含风电场的水火电力系统的多目标优化调度

林从城，方万煜

（广东电网有限责任公司汕尾供电局，广东 汕尾 516600）

0 引言

近年来，国家倡导节能减排，要求电力系统调度能够在供电可靠的前提下，按经济、环保的原则，优先安排清洁能源发电。因此，对含风电场水火电力系统优化调度进行研究，提高发电企业的发电效率，减少污染物的排放，节约能源，具有十分重要的现实意义。

电力系统的电源构成除了火力发电和水力发电外，也越来越接受太阳能、风能等新能源发电的并网。风力发电除了前期的必要投资和维护成本外，并不用投入燃料成本，这使得风力发电能为电力系统优化调度带来更长远更多的经济收益。随着风力发电的大规模并网运行，电力系统除了要安排火电厂和水电站的出力外，还要考虑风电场的出力情况。

文献［1-8］都在风电出力预测的基础上，建立大规模风电场接入电网的调度模型，并利用优化的算法对其建立的模型进行计算，但在风电出力预测模型的建立不准确，从而导致风电出力预测误差较大。风电场出力的不确定性不仅给电网的稳定运行增加了更大的风险，也对电力系统的备用容量提出了更多的要求［9］。文献［10-13］在常规的约束条件上增加了风电出力预测不确定性的约束条件，以此来减少风电场出力预测的不确定性给电网稳定运行带来的风险，但其模型的建立较为简单，未能考虑水电站中各级水库中来水量、引水量等方面的约束条件。因此引入旋转备用容量来应对风电功率预测的不确定性，同时还考虑水电站中各级水库中来水量、引水量等方面的约束条件来建立含风电场的水火电力系统优化调度模型，并利用改进粒子群算法对模型进行运算求解，从而解决风电场大规模并网的经济调度问题。

1 含风电场水火电力系统优化调度模型

1.1 目标函数

电力系统经济调度是在满足电网安全稳定运行的前提下，尽可能地提高电力系统运行的经济性，即合理使用设备和能源，用最少的燃料来保障电网安全可靠运行，保证用户的供电可靠性。含风电场水火电力系统经济调度应该从多个目标去考虑，以梯级水电站耗水量最少和火电机组耗煤量最少为目标，构建目标函数如下：

火电机组耗煤量最小时，

梯级水电站耗水量最小时，

式中：f1、f2分别为火电厂的耗煤量和梯级水电站的耗水量；T 为火电机组发电的时长；为火电机组j在t 时段出力；NT、NH分别为火电厂和水电站的个数；aj、bj、cj为第j 个火电厂的煤耗系数；为t 时刻第i 个水电站的发电用水量。

1.2 约束条件

1）功率平衡约束。

由于发电、输电、用电几乎是同一时刻完成的，发电量应与负荷消耗量相等，忽略网络损耗，其表达式为

2）水电站和火电厂的机组出力约束。

式 中：PT，jmin、PT，jmax分别为火电厂的最小出力和 最大出力；PH，imin、PH，imax分别为水电站的最小出力和最大出力。

3）火电机组的爬坡约束。

4）发电流量约束。

式中：QG，imax、QG，imin分别为第i 个水电站发电流量的最小值和最大值为第i 个水电站在t 时刻的发电流量。

5）水库蓄水量约束。

式中：Vimin、Vimax为第i 个水电站水库蓄水量的最小值和最大值为t 时刻第i 个水电站水库的蓄水量。

6）梯级水电站的龙头电站和非龙头电站的水量平衡表达式为：

7）旋转备用容量约束。

系统没有风电接入电网时，旋转备用容量是响应发电机组停止运行和负荷预测不准确所带来的影响。风电功率预测不准确增大了电力系统的随机性，需要利用旋转备用容量来应对风电并网的影响。风电场的规模越大，则风电场的输出功率也越大，一旦减少或没有了这部分发电出力时，其他机组要能够迅速弥补电力系统的功率缺失，则系统需要提供更多的备用容量来应对风电功率的变化［14］。

系统需要保留旋转备用容量来应对机组停运和负荷预测的影响，其所需选择备用容量为：

风电功率的预测同样存在着误差，则所需旋转备用为:

t 时刻，系统水电站所具有的旋转备用容量为：

式中：Ut、Dt分别为系统t 时刻所具有的向上旋转备用和向下旋转备用。

综上所述，系统旋转备用约束为：

2 粒子群算法的改进

虽然粒子群算法具有容易实现、收敛速度快等优点，但是算法还存在容易出现早熟现象、陷入局部最优解等缺点。针对粒子群算法的这些问题，对惯性因子和学习因子进行适当的调整，使算法能避免这些缺点，更好地求解优化问题。

1）学习因子异步变化：

式中：c1，f、c2，f分别为学习因子c1和学习因子c2的初值；c1，F、c2，F分别为学习因子c1和学习因子c2的终值；c1，k、c2，k分别为第k 次迭代的学习因子。

2）惯性因子线性递减。

式中：k 为当前迭代的次数；K 为迭代的总数；w 为第k 次迭代的惯性因子；wmax、wmin分别为惯性因子极大与极小值，通常取值分别为0.9、0.4。

根据上述的方法对标准粒子群算法进行改进，改进后的算法如图1 所示。

图1 改进粒子群的算法

3 算例仿真计算

3.1 算例

为了验证所建立优化调度模型的合理性和有效性，对红水河已建设的8 个水电站、广西境内10 个火电厂及1 个大型风电场所组成的电力系统的运行情况进行分析［15］，利用改进粒子群算法表进行仿真计算。风电场、水电站、火电厂参数如表1—表3 所示，负荷情况采用广西日调度报，如表4 所示。

采用ARMA 模型，通过历史数据来预测未来24 h内风电场的出力情况，所预测的风电场出力值如表5 所示。

在满足机组出力约束、功率平衡约束、火电机组爬坡约束等条件下，运用改进粒子群算法对所建立的含风电场水火电力系统优化调度模型进行求解，各时段水电站、火电厂和风电场联合调度情况如图2—图4 所示。

表1 火电厂基本参数

表2 梯级水电站基本参数

表3 风电场的出力实际值

表4 系统的负荷情况

表5 风电场的出力预测值

图2 梯级水电站24 h 的出力情况

图3 火电厂24 h 的出力情况

图4 含风电场水火电力系统优化调度情况

同时为了证明改进粒子群算法的准确性，分别采用改进粒子群算法与粒子群算法，对目标模型进行运算，两种算法的参数如表6 所示，具体运算结果如表7 所示。

表6 粒子群和优化粒子群算法参数

表7 运算结果

3.2 结果分析

从图2 可知，水头高、装机容量大的梯级水电站被安排优先发电，并且承担着较大的出力，这符合耗水量最小的目标。由于受到库容、出力等约束，还有对下游水电站的发电流量、水位等影响，使得大容量机组不能满发。

从图3 可知，耗煤率低、装机容量较大的机组1、2、4 承担着较大的出力，这符合煤耗量最小的目标。优先安排装机容量大且耗煤率低的火力发电机组发电，可以有效减少煤炭的消耗量，进而减少污染物的排放。

从图4 可以看出，水电站出力基本大于火电厂出力，能够有效减少了污染的排放，证明所建立的模型比较有效合理。

从表7 可以看出，优化后粒子群算法的水电出力多于粒子群算法算出的数值，即表明改进后的粒子群算法所得出的结果在用水量、污染的排放及煤的使用上都要优于粒子群算法所得出的结果，因此，优化后的粒子群算法精确度更高。

4 结语

研究含风电场水火电力系统优化调度问题，构建了考虑环境因素和经济因素的优化调度模型。对粒子群算法进行改进，使其在求解多维约束、复杂的非线性问题时具有更快的收敛性和更好的精确度。并运用改进的粒子群算法对含风电场水火电力系统优化调度模型进行仿真计算。所建立的含风电场水火电力系统优化调度模型的仿真结果表明，在调度期内，梯级水电站的出力大于火电厂的出力，证明了所建立的模型有效合理。依据此模型对含风电场的水火电力系统优化调度，有效提高电力系统的经济性，尽可能减少了煤炭资源的利用，实现了节能减排。