风电与蓄热电采暖联合消纳下虚拟电厂优化运行

贾清泉,刘东泽,孙玲玲,隋 璐,梁纪峰

(1.电力电子节能与传动控制河北省重点实验室(燕山大学电气工程学院),河北 秦皇岛 066004;2.国网河北省电力有限公司电力科学研究院,河北 石家庄 050021)

0 引言

生态环境污染日益严重,这成为世界各国所面临的巨大问题,发展新能源产业来代替传统石化等高污染能源成为重大举措[1-3]。随着新能源技术的不断完善与成熟,新能源消纳问题成为阻碍其继续发展的关键问题。虚拟电厂借助智能电网信息平台将多样化的分布式资源进行优化布局及规模化集群管控以发挥综合效能,面对目前电网中存在的各环节之间“各自为政、信息孤岛”的问题,能够实现各环节信息互动与共享,是解决地区电网新能源消纳[4]的有效手段。

风力发电由于有低碳环保、技术完善、发电量大等优点,得到广泛应用,但是因为其出力与风速关联极大,导致了风力发电随机性和不确定性强,往往出现严重的弃风现象[5-9]。蓄热电采暖代替传统的燃煤取暖方式,其储能特点能够在一定程度上缓解风电消纳的问题[10-11]。文献[12]分析了蓄热式电采暖运行对系统消纳风电的影响,然后将电采暖负荷对视为可控负荷进行调控,实现风电消纳,其优化过程中将风电与蓄热电采暖单独考虑,没有注意到两者之间的耦合特性。文献[13]利用电采暖设备的储能特性进行消纳多余风力发电量,并参与系统调峰,结果表明可以改善弃风现象,但是其中并没有对系统运行成本进行分析。

本文将大量蓄热电采暖负荷聚合为虚拟电厂,并将其视为一个具有大规模可调节潜力的负荷参与到电网运行。通过建立房屋热需求模型总结出蓄热电采暖参与风电消纳的用电模式,基于此建立了以消纳弃风量最大和运行成本最小为目标的优化运行模型,算例结果证明了所提方法的有效性。

1 风电与蓄热电采暖联合运行模式特性分析

1.1 基于热力学原理的房屋热需求分析

研究风电与电采暖联合运行下的虚拟电厂优化运行,需要建立电采暖用电特性模型与风力发电模型,本文认为用户房屋通过电采暖设备进行供热,因此基于建筑物热量传递原理来建立房屋内温度变化与热量传递变化的方程,综合考虑气象因素、房屋面积以及取暖量等因素,得出房屋所需热量,即电采暖设备为房屋提供的热量,如式(1)所示

式中:ΔTin为房屋内温度变化值;Qh为用户所需要的热功率(视这部分热功率全部通过电采暖工作供给);Qs为太阳向房屋提供的热量;Qc为室内空气通过建筑围护结构损失的热量;Qv为室内外空气流动所损失的热量;Cair为房屋内空气总热容。

对于某用户住宅,假设房屋内部结构和热量相关参数已知,根据房屋热传递关系可计算得到Qc,其中Qv和Qs可以根据建筑节能设计标准得到

式中:Kc为综合传热系数,其值大小受房屋外部墙体、地面、门窗传热系数和房屋面积等因素影响;Tin和Ta分别为室内温度、室外温度;v-为室外风速;Kv为综合换热系数,其值大小受室内空气比热容、密度和房屋漏风部分面积影响;Fw为房屋可采光面积,其值大小受房屋窗户面积和太阳光折射系数影响;Gs为阳光辐射强度。

为维持室内温度不变,根据能量守恒式可表示为

式(5)为房屋内热量平衡方程式,即房屋所需要的热量等于室内通过墙体和空气流动损失的热量减去阳光提供的热量。本文所提到的用户热功率需求,统一用Qh表示。

1.2 蓄热电采暖参与风电消纳用电行为

蓄热电采暖与风电进行互动,首先是要根据当天风电的发电量选择进行互动运行模式,风电与蓄热电采暖联合运行模式如图1所示。

图1 风电与蓄热电采暖互动模式

风电发电量则可以从与风电相关的气象要素入手,分析不同时间尺度所在区域风速数据的变化规律,建立风电出力数学模型,最终得到不同时间尺度下风电运行功率数据。根据风电发电量特征的分析,可以知道当风电出力足够时,蓄热电采暖在充分供热的情况下选择进行蓄热;本文假设风电+蓄热电采暖联合运行的方式下能够预测次日风电机组出力情况,从而判断风电发电量是否能够满足供电要求,若不能则利用低谷时间加以补偿,从而避免高峰时段用电。根据以上说明,蓄热电采暖负荷的互动及运行模式可包括如下3个情况,设t1为当天谷电开始时刻,t2为谷电结束即高峰电的开始时刻,t3为次日谷电开始时刻。

(1)峰电蓄热供热过程。如果蓄热电采暖在风力发电的高峰期存储的热量无法满足用户的热需求时,就需要对用户进行实时供热。一般该过程发生在t2至t3期间,在该时段进行供热需要用电量为

当蓄热电采暖在风力发电的高峰期存储的热量大于用户的需求热量时,电采暖剩余蓄热量为

(2)谷电蓄热过程。假设风电+蓄热电采暖互动模式下可以预测次日风电发电量,如果预测结果显示风力发电量无法满足用户热需求量,则应该在低谷时段提前存储一定的热量,该过程发生在t1至t2期间。储热过程所需电量为

式中:Psh为用于储热的电功率。

(3)平电跟踪过程。在峰电时段让蓄热容量电采暖负载跟踪风能发电过程:当风电功率超过蓄热电采暖负载的额定功率而蓄电已满时,则其余风能上网;当风电功率小于电采暖额定容量且蓄电不足时,将风能发电量全部用作电采暖负荷;该过程通常出现在t1至t2期间。此模式下为电采暖负荷的用电功率

式中:Qu为用户的热功率需求;Pwind为风电发电功率;Pehn为蓄热电采暖的额定功率;Wehn为电采暖的配置容量。

风电上网功率为

购电功率为

蓄热量为

1.3 风电机组出力模型

风能每时每刻都在变化,通常风电出力会与风速在一定范围内成正比,但是当出力达到额定出力时,风速增加出力也不再变化;当风速小到一定数值时,风机会停止转动,停止发电。所以当风机规模确定时,其出力的风速范围也确定了,其发电功率的多少将取决于当地的天气等实际情况。根据风速得到t时刻风电输出功率Pwt(t)为

式中:v(t)为t时刻的风速;vc为切入风速;vf为切出风速;vr为额定风速;Pwt,r为风电机组额定功率。

1.4 联合运行逻辑

结合1.2提出的蓄热电采暖3种运行模式,得到风电与蓄热电采暖联合运行的逻辑如图2所示。根据当天时刻的划分,判断此时是处于用电高峰期还是用电低谷期。若处于低谷期则蓄热电采暖根据自身需热量进入到谷电蓄热模式或者平电跟踪模式;若处于用电高峰期,则蓄热电采暖进入峰电蓄热供热。

图2 风电与蓄热电采暖联合运行流程

2 虚拟电厂风电与电采暖优化运行模型

2.1 年运行成本计算

结合风电与蓄热电采暖互动运行模式特性,以运行经济性为目标,建立优化模型,但考虑到风电与电采暖具有的随机性与不确定性,且互动模式下情况复杂,若按照典型日对其进行成本计算,结果误差大且普适性差,以全年气象数据为基础,建立以年时间尺度为基础的成本计算方法。运行成本计算如下。

(1)通过建立的房屋热需求模型和风力发电模型,得到用户的热需求曲线和风电机组的出力曲线。

(2)假设以年初首日某时刻t为计算起点时刻,蓄热式电采暖在t时刻没有蓄热量。根据在步骤(1)中求出的用户热需求曲线和风电机组的出力曲线查出t时刻对应的数值,代入到风电与蓄热电采暖的互动逻辑中,开始循环计算,最终得到Eh、Esh、Pi和Pc。

(3)将Eh、Esh、Pi和Pc代入计算式(15)中,求出风电与蓄热电采暖运行成本

式中:Cg为谷电电价;Cf为峰电电价;Cp余电上网售电电价;Cb光伏发电补贴电价。具体计算过程见图3。

图3 年运行成本计算流程

2.2 目标函数

电采暖型虚拟电厂在所提出的风电与蓄热电采暖联合运行模式下对蓄热电采暖容量、额定运行功率等进行合理优化,为进一步消纳风电,减少弃风量。结合蓄热电采暖特性,对虚拟电厂运行进行优化以此来消纳更多风电,同时优化过程中经济成本必须纳入考虑。因此,以消纳风电量最大和投资运行成本最小为目标,建立虚拟电厂多目标优化模型,其中投资运行成本以年为单位计算,引入等年值系数,可以尽量避免因选取典型场景而引起的误差。

(1)风电消纳量最大

式中:Pwi,t为蓄热电采暖i在t时刻消纳弃风功率。

(2)投资运行成本最小

在目标函数(1)的基础上,进一步优化电采暖型虚拟电厂经济性,以安装的风电机组和蓄热电采暖全寿命周期投资运行成本最小为目标建立目标函数,选择风力发电单元中风电机组台数N1,风电机组单价为M1,风力发电系统的初始投资成本费用为

由于本文以年为周期进行成本计算,所以需要将经济指标归算到年,采用等年值费用法进行计算,等年值成本系数为

式中:r为利率;n为设备使用寿命年限。

将风力发电系统的初始投资成本乘上年成本系数即为等年值投资成本费用

将蓄热电采暖型虚拟电厂的初始投资成本乘上年成本系数即为等年值投资成本费用

式中:Ceh-u为单位蓄热容量价格。风电机组和蓄热电采暖等年值维护成本为

式中:Cwom为每个风电机组所需要的年维护成本;Cehom为单位容量电采暖所需要的年维护成本。

综合分析,目标函数可以表示为

式中:CG为虚拟电厂从电网购电成本;Cbt为蓄热电采暖型虚拟电厂的补贴价格;Cag为虚拟电厂电采暖聚合成本;Cre为虚拟电厂运行过程中的收益;Cth为火电机组消纳成本。

2.3 约束条件

(1)功率平衡约束

式中:u i,t为火电机组i在t时段的状态变量;P i,t为火电机组i在t时段的出力;I为火电机组数;ξf为火电机组的厂用电率;Pwind,t为t时段风电场实际出力;ξw为风电场的厂用电率;Pload,t为t时段的非电采暖负荷;Peh,t为t时段的蓄热电采暖负荷。

(2)蓄热式电采暖运行约束

热功率平衡约束

在一个运行周期内,房屋热负荷值应与蓄热式电采暖设备制热量与蓄热损耗之差相等,具体如下

式中:ηc为电采暖散热效率。

蓄热电采暖容量约束

式中:Weh,min和Weh,max分别为蓄热电采暖容量的上下限。

(3)风电运行约束

风电实时出力约束

式中:Ppw,t为t时段风电场预测风电功率。

风电机组的安装数量需在一定范围内

(4)火电机组出力约束

2.4 模型求解

该模型以消纳风电量最大和投资运行成本最小为目标函数,考虑了系统功率平衡约束、风电机组的运行约束以及电采暖负荷的运行约束,选取蓄热电采暖热容量、蓄热电采暖额定功率和风电机组安装数量为待优选的决策变量,由于变量数较多,求解过程较为复杂,利用粒子群优化算法对所建立模型进行求解,求解过程如图4所示。

图4 模型求解流程

3 算例分析及仿真结果

3.1 算例分析

以提高消纳新能源能力的同时提升风电外送功率的稳定性为目标,对虚拟电厂的风电机组与电采暖进行优化配置。本节以北方某区域煤改电项目作为聚合电采暖型虚拟电厂分析案例,该虚拟电厂聚合了6台火电机组G1—G6,且6台机组相关参数如表1所示,煤改电用户安装的蓄热电采暖为集中供暖方式,拟装设的风电机组单机容量为1.5 MW。

表1 火电机组参数

考虑到用户住宅面积、结构等因素各不相同,为方便分析计算,选取代表性房屋参数为一般规律,参与算例分析,如表2所示。

表2 房屋热力学模型参数

由于风电机组出力与电采暖联合运行受天气因素影响极大,本节以该地区1年8760 h的气温和风速数据作为基础数据,表3为部分时刻的气象数据,结合风电出力模型和蓄热电采暖模型确定风电及负荷曲线如图5所示。

表3 部分时刻的气象数据

图5 风电出力预测及负荷曲线

算法参数设置为:种群数量为200,初始学习因子设为1.5,最大迭代次数为100,收敛判据为相邻两代的最优个体的适应度函数值差异小于0.1%,此时为最优解。

3.2 仿真结果

通过对算例求解可以得到选取的虚拟电厂在风电与蓄热电采暖运行逻辑模型优化后的负荷曲线和风电消纳水平曲线等。并且算例求解过程中满足设定的收敛判据,说明得到的结果为最优解。图6为考虑电采暖负荷优化后的风电消纳结果。

图6 蓄热式电采暖优化前后的风电消纳水平

由图6可以看出,与不对蓄热电采暖采取控制手段时的风电消纳曲线进行对比,当蓄热式电采暖参与到系统的优化运行中系统的风电消纳功率有所提高,尤其在0:00—7:00这个时间段风电消纳水平提高最为显著;在白天时段,风力相对较小,所以消纳水平变化不大。由此可见,选取的蓄热电采暖型虚拟电厂的仿真结果说明电采暖负荷是具有可控性的,提高电采暖接入系统的比例可以提高系统的风电消纳能力,增加风电上网电量,间接减少本地电网的购电量,节约成本。电采暖负荷参与到系统优化中也意味着减少了系统为解决风电不确定性所储备的资源,进一步提高电网灵活性,增强电网应对突发事故的资源储备。图7则表示对电采暖进行优化调度的结果。由图7所示的系统负荷曲线可知,在夜晚11:00到第二天06:00这个期间,室外温度低,用户对温度要求较高,自然电采暖的用电量也较高;在白天有太阳光为房屋提供热量,且室外温度比晚上高,所以电采暖的用电量就相对较低。这一结果说明本文所设定的蓄热电采暖的3种工作模式合理有效。

图7 蓄热式电采暖优化前后的系统负荷曲线

在系统总负荷曲线图可以看出,在凌晨时段含蓄热电采暖的总负荷曲线明显要比不含蓄热电采暖的总负荷曲线要高出一部分;在其他时段2条曲线基本相同,并未发生明显波动,但是在10∶00—12∶00时段,也是当天用电的高峰时段,含电采暖的曲线略微低于不含电采暖的曲线。这说明当对蓄热式电采暖参与到电网运行时进行优化,可以减少虚拟电厂用电的峰谷差值,使总负荷曲线更平稳,提高了电网调峰资源的潜力,同时为虚拟电厂内消纳新能源提供了有效手段。电采暖型虚拟电厂的投资相关参数如表4所示。

表4 电采暖型虚拟电厂投资参数

通过算例求解计算可以得到的风电机组和蓄热式电采暖的等年值投资运行成本和优化配置结果如表5所示。

表5 风电和蓄热电采暖投资运行成本及容量配置

本文随机选取了虚拟电厂2种运行情况下的风电机组和蓄热电采暖的成本、容量配置,2种情况的具体结果如表6所示。

表6 不同容量下的风电和蓄热电采暖投资运行成本

由表5、表6中的运行结果可以看出,本文所提风电和蓄热电采暖联合运行模式下的配置结果等年值成本最少,经济性最佳,但是并没有损失用户对于取暖的需求。本文模型既可以有效提高风电消纳水平,提高可再生能源利用率,又可以优化虚拟电厂内配置,减少投资成本,达到最优经济性。

4 结论

为促进可再生能源消纳,考虑虚拟电厂内资源消纳特性,本文以风电分布式能源与蓄热式电采暖互动运行模式下的虚拟电厂为研究对象,基于风电和蓄热电采暖特性的分析,提出了一种风电机组和蓄热式电采暖的联合运行模式,两者发用电相互补充,能够有效提高系统新能源消纳水平。以消纳弃风量最大和经济性最优为目标,建立了虚拟电厂风电与蓄热式电采暖联合运行的优化运行模型,优化风电机组和电采暖容量配置,减少了风力发电的弃风量。本文针对1个虚拟电厂,在未来的发展过程中,一定会是多个虚拟电厂同时参与到系统的调度运行中,如何实现虚拟电厂之间的信息交互、协同优化运行和利益分配等问题,将是下一步的研究方向。