智能电网环境下负荷响应对系统消纳风电能力影响模型探析

，，

(1.贵州理工学院， 贵州 贵阳 550003；2.华北电力大学，河北 保定 071003)

0 引言

风力发电是当今最重要的可再生能源之一。合理开发利用风能可有效地避免环境污染，调整区域能源结构[1]。世界上许多国家都转向风力发电领域，大力建设风力发电设施。随着风力发电的大规模运行，风力发电的问题日益突出[2]。传统控制技术难以满足电力系统风险接入的双重影响。采用大数据技术对风电场智能运行控制在一定程度上，将减少风电接入电网带来的风险[3]。近年来，需求响应的概念改变了始终依赖于供电侧的发展来满足电力需求的思维方式。为了实现需求响应资源之间的双向交互，实现了一种更灵活和可调整的方式，为解决大规模风电消纳问题提供了新的方向。因此，基于智能电网的需求响应，建立了多层次时间尺度滚动调度计划模型，以提升系统整体运行水平的同时增强系统运行的经济性[4]。

需求响应的本质是基于价格信号来引导用户改变负载需求。作为一种交互资源，可以有效地促进电网的整体可靠性运行[5]。需求侧响应参与风力发电调度研究较多。文献[6]考虑综合成本的前提下，兼顾风电预测和价格型需求响应二者的不确定性以及系统安全约束，构建了基于光热电站和价格型需求响应参与风电消纳的调度模型。文献[7]借助需求侧管理与储能技术对负荷分布的调控能力提高风电的消纳水平,构建含大规模风电的电力调度模型。文献[8] 在碳交易机制下考虑柔性负荷响应对电力系统经济调度风力发电的影响。文献[9]应对风电发电的随机性和波动性,在需求侧引入可变负荷模型,利用价格变化来调节可转移负荷。文献[10]综合考虑用户参与需求响应项目的水平对风电利用率和系统运行的影响,建立日前调度优化模型, 激励用户转移负荷的需求响应能够降低系统运行成本。文献[11-12]纵观国内外研究，主要趋势是智能电网条件下的用户需求响应优化。在此，从需求响应概念、激励机制、效益评估、支持平台技术、应用于风电消纳等方面对国内外学者在相关领域的研究成果进行总结,指出当下实施需求响应存在的问题和相关对策。

1 系统分析

1.1 风电场场景调度过程

随机性和间歇性是风电的基本特征。随机性对电力系统运行的影响更为突出。风力发电量的预测，特别是对其随机性规律的预测，是建立调度模型的基础。在此引入风力预测发电量这一概念。为了更好地描述每个风力发电量，需要在一定程度上减少随机风力发电量的数量。相近的风力发电量被划分在一个概率不同的风力发电量集合中。基于缩小每一个风力发电量组合的差值，最大可能还原初始风力发电量采集值，使得风力发电量采集值最大相似于风力发电量集合中的代表值。预测风力发电量集合设计是基于风力发电量采集值与对应集合中代表值的差值及其发生概率来定义和还原采样值、代表值之间具有相似性。假设有2个风力发电量A和B，它们彼此相似。

(1)

X为预测风力发电量；A和B为不同时段的风力发电量；π为不同时段风力发电量发生的概率。根据目前主要的提前一天调度方案，主要是基于火电输出的优化。因此，算法设计主要基于传统的日前调度模型，并结合风电场景预测。考虑到风力发电过程中不同场景之间可能存在跳变，如图1所示。

图1 风力发电量区间过渡效果

由图1可以看出，以场景C1为例，实际场景可以从C1改变为C2和C3等。基于风电输出的预测情景C1，可以建立斜坡单元的约束表达式

(2)

图2 基于电力系统运行调度的解决方案流程

1.2 多层调度的二维运行模型

考虑到风力发电的强随机性和间歇性，风电对电力系统调度的影响极其不确定，电力系统调度对风力发电的控制比起传统发电更复杂，更难以协调，应采用其他方式进行优化控制。为此，提出了一种基于风电消纳的需求响应概率的二维运行机制。基于这种机制，不同的时间段包含不同的概率集合。对于1天24 h范围，它包含P100，P75和P50水平。对于按天预测来说，没有P50层，只有P100和P75层。实时预测仅包含在P100层中。由于预测时间段的不同，电网功率的需求值功率需和供给值必须通过概率集合实施供需匹配。风电场的发电值可以根据ISO提供的相应概率集合的电网调度方案进行调度。为了响应风电场的需求应对风能曲线进行高频滤波修正。多层调度的概率二维运行机制如图3所示。

图3 多级调度的概率二维运行机制

风电场接收ISO制定的P50层针对风能的调度方案。如表1所示，在P50时间段的大调度模式下，风电场的调度值为45 MW。

表1 大电网调度T时间调度方案 MW

当风电场收到调度指令时，它根据需求与响应之间的关系去校正P50曲线，并将其信息迅速反馈电网。风电场在接收到调度信息后，将其修改后信息添加到P75层。在此时刻，发电侧和需求侧电力平衡将打破。同时，供需之间存在着差值。调度将重新安排P75层直到平衡得到满足。以上是多层调度的二维运行机制的全过程。根据该模型的设计特点，如果在调度中涉及了Pn个电力市场，实际发电量A与其可调节需求量H比值达到C%以上时，将根据发电量A和需求量H的比值接受相应程度的经济处罚，如果发电量A和需求量H的比值小于或等于C%，发电量A和需求量H均不进行任何形式的惩罚。经济处罚是用于调节电网的供需平衡所需的电力成本。对于固定发电量A和电能需求量H，如果将A和H从P50层到P75层都进行合并，则发电量A或需求量H将不能进行供需平衡的调度操作。在下阶段中，将P75合并到P100过程中，并且电网实时调度将不再考虑实际发电量A或需求量H供需平衡的调度。

(3)

∀i∈N,∀t∈N

(4)

(5)

(6)

(7)

对于实时电网调度模型，还应尽早修正不同概率下的分层变量：

(8)

(9)

(10)

2 结果分析与讨论

为了验证模型的可行性，对其虚拟电厂的需求响应进行了分析。为了更好地证明所提出的模型对风电消纳的影响，该系统的风量下降率将在此处有所下调。根据风力发电量的预测算法：

WiDA100=E[Wi]-3∂w,i,t

(11)

WiDA75～N(2.33∂w,i,t,0.777∂w,i,t)

WiDA50～N(0.67∂w,i,t,0.224∂w,i,t)

WiDA100为实时风力发电量预测值；E[Wi]为风力发电量的期望值；∂w,i,t为风力发电量偏差值；WiDA75为前一小时风力发电量预测值；WiDA50为前一日风力发电量预测值。

分别分析了P100层、P75层和P50层的风力发电量的期望值。同时，基于正态分布理论，可以得到每一天的风力发电量的上下限。为了更好地验证所提出的多层调度的二维运行模型，根据经济性、运行可靠性和风电消纳的实际效果，将该模型与系统运行结果进行了比较。以实现所提出的模型。具体比较如表2所示。

表2 系统调度模型对照

不同时间长度误差的标准差如图4所示，风力发电功率的标准偏差是在不同时间长度的多层调度的二维运行机制下进行调度的。根据所提出的调度模型，风力发电功率的标准偏差会显著减小。

图4 不同时间长度误差的标准差

图4中的Da，Ha和Rt分别对应24 h预测、1 h预测和实时预测曲线，具有不同的时间长度。由图4可看出，在Da的时间长度下，风力发电功率的标准偏差很大，在晚上10时左右的偏差接近于0.35。根据多级调度的概率二维运行机制的调度，实时Rt的风力发电功率的标准偏差将减小到0，表明此时的风力发电量很确定。在选择风力发电量相应购电策略中，电网调度的实际供电单位成本与风力发电功率的不稳定度成正比。这使得风电场减少因风力发电功率的不确定性购买的电网调度资源，因而降低风电的不确定性能最大限度地提高风电场的经济效益。同时，风力发电功率的期望值也逐渐下降。在上述调度模型的调度下，在实时预测的风力发电量的期望值会在每天用电的低谷时段略有下降，用电低谷时段即每天1--6时和22--24时。结果显示，弃风使得风电场受到较高的经济惩罚，迫使风电场购买电网调度资源，进而降低其发电功率。在用电低谷时段内风电场可能弃风，从而获得更大的经济效益。

综上所述，可以看出该系统与传统的调度模式相比，其性能有了很大的提高。利用所提出的调度模型进行调度后的波形如图5所示，采用此模型后可获得191 MW的储备容量；与之比较的，采用此模型前其储备容量接近139 MW。其主要原因是风力发电功率的不确定性与此设计调度模型正好契合。因存在多个约束条件，电力系统必须保留足够的备用容量，以保证整个电网系统的可靠性。根据该调度模型，实际P50层是存在50%的潜在不确定性。这个不确定性将在1 h预测中被整合到P75层中，其不确定性降至25%。在实时预测中，这一不确定性将进一步减少，并在不断细分时间段中将其不确定性最终消除。因此电网系统中的储备容量不再根据约束的规划条件来计算，这将大大提高系统的可靠性。为了提升经济效益，本模型从电网增加对风能发电的消纳能力进行了模型设计。本模型与传统的调度模型比较，在社会效益、系统允许风速下功率变化率和系统备用容量3个指标上，结果如表3所示。

图5 模型及其对照组的比较

表3 比较各个方面的优点

从表3中可看出,多层调度的二维运行机制与传统调度相比，可以为社会创造更多的经济效益。系统总发电量显著增加。综上所述，该调度模型在经济性和可靠性方面具有一定的优势。对降低风险具有重要意义。

3 结束语

传统的电力调度模式已经难以适应当今复杂的电力应用环境。介绍了一种根据场景预测算法建立的多层调度二维运行机制模型，并对风力发电随机性进行了预测来实现更加科学的电力调度。为了提高模型的可行性，进行了案例研究。该模型的设计与传统的电力调度模式相比，从系统备用容量和不同的时间段的发电误差2个方面来看都有显著的改善。与此同时，该模型还大幅增加了系统备用容量，其经济效益和系统可靠性都明显优于传统模式。未来，随着风力发电等可再生能源发电量的逐渐增长，该算法具有广阔的应用前景。