计及需求响应的风电储能两阶段调度优化模型及求解算法

第３９卷第５期２０１５年５月电网技术

ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ

Ｖ０１．３９ＮＯ．５Ｍａｖ２０１５

文章编号：１０００．３６７３（２０１５）０５．１２８７．０７中图分类号：ＴＭ７３４文献标志码：Ａ学科代码：４７０’４０５４

计及需求响应的风电储能两阶段调度优化模型及求解算法鞠立伟１，于超２，谭忠富１（１．华北电力大学能源经济与环境研究所，北京市昌平区１０２２０６；２．电力规划设计总院，北京市西城区１００１２０）

ＡＴｗｏ－ＳｔａｇｅＳＣｈｅｄｕｌｉｎｇＯｐｔｉｍｉｚａｔｉｏｎＭｏｄｅｌａｎｄＣｏｒｒｅｓｐｏｎｄｉｎｇＳｏｌｖｉｎｇＡｌｇｏｒｉｔｈｍ

ｆｏｒＰｏｗｅｒ

ＧｒｉｄＣｏｎｔａｉｎｉｎｇＷｉｎｄＦａｒｍａｎｄＥｎｅｒｇｙＳｔｏｒａｇｅＳｙｓｔｅｍＣｏｎｓｉｄｅｒｉｎｇＤｅｍａｎｄＲｅｓｐｏｎｓｅ

ＪＵＬｉｗｅｉ１，ＹＵＣｈａ０２，ＴＡＮＺｈｏｎｇｆｕ

１

（１．ＩｎｓｔｉｔｕｔｅｏｆＥｎｅｒｇｙＥｃｏｎｏｍｉｃｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＮｏａｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，ＣｈａｎｇｐｉｎｇＤｉｓｔｒｉｃｔ，Ｂｅｉｊｉｎｇ１０２２０６，

Ｃｈｉｎａ；２．ＥｌｅｃｔｒｉｃＰｏｗｅｒＰｌａｎｎｉｎｇａｎｄＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅ，ＸｉｃｈｅｎｇＤｉｓｔｒｉｃｔ，Ｂｅｉｊｉｎｇ１００１２０，Ｃｈｉｎａ）

ＡＢＳＴＲＡＣＴ：Ｉｎａｌｌｕｓｉｏｎｔｏｔｈｅｅｆｆｅｃｔｓｏｎｓｙｓｔｅｍｓｔａｂｉｌｉｔｙｂｒｏｕｇｈｔｂｙｗｉｎｄｐｏｗｅｒｕｎｃｅｒｔａｉｎｔｙ，ｔｈｅｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍａｎｄｄｅｍａｎｄｒｅｓｐｏｎｓｅａｒｅｌｅｄｉｎｔｏｔｈｅｏｐｔｉｍａｌｄｉｓｐａｔｃｈｉｎｇｏｆｐｏｗｅｒｇｒｉｄｃｏｎｔａｉｎｉｎｇｗｉｎｄｆａｒｍｓ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｎｔｅｒｖａｌｍｅｔｈｏｄｉｓｕｔｉｌｉｚｅｄｔｏｓｉｍｕｌａｔｅｔｈｅｓｃｅｎｅｏｆｗｉｎｄｆａｒｍａｎｄａＫａｎｔｏｒｏｖｉｃｈｄｉｓｔａｎｃｅｂａｓｅｄｓｃｅｎｅｃｕｔｓｔｒａｔｅｇｙｉｓｃｏｎｓｔｒｕｃｔｅｄ；ｓｅｃｏｎｄｌｙ，ｔｈｅｄｅｍａｎｄｒｅｓｐｏｎｓｅａｎｄｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍａｒｅｌｅｄｉｎｔｏｔｈｅｄｅｍａｎｄｓｉｄｅａｎｄｇｅｎｅｒａｔｉｏｎｓｉｄｅｒｅｓｐｅｃｔｉｖｅｌｙ；ｔｈｉｒｄｌｙ，ｃｏｍｂｉｎｉｎｇｗｉｔｈｔｗｏ－ｓｔａｇｅｏｐｔｉｍｉｚａｔｉｏｎｔｈｅｏｒｙ碘ｄｔａｋｉｎｇｔｈｅｄａｙ－ａｈｅａｄｐｒｅｄｉｃｔｅｄｗｉｎｄｐｏｗｅｒａｎｄｕｌｔｒａ—ｓｈｏｒｔｔｅｒｍｐｒｅｄｉｃｔｅｄｗｉｎｄｐｏｗｅｒａｓｒａｎｄｏｍｖａｒｉａｂｌｅａｎｄｉｔｓｉｍｐｌｅｍｅｎｔａｔｉｏｎａｔｗｏ－ｓｔａｇｅｓｃｈｅｄｕｌｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｆｏｒｗｉｎｄｆａｒｍａｎｄｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍ，ｉｎｗｈｉｃｈｔｈｅｄｅｍａｎｄｒｅｓｐｏｎｓｅｉｓｔａｋｅｎｉｎｔｏａｃｃｏｕｎｔ，ｉｓｃｏｎｓｔｒｕｃｔｅｄ．Ｔｏｓｏｌｖｅｔｈｅｃｏｎｓｔｒｕｃｔｅｄｍｏｄｅｌ．ｔｈｅｃｈａｏｓｓｅａｒｃｈｉｎｇｉＳｌｅｄｉｎｔｏｔｒａｄｉｔｉｏｎａｌｂｉｎａｒｙｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｔｏａｃｏｎｓｔｒｕｃｔｃｈａｏｔｉｃｂｉｎａｒｙＰＳＯａｌｇｏｒｉｔｈｍ；ｆｉｎａｌｌｙ，ｔｈｅｓｉｍｕｌａｔｉｏｎｂａｓｅｄｏｎＩＥＥＥ３６一ｂｕｓ１０一ｍａｃｈｉｎｅｓｙｓｔｅｍ，ｔｏｗｈｉｃｈａｗｉｎｄｆａｒｍｗｉｔｈｃａｐａｃｉｔｙｏｆ６５０ＭＷｉｓｃｏｎｎｅｃｔｅｄ，ｉｓｐｅｒｆｏｒｍｅｄ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｇｌｏｂａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎＣａｎｂｅｏｂｔａｉｎｅｄｂｙｃｈａｏｔｉｃｂｉｎａｒｙＰＳＯａｌｇｏｒｉｔｈｍ，ｔｈｕｓｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｓｕｉｔａｂｌｅｔｏｓｏｌｖｅｔｈｅｔｗｏ－ｓｔａｇｅｓｃｈｅｄｕｌｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｆｏｒｗｉｎｄｆａｒｍａｎｄｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍ；ｕｔｉｌｉｚｉｎｇｔｈｅｓｙｎｅｒｇｅｔｉｃｅｆｆｅｃｔｏｆｄｅｍａｎｄｒｅｓｐｏｎｓｅｗｉｔｈｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍｔｈｅｕｎｃｅｒｔａｉｎｔｙｏｆｗｉｎｄｐｏｗｅｒｃａｎｂｅｓｕｐｐｒｅｓｓｅｄａｎｄｔｈｅｗｉｎｄｅｎｅｒｇｙｕｔｉｌｉｚａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｃａｎｂｅｉｍｐｒｏｖｅｄ，ｍｅａｎｗｈｉｌｅｔｈｅｃｏａｌｃｏｎｓｕｍｐｔｉｏｎｆｏｒｇｒｉｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｃａｎｂｅｒｅｄｕｃｅｄ，ＳＯｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅｂｅｎｅｆｉｔｓｏｆｔｈｅｐｒｏｐｏｓｅｄｓｔｒａｔｅｇｙａｒｅｏｂｖｉｏｕｓ．基金项目：国家自然科学基金项１；１（７１０７１０５３，７１２７３０９０）。ＰｒｏｊｅｅｔＳｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｍａ（７１０７１０５３，７１２７３０９０）．ＫＥＹＷＯＲＤＳ：ｄｅｍａｎｄｒｅｓｐｏｎｓｅ；ｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍ；

ｗｉｎｄｐｏｗｅｒ；ｔｗｏ·ｓｔａｇｅｓｃｈｅｄｕｌｉｎｇ；ｃｈａｏｔｉｃｓｅａｒｃｈｉｎｇ；ｂｉｎａｒｙ

ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ

摘要：为解决风电功率不确定性对系统稳定运行带来的影响，在含风电的系统优化调度问题中引入需求响应和储能系统。首先利用区间法模拟风电场景并构建了基于Ｋａｎｔｏｒｏｖｉｃｈ距离的场景削减策略，然后分别在需求侧和发电侧引入需求响应和储能系统，结合２阶段优化理论，以风电日前预测功率和超短期预测功率作为随机变量及其实现，构建了计及需求响应的风电储能２阶段调度优化模型。为求解该模型，在传统二进制粒子群算法中引入混沌搜索，构建了混沌二进制粒子群算法。最后，以ＩＥＥＥ３６节点１０机系统进行算例仿真。结果表明，混沌二进制粒子群算法能够得到全局最优解，适用于风电储能系统２阶段模型求解；利用需求响应和储能系统的协作效应，可以抑制风电功率的不确定性，提高系统风电利用效率，降低系统发电煤耗水平，因此综合效益显著。

关键词：需求响应；储能系统；风电；２阶段调度；混沌搜索；二进制粒子群算法

ＤＯｈ１０．１３３３５ｑ．１０００－３６７３．ｐｓＬ２０１５．０５．０１８

０引言

大规模风电并网需要借助发电侧与用户侧协同合作来实现。在发电侧，通过选用优质的备用服务电源，协调系统发电调度，而环境容量和资源分布特性使储能系统逐渐成为首选备用服务【ｌ】。在用户侧，实施需求响应，引导用户理性用电，转移用电时段，优化负荷需求分布【２Ｊ。开展需求响应参与下风电储能系统联合优化调度的研究有利于提升系统风电消纳能力。

万方数据１２８８鞠立伟等：计及需求响应的风电储能两阶段调度优化模型及求解算法

Ｖ０１．３９Ｎｏ．５

关于需求响应下风电储能系统联合调度优化问题的研究工作，主要可归纳为风电不确定性分析、调度模型建立和求解算法构建共３个方面。文献【３．４］借助小波一反向传播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，ＢＰ）

神经网络和粒子群一神经网络构建了风电功率预测

方法。文献［５．６］借助蒙特卡洛和拉丁超立方体抽样（Ｌａｔｉｎｈｙｐｅｒｃｕｂｅｓａｍｐｌｉｎｇ，ＬＨＳ）方法生成大量风电

场景并提出了场景削减策略；上述文献单一应用风电功率预测和模拟方法，未考虑２种方法的协同优化效应。就调度模型建立而言，文献［７．９】提出了需求响应的基本概念，构建了需求响应机制下系统日前调度优化模型及调度策略。文献［１０—１１】综合考虑系统发电机组及储能单元约束，建立了风电储能系统联合运行静态模型。文献［１２】引入峰谷分时电价，建立了风电、储能与需求响应联合调度优化问题。文献［７．１１］单一讨论了需求响应与风电、储能系统与风电的调度问题，文献［１２】中讨论了３者之间的调度优化问题，但未考虑风电不确定性的问题。就求解算法而言，文献［１３】和文献［１４．１５］分别运用差分进化算法、模拟退火、粒子群优化算法和自适应启发式算法求解了风电储能系统联合运行优化问题。相比传统求解算法参数难以确定、约束条件不易转化而导致寻优程度不高的问题，启发式优化算法能获得较优的解集，但当个体极值的选取不符合多目标规划原则时，算法易陷入局部极值点，算法的搜索能力受限。综上所述，本文构建计及需求响应的风电储能联合调度优化模型及求解算法。首先，将日前风电预测结果和超短期风电预测结果看作随机变量及其实现，建立风电储能系统日前和时前两阶段调度优化模型；然后，应用混沌搜索遍历性改进二进制粒子群算法易陷入局部最优的缺陷，提出混沌二进制粒子群算法（ｃｈａｏｔｉｃｂｉｎａｒｙｐａｒｔｉｃｌｅｓｗａｒｎｌ

ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ，ＣＢＰＳＯ）。最后，以ＩＥＥＥ３６节点１０机系统作为仿真系统，分析需求响应和储能系统对系统消纳风电能力的提升效果。

１风电功率不确定性模拟１．１风电场景模拟基于风电预测功率数据，结合场景分析法进行风电场景模拟【ｌ６ｌ。设ｔ时刻风电组ｗ输出功率的随机变量为ｇｗ，，具体构成如下：ｇ。，，＝ｇｌ，＋考。，，（１）

式中ｇ：．，和考。．，分别表示风电预测功率及误差，设

功率预测误差服从正态分布｛。，，￣［ｏ，６：。，】，则ｇｗ服从正态分布ｇ。，，￣［ｇ：∥６：，，】。应用区间法模拟风电输出功率，将风电出力分布划分为多个区间，以区间内某点值作为风电输出功率的期望值，当分区数足够多时，可认为风电输出功率预测值与实际值相同。若设定各区间风电出力存在高、中、低３个状态，各状态下期望值为ｇ：∥Ｚ＝１，２，３表示３种风电出力状态，各状态发生的概率分别为∥，则各情景风电输出功率组合为Ａ＝｛ｇ：．，Ｉｔ＝１，２…．，Ｔ），Ｔ为场景时长，风电输出场景概率ｐ＝Ｈ∥，得到风ｆ∈ｒ电出力情景。

１．２风电场景削减策略场景缩减的基本原理是将一个场景与其他场景进行比较，去掉最接近场景。本文以初始场景和削减后场景的Ｋａｎｔｏｒｏｖｉｃｈ距离㈣最小为目标进行场景削减。设Ｐ＝【岛］ＡⅣ为风电初始场景集合，Ⅳ为场景总数，毒。为时刻ｔ下初始场景集合中风电场景ｆ，毒打的概率为只；Ｑ＝［蟊】ｒ。霄为经削减后场景集合，Ⅳ为削减后场景总数，手。为时刻ｔ下削减场景集合中风电场景／，且亭，，的概率为ｇ，，则初始场景Ｐ与削减后场景Ｑ的Ｋａｎｔｏｒｏｖｉｃｈ距离定义为Ｎ膏ＤＫ（Ｐ，Ｑ）：ｉｎｆ［∑珊勺（毛，缸）：珊≥０，

ｉ＝ｌｊ＝ｌ

ＮⅣ∑％＝ｇ，，∑叩Ｆ＝ｐｆ，Ｖｉ，Ｗ］（２）

ｉ＝１ｊ＝ｌ

ｒ白（毛，颤）＝∑‰一易Ｉ（３）