考虑多场景新能源预测的月度机组组合研究

2020-05-23赵翔宇苏华英汪明清游成彬黄红伟

电力大数据 2020年3期

赵倩，赵翔宇，苏华英，汪明清，游成彬，黄红伟

(1.贵州电网电力调度控制中心，贵州贵阳 550002；2.北京清大科越股份有限公司，北京 100084)

机组组合是电网调度运行方式编制的重要内容。近年来，随着电力市场改革的不断深入和新能源的快速发展，传统的机组组合正面临日益严峻的挑战。特别是在消纳新能源方面，由于风电、光伏等新能源具有较强的不确定性，传统的确定型机组组合难以给出满足电网安全要求的运行方案，已成为该领域亟待解决的问题[1]。

为此，国内外已开展大量该领域的研究和应用。文献[2-3]研究了风功率预测准确率统计分布特性，在日前机组组合模型下考虑一定的风功率预测误差，提出了面向风功率预测误差聚类分析的机组组合模型与求解算法。文献[4-5]研究了风电与电动汽车的协调机制，提出了考虑风电与电动汽车的机组组合优化方法。文献[6]提出了一种考虑风电极端场景下的机组组合优化方法，该方法以风电期望预测水平下运行经济性为优化目标，考虑了对风功率极端场景的包容能力，能够给出日前条件下满足消纳要求的最优运行方式。文献[7]则从月度等中长期时间尺度出发，初步研究了风电波动对机组组合的影响，构建了多时段机组组合优化模型。文献[8]在此基础上，进一步构建了多场景风功率预测模型，研究了月度机组组合问题。文献[9]考虑我国中长期市场交易要求，提出了考虑月度交易电量执行的机组组合模型，能够在优化机组开停的同时，对电量计划进行分解。文献[10]研究了不同调节性能的机组在机组组合中的组合模式，提出了一种嵌套式机组组合优化方法，以提升整体运行效率。

可以看出，当前机组组合领域的研究存在如下几个方面的问题：①在时序上，对日前机组组合研究较为充分，而对月度等较长时间尺度的机组组合研究相对较少，其原因在于较长时间尺度下需要细致考虑机组启停约束，其建模方式相对复杂；②在优化目标上，对电网运行成本与新能源消纳之间的协同关系还需要进一步分析，电网运行成本和新能源消纳存在一定的替代效应，即当追求电网运行成本最低时，会对消纳清洁能源产生一定影响，而为了提升清洁能源消纳能力，也可能造成电网运行成本上升；③在风电建模上，对风功率预测误差影响研究较为充分，而对月度等较长时间尺度的多场景预测建模还有待进一步提升，当前新能源在中长期时间尺度上往往需要采用不确定性预测方法，主要形式包括多场景预测、区间预测等，选用哪种表达形式更有利于中长期机组组合问题解决，还需要进一步研究。

为此，本文将提出一种考虑多场景新能源预测的月度机组组合方法。首先，从月度机组组合建模实际需要出发，介绍了多场景新能源预测的基本概念，构建了多场景新能源表示模型。接着，以运行成本和新能源损失量最小化为目标，综合考虑电力电量平衡等运行约束，提出了考虑多场景新能源预测的月度机组组合模型，并介绍了其求解方法。最后基于IEEE-30节点系统构造算例，验证了所提出方法的有效性。

1 多场景新能源预测的概念和模型

1.1 基本概念

所谓多场景新能源预测，是指根据新能源历史运行数据，通过数据分析获得的未来不同运行场景下的新能源功率预测结果。如图1所示，与传统的新能源预测相比，多场景预测具有如下特征：

(1)预测主要基于历史数据，而对未来气象数据参考相对较少；

(2)预测结果为不同场景下的新能源功率预测值，而不是单一场景的预测结果。

之所以在月度机组组合中考虑采用基于历史数据分析挖掘的多场景新能源预测，根本原因在于月度运行方式编制环节，气象预测数据准确性相对较低，难以满足高精度新能源功率预测的要求。因此，对月度机组组合的鲁棒性提出较高要求，月度机组组合必须能够充分适应新能源可能的变化与波动。

需要特别说明的是，本文所述的新能源多场景预测只是当前新能源不确定型预测的一种表示形式。除多场景预测方法外，还有区间预测、概率预测等其他表示形式。上述表示形式之间能够相互转化，并不存在本质上的差别。与其他表示形式相比，新能源多场景预测具有表达形式简单、易于建模分析等优势，在当前电力系统调度运行分析中应用最为广泛[11]。

1.2 表示模型

多场景新能源的本质是考虑各类型影响因素的可能变化，给出多个风功率预测结果及发生概率。为此，在多场景风功率预测建模时，不仅需要考虑各场景下风功率数值，还需要量化其发生概率[12]。

不同预测场景下风电场w在不同运行日不同时刻的预测功率可采用矩阵形式表示为：

(1)

式(1)中，为风电场不同预测场景下不同运行日不同时段预测功率组成的预测矩阵。其中，Pw，s，d，t表示风电场w场景s下第d天时刻t的风功率预测数值，则矩阵中Pw，1，1，1、Pw，1，1，2、……、Pw，NS，ND，NT分别表示预测场景1至预测场景NS下各运行日各时段预测数值，其中NS表示该风电场的预测场景总数，ND表示运行日数，NT表示运行日时段数。且为保证不同预测场景能够覆盖风电场所有可能性，各预测场景下的发生概率之和应等于1，则须满足：

(2)

式(2)中，ρw，s表示风电场w在场景s下的概率，即要求任一风电场，其所有场景下发生概率之和应为1。

2 月度机组组合建模与求解

2.1 优化目标

月度机组组合优化建模中，不仅需要考虑电网运行成本，还需要考虑不同场景下弃风电量期望值。上述优化目标可表示为：

minF=α1F1+α2F2

(3)

式(3)中，F为整体优化目标，F1、F2分别为电网运行成本和弃风电量，α1、α2分别为两个优化目标项的权重系数值，由调度运行人员根据电网实际需要设定。

电网运行成本主要考虑燃煤机组启停成本和运行成本两项，可表示为：

(4)

式(4)中，NG为全网燃煤机组台数，Fsg、Fcg分别为燃煤机组启动费用和停机费用，FG(Pg，s，d，t)为燃煤机组的运行成本函数，Pg，s，d，t为燃煤机组g在风功率预测场景s下第d天时段t的发电功率，usg，d、ucg，d为燃煤机组g在第d天的启动状态变量和停机状态变量。式(4)中第一项为燃煤机组的启停成本，第二项为燃煤机组的运行成本。其中运行成本函数可用二次函数、一次函数等不同类型的函数表示[13-14]。考虑到月度计划编制过程中负荷预测等边界数据还存在一定不确定性，燃煤电厂运行成本采用二次函数等复杂模型并不能保证实际效果，本文中建议采用一次函数近似表示或采用分段线性化方法，将上述模型转化为线性模型，以提升计算效率，降低模型复杂度。所采用的燃煤机组运行成本线性模型可参考文献[15]，本文中不再赘述。

不同场景下的弃风电量不同，在评估整体弃风电量水平时，本文采用各场景下弃风电量的期望值，可表示为：

(5)

2.2 约束条件

所需要考虑的约束条件包括电力电量平衡约束、断面运行约束、燃煤机组运行约束、风电场运行约束等[16-17]。

2.2.1 电力电量平衡约束

电力电量平衡约束不仅要求各场景下电力供应应满足实时平衡的要求，还要求各时段系统运行备用满足要求，可表示为：

(6)

(7)

式(6)-(7)中，NB为全网中负荷节点数，Pb，d，t为节点b在第d天时段t的负荷预测，Pw，mins，d，t为各场景中风功率预测值最小的场景，PUg为燃煤机组g的最大技术出力，Rd，t为第d天时段t的备用容量。

式(6)为电力平衡约束项，要求风功率预测各场景下调整燃煤机组出力均能满足电力供需平衡。式(7)为运行备用约束项，要求即使风功率处于最小场景下，处于运行状态的燃煤机组最大技术出力之和依然能够满足运行备用的要求。

2.2.2 断面运行约束

断面运行约束要求各场景下断面潮流均处于其限值范围内，可表示为：

(8)

式(8)中，PSMs、PSIs分别为运行断面s上、下限值，Gw，s、Gg，s、Gb，s分别为风电场w、燃煤机组g和负荷节点b与运行断面s之间的潮流转移分布因子。

各电厂发电功率或节点负荷功率与其潮流转移分布因子乘积即等于直流潮流模式下该发电厂或负荷节点在该运行断面产生的潮流，将所有发电厂和负荷节点产生的潮流相加，就可以得到该运行断面的潮流值。式(8)限定了各时段下各运行断面的潮流必须在其限值范围内。

2.2.3 燃煤机组运行约束

燃煤机组运行约束是指燃煤机组运行过程中所必须满足的运行约束条件，主要包括出力上下限约束、爬坡能力约束、启停时间约束等，可表示为：

ug，dPMg≤Pg，s，d，t≤ug，dPUg

(9)

ug，dPPMg≤Pg，s，d，t-Pg，s，d，t-1≤ug，dPPUg

(10)

usg，d-ucg，d=ug，d-ug，d-1

(11)

usg，d，ucg，d，ug，d∈{0，1}

(12)

(13)

(14)

式(9)-(14)中，PMg、PUg分别为燃煤机组g的最大、最小技术出力，PPMg、PPUg分别为燃煤机组g的最大、最小爬坡能力，TL为燃煤机组最小持续运行或停机时间，Wp为发电厂p的月度电量计划。

式(9)为燃煤机组出力上下限约束，要求任一场景下任一时刻燃煤机组出力均在其最大、最小技术出力范围内，特别的当该机组当天处于停机状态时，则该机组出力限值为0。式(10)为燃煤机组爬坡能力约束，任一场景下任一时刻间隔的燃煤机组出力变化必须在其爬坡能力范围内，特别的当该机组当天处于停机状态时，该机组出力变化为0。式(11)及式(12)为机组运行状态变量关系式，机组运行状态变量ug，d、机组启动状态变量usg，d、机组停机状态变量ucg，d均为均值为0或1的混合整数变量，当机组处于运行状态时，机组运行状态变量ug，d取值为1，否则取值为0；当机组由停机状态转为开机状态时，发生机组启动的当天机组启动状态变量usg，d取值为1，否则为0；当机组由开机状态转为停机状态时，发生机组停机的当天机组停机状态变量ucg，d取值为1，否则为0。式(13)为机组最小运行时间约束，要求在最小运行时间TL内，机组运行状态不能发生2次及以上的变化。式(14)为发电厂电量计划约束，要求任一场景下发电厂内各机组的累计发电量应与其月度电量计划相等。

2.2.4 风电场运行状态约束

风电场运行状态约束是指风电运行过程中所需要考虑的约束条件，可表示为：

PAw，s，d，t+Pw，s，d，t=PFw，s，d，t

(15)

(16)

式(15)-(16)中，PFw，s，d，t为风电场w在场景s下第d天时段t的风功率预测。

式(15)为风功率关系式，要求弃风功率与发电功率与其预测功率相等。式(16)为弃风功率分配约束，要求各风电场按照等比例原则分摊弃风功率。

2.3 求解方法

以式(3)为优化目标，式(6)-(16)为约束条件，联立即可以构建考虑多场景风功率预测的月度机组组合模型。

从数学上来看，该模型本质上为混合整数规划问题，当目标函数中机组运行成本函数采用二次函数时，则上述模型为二次混合整数规划问题；否则为线性混合整数规划问题。上述模型均可以采用单纯型法等数学规划方法或调用CPLEX等商用软件包求解得到，可参考文献[18]。考虑到上述方法属于较为常用的方法，本文中不再赘述其具体求解过程。

3 算例分析

3.1 基础数据

本文将在IEEE-30节点系统基础上，构造算例，以验证本文所提出方法的有效性。所用的标准节点系统网架结构如图2所示，该标准系统中共有节点30个，发电机组6台，线路41条。

该系统中所涉及的6台发电机组总装机容量1 100 MW，均需满足最小运行时间和最小停机时间不低于7天的规定，其他关键参数包括最小技术出力、爬坡速率等如表1中所示。整体来看，各发电机组最小出力均为其装机容量的50%，与当前我国各省区发电机组实际运行水平相当；爬坡速率为其额定容量的8%左右，也与当前我国燃煤电厂实际水平相当，以保证算例结果与实际相近，提高其可用性。

算例中，逐日负荷需求曲线如图3所示，全月电量需求总计3.84亿kW·h，最高负荷为889 MW。从负荷分布上，算例中逐日负荷呈现较为明显的“周末”特性，即在周六、周日两个非工作日，其负荷仅为工作日的85-90%，是调峰压力较为明显的时段。

表1 发电侧基础数据

3.2 结果分析

当前月度风功率预测准确率较低，月度运行方式编制中往往是通过历史风电发电数据测算可能的运行场景，以此为基础优化确定月度机组组合方案。

根据历史数据，本文中考虑高、中、低三套风电发电电量预测场景，同时结合调峰需要，设置正调峰、反调峰、不调峰三个日内运行场景。则同时考虑电量预测场景和日内调峰场景，即可以获得共9套风功率运行场景。图4中展示了高、中、低三个场景下周日电量变化，三个场景下发生概率分别为20%，60%，20%；图5则展示了正调峰、反调峰和不调峰三个场景下日内风功率曲线变化，三个场景的发生概率依次为30%，40%，30%，则不同日运行场景及其对应概率如表2所示。

表2 风功率预测场景

基于上述风功率多场景预测数据，设置初始优化系数取值分别为α1=1，α2=2 000。之所以弃风电量的权重系数远高于电网运行成本，原因在于根据近年来我国电力调度运行原则，尽最大能力消纳清洁能源是电网运行的重要原则，清洁能源属于优先发电电源，须尽最大可能保障清洁能源发电。不同地区电网运行特性不同，可结合实际调整上述优化问题中两个优化目标的权重系数，在降低电网运行成本和提升清洁能源消纳中实现平衡。利用本文所提出的方法对机组组合方案优化，可以得到上述6台机组的开停状态如图6所示。图中纵坐标的每一行从下向上依次对应机组1至机组6。横坐标对应当月30天。图中白色色块表示当天该机组处于停机状态，黑色点状图案色块表示当天该机组处于开机运行状态。由于模型中规定机组最小连续运行时间和最小连续停机时间均为7天，因此优化结果中机组启停具有较好的连续性，满足最小开机和最小停机的时间要求。

实际运行过程中，风功率消纳和提升系统运行效率之间存在矛盾。由于风功率存在不确定性，多场景预测模式下，为了提升其消纳能力，势必要求燃煤机组留有更大的裕度，客观上造成燃煤机组运行效益下降。通过调整优化目标中的权重系数，能够获得在不同消纳能力下的最优机组组合方案。给定运行成本的权重系数为1，不同的弃风电量成本系数下，弃风电量与系统运行成本如图7所示。可以发现随着弃风电量系数的增加，弃风电量呈阶梯性下降，而系统运行成本则呈阶梯性上升趋势。其原因在于不同权重系数下，弃风电量成本在总目标中的比例将发生变化，当其增长造成机组组合方案改变时，对应的运行方式改变将造成系统运行成本的变化。调度运行人员可以根据系统运行需要，设置合理的权重系数，通过调整权重系数，确定机组组合方案，在满足一定的消纳能力要求基础上，提升系统运行经济性。之所以出现阶梯性变化的特性，原因在于只有当优化目标改变超出一定限度时，才会导致机组开停状态发生调整，从而造成运行成本和弃风电量之间的大幅变化。

在此基础上，调度运行人员能够进一步根据电网实际运行中新能源预测准确性和新能源波动特性等，确定最佳的权重关系，由此确定最佳机组组合方式。结合实际需要，调度运行人员也可以采用动态权重系数方法，根据不同时段电网需要，调整两个优化目标的权重系数，以适应不同情况下的电网运行需要。