姚 宇，葉承晉，朱 超，丁 一，徐奕樂，王 蕾

考慮需求側(cè)快速響應(yīng)資源的數(shù)據(jù)驅(qū)動頻率約束經(jīng)濟(jì)調(diào)度

姚 宇1，葉承晉1，朱 超2，丁 一1，徐奕樂3，王 蕾2

(1.浙江大學(xué)電氣工程學(xué)院，浙江 杭州 310027；2.國網(wǎng)浙江省電力有限公司經(jīng)濟(jì)技術(shù)研究院，浙江 杭州 310008；3.浙江大學(xué)能源工程學(xué)院，浙江 杭州 310027)

隨著可再生能源滲透率的逐步提高，電力系統(tǒng)慣性水平下降，系統(tǒng)頻率安全穩(wěn)定面臨挑戰(zhàn)，迫切需要配置需求側(cè)快速響應(yīng)資源參與系統(tǒng)頻率調(diào)節(jié)服務(wù)。針對此問題，分析了變頻空調(diào)、儲能和電動汽車提供電力系統(tǒng)調(diào)頻備用的可行性，建立考慮上述需求側(cè)快速響應(yīng)資源的頻率安全約束聯(lián)合經(jīng)濟(jì)調(diào)度模型，以進(jìn)行源荷雙側(cè)調(diào)頻備用的統(tǒng)一優(yōu)化。然后，引入基于高維模型表達(dá)的數(shù)據(jù)驅(qū)動方法將調(diào)頻備用與最大頻率偏移量之間的高階非線性、隱式關(guān)系轉(zhuǎn)換為低階、顯式表達(dá)式，從而實現(xiàn)頻率安全約束經(jīng)濟(jì)調(diào)度模型的簡化和求解。最后，結(jié)合IEEE 30節(jié)點系統(tǒng)驗證了所提調(diào)度模型和方法的有效性，以及所提的數(shù)據(jù)驅(qū)動頻率安全約束可確保系統(tǒng)在不平衡功率下的異常頻率在約束范圍內(nèi)，且需求側(cè)快速響應(yīng)資源對于提升系統(tǒng)頻率韌性具有重要正向作用。

需求側(cè)快速響應(yīng)資源；頻率動態(tài)模型；頻率安全約束聯(lián)合經(jīng)濟(jì)調(diào)度；調(diào)頻備用；高維模型表達(dá)

0 引言

隨著以新能源為主體的新型電力系統(tǒng)建設(shè)推進(jìn)，電力系統(tǒng)新能源滲透率逐步提高，系統(tǒng)轉(zhuǎn)動慣量出現(xiàn)明顯下降[1-2]，系統(tǒng)頻率安全穩(wěn)定面臨風(fēng)險。2021年2月，美國德克薩斯州遭遇暴風(fēng)雪的襲擊發(fā)生大停電事故，事故發(fā)生前光伏和風(fēng)電發(fā)電的比例約為34.5%[3]，系統(tǒng)頻率備用嚴(yán)重不足，頻率最低下降到59.3 Hz，累計切除負(fù)荷約20 000 MW，400多萬人口受到影響[4]。2019年8月，英國發(fā)生大停電事故，事故發(fā)生前英國新能源出力占比約30%，事故發(fā)生過程中風(fēng)電系統(tǒng)耐受異常頻率的能力不足，脫網(wǎng)嚴(yán)重，頻率最低下降到48.8 Hz[5]，導(dǎo)致系統(tǒng)低頻減載而停電[6]。

長久以來，電力系統(tǒng)依靠調(diào)頻備用來保障系統(tǒng)功率失衡時的頻率安全穩(wěn)定。因此，為保證充足的調(diào)頻備用，制定電力系統(tǒng)機(jī)組組合和經(jīng)濟(jì)調(diào)度方案時應(yīng)考慮頻率安全約束[7-10]。然而，頻率安全約束高度非線性化，含該約束的優(yōu)化問題直接求解難度大。目前已有較多研究關(guān)注頻率安全約束的轉(zhuǎn)化方法：文獻(xiàn)[7]將頻率安全約束加入機(jī)組組合問題中，通過分段線性化的方法，將系統(tǒng)頻率最低點的非線性化約束轉(zhuǎn)化為線性化約束；文獻(xiàn)[8]構(gòu)建了包含多種可再生能源的頻率最低點指標(biāo)，將其加入機(jī)組組合模型中，使用分段線性化方法使該問題可解。分段線性化是一種簡單直觀的方法，但它在精度方面存在缺陷，導(dǎo)致經(jīng)濟(jì)調(diào)度方案在一定的系統(tǒng)功率波動時，可能會出現(xiàn)頻率越限的情況。一些學(xué)者提出解析法，即通過數(shù)學(xué)推導(dǎo)將頻率安全約束重新表達(dá)。文獻(xiàn)[9]從頻率動態(tài)模型中推導(dǎo)出頻率最低點解析式，將頻率最低點約束引入到考慮風(fēng)電不確定性的隨機(jī)機(jī)組組合模型中，分別提取決策變量的邊界，使得頻率最低點約束線性化。文獻(xiàn)[10]將頻率動態(tài)模型用解析方式表達(dá)，然而在解析式中引入了指數(shù)項、0-1變量相乘、min函數(shù)和max函數(shù)，過程較為繁瑣。以上文獻(xiàn)均將頻率安全約束用解析的方法寫成線性化的表達(dá)式，數(shù)學(xué)推導(dǎo)過程復(fù)雜，且會隨機(jī)組數(shù)量的增加而愈發(fā)復(fù)雜。

隨著新能源滲透率的逐步提高，發(fā)電側(cè)調(diào)頻資源稀缺問題進(jìn)一步凸顯，通過需求響應(yīng)技術(shù)發(fā)掘負(fù)荷側(cè)靈活資源的調(diào)頻潛力成為研究熱點[11-12]。一些快速需求響應(yīng)資源爬坡速度快于火電機(jī)組，可為電力系統(tǒng)提供快速調(diào)頻備用。文獻(xiàn)[13]提出了變頻空調(diào)參與調(diào)頻的電熱模型，文獻(xiàn)[14]分析了聚合空調(diào)的調(diào)頻備用潛力，文獻(xiàn)[15]分析了電池儲能在調(diào)頻方面的優(yōu)勢，文獻(xiàn)[16]分析了電動汽車參與調(diào)頻的優(yōu)勢，并提出了考慮用戶需求和車輛限制的電動汽車參與調(diào)頻控制策略?？紤]負(fù)荷側(cè)資源后，有必要拓展電力系統(tǒng)機(jī)組組合和經(jīng)濟(jì)調(diào)度的建?？蚣?，以實現(xiàn)源荷雙側(cè)調(diào)頻備用的統(tǒng)籌優(yōu)化配置。但由于負(fù)荷的頻率動態(tài)特性與傳統(tǒng)火電機(jī)組不同，導(dǎo)致系統(tǒng)頻率響應(yīng)特性發(fā)生改變，使得高階非線性的頻率安全約束變得更為復(fù)雜。另一方面，隨著電力系統(tǒng)不確定性的增強(qiáng)，要求頻率約束優(yōu)化模型的刷新和求解速度進(jìn)一步提高，因此本文考慮使用數(shù)據(jù)驅(qū)動方法，對考慮需求側(cè)資源的頻率安全約束進(jìn)行低階轉(zhuǎn)化，以實現(xiàn)經(jīng)濟(jì)調(diào)度問題的快速解算。

數(shù)據(jù)驅(qū)動方法作為一種黑箱算法，能夠直接對模型的輸入輸出接口建模[17]，在復(fù)雜物理模型的轉(zhuǎn)換方面具有優(yōu)勢，在頻率安全約束的轉(zhuǎn)換中已有一些基礎(chǔ)應(yīng)用。文獻(xiàn)[18]從數(shù)據(jù)驅(qū)動視角，線性化頻率安全約束，將頻率安全轉(zhuǎn)化為一個基于支持向量機(jī)的二分類問題，然而該模型只能判斷頻率是否越限，無法衡量越限的程度。此外，經(jīng)濟(jì)調(diào)度是一個實時滾動優(yōu)化的過程，頻率安全約束的強(qiáng)度隨系統(tǒng)運(yùn)行狀態(tài)發(fā)生變化，甚至?xí)S著調(diào)度員的風(fēng)險偏好而改變，數(shù)據(jù)驅(qū)動的頻率安全約束需要具備應(yīng)對該種變化的能力。

針對以上問題，本文提出了考慮需求側(cè)快速響應(yīng)資源的數(shù)據(jù)驅(qū)動頻率安全約束經(jīng)濟(jì)調(diào)度方法。首先，將變頻空調(diào)、儲能電池和電動汽車納入系統(tǒng)調(diào)頻框架。然后，構(gòu)建考慮頻率安全約束的源荷雙側(cè)聯(lián)合經(jīng)濟(jì)調(diào)度模型，以實現(xiàn)調(diào)頻備用的優(yōu)化配置。最后，將高階、非線性的頻率安全約束通過高維模型表達(dá)轉(zhuǎn)化為低階約束，實現(xiàn)模型在線求解。

1 考慮需求側(cè)快速響應(yīng)資源的系統(tǒng)頻率調(diào)節(jié)過程

電力系統(tǒng)運(yùn)行過程中，不可避免會發(fā)生功率擾動而導(dǎo)致系統(tǒng)頻率下跌，主要功率擾動源包括負(fù)荷激增、發(fā)電出力驟降和通道故障。功率擾動量與頻率偏移量之間的關(guān)系，一般通過電力系統(tǒng)頻率動態(tài)模型來表達(dá)。系統(tǒng)頻率下降后，調(diào)頻資源投入而將異常頻率逐漸抬升，直至恢復(fù)工頻。本文將需求側(cè)資源納入電力系統(tǒng)調(diào)頻框架，圖1為考慮需求側(cè)快速響應(yīng)的頻率動態(tài)模型。

如圖1所示，支撐系統(tǒng)頻率安全的調(diào)節(jié)功率由火電機(jī)組和需求側(cè)資源共同提供，系統(tǒng)的頻率動態(tài)模型可表示為

圖1 考慮需求側(cè)快速響應(yīng)資源的頻率動態(tài)模型

電動汽車在短時間內(nèi)可調(diào)節(jié)動態(tài)其充電功率，甚至通過V2G反向送電[23]，待機(jī)狀態(tài)下達(dá)到峰值功率的時間為毫秒級[16]，是一種快速調(diào)頻資源。本文采用的電動汽車模型，通過一階慣性環(huán)節(jié)反映雙向變流器和動力電池的響應(yīng)，其頻率動態(tài)特性可表示為

2 頻率約束的源荷雙側(cè)聯(lián)合經(jīng)濟(jì)調(diào)度模型

本節(jié)建立FCCED模型，將變頻空調(diào)、儲能電池和電動汽車3種需求側(cè)資源與常規(guī)電源納入經(jīng)濟(jì)調(diào)度框架中，統(tǒng)一配置其調(diào)頻備用容量。配置的基本原則是在保障頻率安全的前提下，盡可能地使總備用方案成本最低，實現(xiàn)電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行。

2.1 需求側(cè)快速響應(yīng)資源的調(diào)度模式

配電網(wǎng)中空調(diào)、電動汽車、儲能等資源單體容量小、電壓等級低、分布散，不適合直接參與大電網(wǎng)調(diào)頻。因此考慮通過負(fù)荷聚合商(load aggregator, LA)和儲能電站實現(xiàn)分散資源集總參與電力系統(tǒng)調(diào)度。本文的經(jīng)濟(jì)調(diào)度框架如圖2所示，負(fù)荷聚合商分別聚合配網(wǎng)側(cè)零散的空調(diào)、電動汽車和儲能電站聚合單體儲能，為系統(tǒng)運(yùn)營商提供可調(diào)容量、報價和聚合體的頻率動態(tài)模型參數(shù)。系統(tǒng)運(yùn)營商(調(diào)度中心)對負(fù)荷聚合商和儲能電站進(jìn)行經(jīng)濟(jì)調(diào)度，聚合商直接控制零散空調(diào)和電動汽車，儲能電站直接控制單體儲能。其中，聚合體的頻率動態(tài)模型參數(shù)采用非參數(shù)核密度估計方法[24]計算。

圖2 基于負(fù)荷聚合商的經(jīng)濟(jì)調(diào)度框架

2.2 目標(biāo)函數(shù)

優(yōu)化目標(biāo)是全時段的運(yùn)行成本最低，發(fā)電側(cè)成本包含發(fā)電機(jī)組運(yùn)行成本和調(diào)頻備用成本，需求側(cè)成本包含變頻空調(diào)、儲能電池、電動汽車提供調(diào)頻備用的成本。因此，該機(jī)組組合模型的目標(biāo)函數(shù)為

趨勢二：京津同城化將成為更加有效地推進(jìn)京津冀協(xié)同發(fā)展，進(jìn)而建立環(huán)渤海協(xié)同發(fā)展新機(jī)制的重大戰(zhàn)略支點。以北京、天津為中心更加強(qiáng)調(diào)京津聯(lián)動，加快實現(xiàn)京津同城化發(fā)展。同城化是區(qū)域經(jīng)濟(jì)一體化和城市群建設(shè)過程中的一個重要階段，是區(qū)域城市間經(jīng)濟(jì)和社會發(fā)展到一定程度的必然趨勢。推動京津同城化，關(guān)鍵是要實現(xiàn)京津基礎(chǔ)設(shè)施一體化、產(chǎn)業(yè)發(fā)展一體化、市場一體化、公共服務(wù)一體化、資源配置一體化等，共同發(fā)揮高端引領(lǐng)和輻射帶動作用，成為推動京津冀協(xié)同發(fā)展，建立環(huán)渤海協(xié)同發(fā)展新機(jī)制的重大戰(zhàn)略支點。

2.3 約束條件

1) 功率平衡約束

系統(tǒng)在所有時段都應(yīng)當(dāng)滿足發(fā)電與負(fù)荷功率平衡約束。

2) 傳輸容量約束

潮流傳輸過程中，支路潮流不能超過該支路的傳輸容量上限。

3) 旋轉(zhuǎn)備用約束

4) 出力約束

機(jī)組出力和機(jī)組備用還應(yīng)滿足容量約束。

需求側(cè)快速響應(yīng)資源應(yīng)同樣滿足其容量約束。

5) 爬坡約束

機(jī)組出力和需求響應(yīng)資源都應(yīng)滿足爬坡約束，相比于火電機(jī)組，需求響應(yīng)資源爬坡受限較少，爬坡速度較快。

6) 頻率安全約束

圖4 擾動后電力系統(tǒng)頻率動態(tài)過程

3 數(shù)據(jù)驅(qū)動的頻率安全約束轉(zhuǎn)化

為應(yīng)對式(18)高階非線性的功率-頻率隱關(guān)聯(lián)約束，本節(jié)引入數(shù)據(jù)驅(qū)動的HDMR方法將其降階顯式轉(zhuǎn)化，從而使FCCED轉(zhuǎn)為常規(guī)優(yōu)化問題。

3.1 高維模型表達(dá)方法

高維模型表達(dá)(high dimension model representation, HDMR)方法可將多輸入-單輸出的非線性系統(tǒng)表達(dá)成一種簡單的映射關(guān)系[29]。式(18)包含了高階非線性化的復(fù)雜頻率動態(tài)模型，無法直接求解。本文選擇HDMR的數(shù)據(jù)驅(qū)動方法對頻率安全約束進(jìn)行刻畫，有兩方面原因。一方面，頻率安全約束所包含的頻率動態(tài)模型是一個典型的非線性多輸入—單輸出系統(tǒng)，適合使用HDMR模型簡化；另一方面，HDMR方法精度較高、計算速度快[30]，可滿足電力系統(tǒng)經(jīng)濟(jì)調(diào)度的精度需求和計算速度需求。HDMR方法原理如下所述。

高階分量對輸出的影響很小，可忽略不計。因此，保留到二階分量，如式(21)所示。

用正交多項式對式(21)進(jìn)行逼近。

3.2 基于HDMR生成數(shù)據(jù)驅(qū)動的頻率安全約束

基于HDMR方法生成數(shù)據(jù)驅(qū)動的頻率安全約束的過程如圖5所示，包括數(shù)據(jù)層、驅(qū)動層和優(yōu)化層。

圖5 基于HDMR生成數(shù)據(jù)驅(qū)動頻率安全約束的流程

接著，使用式(29)替換式(18)，從而將原隱式的高階非線性頻率安全約束經(jīng)濟(jì)調(diào)度問題轉(zhuǎn)化為BLP(bilinear programming)問題，使用McCormick Envelopes[32]求解。

本文提出的基于HDMR方法生成數(shù)據(jù)驅(qū)動的頻率安全約束，滿足以下條件：

1) 輸入向量的維數(shù)不變，即發(fā)電機(jī)組啟停狀態(tài)、需求側(cè)快速響應(yīng)資源的響應(yīng)狀態(tài)(是否參與調(diào)頻)都不變。當(dāng)輸入向量的維數(shù)發(fā)生改變時，重新訓(xùn)練HDMR模型以得到新的表達(dá)式。

2) 系統(tǒng)頻率不崩潰。若系統(tǒng)發(fā)生頻率崩潰事故，系統(tǒng)頻率會一直下跌，那么不存在頻率最低點，此時頻率動態(tài)模型以及HDMR方法不適用于調(diào)頻備用與最大頻率偏移量之間關(guān)系的建模。

本文所研究對象為經(jīng)濟(jì)調(diào)度問題，即只對發(fā)電機(jī)組和需求側(cè)快速響應(yīng)資源的調(diào)頻備用作優(yōu)化分配，不改變其啟停狀態(tài)，輸入向量的維數(shù)不變；本文提出的頻率安全約束使經(jīng)濟(jì)調(diào)度分配足夠的調(diào)頻備用，系統(tǒng)頻率在可承受范圍內(nèi)波動，確保不發(fā)生頻率崩潰，因此滿足以上條件，可適合采用HDMR進(jìn)行模型轉(zhuǎn)化。

4 算例分析

4.1 系統(tǒng)參數(shù)

為驗證本文所提模型的有效性，采用文獻(xiàn)[33]中改進(jìn)的IEEE30節(jié)點系統(tǒng)進(jìn)行測試，其中7節(jié)點負(fù)荷改造為儲能電站，12節(jié)點負(fù)荷改造為變頻空調(diào)集群，21節(jié)點負(fù)荷改造為電動汽車集群。系統(tǒng)總?cè)萘繛?35 MW，該系統(tǒng)包含6臺火電機(jī)組。機(jī)組參數(shù)見表1，負(fù)荷數(shù)據(jù)見表2。

表1 發(fā)電機(jī)組的參數(shù)

表2 各時段總負(fù)荷數(shù)據(jù)

圖6 修改IEEE 30節(jié)點對應(yīng)的頻率動態(tài)模型示意圖

IEEE 30節(jié)點系統(tǒng)對應(yīng)的頻率動態(tài)模型如圖6所示?？照{(diào)、電動汽車由負(fù)荷聚合商進(jìn)行聚合，儲能由儲能電站聚合。聚合參數(shù)通過2.1節(jié)中的非參數(shù)核密度估計方法得到。以變頻空調(diào)為例，基于文獻(xiàn)[18]中變頻空調(diào)負(fù)荷群數(shù)據(jù)，核密度估計得到空調(diào)聚合體的參數(shù)。同理，其他聚合調(diào)頻參數(shù)見表3。變頻空調(diào)、儲能電站、電動汽車的調(diào)頻備用成本分別取4.2美元/MW、4.0美元/MW、4.1美元/MW[34]。

表3 需求側(cè)資源的參數(shù)

4.2 基于HDMR生成頻率安全約束的精度分析

所有測試點的誤差散點結(jié)果見圖7?？梢?，HDMR方法與圖1所示的傳統(tǒng)的頻率仿真方法相比，最大相對誤差不超過17.52%，平均相對誤差(mean relative error, MRE)是3.71%，整體精度表現(xiàn)優(yōu)異，完全滿足實際調(diào)度應(yīng)用的需要。

圖7 HDMR在測試集的相對誤差

為驗證HDMR在不同數(shù)據(jù)集上的精度，本文針對多組樣本數(shù)據(jù)進(jìn)行了實驗。

1) 基于泊松分布產(chǎn)生10 000個功率缺額數(shù)據(jù)，頻率數(shù)據(jù)、備用數(shù)據(jù)采用圖1所示的頻率動態(tài)模型計算；

2) 基于均勻分布生成10 000個功率缺額數(shù)據(jù)，其他步驟同1)；

3) 基于指數(shù)分布生成10 000個功率缺額數(shù)據(jù)，其他步驟同1)；

4) 基于正態(tài)分布生成10000個功率缺額數(shù)據(jù)，其他步驟同1)；

5) 分別基于泊松分布、均勻分布、指數(shù)分布、正態(tài)分布生成2500個功率缺額數(shù)據(jù)，組成10 000個功率缺額樣本，其他步驟同1)。

5組樣本都按照8:2的比例劃分訓(xùn)練集和測試集，訓(xùn)練集由10折交叉驗證劃分出驗證集。重復(fù)10次實驗，獲得平均相對誤差和最大相對誤差。實驗結(jié)果如圖8所示，在5個數(shù)據(jù)集的10次實驗結(jié)果中，平均相對誤差均不超過4%，最大相對誤差不超過17.8%。說明HDMR方法在不同樣本數(shù)據(jù)集上均能體現(xiàn)出較好的擬合效果。

4.3 含頻率約束的聯(lián)合經(jīng)濟(jì)調(diào)度結(jié)果

本節(jié)對比了兩種場景的經(jīng)濟(jì)調(diào)度結(jié)果。

場景1：在不考慮頻率約束的情況下，系統(tǒng)按照各時段總負(fù)荷的10%預(yù)留調(diào)頻備用容量，按成本最低準(zhǔn)則，分配源荷雙側(cè)的調(diào)頻備用容量。

場景2：在考慮頻率安全約束情況下，系統(tǒng)按成本最低原則，分配源荷雙側(cè)的調(diào)頻備用容量。

圖8 HDMR方法在不同樣本上的相對誤差

場景1的調(diào)度結(jié)果如圖9(a)所示，總備用容量約為60 MW，全部由火電機(jī)組承擔(dān)，成本72 914.53美元。場景2調(diào)度結(jié)果如圖9(b)所示，總備用容量約為120 MW，需求側(cè)資源也參與了調(diào)頻，總成本77 931.54美元。增加頻率安全約束后，系統(tǒng)預(yù)留備用量提高了1倍，經(jīng)濟(jì)調(diào)度方案成本增加。

在以上兩種經(jīng)濟(jì)調(diào)度方案下，仿真系統(tǒng)分別在每個時段經(jīng)歷30 MW功率擾動后的頻率變化。結(jié)果如圖10所示，場景1頻率最低點均在49.5 Hz以下，在01：00—03：00和20：00—24：00時段，頻率甚至降至48.3 Hz以下，遠(yuǎn)低于系統(tǒng)允許的最低頻率49.5 Hz。場景1中，12：00頻率下跌最少，然而頻率最低點是49.21 Hz，也低于49.5 Hz。場景1的調(diào)度方案承受功率擾動的能力差，無法保障頻率安全。場景2中，系統(tǒng)在經(jīng)受相同的功率擾動后，頻率最低點均維持在49.6 Hz以上，滿足頻率安全要求。因此，采用HDMR轉(zhuǎn)化后的FCCED模型能夠應(yīng)對系統(tǒng)功率擾動，保障系統(tǒng)安全穩(wěn)定運(yùn)行。

圖10 FCCED與ED的頻率最低點對比

4.4 需求側(cè)快速響應(yīng)資源對系統(tǒng)頻率安全的作用

圖11 有無DR的最大頻率偏移量對比

4.5 不同數(shù)據(jù)驅(qū)動方法轉(zhuǎn)化頻率安全約束的效果

本節(jié)對比了HDMR與文獻(xiàn)[18]中的支持向量機(jī)SVM在轉(zhuǎn)換頻率安全約束上的表現(xiàn)。兩種算法均采用4.2節(jié)的數(shù)據(jù)集，并在Gen Intel(R) Core(TM) i5-1135G7@2.40 GHz、16.0 GB RAM的硬件環(huán)境下測試。比較維度包括計算時間、頻率最低點均值和成本，對比結(jié)果見表4。

表4 HDMR與SVM對比

在頻率最低點和調(diào)度成本方面，HDMR方法調(diào)度成本是77 931.54美元，平均頻率最低點為49.63 Hz；SVM方法調(diào)度成本為77 753.17美元，平均頻率最低點為49.52 Hz。相比之下，HDMR轉(zhuǎn)換后的頻率安全約束更加保守，可充分保證功率擾動后系統(tǒng)頻率能夠維持在安全范圍內(nèi)。

表5 改變時HDMR與SVM方法求解時間對比

圖12 HDMR與SVM轉(zhuǎn)換原理比較

5 結(jié)論

新能源占比的不斷提高使電力系統(tǒng)慣性下降，滿足頻率安全約束的最優(yōu)調(diào)度成為新型電力系統(tǒng)亟待考慮的問題。本文提出了考慮需求側(cè)快速響應(yīng)資源的數(shù)據(jù)驅(qū)動頻率約束經(jīng)濟(jì)調(diào)度方法。首先，將變頻空調(diào)、儲能、電動汽車的頻率動態(tài)模型納入系統(tǒng)調(diào)頻框架。然后，構(gòu)建考慮頻率安全約束的源荷雙側(cè)聯(lián)合經(jīng)濟(jì)調(diào)度模型。最后，使用基于HDMR的數(shù)據(jù)驅(qū)動方法將復(fù)雜高階非線性約束轉(zhuǎn)化為低階線性約束并求解。算例結(jié)果表明：1) HDMR的計算精度滿足調(diào)度需求，基于HDMR的數(shù)據(jù)驅(qū)動頻率安全約束能夠保證經(jīng)濟(jì)調(diào)度方案在頻率指標(biāo)上的安全性，需求側(cè)快速響應(yīng)資源參與調(diào)頻后可以顯著提升系統(tǒng)頻率韌性；2) HDMR相較于SVM分類器方法，計算效率提升32.36%，轉(zhuǎn)化后的頻率安全約束更保守。此外，風(fēng)險偏好改變時，HDMR方法無須重新訓(xùn)練，適應(yīng)性更好。

本文所提的數(shù)據(jù)驅(qū)動頻率安全約束經(jīng)濟(jì)調(diào)度方法，為需求側(cè)資源參與新型電力系統(tǒng)的運(yùn)行支撐提供了安全經(jīng)濟(jì)的資源配置工具，也為復(fù)雜電力調(diào)度優(yōu)化問題的高效解算提供了一種降階轉(zhuǎn)化的新思路。

與發(fā)電側(cè)調(diào)頻資源相比，需求側(cè)資源具有強(qiáng)不確定性。在實時性、精準(zhǔn)度要求極高的電力系統(tǒng)頻率控制過程中，如何通過數(shù)據(jù)驅(qū)動的方法對需求側(cè)資源的不確定性進(jìn)行建模和處理是下一步需要研究的問題。

[1] 張子揚(yáng), 張寧, 杜爾順, 等. 雙高電力系統(tǒng)頻率安全問題評述及其應(yīng)對措施[J]. 中國電機(jī)工程學(xué)報, 2022, 42(1): 1-25.

ZHANG Ziyang, ZHANG Ning, DU Ershun, et al. Review and countermeasures on frequency security issues of power systems with high shares of renewables and power electronics[J]. Proceedings of the CSEE, 2022, 42(1): 1-25.

[2] 李軍徽, 馮喜超, 嚴(yán)干貴, 等. 高風(fēng)電滲透率下的電力系統(tǒng)調(diào)頻研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J].Power System Protection and Control, 2018, 46(2): 163-170.

[3] 安學(xué)民, 孫華東, 張曉涵, 等. 美國得州“2.15”停電事件分析及啟示[J]. 中國電機(jī)工程學(xué)報, 2021, 41(10): 3407-3415, 3666.

AN Xuemin, SUN Huadong, ZHANG Xiaohan, et al. Analysis and lessons of Texas power outage event on February 15, 2021[J]. Proceedings of the CSEE, 2021, 41(10): 3407-3415, 3666.

[4] 王偉勝, 林偉芳, 何國慶, 等. 美國得州2021年大停電事故對我國新能源發(fā)展的啟示[J]. 中國電機(jī)工程學(xué)報, 2021, 41(12): 4033-4043.

WANG Weisheng, LIN Weifang, HE Guoqing, et al. Enlightenment of 2021 Texas blackout to the renewable energy development in China[J]. Proceedings of the CSEE, 2021, 41(12): 4033-4043.

[5] National Grid ESO. Interim report into the low frequency demand disconnection (LFDD) following generator trips and frequency excursion on 9 Aug 2019[R]. Great Britain, 2019.

[6] PEARMINE R, SONG Y H, CHEBBO A. Influence of wind turbine behaviour on the primary frequency control of the British transmission grid[J]. IET Renewable Power Generation, 2007, 1(2): 142-150.

[7] AHMADI H, GHASEMI H. Security-constrained unit commitment with linearized system frequency limit constraints[J]. IEEE Transactions on Power Systems, 2014, 29(4): 1536-1545.

[8] PATURET M, MARKOVIC U, DELIKARAOGLOU S, et al. Stochastic unit commitment in low-inertia grids[J]. IEEE Transactions on Power Systems, 2020, 35(5): 3448-3458.

[9] ZHANG Ziyang, DU Ershun, TENG Fei, et al. Modeling frequency dynamics in unit commitment with a high share of renewable energy[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4383-4395.

[10]林恒先, 侯凱元, 陳磊, 等. 高比例風(fēng)電電力系統(tǒng)考慮頻率安全約束的機(jī)組組合[J]. 電網(wǎng)技術(shù), 2021, 45(1): 1-13.

LIN Hengxian, HOU Kaiyuan, CHEN Lei, et al. Unit commitment of power system with high proportion of wind power considering frequency safety constraints[J]. Power System Technology, 2021, 45(1): 1-13.

[11]羅金滿, 劉麗媛, 劉飄, 等. 考慮源網(wǎng)荷儲協(xié)調(diào)的主動配電網(wǎng)優(yōu)化調(diào)度方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(1): 167-173.

LUO Jinman, LIU Liyuan, LIU Piao, et al. An optimal scheduling method for active distribution network considering source network load storage coordination[J]. Power System Protection and Control, 2022, 50(1): 167-173.

[12] YANG Hejun, ZHANG Xinyu, MA Yinghao, et al. Critical peak rebate strategy and application to demand response[J]. Protection and Control of Modern Power Systems, 2021, 6(3): 357-370.

[13] HUI Hongxun, DING Yi, ZHENG Menglian. Equivalent modeling of inverter air conditioners for providing frequency regulation service[J]. IEEE Transactions on Industrial Electronics, 2019, 66(2): 1413-1423.

[14] HUI Hongxun, DING Yi, LIU Weidong, et al. Operating reserve evaluation of aggregated air conditioners[J]. Applied Energy, 2017, 196: 218-228.

[15]王凱豐, 謝麗蓉, 喬穎, 等. 電池儲能提高電力系統(tǒng)調(diào)頻性能分析[J]. 電力系統(tǒng)自動化, 2022, 46(1): 174-181.

WANG Kaifeng, XIE Lirong, QIAO Ying, et al. Analysis on frequency modulation performance of power system improved by battery energy storage[J]. Automation of Electric Power Systems, 2022, 46(1): 174-181.

[16] 鮑諺, 賈利民, 姜久春, 等. 電動汽車移動儲能輔助頻率控制策略的研究[J]. 電工技術(shù)學(xué)報, 2015, 30(11): 115-126.

BAO Yan, JIA Limin, JIANG Jiuchun, et al. Research on the control strategy of electric vehicle mobile energy storage in ancillary frequency regulation[J]. Transactions of China Electrotechnical Society, 2015, 30(11): 115-126.

[17]薛禹勝, 賴業(yè)寧. 大能源思維與大數(shù)據(jù)思維的融合(一)大數(shù)據(jù)與電力大數(shù)據(jù)[J]. 電力系統(tǒng)自動化, 2016, 40(1): 1-8.

XUE Yusheng, LAI Yening. Integration of macro energy thinking and big data thinking part one big data and power big data[J]. Automation of Electric Power Systems, 2016, 40(1): 1-8.

[18] ZHUANG Xinran, YE Chengjin, DING Yi, et al. Data-driven reserve allocation with frequency security constraint considering inverter air conditioners[J]. IEEE Access, 2019, 7: 120014-120022.

[19] NANDA J, MISHRA S, SAIKIA L. Maiden application of bacterial foraging-based optimization technique in multiarea automatic generation control[J]. IEEE Transactions on Power Systems, 2009, 24(2): 602-609.

[20] BAO Yuqing, LI Yang, WANG Beibei, et al. Demand response for frequency control of multi-area power system[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 20-29.

[21]陳長青, 李欣然, 張冰玉, 等. 基于多時間尺度的儲能調(diào)峰調(diào)頻協(xié)同控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(5): 94-105.

CHEN Changqing, LI Xinran, ZHANG Bingyu, et al. Energy storage peak and frequency modulation cooperative control strategy based on multi-time-scale[J]. Power System Protection and Control, 2022, 50(5): 94-105.

[22]孫立明, 楊博. 蓄電池/超導(dǎo)混合儲能系統(tǒng)非線性魯棒分?jǐn)?shù)階控制[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(22): 76-83.

SUN Liming, YANG Bo. Nonlinear robust fractional- order control of battery/SMES hybrid energy storage systems[J]. Power System Protection and Control, 2020, 48(22): 76-83.

[23] HU Jindi, YE Chengjin, DING Yi, et al. A distributed MPC to exploit reactive power V2G for real-time voltage regulation in distribution networks[J]. IEEE Transactions on Smart Grid, 2022, 13(1): 576-588.

[24] XIE Dunjian, HUI Hongxun, DING Yi, et al. Operating reserve capacity evaluation of aggregated heterogeneous TCLs with price signals[J]. Applied Energy, 2018, 216: 338-347.

[25]趙強(qiáng), 劉肇旭, 張麗. 對中國低頻減載方案制定中若干問題的探討[J]. 電力系統(tǒng)自動化, 2010, 34(11): 48-53.

ZHAO Qiang, LIU Zhaoxu, ZHANG Li. Discussions on the several problems of under-frequency load shedding scheme in China[J]. Automation of Electric Power Systems, 2010, 34(11): 48-53.

[26]電能質(zhì)量—電力系統(tǒng)頻率偏差: GB/T 15945—2008[S].北京: 中國電力出版社, 2008.

Power quality—frequency deviation for power system: GB/T 15945—2008[S]. Beijing: China Electric Power Press, 2008.

[27]方勇杰. 英國“8·9”停電事故對頻率穩(wěn)定控制技術(shù)的啟示[J]. 電力系統(tǒng)自動化, 2019, 43(24): 1-7.

FANG Yongjie. Reflections on frequency stability control technology based on the blackout event of 9 August 2019 in UK[J]. Automation of Electric Power Systems, 2019, 43(24): 1-7.

[28] Australian Energy Market Operator. Preliminary report- black system event in South Australia on 28 September 2016[R]. Melbourne, Australia: Australian Energy Market Operation Limited, 2016.

[29]宋夢, 于繼來, 李碧君, 等. 高維模型表達(dá)技術(shù)在N-1有功響應(yīng)靜態(tài)安全域中的應(yīng)用[J]. 電力系統(tǒng)自動化, 2015, 39(1): 164-170.

SONG Meng, YU Jilai, LI Bijun, et al. Application of high dimensional model representation in N-1 active power response steady-state security domain[J]. Automation of Electric Power Systems, 2015, 39(1): 164-170.

[30] SONG Meng, GAO Ciwei, SHAHIDEHPOUR M, et al. Impact of uncertain parameters on TCL power capacity calculation via HDMR for generating power pulses[J]. IEEE Transactions on Smart Grid, 2019, 10(3): 3112-3124.

[31] GOODFELLOW I, BENGI Y, COURVILLE A, et al. Deep learning[M]. London, UK: MIT Press, 2016.

[32] SHERALI H D, ADAMS W P. A reformulation- linearization technique for solving discrete and continuous nonconvex problems[M]. Berlin: Springer, 1998.

[33]曹鵬, 劉敏. 基于改進(jìn)的整數(shù)規(guī)劃法結(jié)合零注入節(jié)點的PMU優(yōu)化配置方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(16): 143-150.

CAO Peng, LIU Min. PMU placement method based on improved integer programming method combined with zero injection buses[J]. Power System Protection and Control, 2021, 49(16): 143-150.

[34] ALVARADO D, MOREIRA A, MORENO R, et al. Transmission network investment with distributed energy resources and distributionally robust security[J]. IEEE Transactions on Power Systems, 2019, 34(6): 5157-5168.

[35] RIPLEY B D. Pattern recognition and neural networks[M]. Cambridge: Cambridge University Press, 2007.

[36] RABITZ H, ALI? ? F. General foundations of high- dimensional model representations[J]. Journal of Mathematical Chemistry, 1999, 25(2): 197-233.

[37] BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

Data-driven frequency constrained economic dispatch considering fast demand resources

YAO Yu1, YE Chengjin1, ZHU Chao2, DING Yi1, XU Yile3, WANG Lei2

(1. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China; 2. Economic Research Institute of State Grid Zhejiang Electric Power Co., Ltd., Hangzhou 310008, China; 3. College of Energy Engineering, Zhejiang University, Hangzhou 310027, China)

The frequency of the power system faces challenges with the growing share of renewable energy and the decreasing inertia. It’s urgent to allocate fast demand response resources for frequency regulation.In this paper, the feasibility that inverter air conditions, energy storage and electric vehicles provide frequency regulation reserve is analyzed. A frequency constrained combined economic dispatching model (FCCED) considering the above fast demand response resources is established to uniformly allocate the frequency regulation reserve between generators and loads. Then, a data-driven method based on the high dimensional model representation (HDMR) is proposed to convert the above high-order, nonlinear and implicit frequency security constraint to a low-order and explicit constraint. As a result, the proposed FCCED model can be solved easily. Finally, the modified IEEE 30-bus system validates the effectiveness of the proposed method. It is explained that the proposed frequency security constraint ensures that the abnormal frequency of the system under unbalanced power is within the constraint. And fast demand response resources have an important positive effect on improving the frequency toughness of the system.

fast demand response resources; frequency dynamic model; frequency constrained combined economic dispatching model (FCCED); frequency regulation reserve; high dimensional model representation (HDMR)

10.19783/j.cnki.pspc.220460

國家科技創(chuàng)新2030項目資助(2021ZD0112700)；國網(wǎng)浙江省電力有限公司科技項目資助(5211JY220001)

This work is supported by the National Science and Technology Innovation 2030 Project (No. 2021ZD0112700).

2022-03-31；

2022-07-11

姚 宇(1997—)，男，碩士研究生，研究方向為電力需求側(cè)管理、數(shù)據(jù)驅(qū)動等；E-mail: zjuyaoyu@zju.edu.cn

葉承晉(1987—)，男，通信作者，博士，研究員，研究方向為電力系統(tǒng)規(guī)劃運(yùn)行、電力需求側(cè)管理；E-mail: yechenjing@zju.edu.cn

丁 一(1978—)，男，博士，教授，研究方向為智能電網(wǎng)、電力系統(tǒng)可靠性。E-mail: yiding@zju.edu.cn

(編輯 姜新麗)