含风电场的电力系统多目标环境经济调度

，，，，

(1.国网江苏省电力公司连云港供电公司，江苏 连云港 222000；2.国网吉林省电力有限公司吉林供电公司，吉林 吉林 132012；3.国网吉林省电力有限公司长春供电公司，吉林 长春 130600)

含风电场的电力系统多目标环境经济调度

夏伟伟1，孙龙明1，师扬1，刘旭2，尹杭3

(1.国网江苏省电力公司连云港供电公司，江苏 连云港 222000；2.国网吉林省电力有限公司吉林供电公司，吉林 吉林 132012；3.国网吉林省电力有限公司长春供电公司，吉林 长春 130600)

研究风电场接入电网后的调度问题，综合考虑电网运行经济性和环境效益，建立含风电场的电力系统多目标环境经济调度模型。对标准粒子群算法进行改进，引入NSGA-II算法的精英保留操作、非劣解排序操作和拥挤度距离操作，提出一种改进的多目标粒子群算法对模型求解。10机系统的仿真结果表明，多目标求解放方法可为调度人员提供多样性的调度方案，符合实际工程要求，并且与NSGA-II算法相比，本文算法获得非劣解集更加靠近真实的Pareto前沿。

风电场；环境经济调度；Pareto前沿；改进多目标粒子群算法；NSGA-II算法

1 引言

风电作为一种清洁高效的可再生能源，对缓解环境污染和能源枯竭具有重要的意义。近年来，我国风电发展迅猛，已成为能源战略结构中重要组成部分[1]。然而，风电具有随机性和波动性，大规模的风电接入电网增加了电力系统经济调度的难度，因此研究含风电场电力系统经济调度问题具有重要的理论价值和现实意义。

传统电力系统经济调度仅考虑电网运行经济性，而火电厂在发电过程会向大气中排放大量的污染气体，随着我国环境问题的日益严峻，电力企业作为污染气体排放的主力军已不容忽视。因此，电力系统环境经济调度应运而生，其主要原则是在电力生产调度过程中同时考虑电网运行经济性和环境效益。文献[2]以发电成本和污染气体排放量最小为优化目标，建立电力系统环境经济调度模型，但仅考虑一个时段调度计划，并不符合实际情况。文献[3]将多目标的环境经济调度问题转化为单目标处理，采用改进粒子群算法对模型进行求解，但得到的结果单一。文献[4]应用多目标差分进化算法对环境经济调度模型进行求解，但所建模型未考虑火电机组的启停约束和旋转备用约束。

针对以上问题，本文建立综合考虑经济性和环境效益的多目标调度模型，该模型考虑了网损、旋转备用约束和机组启停约束等。针对粒子群算法存在的收敛速度慢、求解精度低的问题，对算法参数进行改进，并结合多目标搜索理论，提出一种改进的多目标粒子群算法对模型求解。

2 风电出力的概率模型

风速具有随机波动性，大量的风电场实测数据表明，风速基本服从双参数的威布尔(Weibull)分布，如下式：

F(v)=1-exp(-(v/c)k)

(1)

式中,k为Weibull分布的形状参数；c为Weibull分布的尺度参数；v为风速，单位m/s，其概率密度函数为：

f(v)=(k/c)(v/c)k-1exp[-(v/c)k]

(2)

如图1所示，当知道风速的概率分布后，通过分析风机的有功出力Pwind与风速v的近似关系，可以得到风机有功出力的随机分布。

图1 风机有功出力曲线

(3)

式中,Prate为风机的额定有功出力；vin、vout和vrate分别为风机的切入风速、切除风速和额定风速。

3 多目标环境经济调度模型

3.1 目标函数

3.1.1 发电成本

考虑火电机组启停费用的总发电成本为：

(4)

式中,T为运行调度周期；N为参与调度的火电机组总数；Ii,t=1、Ii,t=0分别表示t时段第i台火电机组处于开机状态和停运状态；Pi,t为t时段第i台火电机组的有功出力；fi,t(Pi,t)、Si,t分别为t时段第i台火电机组的燃料费用和启停费用。

火电机组的耗量特性曲线用二次函数表示：

(5)

式中,ai、bi、ci为第i台火电机组的耗量参数。

火电机组的启停费用与相邻时段的运行状态有关：

(6)

3.1.2 污染气体排放量

火电机组在发电过程中会消耗大量的一次能源，并向大气中排放COx、SOx和NOx等污染气体，考虑各类污染气体的综合排放模型为[5]：

(7)

式中,αi、βi、γi、λi、ξi为第i台火电机组污染气体排放系数。

3.2 约束条件

3.2.1 功率平衡约束

(8)

式中,Pw,t为t时段风电场输出的有功功率；PD,t和Ploss,t为t时段系统负荷和网损。

3.2.2 机组出力约束

Pi,min≤Pi,t≤Pi,max

(9)

式中,Pi,min和Pi,max分别为第i台火电机组出力的最小值和最大值。

3.2.3 启停时间约束

(10)

3.2.4 旋转备用约束

(11)

4 多目标环境经济调度求解算法

电力系统环境经济调度的求解以粒子群算法为核心载体，其基本思想是通过不断更新粒子位置和速度来寻找全局最优解[6]，具体如下式：

(12)

(13)

电力系统环境经济调度是一个非线性、多目标的求极值问题，传统采用模糊技术和线性权重将其转化为单目标求解，其得到的结果单一，不利于调度人员进行科学决策。因此，本文将标准粒子群算法与多目标搜索机制相结合，从多目标的角度考虑环境经济调度问题。

考虑到标准粒子群算法存在收敛速度慢、求解精度低和不具备多目标求解能力的问题，从以下几个角度进行改进，提出一种改进的多目标粒子群算法(improved multi-objective particle swarm optimization algorithm，IMPSO)，其算法流程如图2所示。

(1) 采用非线性惯性权重更新策略[7]，改善种群多样性，提高算法全局寻优能力。

(2) 采用异步变化的学习因子[8]，提高粒子向自身最优和种群最优个体的学习能力，加快收敛速度。

(3) 将快速非支配遗传算法[9]中的精英保留操作、非劣解排序操作和拥挤度计算融入标准粒子群算法中，使其具备求解多目标优化问题的能力。

5 算例分析

采用含一个并网风电场的10机系统为例进行环境经济调度计算，系统耗量特性参数和污染气体排放参数详见文献[10]。风电场含有60台风机，每台风机的额定功率为2WM，切入风速、切除风速和额定风速分别为4m/s、20m/s和15m/s。为验证IMSPO算法求解的有效性，与NSGA-II算法进行仿真比较。算法参数设置：IMPSO算法的种群规模为80，最大迭代次数为100，惯性权重的变化区间为[0.4，0.9]，异步学习因子从3线性递减至1.5；NSGA-II算法的交叉算子和变异算子分别为0.92和0.2，种群规模和最大迭代次数与IMPSO算法一致。两算法求解得到的Pareto前沿分布如图3所示。

图2 IMPSO算法求解流程

图3 Pareto解集分布对比

从图3可知，NSGA-II算法得到的非劣解集分布集中，Pareto前沿完整性差，而IMPSO算法得到的非劣解集分布广泛均匀，更加靠近真实的Pareto前沿。为便于分析，分别给出了两种算法极端解和最优折中解的对比情况如表1所示。

表1 不同算法的极端解和最优折中解

从表1可知，与NSGA-II算法相比，IMPSO算法最优折中解的发电成本和污气排放量分别减少了3680元和1710ton；经济最优时的发电成本减少了7560元；环境最优时的污气排放量减少了59750ton。综上分析可知，IMPSO算法在求解环境经济调度问题时优势明显，增加了调度方案实施的可能性。图4给出了IMPSO算法最优折中解的出力计划。

图4 IMPSO的最优折中出力计划

为进一步说明风电接入电网后的减排效益，图5给出了风电场接入电网前后各时段污气排放量的对比情况。

图5 风电接入前后的污气排放量

从图5可知，风电接入电网后，系统总的污气排放量减少了1.6708×104ton，减排效果明显，同时可以看出，在某些时段风电接入前后的污气排放量相近，分析原因是由于此时风电出力较小和火电机组的组合方式不同。

5 结论

(1) 从考虑电网运行经济性和环境效益的角度考虑电力系统环境经济调度问题，符合当前的电力发展趋势，由此得到的调度方案具有一定应用价值。

(2) 改进多目标粒子算法得到的非劣解分布广泛均匀，更加靠近真实的Pareto前沿，可以为调度人提供多样性的调度方案。

[1] 范国英,郑太一,姜旭,等.计及新能源接入的吉林电网智能调度体系框架研究[J].吉林电力,2010,38(1):1-4.

[2] 邱威,张建华，刘念.含大型风电场的环境经济调度[J].电机工程学报,2011,31(19):8-16.

[3] 陈功贵,陈金富.含风电场电力系统环境经济动态调度建模与算法[J].电机工程学报,2013,33(10):27-35.

[4] 江兴稳,周建中,王浩,等.电力系统动态环境经济调度建模与求解[J].电网技术,2013,37(2):385-391.

[5] Bayon L,Grau J M,Ruiz M M,et al.The exact solution of the environmental/economic dispatch problem[J].IEEE Trans on Power Systems,2012,27(2):723-731.

[6] 李生珠,韩晓男,曲直,等.一种改进的PSO算法在系统无功优化中的应用研究[J].吉林电力,2010,38(3):29-31.

[7] Yang Yanping,Che Yonghe.A diversity guided particle swarm optimization with chaotic mutation[C]// 2010 2nd International Asia Conference on Informatics in Control,Automation and Robotics,2010:202-204.

[8] 潘超,孟涛，蔡国伟，等.广义电源多目标优化配置与运行[J].电网技术,2015,39(12):3505-3512.

[9] 冯士刚,艾芊.带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用[J].电工技术学报,2007,22(12):146-152.

[10] 张宁,胡兆光,周渝慧,等.考虑需求侧低碳资源的新型模糊双目标机组组合模型[J].电力系统自动化,2014,38(17):25-30.

MultiObjectiveEnvironmentalEconomicDispatchofPowerSystemwithWindFarm

XIAWei-wei1,SUNLong-ming1,SHIYang1,LIUXu2,YINHang3

(1.Lianyungang Electric Supply Company,Lianyungang 222000,China;2.Jilin Electric Supply Company,Jilin 132012,China3.Changchun Electric Supply Company,Changchun 130600,China)

The scheduling problem of the wind farm in electric power system is researched.Considering the economic and environmental benefits of the power grid,the multi-objective environmental economic dispatch model of power system with wind farm is established.The standard particle swarm optimization algorithm is improved.An improved multi-objective particle swarm optimization algorithm is proposed by introducing the elite reservation operation,non dominated sorting operation and crowding degree distance operation into the standard particle swarm optimization algorithm.Simulation results of the 10 machine system show that multi-objective optimal method can provide a variety of scheduling solutions for the scheduling personnel and meet the actual requirements of the project.Compared with the NSGA-II algorithm,this paper obtains the non dominated solution set closer to the true Pareto front.

wind farm;environmental economic dispatch;Pareto frontier;improved multi-objective particle swarm algorithm；NSGA-II algorithm

1004-289X(2017)03-0026-04

TM71

B

2016-11-21

夏伟伟(1988-)，女，本科，助理工程师，研究方向电力调度和继电保护整定。