宋云東，周志強(qiáng)，應(yīng) 勇，張遠(yuǎn)博，劉 旭

(1．遼寧省電力有限公司電力科學(xué)研究院，遼寧沈陽 110006；2．遼寧省電力有限公司，遼寧沈陽 110006；3．東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012)

?

計及需求響應(yīng)的含風(fēng)電場多目標(biāo)低碳經(jīng)濟(jì)調(diào)度

宋云東1，周志強(qiáng)2，應(yīng) 勇1，張遠(yuǎn)博1，劉 旭3

(1．遼寧省電力有限公司電力科學(xué)研究院，遼寧沈陽 110006；2．遼寧省電力有限公司，遼寧沈陽 110006；3．東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012)

0 引 言

隨著溫室效應(yīng)加劇和化石能源日益枯竭，節(jié)能減排作為各企業(yè)生產(chǎn)發(fā)展的主要目標(biāo)，而電力行業(yè)作為能源消耗及碳排放量的大戶肩負(fù)著重要責(zé)任。電力生產(chǎn)中的碳排放主要來源于各大型火電廠，因此要實現(xiàn)經(jīng)濟(jì)、低碳的電力發(fā)展，就要對傳統(tǒng)電力系統(tǒng)調(diào)度模式做出相應(yīng)改變。一方面，要大力發(fā)展風(fēng)電、光伏、核電等清潔高效的新型能源。風(fēng)力發(fā)電與其他新能源發(fā)電相比，具有技術(shù)成熟、成本低、清潔高效等優(yōu)點[1]，但風(fēng)電出力具有隨機(jī)性，大規(guī)模的風(fēng)電并網(wǎng)增加了電力系統(tǒng)經(jīng)濟(jì)調(diào)度的難度[2]。已有相關(guān)學(xué)者對此類問題進(jìn)行了研究。文獻(xiàn)[3]針對風(fēng)電出力隨機(jī)性，應(yīng)用隨機(jī)規(guī)劃理論建立了動態(tài)經(jīng)濟(jì)調(diào)度模型，將約束條件以概率的形式表達(dá)，并采用混合智能算法對模型進(jìn)行求解。文獻(xiàn)[4]應(yīng)用博弈理論將風(fēng)電出力極端情況下的調(diào)度問題轉(zhuǎn)化為大自然與決策者的二人零和博弈問題，并采用魯棒優(yōu)化理論描述風(fēng)電出力的不確定性。文獻(xiàn)[5]建立計及火電機(jī)組閥點效應(yīng)的含風(fēng)電經(jīng)濟(jì)調(diào)度模型，考慮了風(fēng)電出力隨機(jī)性對系統(tǒng)旋轉(zhuǎn)備用的影響。

另一方面，在調(diào)度過程中考慮需求側(cè)資源的影響，將源荷側(cè)資源整合統(tǒng)一調(diào)度，以協(xié)調(diào)配合風(fēng)電入網(wǎng)。目前，需求側(cè)資源參與經(jīng)濟(jì)調(diào)度的主要有電動汽車、需求響應(yīng)和可再生電源等。需求側(cè)資源大多為低排放甚至是零排放，同時還具有較好的經(jīng)濟(jì)效益，是一種較為理想的可調(diào)度資源，對提高系統(tǒng)運行經(jīng)濟(jì)性及環(huán)境效益都十分有益。文獻(xiàn)[6]將需求響應(yīng)作為虛擬發(fā)電形式參與優(yōu)化調(diào)度，建立了發(fā)電與碳排放聯(lián)合調(diào)度模型，兼顧了碳排放與發(fā)電成本，提高了風(fēng)電的消納能力。文獻(xiàn)[7]將充電汽車和風(fēng)電協(xié)調(diào)互補(bǔ)統(tǒng)一優(yōu)化調(diào)度，有效減小了發(fā)電成本及碳排放，通過調(diào)節(jié)兩指標(biāo)的權(quán)重，實現(xiàn)了經(jīng)濟(jì)與碳排放的有效折中。文獻(xiàn)[8]分析比較了各類型充電汽車的碳排放水平，提出了一種充電汽車與風(fēng)電協(xié)同調(diào)度的碳減排模型，兼顧了二者出力的不確定性。

本文在上述文獻(xiàn)的基礎(chǔ)上，將需求響應(yīng)融入低碳經(jīng)濟(jì)調(diào)度中，聯(lián)合優(yōu)化調(diào)度風(fēng)電、火電和需求響應(yīng)(虛擬發(fā)電資源)3種發(fā)電資源，以提高風(fēng)電消納能力，實現(xiàn)節(jié)能減排的目的。應(yīng)用風(fēng)電出力分布函數(shù)將多目標(biāo)機(jī)會約束規(guī)劃模型轉(zhuǎn)化為確定性模型，提出一種多目標(biāo)改進(jìn)魚群算法對模型進(jìn)行求解，并采用逼近理想解排序法輔助決策者確定最佳的調(diào)度方案。改進(jìn)10機(jī)系統(tǒng)的仿真結(jié)果驗證了本文模型的合理性和算法的有效性。

1 風(fēng)電出力的隨機(jī)模型

雙參數(shù)威布爾(Weibull)分布能較準(zhǔn)確描述實際風(fēng)速的變化規(guī)律，其分布函數(shù)為

(1)

式中：k、c分別為Weibull分布的形狀參數(shù)和尺度參數(shù)；v為風(fēng)速，其概率密度函數(shù)為

(2)

當(dāng)知道風(fēng)速具體的分布后，通過分析風(fēng)電機(jī)組有功輸出和風(fēng)速的數(shù)據(jù)，可得到二者近似的函數(shù)關(guān)系，如式(3)所示:

(3)

式中：vin、vout和vrate分別為風(fēng)電機(jī)組的切入風(fēng)速、切出風(fēng)速和額定風(fēng)速，Prate為額定輸出有功功率。

由式(3)分析可知，Pwind在(0,Prate)區(qū)間上連續(xù)，而在區(qū)間端點0和Prate處是離散的，即Pwind是一個混合隨機(jī)變量。Pwind在(-∞,+∞)的分布函數(shù)為[9]

(4)

2 用戶滿意度

用戶滿意度是衡量實施TOU后，用戶用電的體驗情況[10]。在制定TOU時應(yīng)充分考慮用戶用電的反饋，避免因峰谷電價差過大，導(dǎo)致用戶用電方式的大幅度改變，致使調(diào)峰失敗甚至峰谷漂移，使用戶對實施TOU產(chǎn)生抵觸情緒，損害電力企業(yè)的利益和社會形象。

2.1 電費支出滿意度

制定TOU的基本原則是實施TOU前后，用戶電費支出總體保持不變。用戶電費支出滿意度是反映實施TOU前后用戶電費支出的變化情況，具體如(5)式所示：

(5)

式中:θ為電費支出滿意度；pt、Lt,j分別為實施TOU后的t時段電價和負(fù)荷，其中Lt,j由消費者心理學(xué)下的用戶對TOU響應(yīng)原理確定，詳見文獻(xiàn)[11]；T為調(diào)度周期；p0、Lt,j0分別為實施TOU前的電價和t時段負(fù)荷。θ值越大表明電費支出滿意度越高，當(dāng)θ>1時，說明實施TOU后用戶的電費支出有所減小。

2.2 用電方式滿意度

在未實施TOU前，用戶根據(jù)自己實際生活需要合理安排用電方式，此時用電方式滿意度最大，而在實施TOU之后，為了盡可能減小電費支出，用戶被迫改變用電方式，同時要保證總的用電量不變，就要將峰時段用電量轉(zhuǎn)移到平、谷時段或?qū)⑵綍r段用電量轉(zhuǎn)移到谷時段。用電方式滿意度是描述實施TOU前后用戶用電量各時段的變化情況，具體如式(6)所示：

(6)

式中:λ為用電方式滿意度。從(6)式可以看出λ取值介于[0，1]，當(dāng)用戶未改變用電方式時，用戶用電方式滿意度最大，此時λ取值為1。

3 多目標(biāo)優(yōu)化模型

3.1 目標(biāo)函數(shù)

① 最小化常規(guī)機(jī)組發(fā)電總費用的目標(biāo)函數(shù)為

(7)

式中：F1為常規(guī)機(jī)組的發(fā)電總費用；T為調(diào)度周期；N為常規(guī)機(jī)組臺數(shù)；Ii,t=1和Ii,t=0分別表示第i臺常規(guī)機(jī)組在t時段處于運行和停機(jī)狀態(tài)；fi,t(Pi,t)為第i臺常規(guī)機(jī)組在t時段的燃料費用；Pi,t為第i臺常規(guī)機(jī)組在t時段的出力；Si,t為第i臺常規(guī)機(jī)組在t時段的啟停費用。

常規(guī)機(jī)組的燃料費用為

(8)

式中：ai、bi、ci為第i臺常規(guī)機(jī)組的耗能特性參數(shù)。

常規(guī)機(jī)組的啟停費用為

(9)

式中：hsi和csi分別為第i臺常規(guī)機(jī)組的熱啟動和冷啟動費用；MDi為第i臺常規(guī)機(jī)組最小停運時間；Xoff,i,t為第i臺常規(guī)機(jī)組在t時段已連續(xù)停運時間；Ti為第i臺常規(guī)機(jī)組的冷啟動時間。

② 常規(guī)機(jī)組發(fā)電會消耗大量的化石能源，并向大氣排放COx、SOx、NOx等污染氣體，為簡化計算將火電機(jī)組單位時間內(nèi)排放的污染氣體折算為等量的COx，則最小化常規(guī)機(jī)組碳排放量的目標(biāo)函數(shù)為[12]

(10)

式中：F2為調(diào)度周期內(nèi)常規(guī)機(jī)組碳排放總量；C(Pi,t)為第i臺常規(guī)機(jī)組t時段的碳排放量。

常規(guī)機(jī)組的碳排放特性方程用二次函數(shù)可表示為

(11)

式中：αi、βi、γi為第i臺火電機(jī)組的碳排放系數(shù)。

3.2 約束條件

① 功率平衡約束

(12)

式中：Pw,t為風(fēng)電場t時段出力；PD,t為實行TOU后t時段系統(tǒng)負(fù)荷；Ploss,t為t時段系統(tǒng)網(wǎng)損。

由于Pw,t為隨機(jī)變量，采用機(jī)會約束以概率的形式將式(12)表示為

(13)

式中：P{·}為滿足{·}事件的置信水平；μ為滿足功率平衡約束的置信水平下限。

② 風(fēng)電穿透極限約束

(14)

式中：δ為風(fēng)電穿透極限系數(shù)。采用機(jī)會約束以概率的形式將式(14)表示為

(15)

式中：φ為滿足風(fēng)電穿透極限約束的置信水平下限。

③ 常規(guī)機(jī)組出力約束

(16)

式中：Pi,min、Pi,max分別為第i臺常規(guī)機(jī)組可調(diào)出力的上、下限。

④ 常規(guī)機(jī)組最小開停時間約束

(17)

式中：MUi為第i臺常規(guī)機(jī)組最小連續(xù)運行時間；Xon,i,t為第i臺常規(guī)機(jī)組t時段已連續(xù)運行時間。

⑤ 系統(tǒng)正、負(fù)旋轉(zhuǎn)備用容量約束

(18)

(19)

式中：Pup,D,t和Pdown,D,t分別為系統(tǒng)t時段的正、負(fù)旋轉(zhuǎn)備用容量。

⑥ 為保證用戶用電方式不發(fā)生大幅度改變，則用電方式滿意度需滿足：

(20)

式中：λmin為用電方式滿意度下限。

⑦ 為保證TOU的實施不損害用戶的利益，則用戶電費支出滿意度需滿足：

(21)

式中：θmin為電費支出滿意度下限。

⑧ 固定平時段電價為原始電價，峰、谷電價在平時段電價基礎(chǔ)上上下浮動，為保證原負(fù)荷曲線的峰谷特性不變，則拉開必須滿足[13]：

(22)

式中：ω為拉開比；Qp和Qv分別為峰、谷時段總用電量。

3.3 隨機(jī)模型的確定化

將隨機(jī)模型轉(zhuǎn)化為等價的確定性模型是求解機(jī)會約束規(guī)劃問題的常用方法。式(13)、(15)均包含隨機(jī)變量Pw,t，結(jié)合Pw,t分布函數(shù)式(4)，可將式(14)轉(zhuǎn)化為

(23)

將式(4)代入式(13)，整理可得到

(24)

同理，式(15)可轉(zhuǎn)化為

(25)

4 多目標(biāo)優(yōu)化調(diào)度求解算法及步驟

4.1 多目標(biāo)改進(jìn)魚群算法

人工魚群算法[14](artificial fish school algorithm，AFSA)從每條人工魚的行為出發(fā)，采用自上而下的搜索策略，對初值依賴性低且具有較強(qiáng)的局部搜索能力，但由于一次的隨機(jī)移動并不足以跳出局部最優(yōu)區(qū)域，而在下一次搜索時又因其較強(qiáng)的局部搜索能力再次陷入局部極值，最終導(dǎo)致算法早熟收斂。禁忌搜索算法[15](tabu search algorithm，TS)模擬人腦的記憶功能，采用禁忌表記錄已搜索過的優(yōu)良狀態(tài)，在下一次搜索過程中有選擇地繞開被禁忌的狀態(tài)，避免了迂回搜索，進(jìn)而開辟新的搜索區(qū)域，提高了全局搜索能力，但算法對初值的依賴性很高，一個好的初始可行解可以使算法很快地收斂到全局最優(yōu)。綜合考慮上述兩算法的優(yōu)缺點，在人工魚群算法搜索過程中引入禁忌搜索思想，相互取長補(bǔ)短，提出了改進(jìn)人工魚群算法[16](improved artificial fish school algorithm，IAFSA)。

為使IAFSA算法適用于求解多目標(biāo)優(yōu)化調(diào)度問題，在算法尋優(yōu)過程中引入擁擠距離計算策略、累積排序策略、精英保留策略[17]，提出了多目標(biāo)改進(jìn)人工魚群算法(multi-objective improved artificial fish school algorithm，MIAFSA)。

MIAFSA算法求解流程如圖1所示。

圖1 MIAFSA算法流程

4.2 多目標(biāo)低碳經(jīng)濟(jì)調(diào)度求解步驟

① 輸入機(jī)組參數(shù)、用戶響應(yīng)參數(shù)、風(fēng)電場預(yù)測出力、原始電價及負(fù)荷。

② 確定平時段電價及拉開比，計算峰、谷時段電價。

③ 基于消費者心理學(xué)原理計算TOU實施后的系統(tǒng)負(fù)荷、用電方式滿意度、電費支出滿意度。

④ 判斷拉開比、用電方式滿意度、電費支出滿意度是否滿足約束，若滿足進(jìn)行步驟⑤，否則按等步長增加拉開比進(jìn)行步驟②。

⑤ 根據(jù)步驟③得到的系統(tǒng)負(fù)荷，安排機(jī)組組合及出力，并計算總發(fā)電成本和碳排放量。

⑥ 應(yīng)用MIAFSA算法計算pareto最優(yōu)解集。

⑦ 判斷是否達(dá)到最大迭代次數(shù)，若是則輸出pareto最優(yōu)解集，否則進(jìn)行步驟②。

4.3 輔助決策

為進(jìn)一步深入挖掘碳排放量與發(fā)電成本之間的內(nèi)在聯(lián)系，采用逼近理想解排序法[18](technique for order preference by similarity to ideal solution，TOPSIS)對pareto前沿個體進(jìn)行排序，排序結(jié)果客觀反映了兩指標(biāo)的重要程度及相互聯(lián)系，輔助決策者確定最佳的調(diào)度方案。在應(yīng)用TOPSIS法對pareto前沿個體排序時，首先需要確定各屬性的權(quán)重集，本文通過信息熵法[18]來獲得。

5 案例分析

為驗證本文所提模型的合理性及算法的有效性，對含10臺燃煤機(jī)組和1個并網(wǎng)風(fēng)電場的電力系統(tǒng)進(jìn)行低碳經(jīng)濟(jì)調(diào)度。機(jī)組數(shù)據(jù)及系統(tǒng)原始負(fù)荷見文獻(xiàn)[12]。調(diào)度周期為1d，以1h為單位分為24各時段。置信水平μ、φ分別為0.95和0.85。固定平時段電價為原始電價0.8元/kWh，峰平谷各時段劃分為：9:00～15:00和20:00～22:00為峰時段；6:00～9:00、15:00～17:00、18:00～20:00和22:00～23:00為平時段；23:00～6:00 和17:00～18:00為谷時段。并網(wǎng)風(fēng)電場含60臺風(fēng)機(jī)，每臺

風(fēng)機(jī)的額定功率2MW，24h風(fēng)電預(yù)測出力曲線見圖2。正、負(fù)旋轉(zhuǎn)備用容量均取各時段系統(tǒng)負(fù)荷的5%，風(fēng)電滲透率極限系數(shù)0.09。MIAFSA算法參數(shù)設(shè)置：人工魚群規(guī)模80；最大迭代次數(shù)100；擁擠度系數(shù)0.3；最大覓食次數(shù)10，禁忌表長度10。采用粒子群算法(particle swarm optimization，PSO)與本文方法進(jìn)行比較，目標(biāo)函數(shù)中發(fā)電成本與碳排放的優(yōu)先級別相同，其算法參數(shù)：學(xué)習(xí)因子均為2，慣性權(quán)重ω采用線性遞減策略，其余參數(shù)與本文一致。MIAFSA算法獲得的pareto前沿見圖3，采用TOPSIS法對pareto前沿個體排序確定最佳解，具體多樣性解信息見表1。

圖2 各時段風(fēng)電場出力及波動區(qū)間

圖3 MIAFSA算法得到的Pareto前沿

目標(biāo)發(fā)電成本/×105元碳排放量/×105t電費支出滿意度用電方式滿意度啟停費用/元拉開比峰谷差/MW風(fēng)電接入量/MW經(jīng)濟(jì)最優(yōu)6.21612.55781.01020.870042000.81204721769環(huán)境最優(yōu)6.54181.50671.14240.910539700.65364251781最優(yōu)解6.34911.90451.08410.899641900.70114661777PSO算法6.42542.07811.07210.900742600.69144551775

從圖3可知，MIAFSA算法得到的pareto前沿完整性好，非劣解集分布廣泛均勻，其中碳排放量較發(fā)電成本的分布區(qū)間大，主要是由于各常規(guī)機(jī)組碳排放特性差異較大，而負(fù)荷又在各機(jī)組間隨機(jī)分配。從表1數(shù)據(jù)可知，與PSO算法相比，最優(yōu)解的發(fā)電成本和碳排放量分別較其減少了7 630 元和17 360 t；電費支出滿意度均從正方向趨近于1，這說明用戶電費支出有所減少，用戶從TOU實施中獲益，但又沒有嚴(yán)重?fù)p害電網(wǎng)公司的收益；用電方式滿意度均較大，說明用戶的用電方式?jīng)]有發(fā)生大幅度的改變，即TOU的實施并沒有打亂用戶日常的用電安排；拉開比作為制定分時電價的一個重要指標(biāo)，直接決定著峰谷電價，其值越大用戶對TOU的響應(yīng)就越充分，削峰填谷的作用也就越明顯，這符合用戶的消費心理，即將用電量由電價高時段向電價低時段轉(zhuǎn)移，以追求電費支出最?。粰C(jī)組的啟停費用與發(fā)電成本并無明顯關(guān)系，而與碳排放量呈正相關(guān)，這是因為小容量機(jī)組的碳排放特性較小，機(jī)組的頻繁啟停有助于減小系統(tǒng)碳排放量；在風(fēng)電接納能力方面，未考慮需求響應(yīng)時，系統(tǒng)風(fēng)電接入量為1 762MW，經(jīng)濟(jì)最優(yōu)、環(huán)境最優(yōu)和最優(yōu)解的風(fēng)電接入量分別較其提高了7MW、19MW和15MW，因此需求響應(yīng)可以提高風(fēng)電的消納能力；TOU實施前負(fù)荷峰谷差為800MW，最優(yōu)解的負(fù)荷峰谷差為466MW，較其減小了334MW，可見考慮需求響應(yīng)可以有效地削峰填谷，提高系統(tǒng)負(fù)荷率，圖4給了考慮需求響應(yīng)前后的負(fù)荷曲線。為驗證結(jié)果的真實性,表2給出了最優(yōu)解，圖5以圖形的方式驗證系統(tǒng)各時段功率平衡的情況。

圖4 考慮需求響應(yīng)前后的負(fù)荷曲線

圖5 功率平衡約束驗證

時段各時段機(jī)組出力/MW機(jī)組1機(jī)組2機(jī)組3機(jī)組4機(jī)組5機(jī)組6機(jī)組7機(jī)組8機(jī)組9機(jī)組10風(fēng)電接入量/MW網(wǎng)損/MW負(fù)荷/MW1356.21174.9344.9344.9349.9380034.935506216.61886.242218.08218.0888.0888.0893.08800550555516.18934.243257.30257.30127.30130132.308000007019.971034.244319.63257.38130127.38132.3808505505325.521134.245331.51331.511301301620850004329.181183.856306.73306.73130016208505505324.141074.427357.36357.3613001620850006027.451124.288414.88403.3871.79076.79076.79555505331.921174.729309.76309.761300162085055557526.701154.8310359.89359.891300162085555508032.131254.9511345.56345.5613013016208500558533.301304.8312340.634551301301620850008537.311350.3313375.16288.7813013016200550559030.801255.1514329.67353.50130130162000007727.271154.9715286.83286.83130130161.8300055559525.791174.7216253.41253.41123.41130128.410005509218.941022.8117270.56270.56130130145.560055009021.181070.4918301.28301.28130130162000007323.021074.7219330.22330.221301301620005506528.221174.2320339.78339.7813013016200055557531.721254.9121284.17284.1713013016200550558025.301155.5322270.38270.38130130145.380000559521.421074.8423243.19243.19130113.19125.95005555558521.291084.2424235.06235.06130105.061620000558017.94984.55

6 結(jié) 論

① 建立綜合考慮環(huán)境、經(jīng)濟(jì)及用戶滿意度的多目標(biāo)機(jī)會約束規(guī)劃模型，利用風(fēng)電出力的分布函數(shù)將其轉(zhuǎn)化為等價的確定性模型，改變了傳統(tǒng)的一味考慮經(jīng)濟(jì)性的調(diào)度模式，為決策者提供更加全面的參考方案。

② 需求側(cè)資源參與低碳調(diào)度利用TOU的杠桿作用引導(dǎo)用戶理性用電，可以有效地削峰填谷，提高系統(tǒng)負(fù)荷率及風(fēng)電的消納能力。

③ 本文電價方案符合TOU的制定原則，兼顧了用戶與電網(wǎng)公司的利益，使用戶從TOU實施中獲益，但又沒有嚴(yán)重?fù)p害電網(wǎng)公司的盈利。

④ MIAFSA算法結(jié)合了AFSA算法與TS算法尋優(yōu)特點，提高了混合算法的尋優(yōu)速度和尋優(yōu)深度，使得到的pareto前沿完整，非劣解集分布均勻。

[1] 董曉天，嚴(yán)正，馮冬涵，等.大規(guī)模風(fēng)電接入的電力系統(tǒng)低碳經(jīng)濟(jì)調(diào)度[J].現(xiàn)代電力，2012，29(5)：42-48.

[2] 于成龍，孫欣，沈風(fēng)，等.基于備用安全的含風(fēng)電場的電力系統(tǒng)經(jīng)濟(jì)調(diào)度[J].現(xiàn)代電力，2014，31(5)：49-53.

[3] 孫元章，吳俊，李國杰，等.基于風(fēng)速預(yù)測和隨機(jī)規(guī)劃的含風(fēng)電場電力系統(tǒng)動態(tài)經(jīng)濟(jì)調(diào)度[J].中國電機(jī)工程學(xué)報，2009，29(4)：41-47.

[4] 梅生偉，郭文濤，王瑩瑩，等.一類電力系統(tǒng)魯棒優(yōu)化問題的博弈模型及應(yīng)用實例[J].中國電機(jī)工程學(xué)報，2013，33(19)：47-56.

[5] 周瑋，彭昱，孫輝，等.含風(fēng)電場的電力系統(tǒng)動態(tài)經(jīng)濟(jì)調(diào)度[J].中國電機(jī)工程學(xué)報，2009，29(25)：13-18.

[6] 劉曉，艾欣，彭謙.計及需求響應(yīng)的含風(fēng)電場電力系統(tǒng)發(fā)電與碳排放權(quán)聯(lián)合優(yōu)化調(diào)度[J].電網(wǎng)技術(shù)，2012，36(1)：213-218.

[7] 張曉花，謝俊，趙晉泉，等.考慮風(fēng)電和電動汽車等不確定性負(fù)荷的電力系統(tǒng)節(jié)能減排調(diào)度[J].高電壓技術(shù)，2015，41(7)：2408-2414.

[8] 于大洋，黃海麗，雷鳴，等.電動汽車充電與風(fēng)電協(xié)同調(diào)度的碳減排效益分析[J].電力系統(tǒng)自動化，2012，36(10)：14-18.

[9] Liu X, Xu W. Economic load dispatch constrained by wind power availability: a here-and-now approach[J]. IEEE Transactions on Sustainable Energy, 2010, 1(1): 2-9.

[10]丁偉，袁家海，胡兆光.基于用戶價格響應(yīng)和滿意度的峰谷分時電價決策模型[J].電力系統(tǒng)自動化，2005，29(20)：10-14.

[11]阮文駿，王蓓蓓，李揚(yáng)，等.峰谷分時電價下的用戶響應(yīng)行為研究[J].電網(wǎng)技術(shù)，2012，36(7)：86-93.

[12]張寧，胡兆光，周渝慧，等.考慮需求側(cè)低碳資源的新型模糊雙目標(biāo)機(jī)組組合模型[J].電力系統(tǒng)自動化，2014，38(17)：25-30.

[13]胡福年，湯玉東，鄒云.需求側(cè)實行峰谷分時電價策略的影響分析[J].電工技術(shù)學(xué)報，2007，22(4)：168-174.

[14]聶宏展，王畢元，孫金紅，等.基于混沌人工魚群算法的輸電網(wǎng)規(guī)劃方法[J].電網(wǎng)技術(shù)，2010，34(12)：129-133.

[15]曾令全，羅富寶，丁金嫚.禁忌搜索-粒子群算法在無功優(yōu)化中的應(yīng)用[J].電網(wǎng)技術(shù)，2011，35(7)：129-133.

[16]聶宏展，呂盼，喬怡，等.改進(jìn)人工魚群算法在輸電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報，2010，22(2)：93-98.

[17]馮士剛，艾芊.帶精英策略的快速非支配排序遺傳算法在多目標(biāo)無功優(yōu)化中的應(yīng)用[J].電工技術(shù)學(xué)報，2007，22(12)：146-152.

[18]徐玖平，吳巍.多屬性決策的理論與應(yīng)用[M].北京：清華大學(xué)出版社，2006：45-48.

(責(zé)任編輯：林海文)

Multi-objective Low-carbon Economic Dispatching for Power Grid Integrated with Wind Farm by Considering Demand Response

SONG Yundong1, ZHOU Zhiqiang2, YING Yong1, ZHANG Yuanbo1, LIU Xu3

(1. Electric Power Research Institute Liaoning Electric Power Company Limited, Shenyang 110006, China;2. Liaoning Provincial Electric Power Co. Ltd, Shenyang 110006, China;3. School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China)

綜合考慮發(fā)電成本、碳排放量和用戶滿意度，建立計及需求響應(yīng)的含風(fēng)電場多目標(biāo)低碳經(jīng)濟(jì)調(diào)度模型。該模型采用隨機(jī)規(guī)劃理論描述風(fēng)電出力的不確定性，并應(yīng)用風(fēng)電出力分布函數(shù)將其轉(zhuǎn)化為等價的確定性模型；通過優(yōu)化需求側(cè)資源來調(diào)整次日的負(fù)荷曲線，以提高系統(tǒng)負(fù)荷率和風(fēng)電消納能力；引入用戶滿意度約束，保證調(diào)度方案使用戶滿意；將源荷側(cè)資源整合統(tǒng)一調(diào)度來適應(yīng)大規(guī)模風(fēng)電并網(wǎng)和滿足系統(tǒng)節(jié)能減排的要求。在人工魚群算法搜索過程中結(jié)合禁忌搜索思想，并引入多目標(biāo)搜索機(jī)制，提出了一種多目標(biāo)改進(jìn)魚群算法對模型求解。采用逼近理想解排序法對帕累托前沿個體排序，輔助決策者確定最佳的調(diào)度方案。算例仿真結(jié)果驗證了所提模型的合理性和算法的有效性。

機(jī)會約束規(guī)劃；需求響應(yīng)；多目標(biāo)優(yōu)化；分時電價；用戶滿意度；低碳經(jīng)濟(jì)調(diào)度

By combining the generation cost, carbon emissions and customers’ satisfaction, the multi-objective and low-carbon economic dispatch model for power grid integrated with wind farm is built by considering demand response. The stochastic programming theory is used in this model to describe the uncertainty of the wind power, and the model is converted to an equivalent deterministic model by using distribution function of wind power output. In addition, the load curve of next day is adjusted by optimizing demand side resources to improve load rate and absorptive capacity of wind power. Furthermore, customers’ satisfaction constraint is introduced to ensure that the scheduling scheme satisfies customer. And the resources of source and load can be unified coordinated to meet the requirements of the application of large-scale grid-connected wind farm, the energy-saving and emission-reduction. Through introducing tabu search and more targeted search mechanism in searching process of artificial fish swarm algorithm, a multi-objective improved artificial fish swarm algorithm is proposed to solve this model by introducing multi-objective searching mechanism. And by using the technique for order preference by similarity to ideal solution (TOPSIS) to sort the Pareto frontier, the optimal scheduling scheme is determined. In the end, simulation results verify the rationality and validity of the proposed model and algorithm.

chance constrained programming; demand response; multi-objective optimization; time-of-use; customers’ satisfaction; low-carbon economic dispatching

1007-2322(2016)06-0007-07

A

TM612

2015-10-11

宋云東(1978—)，男，高級工程師，研究方向為電力系統(tǒng)穩(wěn)定與控制、新能源并網(wǎng)等，E-mail:songyd_2001@163.com；周志強(qiáng)(1965—)，男，高級工程師，研究方向為變電技術(shù)及運行維修等，E-mail:zhouzhiqiangdy@163.com；

應(yīng) 勇(1969—)，男，高級工程師，研究方向為變電技術(shù)及運行維修等，E-mail:1395444245@qq.com；

張遠(yuǎn)博(1987—)，男，助理工程師，研究方向為高電壓與絕緣技術(shù)等，E-mail:460882275@qq.com；

劉 旭(1991—)，男，碩士研究生，研究方向為新能源并網(wǎng)、電力系統(tǒng)優(yōu)化調(diào)度等, E-mail:1508040128@qq.com。