后目標函數接近最后的穩定值．迭代次數為7次時費用最低