考慮風電不確定出力的風電并網協調優化模型

于　東　孫　欣　高丙團　徐　勤

(1.江蘇大學電氣信息工程學院　鎮江　212013 2.東南大學電氣工程學院　南京　211100)

?

考慮風電不確定出力的風電并網協調優化模型

于東1孫欣1高丙團2徐勤1

(1.江蘇大學電氣信息工程學院鎮江212013 2.東南大學電氣工程學院南京211100)

摘要針對風電出力的隨機性和間歇性等特點，首先，提出了風電預滲透率的概念，結合風電預測精度，建立了風電預測誤差計算模型。其次，考慮到誤差隨時間的遷移性，建立了風電預測誤差增長模型，并建立了基于誤差增長的風電不確定出力計算模型。在建立負荷可參與調度的權重區間模型以及引入可調度負荷與儲能系統的基礎上，建立了風電成本模型和考慮可調度負荷與儲能系統風電并網協調優化調度模型。最后，以某地區電力系統為研究對象，采用Matlab對優化模型進行仿真求解，結果表明，所用方法能夠有效降低棄風率以及火電備用容量。

關鍵詞：風電不確定出力誤差增長負荷效益棄風率備用權重區間

0引言

風電是全球最具規模化開發前景的可再生能源。目前風電開發以大型風電場并網運行為主。在國內，風電呈爆發式增長的同時，局部地區風電出力受限和風電機組大面積脫網事故時有發生，根據統計，截至2014年9月，全國累計并網容量8 497萬kW，同比增長22%。2014年1～9月，全國風電上網電量1 060億kW·h，同比增長7.6%。2014年1～9月，風電棄風電量86億kW·h，同比下降28.3億kW·h，平均棄風率7.5%，同比下降3.36%，情況雖有所好轉，但形勢依然很嚴峻。并網消納與安全運行已成為中國風電發展的主要瓶頸，因此對于大規模風電并網的電力系統經濟調度的研究具有十分重要的意義。

當前，國內外對于大規模風電并網運行經濟調度的研究已經取得了一定的進展[1-4]。由于風電出力隨機性大和波動性強等特點，必然給大規模風電并網經濟調度帶來較大困難，因此許多學者對風電出力預測進行了大量研究[5-7]，但仍難以獲得準確的預測結果，風電功率預測誤差還將長期存在。對于風電預測誤差的處理，文獻[8]計及風電出力的不確定性，提出了一種計算系統備用的概率方法。文獻[9]對大規模風電并網后引起的備用需求進行了分析，提出了基于風險的備用需求決策方法，建立了一個協調優化模型來實現實時校正環節備用和滾動計劃環節快速備用的協調優化分配。儲能系統(Energy Storage System，ESS)具有動態吸收能量并適時釋放的特點，可實現對功率和能量的時間遷移，能有效彌補風電功率預測誤差不可避免的缺點[10]。文獻[11]給出了關于可信度的定義，建立了基于預測可信度的儲能成本模型以及儲能容量的概率模型。文獻[12]提出了一種基于電池ESS的風電場優化方案。

然而儲能成本過高，且效率相對較低，盲目地增加系統的儲能容量，同樣會降低系統的經濟性。負荷特性與負荷水平是影響電網風電消納能力的兩個重要因素。在國家大力建設智能電網的背景下，負荷開始發揮越來越重要的角色，其已不再是單一的用電方，而開始作為一種虛擬電廠[13]與電網進行互動。電網可通過評估負荷等級和與用戶達成相關協議等方式使一部分負荷融入發電計劃[14]。文獻[15]認為未來智能電網需要容納較大比例的主動負荷，以雙向性、不確定性和可控性為特點。文獻[16]分析了柔性負荷參與電網互動后，峰時段用電量、平時段用電量及谷時段用電量的變化趨勢，電動汽車、可中斷負荷響應電價或激勵機制的用電量變化以及對常規機組發電、新能源發電的影響。

本文在對基于誤差增長的風電不確定出力(Wind Power Uncertainty，WPU)進行研究的基礎上，針對WPU所帶來的問題，建立了風電成本模型；由于各類負荷在系統調度中所參與的角色不同，根據各類負荷能否參與調度的程度，綜合各類負荷的指標，提出可調度負荷權重區間(Weight Interval of Schedulable Load，WISL)的概念，并建立了模型；結合ESS建立風電并網協調優化調度模型。仿真算例分別對比了4種含風電的調度模式對電網相關參數的影響。

1風電不確定出力模型

1.1風電預滲透率模型

為定量預測某地區電力系統在t時段接納風電的能力，本文提出風電預滲透率的概念。風電預滲透率定義為風電的預測出力與系統負荷的比值，即

(1)

式中，PWF.jt為t時段風電機組j的出力預測；PD.t為t時段系統總負荷；NW為t時段運行的風電機組的數目；j為風電機組的編號。

1.2風電出力預測誤差模型

風電出力預測誤差與風電預滲透率和風電出力預測精度息息相關，為了更加準確地把握風電預測誤差給系統帶來的影響，本文在計算風電場出力預測誤差時取以下兩種計算方法的最大值。

et=max(PWF.jt(1-AW.jt),PWF.jtRWO.t)

(2)

式中，AW.jt為風電出力預測精度。

1.3風電預測誤差增長模型

首先，本文給出風電預測穩定性的定義：對于給定的風電出力預測數據，其誤差在一定條件下能夠得到控制，不會對電網穩定性產生較大影響，則稱風電出力預測是穩定的；否則，如果誤差得不到有效控制，對電網穩定性帶來較大影響，則稱風電出力預測是不穩定的。

1)存在與t無關且大于0的常數A，使得

(3)

則稱誤差的增長是線性的。

2)存在大于1的常數B，使得

(4)

則稱誤差的增長是指數級的。

本文定義，預測誤差按線性增長的風電出力預測是穩定的，預測誤差按指數增長的風電出力預測是不穩定的。

(5)

(6)

1.4基于誤差增長的風電不確定出力模型

由于風電預測是穩定的與風電預測是不穩定的兩種情況下，基于誤差增長的風電不確定出力計算方法相同，本文在此只討論風電出力預測為穩定時的情況，風電出力預測為不穩定時的情況可類似求得。

若風電出力預測是穩定的，則基于誤差增長的WPU計算模型如式(7)所示，圖1為某一時刻風電實際出力(PW.jt)、風電預測出力以及WPU示意圖。

(7)

圖1　風電出力變化與WPUFig.1　Wind power variability and WPU

2可調度負荷權重區間模型

負荷權重表示各類負荷在系統中可否參與調度的程度，由于各類負荷在系統調度中所參與的角色不同，所以可根據各類負荷能否參與調度的程度，并綜合各類負荷的指標，基于區間數將負荷劃分為3種類型，見表1，本文涉及的可調度負荷(Schedulable Load，SL)調控主要任務是消納系統多余風電。

表1　負荷類型與實例

由于系統中的各類負荷在各個時段能否參與調度的程度不同，所以將這些負荷劃分成不同區間的級別。因此在系統調度中，結合實際情況就可以得到各類負荷的級別，并將屬性級別的取值范圍作為各類負荷的初始權重區間，如r類負荷在t時段的初始權重區間為

(8)

利用模糊數學相關知識將式(8)進行模糊處理，令

(9)

式中，a、b為修正系數。

則各類負荷在t時段的權重區間數為

(10)

各類負荷可參與調度的權重區間數模型為

(11)

則本文定義各類負荷在t時段參與調度的權重為

(12)

結合式(16)得到各類負荷成本計算模型

ED.rt=k1(t)sr.tPD.rt+k2(t)(sr.tPD.rt)2

(13)

式中，k1(t)、k2(t)為函數系數；PD.rt為t時段r類負荷大小。

則t時段系統調用SL的成本模型為

(14)

式中，l為系統負荷類型數量。

3儲能系統模型

文獻[17]定義了ESS的當前狀態(容量)為E(t)，如圖2所示，滿足

E(t)=E(t-1)+ψPE(t)Δt

(15)

Emin≤E(t)≤Emax

(16)

式中，ψ為ESS的充放電效率；Emin、Emax分別為ESS容量上下限；PE(t)為t時段ESS的輸出功率，其中PE(t)>0處于充電狀態，PE(t)<0處于放電狀態。

圖2　ESS充放電示意圖Fig.2　Charge and discharge of ESS

各時段的充放電功率PE(t)滿足

PE.min≤PE(t)≤PE.max

(17)

式中，PE.min、PE.max分別為單位時間內ESS充放電功率上下限。

則t時段系統調用ESS成本模型為

CE(t)=kE(t)PE(t)

(18)

式中，kE(t)為ESS成本系數。

4系統成本模型

4.1風電成本模型

風電棄風原因主要包括：①風電機組增長過快，并網風電容量遠超系統消納能力，則導致電網無法及時全額消納風電量；②風電的外送能力不足，當本地無法全額消納風電量時，若線路的傳輸能力不足，則將導致部分棄風；③風電預測誤差；④電網調度能力不足。

結合上述風電棄風原因，本文所建風電成本模型包含ESS成本和SL成本。

PE(t)=(1-ζt)PWU.t

(19)

式中，ζt為權重系數。

4.2火電成本模型

火電成本的數學模型為

FG.it=aiPG.it

(20)

式中，ai為線性化成本函數系數；PG.it為t時段火電機組i的有功出力。

5優化模型

5.1目標和約束

目標函數

(21)

式中，NG為t時段運行的火電機組的數目；T為調度時段。

約束條件：

1)功率平衡約束

(22)

2)機組輸出功率約束

(23)

3)爬坡速率約束

(24)

4)ESS約束

(25)

5.2模型分析

優化模型中目標函數包括風電成本模型和火電成本模型，其中風電成本模型是在WPU模型、WISL模型及ESS模型的基礎上建立的，表2為優化模型考慮以上模型時的優點和缺點分析對比。

表2　所建模型優缺點分析

針對表2中WISL模型和ESS模型的優點和缺點，本文將兩種模型進行結合，同時采用WISL和ESS來調節WPU，兩種模型可在一定程度上起到互補的作用。

6算例分析

6.1算例參數

本文中所建的優化模型在Matlab軟件平臺上調用CPLEX進行仿真求解，使用的計算機主頻為2.5 GHz、內存為4 GB。以具有8臺火電機組和2個大型風電場的系統為研究對象，采用24 h計劃，但以15min為間隔(T=96)，火電機組參數如表3所示。

表3　火電機組參數

風電場的出力預測數據如圖3所示，風電場的出力預測精度為0.85。

圖3　風電預測與負荷數據Fig.3　Data of wind power forecast and load

系統在調度周期內各時段的負荷見圖3，其中固定負荷的比重為50%，A類SL的比重為30%，B類SL的比重為20%，修正系數a、b分別為0.5、1。SL的調控時段為6∶00～23∶00，各時段的WISL見表4，00∶00～05∶00時段的WISL為[1，1]。ESS成本系數取0.05萬元/MW，ESS相關參數見表5。

6.2仿真結果1：含風電的調度模式分析

針對5.2節模型分析，通過模式Ⅰ～Ⅳ來驗證上述模型的優缺點，如表6所示，本文所建優化模型為模式Ⅳ，為了分析對比與其他調度模式的不同，本文又設定了模式Ⅰ～Ⅲ，為了更好地對比這4種模式，模式Ⅰ～Ⅲ的設定所需的參數均與模式Ⅳ相同，其目標函數和約束條件的設定在模式Ⅳ的基礎上進行相應地調整。

表4　WISL取值

表5　ESS參數

表6　不同模式的設定

表7為調度周期內火電總成本Cg、風電總成本Cw、棄風率χw、實際誤差ea及預測誤差ef情況，其中風電總成本包括ESS成本Cw.e和SL總成本Cw.d。由于模式Ⅰ中沒有考慮風電預測誤差以及采用單一的火電調度方式，WPU無法得到ESS和SL來調節，因此棄風率最高。模式Ⅱ中雖使用傳統的誤差計算方法并計其ESS，使用ESS來對WPU進行調節，但由于此風電預測誤差方法計算出的誤差與實際誤差偏差較大，加上ESS成本及ESS充放電效率等原因，系統成本不但沒有降低，而且棄風率依然偏高。模式Ⅲ中采用基于誤差增長的WPU模型，加上火-SL-儲聯合的調度方式，使得系統的棄風情況明顯好轉，但在調度過程中對ESS的調用過多，沒能更好地發揮SL的優勢。模式Ⅳ中，由于對SL進行區間權重的劃分，使得各類SL可以在不同時段處理WPU的問題上起到一定的互補作用，加上ESS后備作用，彌補了模式Ⅱ和模式Ⅲ中存在的不足，使得SL充分參與到對WPU的調節中，不但節省了系統成本，而且降低了系統棄風率。

表7　模式Ⅰ～Ⅳ各類成本、棄風及誤差情況

6.3仿真結果2：風電調度模式對系統備用的影響

同樣以6.2節中4種調度模式為例進行分析。其中模式Ⅰ不考慮風電預測誤差，此時系統的備用需求主要來自火電備用。模型Ⅱ中的備用需求主要由ESS提供，模式Ⅲ中的備用需求則主要由ESS和SL共同提供，模式Ⅳ中的備用需求同樣由ESS和SL共同提供。表8為4種調度模式下的備用需求情況，其中Rr為系統的備用需求，Dl為SL備用，Rg為火電備用，Er為儲能備用。

表8　4種調度模式下的系統備用需求

圖4～圖7分別為模式Ⅰ～Ⅳ的備用需求的分析。從圖中可以看出，模式Ⅰ在調度周期內的系統的備用需求主要由火電機組承擔；模式Ⅱ的備用需求主要由ESS來完成，考慮到ESS的充放電效率以及當ESS電能儲存滿額與無電能存儲情況，如時刻25、時刻26，ESS無電能存儲，此時的系統備用由火電備用承擔，而時刻36，ESS則處于電能存儲滿額的狀態；模式Ⅲ在調度周期內的系統備用需求主要由ESS提供，僅有部分由SL提供；模式Ⅳ中的備用需求全部得到滿足，在不可調控時段由ESS提供備用，在ESS電能存儲滿額或是無電能存儲時由SL提供備用，起到了互補的作用。同時由于A類SL和B類SL的可調度性在大部分時段內是對立的，因此兩類SL在調度周期內也起到了一定的互補作用。

圖4　模式Ⅰ在調度周期內系統備用需求分析Fig.4　Analysis of system reserve demand of modeⅠ in a simulation day

圖5　模式Ⅱ在調度周期內系統備用需求分析Fig.5　Analysis of system reserve demand of mode Ⅱ in a simulation day

圖6　模式Ⅲ在調度周期內系統備用需求分析Fig.6　Analysis of system reserve demand of mode Ⅲ in a simulation day

圖7　模式Ⅳ在調度周期內系統備用需求分析Fig.7　Analysis of system reserve demand of mode Ⅳ in a simulation day

7結論

本文提出了一種基于WPU與WISL的風電并網協調優化方法。首先，對風電預測誤差進行了相關研究，提出了風電預滲透率的概念，結合風電預測精度，建立了風電預測誤差模型。其次，建立了風電預測誤差增長模型，并建立了基于誤差增長的WPU模型；考慮到不同負荷的可調度能力，提出了WISL的概念，并建立了模型；在以上研究基礎上，建立了基于WPU和WISL的風電并網協調優化模型，為電網調度人員在解決風電接入問題時提供具有明顯社會經濟效益的優化調度方案。得到如下結論：

1)本文建立的基于誤差增長的WPU模型計算出的WPU可較全面地反應誤差信息，為后續調度提供更加準確的數據。

2)提出的WISL可為不同級別負荷在不同時段的可調度性制定相應的標準，避免了統一標準下的資源浪費，使SL能夠充分有效地參與到對WPU的調節中，從而減少對ESS的使用量，降低了棄風率與系統的備用容量。

3)ESS的參與，可彌補極端情況下SL無法參與風電調節的缺點，在對SL進行權重區間劃分的過程中承擔一定的后備作用。

為了簡明闡述，本文僅對WISL進行了簡單的劃分，依據本文所提方法，如何更加準確地對每一類SL進行準確地權重區間劃分，這將是后續研究的重點。

參考文獻

[1]Ortega-Vazquez M A，Kirschen D S.Estimating the spinning reserve requirements in systems with significant wind power generation penetration[J].IEEE Transactions on Power Systems，2009，24(1)：114-124.

[2]楊柳青，林舜江，劉明波，等.考慮風電接入的大型電力系統多目標動態優化調度[J].電工技術學報，2014，29(10)：286-295.

Yang Liuqing，Lin Shunjiang，Liu Mingbo，et al.Multi-objective dynamic optimal dispatch for large-Scale power systems considering wind power penetration[J].Transactions of China Electrotechnical Society，2014，29(10)：286-295.

[3]Wang Caixia，Lu Zongxiang，Qiao Ying.A consideration of the wind power benefits in day-ahead scheduling of wind-coal intensive power systems[J].IEEE Transactions on Power Systems，2013，28(1)：236-245.

[4]夏澍，周明，李庚銀.含大規模風電場的電力系統動態經濟調度[J].電力系統保護與控制，2011，39(13)：71-77.

Xia Shu，Zhou Ming，Li Gengyin.Dynamic economic dispatch of power system containing large-scale wind farm[J].Power System Protection and Control，2011，39(13)：71-77.

[5]Bludszuweit H，Domínguez-Navarro J A，Llombart A.Statistical analysis of wind power forecast error[J].IEEE Transactions on Power Systems，2008，23(3)：983-991.

[6]Amjady N，Keynia F，Zareipour H.Short-term wind power forecasting using ridgelet neural network[J].Electric Power Systems Research，2011，81(12)：2099-2107.

[7]丁華杰，宋永華，胡澤春，等.基于風電場功率特性的日前風電預測誤差概率分布研究[J].中國電機工程學報，2013，33(34)：136-144.

Ding Huajie，Song Yonghua，Hu Zechun，et al.Probability density function of day-ahead wind power forecast errors based on power curves of wind farms[J].Proceedings of the CSEE，2013，33(34)：136-144.

[8]Doherty R，O’Malley M.A new approach to quantify reserve demand in systems with significant installed wind capacity[J].IEEE Transactions on Power Systems，2005，20(2)：587-595.

[9]張國強，吳文傳，張伯明.考慮風電接入的有功運行備用協調優化[J].電力系統自動化，2011，35(12)：15-19.

Zhang Guoqiang，Wu Wenchuan，Zhang Boming.Optimization of operation reserve coordination considering wind power integration[J].Automation of Electric Power System，2011，35(12)：15-19.

[10]嚴干貴，劉嘉，崔楊，等.利用儲能提高風電調度入網規模的經濟性評價[J].中國電機工程學報，2013，33(22)：45-52.

Yan Gangui，Liu Jia，Cui Yang，et al.Economic evaluation of improving the wind power scheduling scale by energy storage system[J].Proceedings of the CSEE，2013，33(22)：45-52.

[11]南曉強，李群湛，趙元哲，等.計及風電預測可信度的經濟調度及輔助決策方法[J].電力系統自動化，2012，37(19)：61-67.

Nan Xiaoqiang，Li qunzhan，Zhao Yuanzhe，et al.An economic dispatch and decision making method based on credibility of wind power forecasting[J].Automation of Electric Power System，2012，37(19)：61-67.

[12]Luo F，Meng K，Zhao Y D，et al.Coordinated operational planning for wind farm with battery energy storage system[J].IEEE Transactions on Sustainabe Energy，2015，6(1)：253-262.

[13]王珂，姚建國，姚良忠，等.電力柔性負荷調度研究綜述[J].電力系統自動化，2014，38(20)：127-135.

Wang Ke，Yao Jianguo，Yao Liangzhong，et al.Survey of research on flexible loads scheduling technologies[J].Automation of Electric Power Systems，2014，38(20)：127-135.

[14]劉新東，方科，陳煥遠，等.利用合理棄風提高大規模風電消納能力的理論研究[J].電力系統保護與控制，2012，40(6)：35-39.

Liu Xindong，Fang Ke，Chen Huanyuan，et al.Research on rational wind power casing theory for large-scale wind power integration improvement[J].Power System Protection and Control，2012，40(6)：35-39.

[15]鞠平，秦川，黃樺，等.面向智能電網的建模研究展望[J].電力系統自動化，2012，36(11)：1-6.

Ju Ping，Qin Chuan，Huang Hua，et al.Survey of research trends of power system modeling geared to smart grid[J].Automation of Electric Power System，2012，36(11)：1-6.

[16]曾丹，姚建國，楊勝春，等.柔性負荷與電網互動的系統動力學仿真模型[J].中國電機工程學報，2014，34(25)：4227-4233.

Zeng Dan，Yao Jianguo，Yang Shengchun，et al.System dynamics simulation model of flexible load in interactive power grid[J].Proceedings of the CSEE，2014，34(25)：4227-4233.

[17]向月，劉俊勇，魏震波，等.考慮可再生能源出力不確定性的微電網能量優化魯棒模型[J].中國電機工程學報，2014，34(19)：3063-3072.

Xiang Yue，Liu Junyong，Wei Zhenbo，et al.Robust model of microgrid energy optimization with uncertain renewable energy sources[J].Proceedings of the CSEE，2014，34(19)：3063-3072.

作者簡介

于東男，1989年生，碩士研究生，研究方向為電力系統優化運行與風電并網經濟調度。

E-mail：yudong0126@163.com(通信作者)

孫欣女，1980年生，博士，副教授，研究方向為電力市場、經濟調度和新能源發電。

E-mail：xin-sun05@mails.tsinghua.edu.cn

Coordinated Optimization Model for Wind Power Integration Considering Wind Power Uncertainty Output

Yu Dong1Sun Xin1Gao Bingtuan2Xu Qin1

(1.Department of Electrical EngineeringJiangsu UniversityZhenjiang212013China 2.Electrical EngineeringSoutheast UniversityNanjing211100China)

AbstractWind power has the features of uncertainty and intermittence.So firstly，the concept of the wind power pre-penetration rate is proposed.Combined with wind power forecast accuracy，the wind power forecast error is presented.Secondly，the model of wind power forecast error growth is established by considering the variability of wind power forecast error over time，and the model of wind power uncertainty (WPU) based on error growth is established.On the basis of the weight interval of schedulable load (WISL)，schedulable load (SL)，and energy storage system (ESS)，the wind cost model is established，and a coordinated optimization dispatch model for wind power integration considering load benefits is established.Finally，the Matlab is used to solve the optimization model.Taking the power system of a certain area as the research object，the results show that the given method can reduce the wind curtailment rate and thermal power reserve capacity.

Keywords：Wind power uncertainty output，error growth，load benefits，wind curtailment rate，reserve，weight interval

中圖分類號：TM732

國家自然科學基金(51007032)和江蘇省高校優勢學科建設工程資助項目。

收稿日期2015-04-13改稿日期2015-07-06