基于虚拟发电厂的电网经济调度模型

，，

(长江大学电子信息学院，湖北 荆州 434023)

基于虚拟发电厂的电网经济调度模型

邹必昌，周红，李涛

(长江大学电子信息学院，湖北荆州434023)

随着光伏发电、风电等分布式电源在电网中所占的比例越来越大，电网的调度变得越来越复杂，难度越来越大，同时也给电力系统带来了更多不稳定的因素。作为一种有效的用于管理各种分布式电源的技术，虚拟发电厂技术对于多分布式电源的电网经济调度具有较好的优势。首先建立了简易的虚拟发电厂模型，在保证风电和光伏发电全额上网的基础上构建了基于虚拟发电厂的电网经济调度模型，然后以发电资源消耗量最小为目标函数，利用遗传算法进行求解计算，最后以包含一个风电场、一个光伏电站和6个火电机组的系统为算例进行了验证。算例计算结果表明，基于虚拟发电厂的电网经济调度模型合理，求解较好地达到了电力生产的经济性。

分布式电源；虚拟电厂；遗传算法；经济调度模型

虚拟发电厂(Virtual Power Plant,VPP)是由能源管理系统和其所控制的小型或微型分布式能源资源组成的一类集成性电厂[1]。通过VPP可以将分布式能源(DER)更好地集成在一起，从而确保其电能输出的稳定性，同时还能够在最短的时间内提供辅助服务，有效地解决了DER和现行的电力市场之间的矛盾，在最大程度上消除其独立运行所面临的风险隐患，达到规模经济的目的。另外，VPP还具有协调控制优化的功能，这一功能使得DER对公网的影响得到有效地降低，在一定程度上解决了DER规模上升所导致的调度变难的问题，大大提高了配电管理的合理性以及电网整体的稳定性[2～4]。

利用新能源的分布式电源(DG,Distributed Generation)为居家提供电能，虚拟发电厂技术可以将剩余的电量回收到电网中，更加科学地分配周期性分布式电源等的工作安排，实现电力市场中的用电供需平衡。随着智能电网技术在更大范围内的应用,VPP的应用前景也会变得更加广阔，成为未来电网的发展趋势。文献[5,6]论述了基于多代理技术的虚拟发电厂模型，创建了提高VPP发电效率的Agent调度控制模型，该模型不但不会影响到VPP运行的安全性，而且能够满足电压稳定、功率平衡的需求，并分析了该模型的功能以及协调方法。文献[7,8]从需求响应方面上提出需求响应虚拟电厂概念，根据需求响应的机理不同，分别建立基于激励的和基于价格的需求响应虚拟电厂模型。下面，笔者在传统经济调度的基础上引入虚拟发电厂技术，把风电和太阳能发电等具有间歇性和波动性的分布式电源和传统能源电厂一起加入到虚拟发电厂中进行调度，在保证系统安全稳定运行的前提下，利用风电和光伏发电来缓解传统能源机组的出力，达到改善传统火电机组的资源消耗的目的。

1 虚拟发电厂模型

虚拟发电厂模型如图1所示。在该模型中，VPP管理系统掌握了所有分布式电源和传统电厂信息，并对每个单元制定了相应的发电方案。

图1 虚拟发电厂模型

1.1目标函数

根据国家相关政策，电网企业应尽可能提高吸纳可再生能源发电的能力，VPP是在最大限度的消纳风电和光伏发电的基础上，优化常规火电机组的运行，使火电机组资源消耗量达到最小，实现调度周期内系统经济效益增大。

火电机组资源消耗量目标函数表达式为[9]：

(1)

式中，T为调度周期内小时数；G为参与优化调度的火电机组数；Pit为机组i在t时段的发电功率；fit(Pit)是单台机组的发电能耗函数，具体表达式如下[9]：

(2)

式中，ai、bi、ci分别代表机组i发电耗能系数。

1.2约束条件

1.2.1火电机组约束

1)机组出力约束:

Pi min≤Pi≤Pi max

(3)

式中，Pi min、Pi max分别是火力发电机组i的最小出力和最大出力。

2)爬坡约束:

RDiΔT≤Pit-Pi(t-1)≤RUiΔT

(4)

式中，RUi、RDi第i台火电机组的上、下爬坡速率;ΔT为一个时段，即ΔT=1h。

3)火电机组启停时间约束[9]:

(5)

(6)

1.2.2系统约束

1)功率平衡约束(忽略网损):

(7)

式中，PLt代表系统时段t系统负荷的需求预测值；Pwt代表风电场于时段t所输出有功功率预测值；Ppvt代表光伏系统于时段t所输出有功功率预测值。

2)系统旋转备用容量约束。假如风力发电与光伏发电仅向系统提供能量，而不予以备用约束，所以这个系统旋转备用容量等于火电机组能耗所提供的容量[9]：

(8)

(9)

2 电网经济调度模型

2.1风电输出功率数学模型

影响风速的因素很多，如天气、地势地貌、风机轮毂和地面之间的距离等等，尽管风速受到环境的影响并不具有连续性，但可以通过威布尔分布来描述风速，其概率密度函数为：

(10)

式中，v代表风速；k代表形状参数；σ代表比例参数，量纲和速度保持一致。

风机的输出功率Pw与实际风速v满足以下关系[10]：

(11)

式中，PR代表风机的额定功率；Vin代表切入风速；Vout代表切出风速；VR代表额定风速。

图2为调度周期内在不同时刻的风电功率曲线。根据不同时刻风电和光伏发电的出力配合火电机组的调度满足负荷的需要。

2.2光伏发电输出功率模型

对于最大功率跟踪模式而言，综合考虑光伏组件温度、日照强度及安装倾角等因素，光伏发电的最佳工作点电流、电压可表示为[10]：

(12)

(13)

(14)

(15)

ΔT=TA+0.02HT-25

(16)

ΔV=VPV-VMP

(17)

(18)

式中，VPV表示的是在各种环境下光伏电池的最佳工作点电压；VOC表示的是光伏电池的开路电压；IPV表示的是在各种环境下光伏电池的最佳工作点电流；ISC表示的是光伏电池的短路电流；VMP表示的是光伏电池的最大功率点电压；IMP表示的是光伏电池的最大功率点电流；α表示的是光伏电池组件电流温度系数；β表示的是光伏电池组件电压温度系数；TA表示的是环境温度；HT为总倾斜日晒(照)时间。

由此，可以得到在t时刻下，光伏系统输出功率的计算表达式：

PPV(t)=IPV(t)·VPV(t)

(19)

图3为调度周期内光伏发电机组在不同时刻的发电功率曲线。根据不同时刻光伏发电和风电的出力配合火电机组的调度满足负荷的需要。

3 经济调度模型求解

针对所提出的VPP经济调度模型，笔者采用基于实数编码的遗传算法进行求解，在求解过程中，各个染色体对应一种调度方案，具体模式为：

(20)

式中，x代表一个染色体；G代表机组数量;PTG代表机组G于时段T下的有功出力值。x中的元素根据随机初始化得到。

图2 风电功率曲线 图3 光伏发电功率曲线

图4 遗传算法经济调度流程图

适应度函数即为火电机组的资源消耗量最小的目标函数。

个体更新时，一定要考虑火电机组出力约束问题，保证初始种群中所有个体都满足上述约束条件，每次产生的新个体也必须满足这些约束。群体是通过选择、交叉、变异等模式达到进化目的的。针对初始化群体展开适度函数的评估后，遗传算法便以轮盘赌的模式产生新一代群体。在父代个体内随机抽取2个个体，同时依据适应度大小展开PK选择，进而产生子代群体。挑选产生的子代群体之后，再展开交叉变异操作，以便驱动进化进程。个体之间的交叉率设为0.7，变异几率为0.02。重复上述过程，挑选更加优质的子代个体，将适应度最高的个体保留至下一代，从而达到维持优化解质量的目的。具体流程如图4所示。

4 算例分析

为验证笔者所提出的虚拟发电厂电网经济调度模型的合理性及算法的可行性，以包含一个风电场、一个光伏电站和6个火电机组的系统进行仿真分析。采用风力和光伏发电优先上网的运行模式，调度时段为6h，各调度时段间的间隙为1h。风电场装机容量为45MW，光伏电站装机容量45MW，旋转备用取系统容量的5%。系统优化变量运用标幺值计算，功率基值为100MVA。遗传算法群体规模等于40，最大遗传代数为100。系统内火电机组的参数如表1，系统负荷需求见表2。

表1 火电机组的参数

表2 系统负荷数据

在调度周期内，虚拟发电厂经济调度为目标的各火电机组的出力数据如表3所示。由表3可知，在保证风电和光伏发电全额上网的情况下，尽可能调节火电机组的运行模式，使发电能力强、发电资源消耗较小的优先承担负荷。同时，额定负荷相同的前提下，发电资源消耗量小的机组，也会优先承担负荷。表4是未进行经济调度的火电机组在周期内的出力数据。对比表3和表4可以看出，在经济调度周期内，发电性能较好。机组G1明显高于其它机组，从而减小了发电资源消耗。在经过遗传优化计算，最后所得的基于发电资源消耗量最小的虚拟发电厂经济调度的目标值为41279.84$(根据式(1)计算)，而未进行优化调度的虚拟电厂的目标值为43285.82$。由此可见，采用经济调度模型时所得结果达到了预期的目标，较好地达到了系统所要求的经济性。

表3各个机组在经济调度周期内出力数据

时段G1/puG2/puG3/puG4/puG5/puG6/pu12 6840 5960 7950 2510 1690 14322 4910 6080 7180 2870 2560 23132 9530 4330 6510 3210 2890 17942 8640 5290 7080 2510 2470 16252 8790 4150 6030 2760 2230 14862 8720 5320 6270 3080 2210 132

表4未进行经济调度各个机组在周期内出力数据

时段G1/puG2/puG3/puG4/puG5/puG6/pu12 5560 5230 7850 3780 2650 13122 3090 6860 7640 3990 2590 19432 5610 6540 7280 4930 1720 21842 7430 7410 5820 3800 1980 11752 5670 5620 6850 2870 2670 17662 7910 5160 6150 4190 2310 120

5 结语

笔者研究了基于虚拟发电厂的电网经济调度问题。提出了一种VPP模型，并在该基础上构建了电网经济调度的数学模型。在保证模型中的风电和光伏发电全额上网的基础上，调节火电机组的运行组合，达到在满足负荷的前提下，使得火电机组发电资源消耗量最小。该模型采用遗传算法进行求解，实例验证所构建的经济调度模型合理，达到了电力生产经济性的要求。

[1]徐玉琴，李雪冬，张继刚，等.考虑分布式发电的配电网规划问题的研究[J].电力系统保护与控制,2011,39(1):87～91.

[2] 卫志农，余爽，孙国强，等.虚拟电厂的概念与发展[J].电力系统自动化,2013,37(13):1～9.

[3]范松丽,艾芊，贺兴.基于机会约束规划的虚拟电厂调度风险分析[J].中国电机工程学报,2015,35(16):4025～4033.

[4]邹云阳，杨莉.基于经典场景集的风光水虚拟电厂协同调度模型[J].电网技术，2015,39(7):1855～1859.

[5] 季阳.基于多代理系统的虚拟发电厂技术及其在智能电网中的应用研究[D].上海:上海交通大学,2011.

[6] 牛文娟,李扬,王蓓蓓.考虑不确定性的需求响应虚拟电厂建模[J].中国电机工程学报,2014,34(22):3630～3637.

[7] Lukovic S， Kaitovic I，Mura M，et al. Virtual Power Plant as a bridge between Distributed Energy Resources and Smart Grid[A]. System Sciences (HICSS), 2010 43rd Hawaii International Conference,2010: 1～8.

[8] Bakari K E，Kling W L.Virtual power plants: An answer to increasing distributed generation[C].Innovative Smart Grid Technologies Conference Europe (ISGT Europe), 2010:1～6.

[9] 陈道君.风电功率短期预测与并网低碳调度研究[D].武汉：武汉大学，2013.

[10] Borowy B S,Salameh Z M.Methodology for optimally sizing the combination of a battery bank and PV arry in A wind/PV hybrid system[J].IEEE Transaction on Energy Conversion,1996,11(2):367～375.

[编辑]易国华

2017-08-16

国家自然科学基金项目(61672112)。

邹必昌(1966-)，男，博士，副教授，现主要从事分布式发电与电力系统优化调度方面的教学与研究工作，zoubichang123@126.com。

引著格式邹必昌，周红，李涛.基于虚拟发电厂的电网经济调度模型[J].长江大学学报(自科版)，2017,14(21)：7～11.

TM621;TM31

A

1673-1409(2017)21-0007-05