A Computational Framework for Uncertainty Quantification and Stochastic Optimization in Unit Commitment With Wind Power Generation

ABSTRACT

We present a computational framework for integrating a state-of-the-art numerical weather prediction (NWP) model in stochastic unit commitment/economic dispatch formulations that account for wind power uncertainty. We first enhance the NWP model with an ensemble-based uncertainty quantification strategy implemented in a distributed-memory parallel computing architecture. We discuss computational issues arising in the implementation of the framework and validate the model using real wind-speed data obtained from a set of meteorological stations. We build a simulated power system to demonstrate thedevelopments.

INTRODUCTION

WIND power is becoming worldwide a significant com- ponent of the power generation portfolio. In Europe,
several countries already exhibit adoption levels in the range of 5%–20% of the total annual demand. In the U.S., an adoption level of 20% is expected by the year 2030 . Such a large-scale adoption presents many challenges to the operation of the electrical power grid because wind power is highly intermittent and difficult to predict. In particular, unit commitment (UC) and economic dispatch (ED) operations are of great importance because of their strong economic impact (on the order of billions of dollars per year) and increasing emissions concerns. Several UC studies analyzing the impact of increasing adoption levels of wind power have been performed recently. In , a security-constrained stochastic UC formulation that accounts for wind-power volatility is presented together with an efficient Benders decomposition solution technique. In , a detailed closed-loop stochastic UC formulation is reported. The authors analyze the impact of the frequency of recommitment on the production, startup, and shutdown costs. They find that increasing the ecommitment frequency can reduce costs and increase the reliability of the system. None of these previous stochastic optimization studies present details on the wind-power forecast model and uncertainty information used to support their conclusions. In and , artificial neural network (ANN) models are used to compute forecasts and confidence intervals for the total aggregated power for a set of distributed wind generators. A problem with empirical (data-based) modeling approaches however, is that their predictive capabilities rely strongly on the presence of persistent trends. In addition, they neglect the presence of spatio-temporal physical phenomena that can lead to time-varying correlations of the wind speeds at neighboring locations.

چکیده

ما یک چارچوب محاسباتی برای ادغام یک مدل پیشرفته پیشبینی آب و هوایی عددی (NWP) در فرمولهای تخصیص تعهدی / تصادفی واحد تصدیق میکنیم که برای عدم قطعیت انرژی باد محاسبه شده است. ابتدا مدل NWP را با یک استراتژی اندازه گیری عدم قطعیت مبتنی بر گروهی که در یک معماری محاسباتی موازنه توزیع شده با حافظه توزیع شده است، افزایش می دهیم. ما در مورد مسائل محاسباتی ناشی از اجرای چارچوب بحث می کنیم و مدل را با استفاده از داده های واقعی سرعت باد که از مجموعه ای از ایستگاه های هواشناسی به دست می آیند، اعتبار می گیریم. ما یک سیستم قدرت شبیه سازی شده برای نشان دادن توسعه می دهیم.

مقدمه

قدرت باد در حال تبدیل شدن به یک عنصر مهم از پروژکتور تولید انرژی است. در اروپا، چندین کشور در حال حاضر سطح پذیرش را در گستره 5٪ -20٪ از کل تقاضای سالانه نشان می دهند. در ایالات متحده، میزان تصویب 20 درصد در سال 2030 انتظار می رود. چنین تصحیح در مقیاس بزرگ چالش های زیادی را برای بهره برداری از شبکه برق ارائه می دهد، زیرا قدرت باد بسیار متناوب و دشوار است. به طور خاص، تعهدات واحد (UC) و عملیات اقتصادی (ED) از اهمیت زیادی برخوردار می باشند (به ترتیب میلیاردها دلار در سال) و افزایش نگرانی های مربوط به انتشار گازهای گلخانه ای. مطالعات متعددی در مورد UC به بررسی تأثیر افزایش سطح اقتباس از قدرت باد در اخیرا انجام شده است. در یک فرمولبندی احتمالی محدودیت امنیتی UC که برای نوسانات باد قدرت مطرح است، همراه با یک روش راه حل تجزیه مناسب Benders ارائه شده است. در یک فرمولبندی UC استوچستم دقیق بسته شده گزارش شده است. نویسندگان، تأثیر بسامد تعهدات را بر هزینه های تولید، راه اندازی و خاموش شدن را تحلیل می کنند. آنها دریافتند که افزایش فرکانس تعهد می تواند هزینه ها را کاهش دهد و قابلیت اطمینان سیستم را افزایش دهد. هیچ یک از این مطالعات بهینه سازی تصادفی قبلی اطلاعاتی درباره مدل پیش بینی قدرت باد و اطلاعات عدم اطمینان مورد استفاده برای پشتیبانی از نتایج آنها ارائه نمی دهد. در مدل های شبکه های عصبی مصنوعی (ANN) برای محاسبه پیش بینی ها و فواصل اعتماد به نفس برای مجموع نیروی جمع شده برای مجموعه ای از ژنراتورهای باد توزیع شده استفاده می شود. با این وجود، مشکلی در رویکرد مدل سازی تجربی (مبتنی بر داده ها) این است که قابلیت پیش بینی آنها به شدت بر روی وجود روند مداوم تأکید دارد. علاوه بر این، آنها از حضور پدیده فیزیکی فضایی و زمانی که منافع زمانه سرعت های باد در مکان های همسایه را می گیرند، اجتناب می کنند.

Year: 2011

Publisher : IEEE

By : Emil M. Constantinescu, Victor M. Zavala, Matthew Rocklin, Sangmin Lee, and Mihai Anitescu