计及环境成本的虚拟电厂最优调度

李铁松,刘甲利,吴明雨

(1.东北电力大学 电气工程学院,吉林 吉林 132012; 2.北京京能未来燃气热电有限公司,北京 102209)



计及环境成本的虚拟电厂最优调度

李铁松1,刘甲利1,吴明雨2

(1.东北电力大学 电气工程学院,吉林 吉林 132012; 2.北京京能未来燃气热电有限公司,北京 102209)

为了实现虚拟电厂(VPP)中分布式可控机组的最优调度,在考虑风电、光伏发电全部并网的同时,兼顾环境效益,结合储能装置与电力系统之间能量双向流动的特点,在VPP集中调度模式下,建立了日前电力市场下的虚拟电厂最优调度模型,并在MATLAB中使用Yalmip工具箱建模求解。通过算例分析得知,在虚拟电厂的集中控制下,各分布式能源(DER)利用其各自特性相互配合,能很好地平抑可控机组出力的波动性,实现VPP系统的收益最大化,也由此表明了构建的VPP最优调度模型可行性。

虚拟电厂;环境成本;最优调度;MATLAB

传统资源紧缺、环境问题突出、电力需求量增大等大量的问题使人们越来越关注新能源发电。然而新能源中分布式电源(distributed generator,DG)容量小、数量多、分布不均,造成接入成本的增加,同时也给电网带来了潮流改变、线路阻塞、电压闪变、谐波影响等[1]。因此,为了解决这些存在的问题,提出使用虚拟电厂(virtual power plant,VPP)。VPP在学术界尚没有统一的定义,总的来说VPP是由能量管理系统和其所控制的小型和微型分布式能源资源组成的一类集成性的电厂[2],这些分布式能源(distributed energy resource,DER)不在接受电网调度中心的调度,而是受虚拟电厂集中调度中心的控制[3]。

在各DER中,风电发电是各种DG中装机容量最多,发展最早,是当今新能源技术中最成熟的发电技术[4],预计到2030年,中国的风机装机容量将达到全国总装机容量的17.4%[5]。此外,光伏作为可再生、取之不尽用之不竭的一种新能源,近些年也得到了迅猛发展,根据中国《可再生能源中长期发展规划》,到2020年光伏系统累计装机容量将达到180万kW。

为了解决DER的随机性、波动性、不可控性等对电网的影响,国内外学者对其都进行了相应的研究。但他们在考虑DER的不确定性时,很少计及环境因素。本文在现有基础上,考虑环境成本,建立了日前电力市场下VPP系统的最优调度模型,以VPP系统整体收益最大为目标函数,可控机组的出力、VPP系统售买电量和储能装置的充放电量作为决策量,负荷、风电、光伏发电为预测已知量,在MATLAB中使用Yalmip工具箱建模,调用Cplex求解器求解,实现VPP系统的最优调度。最后通过相应的案例,验证了其可行性。

1　VPP模型构建

1.1VPP控制模型

VPP的核心就是“通信”和“聚合”,利用协调控制技术、智能计量技术、信息通信技术实现对DER的聚合和协调。VPP一般的控制结构有集中控制、集中-分散控制、分散控制结构[6]。本文所研究的VPP中DER主要包括风电、光伏、储能装置,采用集中控制结构,控制模型如图1所示。

图1　VPP控制模型

VPP的控制模型中主要有两条路径,能量流和信息流,VPP的中央控制单元实时掌握每个DER的具体信息,并根据供需变化、环境因素、电价高低等负荷需求,给出最优控制策略,实现VPP最大的总体收益。

假设VPP要上报第k日供电策略,则要在k-1日进行相应的预测。风电出力主要是和风速强度相关,根据对k日的天气预报和历史数据可得,同理,光伏发电的出力值和光照强度有关,其光照强度可基于对k日的天气预报和历史数据。储能装置的充放电量则和其容量相关。VPP的中央控制单元综合风电出力、光伏发电、负荷信息和电价情况,以最终收益最大为目标,确定可控机组出力、储能装置的充放电量和向大电网出售或购买电量。

1.2数学模型

1.2.1风力发电

风机出力主要是受风速的影响,风速的不确定性决定了风机出力的随机性,国内外学者曾经过大量的研究,发现一个地区的风速分布特性近似服从Weibull分布,其数学模型为[7]

(1)

式中:v为风速;kv为形状参数;cv为尺度参数,可以通过统计该时段内的风速的均值和方差求得。

风机的有功出力和风速之间的关系为[8]:

(2)

式中:PWTr为风机的额定功率;vci为切入风速;vr为额定风速,vco为切出风速。

1.2.2光伏发电

光伏发电的输出功率和太阳的光照强度密切相关。一段时间内的太阳光照强度是一个随机变量,近似服从Beta分布,且光伏系统的输出功率也服从Beta分布,相应的概率密度函数为[9]

(3)

式中:PPV为某时段的光伏系统发电功率;PPV,max为光伏系统的最大输出功率;a、b为Beta分布的形状参数。

(4)

(5)

式中:μPV为一段时间内太阳光照强度均值;σPV为太阳光照强度的标准差。

1.2.3储能装置

储能装置在电网中,即可以作为负荷又可以作为电源,能很好地解决DER并网带来的不平衡性和波动性,储能装置对电网的影响和其容量、数量、充放电的功率密切相关,相应的数学模型为

(6)

式中:EB,k,t、EB,k,t-1为储能装置k在t、t-1时刻的容量(忽略其自放电的影响);PB,k,ch,t、PB,k,dc,t为储能装置k在t时间段内的充电功率和放电功率;ηB,k,ch、ηB,k,dc为储能装置k的充电效率和放电效率;rB,k,ch,t为储能装置k在t时段的充电状态,0表示不充电,1表示充电;rB,k,dc,t为储能装置k在t时段的放电状态,0为不放电,1为放电;rB,k,ch,t、rB,k,dc,t均为0、1变量。

1.2.4可控机组出力成本

可控机组出力成本和其发出功率密切相关,一般认为是功率的二次函数,其数学模型为

(7)

式中:ai、bi、ci分别为第i台机组的燃料成本系数;PG,i,t为机组i在t时段的有功功率值。

1.2.5环境污染成本

可控机组运行中和向大电网购买电能会产生CO2、SO2、NO等污染物[10],相应的排污成本可表示为

(8)

式中:l为污染物的种类;am为排放污染气体m的惩罚成本;βg,m、βG,m分别为为大电网和可控机组排放污染气体m的排放因子;Ps,t为t时间段内VPP从外部电网购买的功率;nG为可控机组数目。

2　VPP协同调度模型

2.1目标函数

根据中国的法律法规,电网应能接纳新能源发电入网。因此本文VPP在全部接纳风光伏发电的同时,以可控机组出力、储能装置的充放电量和售买电力为决策量,以一天为一个调度周期,实现调度周期内VPP系统收益最大。

VPP系统的发电成本主要为可控机组发电成本和环境成本,不计及风机、光伏阵列的建设费用,忽略储能装置的充放电损耗。VPP系统的主要收益为储能装置利用电价高低差进行充放电和将剩余电量进行售买。最优目标函数为

(9)

式中：Ps,t为t时间段内VPP从外部电网购买电量,为负值时表示向外部电网出售电量；λs,t为对应该时段的电价；Pl,t为t时间段VPP系统内部负荷需求量；λl,t为此时刻的负荷电价；nB为储能装置数量。

2.2约束条件

2.2.1供需平衡约束

(10)

式中:nWT为风机数量；PWT,d,t为风电机组d在t时段的功率预测值；nPV为光伏机组数量；PPV,j,t为光伏机组j在t时段功率预测值。

2.2.2旋转备用约束

(12)

式中:PG,i,tmax、PG,i,tmin分别为可控机组i在t时刻的最大出力值和最小出力值,由机组的出力极限和爬坡率决定;Rt为系统t时段所需的备用容量,取为各时刻负荷值得7%;μ为风光出力对可控机组的旋转备用需求系数,设为20%。

2.2.3可控机组约束

每台机组的出力的上、下限为

PG,i,min≤PG,i,t≤PG,i,max

(13)

可控机组单位时间内出力增加或减少都有幅值限制,相应的爬坡率约束为

-PG,i,d≤PG,i,t-PG,i,t-1≤PG,i,u

(14)

机组频繁的启停会增加启停成本，同时缩短使用寿命,因此必须对一个调度周期内的启停次数加以限制,VPP系统中的可控机组一般机组容量不大,该模型中忽略启停成本。

(uG,i,t-uG,i,t-1)(tG,i,ton-TG,i,onmin)≥0

(15)

(uG,i,t-1-uG,i,t)(tG,i,toff-TG,i,offmin)≥0

(16)

(17)

式中:PG,i,min、PG,i,max分别为机组i出力的最小值和最大值;PG,i,d、PG,i,up分别为机组i单位时间内出力减少或增加的最大幅值;uG,i,t为机组i在t时段的启停状态,0表示停机,1表示开机;tG,i，ton和tG,i,toff分别为机组i在t时段开机和停机时间;TG,i,onmin和TG,i,offmin分别为机组i在调度周期内的最小连续运行和停运小时数。

2.2.4储能装置约束

储能装置并不产生电能,只是作为剩余能量的缓冲,在一个协调周期的开始和结束时刻储能不变。

EB,k,0=EB,k,24

(18)

为了使储能装置在工作时具有较好的状态和较长的工作寿命,在使用过程中应限制其容量。

EB,k,min≤EB,k,t≤EB,k,max

(19)

储能装置在同一时刻不能同时充电和同时放电,但可以既不充电也不放电,因此有:

rB,k,ch,t·rB,k,dc,t=0

(20)

式中:EB,k,0、EB,k,24为储能装置k在调度周期初始时刻和终止时刻的容量值;EB,k,min、EB,k,max为储能装置k保持稳定运行的最小和最大容量。

式(6)～(20)组成的优化调度模型为非线性混合整数规划问题,对部分约束条件进行线型规划,在MATLAB中应用Yalmip工具箱进行建模,调用Cplex求解器进行求解。

3　算例分析

3.1算例参数

为了验证本文创建的模型,算例选取了包含1台1 MW、1台2 MW的可控机组、2台0.5 MW的风电机组、4个0.2 MW的光伏机组,1个容量为0.5 MW·h的储能装置的VPP系统。1 MW机组爬坡率为10 kW/min,最小启停时间为1 h,2 MW机组爬坡率为20 kW/min,最小启停时间为1 h。储能装置的额定容量为0.5 kW·h,初始容量为0.05 kW·h,充电功率为0.2 MW,放电功率为0.1 MW,充电效率和放电效率全部为95%。环境惩罚成本和排放因子参数如表1所示。

表1　惩罚成本和排放因子Table 1　Penalty cost and emission factor

VPP的售电电价为实时电价,为鼓励用户参与VPP系统而不是用户直接从外部电网购电,VPP系统内负荷电价为从外部售买电价的0.8倍,VPP系统从外部电网售买电价如表2所示。

表2　VPP系统从外部电网售买电价Table 2　Sale or buy price of VPP system from external power grid

风电参数切入风速为vci=3 m/s,额定风速vr=15 m/s,切出风速vco=25 m/s,形状参数取kv为2.1,尺度参数cv为8.8。根据某地一周内的光照强度变化曲线,拟合得到光照强度参数a、b分别为0.44,9.19。风光功率及负荷预测如图2所示。

图2　风光功率及日负荷预测

3.2场景设置和结果分析

为比较是否参与外部电力市场对VPP系统经济效益和各可控机组出力、储能装置的充放电情况的影响,本文设置了两种场景,即不参与外部电力市场和参与外部电力市场。两种情况下各机组出力和储能装置的充放电情况如图3和图4所示。

图3　未参与外部电力市场场景

图4　参与外部电力市场场景

由图3可知,单独依靠风、光伏发电并不能满足负荷需求,需要增加可控机组出力。

从图4中可以看出,1 MW机组的发电成本较小,基本一直处于满发状态;2 MW机组则是根据负荷变化、储能装置充放电情况调整出力值;1-6时段电价较低,负荷较少,储能装置进行充电,作为负载接入;12-16时段,负荷增加,相应的电价增高,储能装置进行放电,作为电源接入,平抑负荷的同时增加收入。

接入外部电网后,1-6时段电价较低,储能装置进行充电,由于此时电价较低,机组的发电和环境成本相对于向外部电网购电要高的多,因此选择减少出力值,向外部电网购电以满足负荷需求。在9-15时段电价较高,1 MW和2 MW机组基本处于满发状态,将剩余电量出售给电网,虽然增加了环境污染成本,但是也增加了VPP系统总的收益,同时降低了外部电网的环境成本。VPP系统两种情况下的收益情况如表3所示。

表3　两种运行方式下VPP系统收益 Tab.3　Revenue of VPP under two operating modes

从表3可以看出,未参与外部电力市场时,2 MW机组没有满发,造成了资源浪费,经济效益较差。而参与外部电力市场后,收益提高了42.95%,降低了外部电网环境成本,提高了经济效益。

4　结　语

本文利用风能、太阳能的互补特性,结合储能装置作为负载和电源的双重特性,构建了VPP的组织机制。计及环境成本,优化调度策略,以VPP经济收益最大为目标,通过相应的算例对其分析,结果表明,这些DER在VPP系统的统一调度下,利用互补特性协调出力,整体参与外部电力市场,在降低各自出力不确定性的同时,可以实现经济利益最大化。

[1] 卫志农,余爽,孙国强,等. 虚拟电厂的概念与发展[J].电力系统自动化,2013,37(13):1-9.

WEI Zhinong,YU Shuang,SUN Guoqiang,et al.Concept and Develop of virtual power plant[J].Automation of Electric Power Systems,2013,37(13):1-9.

[2] 陈春武,李娜,钟朋园,等. 虚拟电厂发展的国际经验及启示[J]. 电网技术,2013,37(8):2258-2263.

CHEN Zhiwu,LI Na,ZHONG Pengyuan,et al.Review of virtual power plant technology abroad and enlighten-ment to Chi-na[J].Power System Technology,2013,37(8):2258-2263.

[3] 刘吉臻,李明阳,房方,等. 虚拟发电厂研究综述[J]. 中国电机工程学报,2014,34(29):5103-5111.

LIU Jizhen,LI Mingyang,FANG Fang.Review on virtual power plant[J].Proceedings of the CSEE,2014,34(29):5103-5111.

[4] 刘波,贺志佳,金昊. 风电系统双PWM变换器直流母线电压控制技术[J]. 东北电力大学学报,2015,35(2):41-47.

LIU Bo,HE Zhijia,JIN Hao.DC bus voltage constant control technology in wind power system with dual PWM converter[J].Journal of Northeast Dianli University,2015,35(2):41-47.

[5] 李正烁,孙宏斌,国庆来,等. 计及碳排放的输电网输电网侧“风-车协调”研究[J]. 中国电机工程学报,2012,32(10):41-48.LI Zhengshuo,SUN Hongbin,GUO Qinglai,et al.Study on wind-EV complementation on the transmission grid side considering carbon emission[J].Proceedings of the CSEE,2012,32(10):41-48.

[6] NIKONOWICZ L, MILEWSKI J. Virtual power plants-general review: structure,application and optimization[J]. Journal of Power Technologies,2012,92(3):135-149.

[7] CELIKA N. Energy output estimation for small-scale wind power generators using Weibull representative wind data[J]. Journal of Wind Engineering and Industrial Aerodynamics,2003,91(5):693-707.

[8] 蔡德福,钱斌,陈金富,等. 含电动汽车充电负荷和风电的电力系统动态概率特性分析[J]. 电网技术,2013,37(3):590-596.CAI Defu,QIAN Bin,CHEN Jinfu,et al.Analysis on dynamic probabilistic characteristic of power grid connected with electric vehicle charging load and wind power[J].Power System Technology,2013,37(3):590-596.

[9] 范松丽,艾芊,贺兴. 基于机会约束规划的虚拟电厂调度风险分析[J]. 中国电机工程学报,2015,35(16):4025-4034.

FAN Songli,AI Qian,HE Xing.Risk analysis on dispatch of virtual power plant based on chance constrained programming[J].Proceedings of the CSEE,2015,35(16):4025-4034.

[10] 罗捷,吴俊明,陈德超,等. 电动汽车参与下的虚拟电厂多目标优化调度[J]. 电力科学与工程,2015,31(2):50-54.

LUO Jie,WU Junming,CHEN Dehao,et al. Multi-objective optimization scheduling of virtual power plant with electric vehicl-es[J].Electric Power Science and Engineering,2015,31(2):

50-54.

(责任编辑郭金光)

Optimal dispatch of virtual power plant considering environmental cost

LI Tiesong1, LIU Jiali1, WU Mingyu2

(1.College of Electrical Engineering,Northeast Dianli University,Jilin 132012,China;2.Beijing Jingneng Future Gas Power Co. Ltd,Beijing 102209,China)

In order to realize the optimal dispatch of distributed control units in the virtual power plant (VPP), considering the wind power and Photo Voltaic power generation are all grid-connected, the environmental benefits, energy flows between the energy storage devices and the power system are bidirectional, In the mode of VPP centralized scheduling, the optimal scheduling model of the virtual power plant in the day ahead electricity market is established. Using Yalmip toolbox in MATLAB to solve the problem. Finally, the corresponding numerical examples are used to verify the feasibility of the algorithm. The results show that, under the control of the virtual power plant, the distributed energy resource(DER) can use their own characteristics to cooperate with each other, which can well control the fluctuation of the output of the controllable unit, and realize the maximization of VPP's income.

VPP; environmental cost; optimal dispatch; MATLAB

2016-03-18;

2016-04-20。

李铁松(1990—),男,硕士研究生,研究方向为分布式能源并网。

TM734

A

2095-6843(2016)04-0287-05