宋卓然，趙 琳，張子信，王珊珊，侯玉琤，戴曉宇，焦 勇

?

熱電聯(lián)產與風電機組聯(lián)合運行滾動優(yōu)化調度模型

宋卓然1，趙 琳1，張子信1，王珊珊2，侯玉琤1，戴曉宇1，焦 勇3

(1.國網遼寧省電力有限公司經濟技術研究院, 遼寧 沈陽 110015；2.國網遼寧省電力有限公司管理培訓中心，遼寧 沈陽 110032；3.國網遼寧省電力有限公司，遼寧 沈陽 110006)

我國北方地區(qū)電力過剩、熱力緊缺、電網棄風率高等問題凸顯，為提高運行經濟性，提出一種結合熱電聯(lián)產機組與風電機組聯(lián)合運行滾動優(yōu)化調度方法。針對風電等可再生能源出力存在較強波動性的現(xiàn)象，提出滾動修正的策略，并與單次預測結果進行了對比。同時，給出了優(yōu)化調度的模型，利用智能單粒子算法將不同類型機組化作不同子矢量進行優(yōu)化，較傳統(tǒng)粒子群算法尋優(yōu)能力更強。引入分布式電力驅動熱泵用于改善熱、電負荷布局，能夠有效改善可再生能源棄電問題。所提出模型和策略在IEEE30節(jié)點系統(tǒng)算例中得到驗證。

熱電聯(lián)產；滾動優(yōu)化調度；智能單粒子算法；棄風率；分布式電力驅動熱泵

0 引言

在我國北方地區(qū)，煤炭、石油以及風能資源較為豐富，而其他資源相對匱乏，發(fā)電設備以大型火電機組為主。而北方冬季嚴寒，熱負荷需求較大，因此裝機機組中大部分具備熱電聯(lián)產功能，這種方式可大幅度提高能源利用率，這也導致遼寧地區(qū)熱電裝機比重已接近七成。現(xiàn)實情況中，熱電聯(lián)產機組的運行工況受熱負荷約束較大，這主要由于目前往往采用“以熱定電”的調度模式，熱負荷僅僅由熱電聯(lián)產的熱出力承擔，確定了熱負荷約束后，熱電機組出力隨之確定，導致機組調峰能力下降，從而造成了較大的棄風損失[1]，國家頒布的《節(jié)能發(fā)電調度辦法實施細則》明確規(guī)定：“無調節(jié)能力的風能等可再生能源在各類發(fā)電機組中擁有第一發(fā)電優(yōu)先級”。因此，合理地對熱電聯(lián)產機組和風電機組進行優(yōu)化調度對提高電力系統(tǒng)效率具有重要影響。

已有部分學者對此領域展開了研究，文獻[2]引入碳排放權交易成本函數(shù)，建立考慮碳交易成本、燃料成本、環(huán)境成本的冷熱電聯(lián)供系統(tǒng)低碳調度多目標優(yōu)化模型，并提出一種模糊自修正粒子群算法求解此優(yōu)化問題；文獻[3]引入供熱當量性能系數(shù)，將冷、熱、電能量等價轉化，建立了含生產成本、環(huán)境成本和冷熱電協(xié)調成本的多目標節(jié)能調度模型，并運用模糊算法與二次規(guī)劃方法進行求解；文獻[4-6]考慮了風電出力不確定性，結合風、火電運行價格模型，構建了考慮機組組合的多目標動態(tài)優(yōu)化調度模型，利用基于優(yōu)先排序和多子群協(xié)同進化的多目標粒子群算法進行模型求解。還有一些文獻[7-9]關于調度問題研究多集中各類新型電源與傳統(tǒng)火電機組的結合，并未很好地根據地域特征構建常規(guī)火電、熱電與風電的優(yōu)化調度模型。

針對我國遼寧地區(qū)熱負荷需求大、熱電聯(lián)產資源利用率高以及風能資源較為豐富的特點，本文研究了熱電聯(lián)產與風電機組的滾動優(yōu)化調度模型及算法，用于在滿足熱負荷與電負荷的前提下，提高電網運行經濟性，并減少電網棄風現(xiàn)象。文中結合終端采暖負荷管理，通過用戶側分布式電力驅動熱泵分擔采暖負荷從而改變了熱電負荷的比例[10]，此外由于風能存在較強波動性，本文利用預測信息進行滾動優(yōu)化[11-12]，本文還定義了棄風率作為目標函數(shù)中的懲罰項以提高風電的消納率。為求解上述模型，本文提出基于智能單粒子算法的優(yōu)化調度模型求解方法，并通過算例對模型效果進行了驗證。

1 優(yōu)化模型

1.1 目標函數(shù)

考慮到我國北方發(fā)電實際情況，考慮以下機組的運行成本。

(1) 火電機組

傳統(tǒng)火電機組運行成本f可用二次函數(shù)的形式表示，如式(1)。

式中：P()為火電機組在時段的有功出力；a、b、c分別為火電機組的發(fā)電成本系數(shù)。

(2) 背壓式機組

熱電聯(lián)產考慮背壓式機組和抽凝式機組，其中背壓式機組的排汽全部用于供熱，并無冷源損失，同時背壓式機組的發(fā)電量要受發(fā)熱量大小的限制，供熱量確定后背壓機組的發(fā)電功率也隨即確定，因此，其發(fā)熱量與發(fā)電量的關系可表示為

式中：h()為背壓式機組在時段的發(fā)熱量；k為背壓式機組的熱電轉換系數(shù)；β為常數(shù)。

背壓式熱電機組利用發(fā)電做過功的蒸汽供熱，該部分蒸汽無論是否供熱均會冷卻，因此背壓式熱電機組運行成本可僅考慮發(fā)電部分[13]，形式與式(1)相同。

(3) 抽凝式機組

抽凝式機組從鍋爐出來的蒸汽經主汽閥、調節(jié)閥先在高壓缸膨脹做功之后分為兩股：一股蒸汽從高壓缸抽出送到熱用戶；另一股蒸汽經低壓調節(jié)閥進入低壓缸繼續(xù)膨脹做功，做功后的乏汽排入凝汽器內。研究時用背壓式機組和純凝式機組的組合來等值抽凝式機組，所得抽凝式機組煤耗特性CP可表示為

式中，d,0- ~d,5為抽凝式機組相應的發(fā)電量和發(fā)熱量煤耗系數(shù)。

由此可知抽凝式機組運行成本CP可表示為

(4) 風電機組

風電機組發(fā)電本身并不需要消耗化石燃料，可近似認為其運行成本為0。

為改善環(huán)境，減少棄風現(xiàn)象的出現(xiàn)，定義時段內棄風電量與預測發(fā)電量之比為風電機組的棄風率，可表示為

式中：w為風電機組數(shù)量；為風電機組實際出力；為風電機組預測出力。

根據棄風率引入棄風成本w，用以實現(xiàn)棄風量最小的目標。

式中，w為棄風成本系數(shù)，其大小決定對風電棄風的容忍度，w可設置為關于棄風率的分段函數(shù)，以限制棄風率在特定范圍內。

綜合以上運行成本函數(shù)，可建立如式(7)所示的優(yōu)化調度目標。

式中：0為本次優(yōu)化計算的起始時段；為滾動調度周期；f為傳統(tǒng)火電機組的集合；BP為背壓式熱電聯(lián)產機組的集合；CP為抽凝式熱電聯(lián)產機組的集合。

1.2 約束條件

1.2.1 等式約束

(1) 供電平衡

(2) 供熱平衡

1.2.2 不等式約束

(1) 火電、風電機組出力約束

(11)

(2) 背壓式機組出力約束

背壓式機組出力特性如圖1所示，分析時可以近似用一條直線代替，該特性直線可用最小技術出力點和容量點兩個點來描述。由于背壓式機組固有的“以熱定電”特性，因此當熱負荷中斷時，它連同相應的發(fā)電機都只能停止工作。

以公式形式可表示為

(13)

(14)

式中：BP和`hBP分別為第臺背壓式機組熱出力上、下限；BP和`PBP分別為第臺背壓式機組考慮熱出力影響的電出力上、下限。

(3) 抽凝式機組出力約束

抽凝式機組出力特性可用圖2所示圖形表征，該模型的數(shù)學描述可用多邊形所有定點的坐標表示。

圖2 抽凝式機組出力特性

(4) 機組爬坡率約束

(16)

式中：Δd,i和Δu,i分別為機組單位時段內增加和減少熱出力的爬坡率；Δd,i和Δu,i分別為機組單位時段內增加和減少電出力的爬坡率。

(5) 系統(tǒng)安全約束

式中：I()為時刻線路流過的電流；和`I分別為線路流過電流上、下限；L為系統(tǒng)線路集合。

2 優(yōu)化算法

2.1 滾動優(yōu)化

滾動優(yōu)化是以模型預測技術為基礎，以預測周期作為調度周期，并根據設定的滾動周期進行周期性優(yōu)化的控制技術。它是基于當前機組出力以及負荷與風電機組的預測信息，利用指定的優(yōu)化算法進行未來一個調度周期內機組出力計劃制定的最優(yōu)控制方法，在眾多控制中已經得到了良好的應用[14-15]。由于預測信息誤差隨著時間推移逐漸增加，因此按照機組出力計劃執(zhí)行若干時段后，根據此時未來一個調度周期信息進行新的優(yōu)化是滾動優(yōu)化效果更佳的關鍵。

我國傳統(tǒng)發(fā)電日計劃一般以15 min為1個時段，1天包含96個時段，并且1天只進行1次計劃安排。然而在分布式電源接入大電網后，風電、光伏發(fā)電的波動性較強，使得日前計劃精度嚴重惡化。為有效解決該問題，本文提出利用滾動優(yōu)化的方法進行結果優(yōu)化：每個優(yōu)化結果只執(zhí)行前2~4個時段(根據電網復雜程度設定)，然后重新進行15 min一個點的負荷預測與風電預測，并基于此進行后續(xù)機組發(fā)電計劃設定。

滾動優(yōu)化第步優(yōu)化的一般數(shù)學模型可以表示如下。

(19)

(20)

式中：為預測周期，及調度周期；={0,1,2,…,u}為生成的計劃指令序列；x為第個狀態(tài)變量；0為初始狀態(tài)變量；和分別為模型的等式約束和不等式約束。

在={0,1,2,…,u}中，只有個(<)計劃指令被執(zhí)行，當個指令執(zhí)行完成后，則重復式(19)至式(20)的過程。

2.2 智能單粒子算法

傳統(tǒng)粒子群算法(Particle Swarm Optimization, PSO)中，粒子根據以下式子更新速度與位置。

(22)

式中：為慣性部分，用來表示對于原有速度的繼承；11(p-)為認知部分，代表了粒子對自身的學習；22(p-)為社會部分，用來表示粒子間的協(xié)作。

傳統(tǒng)PSO算法簡潔，易于實現(xiàn)，是非線性連續(xù)優(yōu)化問題、組合優(yōu)化問題以及混合整數(shù)非線性優(yōu)化問題的有效優(yōu)化工具。但是傳統(tǒng)PSO算法的性能隨著維數(shù)的增加而變差，其尋優(yōu)的能力也會減弱，這是因為傳統(tǒng)的PSO算法在更新位置過程中是同時改變整個解矢量各維的數(shù)值，雖然適應值能判斷解矢量的整體質量，但并不能判斷每一個維度是否向最優(yōu)方向移動，因此當粒子維度較高時，傳統(tǒng)的PSO算法很難兼顧所有維度的優(yōu)化方向。

基于以上原因，本文采用智能單粒子算法(ISPO)對調度模型進行優(yōu)化，如圖3所示，在整個更新過程中，把維的位置矢量劃分為部分，即將位置矢量劃分為個位置子矢量，定義每一個位置子矢量與其對應的速度子矢量分別表示為z和v(=1,2,…,)。

圖3 粒子位置子矢量示意

ISPO更新粒子時按先后順序進行循環(huán)更新，直至得到收斂解。在進行第個子矢量更新過程中，將按以下公式迭代更新速度和位置分量sub次。

(24)

(25)

2.3 ISPO在調度模型中的應用

將ISPO算法應用于主動配電網的最優(yōu)潮流計算，關鍵在于對粒子的位置矢量合理表達。根據上文所述可知，優(yōu)化調度是要確定未來一個調度周期內火電機組、熱電聯(lián)產機組以及風電機組的出力曲線，因此對于本文調度模型的智能單粒子位置矢量可以劃分為×維的矩陣。=f+BP+CP+w，為所有計劃機組數(shù)量。

本文優(yōu)化調度模型中，智能單粒子的子矢量劃分按照如下原則：同一時段下，同類型機組出力組成一個子矢量。根據該原則，假設將同一時段的列向量劃分為個子矢量，則整個位置矢量共可分為×個子矢量。

ISPO粒子更新流程可表示為如圖4所示，其中iter為算法迭代次數(shù)小于設定值。

3 算例分析

3.1 算例系統(tǒng)參數(shù)

本文采用IEEE 30節(jié)點系統(tǒng)作為驗證算例，算例參數(shù)為IEEE 30節(jié)點標準參數(shù)，并將機組5、8、11設定為熱電聯(lián)產機組(其中機組5、8為抽凝式機組，機組11為背壓式機組)，機組13設定為風電機組，容量設定為70 MW。如圖5所示，系統(tǒng)電負荷、熱負荷與風電出力數(shù)據采用遼寧某地區(qū)實際數(shù)據進行分析。

背壓式機組熱電轉換系數(shù)采用文獻[16]數(shù)據，機組成本系數(shù)采用文獻[17]數(shù)據。棄風成本系數(shù)w設為風電機組容量×max{b}。

圖4 ISPO粒子更新流程

滾動優(yōu)化調度每次對未來1 h共4個時段的機組進行出力修正。執(zhí)行完成未來1 h計劃出力后，重新進行優(yōu)化計算。

3.2 計算效果分析

本文所述算法采用Matlab進行編程求解，硬件環(huán)境為：Intel Core i5 CPU 2.50 GHz，內存為4 G，計算時間為14.32 s。

求得6臺機組電出力滾動計劃如圖6所示，熱電聯(lián)產機組5、機組8大部分時段以電出力下限運行。求得3臺熱電聯(lián)產機組熱出力滾動計劃如圖7所示，大部分熱負荷波動由背壓式機組承擔。

采用ISPO算法與傳統(tǒng)PSO算法得到的主問題迭代收斂曲線如圖8所示。對于測試系統(tǒng)，ISPO需要迭代22次收斂，傳統(tǒng)PSO需要迭代14次收斂。雖然收斂速度ISPO較PSO沒有優(yōu)勢，但收斂后得到的運行成本ISPO算法明顯優(yōu)于PSO算法。這主要由于ISPO子矢量可分散向各個方向優(yōu)化，較PSO更易尋找到最優(yōu)點，不易過早陷入局部最優(yōu)點。

圖6 各機組電出力優(yōu)化結果

圖7 各熱電聯(lián)產機組熱出力優(yōu)化結果

圖8 ISPO與PSO迭代效果比較

3.3 滾動預測與單次預測效果對比

本文采取每隔1 h重新計算的滾動優(yōu)化方法，這主要由于對于風電等間歇式能源的出力預測隨著時間尺度的精細化，預測的準確度將逐漸提高。以圖9風電出力預測結果為例，可見滾動預測風電出力精度明顯優(yōu)于單次預測。另外對于大型省級電網，1 h也足以對全網優(yōu)化問題進行再次計算。

由于預測誤差造成的棄風率曲線如圖10所示，其中理想棄風率曲線中由于其他機組出力限制才會被迫棄風?？梢姖L動預測下棄風率明顯低于單次預測下棄風率。

由此計算得到的單次預測運行成本為$291 080，而滾動預測運行成本為$265 478。去除棄風率罰項后，單次預測運行成本為$249 355，滾動預測運行成本為$247 207，這主要由于滾動預測準確度高，實際風電出力更多，相應的成本更低。

圖9 不同預測方法下風電出力與真實出力比較

圖10 不同預測方法下棄風率

3.4 分布式電力驅動熱泵使用對棄風率的影響

在現(xiàn)有以熱定電的調度模式下，采暖負荷僅僅由熱電聯(lián)產機組的熱出力承擔，確定了采暖負荷后，剩余的調度安排只能針對電出力機組進行。這種情況下，往往導致風電等新能源出力得到限制。

本文提出通過引入分布式電力驅動熱泵分擔部分熱負荷，增加熱負荷向電負荷轉化的優(yōu)化變量，形成新的熱、電負荷聯(lián)合約束條件。

假定單臺分布式電力驅動熱泵額定產熱1 MW，并擁有80%的能源轉換效率。在IEEE30節(jié)點系統(tǒng)中依次在節(jié)點17、24、26安裝分布式電力驅動熱泵，由此得到的棄風率曲線如圖11所示?？梢?，分布式電力驅動熱泵可有效改變熱、電負荷布局，改善目前由于以熱定電而造成的分布式電源棄電問題。

圖11 配置電力驅動熱泵后棄風率改善效果

4 結論

本文提出了一種涉及火電機組、熱電聯(lián)產機組、風電機組以及分布式電力驅動熱泵的新型調度策略，研究得到的結論如下：

(1) 在傳統(tǒng)調度日前計劃的基礎上，提出在線滾動優(yōu)化調度策略，提高了風電等新能源出力預測準確度，并有效降低其棄電比例。

(2) 探討了智能單粒子算法應用于熱電聯(lián)產與風電機組聯(lián)合調度的效果，較傳統(tǒng)粒子群算法獲得更好的效果，有效降低了系統(tǒng)運行成本。

(3) 引入了分布式電力驅動熱泵用于改變系統(tǒng)熱、電負荷布局，有效改善目前由于以熱定電而造成的棄風及低谷調峰問題。

[1] 龍虹毓, 何國軍, 徐瑞林, 等. 計及分布式電源熱泵的熱電聯(lián)產協(xié)調優(yōu)化調度與能效分析[J]．電力系統(tǒng)自動化, 2013, 37(14): 38-42．

LONG Hongyu, HE Guojun, XU Ruilin, et al. Cogeneration coordination optimal dispatch and energy efficiency analysis containing distributed electric heat pumps[J]. Automation of Electric Power Systems, 2013, 37(14): 38-42.

[2] 周任軍, 李紹金, 陳瑞先, 等. 采用模糊自修正粒子群算法的碳排放權交易冷熱電多目標調度[J]．中國電機工程學報, 2014, 34(34): 6119-6126．

ZHOU Renjun, LI Shaojin, CHEN Ruixian, et al. Combined cool ad heat and power multi-objective scheduling considering carbon emissions trading using algorithm of fuzzy self-correction particle swarm optimzation[J]. Proceedings of the CSEE, 2014, 34(34): 6119-6126.

[3] 周任軍, 冉曉洪, 毛發(fā)龍, 等. 分布式冷熱電三聯(lián)供系統(tǒng)節(jié)能協(xié)調優(yōu)化調度[J]．電網技術, 2012, 36(6): 8-14．

ZHOU Renjun, RAN Xiaohong, MAO Falong, et al. Energy-saving coordinated optimal dispatch of distributed combined cool, heat and power supply[J]. Power System Technology, 2012, 36(6): 8-14.

[4] 楊柳青, 林舜江, 劉明波, 等. 考慮風電接入的大型電力系統(tǒng)多目標動態(tài)優(yōu)化調度[J]. 電工技術學報, 2014, 29(10): 286-295.

YANG Liuqing, LIN Shunjiang, LIU Mingbo, et al. Multi-objective dynamic optimal dispatch for large-scale power systems considering wind power penetration[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 286-295.

[5] 徐立中, 易永輝, 朱承治, 等. 考慮風電隨機性的微網多時間尺度能量優(yōu)化調度[J]. 電力系統(tǒng)保護與控制, 2014, 42(23): 1-8.

XU Lizhong, YI Yonghui, ZHU Chengzhi, et al. Multi- time scale optimal energy dispatch of microgrid considering stochastic wind power[J]. Power System Protection and Control, 2014, 42(23): 1-8.

[6] 盧鵬銘, 溫步瀛, 江岳文. 基于多時間尺度協(xié)調機組組合的含風電系統(tǒng)旋轉備用優(yōu)化研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(5): 94-100.

LU Pengming, WEN Buying, JIANG Yuewen. Study on optimization of spinning reserve in wind power integrated power system based on multiple timescale and unit commitment coordination[J]. Power System Protection and Control, 2015, 43(5): 94-100.

[7] 賀建波, 胡志堅, 劉宇凱. 大規(guī)模多目標水-火-風協(xié)調優(yōu)化調度模型的建立及求解[J]. 電力系統(tǒng)保護與控制, 2015, 43(6): 1-7.

HE Jianbo, HU Zhijian, LIU Yuka. Establishment and solution of the large-scale multi-objective hydro-thermal- wind power coordination optimization dispatching model[J]. Power System Protection and Control, 2015, 43(6): 1-7.

[8] 葛曉琳, 張粒子. 考慮調峰約束的風水火隨機機組組合問題[J]. 電工技術學報, 2014, 29(10): 223-230.

GE Xiaolin, ZHANG Lizi. Wind-hydro-thermal stochastic unit commitment problem considering the peak regulation constraints[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 223-230.

[9] 張新松, 禮曉飛, 王運, 等. 不確定性環(huán)境下考慮棄風的電力系統(tǒng)日前調度[J]. 電力系統(tǒng)保護與控制, 2015, 43(24): 75-82.

ZHANG Xinsong, LI Xiaofei, WANG Yun, et al. Day-ahead dispatching in consideration of wind power curtailments in uncertain environments[J]. Power System Protection and Control, 2015, 43(24): 75-82.

[10] 龍虹毓, 付林, 徐瑞林, 等. 利用燃氣機組和熱泵減少不確定因素影響的電網調度[J]. 電工技術學報, 2015, 30(20): 220-226.

LONG Hongyu, FU Lin, XU Ruilin, et al. Research on the electric grid dispatch for alleviating the uncertainties impact through gas-fired cogenerations and heat pumps[J]. Transactions of China Electrotechnical Society, 2015, 30(20): 220-226.

[11] 沈偉, 吳文傳, 張伯明, 等．消納大規(guī)模風電的在線滾動調度策略與模型[J]. 電力系統(tǒng)自動化, 2011, 35(22): 136-140．

SHEN Wei, WU Wenchuan, ZHANG Boming, et al. An on-line rolling generation dispatch method and model for accommodating large-scale wind power[J]. Automation of Electric Power Systems, 2011, 35(22): 136-140.

[12] 李志剛, 吳文傳, 張伯明, 等. 計及風電考慮離散化發(fā)電調節(jié)約束的在線滾動調度方法[J]. 電力系統(tǒng)自動化, 2014, 38(10): 36-42.

LI Zhigang, WU Wenchuan, ZHANG Boming, et al. A look-ahead generation dispatch method considering discrete generation regulation constraints with large-scale wind power integration[J]. Automation of Electric Power Systems, 2014, 38(10): 36-42.

[13] 張沖, 胡林獻, 胡佳. 熱電機組比重及熱負荷對風電消納率影響的研究[J]. 電力系統(tǒng)保護與控制, 2013, 41(23): 120-125.

ZHANG Chong, HU Linxian, HU Jia. Research on the impact of the proportion of thermal power generating units and heat load on the wind power accommodation rate[J]. Power System Protection and Control, 2013, 41(23): 120-125.

[14] GALLESTEY E, STOTHERT A, ANTOINE M, et al. Model predictive control and the optimization of power plant load while considering lifetime consumption[J]. IEEE Transactions on Power Systems, 2002, 17(1): 186-191.

[15] CAMPONOGARA E, JIA D, KROGH B H, et al. Distributed model predictive control[J]. IEEE Control System, 2002, 22(1): 44-52．

[16] 唐家裕, 付林, 狄洪發(fā). 不同類型供熱機組熱電負荷優(yōu)化分配的研究[J]. 沈陽工程學院學報(自然科學版), 2007, 3(3): 211-214.

TANG Jiayu, FU Lin, DI Hongfa. Research on thermal and electric load optimizing dispatch of different types of heat supplied turbine[J]. Journal of Shenyang Institute of Engineering (Natural Science), 2007, 3(3): 211-214.

[17] CHANG C S, FU W. Stochastic multiobjective generation dispatch of combined heat and power systems[J]. IEE Proceedings: Generation, Transmission and Distribution, 1998, 145(5): 583-591.

(編輯 魏小麗)

Rolling optimal model for multiple heating source and wind turbine unit

SONG Zhuoran1, ZHAO Lin1, ZHANG Zixin1, WANG Shanshan2, HOU Yucheng1, DAI Xiaoyu1, JIAO Yong3

(1. State Grid Liaoning Electric Power Company Limited Economic Research Institute, Shenyang 110015, China; 2. State Grid Liaoning Management Training Center, Shenyang 110032, China; 3. State Grid Liaoning Electric Power Company, Shenyang 110006, China)

To improve the running efficiency and reduce the phenomenon of abandoning wind turbine output in north China, a rolling optimal dispatch for co-generation and wind turbine units is proposed. Due to the strong volatility of renewable energy like wind, rolling strategy is put forward and compared with single forecast results. Meanwhile, intelligent single particle optimizer (ISPO) algorithm, which divides a particle into sub-vectors in accordance to with unit type, is used in optimal dispatch model. Its ability of searching optimal state is stronger than traditional particle swarm optimization (PSO) algorithm. Distributed power driven heat pump is used to improve heat and electricity load structure and reduce the desert wind rate. The effectiveness and validity of model and strategy proposed are verified by the IEEE30 bus system case.

combined heat and power generation; rolling optimal dispatch; intelligent single particle optimizer; desert wind rate; distributed power driven heat pump

10.7667/PSPC152254

2015-12-29；

2016-03-18

宋卓然(1985-)，男，通信作者，碩士，工程師，研究方向為電力系統(tǒng)規(guī)劃，能源規(guī)劃；E-mail: 40420833@qq.com趙 琳(1987-)，女，碩士，工程師，研究方向為電力系統(tǒng)規(guī)劃，能源規(guī)劃。