CN112821468B - 一种分时段多目标火电机组实时优化调度方法 - Google Patents

Abstract

本发明属于火电机组实时优化领域，具体涉及一种分时段多目标火电机组实时优化调度方法。本发明通过各火电机组的基本参数，风电与负荷日前预测及超短期预测数据等基本数据，实时进行调峰及非调峰时段指标判定，优化模式切换，火电机组出力曲线优化及下发。该系统的优点在于能充分挖掘火电机组自身能力，调整火电机组参与调峰的出力控制策略，在促进风电消纳的同时，保障火电机组自身经济效益。

Description

一种分时段多目标火电机组实时优化调度方法

技术领域

本发明属于火电机组实时优化领域，具体涉及一种分时段多目标火电机组实时优化调度方法。

背景技术

在风电富裕的“三北”地区，因风电出力具有随机性、反调峰、预测精度低等特点，电力系统的等效峰谷差大幅增加。由于火电机组占比容量高，水电等快速调峰资源不足，火电机组承担了可再生能源并网后的主要调峰任务。目前综合性能好的磷酸铁锂电池系统能量成本为150～230万元/MWh，储能成本较高。而火电机组在某一长时间尺度下，通常仅针对单一目标进行优化，未考虑经济性与消纳的综合效益，机组是否参与调峰仅由调度根据负荷率等指标，直接下拨指令，无法调动火电机组自身主动参与调峰积极性，且对于实时优化内多目标火电运行模式优化研究较少。因而，采用分时段多目标火电机组实时优化调度方法，在规模化风电并网背景下，挖掘火电机组自身能力，调整火电机组参与调峰的出力控制策略，在促进风电消纳的同时，保障火电机组自身经济效益，具有重要意义。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种分时段多目标火电机组实时优化调度方法，其特征在于，包括：

数据获取：包括各火电机组的基本参数，风电及负荷的日前预测出力、超短期预测数据，均可从各级调度中心直接获得；

分时段多目标火电机组实时优化调度方法：通过得到的火电机组参数、风电及负荷的日前及超短期预测数据，实时进行调峰及非调峰时段指标判定，优化模式切换，火电机组出力曲线优化及下发子步骤，具体包括：

调峰及非调峰时段指标判定子步骤：模式切换指令T主要由调度下发指令T_up与机组模式判断指令T_down决定，调度下发指令T_up由调度中心直接给出，具有最高优先级，机组模式判断指令T_down为火电机组根据风电及负荷功率超短期预测与日前偏差值自行判断得出。

优化模式切换子步骤：根据上述模式切换指令，在发生模式切换后，即优化目标转换后，火电机组出力曲线优化的目标函数随之发生变化，以匹配两种运行模式下的不同优化目标。

火电机组出力曲线优化及下发子步骤：采用优化粒子群算法，根据目标函数对火电机组出力曲线进行优化。

在上述的一种分时段多目标火电机组实时优化调度方法，需要的输入数据为火电机组基本参数，包括火电站机组的总装机容量、单台机组爬坡速率、出力上下限、煤耗特性曲线、油耗特性曲线，由煤耗特性曲线和油耗特性曲线与单位煤炭及柴油的CO₂排放系数、CO₂排放许可价格间接计算得到的环境污染处理成本函数，风电及负荷的日前及超短期预测数据。燃煤及燃油环境污染处理成本函数是由煤耗特性曲线或油耗特性曲线乘以相应的单位煤CO₂排放系数再乘上CO₂排放许可价格得到。

在上述的一种分时段多目标火电机组实时优化调度方法，调峰及非调峰时段指标判定子步骤是综合上级调度下发指令与风电及负荷功率超短期预测与日前偏差值。调度下发指令T_up由调度中心直接给出，具有最高优先级，指标T_down为火电机组根据风电及负荷功率超短期预测与日前偏差值自行判断得出。综合得到模式切换指标

T＝1时为调峰运行模式，T＝0时为经济运行模式。

优化模式切换子步骤根据上述模式切换指令，变换目标函数，匹配两种运行模式下的不同优化目标，在非调峰时段，F₁＝max(M₁-C_coal-N_coal)，为经济性优化，在调峰时段，为多目标优化，F₂＝α₁F₂₁+α₂F₂₂，其中，

F₂₂＝max(M₁-C_coal-N_coal-C_oil-N_oil)，分别为消纳量与经济性优化。

机组出力曲线优化子步骤是针对不同时段的目标函数，利用改进粒子群算法进行优化。

在上述的一种分时段多目标火电机组实时优化调度方法，优化模式切换子步骤根据模式切换指令，变换目标函数，匹配两种运行模式下的不同优化目标，不同模式下的目标函数如下：

(1)非调峰时段，火电机组参与常规调峰，此时机组出力曲线优化集中在经济性优化，通过协调多个机组出力曲线，在机组约束条件下，达到火电机组总运行收益最高即成本最低的目的。因风电为清洁能源，故通常风电出力成本通常忽略不计，成本主要组成部分为燃煤成本C_coal及CO₂排放带来的环境成本N_coal，收益为火电机组售电收益M₁。

F₁＝max(M₁-C_coal-N_coal)

式中，u_t为t时段单位电价，

为第i台火电机组发电煤耗率，其表达式为

为便于计算，假设该时段内机组出力保持恒定，基础功率

取t时段内任意一点的功率值，P₁、P₂分别为原煤价格及CO₂排放许可价格，t为时段间隔，取1/4，即15min，C_c为单位燃煤的CO₂排放系数。

约束条件如下：

1)技术出力约束

式中，

P_i,t为机组i在t时段的出力，

为机组i非深度调峰状态下的最小技术出力限值，

机组i的最大技术出力限值。

2)机组爬坡约束

式中，

ΔT为单个调峰周期内的时间间隔，

和

分别为机组i的爬坡及降坡速率。

3)旋转备用约束

式中，

P_load,t为t时段的负荷值，P_wind,t t时段的风电出力值，

和

分别为向上和向下旋转备用容量，k_d为负荷备用率，本文取2％，k_w为风电备用率，本文取5％。

4)电量约束

5)机组出力约束

式中，

为第i台火电机组t时段内最大及最小出力，受常规调峰技术出力及上一时段机组运行状态的限制

(2)当存在系统常规备用容量不足或火电机组工作在最小出力状态仍无法满足风电全消纳下的功率平衡时，系统进入调峰时段，此时火电机组可运行于深度调峰状态，突破常规技术出力限制。在此状态下，火电机组可通过投油助燃维持运行状态。调峰时段为多目标优化，同时达到风力发电消纳量最大与火电机组经济性最优的目标。

消纳量优化目标为风电消纳量最大，目标函数如下：

经济性优化目标函数由燃煤成本C_coal、燃油成本C_oil及CO₂排放带来的环境成本N_coal、N_oil及火电机组售电收益M₁组成：

F₂₂＝max(M₁-C_coal-N_coal-C_oil-N_oil)

式中，

P₃为单位柴油价格，

为深度调峰状态下的投油量，其表达式为

C_o为单位燃油的CO₂排放系数。

综合以上两个优化目标，确定调峰时段目标函数如下：

F₂＝α₁F₂₁+α₂F₂₂

式中，

α₁、α₂分别为风电消纳量及经济性优化权重。

约束条件如下：

1)深度调峰出力约束

式中，

为深度调峰时段机组i的最小出力限值。

此时机组不需遵循旋转备用容量约束，如存在火电机组深度调峰仍无法满足风电消纳的需要，即存在弃风情况，此时功率平衡约束相应变化如下：

在上述的一种分时段多目标火电机组实时优化调度方法，机组出力曲线优化子步骤是针对不同时段的目标函数，利用改进粒子群算法进行优化。

因此，本发明具有如下优点：1.充分考虑了火电机组运行中经济性与消纳的综合效益，在增大风电消纳量的同时，保障火电机组自身经济性，调动火电机组自身积极性。2.区分不同时段采用不同的控制策略，有助于火电机组精细化控制。3.将火电机组纳入实时调度，能更深度挖掘火电机组消纳新能源的能力。

附图说明

图1为本发明提供的一种分时段多目标火电机组实时优化调度方法。

图2为本发明实施例中多种优化策略比较曲线图。

图3为本发明实施例中多策略分时段风电消纳量示意图。

具体实施方式

下面通过实例，对本发明提出的一种分时段多目标火电机组实时优化调度方法进行说明。

实例：

一、首先介绍本发明的方法原理，具体包括：

(1)数据获取：包括各火电机组的基本参数，风电及负荷的日前预测出力、超短期预测出力，均可从各级调度中心直接获得；

(2)调峰及非调峰时段指标判定及优化模式切换：确定模式切换指标，根据指标改变不同优化时段的目标函数，在非调峰时段，F₁＝max(M₁-C_coal-N_coal)，在调峰时段，F₂＝α₁F₂₁+α₂F₂₂，其中，

F₂₂＝max(M₁-C_coal-N_coal-C_oil-N_oil)。

(3)针对不同时段的目标函数及约束条件，利用改进粒子群算法进行火电机组出力曲线优化，并下发至各机组。

二、下面结合方法原理，进行具体案例的说明。

以我国西北部某实际区域风火联合运行系统为例进行计算分析，系统包含一个大型风电场及9个火电机组，火电机组总装机容量为2630MW，机组各项指标如附录所示，电网电价为0.57元/kWh，算例所用风电出力数据及负荷曲线为某典型日的日前及超短期预测曲线。

所提模型根据超短期预测数据与日前预测偏差，切换火电机组运行模式，进行分时段经济-消纳切换优化。经济时段为单目标优化，消纳时段为多目标优化，即同时满足风力发电消纳量最大与火电机组经济性最优，采用改进粒子群算法，每15分钟进行一次实时优化计算。

在实时阶段，根据日前与超短期功率预测差值，每15分钟确定的系统经济-消纳模式切换指标及投油情况如表1所示。

表1火电机组优化模式及投油情况

依据上述经济-消纳模式切换指标、上一时段出力情况、机组爬坡速率及该时段负荷与风力发电超短期预测数值确定火电机组出力曲线

依据上述经济-消纳模式切换指标、上一时段出力情况、机组爬坡速率及该时段负荷与风力发电超短期预测数值确定火电机组出力曲线，与日前对比结果如图2所示。与日前经济性优化比较，在风电大发时段，火电机组出力越过常规技术出力下限，投油深度调峰模式有效增加了风电消纳量，如图3所示。

对比单一经济性优化及消纳量优化、分时段多目标优化结果如表2。分时段多目标优化相较单一经济性优化，火电机组经济收益降低了29.94万元，但系统提升了523MWh的风电消纳量；相较单一消纳量优化，风电消纳量仅降低76MWh，但经济收益大幅增长，对比结果如表2所示：

表2多优化策略结果对比

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种分时段多目标火电机组实时优化调度方法，其特征在于，包括：

数据获取：包括各火电机组的基本参数，风电及负荷的日前预测出力、超短期预测数据，均可从各级调度中心直接获得；

分时段多目标火电机组实时优化调度方法：通过得到的火电机组参数、风电及负荷的日前及超短期预测数据，实时进行调峰及非调峰时段指标判定，优化模式切换，火电机组出力曲线优化及下发子步骤，具体包括：

调峰及非调峰时段指标判定子步骤：模式切换指令T由调度下发指令T_up与机组模式判断指令T_down决定，调度下发指令T_up由调度中心直接给出，具有最高优先级，机组模式判断指令T_down为火电机组根据风电及负荷功率超短期预测与日前偏差值自行判断得出；

优化模式切换子步骤：根据上述模式切换指令，在发生模式切换后，即优化目标转换后，火电机组出力曲线优化的目标函数随之发生变化，以匹配两种运行模式下的不同优化目标；

火电机组出力曲线优化及下发子步骤：采用优化粒子群算法，根据目标函数对火电机组出力曲线进行优化。

2.根据权利要求1所述的一种分时段多目标火电机组实时优化调度方法，其特征在于，需要的输入数据为火电机组基本参数，包括火电站机组的总装机容量、单台机组爬坡速率、出力上下限、煤耗特性曲线、油耗特性曲线，由煤耗特性曲线和油耗特性曲线与单位煤炭及柴油的CO₂排放系数、CO₂排放许可价格间接计算得到的环境污染处理成本函数，风电及负荷的日前及超短期预测数据；燃煤及燃油环境污染处理成本函数是由煤耗特性曲线或油耗特性曲线乘以相应的单位煤CO₂排放系数再乘上CO₂排放许可价格得到。

3.根据权利要求1所述的一种分时段多目标火电机组实时优化调度方法，其特征在于，调度下发指令T_up由调度中心直接给出，具有最高优先级，指令T_down为火电机组根据风电及负荷功率超短期预测与日前偏差值自行判断得出；综合得到模式切换指标

T＝1时为调峰运行模式，T＝0时为经济运行模式；

优化模式切换子步骤根据上述模式切换指令，变换目标函数，匹配两种运行模式下的不同优化目标，在非调峰时段，F₁＝max(M₁-C_coal-N_coal)，为经济性优化，在调峰时段，为多目标优化，F₂＝α₁F₂₁+α₂F₂₂，其中，

F₂₂＝max(M₁-C_coal-N_coal-C_oil-N_oil)，分别为消纳量与经济性优化；

机组出力曲线优化子步骤是针对不同时段的目标函数，利用改进粒子群算法进行优化；优化模式切换子步骤根据模式切换指令，变换目标函数，匹配两种运行模式下的不同优化目标，不同模式下的目标函数如下：

(1)非调峰时段，火电机组参与常规调峰，此时机组出力曲线优化集中在经济性优化，通过协调多个机组出力曲线，在机组约束条件下，达到火电机组总运行收益最高即成本最低的目的；因风电为清洁能源，故通常风电出力成本通常忽略不计，成本组成部分为燃煤成本C_coal及CO₂排放带来的环境成本N_coal，收益为火电机组售电收益M₁；

F₁＝max(M₁-C_coal-N_coal)

式中，u_t为t时段单位电价，

为第i台火电机组发电煤耗率，其表达式为

为便于计算，假设该时段内机组出力保持恒定，基础功率

取t时段内任意一点的功率值，P₁、P₂分别为原煤价格及CO₂排放许可价格，t为时段间隔，取1/4，即15min，C_c为单位燃煤的CO₂排放系数；

约束条件如下：

1)技术出力约束

P_i ^min1≤P_i,t≤P_i ^max

式中，

P_i,t为机组i在t时段的出力，P_i ^min1为机组i非深度调峰状态下的最小技术出力限值，P_i ^max机组i的最大技术出力限值；

2)机组爬坡约束

式中，

ΔT为单个调峰周期内的时间间隔，R_i ^up和R_i ^down分别为机组i的爬坡及降坡速率；

3)旋转备用约束

式中，

P_load,t为t时段的负荷值，P_wind,t t时段的风电出力值，P_S,t ^up和P_S,t ^down分别为向上和向下旋转备用容量，k_d为负荷备用率，本文取2％，k_w为风电备用率，本文取5％；

4)电量约束

5)机组出力约束

式中，

P_i,t ^max、P_i,t ^min为第i台火电机组t时段内最大及最小出力，受常规调峰技术出力及上一时段机组运行状态的限制

(2)当存在系统常规备用容量不足或火电机组工作在最小出力状态仍无法满足风电全消纳下的功率平衡时，系统进入调峰时段，此时火电机组可运行于深度调峰状态，突破常规技术出力限制；在此状态下，火电机组可通过投油助燃维持运行状态；调峰时段为多目标优化，同时达到风力发电消纳量最大与火电机组经济性最优的目标；

消纳量优化目标为风电消纳量最大，目标函数如下：

经济性优化目标函数由燃煤成本C_coal、燃油成本C_oil及CO₂排放带来的环境成本N_coal、N_oil及火电机组售电收益M₁组成：

F₂₂＝max(M₁-C_coal-N_coal-C_oil-N_oil)

式中，

P₃为单位柴油价格，

为深度调峰状态下的投油量，其表达式为

C_o为单位燃油的CO₂排放系数；

综合以上两个优化目标，确定调峰时段目标函数如下：

F₂＝α₁F₂₁+α₂F₂₂

式中，

α₁、α₂分别为风电消纳量及经济性优化权重；

约束条件如下：

1)深度调峰出力约束

P_i ^min2≤P_i,t≤P_i ^max

式中，

P_i ^min2为深度调峰时段机组i的最小出力限值；

此时机组不需遵循旋转备用容量约束，如存在火电机组深度调峰仍无法满足风电消纳的需要，即存在弃风情况，此时功率平衡约束相应变化如下：

4.根据权利要求1所述的一种分时段多目标火电机组实时优化调度方法，其特征在于，机组出力曲线优化子步骤是针对不同时段的目标函数，利用改进粒子群算法进行优化。

Images