张坤亚 马 平 赵世文 张洪瑀
(1. 青岛大学,山东 青岛 266071;2淄博供电公司,山东 淄博 255000)
含风电场的电力系统环保经济调度
张坤亚1马 平1赵世文2张洪瑀1
(1. 青岛大学,山东 青岛 266071;2淄博供电公司,山东 淄博 255000)
随着人们的环保意识逐渐提高,电力行业中的环保问题日益受到人们的重视。基于此,将电力生产过程中环境污染问题量化为环境成本计入经济调度的总成本中,同时针对风能的间歇性、不确定性给电力系统带来的影响,引入了低估和高估风电出力的成本,建立了含风电场的电力系统环保经济调度模型。以某地区24h负荷数据为参考,通过多种群遗传算法分析了计入环境成本的调度模型对电力系统购电成本、火电排污量的影响,仿真结果验证了模型的可行性以及有效性。
风电;环境成本;经济调度;多种群遗传算法
随着人类能源消费量的大幅增长,能源开发利用带来的环境问题日益突出,主要表现在化石能源燃烧带来的包括温室气体、有毒气体等排放[1]。而电力行业作为能源消费的主力之一,正在大规模调整其能源消费结构以及大力发展可再生能源发电。风电作为一种重要的可再生能源,得到了迅速的发展[2]。然而在现有的电力市场机制下,电力系统经济调度模型少有考虑环境成本,而风电的优势之一就是它的清洁性,这间接导致风电的竞争力降低。文献[3]提出了为促进风电的发展,应考虑火电生产的环境污染和能源消耗等外部成本,让风电的优势在电力系统购电成本中客观的反映出来。
目前,国内外对于风电并网的电力系统动态经济调度的研究还处于起步阶段,研究成果相对较少。文献[4]为保障含风电场的系统的安全性和稳定性,在调度模型中引入了正负旋转备用约束以及风机的爬坡容量约束,并根据旋转备用约束的容量大小确定风电机组的计划出力,实现风电场的出力最大化,同时确保了系统的安全性,这种建模是通过预留100%的备用容量确保系统的稳定性,过于保守,缺乏经济性。文献[5]为使调度结果能够表达决策者的意愿,建立了基于模糊理论的电力系统动态经济调度模型,从而更好地适应风机输出功率的随机性,这种建模对决策者的主观意识依赖性太强,缺乏对事物的客观性评价。文献[6-7]根据风速概率模型,通过公式转换得出风电出力的概率模型,并以此分析由预测不准确而产生的正、负备用成本以及弃风的惩罚成本,通过在目标函数中引入惩罚成本,使优化结果充分的考虑风能的随机性和波动性。本文在以上研究的基础上,考虑了风电运行维护成本,以及高估和低估风电的成本,同时在传统火电购电成本的基础上加入了环境成本,并将环境成本的定价以风电平均成本为参考,建立了计及环境成本的含风电场电力系统动态经济调度模型。
对电力系统动态经济调度问题的求解方法主要包括拉格朗日法松弛法、直接搜索法等传统算法和遗传算法、进化规划算法、粒子群算法等启发式人工智能算法[8-10],本文基于多种群遗传算法(multiple population genetic algorithm, MPGA),通过Matlab工具箱,以一个含有5个火电机组和一个风电场的系统作为算例,对所提出的模型进行仿真分析,验证了模型的合理性及有效性。
根据大量的风电场风速数据可知,风速的概率模型通常服从正态分布。而Weibull分布的风速模型能更好的拟合风速变化,它是对风速进行统计学描述,可以对一个地方的风能资源进行评估,其分布函数为
式中,v为风速;c为尺度参数;k为形状参数。
由于风能的不确定性,风力发电的功率随风速的变化而变化,因此在不考虑空气密度等非线性因素前提下,风电机组的出力可近似用一次分段函数表示:
式中,pw.i为第i个风机的输出功率;pwr.i为风机i的额定装机容量;v为实际风速;vin为切入风速;vout为切出风速;vr为额定风速。
所以,pw.i在(-∞,+∞)上的概率分布函数可以表示为
2.1 火电成本建模
1)传统经济调度的发电成本主要包括燃料成本、维护成本、运行成本、一次性投资成本等,可以表示为
2)从环境保护的角度来看,传统的火力发电不但消耗大量的化石能源,而且还会向大气中排放包括CO、CO2、氮氧化物、硫化物等气体,造成严重环境污染。系统的污染物排放量目标函数表示为[12]
3)考虑环境成本的环保经济调度的目标函数为
式中,Fh( t)为t时刻火电机组的环保发电的总成本;N表示火电机组个数;k为火电厂排污的环境成本系数,使得火电的污染物排放和燃料消耗一样,具有实际成本,将电力系统调度过程中火电运行成本和排污量这一对矛盾目标转化为单目标优化。
2.2 风电成本建模
随着风电装机容量不断增大,风电预测的不确定性对电力系统造成的经济损失不容忽视。针对这种经济损失,本文考虑高估风电出力的成本和低估风电出力的成本,并作了如下定义。
1)当风电场的计划出力pwp大于实际可发出力pw时。为满足负荷需求,在pwp完全上网的同时,还需要开启备用机组补足预测误差导致的电能缺口。由备用机组产生的额外费用称为高估风电出力的成本。
2)风电场的计划出力也可能小于实际可发出力,即pwp<pw。当风电场容量较大时,如果按pw完全上网,就有可能给电网带来安全问题。这种情况,系统的应对措施一般有两种:①入网的风电规模较小时,可压缩火电机组出力来达到系统的能量平衡;②当风电大规模入网时,通常对风电出力超出部分进行弃风处理。所以风电场在按照计划出力pwp发电上网的同时,需要对风电场因弃风而造成的经济损失,或火电机组为风电上网做出的让步作一定的经济补偿。由此产生的补偿成本称为低估风电出力的成本。
根据以上分析,本文的风电成本模型在风电场的建设成本、运行维护成本的基础上,加入了低估和高估风电出力的成本[11]。
式中,Fw(t)为t时刻风电机组总发电成本;μ为风电机组的建设、运行维护成本系数,也表示为风电场发电成本;pwp(t)为风电场的计划发电量;kov为高估风电出力的惩罚成本系数;kun为低估风电出力的惩罚成本系数;pov(t)为风电出力被高估的数学期望,pun(t)为风电出力被低估的数学期望。
对于式(7)中风电出力被高估、低估的数学期望pov(t)、pun(t),在求取过程中需用到式(3)的导函数,即pw在其定义域上概率密度函数,所以令f(pw)表示为F(pw)在pw∈(0,pwr)上的导函数,并在单位时间内对这两种情况进行分析[7]。
(1)若风电的实际出力pw=0时,则风电出力被高估的数学期望为
若风电的实际出力pw∈(0,pwp)时,则风电出力被高估的数学期望为
所以风电出力被高估的数学期望pov可表示为
(2)若风电的实际出力pw=pwr,此时的风电出力被低估的数学期望为
若风电的实际出力pw∈(pwp,pwr),此时的风电出力被低估的数学期望为
所以风电出力被低估的数学期望pun可表示为
2.3 约束条件
系统的有功平衡约束
式中,PL( t)为t时刻系统总负荷。
发电机最大和最小出力约束
式中,ph.i,min、 ph.i,max分别为火电机组的最小与最大输出功率;pwr.i风电机组的额定输出功率。
火电机组爬坡速率约束为
式中,dT、uT分别为火电机组最大下、上爬坡速率。
遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应的搜索最优解算法。随着遗传算法的应用越来越广泛,其许多不足与缺陷也逐渐显露出来,比如未成熟收敛问题。为解决遗传算法容易在大规模计算中出现未成熟收敛问题,MPGA在标准遗传算法(simple genetic algorithm,SGA)基础上引入了移民策略和精英策略,突破仅靠单个种群进行进化的框架,使多个种群在不同的约束条件下同时进行优化搜索,实现不同的搜索目的。本文直接以火电经济调度成本最优为目标函数,搜索各机组的每个时段最优发电量。
3.1 初始化种群
本文以种群中个体变量代表常规机组的出力值,每个体变量的维数设为5,第i维变量代表第i台火电机组的出力值,个体在设定的机组出力极限约束条件下随机生成。每个种群中个体变量数量为100,种群数量为5,各种群的交叉、变异概率分别在[0.6, 0.9]、[0.001, 0.05]中随机产生,选择概率为0.9,最大遗传代数设为500。
3.2 适应度评估
适应度是用来区分种群个体的优良的标准,本文是要求得目标函数的最小值,所以本文将目标函数值与约束条件越线惩罚函数之和倒数作为个体的适应度值,在这样设定的约束条件下,目标函数值越小,适应度值越大,个体越优[6]。
式中,Ff(t)为适应度值;Pcon(t)为约束条件越线惩罚函数;δ为罚因子。
3.3 进化步骤
MPGA的各种群是相对独立的,而进行SGA进化计算时,又通过移民算子相互联系,移民算子定期的将各种群SGA进化的最优解引入其他种群中,将目标种群的最劣解替换成源种群的最优解,实现各种群之间的信息联系。同时在每一代的进化时,通过人工选择算子在各种群中选出最优个体,并保存至精华种群。精华种群不同于其他种群,为使保存的最优个体完整无损,精华种群并不进行遗传进化操作。当精华种群中的最优个体保存的代数达到设定的最小保存代数(本文设为10)时,或最大迭代数达到500,终止迭代并将当前精华群体中的最佳个体作为所求问题的最优解输出。多种群遗传算法进化流程如图1所示。
图1 多种群遗传算法进化结构图
本文采用IEEE-30节点标准测试系统在Matlab进行仿真验证。系统含5个常规火电机组和一个风电场,调度周期为1d,分为24个时段。风电场含80台同型号的异步风电机组,风电场切入风速为3m/s,额定风速为14m/s,切出风速为20m/s,每台风机的额定功率为1.5WM,风电的发电成本为300元/(WM·h),高估、低估风电出力时,惩罚成本系数分别设为150元/(WM·h)和300元/(WM·h)。常规机组参数见表1,在调度周期内系统负荷及风电计划出力值见表2。
表1 常规机组参数
表2 各时段的系统负荷和风电计划出力
(续)
根据《可再生能源法》规定,在满足电力系统安全约束条件下,应优先安排风电出力。而在火电调度过程中,经济成本和排污量是两个相互冲突的目标,不可能同时达到最优。本次研究通过不同的环境成本系数取值反应经济成本和排污量的变化,为含风电场的环保经济调度提供一定参考,如图2所示。
图2 不同环境成本系数下的火电成本和污染物排放量
由图2可以看出k=0时,发电的总成本最小,但污染物排放量最多,不符合环保政策;k=140元/t时,污染物减少比例远不及发电总成本增加的比例,所付经济代价太高。合理的环保成本系数需要决策者根据不同时期市场和政策的要求确定合理的取值。
根据式(7)以及周期内风电的总发电量可知,周期内风电的平均价格为372.2元/(WM·h),由图2以及火电周期内的总负荷可看出,k=80元/t时火电平均价格与风电平均价格最接近。为体现风电的价值以及风电优先上网的合理性,所以本次调度优化以环境成本k=80元/t为例,分别通过Matlab仿真了环保调度和传统调度两种模型下的各火电机组调度的最优出力,如图3、图4所示。
图3 传统电力系统经济调度
图4 环保电力系统经济调度
由图3、图4可以看出,在满足系统负荷需求和安全稳定的前提下,考虑环境成本对调度运行方案产生了较大的影响。环保调度中火电机组1、5出力明显比传统调度的出力大幅增加,而机组2、4出力明显减少,这是因为火电机组1、5为环境友好型机组,对污染物排放相对机组2、4控制的较好,导致以火电环境成本相对较低造成的。
从表3的结果可以看出,在本文中考虑环境成本的模型比不考虑环境成本的模型污染物排放量减少5.3%,排污量明显减少,而能源成本仅增加0.6%,虽系统的综合总成本大幅增,但却是增加在环保成本上,它让发电过程中污染物排放量减少,也使火电企业在以后的生产过程中更加注重环保,促进火电企业的环保改造,同时也使目前的高风电价在电力市场中竞争力更强,风电优先上网更趋于合理,刺激以风电为首的新能源的发展。
表3 两种模型的排污量和经济成本
本文在建立含风电场的电力系统动态经济调度模型时,将环境效益合理的计入电力系统的经济调度成本中,使在当前电力市场环境下的风电更具竞争力,同时又根据风电的平均价格,给发电的环境成本定价提供一定参考,使风电优先上网更合理。引入了高估和低估风电出力的成本,使调度模型充分考虑了风电的随机性、波动性,从而使调度模型更加符合实际运行要求。
[1] 刘振亚. 全球能源互联网[M]. 北京: 中国电力出版社, 2015.
[2] Kennedy S. Wind power planning: assessing long-term costs and benefits[J]. Energy Policy, 2005, 33(13): 1661-1675.
[3] 杨校生. 给风电一个合理的价格[J]. 中国电力企业管理, 2004(10): 22-24.
[4] 夏澍, 周明, 李庚银. 含大规模风电场的电力系统动态经济调度[J]. 电力系统保护与控制, 2011, 39(13):71-77.
[5] 陈海焱, 陈金富, 段献忠. 含风电场电力系统经济调度的模糊建模及优化算法[J]. 电力系统自动化, 2006, 30(2): 22-26.
[6] 翁振星, 石立宝, 徐政, 等. 计及风电成本的电力系统动态经济调度[J]. 中国电机工程学报, 2014(4): 514-523.
[7] 董晓天, 严正, 冯冬涵, 等. 计及风电出力惩罚成本的电力系统经济调度[J]. 电网技术, 2012, 36(8): 82-86.
[8] Joned A M, Musirin I, Rahman T K. Solving dynamic economic dispatch using evolutionary programming[C]// Power and Energy Conference, 2006: 144-149.
[9] 姜文, 严正. 基于一种改进粒子群算法的含风电场电力系统动态经济调度[J]. 电力系统保护与控制, 2010, 38(21): 173-178, 183.
[10] Basu M. Dynamic economic emission dispatch using nondominated sorting genetic algorithm-II[J]. International Journal of Electrical Power & Energy Systems, 2008, 30(2): 140-149.
[11] 吴栋梁, 王扬, 郭创新, 等. 电力市场环境下考虑风电预测误差的经济调度模型[J]. 电力系统自动化, 2012, 36(6): 23-28.
[12] 袁铁江, 晁勤, 吐尔逊·伊不拉音, 等. 面向电力市场的含风电电力系统的环境经济调度优化[J]. 电网技术, 2009, 33(20): 131-135.
Environmental Economic Dispatch of Electric Power System with Wind Farms
Zhang Kunya1Ma Ping1Zhao Shiwen2Zhang Hongyu1
(1. Qingdao University, Qingdao, Shandong 266071;
2. Zibo Electric Power Company, Zibo, Shandong 255000)
With the increasing people’s awareness of environmental protection, environmental protection problems in the electric power industry has been paid more and more attention. Based on this, to quantify the environmental pollution problems in the process of electric power production total cost for the environmental costs included in the economic dispatch, at the same time for the intermittency of wind power, the effect of uncertainty brought to the power system, and introduces the undervalued overestimate the wind power cost, establish environmental economic dispatch model of power system including wind farms. The data load of 24h for reference, through the multi population genetic algorithm is analyzed in the environmental cost scheduling model of power purchase cost of power system, the thermal effect of the amount of pollution, the simulation results verify the feasibility of the model and effective.
wind power; environmental cost; economic dispatch; multi population genetic algorithm
张坤亚(1989-),男,硕士研究生,研究方向为电力系统分析与控制。