范振亚,李亮亮,韩宛辰,蒋海龙, 刘伟东
(1.华北电力大学 电气与电子工程学院,河北 保定 071003;2.中国电力工程顾问集团东北电力设计院有限公司,长春 130021;3.内蒙古电力(集团)有限责任公司呼和浩特供电局,呼和浩特 010050)
计及风电不确定性的环境经济调度研究
范振亚1,李亮亮1,韩宛辰2,蒋海龙3, 刘伟东1
(1.华北电力大学 电气与电子工程学院,河北 保定 071003;2.中国电力工程顾问集团东北电力设计院有限公司,长春 130021;3.内蒙古电力(集团)有限责任公司呼和浩特供电局,呼和浩特 010050)
针对风电不确定性给电网带来的有功功率优化分配方面的调度问题,笔者根据机会约束规划理论,建立了包含经济目标及污染物排放量目标的环境经济调度模型。该模型综合考虑了环境影响及风电不确定性对系统经济成本的影响,将风电不确定性引起的备用容量惩罚成本及弃风引起的弃风成本引入到经济目标函数中,通过基于动态交换和密度距离的粒子群算法对模型进行求最优解。算例分析结果表明,该模型下火电机组的出力变化趋势与负荷的变化趋势相同,能较好地处理 风电的不确定性问题,很好地控制污染物的排放量。
环境经济调度;机会约束;风电运行价值;环境成本
目前,风电的不确定性和波动性影响了电力系统的安全稳定运行[1-8],所以含风电场的电力系统优化调度成为当前调度的研究重点。文献[9-11]将火电机组的排污特性引入环境污染惩罚项,提出了火电机组名义环境补偿成本及风电弃风成本;文献[11-15]研究了风电场电力系统调度的影响因素,建立了火电和风电的运行成本模型,提出风电场备用容量补偿成本,并基于Monte-Carlo模拟的方法处理机会约束条件。但上述这些研究都有一定的局限性,没有全面考虑环境影响及风电不确定性对系统经济成本的影响。本文基于机会约束规划建立多目标环境经济调度模型,在经济目标函数中考虑了传统火电机组的运行成本和风电的广义运行成本的影响,在目标函数中考虑了3种污染物的排放量限制,用基于动态交换和密度距离的多目标粒子群算法群求解非支配集,最后得到最优解。
1.1 建立经济目标函数模型
本文的经济目标函数包括两部分,分别为火电机组运行成本和风电机组运行成本。
1) 火电机组需要考虑煤耗成本及启停费用,故运行成本函数为
(1)
式中:T为日调度总时段数,取24;Nt为火电机组总台数;uit为第i台火电机组在t时刻的启停状态,uit=1时表示该机组为运行状态,uit=0时表示该机为停运状态;ai、bi、ci为第i台火电机组煤耗量成本系数;PGit为第i台火电机组在t时刻的输出功率;Sit为第i台火电机组t时刻的启停费用。
2) 风电场的运行成本包括3部分:正常运营成本、旋转备用容量惩罚成本和弃风成本。
第j个风电场在t时刻的运营成本为
FSjt=KSjtPWSjt
(2)
式中:KSjt为第j个风电场出力在时刻t的运营价格;PWSjt为第j个风电场在时刻t的计划调度出力。
第j个风电场在t时刻的旋转备用容量补偿成本为
FFjt=KFjt(1-Ejt)PWSjt
(3)
式中:KFjt为第j个风电场在t时刻的备用容量价格;Ejt为第j个风电场预测出力在t时刻的可信度。
第j个风电场在t时刻的弃风成本为
(4)
式中:PWFjt为第j个风电场t时刻的预测出力;
KNjt为第j个风电场t时刻的弃风容量价格。
风电场总运行成本为
(5)
式中Nw为风电场总数。
根据以上分析,经济目标函数的建立采取机会规划的形式为
(6)
1.2 建立污染物排放量目标函数模型
常规火电机组运行过程中会产生大量污染环境的气体,其中主要以碳化物(如CO2)、硫化物(如SO2)、氮化物(如NO1、NO2等)为主[16]。各种污染物的排放量不同,且环保部门对各污染物排放量的要求及处理方法也不同。在此以一定的权重系数考虑污染物的排放量:
(7)
式中:f2为污染物排放量目标函数;aico2、bico2、cico2为第i台火电机组CO2排放量系数;aiso2、biso2、ciso2为第i台火电机组SO2排放量系数;qiNOx、biNOx、ciNOx为第i台火电机组氮化物排放量系数;ei、di、hi为第i台火电机组CO2、SO2、氮化物排放量的权重系数;α2为置信水平。
1.3 建立约束条件模型
功率平衡约束为
(8)
式中:Plt为系统t时刻的负荷值。
机组出力约束为
PGmini≤PGit≤PGmaxi
(9)
机组爬坡率约束为
-Rdi≤PGit-PGi(t-1)≤Rui
(10)
式中:Rdi、Rui为第i台机组正、负爬坡率约束值。
正旋转备用容量约束为
(11)
PGmaxit=min{PGmaxi,PGi(t-1)+Rui}
(12)
负旋转备用容量约束为
(13)
PGminit=max{PGmini,PGi(t-1)-RWSjt}
(14)
式中:PGmaxi、PGmini为第i台火电机组的最大、最小出力;PGmaxit、PGminit为第i台火电机组在t时刻的最大、最小出力;Rui、Rdi为第i台机组正、负爬坡率约束值;Khup为系统负荷的正波动系数;KWjup、KWjdown为第j个风电的正、负旋转备用系数;β1、β2为事先给定的置信水平。
机组启停时间约束为
(15)
2.1 基于随机模拟方法处理约束条件
对于式Pr{gi(x,ξ)≤0;i=1,2,…,p}≥α所示的一般形式的机会约束,可以使用随机模拟技术来检验其是否成立。
具体步骤如下:
1) 设置M=0。
2) 根据随机向量ξ的概率分布函数,产生随机变量ξj。
3) 若gi(x,ξj)≤0;i=1,2,…,p;则M=M+1。
4) 把2)和3)重复N次。
5) 若M/N≥α成立,则模拟成功,否则放弃原有抽样,重新模拟。
2.2 基于随机模拟方法处理目标函数
具体步骤如下:
1) 根据随机向量ξ的概率分布函数,产生N个独立的随机变量设置ξ1、ξ2…ξN。
2) 将ξ1、ξ2…ξN代入f(x,ξ),进行计算,得到目标值序列{f1,f2,…fN}。
3) 设置M为βN的整数部分。
2.3 多目标粒子群算法
对于本文多目标优化问题,利用改进的粒子群算法求解。首先应用基于动态交换和密度距离的多目标粒子群算法群求解非支配集,然后在非支配集中寻找最优粒子时,利用文献[17]提出的模糊满意度法求出最优粒子,即模型的最优解。
动态交换过程是指利用适应度支配的概念将粒子群分成支配集和非支配集,每次仅更新支配集粒子的速度和位置,将支配集中的优秀粒子和非支配集中的粒子交换,保证非支配集中的粒子靠近Proteto前沿,具体的动态交换的过程参考文献[18]。
为了避免粒子群算法过早的陷入局部最优,增强算法的寻优能力,选取非支配集中密度距离最大的粒子作为速度更新中的全局最优解,密度距离[18]可以表示为
(16)
在非支配集中寻找最优的粒子作为模型的解,假设非支配集中粒子的数量为n,模型中有两个目标函数,则可以得到优化问题的目标特征矩阵为
(17)
式中fij为非支配集中的粒子j对应的目标函数i的值。
目标函数特征矩阵做归一化处理,从而得到矩阵U:
(18)
而
(19)
式中:uij为第j个粒子对应的第i个目标函数的归一化值,值越大,相应的目标函数值越小,解的性能越好,i=1,2;j=1,2,…,n。
设权系数转换矩阵为
(20)
非支配集中的粒子的满意度指标为
D=SU=[D2D2…Dn]
(21)
求解,式(21)最大的粒子即为多目标问题的最优解。
3.1 风电场和火电机组参数
本文对某区域电网进行算例分析,该区域包括10台火电机组[19]和3个风电场[8],决策周期取24 h。各时段预测出力可信度取0.85,营运价格为550元/MW,旋转备用容量惩罚价格为115元/MW。取1号风电场弃风容量价格为500元/MW,取2、3号风电场弃风容量价格为550元/MW。系统在各时段(1h)的负荷值如表1所示。
3.2 算例结果分析
按表1参数进行计算,机会约束置信度都取0.95,可得3个风电场的调度出力,如表2所示。火电机组各时段(1h)调度出力结果如表3所示。
表1 系统在各时段的负荷
从表3可以看出,本文调度模型下火电机组的出力变化趋势与负荷的变化趋势相同,证明了该模型的有效性。由于允许风电场弃风及火电机组启停时间的约束,有效地限制了火电机组的启停机,减少了机组启停费用。传统单目标调度模型与本文多目标调度模型的经济性及污染物排放量的数据比较如表4所示;不同置信水平下数据的比较如表5所示。
表2 电场在不同时段的调度出力结果
表3 火电机组在不同时段的调度出力结果
表4 不同调度方案的数据比较
从表4可以看出,本文的多目标调度模型中考虑了污染物排放量限制,这使得在满足系统负荷及约束条件的情况下经济性有所下降,但污染物的排放量得到很好地控制。
表5 不同置信水平的数据比较
从表5可以看出,随着置信水平的提高,为了减小风险而达到可信度水平,要不断增加旋转备用容量,提升经济成本。
1) 多目标调度模型能够很好地控制污染物的排放量,保证了系统经济性,降低了污染物排放量。
2) 置信水平的高低决定系统可靠性的大小。置信水平越高,可靠性越高,需要的旋转备用容量越多,有利于现场调度。
[1] 孙元章,吴俊,李国杰,等.基于风速预测和随机规划的含风电场电力系统动态经济调度[J].中国电机工程学报,2009,29(4):41-47. SUN Yuanzhang, WU Jun, LI Guojie, et al. Dynamic economic dispatch considering wind power penetration based on wind speed forecasting and stochastic programming [J]. Proceedings of the CSEE, 2009,29(4):41-47. [2] 张粒子,周娜,王楠.大规模风电接入电力系统调度模式的经济性比较[J].电力系统自动化,2011, 35(22):105-110. ZHANG Lizi, ZHOU Na, WANG Nan. Economic comparison for different generation scheduling with large scale wind power connected power system [J]. Automation of Electric Power Systems, 2011, 35(22):105-110.
[3] 王彩霞,乔颖,鲁宗相.考虑风电效益的风火互济系统旋转备用确定方式[J].电力系统自动化,2012, 36(4):16-21. WANG Caixia, QIAO Ying, LU Zongxiang. A method for determination of spinning reverse in wind-thermal power systems considering wind power benefits [J]. Automation of Electric Power Systems, 2012, 36(4):16-21.
[4] 刘文颖,文晶,谢昶,等.基于源荷互动的含风电场电力系统多目标模糊优化调度方法[J].电力自动化设备,2014,34 (10):56-64. LIU Wenying, WEN Jing, XIE Chang, et al. Multi-objective fuzzy optimal dispatch based on source-load interaction for power system with wind farm [J]. Power System Automation Equipments, 2014,34 (10):56-64.
[5] WENCHUAN W, JIANHUA CHEN, BOMING ZHANG,et al. A Robust Wind Power Optimization Method for Look-Ahead Power Dispatch[J]. IEEE Transactions on Sustainable Energy, 2014,5(2): 507-515.
[6] 王开艳, 罗先觉, 吴玲, 等. 清洁能源优先的风-水-火电力系统联合优化调度[J]. 中国电机工程学报, 2013, 33(13): 27-35. WANG Kaiyan, LUO Xianjue, WU Ling, et al. Optimal dispatch of wind-hydro-thermal power system with priority given to clean energy [J]. Proceedings of the CSEE, 2013, 33(13): 27-35.
[7] 苏鹏,刘天琪,李兴源. 含风电的系统最优旋转备用的确定[J].电网技术,2010,34(12):158-162. SU Peng, LIU Tianqi, LI Xingyuan. Determination of optimal spinning reserve of power grid containing wind [J]. Power System Technology, 2010,34(12):158-162.
[8] 刘德伟,郭剑波,黄越辉,等. 基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度[J].中国电机工程学报,2013,33(16): 9-15. LIU Dewei, GUO Jianbo, HUANG Yuehui, et al. Dynamic economic dispatch of wind integrated power system based on wind power probabilistic forecasting and operation risk constraints [J]. Proceedings of the CSEE, 2013,33(16): 9-15.
[9] 胡庆有. 含大规模风光互补电力的电力系统动态经济调度研究[D]. 成都:西南交通大学,2010. HU Qingyou. The Research on dynamic economic dispatch of power system containing large scale wind-photovoltaic power [D]. Chengdu: Southwest Jiaotong University, 2010.
[10] 袁铁江,晁勤,吐尔逊.伊不拉音,等.大规模风电并网电力系统动态清洁经济优化调度的建模[J].中国电机工程学报, 2010, 30(31):7-13. YUAN Tiejiang, ZHAO Qin, TUERXUN Yibulayin, et al. Optimized economic and environment-friendly dispatching modeling for large-scale wind power integration [J]. Proceedings of the CSEE, 2010, 30(31):7-13.
[11] 周玮,彭昱,孙辉,等.含风电场的电力系统动态经济调度[J].中国电机工程学报,2009,29(25):13-18. ZHOU Wei, PENG Yu, SUN Hui, et al. Dynamic economic dispatch in wind power integrated system [J]. Proceedings of the CSEE, 2009,29(25):13-18.
[12] 袁铁江,晁勤,吐尔逊.伊不拉音,等.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[J].电网技术,2009,33(6): 67-71. YUAN Tiejiang, ZHAO Qin, TUERXUN Yibulayin, et al. An environmental/economic dispatch model for power grid containing wind power generation units and its simulation in electricity market environment [J]. Power System Technology, 2009,33(6): 67-71.
[13] 赵晋泉,唐洁,罗卫华,等.一种含风电电力系统的日前发电计划和旋转备用决策模型[J].电力自动化设备,2014,34(5): 21-27. ZHAO Jinquan, TANG Jie, LUO Weihua, et al. Day-ahead generation scheduling and spinning reserve decision-making model for power grid containing wind power [J]. Electric Power Automation Equipment, 2014,34(5): 21-27.
[14] 赵书强,王扬,徐岩. 基于风电预测误差随机性的火储联合相关机会规划调度[J].中国电机工程学报,2014,34(S1):9-16. ZHAO Shuqiang, WANG Yang, XU Yan. Dependent chance programming dispatching of integrated thermal power generation and energy storage system based on wind power forecasting error [J]. Proceedings of the CSEE, 2014,34(S1): 9-16.
[15] 姜欣,陈红坤,熊虎,等. 基于预测误差不确定性的规模化间歇式电源机组组合研究[J].电网技术,2014,38(9):2455-2460. JIANG Xin, CHEN Hongkun, XIONG Hu, et al. A prediction error uncertainty based day-ahead unit commitment of large-scale intermittent power generation [J]. Power System Technology, 2014,38(9):2455-2460.
[16] 贾文昭,康重庆,李月,等.基于日前风功率预测的风电消纳能力评估方法[J].电网技术,2012,36(8):69-75. JIA Wenzhao, KANG Chongqing, LI Yue, et al. Evaluation on capability of wind power accommodation based on its day-ahead forecasting [J]. Power System Technology, 2012,36(8):69-75.
[17] 吴杰康, 唐力. 含不确定性负荷的水火电力系统随机优化调度[J]. 中国电机工程学报, 2012,32(28):36-43. WU Jiekang, TANG Li. Stochastic optimization scheduling method for hydrothermal power systems with stochastic loads [J]. Proceedings of the CSEE, 2012,32(28):36-43.
[18] 金欣磊.基于PSO的多目标优化算法研究及应用[D].杭州:浙江大学,2006. JIN Xinlei. Study and application of multi-objective optimization algorithm based on PSO [D]. Hangzhou: Zhejiang University, 2006.
[19] 盛四清, 孙晓霞. 考虑节能减排和不确定因素的含风电场机组组合优化[J]. 电力系统自动化, 2014, 38(17): 54-59. SHENG Siqing, SUN Xiaoxia. Unit commitment optimization containing wind farms considering energy saving, emission reduction and uncertainties [J]. Automation of Electric Power Systems, 2014, 38(17): 54-59.
(责任编辑 侯世春)
Research on environmental economic dispatch considering wind power uncertainty
FAN Zhenya1, LI Liangliang1, HAN Wanchen2, JIANG Hailong2, LIU Weidong1
(1. Electrical Engineering College of NCEPU, Baoding 071003, China; 2. China Power Engineering Consulting,Changchun 130021, China; 3. Hohhot Power Supply Bureau of Inner Mongolia Power (Group) Co., LTD., Hohhot 010050, China)
Aiming at the dispatching problems of active power distribution in power grid brought by wind power uncertainty, the author established environmental economic dispatch model considering the economic target and the target of pollution emission amount. The backup capacity penalty cost caused by wind power uncertainty and the wind curtailment cost were brought in the economic target function by the model, considering the impact of environment and wind power uncertainty on system economic cost, which was solved by particle swarm algorithm based on dynamic exchange and density distance to acquire the optimum solution. The example results show that the change trend of thermal power unit output and load are the same. It is proved that the model is able to contorl wind power uncertainty and pollution emission amount.
environmental economic dispatch; chance constrained; operation value of wind generation; environment cost
2015-05-20。
范振亚(1990—),男,在读研究生,研究方向为新能源的运行与调度。
TM73
A
2095-6843(2015)06-0477-06