一种电网中新能源容量配比分层优化方法

摘要

本发明公开了一种电网中新能源容量配比分层优化方法。本发明分为内外两层进行迭代计算，计算模型如下：内层在考虑该地区新能源特性的基础上对其出力进行时间序列建模，以电网节能减排效益最佳为目标，综合考虑负荷特性、机组调峰特性、不同种类供热机组热电耦合特性等因素，建立了计及新能源发电的年度时序生产模拟仿真模型；外层为容量配比优化模型，以内层模型的节能减排效益为适应度函数更新个体寻优方向，确定新能源发电配比容量，减少了随机生成新能源装机容量的盲目性，提高了优化效率和精度。本发明可用于省级电网新能源容量优化，对省（区）电网的新能源装机容量规划、低碳电力要求下的网源规划和实际电力系统调度都具有重要的指导意义。

说明书

技术领域

本发明涉及一种电网中新能源容量配比优化方法，尤其涉及一种电网中新能源容量配比分层优化方法，属于节能减排技术领域。

背景技术

电力行业低碳化是应对全球气候变暖、实现我国社会经济可持续发展的关键。在此背景下，中国推出了一系列能源发展政策，鼓励可再生能源，特别是风能和太阳能资源的大规模开发与利用。在经过风电产业迅猛发展后，近年来正掀起太阳能产业开发热潮，许多新能源发电大省同时规划了大容量的风能和太阳能发电，但目前各地仅以风能和太阳能资源为依据对风电、光伏发展各自进行粗放的规划，并没有考虑风电、光伏发电运行特性协调优化其最佳配比容量。由于风能和太阳能发电的规划和建设周期短，开发过程中与地区常规电源规划、电网规划脱节，导致实际运行中“弃风”、“弃光”现象严重。为了更好的提升电网在发展低碳经济中的作用，充分发挥太阳能与风能在时间上和地域上天然具有的互补性优势，最大限度提高大容量风能和太阳能发电接纳能力，使得规划结果更加贴近电力系统实际运行情况，必须以风能和太阳能发电年度接纳能力为基础，统一协调规划风电和光伏的装机容量，发挥其最大效益。

目前已有文献对省（区）电网的风光配比进行了研究。文献一《Size optimization fora hybrid photovoltaic-wind energy system》（Electrical Power and Energy Systems第42卷第448页）建立了风光联合系统的容量优化模型，基于此模型对于不同约束条件进行了容量配置计算。但该方法是在负荷峰谷差最大情况下的风、光接纳情况，不能体现每日风电、光伏出力特性以及全网运行方式，如果将其用来指导地区风电、光伏装机容量，计算结果必将过于保守，不利于提升电网的节能减排效益。文献二《Multicriteria OptimalSizing of Photovoltaic-Wind Turbine Grid Connected Systems》（IEEE Trans on EnergyConversion第28卷第2期第370页）采用基于时序仿真的改进粒子群算法求解了某地区风光最优容量配置，并对风速大小、光照强度进行了灵敏度分析，得到了不同自然条件下的风光装机容量配置。由于模型采用随机模拟得到风速大小和光照强度，不能准确反映该地区风、光出力时序特性以及电力时序平衡，从而不能为该地区实际电网规划和风光建设提供有效的技术支持。文献三《A New Methodology for Optimizing the Size ofHybrid PV/wind System》（IEEE International Conference on Sustainable EnergyTechnologies第922页）采用差异进化算法求解某区域电网的最佳风光配比，证明风光联合发电系统比单独的风力发电系统具有更好的经济性和可靠性。但是，在建立数学模型的过程中，并没有考虑常规机组的启停机特性和供热机组的热电耦合特性，导致常规机组的运行结果与实际电力系统偏差较大，影响风光配比计算结果的可信性。

综上所述，现有方法多采用基于典型日的电力电量平衡方法，给出的是在最严重情况下的新能源发电平衡情况，不能体现每日风电和光伏出力特性以及全网应如何优化机组启停和检修安排，且对电网生产模拟进行建模时考虑不够全面。如果将其用来指导规划风电和光伏的装机容量，计算结果必将过于保守，不利于提高电网的节能减排效益。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种电网中新能源容量配比分层优化方法，考虑电力系统的实际工况变化，进一步提高了优化结果的可信度，具有适应性强、可靠性高的优点。

本发明采用以下技术方案解决上述技术问题：

一种电网中新能源容量配比分层优化方法，所述电网中的电能来源包括火电以及至少一种新能源，所述优化方法包括以下步骤：

步骤1、初始化电网中各类新能源的装机容量，作为外层优化模型的初始值；

步骤2、将外层优化模型得到的当前各类新能源的装机容量输入内层优化模型；内层优化模型通过求解以下模型，得到在当前各类新能源的装机容量下，使得二氧化碳排放量F最小的火电机组的全年运行状态：

$>\min F=\underset{j=1}{\overset{N_j}{\Sigma }}\underset{t=1}{\overset{T}{\Sigma }}\{{\alpha }_j{Y}_j^t+{\beta }_j{Z}_j^t+a_j{P}_j^t+b_j\}·\gamma$>

st.

$>P_j^{t+1}-P_j^t\le \Delta P_j^{\mathrm{up}}$>

$>P_j^t-P_j^{t+1}\le \Delta P_j^{\mathrm{down}}$>

$>X_j^t·P_j^{\min }\le P_j^t\le X_j^t·P_j^{\max }$>

$>0\le Y_j^t+Z_j^t\le 1$>

$>Y_j^t+\underset{i=1}{\overset{k}{\Sigma }}{Z}_j^{t+i}\le 1$>

$>Z_j^t+\underset{i=1}{\overset{k}{\Sigma }}{Y}_j^{t+i}\le 1$>

$>P_{\mathrm{BY}}^t=C_j^b·H_j^t$>

$>H_j^t·C_j^b\le P_{\mathrm{CQ}}^t\le P_j^{\max }-H_j^t·C_j^v$>

$>\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^t+P_0^t=P_1^t$>

$>-\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^{\max }-C_N^t\le -P_1^t-S_p$>

$>\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^{\min }+C_N^t\le P_1^t-S_N$>

$>0\le P_i^t\le N_i·P_i^{t^{*}},i=\mathrm{1,2},...,\mathrm{CL}$>

其中，为二进制变量，表示第j台火电机组t时刻的启动状态，1表示机组正在启动，0表示机组不在启动状态；也为二进制变量，表示第j台火电机组t时刻停机状态，1表示机组正在停机，0表示机组不在停机状态；为t时刻的第j台火电机组出力；以及均为自变量；N_j表示参与优化火电机组的总台数；T表示内层一次仿真时间长度；α_j为第j台火电机组启机煤耗；β_j为第j台火电机组停机煤耗；a_j为单台火电机组煤耗随功率变化斜率；b_j为单台火电机组煤耗常数；γ为二氧化碳排放系数；分别为第j台火电台机组的上爬坡率和下爬坡率；分别为第j台火电机组的最小出力值和最大出力值；为二进制变量，表示第j台火电机组t时刻运行状态，1表示机组正在运行，0表示机组没有运行；k为预设的最小启机或停机的时间步长；分别为供热期内，火电机组中背压式供热机组和抽气式供热机组t时刻的出力；为t时刻热负荷大小；为供热机组热电耦合系数；为t时刻电网的总用电负荷；为t时刻电网接纳的各类新能源产生的电力之和；S_p、S_N分别为电网正/负旋转备用；为新能源发电在各时段的可信容量；为t时刻电网接纳的第i类新能源产生的电力；N_i为外层优化模型输入的电网中第i类新能源的装机容量；为电网中第i类新能源长时间尺度出力时间序列的归一化值；CL为电网中新能源的类别总数；

步骤3、将得到的最小二氧化碳排放量输出至外层优化模型；

步骤4、外层优化模型判断是否满足预设的迭代终止条件，如是，则将二氧化碳排放量最小的各新能源的装机容量N_i以及火电机组的启机状态停机状态和火电机组出力作为最终的优化结果输出，优化结束；如否，则以内层优化模型输出的最小二氧化碳排放量作为适应度函数值，对各类新能源的装机容量进行更新，然后转至步骤2。

优选地，所述内层优化模型使用分支定界法（Branch and Bound，简称BAB）对所述模型进行求解。

优选地，所述外层优化模型使用粒子群算法（Particle Swarm optimization，简称PSO）或基于粒子群算法的改进细菌觅食算法（Bacteria foraging algorithm-Particle Swarmoptimization，简称BFAPSO）。

优选地，所述外层优化模型的变量解空间约束如下：

$>N_i^{\min }\le {\theta }_i^m\le N_i^{\max },i=\mathrm{1,2},...,\mathrm{CL}$>

式中，θ表示需要优化的变量，m表示变量θ的第m个个体，分别表示第i类新能源的规划装机容量最大值和现有装机容量值。

相比现有技术，本发明技术方案及其优选技术方案具有以下有益效果：

1、本发明利用历史数据生成长时间尺度时间序列，并将其作为优化算法的约束条件，大大提高了优化结果的可靠性，而且能较为准确反映该地区各类新能源、负荷出力时序特性。

2、分层优化算法可以最大限度降低计算量，有效解决电网新能源装机规划问题，满足规划人员计算需求。

3、外层算法采用BFAPSO算法，能够有效提高计算精度和计算效率。

4、内层采用BAB算法求解基于时序仿真法的生产模拟问题，能够充分考虑各类新能源年度特性，最大化提高各类新能源实际上网电力电量，更加符合实际电力系统的运行和电力低碳化要求，对实际电力系统规划和调度、政府相关政策的制定有重要的指导意义。

5、由于内层采用了基于时序的生产模拟仿真，该模型更加符合实际电力系统，在此基础上对新能源装机容量规划，可增加新能源容量配比结果的合理性和可信性。

6、由于本发明内层采用了基于时序的生产模拟仿真，在规划过程中即可对规划场景下新能源发电运行情况进行评估分析，即可以对新能源发电和常规火电发电进行协调优化，对网内机组按不同季节进行调度；可以为新能源年度运行方式、产业发展规划提供参考依据。以新能源多发电为原则，增加系统运行的经济性与节能减排效益；考虑了电网运行的限电因素，可保证新能源发电计划的科学性和合理性。

附图说明

图1是本发明方法具体实施方式的基本流程图；

图2是我国东北某省水平年年度归一化风电序列；

图3是我国东北某省水平年年度归一化光伏序列；

图4是我国东北某省水平年负荷出力序列；

图5是我国东北某省每周风光总体平均限电率分布图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明提出的电网中新能源容量配比分层优化方法，分为内外两层进行迭代计算，计算模型分别如下：内层在考虑该地区各类新能源特性的基础上对其出力进行时间序列建模，以电网节能减排效益最佳为目标，综合考虑负荷特性、机组调峰特性、不同种类供热机组热电耦合特性等因素，建立了计及新能源发电的年度时序生产模拟仿真模型，该模型更加符合实际电力系统，在此基础上对新能源装机容量规划，可增加新能源配比结果的合理性和可信性。外层为新能源容量配比优化模型，以内层模型的节能减排效益为适应度函数更新个体寻优方向，确定各类新能源发电配比容量，减少了随机生成新能源装机容量的盲目性，提高优化效率和精度。

上述内层优化模型是一个典型的混合整数规划问题，本发明优选采用高效的分支定界法进行求解。而对于大型复杂电力系统，模型复杂，涉及变量较多。为进一步提高优化效率，本发明优选采用基于粒子群算法的改进细菌觅食算法（BFAPSO），扩大搜索空间，避免早熟的发生，增强局部搜索能力，以达到改进寻优能力，极大提高算法效率的目的。上述算法均为稳定成熟的运算技术，经测试具备很高的工程实用性，满足本发明技术方案的需求。

为了便于公众理解且更具有现实意义，下面以只考虑风电和光伏发电这两种新能源的省级电网为例，来对本发明的一个优选实施例进行说明。

该优选实施例的基本算法思路如下：外层采用BFAPSO算法初始化风光装机容量；内层在外层风电、光伏装机容量传入后，采用BAB算法进行时序生产模拟，优化机组启停机计划和机组出力，在保证系统二氧化碳排放量最少的基础上，尽可能的多接纳风电、光伏出力。将此时二氧化碳排放值返回到外层模型（作为适应度函数值），采用BFAPSO算法对风电、光伏装机容量寻优，直到符合终止的条件。

本优选实施例的基本流程如图1所示，具体包括以下步骤：

（1）时间序列建模：

对长时间尺度风电出力时间序列建模，并进行归一化处理：

$>P_w^{t^{*}}=P_{w,o}^t/C_w$>

式中：为归一化风电出力时间序列，为历史风电出力时间序列，C_w为该年区域风电的总装机容量。

对长时间尺度光伏出力时间序列建模，并进行归一化处理：

$>P_v^{t^{*}}=P_{v,o}^t/C_v$>

式中：为归一化光伏出力时间序列，为历史光伏出力时间序列，C_v为该年区域光伏的总装机容量。

根据负荷历史数据得到负荷出力时间序列为

（2）初始化风电和光伏装机容量：

S_W,min<S_W,0<S_W,max

S_S,min<S_S,0<S_S,max

式中：S_W,0为初始风电装机容量，S_S,0为初始光伏装机容量，S_W,min为现有风电装机容量，S_S,min为现有光伏装机容量，S_W,max为允许风电最大装机容量，S_S,max为允许光伏最大装机容量。

（3）内层BAB算法优化计算：

建立目标函数如下：

$>F=\underset{j=1}{\overset{N_j}{\Sigma }}\underset{t=1}{\overset{T}{\Sigma }}\{{\alpha }_j{Y}_j^t+{\beta }_j{Z}_j^t+a_j{P}_j^t+b_j\}·\gamma$>

式中，F为二氧化碳排放量；为二进制变量，表示第j台火电机组t时刻的启动状态，1表示机组正在启动，0表示机组不在启动状态；也为二进制变量，表示第j台火电机组t时刻停机状态，1表示机组正在停机，0表示机组不在停机状态；为t时刻的第j台火电机组出力；以及均为自变量；N_j表示参与优化火电机组的总台数；T表示内层一次仿真时间长度；α_j为第j台火电机组启机煤耗；β_j为第j台火电机组停机煤耗；a_j为单台火电机组煤耗随功率变化斜率；b_j为单台火电机组煤耗常数；γ为二氧化碳排放系数。

设置火电机组约束条件：

1）火电机组爬坡率约束

$>P_j^{t+1}-P_j^t\le \Delta P_j^{\mathrm{up}}$>

$>P_j^t-P_j^{t+1}\le \Delta P_j^{\mathrm{down}}$>

式中：分别为第j台机组的上爬坡率和下爬坡率。

2）火电机组出力约束

$>X_j^t·P_j^{\min }\le P_j^t\le X_j^t·P_j^{\max }$>

式中：分别为机组的最小出力值和最大出力值；为二进制变量，表示第j台机组t时刻运行状态，1表示机组正在运行，0表示机组没有运行。

3）火电机组启停机状态约束

$>0\le Y_j^t+Z_j^t\le 1$>

$>Y_j^t+\underset{i=1}{\overset{k}{\Sigma }}{Z}_j^{t+i}\le 1$>

$>Z_j^t+\underset{i=1}{\overset{k}{\Sigma }}{Y}_j^{t+i}\le 1$>

式中：k由机组最小启机或者最小停机时间参数决定，其反映了最小启机或停机的时间步长。此约束的考虑，主要是由于受到机组的物理特性及机组启停机煤耗成本的制约，机组不能频繁的启停。

4）供热机组供热期出力特性约束

本发明考虑2种类型供热机组：背压式供热机组和抽气式供热机组。

背压机组出力约束：

$>P_{\mathrm{BY}}^t=C_j^b·H_j^t$>

抽气机组出力约束：

$>H_j^t·C_j^b\le P_{\mathrm{CQ}}^t\le P_j^{\max }-H_j^t·C_j^v$>

式中：为t时刻热负荷大小；为供热机组热电耦合系数。

设置系统约束条件：

1）区域负荷平衡约束

$>\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^t+P_w^t+P_v^t=P_1^t$>

式中：为系统（电网）总用电负荷；为t时刻接纳的风电电力；为t时刻接纳的光伏电力。

2）系统正/负旋转备用容量约束

$>-\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^{\max }-C_N^t\le -P_1^t-S_p$>

$>\underset{j=1}{\overset{N_j}{\Sigma }}{P}_j^{\min }+C_N^t\le P_1^t-S_N$>

式中：S_p、S_N分别为系统正/负旋转备用；为新能源发电在各时段的可信容量，可根据实际情况取各时段新能源发电出力之和的一定比例，对于本实施例中的风、光发电而言，其值取为各时段风光出力之和的60%-80%之间；将各时段风光出力可信容量纳入常规机组开机容量计算范畴，减小其开机容量，能够更好的接纳风能和太阳能发电。

3）系统风电、光伏出力约束

$>0\le P_w^t\le N_w·P_w^{t^{*}}$>

$>0\le P_v^t\le N_v·P_v^{t^{*}}$>

式中：N_w、N_v分别表示风电和光伏的装机容量，其值由外层优化后传入；分别为风电出力和光伏出力的归一化值，由步骤（1）得到。

根据上述约束条件及目标函数，利用成熟稳定的BAB算法进行优化计算，得到当前调峰能力限制下，系统的二氧化碳最小排放量。记第n次优化迭代计算后，得到系统的二氧化碳最小排放量为F_n。

（4）外层BFAPSO算法：

设置变量解空间约束：

$>N_s^{\min }\le {\theta }_s^m\le N_s^{\max }$>

式中：θ表示需要优化的变量，m表示变量θ的第m个个体，s表示个体维度，s=1时表示风电装机容量，s=2时表示光伏装机容量；代表规划风光装机容量最大值，代表现有的风光的装机容量值。

设置适应度函数：

$>J=\min F\left({\theta }_s^m\right)$>

式中：J为外层模型的适应度函数，其值为内层目标函数值，即为系统二氧化碳排放量，外层算法根据其值大小更新个体寻优方向。

对于第n次优化迭代，将二氧化碳最小排放量F_n-1代入成熟稳定的BFAPSO算法中，利用上述约束条件及适应度函数，求解得到优化后的风电和光伏装机容量分别为S_W,n和S_S,n

（5）判断是否符合终止条件：

设定迭代次数上限为n_max，若优化迭代次数n=n_max时，结束优化迭代，转至步骤（6）。若n<n_max，则返回步骤（3）进行优化迭代计算。

（6）输出最优结果：

输出最优迭代的结果，即时，系统最优的风电和光伏装机容量分别为S_W,p和S_S,p，以及在此装机容量下，火电机组的启机状态、停机状态和火电机组出力

为了测试本发明方法的有效性，应用具体实施例中的方法对我国东北某省风光配比规划进行了仿真验证。

根据该省总体规划方案要求，规划水平年风电、光伏总装机不超过8000MW。目前该省已有风机2646.4MW，光伏装机530.83MW，风电和光伏总和占系统总装机的14.01%。归一化后的水平年年度风电序列、年度光伏序列、负荷出力序列如图2-图4所示，仿真时间步长为1小时。对上述数据进行风光配比优化计算，得到结果如下：

采用不同算法进行风光配比优化的结果如表1所示。对比分析计算结果可知：内层模型使用基于典型日提出的运行方式，是考虑最严重的情况下风光的接纳情况。较之内层模型采用时序生产模拟仿真，系统则多排放出0.054亿吨二氧化碳，新能源接纳能力计算偏于保守，规划结果可信度不高。在电网低碳要求的约束下，风电装机从2646.4MW增长到3668MW，增长38.60%；光伏装机从530.83MW增长到3185MW，增长500%。在该地区，风光现有配比为4.985:1，规划后的风光配比为1.152:1，太阳能产业亟需政府相关政策的支持。

表1不同算法优化结果

分层优化算法与穷举法优化时间如表2所示。本项目内层时序生产模拟仿真优化1次的时间为21分钟，因此采用分层优化方法比采用穷举法计算时间减少186291分钟，有效满足省（区）电网规划计算时间要求。

表2不同算法求解时间比较

由于内层采用了基于时序的生产模拟仿真，在规划过程中即可对规划场景下新能源发电运行情况进行评估分析，现对风光最佳配比案例进一步研究分析。图5为每周风光总体平均限电率分布图，可以发现系统在非供热期的风电、光伏接纳能力要强于供热期，限电率较小。这是由于非供热期供热机组调峰能力的增强。因此模型内层的时序仿真方法，可以对网内机组按不同季节进行调度运行，增加风能和太阳能的接纳能力。

本发明尤其适用于省级电网新能源发电装机容量的优化计算，对我国省（区）电网的新能源装机容量规划、低碳电力要求下的网源规划和实际电力系统调度都具有重要的指导意义。