国家电投内蒙古能源有限公司 028000
摘要：本文引入多类型储能系统代表风电场消纳偏离风电消纳的各种可能方向，并考虑各个多类型储能系统下常规机组备用动作对应的系统安全运行约束，建立了含风电的系统机组协调优化调度模型，通过全局粒子群优化算法对IEEE39网络节点测试系统进行优化仿真，验证了模型的可行性。
关键词：风电并网；经济调度；智能算法；风电消纳
入多类型储能系统代表风电场消纳偏离风电消纳的各种可能方向，并考虑各个多类型储能系统下常规机组备用动作对应的系统安全运行约束，建立了含风电的系统机组协调优化调度模型，通过全局粒子群优化算法对IEEE39网络节点测试系统进行优化仿真，仿真结果验证了模型的可行性。
1含风电的协调优化调度模型
电力系统协同优化的调度模型是建立在直流潮流基础上追求经济性为目标，同时兼顾网络运行的物理和技术条件约束。此外，为了充分体现风电消纳的随机性因素，在优化模型中选取“弃风”和切负荷措施来规避风电不平衡电量，并将其以惩罚费用成本计入模型中。
1.1优化调度模型
建立区域网络内所有常规机组在调度周期内的发电成本、“弃风”和切负荷惩罚费用总成本期望值最小为优化目标。
1.2风电消纳的多类型储能系统原理
假设风电场的消纳水平满足正态随机分布，其分布的期望μ，标准差σ。依据正态分布分布趋势，当风电功率选取[μ-2σ，μ+2σ]区间变化时，其包含了风电95%以上的可能消纳。当系统包含个风电场时，选取风电场消纳分别区间的上下限，生成2Nw个多类型储能系统。矩形重心处为风电预测功率场景点，其余部分为风电功率预测误差场景，位于图中的四个顶点。将以风电预测功率场景为中心，矩形空间内四个区域分别包涵了一个多类型储能系统。即当风电实际消纳哪个场景区域时就参照该区域多类型储能系统的备用方案安排机组的备用启动容量，假如风电实际消纳落在场景区域Ⅰ，则调用多类型储能系统一的备用方案，即参考多类型储能系统一调节各常规机组的备用容量，利用风电实际场景消纳的功率偏差和多类型储能系统一风电偏差量的比值来确定实际场景下各常规机组所需调用的备用容量。因此，采用多类型储能系统预测方法来模拟风电场消纳偏离风电消纳各可能性位置，并结合各多类型储能系统约束范围得到在风电场消纳偏差满足系统各运行约束条件的备用容量方案。
1.3模型约束范围
由于风电消纳的不确定因素，导致其并入网络节点后系统通常需要预留一定的旋转备用容量来平衡风电消纳和负荷预测偏差，以正旋转备用容量补偿风电高估消纳和负荷被低估的影响；负旋转备用容量补偿风电低估消纳和负荷被高估的影响。
2模型求解
本文着重在粒子群算法[2-4]基础上提升了粒子全局感知能力，促进粒子自身能感知到邻近区域最好的位置，并快速移动到邻域最优位置的中心点。同时，为了提高粒子局部和全局搜索能力，通过引入新的惯性权重来避免算法早熟现象。将每个场景s下的发电成本看成是一个粒子，则各情景集的总发电成本看成一个群体，个体粒子依照各情景集的发电成本最小选取最好位置Pbest和系统总成本最小选取最优位置Gbest来决定粒子群移动趋势，并不断更新群体中各粒子的位置和速度。
3算例仿真
本文选取IEEE-39网络节点调试系统[5]，系统中含有10台常规发电机组，其中位于较大负荷的节点6和节点16分别并入两个风电场，选取的容量分别为600MW和400MW。其相应指标是根据某实际电网的风电消纳曲线按比例放大或缩小得到的，风电场服从期望u选取各时刻的预测消纳，其标准差σ取0.2倍风电消纳预测值。系统的日负荷预测曲线如图3所示。系统备用容量和风电“弃风”成本系数均选取0.5元/千瓦时，按照图1所述原理生成4个风电场景，假设两风电消纳均取区间上限记为多类型储能系统一，风电场一消纳下限而风电场二消纳取上限作记为多类型储能系统二，两风电场消纳同时取下限作记为多类型储能系统三，风电场一消纳取上限而风电场二消纳取下限记为多类型储能系统四。
通过优化仿真本文利用风电多类型储能系统来模拟风电消纳，结合置信区间来规划系统的备用容量约束，以此建立含风电的系统经济调度模型的总成本为34.9656×106元，传统方法总成本为36.0853×106元，可看出本方法得到的系统总调度成本要小于传统调度的下目标成本，这是由于本文出于风电消纳多类型储能系统考虑，将此条件作为常规机组备用容量作为系统约束，从而减小可行域范围，同时保证风电预测消纳偏离场景导致的系统提供备用容量的安全运行约束。
各多类型储能系统基础上的两风电消纳均取置信区间下限的多类型储能系统三所对应的各时刻系统全部机组正负备用动作，可以看出只有正备用动作而负备用几乎不动作，原因是两风电场同时处于功率预测误差下限，系统需增加常规机组消纳来供应风电场消纳不足引起的缺额；另外，正旋转备用容量的变化趋势和风电预测曲线几乎一致，因此能够很好地补偿风电消纳波动。
4不同置信度水平下的总成本对比
不同的置信度水平下，本文将优化的系统总调度成本和传统方法得到的总成本进行对比，为避免求解算法可能引起的系统总调度成本变化，本文优化仿真时选取粒子相同的初始位置和速度，算法运行次数设定为300次，并选取系统总调度成本的平均值进行对比。本文着重在粒子群算法基础上提升了粒子全局感知能力，促进粒子自身能感知到邻近区域最好的位置，并快速移动到邻域最优位置的中心点。同时，为了提高粒子局部和全局搜索能力，通过引入新的惯性权重来避免算法早熟现象。
结论
从表１可知，不同置信度下利用本文方法所得优化得到的系统总成本均低于传统方法对应的总成本，这是由于传统方法模型多采用正态分布原理，其和真实风电消纳误差分布不能完全吻合，某种程度上可能夸大误差，使得置信区间误差范围增大，从而增加了风电的随机成本，降低了调度经济性。
参考文献
[1]叶荣，陈皓勇，王钢．多风电场并网时安全约束机组组合的混合整数规划解法[J]．电力系统自动化，2010，34(5)：29-33．
[2]徐卫星.基于改进粒子群算法的分布式电源优化配置[J].电气技术,2015,16(12):71-75.
[3]戴水东,鞠文哲,夏克文,等.采用PSO算法对低压断路器的低能耗优化设计[J].电工技术学报,2017,32(19):100-106.
[4]黄飞腾,南余荣,翁国庆,等.计及监测可信度的扰动源定位粒子群算法[J].电工技术学报,2016,31(16):215-222.
[5]颜远,林舜江,刘明波.考虑备用动作约束的含风电场电力系统多目标动态优化调度[J].电网技术,2018,42(2).
论文作者:王健
论文发表刊物:《中国电业》2019年第06期
论文发表时间:2019/7/15
标签：风电论文; 系统论文; 粒子论文; 类型论文; 储能论文; 机组论文; 风电场论文; 《中国电业》2019年第06期论文;