專利名稱：用于調度發電機的運轉的方法
技術領域：
本發明的技術領域總體上涉及發電，更具體地，涉及對發電機的運轉的調度。
背景技術：
期望調度例如核能、煤炭、石油、燃氣、水力、太陽能和風力發電機這樣的發電機的運轉。發電機通過電網連接到消費者。電網可以覆蓋大陸。運轉調度的目的是為消費者產生計劃的電力量并且將生產成本和電力短缺的風險降低到最低。運轉調度包括一系列運轉周期(步長)，這些周期(步長)的長度通常是一個小時。在每一個步長期間，應當確定哪些發電機應開機和哪些發電機應關機，并且確定每一個開機的發電機應產生多少電力。計劃周期(S卩，調度的持續時間)通常在一天到一周之間。由于存在數量非常龐大的可能的發電機組合、必須被考慮的調度、各個發電機的運轉成本的差異、輸出的可靠性和變化以及各種存在的運轉限制，因此在全部可能的調度中發現最優的運轉調度是非常困難的計算問題。大量的這些限制在本質上是暫時的，這就將運轉調度轉變為連續的決策問題。例如，一些發電機具有最小和最大開機(on)時間和關機(off)時間，并且具有對它們能夠多快地增大輸出或多快地減小輸出的限制。這是為什么啟動或者關閉發電機具有很長時間的影響，并且這些決定組成了針對多個時間步長之間使用(或不使用)發電機的調配。為此,決定啟動或者關閉哪些發電機通常被認為是發電中的發電機啟動停止問題(unit commitment problem)。在已調配了在一特定時刻啟動一組發電機之后,必須確定各個發電機將產生的最優輸出。還必須考慮附加的限制，諸如發電機可產生的最小輸出和最大輸出。這種嵌套優化(nested optimization)問題被稱為經濟調度(economic dispatch)問題。 在作為全部可用的發電機的子集的運轉中的發電機的集合s并且目標電力需求d的情況下，假定F=f (s，d)得到集合s中的發電機產生電力需求d的總預期成本，并且G=g(s, d)得到利用這個發電機的集合不能滿足需求的預期風險(概率)。如果集合s中的發電機例如因為d超出了集合s中的發電機的個體的最大輸出之和而不能滿足需求d，則假定成本F等于使發電機滿負荷運行的成本，并且不能滿足需求的風險G是一。對于大多數實際問題，全部可能的調度的數量太大以至于不能被窮盡搜索。如果N個發電機可用，則在任何時間步長中都存在處于啟動狀態的發電機的2N個可能子集。如果在計劃周期中存在總共M個時間步長，例如，針對為一天的計劃周期(M=24)和一小時的時間步長，則全部可能的調度的總數是2N‘M。運轉調度問題的極大的組合復雜度要求針對近似解的更有效的計算方法。—個簡單的方法是將全部發電機放入按照各個發電機滿負荷運轉時的輸出電力的相對成本排序的優先級列表中，使得具有最低成本的發電機具有最高優先級。考慮到時間步長t的預期需求dt，可用的發電機根據該優先級列表來運轉，如果ClX1則有可能調配原本關閉的新發電機，或者如果，則可能回收原本啟動的發電機。通過修改優先級列表以排除那些必須啟動或關閉以滿足這些限制的發電機，可以適應最小的啟動和關閉時間。盡管可行，但是這種運轉調度方法遠不是最優的，并且已知基于動態規劃(dynamic programming)、拉格朗日松弛、分支定界的更先進的技術。一種方式將該問題解構為與調度的單個時間步長相對應的階段，并且針對當前階段的發電機的每一個可行組合(子集)，使用動態規劃來回歸地確定最優的累積代價函數(cost-to-go),直至調度的結束為止。這種過程減小了該問題的計算復雜度，因為計算復雜度在階段(步長)的數量方面是線性的，并且在每個階段的可行的組合的數量方面是二次函數。然而，可行的組合的數量(2N)在可用發電機的數量方面仍然是指數函數。減少可行的組合的數量的探索可能會導致次優方案。此外，如果發電機的狀態由布爾變量(開/關)表示，則不能適應最小啟動時間和關閉時間的要求以及對斜率的限制。當完全了解了計劃周期的整個持續時間中的未來電力需求并且發電機的操作員在發電機被啟動之后對發電機產生多少電力具有完全控制時，可預先確定最優的運轉調度，并且隨著時間的過去而相應地執行。然而實際上，不能完全了解需求。預報中總存在不準確性，并且存在由于未來事件而引起的隨機變化，例如，由于在比預期的更熱的日子里空調器的更高的負載引起。類似地，不能完全了解發電機的輸出。例如，任何發電機都有一定的概率會發生故障。另外，諸如光伏面板和風力發電機這樣的可更新能源的輸出能夠發生極大的變化，這是因為輸出受到不可控的自然力的制約。盡管比如發電機的完全故障那樣嚴重，但可更新能源的變化性每天都會出現，并且更加顯著地影響運轉調度。在過去，一種針對預期需求和供應的偏差進行計劃的實際方法是包括利用調配的發電機的額外發電能力的安全余量，也稱為運轉備用。也就是說，運轉調度計劃了稍高出一些的電力輸出。確定這個安全余量應該是多少以及該安全余量在運轉發電機之間應如何分布并不是一個簡單的問題，并且受到規定制約。有時使用經驗法則來對預期需求提供小的安全余量，例如3%。在其它情況下，電網必須對可能失去最大的發電機的情況進行補償。然而，這種方式大體上是啟發式的，并且當將來可更新的能源變得更普遍時不大可能有用。替代方式是認識到電力需求和發電機供應的不確定性使得該問題成為隨機的(stochastic)，S卩，概率的和隨機的，例如參見美國專利申請 20090292402，“Method&apparatus for orchestrating utility powersupply&demand in real time using a continuous pricing signal sent via a networkto home networks&smart appliances,，，2009 年 11 月 26 日。概率性運轉調度確定能夠適應供應和需求的未來變化的調度方案，并且通過針對全部可能的偶然性進行計劃而隱含地提供安全余量。與這種方式相關聯的明顯困難是如何代表所有這些可能的偶然性，以及如何針對它們做出計劃。一種模型將系統的所有的未來的可能實現(稱為場景(scenario) )組織為場景束的樹。然而，這種用于表示概率性的模型僅限于數量不多的場景，而在實際系統中，未來可由無限種方式實現
發明內容
本發明的實施方式提供一種用于確定在電力的隨機需求和例如諸如光伏面板和風力發電機這樣的可更新能源的不可控發電機的隨機輸出的情況下一組發電機的最優的條件運轉調度的方法。不同于預先固定的常規運轉調度，條件運轉調度依賴于可觀察的隨機變量(需求和輸出)的未來狀態，并且根據對這些變量的觀察結果而得到不同的實際調度。調度明確地提供發電的運轉成本與不能夠滿足未來電力需求的風險之間的平衡。
圖1是根據本發明實施方式的用于針對N個發電機的集合確定最優的條件運轉調度的方法的流程圖；圖2示出了根據本發明實施方式的用于可控和不可控的發電機的前驅狀態和后續狀態；以及圖3示出了根據本發明實施方式的用于計算最優的條件運轉調度的和/或樹。
具體實施例方式如圖1所示，本發明的實施方式提供了一種用于確定在對電力的隨機需求101和發電機的子集的隨機輸出的情況下一組N個發電機100的最優的條件運轉調度150的方法50。發電機向消費者105提供電力。該方法可以在與本領域公知的存儲器和輸入輸出接口相連接的處理器中執行。該方法使用可分解馬爾科夫決策過程(fMDP) 130。該方法的輸入包括隨機性(隨機)的需求dlOl、與發電機有關的變量(諸如運轉成本和限制)102以及風險系數α 103。需求和與發電機有關的變量被用于構建IlOfDMP的狀態和轉變。fMDP的成本函數 還由 變量101至102和風險系數構建120。該方法通過fMDP130來表示包括多個發電機100的發電系統。fMDP表示使用狀態變量的復狀態(complex state)空間和使用動態貝葉斯網絡(DBN) 131的轉變模型。該方法通過使用與/或樹141來解140fMDP，以確定最優的條件運轉調度方案150，參見圖3。馬爾科夫決策過程馬爾科夫決策過程(MDP)可以用于表示一系統，其中狀態隨著時間概率性地演化。通常，通過四元組(X，A, R, P)描述MDP，其中，X是狀態X的有限集，A是動作a的有限集，R是回報函數(reward function),使得如果在狀態x下采取動作a,則R(x, a)代表回報(即，成本);并且P是馬爾科夫轉變模型，其中PU’ X, a)代表如果在狀態X下采取動作a，轉變到狀態X’的概率。MDP可以用于代表發電系統，例如，根據狀態X表示發電機的每一個可能組合、通過動作a表示關于下一時間步長中的發電機的狀態的決策的每一個組合、在狀態X中運轉發電機達當前周期的成本以及根據回報函數R(x，a)在周期的結束處根據動作a切換到發電機的先前狀態X’。為了使得轉變函數成為馬爾科夫型，不通過布爾(開/關)變量表示各個發電機的狀態，而是通過表示發電機被啟動或者關閉的時間步長的數量的多項變量來表示。必須確保符合發電機應被啟動或關閉的最小時間或最大時間有關的運轉限制。
如果發電機應該被啟動至少(或者最多，選更大的)L個時間步長，并且應被關閉至少(或者最多，選更大的)I個時間步長，則該狀態由L+1個值中的一個表達。相應地,包括N個發電機的整個發電系統的狀態可以是(L+1)N個組合中的一個。如果要在M個時間步長上進行計劃，則MDP的狀態|X|的總數量是M(L+1)n。然而，對于大多數實際問題，例如，當L=1=5，N=20，M=24時，X| =24X IO20 0因而，得到的現有的MDP不能夠被解，這是因為已有的用于解MDP的精確方法僅在|X|被限制為幾百萬個狀態時在計算上才是可行的。另外，MDP很難構建和維護。可分解馬爾科夫決策過程因此，根據本發明優選實施方式的方法使用fMDP130。在fMDP中，通過對單個隨機變量的集合X= {Xi，X2,, XJ賦值來隱含地描述過程的狀態的集合，其中每一個狀態變量Xi都具有有限域Dom(Xi)中的值。也就是說，單個狀態X也是賦值的集合{Xl，X2,, XnI，使得 Xi e Dom (Xi)。動態貝葉斯網絡轉變模型可通過DBN131緊湊地表示。DBN表示概率系統，即，發電機，從一個時間步長t到下一個時間步長t+i的演進。如果X= {Xi，X2,, XJ是系統在第一時間步長的前驅狀態，并且X’={x’是系統在下一個時間步長的的前驅狀態，則DBNT具有集合(X1, X2,, Xn, X’ i，X’ 2，...，V J中的2n個隨機變量，通常組織成兩層，即，前驅層和后續層。DBNt的轉變圖可由雙層有向非循環圖來表示，其中節點是2n個隨機變量。在BDNt的圖中的節點X’ i的父節點由父τ (X’ ,)表示。此外，針對變量X’ ,限定了條件概率分布(CPD)，使得CPD僅在父τ (X’ ,) :Ρ τ [X’ J父τ (X’ ,)]中的變量而言是有條件的。
接著，可以將fMDP的整個轉變函數分解成單個變暈
權利要求
1.一種針對發電機的集合確定最優的條件運轉調度的方法，該方法包括以下步驟 由目標電力需求和發電機變量來構建分解馬爾科夫決策過程(fMDP)的狀態和轉變； 基于所述電力需求、所述發電機變量以及風險系數，構建所述fMDP的成本函數；以及 對所述fMDP求解以獲得所述最優的條件運轉調度，其中，上述步驟在處理器中執行。
2.根據權利要求1所述的方法，其中，所述需求是隨機的。
3.根據權利要求1所述的方法，其中，所述發電機的集合包括不可控發電機，其中，各不可控發電機具有隨機的輸出。
4.根據權利要求1所述的方法，其中，所述發電機變量包括所述發電機的數量、成本和運轉所述發電機的限制。
5.根據權利要求1所述的方法，其中，所述fMDP由動態貝葉斯網絡(DBN)表示。
6.根據權利要求1所述的方法，其中，所述求解使用近似動態規劃。
7.根據權利要求1所述的方法，其中，所述fMDP的所述狀態由隨機變量的集合X= (X1, X2,... XJ表示，其中，各個狀態變量Xi具有有限域Dom(Xi)中的值，并且單個狀態x具有賦值集合(X1, X2, · · · , X1J，使得 Xi e Dom (Xi)。
8.根據權利要求5所述的方法，其中，所述DBN表示所述發電機從時間步長t到下一個時間步長t+Ι的演進，并且其中，X= (X1, X2,..., XJ是時間t處的前驅狀態，并且V ={X’ i，X’ 2，···，Χ’ J是時間t+1處的后續狀態。
9.根據權利要求5所述的方法，其中，所述DBN由雙層有向非循環圖表示。
10.根據權利要求1所述的方法，其中，所述fMDP的求解使用與/或樹以及動態規劃。
11.根據權利要求10所述的方法，其中，所述與/或樹的分支被限制為所述可控發電機的適當配置的子集。
12.根據權利要求11所述的方法，其中，所述可控發電機的所述適當配置的子集由所述發電機的優先級列表構建。
13.根據權利要求11所述的方法，其中，所述可控發電機的所述適當配置的子集是通過在需求預期值的周圍對所述需求的變化程度執行確定性調度并觀察在所述最優的條件運轉調度中使用哪些配置而構建的。
14.根據權利要求11所述的方法，其中，通過從總需求中減去全部不可控變量的輸出來計算凈需求。
15.根據權利要求11所述的方法，其中，需求變量是離散的并且僅限為多個可能的離散值。
16.根據權利要求15所述的方法，其中，由離散時間自回歸隨機過程來估計所述凈需求變量的概率性轉變函數。
17.根據權利要求15所述的方法，其中，由連續時間均值反轉隨機過程來估計所述凈需求變量的概率性轉變函數。
全文摘要
通過根據目標電力需求和發電機變量構建可分解馬爾科夫決策過程(fMDP)的狀態和轉變，針對發電機的集合確定最優的條件運轉調度。基于所述電力需求、所述發電機變量和風險系數來構建fMDP的成本函數。接著，對fMDP求解以獲得最優的條件運轉調度。
文檔編號H02J3/00GK103069442SQ20118004129
公開日2013年4月24日 申請日期2011年7月5日 優先權日2010年8月27日
發明者丹尼爾·尼科夫斯基, 張偉紅 申請人:三菱電機株式會社