計(jì)及需求響應(yīng)的含風(fēng)電場日前兩階段動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度

劉旭，楊德友，孟濤，張旺，劉曦，姜明磊

(1.東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012；2.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，長春市 130021；3.國網(wǎng)吉林省電力有限公司經(jīng)濟(jì)技術(shù)研究院，長春市 130000)

計(jì)及需求響應(yīng)的含風(fēng)電場日前兩階段動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度

劉旭1，楊德友1，孟濤2，張旺1，劉曦3，姜明磊3

(1.東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012；2.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，長春市 130021；3.國網(wǎng)吉林省電力有限公司經(jīng)濟(jì)技術(shù)研究院，長春市 130000)

需求響應(yīng)作為發(fā)電側(cè)與需求側(cè)之間的重要互動(dòng)資源，能有效調(diào)節(jié)負(fù)荷需求分布來實(shí)現(xiàn)節(jié)能減排和提高系統(tǒng)風(fēng)電接納能力的目的?；诖耍瑢⑿枨箜憫?yīng)融入環(huán)境經(jīng)濟(jì)中，提出一種智能電網(wǎng)下的日前兩階段調(diào)度模型：第1階段為日前用戶互動(dòng)階段，通過分時(shí)電價(jià)的杠桿作用引導(dǎo)用戶理性用電，以調(diào)整次日負(fù)荷需求分布，綜合考慮負(fù)荷水平和用戶用電滿意度確定最優(yōu)負(fù)荷曲線和分時(shí)電價(jià)；第2階段為日前調(diào)度階段，針對風(fēng)電出力隨機(jī)性，建立基于機(jī)會(huì)約束規(guī)劃的環(huán)境經(jīng)濟(jì)調(diào)度模型，采用風(fēng)電出力分布函數(shù)將其轉(zhuǎn)化為確定性模型。將種群多樣性指標(biāo)和隨機(jī)黑洞理論引入粒子群算法中，結(jié)合多目標(biāo)搜索機(jī)制，提出一種改進(jìn)多目標(biāo)粒子群算法對模型求解，并采用逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)對Pareto前沿個(gè)體排序，輔助調(diào)度人員進(jìn)行科學(xué)決策。改進(jìn)10機(jī)系統(tǒng)的仿真結(jié)果驗(yàn)證了該模型及方法的有效性與合理性。

風(fēng)電；需求響應(yīng)；分時(shí)電價(jià)；用戶滿意度；環(huán)境經(jīng)濟(jì)調(diào)度；逼近理想解排序法(TOPSIS)

0 引 言

日益加劇的環(huán)境污染和能源枯竭促進(jìn)了風(fēng)、光等清潔能源的發(fā)展。風(fēng)力發(fā)電因安裝方式靈活、低碳環(huán)保、便于維護(hù)等優(yōu)勢獲得了國內(nèi)外廣泛的關(guān)注，并逐漸取代傳統(tǒng)化石能源成為國家能源戰(zhàn)略布局中的重要組成部分[1]。然而，大規(guī)模風(fēng)電并網(wǎng)運(yùn)行增加了系統(tǒng)運(yùn)行的復(fù)雜性和不確定性，對電力系統(tǒng)優(yōu)化調(diào)度提出了更高的要求與挑戰(zhàn)[2]。

傳統(tǒng)電力系統(tǒng)經(jīng)濟(jì)調(diào)度是在滿足功率平衡、旋轉(zhuǎn)備用和機(jī)組出力極限等約束下，合理安排負(fù)荷分配使發(fā)電成本最小，但隨著風(fēng)電并網(wǎng)容量的逐漸增大，從經(jīng)濟(jì)、技術(shù)和環(huán)保等多方面綜合展開電力系統(tǒng)經(jīng)濟(jì)調(diào)度問題的研究更加符合當(dāng)前能源發(fā)展趨勢。文獻(xiàn)[3]建立了含風(fēng)電場環(huán)境的經(jīng)濟(jì)調(diào)度隨機(jī)模型，考慮風(fēng)電出力隨機(jī)性對系統(tǒng)旋轉(zhuǎn)備的影響，應(yīng)用改進(jìn)多目標(biāo)差分進(jìn)化算法對模型求解，但忽略了系統(tǒng)網(wǎng)損。文獻(xiàn)[4]兼顧系統(tǒng)運(yùn)行經(jīng)濟(jì)性與環(huán)境效益，建立含風(fēng)電場多目標(biāo)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度(dynamic economic emission dispatch，DEED)模型，但沒有考慮機(jī)組的啟停費(fèi)用。文獻(xiàn)[5]針對風(fēng)電出力隨機(jī)性的特點(diǎn)，應(yīng)用多場景理論建立計(jì)及污染氣體排放風(fēng)險(xiǎn)的DEED模型，對污染氣體排放風(fēng)險(xiǎn)進(jìn)行有效管理，但僅考慮在不同風(fēng)電出力場景下的調(diào)度計(jì)劃，并不能全面分析風(fēng)電出力隨機(jī)性對系統(tǒng)調(diào)度的影響。以上文獻(xiàn)僅從優(yōu)化發(fā)電側(cè)資源的角度進(jìn)行DEED的研究，但發(fā)電側(cè)資源十分有限，并不能滿足低碳環(huán)保的電力發(fā)展要求。

需求響應(yīng)作為電力市場框架下的重要互動(dòng)資源，能有效引導(dǎo)終端用戶采取合理的用電方式和用電結(jié)構(gòu)，以調(diào)整負(fù)荷需求分布，應(yīng)對風(fēng)電出力隨機(jī)性和反調(diào)峰特性。文獻(xiàn)[6]建立計(jì)及需求響應(yīng)的含風(fēng)電場經(jīng)濟(jì)環(huán)境聯(lián)合調(diào)度模型，采用線性權(quán)重法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)，這種簡化雖然降低了求解難度，但不能深入挖掘各目標(biāo)函數(shù)間的內(nèi)在聯(lián)系，在最終決策時(shí)將面臨選擇單一的局面。文獻(xiàn)[7]引入分時(shí)電價(jià)(time-of-use price，TOU)及可中斷負(fù)荷這2種響應(yīng)形式，針對風(fēng)電場出力的隨機(jī)特性，從運(yùn)行可靠性的角度整合系統(tǒng)資源，有效提高了風(fēng)電利用率，但沒有計(jì)及污染氣體排放對調(diào)度結(jié)果所造成的影響。文獻(xiàn)[8]構(gòu)建基于電力需求彈性理論的用戶不確定響應(yīng)模型，應(yīng)用實(shí)時(shí)電價(jià)引導(dǎo)終端用戶合理用電，但需求彈性矩陣的建立需要分析大量市場數(shù)據(jù)，實(shí)現(xiàn)起來具有一定難度。

針對以上問題，本文將需求響應(yīng)融入DEED中，從負(fù)荷水平、用戶用電滿意度、系統(tǒng)運(yùn)行經(jīng)濟(jì)性和環(huán)境效益的角度，建立日前兩階段優(yōu)化調(diào)度模型，將發(fā)電側(cè)與需求側(cè)資源整合統(tǒng)一調(diào)度，以協(xié)調(diào)風(fēng)電入網(wǎng)和實(shí)現(xiàn)削峰填谷的目的。提出一種改進(jìn)多目標(biāo)粒子群算法(improved multi-objective particle swarm optimization algorithm，IMPSO)對模型求解，并應(yīng)用輔助決策—逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)對Pareto前沿個(gè)體排序，輔助調(diào)度人員確定最佳調(diào)度方案。

1 風(fēng)電出力隨機(jī)模型

大量風(fēng)速數(shù)據(jù)的統(tǒng)計(jì)分析表明，雙參數(shù)威布爾(Weibull)分布能較準(zhǔn)確描述實(shí)際風(fēng)速的變化規(guī)律，其分布函數(shù)為

F(v)=1-exp[-(v/c)k]

(1)

式中：k為形狀參數(shù)；c為尺度參數(shù)；v為風(fēng)速。其概率密度函數(shù)為

f(v)=(k/c)(v/c)k-1exp[-(v/c)k]

(2)

當(dāng)知道風(fēng)速分布后，通過分析風(fēng)電功率輸出和風(fēng)速的關(guān)系可得到二者近似的隨機(jī)分布。圖1給出了風(fēng)電機(jī)組功率輸出和風(fēng)速的函數(shù)關(guān)系，其中，Prate為額定輸出功率，vin、vout和vrate分別為切入風(fēng)速、切出風(fēng)速和額定風(fēng)速。

圖1 風(fēng)力發(fā)電功率輸出曲線Fig.1 Power output curve of wind energy system

由圖1可知，風(fēng)力發(fā)電的輸出功率Pwind與風(fēng)速v的函數(shù)關(guān)系可表示為

(3)

由式(3)可知，Pwind在(0,Prate)區(qū)間上連續(xù)，而在區(qū)間端點(diǎn)0和Prate處離散，即Pwind是一個(gè)混合隨機(jī)變量，其分布函數(shù)[9]可表示為

(4)

2 DR對DEED的影響

2.1 用戶不確定響應(yīng)行為建模

電價(jià)作為影響用戶用電行為的主導(dǎo)因素，較激勵(lì)型的需求響應(yīng)更能體現(xiàn)用戶消費(fèi)的主觀意識。由消費(fèi)者心理學(xué)原理[10]可知，用戶對電價(jià)刺激的響應(yīng)行為分為3種，即不敏感區(qū)(相當(dāng)于死區(qū))，此時(shí)電價(jià)波動(dòng)(峰平谷各時(shí)段電價(jià)差)較小，用戶各時(shí)段用電量幾乎不變；正常響應(yīng)區(qū)(相當(dāng)于線性區(qū))，此時(shí)用戶根據(jù)各時(shí)段電價(jià)變化情況合理調(diào)整用電方式，以盡可能追求電費(fèi)最?。豁憫?yīng)極限區(qū)(相當(dāng)于飽和區(qū))，此時(shí)電價(jià)波動(dòng)較大，超出了用戶響應(yīng)極限，用戶各時(shí)段用電量將不隨電價(jià)波動(dòng)而改變。

為確定實(shí)施TOU后的系統(tǒng)負(fù)荷，首先引入負(fù)荷轉(zhuǎn)移率概念，負(fù)荷轉(zhuǎn)移率是指負(fù)荷由高電價(jià)時(shí)段向低電價(jià)時(shí)段的轉(zhuǎn)移量與高時(shí)段負(fù)荷的比值，描述的是各時(shí)段負(fù)荷隨電價(jià)波動(dòng)的轉(zhuǎn)移情況。由實(shí)際數(shù)據(jù)分析可知，負(fù)荷轉(zhuǎn)移率與電價(jià)波動(dòng)的關(guān)系可采用分段線性函數(shù)表示。以峰時(shí)段到谷時(shí)段的負(fù)荷轉(zhuǎn)移率曲線為例，如圖2所示，其中橫坐標(biāo)表示峰、谷電價(jià)差，縱坐標(biāo)表示負(fù)荷轉(zhuǎn)移率。

圖2 峰時(shí)段到谷時(shí)段的負(fù)荷轉(zhuǎn)移率曲線Fig.2 Load shifting curve from peak to valley

峰時(shí)段到谷時(shí)段的負(fù)荷轉(zhuǎn)移率為

(5)

實(shí)行TOU后的j類用戶各時(shí)段擬合負(fù)荷為

(6)

2.2 用戶滿意度

用戶滿意度屬于市場營銷范疇的概念。用戶通過TOU的引導(dǎo)參與次日負(fù)荷曲線的制定，較高的峰谷電價(jià)比會(huì)使用戶響應(yīng)充分，有效提高系統(tǒng)負(fù)荷水平，達(dá)到削峰填谷的目的，但同時(shí)也會(huì)使用戶的用電方式和用電結(jié)構(gòu)發(fā)生大幅度改變，使用戶對TOU的實(shí)施產(chǎn)生抵觸情緒，損害電力公司的社會(huì)形象。然而，較低的峰谷電價(jià)比又達(dá)不到電力公司理想的預(yù)期效果。因此，有必要綜合考慮用戶和電力公司雙方的利益來制定TOU和負(fù)荷曲線，尋求二者的利益均衡。本文將文獻(xiàn)[11]中2個(gè)用戶滿意度指標(biāo)引入DEED中，作為影響TOU及負(fù)荷曲線制定的約束條件，以保證最終調(diào)度方案使用戶滿意。

電費(fèi)支出滿意度是描述TOU實(shí)施前后用戶電費(fèi)支出的變化情況，如式(7)：

(7)

式中：p0、pt分別為實(shí)施TOU前后的t時(shí)段電價(jià)。ρ≥1表示用戶電費(fèi)支出有所減少，用戶從TOU實(shí)施中獲益，反之用戶利益受損。

用電方式滿意度是描述TOU實(shí)施前后用戶各時(shí)段用電量的變化情況，如式(8)：

(8)

由式(8)可知，θ是介于[0，1]之間的數(shù)，當(dāng)θ=1時(shí)，用電方式滿意度最大，即用戶的用電方式和用電結(jié)構(gòu)沒有發(fā)生任何改變。

3 計(jì)及需求響應(yīng)的日前兩階段多目標(biāo)DEED模型

3.1 日前用戶互動(dòng)模型

在日前用戶互動(dòng)階段，綜合考慮用戶和電力公司雙方利益，優(yōu)化TOU來制定最優(yōu)的負(fù)荷曲線。以負(fù)荷均方差為目標(biāo)函數(shù)，如式(9)：

(9)

式中：PD,t為t時(shí)段系統(tǒng)負(fù)荷，與常規(guī)優(yōu)化調(diào)度不同的是此時(shí)負(fù)荷是受TOU影響的變量。

用戶互動(dòng)模型的約束條件可概括為以下幾點(diǎn)。

(1)用戶滿意度約束：

(10)

式中：θmin為電費(fèi)支出滿意度下限；λmin為用電方式滿意度下限。

(2)采用峰時(shí)電價(jià)與谷時(shí)電價(jià)拉開幅值不等的方式，固定平時(shí)段電價(jià)為實(shí)施TOU前的原始電價(jià)，為保證實(shí)施TOU前后的負(fù)荷峰谷特性不變，則拉開比ω需滿足[12]：

(11)

式中：Qp為峰時(shí)段總用電量；Qv為谷時(shí)段總用電量。

3.2 日前調(diào)度模型

基于日前用戶互動(dòng)階段得到的最優(yōu)負(fù)荷曲線，在日前調(diào)度階段，根據(jù)次日風(fēng)電預(yù)測出力和火電機(jī)組的工作狀態(tài)，綜合考慮系統(tǒng)運(yùn)行經(jīng)濟(jì)性和環(huán)境效益，建立基于機(jī)會(huì)約束規(guī)劃的多目標(biāo)調(diào)度模型，目標(biāo)函數(shù)如下所述。

(1)發(fā)電總費(fèi)用。常規(guī)火電機(jī)組的發(fā)電總費(fèi)用目標(biāo)函數(shù)為

(12)

式中：N為火電機(jī)組臺數(shù)；Ui,t為第i臺火電機(jī)組t時(shí)段的工作狀態(tài)，Ui,t=1表示第i臺火電機(jī)組處于開機(jī)狀態(tài)，Ui,t=0表示第i火電機(jī)組處于停機(jī)狀態(tài)；Ci,t(Pi,t)為第i臺火電機(jī)組t時(shí)段燃料成本；Pi,t為第i臺火電機(jī)組t時(shí)段輸出有功功率；Si,t為第i臺火電機(jī)組t時(shí)段啟停動(dòng)成本。

火電機(jī)組的燃料成本采用二次函數(shù)表示：

(13)

式中：ai、bi、ci為第i臺火電機(jī)組燃料費(fèi)用參數(shù)。

火電機(jī)組啟停成本與各機(jī)組運(yùn)行狀態(tài)和初始狀態(tài)有關(guān)：

(14)

(2)污染氣體排放量。常規(guī)火電機(jī)組消耗化石能源會(huì)產(chǎn)生CO2、SOx、NOx等污染氣體，考慮污染氣體綜合排放量的目標(biāo)函數(shù)[13]為

(15)

式中：αi、βi、γi、λi、ξi為第i臺火電機(jī)組污染氣體排放特性參數(shù)。

日前調(diào)度模型的約束條件如下。

(1)功率平衡約束：

(16)

式中：Pw,t為風(fēng)電場t時(shí)段輸出有功功率；PD,t為實(shí)施TOU后t時(shí)段系統(tǒng)負(fù)荷；Ploss,t為t時(shí)段網(wǎng)絡(luò)損耗，通過B系數(shù)法獲得：

(17)

式中：Bij、Bi0、B00為網(wǎng)絡(luò)損耗系數(shù)。

由于Pw,t為隨機(jī)變量，采用機(jī)會(huì)約束以概率的形式將式(16)表示為

(18)

式中：Pr{·}為滿足{·}事件的置信水平；μ為滿足功率平衡約束的置信水平下限。

(2)風(fēng)電滲透率極限約束：

搶抓銀監(jiān)會(huì)下放村鎮(zhèn)銀行準(zhǔn)入權(quán)限到省銀監(jiān)局的政策機(jī)遇。2018年起，開展組建村鎮(zhèn)銀行工作，鼓勵(lì)現(xiàn)有村鎮(zhèn)銀行向農(nóng)村地區(qū)延伸，不斷提高服務(wù)“三農(nóng)”水平，夯實(shí)經(jīng)營基礎(chǔ)；支持和鼓勵(lì)村鎮(zhèn)銀行通過增資擴(kuò)股做大、做強(qiáng)，改善村鎮(zhèn)銀行外部結(jié)算環(huán)境和社會(huì)公信力；探索適合當(dāng)?shù)貙?shí)際的農(nóng)村資金互助社試點(diǎn)模式；出臺市級供銷合作社系統(tǒng)社員股金服務(wù)機(jī)構(gòu)監(jiān)督管理辦法，規(guī)范發(fā)展基層新型供銷社社員股金服務(wù)業(yè)務(wù)，使其成為服務(wù)“三農(nóng)”的重要補(bǔ)充，逐步形成不同類型、不同規(guī)模、互補(bǔ)性強(qiáng)的農(nóng)村金融組織體系，為農(nóng)村經(jīng)濟(jì)社會(huì)發(fā)展和脫貧攻堅(jiān)提供多元化、差異化、特色化的金融服務(wù)。

Pw,t≤δPD,t

(19)

式中：δ為風(fēng)電滲透率極限系數(shù)。采用機(jī)會(huì)約束以概率的形式將式(19)表示為

Pr{δPD,t≥Pw,t}≥φ

(20)

式中：φ為滿足風(fēng)電穿透極限約束的置信水平下限。

(3)火電機(jī)組出力約束：

Pi,min≤Pi,t≤Pi,max

(21)

式中：Pi,min、Pi,max分別為第i臺火電機(jī)組出力上、下限。

(4)火電機(jī)組最小啟停時(shí)間約束：

(22)

(5)風(fēng)電場出力約束：

0≤Pw,t≤Pw,max

(23)

式中：Pw,max為風(fēng)電場出力上限。

(6)系統(tǒng)正、負(fù)旋轉(zhuǎn)備用容量約束：

(24)

(25)

3.3 隨機(jī)模型的確定化

將隨機(jī)模型轉(zhuǎn)化為等價(jià)的確定性模型是求解機(jī)會(huì)約束規(guī)劃問題的常用方法。式(18)、(20)均包含隨機(jī)變量Pw,t，結(jié)合Pw,t分布函數(shù)式(4)，可將式(18)轉(zhuǎn)化為

(26)

將式(4)代入式(26)，整理可得到：

(27)

同理，式(20)可轉(zhuǎn)化為

(28)

綜上分析，確定性日前多目標(biāo)調(diào)度模型為

(29)

式中：P為由各火電機(jī)組出力變量構(gòu)成的集合；g(·)為不等式約束條件。

4 改進(jìn)多目標(biāo)粒子群算法

4.1 粒子群算法回顧

vid(t+1)=ωvid(t)+c1r1[pid-xid(t)]+c2r2[pgd-xid(t)]

(30)

xid(t+1)=xid(t)+vid(t+1)

(31)

式中：t為當(dāng)前搜索代數(shù)；vid(t)和xid(t)分別為粒子i速度和位置的d維分量；pid為粒子i歷史最優(yōu)位置的d維分量；pgd為種群歷史最優(yōu)位置的d維分量；ω為慣性系數(shù)；c1和c2為學(xué)習(xí)因子；r1，r2為[0，1]區(qū)間內(nèi)的均勻分布隨機(jī)數(shù)。

4.2 改進(jìn)多目標(biāo)粒子群算法

4.2.1 自適應(yīng)慣性權(quán)重

在PSO算法中，ω采用線性遞減策略，然而該策略并不能充分挖掘?qū)?dāng)前種群搜索信息并反饋到下一次迭代中，這往往會(huì)導(dǎo)致種群多樣性降低，算法陷入局部最優(yōu)，早熟收斂。針對這一問題，提出一種基于種群多樣性反饋的自適應(yīng)慣性權(quán)重：

(32)

式中：γ為很小的正數(shù)；Kmax為總迭代次數(shù)；d(t)為種群多樣性指標(biāo)[14]：

(33)

式中：Npop為粒子總數(shù)；|L|為搜索空間最大對角距離；D為優(yōu)化問題維數(shù)；pd(t)為種群位置的d維分量平均值。

4.2.2 隨機(jī)黑洞機(jī)制的引入

文獻(xiàn)[15]將黑洞演化過程中的星體運(yùn)動(dòng)理論引入PSO算法中，提出一種隨機(jī)黑洞粒子群算法(RBH-PSO)。在RBH-PSO算法中，將每次搜索到的種群最優(yōu)位置的d維分量pgd為中心，在以r為半徑的區(qū)域內(nèi)隨機(jī)產(chǎn)生一粒子為黑洞，粒子以一定的概率被黑洞捕獲，在進(jìn)入黑洞后也有一定概率的逃離黑洞，進(jìn)而增加粒子探索新區(qū)域的可能，提高算法的勘探能力。本文將RBH-PSO算法擴(kuò)展應(yīng)用到DEED求解中，圖3給出粒子位置更新示意圖。

圖3 粒子位置更新示意圖Fig.3 Schematic diagram of particle position

由圖3可知：當(dāng)lid>p時(shí)，粒子脫離黑洞引力范圍，按傳統(tǒng)方式更新粒子位置，否則粒子被黑洞捕獲，位置更新方式如下：

(34)

式中：p為黑洞捕獲粒子的概率閾值，是介于[0，1]之間的定常數(shù)；lid(t)為xid(t)對應(yīng)的概率值，是服從[0，1]區(qū)間均勻分布的隨機(jī)數(shù)；r3為服從[0，1]區(qū)間均勻分布的隨機(jī)數(shù)，表示粒子進(jìn)入黑洞后，也有一定概率逃離黑洞。

4.2.3 多目標(biāo)優(yōu)化

為使改進(jìn)PSO算法適用于求解多目標(biāo)優(yōu)化問題，在算法搜索過程中引入累積排序操作和精英保留操作，并采用文獻(xiàn)[16]中改進(jìn)的擁擠距離操作，以獲得分布廣泛均勻地Pareto前沿。粒子A和粒子C之間的粒子B的擁擠距離如式(35)：

min[|fi(A)-fi(B)|,|fi(B)-fi(C)|]}

(35)

式中：Nobj為目標(biāo)出數(shù)的個(gè)數(shù)；fi(A)表示粒子A第i個(gè)目標(biāo)函數(shù)的適應(yīng)度值。

4.3 輔助決策

多目標(biāo)優(yōu)化問題的各子目標(biāo)函數(shù)存在相互競爭的關(guān)系，優(yōu)化得到的Pareto前沿包含豐富解的信息，為輔助決策者直觀、快速的制定調(diào)度方案，本文采用TOPSIS[17]對Pareto前沿個(gè)體進(jìn)行排序，排序結(jié)果客觀地反映各調(diào)度方案的優(yōu)劣。在應(yīng)用TOPSIS法對

Pareto前沿個(gè)體排序時(shí)，首先需要確定各屬性的權(quán)重集，本文采用信息熵法來獲得。

5 算例分析

5.1 算例描述

對含1個(gè)并網(wǎng)風(fēng)電場和10臺燃煤機(jī)組的電力系統(tǒng)為例進(jìn)行兩階段環(huán)境經(jīng)濟(jì)調(diào)度計(jì)算，系統(tǒng)負(fù)荷及機(jī)組耗量特性參數(shù)見文獻(xiàn)[18]，污染氣體排放參數(shù)見文獻(xiàn)[19]。并網(wǎng)風(fēng)電場含有60臺風(fēng)機(jī)，每臺風(fēng)機(jī)的額定功率為2 MW，切入風(fēng)速、切出風(fēng)速和額定風(fēng)速分別為4.3，7.7和17.9 m/s，1天內(nèi)各時(shí)段形狀參數(shù)與尺度參數(shù)參照文獻(xiàn)[20]取值。

5.2 計(jì)及DR的兩階段調(diào)度結(jié)果分析

5.2.1 日前用戶互動(dòng)模型結(jié)果分析

實(shí)施TOU前的原始電價(jià)為0.8 元/(kW·h)，峰平谷各時(shí)段劃分見文獻(xiàn)[21]。調(diào)度周期為1天，以1 h為單位分為24個(gè)時(shí)段。采用專業(yè)的優(yōu)化軟件CPLEX對日前用戶互動(dòng)模型進(jìn)行求解，表1給出了幾種典型優(yōu)化方案的結(jié)果。

表1 日前用戶互動(dòng)階段的典型優(yōu)化方案
Table 1 Typical optimization scheme of day-ahead user interaction stage

從表1可知：負(fù)荷均方差隨著拉開比的增大而減小，兩者呈明顯的負(fù)相關(guān)趨勢，這是由于拉開比可以調(diào)節(jié)峰谷電價(jià)差，拉開比越大用戶對TOU的響應(yīng)越充分，削峰填谷的作用就越明顯。未考慮需求響應(yīng)時(shí)，負(fù)荷曲線的峰谷差為800 MW，最優(yōu)解較其降低了337 MW，可見引入需求側(cè)資源可以顯著改善系統(tǒng)負(fù)荷水平，有效避免了因負(fù)荷顯著波動(dòng)給系統(tǒng)運(yùn)行帶來的安全問題，圖4給出了計(jì)及需求響應(yīng)前后的負(fù)荷曲線；電費(fèi)支出滿意度均大于1，說明實(shí)施TOU后的用戶電費(fèi)支出有所減少，這符合TOU的制定原則，即TOU的實(shí)施以不損害用戶的利益為前提，同時(shí)可以看出電費(fèi)支出滿意度又接近于1，說明本文電價(jià)方案并沒有嚴(yán)重影響電網(wǎng)公司的盈利；用電方式滿意度均較大，說明TOU的實(shí)施沒有給用戶的用電方式和用電結(jié)構(gòu)帶來大幅度的改變，同時(shí)可以看出用電方式滿意度與拉開比呈負(fù)相關(guān)趨勢，這是由于拉開比越大，峰谷電價(jià)差越大，用戶為了追求用電費(fèi)用最小，被迫改變用電方式。綜上分析可知，本文方法得到的電價(jià)

圖4 計(jì)及需求響應(yīng)前后負(fù)荷曲線Fig.4 Load curves with or without considering demand response

方案和次日負(fù)荷曲線兼顧了用戶和電網(wǎng)公司雙方的利益，為調(diào)度決策者提供一定的理論參考。

5.2.2 日前調(diào)度模型結(jié)果分析

風(fēng)電場24 h預(yù)測出力曲線見圖5，風(fēng)電的滲透率極限δ=7%，正、負(fù)旋轉(zhuǎn)備用容量均取各時(shí)段系統(tǒng)負(fù)荷的5%。置信水平μ、φ分別為0.95和0.85。IMPSO算法參數(shù)設(shè)置：粒子種群規(guī)模Npop=100；最大迭代次數(shù)Kmax=100次；學(xué)習(xí)因子c1=c2=2；黑洞半徑r=0.01；概率閾值p=0.3。為驗(yàn)證IMPSO算法性能，同時(shí)采用NSGA-II算法對模型求解，NSGA-II算法的交叉算子指數(shù)和交叉率分別為20和0.9，變異算子指數(shù)和變異率分別為20和0.025，迭代次數(shù)和種群規(guī)模與本文一致。2種算法對日前調(diào)度模型優(yōu)化得到Pareto前沿如圖6所示。

圖5 各時(shí)段風(fēng)電場出力及波動(dòng)區(qū)間Fig.5 Hourly wind power and rang of power fluctuating

圖6 2種優(yōu)化算法的Pareto前沿Fig.6 Pareto frontier of two optimal algorithms

從圖6可知：與NSGA-II算法相比，IMPSO算法獲得的非劣解集分布廣泛均勻，更加靠近真實(shí)的Pareto前沿，這主要由于自適應(yīng)慣性權(quán)重及隨機(jī)黑洞機(jī)制的引入，提高了種群多樣性，均衡了算法全局和局部搜索性能。結(jié)合圖5、6分析可知，由于各時(shí)段風(fēng)電場出力相近，負(fù)荷在各火電機(jī)組間隨機(jī)分配，導(dǎo)致Pareto前沿個(gè)體的發(fā)電成本與污染氣體排放量差別較大，這無疑增加了調(diào)度人員的決策難度，而采用TOPSIS法對Pareto前個(gè)體進(jìn)行排序，排序結(jié)果直觀反映了各發(fā)電計(jì)劃優(yōu)劣，便于調(diào)度人員進(jìn)行科學(xué)的決策。2種算法極端解及最優(yōu)解的各個(gè)指標(biāo)見表2。

表2 日前調(diào)度階段的Pareto多樣性解
Table 2 Pareto multi-solutions of day-ahead dispatch stage

從表2可知：與NSGA-II算法相比，IMPSO算法的極端解和最優(yōu)解都有所改進(jìn)；經(jīng)濟(jì)最優(yōu)時(shí)啟停費(fèi)用最小，環(huán)境最優(yōu)時(shí)啟停費(fèi)用最大，啟停費(fèi)用與發(fā)電成本和污染氣體排放量呈明顯的正、負(fù)相關(guān)趨勢，這與實(shí)際的發(fā)電情況相符。

5.3 調(diào)用需求側(cè)資源前后的結(jié)果分析

為進(jìn)一步驗(yàn)證需求側(cè)資源對DEED的影響，與常規(guī)調(diào)度模式的優(yōu)化結(jié)果進(jìn)行比較，2種調(diào)度模式下的優(yōu)化結(jié)果如表3所示。圖7分別給出了2種調(diào)度模式下最優(yōu)解各時(shí)段排污特性曲線和風(fēng)電并網(wǎng)功率曲線。

表3 常規(guī)調(diào)度模式和本文模式下的優(yōu)化結(jié)果
Table 3 Optimal solution under conventional dispatching mode and proposed mode

從表3可知：常規(guī)調(diào)度的經(jīng)濟(jì)最優(yōu)和環(huán)境最優(yōu)分別為6.210 4×105元、1.735 4×105t，而調(diào)用需求側(cè)資源時(shí)的經(jīng)濟(jì)最優(yōu)與環(huán)境最優(yōu)分別為6.115 9×105元、1.728 8×105t，即發(fā)電成本與污氣排放量分別減少了0.094 5×105元、0.006 6×105t；最優(yōu)解的發(fā)電成本與污氣排放量也分別減少了0.057 3×105元、0.041 6×105t。在啟停費(fèi)用方面，本文方法較常規(guī)調(diào)度的啟停費(fèi)用有所減少，分析原因是由于TOU的調(diào)節(jié)作用使負(fù)荷曲線趨于平坦，減少了火電機(jī)組的啟停次數(shù)。從圖7(a)可知，本文方法并非每個(gè)時(shí)段的污染氣體排放量都小于常規(guī)調(diào)度，但在總排放量上優(yōu)勢明顯。從圖7(b)可知，由于用戶對負(fù)荷分布的調(diào)節(jié)作用有限，在某些時(shí)段的風(fēng)電并網(wǎng)功率相同，但就總的風(fēng)電接入量而言，本文方法的風(fēng)電接入量高于傳統(tǒng)調(diào)度調(diào)度模式。綜上分析可知，需求側(cè)資源參與DEED對降低系統(tǒng)運(yùn)行成本，提高環(huán)境效益及風(fēng)電利用率都非常有利。

圖7 常規(guī)調(diào)度模式和本文模式下

6 結(jié) 論

(1) 本文提出的兩階段調(diào)度模型通過需求響應(yīng)實(shí)現(xiàn)了用戶信息與電能的雙向互動(dòng)，將供需側(cè)資源整合統(tǒng)一調(diào)度以協(xié)調(diào)配合風(fēng)電入網(wǎng)。算例分析表明，聯(lián)合調(diào)度供需側(cè)資源可以有效降低發(fā)電成本和污染氣體排放量，提高系統(tǒng)負(fù)荷水平和風(fēng)電消納能力。

(2)從決策者的角度，綜合考慮了系統(tǒng)負(fù)荷水平、用戶滿意度、環(huán)境和經(jīng)濟(jì)等多個(gè)方面，較全面分析了影響DEED的因素，改變了傳統(tǒng)一味地考慮經(jīng)濟(jì)性的調(diào)度模式。

(3)自適應(yīng)慣性權(quán)重和隨機(jī)黑洞機(jī)制的引入，提高了IMPSO的尋優(yōu)性能，使得到的Pareto前沿完整性好，非劣解集分布廣泛均勻。采用TOPSIS法對Pareto前個(gè)體進(jìn)行排序，輔助決策者制定科學(xué)的調(diào)度方案，避免了決策盲目性。

[1]李軍軍，吳政球，譚勛瓊，等.風(fēng)力發(fā)電及其技術(shù)發(fā)展綜述[J].電力建設(shè)，2011，32(8)：64-72.

LI Junjun, WU Zhengqiu, TAN Xunqiong, et al.Review of wind power generation and relative technology development[J].Electric Power Construction, 2011, 32(8): 64-72.

[2]劉吉臻，王海東，李明揚(yáng).含風(fēng)電的電力系統(tǒng)機(jī)組組合問題研究綜述[J].電力建設(shè)，2014，35(12)：38-45.

LIU Jizhen, WANG Haidong, LI Mingyang.Review on unit commitment of power systems with wind power integration[J].Electric Power Construction, 2014, 35(12): 38-45.

[3]邱威，張建華，劉念.含大型風(fēng)電場的環(huán)境經(jīng)濟(jì)調(diào)度模型與解法[J].中國電機(jī)工程學(xué)報(bào)，2011，31(9)：8-16.

QIU Wei, ZHANG Nianhua, LIU Nian.Model and solution for environmental/economic dispatch considering large-scale wind power penetration[J].Proceedings of the CSEE, 2011, 31(9): 8-16.

[4]朱永勝，王杰，瞿博陽，等.含風(fēng)電場的多目標(biāo)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J].電網(wǎng)技術(shù)，2015，39(5)：1315-1322.

ZHU Yongsheng, WANG Jie, QU Boyang, et al.Multi-objective dynamic economic emission dispatching of power grid containing wind farms[J].Power System Technology,2015,39(5)：1315-1322.

[5]文旭，王俊梅，郭琳，等.計(jì)及污染氣體排放風(fēng)險(xiǎn)的多目標(biāo)隨機(jī)動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度模型[J].電力自動(dòng)化設(shè)備，2015，35(5)：131-138.

WEN Xu, WANG Junmei, GUO Lin, et al.Multi-objective stochastic and dynamic model of environmental and economic dispatch considering gas pollution emission risk[J].Electric Power Automation Equipment, 2015, 35(5): 131-138.

[6]劉曉，艾欣，彭謙.計(jì)及需求響應(yīng)的含風(fēng)電場電力系統(tǒng)發(fā)電與碳排放權(quán)聯(lián)合優(yōu)化調(diào)度[J].電網(wǎng)技術(shù)，2012，36(1)：213-218.

LIU Xiao, AI Xin, PENG Qian.Optimal dispatch coordinating power generation with carbon emission permit for wind farms integrated power grid considering demand response[J].Power System Technology, 2012, 36(1): 213-218.

[7]王蓓蓓，劉小聰，李揚(yáng).面向大容量風(fēng)電接入考慮用戶側(cè)互動(dòng)的系統(tǒng)日前調(diào)度和運(yùn)行模擬研究[J].中國電機(jī)工程學(xué)報(bào)，2013，33(22)：35-44.

WANG Beibei, LIU Xiaocong, LI Yang.Day-ahead generation scheduling and operation simulation considering demand respond in large-capacity wind power integrated systems[J].Proceedings of the CSEE, 2013, 33(22): 35-44.

[8]別朝紅，胡國偉，謝海鵬，等.考慮需求響應(yīng)的含風(fēng)電電力系統(tǒng)的優(yōu)化調(diào)度[J].電力系統(tǒng)自動(dòng)化，2014，38(13)：115-120.

BIE Chaohong, HU Guowei, XIE Haipeng, et al.Optimal dispatch for wind power integrated systems considering demand response[J].Automation of Electric Power Systems, 2014, 38(13): 115-120.

[9]LIU X, XU W.Economic load dispatch constrained by wind power availability: A here-and-now approach[J].IEEE Transactions on Sustainable Energy, 2010, 1(1): 2-9.

[10]孫宇軍，李揚(yáng)，王蓓蓓，等.計(jì)及不確定需求響應(yīng)的日前調(diào)度計(jì)劃模型[J].電網(wǎng)技術(shù)，2014，38(10)：2708-2714.

SUN Yujun, LI Yang, WANG Beibei, et al.A day-ahead scheduling model considering demand response and its uncertainty[J].Power System Technology, 2014, 38(10): 2708-2714.

[11]丁偉，袁家海，胡兆光.基于用戶價(jià)格響應(yīng)和滿意度的峰谷分時(shí)電價(jià)決策模型[J].電力系統(tǒng)自動(dòng)化，2005，29(20)：10-14.

DING Wei, YUAN Jiahai, HU Zhaoguang.Time-of-use price decision model considering user reaction and satisfaction index[J].Automation of Electric Power Systems, 2005, 29(20): 10-14.

[12]胡福年，湯玉東，鄒云.需求側(cè)實(shí)行峰谷分時(shí)電價(jià)策略的影響分析[J].電工技術(shù)學(xué)報(bào)，2007，22(4)：168-174.

HU Funian, TANG Yudong, ZOU Yun.Analysis of impacts of TOU price strategy [J].Transactions of China Electrotechnical Society, 2007, 22(4): 168-174.

[13]BAYON L, GRAU J M, RUIZ M M, et al.The exact solution of the environmental/economic dispatch problem[J].IEEE Transaction on Power Systems, 2012, 27(2): 723-731.

[14]YANG Y P, CHE Y H.A diversity guided particle swarm optimization with chaotic mutation[C] // 2nd International Asia Conference on Informatics in Control.Wuhan: IEEE, 2010: 294-297.

[15]ZHANG Junqi, LIU Kun, TAN Ying, et al.Random black hole particle swarm optimization and its application[C] // 2008 IEEE International Conference on Neural Networks and Signal Processing.Nanjing, China: IEEE, 2008: 359-365.

[16]PENG Chunhua, SUN Huijuan, GUO Jianfeng, et al.Multi-objective optimal strategy for generating and bidding in the power market[J].Energy Conversion and Management, 2012(57): 13-22.

[17]徐玖平，吳巍.多屬性決策的理論與應(yīng)用[M].北京：清華大學(xué)出版社，2006：45-48.

[18]張寧，胡兆光，周渝慧，等.考慮需求側(cè)低碳資源的新型模糊雙目標(biāo)機(jī)組組合模型[J].電力系統(tǒng)自動(dòng)化，2014，38(17)：25-30.

ZHANG Ning, HU Zhouguang, ZHOU Yuhui, et al.A novel fuzzy bi-objective unit commitment model considering demand side low-carbon resources[J].Automation of Electric Power Systems, 2014, 38(17): 25-30.

[19]BASU M.Dynamic economic emission dispatch using nondominated sorting genetic algorithm-II[J].International Journal of Electrical Power & Energy Systems, 2008, 30(2): 140-149.

[20]鄧威，李欣然，李培強(qiáng)，等.基于互補(bǔ)性的間歇性分布式電源在配網(wǎng)中的優(yōu)化配置[J].電工技術(shù)學(xué)報(bào)，2013，28(6)：216-225.

ZHENG Wei, LI Xinran, LI Peiqiang, et al.Optimal allocation of intermittent distributed generation considering complementarity in distributed network[J].Electric Power Automation Equipment, 2013, 28(6): 216-225.

[21]宋藝航，譚忠富，李歡歡，等.促進(jìn)風(fēng)電消納的發(fā)電側(cè)、儲(chǔ)能及需求側(cè)聯(lián)合優(yōu)化模型[J].電網(wǎng)技術(shù)，2014，38(3)：610-615.

SONG Yihang, TAN Zhongfu, LI Huanhuan, et al.An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power[J].Power System Technology, 2014, 38(3): 610-615.

劉 旭(1991)，男，碩士研究生，主要研究方向?yàn)橛?jì)及需求側(cè)響應(yīng)的電力系統(tǒng)優(yōu)化調(diào)度；

楊德友(1986)，男，博士，副教授，碩士生導(dǎo)師，研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定與控制的研究；

孟 濤(1990)，男，研究生，工程師，主要研究方向?yàn)榉植际诫娫匆?guī)劃、新能源并網(wǎng)；

張 旺(1989)，女，研究生，研究方向?yàn)榛陔S機(jī)響應(yīng)的電力系統(tǒng)小干擾穩(wěn)定分析；

劉 曦(1989)，女，研究生，工程師，研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定運(yùn)行與安全控制；

姜明磊(1991)，男，碩士研究生，工程師，研究方向?yàn)榻涣魑⒕W(wǎng)分層控制。

(編輯 蔣毅恒)

Day-Ahead Tow-Stage Dynamic Economic Emission Dispatching in Wind Power Integrated System Incorporating Demand Response

LIU Xu1, YANG Deyou1, MENG Tao2, ZHANG Wang1, LIU Xi3, JIANG Minglei3

(1.School of Electrical Engineering,Northeast Dianli University, Jilin 132012, Jilin Province, China; 2.Electric Power Research Institute, State Grid Jilin Electric Power Co., Ltd., Changchun 130021, China; 3.Economic Technology Institute, State Grid Jilin Electric Power Co., Ltd., Changchun 130000, China)

As an important interactive resource between generation side and demand side, demand response can effectively regulate the distribution of load demand to achieve energy-saving and emission-reduction and improve the system wind power capacity.Based on this, this paper considers the demand response in the environmental economic and proposes a day-ahead two-stage dispatching model under smart grid.The first stage is day-ahead user interaction stage, in which the next day load distribution is adjusted by time-of-use price leverage guiding the user to take rational power consumption and the optimal load curve and time-of-use price is determined by considering the load level and user satisfaction index.The second stage is day-ahead dispatching stage, in which the economic emission dispatch model is established based on chance-constrained programming for wind power randomness and this model is transformed into a deterministic model by using wind power distribution function.We propose an improved multi-objective particle swarm optimization algorithm by introducing the diversity index, random black hole theory and the multi-targeted search mechanism, and adopt technique for order preference by similarity to ideal solution(TOPSIS) method to sort the Pareto frontier individual to help the dispatcher to make scientific decision.The simulation results of the improved 10 machine system verify the validity and rationality of the model and method.

wind power; demand response; time-of-use price; customer’s satisfaction; economic emission dispatch; technique for order preference by similarity to ideal solution(TOPSIS)

國家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(863計(jì)劃)(SS2014AA052502)；國家自然科學(xué)基金項(xiàng)目(51377017)；長江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃資助項(xiàng)目(IRT114)

Project supported by the National High Technology Research and Development of China (863 Program) (SS2014AA052502)；Project supported by the National Natural Science Foundation of China(51377017) ；Project supported by Changjiang Scholars and Innovative Research Team in University(IRT0720)

TM 73; TM 614

A

1000-7229(2016)09-0146-09

10.3969/j.issn.1000-7229.2016.09.020

2016-05-12