考虑源荷功率不确定性的海上风力发电多微网两阶段优化调度

陆秋瑜， 于 珍， 杨银国， 李 力

(广东电网有限责任公司电力调度控制中心，广州 510060)

能源短缺、环境污染、气候变化促进了以可再生能源为核心的能源革命发展[1].根据国家政策要求，到2030年，我国非化石能源占一次能源消费的比率将达到25%左右，风力发电(以下简称风电)、太阳能发电总装机容量将达到1200 GW以上.二氧化碳的排放量将于2030年前达到峰值，并于2060年前实现碳中和.上述要求明确了我国新时代能源发展的方向[2].而海上风电作为一种运行效率高、输电距离短、就地消纳方便、适宜大规模开发的清洁能源，是实现我国新时代能源发展目标的重要措施.截至2019年年底，我国海上风电累计装机6.42 GW，其容量还有待进一步提升[3].

海上风电一般分布于不同岛屿或不同海域，其系统集成与电力传输一般以多微网的形式实现[4].每个海上风电多微网系统包括多个微电网. 每一个微电网对应于一个岛屿或者一片海域的海上风电系统.目前，制约海上风电多微网发展的因素主要有两方面：① 本地负荷需求低和输出能力有限限制了风电资源消纳率[5]；② 接入主电网功率与电网电价曲线不匹配，降低了运行经济收益[6].

在风电资源消纳方面，目前的研究主要采用光热电站、储热装置和储电装置来吸收不能消纳和难以送出的风电资源，并在电力需求高的时候，释放这些资源，从而提升风电资源的整体消纳率.文献[6]基于光热电站，提出一种促进风电消纳的源-荷联合优化调度.文献[7]以受阻风电消纳量最大和蓄热电锅炉用电成本最小为目标，建立了蓄热电锅炉参与受阻风电消纳的源荷优化控制模型并进行求解.文献[8]基于电解制氢技术，将氢能经济引入电力系统，从而促进风电资源的消纳.文献[9]提出基于“负荷-电价”的热电联产系统风电消纳策略，从而缓解“三北”地区冬季供暖期弃风严重的问题.上述研究均考虑单个微电网中风电消纳情况，并未考虑多个微电网之间能量传输关系.

在运行收益方面，目前的研究主要利用储能装置，根据电网电价调节微电网的出力曲线以提高运行收益.文献[10]提出一种海上风电与海蓄联合运行多时间尺度优化调度方法，通过协调海蓄与弹性负荷的出力水平，最大化消纳海上风电的同时提高经济收益.文献[11]提出一种电池储能系统与风电场协同参与电力市场的经济调度方法.文献[12]利用滚动时域控制算法优化应用于风电场的储能容量和运行策略.上述研究均以日前确定性优化和实时动态优化为基础，无法充分考虑风电和负荷的源荷功率不确定性.

考虑到现有研究的局限性，本文基于风电出力和负荷功率的源荷功率不确定性，提出适用于海上风电多微网的两阶段优化调度方法.在日前阶段，所提方法根据日前风电出力和负荷功率预测数据，制定燃油发电机组组合计划和电池荷电状态值，从而最大化日运行收益的期望值；在时前阶段，根据时前风电出力和负荷功率预测数据，制定燃油发电机组出力、风电机组出力和电池储能充放电功率，从而最大化每小时运行收益.与现有研究相比，本文的主要创新点如下：① 考虑了多个海上微电网之间的能源互补，通过微电网之间的能量传输以及微电网与主电网之间的能量传输，提高整体运行收益，提升风电消纳率；② 建立两阶段随机优化模型，充分考虑海上风电多微网源荷不确定性，充分利用不同阶段的源荷功率预测结果，最大化海上风电多微网的整体运行收益；③ 在源荷功率预测结果的基础上，考虑了预测误差分布模型，并通过蒙特卡洛抽样和同步回代场景缩减方法，构建随机优化场景.

1 海上风电多微网两阶段优化调度

海上风电多微网系统的基本架构如图1所示.海上风电多微网系统包含多个微电网系统.不同的微电网系统之间通过直流线路进行连接.多个微电网集成后，最后通过陆地微电网接入主电网.每个微电网系统包括风电机组、燃油发电机组、电池储能和本地负荷.海上风电多微网系统既可以通过本地风电、燃油发电和储能系统进行供电，也可以从主电网购买电能支撑本地负荷的需求.

图1 海上风电多微网基本架构Fig.1 Basic framework of offshore wind-power-integrated multi-microgrid

基于上述海上风电多微网基本架构，本文所提的两阶段优化调度方法基本流程如图2所示.

分析图2可知，所提两阶段优化调度方法包括日前和时前两阶段.在日前阶段，制定不同调度间隔的燃油发电机组组合计划和电池储能荷电状态值；在时前阶段，基于日前阶段决策结果，依托时前风电出力和负荷功率的预测数据，制定燃油发电机组出力、风电机组出力和电池储能充放电功率的具体值.

图2 两阶段优化调度方法Fig.2 Two-stage optimal scheduling method

2 日前随机优化调度

2.1 随机优化场景构建

由于风电输出功率受天气的影响[13]，负荷功率受用户行为的影响，具有很强的不确定性和随机性[14]，所以其预测结果存在一定误差[15]，其误差分布可用高斯分布模型进行描述[16].典型的风电和负荷误差分布模型如图3所示.图中：fWT为风电出力预测误差的概率密度；uWT为风电出力预测误差；fEL为负荷功率预测误差的概率密度；uEL为负荷功率预测误差.

图3 预测误差分布Fig.3 Distribution of prediction error

基于上述预测误差模型，构建随机优化场景，过程如图4所示.

图4 随机优化场景构建过程Fig.4 Scenario construction process for stochastic optimization

由图4可知，随机优化场景构建步骤如下：① 基于预测与运行数据，构建预测误差模型；② 基于预测误差模型的参数，利用蒙特卡洛抽样方法，得到随机抽样场景初始样本；③ 采用同步回代场景削减方法[17]对生成的初始样本进行削减；④ 记录削减后的场景及其发生概率，生成最终用于随机优化的场景.

2.2 优化目标

日前随机优化调度所考虑的优化目标为最大化日运行收益期望值.日运行收益可由售电收益、燃油发电机组的运行与启停成本、风电机组运行成本和电池储能运行成本计算得到，具体计算过程如下:

max (-CDG_stup+

(1)

(6)

2.3 约束条件

约束条件如下：

3 时前动态优化调度

时前动态优化调度是在日前制定的燃油发电机组组合计划和电池储能荷电状态值基础上，根据每小时前的风电出力和负荷功率预测数据，制定每小时的燃油发电机组出力, 风电机组出力和电池储能充放电功率，最大化每小时的运行收益.

3.1 优化目标

(20)

3.2 约束条件

约束条件如下：

(31)

4 算例与结果分析

本文基于5节点海上风电多微网架构对所提的两阶段优化方法进行验证，测试模型结构如图5所示.图5中，微电网1到微电网4均未与主电网相连，只有微电网5与主电网相连.

图5 测试模型基本架构Fig.5 Basic framework of testing model

测试模型中，电网电价[18]如图6所示.燃油发电机组参数[19]、联络线功率约束及电池储能参数[20]分别如表1、2及3所示.风电机组单位能量运行成本为0.01元/(kW·h).

图6 电网电价Fig.6 Electricity price

表1 燃油发电机组参数Tab.1 Parameters of diesel generator

表2 联络线功率约束Tab.2 Limits for tie-line power

表3 电池储能参数Tab.3 Parameters for battery energy storage

日前随机优化模型中，风电机组出力和负荷功率的预测数据如图7所示，其预测误差[16]如表4所示.在图7所述的日前预测数据和表4中所述误差模型参数的基础上，采用蒙特卡洛算法抽样200个场景，并用同步回代方法[17]将场景缩减至50个，记录对应的场景和概率数据，代入随机优化模型制定燃油发电机组组合计划和电池荷电状态值.

图7 日前预测数据Fig.7 Day-ahead forecasted data

表4 风电和负荷的预测误差Tab.4 Prediction error for wind and load power %

时前优化模型中的风电出力和负荷功率的预测数据如图8所示.

图8 时前预测数据Fig.8 Hour-ahead forecasted data

在上述数据和参数基础上，所建立的日前随机优化模型和时前优化模型均依托MATLAB和YALMIP平台[21]，利用GUROBI求解器[22]进行求解.

4.1 两阶段优化调度结果

4.1.1日前随机优化调度 利用日前随机优化调度制定燃油发电机组组合计划和电池储能荷电状态值，其结果如图9和10所示.

图9 燃油发电机组组合计划Fig.9 Unit committee of diesel generators

图10 电池储能荷电状态Fig.10 State-of-charges for battery energy storages

4.1.2时前动态优化调度 时前动态优化调度制定了燃油发电机组和风电机组的出力值、电池储能功率值、微电网联络线功率值以及多微网与主电网联络线功率值，其具体结果分别如图11～13所示.图12中，电池功率为正，电池处于充电状态；电池功率为负，电池处于放电状态.图13中，功率为正时，多微网向主电网释放功率；功率为负时，多微网从主电网吸收功率.

图11 燃油发电机组和风电机组的出力Fig.11 Output power of diesel generators and wind turbines

图12 电池储能功率Fig.12 Power of battery storages

图13 微电网和主电网的联络线功率Fig.13 Tie-line power of microgrids and main grid

分析图6和图12可知，电池储能在电网电价较低时充电，在电网电价较高时放电.分析图6和图13可知，电网电价越低，多微网从主电网吸收的功率越高，向主电网释放的功率越低；电网电价越高，多微网从主电网吸收的功率越低，向主电网释放的功率越高.不同微电网之间总能量交互情况如表5所示.

表5 微电网间能量交互Tab.5 Energy interaction between microgrids kW·h

由表5可知，微电网之间通过能量交互实现整个日运行周期内的收益期望最大化.由于微电网3中的风电机组功率最高，且负荷功率较低，在整个运行过程中，微电网3释放能量，而其他微电网则主要以吸收能量为主.

4.2 优化结果对比

本文通过对比非优化调度、日前确定性优化调度和时前动态优化调度的结果，验证所提方法的优越性.其中，非优化调度方法是指不对燃油发电机组和电池储能进行调度；日前确定性优化调度方法是指根据日前预测数据制定24 h的燃油发电、风电与储能的运行方案；时前动态优化调度方法是指根据时前预测数据制定每小时的燃油发电、风电与储能的运行方案.在验证中，利用蒙特卡洛方法抽样出200个运行场景，计算运行收益与风电消纳率的期望值，其结果如表6所示.

如表6所示，与非优化调度方法、日前确定性优化调度方法和时前动态优化调度方法相比，所提两阶段优化方法可提高63.03%、5.32%及9.26%的收益期望值，并提高45.94%、2.30%及0.90%的风电消纳率期望值.

表6 优化结果对比Tab.6 Comparison of optimization results

5 结论

本文提出海上风电多微网两阶段调度方法.在日前阶段，该方法根据日前预测数据，通过随机优化，制定燃油发电机组组合计划和电池储能荷电状态值，最大化运行收益的期望值.在时前阶段，该方法根据时前预测数据，制定燃油发电机组、风电机组和电池储能的功率值.在此基础上，依托5节点海上风电多微网系统，对所提方法进行验证.基于验证结果，可以得到以下结论：

(1) 与非优化调度方法相比，所提方法可以在高电价阶段释放更多的电能进入主电网，在低电价阶段从主电网吸收更多的电能.因此，所提方法显著提高了收益期望值.同时，所提方法可以在风电出力大于负荷需求和主电网接收能力时，通过储能吸收多余风电出力，从而降低弃风率，显著提高风电资源的整体消纳率.

(2) 与日前确定性优化调度方法相比，所提两阶段优化方法考虑了风电出力和负荷功率的不确定性，因此具备更高的运行收益和风电消纳率.

(3) 与时前动态优化调度方法相比，所提两阶段优化方法在日前阶段考虑了电网电价分时特性和风电出力与负荷功率不确定性的统计规律，因此能提高运行收益和风电消纳率.

本文主要针对预测误差符合高斯分布模型的海上风电多微网调度问题进行研究，对于预测误差符合其他模型的问题，所提的两阶段优化调度方法依然适用.但针对具体问题，尚需结合具体模型进行更细致的研究.