含新能源发电的电力系统优化调度毕业设计.doc

含新能源发电的电力系统优化调度毕业设计目 录第一章 绪 论11.1研究背景及意义11.2国内外研究现状41.3本文的主要研究工作11第二章 电力系统日前调度风险评估122.1风险的含义122.2风险评估方法122.3新能源并网给电力系统带来的风险132.4风电功率的预测与计算142.5风险评估计算152.6本章小结17第三章 含新能源发电的电力系统优化调度模型193.1优化调度模型193.2建立数学优化模型21第四章 分布式原对偶次梯度算法224.1算法介绍224.2算法原理234.3算例分析23第五章 总结与展望275.1全文总结275.2研究展望28结束语29致 谢30参考文献31- 1 -南京邮电大学2015届本科生毕业设计（论文）第一章 绪 论 本章将会对课题的研究背景和意义做详细的阐述，同时对国内外研究现状做一个简单的综述。在此基础上，会提出本文的研究内容、研究方法。在此，本文对有关新能源方面概念的提法做一个统一。涉及风力发电部分的，“风电”是“风力发电”的简称；“风电机”是指单台的风力发电机；“风电场”是指在同一个区域内安装多台风电机，组成机群向电网供电。涉及光伏发电部分的，“光电”是“光伏发电”的简称；“光电板”指单块的光伏发电阵列；“光电场”是指在同一个区域内安装多块光伏发电阵列，组成机群向电网供电。其它新能源，例如地热能、海洋能、生物质能等，由于在新能源发电贡献中占有的比例很少，本文不加以论述。1.1研究背景及意义1.1.1能源与环境问题 改革开放以来，中国的发展取得了举世瞩目的成就，经济发展速度异常迅速，当前国内的生产力水平也达到了前所未有的高度。然而“中国式奇迹”背后隐藏着许多“中国式难题”，其中最亟待解决的当属生态环境问题和能源匮乏问题。能源作为人类社会生存、发展的物质基础，在国民经济中占据十分重要的地位。能源就是国家实现现代化的动力，它驱动着现代化进程的步伐，现代化程度越高的国家对能源的依赖越强。随着近年来我国经济的高速发展，煤电油的供求关系明显趋紧，全国出现大范围的拉闸限电，煤炭供应紧张，石油进口量激增1；同时必须清楚的是，我国高速增长的GDP来自粗放式的发展模式、能源结构中煤炭资源占最大比例、能源利用效率很低，这些使得我国的煤炭资源的开发和消耗都位居世界首位，并带来居世界次位的CO2排放量；汽车尾气已经成为人体健康的无形杀手，“穹顶之下”的雾霾严重影响了人民的衣食住行。相当长的一段时间内，这种以煤炭为主的能源结构仍会存在。我国的环境污染日益加重，生态环境持续遭到破坏，在国际社会上也会承担越来越大的舆论压力，同时进一步影响国家的现代化发展。自京都议定书的生效以来，历次哥本哈根会议都大力倡导“节能减排”、“低碳经济”以积极应对严刻的能源与生态问题。大力发展新能源产业已成为全球经济的发展方向和导航标。1.1.2风电产业的发展现状与前景 自步入二十一世纪以来，全球范围内新能源尤其是可再生能源得到迅猛发展。- 1 -其中，风能呈现出极快的增长态势，并将成为仅次于石油、化工燃料的核心能源，全世界风电场的数量和规模以32%的高速在增加。 纵观全世界的风能发展报告，欧洲在此方面的发展最好。约2020年左右，风能的使用将惠及50%的欧洲人口；欧洲风能利用协会规划在近海岸地区着力开发利用丰富的风能资源，并预计约2025年风力发电可以满足欧洲居民所有电力使用需求。 我国近年来的风力发电也取得很多成就，发电规模已经居世界首列，并拥有增长最快的风电市场。全球风能理事会公布的数据显示，2001-2013年全世界累计风电装机容量为24.08%年复合增长率，而同期中国为57.12%，增长率在全世界排名第一；2013年，我国风电装机新增容量为16,100兆瓦，约占全世界总新增量的45.4%，同样全世界排名第一。2014年，我国风电装机新增容量0.233505亿千瓦，较之2013年增幅约45.1%；截止2014年，我国累计风电装机容量为1.1476339亿千瓦，相比2013年新增25.5%。 我国具有辽阔的陆地，同时海岸线绵延，长达32,000千米，风能资源极其丰富，其风能发展潜力巨大。2009年，气象局对风能资源进行一个测量统计，结果表明，我国大于3级的风能资源陆上潜在开发量为2,380吉瓦（风功率密度大于300瓦/平方米为3级风能资源），4级以上风能资源陆上潜在开发量为 1,130吉瓦（风功率密度大于400瓦/平方米为4级风能资源），并且5至25米水深线以内的近海区域3级以上风能资源潜在开发量为200吉瓦1。我国风能资源具有广泛分布性，东南沿海及附近岛屿以及北部地区风能资源最为集中，其中北部地区风能丰富带风功率密度在200-300瓦/平方米以上，有的可达500瓦/平方米以上，如阿拉山口、达坂城、辉腾锡勒、锡林浩特的灰腾梁、承德围场等。然而，我国风能资源空间分布不能很好地匹配电力负荷，例如，沿海地区电力负荷大，但是陆地风能资源稀少；北部地区电力负荷较小，但是风能资源很丰富，这种不匹配给风电的合理开发利用带来困难。1.1.3风力发电的基本原理 以当前的风电技术，风速大于3米/秒时，风机叶片就能够被推动旋转，然后增速器会扩大转速，最终风能通过风轮机转化为机械能，继而拖动发电机进行发电。 风电有很多优势，作为一种洁净、可再生的能源，能做到化石能源零消耗、环境零污染，这是常规火力发电永远做不到的；风电场建设周期短并且造价低，一年内就可以设计并建设一个十兆瓦级风电场；风力发电的装机规模灵活，装机规模可根据资金调整；风机组深度结合现代高科技极大提高了其发电可靠性，大中型风机组的可靠性从80年代的50%提高到了98%，远远高于火力发电，并可持续工作20年；运行与维护风机不会很麻烦，安装自动化装置的大中型风机，在无人值班下也可以出色完成生产任务。相比火力发电的大修，工作人员只需按期进行一些维护；风力发电能够并网运行，抑或与柴油、光伏、水利发电形成互补，甚至独立运行，该特点解决边远地区用电问题十分有效。 但是需要明白，属于自然现象的风是很不稳定的，时而零风速时而又会出现破坏性的大风，风力发电就必然面临功率调节的问题。风机按风功率的调节方式可分为：定桨距失速型风机，其通过风轮叶片的失速来控制风机在大风时的功率输出，通过叶尖扰流器来实现极端情况下的安全停机问题。变桨距失速型风机，其在低于额定风速时通过改变桨距角实现功率输出的增加，或保持一定的桨距角运行；在高于额定风速时通过改变叶片桨距角来控制功率输出，稳定在额定功率。变速恒频型风机可以调节其风轮叶片桨距角，改变发电机转速，从而输出恒频恒压电能。风速低于额定值时，为了维持最大输出功率，可以改变风轮转速、叶片桨距角，从而促使风电机组在最佳尖速比下运行；在高于额定风速时，改变叶片桨距角会让风电机组功率输出恒定为额定功率。1.1.4光伏产业的发展现状与前景 光能是低碳社会的理想能源，越来越受到世界各国的开发利用。光伏发电避免了传统发电产生的污染物排放和安全问题，零废弃零噪音。光伏发电技术风险低，可以安装在任何有光的地方，可以在公共、私人和工业建筑的屋顶和墙面上安装。光伏系统可以降低建筑的受热，增加通风，还可以作为隔声板装在公路两侧。该系统结实耐用，易于安装，具有灵活性，可解决偏远农村的电力需求。 目前，世界各国都很重视开发利用太阳能，我国具有得天独厚的地理位置，光能资源极其丰富，其年辐射量可以达到3340-8400MJ/m2。充分开发利用光能资源是节省和替代常规能源的有效措施，是实现能源可持续发展战略的必要选择。到2050年，在使用规模上，光能将超过石油、天然气等常规能源，成为极具追捧的新能源，将极大推动人类的生产、生活和社会发展。1.1.5新能源的消纳问题 “十一五”以来，我国新能源发展增长迅猛，连续5年的风电装机新增容量实现大增长，目前装机规模世界第一；太阳能电池产量以超过100%年均增长率快速发展，连续几年居世界第一。但是，新能源也面临着因过快发展带来的质量、安全问题，其中“并网消纳困难”最为突出，严重阻碍了新能源产业潜力的进一步释放。 新能源的规模在快速扩张，而输变电设施建设却严重滞后，导致新能源发展出现了安全事故频发、能源浪费、设备利用小时下降“并网难”等问题。严重的弃风限电问题在风电集中开发的地区频繁发生，冬季弃风限电比例在东北的一些地区甚至达到50%；西北主要风场因数次脱网事故，目前限电竟高达70%80%。光能也因消纳困难不得不“弃光”，2011年太阳能光伏发电的设备利用率仅1700小时/年，比2010年上大幅下降。 我国开发利用新能源，既有助于舒缓化石能源的匮乏，又能够推动能源结构升级，并且有利于能源安全、生态环境。然而，新能源具有间歇性和不确定性，接入电网后，其将对电能质量造成极坏影响。风电的大规模加入，会引起调频调峰压力过大、电压失控、运行风险加大等问题。大规模光电并网也会带来馈线稳态电压偏差、电压波动和闪变、频率质量以及谐波等问题。 1.1.6研究意义 大力开发新能源尤其是风能、光能，将会纾缓能源问题和环境问题。由于风能是目前最有开发利用前景和技术最为成熟的新能源，风电的应用正在向着大规模、大容量、产业化的方向发展。目前，我国各地区风电穿透功率不足8%，如此低的比例对现有电网不会造成很大的并网风险，同时表明新能源发电还有很大的上升空间。当前国内外对于新能源发电的各种课题的研究愈来愈多，其中主要包括含风电场电力系统的潮流计算、风电穿透功率极限计算、新能源发电对系统安全稳定性的影响，分布式能源优化等。国外对这些方面研究应用已经相对成熟，国内在这些方面仍处于起步阶段，需要进行广泛、深入的研究2。 风电功率受风速的直接影响，光电功率受光照的直接影响。风速、光照都具有很强随机性，从而导致其出力随机波动性很大。由于国家政策要求优先调度新能源，使得这些出力不确定的新能源被引入到电网后给电网带来极大的影响。在进行电力系统的经济调度时，必须考虑新能源的随机性、地理分散性等特征，因此需要制定新的电力优化调度方案。 综上所述，本课题的研究对于电力系统减少能源消耗与环境污染、减少新能源电力的不确定性带来的风险以及提高系统运行效率有重要的意义。1.2国内外研究现状1.2.1电力系统优化调度研究现状 电力调度作为一种管理方式，其主要任务是保证电网的安全稳定运行，实现对用户的可靠供电，确保各类电力生产工作有序进行。随着近年来科技的不断发展，以及现代化监测、控制手段的不断完善，电力调度的技术支持日趋强大。电力系统优化调度在满足电力供应正常前提下，要达到电力资源的合理开发，尽可能的降低总发电成本，从而做到减少能源消耗，减少环境污染。由于主要发电燃料即煤、石油和天然气资源的日渐枯竭，新能源尤其是可再生能源，如风能、光能、生物质能等已经越来越受到广泛重视。面对世界范围内大力推进的电力市场化改革，如何进一步提高含新能源发电的电力系统优化调度水平成为迫切需要研究的一个课题。 电力系统优化调度属于运筹学中最优化问题范畴，最优化问题首先是要建立合理的数学模型。在目前的电力系统优化调度研究中，目标函数主要有燃料耗量最小、发电成本最小等，随着电力市场化改革的推进，一些新的目标函数，如购电成本最小、社会效益最大等等也逐渐被引入到调度模型中3。约束条件主要有电力平衡约束、备用容量约束、机组发电功率约束、机组爬坡率约束等等。 文献4中的目标函数在考虑机组的运行费用同时还考虑了机组的启动费用，在备用约束中同时考虑一次备用和二次备用的约束；文献将调度方案分为两种情况：第一种是风电优先调度，即风力发电功率必须全额调度，另一种是风电和火电一起调度，允许电网对部分风电进行调度。该文献的缺不足之处是没有考虑风速预测和负荷预测的误差，仅是将未来的风电和负荷看做常量进行计算。 Chun-Lung Chen对最优风-火发电机组组合问题进行了研究，提出解决风-火发电机组组合问题的主要目标是：要确定何时启动和关闭机组以使得总运行成本可以达到最小化，与此同时要满足“系统”和“发电机”的约束。这些约束具体包括功率平衡约束、系统上/下旋转备用需求约束、机组上/下备用贡献约束、机组上/下斜坡率约束、风电波动约束等5。 文献6求解的优化目标比较综合，目标函数中包含了费用、释放气体、安全越限指标三个方面的综合效益，其中费用包含燃料费用、维护费用、启动费用、关闭费用等，安全越限指标包含电压、线路潮流、发电机无功距离边界值的大小。所得到的结果为综合考虑上述经济、环境、安全因素的最优解。 文献7中的优化目标考虑了电力市场的因素，其目标函数包含四部分：第一部分为常规机组的耗量，第二部分为支付所用风电容量的花费，第三部分为调度的风电容量小于可用风电容量时，支付浪费的风电容量的花费，第四部分为调度的风电容量大于可用风电容量时，需要投入备用机组的消耗。 新能源的发电功率（主要是指风电功率、光电功率）受外界环境影响很大，是一个随机变量。为研究含新能源发电的电力系统优化调度问题，许多文献采用机会约束规划法。1959年，A.Charnes和W.W.Cooper为了研究特定概率意义下的最优问题，提出了机会约束规划理论。这种随机规划方法适应于约束条件中含有随机变量，可以在观测到随机变量的实现之前做出决策的问题。文献8和文献9都采用了机会约束规划的模型，其目标函数为耗量的期望值，约束条件为以某种很大的概率满足各种技术约束。 总体来说，在以往的研究中，电力系统优化调度的数学模型中并没有考虑大规模新能源发电部分引入给系统带来的运行风险，其结果均为在某些固定的约束下系统的经济调度方案，并没有评估这些方案的风险性，本文会把这种风险进行综合考虑，建立一个计及新能源发电（主要是风电）的电力系统优化调度模型。1.2.2优化调度的算法研究现状 含新能源发电的电力系统优化调度是一个高维数、非线性的复合数值优化问题，针对该问题求解使用过很多优化算法，随着计算机技术和应用数学的发展，电力优化调度问题的求解速度和精度都有了很大的提高。其中应用较为广泛的算法主要有优先顺序法、动态规划法、混合整数规划法、拉格朗日松弛算法以及智能优化算法等10。 （1）优先顺序法 优先顺序法很早就被提出, 目前的研究、应用还有其身影。该方法操作为：提出经济特性指标，排列系统可调度机组，依据系统负荷大小依次加入这些机组。文献11采用优先顺序法和等煤耗微增率准则考虑一个多区域电网的经济调度问题。经典的优先顺序法采用静态排序策略，其排序过程中不会考虑负荷的变化。文献12提出了一种考虑负荷变化的优先顺序法, 称为顺序投入法，在调度过程中动态地考虑机组排列。文献13将传统的经济指标即平均满负荷费用和投入利用因子。该方序法计算速度快, 占用内存少, 但是常常找不到最优解，适用于在线确定机组运行状态，能满足一般的应用要求, 优先顺序法既可单独使用, 也可与动态规划法等方法结合使用。将该算法的计算结果和拉格朗日算法相比较，结果可以证明这种算法在运算速度、鲁棒性、收敛性能和占用计算机内存大小等方面都优于后者。 （2）动态规划法 动态规划法可以用来解决多阶段决策过程中的最优化问题，其所求解的问题具有明确的阶段性。该方法的主要思想是：枚举各种可能的状态组合，剔除那些不需要考虑的解。动态规划法是一种组合优化算法，对目标函数的性态并没有特殊的要求，能求得全局最优解，但是存在明显的缺陷，比如对于机组数较多的电力系统，计算量太大，必须采用近似方法加以简化，并且该算法难于考虑机组爬坡率约束等限制，使用受到了限制14。 （3）混合整数法 混合整数法是变量中既有整数又有非整数的数学规划问题，这种规划问题解决起来比较困难，常用的方法有分支定界、Benders分解、广义Benders分解等方法。该方法求解机组组合问题不需要加入过多的限制和假设，理论上能找到全局最优解，但是方法比较复杂，不直观，对于实际系统来说，计算量较大，必须对问题进行分解10。 （4）拉格朗日松弛法 拉格朗日松弛法是在目标函数中针对系统耦合约束分别引入拉格朗日乘子及，对单机约束写成惩罚项的形式，加入目标函数，形成拉格朗日函数，进而求解原问题的对偶问题，得到优化问题的最优解4。随着机组数的增多，该方法的计算量会呈现近似线性的增长态势，从而克服维数灾难。其灵活的方法既可以用于解决机组组合问题，也可以用于解决诸如电力交易等问题。但是该方法也有一定的缺点，算法迭代过程中可能出现振荡或奇异现象，需要采取措施加速收敛15。 （5）智能优化算法 随着近年来计算机技术的快速发展，众多的智能优化算法被广泛应用于求解电力系统优化调度问题中，其中遗传算法、模拟退火法、随机粒子群优化算法、神经网络算法等多为研究者采用。 目前应用较为广泛的智能算法为遗传算法，它的核心思想就是模拟自然界生物进化过程中的遗传、变异现象。文献16提出了一个将遗传算法和随机模拟技术相结合的组合算法，它用随机模拟法用来模拟风速的随机变化，外层用遗传算法进行随机搜索优化，并用IEEE30节点系统对算法进行了验证。文献10将遗传算法和ALOPEX算法进行有机结合，利用ALOPEX算法在随机优化过程中具有容易跳出局部极值的优点，最终组合成一种混合优化算法，在进行全局搜索后又能进行局部的细致搜索。理论上讲，对于目标函数的性态是没有特殊要求的，可以得到全局最优解；可以得到多个可选方案；方法比较灵活，可以考虑多种约束；适合于并行处理。同样也有一些不足之处，例如处理约束条件会影响算法效率，计算量较大等。 另一种智能算法是人工神经网络算法，该算法计算能力强，适合实时控制，但是又存在收敛速度慢，易陷入局部极值点等缺点，并且在确定合适的隐层数目和节点数目时比较困难。文献14中的电力系统机组组合问题就是由人工神经网络算法和动态规划算法相结合来解决的，文献中机组组合问题被分为两部分，第一部分用BP神经网络算法产生机组启停的预调度表，第二部分为利用动态规划算法处理前一步得到的预调度表，得到最终解决方案。文献17在神经网络的训练中引入遗传算法从而来避免学习过程中出现的停滞现象，继而提高了网络的稳定性和计算的准确性。 粒子群优化算法起源于研究人员对鸟群觅食行为的研究。粒子群优化算法的主要思想是：赋予每一个体一个随机速度，并使其在整个问题空间中流动，个体具有记忆功能，并且通过个体之间的合作与竞争来实现个体的进化9，PSO具有简单容易的特点，因此得到了广泛的应用。为了解决含风电场电力系统的经济调度中机会约束规划问题，文献9在粒子群优化算法中引入随机模拟技术，仿真结果证明了算法的可行性。此外，还有一些算法受到研究人员的关注。例如，文献18在神经网络法中引入模糊理论，用该算法产生初始调度策略，然后采用专家系统的一些规则来进行再调度，产生最终的优化调度方案。文献19采用进化模拟退火算法和直接搜索法相结合求解发电优化调度问题。随着优化技术和计算技术的发展，现在各种研究已不仅仅满足于某一种算法，很多研究者都尝试着不同算法的组合，在不同算法间取长补短，力求得到更好的优化调度方案。 上述优化调度算法的性能都存在一定的缺陷，例如优先顺序法只对机组进行简单的静态排序，难以找到最优解；动态规划法、智能优化法等计算量大，速度较慢；遗传算法具有很强的全局搜索能力，但需要大量的进化操作。另外，对于算法参数的选择，一般是参考其他文献或依靠经验进行取值，这样不能使算法对特定的问题达到很好的性能。因此本文将对算法及其参数优化问题进行研究。1.2.3风速预测方法的研究现状 风速有很强的随机性，高度、地形、天气受等各种因素对其也有很大的影响，因此，许多研究人员致力于更准确的预测未来的风速研究之中。截止现在，预测风速的方法大约分为物理方法和概率方法；在长期风速预测中，物理方法具有优势，但是进行短期预测时概率方法更有优势。 风速预测的具体方法主要有以下几种： （1）物理方法 物理方法依据高度、地形、气压、温度等物理因素来预测风速。很多情况下，物理方法预测精度有限，它需要结合其他概率方法才能进行求解。具有代表性的物理方法是数值天气预报（NWP），它根据对含有地形、海拔高度等变量的数值方程进行求解，从而预测风速。Landberg 基于NWP的方法研发了一个在线自动预测系统，该系统有较好的性能20；Negnevitsky等人认为应该使用精确的数字地形模型来提高NWP方法的精度。针对短期预测，还需要用模型输出校正来提高算法性能21。 （2）概率方法 传统的概率预测方法，即随机时间序列方法。这种方法基于大量的历史数据，并结合参数估计、模型检验等数学方法，最终产生预测的数据。根据Jenkins提出，该预测方法可分为自回归法（AR）、滑动平均法（MA）、自回归滑动平均法（ARMA）、自回归综合滑动平均法（ARIMA）四种方法22。随机时间序列方法可以用下述公式描述： (1-1)式(1-1)中：-自回归参数；-滑动平均参数；-白噪声序列；-时刻的风速。上述公式是一个ARMA模型，若m为零，则模型变为AR模型。 （3）空间相关性方法 空间相关性方法和另外两种方法有所不同，其主要考虑了不同风机之间的空间关系。在进行风速预测时，它不仅将预测地点的历史风速数据加以考虑，而且还注意到了邻近风机的风速数据。很多学者都对这种方法进行了研究，Damousis 等人将模糊法和空间相关性法进行结合，结果表明邻近地点的风速数据对改善预测的精度确实有很大帮助。Alexiadis等人研发了一套空间相关预测器，该预测器借助邻近地点的风速测量值进行未来风速的预测。实验结果表明，它具有良好的性能。 （4）人工智能方法 由于人工智能技术以及其他预测方法的发展，各种新的预测方法不断被提出。例如，人工神经网络（ANN）、模糊逻辑法、支持向量机法以及遗传算法等。Mohandes 等人深入研究了ANN算法，并将实验结果和AR模型进行比较，结果显示：ANN法优于AR法，虽然ANN占用更多的计算资源，但是计算机系统是不断得到改进的，弥补了这种计算的复杂度。Damousis等人研究了一种基于空间相关性的模糊方法，在较为平坦的地势上这种方法有很好的预测效果，但是在地形复杂的区域，其性能很差。Mohandes等人在风速预测领域引入了支持向量机的方法，该方法和神经网络方法进行对比分析，分析结果显示：支持向量机方法的均方根误差比神经网络法小很多，其性能较优23。1.2.4含新能源发电的电力系统风险评估研究现状 目前，研究含新能源发电的电力系统风险评估还处于初始阶段。新能源发电中风电占绝大比例，风电场的可靠性建模、风电场对电力系统可靠性的影响、含风电场发输电系统的可靠性计算等方面都是需要进行深入的研究。风速是不断变化的，时间序列的趋势性和随机性很强，研究可靠性模型就是确定风速的随机模型。目前风速模型主要有三种：第一种为正态分布24，通过历史数据的分析得到风速分布的均值和方差，得到概率分布函数；第二种为Weibull分布，其分布函数为： (1-2)第三种为Rayleigh分布，其分布函数为25： (1-3)式 (1-2)和(1-3)中：-和分布函数形状有关的因子；-风速的大小。 确定风速概率模型后，结合风机、火电机组运行模型，得到系统容量模型，然后评估新能源发电系统的可靠性。文献26建立了基于蒙特卡罗仿真的含风电场的发输电系统可靠性分析模型，该模型不仅考虑了风速的随机性，风电机组强迫停运率及其与气候的相关性，而且计及了输电网络故障率和输电线路有功功率限制。文献27在建立风电场可靠性模型时考虑了风速的概率模型和风电机的停运模型，将风速进行聚类分析，建立了风电场的马尔科夫过程模型，对风电场的可靠性指标进行了计算，并分析了不同的聚类数目、风机种类等因素对可靠性指标的影响。 A. A. Chowdhury提出了三种不同的风电场可靠性模型，第一种为Joint model，考虑了同一个风电场的风速相同，因此各个风机结合在一起的容量模型不能采用一般意义上的容量模型进行求解，而要考虑各风机的相互关系；第二种为分散模型，即不考虑风电机的相互关系，认为彼此之间是独立的；第三种是联合模型，即同时考虑了风电机和负荷的波动，将二者的不确定性联系起来。结果证明采用 节点模型时系统的风险性最高，而采用联合模型时系统风险最低。文献28提出了基于风险评估的最优潮流模型，且在风险建模过程中考虑了三种数学模型，第一种是将电压越限风险、线路潮流越限风险等元件风险作为约束条件，第二种将系统总风险作为约束条件，第三种将系统风险作为目标函数的一部分进行求解。关于风电系统可靠性或风险研究的文献还有很多，其中文献29将风险因素引入经济调度模型中，将风险度看作一个风电穿透功率的函数，但风险度函数为一个没有太大意义的模糊数，仅以风电功率的大小作为风险大小的依据，考虑不够全面。 通过上面分析可见，该领域中的研究大多是单一的风险评估，并未将风险评估加入到电力系统经济调度方案中；同时，在风险评估中仅是假设风速服从某一概率分布，对其进行概率计算或者蒙特卡罗抽样，是一种长期的风险评估，即系统在一年甚至几年内的平均风险大小，并没有将风险评估建立在系统运行水平上，因此系统运行过程中的短期风险需要进行重新研究。另外，在传统的风险评估中，采用蒙特卡罗模拟法对风速、机组强迫停运进行模拟时均根据其实际的概率分布进行抽样，然而事实上，我们比较关心的是机组停运、风速过大或过小等概率分布尾部的系统响应，这需要大规模的抽样才能得到较精确的解，消耗计算时间较多，因此如何在不减小解的精确性的情况下尽量减小抽样规模是本文需要研究的内容。1.3本文的主要研究工作 本文的主要研究工作包含三个方面，首先研究的对象为含新能源发电的电力系统，其次要研究这种系统的优化调度方案，另外，由于新能源的引入给系统带来了更多的风险，因此需要对系统不确定性风险进行评估计算。综合而言，本文从以下几个方面进行了研究： （1）建立了合理的风电场模型，形成了从风速到风力发电功率的转化关系，为优化调度提供更合理的数据基础。 （2）建立了含新能源发电的电力系统优化调度模型，模型中加入了风险越限惩罚项，并以惩罚因子协调惩罚系数。模型以火电机组耗量最小化为目标函数，同时考虑了系统中各种类型的技术约束。 （3）采用分布式原对偶次梯度算法对上述调度模型进行求解，对算法的参数选择等方面进行相应的优化，通过优化计算得到最优解。 （4）建立了基于不等概抽样法的日前调度风险评估模型，本课题研究的风险为充裕性风险，对该风险进行了评估计算。 （5）选取算例系统进行算例分析，通过对结果进行讨论，评价模型、算法的优劣，分析新能源对系统的影响，以及参数选择等问题对结果的影响。 （6）总结本文研究内容，并提出后续的研究。第二章 电力系统日前调度风险评估2.1风险的含义 风险是指某一特定危险情况发生的可能性和产生的后果的综合。其有两种定义：一是强调了风险，为出现的不确定性；二是强调风险影响，为损失的不确定性。电力系统在电网大规模扩张中取得了巨大联网效益，但是随着电网结构的愈加复杂，发输电元件故率也在不断增加。电网运行中产生的越来越突出的不确定性和随机性问题，必然对电力系统安全分析提出越来越高的要求。电力系统运行的风险评估，是为了获悉扰动事件对系统的潜存影响，包括发生扰动事件的可能性与严重性。众多学者对电力系统风险评估计算进行了研究，其研究内容涉及经济方面的风险，如发电燃料风险、投资风险、期货风险、电力价格风险等，还包括诸多技术层面的风险，例如电压越限风险、各类电力元件风险等。依据IEEE的定义，风险等于事故发生的概率和事故产生的影响的乘积，可以用以下公式表示： (2-1) 式(2-1)中，指的是研究对象的风险，指的是研究对象发生事故的概率（可能性），是事故发生后对研究对象造成影响后果的严重性。 电力系统风险评估包括元件级和系统级风险评估，元件级风险评估涉及架空线路、变压器等的运行风险评估；电压稳定分析、安全域分析、静态安全评估暂态安全评估则属于系统级风险评估。电力系统风险评估主要包括以下几个方面的内容：确定元件停运模型；选择系统状态和计算他们的概率；评估所选状态的后果；计算风险指标；依据风险指标进行辅助决策。 充裕性和安全性是电力系统风险评估的两个方面内容，目前在充裕性方面的研究比较多。需要指出的是，可靠性和风险属于电力系统风险研究中的同一问题的两个方面，系统风险低则表明可靠性高。2.2风险评估方法2.2.1基于可信性理论的风险评估 元件故障包括随机性、模糊性，因此不确定性也包括随机性、模糊性，随机性、模糊性的综合评估是一个研究难题。2004年，基础数学领域提出可信性理论，建立了基于测度论、模糊论的公理化体系，从而奠定了随机性、模糊性综合评估基础。文献29中详细介绍了可信性理论中的基本公理、可信性测度、模糊变量期望值、随即模糊变量期望值等基本内容，并介绍了应用于电力系统的方法。文献30将可信性理论应用于电力系统风险评估，采用随即模糊变量期望值表示全系统的运行风险指标，提出了基于可信性理论的运行风险评估算法，并将该算法应用于WSCC9节点系统。文献31中在缺乏历史统计数据的情况下，将故障率视为模糊变量，并利用人工经验给出其隶属度函数的方法，为电力系统运行风险评估的建模提供一种有效的解决途径。2.2.2基于概率性方法的风险评估 概率性方法是依据统计的元件发生故障次数和进行修复次数，通过计算这些值得到节点和系统的运行参数变化区间和风险指标，继而对系统的可靠性做的一个客观、全面的评价。其分为解析法和模拟法。 网络法和状态空间法是解析法中应用较为广泛的两种方法。网络法使用的较早，它在解逻辑网络基础上进行系统元件可靠性的计算。网络法只适用于系统逻辑图存在的情况，因此只有确定可以建立起逻辑图前提下才可以选用这种方法。网络法的基本步骤是：得到一个网络的结构图后，根据逻辑关系建立相应的网络逻辑图；做出系统逻辑图后，已知每一部分的故障率就可以通过适当运算简化逻辑图；最后整个系统的可靠度或系统故障率等可靠性指标就可以被求得。马尔柯夫过程是状态空间法的理论衬底，可以用系统的状态、期间发生的转移表示该方法，最后求得系统的可靠性指标。 模拟法以概率和统计理论为基础，主要为随机抽样法，即蒙特卡罗模拟法。其中心思想是：首先提出问题的求解目标，建立概率或随机过程模型，令其参数等于问题解；第二步通过观察过程或模型，进行抽样实验计算所求参数的统计特征；第三步给出问题的近似解，同时给出解的精度或误差。蒙特卡罗法可以分为非序贯蒙特卡罗法和序贯蒙特卡罗法。非序贯蒙特卡罗法即状态抽样，系统的时序性、元件的修复情况都不加以考虑，依据抽样次数对可靠性指标进行统计；序贯蒙特卡罗法将系统时序性纳入考虑，依次模拟系统在每个时间内的运行状态32。2.3新能源并网给电力系统带来的风险 电力系统中的负荷的波动、设备的停运、设备的故障等都会给系统带来较大的风险。这种风险主要表现在，当系统负荷出现较大波动或者发电机组跳闸等情况发生时，系统如果没有足够的可用于调节的备用容量，系统的功率平衡就会被打破，出现频率的上升或者下降。在新能源发电部分未并入电力系统之前，对于负荷的预测精度比较高，加之设备强迫停运率未已知量，因此这些风险可以提前采取有效措施进行控制。 当新能源引入电力系统后，显著提高的系统风险水平就会随之而来，并且这种风险难以预测。新能源中最多的是风电，风电的波动性很强，可预测性很差。实际运行时，风速的波动较大时，风电机的出力波动也很大，倘若遇到大风等极端恶劣天气时还会出现停机情况。系统中的风电容量占有较大比例时，这种波动就会引起很大的功率不平衡，此时如果备用容量不足以平衡风电出力的波动，系统就会产生频率变化。新能源中也有很多光电，光电也有较强的波动，可预测性也比较差，连续的阴雨天等恶劣天气下光电阵列的发电量接近于零，这时同样会对系统功率的平衡带来一定破坏。风电、光电等的波动比负荷波动大很多，并且很难控制、预测，因此在含新能源的电力系统中风电、光电的波动是造成风险的主要原因。除备用不足风险以外，新能源并网引起的风险还包括电压稳定风险、潮流越限风险、暂态风险等。本文研究的风险评估是基于日前调度的风险，即对未来一天旋转备用不足风险进行评估计算。2.4风电功率的预测与计算 风能具有不了避免的间歇性和随机性，其导致风电功率具有很大的波动性。风电场在日益剧增，装机容量随之直线式增加，大规模波动性很强的风电功率将会严重威胁电网的安全、经济运行。准确预测风速和风电功率，将有助于电力系统调频调峰，提高电网对新能源的消纳能力。 短期来看，风速信号是一个随见变量，不具备太大的规律性，具有较差的预测性。但是从较大的时间跨度、空间广度而言，风速具有一定的规律性。比如，近地面的植被覆盖、建筑物情况等的影响，使得近地面风速小，随高度增加风速增加；季节周而复始的变化引起风速相应的变化；地势的起伏情况、地表的温湿情况等都会影响风速。风速的研究如果考虑到它的规律性会提高风速预测的准确性。 本文对风速的预测借鉴文献3中采用的风电场风电场风速组合预测系统软件进行风速预测。该软件集合了灰色模型、时间序列、神经网络模型、多元线性回归等预测模型。其可以有效减少预测误差、提高预测精度。 在研究中使用风电机的风功曲线来计算风电输出功率会带来很多困难，本文采用一种常用的线性模型将预测的风速转化为风电功率： (2-2)式(2-2)中：-风机轮糓处的风速；-切入风速；-切出风速；-额定风速；-风机的额定输出功率。 公式的物理意义为：切入风速和切出风速分别为风机正常工作时的最小、最大风速；当风速小于切入或大于切出风速时，该风电机关闭，这是风机输出功率为0；当风速介于切入和额定风速之间时，这时发电功率是一条特定曲线；当风速介于额定风电风速和切除风速之间时，这时风电功率为额定功率。2.5风险评估计算2.5.1蒙特卡罗模拟法 本文采用基于蒙特卡罗模拟法的不等概抽样法对日前调度进行风险评估，不等概抽样法可以减少抽样规模，能够达到减少抽样次数、提高算法计算速度的目标。蒙特卡罗模拟法又称统计模拟法，由于20世纪40年代科学技术的发展和计算机的发明，被提出的一种以概率统计理论为指导的一个数值计算方法23。蒙特卡罗模拟法可以在重现实际系统运行情况下，方便的模拟含新能源发电的电力系统概率问题。本文采用非序贯蒙特卡罗模拟法进行风险的评估与计算，这里主要讨论电力系统的充裕性风险，并假设变压器、线路等元件完全可靠。其基本思路为：第一步，每次抽样中都假设系统条件不变，对风速和负荷的预测误差进行抽样，计算出每一次抽样中风电机组和火电机组的出力一级负荷大小；第二步，判定系统旋转备用是否满足负荷要求、线路功率传输极限，如果不满足要求，则计入到风险中。为了提高模拟精度的要求，需要进行很多次的抽样模拟，直到满足要求的精度条件，在此基础上统计风险值。2.5.2不等概抽样法 不等概抽样的定义是：总体中的每个单元具有同样的入样概率的随机抽样。各单元差异很小时，简单随机抽样做出的估计比较精确有效，但是随着各单元差异增大，估计误差会很大。这时可以考虑使用不等概随机抽样方法，即赋予各单元一个不同的入样概率，从而提高估计量的估计精度。不等概抽样的原理就是：改变了原有样本空间的概率分布，以提高抽样的效率。将这种不等概抽样的思想引入到风险评估过程中，可以实现对抽样规模的控制。 例如系统的某个风险是由两台机组同时停运造成，机组A和机组B的停运率均为2%，按照普通的随机抽样方法，则平均进行1万次抽样才能抽到两台机组同时停运的情况，且误差很大；采用不等概抽样，将两台机组的停运和正常运行的入样概率均设为50%，则有25%的几率抽中，在很少的抽样次数后就可以得到精度很高的解，结果将抽中的次数除以相应的权重进行概率还原即可。这种方法可以大大减少抽样次数、提高计算精度，节约计算时间。本文采用不等概抽样法改变了原有的概率分布，增大了概率分布尾部的比例，从而提高了风险被抽中的概率，最终达到缩减抽样规模、提高抽样精度的目的。进行抽样时，文中采用平均分布来代替原有的分布特性，即概率分布区间内任意一点的概率密度均相同。由于不等概抽样法改变了原有的概率，因此在计算过程中需要将概率还原。2.5.3风险评估的计算步骤（1） 按照平均分布对风速误差进行抽样，其值大小按照下式确定： (2-3)式 (2-3)中：-风电场；-风电场的风速（随机变量）；-风电场的风速预测值；-风电场的风速预测误差（随机变量）；同理，负荷大小也可以求出。（2） 计算每个抽样情况的旋转备用是否充足，即：如果存在一个，使下述表达式成立，则表示出现备用不足： (2-4) (2-5) 其中，式(2-4)为旋转备用不足的判断式；式 (2-5)为机组上升、下降速率不足的判断式，式中：-火电机组的输出功率上限；-火电机组的功率输出下限；-火电机组的调度出力大小；-火电机组的有功出力上升速率；-火电机组的有功出力下降速率。（3）假设抽样次数为Ns，其中备用不足的次数为Nr，则每次备用不足的次数应还原为： (2-6)式 (2-6)中：-第次抽样出现备用不足时，经还原后的真实次数；-抽样点处风速预测误差的真实概率密度；-抽样点处负荷预测误差的真实概率密度；-抽样点处预测误差的抽样所用概率密度；因此，出现风险的总次数应修正为： (2-7)式 (2-7)中：-抽样中出现的风险次数；-经还原后风险的实际次数。（4）按照下式计算风险值大小： (2-8)式(2-8)中：-调度策略风险值。2.6本章小结 本章分析了基于日前调度的风险评估过程，得到的结论主要如下： （1）新能源发电功率具有不确定性，其中风电功率受风速影响最大，而风电在新能源发电中占最大比例，使得对含新能源发电的电力系统优化调度进行风险评估计算的集中点在风电上；本文用一个线性关系实现风速到风电功率的换算；采用风电场风速组合预测系统对风速进行预测，具有比较准确的预测结果。 （2）概述电力系统风险评估，将其主要风险归结于充裕性风险和安全性风险，充裕性风险和可靠性异曲同工，本文研究着力点就放在充裕性方面。风险评估方法主要有确定性方法和概率性方法，本文采取后者中的蒙特卡罗模拟法，该方法能够对系统进行比较准确的模拟，得到的结果也比较符合实际情况。 （3）风险评估基于日前调度，是对未来24小时的调度策略进行风险计算。首先需要对大量已统计的历史数据进行分析，得到风速预测、负荷预测的概率分布，接着采用不等概抽样法其进行随机抽样，计算出抽样结果的风险，最终得到全局调度策略的风险大小。第三章 含新能源发电的电力系统优化调度模型 国家大力支持新能源产业的发展，对于新能源发电，政策要求优先调度风电。因此，在进行含新能源发电的电力系统优化调度中，可以被用来调度的出力实际为满足负荷功率后，扣除风电场输出功率的那部分火电机组出力。如前文所述，风电具有很强的波动性，即使采用优化调度制定的机组优化组合，还会发生很大的风险。这种风险表现在，大范围的风电波动，导致火电机组出现旋转备用缺额、机组斜坡率变化速度跟不上风速的变化等。于是，需要重新研究含新能源发电的电力系统优化调度模型，从而将风险置于可控范围之内。3.1优化调度模型3.1.1优化调度目标函数 模型将考虑由风速和负荷波动引发的风险，并把该风险作为一个约束条件。如果风险越限，则在目标函数中设置惩罚项，加快淘汰风险越限个体，将结果的风险水平样控制在很小的范围。 目标函数追求火力机组最小耗能，综合考虑风险越限情况，得到的表达式如下： (3-1) (3-2)式(3-1)和(3-2)中： -火电机组；-火电机组的运行耗量；-火电机组的有功出力；-火电机组的耗量特性系数；-风险惩罚项中的惩罚因子。 该目标函数前部分耗量与传统优化调度模型相同；后面加入的风险越限惩罚作用就是用来惩罚风险越限个体，并用惩罚因子协调惩罚力度，这样就可以在之后的迭代过程中淘汰越限个体。它的表达式为： (3-3)式(3-3)中：-调度策略风险值；-判断是否引入惩罚项，在风险约束中，若风险大于预先设定的最大风险，则其值为1，否则为0；-退火算法中的当前温度，随迭代的增加而减小。3.1.2优化调度约束条件 目标函数下，必须满足以下约束条件： （1）有功功率平衡： (3-4)式(3-4)中：-火电机组的有功出力；-风机的有功出力；-电力系统负荷值。 （2）机组出力