考虑风电场的电力系统经济调度.docxVIP

考虑风电场的电力系统经济调度 0 含风电场电力系统动态经济调度 近年来，随着能源和环境问题的日益突出，可支配能源能源尤其是风能得到越来越多的发展。然而,由于风速的间歇性以及风力发电机的非线性,使得风电场的出力很难精确预测。正是由于这种特点,使得风电场并网给系统的动态经济调度带来了巨大的挑战。传统的电力系统经济调度分为静态经济调度和动态经济调度。静态经济调度是对电力系统的某个时间断面求取目标最优,只考虑静态约束,没有考虑不同时间断面之间的内在联系;而动态经济调度考虑了不同时间断面的耦合性,如发电机爬坡率等,因此计算过程比静态经济调度复杂,但计算结果更符合实际要求。由于风电场具有随机性特点,因此含风电场的电力系统经济调度更适合采用动态模型。 目前,对于含风电场电力系统动态经济调度的研究还处于起步阶段,急需进一步深入。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能随机波动性和间歇性对系统带来的影响。文献使用遗传算法优化风电机组和传统发电机组的调度,且考虑风电机组的特性以及传统机组的阀点效应。文献提出了一种含有风电场的经济调度模型,该模型是将风电机组加入到传统的经济调度模型中并用解析法求解。文献使用了模糊最优化的方法解含有风电场和光伏发电系统的经济调度问题。考虑风电场影响以及机组爬坡率的一种随机经济调度模型在文献中被提出。在文献[11-12]中,模型预测控制被用来解含有各种间歇性能源的调度问题。一种考虑风电穿透功率的双目标经济调度模型在文献中被提出。文献提出一种模糊模型用来求解含有风电场的动态经济调度问题。在文献中,由于模糊模型中使用隶属度函数,所以有很大的人为因素。在以上的文献中,系统的正旋转备用、负旋转备用以及爬坡率约束并没有同时考虑,因此这些模型并不能准确地描述动态经济调度的实际情况。 本文提出了一种改进的PSO算法用于解含有风电场的DED模型。引入正、负旋转备用来应对风电场并网对DED模型的影响,同时在目标函数中考虑了常规机组的阀点效应。机组的爬坡率、运行约束、以及系统的有功平衡等在最优化模型中同时给予考虑。所提算法的可行性和有效性通过与基本PSO以及遗传算法进行比较得到验证。所有算例都是基于典型的10机测试系统。 1 数学模型 1.1 调度运行优化问题的描述 由于风力发电不需要消耗日益减少的燃料,电力公司应该首先调度风电。含风电场的电力系统动态经济调度的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期间发电总成本最小。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,在不考虑风电运行费用的情况下,优化目标的表达式为: 其中:F是整个调度运行的总体费用;D为调度运行时间;N为发电机个数;Pid为发电机i在时段d的出力;Fid(Pid)为发电机i在出力为Pid时的费用。其中 其中:ai,bi,ci是机组i燃料费用系数;ei,fi为阀点效应系数。 1.2 合同规定 1 2平衡功率限制 式中:WTd,LDd是d时段风电场出力以及系统负荷值;PLd为系统网损。 2 操作限制 式中,Pimin,Pimax是发电机i的出力上下限。 3 正、负旋转备用 两种旋转备用:正旋转备用(USR)、负旋转备用(DSR)分别表示为 式中:USRd,DSRd是时段d的正、负旋转备用;URd,DRd分别为各个机组i在时段d所提供的正、负旋转备用;wu%表示风电出力预测误差对正旋转备用的需求;T10表示旋转备用响应时间10 min;NW表示风机台数;Wymax表示风机y的最大出力;wd%表示风电出力预测误差对负旋转备用的需求;RUi,RDi分别表示机组i的上下爬坡率。 4 2机急差率限制 式中,T60表示一个运行时段1 h,即60 min。 2 风电场的信息分享策略 PSO算法已经广泛地应用于各种优化问题。本文为了求解含风电场的DED模型,提出了一种改进的PSO方法。为了使最优粒子能够将信息与其他粒子进行分享,本文提出了信息分享策略。此外,为了提高粒子的搜索能力,提出了精英学习策略。 2.1 基于psi的信息分享率 在信息分享策略中,使用式(11)来更新粒子的速度: 式中:Psi表示信息分享率;在粒子速度更新之前,首先产生一个随机数,如果此随机数大于等于Psi,则粒子速度的更新将趋向于全局最优值,否则利用pbestr,d代替全局最优值。本文信息分享率被定义为: 式中:N1表示所求问题的维数;t表示当前的仿真次数;ITmax表示最大仿真次数。 pbestr,d按下列原则产生: 1)从所有的粒子中随机地选择三个; 3)pbestr,d将会分享它的所有信息(各个维数)。 2.2 选取的总体最优解 和其他的粒子不同,全局最优粒子没有更好的粒子为目标,因此需要新的