从调度模式经济性角度评估电网风电出力接纳能力

江岳文，温步瀛

(福州大学电气工程与自动化学院，福建 福州350108)

从调度模式经济性角度评估电网风电出力接纳能力

江岳文，温步瀛

(福州大学电气工程与自动化学院，福建 福州350108)

随着风电并网容量的增加，电网出现了一定程度的弃风。调度模式直接影响电网接纳风电的能力。本文分别构建了综合考虑系统运行成本和弃风量最小的调度模式、系统运行成本最小的调度模式以及弃风量最小调度模式的模式。提出利用分层优化的思想求解，外层采用基于分段断点的动态规划法安排机组的启停，内层采用多智能体粒子群算法求解系统运行的相关指标。通过算例计算，从调度经济性角度分析不同调度模式下电网最佳风电出力接纳水平。

调度模式;风电接纳;经济比较;分层优化;多智能体粒子群算法

1 引言

由于煤炭等资源的紧缺和环保意识的不断加强，风电已经在我国大规模发展。目前，国内多个地方的风电装机容量已超过了全额消纳风电能力［1］。其中，影响风电接纳能力的主要因素包括电网因素如系统负荷特性、备用水平、电源组成、调度水平、调峰能力、电网网架结构以及风电自身因素如风电的随机性和间歇性、风电场功率预测、风电场低电压穿越能力等［2，3］。为了提高风电的消纳能力，文献［4］通过机组组合和出力分配的方式提高电网的“负调峰”能力，从而增加风电的消纳量。如果单方面以增加风电的消纳量为目标，势必使得电网其他机组运行在深度调峰或启停调峰状态;一些煤耗量大排放程度高的机组因为能够提供较低出力运行而被开机，系统的经济性能可能下降。文献［5］指出可以从经济性角度出发分析电网为了提高调峰能力所付出的经济代价和接纳风电所获得的社会效益进行综合评价，提高电网调峰能力，增加电网接纳风电的裕度，但该文尚没有提出一个具体的计算模式和方法。文献［6］提出以水电优先为风电调峰，火电作为补充的调峰方法，该方法对水电资源比较丰富的地区较为适用。文献［7，8］采用负荷用电激励机制来实行负荷曲线的平稳化，为风电消纳提供更大的空间。该方法能有效降低风电消纳成本，但需要电力市场机制比较成熟，用户能根据实时电价的波动而及时调整自己的用电负荷和用电意愿。文献［9，10］则通过调度模式的不一样来评估和改善电网风电消纳能力。如文献［9］建立了以弃风电量、机组成本和机组运行的风险度单目标及多目标联合优化调度模式，该联合模式能优化风电消纳量，但该文尚未考虑风电穿透功率变化对不同调度目标的影响。文献［10］则利用商业化的软件计算分析了不同风电穿透功率情况下，对单目标采用能耗最小的调度模式和考虑弃风量与系统运行成本最小调度模式的经济性指标进行评价。

本文在上述文献的基础上，评估不同调度模式对电网风电接纳能力的影响;采用分段断点的动态规划法结合多智能体粒子群算法求解这一问题，为评估风电接纳能力以及风电开发提供参考与借鉴。

2 含风电电网的不同调度模式研究

不同的调度模式，其机组启停计划和出力安排不一样，接受风电的能力也不一样。因此，本文研究了三种调度模式下电网接纳风电的能力。

模式一(综合调度模式):综合考虑系统运行成本(即常规机组运行成本与启停成本之和)和弃风量二者之和最小的调度模式。该模式兼顾系统煤耗和弃风量。弃风量减少一方面节约了化石燃料的消耗，一方面却需要机组压低出力或频繁启停进行深度调峰，增加启停费用和煤耗。因此，该调度模式在弃风量和系统的经济运行中寻找一个最佳平衡点。

模型中的λ系数为把系统最经济运行和弃风量最小两个目标联系起来的系数，单位为元/MWh。其值的大小可以通过单目标运行系统的运行成本和弃风量大小，利用目标值的差别估算出λ数量级，使得系统运行成本和弃风量成本两个目标在数量级上接近，防止综合目标由某一个单方面的目标引导。

模式二(成本最小模式):该模式只考虑系统运行成本，为了减少深度调峰或启停调峰，会适当弃风。

模式三(弃风量最小模式):该模式不考虑系统的经济性能，只求系统在某个时间周期内弃风量最小。该模式可以最大程度地消纳风电，使得风力发电企业弃风量最少。

式中，T为调度周期的时段数，一般一天取24个时段;n、m表示参与计算的常规机组数量和负荷数量;Ii，t为常规机组i在t时段的运行状态，0代表停机，1代表运行;为常规机组i在t时段的发电有功功率;为常规机组i在t时段的运行成本; ai，bi，ci为发电机i的生产成本系数;Si，t为机组i在t时段的启停成本［11］;δi，σi，τi为机组i的启停成本系数;Pl，t表示t时段l节点上的负荷大小;为机组i在t时段停运的时间;Δt为时间间隔持续的时长;为时段t风电预测功率基准值;β为典型日风电出力预测基准值的倍数;为时段 t电网实际接纳风电的出力。

约束条件:

(1)机组约束

1)机组出力约束

2)机组起停时间约束

3)机组爬坡能力约束

(2)系统约束

1)功率平衡约束

2)系统旋转备用约束

(3)风电出力约束(假设风电场的装机容量足够大)

如果电网过度开发风电，对电网的运行和风电企业的利益都会产生不良影响，使投资者无法及时回收成本并获得合理的回报，电网运行需要更多的辅助服务和可靠性成本。风电出力过少使得风电的优越性没有充分发挥，无法最大限度地节约化石能源。因此，本文在式(1)、式(3)以及约束条件(11)中设置了一个β系数，允许风电在现有预测出力基础上进行变化。当β优化到某一个最佳出力比例βopt，则某个目标函数的值不再变化，风电出力水平β继续增大，则只会增加弃风量而系统运行成本不会有下降的趋势，从能源利用最优化的角度来看，此时接纳的风电出力水平是最佳的。

通过上述分析，将三种调度模式比较见表1。

表1 三种调度模式比较Tab．1 Comparison of three dispatching models

3 解算方法

上述模式中含有离散变量和连续变量，还含有变化较大的β这一随机变量。该问题属于混合整数非线性规划问题。本文把上述目标的求解分两个层次:外层采用基于分段断点的动态规划法获得机组的开停机方案［13］;内层采用改进的多智能体粒子群算法求取不同调度模式下电网接纳风电出力最佳比例。

3.1 外层解算方法

本文把负荷曲线和预测风电出力曲线进行综合，得到常规机组实际出力曲线。在曲线上设置两个断点，即负荷极大值点和极小值点作为分段断点;其次，结合机组的比耗量，根据比耗量的大小优先排序投入机组;再利用动态规划法求解机组组合。该方法既能有效克服动态规划法“维数灾”的问题又不会丢失问题的最优解，计算速度快。

3.2 内层解算方法

(1)粒子群优化算法

粒子群优化算法(PSO)是一种基于种群搜索策略的自适应随机优化算法，该方法求解效率较高，简单易懂，对所求解问题没有特殊的要求，可实现性强，在电力系统负荷经济分配中广泛应用。在应用中也存在着早熟收敛，易陷入局部最优解、后期进化速度较慢等缺点［14，15］。本文针对粒子群算法的不足，利用多智能体Agent对其进行改进。

(2)多智能体系统

多智能体系统(Muti-Intelligent-Agent System，MIAS)能对环境的变化具有自适应力和相应的自我调整能力;能与其他智能 Agent进行协作、交互，共同朝一个既定的目标发展;能解决一个复杂问题的求解。Agent可以是一个具体的实体，也可以是一个抽象名词，它具有自主性、独立性，并能根据邻域Agent的状况进行学习、推理和交互。

1)单Agent的活动准则

每一个Agent为αi，假设预定目标为Gpre，每个αi的任务就是在现有约束条件下尽可能地靠近Gpre，从而实现复杂问题的求解。但单个 αi都认为自身存在局限性，需要与其他αj(j≠i)共同协作完成一件事。

2)MIAS之间的协作与学习机制

为了充分发挥单个Agent与邻域之间的协作与学习，为各个Agent配置一定的邻居，假设αi与其邻里之间通过各自适应值的比较，发现 f(αi)≤为αi邻里之间适应值最小)，则αi为一优质粒子，可以继续在解空间中保持不变;否则为一劣质粒子，需要向其他粒子学习，式(12)则反映了MIAS中各Agent的协作与相互学习的过程。

根据式(12)对劣质αi进行更新，其新的位置必须满足约束条件。

(3)具体解算流程

1)读入机组、负荷参数和风电出力预测曲线参数，利用改进动态规划法求解各个时段机组的组合。

2)输入多智能体粒子群计算参数。

3)根据各时段机组组合，形成内层优化的初始种群，假设系统中有n台机组，每个时段初始种群维数为Pnum×n，在计算风电出力最佳接入比例时，还需要考虑随机变量β，维数变为Pnum×(n+1)。每个Agent即αi等同于PSO算法中一个粒子。

4)根据三个目标函数分别进行优化，计算每个粒子的适应值。

5)对每个粒子，将其适应值与个体极值进行比较，如果较优，则更新当前的个体极值 Pbi;将其适应值与全局极值进行比较，如果较优，则更新当前的全局极值Gb。

6)利用MIAS对粒子群算法进行改进。

根据上述理论，当每个Agent与邻里进行相互学习后，结合PSO算法，利用式(12)与粒子群中最优粒子进行信息交换，粒子位置的更新变为式(13)，其中f()是表示某个粒子的适应值。

在种群刚开始迭代时，由于各个粒子适应度值差别较大，可以随机为每个 Agent配置邻居，数目可根据实际需要加以设置，本文最大值取15，即刚开始迭代时每个 Agent可以随机拥有15个邻居。随着迭代次数的增加，粒子趋近于稳定，每个Agent配置的邻居数目可以适当减少，因为此时邻里已经趋近于一致或达成共识，协作与相互之间学习的必要性降低，这样既可以减少程序计算的时间又能找到全局最优解。本文根据式(14)d的大小判断种群收敛的情况，并按式(15)适当减少邻里数目。

式中，Pnum为粒子群规模;fi为第 i个粒子的适应度;fgbest为粒子群目前的全局最优个体的适应度;表示刚开始迭代每个Agent配置的邻居数目;lkn表示第k次迭代的邻居数目;d1为式(15)第一次的计算值，int表示取整。

7)程序是否收敛，如果不收敛则重复4)～6)，直到收敛。

8)输出最优解，即机组的启停状态、出力水平、弃风量、β系数和目标函数值。

4 算例分析

4.1 原始数据

本文采用6机测试系统进行仿真计算分析，6台机组的参数见表2。每小时负荷的数据和典型日风电出力预测数据见表3。均取该时段负荷的5%;取该时段风电出力的10%;Δt=1 h;其他原始数据见表2和表3。风电出力变化为典型日风电出力预测值的倍数。4.2 仿真计算分析

表2 发电机组的成本系数及相关参数Tab．2 Cost coefficients and related parameters of generators

表3 各时段负荷数据和典型日风电出力预测数据Tab．3 Load value and wind power prediction value for 24 hours

(1)从调度模式的经济性角度评估电网接纳风电出力最佳水平

利用上述模型和优化算法，按照模式一的调度方式，β趋近于4.236，按照模式二的调度方式，β趋近于 4.293，按照模式三的调度方式，β趋近于4.215。模式三具有最小的βopt，因为模式三的调度方式已最大程度地利用风电，再增加风电接入比例只会引起大量的弃风，而前两种调度模式还可以在弃风与深度调峰之间适当权衡。三种调度模式下系统的运行成本与弃风量见图1。

图1 不同风电出力及不同调度模式下系统运行成本变化Fig．1 System operation cost with different wind power and dispatching models

无论是哪一种调度模式，系统的运行成本都随风电出力水平的增加而下降，直至最佳风电出力接纳比例。同一风电出力水平下，按模式二调度，系统的运行成本是最低的，因为该模式实际在系统经济运行和弃风量之间进行权衡，通过目标函数判别弃风与否或弃风的多少对系统经济运行是最有利的;按弃风量最少的调度模式三，系统运行成本最高，此时为消纳更多的风电，有些机组需压低出力运行，使得部分机组运行在不经济的状态;按模式一的调度方式运行，成本居于二者中间，一方面火电因为要减少弃风量进行深度调峰而处于不经济运行状态，增加煤耗;另一方面因为减少了弃风量，全系统火电机组可以少出力，又会节省煤耗成本。按调度模式一和调度模式二调度，系统运行成本最大会差0.86%，这个值和λ的取值有关。如果λ偏大很多，则会与调度模式二偏离更多，本文 λ取80000元/ MWh。

从图2可以分析出随着风电出力的增加，弃风量调度模式弃风最少，当风电出力比例占系统最大负荷不到22%时，在该调度模式下的弃风量可以到零。当风电出力比例超过该比利时，三种调度模式均会在一定程度上弃风，其中调度模式二弃风量最大。当达到最佳风电出力接入比例时，增加风电出力，只会引起大面积弃风。

图2 不同风电出力及不同调度模式下弃风量Fig．2 Abandoning wind energy with different wind power and dispatching models

对比图1和图2，可得出如表4所示结论。

表4 三种调度模式优化结果比较Tab．4 Optimization results comparison of three dispatching models

(2)算法优越性比较

图3是基于调度模式二和单倍风电出力时，内层分别采用粒子群算法(PSO)和多智能体粒子群算法(MIAS-PSO)计算的收敛曲线。从图3和表4可以看出，采用多智能体粒子群算法获得的解明显优越于标准粒子群算法的解，求解效率更高。

5 结论

通过上文的分析，可以得出如下结论:

(1)不同的调度模式，从经济性角度出发，风电出力最佳接入比例是不一样的，超过该风电接入比例，只会引起弃风量的增加，并不会改善系统运行的经济性能;

(2)电网接入同样的风电出力，弃风量最小的调度模式弃风量最少，但其接纳风电出力的最佳比例最小;成本最小的调度模式弃风量最大，但随着风电出力比例的增加，其接纳风电的最佳比例最大;

(3)PSO算法的引入克服了单个 Agent与邻里局部学习和协作的限制性，提升了其寻优的速度，而Agent结合PSO则使得其解具有多样性，防止局部收敛，两种优化方法共同完成对问题的求解，提高了最优解获取的效率与质量。

图3 两种优化算法收敛曲线对比图Fig．3 Convergence curves comparison for two optimization algorithms

［1］刘德伟，黄越辉，王伟胜，等 (Liu Dewei，Huang Yuehui，Wang Weisheng，et al．)．考虑调峰和电网输送约束的省级系统风电消纳能力分析 (Analysis on provincial system available capability of accommodating wind power considering peak load dispatch and transmission constraints) ［J］．电力系统自动化 (Automation of Electric Power Systems)，2011，35(22):77-81．

［2］孙荣富，张涛，梁吉 (Sun Rongfu，Zhang Tao，Liang Ji)．电网接纳风电能力的评估及应用 (Evaluation and application of wind power integration capacity in power grid)［J］．电力系统自动化 (Automation of Electric Power Systems)，2011，35(4):70-76．

［3］朱凌志，陈宁，韩华玲 (Zhu Lingzhi，Chen Ning，Han Hualing)．风电消纳关键问题及应对措施分析 (Key problems and solution of wind power accommodation) ［J］．电力系统自动化 (Automation of Electric Power Systems)，2011，35(22):29-34．

［4］杨宏，刘建新，苑津莎 (Yang Hong，Liu Jianxin，Yuan Jinsha)．风电系统中常规机组负调峰能力研究(Research of peak load regulation of conventional generators in wind power grid)［J］．中国电机工程学报(Proceedings of the CSEE)，2010，30(16):26-31．

［5］韩小琪，孙 寿 广，戚 庆 茹 (Han Xiaoqi，Sun Shouguang，Qi Qingru)．从系统调峰角度评估电网接纳风电能力 (Evaluation of wind power penetration limit from peak regulation)［J］．中国电力 (Electric Power)，2010，43(6):16-19．

［6］衣立东，朱敏奕，魏磊，等 (Yi Lidong，Zhu Minyi，Wei Lei，et al．)．风电并网后西北电网调峰能力的计算方法 (A computing method for peak load regulation ability of Northwest China power grid connected with largescale wind farms)［J］．电网技术 (Power System Technology)，2010，34(2):129-132．

［7］刘新东，陈焕远，方科 (Liu Xindong，Chen Huanyuan，Fang Ke)．利用负荷需求响应提高大规模风电并网能力 (Research on demand response for wind power integration into smart grid)［J］．中国电力 (E-lectric Power)，2012，45(4):10-14．

［8］夏叶，康重庆，宁波，等 (Xia Ye，Kang Chongqing，Ning Bo，et al．)．用户侧互动模式下发用电一体化调度计划 (A generation and load integrated scheduling on interaction mode on customer side)［J］．电力系统自动化 (Automation of Electric Power Systems)，2012，36(1):17-23．

［9］ 万振东，程浩忠，张建平，等 (Wan Zhengdong，Cheng Haozhong，Zhang Jianping，et al．)．考虑风电消纳能力单目标及多目标模糊机组组合模式及应用(Model and application of unit commitment with single and multi fuzzy objectives considering wind power consumption)［J］．水电能源科学 (Water Resources and Power)，2012，30(7):214-218．

［10］张粒子，周娜，王楠 (Zhang Lizi，Zhou Na，Wang Nan)．大规模风电接入电力系统调度模式的经济性比较 (Economic comparison for different generation schedulings with large scale wind power connected power system)［J］．电力系统自动化 (Automation of Electric Power Systems)，2011，35(22):105-110．

［11］Gaing Zwe-Lee．Discrete particle swarm optimization algorithm for unit commitment［A］．Proceeding of IEEE Power Engineering Society General Meeting［C］．Toronto，Ontario(Canada)，2003.1:418-424．

［12］Chen C L．Optimal wind-thermal generating unit commitment［J］．IEEE Transactions on Energy Conversion，2008，23(1):273-280．

［13］杨严威，温步瀛，江岳文 (Yang Yanwei，Wen Buying，Jiang Yuewen)．基于分段断点的动态规划法启停机计划研究 (Research on unit commitment by dynamic programming algorithm based on segmentation breakpoint)［J］．电网与清洁能源 (Power System and Clean Energy)，2012，28(5):24-28．

［14］Saber A Y，Chakraborty S，Razzak S M A，et al．Optimization of economic load dispatch of higher order general cost polynomials and its sensitivity using modified particle swarm optimization［J］．Electric Power Systems Research，2009，79(1):98-106．

［15］Angeling P J．Evolutionary optimization versus particleswarm optimization and philosophy and performance difference［A］．Proceedings of 7th Annual Conference on Evolutionary Programming［C］．San Diego，CA，USA，1998.601-610．

Capability of accommodating wind power for different dispatching models based on economy

JIANG Yue-wen，WEN Bu-ying
(College of Electrical Engineering and Automation of Fuzhou University，Fuzhou 350108，China)

With the increasing of wind power integrated power system，the grid has begun to abandon wind energy to a certain extent．Dispatching models will directly impact the capability of accommodating wind power．This paper proposes three dispatching models for considering minimum system operation cost and abandoning wind energy、minimum system operation cost and minimum abandoning wind energy．In order to solve the models，hierarchical optimization algorithm is proposed．The outside algorithm is dynamic programming algorithm based on segmentation breakpoint and the inside algorithm is Muti-Intelligent-Agent System particle swarm optimization(MIAS-PSO)．By testing a simulation example，the optimal wind power integrated grid is obtained based on the dispatching economy．

dispatching model;capability of accommodating wind power;economic comparison;hierarchical optimization;MIAS-PSO

TM732;TM614

A

1003-3076(2014)04-0054-07

2013-07-28

福建省青年人才创新基金资助项目(2011J05124)

江岳文(1977-)，女，湖南籍，副教授，博士，研究方向为电力系统优化运行、电力市场和风电并网运行;温步瀛(1967-)，男，福建籍，教授，博士，研究方向为电力系统优化运行、电力市场和风电并网运行。