《基于FAHP的电网投资建设项目经济性后评价.doc》由会员分享，可在线阅读，更多相关《基于FAHP的电网投资建设项目经济性后评价.doc（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date基于FAHP的电网投资建设项目经济性后评价基于FAHP的电网投资建设项目经济性后评价考虑风电季节特性的中长期机组检修计划研究徐超,缪苗电网智能化调度与控制教育部重点实验室（山东大学）Email:635656292-摘 要：大规模风电并网给电力系统的调峰带来新的挑战,由于风电消纳能力不够,出现了低谷时段大量弃风的现象。风电具有明显的季节特性，在发电机组检修决策时考虑风电
2、出力季节特性能够显著减少弃风。本文利用主成分分析法和分层聚类技术提取风电各季节出力典型模式，采用均摊法建立相应的通用生产函数。建立了考虑大规模接入下风电出力季节特性的发电机组检修计划优化决策模型,以各时段弃风电量最少和检修成本最小为优化目标。采用粒子群算法对建立的模型进行求解，通过算例验证了该模型与方法的可行性与有效性，显著提高了风电消纳能力。关键词：风电季节特性，机组检修计划，通用生产函数，粒子群算法Generation maintenance scheduling research considering the Seasonal characteristics of wind power
3、Xu Chao, Miao MiaoKey Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education (Shandong University)Email: 635656292Abstract: Grid-connection of large-scale wind power system brings new challenge to peak regulation of power grid. Because of namely insufficient peak load r
4、egulating capability for wind power digestion, the wind curtailment problem became very serious. The wind power have very obvious Seasonal characteristics, considering these characteristics when we built generator maintenance scheduling model can improve the wind curtailment problem. Firstly, a meth
5、od combining principal component analysis (PCA) with hierarchical cluster analysis is adopted to obtain typical time-sequential samples of wind power output; then a UGF model for wind power output is established by apportionment in average. Taking minimum wind curtailment and minimum maintenance cos
6、t in all maintenance time intervals as objective function, a generation unit maintenance scheduling model for power system containing the Seasonal characteristics of wind power is built. The proposed model is solved by Particle swarm optimization algorithm. The availability of the proposed model is
7、verified by results of calculation example.Keywords: the Seasonal characteristics of wind power, unit maintenance scheduling , universal generating function ,particle swarm optimization algorithm1 引言风能是清洁无污染的绿色可再生能源。在国内煤炭、石油等矿物资源日渐枯竭之际,风力发电逐渐成为一种重要发电方式。当风电场在电力系统中达到一定的比例时，风电场出力的波动性和季节性在某种意义上相当于增大了系统等
8、效负荷的不确定性，从而给常规机组的运行和机组检修带来较大影响。在中国部分地区，系统调峰能力不足，再加上风电固有的随机性和波动性，如果中长期检修计划中不考虑风电出力，将导致负荷低谷而风电大发的时刻迫使量弃风，影响系统运行的经济性和风电的可持续发展1-3。中长期的发电机组检修计划将影响短期上网机组组成，进而影响系统短期机组组合的决策和调峰，对风电大规模消纳意义重大4。对此,国内外学者已经开展了大量的研究工作。已有的关于考虑风电进行检修计划决策的研究较少主要是利用历史数据拟合风电出力概率曲线将风电纳入检修计划。文献5-6分别用威布尔(Weibull)和beta概率分布函数对风电出力进行拟合，基于此进
9、行含风电中长期机组检修计划制定。一定程度上优化了风电弃风电量，但是对于风电出力的拟合拟合精度较差，不能很好地体现风电的季节出力特性。基于以上分析,本文充分考虑风电的季节特性，采用主成分分析法和分层聚类法提取了各季节风电出力典型模式，建立了各季节风电出力通用生产函数（UGF）模型，以此模拟风电出力。考虑风电出力季节特性进行中长期机组检修计划决策，在安全约束条件下，以弃风电量最少和检修成本最低为优化目标。通过算例说明以该模型对机组检修计划进行优化可以有效降低系统弃风电量，提高风电利用率。2 风电的季节特性风电出力季节特性可以由一年内各个月平均风电出力描述。风电各月平均出力与当地的气候、地形和海陆分
10、布等密切相关。我国受季风气候影响,风电场出力在一年的不同季节、不同月份变化幅度较大,出力特性存在很大差别，具有明显的季节性。我国大多数内陆地区，冬春季风速较大,夏秋两季较小7-8。本文根据长期观测的历史数据,首先采用主成分分析法(principal component analysis, PCA)对风电出力数据进行特征提取，根据主成分的重要性，去掉较弱的成分。然后采用分层聚类法对特征提取后的风功率数据进行聚类，获得典型风电出力模式。最后根据提取的典型风电出力模式釆用均摊法建立各季节风电出力的UGF模型9。设风电场k在模式m时段t有n个状态，则描述风电场s在模式m时段t的出力及其概率的 UGF
11、如下：（1）式中，和分别为风电场s在模式m时段t状态n1下的取值和概率;n为风电场k的状态个数。利用上述UGF函数进行含风电场的随机生产模拟得到各季节相应的弃风电量10。3 中长期机组检修计划模型3.1 目标函数考虑风电出力季节特性的中长期检修计划模型目标有两个分别是检修成本最小和弃风电量最少。1）系统检修成本最低：（2）式中:为机组在时段t状态,检修时为1,否则为0;为时段t对应的检修成本。N为发电机组数;T为总时段数.2）弃风电量最少：（3）为时段t的弃风电量。每个时段的弃风电量根据前文的风电出力UGF函数进行随机生产模拟得到。如上所述优化目标有两个，本文采用加权求和将其转化为单目标优化问
12、题：（4）w和w分别为2个优化目标的权重，关于弃风价值尚未有定论，w和w可由根据实际需要确定。 3.2 约束条件求解式（4）目标函数时需考虑如下约束：i）检修时间约束机组检修必须在一个给定的连续时段内完成，即：（5）式中：为第台机组可以开始检修的最早时间段；为第台机组可以开始检修的最迟时间段；为第台机组的检修持续时段；为第台机组的检修开始时段。ii）检修能力约束在某一时间段不允许多台机组同时检修，即：（6）式中为电厂在第 t时段可同时检修的发电机组最多台数。iii）机组检修间隔、检修次数约束机组2次检修之间有最小间隔时段约束，机组有一年检修次数约束，即：（7）式中：为机组在2次检修之间的最小时
13、间间隔；和分别为第台机组第次和第次检修的起始时段；。k为机组的检修事件集合。iv）系统运行约束包括系统功率平衡约束，电网正负备用约束和机组出力上下限约束。篇幅所限，不再展开。4 求解算法所建数学模型属于多约束条件的非线性优化问题，数值求解有很大的难度。粒子群算法具有广泛的适应性和良好的鲁棒性搜索机制简单，程序容易实现，收敛速度快等优点。本文采用离散粒子群算法(DPSO)求解。5以各机组开始检修时间列向量为粒子，采用基于连续空间的离散粒子群算法（DPSO）求解。在第j次迭代时粒子更新的公式如下。（8）式中：为取整函数；xi为第个粒子；vi为第个粒子的速度；pi为第个粒子的历史最优解；pg为全局最
14、优解；为惯性系数最大值和最小值；c1，c2为学习因子；r1，r2为(0,1)间的随机数。以机组开始检修时间为粒子值，故在已知机组检修时长的情况下，可以确定机组的检修区间为,，确保满足检修连续性约束。对于检修开始时间约束,可采用罚值法。将机组出力上下限约束、系统平衡约束和系统最小备用容量约束，处理为求解中的约束条件。算法具体实现步骤如下:步骤 1：设定粒子个数、最大迭代次数 M，惯性系数最大值和最小值，学习因子 c1，c2，并随机初始化各个粒子的值和速度。其中，常规机组部分粒子为各机组开始检修时间列向量。步骤 2：根据各粒子的初始值，求解各机组出力，即求解特定机组检修计划下的最优出力分配子问题。
15、在特定机组检修计划下，目标函数转变为线性规划问题。步骤 3：根据目标函数式计算各粒子适应值，将适应值最小的粒子设定为初始全局最优解，当前各粒子值设为各粒子的初始历史最优解。步骤 4：更新粒子值和速度。其中粒子的常规机组按式（8）更新。为防止算法过早收敛，当更新过后新产生的粒子一旦与全局最优解相同，该粒子随机跳变为满足约束的任意值。步骤 5：计算各粒子所代表检修计划下各机组出力，并计算各粒子适应值。步骤 6：更新全局最优解 ，各粒子历史最优解。步骤 7：判断是否达到最大迭代次数，如果没有达到，返回步骤4，如果达到，结束程序并输出全局最优解。5 算例分析本文采用IEEERTS测试系统，对14台常规
16、机组进行一年的检修安排,共52周。设定最大机组检修时间7周,最小机组检修时间为2周2,11。本文采用华北电网张北风电基地2010-2013小时平均的历史风电出力数据，风电接入容量为150MW。系统的旋转备用需求取8%。风电接入之后，保持系统的旋转备用容量需求及其他机组装机情况不变。全网总装机容量为1000 MW,其中风电场装机容量占15%。设粒子数为30，最大迭代次数200次，。首先对算例中风电场出力的季节特性加以分析，利用前文所述方法提取风电四个季节的典型出力模式，基于典型出力模式建立各时段UGF函数。在此列出各个季节出现概率较大的几种典型出力模式的簇心，称为主模式，不同季节主模式的簇心及其
17、概率分别如表1和图1-4所示。图1. 春季风电典型出力模式图2. 夏季风电典型出力模式图3. 秋季风电典型出力模式图4. 冬季风电典型出力模式表1. 各季节每种模式对应的概率季节概率/%模式覆盖率/%模式1模式2模式3模式4春28.479.1339.658.7285.97夏5021.2419.3790.61秋35.0831.1417.6783.89冬28.741.8322.3892.91可以看出，不同模式的时序波动情况不同，出现的概率也不同，亦即不同季节风电出力特性不同，说明本文提出的方法能较好地提取风电出力季节模式。本文在不同时段按照均摊法得到风电出力的状态模型。从而得到不同时段的UGF函数
18、，用以进行考虑风电季节特性的随机生产模拟确定各季节弃风电量。为直观说明考虑风电季节特性进行检修计划对弃风电量和检修成本的影响，设置如下4种方案：）方案1：考虑检修基本约束和发电可靠性约束，不考虑风电，只对检修成本目标进行优化（即w20）。2）方案2：考虑检修基本约束、发电可靠性约束和风电的分布，对检修成本目标和弃风量目标进行优化（w11，w210）。）方案3：考虑检修基本约束、发电可靠性约束和风电的季节特性，对检修成本目标和弃风量目标进行优化（w11，w210）。）方案4：考虑检修基本约束、发电可靠性约束和风电的季节特性，对检修成本目标和弃风量目标进行优化（w11，w20.1）。针对四个方案，
19、分别采用粒子群算法安排机组检修，得到每种方案检修费用和弃风电量。图5给出了4种方案下的各时段弃风量。图5. 不同方案下各时段弃风电量由图5可以看出，不同方案不同季节系统的弃风电量差别很大，考虑风电季节特性安排检修计划显著减少了系统的弃风电量。表2给出了上述4个方案的检修费用和弃风电量。表2. 不同方案下检修成本和弃风电量比较方案检修费用/元弃风电量（MWh）1217521620700221882671730032185656168004217782619350总的来看，在检修决策中考虑风电的出力,相比于不考虑风电的情况,能够减少弃风量，但检修成本略有增加。考虑风电的季节特性比单纯的利用概率拟合
20、风电出力更能有效的优化检修费用减少弃风电量。弃风电量优化目标权重系数越大即越重视风电的消纳，弃风电量越小，检修成本增加越多。考虑风电的季节特性能更科学的进行检修决策，可以有效降低弃风电量。6 结论本文建立了考虑风电出力季节特性的的机组检修计划模型，以检修费用最小和弃风电量最小为目标函数。由算例结果可以得出结论：在检修计划决策过程中考虑风电季节特性，能够有效降低负荷弃风电量,降低风电场出力波动对机组检修计划带来的影响，保证可再生能源充分利用。本文通过粒子群方法,求解多目标非线性优化模型,降低了模型的求解难度,提高了模型的求解效率,为考虑大规模风电的检修计划优化决策问题的应用,提供了高效、实用的方
21、法。参考文献1 张宏宇,印永华,申洪,何剑,赵珊珊.考虑大规模风电调峰要求的系统机组检修计划J.电力系统自动化,2012,16:25-30.2 苏运,朱耀明,张节潭,程浩忠,姚良忠,Bazargan asoud.考虑电力系统不确定性的机组检修计划安排J.水电能源科学,2011,05:152-155.3 吴耀武,邴焕帅,娄素华.含风电场的电力系统中考虑调峰压力平衡的机组检修规划模型J.电网技术,2012,11:94-100.4 李伟,张宏图,王群锋,杨强华.吉林省风电规律特性及减少弃风政策建议研究J.可再生能源,2013,02:123-126.5 王海彪,郭瑞鹏,姜忠民,赵舫,范长澜.考虑大规模
22、风电接入的发电机组检修计划最小失负荷期望模型J.电力系统保护与控制,2013,04:26-32.6 方陈,夏清,孙欣.考虑大规模风电接入的发电机组检修计划J. 电力系统自动化,2010,19:20-24+74.7 宋曙光.风电功率波动特性及其与储能协调策略的研究D.山东大学,2011.8 张宏宇. 考虑调峰因素的风电规划研究D.中国电力科学研究院,2013.9 王洪涛,刘旭,陈之栩,房光华,傅磊.低碳背景下基于改进通用生成函数法的随机生产模拟J.电网技术,2013,03:597-603.10 刘旭.含风电场的随机生产模拟D.山东大学,2013.11 张节潭,王茂春,徐有蕊,张洪平,田海青.采用最小累积风险度法的含风电场电力系统发电机组检修计划J.电网技术,2011,05:97-102.