基于多场景技术的冷热电虚拟电厂两阶段优化调度

2022-03-16韩志永张宇华李兵

电测与仪表 2022年3期

韩志永，张宇华，李兵

(上海电力大学电气工程学院，上海 200090)

0 引言

虚拟电厂(Virtual Power Plant，VPP)通过利用先进的通信系统来聚合大量分布式能源(Distributed Energy Resource，DER)进行优化调度，参与电力市场交易，实现对电网的调节功能[1]。但DER具有不确定性，因此虚拟电厂的优化调度成为研究的重点[2-3]。目前大多数对虚拟电厂的研究主要利用博弈论来优化其投标交易，对虚拟电厂内部源荷储的经济优化调度研究不足，尤其缺乏对虚拟电厂冷热电多能互补经济优化调度方面的研究[4-5]。文献[6]提出在虚拟电厂中利用风电进行制热，通过风电与热能的多能互补实现热电解耦，但在缺少储能调节的情况下大规模使用风电，降低了虚拟电厂的电能质量。文献[7]构建了具有风能、光伏、小水电和微型燃气轮机的虚拟电厂模型，能源间的多能互补有效提高了能源利用率，但未考虑分时电价，加剧了电网峰谷落差、增大了运行成本。文献[8]提出风-光-储互补模型，通过进行日前预测来提高其经济效益，但缺少冷、热互补，一定程度上限制了经济效益。进一步，文献[9]针对风电的预测误差问题，构建电热综合能源系统以调节其不确定性。文献[10-11]建立了微网中风、光、荷不确定性模型，并利用多场景技术进行模拟，但其都未考虑虚拟电厂中风光出力和电、热、冷负荷等多种不确定性的组合问题。

针对上述问题，文中通过对风光出力及电、热、冷负荷的不确定性进行分析，利用拉丁超立方抽样(Latin Hypercube Sampling，LHS)生成多种场景来模拟风、光及多能负荷的波动性，通过同步回代消除法(Simultaneous Backward Reduction，SBR)对场景生成结果进行削减，得到典型风光日出力曲线和多能负荷需求场景。在此基础上建立多场景冷热电虚拟电厂日前-实时两阶段协调优化模型。日前调度阶段，考虑多种成本和设备运行约束，通过对虚拟电厂在多种场景下的优化调度以降低运行成本；实时校正阶段，在考虑监管成本的情况下对日前运行计划进行实时修正，以降低虚拟电厂的实时运行成本。

1 冷热电虚拟电厂结构

通过先进的通信技术将区域内的电、热、冷、气、风、光等多种能源聚合到冷热电虚拟电厂中，建立冷热电多能互补综合利用平台。对虚拟电厂内资源和设备的历史数据进行分析，通过日前预测技术，结合现有的储能以及能量转换设备，进行统一调度、协调运行。对风光及多能负荷的不确定性进行分析，提高风光利用率和供能可靠性，降低冷热电虚拟电厂的运行成本。

文中研究的冷热电虚拟电厂模型聚合了风机(Wind Turbine，WT)、光伏(Photovoltaic，PV)、电储(Battery Storage，BS)、燃气轮机(Gas Turbine，GT)、燃气锅炉(Gas Boiler，GB)、余热锅炉(Heat Recovery Boiler，RB)、热储 (Heart Storage，HS)、吸收式制冷机(Absorption Cooler，AC)、电制冷机(Electric Cooler，EC)以及多能负荷，冷热电虚拟电厂系统如图1所示，双向箭头表示能源可以双向流动。

图1 冷热电虚拟电厂模型

风机、光伏模型参见文献[4]，电储、燃气轮机、燃气锅炉、热储、电制冷机、吸收式制冷机模型参见文献[12]，限于篇幅所限，此处不再赘述。

2 虚拟电厂优化调度模型

文中通过日前调度和实时校正两阶段对虚拟电厂进行优化调度。日前调度阶段，通过对虚拟电厂中风机、光伏出力及负荷需求量的不确定性规律进行分析，生成多个随机场景。在满足虚拟电厂内各运行约束的情况下，通过优化设备出力，选择综合期望运行成本最低的方案作为最优的调度计划；实时校正阶段，实时修正可控设备的出力，消除预测误差，在满足功率平衡的情况下，尽可能降低运行成本。

2.1 日前优化调度模型

2.1.1 目标函数

日前调度以每小时为时间间隔，考虑运行维护成本、环境成本、购电成本、购气成本、储能老化成本，通过调节可控设备出力，降低其整体运行成本，优化调度的目标函数为：

(1)

其中：

(2)

(3)

(4)

(5)

(6)

(7)

2.1.2 约束条件

(1)功率平衡约束。

(8)

(9)

(10)

(2)机组出力上下限约束。

(11)

(3)机组爬坡率约束。

(12)

(4)储能约束。

(13)

考虑到储能不能同时充放电，且调度周期结束储能恢复到最初状态，即：

Uj,ch,t+Uj,dis,t≤1

(14)

Wj,0=Wj,T

(15)

2.2 实时校正模型

2.2.1 目标函数

通过实时调节设备出力，降低预测误差造成的影响，实时校正周期为15 min，目标函数为：

(16)

其中：

(17)

2.2.2 约束条件

(1)功率平衡约束。

(18)

(2)机组出力上下限约束。

(19)

式中Δut,s为机组相对于采样值功率增量；Pmin、Pmax为机组功率上下限。

(3)机组爬坡率约束。

Δut,rd≤Δut,s≤Δut,ru

(20)

式中Δut,rd、Δut,ru为机组减少、增加的爬坡率。

3 考虑不确定因素的场景生成

虚拟电厂在实际运行中采用DER和负荷的预测功率制定调度计划，但风机、光伏出力的随机性、间歇性、波动性及多能负荷需求的不确定性导致预测功率不可避免的出现预测误差，致使在原有日前调度的基础上改变设备出力计划，收益降低的同时还会因调节电能质量支付一定的监管成本。因此有必要建立考虑不确定因素的多场景虚拟电厂优化调度模型。

3.1 场景生成

虚拟电厂中的风机、光伏出力及电、热、冷负荷功率的预测误差服从一定的分布函数。为不失一般性，文中假设电、热、冷负荷的功率预测误差服从高斯分布，并且已有研究表明，风机、光伏出力的预测误差分别服从Weibull分布、Beta分布[13]。

3.1.1 预测误差的概率密度函数

(1)风机出力的概率密度函数。

(21)

式中xWT为风机实际运行功率；kWT是风机出力的形状因子；r是比例因子。

(2)光伏出力的概率密度函数。

f(xPV)=xPVηmAPVηPVcosθ

(22)

式中xPV为光伏实际运行功率；ηm为最大功率点的跟踪率；APV是光伏的辐射区域；ηPV是转换效率；θ是太阳入射角。

(3)电、热、冷负荷的概率密度函数。

(23)

式中xL为负荷实际运行功率；μ为位置参数，即负荷功率采样基准点；σ为高斯分布的尺度参数。

3.1.2 基于概率分布的拉丁超立方抽样

文中所采用的拉丁超立方抽样的本质是逆函数转换的分层抽样，与其他抽样的概率分布离散化处理不同，拉丁超立方抽样能够在不改变原始密度函数的情况下，使采样样本能够均匀覆盖整个样本空间。

场景的准确度与采样值及不同采样值的相关性有关，一般情况下，相关性越小准确度越高。文中采用降低不同场景的相关性常用的Cholesky分解。根据场景之间的相关系数，构建近似正交矩阵，对采样元素位置重新排序，以降低其相关性。

3.2 场景削减

风机、光伏出力及多能负荷模拟精度随场景规模的增大而提高，但这增大了计算量，需要对抽样场景进行削减。采用同步回代消除法对N个初始场景进行削减，以降低优化调度的计算量，步骤如下：

步骤1：初始化，将生成的N个初始场景导入，设置迭代次数，任一场景概率均等，即：

pi=1/N

(24)

步骤2：任一个场景wi，计算与其距离最短的其他场景。

Di,min=minζjd(wi,wj),j=1,2,...,N,j≠i

(25)

式中ζj是场景wj发生的概率；d(wi，wj)为场景wi与场景wj之间的欧式距离。

步骤3：确定要删除的场景wi。

Dmin=minζiDi,min,i=1,2,...,N

(26)

步骤4：更新场景数量N=N-1，将所删除场景出现的概率加到与其欧式距离最近的场景上，确保所有场景出现的概率之和为1。并重复以上步骤，直到场景数达到削减场景的设定值。

4 算例分析

4.1 算例数据

典型算例如图1所示，文中风机与光伏容量分别为600 kW和400 kW，燃气轮机额定功率400 kW、电储和热储分别300 kW>·h和200 kW>·h。在现有实际运行功率的基础上，设定光伏、风机的日前预测误差在30%以内，实时校正预测误差在5%以内；电、热、冷负荷的日前预测误差在20%以内，实时校正预测误差在3%以内。分时购电(售电)电价参见文献[14]。天然气价格为3.24元/m3，单位热值为9.78 kW>·h/m3。利用拉丁超立方抽样和同步回代消除法进行场景生成和削减，抽样规模取2 000，场景阈值取3，则风机、光伏、电、热、冷负荷分别削减至3个场景，共计35个随机场景，对应的概率为各场景的概率积，即：

Ns=NWTNPVNENHNC

(27)

ζs=ζWTζPVζEζHζC

(28)

式中NPV、NWT、NE、NH、NC分别为风机、光伏、电、热、冷负荷的场景数；ζWT、ζPV、ζE、ζH、ζC分别为风机、光伏、电、热、冷负荷场景所对应的概率。

以风机为例，场景生成与削减如图2所示，每个场景发生的概率在图例括号中标出。

图2 风机样本空间和其缩减场景

4.2 优化结果分析

4.2.1 运行流程

文中基于多场景技术的冷热电虚拟电厂优化调度流程如图3所示

图3 虚拟电厂优化调度流程图

4.2.2 日前调度优化运行分析

以多场景中某一场景为例，进行冷热电虚拟电厂的优化调度，其电、热、冷优化调度结果如图4～图6所示。

图4 电功率优化调度结果

图5 热功率优化调度结果

图6 冷功率优化调度结果

由图4～图6可知，虚拟电厂内电、热、冷负荷功率平衡，未出现弃风、弃光的情况。光伏、风机和燃气轮机提供虚拟电厂中电负荷功率，通过电储和外电网的电能交互实现功率调节功能。电制冷机和吸收式制冷机提供虚拟电厂中冷负荷功率，电制冷机补充吸收式制冷机的功率缺额，且电价较低时电制冷机制冷功率占比大，电价较高时其占比变小。余热锅炉、燃气锅炉和热储提供虚拟电厂中热负荷功率。在各调度时段电储充放电功率和热储蓄放热功率均严格运行在其上下限范围内。

其中00:00-06:00调度时段，电价处于谷时段，燃气轮机不进行出力，电负荷主要风光出力来满足，不足部分由电网购电提供，电制冷机、燃气锅炉提供虚拟电厂中冷、热负荷的功率。在07:00-10:00和15:00-17:00调度时段，电价处于平时段，风光出力配合燃气轮机供电，同时向电储进行充电。在此时段，电储维持较高的荷电状态。在11:00-14:00和18:00-21:00调度时段，电价处于峰时段，供电充足时，余电全额上网；供电不足时，由电储进行补充，避免在电价峰时向电网大量购电，以降低其运行成本和电网的供电压力，实现虚拟电厂对电网的调节功能。在22:00-23:00调度时段，电价处于平时段，电负荷和冷负荷明显降低，调整电储荷电状态至初试状态。在23:00-24:00调度时段，电价处于谷时段，电负荷功率主要由风光出力和燃气轮机来满足，不足部分由电网购电提供。

4.2.3 日内校正运行分析

日前调度阶段，对虚拟电厂所生成的每个场景进行经济优化调度，制定虚拟电厂内可控设备的出力计划，通过分析各场景出现概率及其运行成本，选取综合效益最佳的冷热电虚拟电厂优化调度方案；实时校正阶段，通过对是否考虑多场景的冷热电虚拟电厂实时校正阶段总调整量进行对比分析，以体现考虑多场景冷热电虚拟电厂两阶段优化调度的鲁棒性优势，对比结果如图7所示。

图7 不同模式虚拟电厂实时校正阶段总调整量

通过对不同模式下虚拟电厂实时校正阶段的调整量进行比较，考虑多场景的冷热电虚拟电厂调整总量明显降低。在风、光及多能负荷功率较小时，调整量都较低，在其功率增大时，出现两种情况：一种是风光的预测误差修正了多能负荷的预测误差，虚拟电厂总调整量降低；另一种是风光的预测误差叠加了多能负荷的预测误差，加剧了虚拟电厂的调度量。不考虑多场景的虚拟电厂预测误差要大于考虑多场景的虚拟电厂，当风、光、荷预测误差叠加时，对比则更加明显。由图7可知，基于多场景技术的冷热电虚拟电厂调度模型能够有效减少实时校正阶段的调度量，提高了虚拟电厂运行的鲁棒性。

4.2.4 运行成本分析

对是否考虑多场景的冷热电虚拟电厂的总成本进行对比分析，结果如表1所示。

表1 不同模式虚拟电厂运行成本对比

对不同模式下虚拟电厂运行成本进行比较可知，考虑多场景相较于不考虑多场景的冷热电虚拟电厂日前调度运行成本有所提高。在考虑风、光及多能负荷的不确定性造成的监管成本后，不考虑多场景的冷热电虚拟电厂实时校正成本增加明显，且考虑多场景的冷热电虚拟电厂总运行成本明显低于不考虑多场景冷热电虚拟电厂的总运行成本，验证了所提模型具有较好的经济性。