計及風電不確定性的風-水短期聯合優化調度方法

苗樹敏，滕予非，羅 彬，陳 剛，王 亮

(1.國網四川省電力公司電力科學研究院，四川 成都 610041；2.清華四川能源互聯網研究院，四川 成都 610042)

0 引 言

大力發展清潔能源是應對全球氣候變化、減少環境污染、調整能源結構、實現可持續發展的有效途徑。風電作為典型的綠色、可再生清潔能源，受自身工程優越性及國家政策導向激勵，發展十分迅速，截至2019年年底，全國累計并網風電裝機容量為210 GW，占總發電裝機容量10.5%，規模化的地區并網風電已成為中國重要的電力資源。

不同于傳統水、火電并網調度，風電受資源特性和自然條件限制，出力呈明顯的隨機性和波動性，難以準確預測，特別是隨著并網風電裝機規模的不斷增大，其對電力調度運行的影響也愈發顯著[1-2]。傳統電力調度中，通常假設次日風電出力為確定值[3-4]，忽略了風電出力預測誤差影響，導致調度結果不能很好地反映系統實際運行狀態，增加了系統運行風險和棄風風險。目前，關于風電并網隨機性問題研究已取得許多成果，包括風功率預測[5-8]、隨機性描述[9-10]、風電并網策略[11]等，但規模化風電并網、消納問題依舊突出。風電、水電聯合調度是促進風電并網消納的一種有效途徑[12-13]，其關鍵是利用水電良好的調節能力平抑風電出力波動性，提高系統運行安全水平。

為此，以風電、水電聯合調峰最優為目標，開展計及風電不確定性的風-水聯合調度方法研究，這與目前多清潔能源互補消納的政策和實際需求相適應，旨在挖掘電網消納能力，提高清潔能源并網質量。首先，以地區風電群為整體，考慮風電出力不確定性導致的預測值與實際值間的偏差，采用模糊聚類方法對風電預測值與實際值進行二次聚類，構建預測值與對應的實際值間的出力情景集合及條件概率分布，將風電不確定性轉變為有限個確定性條件情景進行描述；其次，基于當前風電預測值對應的實際情景及其概率分布，以期望調峰最優為目標，建立多情景風電與水電站群聯合調度模型；再次，在有限個確定的風電出力情景下，采用基于逐次逼近和關聯搜索的水電站群短期優化調度方法進行求解；最后，以西南某地區為例進行仿真分析，通過與實際運行結果對比驗證了所提方法的有益效果。

1 基于模糊聚類的風電出力情景描述

1.1 模糊聚類方法

模糊聚類方法由陳守煜提出，該方法是根據樣本間的不同特征和相似度，用相對隸屬度表征樣本屬于某一類程度的聚類方法[14]。下面以所有情景與聚類中心距離最小為目標構建最優聚類函數，確定最優聚類中心和各樣本的相對隸屬度，并根據最大隸屬度原則確定樣本分類。具體步驟如下：

3)以所有情景與聚類中心距離最小為目標構建最優聚類函數：

(1)

需要滿足的約束條件有：

(2)

4)將上述模型轉換為無約束拉格朗日函數，可得到uk,j和si,k的迭代模型：

(3)

(4)

按式(3)、式(4)循環迭代求得最優聚類中心和各樣本對每類的相對隸屬度。

5)按最大隸屬度原則確定樣本所屬類別，即樣本j的所屬類別滿足u*,j=max{uk,j},k=1,2,3,…,c。

1.2 風電出力情景構建

合理的聚類結果依賴于聚類數目的確定，下面采用聚類綜合質量法[15]判斷不同聚類數目對應的聚類結果優劣，通過遍歷法確定適應當前樣本集的最終聚類數。分別建立風電預測出力和對應的風電實際出力的模糊聚類模型，構建風電出力情景，具體步驟如下：

1)以歷史日風電預測出力曲線為樣本，日內每個時段預測出力為聚類指標，規格化后取各指標等權重構建風電預測出力模糊聚類模型，獲得歷史日風電預測出力曲線聚類結果，記為Ω={Ω1,…,Ωl,…,ΩL}，l=1,2,…,L，L為總的預測情景類別數。

2)對于類別l，統計Ωl中對應的歷史日風電實際出力曲線作為聚類樣本，日內每個時段實際出力為聚類指標，規格化后取各指標等權重構建風電實際出力模糊聚類模型，獲得類別l對應的歷史日風電實際出力曲線聚類結果，記為Φl={Φl,1,…,Φl,g,…,Φl,Gl}，g=1,2,…,Gl，Gl為類別l對應的總的實際情景聚類數。

3)計算預測情景類別l對應的各類實際情景出現概率：

(5)

4)對每類實際情景集合選取典型代表情景，代表情景的本質是反映集合期望，由于類別內部所有日實際出力曲線的出現概率相等，采用類別內情景向量均值作為典型代表情景。對于實際情景類別g，其典型代表情景為

(6)

2 多情景風電與水電聯合調峰模型

建立多情景風電與水電聯合調峰模型，利用水電較好的調節能力平抑風電出力波動性，且盡可能地削減負荷峰谷差，使余留給火電等其他電源的負荷需求盡量平穩，提高電力調度安全性和經濟性。采用剩余負荷方差最小[16]為風電和水電聯合調峰目標函數。

(7)

(8)

(9)

確定風電期望情景后，上述模型轉化為僅含水電群出力變量的目標形式，求解過程中還需滿足水電運行約束，式(9)—式(17)分別為水量平衡約束、末水位約束、水位上下限約束、出力上下限約束、發電流量約束、水位庫容關系約束、尾水位下泄流量關系約束、水電轉換關系約束和水頭約束。

Vm,t+1=Vm,t+3600(Qm,t-qm,t-dm,t)Δt

(10)

(11)

(12)

(13)

(14)

Zm,t=f1(Vm,t)

(15)

ZTm,t=f2(Rm,t)

(16)

(17)

(18)

3 模型求解

對于給定的風電預測出力過程，采用相似性分析判斷其與各預測情景類間的相似度，取最大相似度對應的情景類作為給定預測出力所屬類，并構建對應的實際風電出力情景組合。基于構建的風電期望情景，上述風電與水電聯合調度問題可轉化為水電站群短期調度問題，下面采用已有水電站群短期優化調度方法進行求解[17]。首先，根據電站初始水位、來水及末水位控制條件估算發電用水量及發電量；根據估算的發電量，采用逐次切負荷方法生成各電站初始解；其次，對電量估算導致的末水位偏差，局部修正初始解，對電站各時段出力進行增減關聯搜索，以滿足上下游電站間的水量平衡約束，進一步修正初始解；最后，以修正后的初始解為起點，通過初始搜索、影響范圍擴張、影響范圍邊緣修正、出入庫水量差修正4種基本操作實現了持續在當前解附近搜索更優解，即將當前目標值Fk與前次迭代目標值Fk-1進行對比，若Fk≤Fk-1，則取當前目標值對應解為新的迭代初始解，反之，繼續以前次迭代解為初始解進行搜索，循環迭代直至滿足計算精度要求。總體求解過程總結如下：

1)采用第1.1、1.2節方法構建歷史日風電預測出力過程和對應的實際出力過程情景組合，并確定其條件概率分布；

2)采用相似性分析方法，按最大相似度原則判斷給定的風電預測出力過程所屬預測情景類別；

3)獲得所屬預測情景類對應的可能出現的實際情景組合及各情景條件概率，并計算可能出現的實際風電出力過程期望，即風電期望情景；

4)基于風電期望情景，優化計算求解風電、水電聯合調峰模型。

4 實例分析

以西南某地區為例，地區風電裝機1 604.5 MW，占比為16%，水電裝機4 428.0 MW，占比為44%，取近兩年風電日96點(15 min一個時段)出力計劃值和實際值數據，剔除異常數據后作為模糊聚類模型輸入。結合聚類綜合質量法及遍歷法確定風電預測數據的最佳聚類數為6，各類代表情景中風電出力均值及其概率分布列于表1。以枯期某日為例進行仿真計算，根據相關性分析可知，風電預測出力過程與第6類預測情景相關性最高，對應的實際情景聚類數為4，各類情景如圖1所示，各實際情景概率分布及各情景與當日實際風電過程間的相關系數列于表2。由表2可知，實際風電過程與第4類風電實際情景間相關性最高，期望情景與實際情景間呈顯著相關性，明顯高于預測情景與實際風電過程間的相關性(相關系數為0.473)，說明相比于預測情景，所提方法構建的期望情景更貼合實際風電出力過程。

表 1 風電群出力預測情景概率分布

表 2 仿真日風電群出力對應的預測情景、實際情景及概率分布

下面分析所提模型調峰效果。圖2、圖3給出了期望情景下所建模型結果和實際運行的對比調峰效果及出力過程。采用余留負荷日占比(剩余負荷均值與剩余負荷最大值之比)、最小余留負荷占比(剩余負荷最小值與剩余負荷最大值之比)、余留負荷峰谷差和余留負荷均方差4個指標評價模型調峰效果，其中前兩個指標用于衡量系統余留負荷日內的變化程度，峰谷差指標用于衡量系統剩余負荷對應的最大調峰深度，均方差指標反映了日內余留負荷過程與其均值的偏離程度，對比結果列于表3。可以看出，在風電期望情景下，所提模型可以更好地削減系統負荷峰谷差，相比于實際運行數據，余留負荷峰谷差減少812 MW，縮減近45%，且余留負荷過程更加平穩，均方差減小了258.4 MW，縮減近55%，說明在構建的風電期望情景下，所提模型可更好地挖掘了水電站水庫調節能力，提高風電、水電聯合調峰效果。

圖2 風電期望情景下系統剩余負荷

(a) 模型優化結果

(b)實際運行結果

進一步分析應對多種風電情景時模型結果的魯棒性，不同情景下所提模型與實際運行對應的調峰結果見表3。可以看出，在不同風電情景下所提模型的余留負荷日占比和最小余留負荷占比均高于實際運行，最大的余留負荷日占比和最小余留負荷占比增幅分別為7.4%和13.4%，說明扣除風電和水電后系統余留負荷變化減小；不同情景下余留負荷峰谷差和余留負荷均方差與實際運行相比均有所下降，最大降幅分別為852.5 MW和265.9 MW，說明調峰深度和余留負荷波動明顯減小，更有利于后續其他發電機組運行安排。同時，對比了當日實際風電過程下所提模型與實際運行的調峰效果，見表3。對比可知，相比于實際運行所提模型對應的余留負荷日占比和最小余留負荷占比均有明顯增加，且余留負荷峰谷差、余留負荷均方差明顯下降，這說明應對當日實際風電過程，所提模型可以取得更好的調峰效果。因此，在預判的多種風電實際情景及當日實際風電過程下，所提模型的各項調峰指標均優于實際運行，可以更好地適應不同風電情景、有效提高風電并網質量，驗證了所提模型的魯棒性及可行性。

表 3 多情景風電與水電聯合調峰結果對比

5 結 語

針對風電并網帶來的不利影響，提出了一種計及風電不確定性的風-水聯合調度方法，旨在通過利用水電良好的調節性能提高風電并網質量，促進清潔能源互補消納。該方法可分為兩部分：1)考慮風電不確定性引起的調度偏差，采用模糊聚類方法分別對歷史風電預測值和實際值進行二次聚類，構建當前預測條件下可能出現的風電實際情景集合及概率分布；2)基于構建的多風電情景，以風電、水電聯合調峰最優為目標，建立多情景風電與水電站群聯合調度模型并優化求解。以西南某地區為例，分別對比了風電期望情景下、多情景下和實際過程下所提方法和實際運行的調峰效果，采用余留負荷日占比、最小余留負荷占比、余留負荷峰谷差和余留負荷均方差4個指標進行評價，所提方法的各項指標均優于實際運行，驗證了其更好地適應性及調峰效果。所提方法為風電規模化并網、風電-水電聯合調度提供了一種可行技術途徑，并可為光伏等其他間歇性電源的并網調度提供借鑒。