考慮破壞深度和發電保證率的水風光互補調度規則研究

景 含,陳 翔,孟洪文,劉本希*

( 1.大連理工大學水利工程學院,遼寧 大連 116024;2.水利部珠江水利委員會珠江水利綜合技術中心,廣東 廣州 510611;3.云南大唐國際李仙江流域水電開發有限公司,云南 普洱 665000)

隨著“3060”雙碳目標的提出,中國可再生能源取得了快速發展,成為全球可再生能源容量增長的主要推動力之一[1]。充分利用水、風、光可再生能源是構建新型電力系統和實現雙碳目標的重要途徑。然而,風、光電源出力的隨機性對電網安全穩定運行提出了極大的挑戰。水電作為啟停迅速、運行靈活、技術成熟的優質電源,風、光高速發展背景下,開展水、風、光聯合調度研究對于提高清潔能源發電效益和電力系統安全穩定水平具有重要意義[2]。

考慮到風光出力的不可控性,水風光互補調度是在電網安全運行的前提下,最大可能地挖掘互補調度的優勢和潛力,提高總體發電效益。目前,水風光短期互補調度主要是平抑風光出力波動性,而中長期調度則是側重系統的發電效益[2]。謝航等[3]提出水風光短期互補調度策略,從“源源互補”和“源荷匹配”2個角度構建模型,分別采用花粉算法與逐步優化算法優化求解,最后通過分析互補效果,總結水風光短期調度策略;孫藝軒[4]基于水風光互補特性提出等效電站模型,并將等效電站模型與等效負荷模型進行對比討論,驗證了等效電站模型在調峰效果與風光負荷平抑方面的有效性。

大規模風、光并網之后,水電將逐步由傳統電源轉變為調節電源[5],傳統的水電調度規則將不再適用[6-7],因此需要研究適用于風、光大規模并網后的水風光聯合調度規則。已有部分學者開展了水電與新能源聯合調度規則研究。沈筱等[8]建立了以系統發電量最大為目標的水風光長期互補調度模型,通過BP神經網絡提取調度規則,并驗證了該規則能較好地保留互補系統的發電效益;魏獲晴[9]針對大規模風光并網擠占通道問題,提出了考慮輸電斷面限制、季調節以上水電站主調模式下的水風光長期互補優化調度模型,通過實例分析驗證所提模型能夠增加系統總的發電量,提高送電通道的利用率。然而,水、風、光的發電能力均易受天氣影響,極端氣候條件下將嚴重威脅電力系統安全穩定運行。如2022年中國川渝地區遭遇了干旱和持續高溫,造成水電站出力的深度破壞,地區用電極度緊張的情況。因此,水風光聯合調度規則在滿足發電保證率的同時[10],還需要避免氣候影響條件下出力深度破壞。

為此,本文提出了考慮發電保證率和出力破壞深度的水風光長期聯合調度模型。將發電保證出力要求處理成0～1變量,考慮系統破壞深度系數以限制極端破壞,并采用混合整數非線性規劃模型進行求解。通過對長系列歷史數據進行模擬調度得到訓練樣本,利用神經網絡學習得到調度規則[8-9]。通過對西南某流域下游梯級水電站及風、光電源實例研究表明,本文所得調度規則能夠得到良好的發電效益,滿足發電保證率要求,并避免出力深度破壞。

1 水風光長期互補優化調度模型

1.1 目標函數

將地區并網的風電、光伏電源分別考慮為一個整體,建立以水風光發電量最大為目標的模型,目標函數為:

(1)

1.2 約束條件

水量平衡約束:

Vi,t+1=Vi,t+(Qi,t-qi,t)Δt

(2)

式中Vi,t、Vi,t+1——第i座水庫t時段初、末的蓄水量,萬m3;Qi,t——第i座水庫t時段的入庫流量,m3/s;qi,t——第i座水庫t時段的出庫流量,m3/s。

出庫流量約束:

(3)

發電流量約束:

(4)

梯級水庫之間的聯系:

Qi+1,t=QJi+1,t+qi,t

(5)

式中 QJi+1,t——第i座水庫與第i+1座水庫t時段的區間入流量,m3/s。

水電站出力約束:

(6)

水位約束:

(7)

輸送通道容量約束:

(8)

式中Amax——外送通道容量限制,MW。

發電保證率約束:

(9)

其中:

(10)

式中Np——水風光聯合保證出力;β——發電保證率;bt——判斷是否滿足保證出力的0～1變量。

破壞深度約束:

(11)

式中α——水風光聯合保證出力破壞深度系數。

1.3 風光出力

1.3.1風電出力估算

風能估算方法眾多,有采用數理統計來預測風電功率的方法[11];還有根據風機功率-風速關系曲線得到的風頻率法[12]。本文參考菲利普貝特計算風電功率的方法[13-14],該方法計算方式簡便,并且所需數據較少,容易獲取。該方法認為風速達到“切入”風速時,風力發電機開始供電;當風速達到額定功率風速時,發電機以額定功率發電;當風速大于“切出”風速時,風力發電機停止供電。具體計算見式(12):

(12)

式中 NWt——t時段的風電出力,MW;vt——t時段的風速,m/s;IW——風電裝機;vcut-in——切入風速;vcut-off——切出風速;vrated——額定風速。

1.3.2光伏出力估算

光伏發電是一個多變量耦合的非線性的隨機過程,光照強度、日照時數、環境溫度、組件溫度以及氣壓、濕度等都會對光伏功率產生影響[15]。本文采用傳統的光伏出力估算方式,認為光伏輸出主要與光伏組件的性能、輻射強度和溫度有關[14],計算式如下:

(13)

(14)

式中 NPstc——標準條件下光伏板的額定輸出功率;Rstc——標準條件下的輻射強度;TPnoc——光伏板的額定工作溫度;TPstc——標準條件下的溫度;Rt——周期t的實際輻射強度;α——光伏板的功率溫度系數;TPt——光伏板在周期t的實際溫度;Temt——t時段氣溫。

2 調度規則提取

2.1 神經網絡

2.1.1BP神經網絡

BP神經網絡是一種前饋神經網絡,能夠基于數據樣本之間的特征,提取之間的規律并進行記憶處理。BP神經網絡已經在水電調度規則[16]、水力發電預測[17]、徑流預報[18]等領域得到了廣泛應用。本文采用BP神經網絡對多能互補長期歷史數據模擬調度進行挖掘,提取聯合調度規則。首先,把模擬調度數據分為訓練集、驗證集,并采用交叉驗證來避免固定劃分數據集的局限性和特殊性。通過確定性系數來判斷模型的準確度,并且進一步通過量化指標均方根誤差RMSE和平均絕對誤差百分比MAPE來評判神經網絡的擬合精度。

2.1.2輸入層和輸出層

根據優化調度模型結構及計算過程,考慮到需要統計各種調度方式下的出力結果,本文將水庫的出力作為神經網絡的輸出層。初步認為時段初各水庫水位、區間流量以及上游電站的出力、接入的風光出力都會對決策變量產生影響,并通過灰色關聯分析進一步篩選。

2.1.3輸入輸出數據處理

為了便于不同單位或量級的指標能夠進行比較和加權,需要將數據進行歸一化處理,因此,本文對輸入輸出數據進行歸一化處理來為后續神經網絡的訓練提供基礎。

2.2 基于灰色關聯分析的輸入因子篩選

灰色關聯分析是指對變量和影響因素之間的相關程度進行分析從而評判出影響因素主次關系的一種方法。灰色關聯度分析對于一個系統發展變化態勢提供了量化的度量,非常適合篩選影響因子。本文采用灰色關聯分析方法篩選神經網絡輸入因子,具體步驟如下:①確定分析數列,反應系統行為特征的定為參考數列,影響系統行為的定為比較數列;②變量的無量綱化;③計算關聯系數;④計算關聯度;⑤關聯度排序,關聯度越大,比較數列對參考數列的影響越大。

根據上述分析,本文總體求解流程見圖1。

圖1 總體求解流程

3 實例分析

3.1 工程背景

本文以中國西南地區A省某流域的梯級水庫群為實例研究對象,PS1、PS2、PS3、PS4、PS5、PS6為該流域已建成的6級電站。其中,PS2、PS5分別具有不完全多年調節和多年調節能力,其余僅進行日調節或者季調節。本文以PS2、PS5為典型工程,考慮該流域周邊接入的風能、太陽能資源進行聯合優化調度。其中PS2、PS5主要參數見表1。

表1 PS2、PS5主要水能參數

3.2 風、光出力計算

為推動綠色電源建設,優化能源結構,A省布局建設新能源,目標在“十四五”期間新增“800萬千瓦風電+300萬千瓦光伏”,本文考慮A省研究流域周邊規劃的2 000 MW的風電和750 MW的光伏。在出力估算方面,從ERA5獲得從1979—2018年每天的小時再分析氣象數據,通過1.3所述方法計算風電、光伏逐小時平均出力,并統計得到1979—2018年每月平均風電、光伏出力,以及多年風光平均出力(圖2)。從圖2可知,風電出力在1—3月較大,4—10月逐漸下降,隨后從9月開始進入秋冬季風電出力又開始增大。光伏出力從1—4月逐漸上升,4—12月逐漸下降。

a)風電

3.3 歷史數據模擬調度結果

本文采用1979—2018年電站實際來水以及3.2節估算的風光出力進行模擬調度,其中系統保證出力為水電保證出力加上10%的風光裝機,破壞深度系數為0.6,發電保證率為90%。從第2節所建立的模型中可知,由于水電的水位庫容關系曲線、尾水位泄量曲線屬于非線性約束,并且計算保證率的時候還引入0～1變量,因此屬于混合整數非線性規劃模型,本文采用Lingo 18.0進行求解。圖3a、3b、3c分別展示了PS2、PS5模擬調度多年平均水位變化過程和出力過程,表2展示了水風光互補運行模式下多年平均發電情況。

a)PS2水位過程

從圖3c可以看出11月至次年5月風、光電出力較高、水電出力較低;而在5—10月,水電來水較大,出力較高,而風、光電出力則較低。從圖3a、3b可知,PS2、PS5均充分發揮了良好的調蓄作用,汛前騰出庫容,而汛期快速提高水位,給風、光留出輸電通道,避免棄水。總體上,水、風、光之間實現了良好的季節互補性。從表2可以看出,水風光聯合調度多年平均發電量為510.44億kW·h,并且通過水風光聯合調度能滿足90%的發電保證率要求和避免系統深度破壞,因此水風光聯合優化調度能保持更好的發電效益同時充分促進清潔能源的消納。

3.4 調度規則提取

3.4.1輸入和輸出的選擇

表3 PS2灰色關聯系數結果

表4 PS5灰色關聯系數結果

表5 PS2、PS5神經網絡輸入層和輸出層選擇

3.4.2調度規則提取

結合3.3歷史數據模擬調度結果,通過3.4.1篩選出的輸入和輸出帶入BP神經網絡進行訓練,訓練占比設為0.7,交叉驗證設為5折。具體的訓練評價指標結果見表6、7。

表6 PS2神經網絡擬合結果

表7 PS5神經網絡擬合結果

從表中可知,PS2、PS5網絡測試集的均大于0.8,MAPE基本都低于10%,說明模型的擬合準確度較高。因此,模型的訓練結果較好,可以用來指導進一步的模擬調度。

3.5 不同方案結果分析

為了驗證所提方法的有效性,根據歷史數據模擬生成40 a的梯級來水,模型的發電保證率設置為90%,破壞深度系數設置為0.6,對以下3種不同方案進行對比分析。方案1:理想情況下考慮破壞深度和發電保證率的水風光聯合優化調度;方案2:通過神經網絡提取的調度規則進行的模擬調度;方案3:基于調度圖的傳統調度。

3.5.1不同調度方案對比分析

表8展示了3種方案對應的發電量以及保證率、最低破壞出力和棄水情況,圖4展示了3種方案下PS2、PS5的水位及出力過程。從表8可知,理想調度得到的發電量最大,并且保證率和最低破壞出力都能滿足設計要求,基于神經網絡調度規則得到的發電量、保證率、最低破壞出力和棄水量次之,但是與理想調度方案結果差異不大,而基于常規調度圖得到的發電量最小且保證率和最低破壞出力都不理想。

表8 3種調度方案結果對比

a)PS2水位變化過程

從圖4a、4c可以看出PS2、PS5在優化調度和模擬調度中枯期的水位均高于傳統調度。這是由于在枯期風、光出力較大,傳統調度模式下為了滿足發電保證率要求,水庫在枯期需要大量放水發電從而導致運行水位較低;而在水風光聯合調度時,風光出力較大的枯期水電可以適當地降低出力,從而將平均值維持在高水位運行。

水風光聯合調度模型以聯合發電量最大為目標,同時考慮了斷面限制。為了提高總體發電效益,減少棄水、棄電,水電在汛前盡量降低水位,為汛期充分消納風、光騰出空間。在汛期來水最大階段,從圖5中1倍風光裝機情況下不同年份6、7月出力也可以看出,7月有多次達到了斷面上限,因此7月的棄電壓力很大。在斷面限制條件下,為了避免棄水、棄電,具有良好調節性能的PS2、PS5的水位會快速提升,特別是PS2,充分發揮龍頭水庫的調蓄作用,在這2個月大幅抬高水位,減少梯級總體出力,從而減少棄水、棄電。對于下游的PS5,為了充分利用梯級間協調作用,同時提高斷面利用率和總體發電效益,相應的水位提升不如PS2明顯,因此優化調度和模擬調度模式下的PS2在7、8月的初水位會高于傳統調度模式,而PS5則可能低于傳統調度。

a)PS2

a)6月

從表8可知,傳統調度模式下,僅考慮水電的保證出力要求,未考慮水風光系統保證出力要求,在風、光出力較低的時段,僅按照水電保證出力發電時無法滿足總體保證出力要求,因此傳統調度模式下得到的保證率遠低于考慮水風光互補運行模式下的保證率,出力破壞深度也高于互補運行模式下的破壞深度。

總體上,模擬調度方案下的系統總發電量、水位過程以及出力過程均與理想聯合調度方案的結果較接近,并且得到的發電量、系統保證率以及最小破壞深度均高于傳統調度結果。因此,風光水聯合優化調度基礎上提取的調度規則,可較好地保證總體發電效益。

為探究6級電站的調度規律和PS2、PS5聯合調度的規律是否一致,本文進一步通過6級電站的調度結果進行分析,由于日調節、季調節電站調蓄能力有限,在本次模擬調度中不參與調蓄,因此在PS2和PS5調度結果的基礎上進行模擬,具體調度結果見表9。

表9 6級電站多年平均發電情況

從表9可以看出,優化調度模式下的6級電站總發電量最大,多年平均發電量能夠達到714.73億,比模擬調度模式高1.45%,比傳統調度模式高3.35%,但是由于日調節和季調節電站調蓄能力有限,雖然通過水風光聯合調度,優化調度和模擬調度相較于傳統調度在發電效益上確有提升,但是提升程度不如PS2和PS5兩個年調節電站大,因此PS2和PS5能夠通過水風光聯合調度提升發電效益,具有良好的代表性。此外,通過6級電站的調度情況可以看出,本文提取的調度能夠較好地滿足發電效益,保證率遠高于傳統調度的61%,且系統發電保證出力要求都要高于3 640 MW(6級電站聯合調度下的最低出力要求),因此6級電站調度情況和PS2、PS5聯合調度結果相符。

3.5.2風光對調度規則的影響

從3.5.1中可以看出風光能夠影響水庫的蓄水策略從而影響發電量,因此針對PS2、PS5探討接入不同規模風光下的水位變化過程。圖5a、5b展示了接入“十四五”規劃裝機(1倍)、1.5、2、3、4倍規劃裝機還有單獨運行水電(不考慮風、光電源)時,通過優化調度模型得到的PS2、PS5的水位過程。從圖中可以看出,在接入風光規模0～2倍時,隨著風光接入的增加,PS2的水位在11月至次年4月逐漸增抬升,這是因為此時水風光外送通道容量相對充足,在滿足系統發電保證率和破壞深度約束的前提條件下,風、光裝機越大,出力越大,水電可以相應的減少出力,讓水庫保持高水位運行來滿足發電效益。結合圖6,當風光裝機達到3～4倍時,水風光系統出力在多年6月皆接近通道上限,因此可以看出水電與風光外送通道競爭激烈,為了減少汛期棄水,水庫需要提前消落水位,從圖5a、5b也可以看到接入風光裝機規模3、4倍時,PS2與PS5在4—6月和枯期的水位相對于1倍風光裝機規模都要更低。

此外,通過表10可以看出,系統的多年平均發電量會隨著接入風光規模的增加而增加,但是增加幅度逐漸減少,0～1、1～2、2～3、3～4倍多年平均增加電量分別為61.18、60.57、59.36、58.41(億kW·h)。這是因為隨著風光裝機的增加,水電與風光外送通道的競爭愈發激烈,棄電量逐漸增加,增加單位風光裝機對應的邊際效應逐漸減小。因此,也建議在發展風光電站的同時擴大外送通道,避免造成大量棄水棄電。

表10 不同倍比風光接入下的多年平均發電量

3.5.3破壞深度和發電保證率對規則的影響

方案1模型中的破壞深度系數為0.6,發電保證率為90%,在方案1的基礎上取消這2個約束,采用相同來水及風光數據形成方案5,通過對比2個方案的系統多年平均電量、違反破壞深度約束時段數、滿足發電保證出力時段數來探究破壞深度和發電保證率約束對調度規則的影響,具體結果見圖7、表11。

圖7 考慮破壞深度和發電保證率約束前后聯合調度系統出力

通過圖7和表11可以看出,在考慮了破壞深度和發電保證率約束的模型中,得到的系統總發電量略低于不添加的模型,但是并沒有出現深度破壞的情況,同時考慮了約束的模型中發電保證率能達到90%,遠高于不加約束模型的65%。因此,在水風光聯合調度模型中考慮破壞深度和發電保證率能夠避免系統出現深度破壞,同時也能滿足所規定的發電保證率,保障電網安全穩定運行。

4 結論

本文針對中國風電、光伏大規模并網的能源轉型發展形勢下,傳統水電調度規則難以適用,需要逐步轉變為新型電力系統中水風光聯合調度情況,提出了考慮發電保證率和出力破壞深度的水風光聯合調度規則生成方法,建立了水風光聯合調度模型,并通過神經網絡提取聯合調度規則,基于實例分析得到如下結論。

a)BP神經網絡提取調度規則相應的訓練集、驗證集和測試集R2均大于0.8,MAPE基本都低于10%,模型的擬合準確度較高,可以進一步用來指導模擬調度。

b)通過神經網絡提取的水風光聯合調度規則得到的年發電量相較于水庫常規調度提高2.89%,并且能夠滿足系統發電保證率和破壞深度要求。

c)在水風光優化調度模型中不考慮破壞深度和發電保證率約束時,雖然多年平均發電量能達到510.63 億kW·h,略高于所提模型下的508.81 kW·h,但發電保證率和極端破壞深度分別為65%和1 060 MW,遠低于所提模型得到的90%和2 721 MW,因此所提模型能夠在避免系統出現深度破環、滿足發電保證了,并保證發電效益。

綜上,所提聯合調度規則為風、光大規模并網形勢下水風光長期互補調度提供了一種可行途徑。未來可以在本文基礎上繼續開展考慮水風光互補運行條件下風電、光伏容量配置優化等相關研究。