計及需求響應的含風電場日前兩階段動態(tài)環(huán)境經(jīng)濟調(diào)度

劉旭，楊德友，孟濤，張旺，劉曦，姜明磊

(1.東北電力大學電氣工程學院，吉林省吉林市 132012；2.國網(wǎng)吉林省電力有限公司電力科學研究院，長春市 130021；3.國網(wǎng)吉林省電力有限公司經(jīng)濟技術研究院，長春市 130000)

計及需求響應的含風電場日前兩階段動態(tài)環(huán)境經(jīng)濟調(diào)度

劉旭1，楊德友1，孟濤2，張旺1，劉曦3，姜明磊3

(1.東北電力大學電氣工程學院，吉林省吉林市 132012；2.國網(wǎng)吉林省電力有限公司電力科學研究院，長春市 130021；3.國網(wǎng)吉林省電力有限公司經(jīng)濟技術研究院，長春市 130000)

需求響應作為發(fā)電側與需求側之間的重要互動資源，能有效調(diào)節(jié)負荷需求分布來實現(xiàn)節(jié)能減排和提高系統(tǒng)風電接納能力的目的。基于此，將需求響應融入環(huán)境經(jīng)濟中，提出一種智能電網(wǎng)下的日前兩階段調(diào)度模型：第1階段為日前用戶互動階段，通過分時電價的杠桿作用引導用戶理性用電，以調(diào)整次日負荷需求分布，綜合考慮負荷水平和用戶用電滿意度確定最優(yōu)負荷曲線和分時電價；第2階段為日前調(diào)度階段，針對風電出力隨機性，建立基于機會約束規(guī)劃的環(huán)境經(jīng)濟調(diào)度模型，采用風電出力分布函數(shù)將其轉化為確定性模型。將種群多樣性指標和隨機黑洞理論引入粒子群算法中，結合多目標搜索機制，提出一種改進多目標粒子群算法對模型求解，并采用逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)對Pareto前沿個體排序，輔助調(diào)度人員進行科學決策。改進10機系統(tǒng)的仿真結果驗證了該模型及方法的有效性與合理性。

風電；需求響應；分時電價；用戶滿意度；環(huán)境經(jīng)濟調(diào)度；逼近理想解排序法(TOPSIS)

0 引 言

日益加劇的環(huán)境污染和能源枯竭促進了風、光等清潔能源的發(fā)展。風力發(fā)電因安裝方式靈活、低碳環(huán)保、便于維護等優(yōu)勢獲得了國內(nèi)外廣泛的關注，并逐漸取代傳統(tǒng)化石能源成為國家能源戰(zhàn)略布局中的重要組成部分[1]。然而，大規(guī)模風電并網(wǎng)運行增加了系統(tǒng)運行的復雜性和不確定性，對電力系統(tǒng)優(yōu)化調(diào)度提出了更高的要求與挑戰(zhàn)[2]。

傳統(tǒng)電力系統(tǒng)經(jīng)濟調(diào)度是在滿足功率平衡、旋轉備用和機組出力極限等約束下，合理安排負荷分配使發(fā)電成本最小，但隨著風電并網(wǎng)容量的逐漸增大，從經(jīng)濟、技術和環(huán)保等多方面綜合展開電力系統(tǒng)經(jīng)濟調(diào)度問題的研究更加符合當前能源發(fā)展趨勢。文獻[3]建立了含風電場環(huán)境的經(jīng)濟調(diào)度隨機模型，考慮風電出力隨機性對系統(tǒng)旋轉備的影響，應用改進多目標差分進化算法對模型求解，但忽略了系統(tǒng)網(wǎng)損。文獻[4]兼顧系統(tǒng)運行經(jīng)濟性與環(huán)境效益，建立含風電場多目標動態(tài)環(huán)境經(jīng)濟調(diào)度(dynamic economic emission dispatch，DEED)模型，但沒有考慮機組的啟停費用。文獻[5]針對風電出力隨機性的特點，應用多場景理論建立計及污染氣體排放風險的DEED模型，對污染氣體排放風險進行有效管理，但僅考慮在不同風電出力場景下的調(diào)度計劃，并不能全面分析風電出力隨機性對系統(tǒng)調(diào)度的影響。以上文獻僅從優(yōu)化發(fā)電側資源的角度進行DEED的研究，但發(fā)電側資源十分有限，并不能滿足低碳環(huán)保的電力發(fā)展要求。

需求響應作為電力市場框架下的重要互動資源，能有效引導終端用戶采取合理的用電方式和用電結構，以調(diào)整負荷需求分布，應對風電出力隨機性和反調(diào)峰特性。文獻[6]建立計及需求響應的含風電場經(jīng)濟環(huán)境聯(lián)合調(diào)度模型，采用線性權重法將多目標轉化為單目標，這種簡化雖然降低了求解難度，但不能深入挖掘各目標函數(shù)間的內(nèi)在聯(lián)系，在最終決策時將面臨選擇單一的局面。文獻[7]引入分時電價(time-of-use price，TOU)及可中斷負荷這2種響應形式，針對風電場出力的隨機特性，從運行可靠性的角度整合系統(tǒng)資源，有效提高了風電利用率，但沒有計及污染氣體排放對調(diào)度結果所造成的影響。文獻[8]構建基于電力需求彈性理論的用戶不確定響應模型，應用實時電價引導終端用戶合理用電，但需求彈性矩陣的建立需要分析大量市場數(shù)據(jù)，實現(xiàn)起來具有一定難度。

針對以上問題，本文將需求響應融入DEED中，從負荷水平、用戶用電滿意度、系統(tǒng)運行經(jīng)濟性和環(huán)境效益的角度，建立日前兩階段優(yōu)化調(diào)度模型，將發(fā)電側與需求側資源整合統(tǒng)一調(diào)度，以協(xié)調(diào)風電入網(wǎng)和實現(xiàn)削峰填谷的目的。提出一種改進多目標粒子群算法(improved multi-objective particle swarm optimization algorithm，IMPSO)對模型求解，并應用輔助決策—逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)對Pareto前沿個體排序，輔助調(diào)度人員確定最佳調(diào)度方案。

1 風電出力隨機模型

大量風速數(shù)據(jù)的統(tǒng)計分析表明，雙參數(shù)威布爾(Weibull)分布能較準確描述實際風速的變化規(guī)律，其分布函數(shù)為

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

(1)

式中：k為形狀參數(shù)；c為尺度參數(shù)；v為風速。其概率密度函數(shù)為

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

(2)

當知道風速分布后，通過分析風電功率輸出和風速的關系可得到二者近似的隨機分布。圖1給出了風電機組功率輸出和風速的函數(shù)關系，其中，Prate為額定輸出功率，vin、vout和vrate分別為切入風速、切出風速和額定風速。

圖1 風力發(fā)電功率輸出曲線Fig.1 Power output curve of wind energy system

由圖1可知，風力發(fā)電的輸出功率Pwind與風速v的函數(shù)關系可表示為

(3)

由式(3)可知，Pwind在(0,Prate)區(qū)間上連續(xù)，而在區(qū)間端點0和Prate處離散，即Pwind是一個混合隨機變量，其分布函數(shù)[9]可表示為

(4)

2 DR對DEED的影響

2.1 用戶不確定響應行為建模

電價作為影響用戶用電行為的主導因素，較激勵型的需求響應更能體現(xiàn)用戶消費的主觀意識。由消費者心理學原理[10]可知，用戶對電價刺激的響應行為分為3種，即不敏感區(qū)(相當于死區(qū))，此時電價波動(峰平谷各時段電價差)較小，用戶各時段用電量幾乎不變；正常響應區(qū)(相當于線性區(qū))，此時用戶根據(jù)各時段電價變化情況合理調(diào)整用電方式，以盡可能追求電費最小；響應極限區(qū)(相當于飽和區(qū))，此時電價波動較大，超出了用戶響應極限，用戶各時段用電量將不隨電價波動而改變。

為確定實施TOU后的系統(tǒng)負荷，首先引入負荷轉移率概念，負荷轉移率是指負荷由高電價時段向低電價時段的轉移量與高時段負荷的比值，描述的是各時段負荷隨電價波動的轉移情況。由實際數(shù)據(jù)分析可知，負荷轉移率與電價波動的關系可采用分段線性函數(shù)表示。以峰時段到谷時段的負荷轉移率曲線為例，如圖2所示，其中橫坐標表示峰、谷電價差，縱坐標表示負荷轉移率。

圖2 峰時段到谷時段的負荷轉移率曲線Fig.2 Load shifting curve from peak to valley

峰時段到谷時段的負荷轉移率為

(5)

實行TOU后的j類用戶各時段擬合負荷為

(6)

2.2 用戶滿意度

用戶滿意度屬于市場營銷范疇的概念。用戶通過TOU的引導參與次日負荷曲線的制定，較高的峰谷電價比會使用戶響應充分，有效提高系統(tǒng)負荷水平，達到削峰填谷的目的，但同時也會使用戶的用電方式和用電結構發(fā)生大幅度改變，使用戶對TOU的實施產(chǎn)生抵觸情緒，損害電力公司的社會形象。然而，較低的峰谷電價比又達不到電力公司理想的預期效果。因此，有必要綜合考慮用戶和電力公司雙方的利益來制定TOU和負荷曲線，尋求二者的利益均衡。本文將文獻[11]中2個用戶滿意度指標引入DEED中，作為影響TOU及負荷曲線制定的約束條件，以保證最終調(diào)度方案使用戶滿意。

電費支出滿意度是描述TOU實施前后用戶電費支出的變化情況，如式(7)：

(7)

式中：p0、pt分別為實施TOU前后的t時段電價。ρ≥1表示用戶電費支出有所減少，用戶從TOU實施中獲益，反之用戶利益受損。

用電方式滿意度是描述TOU實施前后用戶各時段用電量的變化情況，如式(8)：

(8)

由式(8)可知，θ是介于[0，1]之間的數(shù)，當θ=1時，用電方式滿意度最大，即用戶的用電方式和用電結構沒有發(fā)生任何改變。

3 計及需求響應的日前兩階段多目標DEED模型

3.1 日前用戶互動模型

在日前用戶互動階段，綜合考慮用戶和電力公司雙方利益，優(yōu)化TOU來制定最優(yōu)的負荷曲線。以負荷均方差為目標函數(shù)，如式(9)：

(9)

式中：PD,t為t時段系統(tǒng)負荷，與常規(guī)優(yōu)化調(diào)度不同的是此時負荷是受TOU影響的變量。

用戶互動模型的約束條件可概括為以下幾點。

(1)用戶滿意度約束：

(10)

式中：θmin為電費支出滿意度下限；λmin為用電方式滿意度下限。

(2)采用峰時電價與谷時電價拉開幅值不等的方式，固定平時段電價為實施TOU前的原始電價，為保證實施TOU前后的負荷峰谷特性不變，則拉開比ω需滿足[12]：

(11)

式中：Qp為峰時段總用電量；Qv為谷時段總用電量。

3.2 日前調(diào)度模型

基于日前用戶互動階段得到的最優(yōu)負荷曲線，在日前調(diào)度階段，根據(jù)次日風電預測出力和火電機組的工作狀態(tài)，綜合考慮系統(tǒng)運行經(jīng)濟性和環(huán)境效益，建立基于機會約束規(guī)劃的多目標調(diào)度模型，目標函數(shù)如下所述。

(1)發(fā)電總費用。常規(guī)火電機組的發(fā)電總費用目標函數(shù)為

(12)

式中：N為火電機組臺數(shù)；Ui,t為第i臺火電機組t時段的工作狀態(tài)，Ui,t=1表示第i臺火電機組處于開機狀態(tài)，Ui,t=0表示第i火電機組處于停機狀態(tài)；Ci,t(Pi,t)為第i臺火電機組t時段燃料成本；Pi,t為第i臺火電機組t時段輸出有功功率；Si,t為第i臺火電機組t時段啟停動成本。

火電機組的燃料成本采用二次函數(shù)表示：

(13)

式中：ai、bi、ci為第i臺火電機組燃料費用參數(shù)。

火電機組啟停成本與各機組運行狀態(tài)和初始狀態(tài)有關：

(14)

(2)污染氣體排放量。常規(guī)火電機組消耗化石能源會產(chǎn)生CO2、SOx、NOx等污染氣體，考慮污染氣體綜合排放量的目標函數(shù)[13]為

(15)

式中：αi、βi、γi、λi、ξi為第i臺火電機組污染氣體排放特性參數(shù)。

日前調(diào)度模型的約束條件如下。

(1)功率平衡約束：

(16)

式中：Pw,t為風電場t時段輸出有功功率；PD,t為實施TOU后t時段系統(tǒng)負荷；Ploss,t為t時段網(wǎng)絡損耗，通過B系數(shù)法獲得：

(17)

式中：Bij、Bi0、B00為網(wǎng)絡損耗系數(shù)。

由于Pw,t為隨機變量，采用機會約束以概率的形式將式(16)表示為

(18)

式中：Pr{·}為滿足{·}事件的置信水平；μ為滿足功率平衡約束的置信水平下限。

(2)風電滲透率極限約束：

搶抓銀監(jiān)會下放村鎮(zhèn)銀行準入權限到省銀監(jiān)局的政策機遇。2018年起，開展組建村鎮(zhèn)銀行工作，鼓勵現(xiàn)有村鎮(zhèn)銀行向農(nóng)村地區(qū)延伸，不斷提高服務“三農(nóng)”水平，夯實經(jīng)營基礎；支持和鼓勵村鎮(zhèn)銀行通過增資擴股做大、做強，改善村鎮(zhèn)銀行外部結算環(huán)境和社會公信力；探索適合當?shù)貙嶋H的農(nóng)村資金互助社試點模式；出臺市級供銷合作社系統(tǒng)社員股金服務機構監(jiān)督管理辦法，規(guī)范發(fā)展基層新型供銷社社員股金服務業(yè)務，使其成為服務“三農(nóng)”的重要補充，逐步形成不同類型、不同規(guī)模、互補性強的農(nóng)村金融組織體系，為農(nóng)村經(jīng)濟社會發(fā)展和脫貧攻堅提供多元化、差異化、特色化的金融服務。

Pw,t≤δPD,t

(19)

式中：δ為風電滲透率極限系數(shù)。采用機會約束以概率的形式將式(19)表示為

Pr{δPD,t≥Pw,t}≥φ

(20)

式中：φ為滿足風電穿透極限約束的置信水平下限。

(3)火電機組出力約束：

Pi,min≤Pi,t≤Pi,max

(21)

式中：Pi,min、Pi,max分別為第i臺火電機組出力上、下限。

(4)火電機組最小啟停時間約束：

(22)

(5)風電場出力約束：

0≤Pw,t≤Pw,max

(23)

式中：Pw,max為風電場出力上限。

(6)系統(tǒng)正、負旋轉備用容量約束：

(24)

(25)

3.3 隨機模型的確定化

將隨機模型轉化為等價的確定性模型是求解機會約束規(guī)劃問題的常用方法。式(18)、(20)均包含隨機變量Pw,t，結合Pw,t分布函數(shù)式(4)，可將式(18)轉化為

(26)

將式(4)代入式(26)，整理可得到：

(27)

同理，式(20)可轉化為

(28)

綜上分析，確定性日前多目標調(diào)度模型為

(29)

式中：P為由各火電機組出力變量構成的集合；g(·)為不等式約束條件。

4 改進多目標粒子群算法

4.1 粒子群算法回顧

vid(t+1)=ωvid(t)+c1r1[pid-xid(t)]+c2r2[pgd-xid(t)]

(30)

xid(t+1)=xid(t)+vid(t+1)

(31)

式中：t為當前搜索代數(shù)；vid(t)和xid(t)分別為粒子i速度和位置的d維分量；pid為粒子i歷史最優(yōu)位置的d維分量；pgd為種群歷史最優(yōu)位置的d維分量；ω為慣性系數(shù)；c1和c2為學習因子；r1，r2為[0，1]區(qū)間內(nèi)的均勻分布隨機數(shù)。

4.2 改進多目標粒子群算法

4.2.1 自適應慣性權重

在PSO算法中，ω采用線性遞減策略，然而該策略并不能充分挖掘將當前種群搜索信息并反饋到下一次迭代中，這往往會導致種群多樣性降低，算法陷入局部最優(yōu)，早熟收斂。針對這一問題，提出一種基于種群多樣性反饋的自適應慣性權重：

(32)

式中：γ為很小的正數(shù)；Kmax為總迭代次數(shù)；d(t)為種群多樣性指標[14]：

(33)

式中：Npop為粒子總數(shù)；|L|為搜索空間最大對角距離；D為優(yōu)化問題維數(shù)；pd(t)為種群位置的d維分量平均值。

4.2.2 隨機黑洞機制的引入

文獻[15]將黑洞演化過程中的星體運動理論引入PSO算法中，提出一種隨機黑洞粒子群算法(RBH-PSO)。在RBH-PSO算法中，將每次搜索到的種群最優(yōu)位置的d維分量pgd為中心，在以r為半徑的區(qū)域內(nèi)隨機產(chǎn)生一粒子為黑洞，粒子以一定的概率被黑洞捕獲，在進入黑洞后也有一定概率的逃離黑洞，進而增加粒子探索新區(qū)域的可能，提高算法的勘探能力。本文將RBH-PSO算法擴展應用到DEED求解中，圖3給出粒子位置更新示意圖。

圖3 粒子位置更新示意圖Fig.3 Schematic diagram of particle position

由圖3可知：當lid>p時，粒子脫離黑洞引力范圍，按傳統(tǒng)方式更新粒子位置，否則粒子被黑洞捕獲，位置更新方式如下：

(34)

式中：p為黑洞捕獲粒子的概率閾值，是介于[0，1]之間的定常數(shù)；lid(t)為xid(t)對應的概率值，是服從[0，1]區(qū)間均勻分布的隨機數(shù)；r3為服從[0，1]區(qū)間均勻分布的隨機數(shù)，表示粒子進入黑洞后，也有一定概率逃離黑洞。

4.2.3 多目標優(yōu)化

為使改進PSO算法適用于求解多目標優(yōu)化問題，在算法搜索過程中引入累積排序操作和精英保留操作，并采用文獻[16]中改進的擁擠距離操作，以獲得分布廣泛均勻地Pareto前沿。粒子A和粒子C之間的粒子B的擁擠距離如式(35)：

min[|fi(A)-fi(B)|,|fi(B)-fi(C)|]}

(35)

式中：Nobj為目標出數(shù)的個數(shù)；fi(A)表示粒子A第i個目標函數(shù)的適應度值。

4.3 輔助決策

多目標優(yōu)化問題的各子目標函數(shù)存在相互競爭的關系，優(yōu)化得到的Pareto前沿包含豐富解的信息，為輔助決策者直觀、快速的制定調(diào)度方案，本文采用TOPSIS[17]對Pareto前沿個體進行排序，排序結果客觀地反映各調(diào)度方案的優(yōu)劣。在應用TOPSIS法對

Pareto前沿個體排序時，首先需要確定各屬性的權重集，本文采用信息熵法來獲得。

5 算例分析

5.1 算例描述

對含1個并網(wǎng)風電場和10臺燃煤機組的電力系統(tǒng)為例進行兩階段環(huán)境經(jīng)濟調(diào)度計算，系統(tǒng)負荷及機組耗量特性參數(shù)見文獻[18]，污染氣體排放參數(shù)見文獻[19]。并網(wǎng)風電場含有60臺風機，每臺風機的額定功率為2 MW，切入風速、切出風速和額定風速分別為4.3，7.7和17.9 m/s，1天內(nèi)各時段形狀參數(shù)與尺度參數(shù)參照文獻[20]取值。

5.2 計及DR的兩階段調(diào)度結果分析

5.2.1 日前用戶互動模型結果分析

實施TOU前的原始電價為0.8 元/(kW·h)，峰平谷各時段劃分見文獻[21]。調(diào)度周期為1天，以1 h為單位分為24個時段。采用專業(yè)的優(yōu)化軟件CPLEX對日前用戶互動模型進行求解，表1給出了幾種典型優(yōu)化方案的結果。

表1 日前用戶互動階段的典型優(yōu)化方案
Table 1 Typical optimization scheme of day-ahead user interaction stage

從表1可知：負荷均方差隨著拉開比的增大而減小，兩者呈明顯的負相關趨勢，這是由于拉開比可以調(diào)節(jié)峰谷電價差，拉開比越大用戶對TOU的響應越充分，削峰填谷的作用就越明顯。未考慮需求響應時，負荷曲線的峰谷差為800 MW，最優(yōu)解較其降低了337 MW，可見引入需求側資源可以顯著改善系統(tǒng)負荷水平，有效避免了因負荷顯著波動給系統(tǒng)運行帶來的安全問題，圖4給出了計及需求響應前后的負荷曲線；電費支出滿意度均大于1，說明實施TOU后的用戶電費支出有所減少，這符合TOU的制定原則，即TOU的實施以不損害用戶的利益為前提，同時可以看出電費支出滿意度又接近于1，說明本文電價方案并沒有嚴重影響電網(wǎng)公司的盈利；用電方式滿意度均較大，說明TOU的實施沒有給用戶的用電方式和用電結構帶來大幅度的改變，同時可以看出用電方式滿意度與拉開比呈負相關趨勢，這是由于拉開比越大，峰谷電價差越大，用戶為了追求用電費用最小，被迫改變用電方式。綜上分析可知，本文方法得到的電價

圖4 計及需求響應前后負荷曲線Fig.4 Load curves with or without considering demand response

方案和次日負荷曲線兼顧了用戶和電網(wǎng)公司雙方的利益，為調(diào)度決策者提供一定的理論參考。

5.2.2 日前調(diào)度模型結果分析

風電場24 h預測出力曲線見圖5，風電的滲透率極限δ=7%，正、負旋轉備用容量均取各時段系統(tǒng)負荷的5%。置信水平μ、φ分別為0.95和0.85。IMPSO算法參數(shù)設置：粒子種群規(guī)模Npop=100；最大迭代次數(shù)Kmax=100次；學習因子c1=c2=2；黑洞半徑r=0.01；概率閾值p=0.3。為驗證IMPSO算法性能，同時采用NSGA-II算法對模型求解，NSGA-II算法的交叉算子指數(shù)和交叉率分別為20和0.9，變異算子指數(shù)和變異率分別為20和0.025，迭代次數(shù)和種群規(guī)模與本文一致。2種算法對日前調(diào)度模型優(yōu)化得到Pareto前沿如圖6所示。

圖5 各時段風電場出力及波動區(qū)間Fig.5 Hourly wind power and rang of power fluctuating

圖6 2種優(yōu)化算法的Pareto前沿Fig.6 Pareto frontier of two optimal algorithms

從圖6可知：與NSGA-II算法相比，IMPSO算法獲得的非劣解集分布廣泛均勻，更加靠近真實的Pareto前沿，這主要由于自適應慣性權重及隨機黑洞機制的引入，提高了種群多樣性，均衡了算法全局和局部搜索性能。結合圖5、6分析可知，由于各時段風電場出力相近，負荷在各火電機組間隨機分配，導致Pareto前沿個體的發(fā)電成本與污染氣體排放量差別較大，這無疑增加了調(diào)度人員的決策難度，而采用TOPSIS法對Pareto前個體進行排序，排序結果直觀反映了各發(fā)電計劃優(yōu)劣，便于調(diào)度人員進行科學的決策。2種算法極端解及最優(yōu)解的各個指標見表2。

表2 日前調(diào)度階段的Pareto多樣性解
Table 2 Pareto multi-solutions of day-ahead dispatch stage

從表2可知：與NSGA-II算法相比，IMPSO算法的極端解和最優(yōu)解都有所改進；經(jīng)濟最優(yōu)時啟停費用最小，環(huán)境最優(yōu)時啟停費用最大，啟停費用與發(fā)電成本和污染氣體排放量呈明顯的正、負相關趨勢，這與實際的發(fā)電情況相符。

5.3 調(diào)用需求側資源前后的結果分析

為進一步驗證需求側資源對DEED的影響，與常規(guī)調(diào)度模式的優(yōu)化結果進行比較，2種調(diào)度模式下的優(yōu)化結果如表3所示。圖7分別給出了2種調(diào)度模式下最優(yōu)解各時段排污特性曲線和風電并網(wǎng)功率曲線。

表3 常規(guī)調(diào)度模式和本文模式下的優(yōu)化結果
Table 3 Optimal solution under conventional dispatching mode and proposed mode

從表3可知：常規(guī)調(diào)度的經(jīng)濟最優(yōu)和環(huán)境最優(yōu)分別為6.210 4×105元、1.735 4×105t，而調(diào)用需求側資源時的經(jīng)濟最優(yōu)與環(huán)境最優(yōu)分別為6.115 9×105元、1.728 8×105t，即發(fā)電成本與污氣排放量分別減少了0.094 5×105元、0.006 6×105t；最優(yōu)解的發(fā)電成本與污氣排放量也分別減少了0.057 3×105元、0.041 6×105t。在啟停費用方面，本文方法較常規(guī)調(diào)度的啟停費用有所減少，分析原因是由于TOU的調(diào)節(jié)作用使負荷曲線趨于平坦，減少了火電機組的啟停次數(shù)。從圖7(a)可知，本文方法并非每個時段的污染氣體排放量都小于常規(guī)調(diào)度，但在總排放量上優(yōu)勢明顯。從圖7(b)可知，由于用戶對負荷分布的調(diào)節(jié)作用有限，在某些時段的風電并網(wǎng)功率相同，但就總的風電接入量而言，本文方法的風電接入量高于傳統(tǒng)調(diào)度調(diào)度模式。綜上分析可知，需求側資源參與DEED對降低系統(tǒng)運行成本，提高環(huán)境效益及風電利用率都非常有利。

圖7 常規(guī)調(diào)度模式和本文模式下

6 結 論

(1) 本文提出的兩階段調(diào)度模型通過需求響應實現(xiàn)了用戶信息與電能的雙向互動，將供需側資源整合統(tǒng)一調(diào)度以協(xié)調(diào)配合風電入網(wǎng)。算例分析表明，聯(lián)合調(diào)度供需側資源可以有效降低發(fā)電成本和污染氣體排放量，提高系統(tǒng)負荷水平和風電消納能力。

(2)從決策者的角度，綜合考慮了系統(tǒng)負荷水平、用戶滿意度、環(huán)境和經(jīng)濟等多個方面，較全面分析了影響DEED的因素，改變了傳統(tǒng)一味地考慮經(jīng)濟性的調(diào)度模式。

(3)自適應慣性權重和隨機黑洞機制的引入，提高了IMPSO的尋優(yōu)性能，使得到的Pareto前沿完整性好，非劣解集分布廣泛均勻。采用TOPSIS法對Pareto前個體進行排序，輔助決策者制定科學的調(diào)度方案，避免了決策盲目性。

[1]李軍軍，吳政球，譚勛瓊，等.風力發(fā)電及其技術發(fā)展綜述[J].電力建設，2011，32(8)：64-72.

LI Junjun, WU Zhengqiu, TAN Xunqiong, et al.Review of wind power generation and relative technology development[J].Electric Power Construction, 2011, 32(8): 64-72.

[2]劉吉臻，王海東，李明揚.含風電的電力系統(tǒng)機組組合問題研究綜述[J].電力建設，2014，35(12)：38-45.

LIU Jizhen, WANG Haidong, LI Mingyang.Review on unit commitment of power systems with wind power integration[J].Electric Power Construction, 2014, 35(12): 38-45.

[3]邱威，張建華，劉念.含大型風電場的環(huán)境經(jīng)濟調(diào)度模型與解法[J].中國電機工程學報，2011，31(9)：8-16.

QIU Wei, ZHANG Nianhua, LIU Nian.Model and solution for environmental/economic dispatch considering large-scale wind power penetration[J].Proceedings of the CSEE, 2011, 31(9): 8-16.

[4]朱永勝，王杰，瞿博陽，等.含風電場的多目標動態(tài)環(huán)境經(jīng)濟調(diào)度[J].電網(wǎng)技術，2015，39(5)：1315-1322.

ZHU Yongsheng, WANG Jie, QU Boyang, et al.Multi-objective dynamic economic emission dispatching of power grid containing wind farms[J].Power System Technology,2015,39(5)：1315-1322.

[5]文旭，王俊梅，郭琳，等.計及污染氣體排放風險的多目標隨機動態(tài)環(huán)境經(jīng)濟調(diào)度模型[J].電力自動化設備，2015，35(5)：131-138.

WEN Xu, WANG Junmei, GUO Lin, et al.Multi-objective stochastic and dynamic model of environmental and economic dispatch considering gas pollution emission risk[J].Electric Power Automation Equipment, 2015, 35(5): 131-138.

[6]劉曉，艾欣，彭謙.計及需求響應的含風電場電力系統(tǒng)發(fā)電與碳排放權聯(lián)合優(yōu)化調(diào)度[J].電網(wǎng)技術，2012，36(1)：213-218.

LIU Xiao, AI Xin, PENG Qian.Optimal dispatch coordinating power generation with carbon emission permit for wind farms integrated power grid considering demand response[J].Power System Technology, 2012, 36(1): 213-218.

[7]王蓓蓓，劉小聰，李揚.面向大容量風電接入考慮用戶側互動的系統(tǒng)日前調(diào)度和運行模擬研究[J].中國電機工程學報，2013，33(22)：35-44.

WANG Beibei, LIU Xiaocong, LI Yang.Day-ahead generation scheduling and operation simulation considering demand respond in large-capacity wind power integrated systems[J].Proceedings of the CSEE, 2013, 33(22): 35-44.

[8]別朝紅，胡國偉，謝海鵬，等.考慮需求響應的含風電電力系統(tǒng)的優(yōu)化調(diào)度[J].電力系統(tǒng)自動化，2014，38(13)：115-120.

BIE Chaohong, HU Guowei, XIE Haipeng, et al.Optimal dispatch for wind power integrated systems considering demand response[J].Automation of Electric Power Systems, 2014, 38(13): 115-120.

[9]LIU X, XU W.Economic load dispatch constrained by wind power availability: A here-and-now approach[J].IEEE Transactions on Sustainable Energy, 2010, 1(1): 2-9.

[10]孫宇軍，李揚，王蓓蓓，等.計及不確定需求響應的日前調(diào)度計劃模型[J].電網(wǎng)技術，2014，38(10)：2708-2714.

SUN Yujun, LI Yang, WANG Beibei, et al.A day-ahead scheduling model considering demand response and its uncertainty[J].Power System Technology, 2014, 38(10): 2708-2714.

[11]丁偉，袁家海，胡兆光.基于用戶價格響應和滿意度的峰谷分時電價決策模型[J].電力系統(tǒng)自動化，2005，29(20)：10-14.

DING Wei, YUAN Jiahai, HU Zhaoguang.Time-of-use price decision model considering user reaction and satisfaction index[J].Automation of Electric Power Systems, 2005, 29(20): 10-14.

[12]胡福年，湯玉東，鄒云.需求側實行峰谷分時電價策略的影響分析[J].電工技術學報，2007，22(4)：168-174.

HU Funian, TANG Yudong, ZOU Yun.Analysis of impacts of TOU price strategy [J].Transactions of China Electrotechnical Society, 2007, 22(4): 168-174.

[13]BAYON L, GRAU J M, RUIZ M M, et al.The exact solution of the environmental/economic dispatch problem[J].IEEE Transaction on Power Systems, 2012, 27(2): 723-731.

[14]YANG Y P, CHE Y H.A diversity guided particle swarm optimization with chaotic mutation[C] // 2nd International Asia Conference on Informatics in Control.Wuhan: IEEE, 2010: 294-297.

[15]ZHANG Junqi, LIU Kun, TAN Ying, et al.Random black hole particle swarm optimization and its application[C] // 2008 IEEE International Conference on Neural Networks and Signal Processing.Nanjing, China: IEEE, 2008: 359-365.

[16]PENG Chunhua, SUN Huijuan, GUO Jianfeng, et al.Multi-objective optimal strategy for generating and bidding in the power market[J].Energy Conversion and Management, 2012(57): 13-22.

[17]徐玖平，吳巍.多屬性決策的理論與應用[M].北京：清華大學出版社，2006：45-48.

[18]張寧，胡兆光，周渝慧，等.考慮需求側低碳資源的新型模糊雙目標機組組合模型[J].電力系統(tǒng)自動化，2014，38(17)：25-30.

ZHANG Ning, HU Zhouguang, ZHOU Yuhui, et al.A novel fuzzy bi-objective unit commitment model considering demand side low-carbon resources[J].Automation of Electric Power Systems, 2014, 38(17): 25-30.

[19]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.

[20]鄧威，李欣然，李培強，等.基于互補性的間歇性分布式電源在配網(wǎng)中的優(yōu)化配置[J].電工技術學報，2013，28(6)：216-225.

ZHENG Wei, LI Xinran, LI Peiqiang, et al.Optimal allocation of intermittent distributed generation considering complementarity in distributed network[J].Electric Power Automation Equipment, 2013, 28(6): 216-225.

[21]宋藝航，譚忠富，李歡歡，等.促進風電消納的發(fā)電側、儲能及需求側聯(lián)合優(yōu)化模型[J].電網(wǎng)技術，2014，38(3)：610-615.

SONG Yihang, TAN Zhongfu, LI Huanhuan, et al.An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power[J].Power System Technology, 2014, 38(3): 610-615.

劉 旭(1991)，男，碩士研究生，主要研究方向為計及需求側響應的電力系統(tǒng)優(yōu)化調(diào)度；

楊德友(1986)，男，博士，副教授，碩士生導師，研究方向為電力系統(tǒng)穩(wěn)定與控制的研究；

孟 濤(1990)，男，研究生，工程師，主要研究方向為分布式電源規(guī)劃、新能源并網(wǎng)；

張 旺(1989)，女，研究生，研究方向為基于隨機響應的電力系統(tǒng)小干擾穩(wěn)定分析；

劉 曦(1989)，女，研究生，工程師，研究方向為電力系統(tǒng)穩(wěn)定運行與安全控制；

姜明磊(1991)，男，碩士研究生，工程師，研究方向為交流微網(wǎng)分層控制。

(編輯 蔣毅恒)

Day-Ahead Tow-Stage Dynamic Economic Emission Dispatching in Wind Power Integrated System Incorporating Demand Response

LIU Xu1, YANG Deyou1, MENG Tao2, ZHANG Wang1, LIU Xi3, JIANG Minglei3

(1.School of Electrical Engineering,Northeast Dianli University, Jilin 132012, Jilin Province, China; 2.Electric Power Research Institute, State Grid Jilin Electric Power Co., Ltd., Changchun 130021, China; 3.Economic Technology Institute, State Grid Jilin Electric Power Co., Ltd., Changchun 130000, China)

As an important interactive resource between generation side and demand side, demand response can effectively regulate the distribution of load demand to achieve energy-saving and emission-reduction and improve the system wind power capacity.Based on this, this paper considers the demand response in the environmental economic and proposes a day-ahead two-stage dispatching model under smart grid.The first stage is day-ahead user interaction stage, in which the next day load distribution is adjusted by time-of-use price leverage guiding the user to take rational power consumption and the optimal load curve and time-of-use price is determined by considering the load level and user satisfaction index.The second stage is day-ahead dispatching stage, in which the economic emission dispatch model is established based on chance-constrained programming for wind power randomness and this model is transformed into a deterministic model by using wind power distribution function.We propose an improved multi-objective particle swarm optimization algorithm by introducing the diversity index, random black hole theory and the multi-targeted search mechanism, and adopt technique for order preference by similarity to ideal solution(TOPSIS) method to sort the Pareto frontier individual to help the dispatcher to make scientific decision.The simulation results of the improved 10 machine system verify the validity and rationality of the model and method.

wind power; demand response; time-of-use price; customer’s satisfaction; economic emission dispatch; technique for order preference by similarity to ideal solution(TOPSIS)

國家高技術研究發(fā)展計劃項目(863計劃)(SS2014AA052502)；國家自然科學基金項目(51377017)；長江學者和創(chuàng)新團隊發(fā)展計劃資助項目(IRT114)

Project supported by the National High Technology Research and Development of China (863 Program) (SS2014AA052502)；Project supported by the National Natural Science Foundation of China(51377017) ；Project supported by Changjiang Scholars and Innovative Research Team in University(IRT0720)

TM 73; TM 614

A

1000-7229(2016)09-0146-09

10.3969/j.issn.1000-7229.2016.09.020

2016-05-12