考虑分时电价及光热电站参与的多能源虚拟电厂优化调度

赵玲霞，王兴贵，丁颖杰，郭永吉，李锦健

(兰州理工大学电气工程与信息工程学院,兰州市 730050)

0 引言

分布式电源(distributed generation,DG)在缓解能源危机、实现节能减排的同时,因其间歇性和随机性给电网管理及调度运行增加了难度[1]。虚拟电厂(virtual power plant,VPP)是解决分布式电源并网运行及管理的一种有效方式[2],利用先进的信息技术大规模聚合风电、光伏、储能、可控负荷等类型各异、地域分散的分布式资源,通过能量管理系统(energy management system,EMS)协调优化,抑制新能源出力的随机波动性,使VPP 具有类似常规电源的可调度性,从而满足DG 高效利用和市场化运营需求[3-4]。

VPP 中的风电、光伏出力具有不确定性,在向电网申报日前出力的过程中,将导致实际出力偏离申报值[5-6]。因此,在VPP 优化调度中,通常采用可控电源出力或储能电池去平衡分布式风电、光伏的出力波动性,使其具有最优申报电量。可控电源主要包括火电、燃气轮机、梯级水电、抽水蓄能等,其中火电在运行过程中会产生碳排放,且实时调节能力有限,梯级水电和抽水蓄能受地域条件限制。储能电池虽然具有较快的响应速度,但受技术及成本限制,故其规模一般较小,在平抑大规模风、光出力时能力受限。

为克服单一可控能源的不足和局限性,通常将可控DG与储能电池相结合。文献[7-8]分别以常规能源火电、水电作为可控电源,对风光出力进行平抑。文献[9]利用梯级水电短期输出的灵活性和火电的有效调峰性能补偿VPP 中光伏发电的随机输出。文献[10]将燃气轮机和储能电池共同作为VPP 调节电源,以促进分布式风光能源的优化利用。文献[11]以风电、燃气轮机、抽蓄电站组成VPP,采用鲁棒优化法处理风电出力和市场电价的不确定性。配有储热的光热电站(concentrating solar power plant,CSP),其出力可调,因此在虚拟电厂中也可作为灵活调节电源。文献[12]利用光热出力可控的特点,将光热聚合到风-火虚拟电厂中,使其参与申报出力,并在实时调度中参与辅助平衡市场。为降低碳排放量,减小风电和负荷不确定性对电网调度的影响,文献[13]以光热电站和碳捕集机组作为可控单元,构建风电-光热-碳捕集虚拟电厂。文献[14]考虑电价、光热产生的热能、居民需求响应参与因子等不确定性因素,提出了将光热与部分住宅和工业负荷响应相结合的虚拟电厂风险约束日前调度策略,利用成熟的信息差距决策理论来对冲由这些不确定性引起的风险。

鉴于西北地区可再生能源项目建设实际和多能互补项目并网运行的启示,利用风光发电与光热发电互补特性,本文提出由分布式风电、光伏、光热及储能电池组成虚拟电厂。其中,光热储热电站在平抑风光出力波动时,与储能电池相比,具有较大的转动惯量,能为系统安全运行提供一定支撑,但投资成本较高。储能电池响应速度较快,可瞬时平滑风光出力,但其规模较小。故在大规模新能源并网时,将二者结合,可兼顾各自的局限性。运行中通过对二者联合调节,可减小VPP 实际出力跟踪申报出力的电量偏差。此外,应用于配电网中的分时电价对分布式DG 参与电网调峰具有一定的激励作用[15-16],因此可基于分时电价制定相应的VPP 运行策略及优化调度模型。为实现虚拟电厂的经济运行,在日前-实时两阶段优化调度中,以各时段内净收益最大为目标,并在实时阶段采用自适应粒子群算法对所建模型进行求解。最后,通过仿真验证模型的有效性和优化调度策略的可行性。

1 含光热的VPP 聚合单元特性

1.1 光热发电能量转换模型及特性

光热电站一般由太阳岛和常规岛两部分组成,其中太阳岛主要包括光场(solar field,SF)、储热装置(thermal storage system,TSS)、热力循环(power cycle,PC)三部分,各组成部分之间采用导热流体(heattransfer fluid,HTF)进行能量传递[17],其能量转化结构如图1 所示。光场将收集的太阳能通过集热装置转化为热能,经导热流体将其输送至热力循环系统并产生蒸汽,发电单元利用蒸汽进行发电,从而实现了光-热-电的转化过程。储热装置用于热能存储,并根据调度需要进行放热发电,从而使得光热电站的出力可调。

图1 CSP 电站能量转化结构Fig.1 Energy conversion structure of CSP plant

光场收集的热功率可表示为:

在收集的热功率中,除去弃光功率,可得系统能利用的热功率为:

聚光集热装置经光-热转化所得热功率,可通过导热流体储存在储热装置中,或供给热力循环系统,根据热功率流向可表示为:

储热装置在充热及放热过程中均存在热能损耗,其特性可用式(4)描述:

考虑TSS 在热能存储期间产生的热耗散,高温罐热能存储状态方程可表示为:

热力循环系统的热功率可能由光场直接供给,也可能来自储热装置。系统运行时根据能量平衡关系及式(3)、(4)可得:

其中,储热装置充放热功率必须满足:

式(7)表示储热和放热过程不能同时进行。

热力循环系统将从导热流体中吸收的热功率转换为蒸汽,输送至常规岛中的汽轮机中,从而推动汽轮发电机组发电,使CSP 输出电能。忽略热电转换过程中的热能损耗,可得CSP 最终输出的电功率表达式为:

1.2 储能电池能量模型

虚拟电厂中储能电池可以和光热电站配合,以抑制风、光出力的随机波动性,具有充电和放电2 种运行状态,其电量计算公式为:

1.3 多能源VPP 结构及运行特性

由风电、光伏、光热及储能电池组成的VPP 结构如图2 所示,系统主要由协调控制中心、能量流网络及信息通信网络3 个部分组成。其中,协调控制中心是VPP的核心,其主要功能有可再生能源发电功率预测、内部各单元功率协调控制及运行优化、以一个整体参与电力市场运营等[18]。图中由实线所连接的各分布式电源为能量网,表示VPP 内部各单元之间及VPP与电网间的电能传输;用虚线所连接的各部分为信息通信网络,各分布式单元通过信息网与协调控制中心连接,实现了各单元与控制中心之间的双向通信,便于VPP 内部各单元的整合。

图2 VPP 结构简化示意Fig.2 Schematic diagram of VPP structure

内部各单元联合运行时,风电和光伏出力可分为两部分,一部分直接供给电网,另一部分用于电池充电储能。光热电站因其汽轮发电机组具有快速的调节能力,15 min 内即可实现80% 额定容量的调节[19],故在VPP 中被用于平抑风光出力波动。储能电池则基于分时电价,在分时电价谷段充电、峰段放电,通过削峰填谷实现电量转移,从而提高VPP的经济效益。控制中心根据信息采集及通信网络,对光热电站出力和储能电池电量进行联合调节,使VPP的实时出力较为准确地跟踪日前申报计划,进而减小出力偏差。

2 考虑光热特性的多能源虚拟电厂调度运行策略

在虚拟电厂运行过程中,其运行策略对优化调度具有重要影响。本文以最大程度地消纳风电和光伏为前提,根据光热电站和储能电池的运行特性,基于分时电价,制定其运行策略,从而提高可再生能源的消纳效率和VPP 运行的经济效益。在风电-光伏-光热-储能电池多能源VPP 中,光热发电与风电、光伏作为主力电源共同参与日前申报计划出力,VPP 调度运行优化流程如图3 所示。

图3 多能源VPP 调度优化流程Fig.3 Flow chart of multi-energy VPP scheduling optimization

首先,VPP 根据对次日风速、光照强度的预测得到风电、光伏、光热的预测出力;其次,将可再生能源预测出力与配电网分时电价及各分布式发电单元的运行成本相结合,优化申报出力,并通过协调控制中心向上层电网调度中心申报出力计划。待申报计划确认后,安排VPP 内部各发电单元出力,然后根据计划出力与实际出力偏差进行调度优化,并给出次日实时调度优化结果。

实时调度运行策略具体如下:

风、光发电系统运行策略:在VPP 内部,风电和光伏发电作为不可控电源优先利用,政策上全额上网。

光热电站运行策略:因风光资源具有随机性,尤其是风力资源,导致申报出力与实际出力具有一定的偏差,可由光热电站的储热装置与储能电池联合运行进行补偿。1)当偏差量大于0,即风电-光伏-光热实际发电量低于计划值时,先判断光热电站出力是否达最大,若出力未达最大值时,储热装置放热发电;若出力已达最大值或放热后仍不满足,则令储能电池放电,以补偿偏差。2)当偏差量小于0,即风电-光伏-光热实际发电量超出计划值时,先计算偏差量的大小,若偏差量较小,则光热电站进行储热,以降低联合出力;若偏差量较大,则光热储热的同时储能电池利用多余的风电及光伏电量充电储能。

储能电池运行策略:储能电池具有转移电量的特性,在分时电价谷平时段且在其能量范围内,最大化存储富余的风电和光伏发电电量;在分时电价峰时段,根据出力偏差量和放电约束进行售电,实现风电-光伏-光热-储能电池联合发电时VPP 收益最大,同时实现削峰填谷的目的。

3 基于分时电价的虚拟电厂优化调度模型

在日前申报阶段,根据VPP 调度运行优化流程,以VPP 获得收益最大为目标,对风电、光伏、光热的出力进行预测,向电网调度中心申报计划出力;在次日实时调度阶段,综合风光实际出力,对光热电站储热装置的充放热进行动态调节,结合储能电池电量控制,以减小申报出力偏差,使VPP 在参与电力市场实时交易中获得更高收益。

3.1 日前申报出力模型

在日前申报中,为了让VPP 获得最大收益,以光热电站出力及其储热量为控制量,综合日前分时电价、风光预测出力及光热运行成本等因素,制定并申报出力方案。VPP 净收益计算公式为:

式中:F为VPP 在t时段的净收益;ISE,t为售电收入;COP,t为VPP 内部各分布式单元运行成本;pt为t时段售电电价;PW,t、PPV,t、PCPS,t分别为t时段风电、光伏、光热预测出力;kW、kPV、kCSP分别为风电、光伏、光热电站单位产能运行成本系数。

3.2 实时调度优化模型

在实时调度阶段,根据日前调度结果,结合超短期风电、光伏预测出力及光热储热状况,对光热出力及时调整以跟随风光出力变化,并辅以储能电池减小虚拟电厂出力偏差量,使实时收益最大。另外在计算实时收益时,还须考虑实时出力偏离申报值时的惩罚成本及储能电池平衡风光出力所获得的收益,其表达式为:

式中:所有带“′”的变量其含义同日前调度;kb为储能电池运行成本系数;CPE,t为出力偏差惩罚成本;pf为偏离单位申报出力的惩罚电价;ΔP为申报偏差功率,当ΔP＞0 时,计划出力大于实际出力,不足部分需要以高于日前分时售电电价的价格买入,从而促进风电场、光伏电站提高出力预测精度,提高整个虚拟电厂的可调度性,当ΔP＜0 时,计划出力小于实际出力,剩余电量应以低于日前分时售电电价的价格售出,以降低弃风率及弃光率。故惩罚电价可表示为:

式(18)表示,当ΔP＞0 或ΔP＜0 时,惩罚电价pf以分时售电电价pt为基准,分别进行上调或下调,此处调节比例设为50%。

3.3 约束条件

1)日前申报出力约束。

2)实时调度运行约束。

3)光热电站运行约束。

储热装置容量约束:

储热装置充、放热约束如下:

4)储能电池容量及充放电约束。

储能电池容量约束为:

储能电池充、放电功率约束为:

式中:分别表示充放电功率上限值;表示充放电功率下限值。

5)风、光出力约束。

4 基于自适应粒子群算法的调度模型优化

本文采用粒子群算法 (particle swarm optimization,PSO)对实时调度模型进行求解。PSO是一种智能搜索算法,在寻优过程中根据适应度函数得到个体最优值和群体最优值,并对2 个最优值进行迭代更新,其更新公式为[21]:

因粒子群算法在迭代后期收敛速度变慢,易陷入局部最优。针对该问题本文采用自适应惯性权重粒子群算法,根据粒子当前适应度值与目标值的距离动态调节惯性权重,更好地平衡全局搜索能力和局部搜索能力,提高算法收敛速度及精度,表达式为:

式中:wmax、wmin分别为惯性权重最大、最小值;分别为第n次迭代时所有粒子适应度的最大值和平均值;为第n次迭代时第i个粒子的当前适应度值。

5 算例分析

5.1 仿真情景设定

在日前及实时两阶段优化调度中,分别设定2 种不同的仿真情景:

1)日前调度:该阶段储能电池不参与出力申报。

情景1:光热与风电-光伏各自申报出力;

情景2:光热与风电-光伏联合申报出力。

2)实时调度:

情景3:光热与风电-光伏联合运行,无储能电池;

情景4:光热与风电-光伏联合运行,引入储能电池。

5.2 算例参数

本文以西北某地区的新能源电站为例,选取1 个200 MW的风电场、2 个光伏电站(容量分别为30、20 MW)、100 MW的光热电站及50 MW的储能电池构成VPP。针对VPP 日前及实时调度优化运行进行研究,对比分析联合申报出力与独立申报出力及无储能和有储能时的经济效益。每隔15 min 对风、光出力进行一次预测,日前预测出力和实时出力如图4所示,其运维参数参照文献[22];光热相关参数见表1,其运维系数参照文献[23],太阳直射辐射强度(direct normal irradiance,DNI)如图5 所示;储能电池相关参数见表2。按照各时段负荷大小,对24 h 峰、谷、平时段进行划分,对应电网分时电价见表3。

表2 储能电池相关参数Table 2 Relevant parameters of energy storage battery

表3 电网峰谷平各时段分时电价Table 3 Time-of-use electricity price for peak,valley,flat periods of power grid

图4 风电、光伏预测出力及实时出力曲线Fig.4 Predicted and real-time output curves of photovoltaic and wind power

图5 DNI 预测值及实时值Fig.5 DNI predicted value and real-time value

表1 光热电站相关参数Table 1 Relevant parameters of CSP plant

5.3 仿真结果分析

5.3.1 日前调度结果及分析

根据日前调度运行策略及调度模型,结合分时电价和风电、光伏预测出力及DNI 预测值,向电网调度中心申报计划出力,如图6 所示。在日前优化调度中,风电-光伏与光热在独立申报及联合申报2 种不同情景下,其出力不变。风电和光伏不受分时电价影响,全部上网。光热根据分时电价、储热量及DNI 预测值申报出力。在谷时段,无光照且电价较低,受储热容量限制机组按最小出力运行;平时段光照一般比较充足,峰时段电价较高,故在这2 个时段机组一般按最大出力运行。

图6 日前申报时2 种不同情景下的出力曲线Fig.6 Output curves under two different scenarios at the stage of day-ahead declaration

5.3.2 实时调度结果及分析

在实时调度中,VPP 协调控制中心根据风电、光伏出力偏差及DNI 预测偏差,结合分时电价,以净收益最大为目标,对光热出力及储能电池充放电功率进行调节。同时,给出了VPP 在调节电源仅含光热及光热+储能电池2 种情景下的出力及偏差功率,并对其成本及收益进行了对比分析。

图7—10 给出了实时调度情景3 风电-光伏-光热协调运行时的VPP 出力及偏差功率曲线。图7 为光热在不同储热容量下的出力曲线;图8 为与之对应的充放热功率及储热量变化情况。

图7 实时调度情景3 下光热在不同储热容量下的出力曲线Fig.7 In real-time scheduling scenario 3,the output of CSP under different thermal storage capacity

图8 实时调度情景3 下光热储能装置充放热功率及储热量变化情况Fig.8 In real-time scheduling scenario 3,changes of charging and discharging heat power and heat storage of CSP thermal storage device

图9 VPP 日前-实时(情景3)两阶段出力情况Fig.9 Output of VPP under day-ahead real-time(scenario 3) two stage

图10 两种不同申报模式下VPP 日前-实时(情景3)申报偏差功率Fig.10 Declaration deviation power of day-ahead real-time (scenario 3) two stage of VPP under different declaration modes

结合图7—10 可知,在谷时段,光热通过储热放热发电,受储热容量限制及低电价影响,光热按最小出力运行。当风电、光伏偏差功率大于0 时,如时段5—13,表示VPP 计划出力大于实际出力,光热须增加出力,以减小风光出力正偏差,此时储热装置放热,充放热功率为负,储热量负向增大;而当风光偏差功率小于0 时,如时段1—4 及14—21 这2 个时段区间,表示VPP 计划出力小于实际出力,光热须减小出力。因光热机组此时已运行于最小出力模式,无法再降低出力,故无法消除风光出力负偏差。

在光照充足及电价较高的时段,如早高峰时段37—44 及晚高峰部分时段(如时段82—96),光热按最大出力运行。当风光偏差功率大于0 时,表明VPP少发,但光热无法再增加出力以减小风光偏差;反之,若风光偏差功率小于0 时,如时段46—81,表明VPP多发,光热可降出力运行,以减小偏差功率。此外,在时段48—76,光照较强,储热量增加到上限值后保持不变,直到时段76 后,因DNI 减小,光热开始放热发电,充放热功率变负,储热量开始下降。

由上述可知,VPP 中的光热电站在一定程度上可以减小申报偏差,降低惩罚成本。但VPP 仅含光热一种调节电源时,在谷时段风光偏差功率小于0(即VPP 多发)且光热机组运行于最小出力模式、或峰平时段偏差功率大于0(即VPP 少发)而光热运行于最大出力模式2 种情况下,均无法消除其出力偏差,从而使实时阶段净收益低于日前申报值。风电-光伏-光热联合运行时的VPP 收益及成本如表4所示。

由表4 可知,实时调度情景3 下,风电-光伏-光热联合运行,且光热储热容量为1 000 MW·h 时,VPP 实时净收益为166.7 万元,低于日前申报值297.5 万元。当储热容量增大到1 680 MW·h 时,光热在晚高峰时段放热时长增加,售电收益随之增加,但惩罚成本没变,因光热在该时段以最大出力运行,无法再通过增大出力来降低风光正偏差。VPP 实时净收益随售电收益的增加而增加,但仍低于日前申报值。因此引入储能电池,配合光热对VPP 中风光出力偏差进行调节,从而进一步降低VPP 申报偏差功率。

表4 不含储能电池时的VPP 收益及成本Table 4 VPP revenue and cost without energy storage battery

图11—14 为实时调度情景4 含储能电池时的风电-光伏-光热-储能电池多能源VPP 出力及偏差功率波形。

图11 实时调度情景4 下光热在不同储热容量下的出力曲线Fig.11 In real-time scheduling scenario 4,the output of CSP under different thermal storage capacity

对比图7 和图11,结合图14(a)可知,加入储能电池后,在时段46—80,风光偏差功率小于0,即VPP多发时,光热仍然按最大出力运行,与其申报出力一致,负偏差用于储能电池充电储能,储电容量增加。结合图12 及14(a)可知,在谷时段1—4 及14—21区间内,当风光偏差功率小于0 时,储能电池充电,充放电功率为正,储电量增加;在早高峰时段37—44、晚高峰部分时段82—92 及平时段32—36 内,风光偏差大于0 时,储能电池放电,充放电功率为负,储电量减小。比较图9(b)和图14(a)可知,加入储能后,在上述时段,VPP 实时出力与日前申报出力偏差明显降低。

图12 实时调度情景4 下储能电池充放电功率及储电量Fig.12 In real-time scheduling scenario 4,charging and discharging power and storage capacity of energy storage battery

图13 VPP 日前-实时(情景4)两阶段出力情况Fig.13 Output of VPP under day-ahead real-time(scenario 4) two stage

图14 两种不同申报模式下VPP 日前-实时(情景4)申报偏差功率Fig.14 Declaration deviation power of day-ahead real-time(scenario 4) two stage of VPP under different declaration modes

图13、14 分别为储能电池在不同容量下的VPP出力及偏差功率,对比可知,在时段28—30 及43—44 这2 个时段内,随着储能电池容量的增加,VPP 申报偏差进一步减小。惩罚成本进一步降低,净收益随之提高。

表5 为实时调度阶段情景4 下的VPP 收益及成本,表5 给出了VPP 在不同光热储热容量和储能电池容量组合下对应的收益及成本值。对照表5 和表4 可知,随着储能电池的加入,VPP 惩罚成本在光热调节的基础上进一步下降,以=1 000 MW·h为例,无储能电池时,其惩罚成本为114.2 万元,加入储能电池且容量=100 MW·h 时,惩罚成本降为46.6 万元,而净收益由166.7 万元提高到237.6万元,有了较大提升。同时,通过对比表5 前1、2 组数据可以发现,当储热容量=1 000 MW·h 保持不变,而储能电池容量从100 MW·h 增加到200 MW·h,惩罚成本进一步降低,在不考虑容量投资成本的前提下,净收益随着储能容量的增加及惩罚成本的降低而提高。通过比较表5 第2、3 组数据可知,在储能电池容量一定,而储热容量增加时,净收益将随售电收益的增加而增加,但惩罚成本不变,原因同表4 分析所述。

表5 含储能电池时的VPP 收益及成本Table 5 VPP revenue and cost with energy storage battery

6 结论

本文基于分时电价并结合光热发电特性,构建了风电-光伏-光热-储能电池多能源虚拟电厂模型,并制定了相应的运行策略。在此基础上通过仿真对比分析了日前调度阶段,VPP 中风电-光伏、光热在独立申报及联合申报2 种情景下的出力及偏差、收益及成本;同时还分析了实时调度阶段,加入储能电池前后的风电-光伏-光热VPP 运行情况。结果表明:光热可通过储热充放热降低风电-光伏的出力偏差,但受光照、储热容量及分时电价影响,其调节作用受限;加入储能电池后,进一步降低了VPP 申报偏差,实现了将谷平时段富裕风光电能转移到高峰时段出售,在降低弃风弃光的同时,提高了净收益。此外,在风电场、光伏电站及光热电站容量一定的前提下,提高储能电池容量,可进一步降低惩罚成本,提高VPP 净收益。