考慮電源靈活性和互補性的多能源電力系統日前優化調度

肖白, 張博

(東北電力大學電氣工程學院, 吉林 吉林 132012)

0 引言

含高比例可再生能源的多能源電力系統已成為未來電力系統發展趨勢, 隨著可再生能源的海量接入, 其發電的間歇性、 波動性給電力系統的優化運行帶來的影響日益加劇[1]。 因此, 如何充分利用可再生能源電源與常規電源協調運行[2], 在保證火電平穩運行的同時兼顧經濟效益和環境保護, 已經成為電力系統優化調度的熱點問題。

在多能源電力系統的協調調度問題中, 對電源特性進行準確分析尤為重要。 近年來, 已有文獻分別從電源靈活性、 互補性的角度對多能源電力系統的優化運行問題進行討論。

在電力系統電源靈活性方面, 文獻[3] 以碳中和目標為邊界, 綜合考慮了多類靈活性資源的約束, 從時間和空間尺度統籌優化發電資源, 但缺少對系統不確定性、 波動性的綜合考量和建模。 文獻[4] 提出多時間尺度靈活性供給—需求平衡方法和靈活性量化指標, 并建立了系統靈活性裕度的概率模型, 實現對系統在多時間尺度下靈活性的量化評估, 充分挖掘了源網荷儲各環節的靈活性資源。文獻[5] 綜合考慮多能源電力系統的電源運行特性和靈活性, 提出了一種基于生成虛擬凈負荷的多能源電力系統日前優化調度方法, 并考慮了系統不確定因素, 但未將各種電源的運行特性與系統靈活性的關系聯系起來。 文獻[6] 基于盲數理論, 結合多種能源的柔性資源發電特點, 建立了復雜電源柔性裕度的定量模型, 然而只側重分析量化了單類靈活性電源的靈活調節能力, 缺乏對系統整體靈活性的評價。 文獻[7] 提出了一種靈活性電池儲備模型, 可以對靈活性資源進行評估, 挖掘含風電靈活性資源間的協調調控潛能, 但模型包含的電源種類過少, 難以全面評估系統的靈活性。

在電力系統電源互補性方面, 文獻[8] 提出一種風光水火電廠互聯的電力系統協調調度模型,通過增加新能源發電量并減小火電輸出來緩解新能源的并網問題。 文獻[9] 提出了一種“分段—順序—反饋” 的多目標優化策略, 對各電源調度出力進行優化, 減少了棄風、 棄水。 文獻[10] 針對高比例清潔能源的并網, 為實現清潔能源消納量最大, 提出了一種基于多時間尺度的生產模擬方法。 抽水蓄能和儲能電站在應對風光波動方面也發揮了重要效能[11－13]。 文獻[14] 將風蓄聯合系統作為調峰電源來實現移峰錯谷, 更大限度地接納風電, 利用了不同種能源之間的發電特性進行聯合調度。 文獻[15] 將火用的概念引入風光水多能源資源的同質化表征, 將火用分析和火用理論應用于多能互補發電系統中。 隨著電力工業的發展, 如今多種能源協同調度的模型中電源結構越來越復雜,電源種類的增加也提高了協調各類電源的難度, 在協調棄風棄光與火電平穩運行之間的矛盾、 負荷跟蹤和清潔能源消納等方面仍存在進一步優化的空間。

相比于傳統的求解方法, 在模型求解方面啟發式優化算法和機器學習等方法具有對數學模型依賴性低、 可以處理非線性優化問題和普適性強等特點, 因此越來越多的文獻采用此類方法, 例如灰狼優化算法、 改進的粒子群[16－17]等均用來求解電力系統中的調度問題, 但隨著系統中數據維數的增加, 對智能算法求解速度和準確性也提出了更高要求。

針對以上問題, 本文綜合考慮并利用多能源電力系統電源的靈活性和互補性, 從日前調度層面構建兼顧系統運行經濟性、 平穩性和清潔性的多能源電力系統協調分層日前優化調度模型, 并采用改進的人工蜂群算法對模型進行求解, 算例驗證了所提模型的可行性。

1 多能源電力系統靈活性和互補性分析

多能源電力系統包含多種出力特性各異的電源, 如風電、 光電、 水電、 火電等。 負荷波動帶來的不確定性和電源種類的增多, 對電力系統運行提出了更高要求, 為增加對可再生能源的消納能力,有必要對多能源電力系統的靈活性和互補性進行分析。

1.1 多能源電力系統靈活性

多能源電力系統靈活性是指電力系統通過優化調配各類可用資源, 以一定的成本適應發電、 負荷隨機變化的能力, 電力系統中的靈活性資源從電力系統結構方面分析可分為源、 網、 荷、 儲四個方面[6]。 其中電源側是靈活性的本源, 包括可再生能源、 非可再生能源等, 具有不同的發電特性, 也就具有不同的靈活調節能力。 電網側是電力系統靈活性的樞紐, 可以為節點靈活性資源提供傳輸通道, 與其配合達到提升系統靈活性的目的。 負荷側主要包括各類需求響應資源、 電動汽車等, 類型多且分布廣, 也能夠為系統提供一定的靈活性。 儲能系統能夠及時對負荷變化做出響應, 起到平抑波動的作用。

1.2 多能源電力系統互補性

多能源電力系統的互補性主要體現在電源側,風力發電和光伏發電在時間或空間上都有一定的互補性。 水力發電具有良好的調節性能, 可以與風光的不確定性形成互補, 提高風光消納能力。 火電、氣電等常規電源的調控能力幾乎不受自然因素約束, 具有較強的控制能力。 儲能系統憑借靈活的上下調節能力, 可以輔助火電機組進行調峰。

2 考慮電源靈活性和互補性分層調度模型的建立

2.1 研究框架

風、 光、 水、 氣、 火、 儲多能源電力系統的協調與調度是一個復雜的非線性問題, 本文采用分層調度策略, 如圖1 所示, 將調度模型分為可再生能源調度層、 水電調度層、 氣電調度層、 儲能系統調度層和火電調度層。 各調度層通過更新凈負荷和靈活性裕度連接。 利用風電、 光伏和水電之間的互補, 減少系統凈負荷的波動, 間接提高系統的靈活性, 再發揮氣電和儲能系統的調節能力, 平抑剩余負荷波動。

2.2 電源靈活性供需模型

參與并網所有發電單元各個時段可調出力之和即為系統在該時段能夠提供的靈活性, 稱為電源靈活性供給, 在空間上可以分為向上靈活性供給和向下靈活性供給。

式中,和分別為系統在t時段的上、 下調靈活性供給量；、、、、、分別為火電機組g、 氣電機組r、 水電機組h在t時段的上、 下調靈活性；、、分別為火電機組g、 氣電機組r、 水電機組h在t時段的出力；Pth,g,max、Pth,g,min、Pmt,r,max、Pmt,r,min、Phy,h,max、Phy,h,min分別為火電機組g、 氣電機組r、水電機組h出力的上下限；、、、、、分別為火電機組g、 氣電機組r、水電機組h的上下爬坡；NG、NR、NH分別為火電機組、 氣電機組、 水電機組的個數。

多能源電力系統對靈活性的需求主要來自可再生能源的不確定性、 負荷的波動性和預測誤差, 分為系統的上調靈活性需求和下調靈活性需求。

式中,、為系統在t時段的上下靈活性需求量；qu、qd分別為因光伏功率預測誤差引起的上下調靈活性系數；wu、wd分別為因風電功率預測誤差引起的上下調靈活性系數；eu、ed分別為因系統負荷預測誤差引起的上下調靈活性系數。Pwd,t＋1、Ppv,t＋1、Pl,t＋1分別為在t＋1 時間段風電、 光伏、 負荷功率的預測值；Pl,t為t時間段負荷功率的預測值；ΔPl為t＋1 時段負荷與t時段負荷預測功率的差值。

最后, 評估總體靈活性余量。 靈活性供給和靈活性需求的差值為電力系統電源靈活性裕度, 分為上調靈活性裕度和下調靈活性裕度。

2.3 電源互補性需求模型

從電源輸出與系統負荷的關系出發, 并基于多能源電力系統的互補機理, 從提高可再生能源適應性和消納能力的角度, 引入電源互補需求的數學模型。

式中,ri,t為t時段分析對象i的功率變化率, 在本文中分析對象為電源或負荷；Pi,t是t時段電源或負荷的功率；Pi,t－1是t －1 時段電源或負荷的功率；Δt為時間間隔。

負荷功率相對變化率和電源輸出功率相對變化率的計算方法:

式中,δs,t、δl,t分別是電源和負荷在t時段的輸出功率相對變化率；rs,t和rl,t分別為電源和負荷的功率變化率；PSC是電源的裝機容量；Pl,max,T是分析時段T內負荷的最大值；T為時段數, 日前調度取24。

通過負荷和電源功率相對變化率可以得到電源和負荷的互補需求指標, 電源和負荷的互補需求指標Dsl越小, 電源和負荷在單位時間尺度上的變化趨勢越接近, 兩者的匹配性越好。

3 優化調度模型的建立

3.1 目標函數

為激勵電源充分發揮多元化作用, 實現系統運行的經濟性、 對環境的友好性和火電出力的平穩性, 構建以總運行成本最低、 污染氣體排放量最小和火電出力方差最小的多目標函數, 并根據文獻[18] 的方法確定各目標的權系數。

1) 系統總運行成本最低

式中,f1為總運行成本；CTH為火電機組燃煤成本；CMT為燃氣機組燃氣成本；CS為儲能系統運行成本；uth,g,t、umt,r,t分別為火電機組g、 燃氣機組r在t時段的運行狀態變量；ag、bg、cg為火電機組g的燃煤費用系數；ar、br、cr為燃氣機組r的燃氣費用系數；cs為儲能系統的成本系數；Ps,c,t、Ps,d,t分別為儲能系統在t時段的充、 放電功率。

2) 污染物排放總量最小

式中,f2為污染物排放總量；ap、bp、cp、ξp、λp為火電機組g的污染物排放系數[19]。

3) 火電出力方差f3最小

3.2 約束條件

1) 系統功率平衡約束

式中,Ps,t為儲能系統在t時段的功率；Ppv,v,t為光伏電站v在t時段的功率；Pwd,w,t為風電場w在t時段的功率；NV、NW分別為光伏電站、 風電場的個數。

2) 燃氣機組約束

式中,Pmt,r,t－1和Pmt,r,t分別為燃氣機組r在t －1 時段和t時段的功率。

3) 柔性約束

4) 火電機組約束

式中,Pth,g,t－1和Pth,g,t分別為火電機組g在t －1 時段和t時段的功率。

5) 儲能約束

式中,Pcs,t和Pds,t為儲能的充、 放電功率；Pcs,max和Pds,max分別為儲能充、 放電功率的最大值；Pcs,min和Pds,min分別為儲能充、 放電功率的最小值；Soc,min和Soc,max分別儲能荷電狀態的最小值、 最大值；Soc,t為t時段的荷電狀態。

6) 水電站約束

式中,Wmax和Wmin分別為水庫調度部門根據防洪、灌溉等綜合利用后當日的最大和最小發電水量；ηhy是水力發電的轉換效率；hh,t是水力發電站h在t時段的水頭高度；Qhy,h,t為第NH個水電機組在t時段內的發電引用流量。

4 多能源電力系統協調調度策略及求解方法

4.1 可再生能源調度層

為滿足多能源電力系統的互補需求, 考慮到多種能源的互補特性, 在系統優化運行中, 將幾個互補后能很好跟蹤負荷波動的可再生電源聚合為一種電源, 稱為可再生能源互補電源(renewable energy complemetary power sources, RECPS)。 本層的優化運行策略基于多能源電力系統的互補性, 風電和光伏發電優先接受, 根據前文的互補性需求模型, 將風電、 光伏和部分水電可調聚合為RECPS, 當互補需求指標達到最優時, 得到風電、 光伏和部分可調水電的綜合比例。

式中,δRECPS,t為可再生能源互補電源的輸出功率相對變化率, 在此部分的互補電源包括風電、 光伏和部分可調水電。

4.2 水電調度層

為進一步平抑凈負荷波動, 水電調度層以水電調峰后剩余負荷峰谷差ΔPvl最小為目標。

式中,Psl,t為總負荷扣除可再生能源調度層出力后在t時段的凈負荷；PRECPS,t為滿足互補需求最優的聚合后風電、 光電和參與聚合水電的出力和。

4.3 氣電調度層

以水電調度層的剩余凈負荷方差最小為優化目標, 先確定各時刻的燃氣機組的總出力, 再求解各機組出力。

式中,為扣除風電、 光電、 水電在t時段的凈負荷；為水電調度層中的水電輸出功率。

4.4 儲能系統調度層

儲能具有快速吞吐跟隨的負荷波動的能力, 可用于削峰填谷。 對于儲能系統調度層, 采取和氣電調度層同樣的策略, 以上一層傳遞剩余凈負荷的方差最小為本層的優化目標。

4.5 火電調度層

火電機組的啟停時間較長, 很難完成日內啟停狀態轉換, 為保證機組運行效率, 提升計算效率,將系統優化調度分為兩階段。 第一階段采用優先順序法確定火電機組運行狀態, 第二階段再使用改進的人工蜂群算法對各機組出力進行求解。

4.6 求解方法

人工蜂群算法[20]可以求解有關約束優化問題,但標準的人工蜂群算法位置更新采用單一的搜索方程, 很難平衡種群的多樣性和收斂性, 易導致算法陷入局部最優。 因此對人工蜂群算法進行改進, 提出一種改進的人工蜂群算法 (improve dynamic artificial bee colony algorithm, IDABC), 采用動態概率和最優引導策略, 使位置更新參數隨迭代次數變化而變化, 增加收斂性和收斂精度。

式中,r1≠r2≠r3≠i；i∈ {1, 2, …,S} ,S為食物源的個數；j∈ {1, 2, …,D} ,D為問題的維數；φij、φij、λ和α為相關控制參數；xij、xr1,j、xr2,j、xr3,j為食物源參數；xopt,j是此次迭代過程中具有最優適應度的個體；vij為更新后食物源的位置；maxN是最大迭代次數；n是當前迭代次數。

5 算例分析

5.1 算例數據及參數設置

通過算例分析驗證模型的可行性, 包括火電裝機容量為2 760 MW； 風電裝機容量為2 000 MW；光伏裝機容量為5 800 MW； 水電裝機容量為6 000 MW； 氣電裝機容量為320 MW, 儲能系統400 MW·h； 風光出力、 負荷功率等參數見參考文獻[5], 調度周期為24 h, 以1 h 為一個調度時段進行調度。 改進人工蜂群算法迭代次數為500 次,蜂群數量為50。

5.2 算例結果分析

為驗證所提優化調度模型和算法的有效性, 設定兩種方案進行對比仿真。 方案1: 多能源電力系統協調分層優化調度方法, 即本文的方法, 對各電源進行分層優化, 并考慮靈活性供需約束和互補需求指標, 實現系統的多目標協調優化調度。 方案2: 多能源電力系統聯合調度方法, 將系統中的幾種電源進行聯合優化, 根據各時刻系統的成本制約關系及運行約束優化各電源的出力。

圖2 為風光水火氣分層協調優化調度結果, 儲能出力如圖3 所示。 由圖可知, 在互補需求指標的作用下, 可再生能源互補電源的出力曲線和負荷曲線變化趨勢相似, 能夠很好地跟蹤負荷的變化。 從圖4 可以看出, 所提的分層協調調度方法提高了電力系統接受風電和光伏的能力, 調度日內水電輸出功率總和為101 421.35 MW·h, 相比常規方法水電利用率提高了2.45%。 火電機組日內總輸出功率降低了4 247.42 MW·h, 減少了系統煤耗和硝硫碳等污染物的排放。

圖2 風光水火氣優化調度結果

圖3 儲能出力優化調度結果

圖4 兩種方案下各電源總輸出功率對比

由圖5 可知, 在方案2 中, 系統在負荷高峰時存在多數靈活性剩余, 而在負荷低谷階段存在靈活性不足的情況, 可能無法快速響應負荷變化和風光功率預測偏差。 在方案1 中, 分層優化調度時考慮了系統上、 下調靈活性裕度, 充分利用了水電、 氣電、 儲能靈活性資源的調節作用, 使多能互補系統在各個時間段都能滿足上調靈活性和下調靈活性裕度需求。

圖5 系統上、 下調靈活性裕度

從表1 中可以看出, 與常規聯合調度方法相比, 本文所提方法在調度周期內火電機組每時段的平均出力由1 772.08 MW 降為1 597.10 MW, 可再生能源滲透率由74.92%提高到了77.41%, 污染物減排率達到了8.3%, 降低了火電機組調峰成本, 并帶來了一定的環境收益。

表1 兩種調度方案的指標對比

為驗證改進人工蜂群算法的有效性, 對兩種方案用不同算法求解多次并取平均值。 由圖6 和表2可知, IDABC 算法的最優解優于其他兩種, 具有更高的收斂精度, 并且IDABC 算法尋優達到最優解與所需要的迭代次數更少, 收斂速度上比PSO、ABC 算法快。

表2 兩種方案的不同求解方法結果對比 萬元

圖6 不同算法對比迭代曲線

6 結論

針對風、 光等可再生能源大規模并網帶來的問題和現有多能互補協調調度的不足, 提出一種考慮電源靈活性和互補性的多能源電力系統日前優化調度方法。 主要結論如下:

1) 在調度模型中引入合適的電源靈活性供需模型, 能夠實現對多能源電力系統有限靈活性資源的優化利用, 降低系統備用的冗余度。

2) 使用分層優化策略, 能夠利用不同電源間的相濟互補改善電源的運行狀況, 在滿足火電經濟平穩運行的同時, 提高對可再生能源的消納, 降低污染物排放量。

3) 對人工蜂群算法的改進, 在對模型求解的過程中避免了陷入局部最優, 提高了收斂精度。