江岳文，溫步瀛

(福州大學電氣工程與自動化學院，福建 福州350108)

從調(diào)度模式經(jīng)濟性角度評估電網(wǎng)風電出力接納能力

江岳文，溫步瀛

(福州大學電氣工程與自動化學院，福建 福州350108)

隨著風電并網(wǎng)容量的增加，電網(wǎng)出現(xiàn)了一定程度的棄風。調(diào)度模式直接影響電網(wǎng)接納風電的能力。本文分別構(gòu)建了綜合考慮系統(tǒng)運行成本和棄風量最小的調(diào)度模式、系統(tǒng)運行成本最小的調(diào)度模式以及棄風量最小調(diào)度模式的模式。提出利用分層優(yōu)化的思想求解，外層采用基于分段斷點的動態(tài)規(guī)劃法安排機組的啟停，內(nèi)層采用多智能體粒子群算法求解系統(tǒng)運行的相關指標。通過算例計算，從調(diào)度經(jīng)濟性角度分析不同調(diào)度模式下電網(wǎng)最佳風電出力接納水平。

調(diào)度模式;風電接納;經(jīng)濟比較;分層優(yōu)化;多智能體粒子群算法

1 引言

由于煤炭等資源的緊缺和環(huán)保意識的不斷加強，風電已經(jīng)在我國大規(guī)模發(fā)展。目前，國內(nèi)多個地方的風電裝機容量已超過了全額消納風電能力［1］。其中，影響風電接納能力的主要因素包括電網(wǎng)因素如系統(tǒng)負荷特性、備用水平、電源組成、調(diào)度水平、調(diào)峰能力、電網(wǎng)網(wǎng)架結(jié)構(gòu)以及風電自身因素如風電的隨機性和間歇性、風電場功率預測、風電場低電壓穿越能力等［2，3］。為了提高風電的消納能力，文獻［4］通過機組組合和出力分配的方式提高電網(wǎng)的“負調(diào)峰”能力，從而增加風電的消納量。如果單方面以增加風電的消納量為目標，勢必使得電網(wǎng)其他機組運行在深度調(diào)峰或啟停調(diào)峰狀態(tài);一些煤耗量大排放程度高的機組因為能夠提供較低出力運行而被開機，系統(tǒng)的經(jīng)濟性能可能下降。文獻［5］指出可以從經(jīng)濟性角度出發(fā)分析電網(wǎng)為了提高調(diào)峰能力所付出的經(jīng)濟代價和接納風電所獲得的社會效益進行綜合評價，提高電網(wǎng)調(diào)峰能力，增加電網(wǎng)接納風電的裕度，但該文尚沒有提出一個具體的計算模式和方法。文獻［6］提出以水電優(yōu)先為風電調(diào)峰，火電作為補充的調(diào)峰方法，該方法對水電資源比較豐富的地區(qū)較為適用。文獻［7，8］采用負荷用電激勵機制來實行負荷曲線的平穩(wěn)化，為風電消納提供更大的空間。該方法能有效降低風電消納成本，但需要電力市場機制比較成熟，用戶能根據(jù)實時電價的波動而及時調(diào)整自己的用電負荷和用電意愿。文獻［9，10］則通過調(diào)度模式的不一樣來評估和改善電網(wǎng)風電消納能力。如文獻［9］建立了以棄風電量、機組成本和機組運行的風險度單目標及多目標聯(lián)合優(yōu)化調(diào)度模式，該聯(lián)合模式能優(yōu)化風電消納量，但該文尚未考慮風電穿透功率變化對不同調(diào)度目標的影響。文獻［10］則利用商業(yè)化的軟件計算分析了不同風電穿透功率情況下，對單目標采用能耗最小的調(diào)度模式和考慮棄風量與系統(tǒng)運行成本最小調(diào)度模式的經(jīng)濟性指標進行評價。

本文在上述文獻的基礎上，評估不同調(diào)度模式對電網(wǎng)風電接納能力的影響;采用分段斷點的動態(tài)規(guī)劃法結(jié)合多智能體粒子群算法求解這一問題，為評估風電接納能力以及風電開發(fā)提供參考與借鑒。

2 含風電電網(wǎng)的不同調(diào)度模式研究

不同的調(diào)度模式，其機組啟停計劃和出力安排不一樣，接受風電的能力也不一樣。因此，本文研究了三種調(diào)度模式下電網(wǎng)接納風電的能力。

模式一(綜合調(diào)度模式):綜合考慮系統(tǒng)運行成本(即常規(guī)機組運行成本與啟停成本之和)和棄風量二者之和最小的調(diào)度模式。該模式兼顧系統(tǒng)煤耗和棄風量。棄風量減少一方面節(jié)約了化石燃料的消耗，一方面卻需要機組壓低出力或頻繁啟停進行深度調(diào)峰，增加啟停費用和煤耗。因此，該調(diào)度模式在棄風量和系統(tǒng)的經(jīng)濟運行中尋找一個最佳平衡點。

模型中的λ系數(shù)為把系統(tǒng)最經(jīng)濟運行和棄風量最小兩個目標聯(lián)系起來的系數(shù)，單位為元/MWh。其值的大小可以通過單目標運行系統(tǒng)的運行成本和棄風量大小，利用目標值的差別估算出λ數(shù)量級，使得系統(tǒng)運行成本和棄風量成本兩個目標在數(shù)量級上接近，防止綜合目標由某一個單方面的目標引導。

模式二(成本最小模式):該模式只考慮系統(tǒng)運行成本，為了減少深度調(diào)峰或啟停調(diào)峰，會適當棄風。

模式三(棄風量最小模式):該模式不考慮系統(tǒng)的經(jīng)濟性能，只求系統(tǒng)在某個時間周期內(nèi)棄風量最小。該模式可以最大程度地消納風電，使得風力發(fā)電企業(yè)棄風量最少。

式中，T為調(diào)度周期的時段數(shù)，一般一天取24個時段;n、m表示參與計算的常規(guī)機組數(shù)量和負荷數(shù)量;Ii，t為常規(guī)機組i在t時段的運行狀態(tài)，0代表停機，1代表運行;為常規(guī)機組i在t時段的發(fā)電有功功率;為常規(guī)機組i在t時段的運行成本; ai，bi，ci為發(fā)電機i的生產(chǎn)成本系數(shù);Si，t為機組i在t時段的啟停成本［11］;δi，σi，τi為機組i的啟停成本系數(shù);Pl，t表示t時段l節(jié)點上的負荷大小;為機組i在t時段停運的時間;Δt為時間間隔持續(xù)的時長;為時段t風電預測功率基準值;β為典型日風電出力預測基準值的倍數(shù);為時段 t電網(wǎng)實際接納風電的出力。

約束條件:

(1)機組約束

1)機組出力約束

2)機組起停時間約束

3)機組爬坡能力約束

(2)系統(tǒng)約束

1)功率平衡約束

2)系統(tǒng)旋轉(zhuǎn)備用約束

(3)風電出力約束(假設風電場的裝機容量足夠大)

如果電網(wǎng)過度開發(fā)風電，對電網(wǎng)的運行和風電企業(yè)的利益都會產(chǎn)生不良影響，使投資者無法及時回收成本并獲得合理的回報，電網(wǎng)運行需要更多的輔助服務和可靠性成本。風電出力過少使得風電的優(yōu)越性沒有充分發(fā)揮，無法最大限度地節(jié)約化石能源。因此，本文在式(1)、式(3)以及約束條件(11)中設置了一個β系數(shù)，允許風電在現(xiàn)有預測出力基礎上進行變化。當β優(yōu)化到某一個最佳出力比例βopt，則某個目標函數(shù)的值不再變化，風電出力水平β繼續(xù)增大，則只會增加棄風量而系統(tǒng)運行成本不會有下降的趨勢，從能源利用最優(yōu)化的角度來看，此時接納的風電出力水平是最佳的。

通過上述分析，將三種調(diào)度模式比較見表1。

表1 三種調(diào)度模式比較Tab．1 Comparison of three dispatching models

3 解算方法

上述模式中含有離散變量和連續(xù)變量，還含有變化較大的β這一隨機變量。該問題屬于混合整數(shù)非線性規(guī)劃問題。本文把上述目標的求解分兩個層次:外層采用基于分段斷點的動態(tài)規(guī)劃法獲得機組的開停機方案［13］;內(nèi)層采用改進的多智能體粒子群算法求取不同調(diào)度模式下電網(wǎng)接納風電出力最佳比例。

3.1 外層解算方法

本文把負荷曲線和預測風電出力曲線進行綜合，得到常規(guī)機組實際出力曲線。在曲線上設置兩個斷點，即負荷極大值點和極小值點作為分段斷點;其次，結(jié)合機組的比耗量，根據(jù)比耗量的大小優(yōu)先排序投入機組;再利用動態(tài)規(guī)劃法求解機組組合。該方法既能有效克服動態(tài)規(guī)劃法“維數(shù)災”的問題又不會丟失問題的最優(yōu)解，計算速度快。

3.2 內(nèi)層解算方法

(1)粒子群優(yōu)化算法

粒子群優(yōu)化算法(PSO)是一種基于種群搜索策略的自適應隨機優(yōu)化算法，該方法求解效率較高，簡單易懂，對所求解問題沒有特殊的要求，可實現(xiàn)性強，在電力系統(tǒng)負荷經(jīng)濟分配中廣泛應用。在應用中也存在著早熟收斂，易陷入局部最優(yōu)解、后期進化速度較慢等缺點［14，15］。本文針對粒子群算法的不足，利用多智能體Agent對其進行改進。

(2)多智能體系統(tǒng)

多智能體系統(tǒng)(Muti-Intelligent-Agent System，MIAS)能對環(huán)境的變化具有自適應力和相應的自我調(diào)整能力;能與其他智能 Agent進行協(xié)作、交互，共同朝一個既定的目標發(fā)展;能解決一個復雜問題的求解。Agent可以是一個具體的實體，也可以是一個抽象名詞，它具有自主性、獨立性，并能根據(jù)鄰域Agent的狀況進行學習、推理和交互。

1)單Agent的活動準則

每一個Agent為αi，假設預定目標為Gpre，每個αi的任務就是在現(xiàn)有約束條件下盡可能地靠近Gpre，從而實現(xiàn)復雜問題的求解。但單個 αi都認為自身存在局限性，需要與其他αj(j≠i)共同協(xié)作完成一件事。

2)MIAS之間的協(xié)作與學習機制

為了充分發(fā)揮單個Agent與鄰域之間的協(xié)作與學習，為各個Agent配置一定的鄰居，假設αi與其鄰里之間通過各自適應值的比較，發(fā)現(xiàn) f(αi)≤為αi鄰里之間適應值最小)，則αi為一優(yōu)質(zhì)粒子，可以繼續(xù)在解空間中保持不變;否則為一劣質(zhì)粒子，需要向其他粒子學習，式(12)則反映了MIAS中各Agent的協(xié)作與相互學習的過程。

根據(jù)式(12)對劣質(zhì)αi進行更新，其新的位置必須滿足約束條件。

(3)具體解算流程

1)讀入機組、負荷參數(shù)和風電出力預測曲線參數(shù)，利用改進動態(tài)規(guī)劃法求解各個時段機組的組合。

2)輸入多智能體粒子群計算參數(shù)。

3)根據(jù)各時段機組組合，形成內(nèi)層優(yōu)化的初始種群，假設系統(tǒng)中有n臺機組，每個時段初始種群維數(shù)為Pnum×n，在計算風電出力最佳接入比例時，還需要考慮隨機變量β，維數(shù)變?yōu)镻num×(n+1)。每個Agent即αi等同于PSO算法中一個粒子。

4)根據(jù)三個目標函數(shù)分別進行優(yōu)化，計算每個粒子的適應值。

5)對每個粒子，將其適應值與個體極值進行比較，如果較優(yōu)，則更新當前的個體極值 Pbi;將其適應值與全局極值進行比較，如果較優(yōu)，則更新當前的全局極值Gb。

6)利用MIAS對粒子群算法進行改進。

根據(jù)上述理論，當每個Agent與鄰里進行相互學習后，結(jié)合PSO算法，利用式(12)與粒子群中最優(yōu)粒子進行信息交換，粒子位置的更新變?yōu)槭?13)，其中f()是表示某個粒子的適應值。

在種群剛開始迭代時，由于各個粒子適應度值差別較大，可以隨機為每個 Agent配置鄰居，數(shù)目可根據(jù)實際需要加以設置，本文最大值取15，即剛開始迭代時每個 Agent可以隨機擁有15個鄰居。隨著迭代次數(shù)的增加，粒子趨近于穩(wěn)定，每個Agent配置的鄰居數(shù)目可以適當減少，因為此時鄰里已經(jīng)趨近于一致或達成共識，協(xié)作與相互之間學習的必要性降低，這樣既可以減少程序計算的時間又能找到全局最優(yōu)解。本文根據(jù)式(14)d的大小判斷種群收斂的情況，并按式(15)適當減少鄰里數(shù)目。

式中，Pnum為粒子群規(guī)模;fi為第 i個粒子的適應度;fgbest為粒子群目前的全局最優(yōu)個體的適應度;表示剛開始迭代每個Agent配置的鄰居數(shù)目;lkn表示第k次迭代的鄰居數(shù)目;d1為式(15)第一次的計算值，int表示取整。

7)程序是否收斂，如果不收斂則重復4)～6)，直到收斂。

8)輸出最優(yōu)解，即機組的啟停狀態(tài)、出力水平、棄風量、β系數(shù)和目標函數(shù)值。

4 算例分析

4.1 原始數(shù)據(jù)

本文采用6機測試系統(tǒng)進行仿真計算分析，6臺機組的參數(shù)見表2。每小時負荷的數(shù)據(jù)和典型日風電出力預測數(shù)據(jù)見表3。均取該時段負荷的5%;取該時段風電出力的10%;Δt=1 h;其他原始數(shù)據(jù)見表2和表3。風電出力變化為典型日風電出力預測值的倍數(shù)。4.2 仿真計算分析

表2 發(fā)電機組的成本系數(shù)及相關參數(shù)Tab．2 Cost coefficients and related parameters of generators

表3 各時段負荷數(shù)據(jù)和典型日風電出力預測數(shù)據(jù)Tab．3 Load value and wind power prediction value for 24 hours

(1)從調(diào)度模式的經(jīng)濟性角度評估電網(wǎng)接納風電出力最佳水平

利用上述模型和優(yōu)化算法，按照模式一的調(diào)度方式，β趨近于4.236，按照模式二的調(diào)度方式，β趨近于 4.293，按照模式三的調(diào)度方式，β趨近于4.215。模式三具有最小的βopt，因為模式三的調(diào)度方式已最大程度地利用風電，再增加風電接入比例只會引起大量的棄風，而前兩種調(diào)度模式還可以在棄風與深度調(diào)峰之間適當權(quán)衡。三種調(diào)度模式下系統(tǒng)的運行成本與棄風量見圖1。

圖1 不同風電出力及不同調(diào)度模式下系統(tǒng)運行成本變化Fig．1 System operation cost with different wind power and dispatching models

無論是哪一種調(diào)度模式，系統(tǒng)的運行成本都隨風電出力水平的增加而下降，直至最佳風電出力接納比例。同一風電出力水平下，按模式二調(diào)度，系統(tǒng)的運行成本是最低的，因為該模式實際在系統(tǒng)經(jīng)濟運行和棄風量之間進行權(quán)衡，通過目標函數(shù)判別棄風與否或棄風的多少對系統(tǒng)經(jīng)濟運行是最有利的;按棄風量最少的調(diào)度模式三，系統(tǒng)運行成本最高，此時為消納更多的風電，有些機組需壓低出力運行，使得部分機組運行在不經(jīng)濟的狀態(tài);按模式一的調(diào)度方式運行，成本居于二者中間，一方面火電因為要減少棄風量進行深度調(diào)峰而處于不經(jīng)濟運行狀態(tài)，增加煤耗;另一方面因為減少了棄風量，全系統(tǒng)火電機組可以少出力，又會節(jié)省煤耗成本。按調(diào)度模式一和調(diào)度模式二調(diào)度，系統(tǒng)運行成本最大會差0.86%，這個值和λ的取值有關。如果λ偏大很多，則會與調(diào)度模式二偏離更多，本文 λ取80000元/ MWh。

從圖2可以分析出隨著風電出力的增加，棄風量調(diào)度模式棄風最少，當風電出力比例占系統(tǒng)最大負荷不到22%時，在該調(diào)度模式下的棄風量可以到零。當風電出力比例超過該比利時，三種調(diào)度模式均會在一定程度上棄風，其中調(diào)度模式二棄風量最大。當達到最佳風電出力接入比例時，增加風電出力，只會引起大面積棄風。

圖2 不同風電出力及不同調(diào)度模式下棄風量Fig．2 Abandoning wind energy with different wind power and dispatching models

對比圖1和圖2，可得出如表4所示結(jié)論。

表4 三種調(diào)度模式優(yōu)化結(jié)果比較Tab．4 Optimization results comparison of three dispatching models

(2)算法優(yōu)越性比較

圖3是基于調(diào)度模式二和單倍風電出力時，內(nèi)層分別采用粒子群算法(PSO)和多智能體粒子群算法(MIAS-PSO)計算的收斂曲線。從圖3和表4可以看出，采用多智能體粒子群算法獲得的解明顯優(yōu)越于標準粒子群算法的解，求解效率更高。

5 結(jié)論

通過上文的分析，可以得出如下結(jié)論:

(1)不同的調(diào)度模式，從經(jīng)濟性角度出發(fā)，風電出力最佳接入比例是不一樣的，超過該風電接入比例，只會引起棄風量的增加，并不會改善系統(tǒng)運行的經(jīng)濟性能;

(2)電網(wǎng)接入同樣的風電出力，棄風量最小的調(diào)度模式棄風量最少，但其接納風電出力的最佳比例最小;成本最小的調(diào)度模式棄風量最大，但隨著風電出力比例的增加，其接納風電的最佳比例最大;

(3)PSO算法的引入克服了單個 Agent與鄰里局部學習和協(xié)作的限制性，提升了其尋優(yōu)的速度，而Agent結(jié)合PSO則使得其解具有多樣性，防止局部收斂，兩種優(yōu)化方法共同完成對問題的求解，提高了最優(yōu)解獲取的效率與質(zhì)量。

圖3 兩種優(yōu)化算法收斂曲線對比圖Fig．3 Convergence curves comparison for two optimization algorithms

［1］劉德偉，黃越輝，王偉勝，等 (Liu Dewei，Huang Yuehui，Wang Weisheng，et al．)．考慮調(diào)峰和電網(wǎng)輸送約束的省級系統(tǒng)風電消納能力分析 (Analysis on provincial system available capability of accommodating wind power considering peak load dispatch and transmission constraints) ［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2011，35(22):77-81．

［2］孫榮富，張濤，梁吉 (Sun Rongfu，Zhang Tao，Liang Ji)．電網(wǎng)接納風電能力的評估及應用 (Evaluation and application of wind power integration capacity in power grid)［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2011，35(4):70-76．

［3］朱凌志，陳寧，韓華玲 (Zhu Lingzhi，Chen Ning，Han Hualing)．風電消納關鍵問題及應對措施分析 (Key problems and solution of wind power accommodation) ［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2011，35(22):29-34．

［4］楊宏，劉建新，苑津莎 (Yang Hong，Liu Jianxin，Yuan Jinsha)．風電系統(tǒng)中常規(guī)機組負調(diào)峰能力研究(Research of peak load regulation of conventional generators in wind power grid)［J］．中國電機工程學報(Proceedings of the CSEE)，2010，30(16):26-31．

［5］韓小琪，孫 壽 廣，戚 慶 茹 (Han Xiaoqi，Sun Shouguang，Qi Qingru)．從系統(tǒng)調(diào)峰角度評估電網(wǎng)接納風電能力 (Evaluation of wind power penetration limit from peak regulation)［J］．中國電力 (Electric Power)，2010，43(6):16-19．

［6］衣立東，朱敏奕，魏磊，等 (Yi Lidong，Zhu Minyi，Wei Lei，et al．)．風電并網(wǎng)后西北電網(wǎng)調(diào)峰能力的計算方法 (A computing method for peak load regulation ability of Northwest China power grid connected with largescale wind farms)［J］．電網(wǎng)技術(shù) (Power System Technology)，2010，34(2):129-132．

［7］劉新東，陳煥遠，方科 (Liu Xindong，Chen Huanyuan，F(xiàn)ang Ke)．利用負荷需求響應提高大規(guī)模風電并網(wǎng)能力 (Research on demand response for wind power integration into smart grid)［J］．中國電力 (E-lectric Power)，2012，45(4):10-14．

［8］夏葉，康重慶，寧波，等 (Xia Ye，Kang Chongqing，Ning Bo，et al．)．用戶側(cè)互動模式下發(fā)用電一體化調(diào)度計劃 (A generation and load integrated scheduling on interaction mode on customer side)［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2012，36(1):17-23．

［9］ 萬振東，程浩忠，張建平，等 (Wan Zhengdong，Cheng Haozhong，Zhang Jianping，et al．)．考慮風電消納能力單目標及多目標模糊機組組合模式及應用(Model and application of unit commitment with single and multi fuzzy objectives considering wind power consumption)［J］．水電能源科學 (Water Resources and Power)，2012，30(7):214-218．

［10］張粒子，周娜，王楠 (Zhang Lizi，Zhou Na，Wang Nan)．大規(guī)模風電接入電力系統(tǒng)調(diào)度模式的經(jīng)濟性比較 (Economic comparison for different generation schedulings with large scale wind power connected power system)［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2011，35(22):105-110．

［11］Gaing Zwe-Lee．Discrete particle swarm optimization algorithm for unit commitment［A］．Proceeding of IEEE Power Engineering Society General Meeting［C］．Toronto，Ontario(Canada)，2003.1:418-424．

［12］Chen C L．Optimal wind-thermal generating unit commitment［J］．IEEE Transactions on Energy Conversion，2008，23(1):273-280．

［13］楊嚴威，溫步瀛，江岳文 (Yang Yanwei，Wen Buying，Jiang Yuewen)．基于分段斷點的動態(tài)規(guī)劃法啟停機計劃研究 (Research on unit commitment by dynamic programming algorithm based on segmentation breakpoint)［J］．電網(wǎng)與清潔能源 (Power System and Clean Energy)，2012，28(5):24-28．

［14］Saber A Y，Chakraborty S，Razzak S M A，et al．Optimization of economic load dispatch of higher order general cost polynomials and its sensitivity using modified particle swarm optimization［J］．Electric Power Systems Research，2009，79(1):98-106．

［15］Angeling P J．Evolutionary optimization versus particleswarm optimization and philosophy and performance difference［A］．Proceedings of 7th Annual Conference on Evolutionary Programming［C］．San Diego，CA，USA，1998.601-610．

Capability of accommodating wind power for different dispatching models based on economy

JIANG Yue-wen，WEN Bu-ying
(College of Electrical Engineering and Automation of Fuzhou University，F(xiàn)uzhou 350108，China)

With the increasing of wind power integrated power system，the grid has begun to abandon wind energy to a certain extent．Dispatching models will directly impact the capability of accommodating wind power．This paper proposes three dispatching models for considering minimum system operation cost and abandoning wind energy、minimum system operation cost and minimum abandoning wind energy．In order to solve the models，hierarchical optimization algorithm is proposed．The outside algorithm is dynamic programming algorithm based on segmentation breakpoint and the inside algorithm is Muti-Intelligent-Agent System particle swarm optimization(MIAS-PSO)．By testing a simulation example，the optimal wind power integrated grid is obtained based on the dispatching economy．

dispatching model;capability of accommodating wind power;economic comparison;hierarchical optimization;MIAS-PSO

TM732;TM614

A

1003-3076(2014)04-0054-07

2013-07-28

福建省青年人才創(chuàng)新基金資助項目(2011J05124)

江岳文(1977-)，女，湖南籍，副教授，博士，研究方向為電力系統(tǒng)優(yōu)化運行、電力市場和風電并網(wǎng)運行;溫步瀛(1967-)，男，福建籍，教授，博士，研究方向為電力系統(tǒng)優(yōu)化運行、電力市場和風電并網(wǎng)運行。