【《提高风电消纳能力的源荷协调优化调度研究》12000字（论文）】

提高风电消纳能力的源荷协调优化调度研究目录TOC\o"1-3"\h\u3227提高风电消纳能力的源荷协调优化调度研究 [32]选取。表3-1常规机组调节参数机组1455150200200889000100016.190.000482455150200200881000097017.260.0003131302010010055110070016.60.00241302010010055120068016.50.0021151622510010066180045019.70.003986802080803334037022.260.007127852585853352048027.740.00079855105555116066025.920.00413955105555116066527.270.002221055105555116067027.970.00173表3-2分时电价时段划分负荷情况时段峰8:00-12:00、17:00-21:00平6:00-8:00、12:00-17:00、21:00-22:00谷0:00-6:00、22:00-24:00表3-3需求价格弹性系数和原始电价负荷类型自弹性系数交叉弹性系数原始电价/（)峰-平峰-谷平-谷工业极柔-0.200.0310.0310.0310.63工业较柔-0.170.020.080.020.63商业-0.120.010.010.010.97居民-0.050.0160.040.010.56日前负荷和风电预测数据如图3-11、图3-12所示。图3-11原始负荷数据图3-12风电功率预测曲线假设系统中初始碳排放权按历史排放值的98%进行分配，碳交易价格固定取，火电耗煤单价取，弃风惩罚单价取，依照负荷特性假定签订的合同如表3-4所示，工业、商业、居民负荷削减比例分别为30%、15%和20%，LA收益率系数取9%。表3-4负荷削减合同内容合同序号削减量/MWK1/(元/MWh)K2(元/MWh)1300900.401402-6h2235700.30145.22-5h3200300.731583-6h4150300.731582-4h1.9.2日前优化结果分析为衡量多用户需求响应下TOU与LA参与源荷协调优化对负荷响应、系统总运行成本及削峰填谷的影响，本文设置了4种场景进行对比分析,如表3-5所示。表3-5优化场景定义场景定义场景1无参与，不采用场景2有参与，不采用场景3无参与，采用场景4有参与，采用场景3、场景4下的最优如表3-6所示。表3-6场景3、场景4的最优分时电价场景负荷类型电价(元/kWh)峰平谷场景3极柔工业0.950.630.31较柔工业0.840.630.42商业1.250.970.62居民0.850.560.40场景4极柔工业1.020.630.24较柔工业1.040.630.26商业1.200.970.55居民0.930.560.21优化后的总负荷曲线如图3-13所示。同场景1相比，场景2在LA的参与下，系统峰时段负荷减少，表现出较好的削峰效果；场景3在TOU激励下用户调整了用电习惯，使得系统峰谷差进一步改善，起到了削峰填谷的作用；场景4在TOU激励后LA安排负荷削减合同进一步优化，更好地挖掘了负荷的响应潜力，进一步减小了系统的峰谷差。图3-134种场景下的负荷曲线对比图3-14场景1、场景4负荷对比如图3-14所示。与原始负荷情况(图3-11)相比，优化后的场景4中三类负荷在峰时段8:00-12:00、17:00-21:00用电减少，谷时段0:00-6:00、22:00-24:00的用电增加,尤其是负荷占比较大的工业负荷表现出了良好的削峰填谷效果。三类负荷用电情况整体趋于平稳，更有利于系统的安全稳定运行。4种场景下的机组出力如图3-15~图3-18所示，机组1到机组10按照机组容量大小排序。图3-15场景1的机组出力图3-16场景2的机组出力图3-15所示的场景1机组出力可以看出：传统调度模式下，发电侧常规机组需要通过频繁启停跟踪负荷波动进行功率调整，大容量机组G1、G2和小容量机组G5、G6出现了不同程度的频繁启停。图3-16所示的场景2机组出力可以看出：LA在高峰时段8:00-12:00、17:00-21:00，通过调度负荷削减合同进行削峰，有效降低了机组G2的频繁启停；机组G5启停在7:00-23:00时段虽然较为频繁，但是减少了其他小容量机组的运行时间。图3-17场景3的机组出力图3-18场景4的机组出力图3-17所示的场景3机组出力可以看出：用户通过TOU激励改变用电时间后，机组G1运行平稳，机组G2在10:00后也出力稳定，减少了高成本机组的频繁启停；机组G5出力较为稳定。图3-18所示的场景4机组出力可以看出：与场景1机组出力相比，在本文提出的TOU和LA联合优化调度模型下，场景4中大容量机组G1、G2出力始终保持稳定；且机组G5在8:00投入运行后出力平稳，机组G8-G10均未投入运行，更有利于系统的安全经济运行。在场景4下，分别采用传统粒子群算法、混沌粒子群算法以及本文改进的算法对本文模型进行求解，得到的近似前沿如图3-19所示：图3-193种算法前沿对比分析上图可知：从算法收敛结果的优劣角度来看，本文改进后的收敛结果更优于其他两种算法，本文算法得到的前沿更贴近坐标轴左下方，表明其结果更贴近真实的前沿，结果最优，混沌粒子群算法次之，传统粒子群算法效果最差。此外，从最优解的分布来看，传统得到的解在头部和中间部分较为分布、不均匀，混沌粒子群算法相对较好，但分布的结果仍不太理想，本文改进后的算法结果分布集中，且均匀性最好。在场景4中，提取三种算法系统总成本最低目标和峰谷差最小目标每次迭代计算的最优值，可以得到两个目标各自的收敛过程如图3-20和图3-21所示：图3-203种算法系统总成本收敛过程对比图3-213种算法峰谷差收敛过程对比对比上图分析可知：本文改进后的优化计算的系统运行总成本目标和峰谷差目标收敛结果均小于对比算法，且明显可以看出，本文改进后的收敛速度对比于另外两种算法，收敛更快。在三种算法的计算求解中，场景4下的单目标收敛结果如表3-7所示：表3-7单目标收敛结果对比算法单目标收敛结果系统总成本/万元峰谷差/MW传统粒子群算法233470.8混沌粒子群算法179.5451.6本文算法160355.4采用最大满意度法对三种算法求解的最优解进行决策选取，得到的最佳均衡解如表3-8所示：表3-83种算法得到的最优均衡解对比算法最佳均衡解系统总成本/万元峰谷差/MW传统粒子群算法185.25398.6混沌粒子群算法189.3375.6本文算法157.13356.25通过分析上表可知：传统粒子群算法得到的最佳系统总成本为185.25万元，系统峰谷差为398.6MW；混沌粒子群算法的最佳系统运行总成本为189.3万元，系统峰谷差为375.6MW；二者得到的优化结果均大于本文算法得到的最佳系统运行总成本157.13万元和系统峰谷差356.25MW，表明本文改进后的算法得到的优化结果能够更好的贴合实际和满足决策要求。基于以上分析可得，同传统粒子群算法和混沌粒子群算法比较，在引入变异机制后，本文所提出的基于自适应网格法和拥挤度策略改进后的在求解本文优化问题时，具有更好的求解效果。采用本文所提算法得到各场景下的具体优化结果如表3-9所示。表3-9不同场景下系统优化结果对比（万元）场景发电燃料成本启停成本弃风成本碳交易成本考虑LA和TOU的成本总成本峰谷差1159.241.32.854.80210.155712150.328.62.85-4.5511.2190.4460.33146.520.51.4-6.825.57167.15370.544142.118.40.5-7.261.39157.13356.25如表3-9所示。场景1系统总成本较高，峰谷差较大；场景2考虑LA的调度成本虽然高达11.2万元，但总成本有所降低；场景3实施TOU后系统各项成本有所下降。场景4在TOU激励后LA对负荷高峰时段进一步削减，系统峰谷差达到最小，和场景1相比，系统发电成本为142.1万元，降低了17.1万元；机组启停成本为18.4万元，降低了24.9万元；弃风成本为0.5万元，降低了2.35万元，系统总成本达到最低。1.9.3日内调度结果分析为有效验证日前优化调度策略的有效性，日内长时间尺度和短时间尺度滚动优化时，系统中的三类负荷按照日前计划表3-6场景4中得到的最优分时电价进行滚动优化调度，以及负荷聚合商制定的负荷削减合同表3-4执行。图3-22日内小时级负荷调度出力日内1h长时间尺度滚动修正曲线如图3-22所示。通过将日前调度计划作为日内1h时间尺度的输入数据，根据制定的调度方案进行滚动优化，对日前计划进行滚动修正。从调度曲线可以看出，在日前调度计划曲线的基础上，在风电高发时段通过采用本文的优化方案进行日内长时间尺度滚动计划的修正，在风电高发时段负荷响应量进一步增加，系统负荷在负荷高峰时段仍有一定的调节能力。图3-23长时间尺度负荷修正量日内1h长时间尺度三类负荷修正量如图3-23所示。根据三类负荷的响应容量、响应能力来看，在本文的调度方案下，三类负荷在日内长时间尺度的仍有进一步响应的能力，对于日前调度计划能够进一步修正。图3-24日内15min级负荷调度出力根据图3-24可知：经过日内15min时间尺度滚动计划修正，日内短时间尺度调整后的15min时间尺度发电计划能够有效跟踪日内短时间尺度用电负荷曲线，与实际的负荷具有很好的拟合效果。采用本文改进后的算法求解，得到日内1h长时间尺度及15min短时间尺度的解如图3-25所示：图3-25日内优化调度前沿采用最大满意度法对本文改进后算法求解的最优解