电力系统中风力发电的需求响应和灵活性提高研究

谢永胜，周 专，魏春霞，常喜强，张 锋

（1.国网新疆电力有限公司，新疆 乌鲁木齐 830002；2.中国电力科学研究院有限公司，北京 100192）

0 引言

灵活性是电力系统在所有时期响应供需变化并平衡它们的能力[1]。由于不可预见的网络组件突发事件以及电力供应侧可再生能源的不确定性，难以实现灵活性的平衡[2]，[3]。为了提高电力系统的稳定性，应根据单元的约束，将一些生产机组安排在非最佳发电水平[4]。此外，灵活的需求资源和系统操作可以支持网络灵活性。为了应对供需双方的重大变化，网络组件应灵活运行，使得运营成本在合理范围内提供不间断的服务[5]。

需求响应（DR）作为未来智能电网的基本要素，不仅可以减轻不确定的可再生能源资源的影响，还可以用于降低新能源价格[6]。文献[7]采用DR，使客户在面对可再生能源渗透时具有提高网络灵活性的潜力。例如储能、停车场和DR计划等，可以提供足够的灵活性应对可再生能源的渗透[8]。文献[9]提出了一种基于信息差距决策理论（IGDT）的考虑风电不确定性的发电机组经济调度模型，该模型在不确定场景下能够实现更低的网络成本，但是没有考虑不同类型的客户在电力系统中的理想价格设计[10]。

本文提出了一个新的模型和一些约束，以表征客户恢复功能的可用性，解释各种消费者加入DR计划的准备程度如何影响他们的经济盈利能力以及具有高风力发电份额的电力系统的灵活性；提出了一个两阶段安全受限的单位承诺（SCUC）计 划，旨 在 通 过 最 佳 的 实 时（RT）定 价 方案提高系统的灵活性。本文提出的可靠性评价方法是一种混合整数线性直流最优潮流，该潮流可以在广义代数建模系统（GAMS）中建模，并使用CPLEX作为强大的混合整数线性规划求解器进行求解。本文开发了一种用于确定最佳RT关税率的定价算法，最大限度地降低运营成本。旨在通过规划发电机组和响应式消费者来提供必要的灵活性，以便在面对风力发电不确定性和网络突发事件时提供网络稳定性。该模型研究了两种不同消费者在考虑风电不可靠性和应急条件下对电网运行的影响。

1 需求响应（DR）

引入适应性强的安全约束调度结构能够优化供需双方的运行，两阶段随机规划用于最有利的供应侧规划。初级阶段决定了系统提前一天的市场输出；第二阶段测量风力发电组件中断和风力发电的不确定性，以便提前一天获得市场出清。使用负荷经济模型，在公式中包括需求方参与。

初始需求概况、消费者弹性数据及其参与率作为所需输入。在计算了每个负载总线和时间段的RT速率之后，供应方计划部门有一个输入，即重塑的需求。因此，目标函数将弹性的影响视为负荷的变化和负荷脱落量，这些值会影响储备值。需求侧和供应侧之间的连接可以保证可接受和适应性强的电力系统运行。最后，提取与独立系统运营商（ISO）的经济性和灵活性操作目标相关的输出变量作为输出。图1为配电网的监测运行示意图，其中STO为输电系统运营商，DSO为配电调度中心。

图1 模型示意图Fig.1 Model diagram

1.1 需求响应模型

PEM是DR建模中最实用的方式，可以代表消费者的行为和偏好。在这个模型中，需求弹性可以表征为需求相对于周期内价格偏差的第t个区间t′的 变 化。

式 中：Ett′为 需 求 弹 性；t小 时 的 基 本 价 格；dt为t小时的需求量。

需求弹性包括单周期和多周期响应。单周期响应涉及持续期间，它会在相应的时间间隔内更改能量使用情况，并且无法将负载转移到其他周期。在多周期响应中，客户可以根据电价在任何周期内更改其使用情况。在多周期响应建模中，弹性因子包括自弹性值和互弹性值。

在RT需求响应计划中，高峰时段设定了最高价格。它明确了能量率与负载之间的关系，新能源价格增加可以在高峰时段使负载曲线变平。

1.2 定价方案

要找到合适的定价方案，必须考虑几个限制。设计一个DR计划，以充分利用最大的需求响应潜力和消费者对灵活性改进的响应能力。因此，假设最低价格是为最低需求期设计的，ISO应根据需求提高电价，直到达到最高的消费量。

通过这种方式，鼓励消费者将负载使用时间转移到最低价格段。因此，在DR计划实施后，负载配置文件更平坦，负载卸除量更少。对价格变化（δπbt）制 定24个 限 制，如 式（3）所 示。

式中：πbt为t小时的基本价格。

与其他时间相比，应设置更大的 δπbt小时数。对于t=2～8h，δπbt应该是负数，这意味着电价比统 一 费 率 便 宜；对 于t=1，9，15，16，23，24h，δπbt设置为0；而对于其他时间设置为正数，这意味着消费者面临的电价高于统一费率。式（4）显示了客户改变负载的最高容量，以及在不同时间间隔和每条总线上可以更改的最大负载量。

式（5）表明，在需求响应消耗期间，每家负载的整体能量使用必须保持不变，以确保用户的便利性。换句话说，负载从高峰时段转移到低负荷和非高峰时段。实际上，在更高的价格下消耗更少的电力，可转移的负载将其用电量转移到较低的价格小时数。

式中：NT为小时数。

1.3 目标函数

这部分给出了SCUC问题的结构，考虑了可靠性措施和需求响应。目标函数是预期运营成本，包括两个阶段，如式（6）所示。初级阶段计算电力市场成本，包括发电、下行和上行储备以及启动成本，以清除前一天的市场。与情景实现相关的下一阶段包括每个风力发电组件中断和风的不确定性的可能性、强制性的负荷削减成本以及每个情景中重新安排的下行和上行储备。

式中：TC为发电机组的贡献；NG为发电机组的数量；Cgt为t时 刻 的 最 小 燃 料 成 本，$；Igt为 发 电 机 组G在t时刻的二进制状态；，分别为机组G在t时刻的预定上旋、下旋储备量，MW；为场景s在t时刻机组G部署上旋储备，MW；ρs为情景s中的停电概率；为总线b在t时 刻 的 损 失 负 荷 值，$/（MW·h）；NB为 系 统 总 线 的数量；为在情景s中t时刻母线b的甩负荷，MW；，分别为场景s中风电机组w的并入功率、功率，MW；为机组G在t时刻的启动成本，$；为机组G在t时刻的上旋备用成本，$/（MW·h）；，分 别 为 机 组G在t时 刻 的 下旋、上 旋 储 备 成 本，$/（MW·h）；VFIT，Vcrt分 别 为FIT值、放 弃 风 能 的 价 值，$/（MW·h）。

上网电价（FIT）不会在短期内激励可再生能源的市场有效参与，目前人们普遍认为FIT可以吸引对可再生能源的投资。因此，本文考虑了FIT机制来说服风力发电装置为发电做出贡献。

线性分段样式的增量成本函数可以以热单位显示燃油费用。在仿真时间t内的发电成本为

式中：Pgt（m）为线性化燃料成本曲线中m段的发电量，MW·h；NM为风力发电机组数量；机组G的最小燃油成本，$/h。

为了定义与电力市场相关的主要阶段约束，忽略了以下场景。

②下行和上行储备的局限性

下行和上行储备确保了系统对需求侧和供应方变化的可靠性。

③发电机组爬坡上限和下限

④生产单位的上下时间限制

⑤有功功率平衡极限

⑦供应方的总发电量应满足需求侧的总能耗

⑧场景下有功功率平衡的限制

每条总线的功率平衡应由每个事件中的负载块和发电机组来保证。直流功率流方程为

式中：γ和χ为两个二进制参数，分别用于显示传输线和生产单元的可访问性。在组件中断期间，其值为0；当没有组件中断时，其值为1。

对于发电机组G，如果G中断，在情景s中，G的储备状态 μgs为0，否则将其视为1。

⑨负载脱落约束

在每种情况下执行RT需求响应程序后，每条总线上的调整负载应保持在负载减少量以上。

式中：dbt为实施DR后，总线b在t时刻的需求量，MW。

⑩输电线路功率限制

对于每条线路，流经线路的功率流应考虑输电流量限制。

式中：Pl为发电机组l的最大输出功率，MW。

风力发电机组存在总风电容量大于每个风电场的合并电量的局限性。值得注意的是，每个风力发电机组的预定功率都是正值。因此，风力发电容量大于风电场合并和电力的总和。

1.4 可靠性评估

本文利用电力期望（ELNS）指数测量系统的可靠性。式（24）通过将每种情况下的负载脱落值和元件损失的合理性相乘来计算ELNS。ISO设定的最高允许量的ELNS保证了发电和用电规划的可靠性。

式中：ELNSt为可靠性。

2 测试系统

图2所示为IEEE79总线测试系统。其中包括26台发电机组、2个风电场、38条输电线路，总负荷为2670MW。每小时负载曲线分为3类：低 消 耗（2～8h）、非 高 峰（1，9，14～16，23，24h）和峰 值（10～13，17～22h）。每 个 生 产 单 位 的 最 大 增 量能源生产成本的价值应该是部署的上、下旋转储备。考虑到可再生能源的大规模整合，应该使风电场 提 供 总 发 电 能 力 的30%（1200MW）。

图2 测试系统单线图Fig.2 Single line diagram of test system

新能源补贴值和风电成本应分别为20美元/（MW·h）和35美 元/（MW·h），风 电 成 本 高 于 新 能源补贴值，以ISO纳入最大可及的风力发电。本文还开发了放置在不同地理位置的风力发电机的发电模型，这种策略对于没有足够历史信息的风电场位置非常有用。在第一阶段，采用蒙特卡罗模拟（MCS）和轮盘赌机制进行自适应场景制作，对网络突发事件和负载变化的随机性能进行建模。轮盘赌机制为相应的场景选择负载不确定性及其概率分布。同时，基于其他不可预测性源的网络组件的强制中断率（FOR）实现了MCS，假设网络单元的概率分布和FOR可用。

损失负荷值（VoLL）是负荷脱落分配率中起突出作用的关键因素之一，其值可能会因客户类型、时间、持续时间、提前通知时间以及中断的其他特定功能的改变而改变。在实践中，一些工业消费者拥有更高的VoLL，与VoLL较少的消费者相比，他们准备花更多的钱来获得更高的安全级别。因此，VoLL的计算需要对每个网络进行全面研究。VoLL通 常 为0～53907美 元/（MW·h），当VoLL为100～1000美 元/（MW·h）时，未 供 应 的 能量会随着急剧的斜率而减少。高峰时段的高VoLL会给系统运营商带来过高的成本，而系统运营商可以管理DR计划以减轻如此高昂的费用。经营者可以对未达到的负荷进行处罚，处罚幅度等于市场价格的2倍、5倍。当处罚变得很高时（类似于VoLL），运营商可能更愿意对某些负载应用DR，而不是支付罚款。基于此，本文统一费率为0～23.4美 元/（MW·h），将VoLL设 置 为 非 高 峰 时段，几 乎 是 统 一 费 率 的10倍[200美 元/（MW·h）]，高 峰 时 段 的 金 额 较 大[300美 元/（MW·h）]，低 负 载小 时 数 的 金 额 较 小[100美 元/（MW·h）]。

3 仿真结果

拟议框架的目标是通过计算每小时的RT费率来确保网络的可靠和灵活运行，其中能耗应保持 不 变[式（7）]。

为了评估所提出模型的有效性，本文考虑了4个案例研究，从技术和货币角度提供运营灵活性。其中：案例1考虑了风电的不确定性和统一费率的关税；案例2与案例1类似，只是在这种情况下，RT程序计算中包含DR。RT关税经过优化计算，以获得最低的运营成本；案例3也与案例1类似，另外包含了使用N-1准则的风力发电场景和组件意外情况；案例4与案例3类似，但在案例中合并了DR。

3.1 案例1：风力发电变化对无DR发电规划的影响

本案例采用统一费率定价方案，考虑了风电不确定性对系统运行的影响。必要的灵活性完全由传统的供应侧发电厂通过运营储备提供。在这种情况下，整个运营成本和客户的付款分别为749345美元和1226616美元。

图3和图4显示了案例1和案例2情况下每小时消费概况和运营成本之间的相似性，其中，DR为需求响应，W/O分别代表风力发电和消费者用电量。客户的付款按每小时RT价格和RT消耗的总和进行计算，风力发电导致的非自愿负荷脱落量计算为总电力需求的0.088%（2.35MW·h）。

图3 案例1和案例2的消费概况Fig.3 Consumption profiles of cases1and case2

图4 案例1与案例2运营成本比较Fig.4 Comparison of operating costs of case1and case2

图4为两种不同类型的消费者的每小时总运营成本，它显示了所提出的调度模型通过将负载转移到低负载时间来降低峰值间隔的运营成本的效率。像LR这样的消费者能够在更长的时间内改变他们的消费习惯，从这种改变中获得更多好处。

3.2 案例2：考虑DR的风电功率变化对发电侧调度的影响

本案例采用RT定价方案，考虑了风电波动性对系统运行的影响。供应方和需求方合作提供了必要的补充灵活性。

本文认为所有响应消费者（10%）都是短距离消费者 （SR），在当前时间间隔内改变他们的需求，以响应相应时间的价格变化。这些客户不会优化消耗，他们的PEM仅由不同数值的对角线元素组成。因此，整个业务费用和客户付款分别减至745240美元和1102099美元。与案例1相比，运营成本降低了1%，客户付款减少了10%。由于风力发电和弃电导致的非自愿负荷脱落量分别计算为总电力需求的0.076%（2.05MW·h）和0.23%（6.21MW·h）。与之前的情况相比，减载量和运营成本的降低证明了需求响应实施在灵活性增强方面的适用性。

不同类型的消费者可能是参与需求响应的远程消费者（LR），这些消费者在几个小时内转移他们的使用，在最大可接受范围内优化消费。换句话说，他们的感知从当前时间间隔进入过去（第1小时）和未来（第24小时）。据推测，响应消费者中有一半是SR，另一半是LR。这意味着有5%的消费者是SR，5%的消费者是LR。因此，总运营成本为724877美元，与案例1相比减少了4%。

表1为案例2中计算出的不同客户的RT最佳定价。图3中调整后的消费概况表明，与案例1相比，峰值间隔中的载荷下降，低载荷间隔中的载荷增加。事实上，高峰时段的高RT速率会激励消费者改变其消费行为。

表1 案例2中的最佳定价Table1 Optimal pricing in case2$/（MW·h）

案例1和案例2中的运营成本如表2所示。值得注意的是，尽管针对不同的负载总线计算了各种RT速率以达到最佳解决方案，但由于数据量很大，本文仅报告平均小时速率。对于SR，由于采用了适当的RT定价方案，每小时负载标准偏差和平均峰值分别从329.89MW和2476MW减少到288.11MW和2365MW，其中平均价格从23.4 美元降低到21.3 美 元。

表2 案例1和案例2中的运营成本Table2 Operating costs in cases1and cases2$

这些结果证实了需求侧灵活性的潜力，即在具有高风力渗透率的系统中提供更平坦的负载曲线。对于将LR和SR放在一起考虑的情况，每小时负载标准差和平均峰值分别降至264.56MW和2301MW。

在支持风力发电并入方面，LR比SR有更好的选择，因为在面对风力发电不稳定的情况下，风力发电成本降低和非自愿负荷削减。

值得注意的是，与案例1相比，案例2中SR的储备费用增加是由于容量储备成本和部署储备成本增加。这可能是由于在低负荷和非高峰时段需要更多储备，而高峰负荷则被转移到了这些时段。如果有可削减的负荷，对储备的需求就会减少。此外，尽管在面对风电的不确定性时，由于减少了风电溢出，负载转移策略是促进风电并网的有效策略，但FIT成本增加，与案例1相比，这将增加案例2的总风电成本。

3.3 案例3：风力发电变化和组件突发事件对无DR发电规划的影响

本案例考虑了风力发电的不确定性，以检查统一费率价格方案下的最佳供应侧调度。

在这种情况下，运营商应通过供应方UC提供必要的补充灵活性,由此获得UC的总运营成本为1157330美元。与案例1相比，运营成本增加了54%（407985美元），这是由于ISO必须每天24h发送最昂贵的设备，以保持不间断的服务，同时减少负载。提供卓越的灵活性水平会给系统操作员带来一些额外的成本，因为峰值负载单元启动并在非经济效率点工作。此外，强制减载而导致的客户舒适性成本被添加到总运营成本中。计算出的强制负荷削减量为系统总负荷的15.32%（409.08MW·h），可能带来消费者不满和额外成本。这意味着ISO需要一些修复措施，例如DR实施或使用存储来降低客户的不满和运营成本。

3.4 案例4：考虑DR的风电变化和组件突发事件对发电规划的影响

本案例分析了由于供应方和需求方协作而考虑组件意外情况和风能不确定性的结果，从而提高系统的灵活性。使用有效的RT程序将需求侧调度部分包含在问题中。使用SR实施RT程序可将总运营成本降至1067223美元（占案例3的92%），并通过将甩负荷值降至52.14MW·h（占案例3的13%）来增强系统灵活性。值得注意的是，如果像案例2一样，一半的响应消费者是SR，另一半是LR，那么运营成本和减载分别降至986501美元 （占案例3的85%）和39.39MW·h（占案例3的9.6%）。表3给出了每小时最佳RT速率的平均值。结果表明，在系统仅面临风不稳定的情况下，价格变化大于价格调整。

表3 案例4中的最佳实时速率Table3 Optimal real-time rate in case4$/（MW·h）

图5为系统的消费曲线。图6为案例3和案例4的运营成本比较。

图5 案例3和案例4的消费概况Fig.5 Consumption profiles of cases3and cases4

由图6可以看出，与SR相比，LR在面对组件突发事件时表现得更有效，特别是在高峰期。

图6 案例3和案例4的运营成本比较Fig.6 Comparison of operating costs between case3and case4

此外，表4中案例3和案例4的运营成本从经济技术角度验证了增强电力系统运行的补充灵活性。在案例3中，某些代总线在所有调度时间内提交，而操作员将其他总线安排在调度范围的近一半时间内安排其他电力。

表4 案例3和案例4的运营费用Table4 Operating costs for cases3and cases4$

在案例4中：当SR参与DR时，每天只提交4h不同的单元，因此电力公司的重复承诺和重新承诺增加了启动成本；而当一半的消费者是LR时，所提到的电力公司根本没有承诺。与其他案例相比，启动成本降低了。

由于SR和LR的参与，能源成本降低可以适用相同的理由，此外，减载成本分别降低了近87%和90%。因此，在紧急情况下，LR可以更有效地帮助系统。

4 结论

本文模拟了一种安全约束的UC结构，以便在面对风的不确定性和组件突发事件时协调供应方和需求方的运行。考虑到客户的行为，设计了最佳的RT定价方案，以促进需求方的响应能力，并协助ISO最大限度地降低总运营成本。仿真结果表明，需求响应实施在发电侧和需求侧调度方面实现了类似的灵活性水平，传统机组可以以较低的成本访问。SR的网络成本降低了8%，可靠性提高了88%。SR/LR的运营成本降低了15%，负载削减值降低了90%。由于DR的实施，平坦负载曲线和平均RT价格降低了10%，表明所提出的模型在克服电网问题 （如网络中断和可再生能源的不确定性）方面的价值。