大规模风电并网下基于多场景模拟的热-电联合调度方法技术

本发明专利技术提供一种大规模风电并网下基于多场景模拟的热‑电联合调度方法，对风电随机性与波动性的考虑通过多场景模拟和场景削减来实现，充分考虑风电的出力特性；并在此基础上，改变传统热电联产机组“以热定电”的运行方式，引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷，使得热电联产机组的出力更为灵活，满足系统调峰及风电消纳要求，同时以分布式热泵消耗的电功率有效地跟踪风电出力的波动，消耗过剩的风电出力来满足供暖的需求，降低系统供暖所花费的能耗，为我国热电联产的发展及新能源消纳提供有力保障。

【技术实现步骤摘要】
大规模风电并网下基于多场景模拟的热-电联合调度方法
本专利技术属于电力系统热电联供及新能源并网问题领域，涉及电力系统中各类型热电机组运行方式安排及对新能源并网问题的考虑，具体涉及大规模风电并网下基于多场景模拟的热-电联合调度方法。
技术介绍
中国经济的持续高速发展，带来了能源需求的快速增长，而中国一次能源消耗的70％-80％由煤炭为主的化石燃料贡献。随着能源消耗、污染排放的日益增加和化石能源的日益枯竭，可再生能源的开发受到了越来越广泛的重视。一方面，化石燃料作为不可再生能源，不可避免的逐渐枯竭，对社会的可持续发展带来巨大压力；另一方面，燃烧化石燃料排放的温室气体和粉尘等，造成环境污染，对构建生态文明提出了巨大的挑战。因此，节能减排已经上升到了国家战略层面的高度。从供给侧角度看，开发利用风电等新能源，可以有效地改善传统的能源结构；从消费侧角度看，包括采暖和电力需求的城市生活能耗巨大，综合利用多种能源，可以有效地提高新能源利用效率。然而，由于风电出力的随机性与波动性，进一步加剧了以燃煤发电机组为主的中国北方电网的运行调峰问题。我国北方地区同时存在着大规模的风电机组和高比例的热电联产机组，面对巨大的采暖需求和风电消纳问题，传统的电力系统电源投资和调度运行方法难以解决。热电联产作为一种有效地节能技术，能够同时满足城市用热和用电需求。它将火电厂已废弃的蒸汽从气缸中抽出而供给工业或家庭用户使用，使得火电厂的能源效率大幅度提高，与热电分产相比，热电联产效率可以提高30％以上，集中供热效率更比分散小锅炉提高40％。另外相对于分散式小锅炉，热电厂锅炉容量更大、烟囱更高，有着很好的除尘效果，可实现炉内脱硫除硝，因而其具有极大的环境效益和社会效益。“十二五”规划期间，我国北方地区的城镇65％以上的建筑面积冬季采暖采用了不同规模的集中供热方式，其中热电联产在集中供热热源中的比例达到约50％，并且50-300兆瓦容量的抽凝式燃煤热电联产机组占有相当大的比例。鉴于目前城镇集中供暖中还存在着大量低效的分散式小锅炉，同时伴随着我国城市化的进程，采暖需求的不断增加，热电联产仍有具有广阔的发展前景。热电机组的效率又与热电机组的运行工况密切相关，一般在额定热负荷下取得最优效率，所以中国北方地区现存燃煤热电联产机组往往被要求按照“以热定电”模式运行，这就导致热电联产机组灵活调节能力非常有限。因而，考虑如何打破热电机组“以热定电”的约束及如何考虑风电的随机性与波动性，提高新能源消纳能力，需要进行深入的研究，建立大规模风电并网下基于多场景模拟的热-电联合调度方法。专利技术目的本专利技术的目的在于针对电力系统缺少对于热电机组的优化调度的现状及风电等新能源并网困难的问题，同时针对现有方法的不足，提供一种大规模风电并网下基于多场景模拟的热-电联合调度方法，引入多场景模拟，同时兼顾风电的随机性与波动性，重点进行热电联产机组、热泵及室内温度变化情况的建模及优化调度模型，以此提升风电的并网消纳能力。为了实现上述目的，本专利技术采用的技术方案如下：一种大规模风电并网下基于多场景模拟的热-电联合调度方法，包括以下步骤：1)考虑风电出力的随机性与波动性，模拟生成大量风速场景集合；风速预测以电网历史实测风速数据为基础，将其作为初始预测风速，采用ARMA(1,1)模型和MonteCarlo方法来模拟风速误差，从而生成风速预测误差序列；将得到的风速预测误差序列与初始预测风速结合即得到某一场景下各时段内的预测风速，进而通过不断重复以上过程生成大量风速场景集合；2)将生成的大量风速场景集合进行场景削减，得到具有代表性的有限个场景集合，并转化为风电出力场景集合；场景削减的基本思想是使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小；场景削减采用结合场景树的形成方法，将相似的场景加以聚类分析，去除低概率场景，从而形成有限数量的具有较大概率值的典型风速场景集合，并以此来逼近原始的大量风速场景集合；3)考虑热电机组特性，构建热电联供电力系统调度模型；以机组组合模型为基础，通过在调度周期内合理安排各机组的出力和启停情况，从而满足负荷要求，使系统运行费用最低或者经济效益最高；热电联供电力系统调度模型下，由于考虑削减后的多个风电出力场景集合，系统的相关约束和目标函数也相应产生变化，目标函数及最终求取的所有参数均取为期望值；模型考虑使得系统的发电能耗和供热能耗最小，热电联供电力系统调度模型的目标函数为：式中：ε是为表征风电随机性而引入的随机变量，描述由风电不确定性所产生的场景；pε为场景ε发生的概率；Ω为所有场景的集合；Nh和Nn分别为所有抽汽凝汽式机组和纯凝气式火电机组的集合；T为所有时段的集合；dt为时间段之间的间隔单位；Hi,t,ε为抽汽凝汽式机组i在时间段t提供的供热出力；和为抽汽凝汽式机组i的煤耗系数；为抽汽凝汽式机组i的启动煤耗系数；和为纯凝汽式机组i的煤耗系数；为纯凝汽式机组i的启动煤耗系数；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内分别向电网出力情况；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的开机状态，开机为1，停机为0；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的启停状态，正在启动为1，不在启动为0；热电联供电力系统调度模型的约束条件包括：(1)机组功率上下限约束(2)机组爬坡速率约束(3)机组最小启停时间约束(4)热电机组热-电工况约束(5)系统功率平衡约束(6)系统热功率平衡约束(7)热电机组热功率上下限约束(8)系统备用功率约束(9)实时风电出力约束式中：Pih,max和Pih,min是抽汽凝汽式机组i出力的上下限；Pin,max和Pin,min是纯凝汽式机组i出力的上下限；和是抽汽凝汽式机组i的上下爬坡速率；和是纯凝汽式机组i的上下爬坡速率；Tih,on和Tih,off分别为抽汽凝汽式机组i的连续运行时间及连续停运时间；Tih,U、Tih,D为抽汽凝汽式机组i的最小开停机时间；Tin,on和Tin,off分别为纯凝汽式机组i的连续运行时间及连续停运时间；Tin,U、Tin,D为纯凝汽式机组i的最小开停机时间；和是抽汽凝汽式机组i的热比系数；Wt.ε为场景ε下时段t内的风电机组的出力；为场景ε下时段t内风电的预测出力；Dt和是时段t内的系统电负荷和热负荷；ηloss为供暖损失率；为抽汽凝汽式机组i的最大热功率；Ppos,load和Pneg,load为系统针对负荷预留的正负旋转备用容量；Ppos,wind和Pneg,wind为系统针对风电预留的正负旋转备用容量；通过以上热电联供电力系统调度模型，能够对电源决策得到的规划模型进行典型日的分析校验，判断该规划方案是否存在电力不足或者调峰不足的情况；同时，分析系统中各类机组的运行情况，判断方案的优劣；4)进一步引入分布式热泵，构建热电综合控制的电力系统调度模型；热电综合控制的电力系统调度模型的目标函数同热电联供电力系统调度模型的目标函数，引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷；一方面，分布式热泵的引入解耦了“以热定电”的约束，使得热电联产机组的出力更为灵活，具有更大的调节范围，从而满足系统的调峰要求；另一方面，分布式热泵消耗的本文档来自技高网...

【技术保护点】
一种大规模风电并网下基于多场景模拟的热‑电联合调度方法，其特征在于：包括以下步骤：1)考虑风电出力的随机性与波动性，模拟生成大量风速场景集合；风速预测以电网历史实测风速数据为基础，将其作为初始预测风速，采用ARMA(1,1)模型和Monte Carlo方法来模拟风速误差，从而生成风速预测误差序列；将得到的风速预测误差序列与初始预测风速结合即得到某一场景下各时段内的预测风速，进而通过不断重复以上过程生成大量风速场景集合；2)将生成的大量风速场景集合进行场景削减，得到具有代表性的有限个场景集合，并转化为风电出力场景集合；场景削减的基本思想是使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小；场景削减采用结合场景树的形成方法，将相似的场景加以聚类分析，去除低概率场景，从而形成有限数量的具有较大概率值的典型风速场景集合，并以此来逼近原始的大量风速场景集合；3)考虑热电机组特性，构建热电联供电力系统调度模型；以机组组合模型为基础，通过在调度周期内合理安排各机组的出力和启停情况，从而满足负荷要求，使系统运行费用最低或者经济效益最高；热电联供电力系统调度模型下，由于考虑削减后的多个风电出力场景集合，系统的相关约束和目标函数也相应产生变化，目标函数及最终求取的所有参数均取为期望值；模型考虑使得系统的发电能耗和供热能耗最小，热电联供电力系统调度模型的目标函数为：...

【技术特征摘要】
1.一种大规模风电并网下基于多场景模拟的热-电联合调度方法，其特征在于：包括以下步骤：1)考虑风电出力的随机性与波动性，模拟生成大量风速场景集合；风速预测以电网历史实测风速数据为基础，将其作为初始预测风速，采用ARMA(1,1)模型和MonteCarlo方法来模拟风速误差，从而生成风速预测误差序列；将得到的风速预测误差序列与初始预测风速结合即得到某一场景下各时段内的预测风速，进而通过不断重复以上过程生成大量风速场景集合；2)将生成的大量风速场景集合进行场景削减，得到具有代表性的有限个场景集合，并转化为风电出力场景集合；场景削减的基本思想是使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小；场景削减采用结合场景树的形成方法，将相似的场景加以聚类分析，去除低概率场景，从而形成有限数量的具有较大概率值的典型风速场景集合，并以此来逼近原始的大量风速场景集合；3)考虑热电机组特性，构建热电联供电力系统调度模型；以机组组合模型为基础，通过在调度周期内合理安排各机组的出力和启停情况，从而满足负荷要求，使系统运行费用最低或者经济效益最高；热电联供电力系统调度模型下，由于考虑削减后的多个风电出力场景集合，系统的相关约束和目标函数也相应产生变化，目标函数及最终求取的所有参数均取为期望值；模型考虑使得系统的发电能耗和供热能耗最小，热电联供电力系统调度模型的目标函数为：式中：ε是为表征风电随机性而引入的随机变量，描述由风电不确定性所产生的场景；pε为场景ε发生的概率；Ω为所有场景的集合；Nh和Nn分别为所有抽汽凝汽式机组和纯凝气式火电机组的集合；T为所有时段的集合；dt为时间段之间的间隔单位；Hi,t,ε为抽汽凝汽式机组i在时间段t提供的供热出力；和为抽汽凝汽式机组i的煤耗系数；为抽汽凝汽式机组i的启动煤耗系数；和为纯凝汽式机组i的煤耗系数；为纯凝汽式机组i的启动煤耗系数；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内分别向电网出力情况；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的开机状态，开机为1，停机为0；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的启停状态，正在启动为1，不在启动为0；热电联供电力系统调度模型的约束条件包括：(1)机组功率上下限约束(2)机组爬坡速率约束(3)机组最小启停时间约束(4)热电机组热-电工况约束

【专利技术属性】
技术研发人员：王若谷，戴立森，张文韬，王秀丽，董拓，吴子豪，孙强，苏耕，白晓春，薛军，周艺环，
申请(专利权)人：国网陕西省电力公司电力科学研究院，西安交通大学，
类型：发明
国别省市：陕西,61