适应光伏并网的电力优化调度方法

刘传新

【摘  要】随着人们的生活质量在不断的提高，对于用电的需求在不断的加大，光伏出力具有随机性和波动性，大规模光伏并网将对电力系统带来较大的冲击，研究适应光伏并网的电力优化调度方法具有重要的实际意义。本文分析了光伏的典型出力特性，构建了光伏消纳优化调度模型，并采用内点法求解，最后以IEEE30节点系统为例分析了光伏消纳优化调度方法的应用效果。

【关键词】光伏并网;电力生产;优化调度;光伏消纳

引言

由于能源危机、环境恶化等问题，诸多国家正在加快太阳能、风能的开发与利用，太阳能光伏（photovoltaic，PV）发电和太阳能光热（concentratingsolar power，CSP）发电已经成为当前太阳能发电技术路线的主流。光伏发电间歇性、波动性和随机性的特点，给电力系统的安全、稳定、可靠运行带来了诸多问题，加剧了大规模并网情况下电力系统的调峰压力，对系统的调峰平衡带来负面影响。因此，诸多文献对于含光伏并网的系统调度模型做了研究。将碳交易机制引入电力系统经济调度中，构建了考虑大规模光伏电源接入和CO2排放经济价值的优化调度模型。以最小化经济成本和电网供电方差为目标，建立了含光伏和蓄能的冷热电联供系统调峰调蓄优化调度数学模型，最大程度实现区域电网的削峰填谷。为了提高分布式光伏在配电网中的渗透率，平抑其并网功率波动，提出一种包括配电系统实时调度和储能电站站内功率分配双层结构的储能电站实时调度方法。

1概述

1.1光伏出力特性

光伏电站初始投资包括光伏组件、并网逆变器、配电设备及电缆、电站建设安装等成本，其中光伏组件投资成本占初始投资的50%～60%。光伏电池组件效率的提升、制造工艺的进步以及原材料价格下降等因素都会导致光伏发电成本的下降。目前，组件生产成本已显著下降，为光伏发电成本的降低起到推动作用。但光伏出力的波动也较大，对系统造成较大的影响。系统发电效率影响因素包括光伏电池组本身的转化效率、系统使用效率和并入系统电网前的中间损失等，其中，光伏电池组本身的转化效率起着基础性的作用，而决定光伏电池组转换效率的是太阳能电池的光电转换效率。光伏电站出力受太阳能资源的影响，具有规律性和波动性。

1.2光伏电站运行机理

当前，中国的并网光伏发电呈现着“分散开发、低压就地接入”与“大规模集中开发、中高压接入”的两种主要发展趋势，建设大型并网光伏电站是集中利用太阳能的重要方式。相比离网光伏发电系统，大型并网光伏电站可以略去蓄电池储能环节，基于最大功率点跟踪技术（MPPT）实现系统效率的提升;相比小型并网光伏发电系统，大型并网光伏电站可以集中利用太阳能，通过采用逆变器并联、集中管理和运行控制技术，可在不同运行场景下充分利用太阳能的时间特性和储能技术，对电力系统起到削峰、无功补偿的作用。

2光伏并网的电力优化调度方法

2.1第一阶段优化

大型光伏光热联合发电基地并网运行后，由于光热电站配备了大容量的储热装置以及具备快速爬坡能力的汽轮机组，该系统对于电网而言具备了调节电网峰谷差、改善负荷曲线、增强电力系统灵活运行的作用。因此，在第一阶段优化过程中，以削减系统负荷峰谷差为目标，应用粒子群优化算法，建立光伏光热电站的调峰的优化调度模型，为第二阶段的机组组合和经济负荷分配提供等效负荷数据。

2.2第二阶段优化

第二阶段的火电机组优化调度在第一阶段优化后的等效负荷的基础上进行。优化目标是在调度周期内和一定约束条件下，合理安排机组启停和经济负荷分配，使得总发电成本最低。

2.3求解方法

遗传算法是一种建立在自然选择原理和自然遗传机制上的迭代式自适应概率性搜索方法。它模拟自然界中生物进化的发展规律，在人工系统中实现特定目标的优化。目前遗传算法发展迅速，已被广泛应用于解决各种问题，例如，系统优化、机器学习、工程控制、模式识别、人工智能、故障诊断以及计算机技术等领域，取得了良好的效果。遗传算法的基本思路是，利用数字编码模拟由遗传算子作用这些编码构成的群体的进化过程。遗传算法求解过程类似于生物进化，通过作用于染色体上的基因，寻找好的染色体来求解优化问题。遗传算法通过选择操作，有组织地，随机地交换信息来重新组合那些适应性好的个体，同时也在某些个体结构中尝试用新的基因去替代原有的基因来生成新的个体。遗传算法相比传统算法最大优势在于对优化模型的数学形式要求较低，不要求连续可导，甚至目标函数可以分段。在本文所提模型中，需调用外界仿真软件获得系统暂态稳定分析结果，因此传统经典算法无法处理这一问题。

2.4储能工作策略

储能工作策略包括经济性最佳策略和可靠性最佳策略。1）经济性最佳策略：储能发挥削峰填谷的作用，充分利用峰谷价差，实现经济效益最大化。即储能只在低谷电价时段和光伏发电多余时充电，在高峰时段放电。2）可靠性最佳策略：储能发挥平抑光伏发电波动性和减少高峰从电网购电的作用，最大化消纳光伏发电，以便于最大限度地保证电网的安全平稳运行。即储能只在光伏发电多余时充电，在电网电力自给不足时放电。

3光伏消纳优化调度模型

近年来，中国太阳能电池与组件规模迅速扩大，光伏电池制造技术进步不断加快，产品质量位居世界前列。当前新能源已经成为我国重要的电力来源，目前已经有13个省区新能源电量的比重超过了10%。光伏能否获得持续发展、大规模发展的关键因素，在于能否尽早平价上网，产生与其他类型电力相竞争的市场化竞争力。而决定发电成本的关键因素是光伏发电系统的价格和发电效率，首先需要解决的问题是大规模光伏并网之后，系统如何实现优化调度的问题。为此，本文构建了光伏消纳优化调度模型，该模型由目标函数和约束条件构成。光伏消纳优化调度模型的目标函数为光伏功率消纳最大： 式中，ΔPi为第i个光伏电站的光伏消纳功率;N为系统中并网的光伏电站数目;Δt为光伏消纳周期的时间间隔，一般取15min为一个时段。光伏消纳优化调度模型的约束条件主要包括系统的功率平衡约束，节点电压和支路潮流约束，系统中常规火电机组出力约束等。由于光伏电站的装机容量有上限值，故存在光伏出力最大值约束，一般取为额定容量。除此之外，由于光伏出力的波动性和不确定性，系统必需设置一定的备用容量，以使得光伏出力波动较大时系统仍能满足功率平衡约束。系统的旋转备用容量约束为： 式中，HG，i，t为系统中第i台机组在时段t的启停状态，PmaxG，i为第i台机组的额定容量，α和β分别为系统的上下旋转备用容量的需求系数，Sdt为系统中负荷的备用容量需求系數，Ppv，t为在时段t的光伏出力数值。式为系统的上旋转备用容量约束，表示当系统的光伏出力不足时，系统中的常规机组应能增大出力，满足系统的负荷需求。式为系统的下旋转备用容量约束，表示当系统的光伏出力过大时，系统中的常规机组应能降低出力，以使系统仍能保证功率平衡，维持系统稳定运行。上述光伏消纳优化调度模型可采用常规的内点法迭代优化计算，该方法具有计算结果准确，收敛可靠的优点，在数据优化模型的求解中得到了广泛的采用。内点法计算优化模型的原理是迭代计算，当计算误差在允许范围内时，可认为已经找到了一个最优解点，之后再继续寻找下一个时段的下一个最优解点，直到完成系统中所有时段的优化计算。将系统中全天的光伏消纳功率总加，结果即为系统中全天的光伏消纳电量。

结语

目前国家一直鼓励光伏发电项目靠近电力负荷建设，接入中低压配电网实现电力就近消纳。各类配电网企业将为分布式光伏发电接入电网运行提供服务，优先消纳分布式光伏发电量，建设分布式发电并网运行技术支撑系统并组织分布式电力交易。此外，太阳能光伏市场应用将呈现宽领域、多样化的趋势，适应各种需求的光伏产品将不断问世，除了大型并网光伏电站外，与建筑相结合的光伏发电系统、小型光伏系统、离网光伏系统等也将快速兴起，因此光伏并网后的优化调度方法将发挥更加重要的作用。

参考文献：

[1]原亚宁，李琳，周博文.基于机会约束规划的分布式家庭并网光伏系统优化调度模型[J].智慧电力，2018（1）：7-13.

[2]段绍辉，汪伟，刘中胜，等.含光伏的冷热电联供微网系统优化调度方案[J].电力系统及其自动化学报，2013，25（4）：150-155

（作者单位：国网山西省电力公司大同供电公司）