两时点在线滚动实时控制优化决策方法
发布时间：2021-01-31 20:22
风光资源发电,乃至整个电力系统均伴随着随机性和波动性。随着新能源预测精度的不断提高,在电网运行过程中,相邻两个时点的在线实时优化可以根据新能源的变化趋势给出相对合理的实时指令。根据发电厂的有功调节速率给出发电厂相邻两个时点的可调空间,通过可调空间的离散化得到不同发电厂两个时点有功组合,并从同时满足两个时点上实时发电控制优化决策所有约束条件的发电厂有功组合集中,选出两个时点上独自优化决策目标函数值加权最优的发电厂有功组合,作为实时发电控制两个时点协调优化决策结果,利用权重与约束关联调整的优化决策算法进行求解,解决了因电网运行随机因素急剧增加带来的预测校正和滚动优化难题,提高实时发电控制的决策精度。
【文章来源】：电网技术. 2020,44(09)北大核心
【文章页数】：6 页
【部分图文】：
权重与约束关联调整的优化决策流程Fig.2Flowchartofweight-constraintcorrelationadjustment4算例分析
3358张昊天等：两时点在线滚动实时控制优化决策方法Vol.44No.9联调整的优化决策方法[20]，对不受限输电设备/断面强相关且与受限输电设备/断面弱相关发电厂的综合指标，对电网安全稳定影响特性不做调整，实现发电厂出力优化权重与约束是否达到边界的关联，在一定程度上松弛了安全约束，在有功计划执行层面提高新能源的消纳，具体流程如图2所示。图2权重与约束关联调整的优化决策流程Fig.2Flowchartofweight-constraintcorrelationadjustment4算例分析为说明本文所提算法的有效性，本文通过对含风光以及常规能源的某地区1天内的运行曲线进行算例分析。所有电源的运行参数均来自于实际电网，并进行了脱敏处理。本算例中，有6个风电场，4个光伏电站和3个常规火电，均通过同一个联络线送出。相关的数据如表1所示。本算例中电网的调度运行曲线如图3所示，其中风光总预测曲线为所提及的风光电站的预测曲表1算例中网源运行参数Tab.1Gridandgenerationparameters容量/MW爬坡速率/(MW/min)日最大值/MW日最小值/MW风场1100—27.87—风场2402—209.8—风场3300—176.87—风场4201—61.69—风场5201—92.7—风场625—127.29—光伏1100—45—光伏2100—67.5—光伏3100—45—光伏4100—45—火电13505.4—10火电26609.9—20火电35007.5—20联络线1000—670.885223.595图3电网调度单时点优化指令曲线Fig.3Dispatchcommandscurvesundernormaloperationwithsingletime-pointoptimizationmethod线加权值曲线，联络线通道曲线为对外联络线的日内计划值曲线，火电指令和风光实时指令分别为参与实时优化控制采用单时点优化的火电和风光电的总指令?
ntoptimizationmethod线加权值曲线，联络线通道曲线为对外联络线的日内计划值曲线，火电指令和风光实时指令分别为参与实时优化控制采用单时点优化的火电和风光电的总指令曲线。由图可见，根据所提目标函数的单时点优化可以根据联络线的送出需求对风光火的指令进行调整。火电在满足自身爬坡约束的同时，能够和风光指令相匹配。然而，此算法只根据当前时点的下个时点的时刻信息作为已知条件来优化指令，没有考虑到风光电源的不确定性和变化趋势，因此，此算法无法达到一定周期内的指令之和最优，即所谓电量最优。图4中给出了6:00—8:00时段的联络线通道曲线、风光总预测曲线、以及单时点和两时点优化得到的指令曲线的比较。由图3可以看出，在7:30—8:00时段，由于风电大发，而对外联络线维持了较低的水平，使得火电计划压至最低，即50MW。而在之前的6:00—7:30的时间段内，由于通过风光预测信息对风光的变化趋势做出了预判，提前压降了火电计划，使得风电有一定的空间可以消纳，保证了其控制效果优于单时点的控制。表2中展示了6:00—8:00时段内单时点优化和两时点优化算法给图4单时点优化与两时点优化曲线的比较Fig.4Singletime-pointoptimizationcurvev.s.adjacenttime-pointoptimizationcurves
【参考文献】：
期刊论文
[1]大规模可再生能源电网多源实时互补有功控制的评述[J]. 王昊昊,周天,赵宇,汪马翔,张昊天,李吉晨. 现代电力. 2019(04)
[2]新能源并网功率智能控制系统的设计与应用[J]. 段慧,朱燕芳,汪马翔,徐泰山,赵李宏,杨大春. 电力系统自动化. 2019(02)
[3]考虑源荷双侧预测误差的实时发电计划闭环控制模型[J]. 殷加玞,赵冬梅. 电力系统自动化. 2018(06)
[4]我国电网支撑可再生能源发展的实践与挑战[J]. 陈国平,李明节,许涛,张剑云,王超. 电网技术. 2017(10)
[5]多源电网协调实时控制技术综述[J]. 戴丽媛,徐泰山,汪马翔,王昊昊,段慧. 电力科学与工程. 2017(05)
[6]新能源消纳关键因素分析及解决措施研究[J]. 舒印彪,张智刚,郭剑波,张正陵. 中国电机工程学报. 2017(01)
[7]基于大系统理论的新能源电力系统优化控制方法及关键技术初探[J]. 曾鸣,白学祥,李源非,刘伟,程俊,杨雍琦. 电网技术. 2016(12)
[8]能源互联网“源–网–荷–储”协调优化运营模式及关键技术[J]. 曾鸣,杨雍琦,刘敦楠,曾博,欧阳邵杰,林海英,韩旭. 电网技术. 2016(01)
[9]基于智能电网调度控制系统基础平台的新能源优化调度[J]. 刘纯,黄越辉,张楠,礼晓飞,刘德伟,姚姣. 电力系统自动化. 2015(01)
[10]风电集群有功功率控制及其策略[J]. 林俐,朱晨宸,郑太一,焦邵华. 电力系统自动化. 2014(14)
本文编号：3011518
【文章来源】：电网技术. 2020,44(09)北大核心
【文章页数】：6 页
【部分图文】：
权重与约束关联调整的优化决策流程Fig.2Flowchartofweight-constraintcorrelationadjustment4算例分析
3358张昊天等：两时点在线滚动实时控制优化决策方法Vol.44No.9联调整的优化决策方法[20]，对不受限输电设备/断面强相关且与受限输电设备/断面弱相关发电厂的综合指标，对电网安全稳定影响特性不做调整，实现发电厂出力优化权重与约束是否达到边界的关联，在一定程度上松弛了安全约束，在有功计划执行层面提高新能源的消纳，具体流程如图2所示。图2权重与约束关联调整的优化决策流程Fig.2Flowchartofweight-constraintcorrelationadjustment4算例分析为说明本文所提算法的有效性，本文通过对含风光以及常规能源的某地区1天内的运行曲线进行算例分析。所有电源的运行参数均来自于实际电网，并进行了脱敏处理。本算例中，有6个风电场，4个光伏电站和3个常规火电，均通过同一个联络线送出。相关的数据如表1所示。本算例中电网的调度运行曲线如图3所示，其中风光总预测曲线为所提及的风光电站的预测曲表1算例中网源运行参数Tab.1Gridandgenerationparameters容量/MW爬坡速率/(MW/min)日最大值/MW日最小值/MW风场1100—27.87—风场2402—209.8—风场3300—176.87—风场4201—61.69—风场5201—92.7—风场625—127.29—光伏1100—45—光伏2100—67.5—光伏3100—45—光伏4100—45—火电13505.4—10火电26609.9—20火电35007.5—20联络线1000—670.885223.595图3电网调度单时点优化指令曲线Fig.3Dispatchcommandscurvesundernormaloperationwithsingletime-pointoptimizationmethod线加权值曲线，联络线通道曲线为对外联络线的日内计划值曲线，火电指令和风光实时指令分别为参与实时优化控制采用单时点优化的火电和风光电的总指令?
ntoptimizationmethod线加权值曲线，联络线通道曲线为对外联络线的日内计划值曲线，火电指令和风光实时指令分别为参与实时优化控制采用单时点优化的火电和风光电的总指令曲线。由图可见，根据所提目标函数的单时点优化可以根据联络线的送出需求对风光火的指令进行调整。火电在满足自身爬坡约束的同时，能够和风光指令相匹配。然而，此算法只根据当前时点的下个时点的时刻信息作为已知条件来优化指令，没有考虑到风光电源的不确定性和变化趋势，因此，此算法无法达到一定周期内的指令之和最优，即所谓电量最优。图4中给出了6:00—8:00时段的联络线通道曲线、风光总预测曲线、以及单时点和两时点优化得到的指令曲线的比较。由图3可以看出，在7:30—8:00时段，由于风电大发，而对外联络线维持了较低的水平，使得火电计划压至最低，即50MW。而在之前的6:00—7:30的时间段内，由于通过风光预测信息对风光的变化趋势做出了预判，提前压降了火电计划，使得风电有一定的空间可以消纳，保证了其控制效果优于单时点的控制。表2中展示了6:00—8:00时段内单时点优化和两时点优化算法给图4单时点优化与两时点优化曲线的比较Fig.4Singletime-pointoptimizationcurvev.s.adjacenttime-pointoptimizationcurves
【参考文献】：
期刊论文
[1]大规模可再生能源电网多源实时互补有功控制的评述[J]. 王昊昊,周天,赵宇,汪马翔,张昊天,李吉晨. 现代电力. 2019(04)
[2]新能源并网功率智能控制系统的设计与应用[J]. 段慧,朱燕芳,汪马翔,徐泰山,赵李宏,杨大春. 电力系统自动化. 2019(02)
[3]考虑源荷双侧预测误差的实时发电计划闭环控制模型[J]. 殷加玞,赵冬梅. 电力系统自动化. 2018(06)
[4]我国电网支撑可再生能源发展的实践与挑战[J]. 陈国平,李明节,许涛,张剑云,王超. 电网技术. 2017(10)
[5]多源电网协调实时控制技术综述[J]. 戴丽媛,徐泰山,汪马翔,王昊昊,段慧. 电力科学与工程. 2017(05)
[6]新能源消纳关键因素分析及解决措施研究[J]. 舒印彪,张智刚,郭剑波,张正陵. 中国电机工程学报. 2017(01)
[7]基于大系统理论的新能源电力系统优化控制方法及关键技术初探[J]. 曾鸣,白学祥,李源非,刘伟,程俊,杨雍琦. 电网技术. 2016(12)
[8]能源互联网“源–网–荷–储”协调优化运营模式及关键技术[J]. 曾鸣,杨雍琦,刘敦楠,曾博,欧阳邵杰,林海英,韩旭. 电网技术. 2016(01)
[9]基于智能电网调度控制系统基础平台的新能源优化调度[J]. 刘纯,黄越辉,张楠,礼晓飞,刘德伟,姚姣. 电力系统自动化. 2015(01)
[10]风电集群有功功率控制及其策略[J]. 林俐,朱晨宸,郑太一,焦邵华. 电力系统自动化. 2014(14)
本文编号：3011518
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3011518.html
教材专著
