风电供暖提升可再生能源电力系统消纳能力的概率评价方法

2020-06-18姜继恒鲁宗相

可再生能源 2020年6期

姜继恒，乔颖，鲁宗相

（电力系统及发电设备控制和仿真国家重点实验室（清华大学电机系），北京 100084）

0 引言

近年来，我国可再生能源消纳形势依然严峻，以国内“三北”地区为代表的可再生能源富集省份未能完全解决弃风、弃光问题。为提升电力系统消纳能力，促进负荷低谷时期富余清洁能源的有效利用，我国积极借鉴丹麦等国家的先进经验[1]，在2010 年开始尝试推行风电供暖试点工程。内蒙古、辽宁、吉林、黑龙江、河北、新疆等地区纷纷开展相应工作，配套建设试点工程。已有部分研究初步探讨了风电供暖的经济性[2]~[5]和风电场、电热锅炉等环节的运行模式[6]~[8]。

在现有电力系统消纳能力评价问题中，如何建立并应用可再生能源概率模型来描述系统不确定性成为研究热点。随机生产模拟算法基于负荷、电源的功率概率分布进行电量期望值计算，在规划领域应用广泛。文献[9]，[10]基于随机生产模拟方法建立了中长期消纳能力评估模型，实现了月度以上时间周期内的弃风电量计算。但随机生产模拟方法的研究热点集中于火电机组、风电的概率性建模，所描述的系统生产方式多为电源对负荷曲线的电量填充，属于典型“源跟踪荷”的简单模式。而风电供暖模式将使能量流关系变得更加复杂，该模式对负荷、风电、系统热需求、热电联产（Combined Heat and Power，CHP）机组的概率特性产生显著影响，原有模型无法直接将其纳入到计算框架内。因此，亟需在随机生产模拟算法的框架下讨论风电供暖的建模方式并进行消纳提升效果评估。

本文所提模型以随机生产模拟（Probabilistic Production Simulation）方法为基础，分别建立了电力负荷、热力负荷、火电机组、风电机组的概率模型，给出了系统弃风电量期望值的计算方式。通过分析风电供暖对系统电力负荷和热力负荷概率特征的影响机理，给出了负荷概率曲线修正方法，以此评估风电供暖对系统可再生能源的促进消纳作用。

1 消纳能力评估原理

1.1 总体思路

图1 评估方法原理Fig.1 Principle of assessment method

本文的方法流程如图1 所示。方法主要由两个环节构成：①建立弃风评估模型，以随机生产模拟方法为基础，输入量为负荷、电源的概率分布，输出量为系统弃风量、电源发电量等指标；②基于风电供暖运行模式修正电力、热力负荷的概率分布，重新计算弃风情况，对比消纳提升效果。

1.2 基本原理

随机生产模拟方法本质是利用负荷、机组的概率性描述进行中长期的生产计算。对某随机变量X，其概率密度函数为f（x），持续曲线F（x）为

若该随机变量具有功率量纲，周期T 内随机变量X 所含能量为

对电力负荷，基于历史数据进行负荷预测，获得电力负荷概率密度函数，利用式（1）求解持续负荷曲线（Load Duration Curve， LDC）。可通过类似方法获得热力负荷持续曲线（Heat Load Duration Curve， HLDC），表征系统热需求特征。由于机组的故障停运对LDC 进行卷积修正，得到不断更新的等效持续负荷曲线（Equivalent Load Duration Curve， ELDC）[6]。图2 为该方法的机组安排流程，风电在非供热火电最低稳定容量（图2A 部分）和CHP 机组额定容量（图2B，C 部分）参与发电后进行电量填充，风电可发电能力为图2D，E 部分。风电累积概率曲线超过ELDC的区域积分即为弃风期望电量，如图2 中F 部分所示。

图2 随机生产模拟方法示意图Fig.2 Schematic diagram of probabilistic production simulation

1.3 常规火电机组概率模型

对常规非供热火电机组，本文采用文献[11]中的两状态机组模型。同时，本文借鉴文献[9]所提模型描述供暖季内CHP 机组的电热耦合特征。

假设第i 台CHP 机组具有供热功率Hi和发电功率Pi。以背压式机组为例，其电热功率曲线可简化为线性模型。

式中：ai，bi为电热关系的线性系数，其中bi为供暖季机组的最小稳定电功率。

进一步地，可知机组的电功率概率密度函数fi（xi）为

式中：gi（·）为该CHP 机组的热力功率概率密度函数。

1.4 风电概率模型

在进行电源安排时应该按照电源的最大发电能力填充ELDC。假设风资源概率分布曲线可在前期获得，且满足Weibull 分布，其概率密度函数fv（sw）为

式中：sw为风速值，m/s；k 为形状参数；c 为尺度参数，与统计周期内的平均风速相关。

联合式（5）与风机功率-风速特性曲线，获得合成后的风电功率概率密度函数fv（P），按式（6）计算风电持续功率曲线Fw（P）。

1.5 电量评估计算

下面简述随机生产模拟的主要步骤。

步骤一：基于式（1），通过系统历史数据生成研究周期内系统ELDC 以及HLDC。

步骤二：确定模拟周期内的火电机组开机集合，假设供暖机组编号为1~N，非供暖机组为N+1~N+M。通过式（7）形成供热机组开机集合SetA和非供热机组开机集合SetB。

步骤三：计算所有非供热机组基荷、峰荷分段内的平均煤耗率，按升序进行排列。

步骤四：非供热火电机组的基荷部分参与生产，完成图2 中A 部分所示的电量填充。

步骤五：安排CHP 机组最小稳定功率部分参与生产，对于N 台CHP 机组，在ELDC 和HLDC上按照式（8）安排CHP 机组整体参与发电。

式中：GN（H），FN（P）分别为N 台CHP 机组的热功率持续曲线、电功率持续曲线；Himin为各CHP 机组的最小热功率；GL（H），FL（P）分别为区域内热负荷的HLDC、电力负荷的ELDC。

步骤六：安排CHP 机组的可调节功率部分参与生产，按照电热功率关系曲线，将各台机组在热负荷曲线的概率值映射到电负荷曲线[10]。该环节中，CHP 机组热功率持续曲线和电功率持续曲线按式（9）进行计算。

式中：gsys（P）为N 台CHP 机组整体的热-电功率关系函数。

步骤八：计算弃风电量，按式（11）计算图2 中F 部分所示的弃风电量EC。

式中：Pmax为风电安排后的功率最大值；Lmax为系统内电力负荷最大值；Peq为电力负荷持续曲线与风电参与后功率持续曲线交点处的功率值，满足：

步骤九：安排可调节机组的剩余容量参与生产，填补未满足电量，如图2 中E 部分所示。

本文将利用等效电量函数法[12]进行模型求解。

2 风电供暖的概率模型

2.1 风电供暖运营模式及配置方法

基于文献[13]的简化模型，本文假设电热锅炉每天的运行时间固定，其运行功率确定后，在开启时段内为恒定值。假设电热锅炉每天开机时段为0，ts［］∪te，2［］4 ，对该时段内风电功率Pw进行长期统计，选取合适的功率分位点α，同时假设电热锅炉全部消耗风电，其运行功率Phg为

式中：p（Pw＞x）为风电功率Pw超过x 的概率。

2.2 考虑运行场景的概率模型

电热锅炉运行后，主要降低了供暖机组的热负荷和系统电负荷，热力负荷的变化进一步影响了CHP 机组的功率特性。因此，应建立HLDC 与ELDC 的变化求解模型。参照文献[14]建立的分时段模拟模型，本文构建风电供暖的分时段模型。假设供暖季时长为T，将一天24 h 分为 ts，te［］和［0， ts］∪［te， 24 ］两个时段，电热锅炉仅在第二时段内运行，供暖季内电热锅炉运行总时长为Th。对一天内的电力负荷时序值L（t）和热力负荷时序值HL（t）进行分解。

其中：

分别对L1（t），L2（t），HL1（t），HL2（t）生成累积概率曲线FL1（P），FL2（P），G1（H），G2（H）。

电热锅炉主要对第二时段上的累积概率曲线产生影响。热力负荷曲线修正为

第二时段内的原始ELDC 为FL2（P），在电热锅炉恒定功率模式下，等效于0，ts［］∪te，2［］4 内每一时刻负荷值增加Phg，修正后的ELDC 为

时序中的分时段变量对应概率运算中的加和，时序中的加和值对应概率运算中的卷积运算。统计周期内电力负荷和热负荷的总累积概率分布函数为各段之和，如式（18）所示。

修正完成后，按照第一节所述方法进行消纳电量评估。

3 数据实验

3.1 仿真系统

本文选取北方某省级电网历史数据进行供暖期（10 月-次年4 月）逐月的模拟计算，该地区全网最大发电负荷为27 330.98 MW，最小发电负荷为19 082.24 MW，发电负荷均值为23 309.55 MW。现有总装机容量可达46 800 MW，其中，煤电总装机达33 000 MW，水电装机为800 MW，风电装机约为13 000 MW。公网火电机组装机总容量为26 760 MW，其中，非供暖机组装机容量为10 780 MW，CHP 机组装机容量为15 980 MW。

表1 风电供暖促消纳效果Table 1 Effect of wind-power-heating on accommodation promotion

公网内各台非供暖机组最小稳定发电功率约为额定容量的50%，供暖机组处于热电联产状态下，最小稳定出力均为额定容量的80%。如表1所示，假设供暖时期CHP 机组全部保持在线，通过对标历史实际发电情况，得到供暖月内其它火电机组开机情况，由此估算常规火电机组最小稳定发电功率，作为弃风消纳评估计算边界。

3.2 风电概率特性分析

图3 分时段风电功率概率密度曲线Fig.3 Wind power probability density curve with different time

假设该区域有23 个风电场参与风电供暖，装机容量为2 434 MW。对供暖月日内00：00-03：00，00：00-05：00，00：00-07：00，00：00-24：00 4 个时段内的风电功率概率分布进行核密度估计，得到风电功率概率密度曲线，如图3 所示。由图可以看出：在00：00-03：00，00：00-05：00，00：00-07：00，风电概率分布函数相似，风电在夜间的发电概率分布具有时间平稳性；夜间的风功率概率曲线较00：00-24：00 的概率曲线峰度更高，功率波动性更低，稳定性更佳。

对以上4 个时段内的风电功率进行不同分位点计算，得到分位点功率曲线，如图4 所示。由图可以看出，电热锅炉在夜间不同的开机时段，分位点功率具有一致性，避免了不同时段下锅炉功率配置的重复计算。

图4 分时段风电功率下分位点曲线Fig.4 Fractional curves of wind power with different time

3.3 风电供暖消纳提升效果

对该区域内的电热锅炉功率按照风电功率概率20%进行分位点配置，设计容量为307 MW，电热锅炉在每天00：00-05：00 恒功率运行，停运率暂设为0。该情景下，系统风电消纳结果见表1，电热锅炉吸纳供暖季内的一部分弃风电量，但弃风电量减少最多不超过5%，这表明仅靠单一区域内设置单一容量的电热锅炉很难直接影响系统整体的消纳情况。其中，12 月的消纳电量大于电热锅炉的耗电量，表明CHP 机组在腾让一部分供热容量后，风电获得更多上网空间，这部分电量由其它负荷消纳。

进一步地，本文在更大的数据范围内进行仿真以研究风电供暖的最大潜力。在风电供暖影响因素方面，当电热锅炉功率值为5 000 MW 时，以1 月为例，分别选取日内00：00-2：00，00：00-4：00，00：00-6：00，00：00-8：00，00：00-10：00 进行实验，探究CHP 机组持续功率曲线与持续负荷曲线的变化情况，如图5 所示。可以看出，增加风电供暖的运行时段，等效于提升ELDC 下降沿部分的数值，使得持续负荷曲线的下降沿更平缓，更加贴合风电功率曲线的形状。而对于CHP 机组的功率曲线，增加风电供暖的时间，等效于减少其功率曲线下降沿的上部。

图5 电热锅炉功率为5 000 MW 时，持续负荷曲线、CHP 机组持续功率曲线与供暖时间的关系Fig.5 Relationship between curve change and heating time when electric boiler power is 5 000 MW

图6 不同电热锅炉功率配置下，持续负荷曲线、CHP 机组持续功率曲线变化Fig.6 Change of curve positions under different electric boiler power configurations

当电热锅炉功率为1 000 MW 和2 000 MW时，CHP 机组功率曲线和ELDC 变化情况如图6所示。由图可知，不同供暖时段下的CHP 机组功率曲线和ELDC 相对位置关系不变，所有曲线均由原始曲线和00：00-10：00 电热锅炉运行期间的曲线包络。电热锅炉功率越大，ELDC，CHP 机组持续功率曲线修正越明显。

以上分析中，风电供暖的两个主要参数为电热锅炉的功率和供热时间长度。以1 月为例，分析不同参数组合下消纳情况的变化，如图7 所示，图中供暖时间起点均为00：00。结果显示，当电热锅炉功率为1 000 MW，锅炉日内运行时间为12 h时，弃风率控制在25%以下。此时电热锅炉的运行已经需要其它常规机组支撑，经济性并非最好，且日内午间不是热量需求高峰时期，实际运行中难以应用该种模式。综合来看，风电供暖措施难以彻底解决弃能问题。