面向光伏消納的“大機小網”系統兩階段優化調度

莫若慧，余加喜，賈 浩，范亞洲，余 洋

（1.海南電網電力調度控制中心，海南 海口 570203；2.華北電力大學 河北省分布式儲能與微網重點實驗室，河 北 保 定 071003）

0 引言

海南電網負荷用電規模較小，其發電機組數目有限，且機組單機容量較大，屬于典型的“大機小網”結構。根據規劃，未來海南電網光伏出力將達到15%以上[1]，由于光伏出力的隨機性和波動性，“大機小網”結構下的海南電網將面臨更加嚴重的功率不平衡問題[2]。

為應對光伏接入后“大機小網”的功率不平衡問題，海南電網陸續投入數座海蓄機組，形成了火電、光伏和海蓄機組的聯合運行系統。針對類似聯合運行系統的調度方法，文獻[3]提出一種火電-風電-海蓄聯合調度方案，利用抽水蓄能作為風電的優先備用，以平衡風電預測不確定性誤差。文獻[4]將可中斷負荷與可轉移負荷作為可調度出力，進行了火電-光伏-海蓄-需求響應聯合安全經濟調度研究，結果表明需求側負荷可提高系統運行經濟性。文獻[5]，[6]采用多級調度方案，以棄風最小為目標建立模型，分析了日前優化調度與滾動優化模型間的關系。多級調度是在多個時間尺度下完成調度方案的協調優化，可統一考慮日前、日內甚至更小時間尺度下的調度優化組合[7]。針對多級優化調度問題，文獻[8]，[9]進一步利用模 型 預 測 控 制（Model Predictive Control，MPC）進行滾動優化，將火電與風電的有功出力作為狀態量，建立了火-風機組的多級滾動優化調度模型，該方法相比單時段優化更具優越性。文獻[10]基于 隨 機SMPC（Stochastic MPC，SMPC）提 出 了 考 慮負荷響應的電網聯合調度方法，在風電不確定性較大時，需求響應能為系統運行帶來更大的靈活性，降低系統運行成本。

多級調度可根據更高頻率的光伏功率預測結果來實現更準確的優化調度[11]，不過當前多級調度研究大多針對間歇式電源接入的互聯大電網，鮮見討論“大機小網”下火電-光伏-海蓄-需求響應多系統聯合運行的優化調度問題。為此，本文在考慮需求響應和海蓄機組運行特點的基礎上，提出了規模化光伏接入“大機小網”的兩階段優化調度方法，該方法通過在日前調度中引入光伏未消納量損失成本，提高了光伏消納量；考慮負荷需求響應，建立考慮分時電價的時序負荷模型與需求響應成本模型，實現“削峰填谷”和多目標經濟運行；同時，由于光伏出力預測存在誤差，將SMPC作為日內滾動優化的基本框架，引入海蓄機組來平衡預測誤差，實現電力系統優化調度的經濟性。經過海南電網實際算例驗證表明，本文提出的調度方法是有效的。

1 研究框架

1.1 需求響應模型

本文主要考慮分時電價響應機制：當負荷水平較高而光照不足時，將制定相對較高的電價，以引導用戶避開該用電時段，有效降低負荷尖峰；反之，通過制定有吸引力的電價，鼓勵用戶將其它時段的用電需求轉移至該時段，有效提高光伏消納量。通過分時電價需求側響應機制，“大機小網”系統可靠性低的問題將得到一定程度地改善。本文引入分時電價需求響應模型[12]：

式中：ΔPL，t為引入需求響應后的負荷變化量；為系統需求響應前的負荷值；-ξ為分時電價需求響應系數；qt為t時段的電價；Dmax，Dmin分別為用電量最大值和最小值。

在分時電價需求響應機制中，電價峰谷差會影響用戶響應程度，進而影響對負荷曲線“削峰填谷”的效果。若電價峰谷差較小，則響應程度過低，難以有效平滑負荷曲線；若電價峰谷差較大，則響應過度，甚至可能出現“峰谷倒置”現象[13]，特別是“大機小網”系統，故對其進行約束：

1.2 兩階段優化調度框架

本文整體流程和兩階段優化調度框架如圖1所示。

圖1 本文流程與兩階段優化調度框架Fig.1 Research flow and two-stage optimal scheduling framework

在日前優化調度階段，以1 h為調度間隔，采用多種目標加權成本方案，綜合考慮了火電運行成本、光伏未消納量和負荷需求響應補償成本。其中：火電運行成本考慮了火電機組的運行費用和啟停費用；光伏未消納量利用光伏日前單點預測值來考慮；負荷需求側響應補償成本通過分時電價需求響應模型來描述，同時加入了其它相關約束條件。由此，形成了將火電運行成本、光伏未消納量和需求響應成本加權，以規劃周期（24 h）綜合指標最優為目標函數的日前調度方案。在日內滾動優化調度階段，以15 min為間隔、4 h為周期進行滾動優化調度。日內調度以4 h內海蓄機組跟蹤日前最優調度結果為目標，在約束中加入海蓄機組啟停速率約束，利用SMPC作為實現手段，具體過程：①預測場景集確定，先由預測模型得到優化周期內光伏出力的預測值，再對預測誤差的概率密度函數進行抽樣得到場景集；②滾動優化，以Δt為周期進行滾動優化，即每Δt進行一次新的優化修正日前計劃值，在每次優化中考慮了預測時域內更新后的光伏預測值；③反饋校正，在約束條件下求取整個控制時域內的控制變量值，并下發控制時域內第一個Δt內的控制變量，以求得修正后的調度值，然后在下個周期重復該過程，并對各機組出力值進行實時采樣，利用采樣實際值進行反饋校正，不斷滾動循環。

2 光伏不確定性分析

本文基于光伏預測功率數據，借助場景分析法完成光伏場景的模擬。設t時刻光伏電站實際出力為PPV，它由光伏預測功率和預測誤差兩部分構成，其表達式為

研究表明，光伏出力的相對預測誤差隨預測時間長度的增加而變大，本文中假設光伏出力預測誤差線性增長[14]，即在預測時段內，光伏出力相對預測誤差 ξ（t）從第1個時段的20%逐漸增加到最后一個時段的80%。則光伏出力隨機模型為

式（5）為光伏實際出力滿足以其預測值upv（t）為期望、σpvt為標準差的正態分布。所有正態分布均滿足3σ原則。根據式（5）可得到標準差正態分布、相對預測誤差和期望值之間的關系。

采用Monte Carlo方法生成若干組光伏預測的隨機場景，每種場景都包含未來T時段內的光伏預測值，由此構成初始場景集。由于初始場景集合較大，采用文獻[15]場集削減策略對初始場景進行削減，以保證削減后的光伏場景與初始場景的相似度在要求范圍內。

3 考慮需求響應的日前優化調度模型

3.1 目標函數

本文構建的日前模型中，期望電網通過合理的調度方案盡量消納光伏，同時還考慮到系統引入需求響應機制后產生的系統成本和相關收益。本文日前調度選取了火電運行成本、光伏未消納量和負荷需求響應成本3個調度指標，通過賦予這3個指標合理權重，將它們加權求和得到總目標，從而制定日前火電機組和光伏的發電計劃安排。其目標函數分別為

式中：f1為火電機組發電煤耗量；T為優化周期；N1為 火 電 機 組 數；αi，βi和 ηi為 機 組 燃 料 成 本 系 數；PGi，t為機組的發電量；CGi,t為機組的啟停成本；ui，t為機組在t時刻的啟停狀態，0代表停機狀態，1代表啟動狀態；f2為光伏發電未消納量；N2為光伏電站數；Pfpvj，t為光伏電站在t時的日前發電預測值；f3為系統負荷響應成本；Ppvj，t為光伏在t時的實際發電值；a，b為需求與電價的線性系數；ΔPL，t為系統在引入需求響應后負荷的變化量；P0L，t為系統需求響應前的負荷值；λ1，λ2和λ3為對應的權重系數，本文權重系數的選取以λ1為基準，即λ1=1，λ2取國家標準煤耗量0.320 t/（MW·h），為將系統負荷響應成本折算為等價煤耗量，假定λ3為煤炭價格的倒數，取為0.002 t/元。

3.2 約束條件

①功率平衡約束、火電機組特性約束請見參考 文 獻[16]。

②旋轉備用約束式中：PL，t為t時刻系統引入需求響應后的總負荷；P，P分別為機組有功出力的上下限；PGupi，PGdowni分別為機組的上、下爬坡速率；L+，L-，P+，P-分別為負荷和光伏出力的正、負旋轉備用系數。

③需求響應約束

需求響應通過改變用戶用電時段，達到“削峰填谷”的目的，在調度模型中可視為虛擬發電機組。與常規發電機組類似，某時刻負荷的最大可削減量約束和爬坡約束分別為

整個調度周期的負荷削減量上限約束為

4 基于SMPC的日內滾動優化

MPC的核心是滾動進行有限時域的在線優化，通過某一性能指標最優，確定未來的控制變量。本文在傳統MPC的基礎上，考慮預測誤差，采用SMPC提高系統應對光伏不確定性的能力[10]。通過SMPC將預測誤差的概率密度函數進行多場景的選取，即基于光伏預測的概率函數進行抽樣，得到能夠體現預測誤差分布特性的樣本集，并通過前文所述方法進行場景削減，最終得到光伏出力的樣本序列。

4.1 目標函數

對于日內滾動優化問題，選取火電機組出力、光伏消納量、海蓄機組出力構成的向量x（k）=[PG（k），Ppv（k），Plg（k）]T為 狀 態 變 量，以 火 電 機 組 和 海蓄 機 組 出 力 增 量 構 成 的 向 量u（k）=[ΔPG（k），0，ΔPlg（k）]T為控制變 量，以光伏超 短期預 測功 率 增量 構 成 的 向 量r（k）=[0，0，ΔPpv（k）]T為 擾 動 輸 入，則狀態空間模型為

在模型表達式中，默認海蓄機組運行在發電狀態時Plg為正值，抽水狀態時Plg為負值。基于光伏超短期預測數據，對式（15）反復迭代向前預測p步，便可得到預測輸出向量Yf為

跟蹤控制目標向量Pf由日前調度中火電機組出力與光伏預測誤差構成，具體表達式為

晉東南旱地春玉米土壤封閉除草劑減量施用效果………………………… 常海霞，杜艷偉，牛 卓，宋艷芳，李嬌嬌，王建梅（90）

由于滾動優化中時間尺度較小而不改變機組的啟停狀態，故以火電機組、海蓄機組的預測出力與日前調度計劃值之間的誤差最小為目標，目標函數為

式 中：J為 目 標 函 數 的 取 值；W=diag[WGk+1，Wpvk+1，…，WGk+p，Wpvk+p]為 跟 蹤 誤 差 權 重 系 數 矩 陣；Q為控制量的權重系數矩陣。

4.2 約束條件

在滾動優化中，海蓄機組能夠快速啟停，且不需要消耗額外費用，故用其來平衡日前預測誤差，在日內優化模型加入海蓄機組相關的約束。

（1）系統功率平衡方程

式 中：N3為 海 蓄 機 組 臺 數；Plg，t為 第l臺 海 蓄 機 組在t時刻的發電功率；Plp，t為海蓄機組在t時刻的抽水功率。

（2）機組出力上下限約束

日前調度里，只有火電和光伏參與運行，但是在日內調度中，對于“大機小網”系統，必須保證在光伏極限出力的情況下火電與海蓄機組仍具有足夠的調節能力，故需要對二者出力進行相應約束，它們的上、下限約束分別為

海蓄機組啟停速率約束、發電-抽水功率約束、發電功率-水流量平衡及運行工況約束見文獻[16]，[17]。

5 算例分析

選取海南某區域電網進行實際算例分析，包括火電機組1臺，出力上限為220 MW，下限為120 MW，爬坡速率為10 MW/min，煤耗系數為0.000 4，0.320 0，3.000 0；光 伏 電 站1個，出 力 上 限為50 MW；海蓄機組1臺，最大發電功率為60 MW，抽水功率上限為50 MW。

5.1 光伏數據

根據前文的光伏預測場景模擬與削減方法生成光伏預測數據。預測時段為7：00-18：00，以15 min為間隔，借助Matlab軟件得到10種典型場景，如圖2所示。

圖2 典型光伏出力場景Fig.2 Typical scenarios of photovolataic output

本文分別選取發生概率最大的場景2和光伏波動性最大的場景9，作為光伏日前預測結果和超短期預測結果。日前光伏預測數據以1 h為間隔，故將場景2中每小時內的預測數據平均值作為間隔1 h的光伏預測值，光伏出力預測結果如圖3所示。

圖3 光伏出力預測曲線Fig.3 Photovoltaic output forecast curves

5.2 日前優化調度

針對日前優化調度，設置了3種調度方案來分析不同運行方案對優化結果的影響，如表1所示。方案一：僅考慮火電運行成本與啟停速率約束；方案二：考慮火電運行與啟停速率和光伏未消納量；方案三：在方案二的基礎上進一步引入需求響應。

表1 3種方案下運行優化結果Table 1 The optimized results of operating cost among different schemes

由表1可知，相較于方案一，方案二和方案三的等價煤耗量分別降低了1.45%和3.16%。

分析光伏未消納量對日前調度優化結果的影響，如圖4所示。

圖4 3種方案下日前優化調度結果比較Fig.4 Comparative of day-ahead optimization scheduling results for three schemes

由 圖4可 以 看 出：在9：00-17：00，方 案一中的光伏出力未被完全消納；而在方案二和方案三中，由于目標函數引入了光伏未消納量的損失成本，光伏消納量明顯增加，且未出現棄光現象，計算可知光伏消納量提高了10.4%。

圖5進一步給出了引入分時電價需求響應模型對典型日負荷曲線的影響結果。

圖5 引入需求側響應前后的日負荷曲線Fig.5 Daily load curves before and after demand response

可見，通過分時電價確實可以引導用戶側的負荷需求，實現了部分負荷從負荷高峰向負荷低谷的轉移，從而在一定程度上平滑用電負荷曲線。以上結果說明，本文提出的日前調度方案可提高光伏消納量，并實現系統運行成本的最優。

5.3 日內優化調度

為考察本文日內優化調度方法的優越性，選取圖2中日內光伏發電波動劇烈的典型場景，圖6為日前與日內優化調度結果的對比。

圖6 日前、日內兩階段優化調度結果展示Fig.6 Results of two-stage optimal dispatch

由圖6可知，SMPC下海蓄機組通過快速地抽水蓄能與發電，有效平衡了光伏預測誤差帶來的波動，說明SMPC能夠解決光伏隨機波動帶來的“大機小網”功率不平衡問題，并且即使在光伏出力波動劇烈時仍能保證良好的跟蹤效果。

6 結論

為解決大規模光伏接入“大機小網”系統的功率不平衡問題，本文提出了日前與日內調度相結合的兩階段火電-光伏-海蓄-需求響應的聯合系統運行優化調度方法。該方法在日前調度階段通過考慮光伏未消納量損失成本，有效改善了棄光現象，通過引入需求側響應機制使負荷曲線更加平滑，提高了“大機小網”系統運行經濟性。在日內調度階段采取了隨機模型預測控制框架，并考慮了光伏預測的多場景預測誤差，通過引入海蓄機組的靈活調節能力，保證了光伏波動劇烈時良好的跟蹤效果。