考虑风电消纳的风火发电系统优化调度模型

赵振宇，戴赛岚

(华北电力大学 经济与管理学院 新能源电力与低碳发展研究北京市重点实验室，北京 102206)

0 引 言

面对全球生态环境恶化、化石能源逐渐枯竭的问题，风力发电作为一种零污染、零排放的新型清洁可再生能源，受到了广泛关注。目前，中国风电发展迅速，相关技术日渐成熟，风火互补等模式也被广泛应用，但风力发电的随机性等特征给风能资源的充分利用和风火发电系统的可靠性带来挑战，尤其是各地“弃风”问题日益突出，亟待探索如何更好地进行风火发电系统的调度优化，以实现充分利用风能资源。

近年来，学者们多方面开展含清洁能源的发电优化调度问题的研究，较多的是关于多目标优化调度的研究，主要包括算法改进和模型改进两个方面。在算法改进上，于波等[1]就区域综合能源系统优化调度问题，采用粒子群算法，通过其全局搜索能力对调度模型进行求解；赵静艺[2]利用IFOA算法对混合发电系统进行多目标优化设计；周斌等[3]提出了一种新型多群组均衡协同搜索算法；陈道君等[4]将生物地理学算法用于解决风电并网电力系统多目标优化调度问题；赵文清等[5]提出一种基于模拟退火的智能水滴算法连续优化的改进算法。此外，还涌现了若干新型的智能算法，如改进的多目标狼群算法[6]、小生境[7]、布谷鸟[8]等与传统的遗传算法结合的混合智能算法。在模型改进上，胡殿刚等[9]建立了风电出力的概率模型来降低其随机性对整个风火系统的影响；郭小璇等[10]在约束条件中引入机会约束；孙元章等[11]提出了基于风速预测和随机规划对风火发电系统进行优化。但现有的绝大多数研究都是在算法和约束条件上进行优化，尚未有通过设定风能资源利用最优目标来降低风电随机性对发电系统可靠影响的研究。

对于风火发电系统而言，风电输出的不确定性是影响发电调度模型可靠性的主要原因。面对既要充分利用风能资源，又要保证电力系统可靠性的问题，本文通过预测风速间接预测风电出力来设置风能资源利用目标，使优化结果中的风电调度出力尽可能接近预测值；并考虑相关约束条件中加入机会约束，同时以资源消耗最小、能源环境效益最大为目标；最大程度降低风电随机性对整个发电系统的影响，实现最大化利用风能资源，缓解“弃风”现象，达到风火发电系统调度的优化目的。

基于此，本文运用历史风速数据，采用向量机对风电的输出功率进行间接预测，以风能资源利用最优、发电系统经济性和环保性为目标，以电网能量满足充裕度、机组爬坡性能、正负备用容量等为约束建立发电系统的多目标优化模型，并运用山西平鲁地区某风电场的数据进行实例分析，论证该模型优化的可行性。

1 多目标优化模型

从充分利用风电资源、提高环境保护效益的角度，综合考虑火电厂的煤耗特性、环境因素的影响，基于火电厂总发电成本费用、能源环境优化和风能资源优化利用，建立考虑环保效益的风火发电系统的短期多目标优化调度模型。通过该优化模型帮助确定火电厂的最佳输出，并用以制定风电最优输出策略。

1.1 目标函数

1)火电机组发电的总成本最小(不考虑火电机组的阈点效应)：

式中：C是火电机组发电总成本；NG为系统内火电机组运行台数；PGi为火电机组的发电有功功率；ai、bi、ci为火电机组的运行耗能特性系数；T为调度周期，取T=1 h。

2)能源环境效益[12]最优：

式中：R为能源效益函数；ηwi为火电机组i的发电效率；φi为火电机组i使用燃料的低位发热量；QCi为等价CO2排放比；ηt(PGi)为发电效率随有功功率变化的函数关系式，其表达式为

式中：ti、λi、φi为火电机组i的效率函数的系数。

3)风电出力最优

miny=(Pw-Pwp)2

式中：y为风电计划输出与预测输出的偏差程度；Pw为风电场输出的有功功率；Pwp为系统内风电场预测的输出有功功率。

1.2 约束条件

1)供需平衡约束：

式中：PN为需求负荷；z1为该约束条件成立的置信水平。

2)火电机组出力约束：

PGidown≤PGi≤PGiup

式中：PGidown、PGiup分别为火电机组有功出力下限、有功出力上限。

3)风电场的出力约束：

0≤Pw≤PR

式中：PR为风电场输出的额定功率。

4)备用容量约束。在混合能源发电系统内，由于不同发电机组发电方式的不同，单纯按节能发电调度原则可能引发系统备用安全问题，所以需要对系统的备用容量进行约束

式中：σ1、σ2分别为在T时段电力负荷误差对系统正、负旋转备用的需求系数；w1、w2分别为在此时段风电场出力对系统的正、负旋转备用的需求系数；z2、z3以概率形式对正、负旋转备用加以约束。

5)风电穿透功率极限约束。如果混合动力发电系统中风电场容量比例过高，则大风速扰动将导致系统的电压和频率产生很大的变化，并在严重时使系统失稳。因此，需做如下限制：

0≤Pw≤ρPN

式中：ρ为风电穿透功率系数。

2 预测模型

根据预测时间尺度，风功率预测分为超短期(时间小于30 min)预测、短期(时间范围为30 min至72 h)预测和中长期预测。其中，短期预测多用于电力系统调度[13]。本文选取对风速进行短期预测来优化发电系统调度，以“小时(h)”为预测单位。根据样本数据的预测误差来选择预测模型。

2.1 SVM风速预测模型

由于影响风速的因素诸多，例如温度，压力差，空气密度和地形，因此风速是最难预测的气象参数之一。

基于SVM风速预测模型[14]，以历史风速数据作为输入参数，以1 h为一个周期，取预测周期的前12个周期内每个周期的平均风速作为特征向量对短期风速v进行预测：

1)取需要预测的某风场一周内逐小时风速数据，对风电出力的风速历史数据进行无量纲处理，使风速样本数据处于[0，1]之间，标准化计算式如下：

2)剔除无效值，建立训练样本集X1和预测样本集X2。

3)RBF函数作为核函数，选择 SVM 的参数c、ε和δ进行训练, 得到回归函数表达式。

4)用得到的回归函数表达式对未来某一时刻的风电出力进行预测。

2.2 风电机组出力预测

风力发电机输出功率pwp与风速v之间的关系式[15]如下：

但是，对于一般的风电场，在工作期间，并不是所有机组都能保证正常运行，机组故障等随机事件时常发生，为了减少故障率对调度方案的影响，根据对风场的历史风机可利用率Dratei进行统计，取历年风机可利用率的平均值Drate作为当前调度周期的风机可利用率，则

式中：Nw为风电机组台数；Pwpi为第i台风电机组的预测功率。

3 求解算法

3.1 目标函数模糊化处理

多目标的求解过程和求解各子目标的最优解紧密相关，但子目标之间、各子目标的最优解同多目标最优解之间的关系是模糊的，因此，模糊优化方法在某种意义上可以获得多个目标的共同满意的结果[16]。在多目标的处理上采用“降半直线形”方法来构造目标函数的隶属度函数(能源环境效益最优取倒化为求最小)如下：

式中：fk为第k个目标函数；fkmin、fkmax为第k个目标函数的最小值与最大值。

各子目标函数的隶属度之和最大的为最大满意解，由此得到

3.2 机会约束的处理

供需平衡约束：

对备用容量约束做类似的处理：

3.3 粒子群优化算法

粒子群优化算法[19]由Eberhart和Kennedy 共同提出，是通过模拟鸟群捕食行为设计的一种群体智能算法，采用粒子模拟鸟类捕食。其求解步骤为：初始化粒子群；评价粒子，计算适应值；寻找个体极值；寻找全局最优解；修改粒子的速度和位置，通过不断迭代和更新搜寻最优解。具体求解过程如图1所示。

图1 求解路径图

4 实 例

4.1 相关参数取值

为了验证所建模型的合理性和有效性，以山西平鲁地区A风电场和4台火电机组为一个系统进行仿真模拟，令系统基准值pu为100 MVA，该发电系统内的燃料特性参数及火电机组参数[8]分别

如表1和表2所示。设定该风电场共有33台风力发电机组，其额定功率为1 500 kW，相关参数如表3所示。

表1 燃料特性参数

表2 火电机组参数

表3 风电机组参数

4.2 风力出力预测

据气象局相关数据资料，得到山西平鲁地区预测周期内某段时间的逐时风速数据，根据数据：

1)生成样本集。从原始数据中选取163组数据作为训练集，剩余100组作为测试集，进行测试，运行结果如图2和图3所示。

图2 实际值与预测值对比

从图2和图3可以看出，预测值与实际值高度吻合，相对误差基本控制在0.1以内，可以证明该方法有较高的精度，在短期风速预测上具有可行性。

图3 相对误差

用率，见表4。

表4 风机可利用率

则可求出

Pwpi=3.06×10-3pu

σw=aσv=8.54×10-6

4.3 求解及分析

运用Matlab2015b编程仿真软件，取调度周期为1 h，根据文献[4]取系统总负荷为2.833 pu，σ1、σ2取5%，ρ取30%；粒子群算法中种群数量为50，迭代次数为150，对上述模型进行验证。为了验证其有效性，在置信水平为z1=z2=z3=0.99的情况下，设定不同的调度情景，分别在如下4种情况下求解模型：

情景1：PN=2.833 pu，目标(1)、(3)、(4);

情景2：PN=2.833 pu，目标(1)、(3);

情景3：PN=1.833 pu，目标(1)、(3)、(4);

情景4：PN=1.833 pu，目标(1)(3)。

运行结果如表5所示，从表5可以看出，在PN=2.833 pu下，若要达到目标(4)，得到的最优解为0.093 4 pu，几乎与预测值0.093 7 pu相等，使得调度计划对风能资源达到了最大程度消纳；若没有目标(4)的限定，Pw的最优解为0.096 7 pu，超出了预测的风电场可能提供的最大发电能力0.093 7 pu，增加了风场调度压力，降低了发电系统的可靠性。在小负荷条件PN=1.833 pu下，若有目标(4)，最优解0.091 3 pu十分接近预测值，使得调度计划也基本达到对风能资源的最大消纳；若没有目标(4)，Pw最优解为0，即风能未能利用，这与充分利用清洁可再生能源的目标相悖。

表5 模型最优解

综上，在多目标优化模型中，通过目标(4)的加入，使得最优解达到最大程度利用风能资源的目的，有效缓解了当前严峻的“弃风”现象。并且该目标在优化模型中对风电出力起到了修正作用，使计划出力接近预测值，避免了计划出力超出实际可用，减轻了发电系统的调度压力，保证了系统可靠性。

在已有研究基础上，仍有一些待进一步完善之处：提高风功率预测的准确度；在发电成本方面可考虑风电场建设及运维投入费用，将风电成本纳入多目标优化模型，以更加全面地对风火发电系统的发电调度问题进行优化。

5 结 语

1)考虑风电的随机性和间歇性对风火发电系统的可靠性的影响，相较于传统的多目标优化调度模型，基于SVM风功率预测建立风能资源利用最优目标，进一步改进了传统模型约束的边界条件，并通过在约束条件中引入机会约束，进一步降低风电的随机性影响，增大模型的灵活性。

2)在多目标模型的处理上，通过模糊理论将多目标转化为单目标从而求得最大满意解；引入风电出力概率模型将机会约束转化为确定约束；采用算法简单、易于实现的粒子群算法作为模型求解方法。

3)以山西平鲁地区为例进行模型实例验证分析，设定不同的调度情景，运行出模型结果，模型求解结果表明：利用风功率预测所得的边界约束条件相较于风电机组的额定功率作为约束边界条件对模型结果起到了一定的修正作用，提高了整个优化模型的精确度；设定不同置信水平可以让决策者按当前调度需求来制定调度计划，使得该模型存在一定的灵活性；所设风能资源利用最优目标对风电计划出力有着显著的优化效果，实现了在保证发电系统可靠性的前提下，最大程度地消纳风能资源，有效地缓解“弃风”问题，对风火发电系统的优化调度提供了理论支持并有重要现实意义。