5.智能电网经济运行的多目标调度优化策略

院系：电气与电子工程学院专业班级：学生姓名：指导教师：学号：译文成绩：≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈≈华北电力大学毕业设计（论文）译文部分原文著作（期刊）名称： A Multi-objective Dispatch Optimization Strategy for Economic Operation of Smart Grids作者：ZHENG Zhang-hua, AI Qian, XU Wei-hua, SHI Jie, XIE Da, HAN Li网址：/kns50/detail.aspx?QueryID=84&CurRec=1原文出版单位：Power System Technology原文出版时间：Feb. 2010原文出版地点：Beijing智能电网经济运行的多目标调度优化策略摘要：探讨了新形势下电网监控调度和优化运行的问题。

根据智能电网安全、经济、清洁的特点，以有功网损、污染气体排放量和系统电压稳定程度3个指标对电网的安全性、经济性和环保性进行量化评估，并将双馈感应发电机的模型加入到潮流计算的模型中，考虑了大容量风电并网对系统的影响，将上述指标作为优化目标，用强度Pareto 进化算法对优化模型进行求解，并对上述3个优化目标进行寻优，很好地解决了智能电网中多方面的监测和多目标优化运行问题，为智能电网的监控运行提供了思路。

关键词：智能电网；监控指标；双馈感应发电机；强度Pareto0 引言如今，许多发达国家，如美国，英国，法国和德国，都加入了对智能电网的研究，并提出了全面的一揽子措施，以加强电网的安全性和竞争力。

在中国，智能电网也成为电力系统发展的热点。

例如，华东电网有限责任公司正在推动智能电网的建设，称为构建数字化电网和信息化企业。

总之，在21世纪智能电网将会在电力行业中发挥重要作用。

智能电网把电力和通信整合在电网中，支持新一代的互动能源和通信服务，能够为用户提供数字化的电能质量，拥有出色的可靠性、良好的自愈能力、完全可控以及资产的优化高效运行。

然而，如何监测系统的运行以及维持电网安全、经济、高效地运作，是智能电网研究领域的重点，本文会对这方面做出详细分析。

一般来说，电力系统优化运行的目的是为了把系统的线损降到最小。

然而，随着可再生能源的应用和电力市场竞争的日趋激烈，为了确保互联电网的有效运作，许多方面必须考虑到，例如减小对环境的影响和改善电压稳定性。

因此，优化运行将是一个含有非凸、非光滑、非可微多目标函数的最优化问题。

运用经典的优化技术时，一个多目标问题会按不同目标的线性组合的加权和，转化为一个单目标问题。

可是，通常情况下，这种技术只能提供一个独特的最优解，而且，加权函数的选取通常是随意的。

因此，为了有效克服这些缺点，同时在处理上述多目标问题时有良好表现，必须考虑新的优化技术。

此外，作为促进利用可再生资源的结果，风电，作为一种可再生能源，在许多国家变得越来越流行。

在大型风力发电的实际应用中，双馈异步发电机（DFIG）一直是最常见的发电机类型。

在华东新的风电场中，将采用双馈风力发电机。

但是，风电的离散性和随机性等特点，已被证明越来越多的威胁到电网的稳定性和可靠性。

配备双馈异步发电机的大型风电场的接入，会给电力系统的优化运行带来新的挑战。

因此，在充分利用风电的同时保证系统的稳定运行将在未来得到高度关注。

总之，解决大型风电场的多目标最优潮流（OPF）方程是华东电网发展的重要问题。

本文详细描述了多目标最优潮流方程，给出了双馈异步电机的数学模型和优化方法，同时对许多仿真实例进行了测试。

1 智能电网的多目标优化1.1 线损最小线损最小是电力系统经济运行的重要指标之一，同时也是传统的最优潮流的实现目标。

线损可以表示为：其中G为分支导纳的实部；N代表系统节点总数；i U和j U分别代表节点i和节ij点j 的电压；1F 代表总的有功损耗；ij θ是节点i 和节点j 之间的相角差。

1.2 减小对环境的影响相对于传统技术，风力发电排放较少的温室气体和其他污染物。

这对环境的保护大有裨益。

优化风电场综合系统应考虑这个因素同时要最大限度地减少常规电厂的污染物排放，它可以表示为：和其中E Ii ρ是第i 种污染物的权重因子；p N 是污染物总数；EBIi G 第i 种污染物的排放量，可表示为：其中E G j P 是第j 台常规发电机产生的电能；AEij G 是第j 台常规发电机每发出单位千瓦时电能所产生的第i 种污染物的排放量；B 是系统中常规发电机总数。

1.3 电压稳定性的改善提高电压稳定是运行实践中关心的重要问题之一。

虽然电压稳定是一个动态问题，但我们可以通过静态的方法估算出稳定运行点和电压崩溃点之间的电压差值，从而估算出系统能够稳定运行的电压范围。

静态方法可以通过计算稳定指数给系统当前运行状态一个很准确的评估。

通过图1，我们提出能够反映网络过负荷严重性的一个指数，当电压接近崩溃边缘时，该指数将达到一个最大值（接近1）。

因此，我们可以通过计算使稳定参数达到最小，从而提高电压的稳定性。

该指数方程如下：其中δ=i j δδ-；i i U δ∠和j j U δ∠分别是始端和末端的电压；R 和X 分别是线路的电阻和电抗；j j P jQ +是注入节点j 的功率；V SI L 为稳定指标，该指标可以反映传输线的运行状态，同时能够显示出运行点与稳定极限间的距离。

当V SI L 的值大于1时，则认为该系统的值是不稳定的，如果网络的负荷超出了这个约束条件，j U 点就会发生电压崩溃。

因此，整个系统的电压稳定指标可以定义为：其中VSIk L 代表分支k 的电压稳定系数；S 代表整个系统的分支。

1.4 多目标优化方程本文，考虑线损、污染物排放和电压稳定系数都是为了实现多目标优化调度，该优化方程可以表示为：1.5 约束问题在参考与风渗透有关的各种技术、经济和体制方面的问题早已解决的情况下，为了保证风电接入之后系统的可靠性，该系统必须受到一定的约束，即：风力发电不能超过一定比例的系统负载。

这一要求说明了风力发电和系统负荷间的相互依存关系，在实际运行中必须考虑到。

只有风力发电不超过一定比例的系统负载，才能保证风力发电机组不会过多的影响线路电压波形质量。

风电接入比例给出如下：其中W TG i P 是单个风电机组的容量；L D P 是整个系统的负荷；δ代表风电的穿透系数。

因此，一个含有大型风力发电场的多目标最优潮流方程应考虑各方面的等式和不等式约束条件，这些约束条件可以概括如下：其中()k G i P 和()k G iQ 代表第i 台发电机在第k 段时间内的输出；()k i C 是第i 台无功补偿器在第k 段时间内的补偿容量；W TG i P 代表风电机的输出；G N 、L N 、b N 和C N 分别是系统发电机数量、负荷节点数、分支数和补偿电容器数量；()k D P 是第k 段时间内的负荷；()k ijP是线路的有功潮流；()k i U是发电机i 的电压幅值；G i P -和G i P -分别代表Gi P 的上下限；G i Q -和G i Q -分别代表G i Q 的上下限；i U -和i U -分别代表i U 的上下限；ij P -和ij P -分别是ij P 的上下限；i C -和i C -分别是i C 的上下限。

2 双馈风力发电机的数学模型随着可再生能源的推广利用，风电在许多国家变得越来越流行，大型风电场的接入将会给电力系统的优化调度带来新的挑战，同时也是未来智能电网面临的必要和紧迫的课题。

许多早期的风电场装设的风力涡轮发电机都配有定速装置。

然而，这种风力发电机在大多数风速下其发电效率都相当低。

为了提高风力发电效率，同时克服定速风力发电机的其他缺点，现在的风力发电机大多数都是双馈异步风力发电机，双馈异步风力发电机是现代大型风电场最常见的电机类型。

双馈异步风力发电机的电路图示于图2。

其中.s I ，.r I 和.m I 分别代表定子电流，转子电流和励磁绕组电流；r r 是转子电阻；sr 是定子电阻；s x 是定子电抗；s 是转差频率，可通过风力发电机的速度特性曲线得到；.s U 代表定子端电压矢量；.r U 代表转子端电压矢量；r x 代表转子电抗。

通过这个等值电路，可获得双馈异步电机的以下性能特点，转子的有功功率为：其中s P 和s Q 分别代表定子的有功功率和无功功率；m x 代表励磁电抗；ss x =s x +mx 。

所以，双馈异步风力发电机的输出总有功功率为：双馈异步风力发电机的输出有功功率由两部分组成，一部分由转子产生，另一部分由定子产生。

由转子产生的无功功率很小，可以忽略不计。

因此，双馈异步风力发电机的总输出无功就相当于定子的输出无功Q。

通常情况下，双馈异s步风力发电机运行于以下两种模式，即：常功率因数控制模式和常压控制模式。

前者是保持定子功率因数不变，而后者是当系统电压很低时，提供给系统一定的无功功率来保持系统电压稳定。

一般来说，前者在风电场的应用更为广泛。

所以，本文在计算有功潮流时认为系统运行于常功率因数控制模式。

双馈异步电机的输出无功为：其中P是定子的有功功率； 代表功率因数角，由给定的功率因数计算而得。

s3 多目标优化方法3.1 Pareto最优解现实世界中有许多多目标优化问题，其中涉及的目标之间往往存在竞争，不能同时优化。

一般来说，单一的最佳解决方案似乎有些武断，对于这类问题，如果能找出一系列可供选择的解决方案显得会更好。

这些解决方案在更广泛的意义上得到优化，当所有目标都被考虑时，其他的解决方案不可能优于它们，它们被称为帕累托最优解。

所有的帕累托最优解构成帕累托最优前沿或帕累托最优设置。

多目标优化方法的核心是协调各种目标之间的功能，并找到最优解集，使得所有目标函数的解决方案尽可能的大或者尽可能的小。

3.2 强度Pareto进化算法2（SPEA2）SPEA是强度Pareto进化算法的缩写，是一种相对较新的技术，用来找出多目标优化问题的Pareto最优解集。

但SPEA不能保证临界的解决办案被包含在解集中，并且当解不能达到良好的分布时，它看起来就像停滞了。

因此，为了克服这些缺点，我们提出了改进型的SPEA，即SPEA2。

与SPEA不同的是，SPEA2提供了一个更好的点分布，尤其是当目标数量增加时，表现的更为明显。

SPEA2已被广泛应用于不同的领域，与其他多目标进化算法相比能够表现出良好的性能。

本文中，SPEA2将用于解决提到的多目标最优潮流。

4 仿真结果4.1 计算实例中的参数前面提出的含有大型风力发电场的多目标最有潮流方程将使用修改后的IEEE 30节点测试系统进行测试。

如图3所示：节点13的传统发电机已被移除，取而代之的是包含了14台风机的风电场，它们的运行状态相同，每台风机的额定功率为1.5MW。