考慮含熱電聯產機組及可再生能源優先消納的風-光-水-火聯合優化調度

林 琳 高 雪 甄 釗

(1. 保定電力職業技術學院(國網冀北電力有限公司技能培訓中心) 保定 071051；2. 華北電力大學(保定)電力工程系 保定 071003)

1 引言

近年來，風電的普及率大幅度提高，預計未來還將持續增長，美國能源部就曾描述到2030 年風力發電可以產生20%國家電力的情景[1]，因此，一些國外電力系統運營商認為可再生能源比其他常規發電源具有更高的優先級[2]。但出力具有間歇特性的風能和太陽能被大規模利用，一方面給電力系統的穩定調度運行帶來了諸多挑戰；另一方面由于其本地消納困難，可再生能源無法得到充分利用，造成了大量的能源浪費。

為解決上述問題，眾多學者從提高風力、光伏發電的理論預測精度[3-7]和現實大容量的儲能技術[8-10]等角度進行研究。然而風能和太陽能固有的隨機性并不可消除，大容量的儲能技術還停留在探索階段，因此需要充分利用能源之間的互補特性，與常規機組相結合，實現電網的穩定運行。文獻[11]基于模擬退火粒子群優化算法，建立了風能、水能和天然氣機組互補的發電模型，利用水能和天然氣機組具有快速調節的能力，提高風能在能源結構中的占比；文獻[12]以水電站“棄水”最少、火電出力波動最小及總運行成本最低為目標，建立了清潔能源優先的多目標短期優化調度模型，為后期的新能源協調運行提供了數據及應用指導；文獻[13]提出了一種風電、熱電聯產機組和常規機組共存，含有儲熱熱電聯產與電鍋爐協調供熱的棄風消納調度模型，對比分析了多種供熱模型下消納棄風的能力，得出了理論上電鍋爐的最優供熱比例；文獻[14]在熱電聯供模式的基礎上進一步包含制冷制備，考慮費率結構對發電成本的影響，建立了清潔能源互補發電的冷熱電聯供系統。

本文提出一種包含風電、光伏、水電和火電機組共存的可再生能源優先消納的發電模型，通過水電站的蓄水能力來平抑一部分由風電和光伏引起的波動，實現能源上的互補。此外，考慮北方冬季供暖的實際問題，基于熱電聯產機組將電力系統和熱力系統聯合起來，在更為廣闊的時空范圍內提高資源的優化配置能力。在傳統粒子群優化算法(Particle swarm optimization，PSO)的基礎上借鑒遺傳算法(Genetic algorithm，GA)中自然選擇機理，提高全局最優求解精度，體現了多種可再生能源互補發電帶來的經濟效益并為其可靠運行提供了應用指導。

2 風-光-水-火聯合優化調度模型

為實現對可再生能源的優先消納，論文所構建模型需要針對性設定風電、光伏出力的約束條件來保證風電、光伏按照輸出功率參與調度。在此基礎上以常規火電機組的電輸出功率、熱電聯產機組的電輸出功率和熱輸出功率為優化變量，設定總發電成本最小的目標函數，從而構建風-光-水-火聯合優化調度模型并求解。本章主要介紹調度模型的詳細數學架構。

2.1 目標函數

含有多種可再生能源的電力系統經濟優化調度以總發電成本最小為調度目標，總發電成本由常規火電機組成本和熱電聯產機組成本組成。由于不考慮風電機組、光伏電站和水電廠的投資成本和運行成本，故風-光-水-火聯合優化調度模型的目標函數如下

式中，F表示總發電成本；F1表示常規火電機組成本；Pi表示第i臺常規火電機組的電輸出功率；F2表示熱電聯產機組成本；Pe.j和Ph.j分別表示第j臺熱電聯產機組的電輸出功率和熱輸出功率。

2.1.1 常規火電機組成本F1

常規火電機組的發電成本由兩部分構成，即運行成本和啟停成本。

式中，ai、bi、ci分別為第i臺常規火電機組運行成本二次系數；Pi.t為第i臺常規火電機組在t時刻的輸出功率；ui.t為第i臺常規火電機組在t時刻的啟停狀態，1 表示運行，0 表示停機；Si為常規火電機組i的啟動成本；N為常規火電機組臺數。

2.1.2 熱電聯產機組成本F2

風-光-水-火聯合調度中僅有熱電聯產機組承擔供熱任務，需要將機組保持運行狀態，故熱電聯產機組成本僅包含運行成本，且機組運行成本與機組的電出力和熱出力均有關，即

式中，aj、bj、cj分別為第j臺熱電聯產機組的運行成本系數；Pe.j.t和Ph.j.t分別為第j臺熱電聯產機組在t時刻的電輸出功率和熱輸出功率；Cv為熱電聯產機組運行系數，取0.15；Ne為熱電聯產機組臺數。

2.2 約束條件

2.2.1 風電出力約束

在不考慮尾流和能量損耗的情況下，風力發電機的輸出功率與風機輪轂高處的風速有關，即

式中，Pp.m.t表示第m組光伏電池在t時刻的電輸出功率；PR p.m表示第m組光伏電池在標準條件下(1 000 W/m2，25 ℃)的最大電功率；Gm.t表示第m組光伏電池在t時刻的光照強度；kT表示功率溫度系數；Tm.t表示第m組光伏電池在t時刻的溫度；TR表示標準條件下的溫度，即參考溫度，取25 ℃；GR表示標準條件下的光照強度，取1 000 W/m2。

在調度過程中，太陽能和風能一樣，都按照輸出功率參與調度，保證可再生能源的優先消納。

2.2.3 水電出力約束

水電站一般用于防洪、蓄水、發電等任務，其中每日發電的用水量需要根據水電調度部門的要求進行安排。在本模型當中，假設不發生“棄水”現象，保證可再生能源得到充分利用。

式中，Ql.min、Ql.max分別表示水電站l每日最小和最大發電用水量；Ql.t表示水電站l在t時刻實際發電用水量；Ps.l.min、Ps.l.max分別表示水電站l最小和最大技術出力；Ps.l.t表示水電站l在t時刻實際出力；a為水電轉換常數，通常取9.81；ηl為水電站l的效率；Hl.t為水庫l在t時刻的水頭高度。

2.2.4 系統平衡約束

聯合優化調度模型的系統平衡約束包括電功率平衡約束和熱功率平衡約束。

(1) 電功率平衡約束

在忽略網絡損耗和網絡限制的條件下，聯合系統的電功率平衡約束如下

式中，Ph.j.t為第j臺熱電聯產機組在t時刻的熱輸出功率；Phz.t為t時刻的系統熱負荷實際值。

2.2.5 火電機組約束

(1) 機組出力約束

常規火電機組和熱電聯產機組均只能在各自出力調節范圍內運行，其各自出力約束如下

式中，Pi.min、Pi.max分別表示第i臺常規火電機組最小發電功率和最大發電功率；Pe.j.min、Pe.j.max分別表示第j臺熱電聯產機組最小電輸出功率和最大電輸出功率。

(2) 機組爬坡約束

機組的各自調節特性不同，在運行過程中其調節性能受到各自爬坡速率的限制。

(3) 系統備用約束

旋轉備用容量被用來保證電力系統的穩定運行，是系統正常運行的必要條件之一。

式中，Pi.max、Pe.j.max、Ps.l.max分別表示第i臺常規火電機組最大發電功率、第j臺熱電聯產機組最大電輸出功率、水電站l最大技術出力；kd、kw、kp分別表示系統負荷波動系數、風電波動系數和光伏波動系數，分別取值為10%、15%和20%。

3 風-光-水-火聯合優化調度算法

3.1 基于自然選擇的粒子群優化算法

粒子群優化算法起源于對鳥類捕食的行為研究，是一種基于迭代的優化工具[15]。由于隨機粒子在尋優過程中逐漸趨于同一化，使得后期進化速度明顯變緩，易陷入局部最優解當中。因此將遺傳算法中的自然選擇機理與粒子群算法相結合，將兩者間優劣勢進行互補，得到基于自然選擇的粒子群優化算法。

改進后的算法每迭代一次，用粒子群中最好的一半粒子的速度和位置替換掉最差一半的速度和位置，同時保留原每個個體所記憶的歷史最優值。

3.2 算法流程

改進后的粒子群優化算法的具體流程如下所示。

(1) 隨機初始化粒子群中各粒子的速度和位置，即假設d維搜索空間中第i個粒子的速度和位置分別為Vi=(vi.1,vi.2, …,vi.d)和Xi=(xi.1,xi.2, …,xi.d)。

(2) 評價每個粒子的適應度，將當前各粒子的位置和適應值存儲在各粒子的個體極值pbest，Pi=(pi.1,pi.2, …,pi.d)中，將所有pbest中適應值最優個體的位置和適應值存儲于全局最優解gbest，Pg中。

(3) 用下式更新粒子的速度和位置。

式中，w為慣性權因子；c1和c2為學習因子，且c1,c2>0；r1和r2為[0, 1]間均勻分布的隨機數。

(4) 對每個粒子，將其適應值與其經歷過的最好位置作比較，如果較好，則將其作為當前最好位置。

(5) 比較當前所有pbest和gbest的值，更新gbest。

(6) 將粒子群按適應值排序，用群體中最好的一半的粒子的速度和位置替換掉最差的一半的速度和位置，保持pbest和gbest不變。

(7) 若滿足預設的運算精度，搜索停止，輸出結果，否則返回步驟(3)繼續搜索。

4 算例及仿真結果分析

算例采用24 時刻日調度模型，時間間隔為1 h，基于熱電聯產及可再生能源優先消納的風-光-水-火聯合調度系統包含常規火電機組、熱電聯產機組和裝機容量300 MW 的水電站以及大量分布式風力發電機、光伏電池組，其他機組的參數及取值如表1所示。

表1 聯合調度系統各機組參數及取值

為了驗證該模型的合理性，分夏季和冬季對模型進行求解，電負荷和熱負荷取我國北方某地區的典型負荷，風電、光伏出力均按北方某地區兩季的預測值進行計算。由于供暖需要，夏季相較于冬季對熱負荷的需求明顯增加，兩季的風電出力較為平穩，光伏發電在負荷高峰時段出力較大，能在一定程度上抵消部分峰值負荷。

基于自然選擇的粒子群優化算法中各參數的設置如下：種群規模N為200，最大迭代次數M取100，學習因子c1、c2分別取2，慣性權重w取0.7，分別采用傳統粒子群算法與本文所提算法求解。圖1、圖2分別為夏季和冬季場景下，模型求解過程中目標函數隨迭代次數的變化曲線。可以看出與傳統粒子群算法相比，改進后的粒子群優化算法能夠有效求解本文所構建的日調度模型，迅速得到最優目標函數結果。

圖1 夏季場景下的目標函數值變化曲線圖

圖2 冬季場景下的目標函數值變化曲線圖

最終得到夏季和冬季典型日發電總成本，如表2所示。不同典型日各時段下的常規火電機組電輸出出力、熱電聯產機組電輸出功率和熱輸出功率如圖3、4所示，各類能源的發電占比例則如圖5、6 所示。

表2 不同負荷類型下總發電成本

圖3 夏季不同典型日各時段下出力曲線圖

圖4 冬季不同典型日各時段下出力曲線圖

圖5 夏季典型日各能源發電所占比例

由夏季典型日仿真結果可知，模型通過對風、光、水發電功率的約束設置，保證了對系統中可再生能源的優先，在此基礎上3 臺常規火電機組總發電量為5 076 MW·h，4 臺熱電聯產機組提供的總發電量與熱能為6 283.91 MW·h，僅發電量方面，常規火電機組占比68%，熱電聯產機組占比24%，水力發電占比6%，風力發電占比1%，光伏發電占比1%。相比之下，冬季典型日常規火電機組和熱電聯產機組發電量占比分別為66%、23%，水力、風力、光伏發電量占比則為9%、1%和1%，占比變化幅度不大。

圖6 冬季典型日各能源發電所占比例

5 結論

本文構建了含有風光水火聯合調度模型，以可再生能源優先消納、系統總運行成本最小為目標，考慮北方實際供暖問題，在模型中加入熱電聯產機組，采用改進的粒子群優化算法對不同季節典型日的優進行求解，由算例仿真結果得到如下結論。

(1) 風電、光伏等新能源普遍具有隨機性和波動性，在考慮可調節水電后可有效緩解間歇性能源帶來的波動，使常規火電機組和熱電聯產機組避免頻繁的出力調節，具有良好的互補特性。

(2) 針對不同季節下負荷的變化及可再生能源的波動特性，采用改進的粒子群優化算法求解，考慮到傳統粒子群算法在尋優迭代過程中易陷入局部最優解當中，因此將遺傳算法中自然選擇機理與粒子群算法相結合，使得仿真結果精確。

(3) 在常規機組穩定運行的前提下，采用可再生能源優先消納的策略，可提高電網對可再生能源的接納能力，對風電等新能源和其他能源的協調運行提供借鑒，響應國家大力對新能源大力發展的要求。