论文部分内容阅读
Short-term Optimal Scheduling of Thermal Power Plants Considering Large Customers Direct-purchasing
Dong Hao
摘要：在火电群调度决策研究中，传统决策考虑的因素不够全面。本文综合大用户直购电因素对火电群调度决策的影响来优化火电群优化调度，合理考虑发电方、大用户和电网公司三方面的经济效益，并利用了遗传算法具有鲁棒性强和搜索效率高等优点。本文将该算法应用到火电群优化调度决策中，结果表明了该调度方案的合理性。
关键词：大用户直购电；火电群；调度决策；遗传算法
0引言
随着我国电力市场化改革理念的不断拓展，电力大用户直购电变得逐渐可行。但目前对火电厂的调度研究工作主要集中在发电总效益最大、环境效益最大和优化算法等方面[1-3]，较少考虑大用户直购电对火电群调度期内经济效益的影响，存在一定的不足之处。因此，有必要研究大用户直购电对火电厂调度决策的影响。
由于歷史原因和能源结构，当前我国电力工业仍以火电为主，火电装机容量约占全国总装机容量的75%，因此加大对火电厂发电效益的研究具有现实意义。为有效引入竞争，打破电网企业独家买卖电力的垄断格局，大用户直购电是一种必然趋势。大用户通过与发电方直接签订购电协议可以有效降低用电成本。同时，发电方可以提高发电量、机组利用率而获得一定的超额利润，电网公司通过收取过网费用维持了自身经济效益。
本文针对传统火电群调度决策的不足，考虑大用户直购电对调度期内电厂调度决策的影响，符合当前电力市场发展方向。本文提出的调度方案考虑了机组的出力约束、机组爬坡率和系统潮流约束。
1求解方法及步骤
1.1微分进化算法
微分进化算法（differential evolution, DE）是由Storn和Price两位学者于1995年提出的智能优化算法,具有收敛速度快、对初始值无要求、对各种非线性函数适应性强等优点[4]。该算法寻优基本步骤为：
a 初始化
设第i个个体=（xi,1，···,xi,D），D为解空间的维数，初始种群S={X1，X2，···,XN}。个体向量各分量的产生方式为： （1）
式中，，分别为个体向量的第j个分量及第j个分量的上限和下限。
b 变异
第k次迭代中变异向量Vik+1的分量产生方式
（2）
式中，，，是从第k次迭代除目标向量之外的个体中随机选取出来的三个不同向量的第j个分量。系数F为控制微分量参数。
c 交叉
第k次迭代中变异向量Uik的分量产生方式为
（3）
式中Irand是从[1, D]中随机选取的一个整数，用以保证本次操作必须有一位经过交叉，D为向量的维数。交叉因子CR控制着种群的多样性，避免算法陷入局部最优。
d 选择
当且仅当新个体的评价函数值更好时，才能被保留到下一代群体中，否则，父个体仍然保留在群体中，再一次作为下一代的父向量。选择方式为：
（4）
1.2模型的求解步骤及流程图
（1）算法参数初始设置。包括种群规模N，空间维数D，最大迭代次数E及控制参数F和CR的取值等。
（2）种群初始化。将各个火电厂的出力作为决策变量，随机生成N个解，形成种群A，并设当前迭代次数k为1。
（3）计算每一个个体的适应度函数值，取其中目标适应度最大值作为群体当前的最优解。
（4）判断当前迭代次数k是否到达最大迭代次数E，若未达到，置迭代次数k=k+1；若达到，则转至（6）。
（5）根据步骤（3）的结果，对种群进行变异、交叉、选择操作，得到新一代的种群A′，返回步骤（3）。
（6）输出全局最优解。
2算例及其分析
以3个火电厂为例，将每个火电厂等价为一个机组来考虑，本文采用的调度周期为24h，1h为一个时段，火电厂相关数据见表1。火电厂的上网电价为400元/MW，大用户向火电方支付的直购电电价为300元/MW，因大用户直购电而引起的系统网损电量由大用户承担。在本文的微分进化算法中各参数的取值为：算法的群体规模N=50；最大进化代数E=200；比例因子F和交叉因子CR的取值分别为0.8和0.3。
表1 火电机组参数
Tab.1Parameters of thermal power plants
参数 电厂a 电厂b 电厂c
Pmin/MW102040
Pmax/MW100 120 180
图1中给出了未来调度期内火电群所发电量中出售给电网和大用户的结构比例，图2中给出了未来调度期内火电群所获期望效益中来自电网和来自大用户的结构比例。
图1火电群调度期内发电量结构比例
Fig. 1 Forecasted electricity price curve
图2 火电群调度期内尽利润结构比例
Fig 2 Short-term forecasted load curves
图2中的系列1表示发电群从电网侧获得的尽利润比例，系列2表示发电群从大用户侧获得的尽利润比例。综合图1和图2可以看出，大用户直接参与购电不仅增加了火电群的发电量，而且对火电群的经济效益也产生了一定的正面影响。火电群在增加发电量的同时提高了机组利用率，一定程度上防止了机组停运现象。
3 结论
本文以火电群短期调度决策为目标，在传统调度理念的基础上考虑了大用户直购电，真实地反映了当前电力市场的新趋势、新方向，一定程度上扩展了传统电力系统调度的概念，具有一定的实际推广价值。算例结果表明，火电群通过向大用户提供直购电服务，提高了发电量、经济效益、机组利用率和发电市场占有率；大用户通过直购电降低了购电成本，提高了产品的市场竞争力。
参考文献
[1]韩冬, 蔡兴国. 综合环境保护及峰谷电价的水火电短期优化调度. 电网技术.2009, 33(14): 78~83
[2]谭忠富, 张丽英, 王绵斌, 等. 大用户控制购电成本风险的均值–熵权组合优化模型. 电网技术. 2009, 33(11): 65~70
[3] 陈剑萍. 区域性电力市场与大用户直购电研究. 浙江大学硕士学位论文.2007: 26~18
[4] 刘自发，张建华. 一种求解电力经济负荷分配问题的改进微分进化算法[J]. 中国电机工程学报，2008，28(10): 100-105.
注：文章内所有公式及图表请用PDF形式查看。
Dong Hao
摘要：在火电群调度决策研究中，传统决策考虑的因素不够全面。本文综合大用户直购电因素对火电群调度决策的影响来优化火电群优化调度，合理考虑发电方、大用户和电网公司三方面的经济效益，并利用了遗传算法具有鲁棒性强和搜索效率高等优点。本文将该算法应用到火电群优化调度决策中，结果表明了该调度方案的合理性。
关键词：大用户直购电；火电群；调度决策；遗传算法
0引言
随着我国电力市场化改革理念的不断拓展，电力大用户直购电变得逐渐可行。但目前对火电厂的调度研究工作主要集中在发电总效益最大、环境效益最大和优化算法等方面[1-3]，较少考虑大用户直购电对火电群调度期内经济效益的影响，存在一定的不足之处。因此，有必要研究大用户直购电对火电厂调度决策的影响。
由于歷史原因和能源结构，当前我国电力工业仍以火电为主，火电装机容量约占全国总装机容量的75%，因此加大对火电厂发电效益的研究具有现实意义。为有效引入竞争，打破电网企业独家买卖电力的垄断格局，大用户直购电是一种必然趋势。大用户通过与发电方直接签订购电协议可以有效降低用电成本。同时，发电方可以提高发电量、机组利用率而获得一定的超额利润，电网公司通过收取过网费用维持了自身经济效益。
本文针对传统火电群调度决策的不足，考虑大用户直购电对调度期内电厂调度决策的影响，符合当前电力市场发展方向。本文提出的调度方案考虑了机组的出力约束、机组爬坡率和系统潮流约束。
1求解方法及步骤
1.1微分进化算法
微分进化算法（differential evolution, DE）是由Storn和Price两位学者于1995年提出的智能优化算法,具有收敛速度快、对初始值无要求、对各种非线性函数适应性强等优点[4]。该算法寻优基本步骤为：
a 初始化
设第i个个体=（xi,1，···,xi,D），D为解空间的维数，初始种群S={X1，X2，···,XN}。个体向量各分量的产生方式为： （1）
式中，，分别为个体向量的第j个分量及第j个分量的上限和下限。
b 变异
第k次迭代中变异向量Vik+1的分量产生方式
（2）
式中，，，是从第k次迭代除目标向量之外的个体中随机选取出来的三个不同向量的第j个分量。系数F为控制微分量参数。
c 交叉
第k次迭代中变异向量Uik的分量产生方式为
（3）
式中Irand是从[1, D]中随机选取的一个整数，用以保证本次操作必须有一位经过交叉，D为向量的维数。交叉因子CR控制着种群的多样性，避免算法陷入局部最优。
d 选择
当且仅当新个体的评价函数值更好时，才能被保留到下一代群体中，否则，父个体仍然保留在群体中，再一次作为下一代的父向量。选择方式为：
（4）
1.2模型的求解步骤及流程图
（1）算法参数初始设置。包括种群规模N，空间维数D，最大迭代次数E及控制参数F和CR的取值等。
（2）种群初始化。将各个火电厂的出力作为决策变量，随机生成N个解，形成种群A，并设当前迭代次数k为1。
（3）计算每一个个体的适应度函数值，取其中目标适应度最大值作为群体当前的最优解。
（4）判断当前迭代次数k是否到达最大迭代次数E，若未达到，置迭代次数k=k+1；若达到，则转至（6）。
（5）根据步骤（3）的结果，对种群进行变异、交叉、选择操作，得到新一代的种群A′，返回步骤（3）。
（6）输出全局最优解。
2算例及其分析
以3个火电厂为例，将每个火电厂等价为一个机组来考虑，本文采用的调度周期为24h，1h为一个时段，火电厂相关数据见表1。火电厂的上网电价为400元/MW，大用户向火电方支付的直购电电价为300元/MW，因大用户直购电而引起的系统网损电量由大用户承担。在本文的微分进化算法中各参数的取值为：算法的群体规模N=50；最大进化代数E=200；比例因子F和交叉因子CR的取值分别为0.8和0.3。
表1 火电机组参数
Tab.1Parameters of thermal power plants
参数 电厂a 电厂b 电厂c
Pmin/MW102040
Pmax/MW100 120 180
图1中给出了未来调度期内火电群所发电量中出售给电网和大用户的结构比例，图2中给出了未来调度期内火电群所获期望效益中来自电网和来自大用户的结构比例。
图1火电群调度期内发电量结构比例
Fig. 1 Forecasted electricity price curve
图2 火电群调度期内尽利润结构比例
Fig 2 Short-term forecasted load curves
图2中的系列1表示发电群从电网侧获得的尽利润比例，系列2表示发电群从大用户侧获得的尽利润比例。综合图1和图2可以看出，大用户直接参与购电不仅增加了火电群的发电量，而且对火电群的经济效益也产生了一定的正面影响。火电群在增加发电量的同时提高了机组利用率，一定程度上防止了机组停运现象。
3 结论
本文以火电群短期调度决策为目标，在传统调度理念的基础上考虑了大用户直购电，真实地反映了当前电力市场的新趋势、新方向，一定程度上扩展了传统电力系统调度的概念，具有一定的实际推广价值。算例结果表明，火电群通过向大用户提供直购电服务，提高了发电量、经济效益、机组利用率和发电市场占有率；大用户通过直购电降低了购电成本，提高了产品的市场竞争力。
参考文献
[1]韩冬, 蔡兴国. 综合环境保护及峰谷电价的水火电短期优化调度. 电网技术.2009, 33(14): 78~83
[2]谭忠富, 张丽英, 王绵斌, 等. 大用户控制购电成本风险的均值–熵权组合优化模型. 电网技术. 2009, 33(11): 65~70
[3] 陈剑萍. 区域性电力市场与大用户直购电研究. 浙江大学硕士学位论文.2007: 26~18
[4] 刘自发，张建华. 一种求解电力经济负荷分配问题的改进微分进化算法[J]. 中国电机工程学报，2008，28(10): 100-105.
注：文章内所有公式及图表请用PDF形式查看。