【技術實現步驟摘要】
本專利技術涉及電力系統優化運行方法領域，具體涉及一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法。
技術介紹
1、隨著新能源滲透率的增加，常規電源被非同步電源大幅替代的形勢下，電力系統慣量水平不斷降低，頻率穩定問題日益凸顯。而隨著高比例電力系統中虛擬慣量技術的發展，系統的慣量形式更加多樣化，涵蓋了在調速系統作用前所有參與抑制頻率變化的因素。系統廣義慣量被定義為所有能進行慣性響應的慣量形式之和，包含同步機的旋轉慣量、電壓源虛擬同步控制的虛擬慣量、電流源慣量控制的虛擬慣量，以及負荷層面的靜態負荷、異步電動機提供的慣量?？紤]動態頻率約束的機組組合模型的研究中大多只考慮了被調度部門已知參數信息的同步發電機的慣量，并未在模型中探究其他多種慣量資源的共同作用。
2、隨著系統慣量評估和系統慣量預測的發展，目前的系統慣量評估可建立系統等效慣量的歷史數據樣本，將系統等效慣量減去調度部門所掌握參數信息的機組慣量，可得到系統其余慣量的歷史數據樣本，同時通過人工智能以及數據驅動技術根據新能源以及負荷預測等信息實現對未來一段時間內不被調度部門所掌握的慣量的趨勢預測。而受到預測模型本身以及預測數據信息的不確定性影響，對慣量的預測結果也存在較高的不確定性。因此需要在日前調度中進行考慮此因素不確定的影響。
3、基于上述背景，將未被調度部門掌握的等效慣量納入頻率響應體系，完善系統整體慣量體系，并考慮常規慣量點預測模型的不確定性和風電的不確定性，對日前調度的頻率安全穩定具有重要意義。
技術實現思路<
1、本專利技術提供一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，該方法綜合考慮了系統整體慣量的影響，并考慮了慣量預測的不確定性和風電不確定性，使得機組組合模型更具有頻率安全性和經濟性。
2、本專利技術采取的技術方案為：
3、一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，包括以下步驟：
4、步驟1：獲取電力系統中每臺同步發電機組的技術參數、經濟參數、負荷預測數據和風電場功率預測值，以及電力系統中的rocof(rate?of?change?of?frequency，即頻率變化率)保護整定值和頻率極值允許范圍；
5、步驟2：考慮慣量和風電雙重不確定性，選取慣量預測誤差概率密度函數以及風電預測誤差概率分布函數，利用拉丁抽立法場景生成和k-means場景聚類，得到風電和慣量多離散場景和對應的場景概率；
6、步驟3：在頻率響應過程中，計及未被調度部門掌握的慣量，根據動態頻率穩定范圍推導出系統包含慣量誤差的動態頻率約束；
7、步驟4：在初始場景概率分布的基礎上，綜合1-范數和∞-范數概率分布不確定置信集合進行約束，搭建含動態頻率約束的兩階段分布魯棒機組組合優化模型；
8、步驟5：引入輔助變量將置信集合中的絕對值約束進行線性化，并采用列與約束生成(colume-and-constraint?generation,c&cg)算法將兩階段分布魯棒機組組合優化模型分為主問題、子問題進行迭代求解。
9、所述步驟1中，同步發電機組的技術參數、經濟參數、負荷預測數據和風電場功率預測值，以ieee10機39結點為例，同步發電機組的技術參數、經濟參數、負荷預測數據和風電場功率預測值分別如實施例部分表1系統常規機組慣量和運行參數、表2系統常規機組成本參數、圖2所示。
10、電力系統中的rocof保護整定值和頻率極值允許范圍，中國電力系統設置最大rocof不能超過2hz/s以保證機組安全運行。對于增量部分的分布式電源，rocof保護的整定值調整至1hz/s，并設置了500ms的延遲時間。頻率極值允許范圍：在中國電力系統中，其正常運行條件下的頻率偏差限值為±0.2hz。當系統容量較小時，偏差限值可以放寬到±0.5hz。具體的公式描述如式(26)、式(27)所示。
11、所述步驟2中，系統中未被調度部門掌握的慣量，本專利技術采用用er慣量表示，由兩部分構成，一部分是基于慣量點預測的一部分則是慣量預測誤差△er，表達式如下：
12、
13、采用高斯分布來作為慣量預測誤差概率密度函數，來表征慣量點預測誤差的不確定性；
14、△er～n(0,σ2)??(2)；
15、式中：σ為慣量預測誤差△er的標準差；n(0,σ2)表示慣量點預測值的高斯分布。
16、步驟2中，風力是間歇性能源，風電出力具有波動性和隨機性，其并網運行會對系統的性能造成重要的影響。本專利技術利用基于歷史統計數據的風電場景生成方法，假定風電預測誤差概率分布函數為正態分布，如式(4)所示；然后進行抽樣，生成一系列服從給定分布的風電出力預測誤差值，將其疊加到風電預測值上，得到一系列風電出力場景；用隨機變量表征風電功率預測誤差的不確定性。設定風電發出功率為風電功率預測值為風電預測誤差為△pwt，單位為mw，則有：
17、
18、采用正態分布來描述風電功率預測誤差的不確定性。
19、
20、式中：表示風電預測誤差的正態分布。
21、前面所提到的慣量點預測值是通過已有預測模型得出的ieee10機39結點慣量點預測值。本專利技術的創新點在于現有慣量點預測值沒有考慮風電出力的不確定性因素，而本專利技術以高斯分布作為慣量預測誤差概率密度函數，來表征慣量點預測誤差的不確定性。數據以及預測結果如實施例部分表1系統常規機組慣量和運行參數、圖2所示。
22、步驟2中，拉丁超立方抽樣場景生成，具體如下：
23、風電功率誤差和慣量誤差的概率分布函數，如式(2)、(4)所示。依然采用正態分布和高斯分布模型。拉丁超立方抽樣(monte?carlo?sampling,mcs)是由m.d.mckay、r.j.beckman和w.j.conover在1979年提出的一種高效的蒙特卡洛模擬方法，其本質是基于逆函數轉換的分層抽樣。在不改變原始密度函數的前提下，將分布函數取值分為n個互不重疊的等間距子區間，將子區間中的抽樣值基于概率密度函數進行反函數變換，所得抽樣結果既能滿足概率分布函數特征又能覆蓋整個分布區間。
24、假設有m個隨機變量x1,x2,x3,…xm，x1,x2,x3,…xm為隨機變量，即變量的維度是m，每個變量需要抽樣的樣本個數為n，且各變量的累計概率分布函數為fxi＝fi(xi)，xi表示，第i個隨機變量，fi(xi)表示各變量的累計概率分布函數，其中，i＝1,2,…,m。利用拉丁超立方抽樣方法進行抽樣，過程如下：
25、a1：定義抽樣規模為n，將任一隨機變量xi的累計概率分布函數曲線fxi＝fi(xi)的縱軸等概率的分為n個區間，每個區間寬度為
26、a2：對于隨機變量xi的第k個采樣值xik，其對應的累計分布概率為：
27、
28、其中：u～n(0,1)服從均勻分布；k＝1,2,…,本文檔來自技高網...
【技術保護點】
1.一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于包括以下步驟：
2.根據權利要求1所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：所述步驟2中，系統中未被調度部門掌握的慣量，采用用ER慣量表示，由兩部分構成，一部分是基于慣量點預測的一部分則是慣量預測誤差△ER，表達式如下：
3.根據權利要求2所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：利用基于歷史統計數據的風電場景生成方法，設風電預測誤差概率分布函數為正態分布，如式(4)所示；然后進行抽樣，生成一系列服從給定分布的風電出力預測誤差值，將其疊加到風電預測值上，得到一系列風電出力場景；用隨機變量表征風電功率預測誤差的不確定性；設定風電發出功率為風電功率預測值為風電預測誤差為△PWt，單位為MW，則有：
4.根據權利要求3所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：步驟2中，拉丁超立方抽樣場景生成，具體如下：
5.根據權利要求4所述一種計及慣量和風電雙重不
6.根據權利要求5所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：所述步驟3中，系統等效慣量包含同步機組慣量和ER慣量，可表示為：
7.根據權利要求5所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：所述步驟4中，采用分布魯棒優化方法來限制場景的概率分布，首先，利用LHS對預測數據以及預測誤差概率密度函數進行抽樣得到N個原始場景數，再利用K-Means聚類算法得到Ns個典型有限離散場景和這Ns個典型有限離散場景對應的初始概率分布為典型有限離散場景的初始概率分布，基于1-范數和∞-范數來約束概率分布波動范圍；
8.根據權利要求7所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：兩階段分布魯棒機組組合優化模型中，
9.根據權利要求7所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：所述步驟5中，風電和慣量不確定集合如式(15)所示，式(15)中的1-范數和∞-范數約束含有絕對值項，為非線性約束，添加輔助變量和輔助約束將其轉化為線性約束條件，添加的輔助變量和輔助約束如下：
10.根據權利要求9所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：步驟5中，對兩階段分布魯棒機組組合優化模型的主問題、子問題，采用免對偶化C&CG算法分階段迭代求解的具體流程如下：
...【技術特征摘要】
1.一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于包括以下步驟：
2.根據權利要求1所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：所述步驟2中，系統中未被調度部門掌握的慣量，采用用er慣量表示，由兩部分構成，一部分是基于慣量點預測的一部分則是慣量預測誤差△er，表達式如下：
3.根據權利要求2所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：利用基于歷史統計數據的風電場景生成方法，設風電預測誤差概率分布函數為正態分布，如式(4)所示；然后進行抽樣，生成一系列服從給定分布的風電出力預測誤差值，將其疊加到風電預測值上，得到一系列風電出力場景；用隨機變量表征風電功率預測誤差的不確定性；設定風電發出功率為風電功率預測值為風電預測誤差為△pwt，單位為mw，則有：
4.根據權利要求3所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：步驟2中，拉丁超立方抽樣場景生成，具體如下：
5.根據權利要求4所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化方法，其特征在于：步驟2中，k-means場景聚類，具體包括如下步驟：
6.根據權利要求5所述一種計及慣量和風電雙重不確定性的兩階段分布魯棒機組組合優化...
【專利技術屬性】
技術研發人員：汪紅波，邵立政，葉婧，劉恒怡，
申請(專利權)人：國網湖北省電力有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。