考慮風電注入不確定性的多目標隨機模糊動態最優潮流的制作方法
【技術領域】
[0001] 本發明屬于電力系統日前調度計劃研究領域，設及一種考慮風電注入不確定性的 多目標隨機模糊動態最優潮流。
【背景技術】
[0002] 隨著新能源開發利用，大規模風電的不確定性注入對電力系統調度帶來眾多影響 和挑戰，其建模是相關研究的首要問題和難點之一。
[0003] 目前調度問題研究中的風電出力建模多視其不確定性為隨機性或模糊性。隨機性 模型隨機建模大致可分為兩種，一是普遍先用We化Ull分布函數描述風速，再利用風速與功 率關系獲得風電場輸出功率，也有研究采用Beta分布描述;二是采用隨機時間序列的分析 方法，常用的主要有馬爾可夫鏈模型和自回歸移動平均模型等。在調度問題中，通常采用蒙 特卡洛模擬產生仿真風電出力。模糊建模也可分兩種，一是直接對風電出力進行模糊隸屬 度建模;二是將風電的模糊性轉化為預測誤差的模糊性，對誤差進行模糊建模。
[0004] 事實上，風速因受眾多自然因素影響而具有隨機性，可用概率分布描述，但其分布 參數擬合受有限的歷史數據所限而存在模糊性，因而風速兼具隨機和模糊雙重不確定性特 征。規模化風電出力受風速主導影響亦具有多重不確定性，其更加科學準確的建模W及調 度問題中基于風速多重不確定模型的風電出力仿真模擬方法亟待研究。
[0005] 考慮風電注入多目標動態最優潮流旨在基于對電力系統下一調度周期負荷等情 況的合理預測，制定系統中可調節手段如風電棄風量、火電機組出力、機端電壓、無功補償 投入等的調度計劃，W實現電力系統在滿足機組爬坡及電壓安全等約束下的經濟、環保、節 能等方面多目標動態優化運行。運類問題是具有大量混合變量和約束條件的復雜多目標非 線性優化問題。基于遺傳思想的快速非支配排序遺傳算法（non-dominated sorting genetic algorithm-II，NSGA-II)具有良好的非線性優化能力和魯棒性，可獲取多目標 化reto最優解集，保證最優個體多樣性從而為決策者提供不同偏好選擇，成為求解多目標 優化問題的優秀智能算法之一。最大滿意度法通過模糊滿意度和綜合滿意度計算從而獲取 多目標綜合最優折衷解，為決策提供一種方法途徑。
[0006] 綜上所述，研究考慮風電注入不確定性的多目標隨機模糊動態最優潮流，W有效 建模和求解含風電電力系統多目標日前調度問題，對于適應風電滲透接入和提升電力系統 日前調度水平具有積極意義。

【發明內容】

[0007] 針對現有技術的不足，本發明"考慮風電注入不確定性的多目標隨機模糊動態最 優潮流"，提出在調度問題中采用隨機模糊雙重不確定數學模型描述風速和風電出力，基于 此建立電力系統多目標隨機模糊動態最優潮流模型，W隨機模糊模擬法生成仿真風電出 力，采取NSGA-II與最大滿意度法混合算法求解獲取多目標動態最優潮流的化reto解集和 最優折衷解。
[0008] 本發明采用如下技術方案:考慮風電注入不確定性的多目標隨機模糊動態最優潮 流，該方法包括如下步驟：
[0009] 步驟1:獲取電力系統在下一個完整調度周期的數據，并進行負荷預測。
[0010] 步驟2: W隨機模糊雙重不確定模型及其機會測度函數描述風速變量和對應的風 電出力。
[0011] 步驟3: W系統發電耗費最小、污染物排放量最小、有功網損最小為目標，考慮電力 系統節點安全電壓、無功出力、系統備用等靜態約束和機組爬坡的動態約束，建立多目標隨 機模糊動態最優潮流模型。
[0012] 步驟4:通過隨機模糊模擬法生成日風速數據與對應風電出力，采用NSGA-II與最 大滿意度法混合算法獲取多目標隨機模糊動態最優潮流的化reto解集和最優折衷解。
【附圖說明】
[0013] 圖1:本發明考慮風電注入不確定性的多目標隨機模糊動態最優潮流的整體實施 流程圖；
[0014] 圖2:本發明的隨機模糊模擬風電出力流程圖；
[0015] 圖3:本發明的偏小型滿意度函數曲線；
[0016] 圖4: IE邸30節點系統的接線示意圖；
[0017] 圖5: IE邸30節點系統的典型負荷曲線圖。
【具體實施方式】
[0018] 下面結合附圖及具體實施例，對本發明做進一步詳述。
[0019] 本發明提出的考慮風電注入不確定性的多目標隨機模糊動態最優潮流，其整體實 施流程見圖1，下面WIEEE30節點系統為具體實施例對其進行詳細說明，其接線情況見圖4。 實施例用于說明但不限于本發明。
[0020] 步驟1:獲取電力系統在下一個完整調度周期的數據，并進行負荷預測。
[0021] 對于本實施例直接輸入IE邸30節點系統的數據即可。負荷預測曲線采用圖5典型 雙峰曲線為例。
[0022] 步驟2: W隨機模糊雙重不確定模型及其機會測度函數描述風速變量和對應的風 電出力。
[0023] 風速服從Weibull分布
[0024] fv(v) =k/c(v/c)k-ie 邱[_(v/c)k] (I)
[0025] 通過歷史數據挖掘和參數擬合，獲取歷史風速We化Ul I分布的尺度參數C和形狀參 數k的模糊隸屬度，將其用模糊變量I。和扣表示。從而將風速描述為隨機模糊變量Cv,即
(2)
[0027]機會測度分布函數為
[0029]規模化風電場有功出力模型近似為多臺風力發電機出力疊加 (3) (4)
[0031] 其中Vci，Vc。和Vr分別為切入、切除和額定風速，Pw吐是單個風力發電機的額定有功 出力，N為風力發電機數目。
[0032] 在動態調度問題中考慮棄風量Pwc,t，風電有功出力為
[003；3] 馬斯三戶總-馬O 閥
[0034]考慮風電場運行于超前相位的恒功率因數控制模式下，則其吸收無功 [003引斯(,，=巧、(,.,加巧 （6)
[0036] 步驟3: W系統發電耗費最小、污染物排放量最小、有功網損最小為目標，考慮電力 系統節點安全電壓、無功出力、系統備用等的靜態約束和機組爬坡的動態約束，建立多目標 隨機模糊動態最優潮流模型。
[0037] 本發明中的多目標隨機模糊動態最優潮流模型如下：
[003引決策變量向量3^,=辟1,""'，巧;,,。-1,，而1"'"躬卿^，巧,<，"'，巧心,，巧、'0]，其中口〇1,*是火 電機組i的有功出力（i = l，2,…m)，化i,t是火電機組i所在節點的電壓，Bk,t化=1，2,…nsc) 是無功補償器k投入量，Pwe, t是風電場棄風量。
[0039] 本實例中，傳統火電機組6臺，無功補償器2臺，風電場1個，平衡機組有功出力不納 入決策變量，則有14個決策變量。
[0040] 目標函數：
[0044] 約束條件：
[0045] 1.靜態約束
[0046] (1)功率平衡約束
[0049] (2)發電約束
[0050]
[0051] 巧也含巧r，所，' （口）
[005^ or 言化,，言
[0053] (3)節點電壓約束
[0054] Ur<Ubu<lfT，'^bi，t (14)
[0055] (4)系統旋轉備用約束
[0056] Elc"--吃,,片。巧|'"、州 (巧) /-I
[0化7]取 y = 5%
[0化引 2.動態約束
[0059] 火電機組的爬坡約束
[0060] -峨。'心A-Pq,',各嗎yUt (16)
[0061] 考慮爬坡約束后的火電機組出力上下限由下式決定
[006。輸X觸m，傳 ,,,_1 -A靖頭} ^ 也,引Tiin訴r，也，_1 +A巧n (17)
[0063] 步驟4:通過隨機模糊模擬法生成日風速數據與對應風電出力，采用NSGA-II與最 大滿意度法混合算法獲取多目標隨機模糊動態最優潮流的化reto解集和最優折衷解。
[0064] 采用隨機模糊模擬法產生可用風電有功出力曲線，其流程圖如圖2所示。
[0065] 采用NSGA-n求取化reto最優解集，最大滿意度法決策最優折衷解，在優化目標函 數中加入動態罰函數實現靜態等式約束。
[0066] 采用偏小型模糊滿意度計算公式，其示意圖如圖3。對于化reto解集中的每個非支 配解，計算其每個目標值的滿意度，再計算每個非支配解的綜合滿意度，選取綜合滿意度最 大的非支配解為多目標最優折衷解。
[0067] W上實施方式僅用于說明本發明，而并非對本發明的限制，有關技術領域的普通 技術人員，在不脫離本發明的精神和范圍的情況下，還可W做出各種變化和變型，因此所有 等同的技術方案也屬于本發明的保護范疇。
【主權項】
1. 考慮風電注入不確定性的多目標隨機模糊動態最優潮流，其特征是，該方法包括如 下步驟： 步驟1:獲取電力系統在下一個完整調度周期的數據，并進行負荷預測； 步驟2:以隨機模糊雙重不確定模型及其機會測度函數描述風速變量和對應的風電出 力； 步驟3:以系統發電耗費最小、污染物排放量最小、有功網損最小為目標，考慮電力系統 節點安全電壓、無功出力、系統備用等的靜態約束和機組爬坡的動態約束，建立多目標隨機 模糊動態最優潮流模型； 步驟4:通過隨機模糊模擬法生成日風速數據與對應風電出力，采用NSGA-II與最大滿 意度法混合算法獲取多目標隨機模糊動態最優潮流的Pareto解集和最優折衷解。2. 根據權利要求1所述的考慮風電注入不確定性的多目標隨機模糊動態最優潮流，其 特征是，步驟2中的風速與風電出力模型，是隨機模糊雙重不確定模型，即： 風速的分布函藝_ .」 其中Ik和ξ。分別表示Weibull分布的形狀參數模糊變量和尺度參數模糊變量； 機會測度分布函數規模化風電場有功出力其中Vc；i，V。。和Vr分別為切入、切除和額定風速，PTCr是單個風力發電機的額定有功出力， N為風力發電機數目。3. 根據權利要求1和權利要求2中任意一項權利要求所屬的考慮風電注入不確定性的 多目標隨機模糊動態最優潮流，其特征是，步驟4中的模型求解中以基于機會測度分布函數 和逆變換法的隨機模糊模擬法生成日風速仿真數據與對應風電出力。
【專利摘要】本發明涉及考慮風電注入不確定性的多目標隨機模糊動態最優潮流，屬電力系統日前調度計劃研究領域，包括以下步驟：獲取下一調度周期內系統相關數據；以隨機模糊模型及其機會測度函數描述風速變量和對應的風電出力；以系統發電耗費、污染物排放量、有功網損最小為目標，考慮電力系統節點安全電壓、無功出力、系統備用等的靜態約束和機組爬坡的動態約束，建立多目標隨機模糊動態最優潮流模型；通過隨機模糊模擬法生成風電出力，采用NSGA-II與最大滿意度法混合算法獲取優化模型的Pareto解集和最優折衷解。本發明以隨機模糊模型描述風電出力，建立多目標隨機模糊動態最優潮流模型，合理描述和求解多重不確定風電注入下的電力系統多目標優化調度問題。
【IPC分類】G06Q10/04, G06Q50/06, H02J3/00
【公開號】CN105633950
【申請號】CN201510965710
【發明人】馬瑞, 李晅
【申請人】長沙理工大學
【公開日】2016年6月1日
【申請日】2015年12月21日