不同調(diào)峰深度下火電機(jī)組的環(huán)境經(jīng)濟(jì)調(diào)度優(yōu)化

收稿日期：2022-03-06

基金項(xiàng)目：國(guó)家自然科學(xué)基金（51777176）

通信作者：王德林（1970—），男，博士、教授，主要從事電力系統(tǒng)機(jī)電動(dòng)態(tài)、擾動(dòng)傳播、頻率穩(wěn)定與控制、連續(xù)體建模等方面的研究。

dlwang@swjtu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-0258 文章編號(hào)：0254-0096（2023）06-0152-09

摘 要：在雙碳目標(biāo)背景下，為實(shí)現(xiàn)電網(wǎng)調(diào)峰以消納更多新能源以及傳統(tǒng)火電的節(jié)能減排需求，該文建立配合儲(chǔ)能系統(tǒng)及大規(guī)模風(fēng)電并網(wǎng)的不同調(diào)峰深度下火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度模型，分析火電機(jī)組的調(diào)峰能力以及不同調(diào)峰深度下機(jī)組的煤耗特性和CO2排污特性的變化；提出一種不同調(diào)峰深度下的懲罰因子，將多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度轉(zhuǎn)化為單目標(biāo)優(yōu)化，并給出一種改進(jìn)的灰狼算法以求解模型。與原始灰狼算法和粒子群算法相比，該文提出的算法具有更好的優(yōu)化性能。算例結(jié)果表明：在RPR和DPR調(diào)峰階段，系統(tǒng)煤耗成本和CO2排放量隨調(diào)峰深度增加而減??；在DPRO調(diào)峰階段，CO2排放量隨調(diào)峰深度增加而增加。儲(chǔ)能系統(tǒng)發(fā)揮了削峰填谷的作用，大幅減小棄風(fēng)，降低了系統(tǒng)運(yùn)行的總成本。

關(guān)鍵詞：環(huán)境經(jīng)濟(jì)調(diào)度；二氧化碳；燃煤；調(diào)峰；負(fù)荷分配；改進(jìn)灰狼算法

中圖分類號(hào)：TM712""""""""" """" """文獻(xiàn)標(biāo)志碼：A

0 引 言

近年，促進(jìn)綠色低碳能源轉(zhuǎn)型已成為中國(guó)社會(huì)經(jīng)濟(jì)發(fā)展的重要戰(zhàn)略目標(biāo)，在碳達(dá)峰、碳中和目標(biāo)背景下，建設(shè)以新能源為主體的新型電力系統(tǒng)是中國(guó)電網(wǎng)發(fā)展的必然趨勢(shì)［1］。大規(guī)模新能源并網(wǎng)會(huì)導(dǎo)致電網(wǎng)的調(diào)峰壓力越來越嚴(yán)重，目前中國(guó)大多數(shù)地區(qū)電網(wǎng)的電源結(jié)構(gòu)主要為火電，隨著新能源滲透率的不斷提高，傳統(tǒng)火電的角色逐漸由電量型轉(zhuǎn)變?yōu)殡娏侩娏π?，在現(xiàn)階段承擔(dān)大部分發(fā)電量的同時(shí)兼顧電網(wǎng)的調(diào)峰，不僅可提高電網(wǎng)對(duì)新能源的消納能力，還可加速新型電力系統(tǒng)的形成。因此，有必要開展火電機(jī)組在深度調(diào)峰階段的環(huán)境經(jīng)濟(jì)負(fù)荷分配方法研究。

節(jié)能減排是火電廠的一個(gè)重要調(diào)度目標(biāo)，且每臺(tái)火電機(jī)組的煤耗特性和排污特性不同，因此近年來對(duì)火電機(jī)組的煤耗成本及污染物排放量最小為優(yōu)化目標(biāo)的負(fù)荷優(yōu)化分配問題進(jìn)行了大量研究［2-5］，以實(shí)現(xiàn)電力系統(tǒng)的多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度（environmental economic dispatch，EED）。文獻(xiàn)［6］綜述了不同優(yōu)化方法在解決電力系統(tǒng)的多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度中的應(yīng)用，發(fā)現(xiàn)啟發(fā)式算法更具優(yōu)勢(shì)。文獻(xiàn)［7］研究了火電環(huán)境經(jīng)濟(jì)調(diào)度的負(fù)荷優(yōu)化分配問題，提出一種基于遺傳算法和粒子群算法的混合算法，可在不犧牲火電機(jī)組發(fā)電量的情況下減少污染物的排放。文獻(xiàn)［8］以火電機(jī)組的運(yùn)行成本最小為目標(biāo)函數(shù)，并引用正余弦算法求解模型，但未考慮機(jī)組啟停約束。文獻(xiàn)［9］將微分算法與粒子群算法相結(jié)合來求解火電機(jī)組的環(huán)境經(jīng)濟(jì)調(diào)度。文獻(xiàn)［10］將深度調(diào)峰技術(shù)引入到實(shí)時(shí)發(fā)電優(yōu)化模型，建立火電機(jī)組深度調(diào)峰的實(shí)時(shí)發(fā)電計(jì)劃優(yōu)化模型，但未考慮新能源并網(wǎng)情況。文獻(xiàn)［11］提出一種新的多目標(biāo)粒子群優(yōu)化算法來求解電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度問題，但只進(jìn)行了單時(shí)段的靜態(tài)調(diào)度優(yōu)化。目前國(guó)內(nèi)對(duì)于調(diào)峰運(yùn)行下火電機(jī)組負(fù)荷分配問題的研究主要在于常規(guī)調(diào)峰階段。文獻(xiàn)［12］在大量風(fēng)電并網(wǎng)情況下建立火電機(jī)組全過程調(diào)峰成本的分段函數(shù)，建立了基于分級(jí)深度調(diào)峰的電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型。文獻(xiàn)［13］研究了在火電機(jī)組處于不同調(diào)峰時(shí)風(fēng)電滲透率的變化以及不同調(diào)峰方式的經(jīng)濟(jì)性。

本文分析火電機(jī)組的調(diào)峰特性，根據(jù)機(jī)組在不同時(shí)段的出力情況來劃分不同調(diào)峰狀態(tài)，對(duì)不同調(diào)峰狀態(tài)的火電機(jī)組出力對(duì)應(yīng)的煤耗率以及產(chǎn)生的CO2排放量進(jìn)行分析；提出在不同調(diào)峰深度下火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度模型；針對(duì)原始灰狼算法存在種群多樣性差、搜索速度較慢、易陷入局部最優(yōu)等缺陷，運(yùn)用佳點(diǎn)集法初始種群，采取合作競(jìng)爭(zhēng)的狩獵搜索策略來提高算法的搜索速度和精度，并使用改進(jìn)后的灰狼算法求解模型。最后通過兩個(gè)不同場(chǎng)景案例研究不同調(diào)峰深度對(duì)火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度的影響及儲(chǔ)能系統(tǒng)在不同調(diào)峰深度下的作用。

1 火電機(jī)組調(diào)峰特性

火電機(jī)組的調(diào)峰能力是指發(fā)電機(jī)組對(duì)其所承擔(dān)負(fù)荷變化的跟蹤能力［14］。大規(guī)模新能源并網(wǎng)會(huì)在用電高峰時(shí)段縮小火電機(jī)組出力。可用某時(shí)刻火電機(jī)組的負(fù)荷率[ηi]來表示火電機(jī)i組在該時(shí)刻的調(diào)峰深度，記作[1-ηi]。

[1-ηi=1-PPN]"" （1）

式中：[P]、[PN]——火電機(jī)組實(shí)際功率和額定功率，MW。

1.1 火電機(jī)組調(diào)峰過程

由火電機(jī)組穩(wěn)燃狀態(tài)、能耗特性和啟停狀態(tài)可將調(diào)峰階段大致分為常規(guī)調(diào)峰（regular peak-load regulation， RPR） 、深度調(diào)峰、啟停調(diào)峰，如圖1所示。圖1中，[Pmax]為機(jī)組最大輸出功率，[Pmin1、Pmin2]和[Pmin3]分別為火電機(jī)組處于常規(guī)調(diào)峰深度、不投油深度調(diào)峰（deep peak-load regulation without oil， DPR）和投油深度調(diào)峰（deep peak-load regulation with oil， DPRO）下的最小出力；當(dāng)機(jī)組出力[P]從某時(shí)刻為零增至下一時(shí)刻[P?[Pmin，Pmax]]或從[P]減至零均為啟停調(diào)峰。

thermal power unit

1.2 不同調(diào)峰階段機(jī)組的煤耗及排污特性分析

在國(guó)家“雙碳”目標(biāo)下，火電負(fù)荷分配不僅要考慮煤耗成本，還要限制其污染物的排放量。火電機(jī)組的深度調(diào)峰是指在常規(guī)調(diào)峰最小技術(shù)出力進(jìn)一步下調(diào)機(jī)組出力，如圖2所示，當(dāng)機(jī)組處于深度調(diào)峰狀態(tài)，火電機(jī)組的常規(guī)發(fā)電煤耗成本會(huì)隨著機(jī)組調(diào)峰深度增加而減小，機(jī)組處于深度調(diào)峰會(huì)產(chǎn)生額外調(diào)峰煤耗成本。

如表1所示，當(dāng)火電機(jī)組處于不同調(diào)峰深度運(yùn)行時(shí)，隨著火電機(jī)組的調(diào)峰深度增加，其CO2排放量先隨之減小然后增大。當(dāng)火電機(jī)組參與調(diào)峰時(shí)應(yīng)綜合不同機(jī)組在不同調(diào)峰階段下的煤耗以及CO2排放情況，制定機(jī)組參與環(huán)境經(jīng)濟(jì)調(diào)度的負(fù)荷優(yōu)化分配方案。

2 環(huán)境經(jīng)濟(jì)調(diào)度數(shù)學(xué)模型

2.1 目標(biāo)函數(shù)

1）機(jī)組供電煤耗量

火電機(jī)組的常規(guī)運(yùn)行煤耗特性方程［15］為：

[Ci，t=aiP2i，t+biPi，t+ci]""" （2）

式中：[ai]、[bi]、[ci]——機(jī)組[i]的煤耗量特性系數(shù)；[Pi，t]——機(jī)組[i]在[t]時(shí)刻的輸出功率，MW。

火電機(jī)組存在的閥點(diǎn)效應(yīng)使機(jī)組的煤耗特性曲線有脈動(dòng)現(xiàn)象［16］，額外運(yùn)行煤耗可近似表示為：

[Ei，t=ei?sin[fi?（Pi，min-Pi，t）]]" （3）

式中：[ei]、[fi]——機(jī)組[i]閥點(diǎn)效應(yīng)的煤耗特性系數(shù)；[Pi，min]——機(jī)組[i]的出力下限，MW。

火電機(jī)組處于深度調(diào)峰產(chǎn)生的調(diào)峰煤耗［17］為：

[Di，t=uiδiPi，tτ]" （4）

式中：[ui]——0-1變量，[ui=0]表示機(jī)組處于常規(guī)調(diào)峰階段，[ui=1]表示機(jī)組處于深度調(diào)峰階段；[δi]——機(jī)組[i]在深度調(diào)峰和常規(guī)調(diào)峰運(yùn)行下的煤耗率差；[τ]——時(shí)間區(qū)間，本文取1 h。

2）系統(tǒng)排污總量

為實(shí)現(xiàn)“雙碳”目標(biāo)，重點(diǎn)考慮火電廠CO2的排放，其排放量［9］為：

[Gi，t=10-2?（αiP2i，t+βiPi，t+γi）+ξi?exp（λiPi，t）]" （5）

式中：[Gi，t]——機(jī)組[i]在時(shí)刻[t]的CO2排放量，t；[αi]、[βi]、[γi]、[ξi]、[λi]——CO2的排放特性系數(shù)。

3）投油深度調(diào)峰下火電機(jī)組的油耗成本

[Oi，t=qi，tQiτ] （6）

式中：[qi，t]——0-1變量，[qi，t=1]時(shí)機(jī)組處于DPRO運(yùn)行狀態(tài)，[qi，t=0]時(shí)處于其他運(yùn)行狀態(tài)；[Qi]——機(jī)組[i]維持鍋爐穩(wěn)燃的投油量，t。

4）儲(chǔ)能系統(tǒng)的運(yùn)行維護(hù)成本

[Fess，t=λcPc，t+λdPd，t]""" （7）

式中：[λc]、[λd]——儲(chǔ)能系統(tǒng)的充電和放電成本系數(shù)；[Pc，t]和[Pd，t]——儲(chǔ)能裝置在[t]時(shí)刻的充放電功率，MW。

5）啟停調(diào)峰成本

[ui，t=hi，t-1（1-hi，t）Si，udi，t=hi，t-1（1-hi，t）Si，d]""" （8）

式中：[ui，t、][di，t]——機(jī)組i在t時(shí)刻的啟停調(diào)峰成本，美元；[hi，t]——0-1變量，[hi，t=0]表示機(jī)組[i]在[t]時(shí)刻處于停機(jī)狀態(tài)，[hi，t=1]表示機(jī)組[i]在[t]時(shí)刻處于開機(jī)狀態(tài)；[Si，u、][Si，d]——機(jī)組[i]的啟停機(jī)成本，美元。

2.2 運(yùn)行約束條件

1）功率平衡約束

[i=1NPi，t+Pw，t+Pd，t-Pc，t=Pl，t]" （9）

2）不同調(diào)峰運(yùn)行下機(jī)組出力上下限約束

[ηiPN≤Pi，t≤Pi，max]"" （10）

3）風(fēng)電上網(wǎng)約束

[0≤Pw，t≤Pprew，t]" （11）

4）火電出力與負(fù)荷變化趨勢(shì)約束

[（Pi，t-Pi，t-1）（Pl，t-Pl，t-1）≥0] （12）

5）機(jī)組爬坡和滑坡約束

[Pi，t-Pi，t-1≤Riuhi，t+Pimax（1-hi，t）Pi，t-1-Pi，t≤Ridhi，t+Pimax（1-hi，t）]" （13）

6）最小啟停時(shí)間約束

[（hi，t-1-hi，t）（Tion，t-1-TiON）≥0 （hi，t-1-hi，t）（TiOF-Tiof，t-1）≥0 ]" （14）

7）儲(chǔ)能系統(tǒng)運(yùn)行約束

[0≤Pc，t≤（1-Bess）Pc，max0≤Pd，t≤BessPd，max]""" （15）

8）儲(chǔ)能系統(tǒng)荷電狀態(tài)約束

[Cmin≤Ct≤Cmax]""" （16）

[Ct=Ct-1?（1-ρ）+ηcPc，t-Pd，tηd?τ/Sess] （17）

式中：[Pl]——系統(tǒng)總負(fù)荷，MW，本文不計(jì)系統(tǒng)網(wǎng)損；[Pi，max]——機(jī)組出力上限，MW；[Pw，t]——風(fēng)力機(jī)在[t]時(shí)刻的輸出功率，MW；[Pprew，t]——風(fēng)力機(jī)在[t]時(shí)刻的預(yù)測(cè)輸出功率，MW；[Riu、Rid]——火電機(jī)組[i]的爬坡率、滑坡率，MW/h；[Tion，t-1、][Tiof，t-1]——t-1時(shí)刻火電機(jī)組[i]的持續(xù)運(yùn)行、停機(jī)時(shí)間，h；[TiON、TiOF]——火電機(jī)組[i]的最小持續(xù)運(yùn)行時(shí)間、最小持續(xù)停機(jī)時(shí)間，h；[Bess]——0-1變量，[Bess=0]表示儲(chǔ)能系統(tǒng)為充電狀態(tài)，[Bess=1]表示儲(chǔ)能系統(tǒng)為放電狀態(tài)；[Cmax、][Cmin]——儲(chǔ)能系統(tǒng)荷電的上下限；[ρ]——儲(chǔ)能自放電率；[ηc、ηd]——儲(chǔ)能系統(tǒng)充放電效率；[Sess]——儲(chǔ)能系統(tǒng)容量，MWh；[Pc，max]和[Pd，max]——儲(chǔ)能系統(tǒng)充電和放電的功率上限，MW。

2.3 聯(lián)合環(huán)境經(jīng)濟(jì)調(diào)度模型

結(jié)合文獻(xiàn)［18］中的懲罰因子，本文提出一種不同調(diào)峰深度下機(jī)組i的懲罰因子[Hi]為：

[Hi=Ci（Pi，min）+Ei（Pi，min）+Di（Pi，min）Gi（Pi，max）] （18）

將求得的Hi值進(jìn)行升序排列，將其對(duì)應(yīng)的[Pi，max]依次相加直至滿足負(fù)荷需求，如式（19）所示。

[i=1NPi，max+Pprew，t-Pc，max≥Pl，t]"" （19）

在滿足式（19）時(shí)，最后一臺(tái)機(jī)組所對(duì)應(yīng)的[Hi]即為[t]時(shí)刻負(fù)荷對(duì)應(yīng)的懲罰因子，將多目標(biāo)環(huán)境經(jīng)濟(jì)調(diào)度問題轉(zhuǎn)化為單目標(biāo)優(yōu)化為：

[mint=1Ti=1NCi，t+Ei，t+Di，t+HPl，tGi，t+Oi，tSoil+Fess，t+ui，t+di，t+ε（Pprew，t-Pw，t）]""" （20）

式中：[Soil]——油價(jià)，美元/t；[ε]——單位棄風(fēng)懲罰費(fèi)用，美元。

3 改進(jìn)灰狼優(yōu)化算法

3.1 原始灰狼優(yōu)化算法

灰狼優(yōu)化算法（gray wolf optimization， GWO）是對(duì)狼群領(lǐng)導(dǎo)等級(jí)和群體捕獵設(shè)計(jì)的一種群體智能優(yōu)化算法［19］。GWO按狼群等級(jí)由高至低的排序分為[α、][β、][δ]和[ω]，其中[α]狼適應(yīng)度最高，代表最優(yōu)解；[β]狼協(xié)助[α]狼對(duì)狼群進(jìn)行管理，代表次優(yōu)解；[δ]狼聽命于[α、][β]狼；[ω]狼無自主決策能力，其適應(yīng)度最低。

狼群確定捕獵方向后，包圍獵物，如式（21）所示。

[D=C?Xp（ν）-X（ν） X（ν+1）=Xp（ν）-A?D ]"" （21）

式中：[ν]——當(dāng)前迭代次數(shù)；[Xp]——獵物當(dāng)前位置向量；[X]——灰狼位置向量；[A]和[C]——系數(shù)向量；[D]——狼與獵物的距離。

其中系數(shù)向量[A]和[C]的計(jì)算公式為：

[A=2e?r1-e C=2?r2]"" （22）

式中：[e]——在迭代過程中從2線性減少到0；[r1]和[r2]——模為［0，1］中的隨機(jī)向量。

灰狼的狩獵行為可表示為：

[Dα=C1?Xα-X Dβ=C2?Xβ-X Dδ=C3?Xδ-X ] （23）

式中：[Dz]——候選解[X]與最優(yōu)解[Xz]的距離，[z=α、β、δ]。

[X1=Xα-A1?DαX2=Xβ-A2?DβX3=Xδ-A3?DδX（ν+1）=X1+X2+X33]""" （24）

式中：[Xj]——本次解的位置向量，[j=1、2、3]；狼群最終位置[X（ν+1）]由[α、][β]和[δ]的位置向量確定。

3.2 基于佳點(diǎn)集法的灰狼算法改進(jìn)

GWO初始化種群是隨機(jī)產(chǎn)生的，如圖3a所示，其個(gè)體在搜索空間中的分布不夠分散、均勻，影響算法的搜索能力，導(dǎo)致全局收斂速度慢，影響解的質(zhì)量。本文采用佳點(diǎn)集方法來產(chǎn)生初始種群如圖3b所示，在取點(diǎn)數(shù)量相同時(shí)佳點(diǎn)集法產(chǎn)生的點(diǎn)序列更加均勻，保證初始種群個(gè)體多樣性［20］。針對(duì)原始灰狼算法的前期搜索能力較差問題，將式（22）中原本線性減小的控制參數(shù)[e]改為［21］：

[e=2-2?（ν/νmax）k]" （25）

式中：[νmax]——最大迭代次數(shù)；k——指數(shù)參數(shù)。

式（25）可增強(qiáng)算法前期搜索能力，采用佳點(diǎn)集法改進(jìn)后的算法多次求解本文所建模型所得結(jié)果發(fā)現(xiàn)：當(dāng)式（25）中指數(shù)[k]為3.3時(shí)求解本文模型所得優(yōu)化結(jié)果最好。

GWO收斂速度較快，但易受其種群多樣性不足、搜索速度較慢、容易陷入局部最優(yōu)等缺陷的影響。對(duì)此文獻(xiàn)［22-23］提出合作競(jìng)爭(zhēng)策略來改進(jìn)算法，在每次迭代中采用改進(jìn)灰狼算法（improved gray wolf optimization， IGWO）既有基于合作競(jìng)爭(zhēng)策略生成的候選狼，也有GWO選出的優(yōu)選狼。IGWO增強(qiáng)了種群的多樣性，解決了原始灰狼算法過早收斂的問題。GWO在每次迭代結(jié)束后由式（24）產(chǎn)生的某一維度下最優(yōu)狼的位置向量命名為[Xi-GWO（ν+1）]，根據(jù)目前最優(yōu)狼的位置，通過式（28）計(jì)算出該維度下狼群的新位置，并將其作為候選狼的位置，命名為[Xi-IGWO（ν+1）]。當(dāng)前個(gè)體狼位置[Xi（ν）]與候選狼[Xi-GWO（ν）]之間的距離為：

[R（ν）=Xi-GWO（ν+1）-Xi（ν）] （26）

式中：[R（ν）]——[Xi-GWO（ν）]和[Xi（ν）]之間的距離。

在范圍[R（ν）]內(nèi)隨機(jī)找尋維度[d]的狼群位置，表示為：

[Xn，d（ν）R[Xi-GWO，d（ν），Xn，d（ν）]≤Ri（ν）]" （27）

式中：[R]——[Xi-GWO（ν）]和[Xn，d（ν）]之間的距離。

當(dāng)[Xn，d（ν）]被找出，狼群合作競(jìng)爭(zhēng)策略可表示為：

[Xi-IGWO，d（ν+1）=Xi-GWO，d（ν）+rand?[Xn，d（ν）-r?（ud-ld）]] （28）

式中：[r]——［[-0.5]，0.5］之間任一隨機(jī)數(shù)；[ud]和[ld]——維度[d]下種群上下限。

最后，通過比較某維度下兩個(gè)優(yōu)選狼的適應(yīng)度函數(shù)值來選擇更加優(yōu)越者，進(jìn)而更新位置：

[Xi=Xi-GWO|f（Xi-GWO）lt;f（Xi-IGWO）Xi-IGWO|f（Xi-GWO）≥f（Xi-IGWO） ]" （29）

式中：[f]——適應(yīng)度函數(shù)，用來求取目標(biāo)函數(shù)。

IGWO算法的具體步驟如圖4所示，虛線部分是對(duì)GWO的改進(jìn)之處。

4 算 例

本文選用IEEE 6機(jī)30節(jié)點(diǎn)標(biāo)準(zhǔn)系統(tǒng)以及1座風(fēng)電場(chǎng)和1個(gè)儲(chǔ)能單元進(jìn)行算例分析，選取調(diào)峰深度分別為45%（RPR）、55%（DPR）、65%（DPRO）的3種典型調(diào)峰情景進(jìn)行火電機(jī)組的環(huán)境經(jīng)濟(jì)負(fù)荷優(yōu)化分配，分析調(diào)峰深度對(duì)火電機(jī)組環(huán)境經(jīng)濟(jì)負(fù)荷分配的影響以及儲(chǔ)能系統(tǒng)在不同調(diào)峰階段的作用。

以IGWO算法求解模型。火電機(jī)組參數(shù)如表2所示，煤耗特性參數(shù)及CO2排放特性參數(shù)詳見文獻(xiàn)［11］。

火電機(jī)組投油深度調(diào)峰時(shí)投油量為1.25 t/h，油價(jià)[Soil]為1225.56美元/t。棄風(fēng)懲罰費(fèi)用[ε]為0.1美元/kWh。儲(chǔ)能系統(tǒng)的充放電成本系數(shù)[λc、λd]為0.0159美元/kWh，初始荷電狀態(tài)設(shè)置為0.4，其具體參數(shù)如表3所示。設(shè)定[Pmin1]為50%[PN，Pmin2]為[40%PN，Pmin3]為[30%PN]。某地某天的用電負(fù)荷曲線及風(fēng)電出力預(yù)測(cè)曲線如圖5所示。

4.1 3種算法性能對(duì)比

選取原始灰狼算法和粒子群算法（particle swarm optimization， PSO）與改進(jìn)灰狼算法作對(duì)比，求解本文所建模型。設(shè)置火電機(jī)組的調(diào)峰深度為65%（DPRO）時(shí)，種群個(gè)體數(shù)量為400，迭代次數(shù)為1000，3種優(yōu)化算法的尋優(yōu)過程如圖6所示。由圖6可看出，求解本文多維非線性化模型時(shí)，IGWO避免了GWO搜索速度慢且易陷入局部最優(yōu)的缺點(diǎn)，較于GWO和PSO，其搜索速度和精度均更優(yōu)，優(yōu)化效果更好。

4.2 不同調(diào)峰深度下機(jī)組環(huán)境經(jīng)濟(jì)負(fù)荷分配

以一天24時(shí)各時(shí)段火電機(jī)組在不同調(diào)峰階段運(yùn)行下負(fù)荷分配為例，設(shè)置兩種場(chǎng)景模式，運(yùn)用IGWO求解火電機(jī)組環(huán)境經(jīng)濟(jì)負(fù)荷分配模型。

1） 場(chǎng)景模式Ⅰ： 不考慮儲(chǔ)能系統(tǒng)的火電機(jī)組環(huán)境經(jīng)濟(jì)負(fù)荷優(yōu)化分配。

2） 場(chǎng)景模式Ⅱ： 考慮儲(chǔ)能系統(tǒng)的火電機(jī)組環(huán)境經(jīng)濟(jì)負(fù)荷優(yōu)化分配。

求解結(jié)果如表4所示，可看出在不計(jì)調(diào)峰補(bǔ)償，在兩種場(chǎng)景模式下，隨著機(jī)組調(diào)峰深度增加，系統(tǒng)的總成本費(fèi)用將隨之降低，棄風(fēng)率也隨調(diào)峰深度增加而大幅減小，但總的煤耗成本和污染排污量隨調(diào)峰深度增加而增加，這與上文對(duì)150 MW機(jī)組調(diào)峰特性分析結(jié)果不同，是因?yàn)橄到y(tǒng)通過啟停調(diào)峰來消納更多風(fēng)電從而導(dǎo)致結(jié)論相反，但為消納更多風(fēng)電等新能源，機(jī)組調(diào)峰深度不足時(shí)只能通過關(guān)機(jī)來提高新能源消納率，隨著調(diào)峰深度增加，系統(tǒng)的啟停成本大幅度減小。

場(chǎng)景模式Ⅱ相較于場(chǎng)景模式Ⅰ增加了儲(chǔ)能系統(tǒng)，且相同調(diào)峰深度的機(jī)組的啟停情況相同，可看出，儲(chǔ)能系統(tǒng)能減小火電機(jī)組的調(diào)峰壓力，提高系統(tǒng)對(duì)風(fēng)電的消納率。在3種調(diào)峰深度下相較于無儲(chǔ)能系統(tǒng)的場(chǎng)景模式Ⅰ，運(yùn)行煤耗成本

和污染排放量均有降低，DPR調(diào)峰階段調(diào)峰煤耗成本不變，但調(diào)峰階段為DPRO時(shí)調(diào)峰煤耗成本增加，但大幅減小了系統(tǒng)投油成本，可看出，添加儲(chǔ)能系統(tǒng)可減小調(diào)峰機(jī)組的調(diào)峰壓力，提高系統(tǒng)調(diào)峰能力，特別是在深度調(diào)峰下能避免更多機(jī)組處于DPRO階段，大幅提高調(diào)峰裕度。

場(chǎng)景模式Ⅱ不同調(diào)峰深度下的機(jī)組出力情況分別如圖7～圖9所示，其中機(jī)組1在RPR和DPR調(diào)峰深度下始終處于停機(jī)狀態(tài)來提高系統(tǒng)對(duì)風(fēng)電的消納能力，機(jī)組6在RPR調(diào)峰階段的負(fù)荷低谷01：00—09：00時(shí)段處于停機(jī)狀態(tài)?？煽闯觯瑸榱苏w運(yùn)行的經(jīng)濟(jì)性，根據(jù)火電機(jī)組的煤耗特性和CO2排放特性的不同來調(diào)整機(jī)組的出力情況以實(shí)現(xiàn)總成本最低，本文中機(jī)組1和機(jī)組6相較于其他機(jī)組更適合參與系統(tǒng)的深度調(diào)峰或啟停調(diào)峰。

在01：00—05：00時(shí)段，此時(shí)段的風(fēng)電預(yù)測(cè)輸出功率處于高峰期，而系統(tǒng)負(fù)荷處于低谷時(shí)段，儲(chǔ)能系統(tǒng)在此時(shí)段開始通過充電來減小火電機(jī)組調(diào)峰壓力并提高風(fēng)電消納率；在12：00—13：00和19：00—20：00時(shí)段，負(fù)荷處于高峰時(shí)段，儲(chǔ)能開始放電幫助火電機(jī)組較平緩度過系統(tǒng)負(fù)荷大爬坡時(shí)段。添加儲(chǔ)能系統(tǒng)后能在系統(tǒng)負(fù)荷低谷時(shí)段，即風(fēng)電出力處于峰值附近的時(shí)段通過儲(chǔ)能系統(tǒng)充電來減小火電機(jī)組調(diào)峰壓力，進(jìn)一步提高風(fēng)電消納能力，在系統(tǒng)負(fù)荷峰值時(shí)段儲(chǔ)能系統(tǒng)放電來減小火電機(jī)組出力進(jìn)而減小煤耗成本，充分發(fā)揮儲(chǔ)能系統(tǒng)的削峰填谷作用。

在系統(tǒng)負(fù)荷較大的時(shí)段，處于RPR和DPR兩種調(diào)峰深度運(yùn)行下的機(jī)組1和機(jī)組4分別處于停機(jī)和額定出力狀態(tài)，當(dāng)系統(tǒng)調(diào)峰深度為DPRO時(shí)，所有火電機(jī)組始終處于低負(fù)荷

率的開機(jī)狀態(tài)，相較于其他兩種調(diào)峰階段，機(jī)組更具調(diào)峰靈活性，調(diào)峰裕度更大，在應(yīng)對(duì)系統(tǒng)負(fù)荷突變或風(fēng)電等新能源消納方面更具優(yōu)勢(shì)，且無需頻繁通過開停機(jī)組來提高風(fēng)電消納率，避免了機(jī)組啟停損耗。

調(diào)峰深度為65%時(shí)，兩種場(chǎng)景下各時(shí)段處于RPR運(yùn)行階段機(jī)組數(shù)量相等，各時(shí)段的深度調(diào)峰機(jī)組數(shù)量如圖8所示?？煽闯?，在添加儲(chǔ)能系統(tǒng)后處于DPRO運(yùn)行階段的機(jī)組數(shù)量大幅減少以此來減小投油成本，更多機(jī)組處于DPR運(yùn)行階段。在02：00—05：00負(fù)荷處于低谷且風(fēng)電出力較大時(shí)，沒有儲(chǔ)能系統(tǒng)情況下，更多火電機(jī)組參與投油深度調(diào)峰運(yùn)行來提高電網(wǎng)對(duì)風(fēng)電的消納能力，有儲(chǔ)能系統(tǒng)情況下可通過儲(chǔ)能系統(tǒng)進(jìn)行充電，進(jìn)一步提高風(fēng)電消納量的同時(shí)減少投油深度調(diào)峰機(jī)組數(shù)量，提高系統(tǒng)調(diào)峰裕度。

4.3 深度調(diào)峰下儲(chǔ)能對(duì)環(huán)境經(jīng)濟(jì)調(diào)度的影響

為進(jìn)一步研究?jī)?chǔ)能系統(tǒng)對(duì)投油深度調(diào)峰下火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度的影響，設(shè)置調(diào)峰深度為70%（DPRO）67%（DPRO）和60%（DPR），結(jié)果如表5所示，兩種場(chǎng)景下均無啟停調(diào)峰，可看出，當(dāng)系統(tǒng)內(nèi)火電機(jī)組處于相同啟停狀態(tài)時(shí)機(jī)組運(yùn)行煤耗成本和調(diào)峰煤耗成本均隨調(diào)峰深度增加而減小，調(diào)峰深度從60%（DPR）增大至65%（DPRO）時(shí)污染排放量隨之減小，但在3個(gè)DPRO調(diào)峰階段時(shí)，CO2污染排放量隨調(diào)峰深度增加而增加，此時(shí)無法同時(shí)兼顧環(huán)境和經(jīng)濟(jì)。添加儲(chǔ)能系統(tǒng)后可同時(shí)降低系統(tǒng)運(yùn)行煤耗成本和CO2排放量，但當(dāng)調(diào)峰深度為DPRO時(shí)因儲(chǔ)能充電增大調(diào)峰機(jī)組出力從而增加調(diào)峰煤耗，總的煤耗成本相較于無儲(chǔ)能分別增加0.36%和0.40%，但隨著調(diào)峰深度增加，有儲(chǔ)能系統(tǒng)的CO2排放量分別減少0.9%和0.76%。調(diào)峰深度為DPR時(shí)有儲(chǔ)能系統(tǒng)棄風(fēng)率減小明顯，在DPRO調(diào)峰深度也可進(jìn)一步減小棄風(fēng)率。

5 結(jié) 論

本文在“雙碳”目標(biāo)大背景下，從建設(shè)新型電力系統(tǒng)節(jié)能減排角度結(jié)合火電機(jī)組在電網(wǎng)調(diào)峰中的地位，在大規(guī)模風(fēng)電并網(wǎng)后對(duì)不同調(diào)峰階段下火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度進(jìn)行研究。運(yùn)用改進(jìn)的灰狼優(yōu)化算法對(duì)不同調(diào)峰深度下火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度模型進(jìn)行求解，得出主要結(jié)論如下：

1）應(yīng)用IGWO求解本文所提不同調(diào)峰深度運(yùn)行下環(huán)境經(jīng)濟(jì)調(diào)度模型，并與GWO方法、PSO方法進(jìn)行對(duì)比，得出結(jié)果表明本文所用IGWO在搜索速度和精度上對(duì)火電機(jī)組環(huán)境經(jīng)濟(jì)調(diào)度優(yōu)化效果更好，驗(yàn)證了對(duì)算法改進(jìn)之處的有效性。

2）在不計(jì)機(jī)組調(diào)峰損耗和調(diào)峰補(bǔ)償下，兩種場(chǎng)景下的系統(tǒng)總成本費(fèi)用將隨調(diào)峰深度增加而減小，在機(jī)組開停相同情況下，系統(tǒng)總煤耗成本和CO2排放量隨調(diào)峰深度增加而減小，棄風(fēng)率也隨之大幅度減小，但在DPRO調(diào)峰深度下產(chǎn)生的CO2排放量隨調(diào)峰深度增加而增加，對(duì)環(huán)境危害增大，節(jié)能與環(huán)保此時(shí)不可兼得。

3）場(chǎng)景模式Ⅱ添加儲(chǔ)能系統(tǒng)后能在系統(tǒng)負(fù)荷低谷時(shí)段減小火電機(jī)組調(diào)峰壓力，提高風(fēng)電消納能力的同時(shí)減少投油深度調(diào)峰機(jī)組數(shù)量和火電機(jī)組低負(fù)荷率運(yùn)行時(shí)間來保證系統(tǒng)安全性，提高調(diào)峰裕度，在系統(tǒng)負(fù)荷高峰時(shí)段減小火電機(jī)組出力進(jìn)而減小煤耗成本和CO2排放量，進(jìn)一步提高風(fēng)電消納量。

4）在RPR和DPR調(diào)峰深度下，添加儲(chǔ)能系統(tǒng)能大幅減小棄風(fēng)率，且能夠同時(shí)減小總的煤耗成本和CO2污染排放量，在DPRO調(diào)峰深度下，添加儲(chǔ)能系統(tǒng)會(huì)減小運(yùn)行煤耗成本和CO2污染排放量，但調(diào)峰煤耗成本會(huì)增加，總煤耗成本增加。

［參考文獻(xiàn)］

［1］" 新華社. 習(xí)近平在第七十五屆聯(lián)合國(guó)大會(huì)一般性辯論上發(fā)表重要講話［EB/OL］. ［2020-09-22］. http：//www.gov.cn/xinwen/2020-09/22/content_5546168.htm.

Xinhua news agency. Xi Jinping delivered an important speech at the general debate of the seventy-fifth United Nations""" General""" Assembly［EB/OL］.""" ［2020-09-22］. http：// www. gov. cn/xinwen/2020-09/22/content_5546168.htm.

［2］" LI"" C."" Multi-objective"" optimization"" of"" space"" adaptive division""""" for"""" environmental""" economic""" dispatch［J］. Sustainable computing： informatics and systems， 2021， 30： 100500.

［3］" XU J P， WANG F J， LYU C W， et al. Carbon emission reduction and reliable power supply equilibrium based daily" scheduling" towards" hydro-thermal-wind" generation system： a perspective from China［J］. Energy conversion and management， 2018， 164： 1-14.

［4］" LIU B H， FU Z G， WANG P K， et al. Big-data-mining-based improved K-means algorithm for energy use analysis of coal-fired power plant units： a case study［J］. Entropy， 2018， 20（9）： 702.

［5］" WANG" C" Y，" OLSSON" G，" LIU" Y. Coal-fired" power industry water-energy-emission nexus： a multi-objective optimization［J］." Journal" of" cleaner" production，" 2018， 203： 367-375.

［6］" MAHDI F P， VASANT P， KALLIMANI V， et al. A holistic review on optimization strategies for combined economic" emission" dispatch" problem［J］. Renewable and sustainable energy reviews， 2017， 81（2）： 3006-3020.

［7］ "GOUDARZI A， LI Y J， XIANG J. A hybrid non-linear time-varying double-weighted particle swarm optimization for solving non-convex combined environmental economic dispatch problem［J］. Applied soft computing， 2020， 86： 105894.

［8］" BHADORIA A， MARWAHA S， KAMBOJ V K. An optimum forceful generation scheduling and unit commitment of thermal power system using sine cosine algorithm［J］. Neural computing and applications， 2020， 32： 2785-2814.

［9］" 劉剛， 朱永利， 蔣偉. 基于混合DE-PSO多目標(biāo)算法的動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度［J］. 電力自動(dòng)化設(shè)備， 2018， 38（8）： 1-7.

LIU G， ZHU Y L， JIANG W. Dynamic economic emission dispatch based on hybrid DE-PSO multi-objective algorithm［J］. Electric power automation equipment， 2018， 38（8）： 1-7.

［10］" 董超， 張彥濤， 劉嘉寧， 等. 考慮火電機(jī)組深度調(diào)峰的實(shí)時(shí)發(fā)電計(jì)劃模型及應(yīng)用［J］. 電力自動(dòng)化設(shè)備， 2019， 39（3）： 108-113.

DONG" C，" ZHANG" Y" T，" LIU" J" L， et" al." Real-time generation scheduling model and its application considering deep peak regulation of thermal power units［J］. Electric power automation equipment， 2019， 39（3）： 108-113.

［11］" 張子泳， 仉夢(mèng)林， 李莎. 基于多目標(biāo)粒子群算法的電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度研究［J］. 電力系統(tǒng)保護(hù)與控制， 2017， 45（10）： 1-10.

ZHANG Z Y， ZHANG M L， LI S. Environmental economic power dispatch based on multi-objective particle swarm constraint optimization algorithm［J］. Power system protection and control， 2017， 45（10）： 1-10.

［12］" 林俐， 田欣雨. 基于火電機(jī)組分級(jí)深度調(diào)峰的電力系統(tǒng)經(jīng)濟(jì)調(diào)度及效益分析［J］. 電網(wǎng)技術(shù)， 2017， 41（7）： 2255-2262.

LIN L， TIAN X Y. Analysis of deep peak regulation and its benefit of thermal units in power system with large scale wind"" power" integrated［J］." Power" system"" technology， 2017， 41（7）： 2255-2262.

［13］" 林俐， 鄒蘭青， 周鵬， 等. 規(guī)模風(fēng)電并網(wǎng)條件下火電機(jī)組深度調(diào)峰的多角度經(jīng)濟(jì)性分析［J］. 電力系統(tǒng)自動(dòng)化， 2017， 41（7）： 21-27.

LIN L， ZOU L Q， ZHOU P， et al. Multi-angle economic analysis on deep peak regulation of thermal power units with large-scale wind power integration［J］. Automation of electric power systems， 2017， 41（7）： 21-27.

［14］" 侯玉婷， 李曉博， 劉暢， 等. 火電機(jī)組靈活性改造形勢(shì)及技術(shù)應(yīng)用［J］. 熱力發(fā)電， 2018， 47（5）： 8-13.

HOU Y T， LI X B， LIU C， et al. Flexibility reform situation and technical application of thermal power units［J］. Thermal power generation， 2018， 47（5）： 8-13.

［15］" 譚碧飛， 陳皓勇， 梁子鵬， 等. 基于協(xié)同NSGA-Ⅱ的微電網(wǎng)隨機(jī)多目標(biāo)經(jīng)濟(jì)調(diào)度［J］. 高電壓技術(shù)， 2019， 45（10）： 3130-3140.

TAN B F， CHEN H Y， LIANG Z P， et al. Stochastic multi-objective economic dispatch of micro-grid based on coNSGA-Ⅱ［J］."" High"" voltage"" engineering，"" 2019，"" 45（10）： 3130-3140.

［16］" ZHAO X G， LIANG J， MENG J， et al. An improved quantum particle swarm optimization algorithm for environmental economic dispatch［J］. Expert systems with applications， 2020， 152： 113370.

［17］" 王淑云， 婁素華， 吳耀武， 等. 計(jì)及火電機(jī)組深度調(diào)峰成本的大規(guī)模風(fēng)電并網(wǎng)魯棒優(yōu)化調(diào)度［J］. 電力系統(tǒng)自動(dòng)化， 2020， 44（1）： 118-125.

WANG S Y， LOU S H， WU Y W， et al. Robust optimal dispatch of large-scale wind power integration considering deep" peak" regulation" cost" of" thermal" power" units［J］. Automation of electric power systems， 2020， 44（1）： 118-125.

［18］" ABDELAZIZ A， ALI E S， ELAZIM S M A. Implementation of flower pollination algorithm for solving economic load dispatch and combined economic emission dispatch problems in power systems［J］. Energy， 2016， 101： 506-518.

［19］ "MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in engineering software， 2014， 69（3）： 46-61.

［20］" 張鈴， 張鈸. 佳點(diǎn)集遺傳算法［J］. 計(jì)算機(jī)學(xué)報(bào)， 2001， 24（9）： 917-922.

ZHANG L， ZHANG B. Good point set based genetic algorithm［J］." Chinese" journal" of" computers，" 2001，" 24（9）： 917-922.

［21］" 崔明朗， 杜海文， 魏政磊， 等. 多目標(biāo)灰狼優(yōu)化算法的改進(jìn)策略研究［J］. 計(jì)算機(jī)工程與應(yīng)用， 2018， 54（5）： 156-164.

CUI M L， DU H W， WEI Z L， et a1. Research on improved strategy for multi-objective grey wolf optimizer［J］. Computer engineering and applications， 2018， 54（5）： 156-164.

［22］" 李艷娟， 陳阿慧. 基于禁忌搜索的人工蜂群算法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2017， 53（4）： 145-151.

LI Y J，CHEN A H. Artificial bee colony algorithm based on taboo search［J］. Computer engineering and applications， 2017， 53（4）： 145-151.

［23］" NADIMI-SHAHRAKI M H， TAGHIAN S， MIRJALILI S. An improved grey wolf optimizer for solving engineering problems［J］." Expert" systems" with" applications，" 2021， 166： 113917.

ENVIRONMENTAL ECONOMIC DISPATCH OPTIMIZATION OF THERMAL POWER UNITS AT DIFFERENT PEAK-LOAD REGULATION DEPTHS

Yu Xin，Wang Delin，Sun Chao，Niu Jingyao，Xie Peng，Guo Liangjie

（School of Electrical Engineering， Southwest Jiaotong University， Chengdu 611756， China）

Keywords：environmental economic dispatch； carbon dioxide； coal combustion； peak-load regulation； load distribution； improved gray wolf optimization