场景调度

2024-07-04

场景调度篇1

由于风电功率的间歇性和随机性, 且较难精确预测和控制, 因此, 大规模的风电接入将给基于负荷预测和常规电源可控性的发电调度带来新的挑战。如何制定灵活、合理的适应于大规模风电接入的发电调度计划, 以促进节能调度的发展, 成为当前经济调度研究领域的热点问题之一[1]。

文献[2]在考虑风电功率预测误差发生概率及其所导致的经济补偿费用基础上, 得到统计意义上更为合理的经济调度模型。文献[3]在研究风电功率不确定性对电力系统动态经济调度影响的基础上, 构建了计及常规火电机组阀点效应的优化调度模型。通过引入正、负旋转备用约束, 来应对风电功率的随机波动给系统调度带来的影响。文献[4]建立了考虑安全约束的机组组合随机优化模型, 并设定了负荷预测误差和系统故障等多个场景, 以体现模型对随机事件的适应性。而文献[5]进一步验证了场景法在解决随机安全约束机组组合问题中的优越性。文献[6]将场景法用于风力发电功率不确定性的描述, 建立了考虑安全约束的风电并网系统的市场出清模型。文献[7]还要求预测场景下机组出力方案和误差场景下方案之间的过渡能满足机组爬坡速率约束, 以确保调度方案的可操作性。文献[8]在考虑风电并网功率的典型波动方式下, 研究了计及接纳风电能力的电网调度模型, 该模型使系统总煤耗和电网接纳风电能力得到了有效协调。但文中没有给出火电机组运行点发生改变时电网可接纳风电功率的波动范围。而文献[9-10]研究了计及电力系统不同运行方式下的概率调度理论和方法, 其实质也是将预想事故下的场景约束加入到有功调度模型的约束条件之中。

由于风电预测时间越长, 其预测误差越大, 而预测时间越短, 预测误差越小, 因此, 在实际系统的有功调度中往往需要多时间尺度之间的协调, 逐级降低风电功率的不确定性[11]。采用场景分析方法解决不确定规划问题, 也需要在场景选取数量与解的适应性之间进行必要的权衡[7,12]。风电功率随时间实时变化, 在某一时间尺度下, 用场景法分析其不确定性就是以某一确定的数值来代表在一定范围内波动的风电功率, 从而将不确定量转变为确定量来加以描述[12]。对于所研究的调度时间尺度, 在规定范围内风电功率的波动被忽略, 这部分被忽略的扰动量, 将在更小的时间尺度内加以考虑[13]。

本文在分析风电功率波动场景与机组功率调节能力之间定量关系的基础上, 提出一种风电功率场景自适应选取的方法, 并建立基于风电功率场景自适应选取的有功优化调度模型, 针对风电功率场景选取对系统发电调度期望成本的影响进行深入研究。

1 自适应风电功率的场景选取

1.1 场景选取的基本方法

基于多场景的优化方法实质是通过将难以用数学模型表示的不确定性因素转变为较易求解的多个确定性场景来处理。场景模拟就是采用离散的概率分布k=0, 1, 2, …, S, 取代随机变量ξ的不确定性, 总场景数为S+1。场景的选取一般包括两步[14]:①寻找原随机变量ξ概率测度P的最优分位点 (该分位点即为场景ξk) ;②使所选场景ξk在概率测度上满足某一类型的距离指标。

从场景选取的质量上看, Wasserstein距离指标优于其他指标, 被较多地采用。本文所提的场景选取方法亦采用Wasserstein距离指标, 其距离指标公式可表示如下[15]:

式中:为Wasserstein距离指标;G (·) 和分别为随机变量ξ的连续概率分布函数和离散概率分布函数;x为积分变量;m≥1, m∈Z。

当取m=1时, 式 (1) 可以表示为:

式中:z1, z2, …, zM+1为概率分布函数G (x) 上的分位点, z0→-∞, zM+1→+∞。

场景选取的基本思想是:已知概率测度G, 选取基于离散点集合的一个概率测度使接近最小。

若记Ω为概率测度的集合, δzk称为分位点zk上的点质量, 对于接近于min{dW (G, Q) |Q∈Ω}, 则称为G的最优场景。

1.2 初始场景的确定

考虑多时间尺度有功调度对风电功率不确定性逐级逼近的关系, 在所研究时间尺度ΔT的风电功率场景选取中, 考虑更小时间尺度τ内系统有功调度对风电功率波动的适应性。本文场景选取中主要是在时间尺度ΔT的风电功率概率分布的分位点选取中, 考虑更小时间尺度τ内系统有功调节能力, 从而确定离散的概率分布。

考虑系统中总的风电功率pw, 设在所研究的时间尺度内, 某一时段的风电功率服从正态分布, 如图1所示。假设系统某一时段的风电功率在满足一定置信水平的置信区间[16][pwmin, pwmax]内变化 (在这一前提下, 若实际风电功率超过这一区间范围, 本文调度模型将不予考虑) 。用S+1个确定的离散点来表征其分布特性, 即场景总数为S+1个。设第k个场景下的风电功率为pk, w (k=0, 1, 2, …, S) , 用其替代实际的风电功率在区间[pk, w-Δεk+, pk, w+Δεk-]内的扰动, 系统需要在更小的时间τ内进行有功调节以抵御该区间范围内风电功率的变化。pk, w也是风电功率原概率分布的分位点。Δεk+和Δεk-分别对应第k个场景下可调节机组在时间τ内向上、向下所能调节的有功功率, 其取值与机组的调节速率和对应场景下机组的输出有功功率值有关, 具体可表示如下:

式中:pimax和pimin分别为机组i的最大、最小输出有功功率限值;riup和ridn分别为机组i的上调和下调有功功率速率限值;为机组i在初始场景k下的输出有功功率。

设风电功率概率密度函数为w (pw) , 则第k个场景所对应的概率为:

由式 (5) 可知, 场景选取中原概率分布的分位点的确定与调度决策的结果, 即对应场景的机组输出功率有关。对于初始场景的选取, 可通过求解以下松弛的优化调度模型来确定。

式中:为机组i的发电成本函数, ai, bi, ci为机组i的燃料费用系数;pd为对应调度时段的系统总负荷;n为运行机组总数。

式 (3) 和式 (4) , 以及式 (6) —式 (8) 所描述的优化模型, 给出了在给定某一风电功率场景下确定其所代表的功率区间范围的方法。

若使所选场景为最优场景, 应使Wasserstein距离指标尽可能小。如图1所示, 阴影部分的面积应近似等于而且满足下式:

为了满足上述条件, 需要在场景选取过程中保证相邻场景 (k和k+1) 尽量满足下式。

风电功率的变化既有确定性的规律, 又有不确定性的波动范围, 风电功率的场景集要对在风电场输出功率的置信区间内相对预测值的偏差具有完全代表性。因此, 风电功率场景的选取以风电功率预测值p0, w为起始场景, 分别沿着风电功率实际值大于预测值和小于预测值变化的2个方向按式 (3) 和式 (4) 逐一确定, 尽可能地保证所选场景区间覆盖整个置信区间, 且使得各场景区间不相互重叠。以高于预测值的场景选取为例, 具体步骤如下。

步骤1:设定风电功率预测值pk, w (k=0) 为起始场景, 并根据式 (3) 和式 (4) , 以及式 (6) —式 (8) 的优化模型计算Δε0+和Δε0-, 即得到与该场景对应的区间:

步骤2:沿风电功率预测值增加的方向, 设定步长使其中μ为步长调整系数的初始值, 由式 (6) —式 (8) 的优化模型计算并根据式 (3) 和式 (4) 计算Δε+k+1和

步骤3:令当|δ-|≤ε时 (ε为足够小的正实数) , Δl+不需要调整, pk+1, w确定;否则, 按以下2种方式调整Δl+。若δ->0, 则令Δl+= (μ-σ) Δl+, σ为大于0的正实数, 定义为步长调整系数;若δ-<0, 则令Δl+= (μ+σ) Δl+。

步骤4:通过调整Δl+执行步骤2和3, 直到满足|δ-|≤ε的条件为止;判断δ+, 若δ+>0, 则令k=k+1, 并转至步骤2;若δ+<0, 则终止计算。

按上述步骤选取风电功率场景可得到沿大于风电预测功率方向的S+个场景, 同理, 可以沿小于风电功率预测值方向确定相应的S-个风电功率场景, 有S=S++S-。当ε足够小时, 所选场景对应的区间将覆盖整个置信区间。按照上述方法选取场景, 可尽量保证用足够少的场景数来刻画风电功率在调度时段的不确定性。但是, 初始场景的选取依赖于由式 (6) —式 (8) 优化模型确定的对应场景下的机组输出有功功率

1.3 场景的动态调整

初始场景的确定依赖于被松弛约束的调度模型 (式 (6) —式 (8) ) 。对于多时段调度模型, 还需考虑相邻时段机组调整速率约束和相邻时段场景发生变化后机组调整约束, 因此, 还需要对初始场景进行修正。在初始场景确定后, 采用本文第2节所提的调度模型进行优化调度 (总时段数为T) , 亦可得到对应调度时段t和场景k的机组i输出有功功率pi, k, t。令再重新进行场景选取, 直到满足如下条件:

式中:Xj+1和Xj分别为相邻2次调整场景下优化调度的解向量;ε′为足够小的正实数。

式 (11) 表示相邻2次动态调整场景下优化调度的解向量之差的2-范数小于ε′, 从而将场景的选取与多时段的有功调度相结合。

2 风电并网系统的有功调度模型

2.1 目标函数

本文引入了风电功率场景, 考虑多时段的动态调度 (仅考虑火电机组, 不考虑网络约束) , 其目标函数为系统在研究调度期内各场景下的期望发电费用最小。

式中:αk, t为时段t场景k的权重系数, 其含义为风电功率在对应场景所代表区间内的概率值, 为机组在时段t场景k下的再调度燃料成本函数。

这里, 将各场景代表区间所对应的概率值作为权重系数引入有功调度模型的目标函数中, 风电功率的预测精度越差, 则预测场景所对应的权值越小。

当k=0时, 发电费用函数F0, t (·) 为机组在时段t风电预测场景下的发电燃料成本, 其表达式为:

式中:pi, 0, t为机组i在时段t的期望输出有功功率。

Fk, t (pi, k, t) , k=1, 2, …, S, 为机组在时段t场景k下的再调度燃料成本函数[9], 具体表达式如下:

式中:βi为机组i的再调度燃料费用系数。

2.2 约束条件

1) 功率平衡约束

式中:pk, w, t为风电场在场景k下时段t输出的有功功率;pd, t为时段t的系统负荷;p0, w, t为风电场在时段t输出有功功率预测值。

2) 机组输出有功功率上、下限约束

3) 风电功率波动时调节机组调节范围约束

式中:Δt为适应风电功率预测场景向其他场景变化时系统允许的调节时间。

4) 机组爬坡速率约束

式中:ΔT为系统调度时段的持续时间。

5) 相邻时段应对场景波动的机组调节范围约束

式中:S+t和S-t分别为风电功率大于和小于预测场景的边界场景。

式 (19) —式 (22) 表示考虑各时段的极限场景[17], 应对相邻时段场景间发生极端变化时机组调节功率约束。

2.3 4种调度策略

对本文构建的模型进一步分析, 可以得以下4种有功调度策略。

1) 仅考虑风电功率预测场景, 其他场景不计入目标函数和相应约束条件, 即调度部门按照确定的风电功率进行调度, 原目标函数变为 (此为调度策略1) :

相应的不考虑式 (17) 和式 (19) —式 (22) 的约束。

2) 不对初始场景进行修正, 采用式 (13) —式 (22) 优化模型进行分析, 此调度策略为策略2。

3) 采用第1.2小节的场景调整方法对初始场景进行修正, 反复用式 (12) —式 (22) 优化模型进行计算, 此为调度策略3。

4) 采用等可能场景选取下的优化调度, 各场景权重系数相同, 此为调度策略4。

上述前3类调度策略的关系如图2所示。

图2中, P*代表调度策略1, 即仅考虑风电预测场景时得到的常规机组各时段有功功率向量, P0表示由调度策略2或3, 即考虑风电功率所有场景时得到的常规机组对应预测场景的各时段有功功率向量, P1, P2, …, Pk分别为在相应风电功率场景下的常规机组各时段有功功率向量。ΔP为调度策略1到策略2或3的常规机组有功功率调整量向量;ΔPk*为由仅考虑风电功率预测场景下机组运行点直接过渡到其他风电功率场景下所需要的有功调整量向量, 该调整量受到机组爬坡速率或可调节容量的限制;ΔPk为对应第k个风电场景发生时常规机组从P0经过再调度调整到Pk的有功调整量向量。如图2所示, ΔPk要小于ΔPk*, 而Pk与场景sk存在相互制约的关系, Pk影响场景sk对应的概率, sk影响P0到Pk再次调度的调整量ΔPk。如果考虑两者之间的关系, 则P0为调度策略3进行调度的常规机组有功功率向量, 否则, P0为调度策略2进行调度的常规机组有功功率向量。

当风电接入规模较小时, 调度策略1的结果足以满足日前调度要求, 相对常规机组的调节能力, 风电功率的波动范围不大;但随着风电接入规模不断增加, 若还采用调度策略1, 则将出现某些波动大的风电场景出现时常规机组无法按要求调整输出有功功率以应对风电功率的波动;采用调度策略2或3, 预先考虑风电功率波动时常规机组可能的有功调节范围, 所得调度方案对于风电波动适应性较强。在相同的风电接入规模下, 由调度策略2和调度策略3得到的日前调度方案都能满足风电功率波动引起的机组有功调节约束, 但策略3在风电功率场景选取中考虑了常规机组多时段有功调节的耦合关系, 所得调度方案的适应性更强。而调度策略4则是在简化风电功率场景的条件下得到相应的调度方案, 较适应于风电功率分布无法确切得到的情况。

为了进一步描述场景选取对有功调度结果的影响, 参见式 (12) —式 (22) 优化模型, 引入条件期望再调度成本, 在时段t的条件期望再调度成本Fce, t定义如下:

式中:其含义为风电功率取场景k (k≠0, 偏离预测场景) 的条件概率。

式 (24) 可以用来衡量由于风电功率波动所引起的常规机组增加的再调度期望成本。

3 算例分析

以8机组测试系统为例进行计算分析。各机组相关特性参数如附录A表A1所示;在研究时段内各时段的负荷 (不计及负荷预测误差) 如附录A表A2所示;假设风电功率服从正态分布, 相应的置信水平取0.95, 不同时段的风电功率分布参数如附录A中的表A3所示。

相应的各计算参数取值为:Δt=10 min, ΔT=1h, τ=2min, μ=1.5, ε=0.01, σ=0.05, ε′=10-6。由以上参数, 进行场景选取, 其结果见表1。

对策略1, 2, 3这3种调度策略的调度结果进行比较分析, 它们的调度结果如表2所示。

如表2所示, 策略1只将风电功率作为确定的负的负荷处理, 其调度结果是经济性较好的机组1和2随着负荷的增加, 输出有功功率明显增加, 并在时段5和6机组2达到满发;策略2和策略3考虑到风电功率可能出现的多个场景, 为了应对风电功率不确定性波动, 经济性较好的机组2较策略1各时段输出有功功率明显减少, 以保证场景间发生转移时充分发挥其调节性能;策略3是在场景动态调整后进行调度的, 与策略2的结果相比差别最大的是时段3的调度结果, 其原因主要是因为该时段的风电功率波动范围较大, 机组2输出有功功率明显减小, 其调节能力进一步释放, 这是场景修正后预测场景对应的概率降低所致。而策略4采用等可能场景选取所得到的调度方案则没有考虑各场景之间的差异。

分别计算策略2, 3, 4的各时段条件期望再调度成本, 其结果如图3所示。

由图3可见, 策略4的条件期望再调度成本最高, 策略3较策略2的条件期望再调度成本明显减小, 这可以看出场景修正后得到的调度方案对风电功率波动具有更好的适应性, 其所付出的经济代价也相对变小了。

策略3对应各时段各场景的机组输出有功功率列入附录A中的表A4。

4 结语

本文所提的基于自适应风电功率场景选取的有功调度方法, 将各时段各场景所对应的概率引入到有功调度的目标函数中, 明确了场景选取与有功调度的内在联系;自适应风电功率场景选取方法, 在置信区间内能有效选取相对预测值的偏差具有完全代表性的场景集;算例分析表明, 考虑场景的自适应调整可增加有功调度方案对风电功率波动的适应性。

本文没有考虑相邻时段场景发生变化的概率, 仅在约束条件上考虑了机组应对不同时段场景波动的有功调节约束, 借鉴了文献[17]有关极限场景的概念, 约束条件数得到降低, 但当机组数和时段数增多时, 模型约束条件会大大增加, 给模型的求解带来困难。

附录见本刊网络版 (http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx) 。

摘要：大规模风电并网给电力系统优化调度带来了新的挑战。考虑到风电功率场景选取与系统有功调节能力之间的内在联系, 提出一种风电功率场景自适应选取方法, 该方法可以根据系统有功调节能力动态调整各场景的功率区间范围。在此基础上, 建立了基于场景分析法的风电并网系统有功调度模型。通过对不同场景选取模式下条件期望再调度成本的比较, 分析了风电功率场景选取对有功调度的影响。算例分析表明, 所提模型和方法可以有效地获得对风电功率不确定性适应力更好的有功调度方案。

场景调度篇2

a)项目背景、预期解决问题；

核心网网络运行过程中可能会出现各种突发状况，面对各种应急场景，可能会出现人员管理职责不清晰，现场管理处理不高效的状况。根据目前定义的重大故障处理原则，制定相应的应急处理场景调度流程，故障处理以尽快恢复业务为主，优先恢复中国移动语音业务，最大限度的降低对用户感知的负面影响，指导维护人员按故障处理的角色有序、高效的处理重大网络故障。

b)项目解决方案，包括概要阐述和关键点（创新点）的细述，成本等；

核心网应急场景触发条件：

 网络调整出现异常情况场景：当出现网络割接工程失败，进入倒回，倒回过程出现异常，启动应急场景调度流程。

 业务监测的网元功能性告警：业务监测系统上报功能性告警，涉及核心网业务可能大面积受损，启动应急场景调度流程。

业务监测应急场景判断.xls

 大面积投诉预警：监控部门收到来自客服部门的大面积投诉预警，涉及武汉大区话音业务，可能转为大面积投诉时，启动核心网应急场景调度流程。

 网元级别重大设备故障：监控部门收到告警平台上报交换专业武汉大区网元级别重大设备告警，启动核心网应急场景调度流程。

 重大网络故障传报彩信：监控部门派发重大网络故障或重大事件彩信，判断为可能影响核心网业务，启动核心网应急场景调度流程。

角色职责分工：

 核心网部工程实施人员：负责在网络工程调整出现异常情况时，通知部门经理，启动应急处理场景调度流程。

 省监控值班人员：负责业务监测的网元功能性告警、大面积投诉预警、网元级别重大设备故障的发现和故障的传报。

 核心网部门经理：负责故障性质判断，调度故障处理人，作为部门内部故障现场处理第一责任人，全程指挥故障处理。