一種需求響應參與下風電儲能系統調度方法的研究*

何 平 遲福建 趙志斌 劉 聰 李桂鑫 王 哲

（1.國網天津市電力公司 天津 300184）（2.華北電力大學 北京 102206）

1 引言

大規模風力發電的集成需要得到發電側和用戶側的協作支持。在發電側，風力資源的不確定性導致應選擇高質量的電力儲能系統以配合系統的發電調度［1～2］。在用戶側，通過合理的需求響應以引導用電客戶盡量錯峰用電，優化負載結構［3］。風電儲存系統的研究與需求響應參與下的優化調度相結合，有利于提高風電的消納能力。對于風電儲能系統問題的研究，結合需求響應下的優化調度，目前多數的學者主要聚焦于風電不確定性預測、綜合調度模型的建立和模型求解算法的優化［4～7］。綜上所述，本文以系統最低發電成本為主要目標建立綜合優化調度模型并對改模型進行了求解。首先，將當前風電預測結果和超短期風電預測結果作為變化變量及其效果，建立了日前和實時兩階段風電儲能系統優化調度模型，并采用優化的粒子群算法進行模型求解。最后基于多種應用場景分析了所提調度策略對電網系統吸收風電能力降低發電成本的改善效果。

2 兩階段調度優化模型

2.1 日前調度模型

以火力機組最小燃煤成本為主要目標，依據前一天的風力預測值對整個系統的火力機組和風能機組進行綜合優化調度［8］。調度目標函數為

在式（1）中，E是當前系統的調度模型的預期成本，I是火力發電機的組數。H是風電場的數量。ph是風電場h的輸出功率。Ci,t是火力機組的燃煤成本。是風力機組的啟動和停止的成本；是儲能系統的并網成本。是實施用電需求響應的系統成本。

在式（2）和式（3）中，αi、βi、γi是發電機組i的燃料成本系數；git是火力機組i的發電量；uit是火力發動機組的啟動和停止狀態；Nit是發電機組啟動和停止的成本。

在式（4）中，a和b是線性函數的系數；ΔLt為實施需求響應后用電縮減量；是實施需求響應前的用電量。

儲能系統充放過程中其大功率變流元件必然會損耗一定功率。對t時刻儲能系統的功率損耗量的計算公式為

在式（5）中，Ns是能量存儲系統的數量；Bs,t是t時儲能系統的并網成本；和是儲能系統的電能轉換的功率。

上述數學模型在實際調度中需要滿足以下的約束條件。

1）負載平衡的約束。

式（6）中，W是風力機組的總數；ψi是發電機組I的使用率；和是儲能系統充電和放電過程中的功率損耗率；ψi是在并網風力場w的。

2）儲能系統的最大功率約束。儲能系統的主要約束條件包括電能存儲最大功率值的約束，充電放電周期的時間約束以及電池的能量存儲容量的約束等［9～10］。

3）風電機組輸出的約束。風電電機組對調度的參與主要受輸出約束、爬升約束和啟動和停止時間約束的影響［11～13］。

4）需求響應的實施約束。需求響應的實施是通過改變用戶的用電方式改變負載結構［14］。需求需求下的負載減少幅值應該依據用電客戶的不同具有相應的上下限值。同時需求響應的實施可能會導致負載曲線波動幅度的增加。

在式（7）中，vt是值為0～1的變量，當vt=1時表示低壓負載減少；當vt＜1時表示低壓負載沒有減少。表示在t時刻低壓負載減少的最大量。

在式（8）和式（9）中，LU和LD分別是需求響應下用電量減少幅值的上下限值。主動配電網下需求響應的實施需要與發電機組協作滿足其啟動和停止時間的約束，否則可能會導致負載曲線劇烈波動。

2.2 實時調度模型

在實時調度期間，根據風電的前一小時預測結果用以下步驟校正儲能系統的運行模式并對前一天調度結果進行校正需要以下兩個步驟。首先系統凈負荷的目標是最小的；在前一小時的風力機組最大出力與火力機組最小燃煤成本的目標組合的基礎上，糾正風力機組的出力，形成提前一小時的實時調度模型。

1）調整前一階段計算得出的儲能系統輸出功率。調整儲能系統的輸出的主要目標是火力機組的最小燃煤成本。目標函數為

2）風電電機組輸出校正模型。

校正已經啟動的消防電機組的運行輸出的模型以燃煤機組的最小的發電量為目標，具體的計算模型如下：

校正后，風電電機組的輸出需要滿足以下約束條件：

3 基于混沌粒子群優化算法的模型求解

應用粒子群優化算法求解風電和儲能兩個階段的調度優化模型，首先是對系統的參數值進行二進制編碼，然后利用應用粒子群優化算法按照以下流程對模型進行求解［15］。

1）為便于將二進制粒子群優化算法應用于模型求解，第一步是更新粒子的位置和速度。

2）計算步驟1）所更新的粒子與最優粒子群之間的距離。設ki為位于i位置處的任何粒子，kr作為最優粒子的當前位置，兩個粒子之間的距離為

如果di小于10-3閾值，則在粒子群中按照既定的規則進行混沌搜索，并用搜索得出的新粒子取代ki粒子，形成新的粒子群。

3）判斷搜索完成后粒子群是否滿足各種約束條件，如果滿足條件則保持不變，如果不滿足條件則取限值。

4）計算完成搜索后的粒子群的參數值：全局最優Fbest、全局最優位置K和最佳粒子位置。轉至步驟5）。

5）判斷當前迭代次數是否達到最大值，如果達到最大值，則輸出結果，否則迭代次數應設置為，并轉到步驟1）。

算法流程如圖1所示。

圖1 粒子群優化算法流程

4 應用場景分析

4.1 應用場景

為系統設置四種應用場景，分析儲能系統和需求響應對系統吸收風能的能力的影響。

應用場景1：該場景中沒有將風電儲能系統和需求響應引入電網調度程序中。

應用場景2：該場景中引入儲能系統進行電網調度。所引入的儲能系統容量為200MW，充放電最大功率為80MW，系統額定損耗為0.04MW。

應用場景3：該場景中引入需求響應的實施。需求響應中用電量最大減少幅值設置為不超過原用電量的1/4，負載曲線上峰值和谷值之差不超過100MW。

應用場景4：該場景可以同時引入需求響應和風電儲能系統。所引入風電儲能系統和實施的需求響應的參數與場景2和場景3相同。

4.2 應用結果對比

四個場景下火力機組煤耗成本分別為1.1983kt、1.1901kt、1.0052kt和9.8326kt。四個場景中火力機組啟停耗煤成本分別為145.8t、128t、122t和95.4t。對上述四個應用場景下系統發電成本進行分析可以發現，綜合發電儲能系統和需求響應的兩階段調度策略有效地降低了負載水平和火力機組的煤耗費用，具有顯著的經濟效益。

圖2是四個場景中的系統負載需求曲線。對場景1和場景2下應用數據進行分析可以發現，儲能系統的引入可以將峰值負載需求轉移到低谷負載期，從而改變負載結構，沒有減少總用電量。對場景3進行分析可知，需求響應的實施可以減少峰值負載時期的總體用電量，但不會將峰值期的負載轉移至低谷期。

圖2 四種場景下的負荷需求曲線

在單獨風電并網的輸出以及能量存儲系統和需求響應都被引入時（場景4），系統吸收風能的能力最強，風能的損失率從場景1中的12%降至場景4中5.06%。與場景2和場景3相比，可以發現優化效果與風電機組的輸出結構相同，即單一引入需求響應的場景中風電并網輸出（場景3））將比單一引入能量存儲系統（場景2）的場景更好。圖3是四個場景中風電并網的出力狀態。

圖3 四種場景下的并網風電出力比較

場景4與場景2相比，儲能系統并網出力增大，導致火力機組的煤耗成本得到下降，這說明對風電儲能系統的科學調度推動了系統綜合發電經濟成本的下降。場景4和場景3相比，可以看出實施需求響應可以使得負載曲線的波動更加平緩，為電網調度提供了更好的條件。表1是四個場景下儲能系統的運行結果。

表1 四個場景下系統運行優化結果

綜上所述，在需求響應下，引入儲能系統對風電儲能兩級調度優化，可有效降低系統發電能耗水平，環境效益和經濟效益顯著。

5 結語

風電出力與負荷需求時間的反向分布是導致風電出力大量中斷的主要原因。為了加強風電大規模并網，需要引入需求響應和儲能系統并優化需求側的負荷分配。本文將兩階段優化模型的調度與混沌二元粒子群優化算法相結合，建立了風電儲能系統，應用結果表明，兩階段風電儲能調度優化模型，通過對日前調度方法的修正，可以優化風電機組的出力結構，降低系統發電成本，提高系統消納風電的能力。在需求響應和風電儲能系統的協作下，所提調度模型可以優化負荷結構，降低火力機組的出力，從而提高系統的發電經濟性。