計及預測偏差的光伏消納多時間尺度調度研究

宋 陽, 張靜頁, 王 磊， 佟曉寧

(1. 東南大學電氣工程學院，江蘇 南京 210096；2. 國網遼寧省電力有限公司，遼寧 沈陽 110004)

0 引言

分布式光伏發電正得到越來越廣泛的應用，儲能可以破解能源生產和消費不同步的問題，使能源在時間和空間上具有可平移性[1]，減少新能源的隨機性并提高其可調性[2]。集中控制的空調負荷是當前研究最多的需求響應資源，調度方式靈活，可以將其納入到常態化的電力系統調度運行中[3-4]。

考慮用戶側可再生能源發電量小的特點，通過售電商與大電網產生經濟和技術上的聯系將是其最經濟、最有效的運營模式[5]。另外，售電商可以通過提供創新的需求響應服務，吸引并整合更多居民用戶參與，以形成規模可觀的需求響應資源[6-7]。

消納新能源發電的間歇性主要有2種途徑，一是研究間歇式電源的高精度預測方法，減少預測誤差；二是在計及可再生能源概率及誤差的基礎上優化發電計劃[8-10]。文獻[11]設計了一種多時間尺度協調有功調度系統，充分利用較短時間尺度內更為準確的風電信息，從而提高系統運行的經濟性和安全性。文獻[12]將光伏發電出力處理成隨機變量，采用機會約束建立優化控制模型，可以較好地跟蹤計劃出力曲線。這些研究均從系統穩定性和安全性角度出發，并沒有在售電開放環境下從售電商角度出發，考慮購售電業務和需求響應服務的協調關系。

在售電開放環境下，從售電商角度展開研究，利用蓄電池、空調需求響應資源消納和跟蹤光伏發電，建立了多時間尺度調度模型，在日前調度中以機會約束考慮光伏預測偏差，日內調度跟蹤光伏預測偏差，并進行了仿真，研究了置信水平不同時的調度情況。

1 多時間尺度調度策略

1.1 售電商多時間尺度調度策略

售電商采用蓄電池作為儲能設備，以消納新能源發電出力，在最大化自身收益的同時應能滿足居民用戶的用電需求，響應系統調峰需求。售電商的內涵及功能如圖1所示。

圖1 售電商的內涵及功能Fig．1 The essence and function of power supplier

售電商可以引導居民用戶主動追蹤清潔能源發電出力，結合用戶的能源模塊“自發自用、余量上網”的模式，實現系統的雙側協調優化、雙向自適應過程[13]。考慮光伏預測偏差，采用多時間尺度協調調度的策略如圖2所示。

圖2 多時間尺度協調調度策略Fig．2 Multi-time scale coordinated scheduling strategy

1.2 光伏預測偏差的消納資源

光伏板t時刻的實際出力與太陽輻射強度、光伏板溫度等因素有關[14]。將光伏預測誤差分布假設為正態分布，在時間軸上的均值即期望值為0[15]。光伏預測功率誤差ΔPPVi的概率密度函數如下：

(1)

日內預測值與日前預測值的偏差通過調節蓄電池的充放電功率和空調需求響應資源進行消納，根據置信水平在日前調度計劃中預留備用資源。

在日前調度時優化空調群組出力大小，日內調度時為消納光伏發電預測值變化進一步進行優化，根據日內調度結果制定空調群組的控制方案。

在日內調度時，改變充放電功率即可消納預測偏差。為消納光伏預測偏差而在日前調度中調整的柔性備用資源為Qreserve，如圖3中1—5號斜線部分所示。1號為充電時段蓄電池電量未滿，為預留光伏預測值變大，調整充電功率小于最大充電功率的區間；2號為充電時段蓄電池可快速充至滿電，為預留光伏預測值變小，調整蓄電池緩慢充電的區間； 3號為放電時段，蓄電池電量為0，預留光伏預測值變大，預留空調控制組可調用的功率；4號為放電時段，蓄電池電量較大，但為預留光伏預測值變小，調整放電功率小于最大放電功率的區間；5號為放電時段，蓄電池電量可快速放為0，為預留光伏預測值變大，調整蓄電池緩慢放電的區間。

圖3 預留的備用資源及實際調整的出力Fig．3 Standby reserved resources and the actual adjustment of the output

1.3 分配空調群組調用時段

根據天氣狀況和空調群組的運行情況，空調群組在全天不同時段的需求響應潛力不同[16-18]。按如下原則進行空調群組的調用時段分配：空調群組優先參與系統削峰，再在光伏發電較大時段參與消納光伏預測偏差。先分配系統有削峰需求的時段需調用的空調群組，分配的空調群組潛力應大于削峰需求減去蓄電池最大放電功率；再優先在光伏發電較大的時段分配剩余空調群組中需求響應潛力最大的一組。

1.4 優化蓄電池充放電狀態

采用單位電量調度費用考慮蓄電池的投資維護成本。系統有削峰需求，蓄電池放電；非峰時段，光伏余量優先給蓄電池充電；峰時段，光伏余量優先給其他用戶使用；上網電量大于其他用戶負荷時，蓄電池處于充電狀態；上網電量小于其他負荷時，則蓄電池放電給其他用戶使用。

2 計及光伏預測偏差多時間尺度調度模型

2.1 日前調度

日前調度求解的變量為各時段蓄電池的充放電功率和空調群組的出力。

2.1.1 調度目標

日前調度的目標為售電商收益Bp最大，目標函數為maxBp。售電商的收益由出售給所有居民用戶的電能收入和響應系統削峰得到的補償減去從發電公司購買電能的成本、向用戶支付的光伏上網電費、給用戶參與需求響應的補償、蓄電池的調度費用組成，收益模型如式(2)所示。

(2)

式中：T為時段集合；pS為售電商售電價格；Pl(t)為第t時段所有用戶沒有參與需求響應時的負荷；Ppvzy(t)為擁有光伏發電裝置的用戶第t時段自用的光伏發電大小；Pc(t)為第t時段用戶參與需求響應變化的功率；Pgoal(t)為第t時段系統要求的削減功率目標；pbsys為系統運營商給售電商參與削峰的補償價格；p1為售電商購電價格；Ppvuse(t)為第t時段其他用戶使用的光伏發電大小；Pdis(t)為第t時段儲能設備的放電功率；p2為收購用戶光伏發電上網的價格；δch(t)和δdis(t)分別表示蓄電池的充電和放電狀態；Pch(t)為第t時段蓄電池的充電功率；pb為用戶參與需求響應的補償價格；pbat為蓄電池單位電量調度價格。

2.1.2 約束條件

(1) 滿足負荷削減目標。

|Pc(t)+δdis(t)Pdis(t)-Pgoal(t)|≤0.1×Pgoal(t)

(3)

(2) 功率平衡約束。

Ppvuse(t)≥0

(4)

Ppvuse(t)≤Pl(t)-Ppvzy(t)

(5)

Ppvuse(t)≤Ppv(t)-Pch(t)-Ppvzy(t)

(6)

Pdis(t)≤Pl(t)-Ppvuse(t)-Ppvzy(t)+Pgoal(t)

(7)

(3) 考慮光伏不確定性的剩余資源總量約束。剩余需求響應資源應大于光伏的波動功率，由于光伏發電偏差量不是一個常數，因此采用可信性機會約束：

Pr{Pt(t)-|ΔPpv(t)|≥0}≥αt=1,2,…,T

(8)

Pt(t)=

(9)

(4) 蓄電池約束。儲能設備選用目前廣泛應用的鉛酸蓄電池。

充電狀態：

E(t)=E(t-1)+δch(t)ΔTPch(t)ηch

(10)

放電狀態：

E(t)=E(t-1)-δdis(t)ΔTPdis(t)/ηdis

(11)

儲能容量約束：

EcSmin≤E(t)≤EcSmax

(12)

式中：E(t)為蓄電池t時段的總能量；ηch，ηdis分別為蓄電池的充電功率和放電功率；Ec為蓄電池容量；Smin，Smax分別為蓄電池最小和最大充電狀態值。

(5) 空調需求響應資源約束。各個時段調用的空調需求響應資源的功率應小于該時段可調用的空調需求響應資源：

0≤Pc(t)≤Nr(t)Pdr(t)t=1,2,…,T

(13)

式中：Nr(t)為第t時段可調用的空調控制組的數量；Pdr(t)為第t時段空調控制組的最大響應潛力。

2.1.3 不確定性約束條件轉換

(14)

式中：cj為常量；η為隨機變量；Kα滿足φ(Kα)=α，φ(·)是標準正態分布的分布函數。

2.2 日內調度

2.2.1 調度目標

為盡可能的消納光伏預測的偏差量且在日前調度計劃上的調整最小，采用雙目標優化。

(1) 系統不平衡量ΔP(t)最小。調節對象為蓄電池充放電功率Pdis(t)，Pch(t)和空調需求響應資源調節功率Pc(t)。蓄電池充放電狀態與日前調度結果保持一致，ΔP(t)與蓄電池工作狀態有關。

(15)

蓄電池在充電狀態：

ΔP(t)=ΔPch(t)-ΔPc(t)-ΔPpv(t)t=1,2,…,T

(16)

式中：ΔPch(t)為蓄電池充電功率的調節量，為正表示充電功率增大；ΔPc(t)為空調需求響應資源的調節量，為正表示調用的空調需求響應資源變大；ΔPpv(t)為光伏實際輸出功率與預測功率的不平衡量，為正表示實際出力大于預測值。

蓄電池在放電狀態：

ΔP(t)=-ΔPc(t)-ΔPdis(t)-ΔPpv(t)t=1,2,…,T

(17)

式中：ΔPdis(t)為蓄電池放電功率的調節量，為負表示放電功率減小。

(2) 調整后的出力與日前的偏差最小。

(18)

將目標函數利用懲罰因子進行耦合，目標函數變化為：

F=min (α1F1+α2F2)

(19)

式中：α1為不平衡量的懲罰因子；α2為調整量的懲罰因子。

2.2.2 約束條件

(1) 空調需求響應資源調用約束。

-Pc(t)≤ΔPc(t)≤Nr(t)Pdr(t)-Pc(t)

(20)

(2) 蓄電池約束。儲能容量約束中，總能量的表達式為：

E(t)=E(t-1)+δch(t)ΔT[Pch(t)+ΔPch(t)]ηch-δdis(t)ΔT[Pdis(t)+ΔPdis(t)]/ηdis

(21)

求解變量為各時段蓄電池的充放電功率和空調群組的出力的變化量。

2.2.3 售電商實際日收益

不平衡電量Qu為調整蓄電池充放電功率和空調控制組功率后的光伏發電實際值與預測值的偏差電量的總和，最大不平衡量Pumax為日最大不平衡電力的大小。

(22)

Pumax=max|ΔPpv(t)-ΔPch(t)+ΔPc(t)+ΔPdis(t)|t=1,2,…,T

(23)

對于日內調度調整出力后無法消納的光伏不平衡量，為正的部分選擇棄光，為負的部分需到小時電力市場中購買，日內購電成本Cd為：

Cd=Qudpd

(24)

式中：Qud為小于日前預測值的光伏不平衡電量；pd為小時電力市場購電電價。

進行日內出力調整后，售電商的調度成本也有所變化，增加的日內調度成本Cg為：

Cg=pbat(Qbat,up-Qbat,down)+pb(Qc,up-Qc,down)

(25)

式中：Qbat,up為蓄電池出力增大的電量；Qbat,down為蓄電池出力減小的電量；Qc,up為空調群組增加的電量；Qc,down為空調群組增加的電量。因此，售電商一天實際的收益Bd為：

Bd=Bp-Cd-Cg

(26)

3 算例分析

3.1 算例背景

在某一需求響應程度較高的地區，售電商向1500戶居民用戶供電，每戶有3臺分體空調參與需求響應，其中安裝光伏裝置(額定發電功率為4 kW)的用戶有500戶。9:00～11:00和16:00～24:00為電價高峰時段，系統在10:00～11:00之間有削峰需求1.5 MW。蓄電池的容量3 MW·h，最大充放電功率為1 MW，單位電量調度費用為0.3元/(kW·h)。

Pt(t)-Kα(t)×0.1Ppv(t)≥0t=1,2,…,T

(27)

將4500臺空調分為9組，根據系統削峰需求和光伏發電大小將9組分配在全天各個時段。

3.2 調度結果

3.2.1 日前調度結果

優化蓄電池工作狀態后，以15 min的時間間隔進行日前調度，置信水平α=70%時，收益為8 940.6元。備用資源預留情況如表1所示。

表1 日前調度中的備用資源分配情況Tab.1 The allocation of reservedresources in day-ahead scheduling

預留的備用資源的分布情況主要與蓄電池充放電狀態有關，備用資源分布如圖4所示。

圖4 光伏預測偏差的預留裕度及調用的備用資源Fig．4 The reserved margin of error in photovoltaic prediction and the related reserved resources

可見，預留的備用資源主要為蓄電池充放電功率，這是由于蓄電池的調度成本較小。空調控制組在蓄電池放電功率為放電功率極限，充電功率為0時，為日內光伏預測值變小的備用資源。當其在為滿足系統削峰需求被調用時，也作為日內光伏預測值變大的備用資源。根據1.2節，實際調整的備用資源情況如表2所示。

表2 日前備用資源調整情況

可見，蓄電池充放電功率上下可浮動的區間已經足夠作為備用資源，僅有少部分時段，蓄電池充放電功率需為預留光伏預測偏差的備用做調整。

3.2.2 日內調度結果

按照0.7的置信水平進行日前調度，根據目標重要程度，取日內懲罰因子α1=0.9,α2=0.1，小時電力市場購電價格為3元/(kW·h)，各類備用資源實際調度情況如表3所示，日內調度成本為169.9元。

表3 備用資源實際調度情況Tab.3 The actual scheduling ofreserved resources

日內調度后的光伏不平衡量如圖5所示，不平衡電量為0.219 8 MW·h， 最大不平衡量為0.208 3 MW。

圖5 日內調度后的光伏不平衡量Fig．5 The unbalance power of photovoltaic after intra-day scheduling

光伏發電小于日前預測值的電量為0.056 6 MW·h，因此，售電商實際日收益為6 010.9元。

3.3 不考慮光伏預測偏差的多時間尺度調度

假設日前調度時不考慮光伏預測偏差量，日前和日內調度結果如圖6所示。收益為9 030.5元，相比考慮日前偏差時收益8 940.6元稍大，這是由于未調整蓄電池充放電功率，蓄電池轉換電量變多。

圖6 不考慮光伏預測偏差多時間調度結果Fig．6 The result of multi-time scheduling without considering the error of photovoltaic prediction

累計調節電量0.803 3 MW·h，相比日前考慮光伏預測偏差，總調節功率較小。各類備用資源實際調度情況如表4所示，空調控制組的調節電量變大，這是由于日前調度中未考慮誤差，充放電的調節空間較小。

表4 不考慮光伏預測偏差備用資源實際調度情況Tab.4 The result of scheduling withoutconsidering the reserved resources oferror in photovoltaic prediction

日內調度后的不平衡量如圖7所示。

圖7 不考慮光伏預測偏差日內調度后的不平衡量Fig．7 The unbalance power of photovoltaic after intra-day scheduling without considering the error of photovoltaic prediction

不平衡電量為0.387 0 MW·h，最大不平衡量為0.203 9 MW，對比圖5，不平衡電量變大，最大不平衡量也變大，總體不平衡量情況也較差，跟蹤光伏功率變化效果較差，可見在日前調度時考慮光伏預測偏差調整區間，可以有效改善新能源的消納情況。

售電商實際收益4854元，相比在日前調度中考慮光伏預測偏差較小，這是由于調節電量變大，成本增大多，不平衡情況差，日內購電成本也較大。

3.4 置信水平變化

置信水平不同，售電商實際收益和日內不平衡電量調整情況如表5所示。

表5 售電商實際收益及日內預測值變化調整情況
Tab.5 The actual benefits of supplier and the adjustment of the predictive value in intra-day

置信水平日前收益Bp/元實際收益Bd/元棄光電量/(MW·h)小時電力市場購電量/(MW·h)最大不平衡電力/MW0．68987．558510．15140．04380．18960．78940．66010．90．16320．05660．20830．88885．54833．90．13000．03690．20830．98808．75491．30．07920．00830．1789

隨著置信水平的提高，日前收益降低，光伏預測值偏差的消納情況越好，但置信水平為0.7時，日內調度成本最小，實際收益最大。

4 結語

從售電商角度展開研究，采用蓄電池和空調需求響應資源跟蹤光伏發電，建立了多時間尺度調度模型，先分配空調群組的調用時段，優化蓄電池充放電狀態，在日前調度中以機會約束考慮光伏預測偏差，轉化為確定性等價條件求解，日內調度以不平衡量和調整量最小為雙目標。仿真結果表明日前調度中以機會約束考慮光伏預測偏差需要對日前調度計劃進行調整，可以有效改善光伏預測跟蹤情況，提高售電商實際日收益，置信水平越高，跟蹤光伏預測偏差情況越好，售電商實際日收益與日內調度成本的大小有關。

[1] 張國玉，洪 超，陳杜琳． 面向儲能電站調度的光儲發電系統運行優化策略研究[J]． 電力工程技術，2017，36(3)：50-56．

ZHANG Guoyu，HONG Chao, CHEN Dulin． Strategy research on operation optimization of photovoltaic-energy storage hybrid system based on scheduling of battery energy storage system[J]． Electric Power Engineering Technology，2017，36(3)：50-56．

[2] 袁小明，程時杰，文勁宇． 儲能技術在解決大規模風電并網問題中的應用前景分析[J]． 電力系統自動化，2013，37(1)：14-18．

YUAN Xiaoming，CHENG Shijie，WEN Jinyu． Prospects analysis of energy storage application in grid integration of large-scale wind power[J]． Automation of Electric Power System，2013，37(1)：14-18．

[3] 王蓓蓓，李 揚，高賜威． 智能電網框架下的需求側管理展望與思考[J]． 電力系統自動化，2009，33(20)：17-22．

WANG Beibei，LI Yang，GAO Ciwei． Demand side management outlook under smart grid infrastructure[J]． Automation of Electric Power System，2009，33(20)：17-22．

[4] 高賜威，李倩玉，李 揚． 基于DLC的空調負荷雙層優化調度和控制策略[J]． 中國電機工程學報，2014，34(10)：1546-1555．

GAO Ciwei，LI Qianyu， LI Yang． Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]． Proceedings of the CSEE，2014，34(10)：1546-1555．

[5] 張小平，李佳寧，付 灝． 英國電力零售市場的改革與挑戰[J]． 電力系統自動化，2016，40(11)：10-16．

ZHANG Xiaoping，LI Jianing，FU Hao． UK retail electricity market reform and challenges [J]． Automation of Electric Power System，2016，40(11)：10-16．

[6] 吳興全,李秋鵬,喬 梁,等. 分布式光伏發電定價方法探討[J]. 電力需求側管理,2016,18(5):10-14.

WU Xingquan, LI Qiupeng, QIAO Liang, et al. Discussion on pricing methods of distributed photovoltaics[J]. Power Demand Side Mangment, 2016,18(5):10-14.

[7] 白 楊，謝 樂，夏 清，等． 中國推進售電側市場化的制度設計與建議[J]． 電力系統自動化，2015，39(14)：1-7．

BAI Yang，XIE Le，XIA Qing，et al． Institutional design of chinese retail electricity market reform and related suggestions[J]． Automation of Electric Power System，2015，39(14)：1-7．

[8] 夏新華，高宗和，李恒強，等． 考慮時空互補特性的風光水火多能源基地聯合優化調度[J]． 電力工程技術，2017，36(5)：59-65．

XIA Xinhua，GAO Zonghe，LI Hengqiang，et al． Combined optimization dispatching of multi-source hybrid power bases considering the time-space complementary characteristics[J]． Electric Power Engineering Technology，2017，36(5)：59-65．

[9] SIMMONDS G． Regulation of the UK electricity industry[R]．UK：CRI，2002．

[10] 張伯明，吳文傳，鄭太一，等． 消納大規模風電的多時間尺度協調的有功調度系統設計[J]． 電力系統自動化，2011，35(1)：1-5．

ZHANG Boming， WU Wenchuan，ZHENG Taiyi，et al． Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]． Automation of Electric Power System，2011，35(1)：1-5．

[11] 楊勝春，劉建濤，姚建國，等． 多時間尺度協調的柔性負荷互動響應調度模型與策略[J]． 中國電機工程學報，2014，34(22)：3664-3673．

YANG Shengchun，LIU Jiantao，YAO Jianguo，et al． Model and strategy for multi-time scale coordinated flexible load interactive scheduling[J]． Proceedings of the CSEE，2014，34(22)：3664-3673．

[12] 林少伯，韓民曉，趙國鵬，等． 基于隨機預測誤差的分布式光伏配網儲能系統容量配置方法[J]． 中國電機工程學報，2013，33(4)：25-33．

LIN Shaobo，HAN Minxiao，ZHAO Guopeng，et al． Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]． Proceedings of the CSEE，2013，33(4)：25-33．

[13] 曾 鳴，楊雍琦，劉敦楠，等． 能源互聯網“源-網-荷-儲”協調優化運營模式及關鍵技術[J]． 電網技術，2016，40(1)：114-124．

ZENG Ming，YANG Yongqi，LIU Dunnan，et al． “Generation-Grid-Load-Storage” coordinative optimal operation mode of energy internet and key technologies[J]． Power System Technology，2016，40(1)：114-124．

[14] 徐 林，阮新波，張步涵，等． 風光蓄互補發電系統容量的改進優化配置方法[J]． 中國電機工程學報，2012，32(25)：88-98．

XU Lin，RUAN Xinbo，ZHANG Buhan，et al． An improved optimal sizing method for wind-solar-battery hybrid power system[J]． Proceedings of the CSEE，2012，32(25)：88-98．

[15] 丁 明，徐寧舟． 基于馬爾可夫鏈的光伏發電系統輸出功率短期預測方法[J]． 電網技術，2011，35(1)：152-157．

DING Ming，XU Ningzhou． A method to forecast short-term output power of photovoltaic generation system based on markov chain[J]． Power System Technology，2011，35(1)：152-157．

[16] HE H，SANANDAJI B M，POOLLA K，et al． Aggregate flexibility of thermostatically controlled loads[J]. IEEE Trans on Power Systems，2015，30(1)：189-198．

[17] BODE J L，SULLIVAN M J，BERGHMAN D，et al． Incorporating residential AC load control into ancillary service markets: Measurement and settlement[J]． Energy Policy，2013，56(2): 175-185．

[18] SAEID B，HOSAM K． Modeling and control of aggregate air conditioning loads for robust renewable power management [J]. IEEE Transactions on Control Systems Technology，2013，21(4)：1318-1327．