[发明专利]一种含大规模风电功率场景的电力系统经济调度方法

说明书

本发明公开了一种含大规模风电功率场景的电力系统经济调度方法，包括以下步骤：输入系统内风电场历史出力功率的预测数据和实测数据；根据场景生成方法，确定风电功率原始场景集合；建模考虑风电功率随机性的电力系统随机经济调度模型；基于增量逼近‑拉格朗日松弛算法求解电力系统随机经济调度模型，确定电力系统经济调度结果；输出电力系统经济调度结果。本发明技术方案提供一种基于大规模风电功率场景考虑风电功率随机性和相关性的电力系统经济调度模型，并基于增量逼近‑拉格朗日松弛方法高效、准确求解含大规模风电场景的电力系统经济调度问题，保证了收敛速度并保留了原始拉格朗日问题的分解特性，从而能够高效且准确地求解。

技术领域

本发明涉及电力系统运行与控制技术领域，具体涉及一种基于增量逼近-拉格朗日松弛的含大规模风电功率场景的电力系统经济调度方法。

背景技术

基于含大规模风电的电力系统优化问题中，场景法建模风电功率作为一种有效考虑风电功率随机性的方法被广泛使用。风电功率场景将随机性的风电功率表征为一定数量的可能风电功率取值及其相应概率，即风电功率场景集合。而基于场景模型建模含随机变量的优化问题的关键问题在于求解的复杂度，由于场景是随机变量的确定性表征，为达到较好的表征精度，往往需要规模较大的场景集合，而随着优化问题中场景集合规模的增大，优化问题本身的规模也会急剧增大。

现有大多数基于场景来表征随机变量的研究，都通过场景削减技术将表征随机变量的(原始)场景集合削减为较小数量的场景集合，即“削减后的场景集合”，然后将“削减后的场景集合”放入优化问题中进行求解。通过规模较小的削减后的场景集合来“代替”(原始)场景集合以在一定的误差范围内降低模型算法的计算复杂度；另外一种通过借鉴数学上分解算法的思路，将含大量场景的大规模优化问题分解为若干个较小的问题进行求解，以此降低模型算法求解的复杂度。

最经典且最为广泛应用的场景削减技术是基于将数学距离(例如，Kantorovich泛函距离)作为场景削减的削减判据的方法，即最小化原始场景集合和削减后的场景集合之间的数学距离；然而，最小化原始场景集合和削减后场景集合的数学距离并非场景削减技术真正的评价指标，如，对与原始风电功率场景集合和削减后的风电功率场景集合之间好的近似并不能保证对含风电优化问题的优化决策变量的好的近似。以含J个风电场的风电功率场景集合为例，基于数学距离的场景削减方法旨在最小化原始场景集合和削减后的场景集合之间的J维的数学距离；而在不考虑系统传输阻塞的情况下，风电功率的随机性与风电场的和分布功率场景有关，即本质上是在一维空间的分布，这种场景削减方法反而会低估风电功率的随机性影响。

国内外有学者意识到这个问题，很多场景削减方面的研究将优化问题的部分目标函数考虑到场景削减过程中来。这些研究旨在将决策变量和场景对应的目标函数值考虑到场景削减过程中，以得到更好的削减后的场景集合。然而，基于场景的电力系统优化中的目标函数十分复杂，导致这类研究都为探索性的方法，无法证明其逻辑依据，且由于只能考虑部分优化问题的信息，难以得到足够好的削减后场景集合。综上所述，场景削减方法不能保证基于场景的电力系统优化问题结果。

有鉴于此，急需提供一种能通过分解的形式将原始的含很多场景的大规模问题分解为一些规模较小的问题并分别求解的含大规模风电功率场景的电力系统经济调度方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种含大规模风电功率场景的电力系统经济调度方法，包括以下步骤：

S1、输入系统内风电场历史出力功率的预测数据和实测数据；

S2、根据场景生成方法，确定风电功率原始场景集合；

S3、建模考虑风电功率随机性的电力系统随机经济调度模型；

S4、基于增量逼近-拉格朗日松弛算法求解电力系统随机经济调度模型，确定电力系统经济调度结果；

S5、输出电力系统经济调度结果。