李星雨，邱曉燕，趙勁帥, 王躍，陳科彬

(四川大學(xué)電氣信息學(xué)院，成都市 610065)

基于極點(diǎn)對(duì)稱模態(tài)分解和需求響應(yīng)的風(fēng)電消納策略

李星雨，邱曉燕，趙勁帥, 王躍，陳科彬

(四川大學(xué)電氣信息學(xué)院，成都市 610065)

在全球能源互聯(lián)網(wǎng)的大背景下，風(fēng)力發(fā)電作為一種清潔能源受到重視。由于風(fēng)電的波動(dòng)性對(duì)電力系統(tǒng)的經(jīng)濟(jì)、穩(wěn)定運(yùn)行造成強(qiáng)烈的沖擊，棄風(fēng)情況日益嚴(yán)峻。文章提出一種新的風(fēng)電消納策略，采用極點(diǎn)對(duì)稱模態(tài)分解(extreme-point symmetric mode decomposition，ESMD)把原始風(fēng)電出力分解為光滑的出力曲線和波動(dòng)分量，使用混合儲(chǔ)能吸收其波動(dòng)分量，同時(shí)在系統(tǒng)運(yùn)行中通過需求響應(yīng)消納更多的風(fēng)電。針對(duì)粒子群算法容易陷入局部最優(yōu)的缺點(diǎn)，將萊維飛行引入粒子群算法以增強(qiáng)粒子跳出“早熟”的能力。算例結(jié)果證明了這種風(fēng)電消納策略的有效性，即在維持一定的運(yùn)行費(fèi)用的同時(shí)，利用混合儲(chǔ)能和需求響應(yīng)，提高系統(tǒng)的風(fēng)電消納能力。

能源互聯(lián)網(wǎng)；風(fēng)電消納；需求響應(yīng)；極點(diǎn)對(duì)稱模態(tài)分解(ESMD)；混合儲(chǔ)能

0 引 言

風(fēng)電作為一種清潔資源，具有廣闊的發(fā)展前景[1-2]。隨著風(fēng)電滲透率的不斷提高，風(fēng)電并網(wǎng)呈現(xiàn)大規(guī)模、集中式的特點(diǎn)[3]，但由于風(fēng)電不穩(wěn)定的發(fā)電特性，使得大規(guī)模風(fēng)電并網(wǎng)給電網(wǎng)的運(yùn)行調(diào)度帶來較大的沖擊。

風(fēng)電的不穩(wěn)定性主要表現(xiàn)在短時(shí)間內(nèi)風(fēng)電出力的變化幅度過高[4-6]?；旌蟽?chǔ)能充分利用蓄電池和超級(jí)電容器的互補(bǔ)特性，提高儲(chǔ)能的輸出功率同時(shí)降低了蓄電池充放電次數(shù)，在平抑風(fēng)電波動(dòng)方面具有良好的作用和發(fā)展前景，但是單純依靠?jī)?chǔ)能平抑風(fēng)電波動(dòng)經(jīng)濟(jì)成本過高，難以大量使用。需求側(cè)響應(yīng)在大規(guī)模風(fēng)電并網(wǎng)系統(tǒng)中，對(duì)于提高風(fēng)電消納，緩和風(fēng)電波動(dòng)作用明顯[7-8]，但是需求響應(yīng)需基于與用戶所簽訂合同執(zhí)行，可控性較弱[9]，很難直接用于平抑風(fēng)電波動(dòng)。

目前，國(guó)內(nèi)外學(xué)者對(duì)于風(fēng)電消納進(jìn)行了相關(guān)的研究。文獻(xiàn)[10]將電力系統(tǒng)與熱力系統(tǒng)協(xié)調(diào)優(yōu)化運(yùn)行，建立了電、熱能源集成系統(tǒng)模型，并驗(yàn)證了這種風(fēng)電消納策略的有效性。文獻(xiàn)[11]將高載能負(fù)荷作為風(fēng)電消納的一種手段，與常規(guī)機(jī)組聯(lián)合優(yōu)化調(diào)度。文獻(xiàn)[12]將儲(chǔ)能技術(shù)和需求響應(yīng)納入發(fā)電調(diào)度模型，利用需求響應(yīng)與儲(chǔ)能技術(shù)改變負(fù)荷的時(shí)間分布，同時(shí)協(xié)調(diào)其與發(fā)電側(cè)的關(guān)系，以此達(dá)到消納風(fēng)電的目標(biāo)。文獻(xiàn)[13]建立了電價(jià)型和激勵(lì)型需求響應(yīng)的兩階段隨機(jī)規(guī)劃風(fēng)電消納機(jī)組組合模型，通過引導(dǎo)用戶的用電習(xí)慣，使其更貼近風(fēng)電出力曲線。文獻(xiàn)[14]綜合考慮環(huán)境、社會(huì)、市場(chǎng)競(jìng)爭(zhēng)力等因素，利用儲(chǔ)能電站優(yōu)化電力系統(tǒng)的電源結(jié)構(gòu)，以此達(dá)到直接提高電網(wǎng)的風(fēng)電接納能力的目的。

上述文獻(xiàn)從儲(chǔ)能、儲(chǔ)熱和需求響應(yīng)等方面著手，提出了一系列的風(fēng)電消納策略，雖然取得一定的成效，但是在電網(wǎng)調(diào)度中沒有事先對(duì)風(fēng)電波動(dòng)進(jìn)行平抑，因此對(duì)儲(chǔ)能系統(tǒng)和需求響應(yīng)的容量需求較高，會(huì)影響整個(gè)系統(tǒng)的經(jīng)濟(jì)性。

因此，本文提出一種新的風(fēng)電消納策略。利用隨機(jī)信號(hào)分析理論的最新研究成果——極點(diǎn)對(duì)稱模態(tài)分解(extreme-point symmetric mode decomposition，ESMD)[15]將波動(dòng)很強(qiáng)的風(fēng)電出力曲線分解為平滑的出力曲線，混合儲(chǔ)能作為重要的一環(huán)，只吸收分解過程中產(chǎn)生的波動(dòng)量，以降低混合儲(chǔ)能的容量需求，具有良好的經(jīng)濟(jì)性，并利用需求響應(yīng)改善系統(tǒng)在運(yùn)行中對(duì)于風(fēng)電的接納能力。在算例的求解中，提出一種新的改進(jìn)粒子群算法，即在粒子群算法的迭代過程中引入搜索范圍更大的萊維飛行，以便改善粒子群算法易陷入“早熟”的缺點(diǎn)。算例結(jié)果證明了這種風(fēng)電消納策略的有效性。

1 極點(diǎn)對(duì)稱模態(tài)分解理論與需求響應(yīng)模型

1.1 極點(diǎn)對(duì)稱模態(tài)分解理論

隨機(jī)數(shù)據(jù)分析方法主要分為4種：傅里葉變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解和極點(diǎn)對(duì)稱模態(tài)分解。

傅里葉變換是一種線性變換，采用線性疊加原理，缺點(diǎn)是對(duì)于非平穩(wěn)信號(hào)或變頻信號(hào)的處理存在明顯不足。小波變換作為傅里葉變換的進(jìn)一步發(fā)展，并沒有從根本上解決傅里葉變換的缺點(diǎn)。經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)采用“包絡(luò)線對(duì)稱”的規(guī)則，作為一種自適應(yīng)的時(shí)頻信號(hào)分析法，廣泛地用于非線性非平穩(wěn)過程，主要缺點(diǎn)就是模態(tài)混疊頻繁出現(xiàn)。

ESMD是EMD改進(jìn)后的新成果[15]。與傳統(tǒng)的EMD方法一樣，可以平穩(wěn)化處理一系列復(fù)雜的信號(hào)，從而得到若干本征模態(tài)函數(shù)和變化趨勢(shì)分量。不同的是，ESMD使用了內(nèi)部極點(diǎn)對(duì)稱插值，通過最小二乘法優(yōu)化剩余模態(tài)并由此確定最佳篩選次數(shù)，解決了EMD在信號(hào)分解中存在的篩選判據(jù)與端點(diǎn)效應(yīng)等問題，在一定程度上優(yōu)于小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解，所以本文選擇ESMD作為風(fēng)電分析方法。

ESMD分解流程如下詳述。

(1)假設(shè)待分解信號(hào)為y，求出其極值點(diǎn)并用線段將相鄰極值點(diǎn)連接起來，并將中點(diǎn)記為Ei(i=1,2,…,n-1)。

(2)補(bǔ)充左、右邊界中點(diǎn)E0、En，利用得到的n+1個(gè)中點(diǎn)，構(gòu)造出p條插值曲線L1,L2,…,Lp，其中p≥1，并求取其均值曲線L*。

(3)將y-L*作為輸入，重復(fù)步驟(1)、(2)，直到篩選次數(shù)達(dá)到最大次數(shù)限制K或|L*|≤ε，分解出第1個(gè)模態(tài)分量M1。

(4)將y-M1作為輸入，重復(fù)步驟(1)—(3)，直到余量Z只剩一定數(shù)量的極值點(diǎn)，求得剩余模態(tài)分量。

(5)設(shè)定整數(shù)區(qū)間[Kmin,Kmax]，令K在該區(qū)間內(nèi)不斷變化并重復(fù)以上步驟，從而得到一系列結(jié)果，計(jì)算方差比率σ/σ0，其中σ和σ0分別是y-Z的相對(duì)標(biāo)準(zhǔn)差和原始數(shù)據(jù)y的標(biāo)準(zhǔn)差。

(6)在設(shè)定的整數(shù)區(qū)間[Kmin,Kmax]內(nèi)找到最小方差比率，其對(duì)應(yīng)一個(gè)篩選次數(shù)K0，設(shè)定K0為最大篩選次數(shù)，重復(fù)步驟(1)—(4)得到最終分解結(jié)果。

由上述分解流程可以看出，步驟(2)涉及邊界處理和插值方式，對(duì)于最后的分解效果有很大影響。步驟(3)作為篩選終止條件由容許誤差ε和最大篩選次數(shù)K兩部分決定，避免單一判定出現(xiàn)的死循環(huán)，能夠很好地控制分解，這也是ESMD優(yōu)于其他分解方法的一個(gè)重要原因。

1.2 需求響應(yīng)模型

電力系統(tǒng)需求響應(yīng)是電力公司與用戶簽訂協(xié)議，通過調(diào)控電價(jià)引導(dǎo)用戶自主改變用電方式，或者直接通過削減、轉(zhuǎn)移負(fù)荷以達(dá)到滿足用戶用電的同時(shí)降低電力消耗、提高用電效率、消納可再生能源的目的。電力系統(tǒng)需求響應(yīng)主要分為電價(jià)型和激勵(lì)型兩種[13]，本文建立了激勵(lì)型需求響應(yīng)模型，其主要作用是改變可轉(zhuǎn)移負(fù)荷的用電時(shí)間，在不影響用戶電量需求的基礎(chǔ)上，使負(fù)荷與風(fēng)電出力在時(shí)序上更為貼近，電力公司支付給用戶一定的可轉(zhuǎn)移負(fù)荷的容量成本，當(dāng)轉(zhuǎn)移用戶負(fù)荷時(shí)，支付一定的用電補(bǔ)償。這樣既可以降低用戶的用電成本，又能在減少負(fù)荷“峰谷差”的同時(shí)消納多余的風(fēng)電出力?？赊D(zhuǎn)移負(fù)荷的調(diào)度成本CSL為

(1)

2 多目標(biāo)優(yōu)化配置模型

2.1 目標(biāo)函數(shù)

本文調(diào)度周期為1天，綜合考慮系統(tǒng)的運(yùn)行成本最低，風(fēng)電消納率最高為目標(biāo)函數(shù)。

(1)系統(tǒng)運(yùn)行成本。

系統(tǒng)運(yùn)行成本為1個(gè)完整調(diào)度周期的運(yùn)行成本。其計(jì)算式為

(2)

(2)風(fēng)電消納率。

(3)

(3)各目標(biāo)函數(shù)權(quán)重確定。

權(quán)重的確定是整個(gè)優(yōu)化計(jì)算的關(guān)鍵，是各目標(biāo)函數(shù)重要程度的直接體現(xiàn)。通常的權(quán)重確定方法分為單一賦權(quán)法和組合賦權(quán)法。單一賦權(quán)法由于權(quán)重確定過程中考慮因素較為單一，具有一定的片面性，組合賦權(quán)法可以綜合考慮多種因素，集合了多種單一賦權(quán)法的優(yōu)點(diǎn)。因此，本文采用組合賦權(quán)法，選擇具有代表性的層次分析法和熵權(quán)法作為賦權(quán)方法，通過對(duì)兩種方法得到的權(quán)重系數(shù)進(jìn)行分配，得到綜合后的權(quán)重系數(shù)：

(4)

通過上述權(quán)重確定方法可以得到目標(biāo)函數(shù)表達(dá)式為

(5)

2.2 約束條件

(1)系統(tǒng)運(yùn)行功率平衡約束：

(6)

(2)機(jī)組爬坡功率約束：

(7)

(3)可轉(zhuǎn)移負(fù)荷量約束：

(8)

(4)風(fēng)電出力約束條件：

(9)

(5)儲(chǔ)能系統(tǒng)荷電狀態(tài)(stateofcharge，SOC)St限制。

儲(chǔ)能系統(tǒng)的剩余電量必須滿足限制條件：

Smin≤St≤Smax

(10)

式中：St為儲(chǔ)能系統(tǒng)剩余容量值；Smin、Smax為儲(chǔ)能系統(tǒng)最小、最大允許剩余容量值。

3 基于萊維飛行判斷機(jī)制的粒子群優(yōu)化算法

3.1 標(biāo)準(zhǔn)粒子群算法

粒子群算法是模仿鳥類捕食而產(chǎn)生的一種進(jìn)化算法，其算法簡(jiǎn)單容易實(shí)現(xiàn)，收斂速度快，在函數(shù)優(yōu)化等領(lǐng)域應(yīng)用廣泛。算法的粒子速度和位置的更新公式為

(11)

3.2 萊維飛行與其使用判斷標(biāo)準(zhǔn)

3.2.1 萊維飛行介紹

萊維分布是法國(guó)數(shù)學(xué)家萊維提出的一種概率分布，萊維飛行是服從萊維分布的一種隨機(jī)行走路徑，其位置更新公式為[16]

(12)

Levy(λ)滿足：

Levy ～u=t-λ, 1<λ≤3

(13)

萊維飛行具有更為廣闊的搜索范圍，將其引入粒子群算法，可以在很大程度上改善粒子群算法易于陷入局部最優(yōu)的缺點(diǎn)，同時(shí)保留粒子群算法收斂速度快，局部搜索能力強(qiáng)的優(yōu)點(diǎn)。文獻(xiàn)[17]提出在粒子群算法迭代過程中引入萊維飛行，當(dāng)粒子最優(yōu)解未改變次數(shù)達(dá)到10次，則進(jìn)行1次萊維飛行。但是這種粒子是否進(jìn)行萊維飛行的判斷方法主觀性太強(qiáng)，而且不同的優(yōu)化模型對(duì)于迭代次數(shù)和迭代精度的要求不同，所以在實(shí)際應(yīng)用時(shí)的通用性有待改進(jìn)。因此本文提出一種新的粒子進(jìn)行萊維飛行的判斷機(jī)制。

3.2.2 粒子進(jìn)行萊維飛行判斷機(jī)制

首先定義粒子進(jìn)行萊維飛行的概率為P(0≤P≤1)，并產(chǎn)生一個(gè)隨機(jī)數(shù)r∈[0,1]，若r

P=γ·P1

(14)

式中：γ為概率系數(shù)；P1為粒子陷入早熟的概率。

(1)粒子早熟判斷。

當(dāng)粒子群算法在迭代過程中找到最優(yōu)解時(shí)，粒子呈現(xiàn)出“聚集”的狀態(tài)，若該最優(yōu)解為局部最優(yōu)解而非全局最優(yōu)解，此時(shí)算法陷入局部最優(yōu)，出現(xiàn)早熟現(xiàn)象。通常有2種方法判斷粒子是否早熟：一是以粒子種群平均粒距的大小作為衡量標(biāo)準(zhǔn)；二是以粒子的平均適應(yīng)度方差作為判斷依據(jù)。粒子的平均適應(yīng)度方差和種群平均粒距分別為[18]：

(15)

(16)

f=max(1，max|fi-fAvg|)

(17)

(18)

種群適應(yīng)度方差是反映所有粒子的適應(yīng)度的平均方差，平均粒距是反映粒子所在位置的平均距離，前者是函數(shù)值角度，后者是空間角度。在判斷早熟方面，如果粒子收斂于解空間的多個(gè)局部最優(yōu)解位置，此時(shí)平均粒距很大而平均適應(yīng)度方差很小，因此，平均粒距反映粒子的早熟情況是不完善的。同樣，平均適應(yīng)度方差也存在一些不足，對(duì)于特殊情況也會(huì)出現(xiàn)誤判。

原始的種群平均適應(yīng)度方差和平均粒距判斷早熟，都是給定一個(gè)固定的閾值，當(dāng)δ2或者D(t)小于該值時(shí)判定種群開始“聚集”。這種方法的適用性較差。本文綜合平均適應(yīng)度方差和平均粒距的優(yōu)缺點(diǎn)，引入一種定量的判斷指標(biāo)R=D(t)·δ2。根據(jù)上述分析可知，當(dāng)R減小時(shí)，粒子開始“聚集”，R越小說明粒子“聚集”的程度越明顯，此時(shí)P1的值越大。P1的計(jì)算式為

(19)

式中：R為判斷指標(biāo)；Rmax、Rmin分別為判斷指標(biāo)R的最大、最小值。

(2)概率系數(shù)γ。

在算法迭代前期，需要使算法保持較好的全局搜索能力，當(dāng)粒子陷入早熟時(shí)，需要盡快使其跳出局部最優(yōu)解，應(yīng)該增大粒子進(jìn)行萊維飛行的概率。在迭代后期，算法應(yīng)當(dāng)具有良好的局部搜索能力和計(jì)算精度，應(yīng)當(dāng)減小粒子進(jìn)行萊維飛行的概率。因此，設(shè)定概率系數(shù)γ隨著迭代次數(shù)的增加線性遞減,其計(jì)算式為

(20)

式中：k為當(dāng)前粒子迭代次數(shù)；N為算法設(shè)置的總迭代次數(shù)。

3.3 基于萊維飛行判斷機(jī)制的粒子群優(yōu)化算法

本文針對(duì)粒子群算法易于陷入局部最優(yōu)的缺點(diǎn)，將萊維飛行引入粒子群算法，同時(shí)提出一種粒子進(jìn)行萊維飛行的判斷標(biāo)準(zhǔn)，當(dāng)達(dá)到該判斷標(biāo)準(zhǔn)時(shí)，粒子進(jìn)行1次萊維飛行，這種改進(jìn)策略可以在保留粒子群算法良好的局部搜索能力的同時(shí)，又取得全局搜索能力。

改進(jìn)算法的流程圖如圖1所示。

圖1 粒子群優(yōu)化算法流程圖Fig.1 Flow chart of particle swarm optimization algorithm

4 算例分析

本文采用某地區(qū)配電網(wǎng)為算例進(jìn)行仿真。該配電網(wǎng)含有3臺(tái)火力發(fā)電機(jī)組，1個(gè)風(fēng)電場(chǎng)和1個(gè)混合儲(chǔ)能裝置?；痣姍C(jī)組數(shù)據(jù)見表1。

表1 火力發(fā)電機(jī)組參數(shù)
Table 1 Parameters of thermal power unit

系統(tǒng)各時(shí)段的可轉(zhuǎn)移負(fù)荷總量為20 MW，容量成本為10$/MW，轉(zhuǎn)移負(fù)荷的響應(yīng)成本見表2。

表2 轉(zhuǎn)移負(fù)荷響應(yīng)成本
Table 2 Transfer load response cost

配電網(wǎng)的風(fēng)電出力、負(fù)荷預(yù)測(cè)曲線如圖2所示。

圖2 風(fēng)電出力、負(fù)荷預(yù)測(cè)曲線Fig.2 Wind power and load forecasting curve

4.1 風(fēng)電出力分解

采用ESMD對(duì)風(fēng)電預(yù)測(cè)出力進(jìn)行分解可以得到風(fēng)電波動(dòng)分量，如圖3所示，分解前、后風(fēng)電出力曲線對(duì)比如圖4所示。

由圖4可以看出，經(jīng)過ESMD分解后，風(fēng)電出力由原始波動(dòng)性很強(qiáng)的出力曲線變?yōu)槠交某隽η€，說明ESMD分解的有效性，平滑的風(fēng)電出力也更容易被電網(wǎng)所消納。

圖3 風(fēng)電波動(dòng)分量Fig.3 Fluctuating component of wind power

圖4 風(fēng)電出力曲線對(duì)比Fig.4 Comparison of wind power output curve

采用混合儲(chǔ)能裝置吸收風(fēng)電波動(dòng)分量，儲(chǔ)能裝置采用20 MW·h的儲(chǔ)能容量，其最大、最小允許剩余電量分別為18 MW·h、2 MW·h，初始電量為總?cè)萘康?0%。根據(jù)風(fēng)電波動(dòng)分量可以得到儲(chǔ)能裝置的電量狀態(tài)如圖5所示。

圖5 儲(chǔ)能裝置電量狀態(tài)Fig.5 Charged state of energy storage device

4.2 需求響應(yīng)不參與系統(tǒng)優(yōu)化調(diào)度

根據(jù)本文所提的優(yōu)化模型，設(shè)定需求響應(yīng)不參與系統(tǒng)優(yōu)化調(diào)度時(shí)，即優(yōu)化前系統(tǒng)各項(xiàng)運(yùn)行指標(biāo)見表3。

表3 優(yōu)化前系統(tǒng)運(yùn)行指標(biāo)
Table 3 System operation index before optimization

由表3可以看出，在不考慮需求響應(yīng)時(shí)，為了保證電網(wǎng)的正常運(yùn)行，系統(tǒng)具有很高的棄風(fēng)率，棄風(fēng)量達(dá)到135.51 MW·h。

4.3 需求響應(yīng)參與系統(tǒng)優(yōu)化調(diào)度

為了充分體現(xiàn)需求響應(yīng)和風(fēng)電消納及運(yùn)行成本的關(guān)系，本文通過對(duì)各目標(biāo)函數(shù)權(quán)重計(jì)算選取3種典型慣性權(quán)重組合，即：優(yōu)化1(ω1=0.4，ω2=0.6)、優(yōu)化2(ω1=0.35，ω2=0.65)、優(yōu)化3(ω1=0.3，ω2=0.7)。根據(jù)本文提出的優(yōu)化模型，采用改進(jìn)后的粒子群算法進(jìn)行求解，得到需求響應(yīng)參與下系統(tǒng)各項(xiàng)運(yùn)行指標(biāo)見表4。

表4 各優(yōu)化條件下系統(tǒng)運(yùn)行指標(biāo)
Table 4 System operating indicators under each optimal condition

根據(jù)表3、表4的運(yùn)行指標(biāo)可以看出，在需求響應(yīng)參與系統(tǒng)優(yōu)化調(diào)度時(shí)，系統(tǒng)的棄風(fēng)量有著明顯的下降，風(fēng)電的消納能力得到改善，同時(shí)系統(tǒng)運(yùn)行的總成本也在提高，這是因?yàn)楫?dāng)前風(fēng)電的發(fā)電成本相比傳統(tǒng)火電機(jī)組仍然偏高，而且需求響應(yīng)成本也在提高，但是總成本的提高比例很小，并不會(huì)影響正常的系統(tǒng)運(yùn)行。

4.4 結(jié)果分析

為進(jìn)一步說明需求響應(yīng)對(duì)于風(fēng)電消納能力的影響，由4.2、4.3節(jié)可以得到優(yōu)化前、后不同情況下系統(tǒng)的棄風(fēng)率與風(fēng)電滲透率如圖6所示。

由圖6可以看出，在考慮需求側(cè)響應(yīng)進(jìn)行優(yōu)化后，系統(tǒng)的棄風(fēng)率有明顯的下降，系統(tǒng)的風(fēng)電消納能力得到明顯提升。隨著權(quán)重ω2的增加，系統(tǒng)的風(fēng)電滲透率提高，棄風(fēng)率迅速下降。

圖6 棄風(fēng)率與風(fēng)電滲透率Fig.6 Wind abandoned rate and wind power penetration

綜上，可以得到優(yōu)化前、后的系統(tǒng)的日負(fù)荷曲線如圖7所示。對(duì)比優(yōu)化前后的負(fù)荷曲線，根據(jù)優(yōu)化程度的不同，需求響應(yīng)的轉(zhuǎn)移負(fù)荷量逐步增加，日負(fù)荷曲線趨于平穩(wěn)，“峰谷差”逐步縮小。

圖7 優(yōu)化前后負(fù)荷曲線Fig.7 Load curve before and after optimization

5 結(jié) 論

隨著可再生能源并網(wǎng)容量日益增長(zhǎng)，棄風(fēng)、棄光現(xiàn)象日益嚴(yán)峻，本文為解決電網(wǎng)的棄風(fēng)問題，在已有研究的基礎(chǔ)上，提出一種新的風(fēng)電消納策略。

首先，通過隨機(jī)信號(hào)分析理論中的ESMD將原始風(fēng)電曲線進(jìn)行分解為風(fēng)電波動(dòng)分量和光滑的風(fēng)電出力曲線，利用具有較高充放電功率的混合儲(chǔ)能裝置吸收其風(fēng)電波動(dòng)分量，既減小了對(duì)于儲(chǔ)能裝置容量的要求，又能夠更為簡(jiǎn)便地消納風(fēng)電。其次，需求響應(yīng)作為一種更為智能的用電負(fù)荷響應(yīng)方式，本文選擇使用需求響應(yīng)消納分解后較為光滑的風(fēng)電出力，建立了以系統(tǒng)運(yùn)行成本最低和風(fēng)電消納率最高為目標(biāo)的多目標(biāo)優(yōu)化調(diào)度模型，并使用改進(jìn)后的粒子群算法對(duì)模型進(jìn)行求解。

算例結(jié)果證明了這種風(fēng)電消納策略的有效性。需求響應(yīng)和ESMD簡(jiǎn)單易行，兩者結(jié)合可以有效地提高系統(tǒng)的風(fēng)電消納能力。

[1]REN Y, SUGANTHAN P, SRIKANTH N. A comparative study of empirical modedecomposition-based short-term wind speed forecasting methods[J]. IEEE Transactions on Sustainable Energy, 2015, 6 (1): 236-244.

[2]張文韜, 王秀麗, 吳雄, 等. 大規(guī)模風(fēng)電接入下含大用戶直購(gòu)電的電力系統(tǒng)調(diào)度模型研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(12): 2927-2935. ZHANG Wentao，WANG Xiuli，WU Xiong，et al．An analysis model of power system with large-scale wind power and transaction mode of direct power purchase by large consumers involved in system scheduling[J]．Proceedings of the CSEE，2015，35(12)：2927-2935．

[3]張伯明, 吳文傳, 鄭太一, 等. 消納大規(guī)模風(fēng)電的多時(shí)間尺度協(xié)調(diào)的有功調(diào)度系統(tǒng)設(shè)計(jì)[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(1): 1-6. ZHANG Boming，WU Wenchuan，ZHENG Taiyi，et al．Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]．Automation of Electric Power Systems，2011，35(1)：1-6．

[4]王穎, 張凱鋒, 付嘉渝,等. 抑制風(fēng)電爬坡率的風(fēng)儲(chǔ)聯(lián)合優(yōu)化控制方法[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(13): 17-23. WANG Ying, ZHANG Kaifeng,FU Jiayu, et al. Optimization control method of wind/storage system for suppressing wind power ramp rate[J]. Automation of Electric Power Systems，2013，37(13)：17-23．

[5]杜彬, 王致杰, 劉三明, 等. 基于分段優(yōu)化的風(fēng)電功率爬坡有限度控制策略[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(5): 78-82. DU Bin, WANG Zhijie, LIU Sanming, et al.Finite control strategy for wind power ramping based on segmentation optimization[J] Automation of Electric Power Systems，2016，40(5)：78-82．

[6]CUI M J, SUN Y Z, ZHANG J, et al.Wind power ramp event forecasting using a stochastic scenario generation method[J]. IEEE Transactionons on Sustainable Energy, 2015, 6(2): 422-433.

[7]沙熠, 邱曉燕, 寧雪姣, 等. 協(xié)調(diào)儲(chǔ)能與柔性負(fù)荷的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2016, 40(5):1394-1399. SHA Yi, QIU Xiaoyan, NING Xuejiao, et al. Multi-objective optimization of active distribution network by coordinating energy storage system and flexible load[J]. Power System Technology, 2016,40(5): 1394-1399.

[8]ZHANG D, LI S H, SUN M, et al. An optimal and learning-based demand response and home energy management system[J]. IEEE Transactions on Smart Grid, 2016, 7(4): 1790-1801.

[9]李秀磊, 耿光飛, 季玉琦, 等. 主動(dòng)配電網(wǎng)中儲(chǔ)能和需求側(cè)響應(yīng)的聯(lián)合優(yōu)化規(guī)劃[J]. 電網(wǎng)技術(shù), 2016, 40(12): 3803-3810. LI Xiulei, GENG Guangfei, JI Yuqi,et al. Integrated optimal planning of energy storage and demand side response inactive power distribution network[J]. Power System Technology, 2016, 40(12): 3803-3810.

[10]顧澤鵬, 康重慶, 陳新宇, 等. 考慮熱網(wǎng)約束的電熱能源集成系統(tǒng)運(yùn)行優(yōu)化及其風(fēng)電消納效益分析[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(14): 3596-3604. GU Zepeng, KANG Chongqing, CHEN Xinyu,et al．Operation optimization of integrated power and heat energy systems and the benefit on wind power accommodation considering heating network constraints[J]．Proceedings of the CSEE，2015，35(14)：3596-3604．

[11]劉文穎, 文晶, 謝昶, 等. 考慮風(fēng)電消納的電力系統(tǒng)源荷協(xié)調(diào)多目標(biāo)優(yōu)化方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(5): 1079-1088. LIU Wenying, WEN Jing, XIE Chang, et al. Multi-objective optimal method considering wind power accommodation based on source-load coordination[J]. Proceedings of the CSEE, 2015, 35(5): 1079-1088.

[12]宋藝航, 譚忠富, 李歡歡, 等. 促進(jìn)風(fēng)電消納的發(fā)電側(cè)、儲(chǔ)能及需求側(cè)聯(lián)合優(yōu)化模型[J]. 電網(wǎng)技術(shù), 2014, 38(3): 610-615. SONG Yihang, TAN Zhongfu, LI Huanhuan, et al. An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power[J].Power System Technology, 2014, 38(3): 610-615.

[13]劉小聰, 王蓓蓓, 李揚(yáng), 等. 計(jì)及需求側(cè)資源的大規(guī)模風(fēng)電消納隨機(jī)機(jī)組組合模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015,35(14): 3714-3723. LIU Xiaocong, WANG Beibei，LI Yang，et al．Stochastic unit commitment model for high wind power integration considering demand side resources[J]．Proceedings of the CSEE, 2015, 35(14)：3714-3723．

[14]王再闖, 袁鐵江, 李永東, 等. 基于儲(chǔ)能電站提高風(fēng)電消納能力的電源規(guī)劃研究[J]. 可再生能源, 2014,32(7): 954-960. WANG Zaichuang, YUAN Tiejiang, LI Yongdong, et al. Power planning based on energy storage station to improve accommodation of wind power[J]. Renewable Energy Resources, 2014, 32(7): 954-960.

[15]葉衛(wèi)東, 楊濤.融合極點(diǎn)對(duì)稱模態(tài)分解與時(shí)頻分析的單通道振動(dòng)信號(hào)盲分離方法[J]. 計(jì)算機(jī)應(yīng)用, 2016,36(10): 2933-2939. YE Weidong, YANG Tao. Single-channel vibration signal blind source separation by combining extreme-point symmetric mode decomposition with time-frequency analysis[J]. Journal of Computer Applications, 2016, 36(10): 2933-2939.

[16]COELHO LS,GUERRA F, BATISTELA N J, et al. Multi-objective cuckoo search algorithm based on duffing’s oscillator applied to Jiles-Atherton vector hysteresis parameters estimation[J]. IEEE Transactions on Magnetics, 2013, 49(5): 1745-1748.

[17]王慶喜, 郭曉波. 基于萊維飛行的粒子群優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2016, 33(9): 2588-2591. WANG Qingxi, GUO Xiaobo. Particle swarm optimization algorithm based on Levy flight [J]. Application Research of Computers, 2016, 33(9): 2588-2591.

[18]章國(guó)勇, 伍永剛, 顧巍. 基于精英學(xué)習(xí)的量子行為粒子群算法[J]. 控制與決策, 2013, 28(9): 1341-1347. ZHANG Guoyong, WU Yonggang, GU Wei. Quantum-behaved particle swarm optimization algorithm based on elitist learning[J]. Control and Decision, 2013, 28(9): 1341-1347.

(編輯 郭文瑞)

Wind Power Accommodation Strategy Based on Extreme-Point Symmetric Mode Decomposition and Demand Response

LI Xingyu, QIU Xiaoyan, ZHAO Jinshuai, WANG Yue, CHEN Kebin

(School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China)

In the background of global Energy Internet, wind power as a clean energy has attracted much attention. But the volatility of wind power causes a strong impact on the security and stable operation of the power system, abandoned wind becomes more and more serious. Therefore, this paper proposes a new wind power consumptive strategy, which adopts the extreme-point symmetric mode decomposition (ESMD) to decompose the original wind power output into the smooth output curve and the fluctuating component, uses hybrid energy storage to absorb its fluctuating component, at the same time in the operation of the system accommodates more wind power through demand response. According to the shortcoming that the particle swarm optimization (PSO) algorithm is easy to fall into local optimum, we introduce the Levy flight PSO algorithm to enhance the ability of the particles to jump out of the “premature”. The numerical example proves the effectiveness of this wind power consumptive strategy, that the use of hybrid energy storage and demand response can improve the ability of accommodating wind power system, while maintaining a certain running cost.

Energy Internet; wind power consumption; demand response; extreme-point symmetric mode decomposition(ESMD); hybrid energy storage

成都市科技項(xiàng)目(2015-HM01-00132-SF)

TM 732

A

1000-7229(2017)07-0051-08

10.3969/j.issn.1000-7229.2017.07.007

2017-02-10

李星雨(1991)，男，碩士研究生，主要從事需求側(cè)響應(yīng)與可再生能源消納方面的研究工作；

邱曉燕(1964)，女，博士，教授，本文通信作者，主要從事電力系統(tǒng)分析與控制、智能電網(wǎng)、分布式電源及微網(wǎng)技術(shù)等方面的研究工作；

趙勁帥(1992)，男，碩士研究生，主要從事微電網(wǎng)經(jīng)濟(jì)運(yùn)行與控制方面的研究工作；

王躍(1989)，男，碩士研究生，主要從事混合儲(chǔ)能與可再生能源消納方面的研究工作；

陳科彬(1990)，男，碩士研究生，主要從事儲(chǔ)能技術(shù)及其在電力系統(tǒng)中的應(yīng)用方面的研究工作。