数据驱动的机会约束交流最优潮流建模:考虑AGC参与因子优化的创新方法
《IEEE Potentials》:Data-driven formulation of chance-constrained AC optimal power flow considering optimization of AGC participation factors
【字体:
大
中
小
】
时间:2025年12月09日
来源:IEEE Potentials CS1.3
编辑推荐:
本文针对可再生能源不确定性下自动发电控制(AGC)参与因子优化带来的建模与计算挑战,提出了一种无需先验分布假设的数据驱动机会约束交流最优潮流(CC-ACOPF)方法。通过构建灵敏度因子与机会约束紧缩边界的代理模型,结合改进线性化潮流模型和两阶段蒙特卡洛误差校正机制,实现了AGC参与因子的协同优化。在PJM 5节点和IEEE 118节点系统的验证表明,该方法在保证5%约束违反概率的前提下,较传统场景法降低2.18%发电成本,计算效率提升55倍,为高比例新能源电网的安全经济运行提供了新思路。
随着风电、光伏等可再生能源在电力系统中的渗透率不断提高,其出力的随机性和波动性给电网安全运行带来了严峻挑战。传统的最优潮流(OPF)计算基于确定性模型,难以有效应对这种不确定性。更复杂的是,为平衡可再生能源波动引起的功率缺额,系统需要通过自动发电控制(AGC)调整常规机组的出力,而AGC参与因子的分配策略会直接影响潮流分布,使得考虑不确定性的机会约束交流最优潮流(CC-ACOPF)问题变得更加复杂。
现有CC-ACOPF方法主要面临两大瓶颈:一是无法在优化模型中同时处理AGC参与因子,因为参与因子与机会约束的紧缩边界存在高度非线性的关系,难以用解析式表达;二是基于蒙特卡洛(MC)模拟的概率潮流计算耗时严重,难以满足实际工程在线应用的需求。分布鲁棒优化等方法虽能部分解决问题,但往往需要假设不确定性服从特定分布(如高斯分布),这与实际可再生能源出力的非高斯特性存在差距。
针对上述问题,雷星宇等研究人员在《IEEE Potentials》上发表论文,提出了一种创新的数据驱动方法。该方法的核心思想是通过历史数据构建代理模型,建立AGC参与因子与机会约束紧缩边界之间的解析关系,从而将复杂的CC-ACOPF问题转化为可处理的非线性优化问题。
研究团队首先引入包含无功功率和电压幅值的改进线性化潮流模型,通过灵敏度分析推导出AGC参与因子与各类机会约束变量(如有功出力、无功出力、电压幅值和线路功率)之间的线性关系。基于该关系,他们采用克里金(Kriging)代理模型对机会约束的紧缩边界进行拟合,得到一个关于AGC参与因子的二次型解析表达式。
为纠正线性化近似和代理模型拟合带来的误差,研究人员开发了一种两阶段数据驱动的蒙特卡洛概率潮流方法。该方法将复杂的潮流计算分解为两个学习阶段:第一阶段学习发电机出力和线路功率,第二阶段学习PQ节点的电压幅值。通过堆叠极限学习机(SELM)构建深度学习网络,显著提高了概率潮流的计算效率。
关键技术方法包括:1)基于灵敏度分析的线性化潮流建模,推导AGC参与因子与机会约束变量的关系;2)克里金代理模型构建,实现机会约束紧缩边界的解析表达;3)两阶段数据驱动概率潮流计算,采用堆叠极限学习机提升蒙特卡洛模拟效率;4)迭代误差校正机制,保证最终解满足预设的约束违反概率。
在PJM 5节点系统中的测试表明,所提方法在5%约束违反概率要求下,发电成本为15,423美元,较传统场景法(15,767美元)降低2.18%,计算时间从122.37秒缩短至2.21秒。图5对比了三种方法得到的概率密度函数(PDF),可见所提方法在保持准确性的同时有效校正了代理模型误差。
通过设置不同不确定性水平(案例1-3)和相关性条件(风电相关系数0-0.4,负荷相关系数0-0.2),验证了方法的适应性。在所有案例中,所提方法均将约束违反概率控制在5%±0.02%范围内,计算时间保持在2秒左右,而场景法需要102-106秒。
IEEE 118节点系统的算例表明,所提方法将计算时间从574.47秒减少到6.03秒,发电成本降低1.6%,约束违反概率仅增加0.04%。这表明方法适用于大规模系统,且计算时间满足实际电网5-15分钟重调度的要求。
采用美国邦纳维尔电力管理局的实际风电数据测试后,所提方法仍能保持5.03%的约束违反概率,而仅使用代理模型的方法(Kriging)违反概率达8.32%。这证明所提误差校正机制对处理实际非高斯不确定性至关重要。
本研究首次实现了无需先验分布假设的AGC参与因子协同优化,通过数据驱动方法突破了传统CC-ACOPF的理论局限。所提框架将复杂的机会约束问题转化为可快速求解的非线性优化形式,为高比例新能源接入下电网的实时优化调度提供了实用化工具。未来工作可进一步探索联合机会约束(joint chance constraints)和分布鲁棒(distributionally robust)优化等方向,以应对更复杂的电网运行场景。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号