清洁能源利用最大化的电力系统优化调度

张新宇，卜京

(1.南京理工大学 自动化学院，江苏 南京 210094；2.国网山东省电力公司滨州市沾化区供电公司，山东 滨州 256800)

风能是一种清洁的可再生能源，风力发电无污染且取之不尽，是现阶段发展技术最成熟的一种可再生能源发电方式，在电网中的占比不断提高，发展前景广阔。根据中国气象局相关统计，我国风能资源分布广泛，技术可开发量为7×108～12×108kW，开发潜力巨大[1]。然而单一的风电在发展中存在一系列问题，比如风电定价机制与发电方式不匹配，弃风现象严重，资源利用率低，风力发电企业效益得不到保证[2]；风电大规模接入电网，由于其间歇性、波动性和低可控度，不利于系统的安全稳定运行。如何改善风电并网特性，实现优化调度是风能资源利用过程中亟待解决的问题。

传统的电力系统优化调度是以燃料成本为优化目标的经济调度或考虑污染物影响的环保调度，然而随着各种新能源发电技术的迅速发展，多类型电源协调共存已经成为电力系统的发展趋势[3]。另外水电和储能技术不断成熟，在电网中发挥的作用也越来越重要。截至2017年，中国水电装机容量占世界水电装机容量的27%，排名第一[4]，已成为水电大国。储能系统一定程度上解决了电能不能储存的特性，可以弥补可再生能源的波动，为大规模风电并网和利用提供了重要支撑[5]。现阶段新能源开发潜力巨大，但是储能发展还不够成熟，水电站受地理条件限制较大。多电源的优化调度需要统筹各方利益，薛美娟等[6]结合最优潮流理论建立了短期优化调度模型；葛晓琳等[7]建立了包含风电、梯级水电站和常规火电的长期优化调度模型；甘伟等[8]突破了含风电系统中单纯考虑储能或常规电源的局限性，构建了含风火水储气的调度模型。但是上述文献中目标函数仅涉及系统运行成本，有一定局限性。陈功贵等[9]将废气排放作为价格惩罚因子加入到燃料费用的目标函数中，虽然简化了计算，但是不能完全体现清洁能源的意义。

考虑到目前电网中仍然主要是火电和水电机组，燃气机组虽然调节能力更强，但成本较高，在电网中占比很低。为了更好地实现节能减排，利用其他资源的互补性平抑风电波动带来的影响，本文以系统成本最小、污染排放最小和清洁能源利用率最大为目标，建立包含风电、火电、水电和储能系统的多目标优化调度模型，并通过遗传算法验证该模型的有效性。

1 各类型电源出力特性

1.1 火电出力特性

目前火电仍然是我国最主要的发电和调峰电源，布局灵活，网内的火电机组主要是以燃煤机组为主，调节能力更强的燃气机组目前占比还较小。除了要承担调峰调频的任务，有些火电机组在供暖期还要兼顾供热，火电的多重职能使其难以发挥调峰作用。为了促进风电等可再生能源的消纳，系统会允许部分火电机组处于深度调峰状态，即低于最小出力水平的状态，充分挖掘现有下调备用空间。但是火电机组响应慢，爬坡时间长，频繁启停及大范围负荷波动会造成资源浪费，运行成本增加，机组寿命缩短，直接影响机组的安全运行。

1.2 风电出力特性

风电机组的出力主要受风速的影响，而风速会在气流影响下发生变化，空气压差越大，风速也就越大，并且一天内不同时间、不同季节、不同年份之间风速的差异十分显著，具有较强的波动性。风速的不规律波动，将直接导致风电出力可控性差、随机性高。我国风能资源地理分布不平衡，季节性差异明显，且与经济发展水平、负荷中心严重不匹配[10]，在经济发展水平相对较低、负荷需求较小的北部地区，风能资源集中但难以就地消纳，远距离输送能力不足，因此常出现“弃风限电”现象。

风速是量化风能资源特性的重要数据，也是研究风电场模型、为风电场运行提供决策支持的主要参数。虽然风速时刻在变化，但是在一定时间和地域范围内的风速还是遵循一定规律的。韦布尔分布是描述风速分布使用最广泛、普遍认可的统计方程，其概率密度方程如下：

(1)

风电机组输出功率P与风速的关系可表示如下：

(2)

式中，CP为风能转换效率，A为叶片扫风面积，ρ为空气密度，v为风速。

1.3 水力出力特性

水资源除了承担发电任务，还要根据实际情况承担航运、养殖、灌溉、防洪等任务。水电站工程投资大、建设周期长，并且受地理条件限制，无法建造太大容量，一旦建成后就不易再增加容量。

水力发电具有以下特点：受自然环境影响，水能资源分布分为丰水期和枯水期，枯水期时正常供电可能会受到影响，出力降低，在季节上能够与风电形成互补；虽然长时间看水电出力受季节影响无法准确预测，但单日水文预测较为准确和规律，短期调度的发电量可以视为已知量[12]；水电机组启停迅速，投运仅需要几分钟，操作灵活，且不造成能源浪费和污染排放，可以起到调峰、调频、备用等作用。

水流推动水轮机转轮转动，带动发电机转子旋转发电，水流量与输出功率之间的关系可以用式(3)表示。

PH(t)=9.81ηQH(t)h(t),

(3)

式中，η为水电站转换效率，QH(t)表示t时刻的发电用水量，h(t)表示t时刻水电站的发电水头高度。

1.4 储能系统运行特性

储能系统具有自动化程度高、调节灵活、对负荷响应快速等优点，既可以将能量储存起来参与系统调峰，又可以装设在风电场平抑波动，通过改进控制策略参与系统一、二次调频，相比传统的调频电源具有更高的效率，是减小负荷峰谷差、维持系统频率稳定的有效途径。当电网中负荷突变时，会引起系统频率波动，若负荷需求大于电网输出功率，系统频率降低，储能系统向电网中输出功率，反之则从电网中吸收功率，以维持系统频率稳定在规定范围内[13]。

2 调度模型构建

联合发电系统充分利用各电源的特性，解决单电源发电的不足，充分发挥火电、水电机组和储能系统的调峰能力，应对风电的随机波动，保持出力的连续、稳定和可靠，并且在一定程度上降低经济成本，取得良好的社会效益。

2.1 目标函数

目标函数可表示如下：

(4)

2.2 约束条件

(1)系统约束

在不考虑网损的情况下，各发电机组的功率之和应与系统负荷相等，即

(5)

式中，NS为储能装置数量，PSm(t)表示t时刻储能出力，PL(t)表示t时刻系统负荷。

(2)出力约束

各机组出力的上下限约束如下式所示：

(6)

式中，PGi.max、PGi.min、PHl.max和PHl.min分别为火电机组、水电机组出力的限值；CWj为风电场总装机容量；PSm(t)为储能在t时刻充放电功率，PSm.charge和PSm.discharge分别表示额定充、放电功率。

(3)爬坡约束

机组的爬坡速率约束如下式所示：

(7)

式中，rGui、rGdi、rHul、rHdl、rSum、rSdm分别为火电机组、水电机组和储能系统爬坡速率限值。

(4)备用约束

系统需要为风电预留出一定的备用容量，备用约束可表示为

(8)

式中，UW(t)、DW(t)分别为风电场在t时刻的正、负备用需求，UG(t)为火电机组备用需求。

(5)水电相关约束

水调分配的发电用水量满足下式关系。

(9)

式中，Ql.min和Ql.max分别表示水库l分配用水量的最小值和最大值。

(6)储能相关约束

储能参与调节峰谷差时，应在电网负荷降低而发生弃风或弃水时充电，在电网负荷升高时选择放电或既不充电也不放电，储能充放电约束如下：

(10)

式中，Ym.charge(t)和Ym.discharge(t)分别表示储能装置充放电状态，当Ym.charge(t)=1，Ym.discharge(t)=0时，储能充电；当Ym.charge(t)=0，Ym.discharge(t)=1时，储能放电。

3 算例分析

算例采用改进的39节点系统在Matlab软件仿真环境下对构建的调度模型进行仿真分析，用遗传算法求解。在系统中接入装机容量分别为200 MW的水电站、198 MW和96 MW的风电场和20 MW的钠硫电池储能电站，形成含水火风储的联合发电系统，以验证调度模型的可靠性以及各能源之间的互补性。其中火电机组的相关参数参考文献[14]中相关数据，从0:00开始将调度周期分为24个时段，时间间隔为1 h。设置遗传算法的初始种群规模为50，迭代100次，交叉概率为0.95，变异概率为0.05，随机抽样1000次，达到最大迭代次数时停止迭代。

输入求解问题所需的约束条件中各项数据、各机组的相关参数以及遗传算法的各个参数，创建符合条件的初始数据作为初始种群并编码，然后把目标函数作为适应度函数，计算种群中每个个体的适应值，并用蒙特卡洛模拟技术验证是否符合约束条件。重复上述步骤直到达到终止条件后解码输出最优解，即各时段各机组的平均功率。

图1为冬季(12月)某一天各时段的负荷值和两个风电场预测出力总和，可以看出风电明显的反调峰特性。冬季属于非汛期，具有较丰富的分配水量，水电可以不满发。冬季某日各机组在各时段出力情况与系统负荷功率平衡图见图2。从图2中可以看出，火电机组出力较平稳，峰谷差为305.5 MW，当负荷水平处于低谷时，水电可以及时调整自身出力到较低水平，而此时风电场出力较高；当负荷增大时，水电又迅速升高出力。证明水电发挥了很好的调节作用，使风电尽可能多地上网，充分利用风能资源，保证了火电机组平稳运行，没有频繁地大幅度调节出力，减轻了火电机组的调峰压力。该算例中系统运行总成本为3 507.87万元，比全部用火电机组供电减少成本184.4万元，污染排放量为265.78 t，比全部用火电机组供电减少排放量52.75 t。

图1 冬季某日系统负荷与风电机组预测出力情况Fig.1 System load and the predicted wind turbine output on a winter day

图2 冬季某日各机组各时段出力情况与系统负荷Fig.2 Output of each unit at different time periods and the system load on a winter day

图2中风电实际出力与图1中风电预测出力对比可以发现，在凌晨2:00—5:00时实际出力下降，即发生了弃风，总弃风量为105.4 MW，其余时间规划出力与预测出力基本持平，说明多目标优化调度将弃风限制在了较低水平。系统负荷较低时段发生弃风，储能充电，当风电能够全额入网时再对电网输出功率，虽然发挥了减小弃风的作用，但是由于储能成本高，功率有限，调峰收益低，只能起到很小的作用。但是随着储能技术的不断成熟和电力行业对储能需求的逐渐增大，储能成本会逐渐降低，大功率、大容量的储能技术研究已经取得一定进展，对推动能源转型、提高清洁能源优化配置具有重要意义。

图3为夏季(8月)某一天各时段的负荷值和两个风电场预测出力总和，可以看出风电出力较冬季小，波动也比冬季平缓，但仍有明显的反调峰特性。对比图1与图3可以发现冬季最低负荷更低，可能原因是夏季空调等制冷负荷升高，用电量大，而冬季采用集中供暖的方式取暖，不需要额外用电，用电需求比夏季低。考虑到环保及节能的需求，近几年全国开始大力推行“煤改电”补贴政策，正逐步以电取暖替代农村燃煤取暖，用电负荷逐渐呈现出夏、冬两季“双高”的趋势。

图3 夏季某日系统负荷与风电机组预测出力情况Fig.3 System load and the predicted wind turbine output on a summer day

夏季处于汛期，水资源过剩，水电厂必须满发，因此水电没有调节能力[15]。夏季各机组在各时段的出力情况与负荷功率平衡图见图4。该算例中弃风量、弃水量均为0，清洁能源利用率高。从图4中可以看出，火电出力波动幅度明显增大，峰谷差增大到624.4 MW，说明在水电无法发挥调节能力时，火电必须频繁调节自身出力，才能及时弥补风电随机波动的影响。该算例下系统运行成本为3 491.2万元，比全部用火电机组供电减少成本217.17万元，污染排放量为260.91 t，比全部用火电机组供电减少排放量87.64 t。其中，火电机组运行成本较算例1减少了约84.4万元，是由于水电满发降低了火电出力的压力。而水电机组和风电机组运行成本增加，由于水电出力调整快，价格较低，因此可以尽可能提高水电发电量，与风电实现互补，降低系统运行成本。

图4 夏季各机组各时段出力情况与系统负荷Fig.4 Output of each unit at different time periods and the system load on a summer day

4 结论

针对风能的随机性造成的风电出力的不确定性，兼顾系统总成本最小、污染排放最小和清洁能源利用最大化，建立了多目标的电力系统优化调度模型，算例仿真结果表明：

(1)本文的调度策略优先调度清洁能源发电，充分发挥水电和储能的调节能力，实现了水电和风电之间的互补作用，缓解了火电调峰的压力，保证火电机组的运行效率和安全性。

(2)大容量、大功率的储能电站可以有效减小弃风、削峰填谷，提高清洁能源利用率，推动能源结构转型升级。

(3)多类型电源联合优化调度有效提高了系统的经济性、灵活性、环保性和清洁能源利用率，对于降低系统成本、减少煤炭消耗和污染排放以及提高可再生能源消纳能力具有重要意义。