電力市場環(huán)境下發(fā)電調(diào)度與上下時間級的協(xié)調(diào)

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(fā)電計劃的實際設(shè)計中，由于水電的實際設(shè)計輸出曲線顯著偏離預測曲線，因此很難實施。多時間隔協(xié)調(diào)的規(guī)劃方法是慢慢消除風電設(shè)計的偏差，提高系統(tǒng)的消納電氣能的效率。實時布局是多時間斗爭的核心內(nèi)容之一?；诙唐陬A測的先時預測的提前調(diào)整。實時t-t（t循環(huán)通常為5.15分鐘）時間的推移是對上一時間內(nèi)發(fā)電計劃（滾動發(fā)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(huán)境下和節(jié)能發(fā)電原則下實現(xiàn)實時規(guī)劃和協(xié)調(diào)上一段時間內(nèi)發(fā)電規(guī)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(shè)計模式，采用了線性漸進式優(yōu)化模型。傳統(tǒng)的提升模型可能會導致大型傳統(tǒng)機組的調(diào)整不足，嚴重偏離經(jīng)濟領(lǐng)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(guī)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(chǔ)數(shù)據(jù)并不完整，尚未建立實時風電工程系統(tǒng)。為了立即提供更短的預測值，需要進行調(diào)整和修改。因此，在基于波動校正的最佳動態(tài)規(guī)劃和校正中，無法提高發(fā)電計劃的精度。本研究依托武漢大學智能電網(wǎng)研究平臺，建立了一種超短期內(nèi)風電時序動態(tài)修正的電力系統(tǒng)實時調(diào)度模型．該模型依據(jù)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(tài)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(yōu)化目標同步修正風電場及常規(guī)機組的發(fā)電計劃．1基于區(qū)塊分析的實時規(guī)劃模型1.1實時機組優(yōu)化問題實時調(diào)度不改變機組啟停安排，考慮以機組出力調(diào)整引起的系統(tǒng)能耗增量成本最小為優(yōu)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(shù)；NG為實時機組個數(shù)；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(tài)個數(shù)及狀態(tài)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(tài)轉(zhuǎn)移概率進行估計，即式中：k,i,j∈{1,2，…，n}，n為狀態(tài)變量個數(shù)；qkij(t）為狀態(tài)轉(zhuǎn)移矩陣Q(t）的元素，表示第t+1時刻狀態(tài)是sj的概率，僅與t時刻狀態(tài)si及t-1時刻的狀態(tài)sk有關(guān)，則有n個狀態(tài)變量的轉(zhuǎn)移矩陣Q(t）的階數(shù)為n×n×n;S為狀態(tài)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(tài)轉(zhuǎn)移的數(shù)量，可由風電場歷史運行數(shù)據(jù)以統(tǒng)計方法求得．建模時狀態(tài)個數(shù)和狀態(tài)變量確定的適當與否會影響到模型估計的精度．傳統(tǒng)的狀態(tài)個數(shù)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(tǒng)計的角度把樣本均值作為隨機變量波動區(qū)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(guān)系數(shù)刻畫狀態(tài)變量之間的相關(guān)關(guān)系及其強弱，但風電機組發(fā)出的功率數(shù)據(jù)沒有任何規(guī)律且波動很大，狀態(tài)變量之間的相關(guān)關(guān)系難以描述，因此也不適用．本文為了不破壞風電功率的數(shù)據(jù)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(tài)變量個數(shù)對預測結(jié)果準確性的影響．在確定二階的馬爾科夫模型各參數(shù)后，由狀態(tài)轉(zhuǎn)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(tài)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(tài)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(tài)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(tài)；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(fā)電調(diào)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(shù)．1.3實時調(diào)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(chǎn)．爬坡率約束為其中：ΔpGi,dn和ΔpGi,up分別為機組i單位時間內(nèi)允許的降出力和升出力限值；T15=15min為一個調(diào)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(diào)節(jié)偏差約束．為保證機組出力修正值與原計劃值的關(guān)聯(lián)性，設(shè)定機組的調(diào)節(jié)偏差閾值，使偏差控制在一定的范圍內(nèi)，即|ΔpGi|≤αi，其中αi為第i臺機組的允許最大偏差值．D．旋轉(zhuǎn)備用約束．風電并網(wǎng)后，系統(tǒng)不但需要附加的正旋轉(zhuǎn)備用容量，還需要附加的負旋轉(zhuǎn)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(tǒng)安全約束要求的調(diào)節(jié)范圍內(nèi)．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(shù)；wu和wd分別為風電預測偏差對正、負備用的需求系數(shù)；pus,Gi和pds,Gi分別為機組i提供的正、負旋轉(zhuǎn)備用容量，有式中T10=10min為旋轉(zhuǎn)備用響應時間．E．電網(wǎng)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(guī)機組出力限制，即式中：Nm為斷面m內(nèi)的常規(guī)機組數(shù)；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(diào)度模型可以寫成如下帶線性約束的二次規(guī)劃形式式中：f為實時調(diào)度的目標函數(shù)，故有f=f1+f2;H為f的二次系數(shù)矩陣；x（≥0）為常規(guī)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(shù)；g1和g2分別為不等式約束的上、下限列向量．2基于調(diào)度公平性原則的設(shè)備選型由于H半正定，因此式（1）是一個凸二次規(guī)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(shù)矩陣；b1和b2分別為等式與不等式約束的常系數(shù)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(diào)用Matlab中原對偶內(nèi)點法程序沿原-對偶問題的中心路徑尋求最優(yōu)解．為簡化算法對初始內(nèi)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(nèi)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(jù)上一時間尺度發(fā)電計劃對機組出力的安排，將實時機組分為可上調(diào)機組和可下調(diào)機組兩類，基于調(diào)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(tǒng)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(diào)機組和下調(diào)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(shù)、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(shù)據(jù)初始化，給定初始點，設(shè)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(jié)束，得到問題的最優(yōu)解，否則置k∶=k+1，轉(zhuǎn)步驟3.3基于原對偶內(nèi)點的實時調(diào)度算法在確定風電以含風電場的10機系統(tǒng)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(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，訓練風電動態(tài)時序修正的二階馬爾科夫模型．訓練所得狀態(tài)1的誤差范圍是[66%，∞），狀態(tài)2為[63%,66%），然后依次呈等差分布至狀態(tài)37為[-42%,-39%），最后狀態(tài)38是[-∞，-42%).我國基本采用大規(guī)模集中送出的形式，目前電網(wǎng)的電源結(jié)構(gòu)仍以常規(guī)水、火電為主，當常規(guī)機組調(diào)峰能力不足而風電功率被嚴重低估時，不可避免地會產(chǎn)生大量棄風功率，因此針對這一情形應用所提出的實時調(diào)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(tài)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(wǎng)比例大時還會給系統(tǒng)帶來較大的調(diào)節(jié)負擔．從第30時段開始出現(xiàn)較大的風電功率預測誤差，故此時執(zhí)行實時調(diào)度算法至本日結(jié)束，共執(zhí)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(jīng)過風電時序動態(tài)修正后的實時調(diào)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(tǒng)能耗節(jié)約也十分明顯．如表1所示，實時調(diào)度后系統(tǒng)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(zhí)行一次耗時為0.74s，平均迭代次數(shù)為8次．圖3為目標函數(shù)的收斂曲線，由圖3可見：平均迭代8次以后目標函數(shù)接近最后的穩(wěn)定值．迭代次數(shù)為7次時費用最低