考虑光热电站调节特性的可再生能源系统优化调度

崔 杨， 黄思宇， 马 明， 魏子舒， 张善峰， 赵昌鹏

（1.东北电力大学 现代电力系统仿真控制与绿色电能新技术教育部重点实验室， 吉林 吉林 132012； 2.国网吉林省电力有限公司长春供电公司， 吉林 长春 130000）

0 引言

近年，我国风电装机容量逐年递增[1]～[4]，但由于风电固有波动属性[5]～[7]，规模化风电接入电网系统后，电力系统供应侧可调度性降低，因而弃风限电现象也愈发严重。 传统火电虽能通过调节机组出力配合风电降低其波动性， 但这会使火电机组无法稳定运行在最佳设计区间，影响经济性，加剧节能减排压力[8]。

随着含储热光热电站 （Concentrating Solar Power，CSP）与可变速抽水蓄能等可调度性、绿色调节电源的出现，实现“以可再生能源消纳可再生能源”的电力系统绿电调度具备了可行性。在CSP与其他电源联合调度方面已有较多学者进行了研究。 文献[9]指出，光热-燃机的复合发电系统具有显著的经济性。文献[10]，[11]表明，与CSP 电站的联合运行将会降低风电出力不确定性带来的不利影响， 提高电网运行安全裕度。 但上述文献仅从CSP 与单一电源配合角度出发，未涉及CSP 与多种可再生能源联合协调调度问题。 在间歇性电源并网消纳方面，现有文献也已进行较多探索。文献[12]，[13]分别从经济效益角度和调峰效益角度出发，构建了风蓄协调的多目标优化模型。 文献[14]表明大规模风电并网的条件下， 火电机组深度调峰将会显著影响其经济性。 文献[15]提出了一种火电机组灵活性改造的方案， 以接纳规模化风电并网。

综上，当前研究鲜有涉及基于CSP 电站的全可再生能源系统调度， 在风电并网方面也多采用传统电源进行调节。为此，本文在考虑风电预测不确定性和CSP 电站调节特性的基础上，构建了含储热光热电站、 抽水蓄能和风电的全可再生能源系统绿电调度模型。 该模型将CSP 电站和抽水蓄能两类可再生能源电站与风电优化调度结合起来， 并利用CSP 电站为风电预测误差提供备用，在实现全可再生能源发电的同时， 最大限度地提高风电消纳量。

1 含光热电站多源系统联合调度机理

1.1 风电预测出力的不确定性分析

本文通过预测误差来刻画风电的不确定性，风电在t 时刻的出力可等效为功率预测值与预测误差之和[16]，其表达式为

式中：PN为风电装机容量。

1.2 基于光热电站调节特性的多源联合调度机理

风电的波动性和间歇性较强，其等效负荷如图1 所示。

图1 风电并网后等效负荷变化Fig.1 The change of equivalent load after wind power grid connection

由图1 可见，风电在夜间出力较大，负荷高峰时刻出力较小，表现出一定的反调峰特性，其并网后等效负荷峰谷差加大，整体波动与原始负荷相比更加剧烈。针对上述问题，绿电系统配备的CSP电站和可变速抽水蓄能电站的能量时移特性可以迅速调节响应等效负荷波动，平抑风电并网波动量，从而使得联合系统出力平滑。

配备有储能装置的CSP 电站具有比传统火电机组更为灵活便捷的调节能力，能够替代火电机组作为电网基荷及调节性电源，其能量时移特性曲线如图2 所示。

图2 含储热CSP 电站能量时移特性曲线Fig.2 Energy time-lapse characteristic curve of CSP

抽水蓄能电站在峰荷不足时提供调峰电能，两种电站配合实时追踪等效负荷变化。 图3 为调度日内各可再生能源电站联合出力。

图3 调度日内各可再生能源电站联合出力示意图Fig.3 Diagram of joint output of renewable energy power stations on dispatching day

由图3 可知，配备储热的CSP 电站和抽水蓄能电站在应对等效负荷剧烈波动时，通过能量储存和调节特性，可以实现全天日内电力供应再分配。 CSP 电站在夜间通过储热装置释放热量供给汽轮机发电； 在昼间将集热系统获取的热量一部分释放发电， 剩余热量储存至储热装置。 与此同时， 抽蓄电站将负荷低谷时刻储存的风电能量转换为势能进行存储备用， 在负荷高峰时刻发电弥补峰荷需求。

CSP 和抽水蓄能使原本波动无序的风电成为稳定可调度的电源，体现出“移峰错谷”的作用。将CSP、抽水蓄能联合出力作为调峰电源，平滑净负荷曲线，既替代火电机组实现环保发电，又提升了可再生能源发电消纳规模， 实现以可再生能源消纳可再生能源。

2 可再生能源系统优化调度模型

本文综合考虑风电和CSP 并网消纳的运行维护成本、抽水蓄能电站不同工况下的启动成本、系统旋转备用成本、调峰容量交易成本，构建可再生能源电力系统绿电调度成本模型， 其目标函数为保证可再生能源系统调度成本之和最小，即：

式中：E1为风电、CSP 的运行维护成本；E2为抽水蓄能电站不同工况下的启动成本；E3为系统备用容量成本；E4为调峰容量购买成本。

①风电与CSP 发电的运行维护成本E1

其中， 光热电站集热装置和储热装置提供的发电功率为

③系统备用容量成本E3

系统中风电渗透率较高， 势必会使电网运行的不确定性升高。 为了及时应对预测误差以及突发事件，CSP 电站需要预留更多的备用容量。额外增加的旋转备用容量成本为

④调峰容量交易成本E4

由于风电具有随机性和波动性， 在部分极端天气情况下，会降低绿电系统的可调节能力。为保证系统的安全运行，需要购买一定的调峰容量（相邻地区的可再生能源），此时产生的调峰容量交易成本为

式中：Kbuy为外购容量成本系数；Pbuy，t为t 时刻系统外购的调峰容量。

3 系统约束条件

风电、CSP 电站和抽水蓄能电站联合并网时，主要约束条件如下。

①电功率平衡约束

不计网络损耗时， 各电站输出功率以及系统交易电量之和与电网负荷相等，即：

③CSP 电站出力约束

CSP 电站出力由集热装置和储热装置两部分联合提供，其中等式约束部分见文献[5]，不等式约束为

储能装置的储放热功率可以在一定范围内实现连续调节，但储热与放热不可以同时进行，相应约束为

式中：rucsp和rdcsp分别为CSP 发电的最大向上和向下爬坡率。

由CSP 电站提供的系统旋转备用容量约束为式中：μL为负荷备用系数。

④抽水蓄能电站出力约束

本文所述抽水蓄能电站为变速恒频抽水蓄能电站， 抽水蓄能机组的下水库为具有天然来水的河流。 考虑的约束有：库容容量约束、库容变化约束以及发电和抽水功率约束。

库容容量约束为

4 仿真及结果分析

4.1 算例系统概述

本文算例系统包括CSP 电站、风电场以及抽水蓄能电站， 基于西北某省实测数据， 应用CPLEX 对模型进行优化，以验证模型的有效性与可靠性。 风电出力数据来自西北某省内100 MW风电场2018 年全年实测数据， 采样间隔5 min；CSP 电站的具体参数如表1 所示。 太阳辐照指数（DNI） 数据通过美国国家可再生能源实验室（NREL）开发的仿真模拟软件SAM 获取，抽水蓄能电站参数如表2 所示。 典型日风电预测功率及24 个调度时段的负荷预测功率如图4 所示。

表1 200 MW CSP 电站参数Table 1 Parameters of 200 MW CSP plant

表2 抽水蓄能机组的模型参数Table 2 Model parameters of pumped storage units

图4 典型日风电、负荷及DNI 预测值Fig.4 Typical daily wind power， load and DNI forecast

模型参数值设置： 系统备用成本系数kr为200 元/MW； 风电并网发电的运行维护成本kw为50 元/MW；外购容量成本系数Kbuy为400 元/MW。

4.2 算例结果分析

经过CPLEX 优化算法求解，得到典型日最优综合成本为45.8 万元。 此时，各可再生能源电站出力构成如图5 所示。 抽水蓄能电站出力情况如图6 所示。

图5 典型日各发电单元出力构成Fig.5 Actual output value of each power station in typical day

图6 抽水蓄能电站各时刻出力情况Fig.6 Output of pumped storage power station at each moment

由图5 可知，典型日内，各可再生能源机组充分发挥各自特性，优缺互济，余亏互补，相互配合出力。在夜间时段，CSP 电站为了保证接纳更多风能，减小系统弃风电量，维持在较小出力水平。 此时抽水蓄能机组运行在发电工况， 配合风电出力满足负荷需求。在日间光照充足时段，CSP 电站的集热装置将光能转换为电能直接供给电网， 其余能量以热能形式储存在储热装置中。 此时抽水蓄能机组运行在抽水工况， 将超过系统消纳能力的电能以势能的形式储存在上水库， 以备夜间发电出力，实现可再生能源电力出力平移。 可以看出，全可再生能源系统内CSP 与抽蓄机组协调互补，配合风电出力，共同保证了系统安全稳定运行。

由图6 可知， 抽水蓄能电站具有能量时移的特性，可以将波动无序的风电出力时空平移，使其平稳可调度。 在凌晨通过释放前一个调度日储存的势能发电满足负荷需求；在日间CSP 电站出力高峰时，利用本应弃风电量进行抽水储能，储存的能量在夜间释放，起到移峰错谷的作用。为保证下一个调度日调度需求， 上水库水量释放至临界值即停止放水发电。

CSP 电站出力稳定可控，利用CSP 电站为风电和负荷预测误差提供备用， 通过可再生能源（CSP 电站）弥补预测精度的不足，保证电网的稳定运行。 CSP 电站在调度日的具体出力情况如图7 所示。

图7 CSP 电站各时段功率消耗情况Fig.7 Power consumption of CSP power stations in each period

4.3 普适性与有效性验证

本文通过对不同风电出力场景下， 两种模型仿真结果进行对比， 验证考虑光热电站参与风电消纳优化调度模型的普适性与有效性。

风电出力具有不确定性， 为说明本文所提模型的普适性，本文根据文献[18]的方法将风电全年出力削减成3 类典型场景， 削减后的风电出力曲线如图8 所示。 3 各类典型场景的概率分别为46.75%，35.69%和17.56%。与光伏发电不同，含储热装置的CSP 电站出力可控，其发电特性与火电机组相似，故本文暂时不考虑CSP 电站的多场景出力。

图8 3 类典型场景下风电出力曲线Fig.8 Three typical scenes of wind power output curve

将原系统中CSP 电站替换为同容量的常规火电机组，火电机组参数见文献[19]。 讨论不同风电出力场景下两种运行模式的调度情况。

由表3 可知，在场景一中，风电出力较大，本文优化调度模型调度成本仅为45.9 万元，较对比模型降低了46.6%， 这主要是因为对比模型中火电机组作为主力发电单元，其燃料成本较大。两种模式下弃风率基本相当。在场景二中，风电出力水平一般， 本文模型存在94.6 MW 的外购电量，因而调度成本有所增加， 但弃风率较对比模型有所降低；在场景三中，风电出力水平较低，但风电波动幅度很大， 此时对比模型仍存在4.9%的弃风率。 而本文模型通过CSP 电站和抽蓄电站的出色调节能力可有效平抑风电波动，促进风电消纳，综合成本仅为对比模型的58.7%。 可见本文模型在提升经济性的基础上可有效促进风电消纳。

表3 不同风电出力场景下两种调度模型结果对比Table 3 Comparison of results of two scheduling methods under different wind power scenarios

通过对上述3 类不同场景下两种模型调度结果的分析， 充分说明了本文所提调度模型的普适性和有效性。

5 结论

本文将CSP 电站与风电和抽水蓄能电站相结合， 建立了以综合成本最低为目标函数的全可再生能源系统绿电调度模型， 其中配置储热装置的CSP 电站出力稳定、可调度性强，在对负荷供电的同时还可以在一定程度上为风电和负荷预测误差提供备用，保证电力系统的安全稳定运行。最后， 通过对风电出力典型场景下两种调度模型的结果对比可知， 在场景一中节省了46.6%的调度成本， 并且随着风电出力的减小和波动程度的加深，本文模型对风电的平抑调控能力逐渐凸显，可在提升调度经济性的同时有效促进风电消纳。