虛擬電廠下計及分布式風電與儲能系統的電力系統優化調度

王天旺,高赟,姜孟,杜濤

(1.西安科技大學電氣與控制工程學院,西安市 710054； 2. 云南電網有限責任公司西雙版納供電局,云南省西雙版納市 666100; 3. 國網青島供電公司,山東省青島市, 266002)

虛擬電廠下計及分布式風電與儲能系統的電力系統優化調度

王天旺1,高赟1,姜孟2,杜濤3

(1.西安科技大學電氣與控制工程學院,西安市 710054； 2. 云南電網有限責任公司西雙版納供電局,云南省西雙版納市 666100; 3. 國網青島供電公司,山東省青島市, 266002)

清潔的可再生能源在電力系統中的滲透率不斷提升。隨著智能電網技術的發展，越來越多的分布式可再生能源接入電力系統運行。風電是最具商業潛力及發展前景的可再生能源之一。該文提出將分布式風電機組與儲能設備構成虛擬電廠(virtual power plant,VPP)參與電力系統運行，并建立了計及虛擬電廠的電力系統優化調度模型。模型中同時考慮了功率及備用容量的優化調度，并利用條件風險價值(conditional value at risk，CVaR)對系統運行成本進行風險管理。無須對電網的結構進行改變，虛擬電廠更適用于地理聚集程度較低的可再生分布式能源的調度和管理。同時，相較于常規的風電-儲能聯合運行模式，基于虛擬電廠的分布式可再生能源調度在降低系統風險的同時也提高了系統運行的經濟性。

虛擬電廠(VPP)；分布式電源；風電；儲能設備；優化調度

0 引 言

近年來，隨著化石能源儲量的減少及環境保護意識的提高，可再生能源在電力系統中的滲透率不斷提高。其中，風電作為技術最為成熟且最具有商業價值的可再生能源，其在電力系統中的應用具有廣闊的發展前景[1]。作為可再生能源，風力發電受環境和氣候因素影響巨大，其出力具有很強的波動性和不確定性，對電力系統調度和運行帶來重要影響[2]。專家和學者對此進行了大量研究，主要包括風電并網后，電力系統的日前能量調度[3]以及調頻[4]、備用[5]等輔助服務決策。

相比大規模風電場，分布式風電在系統運行中具有更加靈活且靠近負荷中心的特點，是大電網的有益補充[6]。分布式風電在電力系統中的應用正不斷增加，但單個分布式電源容量較小，且往往位于配電網末端而難以對其進行有效調度。目前，對分布式風電的研究主要集中在電源的優化配置[7-8]及出力不確定性對系統安全和電能質量的影響[9]等方面。調度運行方面，文獻[10]對分布式電源接入電網后系統的有功調度進行了研究，而對分布式風電并網后功率與輔助服務的聯合優化調度研究較少。

為了減少風電出力波動性及不確定性對電力系統運行造成的影響，通常配置儲能設備與風電機組聯合運行[11-12]。相比常規的風電-儲能聯合運行，本文提出以分布式風電機組與儲能設備組成虛擬電廠，參與電力系統的優化調度。虛擬電廠(virtual power plant，VPP)可定義為通過通信技術來整合發電機組構成的虛擬企業[13]。借助分布式控制及通信技術將分布式發電機組、可控負荷和分布式儲能設施有機結合，VPP作為一個整體參與電力系統運行，而無須對原有電網結構進行改變[14]。VPP可對分布式電源的出力進行預測，并通過儲能設備平抑其出力波動，以提升分布式電源運行效益，降低電力系統運行成本[15-16]。文獻[17]對儲能設備與分布式風電構成虛擬電廠參與系統優化調度的運行方式進行了分析，并研究了虛擬電廠運行的經濟性，但并未計及風電出力的不確定性。文獻[18]對計及虛擬電廠參與的電力系統能量優化調度進行了分析，但并未將虛擬電廠的輔助服務考慮在內。

本文計及分布式風電出力及負荷預測的不確定性，建立由分布式風電與儲能設備構成的虛擬電廠參與的電力系統優化調度模型。在分析電力系統運行經濟性的同時，利用條件風險價值(conditional value at risk，CVaR)方法，衡量電力系統優化調度風險。通過與風電獨立并網運行、常規風電-儲能聯合運行模式進行對比，說明VPP在可再生分布式能源滲透背景下電力系統優化調度運行中的重要作用。

1 VPP內部調度模型

文獻[19]指出，對并網運行的分布式風電采用集中控制和管理具有一定的必要性。本文中分布式風電機組與儲能設備構成虛擬電廠，參與電力系統優化調度。在電力系統中，可按傳統發電廠對其進行處理。

1.1 風力發電機組及儲能設備模型

風力發電機組的出力主要受到風速和風電機組功率特性兩方面的影響。其中，風電機組的輸出功率特性如式(1)所示:

(1)

式中：Pw為風電機組輸出的有功功率；vw為風速；vci為風電機組的切入風速；vco為風電機組的切出風速；vr為風電機組的額定風速；Pr為風電機組的額定功率。

風速受到眾多地理、氣候等自然因素的影響。考慮風速的不確定性，建立風速概率模型。為了更好地描述風速波動的短期隨機性，用式(2)—(3)對風速進行建模:

vw,t=vwa,t+Δvw,t

(2)

vwa,t=vwf,t+Δvwf,t

(3)

式中：vw,t為t時刻的實際風速；vwa,t為平均預測風速；Δvw,t為平均預測風速誤差；vwf,t為預測風速；Δvwf,t為預測風速誤差。

儲能設備與分布式風力互補運行，可充分彌補風電出力的不確定性和波動性，保障VPP出力和運行的可靠性。儲能設備最重要的特征是電池荷電狀態(state of charge，SOC)，其計算如式(4)所示：

(4)

為了保障儲能設備的使用壽命，SOC及充、放電功率必須維持在一定范圍內。SOC和充、放電功率的約束條件為：

0

(5)

(6)

(7)

1.2 VPP模型

VPP在參與電力系統調度提供電能的同時，由于儲能設備的可控性，允許VPP同時提供一定的備用容量。虛擬電廠自身的調度目標是其運營效益最大化，如式(8)所示：

虛擬電廠的功率平衡約束及出力約束為：

(9)

(10)

為保障電力系統的安全穩定運行，對虛擬電廠提供的備用容量限制如下：

(11)

以上，本節在分布式風電機組及儲能設備模型的基礎上建立了以VPP運營效益最大化為目標的運行調度模型。

2 電力系統優化調度模型

2.1 電力系統優化調度模型

前已述及，電力系統可將VPP作為常規電廠進行統一調度和管理。同時考慮能量及輔助服務(本文僅考慮向上備用容量)，以系統運行成本最小為目標的電力系統綜合調度模型如式(12)所示：

min fsys=CΣ=CE+CB+CL

(12)

式中：fsys為電力系統綜合調度模型的目標函數；CΣ是系統調度運行總成本；CE為發電成本；CB為備用購買成本；CL為系統的停電損失。

發電成本CE、備用購買成本CB可表達為：

(13)

(14)

式中：ai、bi為常規發電機組i的發電成本系數；mi，ni為常規發電機組i的備用報價系數(假設系統以發電機組的備用報價向其購買備用容量)；Pi,t、Bi,t分別為常規發電機組i在t時刻的出力及提供的備用容量；N是系統中常規發電機組臺數。

系統的停電損失CL可計算如下：

(15)

(16)

由于停電損失被計入目標函數，因此不再對系統運行的可靠性進行約束，而通過系統調度運行的經濟性進行自動調節。因此，系統調度優化模型的約束條件僅包括常規機組的運行及備用約束。式(17)—(18)給出了系統調度優化模型的約束條件：

Pi,min≤Pi,t≤Pi,max

(17)

(18)

Bi,min≤Bi,t≤Bi,max

(19)

Bi,min=max(Pi,t-Pi,min,0)

(20)

(21)

2.2 風險管理模型

由于VPP的出力受到風電出力不確定性的影響，同時計及系統負荷的波動，電力系統的運行調度成本CΣ是一個隨機量。本文利用CVaR對運行調度成本進行衡量和管理，CVaR作為優于方差的風險計量指標，具有凸性，可以進行一致性風險測量。利用風險厭惡系數β將電力系統綜合調度模型改寫如下：

min fsys=CΣ+βφc

(22)

式中φc為置信水平c下的CVaR。

根據文獻[21]，CVaR可由風險價值(value at risk，VaR)計算得到。選定置信水平c，VaR和CVaR的計算如下：

Vc=V|{Pprob(CΣ≤V)=c}

(23)

φc=E[CΣ|CΣ>Vc]

(24)式中：V為VaR ；Vc為置信水平c下的VaR；Pprob(CΣ≤V) 表示系統運行調度成本CΣ不高于VaR的概率。

由式(24)可知，CVaR是系統運行調度成本CΣ高于其VaR時的條件均值。

以上，建立了考慮虛擬電廠參與的可再生分布式能源滲透背景下電力系統的優化調度模型，其結構如圖1所示。上述模型求解過程中，首先使用蒙特卡洛模擬生成風電及負荷場景，并使用粒子群算法(particle swarm optimization，PSO)進行求解。

圖1 考慮虛擬電廠參與的電力系統調度結構

3 算例分析

本文采用IEEE 30節點系統對上述計及VPP的電力系統調度模型進行驗證。系統中有6臺常規發電機組，相關參數見表1。平均預測風速及負荷曲線如圖2所示。

VPP的分布式風電機組單臺額定功率為 1.5 MW，接入臺數為50臺，滲透率為10 %。風電機組的切入、切出及額定風速分別是3，25， 15 m/s。風速預測相關參數δ2及H均為0.15。VPP配置與風險機組總容量相等的儲能設備。充、放電效率均為80 %；充、放電功率是儲能安裝總容量的20 %；儲能設備

圖2 預測平均風速及負荷曲線

SOC上、下限分別為0.9和0.2。系統向VPP支付的電價數據來自文獻[22]。條件風險價值CVaR的置信水平α取為0.95。

調整系統調度的風險厭惡系數k從0開始逐步增大，通過Pareto方法得到的系統運行成本與CVaR最優前沿集如圖3所示。

圖3 系統運行成本及CVaR

如圖3所示，調整風險厭惡系數β，系統運行成本及CVaR均具有較大的變化幅度。這說明考慮VPP的電力系統調度在系統運行成本和CVaR的調節上具有較大靈活性。隨著風險厭惡系數β的增加，系統運行成本升高，CVaR降低。曲線左側陡度較大，可見在系統運行成本較小時，隨著系統運行成本的提高，CVaR降低較快，反之亦成立。β=0.5時，系統中常規機組的出力及備用情況如圖4所示。

圖4 常規機組出力及提供的備用容量

分布式可再生能源接入電力系統時，除了單獨運行，常配置儲能設備以平抑其出力的波動性和不確定性，但分布式電源與儲能設備通常獨立運行。取β=0.2，以上兩種運營模式與VPP運營模式下電力系統的運行情況的對比結果見表2。

表2中對比了不同風電滲透率下分布式風電單獨運行、風電-儲能常規聯合運行、風電-儲能組成VPP運行3種模式下的系統調度成本及CVaR值?？梢姡蕴摂M電廠模式組織分布式風電與儲能設備聯合運行與分布式風電的兩種常規調度模式相比，可同時降低系統的運行成本及風險。隨著風電滲透率的提高，這種效果則更加明顯。

需要注意的是，雖然與儲能設備聯合運行或采用虛擬電廠模式均可一定程度上降低分布式風電接入成本及風險，為了保持系統的穩定性，風電在系統中的滲透率不可一味提高。

分布式風電在接入電力系統運行時，一方面提升了系統的總裝機容量，可替代部分常規機組發電，降低系統運行成本；另一方面由于其出力的波動性及不確定性，要求提高系統的備用容量從而造成系統運行成本增加。對比圖5所示不同風電滲透率下考慮虛擬電廠參與的電力系統運行成本及風險可知，風電滲透率提高時，保持風險水平不變，則需提升系統運行成本；而保持系統運行成本不變，則系統運行的風險會上升。

圖5 不同分布式風電滲透率下的系統運行成本及CVaR

4 結 論

通過將分布式風電與儲能系統組成虛擬電廠，本文建立了計及系統運行中的機組、備用容量以及系統調度的經濟性和風險的電力系統調度模型。

與分布式風電獨立并網和分布式風電-儲能設備常規聯合并網相比，VPP下分布式風電與儲能設備聯合運行可同時降低系統的運行成本及風險，并且隨著風電滲透率的提高，運行成本及風險的降低更加明顯。

[1]賈宏杰, 穆云飛, 余曉丹.對我國綜合能源系統發展的思考[J]. 電力建設, 2015, 36(1)：16-25. JIA Hongjie, MU Yunfei, YU Xiaodan. Thought about the integrated energy system in China[J]. Electric Power Construction, 2015, 36(1)：16-25.

[2]薛禹勝, 雷興, 薛峰,等. 關于風電不確定性對電力系統影響的評述[J]. 中國電機工程學報, 2014，34(29):5029-5040. XUE Yusheng, LEI Xing, XUE Feng, et al. A review on impacts of wind power uncertainties on power systems [J]. Proceeding of the CSEE, 2014,34(29):5029-5040.

[3]王蓓蓓, 劉小聰, 李揚. 面向大容量風電接入考慮用戶側互動的系統日前調度和運行模擬研究[J]. 中國電機工程學報, 2013, 33(22): 35-44. WANG Beibei, LIU Xiaocong, LI Yang. Day-ahead generation scheduling and operation simulation considering demand response in large-capacity wind power integrated systems [J]. Proceeding of the CSEE, 2013, 33(22): 35-44.

[4]劉巨, 姚偉, 文勁宇, 等. 大規模風電參與系統頻率調整的技術展望[J]. 電網技術, 2014,38(3): 638-646. LIU Ju, YAO Wei, WEN Jinyu, et al. Prospect of technology for large-scale wind farm participating into power grid frequency regulation [J]. Power System Technology, 2014, 38(3): 638-646.

[5]薛志英, 周明, 李庚銀. 大規模風電接入電力系統備用決策評述[J]. 電力系統保護與控制, 2013，41(4):148-155. XUE Zhiying, ZHOU Ming, LI Gengyin. Survey on reserve decision of power systems with large scale wind power integration [J]. Power System Protection and Control, 2013，41(4):148-155.

[6]匡洪海. 分布式風電并網系統的暫態穩定及電能質量改善研究[D]. 長沙：湖南大學, 2013. KUANG Honghai. Improvement research on transient stability and power quality of distributed wind power integrated system [D]. Changsha：Hunan University, 2013.

[7]李靜, 韋巍, 辛煥海,等. 基于概率潮流的風電分布式電源優化配置[J]. 電力系統自動化, 2014, 38(14):70-76. LI Jing, WEI Wei, XIN Huanhai, et al. Optimal allocation of wind power distributed generator based on probabilistic power flow [J]. Automation of Electric Power Systems, 2014, 38(14):70-76.

[8]符楊,蔣一鎏,李振坤. 基于混合量子遺傳算法的微電網電源優化配置[J]. 電力系統保護與控制,2013,41(24):50-57. FU Yang, JIANG Yiliu, Li Zhenkun. Optimal allocation of distributed generation for microgrid based on hybrid quantum genetic algorithm[J]. Power System Protection and Control, 2012, 41 (24): 50-57.

[9]鄧佳佳. 考慮分布式能源的電力系統優化運營模型研究[D].北京：華北電力大學, 2012. DENG Jiajia. Research on optimization models in power system operation based on distributed energy [D]. Beijing：North China Electric Power University, 2012.

[10]吳雄, 王秀麗, 李駿,等. 風電儲能混合系統的聯合調度模型及求解[J]. 中國電機工程學報, 2013, 33(13):10-17. WU Xiong, WANG Xiuli, LI Jun. et al. A joint operation model and solution for hybrid wind energy storage systems [J]. Proceeding of the CSEE, 2013, 33(13):10-17.

[11]SOLOMON A A, KAMMEN D M, CALLAWAY D. The role of large-scale energy storage design and dispatch in the power grid: a study of very high grid penetration of variable renewable resources[J]. Applied Energy, 2014, 134(12):75-89.

[12]HRVOJE P, IGOR K, TOMISLAV C. Virtual power plant mid-term dispatch optimization[J]. Applied Energy, 2013, 1(1)：134-141.

[13]張小敏. 虛擬發電廠在大規模風電并網中的應用[J]. 電力建設, 2011, 32(9):11-13. ZHANG Xiaomin. Application of virtual power plant on large-scale wind power grid integration [J]. Electric Power Construction, 2011, 32(9):11-13.

[14]范松麗, 艾芊, 賀興. 基于機會約束規劃的虛擬電廠調度風險分析[J]. 中國電機工程學報, 2015, 35(16):4025-4034. FAN Songli，AI Qian，HE Xing. Risk analysis on dispatch of virtual power plant based on chance constrained programming [J]. Proceeding of the CSEE, 2015, 35(16):4025-4034.

[15]YUAN Y, WEI Z, SUN G, et al. A real-time optimal generation cost control method for virtual power plant [J]. Neurocomputing, 2014, 143(16):322-330.

[16]魏向向, 楊德昌, 葉斌. 能源互聯網中虛擬電廠的運行模式及啟示[J]. 電力建設, 2016, 37(4):1-9. WEI Xiangxiang, YANG Dechang, YE Bin. Operation mode of virtual power plant in energy internet and its enlightenment [J]. Electric Power Construction, 2016, 37(4):1-9.

[17]許佳佳. 基于虛擬發電廠的分布式電源調度管理模式的研究[D].北京：華北電力大學, 2013. XU Jiajia. Study on distributed generation dispatching management mode base on virtual power plant [D]. Beijing：North China Electric Power University, 2013.

[18]李軍軍, 吳政球, 譚勛瓊,等. 風力發電及其技術發展綜述[J]. 電力建設, 2011, 32(8):64-72. LI Junjun, WU Zhengqiu, TAN Xunqiong, et al. Review of wind power generation and relative technology development [J]. Electric Power Construction, 2011, 32(8):64-72.

[19]李東東, 陳陳. 風力發電系統動態仿真的風速模型[J]. 中國電機工程學報, 2005, 25(21): 41-44. LI Dongdong, CHEN Chen. Wind speed model for dynamic simulation of wind power generation system [J]. Proceeding of the CSEE, 2005, 25(21): 41-44.

[20]董文略, 王群, 楊莉. 含風光水的虛擬電廠與配電公司協調調度模型[J]. 電力系統自動化, 2015，39(9): 75-81. DONG Wenlue, WANG Qun, YANG Li. A coordinated dispatching model for a distribution utility and virtual power plants with wind/photovoltaic/hydro generators [J]. Automation of Electric Power Systems, 2015,39(9): 75-81.

[21]ROCKAFELLAR R T, URYASEV S. Conditional value-at-risk for general loss distributions[J]. Journal of Banking & Finance, 2002, 26(7): 1443-1471.

[22]李明煒. 考慮新能源及虛擬電廠的電力系統隨機優化調度[D]. 上海：上海交通大學, 2015. LI Mingwei. The stochastic optimization dispatch of power systems considering renewable energy and virtual power plant [D]. Shanghai：Shanghai Jiao Tong University, 2015.

(實習編輯 郭文瑞)

Power System Optimal Scheduling including Distributed Wind Power and Energy Storage System via Virtual Power Plant

WANG Tianwang1, GAO Yun1, JIANG Meng2,DU Tao3

(1.College of Electrical and Control Engineering, Xi’an University of Science and Technology, Xi’an 710054, China; 2. Xishuangbanna Power Supply Bureau of Yunnan Power Grid Co., Ltd., Xishuangbanna 666100, Yunnan Province,China; 3. State Grid Qingdao Power Supply Company, Qingdao 266002, Shandong Province,China)

Penetration of renewable energy has been increasing in the power system for its environmental benefits. With the prosperity of smart grid technologies, more integration of renewable distributed generation is expected. Wind power is one of the renewable energy resources which have the most potential in both commercial and technical fields. This paper proposes a virtual power plant composed of distributed wind turbines and energy storage system to participate in the operation of power system, and establishes the optimal scheduling model for the power system with the virtual power plant. The proposed model takes the optimal scheduling of power and reserve capacity into account at the same time, and adopts conditional value at risk (CVaR) for the risk management of the total system operation cost. Without the network modification, the virtual power plant is more applicable to the scheduling and management of distributed renewable energy resources that are dispersedly located. More economic benefits can be obtained through the distributed renewable energy scheduling based on the virtual power plant compared to the conventional co-operation of wind power and energy storage. Furthermore, the risk of system operation can be reduced at the same time.

virtual power plant(VPP); distributed generation; wind power; energy storage; optimal scheduling

國家自然科學基金項目(51337006)；陜西省教育廳專項科研計劃資助項目(2013JK0867)

TM 734

A

1000-7229(2016)11-0108-07

10.3969/j.issn.1000-7229.2016.11.016

2016-06-12

王天旺(1988)，男，碩士研究生，研究方向為電力市場理論、電力系統調度優化、電能質量分析與控制；

高赟(1957)，男，博士，教授，研究方向為電機與電器控制、電力市場理論等；

姜孟(1991)，男，助理工程師，研究方向為變電站運行操作和設備管理工作。

Project supported by the National Natural Science Foundation of China(51337006)