一種考慮風電隨機性的機組組合模型及其算法

張寧宇 高 山 趙 欣

（東南大學電氣工程學院 南京 210096）

1 引言

電力系統低碳化是指發展對環境、氣候影響較小的新能源來替代傳統高污染能源。新能源主要由兩大類組成：一類是清潔能源，如核電、天然氣等；另一類為可再生能源，如風能、太陽能、生物質能等。其中，風電以清潔、環保、綠色等特點成為學者關注的焦點，尤其經過近幾十年的研究，風力發電技術得到了長足的發展，已有諸多國家實現了風電并網發電，但是風電完全替代火電等傳統能源還存在著各種困難，因此，風電和火電、水電等同時并網發電將是電力系統在今后很長一段時間內需要面對的情況。

要保證風火并存電力系統安全穩定的運行，首先要在充分考慮風電隨機性的基礎上解決調度問題。傳統的機組組合[1,2]（Unit Commitment，UC）模型在滿足負荷平衡約束的前提下，只需針對負荷的預測誤差和機組停運事故等提供相應的備用容量即可，而風電預測誤差為 25%～40%[3]，遠大于負荷預測誤差 3%～5%，而目前為止備用容量一般由火電、水電機組提供，大規模風電場并網后，意味著需要啟動更多的傳統能源機組來保證系統安全穩定運行，這與新能源發展的初衷背道而馳。國內外關于此類問題的研究現狀如下：文獻[4]提出了一種電力市場體制下的機組組合隨機模型，更新風電場的實際功率后重新計算未來時段的機組出力，是一種滾動優化方法。文獻[5]從電力系統運行費用、可靠性和環境等方面研究了大規模風電并網對荷蘭電網的影響，然后采用確定性UC-ED方法對火電機組的最優出力進行求解。文獻[6]提出一種含風電場UC模型備用容量的計算方法，并將計算結果與傳統算法進行了比較，其中采用情景樹的方法來模擬風電場出力情況。文獻[7]所述的UC模型通過隨機抽樣方法得到若干個風電功率情景，并采用Bender’s割將模型分解為主次兩層，主模型用于求解機組的啟停狀態，次模型用于驗證得到的啟停狀態在各種風電情景下是否滿足網絡安全等約束，如不滿足則形成切割約束并返回主模型，如此循環直至求出最優解。文獻[8]針對風電場出力的隨機性，在風速預測的基礎上，應用隨機規劃理論建立了電力系統動態經濟調度模型，引入了機會規劃約束條件，在求解模型時應用了綜合隨機模擬、神經元網絡和遺傳算法的混合智能算法。文獻[9]所述的動態經濟調度模型中引入了正、負旋轉備用約束以應對風電功率預測誤差給系統調度帶來的影響，并提出了粒子群內點混合優化算法。文獻[10]基于極限場景集的場景法來模擬風電功率的各種極限，并對包含各種風電功率極限的確定性機組組合模型采用混合整數規劃方法求解。文獻[11]使用機會約束規劃方法來求解含風電場電力系統的備用容量，作者指出風電出力偏差概率分布應該介于正態分布和拉普拉斯分布之間，并通過選取合適的置信度水平求出了備用容量。文獻[12]采用概率密度函數來分析負荷和風電出力的預測偏差，并引入到機組停運容量的計算中，最終采用智能優化算法求解出最優的旋轉備用需求。

綜上所述，含風電場機組組合問題的研究思路大致如下：將模型中的風電功率看作服從某種概率分布的隨機變量，同時將包含該隨機變量的約束條件用隨機約束條件（一般為機會規劃約束）替代，然后根據相關隨機理論求解。根據隨機約束條件處理方法的不同，模型求解算法可分為兩類：第一類是利用概率論理論將隨機約束條件機轉換為確定性約束，然后由傳統的數學規劃方法求解，但在聯合概率密度分布情況下，難以得到確定性模型；另一類方法利用了智能算法隨機尋優的特點[13]，在每次得到新的個體后，進行隨機約束條件驗證，并通過懲罰因子的形式加入到目標函數中，但智能算法本身耗時較長，加入隨機約束條件后將進一步影響計算效率。

針對已有模型和算法的不足，本文提出一種考慮風電隨機性的機組組合模型及其算法，模型中引入風電可信度指標對風電功率隨機變量建立機會約束條件，保證了系統運行的安全性。基于抽樣平均逼近（Sample Average Approximation）理論，將上述模型轉換成機組組合-抽樣平均逼近（UCSAA）模型；通過 0/1輔助變量解決了聯合概率密度分布的情況下UC模型難以求解的問題。

2 含風電場的機組組合模型

2.1 數學模型

（1）目標函數

（2）系統約束條件

功率平衡約束

備用約束

（3）機組約束條件

有功功率上下限約束：

最小開停機時間約束：

機組啟動費用

（4）風電場投運容量約束條件

（5）風電可信度機會約束條件

（6）網絡安全約束條件

與現有UC模型將風電功率作為負的負荷從總負荷中減去的方法不同，本文模型將風電功率當作一個可調度量處理，同時在約束條件（3）中增加與風電場投運容量相關的備用容量，意義在于：隨著風電場實際投運容量的增加，為保證系統運行的安全性，所需的備用容量也相應增加。此外，式（10）所示的風電可信度機會約束條件將風電功率投運容量與風電隨機變量概率分布相關聯，在風電可信度指標下實現風能最大化利用。

2.2 機會約束條件的處理

（1）策略1：

該策略從整個調度周期T上定義，表示旋轉備用容量滿足風電功率預測誤差的概率不小于1-ε。

（2）策略2：

該策略從單個時間段上定義，保證單個時段中旋轉備用容量滿足風電功率預測誤差的概率不小于1-ε。

（3）策略3：

上述三種策略中，由于策略3中的風電隨機變量服從聯合概率密度分布，因此，在相同風險度1-ε情況下，策略3最為嚴格，相應的運行費用也最大，在5.2節的算例分析中得到了驗證。

3 抽樣平均逼近方法（SAA）

3.1 機會約束規劃[14]

對于式（1）～式（11）描述的隨機規劃問題，可用標準的機會約束規劃模型表示為

式中，X?Rn，ξ為n維隨機向量且服從聯合概率密度分布，區間為Ξ，α∈ ( 0,1)，f∶Rn→R，G∶Rn×Ξ→Rm。

求解機會約束規劃問題時，由于隨機向量服從多維數的聯合概率密度分布，即使模型（15）中約束條件的函數G(·,ξ)為最簡單的線性函數，也難以通過數值方式直接處理機會約束。目前為止，比較有效的算法可分為兩種：一種是離散采樣法：對多維隨機變量進行離散化處理，然后對得到的多個確定性模型求解；另一種方法是對模型（15）中的約束條件進行凸逼近處理得到確定性后求解。本文采用SAA算法屬于后一種。

3.2 SAA算法

SAA算法是一種求解機會約束隨機規劃的有效算法，基本思路是：在經驗分布條件下，使用Monte Carlo模擬技術得到隨機變量概率分布的逼近表達式，然后對得到的模型進行求解。

采用SAA方法對式（15）中的機會約束條件轉化得到到無窮大，SAA模型的解收斂于原模型，由于篇幅原因，對于證明過程本文不再贅述，具體可見文獻[15]。此外在實際計算中，N一般取 2/α，γ取α/2。

4 含風電場機組組合問題的SAA模型

通過SAA算法對式（10）所示的機會規劃約束處理得到式（19）后，便得到機組組合-抽樣平均逼近模型，簡稱 UCSAA，目標函數為式（1），約束條件包含式（2）～式（9），以及式（21）。

可以看出，UCSAA模型中既包含機組啟停整數變量，又含有機組有功輸出等實數變量，屬于混合整數規劃（MIP）范疇。傳統的MIP算法采用分支定界原理進行離散變量組合優化，由于存在“組合爆炸”問題，難以滿足電力系統大規模優化的要求。但近幾年，隨著MIP算法的發展，特別是割平面算法、分支割平面算法的引入，MIP在求解大規模問題方面得到了長足進步，并已廣泛應用于各種領域。因此，本文采用線性化 MIP算法來求解UCSAA模型。

線性化 MIP算法基于線性優化方法，在求解UCSAA模型時，需要所有非線性因素進行線性化逼近，包括發電成本曲線、開機費用和機組最小啟停時間約束等。文中采用文獻[16]所述的機組組合線性化模型，將式（1）～式（9）進行線性化。對式（21）進行線性化時，不同的風電可信度約束策略可采用不同的方法，具體如下：

（2）策略3：在這種情況下，因式（14）中隨機變量服從聯合概率密度分布，已不能通過策略 1和2采用的方法直接轉換成確定性約束，為此，本文引入輔助變量，將式（14）轉換成混合整數約束，具體模型如下[17]：

通過上述方法，式（22）～式（25）已轉換成線性化模型，可以直接加入UCSAA的MIP模型中進行求解。UCSAA模型的MIP求解算法如圖1所示。

算法流程中風電功率隨機樣本生成采用 Monte Carlo模擬實現。該方法是一種基于“隨機數”的計算方法，可以有效模擬各種隨機現象，常常作為一種計算標準來衡量其他隨機方法。首先假設各時段風速服從聯合威布爾概率密度分布，然后對風速隨機向量進行采樣，然后通過圖2所示的風速-風電功率轉換曲線計算風電功率樣本。

圖1 UCSAA模型的MIP算法流程Fig.1 Flow chart of MIP algorithm of UCSAA

圖2 風力發電功率輸出曲線Fig.2 The curve of wind turbine’s output

5 算例分析

本節分別采用了IEEE 3機和10機系統作為算例對UCSAA模型及其MIP算法進行了驗證。IEEE 3機算例中對不同風電可信度以及三種策略情況下的模型最優解進行了求解，并對運行費用進行了比較；同時對不同抽樣樣本數N的情況下最優解的變化情況進行了分析，表明了算法的收斂性。10機算例中，對模型最優解的下限值進行了求解，并得到與最優解的間隙。硬件平臺信息如下：CPU為酷睿雙核，主頻為2.8GHz，內存為2GB，程序開發環境為Matlab 2010b，MIP算法采用CPLEX 12.1混合整數規劃軟件包。

5.1 IEEE 3機6節點系統

機組參數和網絡參數可見文獻[18]，風電場的風機數量為50，通過節點4并網發電，單臺風機的參數如下：切入風速 3m/s，額定風速 13.5m/s，切出風速20m/s，額定功率1MW，24個時段的風速預測值見表 1，標準差取預測值的 0.2～0.4。MIP算法參數如下：β取0.4，?S為10，M為10，N取20，γ取α/2。

表1 24小時風速預測值Tab.1 24 hour forecast data of wind speed

表2 策略1情況下的計算結果Tab.2 Results of policy 1

表3 策略2情況下的計算結果Tab.3 Results of policy 2

表4 策略3情況下的計算結果Tab.4 Results of policy 3

三種策略下系統的運行費用變化情況見表 2～表4所示。隨著風電功率不滿足概率從15%增加到90%，系統的運行費用隨著風電穿透的增加而逐漸減小，這與機會約束規劃風險越大，收益越大的規律相符。相同的風電可信度指標情況下，策略1的運行費用最小，策略2次之，策略3最大，這是因為策略 3中考慮了隨機向量ξ服從聯合概率密度分布，式（14）從整個規劃周期上對風電投運容量做出限制導致的，同時也表明式（22）～式（25）可以有效地處理聯合概率密度分布下的機會約束條件。此外，三種策略下的棄風量分別從風電不滿足概率為15%時的707.7MW、1104.2MW和1104.2MW減少到90%時的394.6MW、78.7MW和763.1MW，雖然減少了風電能源浪費，但同時電力系統的運行風險有所增加，其中策略2情況下增加的運行風險大于其他兩種策略。從運行時間上來看，除了策略3因引入較多輔助變量導致運行時間較長外，策略1和2情況下，計算時間均小于1s。

風機數量為70臺，風電不滿足概率為45%時，三種策略下的計算結果見表5。與風機數量為50臺時的計算結果相比，運行費用有所減少，風電穿透率和棄風量相應增加，計算時間變化不大，表明本文模型在不同并網風機數情況下具有不同的計算結果。

表5 三種策略情況下的計算結果比較Tab.5 The comparison of results by three policies

在策略 2的情況下，UCSAA模型的最優解與隨機向量的采樣樣本數N的關系如圖3所示。可見，隨著N的增加，最優解呈收斂特性，充分驗證了SAA方法的正確性和有效性。

圖3 UCSAA模型的最優解與樣本數N的關系Fig.3 The relationship between the optimal result of UCSAA and sample number N

5.2 IEEE10機系統

算例數據可見文獻[19]，風電場的風機數量為300臺，其余參數與5.1節中相同，τ取0.01，L可根據 3.2節中相應計算公式得到。在不同樣本數N和風電投運風險度ε的情況下，對采用第三種策略的UCSAA模型進行求解，計算結果見表6。

表6 10機系統計算結果Tab.6 Results of 10-unit system

由表6可見，圖1所示的MIP算法可以有效的求出UCSAA模型最優解的下限值，在不同樣本數N情況下，解間隙略有不同。

6 結論

文中提出的含風電場隨機機組組合模型，使用SAA方法處理機會約束條件，從而得到UCSAA模型，尤其在隨機變量服從聯合概率密度分布的情況下，可通過引入 0/1輔助變量將機會約束轉換成確定性約束。對 UCSAA模型的線性化后，直接采用MIP規劃方法進行求解。最后，通過對不同算例進行仿真計算，表明所述模型及算法的有效性和正確性。

[1] 黎靜華, 韋化. 基于模式搜索算法的電力系統機組組合問題[J]. 電工技術學報, 2009, 24(6): 121-128.Li Jinghua, Wei Hua. A general pattern search algorithm for electric power system unit commitment problems[J]. Transactions of China Electrotechnical Society, 2009, 24(6): 121-128.

[2] 江全元, 張銘澤, 高強. 考慮交流潮流約束的機組組合并行解法[J]. 電工技術學報, 2009, 24(8):120-126.Jiang Quanyuan, Zhang Mingze, Gao Qiang. A parallel algorithm for unit commitment including ac power flow constraints[J]. Transactions of China Electrotechnical Society, 2009, 24(8): 120-126.

[3] 楊秀媛, 肖洋, 陳樹勇. 風電場風速和發電功率預測研究[J]. 中國電機工程學報, 2005, 25(11): 1-5.Yang Xiuyuan, XiaoYang, Chen Shuyong. Wind speed and generated power forecasting in wind farm[J]. Proceedings of the CSEE, 2005, 25(11):1-5.

[4] A Tuohy, P Meibom, E Denny, et al. Unit commitment for systems with significant wind penetration[J]. IEEE Transactions on Power System,2009, 24(2): 592-601.

[5] B C Ummels, M Gibescu, E Pelgrum, et al. Impacts of wind power on thermal generation unit commitment and dispatch[J]. IEEE Transactions on Energy Conversim, 2007, 22(1): 44-51.

[6] F Bouffard, F D Galiana. Stochastic security for operations planning with significant wind power generation[C]. IEEE Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the 21st Century, Pittsburgh, PA,2008.

[7] J Wang, M Shahidehpour, Z Li. Security-constrained unit commitment with volatile wind power generation[J]. IEEE Transactions on Power System,2008, 23(3): 1319-1327.

[8] 孫元章, 吳俊, 李國杰. 基于風速預測和隨機規劃的含風電場電力系統動態經濟調度[J]. 中國電機工程學報, 2009, 29(4): 41-47.Sun Yuanzhang, Wu Jun, Li Guojie. Dynamic economic dispatch considering wind power penetration based on wind speed forecasting and stochastic programming[J]. Proceedings of the CSEE,2009, 29(4): 41-47.

[9] 周瑋, 彭昱, 孫輝. 含風電場的電力系統動態經濟調度[J]. 中國電機工程學報, 2009, 29(25) : 13-18.Zhou Wei, Peng Yu, Sun Hui, et al. Dynamic economic dispatch in wind power integrated system[J]. Proceedings of the CSEE, 2009, 29(25): 13-18

[10] 葉榮, 陳皓勇, 王鋼. 多風電場并網時安全約束機組組合的混合整數規劃解法[J]. 電力系統自動化,2010, 34(5): 29-33.Ye Rong, Chen Haoyong, Wang Gang. A mixed integer programming method for security-constrained unit commitment with multiple wind farms[J].Automation of Electric Power Systems, 2010, 34(5):29-33.

[11] 葛炬, 王飛, 張粒子. 含風電場電力系統旋轉備用獲取模型[J]. 電力系統自動化, 2010, 30(6): 32-36.Ge Ju, Wang Fei, Zhang Lizi. Spinning reserve model in the wind power integrated power system [J] .Automation of Electric Power Systems, 2010, 30(6):32-36.

[12] 蘇鵬, 劉天琪, 李興源. 含風電的系統最優旋轉備用的確定[J]. 中國電機工程學報, 2010, 34(12):158-162.Su Peng, Liu Tianqi, Li Xingyuan. Determination of optimal spinning reserve of power grid containing wind[J]. Power System Technology, 2010, 34(12):158-162.

[13] 江岳文, 陳沖, 溫步瀛. 含風電場的電力系統機組組合問題隨機模擬粒子群算法[J]. 電工技術學報,2009, 24(6): 129-137.Jiang Yuewen, Chen Chong, Wen Buying. Particle swarm research of stochastic simulation for unit commitmen in wind farms integrated power system[J]. Transactions of China Electrotechnical Society,2009, 24(6): 129-137.

[14] B K Pagnoncelli, S Ahmed, A Shapiro. Sample average approximation method for chance constrained programming: theory and applications[J]. Journal Optimization Theory Applications, 2009, 142 (2):399-416.

[15] Wang Qianfan, Guan Yongpei, Wang Jionhui. A chance-constrained two-stage stochastic program for unit commitment with uncertain wind power output[J].IEEE Transactions on Power Systems, 2012, 27(1):206-215.

[16] Carrion M, Arroyo J M. A computationally efficient mixed-integer linear formulation for the thermal unit commitment problem[J]. IEEE Transactions on Power Systems, 2006, 21(3): 1371-1378.

[17] Luedtke J, Ahmed S. An integer programming approach for linear programs with probabilistic constraints[C]. Integer Programming and Combinatorial Optimization, Ithaca, USA, 2007.

[18] Yong Fu, Shahidehpour M. Security-constrained unit commitment with AC constraints[J]. IEEE Transactions on Power Systems, 2005, 20 (3): 1538-1550.

[19] Weerakorn Ongsakul, Nit Petcharaks. Unit commitment by enhanced adaptive lagrangian relaxation[J]. IEEE Transactions on Power Systems, 2004, 19(1):620-628.