消纳大规模风电的备用容量在线滚动决策与模型

杨娜娜，张建成，顾志东

(1.华北电力大学(保定)，河北保定　071003； 2.海南电力公司，海南海口　570203)

An Online Rolling Dispatch Method and Model of Spinning Reserve for Accommodating Large-scale Wind PowerYANG Nana1, ZHANG Jiancheng1, GU Zhidong2

(1. North China Electric Power University, Baoding 071003, China; 2. Hainan Power Grid, Haikou 570203， China)



消纳大规模风电的备用容量在线滚动决策与模型

杨娜娜1，张建成1，顾志东2

(1.华北电力大学(保定)，河北保定071003； 2.海南电力公司，海南海口570203)

0引言

近年来，随着大规模风电的并网运行，由于风电具有随机性、间歇性和波动性的特点，发电功率较难准确预测，在时间和空间尺度上给接入风电的系统备用容量优化配置提出了新的挑战。

风电预测的准确性是大规模消纳风电的前提[1]，但目前风电预测结果尚缺乏足够精度，且风电预测误差随着预测时间的增大而不断增大，使日内功率预测与日前发电计划存在较大偏差，严重影响了传统的日前发电计划在日内的执行。鉴于风电预测存在的诸多问题，通过引入滚动计划模型对日前剩余发电计划偏差的不断修正，可逐级降低日前发电计划的不确定性。因此根据滚动刷新的风电和超短期负荷预测值，基于发电偏差不断调整系统各机组的备用容量，并根据确定的备用容量修正发电计划，以实现由日前到日内的平滑过渡是很有必要的。

目前国内外学者在含风电的电力系统备用容量日内分配方面取得了不少研究成果[2-3]。文献[4]提出了能有效提高电网消纳风电等间歇式能源能力的发电计划在线滚动修正策略，其中将日内风电作为负的负荷处理；文献[5]考虑到风电的随机波动性和风电功率预测误差，提出了一种基于风险的风电备用需求决策方法和一种充分利用发电机组控制性能的两级备用协调优化算法，其中设置滚动计划环节快速备用以应对系统内的突发事件和为实时校正环节提供备用，有效解决了风电备用需求问题；文献[6]依据预测误差随时间尺度减小而逐级递减的特性，提出了计及风电预测误差的日前和日内调度计划渐近优化模型，以此来提高剩余时段调度计划的准确性；文献[7]基于风电功率概率预测建立了日内滚动优化调度模型，并采用缩减情景树的方法对模型进行快速求解。

以上研究均是有关日内发电计划与旋转备用统一建模的旋转备用确定问题，在基于发电偏差优化的备用容量滚动决策方面的研究很少。虽然文献[8]针对超短期负荷预测的结果与原有发电计划之间的发电偏差进行优化，但并未计及风电接入对系统备用的影响。为此，本文提出了消纳大规模风电的基于发电偏差优化的备用容量在线滚动决策与模型。

1总体思路

为了实现发电计划由日前到日内的平滑过渡，本文依据系统负荷和风电预测精度随时间尺度的细化而逐级提高的特性，引入基于日内发电偏差的备用容量在线滚动策略。总体思路如下：每隔1h自动获取调度日剩余时段最新的负荷预测和风电预测的信息，求取日前发电计划与最新负荷和风电预测值的发电偏差。将正态分布与拉普拉斯分布联合来拟合风电预测偏差，在此前提下基于置信度的概念求取某一时段风电出力波动上下限，然后采用随机生产模拟技术确定在某一可靠性指标下的系统最大备用容量即为该时段发电偏差限值约束，若日内发电偏差大于该限值，说明系统常规机组的备用容量不足以完全消纳风电的随机波动变化，需取发电偏差为最大备用容量对常规机组优化，并对风电机组做切机处理以保证系统的可靠性。将发电偏差限定在允许范围之后，采用改进粒子群算法对调度日剩余时段的发电偏差进行优化，求得各机组相应时段调用的备用容量，实现对剩余时段机组出力的不断调整。

本文调度策略总体框架如图1所示。

图1　在线滚动调度策略总体思路

2优化模型

2.1目标函数

电力市场环境下，备用报价分为容量价格和电量价格[9]，本文采用对由日前制定发电计划确定的备用容量付给容量价格，而由日内滚动调度得到的备用容量即各时段调用的备用容量付给电量价格的方法。取各机组的电量价格为其电能报价，则本文备用容量滚动调度的目标函数为

(1)

式中:Ci为各机组的电量报价；N为系统中常规机组总数；ΔPi,t为系统中常规机组i在t时段的调节量；T(T=96)为一天的总时段数；T0为当前计算的开始时段。

2.2约束条件

2.2.1发电机出力上下限约束

(2)

式中:ΔPi,tmax、ΔPi,tmin分别为第i台机组在t时段出力增量的上调整最大值和下调整最大值。

考虑到滚动调度的修正值与原计划值的关联关系，应将每台机组修正后的出力值与日前计划的偏差控制在一定范围内。故有

(3)

式中：ΔPir、ΔPid为第i台机组允许滚动修正的上下爬坡出力的最大偏差；Pi，max、Pi，min为第i台机组有功出力上下限；Pi,t为t时段机组当前出力。

2.2.2机组爬坡速率约束

(4)

式中:uri、dri为机组的上升和下降爬坡速率。

2.2.3机组功率平衡约束

由于发电偏差引起的网络损耗很小，可忽略不计，故各机组调整量之和应等于净负荷的总偏差量，公式如下：

(5)

式中:Dt、Pw，t分别为时段的最新负荷预测值和风电预测值；Pg，t为t日前计划所有机组总出力之和。

2.2.4可靠性指标约束

LOLP≤LOLPtarget

(6)

式中：LOLP为系统的电力不足概率，LOLPtarget本文取0.05。

3最大备用容量求取

本文优化模型中将风电视为负的负荷，作为确定值处理。即在随机生产模拟过程中将各时段风电视为确定出力的机组承担。但由于风电功率预测精度不高，难以获得准确的预测结果，大大增加了等效负荷的不确定性以及常规机组安排出力的难度，故需要分析风电场功率预测误差的分布特性，基于某一置信区间确定风电出力的极值，并对求得的风电极值作为对应时段的风电机组的确定出力，从而将影响风电出力的随机性和波动性的因素考虑在内，以增加常规发电机组的调节裕度。

3.1风电功率预测极值

研究表明，风电功率预测偏差的概率分布介于正态分布与拉普拉斯分布之间[10]，因此本文采用文献[11]中提出的正态分布与拉普拉斯分布相结合的概率密度函数拟合风电预测偏差，即

(7)

其中标准差由下式确定：

(8)

式中:W1为风电总装机容量。

α1和α2可通过以下方程求得

(9)

考虑到风电预测的不确定性，引入置信度概念，求取基于某一置信度水平下风电出力极值。以正态分布为例，其置信度区间如图2所示。概率分布曲线与横轴围成的面积为1。图中阴影部分面积即为置信度α，a、b为置信度α时所对应的概率分布曲线的边界值。文中α表示风电机组在极值出力时的概率，而(1-α/2)则表示风电机组出力超出极值范围，取其为风电机组的强迫停运率。

图2　正态分布曲线的置信度区间示意图

因此在置信度α下风电机组出力极值分别为

(10)

式中：Pw，t，max、Pw，t，min为风电出力上下限的极值。

3.2含风电场随机生产模拟

由于日内机组出现强迫停运的概率极低，两台机组同时故障的概率更低，为了满足滚动计划在线运行的要求，本文只考虑每时段系统中出力最大一台机组的强迫停运，并将各时段风电机组视为固定出力为上文所求对应时段极值的机组，对原始负荷曲线进行修正，得到等效持续负荷曲线。根据第2节给定的可靠性指标求得对应的等效负荷，最后与此时段的最新负荷预测值的相减即得到此时段的系统最大备用容量即为发电偏差取值的约束条件。为了最大限度消纳风电，优先安排风电机组，然后再安排系统中出力最大的一台机组，由于其余机组不考虑其强迫停运，其安排顺序对等效负荷曲线的形成没有影响，从而大大节省了计算时间。求取每一时段含风电场的发电偏差限值的随机生产模拟步骤如下：

①由日前短期负荷预测数据形成初始持续负荷曲线f0(x)；

②安排风电机组带负荷，当发电偏差为正时，说明风电出力较小，取风电出力下限Pw,t,min形成曲线f0(x-Pw,t,min)，当发电偏差为负值时，说明风电出力较大，取风电出力上限Pw,t,max，形成曲线f0(x-Pw,t,max)，风电机组的强迫停运率为(1-α/2)；

③ 发电偏差为正值时修正f0(x)，得

④考虑系统中出力最大一台机组故障，形成f1(x-Cmax)，Cmax为系统中出力最大一台机组容量。取其强迫停运率为pi，修正曲线得

⑤ 由电力系统可靠性指标LOLPtarget求得对应的系统容量，并与此时段的负荷做差求得最大备用容量作为发电计划偏差限值约束。

4改进粒子群算法

滚动调度策略的在线运行对计算速度和鲁棒性具有很高要求。而基本粒子群算法自1995年被Kennedy和Eberhart提出后，以其操作简单、依赖参数少、计算效率高、收敛速度快、鲁棒性强等优势而优于其它智能算法。故本文选用粒子群算法对模型求解，并加以改进，以满足在线运行的要求。改进如下：

① 为了提高粒子的收敛速度,采用平方递减惯性权重公式，即

(11)

式中：Kmax为最大迭代次数；k为当前迭代次数；wmax、wmin为最大、最小惯性权重系数。

② 学习因子c1、c2决定了信息交换，为了保持粒子多样性，使粒子跳出局部最优解，对c1、c2采用线性改变策略，即

(12)

(13)

式中：c1i、c1f、c2i、c2f分别为c1和c2的初始值和最终值。

③ 变异。针对基本粒子群算法过早收敛于局部最优解的缺陷，设计了一种变异算法，即采用同一粒子的两点互换变异以保证解的多样性。每隔10代，按变异率pm在群体中选择若干个体进行变异。首先随机选择变异位置pos1和pos2，然后把两位置对应粒子的值进行互换，并按约束条件做相应的调整。

5算例分析

为验证本文提出的滚动决策的正确性和改进粒子群算法的有效性，本文采用某省级电网作为算例。将同一发电厂内的发电机视为一台等效机组，则该省共有9台发电机，1、2、3号机组为火电机组，4、5、6号机组为气电机组，7、8、9号机组为水电机组，系统总装机容量为3 829.6MW。同时含有风电场5个，风电场装机容量为315MW，占全省总装机的9.5%。常规发电机组的数据见表1，日前发电计划见附录A表A1。考虑风电的波动性和预测误差，取置信度α为0.99，每隔1h计算调度日剩余时段的备用调整值，并修正机组出力计划。

表1　常规发电机组参数表

5.1计算效率分析

对本文所提策略模型及算法，采用MATLAB开发了滚动调度程序，其硬件环境为Inter(R)Core(TM)i3CPU,2.00G内存。设置粒子群种群数为60，最大迭代次数为150，变异率为0.4。当T0为0时，对调度日剩余时段以15min为一个点共96时段进行计算所需计算时间最长，为10.956 6s。由此可知，本文所算法计算效率高，满足在线运行的需求。

5.2计算结果分析

以日内24时段为例计算，每次只取第1个点作为滚动计算结果执行，得到各时段的发电偏差和机组G1～G9的备用调整值如表2所示。

表2　各时段发电偏差和备用调整值　MW

表2中各机组调整量均取正值，当发电偏差为正时，则在日前计划的基础上上调备用调用容量；反之，当发电偏差为负时，在日前计划的基础上下备用调用容量。由表2可以看出，发电偏差绝对值最大为123.29MW，而本文算法得到的发电偏差限值最小为250.46MW，没有出现备用容量不足的情况，本文提出的模型在日前确定的备用容量的基础上，根据发电偏差调节各机组各时段应提供的备用容量，不仅实现了风电全额消纳，更保证了系统的可靠性。若选取前4个点即96时段的优化结果，则系统的备用购买费用为174.9万元，而采用常规备用确定方法需支付348.48万元，经济性有很大提高，充分证明了本文所提模型的正确性和算法的有效性。

6结束语

本文在传统日前发电计划的基础上提出了消纳风电的基于发电偏差优化的备用容量在线滚动决策与模型。在该模型的各时段求解过程中，通过考虑风电波动性和随机性的影响，确定各时段的系统最大备用容量作为发电偏差限值约束，以降低风电对系统的冲击作用，在保证系统可靠性的前提下，达到了尽可能多地消纳风电的目的。采用改进粒子群算法进行求解，某省级电网的仿真结果表明，通过对发电偏差的优化处理，可有效地实现滚动计划阶段各调度时段机组的备用容量配置和优化，减少弃风量的同时，提高了系统运行的经济型和可靠性。算例仿真结果验证了所提策略和模型的有效性，对各时段的备用容量调整具有指导意义。

参考文献

[1]张伯明，吴文传，郑太一，等.消纳大规模风电的多时间尺度协调的有功调度系统设计[J].电力系统自动化，2011，35(1)：1-6.

[2]Ortega-Vazquez M A，Kirschen D S.Estimating the spinning reserve requirements in systems with significant wind power generation penetration[J].IEEE Trans. on Power Systems，2009，24(1)：114-124.

[3]Morales J M，Conejo A J，Perez-Ruiz J.Economic valuation of reserve in power systems with high penetration of wind power[J].IEEE Trans. on Power Systems，2009，24(2)：900-910.

[4]沈伟，吴文传，张伯明，等.消纳大规模风电的在线滚动调度策略与模型[J].电力系统自动化，2011，35(22)：136-140.

[5]张国强，吴文传，张伯明.考虑风电接入的有功运行备用协调优化[J].电力系统自动化，2011，35(12)：15-20.

[6]王洪涛，何成明，房光华，等.计及风电预测误差带的调度计划渐进优化模型[J].电力系统自动化，2011， 35(22)：131-135.

[7]Meibom P，Barth R， Hasche B，et al.Stochastic optimization model to study the operational impacts of high wind penetrations in Ireland[J].IEEE Transactions on Power Systems，2011，26(3)：1367-1379.

[8]温步瀛.电力市场条件下发电计划偏差的优化校正研究[J].中国电机工程学报，2007，27(13)：111-116.

[9]谢国辉，张粒子，葛炬.节能发电调度旋转备用计划优化[J].电力系统自动化，2009，33(13)：43-47.

[10]Bludszuweit H，Dominguez-Navarro J A，Llombart A. Statistical analysis of wind power forecast error[J].IEEE Transactions on Power Systems，2008，23(3)：983-991.

[11]任禹丞，陆彬，张馨升.含风电场的发电系统旋转备用优化调度模型研究[J].电工电气，2013(7)：5-9.

[12]王丹平，陈之栩，涂孟夫，等.考虑大规模风电接入的备用容量计算[J].电力系统自动化，2012，36(21)：24-28.

[13]尚金成，黄勇皓，康重庆，等.多级电力市场之间协调的模型与方法[J].电力系统自动化，2004，28(6)：19-24.

[14]李智，张新松，郭晓丽.大规模风电接入火电系统的最优旋转备用容量研究[J].电力系统保护与控制，2012，40(13)：110-114.

[15]蔺海明，刘天琪，李兴源.考虑风电出力和负荷不确定性的电力系统有功优化潮流[J].电网技术，2013，37(6)：1584-1589.

[16]王锡凡，王秀丽.随机生产模拟及其应用[J].电力系统自动化，2003，27(8)：10-16.

[17]姜文，严正.基于一种改进粒子群算法的含风电场电力系统动态经济调度[J].电力系统保护与控制，2010， 38(21)：173-179.

[18]江岳文，陈冲，温步瀛.含风电场的电力系统机组组合问题随机模拟粒子群算法[J].电工技术学报，2009， 34(6)：129-137.

杨娜娜(1989—)，女，硕士研究生，研究方向为调度自动化，E-mail：1043214316@qq.com；

张建成(1965—)，男，教授，研究方向为新能源发电系统控制技术、储能技术，E-mail：Zhang_jiancheng@163.com；

顾志东(1968—)，男，高级工程师，研究方向为调度自动化，E-mail：haojiegyz@163.com。

(责任编辑：杨秋霞)

附录A

表A1　日前发电计划　MW

An Online Rolling Dispatch Method and Model of Spinning Reserve for Accommodating Large-scale Wind PowerYANG Nana1, ZHANG Jiancheng1, GU Zhidong2

(1. North China Electric Power University, Baoding 071003, China; 2. Hainan Power Grid, Haikou 570203， China)

摘要：针对日内最新预测值与日前发电计划存在较大偏差的问题，考虑到风电预测精度具有随时间尺度逐级提高的特性，提出了能有效消纳风电的基于发电偏差优化的备用容量在线滚动修正策略，并建立了相应的优化调度模型。首先将正态分布与拉普拉斯分布联合来拟合风电预测偏差，在此基础上采用基于置信度的方法确定某时段风电出力极值，随后利用随机生产模拟求取该时段系统的最大备用容量即为该时段的发电偏差约束的限制值。最后，利用发电偏差与限值的比较，利用改进的粒子群算法对模型进行求解。某省电网实际算例仿真结果验证了所提策略和模型的有效性。

关键词：消纳风电；风电预测偏差；发电偏差；备用容量优化；滚动调度；随机生产模拟

Abstract：Because there is a big deviation between the newest intra-day predicted values and day-ahead generation schedule, by considering the characteristics that the predicting accuracy of wind power can be increased by the level with different time scales, an online rolling dispatch strategy for spinning reserve based on power deviation optimization is proposed for accommodating large-scale wind power effectively, and a mathematic model for online rolling dispatch is also built. Firstly, the combination of normal distribution with Laplace distribution is taken to simulate the forecasting error for probability distribution of wind power, then the top and bottom limitation of wind power is determined based on confidence level. Therefore, stochastic simulation is taken to get the maximum spare capacity as the limit value of power deviation constrains. In the end, by comparing the power deviation with the limit value, the model is solved by improved particle swarm optimization algorithm. The simulation results of a real provincial power grid system verify the effectiveness of proposed strategy and model.

Keywords：wind power accommodation; wind prediction error; power deviation; reserve capacity optimization; rolling dispatch; stochastic simulation

作者简介：

收稿日期：2014-07-20

文章编号：1007-2322(2015)01-0052-07

文献标志码：A

中图分类号：TM734