计及用户侧响应的含风电电力系统清洁经济调度

傅利，周步祥，王小红，罗欢，张乐，叶宗斌

（1.四川大学电气信息学院，成都610065；2.国网泉州供电公司，泉州362000）

计及用户侧响应的含风电电力系统清洁经济调度

傅利1，周步祥1，王小红1，罗欢1，张乐1，叶宗斌2

（1.四川大学电气信息学院，成都610065；2.国网泉州供电公司，泉州362000）

由于风电功率波动性大，直接接入电网会给电网安全运行带来很大的风险。为了提高风电并网后系统运行的灵活性，将用户侧响应和系统的旋转备用融入到含风电的电力系统调度计划中。基于准实时电价建立了负荷模型，将柔性负荷作为系统的备用调峰，并考虑了火电机组的排污特性，建立了相应的模型。首先用优先顺序法确定各个时段机组的状态组合，再采用改进的细菌群体趋药性算法对模型进行优化求解。最后，通过一个含风电场的10机系统对模型进行仿真，结果表明所建立的模型具有一定的合理性。

风电调度；准实时电价；柔性负荷；旋转备用；改进的细菌群体趋药算法

风能是一种清洁、可再生能源，在国内外都得到了一定的发展。但是由于风电具有随机性、波动性、间歇性等特点，很难准确地估计出风电的出力，因此限制了风电的广泛应用。风电直接并入电网会给电力系统的安全运行带来影响，要解决此问题，将会导致弃风量很大，不能有效地利用清洁能源。因此，如何解决风电并网的问题和有效利用风电成为当今的两大难题[1-3]。

文献[4]将风电出力惩罚成本计及到经济调度模型中，在目标函数中引入惩罚成本，使优化结果兼顾了风能的利用率和总成本。文献[5]基于极限场景集建立了日前机组组合模型，建立了潮流裕度指标，并评估了该模型的安全性。文献[6]将用电激励、可中断负荷和电价响应融入到用电调度中，建立了发用电一体化的调度模型，但是考虑电价响应时，未建立相应的负荷模型。

本文引入准实时电价，建立了负荷模型，在此基础上，在考虑柔性负荷和系统旋转备用的情况下，兼顾环境保护建立了含风电场经济调度模型，并应用本文的改进细菌群体趋药性算法对模型进行求解，最后，通过一个含风电场的10机系统对所建立的模型进行仿真，以验证模型的合理性。

1 准实时电价下的负荷建模

1.1 准实时电价

准实时电价是供电公司根据第2天24 h的负荷预测和供应电的预测结果，提前1天制定第2天24 h的电价并发布电价信息，用户根据最新的电价信息计划和安排用电情况。

由于分时电价是按峰、谷、平时段划分，时段划分比较长，缺乏灵活性，很难做到精细化的调整，会出现价格策略的引导与实际情况相背离的情况，要解决此问题就对峰谷时段的划分准确度比较高，而我国对峰谷电价的划分还缺乏相应的研究。为了能够更好地达到移峰填谷的效果，本文引入了准实时电价，较分时电价更加灵活，同时可以弥补由于电价的细化程度不足导致的电力需求曲线与供应曲线之间的偏差。

1.2 基于准实时电价的负荷建模

为了更加准确地描述基于准实时电价的负荷模型，本文引入电网负荷率，根据电网负荷率可以确定短周期内负荷的大致变化趋势，制定准实时电价。电网负荷率定义为

式中：η（t）为t段的电网负荷率；L（t）为t段的负荷预测值；L为日的总负荷量，MW。

应用上述电网负荷率的概念可以大致判定负荷的趋势。

若Δη（t）＞1，则t段负荷处于上升趋势；若Δη（t）＜1，则t段负荷处于下降趋势。本文提出根据电网负荷率建立准实时电价模型，定义为

式中：ρ（t）为基于基准电价的准实时电价；α＞0，α、β、γ调整以制定最佳的准实时电价。

本文采用文献[7]中的电力需求价格函数来确定负荷曲线，即电力需求是指数形式的需求曲线，具体的表达式为

式中：y为电力用户的需求量；x为电价；b为需求价格弹性系数，其值为负数；a为待估计参数。

针对上述电力需求价格函数，利用最小二乘估计求解出参数a、b回归模型，求解出准实时电价下的负荷曲线。

2 计及用户侧互动的风电并网电力系统清洁经济调度建模

2．1 目标函数

本文除了考虑准实时电价对风电并网的影响，还考虑柔性负荷对电网调峰的影响。柔性负荷包括可中断负荷、激励负荷两种。可中断负荷是负荷峰时段或风功率谷时段，和用户达成协议，供电公司向用户支付一定的补偿费用，可以中断的负荷，即减少了负荷的需求量，相当于增加了系统的备用容量。激励负荷是在风功率峰时段，用奖金的形式或降低电价的方法激励用户增加用电需求，从而可以减少弃风。柔性负荷具有响应快，经济性高等特点，可以根据用户的意愿改变用电需求，本文将柔性负荷融入到含风电的电力系统调度模型中，为解决风电并网问题提供一种可行的新方法。

基于上述柔性负荷的分析，可中断负荷的补偿成本函数为

式中：ρj为用户减负荷的补偿成本；为负荷用户的状态，=1为用户j的负荷被中断，=0为用户j的负荷未被中断，为t时刻被中断的容量。

激励负荷的激励成本函数为

式中：ρk为用户k订合同时单位激励负荷的激励成本为用户的增减状态，=1为增加用户的负荷，=0为不增加用户k负荷；为在t时刻增加的容量。

风力本身是清洁能源，但是风电并网后风电的预测出力与实际出力存在一定的偏差，为了能够尽量减少弃风量，系统为风电预留了一定的旋转备用容量，本文考虑将风电预测功率的可信度融入到风电旋转备用补偿容量中，系统在时段t内的风电旋转备用容量补偿成本为

随着能源危机及环境污染的加剧，世界各国不断加强对污染排放物的控制。因此，本文将火电机组的排污特性以环境补偿成本的形式表示，在时段t内火电机组的环境补偿成本[8]为

式中：pe为时段t内火电机组单位环境补偿价格；为机组i在时段t内的排放物的质量，可表示为

式中：ai、bi、ci、di为火电机组i的排污特性系数；为机组i在时段t内的输出功率。

火电机组的启停成本[9]为

式中：αi、βi、χi、δi、εi为发电机组i的燃料系数为火电机组i的最小输出功率。

基于上述分析，系统的总运行成本为

式中，T为系统调度的总周期数。

2.2 约束条件

1）系统有功功率平衡等式约束

式中，Lt为实行分时电价后时段t内的拟合负荷。

2）柔性负荷约束

3）系统旋转备用约束

4）火电机组输出功率约束条件

式中，Pi为火电机组i的输出功率。

5）火电机组的爬坡率约束[11]

6）最小启停时间约束

3 改进的细菌群体趋药性算法

3．1 细菌群体趋药性算法的改进

细菌群体趋药性算法BCC（bacterial colony chemotaxisalgorithm）的基本原理见文献[12-14]，传统的算法细菌的移动表现出趋同性，容易陷入局部最优解。本文在原有的基础上做如下几个改进。

1）移动速度上的改进

BCC算法中细菌的移动速度是一个常数，这样容易使细菌陷入局部最优，从而使算法收敛于局部最优解。本文提出时变加速度思想，速度更新公式为

式中：c1和c2为加速度；ω为惯性权因子；xpBi为细菌自身的最佳位置；xgB为菌群的最佳位置；r1和r2为服从均匀分布于[0，1]间的随机数。c1和c2为

式中：c1f、c2f、c1i、c2i为常数，本文取c1f、c2i为2.5，c2f、c1i为0.5。

2）微分进化算子的引入

在细菌群体趋药性算法中引入微分进化算子，增加了细菌种群的多样性，从而避免了陷入局部最优，提高了全局搜索的能力。改进方法是细菌在移动下一步之前，利用式（24）计算出一个新的位置，由于新位置的产生与感知范围无关，所以新位置的随机性比较强，降低了细菌群体的聚集度，提高了算法逃离局部最优的能力。

3.2 模型求解

根据实际问题的需要，在求解优化问题时，受限于机组启停约束，本文针对机组启停状态的决策问题采用优先顺序法[15]来确定机组的启停状态，在寻优机组的最优组合状态时，首先构成机组的优先投入顺序表，随负荷需求动态地决策机组的启停状态，以获得机组状态组合的初始可行解，在满足机组运行的约束条件的基础上，通过对初始可行解进行修正和局部寻优，从而得到机组的组合状态。

得到机组组合状态后，本文应用上述所提出的改进细菌群体趋药性算法对本文的模型进行优化调度，具体流程如下所述。

（1）参数初始化：设置细菌个数N，维度n，精度参数ε，迭代次数t，缩放因子F等，确定准实时电价和其电价下所对应的负荷曲线。

（2）初始化细菌群体的位置：为了使机组出力满足上述约束条件，对细菌群体的位置进行初始化，其初始化公式为

（3）在满足上述的各种约束条件下，选择较合理的调度方案。并计算每个细菌的适应度。

（4）细菌位置的更新：根据上述所引入的差分进化算法在确定第i个细菌t+1代的待选位置以及计算相应的适应度值。

（5）记录并更新当前细菌的最优位置。

（6）判断算法是否达到迭代次数或满足收敛条件，则记录最优结果，迭代结束，否则重复上述步骤。

4 算例分析

以某个地区的风电和火电机组为例来验证本文所提出的模型和算法的正确性。该地区配有容量为800 MW的风电场，10台火电机组，其具体参数参照文献[16]。激励负荷的电价为0.5元/（kW·h），可中断负荷的补偿电价为1元/（kW·h）。风电预测出力的可信度为0.85，火电机组的环境补偿成本为40元/t。准实时电价模型的参数a、b、c分别为1、50、0.5。电力需求响应模型的参数设置为待估计参数a为1 450，电力需求价格弹性系数b为-0.3.细菌个数设置为100，最大迭代次数为200。图1为日前24 h的负荷预测曲线，图2为风电功率预测曲线。

图1 负荷预测曲线Fig.1Curve of load prediction

图2 风电功率曲线Fig.2Curve of wind power prediction

通过求解本文所提出的基于电网负荷率的准实时电价模型可以求解出的电价如图3所示。

图3 准实时电价Fig.3Curve of quasi-real-time price

为了进一步说明准实时电价的实施具有移峰填谷的作用，图4给出了准实时电价前后负荷曲线的对比，从图中可以看出实行准实时电价后，负荷曲线相对比较平滑，与实时电价图相比较，在电价比较低时，负荷需求较原来的负荷需求有所增加，电价比较高时，负荷需求较原来的负荷需求相对比较低。

图4 准实时电价前后的负荷曲线对比Fig.4Comparispon of load curve with and without quasi-real-time price

图5为考虑用户侧响应和未考虑用户侧响应的机组启动台数的对比，从图中可以看出，考虑用户侧响应后机组启动台数曲线相对平稳，这是因为融入准实时电价的影响后，负荷曲线相对比较平稳，减少了机组的频繁启停。

图5 考虑用户侧响应和不考虑用户侧响应的机组启动台数对比Fig.5Comparispon of number of units in operation with and without demand response

应用本文的改进细菌群体趋药性算法求解本文模型，得出火电机组出力情况如图6所示。从图中可以看出，机组7和机组9由于安装了污染物治理装置，具有优良的排污特性，即在相同出力的情况下排污量较小，因此在各个时段的出力基本上都达到了机组的最大出力。

图6 火电机组的各个时段出力图Fig.6Output power of thermal units within each period

图7给出了改进细菌群体趋药性算法与传统的细菌群体趋药性算法的总成本收敛情况的比较图，从图中可以看出，本文算法的收敛速度明显优于传统的细菌群体趋药性算法。

表1给出了在不考虑和考虑风电备用情况下有无融入用户侧互动的成本，从表中可以得出以下结论。

（1）考虑旋转备用后，系统需要增加一定的备用容量以应对风电的随机波动，从而增加了发电机组的成本和启停成本。

图7 改进BCC与BCC算法的成本收敛曲线Fig.7Cost optimization curve of improved BCC and BCC algorithm

表1 不同情况下的成本对比Tab.1Comparison of cost with different cases万元

（2）融入用户侧互动后，一方面是实施准实时电价后起到移峰填谷的作用，另一方面是柔性负荷作为备用需求，有效地降低了因满足不了风电的波动性而被迫启停火电机组的台数，从而使得机组的发电成本和启停成本较无融入用户侧互动时降低了。

考虑准实时电价的基础上，将柔性负荷融入到调度体系中，能够使电力系统运行更加高效，是因为柔性负荷也具有削峰填谷的效果，同时兼顾系统的备用容量，更多地接纳风电，有效减小弃风的风险。

在本文模型中，一方面考虑了用户侧互动，改变了负荷曲线的形状，减少了机组的频繁启停，从而减少了发电成本和启停成本；另一方面在系统经济运行的条件下，排污特性优异的机组调度权大，较好地兼顾了环境保护。

5 结语

本文所建立的模型综合考虑了用户侧和发电侧，在用户侧中引入了准实时电价和柔性负荷，引导用户调整其用电方式，在准实时电价的基础上，建立了相应的负荷模型。发电侧考虑了系统的旋转备用，有效地降低了风电并入电网所带来的影响。同时，还兼顾了环境保护的问题，以对环境补偿的名义对排放污染物进行量化。最后，结合算例应用本文的改进细菌群体趋药性算法对模型进行求解，结果表明本文所建立的模型提高了系统的经济性。

参考文献：

[1]邱威，张建华，刘念，等（Qiu Wei，Zhang Jianhua，Liu Nian，et al）.含大型风电场的环境经济调度模型与解法（Model and solution for environmental/economic dispatch considering large-scale wind power penetration）[J].中国电机工程学报（Proceedings of the CSEE），2011，31（19）：8-16.

[2]王开艳，罗先觉，吴玲，等（Wang Kaiyan，Luo Xianjue，Wu Ling，et al）.清洁能源优先的风-水-火电力系统联合优化调度（Optimal dispatch of wind-hydro-thermal power system with priority given to clean energy）[J].中国电机工程学报（Proceedings of the CSEE），2013，33（13）：27-35.

[3]周玮，孙辉，顾宏，等（Zhou Wei，Sun Hui，Gu Hong，et al）.计及风险备用约束的含风电场电力系统动态经济调度（Dynamic economic dispatch of wind integrated power systems based on risk reserve constraints）[J].中国电机工程学报（Proceedings of the CSEE），2012，32（1）：47-55.

[4]董晓天，严正，冯冬涵，等（Dong Xiaotian，Yan Zheng，Feng Donghan，et al）.计及风电出力惩罚成本的电力系统经济调度（Power system economic dispatch considering penalty cost of wind farm output）[J].电网技术（Power System Technology），2012，36（8）：76-80.

[5]高红均，刘俊勇，魏震波，等（Gao Hongjun，Liu Junyong，Wei Zhenbo，et al）.基于极限场景集的风电机组安全调度决策模型（A security-constrained dispatching model for wind generation units based on extreme scenario set optimization）[J].电网技术（Power System Technology），2013，37（6）：1590-1595.

[6]王卿然，谢国辉，张粒子（Wang Qingran，Xie Guohui，Zhang Lizi）.含风电系统的发用电一体化调度模型（An integrated generation-consumption dispatch model with wind power）[J].电力系统自动化（Automation of Electric Power Systems），2011，35（5）：15-18，30.

[7]何永秀，王怡，黄文杰，等（He Yongxiu，Wang Yi，Huang Wenjie，et al）.电力需求价格弹性与系统最优备用的关系（Electricity price elasticity and optimal system reserve）[J].电力需求侧管理（Power Demand Side Management），2003，5（5）：20-23.

[8]袁铁江，晁勤，吐尔逊·伊不拉音，等（Yuan Tiejiang，Chao Qin，Tuerxun·Yibulayin，et al）．电力市场环境下含风电机组的环境经济调度模型及其仿真（An environmental/economic dispatch model for power grid containing wind power generation units and its simulation in electricity market environment）[J]．电网技术（Power System Technology），2009，33（6）：67-71．

[9]卢锦玲，苗雨阳，张成相，等（Lu Jinling，Miao Yuyang，Zhang Chengxiang，et al）.基于改进多目标粒子群算法的含风电场电力系统优化调度（Power system optimal dispatch considering wind farms based on improved multiobjective particle swarm algorithm）[J].电力系统保护与控制（Power System Protection and Control），2013，41（17）：25-31.

[10]刘静，罗先觉（Liu Jing，Luo Xianjue）.处理梯级水电站复杂约束的短期水火电系统环境经济优化调度（Shorttermoptimalenvironmentaleconomichydrothermal scheduling based on handling complicated constraints of multi-chain cascaded hydropower station）[J].中国电机工程学报（Proceedings of the CSEE），2012，32（14）：27-35.

[11]张步涵，邵剑，吴小珊，等（Zhang Buhan，Shao Jian，Wu Xiaoshan，et al）.基于场景树和机会约束规划的含风电场电力系统机组组合（Unit commitment with wind farms using scenario tree and chance-constrained programming）[J].电力系统保护与控制（Power System Protection and Control），2013，41（1）：127-135.

[12]陈继明，王元元，高艳亮（Chen Jiming，Wang Yuanyuan，Gao Yanliang）.基于改进细菌群体趋药性算法的配电网无功优化（Reactive power optimization of distribution network based on improved bacterial colony chemotaxis algorithm）[J].电力系统保护与控制（Power System Protection and Control），2012，40（14）：97-102.

[13]李学福，胡高峰，冯光（Li Xuefu，Hu Gaofeng，Feng Guang）.基于细菌群体趋药性算法的配电网无功补偿优化（Reactive power compensation of distribution network based on bacterial colony chemotaxis algorithm）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2013，25（1）：130-135.

[14]李秀卿，孙守鑫，张超，等（Li Xiuqing，Sun Shouxin，Zhang Chao，et al）.基于改进细菌群体趋药性算法的无功优化（Reactive power optimization based on the improved bacterial colony chemotaxis algorithm）[J].电力系统保护与控制（Power System Protection and Control），2011，39（8）：56-59.

[15]李茜，刘天琪，李兴源（Li Qian，Liu Tianqi，Li Xingyuan）.大规模风电接入的电力系统优化调度新方法（A new optimized dispatch method for power grid connected with large-scale wind farms）[J].电网技术（Power System Technology），2013，37（3）：733-739.

[16]袁铁江，晁勤，吐尔逊·伊不拉音，等（Yuan Tiejiang，Chao Qin，Tuerxun·Yibulayin，et al）.大规模风电并网电力系统动态清洁经济优化调度的建模（Optimized economic and environment-friendly dispatching modeling for large-scale wind power integration）[J].中国电机工程学报（Proceedings of the CSEE），2011，30（31）：7-13.

Environment-friendly and Economic Dispatching with Wind Farms Integration and Demand Response

FU Li1，ZHOU Bu-xiang1，WANG Xiao-hong1，LUO Huan1，ZHANG Le1，YE Zong-bin2
（1.School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China；2.Quan Zhou Power Supply company，Quanzhou 362000，China）

Because the wind power is fluctuation，and it can bring about great risk to the safety of power grid if it directly connects to the power grid.In order to improve the flexibility of power grid operation，this paper consider the system spinning reserve and demand response into the wind power system dispatch plan.The load model is constructed based on the real-time price.This paper establishes the power system dispatch model according to flexible peak load regulation and the thermal power unit's pollution discharge characteristics.Firstly，the priority method is utilized to determine the units'state of each time.Secondly，the improved bacterial colony chemotaxis algorithm is used to solve the model.Finally，the system which contains wind farm and 10 thermal units verifies the model and the simulation results indicate that the proposed schedule has certain rationality.

wind power dispatch；quasi-real-time price；flexible load；spinning reserve；improved bacterial colony chemotaxis algorithm

TM734

A

1003-8930（2014）12-0074-06

傅利（1989—），女，硕士研究生，主要从事调度自动化及计算机信息处理方面的研究工作。Email：1004133369@qq. com

2014-04-30；

2014-06-25

周步祥（1965—），男，博士，教授，主要从事电力系统自动化、计算机应用等方面的研究工作。Email：hiway_scu@126. com

王小红（1988—），男，硕士研究生，主要从事调度自动化及计算机信息处理方面的研究工作。Email：554983430@qq. com