[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107634547B - 基于新能源出力预测误差的电气联合系统出电控制方法 - Google Patents

基于新能源出力预测误差的电气联合系统出电控制方法 Download PDF

Info

Publication number
CN107634547B
CN107634547B CN201711172774.2A CN201711172774A CN107634547B CN 107634547 B CN107634547 B CN 107634547B CN 201711172774 A CN201711172774 A CN 201711172774A CN 107634547 B CN107634547 B CN 107634547B
Authority
CN
China
Prior art keywords
power
wind
output
power generation
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711172774.2A
Other languages
English (en)
Other versions
CN107634547A (zh
Inventor
杨君
张文军
吴卫洪
杨萍
金波
李军
代琴
张巍
董昕昕
陈德威
李晓英
孙坡
罗雨航
徐赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Jingzhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Jingzhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Jingzhou Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711172774.2A priority Critical patent/CN107634547B/zh
Publication of CN107634547A publication Critical patent/CN107634547A/zh
Application granted granted Critical
Publication of CN107634547B publication Critical patent/CN107634547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种出电控制方法，属于电力控制领域，具体涉及一种基于新能源出力预测误差的电气联合系统出电控制方法。该方法利用在风电场多个测风塔实测风速和风电有功出力实时数据进行风电功率特性曲线拟合，利用MLE技术确定风电预测误差分布与候选分布的一致性，为体现电‑气联合系统发电侧内部合作博弈关系，建立博弈模型，并采用微分进化算法求解考虑风电预测误差不确定性的最优博弈策略。因此，本发明具有如下优点：1.可模拟新能源出力的预测误差分布特性，采用博弈论的方法确定考虑预测误差不确定性的发电侧最优发电策略。2.可应用于制定符合风场特性的风电预测出力方案，并制定合理的发电侧博弈策略。

Description

基于新能源出力预测误差的电气联合系统出电控制方法
技术领域
本发明涉及一种出电控制方法，属于电力控制领域，具体涉及一种基于新能源出力预测误差的电气联合系统出电控制方法。
背景技术
发电能源格局的调整，给电网的规划、设计和运行产生了较大影响。随着新能源接入电力系统容量的不断增加，新能源发电及其并网技术以及对电网的影响成为了目前广大电力科技工作者关注的主要热点问题。尤其是风力发电的随机波动性和间歇性等不确定性问题，更是电力调度部门急需研究和解决的课题。
本发明所涉及的一种考虑新能源出力预测误差的电-气联合系统博弈分析方法，通过对实际风电场数据的真实拟合以及评估，合理表征新能源预测误差分布特性，引入博弈论思想，建立计及新能源预测误差不确定性的发电侧内部各发电单元的最优博弈策略评估函数，并利用微分进化算法进行求解。该方法作为一种评估新能源出力预测误差的方法，可模拟新能源出力的预测误差分布特性，采用博弈论的方法确定考虑预测误差不确定性的发电侧最优发电策略，算例表明该方法可制定符合风场特性的风电预测出力方案，并制定合理的发电侧博弈策略。
发明内容
本发明主要是解决现有技术所存在的上述的技术问题，提供了一种基于新能源出力预测误差的电气联合系统出电控制方法。该方法利用在风电场多个测风塔实测风速和风电有功出力实时数据进行风电功率特性曲线拟合，利用MLE技术确定风电预测误差分布与候选分布的一致性，为体现电-气联合系统发电侧内部合作博弈关系，建立博弈模型，并采用微分进化算法求解考虑风电预测误差不确定性的最优博弈策略。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于新能源出力预测误差的电气联合系统出电控制方法，包括以下步骤：
步骤1，获取历史风速以及风电出力有功功率作为原始数据组成原始信息数组
Figure 787093DEST_PATH_IMAGE001
，
Figure 632689DEST_PATH_IMAGE002
，获取发电单元燃气电站以及火电站机组出力上下限以及运行参数；
步骤2，确定实时风速以及风电出力特性，对风电特性函数的系数以及切入风速
Figure 98830DEST_PATH_IMAGE003
、额定风速
Figure 4470DEST_PATH_IMAGE004
进行优化，拟合风电功率特曲线；
步骤3，利用拟合函数预测风电实时出力，形成风电预测误差分布曲线；
步骤4，采用合作博弈的方式，建立合作博弈模型，确定参与者、策略集合以及收益函数，制定三个发电单元：风电、燃气发电以及火电发电策略；
步骤5，对最优博弈策略进行求解以获取最大收益的出力控制策略。
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤（1）中，以15分钟为间隔，全天划分96个时段作为监测间隔构成相应风速以及风电有功出力时间序列。
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤3中，采用MLE评估不同风速段误差分布与候选分布的拟合程度，确定分段分布特性，所述候选分布包括逻辑分布以及正态分布两种分布。
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤4中，构建考虑新能源预测误差不确定性的发电侧博弈模型，具体包括以下子步骤：
步骤4.1，建立模型的局中人集合；联合系统中，参与博弈的局中人包括三个：火电站、风电站以及燃气电站；
步骤4.2，建立模型的策略集合：
Figure 287552DEST_PATH_IMAGE005
式中：
Figure 405681DEST_PATH_IMAGE006
和
Figure 723399DEST_PATH_IMAGE007
分别表示
Figure 331097DEST_PATH_IMAGE008
时段机组出力下限和机组出力上限；
Figure 101476DEST_PATH_IMAGE009
表示第
Figure 288875DEST_PATH_IMAGE010
个能源供应方
Figure 8569DEST_PATH_IMAGE011
时段机组出力；
步骤4.3，建立发电量与用电量是相匹配且满足供需平衡的关系：
Figure 502349DEST_PATH_IMAGE012
其中，
Figure 245177DEST_PATH_IMAGE013
为
Figure 485534DEST_PATH_IMAGE014
时段风机出力；
Figure 528577DEST_PATH_IMAGE015
为
Figure 930608DEST_PATH_IMAGE016
时段火电机组出力；
Figure 957470DEST_PATH_IMAGE017
为
Figure 735939DEST_PATH_IMAGE018
时段燃气轮机出力；
Figure 899067DEST_PATH_IMAGE019
为
Figure 19470DEST_PATH_IMAGE020
时段负荷用电需求量；
步骤4.4，建立风电站、燃气电站及燃气电站的气源供应量的约束关系：
Figure 989087DEST_PATH_IMAGE021
式中：时段
Figure 321980DEST_PATH_IMAGE022
内的风电可发功率
Figure 792144DEST_PATH_IMAGE023
需小于最大风电可发功率
Figure 614607DEST_PATH_IMAGE024
；时段内的燃气电站可发功率
Figure 350482DEST_PATH_IMAGE025
需小于最大燃气机组可发功率
Figure 205174DEST_PATH_IMAGE026
，同时不得小于最小燃气机组出力
Figure 342894DEST_PATH_IMAGE027
。
步骤4.4，建立收益函数集合；
步骤4.5，发电侧以自身收益最大化为目标制定上网电价，并制定收益目标函数；其目标函数为：
Figure 336258DEST_PATH_IMAGE028
式中，
Figure 277538DEST_PATH_IMAGE029
为发电侧制定的
Figure 748971DEST_PATH_IMAGE030
时刻
Figure 741198DEST_PATH_IMAGE031
发电集团的机组出力，
Figure 374304DEST_PATH_IMAGE032
为发电侧制定的
Figure 331109DEST_PATH_IMAGE033
时刻
Figure 340653DEST_PATH_IMAGE034
发电集团的上网电价，
Figure 984124DEST_PATH_IMAGE035
为成本函数，
Figure 53712DEST_PATH_IMAGE036
为
Figure 985895DEST_PATH_IMAGE037
时刻的发电侧收益。
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤4.4中，火电站、燃气电站、风电站及光伏电站成本函数为:
Figure 48398DEST_PATH_IMAGE038
（4）
式中，
Figure 15217DEST_PATH_IMAGE039
为
Figure 990126DEST_PATH_IMAGE040
时段火电机组
Figure 675186DEST_PATH_IMAGE041
的运行状态；
Figure 10221DEST_PATH_IMAGE042
为火电机组的成本系数；
Figure 831546DEST_PATH_IMAGE043
为超额部分单位排放量所需支付的罚金；
Figure 977357DEST_PATH_IMAGE044
为火电机组
Figure 884133DEST_PATH_IMAGE045
的排放因子；
Figure 288439DEST_PATH_IMAGE046
为基准排放系数；其中，火电站成本包含弃风时，风电因出力的随机性无法满足预测出力部分由补偿出力的火电承担的惩罚成本，
Figure 964271DEST_PATH_IMAGE047
为
Figure 546562DEST_PATH_IMAGE048
时刻风电机组
Figure 940634DEST_PATH_IMAGE049
发电量，
Figure 430521DEST_PATH_IMAGE050
为
Figure 478636DEST_PATH_IMAGE051
时段风机计划发电量，
Figure 231828DEST_PATH_IMAGE052
为单位弃风惩罚金额；
Figure 847617DEST_PATH_IMAGE053
为燃气机组消耗天然气的成本系数；
Figure 344458DEST_PATH_IMAGE054
为时刻
Figure 244150DEST_PATH_IMAGE055
燃气机组
Figure 902664DEST_PATH_IMAGE056
发电量；
Figure 271329DEST_PATH_IMAGE057
为燃气机组的碳排放因子；
Figure 306281DEST_PATH_IMAGE058
为燃气机组碳排放超额部分单位排放量所需支付的罚金，
Figure 60479DEST_PATH_IMAGE059
为单位燃气电站发电政府补偿金额；
Figure 155474DEST_PATH_IMAGE060
为单位风机发电政府补偿金额，
Figure 542593DEST_PATH_IMAGE061
为
Figure 381236DEST_PATH_IMAGE062
时段风机发电量，
Figure 6252DEST_PATH_IMAGE063
为单位风机发电成本系数；
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤2中，基于最小二乘法实现曲线的拟合。
优选的，上述的基于新能源出力预测误差的电气联合系统出电控制方法，所述步骤5中，利用微分进化算法求解最优博弈策略。
因此，本发明具有如下优点：1.可模拟新能源出力的预测误差分布特性，采用博弈论的方法确定考虑预测误差不确定性的发电侧最优发电策略。
2.可应用于制定符合风场特性的风电预测出力方案，并制定合理的发电侧博弈策略。
附图说明
图1为本发明电-气联合系统发电侧合作博弈流程图；
图2为本发明提供的考虑新能源出力预测误差的电-气联合系统博弈分析方法流程图；
图3为利用实际数据拟合的风速-功率特性曲线；
图4为预测误差分布数据服从不同候选分布函数拟合效果图；
图5和图6为考虑新能源出力预测误差的电-气联合系统最优博弈策略曲线。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
本发明提供了一种考虑新能源出力预测误差的电-气联合系统博弈分析方法，所用电-气联合系统发电侧合作博弈流程图如图1所示，包括以下步骤：
步骤1: 确定模型的局中人集合
联合系统中，参与博弈的局中人包括三个：火电站、风电站以及燃气电站。其中由于新能源出力不确定性，火电出力的稳定及可控性可起到对新能源的补偿作用，故新能源弃风惩罚成本由火电承担。
步骤2：确定策略集合
对于风力发电无法人为控制，但因其随机性服从一定特性分布，同时其预测误差也服从一定分布特性，火电以及燃气机组需制定出力策略：
Figure 521416DEST_PATH_IMAGE064
式中：
Figure 333514DEST_PATH_IMAGE065
和
Figure 710269DEST_PATH_IMAGE066
分别表示
Figure 189792DEST_PATH_IMAGE067
时段机组出力下限和机组出力上限；
Figure 872927DEST_PATH_IMAGE068
表示第
Figure 437901DEST_PATH_IMAGE069
个能源供应方
Figure 618346DEST_PATH_IMAGE070
时段机组出力；
在实际电力系统运行过程中，发电量与用电量是相匹配的且需满足供需平衡：
Figure 14693DEST_PATH_IMAGE071
其中，
Figure 622392DEST_PATH_IMAGE072
为
Figure 658350DEST_PATH_IMAGE073
时段风机出力；
Figure 642486DEST_PATH_IMAGE074
为
Figure 96601DEST_PATH_IMAGE018
时段火电机组出力；
Figure 609622DEST_PATH_IMAGE075
为
Figure 132876DEST_PATH_IMAGE076
时段燃气轮机出力；
Figure 655124DEST_PATH_IMAGE077
为
Figure 963746DEST_PATH_IMAGE078
时段负荷用电需求量。
对于风电站、燃气电站及燃气电站的气源供应量，需满足如下约束：
Figure 913247DEST_PATH_IMAGE079
式中：时段
Figure 189377DEST_PATH_IMAGE080
内的风电可发功率
Figure 46474DEST_PATH_IMAGE081
需小于最大风电可发功率
Figure 475182DEST_PATH_IMAGE082
；时段
Figure 595585DEST_PATH_IMAGE083
内的燃气电站可发功率
Figure 844163DEST_PATH_IMAGE084
需小于最大燃气机组可发功率
Figure 960411DEST_PATH_IMAGE085
，同时不得小于最小燃气机组出力
Figure 978046DEST_PATH_IMAGE086
。
步骤3：建立收益函数模型
本模型中所构建的收益函数考虑各发电方运行成本、新能源发电政府补贴以及弃能源惩罚费用等几个因素作为成本费用。火电站、燃气电站、风电站及光伏电站成本函数为:
Figure 269350DEST_PATH_IMAGE087
式中，
Figure 5225DEST_PATH_IMAGE088
为
Figure 922234DEST_PATH_IMAGE089
时段火电机组
Figure 59954DEST_PATH_IMAGE090
的运行状态；
Figure 522160DEST_PATH_IMAGE091
为火电机组的成本系数；
Figure 745331DEST_PATH_IMAGE092
为超额部分单位排放量所需支付的罚金；
Figure 13501DEST_PATH_IMAGE093
为火电机组
Figure 254995DEST_PATH_IMAGE094
的排放因子；
Figure 888102DEST_PATH_IMAGE095
为基准排放系数；其中，火电站成本包含弃风时，风电因出力的随机性无法满足预测出力部分由补偿出力的火电承担的惩罚成本，
Figure 332990DEST_PATH_IMAGE096
为
Figure 608113DEST_PATH_IMAGE097
时刻风电机组
Figure 704114DEST_PATH_IMAGE098
发电量，
Figure 773701DEST_PATH_IMAGE099
为
Figure 440306DEST_PATH_IMAGE100
时段风机计划发电量，
Figure 253541DEST_PATH_IMAGE101
为单位弃风惩罚金额；
Figure 224556DEST_PATH_IMAGE102
为燃气机组消耗天然气的成本系数；
Figure 465045DEST_PATH_IMAGE103
为时刻
Figure 681263DEST_PATH_IMAGE104
燃气机组
Figure 32609DEST_PATH_IMAGE105
发电量；
Figure 853935DEST_PATH_IMAGE106
为燃气机组的碳排放因子；
Figure 514592DEST_PATH_IMAGE107
为燃气机组碳排放超额部分单位排放量所需支付的罚金，
Figure 155789DEST_PATH_IMAGE108
为单位燃气电站发电政府补偿金额；
Figure 310827DEST_PATH_IMAGE109
为单位风机发电政府补偿金额，
Figure 986659DEST_PATH_IMAGE110
为
Figure 818218DEST_PATH_IMAGE111
时段风机发电量，
Figure 9028DEST_PATH_IMAGE112
为单位风机发电成本系数。
发电侧以自身收益最大化为目标制定上网电价，其目标函数为：
Figure 702177DEST_PATH_IMAGE113
式中，
Figure 498095DEST_PATH_IMAGE114
为发电侧制定的
Figure 985708DEST_PATH_IMAGE115
时刻
Figure 116344DEST_PATH_IMAGE116
发电集团的机组出力，
Figure 347605DEST_PATH_IMAGE117
为发电侧制定的
Figure 998029DEST_PATH_IMAGE115
时刻
Figure 922123DEST_PATH_IMAGE116
发电集团的上网电价，
Figure 821946DEST_PATH_IMAGE118
为成本函数，
Figure 109095DEST_PATH_IMAGE119
为
Figure 879605DEST_PATH_IMAGE120
时刻的发电侧收益。
本发明所提出的考虑新能源出力预测误差的电-气联合系统博弈分析方法流程图如图2所示，具体实现步骤如下：
步骤1：从风力发电站的测风塔获取历史风速以及风电出力有功功率作为原始数据组成原始信息数组
Figure 974600DEST_PATH_IMAGE121
，
Figure 564981DEST_PATH_IMAGE122
，获取发电单元燃气电站以及火电站机组参数。
步骤2：采用W2P方法，确定实时风速以及风电出力特性，利用最小二乘法拟合风电功率特性曲线。
步骤3：利用拟合函数预测风电实时出力，并形成风电预测误差分布曲线，同时采用MLE评估不同风速段误差分布与候选分布的拟合程度，确定分段分布特性。
候选分布包括逻辑分布（logistic分布）以及正态分布两种分布，其概率密度函数为：
Figure 387313DEST_PATH_IMAGE123
Figure 12329DEST_PATH_IMAGE124
步骤4：为使得发电侧收益最大化，采用合作博弈的方式，制定三个发电单元：风电、燃气发电以及火电发电策略。
步骤5：利用微分进化算法对电-气联合系统最优博弈策略进行求解。
利用实际数据拟合的风速-功率特性曲线如图4所示。
图中选取典型日风电场风速及出力数据进行曲线拟合，96点风速序列利用散点表示，由于实际风场风速随机性大，除特殊点外，拟合曲线符合整体风速发展趋势，呈现类似正态分布的分布特性。
预测误差分布数据服从不同候选分布函数拟合效果图如图5所示。
图中选取逻辑分布（logistic分布）以及正态分布两种分布作为候选分布，图中横轴表示预测误差大小，可看出，曲线拟合的误差较小，拟合效果较好，纵坐标表示在单位预测误差范围内的频数，可明显看出，通过对比似然值可发现，logistic分布相较正态分布更能描述预测误差分布特性。
考虑新能源出力预测误差的电-气联合系统最优博弈策略曲线如图5和图6所示
图5为四台火电机组实时计划发电曲线，图6为五台燃气机组实时计划发电曲线，由于火电机组补偿风电出力的波动性，故总体出力较多，同时因火电成本包含碳排放惩罚费用，对火电出力约束较多，因此燃机机组出力曲线相较火电机组出力曲线与负荷曲线更为近似，燃气机组出力的整体波动相较火电较为平稳，整体出力水平超出下限较多，从而证明了燃气电站作为清洁能源的优越性。算例表明燃气电站的参与改变了传统的发电格局，使得发电侧内部在追求效益最大化时更加具有清洁意识，从而增加燃气电站承担负荷需求的比例，同时新能源预测误差的随机性使得整个电力系统的不确定性增强，在出力策略上需考虑新能源的影响，才能使系统运行更加安全、可靠。
以上实施范例仅用于帮助理解本发明的核心思想，不能以此限制本发明，对于本领域的技术人员，凡事依据本发明的思想，在具体实施方式及应用范围上所作的任何改动，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于新能源出力预测误差的电气联合系统出电控制方法，其特征在于，包括以下步骤：
步骤1，获取历史风速以及风电出力有功功率作为原始数据组成原始信息数组Vwind，Pwind，获取发电单元燃气电站以及火电站机组出力上下限以及运行参数；
步骤2，确定实时风速以及风电出力特性，对风电特性函数的系数以及切入风速vc、额定风速vN进行优化，拟合风电功率特性曲线；
步骤3，利用拟合函数预测风电实时出力，形成风电预测误差分布曲线；
步骤4，采用合作博弈的方式，建立合作博弈模型，确定参与者、策略集合以及收益函数，制定三个发电单元：风电、燃气发电以及火电发电策略；
所述步骤4中，构建考虑新能源预测误差不确定性的发电侧博弈模型，具体包括以下子步骤：
步骤4.1，建立模型的局中人集合；联合系统中，参与博弈的局中人包括三个：火电站、风电站以及燃气电站；
步骤4.2，建立模型的策略集合：
Figure FDA0002982517970000011
式中：Pj,t表示第j个能源供应方t时段机组出力；
Figure FDA0002982517970000012
和
Figure FDA0002982517970000013
分别表示t时段机组出力下限和机组出力上限；
步骤4.3，建立发电量与用电量是相匹配且满足供需平衡的关系：
Pf,t+Ph,t+Pq,t＝Lt (2)
其中，Pf,t为t时段风机出力；Ph,t为t时段火电机组出力；Pq,t为t时段燃气轮机出力；Lt为t时段负荷用电需求量；
步骤4.4，建立风电站、燃气电站及燃气电站的气源供应量的约束关系：
Figure FDA0002982517970000021
式中：时段t内的风电可发功率Pw,t需小于最大风电可发功率Pw,available；时段t内的燃气电站可发功率Pr不得大于最大燃气机组可发功率Pr,max，同时不得小于最小燃气机组出力Pr,min；
步骤4.4，建立收益函数集合；
步骤4.5，发电侧以自身收益最大化为目标制定上网电价，并制定收益目标函数；其目标函数为：
maxWt＝Pj,tprj,t-Cj(Pj,t,prj.t) (4)
式中，Pj,t为发电侧制定的t时刻j发电集团的机组出力，prj.t为发电侧制定的t时刻j发电集团的上网电价，Cj为成本函数，Wt为t时刻的发电侧收益；
所述步骤4.4中，火电站、燃气电站、风电站成本函数为:
Figure FDA0002982517970000022
式中，Pfire_i,t为时刻t火电机组i发电量，ui,t为t时段火电机组i的运行状态；ai、bi、ci为火电机组的成本系数；K为超额部分单位排放量所需支付的罚金；αi、βi、χi为火电机组i的排放因子；ε为基准排放系数；其中，火电站成本包含弃风时，风电因出力的随机性无法满足预测出力部分由补偿出力的火电承担的惩罚成本，P′wind_i,t为t时刻风电机组i发电量，Po,t为t时段风机计划发电量，ufa为单位弃风惩罚金额；γ为燃气机组消耗天然气的成本系数；Pgas_i,t为时刻t燃气机组i发电量；φ为燃气机组的碳排放因子；ugas为燃气机组碳排放超额部分单位排放量所需支付的罚金，ggas为单位燃气电站发电政府补偿金额；gwind为单位风机发电政府补偿金额，Pwind_i,t为t时段风机i发电量，lwind为单位风机发电成本系数；
步骤5，对最优博弈策略进行求解以获取最大收益的出力控制策略。
CN201711172774.2A 2017-11-22 2017-11-22 基于新能源出力预测误差的电气联合系统出电控制方法 Active CN107634547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711172774.2A CN107634547B (zh) 2017-11-22 2017-11-22 基于新能源出力预测误差的电气联合系统出电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711172774.2A CN107634547B (zh) 2017-11-22 2017-11-22 基于新能源出力预测误差的电气联合系统出电控制方法

Publications (2)

Publication Number Publication Date
CN107634547A CN107634547A (zh) 2018-01-26
CN107634547B true CN107634547B (zh) 2021-06-04

Family

ID=61108696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711172774.2A Active CN107634547B (zh) 2017-11-22 2017-11-22 基于新能源出力预测误差的电气联合系统出电控制方法

Country Status (1)

Country Link
CN (1) CN107634547B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108808659B (zh) * 2018-06-05 2021-03-09 国网吉林省电力有限公司 风电消纳综合能源系统的协调优化控制及经济性评估方法
CN109494794B (zh) * 2018-11-26 2022-05-03 国网河南省电力公司电力科学研究院 区域分布式储能优化调度方法及装置
CN110854853B (zh) * 2019-12-02 2021-03-26 山东大学 一种发电机组开机方案生成方法及系统
CN112100743B (zh) * 2020-09-01 2024-04-30 国网上海市电力公司 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法
CN113052498B (zh) * 2021-04-23 2024-04-05 国核电力规划设计研究院有限公司 基于综合能源系统的电转气两阶段转化装置调度方法
CN114091721A (zh) * 2021-09-30 2022-02-25 重庆大学 一种基于博弈论的耦合系统可靠性评估方法
CN114117326B (zh) * 2021-12-06 2024-07-09 国网河南省电力公司经济技术研究院 基于系统安全运行约束的微电网市场双阶段交易优化机制

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014039447A (ja) * 2012-08-13 2014-02-27 Smart Grid Home:Kk エネルギーの基本料金削減方法
CN103490449B (zh) * 2013-10-10 2015-04-15 华北电力大学 一种多能源联合发电系统运行模拟的优化方法
CN103683326B (zh) * 2013-12-05 2015-12-30 华北电力大学 一种区域电网风电多点接入最佳接纳能力的计算方法
CN106953367B (zh) * 2017-03-14 2020-07-28 国网天津市电力公司 用于含燃气-蒸汽联合循环机组热电系统的风电消纳方法

Also Published As

Publication number Publication date
CN107634547A (zh) 2018-01-26

Similar Documents

Publication Publication Date Title
CN107634547B (zh) 基于新能源出力预测误差的电气联合系统出电控制方法
CN110417006B (zh) 一种综合能源系统多时间尺度能量调度方法
CN109741103B (zh) 一种短期多目标双层优化调度方法
CN110620397B (zh) 一种高比例可再生能源电力系统的调峰平衡评估方法
CN114301081B (zh) 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法
CN113809780B (zh) 一种基于改进q学习惩罚选择的微电网优化调度方法
CN113592365A (zh) 一种考虑碳排放与绿电消纳的能源优化调度方法及系统
CN109474007B (zh) 一种基于大数据云技术的能源互联网调度方法
CN115408808A (zh) 一种计及碳排放的能源配网系统多时间尺度优化调度方法
CN114048908A (zh) 统一电网-分布式热网系统多时间尺度加强区间优化方法
CN107769266A (zh) 一种多时间尺度发电与备用联合优化方法
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
CN115293457A (zh) 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法
Fan et al. Multi-agent deep reinforced co-dispatch of energy and hydrogen storage in low-carbon building clusters
CN112541612B (zh) 一种基于多网耦合的虚拟电厂经济优化调度方法
CN113869742A (zh) 基于行动家和评论家网络的综合供需侧的电力调度系统
CN117526451A (zh) 考虑柔性负荷下的区域综合能源系统配置优化方法
CN117350503A (zh) 一种含多工业园区的虚拟电厂参与电力市场与辅助服务市场的优化调度方法
CN117526446A (zh) 梯级水风光多能互补发电系统风光容量双层优化配置方法
CN117495012A (zh) 综合能源系统双时间尺度低碳优化调度方法
CN116914732A (zh) 基于深度强化学习的热电联产系统低碳调度方法及系统
CN112821464B (zh) 经同一并网点的可再生能源与火力发电耦合系统调度模型
CN115906401A (zh) 考虑辅助服务碳交易的综合能源系统运行优化方法
CN115189409A (zh) 电力系统生产模拟方法、装置、计算机设备及存储介质
CN115659666A (zh) 一种考虑综合需求响应的虚拟电厂风光联合优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant