含风电和光伏的可再生能源场景削减方法

以风电和光伏为代表的可再生能源渗透率不断增加,其出力不确定性导致的大规模时序场景给电力系统的优化分析带来很高的计算复杂度。以场景削减技术精准刻画区域风电、光伏出力特性是解决以上问题的有效方法之一。提出一种基于聚类与优化算法相结合的可再生能源场景削减方法。首先对数据进行清洗、降噪等预处理,其次利用肘部法则与轮廓系数判断风电、光伏类别个数并进行聚类。然后,利用粒子群与遗传算法分别提取风电、光伏典型出力曲线,并对两种算法结果进行对比,从而生成典型场景。算例分析以欧洲输电系统运营商Amprion提供的2015年1月1日至2019年12月31日风电、光伏出力数据为研究对象,利用所提方法求得的出力曲线可以有效反映该区域风电、光伏出力典型场景,为后续电力系统规划、运行优化等问题提供数据支撑。     

基于经验Copula函数的多风电场出力动态场景生成方法及其在机组组合中的应用

随着大规模风电接入电网,风电功率的随机性与波动性以及多风电场出力的相关性使得电力系统的运行与调度面临着新的挑战。引入经验Copula函数表征多风电场联合出力分布;对风电的波动性进行建模,利用ksdensity函数拟合风电功率波动量,通过逆变换抽样的方法生成符合风电随机性和波动性的场景集合;生成基于经验Copula函数的多风电场出力动态场景,并将其应用于含多风电场的电力系统随机机组组合问题的求解。算例结果验证了所提风电波动性建模方法的有效性与动态场景生成方法的可行性,同时提高了含多风电场电力系统运行的经济性。     

微网功率不确定性模型及其在旋转备用优化中的应用

微网运行中存在发电单元故障停运以及可再生能源发电单元出力和负荷的波动性,从而合理安排旋转备用容量是维持微网安全、经济运行的重要环节。基于风电出力、光伏出力和负荷日前预测误差模型,利用全概率公式分别构建了综合预测误差及故障停运的风电和光伏出力不确定性分布模型,通过离散化风光出力和负荷不确定性分布与可调度机组停运概率分布联合生成微网功率不确定性离散分布模型,进而提出了计及微网功率不确定性以微网运行成本最小化为目标函数的微网最优旋转备用计算模型并考虑了微网向主网提供旋转备用。最后通过一个微网系统算例,采用混合整数遗传算法优化求解微网最优旋转备用值,验证了所建模型的合理性。     

数据驱动下风电–抽蓄联合参与日前–实时市场随机鲁棒竞价策略

风电出力不确定性和波动性导致其市场竞争力较弱,且电价的预测偏差可能进一步加大其市场风险。为减少不确定性因素对风电-抽蓄联合系统收益的不良影响,由对抗变分贝叶斯神经网络生成以风电为代表的可再生能源出力场景,基于数据驱动方法对实时电价进行模糊不确定性建模。通过随机鲁棒优化建立风电-抽蓄联合参与日前和实时电力市场的三阶段模型,相较于常规的两阶段随机优化,增加了第三阶段鲁棒改进过程,保证了竞价方案能够既有经济性又能够有效应对极端场景、既有鲁棒性又不过分保守。结果表明,所提方法比传统不确定性分析方法具有明显优势,能够在避免人为假设的前提下,高效且真实反映可再生能源出力场景以及表征电价不确定性,可有效减少风电实时出力波动和电价预测偏差带来的较高不平衡惩罚。     

考虑随机性的微网能量优化调度模型

针对微网中风能和太阳能等可再生能源具有随机性和波动性的特点,提出了一种考虑随机性的微网能量优化调度模型,用以降低可再生能源发电预测不确定性带来的微电网和主网连接点(Point of common coupling,PCC)处的功率波动,使得微网对于主网成为一个可调度的单元,同时实现微网的经济调度。首先,采用拉丁超立方采样法(Latin hypercube sampling,LHS)和同步回带削减(Simultaneous backward reduction,SBR)技术生成可能的出力场景来描述风电和太阳能光伏发电出力的随机性。然后将PCC处能量波动引入目标函数,使得在系统期望成本最小的同时减小风电和光伏出力波动性对电网的影响,采用遗传算法求解该问题。仿真结果表明,该模型对含风电和太阳能光伏发电的微网优化调度的合理性和有效性。     

考虑电力系统灵活性的网-储联合规划

高比例可再生能源接入电网使得规划问题更加复杂。提出考虑电力系统灵活性的网-储联合规划方法。分析风电和光伏出力的相关性,采用蒙特卡罗方法生成大量可再生能源发电和负荷场景。基于k-means聚类算法对生成的场景进行缩减,并利用改进的遗传算法确定最优聚类数。通过斯皮尔曼系数筛选典型场景,构建考虑生成概率的典型场景集合。建立以提升灵活性、降低投资成本为目标的双层网-储联合规划模型,并采用灰狼算法迭代求解。算例分析结果表明所提网-储联合规划方案能够有效地提升电力系统灵活性,促进可再生能源消纳。     

基于VAE-CGAN的光伏不确定性建模方法

随着可再生能源渗透率的提高,光伏出力的不确定性和波动性给电网的调度、规划、运行带来更大的挑战。针对光伏出力的不确定性问题,该文提出了一种基于变分自编码器(variationalautoencoder, VAE)和条件生成对抗网络(conditional generative adversarial networks,CGAN)联合结构的不确定性建模方法。该方法利用VAE提取天气信息的特征,并将其作为CGAN的条件,从而生成特定天气条件下的光伏不确定出力序列。通过与高斯混合模型方法对比验证,所提的VAE-CGAN模型缩小了特定天气条件下光伏不确定性出力的范围,更具合理性。     

基于条件生成对抗网络的可再生能源日前场景生成方法

随着可再生能源渗透率的不断提高,如何有效地描述其出力不确定性是电力系统日前调度所面临的巨大挑战。针对该问题,该文提出一种基于条件生成对抗网络的可再生能源日前场景生成方法,该方法采用Wasserstein距离作为判别器损失函数,并设计适用于可再生能源日前场景生成的网络结构,通过生成对抗网络的博弈训练使生成器学习到预测条件下噪声分布与日前场景集之间的映射关系。该文使用实际风电数据(包括预测和实测数据)对所提方法进行测试,并与传统Markov链场景生成方法进行对比验证,结果表明所提模型能更精确地描述日前风电不确定性。     

含多种可再生能源发电联盟的优化运行

为了因地制宜地利用偏远山区现有的梯级小水电资源,将梯级小水电群与分布式光伏和风电相结合,构成含多种可再生能源的发电联盟,深度发掘风光水的出力时空互补特性以及风光波动性较大和小水电启停调节迅速的出力特性.通过对梯级小水电出力的调节,平滑不确定可再生能源的输出,改善分布式电源并网的电能质量,提高可再生能源利用率.充分考虑梯级小水电间的电气联系和水情联系,构建发电联盟的优化运行模型.最后根据现有梯级小水电群实际数据,仿真分析发电联盟的运行情况,验证了所提模型的可行性、经济性和有效性.     

基于通用分布的风电功率出力动态场景生成方法

随着大规模风电接入电网,风电功率的不确定性使得电力系统的运行与调度面临着新的挑战。针对风电功率的不确定性,本文提出了基于通用分布的风电功率动态场景生成方法,将风电的不准确性转化为确定性模型。本文首先利用通用分布良好的拟合特性去近似表征风电功率的实际分布,然后对风电的波动性进行建模,通过逆变换抽样的方法生成大量既符合风电的随机性又符合波动性的场景。为了验证所提方法的有效性,本文从场景生成的速度和精确程度方面进行了比较。以实际风电数据为基础的仿真算例验证了所提的基于通用分布的风电功率出力动态场景生成方法的可行性。