含風電和徑流式小水電的多目標環(huán)境經(jīng)濟調(diào)度

朱艷芳

摘 要 本文構(gòu)建了含風電和徑流式小水電機組的多目標環(huán)境經(jīng)濟調(diào)度模型。為應對風電和徑流式小水電機組的不確定性，采用概率密度函數(shù)對風速和河流流量進行模擬，利用蒙特卡洛法模擬得到風電和徑流式小水電機組的功率分布，并計算可再生能源預測功率的低估和高估帶來的懲罰成本與儲備成本。該模型能兼顧燃料費用目標及污染排放目標，并考慮安全約束、禁止運行區(qū)等約束條件。為獲取最優(yōu)調(diào)度方案集，提出一種非支配排序改進多目標教學優(yōu)化算法，并將其與不可行解約束處理技術(shù)相結(jié)合，實現(xiàn)模型的有效求解。

關(guān)鍵詞 可再生能源 徑流式小水電 網(wǎng)絡安全約束 多目標環(huán)境經(jīng)濟調(diào)度

中圖分類號：TP176.5;F42 文獻標識碼：A 文章編號：1007-0745（2021）05-0038-03

近年來，可再生能源增長迅速，在減少碳排放、降低環(huán)境污染的同時，可再生能源入網(wǎng)帶來的不確定性也給電網(wǎng)的安全經(jīng)濟運行帶來諸多影響?？稍偕茉床⒕W(wǎng)的研究集中于風電和光伏，對徑流式小水電并網(wǎng)考慮較少。徑流式小水電因為其投資少、建設(shè)周期短等優(yōu)點獲得了飛速的發(fā)展，目前裝機容量約占中國水電的30%，是電力工業(yè)的重要組成部分。然而徑流式小水電出力不確定性較大，對電力系統(tǒng)穩(wěn)定運行有很大影響，因此將其納入多目標環(huán)境經(jīng)濟調(diào)度（multiobjectiveeconomic-environmentaldispatch，MOEED）問題的研究有重要意義。

1 目標函數(shù)和約束條件

1.1 發(fā)電成本

1.1.1 火電機組發(fā)電成本

火電機組的發(fā)電成本與輸出功率的關(guān)系可以表示為：

考慮閥點效應時的發(fā)電成本表示為：

1.1.2 可再生能源發(fā)電成本

可再生能源接入電網(wǎng)時要考慮其不確定性。如果輸出功率低于預期功率，稱為對可再生能源的高估，應該承擔旋轉(zhuǎn)備用儲備成本;如果輸出功率高于預期功率，則稱為對可再生能源的低估，應該承擔懲罰成本[1]。因此，可再生能源的總成本包括直接成本、低估時產(chǎn)生的懲罰成本和高估時產(chǎn)生的儲備成本。風電機組的直接成本可表示為：

高估風電機組的輸出功率時，儲備成本為：

低估風電機組的輸出功率時，產(chǎn)生的懲罰成本為：

則風電機組的總成本為：

徑流式小水電機組的直接成本為：

高估徑流式小水電機組的輸出功率時，儲備成本為：

低估徑流式小水電機組輸出功率時，懲罰成本為：

則徑流式小水電機組的總成本為：

系統(tǒng)總發(fā)電成本是火電機組成本與可再生能源成本的總和，可表示為：

1.2 污染物排放量

火電機組污染物排放量表示為：

1.3 優(yōu)化目標

優(yōu)化的整體目標為發(fā)電成本最優(yōu)和污染排放量最小，則根據(jù)上式中的公式可得多目標優(yōu)化目標為：

2 TLBO算法

TLBO算法主要模擬教學學習過程，包括教學階段和學習階段。在教學階段，教師對學習者分享知識;在學習階段，學習者相互學習來促進進步。算法各階段介紹如下[2]。

2.1 教學階段

對于N個學習者組成的班級，通常認為班級中最好的學習者是教師，教師將知識傳播給學習者，從而提高班級的平均值。班級的平均值為：

在教學過程中，對學習者進行如下更新：

2.2 學習階段

學生與學生之間隨機交流，隨機選擇2個學生xi和xh（i≠h），比較他們的學習成績，成績差的學生向成績好的學生進行交流學習，過程如下

2.3 NSITLBO算法

在原有TLBO算法的教學階段，教學因子TF只是簡單地設(shè)置為1或2，學生對于老師教授的知識只能選擇全接受或者全不接受，教學方式過于單一。因此，提出一種自適應的教學因子[3]。

在NSITLBO算法中，通過基于非支配概念排序和擁擠距離值比較來找到最佳解決方案，基本流程如圖1所示，算法具體步驟如下。

（1）隨機生成N個學習者的初始種群。根據(jù)非支配概念排序和擁擠距離值比較來選擇教師，根據(jù)學生水平調(diào)整教學因子。

（2）根據(jù)TLBO算法的教學階段更新學習者。并將新學習者和舊學習者合并，選擇種群大小為N的最佳學習者。

（3）根據(jù)TLBO算法的學習階段更新學習者。在學習階段結(jié)束之后，新學習者與舊學習者合并在一起，再次基于非支配概念和擁擠距離值選擇種群大小為N的最佳學習者。并在下一次迭代中根據(jù)教學階段直接更新這些學習者[4]。

2.4 約束處理技術(shù)

根據(jù)提出的不可行解約束處理技術(shù)，將等式約束通過容忍度參數(shù)轉(zhuǎn)換為不等式約束。此外，所有約束都需要標準化，否則它們不同的數(shù)值范圍可能會產(chǎn)生偏差?？偧s束違反量計算為：

對于解xi和xj，在以下情況下，認為xi優(yōu)于xj。

（1）xi可行，xj不可行。

（2）xi和xj都可行，但xi的目標值優(yōu)于xj。

（3）xi和xj都不可行，但xi的目標值優(yōu)于xj。

綜上所述，這種約束處理技術(shù)根據(jù)兩種解的適應度值進行比較，優(yōu)勝劣汰，提高整體解的質(zhì)量[5]。

3 結(jié)語

本文建立了含風電和徑流式小水電的電力系統(tǒng)MOEED模型，使用概率密度函數(shù)對風速和河流流量進行模擬，通過蒙特卡洛法得到可再生能源的功率分布。并將可再生能源的懲罰成本與儲備成本也適當?shù)靥砑拥桨l(fā)電成本中，以較好地體現(xiàn)可再生能源功率對系統(tǒng)調(diào)度的影響，并兼顧經(jīng)濟效益和環(huán)境效益。為了更好地解決MOEED問題，本文提出了求解更為有效的NSITLBO-SF算法，通過對機組出力的實時調(diào)整及對約束違反量適當懲罰，實現(xiàn)對復雜約束的有效處理;并利用歸一化操作，避免算法向一目標過度進化，以獲得最優(yōu)的調(diào)度方案。

參考文獻：

[1] 孟進.基于改進量子粒子群算法的電力環(huán)境經(jīng)濟調(diào)度研究[D].華北電力大學，2020.

[2] 李笑竹，王維慶.基于多目標飛蛾撲火算法的含風電電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟調(diào)度[J].電氣工程學報，2020，15（03）：1-12.

[3] 張晶杰.新時代煤電大氣污染物控制與碳減排環(huán)境經(jīng)濟政策研究[D].華北電力大學，2020.

[4] 李進昌，張玉瓊，彭思成，廖清芬，劉滌塵，王波，徐業(yè)琰.考慮PM2.5二次生成和源荷互動的電-熱聯(lián)合系統(tǒng)環(huán)境經(jīng)濟調(diào)度研究[J].智慧電力，2020，48（07）：81-87.

[5] 于杰，陳新建，朱軼倫，王彬任.基于深度學習的含風電電力系統(tǒng)實時調(diào)度模型研究[J].機電信息，2020（18）：1-3.