收稿日期：2022-03-06

基金項目：國家自然科學基金（51777176）

通信作者：王德林（1970—），男，博士、教授，主要從事電力系統(tǒng)機電動態(tài)、擾動傳播、頻率穩(wěn)定與控制、連續(xù)體建模等方面的研究。

dlwang@swjtu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-0258 文章編號：0254-0096（2023）06-0152-09

摘 要：在雙碳目標背景下，為實現(xiàn)電網(wǎng)調(diào)峰以消納更多新能源以及傳統(tǒng)火電的節(jié)能減排需求，該文建立配合儲能系統(tǒng)及大規(guī)模風電并網(wǎng)的不同調(diào)峰深度下火電機組環(huán)境經(jīng)濟調(diào)度模型，分析火電機組的調(diào)峰能力以及不同調(diào)峰深度下機組的煤耗特性和CO2排污特性的變化；提出一種不同調(diào)峰深度下的懲罰因子，將多目標環(huán)境經(jīng)濟調(diào)度轉(zhuǎn)化為單目標優(yōu)化，并給出一種改進的灰狼算法以求解模型。與原始灰狼算法和粒子群算法相比，該文提出的算法具有更好的優(yōu)化性能。算例結(jié)果表明：在RPR和DPR調(diào)峰階段，系統(tǒng)煤耗成本和CO2排放量隨調(diào)峰深度增加而減??；在DPRO調(diào)峰階段，CO2排放量隨調(diào)峰深度增加而增加。儲能系統(tǒng)發(fā)揮了削峰填谷的作用，大幅減小棄風，降低了系統(tǒng)運行的總成本。

關(guān)鍵詞：環(huán)境經(jīng)濟調(diào)度；二氧化碳；燃煤；調(diào)峰；負荷分配；改進灰狼算法

中圖分類號：TM712""""""""" """" """文獻標志碼：A

0 引 言

近年，促進綠色低碳能源轉(zhuǎn)型已成為中國社會經(jīng)濟發(fā)展的重要戰(zhàn)略目標，在碳達峰、碳中和目標背景下，建設以新能源為主體的新型電力系統(tǒng)是中國電網(wǎng)發(fā)展的必然趨勢［1］。大規(guī)模新能源并網(wǎng)會導致電網(wǎng)的調(diào)峰壓力越來越嚴重，目前中國大多數(shù)地區(qū)電網(wǎng)的電源結(jié)構(gòu)主要為火電，隨著新能源滲透率的不斷提高，傳統(tǒng)火電的角色逐漸由電量型轉(zhuǎn)變?yōu)殡娏侩娏π?，在現(xiàn)階段承擔大部分發(fā)電量的同時兼顧電網(wǎng)的調(diào)峰，不僅可提高電網(wǎng)對新能源的消納能力，還可加速新型電力系統(tǒng)的形成。因此，有必要開展火電機組在深度調(diào)峰階段的環(huán)境經(jīng)濟負荷分配方法研究。

節(jié)能減排是火電廠的一個重要調(diào)度目標，且每臺火電機組的煤耗特性和排污特性不同，因此近年來對火電機組的煤耗成本及污染物排放量最小為優(yōu)化目標的負荷優(yōu)化分配問題進行了大量研究［2-5］，以實現(xiàn)電力系統(tǒng)的多目標環(huán)境經(jīng)濟調(diào)度（environmental economic dispatch，EED）。文獻［6］綜述了不同優(yōu)化方法在解決電力系統(tǒng)的多目標環(huán)境經(jīng)濟調(diào)度中的應用，發(fā)現(xiàn)啟發(fā)式算法更具優(yōu)勢。文獻［7］研究了火電環(huán)境經(jīng)濟調(diào)度的負荷優(yōu)化分配問題，提出一種基于遺傳算法和粒子群算法的混合算法，可在不犧牲火電機組發(fā)電量的情況下減少污染物的排放。文獻［8］以火電機組的運行成本最小為目標函數(shù)，并引用正余弦算法求解模型，但未考慮機組啟停約束。文獻［9］將微分算法與粒子群算法相結(jié)合來求解火電機組的環(huán)境經(jīng)濟調(diào)度。文獻［10］將深度調(diào)峰技術(shù)引入到實時發(fā)電優(yōu)化模型，建立火電機組深度調(diào)峰的實時發(fā)電計劃優(yōu)化模型，但未考慮新能源并網(wǎng)情況。文獻［11］提出一種新的多目標粒子群優(yōu)化算法來求解電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度問題，但只進行了單時段的靜態(tài)調(diào)度優(yōu)化。目前國內(nèi)對于調(diào)峰運行下火電機組負荷分配問題的研究主要在于常規(guī)調(diào)峰階段。文獻［12］在大量風電并網(wǎng)情況下建立火電機組全過程調(diào)峰成本的分段函數(shù)，建立了基于分級深度調(diào)峰的電力系統(tǒng)經(jīng)濟調(diào)度模型。文獻［13］研究了在火電機組處于不同調(diào)峰時風電滲透率的變化以及不同調(diào)峰方式的經(jīng)濟性。

本文分析火電機組的調(diào)峰特性，根據(jù)機組在不同時段的出力情況來劃分不同調(diào)峰狀態(tài)，對不同調(diào)峰狀態(tài)的火電機組出力對應的煤耗率以及產(chǎn)生的CO2排放量進行分析；提出在不同調(diào)峰深度下火電機組環(huán)境經(jīng)濟調(diào)度模型；針對原始灰狼算法存在種群多樣性差、搜索速度較慢、易陷入局部最優(yōu)等缺陷，運用佳點集法初始種群，采取合作競爭的狩獵搜索策略來提高算法的搜索速度和精度，并使用改進后的灰狼算法求解模型。最后通過兩個不同場景案例研究不同調(diào)峰深度對火電機組環(huán)境經(jīng)濟調(diào)度的影響及儲能系統(tǒng)在不同調(diào)峰深度下的作用。

1 火電機組調(diào)峰特性

火電機組的調(diào)峰能力是指發(fā)電機組對其所承擔負荷變化的跟蹤能力［14］。大規(guī)模新能源并網(wǎng)會在用電高峰時段縮小火電機組出力?？捎媚硶r刻火電機組的負荷率[ηi]來表示火電機i組在該時刻的調(diào)峰深度，記作[1-ηi]。

[1-ηi=1-PPN]"" （1）

式中：[P]、[PN]——火電機組實際功率和額定功率，MW。

1.1 火電機組調(diào)峰過程

由火電機組穩(wěn)燃狀態(tài)、能耗特性和啟停狀態(tài)可將調(diào)峰階段大致分為常規(guī)調(diào)峰（regular peak-load regulation， RPR） 、深度調(diào)峰、啟停調(diào)峰，如圖1所示。圖1中，[Pmax]為機組最大輸出功率，[Pmin1、Pmin2]和[Pmin3]分別為火電機組處于常規(guī)調(diào)峰深度、不投油深度調(diào)峰（deep peak-load regulation without oil， DPR）和投油深度調(diào)峰（deep peak-load regulation with oil， DPRO）下的最小出力；當機組出力[P]從某時刻為零增至下一時刻[P?[Pmin，Pmax]]或從[P]減至零均為啟停調(diào)峰。

thermal power unit

1.2 不同調(diào)峰階段機組的煤耗及排污特性分析

在國家“雙碳”目標下，火電負荷分配不僅要考慮煤耗成本，還要限制其污染物的排放量?；痣姍C組的深度調(diào)峰是指在常規(guī)調(diào)峰最小技術(shù)出力進一步下調(diào)機組出力，如圖2所示，當機組處于深度調(diào)峰狀態(tài)，火電機組的常規(guī)發(fā)電煤耗成本會隨著機組調(diào)峰深度增加而減小，機組處于深度調(diào)峰會產(chǎn)生額外調(diào)峰煤耗成本。

如表1所示，當火電機組處于不同調(diào)峰深度運行時，隨著火電機組的調(diào)峰深度增加，其CO2排放量先隨之減小然后增大。當火電機組參與調(diào)峰時應綜合不同機組在不同調(diào)峰階段下的煤耗以及CO2排放情況，制定機組參與環(huán)境經(jīng)濟調(diào)度的負荷優(yōu)化分配方案。

2 環(huán)境經(jīng)濟調(diào)度數(shù)學模型

2.1 目標函數(shù)

1）機組供電煤耗量

火電機組的常規(guī)運行煤耗特性方程［15］為：

[Ci，t=aiP2i，t+biPi，t+ci]""" （2）

式中：[ai]、[bi]、[ci]——機組[i]的煤耗量特性系數(shù)；[Pi，t]——機組[i]在[t]時刻的輸出功率，MW。

火電機組存在的閥點效應使機組的煤耗特性曲線有脈動現(xiàn)象［16］，額外運行煤耗可近似表示為：

[Ei，t=ei?sin[fi?（Pi，min-Pi，t）]]" （3）

式中：[ei]、[fi]——機組[i]閥點效應的煤耗特性系數(shù)；[Pi，min]——機組[i]的出力下限，MW。

火電機組處于深度調(diào)峰產(chǎn)生的調(diào)峰煤耗［17］為：

[Di，t=uiδiPi，tτ]" （4）

式中：[ui]——0-1變量，[ui=0]表示機組處于常規(guī)調(diào)峰階段，[ui=1]表示機組處于深度調(diào)峰階段；[δi]——機組[i]在深度調(diào)峰和常規(guī)調(diào)峰運行下的煤耗率差；[τ]——時間區(qū)間，本文取1 h。

2）系統(tǒng)排污總量

為實現(xiàn)“雙碳”目標，重點考慮火電廠CO2的排放，其排放量［9］為：

[Gi，t=10-2?（αiP2i，t+βiPi，t+γi）+ξi?exp（λiPi，t）]" （5）

式中：[Gi，t]——機組[i]在時刻[t]的CO2排放量，t；[αi]、[βi]、[γi]、[ξi]、[λi]——CO2的排放特性系數(shù)。

3）投油深度調(diào)峰下火電機組的油耗成本

[Oi，t=qi，tQiτ] （6）

式中：[qi，t]——0-1變量，[qi，t=1]時機組處于DPRO運行狀態(tài)，[qi，t=0]時處于其他運行狀態(tài)；[Qi]——機組[i]維持鍋爐穩(wěn)燃的投油量，t。

4）儲能系統(tǒng)的運行維護成本

[Fess，t=λcPc，t+λdPd，t]""" （7）

式中：[λc]、[λd]——儲能系統(tǒng)的充電和放電成本系數(shù)；[Pc，t]和[Pd，t]——儲能裝置在[t]時刻的充放電功率，MW。

5）啟停調(diào)峰成本

[ui，t=hi，t-1（1-hi，t）Si，udi，t=hi，t-1（1-hi，t）Si，d]""" （8）

式中：[ui，t、][di，t]——機組i在t時刻的啟停調(diào)峰成本，美元；[hi，t]——0-1變量，[hi，t=0]表示機組[i]在[t]時刻處于停機狀態(tài)，[hi，t=1]表示機組[i]在[t]時刻處于開機狀態(tài)；[Si，u、][Si，d]——機組[i]的啟停機成本，美元。

2.2 運行約束條件

1）功率平衡約束

[i=1NPi，t+Pw，t+Pd，t-Pc，t=Pl，t]" （9）

2）不同調(diào)峰運行下機組出力上下限約束

[ηiPN≤Pi，t≤Pi，max]"" （10）

3）風電上網(wǎng)約束

[0≤Pw，t≤Pprew，t]" （11）

4）火電出力與負荷變化趨勢約束

[（Pi，t-Pi，t-1）（Pl，t-Pl，t-1）≥0] （12）

5）機組爬坡和滑坡約束

[Pi，t-Pi，t-1≤Riuhi，t+Pimax（1-hi，t）Pi，t-1-Pi，t≤Ridhi，t+Pimax（1-hi，t）]" （13）

6）最小啟停時間約束

[（hi，t-1-hi，t）（Tion，t-1-TiON）≥0 （hi，t-1-hi，t）（TiOF-Tiof，t-1）≥0 ]" （14）

7）儲能系統(tǒng)運行約束

[0≤Pc，t≤（1-Bess）Pc，max0≤Pd，t≤BessPd，max]""" （15）

8）儲能系統(tǒng)荷電狀態(tài)約束

[Cmin≤Ct≤Cmax]""" （16）

[Ct=Ct-1?（1-ρ）+ηcPc，t-Pd，tηd?τ/Sess] （17）

式中：[Pl]——系統(tǒng)總負荷，MW，本文不計系統(tǒng)網(wǎng)損；[Pi，max]——機組出力上限，MW；[Pw，t]——風力機在[t]時刻的輸出功率，MW；[Pprew，t]——風力機在[t]時刻的預測輸出功率，MW；[Riu、Rid]——火電機組[i]的爬坡率、滑坡率，MW/h；[Tion，t-1、][Tiof，t-1]——t-1時刻火電機組[i]的持續(xù)運行、停機時間，h；[TiON、TiOF]——火電機組[i]的最小持續(xù)運行時間、最小持續(xù)停機時間，h；[Bess]——0-1變量，[Bess=0]表示儲能系統(tǒng)為充電狀態(tài)，[Bess=1]表示儲能系統(tǒng)為放電狀態(tài)；[Cmax、][Cmin]——儲能系統(tǒng)荷電的上下限；[ρ]——儲能自放電率；[ηc、ηd]——儲能系統(tǒng)充放電效率；[Sess]——儲能系統(tǒng)容量，MWh；[Pc，max]和[Pd，max]——儲能系統(tǒng)充電和放電的功率上限，MW。

2.3 聯(lián)合環(huán)境經(jīng)濟調(diào)度模型

結(jié)合文獻［18］中的懲罰因子，本文提出一種不同調(diào)峰深度下機組i的懲罰因子[Hi]為：

[Hi=Ci（Pi，min）+Ei（Pi，min）+Di（Pi，min）Gi（Pi，max）] （18）

將求得的Hi值進行升序排列，將其對應的[Pi，max]依次相加直至滿足負荷需求，如式（19）所示。

[i=1NPi，max+Pprew，t-Pc，max≥Pl，t]"" （19）

在滿足式（19）時，最后一臺機組所對應的[Hi]即為[t]時刻負荷對應的懲罰因子，將多目標環(huán)境經(jīng)濟調(diào)度問題轉(zhuǎn)化為單目標優(yōu)化為：

[mint=1Ti=1NCi，t+Ei，t+Di，t+HPl，tGi，t+Oi，tSoil+Fess，t+ui，t+di，t+ε（Pprew，t-Pw，t）]""" （20）

式中：[Soil]——油價，美元/t；[ε]——單位棄風懲罰費用，美元。

3 改進灰狼優(yōu)化算法

3.1 原始灰狼優(yōu)化算法

灰狼優(yōu)化算法（gray wolf optimization， GWO）是對狼群領(lǐng)導等級和群體捕獵設計的一種群體智能優(yōu)化算法［19］。GWO按狼群等級由高至低的排序分為[α、][β、][δ]和[ω]，其中[α]狼適應度最高，代表最優(yōu)解；[β]狼協(xié)助[α]狼對狼群進行管理，代表次優(yōu)解；[δ]狼聽命于[α、][β]狼；[ω]狼無自主決策能力，其適應度最低。

狼群確定捕獵方向后，包圍獵物，如式（21）所示。

[D=C?Xp（ν）-X（ν） X（ν+1）=Xp（ν）-A?D ]"" （21）

式中：[ν]——當前迭代次數(shù)；[Xp]——獵物當前位置向量；[X]——灰狼位置向量；[A]和[C]——系數(shù)向量；[D]——狼與獵物的距離。

其中系數(shù)向量[A]和[C]的計算公式為：

[A=2e?r1-e C=2?r2]"" （22）

式中：[e]——在迭代過程中從2線性減少到0；[r1]和[r2]——模為［0，1］中的隨機向量。

灰狼的狩獵行為可表示為：

[Dα=C1?Xα-X Dβ=C2?Xβ-X Dδ=C3?Xδ-X ] （23）

式中：[Dz]——候選解[X]與最優(yōu)解[Xz]的距離，[z=α、β、δ]。

[X1=Xα-A1?DαX2=Xβ-A2?DβX3=Xδ-A3?DδX（ν+1）=X1+X2+X33]""" （24）

式中：[Xj]——本次解的位置向量，[j=1、2、3]；狼群最終位置[X（ν+1）]由[α、][β]和[δ]的位置向量確定。

3.2 基于佳點集法的灰狼算法改進

GWO初始化種群是隨機產(chǎn)生的，如圖3a所示，其個體在搜索空間中的分布不夠分散、均勻，影響算法的搜索能力，導致全局收斂速度慢，影響解的質(zhì)量。本文采用佳點集方法來產(chǎn)生初始種群如圖3b所示，在取點數(shù)量相同時佳點集法產(chǎn)生的點序列更加均勻，保證初始種群個體多樣性［20］。針對原始灰狼算法的前期搜索能力較差問題，將式（22）中原本線性減小的控制參數(shù)[e]改為［21］：

[e=2-2?（ν/νmax）k]" （25）

式中：[νmax]——最大迭代次數(shù)；k——指數(shù)參數(shù)。

式（25）可增強算法前期搜索能力，采用佳點集法改進后的算法多次求解本文所建模型所得結(jié)果發(fā)現(xiàn)：當式（25）中指數(shù)[k]為3.3時求解本文模型所得優(yōu)化結(jié)果最好。

GWO收斂速度較快，但易受其種群多樣性不足、搜索速度較慢、容易陷入局部最優(yōu)等缺陷的影響。對此文獻［22-23］提出合作競爭策略來改進算法，在每次迭代中采用改進灰狼算法（improved gray wolf optimization， IGWO）既有基于合作競爭策略生成的候選狼，也有GWO選出的優(yōu)選狼。IGWO增強了種群的多樣性，解決了原始灰狼算法過早收斂的問題。GWO在每次迭代結(jié)束后由式（24）產(chǎn)生的某一維度下最優(yōu)狼的位置向量命名為[Xi-GWO（ν+1）]，根據(jù)目前最優(yōu)狼的位置，通過式（28）計算出該維度下狼群的新位置，并將其作為候選狼的位置，命名為[Xi-IGWO（ν+1）]。當前個體狼位置[Xi（ν）]與候選狼[Xi-GWO（ν）]之間的距離為：

[R（ν）=Xi-GWO（ν+1）-Xi（ν）] （26）

式中：[R（ν）]——[Xi-GWO（ν）]和[Xi（ν）]之間的距離。

在范圍[R（ν）]內(nèi)隨機找尋維度[d]的狼群位置，表示為：

[Xn，d（ν）R[Xi-GWO，d（ν），Xn，d（ν）]≤Ri（ν）]" （27）

式中：[R]——[Xi-GWO（ν）]和[Xn，d（ν）]之間的距離。

當[Xn，d（ν）]被找出，狼群合作競爭策略可表示為：

[Xi-IGWO，d（ν+1）=Xi-GWO，d（ν）+rand?[Xn，d（ν）-r?（ud-ld）]] （28）

式中：[r]——［[-0.5]，0.5］之間任一隨機數(shù)；[ud]和[ld]——維度[d]下種群上下限。

最后，通過比較某維度下兩個優(yōu)選狼的適應度函數(shù)值來選擇更加優(yōu)越者，進而更新位置：

[Xi=Xi-GWO|f（Xi-GWO）lt;f（Xi-IGWO）Xi-IGWO|f（Xi-GWO）≥f（Xi-IGWO） ]" （29）

式中：[f]——適應度函數(shù)，用來求取目標函數(shù)。

IGWO算法的具體步驟如圖4所示，虛線部分是對GWO的改進之處。

4 算 例

本文選用IEEE 6機30節(jié)點標準系統(tǒng)以及1座風電場和1個儲能單元進行算例分析，選取調(diào)峰深度分別為45%（RPR）、55%（DPR）、65%（DPRO）的3種典型調(diào)峰情景進行火電機組的環(huán)境經(jīng)濟負荷優(yōu)化分配，分析調(diào)峰深度對火電機組環(huán)境經(jīng)濟負荷分配的影響以及儲能系統(tǒng)在不同調(diào)峰階段的作用。

以IGWO算法求解模型?；痣姍C組參數(shù)如表2所示，煤耗特性參數(shù)及CO2排放特性參數(shù)詳見文獻［11］。

火電機組投油深度調(diào)峰時投油量為1.25 t/h，油價[Soil]為1225.56美元/t。棄風懲罰費用[ε]為0.1美元/kWh。儲能系統(tǒng)的充放電成本系數(shù)[λc、λd]為0.0159美元/kWh，初始荷電狀態(tài)設置為0.4，其具體參數(shù)如表3所示。設定[Pmin1]為50%[PN，Pmin2]為[40%PN，Pmin3]為[30%PN]。某地某天的用電負荷曲線及風電出力預測曲線如圖5所示。

4.1 3種算法性能對比

選取原始灰狼算法和粒子群算法（particle swarm optimization， PSO）與改進灰狼算法作對比，求解本文所建模型。設置火電機組的調(diào)峰深度為65%（DPRO）時，種群個體數(shù)量為400，迭代次數(shù)為1000，3種優(yōu)化算法的尋優(yōu)過程如圖6所示。由圖6可看出，求解本文多維非線性化模型時，IGWO避免了GWO搜索速度慢且易陷入局部最優(yōu)的缺點，較于GWO和PSO，其搜索速度和精度均更優(yōu)，優(yōu)化效果更好。

4.2 不同調(diào)峰深度下機組環(huán)境經(jīng)濟負荷分配

以一天24時各時段火電機組在不同調(diào)峰階段運行下負荷分配為例，設置兩種場景模式，運用IGWO求解火電機組環(huán)境經(jīng)濟負荷分配模型。

1） 場景模式Ⅰ： 不考慮儲能系統(tǒng)的火電機組環(huán)境經(jīng)濟負荷優(yōu)化分配。

2） 場景模式Ⅱ： 考慮儲能系統(tǒng)的火電機組環(huán)境經(jīng)濟負荷優(yōu)化分配。

求解結(jié)果如表4所示，可看出在不計調(diào)峰補償，在兩種場景模式下，隨著機組調(diào)峰深度增加，系統(tǒng)的總成本費用將隨之降低，棄風率也隨調(diào)峰深度增加而大幅減小，但總的煤耗成本和污染排污量隨調(diào)峰深度增加而增加，這與上文對150 MW機組調(diào)峰特性分析結(jié)果不同，是因為系統(tǒng)通過啟停調(diào)峰來消納更多風電從而導致結(jié)論相反，但為消納更多風電等新能源，機組調(diào)峰深度不足時只能通過關(guān)機來提高新能源消納率，隨著調(diào)峰深度增加，系統(tǒng)的啟停成本大幅度減小。

場景模式Ⅱ相較于場景模式Ⅰ增加了儲能系統(tǒng)，且相同調(diào)峰深度的機組的啟停情況相同，可看出，儲能系統(tǒng)能減小火電機組的調(diào)峰壓力，提高系統(tǒng)對風電的消納率。在3種調(diào)峰深度下相較于無儲能系統(tǒng)的場景模式Ⅰ，運行煤耗成本

和污染排放量均有降低，DPR調(diào)峰階段調(diào)峰煤耗成本不變，但調(diào)峰階段為DPRO時調(diào)峰煤耗成本增加，但大幅減小了系統(tǒng)投油成本，可看出，添加儲能系統(tǒng)可減小調(diào)峰機組的調(diào)峰壓力，提高系統(tǒng)調(diào)峰能力，特別是在深度調(diào)峰下能避免更多機組處于DPRO階段，大幅提高調(diào)峰裕度。

場景模式Ⅱ不同調(diào)峰深度下的機組出力情況分別如圖7～圖9所示，其中機組1在RPR和DPR調(diào)峰深度下始終處于停機狀態(tài)來提高系統(tǒng)對風電的消納能力，機組6在RPR調(diào)峰階段的負荷低谷01：00—09：00時段處于停機狀態(tài)。可看出，為了整體運行的經(jīng)濟性，根據(jù)火電機組的煤耗特性和CO2排放特性的不同來調(diào)整機組的出力情況以實現(xiàn)總成本最低，本文中機組1和機組6相較于其他機組更適合參與系統(tǒng)的深度調(diào)峰或啟停調(diào)峰。

在01：00—05：00時段，此時段的風電預測輸出功率處于高峰期，而系統(tǒng)負荷處于低谷時段，儲能系統(tǒng)在此時段開始通過充電來減小火電機組調(diào)峰壓力并提高風電消納率；在12：00—13：00和19：00—20：00時段，負荷處于高峰時段，儲能開始放電幫助火電機組較平緩度過系統(tǒng)負荷大爬坡時段。添加儲能系統(tǒng)后能在系統(tǒng)負荷低谷時段，即風電出力處于峰值附近的時段通過儲能系統(tǒng)充電來減小火電機組調(diào)峰壓力，進一步提高風電消納能力，在系統(tǒng)負荷峰值時段儲能系統(tǒng)放電來減小火電機組出力進而減小煤耗成本，充分發(fā)揮儲能系統(tǒng)的削峰填谷作用。

在系統(tǒng)負荷較大的時段，處于RPR和DPR兩種調(diào)峰深度運行下的機組1和機組4分別處于停機和額定出力狀態(tài)，當系統(tǒng)調(diào)峰深度為DPRO時，所有火電機組始終處于低負荷

率的開機狀態(tài)，相較于其他兩種調(diào)峰階段，機組更具調(diào)峰靈活性，調(diào)峰裕度更大，在應對系統(tǒng)負荷突變或風電等新能源消納方面更具優(yōu)勢，且無需頻繁通過開停機組來提高風電消納率，避免了機組啟停損耗。

調(diào)峰深度為65%時，兩種場景下各時段處于RPR運行階段機組數(shù)量相等，各時段的深度調(diào)峰機組數(shù)量如圖8所示?？煽闯觯谔砑觾δ芟到y(tǒng)后處于DPRO運行階段的機組數(shù)量大幅減少以此來減小投油成本，更多機組處于DPR運行階段。在02：00—05：00負荷處于低谷且風電出力較大時，沒有儲能系統(tǒng)情況下，更多火電機組參與投油深度調(diào)峰運行來提高電網(wǎng)對風電的消納能力，有儲能系統(tǒng)情況下可通過儲能系統(tǒng)進行充電，進一步提高風電消納量的同時減少投油深度調(diào)峰機組數(shù)量，提高系統(tǒng)調(diào)峰裕度。

4.3 深度調(diào)峰下儲能對環(huán)境經(jīng)濟調(diào)度的影響

為進一步研究儲能系統(tǒng)對投油深度調(diào)峰下火電機組環(huán)境經(jīng)濟調(diào)度的影響，設置調(diào)峰深度為70%（DPRO）67%（DPRO）和60%（DPR），結(jié)果如表5所示，兩種場景下均無啟停調(diào)峰，可看出，當系統(tǒng)內(nèi)火電機組處于相同啟停狀態(tài)時機組運行煤耗成本和調(diào)峰煤耗成本均隨調(diào)峰深度增加而減小，調(diào)峰深度從60%（DPR）增大至65%（DPRO）時污染排放量隨之減小，但在3個DPRO調(diào)峰階段時，CO2污染排放量隨調(diào)峰深度增加而增加，此時無法同時兼顧環(huán)境和經(jīng)濟。添加儲能系統(tǒng)后可同時降低系統(tǒng)運行煤耗成本和CO2排放量，但當調(diào)峰深度為DPRO時因儲能充電增大調(diào)峰機組出力從而增加調(diào)峰煤耗，總的煤耗成本相較于無儲能分別增加0.36%和0.40%，但隨著調(diào)峰深度增加，有儲能系統(tǒng)的CO2排放量分別減少0.9%和0.76%。調(diào)峰深度為DPR時有儲能系統(tǒng)棄風率減小明顯，在DPRO調(diào)峰深度也可進一步減小棄風率。

5 結(jié) 論

本文在“雙碳”目標大背景下，從建設新型電力系統(tǒng)節(jié)能減排角度結(jié)合火電機組在電網(wǎng)調(diào)峰中的地位，在大規(guī)模風電并網(wǎng)后對不同調(diào)峰階段下火電機組環(huán)境經(jīng)濟調(diào)度進行研究。運用改進的灰狼優(yōu)化算法對不同調(diào)峰深度下火電機組環(huán)境經(jīng)濟調(diào)度模型進行求解，得出主要結(jié)論如下：

1）應用IGWO求解本文所提不同調(diào)峰深度運行下環(huán)境經(jīng)濟調(diào)度模型，并與GWO方法、PSO方法進行對比，得出結(jié)果表明本文所用IGWO在搜索速度和精度上對火電機組環(huán)境經(jīng)濟調(diào)度優(yōu)化效果更好，驗證了對算法改進之處的有效性。

2）在不計機組調(diào)峰損耗和調(diào)峰補償下，兩種場景下的系統(tǒng)總成本費用將隨調(diào)峰深度增加而減小，在機組開停相同情況下，系統(tǒng)總煤耗成本和CO2排放量隨調(diào)峰深度增加而減小，棄風率也隨之大幅度減小，但在DPRO調(diào)峰深度下產(chǎn)生的CO2排放量隨調(diào)峰深度增加而增加，對環(huán)境危害增大，節(jié)能與環(huán)保此時不可兼得。

3）場景模式Ⅱ添加儲能系統(tǒng)后能在系統(tǒng)負荷低谷時段減小火電機組調(diào)峰壓力，提高風電消納能力的同時減少投油深度調(diào)峰機組數(shù)量和火電機組低負荷率運行時間來保證系統(tǒng)安全性，提高調(diào)峰裕度，在系統(tǒng)負荷高峰時段減小火電機組出力進而減小煤耗成本和CO2排放量，進一步提高風電消納量。

4）在RPR和DPR調(diào)峰深度下，添加儲能系統(tǒng)能大幅減小棄風率，且能夠同時減小總的煤耗成本和CO2污染排放量，在DPRO調(diào)峰深度下，添加儲能系統(tǒng)會減小運行煤耗成本和CO2污染排放量，但調(diào)峰煤耗成本會增加，總煤耗成本增加。

［參考文獻］

［1］" 新華社. 習近平在第七十五屆聯(lián)合國大會一般性辯論上發(fā)表重要講話［EB/OL］. ［2020-09-22］. http：//www.gov.cn/xinwen/2020-09/22/content_5546168.htm.

Xinhua news agency. Xi Jinping delivered an important speech at the general debate of the seventy-fifth United Nations""" General""" Assembly［EB/OL］.""" ［2020-09-22］. http：// www. gov. cn/xinwen/2020-09/22/content_5546168.htm.

［2］" LI"" C."" Multi-objective"" optimization"" of"" space"" adaptive division""""" for"""" environmental""" economic""" dispatch［J］. Sustainable computing： informatics and systems， 2021， 30： 100500.

［3］" XU J P， WANG F J， LYU C W， et al. Carbon emission reduction and reliable power supply equilibrium based daily" scheduling" towards" hydro-thermal-wind" generation system： a perspective from China［J］. Energy conversion and management， 2018， 164： 1-14.

［4］" LIU B H， FU Z G， WANG P K， et al. Big-data-mining-based improved K-means algorithm for energy use analysis of coal-fired power plant units： a case study［J］. Entropy， 2018， 20（9）： 702.

［5］" WANG" C" Y，" OLSSON" G，" LIU" Y. Coal-fired" power industry water-energy-emission nexus： a multi-objective optimization［J］." Journal" of" cleaner" production，" 2018， 203： 367-375.

［6］" MAHDI F P， VASANT P， KALLIMANI V， et al. A holistic review on optimization strategies for combined economic" emission" dispatch" problem［J］. Renewable and sustainable energy reviews， 2017， 81（2）： 3006-3020.

［7］ "GOUDARZI A， LI Y J， XIANG J. A hybrid non-linear time-varying double-weighted particle swarm optimization for solving non-convex combined environmental economic dispatch problem［J］. Applied soft computing， 2020， 86： 105894.

［8］" BHADORIA A， MARWAHA S， KAMBOJ V K. An optimum forceful generation scheduling and unit commitment of thermal power system using sine cosine algorithm［J］. Neural computing and applications， 2020， 32： 2785-2814.

［9］" 劉剛， 朱永利， 蔣偉. 基于混合DE-PSO多目標算法的動態(tài)環(huán)境經(jīng)濟調(diào)度［J］. 電力自動化設備， 2018， 38（8）： 1-7.

LIU G， ZHU Y L， JIANG W. Dynamic economic emission dispatch based on hybrid DE-PSO multi-objective algorithm［J］. Electric power automation equipment， 2018， 38（8）： 1-7.

［10］" 董超， 張彥濤， 劉嘉寧， 等. 考慮火電機組深度調(diào)峰的實時發(fā)電計劃模型及應用［J］. 電力自動化設備， 2019， 39（3）： 108-113.

DONG" C，" ZHANG" Y" T，" LIU" J" L， et" al." Real-time generation scheduling model and its application considering deep peak regulation of thermal power units［J］. Electric power automation equipment， 2019， 39（3）： 108-113.

［11］" 張子泳， 仉夢林， 李莎. 基于多目標粒子群算法的電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度研究［J］. 電力系統(tǒng)保護與控制， 2017， 45（10）： 1-10.

ZHANG Z Y， ZHANG M L， LI S. Environmental economic power dispatch based on multi-objective particle swarm constraint optimization algorithm［J］. Power system protection and control， 2017， 45（10）： 1-10.

［12］" 林俐， 田欣雨. 基于火電機組分級深度調(diào)峰的電力系統(tǒng)經(jīng)濟調(diào)度及效益分析［J］. 電網(wǎng)技術(shù)， 2017， 41（7）： 2255-2262.

LIN L， TIAN X Y. Analysis of deep peak regulation and its benefit of thermal units in power system with large scale wind"" power" integrated［J］." Power" system"" technology， 2017， 41（7）： 2255-2262.

［13］" 林俐， 鄒蘭青， 周鵬， 等. 規(guī)模風電并網(wǎng)條件下火電機組深度調(diào)峰的多角度經(jīng)濟性分析［J］. 電力系統(tǒng)自動化， 2017， 41（7）： 21-27.

LIN L， ZOU L Q， ZHOU P， et al. Multi-angle economic analysis on deep peak regulation of thermal power units with large-scale wind power integration［J］. Automation of electric power systems， 2017， 41（7）： 21-27.

［14］" 侯玉婷， 李曉博， 劉暢， 等. 火電機組靈活性改造形勢及技術(shù)應用［J］. 熱力發(fā)電， 2018， 47（5）： 8-13.

HOU Y T， LI X B， LIU C， et al. Flexibility reform situation and technical application of thermal power units［J］. Thermal power generation， 2018， 47（5）： 8-13.

［15］" 譚碧飛， 陳皓勇， 梁子鵬， 等. 基于協(xié)同NSGA-Ⅱ的微電網(wǎng)隨機多目標經(jīng)濟調(diào)度［J］. 高電壓技術(shù)， 2019， 45（10）： 3130-3140.

TAN B F， CHEN H Y， LIANG Z P， et al. Stochastic multi-objective economic dispatch of micro-grid based on coNSGA-Ⅱ［J］."" High"" voltage"" engineering，"" 2019，"" 45（10）： 3130-3140.

［16］" ZHAO X G， LIANG J， MENG J， et al. An improved quantum particle swarm optimization algorithm for environmental economic dispatch［J］. Expert systems with applications， 2020， 152： 113370.

［17］" 王淑云， 婁素華， 吳耀武， 等. 計及火電機組深度調(diào)峰成本的大規(guī)模風電并網(wǎng)魯棒優(yōu)化調(diào)度［J］. 電力系統(tǒng)自動化， 2020， 44（1）： 118-125.

WANG S Y， LOU S H， WU Y W， et al. Robust optimal dispatch of large-scale wind power integration considering deep" peak" regulation" cost" of" thermal" power" units［J］. Automation of electric power systems， 2020， 44（1）： 118-125.

［18］" ABDELAZIZ A， ALI E S， ELAZIM S M A. Implementation of flower pollination algorithm for solving economic load dispatch and combined economic emission dispatch problems in power systems［J］. Energy， 2016， 101： 506-518.

［19］ "MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in engineering software， 2014， 69（3）： 46-61.

［20］" 張鈴， 張鈸. 佳點集遺傳算法［J］. 計算機學報， 2001， 24（9）： 917-922.

ZHANG L， ZHANG B. Good point set based genetic algorithm［J］." Chinese" journal" of" computers，" 2001，" 24（9）： 917-922.

［21］" 崔明朗， 杜海文， 魏政磊， 等. 多目標灰狼優(yōu)化算法的改進策略研究［J］. 計算機工程與應用， 2018， 54（5）： 156-164.

CUI M L， DU H W， WEI Z L， et a1. Research on improved strategy for multi-objective grey wolf optimizer［J］. Computer engineering and applications， 2018， 54（5）： 156-164.

［22］" 李艷娟， 陳阿慧. 基于禁忌搜索的人工蜂群算法［J］. 計算機工程與應用， 2017， 53（4）： 145-151.

LI Y J，CHEN A H. Artificial bee colony algorithm based on taboo search［J］. Computer engineering and applications， 2017， 53（4）： 145-151.

［23］" NADIMI-SHAHRAKI M H， TAGHIAN S， MIRJALILI S. An improved grey wolf optimizer for solving engineering problems［J］." Expert" systems" with" applications，" 2021， 166： 113917.

ENVIRONMENTAL ECONOMIC DISPATCH OPTIMIZATION OF THERMAL POWER UNITS AT DIFFERENT PEAK-LOAD REGULATION DEPTHS

Yu Xin，Wang Delin，Sun Chao，Niu Jingyao，Xie Peng，Guo Liangjie

（School of Electrical Engineering， Southwest Jiaotong University， Chengdu 611756， China）

Keywords：environmental economic dispatch； carbon dioxide； coal combustion； peak-load regulation； load distribution； improved gray wolf optimization