含新能源的电力系统机组组合优化算法文献综述

1. 文献综述（或调研报告）：
   Ⅰ.现状
   节能降耗、清洁能源是当今社会关注的热点。风电无燃料消耗，是极具开发潜力的可再生清洁能源。风电是一种取之不尽，用之不竭的能源，它一方面为电力系统节约了煤炭等非可再生能源，有利于环境保护；另一方面，由于风电的随机性，风力发电只是一种间歇性能源。风电场的功率输出具有很强的随机性，而且目前的预报水平还不能满足电力系统实际运行的需要，在作运行计划时风电是作为未知因素考虑的。传统的发电计划基于电源的可靠性以及负荷的可预测性，使发电计划的制定和实施有了可靠的保证。但是，如果系统内含有风电场，因为风电场出力的预测水平还达不到工程实用的程度，发电计划的制定变得困难起来。随着风电机组技术进步和成本降低以及社会对能源多样性和能源安全方面的重视，风电比例会逐渐提高。风电场的容量越来越大，对系统的影响也越来越明显，研究风电并网对系统的影响已成为重要课题。含风电场的电力系统机组组合问题是一个多变量、多约束、高度非线性混合整数规划问题，其中又有随机变量，其难点在于多变量、多约束、非线性和随机变量的处理大规模并网风电的发展，含风电场的多电源电力系统优化调度问题已成为备受关注的课题。

电力系统机组组合问题是指在满足系统负荷、备用要求和机组运行的技术条件约束的情况下，确定一个调度周期（通常为24h）内各时段参加运行的机组和各机组在运行时段的出力，使系统总的运行费用最少。机组组合问题是典型的大规模非线性混合整数规划问题，已有许多文献提出了解决该问题的方法。

Ⅱ.光伏、风电特性和对电网的影响

(1)光伏发电出力特性

a.光资源的特性：规律性，间歇性，波动性。

b.发电设备的特性：逆变器谐波及抗过流能力差、光伏电池电磁暂态无惯性。

(2)风力发电特性

风具有随机性、波动性以及不可控性，风电场的出力波动大。

Ⅲ.现有的研究成果

• 基于机会约束规划的含风电场电力系统机组组合数学模型

1. 机会约束规划原理
   机会约束规划是随机规划的重要分支，是由Charnes 和Cooper 首先提出来的，用于解决在给定置信度水平下具有不确定性因素的优化问题。如果约束条件中含有随机变量，且必须在观测到随机变量的实现之前做出决策，考虑到所作决策在不利的情况发生时可能不满足约束条件，而采用一种原则:即允许所作决策在一定程度上不满足约束条件，但是，该决策应该使约束条件成立的概率不小于某一置信水平。
2. 约束条件
   a.系统功率平衡约束
   b.系统的旋转备用约束
   c.系统的分钟级爬坡能力的约束
   d.线路输送有功功率约束

e.常规机组出力约束

f.机组启停时间约束
g.机组爬坡能力约束

1. 基于随机模拟的粒子群算法求解

• 基于场景分析的随机期望值模型

针对风电场输出功率的随机性和间歇性或者说是预测误差,在以场景树形式描述风电场输出功率不确定性随时间发展的基础上,本文以系统机组启动成本和机组期望运行成本之和最小为目标,以各个场景下机组运行状况、网络安全为约束,满足系统发电与用电平衡,建立基于场景分析的含风电系统机组组合的随机规划(scenario-based stochastic unit commitment, SBS-UC)模型,同时在目标函数中加入了用户停电损失及弃风惩罚成本部分,使求取的调度策略兼顾经济性和可靠性要求。通过对目标函数和约束条件的线性化表达,将模型转化为混合整数线性规划问题,然后利用商业优化软件CPLEX进行求解。算例分析结果表明,基于场景分析的随机机组组合方法(SBS-UC)是一种解决含风电电力系统机组组合问题的有效方法,能够得到统计意义上较优的机组组合结果。

1. 风电不确定性的场景建模

(1) 风电的不确定性建模及其场景树描述

a.风电不确定性的场景描述方式

b.风电不确定性的建模及场景采样

• 基于风电功率预測误差的ARMA估计模型的场景采样方法
• 基于风电功率多时段联合概率密度预测的场景采样方法

(2)场景縮减及场景树的形成

(3)场景集合的评估

1. 基于场景分析的随机期望值模型
   构建基于场景分析的随机期望值模型的一般流程:
   1. 依据历史数据对系统中研究的不确定因素进行概率建模；
   2. 利用蒙特卡洛模拟方法进行场景采样获得初始场景集合；
   3. 依据缩减前后概率距离最小的原则对生成的初始场景集合进行缩减并进而转化为树形结构,最终得到场景值及其概率；
   4. 针对问题的特点建立模型式(2-15)-(2-17),并求解之。

• 基于场景分析的含风电系统机组组合的两阶段随机优化模型

1. 模型描述
   目标函数：
2. 约束条件
3. 第一阶段决策量约束条件
   a.关联机组启停的最小开机时间约束

b.最小停机时间约束。

1. 第二阶段决策量约束条件
   a.常规动态经济调度约束

b.场景束约束

• 随机规划模型的线性化表达及求解流程

1. 目标函数的线性化
   （1）启动成本的线性化
   （2）燃料成本的分段线性化
2. 约束条件的线性化
   （1）机组最小开停机时间约束的线性化
   （2）网络安全约束的处理
3. 模型的扩展性及求解流程

Ⅳ.现有研究存在的问题

通过对国内外含风电场电力系统经济调度相关研究的综述可见,学者们在理论研究、模型建立、求解算法等几个方面对含风电场电力系统优化调度问题进行了卓有成效的工作,对提高电网风电接纳能力起到了积极作用,但现有成果仍需进一步继承和发展。首先,随着风电建设规模的扩大,风力发电等可再生能源在电网装机容量中所占比例越来越高,在机组组合中若仅考虑系统备用容量而不考虑备用的响应过程,则可能由于机组输出功率调节速度的限制而不能实现对风电功率的充分消纳,甚至可能由于机组爬坡速度制约而出现失负荷的风险。其次,与机组强迫停运、线路故障等偶发性扰动不同,风力发电的扰动具有持续、高幅、常态化的特征,考虑系统是否具有应对间歇式电源连续多个时段波动的响应能力就显得尤为重要。而从目前研究来看,现有的含风电系统的多场景机组组合模型多仅考虑机组在风电功率预测期望值场景下的机组时段间关联约束,而没有考虑其余场景的时序发展,即假设各场景在连续时段上是相互独立的,机组在应对时段t-1发生的风电功率波动后,默认系统在时段t能够从扰动发生后的波动场景校正回时段t期望值场景下的基准状态。这种决策思路对于机组强迫停运、线路故障等偶发性故障的处理是适用的,即当系统发生大扰动后,系统将退出自动控制而转入事故处理阶段,预先制定的调度策略的后续指令将不再起效,故在制定调度方案时,考虑到故障的偶发性不对事故扰动的后续发展进行时序建模是可接受的。然而,对于风电这类持续性的扰动,其在整个决策周期内的平抑都必须由调控系统自动完成,在此情境下,应考虑系统是否具有应对连续多个时段波动的响应能力,在制定机组组合及相应调度计划时,就必须考虑到扰动场景的时序发展过程,以达到平滑控制的目的。最后,已有相关研究从风电反调峰角度论证了大规模风电接入后合理弃风的必要性和可行性,但没有考虑风电场输出功率预测误差的问题。

四、方案（设计方案、或研究方案、研制方案）论证：

• 建立模型

建模对象：含风电的电力系统机组组合
主要任务：解决风能的波动性和随机性的建模
初步方案：基于场景分析的含风电场电力系统安全约束机机组组合的两阶段随机优化模型

• 模型优化求解

分解优化算法:Benders算法

式中:为所有时段机组的输出功率向量;为情况 下机组的调节量及切负荷量; 为情况发生的概率; 和为与成本相关的系数; 为约束中的系数矩阵; 和 为对应约束的限值。
原问题由2个部分组成: 其一为不考虑事故调整的动态经济调度部分, 称之为主问题, 其仅含变量; 其二为一组对各时段各预想事故的调整决策问题,称之为子问题, 其决策变量为相应的。其中,子问题的可行域受主问题影响, 即在各子问题的约束中除了含有自身的决策变量外还含有主问题的决策变量。
优化模型结构示意图如下图所示：

求解步骤：
1. 初始化原问题目标函数上界UB 为，下界L B 为； 初始化子问题情况下对偶问题的上界为0； 设置初始化迭代次数；
2. 求解主问题，采用调度结果更新原问题目标函数下界, 即将

赋给；
3. 依次或并行求解各子问题( 此时, x 为已知量)；
4. 若所有子问题均有解且满足最优性条件, 则迭代结束。此时, 此次迭代所得的x 以及即为原问题的最优解。若各子问题均有解, 但存在子问题不满足最优性条件, 则说明此次迭代得到的以及 是一组可行解, 但并非最优解。此时, 利用此次迭代中得到的解求出原问题的目标函数值, 此处将其设为 并用该值更新原问题目标函数的上界。即将 赋予。
5. 若 与 之差小于预先设定的允许误差，则迭代结束。此次迭代得到的 及即可近似认为是原问题的最优解。否则, 增加1, 转到步骤2, 重新计算加入新Benders 割后的主问题。

• 案例仿真
  采用IEEE标准6节点、118节点系统模型，进行仿真验证。设定一些基本参数和自然条件，使用Matlab/Simulink得出比较真实的仿真结果。需要设定的自然条件包括自然风条件、光照辐射条件等，需要设定的基本参数包括风电场、光伏电厂的发电容量和储能设备的储能容量等。

对于仿真结果的分析，要考虑到电力系统的工作要求。以此要求对结果进行对照分析，分析包括电网的安全，稳定的运行状态，经济成本，电能的质量等等。

将仿真结果与电力系统的要求进行对比，找到不足之处，并通过下面的控制策略进行优化改善，尽量地达到甚至超过电网要求。

五、参考文献

1. 杨明等, 求解概率动态调度问题的Benders分解算法. 电力系统自动化, 2011(06): 第34-39页.
2. 雷宇, 杨明与韩学山, 基于场景分析的含风电系统机组组合的两阶段随机优化. 电力系统保护与控制, 2012(23): 第58-67页.
3. 张宁宇, 高山与赵欣, 一种考虑风电随机性的机组组合模型及其算法. 电工技术学报, 2013(05): 第22-29页.
4. 白杨等, 水–火–风协调优化的全景安全约束经济调度. 中国电机工程学报, 2013(13): 第2-9页.
5. 魏韡, 刘锋, 梅生伟. 电力系统鲁棒经济调度 (一) 理论基础[J]. 电力系统自动化, 2013, 37(17): 37-43.
6. 魏韡, 刘锋, 梅生伟. 电力系统鲁棒经济调度 (二) 应用实例[J]. 电力系统自动化, 2013, 37(18): 60-67.
7. 李志刚, 吴文传 , 张伯明. 消纳大规模风电的鲁棒区间 经济调度(一) 调度模式与数学模型. 电力系统自动化. 2014, 38(20): 33-39
8. Wu, L., M. Shahidehpour and Z. Li, Comparison of scenario-based and interval optimization approaches to stochastic SCUC. IEEE Transactions on Power Systems, 2012. 27(2): p. 913-921.
9. Wang, J., M. Shahidehpour and Z. Li, Security-constrained unit commitment with volatile wind power generation. IEEE Transactions on Power Systems, 2008. 23(3): p. 1319-1327.