智能电网中风光电联合协同优化调度

智能电网中风光电联合协同优化调度

许朝枝,林艺君,,许密治,,黄祥亮,叶宏琳

泉州市锦森建设发展有限公司

摘要：经济的高速发展对于电能的需求量越来越大，智能电网和环保技术的要求，风能、光伏等清洁能源的发电比重越来越高，但是这些发电方式随机性强、可调节能力弱，地域性强、集中度高，电能储存困难。本论文针对这些问题，通过文献资料分析能源结构、节能减排等要求，提出多种发电方式联合协同调度的方式，综合分析火力发电、风能发电、光伏发电的特点，研究提出了一种联合调度模型，以改进了的量子粒子群优化算法进行联合调度模型的求解。该联合调度模型的提出对于智能电网的发展和多种发电方式的联合调度具有重要的指导意义。

关键词：智能电网；风能发电；光伏发电；联合调度

引言

随着国民经济的飞速发展，对于用电量的需求也越来越大，当前我国火力发电在发电总量占据重要比重。火电的碳排放量巨大，是我们积极调整电力结构的一大难题。因此，大力发展水利、光伏、风能、潮汐等清洁能源进行发电成为解决该问题重要途径。但是风力发电、光伏发电随机性强、可调节能力弱，地域性强、集中度高，电能储存困难，这也导致了电力系统的稳定调度产生巨大挑战；另一方面由于本低消纳困难，导致可再生资源无法得到充分的利用，造成能源浪费。本论文在电网安全约束下，同时考虑节能减排效益和经济效益，提出了一套风—光—火电联合调度模型，并利用多目标决策算法进行了调度模型的求解，确定最有调度参数，为今后智能电网的调度决策提供理论依据和支持。

1 风—光—电混合电力系统分析

为了研究不稳定的大规模风—光—电联合智能调度模型，首先要确定多目标函数和约束条件，传统的经济发电调度模型需要在满足混合电力系统负荷需求和各项约束条件同时，还需要找到一种最有的各发电方式的输出功率的分配组合，实现混合电力系统发电燃料消耗量最低。保证厂网分开后调度管理更多的系统购电成本最小作为目标进行经济发电调度。

在实际情况下，仅仅考虑电力系统的安全约束下的经济调度，分布式发电电源由于较高的发电成本不能被调度。因此，提出研究同时建立具有购电成本目标函数、有害气体排放量目标函数、系统总收益目标函数以及安全约束和功率平衡约束等条件的不稳定大规模风—光—电联合智能调度多目标优化模型，并且针对该模型研究一种准确高效的多目标优化决策方法。传统的多目标优化决策方法多采用加权、约束方法，将多目标问题转化成单目标进行优化，误差和局限性大。为了加快风—光—电联合调度模型的收敛速度和提高运算精度，本论文提出了一种更好的用于智能调度的改进型量子粒子群优化方法，以解决不稳定大规模风—光—电联合调度的多目标优化模型的智能计算问题。

为了建模需求，需要准确研究风力发电、光伏发电等不能稳定大规模清洁能源电源的成本函数，寻求量化此类不稳定电源环境收益途径。

2 智能电网中风—光—电发电模式联合调度模型

2.1 目标函数

在包含火力发电、风力发电、光伏发电的混合电力系统中，总调度效益要保证实现最大化，也就是各个成本的最小化，成本计算函数如下：

t时段的火力发电成本：

                         1

t时段的火力发电环境补偿成本：

                         2

t时段的风力发电成本：

                           3

t时段的风力发电备用容量补偿成本：

                    4

t时段的光伏发电成本：

                               5

t时段的抽水蓄能机组运行成本：

                                6

全天抽水蓄能启停补偿成本：

                                7

为了便于计算，本文采用线性加权法对多目标函数进行求解。综合考虑不同发电方式的不同发电成本，总效益的最大化即总成本的最小化，故综合目标函数为：

       8

2.2 约束条件

1）全网功率平衡函数：

       9

2）火力发电出力上下限：

                           10

3）火力发电机组爬坡速率限制：

                        11

4）区域安全输送约束是：

    12

         13

              14

5）抽水蓄能机组的约束是：

                            15

                           16

库容约束：

       17

                         18

6）风电出力机旋转备用约束：

                           19

                       20

                        21

                22

7）太阳能光伏出力约束：

当系统的运行电压设定后，光伏组件数量需要满足以下约束条件：

                           23

其中，Ns式单独光伏发电时满足用户负荷需求所需要的数量

光伏太阳板的倾角约束条件：

太阳能光伏阵列有两个角度参量：光伏组件方位角α和光伏组件倾角β。α指光伏组件的垂直面与正南方向的夹角，在北半球光伏组件朝向正南取α=0；β是指太阳能光伏组件平面与水平面之间的夹角，其取值范围应为0~90°。

3 改进的量子粒子群多目标决策算法

含有多种发电模式的联合调度在智能电网的混合调度中具有系统复杂、规模大等特点，智能调度模型面临着很大的挑战和困难，风—光—电混合调度模型对于算法的求解具有很高的要求。通过大量的研究和试验验证，经典数学建模方法局限性大，存在很严重的“维数灾”问题，不能求得完全的最优解。作为一种最新发展且广泛使用的一种群体进化算法，量子粒子群算法具有进化速度块、不易陷入局部最优、初始种群需求少等优点，本论文采用改进的量子粒子群算法进行风—光—电混合电力发电的最优调度问题。

针对传统的量子粒子群优化算法难以获得满意解、算法收集速度慢等问题，本论文在极大、极小距离的基础上，提出了改进的量子离子群算法，提升算法的准确性，避免参数对适应值的不良影响。

1）极大极小距离

设S为解集集合，该集合的规模为n，则表示中的任一个个体相对于其它个体在目标函数空间中的欧式距离，针对特殊情况，的最小值为个体i的最小距离为对于整个集合，，中的最大值用表示，则称为集合S的极大极小距离。

2）极大极小距离测定方法

设置新的F，Pmax最大的潜在价值，t为迭代代数，D(i)极大极小距离密度。

第一步，，最初的潜在价值P1=1，第一个解决方案是帕累托的解决方案。

第二步，生产解决方案的数量不到种群规模的情况下，如果数据处理是一个帕累托的解决方案，并主导当前帕累托的解决方案，至少更新帕累托的解决方案，，更新新的F的潜在价值。如果数据处理是一个帕累托的解决方案，但不是主导当前任何帕累托的解决方案，。将其添加到帕累托的解决方案，是潜在价值，这是最近帕累托的潜在价值的解决方案。如果，如果解决方案并不是一个新帕累托的解决方案，是帕累托最近的潜在价值的解决方案。

第三步，根据的潜在价值排序所有现有的帕累托的解决方案，整理找到全局最优解。

第四步，Pmax取代现有的所有帕累托的潜在价值的解决方案。

第五步，，如果t大于迭代代数，算法终止。否则，返回到第二步循环重复计算。

综上，量子粒子群优化算法多目标优化流程图如下。

图1 改进的量子粒子群多目标优化流程

4 结论

本论文针对风力、光伏和火力发电的特点和混合电力系统的特点，提出了风—光—电联合调度模型，建立了智能电网中多种发电模式联合调度的多目标优化模型，并采用改进的量子粒子群优化算法进行多目标优化，综合评估智能电网系统的社会、经济、安全等各种条件下的综合效益。

参考文献：

[1] 赵冬梅, 王浩翔, 陶然. 计及风电-负荷不确定性的风-火-核-碳捕集多源协调优化调度[J]. 电工技术学报, 2022.37(3):707-718.

[2] Cany C, Mansilla C, Mathonnière G, et al. Nuclear power supply: going against the misconceptions. Evidence of nuclear flexibility from the French experience[J]. Energy, 2018(151):289-296.

[3] 周刚. 考虑核电参与的多类型电源联合调峰优化方法[J]. 电网技术, 2019,43(3):928-935.

[4] 胡弘, 韦化, 李昭昱. 风电接入下核电参与电力系统调峰的协调优化模型[J]. 电力自动化设备, 2020,40(5): 31-39.

[5] 侯文庭, 韦化. 考虑核电可调度性的风-光-核-水-火多源协调短期优化调度[J]. 电工技术学报, 2018,33(12):2873-2882.

[6] ROY P K，PAUL C，SULTANA S. Oppositional teaching learning based optimization approach for combined heat and power dispatch[J]. International Journal of Electrical Power & Energy Systems，2014(57):392-403.

[7] 王剑，刘天琪，李兴源. 风电场及储能装置对发输电系统可靠性的影响[J]. 电网技术，2011,35(5):165-170.

[8] 吕泉，陈天佑，王海霞，等. 含储热的电力系统电热综合调度模型[J]. 电力自动化设备，2014,34(5):79-85.

[9] MU Gang，CUI Yang，LIU Jia，et al. Source-grid coordinated dispatch method for transmission constrained grid with surplus wind generators[J]. Automation of Electric Power Systems，2013,37(6):24-29.

[10] 晏浩然，吴杰康，晏寒婷，等. 新能源配电网低碳高效运行的可拓层次评估方法[J]. 电气工程学报，2018,13(2):15-23.