考慮源荷功率不確定性的海上風力發電多微網兩階段優化調度

陸秋瑜， 于 珍， 楊銀國， 李 力

(廣東電網有限責任公司電力調度控制中心，廣州 510060)

能源短缺、環境污染、氣候變化促進了以可再生能源為核心的能源革命發展[1].根據國家政策要求，到2030年，我國非化石能源占一次能源消費的比率將達到25%左右，風力發電(以下簡稱風電)、太陽能發電總裝機容量將達到1200 GW以上.二氧化碳的排放量將于2030年前達到峰值，并于2060年前實現碳中和.上述要求明確了我國新時代能源發展的方向[2].而海上風電作為一種運行效率高、輸電距離短、就地消納方便、適宜大規模開發的清潔能源，是實現我國新時代能源發展目標的重要措施.截至2019年年底，我國海上風電累計裝機6.42 GW，其容量還有待進一步提升[3].

海上風電一般分布于不同島嶼或不同海域，其系統集成與電力傳輸一般以多微網的形式實現[4].每個海上風電多微網系統包括多個微電網. 每一個微電網對應于一個島嶼或者一片海域的海上風電系統.目前，制約海上風電多微網發展的因素主要有兩方面：① 本地負荷需求低和輸出能力有限限制了風電資源消納率[5]；② 接入主電網功率與電網電價曲線不匹配，降低了運行經濟收益[6].

在風電資源消納方面，目前的研究主要采用光熱電站、儲熱裝置和儲電裝置來吸收不能消納和難以送出的風電資源，并在電力需求高的時候，釋放這些資源，從而提升風電資源的整體消納率.文獻[6]基于光熱電站，提出一種促進風電消納的源-荷聯合優化調度.文獻[7]以受阻風電消納量最大和蓄熱電鍋爐用電成本最小為目標，建立了蓄熱電鍋爐參與受阻風電消納的源荷優化控制模型并進行求解.文獻[8]基于電解制氫技術，將氫能經濟引入電力系統，從而促進風電資源的消納.文獻[9]提出基于“負荷-電價”的熱電聯產系統風電消納策略，從而緩解“三北”地區冬季供暖期棄風嚴重的問題.上述研究均考慮單個微電網中風電消納情況，并未考慮多個微電網之間能量傳輸關系.

在運行收益方面，目前的研究主要利用儲能裝置，根據電網電價調節微電網的出力曲線以提高運行收益.文獻[10]提出一種海上風電與海蓄聯合運行多時間尺度優化調度方法，通過協調海蓄與彈性負荷的出力水平，最大化消納海上風電的同時提高經濟收益.文獻[11]提出一種電池儲能系統與風電場協同參與電力市場的經濟調度方法.文獻[12]利用滾動時域控制算法優化應用于風電場的儲能容量和運行策略.上述研究均以日前確定性優化和實時動態優化為基礎，無法充分考慮風電和負荷的源荷功率不確定性.

考慮到現有研究的局限性，本文基于風電出力和負荷功率的源荷功率不確定性，提出適用于海上風電多微網的兩階段優化調度方法.在日前階段，所提方法根據日前風電出力和負荷功率預測數據，制定燃油發電機組組合計劃和電池荷電狀態值，從而最大化日運行收益的期望值；在時前階段，根據時前風電出力和負荷功率預測數據，制定燃油發電機組出力、風電機組出力和電池儲能充放電功率，從而最大化每小時運行收益.與現有研究相比，本文的主要創新點如下：① 考慮了多個海上微電網之間的能源互補，通過微電網之間的能量傳輸以及微電網與主電網之間的能量傳輸，提高整體運行收益，提升風電消納率；② 建立兩階段隨機優化模型，充分考慮海上風電多微網源荷不確定性，充分利用不同階段的源荷功率預測結果，最大化海上風電多微網的整體運行收益；③ 在源荷功率預測結果的基礎上，考慮了預測誤差分布模型，并通過蒙特卡洛抽樣和同步回代場景縮減方法，構建隨機優化場景.

1 海上風電多微網兩階段優化調度

海上風電多微網系統的基本架構如圖1所示.海上風電多微網系統包含多個微電網系統.不同的微電網系統之間通過直流線路進行連接.多個微電網集成后，最后通過陸地微電網接入主電網.每個微電網系統包括風電機組、燃油發電機組、電池儲能和本地負荷.海上風電多微網系統既可以通過本地風電、燃油發電和儲能系統進行供電，也可以從主電網購買電能支撐本地負荷的需求.

圖1 海上風電多微網基本架構Fig.1 Basic framework of offshore wind-power-integrated multi-microgrid

基于上述海上風電多微網基本架構，本文所提的兩階段優化調度方法基本流程如圖2所示.

分析圖2可知，所提兩階段優化調度方法包括日前和時前兩階段.在日前階段，制定不同調度間隔的燃油發電機組組合計劃和電池儲能荷電狀態值；在時前階段，基于日前階段決策結果，依托時前風電出力和負荷功率的預測數據，制定燃油發電機組出力、風電機組出力和電池儲能充放電功率的具體值.

圖2 兩階段優化調度方法Fig.2 Two-stage optimal scheduling method

2 日前隨機優化調度

2.1 隨機優化場景構建

由于風電輸出功率受天氣的影響[13]，負荷功率受用戶行為的影響，具有很強的不確定性和隨機性[14]，所以其預測結果存在一定誤差[15]，其誤差分布可用高斯分布模型進行描述[16].典型的風電和負荷誤差分布模型如圖3所示.圖中：fWT為風電出力預測誤差的概率密度；uWT為風電出力預測誤差；fEL為負荷功率預測誤差的概率密度；uEL為負荷功率預測誤差.

圖3 預測誤差分布Fig.3 Distribution of prediction error

基于上述預測誤差模型，構建隨機優化場景，過程如圖4所示.

圖4 隨機優化場景構建過程Fig.4 Scenario construction process for stochastic optimization

由圖4可知，隨機優化場景構建步驟如下：① 基于預測與運行數據，構建預測誤差模型；② 基于預測誤差模型的參數，利用蒙特卡洛抽樣方法，得到隨機抽樣場景初始樣本；③ 采用同步回代場景削減方法[17]對生成的初始樣本進行削減；④ 記錄削減后的場景及其發生概率，生成最終用于隨機優化的場景.

2.2 優化目標

日前隨機優化調度所考慮的優化目標為最大化日運行收益期望值.日運行收益可由售電收益、燃油發電機組的運行與啟停成本、風電機組運行成本和電池儲能運行成本計算得到，具體計算過程如下:

max (-CDG_stup+

(1)

(6)

2.3 約束條件

約束條件如下：

3 時前動態優化調度

時前動態優化調度是在日前制定的燃油發電機組組合計劃和電池儲能荷電狀態值基礎上，根據每小時前的風電出力和負荷功率預測數據，制定每小時的燃油發電機組出力, 風電機組出力和電池儲能充放電功率，最大化每小時的運行收益.

3.1 優化目標

(20)

3.2 約束條件

約束條件如下：

(31)

4 算例與結果分析

本文基于5節點海上風電多微網架構對所提的兩階段優化方法進行驗證，測試模型結構如圖5所示.圖5中，微電網1到微電網4均未與主電網相連，只有微電網5與主電網相連.

圖5 測試模型基本架構Fig.5 Basic framework of testing model

測試模型中，電網電價[18]如圖6所示.燃油發電機組參數[19]、聯絡線功率約束及電池儲能參數[20]分別如表1、2及3所示.風電機組單位能量運行成本為0.01元/(kW·h).

圖6 電網電價Fig.6 Electricity price

表1 燃油發電機組參數Tab.1 Parameters of diesel generator

表2 聯絡線功率約束Tab.2 Limits for tie-line power

表3 電池儲能參數Tab.3 Parameters for battery energy storage

日前隨機優化模型中，風電機組出力和負荷功率的預測數據如圖7所示，其預測誤差[16]如表4所示.在圖7所述的日前預測數據和表4中所述誤差模型參數的基礎上，采用蒙特卡洛算法抽樣200個場景，并用同步回代方法[17]將場景縮減至50個，記錄對應的場景和概率數據，代入隨機優化模型制定燃油發電機組組合計劃和電池荷電狀態值.

圖7 日前預測數據Fig.7 Day-ahead forecasted data

表4 風電和負荷的預測誤差Tab.4 Prediction error for wind and load power %

時前優化模型中的風電出力和負荷功率的預測數據如圖8所示.

圖8 時前預測數據Fig.8 Hour-ahead forecasted data

在上述數據和參數基礎上，所建立的日前隨機優化模型和時前優化模型均依托MATLAB和YALMIP平臺[21]，利用GUROBI求解器[22]進行求解.

4.1 兩階段優化調度結果

4.1.1日前隨機優化調度 利用日前隨機優化調度制定燃油發電機組組合計劃和電池儲能荷電狀態值，其結果如圖9和10所示.

圖9 燃油發電機組組合計劃Fig.9 Unit committee of diesel generators

圖10 電池儲能荷電狀態Fig.10 State-of-charges for battery energy storages

4.1.2時前動態優化調度 時前動態優化調度制定了燃油發電機組和風電機組的出力值、電池儲能功率值、微電網聯絡線功率值以及多微網與主電網聯絡線功率值，其具體結果分別如圖11～13所示.圖12中，電池功率為正，電池處于充電狀態；電池功率為負，電池處于放電狀態.圖13中，功率為正時，多微網向主電網釋放功率；功率為負時，多微網從主電網吸收功率.

圖11 燃油發電機組和風電機組的出力Fig.11 Output power of diesel generators and wind turbines

圖12 電池儲能功率Fig.12 Power of battery storages

圖13 微電網和主電網的聯絡線功率Fig.13 Tie-line power of microgrids and main grid

分析圖6和圖12可知，電池儲能在電網電價較低時充電，在電網電價較高時放電.分析圖6和圖13可知，電網電價越低，多微網從主電網吸收的功率越高，向主電網釋放的功率越低；電網電價越高，多微網從主電網吸收的功率越低，向主電網釋放的功率越高.不同微電網之間總能量交互情況如表5所示.

表5 微電網間能量交互Tab.5 Energy interaction between microgrids kW·h

由表5可知，微電網之間通過能量交互實現整個日運行周期內的收益期望最大化.由于微電網3中的風電機組功率最高，且負荷功率較低，在整個運行過程中，微電網3釋放能量，而其他微電網則主要以吸收能量為主.

4.2 優化結果對比

本文通過對比非優化調度、日前確定性優化調度和時前動態優化調度的結果，驗證所提方法的優越性.其中，非優化調度方法是指不對燃油發電機組和電池儲能進行調度；日前確定性優化調度方法是指根據日前預測數據制定24 h的燃油發電、風電與儲能的運行方案；時前動態優化調度方法是指根據時前預測數據制定每小時的燃油發電、風電與儲能的運行方案.在驗證中，利用蒙特卡洛方法抽樣出200個運行場景，計算運行收益與風電消納率的期望值，其結果如表6所示.

如表6所示，與非優化調度方法、日前確定性優化調度方法和時前動態優化調度方法相比，所提兩階段優化方法可提高63.03%、5.32%及9.26%的收益期望值，并提高45.94%、2.30%及0.90%的風電消納率期望值.

表6 優化結果對比Tab.6 Comparison of optimization results

5 結論

本文提出海上風電多微網兩階段調度方法.在日前階段，該方法根據日前預測數據，通過隨機優化，制定燃油發電機組組合計劃和電池儲能荷電狀態值，最大化運行收益的期望值.在時前階段，該方法根據時前預測數據，制定燃油發電機組、風電機組和電池儲能的功率值.在此基礎上，依托5節點海上風電多微網系統，對所提方法進行驗證.基于驗證結果，可以得到以下結論：

(1) 與非優化調度方法相比，所提方法可以在高電價階段釋放更多的電能進入主電網，在低電價階段從主電網吸收更多的電能.因此，所提方法顯著提高了收益期望值.同時，所提方法可以在風電出力大于負荷需求和主電網接收能力時，通過儲能吸收多余風電出力，從而降低棄風率，顯著提高風電資源的整體消納率.

(2) 與日前確定性優化調度方法相比，所提兩階段優化方法考慮了風電出力和負荷功率的不確定性，因此具備更高的運行收益和風電消納率.

(3) 與時前動態優化調度方法相比，所提兩階段優化方法在日前階段考慮了電網電價分時特性和風電出力與負荷功率不確定性的統計規律，因此能提高運行收益和風電消納率.

本文主要針對預測誤差符合高斯分布模型的海上風電多微網調度問題進行研究，對于預測誤差符合其他模型的問題，所提的兩階段優化調度方法依然適用.但針對具體問題，尚需結合具體模型進行更細致的研究.