考虑风电预测误差成本的微网经济调度

2015-05-25 06:09许玉贞詹红霞张瑞冬苑吉河
电气技术 2015年5期
关键词:微网风电调度

许玉贞 詹红霞 张瑞冬 鲁 帆 苑吉河

(1.西华大学电气信息学院,成都 610039;2.重庆市电力公司南岸分公司,重庆 401336)

目前,由分布式电源构成的微网成为一种趋势[1-6],其中经济调度是微网的一项重要内容,有很多研究学者对其进行了大量的研究。微网的经济调度包括静态经济调度和动态经济调度,其中静态经济调度不考虑实时时间段之间的联系,不考虑机组的爬坡约束;而动态经济调度考虑实时时间段之间的内在联系,后者更符合实际情况。本文中建立的模型是微网的动态经济调度的模型。文献[7]的目标函数1 包括发电成本和运行维护成本,目标函数2是污染物对环境影响的成本,通过算例验证分析,得到多目标比单目标的更符合实际情况。文献[8]对燃料费用-发电出力特性模型建立线性模型,对蓄电池的放电模型线性化,并将上述问题转化为混合整数规划法,结果表明该方法的调度结果更为准确。文献[9]建立的是基于机会约束规划的经济调度模型,提出了综合考虑风光波动、负荷预测误差不确定因素建立的机会约束规划模型,并结合具体的算例进行验证分析。对于微网经济调度,建立的目标函数考虑的成本越多,得出的调度结果就更加准确。查阅大量的文献,其中考虑风电预测误差的微网经济调度相对较少。

本文中风电预测误差按照正态分布处理。经济调度的优化模型求解算法有很多,有遗传算法[10],拉格朗日法[11],粒子群算法[10]等算法,本文中采用改进的粒子群算法对模型进行求解。引用文献[12]风电预测误差的产生的备用成本的模型,并对一个由风电、光伏、燃气轮机、内燃机、微型燃气轮机和负荷构成的一个简单的独立的微网算例进行验证分析,建立的目标函数有三个,目标函数1 是发电成本函数,包括燃料成本、运行维护成本,目标函数2 是备用成本函数,目标函数3 是环保成本函数,主要是排放污染物的处理成本。本文以一天为一个周期,在满足功率约束、机组出力约束、爬坡约束等各种约束的条件下,结合具体的微网算例,利用改进的粒子群算法对目标函数进行求解。得到考虑预测误差的、不考虑预测误差的费用曲线,并与实际调度产生的费用曲线作对比,考虑预测误差的费用曲线更接近实际情况;考虑预测误差的一天的总费用为11699 欧元,不考虑预测误差的费用为11234欧元,实际的费用为12107 欧元,从总费用来看,考虑预测误差的更加接近实际情况。

1 风电预测误差[13]

微网经济调度主要是从两个方面来理解,一方面是调度,调度就是机组的出力和分配负荷之间的配合;一方面是经济,经济就是使运行成本、发电成本等最低。影响微网经济调度的因素有很多,其中风电预测误差是重要因素之一。不考虑预测误差的调度结果势必会给微网的运行带来一定的风险,因此考虑预测误差的微网经济调度具有很大的研究价值。

与传统的发电方式相比,风力发电具有无污染、可再生特点,但同时也有间歇性、不稳定性的缺点。风机的出力受气候、地形、风力等的影响。考虑风电预测误差是很有必要的。文献[8]风电预测偏差按照正态分布处理。设Pwav为风机的实际输出功率,Pw为风机的预测输出功率,εw为预测偏差,则

预测偏差εw服从均值为0,方差为σw2的正态分布,其中σw2的大小公式(2)决定。

式中,Pwl为风机的装机容量。

对风电预测误差的正态分布图进行分段,即对上述图形的x轴进行平分,平分成24段,将每一段积分得到的期望值,作为24段的预测误差值。通过计算和查询正态分布表,得到每个时段的预测误差期望值。

2 微网经济调度模型

2.1 目标函数

风电预测误差的存在,会影响到备用容量的确定,本文中引用文献[12]考虑预测误差的备用容量模型,将风电预测误差产生的备用成本加到经济调度的旋转备用的模型中[14],得到考虑预测误差的微网经济调度模型。风电预测误差产生的备用成本包括容量成本和电量成本两个部分。

微网经济调度优化函数如式(3)所示:

式中,f1是m个微电源的燃料成本、运行维护成本,f2是原有的备用成本以及计及风电预测误差产生的备用成本,f3为环保成本。

目标函数1:

f1是m个微电源的燃料成本、运行维护成本,Ci Pi(t)、M i Pi(t)分别为第i个微电源的燃料成本、运行维护成本,其中Ci是燃料成本系数,Mi是运行维护成本系数,Pi(t)是第i个微电源在t时刻的发电功率,m是微电源的总个数,T是调度周期。

目标函数2:

f2是原有的备用成本以及计及风电预测误差产生的备用成本,f21为原有的备用成本,包括两个部分,一部分是容量成本,一部分是电量成本;f22为计及风电预测误差产生的备用成本,也包括两个部分,容量成本和电量成本。

式中,αi为第t小时备用容量的容量费用,P为所购买备用的大小,βi为第t小时调用的容量费用,ρ i为第i个微电源发生故障的概率,Pi t(P)为对第i个微电源在第t小时发生故障且备用容量为P时的备用容量调用量。

式中,fr1为风电预测误差的存在增加的容量成本,fr2为增加的电量成本。

式中,Cr为容量成本价格,Pc(t)为风电预测误差引起的备用容量的增加。

风电预测误差如式子(10):

式中,Pwav和Pw分别是风电的实际输出功率,风电的预测功率。

式中,Cd为第t小时的电量价格,E为风电预测误差大于0 条件下的期望值。

目标函数3:

式中,f3是环保成本,即是各个微电源排放的处理成本。kj为第j种气体的处理价格,Eij为第i微电源第j个气体的排放量,Pi(t)为第i个微电源第t小时的发电功率,n为排放气体的总类数。

2.2 约束条件

功率平衡约束:

式中,Pi为第i机组的发电功率,PD为负荷,Pw和Ps分别是风电预测功率和光伏预测功率。

可控机组的出力约束:

式中,Pimin、Pimax分别是机组i的可输出的最小功率和最大功率。

可控机组的爬坡约束:

式中,Rju、Rjd分别是机组j的向上爬坡速率和向下爬坡速率,Δt为时间长度。

3 改进粒子群算法流程

粒子群算法的基本流程如图1所示。

算例求解步骤:

Step1:确定粒子群大小,维数,初始化粒子群的位置及速度。ω为动态惯性系数,按照式(16)变化,即随着时间线性变化。

式中,ωstart为初始权重;ωend为最终权重;iter为迭代次数;t为仿真次数。

图1 算法流程图

Step2:计算粒子的适应度值。

Step3:对于每个粒子,将其适用度值与当前最优值进行比较,如果较好,则将其作为当前的最佳位置,适应值作为当前最优值。

Step4:根据式(18)、式(19)调整粒子速度和位置。

Step5:没有达到条件则转至第二步。

4 微网算例分析

本文采用的是一个简单的独立的微网进行验证分析,该微网包括风机、光伏发电、燃料电池、内燃机和微型燃气轮机构成的,如图2所示。

图2 微网结构图

分布式电源的运行参数和排放参数参考文献[13]。风力发电和光伏发电几乎是零排放零污染,优先利用风力发电和光伏发电,其次再调用其他机组出力,利用改进的粒子群算法对目标函数进行求解,得到各个机组出力曲线图,如图3所示。

图3 机组出力曲线图

由机组出力图可以看出光伏和风机按最大出力,然后再调用燃料电池,由图可知由于燃料电池成本较低,各个时刻的燃料电池出力较大,其次是内燃机,最后是微型燃气轮机。由图上的18 时,19时,20 时,燃料电池和内燃机都分别达到机组的最大出力,此时微型燃气轮机作为备用机组被调用。

表1是考虑风电预测误差的各种费用及其所占的比例,其中风电预测误差增加的备用成本占总调度费用的2.22%,占总的备用成本的29.63%,从上述数据中可以看出风电预测误差对微网经济调度的影响程度,由此得出考虑风电预测误差对备用成本的影响还是非常有必要的;表2是一天总的成本,考虑预测误差的总成本较接近于实际调度产生的成本费用;从图4中实线是实际调度费用,虚线是考虑预测误差成本的调度费用,点线是不考虑风电预测误差成本的费用曲线,从图中可以看出虚线较为接近实线,即考虑风电预测误差成本的较为接近实际调度情况;从而得到考虑风电预测误差的微网经济调度更接近于实际情况。

表1 考虑风电误差各种费用成本及其所占比例

表2 一天的总的成本费用

图4 成本费用曲线图

5 结论

本文中考虑的风电预测误差对微网经济调度的影响主要体现在对备用成本的影响,在备用成本函数中增加一部分风电预测误差产生的备用成本。通过算例验证得到考虑风电预测误差的微网网经济调度更加接近实际情况,同时验证了算法和模型的有效性。

[1] 陈洁,杨秀,朱兰,等.微网多目标经济调度优化[J].中国电机工程学报,2013,33(19): 57-60.

[2] Hatziargyriou N D,Dimeas A,Tsikalakis A G,et al.Management of microgrids in market environment[C]// International Conference on Future Power: 69:72.ey

[3] Markvart T.Microgrids-power systems for the 21stCentury[J].Refocue,2006,7(4): 44-48.

[4] Hatziargyriou N,Asano H,Iranvani R,et al.Microgrids[J].IEEE Power and Energy Magazine,2007,5(4): 78-94.

[5] Katiraei F,Iravani R,Hatziargyriou N,et al.Microgrids anagement[J].IEEE Power and Energy Magazine,2008,6(3): 54-65.

[6] Markvart T.Microgrids-power systems for the 21stCentury[J].Refocue,2006,7(4): 44-48.

[7] 微网多目标经济调度优化[J].中国电机工程学报,2013,33(19): 57-66.

[8] 别朝红,吴雄,王秀丽,等.微网经济调度问题的混合整数规划方法[J].中国电机工程学报,2013,33(28): 1-6.

[9] 徐宁舟,刘小平,丁明,等.微网系统的动态经济调度,2011,31(31): 77-80.

[10] Hong Y Y,Li C T.Short-term real-power scheduling considering fuzzy factors in an autonomous system using genetic algorithms[J].The Institution of Engineering and Technology,2006,l 53(6): 684-92.

[11] Vladimiro Miranda,Pun Sio Hang.Economic dispatch model with fuzzy wind constraints and attitudes of dispatchers[J].IEEE Trans on Power Systems,2005,20(4): 2143-2145.

[12] 张昭遂,孙元章,李国杰,等.计及风电功率不确定性的经济调度问题求解方法[J].电力系统及其自动化,2011,35(22): 125-128.

[13] 王理.考虑备用及预测误差成本的微网环保经济调度[D].长沙: 长沙理工大学,2012.

[14] 王洪涛,何成明,房光华,等.计及风电预测误差带的调度渐进化优化模型[J].电力系统及其自动化,2011,35(22): 131-134.

猜你喜欢
微网风电调度
《调度集中系统(CTC)/列车调度指挥系统(TDCS)维护手册》正式出版
基于强化学习的时间触发通信调度方法
一种基于负载均衡的Kubernetes调度改进算法
微网换流器可靠性及容错控制研究
虚拟机实时迁移调度算法
海上风电跃进隐忧
分散式风电破“局”
风电:弃风限电明显改善 海上风电如火如荼
基于OMAP-L138的微网控制器设计
重齿风电