計及風電消納效益的電力系統源荷協調二層優化模型

文 晶 劉文穎 謝 昶 王維洲

計及風電消納效益的電力系統源荷協調二層優化模型

文 晶1劉文穎1謝 昶2王維洲3

（1. 華北電力大學新能源電力系統國家重點實驗室 北京 102206 2. 中國電力科學研究院 北京 100192 3. 國網甘肅省電力公司電力科學研究院 蘭州 730050）

隨著風電的大規模接入，其隨機性和間歇性導致常規電源的調節壓力不斷增大，與常規能源呈逆向分布的特點也使得常規電源的調節能力受到輸電通道的制約，從而造成風電消納受阻。本文利用高載能負荷作為消納風電的重要手段，將常規電源的優化調度和高載能負荷的優化配置相結合，綜合考慮風電消納效益、高載能負荷調節成本和系統運行成本，建立以源荷協調運行效益最大化為目標的二層優化模型。通過求解上層優化模型確定常規電源出力和風電調度出力；在此基礎上，下層優化模型針對因常規電源調節能力不足導致的風電受阻情況，選取能夠有效消納風電受阻功率且調節成本最少的高載能負荷參與電網調度。根據上、下層模型決策變量的不同特點，采用改進遺傳算法和二進制粒子群算法相結合的混合智能算法進行模型求解。通過某實際電網的仿真結果，驗證了本文優化模型的可行性和有效性。

風電 高載能負荷 源荷協調 消納效益 二層優化 混合智能算法

1 引言

隨著風電的快速發展，其不確定性和間歇性產生的功率波動進一步擴大。根據酒泉風電基地的實際測風數據顯示，風電出力在大部分天內會從接近零出力到額定出力之間變化，且具有明顯的反調峰特性，這使得常規電源的調節能力難以有效應對，加大了電網調度控制的難度[1-3]。同時，由于風資源分布的不均勻性，風電場與常規電源往往呈逆向分布的特點，導致采用常規電源遠距離調節會受到輸電通道輸送能力的制約。這些因素嚴重影響了風電的大規模發展，甚至導致已建成的大型風電場棄風運行，造成極大的資源浪費。因此，充分利用具有可調節特性的需求側資源來促進風電的就地消納是解決風電發展和消納雙向矛盾的有效途徑，而分布在風電基地附近的高載能負荷便是參與協調互動的最佳方案。

高載能負荷是指能源價值在產值中所占比重較高的用戶負荷，具有以下調節特性[4]：①可調節容量大，適合就地消納受阻風電，提高風電利用率；②響應速度快，能快速跟蹤風電出力變化引起的調節需求，降低對常規電源調節能力的要求；③經濟效益顯著，不僅能夠減少因調節風電出力波動增加的常規電源發電成本，還能將消納的風電轉化為經濟效益。

國內外就具有可調節特性負荷參與電網調度、輔助風電消納進行了相關研究。文獻[5]將可控負荷作為電網調節和消納新能源的重要手段，給出了智能電網“源—網—荷”互動運行控制的研究框架。文獻[6]提出了高載能負荷企業主動參與風電消納及電網調峰模式和算法，從而有效緩解風電接入電網的調峰壓力。文獻[7]探討了智能電網中通過集中恒溫空調負荷的定值控制進行需求側能量管理的問題，該文獻提出的控制方案在適應風電出力間歇性上表現出良好的應用性能。文獻[8]研究了將電熱水器應用于北海道風電消納的直接負荷控制算法，結果表明可以提高 3倍的風電消納容量。文獻[9]通過蓄電池儲能系統配合風電場來實現小時級的發電調度，同時考慮了蓄電池充放電速率、荷電狀態反饋控制限制以及壽命等約束。文獻[10]在考慮風電出力預測誤差的基礎上，建立了可中斷負荷和旋轉備用共同參與競價的隨機備用模型，以減小風電出力波動對系統可靠性的影響。文獻[11]采用插電式電動汽車（PEVs）來平衡大規模風電接入帶來的功率波動，以降低PEV所有者能量成本為目標，提出了電動汽車的最優運行策略。文獻[12,13]在含風電場的電力系統經濟調度模型中考慮價格型需求響應，以提高系統的風電消納能力。上述研究主要從需求側響應的角度對分布式、小容量的可控負荷參與風電消納進行研究，通過電價和激勵措施來引導可控負荷的優化調節，但需求側用戶的用電調節行為無法準確預測，難以實現與發電側資源的協調配合，優化過程中也沒有全面地考慮常規電源和高載能負荷參與風電消納的綜合效益。

本文將高載能負荷引入風電消納的優化調度問題，兼顧常規電源和高載能負荷對風電的消納效益和調節成本，同時考慮到常規電源和高載能負荷之間的協調配合關系，建立了計及風電消納效益的源荷協調二層優化模型，并采用混合智能算法進行最優求解。

2 源荷調節特性分析

風電出力的波動性決定了風電并網運行時，必須由常規電源為其有功出力提供補償，以保證對負荷安全可靠地供電。然而，隨著風電接入規模的不斷增大，通過常規電源來調節風電出力波動存在較大的困難：

（1）受季節因素的影響，水電機組的調節能力有限，尤其在枯水期，其保證出力甚至只有裝機容量的25%～30%。

（2）受最小技術出力等條件的制約，火電機組的調整容量一般為裝機容量的 30%～50%，調節范圍較小，若通過啟停方式進行調節，不僅會增加經濟成本，而且會危及機組的安全運行；此外，火電機組的調節速度較慢，以 300MW 機組為例，平均每分鐘僅可調節 1%左右的額定出力，從 60%出力升至滿出力需 40多分鐘，而從啟動到滿出力則需10多個小時，難以適應風電出力波動的要求。

（3）常規電源與風電往往呈逆向分布，遠距離調節引起的功率波動會增大系統的電壓波動，輸電通道的輸送能力也嚴重制約了常規電源的調節功率。

高載能負荷作為一種技術先進、能源價值所占比重大的加工業，其用電負荷較大，能源利用率高，能夠有效消納受阻的風電功率，并將其轉化為經濟效益。在生產過程中，高載能負荷采用多條生產線串聯的生產方式，以生產線為生產單位，通過投切計劃便能實現0～100%容量范圍內的調節，且其投切在接受指令瞬間即可完成，響應速度能達到 ms級別[14]。下圖為某高載能負荷的生產情況。由此可見，高載能負荷具有巨大的調節潛能和消納效益，當常規電源不能滿足風電出力波動和負荷需求時，可以采用切除或者投入高載能負荷來保證功率平衡，從而提高風電消納能力，減少“棄風”。

圖1 某高載能生產企業日負荷曲線Fig.1 Curve of high energy load

3 考慮風電消納的電力系統源荷協調二層優化模型

二層優化是一種具有兩層遞階結構的系統優化模型[15-16]，下層優化在上層決策給定方案的基礎上優化自己的目標函數，并將優化結果反饋給上層；上層優化根據下層的優化結果修正自己的決策變量，做出均衡全局利益的決策。在本文中，常規電源的優化調度是以高載能負荷的投切容量為前提，而高載能負荷消納風電受阻功率則在常規電源出力和風電出力確定后進行優化，所以計算過程中上、下層相互制約并且需要反復迭代才能得到最優解。因此，本文采用二層優化模型描述大規模風電接入的源荷協調優化問題。

3.1 上層優化模型

上層優化模型以實現源荷協調運行效益的最大化為目標，即源荷協調運行成本最小，在滿足常規電源、風電和電網等各種約束條件的基礎上，對常規機組出力與風電調度出力進行優化。源荷協調運行成本包括兩個部分：一個是系統運行成本，包含常規電源發電成本和棄風成本；一個是通過投切高載能負荷消納風電獲得的總效益[17]。其數學描述為

式中，Cgen為常規機組的發電成本，由運行成本和啟停成本組成；Ccurtail為風電棄風成本；Bhigh-load為高載能負荷的總效益，即下層優化模型的目標函數；T為調度期間的時段數；NG為常規發電機組臺數；為常規機組i在t時段的啟停狀態變量，表示停機，表示開機；為常規機組i在t時段的有功出力；αi、βi、γi為常規機組 i的運行成本參數；η0i、η1i、τi為常規機組i的啟停成本參數；τ為常規機組的停機時間；NW為風電場個數；ρj為風電場j的單位棄風懲罰成本；為風電場 j在t時段的預測出力；為風電場j在t時段的有功調度出力；ΔT為時段t的持續時間長度。

約束條件包括系統功率平衡約束、常規電源運行約束、風電出力約束以及關鍵輸電斷面安全約束等[18-20]。在上層模型中，決策變量是常規機組的出力、風電調度出力，當風電調度出力較大時，除在本地消納以外，大部分風電出力需要通過外送通道輸送至負荷中心，而當風電調度出力較小、無法滿足本地負荷需求時，需要常規電源通過輸送通道遠距離進行調節，此外，在上、下層優化模型的傳遞過程中，高載能負荷的投切也會改變電網潮流的分布，從而對輸電通道產生一定的影響。因此，為了保證在風電遠距離外送、常規電源遠距離調節以及高載能負荷投切時系統能夠安全穩定地運行，需要在模型中考慮關鍵輸電斷面的安全約束。數學描述如下：

3.2 下層優化模型

通過投切高載能負荷進行風電消納會影響高載能負荷的正常生產，因此，在選取高載能負荷的時候，需要同時考慮高載能負荷對消納風電所起的作用和因投切產生的調節成本[21-22]。由于目前具有可調節特性的高載能負荷占全網負荷比例較小，高載能負荷投切引起的網損變化相對于風電消納效益和調節成本可以忽略，故這里不考慮網損的影響。

下層優化模型在上層模型的最優調度方案基礎上，以高載能負荷的總效益最大為目標，即高載能負荷的風電消納效益和調節成本之差最大，對高載能負荷的投切狀態進行優化。其數學描述為

式中，Bcon為高載能負荷的風電消納效益；Cadjust為高載能負荷的調節成本；為t時段高載能負荷的總計投入容量；NH為高載能負荷組數；為風電的上網價格；為高載能負荷 k的單位調節成本；為高載能負荷 k在時段 t的投切狀態，表示高載能負荷 k在時段 t中斷運行，表示高載能負荷k在時段t投入運行；為高載能負荷k的單位投切容量。

約束條件包括[23]

4 模型求解

4.1 求解上層模型

上層優化模型已知量有調度時段內的風電預測值、負荷預測曲線、常規機組運行參數和電力網絡相關參數，待優化變量為常規機組的啟停狀態、出力情況和風電調度出力情況，是一個包含整型和連續變量的混合整數非線性模型，采用改進遺傳算法進行求解[24]。步驟如下：

（1）染色體編碼。將染色體分為常規機組出力和風電調度出力兩部分，均采用實數編碼。如圖2所示。

圖2 上層優化變量編碼Fig.2 The upper optimization variables code

常規機組的啟停狀態取決于染色體中基因的具體取值，即根據機組在某時段的出力大小來確定，其表達式為

（2）遺傳策略。在遺傳操作中，本文采用具有最優保留策略、自適應交叉率、變異率和最優個體最少保留代數與最大遺傳代數相結合的終止進化準則的改進遺傳算法，使其能獲得全局最優解[25]。

（3）網絡安全約束的處理。通過潮流靈敏度分析方法，t時段的關鍵輸電斷面功率約束可以轉化為[26]

節點功率變化對斷面功率的影響可通過斷面中各支路靈敏度之和計算得到，即

式中，NL為關鍵輸電斷面的支路組成。

4.2 求解下層模型

下層優化模型已知量有上層優化模型得到的常規機組出力情況、風電調度情況以及高載能負荷的調節參數，待優化變量為高載能負荷的投切狀態，是一個僅包含 0-1變量的離散優化模型，為了提高求解速度，采用參數設置少、搜索速度快的二進制粒子群算法（Binary Particle Swarm Optimization，BPSO）進行求解。

粒子群算法是將優化問題的解看作是搜索空間中無質量無體積的粒子，通過迭代找到最優解[27]。在每次迭代中，每個粒子通過跟蹤個體最優位置 Pbest和全局最優位置 Gbest來更新自己。在 BPSO中[28]，粒子位置向量中的分量取值為 0或 1，并由其相應的速度決定的。粒子的速度更新公式為

式中，t為迭代次數；w為慣性權重；c1、c2為學習因子；rand()為[0,1]之間的均勻分布的隨機數；vid為第i個粒子速度向量的第d個分量；xid為第i個粒子位置向量的第 d個分量；pid為第i個粒子的個體最優位置的第d個分量；pgd為第i個粒子的全局最優位置的第d個分量。

BPSO算法中粒子的位置確定為

在使用BPSO對下層優化模型進行求解時，粒子的編碼如圖 3所示。

圖3 下層優化變量編碼Fig.3 The lower optimization variables code

4.3 算法流程

采用改進遺傳算法和二進制粒子群算法相結合的混合智能算法對源荷協調二層優化模型進行求解，具體流程如圖4所示。

圖4 源荷協調二層優化模型求解流程圖Fig.4 Flow chart of bi-level source-load coordination optimal model

5 算例分析

本文以某實際電網為實例，驗證所提出的源荷協調優化方法的可行性和有效性。該電網常規電源總裝機容量為14 350MW，風電總裝機容量為6 343.1 MW，高載能負荷投切總容量為 1 200MW，主要分布在嘉峪關和瓜州兩個風電并網點附近。該電網負荷預測曲線和風電輸出功率預測曲線如圖5和圖6所示。常規電源的最大、最小出力見表1，常規電源的爬坡速度為每分鐘上升或下降 1%的機組額定容量，常規電源應對負荷預測誤差所需正旋轉備用容量為系統最大負荷的 8%，負旋轉備用需求為系統最小負荷的 2%，常規電源應對風電出力波動所需正、負旋轉備用容量均為風電出力的15%，網絡安全約束中考慮的關鍵輸電斷面及其限值見表2。高載能負荷調節參數見表 3。風電上網價格為 600元/ (MW·h)，棄風懲罰成本為350元/(MW·h)。改進遺傳算法的初始種群大小為20，最大遺傳代數為50，交叉概率為0.8，變異概率為0.04；二進制粒子群算法的初始種群大小為50，最大迭代次數為100，慣性權重w=0.729，加速因子 c1=c2=1.496。

圖5 系統負荷預測曲線Fig.5 Curve of power system load forecasting

圖6 風電輸出功率預測曲線Fig.6 Curve of wind power forecasting output

表1 常規電源調節參數Tab.1 The adjustment parameters of conventional power

表2 關鍵輸電斷面限值參數Tab.2 The limits parameters of key transmission sections

表3 高載能負荷調節參數Tab.3 The adjustment parameters of high energy load

采用本文提出的源荷協調二層優化方法對常規電源的運行情況和高載能負荷的投切狀態進行綜合優化，同時將所獲得的最優方案與不考慮高載能負荷調節的單層優化模型進行比較。單層優化時，優化目標為系統運行成本最小，即不考慮高載能負荷的總效益，并將高載能負荷的總計投入容量設定為0，其他與上層優化模型一致。兩種優化方法得到最優方案如圖7和圖8所示。

圖7 源荷協調二層優化模型的優化結果Fig.7 The results of bi-level source-load coordination optimal model

圖8 單層優化模型的優化方案Fig.8 The results of single level optimal model

在本文二層優化模型中，當風電出力較大而系統負荷處于低谷時（1～13時段），常規電源運行在接近最小出力的位置，為避免常規電源出現向下調節能力不足甚至停機的情況，高載能負荷全部投入；當風電出力較小而負荷處于高峰時（36～51時段），常規電源出力逐漸增加，此時為避免負荷增加造成常規電源向上調節能力不足的情況，部分高載能負荷從電網切除；當風電出力最小而負荷處于最大值時（69～81時段），常規電源運行在接近最大出力的位置，高載能負荷全部切除。而在單層優化模型中，由于缺乏高載能負荷參與調節，常規電源絕大部分時段都運行在最小出力位置（1～39時段、50～64時段和92～96時段），這不僅增加了常規電源的運行成本，也導致常規電源調節能力嚴重不足，最終被迫棄風。

兩種方案對應的風電調度情況如圖9和圖10所示。

圖9 源荷協調二層優化方案下的風電調度情況Fig.9 Wind dispatching of bi-level source-load coordination optimal model

圖10 單層優化方案下的風電調度情況Fig.10 Wind dispatching of single level optimal model

由上可以看出，采用單層優化時，風電調度出力方案在1天96個時段中受限時段多達61個，最大受限功率為 2 686MW，總計受限電量為 14 091 MW·h；采用源荷協調二層優化時，風電計劃調度出力受限時段僅為 12個，最大受阻功率僅為 1 486 MW，總計受限電量為 2 388MW·h，風電消納水平得到了顯著的提高，有效減少了棄風量。

由表4可知，單層優化方案只采用常規電源對風電波動進行調節，使得常規電源的發電成本和因調節能力不足產生的棄風成本遠遠高于二層優化方案；采用源荷協調二層優化時，不僅常規電源的發電成本和棄風成本較小，且由于高載能負荷消納受阻風電取得了可觀的經濟效益，使總成本進一步降低。因此，本文所提方法用較少的高載能負荷調節成本換取了更少的常規電源發電成本和更高的風電消納水平，有利于緩解常規電源調節壓力、提高系統運行經濟性和風電消納水平。

表4 不同優化方案下的目標函數計算結果Tab.4 The objective function results of different model

采用高載能負荷就地消納風電后，系統關鍵輸電斷面的輸送功率將發生變化，將其與不考慮高載能負荷的單層優化模型進行對比，結果如圖 11和圖12所示。

圖11 源荷協調二層優化方案下的關鍵輸電斷面情況Fig.11 Key sections transmission power of bi-level source-load coordination optimal model

圖12 單層優化方案下的關鍵輸電斷面情況Fig.12 Key sections transmission power of single level optimal model

由圖可以看出，不考慮高載能負荷時，系統關鍵輸電斷面的輸送功率較大，而采用高載能負荷就地消納負荷后，各斷面輸送功率得到明顯降低。因此，在優化過程中選擇分布在風電基地附近的高載能負荷對風電出力波動進行調節，能夠有效減輕風電輸送通道的壓力，保證系統可靠運行。

6 結論

針對大規模風電的波動性對電網調度運行的影響，本文深入挖掘常規電源和高載能負荷參與電網調節的潛力，建立了大規模風電接入電力系統的源荷協調二層優化模型，對常規電源和高載能負荷進行綜合優化配置。仿真結果驗證了本文模型的有效性，得到了以下結論：

（1）在常規電源的調節能力不足以應對大規模風電的出力波動時，將高載能負荷作為調節手段融入電網優化調度中，能夠有效消納風電受阻功率，提高風電利用率，顯著緩解了大規模風電接入的電網調峰瓶頸問題。

（2）采用二層優化模型能夠更加直觀地體現常規電源和高載能負荷的協調優化流程，上、下層優化之間的傳遞關系也與常規電源和高載能負荷之間的互補關系相互對應。

（3）綜合考慮系統的運行成本和采用高載能負荷消納風電產生的經濟效益，既保證常規電源在調節風電時不過多偏離最優運行點，也使得高載能負荷在最少的調節成本下消納最多的受阻風電。

（4）針對上、下層優化模型的決策變量不同，采用改進遺傳算法和二進制粒子群算法相結合的混合智能算法對優化模型進行求解，求解速度快，收斂性能好。

[1] 白建華, 辛頌旭, 賈德香, 等. 中國風電開發消納及輸送相關重大問題研究[J]. 電網與清潔能源, 2010, 26(1): 14-17.

Bai Jianhua, Xin Songxu, Jia Dexiang, et al. Study of major questions of wind power digestion and transmission in China[J]. Power System and Clean Energy, 2010, 26(1): 14-17.

[2] 侯婷婷, 婁素華, 吳耀武, 等. 含大型風電場的電力系統調峰運行特性分析[J]. 電工技術學報, 2013, 28(5): 105-111.

Hou Tingting, Lou Suhua, Wu Yaowu, et al. Analysis on peak load regulation operation characteristics of power system integrated with large-scale wind power [J]. Transactions of China Electrotechnical Society, 2013, 28(5): 105-111.

[3] 肖創英, 汪寧渤, 丁坤, 等. 甘肅酒泉風電功率調節方式的研究[J]. 中國電機工程學報, 2010, 30(10):1-7.

Xiao Chuangying, Wang Ningbo, Ding Kun, et al. System power regulation scheme for Jiuquan wind power base[J]. Proceedings of the CSEE, 2010, 30(10): 1-7.

[4] 姚明濤, 胡兆光, 張寧, 等. 工業負荷提供輔助服務的多智能體響應模擬[J]. 中國電機工程學報, 2014, 34(25): 4219-4226.

Yao Mingtao, Hu Zhaoguang, Zhang Ning, et al. Multi-agent response simulation of industrial loads for ancillary services[J]. Proceedings of the CSEE, 2014, 34(25): 4219-4226.

[5] 姚建國, 楊勝春, 王珂, 等. 智能電網“源—網—荷”互動運行控制概念及研究框架[J]. 電力系統自動化, 2012, 36(2): 1-6.

Yao Jianguo, Yang Shengchun, Wang Ke, et al. Concept and research framework of smart grid “source-gridload” interactive operation and control[J]. Automation of Electric Power Systems, 2012, 36(2): 1-6.

[6] 馬林東, 葛智平, 張世才, 等. 基于高耗能企業參與電網內風電消納的主動調峰技術[J]. 電力建設, 2013, 34(10): 102-106.

Ma Lindong, Ge Zhiping, Zhang Shicai, et al. Active peaking technology based on high energy-consumption enterprise participating in wind power accommodation in power grid[J]. Electric Power Construction, 2013, 34(10): 102-106.

[7] Bashash S, Fathy H K. Modeling and control of aggregate air conditioning loads for robust renewable power management[J]. IEEE Transactions on Control Systems Technology, 2013, 21(4): 1318-1327.

[8] Junji Kondoh. Direct Load Control for Wind Power Integration[C]. IEEE Power & Energy Society General Meeting, Detroit, USA, 2011.

[9] Teleke S, Baran M E, Huang A Q. Control strategies for battery energy storage for wind farm dispatching [J]. IEEE Transactions on Energy Conversion, 2009, 24(03): 725-732.

[10] Zakariazadeh A, Alinezhad L, Jadid S. Optimum simultaneous clearing of energy and spinning reserve markets with high penetration of wind power[C]. Power and Energy Engineering Conference(APPEEC), Chengdu, China, 2010.

[11] Weihao Hu, Chi Su, Zhe Chen, et al. Optimal operation of plug-in electric vehicles in power systems with high wind power penetrations[J]. IEEE Transactions on Sustainable Energy, 4(3): 577-585.

[12] H Zhong, L Xie, Q Xia. Coupon incentive-based demand response: Theory and case study[J]. IEEE Transactions on Power System, 2013, 28(2): 1266-1276.

[13] 楊楠, 王波, 劉滌塵, 等. 考慮柔性負荷調峰的大規模風電隨機優化調度方法[J]. 電工技術學報, 2013, 28(11): 231-238.

Yang Nan, Wang Bo, Liu Dichen, et al. Large-scale wind power stochastic optimization scheduling method considering flexible load peaking[J]. Transactions of China Electrotechnical Society, 2013, 28(11): 231-238.

[14] 豐佳, 周蕓菲. 浙江省典型用電行業負荷特性和可中斷能力分析[J]. 電力需求側管理, 2011, 13(4): 48-53.

Feng Jia, Zhou Yunfei. The analysis of typical load characteristic and the ability of interruptible load of the electrical customer in Zhejiang province[J]. Power DSM, 2011, 13(4): 48-53.

[15] 郭金明, 李欣然, 鄧威, 等. 基于2層規劃的間歇性分布式電源及無功補償綜合優化配置[J]. 中國電機工程學報, 2013, 33(28): 25-33.

Guo Jinming, Li Xinran, Deng Wei, et al. Comprehensive optimal allocation of intermittent distributed generation and reactive power compensation based on bilevel planning[J]. Proceedings of the CSEE, 2013, 33(28): 25-33.

[16] 張璐, 唐巍, 叢鵬偉, 等. 基于機會約束規劃和二層規劃的配電網廣義電源優化配置[J]. 電力系統自動化, 2014, 38(5): 50-58.

Zhang Lu, Tang Wei, Cong Pengwei, et al. Optimal configuration of generalized power sources in distribution network based on chance constrained programming and bi-level programming[J]. Automation of Electric Power Systems, 2014, 38(5): 50-58.

[17] 向月, 劉俊勇, 魏震波, 等. 考慮可再生能源出力不確定性的微電網能量優化魯棒模型[J]. 中國電機工程學報, 2014, 34(19): 3063-3072.

Xiang Yue, Liu Junyong, Wei Zhenbo, et al. Robust model of microgrid energy optimization with uncertain renewable energy sources[J]. Proceedings of the CSEE, 2014, 34(19): 3063-3072.

[18] 雷宇, 楊明, 韓學山. 基于場景分析的含風電系統機組組合的兩階段隨機優化[J]. 電力系統保護與控制, 2012, 40(23): 58-67.

Lei Yu, Yang Ming, Han Xueshan. A two-stage stochastic optimization of unit commitment considering wind power based on scenario analysis[J]. Power System Protection and Control, 2012, 40(23): 58-67.

[19] 陳建華, 吳文傳, 張伯明, 等. 風電受限態下的大電網有功實時控制模型與策略[J]. 中國電機工程學報, 2012, 32(28): 1-6.

Chen Jianhua, Wu Wenchuan, Zhang Boming, et al. An active power real-time control method for large power grid under wind power curtailment[J]. Proceedings of the CSEE, 2012, 32(28): 1-6.

[20] 王彩霞, 喬穎, 魯宗相. 考慮風電效益的風火互濟系統旋轉備用確定方式[J]. 電力系統自動化, 2012, 36(4): 16-21.

Wang Caixia, Qiao Ying, Lu Zongxiang. A method for determination of spinning reserve in wind-thermal power systems considering wind power benefits[J]. Automation of Electric Power Systems, 2012, 36(4): 16-21.

[21] 李海英, 李渝曾, 張少華. 可中斷負荷參與輸電阻塞管理的模型與算法[J]. 電力系統自動化, 2006, 30(10): 17-21.

Li Haiying, Li Yuzeng, Zhang Shaohua. Model and algorithm of transmission congestion management based on interruptible load[J]. Automation of Electric Power Systems, 2006, 30(10): 17-21.

[22] 嚴干貴, 馮曉東, 李軍徽, 等. 用于松弛調峰瓶頸的儲能系統容量配置方法[J]. 中國電機工程學報, 2012, 32(28): 27-35.

Yan Gangui, Feng Xiaodong, Li Junhui, et al. Optimization of energy storage system capacity for relaxing peak load regulation bottlenecks[J]. Proceedings of the CSEE, 2012, 32(28): 27-35.

[23] 毛偉明, 周明, 李庚銀. 多時段下計及可中斷負荷的電網輸電阻塞管理[J]. 電網技術, 2008, 32(4): 72-77.

Mao Weiming, Zhou Ming, Li Gengyin. Multi-period power transmission congestion management considering interruptible loads[J]. Power System Technology, 2008, 32(4): 72-77.

[24] 孫力勇, 張焰, 蔣傳文. 基于矩陣實數編碼遺傳算法求解大規模機組組合問題[J]. 中國電機工程學報, 2006, 26(2): 82-87.

Sun Liyong, Zhang Yan, Jiang Chuanwen. A solution to the unit commitment problem based on matrix real-coded genetic algorithm[J]. Proceedings of the CSEE, 2006, 26(2): 82-87.

[25] 所麗, 唐巍, 白牧, 等. 可考慮削峰填谷的配電網集中型充電站選址定容規劃[J]. 中國電機工程學報, 2014, 34(7): 1052-1060.

Suo Li, Tang Wei, Bai Muke, et al. Locating and sizing of centralized charging stations in distribution network considering load shifting[J]. Proceedings of the CSEE, 2014, 34(7): 1052-1060.

[26] 曾丹, 姚建國, 楊勝春, 等. 應對風電消納中基于安全約束的價格型需求響應優化調度建模[J]. 中國電機工程學報, 2014, 11(34): 5571-5578.

Zeng Dan, Yao Jianguo, Yang Shengchun, et al. Optimization dispatch modeling for price-based demand response considering security constraints to accommodate the wind power[J]. Proceedings of the CSEE, 2014, 11(34): 5571-5578.

[27] 江岳文, 陳沖, 溫步瀛. 含風電場的電力系統機組組合問題隨機模擬粒子群算法[J]. 電工技術學報, 2009, 24(6): 129-137.

Jiang Yuewen, Chen Chong, Wen Buying. Particle swarm research of stochastic simulation for unit commitment in wind farms integrated power system[J]. Transactions of China Electrotechnical Society, 2009, 24(6): 129-137.

[28] 王倩倩, 趙彩虹, 馬成飛, 等. 基于二進制粒子群算法的可中斷負荷優化調度[J]. 南京師范大學學報(工程技術版), 2011, 11(2): 19-25.

Wang Qianqian, Zhao Caihong, Ma Chengfei, et al. Scheduling of interruptible load based on binary particle swarm optimization[J]. Journal of Nanjing Normal Universiy(Engineering and Technology Edition), 2011, 11(2): 19-25.

Source-Load Coordination Optimal Model Considering Wind Power Consumptive Benefits Based on Bi-Level Programming

Wen Jing1 Liu Wenying1 Xie Chang2 Wang Weizhou3

（1. State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources North China Electric Power University Beijing 102206 China 2. China Electric Power Research Institute Beijing 100192 China 3. State Grid Gansu Provincial Electric Power Research Institute Lanzhou 730050 China）

With large-scale wind power access, its stochastic and intermittent increases the regulation pressure of conventional power, and the characteristic of reverse distribution with conventional energy also makes the regulation ability of conventional power constrained by transmission channel, and results in wind power consumptive blocked. This paper uses the high energy load as an important means of wind power consumptive, and combines the optimal scheduling of conventional power with the optimal allocation of high energy load, and establishes a bi-level optimal model with the source-load coordination benefits maximized which including the system operation cost, the adjustment cost of high energy load, and the wind power consumptive benefits. The operation situation of conventional power and the scheduling plan of wind power are calculated by the upper model; and then, the lower model is to determine appropriate high energy load to consume blockedwind power effectively and minimize adjustment cost at the same time with regard to the wind power consumptive blocked caused by lacking of conventional power regulating capacity. According to the difference between the decision variables of upper level model and lower level model, the hybrid intelligent optimization algorithm which combines the improved genetic algorithm with the binary particle swarm algorithm is used to solve this model. The simulation results of actual power grid verified the feasibility and effectiveness of this model.

Wind Power, high energy load, source-load coordination, consumptive benefits, bi-level optimal model, hybrid intelligent algorithm

TM614

文 晶 女，1987年生，博士研究生，從事電力系統運行、分析與控制方面的研究。

國家自然科學基金項目（51377053）和國家科技支撐計劃項目（SQ2015BA0502239）。

2013-04-14 改稿日期 2013-05-14

劉文穎 女，1955年生，教授，博士生導師，從事電力系統分析與控制、電力系統智能調度及大電網安全防御方面的研究。