基于风光场景生成的综合能源系统日前-日内优化调度

2022-10-17徐健玮马刚高丛沈静文闫照康陆睿琪

分布式能源 2022年4期

徐健玮马刚高丛沈静文闫照康陆睿琪

(南京师范大学电气与自动化工程学院,江苏省南京市 210046)

0 引言

随着全球经济加速发展,能源短缺和环境污染已经成为当前面临的严峻问题,以新能源大规模开发利用为标志,以智能化、电气化为主要路径,以综合能源系统为重要支柱的新一轮能源革命正在全球范围深入开展[1-2]。

综合能源系统是电、气、热、冷等各类能源统一规划、统一调度的综合性能源系统[3-5]。通过多种能源系统的互补融合,可有效提升能源的利用率[6-8]。目前,针对综合能源系统优化调度已有一定的研究。文献[9]提出综合能源系统热电联合调度可以提高可再生能源消纳率和系统灵活性。文献[10]提出综合考虑碳排放和需求侧响应的综合能源系统日前优化调度方法。文献[11-12]提出考虑系统运行灵活性的综合能源系统优化调度方法。然而,上述研究并未考虑可再生能源的不确定性。面对系统运行过程中光伏和风机等可再生能源出力的波动性。文献[13-14]采用不同的场景分析方法考虑风光出力不确定性。文献[15-16]建立了计及可再生能源随机性的区域综合能源系统随机调度优化模型。文献[17-18]提出一种计及风光不确定性的综合能源系统多目标规划模型。文献[19]利用区间数描述风电、光伏出力的不确定性,建立了考虑风电与光伏出力不确定性的电、气、热综合能源系统日前区间优化模型。然而,以上研究只针对综合能源系统日前优化调度,针对电、气、热等多种能源相互耦合为综合能源用户供能的同时带来的多时间尺度调度运行的问题,单独的综合能源系统日前优化调度已经不能满足需求。

综上所述,当前的综合能源系统在优化运行层面面临诸多挑战,可再生能源出力不确定,多种能源耦合带来多时间尺度调度运行问题。因此,本文首先采用蒙特卡洛抽样方法生成并削减日前与日内优化调度光伏、风电场景;接着以运行成本最低为目标函数,引入分时电价与分时热价并构建4种情形;然后缩小时间尺度,以运行成本最低与调度调整成本最低构建多目标优化模型;最后,通过cplex求解器对所提模型求解。

1 综合能源系统日前-日内优化调度模型

1.1 系统模型

综合能源系统主要由供电系统、供气系统和供热系统组成,其系统结构如图1所示。本文所提的综合能源系统主要由上级电网、光伏、风电、热电联产(combined heat and power,CHP)机组提供电能,由上级热网、CHP机组、燃气锅炉、电锅炉提供热能,并在系统中加入电储能与热储能,在电价和热价波动时,调节其荷电或蓄热状态,从而降低系统的运行成本。

图1 综合能源系统结构Fig.1 Structure of integrated energy system

1.2 日前优化调度模型

1.2.1 目标函数

综合能源系统通过对多种能源的消纳转化从而满足供热需求、供气需求和电力需求,衡量系统优化调度综合效益的重要依据为经济性[20],因此本文所构建日前优化调度模型的目标函数为系统运行成本最小。系统运行成本主要包括电力耗能成本、天然气耗能成本、设备运行成本、弃风弃光惩罚成本,因此日前优化调度的系统运行成本函数为:

式中:Fe(t)、Fg(t)、Fh(t)、Fm(t)、Fp(t)分别为购电成本、购气成本、购热成本、设备运行成本、弃风弃光惩罚成本;Pe(t)、Vg(t)、Ph(t)、PPV(t)、PW(t)、HCHP(t)、HGB(t)、PEB(t)分别为购电功率、天然气耗气量、购热功率、CHP机组输出热功率、光伏输出电功率、风机输出电功率、燃气锅炉输出热功率、电锅炉消耗电功率;PESS_cha(t)、PESS_dis(t)分别表示电储能充放电功率;HTES_cha(t)、HTES_dis(t)分别表示热储能充放电功率;ce(t)、cg(t)、ch(t)分别表示单位购电成本、单位购气成本、单位购热成本;rPV、rW、rCHP、rGB、rEB、rESS、rTES分别表示光伏单位维护成本、风机单位维护成本、CHP机组单位维护成本、燃气轮机单位维护成本、电锅炉单位维护成本、电储能单位维护成本、热储能单位维护成本;ξ1、ξ2分别表示弃光和弃风的单位惩罚系数;PPV_use(t)、PW_use(t)为系统光伏与风电的消纳功率;PPV(t)、PW(t)为场景生成光伏与风电功率。

1.2.2 约束条件

(1) 系统能量守恒约束。

综合能源系统首先要服从电热能量守恒约束,其约束条件为

式中:PCHP(t)为CHP 机组产电功率;HEB(t)为电锅炉产热功率;Pload(t)为t时刻系统电力需求;Hload(t)为t时刻系统热力需求。

(2) 设备机组出力约束。

设备机组的出力需要服从其出力最大值与出力最小值的约束,具体约束条件为

式中:PCHP-min、PCHP-max分别为CHP机组的最小、最大出力;HGB-max分别为燃气锅炉最大产热;PEB-max为电锅炉最大耗电量。

(3) 电储能系统约束。

电储能系统的约束包括充/放电上下限约束、前后时刻电能平衡约束、储能电量上下限约束,并且电储能系统无法充/放电同时进行,并假设储能的每日初始时刻电量与末尾时刻电量相等,其约束条件为

(4) 热储能系统约束。

热储能的约束条件与电储能相似,具体约束为

1.3 日内优化调度模型

日内的优化调度为在日前优化调度的基础上根据风电、光伏出力的情况进行机组出力的调整,在保证运行费用最小的基础上减小系统调度的调整量,目的在于增强系统运行的鲁棒性[21],保证供需平衡,因此日内优化调度的目标函数为多目标,其运行成本函数与日前优化调度的运行成本函数相同,其系统调度调整成本的目标函数为

式中:θ1、θ2分别为电、热系统调度调整成本对应的权重;为调度后的t时刻电负荷和热负荷。

日内的优化调度层面采用了多目标优化,本文对运行成本最小目标与系统调度调整量最小目标设定相应的权重使其转化为单目标优化问题,转化后的目标函数为

式中:λ1、λ2分别为运行费用与系统调度调整成本对应的权重。

2 综合能源系统模型求解方法

2.1 场景分析方法

2.1.1 基于蒙特卡洛抽样的风光场景生成

风光场景生成是解决风光不确定性的途径之一,本文基于蒙特卡洛(Monte Carlo)方法,对概率分布进行抽样并将输出样本作为生成风光不确定场景。风电机组出力的不确定性主要来源于风速的随机性与波动性,风速服从于韦伯分布,其概率密度函数为

式中:v为实际风速;c为尺度参数;k为形状参数。

韦伯分布的累积分布函数为

光伏输出功率主要受太阳辐射影响,太阳辐射一定时间段服从贝塔分布,太阳辐射的贝塔分布的概率密度函数为

式中:s为太阳辐射度;α、β为形状参数。

已知风速概率分布,根据风速-功率转换公式可以得出风电功率场景,其转换公式为

式中:vn为额定风速;vin、vout分别为切入风速和切出风速;PW,r、PW分别表示风电额定功率和输出功率。

同理,根据光照辐射度的分布概率函数可以转换得出光伏输出功率场景为

式中:PPV为光伏输出功率;s为光伏辐射面积;APV为最大光照强度;ηPV为光电转换效率。

2.1.2 基于欧氏距离的风光场景削减

根据蒙特卡洛抽样生成的风光场景具有规模大,数据相似度高、包含噪声等特点,为筛选出符合风光特性且具有规划意义的场景,需要对众多的场景集进行削减。本文采用基于概率距离快速前代消除技术进行场景削减[22],概率距离选用欧氏距离,欧氏距离公式为

式中:d为欧氏距离;si为第i个场景;sj为第j个场景。

场景缩减的具体步骤如图2所示。

图2 场景缩减流程Fig.2 Flow of scene cutting

2.2 日前-日内优化调度方法

本文所提出的综合能源系统在计及风光不确定性的基础上考虑日前优化调度与日内优化调度的双层优化,用以缓解综合能源系统运行过程中光伏和风机等可再生能源出力的波动性,以及电、气、热等多种能源相互耦合为综合能源用户供能的同时带来的多时间尺度调度运行的问题[23]。

日前优化调度的时间尺度为1h,日前调度优化的目标在于制定各个机组的出力计划,为达到综合能源系统运行成本最低,本文假定用户的负荷需求任一时段内可以在一定范围内变化,但系统的总负荷需求保持平衡。日前优化调度时间尺度长,不能快速反应最新的新能源出力及负荷预测值,面对系统出现的功率波动无法及时响应协调调度各设备出力满足终端用户需求,因此本文接着进行日内调度优化,日内调度优化的时间尺度为15min,日内优化调度基于小时间尺度的可再生能源出力数据,目标在于基于日前调度优化制定的各个机组的出力计划对其进行更进一步的调整优化。本文所提出的日前-日内优化调度策略的具体流程如图3所示。

图3 优化调度流程Fig.3 Flow of optimized scheduling

3 仿真验证

3.1 风光场景生成与削减

本文采用蒙特卡洛抽样方法对风光场景进行生成与缩减,设定的场景数目为100个,场景缩减数目为5个。首先采用蒙特卡洛抽样根据风电和光伏概率分布生成多个风电与光伏场景,接着利用欧氏距离对风电与光伏出力场景进行缩减。风电光伏场景生成与削减结果如图4—5所示。

图4 风光场景生成Fig.4 Scenic scene generation

图5 风光场景削减Fig.5 Scenic scene cutting

由图4—5可知,日内的风光生成场景时间尺度较小,其风光出力值更加的细致,更能体现风光的不确定性。

3.2 日前优化调度

本文的算例研究以图1所示的综合能源系统拓扑结构为对象,该系统包括风电机组、光伏机组、CHP机组、燃气锅炉、电锅炉、电储能、热储能及电热负荷,优化调度时间为24h,时间单位间隔为1h。算例仿真环境为Matlab R2018b,采用cplex求解器对综合能源系统优化调度进行求解。

综合能源系统中的设备相关参数与储能系统参数如表1—2所示。

表1 设备相关参数Table 1 Parameters of equipment

为比较综合能源系统考虑电热储能的结果差异,本文引入分时电价与分时热价,本文电价划分时段为:峰时段为09:00—13:00,其电价为0.83元/(kW·h);平时段为06:00—08:00,14:00—23:00,其电价为0.49元/(kW·h);谷时段为24:00,01:00—05:00,其电价为0.17元/(kW·h)。热价划分时段为:峰时段为01:00—06:00,21:00—24:00,其热价为0.78元/(kW ·h);平时段为07:00—12:00,18:00—20:00,其热价为0.4元/(kW·h);谷时段为13:00—17:00,其热价为0.2元/(kW·h)。构建以下4种情形。

表2 储能相关参数Table 2 Parameters of energy storage

情形1:既考虑分时电价也考虑分时热价。

情形2:只考虑分时电价,不考虑分时热价。

情形3:只考虑分时热价,不考虑分时电价。

情形4:既不考虑分时电价也不考虑分时热价。

不同情形下的费用如表3所示。

表3 日前优化调度的运行费用Table 3 Operation cost of day-ahead and intra-day optimization schedule 元

由表3可得出:情形1的运行成本最低,情形4的运行成本最高,情形2相较于情形4其购电成本显著降低,情形3相较于情形4其购热成本显著降低,结果表明本文所建模型可以有效降低系统的运行成本,且本文在目标函数中加入了弃风、弃光惩罚,有效减少了系统的弃风、弃光量。分时电价与分时热价的引入也使得各个机组及向上级购电、购热比例改变,充分降低了系统的运行成本。

储能装置在综合能源系统中的应用可使得系统风光出力不确定性、平稳负荷波动问题得到缓解,除此之外,储能装置在综合能源系统中发挥着峰谷套利的作用,情形1—4的电、热储能设备能量曲线如图6所示。

由图6可以看出:当电价位于低谷时,电储能处于充电状态并利用低谷电产热给热储能装置蓄热;当电价位于高峰时,电储能处于放电状态,与此同时,热储能装置选择低谷热价蓄热并在高峰热价时放热,从而达到利用电热差价减小综合能源系统日运行成本的目的。

图6 储能能量曲线Fig.6 Energy storage energy curves

下面主要对情形1的场景进行分析,情形1既考虑分时电价也考虑分时热价,其出力结果如图7所示。

由图7(a)可知:在09:00—16:00时间段,风光的出力较多,系统通过消纳风光电量可以不用从上级电网购电,并在12:00、15:00、16:00时刻将系统消纳不完的电量通过电锅炉消纳转换为热能,并将一部分电量转存在电储能装置中,在01:00—05:00和24:00时刻,电价处于低谷期,系统向上级电网购电用于电锅炉产生热能并于04:00向电储能装置充电。由图7(b)可知:系统于13:00—17:00热价处于低谷期间向上级系统大量购热,并在16:00时刻通过购热向热储能装置储热,将所储热量于21:00时刻电价转入峰值期时向系统供热,燃气锅炉与CHP机组于热价高峰于平时段持续向系统供热。

图7 日前优化调度的系统出力结果Fig.7 System output result of day-ahead optimization scheduling

由出力结果可知,CHP机组的热电耦合特性导致CHP 机组受供热约束电出力较高,严重影响了可再生能源消纳。

本文假设调度前后电热负荷可以在一定范围内波动,但全天的总负荷量保持不变,调度前后各时段的电热负荷曲线如图8所示。

从图8可看出:调度前的电负荷峰值为1420kW,谷值为544kW,而调度后的电负荷峰值为1364kW,谷值为598.2kW,其调度后的峰值降低而谷值提高,且电负荷曲线更加平滑。调度前的热负荷峰值为1640kW,谷值为940kW,而调度后的电负荷峰值为1577kW,谷值为1011kW,调度后的热负荷曲线也更加平滑。结果表明,本文所引入的分时电价与分时热价可以充分调度储能装置,在综合能源系统运行过程中起到削峰填谷、减少波动的作用。

图8 日前优化调度前后电热负荷Fig.8 Electric and heating load before and after scheduling

3.3 日内优化调度

本文的综合能源系统日内优化调度既考虑分时电价也考虑分时热价,根据是否考虑系统调度调整成本分为以下2种情形。

情形1:运行成本与系统调度调整成本占比权重分别为0.5和0.5。

情形2:运行成本与系统调度调整成本占比权重分别为1和0。

不同情形下的费用如表4所示。

表4 日内优化调度的运行费用Table 4 Operation cost of intra-day optimized scheduling 元

由表4可得:当考虑系统调度调整成本后,系统目标函数变成多目标,情形1的日运行总成本大于情形2。下面对情形1的优化调度出力结果进行分析,综合能源系统日内优化调度出力结果如图9所示。

由图9可知:缩减时间尺度后的日内优化调度更加细致地规划了设备机组出力,可以更好地应对风光出力的不确定性,增强系统的稳定性。在01:00—05:00和24:00时刻,电价处于低谷期,系统向上级电网购电用于电锅炉产生热能并向电储能装置充电。在风光出力较少的情况下,CHP机组持续向系统供热,其热电耦合特性明显。