基于混合粒子群算法的源-荷-储协调优化调度

2022-02-06张怀鹏刘军福雍少华周伟昌陈雨

宁夏电力 2022年5期

张怀鹏，刘军福，雍少华，周伟昌，陈雨

（国网宁夏电力有限公司中卫供电公司，宁夏中卫 642123）

0 引言

随着能源短缺和环境污染问题的日益严重，加快发展新能源，构建新型电力系统已成为电网未来发展的主要方向[1]。与常规能源相比，以风电和光伏发电为代表的新能源具有发电输出波动性强、随机性大的特点，这就要求电网有足够的调节能力以适应新能源的不确定性特点。传统电力系统中，新能源占比较低，可以通过常规电源与新能源的协调互动实现对新能源的充分吸收。文献[2]在传统能源与新能源相互作用模型的基础上，提出一种以新能源消纳为目标的新能源稳健调度方法，然而，随着新能源规模的不断增加，仅靠常规电网本身的调节能力很难满足新能源消纳的要求，因此，迫切需要更充分地调用电网的各种可调资源，提高新能源的消纳能力。文献[3]对储能装置的运行特性进行了研究，提出了储能与新能源互相协调的优化调度模型。文献[4]基于虚拟电厂的运行特性模型，提出了一种参与需求侧响应的电网优化调度方法。文献[5]根据需求侧响应与新能源的互补特性，提出了一种新能源的优化调度方法。

与传统电力系统不同，随着储能系统(energy storage system,ESS)的广泛使用和需求响应(demand response,DR)技术的发展，系统调度资源可以更加丰富，从而可以抑制风力发电和光伏发电的出力波动。因此，为了提高新型电力系统中风电和光伏的消纳能力，降低系统运行成本，需要研究以DR 负荷、ESS、火电机组以及风电光伏等新能源为调度资源的优化调度策略。目前国内外研究人员对于DR 负荷和ESS 参与电力系统优化调度方面做了大量的工作[6-7]。文献[8]提出了一种考虑使用基于电价的DR 负荷调度来提高风电消纳量的优化调度策略。文献[9]研究了空调负荷的需求响应,提出一种新式调度方法，即空调负荷参与配电网光伏消纳。文献[10]提出了一种基于改进coloredpower 算法的加权系数排队算法,实现对新能源的优化利用与控制。文献[11]研究了一种提出基于恢复力约束的分布式储能优化规划策略。

上述研究方法中考虑的调度资源均不超过两个，很少有人考虑DR 负荷、ESS、火电机组、光伏和风电之间的协调和相互作用。在优化过程中，没有考虑DR 负荷调度成本、风电和光伏并网成本。本文将基于电价的DR 负荷、ESS、火电机组、光伏和风电作为整个系统的调度资源，综合考虑基于电价的DR 负荷调度成本、储能成本、火电机组运行成本、风电和光伏弃风弃光成本，提出一种基于源-荷-储协调的电力系统优化调度模型，并提出一种两阶段优化方法进行求解。通过仿真和算例分析，验证优化调度策略的优越性和算法的有效性。

1 优化调度模型

1.1 目标函数

优化调度模型以系统运行成本最小为优化目标，其中包括火电机组的运行成本、风电和光伏发电的弃风弃光成本以及基于电价的DR 负荷调度成本。

1）火电机组运行成本[12]。

式中：F1是火电机组运行成本；T是总调度周期数；NG是系统包含的火电机组数量；fi是第i台火电机组的运行成本；PGi是第i台火电机组的发电功率；Si是第i台机组的启动成本；Ui表示火电机组启停机，1为开机，0为停机；ai，bi，ci为火电机组的成本参数。

2）风电和光伏发电的削减成本。

由于风力和光伏发电的随机性、波动性特点，会导致其发电量不稳定，如果系统不能提供足够的负旋转备用，系统消纳能力不足，可能会削减风电和光伏发电量。因此，为提高系统对风电光伏的消纳能力，应考虑风电和光伏发电的削减成本，其定义如下：

式中：λ 表示风电和光伏弃风弃光成本惩罚系数；PˉWS,fore表示光伏、风电最大预测发电；表示系统最大可接受光伏、风电发电功率；Ps为储能充放电功率，Ps＞0 表示放电状态；PGi，min表示第i台火电机组最小出力；PL表示系统负荷功率；Δq(t)表示t时段通过电价调控实现用户用电变化量；Δt为调度周期。

3）基于电价的DR负荷调度成本。

式中：Δp(t)表示t时段的电价变化量；qo(t)表示未采用基于电价的DR 负荷调度时t时段用户耗电量；po(t)表示未采用基于电价的DR负荷调度时t时段电价。

综上所述，基于源-荷-储协调的优化调度模型的目标函数可表示为

1.2 约束条件

基于源-荷-储协调的优化调度模型的约束可以分为5 个方面：系统约束、火电机组约束、风力发电和光伏最大出力约束、基于电价的DR 负荷约束和ESS出力约束。

系统约束包括功率平衡约束和旋转储备约束，可以表示为

式中：PGi,max和PS,disc,max分别表示第i台火电机组最大出力和储能最大放电功率；l为负荷备用系数，通常取0.1；P-WS,fore表示光伏和风电最小预测发电功率。

火电机组的约束包括机组发电功率约束、爬坡约束和最小启/停机时间约束。约束表示如下：

式中：rui和rdi分别表示第i台火电机组的最大功率上升速率和最大功率下降速率；和分别表示第i台火电机组在时刻t的启/停时间；和分别表示第i台火电机组最小启/停时间。

风电和光伏最大出力约束可表示为

如果风电和光伏的最大可接受出力小于最大预测出力，则系统可能发生弃风、弃光现象。

本文采用的基于电价的DR 负荷调度模型中通过价格弹性矩阵模型[13]来反映电价变化与负荷之间的关系。为简化电价模型计算，本文假定互弹性系数为零，如果新电价过多地迫使用户改变原有的用电行为，用户会对调度部门产生不满。因此，还需要考虑用户满意度约束，可以描述如下：

式中：Sw表示用户满意度，Sw,min表示用户满意度下限。

除了满意度约束外，基于电价的DR 负荷调度模型的约束还包括电价约束，具体表示如下：

式中：Pmin和Pmax分别表示电价的上下限；p(t)表示采用调度模型后t时刻的电价。

为了使ESS 能够可持续高效的利用，必须实现充放电能量平衡，由此本文引入了充放电平衡约束。此外，还需要满足最大充放电功率约束和荷电状态约束，则描述ESS的约束可表示为

式中：PS,c,max表示储能最大充电功率；CSOC(t)表示t时刻的储能荷电状态；CSOC-max和CSOC-min分别表示荷电状态最大值和最小值。

2 优化调度模型的求解

基于源-荷-储协调的优化调度模型中优化目标可以分为四个部分：火电机组启动成本最小，风电和光伏弃风弃光成本最小，基于价格的DR调度成本最小和燃料消耗成本最小。第一部分相对独立于其他三个部分，可以单独进行优化，同时第一部分也是整个优化过程的基础，因此需要先对其进行优化。本文将优化问题分为两个阶段进行求解：第一阶段采用离散二进制粒子群算法优化火电机组启动成本和风电和光伏弃风弃光成本；在第一阶段优化结果的基础上，第二阶段采用双层连续粒子群算法对其余部分进行优化。

2.1 第一阶段的优化

第一阶段的优化目标为使火电机组的启动成本和风电场和光伏发电的弃电成本之和最小。火电机组的启/停状态是优化第一阶段的决策变量。由于决策变量为整数变量，可以采用离散二进制粒子群算法求解第一阶段的优化问题。

在电力系统中，当火电机组不能提供足够的负转备用来应对风电和光伏发电功率的上升时，ESS 不得不安排在充电状态，并降低电价以消耗更多的风电和光伏发电功率。在上文提出的优化调度模型中，ESS和基于电价的DR负荷是最佳方法，使风电和光伏充分消纳。因此，第一阶段的优化是使ESS 的充电功率较大，并设定较低的电价，以保证风电和光伏的消纳。

由于基于电价的DR 负荷调度在增加电力负荷时具有正的调度成本，因此，ESS具有更高的调度优先级，在系统弃风弃光时ESS 的充电功率为

基于电价的DR 负荷调度模型消耗过多的风电和光伏发电功率可表示为

式中：Δq(t)表示采用调度模型后t时刻的用户耗电变化量。

综上，风电和光伏弃风弃光量可表示为

式中：ΔPWS(t)是系统弃风弃光量。

2.2 第二阶段的优化

第二阶段的优化目标是使基于电价的DR 负荷调度成本和燃料消耗成本之和最小。决策变量为机组出力、电价和ESS 充放电功率。该阶段采用双层连续粒子群优化算法进行求解。

外层算法可用于确定ESS的充放电功率和电价，粒子的位置矢量的公式可以定义如下：

式中：x(t)为1× 2T的矩阵，表示粒子位置矢量，矩阵中的元素分别表示每个时刻电价变化量和储能充放电功率，其中在第一节段的优化中已确定部分元素为固定值。

针对用户满意度这一约束，采用修正法进行处理。具体过程如下：(1)找出电价对约束影响最大的时段。(2)通过调整时段电价来减少对约束的影响。(3)重复上述过程，直到满足约束。具体修正公式表示为

式中：μ表示修正步长，其值不超过电价最大变化量。

针对荷电状态和最大充放电约束，可用修正公式表示：

内层优化问题是一个常规的负荷经济调度问题。目前已有较多算法能够解决这一问题，具体算法详见文献[14-15]，本文不再赘述。在内层优化完成后，外层算法根据内层优化结果更新粒子的位置和速度，当达到最大迭代次数时，循环结束，最优解输出。

3 算例分析

通过测试包含10 个火电机组的系统[16]来评估所提出的方法的性能，将风电场、光伏发电厂和集中式ESS 添加到该系统中，假设系统已经采用了实时价格政策。系统中火电机组的运行数据详见文献[16]。设置整个调度时间为24 h，每个时段为1 h；风电和光伏弃风弃光成本设置为300 元/MW。表1所示为未采用基于电价的DR 负荷调度的系统负荷数据[9]，表2和表3分别为基于电价的DR负荷调度模型和ESS的调度参数。离散二进制粒子群算法的种群个数和最大迭代次数分别为50 和100；双层连续粒子群优化算法的内外侧种群个数均为30，最大迭代次数均为50。