一种计及源网不确定性的多阶段协调控制风险调度方法与流程

1.本发明涉及电力系统风险调度领域，更具体地，涉及一种计及源网不确定性的多阶段协调控制风险调度方法。


背景技术：

2.随着全球能源短缺和环境污染的问题日益严重，寻求可再生新能源代替传统化石能源已然迫在眉睫。按照国家发改委规划，到本世纪中叶，我国可再生能源发电量要占到总发电量的85.8％，风力发电比例也将占到新能源出力的41％。但新能源出力具有较强的不确定性和波动性，其大规模渗透给电力供需平衡带来新的挑战。另一方面，近年来我国自然灾害频发，高温、雷暴、寒潮等恶劣天气众多，严重缩短了设备的工作寿命，增大了元件的停运概率，对电网的安全稳定运行造成了严重影响。
3.目前电力系统仍普遍采用安全约束最优潮流，其本质上是基于确定性n-1安全准则的调度方式，没有考虑多重不确定性因素对电网运行的影响，未对事故后果进行合理量化，所给出的调度方案往往无法同时满足安全性和经济性的要求。而电网运行风险是对电力系统所面临的不确定性因素给出可能性与严重性的综合量度。风险的概念为电网应对小概率严重事故，协调电网运行的安全性和经济性开辟了新的思路。
4.为提高大电网抵御纵深风险的能力，近年来很多国内外学者将风险理论引入优化调度领域，取得了不少的研究成果，其中主要包括预防控制和校正控制两种策略。预防控制的目的是实现系统风险最低，要求同时满足正常阶段和所有故障场景下的安全约束条件，偏向保守，缺乏调度的灵活性，导致经济性较差。校正控制允许故障发生后采取大规模的紧急调度手段，如机组再调整、切负荷、弃风电等校正措施。校正控制下的发电成本最低，但由于没有考虑紧急潮流的安全约束问题，导致风险性较高，容易引发连锁故障。目前的发明成果大都孤立对待预防控制和校正控制问题，因此有必要研究这两种调度模型的协调机制，以兼顾运行成本和故障风险，提高调度策略的灵活性。


技术实现要素：

5.本发明要解决的技术问题是：提供一种计及源网不确定性的多阶段协调控制风险调度方法，计及源网双侧的不确定性因素，包括新能源出力的随机波动以及灾害天气引发的设备停运，考虑电网运行的经济性和安全性，有效协调预防控制措施和校正控制措施，保障用户可靠供电和新能源高效消纳，给出风险可控且经济合理的调度方案，为调度决策提供重要参考。
6.本发明技术方案是：
7.一种计及源网不确定性的多阶段协调控制风险调度方法，它包括：
8.步骤1、采用数据挖掘方式对新能源历史出力数据进行场景聚类，获取典型出力场景集，以此描述源侧新能源随机波动的不确定性；
9.步骤2、对于厂内设备采用独立可修复强迫停运模型，通过马尔可夫状态转移过
程，得到相应故障概率；对于输电线路户外元件，考虑不同天气因素影响，将气象变化视为正常、恶劣和极端三种状态转换的随机过程，建立三天气状态故障模型；
10.步骤3、将系统运行状态划分为“正常-紧急-故障”三个阶段，考虑所有故障场景、新能源场景以及天气场景，以正常运行成本和故障风险赔偿之和的总费用作为目标函数进行随机优化，通过引入风险协调因子限制紧急阶段的潮流越限风险，从而求解得出经济性和安全性综合最优的基态调度措施和事故态校正预案。
11.场景聚类采用k-means /k-medoids的改进聚类分析算法，采用k-means 的启发式算法进行初始聚类；采用k-medoids算法进行聚类分析；将聚类后每个簇的簇心作为预测误差的典型场景，加上新能源的出力预测值，即得到描述新能源出力不确定性的典型场景集，每个出力场景对应的概率为
[0012][0013]
式中：n为样本总数；w
s,i
为样本点i与簇s的隶属关系，1表示属于该簇，0表示不属于该簇。
[0014]
采用k-means 的启发式算法进行初始聚类的方法为：首先将新能源出力表示为预测值与预测误差之和，输入历史出力数据集，从中随机选取第一个簇心；其次计算每个样本点到簇心的euclid距离，并将其分配给距离最近的簇心，形成簇的集合；然后以样本点到所属簇心的距离与所有距离和的比值作为抽样概率，随机选取新的簇心；重复上述过程，直到选出k个初始簇心。
[0015]
采用k-medoids算法进行聚类分析的方法为：首先计算每个样本点到簇心的euclid距离，并将euclid距离归入距离最近的簇内；然后计算各簇内所有样本点到其他点的距离之和，将距离和最短的中心样本点作为新的簇心；不断迭代，直至簇的分配不再改变。
[0016]
所述对于厂内设备采用独立可修复强迫停运模型，通过马尔可夫状态转移过程，得到相应故障概率的方法包括：在对厂内设备进行故障建模时视为两状态模型，即正常运行状态和停运状态，且各元件之间相互独立；由于计划停运是根据检修安排人为进行掌控，风险可控，因此考虑随机故障带来的强迫停运风险；对于独立可修复强迫停运元件的故障建模方式，将设备“运行-停运”的状态转换过程视为马尔可夫过程，即下一时刻的状态只和当前时刻的状态相关，根据状态转移公式推导得出发电机的故障概率为
[0017][0018]
式中：λ和μ分别代表元件发生停运和可以修复的次数，即故障率和修复率。
[0019]
三天气状态故障模型的建立方法为：在对输电线路户外元件进行故障建模时，要在元件强迫停运模型的基础上引入天气因素，将气象变化视为正常、恶劣和极端三种状态转换的随机过程，并以此建立三天气状态故障模型；
[0020]
设λn、λs和λe分别为正常、恶劣、极端三种天气状态下的故障率，其表达式分别为
[0021]
[0022][0023][0024]
式中：λ
avg
为年平均故障率；pn、ps和pe分别为出现正常天气、恶劣天气和极端天气的稳态概率；gs为恶劣天气下的故障比率；ge为极端天气引发的故障百分比。
[0025]
步骤3所述将系统运行状态划分为“正常-紧急-故障”三个阶段，考虑所有故障场景、新能源场景以及天气场景，以正常运行成本和故障风险赔偿之和的总费用作为目标函数进行随机优化，通过引入风险协调因子限制紧急阶段的潮流越限风险，从而求解得出经济性和安全性综合最优的基态调度措施和事故态校正预案，具体包括：
[0026]
步骤3.1、将系统运行状态划分为“正常-紧急-故障”三个阶段，假设t0为当前运行时刻，t
0-t1为正常阶段记作x0，以预防控制方式运行记作u0，线路潮流处于长期阈值f
lt
以下，在t1时刻发生故障k，从设备停运到校正措施生效，需要反应时间即t
1-t2，称为紧急阶段记作xk'，控制措施仍为u0，同时将线路潮流控制在紧急阈值f
et
以下；在t2时刻，紧急校正措施生效记作uk，通过机组再调整、切负荷和弃风电控制手段，使得线路潮流降到短期阈值f
st
以下；维修人员将在t
2-t3时间内对故障设备进行维修，称为故障阶段记作xk；在t3时刻，维修结束，系统恢复正常；
[0027]
步骤3.2、设置优化目标：多阶段协调控制风险调度模型的决策变量为预防控制措施u0和校正控制措施uk，即系统在正常阶段的机组出力值，以及在各种故障场景下的紧急校正预案，包括机组出力调整量、切负荷量和弃风电量；将新能源出力场景集和天气场景集也纳入模型中；
[0028]
为对系统的经济性和风险性进行综合优化，选取正常阶段的火电机组发电成本作为经济性指标记作c
ost
，选取所有故障场景、风电场景和天气场景下的切负荷赔偿和弃风电惩罚的期望值，作为风险性指标记作r
isk
，考虑正常阶段和故障阶段之间的权重关系，在r
isk
中引入负荷赔偿因子α和风电惩罚因子β，并将正常阶段的运行成本和故障阶段的风险赔偿相加得到总费用记作ec，建立目标函数表达式为：
[0029]
min ec＝c
ost
r
isk
[0030][0031][0032]
式中：ng、nd、nw、nc、n
ws
和n
wea
分别为火电机组集合、负荷节点集合、风电场集合、故障场景集、风电场景集和天气场景集；ai、bi、ci和分别为火电机组i燃料费用的二次项、一次项和常数项系数，以及在正常阶段的有功出力；p
n,k
为天气场景n和故障场景k发生的概率；和分别为在风电场景m和故障场景k下，负荷节点j的切负荷量和风电场g的弃风电量；αj为负荷节点j损失单位负荷的赔偿；βg为风电场g弃用单位出力的惩罚；
[0033]
步骤3.3、引入风险约束：采用直流潮流方程，引入功率传输分配系数矩阵t，该矩阵由电网拓扑及各线路电抗决定；
[0034]
对于系统集合中的任意火电机组i、风电场g、线路l、负荷j、故障场景k和风电场景m，均满足正常、紧急和故障三个阶段的约束条件，分别用上标0、k’和k表示正常阶段、紧急阶段和故障阶段的变量，约束条件分别如下：
[0035]
正常阶段的约束条件包括：系统的功率平衡约束、火电机组的出力上下限约束和线路的长期潮流阈值约束，表达式为
[0036][0037][0038][0039][0040]
式中：pw为风电场出力值；pd为负荷节点的功率需求；和分别为火电机组的最小和最大出力值；f、pg和pd分别为线路潮流矩阵、节点注入功率向量和节点负荷向量；
[0041]
对紧急阶段的风险水平加以约束，使线路潮流控制在紧急阈值f
et
以下，引入风险协调因子γ，满足γ≥1；风险约束表达式为
[0042][0043][0044]
此外，控制措施从u0调整到uk，还需要满足耦合条件，即火电机组的爬坡速率约束，其表达式为
[0045][0046]
式中：ν
max
为火电机组的最大爬坡速率。
[0047]
故障阶段需要满足功率平衡约束、火电机组的出力上下限约束以及线路的短期潮流阈值约束外，还需要满足切负荷约束和弃风电约束，表达式为
[0048][0049][0050][0051][0052][0053][0054]
式中：δ为负荷节点的最大切负荷比例；ε为风电场的最大弃风电比例。
[0055]
正常-紧急-故障”多阶段协调控制风险调度模型采用分层迭代思想，将下层的故障阶段校正措施求解嵌套在上层的正常阶段预防措施的整体寻优过程中，上层寻优采用自适应粒子群算法，下层采用原始对偶内点法求解。
[0056]
本发明的有益效果是：
[0057]
采用k-means /k-medoids聚类算法获取新能源出力典型场景集，解决了不同种类新能源出力概率分布差异较大、特性无法统一的问题，克服了传统聚类算法对初始点和噪声较为敏感的缺点，减少了迭代用时并提升了聚类效果。在传统独立可修复强迫停运模型的基础上，考虑了灾害天气因素对输电线路等野外元件的影响，建立三天气状态故障模型。考虑源网双侧的不确定性因素对电网调度运行风险的影响，实现电网经济性和安全性的综合最优，有效协调预防控制措施和校正控制措施，保障了用户的可靠供电和新能源的高效消纳，给出了风险可控且经济合理的调度方案，为调度决策提供了重要参考。
附图说明
[0058]
图1为计及源网不确定性的多阶段协调控制风险调度方法的技术流程图；
[0059]
图2为k-means /k-medoids聚类算法计算流程图；
[0060]
图3为多阶段协调控制风险调度运行状态图。
具体实施方式
[0061]
下面结合附图，对本发明的具体实施方式作进一步具体说明。
[0062]
本发明提供了一种计及源网不确定性的多阶段协调控制风险调度方法，考虑了源网双侧的不确定性因素，包括新能源出力的随机波动以及灾害天气引发的设备停运，旨在实现电网经济性和安全性综合最优，有效协调预防控制措施和校正控制措施，保障用户可靠供电和新能源高效消纳，给出风险可控且经济合理的调度方案，为调度决策提供重要参考。其技术流程图如图1所示，具体步骤为：
[0063]
1)新能源场景聚类，具体为：
[0064]
采用数据挖掘方式，对新能源历史出力数据进行场景聚类，获取典型出力场景集，以此描述源侧新能源随机波动的不确定性。为降低无监督机器学习方法对初始簇心和噪声的敏感性，采用k-means /k-medoids的改进聚类分析算法，其计算流程图如图2所示。具体步骤包括：
[0065]
1.1)k-means 初始聚类
[0066]
为克服传统k-means聚类算法对初始簇心的敏感性，因此本发明采用k-means 的启发式算法进行初始聚类。其基本步骤为：首先将新能源出力表示为预测值与预测误差之和，输入历史出力数据集，从中随机选取第一个簇心；其次计算每个样本点到簇心的euclid距离，并将其分配给距离最近的簇心，形成簇的集合；然后以样本点到所属簇心的距离与所有距离和的比值作为抽样概率，随机选取新的簇心；重复上述过程，直到选出k个初始簇心。k-means 选取初始簇心的方式比随机选取方式的收敛速度更快。
[0067]
1.2)k-medoids获取场景集
[0068]
传统k-means算法是将簇内样本点的均值作为簇心，因此对样本噪声比较敏感。由于新能源出力具有极强的不确定性，历史数据集中经常会出现离群点，这就可能极大地扭曲典型场景集的分布。为了消除这种敏感性，本发明采用k-medoids算法进行聚类分析。和k-means所不同的是，k-medoids算法所选取的簇心是簇内的中心样本点，在簇内所有样本点到其他点的距离之和中，该中心点的距离和最短。其基本步骤为：首先计算每个样本点到簇心的euclid距离，并将其归入距离最近的簇内；然后计算各簇内所有样本点到其他点的
距离之和，将距离和最短的中心样本点作为新的簇心；不断迭代，直至簇的分配不再改变。
[0069]
将聚类后每个簇的簇心作为预测误差的典型场景，加上新能源的出力预测值，即可得到描述新能源出力不确定性的典型场景集。每个出力场景对应的概率为
[0070][0071]
式中：n为样本总数；w
s,i
为样本点i与簇s的隶属关系，1表示属于该簇，0表示不属于该簇。
[0072]
2)设备故障建模，具体为：
[0073]
对于发电机等厂内设备，采用独立可修复强迫停运模型，通过马尔可夫状态转移过程，得到相应故障概率。对于输电线路等户外元件，考虑不同天气因素影响，将气象变化视为正常、恶劣、极端三种状态转换的随机过程，建立三天气状态故障模型。具体步骤包括：
[0074]
2.1)独立可修复强迫停运建模
[0075]
在对发电机等厂内设备进行故障建模时，一般将其视为两状态模型，即正常运行状态和停运状态，且各元件之间相互独立。由于计划停运是根据检修安排人为进行掌控，风险可控，因此只考虑随机故障带来的强迫停运风险。强迫停运中大部分情况为可修复的失效，也有因老化等原因造成的不可修复失效，但由于在日常检修中通常会对设备的老化程度进行记录，对高概率发生失效的元件进行替换，因此发生不可修复强迫停运的可能性很低，所以不进行考虑。对于独立可修复强迫停运元件的故障建模方式，本发明将设备“运行-停运”的状态转换过程视为马尔可夫过程，即下一时刻的状态只和当前时刻的状态相关。根据状态转移公式推导可得，发电机的故障概率为
[0076][0077]
式中：λ和μ分别代表元件发生停运和可以修复的次数，即故障率和修复率。
[0078]
2.2)三天气状态故障建模
[0079]
在对输电线路等户外元件进行故障建模时，考虑到我国复杂多变的气候环境，山火、雷暴、寒潮、台风等自然灾害频繁发生，这大大增加了裸露于野外的输电线路的故障概率，因此需要在元件强迫停运模型的基础上引入天气因素。本发明将气象变化视为正常、恶劣、极端三种状态转换的随机过程，并以此建立三天气状态故障模型。
[0080]
设λn、λs和λe分别为正常、恶劣、极端三种天气状态下的故障率，其表达式分别为
[0081][0082][0083][0084]
式中：λ
avg
为年平均故障率；pn、ps和pe分别为出现正常天气、恶劣天气和极端天气的稳态概率；gs为恶劣天气下的故障比率；ge为极端天气引发的故障百分比。上述参数均可
从历史停运记录和气象局数据中统计得到。
[0085]
3)多阶段协调控制风险调度，具体为：
[0086]
将系统运行状态划分为“正常-紧急-故障”三个阶段，考虑所有故障场景、新能源出力场景以及天气场景，以正常运行成本和故障风险赔偿之和的总费用作为目标函数进行随机优化。通过引入风险协调因子，限制紧急阶段的潮流越限风险，从而求解得出经济性和安全性综合最优的基态调度措施和事故态校正预案。具体步骤包括：
[0087]
3.1)运行阶段划分
[0088]
由于输变电设备对潮流的耐受能力与连续工作时长成负相关关系，所以可将潮流阈值划分为三个等级，分别为长期潮流阈值f
lt
、短期潮流阈值f
st
和紧急潮流阈值f
et
。为有效协调系统的经济性和风险性，本发明综合考虑预防控制和校正控制措施，提出一种协调控制策略。根据故障发生和校正措施生效的时刻，以及不同的潮流阈值，将系统运行状态划分为“正常-紧急-故障”三个阶段，如图3所示。假设t0为当前运行时刻，t
0-t1为正常阶段(记作x0)，以预防控制方式运行(记作u0)，线路潮流处于长期阈值f
lt
以下。在t1时刻发生故障k。从设备停运到校正措施生效，需要一定的反应时间(数分钟)，即t
1-t2，称为紧急阶段(记作xk')，控制措施仍为u0，同时将线路潮流控制在紧急阈值f
et
以下。在t2时刻，紧急校正措施生效(记作uk)，通过机组再调整、切负荷、弃风电等控制手段，使得线路潮流降到短期阈值f
st
以下。维修人员将在t
2-t3时间内对故障设备进行维修，称为故障阶段(记作xk)。在t3时刻，维修结束，系统恢复正常。
[0089]
3.2)设置优化目标
[0090]
多阶段协调控制风险调度模型的决策变量为预防控制措施u0和校正控制措施uk，即系统在正常阶段的机组出力值，以及在各种故障场景下的紧急校正预案，包括机组出力调整量、切负荷量和弃风电量。同时考虑源网双侧的不确定性因素，将新能源出力场景集和天气场景集也纳入该模型中。
[0091]
为对系统的经济性和风险性进行综合优化，选取正常阶段的火电机组发电成本，作为经济性指标(记作c
ost
)，选取所有故障场景、风电场景和天气场景下的切负荷赔偿和弃风电惩罚的期望值，作为风险性指标(记作r
isk
)。考虑正常阶段和故障阶段之间的权重关系，在r
isk
中引入负荷赔偿因子α和风电惩罚因子β，并将正常阶段的运行成本和故障阶段的风险赔偿相加，得到总费用(记作ec)。目标函数表达式为
[0092]
min ec＝c
ost
r
isk
[0093][0094][0095]
式中：ng、nd、nw、nc、n
ws
和n
wea
分别为火电机组集合、负荷节点集合、风电场集合、故障场景集、风电场景集和天气场景集；ai、bi、ci和分别为火电机组i燃料费用的二次项、一次项和常数项系数，以及在正常阶段的有功出力；p
n,k
为天气场景n和故障场景k发生的概率；和分别为在风电场景m和故障场景k下，负荷节点j的切负荷量和风电场g的弃风电量；αj为负荷节点j损失单位负荷的赔偿；βg为风电场g弃用单位出力的惩罚。
[0096]
3.3)引入风险约束
[0097]
为避免交流潮流所带来的强非线性，本发明模型采用直流潮流方程，引入功率传输分配系数矩阵t，该矩阵由电网拓扑及各线路电抗决定。
[0098]
对于系统集合中的任意火电机组i、风电场g、线路l、负荷j、故障场景k、风电场景m，均需要满足正常、紧急和故障三个阶段的约束条件。分别用上标0、k’和k表示正常阶段、紧急阶段和故障阶段的变量，约束条件分别如下。
[0099]
正常阶段的约束条件包括：系统的功率平衡约束、火电机组的出力上下限约束和线路的长期潮流阈值约束，其表达式为
[0100][0101][0102][0103][0104]
式中：pw为风电场出力值；pd为负荷节点的功率需求；和分别为火电机组的最小和最大出力值；f、pg和pd分别为线路潮流矩阵、节点注入功率向量和节点负荷向量。
[0105]
为了避免出现连锁故障、电压崩溃等严重事故，减轻后期校正控制的压力，必须对紧急阶段的风险水平加以约束，使线路潮流控制在紧急阈值f
et
以下。因此引入风险协调因子γ，满足γ≥1。γ的大小体现了调度员对故障后线路过载的容忍程度，γ越小，说明对风险越厌恶，反之则对风险的容忍度越高。风险约束表达式为
[0106][0107][0108]
此外，控制措施从u0调整到uk，还需要满足耦合条件，即火电机组的爬坡速率约束，其表达式为
[0109][0110]
式中：ν
max
为火电机组的最大爬坡速率。
[0111]
故障阶段除了需要满足功率平衡约束、火电机组的出力上下限约束以及线路的短期潮流阈值约束外，还需要满足切负荷约束和弃风电约束，其表达式为
[0112][0113][0114][0115][0116][0117][0118]
式中：δ为负荷节点的最大切负荷比例；ε为风电场的最大弃风电比例。
[0119]
由于所建立的“正常-紧急-故障”多阶段协调控制风险调度模型复杂度较高，直接求解难度较大，因此采用分层迭代思想，将下层的故障阶段校正措施求解嵌套在上层的正常阶段预防措施的整体寻优过程中。上层寻优采用自适应粒子群算法，下层采用原始对偶内点法求解，这种内点-粒子群的混合算法收敛迅速、鲁棒性强，对大规模变量的非线性规划问题求解高效。