光热-风电联合运行调度策略研究

张 磊

（北京大学光华管理学院，北京 100871）

太阳光能源热发电技术是一种与太阳光发电不同的太阳热发电技术。这种技术的发电原理是通过太阳光的反射活动传达到热能集中器，随后经由热交换设备取得高压的过热蒸气来驱动涡轮发电［1-3］。由于太阳能源存在不稳定性和断续性的问题，太阳能发电站在通常情况下配置了热能储存设备，以确保向输电网供电的稳定性［4-6］。考虑到未来的太阳能发电站不仅在规模上拥有优越性，还具备优异的调控性能，本文在研究中将太阳能发电站和其他可再生能源发电结合设立共同体系，不仅能使电能顺畅，还能促进可再生能源的整合，尽可能地避免废弃风力的产生，实现经济效益的有效提升。很多学者针对光热能源驱动电力与其他能源生成电力的共同调度进行了研究。CHEN R Z等［4］提出了太阳能发电站的网格配电模式，并进行了研究分析。杜尔顺等［7］从原理、运用、优化计划及利润分析的角度分析了光热能源驱动电力站的网格连接运用。陈润泽等［8］则建立了光热能源驱动电力站的数学模型，并对其中的经济效益进行了探索，但由于没有考虑配备使用以及其他因素，无法应用到包括光热能源驱动电力站在内的网格分布。严干贵等［9］根据水资源抽调站点的能源储藏特性，建立并模拟了水资源抽调发电和风力发电的共同调度模型，随后验证了模型的有效性。

总之，现阶段的驱动电力技术在全球范围内大部分都是建立在光伏发电基础之上，在风力发电的网格连接方面，大多数情况下的调控措施都是通过传统能源来完成实施的。鉴于此，为了调整风力发电的变动性，本研究结合运用太阳能发电站和水力发电站以达到建立一个创新型水电站的目的。各种关于风力发电站和太阳能发电站的清洁能源复合发电系统，通过运用太阳能发电站的能源储藏功能平滑风力能源的随机性，使用含有常驻粒子的改良粒子群机制来实施优化处理，并选取经济效益最大以及废弃风能资源量最小的参数作为目标函数，最后在仿真示例中验证调度战略的实效性和可执行性。

1 风电-光热电站联合发电系统

并网型风力发电和光热发电所组合的系统在一般情况下可以分为能源生成、蓄热和能源消耗三大流程［10］，图1展示了其共同体系架构。它由风能驱动电力模块、光热能驱动电力模块和电力消能管控仪组成。光热能驱动电力站点由光场、蓄热、热循环三个主要部分共同构成，由水或热油等热传输流体实施能量资源的传送。光热能驱动电力环节通过光场的聚合汇集作用吸收太阳辐射能源，辐射能源被热能转换后，通过热传递流体进行能源量的传达。热传导流体和蓄热系统可以两向互换能量，而能够起到决定热传导流体的能量移动方向的是蓄热体系当中的介质，其通过在不同温度罐体之间的方向移动完成实施。热循环通过热传递流体当中的热力能量形成蒸汽，并以此实现驱动力推进涡轮发电机产生电能。在风能驱动电力模块中，风力涡轮将风能转换为机械能，再将其转换为电能，然后通过连续的交直流转换将电力能源转移到网格。电力控制模块在计算现阶段风力和光热能驱动电力体系的输出效能和最大可用驱动电力能量后，经由最佳化管控处理，确定各副驱动电力体系的运转情况。

图1 风电—光热电站联合系统结构图

根据光热能驱动电力的运作机制能够得知［11］，驱动电力模型与常规的可再生能源不同。鉴于大容量的蓄热设备的配置［12］，光热能驱动电力在光照强度的运用方面非常自如，蓄热装置是为了合理地调整输出效能的缓冲器。另外，光热能驱动电力当中的蒸汽涡轮机具有很强的输出调整功能，可以为系统提供上升支持［13］。鉴于此，太阳能发电站的电力调整速度比一般的火力发电装置的速度大，可以用来对风能驱动电力的变化作出快速地反应。由于风力发电站和太阳能发电站的组合控制是为了减少风力发电和太阳能发电的变动性和断续性，最大限度地活用那些具有互补性质的特征性能，根据风力和光热发电的组合系统的协调管控，在风能和光能振幅显著变动的情况下也可以使其在温和的模式下运作。

2 风-光热-水电联合优化调度模型

2.1 光热-风电联合调度策略

为了实现风能、光热能、水电能源共同调度体系经济目标，避免产生废弃风力能源，建立如下目标函数［14］：

在上述公式中，T为每日调度总数，数据取值为24；N为水能驱动电力站点量；Cwind、CCSP、Chydro分别为水电站风力、光热及开网价格；分别为t期间内的风力发电站和光热发电站的输出；为水能驱动电力站点i在t期间内的功率输出水平；为时间t的风力发电所的预测输出。式（1）表明除建设投资和维护费用外的复合体系的最大经济价值。式（2）表明将废弃风力资源量控制在最小限度以内，以确保风力发电量在最大限度范围内。

2.2 约束条件

1）系统功率平衡的制约：

2）系统备份制约：

3）发电站的电力制约：

4）水电转换关系：

在上述公式中，A为水电资源变化常数，一般情况下将数值取定为9.81；为水能驱动电力站点i的效能水平：hit为储水区域i在1时刻期间内的水面高度。Qit为水能驱动电力站点i在t期间内的流动量。

5）每日流量积分制约 具备调控机制的水能驱动电力站点应根据配水部门的要求确定发电所需的水耗量，因此配水部门根据需求对每日流量积分制约设定应相地上限和下限数值。

6）光热发电站制约：

a.蓄热装置的能源储藏制约为：

b.蓄热装置的充电和放电电力制约为：

c.蓄热装置的充放电电力关系的制约：

d.光热发电站内部电力关系的制约：

3 风光热-水电联合优化调度算法

本研究中建立模型的多目标函数，根据两个目的函数的重要性，取权重为0.4和0.6的加权系数法来处理，对制约的处理使用外部罚函数法，随后将其合并到目的函数。经由上述措施后，将原始具备复杂程度的混合动力制约问题转换为一系列无约束的编程问题。在此构型当中还需要用模型最优化的参数作为各期间段各发电所的输出效能水平。在算法方面，使用常驻粒子的集聚群体算法，导入帮助优化的“常驻集聚粒子”，以解决修正基本聚合算法在局部小区域检索能力不足的问题，优化了集聚粒子群体的多元化水平以及组合的多样性。该算法非常适合在固定范围内进行电力体系调控的优化实施。

3.1 含驻留粒子的改进粒子群优化算法

集聚粒子群体优化算法具备简易性能，且对目的函数不严密，是被普遍使用的智能型优化算法形式［15］。在优化的实施流程当中，由于粒子的凝集效果非常容易导致优化实施陷入局部最优化困境当中，影响到整体优化的精确程度。为了尽量避免这一问题的出现，本研究使用了常驻聚合粒子群体算法。CRPSO被用于最优化基本粒子组算法，每更新gbest生成一定量的常驻粒子，就会产生辅助效用以改善聚合粒子群体的多元化性能，避免算法在流程实施前期阶段产生局部优化的不利现象。

在CRPSO中，为了解决优化实施无法获得全局范围内新区域（gbest）周围形成新常驻聚合粒子群体的数目过多的问题，避免造成计算速度下降的不利情形，因此设置常驻聚合粒子群体丰裕水平b和主分组聚合粒子群体大小N的积分。即存在分区的最大数量数值。

3.2 迭代公式

将算法搜索空间维度设置为D，如果将主分组的大小设置为N，则第i个主分组的位置和飞行速度可以表达如下：

3.3 算法流程

图2为CRPSO算法流程。

图2 CRPSO算法流程

4 算例验证分析

为了对多目的优化调控机制的科学性能和被使用算法机制的可执行性进行实证分析探索，设定为程序的创建并使用MATLB软件来验证例子，对例子进行分类实施。一组算法流程当中不追加光热发电所，一组算法流程当中追加光热发电所，随后比较计算各情况下各发电所的输出，在分析对比实证结果之后，验证光热发电所的追加是否能够对风力发电体系的纳入效能水平实现有效的改善。

4.1 算例参数

在这个例子当中，将350 MW和300 MW的设备容量的水力发电站和360 MW的风力发电站以及一个太阳热发电站组合，上述电站联合形成着包含风力，光，热，水电的共同配给系统。时间被用作调度周期，1 d被分割为24周期。表1和表2显示了CSP发电站和水力发电站的各项参数数值。

表1 CSP电站参数

表2 水电站参数

确认相关信息和国家的政策文件，设定各种能源的导入费用（表3）。

表3 不同能源电力上网电价

图3是一般性的一日负荷预测，图4是风力发电的预测输出。发电站的最大风力预测为354 MW，这一数据数值占总设备容量的98.3%，最小为28 MW，这一数据数值占总装容量为7.8%，高峰与低峰之间的谷差数据为相差326 MW，占安装容量的90%。从上述数据中可以看出风能驱动电力的输出效能水平的随机峰差数值之间有很大的差别，对负荷有着逆峰值特性。

图3 负荷预测值

图4 风电和光热功率预测图

4.2 算例验证分析

在CRPSO算法中，将总体大小设定为100，重复最多500次，操作设定为20次。计算非火力发电站时，风力和水力的输出效能水平（图5）。纳入太阳能发电站时，风力、光热和水力体系的共同调控成效水平见图6。

图5 风、水电输出

图6 风、光热、水电输出

从图4开始，风力发生很大变化，最小数据数值为26 Mw，占总设置容量的7.2%，最大数据数值为289 MW，占总安装容量的80.2%。峰值之间的差为263 MW，占已安装容量的73%。水力发电站的输出峰值与峰谷的差值为239 MW，占总安装容量的36.7%。为弥补风力发电的变动和负荷顶峰的谷差连续性地调整水力，水力发电所就会面临较大的压力，这对发电站和系统都会带来影响。从图5中可以得知，追加了能储存能源的光热发电站后，风力发电输出的高峰和谷差是199 MW，占总设置容量的55.2%。水力峰值与谷差为185 MW，占总装容量的28.4%。风力发电站的输出更稳定，被废弃的风量大幅度减少。水力发电输出的变动也被有效地削减，大幅度强化了对应风力变动和负荷顶峰与谷差系统全体的能力。根据表4可以得知，追加CSP发电站后，整个体系的经济效能收益大幅度提升，每日能增加23.796 3万元。

表4 有无CSP电站经济效益对比 单位：万元

基于上述分析，风力-光能-热能-水力发电系统的最佳调控机制和常驻粒子的聚合粒子群体算法应用于电力体系中能有效地补偿风力随机变动，显著提升了风能驱动电力的效能水平。与此同时，将水力发电输出的变动抑制到了最小限度，并大幅强化了容量。综上，该系统可以有效地改善整个体系的经济效能收益水平。

5 结论

为了对属于清洁能源的风能资源和太阳能资源进行最大程度的运用，本研究利用了光热发电站的能源储藏功能来对风力的随机变动进行平滑拟合，使用常驻粒子集聚粒子群体实现粒子优化算法，对风力热力系统进行研究，建立了最佳的调度模式并优化了模型参数。模拟结果显示，风力-光能-热能-水力发电系统的最佳调控机制能够对风能驱动电力的峰值差异实现平滑效应，确保电力体系在实际运行过程当中的安全性，这不仅最大程度地提升了电力体系接受风力的能力，同时还减少了水力发电站输出的变动，有效地改善了整个电力体系的经济效能收益水平。