智能電網環境下負荷響應對系統消納風電能力影響模型探析

，，

(1.貴州理工學院， 貴州 貴陽 550003；2.華北電力大學，河北 保定 071003)

0 引言

風力發電是當今最重要的可再生能源之一。合理開發利用風能可有效地避免環境污染，調整區域能源結構[1]。世界上許多國家都轉向風力發電領域，大力建設風力發電設施。隨著風力發電的大規模運行，風力發電的問題日益突出[2]。傳統控制技術難以滿足電力系統風險接入的雙重影響。采用大數據技術對風電場智能運行控制在一定程度上，將減少風電接入電網帶來的風險[3]。近年來，需求響應的概念改變了始終依賴于供電側的發展來滿足電力需求的思維方式。為了實現需求響應資源之間的雙向交互，實現了一種更靈活和可調整的方式，為解決大規模風電消納問題提供了新的方向。因此，基于智能電網的需求響應，建立了多層次時間尺度滾動調度計劃模型，以提升系統整體運行水平的同時增強系統運行的經濟性[4]。

需求響應的本質是基于價格信號來引導用戶改變負載需求。作為一種交互資源，可以有效地促進電網的整體可靠性運行[5]。需求側響應參與風力發電調度研究較多。文獻[6]考慮綜合成本的前提下，兼顧風電預測和價格型需求響應二者的不確定性以及系統安全約束，構建了基于光熱電站和價格型需求響應參與風電消納的調度模型。文獻[7]借助需求側管理與儲能技術對負荷分布的調控能力提高風電的消納水平,構建含大規模風電的電力調度模型。文獻[8] 在碳交易機制下考慮柔性負荷響應對電力系統經濟調度風力發電的影響。文獻[9]應對風電發電的隨機性和波動性,在需求側引入可變負荷模型,利用價格變化來調節可轉移負荷。文獻[10]綜合考慮用戶參與需求響應項目的水平對風電利用率和系統運行的影響,建立日前調度優化模型, 激勵用戶轉移負荷的需求響應能夠降低系統運行成本。文獻[11-12]縱觀國內外研究，主要趨勢是智能電網條件下的用戶需求響應優化。在此，從需求響應概念、激勵機制、效益評估、支持平臺技術、應用于風電消納等方面對國內外學者在相關領域的研究成果進行總結,指出當下實施需求響應存在的問題和相關對策。

1 系統分析

1.1 風電場場景調度過程

隨機性和間歇性是風電的基本特征。隨機性對電力系統運行的影響更為突出。風力發電量的預測，特別是對其隨機性規律的預測，是建立調度模型的基礎。在此引入風力預測發電量這一概念。為了更好地描述每個風力發電量，需要在一定程度上減少隨機風力發電量的數量。相近的風力發電量被劃分在一個概率不同的風力發電量集合中。基于縮小每一個風力發電量組合的差值，最大可能還原初始風力發電量采集值，使得風力發電量采集值最大相似于風力發電量集合中的代表值。預測風力發電量集合設計是基于風力發電量采集值與對應集合中代表值的差值及其發生概率來定義和還原采樣值、代表值之間具有相似性。假設有2個風力發電量A和B，它們彼此相似。

(1)

X為預測風力發電量；A和B為不同時段的風力發電量；π為不同時段風力發電量發生的概率。根據目前主要的提前一天調度方案，主要是基于火電輸出的優化。因此，算法設計主要基于傳統的日前調度模型，并結合風電場景預測?？紤]到風力發電過程中不同場景之間可能存在跳變，如圖1所示。

圖1 風力發電量區間過渡效果

由圖1可以看出，以場景C1為例，實際場景可以從C1改變為C2和C3等。基于風電輸出的預測情景C1，可以建立斜坡單元的約束表達式

(2)

圖2 基于電力系統運行調度的解決方案流程

1.2 多層調度的二維運行模型

考慮到風力發電的強隨機性和間歇性，風電對電力系統調度的影響極其不確定，電力系統調度對風力發電的控制比起傳統發電更復雜，更難以協調，應采用其他方式進行優化控制。為此，提出了一種基于風電消納的需求響應概率的二維運行機制。基于這種機制，不同的時間段包含不同的概率集合。對于1天24 h范圍，它包含P100，P75和P50水平。對于按天預測來說，沒有P50層，只有P100和P75層。實時預測僅包含在P100層中。由于預測時間段的不同，電網功率的需求值功率需和供給值必須通過概率集合實施供需匹配。風電場的發電值可以根據ISO提供的相應概率集合的電網調度方案進行調度。為了響應風電場的需求應對風能曲線進行高頻濾波修正。多層調度的概率二維運行機制如圖3所示。

圖3 多級調度的概率二維運行機制

風電場接收ISO制定的P50層針對風能的調度方案。如表1所示，在P50時間段的大調度模式下，風電場的調度值為45 MW。

表1 大電網調度T時間調度方案 MW

當風電場收到調度指令時，它根據需求與響應之間的關系去校正P50曲線，并將其信息迅速反饋電網。風電場在接收到調度信息后，將其修改后信息添加到P75層。在此時刻，發電側和需求側電力平衡將打破。同時，供需之間存在著差值。調度將重新安排P75層直到平衡得到滿足。以上是多層調度的二維運行機制的全過程。根據該模型的設計特點，如果在調度中涉及了Pn個電力市場，實際發電量A與其可調節需求量H比值達到C%以上時，將根據發電量A和需求量H的比值接受相應程度的經濟處罰，如果發電量A和需求量H的比值小于或等于C%，發電量A和需求量H均不進行任何形式的懲罰。經濟處罰是用于調節電網的供需平衡所需的電力成本。對于固定發電量A和電能需求量H，如果將A和H從P50層到P75層都進行合并，則發電量A或需求量H將不能進行供需平衡的調度操作。在下階段中，將P75合并到P100過程中，并且電網實時調度將不再考慮實際發電量A或需求量H供需平衡的調度。

(3)

?i∈N,?t∈N

(4)

(5)

(6)

(7)

對于實時電網調度模型，還應盡早修正不同概率下的分層變量：

(8)

(9)

(10)

2 結果分析與討論

為了驗證模型的可行性，對其虛擬電廠的需求響應進行了分析。為了更好地證明所提出的模型對風電消納的影響，該系統的風量下降率將在此處有所下調。根據風力發電量的預測算法：

WiDA100=E[Wi]-3?w,i,t

(11)

WiDA75～N(2.33?w,i,t,0.777?w,i,t)

WiDA50～N(0.67?w,i,t,0.224?w,i,t)

WiDA100為實時風力發電量預測值；E[Wi]為風力發電量的期望值；?w,i,t為風力發電量偏差值；WiDA75為前一小時風力發電量預測值；WiDA50為前一日風力發電量預測值。

分別分析了P100層、P75層和P50層的風力發電量的期望值。同時，基于正態分布理論，可以得到每一天的風力發電量的上下限。為了更好地驗證所提出的多層調度的二維運行模型，根據經濟性、運行可靠性和風電消納的實際效果，將該模型與系統運行結果進行了比較。以實現所提出的模型。具體比較如表2所示。

表2 系統調度模型對照

不同時間長度誤差的標準差如圖4所示，風力發電功率的標準偏差是在不同時間長度的多層調度的二維運行機制下進行調度的。根據所提出的調度模型，風力發電功率的標準偏差會顯著減小。

圖4 不同時間長度誤差的標準差

圖4中的Da，Ha和Rt分別對應24 h預測、1 h預測和實時預測曲線，具有不同的時間長度。由圖4可看出，在Da的時間長度下，風力發電功率的標準偏差很大，在晚上10時左右的偏差接近于0.35。根據多級調度的概率二維運行機制的調度，實時Rt的風力發電功率的標準偏差將減小到0，表明此時的風力發電量很確定。在選擇風力發電量相應購電策略中，電網調度的實際供電單位成本與風力發電功率的不穩定度成正比。這使得風電場減少因風力發電功率的不確定性購買的電網調度資源，因而降低風電的不確定性能最大限度地提高風電場的經濟效益。同時，風力發電功率的期望值也逐漸下降。在上述調度模型的調度下，在實時預測的風力發電量的期望值會在每天用電的低谷時段略有下降，用電低谷時段即每天1--6時和22--24時。結果顯示，棄風使得風電場受到較高的經濟懲罰，迫使風電場購買電網調度資源，進而降低其發電功率。在用電低谷時段內風電場可能棄風，從而獲得更大的經濟效益。

綜上所述，可以看出該系統與傳統的調度模式相比，其性能有了很大的提高。利用所提出的調度模型進行調度后的波形如圖5所示，采用此模型后可獲得191 MW的儲備容量；與之比較的，采用此模型前其儲備容量接近139 MW。其主要原因是風力發電功率的不確定性與此設計調度模型正好契合。因存在多個約束條件，電力系統必須保留足夠的備用容量，以保證整個電網系統的可靠性。根據該調度模型，實際P50層是存在50%的潛在不確定性。這個不確定性將在1 h預測中被整合到P75層中，其不確定性降至25%。在實時預測中，這一不確定性將進一步減少，并在不斷細分時間段中將其不確定性最終消除。因此電網系統中的儲備容量不再根據約束的規劃條件來計算，這將大大提高系統的可靠性。為了提升經濟效益，本模型從電網增加對風能發電的消納能力進行了模型設計。本模型與傳統的調度模型比較，在社會效益、系統允許風速下功率變化率和系統備用容量3個指標上，結果如表3所示。

圖5 模型及其對照組的比較

表3 比較各個方面的優點

從表3中可看出,多層調度的二維運行機制與傳統調度相比，可以為社會創造更多的經濟效益。系統總發電量顯著增加。綜上所述，該調度模型在經濟性和可靠性方面具有一定的優勢。對降低風險具有重要意義。

3 結束語

傳統的電力調度模式已經難以適應當今復雜的電力應用環境。介紹了一種根據場景預測算法建立的多層調度二維運行機制模型，并對風力發電隨機性進行了預測來實現更加科學的電力調度。為了提高模型的可行性，進行了案例研究。該模型的設計與傳統的電力調度模式相比，從系統備用容量和不同的時間段的發電誤差2個方面來看都有顯著的改善。與此同時，該模型還大幅增加了系統備用容量，其經濟效益和系統可靠性都明顯優于傳統模式。未來，隨著風力發電等可再生能源發電量的逐漸增長，該算法具有廣闊的應用前景。