可再生能源接入下的电力系统备用优化问题研究
发布时间：2021-07-14 20:34
现如今随着电力系统的发展,电力系统能源构成逐渐复杂,而越来越多的可再生能源接入也对电力系统的安全经济运行带来了新的挑战。以风电为例,风力发电具有的不确定性与波动性会给传统的电力系统调度问题带来困难,制约电力系统中可再生能源接入的发展。本文以风电接入下的电力系统为研究对象,致力于从安全、经济的角度对电力系统备用优化问题进行研究。首先,本文研究了考虑风电-储能混合系统的电力系统优化问题。针对于风电的不确定性给系统优化带来困难,本文研究了强化学习中的Q-learning技术,对风储混合系统进行学习处理,最终将其用于可再生能源接入下的电力系统的优化模型,改善系统运行的经济性与可靠性。随后,本文研究一种分布考虑风电与负荷不确定性的电力系统备用优化模型。该模型基于成本/效益分析理念,并基于扩展的机组组合模型建立。模型的目标函数中考虑系统运行成本与可靠性成本。可靠性成本表达为失负荷价格（value of lost load,VOLL）与期望缺供电量（expected energy not supplied,EENS）的乘积。该模型中可靠性指标EENS的计算是求解的难点。为此,本文研究了一种EENS的...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２－１．风储混合系统实现机制??
?山东大学硕士学位论文???＾ｙＣ＾ｘ＾＇??＊＊＊續?￣?能系後??遍Ｉ??￣ｆｉ－＾，，?〇?Ｋ．，??图２－２．储能系统消除风电预测误差原理图??其中，匕，为风电功率预测值，人（Ｐ？ｖ）为其概率密度函数，当仅有风力机组时，对??时段／，其风电功率预测区间为，４，＋？〇■？，，］，其中ａ、／？分别为风电实际功??率高于或低于风电预测功率的置信系数。当上报风电计划出力等于风电预测功率时，??及．，－斤分别等于应对风电不确定性所需的上、下调备用容量。而当采??用风力机组与储能结合的系统后，若时段／内储能系统充／放电功率为Ｐ％，，则对时段，??内混合系统上报出力尸有：??Ｐｎｅ，Ｊ?￣?尺，，，＋?户叫?（２－１）??若混合系统按计划出力等于风电预测功率值上报。则上报的风电计划出力上下偏离风电??实际发出功率时，由于储能系统能够主动进行额外的充／放电操作，使混合系统在实际??运行中具备一定的自我调控能力，进而减小风电计划出力与风电实际发出功率的偏差，??从而能够降低甚至消除为应对风电不确定性混合系统所需要的备用容量。由图来说，若??储能系统所能进行的充放电功率分别为Ｐ：，、／丨ｔ，则混合系统所需上、下调备用分别??可表示为＜，＝氣，，，－Ａｔ、？厂户Ｘ。当存在｜氣，丨伞二｜、卜？Ｉ中二Ｉ时，??则混合系统能够完全消除风电不确定性带来的风电出力预测误差，此时，风储混合系统??所需备用为零；对应的，当存在｜／＾，｜＞｜／＞二，｜、丨＾．，，｜＞｜／＝，，｜，混合系统能够部分消除??风电不确定性带来的风电出力预测误差，此时混合系统为应对不确定性所需备用也将会??减少。此外，混合系统决策计划出力时也可不必
?山东大学硕士学位论文???开始??初始化＊统．Ｑ驗??确定混合系统当舰軒赌能??与风电预测状态ｓ，并选取系统??充放电与购买备用的动作ａ??观麵作所达到的下一Ｔ状态ｓ??Ｔ?￣￣￣??计算立即麵值Ｒ??ｔ?二??计ＳＱ值，更新Ｑ歸?????親??图２－３．?Ｑ学习算法流程示意图??步骤：??１）初始化Ｑ值表。预学习阶段初始化表中各值为〇，在线学习阶段则使用预学习??阶段最终得出的结果填入Ｑ值表。??２）根据系统给出的储能存储电量与下一时段风电预测功率确定当前环境所处状??态，并根据规则选取进一步的储能系统充／放电量与上／下调备用购买功率，形成下一步??动作。??３）下一时段中，根据系统的风电实际功率值，通过实际动作的选取，更新储能系??统目前存储电量值，与下一个风电预测功率值组成下一环境。??４）按照决策结果与混合系统优化目标，结合环境中电价，备用费用等信息计算获??取立即奖励值，具体计算公式如（２－１６）所示。??５）迭代更新Ｑ值表矩阵。??６）判断结果，若此时结果己经收敛或迭代次数或运行时间已达到给定值，则结束，??１３??
【参考文献】：
期刊论文
[1]风电预测方法与新趋势综述[J]. 韩自奋,景乾明,张彦凯,拜润卿,郭空明,章云. 电力系统保护与控制. 2019(24)
[2]虚拟电厂源荷双侧热电联合随机优化调度[J]. 袁桂丽,贾新潮,房方,董金凤. 电网技术. 2020(08)
[3]计及火电机组深度调峰成本的大规模风电并网鲁棒优化调度[J]. 王淑云,娄素华,吴耀武,曹侃,周鲲鹏. 电力系统自动化. 2020(01)
[4]基于数据驱动的超短期风电功率预测综述[J]. 杨茂,张罗宾. 电力系统保护与控制. 2019(13)
[5]基于改进布谷鸟算法的电力系统最优调度研究[J]. 于永进,梁荣波,厉美璇,刘婧文. 智慧电力. 2019(05)
[6]基于探索感知思维深度强化学习的自动发电控制[J]. 席磊,余璐,付一木,黄悦华,陈曦,康守亚. 中国电机工程学报. 2019(14)
[7]欧盟能源转型路线图(下)[J]. 姜姜. 能源. 2019(03)
[8]欧盟能源转型路线图(上)[J]. 姜姜. 能源. 2019(02)
[9]短期风电功率预测概念和模型与方法[J]. 陶玉波,陈昊,秦晓辉,孟昭军. 电力工程技术. 2018(05)
[10]中国促进清洁能源消纳的市场机制设计思路[J]. 史连军,周琳,庞博,严宇,张凡,刘俊. 电力系统自动化. 2017(24)
硕士论文
[1]高渗透率风力电源的区域电网备用调度决策研究[D]. 夏天宇.哈尔滨工业大学 2012
本文编号：3284847
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２－１．风储混合系统实现机制??
?山东大学硕士学位论文???＾ｙＣ＾ｘ＾＇??＊＊＊續?￣?能系後??遍Ｉ??￣ｆｉ－＾，，?〇?Ｋ．，??图２－２．储能系统消除风电预测误差原理图??其中，匕，为风电功率预测值，人（Ｐ？ｖ）为其概率密度函数，当仅有风力机组时，对??时段／，其风电功率预测区间为，４，＋？〇■？，，］，其中ａ、／？分别为风电实际功??率高于或低于风电预测功率的置信系数。当上报风电计划出力等于风电预测功率时，??及．，－斤分别等于应对风电不确定性所需的上、下调备用容量。而当采??用风力机组与储能结合的系统后，若时段／内储能系统充／放电功率为Ｐ％，，则对时段，??内混合系统上报出力尸有：??Ｐｎｅ，Ｊ?￣?尺，，，＋?户叫?（２－１）??若混合系统按计划出力等于风电预测功率值上报。则上报的风电计划出力上下偏离风电??实际发出功率时，由于储能系统能够主动进行额外的充／放电操作，使混合系统在实际??运行中具备一定的自我调控能力，进而减小风电计划出力与风电实际发出功率的偏差，??从而能够降低甚至消除为应对风电不确定性混合系统所需要的备用容量。由图来说，若??储能系统所能进行的充放电功率分别为Ｐ：，、／丨ｔ，则混合系统所需上、下调备用分别??可表示为＜，＝氣，，，－Ａｔ、？厂户Ｘ。当存在｜氣，丨伞二｜、卜？Ｉ中二Ｉ时，??则混合系统能够完全消除风电不确定性带来的风电出力预测误差，此时，风储混合系统??所需备用为零；对应的，当存在｜／＾，｜＞｜／＞二，｜、丨＾．，，｜＞｜／＝，，｜，混合系统能够部分消除??风电不确定性带来的风电出力预测误差，此时混合系统为应对不确定性所需备用也将会??减少。此外，混合系统决策计划出力时也可不必
?山东大学硕士学位论文???开始??初始化＊统．Ｑ驗??确定混合系统当舰軒赌能??与风电预测状态ｓ，并选取系统??充放电与购买备用的动作ａ??观麵作所达到的下一Ｔ状态ｓ??Ｔ?￣￣￣??计算立即麵值Ｒ??ｔ?二??计ＳＱ值，更新Ｑ歸?????親??图２－３．?Ｑ学习算法流程示意图??步骤：??１）初始化Ｑ值表。预学习阶段初始化表中各值为〇，在线学习阶段则使用预学习??阶段最终得出的结果填入Ｑ值表。??２）根据系统给出的储能存储电量与下一时段风电预测功率确定当前环境所处状??态，并根据规则选取进一步的储能系统充／放电量与上／下调备用购买功率，形成下一步??动作。??３）下一时段中，根据系统的风电实际功率值，通过实际动作的选取，更新储能系??统目前存储电量值，与下一个风电预测功率值组成下一环境。??４）按照决策结果与混合系统优化目标，结合环境中电价，备用费用等信息计算获??取立即奖励值，具体计算公式如（２－１６）所示。??５）迭代更新Ｑ值表矩阵。??６）判断结果，若此时结果己经收敛或迭代次数或运行时间已达到给定值，则结束，??１３??
【参考文献】：
期刊论文
[1]风电预测方法与新趋势综述[J]. 韩自奋,景乾明,张彦凯,拜润卿,郭空明,章云. 电力系统保护与控制. 2019(24)
[2]虚拟电厂源荷双侧热电联合随机优化调度[J]. 袁桂丽,贾新潮,房方,董金凤. 电网技术. 2020(08)
[3]计及火电机组深度调峰成本的大规模风电并网鲁棒优化调度[J]. 王淑云,娄素华,吴耀武,曹侃,周鲲鹏. 电力系统自动化. 2020(01)
[4]基于数据驱动的超短期风电功率预测综述[J]. 杨茂,张罗宾. 电力系统保护与控制. 2019(13)
[5]基于改进布谷鸟算法的电力系统最优调度研究[J]. 于永进,梁荣波,厉美璇,刘婧文. 智慧电力. 2019(05)
[6]基于探索感知思维深度强化学习的自动发电控制[J]. 席磊,余璐,付一木,黄悦华,陈曦,康守亚. 中国电机工程学报. 2019(14)
[7]欧盟能源转型路线图(下)[J]. 姜姜. 能源. 2019(03)
[8]欧盟能源转型路线图(上)[J]. 姜姜. 能源. 2019(02)
[9]短期风电功率预测概念和模型与方法[J]. 陶玉波,陈昊,秦晓辉,孟昭军. 电力工程技术. 2018(05)
[10]中国促进清洁能源消纳的市场机制设计思路[J]. 史连军,周琳,庞博,严宇,张凡,刘俊. 电力系统自动化. 2017(24)
硕士论文
[1]高渗透率风力电源的区域电网备用调度决策研究[D]. 夏天宇.哈尔滨工业大学 2012
本文编号：3284847
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3284847.html
