基于虛擬發(fā)電廠的火電機(jī)組廠級(jí)負(fù)荷兩級(jí)分配方法研究

李志偉,隋旭光,車 銘,王彤彤,王松寒,葛 朋

(1.東北電力大學(xué)自動(dòng)化工程學(xué)院,吉林 吉林 132012;2.國(guó)網(wǎng)新源控股有限公司東北開發(fā)建設(shè)分公司,遼寧 沈陽(yáng) 10000;3.吉林省電力科學(xué)研究院有限公司,吉林 長(zhǎng)春 130001;4.國(guó)家能源集團(tuán)雙遼發(fā)電有限公司,吉林 雙遼 136400)

0 引 言

虛擬發(fā)電廠被認(rèn)為是一種用電側(cè)的能效電廠,可實(shí)時(shí)調(diào)度廠內(nèi)各類發(fā)電機(jī)組,并提高廠內(nèi)機(jī)組的調(diào)峰能力。利用先進(jìn)的通信技術(shù)將一定范圍內(nèi)的新能源、發(fā)電廠、可控負(fù)荷和儲(chǔ)能系統(tǒng)等進(jìn)行聚合和協(xié)調(diào)優(yōu)化,作為特殊的電廠參與電網(wǎng)的運(yùn)行[1-3]。

廠級(jí)負(fù)荷優(yōu)化分配系統(tǒng)作為中調(diào)部門和電廠的過渡系統(tǒng),采用廠級(jí)負(fù)荷分配方法既可以應(yīng)對(duì)新能源出力變化對(duì)電網(wǎng)穩(wěn)定運(yùn)行的影響,又可以提高火電廠的經(jīng)濟(jì)效益[4]?；痣姍C(jī)組優(yōu)化調(diào)度是電力系統(tǒng)經(jīng)濟(jì)的重要環(huán)節(jié),國(guó)內(nèi)外學(xué)者在此方面進(jìn)行了大量的理論研究,早期的研究方法有等微增率法、拉格朗日法等基于函數(shù)優(yōu)化理論的研究方法[5]。該方法計(jì)算簡(jiǎn)單且易于實(shí)現(xiàn),但是要求目標(biāo)函數(shù)必須是連續(xù)可微的函數(shù)。隨著計(jì)算機(jī)技術(shù)的發(fā)展,大量的智能算法被應(yīng)用到電廠負(fù)荷優(yōu)化調(diào)度中。主要的算法有遺傳算法、人工神經(jīng)網(wǎng)絡(luò)算法、粒子優(yōu)化算法、動(dòng)態(tài)規(guī)劃法等[6-8]。

本文基于虛擬電廠的概念,提出將風(fēng)電與火電整合為一個(gè)虛擬電廠進(jìn)行負(fù)荷分配,使用二次多項(xiàng)式函數(shù)形式對(duì)煤耗曲線擬合,形成較為準(zhǔn)確的煤耗特性方程,建立以經(jīng)濟(jì)性指標(biāo)和快速性指標(biāo)的多目標(biāo)優(yōu)化分配數(shù)學(xué)模型,對(duì)各個(gè)目標(biāo)使用不同的權(quán)重系數(shù)建立多目標(biāo)函數(shù),應(yīng)用捕食遺傳算法對(duì)多目標(biāo)函數(shù)進(jìn)行求解。有效解決了遺傳算法在尋優(yōu)過程中收斂速度慢的問題,保證電力線系統(tǒng)可靠運(yùn)行的同時(shí)又兼顧經(jīng)濟(jì)效益的最大化。

1 機(jī)組煤耗特性曲線獲取

火電廠通常以全廠經(jīng)濟(jì)效益最優(yōu)為目的進(jìn)行負(fù)荷優(yōu)化分配。在傳統(tǒng)的負(fù)荷分配方法中,各機(jī)組的煤耗特性是負(fù)荷分配的前提條件。機(jī)組的煤耗特性反映了機(jī)組的負(fù)荷與煤耗量之間的關(guān)系,也是機(jī)組的發(fā)電效率和經(jīng)濟(jì)指標(biāo)的關(guān)鍵參數(shù)。要研究火電機(jī)組的負(fù)荷分配問題,就必須先要求出各機(jī)組的煤耗方程,所以建立正確的煤耗模型對(duì)負(fù)荷分配至關(guān)重要[5]。

為了使煤耗模型更真實(shí)的反映機(jī)組的實(shí)際運(yùn)行狀況,可以利用最小二乘法對(duì)機(jī)組的負(fù)荷和煤耗量進(jìn)行曲線擬合。實(shí)踐表明,為保證結(jié)果準(zhǔn)確性并降低計(jì)算量,對(duì)于火電機(jī)組煤耗特性曲線擬合多采用二次曲線方式進(jìn)行擬合[9-10],本文采用二次多項(xiàng)式函數(shù)形式對(duì)煤耗曲線進(jìn)行擬合。已知火電機(jī)組的煤耗特性函數(shù)為

F=aP2+bP+c

(1)

公式中:F為火電機(jī)組煤耗量;P為機(jī)組功率;a、b、c分別為煤耗特性系數(shù)。

利用最小二乘法確定系數(shù),從而確定煤耗特性模型。選取某電廠的4臺(tái)300 MW機(jī)組運(yùn)行數(shù)據(jù)的煤耗量,對(duì)現(xiàn)場(chǎng)測(cè)試的數(shù)據(jù)進(jìn)行最小二乘法擬合,計(jì)算出四臺(tái)火電機(jī)組對(duì)應(yīng)的煤耗特性方程,

1號(hào)機(jī)組的煤耗擬合結(jié)果:

F1=0.000 922P+0.703 91P1+84.16

(2)

2號(hào)機(jī)組的煤耗擬合結(jié)果:

(3)

3號(hào)機(jī)組的煤耗擬合結(jié)果:

(4)

4號(hào)機(jī)組的煤耗擬合結(jié)果:

(5)

2 虛擬發(fā)電廠概念下廠級(jí)負(fù)荷優(yōu)化分配數(shù)學(xué)模型

新能源發(fā)電和火力發(fā)電的結(jié)合發(fā)電,正在成為當(dāng)前研究熱點(diǎn)[11]。未來(lái)的電網(wǎng)需求側(cè)的管理方式也隨著改變,廠網(wǎng)兩級(jí)節(jié)能調(diào)度方式可以有效保障電網(wǎng)安全穩(wěn)定的運(yùn)行[12]。廠級(jí)負(fù)荷分配系統(tǒng),電網(wǎng)調(diào)度側(cè)將負(fù)荷指令發(fā)下給各個(gè)電廠,廠級(jí)負(fù)荷分配系統(tǒng)可以在滿足電網(wǎng)的負(fù)荷需求的同時(shí),對(duì)機(jī)組負(fù)荷進(jìn)行優(yōu)化分配[13]。本文將在虛擬發(fā)電廠內(nèi)統(tǒng)一管理風(fēng)電出力和火電出力情況,將風(fēng)火混合廠級(jí)負(fù)荷分配系統(tǒng)應(yīng)用到虛擬發(fā)電廠上。綜合衡量機(jī)組的經(jīng)濟(jì)性指標(biāo)、快速性指標(biāo)和系統(tǒng)穩(wěn)定性指標(biāo)進(jìn)行負(fù)荷優(yōu)化分配。

2.1 負(fù)荷分配指標(biāo)

以電廠獲得的最大經(jīng)濟(jì)效益為目標(biāo)函數(shù)進(jìn)行負(fù)荷優(yōu)化分配,經(jīng)濟(jì)調(diào)度模型通常不包括各機(jī)組的啟停狀態(tài)和機(jī)組組合情況[14],以電廠的煤耗作為經(jīng)濟(jì)指標(biāo)的目標(biāo)函數(shù)進(jìn)行負(fù)荷優(yōu)化分配:

(6)

公式中:Fall,t為t時(shí)段全廠總煤耗;fi(Pi,t)為t時(shí)段第i臺(tái)機(jī)組煤耗量。

經(jīng)濟(jì)性指標(biāo)還需滿足以下約束條件:

1)功率平衡約束

(7)

公式中:Pd,t為t時(shí)段虛擬電廠的總負(fù)荷;Pw,t為t時(shí)段風(fēng)電發(fā)電功率;Pall,t為t時(shí)段發(fā)送給電廠總的負(fù)荷值。

2)虛擬發(fā)電廠備用容量大小

(8)

公式中:D+=PR,t+us%Wt,D-=ds%Wt,Pi,min為第i臺(tái)機(jī)組的最小功率;Pi,min第i臺(tái)機(jī)組的最大功率;Wt為t時(shí)段風(fēng)電功率;PR,為t時(shí)段虛擬電廠負(fù)荷旋轉(zhuǎn)備用,文中PR,t=5%Pd,t。

理論上全廠各機(jī)組滿速率進(jìn)行負(fù)荷升降任務(wù)可以使全廠完成負(fù)荷的任務(wù)時(shí)間最短,達(dá)到快速響應(yīng)負(fù)荷的目的。但在實(shí)際運(yùn)行過程中,各機(jī)組的性能差異決定機(jī)組不可能滿速率運(yùn)行,因此建立快速性廠級(jí)負(fù)荷優(yōu)化分配目標(biāo)函數(shù)如下:

(9)

公式中:T(Pall,t)為t時(shí)段機(jī)組負(fù)荷調(diào)整時(shí)間;Pi.t-1為t-1時(shí)段第i臺(tái)機(jī)組的負(fù)荷,T為第i臺(tái)機(jī)組的升降負(fù)荷速率。

其約束條件為

T(Pall,t)

(10)

公式中:T為中調(diào)要求的調(diào)節(jié)時(shí)間。

2.2 多目標(biāo)優(yōu)化函數(shù)

在廠級(jí)負(fù)荷分配系統(tǒng)中既要兼顧經(jīng)濟(jì)性與快速性,又要按規(guī)定完成中調(diào)下達(dá)的指令前提下追求電廠更多經(jīng)濟(jì)效益[15-16],所以采用多目標(biāo)優(yōu)化函數(shù)的方法。利用權(quán)重法實(shí)現(xiàn)多目標(biāo)優(yōu)化的方法所求問題的目標(biāo)函數(shù)需要具有相同的量綱,而在本研究中明顯具有不同的量綱,故首先需要對(duì)目標(biāo)函數(shù)進(jìn)行無(wú)量綱化處理。

利用權(quán)重法對(duì)經(jīng)濟(jì)性指標(biāo)與快速性指標(biāo)采用不同的權(quán)重系數(shù),這樣廠級(jí)負(fù)荷分配優(yōu)化既可以兼顧經(jīng)濟(jì)性又可以滿足快速性要求。建立如下的多目標(biāo)優(yōu)化函數(shù):

minF(Pall,t)=minwc·F(Pall,t)+minwt·FT(Pall,t)

(11)

(12)

還應(yīng)滿足以下約束條件:

1)全廠總功率

(13)

公式中:P為電廠總負(fù)荷指令;Pwnow為風(fēng)電當(dāng)前時(shí)刻的出力,Pi為第i臺(tái)機(jī)組的負(fù)荷。

2)火電機(jī)組出力約束

Pi,min≤Pi≤Pi,max

(14)

公式中:Pi,min為第i臺(tái)機(jī)組的最小出力負(fù)荷;Pi,max為第i臺(tái)機(jī)組的最大出力負(fù)荷。

3)備用容量大小約束

Pmax≥P+Rt

(15)

公式中:Pmax為電廠最大發(fā)電負(fù)荷;Rt為t時(shí)段所需的旋轉(zhuǎn)備用容量。

3 基于捕食遺傳算法的廠級(jí)負(fù)荷優(yōu)化分配系統(tǒng)

3.1 基于捕食遺傳算法的負(fù)荷優(yōu)化分配方案

遺傳算法是一類借鑒了生物的繁衍過程模擬生物基因選擇和遺傳機(jī)制而形成的一種啟發(fā)式全局優(yōu)化搜索算法[17]。遺傳算法通常由五個(gè)要素構(gòu)成;編碼方式、種群初始化方法、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作步驟設(shè)計(jì)和收斂條件的設(shè)定[18]。在風(fēng)火混合負(fù)荷優(yōu)化分配系統(tǒng)中,每一個(gè)可能解都代表一種方案,通過設(shè)定適應(yīng)度函數(shù)評(píng)價(jià)可能解的好壞選出最優(yōu)個(gè)體,進(jìn)而進(jìn)行交叉變異產(chǎn)生新種群。

捕食搜索策略適用于解決機(jī)組組合優(yōu)化問題,模擬在動(dòng)物捕食過程中進(jìn)行的空間搜索策略[19-20]。借鑒捕食搜索的策略改進(jìn)遺傳算法的交叉算子和變異算子,在進(jìn)化的初始階段以全局搜索的方式,防止過早收斂,選取較大的交叉概率和較小的變異概率進(jìn)行全局搜索。其改進(jìn)后的式子如下:

(16)

公式中:i為進(jìn)化次數(shù);M為總進(jìn)化次數(shù);Pcl、Pcl,max、Pcl,min分別為交叉概率、最小交叉概率和最大交叉概率;Pml,Pml,max、Pml,min分別為變異概率、最小變異概率和最大變異概率其算法流程圖如圖1所示。

圖1 捕食遺傳算法流程圖Fig.1 Flow chart of predator genetic algorithm

3.2 仿真分析

本文實(shí)驗(yàn)以裝機(jī)容量為200 MW的風(fēng)電場(chǎng)和四臺(tái)300 MW的燃煤機(jī)組的火電廠進(jìn)行仿真分析。設(shè)定每臺(tái)機(jī)組的出力下限值為110 MW,出力上限值為300 MW,使用公式(2)～公式(5)所指的煤耗特性方程。

試驗(yàn)中假設(shè)4臺(tái)機(jī)組的變負(fù)荷速率v1為5 MW/min;v2為6 MW/min;v3為5.5 MW/min;v4為5.7 MW/min;各機(jī)組當(dāng)前的功率值均為150 MW。根據(jù)第2節(jié)中提出的多目標(biāo)廠級(jí)負(fù)荷優(yōu)化分配模型,利用捕食遺傳算法,設(shè)置不同的權(quán)重值進(jìn)行仿真。分別選取經(jīng)濟(jì)性指標(biāo)權(quán)重wc為1,快速性指標(biāo)權(quán)重wt為0;經(jīng)濟(jì)性指標(biāo)權(quán)重wc為0.6,快速性指標(biāo)權(quán)重wt為0.4;經(jīng)濟(jì)性指標(biāo)權(quán)重wc為0,快速性指標(biāo)權(quán)重wt為1這三種情況進(jìn)行仿真結(jié)果的分析。

表1為根據(jù)風(fēng)電日出力均值、標(biāo)準(zhǔn)差和虛擬發(fā)電廠總負(fù)荷計(jì)算出的24小時(shí)內(nèi)火電機(jī)組總負(fù)荷指令值。

表1 火電機(jī)負(fù)荷指令Tab.1 Thermal power load instructions

根據(jù)以上所分配的權(quán)重值分析三臺(tái)機(jī)組的出力情況,可以計(jì)算出各機(jī)組在這三種的情況下每段時(shí)間內(nèi)的煤耗量,如圖2所示,證明了考慮風(fēng)電接入的多目標(biāo)優(yōu)化模型可以實(shí)現(xiàn)經(jīng)濟(jì)性最優(yōu)。

圖2 不同權(quán)重下煤耗量Fig.2 Coal consumption under different weights

圖3是在第3時(shí)段考慮經(jīng)濟(jì)性指標(biāo)和快速性指標(biāo)的多目標(biāo)優(yōu)化時(shí),遺傳算法和捕食遺傳算法適應(yīng)度曲線對(duì)比。

圖3 遺傳算法與捕食遺傳算法對(duì)比Fig.3 Comparison of genetic algorithm and predatory genetic algorithm

從圖3中可以看出,捕食遺傳算法在初始種群和收斂速度上比遺傳算法有明顯優(yōu)勢(shì),證明了該方法的可行性。

為了研究虛擬發(fā)電廠對(duì)風(fēng)電的消納能力,本文中實(shí)驗(yàn)選取幾組典型時(shí)段的數(shù)據(jù)進(jìn)行比較。設(shè)定風(fēng)電的跟蹤時(shí)間為3分鐘,四臺(tái)火電機(jī)組的出力均為150 MW,且每臺(tái)機(jī)組的升降負(fù)荷速率v1為5 MW/min;v2為6 MW/min;v3為5.5 MW/min;v4為5.7 MW/min。設(shè)置虛擬發(fā)電廠的總負(fù)荷值為700 MW,風(fēng)電出力負(fù)荷為100 MW,當(dāng)風(fēng)電突然增加10、40和80 MW進(jìn)行對(duì)比。(Tw≥Tc、Tt≤Tw≤Tc、Tw≤Tt)。

根據(jù)圖4、圖5和圖6各機(jī)組的負(fù)荷分配值與跟蹤時(shí)間可知,選取經(jīng)濟(jì)性權(quán)重越高,跟蹤時(shí)間越大。

圖4 風(fēng)電增加10 MW不同權(quán)重下風(fēng)火出力情況Fig.4 Wind and fire output under different weights of 10 MW increase in wind power

圖5 風(fēng)電增加40 MW不同權(quán)重下風(fēng)火出力情況Fig.5 Wind power output with different weights of 40 MW increase

圖6 風(fēng)電增加80 MW不同權(quán)重下風(fēng)火出力情況Fig.6 Wind power output with different weights of 80 MW increase in wind power

所以當(dāng)Tw≥Tc時(shí),以經(jīng)濟(jì)性指標(biāo)為目標(biāo)進(jìn)行分配,如風(fēng)電增加40 MW情況;當(dāng)Tw≤Tt時(shí),以快速性指標(biāo)為目標(biāo)進(jìn)行分配,例如風(fēng)電增加80 MW情況下進(jìn)行快速性分配;在Tt≤Tw≤Tc時(shí),可選取不同權(quán)值,比較經(jīng)濟(jì)性最優(yōu)負(fù)荷分配方案。

4 結(jié) 論

本文基于虛擬發(fā)電廠技術(shù),以尋求風(fēng)火混合廠級(jí)負(fù)荷分配方法。首先利用現(xiàn)場(chǎng)的測(cè)試數(shù)據(jù)獲取機(jī)組的煤耗特性曲線,構(gòu)建既考慮經(jīng)濟(jì)性又考慮快速性的廠級(jí)負(fù)荷分配系統(tǒng),使用捕食遺傳算法進(jìn)行求解,仿真分析證明了該方法的正確性,同時(shí)改變風(fēng)電的出力功率驗(yàn)證其消納能力。

1)建立了風(fēng)火混合負(fù)荷優(yōu)化分配的數(shù)學(xué)模型,構(gòu)建了考慮經(jīng)濟(jì)性指標(biāo)和快速性指標(biāo)的多目標(biāo)數(shù)學(xué)模型。

2)設(shè)計(jì)了一種基于捕食策略的遺傳算法,仿真試驗(yàn)結(jié)果表明該算法對(duì)于負(fù)荷分配具有優(yōu)化效果,驗(yàn)證了提出的廠級(jí)負(fù)荷分配方案對(duì)提升新能源消納能力的有效性。