一种考虑高比例新能源不确定性的电力系统优化运行方法与系统与流程 专利技术说明

发电;变电;配电装置的制造技术1.本发明属于多源电力系统优化运行技术领域，具体涉及一种考虑高比例新能源不确定性的电力系统优化运行方法与系统。背景技术：2.新能源输出特性受地形、天气等因素影响，难以准确描述，但是其预测误差的描述准确与否极大程度上影响着含高占比光伏的多电源电力系统调度，它决定了机组后续的出力安排甚至启停计划，也一定程度上对能源的消纳和系统的安全经济运行产生了影响，储能系统可以在负荷低谷期间存储多余的电力，并在负荷高峰作为电源参与调峰，这可以有效抑制风电和光伏功率波动，减少风光波动对电网的影响，增强电力系统的稳定性，然而随着“双碳”目标的践行，可再生能源将从补充能源成为主力能源，在大规模的风能和太阳能并网后，如何构建清洁低碳安全高效的能源体系，满足以新能源为主体的新型电力系统，成为电力系统调度领域中需要解决的一个问题。技术实现要素：3.鉴于上述问题，本发明实施例提供了一种考虑高比例新能源不确定性的电力系统优化运行方法，以便克服上述问题或者至少部分地解决上述问题。4.本发明实施例第一方面，提供了一种考虑高比例新能源不确定性的电力系统优化运行方法，所述方法包括：5.建立电力系统运行模型；其中，所述电力系统运行模型包括：发电机组运行约束、输电线路运行约束及母线运行约束；6.建立新能源模型与储能模型；其中，所述新能源模型包括风电场出力模型与光伏电站出力模型；7.建立确定性优化调度模型；其中，所述确定性优化调度模型以最小化系统总成本为目标函数；8.基于所述目标函数，建立不确定性优化调度模型；9.输入源电力系统数据、设备参数及运行参数至所述不确定性优化调度模型，利用求解器进行求解，获取调度运行结果。10.可选地，所述基于所述目标函数，建立电力系统不确定性优化调度模型，包括：11.根据新能源出力预测和负荷需求预测的不确定性，结合蒙特卡洛法与同步回代法获取不确定性场景；12.基于所述目标函数与所述不确定性场景，建立所述不确定性优化调度模型。13.可选地，建立不确定性优化调度模型，包括：获取不确定性场景，不确定性场景对应出现的概率、不确定性场景对应的火电机组运行状态、不确定性场景对应的火电机组的开机成本、不确定性场景对应的火电机组的关机成本、燃料的成本及不确定性场景对应的火电机组消耗煤的成本函数，建立所述不确定性优化调度模型。14.可选地，建立电力系统运行模型，包括：根据火电机组发电量、风电场调度量、光伏电站调度量、储能设备的充电量、储能设备的放电量、电力系统的总负荷量、电力传输线路的输入潮流及电力传输线路的输出潮流，建立电力系统模型。15.可选地，建立电力系统运行模型，包括：基于所述电力系统模型，获取所述发电机组运行约束、所述输电线路运行约束及所述母线运行约束，建立所述电力系统运行模型。16.可选地，所述电力系统运行模型的表达式包括：[0017][0018]pimin·iit≤pit≤pimax·iit[0019][0020][0021][0022]sdit≥sdi·(ii(t-1)-iit)，sdit≥0[0023][0024][0025]plt＝(θs(l)t-θr(l)t)/xl[0026][0027]其中，i是火电机组编号；w是风电场编号；s是光伏电站编号；e是储能装置编号；d是负荷编号；n(e)表示连接到母线(节点)e的设备集合；pit表示火电机组i在t时段的发电量；pwt表示风电场w在t时段的调度量；pst表示光伏电站s在t时段的调度量；pdist和pchrt分别表示t时段储能的充、放电量；pdt表示t时刻系统的总负荷；plt表示电力传输线路l在t时段中的潮流；s(l)和r(l)分别表示输电线路l的发送母线(节点)和接收母线(节点)；pimax为火电机组i的最大有功出力；pimin为火电机组i的最小有功出力；iit表示火电机组i在t时刻的启停状态，“0”表示关机，“1”表示开机；xonit表示机组i在t时段前已连续运行的时间；xoffit表示机组i在t时段前保持关机状态的时间；tion为机组i的最小开机时间；tioff为机组i的最小关机时间；suit表示火电机组i在t时段的开机成本；sdit表示火电机组i在t时段的停机成本；uri表示机组i的向上爬坡极限；dri表示机组i的向下爬坡极限；xl表示输电线路l的电抗；θs(l)t表示输电线路l送端母线在t时段的相角；θr(l)t表示输电线路l的受端母线在t时段的相角；plmax表示输电线路l上允许的潮流上限。[0028]可选地，建立储能模型，包括：获取储能设备的自放电率、储能设备的充电效率、储能设备的放电效率、储能设备的额定容量、储能设备的充电功率、储能设备的放电功率、荷电状态的下限及荷电状态的上限，建立所述储能模型。[0029]可选地，建立电力系统确定性优化调度模型，包括：获取火电机组的开机成本、火电机组的关机成本、燃料的成本、火电机组消耗煤的成本函数及火电机组的发电量，以最小化系统总成本构建目标函数。[0030]可选地，所述目标函数的表达式为:[0031][0032]其中，t为时段编号；i为火电机组编号；suit表示火电机组i在t时段的开机成本；sdit表示火电机组i在t时段的停机成本；是燃料的单位价格；fic表示火电机组i的煤耗成本函数，pit为火电机组的发电量。[0033]本发明实施例第二方面，提供了一种考虑高比例新能源不确定性的电力系统优化运行系统，所述系统包括：[0034]第一建立模块，用于建立电力系统运行模型；其中，所述电力系统运行模型包括：发电机组运行约束、输电线路运行约束及母线运行约束；[0035]第二建立模块，用于建立新能源模型与储能模型；其中，所述新能源模型包括风电场出力模型与光伏电站出力模型；[0036]第三建立模块，用于建立确定性优化调度模型；其中，所述确定性优化调度模型以最小化系统总成本为目标函数；[0037]第四建立模块，用于基于所述目标函数，建立不确定性优化调度模型；[0038]获取模块，用于输入源电力系统数据、设备参数及运行参数至所述不确定性优化调度模型，利用求解器进行求解，获取调度运行结果。[0039]通过本发明实施例提供的一种考虑高比例新能源不确定性的新型电力系统优化运行方法，通过建立电力系统运行模型，风电场出力模型、光伏电站出力模型、储能模型、该方法综合考虑风光和负荷的出力不确定性，建立了含火电的风光确定性优化调度模型，通过蒙特卡洛模拟生成大量场景来描述其不确定性，运用同步回代法对得到的系列场景进行削减，保留具有代表性的场景，建立不确定优化调度模型，并利用分段线性化方法，将模型转化为混合整数线性规划问题进行求解，提高了不确定优化调度模型的松弛精度和求解速度，通过获取的调度运行结果，运用在以新能源为主体的新型电力系统中，可以提高电网对太阳能和风能的消纳能力，同时配合火电机组参与调峰，及储能设备协调工作，将来有效维护系统的安全稳定，提升系统运行的经济效益。附图说明[0040]为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0041]图1是本发明实施例提供的一种考虑高比例新能源不确定性的电力系统优化运行方法的步骤流程图；[0042]图2是本发明实施例提供的一种6节点电力系统的示意图；[0043]图3是本发明实施例提供的一种典型日电力负荷以及风光出力曲线的示意图；[0044]图4是本发明实施例提供的算例1中各机组调度结果的示意图；[0045]图5是本发明实施例提供的算例1中火电机组调度结果的示意图；[0046]图6是本发明实施例提供的算例2中火电机组调度结果的示意图；[0047]图7是本发明实施例提供的算例3中火电机组调度结果的示意图；[0048]图8是本发明实施例提供的一种考虑高比例新能源不确定性的电力系统优化运行系统的结构示意图。具体实施方式[0049]下面将结合本发明实施例中的附图更详细地描述本发明的示例性的实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。[0050]针对目前对如何构建清洁低碳安全高效的能源体系，满足以新能源为主体的新型电力系统运行的问题，因此本发明提供了本发明提出一种考虑高比例新能源不确定性的电力系统优化运行方法，利用储能系统可以在负荷低谷期间存储多余的电力，并在负荷高峰作为电源参与调峰，这可以有效抑制风电和光伏功率波动，减少风光波动对电网的影响，增强电力系统的稳定性，火电机组的调峰控制确保部分风力发电和太阳能发电的正常并网，来对目前的以新能源为主体的新型电力系统的运行问题进行优化，以促进风光资源消纳，降低系统运行成本。[0051]参照图1，图1是本发明实施例提供的一种考虑高比例新能源不确定性的电力系统优化运行方法的步骤流程图，其中方法步骤包括：[0052]步骤s101：建立电力系统运行模型；其中，所述电力系统运行模型包括：发电机组运行约束、输电线路运行约束及母线运行约束。[0053]在本实施例中，建立电力系统运行模型用于模拟实际电力系统运行时的真实情况，其中电力系统运行时，需要满足发电机组运行约束、输电线路运行约束及母线运行约束，满足约束条件的运行，使电力系统运行时，才会更加可靠。[0054]步骤s102：建立新能源模型与储能模型；其中，所述新能源模型包括风电场出力模型与光伏电站出力模型。[0055]在本实施例中，建立新能源模型与储能模型，其中新能源模型包括风电场出力模型和光伏电站的出力模型，由于用户侧的负荷需求是不确定的，在用电低谷时，电力系统运行的发电量会超过用户的用电量，为了保持发电量与用户侧的用电量保持平衡，维持系统的稳定，新能源模型中的风电场出力在一定程度上是可以进行调度的，可以通过适当的弃风来实现优化调峰，光伏电站的出力在一定程度上也是可以进行调度的，可以通过适当弃光来实现优化调峰，储能模型的建立，可以将风电场与光伏电站出力的多余电量进行存储，这样就可以减少风电场的弃风量及光伏电站的弃光量，在负荷低谷期间存储多余的电力，并在负荷高峰作为电源参与调峰，这可以有效抑制风电和光伏功率波动，减少风光波动对电网的影响，增强电力系统的稳定性。[0056]步骤s103：建立确定性优化调度模型；其中，所述确定性优化调度模型以最小化系统总成本为目标函数。[0057]在本实施例中，最小化系统总成本为目标函数，建立确定性优化调度模型，其中的最小化系统总成本是指火电机组的开机成本最小、火电机组的停机成本最小以及火电机组发电时的煤耗成本最小、发电机组在进行，在本实施例中，由于新能源的发电是利用可再生的资源，且是自然界本身就存在的风光资源，新能源的设备在前期已经投入，在使用新能源进行发电时，可以理解为新能源的发电是不需要成本的，储能设备进行存储的电量也是新能源发电的多余电量进行存储，并不是利用火电机组进行发电，存储的电量，因此以火电机组在系统中运行总成本来作为系统的总成本，并以此构建目标函数。[0058]步骤s104：基于所述目标函数，建立不确定性优化调度模型。[0059]在本实施例中，根据步骤s103构建的目标函数，由于在实际的以新能源为主体的新型电力系统中，新能源的发电量是不确定的，用户侧的需求负荷也是不确定的，因此需要建立不确定性优化调度模型，将新能源发电的不确定与用户侧需求负荷的不确定性考虑在优化调度模型中，与真实的新能源发电与用户侧需求负荷更接近，并以此求解的调度运行结果更保真。[0060]步骤s105：输入源电力系统数据、设备参数及运行参数至所述不确定性优化调度模型，利用求解器进行求解，获取调度运行结果。[0061]在本实施例中，通过输入真实的源电力系统数据、设备参数及运行参数等数据至不确定性优化调度模型，采用商业求解器gurobi对考虑不确定性优化调度模型进行求解，获取调度运行结果；其中多源电力系统数据包括系统拓扑结构以及输电线路参数，设备参数包括火电机组、风电场、光伏电场、储能电站的数量、容量以及出力上下限等，运行参数包括火电机组的燃耗及燃料价格、设备的各种运行参数、负荷和风电、光伏出力预测等数据，在实际的运用时，可以根据调度运行的结果，知道按照此模型进行调度的系统预测总成本，根据实际的运行需要与成本控制，可以选择合适的火力发电机组参与新能源为主体的新型电力系统的调度。[0062]通过本发明提供的一种考虑高比例新能源不确定性的电力系统优化运行方法，可以同时涵盖传统火电、风光电站和储能电站的日前调度，考虑了风光互补特性和储能参与调节，在风光电站出力不确定情况下，基于随机优化，模拟生成大量满足相应概率密度函数的场景，同步回代法进行削减，保留具有代表性的场景，大大减少计算量，提高计算速度。[0063]在一种实施例中，所述基于所述目标函数，建立电力系统不确定性优化调度模型，包括：根据新能源出力预测和负荷需求预测的不确定性，结合蒙特卡洛法与同步回代法获取不确定性场景；基于所述目标函数与所述不确定性场景，建立所述不确定性优化调度模型。[0064]在本实施例中，由于新能源出力预测与负荷需求预测的不确定性，需要结合历史数据，采用蒙特卡洛法模拟生成大量的新能源出力预测场景与负荷需求预测的场景，由于大量的场景代入计算时，有些场景是多次重复出现的场景，会有很大的计算量，会花费大量的时间才能得出调度运行结果，因此为了减少计算量，以及提高计算速度，利用同步回代法对大量的场景进行削减，保留具有代表性的场景，即获取不确定性场景，通过目标函数与不确定场景，建立不确定性优化调度模型。[0065]示例地，下面对获取不确定性场景进行详细的介绍：[0066](1)新能源出力预测场景生成[0067]为了表示新能源出力的不确定性，新能源出力即风光出力，首先假定风光出力的误差满足正态分布，其中新能源出力预测误差的均值为μ，方差为σ2，根据历史数据分析，统计风电和光伏不确定性和波动性的方差，利用蒙特卡洛模拟法对新能源预测误差进行抽样。[0068]采用参数估计对预测误差进行拟合，建立风光出力的不确定性模型，在预测值的基础上叠加预测误差，风光出力的不确定性模型的表达式为：[0069][0070][0071]σwt＝pwt,p×χ％[0072][0073][0074]σst＝pst,p×δ％[0075]式中，和分别指t时段风电场w和光伏电站s的实际发电功率；pwt,p和pst,p分别表示t时段风电场w和光伏电站s的预测出力值；δpwt,p和δpst,p分别表示t时段风电场w和光伏电站s发电功率的预测误差；δ％和χ％为标准差σwt、σst占风电和光伏预测功率的比例系数。[0076](2)负荷需求预测的场景生成[0077]与新能源出力预测场景生成同理，将实际负荷pdt看作是服从期望为预测负荷pdt,p，标准差为σdt的正态分布，建立负荷需求预测的不确定性模型，在预测值的基础上叠加预测误差，负荷需求预测的不确定性模型的表达式为：[0078][0079]σdt＝pdt,p×ε％[0080]式中，ε％为标准差σdt占负荷预测出力的比例系数。[0081](3)蒙特卡洛模拟生成场景[0082]1)t和s为索引，初始值为1。首先，根据上述已知的负荷预测和风光预测误差的概率分布函数随机抽取一个样本点，并根据此时的光伏预测误差值，采用预测值叠加预测误差得到此刻风光的实际出力；[0083]2)重复步骤1，索引t+1，直到得到第一个场景中整个调度时段的负荷和风光出力数据；[0084]3)索引s+1，重复步骤1和步骤2，直到得到指定数目的场景量，例如指定数目为1000个场景量，最后就会得到1000个场景量。[0085](4)同步回代法场景削减[0086]步骤1：设置s为初始场景集：ds为将要删去的场景集；初始ds为空集；计算所有场景对之间的距离：dts,s′＝dt(εs,εs′),s,s′＝1,2,…,n。[0087]步骤2：对于每个场景k，存在一个场景与它的距离最小。即dtk(r)＝mindtk,s′，s′,k∈s，s′≠k；r是与场景k具有最小欧式距离的场景号。[0088]步骤3：pdk(r)＝pk·dtk(r)，k∈s，计算场景r与场景k的概率距离，找到与场景r的概率距离最小的场景d，即pdd＝minpdk，k∈s。[0089]步骤4：s＝s-{d}，ds＝ds+{d}，pr＝pr+pd，在原始场景集s中删去与场景r有最小概率距离的场景集合{d}，在场景集ds中增加场景集{d}，且将被场景d的发生概率加给场景r。[0090]通过步骤1～4对蒙特卡洛模拟生成场景的1000个场景进行削减，最后可以获取不确定性场景。[0091]在一种实施例中，建立不确定性优化调度模型，包括：获取不确定性场景，不确定性场景对应出现的概率、不确定性场景对应的火电机组运行状态、不确定性场景对应的火电机组的开机成本、不确定性场景对应的火电机组的关机成本、燃料的成本及不确定性场景对应的火电机组消耗煤的成本函数，建立所述不确定性优化调度模型。[0092]在本实施例中，通过获取不确定性场景，不确定性场景对应出现的概率、不确定性场景对应的火电机组运行状态、不确定性场景对应的火电机组的开机成本、不确定性场景对应的火电机组的关机成本、燃料的成本及不确定性场景对应的火电机组消耗煤的成本函数，获取不确定性优化调度模型，其中不确定优化调度模型的目标函数的表达式为：[0093][0094]式中：上标ξ表示考虑不确定性的场景编号；ρξ是相应场景ξ的概率；为场景ξ中t时刻火电机组i的运行状态，1表示开机，0表示关机；表示场景ξ中火电机组i在t时段的开机成本；表示场景ξ中火电机组i在t时段的停机成本；为场景ξ中火电机组i的煤耗成本函数；ns为削减后的场景数量。目标函数是不同子场景下系统运行成本的加权平均值。[0095]在一种实施例中，建立电力系统运行模型，包括：根据火电机组发电量、风电场调度量、光伏电站调度量、储能设备的充电量、储能设备的放电量、电力系统的总负荷量、电力传输线路的输入潮流及电力传输线路的输出潮流，建立电力系统模型。[0096]在本实施例中电力系统模型用于体现以新能源为主体的新型电力系统，参与该新型电力系统的发电设备与用电设备，保证在节点处的输入功率与输出功率保持平衡。[0097]在一种实施例中，建立电力系统运行模型，包括：基于所述电力系统模型，获取所述发电机组运行约束、所述输电线路运行约束及所述母线运行约束，建立所述电力系统运行模型。[0098]在本实施例中，为了保证电力系统正常的运行，在运行过程中，还需要对发电机组运行进行约束、输电线路进行约束、母线运行进行约束，保证发电机组、输电线路及母线运行都在其可控的运行范围内，保证电力系统运行的稳定。[0099]具体的，电力系统运行模型的表达式包括：[0100][0101]pimin·iit≤pit≤pimax·iit[0102][0103][0104][0105]sdit≥sdi·(ii(t-1)-iit)，sdit≥0[0106]pit-pi(t-1)≤uri·ii(t-1)+pimin·(iit-ii(t-1))+pimax·(1-iit)[0107]pi(t-1)-pit≤dri·iit+pimin·(ii(t-1)-iit)+pimax·(1-ii(t-1))[0108]plt＝(θs(l)t-θr(l)t)/xl[0109]-plmax≤plt≤plmax[0110]其中，i是火电机组编号；w是风电场编号；s是光伏电站编号；e是储能装置编号；d是负荷编号；n(e)表示连接到母线(节点)e的设备集合；pit表示火电机组i在t时段的发电量；pwt表示风电场w在t时段的调度量；pst表示光伏电站s在t时段的调度量；pdist和pchrt分别表示t时段储能的充、放电量；pdt表示t时刻系统的总负荷；plt表示电力传输线路l在t时段中的潮流；s(l)和r(l)分别表示输电线路l的发送母线(节点)和接收母线(节点)；pimax为火电机组i的最大有功出力；pimin为火电机组i的最小有功出力；iit表示火电机组i在t时刻的启停状态，“0”表示关机，“1”表示开机；xonit表示机组i在t时段前已连续运行的时间；xoffit表示机组i在t时段前保持关机状态的时间；tion为机组i的最小开机时间；tioff为机组i的最小关机时间；suit表示火电机组i在t时段的开机成本；sdit表示火电机组i在t时段的停机成本；uri表示机组i的向上爬坡极限；dri表示机组i的向下爬坡极限；xl表示输电线路l的电抗；θs(l)t表示输电线路l送端母线在t时段的相角；θr(l)t表示输电线路l的受端母线在t时段的相角；plmax表示输电线路l上允许的潮流上限。[0111]在一种实施例中，建立储能模型，包括：获取储能设备的自放电率、储能设备的充电效率、储能设备的放电效率、储能设备的额定容量、储能设备的充电功率、储能设备的放电功率、荷电状态的下限及荷电状态的上限，建立所述储能模型。[0112]在本实施例中，通过储能设备的自放电率、储能设备的充电效率、储能设备的放电效率、储能设备的额定容量、储能设备的充电功率、储能设备的放电功率、荷电状态的下限及荷电状态的上限，建立储能模型，储能模型[0113]et＝(1-δsdr)et-1+pchrtηc[0114][0115]ssoc,t＝et/en[0116]pmin≤pchrt≤pmax[0117]pmin≤pdist≤pmax[0118][0119]ssoc,nt＝ssoc,0[0120]式中，et为储能设备的剩余电量；δsdr为储能设备的自放电率；ηc、ηd分别指储能设备的充电效率和放电效率；en是储能设备的额定容量；ssoc,t为储能设备在t时刻的荷电状态；pmax、pmin分别是是由储能设备本身的功率特性确定的最大和最小充电和放电功率；分别是荷电状态的下限和上限、nt为时段数、ssoc,nt为结束时刻的荷电状态，ssoc,0为初始时刻的荷电状态。[0121]在一种实施例中，建立电力系统确定性优化调度模型，包括：获取火电机组的开机成本、火电机组的关机成本、燃料的成本、火电机组消耗煤的成本函数及火电机组的发电量，以最小化系统总成本构建目标函数。[0122]在本实施例中，通过获取火电机组的开机成本、火电机组的关机成本、燃料的成本、火电机组消耗煤的成本函数及火电机组的发电量，以最小化系统总成本构建目标函数，目标函数的表达式为:[0123][0124]其中，t为时段编号；i为火电机组编号；suit表示火电机组i在t时段的开机成本；sdit表示火电机组i在t时段的停机成本；是燃料的单位价格；fic表示火电机组i的煤耗成本函数，pit为火电机组的发电量。[0125]其中，fic表示火电机组i的煤耗成本函数，与火电机组的发电量有关，具体可以表示为：[0126]fit＝ai+bi·pit+ci·pit2[0127]式中：ai、bi、ci为机组i的燃料耗量特性系数。[0128]由于煤耗成本函数是一个非线性化的函数，为了利用求解器对煤耗成本函数进行求解，因此需要将煤耗成本函数转化为混合整数线性规划问题进行求解，转化后的线性化成本函数可以表示为：[0129][0130]式中：pi表示第i个分段点的发电量；ppart，i是为曲线的第i段所分配的调度量。[0131]示例地，下面将通过具体的采用本发明所提供的一种考虑高比例新能源不确定性的电力系统优化运行方法，提供三个算例来对具体的电力系统进行实验来验证。[0132](1)首先对算例进行介绍：[0133]图2是本发明实施例提供的一种6节点电力系统的示意图，如图2所示，该系统具有较高比例风光渗透率，节点1、节点2和节点3处各有一台火电机组，节点4和节点5处各有一座光伏电站和风电场，负荷分布在节点2、节点3和节点6，分别占总负荷需求的15％、25％及60％，以1小时为间隔，24小时为调度周期，测试工具采用matlab2018a编程软件和gurobi8.1商用求解器。[0134](2)对算例对应的场景进行描述。[0135]为了研究本文提出的考虑高比例新能源不确定性的新型电力系统优化运行方法，突出风光等新能源出力不确定性对调度结果的影响，设置以下算例1-3。[0136]算例1：不考虑风光、负荷预测误差的确定性优化调度；[0137]算例2：考虑风光、负荷10％预测误差的不确定性优化调度；[0138]算例3：考虑风光、负荷20％预测误差的不确定性优化调度；[0139]实施例结果分析。[0140]表1-表3给出了用到的各机组参数和线路参数。[0141]表1火电机组出力参数[0142][0143]表2火电机组燃料成本参数[0144][0145]表3传输线参数[0146][0146][0147]算例1的各机组调度结果如图4所示，在目标函数的影响下，为了在满足系统约束的同时尽可能地最小化总成本，风电和光伏在日前调度时刻是满出力，没有发生弃电现象，因为它们不需要燃料成本并且约束较少。相对成本最低的火电机组g3承担主要的调峰任务。在13:00时刻，光伏出力达到当日最大，因为火电机组有最小启停时间限制，调节不够灵活，并没有停机、而是保持较小出力，储能装置对多余的电能进行存储。[0148]可以得出结论，火电和储能可以有效平抑风力和光伏发电造成的波动，提高电网对太阳能和风能的消纳能力。火电机组中一些经济效率较高的机组参与调峰，并与储能协调工作，可以维护系统的安全稳定，提高经济效益。[0149]表4算例1-3成本对比[0150]算例1算例2算例3系统总成本235960.38241946.32266400.25[0151]对比图5和图6中，由于风力和光伏出力的不确定性以及负荷预测的影响，为了满足1:00时的随机负荷需求，火电机组g1保持启动状态，以维持系统的安全和稳定。此外，在整个调度期间，场景2的火电出力高于场景1。因此，与之前不考虑不确定性的算例相比，系统运行成本增加至241946.32美元。[0152]图5是本发明实施例提供的算例1中火电机组调度结果的示意图；图6是本发明实施例提供的算例2中火电机组调度结果的示意图；图7是本发明实施例提供的算例3中火电机组调度结果的示意图，结合图5-7和表4，可以看出随着不确定程度的增大，g1开机的时段数或发电量也有不同程度的增加。从中我们可以得出结论：电力系统中不确定性越高，为了维持功率平衡，满足系统负荷需求，保持电力系统的安全稳定，机组需要提供更多的备用，火电机组开机的可能性更大，会在更多的时段内处于开机状态，机组组合调度的运行成本也会相应增加。[0153]本发明实施例第二方面，提供了一种考虑高比例新能源不确定性的电力系统优化运行系统，所述系统包括：第一建立模块s801、第二建立模块s802、第三建立模块s803、第四建立模块s804、获取模块s805。[0154]第一建立模块s801，用于建立电力系统运行模型；其中，所述电力系统运行模型包括：发电机组运行约束、输电线路运行约束及母线运行约束；[0155]第二建立模块s802，用于建立新能源模型与储能模型；其中，所述新能源模型包括风电场出力模型与光伏电站出力模型；[0156]第三建立模块s803，用于建立确定性优化调度模型；其中，所述确定性优化调度模型以最小化系统总成本为目标函数；[0157]第四建立模块s804，用于基于所述目标函数，建立不确定性优化调度模型；[0158]获取模块s805，用于输入源电力系统数据、设备参数及运行参数至所述不确定性优化调度模型，利用求解器进行求解，获取调度运行结果。[0159]本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。[0160]本发明实施例是参照根据本发明实施例的方法、装置的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0161]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0162]这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0163]尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。[0164]最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。[0165]以上对本发明所提供的一种考虑高比例新能源不确定性的电力系统优化运行方法与系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!