基于多目标优化模型的清洁能源系统协调运行分析

摘要

随着清洁能源并网比例的增加，各种能源电力的有效协调运行成为当前电力系统调度面临的新挑战。清洁能源发电系统协调运行，可以缓解发电与输出功率波动的矛盾，克服新能源发展的瓶颈。考虑到清洁能源的自然特性，本文旨在充分利用清洁能源，降低系统运行成本，增加系统发电量，减少输出波动;建立了清洁能源电力系统协调调度的多目标优化模型。该模型寻求在电网结构约束下，发电量最大化，输出波动最小化，电力购买成本和维护成本最小化。在本文中，联合算法对目标优化计算有加速作用，进而发挥了算法的优越性算法通过标准系统。采用标准的IEEE39节点测试系统验证所建模型的合理性和可行性，为清洁能源系统协调运行机制提供参考策略。根据模型，在本文算例中，光伏功率预测的最大值为1290 MW，最小值为210 MW;风电功率预测最大值为780 MW，最小值为28 MW;最低购维护费用为56,950.395;最大发电容量为5.045 GW;最小输出波动为0.120 GW。

1.简介

大规模风电光伏并网对电力节能减排具有重要意义，但风力-太阳能-水能发电的不确定性和存储量有限，导致了电力系统调度和输出波动的复杂性和减电相关问题[1]，这严重阻碍了可再生能源的使用，减缓了碳排放减少的速度。水电与间歇可再生能源协同运行可以有效解决这些问题。通过建模和优化风力-太阳能-水系统的协调运行[2为提高清洁能源利用率，实现大规模能源优化配置，探讨和研究了多源协调机制。

目前，国内外对风-光电场的研究主要基于经济调度[3.，4］．近年来，风电随机特性的理论表征一直是人们关注的焦点。针对水-风、水-光伏或水-风-光伏系统，对协同运行进行建模和优化[5］．目前模型的目标通常包括发电量、经济效益、减排、供水、发电成本、减电、生产波动、水力发电流量模式等。目前，模型的目标通常是反映发电、经济效益、减排、供水、发电成本、减电、产量波动、水电流量流型等多个方面的电力系统协调运行效果[6，7］．由于水力发电系统成本较低，且在短期内几乎不变，因此模型的优化目标大多集中在经济调度[8］．多能源协调的主要目的是在调节各种能源发电、减少输出波动的前提下，保证电网系统的稳定，为综合能源系统的建设和发展提供理论依据。随着中国风能-太阳能-水-热清洁能源的快速发展和电网建设的滞后，电力框架和输电能力等电网约束成为协调运行的主要制约因素。

早期的研究大多集中在增加发电利润和减少发电量波动上，而没有考虑发电量与发电量波动之间的关系[9］．实际上，由于风和太阳辐射的随机性，产生更多的电力导致输出波动增加。为满足用户对各种能源的需求，在文献[10]，建立了区域综合能源系统的联合调度模型((简称)使用可再生能源，并结合冷却、加热和电力((简称)和储能系统，主要关注能量转换设备和储能设备的能量转换效率和经济效益，而没有考虑不同输出对象的波动对整个能源系统的影响。在[11]，考虑到多类型发电和储能的约束，建立了可再生能源与冷暖电力相结合的模型，使整体运行成本最小化，但没有考虑清洁能源的随机性和产量波动，增加了计算的难度调度不当，严重影响了发电量与发电量之间的平衡波动。清洁能源协同运行紧随其后相关性有效平衡多个目标之间的关系和依赖程度[12]，但该研究没有考虑到不同季节资源的不同变化。而且，当电网输电能力达到极限时，各电站之间的配电并没有减少，这是电网建设滞后所不可避免的;同时，所研究的电力系统网络结构多为单层结构，不能反映电网的嵌入结构。

综合以上文献，目前的研究目标主要集中在单一维度上。在能源大规模综合并网的现状下，本文将从能源系统角度考虑多维度研究，进一步完善整个能源系统架构，以能源系统稳定性、经济效益、系统发电量等多个目标为研究对象。本文将主要从以下三个维度进行研究:(1)在多种能源并网的情况下，进一步讨论发电量与输出波动之间的关系，以使输出波动最小化。(2)优化整个系统的经济效益，主要目标是使主电网的购电成本和设备维护成本最小化，从而提高系统的经济效益。(3)探索了多能源系统的详细协调运行模式，综合考虑了不同季节典型资源条件，提取了多层电网结构，建立了综合能源系统协调运行的多目标模型。针对上述问题，考虑到大规模综合能源接入电网的优势，将采用IEEE39对模型和算法的合理性和可行性进行测试。本文旨在为未来能源互联系统的协调运行提供数据支持和应用指导。

本文的其余部分安排如下2，涉及模型基本原理的描述和建立;节3.，详细阐述了模型的求解步骤;节4以IEEE39节点测试系统为例，全面论述了能源系统协调机制的研究成果;最后，我们得出了本文的结论。

2.清洁能源系统多目标模型

水-风能-太阳能清洁能源系统协调模型的目标是使清洁能源系统的发电量最大化，并使产量波动最小化，从而使经济效益最大化[13，14］．约束类型包括资源类型(水量、风速和太阳辐射)、电网类型(功率平衡、输电容量和减电分配)和电厂类型(水位、流量、容量和能源利用率)。

2.1.目标函数

在本节中，我们分别从发电量、发电成本和电力系统波动率三个方面研究对最优控制至关重要的目标函数。

首先，我们提出了如式所示的目标函数(1)对应数学模型(2）;目标函数中的目标是清洁能源发电系统的发电量最大化。为了克服风力-太阳能的随机特性，我们通过减少排水流量，利用水库节约的水作为当前优化范围的剩余收益，积极协调整个系统的发电。由于节约的水在未来可以用于发电，并且是当前范围内协调的结果，因此转化为发电，计入总发电量。 令人满意的 在哪里表示周期数: ，而且是最大的周期数;表示单个周期的时间长度;表示中国水电、风电、光伏发电总产量我th时期;表示中国的水力发电我th时期,是水电的简称;表示风力我th时期,是风能的缩写;表示的光伏功率我th时期,是光伏发电的简称;表示水库的剩余水量;转换系数;表示水密度;为优化结束时水库剩余水量;表示重力加速度;表示剩余水的平均水头。

此外，为了实现系统的经济、高效、环保运行，我们可以按照《可再生能源法》的要求，实行风力发电优先、全面并网的政策。因此，我们将主电网采购成本和维护成本作为第二个优化目标，具体如下[15]: 令人满意的 在哪里表示购买电力和的成本表示设备维修费用; ， ，而且分别表示该期间所购电量、所购电量价格和所售电量价格;表示设备的单位维护费用 ； 表示设备的输出在时期。

最后，在当前的能源体系中，仅仅考虑清洁能源的产量波动是不够的，这会给后续的研究带来巨大的误差和不合理性。必威2490因此，在推导清洁能源系统的最小输出波动时，应考虑火电的输出波动。因此，我们进一步提出目标函数如下: 令人满意的 在哪里 的数量波动和轮廓波动 ，分别的均值 ，参数的定义如可在[12),为相邻时段火电机组最小输出波动量，火电机组的输出功率是多少在期,表示火电机组总数。

2.2.约束

如前所述，约束分为三种类型[16］．大而复杂的网格由简单的区域网格组成，网格之间有层级的相互连接，导致不同网格级别的水、风、太阳能资源之间的协调。因此，在考虑多层功率平衡的约束时，主要有以下几个方面。(我)功率平衡约束: 在哪里对象的负载层的期;是层与层之间的权力交换吗和层 在时期。而 ，表示下载功率 层;而 ，表示上传功率 层;而 ，表示没有电源交换。 表示在节点上由水力、风能、光伏、热力发电和其他电源输出的电力米的第层,分别。(2)系统备份的约束: 在哪里火电机组的开关状态是否正常在周期，1表示启动，0表示退出服务;表示火电机组的最大输出功率 ； 表示水电机组最大输出功率 ； 分别为水力发电机组和风力发电机组的总数。 分别表示负荷波动系数和风电波动系数，取值为 而且 ．备用容量需要满足风电和负荷的随机波动。(3)热电输出上下限: 在哪里而且表示火电机组的最小和最大输出功率 ，分别。(iv)水力发电能力和转换效率制约因素: 在哪里而且表示水电机组的最小和最大输出功率 ，分别;表示水力转换常数;为水库耗水量在期;表示蓄水池的水头高度在时期。(v)风电容量约束: 在哪里而且表示风力涡轮机输出的上下限 ，分别;而且分别为风力发电机的进、出风速;描述风能输出与风速之间的关系。(vi)光伏发电容量约束: 在哪里而且分别为光伏输出的上下限; 分别为光伏阵列系数、逆变器系数、连接功率系数;表示太阳辐射强度。

2.3.研究目标

为了探讨多目标清洁能源发电系统协同运行的机理和优越性，基于上述模型进行了分析。在该模型中，目标是通过清洁能源发电系统的协调运行，使发电量最大化，最小化输出波动，同时最小化电力购买和维护成本。目标函数如下:

3.模型求解算法

清洁能源发电系统是一个具有多目标、非线性和强耦合特性的大型系统。系统的协同运行包括从底层到上层的网络架构解耦和根据电站的特点进行独立配置，这导致了多目标协同优化难以收敛的问题。利用同时克隆和进化的精英策略和相似交配的思想[17]，遗传算法( ）粒子群优化( ）结合算法进一步提高了算法的收敛性。由于Pareto边界的复杂度低、收敛速度快、分布均匀等优点，本文应用了Pareto边界联合算法求解多目标优化问题。本研究利用MATLAB多目标优化工具箱确定多目标优化的最佳协调操作。

联合算法实现步骤如下:步骤1(初始化)。对于一个 -尺寸问题，一个组的大小是在可行域内生成。本文以清洁能源输出比作为初始组。网格时自动分层编号 ，从随机样本中选取一些点作为初始点，并得到个体构成了进化的运作。步骤2(排序)．的适合度值把他们从好到坏排序。步骤3 (GA法)．的用实数编码GA算子对上述个体进行交叉突变生成新个体。步骤4。计算新的适应度值遗传算法生成染色体，用优秀亲本个体取代最差个体;即适合度值低于亲本精英个体的适合度值，并将其置于相应位置。步骤5．上面的染色体根据适应度值进行排序，彼此配对。每个小组组成一个社区，并决定最优的个体。步骤6(粒子群算法)。将遗传算法中适应度最好的个体作为粒子群算法的全局极值，将每个邻域内适应度较好的个体作为邻域的个体极值。与之前的邻域最优粒子相比，最优粒子实时更新。步骤7．判断是否满足收敛条件。如果满足收敛条件或达到迭代次数，则算法结束;否则，返回到步骤2，重复上述过程，直到满足收敛条件。

的逻辑图联合算法如图所示1．

4.实例分析

我们采用IEEE14节点测试系统出现在[18]为例，并将最低的采购成本和维护成本作为目标。假设种群大小为14，最大迭代次数为100，计算时间为25。分别采用GA、PSO和GA_PSO算法进行优化和比较。

从图中可以看出2这一算法具有较好的鲁棒性，收敛速度快，计算结果更合理;计算函数常出现早熟现象，系统收敛性较弱;优化算法具有最佳的迭代收敛性，系统趋于稳定优化算法对函数的优化计算具有加速作用。从以上三种算法的收敛性可以看出，当选择最低的购电成本和维护成本作为目标函数时，提出算法是优化该模型最可行的方法。

5.模型与算法的应用

我们采用IEEE10机39节点标准系统模型[19]和系统的标准数据，并使用部分现有数据[20.]求解本文提出的目标函数。

数字3.显示风电场每个周期的预测功率值和负荷值。

预测风力发电量最大值为780 MW，占风电场总装机容量的78%;最小值为28 MW，占风电场总装机容量的2.4%。可以看出风电输出随机波动的峰谷差非常大，从图中也可以看出1风力功率相对于负荷具有显著的反向剃峰特性。

通过对光伏发电量的统计，可以从图中看出4光伏功率分布接近正态分布，同时光伏输出具有较强的趋势特征和明显的随机波动。上述分析提供了基础数据和可靠的理论依据。预测的光伏功率最大值为1290 MW，最小值为210 MW。

通过对比表中的数据1，可以看出三种优化算法都取得了较好的结果，这充分说明联合算法增加了粒子的多样性，有效地改善了算法的缺陷算法容易陷入局部最优。其中，最终优化结果是基于电力采购成本和维护成本联合算法美元。

如图所示5，鉴于汛期水资源富余，调度中心认为，从安全角度考虑，水电站必须满负荷，因此汛期水电没有调节能力。以清洁光伏和风电为主，优化后的可变风光输出波动最小，保证最大发电量。光伏发电量波动较大，峰谷差较大 ，这占了必威2490最大输出的。这说明，在光伏不具备调节能力的情况下，风电必须承担弥补光伏随机波动和负荷峰谷差的双重任务，这就导致风电输出频繁调整。

在表2，符号“COV”意为“成本优化值”;符号“OVPG”意为“发电最优值”;符号“OVOF”意为“输出波动的最优值”。

对于清洁能源系统的多目标优化，通过文献[21来满足帕累托关系。因此，本文采用联合算法优化购电成本和维护成本、发电量和输出波动，实现多目标优化。从表2，可以看出，最小购电成本和维护成本为 ；最大发电量为 ；输出波动最小到 ．

6.结论

针对传统电力系统清洁能源联合调度在大规模清洁能源集中接入系统中的局限性，以及多能源发电与输出波动之间的矛盾，本文建立了清洁能源发电系统模型，以研究不同能源的协调运行机制。我们的目标是充分利用清洁能源，降低系统运行成本，利用不同清洁能源之间的相互补偿，避免产量波动和功率下降。算例仿真结果如下:(1）的算法采用选择、交叉、变异算子操作进行函数优化，直接将模型的目标函数以概率的方式作为搜索信息，增强了模型的全局优化能力优化算法，加快了算法的进化速度，提高了收敛精度。（2）本文所建立的模型可以为清洁能源系统的调度策略提供一定的数据支持，为清洁能源发电系统的充分协调提供有力保障，从而进一步提高电网的经济效益，缓解电网调峰调频压力，保证能源系统的最大利用率。（3）采用清洁能源发电系统协同运行机制，可以在保证电网系统运行效率和稳定性的前提下，提高电网接受清洁能源的能力，也可以为其他电源的协同运行提供参考策略。此外，新能源发电协同运行机制也可以为能源互联网的建设和协同运行提供数据支持和应用指导。

数据可用性

部分数据来自其他已发表的论文(引用)，部分数据估计在合理范围内。

的利益冲突

作者声明他们没有利益冲突。

致谢

本研究得到国家自然科学基金(NSFC)批准号资助。11661050.

参考文献

1. 邵建建，曹秀飞，芮晨等，“大型水电站富水电网短期实用调度方法”，中国电气工程学报，第39卷，no。10, pp. 2816-2828, 2019。视图:谷歌学术搜索
2. 冯晓云，雷磊，刚勇等，“基于快速精英非支配排序遗传算法的自主水下滑翔机多目标形状优化”，海洋工程， vol. 157, 2018。视图:谷歌学术搜索
3. L. Thomas, A. Acker, H. Robitaille等人，“风能和水力发电系统的整合:国际能源署风能任务24的结果，”风工程第36卷第3期。1, 2012。视图:谷歌学术搜索
4. 奎伟，杨振民等，“基于混沌量子粒子群优化算法的风电系统实时调度，”电力系统自动化第35卷，no。22, pp. 141-146, 2011。视图:谷歌学术搜索
5. D. Nicola, K. Magnus和F. Julian，“挪威抽水水力对近海风力发电变化的平滑:案例研究”，能源Procedia2016年第87卷。视图:谷歌学术搜索
6. P. Sergio, F. Paula和A. i.f. Vaz，“短期电力规划的简化优化模型”，能源， vol. 93, 2015。视图:谷歌学术搜索
7. 郑春春，杨佳佳，小明等，“可再生能源发电定价机制与参与电力市场的竞价策略”，华北电力大学学报(自然科学版)，第41卷，no。2, pp. 89-98, 2014。视图:谷歌学术搜索
8. 梁春春，郭雪平，“考虑后续恢复的扩展黑启动方案多目标优化”，电力系统与自动化学报第26卷第4期。2, pp. 21-26, 2014。视图:谷歌学术搜索
9. 龚贵、金福，“风电系统环境经济动态调度建模与算法研究”，电气工程学报，第33卷，no。10, pp. 27-35, 2013。视图:谷歌学术搜索
10. 大陈、恒瑞、博等，“区域综合能源系统(CCHP -储能)运行优化”，电力系统自动化第42卷第4期。4, pp. 113-120, 2018。视图:谷歌学术搜索
11. 林国强，余伟，李玉泉等，“可再生能源微电网多能量流协同优化及案例分析”，电力自动化设备，第37卷，no。6, pp. 275-281, 2017。视图:谷歌学术搜索
12. R. Azizipanah-Abarghooee, N. Taher, R. Alireza等，“基于点估计方法的概率多目标风热经济排放调度”，能源，第37卷，no。1, 2011。视图:谷歌学术搜索
13. O. a . Jaramillo, M. a . Borja和J. M. Huacuz，“利用水力发电补充风能:提供稳固动力的混合系统”，可再生能源第29卷第4期。11日,2004年。视图:出版商的网站|谷歌学术搜索
14. 余满，薛智，郑宇等，“光伏储能热电联产综合能源系统分解协调与优化运行研究”，电工技术学报， vol. 1-15, 2020。视图:谷歌学术搜索
15. 邵玉峰，彭志强，王晓燕，“考虑需求侧响应的综合能源系统多时间尺度优化调度”，电力系统与自动化学报，第32卷，no。11, pp. 39-46, 2020。视图:谷歌学术搜索
16. Dan Z.， Ke S.， Z. Quanming等，“多集成能源热电联产微电网配电网的鲁棒优化调度，”电气工程学报，第40卷，no。14, pp. 4473-4485, 2020。视图:谷歌学术搜索
17. 甘青，“基于混合模型的结构协同优化。在变量相关情况下的算法，”机械工程学报，第48卷，no。15, pp. 113-125, 2012。视图:谷歌学术搜索
18. 检索自2021年1月8日https://www.mathworks.com/matlabcentral/fileexchange/46067-ieee-14-bus-system．
19. 检索自2021年1月8日https://download.csdn.net/download/lp19891003/6807051．
20. 法奇，姚旺，闵伟等，“case和多类型柔性负荷下电力系统多时间尺度电力储备联合优化调度”，电力自动化设备，第39卷，no。12, pp. 73-81, 2019。视图:谷歌学术搜索
21. 邢胜，金戈，郑晓成等，“基于提升面法的风力机叶片多目标优化”，能源， vol. 90, pp. 1111-1121, 2015。视图:谷歌学术搜索

betway赞助

betway赞助版权所有©2021王迅阳等。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。