计及源-荷多灵活备用资源的随机优化调度

大规模新能源并网给电力系统的调度运行带来了新的挑战。为缓解系统的备用压力,提出一种计及源-荷多灵活备用资源的随机优化调度方法。首先,基于场景生成方法建立可变场景模型,考虑了风电并网容量和光伏并网面积对新能源出力不确定性的影响。其次,建立电力系统中多种灵活资源的备用模型:在源侧,分别建立常规机组和风电/光伏的备用模型,并考虑了风电/光伏备用的不确定性;在负荷侧,引入激励型需求响应,对需求侧备用进行建模。然后,基于两阶段随机优化方法建立备用调度模型。该模型考虑了日前的运行和备用决策以及日内不确定场景下的弃风、弃光以及切负荷风险。最后,基于改进的IEEE RTS-24测试系统验证了所提模型的有效性。     

风电、蓄热式电锅炉联合供暖调度鲁棒优化模型

为缓解风电不确定对系统消纳风电的影响,提高风电利用效率,引入鲁棒随机优化理论,以风电、蓄热式电锅炉组成供热系统,建立了考虑风电不确定性的风电供暖调度优化模型。首先,分别构建了风电出力功率模型和蓄热式电锅炉负荷需求模型;然后,应用鲁棒随机优化理论刻画风电出力不确定性,并分别构建了风电出力确定性和随机性条件下风电、蓄热式电锅炉供暖调度优化模型。最后,以我国北方某城市风电供暖项目进行实例分析,结果表明：鲁棒随机优化理论能够有效刻画风电出力不确定性,为不同风险态度决策者提供了决策工具;风电、蓄热式电锅炉组成的供热系统能够实现供暖负荷灵活参与电力系统调度,有助于增加系统风电消纳能力,降低弃风电量,具有显著的经济和环境效益。     

含风电场电力系统的鲁棒优化调度

随着风电场大规模的接入电力系统,电网调度运行变得愈加困难。传统的调度方法无法考虑风电出力的不确定性,将威胁系统运行的安全性,因此研究计及风电出力波动性的电力系统安全调度具有重要意义。采用一种基于风电出力预测区间的调度模式来考虑风电出力的不确定性,在此基础上建立鲁棒优化调度模型,并考虑机组的自动发电控制(automatic generation control,AGC)响应来应对风电出力波动,维持系统功率平衡。然后在鲁棒调度模型的基础上建立新的经济校正成本模型来对比传统调度和鲁棒调度的经济性。该模型在目标函数中加入模拟场景下的弃风和失负荷的惩罚费用,利用风电模拟场景计算平均总运行成本。最后采用96个时段的10机算例和实际某省系统中24个时段的134台机算例对传统调度和鲁棒调度进行了对比分析,验证了所提方法的鲁棒性和经济性。     

考虑柔性负荷响应不确定性的多时间尺度协调调度模型

针对柔性负荷实际响应的不确定性,以及各类柔性负荷在多时间尺度上的响应特性,提出了考虑柔性负荷响应不确定性的多时间尺度协调调度模型。首先,基于消费者心理学原理并计及柔性负荷响应不确定性的变化规律,建立了价格型需求响应(DR)的响应量模型。然后,在考虑实际响应误差的基础上,制定了激励型DR的激励机制,并基于上述不确定性分析建立了可转移负荷、可平移负荷和可削减负荷的响应模型。最后,从多时间尺度协调的角度,对柔性负荷、常规机组和风电进行协调优化,构建了日前—日内—实时的协调调度模型,并根据模糊机会约束规划理论和混合整数规划方法进行求解。算例分析验证了所提模型的有效性,通过考虑柔性负荷响应的不确定性及多时间尺度上的协调优化,能够实现削峰填谷,提高风电消纳,并降低电网调度的成本。     

计及风电与电动汽车随机性的两阶段机组组合研究

风电出力的随机性以及电动汽车(electric vehicle,EV)充电需求的不确定性给电力系统调度带来了挑战。在传统确定性机组组合模型的基础上,针对电力系统日前调度面临的不确定问题,提出了充分考虑风电与电动汽车双重不确定性的随机优化调度及备用计算模型。首先,对于风电出力不确定性,采用基于场景分析的两阶段随机优化方法,并使用生成对抗网络(generative adversarial network, GAN)来生成风电场景。其次,对于电动汽车充电需求的不确定性,将其分为可调度与不可调度两类。可调度电动汽车根据其出行规律采用随机模拟的方法,并建立了EV充电聚集商模型;不可调度电动汽车通过K-means聚类分析得到其典型负荷曲线,并将其并入系统常规负荷中。最终建立了基于多场景分析考虑EV充电聚集商的两阶段随机机组组合模型,并通过算例分析证明了所提模型的有效性。     

计及多类型需求响应的风-火-荷两阶段协同调度

针对大规模风电并网的消纳难题,利用需求响应(DR)实现了日前-日内两阶段的源荷协同优化调度。日前阶段基于风电出力场景集,运用价格型需求响应(PBDR)拉平净负荷曲线,缓解风电反调峰特性的影响;然后以电网运行成本最小为目标,考虑激励型需求响应(IBDR)平衡风电波动的作用,决策出一个满足各出力场景下消纳需求的机组组合和IBDR订单合同方案。日内阶段运用滚动灰色预测实现精确的超短期风电预测,从而在日前方案基础上,确定实际的机组出力、弃风和IBDR响应容量。选取24h风电/负荷比为34.8%的算例,仿真结果显示PBDR参与度水平越高,电力系统的调度成本越低。4种DR组合方案的对比分析表明,合理配置DR资源使得风电消纳率提升了6.05%,同时验证了采用两阶段调度比日内一次性调度节约成本5.36%。     

需求响应不确定性对日前优化调度的影响分析

需求侧资源参与电网有功调度是消纳风电的重要方式之一,但价格型需求响应的不确定性又会对电网调度产生重要影响。为分析该影响,文中首先分析了负荷响应量、负荷自弹性系数和电价激励水平对价格型需求响应不确定性的影响,并建立了分时电价下的负荷模糊响应模型。在此基础上,考虑价格型需求响应、风电出力和系统负荷的不确定性,建立了考虑风电消纳效益的电力系统源荷互动日前模糊优化调度模型。根据模糊规划理论,对模糊期望约束和模糊机会约束进行了等效处理,等效后的模糊优化问题可以转换为确定性优化问题,并分析了价格型需求响应不确定性对电力系统日前优化调度的影响。通过仿真算例验证了模型的有效性。     

考虑风储一体的多场景两阶段调度决策模型

考虑风电的波动性和随机性,将风电功率的不确定性引入含风电调度模型中,建立基于场景集的日前机组组合和日内经济调度滚动修正两阶段决策模型。应用场景集描述风电功率的不确定性,建立基于场景集的机组组合模型,同时考虑合理弃风和切负荷有利于系统的稳定经济运行,在日内修正模型中引入弃风量以及切负荷量作为松弛变量,提高了模型的收敛性。两阶段模型均包含了储能系统来平抑风电功率的波动。算例结果表明:该模型有效抑制了风电的不确定性影响,提高了调度决策的鲁棒性。     

面向灵活爬坡服务的高比例新能源电力系统可调节资源优化调度模型

随着高比例新能源接入电网,新能源出力和负荷的波动性及不确定性对系统的灵活爬坡能力提出更高的要求。提出了一种面向灵活爬坡服务的针对高比例新能源电力系统中常规发电机组、储能、柔性负荷等可调节资源的优化调度模型。首先,提出一种考虑日前预测净负荷不确定性的灵活爬坡需求估计方法,根据爬坡起始和结束时刻净负荷及其安全裕度,量化估计电力系统灵活爬坡需求。其次,基于生成的净负荷不确定性场景,提出了考虑系统灵活爬坡需求的基于两阶段混合整数线性规划的可调节资源优化调度模型,从日前-实时两个阶段实现可调节资源的优化调度。最后,基于IEEE-RTS-24节点系统,在4种典型方案场景下对比验证所提优化调度模型。结果表明所提模型能有效提升系统灵活性,降低系统运行成本。     

基于场景概率的含风电系统多目标低碳经济调度

提出了基于场景概率的含风电系统的低碳经济调度多目标优化模型。考虑负荷需求、风电出力以及碳交易价格等输入变量预测值的不确定性,提出一种应对不确定问题的场景概率模拟方法,建立更符合实际的多目标优化模型。多目标模型中包含了考虑风电成本的经济调度目标和考虑碳交易的低碳调度目标。为方便分析碳交易对调度结果的影响,定义了平均购电费用、风电价格补贴、机组平均出力份额等评价指标。采用改进的多目标粒子群算法进行优化求解,基于该模型,仿真比较了采用确定方法、随机方法和场景概率方法的优化调度结果,分析了不同目标函数的3种调度方案,最后计算了是否考虑碳交易的评价指标。结果表明,上述优化模型有效可行,算法合理。     

基于场景生成与IGDT的风光-碳捕集-P2G虚拟电厂经济调度

为了有效降低风光出力与负荷预测的不确定性对虚拟电厂调度运行的影响,提出了基于场景生成与信息间隙决策理论（IGDT）的经济调度优化模型。通过Copula函数与非参数核密度估计方法构建风光出力联合分布模型,并利用蒙特卡洛模拟与k-means聚类得到典型场景。利用区间约束对负荷预测的不确定性进行建模,构建不同风险偏好下的调度优化模型。以典型的虚拟电厂系统进行算例分析,验证了所建立模型可以为不确定性影响下的虚拟电厂经济调度问题提供解决方案。     

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。     

计及风电不确定性的风-水短期联合优化调度方法

针对风电并网带来的出力随机性和波动性问题,提出了一种计及风电不确定性的风-水短期联合优化调度方法。首先,以地区风电群为整体,考虑风电出力不确定性导致的预测值与实际值间的偏差,采用模糊聚类方法对风电预测值与实际值进行二次聚类,构建预测值与对应的实际值间的出力情景集合及条件概率分布,将风电不确定性转变为有限个确定的条件情景进行描述;继而,建立多情景风电与水电站群联合调峰调度模型,结合当前风电预测值对应的实际情景及其概率分布,采用基于逐次逼近和关联搜索的水电站群短期优化调度方法进行求解;最后,以西南某地区为例,验证所提方法应用效果。     

数据驱动下基于风电场景的多时间尺度调峰调度研究

风电具有明显的波动性和反调峰特性。为减少风电大规模并网对电力系统调峰带来的影响,提出了一种基于风电调峰场景的多时间尺度调度策略,提高了极端风电场景下电网调度的执行效率。首先,构建了风电-负荷数据驱动模型。提出了风电调峰功率的多时间尺度评估指标,根据该指标对一年的风电功率进行时域分解并生成典型的风电调峰场景。其次,为保证在调峰场景下电网的功率平衡,针对历史场景构建了风火储协同调峰模型,并制定典型场景的经济最优调度预案。在此基础上提出多时间尺度调度策略,通过对调度预案进行滚动修正以应对风电的不确定性。最后,通过算例分析验证了所提方法在保证电网经济稳定运行的前提下可有效地提高调峰调度的计算速度并及时实施调峰调度。     

计及需求响应和风光不确定性的微电网多目标优化模型

微电网旨在实现发电侧的灵活性和可靠性并存,兼顾可再生能源利用和用能稳定,基于此目的,构建了一个多能源、多储能结构、多类型负荷耦合的微电网系统,提出一种考虑微电网补偿成本、弃能成本、运营收入的多目标优化模型,并引入需求响应模型优化储能和用户参与调峰。为解决微电网中风光出力的不确定性,对风力发电和光伏出力场景进行削减,通过决策分析表将多目标转化为单目标模型,应用粗糙集理论进行目标函数权重计算。算例分析结果显示：场景缩减能够克服风光出力不确定性对系统调度的影响;需求响应有助于解决源荷两侧匹配度差的问题;需求响应和储能系统的协作效应,可以提高系统的稳定性。     

不确定裕度分段量化和弃风弃光分段惩罚的孤岛型微电网经济调度算法

针对孤岛微电网在运行过程中受新能源出力及负荷功率不确定性的影响,提出基于不确定裕度分段量化和弃风弃光分段惩罚的孤岛型微电网经济调度算法。日前计划阶段,利用基于不确定裕度分段量化的不确定集,并采用列约束生成算法,将原问题分为主问题和子问题进行交互迭代求解,得到在“最恶劣场景”下的最优经济调度方案。日内调度阶段,保持日前计划得到的储能系统出力,对传统能源出力、需求响应负荷、新能源弃风弃光量进行调整优化。最终,通过算例仿真验证了该算法在不同的场景下的经济性和鲁棒性。     

风电接入下核电参与电力系统调峰的协调优化模型

提出了一种风电接入下核电参与电力系统调峰的风-核-火多源协调优化模型,缓解了风电消纳的难题,提升了电力系统优化运行的经济性。在保证安全裕度的前提下,该模型将核电线性功率升降速率按3个档位进行离散化,减少了变量数,仅用4个0-1变量与1个整数变量实现了调峰时三档速度、两档深度、低功率时段的自由选择,相较于已有的核电调峰模型,其灵活性更高且变量更少。同时,采用改进极限场景法,即利用1个确定的风电预测场景和2个极限场景表示置信区间内风电的不确定性,简化了其复杂度且优化了备用容量。计算结果表明,所提模型按实际情况选择最经济的负荷跟踪方案,系统发电总成本相较于核电带基荷运行的情况减少了22%,相较于核电按固定调峰模型运行的情况减少了12%,并全额消纳了采用这2种模型时所不能消纳的风电出力,从而有效削峰填谷,缓解了电网的调峰压力。     

考虑负荷和风电相关性的多场景鲁棒输电网规划

摘 要：大规模风电并网,使得电力系统的不确定性急剧增加,基于不确定理论的输电网规划成为众多学者关注的热点。传统多场景方法容易考虑负荷和风电的相关性,但却难以调整规划方案的鲁棒性。据此,文章提出一个考虑负荷和风电相关性的多场景鲁棒输电网规划模型。相较于传统多场景规划模型中每1个场景代表1个确定的风电出力和负荷功率值,在文章提出的模型中,每1个场景代表1个风电出力和负荷功率的不确定集,在给定场景数目后,通过改变不确定集的控制参数,可以调整规划方案的鲁棒性。因此,该模型较多场景输电网规划具有更高的灵活性和更强的适应性。所提多场景鲁棒优化模型采用CCG（column-and-constraint）方法求解,并在修改的Garver-6节点和IEEE RTS-24节点系统验证了所提模型的正确性和有效性。     

考虑源荷不确定性的电热系统联合调度

针对风电和电热负荷不确定的问题,提出计及源荷不确定性的旋转备用容量的优化方法,建立考虑电热备用耦合影响的调度模型。在日前阶段,以能源与负荷的预测量制定机组的出力方案,风电由于其预测精度较低,利用Beta概率密度函数来拟合风电出力,从而确定风电的不确定性带来的旋转备用容量,利用机会约束规划来处理不确定问题;负荷有较高的预测精度,但其波动性较强,使用概率场景生成和削减的方法制定不同场景下负荷备用需求的调整量,以日运行成本最低建立目标函数,运用改进的粒子群算法在IEEE30节点系统上验证了所提模型的经济性和鲁棒性。