留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于预测控制的多种新能源互补电力系统动态调度模型

周坤 许云飞 崔昊杨 李树林

周坤, 许云飞, 崔昊杨, 李树林. 基于预测控制的多种新能源互补电力系统动态调度模型[J]. 现代电力, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
引用本文: 周坤, 许云飞, 崔昊杨, 李树林. 基于预测控制的多种新能源互补电力系统动态调度模型[J]. 现代电力, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
Kun ZHOU, Yunfei XU, Haoyang CUI, Shulin LI. A Predictive Control Based Dynamic Dispatch Model for Complementary Power System Containing Multi-Renewable Energy Sources[J]. Modern Electric Power, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
Citation: Kun ZHOU, Yunfei XU, Haoyang CUI, Shulin LI. A Predictive Control Based Dynamic Dispatch Model for Complementary Power System Containing Multi-Renewable Energy Sources[J]. Modern Electric Power, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435

基于预测控制的多种新能源互补电力系统动态调度模型

doi: 10.19725/j.cnki.1007-2322.2020.0435
基金项目: 国家自然科学基金项目(61107081);上海市地方院校能力建设项目(15110500900)
详细信息
    作者简介:

    周坤(1992),男,硕士,主要研究方向为电力设备故障诊断、电力设备可靠性评估、电力大数据方向、新能源调度控制,E-mail:814283423@qq.com (第一作者、通信作者)

    许云飞(1991),男,助理工程师,主要研究方向为新能源优化调度

    崔昊杨(1978),男,博士,教授,主要研究方向为电力设备状态检测、红外探测与检测

    李树林(1996),男,助理工程师,主要研究方向为电力设备可靠性

A Predictive Control Based Dynamic Dispatch Model for Complementary Power System Containing Multi-Renewable Energy Sources

Funds: Project Supported by National Natural Science Foundation of China (61107081); Project Supported by Shanghai Local Colleges and University Capacity Building Program (15110500900)
  • 摘要: 为了解决多种新能源互补运行时的消纳困难,以及降低新能源夜间波动造成电压频繁越限的问题,提出了一种基于预测控制的多种新能源互补电力系统动态调度模型。首先分析了光伏发电和风力发电的时间性,以及用户生活和生产用电短期内环比波动较小的特征,利用改进自适应阈值隶属度的小波滤波方法对光伏、风力发电历史数据进行去噪,以实现数据真实性还原;然后将去噪后的数据输入到改进的差分整合移动平均自回归模型中,对未来一段时间的发电量和用电量进行预测;将预测发电量、用电量作为分解原函数和扩增函数,改进同步型交替方向乘子法(synchronous alternating direction method of multipliers,SADMM);最后,通过将各时段预测的新能源发电量作为下一次迭代计算值的固定值,对SADMM进行迭代值修正,达到动态经济调度的目的。实验结果表明,该模型有效降低了91%的电压越限告警,并且经济性较传统方法提高了5%。
  • 图  1  西南某市的多种新能源电力系统互补拓扑

    Figure  1.  The complementary topology of a power system containing multi-renewable energy sources in a certain city in South-west China

    图  2  光伏一周内各时段发电功率

    Figure  2.  Power generated by PV in various time periods within a week

    图  3  风电一周内各时段发电功率

    Figure  3.  Wind power generated in various time periods within a week k

    图  4  实际用电情况与动态调节、定值调节的关系效果

    Figure  4.  Relationship among actual power consumption, dynamic regulation and fixed value regulation

    图  5  基于动态预测和动态调度的调度模型

    Figure  5.  Dispatching model based on dynamic prediction and dynamic scheduling

    图  6  光伏原数据经小波滤波和自适应小波滤波后的结果

    Figure  6.  Result of original PV data after wavelet filtering and adaptive wavelet filtering

    图  7  本文改进方法对光伏发电数据进行滤波后结果

    Figure  7.  Result of PV generation data filtrated by the improved method proposed in this paper

    图  8  本文改进ARIMA、LSTM、ARIMA的预测值与用户实际负荷的对比

    Figure  8.  Comparison of consumer’s actual load with the load forecasted by original LSTM and ARIMA respectively and that forecasted by the ARIMA improved in this paper

    图  9  本文改进ARIMA、LSTM、ARIMA对风力发电的预测值与发电厂实际发电功率的对比

    Figure  9.  Comparison between the predicted Generating power by improved ARIMA, LSTM, ARIMA and actual generating power of the power plant

    图  10  本文改进ARIMA、LSTM、ARIMA对光伏发电的预测值与发电厂实际发电功率的对比

    Figure  10.  Comparison of actual power generated by power plant with PV generated power forecasted by original LSTM and ARIMA respectively and that forecasted by the ARIMA improved in this pape

    图  11  主网不下电的情况下该片区实际发电-用电缺额、预测发电-用电缺额

    Figure  11.  The actual power generation-vacancy of power consumption and forecasted power generation-vacancy of power consumption of this district when the main grid does not provide power

    图  12  基于预测控制的改进SADMM动态控制下该片区发电-用电缺额

    Figure  12.  The power generation-vacancy of power consumption of this district under dynamic control of improved SADMM based on predicted control

    表  1  LSTM、ARIMA、本文改进ARIMA的预测值与实际值的SRMSE对比

    Table  1.   Comparison of the root mean square error (abbr. RMSD) of actual value with the RMSD from original LSTM and ARIMA respectively and that from the ARIMA improved in this paper

    参数LSTM
    SRMSE
    ARIMA
    SRMSE
    改进ARIMA
    SRMSE
    用户负荷16281998692
    风力发电功率609626200
    光伏发电功率30372194
    下载: 导出CSV
  • [1] 顾洁, 白凯峰, 时亚军. 基于多主体主从博弈优化交互机制的区域综合能源系统优化运行[J]. 电网技术, 2019, 43(9): 3119−3134.

    GU Jie, BAI Kaifeng, SHI Yajun. Optimal operation of regional integrated energy system based on multi-agent master-slave game optimization interaction mechanism[J]. Power System Technology, 2019, 43(9): 3119−3134(in Chinese).
    [2] 卢欣, 吴明雷, 朱睿, 等. 考虑不确定因素的多能互补智慧能源系统经济优化调度[J]. 电测与仪表, 2019, 56(15): 91−97+112.

    LU Xin, WU Minglei, ZHU Rui, et al. Economical optimal dispatch of multi-energy complementary smart energy system considering uncertain factors[J]. Electrical Measurement and Instrumentation, 2019, 56(15): 91−97+112(in Chinese).
    [3] 文阳, 周步祥, 王慧, 等. 基于大规模风光互补的发电侧可调节鲁棒优化调度策略[J]. 电测与仪表, 2017, 54(5): 9−15.

    WEN Yang, ZHOU Buxiang, WANG Hui, et al. Adjustable and Robust Optimal Scheduling Strategy for Power Generation Based on Large-scale Wind-solar Hybridization[J]. Electrical Measurement and Instrumentation, 2017, 54(5): 9−15(in Chinese).
    [4] 刘永前, 王函, 韩爽, 等. 考虑风光出力波动性的实时互补性评价方法[J]. 电网技术, 2020, 44(09): 3211−3220.

    LIU Yongqian, WANG Han, HAN Shuang, et al. Real-time complementarity evaluation method considering wind and solar output volatility[J]. Power System Technology, 2020, 44(09): 3211−3220(in Chinese).
    [5] 陈修鹏, 李庚银, 周明, 等. 考虑新能源不确定性和点对点交易的配网产消者分布式优化调度[J]. 电网技术, 2020, 44(9): 3331−3340.

    CHEN Xiupeng, LI Gengyin, ZHOU Ming, et al. Distributed Optimal Scheduling of Distribution Network Producers and Consumers Considering New Energy Uncertainties and Point-to-Point Trading[J]. Power System Technology, 2020, 44(9): 3331−3340(in Chinese).
    [6] 王静, 徐箭, 廖思阳, 等. 计及新能源出力不确定性的电气综合能源系统协同优化[J]. 电力系统自动化, 2019, 43(15): 2−15.

    WANG Jing, XU Jian, LIAO Siyang, et al. Collaborative optimization of electrical integrated energy system taking into account the uncertainty of new energy output[J]. Automation of Electric Power Systems, 2019, 43(15): 2−15(in Chinese).
    [7] 温俊强, 曾博, 张建华. 配电网中分布式风电可调鲁棒优化规划[J]. 电网技术, 2016, 40(1): 227−233.

    WEN Junqiang, ZENG Bo, ZHANG Jianhua. Adjustable Robust Optimal Planning for Distributed Wind Power in Distribution Network[J]. Power System Technology, 2016, 40(1): 227−233(in Chinese).
    [8] 陈露东, 卢嗣斌, 徐常. 基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究[J/OL]. 电测与仪表: 1-9[2020-11-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201016.1628.012.html.

    CHEN Ludong, LU Sibin, XU Chang. Comparative study on electricity consumption prediction based on traditional CNN-LSTM model and PGAN model[J/OL]. Electrical Measurement and Instrumentation: 1-9[2020-11-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201016.1628.012.html. (in Chinese).
    [9] 崔昊杨, 周坤, 张宇, 等. 电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究[J/OL]. 电网技术: 1-10[2020-11-19]. https://doi.org/10.13335/j.1000-3673.pst.2019.1840.

    CUI Haoyang, ZHOU Kun, ZHANG Yu, et al. Multi-spectral image fusion and multi-parameter influence of power equipment fault gradual evolution prediction research[J/OL]. Power System Technology: 1-10[2020-11- 19]. https://doi.org/10.13335/j.1000-3673.pst.2019.1840(in Chinese).
    [10] 姜山, 周秋鹏, 董弘川, 等. 考虑数据周期性及趋势性特征的长期电力负荷组合预测方法[J/OL]. 电测与仪表: 1-10[2020-11-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201120.1109.004.html.

    JIANG Shan, ZHOU Qiupeng, DONG Hongchuan, et al. Long-term power load combined forecasting method considering periodicity and trend characteristics of data[J/OL]. Electrical Measurement and Instrumentation: 1-10[2020-11-30]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201120.1109.004.html(in Chinese).
    [11] 吴新, 史军, 马伟哲, 等. 基于并行ADMM的分布式电-气能量流多目标协同优化[J]. 电测与仪表, 2020, 57(12): 60−68.

    WU Xin, SHI Jun, MA Weizhe, et al. Multi-objective collaborative optimization of distributed electric-pneumatic energy flow based on parallel ADMM[J]. Electrical Measurement and Instrumentation, 2020, 57(12): 60−68(in Chinese).
    [12] 欧阳聪, 刘明波, 林舜江, 等. 采用同步型交替方向乘子法的微电网分散式动态经济调度算法[J]. 电工技术学报, 2017, 32(5): 134−142.

    OUYANG Cong, LIU Mingbo, LIN Shunjiang, et al. A Microgrid Decentralized Dynamic Economic Dispatching Algorithm Using Synchronous Alternating Direction Multiplier Method[J]. Transactions of the Chinese Society of Electrical Engineering, 2017, 32(5): 134−142(in Chinese).
    [13] 李国庆, 李欣彤, 边竞, 等. 计及光伏-负荷预测不确定性的直流跨省互联电网双级调度策略[J/OL]. 中国电机工程学报: 1-18[2020-11-19]. https://doi.org/10.13334/j.0258-8013.pcsee.200763.

    LI Guoqing, LI Xintong, BIAN Jing, et al. A two-level dispatch strategy for DC inter-provincial interconnected power grids taking into account the uncertainty of photovoltaic-load forecasting[J/OL]. Proceedings of the Chinese Society of Electrical Engineering: 1-18[2020-11-19]. https://doi.org/10.13334/j.0258-8013.pcsee.200763(in Chinese).
    [14] 苏哲, 许录平, 王勇, 等. 改进小波空域相关滤波的脉冲星微弱信号降噪[J]. 系统工程与电子技术, 2010, 32(12): 2500−2505.

    SU Zhe, XU Luping, WANG Yong, et al. Improved wavelet spatial correlation filtering for pulsar weak signal noise reduction[J]. System Engineering and Electronic Technology, 2010, 32(12): 2500−2505(in Chinese).
    [15] 崔昊杨, 周坤, 胡丰晔, 等. 基于改进LSTM的电力设备状态融合预测模型[J/OL]. 电测与仪表: 1-7[2020-11-19]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200521.1147.004.html.

    CUI Haoyang, ZHOU Kun, HU Fengye, et al. Power equipment state fusion prediction model based on improved LSTM[J/OL]. Electrical Measurement and Instrumentation: 1-7[2020-11-19]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200521.1147.004.html(in Chinese).
    [16] 李勇, 吴宝亮, 杨秀苔, 等. 基于乘积ARIMA模型的产品不确定性需求预测[J]. 系统工程与电子技术, 2005(1): 60−62.

    LI Yong, WUBaoliang, YANG Xiutai, et al. Product Uncertainty Demand Forecast Based on Product ARIMA Model[J]. System Engineering and Electronic Technology, 2005(1): 60−62(in Chinese).
    [17] 陈晓爽, 林今, 刘锋, 等. 新能源发电的伊藤随机过程模型[J]. 中国电机工程学报, 2020, 40(1): 83−95+376.

    CHEN Xiaoshuang, LIN Jin, LIU Feng, et al. Ito Stochastic Process Model of New Energy Power Generation[J]. Proceedings of the Chinese Society for Electrical Engineering, 2020, 40(1): 83−95+376(in Chinese).
    [18] 赵洪山, 寿佩瑶, 马利波. 低压台区缺失数据的张量补全方法研究[J/OL]. 中国电机工程学报: 1-10[2020-11-19]. https://doi.org/10.13334/j.0258-8013.pcsee.191738.

    ZHAO Hongshan, SHOU Peiyao, MA Libo. Research on tensor completion method of missing data in low-voltage station area[J/OL]. Proceedings of the Chinese Society for Electrical Engineering: 1-10[2020-11-19]. https://doi.org/10.13334/j.0258-8013.pcsee.191738(in Chinese).
  • [1] 李志强, 何凤军, 郭强, 蒋维勇.  青南新能源集中送出地区动态无功补偿方案对比研究 . 现代电力, 2021, 38(1): 87-93. doi: 10.19725/j.cnki.1007-2322.2020.0348
    [2] 包广清, 周家武, 马明, 汪宁渤.  计及多能源分频互补的新能源并网调度优化 . 现代电力, 2020, 37(2): 145-151. doi: 10.19725/j.cnki.1007-2322.2019.0209
    [3] 于娜, 操晨润, 黄大为, 黄征, 陈厚合, 张鹏宇.  基于改进Line-Pack模型的综合能源系统优化调度 . 现代电力, 2020, 37(3): 310-316. doi: 10.19725/j.cnki.1007-2322.2019.0227
    [4] 朱兰, 黄超, 唐陇军, 刘伸, 王吉.  基于队列分析的改进空调负荷控制策略及其评估 . 现代电力, 2019, 36(2): 56-65.
    [5] 卢芳, 王晓梅, 李勇钢, 殷爽睿, 艾芊, 刘祥波, 杨小婷.  考虑多种储能的微能源网多时间尺度协同调度 . 现代电力, 2019, 36(5): 39-46.
    [6] 刘文霞, 夏宝亮, 王志强, 杨西银, 单晓东, 杨伟龙, 陈洪涛.  输电网输电能力评价方法的解析与改进 . 现代电力, 2017, 34(4): 27-32.
    [7] 朱晓荣, 刘冠强.  基于改进GA-PSO算法的孤立微网日前经济调度 . 现代电力, 2017, 34(1): 15-22.
    [8] 曹炜, 徐永海, 王亚奇.  不对称故障条件下并网光伏逆变器功率波动与电流抑制改进控制策略 . 现代电力, 2017, 34(5): 82-88.
    [9] 罗明武, 孙 鹏, 周友斌, 周鲲鹏, 汤海霞, 张 华.  考虑新能源功率品质分层和可平移负荷的配电网有功调度 . 现代电力, 2016, 33(4): 1-7.
    [10] 赵晨雪, 陶 顺, 肖湘宁.  考虑电压暂降传播的监测点优化配置改进方法 . 现代电力, 2016, 33(3): 82-87.
    [11] 周勇, 陈家俊, 姜飞, 熊龙珠, 李绍金.  基于改进萤火虫算法的分布式电源优化配置研究 . 现代电力, 2014, 31(5): 54-58.
    [12] 李俊, 钟幼平, 黄文娟, 赵玉芳.  改进的Hough变换在覆冰厚度测量中的应用 . 现代电力, 2014, 31(3): 91-94.
    [13] 张东英, 朱元林, 辛光明.  电网故障诊断系统在线运行状况分析及其改进措施 . 现代电力, 2011, 28(3): 17-21.
    [14] 陈 涵, 赵 军, 王开宇, 李大路, 田庆阳.  用于电压闪变包络跟踪的改进RLS算法 . 现代电力, 2011, 28(5): 24-28.
    [15] 窦保卫, 谭伟璞, 张 健, 李劲松.  谐振接地系统电容电流检测的改进调谐法 . 现代电力, 2010, 27(6): 26-30.
    [16] 魏少岩, 吴俊勇, 宋永华.  一种改进的单相电路谐波与无功电流检测方法 . 现代电力, 2010, 27(2): 45-47.
    [17] 任 峰, 李艳梅.  基于改进区间SE DEA模型的电建企业效率评价研究 . 现代电力, 2010, 27(4): 91-94.
    [18] 廖湘凯, 鲍 海.  考虑阻塞的发电权交易改进模型 . 现代电力, 2010, 27(1): 81-85.
    [19] 杨龑亮, 王秀云, 曾淑珍, 祝洪博, 王 彬, 黄金稳.  基于改进梯度粒子群算法的无功优化 . 现代电力, 2010, 27(4): 17-21.
    [20] 任博强, 蒋传文, 彭鸣鸿, 栾士岩, 林海涛, 靳 希.  基于改进遗传算法的含风电场的电力系统短期经济调度及其风险管理 . 现代电力, 2010, 27(1): 76-80.
  • 加载中
图(12) / 表 (1)
计量
  • 文章访问数:  35
  • HTML全文浏览量:  10
  • PDF下载量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-20
  • 刊出日期:  2021-06-03

基于预测控制的多种新能源互补电力系统动态调度模型

doi: 10.19725/j.cnki.1007-2322.2020.0435
    基金项目:  国家自然科学基金项目(61107081);上海市地方院校能力建设项目(15110500900)
    作者简介:

    周坤(1992),男,硕士,主要研究方向为电力设备故障诊断、电力设备可靠性评估、电力大数据方向、新能源调度控制,E-mail:814283423@qq.com (第一作者、通信作者)

    许云飞(1991),男,助理工程师,主要研究方向为新能源优化调度

    崔昊杨(1978),男,博士,教授,主要研究方向为电力设备状态检测、红外探测与检测

    李树林(1996),男,助理工程师,主要研究方向为电力设备可靠性

摘要: 为了解决多种新能源互补运行时的消纳困难,以及降低新能源夜间波动造成电压频繁越限的问题,提出了一种基于预测控制的多种新能源互补电力系统动态调度模型。首先分析了光伏发电和风力发电的时间性,以及用户生活和生产用电短期内环比波动较小的特征,利用改进自适应阈值隶属度的小波滤波方法对光伏、风力发电历史数据进行去噪,以实现数据真实性还原;然后将去噪后的数据输入到改进的差分整合移动平均自回归模型中,对未来一段时间的发电量和用电量进行预测;将预测发电量、用电量作为分解原函数和扩增函数,改进同步型交替方向乘子法(synchronous alternating direction method of multipliers,SADMM);最后,通过将各时段预测的新能源发电量作为下一次迭代计算值的固定值,对SADMM进行迭代值修正,达到动态经济调度的目的。实验结果表明,该模型有效降低了91%的电压越限告警,并且经济性较传统方法提高了5%。

English Abstract

周坤, 许云飞, 崔昊杨, 李树林. 基于预测控制的多种新能源互补电力系统动态调度模型[J]. 现代电力, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
引用本文: 周坤, 许云飞, 崔昊杨, 李树林. 基于预测控制的多种新能源互补电力系统动态调度模型[J]. 现代电力, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
Kun ZHOU, Yunfei XU, Haoyang CUI, Shulin LI. A Predictive Control Based Dynamic Dispatch Model for Complementary Power System Containing Multi-Renewable Energy Sources[J]. Modern Electric Power, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
Citation: Kun ZHOU, Yunfei XU, Haoyang CUI, Shulin LI. A Predictive Control Based Dynamic Dispatch Model for Complementary Power System Containing Multi-Renewable Energy Sources[J]. Modern Electric Power, 2021, 38(3): 248-257. doi: 10.19725/j.cnki.1007-2322.2020.0435
    • 以风力、光伏、水力、垃圾发电为代表的分布式新能源,与能量转换装置、用户集中在一起组成的电力系统在建设绿色、环境友好型的发、送、配能源系统中得到了极高重视[1-2]。然而,以时为单位呈现出较为明显的间歇性、随机性的光伏、风力发电由于缺乏有效的动态调度系统,电压越上、下限的情况时常发生[3-4]。为了提高片区供电的稳定性,保障各新能源电站的公平性,主网调度将对所有新能源电厂进行定值限负荷,以此会导致区域动态供电经济性较差。因此,如何解决风、水、光以及垃圾等新能源利用率低的难题,成为了当今电力研究的热点。

      目前,多种新能源互补电力系统常采用与大电网系统相连,并根据不同时刻的供需关系选择与主网互供或者独立运行,于是基于预测的动态调度控制成为了研究热点[5-7]。预测主要包括负荷预测和发电量预测,常用的方法包括以差分整合移动平均自回归模型(autoregressive integrated moving average model, ARIMA)[8]为代表的统计分析和以长短期记忆网络(long short-term memory, LSTM)[9]、循环神经网络(recurrent neural network, RNN)[10]为代表的人工智能。其中,以时间序列的自相关分析为基础的ARIMA不需要大量数据进行训练,相对于LSTM、RNN具有架构简单、准确率高的优势,故常用于短期预测。但是,由于新能源中的光伏发电在日夜交替时存在近乎垂直的梯度变化、风力发电随机波动性极强,使得数据时序性极差,进而导致了ARIMA预测准确率大幅降低。另一方面,提高多种新能源经济调度控制的方法包括集中式优化和分布式优化[11-12]。以粒子群、混合整数规划为代表的集中式优化方法,对集控通信网络要求严苛,然而现实中的各个新能源电厂通信设备参差不齐,并且主网调控只能通过电话告知的方式对各电厂发电量进行调度,导致实时性、实用性较差。而以交替方向乘子法(alternating direction method of multipliers, ADMM)[11]、同步型交替方向乘子法(synchronous alternating direction method of multipliers, SADMM)[12]为代表的分布式优化方法通过分解原函数、扩增函数实现调度与控制的并行优化,在分散式多种新能源系统中应用较为广泛。其中的SADMM将上一次迭代结果所对应边界变量的平均值作为下一次迭代的固定值,实现了异步计算的ADMM转换到同步计算。但是,SADMM所采用的上一次边界变量平均值存在梯度性,不能准确反映光伏在夜间无法发电的情况,造成了调控准确率较低的问题。

      针对光伏、风力发电的规律以及SADMM的不足,文中提出一种基于预测控制的多种新能源互补电力系统动态调度模型,该模型在多种新能源互补的电力系统中具有较高的经济性。

    • 多年的调度数据表明,用户用电最高负荷、最低负荷和日总负荷的环比变化较低,一般在±4%以内,故本文视短期内每日的总负荷、各时段用户负荷相同。

    • 西南某市的多种新能源电力系统互补拓扑图见图1。该系统以220 kV为核心,不仅包含风力发电厂、光伏发电厂、垃圾发电厂,还包含了水电厂和主网,是典型的多种新能源互补电力系统。设该片区风力发电功率为$\displaystyle\sum {{P_{\rm{f}}}}$、光伏发电功率为$\displaystyle\sum {{P_{\rm{g}}}}$、水力发电功率为$\displaystyle\sum {{P_{\rm{s}}}}$、垃圾电厂发电功率为$\displaystyle\sum {{P_{\rm{h}}}}$、大电网提供的功率为$\displaystyle\sum {{P_{\rm{d}}}}$、220 kV片区内用户的用电功率为$\displaystyle\sum {{P_{\rm{y}}}}$。该片区理想情况下电力充足,多种新能源均发电的供需关系可视为微网自主运行,此时的发电-用电数学模型可表示为:

      图  1  西南某市的多种新能源电力系统互补拓扑

      Figure 1.  The complementary topology of a power system containing multi-renewable energy sources in a certain city in South-west China

      $$ \left\{ \begin{aligned}&{ \sum {P}_{\rm{f}}}+{ \sum {P}_{\rm{g}}}+{ \sum {P}_{\rm{s}}}+{ \sum {P}_{\rm{h}}}+{ \sum {P}_{\rm{d}}}\geqslant { \sum {P}_{\rm{y}}}\\ &{ \sum {P}_{\rm{d}}}\leqslant 0\\ &{ \sum {P}_{\rm{f}}}{\text{、}}{ \sum {P}_{\rm{g}}}{\text{、}}{ \sum {P}_{\rm{s}}}{\text{、}}{ \sum {P}_{\rm{h}}>0}\end{aligned} \right.$$ (1)

      式中:$\displaystyle\sum {{P_{\rm{d}}}}$小于0代表向主网送电。该片区处于缺电的发电–用电数学模型可表示为:

      $$\left\{ \begin{aligned} & {\sum {{P_{\rm{f}}}} {\rm{ + }}\sum {{P_{\rm{g}}}} {\rm{ + }}\sum {{P_{\rm{s}}}} {\rm{ + }}\sum {{P_{\rm{h}}}{\rm{ + }}\sum {{P_{\rm{d}}}} } \geqslant \sum {{P_{\rm{y}}}} } \\ & {\sum {{P_{\rm{d}}}} \geqslant 0} \\ & {\sum {{P_{\rm{h}}} > 0} } \end{aligned} \right.$$ (2)

      式中:$\displaystyle\sum {{P_{\rm{f}}}}$$\displaystyle\sum {{P_{\rm{s}}}}$视具体情况而定,$\displaystyle\sum {{P_{\rm{d}}}}$大于0代表主网向该片区送电,夜间的$\displaystyle\sum {{P_{\rm{g}}}}$为0。

      对比公式(1)和(2)可知,如果继续采用原SADMM的迭代方法进行调控,会由于循序渐进迭代值与光伏发电垂直梯度不匹配,导致该片区供电不足。即实际情况下,夜间$\displaystyle\sum {{P_{\rm{g}}}}$已为0,而SADMM由于迭代值存在梯度,此时的$\displaystyle\sum {{P_{\rm{g}}}}$不为0,甚至远大于0,这将导致从主网得到的$\displaystyle\sum {{P_{\rm{d}}}}$较小,造成实际供电量远小于实际用电量的后果,电压越下限导致用户无法用电的风险增加。

    • 图2图3分别为每天各时刻光伏发电功率和风力发电功率,共计1周。从图2光伏隶属度函数[13]可知,以小时为单位的光伏发电具有较强的时间规律,即发电和停电有较明显的界限。从图3(a)可知,以h为单位的风力发电随机性极强,为此本文采取无穷分割的微积分思想,对风力发电时间序列进行分割,即发电采集间隔为0.25 h,如图3(b)所示由于采用了更小的采样间隙,风电随机波动梯度得到了减低,时序性得到了提升。

      图  2  光伏一周内各时段发电功率

      Figure 2.  Power generated by PV in various time periods within a week

      图  3  风电一周内各时段发电功率

      Figure 3.  Wind power generated in various time periods within a week k

    • 图4为随机选取一段时间内实际用电情况与动态调节、定值调节的关系效果图,从图中可知实际负荷在S1S6时段是波动的,以定值对发电厂进行出力限制将出现大量越限告警,即:如果以40%进行限电,S1S2时段将出现轻微越上限、S3S4时段将出现严重越下限告警;如果以30%进行限电,则S1S2时段、S4S6时段将出现严重越上限告警。从图4中还可知,理想情况下的动态负荷调节由于预知后续可能出现的负荷,可提前对后续发电厂的出力进行调节,实际用电量与发电量差距较小,不仅使得电网经济运行,还能保障电压长时间处于正常范围。

      图  4  实际用电情况与动态调节、定值调节的关系效果

      Figure 4.  Relationship among actual power consumption, dynamic regulation and fixed value regulation

      因此,根据预测到的用户负荷和新能源发电功率进行动态调控成为了关键,基于动态负荷预测和动态控制建立的系统如图5所示,本文将对ARIMA、SADMM两个模型进行改进。

      图  5  基于动态预测和动态调度的调度模型

      Figure 5.  Dispatching model based on dynamic prediction and dynamic scheduling

    • 图2中可知光伏发电不仅时间性显著,还会有如同周三、周日一样的随机波动,造成数据平稳性、时序性较差。为此,本文利用隶属度作为修正参数对自适应阈值的小波滤波进行改进,通过改进后的滤波模型消除光伏发电时间性和随机波动的问题。传统的小波滤波常用阈值选取${\lambda _t}$ 公式为[14]

      $$ {\lambda }_{t}=\delta \sqrt{2\mathrm{ln}(MN)}$$ (3)

      式中:$\delta $ 为噪声均方差;N为信号提升层数;M为信号范围。

      针对图2中光伏发电数据的随机噪声,以及极强的时间性,本文利用隶属度函数[13]对自适应阈值的小波滤波进行改进,改进后的阈值${\lambda _t}'$为:

      $$ {\lambda }_{t}\rm{'}={\mu }_{t}\delta \sqrt{2\mathrm{ln}(MN)}$$ (4)
      $$ {\mu }_{t}=\left\{ \begin{aligned} &1,{t}_{1}\leqslant t\leqslant {t}_{3}\\ &\frac{{t}_{4}-t}{{t}_{4}-{t}_{3}},{t}_{3}\leqslant t\leqslant {t}_{4}\\ &\frac{t-{t}_{1}}{{t}_{2}-{t}_{1}},{t}_{1}\leqslant t\leqslant {t}_{2}\\ &0,{\text{其他}}\end{aligned} \right.$$ (5)
    • 相比于LSTM、RNN等算法,ARIMA对短期内的发电量进行预测虽然有不需要大量数据训练的优势,但是白天光伏发电、夜间光伏不发电,以及风电时序规律性较差导致了数据梯度较大、平稳性差,若直接利用ARIMA 进行预测将导致预测发电量误差较大。用于短期发电量预测的常规ARIMA(p,d,q)[15]模型可表示为:

      $$\begin{split} & \Delta {P_t} = {\varPhi _1}\Delta {P_{t - 1}} + {\varPhi _2}\Delta {P_{t - 2}} + \cdots + {\varPhi _n}\Delta {P_{t - n}} + \\ &\quad\quad\quad{Q_t} - {\vartheta _1}{Q_{t - 1}} - {\vartheta _2}{Q_{t - 2}} - \cdots - {\vartheta _m}{Q_{t - m}} \end{split} $$ (6)

      式中:${\varPhi _i}$(i=1,2,···,n)为自回归系数;${\vartheta _j}$(j=1,2,···,m)为滑动系数;$\Delta {P_t}$d阶平稳时间序列;${Q_t}$为误差项。

      图2图3的对比可见,风电不仅预测难度要高于光伏,而且发电量也高于光伏,夜间对电网的影响较大,故本文着重对风电进行预测研究。从图3(b)中可见,在一个趋势上随机波动的风电可分解为:趋势的“倾向性”[16]和随机波动的“伊藤过程”[17]

      于是,本文在ARIMA基础上针对风电的“倾向性”,对t时刻的$\displaystyle\sum {{P_f}}$进行ARIMA(p,d,q)×(P,D,Q)r乘积[16],即:

      $${\varphi }_{i}(B){\varPhi }_{i}({C}^{S}){\nabla }^{d}{\nabla }_{S}^{D}{ \sum {P}_{f}(t)}={\theta }_{j}(C){\Theta }_{Q}({C}^{S}){a}_{t}$$ (7)
      $$\left\{ \begin{aligned} & {{\phi _i}(C) = 1 - {\phi _1}C - {\phi _2}{C^2} - \cdots{\rm{ - }}{\phi _i}{C^i}} \\ & {{\varPhi _i}({C^S}) = 1 - {\varPhi _1}{C^S} - {\varPhi _2}{{({C^S})}^2} - \cdots{\rm{ - }}{\phi _i}{{({C^S})}^i}} \\ & {{\theta _j}(C) = 1 - {\theta _1}C - {\theta _2}{C^2} - \cdots{\rm{ - }}{\theta _j}{C^j}} \\ & {\nabla = 1 - C} \\ & {{\nabla _S} = 1 - {C^S}} \end{aligned} \right.$$ (8)

      式中:Cat分别为后移数子、白噪声;dD 为差分阶数。

      为了消除随机波动,进行了伊藤过程[17]乘积ARIMA模型改进:

      $${\rm{d}}\sum {{P_f}(t)} = \mu \left(\sum {{P_f}(t)} \right){\rm{d}}t + \sigma (\sum {{P_f}(t)} ){\rm{d}}{W_t}$$ (9)

      式中:Wt为维纳标准特性随机过程;$\mu \left(\displaystyle\sum {{P_f}(t)} \right)$为风力发电量ΣPf向期望移动趋势;$\sigma \left(\displaystyle\sum {{P_f}(t)} \right)$t时刻Wt的随机性对$\displaystyle\sum {P_f}$的随机影响。

    • 从1.2节可知,由于光伏、风力发电时序性和梯度性相对于水电、垃圾发电厂较差,而且用户用电变化较小,定值的限制负荷虽然勉强保障电压正常范围波动,但是依旧不能从根本上解决电压越限问题,该方法弃风情况严重,经济性较差。此外,如果直接用SADMM[12]进行调度控制将导致实际供电量小于实际用电量的情况。两个互联区域x1x2的标准SADMM选取上一次迭代结果作为下一次计算的固定值,其内部条件F1(x1)、F2(x2) 主要考虑了损耗成本,可表述为:

      $$\left\{ \begin{aligned} &{x_1^{k + 1} = \arg \min \left[{F_1}({x_1}) + \frac{\beta }{2}{{\left\| {A{x_1} - x_{K1}^k + \left. {u_1^k} \right\|} \right.}^2}\right]} \\ &{x_2^{k + 1} = \arg \min \left[{F_2}({x_2}) + \frac{\beta }{2}{{\left\| {B{x_2} - x_{K2}^k + \left. {u_2^k} \right\|} \right.}^2}\right]} \\ & {u_1^{k + 1} = u_1^k + (Ax_1^{k + 1} - x_{K2}^{k + 1})} \\ &{u_2^{k + 1} = u_2^k + (Bx_2^{k + 1} - x_{K1}^{k + 1})} \\ & {u_2^k{\rm{ = }}\frac{1}{\beta }{\lambda _2}^k} \\ & {u_1^k{\rm{ = }}\frac{1}{\beta }{\lambda _1}^k} \end{aligned} \right.$$ (10)

      式中:AB分别为系数矩阵;kβλ1λ2分别为迭代次数、大于0的常数、第1部分的增广拉格朗日乘子向量和第2部分的增广拉格朗日乘子向量;$x_{K1}^k$$x_{K2}^k$分别为第k次迭代的边界值;F1(x1)、F2(x2)为不同区域的成本;$x_1^k$$x_2^k$分别为两个互联区域x1x2内部变量更新。

      从式(10)可知上一次迭代值作为下一次迭代计算固定值的方法虽然快速更新了该区域负荷,但由于没有考虑到电压约束问题将导致电压越限。本文在标准SADMM的基础上进行了改进,具体包括将后续发电负荷预测值$\displaystyle\sum {{P_f}(t + 1)}$$\displaystyle\sum {{P_g}(t + 1)}$代替上一次迭代值,并根据后续用户负荷$\displaystyle\sum {{P_y}(t + 1)}$进行动态调度。以夜间的风电和用户之间的供电关系为例,式(10)改为:

      $$\left\{ \begin{aligned} &{x_{^{_{\sum {{P_f}} }}}^{t + 1} = \arg \min \left[\sum {{P_f}} (t + 1) + \frac{\beta }{2}{{\left\| {A{x_1} - x_{K1}^t + \left. {u_1^t} \right\|} \right.}^2}\right]} \\ &{x_{_{\sum {{P_y}} }}^{t + 1} = \arg \min \left[\sum {{P_y}} (t + 1) + \frac{\beta }{2}{{\left\| {B{x_2} - x_{K2}^t + \left. {u_2^t} \right\|} \right.}^2}\right]} \\ &{u_1^{t + 1} = u_1^t + (Ax_1^{t + 1} - x_{K2}^{t + 1})} \\ &{u_2^{t + 1} = u_2^t + (Bx_2^{t + 1} - x_{K1}^{t + 1})} \\ & {u_2^t{\rm{ = }}\frac{1}{\beta }{\lambda _2}^t} \\ &{u_1^t{\rm{ = }}\frac{1}{\beta }{\lambda _1}^t} \end{aligned} \right.$$ (11)

      式中:$x_{^{_{\sum {{P_f}} }}}^{t + 1}$$x_{^{_{\sum {{P_y}} }}}^{t + 1}$分别为t+1时刻的风力发电量、用户用电量;$\displaystyle\sum {{P_f}} (t + 1)$$\displaystyle\sum {{P_y}} (t + 1)$分别为t+1时刻预测风力发电量、用户用电量;$x_{K1}^t$$x_{K2}^t$分别为t时刻风力发电量、用户用电量;$x_1^t$$x_2^t$分别为风力x1、用户x2内部变量更新。此时该片区动态的发电–用电数学模型可表示为:

      $$\sum {P{'_{\rm{f}}}} {\rm{ + }}\sum {P{'_{\rm{g}}}} {\rm{ + }}\sum {P{'_{\rm{s}}}} {\rm{ + }}\sum {P{'_{\rm{h}}}{\rm{ + }}\sum {P{'_{\rm{d}}}} } \approx \sum {{P_{\rm{y}}}} $$ (12)

      式中:$\displaystyle\sum {P{'_{\rm{f}}}}$$\displaystyle\sum {P{'_{\rm{g}}}}$$\displaystyle\sum {P{'_{\rm{s}}}}$$\displaystyle\sum {P{'_{\rm{h}}}}$$\displaystyle\sum {P{'_{\rm{d}}}}$分别为改进SADMM依预测负荷分配的风电、光伏、水电、垃圾发电和主网上主动调控的电能。

    • 考虑到白天用户用电量巨大,垃圾发电厂、水力发电厂的出力均匀、平稳,风力、光伏发电即使不平稳,其多余的发电量也可以被用户消纳或者进入大电网中,白天电压越限情况较少。本文以西部某220 kV变电站为例进行试验,该片区垃圾发电功率视为固定值,其功率为10 MW,由于水电经主网对本片区供电,本文视其功率为无限大。此外,西部片区以水电、光伏、风力发电为主,不用考虑火力发电(垃圾发电厂除外),故本文不用考虑环境污染因素。

    • 通过LSTM、ARIMA和改进ARIMA预测算法对后续负荷、发电量进行预测,以均方根误差(root mean squard error, RMSE)[18]作为评价标准:

      $${S_{{\rm{RMSE}}}}{\rm{ = }}\sqrt {\frac{1}{T}\sum\limits_{t = 1}^T {[P(t) - \widehat{\mathop {P}} (t)]} } $$ (13)

      式中:$\mathop P\limits^{} (t)$$\widehat{{P}} (t)$分别为实际负荷、预测负荷。

      光伏原数据经小波滤波和自适应小波滤波后的结果见图6,本文改进方法对光伏发电数据进行滤波后结果见图7。从图6图7的对比可知,经过本文方法滤波后的光伏发电数据真实性得到了还原,周三和周日由于环境因素产生的随机波动噪音得到了有效抑制,8:00—19:00光伏发电的时间性得到了保留。

      图  6  光伏原数据经小波滤波和自适应小波滤波后的结果

      Figure 6.  Result of original PV data after wavelet filtering and adaptive wavelet filtering

      图  7  本文改进方法对光伏发电数据进行滤波后结果

      Figure 7.  Result of PV generation data filtrated by the improved method proposed in this paper

      本文改进ARIMA、LSTM、ARIMA的预测值与用户实际负荷的对比、对风力发电的预测值与发电厂实际发电功率的对比、及对光伏发电的预测值与发电厂实际发电功率的对比见图8图9图10,LSTM、ARIMA、本文改进ARIMA的预测值与实际值的对比见表1。由于光伏时间性较强,夜间不发电的部分由0取代,故图10部分时间段发电功率为0。从图8—10可知,本文改进ARIMA的负荷预测SRMSE相比LSTM、ARIMA分别降低了57.4%、65%,风力发电预测的SRMSE相比LSTM、ARIMA分别降低了67.1%、68%,光伏发电预测的SRMSE相比LSTM、ARIMA分别降低了68.9%、86.9%。这说明,本文改进ARIMA模型利用“乘积”和“伊藤”的方式消除了风电随机性和光伏时间性,符合光伏、风电发电的规律。此外,结合表1图8910可知,LSTM、RAIMA预测随机性强的风力发电和时间性强的光伏发电的准确率高于负荷预测准确率,是由于本文采取了“无穷分割”的微积分思想将采样周期由1 h改为0.25 h,越小采样周期得到的数据时序性、平稳性越强。后续将另文赘述小采样周期提高预测准确率的方法。

      图  8  本文改进ARIMA、LSTM、ARIMA的预测值与用户实际负荷的对比

      Figure 8.  Comparison of consumer’s actual load with the load forecasted by original LSTM and ARIMA respectively and that forecasted by the ARIMA improved in this paper

      图  9  本文改进ARIMA、LSTM、ARIMA对风力发电的预测值与发电厂实际发电功率的对比

      Figure 9.  Comparison between the predicted Generating power by improved ARIMA, LSTM, ARIMA and actual generating power of the power plant

      图  10  本文改进ARIMA、LSTM、ARIMA对光伏发电的预测值与发电厂实际发电功率的对比

      Figure 10.  Comparison of actual power generated by power plant with PV generated power forecasted by original LSTM and ARIMA respectively and that forecasted by the ARIMA improved in this pape

      表 1  LSTM、ARIMA、本文改进ARIMA的预测值与实际值的SRMSE对比

      Table 1.  Comparison of the root mean square error (abbr. RMSD) of actual value with the RMSD from original LSTM and ARIMA respectively and that from the ARIMA improved in this paper

      参数LSTM
      SRMSE
      ARIMA
      SRMSE
      改进ARIMA
      SRMSE
      用户负荷16281998692
      风力发电功率609626200
      光伏发电功率30372194
    • 主网不下电的情况下该片区实际发电-用电缺额、预测发电-用电缺额见图11。从图11中可知,如果没有大电网向该片区注入电能,0:00—12:00、16:00—24:00将出现大规模缺电,即使运维人员可以及时从大电网进行调度其余电能,此期间将产生大量电压越下限告警;而12:00—16:00,将出现部分电压越上限告警。

      图  11  主网不下电的情况下该片区实际发电-用电缺额、预测发电-用电缺额

      Figure 11.  The actual power generation-vacancy of power consumption and forecasted power generation-vacancy of power consumption of this district when the main grid does not provide power

      但是,经过改进的SADMM根据预测用户负荷、发电功率对该片区进行动态调度的方法,可将发电-用电的差额缩减至4 MW以内,如图12所示基于预测控制的改进SADMM动态控制下该片区发电-用电缺额可见,在此期间即使有大的波动,也能给调度员有足够的时间进行操作,极大降低了电压越上、下限的告警,可能出现电压越上、下限告警的时间,理论上可由原来的20 h降为1.9 h,告警降低率可达到91%,解决了新能源消纳问题。此外,相比于传统调控方式,本文方法可以在保障本片区供电充足、电压稳定的情况下,将白天多发的90.35 MW通过主网运送到其余片区,相对于该片区所有新能源1783.5 MW的发电量而言,电网运行经济性提高了5%。

      图  12  基于预测控制的改进SADMM动态控制下该片区发电-用电缺额

      Figure 12.  The power generation-vacancy of power consumption of this district under dynamic control of improved SADMM based on predicted control

      此处需说明,风电、光伏、垃圾发电采用动态的统一发电比例,是由于现实中需要保证各电厂装机比例的公平性。

    • 1)针对光伏发电的随机性和时间性,本文采用自适应阈值隶属度的小波滤波进行处理,还原了数据的真实性和规律性。

      2)针对光伏发电的时间性和风力发电随机导致发电功率预测准确率较低的问题,本文采取了ARIMA乘积和伊藤过程进行改进。即采取ARIMA乘积的形式对光伏发电的时间性、趋向性进行拟合,而风力发电的随机性则通过伊藤过程进行消除。

      3)针对人工调度的滞后性、传统ADMM控制的分散力较差的不足,本文采取了将预测发电量、用电量作为SADMM的分解原函数和扩增函数,并将各时段预测的新能源发电量作为下一次迭代计算值的固定值。

参考文献 (18)

目录

    /

    返回文章
    返回