考虑可控负荷参与的虚拟电厂协调优化调度模型

刘 然，张晓宇，林酉阔

(1.国网天津市电力公司检修公司，天津 300000；2.国网河北省电力有限公司物资分公司，石家庄050000)

0 引 言

围绕能源危机和环境污染问题，以太阳能、风能等清洁能源替代化石能源进行发电，完成以电代煤、以电代油的能源模式转变，是尽快摆脱化石能源依赖的唯一出路[1]。未来几十年，高污染的传统火力发电机组的装机容量会逐渐减小，清洁可再生能源发电容量的比例将大幅提升[2]。以风、光为代表的新能源出力波动性一直以来都是各学者研究的热点，如何解决未来大范围可再生能源接入电网后的有效消纳，逐渐成为重点研究方向。

微网是目前解决局部地区内数量庞大、形式多样的分布式电源并网问题的常用方法[3]。但构建微网对地理条件和能源结构要求严格[4-5]，且其在大电网故障后会主动解开公共耦合点“逃离”。近年来，一种有效整合新能源并网发电的技术手段——虚拟电厂(Virtual Power Plant，VPP)被广泛讨论。无须改变电网结构，VPP更适用于地理聚集程度较低的可再生分布式能源的调度和管理，VPP将规模化的、地理位置分散的分布式电源和传统电源通过通信设施集成一个实体，可充分发挥各个供电单元的灵活性，有效平抑新能源功率波动性，实现新能源的有效消纳[6-7]。

需求响应资源伴随着智能电网的发展而得到广泛应用[8]。文献[9]针对新能源接入电网后给系统带来的稳定性问题，研究了长时间尺度下含风电的用户侧分时电价定价方法，用基于价格的需求响应方式来加强对风电的消纳。文献[10]提出了一种替代作用的分散式主动需求响应系统，通过对所选择的负载组进行作用，可以最大限度地降低峰值负载，同时使终端用户使用能量的舒适度最小化。负荷侧需求管理是改善用户用电行为、优化系统能源管理重要的一环[11]，将其和VPP结合起来，对大范围内有效消纳可再生能源具有重大意义。文献[12]依据不同需求响应机理，建立了基于激励的和基于价格的需求响应VPP模型，并对其参与机组组合优化调度问题进行了研究。文献[13]考虑机组运行约束和需求响应约束，以最大化VPP收益为目标建立了VPP内部需求响应的VPP优化调度模型，得出了需求响应能提高VPP对主网售电量、促进整体收益的结论。文献[14]的恒温可控电器设备主动参与到VPP能量管理中去，以减少负荷高峰切负荷总量为目的，极大发挥恒温可控负荷在保证用户供电可靠性方面的作用。文献[15]将可中断负荷作为系统备用，建立了以调度费用期望值最小为目标函数的优化调度模型。而文中的需求响应是某些电力用户智能用电的表现，即以该电力用户和VPP运营管理者日前协定的具有弹性特性的可控负荷作辅助备用，通过远程控制终端接受VPP能量管理中心的直接控制。

首先，提出基于负荷分级理论的可控负荷概念，然后将其作为新型需求响应成分引入VPP，构建可控负荷参与的多源结构VPP；其次，以上网联络线功率稳定为目标，兼顾风、光实时消纳，建立考虑可控负荷参与的VPP协调优化调度模型；最后，对IEEE14算例进行仿真，验证所提模型的有效性。

1 可控负荷模型

1.1 负荷分级与可控负荷

电力负荷依重要程度不同可分为三级：一级和二级负荷要求可靠的电力供应，从系统能量管理角度视为不可控负荷；三级负荷在系统高峰期可进行分段切除，为电网的实时功率平衡做弹性贡献。将三级负荷中可以随时下调或切除而不会对用户造成明显影响的负荷成分定义为可控负荷，比如功率可调的取暖、制冷、充电桩等弹性较大的负荷。

电力负荷随国民经济发展而不断丰富，随产业结构的调整和居民用电水平的提高，整体用电结构和需求发生较大变化，可控负荷的比例在逐渐增加。不论是工业负荷、农业负荷、商用负荷，还是民用及其他负荷，内部均可细分为可控负荷和不可控负荷。这里需要与可中断负荷的概念进行区分，后者仅适用于大型工业用户或商业用户，其以所签订合同为约束去调动用户积极主动参与[16]，而前者是基于负荷分级，在与某些或全部三级负荷间协定后，直接受能量管理中心调度控制的弹性负荷成分。

1.2 可控负荷储备率与可控负荷参与度

定义可控负荷储备率为

全天可控负荷储备率理论上为一时变函数，可依据历史数据拟合得到。依据负荷变化规律及生活习惯，将时变函数近似线性简化为分段函数，原因有如下两点：考虑到人们的日常生活习惯，负荷低谷期用电多为刚性需求，负荷弹性小，可控负荷比例较小；在负荷高峰时段，可控负荷密集，集中效应下的弹性更为突出。

因此，可将日负荷曲线划分为4个时间段[17]，来建立以日为单位、小时为尺度的全天可控负荷储备率分段函数，其表达式为

式中：ΔTlow为低谷时段：(0∶00-7∶00)；ΔTmorhigh为早高峰时段：(8∶00-12∶00)；ΔTnighigh为晚高峰时段：(19∶00-21∶00)；ΔTflat为平缓时段：(7∶00-8∶00、12∶00-19∶00、21∶00-23∶59)。

考虑到负荷弹性与系统运行安全问题，实际可控负荷参与度较好的区间设定为[0.6，0.8]，其值过低会导致储备浪费、过高会造成备用不足。

2 可控负荷参与的虚拟电厂建模

将可控负荷响应成分作为VPP多能体系的一部分，定义VPP为以先进能量管理系统和可靠通信控制设备为基础，将地理位置分散的分布式能源、传统发电单元及可参与负荷调节的弹性电力用户集成在一起的类电厂空间实体。如图1所示，VPP实例包含风力发电、光伏发电、传统发电机组和用户侧可控负荷响应成分。

图1 可控负荷参与的VPP实体

模型以信息流和能量流为核心。信息流经通信控制中心，实现VPP各个单元和能量管理中心间的双向交互。首先，通信控制系统采集各单元本时段运行状态信息，并传送至能量管理中心；然后，能量管理中心经过优化决策，再由通信控制系统将下一时段的计划下达给各发电单元；最后，由控制系统完成协议控制。能量流是信息流决策结果的具体表现，用以协调VPP内各单元间的功率分配。

由于VPP只可运行于并网状态，所以大电网强制要求VPP上网联络线为稳定可靠的功率值，否则系统可能会因多个VPP出力带来的多源扰动问题而崩溃。完善VPP内多能源结构间的协调优化配合，是解决这一问题的有效手段。

3 虚拟电厂协调调度优化模型

基于所构建的VPP，以日为单位、小时为尺度，以VPP时序上网联络线功率稳定性最大为目标，把VPP对内和对外联络线的电力供需平衡、机组出力范围和爬坡速率限制、可控负荷参与度及VPP整体上网功率波动范围要求作为约束，建立考虑可控负荷参与的VPP协调调度优化模型。

目标函数为

考虑各约束分别如下：

①功率平衡约束

②传统电厂出力范围约束

需要说明的是，该研究侧重VPP内各出力单元间的协调优化调度，此处不考虑传统电厂内部机组组合问题，只简化考虑其整体出力水平。

③传统电厂相邻时间段整体爬坡速率约束

式中：ΔPup和ΔPdown分别为传统电厂的爬坡上限和爬坡下限。

④可控负荷参与度约束

0.6≤ξt≤0.8

⑤VPP整体上网功率波动范围约束

4 算例分析

4.1 数据说明

如图2所示，改进IEEE14标准系统包含1台发电机(G)、3台无功补偿设备(C)，14条母线(带载母线11条)；另在配网接入2个额定容量为49.5 MW的风电场(W)和3个额定容量为10 MW的光伏电站(PV)。引入能量管理系统和通信控制设备，并考虑带载母线中可控负荷成分，构成多能源结构的VPP实体。

图2 改进IEEE14系统

VPP内各单元参数设置如下：

①火电厂的技术参数

Pg,min=50 MW、Pg,max=350 MW

ΔPup=40 MW/h、ΔPdown=30 MW/h

②可控负荷参数

考虑不同可控负荷参与下的VPP模型，设置4个VPP场景：场景1无可控负荷参与；场景2考虑可控负荷储备率统一为20%；场景3采用所建立的可控负荷储备率分段函数，考虑了更符合实际用电情况的可控负荷比例；场景4比场景3整体的可控负荷比例增大1.5倍。具体参数如表1所示。

表1 4个场景的参数设置Table 1 Parameter settings for 4 scenarios

③VPP上网功率波动范围

Ps,min=50 MW、Ps,max=70 MW

场景1作为对照组，由于无可控负荷参与，其上网功率波动范围设定为[5，35]。

④负荷及新能源发电预测结果

选定非极端天气下的某正常工作日，对次日辖区负荷以及风电场和光伏电站出力进行预测，将新能源出力在VPP能量管理中心进行合成，所得负荷及风光预测曲线如图3所示。由图可知，风光合计出力在2∶00-5∶00出现小波动、7∶00-11∶00出现爬坡陡升、18∶00-23∶00与负荷预测结果对比呈现明显反调峰特性型。

图3 负荷及风光预测曲线

4.2 仿真结果及分析

该考虑可控负荷参与的VPP协调调度优化模型为典型的二次规划模型，用LINGO软件进行编程，带入4个算例场景分别进行求解，得到VPP协调优化结果，如表2和图4～8所示。

图4 时序可控负荷参与度

表2 4个场景的优化结果Table 2 Optimization results for 4 scenarios

由表2可知，考虑可控负荷参与后，VPP整体上送功率明显增加，且可控负荷储备率越高，VPP整体上送功率越大。相比于场景3，场景4的上送功率提高程度不明显，这是因为场景3的可控负荷储备率已经足够应对其内部新能源的波动性。同理，场景4比场景3可控负荷参与度均值小，也说明其可控负荷储备率偏高，造成备用浪费。

由图4可知，场景2可控负荷参与度波动较大，低谷时段参与度低、高峰时段参与度偏高，分别造成了备用浪费和备用不足问题；而场景3和场景4大部分时刻的可控负荷参与度均落在0.6～0.8之间。从可控负荷整体分布进行分析，场景3可控负荷参与度接近0.8，场景4则更接近0.6；说明场景3的可控负荷储备率调节能力得到了较好地发挥，而场景4则参与程度偏低，但场景4可控负荷储备率有容纳更大容量的波动性新能源的潜力。

由图5可知，场景1无可控负荷成分，其VPP上送功率在9∶00-10∶00及18∶00-19∶00发生了小范围波动，在21∶00-23∶00发生了较大波动。

由图6可知，场景2中VPP整体上网功率值稳定为51.52 MW。这是由于可控负荷在新能源整体波动范围较大的8∶00-12∶00和18∶00-22∶00时间段积极参与了辅助调峰，且传统机组的工作环境相比场景1得到了明显改善，爬坡曲线相对平缓，在8∶00-11∶00和18∶00-21∶00时间段尤为突出。

图6 场景2优化结果

如图6和图7所示，将场景3和场景2的优化结果进行对比。对曲线局部变化情况进行分析，在负荷低谷时期1∶00-6∶00，虽然场景2的可控负荷储备率高于场景3，但场景3的可控负荷削减量明显高于场景2，即可控负荷参与度更高，且场景3传统机组出力可稳定在200 MW以上；由于场景3比场景2在负荷低谷期出力水平高，在早高峰7∶00-11∶00阶段场景3的传统电机组出力爬坡要更缓和；从16∶00过渡到21∶00，场景3比场景2的传统机组爬坡更平缓。对曲线总体变化水平进行分析，场景3的传统机组整体出力范围以及波动情况明显好于场景2。以上分析说明，场景3中VPP模型设置的可控负荷分段函数参数比场景2中可控负荷取为一恒定值在协调优化调度模型中有更好的适应性，能更好地辅助调峰，减轻传统机组的调峰压力。

图7 场景3优化结果

如图7和图8所示，对比场景3和场景4的优化结果曲线。在可控负荷储备率增加1.5倍后，传统机组的曲线整体出力变化范围有所减小，但其波动程度和VPP整体上送功率并未得到明显改善。由此可知，场景4可控负荷储备率偏高，辅助调节能力未能全部发挥。

图8 场景4优化结果

可控负荷储备率应按照VPP内部新能源装机容量和波动情况来合理确立，过高的可控负荷储备会造成辅助浪费，额外增加VPP管理者的运营成本。

5 结 语

基于负荷分级理论，深度挖掘三级负荷潜力，以可控负荷储备作为改善负荷曲线的方法，增加了需求侧弹性。通过将该可控负荷引入VPP，建立了考虑可控负荷参与的VPP协调优化调度模型，以实时消纳新能源发电和保证上网功率稳定为目的，兼顾VPP内各单元的技术约束，使VPP整体达到了有效平抑新能源波动和减轻传统机组运行压力的效果。将考虑可控负荷参与的VPP协调调度优化模型的4个场景用LINGO软件进行仿真求解，仿真结果表明：

1)依托VPP技术，可在大地理范围内实现新能源的有效并网消纳。

2)考虑可控负荷参与后，VPP系统的整体上网功率水平提高，且所建立的可控负荷储备率函数比简单考虑可控负荷储备率为一恒定值在模型中有更好的适应性，可使可控负荷以更高的参与度参与到协调调度中，更大程度减小传统机组出力的峰谷差，改善爬坡环境，并进一步提高VPP整体上网功率。

3)盲目增加可控负荷储备率可造成过度备用，导致资源浪费。可控负荷合理储备率由VPP发展规模和新能源波动程度共同决定。