应对风电功率不确定性的聚类预测和鲁棒优化调度研究

大力开发利用可再生能源是促进我国能源结构转型、实现能源产业可持续发展的重要举措。可再生能源发电中以风力发电技术最为成熟、开发规模最大,但其低可预测性和低可调度性逐渐成为大规模风电开发利用的瓶颈。本文从提高风电功率预测精度和改进电力系统调度方法两个角度进行了研究。主要工作如下:为提高风电功率预测精度,提出了一种基于连续时间段聚类的小波包-神经网络风电功率预测方法。提出改进的K-Means聚类算法,进行风速相似日聚类和连续时间段聚类,把全年分为风速规律性更强的若干类连续时间段,然后对同类时间段内的风电数据进行小波包分解,得到频率不同、但规律性更强的风速子序列,最后基于径向基神经网络对各子序列建模并预测,通过叠加和风速-功率曲线转换得到风电预测功率。基于连续时间段的聚类和小波包分解均增强了风速子序列的规律性,提高了神经网络建模的精度,从而提高了风电功率预测的精度,算例仿真结果证明了所提方法的有效性。鉴于风电功率预测误差只能降低而无法消除的情况,提出了风电不确定性的建模方法。以风险成本衡量弃风和切负荷损失,并定义综合成本为风险成本与运行成本之和。以综合成本最优为目标,提出了不确定集缩放比例和不同时段不确定集边界的寻优方法,力求在不确定集层面使调度计划达到经济性与鲁棒性的综合最优。为改进电力系统调度方法,建立了含多类型电源的鲁棒优化调度模型,实现了多类型电源的联合调度模式。提出了鲁棒优化调度模型的两阶段(启停调度/出力调度)求解算法:启停调度基于精度较低的短期风电功率预测数据制定鲁棒机组启停计划,是调度计划鲁棒性的集中体现,通过起作用启停变量识别和起作用极限场景约束识别减少了模型的计算量,提高了求解效率;出力调度采用精度更高的机组燃料成本二次函数和超短期风电功率预测数据,有效地降低了调度计划的经济成本。出力调度模型为不含整数变量的非线性规划问题,采用原对偶内点法求解。考虑到微网是我国电力系统消纳可再生能源的重要方式,且微网在风电装机容量比例、设备种类和供能形式等方面与大电网差异明显,将鲁棒优化调度方法应用到微网领域,验证了鲁棒优化调度方法在微网调度中仍具有风险成本和综合成本的优势;分析了三类因素对微网鲁棒优化调度方法经济效益的影响;验证了对电动汽车的合理调度能够对微网消纳风电起到积极作用。