考慮負荷與風電跟蹤備用的含可再生能源電網調度

賈 磊，段好運，牟光臣

（1.黃河水利職業技術學院，河南 開封 475004；2.商丘技師學院，河南 商丘 476000；3.河南工學院，河南新鄉 453003）

0 引言

目前，新能源大規模密集的發展超過了電網的消化能力，同時新能源的波動性和隨機性也加重了地區電網調控的壓力，常規水電、火電就地平衡的模式和調度方式已不能適應新能源運行控制的需求。因此需要建立全網消納、調控新能源的機制，尤其是考慮這類新能源機組的備用容量問題。含有風電和負荷的備用動態調度是解決機組出力與備用決策之間量化關系的主要手段[1]。文獻[2]提出了基于場景集的含風電電力系統的旋轉備用優化。而傳統的備用形式主要是以正負旋轉備用計及到優化模型中[3]，[4]。

在電網新能源調度優化層面上，新能源主要以綜合能源系統的形式出現。文獻[5]建立了計及用戶可響應負荷的區域多能源系統運行優化模型。文獻[6]提出一種削峰填谷優化調度模型，通過電轉氣和燃氣輪機協調作用平滑電-氣互聯綜合能源系統凈負荷曲線，并兼顧系統運行的經濟性。文獻[7]，[8]引入碳排放，提出了一種電-氣互聯綜合能源系統的聯合經濟運行模型，以綜合能源系統發電能源成本與碳交易成本之和最小為目標函數，綜合考慮了天然氣網絡和電力網絡的安全約束。文獻[9]探究了含有可再生能源系統的最優能量流的優化調度模型和算法。

目前對于這類調度問題的優化求解方法分為分析法、啟發式方法、智能人工算法等[10]。啟發式算法在求解這類問題時應用廣泛，主要包括對偶半定規劃[11]、粒子群（MOPSO）算法[12]、差分進化算法[13]等。這類方法已經較成熟，能夠在一般條件下得到最優解。

綜上所述，在目前已有研究中，針對負荷與風電場景的動態預測內容較詳細，但并未將機組備用水平與預測內容緊密聯系，沒有突出機組備用受波動性影響的程度。本文考慮動態負荷跟蹤備用量化，將負荷、風電的波動誤差以概率的形式計及到機組備用水平求解中，從而滿足調度的約束要求，得到最佳調度結果。

1 負荷跟蹤備用概述

調度機構需要在平衡電力系統功率的同時，確保電力系統能夠經受起干擾或者是重大事故。為此，調度機構需要管理一定量的備用，從而能夠應對平衡功率之外的電力突發事件。從總體上來說，備用產品在不同電力市場上具有多樣化屬性。調度機構可以在機組組合或經濟調度的同時，確定下一日系統備用的數量，從而保證足夠的系統可靠性水平。其中導致電力需要一定量備用的主要因素，包括機組停機等類型的系統擾動、可再生能源和負荷預測誤差、可再生能源和負荷的波動性。

另外一種不確定因素是傳輸過程中的線路損耗。這種不確定因素主要由于網絡安全約束導致，考慮到網絡的傳輸極限，需要滿足一定的備用條件，使得系統總的功率平衡不受影響。北美電力標準委員會NERC將備用分為以下幾類：調頻備用、頻率響應備用、旋轉備用、非旋轉備用和附加備用。

本文提出負荷跟蹤備用概念，主要是考慮到風電、光伏等波動性電源引起的備用問題。負荷跟蹤備用定義為在系統正常運行下，為滿足負荷需求不可預測變化以及風電、光伏等波動性能源發電出力不可預測變化而提供的備用。其響應速度在10 min級，持續時間一般在小時級以內。

具體來講，負荷跟蹤備用用于解決負荷以及可再生能源預測誤差導致的系統不確定性問題。日前機組組合中的凈負荷不確定性，可以依靠負荷跟蹤備用解決通過實時調度該備用滿足系統功率平衡的要求。負荷跟蹤備用需求的維度與調度周期的相關性不高，主要依賴于影響預測誤差的關鍵因素，例如風電功率預測超前時間。負荷跟蹤備用主要由調度中心進行人工操作，可以應用于離線機組和在線機組，并且響應速度較快。

2 負荷跟蹤備用計算方法

2.1 負荷跟蹤備用動態量化模型

式中：n為計算間隔內的量測或預測值，以1 a為計量，n=365×24×4=35 040；m為超前預測時間間隔數，本文考慮超前36 h，在原有時間基礎上為37×4=148。

根據上述量測值和預測值計算15 min為間隔的輸入矩陣，通過累加的方式可以得到相應時段的最終輸入值。

2.1.1 風電和負荷預測值

首先需要獲得歷史量測數據的基本信息，包括時間間隔等。一般來說，可以通過查閱數據庫等手段獲得系統負荷以及風電預測數據。這類預測數據一般在1 d內只計算一次，即在調度日前對負荷和功率進行24 h的預測。因此預測的時段比調度時段要領先若干小時。預測時間越超前，預測的誤差則越大，體現為標準方差越大。由于目前經濟調度是滾動調度模型，需要進行滾動優化，時間需要超前實際調度指令下達時間，因此需要對相應的靜態預測值以及動態預測值進行轉化，形成與模型輸入要求時間尺度相一致的預測水平。預測誤差示意圖如圖1所示。

圖1 風電功率預測超前時間與預測誤差Fig.1 Wind power forecast lead time and forecast error illustration

①從預測值中減去與靜態預測值偏離的均值誤差。調整后的24 h靜態預測值的精度從小時級轉化為分鐘級，可以通過插值法實現，最終得到1 d內96點的靜態預測值。則預測誤差也從量測值中減去預測值得到。

②風電功率預測誤差會隨著預測時間的提前而增大，通過調整風電預測誤差計算時間可以減小這一誤差。通過更新后的風電預測誤差與相應量測值求和的結果可以得到新的預測值。這一過程應用于所有時間間隔n和所有預測超前時間m情況下，得到n×m的矩陣。負荷預測的過程同該方法。

2.1.2 預測誤差分類

動態備用量化基于負荷和風電功率預測誤差的非參數分數得到，主要依靠歷史數據等。預測誤差是從15 min量測值減去點預測值得到的。即：

為提高動態備用量化效率，對誤差進行分類。

①負荷預測誤差。負荷預測誤差的分布主要與兩個因素相關，預測超前時間和預測發生時間。負荷預測誤差與預測超前時間呈正相關，并且與日內誤差改變分布相關。這主要是由于負荷具有日變化特性以及可再生能源出力的分布等因素造成的。因此，負荷預測誤差分為超前時間類和預測時間類，分別有m=148和d=96種可能，得到m×d的矩陣。最終，根據概率密度函數和累積分布得到誤差值。

②風功率預測誤差。風功率預測誤差也分為兩種影響因素，預測超前時間和風電功率預測水平。風電預測時間越超前、風電功率輸出誤差分布改變量越大，則預測誤差越大。因此，風電功率預測誤差分為超前時間類和風功率預測水平類，分別有m=148和k=5類，得到m×k的誤差矩陣。最終，通過相應的概率密度函數和累積分布函數得到誤差值。

2.1.3 負荷跟蹤備用需求量化方法

圖2 動態備用量化示意圖Fig.2 Dynamic reserve quantization schematic

凈負荷預測誤差的概率密度函數與負荷和風功率預測誤差有關。由于負荷和風功率預測誤差分為不同類型，因此凈負荷預測誤差也分為3類，即超前時間m、時間d和風功率預測水平k。預測誤差利用卷積進行計算，即：

從上述分析得知，某一時段的備用需求為該時段預測超前時間、預測時間以及預測風功率的函數，并且以動態備用需求的更新頻率進行變化，一般為15 min。

2.2 不確定性建模

為描述用電負荷的不確定性，選用高斯分布函數。其表達式如下：

負荷預測值設為函數的均值，標準偏差為2%。另外，分布參數考慮隨機分布，利用蒙特卡洛模擬生成不確定參數。

3 含備用量化約束的機組調度模型

本文所提調度模型為含有連續變量和二進制變量的混合整數線性規劃。連續變量包括機組出力、傳統機組備用容量等；二進制變量包括機組啟停狀態。約束條件包括等式約束和不等式約束，具體為運行出力約束、爬坡約束、系統功率平衡約束和備用約束等。本文考慮負荷以及風電出力的不確定性，因此與負荷相關的備用具有較高的可靠性。

本文模型是單目標優化，利用粒子群算法進行求解，求解方法不再展開。

3.1 目標函數

確定性機組組合聯合經濟調度模型的目標函數為最小化運行成本（燃料成本、啟停成本和備用成本）、削減移峰填谷成本和棄風成本。

3.2 約束條件

3.3 備用約束條件說明

利用負荷跟蹤備用（圖3）研究負荷以及風電出力預測值不確定性的影響，約束確保系統上備用和下備用的最大出力在時間k內完成，機組只能夠在可調度狀態下進行備用操作，約束確保總系統上備用和下備用需求。值得注意的是，快速啟動機組可以不提供備用。考慮到這種簡化，不需要額外的變量對非備用機組進行建模。

圖3 負荷跟蹤備用Fig.3 Illustration of load following reserve

本文假設風電出力可以提供下備用容量，并且其成本等于棄風成本，棄風電量可以用于提供實時備用運行。通過相應的人工變量松弛下備用約束，能夠滿足傳統機組對于下備用需求優先性的要求。可調度棄風電量以及風電下備用電量利用風電預測水平進行估計。

4 算例分析

4.1 系統說明

本文選取IEEE30節點系統[14]進行仿真分析，如圖4所示，仿真環境為MATLAB2014b。其中機組數據如表1所示。

圖4 IEEE30節點系統接線圖Fig.4 IEEE30 node scheme

表1 機組數據Table 1 Unit data

圖6 風機出力Fig.6 Output of wind generation

系統負荷、風電功率數據如圖5，6所示。傳統機組在負荷低谷時的調度可能會導致負荷削減。這是由于機組在負荷增長較快時無法迅速達到負荷變化的爬坡速率。兩種模型均為滾動優化。備用需求水平的置信水平為95%，利用動態備用量化方法進行計算。計算頻率為15 min，并且基于負荷和風電功率預測誤差和更新的備用需求確定調度結果。

圖5 電力負荷需求Fig.5 Electricity demand

在初始條件下，基礎場景利用預測模型作為衡量標準。初始預測情景利用負荷以及風電功率預測的水平進行確定性調度，因此調度結果不具有負荷跟蹤備用的特性。緊接著，根據不同的備用水平場景進行調度求解。本文置信水平分別為70%，80%，90%和95%。

4.2 算例分析

①機組調度結果

考慮置信水平為95%的情況，仿真得到各機組的總時段內出力，如圖7所示。

圖7 情景1機組電能出力Fig.7 Electricity output for scenario 1

由圖7可以看出，G1機組在6時之后出力保持穩定，而兩組風機出力均呈現較大波動性。

根據目標函數的計算結果得到的系統成本如表2所示。

表2 系統成本Table 2 System cost

②備用結果

模型利用負荷以及風功率點預測值對負荷跟蹤備用進行調度，在這個過程中，需要利用備用量化方法。得到不同置信水平下的備用功率結果，如圖8所示。

圖8 情景2 Pareto前沿Fig.8 Pareto front set in case 2

通過曲線的形狀分析可知，備用曲線與負荷需求曲線的走勢一致，表明負荷高峰時期備用水平較高。

通過備用水平與計算成本分析可知，對備用水平較高的系統進行調度，由于備用需求的增加，降低了風電削減成本和負荷削減成本，同時也增加了燃料成本和機組啟停成本，從而使系統的經濟性變差。

5 結論

本文研究了考慮動態備用量化的含可再生能源調度，通過備用量化方法確定了機組的備用水平。根據仿真結果，得到如下結論。

①不同置信水平下的備用需求有所差異，隨著備用水平逐漸提升，備用功率也逐漸上升，在整個調度周期內，備用需求始終大于凈負荷預測以及凈負荷實際需求。

②備用水平與風力發電成本以及棄風功率有著密切聯系。備用水平逐漸上升時，風電削減成本逐漸下降，考慮到備用水平主要來自于部分風力發電機組，風電利用率有所上升，從而導致風電棄風成本下降。但這類發電資源的不確定性會導致燃料成本以及啟停成本有所上升。

③機組出力和機組備用的關系密切，需要結合電價和能源價格進行分析。