考虑CO2排放成本的风储联合调度优化

2020-02-24庄红山李永光张彦军马晓磊赵志刚

科学技术与工程 2020年1期

庄红山, 李永光, 张彦军, 马晓磊, 赵志刚

(1.国网新疆省电力有限公司，乌鲁木齐 650000； 2.沈阳工程学院新能源学院，沈阳 110136)

随着可再生能源在电网中的渗透率不断提升,电网运行面临着巨大压力,风电出力的间歇性对电网调度提出了更高的要求。目前电池储能系统(battery energy storage system, BESS)进行充放电可以减轻风电波动性对电网的冲击,越来越多地与风机等间歇性能源联合调度[1]。另外,全球节能减排的大背景下,传统火力机组的碳排放成为了关注的焦点,电力向着清洁低碳的方向发展[2]。因此,需要考虑传统机组CO2的排放成本,对火电机组、风机、BESS进行调度。

目前针对风储联合调度的文献较多。文献[3]提出了含电动汽车、风电、储能联合调度的主从博弈模型。文献[4]在风电不确定区间可优化的鲁棒区间经济调度模型中引入常规机组和储能系统。文献[5]提出一种风储联合优化的调度策略,调度策略采用分层调度的方法,考虑了蓄电池的特性对风电调度的影响。文献[6]提出了低碳环境下风储联合调度模型。文献[7]提出了一种适用于风储联合发电系统的滚动协调调度方法。可见针对风储联合调度的形式、方法均有较多成果。

另外,由于清洁低碳发电越来越重要,发电领域低碳化成为主要趋势。文献[8]针对微网中的低碳调度进行了研究。文献[9]针对低碳调度下的机组组合问题进行了求解。文献[10]针对低碳调度和节能发电调度进行了探讨。而目前针对火力发电机组的二氧化碳排放成本研究的还不够充分。

提出风电、火电、BESS联合经济调度模型。在经济调度模型中,目标函数考虑了多项成本因素,包括碳排放成本项；在约束条件中,主要考虑安全约束,包括有功平衡、机组出力、机组爬坡、BESS约束等。利用非线性遗传算法求解该调度模型,即利用遗传算法来获得初始解和边界条件,然后利用非线性寻优求解全局最优解。最后在IEEE30节点系统上进行了仿真分析。

1 二氧化碳排放成本

CO2排放成本可以定义为以货币形式计量政府、企业、公民等社会群体为治理、控制CO2排放所支付的费用及CO2排放产生的经济损失的总和[11],该成本的来源主要是工业,而能源领域的CO2排放占有很大比重,电能在生产过程中产生的CO2排放成本应当予以考虑。

对于含有M个火电机组的系统,每台机组i的CO2排放成本之和即是火力发电CO2的排放总成本。

(1)

式(1)中,Ctax为市场碳税价格；ρfe,i为火力机组i的CO2排放因子；fi、gi、hi为燃料消耗系数。不同燃料的排放因子不同,本文考虑褐煤,其CO2排放因子为215。

2 考虑CO2排放成本的风储联合调度模型

2.1 电池储能系统

储能技术主要分为直接储能和间接储能。其分类如图1所示[12],电池储能技术的应用较为广泛。

图1 储能技术分类Fig.1 Classification of energy storage

电池储能系统(BESS)可以发挥其储能优势,储存出力在峰时段的风能。一般来说,BESS容量的上限为其额定容量的80%。BESS在储存风能时即为电池充电过程,直到达到荷电状态(SOC)上限。当负荷高峰时,BESS向电网放电,直到SOC到达下限。BESS与波动性风电配合使用,不仅可以发挥储能优势,而且还可以促进可再生能源消纳[13]。

2.2 目标函数

当在系统中并入大量风电时,电力总成本会随风力发电增加的成本和收益平衡而改变。该模型的目标函数包括火电机组成本费用、排放成本、火电机组启停成本、风机成本、电池成本,具体为：

(2)

(3)

(4)

(5)

(6)

式(6)中:M为火力机组数目；N为风力机组数目；SU(i,t)为t时刻机组i的启动成本；SD(i,t)为t时刻机组i的关停成本；Wav(j,t)为风机j实际有功出力；αw,j为风机j的成本系数；αs,j为风机j的政府补贴系数；αi[P(i,t)]为t时段火力机组i的燃料成本函数；πBESS为BESS成本系数。

2.3 约束条件

2.3.1 系统有功功率约束

PD(t)+PLOSS(t)=PG(t)+PW(t)+PBESS(t)

(7)

式(7)中,PLOSS(t)为总网损；PBESS(t)为BESS总的充放电功率；PW(t)为总风电出力；PG(t)为火力机组总出力；PD(t)为总负荷需求。

2.3.2 机组出力限制

Pi,min≤P(i,t)≤Pi,max

(8)

式(8)中,P(i,t)为t时刻机组i有功出力；Pi,min和Pi,max分别为机组i有功出力最小、最大值。

2.3.3 风机出力限制

0≤wj≤wr,j

(9)

式(9)中,wr,j为风电机组j的额定出力；wj为风机组j的出力值。

2.3.4 火力机组启停时长限制

(10)

(11)

式中,I(i,t)为t时刻机组i的启停状态。

2.3.5 机组爬坡速率限制

P(i,t)-P(i,t-1)≤RU(i)

(12)

P(i,t-1)-P(i,t)≤RD(i)

(13)

式中,RU(i,t)为t时刻机组i的爬坡上限；RD(i,t)为t时刻机组i的爬坡速率下限。

2.3.6 BESS充放电功率限制

(14)

(15)

同时规定BESS不可同时充放电，即

笔者建议在“两票制”政策执行过程中，一是要加强对药品出厂价的监管。由于生产企业的“高开票”策略从源头上就会导致药价的居高不下，故在考虑到生产企业合理的研发成本、生产成本、销售成本、利润等的基础上，政府部门需对价格异常上涨的药品进行监管，必要时可以开展成本核算。二是要加强对药品配送企业供应链的管理。虽然“两票制”政策的实施能压缩流通环节，但基于国家及云南省“两票制”文件对“两票制”的界定，可能导致当前“两票制”政策对药品价格、配送流程及药品质量等产生的积极影响尚不显著。故对集团型生产、流通企业的销售及内部调拨行为加强监管非常必要。

(16)

2.3.7 BESS储能限制

SOCD≤SOC(t)≤SOCU

(17)

式中,SOCD和SOCU分别为电池SOC下限和上限。

3 求解算法

3.1 非线性遗传算法

传统遗传算法通过选择、交叉、变异对随机产生的初始可行解逐步迭代,产生新的可行解,具备较强的整体性搜寻最优可行解的能力,在局部搜索可行解方面能力相对较弱,一般只能得到所求问题的次优可行解,而非最优可行解[14]。

为此,选用非线性遗传[15],即在遗传算法中加入非线性规划,能够利用遗传算法进行全局行搜寻可行解,然后在其所得到的全局可行解的基础上结合非线性规划算法进行局部搜寻可行解,以得到全局最优解。

非线性规划问题采用fmincon函数进行求解搜索在约束条件下非线性多目标模型的最小值。

3.2 本文模型求解步骤

首先利用遗传算法进行求解,最后加入非线性寻优操作。具体求解流程如图2。

图2 求解算法流程Fig.2 Flow chart of solving algorithm

3.2.1 种群初始化

将种群中的个体进行编码,作为初始解。

3.2.2 求解适应度函数

适应度函数式(18)

(18)

可以用来判定种群的目标函数最低值,主要是根据所求目标模型变化得到。目标函数值与其适应度值具有负相关性,前者值越小,后者值越大,所得到的个体就越优。

3.2.3 选择操作

选择操作是从每次迭代所产生的种群中选出最优个体,将其称之为种群1；并将大于子代最优值的父代最优值代替子代的最差值,作为种群2,将种群1和种群2结合形成新的种群,然后利用轮盘赌法得到下一代个体。式(19)给出了个体被选中的概率:

(19)

式(19)中，Fi为个体i的适应度值；Fj为种群中所有个体数目适应度值。

3.2.4 交叉操作和变异操作

将新种群中某两个个体按照一定的交叉概率和变异概率操作,使种群进一步进化,增加最优解概率。

3.2.5 非线性寻优

非线性寻优即对每次遗传算法进化后所得到的次优可行解作为种群初始可行解作为新遗传个体继续进,直到得到全局最优解。

4 算例分析

4.1 系统说明

在IEEE30节点系统[16]上对本文所提方法进行验证,如图3。系统电压阈值设为0.95 p.u.和1.05 p.u.。假设在每种负荷水平下负荷的功率因数恒定。调度周期为24 h。其中风机安装于3、7、17、21、26节点,风机出力参见文献[12]。市场碳税定为0.2 元/kg,fi、gi、hi分别为787、36、0.15。πBESS=1.2。机组爬坡上下限均为50 MW。

图3 IEEE30节点系统Fig.3 The IEEE30 feeder system

4.2 算例分析

对风电与储能系统联合调度进行仿真。求解结果如表1。

表1 风储联合调度求解结果Table 1 Management of wind power storage dispatch

表1中总成本包含了CO2排放成本,通过考虑火力机组的CO2排放成本,可以促使传统机组减小发电量,鼓励新能源发电,促进新能源消纳,实现清洁能源的高效利用。另外可以看出,在8～12时和20～24时,储能出力为正,意味着储能对电网进行了放电,这正好与风电的“反调峰[17]”特性相匹配。充分说明了风储联合规划的价值所在。

风功率实际值和预测值、BESS充放电结果如图4。可知,BESS在风功率实际值大于预测值时进行储能,该模型在很大程度上减少了运行和排污成本。另外,可以看出BESS在调度中发挥的重要作用,BESS增加了分布式风机供给系统的功率,并且不受分布式风机输出功率时间的限制。BESS也可在用电低谷时刻从分布式风机吸收电量、在用电高峰时放电,起到“削峰填谷”的作用。