基于改進粒子群算法的風水火電短期多目標優化調度研究

劉易斯， 王　鵬

(1.三峽大學電氣與新能源學院，湖北　宜昌　443002；2.國網宜昌供電公司，湖北　宜昌　443001)

風能作為一種可再生清潔能源，是調整我國能源結構的重要成分。由于風能的不穩定性，系統需要足夠調節能力以保障實時功率平衡[1]。如何降低風能不穩定性造成的影響，確保電網運行的可靠性，是建立多元能源調度模型的關鍵。

在風、水、火聯合優化調度中，為避免火電機組頻繁啟停，常由火電機組承擔基荷[2-3]；水電能源因其優秀的調峰調頻特性[4]，常用于承擔負荷變動部分；針對風電出力的不穩定性，可增加系統備用容量[5]或使用場景法[6]，以滿足系統負荷需求。文獻[7-8]均優先調度風電，以火電發電成本最小為目標函數，但均未考慮網絡安全約束；文獻[9]建立考慮安全約束，以發電成本為目標函數的多種能源調度模型，但對各能源間相互影響描述不夠清晰。

在優化調度研究中，常用算法有動態規劃法[10-11]、遺傳算法[12]、粒子群算法[13-14]等。風水火聯合優化調度是一個高維多約束非線性問題，使用動態規劃法存在儲存量和計算量大、運算時間長等問題；遺傳算法存在不易收斂問題；粒子群算法具有運行速度快、易于改進等特點，在求解復雜優化調度問題中被廣泛采用。

針對風水火聯合運行日前優化，如何最大程度消納風能，充分利用水電調峰能力，減少碳排放并使火電機組出力平穩，對電力系統具有重要意義。本文將風電引入水火系統中，風電優先全額入網，剩余負荷由梯級水電站、火電站進行分配，充分利用水電的調峰特性，實現風電消納，降低火電發電成本并使火電發電波動最小。

1　模型建立與求解

1.1　模型建立

由于風能的不可控性，風、水、火電聯合運行的控制策略上主要通過調控水電火電以消納風電，在數學模型的建立中只考慮與水、火電相關的變量。本文根據負荷范圍及水電發電能力給出風電出力范圍，優先風電入網，剩余負荷再由各梯級水電站及火電站進行分配。實現風電風火水協調優化調度模型含火電發電成本和火電波動量2個目標函數。

最佳經濟目標：

(1)

式中：Psit為火電機組i在t時間段內的出力；asi,bsi,csi為火電站煤耗量常系數。

火電出力平穩目標：

(2)

式中：HNt為t時間段火電機組出力。

約束條件：

a. 系統功率平衡約束：

(3)

式中：PGit為火電廠i在t時間段內總發電量；PHjt為水電廠j在t時間段內總發電量；PWkt為風電廠k在t時段內總發電量；PDt為t時段內系統負荷。

b. 火電出力上下限約束：

PSmini≤PSit≤PSmaxi(i=1,2,…,Ns;t=1,2,…,T)

(4)

式中：PSit為火電廠i在t時間段內出力；PSmini為火電廠i出力下限；PSmaxi為火電廠i出力上限；Ns為系統中火電廠數量。

c. 水電發電流量約束：

QHminj≤QHjt≤QHmaxj(i=1,2,…,Nh;t=1,2,…,T)

(5)

式中：QHjt為水電站j在t時間段內發電流量；QHminj為水電站j最小發電流量；QHmaxj為水電站j最大發電流量，Nh為梯級系統中水電站數量。

d. 水電站庫容約束：

VHminj≤VHjt≤VHmaxj(j=1,2,…,Nh;t=1,2,…,T)

(6)

式中：VHjt為水電站j在t時間段內庫容；VHminj為水電站j最小庫容；VHmaxj為水電站j最大庫容。

e. 水電發電功率約束：

PHminj≤PHjt≤PHmaxj(j=1,2,…,Nh;t=1,2,…,T)

(7)

式中：PHjt為水電站j在t時間段內出力，PHminj為水電站j出力下限，PHmaxj為水電站j出力上限。

f. 水量平衡方程：

VHjt=VHj,t-1+(IHjt-QHjt+QH,j-1,t)Δt

(8)

VHjt=VHj,t-1+(IHjt-QHjt+QH,j-1,t-τj)Δt

(9)

式中：QH,j-1,t-τj為上級水電站在t-τj時段的出庫流量。

g. 水電轉換關系：

(10)

式中：j=1,2,…,Nh,t=1,2,…,T；c1,c2,c3,c4,c5,c6為水電站出力-庫容-流量系數。

h. 水庫邊界約束：

(11)

1.2　模型求解

本文中風、水、火電聯合優化調度目標函數有火電發電成本、火電波動量，采用線性加權法，引入權重系數λ，將上述多目標問題轉化為單目標進行求解。

權重系數λi由各目標對整個優化問題的重要程度確定，并確保各目標在數量級上一致，根據實際數據多次運算確定。

2　粒子群算法改進

對于約束復雜的模型，改進算法參數，可提高算法收斂性、穩定性、精確度。改進粒子群算法的關鍵在于慣性權重和加速系數，合理改進可提高算法性能。

2.1　對慣性權重的改進

粒子群算法的搜索邏輯受慣性權重影響，慣性權重相對較大，有利于全局搜索；慣性權重相對較小，有利于區域數據挖掘。因此可采用線性遞減慣性權重，慣性權重隨迭代次數增加而減小，使算法運行初期注重全局搜索，后期注重數據挖掘。改進后公式如下：

(12)

式中：GP為最大的疊代次數；W(0)是初始權重；W(GP)是最終的權重；W(t)代表當前的權重，且W(0)>W(GP)。

2.2　加速系數的選擇

學習因子C1和C2分別表示粒子“個體認知”和“社會認知”。若C1相對較大，C2相對較小，粒子會過多的在其個體最佳位置周圍漫游，搜索速度慢；若C1相對較小，C2相對較大，粒子會過多的被吸引到全局最佳位置，從而導致早熟現象。改進學習因子確定方法，C1隨時間線性遞減，C2隨時間線性遞增，使算法初期注重全局搜索，后期注重數據挖掘。C1和C2改進方法如下：

(13)

(14)

式中：C1Max=C2Max=2.5，C1Min=C2Min=0.5。

2.3　數值試驗

數值試驗利用Matlab R2014A在Intel Core3主頻3.7 GHz計算機上進行運算試驗。粒子群算法初始參數：C1=C2=2，w=0.9，種群數設為50，最大疊代次數為200。測試函數如下：

F(x)=(x1-1)2+(x2-2)2

x1∈(1,4),x2∈(2,5)

累計運行100次，本文改進粒子群算法用時4.6 s，優于基礎粒子群算法用時5.1 s，滿足工程實際需要。

3　算例分析

在梯級水電站短期優化調度仿真中，本文采用電網系統中某梯級水電站、火電廠、風電場某日數據[15]，分別以最佳經濟調度和上述多目標綜合調度為目標進行運算。以24 h為調度周期，1 h為1個調度時段，共24個時段，采用50個粒子，算法用Matlab實現。

兩種調度模式下，梯級水電站、火電出力對比結果如圖 1、圖2所示，可以看出多目標綜合調度下梯級水電站出力曲線由于補償風電波動而波動增加，火電出力曲線趨于平緩。

圖1　梯級水電站出力曲線

圖2　火電機組出力曲線

將兩種調度模式運行結果進行對比。最佳經濟調度模式下發電成本為7.76×105元，火電波動量為240.4 MW；多目標綜合調度模式下發電成本為6.5×105元，火電波動量為238.7 MW。可見多目標綜合調度模式下發電成本降低且火電波動量下降。

對比上述數據可以看出，多目標綜合調度運行可降低火電發電成本，并提高火電機組出力平穩性。從運行結果看，文中多目標綜合調度充分利用梯級水電站調度靈活的特性，在實現風電消納的同時,降低了火電出力波動性。

4　結束語

本文綜合考慮風電不穩定性及水電調度靈活的特點，提出了風、水、火電短期聯合優化調度策略。建立以火電發電成本最小且出力平穩為目標的優化調度模型，考慮梯級水電站發電流量，蓄水量，風、水、火電站的出力等約束，構建了多元能源聯合調度模型。采用線性加權法處理多目標問題，使用粒子群算法進行模型求解，較好地解決了多維非線性優化問題。實際算例表明，本文提出的模型及優化算法降低了火電發電成本，同時減少了火電出力波動，取得了較好效果。為確保系統安全運行，需考慮系統節點功率平衡約束，使風、水、電火電聯合優化更符合電網運行需求。