虚拟电厂下计及分布式风电与储能系统的电力系统优化调度

王天旺,高赟,姜孟,杜涛

(1.西安科技大学电气与控制工程学院,西安市 710054； 2. 云南电网有限责任公司西双版纳供电局,云南省西双版纳市 666100; 3. 国网青岛供电公司,山东省青岛市, 266002)

虚拟电厂下计及分布式风电与储能系统的电力系统优化调度

王天旺1,高赟1,姜孟2,杜涛3

(1.西安科技大学电气与控制工程学院,西安市 710054； 2. 云南电网有限责任公司西双版纳供电局,云南省西双版纳市 666100; 3. 国网青岛供电公司,山东省青岛市, 266002)

清洁的可再生能源在电力系统中的渗透率不断提升。随着智能电网技术的发展，越来越多的分布式可再生能源接入电力系统运行。风电是最具商业潜力及发展前景的可再生能源之一。该文提出将分布式风电机组与储能设备构成虚拟电厂(virtual power plant,VPP)参与电力系统运行，并建立了计及虚拟电厂的电力系统优化调度模型。模型中同时考虑了功率及备用容量的优化调度，并利用条件风险价值(conditional value at risk，CVaR)对系统运行成本进行风险管理。无须对电网的结构进行改变，虚拟电厂更适用于地理聚集程度较低的可再生分布式能源的调度和管理。同时，相较于常规的风电-储能联合运行模式，基于虚拟电厂的分布式可再生能源调度在降低系统风险的同时也提高了系统运行的经济性。

虚拟电厂(VPP)；分布式电源；风电；储能设备；优化调度

0 引 言

近年来，随着化石能源储量的减少及环境保护意识的提高，可再生能源在电力系统中的渗透率不断提高。其中，风电作为技术最为成熟且最具有商业价值的可再生能源，其在电力系统中的应用具有广阔的发展前景[1]。作为可再生能源，风力发电受环境和气候因素影响巨大，其出力具有很强的波动性和不确定性，对电力系统调度和运行带来重要影响[2]。专家和学者对此进行了大量研究，主要包括风电并网后，电力系统的日前能量调度[3]以及调频[4]、备用[5]等辅助服务决策。

相比大规模风电场，分布式风电在系统运行中具有更加灵活且靠近负荷中心的特点，是大电网的有益补充[6]。分布式风电在电力系统中的应用正不断增加，但单个分布式电源容量较小，且往往位于配电网末端而难以对其进行有效调度。目前，对分布式风电的研究主要集中在电源的优化配置[7-8]及出力不确定性对系统安全和电能质量的影响[9]等方面。调度运行方面，文献[10]对分布式电源接入电网后系统的有功调度进行了研究，而对分布式风电并网后功率与辅助服务的联合优化调度研究较少。

为了减少风电出力波动性及不确定性对电力系统运行造成的影响，通常配置储能设备与风电机组联合运行[11-12]。相比常规的风电-储能联合运行，本文提出以分布式风电机组与储能设备组成虚拟电厂，参与电力系统的优化调度。虚拟电厂(virtual power plant，VPP)可定义为通过通信技术来整合发电机组构成的虚拟企业[13]。借助分布式控制及通信技术将分布式发电机组、可控负荷和分布式储能设施有机结合，VPP作为一个整体参与电力系统运行，而无须对原有电网结构进行改变[14]。VPP可对分布式电源的出力进行预测，并通过储能设备平抑其出力波动，以提升分布式电源运行效益，降低电力系统运行成本[15-16]。文献[17]对储能设备与分布式风电构成虚拟电厂参与系统优化调度的运行方式进行了分析，并研究了虚拟电厂运行的经济性，但并未计及风电出力的不确定性。文献[18]对计及虚拟电厂参与的电力系统能量优化调度进行了分析，但并未将虚拟电厂的辅助服务考虑在内。

本文计及分布式风电出力及负荷预测的不确定性，建立由分布式风电与储能设备构成的虚拟电厂参与的电力系统优化调度模型。在分析电力系统运行经济性的同时，利用条件风险价值(conditional value at risk，CVaR)方法，衡量电力系统优化调度风险。通过与风电独立并网运行、常规风电-储能联合运行模式进行对比，说明VPP在可再生分布式能源渗透背景下电力系统优化调度运行中的重要作用。

1 VPP内部调度模型

文献[19]指出，对并网运行的分布式风电采用集中控制和管理具有一定的必要性。本文中分布式风电机组与储能设备构成虚拟电厂，参与电力系统优化调度。在电力系统中，可按传统发电厂对其进行处理。

1.1 风力发电机组及储能设备模型

风力发电机组的出力主要受到风速和风电机组功率特性两方面的影响。其中，风电机组的输出功率特性如式(1)所示:

(1)

式中：Pw为风电机组输出的有功功率；vw为风速；vci为风电机组的切入风速；vco为风电机组的切出风速；vr为风电机组的额定风速；Pr为风电机组的额定功率。

风速受到众多地理、气候等自然因素的影响。考虑风速的不确定性，建立风速概率模型。为了更好地描述风速波动的短期随机性，用式(2)—(3)对风速进行建模:

vw,t=vwa,t+Δvw,t

(2)

vwa,t=vwf,t+Δvwf,t

(3)

式中：vw,t为t时刻的实际风速；vwa,t为平均预测风速；Δvw,t为平均预测风速误差；vwf,t为预测风速；Δvwf,t为预测风速误差。

储能设备与分布式风力互补运行，可充分弥补风电出力的不确定性和波动性，保障VPP出力和运行的可靠性。储能设备最重要的特征是电池荷电状态(state of charge，SOC)，其计算如式(4)所示：

(4)

为了保障储能设备的使用寿命，SOC及充、放电功率必须维持在一定范围内。SOC和充、放电功率的约束条件为：

0

(5)

(6)

(7)

1.2 VPP模型

VPP在参与电力系统调度提供电能的同时，由于储能设备的可控性，允许VPP同时提供一定的备用容量。虚拟电厂自身的调度目标是其运营效益最大化，如式(8)所示：

虚拟电厂的功率平衡约束及出力约束为：

(9)

(10)

为保障电力系统的安全稳定运行，对虚拟电厂提供的备用容量限制如下：

(11)

以上，本节在分布式风电机组及储能设备模型的基础上建立了以VPP运营效益最大化为目标的运行调度模型。

2 电力系统优化调度模型

2.1 电力系统优化调度模型

前已述及，电力系统可将VPP作为常规电厂进行统一调度和管理。同时考虑能量及辅助服务(本文仅考虑向上备用容量)，以系统运行成本最小为目标的电力系统综合调度模型如式(12)所示：

min fsys=CΣ=CE+CB+CL

(12)

式中：fsys为电力系统综合调度模型的目标函数；CΣ是系统调度运行总成本；CE为发电成本；CB为备用购买成本；CL为系统的停电损失。

发电成本CE、备用购买成本CB可表达为：

(13)

(14)

式中：ai、bi为常规发电机组i的发电成本系数；mi，ni为常规发电机组i的备用报价系数(假设系统以发电机组的备用报价向其购买备用容量)；Pi,t、Bi,t分别为常规发电机组i在t时刻的出力及提供的备用容量；N是系统中常规发电机组台数。

系统的停电损失CL可计算如下：

(15)

(16)

由于停电损失被计入目标函数，因此不再对系统运行的可靠性进行约束，而通过系统调度运行的经济性进行自动调节。因此，系统调度优化模型的约束条件仅包括常规机组的运行及备用约束。式(17)—(18)给出了系统调度优化模型的约束条件：

Pi,min≤Pi,t≤Pi,max

(17)

(18)

Bi,min≤Bi,t≤Bi,max

(19)

Bi,min=max(Pi,t-Pi,min,0)

(20)

(21)

2.2 风险管理模型

由于VPP的出力受到风电出力不确定性的影响，同时计及系统负荷的波动，电力系统的运行调度成本CΣ是一个随机量。本文利用CVaR对运行调度成本进行衡量和管理，CVaR作为优于方差的风险计量指标，具有凸性，可以进行一致性风险测量。利用风险厌恶系数β将电力系统综合调度模型改写如下：

min fsys=CΣ+βφc

(22)

式中φc为置信水平c下的CVaR。

根据文献[21]，CVaR可由风险价值(value at risk，VaR)计算得到。选定置信水平c，VaR和CVaR的计算如下：

Vc=V|{Pprob(CΣ≤V)=c}

(23)

φc=E[CΣ|CΣ>Vc]

(24)式中：V为VaR ；Vc为置信水平c下的VaR；Pprob(CΣ≤V) 表示系统运行调度成本CΣ不高于VaR的概率。

由式(24)可知，CVaR是系统运行调度成本CΣ高于其VaR时的条件均值。

以上，建立了考虑虚拟电厂参与的可再生分布式能源渗透背景下电力系统的优化调度模型，其结构如图1所示。上述模型求解过程中，首先使用蒙特卡洛模拟生成风电及负荷场景，并使用粒子群算法(particle swarm optimization，PSO)进行求解。

图1 考虑虚拟电厂参与的电力系统调度结构

3 算例分析

本文采用IEEE 30节点系统对上述计及VPP的电力系统调度模型进行验证。系统中有6台常规发电机组，相关参数见表1。平均预测风速及负荷曲线如图2所示。

VPP的分布式风电机组单台额定功率为 1.5 MW，接入台数为50台，渗透率为10 %。风电机组的切入、切出及额定风速分别是3，25， 15 m/s。风速预测相关参数δ2及H均为0.15。VPP配置与风险机组总容量相等的储能设备。充、放电效率均为80 %；充、放电功率是储能安装总容量的20 %；储能设备

图2 预测平均风速及负荷曲线

SOC上、下限分别为0.9和0.2。系统向VPP支付的电价数据来自文献[22]。条件风险价值CVaR的置信水平α取为0.95。

调整系统调度的风险厌恶系数k从0开始逐步增大，通过Pareto方法得到的系统运行成本与CVaR最优前沿集如图3所示。

图3 系统运行成本及CVaR

如图3所示，调整风险厌恶系数β，系统运行成本及CVaR均具有较大的变化幅度。这说明考虑VPP的电力系统调度在系统运行成本和CVaR的调节上具有较大灵活性。随着风险厌恶系数β的增加，系统运行成本升高，CVaR降低。曲线左侧陡度较大，可见在系统运行成本较小时，随着系统运行成本的提高，CVaR降低较快，反之亦成立。β=0.5时，系统中常规机组的出力及备用情况如图4所示。

图4 常规机组出力及提供的备用容量

分布式可再生能源接入电力系统时，除了单独运行，常配置储能设备以平抑其出力的波动性和不确定性，但分布式电源与储能设备通常独立运行。取β=0.2，以上两种运营模式与VPP运营模式下电力系统的运行情况的对比结果见表2。

表2中对比了不同风电渗透率下分布式风电单独运行、风电-储能常规联合运行、风电-储能组成VPP运行3种模式下的系统调度成本及CVaR值。可见，以虚拟电厂模式组织分布式风电与储能设备联合运行与分布式风电的两种常规调度模式相比，可同时降低系统的运行成本及风险。随着风电渗透率的提高，这种效果则更加明显。

需要注意的是，虽然与储能设备联合运行或采用虚拟电厂模式均可一定程度上降低分布式风电接入成本及风险，为了保持系统的稳定性，风电在系统中的渗透率不可一味提高。

分布式风电在接入电力系统运行时，一方面提升了系统的总装机容量，可替代部分常规机组发电，降低系统运行成本；另一方面由于其出力的波动性及不确定性，要求提高系统的备用容量从而造成系统运行成本增加。对比图5所示不同风电渗透率下考虑虚拟电厂参与的电力系统运行成本及风险可知，风电渗透率提高时，保持风险水平不变，则需提升系统运行成本；而保持系统运行成本不变，则系统运行的风险会上升。

图5 不同分布式风电渗透率下的系统运行成本及CVaR

4 结 论

通过将分布式风电与储能系统组成虚拟电厂，本文建立了计及系统运行中的机组、备用容量以及系统调度的经济性和风险的电力系统调度模型。

与分布式风电独立并网和分布式风电-储能设备常规联合并网相比，VPP下分布式风电与储能设备联合运行可同时降低系统的运行成本及风险，并且随着风电渗透率的提高，运行成本及风险的降低更加明显。

[1]贾宏杰, 穆云飞, 余晓丹.对我国综合能源系统发展的思考[J]. 电力建设, 2015, 36(1)：16-25. JIA Hongjie, MU Yunfei, YU Xiaodan. Thought about the integrated energy system in China[J]. Electric Power Construction, 2015, 36(1)：16-25.

[2]薛禹胜, 雷兴, 薛峰,等. 关于风电不确定性对电力系统影响的评述[J]. 中国电机工程学报, 2014，34(29):5029-5040. XUE Yusheng, LEI Xing, XUE Feng, et al. A review on impacts of wind power uncertainties on power systems [J]. Proceeding of the CSEE, 2014,34(29):5029-5040.

[3]王蓓蓓, 刘小聪, 李扬. 面向大容量风电接入考虑用户侧互动的系统日前调度和运行模拟研究[J]. 中国电机工程学报, 2013, 33(22): 35-44. WANG Beibei, LIU Xiaocong, LI Yang. Day-ahead generation scheduling and operation simulation considering demand response in large-capacity wind power integrated systems [J]. Proceeding of the CSEE, 2013, 33(22): 35-44.

[4]刘巨, 姚伟, 文劲宇, 等. 大规模风电参与系统频率调整的技术展望[J]. 电网技术, 2014,38(3): 638-646. LIU Ju, YAO Wei, WEN Jinyu, et al. Prospect of technology for large-scale wind farm participating into power grid frequency regulation [J]. Power System Technology, 2014, 38(3): 638-646.

[5]薛志英, 周明, 李庚银. 大规模风电接入电力系统备用决策评述[J]. 电力系统保护与控制, 2013，41(4):148-155. XUE Zhiying, ZHOU Ming, LI Gengyin. Survey on reserve decision of power systems with large scale wind power integration [J]. Power System Protection and Control, 2013，41(4):148-155.

[6]匡洪海. 分布式风电并网系统的暂态稳定及电能质量改善研究[D]. 长沙：湖南大学, 2013. KUANG Honghai. Improvement research on transient stability and power quality of distributed wind power integrated system [D]. Changsha：Hunan University, 2013.

[7]李静, 韦巍, 辛焕海,等. 基于概率潮流的风电分布式电源优化配置[J]. 电力系统自动化, 2014, 38(14):70-76. LI Jing, WEI Wei, XIN Huanhai, et al. Optimal allocation of wind power distributed generator based on probabilistic power flow [J]. Automation of Electric Power Systems, 2014, 38(14):70-76.

[8]符杨,蒋一鎏,李振坤. 基于混合量子遗传算法的微电网电源优化配置[J]. 电力系统保护与控制,2013,41(24):50-57. FU Yang, JIANG Yiliu, Li Zhenkun. Optimal allocation of distributed generation for microgrid based on hybrid quantum genetic algorithm[J]. Power System Protection and Control, 2012, 41 (24): 50-57.

[9]邓佳佳. 考虑分布式能源的电力系统优化运营模型研究[D].北京：华北电力大学, 2012. DENG Jiajia. Research on optimization models in power system operation based on distributed energy [D]. Beijing：North China Electric Power University, 2012.

[10]吴雄, 王秀丽, 李骏,等. 风电储能混合系统的联合调度模型及求解[J]. 中国电机工程学报, 2013, 33(13):10-17. WU Xiong, WANG Xiuli, LI Jun. et al. A joint operation model and solution for hybrid wind energy storage systems [J]. Proceeding of the CSEE, 2013, 33(13):10-17.

[11]SOLOMON A A, KAMMEN D M, CALLAWAY D. The role of large-scale energy storage design and dispatch in the power grid: a study of very high grid penetration of variable renewable resources[J]. Applied Energy, 2014, 134(12):75-89.

[12]HRVOJE P, IGOR K, TOMISLAV C. Virtual power plant mid-term dispatch optimization[J]. Applied Energy, 2013, 1(1)：134-141.

[13]张小敏. 虚拟发电厂在大规模风电并网中的应用[J]. 电力建设, 2011, 32(9):11-13. ZHANG Xiaomin. Application of virtual power plant on large-scale wind power grid integration [J]. Electric Power Construction, 2011, 32(9):11-13.

[14]范松丽, 艾芊, 贺兴. 基于机会约束规划的虚拟电厂调度风险分析[J]. 中国电机工程学报, 2015, 35(16):4025-4034. FAN Songli，AI Qian，HE Xing. Risk analysis on dispatch of virtual power plant based on chance constrained programming [J]. Proceeding of the CSEE, 2015, 35(16):4025-4034.

[15]YUAN Y, WEI Z, SUN G, et al. A real-time optimal generation cost control method for virtual power plant [J]. Neurocomputing, 2014, 143(16):322-330.

[16]魏向向, 杨德昌, 叶斌. 能源互联网中虚拟电厂的运行模式及启示[J]. 电力建设, 2016, 37(4):1-9. WEI Xiangxiang, YANG Dechang, YE Bin. Operation mode of virtual power plant in energy internet and its enlightenment [J]. Electric Power Construction, 2016, 37(4):1-9.

[17]许佳佳. 基于虚拟发电厂的分布式电源调度管理模式的研究[D].北京：华北电力大学, 2013. XU Jiajia. Study on distributed generation dispatching management mode base on virtual power plant [D]. Beijing：North China Electric Power University, 2013.

[18]李军军, 吴政球, 谭勋琼,等. 风力发电及其技术发展综述[J]. 电力建设, 2011, 32(8):64-72. LI Junjun, WU Zhengqiu, TAN Xunqiong, et al. Review of wind power generation and relative technology development [J]. Electric Power Construction, 2011, 32(8):64-72.

[19]李东东, 陈陈. 风力发电系统动态仿真的风速模型[J]. 中国电机工程学报, 2005, 25(21): 41-44. LI Dongdong, CHEN Chen. Wind speed model for dynamic simulation of wind power generation system [J]. Proceeding of the CSEE, 2005, 25(21): 41-44.

[20]董文略, 王群, 杨莉. 含风光水的虚拟电厂与配电公司协调调度模型[J]. 电力系统自动化, 2015，39(9): 75-81. DONG Wenlue, WANG Qun, YANG Li. A coordinated dispatching model for a distribution utility and virtual power plants with wind/photovoltaic/hydro generators [J]. Automation of Electric Power Systems, 2015,39(9): 75-81.

[21]ROCKAFELLAR R T, URYASEV S. Conditional value-at-risk for general loss distributions[J]. Journal of Banking & Finance, 2002, 26(7): 1443-1471.

[22]李明炜. 考虑新能源及虚拟电厂的电力系统随机优化调度[D]. 上海：上海交通大学, 2015. LI Mingwei. The stochastic optimization dispatch of power systems considering renewable energy and virtual power plant [D]. Shanghai：Shanghai Jiao Tong University, 2015.

(实习编辑 郭文瑞)

Power System Optimal Scheduling including Distributed Wind Power and Energy Storage System via Virtual Power Plant

WANG Tianwang1, GAO Yun1, JIANG Meng2,DU Tao3

(1.College of Electrical and Control Engineering, Xi’an University of Science and Technology, Xi’an 710054, China; 2. Xishuangbanna Power Supply Bureau of Yunnan Power Grid Co., Ltd., Xishuangbanna 666100, Yunnan Province,China; 3. State Grid Qingdao Power Supply Company, Qingdao 266002, Shandong Province,China)

Penetration of renewable energy has been increasing in the power system for its environmental benefits. With the prosperity of smart grid technologies, more integration of renewable distributed generation is expected. Wind power is one of the renewable energy resources which have the most potential in both commercial and technical fields. This paper proposes a virtual power plant composed of distributed wind turbines and energy storage system to participate in the operation of power system, and establishes the optimal scheduling model for the power system with the virtual power plant. The proposed model takes the optimal scheduling of power and reserve capacity into account at the same time, and adopts conditional value at risk (CVaR) for the risk management of the total system operation cost. Without the network modification, the virtual power plant is more applicable to the scheduling and management of distributed renewable energy resources that are dispersedly located. More economic benefits can be obtained through the distributed renewable energy scheduling based on the virtual power plant compared to the conventional co-operation of wind power and energy storage. Furthermore, the risk of system operation can be reduced at the same time.

virtual power plant(VPP); distributed generation; wind power; energy storage; optimal scheduling

国家自然科学基金项目(51337006)；陕西省教育厅专项科研计划资助项目(2013JK0867)

TM 734

A

1000-7229(2016)11-0108-07

10.3969/j.issn.1000-7229.2016.11.016

2016-06-12

王天旺(1988)，男，硕士研究生，研究方向为电力市场理论、电力系统调度优化、电能质量分析与控制；

高赟(1957)，男，博士，教授，研究方向为电机与电器控制、电力市场理论等；

姜孟(1991)，男，助理工程师，研究方向为变电站运行操作和设备管理工作。

Project supported by the National Natural Science Foundation of China(51337006)