計及火電深度調(diào)峰的高比例可再生能源電力系統(tǒng)日前優(yōu)化調(diào)度研究

DOI：10.19912/j.0254-0096.tynxb.2021-0868 文章編號：0254-0096（2023）01-0493-07

摘 要：針對高比例可再生能源并網(wǎng)，提出含風、光、火、蓄的高比例新能源電力系統(tǒng)多目標日前優(yōu)化調(diào)度模型。該模型考慮在火電機組深度調(diào)峰及頻繁爬坡等新工況下的火電機組運行成本、污染物懲罰成本以及可再生能源棄電成本，以系統(tǒng)運行成本最低、風光出力最大以及凈負荷波動最小為優(yōu)化目標，采用NSGA-Ⅱ算法進行優(yōu)化求解。通過對某典型日不同調(diào)度場景進行仿真計算，結(jié)果表明所建立的系統(tǒng)運行總成本計算模型能夠兼顧該系統(tǒng)的經(jīng)濟、環(huán)保與消納，所提出的多目標優(yōu)化調(diào)度策略能夠促進高比例可再生能源的消納，緩解火電機組的調(diào)峰壓力，降低系統(tǒng)運行總成本，指導電力系統(tǒng)火電靈活性改造，保證電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟運行。

關(guān)鍵詞：可再生能源；電力系統(tǒng)；調(diào)度優(yōu)化；多目標；深度調(diào)峰

中圖分類號：TM715 " " " 文獻標志碼：A

0 引 言

2021年是“十四五”開局之年，也是中國風電和光伏發(fā)電平價上網(wǎng)的第一年，努力爭取2060年前實現(xiàn)碳中和、新能源發(fā)電總裝機容量達到12億kW以上等已成為中國能源革命的新目標［1］。未來幾年，中國風電、光電等新能源裝機容量將持續(xù)擴大，發(fā)電量也將不斷攀升，高比例新能源并網(wǎng)給中國新能源消納帶來了嚴峻挑戰(zhàn)［2-3］。與此同時，可再生能源出力的隨機性、間歇性和波動性等特點給電網(wǎng)的安全穩(wěn)定運行帶來一系列挑戰(zhàn)［4］。

文獻［5］基于電網(wǎng)功率平衡及儲納運行機制，分別建立抽水蓄能電站日前調(diào)度模型和實時調(diào)度模型，驗證了利用抽水蓄能進行優(yōu)化調(diào)度的可行性；文獻［6］建立了風-光-水-火-蓄優(yōu)化調(diào)度模型，以系統(tǒng)運行成本最低為優(yōu)化目標，對春夏秋冬4個典型日進行了仿真計算；文獻［7］考慮常規(guī)火電機組低負荷運行工況和爬坡成本，建立了“風、光、火、蓄、儲”多能互補優(yōu)化調(diào)度模型，以系統(tǒng)總運行成本最低為優(yōu)化目標，運用動態(tài)慣性權(quán)值粒子群算法進行求解；文獻［8］建立了風-光-蓄-火聯(lián)合運行系統(tǒng)兩階段優(yōu)化調(diào)度模型，分別采用混合整數(shù)規(guī)劃方法和粒子群算法求解，以改進IEEE-30節(jié)點算例系統(tǒng)進行了仿真；文獻［9］分別構(gòu)建了抽水蓄能-水電機組多目標優(yōu)化調(diào)度模型和火電機組多目標優(yōu)化模型，采用模糊優(yōu)化算法對多目標問題進行了求解。

但上述文獻所建立的聯(lián)合優(yōu)化調(diào)度模型并未綜合考慮系統(tǒng)運行的經(jīng)濟性、波動性以及風光出力，僅考慮了其中的一個或者兩個目標，且所運用的多目標處理方法本質(zhì)上還是單目標求解。其次，隨著高比例可再生能源的并網(wǎng)，火電機組出現(xiàn)了深度調(diào)峰、頻繁爬坡等運行新工況，加上污染物懲罰、棄電懲罰等相關(guān)政策的變化，傳統(tǒng)的系統(tǒng)運行成本模型不再適用，須建立更加完善的系統(tǒng)運行總成本計算模型。本文建立含風、光、火、蓄的高比例可再生能源電力系統(tǒng)多目標日前優(yōu)化調(diào)度模型，綜合考慮了傳統(tǒng)的燃煤成本、火電機組低負荷運行工況成本和爬坡成本；構(gòu)建基于轉(zhuǎn)化率的污染物懲罰成本計算模型和棄電懲罰成本計算模型。采用NSGA-Ⅱ算法，以系統(tǒng)運行成本最低、風光出力最大及凈負荷波動最小為目標進行多目標優(yōu)化求解，得到Pareto最優(yōu)解集。通過算例分析表明，本文所建立的多目標優(yōu)化模型能更好地均衡系統(tǒng)凈負荷方差、棄電率和運行成本之間的關(guān)系，減輕火電機組的調(diào)峰壓力，提高了可再生能源的消納率，保證系統(tǒng)運行的經(jīng)濟性。

1 日前優(yōu)化調(diào)度模型

1.1 目標函數(shù)

1.1.1 風-光聯(lián)合出力最大

式中：[f1]——風-光聯(lián)合出力，MW；[t]——運行時段，[t]=1，2，…，T；[T]——調(diào)度周期；[pwt、ppvt]——[t]時刻風電、光電的實際出力，MW。

1.1.2 凈負荷波動最小

式中：[f2]——凈負荷方差，MW2；[pglt]——[t]時刻凈負荷值，MW；[pglav]——凈負荷值的平均值，MW；[plt]——[t]時刻負荷值，MW；[pPHt]——[t]時刻抽水蓄能電站的實際出力，MW。

1.1.3 系統(tǒng)運行成本最低

式中：[f3]——系統(tǒng)運行成本，元；[zt1]——火電機組運行成本，元；[zt2]——棄電懲罰成本，元。

1.1.3.1 火電機組運行成本

式中：[zt11]——燃煤成本，元；[zt12]——爬坡成本，元；[zt13]——污染物懲罰成本，元。

1）燃煤成本

本文引入負荷的三次方函數(shù)來衡量低負荷工況下火電機組的燃煤成本。燃煤成本計算函數(shù)［7］為：

式中：[Ng]——火電機組總數(shù)量，臺；[ai、bi、ci]——第[i]臺火電機組的煤耗系數(shù)；[pgit]——火電機組[i]在[t]時刻的輸出功率，MW；[pgimax]——第[i]臺機組的最大輸出功率，MW；[pi、qi、mi、ni]——第[i]臺機組的低負荷工況成本因子；[α]——低負荷工況邊界限定；[w]——煤價，元/t。

2）爬坡成本

火電機組在頻繁爬坡過程中煤耗也會有所增加，此處用機組爬坡速率的線性函數(shù)來衡量機組的爬坡成本。爬坡成本計算函數(shù)［7］為：

式中：[σi]——第[i]臺機組的爬坡成本因子。

3） 污染物懲罰成本

污染物懲罰成本［10-11］主要由[SO2、NOx]以及粉塵（TSP）排放成本組成。

式中：[QSO2，i、QNOx，i、QTSP，i]——[SO2、NOx]以及粉塵排放成本，元。

①[SO2]排放成本

[SO2]排放量主要由燃煤的含硫量以及燃燒過程中[SO2]的轉(zhuǎn)化率決定的。[SO2]排放成本計算函數(shù)為：

式中：[q1]——[SO2]排放收費標準，元/kg；[3216]——[SO2]和[S]的分子量之比；[Mi]——第[i]臺機組的燃煤消耗量，kg；[Sar]——燃煤收到基含硫量；[KSO2]——燃燒過程中[SO2]的轉(zhuǎn)化率；[ηSO2]——脫硫裝置的脫硫效率。

②[NOx]排放成本

煤燃燒過程中排放的氣體氮氧化物主要為[NO]和[NO2]，一般將燃煤中的氮元素轉(zhuǎn)換成[NOx]的轉(zhuǎn)化比例稱為[NOx]轉(zhuǎn)化率。[NOx]排放成本計算函數(shù)為：

式中：[q2]——[NOx]排放收費標準，元/kg；[30.814]——[NOx]和N的分子量之比；[Nar]——燃煤收到基含氮量；[m]——燃料中氮生成的[NOx]占全部[NOx]排放量的比例；[KNOx]——燃燒過程中[NOx]的轉(zhuǎn)化率；[ηN]——脫硝裝置的脫硝效率。

③粉塵排放成本

一般地，鍋爐固體未完全燃燒熱損失數(shù)值小且獲取難度大，因此采用近似法來計算粉塵排放量。粉塵排放成本計算函數(shù)如下：

式中：[q3]——粉塵排放收費標準，元/kg；[μ]——粉塵排放系數(shù)；[ηc]——除塵效率。

其中，第[i]臺機組的燃煤消耗量[Mi]均按一般工況下計算：

1.1.3.2 棄電懲罰成本

棄電成本為棄風、棄光成本之和，即：

式中：[pwt，f]、[ppvt，f]——[t]時段風電場、光伏電站的預(yù)測出力，MW；[ζw]、[ζpv]——棄風、棄光電量的懲罰費用，元/MWh。

1.2 約束條件

1.2.1 火電機組約束

1） 火電機組出力約束

式中：[pgmin，i]——第[i]臺火電機組最小出力，MW；[pgmax，t]——第[i]臺火電機組最大出力，MW。

2） 爬坡速率約束

式中：[Rdownit]——機組[i]在[t]時段內(nèi)向下爬坡速率限值，MW/h；[Rupit]——機組[i]在[t]時段內(nèi)向上爬坡速率限值，MW/h。

1.2.2 風電機組出力約束

風電上網(wǎng)功率≤風電場最大預(yù)測出力，即：

1.2.3 光伏出力約束

光伏上網(wǎng)功率≤光伏電站最大預(yù)測出力，即：

1.2.4 抽水蓄能電站約束條件

1） 抽水蓄能電站出力約束

式中：[pPHmax]——抽水蓄能電站最大功率值，MW。

2） 水庫能量平衡約束

式中：[ηG]——抽水蓄能轉(zhuǎn)換效率，[ηG]取75%，水庫單日總能量保持平衡，即其發(fā)電量等于抽水量的75%；[TG]——抽水蓄能電站發(fā)電工況運行時段；若[pPHtlt;0]，則表示抽水蓄能電站處于抽水狀態(tài)，若[pPHtgt;0]，則表示電站處于發(fā)電狀態(tài)。

1.2.5 系統(tǒng)功率平衡約束

式中：[pDt]——[t]時段的負荷值。

2 算例分析

本文選取風-光-火-蓄聯(lián)合發(fā)電系統(tǒng)進行日前優(yōu)化調(diào)度，配置系統(tǒng)總裝機容量為1000 MW的火電機組、總裝機容量為200 MW的抽水蓄能電站、總裝機容量為300 MW的光電廠、總裝機容量為400 MW的風電場。

2.1 典型日負荷及可再生能源出力預(yù)測

圖1為典型日負荷及可再生能源出力預(yù)測曲線。本文選取的時間尺度為分鐘級，每15分鐘取一個點，共96個點。

2.2 優(yōu)化調(diào)度結(jié)果分析

采用4種調(diào)度情景驗證所提模型的有效性。情景1：不考慮抽水蓄能電站，風、光全額消納，火電機組進行調(diào)峰。情景2：不考慮抽水蓄能電站，風、光聯(lián)合互補運行進行多目標優(yōu)化，火電機組進行調(diào)峰。情景3：考慮抽水蓄能電站，風、光、蓄聯(lián)合互補運行進行多目標優(yōu)化，火電機組進行調(diào)峰。情景4：考慮抽水蓄能電站，兼顧系統(tǒng)凈負荷波動的風、光、蓄聯(lián)合互補運行多目標優(yōu)化，火電機組進行調(diào)峰。

對上述4種調(diào)度情景進行優(yōu)化，4種調(diào)度情景下的出力曲線和優(yōu)化結(jié)果如圖2和表1所示。對比情景1和情景2，在不考慮抽水蓄能電站、風光全額消納時，凈負荷有很大波動，火電機組出力頻繁調(diào)節(jié)，調(diào)峰波動性較大，而在考慮風光互補特性聯(lián)合處理時，凈負荷波動大大減小，特別在8：00—16：00 時段內(nèi)，凈負荷幾乎沒有波動，火電機組平穩(wěn)運行，但出現(xiàn)了一定程度的棄風棄光；而對比情景2和情景3可見，抽水蓄能的加入使得風光消納量大大提升，凈負荷波動也有所減??；對比情景3和情景4可見，兼顧凈負荷波動性的風、光、儲聯(lián)合互補運行不僅使凈負荷的波動性趨于平穩(wěn)，且可再生能源被大量消納，極大發(fā)揮了多種能源間的互補特性，使得火電機組的調(diào)峰壓力大大緩解。

由表1可知，對于情景1和情景2，當風、光全額消納時，由于其出力的隨機性和波動性，系統(tǒng)的凈負荷波動方差為6258.49 MW2，凈負荷峰谷差為308.79 MW，火電機組出力波動性極大，機組運行壽命受到嚴重影響；當考慮風光互補特性并以火電機組運行成本最低和風光出力最大為目標進行多目標優(yōu)化時，系統(tǒng)的凈負荷波動方差減少為1341.94 MW2，峰谷差減少為131.60 MW，火電機組出力波動有所減小，爬坡成本也減少了0.98萬元，但棄電率為10.45%，出現(xiàn)了大量棄風棄光現(xiàn)象，導致火電機組煤耗量增加，系統(tǒng)運行成本增多。由此可見，考慮風光之間的互補特性能夠降低可再生能源的隨機性給系統(tǒng)帶來的影響，減輕火電機組的調(diào)峰壓力，但棄電現(xiàn)象嚴重。

而對比情景2和情景3的優(yōu)化結(jié)果，加入抽水蓄能后，由于其調(diào)節(jié)作用，系統(tǒng)的凈負荷波動方差和峰谷差大大減小，極大減少了火電機組出力的波動性，棄電率僅為2.03%，可再生能源的消納有了很大提升，同時火電機組煤耗量減少，爬坡成本也有所減少，導致系統(tǒng)的運行成本減少了10.63萬元。對情景4進行分析可知，在考慮凈負荷波動性之后，系統(tǒng)的凈負荷波動方差和凈負荷峰谷差相比情景2減少了96.48%和81.82%，平抑凈負荷波動性效果顯著，但為了平抑凈負荷波動性，系統(tǒng)棄電率相比情景3增加了0.85%，系統(tǒng)運行成本也有所增加。

通過上述分析可知，加入抽水蓄能電站，兼顧系統(tǒng)凈負荷波動的含風、光、火、蓄的高比例新能源電力系統(tǒng)多目標優(yōu)化調(diào)度，不僅能很好地平抑凈負荷曲線的波動，而且能極大提高可再生能源的消納率，有效降低系統(tǒng)運行成本。

為了分析不同優(yōu)化目標對優(yōu)化結(jié)果的影響，本文設(shè)定3種不同的優(yōu)化目標，Ⅰ表示以凈負荷波動最小為目標函數(shù)；Ⅱ表示以風光出力最大和系統(tǒng)運行成本最低為目標函數(shù)；Ⅲ表示以風光出力最大、系統(tǒng)運行成本最低及凈負荷波動最小為目標函數(shù)，仿真結(jié)果如表2所示。

與只考慮凈負荷波動最小的單目標優(yōu)化相比，采用本文的優(yōu)化模型后，系統(tǒng)的棄電率減少了5.62%，系統(tǒng)運行成本也減少了8.93萬元；相較于考慮系統(tǒng)運行成本最低和風光出力最大的多目標優(yōu)化而言，本文的模型凈負荷波動方差減小了792.36 MW2，凈負荷峰谷差減小了97.67 MW2，且棄電率和系統(tǒng)運行成本僅有較小程度的增加。由此可知，兼顧系統(tǒng)運行成本最小、風光出力最大及凈負荷波動最小的多目標優(yōu)化模型能很好地均衡系統(tǒng)凈負荷方差、棄電率和運行成本之間的關(guān)系，使得電網(wǎng)能在大量消納可再生能源的基礎(chǔ)上，有效減小凈負荷波動，緩解火電機組調(diào)峰壓力，提高系統(tǒng)運行靈活性，同時還能保證系統(tǒng)經(jīng)濟運行。

利用NSGA-Ⅱ算法循環(huán)迭代400次，得到系統(tǒng)運行成本最小、風光出力最大及凈負荷波動最小三重目標Pareto最優(yōu)前沿分布，如圖3所示。3個目標之間存在一定的矛盾關(guān)系，當系統(tǒng)運行成本最小及風光出力最大時，凈負荷波動相對增大；而當凈負荷波動最小時，系統(tǒng)運行成本相對增加，風光出力也相對減少，需要綜合考慮多方面因素在3者之間折中選擇。

分析表3可知，相比傳統(tǒng)的線性加權(quán)算法，NSGA-Ⅱ算法顯然能更好地均衡系統(tǒng)凈負荷方差、棄電率和運行成本之間的關(guān)系，得到更好的優(yōu)化結(jié)果，極大地縮短求解時間。

為了提高可再生能源的消納率，電力系統(tǒng)調(diào)度會要求部分有調(diào)節(jié)能力的火電機組低于其最小技術(shù)出力（通常為額定功率的45%～50%）運行，此時火電機組在進行深度調(diào)峰。本文選取調(diào)峰深度分別為30%、40%、50%這3種場景進行仿真計算，得到的仿真結(jié)果如表4所示。

隨著調(diào)峰深度的擴大，系統(tǒng)棄電率明顯降低，當調(diào)峰深度從30%加深至50%時，系統(tǒng)棄電率大幅下降，降低了51.6%，且當調(diào)峰深度分別為30%和40%時，火電機組出力增加，導致火電機組煤耗量增加，系統(tǒng)運行成本增多，棄風棄光現(xiàn)象嚴重。因此，火電機組深度調(diào)峰有利于促進可再生能源的消納。

3 火電機組深度調(diào)峰分析

高比例可再生能源并網(wǎng)，必然對電網(wǎng)調(diào)峰調(diào)頻等造成一定的沖擊，危害電力系統(tǒng)運行的穩(wěn)定性和安全性［12-13］，且傳統(tǒng)火電和可再生能源發(fā)展之間的矛盾日益凸顯，中國現(xiàn)役火電機組須提高運行靈活性以及深度調(diào)峰能力［14］，以保證電網(wǎng)安全穩(wěn)定運行。

3.1 中國電源結(jié)構(gòu)的變化

目前，火電仍是中國電源結(jié)構(gòu)的主要組成部分，如表5所示。從2014年到2020年，中國發(fā)電裝機總?cè)萘吭鲩L了8.3億kW。電源結(jié)構(gòu)也在逐漸調(diào)整，2014年，火電占總裝機容量的67%，而風電及太陽能等可再生能源只占不到10%；2016年，火電裝機容量占總裝機容量的64%，占比略有下降，可再生能源占比則提升為14%，增幅明顯。特別是2019年，風電和太陽能裝機容量均已突破2億kW。2020年，可再生能源占比達到24%。由此可見，隨著中國發(fā)電裝機容量的不斷擴大，中國的電源結(jié)構(gòu)也發(fā)生了改變，可再生能源占比不斷提高，為滿足電源結(jié)構(gòu)變化的需要，提升可再生能源的利用率，要求電網(wǎng)中大容量火電機組普遍參與電網(wǎng)調(diào)峰。中國大部分火電機組長期運行在65%～75%的負荷下，不僅不能提供足夠的調(diào)峰深度，而且深度調(diào)峰時會對機組安全性、環(huán)保性和經(jīng)濟性造成很大影響。因此，電源結(jié)構(gòu)的改變給中國火電機組深度調(diào)峰及靈活性運行帶來了嚴峻挑戰(zhàn)。

3.2 儲能系統(tǒng)與聯(lián)合調(diào)峰運行

合理運用儲能是緩解火電機組調(diào)峰壓力的一個重要手段，主要的儲能系統(tǒng)有抽水蓄能電站、燃料電池等［15］。除此之外，利用多種能源的互補特性，考慮風電、光電、火電以及儲能之間的聯(lián)合調(diào)峰運行，實現(xiàn)削峰填谷，也是緩解火電機組調(diào)峰壓力、提升火電機組靈活性的有效方式之一［16-19］。

4 結(jié) 論

本文建立了更加符合實際運行工況的火電機組運行成本計算模型，構(gòu)建了更加完善的棄電懲罰成本計算模型和污染物懲罰成本計算模型；在此基礎(chǔ)上，建立了計及火電機組深度調(diào)峰的含風、光、火、蓄的高比例新能源電力系統(tǒng)多目標日前優(yōu)化調(diào)度模型，以系統(tǒng)運行成本最小、風光出力最大及凈負荷波動最小為目標，采用NSGA-II算法進行多目標優(yōu)化求解，得到如下結(jié)論：

1） 考慮風、光、火、蓄聯(lián)合互補運行后，系統(tǒng)對可再生能源的消納能力有了很大提升，由于抽水蓄能的調(diào)節(jié)作用，大大減少了棄風棄光電量，減小了火電機組出力，降低了火電機組爬坡成本和運行成本，提高了系統(tǒng)經(jīng)濟性，平抑了負荷波動以及風電光電出力的隨機性和不確定性帶來的波動，同時還能使系統(tǒng)出力能很好地跟蹤負荷曲線。

2） 爬坡成本和低負荷運行成本的引入、基于轉(zhuǎn)化率計算的各類污染物懲罰成本以及棄風棄光懲罰成本的引入，使得本文建立的系統(tǒng)運行成本模型更加完善、更加符合實際運行工況，能更真實地反映高比例可再生能源并網(wǎng)時系統(tǒng)的運行成本。

3） 當僅考慮一個或者兩個目標時，只能保證系統(tǒng)經(jīng)濟穩(wěn)定運行的某一方面，而本文建立的考慮系統(tǒng)運行成本最小、風光出力最大及凈負荷波動最小的多目標優(yōu)化模型能更好地均衡系統(tǒng)凈負荷方差、棄電率和運行成本之間的關(guān)系，使得可再生能源被大量消納的同時，減輕了火電機組的調(diào)峰壓力，還兼顧了系統(tǒng)的運行成本，從而保證電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟運行。

4） 本文使用的NSGA-Ⅱ算法大大降低了算法的復雜程度，提高了運行速度，縮短了求解時間，求得更優(yōu)解，在含有多約束、多目標的多能互補系統(tǒng)優(yōu)化調(diào)度中有很好的適應(yīng)性。

［參考文獻］

［1］ 《中國能源》編輯部. 為力爭二氧化碳排放2030年前達到峰值， 努力爭取2060年前實現(xiàn)碳中和而奮斗！［J］. 中國能源， 2020， 42（10）： 1.

\"China Energy\" Editorial Department. Strive to achieve the peak of carbon dioxide emissions before 2030， and strive to achieve carbon neutrality by 2060?。跩］. China energy， 2020， 42（10）： 1.

［2］ 劉吉臻. 大規(guī)模新能源安全高效利用基礎(chǔ)問題［J］. 中國電機工程學報， 2013， 33（16）： 1-8.

LIU J Z. Basic issues of safe and efficient utilization of large-scale" "new" "energy［J］." Proceedings" of" theCSEE， 2013， 33 （16）： 1-8.

［3］ 劉吉臻. 新能源電力系統(tǒng)建模與控制［M］. 北京： 科學出版社， 2015： 4-50.

LIU J Z. New energy power system modeling and control［M］. Beijing： Science Press， 2015： 4-50.

［4］ 林俐， 鄒蘭青， 周鵬， 等. 規(guī)模風電并網(wǎng)條件下火電機組深度調(diào)峰的多角度經(jīng)濟性分析［J］. 電力系統(tǒng)自動化， 2017， 41（7）： 21-27.

LIN L， ZOU L Q， ZHOU P， et al. Multi-angle angle economic analysis of deep peak shaving of thermal power units under the" condition" of" large-scale" wind" power" grid connection［J］. Automation of electric power systems， 2017， 41（7）： 21-27.

［5］ 郭志忠， 葉瑞麗， 劉瑞葉， 等. 含抽水蓄能電站的可再生能源電網(wǎng)優(yōu)化調(diào)度策略［J］. 電力自動化設(shè)備， 2018， 38（3）： 7-15.

GUO Z Z， YE R L， LIN R Y， et al. Optimal dispatching strategy of renewable energy grid with pumped storage power station［J］. Electric power automation equipment， 2018， 38（3）： 7-15.

［6］ 張國斌， 陳玥， 張佳輝， 等. 風-光-水-火-抽蓄聯(lián)合發(fā)電系統(tǒng)日前優(yōu)化調(diào)度研究［J］. 太陽能學報， 2020， 41（8）： 79-85.

ZHANG G B， CHEN Y， ZHANG J H， et al. Research on optimization" of" day-ahead" dispatching" of" wind" power-photovoltaic-hydropower-thermal" power-pumped" storage" combined" power" generation" system［J］." Acta" "energiae solaris sinica， 2020， 41（8）： 79-85.

［7］ 安磊， 王綿斌， 齊霞， 等. “風、光、火、蓄、儲”多能源互補優(yōu)化調(diào)度方法研究［J］. 可再生能源， 2018， 36（10）： 1492-1498.

AN L， WANG M B， QI X， et al. Research on multi energy complementary optimal dispatching method of“wind， light， fire， storage and storage”［J］. Renewable energy， 2018， 36（10）： 1492-1498.

［8］ 王明松. 風-光-蓄-火聯(lián)合發(fā)電系統(tǒng)的兩階段優(yōu)化調(diào)度策略［J］. 電網(wǎng)與清潔能源， 2020， 36（5）： 75-82.

WANG M S. Two-stage optimal dispatch strategy for wind-light-storage-fire" combined" power" generation" system［J］. Power system and clean energy， 2020， 36（5）： 75-82.

［9］ 王京景， 吳旭， 王正風， 等. 基于多目標模糊優(yōu)化的抽蓄水火電聯(lián)合調(diào)峰方法［J］. 電氣技術(shù)， 2019， 20（11）： 33-38， 45.

WANG J J， WU X， WANG Z F， et al. Joint peak shaving method of pumped storage thermal power based on multi-objective" "fuzzy" "optimization［J］." Electrical" "technology， 2019， 20 （11）： 33-38， 45.

［10］ 寧志， 叢星亮， 陳永龍. 300 MW和1000 MW燃煤機組能耗和污染物排放特性［J］. 電站輔機， 2019， 40（1）： 28-33.

NING Z， CONG X L， CHEN Y L. Energy consumption and pollutant emission characteristics of 300 MW and 1000 MW coal-fired units［J］. Auxiliary equipment for power station， 2019， 40（1）： 28-33.

［11］ 閆順林， 谷兵， 艾書劍， 等. 火電廠發(fā)電污染成本核算及敏感度分析［J］. 電力科學與工程， 2016， 32（7）： 62-67.

YAN S L， GU B， AI S J， et al. Cost accounting and sensitivity analysis of power generation pollution in thermal power plants［J］. Electric power science and engineering， 2016， 32（7）： 62-67.

［12］ ZHANG Y Q， ZHOU Q， ZHAO L， et al. The key technology for optimal scheduling and control of wind-photovoltaic-storage" multi-energy" complementary" system［C］//2020 IEEE Sustainable Power and Energy Conference （iSPEC）， Chengdu， China， 2020.

［13］ 郭蘇， 何意， 蔣川， 等. 風電-光伏-儲熱聯(lián)合發(fā)電系統(tǒng)的多目標容量優(yōu)化［J］. 太陽能學報， 2020， 41（11）： 359-368.

GUO S， HE Y， JIANG C， et al. Multi-objective capacity optimization of wind-photovoltaic heat-storage combined power generation system［J］. Acta energiae solaris sinica， 2020， 41（11）： 359-368.

［14］ 葉澤， 李湘旗， 姜飛， 等. 考慮最優(yōu)棄能率的風光火儲聯(lián)合系統(tǒng)分層優(yōu)化經(jīng)濟調(diào)度［J］. 電網(wǎng)技術(shù)， 2021， 45（6）： 2270-2280.

YE Z， LI X Q， JIANG F， et al. Hierarchical optimal economic dispatching of wind-solar-fire-storage combined system considering optimal energy rejection rate［J］. Power system technology， 2021， 45（6）： 2270-2280.

［15］ AN Y， ZHAO Z H H， WANG S K， et al. Coordinative optimization" " " " " "of" " " " "hydro-photovoltaic-wind-battery complementary power stations［J］. CSEE journal of power and energy systems， 2020， 6（2）： 410-418.

［16］ 王開艷， 羅先覺， 賈嶸， 等. 充分發(fā)揮多能互補作用的風蓄水火協(xié)調(diào)短期優(yōu)化調(diào)度方法［J］. 電網(wǎng)技術(shù)， 2020， 44（10）： 3631-3641.

WANG K Y， LUO X J， JIA R， et al. Short term optimal dispatching method for wind storage， water and fire coordination by giving full play to the complementary role of multiple energies［J］. Power system technology， 2020， 44 （10）： 3631-3641.

［17］ GOU J， WANG X， SU Y C， et al. Research on optimal dispatching method of power systems with high proportion of clean energy based on multi-energy complementarity［C］//Fourth International Conference on Energy Engineering and Environmental Protection， Xiamen， China， 2020.

［18］ 羅毅， 張若含. 風-光-水聯(lián)合發(fā)電系統(tǒng)優(yōu)化調(diào)度研究［J］. 太陽能學報， 2015， 36（10）： 2492-2498.

LUO Y， ZHANG R H. Research on optimal dispatching of wind-light-water" combined" power" generation" system［J］.Acta energiae solaris sinica， 2015， 36（10）： 2492-2498.

［19］ 李鐵， 李正文， 楊俊友， 等. 計及調(diào)峰主動性的風光水火儲多能系統(tǒng)互補協(xié)調(diào)優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2020， 44（10）： 3622-3630.

LI T， LI Z W， YANG J Y， et al. Complementary coordinated optimal dispatching of wind， water and fire storage" multi-energy" system" considering" peak" shaving initiative［J］. Power" system" technology，" 2020，" 44（10）： 3622-3630.

RESEARCH ON DAY-AHEAD OPTIMAL DISPATCHING OF

HIGH-PROPORTION RENEWABLE ENERGY POWER SYSTEM CONSIDERING DEEP PEAK LOAD REGULATION OF THERMAL POWER

Wang Jiahui1，2，Niu Yuguang1，2，Chen Yue1，2，Li Xiongwei3

（1. School of Control and Computer Engineering， North China Electric Power University， Beijing 102206， China；

2. State Key Laboratory for Alternate Electric Power System with Renewable Energy Source， Beijing 102206， China；

3. National Energy Group New Energy Technology Research Institute Co.， Ltd.， Beijing 102206， China）

Abstract：Aiming at the grid connection of a high-proportion" renewable energy， this paper proposes a multi-objective day-ahead optimal dispatch model for a high-proportion new energy power system including wind power， photovoltaic， thermal power and pumped storage. This model considers the operating costs of thermal power units， pollutants penalties and renewable energy curtailment under new operating conditions such as deep peak shaving and frequent ramps of thermal power units. This model takes the lowest system operating costs， the largest wind power and photovoltaic output and the smallest net load fluctuations as the optimization goals， and uses the NSGA-Ⅱ algorithm to optimize the solution. Through the simulation calculation of different scheduling scenarios on a typical day， the results show that the calculation model of the total operating costs of the system established in this paper can take into account the economy， environmental protection and consumption of the system. The multi-objective optimization scheduling strategy proposed in this paper can promote the consumption of high proportion of renewable energy， alleviate the peak shaving pressure of thermal power units， reduce the total costs of system operation， guide the thermal power flexibility transformation of power system， and ensure the safe， stable and economic operation of power system.

Keywords：renewable energy； power systems； dispatching optimization； multiple targets； deep peak shaving