基于虛擬發電廠的電網經濟調度模型

，，

(長江大學電子信息學院，湖北 荊州 434023)

基于虛擬發電廠的電網經濟調度模型

鄒必昌，周紅，李濤

(長江大學電子信息學院，湖北荊州434023)

隨著光伏發電、風電等分布式電源在電網中所占的比例越來越大，電網的調度變得越來越復雜，難度越來越大，同時也給電力系統帶來了更多不穩定的因素。作為一種有效的用于管理各種分布式電源的技術，虛擬發電廠技術對于多分布式電源的電網經濟調度具有較好的優勢。首先建立了簡易的虛擬發電廠模型，在保證風電和光伏發電全額上網的基礎上構建了基于虛擬發電廠的電網經濟調度模型，然后以發電資源消耗量最小為目標函數，利用遺傳算法進行求解計算，最后以包含一個風電場、一個光伏電站和6個火電機組的系統為算例進行了驗證。算例計算結果表明，基于虛擬發電廠的電網經濟調度模型合理，求解較好地達到了電力生產的經濟性。

分布式電源；虛擬電廠；遺傳算法；經濟調度模型

虛擬發電廠(Virtual Power Plant,VPP)是由能源管理系統和其所控制的小型或微型分布式能源資源組成的一類集成性電廠[1]。通過VPP可以將分布式能源(DER)更好地集成在一起，從而確保其電能輸出的穩定性，同時還能夠在最短的時間內提供輔助服務，有效地解決了DER和現行的電力市場之間的矛盾，在最大程度上消除其獨立運行所面臨的風險隱患，達到規模經濟的目的。另外，VPP還具有協調控制優化的功能，這一功能使得DER對公網的影響得到有效地降低，在一定程度上解決了DER規模上升所導致的調度變難的問題，大大提高了配電管理的合理性以及電網整體的穩定性[2～4]。

利用新能源的分布式電源(DG,Distributed Generation)為居家提供電能，虛擬發電廠技術可以將剩余的電量回收到電網中，更加科學地分配周期性分布式電源等的工作安排，實現電力市場中的用電供需平衡。隨著智能電網技術在更大范圍內的應用,VPP的應用前景也會變得更加廣闊，成為未來電網的發展趨勢。文獻[5,6]論述了基于多代理技術的虛擬發電廠模型，創建了提高VPP發電效率的Agent調度控制模型，該模型不但不會影響到VPP運行的安全性，而且能夠滿足電壓穩定、功率平衡的需求，并分析了該模型的功能以及協調方法。文獻[7,8]從需求響應方面上提出需求響應虛擬電廠概念，根據需求響應的機理不同，分別建立基于激勵的和基于價格的需求響應虛擬電廠模型。下面，筆者在傳統經濟調度的基礎上引入虛擬發電廠技術，把風電和太陽能發電等具有間歇性和波動性的分布式電源和傳統能源電廠一起加入到虛擬發電廠中進行調度，在保證系統安全穩定運行的前提下，利用風電和光伏發電來緩解傳統能源機組的出力，達到改善傳統火電機組的資源消耗的目的。

1 虛擬發電廠模型

虛擬發電廠模型如圖1所示。在該模型中，VPP管理系統掌握了所有分布式電源和傳統電廠信息，并對每個單元制定了相應的發電方案。

圖1 虛擬發電廠模型

1.1目標函數

根據國家相關政策，電網企業應盡可能提高吸納可再生能源發電的能力，VPP是在最大限度的消納風電和光伏發電的基礎上，優化常規火電機組的運行，使火電機組資源消耗量達到最小，實現調度周期內系統經濟效益增大。

火電機組資源消耗量目標函數表達式為[9]：

(1)

式中，T為調度周期內小時數；G為參與優化調度的火電機組數；Pit為機組i在t時段的發電功率；fit(Pit)是單臺機組的發電能耗函數，具體表達式如下[9]：

(2)

式中，ai、bi、ci分別代表機組i發電耗能系數。

1.2約束條件

1.2.1火電機組約束

1)機組出力約束:

Pi min≤Pi≤Pi max

(3)

式中，Pi min、Pi max分別是火力發電機組i的最小出力和最大出力。

2)爬坡約束:

RDiΔT≤Pit-Pi(t-1)≤RUiΔT

(4)

式中，RUi、RDi第i臺火電機組的上、下爬坡速率;ΔT為一個時段，即ΔT=1h。

3)火電機組啟停時間約束[9]:

(5)

(6)

1.2.2系統約束

1)功率平衡約束(忽略網損):

(7)

式中，PLt代表系統時段t系統負荷的需求預測值；Pwt代表風電場于時段t所輸出有功功率預測值；Ppvt代表光伏系統于時段t所輸出有功功率預測值。

2)系統旋轉備用容量約束。假如風力發電與光伏發電僅向系統提供能量，而不予以備用約束，所以這個系統旋轉備用容量等于火電機組能耗所提供的容量[9]：

(8)

(9)

2 電網經濟調度模型

2.1風電輸出功率數學模型

影響風速的因素很多，如天氣、地勢地貌、風機輪轂和地面之間的距離等等，盡管風速受到環境的影響并不具有連續性，但可以通過威布爾分布來描述風速，其概率密度函數為：

(10)

式中，v代表風速；k代表形狀參數；σ代表比例參數，量綱和速度保持一致。

風機的輸出功率Pw與實際風速v滿足以下關系[10]：

(11)

式中，PR代表風機的額定功率；Vin代表切入風速；Vout代表切出風速；VR代表額定風速。

圖2為調度周期內在不同時刻的風電功率曲線。根據不同時刻風電和光伏發電的出力配合火電機組的調度滿足負荷的需要。

2.2光伏發電輸出功率模型

對于最大功率跟蹤模式而言，綜合考慮光伏組件溫度、日照強度及安裝傾角等因素，光伏發電的最佳工作點電流、電壓可表示為[10]：

(12)

(13)

(14)

(15)

ΔT=TA+0.02HT-25

(16)

ΔV=VPV-VMP

(17)

(18)

式中，VPV表示的是在各種環境下光伏電池的最佳工作點電壓；VOC表示的是光伏電池的開路電壓；IPV表示的是在各種環境下光伏電池的最佳工作點電流；ISC表示的是光伏電池的短路電流；VMP表示的是光伏電池的最大功率點電壓；IMP表示的是光伏電池的最大功率點電流；α表示的是光伏電池組件電流溫度系數；β表示的是光伏電池組件電壓溫度系數；TA表示的是環境溫度；HT為總傾斜日曬(照)時間。

由此，可以得到在t時刻下，光伏系統輸出功率的計算表達式：

PPV(t)=IPV(t)·VPV(t)

(19)

圖3為調度周期內光伏發電機組在不同時刻的發電功率曲線。根據不同時刻光伏發電和風電的出力配合火電機組的調度滿足負荷的需要。

3 經濟調度模型求解

針對所提出的VPP經濟調度模型，筆者采用基于實數編碼的遺傳算法進行求解，在求解過程中，各個染色體對應一種調度方案，具體模式為：

(20)

式中，x代表一個染色體；G代表機組數量;PTG代表機組G于時段T下的有功出力值。x中的元素根據隨機初始化得到。

圖2 風電功率曲線 圖3 光伏發電功率曲線

圖4 遺傳算法經濟調度流程圖

適應度函數即為火電機組的資源消耗量最小的目標函數。

個體更新時，一定要考慮火電機組出力約束問題，保證初始種群中所有個體都滿足上述約束條件，每次產生的新個體也必須滿足這些約束。群體是通過選擇、交叉、變異等模式達到進化目的的。針對初始化群體展開適度函數的評估后，遺傳算法便以輪盤賭的模式產生新一代群體。在父代個體內隨機抽取2個個體，同時依據適應度大小展開PK選擇，進而產生子代群體。挑選產生的子代群體之后，再展開交叉變異操作，以便驅動進化進程。個體之間的交叉率設為0.7，變異幾率為0.02。重復上述過程，挑選更加優質的子代個體，將適應度最高的個體保留至下一代，從而達到維持優化解質量的目的。具體流程如圖4所示。

4 算例分析

為驗證筆者所提出的虛擬發電廠電網經濟調度模型的合理性及算法的可行性，以包含一個風電場、一個光伏電站和6個火電機組的系統進行仿真分析。采用風力和光伏發電優先上網的運行模式，調度時段為6h，各調度時段間的間隙為1h。風電場裝機容量為45MW，光伏電站裝機容量45MW，旋轉備用取系統容量的5%。系統優化變量運用標幺值計算，功率基值為100MVA。遺傳算法群體規模等于40，最大遺傳代數為100。系統內火電機組的參數如表1，系統負荷需求見表2。

表1 火電機組的參數

表2 系統負荷數據

在調度周期內，虛擬發電廠經濟調度為目標的各火電機組的出力數據如表3所示。由表3可知，在保證風電和光伏發電全額上網的情況下，盡可能調節火電機組的運行模式，使發電能力強、發電資源消耗較小的優先承擔負荷。同時，額定負荷相同的前提下，發電資源消耗量小的機組，也會優先承擔負荷。表4是未進行經濟調度的火電機組在周期內的出力數據。對比表3和表4可以看出，在經濟調度周期內，發電性能較好。機組G1明顯高于其它機組，從而減小了發電資源消耗。在經過遺傳優化計算，最后所得的基于發電資源消耗量最小的虛擬發電廠經濟調度的目標值為41279.84$(根據式(1)計算)，而未進行優化調度的虛擬電廠的目標值為43285.82$。由此可見，采用經濟調度模型時所得結果達到了預期的目標，較好地達到了系統所要求的經濟性。

表3各個機組在經濟調度周期內出力數據

時段G1/puG2/puG3/puG4/puG5/puG6/pu12 6840 5960 7950 2510 1690 14322 4910 6080 7180 2870 2560 23132 9530 4330 6510 3210 2890 17942 8640 5290 7080 2510 2470 16252 8790 4150 6030 2760 2230 14862 8720 5320 6270 3080 2210 132

表4未進行經濟調度各個機組在周期內出力數據

時段G1/puG2/puG3/puG4/puG5/puG6/pu12 5560 5230 7850 3780 2650 13122 3090 6860 7640 3990 2590 19432 5610 6540 7280 4930 1720 21842 7430 7410 5820 3800 1980 11752 5670 5620 6850 2870 2670 17662 7910 5160 6150 4190 2310 120

5 結語

筆者研究了基于虛擬發電廠的電網經濟調度問題。提出了一種VPP模型，并在該基礎上構建了電網經濟調度的數學模型。在保證模型中的風電和光伏發電全額上網的基礎上，調節火電機組的運行組合，達到在滿足負荷的前提下，使得火電機組發電資源消耗量最小。該模型采用遺傳算法進行求解，實例驗證所構建的經濟調度模型合理，達到了電力生產經濟性的要求。

[1]徐玉琴，李雪冬，張繼剛，等.考慮分布式發電的配電網規劃問題的研究[J].電力系統保護與控制,2011,39(1):87～91.

[2] 衛志農，余爽，孫國強，等.虛擬電廠的概念與發展[J].電力系統自動化,2013,37(13):1～9.

[3]范松麗,艾芊，賀興.基于機會約束規劃的虛擬電廠調度風險分析[J].中國電機工程學報,2015,35(16):4025～4033.

[4]鄒云陽，楊莉.基于經典場景集的風光水虛擬電廠協同調度模型[J].電網技術，2015,39(7):1855～1859.

[5] 季陽.基于多代理系統的虛擬發電廠技術及其在智能電網中的應用研究[D].上海:上海交通大學,2011.

[6] 牛文娟,李揚,王蓓蓓.考慮不確定性的需求響應虛擬電廠建模[J].中國電機工程學報,2014,34(22):3630～3637.

[7] Lukovic S， Kaitovic I，Mura M，et al. Virtual Power Plant as a bridge between Distributed Energy Resources and Smart Grid[A]. System Sciences (HICSS), 2010 43rd Hawaii International Conference,2010: 1～8.

[8] Bakari K E，Kling W L.Virtual power plants: An answer to increasing distributed generation[C].Innovative Smart Grid Technologies Conference Europe (ISGT Europe), 2010:1～6.

[9] 陳道君.風電功率短期預測與并網低碳調度研究[D].武漢：武漢大學，2013.

[10] Borowy B S,Salameh Z M.Methodology for optimally sizing the combination of a battery bank and PV arry in A wind/PV hybrid system[J].IEEE Transaction on Energy Conversion,1996,11(2):367～375.

[編輯]易國華

2017-08-16

國家自然科學基金項目(61672112)。

鄒必昌(1966-)，男，博士，副教授，現主要從事分布式發電與電力系統優化調度方面的教學與研究工作，zoubichang123@126.com。

引著格式鄒必昌，周紅，李濤.基于虛擬發電廠的電網經濟調度模型[J].長江大學學報(自科版)，2017,14(21)：7～11.

TM621;TM31

A

1673-1409(2017)21-0007-05