計及碳排放和風(fēng)光消納的多目標(biāo)切荷優(yōu)化調(diào)度

孫 坡， 張 巍， 曾佳斌， 李曉英

(上海理工大學(xué) 光電信息與計算機工程學(xué)院，上海 200093)

0 引言

人類社會在發(fā)展的過程中出現(xiàn)了許多能源和環(huán)境問題，如溫室氣體的排放已對其生存構(gòu)成嚴(yán)重的挑戰(zhàn)。就二氧化碳排放量而言，我國早已成世界第一碳排放大國。作為國內(nèi)煤炭消耗的主要工業(yè)，電力工業(yè)產(chǎn)生的碳排放量在全國碳排放總量中仍然占有較高比重，而在我國總能源消耗結(jié)構(gòu)中，煤炭占比就超過了59%。毫無疑問，電力工業(yè)面臨著巨大的節(jié)能減排壓力。

風(fēng)能和太陽能因清潔可再生的優(yōu)點，在解決能源和環(huán)境問題上有著巨大的發(fā)展?jié)摿?。然而風(fēng)電和光伏出力具有很強的隨機性和波動性，其大規(guī)模并網(wǎng)發(fā)電將會給電網(wǎng)運行帶來極大挑戰(zhàn)[1]。文獻[2-6]研究了低碳背景下的經(jīng)濟調(diào)度，并在調(diào)度模型中引入了碳交易成本以達到促進風(fēng)光發(fā)展的目的。文獻[7]在含風(fēng)電的調(diào)度模型中，利用氣電和水電啟停迅速的優(yōu)點來平抑風(fēng)電的波動性進而降低“棄風(fēng)”電量。文獻[8-9]建立了考慮發(fā)電成本、碳排放量或新能源消納量的多目標(biāo)調(diào)度模型，同時根據(jù)模糊理論并引入綜合滿意度將多目標(biāo)優(yōu)化問題向單目標(biāo)轉(zhuǎn)化。文獻[10-11]研究了傳統(tǒng)電力市場下的切荷合同、市場組織形式、切荷補償成本和競價策略，卻較少分析切荷機制對電網(wǎng)中風(fēng)光電源的影響。文獻[12-13]重點討論了用戶側(cè)可控負(fù)荷的調(diào)節(jié)方式，沒有就可控負(fù)荷對碳排放量的影響展開研究。以上相關(guān)文獻均未從切荷角度綜合分析可控負(fù)荷對發(fā)電成本、碳排放量和風(fēng)光電源限電量的影響。

本文將碳排放、切荷補償和風(fēng)光電源限電成本計入到發(fā)電成本中，建立了考慮發(fā)電成本、二氧化碳排放量和風(fēng)光電源限電量的多目標(biāo)優(yōu)化調(diào)度模型。模型引入了切荷機制，并對比分析了有無切荷機制下調(diào)度結(jié)果的優(yōu)缺點。根據(jù)模糊理論求解各目標(biāo)函數(shù)的隸屬度實現(xiàn)了目標(biāo)函數(shù)的模糊化，通過綜合滿意度將多目標(biāo)優(yōu)化問題向單目標(biāo)轉(zhuǎn)化。采用GPSO算法求解模型，最后通過算例驗證所提模型及算法的有效性和合理性。

1 切荷機制

切荷機制下，系統(tǒng)供電不足、機組碳排放量過高以及風(fēng)光電源出力的劇烈波動均有可能產(chǎn)生切除可控負(fù)荷需求。依據(jù)重要性將可控負(fù)荷分為1、2、3個等級[14]，級別從1～3依次降低。為了衡量各等級可控負(fù)荷在優(yōu)化調(diào)度中的活躍程度，建立切荷率指標(biāo)，如下：

(1)

1.1 切荷原理

根據(jù)切荷決策變量系統(tǒng)可判斷是否切荷。對于發(fā)電成本、碳排放量和風(fēng)光電源限電量3種因素，若僅對其中之一進行優(yōu)化則可能得到不同的切荷決策變量。在多目標(biāo)優(yōu)化調(diào)度模型中，同時計及發(fā)電成本、碳排放量和風(fēng)光電源限電量的切荷決策變量可如下表示：

(2)

(3)

(4)

1.2 切負(fù)荷成本模型

切荷機制下因切荷造成的用戶損失需通過切荷成本進行補償[13]，模型如下：

(5)

2 多目標(biāo)優(yōu)化調(diào)度模型

低碳經(jīng)濟背景下，含風(fēng)光電源的電力系統(tǒng)在進行優(yōu)化調(diào)度時需綜合考慮發(fā)電成本、碳排放量和風(fēng)光電源限電量3種因素，以避免出現(xiàn)極端結(jié)果。

2.1 目標(biāo)函數(shù)

(1) 發(fā)電成本

在不計風(fēng)光電源建造成本前提下，發(fā)電成本包括火電機組運行、碳排放、切荷補償和風(fēng)光電源限電成本，以發(fā)電成本最小為目標(biāo)的函數(shù)為：

(6)

(7)

(2)二氧化碳排放量

以二氧化碳排放量最小為目標(biāo)的函數(shù)為：

(8)

式中：E為調(diào)度周期內(nèi)碳排放量；N為火電機組個數(shù)；Pi,t為t時刻火電機組i出力；k1,i、k2,i和k3,i分別為火電機組i的碳排放系數(shù)。

(3) 風(fēng)光電源限電量

風(fēng)光電源限電量的大小反應(yīng)了其被消納的程度，限電量越小說明消納程度越高，以限電量最小為目標(biāo)的函數(shù)為：

(9)

式中：C為調(diào)度周期內(nèi)風(fēng)光電源限電量。

2.2 約束條件

(1) 功率平衡約束

(10)

(2)旋轉(zhuǎn)備用容量約束

(11)

(12)

(3) 風(fēng)光電源出力約束

(13)

(14)

(4)最大切荷功率約束

(15)

(5)切荷次數(shù)約束

(16)

(6)停電時間約束

(17)

此外，模型還包括火電機組出力上下限、爬坡、啟停時間等約束[2,9,13]。

3 問題求解

3.1 模糊化多目標(biāo)函數(shù)

根據(jù)模糊理論[15]求解各目標(biāo)函數(shù)的隸屬度，實現(xiàn)多目標(biāo)函數(shù)的模糊化，再引入綜合滿意度將優(yōu)化問題向單目標(biāo)轉(zhuǎn)化。通過半降直線型[8](隸屬度函數(shù)曲線如圖1所示)可求解發(fā)電成本、碳排放量和風(fēng)光電源限電量的隸屬度，其值對應(yīng)著決策者滿意程度，值越大表明決策者越滿意，對應(yīng)的發(fā)電成本、碳排放量和風(fēng)光電源限電量越小。各目標(biāo)函數(shù)對應(yīng)的隸屬度函數(shù)為：

(18)

(19)

(20)

式中：μ1為發(fā)電成本的隸屬度；F0為發(fā)電成本理想值；ΔF為決策者所能接受的發(fā)電成本延展值；同理，μ2為碳排放量的隸屬度；E0為碳排放量理想值；ΔE為其延展值；μ3為風(fēng)光電源限電量的隸屬度；C0為風(fēng)光電源限電量理想值。

圖中，ΔC為其延展值，T為目標(biāo)值，T0為目標(biāo)理想值，ΔT為其延展值。

若令φ取μ1、μ2和μ3中的最小值，則可用它表示決策者對多目標(biāo)調(diào)度優(yōu)化的綜合滿意度，如下：

φ=min{μ1,μ2,μ3}

(21)

通過這樣，原問題即轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，其目標(biāo)為最大化綜合滿意度，即：

maxφ

(22)

(23)

由式(18)～(21)可知，若改變?nèi)我荒繕?biāo)的延展值，系統(tǒng)的綜合滿意度將有可能隨之改變。

3.2 GPSO算法

本文結(jié)合遺傳算法(GA)和粒子群算法(PSO)特點提出嵌套結(jié)構(gòu)的遺傳粒子群算法(Genetic and Particle Swarm Algorithm, GPSO)。GA不容易陷入局部最優(yōu)、但搜索速度慢、記憶性差、優(yōu)化精度不高；PSO計算簡單、收斂速度快，但容易陷入局部最優(yōu)，在實際使用中GA更適合求解0-1整型變量，PSO更適合求解實型變量[16-18]。GPSO算法的外層為GA結(jié)構(gòu)，采取多位變異的進化策略，以適應(yīng)種群的多樣性，用于求解0-1整型變量，目標(biāo)輸出為外層綜合滿意度即最終的優(yōu)化值；內(nèi)層為PSO結(jié)構(gòu)并改進了位置更新公式[18]，用于求解功率等實型變量，其目標(biāo)輸出為內(nèi)層綜合滿意度，并做為外層GA中染色個體的適應(yīng)度，GPSO算法流程見圖2。

圖2 GPSO算法流程圖

4 算例分析

為驗證所提模型有效性，選用文獻[5,19]中5臺火電機組及負(fù)荷數(shù)據(jù)，同時接入400 MW的風(fēng)電場和500 MW的光伏電站，根據(jù)NASA的數(shù)據(jù)計算風(fēng)光出力。按文獻[8]處理方法求得發(fā)電成本、碳排放量以及風(fēng)光電源限電量的理想值和延展值分別為：784 386和44 661$，171.013和22.384 t，368.737和625.791 MW·h。碳交易價格取18$/t，可控負(fù)荷參數(shù)見表1。GA和PSO的種群規(guī)模設(shè)為100，迭代次數(shù)為150。

表1 可控負(fù)荷參數(shù)

改變內(nèi)外環(huán)迭代次數(shù)，分別計算PSO和GA的fitness函數(shù)值重復(fù)出現(xiàn)的概率來判斷它們的收斂性。將PSO和GAD的fitness函數(shù)值重復(fù)出現(xiàn)的概率設(shè)為95%和90%[20]以防止內(nèi)環(huán)的誤差傳到外環(huán)造成誤差放大。若GA和PSO的fitness函數(shù)值均達到重復(fù)出現(xiàn)的概率則認(rèn)為優(yōu)化目標(biāo)收斂，否則增加迭代次數(shù)，由此得到內(nèi)外層綜合滿意度的收斂特性曲線，如圖3所示。

圖3 綜合滿意度收斂特性曲線

由曲線可知，綜合滿意度值在迭代過程中，隨著迭代次數(shù)增大其值將以概率1收斂到全局最優(yōu)解。

通過所述方法得到切荷機制下以不同方式優(yōu)化出的結(jié)果，如表2所示。表中，方式1代表以發(fā)電成本最小為優(yōu)化目標(biāo)，方式2代表以碳排放量最小為優(yōu)化目標(biāo)，方式3代表以風(fēng)光限電量最小為優(yōu)化目標(biāo)，方式4代表本文所提的以綜合滿意度最大化為優(yōu)化目標(biāo)，其中發(fā)電成本、碳排放量和風(fēng)光電源限電量隸屬度分別為0.824、0.721和0.936。比較發(fā)現(xiàn)方式4下的發(fā)電成本比方式1多40 456$，比方式2少15 798$，比方式3多 33 800$；碳排放量比方式1少18.67 t，比方式2多4.902 t，比方式3多4.577 t；風(fēng)光限電量比方式1少516.75 MW·h，比方式2少36.56 MW·h，比方式3多31.21 MW·h，說明采用多目標(biāo)模型在兼顧電網(wǎng)利益、環(huán)境保護和新能源利用方面更能夠獲得折衷解，非切荷機制下可得類似優(yōu)化結(jié)果。

表2 不同目標(biāo)方式下優(yōu)化結(jié)果

在調(diào)度過程中，決策者有時會更側(cè)重于某一單目標(biāo)的優(yōu)化。根據(jù)表2中方式4下的隸屬度，表3比較了有/無切荷機制下提升各單目標(biāo)隸屬度后的優(yōu)化結(jié)果，其中非切荷機制下僅靠增加各目標(biāo)延展值提升隸屬度。第1組為提升發(fā)電成本隸屬度后的對比結(jié)果，有/無切荷機制下的延展值分別為46 214和49 341$；第2組為提升碳排放量隸屬度后的對比結(jié)果，有/無切荷機制下的延展值分別為27.235和37.611 t；第3組為提升風(fēng)光電源限電量隸屬度后的對比結(jié)果，非切荷機制下的延展值分別為508.144和696.223 MW·h。分析可知，當(dāng)提升某一單目標(biāo)的隸屬度時，其他目標(biāo)的隸屬度在切荷機制下均大于非切荷機制，說明決策者在切荷機制下若想深度優(yōu)化某一單目標(biāo)，其他目標(biāo)的優(yōu)化結(jié)果將比非切荷機制更為理想，該目標(biāo)只需增加相對較少的延展值即可達到深度優(yōu)化結(jié)果；在某一單目標(biāo)隸屬度相同條件下，切荷機制下的綜合滿意度大于非切荷機制，說明切荷機制下調(diào)度的綜合優(yōu)化效果會更好。觀察切荷機制下優(yōu)化結(jié)果還可發(fā)現(xiàn)，綜合滿意度始終與碳排放量隸屬度相等，結(jié)合式(21)可知綜合滿意度取決于碳排放量，說明決策者在調(diào)度過程中應(yīng)重點考慮碳排放因素。

表3 提升各單目標(biāo)隸屬度后的優(yōu)化結(jié)果

當(dāng)綜合滿意度取不同值時可得到有/無切荷機制下的系統(tǒng)正旋轉(zhuǎn)備用，如圖4所示。由圖可知切荷機制下正旋轉(zhuǎn)備用容量高于非切荷機制，這是由于切荷的發(fā)生弱化了風(fēng)光出力的波動性，使得系統(tǒng)的旋轉(zhuǎn)備用空間更為充裕，負(fù)旋轉(zhuǎn)備用與其類似，不做贅述。

圖4 不同綜合滿意度下正旋轉(zhuǎn)備用量

圖5～7分別為綜合滿意度為0.582、0.734和0.815時的切荷量曲線。各圖對應(yīng)切荷總量分別為1 458 MW·h、1 931 MW·h和2 161 MW·h。觀察可知隨著最大綜合滿意度的增加，各等級可控負(fù)荷的切荷量和棄荷次數(shù)均隨之增加。

圖5 0.582綜合滿意度下切荷曲線

圖6 0.734綜合滿意度下切荷曲線

圖7 0.815綜合滿意度下切荷曲線

以圖7為例，等級1、2、3可控負(fù)荷切荷率分比為62.23%、95.76%和100%，等級1可控負(fù)荷切荷率最小，說明該級可控負(fù)荷參與切荷程度最低；等級2可控負(fù)荷切荷次數(shù)略多于等級3可控負(fù)荷，但切荷率卻低于等級3可控負(fù)荷；等級3可控負(fù)荷切荷率最高，這說明等級越低的可控負(fù)荷越優(yōu)先參與切荷。此時得到0.815綜合滿意度條件下的發(fā)電成本為 818 631$，其中切荷成本為 117 223$；碳排放量為174.262 t；風(fēng)光電源限電量為753.588 MW·h，機組出力及風(fēng)光限電的優(yōu)化調(diào)度結(jié)果見圖8。

圖8 0.815綜合滿意度下優(yōu)化調(diào)度結(jié)果

5 結(jié)論

本文研究了計及低碳減排和風(fēng)光消納的優(yōu)化調(diào)度，模型引入了切荷機制以強化多目標(biāo)處理能力，并以發(fā)電成本最小化、碳排放量和風(fēng)光電源限電量最小化為目標(biāo)函數(shù)。通過求取各目標(biāo)函數(shù)的隸屬度并建立綜合滿意度指標(biāo)，實現(xiàn)多目標(biāo)模型向單目標(biāo)的轉(zhuǎn)化。采用GPSO算法分別求取模型，最后通過5機和風(fēng)光電源對模型進行仿真分析。結(jié)果表明，在計及低碳減排和風(fēng)光消納的優(yōu)化調(diào)度中，多目標(biāo)模型有助于決策者綜合全局制定折衷的調(diào)度方案，切荷機制下系統(tǒng)在提升各目標(biāo)優(yōu)化能力及旋轉(zhuǎn)備用方面有更好的表現(xiàn)。

參考文獻：

[1]肖峰, 陳國初. 基于功率預(yù)測的含風(fēng)電場電力系統(tǒng)經(jīng)濟優(yōu)化調(diào)度研究[J]. 電力科學(xué)與工程, 2016, 32(10):9-14．

[2]WANG Z, SHI Y, WANG X, et al. Economic dispatch of power system containing wind power and photovoltaic considering carbon trading and spare capacity variation[J]. International Journal of Green Energy, 2016, 13(12):1267-1280.

[3]LAIA R, POUSINHO H M I, MELCIO R, et al. Stochastic emission constraints on unit commitment [J]. Procedia Technology, 2014, 17(1):437-444.

[4]SONG Y, ZHONG J, LIU J, et al. Economic dispatch model considering policy-guided carbon trading mechanisms[C]. Powertech, IEEE, 2013:1-6.

[5]ZHANG W, SUN P. Optimal scheduling of power system with photovoltaic power supply considering regional carbon trading[J]. Journal of Engineering, 2017(1):1880-1884.

[6]梅天華, 邊巧燕, 謝俊,等. 考慮碳排放權(quán)的低碳電力調(diào)度及收益分?jǐn)俒J]. 電力系統(tǒng)自動化, 2016, 40(22):49-55.

[7]甘偉, 艾小猛, 方家琨,等. 風(fēng)-火-水-儲-氣聯(lián)合優(yōu)化調(diào)度策略[J]. 電工技術(shù)學(xué)報, 2017, 32(s1):11-20.

[8]張曉花, 趙晉泉, 陳星鶯. 節(jié)能減排多目標(biāo)機組組合問題的模糊建模及優(yōu)化[J]. 中國電機工程學(xué)報, 2010, 30(22):71-76.

[9]胡博文, 艾欣, 黃仁樂,等. 考慮風(fēng)-光消納和環(huán)境效益的多目標(biāo)模糊優(yōu)化調(diào)度模型[J]. 現(xiàn)代電力, 2017, 34(3):36-43.

[10]宋云東, 周志強, 應(yīng)勇,等. 計及需求響應(yīng)的含風(fēng)電場多目標(biāo)低碳經(jīng)濟調(diào)度[J]. 現(xiàn)代電力, 2016, 33(6):7-13.

[11]ZHU S, LUO P, YANG Y, et al. Optimal dispatch for grid-connecting microgrid considering shiftable and adjustable loads[C]. Conference of the IEEE Industrial Electronics Society, IEEE, 2017:5575-5580.

[12]孫川, 汪隆君, 許海林. 用戶互動負(fù)荷模型及其微電網(wǎng)日前經(jīng)濟調(diào)度的應(yīng)用[J]. 電網(wǎng)技術(shù), 2016, 40(7):2009-2015.

[13]王晗, 徐瀟源, 嚴(yán)正. 考慮柔性負(fù)荷的多目標(biāo)安全約束機組組合優(yōu)化模型及求解[J]. 電網(wǎng)技術(shù), 2017, 41(6):1904-1911.

[14]郭鵬, 文晶, 朱丹丹,等. 基于源-荷互動的大規(guī)模風(fēng)電消納協(xié)調(diào)控制策略[J]. 電工技術(shù)學(xué)報, 2017, 32(3):1-9.

[15]劉寶碇, 彭錦. 不確定理論教程[M]. 北京: 清華大學(xué)出版社, 2005: 74-128.

[16]劉春燕, 楊巍巍. 云計算基于遺傳粒子群算法的多目標(biāo)任務(wù)調(diào)度[J]. 計算機技術(shù)與發(fā)展, 2017, 27(2):56-59.

[17]張炯, 劉天琪, 蘇鵬,等. 基于遺傳粒子群混合算法的機組組合優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2009, 37(9):25-29.

[18]李裕, 郭子彥, 朱會柱,等. 基于混沌多目標(biāo)粒子群算法的測點優(yōu)選方法[J]. 電子測量與儀器學(xué)報, 2016, 30(7):1052-1061.

[19]ONGSAKUL W, PETCHARAKS N. Unit commitment by enhanced adaptive Lagrangian relaxation[J]. IEEE Transactions on Power Systems, 2004, 19(1):620-628.

[20]崔楊, 陳志, 嚴(yán)干貴,等. 基于含儲熱熱電聯(lián)產(chǎn)機組與電鍋爐的棄風(fēng)消納協(xié)調(diào)調(diào)度模型[J]. 中國電機工程學(xué)報, 2016, 36(15):4072-4080.