[发明专利]一种基于最坏场景辨识的电力系统鲁棒经济调度方法

权利要求书

1.一种基于最坏场景辨识的电力系统鲁棒经济调度方法，其特征在于该方法包括以下步骤：

(1)建立考虑安全约束的鲁棒经济调度模型

考虑发电和备用计划的传统经济模型可分为两步：机组发电计划制定和机组备用分配；经济调度模型采用滚动调度的模式，即当前时刻安排下一时刻到24:00的调度计划，依次滚动进行调度安排，其数学模型如下：

目标函数

式(1)中决策变量与参数的含义如下：

F——总成本；

d_i——水电机组i的备用成本系数；

——决策变量，水电机组i的备用容量

约束条件

约束条件中的参数含义如下：

——决策变量，表示水电机组i在时刻t的出力；

——水电机组i运行时的最小/最大出力；

——决策变量，光伏机组j在t时段的出力；

——光伏机组j在t时段的最大可用出力；

——决策变量，风电机组k在t时段的出力；

——风电机组k在t时段的最大可用出力；

U_rate——系统新能源消纳率指标要求；

——决策变量，储能装置m在时刻t的充电/放电功率；

W_mt——决策变量，储能装置m在时刻t存储的能量

p_qt——负荷q在t时段的有功需求；

F_l——线路l的有功传输限额；

——水电机组i的最小开/停机间隔；

π_il/π_jl/π_kl/π_ml/π_ql——水电机组i/光伏机组j/风电机组k/储能装置m/负荷q对线路l的功率转移分布因子；

功率平衡约束

系统的发电量必须等于负荷，这是经济调度中最关键的约束，也是整个电力系统稳定运行的基础；

水电机组发电容量约束

每台水电机组的出力都有一定的限制，既不能高于最大出力，也不能低于最小出力；

光伏和风电机组出力约束

式(4)和(5)表示光伏和风电的实际出力必须小于当前时刻的最大可用功率，式(6)和(7)表示全天光伏和风电的消纳率必须超过给定阈值；

储能装置出力约束

式(8)描述了储能装置充放电过程中存储能量的变化；

传输线安全约束

电力传输网络的传输能力有限制，传输线功率过载会导致线路切除，甚至引起连锁故障等更为严重的后果；根据直流潮流理论，传输线中的有功功率通常可以近似表示为节点注入功率的线性函数；式(9)表明传输线中的潮流不能超过其功率限额；

(2)建立基于最坏场景辨识的鲁棒经济调度模型

将不确定性作为叠加在系统标称模型之上的干扰是鲁棒经济调度的基本出发点，确保不确定性下系统安全性是鲁棒经济调度的优越之处，合理安排机组出力和备用容量，提高系统应对不确定性的能力是鲁棒经济调度的根本目标；

鲁棒经济调度问题可描述为：根据新能源场站未来一段时间内的变化范围构成的集合P^S和P^W，确定传统水电机组发电出力和机组备用不论新能源未来的可用出力如何变化，仅在备用容量范围内即可校正机组出力从而满足所有运行约束，同时极小化运行成本；在鲁棒调度的框架下，鲁棒经济调度的预调度量是再调度量是鲁棒经济调度问题的数学模型如下：

由于鲁棒经济调度考虑不确定性对系统可能造成的最坏影响，因此不确定性被赋予了决策者的地位；鲁棒经济调度中光伏场站和风电场站的离散型出力不确定性描述如下；

式(10)对应于光伏场站的离散型不确定性，式(11)对应于风电场站的离散型不确定性；

此外，光伏场站和风电场站的连续型出力不确定性可描述如下

式(12)对应于光伏场站的连续型不确定性，式(13)对应于风电场站的连续型不确定性；在新能源出力不确定集合基础上，结合工程实际，建立了一套基于最坏场景辨识的鲁棒经济调度实现方法；

考虑到鲁棒经济调度的两阶段决策特性，先以某种方式确定调度解再检验其是否具有鲁棒性；同鲁棒机组组合模型一样，鲁棒经济调度模型也可分为两层：

上层问题：联合经济调度

其中由于发电容量约束已经考虑了备用，因此不会出现传统备用整定中备用容量无法提供的情况；联合经济调度寻找最优的发电和备用计划，使得系统的运行成本最低，而运行可靠性，也就是的鲁棒性，则通过下层问题来进行检测；

下层问题：鲁棒可行性检测

其中，I₁～I₁₄是松弛变量索引指标集；下层问题的目的是检测上层问题给出的是否满足定义鲁棒性；若F_RFT＝0则表明当前机组出力和备用容量决策既满足鲁棒性要求，对可再生能源出力的不确定性具有足够的调节能力，在各种可能的情况下都能将系统调整到新的安全运行状态，因此是一种满足安全性的决策；若F_RFT0则表明不满足鲁棒性要求，无法适应对新能源出力的不确定性，此时将求得的新能源出力最坏场景传递给上层，以帮助改进发电和备用计划；

进一步，将上层联合经济调度问题和下层鲁棒可行性检测问题表示为以下矩阵形式；

上层问题

下层问题

其中g(w)来是关于新能源出力场景w的函数，并且是线性的；

下层问题的可行域与上层问题给出的机组组合x有关，因此下层可调节变量y对不确定性w的自适应调节能力取决于x；若下层问题检测出F_RFT(x)0，可知x不能满足鲁棒性要求，需要增加场景w；若检测出F_RFT(x)＝0，可知x能满足鲁棒性要求，迭代终止；

(3)鲁棒经济调度模型的求解策略

在上述基础上，提出了针对基于最坏场景辨识的鲁棒经济调度的求解算法；

第1步，初始化：设置收敛误差ε0；

第2步，联合经济调度：从不确定集合W(P^S和P^W)中选择初始场景w，求解联合经济调度问题(29)，最优解记为x(w)，将x(w)传至下层鲁棒可行性检测问题；

第3步，鲁棒可行性检验：用双线性对偶规划算法算法求解两阶段零和博弈(30)，最优解为F_RFT(x(R_s))，若F_RFT(x(w))0，则记录下层问题的最坏场景w*，补充到上层问题的场景集合w中，转至第2步；

第4步，第一判敛：若F_RFT(x(w))＝0，算法终止，x(w)为鲁棒经济调度的最优解；

其中，第3步中的双线性对偶规划算法可以具体描述如下；下层的鲁棒可行性检测问题是一个典型的两阶段max-min型决策问题，通过对偶理论的数学手段将max-min型决策转化为max型双线性规划；为此，写出问题(30)的对偶问题

其中，U＝{u|u^TB≤0^T,-1^T≤u^T≤0^T}；问题(30)和(31)在数学上是等价的；

由式(31)可见，通过对偶线性规划将两阶段min-max转化为了双线性规划(31)，关于对偶变量u的约束是多面体；

外逼近法是通过凸松弛确定目标函数的上界或下界，并在每次迭代中产生割平面减小松弛度直至算法收敛；本文提出的基于外逼近的求解算法原理如下；

双线性规划(31)的目标函数在某点(u^j,w^j)处的线性化函数为

L_j(u^j,w^j)＝u^T(b-Cw^j-Ax)-(u^j)^TCw+(u^j)^TCw^j (32)

因此，如下线性规划给出了双线性规划(31)最优值的上界UB

s.t.β≤L_j(u^j,w^j) (34)

同时，双线性规划(31)的目标函数在点(u^j,w^j)处的函数值提供了最优值的下界LB，若UB-LB小于给定的误差δ，则UB或LB可作为双线性规划(31)的最优值；遵循以上思路，给出双线性规划(31)基于外逼近法的求解算法：

第1步，初始化：读入机组发电和备用计划数据x，设置w¹＝0，双线性规划(31)的最优值下界LB_OA＝0，最优值上界UB_OA＝B，其中B是足够大的正数，迭代次数j＝1，收敛误差δ0；

第2步，定下界：以给定的x和w^j求解线性规划(31)，其最优解为u^j，设置LB_OA＝S(x,w^j)；

第3步，定上界：将双线性规划(31)的目标函数在(u^j,w^j)线性化，j＝j+1，求解以下线性规划：

设置UB_OA＝β^j；式(36)为一组随迭代次数增加而增加的割平面约束；

第4步，第二判敛：若UB_OA-LB_OAδ，终止计算，输出结果(u^j,w^j)，R(x)＝β^j；否则返回第2步；

通过上述算法，可以得到双线性规划问题(31)的最优值，即得到下层的鲁棒可行性检测问题(30)的最优值。