趙振宇，戴賽嵐

(華北電力大學(xué) 經(jīng)濟(jì)與管理學(xué)院 新能源電力與低碳發(fā)展研究北京市重點(diǎn)實(shí)驗(yàn)室，北京 102206)

0 引 言

面對(duì)全球生態(tài)環(huán)境惡化、化石能源逐漸枯竭的問(wèn)題，風(fēng)力發(fā)電作為一種零污染、零排放的新型清潔可再生能源，受到了廣泛關(guān)注。目前，中國(guó)風(fēng)電發(fā)展迅速，相關(guān)技術(shù)日漸成熟，風(fēng)火互補(bǔ)等模式也被廣泛應(yīng)用，但風(fēng)力發(fā)電的隨機(jī)性等特征給風(fēng)能資源的充分利用和風(fēng)火發(fā)電系統(tǒng)的可靠性帶來(lái)挑戰(zhàn)，尤其是各地“棄風(fēng)”問(wèn)題日益突出，亟待探索如何更好地進(jìn)行風(fēng)火發(fā)電系統(tǒng)的調(diào)度優(yōu)化，以實(shí)現(xiàn)充分利用風(fēng)能資源。

近年來(lái)，學(xué)者們多方面開(kāi)展含清潔能源的發(fā)電優(yōu)化調(diào)度問(wèn)題的研究，較多的是關(guān)于多目標(biāo)優(yōu)化調(diào)度的研究，主要包括算法改進(jìn)和模型改進(jìn)兩個(gè)方面。在算法改進(jìn)上，于波等[1]就區(qū)域綜合能源系統(tǒng)優(yōu)化調(diào)度問(wèn)題，采用粒子群算法，通過(guò)其全局搜索能力對(duì)調(diào)度模型進(jìn)行求解；趙靜藝[2]利用IFOA算法對(duì)混合發(fā)電系統(tǒng)進(jìn)行多目標(biāo)優(yōu)化設(shè)計(jì)；周斌等[3]提出了一種新型多群組均衡協(xié)同搜索算法；陳道君等[4]將生物地理學(xué)算法用于解決風(fēng)電并網(wǎng)電力系統(tǒng)多目標(biāo)優(yōu)化調(diào)度問(wèn)題；趙文清等[5]提出一種基于模擬退火的智能水滴算法連續(xù)優(yōu)化的改進(jìn)算法。此外，還涌現(xiàn)了若干新型的智能算法，如改進(jìn)的多目標(biāo)狼群算法[6]、小生境[7]、布谷鳥(niǎo)[8]等與傳統(tǒng)的遺傳算法結(jié)合的混合智能算法。在模型改進(jìn)上，胡殿剛等[9]建立了風(fēng)電出力的概率模型來(lái)降低其隨機(jī)性對(duì)整個(gè)風(fēng)火系統(tǒng)的影響；郭小璇等[10]在約束條件中引入機(jī)會(huì)約束；孫元章等[11]提出了基于風(fēng)速預(yù)測(cè)和隨機(jī)規(guī)劃對(duì)風(fēng)火發(fā)電系統(tǒng)進(jìn)行優(yōu)化。但現(xiàn)有的絕大多數(shù)研究都是在算法和約束條件上進(jìn)行優(yōu)化，尚未有通過(guò)設(shè)定風(fēng)能資源利用最優(yōu)目標(biāo)來(lái)降低風(fēng)電隨機(jī)性對(duì)發(fā)電系統(tǒng)可靠影響的研究。

對(duì)于風(fēng)火發(fā)電系統(tǒng)而言，風(fēng)電輸出的不確定性是影響發(fā)電調(diào)度模型可靠性的主要原因。面對(duì)既要充分利用風(fēng)能資源，又要保證電力系統(tǒng)可靠性的問(wèn)題，本文通過(guò)預(yù)測(cè)風(fēng)速間接預(yù)測(cè)風(fēng)電出力來(lái)設(shè)置風(fēng)能資源利用目標(biāo)，使優(yōu)化結(jié)果中的風(fēng)電調(diào)度出力盡可能接近預(yù)測(cè)值；并考慮相關(guān)約束條件中加入機(jī)會(huì)約束，同時(shí)以資源消耗最小、能源環(huán)境效益最大為目標(biāo)；最大程度降低風(fēng)電隨機(jī)性對(duì)整個(gè)發(fā)電系統(tǒng)的影響，實(shí)現(xiàn)最大化利用風(fēng)能資源，緩解“棄風(fēng)”現(xiàn)象，達(dá)到風(fēng)火發(fā)電系統(tǒng)調(diào)度的優(yōu)化目的。

基于此，本文運(yùn)用歷史風(fēng)速數(shù)據(jù)，采用向量機(jī)對(duì)風(fēng)電的輸出功率進(jìn)行間接預(yù)測(cè)，以風(fēng)能資源利用最優(yōu)、發(fā)電系統(tǒng)經(jīng)濟(jì)性和環(huán)保性為目標(biāo)，以電網(wǎng)能量滿足充裕度、機(jī)組爬坡性能、正負(fù)備用容量等為約束建立發(fā)電系統(tǒng)的多目標(biāo)優(yōu)化模型，并運(yùn)用山西平魯?shù)貐^(qū)某風(fēng)電場(chǎng)的數(shù)據(jù)進(jìn)行實(shí)例分析，論證該模型優(yōu)化的可行性。

1 多目標(biāo)優(yōu)化模型

從充分利用風(fēng)電資源、提高環(huán)境保護(hù)效益的角度，綜合考慮火電廠的煤耗特性、環(huán)境因素的影響，基于火電廠總發(fā)電成本費(fèi)用、能源環(huán)境優(yōu)化和風(fēng)能資源優(yōu)化利用，建立考慮環(huán)保效益的風(fēng)火發(fā)電系統(tǒng)的短期多目標(biāo)優(yōu)化調(diào)度模型。通過(guò)該優(yōu)化模型幫助確定火電廠的最佳輸出，并用以制定風(fēng)電最優(yōu)輸出策略。

1.1 目標(biāo)函數(shù)

1)火電機(jī)組發(fā)電的總成本最小(不考慮火電機(jī)組的閾點(diǎn)效應(yīng))：

式中：C是火電機(jī)組發(fā)電總成本；NG為系統(tǒng)內(nèi)火電機(jī)組運(yùn)行臺(tái)數(shù)；PGi為火電機(jī)組的發(fā)電有功功率；ai、bi、ci為火電機(jī)組的運(yùn)行耗能特性系數(shù)；T為調(diào)度周期，取T=1 h。

2)能源環(huán)境效益[12]最優(yōu)：

式中：R為能源效益函數(shù)；ηwi為火電機(jī)組i的發(fā)電效率；φi為火電機(jī)組i使用燃料的低位發(fā)熱量；QCi為等價(jià)CO2排放比；ηt(PGi)為發(fā)電效率隨有功功率變化的函數(shù)關(guān)系式，其表達(dá)式為

式中：ti、λi、φi為火電機(jī)組i的效率函數(shù)的系數(shù)。

3)風(fēng)電出力最優(yōu)

miny=(Pw-Pwp)2

式中：y為風(fēng)電計(jì)劃輸出與預(yù)測(cè)輸出的偏差程度；Pw為風(fēng)電場(chǎng)輸出的有功功率；Pwp為系統(tǒng)內(nèi)風(fēng)電場(chǎng)預(yù)測(cè)的輸出有功功率。

1.2 約束條件

1)供需平衡約束：

式中：PN為需求負(fù)荷；z1為該約束條件成立的置信水平。

2)火電機(jī)組出力約束：

PGidown≤PGi≤PGiup

式中：PGidown、PGiup分別為火電機(jī)組有功出力下限、有功出力上限。

3)風(fēng)電場(chǎng)的出力約束：

0≤Pw≤PR

式中：PR為風(fēng)電場(chǎng)輸出的額定功率。

4)備用容量約束。在混合能源發(fā)電系統(tǒng)內(nèi)，由于不同發(fā)電機(jī)組發(fā)電方式的不同，單純按節(jié)能發(fā)電調(diào)度原則可能引發(fā)系統(tǒng)備用安全問(wèn)題，所以需要對(duì)系統(tǒng)的備用容量進(jìn)行約束

式中：σ1、σ2分別為在T時(shí)段電力負(fù)荷誤差對(duì)系統(tǒng)正、負(fù)旋轉(zhuǎn)備用的需求系數(shù)；w1、w2分別為在此時(shí)段風(fēng)電場(chǎng)出力對(duì)系統(tǒng)的正、負(fù)旋轉(zhuǎn)備用的需求系數(shù)；z2、z3以概率形式對(duì)正、負(fù)旋轉(zhuǎn)備用加以約束。

5)風(fēng)電穿透功率極限約束。如果混合動(dòng)力發(fā)電系統(tǒng)中風(fēng)電場(chǎng)容量比例過(guò)高，則大風(fēng)速擾動(dòng)將導(dǎo)致系統(tǒng)的電壓和頻率產(chǎn)生很大的變化，并在嚴(yán)重時(shí)使系統(tǒng)失穩(wěn)。因此，需做如下限制：

0≤Pw≤ρPN

式中：ρ為風(fēng)電穿透功率系數(shù)。

2 預(yù)測(cè)模型

根據(jù)預(yù)測(cè)時(shí)間尺度，風(fēng)功率預(yù)測(cè)分為超短期(時(shí)間小于30 min)預(yù)測(cè)、短期(時(shí)間范圍為30 min至72 h)預(yù)測(cè)和中長(zhǎng)期預(yù)測(cè)。其中，短期預(yù)測(cè)多用于電力系統(tǒng)調(diào)度[13]。本文選取對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)來(lái)優(yōu)化發(fā)電系統(tǒng)調(diào)度，以“小時(shí)(h)”為預(yù)測(cè)單位。根據(jù)樣本數(shù)據(jù)的預(yù)測(cè)誤差來(lái)選擇預(yù)測(cè)模型。

2.1 SVM風(fēng)速預(yù)測(cè)模型

由于影響風(fēng)速的因素諸多，例如溫度，壓力差，空氣密度和地形，因此風(fēng)速是最難預(yù)測(cè)的氣象參數(shù)之一。

基于SVM風(fēng)速預(yù)測(cè)模型[14]，以歷史風(fēng)速數(shù)據(jù)作為輸入?yún)?shù)，以1 h為一個(gè)周期，取預(yù)測(cè)周期的前12個(gè)周期內(nèi)每個(gè)周期的平均風(fēng)速作為特征向量對(duì)短期風(fēng)速v進(jìn)行預(yù)測(cè)：

1)取需要預(yù)測(cè)的某風(fēng)場(chǎng)一周內(nèi)逐小時(shí)風(fēng)速數(shù)據(jù)，對(duì)風(fēng)電出力的風(fēng)速歷史數(shù)據(jù)進(jìn)行無(wú)量綱處理，使風(fēng)速樣本數(shù)據(jù)處于[0，1]之間，標(biāo)準(zhǔn)化計(jì)算式如下：

2)剔除無(wú)效值，建立訓(xùn)練樣本集X1和預(yù)測(cè)樣本集X2。

3)RBF函數(shù)作為核函數(shù)，選擇 SVM 的參數(shù)c、ε和δ進(jìn)行訓(xùn)練, 得到回歸函數(shù)表達(dá)式。

4)用得到的回歸函數(shù)表達(dá)式對(duì)未來(lái)某一時(shí)刻的風(fēng)電出力進(jìn)行預(yù)測(cè)。

2.2 風(fēng)電機(jī)組出力預(yù)測(cè)

風(fēng)力發(fā)電機(jī)輸出功率pwp與風(fēng)速v之間的關(guān)系式[15]如下：

但是，對(duì)于一般的風(fēng)電場(chǎng)，在工作期間，并不是所有機(jī)組都能保證正常運(yùn)行，機(jī)組故障等隨機(jī)事件時(shí)常發(fā)生，為了減少故障率對(duì)調(diào)度方案的影響，根據(jù)對(duì)風(fēng)場(chǎng)的歷史風(fēng)機(jī)可利用率Dratei進(jìn)行統(tǒng)計(jì)，取歷年風(fēng)機(jī)可利用率的平均值Drate作為當(dāng)前調(diào)度周期的風(fēng)機(jī)可利用率，則

式中：Nw為風(fēng)電機(jī)組臺(tái)數(shù)；Pwpi為第i臺(tái)風(fēng)電機(jī)組的預(yù)測(cè)功率。

3 求解算法

3.1 目標(biāo)函數(shù)模糊化處理

多目標(biāo)的求解過(guò)程和求解各子目標(biāo)的最優(yōu)解緊密相關(guān)，但子目標(biāo)之間、各子目標(biāo)的最優(yōu)解同多目標(biāo)最優(yōu)解之間的關(guān)系是模糊的，因此，模糊優(yōu)化方法在某種意義上可以獲得多個(gè)目標(biāo)的共同滿意的結(jié)果[16]。在多目標(biāo)的處理上采用“降半直線形”方法來(lái)構(gòu)造目標(biāo)函數(shù)的隸屬度函數(shù)(能源環(huán)境效益最優(yōu)取倒化為求最小)如下：

式中：fk為第k個(gè)目標(biāo)函數(shù)；fkmin、fkmax為第k個(gè)目標(biāo)函數(shù)的最小值與最大值。

各子目標(biāo)函數(shù)的隸屬度之和最大的為最大滿意解，由此得到

3.2 機(jī)會(huì)約束的處理

供需平衡約束：

對(duì)備用容量約束做類似的處理：

3.3 粒子群優(yōu)化算法

粒子群優(yōu)化算法[19]由Eberhart和Kennedy 共同提出，是通過(guò)模擬鳥(niǎo)群捕食行為設(shè)計(jì)的一種群體智能算法，采用粒子模擬鳥(niǎo)類捕食。其求解步驟為：初始化粒子群；評(píng)價(jià)粒子，計(jì)算適應(yīng)值；尋找個(gè)體極值；尋找全局最優(yōu)解；修改粒子的速度和位置，通過(guò)不斷迭代和更新搜尋最優(yōu)解。具體求解過(guò)程如圖1所示。

圖1 求解路徑圖

4 實(shí) 例

4.1 相關(guān)參數(shù)取值

為了驗(yàn)證所建模型的合理性和有效性，以山西平魯?shù)貐^(qū)A風(fēng)電場(chǎng)和4臺(tái)火電機(jī)組為一個(gè)系統(tǒng)進(jìn)行仿真模擬，令系統(tǒng)基準(zhǔn)值pu為100 MVA，該發(fā)電系統(tǒng)內(nèi)的燃料特性參數(shù)及火電機(jī)組參數(shù)[8]分別

如表1和表2所示。設(shè)定該風(fēng)電場(chǎng)共有33臺(tái)風(fēng)力發(fā)電機(jī)組，其額定功率為1 500 kW，相關(guān)參數(shù)如表3所示。

表1 燃料特性參數(shù)

表2 火電機(jī)組參數(shù)

表3 風(fēng)電機(jī)組參數(shù)

4.2 風(fēng)力出力預(yù)測(cè)

據(jù)氣象局相關(guān)數(shù)據(jù)資料，得到山西平魯?shù)貐^(qū)預(yù)測(cè)周期內(nèi)某段時(shí)間的逐時(shí)風(fēng)速數(shù)據(jù)，根據(jù)數(shù)據(jù)：

1)生成樣本集。從原始數(shù)據(jù)中選取163組數(shù)據(jù)作為訓(xùn)練集，剩余100組作為測(cè)試集，進(jìn)行測(cè)試，運(yùn)行結(jié)果如圖2和圖3所示。

圖2 實(shí)際值與預(yù)測(cè)值對(duì)比

從圖2和圖3可以看出，預(yù)測(cè)值與實(shí)際值高度吻合，相對(duì)誤差基本控制在0.1以內(nèi)，可以證明該方法有較高的精度，在短期風(fēng)速預(yù)測(cè)上具有可行性。

圖3 相對(duì)誤差

用率，見(jiàn)表4。

表4 風(fēng)機(jī)可利用率

則可求出

Pwpi=3.06×10-3pu

σw=aσv=8.54×10-6

4.3 求解及分析

運(yùn)用Matlab2015b編程仿真軟件，取調(diào)度周期為1 h，根據(jù)文獻(xiàn)[4]取系統(tǒng)總負(fù)荷為2.833 pu，σ1、σ2取5%，ρ取30%；粒子群算法中種群數(shù)量為50，迭代次數(shù)為150，對(duì)上述模型進(jìn)行驗(yàn)證。為了驗(yàn)證其有效性，在置信水平為z1=z2=z3=0.99的情況下，設(shè)定不同的調(diào)度情景，分別在如下4種情況下求解模型：

情景1：PN=2.833 pu，目標(biāo)(1)、(3)、(4);

情景2：PN=2.833 pu，目標(biāo)(1)、(3);

情景3：PN=1.833 pu，目標(biāo)(1)、(3)、(4);

情景4：PN=1.833 pu，目標(biāo)(1)(3)。

運(yùn)行結(jié)果如表5所示，從表5可以看出，在PN=2.833 pu下，若要達(dá)到目標(biāo)(4)，得到的最優(yōu)解為0.093 4 pu，幾乎與預(yù)測(cè)值0.093 7 pu相等，使得調(diào)度計(jì)劃對(duì)風(fēng)能資源達(dá)到了最大程度消納；若沒(méi)有目標(biāo)(4)的限定，Pw的最優(yōu)解為0.096 7 pu，超出了預(yù)測(cè)的風(fēng)電場(chǎng)可能提供的最大發(fā)電能力0.093 7 pu，增加了風(fēng)場(chǎng)調(diào)度壓力，降低了發(fā)電系統(tǒng)的可靠性。在小負(fù)荷條件PN=1.833 pu下，若有目標(biāo)(4)，最優(yōu)解0.091 3 pu十分接近預(yù)測(cè)值，使得調(diào)度計(jì)劃也基本達(dá)到對(duì)風(fēng)能資源的最大消納；若沒(méi)有目標(biāo)(4)，Pw最優(yōu)解為0，即風(fēng)能未能利用，這與充分利用清潔可再生能源的目標(biāo)相悖。

表5 模型最優(yōu)解

綜上，在多目標(biāo)優(yōu)化模型中，通過(guò)目標(biāo)(4)的加入，使得最優(yōu)解達(dá)到最大程度利用風(fēng)能資源的目的，有效緩解了當(dāng)前嚴(yán)峻的“棄風(fēng)”現(xiàn)象。并且該目標(biāo)在優(yōu)化模型中對(duì)風(fēng)電出力起到了修正作用，使計(jì)劃出力接近預(yù)測(cè)值，避免了計(jì)劃出力超出實(shí)際可用，減輕了發(fā)電系統(tǒng)的調(diào)度壓力，保證了系統(tǒng)可靠性。

在已有研究基礎(chǔ)上，仍有一些待進(jìn)一步完善之處：提高風(fēng)功率預(yù)測(cè)的準(zhǔn)確度；在發(fā)電成本方面可考慮風(fēng)電場(chǎng)建設(shè)及運(yùn)維投入費(fèi)用，將風(fēng)電成本納入多目標(biāo)優(yōu)化模型，以更加全面地對(duì)風(fēng)火發(fā)電系統(tǒng)的發(fā)電調(diào)度問(wèn)題進(jìn)行優(yōu)化。

5 結(jié) 語(yǔ)

1)考慮風(fēng)電的隨機(jī)性和間歇性對(duì)風(fēng)火發(fā)電系統(tǒng)的可靠性的影響，相較于傳統(tǒng)的多目標(biāo)優(yōu)化調(diào)度模型，基于SVM風(fēng)功率預(yù)測(cè)建立風(fēng)能資源利用最優(yōu)目標(biāo)，進(jìn)一步改進(jìn)了傳統(tǒng)模型約束的邊界條件，并通過(guò)在約束條件中引入機(jī)會(huì)約束，進(jìn)一步降低風(fēng)電的隨機(jī)性影響，增大模型的靈活性。

2)在多目標(biāo)模型的處理上，通過(guò)模糊理論將多目標(biāo)轉(zhuǎn)化為單目標(biāo)從而求得最大滿意解；引入風(fēng)電出力概率模型將機(jī)會(huì)約束轉(zhuǎn)化為確定約束；采用算法簡(jiǎn)單、易于實(shí)現(xiàn)的粒子群算法作為模型求解方法。

3)以山西平魯?shù)貐^(qū)為例進(jìn)行模型實(shí)例驗(yàn)證分析，設(shè)定不同的調(diào)度情景，運(yùn)行出模型結(jié)果，模型求解結(jié)果表明：利用風(fēng)功率預(yù)測(cè)所得的邊界約束條件相較于風(fēng)電機(jī)組的額定功率作為約束邊界條件對(duì)模型結(jié)果起到了一定的修正作用，提高了整個(gè)優(yōu)化模型的精確度；設(shè)定不同置信水平可以讓決策者按當(dāng)前調(diào)度需求來(lái)制定調(diào)度計(jì)劃，使得該模型存在一定的靈活性；所設(shè)風(fēng)能資源利用最優(yōu)目標(biāo)對(duì)風(fēng)電計(jì)劃出力有著顯著的優(yōu)化效果，實(shí)現(xiàn)了在保證發(fā)電系統(tǒng)可靠性的前提下，最大程度地消納風(fēng)能資源，有效地緩解“棄風(fēng)”問(wèn)題，對(duì)風(fēng)火發(fā)電系統(tǒng)的優(yōu)化調(diào)度提供了理論支持并有重要現(xiàn)實(shí)意義。