通过可再生能源预测和多目标优化来提升动态经济排放调度
《Energy Conversion and Management-X》:Enhancing dynamic economic emission dispatch through renewable energy prediction and multi-objective optimisation
【字体:
大
中
小
】
时间:2026年05月01日
来源:Energy Conversion and Management-X 7.6
编辑推荐:
阿鲁纳查拉姆·桑达拉姆(Arunachalam Sundaram)
曼彻斯特索尔福德大学(University of Salford)科学与工程环境学院,M5 4WT,英国
**摘要**
本研究提出了一个综合框架,用于辅助可再生能源的动态经济排放调度(Dynamic
阿鲁纳查拉姆·桑达拉姆(Arunachalam Sundaram)
曼彻斯特索尔福德大学(University of Salford)科学与工程环境学院,M5 4WT,英国
**摘要**
本研究提出了一个综合框架,用于辅助可再生能源的动态经济排放调度(Dynamic Economic Emission Dispatch, DEED),以支持向净零电力系统运营的过渡。该框架独特地将多输出可再生能源预测与先进的多目标优化相结合,以提高调度效率和可靠性。开发并训练了一个统一的前馈人工神经网络(Artificial Neural Network, ANN),使用NASA MERRA-2气象数据(2009–2018年)对德克萨斯地区(31.0°N, ?100.0°W)进行离线训练,以同时预测每小时太阳辐照度和风速。预测值被转换为可再生能源功率,并直接纳入DEED公式中。此外,还采用了一个基于ANN的次级模型来估算传输损耗,从而消除了重复进行负荷流计算的需要,并克服了传统B损耗系数的局限性。由此产生的双目标优化问题旨在最小化燃料成本和排放量,使用多目标灰狼优化器(Multi-Objective Grey Wolf Optimiser, MOGWO)进行求解,能够在一次运行中生成多样化的帕累托前沿(Pareto front)。然后应用模糊隶属度方法(fuzzy membership approach)来确定最佳折中方案。该框架在修改后的IEEE 30节点系统上进行了验证,包括仅使用太阳能、仅使用风能以及混合可再生能源的情况。结果表明,与仅使用热能的情况相比,混合集成可实现每天最多540.24美元的燃料成本节省和0.19吨的排放量减少。这些发现表明,所提出的ANN-MOGWO框架为富含可再生能源的电力系统的调度规划提供了可扩展且计算效率高的解决方案,从而降低了运营成本并提高了环境性能。
**1. 引言**
1.1. 背景
满足不断增长的需求是至关重要的;然而,通过燃烧煤炭、石油和天然气等传统方式增加电力生产将显著增加二氧化碳和其他温室气体的排放。要理解经济排放调度的重要性,我们必须考虑石油、煤炭和天然气资源的枯竭、全球需求的指数级增长,以及为减少有害排放以应对气候变化而实施的严格法规,以及与之相关的复杂政策和实施问题[1]、[2]、[3]。满足不断增长需求的一种方法是将可再生能源整合到现有的电网中。政府已经实施了多项政策和举措[4],包括可再生能源目标、碳定价和能源效率标准,以鼓励可持续的电力系统并降低温室气体排放[5]、[6]。人工智能方法,如强化学习(reinforcement learning),也被应用于富含可再生能源的微电网能源管理和成本优化,突显了数据驱动技术在现代电力系统运营中的更广泛作用[7]。
将可再生能源整合到现有电网中具有多种好处,例如减少对化石燃料的依赖并多样化能源组合,从而提高集成电力系统的韧性和可靠性。热电厂向大气中排放有害的温室气体,增加了空气污染。通过将可再生能源整合到现有电网中,可以减少这些影响,从而降低污染和碳足迹。尽管可持续能源的前期投资较高,但近年来可再生能源的平准化能源成本(Levelized Cost of Energy, LCoE)已显著下降,使其具有竞争力[8]、[9]。因此,整合可再生能源将节省燃料和维护成本。在某些情况下,在负荷中心或附近整合可再生能源可以减少电力传输损耗,提高系统的整体效率,减少对新传输基础设施的需求,并提高电网稳定性。
文献中提出了多种调度公式,如经济调度(Economic Dispatch, ED)[10]、排放调度(Emission Dispatch, EmD)[11]、组合经济排放调度(Combined Economic Emission Dispatch, CEED)[11]、[12]和动态经济排放调度(Dynamic Economic Emission Dispatch, DEED)[13]。ED和EmD是单目标优化问题,分别旨在最小化燃料成本或排放量。然而,CEED和DEED是众所周知的多目标问题,旨在同时减少燃料成本和排放量。在这些公式中,DEED是最难解决的,因为它考虑了负荷水平的动态变化,并需要能够处理问题固有复杂性和各种运营约束的强大算法[14]、[15]、[16]、[17]。DEED问题具有深远的影响,因为它可以帮助电力系统运营商在减少环境影响的同时降低运营成本。
根据《联合国气候变化框架公约》(UNFCCC)和《巴黎协定》下的全球气候承诺,包括英国、日本、韩国、欧盟、美国、中国和加拿大在内的几个主要经济体宣布了长期战略,目标是在本世纪中叶(约2050年)实现净零温室气体排放[18]。实现这些雄心勃勃的目标需要大规模整合可再生能源资源到国家电网中。然而,太阳能和风能的固有间歇性带来了运营挑战。为了解决这个问题,开发了一个神经网络,使用长期气象和历史数据集准确预测可用的太阳能和风能。本研究的目的是以一种方式解决复杂的DEED问题,即最小化燃料成本、减少排放量、促进可再生能源的整合,并通过可持续的电力系统运营为减缓气候变化做出贡献。鉴于可再生能源整合在调度规划中的重要性日益增加,了解先前研究如何处理与可再生能源相关的经济和排放调度问题至关重要。因此,以下部分回顾了相关文献,并强调了关键的方法论趋势和现有局限性。
1.2. 关于与可再生能源结合的经济排放调度的文献综述
为了将本研究置于更广泛的研究背景下,本小节回顾了以往关于经济和排放调度的工作,重点关注可再生能源的整合。文献确定了两种解决经济排放调度问题的主要方法:1.2.1 使用单目标算法的解决方案,1.2.2 使用多目标算法的解决方案。
1.2.1 使用单目标算法的解决方案
在[19]中,使用权重因子将相互冲突的经济和排放目标合并为一个目标,并使用GAMS中的Baron求解器进行求解。作者指出,在没有风能渗透的基准系统中,发电成本和污染水平非常高,并且随着风能渗透率的增加而降低。在[20]中采用了嵌套框架来建模DEED问题,并在[21]、[22]中引入了惩罚因子方法,将双目标CEED问题转换为单目标问题。随后,使用MHS算法[21]和Whale优化算法(WOA)[22]解决了与可再生能源结合的CEED问题,以获得最优调度方案。对于微电网,使用加权折中编程(weighted compromise programming)聚合了电力、热能、经济和排放调度的相互冲突的目标。然后使用随机分形搜索(Stochastic Fractal Search, SFS)、TLBO、Cuckoo搜索算法(CSA)和DE[23]解决无量纲目标函数。
在[24]中,ED的目标函数包括热能单元的燃料成本(美元)、风力涡轮机的直接成本(美元)和排放量(吨)。该模型的缺点是燃料成本(美元)和排放量(吨)被简单相加,这降低了结果的重要性。此外,没有获得帕累托最优解。在[25]中,作者将可再生能源纳入DEED中,但没有在燃料成本目标函数中展示可再生能源的建模。使用改进的蛾火优化算法(MFOA)[25]将相互冲突的经济和排放目标合并为一个目标并进行求解。在[26]中,使用均衡优化器(Equilibrium Optimiser, EO)解决了结合风能和插电式电动汽车的DEED问题。表1提供了使用的算法和测试系统的示例。
表1. 风速和太阳辐照度预测的训练数据集样本
| 年份 | 月 | 日 | 时 | 分 | 风速(m/s) | 天空状况(SKY_SFC_SW_DWN, kWh/m2) | 天空状况(SKY_SFC_SW_DWN, kWh/m2) |
|-------|------|------|------|-----------|------------------|----------------------|
| 2009123 | 11 | 7 | 3.9 | 14.5 | 1900 | 11.85 | 2009123 | 11 | 8 | 3.6 | 2009123 | 11 | 9 | 3.3 | 1.6 |
| 2009123 | 12 | 0 | 5 | 1200 | 11.85 | 2009123 | 12 | 3 | 6 | 2009123 | 12 | 1 | 3.3 | 0.7 |
| 2009123 | 12 | 0 | 9 | 2009123 | 12 | 3 | 3.3 | 0.7 | 2009123 | 12 | 1 | 3.3 | ?0.2 | 8.1 |
| 2009123 | 12 | 3 | 6 | 2009123 | 12 | 2 | 3.3 | ?1.0 | 6.95 | 2009123 | 12 | 3 | 3.3 | ?1.6 | 6.63 |
| 2009123 | 12 | 3 | 7 | 201011 | 0 | 3.3 | ?2.2 | 6.8 | 201011 | 11 | 3.2 | 3.3 | ?2.5 | 6.64 |
| 201011 | 12 | 3 | 1 | 201011 | 12 | 3.1 | ?2.5 | 6.64 | 201011 | 12 | 3 | 1 | 6.15 | 2009123 | 12 | 3 | 1 | 7 |
| 201011 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 7 | 2009123 | 12 | 3 | 1 | 9 | 2.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 1 | 8 | 4.7 | 2009123 | 12 | 3 | 1 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 8 | 4.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 8 | 4.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 9 | 2009123 | 12 | 3 | 2 | 7 | 7 | 2009123 | 12 | 3 | 1 | 9 | 3.7 |
| 2009123 | 12 | 3 | 2 | 2009123 | 12 | 3 | 1 | 8 | 2009123 | 12 | 3 | 1 | 4.0 | 3.5 | 7 |
| 200关于各种太阳辐照度预测方法的综述可以在文献[34]、[35]中找到,而关于风速预测的综述则可以在[36]中找到。这些作品中讨论了各种模型及其挑战,并且在[34]、[35]中的比较表明,人工神经网络(ANNs)比其他模型更准确。因此,在本研究中,选择了ANN而不是其他模型。在[37]中对太阳能预测中ANN最相关参数的研究表明,气象数据和基于时间的特征的结合最为重要,而纬度和经度则相对不那么重要。一些研究还探索了混合或元启发式辅助的ANN训练策略来提高预测精度,例如结合差分进化进行ANN参数调整[38]。研究人员主要关注于预测太阳辐照度或风速,或者调整ANN参数,但据作者所知,还没有一个单一的密集神经网络能够同时预测太阳辐照度和风速。在这项研究中,训练了一个ANN来同时预测风速和太阳辐照度,因为这对于将其纳入DEED公式非常有用。混合太阳能和风能系统结合了两种可再生能源的优势,提供了诸如提高可靠性、增强效率、降低成本以及比单独使用任何一种技术更环保等优点。因此,在本研究中,考虑采用混合系统来提供可持续且可靠的电力供应。
对预测方法的综述清楚地表明,现有的方法通常分别处理太阳和风的预测,并且在准确性和集成方面存在局限性。这些差距,加上文献中关于DEED的挑战,共同激发了开发改进的预测和优化框架的需求。以下部分概述了本研究的动机,并总结了其关键的科学和技术贡献。
1.5. 本研究的动机和贡献
基于从背景、文献回顾、经济考虑和预测分析中获得的见解,本小节介绍了本研究的合理性和独特贡献。作者应用了强大的多目标单目标算法来解决一系列复杂的ED和EmD问题,例如[12]、[39]、[40]、[41]中的多目标CEED问题,[42]、[43]、[44]中的联合热电经济调度(CHPED)问题,以及[45]中的联合热电经济和排放调度(CHPEED)问题。作者还开发并整合了基于ANN的损失预测[46]和基于随机森林的损失预测[47],以降低算法的计算复杂性。随着将可再生能源整合到现有电力系统中以减少温室气体排放并实现净零目标的日益增长的需求,对先进优化和预测技术的研究也大大增加。同时,解决复杂调度问题的计算负担不断增加,这促使人们使用机器学习(ML)模型来简化这些过程。在这种背景下,本研究的动机是提高计算效率并增强太阳能和风能的有效整合到电力调度框架中。尽管已经开发了多种机器学习模型来单独预测太阳辐照度或风速,但尚未有单一的神经网络能够同时预测这两个参数。本研究通过开发一个统一的预测模型并将其无缝嵌入DEED框架中来解决这一差距。主要贡献可以总结如下:
- 统一预测模型:使用9年的历史和气象数据精心训练了一个前馈反向传播ANN。该模型具有双重能力,可以在任何给定时间预测太阳辐照度和风速。这个单一模型可以同时预测风速和太阳辐照度,从而能够可靠地估计每个调度间隔内的可用可再生能源资源。
- 改进的DEED公式:提出了一种新的DEED问题公式,该公式在不增加计算复杂性的情况下整合了预测的太阳和风能。这种集成解决了可再生能源的间歇性问题,同时保持了算法的可行性。
- 多目标优化:采用了最近出现的强大元启发式算法多目标灰狼优化器(MOGWO)来解决DEED问题。该算法高效地生成了一个分布良好的帕累托最优前沿(POF),代表了燃料成本和排放最小化之间的权衡。
- 传输损失预测的整合:为了克服每次迭代解决功率流方程时的限制或依赖近似公式的问题,使用了作者之前开发的离线训练的神经网络。该模型能够准确预测传输损失,并无缝整合到DEED公式中。
- 模糊隶属度方法用于决策:为了帮助决策者从PO解决方案中选择一个最优解,实施了模糊隶属度方法。这种实用的方法有助于从一组PO解决方案中提取出独特且信息丰富的决策。
本研究的独特贡献在于其集成框架,该框架结合了太阳辐照度和风速预测、精细的DEED公式、先进的多目标启发式算法、准确的损失预测以及智能决策支持,从而为DEED中的可再生能源整合提供了一个可扩展且实用的解决方案。
1.6. 本文的组织结构
本文的其余部分组织如下。第2节介绍了统一ANN模型的开发过程,包括数据集准备、网络架构、训练、测试以及将预测的太阳辐照度和风速转换为可再生能源。第3节详细介绍了DEED问题的公式化,包括目标函数、约束条件以及最佳折中解决方案的选择。第4节描述了用于解决双目标优化问题的多目标灰狼优化器(MOGWO)。第5节介绍了案例研究,概述了它们的假设和参数,并讨论了在不同可再生能源整合情景下获得的结果。最后,第6节总结了关键发现,并指出了未来的研究方向和局限性。图1展示了整个研究的工作流程,从数据采集和预处理到基于ANN的预测、DEED公式化、优化和案例研究评估。
2. 基于ANN的太阳辐照度和风速预测
太阳能和风能表现出气候学上的互补性和时空特性[48]、[49]。因此,选择最佳位置来部署太阳能和风能对于实现它们的互补优势并抵消各自的间歇性至关重要。后续章节解释了位置的选择、ANN的输入选择、ANN的架构以及数据集准备,以使ANN能够学习数据的复杂特性。
2.1. 数据集准备
为了充分利用太阳能和风能的互补优势,选择了美国德克萨斯州(纬度31.0°N,经度-100.0°W)作为研究地点,该地区拥有巨大的太阳能、风能和混合太阳能风能系统的潜力。使用了2009年12月31日至2018年12月31日九年的数据来训练ANN。这个庞大的数据集确保了ANN有足够的数据来学习数据的时间和气候特征。2019年1月1日至12月31日收集的数据用于确保与训练数据不重叠。训练数据集的起始和结束部分在表2中展示。表2中,MO,DY分别表示一年中的月份和日期,HR表示一天中的时间,QV2M表示MERRA-2(现代时代回顾分析,用于研究和应用,版本2)在2米高度的特定湿度(g/kg),PS表示MERRA-2地表压力(kPA),T2M表示MERRA-2在2米高度的温度(C),WS50M表示MERRA-2在50米高度的风速(m/s),ALLSKY_SFC_SW_DWN表示全天空表面短波向下辐照度Wh/m2。探索性数据分析表明,训练和测试数据集是干净的,没有缺失数据。使用开源图形库Plotly开发了数据集特征的图表。图2显示了整个时间段以及2018年9月至2019年1月之间几个月的交互式图表。
2.2. 用于预测组合太阳辐照度和风速的ANN架构
用于预测组合风速和太阳辐照度的深度学习神经网络的架构如图3所示。ANN的输入层有五个输入节点:一天中的小时、特定湿度、前一小时的温度、前一小时的风速以及前一小时的辐照度水平。提供前一小时的数据作为输入,使神经网络能够学习每小时的时间特征。有五个密集连接的隐藏层,每层的神经元数量逐渐减少,分别使用ReLU激活函数。隐藏层1、2、3、4和5的神经元数量分别为128、64、32、16和8。ANN的输出层有两个神经元,使用ReLU激活函数,提供当前小时的风速和太阳辐照度预测值。前馈神经网络使用强大的均方根传播(RMSprop)算法在Python中设计、训练和测试。ANN的模型开发、训练和测试使用带有GPU硬件加速器的GoogleColab工具中的可执行Python代码执行。
2.3. ANN的训练和测试
训练数据集包含78,895条记录,如表2所示。训练数据集的25%,即19,724条记录,被随机选为验证集。测试数据集包含8,760条记录。训练和测试数据集都使用了scikit-learn中的MinMaxScaler进行预处理,以将输入重新缩放到[1]的范围内,确保所有特征在ANN训练和测试期间具有相同的影响。图4显示了ANN在训练期间的网络性能。较低的训练损失(train_loss)和验证损失(val_loss)表明预测准确,模型没有过拟合。每个周期平均需要5.5秒,ANN的总训练时间为10分钟。图5显示了实际和预测的太阳辐照度kWh/m2和风速m/s的散点图。表4列出了ANN在训练期间的性能指标。图6显示了测试数据集的实际和预测输出变量值,表明ANN能够准确预测太阳辐照度和风速的时间变化。均方根误差(RMSE)为太阳能31.86,风能0.741,这进一步证实了模型的准确性,因为平方根对较大误差的惩罚更为严重。异常低的绝对中位数误差(MeAE)进一步强调了模型在产生准确预测方面的一致性,因为中位数对异常值的敏感度较低。太阳能的解释方差得分(EVS)为0.989,风能为0.921,以及R2得分分别为0.988和0.919,表明模型能够解释大部分的变异性,说明人工神经网络(ANN)几乎捕捉到了太阳能辐照数据的99%。这些指标共同凸显了ANN模型出色的预测能力,显示出其在预测太阳能辐照度方面的精确性和可靠性。
2.4. 从预测值计算太阳能和风能功率
2019年12月31日的实际风速和辐照度水平与预测值列在表5中。2019年12月31日实际风速与预测风速之间的最大差异为2.89米/秒,小于3米/秒。实际与预测太阳能辐照度水平之间的最大百分比误差为3.22%。这表明所提出的ANN模型在预测风速和太阳能辐照度水平方面具有很高的准确性。根据预测值,表5还显示了10兆瓦太阳能电站和10兆瓦风能电站可以产生的太阳能和风能功率。计算方法和公式在附录A中有描述。
表5. 本研究考虑的案例研究总结。
案例描述 | 可再生能源集成 | 输电损失 | 负载类型 | 目的
--- | -------------- | -------------- | ------------ | -------------------
1 | CEED for IEEE 30-bus系统 | 无 | 未考虑 | 静态283.4兆瓦 | 比较MOGWO与CEED文献 |
2 | DEED with dynamic load | 无 | 基于ANN的损失模型 | 24小时动态 | 确立DEED的MOGWO性能 |
3a | DEED + Wind | 3×10兆瓦风电场 | 基于ANN的损失模型 | 24小时动态 | 评估风能集成影响 |
3b | DEED + Solar | 3×10兆瓦太阳能电站 | 基于ANN的损失模型 | 24小时动态 | 评估太阳能集成影响 |
4 | DEED + Solar + Wind | 3风电场 + 3太阳能电站 | 基于ANN的损失模型 | 24小时动态 | 评估混合可再生能源集成 |
3. 问题表述
本节阐明了将太阳能光伏和风能发电集成到现有电网中的DEED问题的数学表述。广泛使用的多目标表述方法在[28]、[29]中有所介绍,但这些方法使用了可再生能源的过高或过低估计成本,因此无法实现可再生能源资源的完全渗透。本研究的主要目标是通过准确预测可再生能源的可用性来确保其完全渗透,从而减少碳足迹和温室气体排放。通过将这些能源整合到现有电力系统中,DEED方法旨在降低燃料成本、减少污染水平,并减少对化石燃料的依赖。尽管可以使用机器学习技术进行准确的太阳能和风能预测,但可再生能源的实际值与预测值之间的不匹配问题将由独立系统运营商(ISO)通过旋转备用容量来解决。
3.1. 数学模型
3.1.1. 具有阀门点效应的热电厂成本
成本函数(1)描述了热电厂发电相关的成本。热电厂i的目标函数的二次项、线性项和常数系数分别为ai、bi和ci。热电厂中阀门的开启程度会影响涡轮机的效率,在(1)中用系数di和ei进行建模。这些系数的引入使得目标函数变得非线性和非凸形。决策变量是Nt个热电厂的调度计划,分别在(2)中给出。整个调度持续时间T假设为每天24小时。
(1) fthermalx = ∑t=1T ∑i=1Nt ai Pi,t^2 + bi Pi,t + ci + di sin ei Pi,t - Pi,t
(2) x = P1, P2, P3,?, Pnt
3.1.2. 风能成本
Nw个风电场产生的总成本由(3)给出。CWi是第i个风电场在时间t产生的电力的固定成本。Pwind,i,t是第i个风电场在时间t产生的电力。
(3) fwind = ∑t=1T ∑i=1Nw CWi × Pwind,i,t
海上风电产生的电力的固定成本是LCoE,根据[32]的研究,其范围为7.23至12.13欧元/千瓦时。
3.1.3. 太阳能成本
Ns个太阳能电站产生的总成本由(4)给出。CSi是第i个太阳能电站在时间t产生的电力的固定成本。Psolar,i,t是第i个太阳能电站在时间t产生的电力。
(4) fsolar = ∑t=1T ∑i=1Ns CSi × Psolar,i,t
根据[32]的研究,太阳能电站的LCoE范围为3.8至5.8欧元/千瓦时,远低于风电场。
3.1.4. 热能和可再生能源产生的总成本
常规能源和可再生能源产生的总成本由(5)给出
(5) ftotal = fthermalx + fwind + fsolar
3.1.5. 排放
热电厂产生的温室气体排放使用系数ki, li, mi, ni, qi在(5)[50]中建模。
(6) f2x = ∑t=1T ∑i=1Np ki Pi,t^2 + li Pi,t + mi + ni exp(qi) Pi,t
3.1.6. 目标函数
DEED公式旨在最小化化石燃料发电厂的燃料成本和排放水平这两个相互冲突的目标,在假设的一天24小时的时间段内。每小时t,通过多目标算法最小化目标f1x和f2x,以在(7)、(8)和(9)给出的约束条件下提供最优解(PO)。
3.1.7. 约束条件
(7)给出的实际功率平衡约束确保可再生能源和热电厂产生的总功率与总需求Pd,t以及时间t的总实际功率传输损失Pl,t完全匹配。在本研究中,采用了作者在[46]中提出的基于ANN的损失预测方法。
(7) ∑i=1Np Pi,t + Pwind,i,t + Psolar,i,t - Pd,t - Pl,t = 0 (t=1,2,?,T)
调度间隔Δt内热电厂的升降限由(8)给出。URi是第i个发电机的升压限,DRi是第i个发电机的降压限。
(8) Pi,t - Pi,t-1 ≤ U Ri Δt ≤ Pi,t-1 - DRi Δt
约束(9)确保热电厂的调度计划位于下限Pimin和上限Pimax之间。
(9) Pimin ≤ Pi,t ≤ Pimax; i=(1,2,?,Np); (t=1,2,?,T)
3.2. 约束处理机制
热电厂的调度计划必须在每个调度时段的每小时以及多目标算法的每次迭代中保持在其范围内。为了实现这一点并确保始终满足约束条件,需要一种有效的技术。如果考虑传输损失、升压和降压限,保证满足约束条件将变得更加具有挑战性。为了提高解决方案的质量和多样性,作者在[46]中提出了一种有效的约束处理技术,该技术涉及随机分配实际功率传输损失。
3.3. 最佳折中解决方案的选择
使用MOGWO解决DEED问题会得到一组PO解决方案。为了帮助运营商选择折中解决方案,本研究采用了[46]中提出的模糊决策方法。
4. 多目标灰狼优化器(MOGWO)算法
基于灰狼的狩猎行为,[51]中提出了灰狼优化器(GWO)算法来解决单目标优化问题。该算法在[52]中通过引入外部存档来存储和排名非支配解决方案以及引导搜索的领导者选择机制得到了进一步改进,以解决复杂的多目标问题。由于其有效的探索-利用平衡、简单的结构和最小的参数调整需求,MOGWO在CEC2009多目标基准测试中表现出色,并且在噪声和异常值存在的情况下也表现出鲁棒性。因此,本研究采用MOGWO来解决高度复杂的DEED问题。在提出的框架中,第2节开发的人工神经网络(ANN)模型被作为输入生成模块纳入优化过程。第一个ANN提供太阳能辐照度和风速的确定性每小时预测,这些预测被转换为可再生能源功率并提供给DEED公式。第二个离线训练的ANN在优化过程中预测每个候选方案的传输损失,从而满足功率平衡约束。每小时,MOGWO使用这些ANN预测来评估所有候选方案的成本和排放目标。ANN预测模型、传输损失模型和MOGWO优化程序之间的完整交互在图7a、图7b和图7c中清晰总结,这些图展示了本研究中使用的完整算法。
5. 案例研究和讨论
本节介绍了一系列案例研究,旨在评估所提出算法在解决CEED和DEED问题方面的性能。这些案例研究考察了不同的运行场景,包括基线CEED、带有动态负载的DEED以及带有风能、太阳能和混合可再生能源集成的DEED。这些案例研究的目的是分析MOGWO算法的能力以及可再生能源对发电调度、成本降低和排放最小化的影响。在这些案例研究中,故意假设完全可再生能源集成,以评估准确的可再生能源预测在DEED框架内的最大潜在影响。ANN模型提供可再生能源功率的确定性估计,本工作展示了如何将这些预测纳入DEED而不增加计算复杂性。然而,在实践中,预测的不确定性和可再生能源的变异性要求系统运营商维持旋转备用容量或应用纠正性重新调度。尽管本研究中的预测模型是使用德克萨斯州单一位置的NASA MERRA–2气象数据训练的,但所提出的ANN–DEED–MOGWO框架本身并不限于该地区。ANN模型可以使用任何地理区域的历史数据重新训练,使框架能够适应不同的气候条件、季节模式和可再生能源资源分布。因此,只要有合适的区域数据集,该方法适用于各种天气条件和网络配置。认识到这一点,目前的案例研究应被视为该方法能力的证明,而不是在所有运行条件下都能保证普遍性能的声明。还需要注意的是,可再生能源预测、基于ANN的损失估计、MOGWO优化和模糊决策是相互依赖的组成部分,每个部分对整个框架的性能都至关重要。
5.1. 案例研究定义和共同参数
为了确保清晰性,本节总结了所有案例研究。每个案例研究都基于IEEE 30节点系统,该系统包含六个热电厂,并通过传输损失建模和可再生能源集成引入了变化。所有模拟都在MATLAB R2021A中实现,并在配备Intel Core i7处理器和16GB RAM的HP Pavilion笔记本电脑上执行。除非另有说明,所有案例研究都使用了100 MVA的基准值。MOGWO的参数包括:200只灰狼、网格膨胀参数0.1、领导者选择压力2、存储库成员选择压力4、存储库大小200以及最多500次迭代。为了将MOGWO的结果与文献中报告的结果进行比较,使用了(10)中的改进百分比(IP)公式,该公式来自[53]。表6总结了本研究中考虑的四个案例研究。该表概述了可再生能源配置、传输损失处理、负载特征以及每个案例研究的目的。
(10) IP = (result_of_MOGWO_method - result_of_compared_method) × 100
表6. 未集成可再生能源资源的IEEE 30节点系统的结果
| 算法 | P1(p.u.) | P2(p.u.) | P3(p.u.) | P4(p.u.) | P5(p.u.) | P6(p.u.) | 燃料成本($) | 排放(吨) |
|---------------|---------|---------|---------|---------|---------|---------|-----------|
| SMODE [28] | 0.26 | 0.36 | 84 | 0.54 | 17 | 0.70 | 40.53 |
| NSGA II [28] | 0.22 | 96 | 0.38 | 50.50 | 33 | 0.67 | 92 |
| MOGWO | 0.25 | 34 | 0.37 | 53 | 92 | 52 | 44 |
| Best Cost Solution | SMODE [28] | 0.10 | 77 | 0.29 | 90.52 | 69 | 1.01 |
| NSGA II [28] | 0.10 | 97 | 0.29 | 79 | 0.53 | 83 | 1.01 |
| LP [61] | 0.15 | 0.00 | 0.30 | 0.55 | 0.00 | 0.46 |
| MOSST [62] | 0.11 | 25 | 0.30 | 0.53 | 11 | 0.36 | 25 |
| NSGA [63] | 0.15 | 67 | 0.28 | 70.46 | 11 | 0.50 | 37 |
| NPGA [64] | 0.10 | 80 | 0.32 | 84 | 0.53 | 86 | 0.49 |
| SPEA [65] | 0.10 | 62 | 0.28 | 97 | 1.00 | 25 | 0.54 |
| FCPSO [2] | 0.10 | 70 | 0.28 | 97 | 0.52 | 0.53 | 0.36 |
| MOGWO | 0.11 | 80 | 0.30 | 63 | 0.52 | 46 | 0.99 |
| Best Emission Solution | SMODE [28] | 0.40 | 0.45 | 31 | 0.54 | 30.40 | 19 |
| NSGA II [28] | 0.40 | 85 | 0.46 | 0.53 | 89 | 0.38 | 63 |
| LP [61] | 0.40 | 0.00 | 0.45 | 0.55 | 0.00 | 0.50 |
| MOSST [62] | 0.40 | 95 | 0.46 | 26 | 0.54 | 27 | 0.51 |
| NSGA [63] | 0.43 | 94 | 0.45 | 11 | 0.51 | 0.55 | 30 |
| NPGA [64] | 0.40 | 0.40 | 20 | 47 | 0.53 | 86 | 0.57 |
| SPEA [65] | 0.10 | 62 | 0.28 | 97 | 1.00 | 25 |
5.1. 案例研究定义和共同参数
为了确保清晰性,本节总结了所有案例研究。每个案例研究都基于IEEE 30节点系统,该系统包含六个热电厂,并通过传输损失建模和可再生能源集成引入了变化。所有模拟都在MATLAB R2021A中实现,并在配备Intel Core i7处理器和16GB RAM的HP Pavilion笔记本电脑上执行。除非另有说明,所有案例研究都使用了100 MVA的基准值。MOGWO的参数为:200只灰狼、网格膨胀参数0.1、领导者选择压力2、存储库成员选择压力4、存储库大小200以及最多500次迭代。为了将MOGWO的结果与文献中的结果进行比较,使用了(10)中的改进百分比(IP)公式,该公式来自[53]。表6提供了本研究中考虑的四个案例研究的总结。以下是翻译后的文本:
对于IEEE 30节点系统,在调度期的每个小时获得的结果:
t(h) P1(p.u.) P2(p.u.) P3(p.u.) P4(p.u.) P5(p.u.) P6(p.u.) ∑i=16Pi Pd,t(p.u.) Pl,t(p.u.) 排放量(吨) 燃料成本($)
10.32 79 0.43 44 0.62 65 0.76 38 0.63 58 0.49 32 3.28 17 3.25 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20 16 57 12.92 20.37 0.47 99 0.80 95 0.92 52 0.77 85 0.58 54 3.94 88 3.90 0.04 88 0.21 40 18 69.64 30.34 0.45 91 0.69 86 0.80 98 0.70 67 0.52 13 35 50.05 0.03 17 0.20在使用这些工具后,作者们仔细审查并编辑了文本,并对出版物的最终内容负全责。本手稿中的图形摘要是在Google Gemini的帮助下进行视觉设计和布局的。作者们对图形摘要进行了审查、完善和验证,以确保其准确性与研究科学贡献的一致性。
未引用的参考文献[60]。
CRediT作者贡献声明:
Arunachalam Sundaram:撰写——审稿与编辑;撰写——原始草稿;可视化;验证;软件;方法论;调查;形式分析;数据管理;概念化。
资金支持:
本研究未获得任何外部资助。