考虑可调度空间约束的广义源储系统最优数学模型

余虎，胡剑宇，潘力强，方绍凤，李娟，王昱

(1. 中国能源建设集团湖南省电力设计院有限公司，湖南 长沙 410007；2.国网湖南省电力有限公司，湖南 长沙 410004)

0 引 言

在新能源高渗透率系统中，由于传统电源的调节能力不足，电力系统运行中产生了较为严重的弃风弃光现象[1-2]。储能技术作为目前提高风电等新能源利用率的一种重要参与方式，成为现有研究的重点[3]。

储能技术不但可以抑制新能源出力的波动性并且补偿其预测误差，而且使得大规模新能源能够接入电网，它在电力系统中的应用越来越广泛。储能参与电力系统调度的方式主要分为两种：一是降低新能源出力波动，使得电源侧的总电源出力保持平稳[4]，文献[5-6]建立了由BESS和ACLs构成的虚拟储能系统;二是可以将新能源作为一种可调度资源，参与电力系统的削峰填谷等[7]。文献[8]提出了将飞轮储能装置应用于含新能源的电力系统中。文献[9]针对风储一体化系统优化调度，提出了一种储能充放电的最优控制策略。

基于以上的研究内容，提出广义储能系统，即利用一定规模、先进而经济的储能系统，制定灵活、互动性强的运行策略，将新能源分散的电能平移集中至高峰负荷时段，使其紧密跟踪电网负荷变动，从而达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的。而随着广义储能系统优化模型的复杂程度越来越大，如何针对现有传统电力系统优化模型进行改进成为亟需解决的问题。

针对传统电力系统优化模型中传统火电机组出力约束使得模型求解范围过大、求解速度慢等问题，首先提出了一种净负荷增量指标，可有效缩减机组出力变量的可行域范围；然后建立考虑可调度空间约束的广义源储系统优化调度模型，有效降低系统的运行成本，并减少弃水、弃新能源；最后在模型求解过程中运用标准粒子群与模拟退火算法相结合的混合粒子群算法对最优调度数学模型进行求解，在确保求解精度的同时大大减少了计算量，且不易陷入局部最优。

1 考虑净负荷边际量的可调度范围约束

1.1 净负荷边际量标幺值指标

根据功率平衡原理，传统火电机组在下一时刻的总出力应等于总负荷与水电、新能源出力的差值，即净负荷值。因此，针对净负荷可能存在的偏差情况，首先提出净负荷边际量标幺值，然后提出一种考虑净负荷边际量标幺值的传统火电机组可调度范围约束。

定义净负荷边际量标幺值η如式(1)所示。

(1)

1.2 可调度范围约束

首先根据传统火电机组在t-1及t时段的出力情况预测净负荷值确定总调度出力空间，然后根据η确定机组的约束范围，最后取该约束范围与机组固有出力范围的公共部分作为机组可调度范围约束。

传统火电机组的可调度范围如下所示。

(2)

(3)

2 广义储能系统的数学模型

2.1 广义储能系统概念及框架

广义源储系统是一种时空分散和多种型式的储能的新能源构筑的统一调度联动系统，如图1所示。

图1 广义源储系统示意图

2.2 储能系统的约束条件

储能系统通过夜间低谷时段储电和白天峰时段放电，可以有效将低谷时段剩余的风电平移至高峰负荷时段，采用一种集中控制策略对储能装置进行调控[10]。本文主要将储能引入发电侧，借助储能控制器跟踪蓄电池充放电行为，具体为：

(4)

(5)

Qmin≤Qt≤Qmax

(6)

(7)

3 含可调度空间约束的广义源储系统优化调度模型

3.1 目标函数

以系统运行成本最小为目标，广义源储系统优化调度模型的目标函数如式(8)所示。

(8)

3.2 约束条件

(1) 机组出力可调度范围约束

(9)

(2) 功率平衡约束

(10)

(3)火电机组运行约束

PGimin≤PGi≤PGimax

(11)

(12)

(13)

式中：PGimax、PGimin分别为各传统火电机组的最大、小发出功率；URi、DRi分别为机组的上、下爬坡速率。

(4)风电机组运行约束

0≤PWj≤PWjmax

(14)

式中：PWjmax为风电机组的最大出力。

3.3 模型求解

根据某省实际运行数据，考虑仅在电网电力出现盈余、亏缺的时候才启用储能，具体求解流程如图2所示。

图2 模型求解流程图

步骤1：根据电力系统的实际运行参数，建立广义源储系统最优调度数学模型。

步骤2：根据负荷、水电、新能源预测结果，计算调度周期内的电力盈、亏情况，确定储能充、放电时间段。

(15)

式中：α为备用系数；一个调度周期内若不考虑启停调峰，则认为开机容量不变。

(16)

进一步根据储能充、放电情况修正负荷，则可预测各时间段火电机组的总出力为：

(17)

步骤3：根据负荷预测与上一时段机组出力信息以及储能充、放电情况，确定当前时段各机组的调度范围。

步骤4：采用改进的粒子群优化算法进行当前时段求解，用于混合粒子群优化算法寻优目标函数如下：

(18)

式中：ξ为成本功率转换系数，用于平衡运行成本和功率平衡方程在目标函数中的作用。

步骤5：判断个机组出力是否满足约束条件，若满足进入步骤7，否则进入步骤6调整相关机组的调度空间，并返回步骤4。

步骤6：对相关机组的调度空间进行调整，一般将原调度空间扩大1.2倍即可满足要求。

步骤7：判断调度空间内所有时段是否求解完毕，若求解完毕进入步骤8，否则返回步骤3。

步骤8：输出各机组出力曲线、运行总成、储能运行情况和弃新能源等信息，流程结束。

4 算例分析

4.1 算例及参数

选取含新能源、储能设备的某省级电网为研究对象，其中传统火电机装机总容量为17 845 MW，水电装机容量为15 880 MW，新能源总装机500 MW，储能配置额定容量为100 MW/300 MWh。设置机组的最大、最小出力分别为50%PG、110%PG，机组爬坡率设置为30%额定功率/h，机组旋转备用量为总装机容量的10%，同时忽略启动和关停机组的时间。

4.2 火电总出力预测

负荷、水电以及新能源出力预测结果如图3所示。图3纵坐标右侧为新能源出力，左侧为负荷和水电出力。

图3 各功率曲线预测出力

由式(20)～式(24)可得各时段电力最小盈余以及修正负荷如图4所示。图4纵坐标右侧为最小电力盈余，左侧为负荷和修正负荷。

由图4可知:电力盈余时段为2 ∶00—6 ∶00，依据储能配置容量可考虑在3 ∶00—5 ∶00储能进行充电；17 ∶00—20 ∶00时段为负荷较大时段，则可考虑在18 ∶00—20 ∶00储能进行放电。

图4 各时段电力最小盈余及修正负荷

进一步可得各时间段火电机组的总出力预测曲线如图5所示。

图5 各时间段火电机组总出力预测曲线

4.3 求解与结果分析

基于不考虑储能时的各时段火电机组总出力预测曲线，结合净负荷边际量标幺值，得到各台机组的可调度范围约束。进一步分别通过采用标准粒子群算法与混合粒子群算法进行求解。以上算法中初始种群规模数取40，初始温度取150 ℃，退火机制取0.25，衰减因子取0.75。

由表1可知，通过考虑净负荷边际量的可调度范围约束，缩小了粒子变量的可调度执行域和范围，从而大大提高了求解速度。混合粒子群算法与标准粒子算法相比，迭代次数有所提高，但能有效跳出局部最优搜索到更优解。

表1 对比改进模型优化结果

若配置储能，可有效减少弃水、弃风，计算结果如表2所示。

表2 配置储能对比结果

由上述仿真结果可知，配置储能后可减少2台300 MW火电开机，火电机组日发电总成本降低了1 735 tce，平均煤也有所降低，且避免了弃水，减少弃风1.7×106kWh，大大降低了系统运行的总成本。

5 结束语

(1) 通过对传统优化调度模型的挖掘，提出了净负荷边际量指标，利用该指标和火电机组在上一时段的出力状态确定的可调度范围约束，可以有效减少搜索空间，提高求解效率。

(2) 引入混合粒子群算法对模型进行求解，在确保求解精度的同时大大减少了计算量，且能有效跳出局部最优搜索到更优解。

(3) 提出了含可调度空间约束的广义源储系统优化调度模型及其求解流程，能有效降低系统运行总成本，减少弃水、弃新能源。

储能最优配置方法以及如果平衡各电源之间的利益是下一步重点研究工作。