光熱-風電聯合運行調度策略研究

張 磊

（北京大學光華管理學院，北京 100871）

太陽光能源熱發(fā)電技術是一種與太陽光發(fā)電不同的太陽熱發(fā)電技術。這種技術的發(fā)電原理是通過太陽光的反射活動傳達到熱能集中器，隨后經由熱交換設備取得高壓的過熱蒸氣來驅動渦輪發(fā)電［1-3］。由于太陽能源存在不穩(wěn)定性和斷續(xù)性的問題，太陽能發(fā)電站在通常情況下配置了熱能儲存設備，以確保向輸電網供電的穩(wěn)定性［4-6］。考慮到未來的太陽能發(fā)電站不僅在規(guī)模上擁有優(yōu)越性，還具備優(yōu)異的調控性能，本文在研究中將太陽能發(fā)電站和其他可再生能源發(fā)電結合設立共同體系，不僅能使電能順暢，還能促進可再生能源的整合，盡可能地避免廢棄風力的產生，實現經濟效益的有效提升。很多學者針對光熱能源驅動電力與其他能源生成電力的共同調度進行了研究。CHEN R Z等［4］提出了太陽能發(fā)電站的網格配電模式，并進行了研究分析。杜爾順等［7］從原理、運用、優(yōu)化計劃及利潤分析的角度分析了光熱能源驅動電力站的網格連接運用。陳潤澤等［8］則建立了光熱能源驅動電力站的數學模型，并對其中的經濟效益進行了探索，但由于沒有考慮配備使用以及其他因素，無法應用到包括光熱能源驅動電力站在內的網格分布。嚴干貴等［9］根據水資源抽調站點的能源儲藏特性，建立并模擬了水資源抽調發(fā)電和風力發(fā)電的共同調度模型，隨后驗證了模型的有效性。

總之，現階段的驅動電力技術在全球范圍內大部分都是建立在光伏發(fā)電基礎之上，在風力發(fā)電的網格連接方面，大多數情況下的調控措施都是通過傳統(tǒng)能源來完成實施的。鑒于此，為了調整風力發(fā)電的變動性，本研究結合運用太陽能發(fā)電站和水力發(fā)電站以達到建立一個創(chuàng)新型水電站的目的。各種關于風力發(fā)電站和太陽能發(fā)電站的清潔能源復合發(fā)電系統(tǒng)，通過運用太陽能發(fā)電站的能源儲藏功能平滑風力能源的隨機性，使用含有常駐粒子的改良粒子群機制來實施優(yōu)化處理，并選取經濟效益最大以及廢棄風能資源量最小的參數作為目標函數，最后在仿真示例中驗證調度戰(zhàn)略的實效性和可執(zhí)行性。

1 風電-光熱電站聯合發(fā)電系統(tǒng)

并網型風力發(fā)電和光熱發(fā)電所組合的系統(tǒng)在一般情況下可以分為能源生成、蓄熱和能源消耗三大流程［10］，圖1展示了其共同體系架構。它由風能驅動電力模塊、光熱能驅動電力模塊和電力消能管控儀組成。光熱能驅動電力站點由光場、蓄熱、熱循環(huán)三個主要部分共同構成，由水或熱油等熱傳輸流體實施能量資源的傳送。光熱能驅動電力環(huán)節(jié)通過光場的聚合匯集作用吸收太陽輻射能源，輻射能源被熱能轉換后，通過熱傳遞流體進行能源量的傳達。熱傳導流體和蓄熱系統(tǒng)可以兩向互換能量，而能夠起到決定熱傳導流體的能量移動方向的是蓄熱體系當中的介質，其通過在不同溫度罐體之間的方向移動完成實施。熱循環(huán)通過熱傳遞流體當中的熱力能量形成蒸汽，并以此實現驅動力推進渦輪發(fā)電機產生電能。在風能驅動電力模塊中，風力渦輪將風能轉換為機械能，再將其轉換為電能，然后通過連續(xù)的交直流轉換將電力能源轉移到網格。電力控制模塊在計算現階段風力和光熱能驅動電力體系的輸出效能和最大可用驅動電力能量后，經由最佳化管控處理，確定各副驅動電力體系的運轉情況。

圖1 風電—光熱電站聯合系統(tǒng)結構圖

根據光熱能驅動電力的運作機制能夠得知［11］，驅動電力模型與常規(guī)的可再生能源不同。鑒于大容量的蓄熱設備的配置［12］，光熱能驅動電力在光照強度的運用方面非常自如，蓄熱裝置是為了合理地調整輸出效能的緩沖器。另外，光熱能驅動電力當中的蒸汽渦輪機具有很強的輸出調整功能，可以為系統(tǒng)提供上升支持［13］。鑒于此，太陽能發(fā)電站的電力調整速度比一般的火力發(fā)電裝置的速度大，可以用來對風能驅動電力的變化作出快速地反應。由于風力發(fā)電站和太陽能發(fā)電站的組合控制是為了減少風力發(fā)電和太陽能發(fā)電的變動性和斷續(xù)性，最大限度地活用那些具有互補性質的特征性能，根據風力和光熱發(fā)電的組合系統(tǒng)的協(xié)調管控，在風能和光能振幅顯著變動的情況下也可以使其在溫和的模式下運作。

2 風-光熱-水電聯合優(yōu)化調度模型

2.1 光熱-風電聯合調度策略

為了實現風能、光熱能、水電能源共同調度體系經濟目標，避免產生廢棄風力能源，建立如下目標函數［14］：

在上述公式中，T為每日調度總數，數據取值為24；N為水能驅動電力站點量；Cwind、CCSP、Chydro分別為水電站風力、光熱及開網價格；分別為t期間內的風力發(fā)電站和光熱發(fā)電站的輸出；為水能驅動電力站點i在t期間內的功率輸出水平；為時間t的風力發(fā)電所的預測輸出。式（1）表明除建設投資和維護費用外的復合體系的最大經濟價值。式（2）表明將廢棄風力資源量控制在最小限度以內，以確保風力發(fā)電量在最大限度范圍內。

2.2 約束條件

1）系統(tǒng)功率平衡的制約：

2）系統(tǒng)備份制約：

3）發(fā)電站的電力制約：

4）水電轉換關系：

在上述公式中，A為水電資源變化常數，一般情況下將數值取定為9.81；為水能驅動電力站點i的效能水平：hit為儲水區(qū)域i在1時刻期間內的水面高度。Qit為水能驅動電力站點i在t期間內的流動量。

5）每日流量積分制約 具備調控機制的水能驅動電力站點應根據配水部門的要求確定發(fā)電所需的水耗量，因此配水部門根據需求對每日流量積分制約設定應相地上限和下限數值。

6）光熱發(fā)電站制約：

a.蓄熱裝置的能源儲藏制約為：

b.蓄熱裝置的充電和放電電力制約為：

c.蓄熱裝置的充放電電力關系的制約：

d.光熱發(fā)電站內部電力關系的制約：

3 風光熱-水電聯合優(yōu)化調度算法

本研究中建立模型的多目標函數，根據兩個目的函數的重要性，取權重為0.4和0.6的加權系數法來處理，對制約的處理使用外部罰函數法，隨后將其合并到目的函數。經由上述措施后，將原始具備復雜程度的混合動力制約問題轉換為一系列無約束的編程問題。在此構型當中還需要用模型最優(yōu)化的參數作為各期間段各發(fā)電所的輸出效能水平。在算法方面，使用常駐粒子的集聚群體算法，導入幫助優(yōu)化的“常駐集聚粒子”，以解決修正基本聚合算法在局部小區(qū)域檢索能力不足的問題，優(yōu)化了集聚粒子群體的多元化水平以及組合的多樣性。該算法非常適合在固定范圍內進行電力體系調控的優(yōu)化實施。

3.1 含駐留粒子的改進粒子群優(yōu)化算法

集聚粒子群體優(yōu)化算法具備簡易性能，且對目的函數不嚴密，是被普遍使用的智能型優(yōu)化算法形式［15］。在優(yōu)化的實施流程當中，由于粒子的凝集效果非常容易導致優(yōu)化實施陷入局部最優(yōu)化困境當中，影響到整體優(yōu)化的精確程度。為了盡量避免這一問題的出現，本研究使用了常駐聚合粒子群體算法。CRPSO被用于最優(yōu)化基本粒子組算法，每更新gbest生成一定量的常駐粒子，就會產生輔助效用以改善聚合粒子群體的多元化性能，避免算法在流程實施前期階段產生局部優(yōu)化的不利現象。

在CRPSO中，為了解決優(yōu)化實施無法獲得全局范圍內新區(qū)域（gbest）周圍形成新常駐聚合粒子群體的數目過多的問題，避免造成計算速度下降的不利情形，因此設置常駐聚合粒子群體豐裕水平b和主分組聚合粒子群體大小N的積分。即存在分區(qū)的最大數量數值。

3.2 迭代公式

將算法搜索空間維度設置為D，如果將主分組的大小設置為N，則第i個主分組的位置和飛行速度可以表達如下：

3.3 算法流程

圖2為CRPSO算法流程。

圖2 CRPSO算法流程

4 算例驗證分析

為了對多目的優(yōu)化調控機制的科學性能和被使用算法機制的可執(zhí)行性進行實證分析探索，設定為程序的創(chuàng)建并使用MATLB軟件來驗證例子，對例子進行分類實施。一組算法流程當中不追加光熱發(fā)電所，一組算法流程當中追加光熱發(fā)電所，隨后比較計算各情況下各發(fā)電所的輸出，在分析對比實證結果之后，驗證光熱發(fā)電所的追加是否能夠對風力發(fā)電體系的納入效能水平實現有效的改善。

4.1 算例參數

在這個例子當中，將350 MW和300 MW的設備容量的水力發(fā)電站和360 MW的風力發(fā)電站以及一個太陽熱發(fā)電站組合，上述電站聯合形成著包含風力，光，熱，水電的共同配給系統(tǒng)。時間被用作調度周期，1 d被分割為24周期。表1和表2顯示了CSP發(fā)電站和水力發(fā)電站的各項參數數值。

表1 CSP電站參數

表2 水電站參數

確認相關信息和國家的政策文件，設定各種能源的導入費用（表3）。

表3 不同能源電力上網電價

圖3是一般性的一日負荷預測，圖4是風力發(fā)電的預測輸出。發(fā)電站的最大風力預測為354 MW，這一數據數值占總設備容量的98.3%，最小為28 MW，這一數據數值占總裝容量為7.8%，高峰與低峰之間的谷差數據為相差326 MW，占安裝容量的90%。從上述數據中可以看出風能驅動電力的輸出效能水平的隨機峰差數值之間有很大的差別，對負荷有著逆峰值特性。

圖3 負荷預測值

圖4 風電和光熱功率預測圖

4.2 算例驗證分析

在CRPSO算法中，將總體大小設定為100，重復最多500次，操作設定為20次。計算非火力發(fā)電站時，風力和水力的輸出效能水平（圖5）。納入太陽能發(fā)電站時，風力、光熱和水力體系的共同調控成效水平見圖6。

圖5 風、水電輸出

圖6 風、光熱、水電輸出

從圖4開始，風力發(fā)生很大變化，最小數據數值為26 Mw，占總設置容量的7.2%，最大數據數值為289 MW，占總安裝容量的80.2%。峰值之間的差為263 MW，占已安裝容量的73%。水力發(fā)電站的輸出峰值與峰谷的差值為239 MW，占總安裝容量的36.7%。為彌補風力發(fā)電的變動和負荷頂峰的谷差連續(xù)性地調整水力，水力發(fā)電所就會面臨較大的壓力，這對發(fā)電站和系統(tǒng)都會帶來影響。從圖5中可以得知，追加了能儲存能源的光熱發(fā)電站后，風力發(fā)電輸出的高峰和谷差是199 MW，占總設置容量的55.2%。水力峰值與谷差為185 MW，占總裝容量的28.4%。風力發(fā)電站的輸出更穩(wěn)定，被廢棄的風量大幅度減少。水力發(fā)電輸出的變動也被有效地削減，大幅度強化了對應風力變動和負荷頂峰與谷差系統(tǒng)全體的能力。根據表4可以得知，追加CSP發(fā)電站后，整個體系的經濟效能收益大幅度提升，每日能增加23.796 3萬元。

表4 有無CSP電站經濟效益對比 單位：萬元

基于上述分析，風力-光能-熱能-水力發(fā)電系統(tǒng)的最佳調控機制和常駐粒子的聚合粒子群體算法應用于電力體系中能有效地補償風力隨機變動，顯著提升了風能驅動電力的效能水平。與此同時，將水力發(fā)電輸出的變動抑制到了最小限度，并大幅強化了容量。綜上，該系統(tǒng)可以有效地改善整個體系的經濟效能收益水平。

5 結論

為了對屬于清潔能源的風能資源和太陽能資源進行最大程度的運用，本研究利用了光熱發(fā)電站的能源儲藏功能來對風力的隨機變動進行平滑擬合，使用常駐粒子集聚粒子群體實現粒子優(yōu)化算法，對風力熱力系統(tǒng)進行研究，建立了最佳的調度模式并優(yōu)化了模型參數。模擬結果顯示，風力-光能-熱能-水力發(fā)電系統(tǒng)的最佳調控機制能夠對風能驅動電力的峰值差異實現平滑效應，確保電力體系在實際運行過程當中的安全性，這不僅最大程度地提升了電力體系接受風力的能力，同時還減少了水力發(fā)電站輸出的變動，有效地改善了整個電力體系的經濟效能收益水平。