考虑净负荷不确定性的梯级水电站日前调峰模型构建

石魏敏

(广州市水务科学研究院有限公司，广东 广州 510220)

1 基于净负荷不确定性的梯级水电站日前调峰模型研究

1.1 考虑净负荷不确定性的调峰模型研究

近些年，我国社会用电量持续增长且峰谷差不断增大，伴随着新能源的高速发展，其在一定程度上降低了传统化石能源的消耗并减少了环境污染，然而风、光等新能源功率的波动和间歇影响使得电网净负荷的精准预测出现困难，这种情况较难保证电网运行的安全性和经济性[1]。新能源电力会因为干旱、雨雪等异常天气影响电力系统对用电负荷的准确预测，除此之外，清洁能源具备的波动性、间歇性和不确定性等显著特征也会对用电负荷的准确预测产生影响。因此而存在的负荷预测误差会打乱电网计划的电力平衡，进而增加了电网的控制负担[2]。与此同时，调峰电源会面临着预测峰谷和实际峰谷之间出现差异的风险，此时进行调峰有可能反而会拉大系统负荷峰谷差。因此，关于净负荷的不确定性和合理安排电力资源成为研究重点，净负荷数据的表现形式是与历史时刻相关的时序序列，可用滞后相关性来体现净负荷的数据关联性，如式(1)：

(1)

图1 DDPMM概率模型

净负荷的随机参数包含在总功率平衡约束和支路潮流约束中，可被归结为节点上的净负荷不确定量。常规发电机都具备一定的调节能力，使其能够在合理分担系统功率不平衡量的同时也能应对负荷的预测误差和波动，在一定程度上实现功率平衡和新能源功率的完全接纳。发电系统的所有在线发电机在应对净负荷波动时的调节能力以仿射形式与净负荷的波动程度相匹配[3]。对于支路潮流约束中的随机参数可以通过鲁棒线性化方法来消除。净负荷的扰动会对电力系统的运行成本造成影响，因为，其中会涉及因净负荷而调用设备的情况，此举会影响电力系统的启停成本、运行成本、备用成本、期望停电损失等，然而，并非所有净负荷扰动都需要调用设备，在其波动较小的情况下产生的影响较小，不需要做太多调整，随着波动的增加系统的各类运行成本也在增加，此时则需要酌情调整总备用。图2表示不同净负荷波动范围的总备用调整变化趋势，从图中可以清楚地反映出净负荷的波动对调整备用的影响。

图2 不同净负荷波动范围的总备用调整变化趋势

电能具有不能大量储存的特点，因此，发电部门会根据用电的需求发出电量，电负荷会因为用电需求而发生变化，在此过程中，发电部门为维持功率平衡而改变发电机的出力以适应用电负荷的变化。调峰则是一种在用电高峰时期为解决电网超负荷的情况而投入正常运行以外的发电机组，以此来满足正常需求的改变电负荷的手段。调峰也是我国电力系统一直面临的重要调度难题，作为我国能源巨头的火电装机因调峰不灵活且调峰费用高而面临的调峰压力较为严峻；风光等能源则有着较大的波动性和预测困难性，这些客观因素使其调峰过程面临着较大的挑战。考虑净负荷不确定性的调峰模型可以更准确地对系统电负荷进行预测，进而便于电力系统进行电力调度。

1.2 结合净负荷不确定性的梯级水电站日前调峰模型

与火电、风光等能源相比，水电具备清洁低耗、启用灵活等特点，是一种优质的调峰电源，能够在一定程度上保证电力的稳定运行。我国水电调峰净负荷的不确定性主要来自光伏出力预测不确定性、风电出力预测不确定性和负荷预测的不确定性。因此，在水电参与调峰时也应当考虑到风电出力时的不确定性和反调峰性，避免出现进一步拉大负荷峰谷而增加调峰压力的情况。图3表示水电调峰偏差示意图，如图3(a)所示，若按照预测净负荷，其余荷在33 h时段已经趋于平稳，但实际的净负荷却与此存在偏差，如图3(b)所示，此时若按照预测净负荷进行调峰则会出现两个新峰，表明此举未达到调峰目的，反而会威胁到电网的安全运行。

图3 调峰偏差示意图

由上述可知，本文旨在充分考虑水电调峰净负荷的不确定性，及时应对梯级水电站复杂的水利关系，以此制定更合理的调峰计划来满足电网电力平衡的需求。本次模型的构建选择场景分析法来描述净负荷的不确定性，利用多场景期望值优化来量化不确定风险，同时以余荷平均距平绝对值最小为调峰目标，如式(2)：

(2)

图4 考虑净负荷不确定性的梯级水电站日前调峰模型流程

2 考虑净负荷不确定性的调峰模型试验结果分析

试验首先将一整天划分为24个时段，选取某地区某月两日不同预测和实际风电出力过程，分别记为A、B组，A、B组的场景同属于枯期，出力变幅和梯级日总电量均保持一致，A组的日出水位略高于B组。两组风电出力的过程如图5所示，从图中不难发现两组的预测与实际都存在一定的误差，其中，A组实际与预测风功率形状在峰谷时段存在巨大差异，后针对两组风功率采用多场景期望模型对调峰结果进行分析。多场景相比单场景的计算需要添加额外变量及约束，随着聚类场景的增加，其模型的求解难度也会增加。

图5 A、B两组风功率预测和实际过程

针对风功率引起的净负荷不确定性展开研究，利用Kmeans算法聚类某月风电出力的4类场景，该4种场景在大小和形状上存在着明显差异，能够充分描述该地区该月关于风电出力的不确定性，其出现的概率分别为14%、33%、30%、27%。表1表示在不同的风电渗透率下多场景的净负荷峰谷差，从表中数据可以看出，在接入风电出力后，场景a、b、c增大了净负荷峰谷差，并且净负荷峰谷差随着渗透率的增加而增大，呈现出反调峰出力过程的特点；场景d减小了净负荷峰谷差，不过随着渗透率的增加，峰谷差先减小后增大。实际场景和预测场景两者均减小了净负荷峰谷差，但同样的随着渗透率的增加，净负荷峰谷差先减小后增大。

表1 不同风电渗透率多场景下的净负荷峰谷差

选择15%的风电渗透率作为研究背景，对上述A、B两组采用多场景分析法进行计算并分析净负荷不确定性对调峰的影响。表2表示A、B两组在实际、预测和多场景期望下的调峰指标统计值。从表中数据可以看出，处于三种场景下的水电对实际净负荷调节之后的余荷峰谷差的减小率无显著差别，但是，对于多场景期望目标函数，两组均优于预测单场景，由此可以表明，多场景期望模型下的水电调峰过程与实际场景下的出力过程更为相似，同时也验证了提出的模型对考虑净负荷不确定性的适用性。

表2 调峰结果指标统计 MW

图6表示A、B两组在不同场景下的调峰效果情况，从图中可以看出，其预测结果与实际结果没有显著差异。表明处于三种场景下水电对实际净负荷调节之后的余荷峰谷差减小率没有显著区别。与单场景预测进行对比，发现处于多场景期望模型下的水电调峰过程与实际场景下的出力过程更为相似。同时也能表明所提出的考虑净负荷不确定性的水电站日前调峰模型的有效性和适用性。试验采用Kmeans算法对某地区某月的风功率场景进行聚类，场景之间存在着显著差异，调度结果也验证了聚类结果的有效性；本文构建的考虑净负荷的调峰模型主要通过多场景方法描述了由风电出力的不确定性引起的水电净负荷的不确定性，该方法增加了模型的鲁棒性的同时也能降低因风电不确定性导致的水电错位调峰风险。由此可证明，本文所提出的模型在考虑净负荷不确定性的梯级水电站日前调峰的应用上具有重要的实际意义。

图6 A、B两组调峰结果图

3 结 论

为了改善净负荷不确定性的梯级水电站日前调峰问题，研究提出一种考虑净负荷不确定性的梯级水电站日前调峰模型。针对此模型，试验选取了某地区某月两日不同预测和实际风电出力过程，首先，对其单场景风功率的调峰结果进行分析，试验结果表明，实际结果与预测结果都存在一定的误差。随后采用Kmeans算法对显著差异的不同场景进行聚类，验证了聚类结果的有效性。试验针对风功率引起的净负荷不确定性的试验结果显示，所提模型能够充分描述该地区该月关于风电出力的不确定性，且显示出现的概率分别为14%、33%、30%、27%。试验构建的模型通过多场景的方法来描述由风电出力的不确定性而引起的净负荷不确定性，在一定程度上增加了模型的鲁棒性，降低了水电错位调峰的风险。本次试验所提出的模型在考虑净负荷不确定性的梯级水电站日前调峰方面具有广阔的应用前景，基本达到了试验目的，未来可考虑扩展不确定性因素的范畴以展开进一步研究。