基于极端场景的两阶段月度交易安全校核方法技术

本发明专利技术公开了一种基于极端场景的两阶段月度交易安全校核方法，属于电力系统调度运行领域,本发明专利技术的方法在出清前校核基于极端预测场景量化计算各发电厂的最大发电能力，作为其市场交易的边界，保证交易结果不会超出极端预测场景范围；出清后校核基于多预测场景计算不同场景下的发电厂交易电量执行情况，并通过预期执行电量偏差和执行电量超标场景数量化校核结果。该方法能加大对新能源、负荷预测不确定性的控制能力，避免交易结果超出实际执行能力范围。

Two stage monthly transaction security checking method based on extreme scenarios

【技术实现步骤摘要】
基于极端场景的两阶段月度交易安全校核方法
本专利技术涉及电力系统调度运行
，特别涉及一种基于极端场景的两阶段月度交易安全校核方法。
技术介绍
月度交易安全校核是当前电力市场运行中重要的调度运行技术问题，其内容为按照清洁能源消纳和电网安全稳定运行有关要求，校核发电企业月度交易电量的可行性，保证交易结果的可行性。传统的月度交易安全校核往往采用交易后校核模式，即调度机构根据市场交易出清结果，对各发电企业的预出清电量进行校核，并返回校核结果。在校核方法选择上，初期以确定性模型为主，即不考虑风电、光伏等新能源和用电负荷的波动性，以各电厂预期发电量与其预出清电量偏差最小为目标构建月度机组组合模型。求解上述机组组合模型，若预期发电量与其预出清电量偏差无偏差则校核通过；若出现偏差，则表明校核不通过，并返回导致偏差的电厂及偏差电量。随着新能源的快速发展和市场交易规模的不断扩大，部分研究及实际应用中已开始考虑新能源预测偏差对交易校核结果的影响，主要的做法是采用多场景新能源预测数据及负荷预测数据，计算不同场景下的校核结果，并根据各场景发生概率，判定校核不通过发生概率，给出校核结果。然而近年来新能源发展迅速，市场交易规模也快速扩大，对月度交易校核的影响日趋显著。一方面，由于新能源装机比例较高，当其出力波动时，可能对月度交易校核结果产生较大影响，采用交易后校核模式可能会对预出清结果产生较大改变，造成市场成员对校核过程的公平性产生质疑；另一方面，由于调度机构需要保证交易结果执行，因此必须更加注重极端场景下的交易校核结果，对新能源、用电量等边际数据的波动性考虑需要更加充分。为了适应上述变化要求，本专利技术将提出一种基于极端场景的两阶段月度交易安全校核方法，其核心创新点在于提出了交易前、交易后的两阶段交易校核框架，交易前基于极端预测场景，逐一核算各电厂最大发电能力，作为市场申报及出清的边界数据，以保证极端场景下各发电厂交易电量仍能满足要求；交易后基于多预测场景，考虑新能源、负荷的不确定性，核算期望校核偏差，判定校核结果。
技术实现思路
有鉴于此，第一方面，本专利技术的目的是提供一种基于极端场景的两阶段月度交易安全校核方法，能加大对新能源、负荷预测不确定性的控制能力，避免交易结果超出实际执行能力范围。本专利技术的第一方面的目的是通过以下技术方案实现的：基于极端场景的两阶段月度交易安全校核方法，包括以下步骤：步骤S1：定义极端预测场景：所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合；步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：式(1)中，Ep为发电厂p的月度发电量，ND为当月天数，NT为全天优化时段数，ΔT为对应的时间间隔，Pp,g,d,t为发电厂p的发电机组g在第d天第t时段的发电功率，g∈p表示属于发电厂p发电机组g。步骤S3：基于极端预测场景构建出清前校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束和机组运行约束；步骤S4：发电厂最大发电能力优化模型建模及优化：以发电厂月度发电量最大为优化目标，基于极端预测场景构建出清前校核约束条件，即可构建该发电厂在极端预测场景下的最大发电能力优化模型，通过该模型得到发电厂在极端场景下的最大发电能力；逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力，各发电厂极端预测场景下的最大发电能力即为交易前校核所得到的市场主体交易限值；步骤S5:发布市场交易公告及组织市场交易出清；步骤S6：定义多预测场景：以多预测场景为基础进行交易后校核，评估不同场景下执行偏差幅度及发生概率，以此作为校核判定依据；步骤S7：以预期偏差电量最小化为目标构建出清后校核优化目标：步骤S8：基于多预测场景构建出清后校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束、机组运行约束；步骤S9：发电厂预期执行情况校核模型建模及优化：以发电厂预期执行偏差电量最小化为优化目标，基于多预测场景构建出清后校核约束条件，即可构建在新能源、负荷多预测场景下的发电厂预期执行情况校核模型，通过该模型，可以得到发电厂在多预测场景下的预期执行电量偏差，新能源、负荷各预测场景组合下执行电量偏差和发生概率；当某场景下执行电量偏差不为0时，表明当实际执行过程中新能源、负荷处于该预测场景下时，存在交易电量执行偏差的风险。特别地，所述极端场景为新能源最大发电场景和负荷最小需求场景。特别地，所述步骤S3中，电力电量平衡约束要求在极端预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：式(2)-(3)中，NB为全网中负荷节点数，NNE为全网新能源电站数量，NP为全网发电厂数量，PH,ne,d,t为新能源最大发电功率场景H下新能源电站ne第d天时段t的发电功率预测，PL,b,d,t为负荷最小需求场景L下负荷节点b在第d天时段t的负荷预测，TGMaxp,g为发电厂p机组g的最大技术出力，sp,g,d为发电厂p机组g第d天的开停机状态变量，Rd,t为第d天时段t的备用容量，其中，式(2)为电力电量平衡约束项，式(3)为运行备用约束项；断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：式(4)中，PFOSMaxos、PFOSMinos分别为运行断面os传输潮流上、下限值，GSDFne,os、GSDFg,os、GSDFb,os分别为新能源电站ne、燃煤机组g和负荷节点b与运行断面os之间的潮流转移分布因子；燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束等，可表示为：sp,g,dTGMinp,g≤Pp,g,d,t≤sp,g,dTGMaxp,g(5)sp,g,dCAMinp,g≤Pp,g,d,t-Pp,g,d,t-1≤sp,g,dCAMaxp,g(6)ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1(7)式(5)-(8)中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。特别地，所述步骤S4中，该模型用下式表示：MaxEp求解该模型，可以得到发电厂在极端场景下的最大发电能力EEMaxp；利用式(9)所示的模型逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力组合数列EEMax，可表示为：EEMax＝{EEMax1,EEMax2,…EEM本文档来自技高网...

【技术保护点】
1.基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述方法包括以下步骤：/n步骤S1：定义极端预测场景：所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合；/n步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：/n

【技术特征摘要】
1.基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述方法包括以下步骤：
步骤S1：定义极端预测场景：所述极端预测场景是指新能源、负荷多场景预测中对发电厂交易电量影响最大的场景组合；
步骤S2:以发电厂发电量最大化为目标构建出清前校核优化目标:出清前校核将以发电厂发电量最大化为目标，其中发电厂月度发电量可表示为：



式(1)中，Ep为发电厂p的月度发电量，ND为当月天数，NT为全天优化时段数，ΔT为对应的时间间隔，Pp,g,d,t为发电厂p的发电机组g在第d天第t时段的发电功率，g∈p表示属于发电厂p发电机组g。
步骤S3：基于极端预测场景构建出清前校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束和机组运行约束；
步骤S4：发电厂最大发电能力优化模型建模及优化：以发电厂月度发电量最大为优化目标，基于极端预测场景构建出清前校核约束条件，即可构建该发电厂在极端预测场景下的最大发电能力优化模型，通过该模型得到发电厂在极端场景下的最大发电能力；逐一计算各发电厂极端预测场景下的最大发电能力，可以得到全网所有发电厂极端预测场景下最大发电能力，各发电厂极端预测场景下的最大发电能力即为交易前校核所得到的市场主体交易限值；
步骤S5:完成市场交易出清；
步骤S6：定义多预测场景：以多预测场景为基础进行交易后校核，评估不同场景下执行偏差幅度及发生概率，以此作为校核判定依据；
步骤S7：以预期偏差电量最小化为目标构建出清后校核优化目标：
步骤S8：基于多预测场景构建出清后校核约束条件：所需要考虑的约束条件包括电力电量平衡约束、网络传输能力约束、机组运行约束；
步骤S9：发电厂预期执行情况校核模型建模及优化：
以发电厂预期执行偏差电量最小化为优化目标，基于多预测场景构建出清后校核约束条件，即可构建在新能源、负荷多预测场景下的发电厂预期执行情况校核模型，通过该模型，可以得到发电厂在多预测场景下的预期执行电量偏差，新能源、负荷各预测场景组合下执行电量偏差和发生概率；当某场景下执行电量偏差不为0时，表明当实际执行过程中新能源、负荷处于该预测场景下时，存在交易电量执行偏差的风险。


2.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述极端场景为新能源最大发电场景和负荷最小需求场景。


3.根据权利要求1或2所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤S3中，电力电量平衡约束要求在极端预测场景下任一时刻全网应满足电力电量平衡和运行备用要求，可表示为：






式(2)-(3)中，NB为全网中负荷节点数，NNE为全网新能源电站数量，NP为全网发电厂数量，PH,ne,d,t为新能源最大发电功率场景H下新能源电站ne第d天时段t的发电功率预测，PL,b,d,t为负荷最小需求场景L下负荷节点b在第d天时段t的负荷预测，TGMaxp,g为发电厂p机组g的最大技术出力，sp,g,d为发电厂p机组g第d天的开停机状态变量，Rd,t为第d天时段t的备用容量，其中，式(2)为电力电量平衡约束项，式(3)为运行备用约束项；
断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：



式(4)中，PFOSMaxos、PFOSMinos分别为运行断面os传输潮流上、下限值，GSDFne,os、GSDFg,os、GSDFb,os分别为新能源电站ne、燃煤机组g和负荷节点b与运行断面os之间的潮流转移分布因子；
燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、运行状态变量约束、启停时间约束等，可表示为：
sp,g,dTGMinp,g≤Pp,g,d,t≤sp,g,dTGMaxp,g(5)
sp,g,dCAMinp,g≤Pp,g,d,t-Pp,g,d,t-1≤sp,g,dCAMaxp,g(6)
ssp,g,d-csp,g,d＝sp,g,d-sp,g,d-1(7)



式(5)-(8)中，TGMinp,g为发电厂p机组g的最小技术出力，CAMaxp,g、CAMinp,g分别为发电厂p机组g的最大、最小爬坡能力，DT为机组最小持续运行或停机时间，ssp,g,d为发电厂p机组g在第d天的启动状态变量，csp,g,d为发电厂p机组g在第d天的停机状态变量。


4.根据权利要求1所述的基于极端场景的两阶段月度交易安全校核方法，其特征在于：所述步骤...

【专利技术属性】
技术研发人员：赵翔宇，王宁，王永刚，赵倩，苏华英，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52