风火联合系统不同备用模式的风险调度策略研究

嵇灵,解玉磊，黄鲁成，牛东晓

(1.北京工业大学经济与管理学院,北京市 100124；2.北京科技大学能源与环境工程学院，北京市 100083；3.华北电力大学经济与管理学院，北京市 100126)

风火联合系统不同备用模式的风险调度策略研究

嵇灵1,解玉磊2，黄鲁成1，牛东晓3

(1.北京工业大学经济与管理学院,北京市 100124；2.北京科技大学能源与环境工程学院，北京市 100083；3.华北电力大学经济与管理学院，北京市 100126)

电侧的需求响应以及蓄电设备运行灵活，可以作为虚拟备用资源，保障含风电等间歇性新能源发电的电力系统安全。为衡量虚拟备用资源给系统经济性和环保性的影响，分别建立传统火电备用和虚拟快速备用这2种含风电并网的电力调度模型。并考虑新能源输出功率、电力市场、机组参数等不确定因素给系统优化带来的风险，将区间两阶段随机优化模型与CVaR风险规避相结合，利用区间数、概率数对系统供给侧和需求侧的不确定因素与优化函数有效结合，同时体现决策者风险偏好。算例分析表明，此混合优化算法能够对含风电并网的电力系统不同旋转备用模式进行优化，权衡系统成本与系统风险。算例结果表明充分利用蓄电池、需求响应作为虚拟备用资源能有效降低系统成本和CO2排放。

风电并网; 需求响应; 旋转备用; 区间规划;CVaR

0 引 言

随着风电等新能源渗透比例的提高，新能源发电间歇性特点给电网安全稳定运行带来极大的挑战。当实际风力发电与风电功率预测存在较大偏差或发电机组非计划停运时，需要安排合理的系统备用保证电网供给。旋转备用是电力系统中最重要的辅助服务之一，辅助服务对于确保电力系统安全性和可靠性具有重要作用，旋转备用通常为当前发电量与最大可利用容量的差额。通常保持系统的旋转备用容量为最小系统备用(等于最大单机组容量)，或者总发电量的一定比例。关于备用优化调度，不仅需要及时适应系统各种紧急情况，体现较强的适应性，同时需要衡量能源节约、环境保护等其他运行管理目标。随着电力市场的开放，日前市场中机组发电和备用容量的竞价机制如何优化对于发电商而言非常重要。

结合风电随机性，考虑机组容量、爬坡速率、爬坡时间等约束，国内外学者对风电与其他机组、设备联合运行模式优化开展了大量的研究，如常规火电旋转备用[1-2]、风水联合运营[3-4]、互联电力系统中各子系统的相互备用[5-6]、风储混合调度[7]等。由于近年来智能电网的发展，使需求响应机制的重要性更为突出。需求侧响应可对系统不均衡进行快速反应，减少机组备用装机容量，缓解系统堵塞。许多学者针对需求侧响应与旋转备用的补充方式进行了大量研究，如：文献[8]对用电激励和融入可中断负荷这2种需求响应方式建立了发用电一体化调度模型；文献[9]也将分时电价和可中断负荷这2种需求响应措施融入考虑大容量风电接入的日前调度模型，评估考虑用户侧互动前后系统的弃风量和电力不足情况。

此外，由于风电出力预测值与实际水平难免存在一定误差[10]，不少研究采用不确定分析方法进一步提高系统可靠性，常见的方法包括机会约束规划方法[11-12]、概率密度函数[13-14]、蒙特卡洛模型[15]等，处理风电负荷预测误差带来的不确定性，求得满足一定系统可靠性的经济调度，如：文献[16]利用区间法模拟风电场出力情景，并利用Kantorovich距离的场景削减策略提高计算效率；文献[17]利用区间数形式表征不确定变量建立含风电场的系统经济调度模型，并将区间优化模型转化为线性的乐观优化模型和NP(non-deterministic polynomial-time)困难悲观优化模型，以获得最优调度策略。

上述文献主要对不同的联合运行方式进行了探讨，但仍需考虑到我国以火电为主的结构特点，探寻合理的传统火电机组备用以及虚拟机组快速备用的组合调度模式，实现其经济效益和环保效益突破。因此，本文提出基于CVaR风险规避的区间两阶段随机优化模型，对不同的系统备用元素优化策略进行优化。总体而言，本文的创新之处在于：(1)对供电侧的传统火电备用模式和需求侧的用户响应以及储能装置2种快速备用模式进行对比，分析不同备用模式下的调度优化模型；(2)在优化模型中通过区间和随机概率形式考虑风电预测误差以及电力需求的不确定因素；(3)融合CVaR风险衡量方法，有助于决策者权衡系统成本与系统风险；(4)对不同系统备用模式产生的环境影响进行对比分析。

1 区间两阶段随机优化模型及CVaR

1.1 区间两阶段随机优化模型

两阶段随机规划模型(two-stage stochastic programming，TSP)是一种被广泛运用的随机数学模型。所谓两阶段是指决策中第一阶段决策变量是初始设定的决策变量，即在随机事件发生之前制定，第二阶段决策变量是指在随机事件发生后采取的补救或追索行为，对第一阶段决策结果进行调整。TSP模型的基本思路是在随机事件发生后采取相应的调整行为。

一般而言，TSP建模中需要不确定参数的具体概率信息，而实际中由于数据获取的有限，难以获得某些参数的概率分布。在区间线性规划中，可以将缺少概率分布信息的不确定参数可以表示为区间数。在此，以最小化问题为例，将区间线性与两阶段随机规划结合，得到的区间两阶段随机优化模型(interval two-stage programming, ITSP)可以表示为：

(1)

s.t.

(2)

i=1,2,...,m2;s=1,2,...,N

(3)

(4)

(5)

通过求解上述ITSP模型，可以获得一系列区间可行解，具体的求解方式见文献[18-19]。

1.2 CVaR风险规避

在ITSP模型中，第二阶段的决策结果随随机变量的实际发生而改变，体现运行决策。确定最优决策向量，重点在于考虑第二阶段的随机性，此时需要衡量随机变量波动带来的影响，可以用风险衡量来体现，在成本最小化模型中则表示为

(6)

式中：f(x,ξ)表示成本函数；λ为非负权衡系数，可以看作为风险系数，通常根据决策者的风险偏好情况确定，λ值越大则表明，投资者是风险厌恶型；否则，相反。ρ(f(x,ξ))表示风险衡量。E(·)表示函数值的期望。因此，式(6)改写为

(7)

式中：ρCVaR-α表示α置信水平下的条件风险；ξ表示不确定随机参数。

α置信水平下，随机变量Z的条件风险值可以表示为

(8)

式中[a]+=max{0,a}，a∈R。

2 新能源与传统火电备用模式下系统建模

以系统运行成本最小化为决策目标，本文分别建立传统火电备用(模式Ⅰ)与快速备用(模式Ⅱ)这2种系统备用模式下的含风力发电的机组日前调度优化模型，具体模型描述如下介绍。

2.1 模式Ⅰ

在以传统火电机组为备用的风火电联合调度模式下，模型目标包括系统运行成本(火力发电成本、火电旋转备用成本、风电计划发电量与实际发电量偏差的罚金)以及风险规避函数，即

(9)

(1)能量平衡约束。

(10)

式中Dth±为t时刻h情景下的用户电力需求水平， kW。

(2)旋转备用约束。

(11)

(12)

(3)机组爬坡速度约束。

(13)

(14)

式中：URk和DRk分别表示机组k向上爬坡与向下爬坡限制， kW/h。

(4)风电约束。

(15)

(16)

式中：WFPt为t时刻风电输出功率预测值， kW；ε为风电计划出力偏差。

(5)风险规避约束。

(17)

2.2 模式Ⅱ

以用户需求响应和储能装置作为系统虚拟备用的模式下，模型目标包括系统运行成本(火电机组运行成本、用户需求响应激励成本、风电计划发电量与实际发电量偏差的罚金)以及风险规避函数，即

(18)

(1)能量平衡约束。

(19)

(2)蓄电池约束。

(20)

(21)

(22)

(23)

(3)需求侧响应约束。

(24)

式中DRth±为不可中断负荷上限值， kW。

(4)风险规避约束。

(25)

再加上如式(5)—(8)的约束。

3 算例分析

3.1 系统描述

考虑含2个火电机组和1个风电场的电力系统作为算例开展不同备用模式下调度优化决策分析。火电机组的装机容量、发电成本、备用成本、爬坡约束等部分参数见表1。假设电力需求预测分为高、中、低这3种情景，概率分别为30%，40%和30%。每种情景下都以区间数表示预测值，如图1展示了在中等情景下次日24h电力需求预测区间。图2展示了次日24h风电输出功率预测值，根据目前风电预测水平[20-21]，假设误差水平为20%，即ε=20%。

表1 火电机组参数

Table 1 Parameters of thermal units

3.2 优化结果

文中将参数λ和α分别设置为1和0.9，反应决策者风险偏好。为提高求解速度，本文将非线性优化模型转化为线性优化模型，通过Lingo软件分别对不同模型的目标上限和下限值进行优化。得到了成本最小化目标下两种系统备用模式下的机组输出功率水平、机组备用情况、蓄电池工作状态以及需求响应水平。此外，根据决策者的风险偏好，调节参数λ和α，可以得到不同风险偏好程度下的调度优化策略。如图3展示了在高电力需求水平下，模式I和模式II中各机组的最优输出结果的上限值和下限值。火电机组提供了主要的负荷需求，实际风电输出功率均并网。在模式I中火电机组的旋转备用主要集中于11:00—23:00时段，在模式II中不同时段用户参与需求响应程度不同。

图1 中等情景下日前24 h电力需求预测区间Fig.1 24h-ahead forecasted electricity load demand in middle level

图2 日前24小时风电功率预测Fig.2 24h-ahead wind power forecast

图4具体对比了高电力需求水平下2种系统模式下火电机组运行水平，1号机组在模式I方式下的输出功率水平高于模式II，尤其在10:00—22:00时段。如在18:00时刻，1号机组在模式I和模式II方式下的输出功率分别为431.6 MW和[204.6,385.6] MW。2号机组在模式I和模式II方式下出力差距较小，且出力水平高于1号机组，甚至模式I方式下在12:00—21:00时段内其输出功率与旋转备用总功率上限值达到满负荷状态，同样在18:00时刻，2号机组在模式I和模式II方式下的输出功率水平分别为[560,700] MW和518 MW。

图3 高需求水平下各机组输出功率上限Fig.3 Upper boundary of output power in high demand scenario

图4 高电力需求下各机组的最优输出功率水平Fig.4 Optimal output power of units in high demand level

图5展示了不同电力需求水平下蓄电池功率水平，在低需求水平下蓄电池功率变化较少，随着电力需求水平增加，该装置充放电程度增加，尤其在12:00—22:00时段，放电水平增加，而在夜间至上午时段基本处于重点状态。如在高电力需求水平下，07:00和17:00时刻下蓄电池能量水平分别为70 MW和[30,53.2] MW。表2展示了在高需求水平下用户需求响应参与程度，总体而言在18:00—23:00时段，用户参与程度较其他时段低。如05:00时刻，用户需求响应程度可高达[55, 95] MW，20:00—22:00时段，用户需求响应程度仅为20 MW。

图5 采用备用模式II时，不同需求水平下的蓄电池能量水平Fig.5 Performance of energy storage device under different demand level in reserve model II表2 采用备用模式II时，高电力需求水平下用户需求响应水平Table 2 Demand response under high level load demand in reserve model II MW

表3提供了2种系统模型下的总体经济效果与环境效果。以火电机组为旋转备用模式下(模式 I)最小化系统总成本为[175 685, 176 780]元，以蓄电池充放电以及需求响应快速备用模式下(模式 II)的最小化系统总成本明显低于前者，为[105 000, 114 104]元。此外，由于模式II中减少火电机组出力，CO2总体排放量为9 195 t，低于模式I的CO2排放范围[18 644, 18 912] t。

表3 备用模式I和模式II优化调度的成本以及CO2排放水平

Table 3 optimal scheduling cost and CO2emission in reserve model Ⅰand Ⅱ

4 结 论

针对间歇性风电并网带来的电力系统旋转备用优化问题，本文以系统成本最小化为目标，对一定风险偏好下传统火电机组旋转备用以及快速旋转备用这2种模式下机组调度策略进行优化研究。在标准两阶段随机优化模型中通过区间值将系统中的风电发电以及电力需求不确定性有效结合，同时利用CVaR体现决策者风险偏好。算例结果表明了本文所提出结合CVaR与ITSP混合优化模型的有效性。在风火电联合运行时引入蓄电池与需求响应机制能够进一步有效降低系统风险，大幅降低CO2排放。然而本文中仍有以下方面需要在今后的研究中进一步深入，如用户需求响应价格补偿对系统成本的影响，以及CO2排放成本尚未考虑。

[1]薛必克，张显，郑亚先，等.含风电的电力系统常规火电旋转备用对风电消纳的影响[J]. 华东电力，2014，42(8)：1550-1553. XUE Bike, ZHANG Xian, ZHENG Yaxian, et al. Influence of thermal unit spinning reserve on wind power accommodation[J]. East China Electric Power, 2014, 42(8):1550-1553.

[2]王彩霞，乔颖，鲁宗相.考虑风电效益的风火互济系统旋转备用确定方式[J].电力系统自动化，2012,36(4)：16-21. WANG Caixia, QIAO Ying, LU Zongxiang. A method for determination of spinning reserve in wind-termal power systems considering wind power benefits[J]. Automation of Electric Power System,2012,36(4): 16-21.

[3]静铁岩，吕泉，郭琳，等.水电-风电系统日间联合调峰运行策略[J].电力系统自动化，2011,35(22)：97-104. JING Tieyan, LU Quan, GUO Lin, et al. An inter-day combined operation strategy of hydro and wind power system for regulating peak load[J]. Automation of Electric Power System,2011,35(22)：97-104.

[4]黄春雷，丁杰，田国良，等.大规模消纳风电的常规水电运行方式[J].电力系统自动化,2011,35(23):37-40. HUANG Chunlei， DING Jie， TIAN Guoliang，et al.Hydropower pperation modes of large-scale wind power grid integration[J].Automation of Electric Power Systems,2011,35(23):37-40.

[5]盛四清，谭晓林，李欢，等.含风电场的互联电力系统备用容量优化[J].电网技术，2013,37(11)：3067-3072. SHENG Siqing, TAN Xiaolin, LI Huan, et al. Reserve capacity optimization of interconnected power grid containing wind farms[J]. Power System Technology, 2013, 37(11):3067-3072.

[6]陈守军，辛禾，王涛，等.风电、蓄热式电锅炉联合供暖调度鲁棒优化模型[J]. 电力建设 2016,37(1):103-109. CHEN Shoujun, XIN He,WANG Tao, et al. Heating operation scheduling robust optimization model for heat storage electric boiler combined with wind power[J]. Electric Power Construction 2016, 37(1):103-109.

[7]吴雄，王秀丽，李骏，等.风电储能混合系统的联合调度模型及求解[J].中国电机工程学报，2013,33(13)：13-17. WU Xiong, WANG Xiuli, LI Jun, et al. A joint operation model and solution for hybrid wind energy storage systems[J]. Proceedings of the CSEE, 2013,33(13):13-17.

[8]王卿然，谢国辉，张粒子.含风电系统的发用电一体化调度模型[J].电力系统自动化，2011,35(5)：15-18. WANG Qingran, XIE Guohui, ZHANG Lizi. An integrated generation-consumption dispatch model with wind power[J]. Automation of Electric Power Systems, 2011, 35(5):15-18.

[9]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 Beibei, LIU Xiaocong, LI Yang. Day-ahead generation scheduling and operation simulation considering demand side interaction in large-capacity wind power integrated systems[J]. Proceedings of the CSEE, 2013, 33(22):35-44.

[10]马彦宏，汪宁渤，马明，等.基于神经网络的酒泉风电基地超短期风电功率预测方法[J]. 电力建设 2013,34(9):1-5. MA Yanhong, WANG Ningbo，MA Ming，et al. Ultra-short-term wind power prediction method based on neural network for Jiuquan wind power base[J]. Electric Power Construction 2013, 34(9):1-5.

[11]葛炬，王飞，张粒子.含风电场电力系统旋转备用获取模型[J]. 电力系统自动化，2010,34(6)：32-36 GE Ju, WANG Fei, ZHANG Lizi. Spinning reserve model in the wind power integrated power system[J]. Automation of Electric Power Systems, 2010, 34(6):32-36.

[12]罗超，杨军，孙元章，等. 考虑备用容量优化分配的含风电电力系统动态经济调度[J]. 中国电机工程学报，2014,34(34)：6109-6118. LUO Chao, YANG Jun, SUN Yuanzhang, et al. Dynamic economic dispatch of wind integrated power system considering optimal scheduling of reserve capacity[J]. Proceedings of the CSEE, 2014, 34(34):6109-6118.

[13]赵晋泉，唐洁，罗卫华，等.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[J].电力系统自动化设备，2014,34(5)：21-27. ZHAO Jinquan, TANG Jie, LUO Weihua, et al. Day-ahead generation scheduling and spinning reserve decision-making model for power grid containing wind power[J]. Automation of Electric Power Systems, 2014, 34(5): 21-27.

[14]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 optimal spinning reserve of power grid containing wind[J]. Power System Technology,2010,34(12):158-162.

[15]余民，杨宸，蒋传文，等.风电并网后电力系统可靠性评估和备用优化研究[J].电力系统保护与控制，2012,40(12)：100-104. YU Min, YANG Minchen, JIANG Chuanwen, et al. Study on power system reliability and reserve optimization with wind power integration[J]. Power System Protection and Control, 2012, 40(12):100-104.

[16]鞠立伟，于超，谭忠富.计及需求响应的风电储能两阶段调度优化模型及求解算法[J].电网技术，2015,39(5)：1287-1293. JU Liwei, YU Chao, TAN Zhongfu. A two-stage scheduling optimization model and corresponding solving algorithm for power grid containing wind farm and energy storage system considering demand response [J]. Power System Technology, 2015, 39(5): 1287-1293.

[17]丁涛，郭庆来，柏瑞，等.考虑风电不确定性的区间经济调度模型及空间分支定界法.中国电机工程学报，2014,34(22)：3707-3914. DING Tao, GUO Qinglai, BO Rui, et al. Interval economic dispatch model with uncertain wind power injection and spatial branchesand bound method[J]. Proceedings of the CSEE, 2013, 34(22):3707-3914 .

[18]JI Ling, NIU Dongxiao, HUANG Guohe. An inexact two-stage stochastic robust programming for residential miro-gird management based on random demand[J]. Energy, 2014, 67(4): 186-199.

[19]JI Ling, ZHANG Xingping, HUANG Guohe, et al. Development of an inexact risk-aversion optimization model for regional carbon constrained electricity system planning under uncertainty [J]. Energy Conversion & Management, 2015, 94: 353-364.

[20]REDDY SS, BIJWE PR, ABHYANKAR A R. Joint energy and spinning reserve market clearing incorporating wind power and load forecast uncertainties [J]. IEEE Systems Journal, 2015, 9(1): 152-164.

[21]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)：1311-1316. WANG Yanling, XU Chuanlong, YUE Weipeng. 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):1311-1316.

(编辑 蒋毅恒)

Risk Dispatch Strategy Study for Wind-Thermal Power System under Different Reserve Modes

JI Ling1, XIE Yulei2, HUANG Lucheng1, NIU Dongxiao3

(1.School of Economics and Management, Beijing University of Technology, Beijing 100124, China;2.School of Energy and Environment Engineering, University of Science and Technology Beijing, Beijing 100083, China;3.School of Economics and Management, North China Electric Power University, Beijing 100126, China)

Due to its feasibility, demand side response and storage device can be used as virtual reserve resources to guarantee the security of power system with intermittent wind power penetration. In order to evaluate the impact of virtual reserve resource on the economy and environmental protection of the system, this paper establishes two different kinds of electricity dispatching models with wind power penetration for traditional thermal reserve and virtual fast reserve respectively. With the consideration of system risk brought by renewable energy generation, electricity market and unit parameters, we combine the interval two-stage stochastic optimization model with CVaR risk theory. The uncertainties of supply side and demand side are integrated with optimization function though interval value and probability, which can reflect the risk preferences of decision makers. The example analysis shows that the proposed hybrid optimization algorithm can effectively optimize the different spinning reserve modes of power system with wind power penetration, and make better trade-off between system cost and risk. The results show that making full use of storage battery and demand response as virtual reserve resources can efficiently reduce the system cost and CO2 emission.

wind power penetration; demand response; spinning reserve; internal programming; CVaR

国家自然科学基金项目(71471059)；中国博士后科学基金项目(2015M580034)Project supported by National Natural Science Foundation of China(71471059 ), and China Postdoctoral Science Foundation (2015M580034)

TM 715

A

1000-7229(2016)06-0031-07

10.3969/j.issn.1000-7229.2016.06.005

2016-04-01

嵇灵(1987)，女，通信作者，博士，讲师，主要从事能量优化管理以及能源系统分析方面的研究工作；

解玉磊(1985)，男，博士，讲师，主要研究方向为能源系统优化与能源环境；

黄鲁成(1956)，男，博士，教授，主要研究方向为技术创新与技术管理；

牛东晓(1962)，男，博士，教授，主要研究方向为电力负荷预测以及智能电网优化管理。