基于虚拟发电厂的火电机组厂级负荷两级分配方法研究

李志伟,隋旭光,车 铭,王彤彤,王松寒,葛 朋

(1.东北电力大学自动化工程学院,吉林 吉林 132012;2.国网新源控股有限公司东北开发建设分公司,辽宁 沈阳 10000;3.吉林省电力科学研究院有限公司,吉林 长春 130001;4.国家能源集团双辽发电有限公司,吉林 双辽 136400)

0 引 言

虚拟发电厂被认为是一种用电侧的能效电厂,可实时调度厂内各类发电机组,并提高厂内机组的调峰能力。利用先进的通信技术将一定范围内的新能源、发电厂、可控负荷和储能系统等进行聚合和协调优化,作为特殊的电厂参与电网的运行[1-3]。

厂级负荷优化分配系统作为中调部门和电厂的过渡系统,采用厂级负荷分配方法既可以应对新能源出力变化对电网稳定运行的影响,又可以提高火电厂的经济效益[4]。火电机组优化调度是电力系统经济的重要环节,国内外学者在此方面进行了大量的理论研究,早期的研究方法有等微增率法、拉格朗日法等基于函数优化理论的研究方法[5]。该方法计算简单且易于实现,但是要求目标函数必须是连续可微的函数。随着计算机技术的发展,大量的智能算法被应用到电厂负荷优化调度中。主要的算法有遗传算法、人工神经网络算法、粒子优化算法、动态规划法等[6-8]。

本文基于虚拟电厂的概念,提出将风电与火电整合为一个虚拟电厂进行负荷分配,使用二次多项式函数形式对煤耗曲线拟合,形成较为准确的煤耗特性方程,建立以经济性指标和快速性指标的多目标优化分配数学模型,对各个目标使用不同的权重系数建立多目标函数,应用捕食遗传算法对多目标函数进行求解。有效解决了遗传算法在寻优过程中收敛速度慢的问题,保证电力线系统可靠运行的同时又兼顾经济效益的最大化。

1 机组煤耗特性曲线获取

火电厂通常以全厂经济效益最优为目的进行负荷优化分配。在传统的负荷分配方法中,各机组的煤耗特性是负荷分配的前提条件。机组的煤耗特性反映了机组的负荷与煤耗量之间的关系,也是机组的发电效率和经济指标的关键参数。要研究火电机组的负荷分配问题,就必须先要求出各机组的煤耗方程,所以建立正确的煤耗模型对负荷分配至关重要[5]。

为了使煤耗模型更真实的反映机组的实际运行状况,可以利用最小二乘法对机组的负荷和煤耗量进行曲线拟合。实践表明,为保证结果准确性并降低计算量,对于火电机组煤耗特性曲线拟合多采用二次曲线方式进行拟合[9-10],本文采用二次多项式函数形式对煤耗曲线进行拟合。已知火电机组的煤耗特性函数为

F=aP2+bP+c

(1)

公式中:F为火电机组煤耗量;P为机组功率;a、b、c分别为煤耗特性系数。

利用最小二乘法确定系数,从而确定煤耗特性模型。选取某电厂的4台300 MW机组运行数据的煤耗量,对现场测试的数据进行最小二乘法拟合,计算出四台火电机组对应的煤耗特性方程,

1号机组的煤耗拟合结果:

F1=0.000 922P+0.703 91P1+84.16

(2)

2号机组的煤耗拟合结果:

(3)

3号机组的煤耗拟合结果:

(4)

4号机组的煤耗拟合结果:

(5)

2 虚拟发电厂概念下厂级负荷优化分配数学模型

新能源发电和火力发电的结合发电,正在成为当前研究热点[11]。未来的电网需求侧的管理方式也随着改变,厂网两级节能调度方式可以有效保障电网安全稳定的运行[12]。厂级负荷分配系统,电网调度侧将负荷指令发下给各个电厂,厂级负荷分配系统可以在满足电网的负荷需求的同时,对机组负荷进行优化分配[13]。本文将在虚拟发电厂内统一管理风电出力和火电出力情况,将风火混合厂级负荷分配系统应用到虚拟发电厂上。综合衡量机组的经济性指标、快速性指标和系统稳定性指标进行负荷优化分配。

2.1 负荷分配指标

以电厂获得的最大经济效益为目标函数进行负荷优化分配,经济调度模型通常不包括各机组的启停状态和机组组合情况[14],以电厂的煤耗作为经济指标的目标函数进行负荷优化分配:

(6)

公式中:Fall,t为t时段全厂总煤耗;fi(Pi,t)为t时段第i台机组煤耗量。

经济性指标还需满足以下约束条件:

1)功率平衡约束

(7)

公式中:Pd,t为t时段虚拟电厂的总负荷;Pw,t为t时段风电发电功率;Pall,t为t时段发送给电厂总的负荷值。

2)虚拟发电厂备用容量大小

(8)

公式中:D+=PR,t+us%Wt,D-=ds%Wt,Pi,min为第i台机组的最小功率;Pi,min第i台机组的最大功率;Wt为t时段风电功率;PR,为t时段虚拟电厂负荷旋转备用,文中PR,t=5%Pd,t。

理论上全厂各机组满速率进行负荷升降任务可以使全厂完成负荷的任务时间最短,达到快速响应负荷的目的。但在实际运行过程中,各机组的性能差异决定机组不可能满速率运行,因此建立快速性厂级负荷优化分配目标函数如下:

(9)

公式中:T(Pall,t)为t时段机组负荷调整时间;Pi.t-1为t-1时段第i台机组的负荷,T为第i台机组的升降负荷速率。

其约束条件为

T(Pall,t)

(10)

公式中:T为中调要求的调节时间。

2.2 多目标优化函数

在厂级负荷分配系统中既要兼顾经济性与快速性,又要按规定完成中调下达的指令前提下追求电厂更多经济效益[15-16],所以采用多目标优化函数的方法。利用权重法实现多目标优化的方法所求问题的目标函数需要具有相同的量纲,而在本研究中明显具有不同的量纲,故首先需要对目标函数进行无量纲化处理。

利用权重法对经济性指标与快速性指标采用不同的权重系数,这样厂级负荷分配优化既可以兼顾经济性又可以满足快速性要求。建立如下的多目标优化函数:

minF(Pall,t)=minwc·F(Pall,t)+minwt·FT(Pall,t)

(11)

(12)

还应满足以下约束条件:

1)全厂总功率

(13)

公式中:P为电厂总负荷指令;Pwnow为风电当前时刻的出力,Pi为第i台机组的负荷。

2)火电机组出力约束

Pi,min≤Pi≤Pi,max

(14)

公式中:Pi,min为第i台机组的最小出力负荷;Pi,max为第i台机组的最大出力负荷。

3)备用容量大小约束

Pmax≥P+Rt

(15)

公式中:Pmax为电厂最大发电负荷;Rt为t时段所需的旋转备用容量。

3 基于捕食遗传算法的厂级负荷优化分配系统

3.1 基于捕食遗传算法的负荷优化分配方案

遗传算法是一类借鉴了生物的繁衍过程模拟生物基因选择和遗传机制而形成的一种启发式全局优化搜索算法[17]。遗传算法通常由五个要素构成;编码方式、种群初始化方法、适应度函数的设计、遗传操作步骤设计和收敛条件的设定[18]。在风火混合负荷优化分配系统中,每一个可能解都代表一种方案,通过设定适应度函数评价可能解的好坏选出最优个体,进而进行交叉变异产生新种群。

捕食搜索策略适用于解决机组组合优化问题,模拟在动物捕食过程中进行的空间搜索策略[19-20]。借鉴捕食搜索的策略改进遗传算法的交叉算子和变异算子,在进化的初始阶段以全局搜索的方式,防止过早收敛,选取较大的交叉概率和较小的变异概率进行全局搜索。其改进后的式子如下:

(16)

公式中:i为进化次数;M为总进化次数;Pcl、Pcl,max、Pcl,min分别为交叉概率、最小交叉概率和最大交叉概率;Pml,Pml,max、Pml,min分别为变异概率、最小变异概率和最大变异概率其算法流程图如图1所示。

图1 捕食遗传算法流程图Fig.1 Flow chart of predator genetic algorithm

3.2 仿真分析

本文实验以装机容量为200 MW的风电场和四台300 MW的燃煤机组的火电厂进行仿真分析。设定每台机组的出力下限值为110 MW,出力上限值为300 MW,使用公式(2)～公式(5)所指的煤耗特性方程。

试验中假设4台机组的变负荷速率v1为5 MW/min;v2为6 MW/min;v3为5.5 MW/min;v4为5.7 MW/min;各机组当前的功率值均为150 MW。根据第2节中提出的多目标厂级负荷优化分配模型,利用捕食遗传算法,设置不同的权重值进行仿真。分别选取经济性指标权重wc为1,快速性指标权重wt为0;经济性指标权重wc为0.6,快速性指标权重wt为0.4;经济性指标权重wc为0,快速性指标权重wt为1这三种情况进行仿真结果的分析。

表1为根据风电日出力均值、标准差和虚拟发电厂总负荷计算出的24小时内火电机组总负荷指令值。

表1 火电机负荷指令Tab.1 Thermal power load instructions

根据以上所分配的权重值分析三台机组的出力情况,可以计算出各机组在这三种的情况下每段时间内的煤耗量,如图2所示,证明了考虑风电接入的多目标优化模型可以实现经济性最优。

图2 不同权重下煤耗量Fig.2 Coal consumption under different weights

图3是在第3时段考虑经济性指标和快速性指标的多目标优化时,遗传算法和捕食遗传算法适应度曲线对比。

图3 遗传算法与捕食遗传算法对比Fig.3 Comparison of genetic algorithm and predatory genetic algorithm

从图3中可以看出,捕食遗传算法在初始种群和收敛速度上比遗传算法有明显优势,证明了该方法的可行性。

为了研究虚拟发电厂对风电的消纳能力,本文中实验选取几组典型时段的数据进行比较。设定风电的跟踪时间为3分钟,四台火电机组的出力均为150 MW,且每台机组的升降负荷速率v1为5 MW/min;v2为6 MW/min;v3为5.5 MW/min;v4为5.7 MW/min。设置虚拟发电厂的总负荷值为700 MW,风电出力负荷为100 MW,当风电突然增加10、40和80 MW进行对比。(Tw≥Tc、Tt≤Tw≤Tc、Tw≤Tt)。

根据图4、图5和图6各机组的负荷分配值与跟踪时间可知,选取经济性权重越高,跟踪时间越大。

图4 风电增加10 MW不同权重下风火出力情况Fig.4 Wind and fire output under different weights of 10 MW increase in wind power

图5 风电增加40 MW不同权重下风火出力情况Fig.5 Wind power output with different weights of 40 MW increase

图6 风电增加80 MW不同权重下风火出力情况Fig.6 Wind power output with different weights of 80 MW increase in wind power

所以当Tw≥Tc时,以经济性指标为目标进行分配,如风电增加40 MW情况;当Tw≤Tt时,以快速性指标为目标进行分配,例如风电增加80 MW情况下进行快速性分配;在Tt≤Tw≤Tc时,可选取不同权值,比较经济性最优负荷分配方案。

4 结 论

本文基于虚拟发电厂技术,以寻求风火混合厂级负荷分配方法。首先利用现场的测试数据获取机组的煤耗特性曲线,构建既考虑经济性又考虑快速性的厂级负荷分配系统,使用捕食遗传算法进行求解,仿真分析证明了该方法的正确性,同时改变风电的出力功率验证其消纳能力。

1)建立了风火混合负荷优化分配的数学模型,构建了考虑经济性指标和快速性指标的多目标数学模型。

2)设计了一种基于捕食策略的遗传算法,仿真试验结果表明该算法对于负荷分配具有优化效果,验证了提出的厂级负荷分配方案对提升新能源消纳能力的有效性。