含风电场电力系统动态经济调度优化模型

含风电场电力系统动态经济调度优化模型

0含风电场电力系统动态经济调度模型求解

《可支配能源法》为可支配能源的能源生产和消费提供了财政支持政策。研究含有风电场

电力系统的经济调度问题应首先满足可再生能源发电全额上网，然后再考虑其他类型机组

的经济调度。

电力系统调度运行包括静态经济调度和动态经济调度。动态经济调度考虑了各时间段之间

的相互影响，更加能够切实反映系统的运行要求，目前已有很多相关研究。风能作为一种

重要的可再生能源，研究含有并网风电场的动态经济调度问题是一个卜分重要的课题；同

时，由于风能具备有别于常规机组的间歇性和不可预测性，也给这一问题的解决带来了困

难和挑战。

在含风电场的经济调度模型中，为保证系统的可靠性，需要采取相应的措施以应对风电随

机波动性和间歇性对系统带来的影响。文献采用对风场模糊建模的方式求解，可得到既满

足一定风险、又实现一定经济效益的调度方案，但隶属度函数的确定引入了一定的人为因

素。文献研究了含有风能和太阳能发电形式的发电计划问题，在建立模糊模型的同时考虑

了系统正备用约束，没有考虑负备用约束。文献在研究含风电场经济调度模型时，将可利

用的风电功率作为服从此ibull分布的随机变量，在目标函数中加入了风场计划出力超过

和低于可利用风能时相应的风险（备用）和惩罚（能源浪费）成本，但没有考虑机组爬坡率。

文献对含风电系统提供的备用容量进行了优化分配，优化中风能出力在最大可用功率的范

围内可参与调度，不满足可再生能源全额上网的要求。由于风速及风电功率的预测难度远

远大于负荷预测，系统安全运行对备用的要求也相应的提高。此外，在发电成本中应该考

虑阀点效应的能耗成本，否则会使得优化发电成本误差较大。目前对于考虑阀点效应的优

化模型，文献直接采用人工智能的算法求解，但各种人工智能方法均有一定的主观因素，

对结果有一定的影响；文献采用有限差分近似处理了不可微点，但用其来求解导数通常会

出现数值不稳定现象，从而导致算法求解出现较大偏差。

本文深入分析含风电场电力系统动态经济调度的影响因素，在综述相关研究成果的基础上,

提出一种含风电场电力系统动态经济调度模型。充分利用可再生能源特别是大规模并网风

能，考虑并网风电的正、负旋转备用约束，在优化目标中计及常规火电机组阀点效应引起

的耗量成本。针对建立的优化模型具有不可微和多峰值特性，采用光滑化处理技术。在求

解中，将计算简单，鲁棒性好的粒子群算法和收敛特性稳定的非线性原-对偶内点法有机

结合，提出一种粒子群内点混合优化策略，依据全局搜索基础上的局部优化思想，获得更

高质量的解。

1风电并网规模、风电功率预测水平等因素影响分析

在研究含有风电场的电力系统动态经济调度问题时，应首先调度风能发电，即使得风电机

组全额并网发电的基础上再对其他常规火电机组进行调度。

1)风资源分布对系统调度的影响。

风资源分布特征使得风电场在局部地区具有较高的同时率。尤其是大规模风场在系统单点

并网时，由于风能输出的司时率较高，风电波动性和间歇性将会被放大，对整个系统的冲

击和影响也更大。

2)风电并网规模对系统调度的影响。

风电并网规模增大时，新能源发电所节省的成本会更多，系统需要提供更多的备用容量以

应对风电出力的变化。

3)风电功率预测水平对系统调度的影响。

如果能对风速和风力发电功率进行比较准确的预测，即预测误差很小，则有利于电力系统

调度部门及时调整调度计划，从而可有效地减轻风电对电网的影响，减少电力系统运行成

本和旋转备用，提高风电穿透功率极限。IT前，风电场风速预测的误差在25%〜40%左右，

这不仅与预测方法有关，还与预测周期以及预测地点的风速特性有关。一般地，预测周期

越短，预测地点的风速变化越缓和，预测误差就会越小；反之，预测误差就会越大。当预

测方法和地点固定时，预测周期越大，预测误差分布的方差也越大。

综上所述，在建立系统动态经济调度优化模型时，需要考虑风资源分布、并网规模以及风

能预测水平对系统调度的影响。

2风能场电气系统动态经济规划与设计的优化模型

2.1阀点效应建模

动态经济调度问题目标是在满足负荷和运行约束的前提下，合理地分配电网中各发电机组

的出力使得调度周期发电总成本最小；此外，在汽轮机进气阀突然开启时出现的拔丝现象

会在机组耗量曲线上叠加一个脉动效应，产生阀点效应。因此，优化目标表达式为

式中：f(Pnh)为调度周期各个时段的发电总成本；Fn(Pnh)为发电机组n在h时段的发电

成本，其表达式为

设En(Pnh)为汽轮机阀点效应产生的能耗成本，其表达式为

式中：n为发电机组号；N为总的常规发电机组个数：h为时段号；H为调度周期总的时段

数；An、Bn、Cn为燃料费用系数；nPh为发电机组n第h时段输出的有功功率；Pnmin为

发电机组n的最小出力；en、fn为阀点效应系数。

因此，考虑阀点效应的系统动态经济调度发电总成本为

2.2合同规定

2.2.1系统可持续发展需求的预测

1)系统功率平衡约束，忽略网损。

式中：Pwh为第h时段风电场输出的有功功率预测值；PLh为系统第h时段的负荷预测值。

2)系统旋转备用容量约束。

在没有风场并网的电力系统中，备用容量用来应对系统负荷预测误差及机组停运带来的影

响。风场并网以后，由于风电出力预测能力远不及负荷预测，系统的随机性增大，利用正、

负备用容量应对大规模风场出力不确定性带给系统的影响。在风场并网规模一定的条件下,

风电场预测的出力越大，一旦失去或减小这部分风力发电量，其他机组必须提高输出的功

率以快速响应系统功率的玦失，即系统需提供更多的正旋转备用容量来响应系统中风电功

率的变化：为维持系统有功的平衡，这种情况下风电出力上升的空间越有限，即风电出力

可增加的量越小，其他机组需压低的出力越小，对系统负旋转备用的要求也越低。当达到

风场最大出力时，上升空间为0,系统则无需提供负旋转备用容量。

(1)系统正旋转备用容量约束为

式中:Shus为第h时段系统提供的正旋转备用总容量;Sun,h为发电机组n在第h时段提

供的10min响应正旋转备用容量；L%为系统总负荷预测误差对正旋转备用的需求；wu%为

风电出力预测误差对正旋转备用的需求；run为第n台机组的向上爬坡率；nPhmax为发电

机组n在h时段的最大出力；T10为旋转备用响应时间10min,T60为一个运行时段1h,

即60min。

(2)系统负旋转备用容量约束为

式中：Shds为第h时段系统提供的负旋转备用总容量；Sdn,h为发电机组n在第h时段提

供的负旋转备用容量；Wyaax为风电场y的最大出力；Nw为并网风电场个数；\vd%为风电

出力预测误差对负旋转备用的需求；rdn为第n台机组的向下爬坡率；nPhmin为发电机组

n在h时段的最小出力。

(3)风电出力预测误差对正、负旋转备用的需求参数的选择。

由于风电功率预测误差随着预测周期的增加不断增大，使得系统对正、负旋转备用容量的

需求也相应提高。本文为反映风电功率预测周期对系统动态经济调度的影响，wu%和wd与根

据不同研究时段按等比例增长规律选取。

2.2.2传统电压机的限制

1)发电机组出力约束为

式中Pnmax为发电机组n的最大出力。

2）发电机组爬坡率约束为

3模型优化处理和求解

3.1约束等效的处理

对于考虑阀点效应的目标函数和含有最大最小表达形式的旋转备用约束条件，由于其不可

微的性脑，无法求其各阶导数。的束条件表达式对应式（6）〜（11）,虽然可以对每个为束

等效为2个或多个约束条件进行求解，但增加了模型的求解规模和复杂性。本文采用凝聚

函数将其进行光滑化处理,

所谓凝聚函数，就是将最大值函数作为原函数：

利用最大嫡原理导出与原药数等价的一个可微函数：

式中P为一个正的控制参数。当p趋于无穷大时，fp（x）逼近原函数，但在数值求解时，

只要P取得足够大，就可以认为凝聚函数与原函数等价。

原优化模型经光滑化处理后可表示为

3.2可行化调整策略

在对模型处理的基础上，本文研究的动态经济调度问题是一个连续可微的多峰优化问题，

具有多个局部极小点。本文充分利用粒子群算法的全局搜索和原-对偶内点法的局部寻优

能力计算动态经济调度问题更高质量的最优解。在优化的初始阶段采用粒子群算法，将一

定次数的接近全局最优的粒子群优化结果作为原-对偶内点法的初值进一步局部优化，从

而得到更优的解。

采用粒子群算法求解含有等式和不等式约束的大规模优化问题时，可行域通常比较狭小，

优化过程中难以快速满足所有约束尤其是等式约束的要求，因此，采用文献中的可行化调

整策略，每次对不满足等式约束条件的粒子进行调整。

对于多峰优化问题，粒子群算法可能出现早熟现象，使得优化陷入局部最优，因此，对于

不活动粒子，即连续n次接近种群最优值而基本不发生变化的粒子（此处n取4）,对其速

度进行重新初始化以避免早熟发生。

以全局搜索后得到的解作为初值，针对光滑化后连续可微的优化模型，选用收敛特性稳定

且随计算规模的增加迭代次数变化不大的非线性原-对偶内点法进行局部优化，从而得到

优化问题更高质量的解。

4模型求解与预测

为验证本文提出的含风电场电力系统动态经济调度模型的可行性和混合策略的优越性，以

10机系统6时段调度周期(每时段为1h)为例进行仿真计算，系统数据参数见文献，优化

变量及风电场出力在优化过程中采用标么值进行计算。系统共有一个并网风电场，包括30

台风机，每台风机最大出力为2.5MW。对于不同的调度时段，wu%和wd%分别在10%〜30%

与30%〜50%之间按等比例增加方式取值，系统总负荷对正备用的贡献L%取5近粒子群算

法种群规模取40,最大迭代次数取1000o凝聚函数中的控制参数p取30,各约束条件的

惩罚因子均取10。cl和c2为学习因子，分别取cl=2.5"2:1.5,14和「2为0到1之间的

随机数，惯性因子3=3^■ax-(3^1ax-3min)k/k^lax,k为迭代次数，取3min=0.4,

<-)max=O.9o负荷预测数据如表1所示，风电功率Pw预测曲线如图1所示。

表2给出了本文所提优化模型的具体调度方案。由于系统负荷偏小所以各发电机组出力偏

小。表3为风场并网前后优化结果对比，从表3的数据可以看出，风场并网前后的动态经

济调度的最小发电总成本由19.2466万元降低到18.3207万元，节省了9259元的成本,

从而降低了整个电力系统的一次能源消耗量。随着风电场规模的扩大，通过系统动态经济

调度可节省更多的发电成本，获得了更经济的调度方案，如图2所示，图中年为节省的发

电成本，Nw为风机个数。

采用正、负旋转备用容量约束来应对风电引起的不确定性时，备用要求的高低直接反映系

统供电的可靠程度或者说风险水平。表4列出了考虑风电引起的正、负备用要求前后动态

经济调度的发电总成本。结果表明，虽然在考虑风电引起的正、负旋转备用要求时发电成

本略有增加，但保证了系统的可靠性。

从表5的优化结果可以看出，在本文模型中忽略阀点效应的影响时，发电总成本减少了7

757元，占总成本的4.23%,不考虑阀点效应