机组调度

机组调度（精选4篇）

机组调度 篇1

0 引言

煤矿压风系统是用空气压缩机把空气压缩, 通过管路输送到井下, 一方面为井下的风动设备提供动力, 另一方面为井下的压风自救系统提供压缩空气, 因此, 煤矿压风系统的安全、高效运行是煤矿安全持续生产的重要保障[1]。压风系统中压风机的耗电量很大, 约占煤矿总耗电量的8%～11%[2]。并且, 随着矿井的延伸, 需要提高风压, 这样将进一步增大压风机的耗电量。因此, 对煤矿压风系统的控制研究, 对于降低其耗电量, 促进煤矿节能生产有着十分重要的意义。

1 研究背景

本文以平顶山天安煤业股份有限公司八矿 (以下称八矿) 新副井压风机房为研究背景。该压风机房现有6台BLT-475W型压风机、4台离心式水泵、1座水冷却塔。BLT-475W型压风机属于恒速双螺杆式空气压缩机, 由三相鼠笼式异步电动机拖动, 采用水冷冷却方式, 其控制系统结构如图1所示。图1中, PLC是该控制系统的核心, 它的主要作用:对压风机组进行优化控制;负责与各个压风机控制器进行ModBus通信;处理现场传感器采集的信号;通过控制水泵启动柜的动作来控制水泵的开停;通过交换机与控制计算机和触摸屏进行数据交换。其中, 对压风机组进行优化控制, 必须建立压风机组调度模型。鉴此, 本文以恒压节能为目标, 对压风机组调度模型进行研究。

2 压风机组调度模型的建立

2.1 调度模型的分析

对压风机组的优化控制主要是指当管网 (地面往井下输送压缩空气的管道) 压力变化时, 压风机组自动控制系统通过对压风机组中每台压风机的状态进行决策, 使管网压力维持在规定的范围之内, 即0.58～0.65 MPa, 同时在决策过程中以消耗电能最少为目标[3]。

压风机组调度模型的建立需要完成3个阶段的工作: (1) 以压力恒定为目标确定需要加载/卸载的压风机数量, 将该阶段决策称为恒压决策; (2) 以节能为目标确定4种运行方式 (启动到加载、卸载到加载、加载到卸载、加载到停车) 下的压风机数量, 将该阶段决策称为节能决策; (3) 以均匀使用为原则对上个阶段中的决策结果进行分配, 将该阶段决策称为分配决策[4]。

2.2 模型假设

(1) 6台压风机完全相同, 即排气压力、排气量、电动机特性完全相同;

(2) 忽略管网、风包的气体泄漏;

(3) 由于6个风包相通, 所以将6个风包抽象成一个大风包, 压力传感器实时监测它的压力变化, 温度传感器实时监测它的温度变化;

(4) 由于大风包的压力仅为6～7个大气压力、温度为20～40 ℃, 所以大风包内气体近似遵循理想气体状态方程;

(5) 大风包的初始状态:压力处于规定的压力范围之内, 即0.58～0.65 MPa。

2.3 恒压决策

要将大风包的压力维持在一定范围内并保持平衡, 则要求进出大风包的空气质量相等。由模型假设可知, 大风包内气体近似遵循理想气体状态方程[5], 即

undefined

式中:p为大风包的压强, Pa;V为大风包的体积, m3;n为物质的量, mol;R为比例常数, 一般取undefined;T为大风包在Δt时间内的平均温度值;m为空气的质量, g ;M为空气的摩尔质量, g/mol。

由式 (1) 可得

undefined

其中

undefined

式中:Δp为大风包的压强差;ρ为在1个标准大气压力下, 20 ℃时的空气密度, kg/m3;ΔV为大风包的体积差;Q为压风机的排气量, m3/min;N为需要加载/卸载的压风机数量。

将式 (3) 代入式 (2) , 左右变换可得

undefined

2.4 节能决策

本节中引入线性规划模型[6], 以消耗电能最少为目标, 对加载/卸载的压风机数量N进行二次决策, 以此来确定4种运行方式下的压风机数量。

目标函数为

undefined

式中:Pj依次为启动、加载、卸载、停车时的压风机功率;nj依次为启动、加载、卸载、停车时的压风机数量。

当p<0.58 MPa, 启动、加载时的压风机数量总和为N, 加载的压风机应从当前卸载的压风机中选取, 卸载、停车时的压风机数量总和应小于N。则当p<0.58 MPa时的线性规划模型为

undefined

当p>0.65 MPa, 可以建立类似式 (6) 的相应的线性规划模型。

这样, 就建立了以消耗电能最少为目标的线性规划模型, 通过对该模型的求解就可以得到4种运行方式下的压风机数量。

2.5 分配决策

通过恒压决策和节能决策可以得出在p<0.58 MPa或p>0.65 MPa时, 处于4种运行方式下的压风机数量, 但依然无法确定每台压风机的状态, 而分配决策则可解决该问题。

分配决策按照均匀使用原则进行分配, 分配的目标是每台压风机的使用时间、启动次数趋于一致。具体做法:在每次决策前, 将6台压风机分别按照运行时间和启动次数进行排序。当需要加载压风机时, 首先加载运行时间最短的;当需要启动压风机时, 首先启动启动次数最少的;当需要卸载压风机时, 首先卸载运行时间最长的;当需要停车时, 首先停止启动次数最多的, 这样就完成了分配决策。

3 模型的求解

上一节中, 通过恒压决策、节能决策和分配决策建立了一个压风机组的优化调度模型, 本节依次对模型中的3次决策进行求解。

3.1 恒压决策求解

将Δp=p0-p代入式 (4) 得

undefined

式中:p0为Δt初始时刻的大风包的压强; V取 60 m3;M取29 g/mol;ρ取1.205 kg/mol;Q取67 m3/min。

将上述常量代入式 (7) 得

undefined

为了将p维持在0.58～0.65 MPa内, 分别选择0.585 MPa、0.642 MPa作为决策触发的压力上限和压力下限。

当p<0.585 MPa时, Δp>0, 则当00.642 MPa时, Δp<0, 则当-1≤N<0时, 卸载1台压风机;当-2≤N<1时, 卸载2台压风机。

3.2 节能决策求解

在2.4小节中, 建立了以消耗电能最少为目标的线性规划模型 (即式 (6) ) , 在本节中, 运用LINGO软件对该模型进行求解。

当p<0.585 MPa时, 采用式 (6) , 其对应的LINGO[7]求解程序如下:

3.3 分配决策求解

分配决策目标的实现是建立在排序的基础上的。本文采用冒泡法对运行时间和启动次数进行排序。排序完成后, 就可以按照顺序给出当前需要对哪台压风机进行何种操作, 即控制序列。冒泡排序算法通过Unity编程软件中的结构化文本完成代码编写任务。

4 模型的检验

将上述压风机组调度模型应用在八矿新副井压风机房, 得到的实际控制效果如图2所示 (横坐标表示时间, 单位为min, 纵坐标表示大风包的压强, 单位为MPa) 。从图2可看出, 大风包的压强维持在规定范围内, 然而曲线的波动幅度很大, 这是因为模型决策的结果是压风机数量, 而每台压风机的排气量是常值, 不可调节, 所以当增加或减少1台加载的压风机时, 大风包的压强会变化很剧烈。

5 结语

以恒压节能为目标, 通过相关的模型假设, 分3个阶段建立了压风机组调度模型, 并对模型进行了求解。实际应用表明, 该模型基本上实现了恒压节能的目标, 大风包的压强维持在规定范围内。然而, 在模型实现中存在多软件同步的问题, 虽然通过数据库为媒介的方式解决了问题, 但是时效性不好。因此, 下阶段的工作将以多软件同步的时效性为重点进行进一步的研究。

摘要：针对压风机耗电量较大的问题, 提出了一种压风机组优化控制方案, 即通过建立压风机组调度模型实现恒压节能目标。该模型的优化控制原理:当管网压力变化时, 通过对压风机组中每台压风机的状态进行恒压决策、节能决策、分配决策, 使管网压力维持在规定的范围之内, 即0.580.65 MPa。测试结果验证

关键词：煤矿压风机,调度模型,管网压力,恒压,节能

参考文献

[1]李总根, 彭伯平, 王捍湘.移动式压风机司机[M].徐州:中国矿业大学出版社, 2008.

[2]孙继平.煤矿安全监控新标准、新规程汇编及煤矿安全监控系统设计与选型手册[M].北京:中国矿业大学出版社, 2002:4-7.

[3]梁启宇.多机组智能集中节能系统在螺杆空压机的节能应用[J].电力通用机械, 2010 (2) :67-68.

[4]陈国营.纺织厂空压机能耗分析及节能实践[J].现代纺织技术, 2010 (1) :25-26.

[5]范玉妹, 徐尔, 赵金玲, 等.数学规划及其应用[M].北京:冶金工业出版社, 2009.

[6]吴德耀.线性规划在多目标问题中的应用[J].中国科技信息, 2010 (18) :32-33.

[7]万毅.矿山空压机站智能监控系统的设计与实现[D].南京:南京理工大学, 2007.

机组调度 篇2

在中国新能源产业政策的支持下, 风电装机容量迅速增长, 在2012年末已跃居世界第一[1]。但是由于风电具有波动性强等特点, 电网对风电的接纳能力有限, 风电并网消纳等问题已严重影响到电力系统的安全稳定运行[2,3,4]。在国家电网公司制定的风电运行技术标准中, 要求风电场能根据电网调度指令控制其有功功率的输出[5]。因此, 风电机组需要从传统的最大风能利用运行模式向限功率控制运行模式转变, 这对机组以及风电场的控制策略提出了更高的要求。

风电场功率控制策略在国内外已有一些研究基础。文献[6]将风电场有功功率调度指令平均分配给各机组, 具有算法简单的优点, 但由于机组发电容量因所处位置风速的不同而不同, 机组目标功率显然应差异化分配。文献[7]中以6×1.5 MW双馈型风电机群为对象, 将总功率按固定比例分配。文献[8]在文献[7]的基础上, 同时提出了无功功率的分配策略, 按照“有功出力多的机组分担无功功率少”的原则, 以避免视在功率饱和。由于风电机组输出功率跟风速关系密切, 所以对风电功率进行预测是提高风电场调度水平的有效辅助手段。文献[9-11]研究表明, 采用超短期功率预测能够较大程度地提高预测精度, 这为风电机组的功率指令分配提供参考依据。文献[12]在风速预测的基础上, 将减小机组的启停切换次数作为优化目标, 对风电机组发电计划进行优化。文献[13]采用拉格朗日乘子法对文献[12]中的优化模型进行求解。文献[14]根据风速预测对风电机组的功率变化趋势进行了分类, 然后根据目标功率选择不同的机组集合运行, 具有实用性。文献[15]以降低机组有功调度指令波动为目标, 提出了一种基于有功预测的风电场有功优化控制方法, 该方法根据风电机组出力趋势确定机组出力加权系数, 优化功率分配指令。文献[15]的优点在于考虑到机组目标功率的设定将会影响机组控制品质这一事实。

目前国内风电场普遍需要不同程度的弃风以限制上网功率, 风电机组长时间工作在限功率运行状态下, 这给保持包括变桨距控制系统、转速控制系统在内的主控系统的调节品质均带来了不利影响。因此, 在风电场功率控制过程中, 需要考虑机组目标功率的优化分配问题, 以提高风电场内风电机组运行工况点的整体优化程度, 降低限功率运行对机组可控性的影响, 这在以上参考文献中还未涉及。

为此, 本文在对风电机组限功率运行特性分析的基础上, 提出了一种考虑机组限功率运行状态优化的调度策略。首先, 应用小扰动分析方法, 对风电机组限功率运行下的稳定性影响因素进行了理论分析。然后, 为了有效量化评估机组限功率运行稳定性, 基于限功率深度概念设计评价指标, 建立以限功率状态均衡度、风电场功率目标偏差、机组启停次数为综合优化目标的多目标多步的风电场功率调度优化模型, 并运用遗传算法设计了求解策略。最后, 算例分析结果表明:该策略在优化时段内能有效均衡各机组的限功率运行程度, 有利于保持机组对象的稳定裕度;减少机组启停状态转换次数, 减轻设备损耗;同时充分利用电网负荷指标, 提高风电场效益。

1 风电机组限功率运行特性分析

1.1 风电机组限功率运行

目前主流大型变速风电机组通常为永磁直驱型和双馈型两种。变速和变桨距技术的应用为风电机组的限功率运行提供了基础。在前期风电全额上网时期, 风电场发电目标为最大限度地利用风能产生电能, 其主要运行方式如图1中实线所示:在额定风速以下, 以最大风能追踪为控制目标;在额定风速以上, 以额定功率运行为控制目标。所以不涉及风电机组的发电调度问题。而目前在电网限发要求下, 就需要将风电机组从“适应风速”向“适应电网”转变, 即在运行风速全程范围内具备功率限发控制特性, 其主要运行方式如图1中虚线所示:不仅是在恒功率运行区域, 而是在多个运行区域中都需要调整桨距角以及转速来控制风能吸收, 达到降低功率输出的目的。图中:r为转速;p为功率;β为桨距角。

但是, 由于风轮的气动功率特性与桨距角及转速 (叶尖速比) 具有高度的非线性, 所以在实际中风电机组功率控制系统往往采用按正常运行时的工况点分段线性化的方式进行设计[16]。而在限功率运行方式下, 风电机组通常需要通过变桨距控制维持在较低功率, 这对风电机组动态特性及其稳定性都将产生不良影响[17]。因此, 深入分析此时风电机组对象特性的变化规律对有效设计控制策略、保证控制品质至关重要。鉴于小扰动分析方法是一种分析非线性对象特性的常用方法, 下面采用小扰动分析方法对风电机组限功率运行时的稳定性影响因素进行分析。

1.2 变速风力机小扰动模型

风电机组传动系统模型中, 转子的运动方程为:

式中:Te为风力机系统的电磁转矩;Tm为机械转矩;J为轴系系统的转动惯量;ωr为转轴转速。

设β, β0分别为变速风电机组桨距角实际值和参考值, τβ为桨距角调节时间常数, 则变速风电机组的运动方程为:

采用限功率控制策略时, 将式 (1) 、式 (2) 在平衡点 (ωr0, β0) 线性化, 得到:

令

得到:

联立式 (1) 至式 (8) , 则风电机组的小信号线性方程为:

在平衡点 (ωr0, β0) 附近, 当变速风力机的初始状态的偏差为 (Δωr0, Δβ0) 时, 转速和桨距角轨迹为:

该轨迹方程表明:桨距角明显为自稳定对象, 在小扰动下可收敛到初始状态β0;而转速对象的收敛性与其指数中的k1和k2相关, 需要进一步分析。

1.3 变速风电机组稳定性分析

为了研究限功率运行下风力机对象的稳定性变化规律, 以某主流机型在某风速下, 目标功率为0.3 (标幺值) 的工况下的发电机电磁转矩Te曲线和风轮机械转矩Tm曲线 (这里仅以β=0°和β=4.6°为例) 为例进行说明[18], 如图2所示。

图2中, Tm曲线和Te曲线相交点即为转速可以获得稳定的平衡点。例如β=0°时, 有A, B两平衡点, 此时Tm曲线和Te曲线对转速的斜率即分别为式 (6) 和式 (7) 中的k1和k2, 分别表示为kA1, kA2和kB1, kB2, 由图中曲线斜率显然有kA1>kA2和kB1

随着β的增大, 相同转速下风力机能够提供的机械力矩减小, 当β=4.6°时, Tm曲线和Te曲线相切于C点, 有kC1=kC2。此时变速风力机处于临界稳定状态;当桨距角继续增大时, Tm和Te没有交点, 转速也就失去了平衡的可能, 因此转速将不可能稳定。不同桨距角下, 平衡点所组成的轨迹见图3。

由式 (11) 中ωr的轨迹方程可知, 在平衡点B处, 由于kB1

而在平衡点A, 由于kA1>kA2, 所以当t→∞时, , 若Δωr0+k0≠0, 则状态变量ωr将远离平衡点A, 所以A为不稳定平衡点, 其稳定条件为:

由于风力机转动惯量J要远大于桨距角调节时间常数τβ, 所以式 (14) 为一极大值, 即图3中过A点的稳定区域边界线近似与转速轴垂直。由非线性理论可知:非线性系统的稳定边界由不稳定平衡点确定。A点又是该系统中唯一的不稳定平衡点, 所以A点的稳定区域即描述了变速风电机组的稳定区域。显然, 在风电机组限功率运行下, 随着桨距角的增大, 风电机组稳定运行区域也在发生改变。如图4所示, 当β=0°时, 其稳定边界为A0M0, A0M0右侧区域为稳定区域;当β=4.0°时, 其稳定边界为A1M1, 其右侧稳定区域面积要明显小于β=0°;而当β大于临界桨距角时, 机组将不再稳定。

由上述分析可知, 在风速一定的条件下, 由于限功率运行需要而增大桨距角, 会降低风电机组对象的稳定性, 增加控制系统调节难度。所以要避免个别机组承担过大的限功率任务, 风电场级功率调度系统需要对机组限功率状态加以监测并予以均衡。

2 风电机组限功率运行状态评估

2.1 评价指标

为了有效量化评估风电机组限功率运行状态, 本文基于限功率深度概念设计了一种评价指标。该指标主要考虑该风电机组理论可发功率与实发功率的差额, 并根据该负荷区间进行标幺化, 以便于不同额定容量机组之间的比较, 其表达式为:

式中:PrefWT为在功率分配周期中机组所分配的有功功率参考值;Pmax, vWT和Pmin, vWT分别为机组在风速v下可发功率的最大值和最小值。其具体计算方法下面进行详述。

EV, P=0表示机组以其最大功率值运行, 没有进行限功率, 即桨距角最小, 可认为同等风速条件下的稳定裕度最大;EV, P=1表示机组以其最小功率值运行, 限功率深度最大, 这通常是通过保持较大桨距角开度 (一般桨距角控制上限在20°~30°左右) 来实现, 根据上述稳定性分析, 可认为同等风速下此工况点的稳定裕度最低。所以可以依据该指标, 在机组负荷分配的过程中, 主动进行机组目标功率的调整, 减小出现个别机组以过大桨距角运行的状态, 从而实现风电场运行稳定裕度的整体提升。

2.2 功率上限

在风速v下风电机组的功率可表示为:

式中:f (ω, β) 表示与风电机组转速、桨距角及运行区间相关的非线性函数, 可根据具体风电机组厂商所提供的设计运行曲线来拟合确定。

如图1所示, 在传统运行方式下, 根据风速v由小到大, 其并网后运行区间可分为最大风能追踪区、定速运行区以及恒功率运行区, 其中vcut-in, vcon-speed, vrate, vcut-out分别为切入风速、恒转速风速、额定风速、切出风速。

1) 最大风能追踪区:vcut-in

此区间内转速和功率都未达到上限, 所以风电机组功率上限需按照该风速下最优转速ωopt运行来计算:

2) 定速运行区:vcon-speed

该运行区域内风力机转速已经达到最大转速, 但功率还未达到上限, 因此风电机组的功率随风速增大可继续增加, 但是由于转速不变, 所以风力机已经逐渐偏离了最佳叶尖速比, 风电机组在此风速区间下的最大功率输出为:

3) 恒功率运行区:vrate

该运行区域内风电机组已经运行在额定功率, 风电机组通过变桨调节维持功率在额定值, 因此实际运行中在此区间下的最大功率输出为:

式中:PWTrate为风电机组额定功率。

在传统的按机组可发容量进行比例分配的策略中, 通常使用PWTrate作为功率上限[6]。但是这样处理存在问题:因为这个风速段内机组的额定功率的保持是通过改变桨距角β来实现的, 如果将额定功率作为风电机组的功率上限, 则不同风速下 (额定风速以上) 机组的发电容量区间相同, 这将无法真实反映在该风速段内的机组限功率状态差异以及桨距角调节程度。因此, 本文采用如下方法处理:以桨距角不参与调节时的理论功率值作为功率上限, 得到

综上, 得到在不同风速区间中, 风电机组的功率上限为:

2.3 功率下限

理论上讲, 风电机组通过变桨调节可将功率降到接近于零, 然而为了保证其可控性, 实际中规定其必须运行在一定负荷之上, 即最低运行功率PWTmin, v[12]。该值与风电机组的具体设计相关, 通常认为其值为20%额定功率。

3 限功率运行优化调度策略

3.1 优化目标

为了实现风电机组限功率运行状态的优化, 需要风电场级控制系统通过风电机组功率指令及启停组合的调度, 对风电机群的整体运行状况进行调整, 针对目前风电场运行中的实际要求, 主要考虑实现以下目标。

1) 发电量目标:即使风电机组所分配的功率目标总和尽可能接近电网所下达的功率目标, 以实现最大限度地利用发电指标。

2) 启停次数目标:风电机组启停过程需要刹车系统的投退、桨距角的大幅调整、并网开关的投切等机械操作, 这对风电机组变桨系统、传动链系统、发电机系统都具有冲击和磨损。在风电场运行中, 运行维护人员通常也不希望机组频繁启停。因此, 在多周期机组运行调度中, 对机组启停组合的优化以减少不必要的启停切换为目的十分重要。

3) 限功率程度均衡目标:结合本文所提出的限功率运行状态指标, 使全风电场范围内机组的限功率运行状态得到均衡, 以避免个别机组因承担过重限功率任务而意外停机保护。

3.2 数学模型

结合上述优化目标, 建立多目标多步优化数学模型。目标函数为:

式中:a, b, c分别为各子目标的权重;U用于统计功率目标偏差, 实现发电量优化目标;V用于统计调度过程中机组启停状态发生变化的总台次, 实现启停组合优化目标;W用于统计各台机组限功率运行状态评价指标的标准差, 实现限功率程度均衡的目标;n为风电场内机组的台数;m为处于运行状态的机组的台数;T为纳入优化考虑的控制周期个数;Xij和Xij-1分别为机组i在第j个周期和第j-1个周期的状态, “1”表示运行, “0”表示停机;Pij*为所分配的功率指令;Eiv, P为机组i在风速为v、目标功率为Pij*条件下的限功率程度评价指标;PWFj*为风电场总功率指令。

约束条件为:

式中:Pij, min和Pij, max分别为机组i在第j个周期中的功率下限和功率上限。

式 (26) 表示如果机组i参与运行, 则其功率分配值应处于根据其预测风速v所确定的可发功率区间内。式 (27) 中表示各机组的功率目标之和不得超过风电场总功率目标, 这是电网调度部门对风电场限发运行的必要要求, 否则将予以处罚。

3.3 求解策略

本文所建立的风电机组功率优化分配问题数学模型是由整形变量和连续变量构成的非线性混合整数规划问题, 适合应用具有随机搜索特点的优化算法进行求解, 所以选择遗传算法作为基本策略。

针对本文优化模型特点, 设计混合编码对机组启停状态和功率目标值进行转化。机组个体的基因表示为[X, P], 其中X为该机组启停状态, 由一位二进制数表示;P为该机组分配的目标有功功率, 在其功率区间[Pimin, v, Pimax, v]之内, 考虑到优化过程的计算量及实际精度要求, 这里设计为四位二进制数来表示。同时, 本文需要同时优化未来多个调度周期的机组启停及功率分配信息, 所以将染色体设计为:Y=[X11P11, …, Xn1Pn1, X12P12, …, Xn2Pn2, …, X1TP1T, …, XnTPnT]。后续的交叉、选择、变异等操作采用常规遗传算法步骤, 本文不再赘述。

4 算例分析

4.1 初始条件

以一个含有10台2.0 MW的风电机群为对象, 对本文所提出的调度策略进行了验证。该风电场按照电网下达的96点日发电计划 (15min间隔) 控制其并网功率输出, 风电机组目标功率调度周期也为15min。该风电场风电功率预测系统能够提供15min间隔风电功率预测信息。通常来讲, 预测时间越近, 准确度越高, 这里选择未来1h中的4个调度周期进行优化。实际应用中可根据具体风电功率预测系统的准确程度来选择优化周期。

风电机组的初始启停状态及未来4个调度周期内各机组处的风速预测值如表1所示。

依据所选风电机组厂家所提供的“风速—功率”设计曲线, 根据表1中预测风速得到T1时刻至T4时刻的机组预测功率上限 (表示为PPre) , 根据式 (21) 得到限功率状态指标中功率上限 (表示为PEva) , 如表2所示, 在高于额定风速时, 机组的PEva指标根据具体风速值将不同程度地大于PPre指标, 因此, 使用PEva可以区分出高于额定风速下的机组限功率程度。

T1时刻至T4时刻, 该风电机群的调度指令分别为8, 12, 10, 6 MW, 表2中的机组预测功率总和都大于调度指令, 所以需要限功率运行。

4.2 功率目标偏差和启停次数的指标权重确定

基于T1时刻至T4时刻的风电机群的调度指令, 首先测试功率偏差目标U的权重a和机组启停次数目标V的权重b对优化结果的影响作用, 暂不考虑限功率程度均衡指标W, 本文选择如下两种情况: (1) a=1 000, b=1, c=0, 作为优先满足发电指标的极端情况; (2) a=1, b=1 000, c=0, 作为优先减小机组的启停转化的极端情况。优化结果见表3。

如表3所示, 情况1优化结果的功率偏差率为:, 机组启停次数为8;而情况2的功率偏差率为13.3%, 启停次数为0。这是由于:情况1中功率偏差指标权重非常大, 寻优过程中为满足减小功率偏差的目的, 需要通过多次的机组启停来调整及拓展机群的功率区间;而情况2的优化结果中启停次数权重非常大, 寻优过程中机组启停状态改变多的方案将会引起目标函数值急剧增大而被淘汰, 所以机组的启停状态基本保持不变。由于初始状态下有3台机组处于停机状态 (3号、6号、9号) , 由于权重b的控制, 即使在目标功率较高的时刻 (如T2, T3) 也无法启动;而其他运行机组虽然基本达到各自的功率上限, 也导致了明显的功率缺口, 所以情况2中的功率偏差率达到13.3%。

上述两种情况验证了极端情况下权重参数a, b的效果。在多目标优化问题中, 使多个指标 (往往是矛盾的) 同时达到最优的权值比例通常是难以实现的。工程中常用的方法是:首先进行大量的优化测试计算, 初步确定使各子目标都在较合理范围内的权重比例区间, 然后根据选择主体的偏好, 确定一组优化比例。这里初步选取“6∶1”“5∶1”“4∶1”“3∶1”“2∶1”“1∶1”“1∶2”“1∶3”等几组较合理的比例进行寻优测试。考虑到遗传算法的随机性, 对于每组比例都分别进行了8次寻优, 将各次寻优后所得的指标数据进行平均, 由此得到这两个指标在各权重下的变化趋势, 如图5所示。

如图5所示, 在a∶b由6∶1下降到3∶1过程中, 功率目标偏差都不足0.25 MW, 启停次数由4.375次下降到2.5次, 降幅明显;而当a∶b由3∶1下降到2∶1时, 功率目标偏差由0.24 MW迅速上升到1.35 MW, 启停次数减小不足1次, 两个指标的综合表现明显下降。所以, 本文取a∶b的优选比例为3∶1。在此优选比例下所进行的8次优化结果如表4所示。

如表4所示, 各次方案的优化结果中功率偏差率基本小于1% (对应功率偏差约为0.24 MW) , 在10台机组4个时刻的调度过程中 (总共10台×4次=40台·次) , 启停次数都在2~3次左右, 平均每个时刻不足1台机组发生了启停切换, 两指标都比较理想。

4.3 限功率均衡度指标的权重确定

基于上述权值a∶b的优选比例3∶1, 下面将限功率均衡度指标也考虑进去, 分别选择c值为1, 2, 3, 4, 5, 6进行寻优测试。每组比例分别进行了8次寻优, 将各次寻优后所得的指标数据平均, 由此得到三个指标随权重变化的趋势, 如图6所示。

图6中, 随着均衡度权重比例的增大, 均衡度指标逐渐下降。此过程中功率目标偏差指标基本稳定, 这是由于功率目标在各机组之间进行调整, 对总功率目标影响不大;启停次数指标逐渐上升, 这是由于寻优倾向于关停机组来提高剩余运行机组的目标功率。从图中趋势看, 当c=4时, 各指标的综合表现较理想, 所以针对本算例, 三个子目标的权重比例a∶b∶c优选为3∶1∶4。上述权值确定方法虽然具有一定主观性, 但是在解决诸如本文所涉及的工程应用优化问题中广泛应用。

在上述优选权重下随机一次优化所得的详细数据列于表5中, 该方案与图6中该比例下的平均水平相比, 启停次数指标略差, 但功率偏差及均衡度指标较好, 属于可接受的正常方案。

MW

下面将其与当前风电场常用的目标功率分配算法比例法进行比较。比例分配法是按各参调风电机组的预测功率占风电场总预测功率的比例, 将风电场功率目标按等比例分配给各机组, 主要计算公式如下:

依据表2中各机组预测功率上限, 所得分配结果如表5所示。

根据表5的分配结果, 利用式 (22) 中U, V, W计算公式, 计算出三个指标如表6所示。

根据表5分配结果并结合表6各项指标值, 可知比例分配算法主要存在如下两个问题。

1) 在功率分配上, 理论上讲只要风电场可发功率容量大于目标功率, 比例分配法就可以实现目标功率的全部分配。但是初次分配的机组目标功率可能会出现低于其功率下限的情况。如表5中比例算法下T1时刻的1, 8号机组以及T4时刻的1, 7, 8, 9号机组 (其值都小于0.4 MW) 。如果这些机组以此目标功率运行, 则直接触发低功率保护逻辑而停机。如果风电场主控系统将这6处的机组目标功率设为功率下限, 然后将剩余功率再对其他机组二次分配, 此时这6处的机组将以功率下限运行, 当湍流扰动过大时也易发生功率越下限保护停机或桨距角越上限保护停机。所以, 比例分配法所得方案中存在6处停机隐患, 可能造成实际发电量较大损失。

而本文优化算法可以通过适当数量的停机来提高其他运行机组的目标功率, 使其高于功率下限, 可以避免上述问题。

2) 比例分配法中, 在大于额定风速后机组的功率上限以机组的额定功率来评估, 所以所分配的功率都相等。如表5中比例算法下T1, T3, T4时刻的4, 5, 6号机组以及T2时刻的5, 6号机组。这样分配的结果必然使风速大的机组所实际承担的限功率任务偏大, 如表5中比例算法下T1时刻的4, 5, 6号机组虽然同样分配了1.26 MW的目标功率, 而由表2知其评估功率上限分别为2.05, 2.43, 2.93 MW, 应用式 (15) 计算其限功率程度指标分别为0.479, 0.576, 0.660, 明显不平衡, 功率目标需要在4号和6号机组之间再调整。

而在本文所提出的优化算法中, 包括了基于改进功率上限计算方法的机组运行状态均衡度指标, 可以有效改善上述问题。优化所得T1时刻的4, 5, 6号机组的目标功率分别为1.22, 1.43, 1.64 MW, 计算其限功率程度指标分别为0.503, 0.493, 0.510;3台机组限功率程度基本均衡。从两种算法所得结果的均衡度指标来看, 优化算法也明显优于比例算法, 从而证明了本文算法的有效性。

5 结论

1) 在风电机组限功率控制中, 通常采用变桨距控制来减小机组的风能捕捉, 维持机组低功率运行。运用小信号分析方法表明, 在限功率运行状态下, 随着桨距角的增大, 风电机组转速对象的稳定区间将减小, 即在风电机组限功率程度加深时, 机组稳定性变差。

2) 本文建立限功率程度评价指标对风电机组限功率运行状态进行量化评估。尤其是针对大于额定风速时机组功率上限计算方法进行了改进, 此时机组运行状态区分更加明确, 解决了传统的采用额定功率值作为功率上限的计算方法所存在的不足。

机组调度 篇3

由于热电联产机组在我国电网中的比例不断攀升, 供热机组的热负荷经济调度问题会随着热电联产机组的大力发展而越来越被重视[1]。

传统的供热方式都是在确定采暖期的供热总量后, 根据每台机组的供热能力, 人为给定每台机组的供热量, 或者是把供热总量平均分给每台供热机组, 这种供热方式没有理论依据, 全无经济性可言。

目前, 国内外对热电联产机组研究比较多的是电负荷经济调度, 即在定热负荷情况下电负荷的特性分析, 这也是热电联产机组参与电网调峰很重要的一项工作[2]。然而, 理论上对定电负荷下的热负荷特性的分析存在不足, 在实践中, 热负荷经济调度的应用也缺乏依据。

本文主要研究在定电负荷情况下热负荷的经济调度技术方案。通过掌握参与热负荷调度的每台机组在定电负荷下的供热特性, 优化计算后, 得出机组之间最佳的供热分配方案, 最终提高热电厂运营的经济性。

1 热电厂总热耗量分配计算

在获取机组供热的煤耗特性时, 会涉及到机组总热耗量的分摊。目前, 热电联产机组基本上都是再热机组, 且供热机组主流已经趋向于300MW的热电联产机组。在众多参考文献中, 对热电分摊方法的介绍都还是针对小机组且无再热, 没有再热项Drhδ。再热项是机组重新吸收了热量进入汽轮机做功, 这部分热耗量必须计入总热耗量的分摊中, 否则会导致再热机组计算结果的严重失真。本文只给出热量法和实际焓降法的再热机组热、电分摊计算公式。

1.1 热量法分配计算

热量法的理论依据是热力学第一定律, 分配的原则是以分配前热用户的热耗量Qtp (h) 占汽轮机总热耗量Qtp的比例分配[3]。

热电厂无再热机组的总的热耗量Qtp为:

热电厂再热机组的总的热耗量Qtp'为:

汽轮机抽汽的对外供热量Qh为:

分配给供热的热耗量Qtp (h) 为:

热量法的热、电分摊比如下。

1) 无再热机组热、电分摊比βtp为:

2) 再热机组热、电分摊比βtp'为:

式中:ηb、ηp—分别表示锅炉效率、管道效率, %;

δ—再热蒸汽焓升, k J/kg;

D0、Drh、Dh—分别表示主蒸汽、再热蒸汽、供

热抽汽的流量, t/h;

h0、hh、hfw、hh'—分别表示主蒸汽、供热抽汽、给水、回水的比焓, k J/kg。

1.2 实际焓降法分配计算

实际焓降法是把热电联产汽流的热耗量按热电联产供热汽流在汽轮机中的实际焓降不足, 与主蒸汽实际焓降之比来分配总热耗量[4]。

无再热机组的供热热耗量Qtp (h) 为:

再热机组的供热热耗量Qtp (h) '为:

实际焓降法的热、电分摊比如下。

1) 无再热机组热、电分摊片比βtp为:

2) 再热机组热、电分摊比βtp'为:

式中:hc、hrh—分别表示汽轮机排汽、再热蒸汽的比焓, k J/kg。

2 定电负荷下热负荷经济调度的数学模型

热电联产机组的热负荷经济调度是在一定电负荷情况下, 满足外界热负荷的需求, 合理安排多台供热机组间的供热热负荷, 降低机组的综合煤耗, 提高汽轮机的经济性, 以使热电厂尽可能获得最大的经济效益。

热负荷经济调度的前提是在一定的电负荷约束条件下, 考虑外界需求的总热负荷在多台机组间的最优分配, 使得在特定时段内热电厂的发电煤耗是最小的。因此, 可建立数学模型为:

式中:E—目标函数;

k—机组台数;

bitp (e) —发电煤耗, g/k Wh;

P—机组的某一定电负荷, M W;

D总—热负荷的总需求量, t/h;

ΔT—某特定时段长;

Dhi—第i台机组的热负荷, t/h;

Qih (min) —第i台机组在该电负荷下的最小供热量, t/h;

Qih (max) —第i台机组在该电负荷下的最大供热量, t/h。

3 定电负荷下热负荷经济调度的解法

热电联产机组的热负荷经济调度必然也会涉及到负荷的最优分配。目前负荷优化方法种类繁多, 例如有线性规划法、模拟退火算法、混沌优化算法[5]。应用最多的主要有3种, 分别是等微增率法、动态规划法、遗传算法。所有算法大体可分为3种类型:传统优化方法、数学优化方法和智能优化方法。这些常规的计算方法都各有优缺点, 也有各自的适用范围。

等微增率法是在计算过程中以目标函数对各负荷变量的一阶偏导数相等为原则, 直接求出各负荷值, 然后检验其是否满足约束条件, 若不满足, 再用迭代法进行修正, 直到所有的解都满足约束条件为止[6]。该方法模型简单, 计算速度快, 适用于热电厂机组间热负荷的经济调度计算。

用等微增率法求解机组间的热负荷经济调度问题, 前提条件是参与调度的机组有限, 每台机组的煤耗特性曲线比较简单。但遇到复杂的性能曲线及较多的机组参与调度, 应采用其余方法, 如动态规划法等。

4 定电负荷下热负荷经济调度方案

热电联产机组在定电负荷下的热负荷经济调度方案首先要确定机组的性能曲线, 即参与调度的机组供热煤耗特性曲线, 其次是建立热负荷经济调度的数学模型, 使用最合适的方法对模型进行求解。而机组供热煤耗特性曲线是通过试验采集数据计算得出, 再根据每台机组的性能曲线进行负荷优化分配计算, 得出分配结果。最后依然通过试验检验理论方案的可行性, 验证理论优化分配是否真正有利于提高热电厂的热经济性。整体方案如图1所示。

在供热煤耗特性的计算过程中, 需对机组总热耗量分摊, 但选择哪种方法并不重要。在众多热电分摊方法中, 计算所得供热煤耗的结果都不一样, 而且差距也很大, 但这些方法最后所得结果反映的是热电成本, 即供热和供电的价格不同, 并不会对供热机组真实的供热煤耗特性产生影响, 故热电分摊方法在热电联产机组热负荷经济调度中并不存在争议。

在选择负荷优化分配的求解方法时, 可根据供热煤耗特性曲线的实际情况而定。然而, 整个方案中, 最复杂的就是现场试验, 获取机组供热煤耗特性的试验需要较大的工作量, 且试验过程复杂, 试验条件有限, 需要电厂大力支持。通过试验获得的数据更能准确反映机组的性能, 具有较高的实际价值, 这对机组进行热负荷的经济调度是至关重要的, 因为掌握精准的机组性能是经济调度的基础。只有准确、有价值的机组性能才能实施较准确且更具价值的经济调度, 故热负荷经济调度的有关试验是非常必要和有价值的, 不能因条件有限而被忽略。

5 实例计算

热电联产机组热负荷的调度问题, 只有在2台供热机组或者2台以上供热机组同时供热才具有实际意义。根据实际条件, 以某热电厂2台300MW热电联产机组为研究对象, 并以这2台300MW热电联产机组的热负荷经济调度试验所取得的数据为例, 采用热量法计算热电厂总热耗量的分配, 应用已建立的热负荷经济调度的数学模型以及等微增率求解方法进行热负荷的优化计算。汽轮机的主要技术规范如表1所示。

5.1 300MW汽轮机热负荷煤耗特性计算

此次试验时间是在2012年的供暖期末, 供暖需求相对较低, 故本次试验始终是在单台机组350t/h供热范围内进行的。由于无论哪种热电分摊方法的计算结果不会改变机组在定电负荷下热负荷煤耗特性的本质, 计算结果只是数值上的差距, 所以本文选择热量法对试验数据进行计算。

经过整理试验所得数据, 最终计算得出机组供热煤耗特性曲线如图2、图3所示。

通过试验计算得知, 当机组在定电负荷下时, 供热抽汽量越大, 发电煤耗越低, 机组的经济性就越高。无论是热量法还是实际焓降法, 发电功率一定时, 供热抽汽量增加时, 供热煤耗基本不变, 发电煤耗是逐渐降低的。由于热量法是好处归电, 所以发电煤耗下降的幅度较大。总之, 当机组负荷一定, 供热抽汽量增加时, 供热热耗分摊比增大, 发电热耗分摊比减小, 供热煤耗基本不变, 机组的发电煤耗降低。

5.2 总热负荷在两台机组间的经济调度计算

掌握了每台机组的供热煤耗特性后, 就可根据热负荷的总需求, 进行负荷经济调度计算, 计算过程用Matlab编程实现。每台机组在定电负荷下需对热负荷进行边界条件限制。

定电负荷下的供热工况优化分配计算结果如表2所示。

由试验和计算可知, 当2台机组的电负荷一致时, 在机组性能差别不大的情况下, 热负荷平均分配是最经济的一种供热方式;若两台机组电负荷不相同时, 电负荷较高的机组分配尽可能高的热负荷时, 热电厂的经济性是最好的。

6 结论

通过现场试验得出的汽轮机供热煤耗特性是热负荷经济调度计算的最佳依据, 也是最接近真实情况的, 因此, 计算得出的优化分配结果也是最实际、最准确的, 应用价值较高。

本文提出的热电联产机组热负荷经济调度技术方案, 降低了热电厂的煤耗, 提高了热电厂综合运营水平, 尤其是在不同类型供热机组共同供热的情况下, 节能效果会更加显著。

摘要：建立了热电联产机组在定电负荷下的热负荷经济调度技术方案。首先通过试验获取参与调度的每台机组供热煤耗特性曲线, 再建立热负荷经济调度数学模型, 并选择合理的优化方法对模型进行求解, 最后计算得出优化分配结果。通过某热电厂2台300MW供热机组的试验及实例计算, 得出了某热电厂在定电负荷情况下的供热煤耗特性, 以及在定电负荷情况下的热负荷最优分配。

关键词：热电联产,热负荷,经济调度,试验

参考文献

[1]A.Campos Celador, A.Erkoreka, etal.Feasibility of smallscale gas engine-based residential cogeneration in Spain[J].Energy Policy, 2011, 39:3813-3821.

[2]姚力强, 王兴国, 常澍平, 等.抽汽式机组实时调峰技术在智能电网中的应用[J].河北电力技术, 2009, (11) :49-51.

[3]郑体宽.热力发电厂[M].北京:中国电力出版社, 2008.

[4]张小舟.热电联产企业产品成本核算研究[D].南京:东南大学, 2010.

[5]陈皓勇, 张靠社, 王锡凡.电力系统机组组合问题的系统进化算法[J].中国电机工程学报, 1999, 19 (12) :9-13.

机组调度 篇4

日本大地震造成的福岛核电站核燃料泄漏事件使全球出现核恐慌,国际社会对于核电的认识也在发生改变,在安全与绿色之间寻求平衡,风能、太阳能、水能和传统的火电将被重新认识。在过去的一段时间,以风能为代表的可再生能源装机容量保持了迅猛的增长并将可能进一步大规模增长。维基百科全书显示,截至2011年3月底,我国风电累计装机容量已达到4.2×107 k W,但是落后的电网建设和调度管理让将近1/4的风电设备处于空转状态,风电产能浪费问题日趋严重。其主要原因之一是由于风能等可再生资源具有间歇性、随机性和反调峰性[1,2,3,4,5,6],大规模并网后,需要在原来的运行基础上额外安排一定容量的旋转备用以响应间歇式电源功率的随机波动,这会给电力系统安全调度带来负面影响。

为了平抑风电场的间歇性和随机性,很多文献从不同的角度考虑了可再生资源的间歇式发电问题,从技术层面来分析大致可以分为以下6种方式:

a.提高风力发电系统短期功率预报精度[7,8],尽可能减少由于风电接入对系统调峰容量增量的需求;

b.完善风机并网技术标准,引导产业开发适应电网要求的装备,使风机具有低电压穿越和有功、无功控制等技术[9];

c.允许放弃一定的边际电量,降低电网的总体调峰需求和成本,避免电力系统为保障电网安全而增加昂贵的调峰边际成本[10];

d.利用可中断负荷等用户激励响应,减少负荷需求,变相增加系统调峰容量[11];

e.在更广域的范围内配置风电,增强系统调节能力[12];

f.加快储能等新兴能源技术的发展[13,14,15]。

事实上,除了可以采用上述方法抑制风电场间歇性和随机性,还可以在现有的电力生产条件下,加大大容量燃煤机组等常规机组的调峰深度,充分挖掘下调备用空间,但平抑风电间歇性除了要满足负荷和功率平衡约束、发电机组的技术约束以及足够的旋转备用外,还应该具有较强的负荷跟踪能力,而大容量燃煤机的负荷跟踪能力较差,因此文中拟结合大容量燃煤机和可中断负荷建立风电场调度优化模型。一方面可以充分利用经济手段,加大大容量燃煤机组的深度调峰;另一方面充分利用可中断负荷,快速跟踪风机的出力,缓解系统的调频压力。本文拟针对上述问题,提出计及大容量燃煤机组深度调峰和可中断负荷的风电场调度模型,在现有电网条件和电源结构下提高电网消纳大规模间歇式电源的能力。

1 深度调峰与可中断负荷

2006年11月,国家电监会对并网发电厂辅助服务的管理明确规定,要求各区域电监机构结合本区域系统特点出台实施细则,将调峰辅助服务分为无偿调峰和有偿调峰。无偿调峰是机组应达到的基本调峰能力,不进行补偿;基本能力之上的为有偿调峰,采用事先确定的补偿方案。我国的燃煤机组具有很高的装机容量比例,如果能在现有补偿框架下,充分利用经济手段,加大大容量燃煤机组的调峰深度,充分挖掘现有下调备用空间,将是平息风电功率波动的最有效的方式之一,但是大容量燃煤机组深度调峰会面临安全性和经济性两方面的问题。

从安全性角度考虑,大容量燃煤机组深度调峰将增加设备磨损、疲劳和损伤,降低设备安全性和寿命。标识机组安全性的指标主要包括2个,即寿命损耗和最大降负荷速率。从经济性角度考虑,机组能耗特性与负荷量是呈U型变化关系的,过低与过高的负荷量都会造成机组经济性能降低,增大发电成本。因此利用大容量燃煤机组深度调峰平抑风电功率波动应该从2个角度3个方面来考虑,即机组寿命损耗、最大降负荷速率以及机组能耗特性。

可中断负荷能够根据系统的调度指令,减少负荷需求量。当风力机组出力迅速下降时,切除可中断负荷能有效缓解系统的调频压力,变相增加系统旋转备用容量。可中断负荷具有响应速度快、经济性高等优点,对于可中断负荷主要根据用电可中断合同进行建模。

风电机组有功出力变化直接与风速变化相关,出力上升速度可通过调节燃煤机组出力、风轮角度等技术手段加以应用,但是如果风停止,风电机组出力的下降速度是没有任何手段能够调节的,极端情况下风电机组出力可在数分钟内从满发降到零值,这对电网备用容量的调节速率提出了更高的要求,通常的火电机组无法胜任。深度调峰与可中断负荷可在不同的时间尺度下平抑风电场功率波动,前者可调容量大,但响应速度慢,经济性较差;后者可调容量小,但响应速度快,经济性较好。两者之间互为补充,增大大规模风电的接入能力。需要注意的是,利用大容量燃煤机组深度调峰平抑风电波动时,首先需要深刻了解深度调峰机组的调峰性能,提前做好危险点分析与预控措施,做好事故处理预案并进行演练;然后可利用日负荷曲线和典型风电出力曲线,结合优化结果安排调度方案。

2 优化模型

从上述分析可知,如果从经济性来考虑调峰问题,那么优化目标可定义为深度调峰费用和可中断负荷费用最小化。深度调峰费用需要从机组煤耗特性、单位发电容量补偿费用以及机组寿命损耗3个方面考虑;可中断负荷费用则包含负荷备用费用和实际发生的负荷损失补偿2个内容。通过深度调峰和负荷中断方式可以实现含间歇式电源出力的电力系统功率平衡,但是会改变电力系统的潮流,使得电力系统网损增大,应将网损最小化作为优化目标之一。因此可将优化目标定义为

其中,F为调峰的总费用;T为研究周期内的总小时数;N为系统内常规发电机的总数;Pit为第i台发电机在时段t的输出有功功率;M为系统内可中断负荷数;Pjt为第j个可中断负荷在时段t的负荷损失;h(P)为当前潮流下系统中的网损;C为折算为经济指标的系数;f为该发电机对应的深度调峰费用;g为该负荷损失的补偿费用。

其中,a、b、c分别为运行成本函数的系数;Petp i为有偿深度调峰容量,其大小为调峰总容量减去无偿调峰容量;d为深度调峰时的经济补偿系数,也包括了机组寿命损耗补偿费用;e为可中断负荷的赔偿系数。

约束条件则包括动态约束、静态约束以及不等式约束。动态约束主要为发电机爬坡率约束:

其中,αidown为机组出力下降率;αiup为机组出力爬坡率。

静态约束则包括潮流方程约束、发电机出力约束、电压幅值约束、线路潮流约束和可中断负荷量约束:

其中,N为发电机的个数;Nw为风电机组的个数;Dt为负荷在t时刻的大小;Pimin和Pimax分别表示机组i的最小和最大有功功率;Qit表示发电机i在t时刻的无功出力,Qimin和Qimax分别表示机组i的最小无功功率和最大无功功率;Ui表示节点i的电压,Uimin和Uimax分别表示节点i的最小电压和最大电压;P ibranch表示支路i的潮流,Pibranch,min和Pibranch,max分别表示支路i的最小潮流和最大潮流。

3 模型求解

文中利用内点法求解优化调度模型。求解非线性规划首先需要构造如下函数:

其中,f(X)为目标函数;G(X)为等式约束;H(X)为不等式约束;λ、μ为对等式和不等式约束的拉格朗日乘子;γ为扰动因子;Z为松弛变量;ni为不等式维数。

上述方程对各个变量偏微分方程如下:

Hessian矩阵则可写为

上述拉格朗日最优KKT条件为

利用牛顿-拉夫逊法求解上述方程:

通过变换可得:

将式(20)和式(21)代入式(19),得出:

通过如下步骤进行求解:

a.利用式(22)计算△X和△λ;

b.利用式(21)计算△Z;

c.利用式(20)计算△μ。

在求解的过程中,为了得到严格的可行解,提出使用如下仿射步长:

其中,ξ为固定比例因子,本文取0.999 95。

变量的更新规则如下:

4 算例

以新英格兰39节点测试系统为例,对文中算法进行验证。该系统共包含10台发电机,假定第5台发电机为风力发电机,系统的发电机相关参数如表1所示。系统可中断负荷共有3个,分别位于母线3、5和21,可中断负荷的费用按5 000苊/(MW·h)补偿。

图1和图2分别给出了某区域电网负荷预测曲线和典型风机出力曲线,接下来结合该数据和新英格兰39节点测试系统对文中算法进行分析。从图中可以看出负荷最小值在凌晨1点左右,最大值在晚上8点左右;而风机出力最大值在凌晨1点、中午12点及晚上8点左右,风力最小值在晚上8点左右。需要特别注意的是,在凌晨1点风机出力最大而负荷最小,在晚上8点左右风机出力最小而负荷最大,应将此2种情况作为典型情况进行分析。

为了证明文中算法的有效性,利用场景分析法进行分析以下4种典型场景。

a.场景1:风机出力最大而负荷最小,可中断负荷不参与调峰。

b.场景2:风机出力最小而负荷最大,可中断负荷不参与调峰。

c.场景3:风机出力最大而负荷最小,可中断负荷参与调峰。

d.场景4:风机出力最小而负荷最大,可中断负荷参与调峰。

在4种场景下优化结果对比如表2所示。从表中可以看出,场景1与场景3的数据相同,说明可中断负荷在场景3下并没有作用,其原因是此时系统负荷较轻,而可中断负荷的赔付高于发电机深度调峰所需要的费用;场景2与场景4相比,可以发现场景4下,其发电的平均费用下降了1.03苊/(MW·h),这是因为此时负荷较重,风力机组由于无风,几乎没有发电,所有的负荷均有煤电机组承担,煤电机组由于投油枪而导致发电成本增加,其增加幅度高于可中断负荷的赔付金额,尽管此时火电机组仍然有备用容量,优化算法还是选用了切断可中断负荷进行优化,使得总发电成本降低。

利用内点法对日前发电计划进行优化的算法如下:首先利用风机出力及负荷预测曲线计算1点钟的优化调度结果,然后利用该结果和机组的爬坡率确定机组下一个小时的发电容量上限及下限,然后逐步求出所有时刻的计及深度调峰和可中断负荷的优化调度模型。文中求出了24小时优化调度总费用:可中断负荷不参与调峰时,总费用为苊1 200 231;可中断负荷参与调峰时,总费用为苊1 140 893。可以看出,当计及深度调峰和可中断负荷优化时,每天可节省费用苊59 338。

5 结语

本文从含大规模风电场电网经济运行角度出发,提出了一种计及大容量燃煤机组深度调峰和可中断负荷的优化调度模型,以新英格兰测试系统为例,设计多个算例场景,分析了不同场景下的优化结果。当计及深度调峰和可中断负荷时,每天可节省费用$59 338,经济效益显著,具有很好的实用价值。

摘要：从含大规模风电场的电网经济运行角度出发,提出了一种计及大容量燃煤机组深度调峰和可中断负荷的优化调度模型。该模型首先从机组煤耗特性、单位发电容量补偿费用以及机组寿命损耗3个方面定义了深度调峰费用,从负荷备用费用和实际发生的负荷损失补偿2个方面定义可中断负荷费用,建立以深度调峰费用、可中断负荷费用及网损费用之和最小的优化目标,利用内点法对含风电场的电网调度模型进行优化。以新英格兰测试系统为例,分析了4种典型场景下的负荷及费用情况,最后给出了日前调度计划优化结果,结果显示节省费用达4.9%,验证了所提算法的可行性和有效性。