如今,能源供需矛盾和环境污染问题已成为全球性难题,建设以新能源为主体的新型电力系统是可持续发展的必然选择[1 ] .我国风光资源分布特点决定了其集中开发、远距离输送的利用模式.近年来,我国可再生能源装机容量逐年增长,以风力发电(风电)、光伏发电(光电)为代表的可再生能源发电在电力系统中的比例也迅速提高.国家能源局2022年全国电力工业统计数据显示,2022全年我国风电装机容量约0.37 TW,太阳能发电装机容量约0.39 TW,风电、光电装机总和占总装机容量的30%.但是,由于新能源存在间歇性、波动性和随机性的特点,所以其大规模接入电网增加了电力调度中的不确定性,为系统的电量平衡和调度运行带来挑战[2 ] .
为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要.
现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9] 、鲁棒优化[10 12] 、分布鲁棒优化[13 16] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况.
为了解决上述问题,有文献提出多阶段鲁棒优化方法[17 ] 和动态规划方法[18 20] 等进行实时调度,通过额外的约束条件实现具有因果信息结构的调度策略.在本文考虑的新能源大基地中,由于常规机组容量低、灵活性不足,采用多阶段鲁棒优化建模其运行问题通常没有鲁棒可行解,所以也不存在经典鲁棒优化意义下的调度策略.动态规划方法多阶段决策问题的解决提供了另一种思路,即利用历史数据进行离线训练,采用成本函数来反映当前调度决策对未来的影响.但是,成本函数的求解通常比较困难,在处理大规模问题时可能会出现“维数灾”问题,在计算资源紧缺时经常存在求解困难.
滚动优化是实时调度的另一典型方法,也称模型预测控制(model predictive control,MPC)[21 24] .此类方法通过短期风光出力预测构建多时段调度模型,将未来时段的随机变量以其预测值代替,优化求解后只采用当前时段的调度策略,在下一时刻根据实时预测值对策略进行滚动更新.此类方法的表现很大程度上取决于风光出力预测精度[25 ] .现有研究表明,大范围风光出力预测可以较好地利用时空相关性从而降低预测误差,但本文考虑的新能源大基地属于局部电网,预测误差难以有效提升.
在实际运行中,煤电机组状态往往需要提前一天确定,机组出力可以采用滚动优化进行实时调度,因此需要日前计划和日内或实时调度的有效配合.由于两阶段优化和动态规划固有框架具有差异,所以难以实现日前阶段与实时阶段的有效结合.近年来,部分研究着眼于日前-实时的协调配合,一种典型的处理方法是根据日前计划计算机组出力的参考曲线,实时调度中要求机组尽量跟踪参考曲线[26 ] .此类方法利用了日前信息,当日前预测误差不大时具有很好的效果,但若日前预测误差较大,则跟踪计划曲线表现可能不佳.
本文针对已有运行优化框架的不足,提出一种基于可消纳区间的日前-实时协调方法,能够充分考虑风光出力的波动性及其随时间变化的整体趋势,同时在实时阶段的调度摆脱对于精确预测的依赖,具体贡献如下:
(1) 提出一种适用于风-火-储系统的日前-实时两阶段决策框架.在日前阶段,通过机组组合初步确定火电机组的启停计划和满足系统约束的火电机组的可行出力范围.基于机组组合所得信息,构建风电可消纳区间,供实时调度参考.实时阶段的决策基于一种分位调度策略展开.所提框架在日前充分考虑了风光出力的波动性及其随时间变化的整体趋势,通过合理安排机组出力边界,在提升安全性的同时避免了短视性;实时阶段的调度在利用日前信息的同时,满足实际调度序贯信息结构,且具有较优的经济性.
(2) 构建一种基于可消纳区间的分位数决策方法.在日前阶段,基于运行约束和机组组合构建反映调度资源灵活性的可消纳区间.在此区间搭建了一条日前阶段和实时调度的桥梁,将日前调度资源的特性反映在区间中,与电网实际调度情况较为接近.实时阶段根据当前风光出力即可按照分位数规则生成调度策略,无需高精度预测;同时,给出分位数规则生成的调度决策自然满足系统运行约束的严格证明.
1 风-火-储联合系统的基本模型
将风-火-储联合系统的基本模型分为系统结构和元件约束两部分进行描述.
1.1 系统结构
风-火-储联合系统及其内部功率关系如图1 所示.系统主要包含风电、储能、火电和用户负荷.由图可知,风电和火电机组产生的电能可以供应给负荷或通过对储能充电存储,储能系统可以通过风电或火电机组进行充电,并且可以向负荷供电;储能的荷电状态与充放电功率均需要满足自身上下限限制.
图1
图1
风-火-储联合系统构造
Fig.1
Wind-thermal-storage system configuration
对于图1 系统中的物理量进行如下规定:t 为时刻,火电机组对储能进行充电的功率为Pg 1t ,风力发电机组对储能进行充电的功率为Pr 2t . 储能功率为PB t =Pd t -Pc t ,Pd t 、Pc t 分别为储能放电、充电功率. Pg t 为火电机组出力;Pl t 为负荷功率;火电机组供给负荷的功率为Pg 2t ,风电直接供给到负荷的功率为Pr 1t ,三者之和需满足负荷需求,不能满足则会产生弃负荷. 此处弃负荷指的是在近负荷端调用额外的调整手段,如负荷中心附近的火电机组、需求响应以及与负荷中心连接的其他输入通道等改变受端的需求曲线,并非在实际中切负荷导致用户断电. 风力发电机组的总出力为Pr t ,大于系统需求则产生弃风.工业实际中在日前阶段基本能确定次日负荷情况,因而负荷信息日前已确定.
1.2 元件约束
(1) 风电约束.在日前阶段,考虑每个时间段t ∈T 的风电范围已知,即
(1) U rΣ =$\left\{{P}_{t}^{r\Sigma }\mid {\underset{\_}{P}}_{t}^{r\Sigma }\le {P}_{t}^{r\Sigma }\le {\overline{P}}_{t}^{r\Sigma }, \forall t\right\}$
式中:${\overline{P}}_{t}^{r\Sigma }$ ${\underset{\_}{P}}_{t}^{r\Sigma }$ ${P}_{t}^{r\Sigma }{\}}_{t=1}^{T}$ U rΣ 中的具体场景.
(2) 火电机组约束.通常情况下火电机组需要满足的运行约束为
(2) -ug i,t-1 +ug i,t -ug i,k ≤0, ∀i ,∀t ,∀k ∈{t , t +1, …, Gb i +t -1}
(3) ug i,t-1 -ug i,t +ug i,k ≤1, ∀i ,∀t ,∀k ∈{t ,t +1,…,Hb i +t -1}
(4) ug i,t Pg i,min ≤Pg i,t ≤ug i,t Pg i,max , ∀i ,t
(5) -RD i ≤Pg i,t -Pg i,t-1 ≤RU i , ∀i ,t >1
式中:ug i,t 为表示火电机组i 启停状态的整数变量;Pg i,t 为火电机组i 在t 时刻的实际出力;Pg i,min 、Pg i,max 为其额定的最小、最大出力限制;Gb i 、Hb i 分别为机组的最小开机、停机时段数限制;RD i 、RU i 为爬坡率限制.式(2)和(3)阐述了火电机组的最小开停机时间约束,即开停机时间不能低于规定值;式(4)和(5)为火电机组的出力和爬坡约束.
(3) 储能运行约束.考虑理想情况下的储能装置,即充放电效率为100%且充放电最大功率相等,运行约束如下:
(6) -${P}_{max}^{b}$ ≤Pb i,t ≤${P}_{max}^{b}$ , ∀ i ,t
(7) ${E}_{min}^{b}$ ≤Eb i,t ≤${E}_{max}^{b}$ , ∀ i ,t
(8) Eb i,t =Eb i,t-1 -Pb i,t Δt , ∀i ,t
式中:Pb i,t 、Eb i,t 分别为火电机组i 在t 时刻储能的实际功率和当下容量;${P}_{max}^{b}$ ${E}_{max}^{b}$ ${E}_{min}^{b}$ t 为储能充放电的持续时间,这里取典型值Δt =1 h.式(6)和(7)为储能的功率和容量约束;式(8)为以容量形式表示的储能荷电状态(state of charge,SOC)动态约束,具有时段耦合的特点.
风-火-储系统的元件约束和系统结构限制均为线性约束,考虑到机组启停状态变量为整数变量,所关注的风-火-储系统被建模为一个混合整数线性规划模型.
2 日前调度决策设计
经典的机组组合通常在日前阶段对机组启停等慢动作进行预先计划,为实时调度提供参考.本文在日前调度决策设计部分对经典机组组合加以修改,并在慢动作计划的基础上引入风电可消纳区间的构建,在日前对可控制器件的灵活性进行刻画,为实时调度提供更加丰富的信息参考.首先,构建基本的日前机组组合模型,而后进一步考虑资源的调度灵活性,定义并求解以构建风电可消纳区间.
2.1 考虑发电备用的日前机组组合
经典的机组组合主要用于在日前提前确定机组的启停状态,在此基础上加入修改,引入应对风电波动性的备用容量考虑和对机组利用顺序的约束,不仅使得日前决策能够适应高比例新能源的输入,而且在火电机组配置相同的情况下避免了不公平利用和优化求解退化问题.
引入风电的标称场景{${\hat{P}}_{t}^{r\Sigma }{\}}_{t=1}^{T}$
(9) ${\underset{\_}{P}}_{t}^{r\Sigma }$ ≤${\hat{P}}_{t}^{r\Sigma }$ ≤${\overline{P}}_{t}^{r\Sigma }$ , ∀ t
此场景下火电机组出力${{\hat{P}}^{g}}_{t}$ PB t 运行约束满足式(2)~(8).
(10) ${\sum }_{i}^{}{{\hat{P}}^{g}}_{i,t}$ +${\hat{P}}_{t}^{r\Sigma }$ -PB t Δt =Pl t , ∀ t ,i
为了应对风电的波动性,基于历史风电上下界,考虑备用约束如下:
(11) $\left.\begin{array}{l}{\sum }_{i}^{}{{u}^{g}}_{i,t}{{P}^{g}}_{i,max}+{\underset{\_}{P}}_{t}^{r\Sigma }\ge {{P}^{l}}_{t}+{\overline{R}}_{g}, \forall t,i\\ {\sum }_{i}^{}{{u}^{g}}_{i,t}{{P}^{g}}_{i,min}\le {{P}^{l}}_{t}-{\underset{\_}{P}}_{t}^{r\Sigma }-{\underset{\_}{R}}_{g}, \forall t,i\end{array}\right\}$
式中:${\overline{R}}_{g}$ ${\underset{\_}{R}}_{g}$
除此之外,考虑到火电出力通常来自多台容量一致的机组,为了避免长期使用同一机组导致单一机组利用率过高和优化问题求解的退化情景,设置与时间有关的机组发电优先顺序表,基于本顺序滚动优先利用机组,从而尽可能在启停计划指定的层面上合理利用各台机组.N 台机组发电顺序约束如下:
(12) a ≡D (mod N )+1, ug a,t ≥ug a+1,t …≥ug N,t ≥ug 1,t …≥ug a-1,t , ∀t
式中:a 为重排启用机组的顺序;D 为运行时间,以天计;mod表示取余数.式(12)能够让在不同运行日中的机组轮换优先运行,均衡使用每个机组.
(13) $\left.\begin{array}{ll}min& {\sum }_{i,t}^{}({{C}^{u}}_{i}\left({{u}^{g}}_{i,t}\right)+{{C}^{f}}_{i}\left({{P}^{g}}_{i,t}\right))\\ s.t.& 机组运行约束式\left(2\right)~\left(5\right)\\ & 储能运行约束式\left(6\right)~\left(8\right)\\ & 风电运行约束式\left(9\right)\\ & 标称场景功率约束式\left(10\right)\\ & 系统备用约束式\left(11\right)\\ & 机组利用顺序约束式\left(12\right)\end{array}\right\}$
目标函数主要包括机组启停成本(Cu i )和运行成本(Cf i ),即燃料成本.对于燃料成本,采取一种近似线性化方法进行处理以提升计算速度;对于启停成本,考虑到机组出力的公平性,对启动成本和停机成本均进行设置.
求解式(13)中的机组组合问题,可以得到考虑备用和机组运行排序的火电机组的启停计划及出力可调范围,作为实时调度的计划输入,指导实时场景中的机组运行.
2.2 可消纳区间的定义与构建
在风-火-储联合系统中,火电机组和储能作为系统的可调度装置,能够提供灵活性以应对实时阶段的不确定风电输入,使得系统在尽量满足负荷供应需求的同时,弃风尽可能较少,即尽可能消纳风能.考虑实时风电输入为${P}_{t}^{0}$
(14) -${P}_{t}^{0}$ =${\sum }_{i}^{}{{P}^{G}}_{i,t}$ -PB t -Pl t , ∀ t
式中:PG i,t 为火电机组i 在t 时刻的出力.注意到右端变量均在日前阶段确定可控,而左边的风电输入则是需要应对的不确定量.在此,考虑由右侧可控的变量定义风电可消纳区间,在日前阶段对火电机组和储能提供的调节能力进行量化考虑,对确定可控变量与可再生能源不确定性进行解耦.
首先,引入系统可消纳功率上下界变量{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${{\overline{P}}^{G}}_{t}{\}}_{t=1}^{T}$ ${{\underset{\_}{P}}^{G}}_{t}{\}}_{t=1}^{T}$ ${{\overline{P}}^{B}}_{t}{\}}_{t=1}^{T}$ ${{\overline{P}}^{B}}_{t}{\}}_{t=1}^{T}$
${{\overline{P}}^{G}}_{i,t}$ ${{\underset{\_}{P}}^{G}}_{i,t}$ ~ (5),
(15) 式(11)~ (12)
(16) ${{\overline{P}}^{B}}_{t}$ 、${{\underset{\_}{P}}^{B}}_{t}$ 满足储能运行约束式(6)~ (8)
(17) $\left.\begin{array}{l}-{\underset{\_}{P}}_{t}^{0}={\sum }_{i}^{}{{\overline{P}}^{G}}_{i,t}-{{\underset{\_}{P}}^{B}}_{t}-{{P}^{l}}_{t}, \forall t\\ -{\overline{P}}_{t}^{0}={\sum }_{i}^{}{{\underset{\_}{P}}^{G}}_{i,t}-{{\overline{P}}^{B}}_{t}-{{P}^{l}}_{t}, \forall t\end{array}\right\}$
{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$ . 基于上述设定,为了在实时阶段能够更好地应对不确定的风电输入,需要{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$
(18) max $\frac{1}{T}\sum _{t=1}^{T}\frac{{\overline{P}}_{t}^{0}-{\underset{\_}{P}}_{t}^{0}}{{\overline{P}}_{t}^{r\Sigma }-{\underset{\_}{P}}_{t}^{r\Sigma }}$
(19) s.t. ${\underset{\_}{P}}_{t}^{0}$ ≤${\overline{P}}_{t}^{0}$ , ${{\underset{\_}{P}}^{G}}_{i,t}$ ≤${{\overline{P}}^{G}}_{i,t}$ , ∀ t
(20) ${{\underset{\_}{P}}^{B}}_{t}$ ≤${{\overline{P}}^{B}}_{t}$ , ${{\underset{\_}{E}}^{B}}_{t}$ ≤${{\overline{E}}^{B}}_{t}$ ,∀t
(21) 式(14)~ (15)
(22) 功率平衡约束式(16)
式中:${{\overline{E}}^{B}}_{t}$ ${{\underset{\_}{E}}^{B}}_{t}$ t 时刻储能容量上下界.目标函数式(18)表示归一化考虑后的{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$ . 式(19)和(20)是对可注入功率、储能和火电机组上下边界的联合约束,注意到这里所对应的火电机组可调度出力上下界变量和储能装置可响应上下界变量是求解优化问题后的决策结果,与{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$
{${\overline{P}}_{t}^{0}{\}}_{t=1}^{T}$ ${\underset{\_}{P}}_{t}^{0}{\}}_{t=1}^{T}$ S 实质上是调度提供的消纳能力的一种量化形式,称之为风电可消纳区间,即
(23) S =$\left[{\overline{P}}_{1}^{0}, {\underset{\_}{P}}_{1}^{0}\right]$ ×$\left[{\overline{P}}_{2}^{0}, {\underset{\_}{P}}_{2}^{0}\right]$ ×…×$\left[{\overline{P}}_{T}^{0}, {\underset{\_}{P}}_{T}^{0}\right]$
此区间本质上是由储能和火电机组提供,因此也存在对应储能和火电机组的可消纳区间映射形式:
(24) X =$\left\{\begin{array}{l}{{\overline{P}}^{G}}_{t}, {{\underset{\_}{P}}^{B}}_{t}\\ {{\underset{\_}{P}}^{G}}_{t}, {{\overline{P}}^{B}}_{t}\end{array}\right\}$ , t =1,2,…,T
优化问题式(18)~(22)基于日前阶段已知的火电机组和储能运行约束,求解满足运行约束的注入功率相差的最极端情况,实现了在日前阶段针对待输入的不确定量(即风电),以及确定性灵活装置(即火电机组和储能)的解耦,对含不确定问题的复杂性进行了简化.并且,目标函数具有明确的物理意义,即充分发挥火电机组和储能的灵活性调度潜力.虽然目标函数并未对经济性进行直接优化,但考虑到合理地消纳新能源即可对应地节省火电出力成本,而后者是发电侧经济消耗的主要来源,因此可消纳区间的构建过程本身就间接考虑了经济性.
定义和构建可消纳区间S 和X 代替了通常机组组合在日前阶段产生的机组启停计划作为实时输入,能够提供更丰富的信息,在充分考虑调度潜力的同时,为实时调度提供合理性保证.
3 基于可消纳区间的在线调度
在实时阶段,特定时刻的调度只能基于当下或者过去的信息,而不能基于以后时刻的信息,一般当本时段不确定性被观测到时,才进行决策并执行动作,这一决策特点也被称为序贯性.在线调度策略通常都满足序贯性的要求.针对含有新能源的联合系统,在实时阶段满足决策的序贯性十分重要.
然而,单纯的在线调度容易过于短视,在经济性上表现不佳.基于第2章构建的可消纳区间,提出基于可消纳区间的在线调度策略,并给出该策略可行性的证明,最终形成基于可消纳区间的日前-实时协同优化调度架构.
3.1 基于可消纳区间的在线分位调度策略
在日前阶段通过求解优化问题式(18)~(22)得到可消纳区间S 和X 作为实时阶段的输入,与t 时刻观测到的风电实时输入PR t 协同确定在线策略. 首先引入调度分位数αt ,定义如下:
(25) αt =$\frac{{{P}^{R}}_{t}-{\underset{\_}{P}}_{t}^{0}}{{\overline{P}}_{t}^{0}-{\underset{\_}{P}}_{t}^{0}}$ , ∀ t
由于实时风电出力不一定落在${\left[{\underset{\_}{P}}_{t}^{0},{\overline{P}}_{t}^{0}\right]}_{t\in T}$ αt 的取值存在3种情况.
情况一:${\underset{\_}{P}}_{t}^{0}$ PR t ≤${\overline{P}}_{t}^{0}$ PR t 落在${\left[{\underset{\_}{P}}_{t}^{0},{\overline{P}}_{t}^{0}\right]}_{t\in T}$ αt 直接通过式(25)计算得到.
情况二: PR t >${\overline{P}}_{t}^{0}$ PR t 落在${\left[{\underset{\_}{P}}_{t}^{0},{\overline{P}}_{t}^{0}\right]}_{t\in T}$ αt =1. 调度结果会导致一定的弃风.
情况三:PR t <${\underset{\_}{P}}_{t}^{0}$ PR t 落在${\left[{\underset{\_}{P}}_{t}^{0},{\overline{P}}_{t}^{0}\right]}_{t\in T}$ αt =0. 调度结果可能无法满足负荷需求.
由此可知调度分位数αt 的取值范围为[0,1]. 注意到当日前的可消纳区间足够大时,实时风电出力总能落在区域Ft 内,此时不会导致弃风和弃负荷的发生. 由于基于历史数据的预测往往是保守的,所以实际风电出力有较大概率落在${\left[{\underset{\_}{P}}_{t}^{0},{\overline{P}}_{t}^{0}\right]}_{t\in T}$
观测到实时风电出力后,即可计算对应时刻的调度分位数αt ,直接得出可行的调度策略如下:
(26) ${P}_{i,t}^{G*}$ =αt ${{\underset{\_}{P}}^{G}}_{i,t}$ +(1-αt )${{\overline{P}}^{G}}_{i,t}$ , ∀ i ,t
(27) ${P}_{t}^{B*}$ =αt ${{\overline{P}}^{B}}_{t}$ +(1-αt )${{\underset{\_}{P}}^{B}}_{t}$ , ∀ t
式中:${P}_{i,t}^{G*}$ i 台机组在t 时刻的出力;${P}_{t}^{B*}$ t 时刻的出力. 式(26)和式(27)的策略本质上是利用所引入的调度分位数αt 对火电机组、储能的灵活性边界进行凸组合.本策略仅利用日前得到的可消纳区间和当下观测到的风电出力,符合实时调度决策的序贯性特点.
3.2 在线分位调度的可行性证明
基于αt =0和式(26)、式(27)得到的在线分位策略满足序贯性特点且形式简洁.但在含有不确定性输入的实时调度中,保证可行性更加重要.事实上,所提基于可消纳区间的在线分位调度策略可以保证对于任意风电输入,均能给出可行的调度策略.下面证明策略式(26)和(27)的可行性.
为了分析方便,将可消纳区间构建的优化问题式(18)~(22)改写成如下紧凑形式:
(28) $\left.\begin{array}{l}max \sum _{t=1}^{T}f({\overline{P}}_{t}^{0}-{\underset{\_}{P}}_{t}^{0})\\ s.t {\underset{\_}{P}}_{t}^{0}\le {\overline{P}}_{t}^{0}, {{\underset{\_}{P}}^{G}}_{i,t}\le {{\overline{P}}^{G}}_{i,t}, {{\underset{\_}{P}}^{B}}_{t}\le {{\overline{P}}^{B}}_{t}, \forall t\\ \sum _{\tau =1}^{t}{H}_{\tau }{\stackrel{-}{x}}_{\tau }\le {h}_{t}, \sum _{\tau =1}^{t}{H}_{\tau }{\underset{\_}{x}}_{\tau }\le {h}_{t}, \forall t\\ {g}_{t}({\stackrel{-}{x}}_{t}, {\underset{\_}{P}}_{t}^{0})\le 0, {g}_{t}({\underset{\_}{x}}_{t},{\overline{P}}_{t}^{0})\le 0, \forall t\end{array}\right\}$
式中:Hτ 、ht 为整理后的系数和常数矩阵;gt 为含xt 和${P}_{t}^{0}$ xτ 为整理后的变量,${\stackrel{-}{x}}_{\tau }$ ${\underset{\_}{x}}_{\tau }$
(29) ${\stackrel{-}{x}}_{t}$ ={${{\overline{P}}^{G}}_{t}$ , ${{\underset{\_}{P}}^{B}}_{t}$ },${\underset{\_}{x}}_{t}$ ={${{\underset{\_}{P}}^{G}}_{t}$ , ${{\overline{P}}^{B}}_{t}$ }
${x}_{t}^{r}$
(30) $\sum _{\tau =1}^{t}$ Hτ ${{x}^{r}}_{\tau }$ ≤ht , ∀ t
(31) gt (xr t , PR t )≤0, ∀t
式(30)包含了所有的时间耦合约束;式(31)则是非时间耦合约束的集合.
(32) -PR t =${\sum }_{i}^{}{P}_{i,t}^{G*}$ -${P}_{t}^{B*}$ -Pl t
将调度分位数代入功率平衡方程,改写式(32)为如下形式:
(33) -PR t =(1-αt )(${{\underset{\_}{P}}^{B}}_{t}$ +Pl t -${\sum }_{i}^{}{{\overline{P}}^{G}}_{i,t}$ )+αt (${{\overline{P}}^{B}}_{t}$ +Pl t -${\sum }_{i}^{}{{\underset{\_}{P}}^{G}}_{i,t}$ )= -${P}_{t}^{B*}$ +Pl t -${\sum }_{i}^{}{P}_{i,t}^{G*}$
首先,考虑式(31)包含的非时间耦合约束,基于功率平衡约束可以将其改写为一个仅与xr t 有关的凸函数${\hat{g}}_{t}$ ( xt )的不等式形式${\hat{g}}_{t}$ ( xt )≤0,基于${\hat{g}}_{t}$ ( xt )的凸性,有
(34) ${\hat{g}}_{t}$ (xt )=${\hat{g}}_{t}$ (αt ${\underset{\_}{x}}_{t}$ +(1-αt )${\stackrel{-}{x}}_{t}$ )≤αt ${\hat{g}}_{t}$ (${\underset{\_}{x}}_{t}$ )+(1-αt )${\hat{g}}_{t}$ (${\stackrel{-}{x}}_{t}$ )≤0
由此,可以证明实时调度策略xr t 可以始终满足非时间耦合约束.
本系统中最重要的时间耦合约束是储能的SOC耦合约束.根据储能的运行特点,将SOC耦合约束改写如下:
(35) $\frac{{{E}^{b}}_{j,0}-{\overline{E}}_{j}}{\Delta t}$ ≤$\sum _{\tau =1}^{t}{{P}^{B}}_{j,\tau }$ ≤$\frac{{{E}^{b}}_{j,0}-{\underset{\_}{E}}_{j}}{\Delta t}$ , ∀ t
式中:Ej 为储能的能量功率,${\overline{E}}_{j}$ ${\underset{\_}{E}}_{j}$ ${{P}^{B}}_{j,\tau }$ j 个储能τ 时刻的出力.
对于式(35)中的第1个不等式,根据可消纳区间构建中的联合约束式(20),有
(36) $\sum _{\tau =1}^{t}{{P}^{B}}_{j,\tau }$ =$\sum _{\tau =1}^{t}$ [ατ ${{\overline{P}}^{B}}_{j,\tau }$ +(1-ατ )${{\underset{\_}{P}}^{B}}_{j,\tau }$ ]=$\sum _{\tau =1}^{t}$ [${{\underset{\_}{P}}^{B}}_{j,\tau }$ +ατ (${{\overline{P}}^{B}}_{j,\tau }$ -${{\underset{\_}{P}}^{B}}_{j,\tau }$ )]≥$\sum _{\tau =1}^{t}{{\underset{\_}{P}}^{B}}_{j,\tau }$ ≥$\frac{{E}_{j,0}-{\overline{E}}_{j}}{\Delta t}$
(37) $\sum _{\tau =1}^{t}{{P}^{B}}_{j,\tau }$ =$\sum _{\tau =1}^{t}$ [ατ ${{\overline{P}}^{B}}_{j,\tau }$ +(1-ατ )${{\underset{\_}{P}}^{B}}_{j,\tau }$ ]=$\sum _{\tau =1}^{t}$ [${{\overline{P}}^{B}}_{j,\tau }$ -(1-ατ )(${{\overline{P}}^{B}}_{j,\tau }$ -${{\underset{\_}{P}}^{B}}_{j,\tau }$ )]≤$\sum _{\tau =1}^{t}{{\overline{P}}^{B}}_{j,\tau }$ ≤$\frac{{E}_{j,0}-{\underset{\_}{E}}_{j}}{\Delta t}$
根据式(36)和(37),可以证明实时调度策略xr t 始终可以满足系统中的时间耦合约束.综合对于非时间耦合约束和时间耦合约束的可行性证明,可知所提在线分位策略对于任意一个风电的输入,都能保证存在一个满足系统约束的可行性策略,即保证在实时阶段始终可行.
3.3 日前-实时协同优化
基于可消纳区间的在线分位调度策略,利用调度分位数对可消纳区间的边界进行凸组合,无需在实时阶段求解优化问题即可得到可行的调度策略.其中,可消纳区间提供经过处理的日前信息,为实时决策提供参考以提高效率,避免短视;在实时阶段,系统捕捉风电观测后进行决策,与日前提供的信息进行协同,因而调度结果能够兼顾经济性的同时保证决策的序贯性.
日前计划和实时调度经由可消纳区间协同,共同组成图2 所示日前-实时协同优化调度架构,该方法充分考虑工业实际,适用于考虑不确定性的风-火-储联合系统.
图2
图2
日前-实时协同优化调度架构
Fig.2
Framework of integrated day-ahead scheduling and real-time dispatch
4 算例分析
4.1 算例基本设置
基于 MATLAB R2021b和Gurobi9.1进行策略实现和调度计算.算例以2021年某风电场的风电出力数据与某园区负荷数据为研究对象,并考虑其配备 1 000 MW 的储能.风电功率箱型图和负荷数据箱型图分别如图3 和图4 所示.图中:蓝色框表示50%置信区间,框内红线表示中位数,框外红色加号表示异常值.其他参数设置如表1 所示.
图3
图3
风力发电功率箱型图
Fig.3
Boxplot of wind power generation
图4
图4
负荷功率箱型图
Fig.4
Boxplot of load power
4.2 典型日基本调度结果
基于历史数据得到非精确的风电预测区间,据此进行日前计划,构建可消纳区间并基于实时风电输入得到对应的策略.所提方法在某典型日中的实施情况如图5 所示.图中区间均基于优化问题式(18)~(22)的求解,在日前阶段完成.图5(a) 中黑线代表实时观测的数据,以t 1 =16 h时刻为例,在观测到风电输入(红色点)后,基于式(25)计算得到调度分位数反馈到动作可消纳区间中.图5(b) 的火电机组依据可注入、可消纳区间计算得到的调度分位数,代入式(28)得到火电的在线策略,图中黑色线即实时火电动作.
图5
图5
基于可消纳区间的调度
Fig.5
Dispatch based on flexibility interval
事实上,如第3章所指出,实时功率和可消纳区间的包含关系存在3种可能,分别会导致弃风、弃负荷和正常运行.在图5 的典型日中,t =19, 20 h 的时刻出现弃风现象,此时实时注入大于可注入、可消纳区间的下边界.该情况同样可以通过调度分位数的计算进行观察,如图6 所示,在t =19, 20 h 时刻,调度分位数α =1.
图6
图6
调度分位数
Fig.6
Dispatch quantile ratio
事实上,虽然可能出现弃负荷或弃风情况,但由于在可消纳区间的构建过程中利用基于历史数据的风电出力边界作为参考,实际风电出力有较大可能落在所得可消纳区间里,所以本方法在非极端场景中仍表现出色.
4.3 对比分析
为了验证所提方法进行实时决策的有效性与先进性,基于同一个日前机组组合启停计划和出力区间,在实时阶段设置如下3种方法与所提方法进行对比分析:
(1) 离线优化(B1),即根据完全已知的日内信息进行优化,在实际情况中不会真实发生,常作为验证方法有效性的基准.
(2) 贪婪算法(B2),仅在当前时刻进行优化求解,完全不依赖未来的信息.
(3) MPC优化(B3),对未来L -1时段的随机变量以其预测值代替,在下一时段根据实时预测值对策略进行滚动更新.考虑到预测的非精确性,本文设置了预测误差为e =10%,20%的两种情形,并设定L =3.
基于离线优化提供的运行最优值参考,定义了优化间隙(O P )作为另一个衡量策略表现的指标:
(38) O P =$\frac{v-{v}_{0}}{{v}_{0}}$
式中:v 为特定策略的运行成本最优策略值;v 0 为离线策略的运行成本最优策略值.
考虑到风电无法被准确预估,大多数方法都可能存在弃风、弃负荷的情况,因此对于弃风、弃负荷的惩罚成本与机组启停和运行成本协同考虑,记作总成本,定义如下:
(39) C total =${\sum }_{i,t}^{}{{C}^{u}}_{i}$ (ug i,t )+${\sum }_{i,t}^{}{{C}^{f}}_{i}$ (${P}_{i,t}^{G*}$ )+$\mathrm{ }{\sum }_{t}^{}$ γ (-Pl t -${P}_{t}^{B*}$ +Pr t +${\sum }_{i}^{}{P}_{i,t}^{G*}$ )
表2 中给出对比算例与所提方法在总成本、运行成本、优化间隙的比较.表中:空白表示不适用.其中,总成本、运行成本和优化间隙是基于不同方法,计算一年365 d场景随机抽样100 d的实时阶段所得均值.由表可见,相较于MPC优化和所提算法,贪婪算法的运行成本最低,对应的运行成本优化间隙也最小,这是由于贪婪算法总是做出短视的决策,仅考虑当前时刻的最优调度.在含有储能和火电机组的系统中,由于时间耦合的运行特性,短视会导致弃风和弃负荷的发生,所以B2具有最高总成本.若设置弃风或弃负荷率限制,B2的结果将可能不可行.所提方法虽然运行成本略高于B2,但其总成本在所有方法中最低,对应弃风和弃负荷现象较少,能够更好保证运行安全性.
在和MPC优化方法(B3)的比较中,注意到随着预测误差的上升,MPC优化的总成本和运行成本逐渐升高,所提方法相较3步情况下预测误差e =10%, 20%的MPC优化,在总成本和优化间隙两个尺度都表现更好.在实际情境中,很难将3步的预测误差控制在10%以内,因此所提方法在实际工程中应用价值很大.
4.4 敏感性分析
所提方法通过日前构造的可消纳区间来实现信息的聚合,为实时调度提供参考.灵活性资源对于调度结果必定存在影响,储能作为电力系统中的灵活性资源,其参数会影响可消纳区间的构建进而影响调度结果.
考虑到同容量和同额定功率的不同类型储能的可行SOC范围不同,因此研究SOC范围对调度结果的影响,结果如表3 所示.在表3 中,表现最好的区间是[0.2,0.95],这表明在相对变化范围相同的情况下,较高的SOC上界相比较低的SOC下界更能在系统中发挥缩减成本的作用.而对比[0.2,0.8]和[0.15,0.8]可以看出,SOC范围并非越大越好,同样的上界条件下,较高的下界反而有较高的经济性.由此推测,储能在系统中作为存储能量装置更有利于缩减成本,即系统更倾向于让储能进行充电而不希望过度充电,因此做定性考虑,在风火储系统中使用具有较高上界和较高下界的储能装置更有利于提升系统的经济性.
5 结语
本文研究了风-火-储联合系统的运行调度问题,提出一种基于可消纳区间的风-火-储联合系统协调优化调度方法.首先,建立基于可消纳区间的日前调度决策模型,该框架在日前阶段对慢动作进行计划,基于火电启停计划及出力范围对调度消纳能力进行量化考虑,得到日前可消纳风电区间;该区间作为计划量为实时决策提供参考.随后,在实时阶段设计基于可消纳区间的在线分位调度策略,该策略能够保证实时决策的可行性并且兼顾经济较优和计算效率.通过算例与以MPC方法为代表的优化策略进行实时调度结果的对比,验证了所提方法的有效性,同时分析了储能SOC范围对于所提策略经济性表现的影响.对比分析的结果也表明,提高日前预测的精度或者日内短期预测的精度均能改善实时阶段运行调度的经济性表现.既有研究往往仅强调日内预测精度的重要性,而所提方法实现了风-火-储联合系统的日前-实时协同优化调度,在经济性和安全性方面均表现良好,能够为我国新能源大基地运行调度提供参考.
参考文献
View Option
[1]
韩肖清 , 李廷钧 , 张东霞 , 等 . 双碳目标下的新型电力系统规划新问题及关键技术
[J]. 高电压技术 , 2021 , 47 (9 ): 3036 -3046 .
[本文引用: 1]
HAN Xiaoqing LI Tingjun ZHANG Dongxia et al New issues and key technologies of new power system planning under double carbon goals
[J]. High Voltage Engineering , 2021 , 47 (9 ): 3036 -3046 .
[本文引用: 1]
[2]
黄强 , 郭怿 , 江建华 , 等 . “双碳” 目标下中国清洁电力发展路径
[J]. 上海交通大学学报 , 2021 , 55 (12 ): 1499 -1509 .
DOI:10.16183/j.cnki.jsjtu.2021.272
[本文引用: 1]
目前,第三次能源革命已经开始,为了减少碳排放,发达国家先后制定了清洁能源发展战略,并公布了放弃火电、核电的时间表.与此同时,中国也向世界作出承诺:2030年前碳排放达峰,2060年实现碳中和.因此,在“双碳”目标下,研究清洁电力发展路径具有重要意义.分析了中国水、风、光等清洁能源储量及其特征,预测了中长期电力需求,依据电力电量平衡原理,估算了2030和2050规划水平年电力系统结构组成,并分析了未来CO<sub>2</sub>排放趋势,提出了未来中国清洁电力的发展对策与建议.结果表明:预计2027年中国电力系统将实现“碳达峰”;2030年中国清洁电力发电量将超过总发电量的50%;2050年火电、核电将被水、风、光等清洁电力全部取代,电力行业将实现CO<sub>2</sub>的“零排放”,基本全面实现电力系统的绿色转型,以响应国家的“双碳”目标.
HUANG Qiang GUO Yi JIANG Jianhua et al Development pathway of China’s clean electricity under carbon peaking and carbon neutrality goals
[J]. Journal of Shanghai Jiao Tong University , 2021 , 55 (12 ): 1499 -1509 .
[本文引用: 1]
[3]
王骞 , 张学广 , 朱玲 , 等 . 含整体煤气化燃料电池-碳捕集电厂的风火储系统分布鲁棒调度方法
[J]. 中国电机工程学报 , 2024 , 44 (9 ): 3573 -3588 .
[本文引用: 1]
WANG Qian ZHANG Xueguang ZHU Ling et al Robust scheduling method for wind-fire-energy storage system with integrated gasification fuel cell and carbon capture power plant
[J]. Proceedings of the CSEE , 2024 , 44 (9 ): 3573 -3588 .
[本文引用: 1]
[4]
黄远明 , 张玉欣 , 夏赞阳 , 等 . 考虑需求响应资源和储能容量价值的新型电力系统电源规划方法
[J]. 上海交通大学学报 , 2023 , 57 (4 ): 432 -441 .
DOI:10.16183/j.cnki.jsjtu.2021.477
[本文引用: 1]
高比例可再生能源的接入对电力系统容量充裕性带来了新的挑战,系统必须具备充足的置信容量应对可再生能源的出力波动性和随机性.由于储能置信容量与电源规划结果的非线性关系,传统电源规划方法难以准确计算储能置信容量并建立系统置信容量充裕度约束.通过综合考虑火电、可再生能源、储能以及需求侧响应建立了电源规划模型,内嵌全年8 760时段生产运行模拟以确保系统具有充足灵活性,同时改进容量充裕性约束以考虑需求响应资源和储能的容量价值.针对储能置信容量的非线性问题,设计了迭代算法进行求解,并用某区域电力系统验证了模型的有效性.结果表明,高比例可再生能源系统中,影响系统成本的主要因素是灵活性约束,引入少量需求侧响应资源可大幅降低系统成本,为未来高比例可再生资源电力系统规划问题提供了新的思路.
HUANG Yuanming ZHANG Yuxin XIA Zanyang et al Power system planning considering demand response resources and capacity value of energy storage
[J]. Journal of Shanghai Jiao Tong University , 2023 , 57 (4 ): 432 -441 .
[本文引用: 1]
[5]
LÓPEZ-GRAJALES A M GONZÁLEZ-SANCHEZ J W CARDONA-RESTREPO H A et al Economy, financial, and regulatory method for the integration of electrical energy storage in a power network
[J]. Journal of Energy Storage , 2023 , 58 : 106433 .
[本文引用: 1]
[6]
ABDALLA A N NAZIR M S TAO H et al Integration of energy storage system and renewable energy sources based on artificial intelligence: An overview
[J]. Journal of Energy Storage , 2021 , 40 : 102811 .
[本文引用: 1]
[7]
BAFRANI H A SEDIGHIZADEH M DOWLATSHAHI M et al Reliability and reserve in day ahead joint energy and reserve market stochastic scheduling in presence of compressed air energy storage
[J]. Journal of Energy Storage , 2021 , 43 : 103194 .
[本文引用: 1]
[8]
汪超群 , 韦化 , 吴思缘 . 计及风电不确定性的随机安全约束机组组合
[J]. 电网技术 , 2017 , 41 (5 ): 1419 -1427 .
WANG Chaoqun WEI Hua WU Siyuan Stochastic-security-constrained unit commitment considering uncertainty of wind power
[J]. Power System Technology , 2017 , 41 (5 ): 1419 -1427 .
[9]
WU H Y SHAHIDEHPOUR M LI Z Y et al Chance-constrained day-ahead scheduling in stochastic power system operation
[J]. IEEE Transactions on Power Systems , 2014 , 29 (4 ): 1583 -1591 .
[本文引用: 1]
[10]
BERTSIMAS D LITVINOV E SUN X A et al Adaptive robust optimization for the security constrained unit commitment problem
[J]. IEEE Transactions on Power Systems , 2013 , 28 (1 ): 52 -63 .
[本文引用: 1]
[11]
ZEYNALI S ROSTAMI N AHMADIAN A et al Robust multi-objective thermal and electrical energy hub management integrating hybrid battery-compressed air energy storage systems and plug-in-electric-vehicle-based demand response
[J]. Journal of Energy Storage , 2021 , 35 : 102265 .
[12]
李建林 , 张则栋 , 梁策 , 等 . 计及源-荷不确定性的综合能源系统多目标鲁棒优化调度
[J]. 上海交通大学学报 , 2025 , 59 (2 ): 175 -185 .
DOI:10.16183/j.cnki.jsjtu.2023.238
[本文引用: 1]
在新型电力系统建设下,电-热-氢多能源互联互通的综合能源系统将成为重要发展方向之一,但其全寿命周期运营经济性和能源供应可靠性受系统初始设备容量和日运行方案影响.因此,提出一种考虑源-荷不确定性的多目标两阶段鲁棒优化研究方法.建立了包含燃料电池、电解槽等装置的电-热-氢并网运行模型,采用分层拉丁超立方体抽样和Euclidean距离的场景削减方法增添源-荷不确定性因素,并采用两阶段鲁棒优化算法进行求解.算例对比分析了4类系统规定运行条件下设备投资等年值成本和典型日运行成本,验证所提方法可有效缓解源-荷不确定性对综合能源系统配置和运行规划的影响,研究成果有望为未来综合能源系统建设和运营提供新的思路.
LI Jianlin ZHANG Zedong LIANG Ce et al Multi-objective robust optimization dispatch for integrated energy systems considering source-load uncertainty
[J]. Journal of Shanghai Jiao Tong University , 2025 , 59 (2 ): 175 -185 .
[本文引用: 1]
[13]
XIONG P JIRUTITIJAROEN P SINGH C A distributionally robust optimization model for unit commitment considering uncertain wind power generation
[J]. IEEE Transactions on Power Systems , 2017 , 32 (1 ): 39 -49 .
[本文引用: 1]
[14]
ZHENG X D QU K P LV J Q et al Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization
[J]. IEEE Transactions on Sustainable Energy , 2021 , 12 (2 ): 944 -954 .
[15]
马洪艳 , 贠靖洋 , 严正 . 基于分布鲁棒优化的灵活爬坡备用调度方法
[J]. 中国电机工程学报 , 2020 , 40 (19 ): 6121 -6132 .
MA Hongyan YUN Jingyang YAN Zheng Distributionally robust optimization based dispatch methodology of flexible ramping products
[J]. Proceedings of the CSEE , 2020 , 40 (19 ): 6121 -6132 .
[16]
杨策 , 孙伟卿 , 韩冬 , 等 . 考虑风电出力不确定的分布鲁棒经济调度
[J]. 电网技术 , 2020 , 44 (10 ): 3649 -3655 .
[本文引用: 1]
YANG Ce SUN Weiqing HAN Dong et al Distributionally-robust economic dispatch considering uncertain wind power output
[J]. Power System Technology , 2020 , 44 (10 ): 3649 -3655 .
[本文引用: 1]
[17]
TANG Y ZHAI Q Z ZHAO J X Multi-stage robust economic dispatch with virtual energy storage and renewables based on a single level model
[J]. IEEE Transactions on Automation Science & Engineering , 2024 , 21 (4 ): 5490 -5502 .
[本文引用: 1]
[18]
LIN S J FAN G S JIAN G Y et al Stochastic economic dispatch of power system with multiple wind farms and pumped-storage hydro stations using approximate dynamic programming
[J]. IET Renewable Power Generation , 2020 , 14 (13 ): 2507 -2516 .
[本文引用: 1]
[19]
韦化 , 龙丹丽 , 黎静华 . 求解大规模机组组合问题的策略迭代近似动态规划
[J]. 中国电机工程学报 , 2014 , 34 (25 ): 4420 -4429 .
WEI Hua LONG Danli LI Jinghua Policy iteration-approximate dynamic programming for large scale unit commitment problems
[J]. Proceedings of the CSEE , 2014 , 34 (25 ): 4420 -4429 .
[20]
XIONG H B SHI Y H CHEN Z et al Multi-stage robust dynamic unit commitment based on pre-extended-fast robust dual dynamic programming
[J]. IEEE Transactions on Power Systems , 2023 , 38 (3 ): 2411 -2422 .
[本文引用: 1]
[21]
包宇庆 , 王蓓蓓 , 李扬 , 等 . 考虑大规模风电接入并计及多时间尺度需求响应资源协调优化的滚动调度模型
[J]. 中国电机工程学报 , 2016 , 36 (17 ): 4589 -4600 .
[本文引用: 1]
BAO Yuqing WANG Beibei LI Yang et al Rolling dispatch model considering wind penetration and multi-scale demand response resources
[J]. Proceedings of the CSEE , 2016 , 36 (17 ): 4589 -4600 .
[本文引用: 1]
[22]
KHALID M SAVKIN A V A model predictive control approach to the problem of wind power smoothing with controlled battery storage
[J]. Renewable Energy , 2010 , 35 (7 ): 1520 -1526 .
[23]
DI GIORGIO A LIBERATI F LANNA A et al Model predictive control of energy storage systems for power tracking and shaving in distribution grids
[J]. IEEE Transactions on Sustainable Energy , 2017 , 8 (2 ): 496 -504 .
[24]
ZHAO Z L GUO J T LUO X et al Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty
[J]. IEEE Transactions on Smart Grid , 2022 , 13 (3 ): 2107 -2120 .
[本文引用: 1]
[25]
LIN M H LIU Z H WIERMAN A et al Online algorithms for geographical load balancing
[C]// 2012 International Green Computing Conference . San Jose, USA : IEEE , 2012 : 1 -10 .
[本文引用: 1]
[26]
ZHANG J QIN D YE Y C et al Multi-time scale economic scheduling method based on day-ahead robust optimization and intraday MPC rolling optimization for microgrid
[J]. IEEE Access , 2021 , 9 : 140315 -140324 .
[本文引用: 1]
双碳目标下的新型电力系统规划新问题及关键技术
1
2021
... 如今,能源供需矛盾和环境污染问题已成为全球性难题,建设以新能源为主体的新型电力系统是可持续发展的必然选择[1 ] .我国风光资源分布特点决定了其集中开发、远距离输送的利用模式.近年来,我国可再生能源装机容量逐年增长,以风力发电(风电)、光伏发电(光电)为代表的可再生能源发电在电力系统中的比例也迅速提高.国家能源局2022年全国电力工业统计数据显示,2022全年我国风电装机容量约0.37 TW,太阳能发电装机容量约0.39 TW,风电、光电装机总和占总装机容量的30%.但是,由于新能源存在间歇性、波动性和随机性的特点,所以其大规模接入电网增加了电力调度中的不确定性,为系统的电量平衡和调度运行带来挑战[2 ] . ...
New issues and key technologies of new power system planning under double carbon goals
1
2021
... 如今,能源供需矛盾和环境污染问题已成为全球性难题,建设以新能源为主体的新型电力系统是可持续发展的必然选择[1 ] .我国风光资源分布特点决定了其集中开发、远距离输送的利用模式.近年来,我国可再生能源装机容量逐年增长,以风力发电(风电)、光伏发电(光电)为代表的可再生能源发电在电力系统中的比例也迅速提高.国家能源局2022年全国电力工业统计数据显示,2022全年我国风电装机容量约0.37 TW,太阳能发电装机容量约0.39 TW,风电、光电装机总和占总装机容量的30%.但是,由于新能源存在间歇性、波动性和随机性的特点,所以其大规模接入电网增加了电力调度中的不确定性,为系统的电量平衡和调度运行带来挑战[2 ] . ...
“双碳” 目标下中国清洁电力发展路径
1
2021
... 如今,能源供需矛盾和环境污染问题已成为全球性难题,建设以新能源为主体的新型电力系统是可持续发展的必然选择[1 ] .我国风光资源分布特点决定了其集中开发、远距离输送的利用模式.近年来,我国可再生能源装机容量逐年增长,以风力发电(风电)、光伏发电(光电)为代表的可再生能源发电在电力系统中的比例也迅速提高.国家能源局2022年全国电力工业统计数据显示,2022全年我国风电装机容量约0.37 TW,太阳能发电装机容量约0.39 TW,风电、光电装机总和占总装机容量的30%.但是,由于新能源存在间歇性、波动性和随机性的特点,所以其大规模接入电网增加了电力调度中的不确定性,为系统的电量平衡和调度运行带来挑战[2 ] . ...
Development pathway of China’s clean electricity under carbon peaking and carbon neutrality goals
1
2021
... 如今,能源供需矛盾和环境污染问题已成为全球性难题,建设以新能源为主体的新型电力系统是可持续发展的必然选择[1 ] .我国风光资源分布特点决定了其集中开发、远距离输送的利用模式.近年来,我国可再生能源装机容量逐年增长,以风力发电(风电)、光伏发电(光电)为代表的可再生能源发电在电力系统中的比例也迅速提高.国家能源局2022年全国电力工业统计数据显示,2022全年我国风电装机容量约0.37 TW,太阳能发电装机容量约0.39 TW,风电、光电装机总和占总装机容量的30%.但是,由于新能源存在间歇性、波动性和随机性的特点,所以其大规模接入电网增加了电力调度中的不确定性,为系统的电量平衡和调度运行带来挑战[2 ] . ...
含整体煤气化燃料电池-碳捕集电厂的风火储系统分布鲁棒调度方法
1
2024
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
Robust scheduling method for wind-fire-energy storage system with integrated gasification fuel cell and carbon capture power plant
1
2024
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
考虑需求响应资源和储能容量价值的新型电力系统电源规划方法
1
2023
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
Power system planning considering demand response resources and capacity value of energy storage
1
2023
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
Economy, financial, and regulatory method for the integration of electrical energy storage in a power network
1
2023
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
Integration of energy storage system and renewable energy sources based on artificial intelligence: An overview
1
2021
... 为减小新能源的波动性,大型风光基地通常配套一定容量的火电和储能设施,发电通过高压直流外送[3 ] .但是,火电机组会产生一定碳排放并且具有不可忽略的启停和运行成本,而储能的安装维护成本仍然相对较高[4 ] .因此,出于环境友好和经济性考虑,发电侧灵活性资源的调节能力具有局限性[5 -6 ] .结合电力系统的环境友好、稳定运行和经济较优的需求,考虑风-火-储联合系统协调优化调度策略至关重要. ...
Reliability and reserve in day ahead joint energy and reserve market stochastic scheduling in presence of compressed air energy storage
1
2021
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
计及风电不确定性的随机安全约束机组组合
0
2017
Stochastic-security-constrained unit commitment considering uncertainty of wind power
0
2017
Chance-constrained day-ahead scheduling in stochastic power system operation
1
2014
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Adaptive robust optimization for the security constrained unit commitment problem
1
2013
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Robust multi-objective thermal and electrical energy hub management integrating hybrid battery-compressed air energy storage systems and plug-in-electric-vehicle-based demand response
0
2021
计及源-荷不确定性的综合能源系统多目标鲁棒优化调度
1
2025
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Multi-objective robust optimization dispatch for integrated energy systems considering source-load uncertainty
1
2025
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
A distributionally robust optimization model for unit commitment considering uncertain wind power generation
1
2017
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization
0
2021
基于分布鲁棒优化的灵活爬坡备用调度方法
0
2020
Distributionally robust optimization based dispatch methodology of flexible ramping products
0
2020
考虑风电出力不确定的分布鲁棒经济调度
1
2020
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Distributionally-robust economic dispatch considering uncertain wind power output
1
2020
... 现有关于新能源电力系统调度的研究大多聚焦于日前计划,如机组组合问题,主要采用两阶段随机规划[7 9 ] 、鲁棒优化[10 12 ] 、分布鲁棒优化[13 16 ] 等方法应对风光出力的不确定性.这些方法都具有两阶段结构,在决策过程中假设未来时段中不确定参数可以一次性观测到.在实际调度中,风光出力的观测和调度决策交替进行.传统的两阶段方法应用于实时调度时,由于信息结构具有局限性,所以在涉及时段耦合约束时可能存在不可行的情况. ...
Multi-stage robust economic dispatch with virtual energy storage and renewables based on a single level model
1
2024
... 为了解决上述问题,有文献提出多阶段鲁棒优化方法[17 ] 和动态规划方法[18 20 ] 等进行实时调度,通过额外的约束条件实现具有因果信息结构的调度策略.在本文考虑的新能源大基地中,由于常规机组容量低、灵活性不足,采用多阶段鲁棒优化建模其运行问题通常没有鲁棒可行解,所以也不存在经典鲁棒优化意义下的调度策略.动态规划方法多阶段决策问题的解决提供了另一种思路,即利用历史数据进行离线训练,采用成本函数来反映当前调度决策对未来的影响.但是,成本函数的求解通常比较困难,在处理大规模问题时可能会出现“维数灾”问题,在计算资源紧缺时经常存在求解困难. ...
Stochastic economic dispatch of power system with multiple wind farms and pumped-storage hydro stations using approximate dynamic programming
1
2020
... 为了解决上述问题,有文献提出多阶段鲁棒优化方法[17 ] 和动态规划方法[18 20 ] 等进行实时调度,通过额外的约束条件实现具有因果信息结构的调度策略.在本文考虑的新能源大基地中,由于常规机组容量低、灵活性不足,采用多阶段鲁棒优化建模其运行问题通常没有鲁棒可行解,所以也不存在经典鲁棒优化意义下的调度策略.动态规划方法多阶段决策问题的解决提供了另一种思路,即利用历史数据进行离线训练,采用成本函数来反映当前调度决策对未来的影响.但是,成本函数的求解通常比较困难,在处理大规模问题时可能会出现“维数灾”问题,在计算资源紧缺时经常存在求解困难. ...
求解大规模机组组合问题的策略迭代近似动态规划
0
2014
Policy iteration-approximate dynamic programming for large scale unit commitment problems
0
2014
Multi-stage robust dynamic unit commitment based on pre-extended-fast robust dual dynamic programming
1
2023
... 为了解决上述问题,有文献提出多阶段鲁棒优化方法[17 ] 和动态规划方法[18 20 ] 等进行实时调度,通过额外的约束条件实现具有因果信息结构的调度策略.在本文考虑的新能源大基地中,由于常规机组容量低、灵活性不足,采用多阶段鲁棒优化建模其运行问题通常没有鲁棒可行解,所以也不存在经典鲁棒优化意义下的调度策略.动态规划方法多阶段决策问题的解决提供了另一种思路,即利用历史数据进行离线训练,采用成本函数来反映当前调度决策对未来的影响.但是,成本函数的求解通常比较困难,在处理大规模问题时可能会出现“维数灾”问题,在计算资源紧缺时经常存在求解困难. ...
考虑大规模风电接入并计及多时间尺度需求响应资源协调优化的滚动调度模型
1
2016
... 滚动优化是实时调度的另一典型方法,也称模型预测控制(model predictive control,MPC)[21 24 ] .此类方法通过短期风光出力预测构建多时段调度模型,将未来时段的随机变量以其预测值代替,优化求解后只采用当前时段的调度策略,在下一时刻根据实时预测值对策略进行滚动更新.此类方法的表现很大程度上取决于风光出力预测精度[25 ] .现有研究表明,大范围风光出力预测可以较好地利用时空相关性从而降低预测误差,但本文考虑的新能源大基地属于局部电网,预测误差难以有效提升. ...
Rolling dispatch model considering wind penetration and multi-scale demand response resources
1
2016
... 滚动优化是实时调度的另一典型方法,也称模型预测控制(model predictive control,MPC)[21 24 ] .此类方法通过短期风光出力预测构建多时段调度模型,将未来时段的随机变量以其预测值代替,优化求解后只采用当前时段的调度策略,在下一时刻根据实时预测值对策略进行滚动更新.此类方法的表现很大程度上取决于风光出力预测精度[25 ] .现有研究表明,大范围风光出力预测可以较好地利用时空相关性从而降低预测误差,但本文考虑的新能源大基地属于局部电网,预测误差难以有效提升. ...
A model predictive control approach to the problem of wind power smoothing with controlled battery storage
0
2010
Model predictive control of energy storage systems for power tracking and shaving in distribution grids
0
2017
Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty
1
2022
... 滚动优化是实时调度的另一典型方法,也称模型预测控制(model predictive control,MPC)[21 24 ] .此类方法通过短期风光出力预测构建多时段调度模型,将未来时段的随机变量以其预测值代替,优化求解后只采用当前时段的调度策略,在下一时刻根据实时预测值对策略进行滚动更新.此类方法的表现很大程度上取决于风光出力预测精度[25 ] .现有研究表明,大范围风光出力预测可以较好地利用时空相关性从而降低预测误差,但本文考虑的新能源大基地属于局部电网,预测误差难以有效提升. ...
Online algorithms for geographical load balancing
1
2012
... 滚动优化是实时调度的另一典型方法,也称模型预测控制(model predictive control,MPC)[21 24 ] .此类方法通过短期风光出力预测构建多时段调度模型,将未来时段的随机变量以其预测值代替,优化求解后只采用当前时段的调度策略,在下一时刻根据实时预测值对策略进行滚动更新.此类方法的表现很大程度上取决于风光出力预测精度[25 ] .现有研究表明,大范围风光出力预测可以较好地利用时空相关性从而降低预测误差,但本文考虑的新能源大基地属于局部电网,预测误差难以有效提升. ...
Multi-time scale economic scheduling method based on day-ahead robust optimization and intraday MPC rolling optimization for microgrid
1
2021
... 在实际运行中,煤电机组状态往往需要提前一天确定,机组出力可以采用滚动优化进行实时调度,因此需要日前计划和日内或实时调度的有效配合.由于两阶段优化和动态规划固有框架具有差异,所以难以实现日前阶段与实时阶段的有效结合.近年来,部分研究着眼于日前-实时的协调配合,一种典型的处理方法是根据日前计划计算机组出力的参考曲线,实时调度中要求机组尽量跟踪参考曲线[26 ] .此类方法利用了日前信息,当日前预测误差不大时具有很好的效果,但若日前预测误差较大,则跟踪计划曲线表现可能不佳. ...
