含源-荷-储的虚拟电厂经济性优化运行研究

2021-05-11张惠忠周嘉新张雅雯

电气传动 2021年9期

张惠忠，周嘉新，张雅雯

（1.安徽电气工程职业技术学院电力工程系，安徽合肥 230051；2.国网安徽省电力有限公司培训中心，安徽合肥 230022；3.国网河南省电力公司三门峡供电公司，河南三门峡 472000）

近年来，化石能源储量不断减少，环境污染日趋严重，随着国家政策的支持以及人们环保意识的增强，风电、光伏等可再生能源的装机容量逐年增大。随着可再生能源在电力系统中的渗透率不断提高，电网的安全稳定运行受到一定的影响[1-2]。以风电、光伏可再生能源为例，其波动性及不可控性会对电网造成随机波动性的冲击，这增大了电网的调度运行难度，提高了电网运行成本[3]。虚拟电厂（virtual power plant，VPP）的出现为解决这一问题提供了新的思路。VPP可以有效集成地域分散、类型各异的分布式新能源，通过能量管理系统实现VPP对外出力整体可控[4]，从而具有与常规电厂相似的运行功能，参与电力市场的交易和系统调度[5]。VPP聚合分布式能源并未改变其并网方式，而是通过充分利用网络通信、智能量测、数据处理、智能决策等先进技术手段，实现对多个分布式能源的协同管理和控制，从而减小风电、光伏等新能源出力波动性对电网的影响，提高供电的可靠性[6]。

VPP聚合多种分布式能源，可以提高自身调度的灵活性，进而获得更大的收益。目前针对VPP聚合可再生能源以及其内部各电源的优化调度已展开了相关研究。文献[7-11]主要考虑VPP通过可控电源和储能系统来平抑新能源出力，实现VPP出力可控性和收益最大化。文献[12]对风电、光伏、燃气轮机、储能等分布式电源进行聚合，提出基于分时电价的VPP运行策略，实现了对VPP的优化调度，但文中并未考虑到负荷对VPP调度的影响，亦未对VPP进行多时间尺度优化。文献[13]提出将分布式风电机组与储能设备构成VPP参与电力系统运行，并建立了计及VPP的电力系统优化调度模型，但文中只考虑了风电和储能的聚合，未考虑VPP在备用市场的获益。文献[14]构建了VPP多备用容量体系以提高新能源消纳，但其备用容量体系未跟备用市场连接，也未考虑到在备用市场的收益。

为提高VPP的调度灵活性，降低发电成本，使VPP获得更好的效益，本文在前人研究的基础上，建立了考虑源-荷-储共同参与的虚拟电厂优化调度模型，在VPP调度策略下参与系统调度在电能和备用市场获益。模型内聚合风电、光伏、燃气轮机、储能电池、抽水蓄能、可中断负荷，以各时段VPP获益最大为目标函数，采用粒子群算法求解，得到不同时段各分布式电源的出力。分析了可控负荷参与虚拟电厂调度及其占比变化对虚拟电厂收益的影响，对比分析了4种不同运营模式下虚拟电厂的经济性。仿真结果表明，所建模型合理，源-荷-储共同参与虚拟电厂调度有利于提高虚拟电厂的灵活性和经济性。

1 VPP结构和基本原理

VPP内可以聚合风电、光伏等可再生能源，考虑到这些能源输出功率的不确定性，VPP内部通常会通过可控电源、储能系统等与之合理配合，以实现系统高电能质量的输出[15-16]。模型考虑构建的VPP包括可控单元（燃气轮机）、不可控单元（风电机组和光伏机组）、储能系统（储能电池和抽水蓄能）以及负荷（可中断负荷），并且经由VPP内部的能量管理系统进行统一的控制管理。VPP在参与电能市场的同时可以参与备用市场。VPP内可控电源、储能以及可中断负荷配合风电、光伏机组出力以满足VPP发电计划，余下的可中断负荷与可控电源的备用容量可以参与到备用市场。VPP的结构示意图如图1所示。

图1 VPP结构图Fig.1 Structure diagram of VPP

2 VPP优化调度模型

VPP优化调度模型采用多时间尺度优化和多市场盈利模式，在减小VPP出力预测误差的同时尽可能提高VPP的收益。多时间尺度优化考虑日前调度和日内调度相结合的优化模式，通过不同时间尺度的优化逐级减小VPP出力预测误差。多市场盈利模式考虑VPP在调度策略下可以参与电能和备用市场获益。

2.1 目标函数

2.1.1 日前调度目标函数

VPP日前调度需要预测风电机组和光伏机组的出力，而后根据预测的风电、光伏出力制定第二天VPP的出力计划。VPP出力计划的制定要在保障新能源优先利用的基础上，实现VPP的收益最大化。通过日前调度目标函数优化各时段VPP内部可控电源的出力情况，结合风电、光伏的预测出力即可得到次日VPP各时段的出力计划。VPP日前优化调度模型调度周期为24 h，其目标函数如下：

2.1.2 日内调度目标函数

日前调度提供次日各时段VPP的出力计划，日内调度以VPP各时段净收益最大化为目标，根据次日实时的风电、光伏出力情况优化不同时段下VPP内部各可控电源的出力情况。VPP日内优化调度模型调度周期为24 h，其目标函数如下：

日前调度和日内调度一些表达式类似，这里以日内调度为例解释每个部分具体的表达式。

k时段VPP参与电能市场和备用市场的收益如下：

管理成本包括k时段风电机组、光伏机组、燃气轮机、抽水蓄能、储能电池、可中断负荷的管理成本：

k时段燃气轮机的燃料成本为

式中：Pmt为燃气轮机单位发电燃料成本；PNG为天然气价格；ηe为燃气轮机发电效率；LNG为天然气低位热值。

k时段储能系统在电网的购电成本为

可中断负荷的补偿成本为

VPP日内调度出力需要契合日前申报出力计划，目标函数中考虑惩罚成本，保证VPP根据出力计划出力。k时段VPP惩罚成本为

2.2 约束条件

日前调度和日内调度的约束条件类似，约束条件主要包括：功率平衡约束、燃气轮机约束、抽水蓄能库容和发电/抽水约束、蓄电池容量和充放电约束、可中断负荷约束、备用约束。这里以日内调度为例解释各约束条件。

1）功率平衡约束如下式：

2）燃气轮机约束如下式：

3）抽水蓄能库容和发电/抽水约束。抽水蓄能水库的上水库库容有限，下水库的容量相对较大，因此需要对上水库的容量进行约束，如下式：

4）蓄电池容量和充放电约束如下式：

5）可中断负荷约束如下式：

6）备用约束如下式：

3 虚拟电厂运行策略

3.1 VPP调度运行策略

1）VPP日前调度根据预测的次日风电、光伏出力，综合考虑VPP内各DG发电成本，以VPP收益最大化为目标，得到次日24个时段的VPP出力计划，并向配电网申报次日出力计划。

2）配电网确认VPP申报出力计划后，安排VPP和该区域内其他发电机组出力。

3）VPP日内调度结合日前申报出力计划和风电光伏实时出力进行经济性优化调度，调节内部各DG的出力以满足发电计划。

3.2 VPP内分布式电源出力策略

1）为提高风电、光伏出力的利用率，减少弃风弃光现象，VPP内做到风电、光伏出力优先利用。

2）燃气轮机根据VPP调度需要发电，剩余容量参与备用市场交易。

3）储能系统在平抑VPP出力偏差的基础上，根据电网电价变化在低电价时段从电网购电储存电能，在高电价时段通过VPP向电网售电，以提高VPP的收益。

4）可中断负荷根据VPP调度需要中断负荷，剩余可中断容量参与备用市场交易。

3.3 VPP运行流程图

VPP运行流程图如图2所示。

图2 VPP运行流程图Fig.2 Operation flow chart of VPP

4 算例分析

4.1 模型参数

模型考虑的VPP由3个风电场、2个光伏电站、2个燃气轮机、1个储能电池、1个抽水蓄能电站和120 MW负荷组成。风电场总容量为350 MW，运行管理系数为29.6元/（MW·h）；光伏电站总容量为150 MW，运行管理系数为10.3元/（MW·h）；燃气轮机总容量为120 MW，运行管理系数为43.5元/（MW·h），燃料系数68.6元/（MW·h）；储能电池最大容量为75 MW，运行管理系数为34.3元/（MW·h）；抽水蓄能最大容量为100 MW，运行管理系数为25.3元/（MW·h）；一天当中负荷峰段为10：00—15：00，18：00—21：00，平段为7：00—10：00，15：00—18：00，21：00—23：00，谷段为 23：00—7：00；在峰、平、谷不同时段中可中断负荷的中断系数分别为0.3，0.7，1，运行管理系数为9.8元/（MW·h），补偿成本分别为320元/（MW·h），190元/（MW·h），65元/（MW·h）；不同时段VPP对系统的批发电价分别为830元/（MW·h），490元/（MW·h），170元/（MW·h），购电电价分别为650元/（MW·h），380元/（MW·h），130元/（MW·h），备用市场电价分别为162.5元/（MW·h），95元/（MW·h），32.5元/（MW·h）。

4.2 求解方法

采用粒子群算法求解VPP经济优化调度模型。粒子群优化算法采用速度位置模型实现对整个空间的寻优，各粒子根据下式进行迭代操作，更新自己的速度v和位置x：

粒子群算法参数设置为：种群规模为50；迭代次数为300；惯性权重因子w为0.75；学习因子c1，c2均为1.494 45。

4.3 优化结果及对比分析

4.3.1 两阶段调度结果

图3和图4分别为风电和光伏预测出力和实际出力的对比。由图3可以看出，风电具有明显的反调峰特性，而光伏出力可以和风电出力进行很好地互补。

图3 风电预测和实施出力对比Fig.3 Comparison of wind power prediction and actual output

图4 光伏预测和实施出力对比Fig.4 Comparison of photovoltaic prediction and actual output

为了尽可能提高VPP的净收益，采用了多时段尺度优化模型，即由日前调度模型得到VPP出力计划，日内调度模型根据VPP出力计划及风光实际出力优化VPP内各电源及负荷的出力。图5为VPP两阶段调度计划出力和实际出力对比，由图5可以看出，实际出力基本上契合计划出力，从而体现了VPP的可控性，出力曲线走势基本与常规负荷曲线走势一致，因此所构建的VPP也具有一定的削峰填谷能力。结果验证了所提模型的合理性。

图5 VPP计划出力和实际出力对比Fig.5 Comparison of VPP plan output and actual output

4.3.2 可中断负荷容量变化对VPP经济性影响分析

VPP内聚合可中断负荷可以参与VPP内部调度。VPP内设定总负荷为120 MW，其中可中断负荷的比例可以调节，这里考虑不同比例下可中断负荷对VPP的调度灵活性以及净收益的影响。表1为VPP在不同比例可中断负荷下的惩罚成本和净收益。由表1可以看出，随着可中断负荷的增大，VPP的惩罚成本逐渐降低，VPP净收益先上升随后又降低。这说明随着可中断负荷的增大，VPP内部调度能力更强，调度灵活性提高，同时可中断负荷的增大也给VPP带来更大的运行维护成本和补偿成本，因此当可中断负荷达到一定的比例时，VPP净收益开始减小。

表1 不同可中断负荷下VPP的惩罚成本及净收益Tab.1 Penalty cost and net income of VPP under different interruptible loads

为了尽可能减小可中断负荷给VPP带来的成本，提高VPP净收益，VPP考虑可中断负荷参与备用市场，可中断负荷在满足VPP调度基础上的剩余可中断容量参与备用市场交易。表2为参与备用市场后VPP的惩罚成本和净收益。对比表1和表2可以看出，可中断负荷参与备用市场后，VPP的惩罚成本降低，VPP的净收益提高。对比结果表明，可中断负荷参与备用市场可以进一步提高VPP的调度灵活性和VPP的净收益。

表2 可中断负荷参与备用后VPP的惩罚成本及净收益Tab.2 Penalty cost and net income of VPP after interruptible load participating in standby

4.3.3 VPP行为对收益的影响

为了衡量VPP参与备用市场以及储能系统参与削峰填谷对VPP的收益的影响，构建如下4种方案，其中可中断负荷大小均为50 MW，方案设置和计算结果分别如表3和表4所示。

表3 4种不同的VPP构建方案Tab.3 4 different VPP construction schemes

从表4的对比结果可以看出，VPP只参与备用市场或只参与削峰填谷时VPP净收益均小于同时参与备用市场和削峰填谷的情景。与方案1相比，方案2未参与备用市场，方案3未参与削峰填谷，因此VPP的惩罚成本更高，VPP的净收益也更低。方案4既未参加备用市场也未参加削峰填谷，该方案惩罚成本最高且VPP的净收益最小。对比结果表明，VPP参与备用市场和削峰填谷有利于提高VPP的调度灵活性和净收益。