徐 超，张 宇，于 伟，刘富田，周 强
(国家电投集团电站运营技术(北京)有限公司，北京 102200)
人类社会在不断发展的过程中，能源始终扮演着重要作用，如今，全球经济发生了巨大变化，人们加大了对煤炭、石油等不可再生能源的需求[1]。人类大量使用化石能源，导致生态环境的恶化速度越来越快，亟需改进当前能源的网络结构。提高新能源发电的利用效率，可以降低电力系统的能耗，达到低碳运行、节能减排的目的，还可以解决生态环境面临的困境，因此，新能源供电系统受到了社会各界的关注[2]。使用新能源供电不需要铺设输电线路，具有电能传输损耗低、运行灵活的优点，可以有效提高电能供应的可靠性，缓解当前供电方式无法满足偏远地区的供电情况。新能源技术的广泛应用，加大了对可再生能源的应用研究，降低发电成本的同时，改变了原始能源的网络结构[3]。新能源技术在当下正处于准商业化阶段，今后一定会成为一种主流的供电模式。
在国内的研究中，有关学者考虑到供电出力调度的能量不平衡问题，基于离散时间平均模型提出了一种调度模型，利用积分约束的形式，将储能技术与需求侧的响应结合，以最小弃风量为目标，建立了优化调度模型，并将其转化为具有非线性约束的规划问题，通过模型求解实现了调度。
算例结果显示，该优化调度模型能够消纳电力系统中的风电负荷，根据非线性约束的规划求解，得到优化调度的最优解，但是调度难度较大[4]。在净负荷调度方面，基于样本熵，针对新能源电力系统提出了一种净负荷调度策略，利用样本熵的方式采集了净负荷样本，完成电力系统净负荷时间序列复杂度的评估，根据发电机组的组成，划分了净负荷调度的时段，进一步减少了爬坡功率，以十机组为算例，验证了该净负荷调度策略在电力系统中应用的合理性，但是经济性较差[5]。
在国外的研究中，有关学者提出了一个机械模型来描述不同车辆使用的能量水平，为了确定车辆调度方案，以乘客等待时间和车辆能耗最小为目标，建立了快速公交多目标节能调度优化模型。结果表明，所设计的算法对求解快速公交调度优化模型是有效的，采用合适的调度方案可以减少能耗和乘客等待时间，但是经济性较差[6]。
基于以上研究背景，本文利用协同调峰的方式，设计了新能源供电出力调度模型，从而提高新能源供电出力调度的经济性。
1.1 基于协同调峰制定新能源供电出力调度计划
新能源供电系统的安全性和稳定性离不开供电出力的调度手段，复杂的网络架构会降低新能源供电系统的调峰能力，因此采用协同调峰的方式，制定新能源供电系统的出力调度计划。接入大量的新能源发电会降低供电系统的稳定性，如果投入大量的备用机组又会出现资源浪费的现象。通过协同调峰，规划居民的用电时段，适当调节用电高峰，根据不同的时间尺度，制定出力调度计划，具体安排如图1所示。
图1 新能源供电出力调度计划安排Fig.1 Schedule of new energy power supply output
根据图1的计划安排情况，得到了新能源供电出力调度计划的制定步骤为：①对于新能源供电机组系统而言，通过制定重要机组的检修计划，减小系统的供电压力，尽量避免供电设备故障对出力调度的影响；
②在新能源供电系统中，根据各机组的运行时段，制定调峰计划，采用协同调峰的方式[7]，降低新能源供电系统的运营成本，进一步促进新能源的消耗；
③分析供电设备的备用需求，根据供电出力的预测结果，制定备用投入计划，降低基础供电设备的投入成本；
④结合供电系统各部分的出力调度计划，并考虑到居民用电负荷的需求[8]，达到供需平衡，这样不仅可以提高负荷用电的满意度，还可以保证新能源供电系统的安全运行，节约供电成本的同时提高了供电可靠性。
以上根据新能源供电出力调度计划安排，利用协同调峰的方式，制定了新能源供电出力调度计划。
1.2 配置新能源供电系统的储能容量
为了避免储能容量计算的复杂度，引入非参数估计的方法[9]，得到功率差额数据的估计值，对概率密度函数进行了拟合处理[10]，结合式(1)对新能源供电系统的储能容量进行配置，即：
(1)
式中，K(·)为非参数核函数；
N为新能源供电功率的采样数；
Dk为新能源供电功率的采样带宽；
P-Pi为功率差额。
在调度置信度水平γz下，采用迭代计算的方式[11]，计算了系统的最小储能容量，具体计算步骤如下：①对新能源供电储能系统的额定功率Pe和储能容量Ee进行初始化处理[12]；
②计算新能源供电出力可调度性置信度水平γs；
③当γs<γz时，可以适当增加储能容量Ee，返回到②，当γs满足供电出力的调度要求时，在额定功率Pe下，确定最小储能容量；
④增加新能源供电储能系统的额定功率Pe，返回到①，直到Pe大于最大功率差额。
当完成新能源供电储能系统额定功率Pe和储能容量Ee的约束之后，利用投资成本目标函数[13]，计算最优的储能配置结果，选择等年值计算公式作为目标函数，修改新能源供电系统充放电次数和深度因素[14]，修改公式为：
(2)
式中，Ged为新能源供电系统的储能额定功率配置值；
Tlife为新能源供电系统的使用寿命；
Eed为配置的储能容量；
λ为额定功率与容量之间投资费用的比值；
Cs为储能装置在分期偿还容量中的投资成本；
Ct为蓄电池装置在分期偿还容量中的投资成本，计算公式为：
(3)
其中，CR为储能容量的投资成本，Cw为维护成本。
根据式(4)的计算结果，建立其与放电深度之间的函数关系[15]，在不同放电深度下，计算出蓄电池的循环寿命，经过M次充放电之后，通过推算蓄电池的寿命损耗[16]，得到蓄电池的使用寿命，公式为：
(4)
式中，Scyc，H(i)为蓄电池放电深度为H(i)时蓄电池的循环寿命。
为了计算出新能源供电系统的储能容量配置值，拟合处理了储能额定功率和最小容量，得到拟合曲线表达式，利用粒子群算法得到储能配置的目标函数最优值，得到新能源供电系统中蓄电池的使用寿命，完成新能源供电系统的储能容量配置。
1.3 构建新能源供电出力调度模型
为了应对新能源供电出力场景，构建了新能源供电出力调度模型，将系统最小运营成本作为目标函数[17]，模型表达式为：
(5)
利用改进粒子群算法对式(6)的模型进行求解[18]，基于随机解更新最优解，最后得到一个新能源供电出力调度的最优解。考虑到改进粒子群算法在收敛时会发生早熟，为了提高算法的多样性，本文结合柯西变异改进了粒子群算法，通过收敛数量对种群样本的多样性进行检查，令div(y)为样本的多样性值，计算公式为：
(6)
式中，SQ为种群档案集的大小；
kx，y，G为平均值变量；
uy为上限阈值；
ly为下限阈值。根据柯西变异过程[19]，假设每一组粒子都对应着一个调度方案，将粒子作为新能源供电系统的输入模型，根据约束条件生成一个可行解，修正不符合约束条件的粒子，得到目标函数的计算结果，经过多次迭代[20]，输出新能源供电出力的调度结果。新能源供电出力调度模型的实现流程如图2所示。
图2 新能源供电出力调度模型实现流程Fig.2 Flow chart of realization of new energy power supply output dispatching model
综上所述，以供电系统的最小运营成本为目标函数，构建了新能源供电出力调度模型，利用柯西变异算法改进了粒子群算法，实现了新能源供电出力调度。
为了验证文中设计的计及协同调峰的新能源供电出力调度模型的有效性，以MATLAB仿真软件作为实验平台进行算例分析。在新能源供电系统中调度模型的数据选取包括2台光伏发电机、2台风力发电机、1台储能系统和1台火电机组。考虑2种净负荷调度，参数见表1。
表1 净负荷调度参数Tab.1 Net load dispatching parameters
新能源供电系统的峰值和谷值负荷及风电特性曲线如图3所示。根据图3曲线，设计了4种运行情况，对新能源供电系统净负荷调度的调峰作用进行调度计算。
图3 新能源供电系统的峰值和谷值负荷及风电特性曲线Fig.3 Peak and valley load and wind power characteristic curve of new energy power supply system
情况1：选用图3中谷值负荷曲线负荷时，不参考风电。情况2：选用图3中峰值负荷曲线负荷时，不参考风电。情况3：选用图3中谷值负荷曲线负荷时，假设风电波动范围预测值约为32%，参考图3中风电特性曲线。情况4：与情况3相似，但要选用图3中峰值负荷曲线负荷。
在情况1中负荷的峰谷差为310 MW，负荷率为93.5%，负荷曲线较为平缓，新能源供电系统的调峰压力较小，调度结果如图4所示。
图4 情况1时新能源供电系统出力曲线Fig.4 Output curve of new energy power supply system in case 1
根据图4可知，快速调节机组包含水电机组与气电机组，机组之间负荷与变化趋势保持一致，可以保证新能源供电系统在负荷曲线陡坡发生变化时，具备足够的调峰能力。图4中净负荷曲线变化不大，新能源供电系统的调峰需求可通过电源侧调度来满足，若净负荷附加成本高，则不参与调度。
在情况2中负荷的峰谷差为550 MW，负荷率达到87.9%，负荷曲线变化较大，新能源供电系统易产生较大压力。调度结果如图5和图6所示。
图5 情况2时新能源供电系统出力曲线Fig.5 Output curve of new energy power supply system in case 2
根据图5和图6可知，在峰荷时段(10～14时段)净负荷调度峰值变化明显，新能源供电系统的调峰能力增强。负荷曲线在负荷调度策略中变化较小，由此可知，该方法可以对峰谷差和峰荷起到削弱的作用。在情况3中，风电出力特性近似为逆调峰。调度结果如图7和图8所示。
图6 情况2时净负荷调度的调峰效果Fig.6 Peak shaving effect of net load dispatching in case 2
图7 情况3时新能源供电系统出力曲线Fig.7 Output curve of new energy power supply system in case 3
图8 情况3时净负荷调度出力曲线Fig.8 Net load dispatching output curve in case 3
从图7和图8中可以看出，接入风电使电源侧的调度难度增加，净负荷调度参与了调度。当负荷曲线越低时，风电出力越大，为了平衡功率，常规机组工作处于较低位置，下降幅度有限。在风电不稳定，出力波动偏高时，极易发生弃风现象。为此需要提高新能源供电系统的功率下调能力，保持净负荷调度出力的稳定程度。为了避免由于新能源供电系统的功率不足，产生风电向下波动趋势，当负荷位于最高值时，可使用速度较快、成本较高的净负荷调度作为备用风电，使新能源供电系统调节压力降低，接纳新能源的能力提高。
在情况4中，因为新能源供电系统本身存在非常大的负荷峰谷差，计及协同调峰特性的风电曲线也对其提出更高要求，所以程序无法给出有效的调度方案。因此，即使新能源可以通过净负荷调度在一定程度上缓解供电压力，但仍不能满足情况4的调峰要求。
在对计算规模的适应性进行检验的过程中，针对各种规模的电力系统采取了调度计算。在计算中发现，发电机的数量可以直接影响极限场景的数量，在考虑不同规模的调度模型时可首先考虑发电机的数量，计算结果见表2。
表2 新能源供电出力调度模型的适应性分析Tab.2 Adaptability analysis of new energy power supply output dispatching model
由表2可知，迭代次数的变化并不随着规模的增大而增大，虽然计算时间在一定程度上增加了，但指数并未上升，增幅也在可控范围内。
选择典型的日负荷作为用户的需求，将需求响应之间前平时段的电价设置为0.45元/KWh，需求响应后，峰时段和谷时段以平时段为基本标准，电价设置为120%和50%，不同时段的电价划分结果见表3。
表3 需求响应的电价划分Tab.3 Electricity price division of demand response
根据需求响应的电价划分结果，得到需求响应前后用户需求变化如图9所示。
图9 价格型需求响应前后的负荷变化Fig.9 Load change chart before and after price demand response
从图9中可以看出，实线为经过价格激励后的发电功率，与需求响应前的发电功率相比，具有更加稳定的荷载，降低了新能源供电系统出力调度的难度。在电价信号的激励响应下，新能源供电系统的峰值负荷越来越少，而谷值负荷却越来越多，说明在新能源供电系统中电价需求响应可以起到削峰填谷的作用。
为了提高文中模型在新能源供电出力调度中的效果，根据章节2.1中价格型需求响应前后的负荷变化情况，将火电机组的起停时间设置为1 h，以24 h为调度周期，对计及协同调峰的新能源供电出力调度模型进行求解，得到调度结果如图10所示。
图10 优化调度结果Fig.10 Optimal scheduling results
根据图10的结果可以看出，从新能源供电系统的输出功率方面出发，如果风电机组和光伏发电系统的发电功率之和无法满足新能源供电系统的净负荷时，储能系统和火电机组就会根据优先性原则向新能源供电系统提供电能。当新能源供电系统的净负荷比较大时，火电机组就会承担更大的补充发电，储能系统会根据调度周期内的需求，对自身的充电功率和放电功率进行调节；
当新能源供电系统的净负荷比较小、且储能系统可以满足新能源供电系统在这一时段的负载需求时，火电机组就会处于停机状态，当火电机组再一次启动之后，储能系统就会根据调度周期内的需求，进行充电和放电操作。从调度难度的方面出发，需求响应之后，火电机组和储能系统的输出功率比较稳定，有效降低了调度的难度。
根据图5的结果，得到新能源供电出力的运营优化调度结果见表4。
表4 运营优化调度结果Tab.4 Operation optimization scheduling results
从表4的结果可以看出，当电价统一时，新能源供电系统的负荷处于集中状态，而且通过增大峰谷差值会影响新能源供电系统运行的经济性和稳定性。通过归纳总结用户需求时段的分布，在峰谷分时下制定电价，引导用户的用电行为，从而平抑用户需求的波动性，起到了新能源供电系统的削峰填谷作用。新能源供电系统净负荷在变化的同时，火电机组的输出量越来越高，这样就降低了启停次数，从而提高了新能源供电系统运营的经济性。
本文设计了计及协同调峰的新能源供电出力调度模型，算例结果显示，该模型在降低调度难度的同时，提高了新能源供电系统运营的经济性。但是本文的研究还存在很多不足，在今后的研究中，希望可以在新能源不确定性环境中考虑需求响应度量，扩大调度模型的应用范围。
猜你喜欢调峰出力储能新常态下电站锅炉深度调峰改造与调试实践中国特种设备安全(2022年3期)2022-07-08江苏省天然气储气调峰设施建设的探讨煤气与热力(2021年7期)2021-08-23相变储能材料的应用煤气与热力(2021年6期)2021-07-28调峰保供型和普通型LNG接收站罐容计算煤气与热力(2021年5期)2021-07-22相变储能材料研究进展煤气与热力(2021年4期)2021-06-09重庆市天然气调峰储气建设的分析煤气与热力(2021年2期)2021-03-19Al3+掺杂MnO2空心纳米球的制备及其在储能上的应用陶瓷学报(2019年6期)2019-10-27“出力”就要做为人民“出彩”的事杭州(2016年1期)2016-08-15基于实测数据的风电场出力特性研究风能(2016年3期)2016-07-05汽车内饰件用塑料挂钩安装力及脱出力研究汽车零部件(2014年2期)2014-03-11