CN105375507B - 雾霾环境下虚拟电厂的电力两级交互优化调度方法 - Google Patents

Abstract

本发明公开了一种雾霾环境下虚拟电厂的电力两级交互优化调度系统，具体涉及分布式能源资源优化调度方法。本发明包括步骤：A、建立计及雾霾环境影响的光伏发电预测及负荷预测系统；B、建立计及虚拟电厂的电力系统两级交互调度系统；C、建立雾霾环境下计及虚拟电厂的两级交互调度的数学模型；D、改进人工蜂群算法；E、基于改进人工蜂群算法的优化模型求解。本发明有效缓解能源危机和保护环境，新能源和智能电网技术不断发展，电力系统难以直接调度大量并网的DERs，通过实施例验证了模型的正确性和算法的可行性，体现了聚合各种DERs参与电力系统调度的优越性，也证明了雾霾环境对光伏出力、负荷预测和调度的影响，为电网优化调度提供可行参考。

Description

雾霾环境下虚拟电厂的电力两级交互优化调度方法

技术领域

本发明涉及分布式能源资源优化调度方法，具体涉及一种雾霾环境下虚拟电厂的电力两级交互优化调度方法。

背景技术

电能需求不断激增、电网结构日益复杂、能源利用效率低下、环境恶化加剧以及用户对供电质量的高标准要求，使得新能源技术和智能电网技术飞速发展。新能源凭借其资源丰富、可再生、分布广以及对环境污染小等特点在能源市场所占份额逐步攀升，智能电网技术也随着信息通信技术的发展而日益成熟。

在此背景下，由分布式发电(DG)、分布式储能(DES)、可控负荷(CL)、需求侧响应(DR)资源等组成的分布式能源资源(Distributed Energy Resources,DERs)将逐步渗透到配电网各个角落。这些DERs各自出力特性迥异，规模普遍较小且分散，配电网对其消纳能力不足、调度控制相对落后以及电网-用户互动化水平低下等问题，很大程度限制了DERs的高度渗透，若大量并网直接纳入调度将会对系统造成冲击，无法满足较高标准供电质量。为此，可将分散布置的DERs结合成一个单一可控的单元，集中控制，从而削弱其对系统稳定的影响。有的文献综合考虑了各类DERs的不确定性，建立了基于约束规划的微网系统动态经济调度模型，其调度模型实现了微网内各个DERs的调度，但并未将其与整个电力系统的调度进行协调统一；有的文献从理论上分析了微网接入电网的规划和运行策略，但对微网接入电网后参与电力系统调度的运行方案涉及较少。可见目前尚无较为完善的调度模型用以处理大量DERs集中并网的调度问题。

近年来，“雾霾”在中国的影响范围越来越广，持续天数也不断增多。本发明关注雾霾天气对电力系统的运行、维护和调度等控制产生的不利影响，具体体现在其对负荷预测、新能源出力预测、居民负荷与工业负荷配比、需求侧响应资源的控制和电力系统经济调度的影响。文献分别探讨了考虑气象因素的光伏出力预测和负荷预测。在以往研究中的气象因素主要指云、晴、雨、露、霜、雪、沙尘暴等天气类型以及日平均温、日最高(低)温、湿度等日特征因素，而对近年来不可忽略的的“雾霾”提及不多，本发明的研究借鉴以往的方法，类比分析“雾霾”对太阳能光伏电站(SPPP)出力预测和负荷预测的影响。人们在“雾霾”严重的天气下出行减少，并且此时政府发出预警信号，对某些高污染企业的生产进行政策干预，进而影响居民负荷和工业负荷的配比，并增加了以能效电厂(EPP)和电动汽车充电站(EVCS)等为代表的需求侧响应资源的控制复杂度。“雾霾”严重时部分企业关停，工业负荷减少，员工居家调休，居民减少外出致使居民负荷上升，负荷配比的变化使得EPP无法在用户侧实现有效地节电，影响EPP的出力；反之因居民出行的减少降低电动汽车(EV)的使用率，本发明EVCS可向电网输送更多的电能。此外，火电厂在“雾霾”严重时受到政府的政策约束，需要降低出力以减少污染排放，并增加污染处理成本和污染惩罚成本，从而削弱其在电力系统调度中的优势。而部分受“雾霾”影响小的新能源如风力发电厂(WPP)可凭借其“零污染排放”等优点克服价格劣势，获得更高的调度权。所以“雾霾”将在一定程度上影响机组组合布局。

发明内容

本发明所要解决的技术问题是提供一种雾霾环境下虚拟电厂的电力两级交互优化调度方法，旨在引入虚拟电厂(Virtual Power Plant,VPP)的概念，建立计及VPP的电力系统多目标两级交互优化调度模型，实现电网对VPP及VPP对其内部DERs之间的交互调度，并综合考虑“雾霾”对负荷预测、光伏发电效率以及电力系统调度的影响，采用小波神经网络预测模型进行负荷和光伏发电出力预测，采用改进的人工蜂群算法求解优化调度模型，并通过实施例验证所提的模型和算法。

为解决上述技术问题，本发明所采取的技术方案是：一种雾霾环境下虚拟电厂的电力两级交互优化调度方法，其特征在于：包括如下步骤：

A、建立计及雾霾环境影响的光伏发电预测及负荷预测系统

采用小波神经网络预测模型对雾霾环境下的光伏发电的光电转换效率η′及负荷P_D做出预测；

B、建立计及虚拟电厂的电力系统两级交互调度系统

通过信息网络将虚拟电厂接入电力系统调度中心，利用高层面的软件架构对虚拟电厂内部个体进行电力系统一级调度、虚拟电厂内部二级调度及“拟一级调度”；

C、建立雾霾环境下计及虚拟电厂的两级交互调度的数学模型

基于步骤A、B构建有最小化传统机组发电成本f₁、最小化传统机组启停成本f₂、最小化传统机组污染排放f₃、最小化虚拟电厂总体运行成本f₄四个目标函数，系统功率平衡约束、机组出力约束、传统机组旋转备用约束、传统机组爬坡约束、传统机组在调度周期内最大启停次数约束、直流潮流下网络静态安全约束六个约束条件的安全约束机组组合模型；

D、改进人工蜂群算法

(1)对种群中的每个个体，先根据适应度值选择出当前最优个体v_best，再从种群中选出一个随机个体v₁，对二者的0-1变量部分实行交叉、变异操作，得到新个体v₂，从而让v₂和种群中的当前个体再次进行“基因变换”操作，从而确定0-1变量值，确保寻优能力同时不减种群多样性；

(2)对引领蜂和跟随蜂的搜索计入被舍弃或行将舍弃的蜜源，得出当前最优蜜源，即引领蜂；

E、基于改进人工蜂群算法的优化模型求解

对步骤C的数学模型进行基于步骤D改进人工蜂群算法的优化、求解。

进一步的技术方案在于，所述虚拟电厂是一座依托通信技术、聚合众多各类分布式能源资源的“虚拟”发电单元。

进一步的技术方案在于，所述虚拟电厂包括风电厂、太阳能光伏电厂、能效电厂和电动汽车换电站。

进一步的技术方案在于，所述步骤A：雾霾环境下光电转换效率η′为：

雾霾环境下负荷P_D为：

P_D＝P_C0+P_I0-(ΔP_I(AQI)-ΔP_C(AQI)) (2)

式中：p′为雾霾环境下的辐照强度，α′为雾霾环境下入射光伏板角度，X_b为b个其它相关因素的集合，Δξ(AQI)表示光伏板上的积灰占光伏板面积比，AQI为空气质量指数，P_C0和P_I0为无雾霾环境下居民和工业负荷，ΔP_C(AQI)和ΔP_I(AQI)为雾霾天气下居民和工业负荷变化量。

进一步的技术方案在于，所述的电力系统一级调度中虚拟电厂接受电力系统调度中心的指令，合理分配M座传统机组出力P_Gi(i＝1,2,...,M)和虚拟电厂出力P_VPP；其中虚拟电厂的调度优先权为γ₀∈(0,1)，其它M座传统电厂的调度优先权为γ_i∈(0,1)，其中：

γ_n,i＝δ_i(H_n,i,AQI) (4)

式中：H_i为调度参考量(包括组发电成本和污染物排放等)综合因子值，P_smax为M₁个分布式能源资源的最大出力值之和，AQI为空气质量指数，为第j个分布式能源资源的最大出力。

进一步的技术方案在于，所述的虚拟电厂内部二级调度及“拟一级调度”是将虚拟电厂出力P_VPP分配给M₁个分布式能源资源，各个分布式能源资源的调度优先权λ_j∈(0,1)，其中：

若ΔP_VPP＝P_VPP-P_Smax≤0，虚拟电厂控制中心根据λ_j的值合理分配各个分布式能源资源出力值P_DERj，使得其总和P_S＝P_VPP；

若ΔP_VPP＝P_VPP-P_Smax>0，各个分布式能源资源取最大出力，剩余的ΔP_VPP则反馈到电力系统中，参与电力系统的“拟一级调度”，电力系统调度中心根据γ_i以及各机组出力剩余量P_Yi将ΔP_VPP再次合理分配到各个机组，其中：

进一步的技术方案在于，步骤C中所述的4个目标函数6个约束条件，其中目标函数：

1)最小化传统机组发电成本f₁：

式中：T为调度周期内的时段数，I_Gi,t为机组i在时刻t的状态(1-运行，0-停机)，P_Gi,t为机组i在时刻t的出力，传统机组发电成本与发电量呈二次函数关系，a_Qi、b_Qi、c_Qi是反映机组i发电成本特性的常数；

2)最小化传统机组启停成本f₂：

式中：C_Si和C_Xi分别表示传统机组i的开机费用和停机费用；

3)最小化传统机组污染排放f₃：

仅考虑传统机组的污染排放：

式中：a_Wi、b_Wi、c_Wi是反映机组i污染排放特性的常数；此外，可以通过污染排放成本系数C_my，将污染排放量转化为排污成本，二者成线性关系：f₃’＝C_my×f₃；

4)最小化虚拟电厂总体运行成本f₄：

虚拟电厂的运营成本包括2个部分，即各个分布式能源资源发电总成本及虚拟电厂控制成本f_c：

式中：f_DERj是第j个分布式能源资源的发电成本，在此可具体分为风电厂发电成本f_WPP、太阳能光伏电厂发电成本f_SPPP、能效电厂发电成本f_EPP和和电动汽车换电站发电成本f_EVCS；为简化模型求解，综合考虑机组建设成本和运行维护成本后，视为f_DERj,t与第j个分布式能源资源在时刻t的出力P_DERj,t成线性关系，单位成本为w_j，风电厂、太阳能光伏电厂、能效电厂和电动汽车换电站分别对应w₁、w₂、w₃和w₄；此外，受“雾霾”影响，各个分布式能源资源控制复杂度随空气质量指数的增大而增加，有额外控制成本g_j(AQI)，例如需要增加对光伏板的清灰成本，分布式能源资源的额外控制成本有：风电厂额外控制成本g_WPP(AQI)、太阳能光伏电厂额外控制成本g_SPPP(AQI)、能效电厂额外控制成本g_EPP(AQI)和电动汽车换电站额外控制成本g_EVCS(AQI)；

式中：p_r为电网平均单位电价，η_e1为电动汽车换电站的充电效率，η_e2为电动汽车换电站送电时的损失率，p_other为其它相关运行费用；

其中约束条件为：

1)系统功率平衡约束

式中：P_Dt为时段t系统的总负荷值；

2)机组出力约束

式中：和为机组i的最小、最大出力，和为第j个分布式能源资源的最小、最大出力；

3)传统机组旋转备用约束

式中：S_Dt为时段t系统的总旋转备用容量；

4)传统机组爬坡约束

虚拟电厂能够在较大范围自适应各个分布式能源资源出力的增减变化，因此只考虑传统机组爬坡约束：

|P_Gi,t-P_Gi,t-1|≤Q_i,i＝1,2,...,M,t＝2,3,...,T (16)

式中：Q_i为火电机组i的加减负荷极限值；

5)传统机组在调度周期内最大启停次数约束

在调度周期内长期处于运行状态，除检修外，所以仅考虑传统机组的启停约束；现有研究大多以机组最小开、停机时间表示该约束，为了简化模型求解复杂性，电动汽车换电站将其转化为调度周期内最大允许停启次数：

式中：J_{max i}为机组i最大允许停启次数；

6)直流潮流下网络静态安全约束

为了平衡求解精度和收敛速度，通常采用直流潮流模型构建安全约束：

式中：K是网络中节点的总数，L为支路总数，为支路l最大允许功率；若节点h有发电机组，则P_h,t为相应机组在时刻t的发电功率，若没有，则P_h,t＝0；D_h,t为节点h在时刻t的负荷功率；s_l,h是节点h对线路l功率转移因子，m和n是支路l的两个端点，x_l是支路l的电抗值，X_m,h和X_n,h为节点阻抗矩阵元素。

进一步的技术方案在于，所述的步骤D中引领蜂和跟随蜂的搜索计入被舍弃或行将舍弃的蜜源，分别如式(19)和(20)所示：

式中：k为个体标号，y_m'和y_m分别为某新旧蜜源或引领蜂第m维值，r_t∈[0,1]为贪婪度，z_k1，z_k2，z_k3为随机不同个体，Ω为选择概率，y_k为随机选择的一个个体；

g'_m＝r_t·y_{best m}+(1-r_t)·g_m-(1-2·rand)×(z_k1,m-z_k2,m) (20)

式中：g_m′和g_m分别为新旧跟随蜂第m维值，y_best为当前最优蜜源，即引领蜂。

进一步的技术方案还在于，所述步骤E中的优化、求解过程如下：

Step 1：初始化一、二级调度的优先权值γ_i和λ_j，随机生成N_P个个体，构成初始总群V₁；对每个个体，初始定γ₀最大，先按λ_j大小顺序，结合式(13)和(14)，采用式(21)的方式初始化各个时段P_DERj,t，叠加得P_VPPt；再由其余γ_i大小顺序，结合式(20)，采用式(17)方式初始化各时段I_Gi,t，确定机组运行状态，以此为基础，仿照初始化P_DERj,t的方式初始化各时段P_Gi,t；

Step 2：计算V₁每个个体的适应度值F_k及约束违反度E_k，确定可行解和外部种群V_out，同时更新γ_i和λ_j；

Step 3：引领蜂搜索：对V₁引领蜂个体，根据γ_i大小顺序，结合式(17)并采用小波神经网络预测方法更新得子代V₂各时段的I_Gi,t；以此为基础，结合式(13)和(14)，并采用式(19)方式更新V₂中的各时段P_Gi,t和P_VPPt；若P_VPPt小于等于VPP内所有DERs最大出力和P_Smaxt，则根据λ_j大小顺序，按更新P_Gi,t和P_VPPt的方式更新各时段P_DERj,t，否则所有DERs取最大出力，更新γ_i，将VPP出力不足部分依照新γ_i值分配到各时段中I_Gi,t＝1的机组，再次更新相应P_Gi,t；计算V₂每个个体的F_k及E_k，同时更新γ_i和λ_j；

Step 4：合并V₁和V₂，并按NSGA2算法确定

迭代种群V₃，并更新V_out；

Step 5：跟随蜂搜索：对V₃跟随蜂个体，结合式(20)，其它仿照Step 3引领蜂搜索方式进行搜索得到新种群V₄，并计算V₄每个个体的F_k及E_k，同时更新γ_i和λ_j；判断是否若满足终止条件，若是则输出结果，否则转Step 6；

Step 6：合并V₃和V₄，并按NSGA2算法确定迭代种群V₅，并更新V_out；

Step 7：若连续K_m代搜索未能改进蜜源，则由Step 1方式产生侦查蜂V_s，并计算V_s每个个体的F_k及E_k，同时更新γ_i和λ_j，并与V₅结合确定新的V₁，更新V_out，返回Step 3；否则转Step 8；

Step 8：令V₁＝V₅，返回Step 3。

采用上述技术方案所产生的有益效果在于：本发明简要分析了大量DERs并网带来的调度难题，讨论了“雾霾”对光伏出力、负荷预测和电力系统调度的影响，采用小波神经网络(WNN)模型预测计及“雾霾”影响的光伏出力曲线和负荷曲线；引入虚拟电厂(VPP)的概念，构建包含风电厂、光伏电厂、电动汽车换电站和能效电厂的VPP，并建立计及VPP的电力系统两级交互优化调度模型用以解决DERs调度难题，采用改进的人工蜂群算法(MABC)求解调度模型，实施例验证了所提模型及算法的正确性和有效性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明框架原理图；

图2是本发明实施例一系统图；

图3是本发明实施例一风电出力预测曲线图；

图4是本发明实施例一光伏出力预测曲线图；

图5是本发明实施例一日负荷预测曲线图；

图6是本发明实施例一雾霾环境下负荷及一级调度出力曲线图；

图7是本发明实施例一雾霾环境下二级调度出力曲线图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明是构建一种如图1所示的雾霾环境下虚拟电厂的电力两级交互优化调度方法，

其中，虚拟电厂是一座依托通信技术、聚合众多各类分布式能源资源的“虚拟”发电单元。

其中，虚拟电厂包括风电厂、太阳能光伏电厂、能效电厂和电动汽车换电站等。

具体构建系统步骤如下：

A、建立计及雾霾环境影响的光伏发电预测及负荷预测系统

采用小波神经网络预测模型对雾霾环境下的光伏发电的光电转换效率η′及负荷PD做出预测；

雾霾环境下光电转换效率η′为：

雾霾环境下负荷P_D为：

P_D＝P_C0+P_I0-(ΔP_I(AQI)-ΔP_C(AQI)) (2)

式中：p′为雾霾环境下的辐照强度，α′为雾霾环境下入射光伏板角度，X_b为b个其它相关因素的集合，Δξ(AQI)表示光伏板上的积灰占光伏板面积比，AQI为空气质量指数，P_C0和P_I0为无雾霾环境下居民和工业负荷，ΔP_C(AQI)和ΔP_I(AQI)为雾霾天气下居民和工业负荷变化量。

B、建立计及虚拟电厂的电力系统两级交互调度系统

通过信息网络将虚拟电厂接入电力系统调度中心，利用高层面的软件架构对虚拟电厂内部个体进行电力系统一级调度、虚拟电厂内部二级调度及“拟一级调度”；

电力系统一级调度中虚拟电厂接受电力系统调度中心的指令，合理分配M座传统机组出力P_Gi(i＝1,2,...,M)和虚拟电厂出力P_VPP；其中虚拟电厂的调度优先权为γ₀∈(0,1)，其它M座传统电厂的调度优先权为γ_i∈(0,1)，其中：

γ_n,i＝δ_i(H_n,i,AQI) (4)

式中：H_i为调度参考量(包括组发电成本和污染物排放等)综合因子值，P_smax为M₁个分布式能源资源的最大出力值之和，AQI为空气质量指数，为第j个分布式能源资源的最大出力。

虚拟电厂内部二级调度及“拟一级调度”是将虚拟电厂出力P_VPP分配给M₁个分布式能源资源，各个分布式能源资源的调度优先权λ_j∈(0,1)，其中：

若ΔP_VPP＝P_VPP-P_Smax≤0，虚拟电厂控制中心根据λ_j的值合理分配各个分布式能源资源出力值P_DERj，使得其总和P_S＝P_VPP；

若ΔP_VPP＝P_VPP-P_Smax>0，各个分布式能源资源取最大出力，剩余的ΔP_VPP则反馈到电力系统中，参与电力系统的“拟一级调度”，电力系统调度中心根据γ_i以及各机组出力剩余量P_Yi将ΔP_VPP再次合理分配到各个机组，其中：

C、建立雾霾环境下计及虚拟电厂的两级交互调度的数学模型

基于步骤A、B构建有最小化传统机组发电成本f₁、最小化传统机组启停成本f₂、最小化传统机组污染排放f₃、最小化虚拟电厂总体运行成本f₄四个目标函数，系统功率平衡约束、机组出力约束、传统机组旋转备用约束、传统机组爬坡约束、传统机组在调度周期内最大启停次数约束、直流潮流下网络静态安全约束六个约束条件的安全约束机组组合模型；

其中目标函数：

1)最小化传统机组发电成本f₁：

式中：T为调度周期内的时段数，I_Gi,t为机组i在时刻t的状态(1-运行，0-停机)，P_Gi,t为机组i在时刻t的出力，传统机组发电成本与发电量呈二次函数关系，a_Qi、b_Qi、c_Qi是反映机组i发电成本特性的常数；

2)最小化传统机组启停成本f₂：

式中：C_Si和C_Xi分别表示传统机组i的开机费用和停机费用；

3)最小化传统机组污染排放f₃：

仅考虑传统机组的污染排放：

式中：a_Wi、b_Wi、c_Wi是反映机组i污染排放特性的常数；此外，可以通过污染排放成本系数C_my，将污染排放量转化为排污成本，二者成线性关系：f₃’＝C_my×f₃；

4)最小化虚拟电厂总体运行成本f₄：

虚拟电厂的运营成本包括2个部分，即各个分布式能源资源发电总成本及虚拟电厂控制成本f_c：

式中：f_DERj是第j个分布式能源资源的发电成本，在此可具体分为风电厂发电成本f_WPP、太阳能光伏电厂发电成本f_SPPP、能效电厂发电成本f_EPP和和电动汽车换电站发电成本f_EVCS；为简化模型求解，综合考虑机组建设成本和运行维护成本后，视为f_DERj,t与第j个分布式能源资源在时刻t的出力P_DERj,t成线性关系，单位成本为w_j，风电厂、太阳能光伏电厂、能效电厂和电动汽车换电站分别对应w₁、w₂、w₃和w₄；此外，受“雾霾”影响，各个分布式能源资源控制复杂度随空气质量指数的增大而增加，有额外控制成本g_j(AQI)，例如需要增加对光伏板的清灰成本，分布式能源资源的额外控制成本有：风电厂额外控制成本g_WPP(AQI)、太阳能光伏电厂额外控制成本g_SPPP(AQI)、能效电厂额外控制成本g_EPP(AQI)和电动汽车换电站额外控制成本g_EVCS(AQI)；

式中：p_r为电网平均单位电价，η_e1为电动汽车换电站的充电效率，η_e2为电动汽车换电站送电时的损失率，p_other为其它相关运行费用；

其中约束条件为：

1)系统功率平衡约束

式中：P_Dt为时段t系统的总负荷值；

2)机组出力约束

式中：和为机组i的最小、最大出力，和为第j个分布式能源资源的最小、最大出力；

3)传统机组旋转备用约束

式中：S_Dt为时段t系统的总旋转备用容量；

4)传统机组爬坡约束

虚拟电厂能够在较大范围自适应各个分布式能源资源出力的增减变化，因此只考虑传统机组爬坡约束：

|P_Gi,t-P_Gi,t-1|≤Q_i,i＝1,2,...,M,t＝2,3,...,T (16)

式中：Q_i为火电机组i的加减负荷极限值；

5)传统机组在调度周期内最大启停次数约束

在调度周期内长期处于运行状态，除检修外，所以仅考虑传统机组的启停约束；现有研究大多以机组最小开、停机时间表示该约束，为了简化模型求解复杂性，电动汽车换电站将其转化为调度周期内最大允许停启次数：

式中：J_{max i}为机组i最大允许停启次数；

6)直流潮流下网络静态安全约束

为了平衡求解精度和收敛速度，通常采用直流潮流模型构建安全约束：

式中：K是网络中节点的总数，L为支路总数，为支路l最大允许功率；若节点h有发电机组，则P_h,t为相应机组在时刻t的发电功率，若没有，则P_h,t＝0；D_h,t为节点h在时刻t的负荷功率；s_l,h是节点h对线路l功率转移因子，m和n是支路l的两个端点，x_l是支路l的电抗值，X_m,h和X_n,h为节点阻抗矩阵元素。

D、改进人工蜂群算法

(1)对种群中的每个个体，先根据适应度值选择出当前最优个体v_best，再从种群中选出一个随机个体v₁，对二者的0-1变量部分实行交叉、变异操作，得到新个体v₂，从而让v₂和种群中的当前个体再次进行“基因变换”操作，从而确定0-1变量值，确保寻优能力同时不减种群多样性；

(2)对引领蜂和跟随蜂的搜索计入被舍弃或行将舍弃的蜜源，得出当前最优蜜源，即引领蜂；

其中引领蜂和跟随蜂的搜索计入被舍弃或行将舍弃的蜜源，分别如式(19)和(20)所示：

式中：k为个体标号，y_m'和y_m分别为某新旧蜜源或引领蜂第m维值，r_t∈[0,1]为贪婪度，z_k1，z_k2，z_k3为随机不同个体，Ω为选择概率，y_k为随机选择的一个个体；

g'_m＝r_t·y_{best m}+(1-r_t)·g_m-(1-2·rand)·(z_k1,m-z_k2,m) (20)

式中：g_m′和g_m分别为新旧跟随蜂第m维值，y_best为当前最优蜜源，即引领蜂。

E、基于改进人工蜂群算法的优化模型求解

对步骤C的数学模型进行基于步骤D改进人工蜂群算法的优化、求解。

优化、求解过程如下：

Step 1：初始化一、二级调度的优先权值γ_i和λ_j，随机生成N_P个个体，构成初始总群V₁；对每个个体，初始定γ₀最大，先按λ_j大小顺序，结合式(13)和(14)，采用式(21)的方式初始化各个时段P_DERj,t，叠加得P_VPPt；再由其余γ_i大小顺序，结合式(20)，采用式(17)方式初始化各时段I_Gi,t，确定机组运行状态，以此为基础，仿照初始化P_DERj,t的方式初始化各时段P_Gi,t；

Step 2：计算V₁每个个体的适应度值F_k及约束违反度E_k，确定可行解和外部种群V_out，同时更新γ_i和λ_j；

Step 3：引领蜂搜索：对V₁引领蜂个体，根据γ_i大小顺序，结合式(17)并采用小波神经网络预测方法更新得子代V₂各时段的I_Gi,t；以此为基础，结合式(13)和(14)，并采用式(19)方式更新V₂中的各时段P_Gi,t和P_VPPt；若P_VPPt小于等于VPP内所有DERs最大出力和P_Smaxt，则根据λ_j大小顺序，按更新P_Gi,t和P_VPPt的方式更新各时段P_DERj,t，否则所有DERs取最大出力，更新γ_i，将VPP出力不足部分依照新γ_i值分配到各时段中I_Gi,t＝1的机组，再次更新相应P_Gi,t；计算V₂每个个体的F_k及E_k，同时更新γ_i和λ_j；

Step 4：合并V₁和V₂，并按NSGA2算法确定

迭代种群V₃，并更新V_out；

Step 5：跟随蜂搜索：对V₃跟随蜂个体，结合式(20)，其它仿照Step 3引领蜂搜索方式进行搜索得到新种群V₄，并计算V₄每个个体的F_k及E_k，同时更新γ_i和λ_j；判断是否若满足终止条件，若是则输出结果，否则转Step 6；

Step 6：合并V₃和V₄，并按NSGA2算法确定迭代种群V₅，并更新V_out；

Step 7：若连续K_m代搜索未能改进蜜源，则由Step 1方式产生侦查蜂V_s，并计算V_s每个个体的F_k及E_k，同时更新γ_i和λ_j，并与V₅结合确定新的V₁，更新V_out，返回Step 3；否则转Step 8；

Step 8：令V₁＝V₅，返回Step 3。

如图2所示，G1、G2为火电机组；负荷L1、L2、L3占总荷比例为0.2、0.4、0.4；G1、G2、VPP一级调度优先权初值为0.2、0.1、0.7；VPP内的SPPP、WPP、EVCS、EPP二级调度优先权初值分别为0.3、0.3、0.2、0.2；G1和G2调度周期内最大允许停启次数分别3、5；为体现VPP优越性而G1、G2处于辅助地位，暂不考虑火电机组爬坡约束，可根据需要任意升降；WPP、SPPP出力和负荷见5.2预测值；SPPP和WPP装机容量(MW)分别为70、60，最大出力分别为对应出力预测值，EVCS和EPP容量(MW)分别为55、75；WPP、SPPP、EVCS和EPP的单位发电成本($)分别为414、1170、550.88、277.94；其它相关信息见表1至表3。

表1系统网络支路信息

注：l为支路编号，n_o1和n_o2为对应支路的节点编号，x_l为支路电抗，为支路允许最大潮流。

表2机组运行成本系数及污染排放系数

注：a_Q、b_Q、c_Q的单位分别为$/MW²、$/MW、$，a_W、b_W、c_W的分别为t/MW²、t/MW、t。

表3 G1、G2出力限制、启停费及排污补偿成本系数

注：P单位：MW，C单位：$。

目前国内“雾霾”预警通常以“天”为单位，政府政策调控工业负荷的实时性较为不足，对工业生产有较大的影响。因此，本算例假设“雾霾”预警以“小时”为单位，政府能根据实时AQI值对负荷进行政策干预。

首先，根据某地2014年11月11-19日负荷、SPPP出力、WPP出力及AQI值，采用前文所述预测模型和方法，预测20日相应的值，如图3至图5所示。

本发明不考虑AQI对WPP出力的影响，采用WNN预测出WPP出力曲线参与系统调度，如图3所示。

图4则给出SPPP工作区间(有日照的时间区间)的曲线，其余时刻出力为0，对比分析“计及AQI”和“不计AQI”曲线，“雾霾”在一定程度上削弱P_SPPP：7-9时，辐照弱，P_SPPP也较小，所以即便AQI很大，其对P_SPPP影响较小；9-11时，辐照增强，P_SPPP也增大，此时AQI较大程度减小了P_SPPP；12-13时是AQI低谷，对P_SPPP影响甚微；此后AQI再次升高，在P_SPPP较大时AQI的影响仍然较显著。

同理，对比图5的曲线可知，“雾霾”较大程度降低了整体负荷，并且在负荷相对较高的区间，AQI值越大，影响越明显：1-11时，AQI处于高峰，随着负荷的增大，AQI的影响也越大；12-16时，虽然负荷处于高峰，但AQI处于低谷，影响较小；17-24时，AQI再次升高，虽然负荷在下降，但AQI的影响仍然较明显。

以上述预测结果为基础，便可采用前文所建立的两级交互调度模型和MABC算法，在Matlab平台上编程求解，结果如下表4所示：

表4发电成本及排污成本

若仅以总生产成本最小作为调度目标，则多目标转化为单目标，可得一个最优值(MABC算法的可行解最优值)，由表4可知，本例求得总生产成本最小值为1.0375×10⁶$；若兼顾环境效益，不一定满足总生产成本最小，例如表4中第2列数据，排污量(成本)比第1列的少，这是因为系统此时调度更多的清洁能源，而新能源发电成本通常较高，所以发电成本随之增加，使得总生产成本也增加；同理若要减少发电成本，需调度成本低、污染多的火电机组，即降低发电成本需以增加污染排放为代价的，如表4第3列所示。

为分析各类机组出力在“雾霾”天气下的出力情况，绘制与表4第1列最优值相对应的一、二级调度出力曲线，分别如图6、图7所示。

一级调度在调度中心和政府的政策指令下，兼顾经济和环境效益，进行合理出力分配：1～8时AQI处于高峰，负荷在低谷，此时主要由“零污染”的VPP和排污较小的G1(由表2排污系数可知)供给负荷，排污较大的G2处辅佐地位，必要时可关停；9～11时，虽然AQI仍在高峰，但该阶段负荷增加，仅靠VPP和G1不足以供给，并且根据气象预测，AQI指数将降低，政府干预力度会减少，所以G2的出力随之增加；12～17时，AQI较小，而负荷在高峰期，对调度影响较小，所以VPP、G1、G2根据优化调度目标，协同出力；18-24时，AQI下降，负荷也下降，AQI对调度的影响随之降低，各机组协调运行。

二级调度受控于VPP控制中心：为充分利用风电和光电，VPP内的EVCS和EPP起辅助作用，并且设置了较大的容量，以保证SPPP和EPP出力缺失时VPP能正常运行；调度周期内，WPP出力较为相对均衡，而SPPP只在7～18时出力，出力不足部分则由EVCS和EPP来补充；因为EVCS和EPP作用相同，所以其曲线走势大致相当，但由于EPP容量较大、且发电成本较低，所以EPP出力整体大于EVCS；从VPP整体出力看，“雾霾”高峰期的VPP平均出力大于“雾霾”低谷期(84.96>78.30)，这充分体现“零污染”的VPP在兼顾环境效益的优化调度中的优越性。

为有效缓解能源危机和保护环境，新能源和智能电网技术不断发展，电力系统难以直接调度大量并网的DERs，因此本发明引入了VPP的概念，主要研究“雾霾”天气下计及虚拟电厂的电力系统多目标两级交互优化调度，在Matlab平台上采用改进人工蜂群算法MABC求解，通过具体实施例验证了模型的正确性和算法的可行性，体现了VPP聚合各种DERs参与电力系统调度的优越性，同时也证明了“雾霾”天气对光伏出力、负荷预测和调度的影响，为电网优化调度提供可行参考。

Claims (3)

1.一种雾霾环境下虚拟电厂的电力两级交互优化调度方法，其特征在于：包括如下步骤：

A、建立计及雾霾环境影响的光伏发电预测及负荷预测系统

采用小波神经网络预测模型对雾霾环境下的光伏发电的光电转换效率η′及负荷P_D做出预测；

B、建立计及虚拟电厂的电力系统两级交互调度系统

通过信息网络将虚拟电厂接入电力系统调度中心，利用高层面的软件架构对虚拟电厂内部个体进行电力系统一级调度、虚拟电厂内部二级调度及“拟一级调度”；

其中，虚拟电厂是一座依托通信技术、聚合众多各类分布式能源资源的“虚拟”发电单元；

C、建立雾霾环境下计及虚拟电厂的两级交互调度的数学模型

基于步骤A、B构建有最小化传统机组发电成本f₁、最小化传统机组启停成本f₂、最小化传统机组污染排放f₃、最小化虚拟电厂总体运行成本f₄四个目标函数，系统功率平衡约束、机组出力约束、传统机组旋转备用约束、传统机组爬坡约束、传统机组在调度周期内最大启停次数约束、直流潮流下网络静态安全约束六个约束条件的安全约束机组组合模型；

D、改进人工蜂群算法

(1)对种群中的每个个体，先根据适应度值选择出当前最优个体v_best，再从种群中选出一个随机个体v₁，对二者的0-1变量部分实行交叉、变异操作，得到新个体v₂，从而让v₂和种群中的当前个体再次进行“基因变换”操作，从而确定0-1变量值，确保寻优能力同时不减种群多样性；

(2)对引领蜂和跟随蜂的搜索计入被舍弃或行将舍弃的蜜源，得出当前最优蜜源，即引领蜂；

E、基于改进人工蜂群算法的优化模型求解

对步骤C的数学模型进行基于步骤D改进人工蜂群算法的优化、求解。

2.根据权利要求1所述的雾霾环境下虚拟电厂的电力两级交互优化调度方法，其特征在于：所述虚拟电厂包括风电厂、太阳能光伏电厂、能效电厂和电动汽车换电站。

3.根据权利要求1所述的雾霾环境下虚拟电厂的电力两级交互优化调度方法，其特征在于：所述步骤A中雾霾环境下光电转换效率η′为：

雾霾环境下负荷P_D为：

P_D＝P_C0+P_I0-(ΔP_I(AQI)-ΔP_C(AQI)) (2)

式中：p′为雾霾环境下的辐照强度，α′为雾霾环境下入射光伏板角度，X_b为b个其它相关因素的集合，Δζ(AQI)表示光伏板上的积灰占光伏板面积比，AQI为空气质量指数，P_C0和P_I0为无雾霾环境下居民和工业负荷，ΔP_C(AQI)和ΔP_I(AQI)为雾霾天气下居民和工业负荷变化量。