含風電和徑流式小水電的多目標環(huán)境經(jīng)濟調(diào)度

朱艷芳

摘 要 本文構(gòu)建了含風電和徑流式小水電機組的多目標環(huán)境經(jīng)濟調(diào)度模型。為應(yīng)對風電和徑流式小水電機組的不確定性，采用概率密度函數(shù)對風速和河流流量進行模擬，利用蒙特卡洛法模擬得到風電和徑流式小水電機組的功率分布，并計算可再生能源預(yù)測功率的低估和高估帶來的懲罰成本與儲備成本。該模型能兼顧燃料費用目標及污染排放目標，并考慮安全約束、禁止運行區(qū)等約束條件。為獲取最優(yōu)調(diào)度方案集，提出一種非支配排序改進多目標教學優(yōu)化算法，并將其與不可行解約束處理技術(shù)相結(jié)合，實現(xiàn)模型的有效求解。

關(guān)鍵詞 可再生能源 徑流式小水電 網(wǎng)絡(luò)安全約束 多目標環(huán)境經(jīng)濟調(diào)度

中圖分類號：TP176.5;F42 文獻標識碼：A 文章編號：1007-0745（2021）05-0038-03

近年來，可再生能源增長迅速，在減少碳排放、降低環(huán)境污染的同時，可再生能源入網(wǎng)帶來的不確定性也給電網(wǎng)的安全經(jīng)濟運行帶來諸多影響。可再生能源并網(wǎng)的研究集中于風電和光伏，對徑流式小水電并網(wǎng)考慮較少。徑流式小水電因為其投資少、建設(shè)周期短等優(yōu)點獲得了飛速的發(fā)展，目前裝機容量約占中國水電的30%，是電力工業(yè)的重要組成部分。然而徑流式小水電出力不確定性較大，對電力系統(tǒng)穩(wěn)定運行有很大影響，因此將其納入多目標環(huán)境經(jīng)濟調(diào)度（multiobjectiveeconomic-environmentaldispatch，MOEED）問題的研究有重要意義。

1 目標函數(shù)和約束條件

1.1 發(fā)電成本

1.1.1 火電機組發(fā)電成本

火電機組的發(fā)電成本與輸出功率的關(guān)系可以表示為：

考慮閥點效應(yīng)時的發(fā)電成本表示為：

1.1.2 可再生能源發(fā)電成本

可再生能源接入電網(wǎng)時要考慮其不確定性。如果輸出功率低于預(yù)期功率，稱為對可再生能源的高估，應(yīng)該承擔旋轉(zhuǎn)備用儲備成本;如果輸出功率高于預(yù)期功率，則稱為對可再生能源的低估，應(yīng)該承擔懲罰成本[1]。因此，可再生能源的總成本包括直接成本、低估時產(chǎn)生的懲罰成本和高估時產(chǎn)生的儲備成本。風電機組的直接成本可表示為：

高估風電機組的輸出功率時，儲備成本為：

低估風電機組的輸出功率時，產(chǎn)生的懲罰成本為：

則風電機組的總成本為：

徑流式小水電機組的直接成本為：

高估徑流式小水電機組的輸出功率時，儲備成本為：

低估徑流式小水電機組輸出功率時，懲罰成本為：

則徑流式小水電機組的總成本為：

系統(tǒng)總發(fā)電成本是火電機組成本與可再生能源成本的總和，可表示為：

1.2 污染物排放量

火電機組污染物排放量表示為：

1.3 優(yōu)化目標

優(yōu)化的整體目標為發(fā)電成本最優(yōu)和污染排放量最小，則根據(jù)上式中的公式可得多目標優(yōu)化目標為：

2 TLBO算法

TLBO算法主要模擬教學學習過程，包括教學階段和學習階段。在教學階段，教師對學習者分享知識;在學習階段，學習者相互學習來促進進步。算法各階段介紹如下[2]。

2.1 教學階段

對于N個學習者組成的班級，通常認為班級中最好的學習者是教師，教師將知識傳播給學習者，從而提高班級的平均值。班級的平均值為：

在教學過程中，對學習者進行如下更新：

2.2 學習階段

學生與學生之間隨機交流，隨機選擇2個學生xi和xh（i≠h），比較他們的學習成績，成績差的學生向成績好的學生進行交流學習，過程如下

2.3 NSITLBO算法

在原有TLBO算法的教學階段，教學因子TF只是簡單地設(shè)置為1或2，學生對于老師教授的知識只能選擇全接受或者全不接受，教學方式過于單一。因此，提出一種自適應(yīng)的教學因子[3]。

在NSITLBO算法中，通過基于非支配概念排序和擁擠距離值比較來找到最佳解決方案，基本流程如圖1所示，算法具體步驟如下。

（1）隨機生成N個學習者的初始種群。根據(jù)非支配概念排序和擁擠距離值比較來選擇教師，根據(jù)學生水平調(diào)整教學因子。

（2）根據(jù)TLBO算法的教學階段更新學習者。并將新學習者和舊學習者合并，選擇種群大小為N的最佳學習者。

（3）根據(jù)TLBO算法的學習階段更新學習者。在學習階段結(jié)束之后，新學習者與舊學習者合并在一起，再次基于非支配概念和擁擠距離值選擇種群大小為N的最佳學習者。并在下一次迭代中根據(jù)教學階段直接更新這些學習者[4]。

2.4 約束處理技術(shù)

根據(jù)提出的不可行解約束處理技術(shù)，將等式約束通過容忍度參數(shù)轉(zhuǎn)換為不等式約束。此外，所有約束都需要標準化，否則它們不同的數(shù)值范圍可能會產(chǎn)生偏差。總約束違反量計算為：

對于解xi和xj，在以下情況下，認為xi優(yōu)于xj。

（1）xi可行，xj不可行。

（2）xi和xj都可行，但xi的目標值優(yōu)于xj。

（3）xi和xj都不可行，但xi的目標值優(yōu)于xj。

綜上所述，這種約束處理技術(shù)根據(jù)兩種解的適應(yīng)度值進行比較，優(yōu)勝劣汰，提高整體解的質(zhì)量[5]。

3 結(jié)語

本文建立了含風電和徑流式小水電的電力系統(tǒng)MOEED模型，使用概率密度函數(shù)對風速和河流流量進行模擬，通過蒙特卡洛法得到可再生能源的功率分布。并將可再生能源的懲罰成本與儲備成本也適當?shù)靥砑拥桨l(fā)電成本中，以較好地體現(xiàn)可再生能源功率對系統(tǒng)調(diào)度的影響，并兼顧經(jīng)濟效益和環(huán)境效益。為了更好地解決MOEED問題，本文提出了求解更為有效的NSITLBO-SF算法，通過對機組出力的實時調(diào)整及對約束違反量適當懲罰，實現(xiàn)對復(fù)雜約束的有效處理;并利用歸一化操作，避免算法向一目標過度進化，以獲得最優(yōu)的調(diào)度方案。

參考文獻：

[1] 孟進.基于改進量子粒子群算法的電力環(huán)境經(jīng)濟調(diào)度研究[D].華北電力大學，2020.

[2] 李笑竹，王維慶.基于多目標飛蛾撲火算法的含風電電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟調(diào)度[J].電氣工程學報，2020，15（03）：1-12.

[3] 張晶杰.新時代煤電大氣污染物控制與碳減排環(huán)境經(jīng)濟政策研究[D].華北電力大學，2020.

[4] 李進昌，張玉瓊，彭思成，廖清芬，劉滌塵，王波，徐業(yè)琰.考慮PM2.5二次生成和源荷互動的電-熱聯(lián)合系統(tǒng)環(huán)境經(jīng)濟調(diào)度研究[J].智慧電力，2020，48（07）：81-87.

[5] 于杰，陳新建，朱軼倫，王彬任.基于深度學習的含風電電力系統(tǒng)實時調(diào)度模型研究[J].機電信息，2020（18）：1-3.