水風光混合能源短期互補協調調度策略研究

2021-12-14 10:34:14朱燕梅馬光文陳仕軍黃煒斌

水力發電 2021年9期

謝航，朱燕梅，馬光文，陳仕軍，2，黃煒斌

(1.四川大學水力學與山區河流開發保護國家重點實驗室，四川成都 610065；2.四川大學商學院，四川成都 610065)

0 引言

隨著不可再生能源的日益衰竭，水能、風能、太陽能等可再生能源成為各國關注的重點[1-2]。高比例可再生能源發電并網構成了多種能源發電的電力系統新體系[3]。但是風電、光伏等主要新能源發電受到風速、太陽輻射等氣象環境因素的影響，二者發電出力的不穩定性較強，大量接入電網會造成安全隱患。為提高風光電源電網消納的比例，降低新能源直接并網對電網帶來的風險，需要尋求能夠有效調節的補償措施。

國內外大量研究表明利用清潔能源之間互補特性形成的混合運行系統，能夠有效平抑風電與光伏發電產生的波動，研究主要集中在多種能源混合互補機理[4-5]、互補效果評價[6-7]、互補調度模型[8-11]以及多能混合發電系統運行策略。在多能混合系統運行策略方面，文獻[12]提出含水風光氣儲的日前聯合調度策略，以不同頻率下的風光出力為基礎，決定各類補償電站的調度計劃；文獻[13]提出含水風光火日前聯合調度策略，通過三層調度模型制定出力計劃，文獻[14]構建多時間尺度互補調度模型制定各類電站出力計劃。上述文獻對異質能源互補發電后水電運行調度計劃做了一定的探討，但分析不夠詳細深入。

綜上，本文提出了有關梯級水電的水風光短期互補協調調度策略，該策略充分利用水風光3種電源之間的互補特性，定義平穩性指標和源荷匹配指標為互補性評估指標，以協調控制出力波動和對負荷的追蹤度與平滑效果；同時，從源源互補和源荷匹配角度出發構建調度模型，采用改進花粉算法與逐步優化算法優化求解模型。源源互補調度時，梯級水電日內調度計劃重點關注總出力波動，以達到環保效益和經濟效益的最優；源荷匹配調度時，則更側重總出力對電網負荷變化的良好追蹤，進而控制剩余負荷波動，使得電網其他電源能夠承擔基荷任務。

1 互補特性分析

1.1 水風光混合能源互補特性分析

由于研究短期調度策略，故以水、風、光3種異質能源自身發電運行特點為基礎，對水風光之間的短期互補特性進行分析，互補特性包括自然互補特性和技術互補特性，具體關系如圖1所示。

圖1 水風光互補特性關系示意

作為自然資源，風力發電和光伏發電受限于晝夜、天氣條件等自然因素，二者的日內出力變化明顯。風電出力總體呈現隨機和波動性的特點，一般夜晚出力較大而白天較小；而光伏受到太陽輻照的影響，主要集中在白天發電，到夜間光伏出力為0，所以間歇性特點突出，隨機性和波動性也相比風電更大。可見，風、光日內出力變化趨勢具有一定的自然互補特性，但風、光出力基本呈現隨機、波動與間歇性的特點，發電質量較差。

技術互補特性方面，主要是短期運行過程中，水電利用自身調蓄性能與風電、光伏發電之間形成良好的互補，具體分為容量互補和電量互補。容量互補是指梯級水電通過有日、周以上調節性能的水庫，對接入水電站的風光發電出力進行實時補償，平抑風光出力的隨機、波動和間歇性，從而提高風光發電的電能質量。電量互補是指光伏接入水電站后，水電站可以在光伏電站承擔電網負荷的時段，減少出力或降低低負荷運行時間，讓更多的水能留在水庫，這部分額外儲蓄的水量則可以分配到電網負荷高峰時段進行調峰發電，使得水電的調峰電量和調峰效益均得到提升。可見，容量互補指的是電源之間出力互補，而電量互補與電網需求負荷有關，相應的梯級水電出力過程也不同。

綜上所述，在短期運行時，水、風、光3種能源之間存在良好的出力互補特性，合理安排梯級水電與風電、光伏的運行調度方式，將會有較大的綜合效益。

1.2 互補性評估指標

為充分發揮梯級水電與風電、光伏發電之間調節互補特性，故從容量互補和電量互補，即源源互補和源荷匹配兩方面綜合考慮，分別定義平穩性指標Ns和源荷匹配指標為互補性評估指標。Ns是評價考察時間尺度內的混合能源系統發電出力波動程度，Ns越小既表明總出力波動越小，具體計算公式為

(1)

式中，ND，t為第t時刻混合能源系統的總出力；ND，av是混合能源系統總出力平均值；T為日內計算總時段數(以小時為計算時段，T=24)。源荷匹配指標則包括追蹤系數δc和波動系數δG，δc控制出力對電網負荷的貼合程度，δc越接近1說明優化后總出力對電網負荷的追蹤能力越強；δG則控制互補后剩余負荷曲線的平滑程度，δG越接近0說明平滑負荷曲線的效果越好，計算公式為

(2)

(3)

式中，PL，t為t時刻的電網負荷；PL，av為消納混合能源電力的負荷均值；RG，t為第t時段的剩余負荷；RG，av為剩余符合均值。

2 水風光短期互補協調調度模型

2.1 調度模型構建

水風光互補協調系統集水力發電、風力發電、光伏發電為一體，既是一個整體，各部分又是獨立的發電系統，在保證水風光互補發電系統并網安全性的同時，需要兼顧水、風、光各發電系統自身的利益，所以梯級水電短期調度應該遵循的調度原則為：①不發生棄水；②保證系統和電站安全運行；③對風光出力進行補償調節。依據調度原則，本研究從源源互補和源荷匹配兩個角度構造調度模型。

2.1.1 源源互補調度

源源互補調度是指梯級水電在保證系統和電站安全運行的前提下，盡可能配合風光發電，減少風光出力波動，同時兼顧發電量。所以構建同時考慮發電量與出力波動雙目標函數調度模型，其中，出力波動以Ns最小為目標函數。

目標函數Ⅰ

(4)

(5)

式中，j=h，w，s分別表示水電站、風電場、光伏電站；nj為第j類電站數目；t為時段變量；i為電站變量；Nj，it為第j類電站第i個電站第t時段的發電出力，kW；Qh，it為第i個水電站第t時段用于發電的流量，m3/s；δh，i為第i個水電站耗水率，m3/(kW·h)；k=3 600；mt是第t時段的小時數。

目標函數Ⅱ

minF2=minNs

(6)

2.1.2 源荷匹配調度

源荷匹配調度是將負荷需求考慮到水風光等能源互補調度中，讓總出力曲線與負荷曲線盡量切合，故以源荷匹配指標為目標函數，即δc和δG，計算公式如下

(7)

式中，α1和α2分別為δc和δG的權重系數。

2.1.3 約束條件

2.1.3.1 等式約束

水量平衡約束

(8)

式中，Vi，t、Vi，t+1分別表示第i個水電站第t時段始、末水庫蓄水量，m3；Ri，t為第i個水電站水庫在第t時段入庫流量，m3/s；Qri，t是第i個水電站t時刻水庫下泄流量，m3/s；Qi，t為第i個水電站t時刻的發電流量，m3/s；Si，t為第i個水電站在第t時段的棄水流量，m3/s；Δt為計算的時間長短，s。

水電站間水量聯系約束

Ri，t=Qri-1，t-ΔTi-1+Ii，t

(9)

式中，Qri-1，t-ΔTi-1為第i-1個水電站t-ΔTi-1時刻的下泄流量，m3/s；ΔTi-1為第i-1個水電站水庫至第i個水電站的水庫的水流滯時相應時段數目；Ii，t為第t時刻第i-1個水電站水庫至第i個水電站水庫的平均區間入庫流量，m3/s。

2.1.3.2 不等式約束

水庫蓄水位約束

(10)

水電站下泄流量約束

(11)

電站的出力約束

(12)

水電站振動區約束

(13)

2.2 求解方略

2.2.1 模型求解算法

2.2.1.1 花粉算法

花粉算法(Flower Pollination Algorithm，FPA)算法是由Yang Xinshe提出的一種啟發式的群智能優化算法，適用于多目標求解。FPA算法是通過全局授粉和局部授粉算子完成多目標等復雜問題的求解，其核心在于Levy飛行搜索策略，即每個花粉配子的攜帶者滿足Levy飛行則進行全局授粉，反之則進行局部授粉，二者之間依靠轉移概率p實現轉換與作用。依靠此策略遍歷每個花粉配子，不斷迭代更新，直到滿足優化停止條件得到最優值。從數學方面對算法描述如下：

若Rand

(14)

(15)

若Rand≥p則局部授粉

(16)

2.2.1.2 逐步優化算法

逐步優化算法(Progress Optimality Algorithm， POA)是由加拿大學者于1975年首先提出，目前該算法已經過多次優化，并且應用于水風光短期調度[15]。

2.2.2 模型求解過程

水風光混合能源短期互補協調調度模型是由獨立的兩個模型組成，為簡化計算，先后求解源源互補和源荷匹配調度模型。在源源互補調度，電網給出風光日內出力預測曲線以及需求負荷預測曲線后，系統確定水風光電源的容量，同時輸入風光日內出力預測曲線，接下來以式(4)和式(6)為目標函數，在梯級水電站之間尋求一種既能讓互補后總出力平穩輸入電網，又使得發電效益最大的發電分配方案；在源荷匹配調度，為降低求解的復雜度，系統以FPA算法優化后各水電站的最優運行狀態軌跡作為POA尋優的梯級水庫群初始調度線，并輸入負荷預測曲線，然后以式(7)為目標，優化出力曲線并相應的調整梯級水電蓄放策略，使得電網需求負荷與水風光總出力過程高度一致。具體算法流程見圖2。

圖2 算法流程

3 案例分析

本文以日尺度為調度周期，小時為計算時段，以西南電網流域X內典型水風光站為研究對象，開展水風光日內互補調度策略研究。流域X內已投產水電站包含2個梯級共4個水電站：F電站(45 MW)、G電站(54 MW)、H電站(60 MW)和I電站(36 MW)。其中G、H、I電站同屬于一個梯級，有較強的水力電力聯系，G、H電站均具有日調節能力，電站I是一個徑流式電站；F電站則隸屬于另外一條支流，與G、H、I電站只有電力聯系，沒有水力聯系。選取1個光伏電站S(40 MW)和1個風電場W(60 MW)。由于篇幅限制，僅對流域X豐水期某典型日進行仿真分析，選用2018年豐水期7月的典型日24 h負荷需求曲線，與相應的24 h風光出力曲線作為調度模型輸入預測曲線，分別可見圖3和圖4。

圖3 典型日風電和光伏電站出力曲線

圖4 典型日負荷曲線

應用FPA算法對源源調度模型進行優化，得到的結果如圖5所示。從目標Ⅰ來看，水風光互補優化后，該典型日的總發電量為273.78萬kW·h，水力發電量為210.64萬kW·h，占總發電量的76.94%(F、I、G、H電站分別占26.28%、14.01%、16.24%、20.41%)，F、G、H水電站均未有棄水；光伏和風電發電量分別為26.89萬kW·h和36.25萬kW·h，分別占總電量的9.82%和13.24%。從目標Ⅱ來看，優化后的出力過程曲線趨于直線，說明充分發揮了梯級水電的調節能力，對風光出力過程實現“削峰填谷”，讓風光發電出力的波動得到明顯改善。

圖5 源源互補優化結果

進一步對梯級水電平抑風光出力波動效果進行統計，Ns計算結果如表1所示，表中單獨運行是指各類電源單獨運行后出力簡單疊加后的結果統計。見表1可知，水風光三個電站單獨運行結果與風電、光伏發電的Ns值比較一致，均大于10 MW，其中，風電波動>光伏波動>風光波動>水風光單獨運行波動，說明僅是出力的簡單疊加也有利于平抑波動，并從側面驗證了水風光各電源出力的互補性。水風光互補運行后的Ns值僅為0.15 MW，是三者單獨運行的1.2%，表明水電站群通過水庫的聯合調度運營，對風光出力波動的平抑具有顯著的作用。

表1 出力波動統計指標計算結果

梯級水電平抑接入的風光日內出力波動必然會影響自身運行過程。互補后，梯級水電的發電出力與風光總出力曲線呈現出“峰對谷”此消彼長的特點，如圖6所示，在1～8、10～12、22～24時段，風光總出力隨時間逐步增大，梯級水電出力則相應降低；8～10、12～22時段，風光總出力隨時間逐步降低，梯級水電則增大出力運行。說明在以發電量和出力波動為目標的水風光短期互補運行過程中，水電的調度策略是與風光總出力的變化趨勢相逆，即在風光總出力隨時間逐步增大時，梯級水電逐步降低出力；在風光總出力隨時間逐步降低時，梯級水庫則加大發電流量，以達到增加發電出力的目的。

圖6 源源互補后梯級水電和風光出力過程

源荷匹配調度則以源荷匹配度指標為目標函數，采用POA算法進行求解，權重系數α1∶α2=2∶3時源荷一致性最好，其優化調度結果如圖7所示，圖7a為電源總出力與總負荷、剩余負荷變化趨勢對比，圖7b為各個時段梯級水電出力和風電、光伏發電出力的占比。從圖7a可以看出，水風光總出力曲線與原日內負荷曲線變化趨勢較為一致，二者的相關系數高達0.99，剩余負荷曲線也比較平穩。對比白天和夜間，在夜間無光伏發電時段的源荷一致性較高，原因是白天風光同時發電出力，水電機組會更頻繁的調節變化自身發電出力，以實時補償風光出力，若風光出力出現“突增陡降”，水電機組受限于自身的調節能力導致無法及時追蹤負荷的變化，影響電源出力與負荷的匹配程度。圖7a中最大出力出現在白天下午5∶00(第18個時段)，比負荷曲線最高峰提前4個時段；最小出力則與負荷最低谷同樣出現在凌晨(夜間無光伏階段)5∶00(第6個時段)。

圖7 源荷匹配優化結果

進一步分析電源總出力與負荷的吻合程度，首先，統計了負荷曲線波動系數δG，經過水風光電源組互補調節后，δG值由原來的22.71 MW降到1.6 MW，表明源荷匹配調度時，梯級水電通過聯合調蓄能夠使得水風光總出力與負荷相匹配，從而使剩余負荷平穩。然后，對梯級水電與負荷的追蹤系數δc進行計算，發現δc值高達0.92，同時圖8顯示以第10個時段為界，負荷曲線表現出前半段較低，后半段較高的趨勢，為了適應負荷的變化，梯級水電的出力過程也保持了相同的變化趨勢，可知梯級水電出力過程與負荷過程保持了高度的相似性，其在跟蹤負荷方面占據重要地位。

圖8 源荷匹配后梯級水電和總負荷過程

綜上所述，在源荷匹配的水風光短期互補協調調度過程中，梯級水電的調度策略需要考慮兩方面，一方面梯級水電要追蹤負荷的變化，與負荷變化趨勢保持高度一致，另一方面梯級水電需要通過水庫的聯合調節消除風光總出力的鋸齒狀波動，以最終實現剩余負荷波動最小化。因此，梯級水電的調度策略是：首先依據負荷的峰谷變化趨勢進行自我調節，在需求負荷高峰時，加大出力，低谷時降低出力運行；其次結合風光總出力的波動情況，進行適當的調整，在風光出力增大過程中，適當降低水電發電流量，在風光出力降低過程中，適當增大發電流量運行，以消除風光鋸齒狀的波動。