计及风电消纳效益的电力系统源荷协调二层优化模型

文 晶 刘文颖 谢 昶 王维洲

计及风电消纳效益的电力系统源荷协调二层优化模型

文 晶1刘文颖1谢 昶2王维洲3

（1. 华北电力大学新能源电力系统国家重点实验室 北京 102206 2. 中国电力科学研究院 北京 100192 3. 国网甘肃省电力公司电力科学研究院 兰州 730050）

随着风电的大规模接入，其随机性和间歇性导致常规电源的调节压力不断增大，与常规能源呈逆向分布的特点也使得常规电源的调节能力受到输电通道的制约，从而造成风电消纳受阻。本文利用高载能负荷作为消纳风电的重要手段，将常规电源的优化调度和高载能负荷的优化配置相结合，综合考虑风电消纳效益、高载能负荷调节成本和系统运行成本，建立以源荷协调运行效益最大化为目标的二层优化模型。通过求解上层优化模型确定常规电源出力和风电调度出力；在此基础上，下层优化模型针对因常规电源调节能力不足导致的风电受阻情况，选取能够有效消纳风电受阻功率且调节成本最少的高载能负荷参与电网调度。根据上、下层模型决策变量的不同特点，采用改进遗传算法和二进制粒子群算法相结合的混合智能算法进行模型求解。通过某实际电网的仿真结果，验证了本文优化模型的可行性和有效性。

风电 高载能负荷 源荷协调 消纳效益 二层优化 混合智能算法

1 引言

随着风电的快速发展，其不确定性和间歇性产生的功率波动进一步扩大。根据酒泉风电基地的实际测风数据显示，风电出力在大部分天内会从接近零出力到额定出力之间变化，且具有明显的反调峰特性，这使得常规电源的调节能力难以有效应对，加大了电网调度控制的难度[1-3]。同时，由于风资源分布的不均匀性，风电场与常规电源往往呈逆向分布的特点，导致采用常规电源远距离调节会受到输电通道输送能力的制约。这些因素严重影响了风电的大规模发展，甚至导致已建成的大型风电场弃风运行，造成极大的资源浪费。因此，充分利用具有可调节特性的需求侧资源来促进风电的就地消纳是解决风电发展和消纳双向矛盾的有效途径，而分布在风电基地附近的高载能负荷便是参与协调互动的最佳方案。

高载能负荷是指能源价值在产值中所占比重较高的用户负荷，具有以下调节特性[4]：①可调节容量大，适合就地消纳受阻风电，提高风电利用率；②响应速度快，能快速跟踪风电出力变化引起的调节需求，降低对常规电源调节能力的要求；③经济效益显著，不仅能够减少因调节风电出力波动增加的常规电源发电成本，还能将消纳的风电转化为经济效益。

国内外就具有可调节特性负荷参与电网调度、辅助风电消纳进行了相关研究。文献[5]将可控负荷作为电网调节和消纳新能源的重要手段，给出了智能电网“源—网—荷”互动运行控制的研究框架。文献[6]提出了高载能负荷企业主动参与风电消纳及电网调峰模式和算法，从而有效缓解风电接入电网的调峰压力。文献[7]探讨了智能电网中通过集中恒温空调负荷的定值控制进行需求侧能量管理的问题，该文献提出的控制方案在适应风电出力间歇性上表现出良好的应用性能。文献[8]研究了将电热水器应用于北海道风电消纳的直接负荷控制算法，结果表明可以提高 3倍的风电消纳容量。文献[9]通过蓄电池储能系统配合风电场来实现小时级的发电调度，同时考虑了蓄电池充放电速率、荷电状态反馈控制限制以及寿命等约束。文献[10]在考虑风电出力预测误差的基础上，建立了可中断负荷和旋转备用共同参与竞价的随机备用模型，以减小风电出力波动对系统可靠性的影响。文献[11]采用插电式电动汽车（PEVs）来平衡大规模风电接入带来的功率波动，以降低PEV所有者能量成本为目标，提出了电动汽车的最优运行策略。文献[12,13]在含风电场的电力系统经济调度模型中考虑价格型需求响应，以提高系统的风电消纳能力。上述研究主要从需求侧响应的角度对分布式、小容量的可控负荷参与风电消纳进行研究，通过电价和激励措施来引导可控负荷的优化调节，但需求侧用户的用电调节行为无法准确预测，难以实现与发电侧资源的协调配合，优化过程中也没有全面地考虑常规电源和高载能负荷参与风电消纳的综合效益。

本文将高载能负荷引入风电消纳的优化调度问题，兼顾常规电源和高载能负荷对风电的消纳效益和调节成本，同时考虑到常规电源和高载能负荷之间的协调配合关系，建立了计及风电消纳效益的源荷协调二层优化模型，并采用混合智能算法进行最优求解。

2 源荷调节特性分析

风电出力的波动性决定了风电并网运行时，必须由常规电源为其有功出力提供补偿，以保证对负荷安全可靠地供电。然而，随着风电接入规模的不断增大，通过常规电源来调节风电出力波动存在较大的困难：

（1）受季节因素的影响，水电机组的调节能力有限，尤其在枯水期，其保证出力甚至只有装机容量的25%～30%。

（2）受最小技术出力等条件的制约，火电机组的调整容量一般为装机容量的 30%～50%，调节范围较小，若通过启停方式进行调节，不仅会增加经济成本，而且会危及机组的安全运行；此外，火电机组的调节速度较慢，以 300MW 机组为例，平均每分钟仅可调节 1%左右的额定出力，从 60%出力升至满出力需 40多分钟，而从启动到满出力则需10多个小时，难以适应风电出力波动的要求。

（3）常规电源与风电往往呈逆向分布，远距离调节引起的功率波动会增大系统的电压波动，输电通道的输送能力也严重制约了常规电源的调节功率。

高载能负荷作为一种技术先进、能源价值所占比重大的加工业，其用电负荷较大，能源利用率高，能够有效消纳受阻的风电功率，并将其转化为经济效益。在生产过程中，高载能负荷采用多条生产线串联的生产方式，以生产线为生产单位，通过投切计划便能实现0～100%容量范围内的调节，且其投切在接受指令瞬间即可完成，响应速度能达到 ms级别[14]。下图为某高载能负荷的生产情况。由此可见，高载能负荷具有巨大的调节潜能和消纳效益，当常规电源不能满足风电出力波动和负荷需求时，可以采用切除或者投入高载能负荷来保证功率平衡，从而提高风电消纳能力，减少“弃风”。

图1 某高载能生产企业日负荷曲线Fig.1 Curve of high energy load

3 考虑风电消纳的电力系统源荷协调二层优化模型

二层优化是一种具有两层递阶结构的系统优化模型[15-16]，下层优化在上层决策给定方案的基础上优化自己的目标函数，并将优化结果反馈给上层；上层优化根据下层的优化结果修正自己的决策变量，做出均衡全局利益的决策。在本文中，常规电源的优化调度是以高载能负荷的投切容量为前提，而高载能负荷消纳风电受阻功率则在常规电源出力和风电出力确定后进行优化，所以计算过程中上、下层相互制约并且需要反复迭代才能得到最优解。因此，本文采用二层优化模型描述大规模风电接入的源荷协调优化问题。

3.1 上层优化模型

上层优化模型以实现源荷协调运行效益的最大化为目标，即源荷协调运行成本最小，在满足常规电源、风电和电网等各种约束条件的基础上，对常规机组出力与风电调度出力进行优化。源荷协调运行成本包括两个部分：一个是系统运行成本，包含常规电源发电成本和弃风成本；一个是通过投切高载能负荷消纳风电获得的总效益[17]。其数学描述为

式中，Cgen为常规机组的发电成本，由运行成本和启停成本组成；Ccurtail为风电弃风成本；Bhigh-load为高载能负荷的总效益，即下层优化模型的目标函数；T为调度期间的时段数；NG为常规发电机组台数；为常规机组i在t时段的启停状态变量，表示停机，表示开机；为常规机组i在t时段的有功出力；αi、βi、γi为常规机组 i的运行成本参数；η0i、η1i、τi为常规机组i的启停成本参数；τ为常规机组的停机时间；NW为风电场个数；ρj为风电场j的单位弃风惩罚成本；为风电场 j在t时段的预测出力；为风电场j在t时段的有功调度出力；ΔT为时段t的持续时间长度。

约束条件包括系统功率平衡约束、常规电源运行约束、风电出力约束以及关键输电断面安全约束等[18-20]。在上层模型中，决策变量是常规机组的出力、风电调度出力，当风电调度出力较大时，除在本地消纳以外，大部分风电出力需要通过外送通道输送至负荷中心，而当风电调度出力较小、无法满足本地负荷需求时，需要常规电源通过输送通道远距离进行调节，此外，在上、下层优化模型的传递过程中，高载能负荷的投切也会改变电网潮流的分布，从而对输电通道产生一定的影响。因此，为了保证在风电远距离外送、常规电源远距离调节以及高载能负荷投切时系统能够安全稳定地运行，需要在模型中考虑关键输电断面的安全约束。数学描述如下：

3.2 下层优化模型

通过投切高载能负荷进行风电消纳会影响高载能负荷的正常生产，因此，在选取高载能负荷的时候，需要同时考虑高载能负荷对消纳风电所起的作用和因投切产生的调节成本[21-22]。由于目前具有可调节特性的高载能负荷占全网负荷比例较小，高载能负荷投切引起的网损变化相对于风电消纳效益和调节成本可以忽略，故这里不考虑网损的影响。

下层优化模型在上层模型的最优调度方案基础上，以高载能负荷的总效益最大为目标，即高载能负荷的风电消纳效益和调节成本之差最大，对高载能负荷的投切状态进行优化。其数学描述为

式中，Bcon为高载能负荷的风电消纳效益；Cadjust为高载能负荷的调节成本；为t时段高载能负荷的总计投入容量；NH为高载能负荷组数；为风电的上网价格；为高载能负荷 k的单位调节成本；为高载能负荷 k在时段 t的投切状态，表示高载能负荷 k在时段 t中断运行，表示高载能负荷k在时段t投入运行；为高载能负荷k的单位投切容量。

约束条件包括[23]

4 模型求解

4.1 求解上层模型

上层优化模型已知量有调度时段内的风电预测值、负荷预测曲线、常规机组运行参数和电力网络相关参数，待优化变量为常规机组的启停状态、出力情况和风电调度出力情况，是一个包含整型和连续变量的混合整数非线性模型，采用改进遗传算法进行求解[24]。步骤如下：

（1）染色体编码。将染色体分为常规机组出力和风电调度出力两部分，均采用实数编码。如图2所示。

图2 上层优化变量编码Fig.2 The upper optimization variables code

常规机组的启停状态取决于染色体中基因的具体取值，即根据机组在某时段的出力大小来确定，其表达式为

（2）遗传策略。在遗传操作中，本文采用具有最优保留策略、自适应交叉率、变异率和最优个体最少保留代数与最大遗传代数相结合的终止进化准则的改进遗传算法，使其能获得全局最优解[25]。

（3）网络安全约束的处理。通过潮流灵敏度分析方法，t时段的关键输电断面功率约束可以转化为[26]

节点功率变化对断面功率的影响可通过断面中各支路灵敏度之和计算得到，即

式中，NL为关键输电断面的支路组成。

4.2 求解下层模型

下层优化模型已知量有上层优化模型得到的常规机组出力情况、风电调度情况以及高载能负荷的调节参数，待优化变量为高载能负荷的投切状态，是一个仅包含 0-1变量的离散优化模型，为了提高求解速度，采用参数设置少、搜索速度快的二进制粒子群算法（Binary Particle Swarm Optimization，BPSO）进行求解。

粒子群算法是将优化问题的解看作是搜索空间中无质量无体积的粒子，通过迭代找到最优解[27]。在每次迭代中，每个粒子通过跟踪个体最优位置 Pbest和全局最优位置 Gbest来更新自己。在 BPSO中[28]，粒子位置向量中的分量取值为 0或 1，并由其相应的速度决定的。粒子的速度更新公式为

式中，t为迭代次数；w为惯性权重；c1、c2为学习因子；rand()为[0,1]之间的均匀分布的随机数；vid为第i个粒子速度向量的第d个分量；xid为第i个粒子位置向量的第 d个分量；pid为第i个粒子的个体最优位置的第d个分量；pgd为第i个粒子的全局最优位置的第d个分量。

BPSO算法中粒子的位置确定为

在使用BPSO对下层优化模型进行求解时，粒子的编码如图 3所示。

图3 下层优化变量编码Fig.3 The lower optimization variables code

4.3 算法流程

采用改进遗传算法和二进制粒子群算法相结合的混合智能算法对源荷协调二层优化模型进行求解，具体流程如图4所示。

图4 源荷协调二层优化模型求解流程图Fig.4 Flow chart of bi-level source-load coordination optimal model

5 算例分析

本文以某实际电网为实例，验证所提出的源荷协调优化方法的可行性和有效性。该电网常规电源总装机容量为14 350MW，风电总装机容量为6 343.1 MW，高载能负荷投切总容量为 1 200MW，主要分布在嘉峪关和瓜州两个风电并网点附近。该电网负荷预测曲线和风电输出功率预测曲线如图5和图6所示。常规电源的最大、最小出力见表1，常规电源的爬坡速度为每分钟上升或下降 1%的机组额定容量，常规电源应对负荷预测误差所需正旋转备用容量为系统最大负荷的 8%，负旋转备用需求为系统最小负荷的 2%，常规电源应对风电出力波动所需正、负旋转备用容量均为风电出力的15%，网络安全约束中考虑的关键输电断面及其限值见表2。高载能负荷调节参数见表 3。风电上网价格为 600元/ (MW·h)，弃风惩罚成本为350元/(MW·h)。改进遗传算法的初始种群大小为20，最大遗传代数为50，交叉概率为0.8，变异概率为0.04；二进制粒子群算法的初始种群大小为50，最大迭代次数为100，惯性权重w=0.729，加速因子 c1=c2=1.496。

图5 系统负荷预测曲线Fig.5 Curve of power system load forecasting

图6 风电输出功率预测曲线Fig.6 Curve of wind power forecasting output

表1 常规电源调节参数Tab.1 The adjustment parameters of conventional power

表2 关键输电断面限值参数Tab.2 The limits parameters of key transmission sections

表3 高载能负荷调节参数Tab.3 The adjustment parameters of high energy load

采用本文提出的源荷协调二层优化方法对常规电源的运行情况和高载能负荷的投切状态进行综合优化，同时将所获得的最优方案与不考虑高载能负荷调节的单层优化模型进行比较。单层优化时，优化目标为系统运行成本最小，即不考虑高载能负荷的总效益，并将高载能负荷的总计投入容量设定为0，其他与上层优化模型一致。两种优化方法得到最优方案如图7和图8所示。

图7 源荷协调二层优化模型的优化结果Fig.7 The results of bi-level source-load coordination optimal model

图8 单层优化模型的优化方案Fig.8 The results of single level optimal model

在本文二层优化模型中，当风电出力较大而系统负荷处于低谷时（1～13时段），常规电源运行在接近最小出力的位置，为避免常规电源出现向下调节能力不足甚至停机的情况，高载能负荷全部投入；当风电出力较小而负荷处于高峰时（36～51时段），常规电源出力逐渐增加，此时为避免负荷增加造成常规电源向上调节能力不足的情况，部分高载能负荷从电网切除；当风电出力最小而负荷处于最大值时（69～81时段），常规电源运行在接近最大出力的位置，高载能负荷全部切除。而在单层优化模型中，由于缺乏高载能负荷参与调节，常规电源绝大部分时段都运行在最小出力位置（1～39时段、50～64时段和92～96时段），这不仅增加了常规电源的运行成本，也导致常规电源调节能力严重不足，最终被迫弃风。

两种方案对应的风电调度情况如图9和图10所示。

图9 源荷协调二层优化方案下的风电调度情况Fig.9 Wind dispatching of bi-level source-load coordination optimal model

图10 单层优化方案下的风电调度情况Fig.10 Wind dispatching of single level optimal model

由上可以看出，采用单层优化时，风电调度出力方案在1天96个时段中受限时段多达61个，最大受限功率为 2 686MW，总计受限电量为 14 091 MW·h；采用源荷协调二层优化时，风电计划调度出力受限时段仅为 12个，最大受阻功率仅为 1 486 MW，总计受限电量为 2 388MW·h，风电消纳水平得到了显著的提高，有效减少了弃风量。

由表4可知，单层优化方案只采用常规电源对风电波动进行调节，使得常规电源的发电成本和因调节能力不足产生的弃风成本远远高于二层优化方案；采用源荷协调二层优化时，不仅常规电源的发电成本和弃风成本较小，且由于高载能负荷消纳受阻风电取得了可观的经济效益，使总成本进一步降低。因此，本文所提方法用较少的高载能负荷调节成本换取了更少的常规电源发电成本和更高的风电消纳水平，有利于缓解常规电源调节压力、提高系统运行经济性和风电消纳水平。

表4 不同优化方案下的目标函数计算结果Tab.4 The objective function results of different model

采用高载能负荷就地消纳风电后，系统关键输电断面的输送功率将发生变化，将其与不考虑高载能负荷的单层优化模型进行对比，结果如图 11和图12所示。

图11 源荷协调二层优化方案下的关键输电断面情况Fig.11 Key sections transmission power of bi-level source-load coordination optimal model

图12 单层优化方案下的关键输电断面情况Fig.12 Key sections transmission power of single level optimal model

由图可以看出，不考虑高载能负荷时，系统关键输电断面的输送功率较大，而采用高载能负荷就地消纳负荷后，各断面输送功率得到明显降低。因此，在优化过程中选择分布在风电基地附近的高载能负荷对风电出力波动进行调节，能够有效减轻风电输送通道的压力，保证系统可靠运行。

6 结论

针对大规模风电的波动性对电网调度运行的影响，本文深入挖掘常规电源和高载能负荷参与电网调节的潜力，建立了大规模风电接入电力系统的源荷协调二层优化模型，对常规电源和高载能负荷进行综合优化配置。仿真结果验证了本文模型的有效性，得到了以下结论：

（1）在常规电源的调节能力不足以应对大规模风电的出力波动时，将高载能负荷作为调节手段融入电网优化调度中，能够有效消纳风电受阻功率，提高风电利用率，显著缓解了大规模风电接入的电网调峰瓶颈问题。

（2）采用二层优化模型能够更加直观地体现常规电源和高载能负荷的协调优化流程，上、下层优化之间的传递关系也与常规电源和高载能负荷之间的互补关系相互对应。

（3）综合考虑系统的运行成本和采用高载能负荷消纳风电产生的经济效益，既保证常规电源在调节风电时不过多偏离最优运行点，也使得高载能负荷在最少的调节成本下消纳最多的受阻风电。

（4）针对上、下层优化模型的决策变量不同，采用改进遗传算法和二进制粒子群算法相结合的混合智能算法对优化模型进行求解，求解速度快，收敛性能好。

[1] 白建华, 辛颂旭, 贾德香, 等. 中国风电开发消纳及输送相关重大问题研究[J]. 电网与清洁能源, 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, 娄素华, 吴耀武, 等. 含大型风电场的电力系统调峰运行特性分析[J]. 电工技术学报, 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] 肖创英, 汪宁渤, 丁坤, 等. 甘肃酒泉风电功率调节方式的研究[J]. 中国电机工程学报, 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] 姚明涛, 胡兆光, 张宁, 等. 工业负荷提供辅助服务的多智能体响应模拟[J]. 中国电机工程学报, 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] 姚建国, 杨胜春, 王珂, 等. 智能电网“源—网—荷”互动运行控制概念及研究框架[J]. 电力系统自动化, 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] 马林东, 葛智平, 张世才, 等. 基于高耗能企业参与电网内风电消纳的主动调峰技术[J]. 电力建设, 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] 杨楠, 王波, 刘涤尘, 等. 考虑柔性负荷调峰的大规模风电随机优化调度方法[J]. 电工技术学报, 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] 丰佳, 周芸菲. 浙江省典型用电行业负荷特性和可中断能力分析[J]. 电力需求侧管理, 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, 邓威, 等. 基于2层规划的间歇性分布式电源及无功补偿综合优化配置[J]. 中国电机工程学报, 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] 张璐, 唐巍, 丛鹏伟, 等. 基于机会约束规划和二层规划的配电网广义电源优化配置[J]. 电力系统自动化, 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, 刘俊勇, 魏震波, 等. 考虑可再生能源出力不确定性的微电网能量优化鲁棒模型[J]. 中国电机工程学报, 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, 杨明, 韩学山. 基于场景分析的含风电系统机组组合的两阶段随机优化[J]. 电力系统保护与控制, 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] 陈建华, 吴文传, 张伯明, 等. 风电受限态下的大电网有功实时控制模型与策略[J]. 中国电机工程学报, 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, 乔颖, 鲁宗相. 考虑风电效益的风火互济系统旋转备用确定方式[J]. 电力系统自动化, 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, 张少华. 可中断负荷参与输电阻塞管理的模型与算法[J]. 电力系统自动化, 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] 严干贵, 冯晓东, 李军徽, 等. 用于松弛调峰瓶颈的储能系统容量配置方法[J]. 中国电机工程学报, 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] 毛伟明, 周明, 李庚银. 多时段下计及可中断负荷的电网输电阻塞管理[J]. 电网技术, 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] 孙力勇, 张焰, 蒋传文. 基于矩阵实数编码遗传算法求解大规模机组组合问题[J]. 中国电机工程学报, 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] 所丽, 唐巍, 白牧, 等. 可考虑削峰填谷的配电网集中型充电站选址定容规划[J]. 中国电机工程学报, 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, 姚建国, 杨胜春, 等. 应对风电消纳中基于安全约束的价格型需求响应优化调度建模[J]. 中国电机工程学报, 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, 陈冲, 温步瀛. 含风电场的电力系统机组组合问题随机模拟粒子群算法[J]. 电工技术学报, 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, 赵彩虹, 马成飞, 等. 基于二进制粒子群算法的可中断负荷优化调度[J]. 南京师范大学学报(工程技术版), 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，从事电力系统运行、分析与控制方面的研究。

国家自然科学基金项目（51377053）和国家科技支撑计划项目（SQ2015BA0502239）。

2013-04-14 改稿日期 2013-05-14

刘文颖 女，1955年生，教授，博士生导师，从事电力系统分析与控制、电力系统智能调度及大电网安全防御方面的研究。