考虑风电不确定出力的风电并网协调优化模型

于　东　孙　欣　高丙团　徐　勤

(1.江苏大学电气信息工程学院　镇江　212013 2.东南大学电气工程学院　南京　211100)



考虑风电不确定出力的风电并网协调优化模型

于东1孙欣1高丙团2徐勤1

(1.江苏大学电气信息工程学院镇江212013 2.东南大学电气工程学院南京211100)

摘要针对风电出力的随机性和间歇性等特点，首先，提出了风电预渗透率的概念，结合风电预测精度，建立了风电预测误差计算模型。其次，考虑到误差随时间的迁移性，建立了风电预测误差增长模型，并建立了基于误差增长的风电不确定出力计算模型。在建立负荷可参与调度的权重区间模型以及引入可调度负荷与储能系统的基础上，建立了风电成本模型和考虑可调度负荷与储能系统风电并网协调优化调度模型。最后，以某地区电力系统为研究对象，采用Matlab对优化模型进行仿真求解，结果表明，所用方法能够有效降低弃风率以及火电备用容量。

关键词：风电不确定出力误差增长负荷效益弃风率备用权重区间

0引言

风电是全球最具规模化开发前景的可再生能源。目前风电开发以大型风电场并网运行为主。在国内，风电呈爆发式增长的同时，局部地区风电出力受限和风电机组大面积脱网事故时有发生，根据统计，截至2014年9月，全国累计并网容量8 497万kW，同比增长22%。2014年1～9月，全国风电上网电量1 060亿kW·h，同比增长7.6%。2014年1～9月，风电弃风电量86亿kW·h，同比下降28.3亿kW·h，平均弃风率7.5%，同比下降3.36%，情况虽有所好转，但形势依然很严峻。并网消纳与安全运行已成为中国风电发展的主要瓶颈，因此对于大规模风电并网的电力系统经济调度的研究具有十分重要的意义。

当前，国内外对于大规模风电并网运行经济调度的研究已经取得了一定的进展[1-4]。由于风电出力随机性大和波动性强等特点，必然给大规模风电并网经济调度带来较大困难，因此许多学者对风电出力预测进行了大量研究[5-7]，但仍难以获得准确的预测结果，风电功率预测误差还将长期存在。对于风电预测误差的处理，文献[8]计及风电出力的不确定性，提出了一种计算系统备用的概率方法。文献[9]对大规模风电并网后引起的备用需求进行了分析，提出了基于风险的备用需求决策方法，建立了一个协调优化模型来实现实时校正环节备用和滚动计划环节快速备用的协调优化分配。储能系统(Energy Storage System，ESS)具有动态吸收能量并适时释放的特点，可实现对功率和能量的时间迁移，能有效弥补风电功率预测误差不可避免的缺点[10]。文献[11]给出了关于可信度的定义，建立了基于预测可信度的储能成本模型以及储能容量的概率模型。文献[12]提出了一种基于电池ESS的风电场优化方案。

然而储能成本过高，且效率相对较低，盲目地增加系统的储能容量，同样会降低系统的经济性。负荷特性与负荷水平是影响电网风电消纳能力的两个重要因素。在国家大力建设智能电网的背景下，负荷开始发挥越来越重要的角色，其已不再是单一的用电方，而开始作为一种虚拟电厂[13]与电网进行互动。电网可通过评估负荷等级和与用户达成相关协议等方式使一部分负荷融入发电计划[14]。文献[15]认为未来智能电网需要容纳较大比例的主动负荷，以双向性、不确定性和可控性为特点。文献[16]分析了柔性负荷参与电网互动后，峰时段用电量、平时段用电量及谷时段用电量的变化趋势，电动汽车、可中断负荷响应电价或激励机制的用电量变化以及对常规机组发电、新能源发电的影响。

本文在对基于误差增长的风电不确定出力(Wind Power Uncertainty，WPU)进行研究的基础上，针对WPU所带来的问题，建立了风电成本模型；由于各类负荷在系统调度中所参与的角色不同，根据各类负荷能否参与调度的程度，综合各类负荷的指标，提出可调度负荷权重区间(Weight Interval of Schedulable Load，WISL)的概念，并建立了模型；结合ESS建立风电并网协调优化调度模型。仿真算例分别对比了4种含风电的调度模式对电网相关参数的影响。

1风电不确定出力模型

1.1风电预渗透率模型

为定量预测某地区电力系统在t时段接纳风电的能力，本文提出风电预渗透率的概念。风电预渗透率定义为风电的预测出力与系统负荷的比值，即

(1)

式中，PWF.jt为t时段风电机组j的出力预测；PD.t为t时段系统总负荷；NW为t时段运行的风电机组的数目；j为风电机组的编号。

1.2风电出力预测误差模型

风电出力预测误差与风电预渗透率和风电出力预测精度息息相关，为了更加准确地把握风电预测误差给系统带来的影响，本文在计算风电场出力预测误差时取以下两种计算方法的最大值。

et=max(PWF.jt(1-AW.jt),PWF.jtRWO.t)

(2)

式中，AW.jt为风电出力预测精度。

1.3风电预测误差增长模型

首先，本文给出风电预测稳定性的定义：对于给定的风电出力预测数据，其误差在一定条件下能够得到控制，不会对电网稳定性产生较大影响，则称风电出力预测是稳定的；否则，如果误差得不到有效控制，对电网稳定性带来较大影响，则称风电出力预测是不稳定的。

1)存在与t无关且大于0的常数A，使得

(3)

则称误差的增长是线性的。

2)存在大于1的常数B，使得

(4)

则称误差的增长是指数级的。

本文定义，预测误差按线性增长的风电出力预测是稳定的，预测误差按指数增长的风电出力预测是不稳定的。

(5)

(6)

1.4基于误差增长的风电不确定出力模型

由于风电预测是稳定的与风电预测是不稳定的两种情况下，基于误差增长的风电不确定出力计算方法相同，本文在此只讨论风电出力预测为稳定时的情况，风电出力预测为不稳定时的情况可类似求得。

若风电出力预测是稳定的，则基于误差增长的WPU计算模型如式(7)所示，图1为某一时刻风电实际出力(PW.jt)、风电预测出力以及WPU示意图。

(7)

图1　风电出力变化与WPUFig.1　Wind power variability and WPU

2可调度负荷权重区间模型

负荷权重表示各类负荷在系统中可否参与调度的程度，由于各类负荷在系统调度中所参与的角色不同，所以可根据各类负荷能否参与调度的程度，并综合各类负荷的指标，基于区间数将负荷划分为3种类型，见表1，本文涉及的可调度负荷(Schedulable Load，SL)调控主要任务是消纳系统多余风电。

表1　负荷类型与实例

由于系统中的各类负荷在各个时段能否参与调度的程度不同，所以将这些负荷划分成不同区间的级别。因此在系统调度中，结合实际情况就可以得到各类负荷的级别，并将属性级别的取值范围作为各类负荷的初始权重区间，如r类负荷在t时段的初始权重区间为

(8)

利用模糊数学相关知识将式(8)进行模糊处理，令

(9)

式中，a、b为修正系数。

则各类负荷在t时段的权重区间数为

(10)

各类负荷可参与调度的权重区间数模型为

(11)

则本文定义各类负荷在t时段参与调度的权重为

(12)

结合式(16)得到各类负荷成本计算模型

ED.rt=k1(t)sr.tPD.rt+k2(t)(sr.tPD.rt)2

(13)

式中，k1(t)、k2(t)为函数系数；PD.rt为t时段r类负荷大小。

则t时段系统调用SL的成本模型为

(14)

式中，l为系统负荷类型数量。

3储能系统模型

文献[17]定义了ESS的当前状态(容量)为E(t)，如图2所示，满足

E(t)=E(t-1)+ψPE(t)Δt

(15)

Emin≤E(t)≤Emax

(16)

式中，ψ为ESS的充放电效率；Emin、Emax分别为ESS容量上下限；PE(t)为t时段ESS的输出功率，其中PE(t)>0处于充电状态，PE(t)<0处于放电状态。

图2　ESS充放电示意图Fig.2　Charge and discharge of ESS

各时段的充放电功率PE(t)满足

PE.min≤PE(t)≤PE.max

(17)

式中，PE.min、PE.max分别为单位时间内ESS充放电功率上下限。

则t时段系统调用ESS成本模型为

CE(t)=kE(t)PE(t)

(18)

式中，kE(t)为ESS成本系数。

4系统成本模型

4.1风电成本模型

风电弃风原因主要包括：①风电机组增长过快，并网风电容量远超系统消纳能力，则导致电网无法及时全额消纳风电量；②风电的外送能力不足，当本地无法全额消纳风电量时，若线路的传输能力不足，则将导致部分弃风；③风电预测误差；④电网调度能力不足。

结合上述风电弃风原因，本文所建风电成本模型包含ESS成本和SL成本。

PE(t)=(1-ζt)PWU.t

(19)

式中，ζt为权重系数。

4.2火电成本模型

火电成本的数学模型为

FG.it=aiPG.it

(20)

式中，ai为线性化成本函数系数；PG.it为t时段火电机组i的有功出力。

5优化模型

5.1目标和约束

目标函数

(21)

式中，NG为t时段运行的火电机组的数目；T为调度时段。

约束条件：

1)功率平衡约束

(22)

2)机组输出功率约束

(23)

3)爬坡速率约束

(24)

4)ESS约束

(25)

5.2模型分析

优化模型中目标函数包括风电成本模型和火电成本模型，其中风电成本模型是在WPU模型、WISL模型及ESS模型的基础上建立的，表2为优化模型考虑以上模型时的优点和缺点分析对比。

表2　所建模型优缺点分析

针对表2中WISL模型和ESS模型的优点和缺点，本文将两种模型进行结合，同时采用WISL和ESS来调节WPU，两种模型可在一定程度上起到互补的作用。

6算例分析

6.1算例参数

本文中所建的优化模型在Matlab软件平台上调用CPLEX进行仿真求解，使用的计算机主频为2.5 GHz、内存为4 GB。以具有8台火电机组和2个大型风电场的系统为研究对象，采用24 h计划，但以15min为间隔(T=96)，火电机组参数如表3所示。

表3　火电机组参数

风电场的出力预测数据如图3所示，风电场的出力预测精度为0.85。

图3　风电预测与负荷数据Fig.3　Data of wind power forecast and load

系统在调度周期内各时段的负荷见图3，其中固定负荷的比重为50%，A类SL的比重为30%，B类SL的比重为20%，修正系数a、b分别为0.5、1。SL的调控时段为6∶00～23∶00，各时段的WISL见表4，00∶00～05∶00时段的WISL为[1，1]。ESS成本系数取0.05万元/MW，ESS相关参数见表5。

6.2仿真结果1：含风电的调度模式分析

针对5.2节模型分析，通过模式Ⅰ～Ⅳ来验证上述模型的优缺点，如表6所示，本文所建优化模型为模式Ⅳ，为了分析对比与其他调度模式的不同，本文又设定了模式Ⅰ～Ⅲ，为了更好地对比这4种模式，模式Ⅰ～Ⅲ的设定所需的参数均与模式Ⅳ相同，其目标函数和约束条件的设定在模式Ⅳ的基础上进行相应地调整。

表4　WISL取值

表5　ESS参数

表6　不同模式的设定

表7为调度周期内火电总成本Cg、风电总成本Cw、弃风率χw、实际误差ea及预测误差ef情况，其中风电总成本包括ESS成本Cw.e和SL总成本Cw.d。由于模式Ⅰ中没有考虑风电预测误差以及采用单一的火电调度方式，WPU无法得到ESS和SL来调节，因此弃风率最高。模式Ⅱ中虽使用传统的误差计算方法并计其ESS，使用ESS来对WPU进行调节，但由于此风电预测误差方法计算出的误差与实际误差偏差较大，加上ESS成本及ESS充放电效率等原因，系统成本不但没有降低，而且弃风率依然偏高。模式Ⅲ中采用基于误差增长的WPU模型，加上火-SL-储联合的调度方式，使得系统的弃风情况明显好转，但在调度过程中对ESS的调用过多，没能更好地发挥SL的优势。模式Ⅳ中，由于对SL进行区间权重的划分，使得各类SL可以在不同时段处理WPU的问题上起到一定的互补作用，加上ESS后备作用，弥补了模式Ⅱ和模式Ⅲ中存在的不足，使得SL充分参与到对WPU的调节中，不但节省了系统成本，而且降低了系统弃风率。

表7　模式Ⅰ～Ⅳ各类成本、弃风及误差情况

6.3仿真结果2：风电调度模式对系统备用的影响

同样以6.2节中4种调度模式为例进行分析。其中模式Ⅰ不考虑风电预测误差，此时系统的备用需求主要来自火电备用。模型Ⅱ中的备用需求主要由ESS提供，模式Ⅲ中的备用需求则主要由ESS和SL共同提供，模式Ⅳ中的备用需求同样由ESS和SL共同提供。表8为4种调度模式下的备用需求情况，其中Rr为系统的备用需求，Dl为SL备用，Rg为火电备用，Er为储能备用。

表8　4种调度模式下的系统备用需求

图4～图7分别为模式Ⅰ～Ⅳ的备用需求的分析。从图中可以看出，模式Ⅰ在调度周期内的系统的备用需求主要由火电机组承担；模式Ⅱ的备用需求主要由ESS来完成，考虑到ESS的充放电效率以及当ESS电能储存满额与无电能存储情况，如时刻25、时刻26，ESS无电能存储，此时的系统备用由火电备用承担，而时刻36，ESS则处于电能存储满额的状态；模式Ⅲ在调度周期内的系统备用需求主要由ESS提供，仅有部分由SL提供；模式Ⅳ中的备用需求全部得到满足，在不可调控时段由ESS提供备用，在ESS电能存储满额或是无电能存储时由SL提供备用，起到了互补的作用。同时由于A类SL和B类SL的可调度性在大部分时段内是对立的，因此两类SL在调度周期内也起到了一定的互补作用。

图4　模式Ⅰ在调度周期内系统备用需求分析Fig.4　Analysis of system reserve demand of modeⅠ in a simulation day

图5　模式Ⅱ在调度周期内系统备用需求分析Fig.5　Analysis of system reserve demand of mode Ⅱ in a simulation day

图6　模式Ⅲ在调度周期内系统备用需求分析Fig.6　Analysis of system reserve demand of mode Ⅲ in a simulation day

图7　模式Ⅳ在调度周期内系统备用需求分析Fig.7　Analysis of system reserve demand of mode Ⅳ in a simulation day

7结论

本文提出了一种基于WPU与WISL的风电并网协调优化方法。首先，对风电预测误差进行了相关研究，提出了风电预渗透率的概念，结合风电预测精度，建立了风电预测误差模型。其次，建立了风电预测误差增长模型，并建立了基于误差增长的WPU模型；考虑到不同负荷的可调度能力，提出了WISL的概念，并建立了模型；在以上研究基础上，建立了基于WPU和WISL的风电并网协调优化模型，为电网调度人员在解决风电接入问题时提供具有明显社会经济效益的优化调度方案。得到如下结论：

1)本文建立的基于误差增长的WPU模型计算出的WPU可较全面地反应误差信息，为后续调度提供更加准确的数据。

2)提出的WISL可为不同级别负荷在不同时段的可调度性制定相应的标准，避免了统一标准下的资源浪费，使SL能够充分有效地参与到对WPU的调节中，从而减少对ESS的使用量，降低了弃风率与系统的备用容量。

3)ESS的参与，可弥补极端情况下SL无法参与风电调节的缺点，在对SL进行权重区间划分的过程中承担一定的后备作用。

为了简明阐述，本文仅对WISL进行了简单的划分，依据本文所提方法，如何更加准确地对每一类SL进行准确地权重区间划分，这将是后续研究的重点。

参考文献

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

[2]杨柳青，林舜江，刘明波，等.考虑风电接入的大型电力系统多目标动态优化调度[J].电工技术学报，2014，29(10)：286-295.

Yang Liuqing，Lin Shunjiang，Liu Mingbo，et al.Multi-objective dynamic optimal dispatch for large-Scale power systems considering wind power penetration[J].Transactions of China Electrotechnical Society，2014，29(10)：286-295.

[3]Wang Caixia，Lu Zongxiang，Qiao Ying.A consideration of the wind power benefits in day-ahead scheduling of wind-coal intensive power systems[J].IEEE Transactions on Power Systems，2013，28(1)：236-245.

[4]夏澍，周明，李庚银.含大规模风电场的电力系统动态经济调度[J].电力系统保护与控制，2011，39(13)：71-77.

Xia Shu，Zhou Ming，Li Gengyin.Dynamic economic dispatch of power system containing large-scale wind farm[J].Power System Protection and Control，2011，39(13)：71-77.

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

[6]Amjady N，Keynia F，Zareipour H.Short-term wind power forecasting using ridgelet neural network[J].Electric Power Systems Research，2011，81(12)：2099-2107.

[7]丁华杰，宋永华，胡泽春，等.基于风电场功率特性的日前风电预测误差概率分布研究[J].中国电机工程学报，2013，33(34)：136-144.

Ding Huajie，Song Yonghua，Hu Zechun，et al.Probability density function of day-ahead wind power forecast errors based on power curves of wind farms[J].Proceedings of the CSEE，2013，33(34)：136-144.

[8]Doherty R，O’Malley M.A new approach to quantify reserve demand in systems with significant installed wind capacity[J].IEEE Transactions on Power Systems，2005，20(2)：587-595.

[9]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)：15-19.

Zhang Guoqiang，Wu Wenchuan，Zhang Boming.Optimization of operation reserve coordination considering wind power integration[J].Automation of Electric Power System，2011，35(12)：15-19.

[10]严干贵，刘嘉，崔杨，等.利用储能提高风电调度入网规模的经济性评价[J].中国电机工程学报，2013，33(22)：45-52.

Yan Gangui，Liu Jia，Cui Yang，et al.Economic evaluation of improving the wind power scheduling scale by energy storage system[J].Proceedings of the CSEE，2013，33(22)：45-52.

[11]南晓强，李群湛，赵元哲，等.计及风电预测可信度的经济调度及辅助决策方法[J].电力系统自动化，2012，37(19)：61-67.

Nan Xiaoqiang，Li qunzhan，Zhao Yuanzhe，et al.An economic dispatch and decision making method based on credibility of wind power forecasting[J].Automation of Electric Power System，2012，37(19)：61-67.

[12]Luo F，Meng K，Zhao Y D，et al.Coordinated operational planning for wind farm with battery energy storage system[J].IEEE Transactions on Sustainabe Energy，2015，6(1)：253-262.

[13]王珂，姚建国，姚良忠，等.电力柔性负荷调度研究综述[J].电力系统自动化，2014，38(20)：127-135.

Wang Ke，Yao Jianguo，Yao Liangzhong，et al.Survey of research on flexible loads scheduling technologies[J].Automation of Electric Power Systems，2014，38(20)：127-135.

[14]刘新东，方科，陈焕远，等.利用合理弃风提高大规模风电消纳能力的理论研究[J].电力系统保护与控制，2012，40(6)：35-39.

Liu Xindong，Fang Ke，Chen Huanyuan，et al.Research on rational wind power casing theory for large-scale wind power integration improvement[J].Power System Protection and Control，2012，40(6)：35-39.

[15]鞠平，秦川，黄桦，等.面向智能电网的建模研究展望[J].电力系统自动化，2012，36(11)：1-6.

Ju Ping，Qin Chuan，Huang Hua，et al.Survey of research trends of power system modeling geared to smart grid[J].Automation of Electric Power System，2012，36(11)：1-6.

[16]曾丹，姚建国，杨胜春，等.柔性负荷与电网互动的系统动力学仿真模型[J].中国电机工程学报，2014，34(25)：4227-4233.

Zeng Dan，Yao Jianguo，Yang Shengchun，et al.System dynamics simulation model of flexible load in interactive power grid[J].Proceedings of the CSEE，2014，34(25)：4227-4233.

[17]向月，刘俊勇，魏震波，等.考虑可再生能源出力不确定性的微电网能量优化鲁棒模型[J].中国电机工程学报，2014，34(19)：3063-3072.

Xiang Yue，Liu Junyong，Wei Zhenbo，et al.Robust model of microgrid energy optimization with uncertain renewable energy sources[J].Proceedings of the CSEE，2014，34(19)：3063-3072.

作者简介

于东男，1989年生，硕士研究生，研究方向为电力系统优化运行与风电并网经济调度。

E-mail：yudong0126@163.com(通信作者)

孙欣女，1980年生，博士，副教授，研究方向为电力市场、经济调度和新能源发电。

E-mail：xin-sun05@mails.tsinghua.edu.cn

Coordinated Optimization Model for Wind Power Integration Considering Wind Power Uncertainty Output

Yu Dong1Sun Xin1Gao Bingtuan2Xu Qin1

(1.Department of Electrical EngineeringJiangsu UniversityZhenjiang212013China 2.Electrical EngineeringSoutheast UniversityNanjing211100China)

AbstractWind power has the features of uncertainty and intermittence.So firstly，the concept of the wind power pre-penetration rate is proposed.Combined with wind power forecast accuracy，the wind power forecast error is presented.Secondly，the model of wind power forecast error growth is established by considering the variability of wind power forecast error over time，and the model of wind power uncertainty (WPU) based on error growth is established.On the basis of the weight interval of schedulable load (WISL)，schedulable load (SL)，and energy storage system (ESS)，the wind cost model is established，and a coordinated optimization dispatch model for wind power integration considering load benefits is established.Finally，the Matlab is used to solve the optimization model.Taking the power system of a certain area as the research object，the results show that the given method can reduce the wind curtailment rate and thermal power reserve capacity.

Keywords：Wind power uncertainty output，error growth，load benefits，wind curtailment rate，reserve，weight interval

中图分类号：TM732

国家自然科学基金(51007032)和江苏省高校优势学科建设工程资助项目。

收稿日期2015-04-13改稿日期2015-07-06