风电备用范文

风电备用范文（精选7篇）

风电备用 第1篇

电力系统实际运行时,为了确保电力系统的安全运行及电力供应的可靠性,运行部门要安排足够的备用,以应对负荷的预测偏差和发电机突然停运等不确定因素引起的功率失衡。 而大规模的风电并网在为电力系统提供绿色能源的同时,其有功出力的随机性和间歇性特征也使得电网需要购买更多的备用进行应对[1,2,3,4,5]。

在电力市场中,备用运营机构作为备用市场的组织者是一个非盈利机构,系统在购买备用后,需要将购买备用的费用在市场各参与者之间进行分摊。目前,关于备用费用分摊的研究相对较少,主要分摊思路包括几类:分摊给用户[6];分摊给发电厂商[6];分摊给配电公司[7];分摊给引起备用的各责任方,包括负荷方、发电方和输电方[8,9,10]。

前2 类分摊方法是将备用的费用分摊到负荷方或发电方的其中一方,然而系统中引起备用的原因并不是只有发电或者负荷。 这样分摊难以激励负荷进行更准确的负荷预测,也难以激励发电机组提高发电设备的可靠性。 第3 类分摊到配电公司的方法,没有分摊给引起备用的责任方,缺乏对备用责任方的激励。 显然,最后一类将费用分摊给引起备用的责任方更为合理,可激励各责任方努力减少其备用需求,同时也可以明确各责任方引起的备用成本,引导资源优化配置。

文献[8]所分析的系统中的不确定因素包括负荷方、发电方和输电方,提出了根据市场各参与方自身对系统风险度(失负荷概率)的影响确定分摊比例的分摊思路。 文献[9-10]在文献[8]的基础上定义了旋转备用损益,提出了旋转备用效用期望值决策模型,认为购买旋转备用的费用应按各参与方对旋转备用损益价值的影响比例分摊。

上述方法中,在进行备用容量费用分摊时将所有备用容量作为一个整体进行分摊。 然而,事实上,旋转备用既包括负荷备用,也包括部分事故备用。 但负荷备用的调用频率要远远大于事故备用,故而旋转备用容量中的初始部分容量段调用频率更高,且主要针对负荷波动,对负荷波动的价值更大;而处于末端的旋转备用容量段调用频率很低,而且主要针对事故备用,对发电机强迫停运等事件的价值更大。 这说明备用容量中处于不同位置的容量对风险各方的价值是不同的,因此其容量购买费用分摊给各方的比例也应该是不同的,故而对备用容量进行分段分摊更为合理。

此外,大规模风电并网之后,系统需要为风电预留备用,风电应成为备用的分摊方之一。 但风电又有别于传统发电方,因而应将其视为系统新的责任方与其他责任方共同承担系统备用费用的分摊责任。再者,旋转备用的费用实际包含2 种费用,现有文献均只考虑了旋转备用容量费用的分摊,而在电力系统实际调用备用时会使系统的运行成本增加,这部分电量费用也应该进行分摊。

基于上述分析,本文提出了考虑风电的旋转备用容量费用的分段式分摊方法,并对旋转备用电量费用的分摊进行了分析。

1 备用的影响因素及需求分析

1.1 引起备用的风险因素

系统备用的作用在于补偿不可预测的负荷和发电之间的功率不平衡。 即当系统有功功率保持平衡的情况下,备用是不起作用的;只有有功功率平衡被破坏时,备用才会起作用。 系统中的备用是应对系统中各种不确定性风险的,这些风险因素包含发电机组的失效停运、负荷需求的随机波动和输电设备的随机失效等。 随着系统中风电比例的不断增加,风电输出功率的随机波动性使风电成为引起系统备用的又一个风险因素。 在风电并网后系统设置备用时,应充分考虑风电这一不确定因素对系统备用需求的影响[11,12,13,14]。

(1)传统发电机组停运风险。

传统发电方以火电机组为例,机组在电力生产过程中往往会由于意外故障而导致不能按计划输出功率,从而影响系统的功率平衡。 若使此事件不影响系统正常运行,则系统中要有充足的备用供其调用从而确保系统能够恢复功率平衡。

发电机组的不确定性可用系统中机组的停运容量概率表示[15]。 对于某个系统,假定某个时段t开机机组台数为N,其停运容量的概率密度可按下式计算[16]:

其中,Cn(n = 1,2,… ,N,系统共N台机组)为第n台机组容量;rn为第n台机组的强迫停运概率; Pn(Xk)(k=1,2,…,K,假设共有K种状态的停运离散分布)为开机n台机组时系统停运容量为Xk的确切概率;Pn-1(Xk)为开机n-1 台机组时系统停运容量为Xk的确切概率。

对此N台机组系统而言,停运容量为Xk时必然唯一对应一个运行容量gk,即,故而根据式(1)计算所得的停运容量概率密度分布,即可得到发电机组运行容量的概率密度分布,如图1(a)所示,为一离散的随机分布PG(G = gk)= Pn(Xk)。

(2)负荷预测误差风险。

电力需求预测偏差和意外波动也会引起系统的功率不平衡,因此负荷方也是引起系统备用需求的主要风险因素之一。 负荷的不确定性主要来自预测误差,根据中心极限定理,负荷预测误差在理论上被认为服从(0,σd2,t)的正态分布[15,17],负荷的概率分布如图1(b)所示,负荷预测概率密度函数PL(L = l):

其中,l为负荷功率;Lf为系统负荷预测值;σd,t为t时段负荷预测误差的标准差。

(3)风电输出功率预测误差风险。

风电输出功率由自然风力决定,而自然风具有间歇性和随机性的特点。 风电输出功率与传统发电机组输出功率不同,风电机组没有可信容量,且输出功率具有一定的随机性和波动性,这就需要更多的备用来平衡。 风电的不确定性主要来自2 个方面:风电机组的停运和风电功率的预测误差。 由于风电机组的单机容量很小,相对于总的风电装机容量和出力水平而言,单个故障机组所占的比例非常小,此外,有些风电功率预测方法(如考虑历史数据的方法)实际上已经考虑了风电机组的故障概率,故本文将之作为引起风电不确定性的一种因素考虑在风电预测误差当中。 关于风电功率预测误差的概率分布函数,目前研究中正态分布的假设是主流做法,因此本文假定风电功率预测误差服从(0,σ2w,t)正态分布,风电功率的概率分布如图1(c)所示,风电功率预测概率密度函数PW(W = w):

其中,w为风电功率;Wf为风电功率预测值;σw,t为t时段风电功率预测误差的标准差。

(4)输电设备故障风险。

输电设备的故障会引起系统网络潮流的重新分布,从而引起功率不平衡。 另外,由于输电设备的容量限制,会影响部分发电容量的传输。 这些都会使系统发电功率或备用重新分布,这一系统备用量的改变属于输电方的责任。 由于输电方不确定性对备用的需求相对较小,本文忽略输电方的不确定性引起的备用。

1.2 备用需求曲线

大规模风电并网后的系统包含传统发电、负荷及风电3 个主要不确定性因素,三者相互独立,若已知风电功率预测概率密度函数PW(如图1(c)所示)、负荷预测的概率密度函数PL(如图1 (b)所示)以及发电机组运行容量概率密度函数PG(如图1(a)所示),则通过卷积法求和可得到系统发电裕度概率分布PM[18](如图1(d)所示):

其中,m为发电裕度。

为分析备用需求,给出系统发电裕度概率密度函数的简化示意图,如图2(a)所示,假设该图为从初始状态增加i-1 次备用后(此时系统备用容量为Ri-1)的发电裕度曲线。 图中,Mj为系统的发电缺额,本文假设有J种可能。

利用该图可得到给定备用容量下的系统失负荷概率。 例如,图2(a)中,纵轴左侧的阴影部分覆盖的面积即为当前开机状态下的失负荷概率LOLP(i-1)。

其中,Pji-1(Mj)为备用容量为Ri-1时,系统发电缺额为Mj时对应的确切概率。

此时,若系统再增加容量为 ΔRi的备用,由于需要增加开机,会导致系统发电裕度概率密度曲线发生变化,故需重新计算,如图2(b)中PMi(M)所示,此时系统的失负荷概率为:

其中,Pji(Mj) 为备用容量为Ri时,系统发电缺额为Mj时对应的确切概率。

通过上述分析可知,系统失负荷概率会随着系统备用容量的逐渐增加而减小,表明系统可靠性会随着系统备用容量的逐渐增加而提高,从而减少了系统的停电损失。 显然,减少的停电损失可看作在备用Ri-1下所增加的备用 ΔRi的价值,可按下式计算:

其中,V(ΔRi)为备用 ΔRi的价值;L(Ri-1)和L(Ri)分别为备用为Ri-1和Ri状态下的停电损失;VOLL为失负荷价值,通常为一定值;EENS(i-1)和EENSi分别为备用为Ri-1和Ri状态下的电量不足期望值,计算如式(8)、(9)所示。

其中,ΔT为研究周期。

以V(ΔRi) 除以 ΔRi即可得到 ΔRi中单位容量备用的价值,也即备用的需求价格,为:

从系统备用为0 开始,逐步增加备用容量 ΔRi,依据式(10)计算每段新增备用的单位容量价值,即可得到系统的备用容量需求曲线,如图3 所示。

在实际运行过程中,由于风电功率和负荷的预测误差及发电机组的强迫停运率通常可作为已知量,故可得到如图1(d)所示的系统发电裕度的概率密度,进而计算出如图3 所示的系统备用容量需求曲线。

在不考虑备用获取成本的前提下,给定某个可靠性水平,即可根据图1(d)所示的发电充裕度概率密度得到所需的备用容量。

但随着备用容量的增加,系统购买备用的边际成本也会相应提高。 因而,从整个社会效益最大化的角度而言,最佳的备用容量应该是系统备用容需求曲线和供给曲线的交点。

2 备用费用的分摊方法

2.1 备用费用分摊原则

a. 备用应该尽可能分摊给引起备用的责任方。这样,既符合谁引起谁承担的公平性原则,也可激励各责任主体努力减少备用需求,同时还可以真实体现各责任主体的成本信息,引导资源优化配置。

特别是,在大规模风电并入系统后,系统的备用需求会进一步加大,风电也应当承担部分备用购买费用。

b. 备用容量和电量费用应分别分摊。 与备用容量费用可以事前确定不同,备用电量费用只有在调度完成之后才能确定,属于事后分摊。 二者性质不同,故而备用容量费用和电量费用应该分别分摊。

2.2 备用容量费用的分摊方法

在电力系统实际运行时,备用的作用是降低系统中各个风险因素所造成的停电损失。 由于负荷、风电和传统发电机都是引起备用的责任方,可根据各责任方对系统风险度(风险指标)的影响,确定各责任方对备用容量需求的责任。 系统风险分析的指标有很多,其中电量不足期望值就是其中重要指标之一,其包含停电的规模、持续时间以及概率等所有相关因素,可以反映事故的严重程度,能够反映备用对系统安全运行的影响。 因此,本文依据市场各个责任方对系统电量不足期望值的影响来分摊备用的容量费用,系统备用容量为Ri所对应的系统EENSi可按式(9)计算。

如引言中所述,旋转备用容量包括负荷备用(包括风电备用)和部分事故备用。 所面对的不确定性风险包括负荷波动、风电波动和发电机故障。 而通过图1和图2 可以看出,旋转备用的初始部分调用概率更大,主要用于应对负荷和风电波动;而旋转备用的末端部分调用概率很小,主要用于应对发电机故障事件。 故而,旋转备用需求曲线上的不同分段部分,对负荷、风电、发电机的价值比例是不同的(例如初始部分主要价值在于负荷;而末端部分主要价值在于发电机)。 因此在进行旋转备用费用分摊时,应该对不同分段分别进行分摊。 首先计算每段备用中各责任方对系统电量不足期望值影响的百分比;然后按此比例得出每段备用各责任方应支付的费用;最后将各段求和得到系统各参与方应支付的备用容量总费用。

以图3 备用需求曲线中第i段备用为例,第i段备用 ΔRi所对应电量不足期望值的计算如下所示:

其中,EENSi为系统备用容量为Ri时的电量不足期望值;EENS(i-1)为系统备用容量为Ri-1时的电量不足期望值;EENSΔRi为第i段备用容量 ΔRi对应的电量不足期望值。

则第i段备用 ΔRi中各个参与方对系统电量不足期望值的影响可按以下方式描述[10]:

其中,vgi、vli和vwi分别为系统每段备用对于发电方、负荷方和风电方的价值;EENSΔRi为系统同时考虑各个风险因素时的第i段备用对应的系统电量不足期望值;EENSΔRingr为不考虑发电方风险因素的第i段备用对应的系统电量不足期望值;EENSΔRinlr为不考虑负荷风险因素的第i段备用对应的系统电量不足期望值;EENSΔRinwr为不考虑风电方风险因素的第i段备用对应的系统电量不足期望值。

依据各市场参与方对第i段备用所对应的电力不足期望值的影响比例分摊备用容量费用。 第i段备用中各参与方分摊的容量费用比例如下:

其中,rgi、rli和rwi分别为发电方、负荷方和风电方所分摊的第i段备用容量费用的比例。 从而得出各方从第i段备用容量费用分摊的费用,进而得出各方所分摊的总的备用容量费用:

其中,CRCi(i = 1,2,…,I)为系统第i段备用容量费用;CRCg、CRCl和CRCw分别为发电方、负荷方和风电方所分总的备用容量费用。

2.3 备用电量费用的分摊方法

如前所述,备用的电量费用是在系统发生功率不平衡时实际调用了系统备用而产生的费用,那么这部分费用就应该由实际引起功率不平衡的责任方承担,以体现公平性。

而在实际电力系统运行中,负荷实际需求与预测值之间的差异、发电机组发生故障导致发电机组不能按发电计划输出功率、风力发电的间歇性和随机性都会造成系统功率不平衡。 本文依据历史数据的统计分析,得到负荷预测值与实际值之差、发电机计划输出与实际输出之差和风电功率预测输出与实际输出之差的历史数据曲线。 再依据各个差值的曲线与系统备用调用曲线之间的关系,确定各参与方应承担的备用电量费用。 电量费用分摊的数学模型如下:

其中,ΔP为系统某时段调用备用时的系统的功率偏差,本文仅考虑发电不足时系统正的备用需求,即ΔP<0 的情况;ΔPG为发电机组输出功率的偏差,在ΔPG< 0 时,发电机组出现故障停运时需要承担费用;ΔPL为负荷实际需求与预测值之间的偏差,ΔPL> 0时表示负荷实际需求大于预测值,此时系统负荷需要承担费用;ΔPW为实际风电输出功率与预测值之间的偏差,ΔPW< 0 时表示实际风电输出功率小于预测值,此时风电需要承担费用;CCC为系统此时段调用备用的电量费用;CCCg、CCCl和CCCw分别为发电方、负荷方和风电方此时段所分摊的备用电量费用。

3 算例分析

以修改的IEEE 14 节点测试系统为例:假设某时段负荷为500 MW,负荷预测误差标准差的百分比为2 %,并网风电预测输出功率为100 MW,风电功率预测误差标准差百分比为15%,系统正常购电报价为40 $ / (MW·h),系统备用容量报价为6 $ / (MW·h),发电机数据如表1 所示。

3.1 备用的容量费用分摊算例分析

(1)系统各责任方采用分段式分摊的分摊比例。

利用本文方法计算的分段式分摊比例如图4 所示。 当系统3 种风险因素都存在且取系统高可靠性指标为(LOLP= 1.29 % ) 时, 系统备用容量需求为100MW;而当不考虑发电机停运概率,只考虑风电和负荷2 种风险因素时,使系统满足同一可靠性指标时的备用为40 MW。 显然,增加了发电机停运影响后,系统所增加的60 MW旋转备用主要是为了发电机停运而预留的。 因此在这后60 MW的备用中发电机应承担更多的备用费用。

而图4 中显示的分摊结果符合上述分析。 可明显看出,在后60 MW备用中发电机确实承担了更多的分摊比例;而负荷和风电的分摊比例总体上是呈递减趋势的,这充分说明了本文分摊方法的合理性。

此外,图中50 MW和60 MW分段部分风电和负荷出现了负的分摊比例,这是由于发电机在此分段的停运概率很大,而风电和负荷所存在的正向波动可以减少系统失负荷概率,故而风电和负荷波动的存在具有正向价值,不仅无需承担备用费用,还应该由发电机补贴给风电和负荷。

(2)整体方式分摊与分段式分摊总费用的对比。

2种分摊方式的对比数据见表2,从表2数据可看出采用分段式分摊备用费用的方法,风电和负荷分摊费用的总比例有所下降,这是由于在本算例中,为发电机预留备用容量(60 MW)相对于为负荷和风电预留的备用容量(40 MW)所占比例更高,故而当采用分段分摊时,会把更多的备用购买费用分摊给发电机。这也体现了按责分摊的思路,符合公平性要求。

(3)敏感度分析。

如果提高风电的可靠性(即风电功率的预测精度),风电所分摊费用的比例会随着风电功率预测误差的减小逐渐减小,分段式分摊的总比例随误差变化的曲线如图5(a)所示;同样,负荷所分摊费用的比例也会随着负荷预测误差的减小逐渐减小,分摊总比例随负荷预测误差变化的曲线如图5(b)所示;若提高发电机的可靠性,发电机所分摊的比例随着发电机停运率的减小而逐渐减小,发电分摊总比例随发电机停运率变化的曲线如图5(c)所示。

由此可知,系统各参与方若想减小备用费用的分摊比例,可通过提高其自身可靠性水平来减少对系统备用的需求,说明分段式备用容量费用的分摊方法可为系统各参与方提供有益的激励,从根本上减少系统备用需求,提高系统运行的经济性。

3.2 备用的电量费用分摊分析

备用的电量费用只需根据统计数据,确定各参与方在实际备用调用时的状态,从而计算各参与方应承担的备用电量费用。

假设实际运行时,该时段最终负荷为525 MW,风电输出功率为90 MW,发电机3 号机组停运,则此时系统需要调用95 MW的备用(均由1 号机组提供,则备用电量费用报价为45 $ / (MW·h))。 由于系统负荷比预测值的需求增加了25 MW,那么备用应支付的备用电量费用为25×45=1125($)。 而此时系统风电比预测值少发了10 MW,这10 MW的功率缺额,原来由风电提供系统需要花费$400,现由备用提供需要花费$ 450,系统调用这10 MW的备用实际是比正常运行时多花费了$ 50,因此风电应支付的备用电量费用应为10×(45-40)=50($)。 同理发电机少发了60 MW,其应当承担的备用电量费用应为60×(45- 40) = 300($)。

上述备用电量费用的分摊方式虽然简单,但同样能对激励系统各责任方提高各自的可靠性,从而减少其调用备用的概率,提高系统运行的经济性。

4 结论

鉴于风电大规模并网对系统备用的影响,本文将风电纳入备用费用分摊的责任方之中,使得分摊范围更为公平,同时也可约束风电提高其风功率预测精度和设备可靠性。

同时,在负荷、风电和发电机之间进行备用容量费用分摊时,鉴于处于备用容量中不同部分的容量段对三方的价值不同,采用了对备用容量先进行分段,然后把每段容量的购买费用根据各责任方责任大小单独分摊的方法。 较之整体分摊方法,分段方法更加精细化,也更加合理。

考虑大规模风电接入的备用容量计算 第2篇

风能的间歇性和随机性给电力系统的运行增加了风险[1,2],使得当前以高可靠性常规电源为依据的备用设置无法满足风电并网后系统运行的可靠性需求,需要研究新的备用分析方法,维持电力系统的功率平衡和稳定。因此,在大规模风电接入后,迫切需要对系统的备用容量进行研究。

近年来,新能源备用的研究受到越来越多的关注。文献[3]指出风能的不可控性使得对风电功率的预测无法与其他传统能源一样可靠。随着风电容量比例的增加,系统需要与风电场额定功率相当的备用容量。文献[4]考虑负荷预测误差和机组故障停运等随机因素,建立系统备用容量获取模型。文献[5-6]对传统备用容量确定的概率性方法进行扩展,采用原有概率性方法的思路求得最优备用容量。文献[7-8]采用对历史预测误差数据进行统计分析的方法得到风电功率预测误差及负荷预测误差分布,并运用曲线拟合法得到风电接入后满足系统一定可靠性水平的备用容量。

文献大都通过对历史预测数据进行统计分析得到预测偏差的概率密度函数,但没有对数据进行筛选,由于备用容量统计分析是基于对历史数据规律的归纳与总结,通过寻找其历史变化规律,对未来的变化规律进行外推。因此,历史数据的筛选对备用结果有很大影响。文献[9-11]在构造模型时,均在聚类分析理论的基础上对数据进行筛选,其思路值得借鉴。

在大规模风电接入的电力系统中,除机组故障和系统负荷预测误差等因素,风电的随机性、间歇性也会使风电功率预测存在较大误差,系统随机性增大。传统以常规能源为基础的备用设置已不满足风电接入后系统的可靠性要求,因此,需要研究新的备用设置方法来弥补因风电功率预测误差造成的系统供电和负荷的不平衡。

本文结合某网级电力系统实际情况,考虑大规模风电接入情形下系统的备用容量需求,以应对风电功率预测误差造成的系统供电和负荷的不平衡。考虑大规模风电间歇特性,兼顾电网运行安全性和经济性,本文引入聚类分析技术,对风电功率预测数据进行筛选,并进行统计分析,建立风电功率预测误差与旋转备用需求变化间的关联模型,形成日前新能源备用需求计划。

1 发电可靠性指标

本文将备用容量满足系统安全运行要求的概率作为系统可靠性指标[12],备用需求不超过给定值限值的概率为:

式中:y∈Y为决定风电备用需求的不确定随机变量;p(y)为y的概率密度函数;R(y)为风电接入引起的备用需求;ξ为给定限值。

若置信度水平为α∈(0,1),则满足某一置信度水平的风险备用需求可表示为:

式中:α为备用容量满足系统运行的置信度水平[13];Rα为风险备用需求。

从物理意义上讲,1-α可看做系统失负荷概率所允许的上限值。

2 风电功率预测误差分布模型描述

2.1 相似度比较法求相似日

虽然风电出力难以预测且误差大,但其季节性分布非常有规律,在风电大发和匮乏季节所需的备用容量增加不同,因此本文根据风电的规律性变化,将相似性理论引入系统风电输出功率变化规律的研究中,选出与计划日较为相似的历史数据,并对历史数据进行筛选,再对相似日的风电功率预测误差数据进行统计分析,以提高备用容量计算的准确性。

在进行相似度比较时,由于计划日的输出功率未知,可用计划日前一日的风电功率数据代替计划日的实测数据进行相似性比较。

将历史日和计划日的输出功率序列进行相似度比较,采用欧氏距离作为判定相似性程度的依据,欧氏距离的定义如下:

式中:Xi=(xi,1,xi,2,,xi,96)和Xj=(xj,1,xj,2,,xj,96)分别为i日和j日的输出功率序列,一日共96个采样点;Pcap,i和Pcap,j分别为i日和j日的采样机组装机容量;欧式距离di,j为i日和j日的输出功率序列在几何平均距离上的相似性,di,j越小,相似度越大。

若给定阈值为Z,输出功率序列Xi和Xj满足di,j<Z,则称Xi和Xj几何相似。依次将历史日的输出功率序列和计划日序列进行比较,若di,j<Z,则视为相似数据,并将其作为计算备用的历史样本数据区间。

选取数据库中4d的典型历史数据作为说明,如图1所示。

将计划日11月20日与图中4个历史日期数据进行相似度比较,计算得到10月3日,10月19日,10月20日,11月8日与计划日的欧式距离分别为1.417,0.41,0.45,1.475;若设定阈值Z=1.2,其中10月19日和10月20日的欧式距离小于阈值,认为可以作为相似日,并作为备用计算的历史数据,而10月3日和11月8日则不予考虑。

2.2 改进的K均值聚类法求相似时段

聚类分析技术直接比较各事物之间的性质,将性质相近的归为一类,性质差别较大的归入不同的类,因此常被用来衡量数据源间的相似性。

考虑到风电输出功率在计划日内各时段存在较大差异,其预测误差在不同时段分布也不同,需要对计划日各个时段分别进行备用计算,计算量较大。

在风电日内引入聚类分析技术,对相似日历史数据进行时段聚类。聚类后,只需对各相似时段进行备用分析。

K均值聚类是一种比较典型的划分方法聚类,给定N个向量和K个聚类,通过一系列迭代,将N个向量划分为K个相似的类,使同一类中的对象相似度尽可能高,而不同类之间的相似度尽可能低。考虑到K均值聚类随机选择K个类的初始聚类中心对结果影响较大,本文通过采用层次聚类得到K个划分,将这K个划分的中心作为初始聚类中心,再将相似日各时段(此时段指一日24个时段,其数据由1h内的4个采样数据求均值法得到)的输出功率序列进行K均值聚类[14],得到计划日相似时段,然后分别对各个相似时段进行备用分析。首先设定聚类个数为K,算法流程如图2所示。

2.3 风电功率预测误差分布

文献[8]中,风电功率预测值和实际值的偏差服从正态分布,基于此结论统计与计划日相似的历史时间范围内,各相似时段风电输出功率预测总量和实际输出总量的误差。

在日前计划编制时更关心一日的误差情况。根据调度的需要和新能源输出功率情况,统计电网的计划和运行数据,统计数据间隔为15 min,对每个时间点,风电预测误差为实际出力与预测出力的差值。每个时间点t风电出力误差如下:

式中:ewp,t为时间点t的风电功率预测误差;Pwpreal,t为时间点t的风电输出功率;Pwpfore,t为时间点t的风电预测输出功率。

若将一日分为若干个时段(聚类分析分为4个相似时段),统计每个时段预测出力偏差分布。对于时段T,其时间范围内共有N个时间点(间隔为15min),历史数据时间长度为M天,则对于时段T,共有MN个出力偏差数据,利用极大似然估计法,可得到偏差分布的期望和方差。

3 新能源备用计算模型

备用是针对系统运行中不确定性因素(系统负荷、机组事故等)配置的,在常规能源电力系统中[15],备用容量可用来应对系统负荷预测误差及机组停运带来的影响。风电并网后,因风电预测精度远不及负荷预测,系统随机性增大,备用容量可用来应对大规模风电场出力的不确定性给系统带来的影响。

本文考虑大规模风电接入情形下的新能源备用容量,即用于弥补风电功率预测误差造成的系统供用电不平衡的备用容量。因此,与风电功率预测误差概率分布函数相同,风电出力误差对备用的需求同样为概率密度函数,若fTreserve(ewp)为T时段新能源旋转备用需求概率密度函数,其与风电偏差概率密度函数fT(ewp)的关系为:

新能源备用由一定系统可靠性水平α决定,其表达式为隐函数,即

式中:Rwind,h为h时段新能源备用容量;μwind,h为h时段风电功率预测误差分布期望;σwind,h为h时段风电功率预测误差分布方差。

综上所述,新能源备用计算流程如图3所示。

4 实例分析

采用C++编程,以风电机组总装机容量为2 830 MW的某网级电力系统为案例分析对象,计算日前备用计划。将案例日风电功率数据和历史数据进行相似性比较,得到相似历史数据,并通过聚类分析得到相似历史时段,相似时段如表1所示。

从聚类结果看,通过聚类得到的相似时段基本符合风电场出力规律。通过对各相似时段预测误差数据进行统计分析,计算备用容量得出:风电接入后,当系统可靠性指标分别为0.85,0.90,0.95时,需要设置的新能源备用容量如图4所示。

由图4可以看出,当系统可靠性水平越高(即备用容量设置的置信度水平越高),系统所需要的新能源备用容量相对越大。但随着置信水平的增加,系统备用容量的增量逐渐减小,这说明系统在不同置信水平下备用容量获取区间的灵敏度不同。当可靠性指标增加到一定水平,系统所需设置的新能源备用容量增量会越来越少。

采用经验估计法,用负荷的百分比(本文为3%)设置常规能源备用,得到常规备用容量,与风电并网后,系统需要设置的新能源备用容量需求如图5所示。

由图5可以看出,目前接入电网的风电装机容量比重有所增加,但相对常规能源比例较小,故新能源备用相对于常规能源备用需求较少。但随着新能源比重的增加,系统需要设置的新能源备用比例会随之增加。

此外,通过计算发现,当备用容量增加到一定水平时,其对系统的可靠性水平的提高并不显著,不同置信水平下新能源备用容量如图6所示。

因此,系统运行人员在确定置信度水平时,应综合考虑备用获取成本和置信度水平,以期在经济性和安全性之间取得平衡。

5 结语

本文研究大规模风电入网条件下,保证系统安全运行的新能源备用需求。风电并网后,由于风能的间歇性和不稳定等特性,使得系统随机性增大。为保证系统安全运行,考虑增加额外的备用容量以应对风电功率预测偏差给系统带来的影响。本文引入聚类分析方法对历史数据进行筛选,建立风电功率预测误差与备用需求变化间的关联模型,计算日前新能源备用需求计划,为新能源接入电网后系统的安全运行提供了保障。

上述模型是以满足系统安全运行为前提的调度。考虑到经济性要求,若机组提供旋转备用,则需要支付一定的备用费用,系统总运行成本应包含这一费用。将备用需求加入安全约束经济调度和安全约束机组组合优化模型中统一求解,可实现经济性和可靠性之间的协调,也可作为进一步研究的方向。

风电备用 第3篇

电网预留一定的发电备用容量,是电网安全、稳定运行的基础,它能保证系统在受到一定范围的扰动时,平稳地过渡到新的稳定运行状态。随着风电接入系统比例的增加,风电对系统旋转备用配置的影响是系统运行中非常关心的问题。

目前,已有不少含风电的电力系统备用容量配置的研究成果。文献[1-3]对传统备用容量确定的概率性方法[4,5]进行扩展,将其中负荷预测误差概率分布以考虑风电功率预测误差的净负荷(负荷与风电之差)预测概率分布替代,进而采用原有概率性方法的思路求解最优的备用容量。文献[6]提出一种基于风险的风电备用需求决策方法,并提出一种充分利用发电机组控制性能的备用协调优化分配算法。文献[7-9]在含风电的机组组合建模中,以各时段风电机组出力的一定百分数作为附加的风电备用容量需求。由于没有对风电的不确定性进行统计分析,因此,任意取一定的百分数缺乏科学依据。已有的备用容量研究均侧重风电与传统电源的性能比较和替代问题,围绕风电机组出力的不确定性问题,研究各种判据(主要是可靠性等效判据)下对备用容量配置的影响。这些研究中往往不计入风电的环保效益,或者简单定性地描述其环保效益,缺乏对风电节能环保效益的全面考核,以及风电对系统经济性与环保性综合影响的定量建模分析。

为此,本文针对风电的不确定性,从经济性和环保性的角度对风火互济系统旋转备用确定方式进行研究。

1 风电接入对电网的影响分析

风电接入电网的影响具有双重效应。一方面,适度的风电接入可替代常规电源,提高电网可靠性,并取得节能减排的环保效益;另一方面,为了应对风电的不确定性而新增系统备用容量,从而增加了风电的消纳成本,特别是为适应风电波动性而导致火电机组的工作点偏离最佳煤耗点或不得不频繁启停机组,从而抵消部分风电的环保效益,极端情况下甚至适得其反。相关研究表明[10],在风火互济系统中,若强制性全额收购风电,在极端情形下,风电对火电机组出力的经济性和碳(CO2)排放量的负面影响较大,而优先调度风电但允许少量弃风可在现有基础上提高风电利用率的同时,大幅减少系统因接纳风电而付出的额外运行成本。

此外,风电作为一种电源,具有调节迅速、启停成本低的优势,理论上也具备提供备用的能力。一般认为,风电电价高昂,作为备用电源欠缺经济性。但当电网中风电接入规模较大时,为更多地接纳风电,常规机组可能经常运行在出力边界附近,电网运行方式安排压力较大。若能合理利用风电提供备用容量的潜力,可提高系统的整体效益。

一味追求风电利用率或者高可靠性的备用配置模式都忽视了风电利用的双重性,无法很好地发挥风电的环保效益,在中国以燃煤机组为主的系统中尤需特别引起注意。

2 考虑风电备用的机组组合模型

为分析不同旋转备用确定方式下风电对电网经济性和环保性的综合影响,本文建立了以下机组组合模型。

1)目标函数

目标函数为:

为考虑弃风的影响,在目标函数中还需增加弃风惩罚成本CWtpn,通过单位弃风惩罚成本控制系统消纳风能原则,其表达式如下:

式中:ρc为单位弃风惩罚成本,当全额收购风能时将ρc设为大M值,当允许根据系统需要弃风时,则将ρc设置为0;ΔT为发电机组出力计划时间间隔,如15min;Pwtcurtail为时刻t风电的弃风功率。

2)约束条件

当通过风电功率预测将风电纳入日前发电计划时,依据预测误差安排旋转备用容量。本文通过风电功率100%概率区间考虑风电功率预测的不确定性[11],建立相应的备用约束。设风电功率100%预测区间为,t=1,2,,T},其中为区间下限,为区间上限。备用约束如式(3)至式(6)所示。

式中:PGuit和PGdit分别为常规机组i在时刻t提供上调和下调备用时的出力;Pwrut和Pwrdt分别为系统在时刻t上调和下调备用需求时的弃风功率;Dt为时刻t系统负荷值;Rut和Rdt分别为系统在时刻t的上调和下调备用需求;PGit为对应于风电功率点预测值Pwtfcst时常规机组i在时刻t的出力;Rui和Rdi分别为机组i的上、下爬坡速率限制。

除上述约束外,机组出力限制、启停限制、最小运行时间、最小停机时间等其他机组组合约束与传统机组组合约束相同。本文暂不考虑线路潮流限制。

3 算例分析

由于中国实际系统尚缺乏充足的风电数据积累和风功率预测系统的应用基础,本文在IEEE-RTS96系统的基础上[12],通过对中国风火互济运行电网典型特征的提取,构造仿真测试系统(仿真系统参数见附录A),对旋转备用配置方案进行分析。仿真中采用15min一个时段进行分析。目前中国风电比例最高的内蒙古电网的风电接入水平(风电装机容量占峰值负荷的百分比)已经突破25%,本文在仿真计算中以25.4%为典型风电接入水平,风电接入水平用p表示。

3.1 系统指标

本文考虑的系统运行指标如下。

1)常规机组的单位发电成本cg

式中:CG为常规机组发电成本,本文指常规机组的燃料成本;EG为常规机组在仿真时段内的总发电量。

2)单位发电量的CO2排放量eu

式中:Em为系统CO2排放总量;Ea为系统总供给电量。

3)风电利用率ηw

式中:Ewavail为仿真时段内可用风能;Ewcurtail为仿真时段内弃风总电量。

除上述指标外,还引入系统切负荷量(interrupted load,IL)描述系统因备用不足等原因引起的有功缺额。

对于以上各指标,进行多样本仿真,具体风电样本见附录A。取所有风电样本下系统指标的均值作为最终的系统指标。

3.2 备用容量配置方案及仿真分析

根据系统为风电配置备用容量的方式不同,本文讨论表1所示备用容量确定方案。

注:上述各方案中备用容量是指针对风电增加的备用容量,针对负荷预测误差和常规机组停运的上调备用容量取峰值负荷的5%,下调备用容量取峰值负荷的2%。

研究中,方案A是把风电当做“负”随机负荷进行调度时的典型备用模式。方案B,C和D是基于预测误差安排备用的方式。此外,各方案均在保证电网安全的情况下,默认按全额收购风电的原则调度风电。常规机组在日前发电计划的基础上按调节能力下调出力,尽可能多地接纳风电,超出常规机组下调能力的部分,由风电场通过弃风解决。

3.2.1 不同备用方案对比分析

在25.4%的风电接入水平下,各备用方案的系统运行指标如表2所示。

注:cg单位为美元/(MWh);eu单位为t/(MWh);IL单位为MWh。

以方案A作为参照,对比其他方案的单位发电成本和单位CO2排放量可以发现:方案B和方案C的常规机组单位发电成本与单位CO2排放量显著增加。增加的成本和CO2排放量主要是由两方面原因造成:一方面是由于吸收风电的波动性导致常规机组运行点调整,从而造成常规机组运行经济性和环保性下降(通过对比方案A和B可以看出),这是风电消纳成本增加的主体部分;另一方面是由于额外增加的备用容量导致系统运行成本和CO2排放量增加(通过对比方案B和C可以看出,cg和eu指标进一步增加),但增加幅度远小于前者。换言之,备用需求增加是风电消纳成本增加的构成部分之一,但并不占主要部分。仅从降低备用成本角度来降低风电消纳成本效果是十分有限的。

对比各方案的风能利用率和切负荷量可以看出,在日前计划中引入风电功率预测,系统风能接纳能力增加,但若不增加额外上调备用容量(方案B),风电功率预测误差将造成一定量的负荷有功功率缺额。方案C和D按照风电预测误差增加了额外的上调备用容量,因此避免了有功缺额。

此外,对比方案C与D可知,方案D除了增加上调备用容量外,还增加了下调备用容量,旨在当实际风电功率大于风电预测值时多接纳一部分风电。由两者的计算结果可见,相比于方案C,方案D的常规机组单位发电成本、单位CO2排放量等均显著增加,但风能利用率却没有明显增加,即没有达到多接纳风电的效果。这是由风火互济系统中火电机组调节能力有限造成的。由于火电机组调节能力有限,为风电增加一定量的下调备用容量将使系统调峰更加困难,大部分情况下只能通过弃风满足下调备用容量的要求,对风能利用率没有明显改进。权衡比较,较为经济的方案是仅为风电增加上调备用容量。

3.2.2 风电消纳原则对旋转备用的影响

风电受清洁能源政策保护,拥有调度优先权,但上述仿真已经表明,全额收购风电可造成电网运行成本大幅增加,增加的成本主要由常规机组的运行点调整造成。这里采用备用方案B,以风电接入水平25.4%为例,分别按全额收购风电、在优先调度风电的条件下允许适度弃风2种消纳风电原则,计算系统运行指标,并将两者与备用方案A进行对比。计算结果如表3所示。

注:方案B1在优先调度风电的条件下允许弃风。

可见,在允许适度弃风的条件下(方案B1),虽然存在少量弃风,但整个系统可以运行在较为经济的工作点,常规机组单位发电成本、单位CO2排放量等指标均优于全额收购风电的情况(方案B)。并且与现行运行方式(一般类似方案A)相比,方案B1还可以提高风能利用率,并降低常规机组的单位发电成本与单位CO2排放量。这说明在优先调度风电但允许弃风的前提下设计旋转备用方案,有利于提高电网整体经济与环保综合效益。

图1给出了同一仿真日2种不同风电消纳原则下系统在线机组容量、负荷、弃风量等变化曲线。对比图1(a)和图1(b)可见,虽然图1(b)中存在一定的弃风,但常规机组启停次数减少,系统运行的经济性和环保性更优。

3.2.3 风电提供备用容量的讨论

风电提供下调备用容量是指当负荷实际值低于预测值时,风电为满足发电机组出力下调需求而进行的弃风。上调备用容量是指当负荷实际值高于预测值时,风电为满足发电机组出力上调需求而进行的增出力。

一般地,风电作为备用电源必须满足特定的条件。在全额收购风电的条件下,不存在风电作为备用电源的可能性,故本节讨论仅针对采用优先调度风电但允许弃风的风电消纳原则。风电根据日前发电计划控制实时风电机组出力不高于日前计划值,在计划值低于可捕获功率下限的时段,可以提供上调备用容量。此外,在采用优先调度风电但允许弃风的风电消纳原则的前提下,以前面分析得到的最佳方案C作为备用方案。

1)风电提供下调备用容量的可行性

系统在安排发电计划时,为了在计划点的有功功率平衡中尽可能多地使用风电,执行优先调度风电的原则,常规机组部分时段可能运行在最低点,不具备提供下调备用的能力,此时系统需要下调备用时只能通过弃风实现。

这里以25.4%的风电接入水平下、风电某天提供下调备用的情况为例进行说明。图2给出了该运行日的日前发电计划中系统的下调备用容量需求以及下调备用容量需求在常规机组和风电机组之间的分配。图3给出了该日的负荷预测误差曲线。图4为实时运行中的弃风量曲线。

由图3可见,在时段21和22负荷出现正向预测误差,即实际值小于预测值,需要系统发电机组下调出力。由图2可知,日前发电计划中时段21和22的下调备用容量需求由风电来满足,因此时段21和22通过弃风满足系统的下调备用容量需求(见图4)。

2)风电提供上调备用容量的可行性

通常认为,风电出力上限受自然条件限制,其作为上调备用电源的可信度不高,但在引入风电功率区间预测后,风电机组当前出力低于区间预测下边界部分可以作为可靠的上调备用容量。根据风电机组可用出力比风电机组日前计划值高的程度,优先由风电补偿负荷缺额。图5给出了某运行日的日前发电计划中系统的上调备用容量需求以及下调备用容量需求在常规机组和风电机组之间的分配。

该日的负荷预测误差曲线同图3。图6为实时运行中常规机组和风电提供的上调备用容量分配。可见,当负荷实测值大于预测值时,常规机组只需参与部分调节,另一部分增出力由风电提供。

表4给出了在制定日前发电计划时,将风电作为备用电源与不将风电作为备用电源2种情况下计算得到的系统运行指标。计算中风电接入水平为25.4%。可见,将风电作为备用电源,风能利用率稍有下降,但常规机组的单位发电成本和单位CO2排放量显著降低。

注:方案C1不将风电作为备用电源;方案C2将风电作为备用电源。

4 结语

备用是影响风电消纳水平的主要因素之一,也是影响风火互济系统可靠性、经济性与环保性综合效益的因素之一。

本文分析了风电接入对电网的影响,建立了综合考虑风电对系统经济性和环保性综合影响以及风电提供备用可能性的机组组合模型。基于体现中国风火互济系统电源特点的仿真算例,通过设置不同备用容量确定方案以及对各方案的对比分析,对风电对备用容量的影响和风电利用综合效益(经济性和环保性)进行了分析,得出的主要研究结论如下。

1)预测是将波动性电源纳入电网调度的关键技术。通过引入风电功率预测将风电纳入日前发电计划的方式可以提高风电的接纳能力,但需要增加一定的上调备用容量,避免因风电预测误差引起系统有功功率缺额。

2)在风火互济系统中,优先调度风电但允许弃风是相比于全额接纳风电更为合理的风电消纳原则。在全额接纳风电的原则下,大规模风电消纳将增加火电机组的单位发电成本和单位CO2排放量。增加的成本和CO2排放量一方面由火电机组吸收风电波动性造成的运行点经济性下降引起,另一方面由常规机组增加额外备用容量引起。其中前者是主要部分。若变全额接纳风电为“优先调度风电但允许适度弃风”,可以有效降低常规机组发电计划调整引起的成本增加,这是风火互济系统中提高风电利用综合效益的措施之一。

3)在基于风电功率预测的日前调度中考虑风电提供备用的可能性,发挥风电提供备用的能力,是提高风电利用综合效益的另一种措施。在一定的条件下,风电具备提供上调备用和下调备用的潜力。本文通过预测区间和机组组合优化目标的调整所建立的机组组合模型,能够考虑风电提供上调备用和下调备用的可能性。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

摘要：风电接入电网的影响具有双重效应,因此,含风电的电力系统的备用容量配置需要综合考虑风电正、负效益才能得到合理的结果。此外,风电作为电源具备提供备用的能力,在确定备用时也需要考虑。文中首先分析了风电接入对电网的影响,然后建立了综合考虑风电节能环保综合效益和风电提供备用可能性的机组组合模型。接着通过一个具有风火互济运行典型特征的仿真算例,对几种不同备用容量确定方案进行了对比分析。最后围绕不同风电消纳原则、风电提供备用容量的可行性等问题,讨论了风火互济系统中的旋转备用确定方式,并提出了适合中国风火互济运行系统的风电消纳模式建议。

关键词：风火互济系统,风力发电,旋转备用,机组组合

参考文献

[1]ORTEGA-VAZQUEZ M A,KIRSCHEN D S.Estimating thespinning reserve requirements in systems with significant windpower generation penetration[J].IEEE Trans on PowerSystems,2009,24(1):114-124.

[2]苏鹏,刘天琪,李兴源.含风电的系统最优旋转备用的确定[J].电网技术,2010,34(12):158-162.SU Peng,LIU Tianqi,LI Xingyuan.Determination of optimalspinning reserve of power grid containing wind[J].PowerSystem Technology,2010,34(12):158-162.

[3]ANSTINE L T,BURKE R E,CASEY J E,et al.Applicationof probability methods to the determination of spinning reserverequirements for the Pennsylvania-New Jersey-Marylandinterconnection[J].IEEE Trans on Power Apparatus andSystems,1963,82(10):726-735.

[4]ORTEGA-VAZQUEZ M A,KIRSCHEN D S.Optimizing thespinning reserve requirements using a cost/benefit analysis[J].IEEE Trans on Power Systems,2007,22(1):24-33.

[5]DOHERTY R,O’MALLEY M.A new approach to quantifyreserve demand in systems with significant installed windcapacity[J].IEEE Trans on Power Systems,2005,20(2):587-595.

[6]张国强,吴文传,张伯明.考虑风电接入的有功运行备用协调优化[J].电力系统自动化,2011,35(12):1-6.ZHANG Guoqiang,WU Wenchuan,ZHANG Boming.Optimization of operation reserve coordination considering windpower integration[J].Automation of Electric Power Systems,2011,35(12):1-6.

[7]CHEN Chun-lung.Optimal wind-thermal generating unitcommitment[J].IEEE Trans on Energy Conversion,2008,23(1):273-280.

[8]周玮.含风电场的电力系统动态经济调度问题研究[D].大连:大连理工大学,2010.

[9]夏澍.基于差分进化算法的含风电场电力系统动态经济调度[D].北京:华北电力大学,2010.

[10]王彩霞,乔颖,鲁宗相.低碳经济下风火互济网络日前发电计划模式[J].电力系统自动化,2011,35(22):111-117.WANG Caixia,QIAO Ying,LU Zongxiang.Day-aheaddispatch mode of wind-thermal power system in low-carboneconomy[J].Automation of Electric Power Systems,2011,35(22):111-117.

[11]王彩霞,鲁宗相,乔颖,等.基于非参数回归模型的短期风电功率预测[J].电力系统自动化,2010,34(16):78-82.WANG Caixia,LU Zongxiang,QIAO Ying,et al.Short-termwind power forecast based on non-parametric regression model[J].Automation of Electric Power Systems,2010,34(16):78-82.

风电备用 第4篇

风电作为替代化石燃料发电且具有规模化开发前景的可再生能源发电的代表,其接入系统的规模越来越大。风电具有较强的随机波动性,大规模风电接入大大增加了系统的不确定性。2008年2月~11月,新疆地区风电在30 min内出力波动超过9万k W达到347次[1]。2011年1月~8月,全国共发生193起风电机组脱网事故,其中,一次损失出力10~50万k W的54起,一次损失出力50万k W以上的12起[2]。如此大的功率波动对系统的安全、可靠运行提出了挑战。

充足有效的备用是电力系统应对各种不确定性因素,实现安全可靠运行的保障。风电功率在不同时间尺度上的波动性、反调峰特性增加了系统调频、调峰和发电调度的难度[3]。根据对东北、蒙西和吉林电网2009年的统计,其风电反调峰概率分别为60%、57%和56%。东北电网一年期间峰谷差增大的时间达到210天,且多次出现由于调峰容量不足在低负荷时段不得不弃风的现象。空间上,我国风电基地大多远离负荷中心,当大规模风电集中接入、远距离传输时,风电功率的不确定性增加了潮流的不确定性,给系统的备用配置带来困难。

大规模风电接入在时间和空间尺度上给系统备用决策带来了新问题,而常规的决策方法已难以适用。近年来,这一问题已成为研究的热点。大规模风电接入系统的备用决策不仅是系统安全、可靠运行的保障,也是实现有效接纳风电、优化资源配置的关键。

本文首先总结了风电接入对电力系统备用决策的影响因素。然后,在常规电力系统备用决策方法的基础上重点梳理和对比计及风电影响的备用决策方法。从电源侧和需求侧两个方面深入探讨了风电接入系统的备用配置问题,指出风、火等多电源打捆和电动汽车等储能设备以及其他新技术在解决备用配置问题中的应用潜力。最后,综合风电特点及其对系统的影响和备用在系统中的本质作用,提出了对于备用的广义理解。

1 大规模风电接入电力系统备用决策需考虑的因素

1.1 系统可靠性要求

电力系统可靠性是对电力系统按可接受的质量标准和所需数量不间断地向用户供应电力和电能能力的度量[4]。从运行的角度,充足的备用是应对各种不确定性因素、保证系统可靠运行的根本手段,而风电的接入增加了系统运行的不确定性,因此,大规模风电接入电力系统的备用决策需要协调考虑风电接入与可靠性之间的关系[5]。

风电出力随机波动又难以准确预测和调控,影响了发电系统可靠性。为了维持系统的可靠性,需要其他形式的电源为其充当备用,而备用的多少则与系统整体可靠性水平相关。网络方面,我国的风电基地大都远离负荷中心,风电需要远距离传输,且风电的不确定性会引起潮流的不确定,增加了发生阻塞的可能。因此,大规模风电接入影响了输电系统可靠性,也是备用决策需考虑的因素[6]。

1.2 负荷预测误差

在由常规电源组成的电力系统中,负荷是备用决策要考虑的主要随机因素。负荷预测的精度是确定备用容量的基础,预测的误差越大,相应的备用需求也就越大。

影响负荷预测精度的因素有很多,其中最重要的是预测时间和预测模型变量的多少。预测时间越长,结果的精确度越低;模型变量越多,结果的不确定性越强。关于误差的分布特点,一般通过概率密度函数建模进行分析。事实上,由于电力负荷数量众多、地域分布广泛,根据中心极限定理,一直以来,负荷预测的误差在理论上都被认为服从零均值的正态分布。

尽管负荷需求是随机变化的,但因其具有较好的周期性和规律性,目前,在负荷预测方面已达到了很高的准确度。

1.3 风电的不确定性

随着大规模风电场的建成与投运,风电的不确定性已成为系统备用决策要考虑的重要因素。与电力负荷相比,风电表现出更强的随机性和不同时间尺度上的波动性,但预测水平却远低于负荷预测。

风电预测误差与预测时间、风电场地形复杂程度、风速、数值天气预报的精度以及预测模型的精度等因素有关[7,8]。短期预测的均方根误差(RMSE)随着预测时间的延长而增大。若一个区域内存在多个风电场,其总的功率预测误差会比单个风电场的预测误差小。文献[9]研究了不同风电场之间的相关系数。风力机组及风电场在地理上的分散布置能在一定程度上减少系统的备用需求[10,11]。

风电预测误差的另一个研究热点是其概率密度分布函数,主要影响因素有预测方法和预测时间。一般的测量过程中,对误差的处理通常是假设其服从正态分布,但文献[12]发现风电预测误差的峰度值不符合正态分布的要求,该文献用可变峰度β分布函数拟合误差序列。文献[13]通过实测建立了正态分布与拉普拉斯分布加权的概率密度分布函数。然而,与负荷预测相类似,更多学者认为:大量分散布置的风电机组符合中心极限定理对风电预测误差服从正态分布的假设要求。在目前的研究中,正态分布假设是主流的做法。

1.4 其他因素

考虑到备用的经济性,备用的获取成本越低,电网公司愿意购买的备用越多;反之,获取成本越高,愿意购买的备用越少。随着市场差异化服务的引入,不同用户对电力可靠性的要求不同,相应的备用决策也会受到影响。还有,电力系统的运营模式、电源结构、电网规模等因素,都是备用决策过程中需要考虑的。

2 大规模风电接入电力系统备用决策方法

风电在不同时间尺度上较大的随机波动性及其难以准确预测的特性,使得系统需要配置额外的备用容量予以应对[14]。文献[15]认为风电出力波动主要对系统的二次、三次备用产生影响。文献[16]认为大规模风电接入后,系统秒至分钟级的自动发电控制(AGC)容量需求没有显著增加,日内调峰容量需求随风电装机容量的增加显著增长。

随着风电接入的变化,如何量化所需的备用容量以及如何优化与配置这些备用成为电力系统备用决策亟需解决的问题。

传统电力系统运营模式下,备用容量的设置是确定性的,主要针对机组停运和负荷波动等因素,常用的标准有N-1准则、负荷百分比准则或两者的结合。各所属电厂在确定的运行方式下留有一定备用容量,归系统调度员调度。这种决策方式简单方便,但由于不考虑机组停运、负荷波动等情况发生的概率,容易造成备用容量有时过剩、有时不足的结果,不利于系统经济运行。尤其大规模风电接入给系统带来了更大的不确定性,传统的确定性备用决策方法已难以适用。

针对确定性方法的不足,本节整理归纳了4种常见的概率性备用决策方法,分析各自特点,并对风电的处理方式、备用决策与机组组合的关系等问题进行了梳理与总结。

2.1 标准差法

风电出力的预测一般由预测值和误差来表示,其中,误差体现了预测结果的不确定性。在美国纽约州能源开发与研究管理局(NYSERDA)关于风电并网的研究中,负荷跟踪备用需求被设置为系统净负荷(电力负荷与风电出力之差)预测标准差的3倍,此方式原则上能够满足所有潜在实例的99.74%[17]。文献[18]考虑到风电预测误差比正态分布的尾部更长,采用了3.5σ标准。文献[19]在对北欧4国运行备用的研究中采用了4σ标准(99.99%的置信度)。事实上,很多国家和地区,如美国的纽约州、明尼苏达州,在系统实际运行中都采用了类似的备用设置标准[20]。文献[21]通过算例比较了此类方法与传统的确定性方法,提出加强对不确定性的估计以及建立概率性方法的评价体系是非常必要与重要的。

标准差法直观地反映了综合误差的概率分布与备用需求之间的关系,计算简单;不足之处是未能计及常规发电机组出力的不确定性,且置信度的物理含义并不明确。

2.2 基于可靠性的方法

备用需求与系统对可靠性的要求密切相关。经典的基于可靠性的备用决策当属早期的PJM方法[22]。后来,Billinton定义了“投运风险度”的概念,将系统的备用决策与可靠性指标关联起来[23]。但可靠性指标与机组运行状态、出力及备用之间并没有显式的函数关系式,因此,无法通过可靠性指标直接求解备用需求。针对这一问题,文献[24]采用分步研究的思路,将给定条件下机组组合与组合确定后的可靠性指标计算结合起来,通过反复迭代实现对备用容量的修正。文献[25]则尝试通过拟合的手段,寻找可靠性指标与备用容量之间的关系式,用可靠性约束代替备用约束,在机组优化的过程中同步实现备用容量的估计。

针对大规模风电的接入,文献[26-27]都是以PJM方法为基础,形成计及风电的发电停运容量概率表COPT(capacity outage probability table)。其中,文献[26]用条件概率分布处理风电出力,文献[27]建立了含4种不同的风能状态的风电场出力模型。

在建立可靠性指标与备用容量的函数关系方面,文献[28-29]在特定场景下,建立了每小时失负荷概率与机组停运概率、净负荷概率密度之间的解析表达式。但由于解析式非常复杂,该方法在应用上有一定困难。文献[30]将含风电的电源停运容量累积概率用高斯函数拟合,得出了备用需求和失负荷概率LOLP(loss of load probability)之间的关系式,作为约束引入机组组合。

基于可靠性的方法通过人为设定必须满足的可靠性指标,确保系统在运行中始终保持这一可靠性水平。不足是在安全性与经济性之间缺乏协调。

2.3 基于成本-效益的方法

发电机组担当备用或者系统获取备用容量都需要付出相应的成本,同时,备用容量的存在减少了电力系统失负荷的概率,为系统创造了效益。因此,系统的安全可靠性应该建立在对系统运行与失负荷的成本-效益分析的基础上。基于成本-效益的方法的目标函数通常为最小化社会总成本或最大化社会福利,通过对备用容量成本和经济价值的分析,寻找目标函数最优点,同时也是备用最优点[31]。决策不需要设置必须满足的可靠性水平。此方法在应用中的难点是如何获得消费者的停运成本曲线[32]。另外,备用市场及其与电能主市场之间的交易决策关系对系统备用容量的优化也有一定影响。

如何在基于成本-效益的方法中考虑大规模风电的影响?文献[33]采用风电盈余罚函数的方法在短期调度模型中量化风电不确定性的影响,也有在动态经济调度中使用上、下备用约束的[34],这属于确定性的处理方式。文献[35]将净负荷预测误差概率分布函数分为若干区间,每个区间通过文献[31]的成本-效益法确定最优备用,再对所有的最优备用按概率加权汇总。文献[36]把净负荷误差看作新的发电机组,通过近似离散处理,使其成为多状态机组引入COPT。文献[37-38]采用了场景树(scenario tree)的方法,对每个研究时段的净负荷(或风电)预测值都定义了3种场景,形成了多时段预测场景树。以上备用决策都是离线方式,文献[39]提出了一种在线决策备用容量的管理方法,通过等效成本法和价值函数法2种决策方式,全面地体现决策者对失负荷的态度,使备用的确定更加灵活、富有个性。

可靠性与经济性是系统运行的两个基本要求,单纯侧重任何一方都显得决策有失偏颇。文献[40]在机会约束规划框架下,以经济运行为目标,以可靠性水平为约束进行备用决策。文献[13]在此基础上考虑了风电出力的偏差,建立了含风电场的系统备用容量获取模型。文献[41]将风电接入电力系统发电的经济性和旋转备用的可靠性问题作为多目标优化问题进行求解,在一定程度上,兼顾了系统经济性与可靠性。

2.4 基于风险价值的方法

基于风险价值理论的Va R(value at risk)方法是衡量和管理金融市场风险的重要方法,由于其简便、灵活的特点,被广泛应用到很多学科。在电力工业中的应用多见于发电商的竞价策略、购电优化决策、电网投资风险评估等,亦有学者将其应用到大规模风电并网的相关研究课题[42]。

文献[43]提出了风险备用Ra R(reserve at risk)和条件风险备用CRa R(conditional reserve at risk)2个可靠性指标,并建立了基于CRa R的风险偏好型容量组合模型。文献[44]根据预测误差的置信度水平,将风电预测功率分为可靠出力和不可靠出力,前者参与系统调度,后者需要额外配置备用,采用解析法求解。为了更好地体现备用需求尾部的分布,文献[45]定义了条件风险备用,并利用其效用函数,建立了含大规模风电的系统备用决策模型,不仅能反映决策者对风险的态度,还能体现预测时间长短对备用需求的影响。文献[46]重点研究了历史误差样本的数据窗选择问题;提出了基于可信度理论的信度风险值(credibility wind power at risk)的概念和解决方法,作为系统备用决策的参考。

大规模风电接入系统的备用决策,除了上述4类方法之外,文献[47]提出了一种利用随机微分方程模拟连续时间尺度的系统净负荷及电源出力,进而确定实时平衡功率即备用需求的方法。文献[48]用频域方法模拟风电场出力,通过持续曲线的方式确定正常和极端天气情况下系统的备用需求。

2.5 小结

综上,大规模风电接入系统的备用决策方法针对引起备用需求的不确定因素进行分析,在常规电源系统备用决策方法的基础上纳入风电的影响,常用的方式有:1)概率密度函数法。通过风速的概率分布再经风电场建模,或直接利用风电出力的历史数据,拟合风电出力或其预测误差或净负荷预测误差的概率密度函数,求解在某一置信度下相应的备用需求,如文献[17-19,27-28]等。2)场景法。设定几种可能的风电出力场景,如文献[30]根据风能的概率分布枚举出4种风电场出力状态;文献[35,38]根据净负荷误差的概率密度分布函数将其离散化为不同概率的典型场景,形成场景树,此方法的关键是在场景多少和计算精度之间进行平衡,一般需要用智能算法求解并配合场景缩减的措施[49]。3)随机模拟法。采用某种模拟方法,给出系统未来各种可能运行状态及相应的概率,在概率框架下进行备用决策。如文献[27,50]建立了风电场出力的马尔科夫链模型,文献[39,51]采用了蒙特卡洛模拟法。

备用决策与机组组合是相互关联、不可分割的。从两者关系的角度再看前面所归纳的方法,基本上可以分为2类:一是在机组组合之前,预先确定系统总的备用需求(通常对应一定的可靠性水平),如[27,28,29,30]等;二是将机组组合与备用决策一并考虑,以成本最低为目标函数,将机组出力、备用容量等作为优化变量,如[31,37-38]等。第一类方法先量化、再分配,在满足系统可靠性的前提下,从经济性考虑或从环保的角度考虑,在不同类型的机组之间进行备用容量的合理分配。第二类方法量化与分配一体化完成,更符合电力系统运行的本质。因为备用容量的确定、调配与机组发电组合都是调度发电机组的出力,确定每台机组实际发多少用于满足负荷需要,剩余多少作为保证可靠供电的备用,因此,需要将两者有机地结合起来进行整体优化,但在建模和求解方面会相对复杂。

3 大规模风电接入电力系统备用容量配置

前面总结的备用决策方法都基于一个共同的假设前提:备用容量由电网公司或市场运营机构在发电侧进行配置。事实上,备用容量也可以从需求侧配置。本节将分别从电源侧和需求侧系统地讨论大规模风电接入电力系统的备用容量的配置问题。

电源侧。大规模风电接入在一定程度上减少了系统对常规电源的需求,另一方面,风电的随机波动性、反调峰特性和难以调度性又增加了对承担调峰任务的常规机组的需求。在常规调峰技术的基础上,为了避免机组频繁启停,发电公司可尝试采用火电机组深度调峰的运行方式,其关键是锅炉的低负荷稳燃技术。另外,火电机组的安全性、可靠性与经济性是深度调峰运行需要关注的问题。

为了平抑风电的功率波动,有学者提出了多种电源联合运行的思路[52,53,54]。文献[52]认为水电与风电在技术上和季节上具有互补性,水库的蓄水能力可以平抑来水的短期波动,使水电具有良好的容量特性。利用水电的容量支持风电、风电的电量支持水电,从而保障火电机组开停机稳定性。文献[53]认为太阳能与风能在时间和地域上也具有互补性,与独立风力发电或光伏发电相比,风光互补混合系统能使电力输出更可靠、更平稳。文献[54]以酒泉风电基地为例,论证了在考虑负荷特性、电网与风电技术出力等约束后,风、光、水、火电联合打捆外送是近期该基地大规模风电外送的最可行方式。

随着能量存储技术的迅速发展,近年来,越来越多的储能系统在电力系统中得到应用。不同的储能技术具有不同的容量调节范围(从几十k W到几百MW)和不同的放电时间(从毫秒级到小时级),非常适合用来平抑风电的功率波动[55]。储能技术与风电规划相结合将对风电发展产生推动作用。目前,在我国较为可行的储能技术是风电与抽水蓄能电站相互配合运行。文献[56]针对江苏电网“十三五”的电力发展目标,提出了风电、核电、抽水蓄能机组联合运行的电源规划建设方案,并研究了其容量配比与电源布局。文献[57]考虑到峰谷电价政策,利用抽水蓄能电站的储能作用将低谷时段的低价电能调整为高峰时段的稀缺电能,不仅平抑了风电功率波动,更能取得显著的经济效益。

随着控制技术日臻完善,风电场的内部调度和控制技术也在不断发展。既可以应用最优转速控制、平均功率控制、随机最优控制等控制策略对单个风电机组实施有功控制[58],也可以通过对内部各台风电机组的协调优化实现对整个风电场的有功控制。通过先进的技术手段和完善的政策支持,风电场不仅可以具备一定的自身调节能力,甚至还可以为系统提供一定备用[59]。

需求侧。购买多种不同特性、不同价格的备用容量要比购买单一备用容量所付出的经济代价和所遭受的市场风险小得多,可靠性也更高。特别在应对大规模风电接入后可能出现的小概率、高风险的容量事故或者输电阻塞问题时,需求侧提供备用的优势更加明显。

可中断负荷是需求侧提供备用最常见的形式。在可中断负荷参与备用市场方面,主要的研究集中在如何协调电源侧和需求侧两种备用资源,以达到预期的目标。文献[60]利用不同备用之间的经济互补性,建立了风险协调模型对各种备用进行优化,该方法比较适合工程应用。文献[61]从大规模风电接入、移动式负荷中断等方面对可再生能源接入下可中断负荷的参与形式、应用研究方法等问题进行了探讨。大规模风电接入对可中断负荷参与备用市场的影响主要体现在其随机性和波动性一方面增加了系统对可中断负荷的需求,另一方面也对可中断负荷的响应速度提出了更高的要求,增加了需求侧管理的难度。

作为解决风电出力不确定性问题的一种有效方法电动汽车这一储能装置,即V2H(vehicle to house)或V2G(vehicle to grid),将发挥重要作用[62]。文献[63]研究了电动汽车充电的负荷特性以及不同充电方式对电网的影响,建立了多时间尺度的电动汽车-风电协同调度数学模型,通过对华北、西北电网的仿真分析得出结论:调度电动汽车充电来抵消负荷下降而风电出力上升的功率不平衡,具有技术上的可行性。随着未来电动汽车接入规模的扩大,风电与电动汽车储能资源之间的协同效益会越来越明显[64]。

备用的配置除了面临技术上的具体问题之外,更重要的是经济、管理与机制方面的问题。如,配置可中断负荷作为备用,必须对有移峰能力却意愿不足的用户实施可中断电价和尖峰电价;我国在储能电价方面政策不到位,国内储能产业缺乏相应的投资回报机制,制约了储能技术的产业化、规模化发展。文献[65]提出了一种市场模式下基于代理商的需求侧响应管理架构,旨在为大规模风电接入系统提供可靠的备用。

4 结语

风电备用 第5篇

传统旋转备用总量通常用确定性方法确定, 如规定为年最大负荷或系统总装机容量的一个百分数, 或系统最大一台机组的容量[1]。随着并网运行风电场的规模和数量的不断增加, 风机的随机性、间歇性等特性会严重影响电网的安全稳定运行, 此时电网预留的旋转备用总量及其调度需要重新考虑。

目前国内外已有相关文献对旋转备用调度问题进行研究[2,3,4,5]。加入风电场后, 从旋转备用优化模型的优化目标出发, 节能角度多以煤耗量最优为目标, 经济角度多以系统的煤耗成本、购电成本及系统有功网损等最优为目标, 环保角度多以系统的污染物排放量或污染物排放成本最优为目标。参考文献[6]建立了能耗最小原则的旋转备用优化决策模型, 分别选用旋转备用计划和发电出力计划的独立建模分步优化、统一建模联合优化2种思路, 构建发电调度模型。但是在考虑风电预测偏差拟合函数时采用传统方法, 旋转备用总量的确定存在较大偏差。参考文献[7]构建了节能减排目标下电力系统短期经济调度的3种数学模型, 目前短期和中期的节能发电模型研究较成熟, 而实时调度模型的实现则相对困难。参考文献[8]构建了确定最优旋转备用容量的数学模型, 以旋转备用购买成本最小为目标, 以系统的安全性要求为约束, 并用基于蒙特卡罗仿真的遗传算法求解。但蒙特卡罗仿真计算量很大。参考文献[9]在对比分析节能调度方式、传统发电方式及竞价上网方式各自特点的基础上, 构建了煤耗最低、优先兼顾、购电成本最低的月度发电计划双目标模型, 但没有考虑发电机组的旋转备用成本。

本文在综合考虑风电场接入风险以及负荷预测偏差的基础上, 基于置信度确定系统旋转备用容量, 联合正态分布函数和拉普拉斯函数来拟合风电场处理预测偏差。建立以发电机组发电出力与旋转备用出力煤耗成本总和最小为目标的优化调度模型, 并采用规划方法进行机组发电出力容量和旋转备用容量的分配。

1 风电预测偏差的概率分布分析

1.1 风电机组出力与风速之间关系

在风电场的风速预测数据已知的情况下, 风电机组的出力与风速之间的关系为:

式中, v表示风机轮毂高度处的风速;vci表示切入风速;vco表示切出风速;vr表示额定风速;rWj表示风机j的额定输出功率。要计算风机的功率输出, 首先需要知道风机轮毂高度处的风速。对大量实测数据的分析结果表明, 一个地区的风速变化近似服从Weibull分布, 其概率密度方程为:

式中k表示形状系数, 取值范围为1.8~2.3, 一般取k=2;c表示尺度系数, 反映所描述地区的年平均风速。

1.2 风电预测偏差的概率分布

根据风力发电实际出力值与风力发电预测值之差, 可以绘制风力发电预测偏差概率密度函数, 进而求出其均值μ和方差σ2。参考文献[10]中以一个含32台风机的风电场为例, 通过分析一年中风电场日出力预测值与实际值之差, 给出了风力发电预测偏差概率密度函数曲线, 以及具有相同的均值和方差的分别服从正态分布和拉普拉斯分布的概率密度函数, 如图1所示。

此前的许多文献中都用正态分布曲线来模拟风电预测偏差曲线。根据图1得知, 风电预测偏差曲线与正态分布曲线以及拉普拉斯曲线都存在一定的差异, 主要表现在曲线的尾端宽度上。因此单纯采用正态分布曲线来模拟风电预测偏差曲线会影响旋转备用的容量, 导致旋转备用的预留容量不足, 影响系统的安全性与稳定性。

在统计学中, 峰度 (Kurtosis) κ是衡量实数随机变量概率分布峰态的标志。风电预测偏差曲线的尾宽度用κ来表示。均值为0的正态分布的峰度κ表示为:

一般情况下, κ表示为:

式中ε表示随机变量, 在本文中代表的是风电预测偏差;μ表示正态分布的均值;E (ε-μ) 4表示ε的四阶中心矩。

峰度是数据分布平坦性的度量, 正态分布和拉普拉斯分布的峰度分别是3和6[11]。峰度大于3时, 表示数据分布比正态分布顶峰陡、两尾宽度宽, 即数据中远离均值的极端数值较多;峰度小于3时, 表示数据分布比正态分布顶峰平、两尾窄, 即数据中远离均值的极端数值较少。通过公式 (4) 可求出风电预测偏差概率密度曲线的峰度值κW。根据参考文献[10], 实际风电预测偏差概率密度曲线的峰度值为4.8, 介于3和6之间。因此可以假设实际的风电预测偏差概率密度分布为正态分布与拉普拉斯分布的概率密度函数的拟合函数, 即:

公式中表示正态分布;表示拉普拉斯分布

为了使正态分布与拉普拉斯分布保持相同的均值μ和方差σ2, 两种分布之间的参数关系为σ2=2b2。

其中对于正态分布和拉普拉斯分布的系数α1和α2可通过下式求得:

2 旋转备用的获取策略

当考虑的系统中含有风电场时, 在建立旋转备用的获取模型时需考虑到风电机组出力预测偏差、负荷预测误差等不确定性因素。如要满足所有可能发生的情况下的系统安全性要求, 则对旋转备用容量的需求会相当大, 整个系统相应的成本会很高。然而现实中某些极端情况发生的概率非常低, 这样, 就需要在安全性和经济性之间进行权衡。引入置信度的概念。

正态分布曲线置信度区间如图2所示, 概率分布曲线为一条正态分布曲线, 其与横轴所围面积为1。图中阴影对应的边界值a、b即为置信度α时所对应的概率分布曲线的边界值。本文中, 置信度为α即表示旋备满足系统所有不确定性因素的概率。

引入风电场后, 考虑到并网运行风电场的规模和数量的不断增加, 此时需要重新确定系统旋转备用容量的值。

考虑负荷预测不确定性因素, 得到时段t的实际总负荷:

式中r'L (t) 表示时段t的负荷预测值;ΔrL (α, t) 表示时段t在置信度水平α下的负荷预测偏差总值。

考虑风电出力预测不确定性因素, 根据文中风电处理预测偏差概率分布, 得到时段t的实际风力发电量:

公式 (8) 中r'W (t) 表示时段t的风电场出力预测值;ΔrW (α, t) 表示时段t在置信度水平α下, 风电出力预测偏差总值。

考虑风电出力记忆系统负荷不确定情况下的旋转备用容量为:

式中R' (t) 表示不考虑负荷预测误差和所含风电场风电出力预测偏差等不确定因素时, 时段t系统留有的总旋转备用。

3 发电出力计划与旋转备用联合优化调度模型

为了在系统机组煤耗费用和旋转备用补偿费用总和上得到一个最小值, 将机组发电出力计划和旋备服务计划进行联合优化, 即将发电出力的煤耗费用与旋转备用的补偿费用之和最低作为优化目标。其目标函数如下:

式中, f[Pi (α, t) ]表示机组i的煤耗费用, 为发电出力值Pi (α, t) 的二次函数;h[Ri (α, t) ]表示对机组i旋转备用的补偿费用。

约束条件为:

(1) 有功功率平衡约束:

(2) 机组容量约束:

(3) 机组爬坡率约束, RDamp, i为下降旋转备用容量, RUamp, i为上升旋转备用容量:

(4) 线路潮流约束:

式中rW表示风电场功率;P表示火电机组功率;rL表示负荷功率;g1 (rW, P, rL) 表示线路功率;Pl max表示线路l允许流过的最大有功功率;β1表示线路潮流约束成立的置信水平。

(5) 节点电压约束:

式中Vp表示p节点实际电压;Vpmax表示p节点允许电压上限;Vpmin表示p节点允许电压下限;β2表示节点电压约束成立的置信水平。

(6) 备用约束:

公式中di (t) 为发电机组i的状态变量。如果机组i在日前电能市场的时段t没有被调度, 则di (t) =0;如果机组i在日前电能市场的时段t被调度, 则在确定di (t) 时需要计及该机组的强迫停运率, 这可以通过蒙特卡洛随机模拟方法来确定:随机产生一个[0, 1]内均匀分布的伪随机数xi, 若xiγi (给定值) , 则di (t) =0, 认为该机组在时段t故障停机;否则di (t) =1, 机组正常运行。

4 算例分析

本文的分析系统采用由10台常规燃煤机组和含100台风电机组风电场构成的系统。以虚拟元作为衡量单位, 在Matlab软件中对发电出力计划与旋转备用联合优化调度模型采用Fmincon函数进行了求解。

当置信度不同的时候, 系统所需的旋转备用总量以及煤耗费用与旋转备用补偿费用之和的结果如表1所示。

由表1可看出, 随着系统置信度的增大, 系统所含不确定性因素的满足率也随着增大, 导致系统的煤耗费用与旋转备用补偿费用之和也随着给定的置信度水平的提高而逐渐增大。在实际运行时, 可以根据要求选择一定的置信度, 在系统可靠性水平和购电费用之间进行折中, 以达到所期望的系统可靠性和经济性。

采用等备用模型与本文模型相比较。等备用模型发电出力等比例分配时, 以0.8置信度为前提, 并基于最小二乘法进行优化决策调整, 将总费用和本文提出的优化模型结果进行比较, 结果如图3所示。

通过对比发现, 在同一置信度水平下, 当采用等备用调度模型下发电出力等比例分配模型时, 系统一天24 h发电出力费用与旋备补偿费用之和为130 762.8虚拟元;当采用发电出力计划与旋备服务计划联合优化模型时, 系统一天24 h发电出力费用与旋备补偿费用之和为85 827虚拟元。结果表明, 联合优化模型在经济性方面优于等备用模型。

在联合优化模型的背景下, 对10机组的平均负荷率进行分析, 并与10机组的平均煤耗费用归一值比较, 结果如图4所示。

由图4可见, 在发电出力计划与旋备服务计划联合优化模型下高煤耗机组的平均负荷率小, 低煤耗机组的平均负荷率大, 说明在本文模型下, 对机组的发电出力分配较为合理, 经济性与节能性较好。

5 结语

本文通过将正态分布与拉普拉斯分布联合以模拟风电预测偏差的概率分布, 减少风电预测偏差的工程误差。基于置信度考虑, 确定了系统需要增加的旋转备用容量, 并建立发电出力计划与旋转备用计划联合优化模型。通过算例分析, 本文模型的经济性优于传统等备用模型。通过机组平均负荷率分析, 低煤耗机组的负荷率远高于高煤耗机组, 说明了联合优化调度模型的有效性。

参考文献

[1]中国电力百科全书 (第二版) 编辑委员会.中国电力百科全书[M].2版.北京:中国电力出版社, 2001.

[2]廖萍, 李兴源.实施节能发电调度的研究[J].四川电力技术, 2008, 31 (l) :8-9.

[3]曾鸣, 史连军, 董军, 等.与市场机制相协调的节能发电调度相关问题研究[J].电力技术经济, 2007, 19 (5) :1-5.

[4]Lee Tsung-Ying.Optimal Spinning Reserve fora Wind-Thermal Power System Using EIPSO[J].IEEE Transactions on Power Systems, 2007, 22 (4) :1612-1621.

[5]文福拴, 陈青松, 褚云龙, 等.节能调度的潜在影响及有待研究的问题[J].电力科学与技术学报, 2008, 23 (4) :72-77.

[6]谢国辉, 张粒子, 葛炬.节能发电调度旋转备用计划优化[J].电力系统自动化, 2009, 33 (13) :43-46.

[7]李谅, 陈轩.基于节能减排的电力系统短期经济调度研究[J].水电能源科学, 2010, 28 (6) :146-149.

[8]王乐, 余志伟, 文福拴.基于机会约束规划的最优旋转备用容量确定[J].电网技术, 2006, 30 (20) :14-19.

[9]毛毅, 车文妍.兼顾节能与经济效益的月度发电计划模型[J].现代电力, 2008, 25 (5) :73-78.

[10]Bludszuweit H, Dominguez-Navarro J A, Llombart A.Statistical Analysis of Wind Powr Forecast Error[J].IEEE Transactions on Power Systems, 2008, 23 (3) :983-991.

风电备用 第6篇

关键词：风电,可靠性,预测偏差,旋转备用

0 引言

世界范围内化石燃料等不可再生能源正在日益枯竭,大力发展新能源、加快能源结构调整已成为世界各国的共识。在现有的清洁能源之中,风力发电因其相对较低的发电成本和相对成熟的技术成为发展速度最快的新能源发电形式。截至2012年底,全球风电累计装机容量达到2.8310s kW,同比增长19%[1];其中我国风电累计装机容量7.532107 kW,同比增长20.8%[2]。

电力系统在运行过程中,需要预留一定的备用容量以保证安全。在由常规电源构成的系统中,确定系统所需备用容量的方法通常为:系统中的单机最大容量或系统负荷的固定百分比,这些方法简单且在电力行业中应用广泛,但从经济性角度来讲一般不是最优的[3]。由于风电出力受风速的影响很大,这种随机性与间歇性的特点使得电力系统安全运行风险增加,尤其是在穿透功率较高的情况下更为严重,传统的备用容量确定方法已经不能满足风电接入后系统的可靠性要求。因此,如何综合考虑系统运行的经济性和可靠性,合理安排风电接入后系统的备用容量,具有重要的理论和实际意义。

对于风电接入后对系统旋转备用容量的影响,文献[4]分析了风电接入后系统运行备用需求的性质,提出了一种基于风险的风电备用需求决策方法。文献[5]考虑大规模风电间歇特性,采用聚类分析技术对风电功率预测数据进行筛选,建立风电功率预测误差与备用需求变化间的关联模型优化备用容量。文献[6]计及不同机组提供旋转备用的成本差异,建立含风电系统旋转备用随机规划模型,能够根据系统容量冗余度灵活分配各时段的可靠性权重,实现调度周期内经济性与可靠性的协调优化。文献[7]针对紧急态势条件给出了不同时段归属不同备用状态的决策机制,并运用“两子集合优化”方法进行旋转备用智能调度,具有较强的适应性优化能力,为更多的风能接入电网创造有利条件。

可以看出在现有的研究中,均未考虑风电机组可靠性对旋转备用优化的影响。随着我国风电装机规模不断增加,加上工作环境的恶劣以及相应故障诊断技术没有配合提高,导致风电机组故障频发[8],因此,在大规模风电接入电力系统后,考虑风电机组可靠性对系统产生的影响是十分必要的。本文在研究风电出力概率分布特点的基础上,建立了风电机组可靠性模型;计及风电出力预测偏差、负荷预测偏差、常规发电机组故障停运等不确定因素,提出了考虑大规模风电并网的电力系统旋转备用容量优化模型。通过算例分析验证了本文模型的合理性和有效性。

1 风电场随机概率模型

1.1 风速概率模型

文献[9]指出,风速预测误差随机变量ΔV服从期望值为0、标准差为σv的正态分布,设u表示预测风速,那么实际风速随机变量V可表示为,其概率密度和分布函数分别为:

1.2 风功率概率模型

风电场出力与风速之间成非线性关系,其输出功率特性表示如下:

式中:vi为切入风速;vr为额定风速;v0为切出风速;Pr为风机的额定功率;a、b为曲线中三次函数段的系数。

假设风电场中所有风机都是一样的,并忽略尾流效应,则风电场输出总功率可简化表示:

式中:Wav为风电场的可利用风电功率;pw为1台风机的功率;Nw为风机个数。

风电场可利用风电功率Wav是混合随机变量,其离散部分的分布率为:

对于连续部分,由式(3)和(4),可得

由于T(V)是单调且可微的,则Wav的概率密度函数为:

1.3 风电机组停运概率模型

Monte Carlo方法在理论上可以对发电机组的所有可能状态进行模拟,但由于风电机组的计划检修时间较短,因此为简化计算,对风电机组的状态模型采用2状态模型[10]。假设每台风电机组的故障率为λi,修复率为μi,根据马尔科夫过程理论和状态空间法,可以得出风电机组的强迫停运率为:

在每次Monte Carlo状态抽样中,于[0,1]之间抽取1个服从均匀分布的随机变量γ,若γFORi,则认为该风电机组处于故障停运状态;若γ>FORi,则认为该风电机组处于正常运行状态。通过选取合适的步长形成风电机组停运容量区间,在全部抽样中统计停运容量落在各自区间的次数,便可得到风电机组的停运容量模型。

2 系统预测偏差模型

由于风电出力具有很大的随机性与间歇性,导致其预测存在一定的偏差:

式中:为t时段风电出力实际值;为t段风电出力预测值;为t时段风电出力预测偏差。

研究表明该偏差服从期望值为0、方差为的正态分布[11],并根据文献[12]的研究,有:

式中:为t时段风电出力的标准差;W1为风电场装机容量。

负荷预测同样存在一定的偏差:

式中:为t时段负荷实际值;为t时段负荷预测值;为t时段负荷预测偏差。

研究表明该偏差服从期望值为0、方差为的正态分布[13],并根据文献[14]的研究,有:

将风电出力视为“负的负荷”,则负荷与风电出力之差构成净负荷:

式中:为t段净负荷实际值;为t段净负荷预测值;为t时段净负荷预测偏差。

基于上文的研究和分析,风电出力预测偏差服从期望值为0、方差为的正态分布;负荷预测偏差服从期望值为0、方差为的正态分布;由于两者之间没有特定的联系,可以认为相互独立。根据概率论与数理统计的知识,净负荷预测偏差服从期望值为0、方差为的正态分布,且:

为了充分考虑随机因素对系统可靠性的影响,将风电机组的强迫停运和净负荷预测偏差引入发电机组停运容量模型(COPT)[15]由于净负荷预测偏差是连续型随机变量,不适合COPT的计算,因此将其离散化处理。

如图1所示,将的概率密度函数划分为M个区间,区间宽度为1个标准差,即;以第个m间的中点值作为第m个区间的期望值(m=1,2,,M);以相应区间的概率密度函数积分值作为相应区间期望值的概率。显然,M的取值越大,计算的精度越高,但计算量也会随之增加;反之,若M的取值过小,则无法充分反映风电和负荷预测偏差的分布特性。因此,在权衡COPT的计算量与计算精度后,本文取M=7,相应区间的概率密度函数积分值计算如下:

其中,

3 考虑大规模风电并网的电力系统旋转备用容量优化模型

3.1 目标函数

电力系统旋转备用成本通过发电成本衡量,因为计算出每个时段机组出力后,也就相应确定了该时段的旋转备用水平。旋转备用效益则通过停电期望成本衡量,以评估由于停电而造成的社会损失。因此在计及风电出力预测偏差、负荷预测偏差、常规发电机组故障停运等不确定因素后,考虑大规模风电并网的电力系统旋转备用容量优化模型可表示如下。

式中:NG为火电机组总数;为t时段的旋转备用容量;为t时段火电机组的发电成本;为t时段火电机组i的运行状态:Fi为火电机组i的成本特性;为t时段火电机组i的出力;为t段的系统期望停电成本:VOLL为单位失负荷价值;EENS'为t时段系统电量不足期望值。

3.2 约束条件

(1)系统功率平衡约束

式中:为t时段的风电力;为t时段的负荷。

(2)火电机组出力约束

式中:PGimax、PGimin分别为火电机组i出力上、下限。

(3)风电机组出力约束

式中:pWmax为风电出力上限。

(4)风功率切除概率约束

由于风电具有较强的随机性与间歇性,加上火电机组的调峰能力有限,要求系统在任何情况下都不弃风是不现实的,合理的做法是确保系统的弃风概率小于一定的置信水平:

式中:Pr{WA)为弃风概率;β为置信水平。

4 算例分析

本文采用文献[16]的10机系统进行算例分析,火电机组参数和负荷分别如表1和表2所示,风电场额定总有功出力为120 MW,含有并联运行的60台异步风电机组,弃风概率设为10%,VOLL取1 000$/MWh[15],选取时段22,负荷水平为1 100 MW进行分析。

4.1 优化结果及分析

图2为在不同旋转备用水平下总成本的变化趋势图,可以看出随着旋转备用水平的不断增加,总成本呈“V”字形变化。这是由于在旋转备用容量较低时,系统的可靠性较差,期望停电成本较高;随着旋转备用容量的增大,系统的可靠性不断提高,期望停电成本随之迅速下降;在达到某一水平后,系统的可靠性较好,期望停电成本变化不明显,而系统开机数目和容量的增加导致火电机组发电成本上升。因此,总成本呈现单峰、非凸的特点,并且在旋转备用容量为204 MW时达到最低的22 998$。

4.2 单位失负荷价值对优化结果的影响

图3反映了不同单位失负荷价值对最优旋转备用水平的影响。由图3可以看出,随着VOLL的增大,系统最优旋转备用容量也随之增大,这是因为期望停电成本在总成本中的权重逐渐增加,导致系统对可靠性水平有着更高的要求,因此需要安排更多的旋转备用容量提高系统的可靠性,降低系统的运行风险。

图4反映了不同单位失负荷价值对总成本的影响。由图4可以看出,在不同VOLL水平下总成本的变化趋势仍呈“V”字形,但在旋转备用容量较低时,由于系统的可靠性较差,期望停电成本较高,VOLL的增加会使系统运行成本显著上升;随着旋转备用容量的增加,系统的可靠性逐渐提高,导致期望停电成本下降,系统的运行风险降低,VOLL的增加对系统运行成本的影响也随之减弱。

4.3 风电场容量对优化结果的影响

图5为不同风电场容量对优化结果的影响示意图,其中风电场容量分别取120 M W、240 MW、480 M W。由图5可以看出,在不同风电场容量下总成本的变化趋势仍呈“V”字形,但在旋转备用容量较低时,系统的可靠性较差,期望停电成本较高,加上风电的随机性与间歇性会大大增加系统的运行风险,因此风电容量的增加会使系统运行成本上升;随着旋转备用容量的增加,系统的可靠性逐渐提高,期望停电成本随之下降,系统的运行风险降低,因此风电容量的增加会降低火电机组的发电成本,提高系统运行的经济效益。

5 结论

本文在研究风电出力概率分布特点的基础上,建立了风电机组可靠性模型;计及风电出力预测偏差、负荷预测偏差、常规发电机组故障停运等不确定因素,兼顾系统运行的经济性和可靠性,提出了考虑大规模风电并网的电力系统旋转备用容量优化模型。算例分析验证了本文模型的合理性和有效性,结果表明本文模型在追求发电成本最小化的同时,能够有效提高系统的可靠性水平,对含风电场的电力系统运行具有一定的参考价值。

风电备用 第7篇

风能是可再生能源的重要组成部分,积极发展风力发电对改善能源结构、促进节能减排、改善生态环境具有重要意义。 然而,风电由于受自然因素的影响,具有强烈的间歇性和随机波动性[1],当前的风电功率预测精度不高,大规模的风电并网会给电网的安全运行和经济调度带来很大影响。

维持系统足够的旋转备用是消纳大规模风电和减小电网运行风险的一个重要途径。 同时,还必须考虑电力系统调度的经济性,需要合理地安排旋转备用。 许多学者已经对含风电的电力系统旋转备用设置和经济调度的相关问题进行了大量研究。 文献[2 - 3]采用将风电预测出力的一定百分比作为附加旋转备用的需求,但固定比例的旋转备用容易造成备用不足或备用浪费的情况,不能使电力系统的经济性达到最优。 文献[4]以系统失负荷概率为可靠性指标来确定系统的备用需求,能确保系统在设定的可靠性水平下达到经济最优,但可靠性水平的设定带有很强的主观性及无法回答其是否合理。 文献[5 - 6]将风险成本化,以燃料费用与停电损失之和最小为目标,通过备用成本和风险成本的相互牵制自动确定系统最佳备用,但未考虑机组爬坡约束和网络约束对备用的影响。 以上文献只考虑了备用在总量上满足系统需求,未考虑备用在不同煤耗机组之间的分配及所安排的备用是否完全可用。 文献[7-8]研究了在总备用确定的情况下对备用在不同煤耗机组间的最优分配问题。 总之,上述文献均未能同时决策出系统总备用需求及每台机组承担的备用容量。 而在含风电电力系统的备用决策中,同时决策出系统的总备用需求和总备用在不同煤耗机组的经济分配是非常重要的,本文将对此进行研究。

本文考虑了风速预测误差和负荷预测误差2 种随机因素,并将可能的失负荷和弃风作为惩罚成本计入目标函数中,提出了一种含风电电力系统的日前发电计划和旋转备用决策模型。 在消纳全部预测风电,并满足机组爬坡等约束和系统安全约束的前提下,求取总费用最小时的日前24 时段各机组出力计划、正负旋转备用值。 对含一个风电场的26 机系统算例进行建模仿真,结果表明了本文模型的有效性和合理性。

1含风电电力系统中的不确定性因素

1.1 风电场的不确定模型

a.风速的不确定模型。

准确的风电功率预测可减小风电对电力系统的不利影响,研究表明,采用风速预测和风-功曲线得到的风电功率值比直接进行风电功率预测的准确度要高[9]。 大规模风电场地域分布广阔,根据中心极限定理,风速预测误差可以用正态分布表示[10],实际风速的概率密度函数为:

其中,v为实际风速;σv为风速的标准差;軃v为风速预测值。

b. 风功率的不确定模型。

不同类型风机的风能输入与输出之间的关系不同,本文使用目前广泛应用的变速恒频风机模型[11]来描述风速和风电功率输出之间的关系:

其中,PW和PN分别为风机的实际出力和额定出力;vin、vN、vout分别为风机的切入风速、额定风速、切出风速;a、b为曲线中三次函数段的系数。

假设所有风机出力完全一致,则有:

其中,Wav为风电场实际出力;NW为风机个数。

根据风速的概率分布和风机的输出特性可以求得风电场输出功率的概率分布函数fWav(Wav), 其离散部分和连续部分的概率分布见文献[12]。

1.2 负荷的不确定模型

负荷的不确定性可以采用负荷预测误差按正态分布来表示[13],负荷预测误差的概率密度函数为:

其中,ΔPL为负荷预测误差;σL为负荷预测误差的标准差。

2失负荷期望和弃风期望模型

由于风速和负荷预测误差的存在,使得系统面临失负荷和弃风的风险。 而允许一定程度的失负荷可以使用户和系统达到双赢[14-17]。 为方便后续推导失负荷期望和弃风期望,定义一个新的随机变量:

其中,PG∑为常规机组总出力计划值,其等于负荷预测值与风电功率预测值之差;L为负荷预测值。

由于负荷预测值和风电功率预测值为已知值,故随机变量Z的变化只与风电场实际出力功率Wav和负荷预测误差 ΔPL有关。 Z表示系统不平衡功率。Z = 0 表示系统功率平衡;Z > 0 表示系统发电功率富余,需要负旋转备用,Z<0 则相反。

假设Wav和 ΔPL相互独立,利用卷积公式可求取随机变量Z的概率密度函数:

其中,p0和pN分别为风电出力为0 和额定值的概率,其具体表达式见文献[12]。

2.1 失负荷期望模型

当Z < 0 且全部使用系统安排的正备用仍不能平衡系统功率缺额时(RtU< -Z,RtU为系统在时段t的正备用),就会产生失负荷,则有:

其中,ΔPloss= -(Z + RtU)为功率缺额;Lloss，t为在正备用值为RtU时的失负荷期望。

2.2 弃风期望模型

当Z> 0 且全部使用系统安排的负备用系统发电功率仍有盈余时(Z-RtD> 0, RtD为系统在时段t的负备用),就会产生弃风,则有:

其中,ΔWloss= Z - RtD为弃风功率;Wloss，t为在负备用值为RtD时的弃风期望。

由于式(6)(8)所含的积分函数很难获得其原函数具体表达式,本文采用数值积分方法近似求解。

3电力系统旋转备用决策模型

由于失负荷期望和弃风期望与正负备用的容量成负相关,备用的增加会减少系统的风险,本文通过将风险成本化,以备用成本和风险成本最小化来求取系统的最佳备用容量。

3.1 备用成本和风险成本模型

a. 正备用成本和失负荷成本。

当给定某一时段的正备用值,失负荷期望可由式(7)求出,则正备用成本和失负荷成本可以表示为:

其中,cRU为系统正备用容量的成本系数;cL为失负荷成本系数。

b. 负备用成本和弃风成本。

当给定某一时段的负备用值,弃风期望可由式(8)求出,则负备用成本和弃风成本可以表示为:

其中,cRD为系统负备用容量的成本系数;cW为弃风成本系数。

3.2 备用在具体机组的分配模型

a.3类发电曲线。

本文借鉴文献[7 - 8]通过定义3 类发电负荷曲线来进行备用分配的思想进行备用分配。 3 类发电曲线分别为预测发电曲线KG0、正备用全部使用时的最大发电曲线KG1、负备用全部使用时的最小发电曲线KG2。 3 类发电曲线如下:

其中,L，t为时段t的负荷预测值;W，t为时段t的风电场出力预测值。

b. 备用分配模型的目标函数。

3 类发电曲线各对应一个目标函数:

其中,T为总时段数;N为火电机组总数;Pi0，t、Pi1，t、Pi2，t分别为火电机组i在时段t对应3 条发电曲线的有功出力;Si为机组i的启动成本;Ii，t为机组i在时段t的启停状态;Ci为火电机组i的发电成本,如Ci(Pi0，t)=aiP2i0，t+ biPi0，t+ ci,ai、bi、ci为发电成本系数。

3 个目标函数分别按照3 条发电曲线分配机组有功出力,在同一时段,3 个目标函数的机组启停状态相同。 则Pi1，t-Pi0 ，t就是机组i在时段t承担的正备用容量;Pi0 ，t-Pi2 ，t就是机组i在时段t承担的负备用容量。

3.3 备用决策模型

当确定系统的正负备用,系统的备用成本、风险成本和机组计划出力成本确定,而系统需要通过寻优找到系统总费用最小时的正负备用容量,目标函数如下:

其中,FU，t的值由式(9)求得;FD，t的值由式(10)求得;F0的值由式(14)求得,F0中的机组计划出力Pi0 ，t要受式(15)中的机组最大出力Pi1，t和式(16)中的机组最小出力Pi2 ，t的约束。

3.4 模型约束条件

a. 系统功率平衡约束。

b. 机组出力限制约束。

其中,Pimax、Pimin分别为机组i的出力上、下限。

c. 机组爬坡速率约束。

其中,ΔPup，i、ΔPdown，i分别为机组i的正、负爬坡速率。

式(24)表示时段t的最大出力相对时段t - 1 的最小出力必须满足机组爬坡速率约束;式(25)表示时段t的最小出力相对时段t - 1 的最大出力必须满足机组爬坡速率约束;式(26)表示同一时段的机组最大出力和最小出力必须满足爬坡速率约束。

d. 机组最小运行、最小停运时间限制。

其中,Tion、Tioff分别为机组i的最小允许开机时间和最小允许停机时间; xi，t - 1为机组i在时段t - 1 的开停机时间,当xi，t -1≥1 时表示已开机时间,当xi，t -1-1时表示已关机时间。

e. 支路传输容量约束。

为简化模型采用直流潮流表述支路传输容量约束,本文采用节点的发电转移分布因子来表示线路传输功率。

其中,Gj，m为节点m对线路j的发电转移分布因子;Pm0，t、Pm1，t、Pm2，t分别对应发电曲线为预测发电曲线、最大发电曲线、最小发电曲线时节点m在时段t的注入功率; fjmax为线路j的最大输送功率;M为节点总数。

4求解方法

本文模型待求的参数包括系统每时段的正负备用容量、每台常规机组的计划出力及其所承担的正负备用容量。 本文模型可以表达为混合整数线性规划问题,从而采用CPLEX等商业软件求解,也可以采用任何一种现代智能算法进行求解,但计算量较大。这里出于简化计算的考虑,采用优先列表法和基于最小边际成本法的经济调度法[17]相结合进行求解。

计算开始先初始化各时段的正负备用初值,根据正负备用初值结合式(7)和式(8)可以求出各时段的失负荷和弃风期望。 然后依据式(9)和式(10)可以求出模型的备用成本和风险成本。

在备用分配和确定机组计划出力时,先通过经济调度求取最大发电曲线下的各机组出力Pi1，t,然后在满足爬坡约束式(24)(26)的前提下通过经济调度求取最小发电曲线下的各机组出力Pi2，t,最后以最大出力Pi1，t和最小出力Pi2，t为约束(约束式(23)),通过经济调度求出机组的计划出力Pi0，t,则式(14)的成本确定。 目标函数式(15)和式(16)作为约束来影响式(14) 和式(17) 中机组的计划出力成本, 同时也确保正旋转备用Pi1，t- Pi0，t和负旋转备用Pi0 ，t- Pi2 ，t的可用性。

目标函数式(17)的值随正负备用变化,以式(17)减少的方向,对正备用RtU和负备用RtD进行寻优,找到使目标函数式(17)最小时的正负备用值即为最佳正负备用值,同时能得到最佳正负备用值下的每台机组出力计划和其承担的正负备用。

本文方法的求解步骤如下。

a. 读取数据(包括发电机参数、负荷、风电场及风速数据等)和进行初始化(如置迭代次数k=1)。

b. 根据式(7)得到失负荷期望Lloss，t与正备用RtU之间的关系,以式(9)为优化目标求出每时段的正备用RtU,作为正备用初值;同理根据式(8)和式(10)求出每时段的负备用RtD,作为负备用初值。

c. 通过风电场预测出力和负荷预测值,结合每时段的正负备用值,求出常规机组的3 条发电曲线。

d. 以满足最大发电曲线为目标,在满足式(27)前提下求取24 时段各机组启停状态。

e. 通过经济调度计算出机组的最大出力Pi1，t、最小出力Pi2 ，t和计划出力Pi0 ，t。

f. 判断是否满足支路传输约束式(28)(30),若不满足则限制相关机组出力,转步骤d继续迭代;若满足则转步骤g。

g. 计算出当前正备用RtU和负备用RtD下的备用费用、惩罚费用和机组计划出力费用,记为F(k)。 按总成本F(k)减少的方向对正负旋转备用进行寻优,求得优化后的F(k+1),判断是否满足|F(k)-F(k+1)|< ε(ε为一很小的正数),如果满足则转步骤h;否则按F(k)减少的方向修改RtU和RtD,令k=k+1 转步骤c继续迭代。

h. 输出每时段的正负备用值RtU和RtD;输出各机组的计划出力Pi0 ，t及其承担的正备用容量Pi1，t- Pi0，t和负备用容量Pi0，t- Pi2，t。

5算例分析

5.1 算例参数

为验证本文所述模型和方法的有效性,算例选用IEEE-RTS24[18]系统。 该系统包含24 个节点、34 条支路、26 台发电机。 负荷预测数据、机组能耗特性、机组爬坡速率见文献[18]。 在系统节点9 中接入1个风电场群,设该风电场共有200 台额定功率为2 MW的风力发电机。 风电场中风力发电机的参数如下:vin= 3 m / s,vN= 12 m / s,vout= 25 m / s。 24 时段的风速预测值如图1 所示,风速预测误差的标准差取预测值的20 %,负荷预测误差的标准差取预测值的4 %。 模型中正旋转备用成本系数为20 $ / (MWh),负旋转备用成本系数为11$ / (MWh),甩负荷惩罚成本系数为1000 $ / (MWh),风电溢出惩罚成本系数为50 $ / (MWh)。

5.2 系统的最佳备用值及相关分析

通过模型优化计算得到的24 时段最佳正负旋转备用值如表1 所示。

图2 为系统费用、失负荷期望随正备用变化的关系图。 在计算过程中,保持每时段的最佳负备用值不变,正备用变化量为最佳正备用值的5 %,系统的总正备用容量为24 时段的正备用容量之和。

由图2 可以看出随着正备用值的增加,系统的失负荷期望不断减少,系统的期望总成本先减少后增加。这是因为当正备用值比较小时,随着正备用的增加,失负荷惩罚费用的减少大于正备用费用的增加,系统总费用减少;当正备用超过最佳值时,随着备用的增加,失负荷惩罚费用的减少小于备用费用的增加,系统的总费用增加。

图3 为系统费用、弃风期望随负备用变化的关系图。 在计算过程中,保持每时段的最佳正备用值不变,负备用变化量为最佳负备用值的5 %,系统的总负备用容量为24 时段的负备用容量之和。

由图3 可以看出,随着负备用值的增加,系统的弃风期望不断减少,系统的期望总成本也呈现出先减少后增加的趋势。 由图2 和图3 可知,随正负备用变化,系统总成本呈现先降后增的趋势,而系统总成本最小时对应的正负旋转备用即为本模型所要求的最优解。 本文方法能通过成本和风险之间的牵制,摆脱人为决策的影响,自动获取最佳正负备用容量(见表1)。

由图4 可知,随着失负荷惩罚成本的增大,系统所需要的正备用容量和期望总成本呈现不断增长的趋势。 这是因为失负荷成本越大,表明对系统的可靠性要求越高,则正备用需求越大,从而导致系统总成本增加。

5.3 备用优化分配

选取时段15 为例进行说明,时段15 所需的正备用为308.3 MW、负备用为173.8 MW,其在各机组的分配情况如表2 所示,表中未列出的发电机组在时段15 为停机状态。

从表2 可以看出,本文在备用分配过程中考虑了备用的节煤效益,在满足机组爬坡速率的前提下,煤耗成本较高的机组优先承担正备用,煤耗机组稍低的机组承担负备用,煤耗成本最低的机组保持满发状态而不承担备用。 此种备用分配的意义是:正备用根据机组煤耗由低到高进行安排,当需要增加常规机组出力时,优先增加煤耗成本低的机组出力;负备用根据机组煤耗由高到低进行安排,当需要降低常规机组出力时,优先降低煤耗成本高的机组出力,如此安排正负备用,能最大限度地降低使用备用后系统的总煤耗成本。

5.4 爬坡约束和支路传输容量约束对备用的影响

在备用分配中不考虑爬坡约束式(22)(24)时时段15 的备用分配情况如表3 所示。

由表2 和表3 比较可知,不考虑机组爬坡速率,煤耗成本很高的机组1517 承担更多的正备用,煤耗成本稍高的机组9、10、13、14 承担更多的负备用,而煤耗成本较低的机组6、1821 不再承担备用。不考虑机组爬坡速率约束时系统总成本从$ 782409降为$ 778048。 不考虑爬坡速率能更好地通过降低高能耗机组的出力、增加低能耗机组出力,来减少系统的总成本,但是这样分配的备用不完全可用。 表3中机组9、10、1317 所承担的备用超过了机组的爬坡约束,从而导致超过爬坡约束的备用无效。 表2 的备用分配考虑了爬坡约束,但会导致系统煤耗增加,其实质是通过增加煤耗来保证备用的可用性。

为研究支路传输容量约束对备用安排的影响,将线路7-8 的传输容量由250 MW降为150 MW。由图5 可知,如果仅考虑约束式(28)进行备用安排,当因风电和负荷的波动,系统需要按最大发电曲线发电时,线路7-8 的部分时段将会发生支路有功潮流越界。 若增加考虑约束式(29)和式(30),即要求正负备用全部被使用时,也必须满足支路传输容量约束。此时,各机组承担的备用容量将会被重新分配,以满足系统的安全约束。 如图6 所示,为了满足最大发电曲线下的支路传输容量约束,节点7 上的3 台机组在时段11 后所承担的正备用有所减少。 考虑约束式(29)和式(30),系统总成本从$ 782 409 增加到$ 783 226,但保证了备用的可用性,其实质是增加煤耗量来换取系统的安全性。

6结论

本文提出了一种新的含风电电力系统的日前发电计划和旋转备用决策模型。 在发电费用目标函数中计入失负荷和弃风2 种风险成本,通过备用成本和风险成本相互牵制来获得最佳备用值,实现了电力系统经济性和安全性的平衡。 模型同时求出各机组出力计划和每时段最佳正负旋转备用。 本文模型既考虑了系统总备用量又考虑了备用在不同煤耗机组之间的最优分配,同时考虑机组爬坡速率约束和电网安全约束,能为运行人员安排有效可用的正负旋转备用和机组出力计划提供依据。

摘要：提出了一种新的大规模风电并网后日前发电计划和旋转备用决策模型。利用风电和负荷2种随机因素的概率密度函数估算系统的停电损失和弃风损失,并将它们作为风险成本计入发电成本目标函数中,在充分满足机组爬坡和系统安全等约束的前提下,同时求解每台常规机组的日前出力和正负旋转备用量。采用优先列表法和基于最小边际成本法的经济调度算法对模型进行求解。算例分析结果表明,所提模型和方法是有效的。