含太阳能光热电站的风-光热-水电力系统联合优化调度

田录林 ，张盛炜 ，田 琦 ，巨思远 ，张沛文

(1.西安理工大学 水利水电学院，陕西 西安 710048; 2.工商银行西安高新支行，陕西 西安 710075)

0 引 言

太阳能光热发电技术(Concentrating Solar Power,CSP)是与光伏发电不同的一种太阳能发电技术。它将太阳光照反射至集热器，再通过换热装置得到高压过热蒸汽来驱动汽轮机发电。为解决太阳能的不稳定与间歇性问题，光热电站通常配备储热装置以保证给电网供电的稳定。近年来，光热发电迅速发展。国家能源局规划到2020年, 国内光热发电装机目标为300万kW[1]。考虑到未来光热电站的规模以及其良好的调节能力，将光热电站与其他可再生能源发电一并建立联合系统，不仅能平滑电能，而且也能促进可再生能源并网，减少弃风，增加效益。

在光热发电与其他能源发电联合调度研究方面很多学者做出了贡献。文献[2]提出了含光热电站的电网调度模型，并进行了算例分析。文献[3]分别从原理、运行、优化规划、效益分析等角度对光热电站的并网运行进行了分析。以上两篇文献侧重点都在光热电站的建模与分析部分，并没有完善的分析其与其他能源构成联合系统时的调度策略。文献[4]建立了光热电站的数学模型，分析了其经济价值，但未考虑备用等因素，因此无法应用于包含光热电站的电网调度。在含有光热电站的电力系统优化调度中，文献[5]提出了光热电站-风电联合系统的自调度模型，研究对比了CPLEX求解器和遗传算法在求解该问题时的优劣。文献[6]建立了光热电站与燃气轮发电机的复合发电系统，有效地提高了光热电站的可靠性与效率。以上文献只研究光热电站与另单一能源联合优化调度问题，但未涉及光热发电与其他多种能源一起建立联合系统的优化调度问题。此外，在风电并网消纳方面也有很多专家学者进行了研究。文献[7]利用抽水蓄能电站的储能特点，建立了抽水蓄能与风电的联合调度模型并进行了模拟，验证其模型的有效性。但抽水蓄能电站储能时的损耗较大，且其对建设地点的地形要求较高。文献[8]建立了风电优先上网的风水火电力系统联合调度模型，以水电和火电共同调节以最大化平抑风电的波动。但其结果中火电出力波动较大，对火电站的运行有一定的影响。文献[9]建立了风光储电力系统联合调度模型，使用电池储能对风电和光伏电站的出力进行削峰填谷，以最大限度接纳新能源。但目前大规模的电池储能还存在技术瓶颈，实现起来难度较大。

综上，目前国内外对太阳能发电技术的研究多以光伏发电为主，在风电并网方面也多采用传统能源来进行调节。因此本文创新的使用光热电站与水电站共同对风电的波动进行调整。建立水电站，风电场和光热电站的多种清洁能源联合电力系统，利用光热电站的储能功能来平滑风电的随机性。以最大经济价值和最小化弃风量为目标函数，采用含驻留粒子的改进粒子群算法[10]进行优化，仿真算例验证了本文调度策略的有效行和可行性。

1 风-光热-水电联合优化调度模型

1.1 目标函数

要实现风、光热、水电联合调度系统经济、减少弃风的目标，建立目标函数如下：

(1)

(2)

式中，T为日调度总时段数，取24；N为水电站数量；cwind、cCSP、chydro分别为风电、光热以及水电站的上网电价；Ptwind、PtCSP分别为风电场和光热电站在t时段的输出功率；Pithydro为水电站i在t时刻的输出功率;Ptwind*为风电场在t时刻的预测功率。式(1)表示联合系统的效益最大化，不计建设投资和维护成本。式(2)表示最小化弃风量，以保证最大限度的接纳风电。

1.2 约束条件

(1)系统功率平衡约束

(3)

(2)系统备用约束

(4)

(3)电站功率约束

(5)

(4)水电转换关系

(6)

式中，A为水电转换常数，通常取9.81；ηi为水电站i的效率；hit为水库i在t时段的水头高度。Qit为水电站i在t时刻的流量。

(5)日流量积分约束

可调节水电站需要根据调度部门的要求确定发电的用水量，故将调度部门的要求设为日流量积分约束的上下限。

(7)

式中，Qmini、Qmaxi分别为水电站i在调度日的最小和最大分配用水量。

(6)光热电站约束

a.储热装置的储能约束为：

(8)

式中，Emin为储热装置最小安全存储量；ρFLH为储热装置满负荷小时数；ηe为发电机热转电效率。

b.储热装置的充放电功率约束为：

(9)

c.储热装置充放电功率相互关系约束：

(10)

d.光热电站内部功率关系约束：

(11)

2 风-光热-水电联合优化调度算法

对本文提出的模型中的多目标函数采用统一目标法中的加权系数法进行处理，权重按照对两个目标函数的重视度不同分别取0.4和0.6。采用外点罚函数法处理约束条件，将其融入到目标函数中。处理后原本复杂的多目标混合约束问题就转化为一系列无约束规划问题。模型中需要优化计算的参数为每个电站在每个时段中的功率出力。在算法方面使用一种含驻留粒子的粒子群算法，因其引入“驻留粒子”辅助寻优，弥补了基本粒子群算法在局部小区域内寻优能力不足的问题，同时也提升了整个粒子群的多样性。该算法十分适用于在固定范围内寻优的电力系统优化调度问题。

2.1 含驻留粒子的改进粒子群优化算法

粒子群算法(Particle Swarm Optimization，PSO)具有易于实现，对目标函数要求不严等特点，是目前广泛应用的一种智能优化算法[12]。在寻优过程中，粒子的聚集效应会使寻优陷入局部最优解，影响寻优精度。为了解决这个问题，本文采用含驻留粒子的粒子群算法[9](Containing Resident Particles PSO,CRPSO)。CRPSO是在基础粒子群算法寻优时，利用每个gbest更新时产生一定量的驻留粒子进行辅助寻优，以提高粒子种群的多样性，防止算法过早陷入局部最优值。

在CRPSO中，为防止寻优得到新的全局最优点(gbest)附近产生新的驻留粒子数过多而导致算速下降，设置驻留粒子裕度b,其和主粒子群规模N的乘积Bbest=bN为驻留粒子数目的最大值。

2.2 迭代公式

设置算法搜索空间维数为D，主粒子群规模为N，则第i个主粒子位置以及其飞行速度可以表示为：

(12)

第i个粒子的个体最优值记为：

pbest=(pi1,pi2,…,piD),i=1,2,…,N

(13)

整个粒子群的历史最优值记为：

gbest=(pg1,pg2,…,pgD),i=1,2,…,N

(14)

则第i个粒子的速度和位置更新公式为：

Vi=ωVi+c1r1(pbest-Xi)+c2r2(gbest-Xi)

(15)

Xi=Xi+Vi

(16)

式中，ω为惯性因子；c1、c2为学习因子，也称加速因子；r1、r2为[0,1]的均匀随机数。

驻留粒子初始化公式为：

R=gbset+c3r3

(17)

第j个驻留粒子以及其位置更新公式即“蠕动公式”可表示为：

(18)

式中，c3、c4为搜索范围大小的(0～0.1)倍，c3略大于c4、r3、r4为D维中每维在(-1,1)内的随机数。

2.3 算法流程

CRPSO算法流程如图1所示。

图1 CRPSO算法流程

3 算例验证分析

为验证本文所提多目标优化调度模型的合理性及所使用算法的可行性，设置算例用MATLB软件进行程序编写及算例验证。分别计算不加入含光热电站和加入光热电站时算例中每个电站在每时段的出力作为对比，并对结果进行分析以验证加入光热电站是否能够有效地改善系统接纳风电的能力。

3.1 算例参数

在算例中配以装机容量分别为350、300 MW的水电站和360 MW的风电场以及一个光热电站，构成含风、光热、水电的联合调度系统。以小时为调度周期，将1 d分为24个时段。其中CSP电站以及水电站的参数如表1、表2所示。

表1 CSP电站参数

表2 水电站参数

查阅相关资料与国家政策文件，设置不同能源的上网电价如表3所示。

表3 不同能源电力上网电价

图2是典型的日负荷预测值，图3是风电、光热电站的功率预测值，风电功率预测的最大值为354 MW，约占总装机容量的98.3%；最小值为28 MW，约占总装机容量的7.8%；峰谷差为326 MW，占装机容量的90%。可见风电出力随机波动峰谷差很大，且相对于负荷具有反调峰特性。

图2 负荷预测值

图3 风电和光热功率预测图

3.2 算例验证分析

在CRPSO算法中，设置种群规模为100，最大迭代次数为500，运算20次。计算不加入光热电站时，风电与水电的输出功率如图4所示。加入光热电站时，风、光热、水电力系统联合调度结果如图5所示。

图4 风、水电出力

图5 风、光热、水电出力

由图4可以看出风电波动强烈，最小值为26 MW，约占总装机容量的7.2%；最大值为289 MW，约占总装机容量的80.2%；峰谷差为263 MW，占总装机容量的73%。水电厂出力的峰谷差为239 MW，占总装机容量的36.7%。可见仅靠水电不断调整来弥补风电波动以及负荷的峰谷差会对水电厂造成很大的压力，这对电厂以及系统都会造成影响。由图5可以看出，加入可以储能的光热电站后，风电场出力的峰谷差为199 MW，约占总装机容量的55.2%；水电的峰谷差为185 MW，占总装机容量的28.4%。风电场出力更加平稳，弃风量明显减少；水电的出力波动也有效的减少，整个系统应对风电波动以及负荷峰谷差的能力显著增强。由表4可知，加入CSP电站后，整个系统经济效益每天增加23.7804万元，经济效益得到明显提高。

表4 有无CSP电站经济效益对比

综上分析可知，本文提出的风-光热-水电力系统优化调度模型以及含驻留粒子的粒子群算法应用于电力系统中时，可以有效地弥补风电的随机波动，在使电力系统接纳风电的能力显著增强的同时可以尽量减少水电站出力波动。同时还能有效地提升系统的经济效益。

4 结 论

为了最大限度利用清洁能源风能和太阳能，本文利用光热电站的储能功能来平拟风电的随机波动性，建立了风-光热-水电系统优化调度模型，采用含驻留粒子的粒子群算法对调度模型参数进行优化，仿真验证结果表明：本文所提出的风-光热-水电系统优化调度方案可以有效地平拟风电峰谷差，在保证电力系统安全稳定运行的前提下最大限度地提高了电力系统接纳风电的能力，同时减少了水电站出力波动，有效提高了电力系统整体的经济效益。