風蓄聯合運行的多目標優化調度模型

作為一種清潔能源，電動汽車在電氣系統中越來越受到重視。風電的波動性和反調峰性使得大規模并網給電網帶來一系列的問題。抽水蓄能電站具有起停迅速、削峰填谷等特點,是目前電網中唯一的儲能裝置。可以將抽水蓄能電站與風電聯合運行,利用抽水蓄能電站將富裕的風電儲存起來,不僅能減少“棄風”現象,還有利于提高電網運行的安全穩定性。國內外對風蓄聯合運行進行了大量研究,取得了一些研究成果。文獻均以風蓄聯合運行的經濟效益最大化為目標,優化聯合運行,未從電力系統的角度對聯合運行進行優化;文獻考慮了平滑聯合出力問題,減少了波動,有利于風電的并網;文獻從電力系統的角度考慮了風-蓄聯合運行的調峰效益。文獻[5,6]所建模型均一定程度上有利于風電并網,但是并未考慮風蓄聯合運行跟蹤負荷變化的問題。現有文獻研究主要集中在以風蓄聯合運行經濟效益最大化為目標,確定聯合運行需要的抽水蓄能電站裝機容量和調度情況,但沒有考慮負荷跟蹤問題。由于抽水蓄能電站起停迅速、削峰填谷等良好的靜動態效益,使得風蓄聯合運行在保證風電場電量效益的同時,還能參與系統調峰和跟蹤負荷變化。本文綜合考慮風蓄聯合運行的電量效益和跟蹤負荷效益建立模型,實現對風蓄聯合運行的多目標優化調度。風蓄聯合運營的多目標模擬優化方案1.聯合運行負荷平衡控制(1)目標函數風蓄聯合運行進行負荷跟蹤,使電網負荷去除風蓄聯合運行出力后的剩余負荷盡量均勻;同時兼顧風蓄聯合運行的電量效益,充分利用清潔能源,為此建立風蓄聯合運行的多目標優化模型式中,Rk為系統的剩余負荷過程,可以表示為式中,Plk為k時刻系統的負荷;Pk為k時刻風電場輸送到電網的總功率;F1為剩余負荷的方差盡量小,即剩余負荷盡量均勻;F2為風蓄聯合運行的上網電量盡量大。F1能夠使得剩余負荷盡量均勻,體現了聯合運行跟蹤負荷變化的目標,同時能夠使得聯合運行后的剩余負荷峰值變小、谷值變大,起到削峰填谷的作用;F2能夠充分利用風能,符合節能調度的要求。(2)約束條件式中,Ek為k時刻的水庫儲能;t為時間段的長度;Pvk為k時刻風電場可利用的風電功率;Pwk為k時刻風力機直接輸送到電網的功率;Ppk為k時刻抽水蓄能機組抽水功率;Pgk為k時刻抽水蓄能機組發電功率;PDk為k時刻棄風功率;ηp為水泵抽水效率;ηh為水力發電的效率;n為一天的調度時刻數。式(4)、式(5)為抽水、發電功率的限制;式(6)為水庫蓄能量的限制;式(7)為水庫蓄能隨抽水、發電功率的變化;式(10)為初始時刻水庫蓄能和調度周期末時刻的蓄能量相同。2.剩余方差隸屬度函數按照隸屬度函數將多目標優化調度問題進行模糊化處理。模型中希望剩余負荷的方差越小越好;聯合運行的電量效益越大越好。選用降半直線形函數作為剩余負荷方差的隸屬度函數;選用升半直線形函數作為聯合運行電量效益的隸屬度函數。式(11)、式(12)為目標函數隸屬度表達式。式中,C1、C2分別為求解單目標f1(x)、f2(x)函數得到的目標函數值;λ1為可接受的剩余負荷方差的增加量;λ2為可接受的聯合運行經濟效益的減少量。3.目標函數及約束根據多目標模糊優化理論,定義滿意度指標為將它們分別代入式(11)、式(12)中的可行域內,將文中所建多目標模型轉化為滿足約束條件的滿意度δ最大的單目標問題,下式連同式(3)~式(10)構成其數學模型式中,δ為滿足所有約束條件的滿意度指標;C1、C'2分別為單獨以f1(x)為目標得到的剩余負荷方差目標值和聯合運行上網電量;C2、C'1分別為單獨以f2(x)為目標得到的聯合運行上網電量目標值和剩余負荷方差值;λ1、λ2為可接受的伸縮范圍,取值范圍為[0,C'1-C1]、[0,C2-C'1]。λ取值越小,則對應目標所占的權重越大,決策者對相應目標越滿意。4.約束條件的選取1)對于元件模型的約束處理方法:元件約束如抽水蓄能電站抽水發電功率的限制式(4)、式(5),這些約束多表示設備的物理極限,需強制滿足。當運算過程中超出這些約束時,將其設為其邊界值。2)對于某些不等式約束和等式約束采用罰函數處理。對于式(6)和式(10)采用罰函數的方法處理。在采用罰函數方法處理約束條件時,罰系數的選擇比較困難,罰系數選得過大,容易陷入局部最優;罰系數選得過小,則算法很難收斂到滿意的最優解。因此,罰因子數值的選擇是否適當,對算法的收斂速度影響很大。文獻提出采用動態調整罰函數的方法處理罰系數式中,k為當前迭代次數;H(x)為懲罰因子,定義如下式中,m、n分別為等式約束和不等式約束的數量;θ(qi(x))、γ(qi(x))的具體取值參考文獻。5.模型的解決方案圖1所示為采用粒子群算法求解本文模型的求解流程。優化模型求解為了驗證所建立模型及求解方法的有效性,對某地區風電場和抽水蓄能電站進行24h運行優化,負荷曲線和風電出力預測如圖2所示。取ηp=0.8,則由ηg=ηhηp,ηg為抽水發電的轉換效率,取為0.75,則ηh=0.9375。電網可接受風電功率最大值280MW,最小值為160MW,抽水蓄能電站的最大蓄能量為700MW·h,最大發電功率Pgmax為160MW,最大抽水功率Ppmax,按照Ppmax=ChPgmax(Ch為比例系數,對于抽水蓄能電站一般取為1.0~1.2,這里取1.2),水庫一天的初始蓄能量為0MW·h。本次優化時間段取為一天,共分為24個時間段,即目標函數式中n=24。采用文獻所提的引入進化速度和聚類度的改進粒子群算法對模型進行求解,粒子群算法的參數設置如下:粒子種群數設置為100,最大迭代次數設為1000,c1=c2=2,進化速度慣性因子wh=0.5,聚類度慣性因子ws=0.1。由表1可知,λ1、λ2取值范圍分別為[0,9.13238×104]、[0,168.209],在取值范圍內對λ1、λ2等間距的選取了8種情況,如表2所示,對這8種情況進行求解,得到的結果如圖3所示。由圖3可知,選取不同的伸縮系數,會對結果產生一定影響。當伸縮系數較小時,相應的目標函數結果更趨近于單目標最優解。因此,可以根據地區的實際情況選取不同的伸縮系數進行多目標優化,若地區的峰谷差較大,旋轉備用不足,可以取較小的λ1值、較大的λ2,使得聯合運行盡量跟蹤負荷變化,減小峰谷差;若旋轉備用充足,可以選取較小的λ2、較大的λ1,充分利用風能,減小棄風。對于電力系統,需要考慮當地的實際情況選取不同的伸縮系數,并選擇相應的調度方案。表1反映了單目標優化調度與伸縮參數選取情況3時的多目標優化結果,對比結果可知,多目標優化調度綜合考慮了風蓄聯合運行的負荷跟蹤效益和風電的電量效益,結果更為滿意。分別做出單目標和伸縮系數選取情況3時多目標優化的抽水蓄能電站的工作情況、聯合出力的大小和水庫蓄能量圖,如圖4~圖6所示,圖中抽水蓄能電站功率正的表示發電,負的為抽水。經比較可以看出,單獨以剩余負荷峰谷差最小為目標,抽水蓄能電站不僅能夠利用棄風抽水且能夠尋找合適的抽水位置,在負荷高峰時段發電,使得聯合運行的結果能夠在一定程度上跟蹤負荷變化,減小了風電的反調峰特性對電網帶來的調峰困難,且水庫的蓄能量得到了充分的利用;單獨以電量效益最大為目標,由于抽水蓄能電站具有“抽四發三”的特點,抽水發電中存在能量損失,為了使得上網電量最大,抽水蓄能電站僅利用棄風抽水,主要在風電低于上網下限時發電使風電上網,水庫富裕的儲能量在風電較小時發電,由于只利用棄風抽水,水庫的利用率較小;多目標優化時,抽水蓄能電站不僅能夠利用棄風且能夠利用負荷低谷時段富裕的風電抽水,在負荷高峰時段發電,滿足負荷的需求,并且水庫的利用率較高。采用不同數的伸縮系數表達優化結果考慮電量效益和負荷跟蹤效益的多目標優化模型,兼顧了