基于能源需求响应和分布式储能的风电并网调节方法

梁 翀，高 亨，严 旭，陈珏羽

(1.广西能源联合售电公司，广西 南宁 530023；2.广西电网有限责任公司柳州供电局，广西 柳州 545000；3.广西电网有限责任公司电力科学研究院，广西 南宁 530023；4.湖南大学电气与信息工程学院，湖南 长沙 410082)

0 引言

2016年，全国风电发电量2 410亿 kW·h，占全部发电量的4%，全年弃风电量497亿 kW·h。目前全国弃风较为严重的地区是甘肃(弃风率为43%)、新疆(弃风率为38%)、吉林(弃风率为30%)、内蒙古(弃风率为21%)[1]。由于风能的随机性和不稳定性，风电场每天最大和最少发电量可能相差40～50倍，一天内的输出功率变化处于非常不稳定状态[2]。同时风电具有反调峰特性，夜间用电负荷处于低谷时段但风力发电出力往往较大。风电的波动性和反调峰特性导致风电并网时需要有合理的电源进行调峰，以平衡负荷；而我国“三北”地区拥有大量按以热定电方式运行的热电联产机组，以煤电为主的这一电源结构决定了其难以满足风电并网的深度调峰需求，顾经常出现限电弃风现象[3-4]。

为改善风电并网现象，本文提出一种基于能源需求响应和分布式储能的风电并网控制方法。通过改变热电联产机组以热定电的运行方式，降低热电联产机组发热功率来获得额外可调度的发电容量；同时，在用户侧引入分布式储能技术和电热泵来合理调整用户的能源需求响应，补偿热电联产减少的发热量，等效减小负荷峰谷差，从而降低风电并网调峰容量[5-9]。

1 分布式储能技术比较

目前储能技术主要包括电化学储能、物理储能、电磁储能等。本文从技术特点、应用成熟度、投资成本3方面对主要类型的小容量储能技术进行多维度的比较和分析，提出适用于改善风电并网的分布式储能技术。

1.1 技术特点

从功率等级和放电响应时间2个维度对现有储能技术进行比较，从而得到适用于分布式储能应用的储能技术，如图1所示。

图1 各类储能技术的功率等级与放电时间Fig.1 Power level and discharge time of different energy storage technologies

从图1中可看出：铅酸电池、锂离子电池、钒流电池、飞轮储能具有放电响应时间快速的特点，特别适用于1～10 kW的小型分布式储能系统；抽水蓄能、压缩空气等储能技术适用于大规模储能系统；超导储能、超级电容具有接近毫秒级的响应时间，适用于改善电能质量的场合。

1.2 技术成熟度

目前主要几类储能技术的成熟度可划分为成熟应用、产业化初期和初始研究3个阶段，如图2所示。

图2 储能技术成熟度示意图Fig.2 Energy storage technologies maturity schematic

铅酸电池是化学电池领域最成熟的技术，抽水蓄能是物理储能中最成熟的技术。锂离子电池、飞轮储能、钠硫电池也是较成熟的技术，商业化可行；但仍处于产业化初期阶段，离大规模成熟应用还有一定距离。

1.3 投资成本

投资成本是储能技术推广应用的重要因素。表1列出了主要类型的分布式储能技术的单位功率成本和单位容量成本，其中已经考虑了储能技术的能量转化效率[10]。

表1 各类储能技术的特性比较Table 1 Comparison of various energy storage technologies

铅酸电池的成本较低，技术成熟，但受限于循环寿命；锂离子电池的性能优于铅酸电池，但价格较高；飞轮储能的功率密度高，单位功率成本较低，单位容量成本非常昂贵，适合高功率、短时间的应用场合。

2 基于能源需求响应和分布式储能的风电并网控制方法

2.1 控制方法

我国北方地区存在大量的热电联产机组，为解决热电联产机组与风电并网机组共存的矛盾，本文提出基于能源需求响应和分布式储能的风电并网控制方法。通过控制用户侧的能源需求响应和分布式储能装置的充放电功率，实现改善风电并网容量的目的[11-13]。

在负荷高峰期，首先将热电联产机组作为“源控点”以减少供暖出力，从而获得其发电出力增量；同时控制用户侧的分布式储能系统向电网供电，等效地削减高峰负荷。然后根据供暖出力的减少量和用户侧的空间采暖能源需求，用户侧的分布式热泵响应工作，补偿机组供热出力减小量，起到填补低谷负荷的作用。

而在负荷低谷期，同样将减少热电联产机组的供暖出力以降低发电出力，从而减少此时风电并网的调峰压力；同时控制用户侧的分布式储能系统充电，等效地填补负低谷负荷。然后靠近机组的用户侧分布式热泵响应工作，填补低谷负荷。

2.2 数学模型

首先将系统的实际运行时间R离散化为计算运行时间t。

t=R/Δt，t=0,1,2,…,T

(1)

式中：T为最大计算时间；表示向下取整；计算运行时间t代表归一化时间，将总运行时间离散化为T+1个时段，每个时段长度即一个单位调度时长为 Δt。

同样将热电联产机组与终端用户之间的传输管道距离D离散化为计算供暖热水传输距离[14]。

l=D/(vΔt)，l=0,1,2,…,L

(2)

式中：v为供冷冷水的流速，m/s；L为最远计算距离；计算冷水传输距离l代表归一化距离，按照管道距离将终端用户离散化为L+1个用户组，每个用户组之间相隔供冷冷水在一个单位调度时长Δt流过的距离。

本模型是为优化风电并网，减少负荷峰谷差，缓解系统调峰压力。因此目标函数设定为系统的负荷峰谷差最小[15]。

(3)

式中：PRL(t)为调度后的等效负荷曲线；PRLA为PRL(t)的算术平均值。

(4)

式中：PL(t)为原来负荷曲线；PW(t)为风电出力；PC(t)是热电联产机组的原发电出力；PCD(t)为机组调整后的出力；PEHP(t)为分布式热泵功率；PB(t)为分布式储能系统功率。

将热电联产机组供暖出力从原来的QC(t)减少为QCD(t)。t时段冷水供给减少量将由0～L个用户组的电力热泵，分别在t～t+L时段通过消耗电力来补偿热电联产机组供暖出力减少所带来的采暖能源供应不足。

式中：QEHP(t+l,l)为t+l时刻管道距离l的用户热泵采暖响应功率。用户侧分布式热泵的热电比约束为

QEHP(t,l)=CEHPPEHP(t,l)

(7)

式中：QEHP(t,l)为t时刻管道距离l的用户热泵采暖响应功率；PEHP(t,l)为t时刻管道距离l的用户热泵耗电功率；CEHP为电力热泵的性能系数。

3 仿真结果

本文利用甘肃省某日的风电出力曲线进行模拟仿真，仿真计算的总运行时间为24 h，单位调度时间Δt为15 min。城市供暖热水流速为2.5 m/s；考虑到供暖效率，电厂的供暖范围在9 km左右；每个用户组之间的传输管道距离为2.25 km。分布式热泵的性能系数是3。每个用户组分布式储能系统的总容量为200 MW。用户集中供暖由25台热电联产机组C135/N150-13.24负责，用户供暖负荷是4 425 MW。

图3为调整后的负荷曲线，负荷的峰谷差从5 181 MW降至1 291 MW，调整后的负荷曲线变得相对平缓。

图3 调度前后的负荷曲线Fig.3 Load curve before and after scheduling

图4为热电联产机组调度前后的出力情况。当负荷低谷时，机组减少供暖出力，减少发电出力；当负荷高峰时，机组减少供暖出力，增大发电出力，等效削减负荷。

图4 调整前后的热电联产机组出力Fig.4 Output of cogeneration units before and after adjustment

图5为用户供暖负荷的空间分布及各终端用户组处分布式热泵的使用情况，即电力热泵供暖负荷的时间空间分布。

图5 用户组分布式热泵供暖负荷分布Fig.5 Distribution of space heating of EHP

4 结论

本文提出了一种基于能源需求响应和分布式储能的风电并网控制方法。本方法并不直接控制风电并网功率，而是协调优化控制热电联产机组出力、用户侧供暖需求响应和分布式储能充放电功率，减少负荷峰谷差，缓解风电并网的系统调峰压力。本方法利用了北方地区现存的大量采暖负荷及供热系统，改善了风电大量弃风的现象；因为不需要新建纯凝汽火电机组，减小了电源投资，可以把有限的资金更好地利用于电网建设上。

[1] 国家能源局. 2016年风电并网运行情况[EB/OL]. (2017-01-26)[2017-10-01]. http://www.nea.gov.cn/2017-01/26/c_136014615. htm.

[2] 肖创英， 汪宁渤， 陟晶， 等. 甘肃酒泉风电出力 特性分析[J]. 电力系统自动化, 2010, 34(17)： 64-67.

XIAO Chuangying, WANG Ningbo, ZHI Jing, et al. Power characteristic of Jiuquan wind base[J]. Automation of Electric Power Systems, 2010, 34(17)： 64-67．

[3] 国家能源局． 关于发展热电联产的规定(1268号文件)[Z]． 2000．

[4] 国务院办公厅关于转发发展改革委等部门《节能发电调度办法(试行)》的通知(国办发[2007]53号文)[Z]． 2007．

[5] PIERLUIGI M. Cogeneration systems with electric heat pumps: energy-shifting properties and equivalent plant modelling[J]. Energy Conversion and Management, 2009, 50(8): 1991-1999.

[6] CHUA K J, CHOU S K, YANG W M. Advances in heat pump systems: a review[J]. Applied Energy, 2010, 87(12): 3611-3624.

[7] SHIGERU B, HIROKI W, HIROSHI A, et al. Impact of various characteristics of electricity and heat demand on the optimal configuration of a microgrid[J]. Electrical Engineering in Japan, 2009, 169(2): 6-13.

[8] ALI M, JOKISALO J, SIREN K, et al. Combining the demand response of direct electric space heating and partial thermal storage using LP optimization[J]. Electric Power Systems Research, 2014, 106: 160-167.

[9] 郭力， 许东， 王成山, 等． 冷电联供分布式供能系统能量优化管理[J]． 电力系统自动化， 2009， 33(19)： 96-100．

GUO Li, XU Dong, WANG Chengshan, et al. Energy optimization and management of combined cooling and power distributed energy supply system[J]. Automation of Electric Power Systems, 2009, 33(19)： 96-100．

[10] 吴福波， 杨波， 叶季蕾. 电力系统储能应用技术[M]. 北京: 中国水利水电出版社, 2014.

[11] 严旭， 吴锴， 周孟戈， 等． 基于不同可调度热源的风电出力平滑模型[J]． 电力系统保护与控制， 2013， 41(21)： 122-128．

YAN Xu, WU Kai, ZHOU Mengge, et al. Model of smoothing wind power based on variousdispatchable heat sources[J]. Power System Protection and Control, 2013, 41(21): 122-128．

[12] 杨锡运， 雷学丽， 任杰, 等. 利用弃风量供暖的运营模式及经济性分析[J]． 分布式能源， 2016， 1(1)： 28-32.

YANG Xiyun, LEI Xueli, REN Jie, et al. Operation model and economic of using cutailed wind power for heat[J]. Distributed Energy, 2016, 1(1): 28-32.

[13] 冯斐， 任远洋， 王德林． 基于储能系统的风电场功率控制研究[J]． 分布式能源， 2017， 2(2)： 20-24.

FENG Fei, REN Yuanyang, WANG Delin. Wind farm power control based on energy storage system[J]. Distributed Energy, 2017, 2(2): 20-24.

[14] LONG Hongyu, XU R L, HE J J, et al. Incorporating the variability of wind power with electric heat pumps[J].

Energies, 2011, 4(10): 1748-1762．

[15] YAN Xu, GAO Jianchao, YANG Yulong, et al. The method of improving wind power integration based on smart combined heating and cooling systems[C]//The 2nd IET Renewable Power Generation Conference, Beijing, 2013.