徐 武，陳盈君，文 聰*，徐浩東

(1. 云南民族大學電氣信息工程學院，云南昆明 650500；2. 陜西長慶專用車制造有限公司，陜西咸陽 712000)

1 引言

近年來，由于環(huán)境污染問題日益嚴重，以風電為代表的新能源電場明顯增加，但是棄風現(xiàn)象嚴重，而且風能發(fā)電具有間歇性和反調(diào)峰性，損害了經(jīng)濟利益，降低棄風和風火互補成為了研究熱點[1]。

針對以上問題，文獻[2]利用儲能系統(tǒng)對風力發(fā)電進行削峰填谷，提高了風電接納量，并具有良好的經(jīng)濟性，但建立儲能系統(tǒng)成本太高[2]。文獻[3]利用極限穿透功率的風電場棄風懲罰模型，雖然能衡量損失但其模型忽視了對風電預測精度評估[3]。文獻[4]針對火電廠負荷指令利用改進混沌粒子群算法做最優(yōu)負荷分配實現(xiàn)了經(jīng)濟效益最大化，但是沒考慮新能源發(fā)電，環(huán)境成本較高[4]。文獻[5]建立了考慮火力發(fā)電成本、風力發(fā)電成本和棄風懲罰成本的模型，并用改進螢火蟲算法對模型求解，但其棄風懲罰模型沒考慮分段棄風懲罰成本，無法達到減少棄風，抑制反調(diào)峰現(xiàn)象的目的[5]。文獻[6]構建了包含風險懲罰、電網(wǎng)安全約束和機組特性的風電并網(wǎng)模型，此方案強調(diào)了風電并網(wǎng)的風險評估，提升了風火互補發(fā)電廠的穩(wěn)定性，但是缺少經(jīng)濟性方面的研究[6]?；诖耍疚奶岢隽艘环N基于風力發(fā)電便捷性評估的綜合棄風懲罰模型。首先通過風電場的出力穩(wěn)定性和對其出力的預測準確性來評估便捷性，得到權重系數(shù)，結合分段棄風懲罰成本系數(shù)抑制風電場的棄風現(xiàn)象和反調(diào)峰性；然后建立了一個以經(jīng)濟性為目的的風火互補優(yōu)化發(fā)電模型，利用火電廠彌補風力的間歇性和不穩(wěn)定性；利用改進BQPSO增強全局搜索能力和最優(yōu)粒子權重，并對虛擬電廠進行負荷分配。

通過仿真分析，證明了提出的棄風懲罰模型可以有效減少棄風現(xiàn)象，抑制風電場的反調(diào)峰現(xiàn)象，增加優(yōu)質(zhì)風能的利用率，改進的BQPSO算法既能利用火電彌補風電的不穩(wěn)定性，又能使火電廠煤耗量降低，獲得更多經(jīng)濟效益。

2 棄風懲罰模型

風能資源具有儲量豐富，成本較低，不會對環(huán)境造成污染等優(yōu)點，但是由于風電的間歇性和不可預測性，導致風電場棄風現(xiàn)象日益嚴重[7]。目前棄風懲罰模型一般如式(1)所示

(1)

這種算法認為所有風電場的棄風成本相同，忽略了不同風電站成本差距，不能達到將棄風成本降到最低的目的[8]。針對以上問題，本文考慮到風電場權重和分段棄風懲罰成本，提出一種綜合棄風懲罰模型，如圖1所示。

圖1 綜合棄風懲罰模型

通過評估風電場出力穩(wěn)定性和預測精度，保證選擇的風電場權重系數(shù)大。隨著棄風量增大，分段棄風懲罰系數(shù)增大，從而起到抑制棄風的效果。

2.1 風電懲罰權重系數(shù)設定

確定對不同的風電場的棄風懲罰權重系數(shù)需要考慮風能出力穩(wěn)定性和風電預測精度兩個因素，對于出力穩(wěn)定性好，預測精度高的風電場給予較高權重[9]。

風電場出力越穩(wěn)定，對電網(wǎng)的影響越小，以平均出力波動率fv作為穩(wěn)定指標

(2)

其中：Sd為在第d小時中，10分鐘內(nèi)的功率標準差；Pwa.d為在第d小時里求得的平均功率。

一般結合預測的風電場出力和調(diào)度中心的目標負荷來決定火電廠的備用容量，風電預測準確度越高，風電利用率越高。平均精度ηv為

(3)

(4)

其中，ηd為第d小時預測精度；Pwp.t為風電場在時段t的預測出力；Pwf.t為實際出力；T為第d小時調(diào)度總時段數(shù)；Pw為風電場總?cè)萘俊?/p>

綜合考慮上面提出的出力穩(wěn)定性以及出力預測精度指標，得到此風電場的便捷因子λ，并將其作為權重系數(shù)的參考[10]。權重系數(shù)越大，此風電場越容易被調(diào)用。在選擇棄風對象時，優(yōu)先選擇權重小的風電場。風電便捷因子λ為

(5)

其中：fv.i為機組i的平均出力波動率、ηv.i為平均風電預測精度；NW為總機組數(shù)。

2.2 分段棄風懲罰成本設定

通過分段設置，隨著棄風量的增加，棄風成本也隨著增加，起到降低棄風的目的，根據(jù)不同的地區(qū)，季節(jié)，早晚確定相應的分段值，分段棄風懲罰成本為

(6)

2.3 綜合棄風懲罰模型

在分段棄風懲罰成本中考慮風電便捷因子λ得到綜合棄風懲罰模型

(7)

該模型能考慮風電機組的出力便捷性以及分段棄風懲罰成本。

3 風火互補優(yōu)化發(fā)電模型

以系統(tǒng)最低能耗為目標，優(yōu)先接收棄風懲罰成本低的原則，建立風火互補優(yōu)化發(fā)電模型。

3.1 目標函數(shù)

為了將發(fā)電成本降到最低，系統(tǒng)優(yōu)化發(fā)電目標函數(shù)為風電機組和火力機組總成本最低[11]。優(yōu)化目標為

(8)

其中：N為火電機組數(shù)；Ci，t，s為火電機組i在時段t第s分段的發(fā)電成本。

3.2 約束條件

風電并網(wǎng)和限風后，經(jīng)濟性作為最優(yōu)目標進行優(yōu)化分配，而且需要讓系統(tǒng)總負荷等于電網(wǎng)負荷指令，系統(tǒng)功率平衡約束條件為

∑P+∑Pwf=∑P1+∑Pd

(9)

其中，P為火電廠輸出功率；Pwf為風電場輸出功率；P1為調(diào)度中心下達的目標負荷；Pd為系統(tǒng)損耗功率。

在考慮風電并網(wǎng)時，由于風電機組安全運行的需要，要考慮風電機組的出力上限約束

(10)

將火力發(fā)電作為發(fā)電場的備用容量，來調(diào)節(jié)風能的出力不穩(wěn)定，約束條件為：

(11)

4 二進制量子粒子群算法及改進

由于本文采用的棄風懲罰模型以及火力發(fā)電彌補風能發(fā)電模型需要求解最優(yōu)方案，粒子群優(yōu)化算法可以滿足要求。但是，粒子群算法容易陷入局部最優(yōu)，所以引入改進BQPSO算法[12]。

4.1 二進制量子粒子群算法

在PSO算法基礎上，提出具有量子運動特征的粒子群算法(QPSO)，粒子位置更新不受之前位置的影響，因此搜索空間也不受限制，能收斂到全局最優(yōu)解[13]。BQPSO是在QPSO基礎上將粒子位置由二進制表示，優(yōu)化了QPSO在離散空間中求解的效果。式(12)表示在QPSO算法中僅用一個位置更新公式來表示粒子的位置和速度：

zi(t+1)=Pi(t)±β·Li(t)·ln[1/ui(t)]

(12)

其中：Pi(t)稱為吸引子；β一般小于1；t是當前迭代次數(shù)；Li(t)表示zi(t)與mbest距離的絕對值。

在第n次迭代時，算法迭代公式為

(13)

pi=φ×pbesti+(1-φ)×gbest

(14)

其中：mbest為平均最優(yōu)位置；Pi為粒子位置更新公式；φ是(0，1)上均勻分布數(shù)值；gbest為當前全局最優(yōu)值。

BQPSO是在QPSO的基礎上將粒子位置由二進制數(shù)表示，式(15)表示兩個粒子位置的距離

|X-Y|=dH(X，Y)

(15)

4.2 算法改進

為了增強算法的全局性能，防止迭代后期粒子多樣性減弱，陷入局部最優(yōu)，從而造成負荷分配最終經(jīng)濟性方案不是全局最優(yōu)解，本文增加了“粒子偏離度”檢測公式，以及自適應干擾系數(shù)來避免算法局部收斂。由于在mbest的計算公式中不同粒子的權重相同，不能突出最優(yōu)粒子的優(yōu)先權，為了增加算法的收斂速度，本文改進了加權更新mbest(t)的計算公式?！傲Ｗ悠x度”檢測公式如下

(16)

其中，fi為粒子i適應度，favg為種群平均適應度。當Δ逐漸降低，聚集程度增加。當Δ小于設定，認為局部收斂。

(17)

βk=c1[Ck(0，1)+c2Nk(0，1)]

(18)

(19)

其中βk為干擾系數(shù)。

同時，改進了mbest(t)的公式中的權重系數(shù)，將式(13)中ω改為權重系數(shù)ωi

(20)

式中f(Pi(t))為最優(yōu)適應度。mbest的更新公式如下

(21)

可以看出，改進BQPSO算法首先在進入局部最優(yōu)時，進行擾動算子干預，增加算法的全局性能；在計算BQPSO的mbest時，通過提高最優(yōu)粒子在種群中的權重，也提高了算法的全局性能，而且使收斂速度提高。

4.3 算法步驟

初始化粒子數(shù)為50，設置仿真的結束條件為迭代2000次，將改進BQPSO算法求解負荷分配步驟簡述如下：

步驟1：確定經(jīng)濟性目標函數(shù)wC和快速性目標函數(shù)wT所占比重；

步驟2：初始化粒子位置和初始種群數(shù)，并用二進制表示群體中的每個粒子的初始位置[14]；

步驟3：計算適應度值，當f(xi(t))

步驟4：更新種群中的粒子位置；

步驟5：記錄各粒子的個體極值pbest和全局極值gbest，本文求解模型的目標函數(shù)為在滿足調(diào)度速度要求的前提下盡可能的獲得經(jīng)濟效益，對于不滿足約束條件的粒子，直接取其適應度為0[15]；

步驟6：根據(jù)公式計算mbest，得全局最優(yōu)粒子Pg(t)；

步驟7：按照式(16)計算粒子偏離度，若Δ小于設定值，轉(zhuǎn)到下一步，否則轉(zhuǎn)到步驟9；

步驟9：對PPi進行變異，重新生成粒子群；

步驟10：當更新次數(shù)達到設定值，轉(zhuǎn)到下一步，否則轉(zhuǎn)到步驟3；

步驟11：將全局極值作為算法最優(yōu)解，計算得到最佳的優(yōu)化結果。

利用改進的BQPSO算法求解本文負荷分配模型流程如圖2所示。

圖2 算法流程

5 仿真分析

為了驗證本文提出的棄風而懲罰模型的效果，以IEEE30節(jié)點進行仿真分析，設定第16節(jié)點和20節(jié)點為額定功率為50MW的風電機組。兩臺風電機組的數(shù)據(jù)如表1。表1中，機組平均出力波動率反應每小時出力功率的方差，平均預測精度反應了根據(jù)歷史數(shù)據(jù)預測功率和實際功率相差程度。由表1可知，機組2的平均出力波動較大，而且平均出力預測精度較低，綜合可知，機組2的并網(wǎng)便捷性較低。根據(jù)評估的風電機組并網(wǎng)便捷性可計算出2臺風電機組的權重系數(shù)。

表1 風電機組權重系數(shù)

為了驗證本文提出的棄風懲罰模型的有效性，選取某天24小時的調(diào)度時段，對于調(diào)度中心對電場要求的目標負荷，利用本文提出的BQPSO算法進行仿真分析。將仿真對象分為以下3種場景：1、不考慮棄風懲罰；2、不計算權重系數(shù)；3、計算綜合棄風懲罰模型。對比如圖3所示。

圖3 場景1場景2中機組負荷

由圖3可知，由于場景1不考慮棄風懲罰，所以風能利用率低，而且在8點到12點之間和16點到21點之間風電機組出現(xiàn)了反調(diào)峰現(xiàn)象，即調(diào)度中心要求的目標負荷較高，但風能出力下降。場景2相較于場景1計算了分段懲罰成本，即棄風成本隨著棄風量增加而增加。

場景2和場景3中風電場整天實際出力和棄風率如表2所示。

表2 場景2和場景3棄風率對比

由表2可知，由于場景2未考慮權重系數(shù)，因此2臺風電機組權重一樣，棄風率大致相同；場景3考慮權重系數(shù)后，因為風電機組1的并網(wǎng)便捷性較高，所以權重系數(shù)較大，棄風率顯著降低，而風電機組2的棄風率略有上升，可以反映出權重系數(shù)對于機組棄風率的影響較大。所以在考慮棄風時，并網(wǎng)便捷性低的風電機組2率先棄風，而在考慮風能調(diào)度時，優(yōu)先調(diào)度并網(wǎng)便捷性高的風電機組1。

利用本文改進BQPSO算法對3種場景下24個時段中風電利用率和火力機組發(fā)電平均煤耗量以及用SAPSO算法，WQPSO算法和本文算法對場景3仿真對比見表3所示。

表3 3種場景棄風率對比

由表3可知，場景2計算了分段棄風懲罰系數(shù)，相較于場景1可以在降低火電廠煤耗量的同時大幅提升風電利用率；在場景3中綜合計算了權重系數(shù)和分段棄風懲罰系數(shù)后，風電利用率有略微上升，而且煤耗量顯著降低；而SAPSO和WQPSO算法相較于本文算法的風電利用率沒有太大變化，但是用本文算法求解的煤耗量遠低于其它兩種算法，說明本文算法在計算火電廠的經(jīng)濟調(diào)度時更容易收斂于全局最優(yōu)。因此，本文提出的棄風懲罰模型以優(yōu)化風能利用率為目的，提高電力系統(tǒng)運行的經(jīng)濟性，降低風電場的運營難度。

6 總結

本文對于風能發(fā)電的棄風問題進行了研究，提出了考慮風電場出力穩(wěn)定性和預測精度的權重系數(shù)，增加了分段棄風懲罰成本系數(shù)，構建了一個綜合棄風懲罰模型。提出風火互補發(fā)電模型，利用火電站彌補風力發(fā)電的不確定性和出力不穩(wěn)定性，并利用改進的二進制量子粒子群優(yōu)化算法求解?？傻靡韵陆Y論：

結論一：證明了本文提出的綜合棄風懲罰模型可以合理棄風，改善反調(diào)峰現(xiàn)象，對于降低風能損耗和火電廠煤耗量也有較好效果；

結論二：提出的改進BQPSO算法能夠很好的處理風能出力波動的問題，而且可以提高收斂速度，跳出局部最優(yōu)，得到最佳負荷分配方案。