计及风电—负荷耦合关系的含大规模风电系统调峰运行优化

吴耀武, 汪昌霜, 娄素华, 刘宝林, 王曦冉

(1. 强电磁工程与新技术国家重点实验室(华中科技大学), 湖北省武汉市 430074;2. 华中科技大学电气与电子工程学院, 湖北省武汉市 430074; 3. 云南电网有限责任公司, 云南省昆明市 650011)

计及风电—负荷耦合关系的含大规模风电系统调峰运行优化

吴耀武1,2, 汪昌霜1,2, 娄素华1,2, 刘宝林3, 王曦冉1,2

(1. 强电磁工程与新技术国家重点实验室(华中科技大学), 湖北省武汉市 430074;2. 华中科技大学电气与电子工程学院, 湖北省武汉市 430074; 3. 云南电网有限责任公司, 云南省昆明市 650011)

随机性风电出力的准确建模是含大规模风电系统调峰运行优化的关键环节之一。针对中国系统运行的实际特点,提出计及风电出力与日负荷时序耦合关系的交互特性评价指标,并据此建立基于调峰问题驱动的风电出力模型。该模型以关键场景、聚类场景及其概率分布表征风电接入对系统运行和调峰需求的综合影响。基于该风电出力模型,建立了含大规模风电系统的调峰运行优化模型。通过多场景下的运行优化,获得各项运行指标的期望值,实现对系统调峰运行特性的综合分析。对中国西部某省进行了算例分析,验证了所提方法的有效性和实用性。

耦合关系; 关键场景; 聚类场景; 调峰; 运行优化

0 引言

中国作为一个贫油、少气、相对富煤的国家[1],燃煤发电在未来相当长的一段时期仍将是多种能源发电系统的主体电源之一。煤电机组由于动力设备繁多,控制操作复杂,其发电出力调节范围比较有限,调节速度相对较慢,且频繁启停影响运行经济性,因此系统的调峰能力受到极大限制。随着风电并网规模不断增大,其固有的出力不确定性、反调峰特性给中国电力系统调峰带来了更大挑战[2-4]。国家能源局统计数据显示,截至2016年底,中国风电累计并网容量为149 GW,全年累计弃风电量约为4.97×104GW·h,全国平均弃风率达17%[5]。可见,受限于现有电力系统的调峰能力[6],中国多数以火电为主体电源的省级系统对大容量风电的有效接纳仍是个难题。因此,研究含大规模风电系统的调峰运行特性,客观评价风电并网系统的风电消纳能力,对于促进可再生能源发电产业持续健康发展具有重要意义。

随机性风电出力的准确建模是电力系统调峰运行特性研究的关键环节。文献[7-8]基于日前风功率预测,以预测误差反映风电出力的不确定性,研究风电对日前机组组合的影响,分析系统次日的调峰能力。文献[9-10]通过风速或风功率数据假设其服从的概率分布或随机过程,模拟风电中长期时序出力,并据此提出风电并网系统的调峰裕度评估方法,但现有模拟方法难以准确表征风电出力的时序相关性。文献[11]考虑对调峰影响较大的风电出力极端场景,提出了一种负荷低谷时段调峰能力计算方法,计算结果较为保守。文献[12]基于风电加入后的净负荷曲线的调峰需求特征,应用场景削减技术获得三类风电出力典型场景对风电随机性建模,但由于场景数量较少,还不能全面反映风电对系统调峰运行优化的综合影响。电力系统调峰问题本身就是负荷与电源之间的动态平衡导致的[13],因而风电和日负荷间的时序耦合关系是影响系统调峰平衡能力的主要因素,目前的研究文献在风电出力建模中均未能深入地考虑这种耦合关系。

针对现有研究的不足,考虑煤电比例较高系统的发电出力及调节特性,在充分计及风电与日负荷间的时序耦合关系基础上,本文提出了一种基于调峰问题驱动的风电出力模型。以此为基础,提出以系统总计算费用最小为目标的含大规模风电系统调峰运行优化模型,模型中不仅考虑了风电带来的能源节约效益和环境效益,也考虑了其出力变化特征对系统供电可靠性的影响。对中国西部某省进行了算例分析,验证了本文所提方法的有效性和实用性。

1 基于调峰问题驱动的风电出力模型

为适应含大规模风电系统调峰运行优化的需要,本文以计及风电—负荷耦合关系的交互特性评价指标为基础,建立基于调峰问题驱动的风电出力模型。

1.1 计及风电—负荷耦合关系的交互特性评价指标

在运行优化中,为系统、定量地表征风电和负荷间的时序耦合关系,须根据负荷的变化特征将日负荷曲线划分为高峰时段TH、低谷时段TL、腰荷时段TM,即

TH={t|L(t)≥ρpLmax}

(1)

TL={t|L(t)≤ρbLmin}

(2)

TM={t|ρbLmin

(3)

式中:L(t)表示日负荷曲线t时刻负荷;Lmax为日最大负荷;Lmin为日最小负荷;ρp<1,ρb>1。

根据风电在日负荷不同时段的出力特性,考虑大规模风电接入对系统调峰运行优化的影响,本文从三个方面建立计及风电—负荷耦合关系的交互特性评价指标。

(4)

(5)

(6)

式中:max(·)为最大值函数;min(·)为最小值函数;PW(dt)为研究周期内第d日风电出力曲线PW(d)在t时刻的出力;N为研究周期内风电出力曲线数量;Nsize(TH)为高峰时段TH包含的时刻数。

(7)

(8)

(9)

(10)

(11)

这三类指标反映了风电出力与负荷变化的耦合关系,据此可衍生出:风电出力最大调峰需求CWmax(d)、最小调峰需求CWmin(d),二者共同表征了风电出力的调峰特性,CWmax(d)值越大且CWmin(d)不小于0,表明风电的反调峰特性越强。

(12)

(13)

结合风电自身的出力特征和上述交互特性评价指标,可建立基于调峰问题驱动的风电出力模型。该模型以关键场景、聚类场景及其概率分布表征随机性风电接入对系统运行和调峰需求的综合影响。

1.2 基于调峰问题驱动的风电出力关键场景

风电出力关键场景是指出现概率较小,但对系统调峰运行优化有重大影响的场景,此类场景需予以单独考虑。考虑风电出力对常规电源机组组合和系统调峰容量需求的显著影响,本文将优选出两个关键场景:①电力平衡场景;②调峰平衡场景。

1.2.1风电出力电力平衡场景

由于风电出力的不确定性,为保证系统发电充裕度,制定合理的开停机计划,须按照负荷高峰时段风电出力较小的情况确定电力平衡场景,方法如下。

α∈[0,1)

(14)

(15)

PWΩ1′={PW(D1′)|p(PWave≤PWave(D1′))>

β&PW(D1′)∈PWΩ1}β∈[0,1)

(16)

3)确定研究周期内置信水平α下的风电出力电力平衡场景PW1,计算其概率pW1。

(17)

(18)

1.2.2风电出力调峰平衡场景

为反映风电出力对系统调峰平衡的显著影响,须按照风电反调峰特性较强,即风电出力调峰需求较大的情况确定调峰平衡场景,方法如下。

1)给定置信水平γ,筛选出风电曲线PW(D2),使以超过γ的概率确信研究周期内风电出力最大调峰需求不大于CWmax(D2),PW(D2)构成的集合记为PWΩ2,其中,最小调峰需求特性指标最大的风电曲线记为Pμ2。

PWΩ2={PW(D2)|p(CWmax≤CWmax(D2))>γ}

γ∈[0,1)

(19)

2)为充分保证调峰平衡场景的反调峰特性,从PWΩ2中筛选出最小调峰需求特性指标不小于0的风电曲线集合PWΩ2′。PWΩ2′中最大调峰需求CWmax最小的风电曲线记为Pν2,该曲线为CWmax指标最接近置信水平γ的场景。

PWΩ2′={PW(D2′)|CWmin(D2′)≥

0&PW(D2′)∈PWΩ2}

(20)

3)确定研究周期内置信水平γ下的风电出力调峰平衡场景PW2,计算其概率pW2。

(21)

(22)

在电力系统调峰运行优化中,采用关键场景中的电力平衡场景确定常规电源开机组合,能够充分保证供电可靠性;采用调峰平衡场景进行系统的运行模拟可客观反映系统的调峰容量需求。

1.3 基于调峰问题驱动及改进K-means聚类算法的风电出力聚类场景

K-means聚类算法的基本思想是:对于给定的包含n个m维数据点的数据集X={x1,x2,…,xd,…,xn},其中xd为m维数组,将其划分为K个数据类Ck,每个数据类Ck对应一个聚类中心Uk,计算类中各数据样本到Uk的距离,通过反复迭代使得所有数据类的总距离平方和最小[14-15]。

本文针对调峰问题对K-means聚类算法适当改进,生成风电出力聚类场景,以较高的精度和较低的计算耗费表征原始风电曲线对系统调峰运行的影响。

1.3.1距离准则函数建立方法

常规聚类一般仅根据风电电源自身出力特征建立距离准则函数,应用于调峰运行优化不够准确。本文根据调峰运行优化的特点,采用计及风电—负荷时序耦合关系的交互特性评价指标,建立距离准则函数,这样可以确保将各负荷时段出力水平最相似的风电曲线聚为一类,从而保证聚类场景应用于调峰运行优化的适应性,具体方法流程如下。

(23)

式中:d=1,2,…,N-2;k=1,2,…,K;λθ为权重,根据不同负荷时段风电出力对运行优化的重要性赋予不同的权重,使聚类结果具有一定倾向性,更好地适应调峰问题研究,一般取λTH=λTL>λTM。

3)将风电曲线PW(d)分配给使得S(xd,Uk)值最小的类Ck,更新Uk,计算距离准则函数J:

(24)

(25)

不断迭代至J收敛,即可确定适应调峰运行优化的风电出力聚类结果。

1.3.2确定风电出力聚类场景

(26)

c(b,b′)=

(27)

式中:Ck′为削减后的目标场景集合;LKD(Ck,Ck′)为Ck和Ck′的LKD;b和b′分别表示Ck和Ck′中的风电场景;pb为风电场景b在Ck中的概率;λσ为权重,一般取λσ≥0.6。

(28)

各聚类场景的概率为:

(29)

以关键场景和聚类场景构成的风电出力典型场景集S对风电出力随机性建模,可以表征风电接入对系统运行和调峰需求的综合影响。

2 含大规模风电系统调峰运行优化模型

2.1 目标函数

为确保电力系统安全和可靠供电,本文首先采用风电出力电力平衡场景确定常规电源开机组合,然后针对同一开机方式,优化各风电场景下各类型机组的工作位置和发电出力,使电力系统总计算费用最小。含大规模风电系统调峰运行优化的目标函数如下:

minF=

(30)

(31)

(32)

(33)

(34)

2.2 约束条件

含大规模风电系统调峰运行优化模型的约束条件包括:系统电力平衡约束、系统旋转/事故备用约束、机组运行状态逻辑约束、机组出力约束、火电最小开停机时间约束、火电保安开机约束、水电电量平衡约束等,其表达式限于篇幅不再赘述。

2.3 调峰弃电协调策略

在库容式水电站及常规火电的调峰能力已全部利用后,若系统出现调峰不足,考虑到大规模风力发电的可控性较差,而水电站来水在短期内比较稳定,为保证系统的调峰平衡及供电质量,优先限制风电出力,其次限制水电站出力。

3 算例分析

为验证本文所提模型,以中国西部某省2020年电源规划为基础,不考虑光伏和生物质发电(比例很小),进行系统调峰能力评估。该系统2020年火电装机容量为23 100 MW,水电装机容量为12 780 MW,风电装机容量为11 000 MW,其中,水电站共18个,含径流式水电装机容量为8 270 MW,库容式水电装机容量为4 510 MW;火电机组技术特性见表1;风电特性采用该省某地区2014年未弃风的标幺出力历史数据,可利用小时数约为1 875 h;系统年最大负荷为28 150 MW。

表1 火电机组技术特性Table 1 Technical characteristics of thermal power unit

其他参数取值:标煤单价取600元/t,排污费标准取0.6元/污染当量,失负荷惩罚系数yB取8元/(kW·h),弃风惩罚系数yW取0.5元/(kW·h),碳排放惩罚系数yCO2取120元/t,系统允许弃风率ξ取10%,碳排放配额MΔ取6×107t。

3.1 风电出力典型场景集有效性分析

由于该地区风电具有较显著的季节特性,本文对风电场景的研究周期取为季度,即分季节生成风电出力典型场景集。以春季为例,原始场景含92条风电出力曲线,采用本文方法可以获得2个风电出力关键场景和9个风电出力聚类场景,分别如图1和图2所示。图1中2个关键场景的概率均为0.011，图2中各聚类场景的概率标于图例中。

图1 风电出力关键场景Fig.1 Key scenarios of wind power output

图2 风电出力聚类场景Fig.2 Clustering scenarios of wind power output

考虑到原始风电曲线数量庞大,参与含多类型常规电源的实际大系统运行优化非常复杂,故本节暂将水电替换为等容量火电机组,验证通过本文方法提取的风电出力典型场景集应用于调峰计算的有效性,典型场景集和原始场景的计算结果对比见表2,关键场景对运行优化的影响分析见表3和表4。

表2 风电典型场景集与原始场景计算结果对比Table 2 Results comparison of wind power typical scenarios set and original scenarios

表3 电力平衡场景对调峰运行优化的影响Table 3 Utility of power balance scenario on operation optimization for peak load regulation

表4 调峰平衡场景对调峰运行优化的影响Table 4 Utility of peak shaving balance scenario on operation optimization for peak load regulation

从图1可以看出,两个关键场景与负荷的高峰、低谷出力特性变化密切相关,且均为明显的反调峰特性。从表3可以看出,运行优化中采用电力平衡场景确定开机组合,保证了系统的供电可靠性,同时,当风电渗透率提高到40%时,由于失负荷惩罚费用大幅下降,系统总计算费用比按风电平均场景开机更低;由表4可以看出,采用含调峰平衡场景的调峰运行模拟,可客观反映风电接入后系统的最大调峰容量需求。由此可见,基于关键场景的调峰运行模拟更加符合中国电力调度的特点,模拟计算得到的数据更接近实际运行情况。

从图2可知,对原始场景聚类后得到的9个聚类场景涵盖了原始风电场景的正调峰、反调峰、平调峰等全部特征,其中反调峰场景概率和达0.63。由表2可知,采用本文风电出力典型场景集进行系统调峰分析计算具有较高的精度,其中弃电率误差不超过0.15%,调峰深度误差不超过0.01%。由此可见,本文提出的风电场景提取方法在含大规模风电系统的调峰运行特性分析研究中是十分有效的。

3.2 含大规模风电系统调峰运行特性分析

在风电出力典型场景集的基础上,对该省实际系统2020年全年调峰运行进行了模拟计算,其中,水电站按各自的水文特性和调节性能参与系统运行。获得各项运行特性指标的年期望值见表5,各月风电弃电率分布如图3所示。

表5 系统调峰运行特性指标年期望值Table 5 Annual expected value of operation characteristic indices for peak load regulation

图3 各月风电弃电率期望值Fig.3 Expected value of wind power abandon rate in each month

由表5可以看出,风电接入后火电利用小时数减少783 h,系统总能耗、排污量、碳排放亦随之降低,总计算费用减少了16.7%。由于风电出力的反调峰特性,系统调峰压力增大,火电机组调峰深度由14.5%增大至32.8%,这亦导致火电实际单耗增大。由于系统调峰能力有限,风电的大规模接入导致系统调峰不足概率增大,风电弃电率达12.1%。

由图3可见,7,8月份风电弃电率明显高于其他月份,主要原因在于7,8月份是丰水期,来水量最大,水电发电量增大,调峰能力大幅下降,在负荷低谷时段风电大发时,不得不大量弃风。这也从侧面说明了分季节建立风电出力典型场景集的必要性。

4 结语

风电和负荷间的时序耦合关系是影响系统调峰平衡和风电接纳的主要因素。本文从多个角度建立了计及风电—负荷时序耦合关系的交互特性评价指标,并据此提出了一种以关键场景、聚类场景及其概率分布对风电出力建模的方法。在此基础上,建立了一种考虑失负荷惩罚、弃风惩罚、碳排放惩罚费用的含大规模风电系统调峰运行优化模型。算例分析表明,本文方法应用于含风电系统的调峰分析计算具有较高的精度,模拟计算结果更接近系统实际运行情况。当电力系统含多类型高比例可再生能源时,如何对本文模型进行改进和扩展,使其具有更广泛的适应性,有待下一步深入研究。

[1] 刘金朋.基于资源与环境约束的中国能源供需格局发展研究[D].北京:华北电力大学,2013.

[2] XU Yanping, SUN Yong, ZHENG Taiyi, et al. Time-series characteristics of wind power and its impact on Jilin power grid[J]. Journal of Power and Energy Engineering, 2014, 2(4): 203-212.

[3] BILLINTON R, KARKI B. Effect of hourly wind trends on the peak load-carrying capability of wind-integrated power systems[J]. Proceedings of the Institution of Mechanical Engineers, 2009, 223(4): 279-287.

[4] 曹阳,李鹏,袁越,等.基于时序仿真的新能源消纳能力分析及其低碳效益评估[J].电力系统自动化,2014,38(17):60-66.DOI:10.7500/AEPS20140329002.

CAO Yang, LI Peng, YUAN Yue, et al. Analysis on peak load regulation capability of power grid integrated with wind farms in valley load period[J]. Automation of Electric Power Systems, 2014, 38(17): 60-66. DOI: 10.7500/AEPS 20140329002.

[5] 国家能源局.2016年风电并网运行情况[EB/OL].[2017-01-26].http://www.nea.gov.cn/2017-01/26/c_13601 4615.htm.

[6] 鲁宗相,李海波,乔颖.含高比例可再生能源电力系统灵活性规划及挑战[J].电力系统自动化,2016,40(13):147-158.DOI:10.7500/AEPS20151215008.

LU Zongxiang, LI Haibo, QIAO Ying. Power system flexibility planning and challenges considering high proportion of renewable energy[J]. Automation of Electric Power Systems, 2016, 40(13): 147-158. DOI: 10.7500/AEPS 20151215008.

[7] 杨宏,苑津莎,吴立增.基于风电功率预测的电网静态调峰能力极限研究[J].电工技术学报,2014,29(4):266-273.

YANG Hong, YUAN Jinsha, WU Lizeng. Research of static regulation capacity limit based on wind power prediction[J]. Transactions of China Electrotechnical Society, 2014, 29(4): 266-273.

[8] 贾文昭,康重庆,李丹,等.基于日前风功率预测的风电消纳能力评估方法[J].电网技术,2012,36(8):69-75.

JIA Wenzhao, KANG Chongqing, LI Dan, et al. Evaluation on capability of wind power accommodation based on its day-ahead forecasting[J]. Power System Technology, 2012, 36(8): 69-75.

[9] 张宏宇,印永华,申洪,等.基于序贯蒙特卡洛方法的风电并网系统调峰裕度评估[J].电力系统自动化,2012,36(1):32-37.

ZHANG Hongyu, YIN Yonghua, SHEN Hong, et al. Peaking-shaving margin evaluation associated with wind power integrated system based on sequential Monte-Carlo method[J]. Automation of Electric Power Systems, 2012, 36(1): 32-37.

[10] 张文韬,黄镔,王秀丽,等.基于多状态新能源发电模拟的日运行方式及调峰安排研究[J].电网技术,2015,39(8):2100-2106.

ZHANG Wentao, HUANG Bin, WANG Xiuli, et al. Research on daily operation mode and peak load regulation scheduling based on generation simulation of multi-state renewable energy resources[J]. Power System Technology, 2015, 39(8): 2100-2106.

[11] 杨冬锋,周苏荃,鲍锋.风电并网系统低谷时段的调峰能力分析[J].电网技术,2014,38(6):1446-1451.

YANG Dongfeng, ZHOU Suquan, BAO Feng. Analysis on peak load regulation capability of power grid integrated with wind farms in valley load period[J]. Power System Technology, 2014, 38(6): 1446-1451.

[12] 侯婷婷,娄素华,吴耀武,等.含大型风电场的电力系统调峰运行特性分析[J].电工技术学报,2013,28(5):105-111.

HOU Tingting, LOU Suhua, WU Yaowu, et al. Analysis on peak load regulation operation characteristics of power system integrated with large-scale wind power[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 105-111.

[13] BASIT A, HANSEN A D, ALTIN M, et al. Compensating active power imbalances in power system with large-scale wind power penetration[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(2): 229-237.

[14] GOYAL M, KUMAR S. Improving the initial centroids ofk-means clustering algorithm to generalize its applicability[J]. Journal of The Institution of Engineers (India): Series B, 2014, 95(4): 345-350.

[15] 王千,王成,冯振元,等.K-means聚类算法研究综述[J].电子设计工程,2012,20(7):21-24.

WANG Qian, WANG Cheng, FENG Zhenyuan, et al. Review ofK-means clustering algorithm[J]. Electronic Design Engineering, 2012, 20(7): 21-24.

[16] 周涓,熊忠阳,张玉芳,等.基于最大最小距离法的多中心聚类算法[J].计算机应用,2006,26(6):1425-1427.

ZHOU Juan, XIONG Zhongyang, ZHANG Yufang, et al. Multiseed clustering algorithm based on max-min distance means[J]. Computer Applications, 2006, 26(6): 1425-1427.

[17] MORALES J M, PINEDA S, CONEJO A J, et al. A scenario reduction for futures market trading in electricity markets[J]. IEEE Trans on Power Systems, 2009, 24(2): 878-888.

PeakLoadRegulatingOperationandOptimizationinPowerSystemswithLarge-scaleWindPowerandConsideringCouplingRelationbetweenWindPowerandLoad

WUYaowu1,2,WANGChangshuang1,2,LOUSuhua1,2,LIUBaolin3,WANGXiran1,2

(1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology (Huazhong University of Science and Technology), Wuhan 430074, China; 2. School of Electrical and Electronics Engineering, Huazhong University of Science and Technology, Wuhan 430074, China; 3. Yunnan Electric Power Co. Ltd., Kunming 650011, China)

Accurate modeling of stochastic wind power is one of the key links for peak load regulating operation and optimization in systems with large-scale wind power. According to the actual operation characteristics in China’s power systems, the interactive characteristic indices considering the coupling between wind power and load are proposed, and a wind power output model based on peak load regulation problems is put forward. This model uses key and clustering scenarios to characterize the influence of wind power on the power system operation and peak demand. Afterwards, an operation optimization model for peak load regulation with large-scale wind power based on the wind power output model is established. The expected value of various operation indices through operation optimization in multiple scenarios is obtained, and the analysis on peak load regulating operation characteristics is comprehensively accomplished. A case analysis is made on a province in West China that verified the validity and practicality of the proposed method.

This work is supported by National Key Research and Development Program of China (No. 2016YFB0900102) and National Natural Science Foundation of China (No. 51677076).

coupling relation; key scenarios; clustering scenarios; peak load regulation; operation and optimization

2016-12-29;

2017-04-23。

上网日期: 2017-06-30。

国家重点研发计划资助项目(2016YFB0900102);国家自然科学基金资助项目(51677076)。

吴耀武(1963—),男,博士,副教授,主要研究方向:电力系统规划与优化运行。E-mail： ywwu@mail.hust.edu.cn

汪昌霜(1992—),男,硕士研究生,主要研究方向:电力系统规划与可靠性,新能源发电。E-mail: CS_Wang@hust.edu.cn

娄素华(1974—),女,通信作者,博士、副教授,主要研究方向:电力系统规划与优化运行、新能源发电与电力技术经济。E-mail: shlou@mail.hust.edu.cn

(编辑孔丽蓓)