【含风电的电力系统综合经济调度模型求解的MATLAB仿真分析案例4200字】

含风电的电力系统综合经济调度模型求解的MATLAB仿真分析案例目录TOC\o"1-3"\h\u9331含风电的电力系统综合经济调度模型求解的MATLAB仿真分析案例 1307861.1引言 1279501.2粒子群算法概述 121931.3基于yalmip工具箱进行数学规划求解与粒子群算法比较 298321.4算例分析 385904.4.1基础参数设置 310344.4.2优先消纳风电与全额消纳风电两种模式综合对比 5110084.4.2不同置信水平下的模型综合成本计算及比较分析 11引言对于大规模风电并网后的电力系统综合经济调度模型求解问题，主要有人工智能算法及运用基于MATLAB环境下的yalmip工具箱编写规划问题，调用MATLAB自带求解器进行求解的方法。本章以粒子群算法为例，对比了人工智能算法与基于yalmip工具箱进行数学规划求解的方法，最终选取后者。同时计算了不同风电消纳量下的含风电的电力系统综合经济调度模型的综合成本，对比全额消纳风电、优先消纳风电等模式下的电网各项成本，综合评估构建的经济调度模型的优化效果。粒子群算法概述粒子群算法是通过模拟鸟群寻找食物过程中发展起来的一种基于群体性协同工作的随机智能算法，粒子群算法所需设置的参数较少，实现较为容易，在非线性规划问题寻优中应用广泛。PSO算法的建立源于鸟群的觅食行为，鸟群在划定区域内随机找寻食物，但鸟群中所有个体均不清楚食物的具体方位，但是鸟群中的每个个体均知道其当前位置与食物的距离。将粒子类比为鸟群中的个体，进行数次迭代计算得到最优解。粒子群算法中每个基本量都具有三个参数，即位置、速度和适应度值，该粒子所处的空间位置及其速度直接影响着个体最优解的值，通过粒子自身的原有数据及整个群体中其他粒子的原有数据调整其两项参数，不断逼近最优解。粒子群算法的基本原理为：在整个搜索区域内，设群体中粒子数目为p，粒子i所在的位置设为yi，i=1,2,…,p；粒子i的速度设为v viq+1=ω yiq+1=式中，q为共需迭代的次数；δ1、δ2为加速因子，r1、r2为取值范围[0,1]内的随机数；viq及viq+1为粒子i在第q代及第q+1代的速度；yiq及yiq+1粒子i在第q代及第q+1代的所处位置；其基本算法流程如下：1）初始化种群的大小及所需的迭代次数；2）计算种群内所有粒子的目标函数值，个体的最优解就视为粒子当前位置，整个群体中的最优解视为种群最优解；3）按照公式（4-1）及（4-2），更新每个粒子的速度及位置；4）若没有达到最大迭代次数，重复步骤3）；若达到最大迭代次数，输出最优解；5）结束粒子群算法。基于yalmip工具箱进行数学规划求解与粒子群算法比较在求解有关规划最优解的问题时，yalmip工具箱其最大优点在于集成了众多的求解器，且可以用统一编程语言描述，包含线性规划、非线性规划在内的大规模、多维度的数学优化问题均可被求解，得到广泛使用。相较于以粒子群算法为代表的人工智能算法，其表达形式十分简单，求解速度快，且不易陷入局部最优解等问题，通常人工智能算法需要优化改进才能达到良好的求解效果。比较后本文拟采用基于yalmip工具箱进行数学规划并调用MATLAB自带求解器求解大规模风电并网后的电力系统经济调度模型。算例分析4.4.1基础参数设置本文中模拟系统拟采用六个火电机组，一个风电场构成，风电场额定最大出力pfmax=75MW，火电机组详细参数见表4-1。设环境成本系数kdown=60元/MW，经计算得出风电高估出力惩罚成本系数kup=90元/MWh，风电低估出力惩罚成本系数k表4-1火电机组参数表机组编号PPabcαβγG15001000.007007.0240182-1.161.05G2200500.0009510.0200116-1.772.07G3300800.009008.522093-1.931.90G4150500.0090011.0200135-2.281.66G5200500.0080010.5220135-1.631.73G6120500.0075012.0190156-1.631.35表4-2各时段系统负荷表时段/ℎ负荷/MW时段/ℎ负荷/MW时段/ℎ负荷/MW时段/ℎ负荷/MW1589.47968.3131178.8191010.42613.581010.4141094.6201178.83715.791094.6151010.4211094.64799.9101178.816884.122926.25842.0111220.917842.023757.86926.2121263.018926.224673.6对于风电预测出力均值与风电预测出力值的标准差值，本文参照华东某电网24ℎ运用时间序列法得到的预测出力数据即以本时段风电功率的实测值作为下一时段风电功率的预测值。由式（2-17）及（2-18）可以计算出Beta分布所需的两项参数α及β。α及β在24时段计算值如表4-3所示：表4-3日内24ℎαt及时段αβ时段αβ110.4419.22134.692.35211.2929.40144.992.72310.4650.17153.501.2646.4339.00163.981.68512.3946.45174.692.34610.9525.86186.785.72710.5819.40198.9012.1289.1613.60209.5115.0997.978.902110.3520.79106.094.752212.5346.87115.283.062313.2361.71124.912.612410.8623.174.4.2优先消纳风电与全额消纳风电两种模式综合对比1）全额消纳风电模式全额消纳风电模式是指风电按额定最大功率并网，即风电场注入功率为pfmax （4-3）设置正备用容量的需求百分比u%=10%，负备用容量的需求百分比u%=30%，负荷预测误差导致对正备用容量的需求百分比L%=5%，风电场注入功率为pfmax=75MW，全额消纳风电情况下的规划问题为线性规划问题，故可调用Cplex求解器对对模型进行求解，加快运算速度，得到火电机组群日内（24ℎ）出力曲线图及负荷预测曲线、火电机组总出力曲线及风电计划出力曲线综合对照图及火电机组群日内（图4-1火电机组群日内（24ℎ）出力曲线图4-2综合出力对照曲线表4-4全额消纳风电模式下各火电机组日内出力表时段全额消纳风电模式下各火电机组日内出力G1G2G3G4G5G61100.0058.5980.0050.5150.2950.002100.0070.3687.8560.6360.3952.263100.0088.24110.1575.9975.7665.564100.00106.12132.4591.3691.1278.855100.00115.06143.6099.0498.8085.506100.00132.94165.90114.40114.1698.797100.00141.89177.04122.08121.84105.398107.09150.82188.19129.76129.52112.089120.53168.27209.95144.76144.52119.9910127.85189.36236.26150.00162.64119.9911137.62199.99250.56150.00172.50119.9912120.53200.00269.70150.00185.68119.9913107.09189.36236.25150.00162.64119.9914100.00168.27209.95144.76144.52119.9915100.00150.82188.19129.76129.53112.0916100.00124.00154.74106.72106.5092.1417100.00115.06143.6099.0498.8085.5018100.00132.94165.90114.40114.1798.7919100.00150.82188.19129.76129.53112.0920100.00189.36236.25150.00162.64119.9921100.00168.27209.95144.75144.52119.9922100.00132.94165.89114.40114.1798.7923100.0091.18121.2983.6783.3672.2024100.0079.3099.0068.3168.0758.91由图4-1、图4-2及表4-4可知：此时的风电功率值在24ℎ运行时间内均为风电场额定的最大运行功率，即风电全额并网消纳。火电机组承担剩余部分的负荷功率需求，以火电机组燃煤消耗成本及环境成本和值最小为目标函数调度出力。2）优先消纳风电模式优先消纳风电模式是指风电并网后，考虑有关风电出力极限约束作概率约束，合理规划风电计划出力的同时保证优先消耗风电出力，节省综合建模成本。模型表示为： （4-4）设置正备用容量的需求百分比u%=10%，负备用容量的需求百分比u%=30%，负荷预测误差导致对正备用容量的需求百分比L%=5%，风电场注入功率为pfmax=75MW，置信水平值ρ=0.5。求解模型，得到火电机组群日内（24ℎ）出力曲线图及负荷预测曲线、火电机组总出力曲线及风电计划出力曲线综合对照图、风电机组计划出力曲线图及火电机组群日内（图4-3火电机组群日内（24ℎ）出力曲线图4-4综合出力对照曲线图4-5风电机组日内（24ℎ）出力曲线表4-5优先消纳风电模式下各火电机组日内出力表时段优先消纳风电模式下各火电机组日内出力G1G2G3G4G5G61100.0089.08111.1976.7276.5066.192100.00101.20126.3087.1386.9075.193100.00123.55154.16106.32106.0891.804100.00141.80178.20122.88122.63106.115100.00150.72185.58127.96127.75110.526103.32162.37202.59139.69139.45120.007107.61169.10210.97145.46145.23120.008112.31176.46220.16150.00151.55120.009124.03194.33243.09150.00167.35120.0010138.24199.99270.90150.00186.50120.0011144.38199.99282.90150.00194.77120.0012159.57199.99299.99150.00199.99120.0013132.80199.99260.26150.00179.19120.0014117.75185.02230.82150.00158.89120.0015101.93160.19199.87137.80137.57120.0016100.00135.53169.13116.63116.39100.7217100.00128.50160.35110.58110.3495.4318100.00152.28190.00131.01130.77113.1719111.07174.60220.78150.00147.33120.0020147.40199.99285.78150.00198.88120.0021129.69199.99254.17150.00175.98120.0022105.71166.11207.26142.90143.66120.0023100.00132.27165.06113.83113.59105.5724100.00108.36135.2593.2993.0580.52由图4-4、图4-5及表4-5可知：风电场在高、低估风电出力目标函数及有关风电约束条件的综合作用下给出了日内24ℎ计划出力曲线，除在部分时段呈现出一定的反调峰特性外，在其余时段内同上网负荷的变化趋势相同，表明在优先消纳风电的模式下，风电计划出力经优化后可以与负荷变化相符合，且火电机组出力亦得到优化。4.4.2不同置信水平下的模型综合成本计算及比较分析大规模风电并入电力系统后，根据第3章表述的置信水平，即风电场能够实现计划出力的可能性，分别设置置信水平值ρ=0.1、0.3、0.5、0.7、0.9，对于备用约束值，设置正备用容量的需求百分比u%=10%，负备用容量的需求百分比u%=30%。计算出风电并网后电力系统经济调度模型综合成本，绘制出如图4-6所示的折线图：图4-6综合发电成本随置信水平变化折线图由图4-6可知：随着规定的风电置信水平的提高，综合发电成本也在不断提高。这是由于置信水平代表了风电能实现计划出力的概率，给定的置信水平越高，系统对于安全稳定运行能力要求的越高，此时允许并网的风电量会越少，即火电机组出力增加，此时综合成本提高；反之，给定的置信水平越低，系统对于安全稳定运行能力要求的越低，此时允许并网的风电量会增加，即火电机组可以减少出力，此时综合成本会降低。大规模风电接入虽然可以减少经济调度综合成本，但是也以影响电网稳定性作为代价。本节拟统计仅火电机组工作条件下的经济调度模型成本、风电全额消纳条件下的经济调度模型成本、风电优先消纳条件下不同置信水平的经济调度模型成本，当仅火电机组工作时，模型描述为： （4-5）风电并网前后及不同风电消纳模式下成本对比结果如表4-5所示：表4-5不同模式下发电成本比较表案例类型发电成本（×10风电机组未并网（火电机组全出力）26990风电机组出力优先消纳（90%置信水平）25737风电机组出力优先消纳（70%置信水平）24655风电机组出力优先消纳（50%置信水平）23931风电机组出力优先消纳（30%置信水平）23259风电机组出力优先消纳（10%置信水平）22406风电机组出力全额消纳21736由表4-5可知：当给定置信水平为0.9、0.7、0.5、0.3及0.1时，综合发电成本由风电并网前的269.90万元分别降低至257.37万元、246.55万元、239.31万元、232.59万元及224.06万元，成本节省率分别达到4.64%