含風電系統(tǒng)大規(guī)模長時間機組組合分解模型

宮本輝,王秀麗,黨燦,姚力,侯孚睿

(西安交通大學電氣工程學院,710049,西安)

?

含風電系統(tǒng)大規(guī)模長時間機組組合分解模型

宮本輝,王秀麗,黨燦,姚力,侯孚睿

(西安交通大學電氣工程學院,710049,西安)

針對傳統(tǒng)機組組合忽略模型優(yōu)化、僅從優(yōu)化數(shù)學求解算法的角度加快求解速度的問題,提出了基于數(shù)學優(yōu)化和模型優(yōu)化的機組組合分解模型,以加快含風電的機組組合的求解速度,并采用棄風密度曲線來評估系統(tǒng)的棄風狀況。該模型通過將傳統(tǒng)機組組合求解空間分解為由離散變量決定的離散空間,結合機組組合問題的實際物理特點,剔除不具有實際意義的求解區(qū)域,以加快求解速度。棄風密度曲線可以通過系統(tǒng)棄風率范圍及各棄風率的密度概率更好地評估系統(tǒng)棄風狀況。根據(jù)所提方法和某省電網(wǎng)實際算例,比較了所提模型與傳統(tǒng)模型的計算速度,并運用棄風密度曲線評估算例的棄風狀況。研究結果表明,相比于傳統(tǒng)的機組組合模型和棄風期望值,機組組合分解模型明顯加快求解速度,系統(tǒng)的棄風狀況在棄風密度曲線上從曲線中心向兩側(cè)波動展開,該研究加快了含風電系統(tǒng)的機組組合求解速度以及對系統(tǒng)風電棄風狀況的評估更加有效、合理。

風電;機組組合分解模型;機組組合;棄風密度曲線;生產(chǎn)模擬

隨著新能源的大規(guī)模并網(wǎng)及全球能源互聯(lián)網(wǎng)建設的不斷推進,電力系統(tǒng)對能源結構的配置水平不斷提高。機組組合問題在優(yōu)化資源配置、優(yōu)化能源結構及促進系統(tǒng)安全經(jīng)濟運行方面起到了重要作用。然而,機組組合使混合整數(shù)規(guī)劃問題的求解難度隨著系統(tǒng)規(guī)模與求解時間長度的增加而迅速增大,因此針對大規(guī)模系統(tǒng)長時間機組組合問題進行快速求解成為學術界與工業(yè)界的研究熱點。

為求解機組組合問題,國內(nèi)外學者從20世紀70年代就開展了大量富有成效的工作。目前,機組組合問題的近似求解算法得到很大的發(fā)展,主要方法有人工智能算法和優(yōu)化算法兩大類。人工智能算法主要包括進化算法[1]、遺傳算法[2-3]、蟻群算法[4]、神經(jīng)網(wǎng)絡算法[5]和模擬退火算法[6]等,這些算法加快了大規(guī)模長時間的機組組合問題的求解速度,但無法保證所求解的最優(yōu)性。優(yōu)化算法通過優(yōu)化求解空間的邊界約束,尋找最優(yōu)解。文獻[7]將優(yōu)化過程分為前推和回代的過程,逐漸縮小求解空間,最終尋得最優(yōu)解;文獻[8]將大規(guī)模的問題分解為很多小問題,通過不斷求解小問題來求得最優(yōu)解;文獻[9-10]通過不斷填加Benders割集約束與非可行域約束,縮小求解空間,最終求得最優(yōu)解;文獻[11]通過先將求解空間轉(zhuǎn)變?yōu)橐粋€高維求解空間,然后將此空間向低維空間映射,縮小求解空間,達到加快求解速度目的。Benders分解和Lift-and-Project算法在計算中小規(guī)模的機組組合問題時可以取得非常好的效果,然而求解大規(guī)模長時間機組組合時的計算速度較慢。

目前的研究中多將機組組合問題看成是一個數(shù)學優(yōu)化問題,采用數(shù)學優(yōu)化求解方法對其求解,鮮見文獻根據(jù)實際問題的特點,通過對模型進行優(yōu)化,結合數(shù)學優(yōu)化算法達到加快求解速度的目的。從歐式空間幾何的角度,機組組合問題中大量0-1變量使機組組合的解空間在歐式空間中不連續(xù),且互不連續(xù)的解空間存在有不同時發(fā)生的互斥關系,即在實際電力系統(tǒng)運行中兩種不同的機組運行方式不可能同時發(fā)生。機組組合問題中的0-1變量代表的是電力系統(tǒng)中發(fā)電機組的開、停機情況,大量的0-1變量組成了復雜的離散求解空間。然而,在實際電力系統(tǒng)運行過程中,最優(yōu)解只會集中在由幾種組合組成的求解空間內(nèi),大量的0-1組合的求解空間是不存在最優(yōu)解的。

基于上述思路,本文在Benders分解和Lift-and-Project算法思路的基礎上,提出基于物理意義和數(shù)學優(yōu)化的機組組合分解模型(DUCM),由機組組合第1分解模型(DUCM-Ⅰ)和機組組合第2分解模型(DUCM-Ⅱ)組成。DUCM-Ⅰ模型是根據(jù)實際系統(tǒng)的機組及負荷特性,在保證系統(tǒng)可靠性及最大程度接納風電的同時來確定系統(tǒng)機組的基本運行方式,剔除不可能存在的運行方式,這相當于在求解空間上剔除了不可能存在0-1變量組合的解空間,確定了幾種符合實際電力系統(tǒng)運行特點的0-1組合方案。DUCM-Ⅱ模型在DUCM-Ⅰ的基礎上,當0-1變量全部或絕大多數(shù)被確定后,采用CPLEX優(yōu)化軟件對連續(xù)或只含有少量0-1變量的DUCM-Ⅱ模型進行求解。利用簡單數(shù)學系統(tǒng)和我國東北某省電網(wǎng)實際算例對所提算法思路進行詮釋,并用棄風密度曲線綜合評估的棄風狀態(tài),驗證了所提方法的快速性和有效性。

1 機組組合分解模型

1.1 含風電場機組組合問題

含風電場的長時間多區(qū)域機組組合模型的目標就是系統(tǒng)運行成本最小

Us,iatpIs,iatp+Ds,iatpIs,iatp]

(1)

式中:Np為計算時間內(nèi)的周期數(shù);Nt表示模擬電網(wǎng)的運行時間;Na為計算區(qū)域的分區(qū)數(shù)量;Ng為計算區(qū)域常規(guī)機組數(shù)量;CF,iatp(Piatp)為機組燃料成本函數(shù),采用二次函數(shù)關系進行計算;Piatp為區(qū)域a、機組i在周期p、時間t時的出力;Us,iatp和Ds,iatp分別表示區(qū)域a、機組i在周期p、時間t時的啟動和關閉費用。

發(fā)電約束包括功率平衡約束和系統(tǒng)的備用約束,表達式如下

?a∈[1,Na], ?t∈[1,Nt], ?p∈[1,Np]

(2)

(3)

備用容量可以分為向上熱備用容量和向下熱備用容量,通常所說的熱備用就是指向上備用容量。向上備用容量容量和向下備用容量是一對矛盾:向上備用容量大,增強系統(tǒng)可靠性,火電機組開機數(shù)量增多,壓縮向下備用容量,造成系統(tǒng)棄風及火電機組年利用小時數(shù)降低;向下備用容量增大,即系統(tǒng)的熱備用不足,雖然增大了系統(tǒng)的風電接納率,卻使系統(tǒng)的可靠性降低。結合我國目前在電網(wǎng)運行中保證電網(wǎng)可靠性運行的同時,最大程度接納風電上網(wǎng)的政策,在確定火電機組的開機方式后,應該首先安排火電機組按照最小技術出力(供熱期為最小熱出力)運行,然后接納風電出力,最后再安排熱備用承擔負荷,具體安排火電機組的開機方式受到下式約束

(4)

式中:Pia,max表示區(qū)域a、機組i的最大出力。

火電機組的向上和向下爬坡率可以表示為

Piatp-Pia(t-1)p≤[1-Iiatp(1-Iia(t-1)p)]Ru,i+

Iiatp(1-Iia(t-1)p)Pi,min

Pia(t-1)p-Piatp≤[1-Iia(t-1)p(1-Iiatp)]Rd,i+

Iia(t-1)p(1-Iiatp)Pi,min

(5)

式中:Ru,i和Rd,i為機組i向上爬坡速度和向下爬坡速度;Pi,min為機組i的最小技術出力;Iiatp是整數(shù)變量,為區(qū)域a、機組i在周期p、時間t時的啟停情況,取1時表示機組開啟,取0時表示機組關閉。

火電機組的最小開、停機時間為

(6)

火電機組的出力限制如下

Pi,minIiatp≤Piatp≤Pi,maxIiatp

(7)

式中:Pi,min為機組i的最小技術出力。

風電在周期p、時間t時最大預測出力為Pw,max,tp,此時風電出力Pw,atp的約束如下

0≤Pw,atp≤Pw,max,atp

(8)

從全國范圍看,棄風主要原因除了調(diào)峰容量不足、風電出力與負荷不平衡外,還有輸送通道約束。風電出力輸出方式如圖1所示,風電出力經(jīng)35 kV變電站匯集到220 kV或330 kV線路,在經(jīng)過本地消納后,最終剩余風電出力與火電機組出力通過500 kV或者750 kV線路輸出。在實際電網(wǎng)調(diào)度運行中,由于輸電通道約束造成的棄風主要發(fā)生在圖1中的L1及L2輸電線路上[12],在含風電的多區(qū)域機組組合模型中,考慮輸送通道約束進行分區(qū),對輸送通道進行約束如下

Pl,t,min≤Pl,t≤Pl,t,max

(9)

(10)

式中:Pl,t為輸電線路l在t時刻的輸送功率;Pl,t,max為最大功率;Pl,t,min為最小功率;∑Pthermal,t,base為各區(qū)域火電機組最小出力在平衡本區(qū)域負荷后,通過聯(lián)絡線向其他區(qū)域的功率;∑Pthermal,t,reserve為各區(qū)域在安排完火電后,火電機組增量出力通過聯(lián)絡線向相鄰區(qū)域提供的功率。

圖1 風電區(qū)域功率外送示意圖

通過式(2)、式(8)～式(10)可知,區(qū)域a、時間t的風電預測出力在平衡區(qū)域a負荷后,通過聯(lián)絡線向其他區(qū)域輸送功率,同時本區(qū)域的負荷也接收非本區(qū)域的風電出力,這樣不同時空的風電出力可以很好地互補,提高風電的接納率。

為了便于表述,將式(2)～式(6)分別用下式表示

CII+CPP≤cuc

(11)

DII+DPP+DSS≤duc

(12)

式中:I=(Ii),Ii=(Ii,t);P=(Pi),Pi=(Pi,t);S=(Si),Si=(Si,t);CI和CP為式(2)和式(3)的系數(shù)矩陣;DI、DP和DS分別為式(5)和式(6)的系數(shù)矩陣;cuc和duc為對應的常量向量。綜合式(1)～式(12),得到含風電的機組組合模型

Us,iatpIs,iatp+Ds,iatpIs,iatp]

(13)

1.2 機組組合問題的分解模型的建立

文獻[13]采用軟件GAMS調(diào)用CPLEX優(yōu)化求解器求解混合整數(shù)規(guī)劃,大大加快了求解速度。然而,CPLEX優(yōu)化軟件的特點就是隨著模型階數(shù)、時間長度的增加,求解速度大幅下降。當用文獻[13]方法對式(13)進行求解時,CPLEX求解器會因為求解模型空間復雜而增加求解時間。因此,如何根據(jù)式(13)大規(guī)模、長時間的特點,將模型的可行域空間變小,成為模型加快計算速度的關鍵。

文獻[14]研究表明,風電場群出力變化率每分鐘裝機容量在0%～1.5%之間的概率為99%,火電機組的出力調(diào)整速率為每分鐘額定容量的3%～5%,因此火電機組的調(diào)整速率可以跟上風電的波動速率。同時,根據(jù)實際電力系統(tǒng)調(diào)度運行特點及電氣設備的經(jīng)濟運行和壽命安全要求,火電機組的啟停是每一個周期調(diào)整一次,而非每時每刻都調(diào)整,因此將火電機組的最小開停機時間約束忽略,式(13)變?yōu)闄C組組合簡化模型(SUCM)如下

Us,iatpIs,iatp+Ds,iatpIs,iatp]

(14)

SUCM模型的特點是整數(shù)變量和連續(xù)變量同時存在且其構成的可行解空間在歐式空間中相互交叉,這就增大了優(yōu)化搜索空間,由于搜索空間是不連續(xù)的,其求解速度將大幅下降。因此,將SUCM中的整數(shù)變量和連續(xù)變量分離,縮小優(yōu)化搜索空間,將加快求解速度。

為將機組組合模型中的整數(shù)變量和連續(xù)變量分離,對發(fā)電機輸出功率Pi,t進行離散-連續(xù)變換

(15)

(16)

火電機組燃料費用計算方式如下

CF(Pi,t)=ai,t+bi,tPi,t+ci,t(Pi,t)2

(17)

根據(jù)式(15)～式(17),可以得到變換后的火電機組燃料費用

(18)

由式(1)～式(5)和式(15),得到

Piatp,min)+IiatpPiatp,min]+Us,iatpIs,iatp+Ds,iatpIs,iatp}

(19)

?a,?t,?p

(20)

(21)

(22)

于是,SUCM模型中的約束在經(jīng)過式(15)變換后,得到的機組組合分解模型(DUCM)如下

Piatp,min)+IiatpPiatp,min)+Us,iatpIs,iatp+Ds,iatpIs,iatp]

(23)

在實際的電力系統(tǒng)運行中,開機方式在調(diào)整周期T內(nèi)的負荷曲線存在最大值與最小值。在每一調(diào)整周期內(nèi)的所有火電開機的最大出力需要不小于系統(tǒng)最大負荷及備用需求,最小出力需要不大于系統(tǒng)最小負荷。同時,為滿足最大接納風電,需要在滿足上述條件的前提下保持開機容量最小,可通過式(24)確定調(diào)整周期T內(nèi)的火電機組開機方式

(24)

式中:nset為周期內(nèi)機組調(diào)度調(diào)整次數(shù);Iiat∈{0,1}。

Piatp,min)]+CF,iatp(IiatpPiatp,min)+

Us,iatpIs,iatp+Ds,iatpIs,iatp}

(25)

需要指出的是,式(24)為模型DUCM-Ⅰ,式(25)為模型DUCM-Ⅱ,二者共同組成了模型DUCM。模型DUCM-Ⅰ是在保證系統(tǒng)可靠性及機組周期內(nèi)最小開停機次數(shù)約束條件下,確定周期內(nèi)火電機組開機方式,模型DUCM-Ⅱ是根據(jù)模型DUCM-Ⅰ確定開機方式后確定各機組的出力情況,此時模型DUCM-Ⅱ為連續(xù)變量模型。如果根據(jù)模型DUCM-Ⅰ確定的開機方式,在模型DUCM-Ⅱ計算的結果不滿足系統(tǒng)的安全約束時,就需要模型DUCM-Ⅰ調(diào)整開機方式,其迭代關系如圖2所示。

圖2 模型DUCM-Ⅰ與模型DUCM-Ⅱ的關系

2 棄風密度曲線

從全國范圍來看,棄風主要有3大原因:調(diào)峰容量不足,風電出力與負荷需求之間不匹配,風電輸出通道受限。棄風密度曲線反映的是綜合考慮風電出力與系統(tǒng)負荷的時序特性、系統(tǒng)調(diào)峰容量及風電輸出通道約束的棄風情況。

圖3 棄風密度曲線示意圖

風電出力具有隨機性與不確定性,文獻[15]指出,風電出力曲線可以分解為大波動、中波動、小波動和隨機波動。采用文獻[15]算法,預測該地區(qū)考慮隨機性的風電出力曲線,根據(jù)模型DUCM對每一條預測風電出力曲線進行計算,得到同時考慮3大棄風原因的系統(tǒng)棄風率,對棄風率從小到大排序得到集合R={i|ri},i=1,2,3,…,N;其中N表示預測得到的風電出力曲線的條數(shù),r1

(26)

式中:nk是判斷第k個棄風率是否屬于第j個棄風密度區(qū)間的整數(shù)變量。當?shù)趉個棄風率屬于第j個棄風密度區(qū)間時nj=1,反之nk=0。

3 含風電多區(qū)域機組組合分解模型

含風電多區(qū)域機組組合分解模型的計算方法及運用密度曲線評估系統(tǒng)棄風狀況的具體步驟如下:

(1)預測N條風電出力曲線,對風電曲線序列n置初值;

(2)在風電序列確定后,初始化系統(tǒng)參數(shù)p=1;

(3)根據(jù)系統(tǒng)中火電機組及負荷情況,形成機組組合模型,將機組組合模型分解成模型DUCM-Ⅰ和DUCM-Ⅱ;

(4)求解模型DUCM-Ⅰ,得到火電機組的初步開機方式,然后轉(zhuǎn)步驟(5)中的模型DUCM-Ⅱ;

(5)根據(jù)步驟(4)確定的機組開機方式,求解模型DUCM-Ⅱ,如果開機方式滿足約束要求轉(zhuǎn)到步驟(6),如果開機方式不滿足約束要求則返回步驟(4),調(diào)整開機方式;

(6)判斷系統(tǒng)的正旋轉(zhuǎn)備用是否滿足風電要求,若滿足就將機組出力的最小值從負荷中減去,然后按照時序計算的方法安排每一時刻風電的上網(wǎng)電量,到步驟(7),如不滿足系統(tǒng)要求,則返回步驟(4)調(diào)整機組的開機方式;

(7)記錄周期p的開機方式及機組出力,令p=p+1,返回步驟(2);

(8)計算并保存期望棄風率,若n

4 算例研究

4.1 簡單數(shù)學系統(tǒng)

首先用一個簡單的數(shù)學系統(tǒng)對所提模型DUCM加快計算速度的原理進行分析。文獻[16]提出機組組合的爬坡約束在大部分系統(tǒng)中為非有效約束,不會影響模型求解空間,這里為說明方便,不考慮系統(tǒng)中機組的爬坡約束,只根據(jù)功率平衡約束和機組出力約束構造簡單的數(shù)學系統(tǒng),其模型如下

(27)

式中:I1、I2和I3表示是整數(shù)0-1變量;P1、P2和P3表示連續(xù)變量。I1、I2和I3的取值會影響P1、P2和P3的值。

機組組合分解模型能夠提高計算速度最主要的原因是,該模型根據(jù)所描述物理問題的特點縮小求解空間,將最終的求解空間變成連續(xù)的。取模型SUCM的求解空間為Ω、模型DUCM的求解空間為Ω′。從圖4可知,Ω的求解空間共分為8部分,分別是圖4a的原點和3個小陰影空間體,圖4b的3個陰影面abde、acfe和bdfe以及圖4c的陰影體cde-abf。根據(jù)式(24),得到式(27)的模型DUCM-Ⅰ如下

(28)

(a)I1、I2、I3中最多一個取1

(c)I1、I2、I3中全為1圖4 模型DUCM的求解空間Ω

根據(jù)式(28)可以得到I1、I2和I3都為1,對應的求解空間如圖4c所示。相比于模型SUCM需要在8部分離散空間中求解,模型DUCM的求解空間Ω′只是在圖4c中求解,且模型DUCM的求解空間是連續(xù)的。對于凸集合的凸規(guī)劃問題,解一定在可行求解空間的表面,考慮到大規(guī)模系統(tǒng)長時間機組組合是高階的問題,采用模型DUCM能夠?qū)⑶蠼饪臻g縮小到很小的空間表面,即Ω′?Ω,這會加快求解速度,縮短計算時間。

4.2 實際系統(tǒng)算例

本文采用我國東北某省電網(wǎng)實際系統(tǒng)作為算例,該系統(tǒng)火電機組為54臺,火電裝機總?cè)萘繛?3 090 MW,其中凝汽式機組裝機容量為3 060 MW,抽氣式機組裝機容量為10 030 MW;負荷最大為9 425.46 MW;風電裝機總?cè)萘繛? 278 MW。根據(jù)系統(tǒng)電源輸送通道約束,將系統(tǒng)分為3個區(qū),區(qū)域子系統(tǒng)裝機容量關系如圖5所示。算例以7 d為一個計算周期,全年52個周期的最大負荷與最小負荷值如圖6所示。

圖5 各子區(qū)域電網(wǎng)各類型電源裝機比例

圖6 該省一年52個計算周期的最大負荷與最小負荷

4.2.1 模型計算速度與精度 本文將對以下兩個模型進行求解,以驗證機組組合分解模型在求解上的優(yōu)越性。

模型1:東北某省含風電考慮聯(lián)絡線約束實際系統(tǒng)的機組組合模型;

模型2:在模型1基礎上對該省系統(tǒng)的機組組合模型進行分解,建立本文所提機組組合分解模型。

采用C++調(diào)用商業(yè)優(yōu)化軟件CPLEX分別對模型1和模型2進行求解,運用兩種模型對1～25周內(nèi)不同運行時間進行計算并對比,結果如圖7所示。從圖7可知,在不同求解時間長度上,模型2的求解速度都明顯快于模型1,隨著電網(wǎng)運行時間的增加,模型1與模型2之間的仿真時間相差越來越大。這種差別的原因是:模型2的機組組合分解模型根據(jù)問題的實際特點,采用切割解空間的思路,剔除不存在可行解的求解空間,減少了約束變量。以電網(wǎng)運行1周為例,模型1的變量數(shù)目為9 576個,采用模型2時,變量總數(shù)目僅為1 398個。對比兩個模型,模型2的求解變量數(shù)目減少,求解空間變小,且由于模型2的離散變量數(shù)目在模型DUCM-Ⅰ中基本確定,模型2的連續(xù)性要優(yōu)于模型1,因此模型2的求解速度明顯快于模型1。

圖7 兩種模型仿真時間的比較

圖8 年度棄風密度曲線

4.2.2 運用模型2對系統(tǒng)進行分析 為描述系統(tǒng)受風電出力的隨機性、系統(tǒng)調(diào)峰容量、系統(tǒng)負荷與風電出力不平衡、風電輸送通道同時影響下的棄風狀況,運用所提機組組合分解模型對系統(tǒng)棄風進行評估,得到系統(tǒng)全年的棄風密度曲線如圖8所示。從圖8可知,系統(tǒng)棄風密度曲線以34.3%為中心向兩側(cè)展開,與預測風速呈正太分布或者具有厚尾效應的t分布不同,系統(tǒng)棄風密度曲線在向兩側(cè)展開的過程中存在波動現(xiàn)象,這是由于系統(tǒng)棄風受到風電時空特性及輸送通道限制的影響。相比于通過研究風速概率特征而得到反映風電棄風期望值的方法,棄風密度曲線能夠在考慮風電的時空特性、系統(tǒng)的調(diào)峰容量及風電輸送通道的前提下更好地描述風電的棄風狀況。

從實際系統(tǒng)算例中選取供熱期和非供熱期典型周,運用本文模型進行分析,其結果如圖9所示。從圖9可知,在供熱季只接納很少的風電,在非供熱期風電幾乎全部接納。這主要是由于:在供熱期要開啟大量的供熱機組,火電機組的最小出力大量擠壓了風電的接納空間,造成系統(tǒng)大量棄風;然而,在非供熱季由于系統(tǒng)不存在供熱任務,系統(tǒng)在保證系統(tǒng)可靠性前提下開啟的火電機組較少,系統(tǒng)有足夠的接納風電的空間,系統(tǒng)棄風現(xiàn)象不是很嚴重。從圖10可知,系統(tǒng)棄風主要發(fā)生在供熱任務較重的1、2、3、11、12月,在不具有供熱任務或者供熱任務不重的4～10月幾乎不存在棄風現(xiàn)象。

(a)供熱期

(b)非供熱期圖9 供熱期與非供熱期典型周各類型電源承擔負荷情況

圖10 一年中各月份風電接納情況

從實際系統(tǒng)算例中選取供熱期典型日及非供熱期典型日進行分析,得到供熱期典型日與非供熱期典型日全天棄風狀況如圖11所示。從圖11可知,由于在供熱期開啟供熱機組較多,火電機組的最小出力較大,即使風電和正旋轉(zhuǎn)備用出力不參與負荷平衡,火電機組的最小出力仍大于負荷,這時就需要引入虛擬負荷或者減少供熱,維持系統(tǒng)安全穩(wěn)定運行。通過比較供熱期典型日與非供熱期典型日風電接納情況,該省電網(wǎng)棄風現(xiàn)象主要發(fā)生在22時到次日7時。這段時間風電出力高而負荷較低,由供熱機組的特性,系統(tǒng)在此時沒有負荷空間接納風電。通過算例分析,該省系統(tǒng)的棄風主要發(fā)生在供熱期,且多發(fā)生在供熱期的夜間。

(a)非供熱期

(b)供熱期圖11 供熱期與非供熱期典型日機組組合出力情況

5 結 論

本文引入了機組組合分解模型和棄風密度曲線,對傳統(tǒng)機組組合模型進行離散-連續(xù)變換,得到不含或僅含少量整數(shù)變量的機組組合分解模型,通過對機組組合分解模型計算得到的多個期望棄風率的分析,構建棄風密度曲線。通過對實際系統(tǒng)算例分析可以得出以下結論。

(1)本文所提模型與傳統(tǒng)模型相比,可以明顯縮小求解空間,減小約束變量,加快求解速度。

(2)由于系統(tǒng)棄風主要受調(diào)峰容量不足、風電出力與負荷需求不匹配和風電輸出通道的約束,相比于系統(tǒng)期望棄風值,棄風密度曲線能夠更好地評估系統(tǒng)的棄風情況。

需要指出的是,本文方法可以快速對棄風特性進行評估,為系統(tǒng)調(diào)度運行及在電力市場環(huán)境下需求側(cè)響應的相關政策的制定提供依據(jù)。

[1] TRIVEDI A, SRINIVASAN D, PAL K, et al. Enhanced multiobjective evolutionary algorithm based on decomposition for solving the unit commitment problem [J]. IEEE Transactions on Industrial Informatics, 2014, 11(6): 1346-1357.

[2] TRIVEDI A, SRINIVASAN D, REINDL T, et al. A multi-objective genetic algorithm for unit commitment with significant wind penetration [C]∥2015 IEEE Congress on Evolutionary Computation. Piscataway, NJ, USA: IEEE, 2015: 311-318.

[3] BORIS P L, JESSICA S C. A deterministic annular crossover genetic algorithm optimization for unit commitment problem [J]. Expert Syst Appl, 2011, 38: 6523-6529.

[4] 陳燁, 趙國波, 劉俊勇, 等. 用于機組組合優(yōu)化的蟻群粒子群混合算法 [J]. 電網(wǎng)技術, 2008, 32(6): 52-56. CHEN Ye, ZHAO Guobo, LIU Junyong, et al. An ant colony optimization and particle swarm optimization hybrid algorithm for unit commitment based on operate coding [J]. Power System Technology, 2008, 32(6): 52-56.

[5] DIEU V N, ONGSAKUL W. Improved merit order and augmented Lagrange Hopfield network for unit commitment [J]. IET Gener Transm Distrib, 2007, 1(4): 548-556.

[6] 顧錦汶, 楊佰新. 電力系統(tǒng)機組組合優(yōu)化的快速模擬退火算法 [J]. 中國電機工程學報, 1992, 12(6): 69-73. GU Jinwen, YANG Baixin. The unit commitment by fast simulated annealing algorithm [J]. Proceedings of the CSEE, 1992, 12(6): 69-73.

[7] XIA X, ELAIW A M. Optimal dynamic economic dispatch of generation: a review [J]. Electric Power Systems Research, 2010, 80(8): 975-986.

[8] FRANGION A, GENTILE C, LACALANDA F. Sequential Lagrangian-MILP approaches for unit commitment problems with general ramp constraints [J]. Int J Elect Power Energy Syst, 2011, 33(3): 585-593.

[9] 李穎浩, 郭瑞鵬. 基于廣義Benders分解的啟發(fā)式機組組合優(yōu)化 [J]. 電網(wǎng)技術, 2012, 36(3): 179-183. LI Yinghao, GUO Ruipeng. A generalized Benders decomposition based heuristic algorithm for unit commitment [J]. Power System Technology, 2012, 36(3): 179-183.

[10]SIFUENTES W S, VARGAS A. Hydrothermal scheduling using benders decomposition: accelerating techniques [J]. IEEE Transactions on Power System, 2007, 22(3): 1351-1359.

[11]YANG Linfeng, JIAN Jinbao, ZHU Yunan, et al. Tight relaxation method for unit commitment problem using reformulation and lift-and-project [J]. IEEE Transactions on Power System, 2015, 30(1): 13-22.

[12]楊濛濛. 大規(guī)模風電外送安全穩(wěn)定控制研究 [D]. 杭州: 浙江大學, 2015.

[13]劉純, 曹陽, 黃越輝, 等. 基于時序仿真的風電年度計劃制定方法 [J]. 電力系統(tǒng)自動化, 2014, 38(11): 13-19. LIU Chun, CHAO Yang, HUANG Yuehui, et al. An annual wind power planning method based on time sequential simulations [J]. Automation of Electric Power Systems, 2014, 38(11): 13-19.

[14]張宏宇, 印永華, 申洪, 等. 大規(guī)模風電接入后的系統(tǒng)調(diào)峰充裕性評估 [J]. 中國電機工程學報, 2011, 31(22): 26-31. ZHANG Hongyu, YIN Yonghua, SHEN Hong, et al. Peak-load regulating adequacy evaluation associated with large-scale wind power integration [J]. Proceedings of the CSEE, 2011, 31(22): 26-31.

[15]李馳, 劉純, 黃越輝, 等. 基于波動特性的風電出力時間序列建模方法研究 [J]. 電網(wǎng)技術, 2015, 39(1): 208-214. LI Chi, LIU Chun, HUANG Yuehui, et al. Study on the modeling method of wind power time series based on fluctuation characteristics [J]. Power System Technology, 2015, 39(1): 208-214.

[16]ZHAI Q Z, GUAN X H, CHENG J H, et al. Fast identification of inactive security constraints in SCUC problems [J]. IEEE Trans on Power Systems, 2010, 24(4): 1946-1954.

(編輯 杜秀杰)

Decomposed Unit Commitment Model for Long Term System with Large Scale Wind Power Penetration

GONG Benhui,WANG Xiuli,DANG Can,YAO Li,HOU Furui

(School of Electrical Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

The traditional strategy to solve unit commitment problems for large-scale power system usually ignores the optimized model and only focuses the optimized algorithm to accelerate the solving rate. Thus a decomposed unit commitment model is proposed to accelerate the unit commitment, and the wind curtailment density is considered to assess the wind curtailment. In the decomposed unit commitment model, the continuous variables are separated to discrete ones. The model enables to eliminate the feasible solution space, and then the optimal solution can be sought from the narrow space quickly. The wind curtailment density curve gets better than the expected wind curtailment value to assess the distribution of wind curtailment. For the proposed model and the real province power grid, the speeds of traditional unit commitment and the decomposed unit commitment are discussed, and the wind curtailment density curve is employed to estimate the distribution of wind curtailment, on which the system wind curtailment develops from the center to the two sides.

wind power; decomposed unit commitment model; unit commitment; wind curtailment density curve; production simulation

2016-01-25。 作者簡介:宮本輝(1989—),男,碩士生;王秀麗(通信作者),女,教授,博士生導師。 基金項目:國家自然科學基金資助項目(51577146);國家電網(wǎng)公司科技項目資助(NY71-14-052)。

時間:2016-03-16

10.7652/xjtuxb201606022

TM715

A

0253-987X(2016)06-0143-09

網(wǎng)絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160316.1001.002.html