考虑风电出力不确定性的分布鲁棒主备协同优化调度
发布时间：2021-03-11 11:00
随着大量可再生能源如风电接入电网,如何最大化地利用可再生能源、减小传统火电机组的成本成为亟需解决的难题,特别是机组运行和备用容量的协同调度成为现在研究的一大热点。考虑风电出力的不确定性,建立了成本最小化的两阶段经济调度模型。在第一阶段,即日前调度,根据预测的风电出力制定机组预调度方案。在第二阶段,即实时调度阶段,根据风电的实时出力对第一阶段调度方案进行反馈调节。针对风电出力的不确定性,应用Kullback-Leibler离散度原理对不确定因素进行建模。结合分布鲁棒方法,建立了极端概率分布下的两阶段分布鲁棒主备协同优化模型,并将其转化为可解的混合整数非线性规划问题。基于广义Benders分解方法,提出了分解协调算法对优化模型进行求解。最后以IEEE 6节点系统和IEEE 118节点系统进行算例仿真分析,并对比传统鲁棒及随机规划方法,验证了所提方法的可行性和优越性。
【文章来源】：电力系统保护与控制. 2020,48(20)北大核心
【文章页数】：8 页
【部分图文】：
节点系统
124.71140.95174.39第二阶段目标值/美元685.94412.62538.75总成本/美元6162.185481.375582.72求解的期望目标值和不同数目场景的关系如图3所示。随着场景数量的增加，鲁棒优化值增加，而随机优化和分布鲁棒优化的目标值在不同场景数下几乎保持不变。这是因为鲁棒优化只考虑了最坏的情况，随着场景数量的增加，更多的场景会被考虑，从而改变了最坏场景的选择。同时，随机优化和分布鲁棒优化的数值趋势表明，这两种方法能更好地利用现有数据。此外，场景数越多，分布鲁棒优化的结果与随机优化越接近。图3目标值和场景数的关系Fig.3Relationshipbetweennumberofscenariosandobjectivevalue图4描述了随着模糊指数η的增加，目标值也相应增加。模糊指数越大，说明模糊集所包含不确定变量可能的分布函数越多。这一趋势说明，提出的分布鲁棒优化模型可以更好地利用可得到的风电出力的历史数据。同时可以发现，曲线增长趋势越来越平缓，表明模糊指数通过限制模糊集的大小对目标值的影响是有限的，而且影响趋势越来越小，这进一步说明了分布鲁棒优化方法对数据利用的高效性。4.2118节点系统IEEE118节点系统包含54台发电机、186条线路，总负荷需求为5500MW。四台风机连接到节点15，49，59，90，预测出力值都为300MW，其余详细数据可在网页http://labs.ece.uw.edu/pstca/pf118/ieee118psp.txt中获得。其他参数与6节点系统相同。图4目标值与模糊度的关系Fig.4Relationshipbetweenobjectivevalueandindexofambiguity表4描述了在不同置信度下目标值的变化趋势。设置相同的场景数值为500，在置信度分别为0.9、0.95和0.98下求解期望运行
5100220G2130400.110100G313717.70.51040假设风电出力预测误差的真实分布服从均值为0、标准差为0.1的正态分布，采用蒙特卡罗方法生成500个假设数据样本。给出以下鲁棒优化数学模型和随机优化数学模型，以比较所提出的分布鲁棒优化方法。(1)鲁棒模型T{1,2,,}minmaxs.t.0ssScxAxb(36)(2)随机模型T1mins.t.0SssscxAxb(37)在以下的数值分析中，如果没有特别的说明，设置模糊度指数的值为0.3，置信度为0.95。风电出力的预测数据如图2所示。鲁棒优化模型中不确定集的结构包括区间集、多面体集和椭球集等。不同结构的鲁棒集保守性不同。为了简化计算并得到对比明显的结果，鲁棒优化模型的不确定集采用保守性最大的区间鲁棒集，如图2所示。图2区间鲁棒集Fig.2Intervaluncertaintysetofrobust表3比较了三种不同方法所得到的总成本结果。从表3中可以看出，随机优化和分布鲁棒优化的总成本具有相近的值，其中鲁棒优化解数值最大。这是因为鲁棒优化只考虑了第二阶段问题中最坏的情况，其在第二阶段的目标值也是最大的。分布鲁棒优化获得的旋转备用成本值大于鲁棒优化值，而其
【参考文献】：
期刊论文
[1]考虑风电不确定性和大用户直购电的电力系统经济调度[J]. 邓强,詹红霞,杨孝华,张曦,梅哲. 电力系统保护与控制. 2019(14)
[2]计及风电功率预测误差的备用容量计算新方法[J]. 肖逸,谢俊,刘若平,李银红. 电力系统保护与控制. 2019(09)
[3]计及冷、热、电联产的气电互联网络最优调度[J]. 汪洋子,陈茜. 电力系统保护与控制. 2019(03)
[4]基于变置信度机会约束规划的风电并网优化调度[J]. 韩轩,邱晓燕,沙熠,刘波. 高压电器. 2018(10)
[5]计及风电功率矩不确定性的分布鲁棒实时调度方法[J]. 周安平,杨明,翟鹤峰,赵元春,张程琳,魏少攀. 中国电机工程学报. 2018(20)
[6]考虑风电不确定性的电气能源系统两阶段分布鲁棒协同调度[J]. 税月,刘俊勇,高红均,邱高,胥威汀,苟竞. 电力系统自动化. 2018(13)
[7]基于序列运算理论的微电网正负旋转备用容量优化[J]. 吕智林,孙顺吉,汤泽琦,魏卿. 电力系统保护与控制. 2017(20)
[8]考虑风电出力不确定性的发用电机组组合方法[J]. 孙欣,方陈,沈风,马群. 电工技术学报. 2017(04)
[9]混合整数非线性规划的算法软件及最新进展[J]. 刘明明,崔春风,童小娇,戴彧虹. 中国科学:数学. 2016(01)
[10]考虑分布式电源随机性的配电网最大供电能力[J]. 张李明,齐先军. 电力建设. 2015(11)
本文编号：3076352
【文章来源】：电力系统保护与控制. 2020,48(20)北大核心
【文章页数】：8 页
【部分图文】：
节点系统
124.71140.95174.39第二阶段目标值/美元685.94412.62538.75总成本/美元6162.185481.375582.72求解的期望目标值和不同数目场景的关系如图3所示。随着场景数量的增加，鲁棒优化值增加，而随机优化和分布鲁棒优化的目标值在不同场景数下几乎保持不变。这是因为鲁棒优化只考虑了最坏的情况，随着场景数量的增加，更多的场景会被考虑，从而改变了最坏场景的选择。同时，随机优化和分布鲁棒优化的数值趋势表明，这两种方法能更好地利用现有数据。此外，场景数越多，分布鲁棒优化的结果与随机优化越接近。图3目标值和场景数的关系Fig.3Relationshipbetweennumberofscenariosandobjectivevalue图4描述了随着模糊指数η的增加，目标值也相应增加。模糊指数越大，说明模糊集所包含不确定变量可能的分布函数越多。这一趋势说明，提出的分布鲁棒优化模型可以更好地利用可得到的风电出力的历史数据。同时可以发现，曲线增长趋势越来越平缓，表明模糊指数通过限制模糊集的大小对目标值的影响是有限的，而且影响趋势越来越小，这进一步说明了分布鲁棒优化方法对数据利用的高效性。4.2118节点系统IEEE118节点系统包含54台发电机、186条线路，总负荷需求为5500MW。四台风机连接到节点15，49，59，90，预测出力值都为300MW，其余详细数据可在网页http://labs.ece.uw.edu/pstca/pf118/ieee118psp.txt中获得。其他参数与6节点系统相同。图4目标值与模糊度的关系Fig.4Relationshipbetweenobjectivevalueandindexofambiguity表4描述了在不同置信度下目标值的变化趋势。设置相同的场景数值为500，在置信度分别为0.9、0.95和0.98下求解期望运行
5100220G2130400.110100G313717.70.51040假设风电出力预测误差的真实分布服从均值为0、标准差为0.1的正态分布，采用蒙特卡罗方法生成500个假设数据样本。给出以下鲁棒优化数学模型和随机优化数学模型，以比较所提出的分布鲁棒优化方法。(1)鲁棒模型T{1,2,,}minmaxs.t.0ssScxAxb(36)(2)随机模型T1mins.t.0SssscxAxb(37)在以下的数值分析中，如果没有特别的说明，设置模糊度指数的值为0.3，置信度为0.95。风电出力的预测数据如图2所示。鲁棒优化模型中不确定集的结构包括区间集、多面体集和椭球集等。不同结构的鲁棒集保守性不同。为了简化计算并得到对比明显的结果，鲁棒优化模型的不确定集采用保守性最大的区间鲁棒集，如图2所示。图2区间鲁棒集Fig.2Intervaluncertaintysetofrobust表3比较了三种不同方法所得到的总成本结果。从表3中可以看出，随机优化和分布鲁棒优化的总成本具有相近的值，其中鲁棒优化解数值最大。这是因为鲁棒优化只考虑了第二阶段问题中最坏的情况，其在第二阶段的目标值也是最大的。分布鲁棒优化获得的旋转备用成本值大于鲁棒优化值，而其
【参考文献】：
期刊论文
[1]考虑风电不确定性和大用户直购电的电力系统经济调度[J]. 邓强,詹红霞,杨孝华,张曦,梅哲. 电力系统保护与控制. 2019(14)
[2]计及风电功率预测误差的备用容量计算新方法[J]. 肖逸,谢俊,刘若平,李银红. 电力系统保护与控制. 2019(09)
[3]计及冷、热、电联产的气电互联网络最优调度[J]. 汪洋子,陈茜. 电力系统保护与控制. 2019(03)
[4]基于变置信度机会约束规划的风电并网优化调度[J]. 韩轩,邱晓燕,沙熠,刘波. 高压电器. 2018(10)
[5]计及风电功率矩不确定性的分布鲁棒实时调度方法[J]. 周安平,杨明,翟鹤峰,赵元春,张程琳,魏少攀. 中国电机工程学报. 2018(20)
[6]考虑风电不确定性的电气能源系统两阶段分布鲁棒协同调度[J]. 税月,刘俊勇,高红均,邱高,胥威汀,苟竞. 电力系统自动化. 2018(13)
[7]基于序列运算理论的微电网正负旋转备用容量优化[J]. 吕智林,孙顺吉,汤泽琦,魏卿. 电力系统保护与控制. 2017(20)
[8]考虑风电出力不确定性的发用电机组组合方法[J]. 孙欣,方陈,沈风,马群. 电工技术学报. 2017(04)
[9]混合整数非线性规划的算法软件及最新进展[J]. 刘明明,崔春风,童小娇,戴彧虹. 中国科学:数学. 2016(01)
[10]考虑分布式电源随机性的配电网最大供电能力[J]. 张李明,齐先军. 电力建设. 2015(11)
本文编号：3076352
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3076352.html
教材专著
