考慮風電場的電力系統(tǒng)經(jīng)濟調(diào)度

考慮風電場的電力系統(tǒng)經(jīng)濟調(diào)度

0含風電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度近年來，隨著能源和環(huán)境問題的日益突出，可支配能源能源尤其是風能得到越來越多的發(fā)展。然而,由于風速的間歇性以及風力發(fā)電機的非線性,使得風電場的出力很難精確預測。正是由于這種特點,使得風電場并網(wǎng)給系統(tǒng)的動態(tài)經(jīng)濟調(diào)度帶來了巨大的挑戰(zhàn)。傳統(tǒng)的電力系統(tǒng)經(jīng)濟調(diào)度分為靜態(tài)經(jīng)濟調(diào)度和動態(tài)經(jīng)濟調(diào)度。靜態(tài)經(jīng)濟調(diào)度是對電力系統(tǒng)的某個時間斷面求取目標最優(yōu),只考慮靜態(tài)約束,沒有考慮不同時間斷面之間的內(nèi)在聯(lián)系;而動態(tài)經(jīng)濟調(diào)度考慮了不同時間斷面的耦合性,如發(fā)電機爬坡率等,因此計算過程比靜態(tài)經(jīng)濟調(diào)度復雜,但計算結(jié)果更符合實際要求。由于風電場具有隨機性特點,因此含風電場的電力系統(tǒng)經(jīng)濟調(diào)度更適合采用動態(tài)模型。目前,對于含風電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度的研究還處于起步階段,急需進一步深入。在含風電場的經(jīng)濟調(diào)度模型中,為保證系統(tǒng)的可靠性,需要采取相應的措施以應對風能隨機波動性和間歇性對系統(tǒng)帶來的影響。文獻使用遺傳算法優(yōu)化風電機組和傳統(tǒng)發(fā)電機組的調(diào)度,且考慮風電機組的特性以及傳統(tǒng)機組的閥點效應。文獻提出了一種含有風電場的經(jīng)濟調(diào)度模型,該模型是將風電機組加入到傳統(tǒng)的經(jīng)濟調(diào)度模型中并用解析法求解。文獻使用了模糊最優(yōu)化的方法解含有風電場和光伏發(fā)電系統(tǒng)的經(jīng)濟調(diào)度問題?？紤]風電場影響以及機組爬坡率的一種隨機經(jīng)濟調(diào)度模型在文獻中被提出。在文獻[11-12]中,模型預測控制被用來解含有各種間歇性能源的調(diào)度問題。一種考慮風電穿透功率的雙目標經(jīng)濟調(diào)度模型在文獻中被提出。文獻提出一種模糊模型用來求解含有風電場的動態(tài)經(jīng)濟調(diào)度問題。在文獻中,由于模糊模型中使用隸屬度函數(shù),所以有很大的人為因素。在以上的文獻中,系統(tǒng)的正旋轉(zhuǎn)備用、負旋轉(zhuǎn)備用以及爬坡率約束并沒有同時考慮,因此這些模型并不能準確地描述動態(tài)經(jīng)濟調(diào)度的實際情況。本文提出了一種改進的PSO算法用于解含有風電場的DED模型。引入正、負旋轉(zhuǎn)備用來應對風電場并網(wǎng)對DED模型的影響,同時在目標函數(shù)中考慮了常規(guī)機組的閥點效應。機組的爬坡率、運行約束、以及系統(tǒng)的有功平衡等在最優(yōu)化模型中同時給予考慮。所提算法的可行性和有效性通過與基本PSO以及遺傳算法進行比較得到驗證。所有算例都是基于典型的10機測試系統(tǒng)。1數(shù)學模型1.1調(diào)度運行優(yōu)化問題的描述由于風力發(fā)電不需要消耗日益減少的燃料,電力公司應該首先調(diào)度風電。含風電場的電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度的目標是在滿足負荷和運行約束的前提下,合理地分配電網(wǎng)中各發(fā)電機組的出力使得調(diào)度期間發(fā)電總成本最小。在汽輪機進氣閥突然開啟時出現(xiàn)的拔絲現(xiàn)象會在機組耗量曲線上疊加一個脈動效應,產(chǎn)生閥點效應。因此,在不考慮風電運行費用的情況下,優(yōu)化目標的表達式為:其中:F是整個調(diào)度運行的總體費用;D為調(diào)度運行時間;N為發(fā)電機個數(shù);Pid為發(fā)電機i在時段d的出力;Fid(Pid)為發(fā)電機i在出力為Pid時的費用。其中其中:ai,bi,ci是機組i燃料費用系數(shù);ei,fi為閥點效應系數(shù)。1.2合同規(guī)定12平衡功率限制式中:WTd,LDd是d時段風電場出力以及系統(tǒng)負荷值;PLd為系統(tǒng)網(wǎng)損。2操作限制式中,Pimin,Pimax是發(fā)電機i的出力上下限。3正、負旋轉(zhuǎn)備用兩種旋轉(zhuǎn)備用:正旋轉(zhuǎn)備用(USR)、負旋轉(zhuǎn)備用(DSR)分別表示為式中:USRd,DSRd是時段d的正、負旋轉(zhuǎn)備用;URd,DRd分別為各個機組i在時段d所提供的正、負旋轉(zhuǎn)備用;wu%表示風電出力預測誤差對正旋轉(zhuǎn)備用的需求;T10表示旋轉(zhuǎn)備用響應時間10min;NW表示風機臺數(shù);Wymax表示風機y的最大出力;wd%表示風電出力預測誤差對負旋轉(zhuǎn)備用的需求;RUi,RDi分別表示機組i的上下爬坡率。42機急差率限制式中,T60表示一個運行時段1h,即60min。2風電場的信息分享策略PSO算法已經(jīng)廣泛地應用于各種優(yōu)化問題。本文為了求解含風電場的DED模型,提出了一種改進的PSO方法。為了使最優(yōu)粒子能夠?qū)⑿畔⑴c其他粒子進行分享,本文提出了信息分享策略。此外,為了提高粒子的搜索能力,提出了精英學習策略。2.1基于psi的信息分享率在信息分享策略中,使用式(11)來更新粒子的速度:式中:Psi表示信息分享率;在粒子速度更新之前,首先產(chǎn)生一個隨機數(shù),如果此隨機數(shù)大于等于Psi,則粒子速度的更新將趨向于全局最優(yōu)值,否則利用pbestr,d代替全局最優(yōu)值。本文信息分享率被定義為:式中:N1表示所求問題的維數(shù);t表示當前的仿真次數(shù);ITmax表示最大仿真次數(shù)。pbestr,d按下列原則產(chǎn)生:1)從所有的粒子中隨機地選擇三個;3)pbestr,d將會分享它的所有信息(各個維數(shù))。2.2選取的總體最優(yōu)解和其他的粒子不同,全局最優(yōu)粒子沒有更好的粒子為目標,因此需要新的動力來推動它朝向潛在的最優(yōu)解靠近。如果找到一個比全局最優(yōu)粒子較優(yōu)的解,則用此解代替全局最優(yōu)解,然后其余的粒子跳出局部最優(yōu),往新的全局最優(yōu)解收斂。在精英學習策略中,設置參數(shù)k為全局最優(yōu)解連續(xù)沒有被更新的次數(shù),Nk是參數(shù)k的閾值。當參數(shù)k值增加到Nk時,精英學習策略開始起作用。本文精英學習策略中,選取全局最優(yōu)解的一維Pd(根據(jù)機組出力費用靈敏度大小選取)作為擾動項。之所以僅僅選擇一維,是考慮到局部最優(yōu)很有可能具有全局最優(yōu)的部分結(jié)構(gòu),因此這部分應該給予保護。精英學習策略通過Bata分布表示如下:搜索范圍[Xdmin,Xdmax]是所求問題的上下限值。Betarnd(α,β)是一個參數(shù)為α和β的隨機Bata分布。在Bata分布中,均值,方差本文選β為1。類似于(α+β)2·(1+α+β)一些時變的神經(jīng)網(wǎng)絡訓練策略,設α隨著仿真次數(shù)線性變化:式中:αinitial、αfinal分別是α的初始值和終值,根據(jù)經(jīng)驗取αinitial=1.0、αfinal=0.2,精英學習策略流程圖如圖1所示。3學習策略相結(jié)合改進的粒子群算法將信息互享策略和精英學習策略相結(jié)合,進而增強了搜索能力以及跳出局部最優(yōu)的能力。利用所提算法求解含風電場的動態(tài)經(jīng)濟調(diào)度的流程如下:c1根據(jù)預測風速計算各個時段風電場的出力。加速度系數(shù)c設置參數(shù):粒子總數(shù)J=40,最大仿真次數(shù)ITmax=2500,本文使用動態(tài)慣性系數(shù)為:式中:t表示仿真次數(shù);ωinitial、ωfinal分別表示慣性系數(shù)的初始值和終值,分別設置為0.9和0.4;使用時變的加速度系數(shù)為:式中:c1f,c1i,c2f和c2i分別是c1、c2的終值和初始值;從經(jīng)驗值來看,當c1從2.5到0.5變化、c2從0.5到2.5變化時,可以得到最優(yōu)值;Nk取4。發(fā)電機的d矩陣隨機的產(chǎn)生初始值xjk,j=1,2,3,…,J,每個粒子xjk包含發(fā)電機的有功出力,是一個N×D的矩陣,其中每個元素Pn,d(n=1,2,…,N,d=1,2,…,D)在整個可行域內(nèi)均勻分布。4：評估每個顆粒的適應性值適應值是評估每個粒子優(yōu)劣的標準。式(18)描述了動態(tài)經(jīng)濟調(diào)度函數(shù)適應值:式中:其中:λe是約束懲罰因子;CSkj,e,d是懲罰函數(shù)。5：進一步增加粒子速度和位置產(chǎn)生一個隨機數(shù)r,然后根據(jù)公式(11)、(12)更新粒子的速度,再根據(jù)式(26)更新粒子的位置。局部最佳試驗判斷k是否等于Nk,如果是,則采用精英學習策略使最優(yōu)粒子跳出局部最優(yōu)。Step7:結(jié)束判斷如果滿足結(jié)束條件,程序停止,否則由式(15)、(16)、(17)更新慣性系數(shù)和加速度系數(shù),然后循環(huán)step4~step6,直至程序結(jié)束。4鹽藻系統(tǒng)和pso算法的比較為了證明所提算法的有效性,本文采用典型的10機測試系統(tǒng),系統(tǒng)的負荷采用6個時段,機組的參數(shù)可以通過文獻獲得。風電場是由100臺雙饋異步風機V90-2MW組成,風速數(shù)據(jù)來至東海風電場。風速采用滑動平均-自回歸(AutoRegressiveMovingAverageModel,ARMA)模型預測,在系統(tǒng)運行時段,風電場出力如圖2所示。為了彌補風電場出力的隨機波動性,系統(tǒng)的正旋轉(zhuǎn)備用隨著風電場的增加而增加,本文假設風電場的并網(wǎng)使得正旋轉(zhuǎn)備用增加wu%=20,負旋轉(zhuǎn)備用增加wd%=40。仿真經(jīng)驗表明,當λ1,λ2,λ3,λ4,λ5,λ6分別取4000,3000,2000,2000,2500和2500時,可以獲得最優(yōu)解。IPSO初始化見第三部分。利用IPSO算法計算50次,其最優(yōu)結(jié)果如表1所示。表1給出了50次計算過程中的最優(yōu)解。為了證明所提算法的有效性,本文將所提的IPSO算法和基本的PSO算法以及遺傳算法進行了比較。表2給出了基本PSO算法的最優(yōu)解。比較表1和表2,可以看出所提算法明顯地優(yōu)于基本的PSO算法,總費用從243091.45$降到231915.92$,節(jié)省了4.6%。表3給出了使用遺傳算法所得到的最優(yōu)解。通過比較可知,IPSO算法使系統(tǒng)運行的總費用明顯地降低,節(jié)省了8.85%的總成本。常規(guī)機組的閥點效應在動態(tài)經(jīng)濟調(diào)度模型中是一個重要的因素。在汽輪機進氣閥突然開啟時出現(xiàn)的拔絲現(xiàn)象會在機組耗量曲線上疊加一個脈動效應,產(chǎn)生閥點效應,這會增加機組耗能費用函數(shù)的非凸性。因此,考慮閥點效應更符合實際情況。表4給出了沒有考慮閥點效應的系統(tǒng)運行最優(yōu)值。從表1和表4可知,沒有考慮閥點效應要比考慮閥點效應時,系統(tǒng)總的運行費用少5.23%,因此,如果不考慮閥點效應,將會存在很大的誤差。由于風能具有隨機性和間歇性,本文引用正旋轉(zhuǎn)備用和負旋轉(zhuǎn)備用來保證系統(tǒng)的安全可靠。表5是在備用約束中沒有考慮風能影響的最優(yōu)解,和表1比較可知系統(tǒng)總的運行費用從231915.92$降到221506.05$,減少了10409.87$。由此可知,應對風電不穩(wěn)定是以增加常規(guī)機組運行費用為代價。隨著風能的增加,常規(guī)機組必須提供較多的備用以便應對風能的波動,從而保證系統(tǒng)的安全穩(wěn)定運行,這勢必增加常規(guī)機組燃煤費用,與此同時,風能的增加分擔了部分負荷,從而減少了常規(guī)機組的燃煤費用。表6給出了不含風電場的系統(tǒng)最優(yōu)值。從表1和表6可知,加入風電場之后使得系統(tǒng)的運行費用從275204.71$下降到231915.92$,節(jié)省了15.763%的費用。圖3給出了風機加入臺數(shù)所對應的費用節(jié)省曲線圖。5優(yōu)化方法仿真驗證本文研究了含風電場的電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度問題。在優(yōu)