面向光伏消纳的水-火-光联合优化调度技术

2020-02-25田雨雨畅建霞王学斌王义民

可再生能源 2020年1期

田雨雨，畅建霞，王学斌，王义民

（西安理工大学省部共建西北旱区生态水利国家重点实验室，陕西西安 710048）

0 引言

近年来，光伏发电在国家政策支持下飞速发展，装机容量逐年递增，截至2018年年底，我国光伏发电累积装机容量为1.74 亿kW，全年发电量为1 775 亿kW·h，占我国全年总发电量的2.5%。在光伏快速发展的同时，光伏大规模接入也为电网调度带来许多困难。受天气、云层和温度等因素影响，光伏出力过程具有随机性、间歇性和波动性的特点，由此所造成的不确定性与反调峰特性为电力系统带来了严峻的安全问题。因此，研究增加光伏消纳的有效措施对实现我国新能源战略目标具有重要意义。

采取水电和火电与光伏补偿调节的方法是目前消纳光伏的有效途径之一[1]，[2]。水电出力变化范围大、调整灵活，可以快速响应光伏出力的间歇性、波动性。此外，水光同样存在季节上的互补性，在枯水期，水电受径流的季节性特征影响，出力小，但此时光伏电转换效率较高，出力较大，与水电出力形成互补[3]。火电受自身发电特性限制，尽管调峰能力较差，但仍有一定的补偿调节能力，因此在保证电网安全可靠经济运行的前提下，利用火电补偿光伏出力，是避免大量弃光的主要途径之一。

目前，国内外众多学者开展了大量相关研究，并取得突出成果。Bhandari B 在微电网中采取水-风-光联合运行，为边远山区供电提供了解决方案[4]。钱梓锋提出了水光两电源互补发电模型，采用模拟优化方法进行求解，结果表明，水光互补可以明显提高电网调峰能力[5]。李媛提出应考虑火电机组良好的调峰、调频特性，以满足高渗透率光伏更好地接入，为实现光伏大规模消纳提供有力支撑[6]。陈钦磊验证了光伏、火电捆绑经过含串补的交流系统送出方案的可行性，为光伏消纳提供了新的途径[7]。

以上研究大多以水光补偿或火光补偿的模式为主，随着光伏装机的日益增加，单一的补偿模式不足以充分消纳光伏，且当前研究多采用电源捆绑形式，虽然减少了调度难度，但并未充分发挥各电源的调节性能。因此，本文主要针对含有水火光多源混合电力系统，在电网调度层面，基于各电源的互补特性，建立光伏消纳量最大模型。通过模拟光伏上网过程，考虑水量、发电流量、水火光出力与传输等约束，实时调整水电与火电的出力过程以充分发挥水火的调峰潜力，达到光伏消纳量最大。以期为含水-火-光电力系统联合协调运行提供数据支持和应用指导。

1 水-火-光联调模式

利用水电平衡光伏出力是目前电网消纳光伏的有效手段之一。基于水光之间的互补特性，水电平衡光伏的主要过程如下：针对光伏出力的日内波动性，利用日及其以上调节能力的水电调峰能力，对光伏出力过程进行补偿，当光伏出力大时减小水电出力，当光伏出力小时增大水电出力，对光伏出力的波动性和间歇性进行补偿[8]。

采用这种调节方式会出现两种情况：第一种是水电的可调容量大于等于光伏的最大出力，只要水电电量满足光伏出力过程中的电量要求即可实现对光伏的完全补偿，当水电补偿电量不足时，则需要火电参与补偿电量；第二种是水电可调容量小于光伏的最大出力，水电补偿调节容量不足，需要发挥火电的调节容量补偿光伏出力。

本文主要针对需要火电参与补偿调节的情况进行分析。如图1 所示，在补偿光伏出力时，水电的可调容量或电量不足时，就需要水火联调补偿光伏出力。本文中梯级水电站调度采取 “以水定电”方式，考虑火电参与补偿，在保证安全经济的前提下，火电要为光伏消纳腾出尽可能大的消纳空间，同时要求火电平稳，则水电除了要承担一部分来自消纳光伏的波动外，还要承担火电为消纳光伏所带来的波动。如图2 所示，如果水电可平抑火电为消纳光伏所带来的波动，则火电不承担消纳光伏所带来的调峰任务，否则，火电则需要承担相应的调峰任务。通过这种方式，可以使得水电充分发挥自身的调峰潜力消纳光伏，同时也有效地利用了火电的调峰能力。

图1 多电源电量补偿过程Fig.1 Multi-power supply compensation process

2 光伏消纳量最大模型

2.1 目标函数

为了使光伏消纳量最大，减少弃光，将上网光伏出力值（优化出力值）与光伏理论出力值的差值的最小值作为主要目标之一。此外，采用水-火-光联调模式时，还应尽可能减少火电波动，以减少火电爬坡煤耗，为火电机组安全运行提供保障。因此，采用火电方差概化火电出力波动，将其作为另一个目标函数，以减少火电大幅波动带来的成本问题和对机组的损伤问题。本文模型的目标函数可表示为

式中：T 为电力系统的调峰时段数；Npb，t为第 t 个时段光伏理论出力，根据光伏电站的光伏装机、天气状况和负荷水平等综合确定；Npf，t为第t 个时段光伏优化出力值；Nh，t为第t 个时段火电出力值。

2.2 约束条件

光伏消纳约束条件主要分为两类：第一类为电力约束，保证电网中的光伏、水电、火电满足各自的出力特性以及电网平衡与稳定，包括电力平衡约束、水电出力约束、火电出力约束以及光伏出力约束；第二类为水力约束，要求在水库调度过程中满足发电水量约束、水量平衡约束、下泄流量约束以及库容约束。

①电力平衡约束

式中：Nhk，t为水电站 k在第 t 个时段的出力；NF，t为第t 个时段系统的总负荷。

②火电出力约束

③光伏出力约束

④水电出力约束

⑤发电水量约束

式中：Chk为第k 个水电站的发电水量约束；△t 为时间间隔。

⑥水量平衡约束

式中：V（k，t+1），V（k，t）分别为水电站 k 在第 t+1时刻、t 时刻的库容；I（k，t），Q（k，t）分别为水电站k 在第 t 时刻的入流、出库流量；q（k，t-τ）为滞留时间τ 的区间入流。

⑦下泄流量约束

⑧库容约束

2.3 模型求解

2.3.1 个体结构和初始化

水电调节灵活，可快速响应负荷变化，与此同时，因受综合利用任务影响，水电站调度过程需要满足各种约束，为了减小计算复杂性，选择水电站作为决策计算单元。对于水电站，假设不同时间节点的下泄流量，就可以通过水平衡方程获得各个时间的库容，进而计算发电量，因此，本文采用下泄流量作为决策变量。对于光伏消纳量最大目标，直接采用光伏优化出力值作为决策变量。

2.3.2 约束条件处理

将约束分为基本约束和待惩罚约束进行处理。基本约束包含等式约束以及对决策变量的直接约束，对应式（8）和式（14），属于中间变量转换公式；对于式（12）和式（13），由于采用智能优化算法需要随机生成决策变量，采取基本约束处理可以将不满足要求的变量值提前进行转化，减少了计算的复杂性。当待惩罚约束普遍为中间变量时，无法采取基本约束的方式进行处理，因此，采用惩罚函数法将待惩罚约束整合到目标函数中，对不符合约束要求的过程采取惩罚与剔除措施。

（1）基本约束

①发电水量约束和下泄流量约束的处理

根据以水定电的水库调度原则，保证水电单元的发电水量满足水量约束，除此之外，不同的水电单元要求满足最大、最小流量约束。采用式（12）将随机变量转换为满足水电站k 最小与最大下泄流量约束的流量值，则各水电站的下泄流量可表示为

式中：randn为随机生成的变量。

②水量平衡

水量平衡是水电站的流量-水位-库容转化的基本依据，在水库初始库容已知的条件下，可以通过水量平衡公式计算末库容[式（8）]。

③光伏的最大、最小出力约束

为了提高光伏的上网电量，模拟光伏出力过程，根据光伏的预测信息，将光伏的理论发电能力作为光伏序列的上限，将零确定为光伏序列的下限，则光伏的优化出力可表示为

④电力平衡约束和火电出力约束

电力平衡是多电源满足负荷需求的基本依据，根据电力平衡可计算出火电出力过程。

（2）待惩罚约束

①库容约束

水电站库容约束要求必须满足在最大库容与最小库容区间内。对于不满足约束的库容进行惩罚，惩罚量设定为 μ1W1，μ1为无穷大数，保证库容约束不被突破。

②水电出力约束

水电出力约束要求水电出力值在其最大与最小约束范围内，对不满足水电出力约束的进行惩罚，惩罚量设定为μ2W2，μ2为无穷大数，保证水电出力约束不被突破。

③火电出力约束

对于火电，在不同的时期要求火电必须满足最大、最小出力约束，对不满足火电出力约束的进行惩罚，惩罚值设定为μ3W3，μ3为无穷大数，保证水电出力约束不被突破。

（3）目标函数与约束条件的整合

采用外点罚函数法处理违反约束值，各待惩罚约束均为强约束。因此，设置μi为无穷大数，对违反约束的不可行解，惩罚值为无穷大数，保证各约束不被突破；对未违反约束的可行解，惩罚值为零。

当光伏增加空间不大时，可以在尽可能增加光伏发电量的同时减少火电波动；当光伏增加空间较大时则需要均衡，即火电波动不大同时有效提高光伏发电量。均衡系数的确定需要结合研究区域、研究典型时间、电网结构等特点，通过试算获得。

2.3.3 求解算法

对于优化模型，求解方法众多，典型的有动态规划、粒子群算法、遗传算法、蚁群算法、鱼群算法等优化算法。其中，以粒子群算法和遗传算法为代表，在解决梯级水库调度问题上得到了广泛的应用，典型遗传算法存在容易过早收敛陷入局部最优以及计算效率低的问题，双种群遗传算法可以很好地补充其不足[9]。因此，本文引进一种改进的双种群遗传算法，结合移民策略和精英保留策略进行寻优，提高了计算收敛效率及准确性。

（1）基本思路

双种群遗传算法的基本思想：随机生成两个种群X1和X2，使两个种群按照不同的交叉和变异概率进行遗传操作。其中：X1（探测种群）采用较大的交叉概率pc和变异概率pm，具有较高的全局搜索能力；X2（开发种群）采用较小的交叉概率pc和变异概率pm，具有较强的局部搜索能力。对这两个种群采用精英保留策略，即当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传操作后所产生的适应度最低的个体。为了加快两个种群的进化速度，X1，X2之间采用移民策略，即当进化一定代数时，将X1和X2中适应度值最优的个体取出，再各自取出num 染色体，将这两个种群中num+1 个个体进行互换，分别进入对方种群中，形成更加具备多样性的种群。具体计算流程见图3。

图3 双种群遗传算法计算流程Fig.3 Dual population genetic algorithm calculation process

（2）光伏消纳量最大模型求解步骤

①初始化种群 X1和 X2。设定种群规模，X1的交叉概率和变异概率分别为pc1和pm1，X2的交叉概率和变异概率分别为pc2和pm2。初始化各染色体，根据式（11）确定决策变量个数（N+1）T，前 NT个变量采用式（12）初始化流量值，后T 个变量采用式（13）初始化光伏出力值。

②适应度值计算。基于水量平衡和电力平衡约束，计算各染色体的水电出力值和火电出力值。对违反库容约束、水电出力约束和火电出力约束的不可行解，采用罚函数处理。综合目标函数与惩罚函数[式（18）]，计算 X1和 X2中各染色体的适应度值。同时，两种群各自标记精英染色体。

③执行精英策略。对种群X1和X2中除精英染色体以外的染色体进行选择、交叉和变异遗传操作，计算各染色体的适应度值，将适应度差的个体用精英个体替代。

④最优个体的识别。分别评价种群X1和X2中染色体的适应度值，并对种群内各染色体的适应度值进行比较，记录当前代中适应度最优的个体的位置和适应度值。

⑤判断是否采用移民操作。判断进化代数是否等于迁移代数，若不满足，返回②，继续进行迭代遗传操作；否则，进行移民操作。

⑥移民操作。将种群X1和X2的最优染色体取出，再从每个种群中随机选取num 染色体，将这两个种群中的个体进行互换，完成相互之间的信息交流，弥补各自种群进化的缺陷。

⑦终止判断。返回②，重新计算种群和其中各染色体的适应度值，记录各自种群中的最优个体。然后，判断当前代数是否满足终止条件，若满足，终止操作，输出最优解；若不满足，则继续迭代计算。

3 应用分析

3.1 研究区资料

青海位于青藏高原的东北部，东西长约1 200 km，南北宽 800 km，面积为 69.66 万 km2。青海蕴藏着大量的水能、风能及太阳能资源，随着近几年清洁能源的迅速崛起，目前青海的电源组成主要以水电和光伏电为主，火电次之。截至2015年，青海电网装机容量达到20 646 MW，其中，水电装机容量为11 462 MW，占比55.5%，光伏装机容量为11 462 MW，占比26.7%，火电装机容量占比15.2%，风电装机容量较少。

青海的水能资源主要集中在黄河上游。黄河上游青海境内共规划建设25 座水电站，目前已建设完成投入运行的水电站中，装机容量超过1 000 MW 的大型水电站有5 座，分别为龙羊峡、拉西瓦、李家峡、公伯峡、积石峡，总装机容量为9 600 MW，总库容为 283.9 亿 m3，调节库容为 196.8 亿m3。按照黄河上中游防凌、防洪和供水等综合利用任务和用水规律，一般将调度期分为防凌期（12-3月）、春灌期（4-6月）、汛期（7-9月）和秋浇期（10-11月），调度期内受黄委统一调令，按“以水定电”方式进行调度。

青海省太阳能资源丰富，再加上有丰富的水电资源作支撑，青海光伏产业逐渐发展为青海的支柱产业，光伏装机逐年上升。预计2020年青海光伏装机容量将达到2 000 万kW。

3.2 算例分析

本文选择黄河上游青海境内调节性能较好的5 座水电站，联合火电、光伏，进行互补联合调节。选择2015年作为调度计算的典型年，按照光伏出力大、弃光较多的原则，分别选取2月7日、5月23日、7月23日和 10月20日作为防凌期、春灌期、汛期和秋浇期的典型日，以1 h 为一个调度时段，建立光伏消纳量最大模型，进行调度计算。计算结果如表1 和图4 所示。

表1 不同调度期典型日优化前后发电量对比Table 1 Comparison of power generation before and after optimization in typical scheduling periods

图4 不同调度期典型日各电源优化前后出力Fig.4 The output of each power supply optimization on the typical day of different scheduling periods

从表1 可看出，在防凌期、春灌期、汛期和秋浇期4 个典型日，光伏的并网电量分别增加了9.8%，12.3%，5.6%和9.0%。水电与火电的发电量与实际相比均有减少，但减少程度不同。这主要是由于在以水定电的调节方式下，水电的水量已定，流量分配变化仅带来了水位的略微变化，因而水电电量变化不大。由此可见，光伏消纳的增量主要取决于火电为光伏消纳腾出的消纳空间。

从图4（a）可以看出，水电和火电为配合光伏上网，其出力过程与光伏出力过程相反，在光伏出力减小时段，水电、火电加大出力，在光伏出力加大时段，水电、火电降低出力。该日光伏出力在12：00，13：00 和 14：00 均处于峰值，为 3 050～3 100 MW，水电出力最低已降至1 000 MW（应急备用容量），仍无法完全消纳光伏。因此，由火电补偿消纳，火电最低降至1 155 MW，调峰深度达到26%，增加光伏的消纳量为1 747.4 MW。可以证明，当水电发挥了现有的最大调峰能力向下调峰时，调峰容量仍然不足，无法完全消纳光伏，由火电补偿消纳，此时光伏的消纳量取决于火电的向下调峰能力。

由图4（b）可以看出，水电配合光伏上网，其出力过程与光伏出力过程相反。在光伏出力减小时段，水电加大出力，在光伏出力加大时段，水电降低出力。与优化前相比，优化后水电出力最低降至1 030 MW，最高达到4 853 MW，火电出力过程平稳，发电量与优化前相比减少13%，未发生向下调峰。这说明在春灌期典型日，受到春灌期下泄水量约束，水电在优化前仍然具有较大的调峰潜力，优化后，水电承担了由光伏增加所带来的系统调峰，火电并未进行调峰，从而保证了火电的平稳运行。

由图4（c）可以看出：各电源为配合光伏出力，在光伏出力高峰期水电出力明显降低；在光伏出力低谷期水电增加出力，以此补偿光伏的波动性。优化后水电出力最大为6 358 MW，最小为2 288 MW，火电出力已低至568 MW，基本无向下调峰能力。这主要是由于汛期典型日来水较多，为了防止弃水，水电多位于基荷运行，调峰受限，进而导致火电受电力电量平衡约束，在系统中承担电量较小，限制了火电的调峰能力。因此，通过调节水、火电出力无法更多帮助电网消纳光伏。

由图4（d）可以看出，优化后黄河上游梯级水电站最小出力降至1 000 MW（应急备用下限），最大达到4 705 MW，水电已无法向下调峰。在光伏出力高峰期，水电联合火电向下调峰，火电调峰深度与优化前相比略微增加。通过水、火电联合，光伏消纳量与优化前相比，增加了9%（表1），此时光伏的消纳量取决于火电的向下调峰能力。