负荷聚合商参与风光消纳调度策略研究

2023-03-23 07:44庞贺元
机电工程技术 2023年2期
关键词:微网风光出力

庞贺元

(华北水利水电大学电力学院,郑州 450046)

0 引言

对于环境保护的需要,分布式可再生能源的采用无疑是目前最佳的选择,如光伏、风力发电等接入配电网。风光发电本身具有出力不确定性,风光消纳成为一个棘手的问题。电网调度中心对风光发电的调度指令在大多数情况下无法匹配预测的风光的出力情况,甚至存在较大差异。与此同时,负荷峰谷差日益增大,所以如何在消纳风光发电的同时来平衡电网的峰谷差,是当今一个亟需解决的问题。

需求响应(Demand Response,DR)是指通过改变电力价格或者其他激励来使居民用户改变日常的生活用电习惯的一种技术手段[1],居民用户提供需求响应资源参与到电网的调度当中,与电网互惠互利共赢,自身获得经济收益,还可以实现电网的削峰填谷,增加电网稳定性。然而,普通居民用户并不能提供电网所需要的的需求响应资源,单一的需求侧资源容量较小,所以这个时候需要负荷聚合商参与整合。

随着电力系统中的市场观念越来越多,对负荷侧的重视程度和利用程度占比越来越大。在这种情况下,一种新的专业化机构逐渐被提出来,即负荷聚合商(Load Aggregator,LA),为普通居民用户和市场购买者提供一个交互的平台,市场购买者在其中购买需求响应资源,同时为普通居民用户提供接入电网的入口。还可以通过专业的技术手段充分发掘负荷资源,提供市场需要的辅助服务产品。文献[2]将LA 聚合的需求响应资源交给电网,并且利用日前实时调度策略和非合作博弈来解决各LA 之间的投标策略问题。文献[3-4]以削峰为主要目标,LA 聚合居民用户中的需求响应资源,挖掘其利用价值,并使自身和居民用户获得经济收益。

目前对于风光消纳问题研究较多。文献[5]建立基于虚拟电厂的多目标调度模型来应对风力和光伏发电的波动性出力问题,实现多分布式电源并网协调优化运行。文献[6]聚合用户的柔性负荷,主要为可中断负荷,来解决光伏发电的消纳问题;文献[7]采用随机场景的方法分析当地的负荷和风光规划容量,通过分析系统馈线来计算最大风光消纳能力。文献[8]采用基于商业型虚拟电厂的储能系统运行方式来处理可再生能源出力波动性和投资成本过高的问题,采用模拟退火算法,以收益最大化为目标函数,规划风力发电厂和电池储能系统的运行时间。

以上文献所提出的LA 调度策略所调控对象各式各样,其中对各种用户负荷调控过程难免忽略用户的用电质量,而电动汽车(Electric Vehicle,EV)兼具可调控负荷和储能的特性,可迅速切换充、放电状态提供瞬时响应,是需求侧重要的潜在备用措施。本文针对风光发电就地消纳的问题,首先根据风光发电出力波动性的问题以及居民用户负荷水平调查结果,以风光发电的消纳量来规划各个时间段削减的负荷量。其次,要保证各个LA 的收益,建立LA 之间的非合作博弈模型确定各时段向电力市场的投标量,最后,通过具体算例验证了所提风光电就地消纳方案的有效性。

1 负荷聚合商的调度架构

LA 对于DR 的微观控制方法有两种。根据价格的控制方法是根据微网的指令,分析用户的用电习惯与电价的关系,通过电价的升降引导用户用电习惯,这些指令的效果与用户的意愿正相关,但是这种方法并不能保证调度的稳定性,并且调度潜力不高;第二种是根据合同来控制,就是LA直接与用户签订合同,以此来直接控制用户的用电负荷,用于参与电网调度[9]。本文采用后者,LA 与用户签订合同,聚合用户的需求响应资源。

本文的研究对象中包含光伏、风力发电设备的居民小区,LA 作为中介在电网和居民用户之间,整合DR 资源并提供市场入口[10],基于上述内容,负荷聚合商参与风光消纳的市场架构由图1所示。

图1 负荷聚合商调度架构

LA 参与用户柔性负荷调度的流程如下:(1)电网调度部门进行负荷预测并下发次日的削峰时段;(2)LA 采集所聚集的风光分布式电源以及EV 的数据;(3)LA 计算聚集资源的可调度潜力;(4)LA 根据可调度潜力,以各自的利益最大化为目标,对需求响应资源进行最优调度;(5)实时调度阶段LA 根据日前电力市场的投标量,在满足各用户的用能需求的前提下,对资源进行功率分配。

2 微网风光消纳调度模型

将聚合后的用户负荷出售给调度部门后,由电网调度部门决定该部分资源在参与电网调度时如何出力。在对负荷削峰填谷量投标时,为保证LA的参与聚合的积极性,要保证LA的利益。本文中参与调度主体较多,应该制定多个主体参与的优化决策,由此建立多目标优化调度模型和约束条件。

2.1 微网调度部门调度优化模型

根据所模拟的风力和光伏的出力能力以及用户侧负荷需求,电网调度中心在制定调度策略时应尽可能地减小负荷峰谷差,同时平滑局部时间段内的负荷曲线。为此本文定义t时段的消纳目标函数,表达式如下:

本文将风光上网功率预测值作为出力的理论最大值,故实际上网功率应小于该值。

2.2 负荷聚合商实时调度模型

根据所聚合的负荷资源的可调度潜力基础上,各LA决定当下时间段向电力市场的投标量时,主要以电网调度中心所发布的指令和市场电价为参考。提取居民用户的用电情况和历史电价信息,LA 用来制定实时的售电电价,LA 的补偿费用由其负荷削减量的多少有关,经过分时电价的形式由电网给出,用户参与调度的补偿费用由LA 给出,其依据是用户参与调度的负荷的可调度潜力[11]。所以,各LA 参与市场投标会以自身收益最大化为目标进行投标决策,即目标函数是最大化自身的收益。t时刻LA 向用户的售电电价根据实时负荷和历史电价信息拟合而成,电网根据LA 的负荷削减量来给出补偿费用。LA 的调度目标函数如下:

式中:S为负荷聚合商收益;SP和SDR( )

t为第t个时段内供能和参与需求响应所获收入;CDR(t)为供电和用户参与需求响应得到的报酬;CPV(t)和CWT(t)分别为光伏和风力发电成本。

2.3 风光经典场景集生成

对风光发电的不确定性采取的办法是采用拉丁超立方抽样和K-means聚类形成经典场景集进行分析。

拉丁超立方抽样是M D McKay、R J Beckman 和W J Conover 在1979 年提出的一种可以有效利用样本反应随机变量分布的方法,拉丁超立方抽样属于典型的分层抽样,对于所有的抽样区域,该抽样方法都可以采用较少且不重复的样本覆盖[12]。该抽样首先在累计概率尺度0~1 上把样本分为相等区间,然后在每个区间生成随机数,接着逆变换生成采样值通过反函数计算采样值。

采用K-means 聚类形成经典场景集分析风光的出力情况,该抽样由以下几步进行抽样,首先随机或手动选择初始聚类中心,然后将数据集划分为几个聚类,并计算聚类的平均值作为聚类中心。并计算聚类的平均值作为聚类中心。K-means反复更新聚类中心和聚类,直到收敛为止。

3 仿真分析

3.1 仿真数据

假设某微网配有风电和光伏分布式电源,负荷聚合商所聚合的用户有15 000 个,被3 个LA 控制并分成3 个社区,各个聚合商管辖区域分别有6 000、5 000 和4 000用户,将用户按照500 户为一组进行统一调度。LA 根据电网调控中心下发的指令和居民上报的柔性负荷信息,确定负荷灵活出力的时间段是18:00—24:00,负荷充电的时间是00:00—06:00。

(1)LA 参数的确定:根据微网的指令确定负荷削峰填谷时段,根据历史售电量和电价信息拟合出电力市场售电电价参数[13-14],削峰填谷时段电网给LA 的补偿电价以分时电价的形式给出。

(2)以历史数据为基础,采用上述拉丁超立方抽样生成场景并用K-means 聚类进行场景缩减,本文预先设定风力出力和光伏出力经典场景数各4 个,因此经典场景集共有4×4个场景。

(3)根据LA所聚合的用户进行问券调查日常出行习惯,来模拟出社区内EV 用户的出行参数,根据调查的结果,由于用户日常出行的需要,在早上上班高峰期时刻和下班高峰期时刻左右基本不可参与调度。除此之外的可调度潜力较高。同时因为白天各种的出行情况,充电基本集中在晚上,所以在晚上的放电潜力比白天更大。凌晨到日间出行的这一时段,充电可调度潜力将呈下降趋势,因为EV 的电池在凌晨之后陆续充满。

3.2 仿真结果分析

分配3 个负荷聚合商各个时段的负荷削峰填谷投标量,通过将晚高峰时段内的可转移负荷转移至谷时段,可以有效实现风光发电的消纳。1、2 和3 号LA 的投标量依次递减,因为3 个LA 管辖社区内负荷的可调度潜力和聚合的用户数量依次递减。

聚合商对聚合区域各组用户负荷调度优化后的微网负荷曲线如图2 所示,可以明显地看出有较好的削峰填谷效果。并且优化后的负荷较好地跟随了风光发电的出力。由图可知,经过LA 实时调度以后,电网调度部门在24 时之前成功实施了降负荷,在20:00—22:00 时段减负荷的效果最为显著,增加了在24 时之后的凌晨时间段的负荷功率,所以图中可以看出,在电力市场中引入LA聚合用户需求响应资源参与电网调度,可有效平衡电网峰谷差。达到平滑负荷曲线的目的。

图2 负荷削减前后曲线

各LA 在负荷削减时段的利润如表1所示,可以看出1 号LA 的利润最大,收益最多,因为1 号LA 管辖区域内最多。可以预见,如果居民用户规模增大,则削峰填谷效果将会进一步提高。

表1 各负荷聚合商的收益

在居民用户参与率不同时,负荷聚合商的收益与风电消纳率随着用户参与率而变化。在用户参与率分别为60%、80%和100%的情况下,对风电效率和聚合商收益进行对比分析。如表2所示,用户参与率与负荷聚合商的收益呈现正相关,但是增涨幅度不大。因为微网部门为了降低本身的支出成本,将负荷削峰填谷价格与LA收益设置为负相关。从而降低LA的收入。另外,随着用户参与率的提高,微网对风电的消纳率从84.3%逐步升高到92.3%。

表2 不同参与率下各负荷聚合商对风电的消纳率

4 结束语

负荷聚合商为负荷侧资源提供了市场入口,构造了微网部门和负荷侧资源交互的平台,使其双方电能流动由单向发布变为双向的互动。负荷聚合商通过需求响应技术整合负荷侧资源,可以有效实现风光等分布式电源的就地消纳。微网调度部门以风光消纳率最大为目标,在微网部门的引导下,负荷聚合商通过聚合负荷侧柔性负荷资源,以非合作博弈的方式参加日前电力市场投标,可以积极调动负荷侧柔性负荷资源积极参与电力市场调控,帮助微网平抑峰谷差,提高风光消纳效率。

猜你喜欢
微网风光出力
风光新580
风光如画
风光ix5:当轿跑邂逅SUV
各国首都风光
基于OMAP-L138的微网控制器设计
风电场有功出力的EEMD特性分析
要争做出力出彩的党员干部
基于改进下垂法的微网并网控制策略研究
风电场群出力的汇聚效应分析
用于微网逆变器并联的控制策略