風火聯合系統不同備用模式的風險調度策略研究

嵇靈,解玉磊，黃魯成，牛東曉

(1.北京工業大學經濟與管理學院,北京市 100124；2.北京科技大學能源與環境工程學院，北京市 100083；3.華北電力大學經濟與管理學院，北京市 100126)

風火聯合系統不同備用模式的風險調度策略研究

嵇靈1,解玉磊2，黃魯成1，牛東曉3

(1.北京工業大學經濟與管理學院,北京市 100124；2.北京科技大學能源與環境工程學院，北京市 100083；3.華北電力大學經濟與管理學院，北京市 100126)

電側的需求響應以及蓄電設備運行靈活，可以作為虛擬備用資源，保障含風電等間歇性新能源發電的電力系統安全。為衡量虛擬備用資源給系統經濟性和環保性的影響，分別建立傳統火電備用和虛擬快速備用這2種含風電并網的電力調度模型。并考慮新能源輸出功率、電力市場、機組參數等不確定因素給系統優化帶來的風險，將區間兩階段隨機優化模型與CVaR風險規避相結合，利用區間數、概率數對系統供給側和需求側的不確定因素與優化函數有效結合，同時體現決策者風險偏好。算例分析表明，此混合優化算法能夠對含風電并網的電力系統不同旋轉備用模式進行優化，權衡系統成本與系統風險。算例結果表明充分利用蓄電池、需求響應作為虛擬備用資源能有效降低系統成本和CO2排放。

風電并網; 需求響應; 旋轉備用; 區間規劃;CVaR

0 引 言

隨著風電等新能源滲透比例的提高，新能源發電間歇性特點給電網安全穩定運行帶來極大的挑戰。當實際風力發電與風電功率預測存在較大偏差或發電機組非計劃停運時，需要安排合理的系統備用保證電網供給。旋轉備用是電力系統中最重要的輔助服務之一，輔助服務對于確保電力系統安全性和可靠性具有重要作用，旋轉備用通常為當前發電量與最大可利用容量的差額。通常保持系統的旋轉備用容量為最小系統備用(等于最大單機組容量)，或者總發電量的一定比例。關于備用優化調度，不僅需要及時適應系統各種緊急情況，體現較強的適應性，同時需要衡量能源節約、環境保護等其他運行管理目標。隨著電力市場的開放，日前市場中機組發電和備用容量的競價機制如何優化對于發電商而言非常重要。

結合風電隨機性，考慮機組容量、爬坡速率、爬坡時間等約束，國內外學者對風電與其他機組、設備聯合運行模式優化開展了大量的研究，如常規火電旋轉備用[1-2]、風水聯合運營[3-4]、互聯電力系統中各子系統的相互備用[5-6]、風儲混合調度[7]等。由于近年來智能電網的發展，使需求響應機制的重要性更為突出。需求側響應可對系統不均衡進行快速反應，減少機組備用裝機容量，緩解系統堵塞。許多學者針對需求側響應與旋轉備用的補充方式進行了大量研究，如：文獻[8]對用電激勵和融入可中斷負荷這2種需求響應方式建立了發用電一體化調度模型；文獻[9]也將分時電價和可中斷負荷這2種需求響應措施融入考慮大容量風電接入的日前調度模型，評估考慮用戶側互動前后系統的棄風量和電力不足情況。

此外，由于風電出力預測值與實際水平難免存在一定誤差[10]，不少研究采用不確定分析方法進一步提高系統可靠性，常見的方法包括機會約束規劃方法[11-12]、概率密度函數[13-14]、蒙特卡洛模型[15]等，處理風電負荷預測誤差帶來的不確定性，求得滿足一定系統可靠性的經濟調度，如：文獻[16]利用區間法模擬風電場出力情景，并利用Kantorovich距離的場景削減策略提高計算效率；文獻[17]利用區間數形式表征不確定變量建立含風電場的系統經濟調度模型，并將區間優化模型轉化為線性的樂觀優化模型和NP(non-deterministic polynomial-time)困難悲觀優化模型，以獲得最優調度策略。

上述文獻主要對不同的聯合運行方式進行了探討，但仍需考慮到我國以火電為主的結構特點，探尋合理的傳統火電機組備用以及虛擬機組快速備用的組合調度模式，實現其經濟效益和環保效益突破。因此，本文提出基于CVaR風險規避的區間兩階段隨機優化模型，對不同的系統備用元素優化策略進行優化?？傮w而言，本文的創新之處在于：(1)對供電側的傳統火電備用模式和需求側的用戶響應以及儲能裝置2種快速備用模式進行對比，分析不同備用模式下的調度優化模型；(2)在優化模型中通過區間和隨機概率形式考慮風電預測誤差以及電力需求的不確定因素；(3)融合CVaR風險衡量方法，有助于決策者權衡系統成本與系統風險；(4)對不同系統備用模式產生的環境影響進行對比分析。

1 區間兩階段隨機優化模型及CVaR

1.1 區間兩階段隨機優化模型

兩階段隨機規劃模型(two-stage stochastic programming，TSP)是一種被廣泛運用的隨機數學模型。所謂兩階段是指決策中第一階段決策變量是初始設定的決策變量，即在隨機事件發生之前制定，第二階段決策變量是指在隨機事件發生后采取的補救或追索行為，對第一階段決策結果進行調整。TSP模型的基本思路是在隨機事件發生后采取相應的調整行為。

一般而言，TSP建模中需要不確定參數的具體概率信息，而實際中由于數據獲取的有限，難以獲得某些參數的概率分布。在區間線性規劃中，可以將缺少概率分布信息的不確定參數可以表示為區間數。在此，以最小化問題為例，將區間線性與兩階段隨機規劃結合，得到的區間兩階段隨機優化模型(interval two-stage programming, ITSP)可以表示為：

(1)

s.t.

(2)

i=1,2,...,m2;s=1,2,...,N

(3)

(4)

(5)

通過求解上述ITSP模型，可以獲得一系列區間可行解，具體的求解方式見文獻[18-19]。

1.2 CVaR風險規避

在ITSP模型中，第二階段的決策結果隨隨機變量的實際發生而改變，體現運行決策。確定最優決策向量，重點在于考慮第二階段的隨機性，此時需要衡量隨機變量波動帶來的影響，可以用風險衡量來體現，在成本最小化模型中則表示為

(6)

式中：f(x,ξ)表示成本函數；λ為非負權衡系數，可以看作為風險系數，通常根據決策者的風險偏好情況確定，λ值越大則表明，投資者是風險厭惡型；否則，相反。ρ(f(x,ξ))表示風險衡量。E(·)表示函數值的期望。因此，式(6)改寫為

(7)

式中：ρCVaR-α表示α置信水平下的條件風險；ξ表示不確定隨機參數。

α置信水平下，隨機變量Z的條件風險值可以表示為

(8)

式中[a]+=max{0,a}，a∈R。

2 新能源與傳統火電備用模式下系統建模

以系統運行成本最小化為決策目標，本文分別建立傳統火電備用(模式Ⅰ)與快速備用(模式Ⅱ)這2種系統備用模式下的含風力發電的機組日前調度優化模型，具體模型描述如下介紹。

2.1 模式Ⅰ

在以傳統火電機組為備用的風火電聯合調度模式下，模型目標包括系統運行成本(火力發電成本、火電旋轉備用成本、風電計劃發電量與實際發電量偏差的罰金)以及風險規避函數，即

(9)

(1)能量平衡約束。

(10)

式中Dth±為t時刻h情景下的用戶電力需求水平， kW。

(2)旋轉備用約束。

(11)

(12)

(3)機組爬坡速度約束。

(13)

(14)

式中：URk和DRk分別表示機組k向上爬坡與向下爬坡限制， kW/h。

(4)風電約束。

(15)

(16)

式中：WFPt為t時刻風電輸出功率預測值， kW；ε為風電計劃出力偏差。

(5)風險規避約束。

(17)

2.2 模式Ⅱ

以用戶需求響應和儲能裝置作為系統虛擬備用的模式下，模型目標包括系統運行成本(火電機組運行成本、用戶需求響應激勵成本、風電計劃發電量與實際發電量偏差的罰金)以及風險規避函數，即

(18)

(1)能量平衡約束。

(19)

(2)蓄電池約束。

(20)

(21)

(22)

(23)

(3)需求側響應約束。

(24)

式中DRth±為不可中斷負荷上限值， kW。

(4)風險規避約束。

(25)

再加上如式(5)—(8)的約束。

3 算例分析

3.1 系統描述

考慮含2個火電機組和1個風電場的電力系統作為算例開展不同備用模式下調度優化決策分析。火電機組的裝機容量、發電成本、備用成本、爬坡約束等部分參數見表1。假設電力需求預測分為高、中、低這3種情景，概率分別為30%，40%和30%。每種情景下都以區間數表示預測值，如圖1展示了在中等情景下次日24h電力需求預測區間。圖2展示了次日24h風電輸出功率預測值，根據目前風電預測水平[20-21]，假設誤差水平為20%，即ε=20%。

表1 火電機組參數

Table 1 Parameters of thermal units

3.2 優化結果

文中將參數λ和α分別設置為1和0.9，反應決策者風險偏好。為提高求解速度，本文將非線性優化模型轉化為線性優化模型，通過Lingo軟件分別對不同模型的目標上限和下限值進行優化。得到了成本最小化目標下兩種系統備用模式下的機組輸出功率水平、機組備用情況、蓄電池工作狀態以及需求響應水平。此外，根據決策者的風險偏好，調節參數λ和α，可以得到不同風險偏好程度下的調度優化策略。如圖3展示了在高電力需求水平下，模式I和模式II中各機組的最優輸出結果的上限值和下限值?；痣姍C組提供了主要的負荷需求，實際風電輸出功率均并網。在模式I中火電機組的旋轉備用主要集中于11:00—23:00時段，在模式II中不同時段用戶參與需求響應程度不同。

圖1 中等情景下日前24 h電力需求預測區間Fig.1 24h-ahead forecasted electricity load demand in middle level

圖2 日前24小時風電功率預測Fig.2 24h-ahead wind power forecast

圖4具體對比了高電力需求水平下2種系統模式下火電機組運行水平，1號機組在模式I方式下的輸出功率水平高于模式II，尤其在10:00—22:00時段。如在18:00時刻，1號機組在模式I和模式II方式下的輸出功率分別為431.6 MW和[204.6,385.6] MW。2號機組在模式I和模式II方式下出力差距較小，且出力水平高于1號機組，甚至模式I方式下在12:00—21:00時段內其輸出功率與旋轉備用總功率上限值達到滿負荷狀態，同樣在18:00時刻，2號機組在模式I和模式II方式下的輸出功率水平分別為[560,700] MW和518 MW。

圖3 高需求水平下各機組輸出功率上限Fig.3 Upper boundary of output power in high demand scenario

圖4 高電力需求下各機組的最優輸出功率水平Fig.4 Optimal output power of units in high demand level

圖5展示了不同電力需求水平下蓄電池功率水平，在低需求水平下蓄電池功率變化較少，隨著電力需求水平增加，該裝置充放電程度增加，尤其在12:00—22:00時段，放電水平增加，而在夜間至上午時段基本處于重點狀態。如在高電力需求水平下，07:00和17:00時刻下蓄電池能量水平分別為70 MW和[30,53.2] MW。表2展示了在高需求水平下用戶需求響應參與程度，總體而言在18:00—23:00時段，用戶參與程度較其他時段低。如05:00時刻，用戶需求響應程度可高達[55, 95] MW，20:00—22:00時段，用戶需求響應程度僅為20 MW。

圖5 采用備用模式II時，不同需求水平下的蓄電池能量水平Fig.5 Performance of energy storage device under different demand level in reserve model II表2 采用備用模式II時，高電力需求水平下用戶需求響應水平Table 2 Demand response under high level load demand in reserve model II MW

表3提供了2種系統模型下的總體經濟效果與環境效果。以火電機組為旋轉備用模式下(模式 I)最小化系統總成本為[175 685, 176 780]元，以蓄電池充放電以及需求響應快速備用模式下(模式 II)的最小化系統總成本明顯低于前者，為[105 000, 114 104]元。此外，由于模式II中減少火電機組出力，CO2總體排放量為9 195 t，低于模式I的CO2排放范圍[18 644, 18 912] t。

表3 備用模式I和模式II優化調度的成本以及CO2排放水平

Table 3 optimal scheduling cost and CO2emission in reserve model Ⅰand Ⅱ

4 結 論

針對間歇性風電并網帶來的電力系統旋轉備用優化問題，本文以系統成本最小化為目標，對一定風險偏好下傳統火電機組旋轉備用以及快速旋轉備用這2種模式下機組調度策略進行優化研究。在標準兩階段隨機優化模型中通過區間值將系統中的風電發電以及電力需求不確定性有效結合，同時利用CVaR體現決策者風險偏好。算例結果表明了本文所提出結合CVaR與ITSP混合優化模型的有效性。在風火電聯合運行時引入蓄電池與需求響應機制能夠進一步有效降低系統風險，大幅降低CO2排放。然而本文中仍有以下方面需要在今后的研究中進一步深入，如用戶需求響應價格補償對系統成本的影響，以及CO2排放成本尚未考慮。

[1]薛必克，張顯，鄭亞先，等.含風電的電力系統常規火電旋轉備用對風電消納的影響[J]. 華東電力，2014，42(8)：1550-1553. XUE Bike, ZHANG Xian, ZHENG Yaxian, et al. Influence of thermal unit spinning reserve on wind power accommodation[J]. East China Electric Power, 2014, 42(8):1550-1553.

[2]王彩霞，喬穎，魯宗相.考慮風電效益的風火互濟系統旋轉備用確定方式[J].電力系統自動化，2012,36(4)：16-21. WANG Caixia, QIAO Ying, LU Zongxiang. A method for determination of spinning reserve in wind-termal power systems considering wind power benefits[J]. Automation of Electric Power System,2012,36(4): 16-21.

[3]靜鐵巖，呂泉，郭琳，等.水電-風電系統日間聯合調峰運行策略[J].電力系統自動化，2011,35(22)：97-104. JING Tieyan, LU Quan, GUO Lin, et al. An inter-day combined operation strategy of hydro and wind power system for regulating peak load[J]. Automation of Electric Power System,2011,35(22)：97-104.

[4]黃春雷，丁杰，田國良，等.大規模消納風電的常規水電運行方式[J].電力系統自動化,2011,35(23):37-40. HUANG Chunlei， DING Jie， TIAN Guoliang，et al.Hydropower pperation modes of large-scale wind power grid integration[J].Automation of Electric Power Systems,2011,35(23):37-40.

[5]盛四清，譚曉林，李歡，等.含風電場的互聯電力系統備用容量優化[J].電網技術，2013,37(11)：3067-3072. SHENG Siqing, TAN Xiaolin, LI Huan, et al. Reserve capacity optimization of interconnected power grid containing wind farms[J]. Power System Technology, 2013, 37(11):3067-3072.

[6]陳守軍，辛禾，王濤，等.風電、蓄熱式電鍋爐聯合供暖調度魯棒優化模型[J]. 電力建設 2016,37(1):103-109. CHEN Shoujun, XIN He,WANG Tao, et al. Heating operation scheduling robust optimization model for heat storage electric boiler combined with wind power[J]. Electric Power Construction 2016, 37(1):103-109.

[7]吳雄，王秀麗，李駿，等.風電儲能混合系統的聯合調度模型及求解[J].中國電機工程學報，2013,33(13)：13-17. WU Xiong, WANG Xiuli, LI Jun, et al. A joint operation model and solution for hybrid wind energy storage systems[J]. Proceedings of the CSEE, 2013,33(13):13-17.

[8]王卿然，謝國輝，張粒子.含風電系統的發用電一體化調度模型[J].電力系統自動化，2011,35(5)：15-18. WANG Qingran, XIE Guohui, ZHANG Lizi. An integrated generation-consumption dispatch model with wind power[J]. Automation of Electric Power Systems, 2011, 35(5):15-18.

[9]王蓓蓓，劉小聰，李楊.面向大容量風電接入考慮用戶側互動的系統日前調度和運行模擬研究[J]. 中國電機工程學報，2013，33(22),35-44. WANG Beibei, LIU Xiaocong, LI Yang. Day-ahead generation scheduling and operation simulation considering demand side interaction in large-capacity wind power integrated systems[J]. Proceedings of the CSEE, 2013, 33(22):35-44.

[10]馬彥宏，汪寧渤，馬明，等.基于神經網絡的酒泉風電基地超短期風電功率預測方法[J]. 電力建設 2013,34(9):1-5. MA Yanhong, WANG Ningbo，MA Ming，et al. Ultra-short-term wind power prediction method based on neural network for Jiuquan wind power base[J]. Electric Power Construction 2013, 34(9):1-5.

[11]葛炬，王飛，張粒子.含風電場電力系統旋轉備用獲取模型[J]. 電力系統自動化，2010,34(6)：32-36 GE Ju, WANG Fei, ZHANG Lizi. Spinning reserve model in the wind power integrated power system[J]. Automation of Electric Power Systems, 2010, 34(6):32-36.

[12]羅超，楊軍，孫元章，等. 考慮備用容量優化分配的含風電電力系統動態經濟調度[J]. 中國電機工程學報，2014,34(34)：6109-6118. LUO Chao, YANG Jun, SUN Yuanzhang, et al. Dynamic economic dispatch of wind integrated power system considering optimal scheduling of reserve capacity[J]. Proceedings of the CSEE, 2014, 34(34):6109-6118.

[13]趙晉泉，唐潔，羅衛華，等.一種含風電電力系統的日前發電計劃和旋轉備用決策模型[J].電力系統自動化設備，2014,34(5)：21-27. ZHAO Jinquan, TANG Jie, LUO Weihua, et al. Day-ahead generation scheduling and spinning reserve decision-making model for power grid containing wind power[J]. Automation of Electric Power Systems, 2014, 34(5): 21-27.

[14]蘇鵬，劉天琪，李興源.含風電的系統最優旋轉備用的確定[J].電網技術，2010,34(12):158-162 SU Peng, LIU Tianqi, LI Xingyuan. Determination of optimal spinning reserve of power grid containing wind[J]. Power System Technology,2010,34(12):158-162.

[15]余民，楊宸，蔣傳文，等.風電并網后電力系統可靠性評估和備用優化研究[J].電力系統保護與控制，2012,40(12)：100-104. YU Min, YANG Minchen, JIANG Chuanwen, et al. Study on power system reliability and reserve optimization with wind power integration[J]. Power System Protection and Control, 2012, 40(12):100-104.

[16]鞠立偉，于超，譚忠富.計及需求響應的風電儲能兩階段調度優化模型及求解算法[J].電網技術，2015,39(5)：1287-1293. JU Liwei, YU Chao, TAN Zhongfu. A two-stage scheduling optimization model and corresponding solving algorithm for power grid containing wind farm and energy storage system considering demand response [J]. Power System Technology, 2015, 39(5): 1287-1293.

[17]丁濤，郭慶來，柏瑞，等.考慮風電不確定性的區間經濟調度模型及空間分支定界法.中國電機工程學報，2014,34(22)：3707-3914. DING Tao, GUO Qinglai, BO Rui, et al. Interval economic dispatch model with uncertain wind power injection and spatial branchesand bound method[J]. Proceedings of the CSEE, 2013, 34(22):3707-3914 .

[18]JI Ling, NIU Dongxiao, HUANG Guohe. An inexact two-stage stochastic robust programming for residential miro-gird management based on random demand[J]. Energy, 2014, 67(4): 186-199.

[19]JI Ling, ZHANG Xingping, HUANG Guohe, et al. Development of an inexact risk-aversion optimization model for regional carbon constrained electricity system planning under uncertainty [J]. Energy Conversion & Management, 2015, 94: 353-364.

[20]REDDY SS, BIJWE PR, ABHYANKAR A R. Joint energy and spinning reserve market clearing incorporating wind power and load forecast uncertainties [J]. IEEE Systems Journal, 2015, 9(1): 152-164.

[21]王雁凌，許傳龍，岳巍澎.時變可靠性約束下含風電系統旋轉備用的隨機規劃模型[J].電網技術，2013,37(5)：1311-1316. WANG Yanling, XU Chuanlong, YUE Weipeng. A stochastic programming model for spinning reserve of power grid containing wind farms under constraint of time-varying reliability[J]. Power System Technology, 2013, 37(5):1311-1316.

(編輯 蔣毅恒)

Risk Dispatch Strategy Study for Wind-Thermal Power System under Different Reserve Modes

JI Ling1, XIE Yulei2, HUANG Lucheng1, NIU Dongxiao3

(1.School of Economics and Management, Beijing University of Technology, Beijing 100124, China;2.School of Energy and Environment Engineering, University of Science and Technology Beijing, Beijing 100083, China;3.School of Economics and Management, North China Electric Power University, Beijing 100126, China)

Due to its feasibility, demand side response and storage device can be used as virtual reserve resources to guarantee the security of power system with intermittent wind power penetration. In order to evaluate the impact of virtual reserve resource on the economy and environmental protection of the system, this paper establishes two different kinds of electricity dispatching models with wind power penetration for traditional thermal reserve and virtual fast reserve respectively. With the consideration of system risk brought by renewable energy generation, electricity market and unit parameters, we combine the interval two-stage stochastic optimization model with CVaR risk theory. The uncertainties of supply side and demand side are integrated with optimization function though interval value and probability, which can reflect the risk preferences of decision makers. The example analysis shows that the proposed hybrid optimization algorithm can effectively optimize the different spinning reserve modes of power system with wind power penetration, and make better trade-off between system cost and risk. The results show that making full use of storage battery and demand response as virtual reserve resources can efficiently reduce the system cost and CO2 emission.

wind power penetration; demand response; spinning reserve; internal programming; CVaR

國家自然科學基金項目(71471059)；中國博士后科學基金項目(2015M580034)Project supported by National Natural Science Foundation of China(71471059 ), and China Postdoctoral Science Foundation (2015M580034)

TM 715

A

1000-7229(2016)06-0031-07

10.3969/j.issn.1000-7229.2016.06.005

2016-04-01

嵇靈(1987)，女，通信作者，博士，講師，主要從事能量優化管理以及能源系統分析方面的研究工作；

解玉磊(1985)，男，博士，講師，主要研究方向為能源系統優化與能源環境；

黃魯成(1956)，男，博士，教授，主要研究方向為技術創新與技術管理；

牛東曉(1962)，男，博士，教授，主要研究方向為電力負荷預測以及智能電網優化管理。