多时间尺度的电力系统鲁棒调度 PPT课件.pptx

多时间尺度的电力系统鲁棒调度;Contents;一、风电并网困境及风电调度问题;一：风电并网困境及风电调度问题 ;海上装机容量：;;;二、总体思路;多时间尺度鲁棒经济调度;;鲁棒调度问题没有一个统一的数学模型;方差 目标违反度 约束违反度等;随机规划理论的基本思想;鲁棒调度的基本思想; ;;;含新能源的多时间尺度的鲁棒调度技术，其关键在于将调度框架分为日前计划、日内滚动计划、实时计划三个时间尺度，通过采用多个时间尺度逐步削减新能源的不确定性性对电网的影响。;三、日前计划;优化目标;图3.1 日前计划算法原理图;;;;;;;;;模型的解是一个火电机组出力方案X0，它满足风电预测场景下的所有运行约束和线路安全约束。假设风电实际出力在时段t 偏离预测值，误差场景Si 发生，如果经过火电机组再调度，系统运行点能在10mins内从X0过渡到新的可行运行点Xi，则称模型的解适应场景Si。根据模型中误差场景约束的要求，X0能适应任意时段t中场景集St内的任意场景Si。; 以只含一个风电场为例,在风电出力预测曲线及其误差概率分布的基础上,决策者可指定一定的置信水平,得到图2中置信极限之间的置信区间。 若合理选取各时段的St ,使其能代表区间内所有可能的误差场景,则当实际风电出力在指定置信区间内偏离预测值时,模型的解均能适应。; 假设系统包含2个风电场,它们在时段t 的出力预测值分别是110MW和120MW,在某置信水平下的置信区间(40 MW,180 MW) 和(60MW,180MW)构成了图3所示的矩形空间,即时段t 中需要保障的风电出力取值空间。;场景集St 应对所要求的单风电场出力置信区间或多风电场出力置信区间所组成的取值空间具有完全代表性。 选取St 最常见的方法是蒙特卡洛仿真（根据误差概率分布进行随机抽样,生成大量误差场景,再利用场景缩减技术合并相近的场景,将场景数减小到计算能力容许的范围内,形成St），这样获得的St 不仅场景数多，还通常无法代表置信区间内的所有场景，求得的解对风电随机性的适应性可能小于指定要求。 当含n(n≥3)个风电场时,出力取值空间将是一个有 个顶点的n维凸多面体。 对于固定的场景数而言,随着n的增大,基于蒙特卡洛???真得到的St代表性迅速减弱,计算时间和计算精度的矛盾将不可调和。; 若一个场景中各风电场出力均处于置信极限,则该场景称为极限场景，如图中矩形的四个顶点。项目证明了,只要取极限场景集为St ,就对风电出力取值空间具有完全代表性。亦即,若模型的解能适应所有极限场景,则必适应取值空间中的所有误差场景。 虽然极限场景数随着n上升以指数形式增大,场景缩减技术的应用仍无法避免,但是,算例将证明在取相同场景数时,基于极限场景集的方法得到的解较之基于蒙特卡洛仿真的场景法得到的解,对风电随机性具有更强的适应力。;方法对比 ;;四、日内滚动计划;四：日内滚动计划;;基于日前计划模型，日内滚动模型作如下的补充：;;;五、实时调度计划;;;;由分配功率模型算出得到：;六、海南电网算例;;;;;;;;;;;安全性比较;;;;七、鲁棒调度技术支持系统;7.1 鲁棒调度系统的框架;;3个时间尺度—— 日前计划：机组组合 滚动计划：动态经济调度 实时调度计划：最优潮流 多种求解算法—— 混合整数规划 排队法 单纯形法 内点法 ;7.2 鲁棒调度系统的算法框架;7.3 系统功能描述;功能展示;