鲁新 李春华
内蒙古华电辉腾锡勒风力发电有限公司 内蒙古 呼和浩特 010010
摘要：为应对全球能源危机和环境恶化，风电技术发展迅速，并网风电场规模不断扩大，风电间歇性和随机性波动较大。当风电渗透率达到一定比例时，不仅提高了经济效益和环境效益，而且增加了电力系统的运行风险，降低了风电并网的风险。在建立风电优化调度模型时，必须考虑风电的随机性。目前主要的处理方法有风速预测、风速预测、风电场预测等。采用模糊建模和概率分析的方法，通过对大量风速样本的统计分析，得到风速的概率分布模型。然后，通过风速与风电功率的关系，将其转化为更为客观可行的风力发电概率分布模型。
关键词：风电；电力系统；环境经济调度；多目标优化
为了解决风力随机引起的电力系统分布问题，引入负荷预测误差概率分布函数和风速，建立了随机负荷和风力模型。根据对随机载荷和风力模型的深入分析，将考虑到获得风力发电的成本增加的风险。在压力条件下引入风力发电负荷和废物损失风险指标，构建考虑到风力发电风险的电力系统多目标最优分配模型，以实现尽量减少总污染排放和最低运营成本的总体优化目标。
一、概述
随着环境的恶化和人们对环境保护的认识，减少火力发电厂的污染物排放已成为电力系统分配的一个重要目标。该研究考虑到了热电偶的环境效益，但采用加权法将两个目标转化为一个目标，客观权重的确定是主观的，而不是在一次操作中确定的最佳解决方案，只能得出一个解决方案。在研究结果的基础上，针对其不足之处，建立了具有风险系数的风电场多目标动态优化运行模型。该模型包括三个目标:系统运行风险、燃料成本和大规模风电接入电网时的污染排放。风力发电的生产和负荷的不确定性包括在模型中，最后的规划纲要采用帕累托解决方案的形式，以综合直观的方式显示了每个规划纲要的三个目标的分布情况，以便分配者能够根据不同的工作条件对这些目标进行加权。该模型的特点是不确定性、高尺寸、无可读性和强约束性，从而大大增加了解决问题的难度。
二、考虑风险系数的风电场多目标动态调度模型
1.目标函数。(1)发电机组燃料的成本。考虑阀点效应的单位总燃料成本f (p)表示为:
.png)
其中:t为调度周期总数；n为常规火电机组总数；Pi，t是单位I在时间段t内的有功出力；Ai、bi、ci、di和ei是单元I的燃料成本系数。(2)气体污染排放气体污染排放总量也可以表示为火电单元有功出力的函数:
.png)
其中:α I、β I、γ I、η I、δ I为单元I的污染物气体排放系数。(3)系统风险系数。在传统的含风电场的电力系统优化调度的不确定性建模中，仅将系统正负旋转备用不足的风险作为约束条件，使得满足系统旋转备用约束的概率提前满足给定的置信水平。为了得到不同风险等级的调度方案，需要多次运行，调度员很难根据不同的工况在安全、经济和环保之间进行选择。因此，在燃料成本和气体污染排放双重目标的基础上，加入风险系数目标，用风险系数来表示所有可行调度方案满足一定风险约束的风险程度。风险因素d (p)定义如下:
.png)
式中：UI、t、Di、t分别表示机组I在t时刻所能提供的正、负旋转备用容量；PDE，t，PD，t，PW，t分别代表t时刻风电场的净负荷、实际负荷和总出力；UI和RI代表单位I的爬升速率，单位为分钟；PI，t，Max，PI，t，min分别表示机组I在t时刻的出力上下限；T10为旋转待机响应时间，取10min；E（PDE，t）是PDE，t的期望值。从上面的表达式可以看出，D（P）表示在所有调度周期内正或负旋转储备短缺的最大概率。
2.约束的条件。（1）火电机组出力的约束；
.png)
（2）有功功率平衡的约束；
.png)
式中：ＰＬ，ｔ表示系统在时刻ｔ的网损。采用Ｋｒｏｎｓ网损公式计算ＰＬ，ｔ的近似值：
.png)
其中bij是n× n矩阵b的第ith行第JT列的元素，b0j是n维向量B0的第ith元素，b00是标量。（3）单位输出爬升约束。运行中机组有功出力的变化范围会受到发电机爬坡约束的限制:（4）系统风险约束风险系数过大的调度方案对调度人员的参考价值不大，因此根据调度人员对风险的要求，风险系数小于一定阈值:
Ｄ（Ｐ）≤β
3.负荷误差分布特征与风电功率预测。负荷预测有一些误差。如果已知时间t的预测负荷为pdf，t，负荷预测偏差为δ PD，t，那么实际负荷PD，t可以表示为pdf，t与δ PD，t，δ PD，t之和服从均值为0，方差为(σ d，t) 2的正态分布。风电并入系统后，影响调度的不确定因素还包括风电有功出力的波动。风速预测有误差。如果t时刻的风电预测值为PWF，t，预测偏差为δ PW，t，则实际有功输出PW，t可以表示为PWF，t与δ PW，t之和，δ PW，t服从均值为0，方差为(σ W，t) 2的正态分布。综合考虑负荷和风电带来的不确定性，t时刻的系统净负荷可表示如下；
ＰＤｅ，ｔ＝ＰＤ，ｔ－ＰＷ，ｔ＝ＰＤｆｅ，ｔ＋ΔＰＤｅ，ｔ
其期望值表示为；
Ｅ（ＰＤｅ，ｔ）＝ＰＤｆｅ，ｔ＋Ｅ（ΔＰＤｅ，ｔ）
其中，净负荷预测值由负荷预测值和风电预测值计算得出，即pdfe，t = pdf，t-pwf，t；净负荷预测的偏差表示为服从正态分布的两个随机变量之差，即；
ΔＰＤｅ，ｔ＝ΔＰＤ，ｔ－ΔＰＷ，ｔ。
可以看出，目标函数和约束条件中只有一个等价的随机变量，处理模型中随机问题的关键是分析δ PDE和t的值分布。
三、算例的分析
为了验证所提出的调度模型和算法，进行了仿真研究。使用的示例系统包括一个大型风电场和10个常规机组。风电场包含120台同类型异步风电机组并联运行，每台机组额定出力为2 MW，参数设置如下:风险系数约束中β= 0.1；序列建模中的离散化步骤为p = 0.1 MW生态位半径r = 0.2班级规模NX = 200外部最优解集的存储上限NQ = 500；约束处理的DHRCH策略中Kmax = 10，σ= 1×10-6；itemmax = 1000的最大迭代次数。利用Matlab br2012a实现了仿真测试。电脑CPU为Intel Pentium双核e5500 (2.80ghz)，2g内存，操作系统为32位windows XP。根据每个帕累托最优解的风险系数，将其分为四个风险等级，并在图中标出。因此，所提出的imotlbo算法可用于求解含风险系数的风电场动态多目标调度模型，并可获得分布均匀且较宽的帕累托最优前沿。可以看出，随着风险系数的增加，燃料成本和污染排放逐渐降低，相对的环境和经济效益更好。调度员可以根据不同的工作条件和要求，在安全、经济和环保之间进行选择。如果不考虑风险系数的目标，则求解对象成为含风电场的电力系统动态环境经济调度模型，即在给定风险约束下，调度方案具有最佳的环境经济效益。风险水平越高，环境和经济效益越好。 燃料成本、污染排放和风险系数分别为2.3274× 106美元、2.5474× 105磅和0.0997。所有单元每次都满足输出、输出爬升和功率平衡约束的上限和下限。表1给出了帕累托解集中的单目标最优值和各种条件下解集的平均风险系数。
表１不同情况的结果
.png)
可以看出，随着风电场出力受限程度的增加，得到的解决方案的环境和经济效益更差，系统运行风险也相应降低。为了验证概率序列理论的有效性和快速性，随着随机模拟次数的增加，蒙特卡罗方法的计算结果逐渐收敛，但相应的计算时间迅速增加。以107个蒙特卡洛样本为参照，计算结果见表2。从表2可以看出，
表２概率性序列理论与蒙特卡洛法的结果
.png)
105蒙特卡洛抽样和概率序列的绝对误差也是0.0009，但每个教与学步骤后需要并行随机模拟班级人口。保守估计，与105个蒙特卡洛样本相比，概率序列理论可以节省时间:(7.8113-7.86×10-4)×2×1000≈15622.6s。
总之，系统的经济效益和环境效益越好，相应的风险就越高。此外，系统的环境经济效益和运行风险与并网风电场的出力受限程度密切相关，适当限制风电场的出力可以有效降低系统的运行风险。概率序列理论可以综合考虑模型中随机变量的值，从而定量分析系统的运行风险，显著提高模型求解速度。
参考文献：
[1]王阳，风电场发电功率的建模和预测研究综述．2019．
[2]周辉，浅谈计及风力发电风险的电力系统多目标动态优化调度.2020.