考虑风电场的电力系统经济调度

考虑风电场的电力系统经济调度

0含风电场电力系统动态经济调度近年来，随着能源和环境问题的日益突出，可支配能源能源尤其是风能得到越来越多的发展。然而,由于风速的间歇性以及风力发电机的非线性,使得风电场的出力很难精确预测。正是由于这种特点,使得风电场并网给系统的动态经济调度带来了巨大的挑战。传统的电力系统经济调度分为静态经济调度和动态经济调度。静态经济调度是对电力系统的某个时间断面求取目标最优,只考虑静态约束,没有考虑不同时间断面之间的内在联系;而动态经济调度考虑了不同时间断面的耦合性,如发电机爬坡率等,因此计算过程比静态经济调度复杂,但计算结果更符合实际要求。由于风电场具有随机性特点,因此含风电场的电力系统经济调度更适合采用动态模型。目前,对于含风电场电力系统动态经济调度的研究还处于起步阶段,急需进一步深入。在含风电场的经济调度模型中,为保证系统的可靠性,需要采取相应的措施以应对风能随机波动性和间歇性对系统带来的影响。文献使用遗传算法优化风电机组和传统发电机组的调度,且考虑风电机组的特性以及传统机组的阀点效应。文献提出了一种含有风电场的经济调度模型,该模型是将风电机组加入到传统的经济调度模型中并用解析法求解。文献使用了模糊最优化的方法解含有风电场和光伏发电系统的经济调度问题。考虑风电场影响以及机组爬坡率的一种随机经济调度模型在文献中被提出。在文献[11-12]中,模型预测控制被用来解含有各种间歇性能源的调度问题。一种考虑风电穿透功率的双目标经济调度模型在文献中被提出。文献提出一种模糊模型用来求解含有风电场的动态经济调度问题。在文献中,由于模糊模型中使用隶属度函数,所以有很大的人为因素。在以上的文献中,系统的正旋转备用、负旋转备用以及爬坡率约束并没有同时考虑,因此这些模型并不能准确地描述动态经济调度的实际情况。本文提出了一种改进的PSO算法用于解含有风电场的DED模型。引入正、负旋转备用来应对风电场并网对DED模型的影响,同时在目标函数中考虑了常规机组的阀点效应。机组的爬坡率、运行约束、以及系统的有功平衡等在最优化模型中同时给予考虑。所提算法的可行性和有效性通过与基本PSO以及遗传算法进行比较得到验证。所有算例都是基于典型的10机测试系统。1数学模型1.1调度运行优化问题的描述由于风力发电不需要消耗日益减少的燃料,电力公司应该首先调度风电。含风电场的电力系统动态经济调度的目标是在满足负荷和运行约束的前提下,合理地分配电网中各发电机组的出力使得调度期间发电总成本最小。在汽轮机进气阀突然开启时出现的拔丝现象会在机组耗量曲线上叠加一个脉动效应,产生阀点效应。因此,在不考虑风电运行费用的情况下,优化目标的表达式为:其中:F是整个调度运行的总体费用;D为调度运行时间;N为发电机个数;Pid为发电机i在时段d的出力;Fid(Pid)为发电机i在出力为Pid时的费用。其中其中:ai,bi,ci是机组i燃料费用系数;ei,fi为阀点效应系数。1.2合同规定12平衡功率限制式中:WTd,LDd是d时段风电场出力以及系统负荷值;PLd为系统网损。2操作限制式中,Pimin,Pimax是发电机i的出力上下限。3正、负旋转备用两种旋转备用:正旋转备用(USR)、负旋转备用(DSR)分别表示为式中:USRd,DSRd是时段d的正、负旋转备用;URd,DRd分别为各个机组i在时段d所提供的正、负旋转备用;wu%表示风电出力预测误差对正旋转备用的需求;T10表示旋转备用响应时间10min;NW表示风机台数;Wymax表示风机y的最大出力;wd%表示风电出力预测误差对负旋转备用的需求;RUi,RDi分别表示机组i的上下爬坡率。42机急差率限制式中,T60表示一个运行时段1h,即60min。2风电场的信息分享策略PSO算法已经广泛地应用于各种优化问题。本文为了求解含风电场的DED模型,提出了一种改进的PSO方法。为了使最优粒子能够将信息与其他粒子进行分享,本文提出了信息分享策略。此外,为了提高粒子的搜索能力,提出了精英学习策略。2.1基于psi的信息分享率在信息分享策略中,使用式(11)来更新粒子的速度:式中:Psi表示信息分享率;在粒子速度更新之前,首先产生一个随机数,如果此随机数大于等于Psi,则粒子速度的更新将趋向于全局最优值,否则利用pbestr,d代替全局最优值。本文信息分享率被定义为:式中:N1表示所求问题的维数;t表示当前的仿真次数;ITmax表示最大仿真次数。pbestr,d按下列原则产生:1)从所有的粒子中随机地选择三个;3)pbestr,d将会分享它的所有信息(各个维数)。2.2选取的总体最优解和其他的粒子不同,全局最优粒子没有更好的粒子为目标,因此需要新的动力来推动它朝向潜在的最优解靠近。如果找到一个比全局最优粒子较优的解,则用此解代替全局最优解,然后其余的粒子跳出局部最优,往新的全局最优解收敛。在精英学习策略中,设置参数k为全局最优解连续没有被更新的次数,Nk是参数k的阈值。当参数k值增加到Nk时,精英学习策略开始起作用。本文精英学习策略中,选取全局最优解的一维Pd(根据机组出力费用灵敏度大小选取)作为扰动项。之所以仅仅选择一维,是考虑到局部最优很有可能具有全局最优的部分结构,因此这部分应该给予保护。精英学习策略通过Bata分布表示如下:搜索范围[Xdmin,Xdmax]是所求问题的上下限值。Betarnd(α,β)是一个参数为α和β的随机Bata分布。在Bata分布中,均值,方差本文选β为1。类似于(α+β)2·(1+α+β)一些时变的神经网络训练策略,设α随着仿真次数线性变化:式中:αinitial、αfinal分别是α的初始值和终值,根据经验取αinitial=1.0、αfinal=0.2,精英学习策略流程图如图1所示。3学习策略相结合改进的粒子群算法将信息互享策略和精英学习策略相结合,进而增强了搜索能力以及跳出局部最优的能力。利用所提算法求解含风电场的动态经济调度的流程如下:c1根据预测风速计算各个时段风电场的出力。加速度系数c设置参数:粒子总数J=40,最大仿真次数ITmax=2500,本文使用动态惯性系数为:式中:t表示仿真次数;ωinitial、ωfinal分别表示惯性系数的初始值和终值,分别设置为0.9和0.4;使用时变的加速度系数为:式中:c1f,c1i,c2f和c2i分别是c1、c2的终值和初始值;从经验值来看,当c1从2.5到0.5变化、c2从0.5到2.5变化时,可以得到最优值;Nk取4。发电机的d矩阵随机的产生初始值xjk,j=1,2,3,…,J,每个粒子xjk包含发电机的有功出力,是一个N×D的矩阵,其中每个元素Pn,d(n=1,2,…,N,d=1,2,…,D)在整个可行域内均匀分布。4：评估每个颗粒的适应性值适应值是评估每个粒子优劣的标准。式(18)描述了动态经济调度函数适应值:式中:其中:λe是约束惩罚因子;CSkj,e,d是惩罚函数。5：进一步增加粒子速度和位置产生一个随机数r,然后根据公式(11)、(12)更新粒子的速度,再根据式(26)更新粒子的位置。局部最佳试验判断k是否等于Nk,如果是,则采用精英学习策略使最优粒子跳出局部最优。Step7:结束判断如果满足结束条件,程序停止,否则由式(15)、(16)、(17)更新惯性系数和加速度系数,然后循环step4~step6,直至程序结束。4盐藻系统和pso算法的比较为了证明所提算法的有效性,本文采用典型的10机测试系统,系统的负荷采用6个时段,机组的参数可以通过文献获得。风电场是由100台双馈异步风机V90-2MW组成,风速数据来至东海风电场。风速采用滑动平均-自回归(AutoRegressiveMovingAverageModel,ARMA)模型预测,在系统运行时段,风电场出力如图2所示。为了弥补风电场出力的随机波动性,系统的正旋转备用随着风电场的增加而增加,本文假设风电场的并网使得正旋转备用增加wu%=20,负旋转备用增加wd%=40。仿真经验表明,当λ1,λ2,λ3,λ4,λ5,λ6分别取4000,3000,2000,2000,2500和2500时,可以获得最优解。IPSO初始化见第三部分。利用IPSO算法计算50次,其最优结果如表1所示。表1给出了50次计算过程中的最优解。为了证明所提算法的有效性,本文将所提的IPSO算法和基本的PSO算法以及遗传算法进行了比较。表2给出了基本PSO算法的最优解。比较表1和表2,可以看出所提算法明显地优于基本的PSO算法,总费用从243091.45$降到231915.92$,节省了4.6%。表3给出了使用遗传算法所得到的最优解。通过比较可知,IPSO算法使系统运行的总费用明显地降低,节省了8.85%的总成本。常规机组的阀点效应在动态经济调度模型中是一个重要的因素。在汽轮机进气阀突然开启时出现的拔丝现象会在机组耗量曲线上叠加一个脉动效应,产生阀点效应,这会增加机组耗能费用函数的非凸性。因此,考虑阀点效应更符合实际情况。表4给出了没有考虑阀点效应的系统运行最优值。从表1和表4可知,没有考虑阀点效应要比考虑阀点效应时,系统总的运行费用少5.23%,因此,如果不考虑阀点效应,将会存在很大的误差。由于风能具有随机性和间歇性,本文引用正旋转备用和负旋转备用来保证系统的安全可靠。表5是在备用约束中没有考虑风能影响的最优解,和表1比较可知系统总的运行费用从231915.92$降到221506.05$,减少了10409.87$。由此可知,应对风电不稳定是以增加常规机组运行费用为代价。随着风能的增加,常规机组必须提供较多的备用以便应对风能的波动,从而保证系统的安全稳定运行,这势必增加常规机组燃煤费用,与此同时,风能的增加分担了部分负荷,从而减少了常规机组的燃煤费用。表6给出了不含风电场的系统最优值。从表1和表6可知,加入风电场之后使得系统的运行费用从275204.71$下降到231915.92$,节省了15.763%的费用。图3给出了风机加入台数所对应的费用节省曲线图。5优化方法仿真验证本文研究了含风电场的电力系统动态经济调度问题。在优