促进风电消纳的需求响应与储热CHP联合优化模型*

黄培东，詹红霞，彭光斌，张曦，张宁，龙飞

（1.西华大学电气与电子信息学院，成都610039；2.重庆市电力公司南岸供电局，重庆400060）

0 引 言

近年来，我国风电产业蓬勃发展，蒸蒸日上。但是系统调峰能力不足与风电的反调峰特性致使风电开发与弃风问题凸显，消纳问题严重。如何有效解决风电弃风已成为制约风电持续、健康发展的关键性问题［1］。

北方冬季供暖期与风电大发期叠加致使系统安全稳定性受到威胁，风电场被迫弃风。利用负荷追踪风电出力变化，解耦供暖季热电联产机组“以热定电”刚性约束的调度方式有望成为解决当前风电弃风问题的有效措施［2］。

为解决风电弃风的难题，电力研究者已提出相关的解决措施。文献［3］通过负荷侧采取分时电价（TOU，time-of-use pricing）进行削峰填谷的措施，构建了风、火联合运行优化模型来促进风电消纳。文献［4-7］采用分时电价下投切高载能负荷、投切储电装置、大用户直购电的方式促进风电的就地消纳。为解决风电和供热机组之间的上网矛盾，文献［8-11］跳出电力系统的范畴，提出在热电厂采用电锅炉、热泵等电制热措施解耦“以热定电”约束来解决消纳难题。文献［12］提出在热电联产机组及电供热系统处加装储热装置，通过对储热环节的控制来解耦电-热刚性耦合关系，提高风电消纳水平。

上述需求响应以及解耦“以热定电”约束来促进风电消纳的研究均是单独考虑的，两者联合促进风电消纳的模型未见研究。因此，本文提出将需求响应与储热CHP纳入风电消纳模型中，以节能调度为导向，系统煤耗量最小为优化目标，构建了包含需求响应与储热CHP的电热联合优化调度模型。模型采用粒子群算法进行求解，算例分析表明：该模型能有效降低系统煤耗，提高风电消纳水平。

1 需求响应与储热CHP联合优化策略

1.1 风速风功率模型

TOU决策及更新周期较长，现阶段长期风电预测误差较大，准确性较低，因此，本模型采用适应范围最广，拟合实际风速最好的weibull分布函数来模拟各时段的风速序列，其概率密度函数表述如下：

其中：

式中vmean、σ分别为研究区域给定时段风速的平均值和标准差；k和c分别表示形状和尺度参数。

忽略风电场尾流、电气损耗后，风电场输出功率为场内所有风机出力之和［13］，其风速与功率关系如下：

式中v为风机涡轮高度处的风速；vin、vout、vR分别为切入风速、切出风速、额定风速；PwR、Pw分别为风机的额定输出功率、输出功率。

1.2 峰谷分时电价策略

实施峰谷分时电价策略能有效引导用户改变用电习惯，降低日内负荷的峰谷差，有利于促进系统夜间对风电的消纳。

本模型采用文献［14］分时电价的策略来促进风电上网水平，先通过负荷侧实施峰谷分时电价来优化负荷曲线，减少负荷高峰备用容量，提高发电机组运行效率；再通过与售电侧联动的发电侧峰谷上网电价［15］来引导、激励带储热的热电联产机组灵活运行，从而最大化消纳风电。

分时电价常用电量电价弹性来量化分析用户的价格响应，如式（5）和式（6）所示：

式中Q0i、P0i分为电价变动前电量和电价；ΔQi、ΔPi分别为电量和电价的增量；当j=i、j≠i时E（i，j）分别为自弹性、交叉弹性系数。

发电侧与售电侧时段划分一致，基于对负荷曲线的分析，考虑各点峰谷时段隶属度，采用半梯度隶属度函数模糊聚类的方法进行峰谷时段划分［16］。引入电量电价弹性矩阵来描述用户多时段价格响应，从而得到TOU后各时段用电量：

式中m为研究时段；E为电量电价弹性矩阵。

1.3 热电联产机组处加装储热装置

针对北方供暖季高比例热电联产机组为了满足热负荷需求，而致使机组强迫出力较高造成的夜间弃风难题，本文在1.2章节分时电价策略的引导下采用热电联产机组处加装储热装置来解耦“以热定电”刚性约束，从而提高风电场夜间消纳水平。

加入储热后热电联产机组的运行模式如图1所示，通过对储热装置的蓄放热环节的控制，使热电联产机组不再实时匹配热负荷需求，从而降低谷时段机组强迫出力，提高风电上网电量。

图1 带储热的热电联产机组Fig.1 CHP with thermal storage

2 需求响应与储热CHP联合优化调度模型

TOU作为一种重要的调峰手段，通过价格信号引导电力用户合理的用电结构和方式，从而减少系统高峰负荷需求和提高设备利用率。而热电厂加装储热装置又是解耦“以热定电”约束的有效措施，因此，本文在负荷侧实施峰谷分时电价，发电侧实施峰谷上网电价的基础上，构建了以系统煤耗量最小为目标的储热CHP与需求响应联合优化调度模型，简述如下。

2.1 优化目标

我国现阶段提倡节能调度，因此，本文以系统煤耗量最小为优化目标。目标函数如下：

其中：

即：

式中f（i，t）、f1（i，t）、f2（i，t）分别系统、常规火电、热电联产机组煤耗；T为调度周期；NG、NC分别为常规火电和热电联产机组数量；分别为t时刻第i台常规火电出力、热电机组电出力、热电机组热出力；ai、bi、ci分别为机组第i台的煤耗系数；Cv，i机组i进气量不变时多抽取单位供电量下发电功率的减少量；Ai、Bi、Ci、Di、Ei、Fi为热电机组i的煤耗系数，可由ai、bi、ci和Cv，i计算得到。

2.2 约束条件

（1）系统能量平衡约束：

式中N=NG+NC；Pti为机组电功率；NW为风电场个数；为t时刻第i个风电场风电上网量；为负荷需求；RL（t）为旋转备用；Ploss（t）为系统网损。

（2）热力平衡约束：

（3）机组约束：

a.爬坡约束：

b.CHP电功率约束：

（4）储热约束：

a.储放热功率约束：

b.状态约束：

式中kloss为漏热损失系数；S0h、STh分别为储热装置开始与结束时储热量。

（5）需求响应约束：

a.用电时段约束：

式中 max（Pload（tf））、min（Pload（tg））分别表示峰谷分时电价之后负荷最大值和最小值，tf、tg分别表示峰谷分时电价之后负荷最大值和最小值出现的时刻，避免峰谷倒置。

b.用户购电费用降低：

C0为峰谷分时电价前负荷侧的单位购电费用；分别表示分时电价后负荷侧售电电量及电价矩阵。

3 算例分析

3.1 基础数据

本文根据当前我国北方某省电网实际电源结构比例，简化以某地区电网为例，验证所提出的储热CHP与需求响应联合优化调度来促进风电消纳的可行性和有效性。采用本文1.2章节中提出的峰谷分时电价策略对该地区冬季典型日负荷进行时段划分及定价，具体数据如表1所示。

参考文献［17］中的价格弹性矩阵，得到的具体数据如下：

表1 TOU时段划分及定价Tab.1 TOU period division and price

系统中有1组装机容量为300 MW的风电场，发电侧系统机组参数如表2所示，总装机容量为1 300 MW，其中1～3号为热电联产机组，均为大型抽气式机组（300 MW和200 MW两类），4～6号为常规火电机组；承压式蓄热罐储热容量为3 000 MWh，最大蓄、放热功率为280 MW；系统旋转备用选取实时负荷7%，网损为总用电量4%［18］。

本文T=24，并假设该冬季典型日内热负荷基本不发生变化［19］（均为720 MW），系统无电功率交换。

3.2 发电调度优化分析

本模型中，算例选取传统方式（无分时电价，无储热装置）、分时电价、储热装置、分时电价与储热装置联合优化4种方式进行仿真对比，系统调度优化结果如表3所示。

表2 机组参数Tab.2 Parameters of generators

表3 各类型发电量对比Tab.3 Comparison of various types of power generation

从表3可以看出单独采用分时电价、储热装置与传统方式相比，风电上网量分别可提高573.5 MW、698 MW；系统的煤耗量分别可减少为168.694 4 t、203.488 1 t。但分时电价与储热装置联合优化下风电上网量提高了1 095 MW，煤耗量减少了319.088 5 t，该方式下风电消纳效果最佳，系统煤耗量也最低。其中，系统CHP发电量并没有减少，增加的风电上网量替代的发电量均为火电发电量，系统总热负荷量均由CHP供给，储热装置只是合理改变了热量的生产时间。

3.3 风电消纳情况分析

图2给出了分时电价与储热CHP联合优化前后系统负荷曲线对比。联合优化前后系统峰谷差分别为450 MW、329.1 MW，联合优化后系统峰谷差下降26.9%，削峰填谷作用明显。

图2 联合优化前后负荷曲线Fig.2 Load curve before and after combined optimization

图3、图4给出了联合优化前后CHP机组的电、热出力曲线。可以看出联合优化后机组在22：00-06：00“以热定电”刚性约束得到解耦，机组电出力明显降低，为风电上网提供大量消纳空间，减少的热出力则由储热装置来补偿相应的热负荷需求缺额。同时可以看出，CHP机组在非低谷时段增加电出力，蓄热装置则相应在此时段将多余的热出力进行存储。

图3 联合优化前后CHP热出力Fig.3 CHP heat output before and after the joint optimization

图4 联合优化前后CHP电出力Fig.4 CHP power output before and after the joint optimization

图5给出了分时电价与储热CHP联合优化前后风电上网曲线对比。由图可知传统调度方式下风电实际上网3 459 MW，弃风时刻9个（分别为t1、t2、t3、t4、t5、t6、t7、t23、t24）总弃风电量1624.5MW，弃风率高达32%，弃风现象严重；联合优化后风电实际上网量增加至4 575.6 MW，弃风时刻也减少为6个（分别为t1、t2、t3、t4、t5、t23、t24）总弃风量降为 507.9 MW，弃风率低至10%，有效的解决了风电场夜晚大规模弃风难题。

图5 联合优化前后风电消纳水平Fig.5 Wind power consumptive level before and after the joint optimization

4 结束语

针对近几年出现的风电消纳难题，本文在深入研究分时电价以及热电厂加装储热装置的基础上，采用储热CHP与分时电价联合优化的方法来提高风电消纳水平，并采用粒子群算法进行优化求解。仿真结果验证了该模型的正确性：4种运行方式（传统方式、分时电价、储热装置、分时电价与储热装置联合优化）中，储热CHP与分时电价联合优化消纳风电能力效果最佳，弃风量最低，系统煤耗量也最小，有效的解决了风电场弃风难题，推动了节能减排政策的有效落实。