计及惯量约束的新能源电力系统机组组合方法及系统

技术领域

本发明涉及电力系统的调度技术领域，具体涉及一种计及惯量约束的新能源电力系统机组组合方法及系统。

背景技术

当今，风电、光伏等可再生能源广泛接入电力系统，在具有清洁、可再生等优点的同时，其输出功率的不确定性将降低系统惯量，严重影响系统的稳定性，给大规模可再生能源并网的电力系统优化调度提出了新的挑战。

电力系统惯量支撑问题主要涉及三个方面：电力系统惯性量化评估，涵盖在线等效惯量评估和极限最小惯量计算，为新能源并网容量提供了重要的基础；电力系统惯量支撑能力提升，提高电力系统惯性水平是解决弱惯量支撑问题的直接途径；基于惯量的新能源电网优化运行，可通过惯量协同控制来提高含高比例新能源电力系统稳定性。传统的风电功率预测通常只能提供确定性点预测，它无法评估特定结果出现的概率及其可能的波动范围；对于计及惯量的电力系统优化调度，除了需要考虑一般的系统运行安全约束外，还要根据系统惯量需求引入最小惯量需求约束、系统频率变化率约束等。

目前实际运行中，传统的电力系统机组组合通常只是通过常规系统约束和粗略留取系统备用的方式支持优化调度，并未考虑高比例新能源机组带来的低惯量风险，导致系统无法达到兼顾经济性和安全性的运行方式。本发明实现了考虑风电不确定场景下，利用传统火电机组的转动惯量与新能源机组的虚拟惯量实现高比例新能源电力系统的惯量支撑，同时使得系统均以最小综合成本运行，兼顾系统运行的安全性和经济性，有助于电力系统低惯量风险调度的进一步研究，推动新能源大规模接入的电力系统可持续发展。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种计及惯量约束的新能源电力系统机组组合方法及系统，本发明旨在解决现有电力系统机组组合通常只是通过常规系统约束和粗略留取系统备用的方式支持优化调度、并未考虑高比例新能源机组带来的低惯量风险，导致系统无法达到兼顾经济性和安全性的运行方式的技术问题。

为了解决上述技术问题，本发明采用的技术方案为：

一种计及惯量约束的新能源电力系统机组组合方法，包括：

S101，针对包含火电机组、风电机组、储能装置的新能源电力系统，基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景，进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集；

S102，结合目标风电功率场景集，构建计及惯量约束的机组组合模型的目标函数，以计及惯量的机组组合模型的约束条件，得到由目标函数及其约束条件构成的计及惯量约束的机组组合模型；

S103，针对计及惯量约束的机组组合模型，利用优化求解器求解得到最佳的火电机组调度计划和风电机组增补计划。

可选地，步骤S101中基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景时，风电场景的历史出力数据包括一个预测周期内T个时间点的风电功率的时间序列P

上式中，

可选地，步骤S101中进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集包括：

S201，根据下式对风电发电功率的不确定性进行概率建模以将风电发电功率的不确定性转换为风电功率预测误差的不确定性：

上式中，err为风电功率预测误差；

S202，将风电功率预测误差视为服从正态分布N(μ,σ

上式中，f(x)为风电功率的概率函数，x为作为自变量的风电功率；

S203，获取风电功率的概率函数f(x)对应的累计概率分布函数Y＝F(P)，其中Y为累计概率，P是指风电有功功率，根据累计概率分布函数Y＝F(P)基于拉丁超立方体抽样法对风电不确定性场景进行抽样；

S204，针对抽样后得到的风电不确定性场景，利用聚类进行场景削减，得到剩余的风电不确定性场景构成的目标风电功率场景集。

可选地，步骤S203中根据累计概率分布函数Y＝F(P)基于拉丁超立方体抽样法对风电不确定性场景进行抽样包括：将累计概率分布函数Y＝F(P)沿着纵轴等分成N个等间距的数值区间，每个数值区间宽度为1/N，然后将每个数值区间中点的Y值抽样，通过下式基于反函数求解出对应的风电功率P作为第n个样本以完成对风电不确定性场景的抽样；

上式中，P为求解出对应的风电功率，F

可选地，步骤S204中利用聚类进行场景削减包括：首先确定聚类的个数k，在抽样所得的风电不确定性场景的集合中随机选择k个场景作为用于构成簇中心的初始的核心场景；对剩余的每个场景，计算它到所有初始的核心场景的曼哈顿距离，选择曼哈顿距离最小的一个核心场景，将其划分为那个核心场景所在的簇中，从而形成k个风电不确定性场景的集合；然后在每个风电不确定性场景的集合中依次选取风电不确定性场景，计算该风电不确定性场景到当前风电不确定性场景的集合中所有风电不确定性场景的距离之和，并选取距离之和最小的风电不确定性场景，则视为集合中新的核心场景，重复上述步骤直至集合中新的核心场景不再变化，最终将k个风电不确定性场景的集合中的核心场景作为削减后的风电不确定性场景。

可选地，步骤S102中构建计及惯量约束的机组组合模型的目标函数的函数表达式为：

上式中，

可选地，步骤S102中计及惯量的机组组合模型的约束条件包括：

系统最小惯量约束：

H

上式中，H

增配虚拟惯量上限约束：

上式中，ΔH

火电机组出力约束：

上式中，P

火电机组备用容量约束：

上式中，R

火电机组最小启停时间约束：

上式中，

火电机组爬坡约束：

式中，P

储能容量约束：

ES

上式中，ES

储能充放电功率约束：

上式中，ES

系统功率平衡约束：

上式中，P

线路传输容量约束：

上式中，T

此外，本发明还提供一种计及惯量约束的新能源电力系统机组组合装置，包括：

风电功率场景生成程序单元，用于针对包含火电机组、风电机组、储能装置的新能源电力系统，基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景，进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集；

机组组合模型生成程序单元，用于结合目标风电功率场景集，构建计及惯量约束的机组组合模型的目标函数，以计及惯量的机组组合模型的约束条件，得到由目标函数及其约束条件构成的计及惯量约束的机组组合模型；

机组组合模型求解程序单元，用于针对计及惯量约束的机组组合模型，利用优化求解器求解得到最佳的火电机组调度计划和风电机组增补计划。

此外，本发明还提供一种计及惯量约束的新能源电力系统机组组合系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述计及惯量约束的新能源电力系统机组组合方法。

此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述计及惯量约束的新能源电力系统机组组合方法。

和现有技术相比，本发明主要具有下述优点：本发明包括基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景，进行数学概率建模得到风电功率的概率函数并进行场景抽样和场景削减；结合得到的目标风电功率场景集，构建计及惯量约束的机组组合模型的目标函数及约束条件，并利用优化求解器求解机组组合模型得到最佳的火电机组调度计划和风电机组增补计划以支撑系统惯量，本发明解决了现有的电力系统机组组合通常只是通过常规系统约束和粗略留取系统备用的方式支持优化调度，并未考虑高比例新能源机组带来的低惯量风险，导致系统无法达到兼顾经济性和安全性的运行方式的技术问题，本发明实现了考虑风电不确定场景下，利用传统火电机组的转动惯量与新能源机组的虚拟惯量实现高比例新能源电力系统的惯量支撑，同时使得系统均以最小综合成本运行，兼顾系统运行的安全性和经济性，有助于电力系统低惯量风险调度的进一步研究，推动新能源大规模接入的电力系统可持续发展。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例中的累计概率分布函数示意图。

具体实施方式

本发明实施例提供了一种计及惯量约束的高比例新能源电力系统机组组合方法，用于解决现有的电力系统机组组合通常只是通过常规系统约束和粗略留取系统备用的方式支持优化调度，并未考虑高比例新能源机组带来的低惯量风险，导致系统无法达到兼顾经济性和安全性的运行方式的技术问题。为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本实施例计及惯量约束的新能源电力系统机组组合方法包括：

S101，针对包含火电机组、风电机组、储能装置的新能源电力系统，基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景，进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集；

S102，结合目标风电功率场景集，构建计及惯量约束的机组组合模型的目标函数，以计及惯量的机组组合模型的约束条件，得到由目标函数及其约束条件构成的计及惯量约束的机组组合模型；

S103，针对计及惯量约束的机组组合模型，利用优化求解器求解得到最佳的火电机组调度计划和风电机组增补计划。

本实施例步骤S101中基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景时，风电场景的历史出力数据包括一个预测周期内T个时间点的风电功率的时间序列P

上式中，

本实施例步骤S101中进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集包括：

S201，根据下式对风电发电功率的不确定性进行概率建模以将风电发电功率的不确定性转换为风电功率预测误差的不确定性：

上式中，err为风电功率预测误差；

S202，将风电功率预测误差视为服从正态分布N(μ,σ

上式中，f(x)为风电功率的概率函数，x为作为自变量的风电功率；

S203，获取风电功率的概率函数f(x)对应的累计概率分布函数Y＝F(P)，其中Y为累计概率，P是指风电有功功率，根据累计概率分布函数Y＝F(P)基于拉丁超立方体抽样法对风电不确定性场景进行抽样；

S204，针对抽样后得到的风电不确定性场景，利用聚类进行场景削减，得到剩余的风电不确定性场景构成的目标风电功率场景集。将风电发电功率的不确定性转换为风电功率预测误差的不确定性后，可以看作在某节点上(PQ节点)上注入风电功率，并假设在发电过程中功率因数保持不变，无功功率Q为：

上式中，P为风电发电的有功功率，

累计概率分布函数Y＝F(P)为概率函数的累加结果(小于某个值的概率总和)，Y是指累积概率(小于该风电有功功率的概率总和)，P是指风电有功功率，如图2所示。本实施例步骤S203中对风电不确定性场景为采用通用的抽样方法---拉丁超立方体抽样法。本实施例步骤S203中根据累计概率分布函数Y＝F(P)基于拉丁超立方体抽样法对风电不确定性场景进行抽样包括：将累计概率分布函数Y＝F(P)沿着纵轴等分成N个等间距的数值区间，每个数值区间宽度为1/N，然后将每个数值区间中点的Y值抽样，通过下式基于反函数求解出对应的风电功率P作为第n个样本以完成对风电不确定性场景的抽样；

上式中，P为求解出对应的风电功率，F

本实施例步骤S204中利用聚类进行场景削减具体为利用k-medoids聚类算法聚类来实现进行场景削减。本实施例步骤S204中利用聚类进行场景削减包括：首先确定聚类的个数k，在抽样所得的风电不确定性场景的集合中随机选择k个场景作为用于构成簇中心的初始的核心场景；对剩余的每个场景，计算它到所有初始的核心场景的曼哈顿距离，选择曼哈顿距离最小的一个核心场景，将其划分为那个核心场景所在的簇中，从而形成k个风电不确定性场景的集合；然后在每个风电不确定性场景的集合中依次选取风电不确定性场景，计算该风电不确定性场景到当前风电不确定性场景的集合中所有风电不确定性场景的距离之和，并选取距离之和最小的风电不确定性场景，则视为集合中新的核心场景，重复上述步骤直至集合中新的核心场景不再变化，最终将k个风电不确定性场景的集合中的核心场景作为削减后的风电不确定性场景。

本实施例步骤S102中构建计及惯量约束的机组组合模型的目标函数的函数表达式为：

上式中，

本实施例中计及惯量约束的机组组合模型为基于目标风电功率场景集和最小惯量需求评估模型构建得到，其构建过程如下：

(1)构建最小惯量需求评估模型：

综合考虑火电机组、风电机组、储能装置，建立高比例新能源电力系统的最小惯量需求评估模型，以保证后续计及惯量的机组组合模型满足惯量要求。在实际系统中，系统的当前惯量H

上式中，P

系统的惯量需求H

H

上式中，H

进一步地，最小惯量需求评估模型的约束条件包括：

系统惯量水平约束：

上式中，

系统频率稳定约束：

上式中，f

上式中，

max(|Δf

式中，Δf

(2)构建初始的机组组合模型(未考虑场景)；

基于目标风电功率场景集，以经济性最高作为优化目标，即最小化系统等效运行成本，构建计及惯量约束的机组组合模型。以最小常规机组运行成本、最小弃风惩罚成本和最小虚拟惯量提升引入的投资成本作为目标函数，目标函数为：

上式中，F为系统等效运行成本；f

其中，常规火电发电机组的运行费用为：

上式中，f

常规火电发电机组的启停费用为：

式中，S

风电机组虚拟惯量调整单位成本为：

式中，c

(3)综合考虑风电不确定性，建立计及惯量约束的机组组合模型。

风电出力的不确定性，可通过风电功率的非参数区间估计与风电功率的场景预测生成多组包含风电出力情况及其发生概率的场景，记为：

通过对多种场景进行机组组合，得到全场景下最优调度方案。因此，计及惯量约束的机组组合模型的目标函数可变为：

在本实施例中，基于考虑风电不确定性的机组组合模型的目标函数，以计及惯量的机组组合模型的约束条件，采用优化求解器求解得到最佳的调度增补计划，充分利用常规火电发电机组的备用功率调整能力与电储能装置等灵活资源，有效控制新能源对系统惯量的影响，使得系统在风电不确定场景中始终以最小运行成本、最小弃风状态和最小惯量增补运行。

本实施例步骤S102中计及惯量的机组组合模型的约束条件包括：

系统最小惯量约束：

H

上式中，H

增配虚拟惯量上限约束：

上式中，ΔH

火电机组出力约束：

上式中，P

火电机组备用容量约束：

上式中，R

火电机组最小启停时间约束：

上式中，

火电机组爬坡约束：

式中，P

储能容量约束：

ES

上式中，ES

储能充放电功率约束：

上式中，ES

系统功率平衡约束：

上式中，P

线路传输容量约束：

上式中，T

本实施例步骤S103针对计及惯量约束的机组组合模型，利用优化求解器求解得到最佳的火电机组调度计划和风电机组增补计划时，可根据需要采用所需的商用优化求解器，例如Gurobi 9.5.0、IBM CPLEX Optimizer 22.1.0等。作为一种可选的实施方式，本实施例中采用Gurobi 9.5.0优化求解器以采用群智能算法内嵌仿真模块的方式求解最小惯量评估优化问题，求解得到最佳的火电机组调度计划和风电机组增补计划。

综上所述，本实施例计及惯量约束的高比例新能源电力系统机组组合方法响应机组组合请求时，通过对机组组合请求对应的风电出力预测的不确定场景进行描述，构建目标风电功率场景集，基于目标风电功率场景集和最小惯量需求评估模型，构建计及惯量约束的机组组合模型，采用优化求解器对计及惯量约束的机组组合模型进行求解，生成火电机组调度计划和风电机组增补计划以支撑系统惯量，解决了现有的电力系统机组组合通常只是通过常规系统约束和粗略留取系统备用的方式支持优化调度，并未考虑高比例新能源机组带来的低惯量风险，导致系统无法达到兼顾经济性和安全性的运行方式的技术问题；实现了考虑风电不确定场景下，利用传统火电机组的转动惯量与新能源机组的虚拟惯量实现高比例新能源电力系统的惯量支撑，同时使得系统均以最小综合成本运行，兼顾系统运行的安全性和经济性，有助于电力系统低惯量风险调度的进一步研究，推动新能源大规模接入的电力系统可持续发展。

此外，本实施例还提供一种计及惯量约束的新能源电力系统机组组合装置，包括：

风电功率场景生成程序单元，用于针对包含火电机组、风电机组、储能装置的新能源电力系统，基于风电场景的历史出力数据通过场景建模生成初始的风电不确定性场景，进行数学概率建模得到风电功率的概率函数、并基于风电功率的概率函数对初始的风电不确定性场景进行场景抽样和场景削减得到由剩余的风电不确定性场景构成的目标风电功率场景集；

机组组合模型生成程序单元，用于结合目标风电功率场景集，构建计及惯量约束的机组组合模型的目标函数，以计及惯量的机组组合模型的约束条件，得到由目标函数及其约束条件构成的计及惯量约束的机组组合模型；

机组组合模型求解程序单元，用于针对计及惯量约束的机组组合模型，利用优化求解器求解得到最佳的火电机组调度计划和风电机组增补计划。

此外，本实施例还提供一种计及惯量约束的新能源电力系统机组组合系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述计及惯量约束的新能源电力系统机组组合方法。本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述计及惯量约束的新能源电力系统机组组合方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。