一种需求响应参与下风电储能系统调度方法的研究*

何 平 迟福建 赵志斌 刘 聪 李桂鑫 王 哲

（1.国网天津市电力公司 天津 300184）（2.华北电力大学 北京 102206）

1 引言

大规模风力发电的集成需要得到发电侧和用户侧的协作支持。在发电侧，风力资源的不确定性导致应选择高质量的电力储能系统以配合系统的发电调度［1～2］。在用户侧，通过合理的需求响应以引导用电客户尽量错峰用电，优化负载结构［3］。风电储存系统的研究与需求响应参与下的优化调度相结合，有利于提高风电的消纳能力。对于风电储能系统问题的研究，结合需求响应下的优化调度，目前多数的学者主要聚焦于风电不确定性预测、综合调度模型的建立和模型求解算法的优化［4～7］。综上所述，本文以系统最低发电成本为主要目标建立综合优化调度模型并对改模型进行了求解。首先，将当前风电预测结果和超短期风电预测结果作为变化变量及其效果，建立了日前和实时两阶段风电储能系统优化调度模型，并采用优化的粒子群算法进行模型求解。最后基于多种应用场景分析了所提调度策略对电网系统吸收风电能力降低发电成本的改善效果。

2 两阶段调度优化模型

2.1 日前调度模型

以火力机组最小燃煤成本为主要目标，依据前一天的风力预测值对整个系统的火力机组和风能机组进行综合优化调度［8］。调度目标函数为

在式（1）中，E是当前系统的调度模型的预期成本，I是火力发电机的组数。H是风电场的数量。ph是风电场h的输出功率。Ci,t是火力机组的燃煤成本。是风力机组的启动和停止的成本；是储能系统的并网成本。是实施用电需求响应的系统成本。

在式（2）和式（3）中，αi、βi、γi是发电机组i的燃料成本系数；git是火力机组i的发电量；uit是火力发动机组的启动和停止状态；Nit是发电机组启动和停止的成本。

在式（4）中，a和b是线性函数的系数；ΔLt为实施需求响应后用电缩减量；是实施需求响应前的用电量。

储能系统充放过程中其大功率变流元件必然会损耗一定功率。对t时刻储能系统的功率损耗量的计算公式为

在式（5）中，Ns是能量存储系统的数量；Bs,t是t时储能系统的并网成本；和是储能系统的电能转换的功率。

上述数学模型在实际调度中需要满足以下的约束条件。

1）负载平衡的约束。

式（6）中，W是风力机组的总数；ψi是发电机组I的使用率；和是储能系统充电和放电过程中的功率损耗率；ψi是在并网风力场w的。

2）储能系统的最大功率约束。储能系统的主要约束条件包括电能存储最大功率值的约束，充电放电周期的时间约束以及电池的能量存储容量的约束等［9～10］。

3）风电机组输出的约束。风电电机组对调度的参与主要受输出约束、爬升约束和启动和停止时间约束的影响［11～13］。

4）需求响应的实施约束。需求响应的实施是通过改变用户的用电方式改变负载结构［14］。需求需求下的负载减少幅值应该依据用电客户的不同具有相应的上下限值。同时需求响应的实施可能会导致负载曲线波动幅度的增加。

在式（7）中，vt是值为0～1的变量，当vt=1时表示低压负载减少；当vt＜1时表示低压负载没有减少。表示在t时刻低压负载减少的最大量。

在式（8）和式（9）中，LU和LD分别是需求响应下用电量减少幅值的上下限值。主动配电网下需求响应的实施需要与发电机组协作满足其启动和停止时间的约束，否则可能会导致负载曲线剧烈波动。

2.2 实时调度模型

在实时调度期间，根据风电的前一小时预测结果用以下步骤校正储能系统的运行模式并对前一天调度结果进行校正需要以下两个步骤。首先系统净负荷的目标是最小的；在前一小时的风力机组最大出力与火力机组最小燃煤成本的目标组合的基础上，纠正风力机组的出力，形成提前一小时的实时调度模型。

1）调整前一阶段计算得出的储能系统输出功率。调整储能系统的输出的主要目标是火力机组的最小燃煤成本。目标函数为

2）风电电机组输出校正模型。

校正已经启动的消防电机组的运行输出的模型以燃煤机组的最小的发电量为目标，具体的计算模型如下：

校正后，风电电机组的输出需要满足以下约束条件：

3 基于混沌粒子群优化算法的模型求解

应用粒子群优化算法求解风电和储能两个阶段的调度优化模型，首先是对系统的参数值进行二进制编码，然后利用应用粒子群优化算法按照以下流程对模型进行求解［15］。

1）为便于将二进制粒子群优化算法应用于模型求解，第一步是更新粒子的位置和速度。

2）计算步骤1）所更新的粒子与最优粒子群之间的距离。设ki为位于i位置处的任何粒子，kr作为最优粒子的当前位置，两个粒子之间的距离为

如果di小于10-3阈值，则在粒子群中按照既定的规则进行混沌搜索，并用搜索得出的新粒子取代ki粒子，形成新的粒子群。

3）判断搜索完成后粒子群是否满足各种约束条件，如果满足条件则保持不变，如果不满足条件则取限值。

4）计算完成搜索后的粒子群的参数值：全局最优Fbest、全局最优位置K和最佳粒子位置。转至步骤5）。

5）判断当前迭代次数是否达到最大值，如果达到最大值，则输出结果，否则迭代次数应设置为，并转到步骤1）。

算法流程如图1所示。

图1 粒子群优化算法流程

4 应用场景分析

4.1 应用场景

为系统设置四种应用场景，分析储能系统和需求响应对系统吸收风能的能力的影响。

应用场景1：该场景中没有将风电储能系统和需求响应引入电网调度程序中。

应用场景2：该场景中引入储能系统进行电网调度。所引入的储能系统容量为200MW，充放电最大功率为80MW，系统额定损耗为0.04MW。

应用场景3：该场景中引入需求响应的实施。需求响应中用电量最大减少幅值设置为不超过原用电量的1/4，负载曲线上峰值和谷值之差不超过100MW。

应用场景4：该场景可以同时引入需求响应和风电储能系统。所引入风电储能系统和实施的需求响应的参数与场景2和场景3相同。

4.2 应用结果对比

四个场景下火力机组煤耗成本分别为1.1983kt、1.1901kt、1.0052kt和9.8326kt。四个场景中火力机组启停耗煤成本分别为145.8t、128t、122t和95.4t。对上述四个应用场景下系统发电成本进行分析可以发现，综合发电储能系统和需求响应的两阶段调度策略有效地降低了负载水平和火力机组的煤耗费用，具有显著的经济效益。

图2是四个场景中的系统负载需求曲线。对场景1和场景2下应用数据进行分析可以发现，储能系统的引入可以将峰值负载需求转移到低谷负载期，从而改变负载结构，没有减少总用电量。对场景3进行分析可知，需求响应的实施可以减少峰值负载时期的总体用电量，但不会将峰值期的负载转移至低谷期。

图2 四种场景下的负荷需求曲线

在单独风电并网的输出以及能量存储系统和需求响应都被引入时（场景4），系统吸收风能的能力最强，风能的损失率从场景1中的12%降至场景4中5.06%。与场景2和场景3相比，可以发现优化效果与风电机组的输出结构相同，即单一引入需求响应的场景中风电并网输出（场景3））将比单一引入能量存储系统（场景2）的场景更好。图3是四个场景中风电并网的出力状态。

图3 四种场景下的并网风电出力比较

场景4与场景2相比，储能系统并网出力增大，导致火力机组的煤耗成本得到下降，这说明对风电储能系统的科学调度推动了系统综合发电经济成本的下降。场景4和场景3相比，可以看出实施需求响应可以使得负载曲线的波动更加平缓，为电网调度提供了更好的条件。表1是四个场景下储能系统的运行结果。

表1 四个场景下系统运行优化结果

综上所述，在需求响应下，引入储能系统对风电储能两级调度优化，可有效降低系统发电能耗水平，环境效益和经济效益显著。

5 结语

风电出力与负荷需求时间的反向分布是导致风电出力大量中断的主要原因。为了加强风电大规模并网，需要引入需求响应和储能系统并优化需求侧的负荷分配。本文将两阶段优化模型的调度与混沌二元粒子群优化算法相结合，建立了风电储能系统，应用结果表明，两阶段风电储能调度优化模型，通过对日前调度方法的修正，可以优化风电机组的出力结构，降低系统发电成本，提高系统消纳风电的能力。在需求响应和风电储能系统的协作下，所提调度模型可以优化负荷结构，降低火力机组的出力，从而提高系统的发电经济性。