张鹏岩

【摘 要】介绍了洁净能源发电并网系统优化调度的国内外研究现状及其相关关键技术问题，得出了一些总结性的结论。

【关键词】洁净能源发电；调度模型；解算算法

【中图分类号】P754.1【文献标识码】A【文章编号】1672-5158（2013）07-0408-02

0 引言

随着社会产业的发展的不断提高，能源需求的不断增长使得传统能源如煤炭、石油、天然气等资源日趋枯竭。目前，风电为代表的洁净能源发电已受到人们格外青睐，同时，在这样一种大背景下，太阳能发电也正在经历着前所未有的应用和发展速度。

解决大规模洁净能源发电并网系统调度问题对我国电力事业的发展意义深远而重大。在世界范围内发展大规模洁净能源发电并网运行是改善电源布局和优化电力结构的理想选择，也是实现可持续电力供应的理想模式。因此，解决洁净能源发电的调度问题对于实现大规模洁净能源发电并网和经济、合理运行具有决定性的作用。

1 国内外研究现状

目前，在国外洁净能源技术已经成熟，最近几年，风电的发展在国内也已经达到了一定的水平，因此，国内外对风电并网系统调度问题的研究也已经取得了一定的成果并正在不断完善。

国内外对系统优化调度模型及其解算算法的研究起步较早，研究成果也相当丰富。文献[1]提出了一种计及风电环境效益，风电备用容量成本和火电机组环境补偿成本的基于最小购电成本最小为目标函数的调度模型，使用新型智能技术遗传算法对调度模型进行解算，调度结果经济合理、经济。文献[2]构建了一种包含分布式电源的电网调度模型，并开发了相应的求解算法。通过一个具体的算例研究了分布式电源对电力系统的线损以及各节点的边际电价的影响，表明分布式电源能够有效降低线损和阻塞，为用户提供足够的电力，保障供电可靠性。当风电、光伏发电等洁净能源发电作为分布式电源接入电网时，该文所采用的调度模型具有重大参考价值。文献[3]以风电场的短期风速预测为基础，针对风力发电不同接入容量对电力系统稳定性影响的不同，建立含有风电场的电力系统经济调度模型，并使用了先进的优化算法，调度结果较精确、可信。文献[4]对水电调度模型进行了深入的研究论述，以发电量最大为目标建立了优化的调度模型，提出了双决策变量线性调度函数，并讨论了双决策线性函数建立的方法和决策规则的确定。文献[5]基于机会约束规划提出了一种新的水火电力系统短期优化调度的不确定性模型。允许所形成的调度方案在某些比较极端的情况下不满足约束条件，但这种情况发生的概率必须小于某一置信水平。兼顾日前交易和在此计划下可能存在的实时交易的费用，实现系统的火电机组和用以实时平衡的功率调整的费用最小化，并针对该模型给出了基于粒子群算法和蒙特卡罗仿真的求解方法。文献[6]提出用改进的直接搜索算法（DSM），即惩罚函数直接搜索算法PF-DSM求解系统调度问题。结果表明，改进后的直接搜索算法对调度模型的求解更有效。文献[7]介绍了一种基于模拟退火的粒子群算法，并用其求解以水电站年发电量最大建立的优化调度的数学模型，本文将模拟退火的思想应用到具有杂交和变异的粒子群算法当中，通过模拟退火的降温过程来提高算法后期的进化速度和精度。最后，以普定水电站的优化调度为例进行了计算，结果表明，该算法的性能较基本粒子群算法有了较大改善，且明显优于常规调度方法和动态规划。文献[8]采用模糊粒子群算法（FCPSO）求解多目标环境经济调度问题。文献[9]采用遗传算法和模糊逻辑控制混合算法来求解环境经济调度问题。文献[10]分析了韶关地区小水电群联合优化调度的特点，结合实际建立了小水电群优化调度的数学模型。通过对传统优化调度方法和遗传算法的基本步骤进行研究和改进，提出了基于改进遗传算法的模型求解方法，并对韶关电网系统中的两个小水电站进行了联合模拟求解，结果表明了该方法科学可行，对提高电网运行和提高水电能源的利用具有重要意义。文献[11]中的环境经济调度问题是一个多目标优化模型——目标函数包括系统排放物最少和系统费用最少的同时维持发电机组无功出力在一个可以接受的水平。文献[12]基于遗传算法研究包含风力发电的电网的经济调度方式，通过计算分析了应用风电所能带来的化石性燃料的节省效益，并研究了传统煤电水力发电机组可否有效弥补风电随机性对电网运行所带来的冲击。该文在建立调度模型并考虑了新能源发电对电网造成的安全稳定问题，所建模型合理，应用价值高。文献[13]则专门分别研究了遗传、进化算法等模拟生物进化的优化问题，对解算调度问题的算法进行了详细的论述，解决了调度模型的求解问题。文献[14]提出并设计了一种基于混合神经网络和遗传算法的水电厂经济调度系统，为反映机组复杂的非线性工作特性，建立了基于人工神经网络方法的耗水量模型， 在此基础上采用改进的遗传算法对机组进行了优化组合。结果表明： 数字仿真及其现场应用都取得了满意的结果。文献[15]对机组出力变化与分时电价波动之间的关系进行了研究，构建了一种新的水火电短期优化调度模型，该模型以实现电力市场条件下最大发电收益为目标，同时综合考虑了峰谷分时电价和环境保护成本对发电侧经济效益的影响，还考虑了梯级水电站群的蓄水量、下泄流量、机组出力等约束条件，由此得出机组的优化调度方案。针对传统优化算法难以处理高维梯级水电站优化调度多约束条件的缺陷，利用微分进化算法对此优化模型进行求解，仿真计算结果证明了该模型的合理性和算法的有效性。文献[16]在考虑环境保护和节约能源以及水电厂运行特点的基础上，提出了一种以火电厂总运行费用、污染气体排放量、水电厂弃水量为优化目标的水火电站群多目标优化调度模型。应用基于Agent的启发式计算方法求解。计算表明，该模型有利于节能减排和环境保护，提高了水力资源的利用程度，提升了电力系统的综合运行效益，为水火电力系统短期优化调度提供了新的研究思路。文献[17]针对风电场出力的随机性，在风速预测的基础上，应用随机规划理论建立了考虑机组组合的含风电场电力系统动态经济调度模型。鉴于以上众多原因，关于光伏发电并网运行调度方面的文献很少，对光伏发电调度建模和仿真的研究则更为罕见。因此，可以预见，对光伏发电并网系统调度模型的研究将成为一种趋势并在未来得到快速的发展，最终得到成熟的调度技术。

2 洁净能源发电并网系统调度相关关键技术

以风、光能源发电为代表的洁净能源发电具有随机性及不可控的特点，这给调度带来了困难。因此，必须解决与其相关的关键技术问题。

2.1 功率预测与控制

洁净能源发电要参与系统的功率平衡，需做的工作，一是其输出功率的预测，二是输出功率的控制。以风电为例，对风电场输出功率进行控制，有利于减小系统的备用容量，增强系统的可靠性和安全性。风电场综合控制系统输入信号有调度的指令、风速、并网点的有功功率、无功功率、电压等，控制目标为保持风电场的有功、无功、电压等在合理范围内。丹麦Eltra电力公司规定了风电场参与功率控制的7种方法[20-22]。一般风电场输出功率大于90%额定容量的概率小于10%，因此通过对风电场进行功率控制达到减少系统备用容量的作用，而不会损失太多的风电功率。风电功率预测的意义主要在以下几个方面：用于经济调度，根据风电场预测的出力曲线优化常规机组的出力，达到降低运行成本的目的。增强系统的安全性和可靠性。掌握了风电出力变化规律就减少了不确定性，增强了系统的可控性。但适应实时调度要求的准确的风电场出力模型是制约含风电的环境经济调度发展的瓶颈问题之一。文献[21]-[24]从不同的角度介绍了国内外对这一问题的研究情况。风电功率预测的基本方法可分为基于数值天气预报的物理预测模型（统计模型（神经网络方法、模糊数学方法等））和时间序列模型（持续预测方法、卡尔曼滤波方法等）两大类。文献[26]指出由于风电具有随机性， 目前尚无法较准确预侧其出力， 因此含有风电的电力系统经济调度不再是一个常规意义下的确定性问题。利用传统的方法也难获得既经济又有较高可靠性的解。

2.2 系统备用容量的选择

由于洁净能源并网发电具有随机性和间歇性的特点，为了保证系统的安全、稳定、可靠的运行，必须以常规能源发电为系统预留一定的备用发电容量。以风电为例，保证风电功率的波动特性如果与电网负荷的波动特性一致，那么风电就有自然调峰的作用，反之，会使电网的调峰问题更加突出。在有些情况下，从长时期来看，风电与电网负荷变化规律一致，但这并不能排除在有些时段内，风电出力正好与负荷变化规律相反，使电网面临严重的情况。这就需要合理安排系统的备用容量，保证电网的安全稳定运行。但是，目前对于合理选择备用容量没有成熟的理论和方法。调度部门选择的备用容量往往与实际需要的备用容量不太符合，这样必然造成了电力浪费和经济损失。因此，建立一种合理的备用容量选取方法必将成为一个意义重大的且具有很高经济效益的突破点。

3 结束语

针对洁净能源发电各自的特点，并根据电力实际运行需要，建立相应的调度模型，解决调度相关关键技术问题，并采用有效的数学解算方法，保证调度结果符合系统安全稳定运行原则，是解决调度问题的关键。

随着太阳能等洁净能源的大力开发，洁净能源发电并网调度技术必将不断完善，最终实现洁净能源在一定程度上取代传统能源。

参考文献

[1] 喻洁，季晓明，夏安.基于节能环保的水火电多目标调度策略[J].电力系统保护与控制，2009，37（1）：24-27.

[2] 王粤，肖进永，栗然.大规模风电场并网的经济调度建模和决策算法[J].电能质量，2009，28（12）：50-54.

[3] 陈毕胜.梯级水电站长期优化调度的研究与应用[D].武汉：华中科技大学，2004，5

[4] 朱建全，吴杰康.水火电力系统短期优化调度的不确定性模型[J].电力系统自动化，2008，32（6）： 51-54.

[5] Chun-Lung Chen and Tsung-Ying Lee.Impact Analysis of Transmission Capacity Constraints on Wind Power Penetration and Production Cost in Generation Dispatch[C]，IEEE International Conference on Intelligent Systems Applications to Power Systems，2007，10：1-6.

[6] 申建建，程春田，廖胜利等.基于模拟退火的粒子群算法在水电站水库优化调度中的应用[J].水力发电学报，2009，28（3）：10-15.

[7] 叶琳浩，夏成军，陈丽丹等. 改进遗传算法在韶关小水电群优化调度的应用[J].2009，21（3）：53-57.

[8] YuryevlehJ，Wong K P.Evolurionary programming based optirnal power flow algorlthm[J].IEEE Transaetions on Power Systems，1999，14（4）：1245一1250

[9] Walters D C，Shoble G B.Genetie algorithrn solution of economical dispatch with valve point loading [J].IEEE Transaetions on Power Systems，1993，8（3）：1325一1332.

[10]孟安波，刘永前.基于混合神经网络与遗传算法的水电厂经济调度研究[J]. 水力发电，2008，34（5）：46-49.

[11] 韩冬，蔡兴国.综合环境保护及峰谷电价的水火电短期优化调度[J]. 电网技术，2009，33（14）：78-83.

[12] 孙元章，吴俊，李国杰等. 含风电场电力系统动态经济调度[J].中国电机工程学报，2009，29（4）： 41-47.

[13] Eltra.Vindmoller tilsluttet net med spandinger over 100kV[S]. Denmark，2004.

[14] Grid E N.wind farm power station grid code provisions[S].Ireland， 2002.

[15] 郭巍，范高锋.大规模风电接入对电力系统调度的影响[J].农村电气化，2008， （8）：54-55.

[16]Lexiadis M A，Dokopoulos P，Sah S，et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy，1998，63（1）：61-68.

[17] Bechrakis D A，Sparis P D.Wind speed prediction using artificial neural networks[J].Wind Engineering，1998，22（6）：287-295.

[18] Bernhard L，Kurt R，Bernhard E，et al.Wind power prediction in Germany—recent advances and future challenges[C].European Wind Energy Conference，Athens，2006.

[19] 江岳文，陈冲，温步瀛. 基于随机模拟粒子群算法的含风电场电力系统经济调度[J].电工电能新技术，2007，26（3）： 37-41

[20] 张粒子，谢国辉，朱泽等.准市场化的节能发电调度模式[J].电力系统自动化，2008，33（8）：29-31.

[21] 韦志炜.电力市场环境下电力系统优化调度问题探讨[J].科技咨询，2008，（8）：53.