含高比例气象敏感可再生能源电网日前调度时间颗粒度优化

图1 时间颗粒度与调度计划精细度

Fig.1 Time resolution and scheduling plan granularity

(2) 净负荷预测的准确率.

图2为60 min时间跨度下功率平均绝对误差与预测步数关系^[19].由图可见,当预测时间跨度相同时,净负荷预测准确率与预测步数(预测时间跨度/时间颗粒度)呈负相关.净负荷功率预测遵循的基本假设为从历史数据中挖掘规律,并假定这些规律延续到未来.因此,惯性越大的物理量,越容易准确预测.在净负荷预测中,预测该时段的平均功率.时段越长,一个时段的平均净负荷惯性越大,越容易预测准确.净负荷预测与调度计划编制的时间颗粒度一致,缩短时间颗粒度会降低预测时段长度,进而降低净负荷预测准确率,增大净负荷预测误差.

图2

图2 预测步数与平均绝对误差^[19]

Fig.2 Prediction steps and mean absolute error^[19]

(3) 优化调度的计算量.

电力系统优化调度问题是一个典型的大规模、非线性、离散的优化问题,大部分决策变量和约束条件均基于时段,例如每个调度时段的机组状态和出力、有功平衡约束、备用约束等.时间颗粒度缩小,将使电力系统优化调度的计算规模成倍扩大.以时间颗粒度从30 min缩短为15 min为例,变量数和约束条件数量大致增加为原来的2倍,调度计划编制时段数翻倍,总的调度计算量将呈指数级增长^[20].

净负荷波动性与不确定性、计算资源是影响时间颗粒度选择的3个关键因素.净负荷不确定性取决于现有预测水平与预测手段.由于预测能力短时间内无法提升,所以在计算资源充足情况下,净负荷波动性是选择调度计划时间颗粒度的决定性因素.

2 源荷匹配率与灵活性不足率指标

缩短调度计划时间颗粒度可以有效缓解净负荷波动变化影响,提升调度计划精细度,但同时也会增大净负荷预测误差,使得优化调度效果不一定得到提升.通过定义源荷匹配率与灵活性不足率指标反映系统优化程度和可靠性,源荷匹配率指机组出力曲线与净负荷曲线匹配程度,便于分析净负荷波动性、不确定性综合影响下,缩短时间颗粒度是否会提升系统调度优化;灵活性不足率指电力系统通过调配各种资源响应净负荷波动性、不确定性的能力,可以反映不同时间颗粒度下系统可靠性.

2.1 源荷匹配率

目前,日前调度机制将调度周期划分为24或96个时段,并假定每个时段调度指令对应为该时段净负荷平均值,如图3所示.

图3

图3 净负荷功率功率曲线与调度指令

Fig.3 Net load power power curve and scheduling instructions

机组组合阶梯曲线对净负荷预测曲线拟合程度较低,未充分利用净负荷预测信息且不能体现时间颗粒度内的功率波动变化.机组出力曲线与实际净负荷曲线包络而成的面积为不平衡功率,是调度计划之外的电量,必须通过临时调度或者自动控制系统调节.

不平衡功率总量为

P_sum=∫|P_l(t)-

${\bar{P}}_{u}$ (t)|dt

(1)

式中: P_l(t)为t时段实时净负荷功率; ${\bar{P}}_{u}$ (t)为t时段内机组出力.

为了分析调度的优化程度,反映机组出力与净负荷的匹配程度,参照文献[21]中方法提出源荷匹配率:

D=1-

$\frac{\sum_{t} \overset{n_{l}}{\sum_{i = 1}} | P_{l}^{i} (t) - {\bar{P}}_{u} (t) |}{\int P_{l} (t) d t}$

(2)

式中:n₁为调度时段内净负荷功率预测点数; $P_{l}^{i}$ 为t时段内第i个预测点净负荷功率.

源荷匹配率反映机组出力跟踪净负荷的能力.该指标越高,表明机组出力能更好地追踪净负荷的变化,产生不平衡功率总量小且调度运营成本低,调度优化程度更高.

2.2 灵活性不足率

电力系统的灵活性指在高RES渗透率时系统保持可靠运行的能力^[22].灵活性裕度取决于系统灵活性资源的可调节能力以及系统运行面临各种不确定性因素所造成的供需平衡差额^[23].日前调度计划的每个调度时段内,系统通过优化调配各种灵活性资源,预留一定灵活性裕度应对调度时段内净负荷爬坡以及预测误差.每个调度时段内机组启停状态保持不变,其爬坡能力也不变,因此可以假定系统的灵活性裕度在t时段内各时间点保持不变.系统灵活性裕度可分为上调灵活性裕度和下调灵活性裕度,分别定义为

$\begin{array}{l} f^{u p} (t) = \\ \sum_{m} m i n {P_{m}^{m a x} - P_{m} (t), γ R_{m}^{+}, γ R_{m}^{+} - Δ p_{m}} \\ f^{d o w n} (t) = \\ \sum_{m} m i n {P_{m} (t) - P_{m}^{m i n}, γ R_{m}^{-}, γ R_{m}^{-} - Δ p_{m}} \end{array}\}$

(3)

式中: $P_{m}^{m a x}$ 、 $P_{m}^{m i n}$ 和P_m(t)分别为第m个机组的最大输出功率、最小输出功率以及t时段的实时输出功率;γ为时间颗粒度; $R_{m}^{+}$ 、 $R_{m}^{-}$ 分别为第m个机组的向上、向下爬坡功率速率;Δp_m为第m个机组从t-1时段到t时段的功率改变量.

为更好地衡量电网系统灵活性裕度的充足度,建立灵活性不足率作为评价指标如下:

$\begin{array}{l} F^{u p} (t) = \\ \sum_{t} m a x \{\frac{P^{d o w n} (t) + a σ P_{m a x} - f^{u p} (t)}{γ_{s u m} {\bar{P}}_{u} (t)}, 0\} \\ F^{d o w n} (t) = \\ \sum_{t} m a x \{\frac{P^{u p} (t) + a σ P_{m a x} - f^{d o w n} (t)}{γ_{s u m} {\bar{P}}_{u} (t)}, 0\} \end{array}\}$

(4)

式中:F^up、F^down分别为电网24 h内的上调灵活性不足率和下调灵活性不足率;a表征考虑不确定性程度;σ为系统净负荷预测误差的标准差;P_max为最大负荷;P^down(t)、P^up(t)分别为系统t时段内可能发生的最大向下波动功率和最大向上波动功率;γ_sum为调度时段总数.

总灵活性不足率F为上调灵活性不足率和下调灵活性不足率之和,该指标反映电网平抑净负荷波动与预测误差的能力,其值越小,系统灵活性裕度越充足,平抑波动性与不确定性能力越强.

2.3 日前调度建模

日前调度中,各风电场对下一日出力计划进行预测并汇报调度中心,调度中心根据风电场汇报信息以及负荷预测信息安排下一日常规机组的启停计划,其目标函数与约束条件如下:

min

$\overset{N_{s}}{\sum_{s = 1}}$ π_s[

$\sum_{t} \sum_{m}$ (

$c_{i}^{s u} u_{m, t, s}^{s u}$ +

$c_{m}^{s d} u_{m, t, s}^{s d}$ +f(P_m_,_t_,_s))]

(5)

s.t. u_m_,_t_,_s-u_m_,_t_-1,_s-u_m_,_k≤0, t≤k≤

$T_{m}^{o n}$ +t-1

(6)

u_m_,_t_-1,_s-u_m_,_t_,_s+u_m_,_k≤0, t≤k≤

$T_{m}^{o f f}$ +t-1

(7)

u_m_,_t_,_s-u_m_,_t_-1,_s-

$u_{m, t, s}^{s u}$ ≤0

(8)

u_m_,_t_-1,_s-u_m_,_t_,_s-

$u_{m, t, s}^{s d}$ ≤0

(9)

u_m_,_t_,_s

$P_{m}^{m i n}$ ≤P_m_,_t_,_s≤u_m_,_t_,_s

$P_{m}^{m a x}$

(10)

P_m_,_t_+1,_s-P_m_,_t_,_s≤ u_m_,_t_,_s

$R_{m}^{+}$ +(1-u_m_,_t_,_s)

$P_{m}^{m a x}$

(11)

P_m_,_t_,_s-P_m_,_t_+1,_s≤ u_m_,_t_+1,_s

$R_{m}^{-}$ +(1-u_m_,_t_+1,_s)

$P_{m}^{m a x}$

(12)

$\sum_{m}$ P_m_,_t_,_s+

$\sum_{g}$ w_g_,_t_,_s=

$\sum_{h}$ L_h_,_t

(13)

式中:N_s为场景数,取3;π_s为第s个场景的概率;u_m_,_t_,_s、 $u_{m, t, s}^{s u}$ 、 $u_{m, t, s}^{s d}$ 分别表示第s个场景下机组m在t时段处于工作、启动、关闭状态;P_m_,_t_,_s为第s个场景下机组m在第t个时段的出力; $c_{m}^{s u}$ 、 $c_{m}^{s d}$ 分别为机组i的启动、关闭费用;f(P_m_,_t_,_s)为第s个场景下机组m在t时段的运行成本,f(P_m_,_t_,_s)=a_m $P_{m, t, s}^{2}$ +b_mP_m_,_t_,_s+c_m,a_m、b_m和c_m分别表示第m个机组成本函数的二次项系数、一次项系数和常数项; $T_{m}^{o n}$ 、 $T_{m}^{o f f}$ 分别为机组m的最小启动、关闭时间;w_g_,_t_,_s为第s个场景下第g个风电机组在t时段内的出力;L_h_,_t为第h个负荷节点在t时段内的有功需求.

3 基于全局灵敏度的时间颗粒度选择方法

缩小时间颗粒度,一方面可以提高精细化程度,有利于降低临时调度的功率和电量;另一方面,会降低净负荷预测准确率,增加临时调度的功率和电量.优化时间颗粒度的核心是在精细化程度和负荷预测准确率之间取得平衡,使临时调度的功率和电量最小化,达到降低调度成本的目的.因此,需要比较缩短时间颗粒度带来的优化调度提升量与增加预测误差引发的优化调度下降量.灵敏度分析方法是量化输入变量及变量间相互作用对输出变量影响程度的有效手段^[24],因此,采用Sobol'方法和多项式混沌展开的全局灵敏度方法,量化不同波动率电网中不同时间颗粒度下净负荷波动性、不确定性对源荷匹配率指标方差的影响程度,利用净负荷波动性、不确定性对源荷匹配率指标的全局灵敏度选择最优时间颗粒度.

3.1 多项式混沌展开

对于含n₂个独立随机变量x=[x₁ … $x_{n_{2}}$ ]的函数y=f(x),根据多项式混沌展开理论,f(x)可通过一组正交多项式展开、逼近,即

y=f(x)=

$\sum_{i}$ a_iΦ_i(x)

(14)

式中:i=[i₁ … $i_{n_{2}}$ ]为指标向量,满足 |i|=i₁+…+ $i_{n_{2}}$ ,|i|为最大展开阶数;a_i为Φ_i(x)对应展开系数;Φ_i(x)为多项式基函数.

多项式基函数Φ_i(x)之间具有正交性,可以分解为各输入变量对应基函数的张量积,即

Φ_i(x)=

$φ_{i_{1}}$ (x₁)

$φ_{i_{2}}$ (x₂)…

$φ_{i_{n_{2}}}$ (

$x_{n_{2}}$ )

(15)

式中: $φ_{i_{j}}$ (x_j)为输入变量x_j对应的第i_j阶正交多项式,取决于x_j的分布类型,常见的变量类型对应的基函数见文献[25].

实际工程中为便于计算,将式(14)进行有理项截断,限定最高展开阶数为r:

y=f(x)≈

$\sum_{| i | \leq r}$ a_iΦ_i(x)

(16)

将式(16)改写为向量形式:

y≈

$\sum_{| i | \leq r}$ a_iΦ_i(x)=a^TΦ(x)

(17)

式中:基函数向量Φ(x)=[1 Φ₁(x) … Φ_r_-1(x)]^T;Φ(x)对应展开系数向量a=[a₀a₁ … a_r_-1]^T.

最高展开阶数r取值越大,展开模型拟合精度越高,但计算量也越大.通常最高展开阶数r取2~3即可满足工程计算精度,为便于计算取r=2,则

y≈a₀+

$\overset{n_{2}}{\sum_{i = 1}}$ a_iΦ_l(x_i)+

$\overset{n_{2}}{\sum_{i = 1}} \sum_{j \leq i}$ a_ijΦ₂(x_i,x_j)

(18)

对Q组采样样本进行源荷匹配率指标计算,基于最小二乘原理计算式(18)中各展开项系数可表示如下:

$\hat{a}$ =arg min

$\overset{Q}{\sum_{i = 1}}$ (a^TΦ(x⁽ⁱ⁾)-y(x⁽ⁱ⁾))²

(19)

式中:x⁽ⁱ⁾为输入变量第i组采样样本;y(x⁽ⁱ⁾)为第i组采样样本源荷匹配率指标结果.

3.2 基于Sobol'方法和多项式混沌展开全局灵

敏度首先定义如下下标集合:

$Ω_{i_{1}, i_{2}, \dots, i_{d}}$ =u=

$\{\begin{array}{l} u_{k} > 0, \forall k \in {i_{1}, i_{2}, \dots, i_{d}} \\ u_{k} = 0, \forall k \notin {i_{1}, i_{2}, \dots, i_{d}} \end{array}$

(20)

Sobol'分解形式为

f(x)=f₀+

$\overset{n_{2}}{\sum_{i = 1}}$ f_i(x_i)+…+

$f_{1,2, \dots, n_{2}}$ (x₁,x₂,…,

$x_{n_{2}}$ )

(21)

式中:f₀为常数项;f_i(x_i)为x_i的1阶子函数; $f_{1,2, \dots, n_{2}}$ (x₁,x₂,…, $x_{n_{2}}$ )为x₁,x₂,…, $x_{n_{2}}$ 的n₂阶子函数.

结合随机变量方差的定义,f(x)的方差可以表示为

D(f(x))=

$\overset{n_{2}}{\sum_{i = 1}} \int_{0}^{1} f_{i}^{2}$ (x_i)dx_i+…+

$\int_{0}^{1} f_{1, \dots, n_{2}}^{2}$ (x₁,x₂,…,

$x_{n_{2}}$ )dx₁x₂…

$x_{n_{2}}$

(22)

由于各非0阶子函数的期望为0,所以D(f(x))可以进一步用子函数的方差表示:

D(f(x))=

$\overset{n_{2}}{\sum_{i = 1}}$ D_i+

$\sum_{1 \leq i < j \leq n_{2}}$ D_ij+…+

$D_{1,2, \dots, n_{2}}$

(23)

式中:D_i=D(f(x_i)),表示1阶子函数f(x_i)的方差;D_ij为2阶子函数f(x_i,x_j)的方差; $D_{1,2, \dots, n_{2}}$ 为n₂阶子函数f(x₁,x₂,…, $x_{n_{2}}$ )的方差.

当随机变量x满足独立分布时,由Sobol'分解的唯一性,可将式(18)唯一化简为Sobol'分解形式:

f(x)=a₀+

$\overset{n_{2}}{\sum_{i = 1}} \sum_{b \in Ω_{i}}$ a_bΦ_b(x_i)+…+

$\sum_{b \in Ω_{1,2, \dots, n_{2}}}$ a_bΦ_b(x₁,x₂,…,

$x_{n_{2}}$ )

(24)

对比式(17)与式(24)可得:

$f_{i_{1}, \dots, i_{d}}$ (

$x_{i_{1}}$ ,

$x_{i_{2}}$ ,…,

$x_{i_{d}}$ )=

$\sum_{b \in Ω_{1, \dots, i_{d}}}$ Φ_b(

$x_{i_{1}}$ ,

$x_{i_{2}}$ ,…,

$x_{i_{d}}$ )

(25)

可得基于多项式混沌展开的各阶全局灵敏度指标:

$S_{i_{1}, \dots, i_{d}}^{P C E}$

$\frac{D_{i_{1} i_{2} \dots i_{d}}}{D (f (x))}$

$\frac{\sum_{b \in Ω_{i_{1}, i_{2}, \dots, i_{d}}} a_{b}^{2} E (Φ_{b}^{2} (x_{i_{1}}, x_{i_{2}}, \dots, x_{i_{d}}))}{\sum_{| b | \geq 1} a_{b}^{2} E (Φ_{b}^{2} (x))}$

(26)

3.3 算法流程

基于净负荷波动性、不确定性对优化调度指标的灵敏度,针对不同波动率电网选择合适时间颗粒度,流程如下:

(1) 数据输入.包含净负荷波动率、误差率的样本和概率分布信息.

(2) 波动性与不确定性灵敏度计算.采用拉丁方采样得到Q个输入样本,每一个样本点都执行确定性日前调度计算,计算源荷匹配率.基于Sobol'方法和多项式混沌展开分别计算不同波动率电网中,波动性与不确定性在不同时间颗粒度下对源荷匹配率的全局灵敏度指标.

(3) 基于全局灵敏度的不同波动率电网时间颗粒度选择方案.在不同波动率电网中,依据净负荷波动性、不确定性的全局灵敏度分析各时间颗粒度下影响优化调度的主要因素.当波动性为影响优化调度的主要因素时,需缩短时间颗粒度.当不确定性为影响优化调度的主要因素时,需增大时间颗粒度.

4 算例

以文献[26]中改造的IEEE-39节点系统为例进行分析,净负荷的日前数据如图4所示,系统的各机组参数如表1所示.

图4

图4 净负荷

Fig.4 Net load

表1 系统机组参数

Tab.1 Data for the system

机组	$P_{m}^{m a x}$ /MW	$P_{m}^{m i n}$ /MW	a_m/[美元· (MW²·h)^-1]	b_m/[美元· (MW·h)^-1]	c_m/ [美元·h^-1]	$R_{m}^{+}$ /MW	$R_{m}^{-}$ /MW	$c_{m}^{s u}$ /美元	$c_{m}^{s d}$ /美元
1	470	150	4.3×10^-4	21.60	958.20	120	-120	3000	3000
2	460	130	6.3×10^-4	21.05	1313.60	120	-120	3000	3000
3	340	73	5.9×10^-4	20.81	604.97	120	-120	2200	2200
4	300	60	7.0×10^-4	22.90	471.60	100	-100	1800	1800
5	243	73	7.9×10^-4	21.62	480.29	100	-100	900	900
6	160	57	5.6×10^-4	17.87	601.75	100	-100	900	900
7	130	20	2.1×10^-3	16.51	502.70	50	-50	260	260
8	120	47	4.8×10^-3	23.23	639.40	50	-50	260	260
9	80	20	10.9×10^-1	19.58	455.60	50	-50	30	30
10	55	20	9.5×10^-3	22.54	629.40	50	-50	30	30

净负荷波动率定义为

ΔP=

$\frac{P_{t, n + 1} - P_{t, n}}{P_{m a x}}$

(27)

式中:P_t_,_n₊₁、P_t_,_n为时段t内第n+1、n个预测点净负荷功率.净负荷数据的分辨率为1 min.

图4中净负荷波动率服从期望为0、标准差为7%的正态分布,最大净负荷为 2 208 MW.设定净负荷60、30、15、5 min时间颗粒度下预测误差分别为8.5%、13.5%、15%、19.5%,其预测曲线为实际曲线叠加相应白噪声得到,当预测误差率为λ时,白噪声服从期望为0、标准差为λ/3的正态分布^[27].灵活性不足率中爬坡需求的不确定系数a设为1.96.模型采用MATLAB 2020a结合CPLEX求解.

4.1 初始波动率电网灵敏度分析

假设净负荷波动率与净负荷预测平均误差无关,波动率与误差率为独立变量.波动率、误差率数据预处理以采用5 min时间颗粒度为例,净负荷波动率方差为7%,误差率为8.5%,假设波动率方差服从N(7%, 7%/3)、误差率服从N(8.5%, 8.5%/3)的正态分布,采用拉丁超立方抽样分别生成100组净负荷波动率方差、误差率数据:(σ₁,σ₂,…,σ₁₀₀)、(λ₁,λ₂,…,λ₁₀₀),并按照对应波动率方差(σ₁,σ₂,…,σ₁₀₀)生成波动率为N(0,σ₁),N(0,σ₂), …, N(0,σ₁₀₀)的净负荷数据,预测曲线为实际曲线叠加相应满足N(0,λ₁/3), N(0,λ₂/3), …, N(0,λ₁₀₀/3)分布的白噪声,分别计算净负荷的波动率、误差率对源荷匹配率的全局灵敏度.图5为灵敏度(β)与时间颗粒度关系的计算结果.

图5

图5 净负荷预测误差率与波动率灵敏度

Fig.5 Net load forecast error rate and volatility sensitivity

由图5可知,净负荷误差率灵敏度随时间颗粒度增大而减小,波动率灵敏度随时间颗粒度的增大而增大.当误差率与波动率灵敏度之差较大时,则灵敏度高的一方为影响优化调度的主导因素.当误差率为主导因素时,波动率影响较小,应当增大时间颗粒度提升优化调度;当波动率为主导因素时,误差率影响较小,应当缩短时间颗粒度提升优化调度.需在净负荷波动率、误差率之间取得一种平衡.因此,可以采用误差率与波动率灵敏度之差判断是否需要优化时间颗粒度.

分别计算60、30、15、5 min时间颗粒度下灵敏度之差Δβ、不平衡功率总量P_sum以及源荷匹配率D,如表2所示.由表2可知,灵敏度差越小,优化调度效果越好.以5、15 min时间颗粒度为例,5 min时间颗粒度下误差率占主导因素,波动率影响较小.时间颗粒度增大为15 min后,净负荷预测误差降低,由此导致的优化调度提升量大于扩大波动性影响导致的优化调度下降量,此时15 min颗粒度优化效果更好.分别计算60、30、15、5 min时间颗粒度下的成本以及总灵活性不足率,计算结果如表3所示.表中:f₁为机组组合费用;f₂为不平衡功率;f₃为总成本.

表2 灵敏度之差与优化调度效果

Tab.2 Difference in sensitivity and optimal scheduling effect

γ/min	Δβ	P_sum/(MW·h)	D/%
5	0.21	3 230	90.74
15	0.10	3 187	90.87
30	0.27	3 247	90.70
60	0.46	3 281	90.60

表3 经济性以及灵活性

Tab.3 Economy and flexibility

γ/min	f₁/美元	f₂/美元	f₃/美元	F/%
5	826723	83915	910640	2.02
15	826555	82794	909350	1.93
30	825736	84352	910090	2.09
60	824864	85249	910110	2.17

由表3可知,15 min时间颗粒度下总成本最小,且总灵活性不足率也最低.因此,可以通过波动率、误差率灵敏度之差来选择时间颗粒度,灵敏度之差越小,优化调度效果越好,总费用越低,且灵活性更高.净负荷波动率为7%时,15 min为最优时间颗粒度.

4.2 8%波动率电网灵敏度分析

为验证在计算资源充足与现有预测水平情况下,净负荷波动性是选择调度计划时间颗粒度的决定性因素,令净负荷误差率等其他条件不变,将净负荷波动率增大为8%,对净负荷的波动率、误差率进行灵敏度分析,计算结果如图6所示.

图6

图6 净负荷预测误差率与波动率灵敏度

Fig.6 Net load forecast error rate and volatility sensitivity

由图6可知,相比于原波动率为7%的电网,波动率增大为8%后各时间颗粒度下波动率灵敏度均增大,误差率灵敏度均相应缩小.

分别计算60、30、15、5 min时间颗粒度下灵敏度之差、灵活性不足率、总成本以及源荷匹配率,如表4所示.由表4可知,净负荷波动率增加后,5 min时间颗粒度下灵敏度之差最小,优化调度效果最优,表明高波动率电网须通过缩短时间颗粒度来降低净负荷波动性影响.综上分析,在不同净负荷波动率电网中,可以通过分析波动率、误差率灵敏度之差选择优化时间颗粒度.

表4 灵敏度之差与优化调度效果

Tab.4 Difference in sensitivity and optimal scheduling effect

γ/min	Δβ	F/%	D/%	f₃/美元
5	0.07	2.19	89.17	932860
15	0.11	2.30	88.87	932900
30	0.31	2.45	88.79	933270
60	0.54	2.52	88.69	933480

4.3 不同波动率电网最优时间颗粒度

在计算资源充足与现有预测水平情况下,净负荷波动率是优化时间颗粒度的决定性因素.分别计算波动率从1%按步长0.05%增大至10%的不同电网净负荷波动率、误差率灵敏度.净负荷波动率、误差率灵敏度之差如图7所示.

图7

图7 净负荷预测误差率和波动率灵敏度之差

Fig.7 Sensitivity difference between net load forecast error rate and volatility

随着净负荷波动率上升,灵敏度之差最小点不断左移,表明净负荷波动率高的电网中,缩短时间颗粒度可以提升优化调度.波动率越高的电网中,最优时间颗粒度越小.图7中各波动率的最优时间颗粒度分界点为2.909%、5.455%、7.673%.净负荷波动率小于2.909%时,应当选择60 min时间颗粒度;净负荷波动率在[2.909%,5.455%)时,应当选择30 min时间颗粒度;净负荷波动率在[5.455%,7.673%]时,应当选择15 min时间颗粒度;净负荷波动率大于7.673%且计算资源充足时,应当选择5 min时间颗粒度.

5 结语

时间颗粒度优化问题的关键在于权衡净负荷波动性与不确定性.基于波动率、误差率灵敏度之差在负荷波动性与不确定性之间取得一种平衡;并指出高气象敏感RES电网中,波动率为选择时间颗粒度的关键因素,高波动率电网应当缩短时间颗粒度提升优化调度;最后确定各净负荷波动率下的最优时间颗粒.此外,本文方法在计算资源充足的情况下进行时间颗粒度优化,未来将对优化缩短时间颗粒度后的调度计算量展开研究.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

国家发展和改革委员会能源研究所.

中国2050高比例可再生能源发展情景暨路径研究

[R]. 北京: 国家发展和改革委员会能源研究所, 2015.

Energy Research Institute of National Development and Reform Commission.

China 2050 high percentage renewable energy development scenario and pathway study

[R]. Beijing: Energy Research Institute of the National Development and Reform Commission, 2015.

[2]

PANDŽIĆ

, DVORKIN

, WANG

Y S

, et al.

Effect of time resolution on unit commitment decisions in systems with high wind penetration

[C]// 2014 IEEE PES General Meeting | Conference & Exposition. National Harbor, MD, USA: IEEE, 2014: 1-5.

[3]

艾小猛, 韩杏宁, 文劲宇, 等.

考虑风电爬坡事件的鲁棒机组组合

[J]. 电工技术学报, 2015, 30(24): 188-195.

Xiaomeng

, HAN

Xingning

, WEN

Jinyu

, et al.

Robust unit commitment considering wind power ramp events

[J]. Transactions of China Electrotechnical Society, 2015, 30(24): 188-195.

[4]

MILLIGAN

, KIRBY

, et al. Combining balancing areas’ variability: Impacts on wind integration in the western interconnection. (2010-05-23)[2022-06-26]. https://www.osti.gov/biblio/986254.

URL [本文引用: 1]

[5]

GUY

J D

Security constrained unit commitment

[J]. IEEE Transactions on Power Apparatus & Systems, 1971, 90(3): 1385-1390.

DOI:10.1109/59.119261 URL [本文引用: 1]

[6]

CONTAXIS

G C

, KABOURIS

Short term scheduling in a wind/diesel autonomous energy system

[J]. IEEE Transactions on Power Systems, 1991, 6(3): 1161-1167.

[7]

陈之栩, 谢开, 张晶, 等.

电网安全节能发电日前调度优化模型及算法

[J]. 电力系统自动化, 2009, 33(1): 10-13.

CHEN

Zhixu

, XIE

Kai

, ZHANG

Jing

, et al.

Optimal model and algorithm for day-ahead generation scheduling of transmission grid security constrained convention dispatch

[J]. Automation of Electric Power Systems, 2009, 33(1): 10-13.

DOI:10.1109/TPWRS.2015.2410301 URL [本文引用: 1]

[8]

GANGAMMANAVAR

, SEN

, ZAVALA

V M

Stochastic optimization of sub-hourly economic dispatch with wind energy

[J]. IEEE Transactions on Power Systems, 2016, 31(2): 949-959.

[9]

CHE

, LIU

, ZHU

, et al.

Intra-interval security assessment in power systems with high wind penetration

[J]. IEEE Transactions on Sustainable Energy, 2019, 10(4): 1890-1903.

DOI:10.1109/TSTE.5165391 URL [本文引用: 1]

[10]

CHE

, LIU

, ZHU

, et al.

Intra-interval security based dispatch for power systems with high wind penetration

[J]. IEEE Transactions on Power Systems, 2019, 34(2): 1243-1255.

DOI:10.1109/TPWRS.2018.2870667 URL [本文引用: 1]

[11]

SIOSHANSI

, O’NEILL

, OREN

S S

Economic consequences of alternative solution methods for centralized unit commitment in day-ahead electricity markets

[J]. IEEE Transactions on Power Systems, 2008, 23(2): 344-352.

DOI:10.1109/TPWRS.2008.919246 URL [本文引用: 1]

[12]

MORALES-ESPAÑA

, RAMÍREZ-ELIZONDO

, HOBBS

B F

Hidden power system inflexibilities imposed by traditional unit commitment formulations

[J]. Applied Energy, 2017, 191: 223-238.

DOI:10.1016/j.apenergy.2017.01.089 URL [本文引用: 1]

[13]

BAKIRTZIS

E A

, BISKAS

P N

, LABRIDIS

D P

, et al.

Multiple time resolution unit commitment for short-term operations scheduling under high renewable penetration

[J]. IEEE Transactions on Power Systems, 2014, 29(1): 149-159.

DOI:10.1109/TPWRS.2013.2278215 URL [本文引用: 1]

[14]

BAKIRTZIS

E A

, SIMOGLOU

C K

, BISKAS

P N

, et al.

Comparison of advanced power system operations models for large-scale renewable integration

[J]. Electric Power Systems Research, 2015, 128: 90-99.

DOI:10.1016/j.epsr.2015.06.025 URL [本文引用: 1]

[15]

BAKIRTZIS

E A

, BISKAS

P N

Multiple time resolution stochastic scheduling for systems with high renewable penetration

[J]. IEEE Transactions on Power Systems, 2017, 32(2): 1030-1040.

DOI:10.1109/TPWRS.2012.2185816 URL [本文引用: 1]

[16]

ELA

, O’MALLEY

Studying the variability and uncertainty impacts of variable generation at multiple timescales

[J]. IEEE Transactions on Power Systems, 2012, 27(3): 1324-1333.

[17]

WAN

Y H

Analysis of wind power ramping behavior in ERCOT

[R]. USA: Office of Scientific and Technical Information, 2011.

[18]

梁双, 胡学浩, 张东霞, 等.

光伏发电置信容量的研究现状与发展趋势

[J]. 电力系统自动化, 2011, 35(19): 101-107.

LIANG

Shuang

, HU

Xuehao

, ZHANG

Dongxia

, et al.

Current status and development trend on capacity credit of photovoltaic generation

[J]. Automation of Electric Power Systems, 2011, 35(19): 101-107.

DOI:10.1109/TPWRS.59 URL [本文引用: 1]

[19]

邬超, 朱桂萍, 钱敏慧.

基于信息熵的历史数据选取对超短期风电功率预测精度影响研究

[J]. 电网技术, 2021, 45(5): 1767-1772.

[本文引用: 3]

Chao

, ZHU

Guiping

, QIAN

Minhui

Impact of historical data selection on accuracy of ultra-short-term wind power prediction based on prediction information entropy

[J]. Power System Technology, 2021, 45(5): 1767-1772.

[本文引用: 3]

[20]

PINEDA

, FERNÁNDEZ-BLANCO

, MORALES

J M

Time-adaptive unit commitment

[J]. IEEE Transactions on Power Systems, 2019, 34(5): 3869-3878.

[21]

金国彬, 潘狄, 陈庆, 等.

考虑自适应实时调度的多电压等级直流配电网能量优化方法

[J]. 电网技术, 2021, 45(10): 3906-3917.

JIN

Guobin

, PAN

, CHEN

Qing

, et al.

Energy optimization method of multi-voltage-level DC distribution network considering adaptive real-time scheduling

[J]. Power System Technology, 2021, 45(10): 3906-3917.

[22]

AGENCY

I E

. Empowering variable renewables-options for flexible electricity systems[M]. Paris: OECD Publishing, 2009: 13-14.

[23]

楚成博

. 含可调控负荷系统的调度灵活性研究[D]. 济南: 山东大学, 2013.

CHU

Chengbo

. Studies on flexibility of power system dispatch with controllable loads[D]. Jinan: Shandong University, 2013.

DOI:10.1109/TPWRS.2017.2719046 URL [本文引用: 1]

[24]

, NIJHUIS

, NGUYEN

P H

, et al.

Variance-based global sensitivity analysis for power systems

[J]. IEEE Transactions on Power Systems, 2018, 33(2): 1670-1682.

[25]

孙鑫, 王博, 陈金富, 等.

基于稀疏多项式混沌展开的可用输电能力不确定性量化分析

[J]. 中国电机工程学报, 2019, 39(10): 2904-2914.

SUN

Xin

, WANG

, CHEN

Jinfu

, et al.

Sparse polynomial chaos expansion based uncertainty quantification for available transfer capability

[J]. Proceedings of the CSEE, 2019, 39(10): 2904-2914.

[26]

KENNEDY

, EBERHART

Particle swarm optimization

[C]// Proceedings of ICNN’95-International Conference on Neural Networks. Perth, Australia: IEEE, 1995: 1942-1948.

[27]

王皓, 艾芊, 甘霖, 等.

基于多场景随机规划和MPC的冷热电联合系统协同优化

[J]. 电力系统自动化, 2018, 42(13): 51-58.

WANG

Hao

, AI

Qian

, GAN

Lin

, et al.

Collaborative optimization of combined cooling heating and power system based on multi-scenario stochastic programming and model predictive control

[J]. Automation of Electric Power Systems, 2018, 42(13): 51-58.