，，，，

(1.國網(wǎng)江蘇省電力公司連云港供電公司，江蘇 連云港 222000；2.國網(wǎng)吉林省電力有限公司吉林供電公司，吉林 吉林 132012；3.國網(wǎng)吉林省電力有限公司長春供電公司，吉林 長春 130600)

含風(fēng)電場的電力系統(tǒng)多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度

夏偉偉1，孫龍明1，師揚(yáng)1，劉旭2，尹杭3

(1.國網(wǎng)江蘇省電力公司連云港供電公司，江蘇 連云港 222000；2.國網(wǎng)吉林省電力有限公司吉林供電公司，吉林 吉林 132012；3.國網(wǎng)吉林省電力有限公司長春供電公司，吉林 長春 130600)

研究風(fēng)電場接入電網(wǎng)后的調(diào)度問題，綜合考慮電網(wǎng)運(yùn)行經(jīng)濟(jì)性和環(huán)境效益，建立含風(fēng)電場的電力系統(tǒng)多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度模型。對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)，引入NSGA-II算法的精英保留操作、非劣解排序操作和擁擠度距離操作，提出一種改進(jìn)的多目標(biāo)粒子群算法對模型求解。10機(jī)系統(tǒng)的仿真結(jié)果表明，多目標(biāo)求解放方法可為調(diào)度人員提供多樣性的調(diào)度方案，符合實(shí)際工程要求，并且與NSGA-II算法相比，本文算法獲得非劣解集更加靠近真實(shí)的Pareto前沿。

風(fēng)電場；環(huán)境經(jīng)濟(jì)調(diào)度；Pareto前沿；改進(jìn)多目標(biāo)粒子群算法；NSGA-II算法

1 引言

風(fēng)電作為一種清潔高效的可再生能源，對緩解環(huán)境污染和能源枯竭具有重要的意義。近年來，我國風(fēng)電發(fā)展迅猛，已成為能源戰(zhàn)略結(jié)構(gòu)中重要組成部分[1]。然而，風(fēng)電具有隨機(jī)性和波動性，大規(guī)模的風(fēng)電接入電網(wǎng)增加了電力系統(tǒng)經(jīng)濟(jì)調(diào)度的難度，因此研究含風(fēng)電場電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題具有重要的理論價值和現(xiàn)實(shí)意義。

傳統(tǒng)電力系統(tǒng)經(jīng)濟(jì)調(diào)度僅考慮電網(wǎng)運(yùn)行經(jīng)濟(jì)性，而火電廠在發(fā)電過程會向大氣中排放大量的污染氣體，隨著我國環(huán)境問題的日益嚴(yán)峻，電力企業(yè)作為污染氣體排放的主力軍已不容忽視。因此，電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度應(yīng)運(yùn)而生，其主要原則是在電力生產(chǎn)調(diào)度過程中同時考慮電網(wǎng)運(yùn)行經(jīng)濟(jì)性和環(huán)境效益。文獻(xiàn)[2]以發(fā)電成本和污染氣體排放量最小為優(yōu)化目標(biāo)，建立電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度模型，但僅考慮一個時段調(diào)度計劃，并不符合實(shí)際情況。文獻(xiàn)[3]將多目標(biāo)的環(huán)境經(jīng)濟(jì)調(diào)度問題轉(zhuǎn)化為單目標(biāo)處理，采用改進(jìn)粒子群算法對模型進(jìn)行求解，但得到的結(jié)果單一。文獻(xiàn)[4]應(yīng)用多目標(biāo)差分進(jìn)化算法對環(huán)境經(jīng)濟(jì)調(diào)度模型進(jìn)行求解，但所建模型未考慮火電機(jī)組的啟停約束和旋轉(zhuǎn)備用約束。

針對以上問題，本文建立綜合考慮經(jīng)濟(jì)性和環(huán)境效益的多目標(biāo)調(diào)度模型，該模型考慮了網(wǎng)損、旋轉(zhuǎn)備用約束和機(jī)組啟停約束等。針對粒子群算法存在的收斂速度慢、求解精度低的問題，對算法參數(shù)進(jìn)行改進(jìn)，并結(jié)合多目標(biāo)搜索理論，提出一種改進(jìn)的多目標(biāo)粒子群算法對模型求解。

2 風(fēng)電出力的概率模型

風(fēng)速具有隨機(jī)波動性，大量的風(fēng)電場實(shí)測數(shù)據(jù)表明，風(fēng)速基本服從雙參數(shù)的威布爾(Weibull)分布，如下式：

F(v)=1-exp(-(v/c)k)

(1)

式中,k為Weibull分布的形狀參數(shù)；c為Weibull分布的尺度參數(shù)；v為風(fēng)速，單位m/s，其概率密度函數(shù)為：

f(v)=(k/c)(v/c)k-1exp[-(v/c)k]

(2)

如圖1所示，當(dāng)知道風(fēng)速的概率分布后，通過分析風(fēng)機(jī)的有功出力Pwind與風(fēng)速v的近似關(guān)系，可以得到風(fēng)機(jī)有功出力的隨機(jī)分布。

圖1 風(fēng)機(jī)有功出力曲線

(3)

式中,Prate為風(fēng)機(jī)的額定有功出力；vin、vout和vrate分別為風(fēng)機(jī)的切入風(fēng)速、切除風(fēng)速和額定風(fēng)速。

3 多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度模型

3.1 目標(biāo)函數(shù)

3.1.1 發(fā)電成本

考慮火電機(jī)組啟停費(fèi)用的總發(fā)電成本為：

(4)

式中,T為運(yùn)行調(diào)度周期；N為參與調(diào)度的火電機(jī)組總數(shù)；Ii,t=1、Ii,t=0分別表示t時段第i臺火電機(jī)組處于開機(jī)狀態(tài)和停運(yùn)狀態(tài)；Pi,t為t時段第i臺火電機(jī)組的有功出力；fi,t(Pi,t)、Si,t分別為t時段第i臺火電機(jī)組的燃料費(fèi)用和啟停費(fèi)用。

火電機(jī)組的耗量特性曲線用二次函數(shù)表示：

(5)

式中,ai、bi、ci為第i臺火電機(jī)組的耗量參數(shù)。

火電機(jī)組的啟停費(fèi)用與相鄰時段的運(yùn)行狀態(tài)有關(guān)：

(6)

3.1.2 污染氣體排放量

火電機(jī)組在發(fā)電過程中會消耗大量的一次能源，并向大氣中排放COx、SOx和NOx等污染氣體，考慮各類污染氣體的綜合排放模型為[5]：

(7)

式中,αi、βi、γi、λi、ξi為第i臺火電機(jī)組污染氣體排放系數(shù)。

3.2 約束條件

3.2.1 功率平衡約束

(8)

式中,Pw,t為t時段風(fēng)電場輸出的有功功率；PD,t和Ploss,t為t時段系統(tǒng)負(fù)荷和網(wǎng)損。

3.2.2 機(jī)組出力約束

Pi,min≤Pi,t≤Pi,max

(9)

式中,Pi,min和Pi,max分別為第i臺火電機(jī)組出力的最小值和最大值。

3.2.3 啟停時間約束

(10)

3.2.4 旋轉(zhuǎn)備用約束

(11)

4 多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度求解算法

電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度的求解以粒子群算法為核心載體，其基本思想是通過不斷更新粒子位置和速度來尋找全局最優(yōu)解[6]，具體如下式：

(12)

(13)

電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度是一個非線性、多目標(biāo)的求極值問題，傳統(tǒng)采用模糊技術(shù)和線性權(quán)重將其轉(zhuǎn)化為單目標(biāo)求解，其得到的結(jié)果單一，不利于調(diào)度人員進(jìn)行科學(xué)決策。因此，本文將標(biāo)準(zhǔn)粒子群算法與多目標(biāo)搜索機(jī)制相結(jié)合，從多目標(biāo)的角度考慮環(huán)境經(jīng)濟(jì)調(diào)度問題。

考慮到標(biāo)準(zhǔn)粒子群算法存在收斂速度慢、求解精度低和不具備多目標(biāo)求解能力的問題，從以下幾個角度進(jìn)行改進(jìn)，提出一種改進(jìn)的多目標(biāo)粒子群算法(improved multi-objective particle swarm optimization algorithm，IMPSO)，其算法流程如圖2所示。

(1) 采用非線性慣性權(quán)重更新策略[7]，改善種群多樣性，提高算法全局尋優(yōu)能力。

(2) 采用異步變化的學(xué)習(xí)因子[8]，提高粒子向自身最優(yōu)和種群最優(yōu)個體的學(xué)習(xí)能力，加快收斂速度。

(3) 將快速非支配遺傳算法[9]中的精英保留操作、非劣解排序操作和擁擠度計算融入標(biāo)準(zhǔn)粒子群算法中，使其具備求解多目標(biāo)優(yōu)化問題的能力。

5 算例分析

采用含一個并網(wǎng)風(fēng)電場的10機(jī)系統(tǒng)為例進(jìn)行環(huán)境經(jīng)濟(jì)調(diào)度計算，系統(tǒng)耗量特性參數(shù)和污染氣體排放參數(shù)詳見文獻(xiàn)[10]。風(fēng)電場含有60臺風(fēng)機(jī)，每臺風(fēng)機(jī)的額定功率為2WM，切入風(fēng)速、切除風(fēng)速和額定風(fēng)速分別為4m/s、20m/s和15m/s。為驗(yàn)證IMSPO算法求解的有效性，與NSGA-II算法進(jìn)行仿真比較。算法參數(shù)設(shè)置：IMPSO算法的種群規(guī)模為80，最大迭代次數(shù)為100，慣性權(quán)重的變化區(qū)間為[0.4，0.9]，異步學(xué)習(xí)因子從3線性遞減至1.5；NSGA-II算法的交叉算子和變異算子分別為0.92和0.2，種群規(guī)模和最大迭代次數(shù)與IMPSO算法一致。兩算法求解得到的Pareto前沿分布如圖3所示。

圖2 IMPSO算法求解流程

圖3 Pareto解集分布對比

從圖3可知，NSGA-II算法得到的非劣解集分布集中，Pareto前沿完整性差，而IMPSO算法得到的非劣解集分布廣泛均勻，更加靠近真實(shí)的Pareto前沿。為便于分析，分別給出了兩種算法極端解和最優(yōu)折中解的對比情況如表1所示。

表1 不同算法的極端解和最優(yōu)折中解

從表1可知，與NSGA-II算法相比，IMPSO算法最優(yōu)折中解的發(fā)電成本和污氣排放量分別減少了3680元和1710ton；經(jīng)濟(jì)最優(yōu)時的發(fā)電成本減少了7560元；環(huán)境最優(yōu)時的污氣排放量減少了59750ton。綜上分析可知，IMPSO算法在求解環(huán)境經(jīng)濟(jì)調(diào)度問題時優(yōu)勢明顯，增加了調(diào)度方案實(shí)施的可能性。圖4給出了IMPSO算法最優(yōu)折中解的出力計劃。

圖4 IMPSO的最優(yōu)折中出力計劃

為進(jìn)一步說明風(fēng)電接入電網(wǎng)后的減排效益，圖5給出了風(fēng)電場接入電網(wǎng)前后各時段污氣排放量的對比情況。

圖5 風(fēng)電接入前后的污氣排放量

從圖5可知，風(fēng)電接入電網(wǎng)后，系統(tǒng)總的污氣排放量減少了1.6708×104ton，減排效果明顯，同時可以看出，在某些時段風(fēng)電接入前后的污氣排放量相近，分析原因是由于此時風(fēng)電出力較小和火電機(jī)組的組合方式不同。

5 結(jié)論

(1) 從考慮電網(wǎng)運(yùn)行經(jīng)濟(jì)性和環(huán)境效益的角度考慮電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度問題，符合當(dāng)前的電力發(fā)展趨勢，由此得到的調(diào)度方案具有一定應(yīng)用價值。

(2) 改進(jìn)多目標(biāo)粒子算法得到的非劣解分布廣泛均勻，更加靠近真實(shí)的Pareto前沿，可以為調(diào)度人提供多樣性的調(diào)度方案。

[1] 范國英,鄭太一,姜旭,等.計及新能源接入的吉林電網(wǎng)智能調(diào)度體系框架研究[J].吉林電力,2010,38(1):1-4.

[2] 邱威,張建華，劉念.含大型風(fēng)電場的環(huán)境經(jīng)濟(jì)調(diào)度[J].電機(jī)工程學(xué)報,2011,31(19):8-16.

[3] 陳功貴,陳金富.含風(fēng)電場電力系統(tǒng)環(huán)境經(jīng)濟(jì)動態(tài)調(diào)度建模與算法[J].電機(jī)工程學(xué)報,2013,33(10):27-35.

[4] 江興穩(wěn),周建中,王浩,等.電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟(jì)調(diào)度建模與求解[J].電網(wǎng)技術(shù),2013,37(2):385-391.

[5] Bayon L,Grau J M,Ruiz M M,et al.The exact solution of the environmental/economic dispatch problem[J].IEEE Trans on Power Systems,2012,27(2):723-731.

[6] 李生珠,韓曉男,曲直,等.一種改進(jìn)的PSO算法在系統(tǒng)無功優(yōu)化中的應(yīng)用研究[J].吉林電力,2010,38(3):29-31.

[7] Yang Yanping,Che Yonghe.A diversity guided particle swarm optimization with chaotic mutation[C]// 2010 2nd International Asia Conference on Informatics in Control,Automation and Robotics,2010:202-204.

[8] 潘超,孟濤，蔡國偉，等.廣義電源多目標(biāo)優(yōu)化配置與運(yùn)行[J].電網(wǎng)技術(shù),2015,39(12):3505-3512.

[9] 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.

[10] 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.

MultiObjectiveEnvironmentalEconomicDispatchofPowerSystemwithWindFarm

XIAWei-wei1,SUNLong-ming1,SHIYang1,LIUXu2,YINHang3

(1.Lianyungang Electric Supply Company,Lianyungang 222000,China;2.Jilin Electric Supply Company,Jilin 132012,China3.Changchun Electric Supply Company,Changchun 130600,China)

The scheduling problem of the wind farm in electric power system is researched.Considering the economic and environmental benefits of the power grid,the multi-objective environmental economic dispatch model of power system with wind farm is established.The standard particle swarm optimization algorithm is improved.An improved multi-objective particle swarm optimization algorithm is proposed by introducing the elite reservation operation,non dominated sorting operation and crowding degree distance operation into the standard particle swarm optimization algorithm.Simulation results of the 10 machine system show that multi-objective optimal method can provide a variety of scheduling solutions for the scheduling personnel and meet the actual requirements of the project.Compared with the NSGA-II algorithm,this paper obtains the non dominated solution set closer to the true Pareto front.

wind farm;environmental economic dispatch;Pareto frontier;improved multi-objective particle swarm algorithm；NSGA-II algorithm

1004-289X(2017)03-0026-04

TM71

B

2016-11-21

夏偉偉(1988-)，女，本科，助理工程師，研究方向電力調(diào)度和繼電保護(hù)整定。