考慮風電消納的風火發電系統優化調度模型

趙振宇，戴賽嵐

(華北電力大學 經濟與管理學院 新能源電力與低碳發展研究北京市重點實驗室，北京 102206)

0 引 言

面對全球生態環境惡化、化石能源逐漸枯竭的問題，風力發電作為一種零污染、零排放的新型清潔可再生能源，受到了廣泛關注。目前，中國風電發展迅速，相關技術日漸成熟，風火互補等模式也被廣泛應用，但風力發電的隨機性等特征給風能資源的充分利用和風火發電系統的可靠性帶來挑戰，尤其是各地“棄風”問題日益突出，亟待探索如何更好地進行風火發電系統的調度優化，以實現充分利用風能資源。

近年來，學者們多方面開展含清潔能源的發電優化調度問題的研究，較多的是關于多目標優化調度的研究，主要包括算法改進和模型改進兩個方面。在算法改進上，于波等[1]就區域綜合能源系統優化調度問題，采用粒子群算法，通過其全局搜索能力對調度模型進行求解；趙靜藝[2]利用IFOA算法對混合發電系統進行多目標優化設計；周斌等[3]提出了一種新型多群組均衡協同搜索算法；陳道君等[4]將生物地理學算法用于解決風電并網電力系統多目標優化調度問題；趙文清等[5]提出一種基于模擬退火的智能水滴算法連續優化的改進算法。此外，還涌現了若干新型的智能算法，如改進的多目標狼群算法[6]、小生境[7]、布谷鳥[8]等與傳統的遺傳算法結合的混合智能算法。在模型改進上，胡殿剛等[9]建立了風電出力的概率模型來降低其隨機性對整個風火系統的影響；郭小璇等[10]在約束條件中引入機會約束；孫元章等[11]提出了基于風速預測和隨機規劃對風火發電系統進行優化。但現有的絕大多數研究都是在算法和約束條件上進行優化，尚未有通過設定風能資源利用最優目標來降低風電隨機性對發電系統可靠影響的研究。

對于風火發電系統而言，風電輸出的不確定性是影響發電調度模型可靠性的主要原因。面對既要充分利用風能資源，又要保證電力系統可靠性的問題，本文通過預測風速間接預測風電出力來設置風能資源利用目標，使優化結果中的風電調度出力盡可能接近預測值；并考慮相關約束條件中加入機會約束，同時以資源消耗最小、能源環境效益最大為目標；最大程度降低風電隨機性對整個發電系統的影響，實現最大化利用風能資源，緩解“棄風”現象，達到風火發電系統調度的優化目的。

基于此，本文運用歷史風速數據，采用向量機對風電的輸出功率進行間接預測，以風能資源利用最優、發電系統經濟性和環保性為目標，以電網能量滿足充裕度、機組爬坡性能、正負備用容量等為約束建立發電系統的多目標優化模型，并運用山西平魯地區某風電場的數據進行實例分析，論證該模型優化的可行性。

1 多目標優化模型

從充分利用風電資源、提高環境保護效益的角度，綜合考慮火電廠的煤耗特性、環境因素的影響，基于火電廠總發電成本費用、能源環境優化和風能資源優化利用，建立考慮環保效益的風火發電系統的短期多目標優化調度模型。通過該優化模型幫助確定火電廠的最佳輸出，并用以制定風電最優輸出策略。

1.1 目標函數

1)火電機組發電的總成本最小(不考慮火電機組的閾點效應)：

式中：C是火電機組發電總成本；NG為系統內火電機組運行臺數；PGi為火電機組的發電有功功率；ai、bi、ci為火電機組的運行耗能特性系數；T為調度周期，取T=1 h。

2)能源環境效益[12]最優：

式中：R為能源效益函數；ηwi為火電機組i的發電效率；φi為火電機組i使用燃料的低位發熱量；QCi為等價CO2排放比；ηt(PGi)為發電效率隨有功功率變化的函數關系式，其表達式為

式中：ti、λi、φi為火電機組i的效率函數的系數。

3)風電出力最優

miny=(Pw-Pwp)2

式中：y為風電計劃輸出與預測輸出的偏差程度；Pw為風電場輸出的有功功率；Pwp為系統內風電場預測的輸出有功功率。

1.2 約束條件

1)供需平衡約束：

式中：PN為需求負荷；z1為該約束條件成立的置信水平。

2)火電機組出力約束：

PGidown≤PGi≤PGiup

式中：PGidown、PGiup分別為火電機組有功出力下限、有功出力上限。

3)風電場的出力約束：

0≤Pw≤PR

式中：PR為風電場輸出的額定功率。

4)備用容量約束。在混合能源發電系統內，由于不同發電機組發電方式的不同，單純按節能發電調度原則可能引發系統備用安全問題，所以需要對系統的備用容量進行約束

式中：σ1、σ2分別為在T時段電力負荷誤差對系統正、負旋轉備用的需求系數；w1、w2分別為在此時段風電場出力對系統的正、負旋轉備用的需求系數；z2、z3以概率形式對正、負旋轉備用加以約束。

5)風電穿透功率極限約束。如果混合動力發電系統中風電場容量比例過高，則大風速擾動將導致系統的電壓和頻率產生很大的變化，并在嚴重時使系統失穩。因此，需做如下限制：

0≤Pw≤ρPN

式中：ρ為風電穿透功率系數。

2 預測模型

根據預測時間尺度，風功率預測分為超短期(時間小于30 min)預測、短期(時間范圍為30 min至72 h)預測和中長期預測。其中，短期預測多用于電力系統調度[13]。本文選取對風速進行短期預測來優化發電系統調度，以“小時(h)”為預測單位。根據樣本數據的預測誤差來選擇預測模型。

2.1 SVM風速預測模型

由于影響風速的因素諸多，例如溫度，壓力差，空氣密度和地形，因此風速是最難預測的氣象參數之一。

基于SVM風速預測模型[14]，以歷史風速數據作為輸入參數，以1 h為一個周期，取預測周期的前12個周期內每個周期的平均風速作為特征向量對短期風速v進行預測：

1)取需要預測的某風場一周內逐小時風速數據，對風電出力的風速歷史數據進行無量綱處理，使風速樣本數據處于[0，1]之間，標準化計算式如下：

2)剔除無效值，建立訓練樣本集X1和預測樣本集X2。

3)RBF函數作為核函數，選擇 SVM 的參數c、ε和δ進行訓練, 得到回歸函數表達式。

4)用得到的回歸函數表達式對未來某一時刻的風電出力進行預測。

2.2 風電機組出力預測

風力發電機輸出功率pwp與風速v之間的關系式[15]如下：

但是，對于一般的風電場，在工作期間，并不是所有機組都能保證正常運行，機組故障等隨機事件時常發生，為了減少故障率對調度方案的影響，根據對風場的歷史風機可利用率Dratei進行統計，取歷年風機可利用率的平均值Drate作為當前調度周期的風機可利用率，則

式中：Nw為風電機組臺數；Pwpi為第i臺風電機組的預測功率。

3 求解算法

3.1 目標函數模糊化處理

多目標的求解過程和求解各子目標的最優解緊密相關，但子目標之間、各子目標的最優解同多目標最優解之間的關系是模糊的，因此，模糊優化方法在某種意義上可以獲得多個目標的共同滿意的結果[16]。在多目標的處理上采用“降半直線形”方法來構造目標函數的隸屬度函數(能源環境效益最優取倒化為求最小)如下：

式中：fk為第k個目標函數；fkmin、fkmax為第k個目標函數的最小值與最大值。

各子目標函數的隸屬度之和最大的為最大滿意解，由此得到

3.2 機會約束的處理

供需平衡約束：

對備用容量約束做類似的處理：

3.3 粒子群優化算法

粒子群優化算法[19]由Eberhart和Kennedy 共同提出，是通過模擬鳥群捕食行為設計的一種群體智能算法，采用粒子模擬鳥類捕食。其求解步驟為：初始化粒子群；評價粒子，計算適應值；尋找個體極值；尋找全局最優解；修改粒子的速度和位置，通過不斷迭代和更新搜尋最優解。具體求解過程如圖1所示。

圖1 求解路徑圖

4 實 例

4.1 相關參數取值

為了驗證所建模型的合理性和有效性，以山西平魯地區A風電場和4臺火電機組為一個系統進行仿真模擬，令系統基準值pu為100 MVA，該發電系統內的燃料特性參數及火電機組參數[8]分別

如表1和表2所示。設定該風電場共有33臺風力發電機組，其額定功率為1 500 kW，相關參數如表3所示。

表1 燃料特性參數

表2 火電機組參數

表3 風電機組參數

4.2 風力出力預測

據氣象局相關數據資料，得到山西平魯地區預測周期內某段時間的逐時風速數據，根據數據：

1)生成樣本集。從原始數據中選取163組數據作為訓練集，剩余100組作為測試集，進行測試，運行結果如圖2和圖3所示。

圖2 實際值與預測值對比

從圖2和圖3可以看出，預測值與實際值高度吻合，相對誤差基本控制在0.1以內，可以證明該方法有較高的精度，在短期風速預測上具有可行性。

圖3 相對誤差

用率，見表4。

表4 風機可利用率

則可求出

Pwpi=3.06×10-3pu

σw=aσv=8.54×10-6

4.3 求解及分析

運用Matlab2015b編程仿真軟件，取調度周期為1 h，根據文獻[4]取系統總負荷為2.833 pu，σ1、σ2取5%，ρ取30%；粒子群算法中種群數量為50，迭代次數為150，對上述模型進行驗證。為了驗證其有效性，在置信水平為z1=z2=z3=0.99的情況下，設定不同的調度情景，分別在如下4種情況下求解模型：

情景1：PN=2.833 pu，目標(1)、(3)、(4);

情景2：PN=2.833 pu，目標(1)、(3);

情景3：PN=1.833 pu，目標(1)、(3)、(4);

情景4：PN=1.833 pu，目標(1)(3)。

運行結果如表5所示，從表5可以看出，在PN=2.833 pu下，若要達到目標(4)，得到的最優解為0.093 4 pu，幾乎與預測值0.093 7 pu相等，使得調度計劃對風能資源達到了最大程度消納；若沒有目標(4)的限定，Pw的最優解為0.096 7 pu，超出了預測的風電場可能提供的最大發電能力0.093 7 pu，增加了風場調度壓力，降低了發電系統的可靠性。在小負荷條件PN=1.833 pu下，若有目標(4)，最優解0.091 3 pu十分接近預測值，使得調度計劃也基本達到對風能資源的最大消納；若沒有目標(4)，Pw最優解為0，即風能未能利用，這與充分利用清潔可再生能源的目標相悖。

表5 模型最優解

綜上，在多目標優化模型中，通過目標(4)的加入，使得最優解達到最大程度利用風能資源的目的，有效緩解了當前嚴峻的“棄風”現象。并且該目標在優化模型中對風電出力起到了修正作用，使計劃出力接近預測值，避免了計劃出力超出實際可用，減輕了發電系統的調度壓力，保證了系統可靠性。

在已有研究基礎上，仍有一些待進一步完善之處：提高風功率預測的準確度；在發電成本方面可考慮風電場建設及運維投入費用，將風電成本納入多目標優化模型，以更加全面地對風火發電系統的發電調度問題進行優化。

5 結 語

1)考慮風電的隨機性和間歇性對風火發電系統的可靠性的影響，相較于傳統的多目標優化調度模型，基于SVM風功率預測建立風能資源利用最優目標，進一步改進了傳統模型約束的邊界條件，并通過在約束條件中引入機會約束，進一步降低風電的隨機性影響，增大模型的靈活性。

2)在多目標模型的處理上，通過模糊理論將多目標轉化為單目標從而求得最大滿意解；引入風電出力概率模型將機會約束轉化為確定約束；采用算法簡單、易于實現的粒子群算法作為模型求解方法。

3)以山西平魯地區為例進行模型實例驗證分析，設定不同的調度情景，運行出模型結果，模型求解結果表明：利用風功率預測所得的邊界約束條件相較于風電機組的額定功率作為約束邊界條件對模型結果起到了一定的修正作用，提高了整個優化模型的精確度；設定不同置信水平可以讓決策者按當前調度需求來制定調度計劃，使得該模型存在一定的靈活性；所設風能資源利用最優目標對風電計劃出力有著顯著的優化效果，實現了在保證發電系統可靠性的前提下，最大程度地消納風能資源，有效地緩解“棄風”問題，對風火發電系統的優化調度提供了理論支持并有重要現實意義。