基于多場景技術的冷熱電虛擬電廠兩階段優化調度

韓志永，張宇華，李兵

(上海電力大學 電氣工程學院，上海 200090)

0 引 言

虛擬電廠(Virtual Power Plant，VPP)通過利用先進的通信系統來聚合大量分布式能源(Distributed Energy Resource，DER)進行優化調度，參與電力市場交易，實現對電網的調節功能[1]。但DER具有不確定性，因此虛擬電廠的優化調度成為研究的重點[2-3]。目前大多數對虛擬電廠的研究主要利用博弈論來優化其投標交易，對虛擬電廠內部源荷儲的經濟優化調度研究不足，尤其缺乏對虛擬電廠冷熱電多能互補經濟優化調度方面的研究[4-5]。文獻[6]提出在虛擬電廠中利用風電進行制熱，通過風電與熱能的多能互補實現熱電解耦，但在缺少儲能調節的情況下大規模使用風電，降低了虛擬電廠的電能質量。文獻[7]構建了具有風能、光伏、小水電和微型燃氣輪機的虛擬電廠模型，能源間的多能互補有效提高了能源利用率，但未考慮分時電價，加劇了電網峰谷落差、增大了運行成本。文獻[8]提出風-光-儲互補模型，通過進行日前預測來提高其經濟效益，但缺少冷、熱互補，一定程度上限制了經濟效益。進一步，文獻[9]針對風電的預測誤差問題，構建電熱綜合能源系統以調節其不確定性。文獻[10-11]建立了微網中風、光、荷不確定性模型，并利用多場景技術進行模擬，但其都未考慮虛擬電廠中風光出力和電、熱、冷負荷等多種不確定性的組合問題。

針對上述問題，文中通過對風光出力及電、熱、冷負荷的不確定性進行分析，利用拉丁超立方抽樣(Latin Hypercube Sampling，LHS)生成多種場景來模擬風、光及多能負荷的波動性，通過同步回代消除法(Simultaneous Backward Reduction，SBR)對場景生成結果進行削減，得到典型風光日出力曲線和多能負荷需求場景。在此基礎上建立多場景冷熱電虛擬電廠日前-實時兩階段協調優化模型。日前調度階段，考慮多種成本和設備運行約束，通過對虛擬電廠在多種場景下的優化調度以降低運行成本；實時校正階段，在考慮監管成本的情況下對日前運行計劃進行實時修正，以降低虛擬電廠的實時運行成本。

1 冷熱電虛擬電廠結構

通過先進的通信技術將區域內的電、熱、冷、氣、風、光等多種能源聚合到冷熱電虛擬電廠中，建立冷熱電多能互補綜合利用平臺。對虛擬電廠內資源和設備的歷史數據進行分析，通過日前預測技術，結合現有的儲能以及能量轉換設備，進行統一調度、協調運行。對風光及多能負荷的不確定性進行分析，提高風光利用率和供能可靠性，降低冷熱電虛擬電廠的運行成本。

文中研究的冷熱電虛擬電廠模型聚合了風機(Wind Turbine，WT)、光伏(Photovoltaic，PV)、電儲(Battery Storage，BS)、燃氣輪機(Gas Turbine，GT)、燃氣鍋爐(Gas Boiler，GB)、余熱鍋爐(Heat Recovery Boiler，RB)、熱儲 (Heart Storage，HS)、吸收式制冷機(Absorption Cooler，AC)、電制冷機(Electric Cooler，EC)以及多能負荷，冷熱電虛擬電廠系統如圖1所示，雙向箭頭表示能源可以雙向流動。

圖1 冷熱電虛擬電廠模型

風機、光伏模型參見文獻[4]，電儲、燃氣輪機、燃氣鍋爐、熱儲、電制冷機、吸收式制冷機模型參見文獻[12]，限于篇幅所限，此處不再贅述。

2 虛擬電廠優化調度模型

文中通過日前調度和實時校正兩階段對虛擬電廠進行優化調度。日前調度階段，通過對虛擬電廠中風機、光伏出力及負荷需求量的不確定性規律進行分析，生成多個隨機場景。在滿足虛擬電廠內各運行約束的情況下，通過優化設備出力，選擇綜合期望運行成本最低的方案作為最優的調度計劃；實時校正階段，實時修正可控設備的出力，消除預測誤差，在滿足功率平衡的情況下，盡可能降低運行成本。

2.1 日前優化調度模型

2.1.1 目標函數

日前調度以每小時為時間間隔，考慮運行維護成本、環境成本、購電成本、購氣成本、儲能老化成本，通過調節可控設備出力，降低其整體運行成本，優化調度的目標函數為：

(1)

其中：

(2)

(3)

(4)

(5)

(6)

(7)

2.1.2 約束條件

(1)功率平衡約束。

(8)

(9)

(10)

(2)機組出力上下限約束。

(11)

(3)機組爬坡率約束。

(12)

(4)儲能約束。

(13)

考慮到儲能不能同時充放電，且調度周期結束儲能恢復到最初狀態，即：

Uj,ch,t+Uj,dis,t≤1

(14)

Wj,0=Wj,T

(15)

2.2 實時校正模型

2.2.1 目標函數

通過實時調節設備出力，降低預測誤差造成的影響，實時校正周期為15 min，目標函數為：

(16)

其中：

(17)

2.2.2 約束條件

(1)功率平衡約束。

(18)

(2)機組出力上下限約束。

(19)

式中Δut,s為機組相對于采樣值功率增量；Pmin、Pmax為機組功率上下限。

(3)機組爬坡率約束。

Δut,rd≤Δut,s≤Δut,ru

(20)

式中Δut,rd、Δut,ru為機組減少、增加的爬坡率。

3 考慮不確定因素的場景生成

虛擬電廠在實際運行中采用DER和負荷的預測功率制定調度計劃，但風機、光伏出力的隨機性、間歇性、波動性及多能負荷需求的不確定性導致預測功率不可避免的出現預測誤差，致使在原有日前調度的基礎上改變設備出力計劃，收益降低的同時還會因調節電能質量支付一定的監管成本。因此有必要建立考慮不確定因素的多場景虛擬電廠優化調度模型。

3.1 場景生成

虛擬電廠中的風機、光伏出力及電、熱、冷負荷功率的預測誤差服從一定的分布函數。為不失一般性，文中假設電、熱、冷負荷的功率預測誤差服從高斯分布，并且已有研究表明，風機、光伏出力的預測誤差分別服從Weibull分布、Beta分布[13]。

3.1.1 預測誤差的概率密度函數

(1)風機出力的概率密度函數。

(21)

式中xWT為風機實際運行功率；kWT是風機出力的形狀因子；r是比例因子。

(2)光伏出力的概率密度函數。

f(xPV)=xPVηmAPVηPVcosθ

(22)

式中xPV為光伏實際運行功率；ηm為最大功率點的跟蹤率；APV是光伏的輻射區域；ηPV是轉換效率；θ是太陽入射角。

(3)電、熱、冷負荷的概率密度函數。

(23)

式中xL為負荷實際運行功率；μ為位置參數，即負荷功率采樣基準點；σ為高斯分布的尺度參數。

3.1.2 基于概率分布的拉丁超立方抽樣

文中所采用的拉丁超立方抽樣的本質是逆函數轉換的分層抽樣，與其他抽樣的概率分布離散化處理不同，拉丁超立方抽樣能夠在不改變原始密度函數的情況下，使采樣樣本能夠均勻覆蓋整個樣本空間。

場景的準確度與采樣值及不同采樣值的相關性有關，一般情況下，相關性越小準確度越高。文中采用降低不同場景的相關性常用的Cholesky分解。根據場景之間的相關系數，構建近似正交矩陣，對采樣元素位置重新排序，以降低其相關性。

3.2 場景削減

風機、光伏出力及多能負荷模擬精度隨場景規模的增大而提高，但這增大了計算量，需要對抽樣場景進行削減。采用同步回代消除法對N個初始場景進行削減，以降低優化調度的計算量，步驟如下：

步驟1：初始化，將生成的N個初始場景導入，設置迭代次數，任一場景概率均等，即：

pi=1/N

(24)

步驟2：任一個場景wi，計算與其距離最短的其他場景。

Di,min=minζjd(wi,wj),j=1,2,...,N,j≠i

(25)

式中ζj是場景wj發生的概率；d(wi，wj)為場景wi與場景wj之間的歐式距離。

步驟3：確定要刪除的場景wi。

Dmin=minζiDi,min,i=1,2,...,N

(26)

步驟4：更新場景數量N=N-1，將所刪除場景出現的概率加到與其歐式距離最近的場景上，確保所有場景出現的概率之和為1。并重復以上步驟，直到場景數達到削減場景的設定值。

4 算例分析

4.1 算例數據

典型算例如圖1所示，文中風機與光伏容量分別為600 kW和400 kW，燃氣輪機額定功率400 kW、電儲和熱儲分別300 kW>·h和200 kW>·h。在現有實際運行功率的基礎上，設定光伏、風機的日前預測誤差在30%以內，實時校正預測誤差在5%以內；電、熱、冷負荷的日前預測誤差在20%以內，實時校正預測誤差在3%以內。分時購電(售電)電價參見文獻[14]。天然氣價格為3.24元/m3，單位熱值為9.78 kW>·h/m3。利用拉丁超立方抽樣和同步回代消除法進行場景生成和削減，抽樣規模取2 000，場景閾值取3，則風機、光伏、電、熱、冷負荷分別削減至3個場景，共計35個隨機場景，對應的概率為各場景的概率積，即：

Ns=NWTNPVNENHNC

(27)

ζs=ζWTζPVζEζHζC

(28)

式中NPV、NWT、NE、NH、NC分別為風機、光伏、電、熱、冷負荷的場景數；ζWT、ζPV、ζE、ζH、ζC分別為風機、光伏、電、熱、冷負荷場景所對應的概率。

以風機為例，場景生成與削減如圖2所示，每個場景發生的概率在圖例括號中標出。

圖2 風機樣本空間和其縮減場景

4.2 優化結果分析

4.2.1 運行流程

文中基于多場景技術的冷熱電虛擬電廠優化調度流程如圖3所示

圖3 虛擬電廠優化調度流程圖

4.2.2 日前調度優化運行分析

以多場景中某一場景為例，進行冷熱電虛擬電廠的優化調度，其電、熱、冷優化調度結果如圖4～圖6所示。

圖4 電功率優化調度結果

圖5 熱功率優化調度結果

圖6 冷功率優化調度結果

由圖4～圖6可知，虛擬電廠內電、熱、冷負荷功率平衡，未出現棄風、棄光的情況。光伏、風機和燃氣輪機提供虛擬電廠中電負荷功率，通過電儲和外電網的電能交互實現功率調節功能。電制冷機和吸收式制冷機提供虛擬電廠中冷負荷功率，電制冷機補充吸收式制冷機的功率缺額，且電價較低時電制冷機制冷功率占比大，電價較高時其占比變小。余熱鍋爐、燃氣鍋爐和熱儲提供虛擬電廠中熱負荷功率。在各調度時段電儲充放電功率和熱儲蓄放熱功率均嚴格運行在其上下限范圍內。

其中00:00-06:00調度時段，電價處于谷時段，燃氣輪機不進行出力，電負荷主要風光出力來滿足，不足部分由電網購電提供，電制冷機、燃氣鍋爐提供虛擬電廠中冷、熱負荷的功率。在07:00-10:00和15:00-17:00調度時段，電價處于平時段，風光出力配合燃氣輪機供電，同時向電儲進行充電。在此時段，電儲維持較高的荷電狀態。在11:00-14:00和18:00-21:00調度時段，電價處于峰時段，供電充足時，余電全額上網；供電不足時，由電儲進行補充，避免在電價峰時向電網大量購電，以降低其運行成本和電網的供電壓力，實現虛擬電廠對電網的調節功能。在22:00-23:00調度時段，電價處于平時段，電負荷和冷負荷明顯降低，調整電儲荷電狀態至初試狀態。在23:00-24:00調度時段，電價處于谷時段，電負荷功率主要由風光出力和燃氣輪機來滿足，不足部分由電網購電提供。

4.2.3 日內校正運行分析

日前調度階段，對虛擬電廠所生成的每個場景進行經濟優化調度，制定虛擬電廠內可控設備的出力計劃，通過分析各場景出現概率及其運行成本，選取綜合效益最佳的冷熱電虛擬電廠優化調度方案；實時校正階段，通過對是否考慮多場景的冷熱電虛擬電廠實時校正階段總調整量進行對比分析，以體現考慮多場景冷熱電虛擬電廠兩階段優化調度的魯棒性優勢，對比結果如圖7所示。

圖7 不同模式虛擬電廠實時校正階段總調整量

通過對不同模式下虛擬電廠實時校正階段的調整量進行比較，考慮多場景的冷熱電虛擬電廠調整總量明顯降低。在風、光及多能負荷功率較小時，調整量都較低，在其功率增大時，出現兩種情況：一種是風光的預測誤差修正了多能負荷的預測誤差，虛擬電廠總調整量降低；另一種是風光的預測誤差疊加了多能負荷的預測誤差，加劇了虛擬電廠的調度量。不考慮多場景的虛擬電廠預測誤差要大于考慮多場景的虛擬電廠，當風、光、荷預測誤差疊加時，對比則更加明顯。由圖7可知，基于多場景技術的冷熱電虛擬電廠調度模型能夠有效減少實時校正階段的調度量，提高了虛擬電廠運行的魯棒性。

4.2.4 運行成本分析

對是否考慮多場景的冷熱電虛擬電廠的總成本進行對比分析，結果如表1所示。

表1 不同模式虛擬電廠運行成本對比

對不同模式下虛擬電廠運行成本進行比較可知，考慮多場景相較于不考慮多場景的冷熱電虛擬電廠日前調度運行成本有所提高。在考慮風、光及多能負荷的不確定性造成的監管成本后，不考慮多場景的冷熱電虛擬電廠實時校正成本增加明顯，且考慮多場景的冷熱電虛擬電廠總運行成本明顯低于不考慮多場景冷熱電虛擬電廠的總運行成本，驗證了所提模型具有較好的經濟性。

5 結束語

冷熱電虛擬電廠聚合區域內的電、熱、冷、氣、風、光等多種能源，通過先進的通訊系統實現群管群控、協調管理。通過多能互補優化調度提高虛擬電廠的經濟效益。文中考慮風、光出力及電、熱、冷負荷的不確定性，建立基于多場景冷熱電虛擬電廠日前-實時兩階段協調優化模型，特點如下：

(1)針對虛擬電廠中風、光出力及多能負荷需求的不確定性，采用多場景虛擬電廠隨機規劃方式，利用其預測值的不同分布特性，生成多個隨機預測場景，在滿足虛擬電廠內部各種約束條件下，分析所有場景的調度方案，選取綜合效果最佳運行方案；

(2)針對風、光、荷預測誤差的分布特點，采用日前規劃與實時校正相結合的兩階段優化調度策略。日前階段，考慮虛擬電廠運行的經濟性，采用多場景冷熱電虛擬電廠隨機規劃進行經濟性調度；實時校正階段，調整虛擬電廠內可控機組出力，提高虛擬電廠運行的魯棒性；

(3)算例仿真表明，所提模型能夠有效降低風、光、荷預測誤差對冷熱電虛擬電廠運行的影響，實現虛擬電廠經濟性與魯棒性的協調運行。