含光热的多源联合系统优化调度

Optimal Scheduling of Multi-Source Joint System with CSP

摘要: 近几年，我国风电、光伏发展规模不断增大，对风电、光伏发展较集中的西北地区而言，由于风电、光伏的容量急速增加及随机性给电网安全运行带来影响，使电网调度问题日益突出。本文在火电、风电、光伏联合发电系统中，加入光热发电，对含光热的多源联合发电系统建立优化调度模型。并采用基于精英策略的快速非支配排序遗传(The Elitist Non-dominated Sorting Genetic, NSGA-II)算法和鲸鱼算法(Whale Optimization Algorithm, WOA)的混合多目标优化算法对调度模型进行求解。通过仿真验证了加入光热合理调度，有效平抑了风电、光伏随机性引起的功率波动，并提高并网效益，增加新能源并网渗透率。

Abstract: In recent years, the scale of wind power and photovoltaic development in China has been increasing. For the northwest region where the development of wind power and photovoltaic is concentrated, the rapid increase in the capacity of wind power and photovoltaic and its randomness have an impact on the safe operation of the power grid, which makes the power grid dispatching problem increasingly prominent. In this paper, concentrating solar power (CSP) generation is added to the combined power generation system of thermal power, wind power and photovoltaic, and an optimal scheduling model is established for the combined power generation system with CSP. The elite strategy-based fast non-dominated sorting genetic (NSGA-II) algorithm and Whale Optimization Algorithm (WOA) are used to solve the scheduling model. Through simulation, it is verified that adding photothermal reasonable scheduling can effectively stabilize the power fluctuation caused by randomness of wind power and photovoltaic, improve the grid-connected benefits and increase the grid-connected penetration rate of new energy.

1. 引言

近年来，随着光伏、风电的快速发展，部分地区新能源渗透率的迅速增长给电力系统带来了很多的不确定性 [1] [2] 。由于风力发电和光伏发电存在波动性和间歇性，风电机组和光伏电池运行需要配备储能装置，增加了额外运行费用，并且对环境污染有一定的影响，因此将风电、光伏发电与其他经济可控能源联合运行发电逐渐成为热点 [3] [4] 。而光热发电是近年来一种新兴的发电技术，引起了人们高度关注 [5] [6] 。光热发电的深入研究与开发是从2006年左右开始的，自2008年起全球光热产业进入快速增长阶段，光热装机容量迅速上升，预计到2025年全球光热发电装机规模有望达到22 GM。美国和西班牙光热装机容量遥遥领先，而中国正处于光热发电的起步阶段，距离商业化并网还有一段距离 [7] 。考虑到未来光热电站的大规模建设及其可调节能力，将光热电站和其他新能源发电联合运行已成为一种趋势，而如何将光热发电与其他新能源发电进行协调控制与优化调度是学者们研究的重点。文献 [8] 提出了风电与光热联合发电，并采用多法线边界交叉算法进行多目标优化协调控制。文献 [9] 考虑火电机组发电、风电、光伏发电与光热发电并网消纳的环境效益和运行维护成本、系统旋转备用成本、调峰容量购买成本构建单目标函数和电网安全运行约束条件，并采用改进的NASG-II算法对模型进行求解。文献 [10] 研究以风电、光伏等新能源发电机组和储能装置为电源的独立微电网日前优化调度，提出了自适应加权和近似动态规划算法求解该优化问题。文献 [11] 在考虑风光负荷预测误差的条件下，建立基于风电、光伏发电、柴油发电及储能系统运行成本的优化调度模型，采用改进粒子群算法进行算例求解。文献 [12] 通过分析风、光、火打捆发电系统，引入弃风、弃光分段惩罚因子，在不影响电网稳定的情况下，尽可能多地消纳新能源，并提出了以发电成本作为目标函数，使其经济最大化，并且用模拟退火人工蜂群算法(SA-ABC)算法对风、光、火打捆系统的经济调度优化做出深层研究。文献 [13] 针对含有风力发电、光伏发电的分布式电源、储能系统蓄电池新型能源元件的微电网，基于分时电价构建了微电网经济运行模型，采用改进帝国竞争算法对模型进行求解，算例结果表明所建模型的正确性和有效性。文献 [14] 研究了多能源系统中，为了解除储能与其他设备的耦合约束，使其更好地参与经济调度，充分考虑到不同时段的售、购电价差及热电负荷水平，建立了计及电储能机会收益和热储能惩罚成本的多能源系统冷热电联合优化调度模型，提出了一种基于Tent映射的混沌爆炸改进增强烟花算法求解模型。

以上文献多数只针对新能源风电、光伏与其他储能等联合发电进行研究，对含光热的多源联合系统研究相对较少，并且大多都是只以成本最小建立单目标函数进行研究。本文对含光热的多源联合优化调度进行研究，建立了含光热的多源联合发电的调度模型，并用NSGA-Ⅱ和WOA的混合算法对所建立模型进行优化求解。从联合发电系统并网效益最大和并网输出总功率波动性最小构建多目标函数及其约束条件，从而保证并网后总功率波动性最小，同时增加效益。

2. 含光热的多源联合系统的调度模型

2.1. 联合发电系统的目标函数

目前多数学者研究了风电、光伏、火电以及储能联合发电优化调度，以储能电池来平抑风电、光伏引起的波动。考虑到火电机组需要耗费不可再生能源及对环境造成极大的污染和储能电池储存容量较小、成本高等缺点，本文利用光热电站的储热容量大以及可控、灵活等优势，与光伏、风力发电和火电联合发电，通过光热合理地调度，最大消纳风电和光伏，尽量减少火电机组发电。本文对含光热的多源联合发电系统并网效益最大和总功率波动性最小进行评估，两者结合为含光热的多源联合发电系统的多目标函数。

1) 含光热的多源联合系统并网经济效益最大

$\max f_1={\displaystyle {\sum }_{t=0}^T{\displaystyle {\sum }_{i=1}^n\left(C_W{P}_{Wt}^{*}+C_S{P}_{St}^{*}+C_C{P}_{Ct}^{*}+C_F{P}_{Fi.t}^{*}\right)}}$ (1)

2) 含光热的多源联合系统总功率波动最小

$\min f_2={\displaystyle {\sum }_{t=0}^T{\left({\displaystyle {\sum }_{i=1}^n{P}_{Fi.t}^{*}}+P_{Wt}^{*}+P_{St}^{*}+P_{Ct}^{*}-P_{Avg}\right)}^2}$ (2)

式中： $P_{Wt}^{*}$ 、 $P_{St}^{*}$ 、 $P_{Ct}^{*}$ 、 $P_{Fi.t}^{*}$ 分别为风电、光伏、光热和火电机组i在t时刻传输至电网的功率； $C_W$ 、 $C_S$ 、 $C_C$ 、 $C_F$ 为风电、光伏、光热和火电上网电价； $P_{Avg}$ 为该时段内的平均值；T为日调度时段数，T = 24；n为火电机组数，n = 8。

2.2. 联合发电系统的目标函数的约束条件

为了满足电网安全运行，所建模型的约束条件有功率平衡约束；风电场和光伏电站的约束；正、负旋转备用容量约束；常规机组的约束有出力约束、爬坡率约束、启动和停运时的出力约束；储热系统约束条件；光热电场出力约束及爬坡约束。

1) 系统功率平衡约束

${\displaystyle {\sum }_{i=1}^8{P}_{Fit}^{*}}+P_{Wt}^{*}+P_{St}^{*}+P_{Ct}^{*}=P_{Lt}$ (3)

式中： $P_{Lt}$ 为时t时刻的负荷预测值。

2) 风电场和光伏电站的约束条件

$\text{s}\text{.t}\text{.}\{\begin{array}{l}0\le P_{Wt}^{*}\le P_{Wt}^F\\ 0\le P_{St}^{*}\le P_{St}^F\end{array}$ (4)

式中： $P_{Wt}^F$ 为风电场t时刻预测出力； $P_{St}^F$ 为光伏电站t时刻预测出力。

(3)正、负旋转备用容量约束

$\{\begin{array}{l}{P}_{u,it}={\displaystyle {\sum }_{i=1}^n\min }\left(P_{i,\max }-P_{Fi.t}{R}_{ui}\right)\ge P_F\\ P_{d,it}={\displaystyle {\sum }_{i=1}^n\min }\left(P_{Fi,t}-P_{i,\min }{R}_{di}\right)\ge P_F\end{array}$ (5)

式中： $P_{u,it}$ 为火电机组i在t时段的正旋转备用(MW)； $P_{d,it}$ 为火电机组i在t时段的负旋转备用(MW)； $P_{i,\max }$ 为火电机组i最大出力(MW)； $P_{i,\min }$ 为火电机组i最小出力(MW)； $R_{ui}$ 为火电机组i的最大向上爬坡率； $R_{di}$ 为火电机组i的最大向下爬坡率； $P_F$ 负荷预测误差率(%)。

4) 常规机组的约束有出力约束、爬坡率约束、启动和停运时出力约束

$P_{i,\min }\le P_{Fi,t}\le P_{i,\max }$ (6)

$-R_{di}\le P_{Fi,t}\le R_{ui}$ (7)

$\begin{array}{l}{U}_{i\left(t-1\right)}=0,U_{it}=1\\ U_{it}=1,U_{i\left(t+1\right)}=0\end{array}\}{P}_{Fi.t}=P_{i,\min }$ (8)

式中： $U_{i\left(t-1\right)}=0$ 为机组停运状态； $U_{i\left(t-1\right)}=1$ 时为机组运行状态。

5) 储热系统约束条件

$\text{s}\text{.t}\text{.}\{\begin{array}{l}-P_{\text{MAX}}\le P_{B.i}\le P_{\text{MAX}}\\ E_{\text{MIN}}\le E_B\le E_{\text{MAX}}\end{array}$ (9)

$A_b\cdot B_b=0$ (10)

式中： $P_{B.i}$ 为储热装置t时刻蓄热放热量，其中放热表示为负数，蓄热为正数； $P_{\text{MAX}}$ 是一个周期内储热装置可蓄热的最大容量； $E_{\text{MIN}}$ 是储热装置能量的最小值； $E_{\text{MAX}}$ 表示储热装置能量的最大值； $A_b$ 储热系统充热状态； $B_b$ 储热系统放热状态数值； $A_b$ 、 $B_b$ 为0或1。

3. 模型求解

本文采用NSGA-II和WOA的混合优化算法对模型求解，NSGA-II是一种带精英策略的非支配排序的GA算法，具备了遗传算法的鲁棒性、适应性、编码灵活性、收敛性等优点，存在计算复杂度太高，容易陷入局部最优等缺点。目前不少学者已对NSGA-II的算子进行了改进，对计算复杂程度也有所降低，计算速度也明显有所提出高，但仍存在复杂度高等问题。WOA的优势在于操作简单、调节参数较少，只有两个主要调整参数(收敛因子和摆动因子)，由于对收敛因子的设定，该算法能够很好地平衡开发和勘探能力，增大了跳出局部最优的可能性。但WOA中的搜索完全依赖随机性，导致算法收敛精度低，极早收敛等缺陷。针对WOA存在极早收敛、收敛精度低的问题，在NSGA-II和WOA的混合算法的基础上保留WOA的简单性；而对NSGA-II的收敛性好，在NSGA-II和WOA的混合算法的基础上保留NSGA-II好的收敛性能。在并行运算优化时，将WOA适应度值高的个体和NSGA-II适应度值高的个体进行交叉和信息重新组合，从而达到提高搜索深度、收敛性好、计算简单等优势。基于NSGA-II和WOA的混合优化算法的调度流程图为图1。

NSGA-II和WOA的混合算法对含光热的多源联合发电系统调度模型求解流程如图1所示。

4. 算例分析

4.1. 参数设置

光热电站参数、典型出力及火电机组的参数见表1、表2、表3。

4.2. 仿真分析

本文用MATLAB软件进行仿真分析，用NSGA-II和WOA的混合算法对含光热的多源联合系统模型求解，NSGA-II和WOA的混合算法的参数设置为：种群规模P = 200，最大迭代次数t_max = 1000，变异率P_M = 0.1，交叉率P_C = 0.7，收敛因子A取[−1, 1]，摆动因子C = 2a，a取[0, 1]。

情景1：风电–光伏–火电联合系统优化调度(9个火电机组都参与)；

情景2：光热–风电–光伏–火电联合系统优化调度(用光热代替9号火电机组)。

Figure 1. Flow chart of optimal scheduling of multi-source joint system with light and heat

图1. 含光热的多源联合系统优化调度流程图

Table 1. Parameters of photothermal power plant

表1. 光热电站参数

Table 2. Solar power prediction of typical photothermal power plant

表2. 典型光热电站日光功率预测

Table 3. Parameters of thermal power unit

表3. 火电机组参数

采用NSGA-II和WOA的混合算法对不含光热和含光热的多源联合系统调度模型进行求解，并对所求的Pareto解集中选出最优折衷解，其最优折衷解见表4。由表可知：光热有较高的发电效率，含光热的多源联合发电系统并网后所获效益可达423.7388万元，联合系统总的功率波动性为2243 MW²。含光热的多源联合系统比不含光热的多源联合系统所获效益明显提高，总的功率波动性也降低了。充分证明了加入光热电站充分消纳了风电和光伏，有效平抑风力发电和光伏发电的随机性引起的波动，实现了联合系统发电系统的平滑输出，增大联合发电并网的效益，并提高新能源并网渗透率。

Table 4. Benefits and volatility of multi-source combined power generation system without CSP and with CSP

表4. 无CSP和含CSP的多源联合发电系统所获效益及波动性

风电–光伏–光热–火电最优调度结果如图2所示，从图中看出风电一天24时段出力随机变化；7:00~17:00，光热、风电、光伏、火电都有出力，在满足负荷需求时，光热电站把多余的热储存在储热系统中；0:00~6:00和18:00~23:00无光照时，光伏电站无光不再出力，而光热电站的储热系统在无光照时或者负荷高峰期放热补偿风电、光伏的输出，平抑风电和光伏随机性引起地波动。图3是各火电机组的最优出力，火电机组出力明显减小。每个时段内不含光热和含光热的多源联合系统发电输出与负荷分别为图4和图5所示，各个时段中含光热的多源联合发电系统的出力波动明显减小，风电和光伏随机性、间歇性等引起的波动得到了很好的改善。光热参与多源联合发电合理的调度，有效平抑了风电和光伏出力地随机性引起的波动，提高了电网运行地安全性。

Figure 2. Optimal output of wind power, photovoltaic, photothermal, thermal power

图2. 风电–光伏–光热–火电最优出力

Figure 3. Output results of thermal power units

图3. 各火电机组出力结果

Figure 4. Output and load of multi-source joint system

图4. 多源联合系统出力与负荷

Figure 5. Output and load of multi-source combined system with light and heat

图5. 含光热的多源联合系统出力与负荷

5. 总结

本文对含光热的多源优化调度进行研究，以联合系统并网总输出功率波动最小和并网效益最大为目标构建多目标函数，以功率平衡约束、出力限制、爬坡约束、旋转备用约束等为约束条件，建立了含光热的多源联合发电系统优化调度的模型，对无光热和含光热的多源优化调度进行仿真对比。仿真结果表明：光热电站的储热及可控特性可以实现联合发电系统的平滑输出，有效平抑了风电和光伏不确定性、随机性引起的波动，并增大了联合系统发电的效益，提高新能源并网渗透率。