考慮能源出力不確定性的光伏接入微網優化調度方法

劉 學，李 寧，張建功

（國網河北省電力有限公司 滄州供電分公司，河北 滄州 061000）

0 引 言

隨著現代化社會的飛速發展，多種能源的消耗程度不斷提升，能源供給量問題日益顯著，能源清潔轉化問題需要得到關注，通過微網調度方法使分布式光伏得到大規模發展[1]。通過將分布式光伏系統納入微網，使其在環保領域得到充分發展。這種做法不僅減少了發電過程中的能源消耗，也受到了廣大群眾的好評，可在考慮微網經濟性的同時，根據微網實際消耗情況，以優先并網的方式來減少發電運行成本，在能源清潔市場中形成一種較為全面的調度方法。該方法能夠有效減少光伏系統在升壓過程中導致的能源浪費，從而降低電能損耗。接入微網后，它能夠有效抑制微網負荷波動，調節機組峰值壓力，減少機組爬坡時的能源消耗[2]。現有微網調度方法容易受到多方面因素的影響，在實際應用中的有效性較差，難以抑制負荷波動。大規模接入電網會導致電網系統負荷增加，不僅增加能耗，還可能引發一定的安全隱患，使得結果難以達到預期效果。基于此，以考慮能源出力不確定性的光伏接入微網優化調度方法為研究對象，結合實際情況進行實驗與分析。

1 光伏接入微網的優化調度

1.1 能源出力不確定性預測分析

運用能源出力不確定性預測光伏出力的實時變化信息，將預測輻照分量進行分類，同時運用統計方法對光伏功率出力進行擬合。為了能夠準確反映預測值的波動情況，需要生成大量的最初場景。最初場景數量增多會使得計算速度下降，場景不斷疊加。因此，需要在準確描述能源出力隨機性的同時，設置合適數量的最初場景[3]。在對計算能力添加一定要求時，設置最初場景為N。通過定義場景距離函數來弱化同種類的場景，提取一定的描述特征后，生成新的能源出力場景[4]。在得到一定數量的最初場景后，設定s為描述矩陣Xs中的場景，Ds為不同場景s和s'之間的向量標準。設定最初的場景集合為E，需要弱化的場景集合為R，通過運用弱化法來弱化剩余場景[5]。計算場景距離為

式中：D為場景系數；ξs為場景起始點；ξs'為場景終點。對于不同的場景k，需要計算與之距離最短的場景，公式為

式中：Dr為最短場景距離；min 為取最小值。通過比較場景距離之間的關系得到場景中的索引，基于此得到光伏發電處理的動態概率模型，如圖1 所示。

圖1 光伏發電處理的動態概率模型

根據光伏發電出力預測曲線進行場景生成和弱化，獲得場景樹。按照具有代表性的光伏發電的出力預測曲線，分析光伏發電出力的隨機性特性，以及上述模型中不同時間段內的出力，得到一定的偏差值。將可再生能源出力預測曲線進行擴張形成一個區間，將所有曲線出力值包含其中。這個區間中場景發生的概率較高，通過場景生產與消除處理，可以對不同時間段內的光伏出力預測情況進行描述，獲取其波動特征，從而提升預測精度[6]。

1.2 基于近似動態分析的微網日內調度優化

運用綜合能源微網的日內調度優化模型計算得到最優方法序列，進而計算在時間段s內所有可能的系統狀態價值xt*(s)[7]。對于動態調度問題，貝爾曼方程式是求解最優值函數的基本工具。在時間段s=0 的情況下，貝爾曼方程式最優解的計算公式為

式中：y為狀態函數；V為狀態價值。在調度時，要使狀態價值的估計函數盡可能地滿足微網的日內經濟調度要求。設定近似價值函數，運用自動數據處理算法（Automatic Data Processing，ADP），在一定時間順序中可以解決算法易陷入低維度的問題[8]。為了獲得最優決策，通過不斷迭代更新使其能夠達到真實的價值函數。設定經過n輪迭代后，近似價值函數已收斂成為真實函數，近似最優解可通過順序進行計算得到。運用分段函數對價值函數進行估計，將狀態集合映射到相關價值中，得到的分段函數公式為

式中：r為投射在分段中的狀態變量。在實際運算中，需要對狀態變量添加對應的約束，簡化高維狀態下的收斂速度問題。對于狀態變量進行聚合，如果r的值越大，則說明價值估計結果越粗糙。調節r值，對微網調度價值函數進行初始化，使得微網中的不同單元狀態變量被高度聚合，并確定狀態量的設定閾值。在確定性場景下，將綜合能源微網的日內經濟調度問題轉變為一個多時段組合的混合整數線性規劃（Mixed Integer Linear Programming，MILP）問題，并將全時段問題進行一次性求解[9]。考慮當前時刻的微網運行成本最小化以及當前方法對系統未來運行的影響，根據預設的目標函數和約束條件不斷滾動優化。通過實時信息的不斷修正，完成對未來動態的預測。設定誤差指標為e，評估算法最優解之間的距離，獲得對應日內調度的優化策略結果。

2 實驗測試與分析

為測試本文方法的應用性，在考慮能源出力不確定性的同時，搭建微網簡化網架構，對微網內進行優化調度，并統計得到風光消納電量值。為了達到更好的優化調度效果，可以將預期目標設置為在微網負荷區間內風光電消納電量值占風光電預測電量的3%以內。這樣可以確保微網能夠有效消納風光電，并避免過多的電量浪費。

2.1 搭建實驗環境

搭建微網簡化網架構，設置1臺容量為15 000 MW的風光電裝機，5 個容量為15 142 MW 的可調節常規電源，電網總負荷為17 000 MW，其中具有高能耗的負荷容量為5 000 MW。將民用負荷進行合并，形成具體的網絡集結點，之后對微網負荷區間進行協調優化調度。設定每次優化的時間為20 min。基于多變量控制，對未來連續時間的有功功率進行優化，在下一優化時刻進行更新。在空間尺度下，根據微網負荷的空間分布情況，將電網劃分成不同的區域。設定O為風光電，P為常規點源，Q可調節民用負荷，具體劃分情況如表1 所示。

表1 550 kV 變電站區域劃分情況

考慮光伏不確定性，計算電網各區域內負荷的剩余調節能力，建立不同區間的協調調度模型，對調度情況進行實時修正。

2.2 結果分析

綜合優化調度結果，對電網區域A ～區域J 的區間協調消納電量進行統計，具體如表2 所示。

表2 電網區域A ～區域J 區間的協調消納電量統計

根據表2 電網區域A ～區域J 的區間協調消納電量統計結果，計算出占風光電預測電量比重，分別為區域A ～區域E 的占比為2.65%，區域F、區域J的占比為2.87%，區域H ～區域I 的占比為2.94%，均在3%以內，符合要求。由此說明，運用本文方法能有效促進風光點消納，可較好地削弱不確定性對于區間內能源優化調度的影響，在實際中實現調度方法的良好應用。

3 結 論

本次研究從光伏接入入手，深入分析微網優化調度問題，探究了考慮能源出力不確定性的光伏接入微網優化調度方法。對區域能源系統進行約束，使其能有效優化設計模型。通過多負荷需求進行預測，提升運算速率。考慮不確定性，對電網部分區域進行優化調度。根據不同能源之間的互補性進行微網優化調度，實現對優化方法的有效性驗證。通過本文方法促進風光點消納，更好地削弱不確定性對于區間內能源優化調度的影響，實現了光伏接入微網優化調度方法的良好應用。