基于运行可靠性的含风电电力系统优化调度研究

在社会经济不断发展的同时,人们对电力系统运行具有越来越高的可靠性需求,再加上现代人普遍重视社会经济的可持续发展,因此开始广泛地将新的能源引进到电力系统中,从而控制化石资源的消耗。在这种情况下诞生了含风电电力系统,而且该系统具有越来越高的普及程度。含风电电力系统的运行可靠性是最为关键的一个因素,只有确保含风电电力系统具有较高的运行可靠性,才能够实现正常的供电。为此,针对基于运行可靠性的含风电电力系统的优化调度进行深入地探究具有重要意义。

预测优化PID方法在含风电电力系统AGC中的应用

随着我国现代化建设进程的逐渐加速,清洁能源在电力系统中的发电容量占比与日俱增,自动发电控制AGC效果得到了显著提升,但仍旧存在大量影响发电控制效果的不确定性因素。因此,研究人员有必要在建立含风电电力系统AGC的基础上,通过预测优化比例积分微分对PID控制器的输入进行调整,从根源上来攻克风电接入后带来的干扰因素,全面提升含风电电力系统AGC的控制效用。

一种基于数据驱动与物理模型融合的含风电系统频率响应分析方法

当前已有的基于物理模型或数据驱动方法在含风电电力系统实际应用中,存在着计算效率、预测精度以及计算结果可靠性之间的矛盾,为此提出了一种基于数据驱动与物理模型融合的电力系统扰动后频率动态响应分析方法。首先推导能够计及风电机组参与频率调节的系统频率响应(system frequency response,SFR)模型,解决传统的SFR模型无法准确适用于风电渗透率较高电网的问题;然后考虑SFR模型存在的计算精度问题,提出一种基于多输出支持向量机回归(support vector regression,SVR)的频率动态响应预测方法;最后利用基于自适应神经模糊推理系统(adaptive neural fuzzy inference system,ANFIS)模型实现将改进后的SFR模型方法与SVR模型方法相融合,得到在小容量样本下快速获得高精度的频率动态响应预测结果。借助IEEE-39节点的含风电系统仿真算例分析验证了所提方法的适用性、准确性和优越性。

含风电场的旋转备用容量优化调度研究

为保证含风电电力系统的安全稳定与经济运行,构建了以最小化系统运行成本为目标的旋转备用容量优化调度模型。为提升模型的求解运算速度,提出一种改进的模拟植物生长算法对模型进行优化求解。针对算法在对模型求解时优化效率低、易陷入局部最优等不足做出改进,将反向学习思想引入植物生长算法,对生长点进行反向变异以扩展算法的搜索空间;通过智能变步长搜索和精英集的变异机制,保证快速寻优的同时提高求解精度。通过标准测试函数验证了改进后的算法计算速度更快,寻优能力更强。最后,在IEEE 30节点系统上进行实例验证,实验结果表明,所提出的模型能够有效地解决含风电场的旋转备用容量优化调度问题。