基于不确定性的冷热电联供微网优化调度

2021-12-17 01:20刘昊于洪霞
电脑知识与技术 2021年33期
关键词:粒子群算法

刘昊 于洪霞

摘要:在冷热电联供型微网中,风力发电和冷热电负荷因其不确定性的特点,为冷热电联供型微网的优化调度带来挑战。本文立了以系统综合运行成本最低的优化目标函数。基于确定性系统调度模型,引入可再生能源风能和冷热电负荷的不确定性模型,建立了基于机会约束规划的冷热电联供微网不确定优化调度模型。通过改进的粒子群算法和随机模拟技术对模型进行求解。算例仿真中针对冷热电负荷在峰谷平时段波动不同,冷热电负荷峰谷平时段设置了不同的置信水平,对含风电及冷热电负荷不确定性的调度结果和运行成本分析,验证了所提方法的有效性。

关键词:冷热电联供;粒子群算法;机会约束规划

中图分类号:TP301    文献标识码:A

文章编号:1009-3044(2021)33-0111-03

开放科学(资源服务)标识码(OSID):

热电联产系统比传统方式供能的效率更高[1]。冷热电联供(combined cooling,heating and power,CCHP)系统是热电联产系统的升级,增加了制冷的效果。随着化石能源日益枯竭,冷热电联产微网系统的研究已成为未来重点方向。

国内外对于CCHP型微网优化调度模型有一定程度的研究。文献[2]选取电气、热水等母线作为CCHP系统基本结构,建立了CCHP系统日前优化经济调度通用模型。文献[3]在CCHP型微网中加入了热泵和储能装置,验证了模型的经济性和灵活性。上述文献并未考虑风电不确定性对CCHP型微网优化经济调度的影响。

风电是新型的可清洁能源,但风电出力的不确定性给并网带来了巨大挑战。文献[4]对风电出力采用Beta函数拟合,通过改进的遗传算法求解多目标模型,但风电预测模型精度较低。文献[5]针对风-水-火联合运行系统,对风电出力进行区间预测,虽能处理预测偏差造成的极端情况,但并未考虑负荷的不确定性。

本文考虑风电和冷热电负荷不确定性,由于冷热电负荷的波动性受峰谷影响较大,在峰时段波动性大,约束条件的置信水平高于其他时段。在保证冷、热、电负荷平衡的前提下,分析CCHP型微网设备出力来验证模型的有效性。

1 冷热电联供型微网结构

为充分利用风电可再生清洁能源,建立一个灵活的冷热电联供微网系统。图1为冷热电联供系统供能框架。

2 风电及负荷不确定性模型

2.1 风电出力不确定分布模型

本文取正态分布作为风电出力模型:

[f(wind)=1σ?2π?exp-Pwind-μ22σ2]              (1)

其中,[σ]为标准差,[μ]为均值,即风电发力预测值。

2.2 冷热电负荷不确定分布模型

本文主要通过正态分布模拟负荷功率:

[f(load)=1σ?2π?exp-Pload-μ22σ2]               (2)

其中,[σ]为标准差,[μ]为均值,即负荷功率预测值。

3 不确定性冷热电联供微网调度模型

3.1 不确定机会约束规划

本文针对不确定性问题,设[x]为决策向量,[ζ]为不确定变量,[fx,ζ]为目标函数,[gjx,ζ]为约束条件函数,可知,目标函数[fx,ζ]也为不确定变量,因此存在着很多个可能值[f],使[Mfx,ζ≤f≥β]。最小化目标问题的不确定机会约束规划模型如式(3)所示:

[minfs.t.Mfx,ζ≤f≥βMgjx,ζ≤0≥αj,j=1,2,...,p]              (3)

3.2 目标函数

本文以调度周期内系统运行成本最小为优化目标,包括微燃料购置成本、电网交互成本、储能成本、运行维护成本和弃风成本。

[Crf(x,ζ)≤f≥α]                        (4)

[f=Cfu+Cgrid+CHS+CES+Com+CWL]                (5)

(1)燃料购置成本

[Cfu=tTCCH4?(PFC,tηPFC+PMT,tηPMT)?△tLCH4]                  (6)

其中,[ηPMT]、[ηPFC]为微型燃气轮机与燃料电池的效率;[PMT,t]为[t]时刻微型燃气轮机的发电功率;[PFC,t]为[t]时刻燃料电池的发电功率;[△t]为时间步长,[CCH4]为单位天然气的价格,[LCH4]为单位天然气的低热值。

(2)储能成本

[CHS/ES=CHS/ES,cap?BHS/ES/(365n)]                   (7)

其中,[CHS/ES.cap]為热/电储能容量;[BHS/ES]为单位热/电储能购置成本。

(3)电网交互成本

[Cgrid=t=1T(λbuygrid,t?Pbuygrid,t-λsellgrid,t?Psellgrid,t)]                 (8)

其中,[λbuygrid,t]、[λsellgrid,t]为[t]时刻微网向电网购售电的价格。

(4)运行维护成本

[Com=(PMT,t?Rom,MT+PFC,t?Rom,FC+PEC,t?Rom,EC+PEB,t?Rom,EB+HAC,t?Rom,AC)?△t]                      (9)

其中,[PEC,t]为[t]时刻电制冷机的发电功率;[PEB,t]为[t]时刻电锅炉的发电功率。

(5)弃风成本

[CWL=tTλWL?(Pwind,t-Pusedwind,t)?△t]                    (10)

其中,[λWL]为单位弃风惩罚单价;[Pusedwind]为[t]时刻风电实际利用功率。

3.3 约束条件

(1)可控机组

[PminMT≤PMT,t≤PmaxMTPminFC≤PFC,t≤PmaxFCHminAC≤HAC,t≤HmaxACPminEC≤PEC,t≤PmaxECPminEB≤PEB,t≤PmaxEB]                        (11)

其中,[PminMT、PmaxMT]为微型燃气轮机输出功率上下限;[PminFC、PmaxFC]为燃料电池输出功率上下限。

(2)储能设备

1)储热箱运行约束

[Utst_chr,tHmintst_chr≤Htst_chr,t≤Utst_chr,tHmaxtst_chrUtst_dis,tHmintst_dis≤Htst_dis,t≤Utst_dis,tHmaxtst_disUtst_chr,t+Utst_dis,t≤1Hmintst≤Htst,t≤HmaxtstHtst(T)=Htst(0)]              (12)

2)蓄电池运行约束

[Ubt_chr,tPminbt_chr≤Pbt_chr,t≤Ubt_chr,tPmaxbt_chrUbt_dis,tPminbt_dis≤Pbt_dis,t≤Ubt_dis,tPmaxbt_disUbt_chr,t+Ubt_dis,t≤1Wminbt≤Wbt,t≤WmaxbtWbt(T)=Wbt(0)]               (13)

其中,[Htst_chr,t]、[Htst_dis,t]、[Pbt_chr,t]、[Pbt_dis,t]为[t]时刻储热箱和蓄电池充放功率;[Hmintst_chr]、[Hmaxtst_chr]、[Hmintst_dis]、[Hmaxtst_dis]、[Pminbt_chr]、[Pmaxbt_chr]、[Pminbt_dis]、[Pmaxbt_dis]为储热箱和蓄电池充放功率上下限;[Utst_chr,t]、[Utst_dis,t]、[Ubt_chr,t]、[Ubt_dis,t]为[t]时刻储热箱和蓄电池充放状态;[Htst(T)]、[Htst(0)]、[Wbt(T)]、[Wbt(0)]为调度周期末和初时储热箱和蓄电池的储量。

(3)机组转换

[HMT,i=ηtranMT?PMT,tHEB,i=ηtranEB?PEB,tQAC,t=COPAC?HAC,tQEC,t=COPEC?PEC,t]                        (14)

其中,[HMT,t]、[HEB,t]为[t]时刻微型燃气轮机与电锅炉输出功率。

(4)能量平衡約束

1)系统冷热电功率平衡约束

[CrQAC,t+QEC,t-Qprcload,t=0≥α1]                 (15)

[CrHHE,t+HEB,t+Htst_dis,t-Hprcload,t-Htst_chr,t-HAC,t=0≥α1]   (16)

[CrPMT,t+PFC,t+PdisES,t+Pprcwind,t+Pbuygrid,t-Pprcload,t-PchES,t-Psellgrid,t-PEC,t-PEB,t=0≥α1]  (17)

(5)机组旋转备用容量约束

[CrPprcload,t+PEC,t+PEB,t-PmaxMT,t-PmaxFC,t-Pprcwind,t-R≤0≥α1]  (18)

其中,[Qprcload,t]、[Hprcload,t]、[Pprcload,t]为冷、热、电负荷出力预测值,[α1]为约束条件置信水平。

4 模型求解

本文采用改进粒子群算法和随机模拟技术结合进行求解。粒子群算法的性能会受参数的选择影响。针对粒子群容易早熟这一现象,初期增大惯性权重因子,末期减小惯性权重。求解过程为:

(1)初始化机组参数和粒子群的位置和速度,将微型燃气轮机、燃料电池、蓄电池等出力值作为优化变量。

(2)根据随机模拟抽样调整种群。具体步骤为:设某一概率约束条件:[Prgj(x,ξ)≤0,j=1,2,...,p≥β]。首先置[N1=0],[A=1]。接下来由概率分布[?ξ]生成随机变量[ξ]。如果[gj(x,ξ)≤0],则[N1++]。重复上述步骤共[N]次。如果[N1/N≥β],返回“成立”,否则返回“不成立”。

(3)进行冷热电功率平衡约束。

(4)计算适应度,比较适应度函数寻找个体最优和全局最优,更新粒子群速度和位置。

(5)重新进行冷热电负荷平衡修正。

(6)重新计算适应度并更新个体最优和全局最优。

(7)输出机组24小时出力情况和系统最佳运行成本。

5 算例仿真

5.1 算例参数

本文中各个机组备参数如表1所示。

某地区冬季典型日冷热电负荷及风电出力预测值如图3所示。

本文以风电和冷热电负荷预测值为均值,0.05倍均值为标准差。天然气低热值[LCH4]为9.7kWh/m3,单价[CCH4]为2.5元/m3;微网运行年限[n]为20年;单位储能购置成本[BHS]为420元/kW;[BES]为2000元/kW;微燃机与燃料电池发电效率[ηPMT、ηPFC]分别为0.35、0.67;吸收制冷机与电制冷机能效系数[COPAC、COPEC]分别为0.8与3;微燃机与电锅炉热转化率[ηtranMT]、[ηtranEB]分别为0.8与0.85。

5.2 含风力及冷热电负荷不确定性结果分析

取约束条件和目标函数的置信水平分别为0.8和0.85,在冷热电负荷高峰时,约束条件的置信水平为0.85。机组出力如图3所示。

结果表明:当处于冷热电负荷高峰时段,置信水平会比其他时段略高,为了能够更好地限制负荷的波动性,所以运行成本略高于其他时段,此时微型燃气轮机、燃料电池、蓄电池和风电机组满足消耗电量。当处于冷热电平峰和低谷时段,置信水平低于高峰时段,同时运行成本也略低,处于低谷时段,微型燃气轮机、燃料电池和风电机组进行发电。处于平峰时段,微型燃气轮机、燃料电池、风电机组和向电网购电提供电量。

由表2看出:微网系统的约束条件置信水平越高,运行成本就越高。置信水平越低,运行成本也会变低。但是,满足约束的可能性降低,会导致微网系统运行出现风险。在冷热电联供型微网系统中应权衡稳定性与成本,从而做出最优选择。

6 结论

针对可再生能源和冷热电负荷出力不确定性问题,建立了基于机会约束规划的冷热电联供微网优化调度模型。通过正态分布模拟可再生能源和冷热电负荷的出力。由于冷热电负荷在高峰时受波动性影响较大,因此根据冷热电峰谷时段设立不同的置信水平。在冷热电负荷高峰时,设立更高的置信水平,减小波动型的影响。通过改进的粒子群算法和随机模拟技术对优化模型进行求解,结果分析了机组24小时出力图和不同置信水平下的成本,当置信水平越高时成本也就越高,但安全性增强,可根据实际情况,权衡系统的安全性与经济性,选择最优策略。

参考文献:

[1] 姚良忠,朱凌志,周明,等.高比例可再生能源电力系统的协同优化运行技术展望[J].电力系统自动化,2017,41(9):36-43.

[2] 王皓,艾芊,甘霖,等.基于多场景随机规划和MPC的冷热电联合系统协同优化[J].电力系统自动化,2018,42(13):51-58.

[3] Zhang C,Xu Y,Dong Z Y,et al.Robust coordination of distributed generation and price-based demand response in microgrids[J].IEEE Transactions on Smart Grid,2018,9(5):4236-4247.

[4] 崔楊,杨志文,严干贵,等.降低火电机组调峰成本的光热电站储热容量配置方法[J].中国电机工程学报,2018,38(6):1605-1611,1896.

[5] Liu G D,Xu Y,Tomsovic K.Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization[J].IEEE Transactions on Smart Grid,2016,7(1):227-237.

【通联编辑:梁书】

猜你喜欢
粒子群算法
几种改进的萤火虫算法性能比较及应用
基于支持向量机的短期电力负荷预测
基于云计算平台的资源调度优化研究
一种基于高维粒子群算法的神经网络结构优化研究
基于PSODE混合算法优化的自抗扰控制器设计
蚁群算法的运用及其优化分析
电力市场交易背景下水电站优化调度研究
基于粒子群算法的产业技术创新生态系统运行稳定性组合评价研究
无线传感器网络联盟初始结构生成研究
大型风电机组组合式塔架结构优化设计