一种计及风电消纳的海岛型源荷互动调度方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明属于风电消纳的源荷互动调度技术领域,尤其涉及一种计及风电消纳的海岛型源荷互动调度方法。
背景技术
新型电力系统大规模风电并网后,由于常规电源调峰能力不足,导致弃风量剧增。为了消纳风电,常规机组出力运行又会导致系统成本增加。因此,如何在系统成本最低的情况下尽量大的消纳风电等新能源成为亟待解决的问题。传统的调度模式主要是通过调度发电侧的电源,最大限度的满足负荷的变化,从而实现电网实时供需平衡。同时,主要从利用储能系统改善电源特性、提高电网输送能力和充分利用常规发电机组调节能力三个方面来提高风光消纳程度。
将储能系统配置在发电侧,可以缓解风光发电的波动。主要包括风电—储能、光伏—储能等。储能系统与可再生能源资源分布密切相关,对储能系统的配置目标分为收益和成本,且是针对整个发电单元,而非单独衡量储能系统自身;电力外送扩大了可再生能源消纳的范围,提高了负荷的空间,可以弱化供需的逆向分布和风电等能源出力不稳定的影响,使消纳程度随之提高;电网常规发电机组调节主要是通过电源间的协调出力,从而提高可再生能源的消纳程度。风电等间歇性电源的波动性使电网需要具备足够的调节容量来保证电网的安全稳定运行。
发明内容
本发明的目的在于提出一种计及风电消纳的海岛型源荷互动调度方法,在电力系统整体能量均摊成本最低、用户满意度最高的条件下,最大限度提高风电消纳的程度。
为实现上述目的,本发明提供了一种计及风电消纳的海岛型源荷互动调度方法,包括以下步骤:
构建系统运行成本目标优化子模型、风电消纳量目标优化子模型和用户满意度目标优化子模型;
基于所述系统运行成本目标优化子模型、风电消纳量目标优化子模型和用户满意度目标优化子模型,建立多目标源荷互动调度模型;
构建约束条件,基于所述约束条件优化所述多目标源荷互动调度模型;
基于优化后的多目标源荷互动调度模型,采用改进的遗传算法进行求解,获得运行成本和弃风风量最小的发电机组出力计划、风电发电计划、可调节负荷用电计划,完成源荷互动调度。
可选的,所述系统运行成本目标优化子模型包括系统运行成本,所述系统运行成本包括常规电源发电成本、电网损耗成本和渔业负荷的调节成本,计算如下:
minC=C
其中,C为总成本,minC为总成本最低值,C
可选的,所述常规电源发电成本,计算如下:
其中,N
可选的,所述渔业负荷的调节成本,计算如下:
其中,N
可选的,所述风电消纳量目标优化子模型为需要弃风风量最小时,所述弃风风量为总风量与风电消纳量之差,计算如下:
W
其中,E
可选的,所述风电消纳量目标优化子模型表示如下:
式中,minW
可选的,所述用户满意度目标优化子模型表示如下:
其中,minQ为用户满意度最小值,Q为用户满意度,P
可选的,所述约束条件包括负荷平衡约束,正、负旋转备用约束、爬坡率约束和渔业负荷调节时间长度约束。
可选的,基于优化后的多目标源荷互动调度模型,采用改进的遗传算法进行求解包括:采用偏好因子和加权将所述多目标源荷互动调度模型转化为单目标模型;所述多目标源荷互动调度模型为
所述单目标模型为
其中,minF为单目标函数的最小值,α、β、γ为偏好因子。
可选的,获得运行成本和弃风风量最小的发电机组出力计划、风电发电计划、可调节负荷用电计划包括:
基于所述单目标模型输入原始数据,将所述原始数据进行种群初始化,对种群中的个体进行筛选,将筛选出的个体进行两两交叉获得新的个体,新个体发生变异,重复迭代筛选、个体交叉和变异,获得运行成本和弃风风量最小的发电机组出力计划、风电发电计划、可调节负荷用电计划。
本发明技术效果:本发明公开了一种计及风电消纳的海岛型源荷互动调度方法,结合海岛渔业负荷参与调度,在电力系统均摊成本最小和用户满意度最高的情况下最大限度提升了风电消纳程度;使用改进的遗传算法,将成本、风电消纳量与用户满意度多目标优化模型转化为单目标优化模型,求解更为简便。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例计及风电消纳的海岛型源荷互动调度方法的流程示意图;
图2为本发明实施例渔业负荷参与系统调峰原理示意图;
图3为本发明实施例改进的遗传算法示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本实施例中提供一种计及风电消纳的海岛型源荷互动调度方法,包括以下步骤:
构建系统运行成本目标优化子模型、风电消纳量目标优化子模型和用户满意度目标优化子模型;
基于所述系统运行成本目标优化子模型、风电消纳量目标优化子模型和用户满意度目标优化子模型,建立多目标源荷互动调度模型;
构建约束条件,基于所述约束条件优化所述多目标源荷互动调度模型;
基于优化后的多目标源荷互动调度模型,采用改进的遗传算法进行求解,获得运行成本和弃风风量最小的发电机组出力计划、风电发电计划、可调节负荷用电计划,完成源荷互动调度。
为了方便分析风电并网对调峰的影响,将风电出力看作负的负荷,与电网负荷叠加形成等效负荷。由于风电出力具有夜间大白天小的明显反调峰特性,因此负荷曲线的最低点大幅度下降,甚至低于常规电源的最小出力极限。如果仅采用常规调度方式,会造成调峰成本增加,风电消纳变少等结果。而可调节的渔业负荷参与系统调峰,可以提高风电消纳能力。
传统调度模式下的等效负荷为电网负荷与风电出力的差值。其大小可表示为:
P
由图2所示,在t
传统调峰模式下弃风风量大小表示为阴影部分的面积:
投入可调节渔业负荷后,弃风风量大小为:
两种模式下的弃风风量对比差值为:
显然,利用可调节的渔业负荷参与系统调峰,可以减少弃风风量,显著降低等效负荷的峰谷差,大大减小系统调峰压力。
Step1:本发明的源荷互动调度模型最终有系统成本最低、风电消纳量最大和用户满意度最高三个目标函数。首先优化目标函数便于模型建立。系统的运行成本优化步骤如下:
系统运行的总成本包括常规电源发电成本、电网损耗成本和渔业负荷的调节成本。即
minC=C
其中,C为总成本,minC为总成本最低值,C
a.常规电源机组发电成本可以表示为:
其中,N
b.渔业负荷的调节成本:
对渔业等高载能负荷调节需要一定的调节成本,其与调节容量成正比。
其中,N
Step2:对风电消纳电量进行优化。过程如下:
风电消纳量为总风量与弃风风量之差,计算如下:
W
其中,E
式中,minW
Step3:对用户满意度进行优化。用户满意度主要是指电网运行过程中,用户在接受电力服务过程中用户对电力服务水平的满意程度。主要体现为电力供应方案是否符合用户预期、电力系统提供的能源质量是否过关、电力是否能够保证正常在线。满意度优化函数如下:
其中,Q为用户满意度,minQ为用户满意度最小值,P
Step4:建立源荷互动优化模型,步骤如下:
a)构建约束条件;
I)负荷平衡约束
式中,P
II)正、负旋转备用约束
式中,U
III)爬坡率约束
式中,u
IV)渔业负荷调节时间长度约束
式中,S
b)源荷互动优化模型
该系统综合运行成本最低、用户满意度最高和风电消纳量最大三个目标,形成源荷互动调峰多目标优化模型,如下所示
Step5:模型的求解。
如图3所示,a)利用偏好因子和加权的思想,将上述多目标优化模型转化为单目标优化模型
式中,minF为单目标函数的最小值,α、β、γ为偏好因子,0<α<1、0<β<1、0<γ<1;α取值越大,表明系统成本指标越重要,β取值越大,表明新能源消纳量指标越重要。γ取值越大,表明渔业用户满意度指标越重要。使用改进的遗传算法求解该模型。若优化的结果不符合预期,可以重新设定偏好因子的值。
b)输入原始数据。包括发电机组耗量成本系数、启停成本、运行上下限以及爬坡率限制,系统正负旋转备用需求、综合负荷预测曲线,风电功率预测曲线、弃风成本系数以及负荷的调节限制等。
c)种群初始化。采用十进制整数与实数的混合编码方式,可以提高编码精度并减少对计算机内存的需求,以提高初始个体质量,并加快收敛速度。
d)个体选择、交叉与变异。以电网运行成本作为适应度评判核心,对种群中的个体进行筛选;筛选出的个体两两交叉得到子代新个体,同时新个体可能发生变异。将精英保留策略引入个体间的选择、交叉与变异过程,进一步加快收敛速度。
e)重复进行步骤d),直至最优个体在连续多次迭代后仍保持不变或保持基本不变。最后得到运行成本和弃风风量最小的发电机组出力计划、风电发电计划、可调节负荷用电计划。
本发明公开了一种计及风电消纳的海岛型源荷互动调度方法,结合海岛渔业负荷参与调度,在电力系统均摊成本最小和用户满意度最高的情况下最大限度提升了风电消纳程度;使用改进的遗传算法,将成本、风电消纳量与用户满意度多目标优化模型转化为单目标优化模型,求解更为简便。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
- 一种新能源消纳的多目标电力系统源荷互动优化调度方法
- 一种基于风电消纳的源荷储优化调度方法
- 一种面向风电消纳的两阶段源荷储优化调度方法