基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法与流程

本发明涉及电力系统潮流调度，尤其涉及一种基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法。

背景技术：

1、基于最优潮流的电力系统实时调度与自动发电控制紧密关联。最优潮流根据新能源预测出力将发电机运行点调整到合理位置，而自动发电控制将新能源不确定性造成的系统功率偏差在各自动发电控制机组间进行再分配，以保证电力系统的供需平衡。在实际电力系统运行过程中，新能源不确定性引起的系统功率偏差根据自动发电控制调整系数在机组间进行分配，因此自动发电控制可以看成是实时调度的一种具有仿射关系的矫正控制方法。然而，机会约束交流最优潮流问题因其强非线性，在面向任意分布新能源不确定性时需采用模拟法通过交替求解确定最优潮流问题与潮流分析，迭代更新机会约束不确定性边界。该过程中未考虑发电机仿射矫正控制，一定程度压缩了机会约束交流最优潮流问题的寻优空间。此外，潮流分析中的海量潮流计算引起的高计算负担难以适用于电力系统实时运行调度。

技术实现思路

1、针对发电机仿射矫正控制问题，有必要充分考虑机会约束交流最优潮流的数据驱动方法，以研究发电机仿射矫正控制不确定性边界建模方法。为此，本发明提出了一种基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法。

2、本发明公开了一种基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法，其包括：

3、步骤101：新能源不确定性会引起注入节点pq、发电机电压幅值以及系统潮流的不确定性变化，为此分别对给定节点的注入功率、发电机出力及系统潮流建立，从而建立机会约束最优潮流模型；

4、步骤102：基于低线性度潮流模型，分析发电机仿射矫正控制策略，对机会约束不确定性边界进行表征；为对机会约束不确定性边界的解析表征，建立适用于机会约束最优潮流问题的数据驱动替代模型，将机会约束不确定性边界的数据驱动替代模型代入机会约束；

5、步骤103：为提高机会约束最优潮流迭代求解的计算效率，提出基于潮流特征拆解的数据驱动潮流计算方法，可大幅提升机会约束模拟法中潮流分析中概率潮流计算的计算效率，从而实现考虑发电机矫正控制的快速迭代模型精度修正。

6、进一步地，所述考虑新能源不确定性对给定节点的注入功率、发电机出力及系统潮流建模，包括：

7、pdi＝pdfc,i+δwi                        (1)

8、式中，pdi为节点i的实际有功注入功率；pdfc,i表示节点i的预测有功注入功率；δwi为新能源不确定性；

9、假设功率因数为常数，则无功注入功率及其不确定性为：

10、qdi＝qdfc,i+υδwi                       (2)

11、式中，qdi和qdfc,i分别表示节点i的实际无功注入功率与预测无功注入功率；为功率比；

12、发电机有功出力建模为：

13、

14、

15、

16、0≤βi≤1 (6)

17、式中，pgsc,i表示发电机的调度有功出力；pgi为发电机实际有功出力；δpgi表示平衡节点发电机i为平抑系统网损所需的额外有功出力；β表示调整系数；

18、发电机无功出力建模为：

19、

20、式中，qgsc,i表示发电机的调度无功出力；δqgi表示由发电机i由新能源不确定性引起的无功出力扰动。

21、进一步地，所述注入功率的不确定性引起pq节点的电压幅值、系统潮流的变化，包括：

22、系统电压幅值在pv和平衡节点为常数，而pq节点的电压幅值随注入功率的变化而变化，其建模为：

23、

24、式中，δvi表示节点i电压幅值的偏移量；vsc,i表示调度电压幅值；vi表示实际电压幅值；

25、电力系统注入功率的不确定性也会引起系统潮流的变化，其建模为：

26、

27、式中，pfij、pfsc,ij、δpfij分别代支路ij的实际潮流、调度潮流、以及由新能源不确定性引起的潮流不确定性。

28、进一步地，基于公式(1)至(10)，得到机会约束交流最优潮流数据模型，

29、机会约束交流最优潮流数据模型的目标函数为：

30、

31、目标函数的约束条件为：

32、

33、θi＝0,i∈ivθ             (13)

34、

35、pr(-pgi≤-pgi)≥1-ε,i∈ig                     (15)

36、

37、pr(-qgi≤-qgi)≥1-ε,i∈ig                     (17)

38、

39、pr(-vi≤-vi)≥1-ε,i∈ib                     (19)

40、pr(pfij≤fl)≥1-ε,ij∈il                       (20)

41、pr(-pfij≤fl)≥1-ε,ij∈il                     (21)

42、目标函数(11)为系统运行成本最小，其中c2i，c1i和c0i发电机运行成本的二次项、一次项以及常数项；式(12)为功率平衡约束，以保证系统在预测运行点的功率平衡，其中gij和bij分别为节点i与节点j之间的互电导和互电纳，vsc,i和vsc,j分别为节点i和节点j的电压大小，θij为节点i和节点j的电压相角差；式(13)给定平衡节点的电压相角θi为零；机会约束(14)-(21)分别保证系统的有功pgi和无功出力qgi、电压幅值vi以及潮流越限概率pfij低于给定值ε，其中)表示发电机组有功出力上限；表示发电机组无功出力上限；表示系统电压幅值上限；fl表示最大线路潮流限制。

43、进一步地，机会约束统一转化为如下形式：

44、g(p,0)+umg(p,β,ω)≤gmax                      (22)

45、式中，p表示最优潮流常规控制决策变量向量，包括发电机有功和无功出力、电压幅值和相角；β表示调整系数向量；ω表示新能源不确定性向量；

46、对于任意机会约束，不确定性边界um表达为：

47、umg,it＝γ1-ε(g(pit-1,β0,δw))-g(pit-1,β0,0)   (23)

48、式中，it为迭代次数；pit-1表示第it-1次迭代后求出的最优潮流常规决策变量向量；umg,it表示第it次迭代中采用蒙特卡洛模拟求得的常数不确定性边界；γ1-ε(g(pit-1,β0,δw))表示常数，其可通过蒙特卡洛模拟法直接求出，因此自然满足机会约束最优潮流的凸性原则。

49、进一步地，所述步骤102包括：

50、低非线性度潮流模型为：

51、

52、式中，wp和wq分别表示与系统运行点p相关的有功和无功系数矩阵；cp和cq为相应常数向量；

53、基于低非线性度潮流模型，首先针对电力系统各运行边界不确定性对于新能源不确定性灵敏度因子矩阵进行推导；考虑式(1)-(4)和式(7)可得：

54、

55、式中，δppq、δqpq、δppv、δqpv、δpθv、δqθv分别表示系统pq节点有功和无功、pv节点有功和无功以及平衡节点有功和无功的不确定性；δpgpq、δqgpq、δpgpv、δqgpvδpgθv、δqgθv分别表示pq发电机组节点有功和无功、pv节点发电机组有功和无功以及平衡节点发电机组有功和无功的不确定性；i和e分别表示n1×n2的单位矩阵和n1×n2的全1矩阵；矩阵m表示新能源不确定性δw对发电机组的影响；δqgpv、δpgθv、δqgθv分别表示由新能源不确定性引起发电机在pv节点无功、平衡节点有功与无功的出力扰动；

56、类似的，电压幅值的平方v2与电压相角θ的不确定性可定义为：

57、

58、式中，δθpq、δθpv、δθθv、分别表示为系统pq节点、pv节点以及平衡节点电压相角与电压幅值的平方的不确定性；δθpq、δθpv分别表示由新能源不确定性引起系统pq节点电压相角与电压幅值的平方、pv节点电压相角的扰动。

59、低非线性度潮流模型的节点不确定性与电压不确定性间具有线性映射关系为：

60、

61、式中，jline表示重置后的雅克比矩阵。

62、将式(25)和式(26)代入式(27)，并重新排列矩阵的行和列，可得：

63、

64、式中，μre表示不确定性的灵敏度因子；表示分块后的雅克比矩阵；表示分块后的灵敏度因子。

65、通过式(28)推导出发电机有功无功出力与节点电压对新能源不确定性的响应情况：

66、

67、将式(29)和式(30)代入式(25)和式(26)，求得发电机有功无功出力与节点电压幅值的不确定性灵敏度因子，其表达式为：

68、

69、式中，kpg、kqg和分别表示发电机有功出力、发电机无功出力以及电压幅值平方的不确定性灵敏度因子矩阵；

70、同理，支路功率的不确定性灵敏度可表示为：

71、

72、式中，δpf为支路功率的不确定性矩阵；kpf为支路功率的不确定性灵敏度因子矩阵，由式(31)-(34)可知，系统变量的灵敏度因子仅与agc调整系数β相关；

73、基于低非线性度潮流模型与式(23)，不确定性边界表示为：

74、umline(β)＝φ1-ε(g(p,β,0)+k(β)tω)-g(p,β,0)

75、＝φ1-ε(k(β)tω)         (35)

76、尽管中位数函数φ1-ε(·)使得umline仍旧非解析，但基于式(35)可通过电力系统潮流分析产生用于训练数据驱动替代模型的训练样本。

77、进一步地，所述步骤102包括：

78、考虑最优潮流问题的平方非线性，建立不确定性边界的二项式数据驱动替代模型，其表达式为：

79、umk(β)＝βtmiiβ+miβ+m0                (36)

80、式中，mii、mi、m0分别表示二次项矩阵、一次项向量以及常数项；βt为调整系数向量β的转置；umk(·)表示数据驱动替代模型；数据驱动替代模型的输入和输出分别为β和um，基于kriging构建数据驱动替代模型，以获取式(36)中的未知参数mii、mi、m0；

81、为构建最优潮流不确定性边界的数据驱动替代模型，需基于最优潮流物理模型产生相应的训练样本集合[β,um]；其中，β和um分别表示数据驱动替代模型的输入与输出向量矩阵；为产生均匀分布的训练样本，通过拉丁超立方采样方法基于式(6)在[0,1]区间内均匀采样，构建训练样本输入向量矩阵β，相应的输出向量矩阵um基于式(35)通过电力系统潮流分析得到；获取训练样本后，数据驱动替代模型中的未知参数mii、mi、m0可通过kriging训练得到；

82、将不确定性边界的二项式数据驱动替代模型代入式(22)，机会约束最优潮流解析模型可通过下式描述：

83、目标函数：

84、

85、约束条件：式(5)，式(6)，式(12)，式(13)和

86、g(p,0)+umk(β)≤gmax             (38)

87、所提机会约束最优潮流解析模型为非线性优化问题，可用商业求解器直接求解。

88、进一步地，所述步骤103包括：

89、在机会约束交流最优潮流迭代求解中潮流计算的输入为注入功率预测值pfc、qfc，发电机调度有功出力和无功出力分别pgsc、qgsc，及其调度电压幅值vsc；输出为平衡节点发电机有功pgvθ，发电机实际无功出力qg以及pq节点的电压幅值vpq；通过数据驱动方法学习潮流计算输入与输出之间的非线性映射关系，并提出基于潮流特征拆解的数据驱动潮流计算方法，以提升数据驱动学习的精度。

90、进一步地，所述基于潮流特征拆解的数据驱动潮流计算方法，包括：

91、阶段1：学习传统发电机的控制变量pgvθ,qg以及支路功率pf，阶段1将潮流模型中与功率相关的特征向量从复杂的潮流模型中分离出来用于数据驱动方法学习，即将pgsc,qgsc,vsc,pfc,qfc作为输入，而将第一阶段数据驱动学习的目标输出设置为pf；

92、阶段2：将第一阶段学习到的支路功率pf作为输入，用于学习pgvθ、qg、vpq；该过程可视作对潮流模型物理信息的学习，包括线路参数以及相应物理定律；为训练数据驱动潮流计算模型，需基于历史或模拟数据通过电力系统潮流分析构建训练样本集合；基于潮流计算训练集，构建适用于机会约束迭代求解的数据驱动潮流计算模型。

93、进一步地，所述基于潮流特征拆解的数据驱动潮流计算方法，具体包括：

94、通过离线训练构建机会约束不确定性边界数据驱动替代模型以及数据驱动潮流计算模型；

95、求解式(37)和(38)中数据驱动机会约束最优潮流解析模型，获得最优解p*、β*以及相应的不确定性边界

96、令机会约束最优潮流最优解和不确定性边界的初始点pit＝p*、um0＝设迭代次数it＝1并令固定agc调整系数β＝β*；

97、通过数据驱动潮流计算方法，基于式(23)迭代更新不确定性边界umit；

98、计算两次迭代间不确定性边界的变化值δum＝max{|umit-umit-1|}；

99、当不确定性边界变化值小于或等于给定阈值时算法终止。

100、由于采用了上述技术方案，本发明具有如下的优点：

101、1.本发明引入低非线性度潮流方程简化发电机仿射矫正控制变量与系统运行边界不确定性间的决策相依关系，实现考虑机会约束交流最优潮流的发电机仿射矫正控制的求解。

102、2.针对潮流方程线性化误差，基于机会约束模拟法提出了一种机会约束最优潮流模型的数据驱动精度快速修正方法，以满足电力系统实时调度的需求。

103、3.本发明所提出的方法可以大幅提升发电机仿射矫正控制迭代模型的精度，通过机会约束最优潮流分析和求解数据驱动发电机仿射矫正控制问题，以确保发电机仿射矫正控制的迭代精度，为发电机仿射矫正控制策略提供辅助决策依据。

技术特征：

1.一种基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对给定节点的注入功率、发电机出力及新能源不确定性建模，包括：

3.根据权利要求2所述的方法，其特征在于，所述注入功率的不确定性引起pq节点的电压幅值、系统潮流的变化，包括：

4.根据权利要求3所述的方法，其特征在于，基于公式(1)至(10)，得到机会约束交流最优潮流数据模型，

5.根据权利要求4所述的方法，其特征在于，机会约束统一转化为如下形式：

6.根据权利要求5所述的方法，其特征在于，所述步骤102包括：

7.根据权利要求6所述的方法，其特征在于，所述步骤102包括：

8.根据权利要求7所述的方法，其特征在于，所述步骤103包括：

9.根据权利要求8所述的方法，其特征在于，所述基于潮流特征拆解的数据驱动潮流计算方法，包括：

10.根据权利要求8所述的方法，其特征在于，所述基于潮流特征拆解的数据驱动潮流计算方法，具体包括：

技术总结
本发明公开了一种基于机会约束交流最优潮流的数据驱动发电机仿射矫正控制方法，其包括：新能源不确定性会引起注入节点PQ、发电机电压幅值以及系统潮流的不确定性变化，建立机会约束最优潮流模型；基于低非线性度潮流模型，分析发电机仿射矫正控制策略，对机会约束不确定性边界进行表征；为对机会约束不确定性边界的解析表征，建立适用于机会约束最优潮流问题的数据驱动替代模型，将机会约束不确定性边界的数据驱动替代模型代入机会约束；为提高机会约束最优潮流迭代求解的计算效率，提出基于潮流特征拆解的数据驱动潮流计算方法。本发明提高发电机矫正控制的快速迭代模型精度修正。

技术研发人员：李登峰,刘育明,李小菊,雷星雨,陈咏涛,张小兵,朱小军,余娟,司萌,李寒江
受保护的技术使用者：国网重庆市电力公司电力科学研究院
技术研发日：
技术公布日：2024/9/23