促進風電消納的需求響應與儲熱CHP聯合優化模型*

黃培東，詹紅霞，彭光斌，張曦，張寧，龍飛

（1.西華大學電氣與電子信息學院，成都610039；2.重慶市電力公司南岸供電局，重慶400060）

0 引 言

近年來，我國風電產業蓬勃發展，蒸蒸日上。但是系統調峰能力不足與風電的反調峰特性致使風電開發與棄風問題凸顯，消納問題嚴重。如何有效解決風電棄風已成為制約風電持續、健康發展的關鍵性問題［1］。

北方冬季供暖期與風電大發期疊加致使系統安全穩定性受到威脅，風電場被迫棄風。利用負荷追蹤風電出力變化，解耦供暖季熱電聯產機組“以熱定電”剛性約束的調度方式有望成為解決當前風電棄風問題的有效措施［2］。

為解決風電棄風的難題，電力研究者已提出相關的解決措施。文獻［3］通過負荷側采取分時電價（TOU，time-of-use pricing）進行削峰填谷的措施，構建了風、火聯合運行優化模型來促進風電消納。文獻［4-7］采用分時電價下投切高載能負荷、投切儲電裝置、大用戶直購電的方式促進風電的就地消納。為解決風電和供熱機組之間的上網矛盾，文獻［8-11］跳出電力系統的范疇，提出在熱電廠采用電鍋爐、熱泵等電制熱措施解耦“以熱定電”約束來解決消納難題。文獻［12］提出在熱電聯產機組及電供熱系統處加裝儲熱裝置，通過對儲熱環節的控制來解耦電-熱剛性耦合關系，提高風電消納水平。

上述需求響應以及解耦“以熱定電”約束來促進風電消納的研究均是單獨考慮的，兩者聯合促進風電消納的模型未見研究。因此，本文提出將需求響應與儲熱CHP納入風電消納模型中，以節能調度為導向，系統煤耗量最小為優化目標，構建了包含需求響應與儲熱CHP的電熱聯合優化調度模型。模型采用粒子群算法進行求解，算例分析表明：該模型能有效降低系統煤耗，提高風電消納水平。

1 需求響應與儲熱CHP聯合優化策略

1.1 風速風功率模型

TOU決策及更新周期較長，現階段長期風電預測誤差較大，準確性較低，因此，本模型采用適應范圍最廣，擬合實際風速最好的weibull分布函數來模擬各時段的風速序列，其概率密度函數表述如下：

其中：

式中vmean、σ分別為研究區域給定時段風速的平均值和標準差；k和c分別表示形狀和尺度參數。

忽略風電場尾流、電氣損耗后，風電場輸出功率為場內所有風機出力之和［13］，其風速與功率關系如下：

式中v為風機渦輪高度處的風速；vin、vout、vR分別為切入風速、切出風速、額定風速；PwR、Pw分別為風機的額定輸出功率、輸出功率。

1.2 峰谷分時電價策略

實施峰谷分時電價策略能有效引導用戶改變用電習慣，降低日內負荷的峰谷差，有利于促進系統夜間對風電的消納。

本模型采用文獻［14］分時電價的策略來促進風電上網水平，先通過負荷側實施峰谷分時電價來優化負荷曲線，減少負荷高峰備用容量，提高發電機組運行效率；再通過與售電側聯動的發電側峰谷上網電價［15］來引導、激勵帶儲熱的熱電聯產機組靈活運行，從而最大化消納風電。

分時電價常用電量電價彈性來量化分析用戶的價格響應，如式（5）和式（6）所示：

式中Q0i、P0i分為電價變動前電量和電價；ΔQi、ΔPi分別為電量和電價的增量；當j=i、j≠i時E（i，j）分別為自彈性、交叉彈性系數。

發電側與售電側時段劃分一致，基于對負荷曲線的分析，考慮各點峰谷時段隸屬度，采用半梯度隸屬度函數模糊聚類的方法進行峰谷時段劃分［16］。引入電量電價彈性矩陣來描述用戶多時段價格響應，從而得到TOU后各時段用電量：

式中m為研究時段；E為電量電價彈性矩陣。

1.3 熱電聯產機組處加裝儲熱裝置

針對北方供暖季高比例熱電聯產機組為了滿足熱負荷需求，而致使機組強迫出力較高造成的夜間棄風難題，本文在1.2章節分時電價策略的引導下采用熱電聯產機組處加裝儲熱裝置來解耦“以熱定電”剛性約束，從而提高風電場夜間消納水平。

加入儲熱后熱電聯產機組的運行模式如圖1所示，通過對儲熱裝置的蓄放熱環節的控制，使熱電聯產機組不再實時匹配熱負荷需求，從而降低谷時段機組強迫出力，提高風電上網電量。

圖1 帶儲熱的熱電聯產機組Fig.1 CHP with thermal storage

2 需求響應與儲熱CHP聯合優化調度模型

TOU作為一種重要的調峰手段，通過價格信號引導電力用戶合理的用電結構和方式，從而減少系統高峰負荷需求和提高設備利用率。而熱電廠加裝儲熱裝置又是解耦“以熱定電”約束的有效措施，因此，本文在負荷側實施峰谷分時電價，發電側實施峰谷上網電價的基礎上，構建了以系統煤耗量最小為目標的儲熱CHP與需求響應聯合優化調度模型，簡述如下。

2.1 優化目標

我國現階段提倡節能調度，因此，本文以系統煤耗量最小為優化目標。目標函數如下：

其中：

即：

式中f（i，t）、f1（i，t）、f2（i，t）分別系統、常規火電、熱電聯產機組煤耗；T為調度周期；NG、NC分別為常規火電和熱電聯產機組數量；分別為t時刻第i臺常規火電出力、熱電機組電出力、熱電機組熱出力；ai、bi、ci分別為機組第i臺的煤耗系數；Cv，i機組i進氣量不變時多抽取單位供電量下發電功率的減少量；Ai、Bi、Ci、Di、Ei、Fi為熱電機組i的煤耗系數，可由ai、bi、ci和Cv，i計算得到。

2.2 約束條件

（1）系統能量平衡約束：

式中N=NG+NC；Pti為機組電功率；NW為風電場個數；為t時刻第i個風電場風電上網量；為負荷需求；RL（t）為旋轉備用；Ploss（t）為系統網損。

（2）熱力平衡約束：

（3）機組約束：

a.爬坡約束：

b.CHP電功率約束：

（4）儲熱約束：

a.儲放熱功率約束：

b.狀態約束：

式中kloss為漏熱損失系數；S0h、STh分別為儲熱裝置開始與結束時儲熱量。

（5）需求響應約束：

a.用電時段約束：

式中 max（Pload（tf））、min（Pload（tg））分別表示峰谷分時電價之后負荷最大值和最小值，tf、tg分別表示峰谷分時電價之后負荷最大值和最小值出現的時刻，避免峰谷倒置。

b.用戶購電費用降低：

C0為峰谷分時電價前負荷側的單位購電費用；分別表示分時電價后負荷側售電電量及電價矩陣。

3 算例分析

3.1 基礎數據

本文根據當前我國北方某省電網實際電源結構比例，簡化以某地區電網為例，驗證所提出的儲熱CHP與需求響應聯合優化調度來促進風電消納的可行性和有效性。采用本文1.2章節中提出的峰谷分時電價策略對該地區冬季典型日負荷進行時段劃分及定價，具體數據如表1所示。

參考文獻［17］中的價格彈性矩陣，得到的具體數據如下：

表1 TOU時段劃分及定價Tab.1 TOU period division and price

系統中有1組裝機容量為300 MW的風電場，發電側系統機組參數如表2所示，總裝機容量為1 300 MW，其中1～3號為熱電聯產機組，均為大型抽氣式機組（300 MW和200 MW兩類），4～6號為常規火電機組；承壓式蓄熱罐儲熱容量為3 000 MWh，最大蓄、放熱功率為280 MW；系統旋轉備用選取實時負荷7%，網損為總用電量4%［18］。

本文T=24，并假設該冬季典型日內熱負荷基本不發生變化［19］（均為720 MW），系統無電功率交換。

3.2 發電調度優化分析

本模型中，算例選取傳統方式（無分時電價，無儲熱裝置）、分時電價、儲熱裝置、分時電價與儲熱裝置聯合優化4種方式進行仿真對比，系統調度優化結果如表3所示。

表2 機組參數Tab.2 Parameters of generators

表3 各類型發電量對比Tab.3 Comparison of various types of power generation

從表3可以看出單獨采用分時電價、儲熱裝置與傳統方式相比，風電上網量分別可提高573.5 MW、698 MW；系統的煤耗量分別可減少為168.694 4 t、203.488 1 t。但分時電價與儲熱裝置聯合優化下風電上網量提高了1 095 MW，煤耗量減少了319.088 5 t，該方式下風電消納效果最佳，系統煤耗量也最低。其中，系統CHP發電量并沒有減少，增加的風電上網量替代的發電量均為火電發電量，系統總熱負荷量均由CHP供給，儲熱裝置只是合理改變了熱量的生產時間。

3.3 風電消納情況分析

圖2給出了分時電價與儲熱CHP聯合優化前后系統負荷曲線對比。聯合優化前后系統峰谷差分別為450 MW、329.1 MW，聯合優化后系統峰谷差下降26.9%，削峰填谷作用明顯。

圖2 聯合優化前后負荷曲線Fig.2 Load curve before and after combined optimization

圖3、圖4給出了聯合優化前后CHP機組的電、熱出力曲線。可以看出聯合優化后機組在22：00-06：00“以熱定電”剛性約束得到解耦，機組電出力明顯降低，為風電上網提供大量消納空間，減少的熱出力則由儲熱裝置來補償相應的熱負荷需求缺額。同時可以看出，CHP機組在非低谷時段增加電出力，蓄熱裝置則相應在此時段將多余的熱出力進行存儲。

圖3 聯合優化前后CHP熱出力Fig.3 CHP heat output before and after the joint optimization

圖4 聯合優化前后CHP電出力Fig.4 CHP power output before and after the joint optimization

圖5給出了分時電價與儲熱CHP聯合優化前后風電上網曲線對比。由圖可知傳統調度方式下風電實際上網3 459 MW，棄風時刻9個（分別為t1、t2、t3、t4、t5、t6、t7、t23、t24）總棄風電量1624.5MW，棄風率高達32%，棄風現象嚴重；聯合優化后風電實際上網量增加至4 575.6 MW，棄風時刻也減少為6個（分別為t1、t2、t3、t4、t5、t23、t24）總棄風量降為 507.9 MW，棄風率低至10%，有效的解決了風電場夜晚大規模棄風難題。

圖5 聯合優化前后風電消納水平Fig.5 Wind power consumptive level before and after the joint optimization

4 結束語

針對近幾年出現的風電消納難題，本文在深入研究分時電價以及熱電廠加裝儲熱裝置的基礎上，采用儲熱CHP與分時電價聯合優化的方法來提高風電消納水平，并采用粒子群算法進行優化求解。仿真結果驗證了該模型的正確性：4種運行方式（傳統方式、分時電價、儲熱裝置、分時電價與儲熱裝置聯合優化）中，儲熱CHP與分時電價聯合優化消納風電能力效果最佳，棄風量最低，系統煤耗量也最小，有效的解決了風電場棄風難題，推動了節能減排政策的有效落實。