考虑含热电联产机组及可再生能源优先消纳的风-光-水-火联合优化调度

2021-11-19林琳高雪甄钊

电气工程学报 2021年3期

林琳高雪甄钊

(1. 保定电力职业技术学院(国网冀北电力有限公司技能培训中心) 保定 071051；2. 华北电力大学(保定)电力工程系保定 071003)

1 引言

近年来，风电的普及率大幅度提高，预计未来还将持续增长，美国能源部就曾描述到2030 年风力发电可以产生20%国家电力的情景[1]，因此，一些国外电力系统运营商认为可再生能源比其他常规发电源具有更高的优先级[2]。但出力具有间歇特性的风能和太阳能被大规模利用，一方面给电力系统的稳定调度运行带来了诸多挑战；另一方面由于其本地消纳困难，可再生能源无法得到充分利用，造成了大量的能源浪费。

为解决上述问题，众多学者从提高风力、光伏发电的理论预测精度[3-7]和现实大容量的储能技术[8-10]等角度进行研究。然而风能和太阳能固有的随机性并不可消除，大容量的储能技术还停留在探索阶段，因此需要充分利用能源之间的互补特性，与常规机组相结合，实现电网的稳定运行。文献[11]基于模拟退火粒子群优化算法，建立了风能、水能和天然气机组互补的发电模型，利用水能和天然气机组具有快速调节的能力，提高风能在能源结构中的占比；文献[12]以水电站“弃水”最少、火电出力波动最小及总运行成本最低为目标，建立了清洁能源优先的多目标短期优化调度模型，为后期的新能源协调运行提供了数据及应用指导；文献[13]提出了一种风电、热电联产机组和常规机组共存，含有储热热电联产与电锅炉协调供热的弃风消纳调度模型，对比分析了多种供热模型下消纳弃风的能力，得出了理论上电锅炉的最优供热比例；文献[14]在热电联供模式的基础上进一步包含制冷制备，考虑费率结构对发电成本的影响，建立了清洁能源互补发电的冷热电联供系统。

本文提出一种包含风电、光伏、水电和火电机组共存的可再生能源优先消纳的发电模型，通过水电站的蓄水能力来平抑一部分由风电和光伏引起的波动，实现能源上的互补。此外，考虑北方冬季供暖的实际问题，基于热电联产机组将电力系统和热力系统联合起来，在更为广阔的时空范围内提高资源的优化配置能力。在传统粒子群优化算法(Particle swarm optimization，PSO)的基础上借鉴遗传算法(Genetic algorithm，GA)中自然选择机理，提高全局最优求解精度，体现了多种可再生能源互补发电带来的经济效益并为其可靠运行提供了应用指导。

2 风-光-水-火联合优化调度模型

为实现对可再生能源的优先消纳，论文所构建模型需要针对性设定风电、光伏出力的约束条件来保证风电、光伏按照输出功率参与调度。在此基础上以常规火电机组的电输出功率、热电联产机组的电输出功率和热输出功率为优化变量，设定总发电成本最小的目标函数，从而构建风-光-水-火联合优化调度模型并求解。本章主要介绍调度模型的详细数学架构。

2.1 目标函数

含有多种可再生能源的电力系统经济优化调度以总发电成本最小为调度目标，总发电成本由常规火电机组成本和热电联产机组成本组成。由于不考虑风电机组、光伏电站和水电厂的投资成本和运行成本，故风-光-水-火联合优化调度模型的目标函数如下

式中，F表示总发电成本；F1表示常规火电机组成本；Pi表示第i台常规火电机组的电输出功率；F2表示热电联产机组成本；Pe.j和Ph.j分别表示第j台热电联产机组的电输出功率和热输出功率。

2.1.1 常规火电机组成本F1

常规火电机组的发电成本由两部分构成，即运行成本和启停成本。

式中，ai、bi、ci分别为第i台常规火电机组运行成本二次系数；Pi.t为第i台常规火电机组在t时刻的输出功率；ui.t为第i台常规火电机组在t时刻的启停状态，1 表示运行，0 表示停机；Si为常规火电机组i的启动成本；N为常规火电机组台数。

2.1.2 热电联产机组成本F2

风-光-水-火联合调度中仅有热电联产机组承担供热任务，需要将机组保持运行状态，故热电联产机组成本仅包含运行成本，且机组运行成本与机组的电出力和热出力均有关，即

式中，aj、bj、cj分别为第j台热电联产机组的运行成本系数；Pe.j.t和Ph.j.t分别为第j台热电联产机组在t时刻的电输出功率和热输出功率；Cv为热电联产机组运行系数，取0.15；Ne为热电联产机组台数。

2.2 约束条件

2.2.1 风电出力约束

在不考虑尾流和能量损耗的情况下，风力发电机的输出功率与风机轮毂高处的风速有关，即

式中，Pp.m.t表示第m组光伏电池在t时刻的电输出功率；PR p.m表示第m组光伏电池在标准条件下(1 000 W/m2，25 ℃)的最大电功率；Gm.t表示第m组光伏电池在t时刻的光照强度；kT表示功率温度系数；Tm.t表示第m组光伏电池在t时刻的温度；TR表示标准条件下的温度，即参考温度，取25 ℃；GR表示标准条件下的光照强度，取1 000 W/m2。

在调度过程中，太阳能和风能一样，都按照输出功率参与调度，保证可再生能源的优先消纳。

2.2.3 水电出力约束

水电站一般用于防洪、蓄水、发电等任务，其中每日发电的用水量需要根据水电调度部门的要求进行安排。在本模型当中，假设不发生“弃水”现象，保证可再生能源得到充分利用。

式中，Ql.min、Ql.max分别表示水电站l每日最小和最大发电用水量；Ql.t表示水电站l在t时刻实际发电用水量；Ps.l.min、Ps.l.max分别表示水电站l最小和最大技术出力；Ps.l.t表示水电站l在t时刻实际出力；a为水电转换常数，通常取9.81；ηl为水电站l的效率；Hl.t为水库l在t时刻的水头高度。

2.2.4 系统平衡约束

联合优化调度模型的系统平衡约束包括电功率平衡约束和热功率平衡约束。

(1) 电功率平衡约束

在忽略网络损耗和网络限制的条件下，联合系统的电功率平衡约束如下

式中，Ph.j.t为第j台热电联产机组在t时刻的热输出功率；Phz.t为t时刻的系统热负荷实际值。

2.2.5 火电机组约束

(1) 机组出力约束

常规火电机组和热电联产机组均只能在各自出力调节范围内运行，其各自出力约束如下

式中，Pi.min、Pi.max分别表示第i台常规火电机组最小发电功率和最大发电功率；Pe.j.min、Pe.j.max分别表示第j台热电联产机组最小电输出功率和最大电输出功率。

(2) 机组爬坡约束

机组的各自调节特性不同，在运行过程中其调节性能受到各自爬坡速率的限制。

(3) 系统备用约束

旋转备用容量被用来保证电力系统的稳定运行，是系统正常运行的必要条件之一。

式中，Pi.max、Pe.j.max、Ps.l.max分别表示第i台常规火电机组最大发电功率、第j台热电联产机组最大电输出功率、水电站l最大技术出力；kd、kw、kp分别表示系统负荷波动系数、风电波动系数和光伏波动系数，分别取值为10%、15%和20%。

3 风-光-水-火联合优化调度算法

3.1 基于自然选择的粒子群优化算法

粒子群优化算法起源于对鸟类捕食的行为研究，是一种基于迭代的优化工具[15]。由于随机粒子在寻优过程中逐渐趋于同一化，使得后期进化速度明显变缓，易陷入局部最优解当中。因此将遗传算法中的自然选择机理与粒子群算法相结合，将两者间优劣势进行互补，得到基于自然选择的粒子群优化算法。

改进后的算法每迭代一次，用粒子群中最好的一半粒子的速度和位置替换掉最差一半的速度和位置，同时保留原每个个体所记忆的历史最优值。

3.2 算法流程

改进后的粒子群优化算法的具体流程如下所示。

(1) 随机初始化粒子群中各粒子的速度和位置，即假设d维搜索空间中第i个粒子的速度和位置分别为Vi=(vi.1,vi.2, …,vi.d)和Xi=(xi.1,xi.2, …,xi.d)。

(2) 评价每个粒子的适应度，将当前各粒子的位置和适应值存储在各粒子的个体极值pbest，Pi=(pi.1,pi.2, …,pi.d)中，将所有pbest中适应值最优个体的位置和适应值存储于全局最优解gbest，Pg中。

(3) 用下式更新粒子的速度和位置。

式中，w为惯性权因子；c1和c2为学习因子，且c1,c2>0；r1和r2为[0, 1]间均匀分布的随机数。

(4) 对每个粒子，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前最好位置。

(5) 比较当前所有pbest和gbest的值，更新gbest。

(6) 将粒子群按适应值排序，用群体中最好的一半的粒子的速度和位置替换掉最差的一半的速度和位置，保持pbest和gbest不变。

(7) 若满足预设的运算精度，搜索停止，输出结果，否则返回步骤(3)继续搜索。

4 算例及仿真结果分析

算例采用24 时刻日调度模型，时间间隔为1 h，基于热电联产及可再生能源优先消纳的风-光-水-火联合调度系统包含常规火电机组、热电联产机组和装机容量300 MW 的水电站以及大量分布式风力发电机、光伏电池组，其他机组的参数及取值如表1所示。

表1 联合调度系统各机组参数及取值

为了验证该模型的合理性，分夏季和冬季对模型进行求解，电负荷和热负荷取我国北方某地区的典型负荷，风电、光伏出力均按北方某地区两季的预测值进行计算。由于供暖需要，夏季相较于冬季对热负荷的需求明显增加，两季的风电出力较为平稳，光伏发电在负荷高峰时段出力较大，能在一定程度上抵消部分峰值负荷。

基于自然选择的粒子群优化算法中各参数的设置如下：种群规模N为200，最大迭代次数M取100，学习因子c1、c2分别取2，惯性权重w取0.7，分别采用传统粒子群算法与本文所提算法求解。图1、图2分别为夏季和冬季场景下，模型求解过程中目标函数随迭代次数的变化曲线。可以看出与传统粒子群算法相比，改进后的粒子群优化算法能够有效求解本文所构建的日调度模型，迅速得到最优目标函数结果。

图1 夏季场景下的目标函数值变化曲线图

图2 冬季场景下的目标函数值变化曲线图

最终得到夏季和冬季典型日发电总成本，如表2所示。不同典型日各时段下的常规火电机组电输出出力、热电联产机组电输出功率和热输出功率如图3、4所示，各类能源的发电占比例则如图5、6 所示。

表2 不同负荷类型下总发电成本

图3 夏季不同典型日各时段下出力曲线图

图4 冬季不同典型日各时段下出力曲线图

图5 夏季典型日各能源发电所占比例

由夏季典型日仿真结果可知，模型通过对风、光、水发电功率的约束设置，保证了对系统中可再生能源的优先，在此基础上3 台常规火电机组总发电量为5 076 MW·h，4 台热电联产机组提供的总发电量与热能为6 283.91 MW·h，仅发电量方面，常规火电机组占比68%，热电联产机组占比24%，水力发电占比6%，风力发电占比1%，光伏发电占比1%。相比之下，冬季典型日常规火电机组和热电联产机组发电量占比分别为66%、23%，水力、风力、光伏发电量占比则为9%、1%和1%，占比变化幅度不大。