风电并入冷热电联供系统的优化运行控制

周任军，尹 权，康信文，李绍金，陈瑞先，王 蛟

（1.长沙理工大学 智能电网运行与控制湖南省重点实验室，湖南 长沙 410004；2.湖南省电力公司 柘溪水力发电厂，湖南 益阳 413508）

冷热电联供系统（Combined cooling heating and power，CCHP）以其优越的能源梯级利用性能及能同时供给多种形式的能源而得到了广泛关注［1-3］；电力 系 统 中，电能 需 满 足 实 时 平 衡，而CCHP中的冷、热能只需要满足阶段性平衡。风电以绿色、清洁等特性而得以快速发展，但风电出力固有的随机性及预测偏差，在一定程度上桎梏了风电的高效利用［4］。因此，可将风电通过电制热机组以热能形式为CCHP供能，解决风电出力随机性及预测偏差对系统造成的影响。

为了提升风电、太阳能等可再生能源的利用效率，充分发挥CCHP能源梯级利用的优势［4-5］，降低可再生能源随机性并网带来的安全问题，可将其接入CCHP进行协调优化调度，能够在一定程度上消除可再生能源随机性的影响。文献［6］在传统CCHP基础上，集成了太阳能和光伏，太阳能以热能和电能的形式参与系统供能，能源利用率得到显著改善；文献［7］在考虑蓄热设备的基础上，集成了风电CCHP，系统的供热稳定性得以提升，风电经济效益得以改善；文献［8］在传统CCHP基础上，配置了大容量的电制热机组，增强了联供系统的供热可靠性。由于供热允许存在一定延时的特性［9］，在降低风电随机性影响的同时增加联供系统的供热可靠性，且提升系统经济效益，可将风电随机性对电网的影响转移到联供系统的热能供应当中加以处理。

目前，研究工作大多局限于风电通过公共连接点（Point of Common Coupling，PCC）直 接 并网［10-12］或参与微电网的电能供应［1］。文献［11］研究了微电网系统通过PCC接入城市电网的优化问题；文献［1］建立的含有风电CCHP的节能优化协调模型，综合考虑了联供系统的节能特性；笔者从风电供电和制热2种供能方式出发，分别建立风电供电优化模型和风电制热优化模型。针对风电出力的不确定性，优化模型的求解需采用处理随机性问题的优化方法。机会约束［10］具有良好的处理能力，但机会约束的优化求解较为复杂；条件风险方法［2］得到了广泛的研究和应用，但其风险的含义容易引起语义上的自相矛盾［13］；α-超分位数方法［14］从数学意义角度出发，能够很好地解决上述问题，因此，采用α-超分位数方法构建风电供能模式随机优化模型。优化结果在为决策者提供风电并网运行模式控制信息的同时，可为智能电网背景下可再生能源的高效利用提供参考。

1 风电供能模式及其控制系统

1.1 风电供能模式

1）CCHP系统。CCHP系统由燃气轮机（Power Generation Unit，PGU）、辅助锅炉（Auxiliary Boiler，AB）、余热锅炉（Waste Heat Boiler）、电热锅炉（Electric Boiler，EB）、吸收式制冷机（Absorption Chiller，AC）、蓄热槽和风电机组构成［15］，系统能量流程如图1所示。

图1 CCHP系统能量流程Figure 1 Energy flow chart of the CCHP system

2）风电供热模式。

当前，风电资源的利用主要是以电力供应的形式直接就地消纳或通过PCC接入到电网成为随机性电源为电网供电。根据CCHP系统的特点及热电负荷特性的差异，提出风电通过电制热机组并入CCHP以供热的形式参与供能的模式——风电供热模式。电制热锅炉将风电出力的电能转化为热能，与余热锅炉及辅助锅炉协调满足热负荷及吸收式制冷机冷负荷的需求。该种模式下，燃气轮机及城市电网协调满足电负荷的需求。

3）风电供电模式。

风电供电模式下风电直接并入CCHP系统，为联供系统提供电能，协调燃气轮机的电出力及城市电网的电力交互满足符合电能的需求；风电出力的随机性波动由城市电网加以平衡，这对电网备用容量及电能质量都提出了挑战。该模式下，热能需求由余热锅炉及辅助锅炉提供。

1.2 风电并入CCHP供能模式控制系统

CCHP供能模式控制系统包括预测模块、决策模块、信息交互及风力发电系统，如图2所示。预测模块包括冷、热、电负荷及风电出力的实时预测，笔者将风电出力作为随机变量加以预测，并认定风电出力预测偏差为服从特定分布的随机量［16］。风力发电系统中的风电出力决策模块（Wind decision module，WDM）为风电场提供频率电压等控制信息并对风电供能模式做出选择。决策模块通过信息交互模块确定CCHP系统中各机组出力，功率平衡控制模块（Power balance controller，PBC）协调系统与城市电网的功率平衡。CPU在供能模式优化模型基础上，根据各随机变量预测信息及各约束信息，得出各机组出力及风电供能模式选择的最优决策。

图2 风电供能模式控制系统示意Figure 2 The control system diagram in wind supply mode

2 处理随机函数的α-超分位数方法

给定随机函数g（x，y），x为决策向量，y为随机变量，其概率密度函数表示为p（y），则g（x，y）小于阀值γ的分布函数为

假定对于确定的决策信息x，Ψ（x，γ）为关于变量γ的严格单调且递增函数。针对任意给定的置信水平α，对应最小分位点值为

随机函数值超过最小分位点期望值为

文献［17］已证明：

［g（x，y）-γ］+为取0和g（x，y）-γ中的较大者，ηα（γ，x）通常较难求解，可对y进行蒙特卡洛模拟，取n个样本点估计：

式（6）中max不光滑，对其进行光滑化及变量松弛化对偶处理。取ti为辅助变量，式（6）的等价形式为

放松其中的等式约束使其变为不等式约束max｛0，g（x，yi）-γ｝≤γi，可以等价为g（x，yi）-γ≤γi和0≤γi，即

式（3）可由式（8）求得：

3 2种供能模式优化模型

3.1 风电供热模式优化模型

1）目标函数。

风电供热模式优化模型以系统生产成本Fw.h为目标函数：

式中 Cf（t）、Cg（t）分别为t时刻燃料成本函数及购电成本函数，单位均为S|／h。

①燃料成本函数。

系统燃料成本函数包括燃气轮机和辅助锅炉的燃料成本函数。燃气轮机的燃料成本函数为

式中 Cpgu（t）为第i台燃气轮机组热、电功率分别为Hpgu.i（t）和Ppgu.i（t）时的生产成本总和，S|／h；αi，βi，σi，δi，εi，θi均为第i台燃气轮机组的生产成本系数；Npgu表示燃气轮机台数。

辅助锅炉的燃料成本函数为

式中 Ca（t）为第j台辅助锅炉热功率为Ha.j（t）时的生产总成本，S|／h；αj，δj，εj为第j台锅炉的燃料成本系数；Na为锅炉台数。

系统总的燃料成本函数为

②购电成本函数。

系统与电网交换功率为Pgrid（t），考虑分时电价，联供系统与电网功率交换成本函数为

式中 Cbuy（t）为t时刻购电单价，S|／（kW·h）；Csell（t）为t时刻卖电单价，S|／（kW·h）；Pgrid（t）为正表明联供系统购电，为负表明系统向城市电网售电。

2）约束条件。

①功率平衡约束。

式（15）为电功率实时平衡方程，式（16）为热功率阶段平衡等式约束（系统的热、电、冷能损耗暂不考虑）；η为电制热系数；Δt为热能阶段性平衡延时值，可由决策者依据供热质量及供热水平决定；Qs（t）为t时刻蓄热槽的蓄热容量。

②机组出力。

燃气轮机电、热出力约束为

辅助锅炉出力约束为

蓄热槽的蓄热容量范围为

3.2 风电供电模式优化模型

1）目标函数。

风电供电模式的目标函数Fw.e同式（10）～（14）。

2）约束条件。

①功率平衡约束。

②机组出力。

各机组出力约束同式（17）～（20）。

3.3 2种供能模式随机优化模型

风电供热和供电优化模型均是含积分的优化问题，可采用离散化的代数处理方法，在Δt时段内采用T个样本求取积分值。

1）风电供热模式随机优化模型。

风电供热和供电优化模型考虑的均是确定性的变量，但实际风电出力是随机的，且需要在调度结束之后才能观察测量其准确值。而风电随机性影响联供系统的经济运行，为准确刻画及求解带有随机风电出力的函数模型，取极限状态函数

根据式（9）、（23），则含有风电出力的随机优化模型为

式（22）转化为随机优化模型为

2）风电供电模式随机优化模型。

取极限状态函数

同理可得相应的随机优化模型为

4 算例仿真及结果分析

4.1 算例及参数

以某小区典型日进行实例仿真分析，风电机组出力通过文献［16］所提预测方法得到，其预测偏差服从ΔPw～N（0，σ2），其中σ取0.01P0w。典型日冷、热、电负荷需求曲线如图3所示，分时电价［1］如表1所示，各电源机组参数如表2所示，电制热系数η取0.98，Δt取0.25h。

图3 冷、热、电负荷需求及风电出力预测Figure 3 The curve of typical daily load and wind power output prediction

表1 分时电价Table 1 Time-sharing electricity prices

表2 各电源机组参数Table 2 Power supply parameters

4.2 仿真结果及分析

1）风电供热模式。

风电通过电制热机组即以热能形式参与联供系统供能，将风电的随机性影响以热能供应的形式得以体现。针对风电供热模式随机优化模型，在不同置信水平α下，系统运行成本曲线如图4所示，在置信水平α=0.99时，系统运行成本随着风电功率及负荷水平的波动而波动。［7∶00，11∶00］时段，随着热、电负荷的急剧上升，导致运行成本曲线在这一段的斜率增大，对机组爬坡能力要求更高；在不同置信水平下，［22∶00，7∶00］时段内，由于风电功率及负荷水平较低，3种置信水平下的运行成本基本相等；其余时段随着置信水平的提升运行成本也随之升高。

图4 风电供热模式下不同置信水平系统运行成本曲线Figure 4 The cost curves of system running in different confidence levels under wind heating mode

2）风电供电模式。

取置信水平为α=0.99，风电供热模式与风电供电模式下系统的运行成本对比曲线如图5所示。分析可知，系统在供电模式下的运行成本要高于供热模式，这主要受当前国内热价和电价的不同定价机制所决定，即对CCHP而言，风电以供热模式接入有助于进一步提升其经济性。

图5 不同模式系统运行成本对比曲线Figure 5 The cost contrast curves of system operation in different modes

5 结语

1）为了提升风电的利用水平、降低风电随机性对并网系统带来的影响，提出风电以供热和供电的供能方式参与CCHP系统能量供应的供热模式和供电模式，为有效解决风电并网随机性所带来的问题提供新思路。

2）针对风电出力预测偏差的随机波动，在2种供能模式下分别建立了基于α-超分位数方法的随机优化模型。仿真结果表明，在总的调度周期内，风电供热模式的效益高于供电模式；随着置信水平的提高，系统的运行成本将增加。

3）构建的风电供能模式控制系统为风电供能模式的选择及实施提供了参照方案。在智能电网背景下，研究结果可为可再生能源的高效利用及有效处理随机电源带来的影响提供参考。

［1］周任军，冉晓洪，毛发龙，等.分布式冷热电三联供系统节能协调优化调度［J］.电网技术，2012，36（6）：8-14.ZHOU Ren-jun，RAN Xiao-hong，MAO Fa-long，et al.Energy-saving coordinated optimal dispatch of distributed combined cool，heat and power supply［J］.Power System Technology，2012，36（6）：8-14.

［2］周任军，姚龙华，童小娇，等.采用条件风险方法的含风电系统安全经济调度［J］.中国电机工程学报，2011，31（1）：56-63.ZHOU Ren-jun，YAO Long-hua，TONG Xiao-jiao，et al.Security economic dispatch in wind power integrated system using conditional risk method［J］.Proceedings of the CSEE，2011，31（1）：56-63.

［3］陈云，汤放奇，刘阳升，等.分布式冷热电多联供系统的经济运行［J］.电力科学与技术学报，2013，28（1）：56-62.CHEN Yun，TANG Fang-qi，LIU Yang-sheng，et al.Research on the economic operation of distributed combined cooling heating and power system［J］.Journal of Electric Power Science and Technology，2013，28（1）：56-62.

［4］张小晖，陈钟颀.热电冷联产系统的能耗特性［J］.中国电机工程学报，2007，27（5）：93-98.ZHANG Xiao-hui，CHEN Zhong-qi.Energy consumption performance of combined heat cooling and power system［J］.Proceedings of the CSEE，2007，27（5）：93-98.

［5］Marano V，Rizzo G，Tiamo F A.Application of dynamic programming to the optimal management of a hybrid power plant with wind turbines，photovoltaic panels and compressed air energy storage［J］.Applied Energy，2012，97：849-859.

［6］荆有印，白鹤，张建良.太阳能冷热电联供系统的多目标优化设计与运行策略分析［J］.中国电机工程学报，2012，32（20）：82-87.JING You-yin，BAI He，ZHANG Jian-liang.Multi-objective optimization design and operation strategy analysis of a solar combined cooling heating and power system［J］.Proceedings of the CSEE，2012，32（20）：82-87.

［7］Kyung Tae Yun，Heejin Cho，Rogelio Luck，et al.Modeling of reciprocating internal combustion engines for power generation and heat recovery［J］.Applied Energy，2013，102：327-335.

［8］Mago P J，Smith A D.Evaluation of the potential emissions reduction s from the use of CHP systems in different commercial buildings［J］.Building and Environment，2012，53：74-82.

［9］王孟夏，韩学山，杨朋朋，等.计及电热耦合的动态最优潮流模型与算法［J］.电力系统自动化，2010，34（3）：28-32.WANG Meng-xia，HAN Xue-shan，YANG Peng-peng，et al.Dynamic optimal power flow model considering electro-thermal coupling and its algorithm［J］.Automation of Electric Power Systems，2010，34（3）：28-32.

［10］王雁凌，许传龙，岳巍澎.时变可靠性约束下含风电系统旋转备用的随机规划模型［J］.电网技术，2013，37（5）：1 311-1 317.WANG Yan-ling，XU Chuan-long，YUE Wei-peng.A stochastic programming model for spinning reserve of power grid containing wind farms under constraint of time-varying reliability［J］.Power System Technology，2013，37（5）：1 311-1 317.

［11］王蓓蓓，刘小聪，李杨.面向大容量风电接入考虑用户侧互动的系统日前调度和运行模拟研究［J］.中国电机工程学报，2013，33（22）：35-44.WANG Bei-bei，LIU Xiao-cong，LI Yang.Day-ahead generation scheduling and operation simulation considering demand response in large-capacity wind power integrated systems［J］.Proceedings of the CSEE，2013，33（22）：35-44.

［12］Peng Yu，Ogidi Stephen Oodo，He Ping Zou，et al.An active-parallel hybrid energy storage system applied for regulating fluctuant wind power［J］.Advanced Materials Research，2012，347-353：2 869-2 874.

［13］刘阳升，周任军，李星朗，等.碳排放权交易下碳捕集机组的厂内优化运行［J］.电网技术，2013，37（2）：295-300.LIU Yang-sheng，ZHOU Ren-jun，LI Xing-lang，et al.Inside-plant optimal operation of carbon capture unit under carbon emission right trade［J］.Power System Technology，2013，37（2）：295-300.

［14］Rockafellar R T，Royset J O.On buffered failure probability in design and optimization of structures［J］.Reliability Engineering and System Safety，2010，95（5）：499-510.

［15］Nelson F，Pedro J M，Louay M C.Emission operational strategy for combined cooling，heating，and power systems［J］.Applied Energy，2009，86：2 344-2 350.

［16］王爽心，李朝霞.基于小世界优化的变桨距风电机组神经网络预测控制［J］.中国电机 工程学报，2012，32（30）：105-111.WANG Shuang-xin，LI Zhao-xia.Neural network predictive control of variable-pitch wind turbines based on small-world optimization algorithm［J］.Proceedings of the CSEE，2012，32（30）：105-111.

［17］雷亚洲，王伟胜，印永华，等.含风电场电力系统的有功优化潮流［J］.电网技术，2002，26（6）：18-21.LEI Ya-zhou，WANG Wei-sheng，YIN Yong-hua，et al.Optimal real power flow in wind power integrated system［J］.Power System Technology，2002，26（6）：18-21.