考虑源荷不确定性的风光火储系统低碳经济调度

2022-08-26杨贤东袁旭峰熊炜祝健杨徐玉韬邹晓松

智慧电力 2022年8期

杨贤东，袁旭峰，熊炜，祝健杨，徐玉韬，邹晓松

（1.贵州大学电气工程学院，贵州贵阳 550025；2.贵州电网有限公司电力科学研究院，贵州贵阳 550002）

0 引言

随着全球气候变暖和能源危机问题日益凸显，大力发展风电、光伏等清洁能源成为全球普遍共识[1]。但风电、光伏大规模并网时，其固有的不确定性、波动性和反调峰性，严重影响了电力系统安全稳定运行，调度中兼顾系统的低碳经济和新能源的安全消纳，具有重要意义。

在“3060 双碳”（我国力争在2030 年实现碳达峰，2060 年实现碳中和）战略目标背景下[2]，经济调度引入碳交易成本模型，以实现节能减排和提高清洁能源并网容量，学者已经有不少研究[3-5]。文献[6]引入碳交易机制控制综合能源系统的碳排放，建立电气热综合能源系统低碳化运行模型。文献[7]为进一步兼顾综合能源系统的低碳性与经济性，引入碳交易机制，并在需求侧考虑电、热、气3 种负荷之间的需求响应和替代性的调度优化。文献[8]为提高传统火电机组的灵活性调节和减少碳排放，利用风火储打捆发电方式，充分考虑了风电反调峰性和不确定性。这些文献引入碳交易和负荷侧需求响应机制对综合能源的影响，展示了风火、风火储系统减碳的显著效果，但电源侧未更多发挥清洁能源减碳作用。到2030 年全国风电、太阳能发电总装机容量将达到1.2×109kW 以上[9]。且截至2020 年底风电、光伏在电源结构中成为第3 和第4 大电源，占比分别为13%和12%[10]。低碳经济调度中应给予光伏发电更多的重视。

碳交易成本模型引入提高了风电、光伏并网容量，但其具有的波动性、不确定性和反调峰性给调度稳定运行带来更多问题[11]。针对清洁能源和负荷的不确定性，已经引起越来越多的关注。相比于缺乏灵活性的传统备用[12]、满足最坏情况具有保守性的鲁棒优化法[13]、需综合考虑各种可能出现计算量较大的场景法[14]、根据人为经验主观设立模糊隶属度参数的模糊法[15]，随机模拟机会约束满足根据实际情况设定的置信水平[16]，本文在现有处理源荷不确定性方法的基础上，采用全面考虑风电、光伏和负荷不确定性的随机模拟机会约束法。

目前，多数文献引入碳交易机制，利用综合能源系统在需求侧多种能源融合，或者供给电源侧仅考虑风火、风火储来减少碳排放；较少文献立足供给电源侧资源禀赋，计及清洁能源和负荷不确定性，采用风光火储多能协同来兼顾系统低碳经济性和清洁能源安全消纳。由此，本文构建考虑源荷不确定性的风光火储系统低碳经济调度模型，针对风电、光伏和负荷预测误差不确定性，利用随机机会约束规划转化为确定性模型来求解；将带惩罚的碳交易机制模型引入传统经济调度中，综合考虑系统的运行成本和安全稳定。

1 源荷不确定性模型的构建及处理

1.1 源荷不确定性模型构建

计及不确定性的影响，风电、光伏出力和负荷的实际值通常可表示为确定的预测值加上不确定的预测误差[17]，即：

式中：Plr,t，Pgr,t，Plr,t分别为风电、光伏、负荷实际值；Pwpre,t，Pgpre,t，Plpre,t分别为风电、光伏、负荷预测功率；εw,t，εg,t，εl,t分别为风电、光伏、负荷预测误差功率。

根据中心极限定理，不确定性误差服从正态分布，即：

式中：σw,t，σg,t，σl,t分别为风电、光伏、负荷服从均值为0 的正态分布标准差；Pwr和Pgr分别为风电与光伏额定装机容量。

风速、光照强度、负荷受自然条件和用电习惯的不确定影响，造成很难精准预测。考虑风光负荷不确定性的表达式为式（7）—式（8）。

功率平衡：

旋转备用平衡：

1.2 机会约束模型处理

机会约束是以概率的形式满足约束条件，即调度结果在一定程度上可以超出约束范围，但允许约束条件成立的概率不小于事先设定的置信水平。

一般形式的机会约束规划模型为：

将式（1）—式（8）带入式（9），可得调度的机会约束模型为：

式中：α，β分别为功率平衡和旋转备用平衡的置信水平。

本文采用蒙特卡洛模拟随机机会约束法[18]。即将含随机变量的约束条件进行蒙特卡洛随机模拟，模拟出的结果需要满足置信水平。

2 风光火储系统的低碳经济调度模型

根据居民用电习惯1 d 内负荷曲线呈现早晚“双峰”特点，而风电功率大发往往在夜间和凌晨，日间出力小，风电与负荷有明显的反调峰特性；而光伏日间出力大发，夜晚和凌晨出力几乎为零。各自单独发电并网会增大净负荷峰谷差，进而增加火电机组调峰压力，且风电、光伏利用率不高。利用风光时间上的互补性联合并网，能在一定程度上平缓风光并网发电的波动性[19]。储能的“能量时移”，在风光出力高而负荷需求低时存储电能，当其出力低而负荷需求高时释放电能，进一步平滑出力曲线和解决反调峰性。

2.1 系统碳交易成本模型

相比于设置碳限额的温和减碳方式[20]，碳交易机制是根据《京都议定书》对电力生产商的碳权引入市场交易手段，以经济杠杆为原理，对高污染低成本和低污染高成本进行科学的机组组合，从而实现减少碳排放量的目的。

2.1.1 实际碳排放

常规燃煤机组运行过程中产生大量的CO2，低于或者超出碳排放配额的部分可以进行碳权的买卖；风电、光伏等清洁能源发电，虽然运行中不产生CO2，但风电、光伏的不确定性，在其并网时将会造成火电备用而产生大量碳排放量，本文将风电、光伏和负荷不确定性造成的火电备用碳排放增加量，视为风光荷的碳排放量，即：

式中：EGt，Ewt，Egt，Elt分别为火电、风电、光电和负荷的第t时刻实际碳排放量；δ为火电机组碳排放强度；PGi,t，Pwb,t，Pgb,t，Plb,t分别为第i台火电、风电、光电和负荷备用第t时刻的日前调度出力。

2.1.2 碳排放权配额

目前我国处于低碳减排政策实施的初期，大部分碳交易配额为无偿分配，则碳排放源获得相应碳排放配额为：

式中：DGt，Dwt，Dgt，Dlt分别为火电、风电、光电和负荷备用的第t时刻碳排放配额；λ为采用基准线法单位电量碳排放分配额。

2.1.3 碳交易成本

根据碳源实际排放量与碳配额、购买碳权的大小关系，带惩罚的碳交易成本主要为3 个[4]：碳权购买成本、碳收益和过排放惩罚。计算公式为：

式中：Ept，Eqt，Ect分别为碳源实际排放量、碳排放配额和市场碳排放权购买得到的量；Cco2,t为t时刻系统碳交易成本；Kpt，Kft分别为t时刻碳交易价格和超额罚金价格；μ为碳权购买裕度。

2.2 系统运行目标函数

火电机组作为传统的可控电源，对电网的稳定安全运行起着重要作用；风光等清洁能源由于风速、光照强度等自然条件的影响，造成输出功率的不确定性，再加上其大规模并网时，本身的间歇性，很难与负荷的需求进行匹配，会造成大量的弃风弃光。本文综合考虑火电机组运行、弃风弃光、储能运行、碳交易和旋转备用等经济成本。

系统综合成本为：

式中：Fc为系统综合成本；CGi,t，Cqf,t，Cqg,t，Cess,t，Cri,t分别为火电机组发电成本、弃风弃光惩罚成本、储能成本、备用机组成本，具体如下：

式中：Dcw和Dcg为弃风弃光惩罚系数；Dce为储能成本系数；Ds为旋转备用成本系数分别为t时刻正、负旋转备用容量。

2.3 系统运行约束条件

1）火电机组约束

（1）出力约束为：

（2）爬坡约束为：

式中：Rdi，Rui分别为第i火电机组向上、向下爬坡速率。

2）风电约束

（1）出力约束为：

（2）弃风量约束为：

3）光伏约束

（1）出力约束为：

（2）弃光量约束为：

4）储能约束

（1）储能电量为：：

式中：ηc，ηd分别为充放电效率；ρ为电能损耗率；Et为储能等效电源电量。

（2）功率约束为：

（3）备用约束为：

（4）荷电状态的容量约束为：

式中：Emin，Emax分别为储能最小、最大电量。

3 算例分析

3.1 模型求解

粒子群算法（Particle Swarm Optimization，PSO）具有参数少、收敛速度快、全局最优解更好筛选等优势，对于非线性、多峰问题[21-23]均有较强的求解能力。由于本文的功率平衡和旋转备用平衡约束条件中含有随机变量，采用随机模拟技术和粒子群算法处理，称为随机模拟粒子算法，流程图如图1 所示。其中，J为随机模拟次数。

图1 随机模拟粒子群算法Fig.1 Random simulation of PSO

3.2 算例参数

本文采用IEEE 30 节点系统作为算例进行分析。调度周期为24 h，间隔时间段为1 h，火电机成本系数和单位电量排放强度相应参数[24]，储能相应参数[11]如表1 所示。风电光电和负荷预测参数如图2所示。其中，单位电量基准线配额为0.798 t/（MWh）；碳交易价格为120 元/t；机会约束置信水平α=100%，β=97%；碳权购买裕度为0.3；弃风弃光惩罚和备用成本系数[25]分别为500 元/（MW）和200 元/（MW）。算法参数为学习因子c1=1.3，c2=1.492；最大迭代次数为500 次；随机模拟次数J=3 000。

表1 储能参数Table 1 Energy storage parameters

图2 各时段风光预测出力和负荷预测出力Fig.2 Output of wind，solar and load forecasts in various periods

3.3 算例结果分析

3.3.1 碳交易和机会约束对系统的影响

储能参数见表1。

为验证经济目标函数引入碳交易和机会约束对系统备用的有效性，本文设置了5 种不同调度模式进行对比分析。（1）模式1：采用机会约束模型处理风电、光伏出力和负荷不确定性，并计及碳交易成本；（2）模式2：采用机会约束模型处理风电、光伏出力和负荷不确定性，不计及碳交易成本；（3）模式3：计及碳交易成本，采用传统旋转备用容量方法处理不确定性；（4）模式4：计及碳交易成本，风电出力和负荷采用机会约束模型处理不确定性，光伏出力采用传统旋转备用容量方法处理不确定性；（5）模式5：计及碳交易成本，光伏出力和负荷采用机会约束模型处理不确定性，风电出力采用传统旋转备用容量方法处理不确定性。

调度规划结果如表2 所示。

表2 5种模式的调度规划结果Table 2 Planning results of 5 scheduling modes

1）引入碳交易模型对系统的影响。

根据表2 模式1 与模式2 对比分析可知，经济目标函数中考虑碳交易成本时，能够降低高污染的火电机组出力，提高清洁能源的上网容量，碳交易成本虽然增加了3.73 万元，但弃风弃光惩罚和综合运行成本分别减少了65.48%，14.94%；风电、光伏更多的并网，造成总备用容量增加了113.21 MW，但碳排放量减少了590.19 t。

2）引入机会约束模型对系统的影响。

表2 中模式1 相比模式3，置信水平满足97%情况下，总备用容量、碳排放量分别减少了372.35 MW和983.2 t，综合运行成本减少了49.25 万元；模式1相比模式2、模式3，同时考虑风光负荷不确定性比仅考虑风电负荷和光伏负荷单一清洁能源不确定性，备用容量分别减少了104.45 MW，285.59 MW，碳排放量分别减少了223.82 t，805.71 t，综合成本减少了11.2 万元，30.23 万元。整体考虑风光负荷不确定性，避免了传统备用方法将旋转备用过多投入使用，带来的总备用容量、碳排放量和综合成本的增加。

考虑不同置信度和不同碳权购买裕度对系统经济性灵敏度影响，相应的系统调度结果如表3，表4 所示。

表3 不同置信度下系统调度结果Table 3 Scheduling results at different confidence levels

表4 不同碳权购买裕度下系统调度结果Table 4 Scheduling results of different carbon right purchase margins

由表3 可知，随着置信度的增加，备用容量和经济成本也增加，置信水平的高低反映着系统应对源荷不确定性风险的能力。在调度决策中，调度人员应根据系统的实际需求，综合考虑系统的安全性和经济性，选择合适的置信水平。

由表4 可知，当碳权购买裕度较小时，高昂的碳排放惩罚促使成本高但碳排放低的机组增加出力，从而碳排放量较少，但综合成本较高；随着碳权购买裕度增加，此时碳排放量小于碳配额与购买所得到的碳权之和，造成罚金成本为负数，即表明购买多的碳权再次出售而获利减小成本，但综合成本不受罚金作用时碳排放量也随之增加。

综合5 种模式分析，采用满足功率平衡和备用平衡的随机模拟机会约束，增加了系统备用的灵活性，避免资源的浪费，进而减少系统运行成本、碳排放量；在经济调度模型中引入碳交易成本，优先调度碳排放小的机组和清洁能源，碳排放总量过高时进行经济惩罚，与传统经济调度相比虽然成本增加了，但碳排放量明显减少，有利于电力经营过程中，权衡利弊更加注重环境的影响，从而加快实现“碳达峰、碳中和”的愿景。

3.3.2 不同电源接入的对比分析

为了直观验证不同电源接入对碳排放和清洁能源的积极作用，设置了5 种情景进行对比分析。（1）情景1：火电单独出力；（2）情景2：光伏和火电系统联合出力；（3）情景3：风电和火电系统联合出力；（4）情景4：风光打捆与火电系统联合出力；（5）情景5：风光火储系统联合出力。表5 为调度优化结果。

表5 不同电源接入的调度优化结果Table 5 Scheduling optimization results of different power supplies

图3—8 为情景1—5 各种电源出力和净负荷曲线。

图3 情景1电源出力Fig.3 Different power output of scenario 1

图4 情景2不同电源出力Fig.4 Different power output of scenario 2

图5 情景3不同电源出力Fig.5 Different power output of scenario 3

图6 情景4不同电源出力Fig.6 Different power output of scenario 4

图7 情景5不同电源出力Fig.7 Different power output of scenario 5

图8 5种情景调度下的净负荷曲线Fig.8 Net load curve under five scenarios

由表5 可知，相比情景1，情景2 和情景3 综合运行成本分别减少了8.68%，19.21%；碳排放量分别减少了834.05 t，1 605.23 t。通过图3—5 可知，光伏在日间，风电在全天，降低了高排放高成本的火电机组的出力，进而减少了高额的碳排放惩罚，可见风火打捆、光火打捆并网能够大幅度减少碳排放量和综合运行成本。

由表5 和图4—6 可知，相比情景2，情景3 和情景4 弃风弃光量分别减少了13.56%，5.81%，可控火电电源自身的调峰作用，保证着系统接纳风电光伏的容量，避免大量弃风弃光；综合运行成本分别减少了23.02%，12.99%，碳排放量分别减少了1 684.22 t，913.04 t，这主要是因为光伏弥补了风电在日间功率出力不足，风电消除了光伏凌晨的无功率现象，风光火打捆并网从而进一步减少综合运行成本和火电机组的出力。

由表5 和图6—7 可知，情景5 在情景4 基础上添加了储能，则在风电、光伏电量大发，而负荷需求少时，进行充电；反之进行放电，减少了风电、光伏与负荷不匹配和系统接纳能力不足造成的弃置量。弃风弃光惩罚成本和碳交易成本减少的优势，抵消了风光利用率提高带来的储能成本，从而综合运行成本明显降低；风光消纳率提高，则碳排放量也随之降低。根据图8，情景5 相比于情景1—4，最大净负荷峰谷差分别减少了71.59 MW，44.83 MW，15.07 MW，12.99 MW，且净负荷曲线更加平滑，风光火储联合出力很好地改善了系统的波动性和反调峰性。

综上所述，风光打捆并网实现了风光互补，再加上“能量时移”的储能，有力地降低高排放高成本火电机组出力，提高了清洁能源消纳率，有利于构建以新能源为主体的新型电力系统。