储能电站参与调峰的风-火-储联合系统分层优化调度方法_张伟骏.pdf

储能电站参与调峰的风火储联合系统分层优化调度方法张伟骏，陈大玮，熊嘉丽，李智诚，晁武杰（国网福建省电力有限公司电力科学研究院，福建 福州 ）摘要：为充分挖掘储能参与系统调峰潜在价值，合理分配风、储、火等系统出力，有效降低系统运行成本，提高可再生能源消纳水平，提出了一种储能电站参与调峰的风火储联合系统分层优化调度方法。为了提高模型泛化能力和预测精度，采用基于集成学习的风电预测方法得到风电场出力曲线。分层优化调度方法的上层优化模型以最小化净负荷波动为目标，对各时段储能电站充放电功率进行优化。下层优化模型以最小化风火储联合系统运行成本为目标，基于上层优化模型传递的净负荷曲线，优化求解得到火电机组最优出力和最大调峰收益。关键词：储能调峰；风火储联合系统；分层优化调度；净负荷曲线中图分类号：，（，）：，：；基金项 目：福 建 省 科 技 创 新 战 略 研 究 联 合 项 目 资 助（编 号 ）收稿日期：作者简介：张伟骏（），硕士，研究方向为电力系统及其自动化、电力储能；陈大玮（），博士，研究方向为综合能源系统、电力储能；熊嘉丽（），硕士研究生，研究方向为电力系统及其自动化、电力储能；李智诚（），博士，高级工程师，研究方向为电力储能、电力电子技术；晁武杰（），通信作者，博士，高级工程师，研究方向为柔性直流技术。引言新能源的开发利用是实现能源可持续发展和改善环境质量的有效途径。然而，风、光等可再生能源发电具有显著的随机性、波动性和间歇性。因此，高比例新能源电力系统需具备足够的调节容量以应对可再生能源的强不确定性。作为调峰调频的主力，传统火电机组存在调节速度慢、响应时间长等问题，难以快速、精确跟踪电力调度指令，导致我国部分地区弃风、弃光现象严重。储能具有响应速度快、响应精度高、控制灵活等优势，为解决大规模新能源并网带来的电网调峰调频问题提供了重要途径。目前，部分学者已针对储能参与电力系统调峰开展研究。文献 指出低谷调峰问题将成为制约风电并网的主要原因，储能辅助技术研究和火电机组调峰管理是提高风电消纳规模的重要措施。文献 利用储能电站对电力负荷进行“削峰填谷”，以提高系统的可再生能源消纳能力。电工技术电力自动化此外，还有不少研究针对火储调峰的经济性及调峰效果开展。文献 建立了储能参与调峰调频双重服务的日前调度联合优化模型，该模型以系统运行成本最小为目标协调控制储能与发电机组。文献 提出了风蓄联合系统削峰的调度策略，该策略利用抽水蓄能将风电出力时空平移来平滑净负荷曲线，从而减少火电机组出力的燃煤耗费。文献 提出了一种储能与正常调峰、深度调峰、投油调峰和启停调峰等常规手段优化组合调峰的方法，并根据年调峰不足概率和年调峰费用指标来制定组合调峰优化方案。文献 提出了一种储能辅助火电机组深度调峰的分层优化调度方案。以上研究表明，利用储能电站对负荷进行“削峰填谷”能够减轻火电机组的调峰压力，有效避免火电机组大幅度频繁调整出力，提高电网的可再生能源消纳能力。但上述研究大都只针对调峰经济收益或净负荷波动展开，并未综合考虑二者。关于含风电场的联合系统优化调度，文献 提出了一种以火电机组出力波动最小、系统运行成本最低、弃水率最低为目标的风火水联合系统多目标优化调度模型。基于改进 和多智能体深度确定性策略梯度算法，文献 提出了一种风储联合系统日前优化调度方法来平抑风力发电的功率波动。文献 提出了一种考虑风电不确定性的热电联产系统优化调度模型，该模型利用储热提高系统运行灵活性，从而降低了系统运行成本。为充分挖掘储能参与系统调峰潜在价值，合理分配风、储、火等系统出力，有效降低系统运行成本，提高可再生能源消纳水平，本文提出了一种储能电站参与调峰的风火储联合系统分层优化调度方法。基于集成学习的风电功率预测方法 基本原理由于大气系统的混沌特性，风电、光伏等可再生能源的出力具有强不确定性。随着可再生能源发电占比逐年提高，电力系统已逐渐由需求侧弱不确定性系统向供需双侧强不确定性系统转变。精确、可靠的可再生能源发电功率预测技术能够为电力系统运行控制提供重要的信息支撑，保障系统安全稳定与经济运行。集成学习通过将多个学习器进行组合来提高预测模型的泛化能力。从理论的角度看，集成学习可以结合任意类型的学习器。但大量研究表明，基于弱学习器的集成学习算法泛化能力更强。常见的集成学习算法主要有 和 。算法通过有放回的抽样方式将样本集划分为多个数据集，并对多个数据集分别进行模型训练。算法则采用自适应的方法顺序地训练弱学习器，并对样本赋以权重来提高模型的准确性。基于集成学习的预测方法本文采用一种基于 算法的集成学习模型来预测风电的功率输出。首先，基于测量数据构建个训练样本集，并对样本集中的样本权重进行初始化。（）式中，为样本集中的单个样本；为样本集中的样本数。基于初始权重训练初始学习器（），并计算初始学习器在各个样本下的误差。，（）式中，为样本集在第次迭代中的平均误差；，为样本集中单个样本的误差。然后，重新计算样本权重与学习器权重，为：（），（）（）（）式中，为样本在第次迭代中的权重；为归一化因子；为弱学习器（）在第次迭代中的权重。将训练得到的所有弱学习器进行结合，得到集成学习模型的输出结果为：（）（）（）通过以上集成学习模型即可得到风电场日前预测出力曲线，为风火储联合系统的优化调度提供可靠的信息支撑。联合系统分层优化调度模型 上层优化模型 目标函数联合系统分层优化调度模型的上层优化模型以利用储能电站实现电网削峰填谷为目标，目标函数中的削峰填谷效果用净负荷波动最小来表征。净负荷是系统总负荷减去风储联合系统出力后火电机组实际承担的剩余负荷量。为避免火电机组大幅度频繁调整出力，应尽量使火电机组承担的净负荷波动性最小。为此，建立如下目标函数：（）（）式中，为调度时段的个数；为系统在时刻的净负荷值；为系统在时刻的平均净负荷。系统在时刻的净负荷值和平均净负荷为：（）（）式中，为系统在时刻的总负荷；为系统在时刻消纳的风电场输出功率；为储能电站在时刻的功率。系统运行约束为提高风火储联合系统的可再生能源消纳能力，上层模型要求风电场的发电功率能够被全额消纳，即系统弃风率为，表示为：（）式中，为风电场在时刻的最大输出功率。电力自动化电工技术 储能电站的运行约束包括荷电状态约束、功率约束、充放电互补约束。其中，储能电站的荷电状态约束确保储能不会过充或过放，表示为：（）式中，和 分别为储能电站的最小和最大荷电状态。储能电站在时刻的荷电状态为：（），（），（）式中，为储能电站在时刻的荷电状态；和为储能电站的充、放电状态（表示储能电站处于放电状态，反之为，表示储能电站处于充电状态，反之为）；和分别为储能电站的充、放电效率；为储能电站的容量。由于储能电站不能同时充放电，因此还需满足充放电互补约束：（）此外，储能电站的功率约束可表示为：（）式中，和 分别为储能电站的最小和最大功率。下层优化模型 目标函数分层优化调度模型的下层优化模型以最大化调峰收益为目标。调峰收益由上网电价和发电成本构成。为使风火储联合系统的调峰收益最大，应合理分配各火电机组出力。为此，建立以下目标函数：，（，）（）式中，为上网电价；为火电机组数量；，为火电机组在时刻的出力；（，）为火电机组在时刻的发电成本；为储能电站的运行成本。其中，火电机组的发电成本可以表示为发电功率的二次函数为：（，）（，），（）式中，、和为火电机组的能耗特性曲线参数。系统运行约束上层优化模型确定了净负荷曲线，下层模型中需要优化各火电机组出力以满足风火储联合系统的净负荷。因此，建立如下功率平衡约束：，（）此外，火电机组应满足机组组合约束，包括容量约束、爬坡约束、最小启停时间约束和二进制变量的逻辑约束。其中，火电机组容量约束可表示为：，（）式中，为火电机组在时刻的运行状态，若机组处于开机状态，则，否则，；，和，为火电机组的最小和最大功率输出。火电机组的爬坡约束可构建为：，（），（）式中，和 分别为火电机组出力的最大上升和下降速率。火电机组最小启停时间约束为：（，）（，），（）（，）（，），（）式中，和 ，分别为火电机组在时刻的实际开机和关机时间；和 为火电机组的最大开机和关机时间。可以看到，火电机组最小启停时间约束为非线性约束。为了简化模型，引入二进制变量，和，来表示火电机组的启动和关停，约束（）和（）可以被重新构建为：，（，），（）（，），（），（）（，）（），（，）（，）（），（）（，），（）（，）（）联合系统分层优化调度方法流程图为风火储联合系统分层优化调度方法的流程。首先，采用基于集成学习的风电场发电功率预测方法可以得到风电场的出力预测曲线。然后，求解上层优化模型，得到联合系统净负荷曲线。上层优化模型的目标函数（式（）为二次函数，运行约束均为线性约束，因此上层优化模型为简单的二次规划问题。最后，求解下层优化模型即可得到火电机组和储能的调度结果。下层模型中目标函数（式（）为二次函数，机组组合约束中包含大量整数图风火储联合系统分层优化调度方法流程电工技术电力自动化变量，因此下层模型可以被构建为混合整数二次规划问题。上层模型和下层模型均可以采用 等优化软件快速进行求解。算例分析 算例参数本节采用的测试系统如图所示，共有台火电机组，个储能电站和个风电场。表和表给出了火电机组和储能电站的相关参数。火电上网电价为 元（），火电深度调峰补偿电价为 元（），机组深度调峰交易时段为：、：。风电场历史数据为某实际风电场 天的实测数据，风电和负荷的预测结果如图所示，其中风电场的预测出力是采用第节中基于集成学习的预测方法得到的。所有仿真算例均通过 进行求解。图测试系统拓扑图表 火电机组参数机组出力上限爬坡速率 燃料成本系数 表储能电站参数储能容量（）储能功率荷电状态上限荷电状态下限储能效率储能运行成本（元（）图 风电和负荷的预测数据 双层优化调度模型仿真结果分析对上层优化模型进行求解可以得到风火储联合系统的净负荷曲线。图给出了优化前与优化后的净负荷曲线。可以看到，优化前（不考虑储能时）系统净负荷曲线的最大峰谷差为 ，而优化后净负荷最大峰谷差仅为 ，最大峰谷差降低了近 ，证明了储能电站参与系统调峰的有效性。因此，所提出的风火储联合系统的双层优化模型可以有效降低负荷的峰谷差，实现“削峰填谷”。图 优化前与优化后的净负荷曲线求解双层优化调度模型的下层优化模型可以得到各火电机组的调度结果。图给出了火电机组的最优出力结果。可以看到，机组在整个调度周期的出力最大，这是因为机组的容量最大且燃料成本系数中的平方项系数较小，相较其他机组运行在较高负荷率具有更好的经济优势。在负荷低谷时段（时段），较大容量的机组和机组出力小于较小容量的机组和机组，这是因为机组和机组的燃料成本系数的平方项系数较大，运行成本更高。图火电机组的最优出力结果储能电站具有良好的灵活性和可控性，既能在一定程度上弥补风电的反调峰特性，又能优化火电机组的出力，提高调峰机组的整体收益。图给出了储能电站最优充放电功率及各时段储能电站 。由此可知，储能电站主要图储能电站最优充放电功率及储能电站 电力自动化电工技术 在低负荷时段（时段、）开始充电，提高了净负荷曲线的“谷 值”。在 负 荷 高 峰 时 段（时段、）开始放电，降低了净负荷曲线的“峰值”，有效缓解了火电机组的调峰压力。且在调度过程中，储能电站的荷电状态始终满足运行约束，保障了储能电站的运行安全。双层优化调度模型有效性分析为了进一步验证本文所提出的双层优化调度模型的经济性和有效性，选取以下种模型进行对比分析。（）模型：风火储联合系统双层优化调度模型。（）模型：风火储联合系统调峰收益最优模型。（）模型：不考虑储能的风火联合系统调峰收益最优模型。种模型均基于图中的风电、负荷预测结果，其中模型为本文提出的双层调度模型，模型仅考虑最大化调峰收益的目标，模型仅采用火电机组进行调峰。不同模型的调峰经济收益及净负荷波动见表。由此可知，模型的调峰收益和净负荷波动均优于模型，证明了储能电站参与系统调峰的经济性和有效性。其次，虽然模型的调峰收益略低于模型，但其净负荷波动远远小于模型。这是因为所提双层模型同时考