基于改进遗传算法的虚拟发电厂经济调度优化方法

张立玲,霍晓蕊,汪宗达,李 达,刘晓丹

(天津市电力公司 滨海供电分公司,天津 300450)

0 引言

虚拟发电厂是一种对发电调度、电网运行等情况进行管理的手段,对于协调电网与能源利用方面具有重要作用。 目前,以光能、风能、水能等新能源为发电标准的电力企业越来越多,减少了煤炭发电对环境的污染,有利于达到“双碳”目标。 为解决新能源发电的出力问题,研究人员设计了多种解决方案。 其中,基于免疫算法的虚拟发电厂经济调度优化方法,与基于改进PSO 的虚拟发电厂经济调度优化方法的应用较为广泛[1-2]。 以上两种方法主要是以发电决策变量为主,提出的自适应调度方法,存在局部寻优的问题,影响发电调度的经济性优化效果[3]。 改进遗传算法主要是针对线性问题,打破局部最优的局限,快速找到全局最优解[4]。 将改进遗传算法应用到虚拟发电厂经济调度优化方法后,能够根据发电厂的调度情况,得到全局最优调度方案,为提升发电厂的经济效益作出保障。

1 虚拟发电厂经济调度的改进遗传优化方法设计

1.1 提取虚拟发电厂机组发电并网特征

风力发电、光能发电等新能源发电技术,通过风电机组、光电机组转换为电能,减少发电对周围环境的污染[5]。 由于风速不可控,发电机组通过电磁感应原理,将输出的电能与电网保持一致。 风电机组将输出的电能进行适当的转换,接入电网运行,其发电并网特征如下:

式(1)中,PWT为风电机组电能转换输出的功率;m2、m1、m0为风机功率- 风速模型参数;v 为自然风速;Pt为风机在ve条件下的功率定值。 假设vq、vc为切入、出风速,ve为风速定值[6]。 当PWT=0 时,则存在v < vq或者v > vc;当PWT=m2v2+ m1v + m0时,则存在vq≤v ≤ve;当PWT=Pt,则存在ve≤v ≤vc。 光伏发电的并网特征如下:

式(2)中,PPV为光电机组电能转换输出的功率;PS为常规光照条件下的功率最大值;GI为光照强度;GS为常规辐照条件下的辐强;L 为温度指标;Ti为光伏电池温度;Tc为发电参考温度值。 将输出电能通过特定转换接入电网,保证电网运行效果。

1.2 基于改进遗传算法构建虚拟发电厂调度优化模型

将虚拟发电厂发电机组的发电并网特征提取出来之后,本研究根据发电收益情况,对发电厂进行经济调度。 本研究使用改进遗传算法,对虚拟发电厂进行经济调度。 调度流程如图1 所示。

图1 经济调度流程

由图1 可知,使用改进遗传算法,能够生成一组初始化种群,经过竞争、交叉、变异等自然选择等过程,得到更加适应发电环境的群体,从而找到全局最优解[7]。 假设调度变量K 的取值范围为[kmin,kmax],则二进制编码对应的空间实际值为:

式(3)中,K2为二进制编码对应的空间实际值;Kmin为变量K 的最小值;l 为二进制串的长度;pi为第i个染色体个体基因。 经过改进遗传编码之后,本研究忽略发电机组本身成本与运行维护成本,将发电收益表示为:

式(4)中,SP为发电收益;αi,j为第i 个发电机组在第j 时刻的调度状态;Pi,j为第i 个发电机组在第j 时刻的出力;γj为第j 时间段内的电力市场价。 根据发电收益情况,构建经济调度优化模型,表达式如下:

式(5)中,maxM 为模型表达式;πw为第w 个风电机组出力情况;κp,t为第t 个调度周期和第p 个电力市场价;ηu、ηt为上调与下调平衡市场的价格上调与下调率。 在∑Ni=1Pi,j=PWT的约束条件下,可以保证发电功率平衡,在保证经济的条件下,优化调度效果。

2 实验

为验证本研究设计的调度优化方法的实用性能,本研究对上述方法进行了分析。 相同的经济调度条件下,发电机组的出力越多,经济调度效果越佳。 分别使用程琳等[1]所著的《基于免疫算法的水火电节能发电调度优化方法研究》中的基于免疫算法的虚拟发电厂经济调度优化方法,和方娜等[2]所著《基于改进PSO 的水火电短期发电优化调度》中的基于改进PSO的虚拟发电厂经济调度优化方法,以及本研究设计的基于改进遗传算法的虚拟发电厂经济调度优化方法,对调度优化效果进行分析。

2.1 实验过程

本次实验以10 kV 配电网为例,建立了以风电机组、光电机组、蓄电池组、微型燃气轮机组为主的虚拟发电厂。 虚拟发电厂中,风电机组的工作时段为1:00—24:00,光电机组工作时段为7:00—19:00,蓄电池组的工作时段为6:00—20:00,微型燃气轮机组的工作时段为7:00—22:00。 受到虚拟发电厂发电时段不同的影响,很难对其进行经济调度。 本次实验综合了各个发电机组的发电时段与发电情况,将发电调度时刻选定为7:00—19:00,对发电厂发电调度进行分析。 虚拟发电厂的配电网网络拓扑如图2 所示。

图2 虚拟发电厂的配电网网络拓扑

在图2 中,PV 表示的是光伏发电机组,WT 表示的是风电机组,ES 表示的是蓄电池组,μP 表示的是微型燃气轮机组。 PV 的额定装机容量约500 kW,WT 的额定装机容量约300 kW,ES 的额定装机容量约200 kW,μP 的额定装机容量约500 kW,分别接入不同的网络节点位置进行发电。 由于电力负荷在一天内的需求存在波动,用电高峰期发电出力较高,用电低峰期发电出力较低。 7:00—19:00 处于用电高峰时段,通过计算网络节点电压适应度值,找出最佳经济调度解,从而对发电厂进行经济调度优化。

2.2 实验结果

在上述实验条件下,本研究选取出7:00—19:00时段的虚拟发电厂的发电情况,并选用①号风电机组、②号风电机组对其经济最优化出力情况进行分析。 分别将《基于免疫算法的水火电节能发电调度优化方法研究》的基于免疫算法的虚拟发电厂经济调度优化方法的经济最优出力,《基于改进PSO 的水火电短期发电优化调度》的基于改进PSO 的虚拟发电厂经济调度优化方法的经济最优出力,以及本研究设计的基于改进遗传算法的虚拟发电厂经济调度优化方法的经济最优出力进行对比。 实验结果如表1所示。

表1 实验结果

由表1 可知,7:00—19:00 时段是虚拟发电厂发电高峰时段,在此时段内的发电出力情况更能够反映实验真实效果。 在相同的经济条件下,发电机组的出力越多,经济调度效果越佳。 其他条件均一致的情况下,使用《基于免疫算法的水火电节能发电调度优化方法研究》的基于免疫算法的虚拟发电厂经济调度优化方法后,①号风电机组在7:00—19:00 时段内的平均出力约为212.43 kW,②号风电机组在7:00—19:00 时段内的平均出力约为320.93 kW。 使用《基于改进PSO 的水火电短期发电优化调度》的基于改进PSO 的虚拟发电厂经济调度优化方法之后,①号风电机组在7:00—19:00 时段内的平均出力约为247.33 kW,②号风电机组在7:00—19:00 时段内的平均出力约为340.27 kW。

使用本研究设计的基于改进遗传算法的虚拟发电厂经济调度优化方法后,①号风电机组在7:00—19:00 时段内的平均出力约为379.89 kW,②号风电机组在7: 00—19: 00 时段内的平均出力约为490.66 kW。 由此可见,相同的时间段内,同一经济条件下,无论是①号风电机组还是②号风电机组,使用本研究设计的方法调度之后,发电厂的平均出力最多,远远超过《基于免疫算法的水火电节能发电调度优化方法研究》的方法优于《基于改进PSO 的水火电短期发电优化调度》的方法的调度效果,使虚拟发电厂在保证发电经济性的条件下,得到最优出力,提高发电效率,符合本研究的目的。

3 结语

近年来,光、风、水等新能源在电力企业中应用较为广泛,各个发电机组的随机出力问题,成为影响发电厂经济运行与稳定运行的主要因素。 因此,本研究利用改进遗传算法,设计了虚拟发电厂经济调度优化方法。 在分析调度特征的基础上,本研究构建了一个优化模型,对发电厂的发电调度进行优化。 以发电机组的出力情况作为优化效果的指标,出力越高,经济调度优化效果越佳。