李 飛，李咸善，李振興，張彬橋

基于梯級(jí)水電調(diào)節(jié)的多能聯(lián)合發(fā)電系統(tǒng)短期優(yōu)化調(diào)度

李 飛1,2，李咸善1,2，李振興2，張彬橋2

(1.梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室(三峽大學(xué))，湖北 宜昌 443002; 2.三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002)

“碳中和”背景下，以新能源為主體的新型電力系統(tǒng)正在大力建設(shè)，而化石型調(diào)節(jié)電源占比的降低給大規(guī)模新能源消納帶來(lái)了嚴(yán)峻挑戰(zhàn)。為此，提出了基于梯級(jí)水電調(diào)節(jié)的多能聯(lián)合發(fā)電系統(tǒng)優(yōu)化調(diào)度模型，以減小因新能源的接入而給電網(wǎng)帶來(lái)的功率波動(dòng)沖擊，并緩解電網(wǎng)調(diào)節(jié)資源配備壓力。該日前調(diào)度模型以梯級(jí)水電平抑新能源接入后的負(fù)荷波動(dòng)最小和系統(tǒng)綜合成本最低為雙重目標(biāo)。針對(duì)模型中高維復(fù)雜約束問(wèn)題，提出了一種改進(jìn)的NSGA-II算法。該算法對(duì)選擇策略中設(shè)定的比例因子進(jìn)行了改進(jìn)，并將正態(tài)分布算子引入交叉過(guò)程，以保證種群的多樣性并提升算法在空間上的搜索能力。仿真結(jié)果表明所提模型能利用梯級(jí)水電有效平抑新能源入網(wǎng)波動(dòng)，并兼顧多能發(fā)電系統(tǒng)綜合經(jīng)濟(jì)效益。通過(guò)比較各種算法的結(jié)果，改進(jìn)NSGA-II算法帕累托解的質(zhì)量更優(yōu)，且分布更均勻。

梯級(jí)水電調(diào)節(jié)；新能源消納；多能聯(lián)合系統(tǒng)；負(fù)荷波動(dòng)；快速非支配排序遺傳算法

0 引言

“雙碳”目標(biāo)引導(dǎo)下，火電占比大幅弱化的新能源主導(dǎo)型電力系統(tǒng)建設(shè)[1-2]將面臨大規(guī)模風(fēng)光新能源消納的嚴(yán)峻挑戰(zhàn)。在現(xiàn)代新型電網(wǎng)中，火電機(jī)組調(diào)節(jié)容量有限，且受機(jī)組爬坡速率和碳排放約束的限制，其消納新能源的能力大幅降低，急需尋求一種替代性清潔能源作為調(diào)節(jié)電源來(lái)緩解系統(tǒng)大規(guī)模新能源消納的壓力。梯級(jí)水電作為重要的清潔能源，具有調(diào)節(jié)容量大、調(diào)節(jié)快速靈活等特點(diǎn)，在未來(lái)的很長(zhǎng)一段時(shí)間可作為大規(guī)模新能源消納的有效途徑[3-5]。

新能源消納的主要障礙來(lái)自其波動(dòng)性和不可控性，且呈現(xiàn)一定的反調(diào)峰特性[6-8]。為了緩解和消除新能源接入給電網(wǎng)帶來(lái)的波動(dòng)沖擊，本文擬采用梯級(jí)水電作為調(diào)節(jié)電源，對(duì)風(fēng)光接入后的出力波動(dòng)進(jìn)行抑制，使得調(diào)節(jié)后的風(fēng)光水出力曲線跟蹤系統(tǒng)原有凈負(fù)荷曲線(負(fù)荷減去自有新能源)的變化趨勢(shì)，從而減輕電網(wǎng)配備調(diào)節(jié)資源的壓力。剩余負(fù)荷則可通過(guò)火電機(jī)組平衡。為了兼顧新能源公司和梯級(jí)水電集團(tuán)各方利益，考慮新能源完全消納，梯級(jí)水電采用“以水定電”模式確定出力計(jì)劃并考慮火電機(jī)組的綜合成本，以獲得最大發(fā)電效益。

目前，針對(duì)新能源消納及多能系統(tǒng)聯(lián)合發(fā)電調(diào)度已有大量研究成果，但在火電占比弱化的條件下，對(duì)基于梯級(jí)水電調(diào)節(jié)的新型電力系統(tǒng)的大規(guī)模新能源消納還鮮有報(bào)道。文獻(xiàn)[9]采用水電站自適應(yīng)同步調(diào)峰策略來(lái)確定水電廠發(fā)電計(jì)劃，以平衡新能源出力波動(dòng)。文獻(xiàn)[10]構(gòu)建了考慮火電燃料成本、污染物排放成本和棄風(fēng)棄光懲罰成本的多能聯(lián)合發(fā)電系統(tǒng)調(diào)度模型，促進(jìn)了新能源消納。文獻(xiàn)[11]建立了風(fēng)-光-水-蓄多能互補(bǔ)優(yōu)化調(diào)度模型，通過(guò)互補(bǔ)運(yùn)營(yíng)可提高可再生能源的利用率。文獻(xiàn)[12]提出了一種風(fēng)-光-火-抽蓄-蓄電池多時(shí)間尺度協(xié)調(diào)調(diào)度模型，通過(guò)挖掘各類電源的差異性和互補(bǔ)性，有效跟蹤新能源和負(fù)荷的變化，實(shí)現(xiàn)系統(tǒng)經(jīng)濟(jì)運(yùn)行。文獻(xiàn)[13]從經(jīng)濟(jì)調(diào)度視角建立了風(fēng)核協(xié)調(diào)調(diào)度模型，有效降低了棄風(fēng)率。文獻(xiàn)[14]提出了水風(fēng)互補(bǔ)策略，優(yōu)化了系統(tǒng)的碳排放量，但未考慮火電的經(jīng)濟(jì)性。文獻(xiàn)[15]提出一種多類型水電協(xié)調(diào)參與風(fēng)光消納的聯(lián)合運(yùn)行策略，促進(jìn)了風(fēng)光新能源消納。文獻(xiàn)[16]建立了電力-天然氣-風(fēng)電系統(tǒng)綜合能源雙層優(yōu)化調(diào)度模型，利用電轉(zhuǎn)氣模型消納風(fēng)電。文獻(xiàn)[17]建立了考慮系統(tǒng)發(fā)電成本和棄風(fēng)棄光懲罰的風(fēng)-光-水-氣-火-儲(chǔ)聯(lián)合優(yōu)化調(diào)度模型，提高了新能源利用率，但未考慮新能源接入后負(fù)荷波動(dòng)的平抑。文獻(xiàn)[18]提出了一種基于抽蓄電站和蓄電池相結(jié)合的混合系統(tǒng)調(diào)度方法，實(shí)現(xiàn)了風(fēng)電消納和負(fù)荷波動(dòng)平抑的雙重目標(biāo)。

在上述研究成果中，隨著化石能源占比的削弱，且受本身碳排放限制，火電將無(wú)法繼續(xù)承擔(dān)新能源消納的主導(dǎo)角色；儲(chǔ)能設(shè)備因成本和技術(shù)限制，無(wú)法大規(guī)模投入去滿足高比例新能源的接入需求；抽蓄電站雖能完成削峰填谷，但其調(diào)節(jié)能力受到其容量的制約。目前對(duì)于流域梯級(jí)水電參與大規(guī)模風(fēng)電等清潔能源的調(diào)節(jié)消納和聯(lián)合優(yōu)化調(diào)度方法研究還較少，且梯級(jí)水電調(diào)節(jié)靈活，整體規(guī)模更大，存在進(jìn)一步優(yōu)化的空間[19]。

另外，由于調(diào)度模型中涉及復(fù)雜的水力系統(tǒng)和電氣系統(tǒng)約束，且考慮火電機(jī)組的閥點(diǎn)效應(yīng)和污染物排放的懲罰后，使得優(yōu)化模型呈現(xiàn)高維、非線性、非凸等特點(diǎn)[20]，這對(duì)算法提出了更高的要求。目前流行的多目標(biāo)優(yōu)化算法主要有強(qiáng)度帕累托進(jìn)化算法[21]、多目標(biāo)微分進(jìn)化算法[22]、多目標(biāo)粒子群算法[23-24]等。文獻(xiàn)[21]采用強(qiáng)度Pareto(帕累托)進(jìn)化算法求解微電網(wǎng)的能量分配問(wèn)題，但該算法的局部搜索能力較差；文獻(xiàn)[22]對(duì)多目標(biāo)微分進(jìn)化算法中的變異策略進(jìn)行了改進(jìn)，用于求解風(fēng)光互補(bǔ)系統(tǒng)發(fā)電容量配置，改進(jìn)后的尋優(yōu)速度有了一定提升；文獻(xiàn)[23]采用改進(jìn)粒子群優(yōu)化算法求解微電網(wǎng)儲(chǔ)能容量配置問(wèn)題，然而粒子群算法對(duì)初始值設(shè)置要求較高，且容易陷入局部最優(yōu)。

NSGA-II(快速非支配排序遺傳算法)為高維非線性優(yōu)化問(wèn)題提供了新的解決方案[25]，快速非支配排序和精英策略的配合提高了算法的求解性能，與NSGA(非支配排序遺傳算法)相比[26]，其計(jì)算復(fù)雜度大幅降低，且能加速Pareto前沿收斂，同時(shí)最大限度地保持各個(gè)優(yōu)化目標(biāo)之間的獨(dú)立性。NSGA-II已被成功應(yīng)用于電力系統(tǒng)優(yōu)化問(wèn)題中，并取得了較好的效果，如微電網(wǎng)多目標(biāo)經(jīng)濟(jì)調(diào)度[27]、綜合能源系統(tǒng)多目標(biāo)優(yōu)化[28-29]、分布式電源優(yōu)化配置[30]等。雖然NSGA-Ⅱ算法作為一種經(jīng)典算法已被廣泛應(yīng)用，但仍存在提升空間：比如進(jìn)化初期外部精英種群的支配個(gè)體失去精英性，空間搜索能力不強(qiáng)等[27,31]。

基于上述分析，本文以梯級(jí)水電調(diào)節(jié)平抑新能源接入后引起的負(fù)荷波動(dòng)最小為優(yōu)化目標(biāo)之一，同時(shí)考慮聯(lián)合發(fā)電系統(tǒng)的綜合成本最小為優(yōu)化目標(biāo)之二，構(gòu)建了面向大規(guī)模新能源接入后基于梯級(jí)水電調(diào)節(jié)的多能聯(lián)合發(fā)電系統(tǒng)短期優(yōu)化調(diào)度模型。進(jìn)一步針對(duì)NSGA-II算法的不足，從選擇策略中的比例因子、交叉算子兩方面進(jìn)行改進(jìn)。仿真結(jié)果驗(yàn)證了本調(diào)度模型的有效性和改進(jìn)NSGA-II算法的優(yōu)越性。

1 基于梯級(jí)水電調(diào)節(jié)的多能聯(lián)合發(fā)電系統(tǒng)短期優(yōu)化調(diào)度模型

含風(fēng)光水火多能聯(lián)合發(fā)電系統(tǒng)的優(yōu)化調(diào)度目標(biāo)主要包括梯級(jí)水電平抑新能源接入后的負(fù)荷波動(dòng)最小、火電燃料費(fèi)用最低、火電污染物排放最小、各發(fā)電系統(tǒng)運(yùn)維費(fèi)用最低等。

1.1 目標(biāo)函數(shù)1

1) 考慮機(jī)組閥點(diǎn)效應(yīng)的火電廠燃料成本[27]

2) 各電廠的運(yùn)行維護(hù)費(fèi)用

3) 污染物排放懲罰成本

污染物一般考慮火電廠排放的NO和SO2等氣體，其懲罰成本可表示為火電廠輸出功率的二次函數(shù)和指數(shù)函數(shù)之和[34]，如式(4)所示。

1.2 目標(biāo)函數(shù)2

梯級(jí)水電平抑系統(tǒng)凈負(fù)荷波動(dòng)的效果用平抑后的余負(fù)荷方差表示，如式(5)所示。

1.3 約束條件

1) 負(fù)荷功率平衡約束

2) 火電廠爬坡約束、上下限約束

3) 梯級(jí)水電出力約束

4) 水電出力特性約束[34]

5) 梯級(jí)水電流量庫(kù)容約束

2 ?NSGA-II算法原理及其改進(jìn)策略

2.1 NSGA-II算法基本思想

NSGA-II算法的一般過(guò)程為：首先隨機(jī)生成一個(gè)包含個(gè)個(gè)體的種群，即父代種群，并對(duì)父代種群中的個(gè)體進(jìn)行非支配排序；然后計(jì)算個(gè)體擁擠度，由個(gè)體擁擠度大小決定所在層級(jí)，采用選擇算子選出適當(dāng)?shù)膫€(gè)體放入交配池中，對(duì)池中的個(gè)體進(jìn)行交叉、變異等操作產(chǎn)生下一代種群；最后，使用精英策略，按設(shè)定比例排除不達(dá)標(biāo)的個(gè)體，讓優(yōu)秀的個(gè)體進(jìn)入下一代優(yōu)化，由此通過(guò)多次迭代來(lái)獲得最終的Pareto前沿。

2.2 NSGA-II算法改進(jìn)策略

1) 自適應(yīng)比例因子

NSGA-II算法的選擇機(jī)制為聯(lián)賽選擇法，在該規(guī)則中，判定個(gè)體優(yōu)劣的指標(biāo)是非支配等級(jí)和擁擠度距離。在同一非支配層中，個(gè)體(除兩個(gè)端點(diǎn)外)的擁擠度僅由前后相鄰兩個(gè)體目標(biāo)函數(shù)值的差值決定，導(dǎo)致種群多樣性變差。為了減少重復(fù)個(gè)體數(shù)量并增加種群的多樣性，本文對(duì)選擇策略中的比例因子進(jìn)行了改進(jìn)，規(guī)則如式(13)和式(14)所示。

2) 正態(tài)分布交叉算子

當(dāng)＞0.5時(shí)：

式中，(0,1)為正態(tài)分布隨機(jī)變量。

3 改進(jìn)的NSGA-II算法在本調(diào)度問(wèn)題中的求解流程

3.1 算法性能指標(biāo)

為了比較不同算法的性能，引入空間度量指標(biāo)來(lái)衡量算法的非支配解分布程度，其數(shù)學(xué)公式可以表示為[35]

3.2 改進(jìn)的NSGA-II算法求解流程

采用改進(jìn)的NSGA-II算法求解本文優(yōu)化模型的流程如圖1所示。需要補(bǔ)充說(shuō)明的是，在獲得Pareto非劣解集后，可根據(jù)模糊隸屬度函數(shù)挑選折中解[30]。隸屬度值可反映決策者對(duì)各優(yōu)化目標(biāo)的滿意程度，然后加權(quán)各目標(biāo)函數(shù)的隸屬度值可求取模型折中解。加權(quán)系數(shù)根據(jù)決策者偏好進(jìn)行設(shè)置，包括目標(biāo)函數(shù)1的權(quán)重1和目標(biāo)函數(shù)2的權(quán)重2。

圖1 利用改進(jìn)的NSGA-II求解本調(diào)度模型的流程圖

4 算例分析

4.1 算例參數(shù)

仿真算例是基于梯級(jí)水電(含3個(gè)水電廠)、2個(gè)火電廠、1個(gè)風(fēng)電集群、1個(gè)光伏集群的聯(lián)合發(fā)電系統(tǒng)，其中，各水電站裝機(jī)容量均為100 MW；火電廠總裝機(jī)容量為600 MW；風(fēng)電集群總裝機(jī)容量為200 MW，光伏集群總裝機(jī)容量為120 MW。其中，火電廠、梯級(jí)水電和負(fù)荷功率的基礎(chǔ)數(shù)據(jù)來(lái)源于文獻(xiàn)[34]，火、水電廠的詳細(xì)參數(shù)分別如表1和表2所示，火電廠1和火電廠2的出力范圍分別為[20, 200] MW和[40, 400] MW。

表1 火電廠的成本系數(shù)

表2 梯級(jí)水電出力系數(shù)及流量庫(kù)容約束

各水電站的入庫(kù)流量曲線如圖2所示，負(fù)荷功率如圖3所示，風(fēng)光新能源預(yù)測(cè)出力如圖4所示。設(shè)定調(diào)度周期為24 h，時(shí)間間隔為1 h，利用改進(jìn)的NSGA-II算法對(duì)優(yōu)化模型進(jìn)行編程并求解，設(shè)定種群數(shù)量為100，最大迭代次數(shù)為10 000次，交叉率為0.9，變異率0.1。在Windows10系統(tǒng)中，利用Matlab2016a平臺(tái)編制仿真程序，仿真計(jì)算機(jī)處理器為Intel core i7-6500U，內(nèi)存為8 GB。

4.2 優(yōu)化結(jié)果分析

4.2.1梯級(jí)水電對(duì)于新能源入網(wǎng)后平抑效果分析

場(chǎng)景1：風(fēng)光新能源均入網(wǎng)；

場(chǎng)景2：僅考慮風(fēng)電入網(wǎng)。

圖2 各水電站的入庫(kù)流量曲線

圖3 負(fù)荷功率柱狀圖

圖4 風(fēng)電和光伏集群預(yù)測(cè)出力曲線圖

圖5和圖6分別為在場(chǎng)景1和場(chǎng)景2下求解的Pareto前沿，從Pareto解集的分布情況看，場(chǎng)景1下兩目標(biāo)值分布均比場(chǎng)景2更優(yōu)，這是由于場(chǎng)景1中光伏發(fā)電能夠給風(fēng)電的波動(dòng)提供一定的補(bǔ)償，同時(shí)在負(fù)荷不變的情況下，光伏發(fā)電的投入能夠減輕水、火電廠供電的壓力。

圖5 場(chǎng)景1下求解的Pareto前沿

圖6 場(chǎng)景2下求解的Pareto前沿

表3給出了各場(chǎng)景下水電站參與調(diào)節(jié)前后的負(fù)荷峰谷差與負(fù)荷波動(dòng)方差，圖7為各場(chǎng)景下梯級(jí)水電對(duì)新能源接入后的波動(dòng)平抑效果曲線。

從表3和圖7的仿真結(jié)果可以看出：在場(chǎng)景1中，風(fēng)光新能源入網(wǎng)后拉大了負(fù)荷峰谷差，負(fù)荷波動(dòng)方差一度增加至14 383 MW2，峰谷差升至393.2 MW；通過(guò)梯級(jí)水電的平抑控制，負(fù)荷波動(dòng)方差降至7421 MW2，負(fù)荷波動(dòng)減少了將近50%，峰谷差降至309.75 MW，平抑效果明顯。在場(chǎng)景2中，在缺乏光伏補(bǔ)償?shù)那闆r下，凈負(fù)荷波動(dòng)方差高達(dá)18 352 MW2，通過(guò)梯級(jí)水電的調(diào)節(jié)，負(fù)荷波動(dòng)方差降至11 316 MW2，峰谷差降至347.44 MW，這表明梯級(jí)水電對(duì)于僅有風(fēng)電入網(wǎng)的系統(tǒng)也能發(fā)揮較好的平抑作用。綜上，通過(guò)兩個(gè)場(chǎng)景的仿真結(jié)果足以說(shuō)明梯級(jí)水電可作為平抑新能源波動(dòng)的有效途徑。

表3 新能源入網(wǎng)和梯級(jí)水電調(diào)節(jié)前后的負(fù)荷特性對(duì)比

圖7 梯級(jí)水電站對(duì)新能源接入后的負(fù)荷波動(dòng)抑制效果

4.2.2權(quán)重系數(shù)對(duì)于最優(yōu)解的影響分析

表4以場(chǎng)景1為例，給出了各種典型的權(quán)重系數(shù)下的Pareto最優(yōu)解和最大的模糊隸屬度值。

表4 不同權(quán)重系數(shù)下的各目標(biāo)函數(shù)值

以場(chǎng)景1為例，利用改進(jìn)的NSGA-II算法獲得的折中解對(duì)應(yīng)的詳細(xì)數(shù)據(jù)如圖8所示，包括大規(guī)模新能源接入下的梯級(jí)水電、各火電廠每小時(shí)發(fā)電計(jì)劃。從圖8中各發(fā)電系統(tǒng)的調(diào)度出力計(jì)劃來(lái)看，清潔能源出力占據(jù)主導(dǎo)地位，通過(guò)優(yōu)化聯(lián)合發(fā)電系統(tǒng)的綜合成本和負(fù)荷波動(dòng)方差，梯級(jí)水電在滿足庫(kù)容和流量的范圍內(nèi)最大限度平抑了新能源接入后的負(fù)荷波動(dòng)，有效發(fā)揮了調(diào)節(jié)的潛力。

圖8 場(chǎng)景1下折中解對(duì)應(yīng)的各發(fā)電廠出力柱狀圖

4.2.3改進(jìn)NSGA-II算法的有效性

為了體現(xiàn)改進(jìn)NASG-II算法在求解本優(yōu)化問(wèn)題的優(yōu)越性，將場(chǎng)景1的計(jì)算結(jié)果與NSGA、NASG-II的仿真結(jié)果進(jìn)行了對(duì)比，各算法獲得的Pareto前沿如圖9所示。相對(duì)而言，利用改進(jìn)NSGA-II算法獲得的解集分布更加均勻，且解的質(zhì)量更高，在相同的綜合成本或污染物排放量的情況下，利用改進(jìn)NSGA-Ⅱ算法獲得的Pareto解集相對(duì)更優(yōu)。

圖9 各算法下的Pareto前沿對(duì)比圖

表5為各算法下非劣解集的空間度量值，與其他算法相比較，正態(tài)分布交叉算子的引入能夠有效增強(qiáng)算法的空間搜索能力，且Pareto解集的空間分布更加均勻，故改進(jìn)的NSGA-II算法可以獲得更優(yōu)的性能指標(biāo)。

表6中列出了各種算法下的折中解，通過(guò)對(duì)比發(fā)現(xiàn)，改進(jìn)的NSGA-II算法的折中解明顯支配其他兩種算法的解；此外，從算法執(zhí)行時(shí)間來(lái)看，由于改進(jìn)的NSGA-II算法中引入了正態(tài)分布交叉算子，其收斂速度相對(duì)更快。綜上所述，改進(jìn)的NSGA-II算法求解結(jié)果比其他算法更優(yōu)。

表5 各算法下Pareto解集的空間度量

表6 利用各算法求得的折中解對(duì)比

為了檢驗(yàn)改進(jìn)的NSGA-II算法在求解聯(lián)合系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型的計(jì)算穩(wěn)定性，本文對(duì)該算法執(zhí)行了10次獨(dú)立計(jì)算，統(tǒng)計(jì)每次計(jì)算的折中解分布如圖10所示。

圖10中，兩目標(biāo)函數(shù)最大值對(duì)應(yīng)綜合成本為23 268元、負(fù)荷方差為7438.8 MW2；最小值對(duì)應(yīng)綜合成本為23 243元、負(fù)荷方差為7401.6 MW2；平均值對(duì)應(yīng)綜合成本為23 255元、負(fù)荷方差為7424.2 MW2。10次運(yùn)行的兩目標(biāo)函數(shù)均方差值分別為8.6528和12.841，這顯示了改進(jìn)的NSGA-II算法具有很強(qiáng)的計(jì)算穩(wěn)定性。

5 結(jié)論

針對(duì)能源轉(zhuǎn)型背景下系統(tǒng)面臨的挑戰(zhàn)和現(xiàn)有多能發(fā)電系統(tǒng)調(diào)度存在的局限性，本文提出了面向高比例新能源接入后的梯級(jí)水電與傳統(tǒng)火電聯(lián)合優(yōu)化調(diào)度模型，并利用改進(jìn)的NSGA-II算法求解，通過(guò)理論和算例分析得到如下結(jié)論：

1) 本調(diào)度模型有效地平抑了新能源入網(wǎng)造成的負(fù)荷波動(dòng)問(wèn)題，并兼顧了火電機(jī)組的綜合效益；

2) 在目標(biāo)函數(shù)中考慮了火電機(jī)組污染物排放成本，使火電機(jī)組的出力弱化，在兼顧負(fù)荷波動(dòng)平抑效果的前提下，盡可能最大化梯級(jí)水電的出力，有利于實(shí)現(xiàn)系統(tǒng)向清潔能源為主導(dǎo)的電源過(guò)渡；

3) 通過(guò)比較不同權(quán)重系數(shù)下的目標(biāo)函數(shù)值，可給用戶提供目標(biāo)函數(shù)偏好的選擇依據(jù)；

4) 通過(guò)采用自適應(yīng)比例因子和正態(tài)分布交叉算子，改進(jìn)的NSGA-II算法在Pareto前沿、空間度量指標(biāo)和算法穩(wěn)定性上均能達(dá)到最優(yōu)。

當(dāng)各電廠分屬于不同的利益主體時(shí)，利用梯級(jí)水電去平抑風(fēng)光入網(wǎng)波動(dòng)時(shí)，新能源集團(tuán)需要考慮給水電集團(tuán)一定的補(bǔ)償，補(bǔ)償費(fèi)用的大小涉及各利益主體之間的博弈。后續(xù)工作將繼續(xù)開(kāi)展此類問(wèn)題的研究。

[1] 李暉, 劉棟, 姚丹陽(yáng). 面向碳達(dá)峰碳中和目標(biāo)的我國(guó)電力系統(tǒng)發(fā)展研判[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(18): 6245-6259.

LI Hui, LIU Dong, YAO Danyang. Analysis and reflection on the development of power system towards the goal of carbon emission peak and carbon neutrality[J]. Proceedings of the CSEE, 2021, 41(18): 6245-6259.

[2] 周孝信, 陳樹(shù)勇, 魯宗相, 等. 能源轉(zhuǎn)型中我國(guó)新一代電力系統(tǒng)的技術(shù)特征[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(7): 1893-1904, 2205.

ZHOU Xiaoxin, CHEN Shuyong, LU Zongxiang, et al. Technology features of the new generation power system in China[J]. Proceedings of the CSEE, 2018, 38(7): 1893-1904, 2205.

[3] 程春田. 碳中和下的水電角色重塑及其關(guān)鍵問(wèn)題[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(16): 29-36.

CHENG Chuntian. Function remolding of hydropower systems for carbon neutral and its key problems[J]. Automation of Electric Power Systems, 2021, 45(16): 29-36.

[4] 鐘儒鴻, 程春田, 廖勝利, 等. 兼顧多電網(wǎng)調(diào)峰與水電消納的跨流域梯級(jí)水電站調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(14): 114-122.

ZHONG Ruhong, CHENG Chuntian, LIAO Shengli, et al. Inter-basin scheduling method of cascaded hydropower plants considering multi-grid peak shaving and hydropower accommodation[J]. Automation of Electric Power Systems, 2021, 45(14): 114-122.

[5] 魏明奎, 蔡紹榮, 江栗. 高水電比重系統(tǒng)中梯級(jí)水電群與風(fēng)光電站協(xié)調(diào)調(diào)峰優(yōu)化運(yùn)行策略[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2021, 36(2): 199-208.

WEI Mingkui, CAI Shaorong, JIANG Li. Peak-shaving co-optimization strategies of cascaded hydropower and wind-photovoltaic generation in systems with high penetration of hydropower[J]. Journal of Electric Power Science and Technology, 2021, 36(2): 199-208.

[6] 卓振宇, 張寧, 謝小榮, 等. 高比例可再生能源電力系統(tǒng)關(guān)鍵技術(shù)及發(fā)展挑戰(zhàn)[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(9): 171-191.

ZHUO Zhenyu, ZHANG Ning, XIE Xiaorong, et al. Key technologies and developing challenges of power system with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(9): 171-191.

[7] 薛晨, 任景, 馬曉偉, 等. 面向高比例新能源消納的西北調(diào)峰輔助服務(wù)市場(chǎng)機(jī)制及實(shí)踐[J]. 中國(guó)電力, 2021, 54(11): 19-28.

XUE Chen, REN Jing, MA Xiaowei, et al. Mechanism of peak regulation auxiliary electricity market in the presence of high-penetration renewable energy and its practice in Northwest China[J]. Electric Power, 2021, 54(11): 19-28.

[8] 羅慶, 張新燕, 羅晨, 等. 新能源發(fā)電中儲(chǔ)能綜合利用的優(yōu)化評(píng)估[J]. 智慧電力, 2020, 48(9): 51-55, 62.

LUO Qing, ZHANG Xinyan, LUO Chen, et al. Optimal evaluation of energy storage comprehensive utilization in new energy generation[J]. Smart Power, 2020, 48(9): 51-55, 62.

[9] WANG Xuebin, CHANG Jianxia, MENG Xuejiao, et al. Hydro-thermal-wind-photovoltaic coordinated operation considering the comprehensive utilization of reservoirs[J]. Energy Conversion and Management, 2019, 198: 1-15.

[10] 張國(guó)斌, 陳玥, 張佳輝, 等. 風(fēng)-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(yáng)能學(xué)報(bào), 2020, 41(8): 79-85.

ZHANG Guobin, CHEN Yue, ZHANG Jiahui, 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.

[11] AN Y, ZHAO Z, WANG S, 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.

[12] XIA S, DING Z, DU T, et al. Multitime scale coordinated scheduling for the combined system of wind power, photovoltaic, thermal generator, hydro pumped storage, and batteries[J]. IEEE Transactions on Industry Applications, 2020, 56(3): 2227-2237.

[13] 邵尤國(guó), 趙潔, 劉滌塵, 等. 考慮核電調(diào)峰的風(fēng)電-核電協(xié)調(diào)優(yōu)化調(diào)度[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(4): 1018-1029.

SHAO Youguo, ZHAO Jie, LIU Dichen, et al. Coordinated optimal dispatch of wind-nuclear power considering peak load shaving of nuclear power plant[J]. Proceedings of the CSEE, 2019, 39(4): 1018-1029.

[14] WANG Y M, ZHAO M Z, CHANG J X, et al. Study on the combined operation of a hydro-thermal-wind hybrid power system based on hydro-wind power compensating principles[J]. Energy Conversion and Management, 2019, 194: 94-111.

[15] 蘇康博, 楊洪明, 余千, 等. 考慮多類型水電協(xié)調(diào)的風(fēng)光電站容量?jī)?yōu)化配置方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(4): 80-88.

SU Kangbo, YANG Hongming, YU Qian, et al. Optimal capacity configuration method of wind-solar power station considering the coordination of multi-type hydropower[J]. Power System Protection and Control, 2020, 48(4): 80-88.

[16] 張儒峰, 姜濤, 李國(guó)慶, 等. 考慮電轉(zhuǎn)氣消納風(fēng)電的電-氣綜合能源系統(tǒng)雙層優(yōu)化調(diào)度[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(19): 5668-5678, 5924.

ZHANG Rufeng, JIANG Tao, LI Guoqing, et al. Bi-level optimization dispatch of integrated electricity-natural gas systems considering P2G for wind power accommodation[J]. Proceedings of the CSEE, 2018, 38(19): 5668-5678, 5924.

[17] 李志偉, 趙書強(qiáng), 劉金山. 基于機(jī)會(huì)約束目標(biāo)規(guī)劃的風(fēng)-光-水-氣-火-儲(chǔ)聯(lián)合優(yōu)化調(diào)度[J]. 電力自動(dòng)化設(shè)備, 2019, 39(8): 214-223.

LI Zhiwei, ZHAO Shuqiang, LIU Jinshan. Coordinated optimal dispatch of wind-photovoltaic-hydro-gas-thermal- storage system based on chance-constrained goal programming[J]. Electric Power Automation Equipment, 2019, 39(8): 214-223.

[18] LI Jinghua, WANG Sai, YE Liu, et al. A coordinated dispatch method with pumped-storage and battery- storage for compensating the variation of wind power[J]. Protection and Control of Modern Power Systems, 2018, 3(1): 21-34.

[19] 蘇承國(guó), 王沛霖, 武新宇, 等. 考慮機(jī)組組合的梯級(jí)水電站短期調(diào)峰MILP模型[J]. 電網(wǎng)技術(shù), 2018, 42(6): 1883-1891.

SU Chengguo, WANG Peilin, WU Xinyu, et al. A compact MILP model for short-term peak shaving of cascaded hydropower plants considering unit commitment[J]. Power System Technology, 2018, 42(6): 1883-1891.

[20] 賀建波, 胡志堅(jiān), 劉宇凱. 大規(guī)模多目標(biāo)水-火-風(fēng)協(xié)調(diào)優(yōu)化調(diào)度模型的建立及求解[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43 (6): 1-7.

HE Jianbo, HU Zhijian, LIU Yukai. Establishment and solution of the large-scale multi-objective hydro-thermal- wind power coordination optimization dispatching model[J]. Power System Protection and Control, 2015, 43(6): 1-7.

[21] WU X, CAO W, WANG D, et al. Multi objective optimization based on SPEA for the microgrid energy dispatch[C] // 37th Chinese Control Conference (CCC), July 25-27, 2018, Wuhan, China: 7543-7548.

[22] 陳天, 蔡澤祥, 謝鵬, 等. 基于改進(jìn)微分進(jìn)化算法的風(fēng)光互補(bǔ)系統(tǒng)發(fā)電容量?jī)?yōu)化配置[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2017, 32(3): 22-28.

CHEN Tian, CAI Zexiang, XIE Peng, et al. Capacity optimization of wind/solar hybrid power generation system based on improved differential evolution algorithm[J]. Journal of Electric Power Science and Technology, 2017, 32(3): 22-28.

[23] 陸立民, 褚國(guó)偉, 張濤, 等. 基于改進(jìn)多目標(biāo)粒子群算法的微電網(wǎng)儲(chǔ)能優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 116-124.

LU Limin, CHU Guowei, ZHANG Tao, et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization[J]. Power System Protection and Control, 2020, 48(15): 116-124.

[24] 贠保記, 白森珂, 張國(guó). 基于混沌自適應(yīng)粒子群算法的冷熱電聯(lián)供系統(tǒng)優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(10): 123-130.

YUN Baoji, BAI Senke, ZHANG Guo. Optimization of CCHP system based on a chaos adaptive particle swarm optimization algorithm[J]. Power System Protection and Control, 2020, 48(10): 123-130.

[25] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[26] SRINIVAS N, DEB K. Multi-objective optimization using non-dominated sorting in genetic algorithms[J]. Evolutionary Computation, 1994, 2(3): 221-248.

[27] 譚碧飛, 陳皓勇, 梁子鵬, 等. 基于協(xié)同NSGA-II的微電網(wǎng)隨機(jī)多目標(biāo)經(jīng)濟(jì)調(diào)度[J]. 高電壓技術(shù), 2019, 45(10): 3130-3139.

TAN Bifei, CHEN Haoyong, LIANG Zipeng, et al. Stochastic multi-objective economic dispatch of micro-grid based on ConNSGA-II[J]. High Voltage Engineering, 2019, 45(10): 3130-3139.

[28] 杜先波, 陶蘇朦, 劉述波, 等. 綜合能源系統(tǒng)日前-日內(nèi)多目標(biāo)優(yōu)化控制策略[J]. 電測(cè)與儀表, 2020, 57(16): 109-117.

DU Xianbo, TAO Sumeng, LIU Shubo, et al. Day-ahead and intraday optimal control strategies of integrated energy system considering multiple objectives[J]. Electrical Measurement & Instrumentation, 2020, 57(16): 109-117.

[29] 蔣猛, 黃宇, 廖偉涵, 等. 基于改進(jìn)NSGA-Ⅱ算法的電-氣-熱綜合能源系統(tǒng)多目標(biāo)優(yōu)化[J]. 發(fā)電技術(shù), 2020, 41(2): 131-136.

JIANG Meng, HUANG Yu, LIAO Weihan, et al. Multi- objective optimization of electricity-gas-heat integrated energy system based on improved NSGA-II algorithm[J]. Power Generation Technology, 2020, 41(2): 131-136.

[30] 盛萬(wàn)興, 葉學(xué)順, 劉科研, 等. 基于NSGA-II算法的分布式電源與微電網(wǎng)分組優(yōu)化配置[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(18): 4655-4662.

SHENG Wanxing, YE Xueshun, LIU Keyan, et al. Optimal allocation between distributed generations and microgrid based on NSGA-II algorithm[J]. Proceedings of the CSEE, 2015, 35(18): 4655-4662.

[31] 張福民, 崔海波, 李占凱, 等. 基于改進(jìn)NSGA-Ⅱ算法的微網(wǎng)交互式多目標(biāo)優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(12): 24-31.

ZHANG Fumin, CUI Haibo, LI Zhankai, et al. Interactive multi-objective optimization of microgrid based on improved NSGA-II algorithm[J]. Power System Protection and Control, 2018, 46(12): 24-31.

[32] 邱旺盛. 考慮風(fēng)電不確定性的風(fēng)-水-儲(chǔ)聯(lián)合優(yōu)化調(diào)度研究[D]. 西安: 西安理工大學(xué), 2020.

QIU Wangsheng. Research on joint wind-water-storage optimization schedulings considering wind power uncertainty[D]. Xi'an: Xi'an University of Technology, 2020.

[33] 趙傳, 戴朝華, 袁爽, 等. 考慮風(fēng)火電經(jīng)濟(jì)社會(huì)效益的風(fēng)電裝機(jī)規(guī)劃多目標(biāo)優(yōu)化方法[J]. 太陽(yáng)能學(xué)報(bào), 2019, 40(4): 1125-1132.

ZHAO Chuan, DAI Chaohua, YUAN Shuang, et al. Multi-objective optimization of wind power planning considering economy-social benefit of wind power and thermal power[J]. Acta Energiae Solaris Sinica, 2019, 40(4): 1125-1132.

[34] BASU M. An interactive fuzzy satisfying method based on evolutionary programming technique for multi-objective short-term hydrothermal scheduling[J]. Electrical Power System Research, 2004, 69(2): 277-285.

[35] TAVAKKOLI-MOGHADDAM R, AZARKISH M, SADEGHNEJAD-BARKOUSARAIE A. A new hybrid multi-objective Pareto archive PSO algorithm for a bi-objective job shop scheduling problem[J]. Expert Systems with Applications, 2011, 38(9): 10812-10821.

Short-term optimal scheduling of multi-energy combined generation systems based on the regulation of cascade hydropower stations

LI Fei1, 2, LI Xianshan1, 2, LI Zhenxing2, ZHANG Binqiao2

(1. Hubei Provincial Key Laboratory for Operation and Control of Cascaded Hydropower Station, China Three Gorges University, Yichang 443002, China; 2.College of Electrical Engineering & New Energy,China Three Gorges University, Yichang 443002, China)

With the background of ‘carbon neutrality’, the developing of novel power systems based on new energy and the decrease of fossil energy proportion have brought severe challenges to the consumption of large-scale new energy. Therefore, an optimal scheduling model of multi-energy combined generation system based on cascade hydropower regulation is built to reduce the power fluctuation caused by new energy resources and alleviate the regulated pressure related to the upper grid. The proposed model is established with the dual objectives of minimizing the load fluctuations and the overall costs of the system. An improved NSGA-II is proposed to analyze the proposed model at high dimension and complexity. The proportional factor in the selection strategy is improved, and a normal distribution operator is introduced into the crossover process to ensure the diversity of the population and improve the search ability.The simulation results show that the proposed model with cascade hydropower can effectively suppress the fluctuations caused by the new energy accessing to the grid, and improve the overall economic benefits of multi-energy generation systems.By comparing the results of various algorithms, the improved NSGA-II has obtained superior quality and better distribution of the Pareto solutions.

cascade hydropower regulation; new energy consumption; multi-energy combined system; load fluctuation; NSGA-II

10.19783/j.cnki.pspc.211389

2021-10-14；

2021-11-16

李 飛(1986—)，男，博士研究生，講師，研究方向?yàn)橹悄茈娋W(wǎng)優(yōu)化運(yùn)行與控制、梯級(jí)水電站優(yōu)化調(diào)度；E-mail: 97001455@qq.com

李咸善(1964—)，男，通信作者，博士，教授，博士生導(dǎo)師，研究方向?yàn)槲㈦娋W(wǎng)運(yùn)行與控制、梯級(jí)水電站優(yōu)化調(diào)度、水電站仿真與控制。E-mail: lixianshan@ctgu.edu.cn

國(guó)家自然科學(xué)基金項(xiàng)目資助(52077120)

This work is supported by the National Natural Science Foundation of China (No. 52077120).

(編輯 周金梅)