考虑能源出力不确定性的光伏接入微网优化调度方法

刘 学，李 宁，张建功

（国网河北省电力有限公司 沧州供电分公司，河北 沧州 061000）

0 引 言

随着现代化社会的飞速发展，多种能源的消耗程度不断提升，能源供给量问题日益显著，能源清洁转化问题需要得到关注，通过微网调度方法使分布式光伏得到大规模发展[1]。通过将分布式光伏系统纳入微网，使其在环保领域得到充分发展。这种做法不仅减少了发电过程中的能源消耗，也受到了广大群众的好评，可在考虑微网经济性的同时，根据微网实际消耗情况，以优先并网的方式来减少发电运行成本，在能源清洁市场中形成一种较为全面的调度方法。该方法能够有效减少光伏系统在升压过程中导致的能源浪费，从而降低电能损耗。接入微网后，它能够有效抑制微网负荷波动，调节机组峰值压力，减少机组爬坡时的能源消耗[2]。现有微网调度方法容易受到多方面因素的影响，在实际应用中的有效性较差，难以抑制负荷波动。大规模接入电网会导致电网系统负荷增加，不仅增加能耗，还可能引发一定的安全隐患，使得结果难以达到预期效果。基于此，以考虑能源出力不确定性的光伏接入微网优化调度方法为研究对象，结合实际情况进行实验与分析。

1 光伏接入微网的优化调度

1.1 能源出力不确定性预测分析

运用能源出力不确定性预测光伏出力的实时变化信息，将预测辐照分量进行分类，同时运用统计方法对光伏功率出力进行拟合。为了能够准确反映预测值的波动情况，需要生成大量的最初场景。最初场景数量增多会使得计算速度下降，场景不断叠加。因此，需要在准确描述能源出力随机性的同时，设置合适数量的最初场景[3]。在对计算能力添加一定要求时，设置最初场景为N。通过定义场景距离函数来弱化同种类的场景，提取一定的描述特征后，生成新的能源出力场景[4]。在得到一定数量的最初场景后，设定s为描述矩阵Xs中的场景，Ds为不同场景s和s'之间的向量标准。设定最初的场景集合为E，需要弱化的场景集合为R，通过运用弱化法来弱化剩余场景[5]。计算场景距离为

式中：D为场景系数；ξs为场景起始点；ξs'为场景终点。对于不同的场景k，需要计算与之距离最短的场景，公式为

式中：Dr为最短场景距离；min 为取最小值。通过比较场景距离之间的关系得到场景中的索引，基于此得到光伏发电处理的动态概率模型，如图1 所示。

图1 光伏发电处理的动态概率模型

根据光伏发电出力预测曲线进行场景生成和弱化，获得场景树。按照具有代表性的光伏发电的出力预测曲线，分析光伏发电出力的随机性特性，以及上述模型中不同时间段内的出力，得到一定的偏差值。将可再生能源出力预测曲线进行扩张形成一个区间，将所有曲线出力值包含其中。这个区间中场景发生的概率较高，通过场景生产与消除处理，可以对不同时间段内的光伏出力预测情况进行描述，获取其波动特征，从而提升预测精度[6]。

1.2 基于近似动态分析的微网日内调度优化

运用综合能源微网的日内调度优化模型计算得到最优方法序列，进而计算在时间段s内所有可能的系统状态价值xt*(s)[7]。对于动态调度问题，贝尔曼方程式是求解最优值函数的基本工具。在时间段s=0 的情况下，贝尔曼方程式最优解的计算公式为

式中：y为状态函数；V为状态价值。在调度时，要使状态价值的估计函数尽可能地满足微网的日内经济调度要求。设定近似价值函数，运用自动数据处理算法（Automatic Data Processing，ADP），在一定时间顺序中可以解决算法易陷入低维度的问题[8]。为了获得最优决策，通过不断迭代更新使其能够达到真实的价值函数。设定经过n轮迭代后，近似价值函数已收敛成为真实函数，近似最优解可通过顺序进行计算得到。运用分段函数对价值函数进行估计，将状态集合映射到相关价值中，得到的分段函数公式为

式中：r为投射在分段中的状态变量。在实际运算中，需要对状态变量添加对应的约束，简化高维状态下的收敛速度问题。对于状态变量进行聚合，如果r的值越大，则说明价值估计结果越粗糙。调节r值，对微网调度价值函数进行初始化，使得微网中的不同单元状态变量被高度聚合，并确定状态量的设定阈值。在确定性场景下，将综合能源微网的日内经济调度问题转变为一个多时段组合的混合整数线性规划（Mixed Integer Linear Programming，MILP）问题，并将全时段问题进行一次性求解[9]。考虑当前时刻的微网运行成本最小化以及当前方法对系统未来运行的影响，根据预设的目标函数和约束条件不断滚动优化。通过实时信息的不断修正，完成对未来动态的预测。设定误差指标为e，评估算法最优解之间的距离，获得对应日内调度的优化策略结果。

2 实验测试与分析

为测试本文方法的应用性，在考虑能源出力不确定性的同时，搭建微网简化网架构，对微网内进行优化调度，并统计得到风光消纳电量值。为了达到更好的优化调度效果，可以将预期目标设置为在微网负荷区间内风光电消纳电量值占风光电预测电量的3%以内。这样可以确保微网能够有效消纳风光电，并避免过多的电量浪费。

2.1 搭建实验环境

搭建微网简化网架构，设置1台容量为15 000 MW的风光电装机，5 个容量为15 142 MW 的可调节常规电源，电网总负荷为17 000 MW，其中具有高能耗的负荷容量为5 000 MW。将民用负荷进行合并，形成具体的网络集结点，之后对微网负荷区间进行协调优化调度。设定每次优化的时间为20 min。基于多变量控制，对未来连续时间的有功功率进行优化，在下一优化时刻进行更新。在空间尺度下，根据微网负荷的空间分布情况，将电网划分成不同的区域。设定O为风光电，P为常规点源，Q可调节民用负荷，具体划分情况如表1 所示。

表1 550 kV 变电站区域划分情况

考虑光伏不确定性，计算电网各区域内负荷的剩余调节能力，建立不同区间的协调调度模型，对调度情况进行实时修正。

2.2 结果分析

综合优化调度结果，对电网区域A ～区域J 的区间协调消纳电量进行统计，具体如表2 所示。

表2 电网区域A ～区域J 区间的协调消纳电量统计

根据表2 电网区域A ～区域J 的区间协调消纳电量统计结果，计算出占风光电预测电量比重，分别为区域A ～区域E 的占比为2.65%，区域F、区域J的占比为2.87%，区域H ～区域I 的占比为2.94%，均在3%以内，符合要求。由此说明，运用本文方法能有效促进风光点消纳，可较好地削弱不确定性对于区间内能源优化调度的影响，在实际中实现调度方法的良好应用。

3 结 论

本次研究从光伏接入入手，深入分析微网优化调度问题，探究了考虑能源出力不确定性的光伏接入微网优化调度方法。对区域能源系统进行约束，使其能有效优化设计模型。通过多负荷需求进行预测，提升运算速率。考虑不确定性，对电网部分区域进行优化调度。根据不同能源之间的互补性进行微网优化调度，实现对优化方法的有效性验证。通过本文方法促进风光点消纳，更好地削弱不确定性对于区间内能源优化调度的影响，实现了光伏接入微网优化调度方法的良好应用。