周 倩,湯 林,馮凱輝,宋晨輝,宋兆歐

(1.國網重慶市電力公司,重慶 400000;2.國網重慶市區供電公司,重慶 400000;3.國網能源研究院有限公司,北京 102209;4.國網重慶市北供電公司,重慶 400000)

0 引言

當前,各國家社會經濟的發展均離不開能源開發與利用。隨著不可再生能源資源的逐步枯竭,能源危機、環境污染問題凸顯。為了解決這些問題,需要大力開發與利用可再生清潔能源[1]。我國電力領域正處于能源轉型的關鍵時期,對于電力系統運行的安全性和穩定性的要求逐步提升。隨著新能源的開發和接入,電網失穩風險增加。因此,為了提高新能源接入下的電網綜合能力,需要針對電網調峰機組負荷優化配置展開研究[2]。

針對這一問題,羅正亮等[3]提出基于改進生物地理學優化-動態規劃(improved biogeography-based optimization-dynamic programming,IBBO-DP)模型的水電機組負荷優化分配方法。該方法結合實際情況,搭建IBBO-DP模型,將機組組合是否發生變化作為判斷條件,并建立機組出力波動約束;結合IBBO-DP模型,實現機組負荷優化分配。但是該方法并未考慮到其他接入對于機組負荷產生的影響,導致電網風光電發電受阻量較高,實際應用效果不理想。魏文等[4]分析了故障風險類型、負載率水平和天氣狀況等因素,確定了這些因素對電網調峰機組負荷產生的影響。該方法根據分析結果建立調峰經濟模型和風險量化模型,從而確定深度調峰過程中機組的燃料需求和損傷。該方法建立深度調峰經濟優化配置模型,以實現負荷優化配置。但是該方法應用后的火電機組和風電場發電出力較低、負荷優化配置效果差,應用效果不理想。劉鋼等[5]設計基于深度學習及混沌優化的燃機電站機組熱電負荷優化分配方法。該方法以深度學習中的長短時記憶(long short-term memory,LSTM)神經網絡為基礎,對燃機電站機組能耗進行分析,以獲取不同約束參數。該方法采用混沌優化算法對LSTM神經網絡模型進行訓練,利用訓練好的模型進行負荷優化分配。但是在實際應用中發現,該方法由于并未考慮到新能源接入量與電網調峰機組深度調峰之間的關系,使得所建立的目標函數并不合理,負荷優化配置質量下降。王香蘭等[6]利用Apriori頻繁項集算法,通過分級挖掘分析冷水機組運行參數與最低運行能耗之間的關聯規則。該方法根據機組運行總能耗情況建立最優負荷配置目標函數,并利用粒子群算法對目標函數進行求解,以此實現負荷優化配置。但是采用粒子群算法求解目標函數容易陷入局部最優,導致負荷優化配置效果變差。

新能源接入電網會令調峰機組負荷產生較大波動,導致電網調峰機組負荷優化配置難度增加。為了有效解決這一問題,本文設計了新能源接入下的電網調峰機組負荷優化配置方法。該方法重點分析了新能源接入量與電網調峰機組深度調峰之間的關系,解決了傳統方法因未考慮該關系使得所建立的目標函數不合理的問題。在此基礎上,該方法建立電網調峰機組負荷優化配置目標函數,利用多目標粒子群算法求解目標函數。多目標粒子群算法具有流程簡單、收斂速度快、搜索效率高、能夠求解多目標優化問題、不容易陷入局部最優等優勢,因此所得求解結果具有可靠性和科學性,能夠為電網調峰機組負荷優化配置研究與分析提供技術指導。

1 新能源接入量與深度調峰關系

①接入量指標。

本文以電網歷史運行的新能源出力數據為基礎,根據不同時段計算新能源接入量,并分析不同場景中新能源的接入量特性。

本文設Dy為一個年度中的新能源平均接入量。

(1)

式中:Ei,j為第i天的第j個小時的新能源接入量,kW;m為一天中新能源接入的小時數;n為一年中新能源接入的天數。

本文設Ds為一年某個季度中的新能源平均接入量。

(2)

式中:Es,i,j為某季度第i天的第j個小時的新能源接入量,kW;ns為某季度中新能源接入的天數。

本文設Dm為一個月的新能源平均接入量。

(3)

式中:Em,i,j,k為第k個月的第i天、第j個小時內的新能源接入量,kW;nm為一個月中新能源接入的天數。

本文設Dd為某一天的新能源平均接入量。

(4)

根據上述計算結果,可獲得新能源在電網中的接入情況。

②數據分析。

本文設ei,j、ξi,j,k分別為新能源接入量在第i天的第j小時與第k個月的最大值。

(5)

式中:Ep為新能源在電網調峰機組中的總裝機容量,kW;h為新能源接入數量。

通過深度調峰可以提升電網調峰能力,進而提高能源在電網中的接入率[7-8]。因此,需要深入分析新能源接入量與電網調峰機組深度調峰之間的關系。本文設Vi,j為新能源接入數據構成的時間序列、Gi,j為深度調峰過程中機組運行時間構成的序列、OVG,i,j為深度調峰時間序列。

(6)

式中:A為深度調峰過程中機組的極限調峰電量,kWh。

當Vi,j、Gi,j的值相等時,表明兩者之間存在“與”關系,即OVG,i,j=Vi,j∩Gi,j。

2 電網調峰機組負荷優化配置方法

2.1 目標函數設計

本文考慮新能源接入、風電機組、火電機組在運行過程中產生的相關費用[9-10],將電網調峰機組運行能耗最小化作為研究目標,建立電網調峰機組負荷優化配置目標函數。

(7)

電網調峰機組負荷優化配置目標函數的約束條件如下。

①負荷率約束。

(8)

②功率平衡約束。

(9)

③風電機組在電網中的出力約束。

(10)

④火電機組在電網調峰過程中的輸出功率約束。

(11)

2.2 負荷優化配置實現過程

多目標粒子群算法具有流程簡單、收斂速度快、搜索效率高、能夠求解多目標優化問題、不容易陷入局部最優等優勢。因此,本文采用多目標粒子群算法[11-12]求解上述目標函數,以實現電網調峰機組負荷優化配置。具體過程如下。

①確定電網調峰機組的相關數據。

②設置最大迭代次數tmax、種群數p、粒子在種群中的初始位置x0和速度v0。

③在外部檔案Archive中按照順序加入粒子初始位置x0,并在x0中選取支配解建立初始解集。

④對粒子展開迭代,通過式(12)計算個體在外部檔案Archive中的擁擠距離fi′。

(12)

式中:Q為目標數量,個;gi′+1,j′、gi′-1,j′分別為在粒子群中第(i′+1)個和第(i′-1)個粒子對應的第j′個目標值;gj′max、gj′min分別為第j′個目標對應的最大和最小適應度值。

通過輪盤賭策略可以在外部檔案Archive中根據粒子的擁擠距離fi′選擇最優個體Gbest。

⑤更新粒子對應的速度v和位置x。

(13)

式中:ξ為慣性權重;xi′d,k、xi′d,k+1,vi′d,k、vi′d,k+1分別為第i個粒子在第k次和第(k+1)次迭代過程中生成的第d個位置向量和速度向量;c1、c2分別為兩個不同的常數;rand()為隨機數;gbest為全局最優位置;pbest為局部最優位置。

⑥針對外部檔案,利用非支配解對其展開更新,根據粒子的擁擠距離過濾處理外部檔案。

⑦設置多目標粒子群算法的最大迭代次數。如滿足條件,則停止迭代。此時,獲取式(8)～式(11)的最優解,即負荷率最大、功率最為平衡、風電機組出力以及輸出功率最佳。重復上述過程,對目標函數進行求解,以獲取電網調峰機組運行能耗最小化目標的最優解。該結果即電網調峰機組負荷優化配置目標函數的最優解。如不滿足條件,則引入模糊決策方法獲取電網調峰機組負荷優化配置目標函數的最優折中解,從而完成電網調峰機組負荷優化配置。

3 試驗與分析

為了驗證新能源接入下電網調峰機組負荷優化配置方法的整體有效性,需要對其開展測試。

此次試驗設備選用Simulation模擬新能源(風能、太陽能等)。

系統結構如圖1所示。

圖1 系統結構圖

仿真軟件與simulation試驗電路相連接。通過設置不同的仿真參數模擬單個風力、光伏發電情況。本文將所提方法編輯成相關的執行程序,將不同方法在程序驅動仿真軟件中運行,得到所提方法在不同數量風電、光伏發電接入后的控制功率變化曲線。

風電接入后的控制曲線如圖2所示。

圖2 風電接入后的控制曲線

光電接入后的控制曲線如圖3所示。

圖3 光電接入后的控制曲線

由圖2、圖3可知,本文方法可以很好地控制接入后的波動情況。在發生波動后,本文方法根據分析結果將優化參數設置為負荷率、功率、風電機組出力、輸出功率、電網調峰機組運行能耗。這些系統參數初始值均為0。本文利用多目標粒子群算法求解電網調峰機組負荷優化配置目標函數,以獲取目標函數最優解,從而保證電網調峰機組負荷優化配置。

文獻[3]方法和文獻[4]方法是電網調峰機組負荷優化領域較新、較具代表性的研究成果。因此,試驗采用所提方法、文獻[3]方法和文獻[4]方法對電網調峰機組展開負荷優化配置,以對比不同方法在調峰控制過程中的受阻風電量。

不同方法的風光電發電受阻量如圖4所示。

圖4 不同方法的風光電發電受阻量

圖4中,等效負荷指發電機組實際發出的電量除以發電機組實際應有發電量(能力)的比值。分析圖4可知,在調峰機組負荷優化配置初期,所提方法控制電網調峰機組負荷時出現了小部分的風光電發電受阻量。文獻[3]方法控制電網調峰機組負荷時,在配置前期和配置中期出現了大量的風光電發電受阻現象。文獻[4]方法控制電網調峰機組負荷時,在配置前期和配置后期出現了大量的風光電發電受阻現象。對比三種方法的負荷優化配置結果發現,所提方法的負荷優化配置效果優于另兩種方法。

在上述測試環境中,本文將仿真軟件與Simulation試驗電路建立連接,通過設置不同的參數模擬火電機組和風電場運行情況。試驗將所提方法、文獻[3]方法和文獻[4]方法編輯成相關的執行程序。本文利用不同方法的程序驅動仿真軟件運行,以此獲取不同方法的火電機組和風電場出力情況。

不同方法的出力情況如圖5所示。

圖5 不同方法的出力情況

分析圖5可知,在0∶00～20∶00,火電機組在三種方法的控制下均正常運行,且風電場出力不斷增高。在20∶00之后,電網的用電負荷有所下降。此時:文獻[3]方法和文獻[4]方法控制下的火電機組進入停機狀態;所提方法控制下的火電機組出力下降至100 MW,并繼續出力。通過上述分析可知,所提方法具有靈活的調峰能力。其原因是所提方法在構建電網調峰機組負荷優化配置目標函數之前,考慮了新能源接入問題、分析了新能源接入量與電網調峰機組深度調峰之間的關系,以此實現調峰機組負荷的靈活控制。

不同方法的調峰裕度值如圖6所示。

圖6 不同方法的調峰裕度值

由圖6可知,與其他兩種方法相比,所提方法具有較高的調峰裕度值。這表明所提方法具有良好的負荷優化配置效果,可以保證電網運行的安全性和穩定性。

本文將調峰裕度值作為指標,測試三種方法的負荷優化配置效果。調峰裕度值越高,表明負荷優化配置效果越好。

4 結論

當前方法沒有考慮到新能源出力在負荷優化配置過程中的波動性和隨機性,存在風光電發電受阻量高、出力低和調峰裕度值低的問題。本文提出新能源接入下電網調峰機組負荷優化配置方法。該方法在電網調峰機組負荷優化配置過程中考慮了新能源接入問題。該方法通過建立目標函數實現負荷優化配置,能夠有效解決目前方法中存在的問題,具有良好的負荷優化配置效果。