不确定性下基于风险值理论的多目标机组组合研究

Recently, system operators encounter increasing difficulties to achieve an optimal unit commitment scheduling due to the challenges caused by the uncertainties exist in both power supply and demand sides. Based on existing studies, this proposal is devoted to the modeling, solution as well as analysis of multi-objective unit commitment under manifold uncertainties. The modeling section mainly focuses on the description of three objectives, i.e. economy, reliability and environmental friendly: First, the operation cost is achieved with emission concerns and policy benefit from sales price support. Second, reliability measurements based on Value-at-Risk theory are established to improve the robustness of stochastic unit commitment, and meanwhile mitigate the over conservativeness of robust unit commitment. Third, quantitative evaluation on environmental friendly is developed according to the emission characteristic of thermal units. Subsequently, different multi-objective models can be built in corresponding to various system requirements. The solution section includes the research on the Value-at-Risk calculations under manifold uncertainties, and the improvement on existing multi-objective particle swarm optimization algorithm. The aim is to find high convergent and diversified Pareto-optimal front within an acceptable runtime cost. After exemplifying the effectiveness of the proposed model and algorithm, a series of analysis such as sensitivity analysis on Value-at-Risk, penetration rate analysis of wind power, optimization and control on power load will be performed. Then, the main contribution of the proposal is to provide system operators as well as researchers with new methods when solving unit commitment optimizations under various uncertainties.

针对机组调度面临的挑战以及国内外研究现状，本项目对不确定性下多目标机组组合的建模、求解与分析展开研究。建模部分主要是对经济性、可靠性和环境友好性这三个目标及模型结构的研究：结合碳交易、超低排放电价支持建立新时期发电成本评价方法；基于风险值理论建立鲁棒非保守的供电可靠性评价体系；依据火电机组排放特征建立量化的环保评价方法。随后，按系统不同需求建立相应的多目标优化模型。算法方面是对多目标机组组合模型求解方法的研究：设计风险值求解子算法，改进现有多目标粒子群算法，并将两者相结合对模型进行求解，从而能以较低的时间代价获取更好的最优解集。在验证模型和算法的有效性之后，将结合测试系统及国内区域电网数据，进行一系列分析，主要包括风险值敏感性分析、风电并网率分析以及负荷优化控制分析。项目的意义在于为机组调度的决策者和相关领域的研究人员提供解决机组组合问题的新思路和有效的理论、技术支持。

早期的机组组合大都被视为确定性问题，即在所需信息都已精确获取的前提下进行优化。然而，一方面，随着机组数量、用电负荷的持续增加，社会对供电可靠性要求的不断提高，机组调度需要面对多种不确定信息，如负荷预测误差、机组和输电线故障等。另一方面，近年来可再生能源发电规模不断扩大，其难以捕获的间歇性和波动性进一步增加了电网调度的不确定性和复杂度。针对以上问题，本项目对现阶段含可再生能源发电的多目标机组组合的建模、求解与分析展开了一系列研究。建模部分主要包括对经济性、可靠性和环保性这三个目标及模型结构的研究：结合碳交易、超低排放电价支持建立了新时期发电成本评价方法；针对随机优化和鲁棒优化的各自特点构造了基于风险值理论及其延伸的鲁棒经济可靠性评价体系；基于机组排放特征建立了量化的环保评价方法。随后，根据系统不同需求建立了相应的多目标优化模型。算法方面主要是对多目标 UC 求解方法的研究：在前期工作基础上设计了混合不确定性下风险值求解子算法，改进了现有多目标粒子群算法，并将两者相结合对模型进行求解。最后，基于测试系统及国内区域电网数据，对所提方法开展了一系列分析验证，实验结果表明：1)基于风险值理论的可靠性评价体系能够产生比随机优化更可靠、比鲁棒优化更经济的调度方案；2)长短期记忆神经网络可以较好地捕捉数据的时序特性，且基于数据驱动的滚动预测及优化可以有效地提升系统运行的经济性；3)所提方法可帮助决策者制定合理的超低排放电价支持政策，对成本及弃风率的分析将有助于系统调度人员选择合适的调度方案；4)采用变异策略可以加强帕累托解集的多样性；融入强化学习策略可以增加粒子群算法的全局搜索和局部开发能力。总体来看，本项目所取得的研究成果对于现阶段含可再生能源发电的电力系统优化调度具有一定的理论和实践意义。