旋转备用容量（共5篇）
旋转备用容量 篇1
0 引言
电力系统旋转事故备用是指所有投入运行的发电机组可能发出的最大功率之和与全系统发电负荷之差[1]。为了维持电力系统可靠运行, 电力系统必须配置一定容量的旋转事故备用以保证一次调频的正常运作, 满足各种事故情况下的系统有功需求[2]。旋转事故备用容量过小, 则事故时频率偏移过大, 对用户、发电厂乃至电力系统本身将造成不利影响[3];反之, 则系统运行成本高, 经济性差。合理的旋转事故备用容量配置方案, 应该是满足基本安全水平的最低 (最经济) 备用容量要求。
目前, 国内各电网公司在旋转事故备用容量选取方面的规定沿袭了《电力系统技术导则》的要求, 即按最大发电负荷固定比例 (经验值为4%~5%) 选取[4]。随着系统规模的扩大及电力装备水平和控制技术的进步, 上述经验值缺乏足够的理论依据, 难以计及各电力系统的特点和差异, 已与系统实际最低旋转事故备用要求不符, 影响电力系统运行经济性。
目前关于旋转事故备用容量配置 (即事故备用中的旋转备用要求) 的系统性研究分析较少, 多侧重于旋转事故备用容量在机组间分配的优化, 对电网规划、运行工作指导意义较小:文献[5-6]对比综述了目前国内外的旋转事故备用容量评估方法, 指出了国内现行确定性方案的不足。关于旋转事故备用容量水平优化的研究主要围绕运行经济性与安全性展开:文献[7-11]评估了旋转事故备用容量配置方案的运行经济性, 以运行成本 (包括发电成本、备用成本与停运成本) 最小为目标函数, 以系统稳定运行参数为约束进行优化求解;文献[12-14]根据故障下系统的暂态频率指标对旋转事故备用容量配置方案进行评估, 从调频能力量化分析旋转事故备用容量充裕度, 为备用在机组间的分配提供参考。
本文对中国、北美与欧洲等各个国家或地区的旋转事故备用容量配置标准进行系统梳理与分析;提出了确定最低旋转事故备用容量要求的最大频率波动、最大稳态频率波动、故障扰动恢复时间以及参考事件指标;研究了指标的取值原则及计算方法;分析了旋转事故备用配置过程需考虑的模型参数。研究成果对未来完善国内相关标准具有参考价值。
1 国内外旋转事故备用容量标准概述
1.1 国内旋转事故备用容量标准
国内各电网在旋转事故备用容量选取方面遵循《电力系统技术导则》的要求, 现行规定包括国家电网的《电网运行备用容量调度管理规定 (暂行) 》和南方电网的《中国南方电网运行备用管理规定》。规定内容基本一致, 具体如下。
电力系统备用容量包括负荷备用、事故备用和检修备用。其中事故备用是指能在规定时间内有效投入运行的容量, 其大小不小于单一事故中可能失去的发电容量, 根据经验规定为最大发电负荷的8%~10%, 其中50%是在频率偏离正常范围时能自动投入工作的旋转事故备用容量, 即旋转事故备用容量取为最大发电负荷的4%~5%。
目前国内各省电网旋转事故备用实际承担着一次调频与故障扰动恢复的任务[15]:一次调频备用由区域电网共享, 各省按照一定比例进行分配;各省事故备用遵循不低于本省内最大单一故障容量的原则, 根据最大发电负荷固定比例确定, 其中旋转事故备用与其他电网通过网间联络线可提供的事故支援功率之和不小于最大单一故障容量[16]。
1.2 国外旋转事故备用容量标准
目前各国电力系统的特点和市场机制各不相同, 对旋转事故备用部分的职能与容量要求也各有差异, 下面对北美及欧洲地区的相关标准进行梳理总结。
1) 北美旋转事故备用容量标准介绍
北美电力系统从可靠性标准角度对旋转事故备用容量标准进行规定。北美电力系统可靠性标准由上至下可分为4级标准:NERC (北美电力可靠性公司) 标准、RRO (区域可靠性) 标准、ISO (独立系统运行机构) 标准和PTO (发电公司) 标准, 其中前3类标准对备用容量参考价值较大, 以下进行简单介绍[17]。
NERC可靠性标准是标准体系的核心, 辖区内所有电力机构制定的标准必须遵从NERC可靠性标准要求。NERC可靠性标准以频率偏差控制为基础, 要求各互联电网和备用共享区域电网提供足够的备用以满足扰动控制标准 (DCS) , 即事故备用应满足系统大部分单一故障下的备用容量要求, 且故障后15min内各区域需实现扰动功率的完全恢复。
RRO标准尽可能保持与NERC标准在体系上的一致性, 考虑到区域差异性, 其旋转事故备用标准可以规定更严格的条款。以NPCC (东北电力协调委员会) 为例, 其事故备用容量要求不低于最大单一故障容量, 其中旋转事故备用容量的要求根据区域内故障扰动恢复情况进行调整, 但不低于事故备用容量的25%[18]。
北美各ISO遵循NERC及RRO的规定, 根据电网特点制定旋转事故备用容量标准。运营商将事故备用分为10min备用与30 min备用, 用于满足扰动控制标准;事故备用中旋转事故备用占比等具体参数由电网运行特点确定, 典型旋转事故备用占比为25%~100%不等。
北美旋转事故备用配置标准对暂态频率指标仅进行区域上简单的界定, 规定了各区域的最大频率波动限值, 对最大稳态频率波动没有相关要求。各区域参考事件的选择方式互不相同:东部区域选取近十年最严重故障容量作为参考事件容量;西部区域和德克萨斯州则根据N-2原则进行确定[19]。具体标准如表1所示。
2) 欧洲旋转事故备用容量标准介绍
目前欧洲覆盖面积最广的输电系统组织为ENTSO-e (European Network of Transmission System Operators for Electricity) , 其旋转事故备用容量标准主要沿用了UCTE (欧洲联合电力系统) 的规程[20]。
根据UCTE的规程以及欧洲其他国家区域电网的情况, ENTSO-e将备用分为频率遏制备用、频率恢复备用和替代备用, 分别对应一次控制、二次控制和三次控制, 其中旋转事故备用由频率遏制备用和在线的频率恢复备用构成。UCTE通过参考事件下系统频率指标确定了对频率遏制备用的要求, 并采用概率性方法对参考事件的选择进行了校验;各子区域根据15min内恢复扰动功率的要求, 通过评估备用调用速度, 确定对频率恢复备用中在线机组容量的要求。
在参考事件方面, UCTE采用同时失去两台最大单机容量 (3 000 MW) , 并通过概率性方法对N-2原则进行校验:首先采用蒙特卡洛法对发电机状态进行充分抽样, 计算由于发电机组故障停运所需的一次控制备用容量概率分布;利用统计值拟合计算对应负荷波动的一次控制备用的概率分布;最后将两组备用容量概率分布进行卷积, 得到完整的系统频率遏制备用概率分布[21]。算法中通过108次蒙特卡洛模拟证实, UCTE区域内最大功率不平衡量为2 910 MW, 按照N-2原则确定频率遏制备用是完全充足的。
在频率指标方面, UCTE规定了最大频率波动、最大稳态频率波动等频率质量参数, 要求在参考事件下系统频率满足频率质量要求。通过对系统低谷负荷、负荷频率特性系数低等保守条件下的故障暂态仿真, 验证频率遏制备用的充裕性。
受到不同规模电网系统惯量、机组大小以及高压直流输电联网系统等因素的影响, 不同区域的标准参数往往不同, ENTSO-e各区域具体旋转事故备用标准、暂态指标要求的对比如表1所示。
1.3 国内外旋转事故备用容量标准对比
比较中国、北美地区和欧洲地区的旋转事故备用容量标准, 可以得到如下的启示。
1) 暂态安全性
北美、欧洲均对暂态频率指标作出了明确要求, 而中国的相关标准尚不完备。暂态频率特性直接关系到系统的设备安全与运行稳定, 应将暂态频率指标作为评估旋转事故备用的判据之一。
2) 故障扰动恢复要求
北美、欧洲结合现代互联电力系统负荷频率控制的实际, 提出了明确的扰动恢复时间的要求。配置旋转事故备用容量不仅需要完成遏制频率跌落的任务, 还应为故障后有功功率缺额恢复提供支撑。以扰动恢复时间为切入点, 结合旋转事故备用分配情况及机组爬坡能力可对旋转事故备用适用性进行评估。
3) 参考事件要求
设置旋转事故备用的最直接目的在于维持事故状态下电网的频率水平, 正常运行方式下, 系统中任一元件故障时, 不应发生由于功率缺额引起的频率崩溃, 这一点在中国、北美和欧洲的规定中都有体现。引入可信的典型故障作为参考事件, 应作为评估旋转事故备用容量水平的基本判据。
2 旋转事故备用容量配置建议
综合比较分析国内外旋转事故备用容量配置标准的研究现状与现行规程, 本文从合理配置旋转事故备用容量的角度出发, 提出基于指标选取、取值原则以及计算方法的研究方案, 为制定规范、安全、经济的旋转事故备用容量配置方案提供参考。
2.1 基本配置原则
合理的旋转事故备用容量配置方案, 应该提出满足可接受的安全水平的尽可能经济的旋转事故备用容量要求。可接受的安全水平是指旋转事故备用容量规模应满足《电力系统安全稳定导则》 (以下简称“导则”) 的要求, 即发生最大单一故障时, 系统应保持频率稳定, 电力设备安全, 且不导致低频减载。机组承担旋转备用时, 由于热效率降低、设备损耗等因素, 需产生一定的成本。旋转事故备用容量越高, 经济性越差。因此, 以满足导则的最低旋转事故备用容量要求, 作为旋转事故备用容量配置的基本原则。
2.2 评估指标选取
从频率控制与故障恢复的角度出发, 本研究提出了4个旋转事故备用容量评估指标:最大频率波动值、最大稳态频率波动值、故障扰动恢复时间与参考事件容量。两个频率指标是对系统暂态安全性的直接描述, 充分考虑了暂态频率特性对系统设备安全与运行稳定的影响[22];故障扰动恢复时间从有功功率缺额快速恢复的角度对旋转事故备用容量提出要求;参考事件容量反映了系统对可信故障事件的估计, 体现了旋转事故备用容量评估对故障风险的评估。
2.3 评估指标取值原则
1) 暂态频率指标
国内现行的正常频率偏差允许值为±0.2Hz[23], 对暂态过程中最大频率波动与最大稳态频率波动指标尚未进行明确规定。以下从系统安全、发电设备安全和用电设备安全3个方面, 研究提出建议的暂态频率限值。
系统安全方面:导则要求, 电力系统应能保持正常供电不切负荷[24]。《电力系统自动低频减负荷技术规定》中要求充分利用系统旋转备用容量, 当发生使系统稳态频率只下降到不低于49.5Hz的有功功率缺额时, 自动减负荷装置不应动作[25], 即切负荷频率上限为49.5 Hz, 对应不切负荷暂态频率偏移限值为±0.5Hz。
发电设备安全方面:汽轮机、水轮机、燃气轮机、抽水蓄能机组等均对频率运行范围有特定要求。汽轮发电机组要求在48.5~50.5Hz的频率范围内能够连续运行[26];水轮发电机组要求频率偏差不超过±1%时, 机组可按额定容量运行[27];燃气轮机对频率的要求因机组制造方而异, 以三菱/东方电机厂制造的QFR-400-2-20型号为例, 其要求发电机允许长期运行在±2%的频率范围内;抽水蓄能可逆式发电电动机则要求频率满足旋转电机的国家标准, 要求发电机能够连续运行在±2%的频率范围内[28,29]。考虑各类型发电设备的频率要求, 对应暂态频率偏移限值为±0.5Hz (±1%) 。
用电设备安全方面:国家电网公司供电服务质量标准规定, 在电力系统非正常状况下, 用电设备频率允许偏差不应超过±1%[30];IEEE 446—1995《工业和商业用的应急和备用电力系统》中规定, 在北美60Hz的工频条件下, 大多数电动机设备允许的频率偏差为±0.5Hz[31];BS EN 50160《公共配电系统的电压特性》中规定, 英国供电允许的频率偏差为±1% (±0.5Hz) [32]。考虑用电设备对频率的要求, 对应暂态频率偏移限值为±0.5Hz。
从系统安全、发电设备安全、用电设备安全角度综合分析, 最大频率波动限值应同时满足3个方面的需求, 规定为±0.5 Hz。最大稳态频率波动为暂态稳定值, 一次调频作用已经投入, 建议规定保持为频率偏差标准±0.2Hz。
2) 故障扰动恢复时间
根据中国对运行备用的管理规程, 事故备用要求在10min或15min内实现故障功率的恢复[16];NERC与ENTSO-e对区域控制偏差 (ACE) 恢复时间的要求均为15min[33,34], 这一要求与系统调度运行的时间尺度相匹配, 并得到了相关机构的认可, 是具有普遍意义的时间要求。因此, 综合考虑各项规定, 故障扰动恢复时间参考值为15min。
3) 参考事件容量
根据导则的要求, 事故备用至少应能应对单一事故中可能失去的发电容量, 具体至旋转事故备用容量配置原则, 应对单一故障为其最低要求, 因此, 按照N-1原则选择系统最大单一机组容量, 或者直流双极闭锁等可信的严重故障容量作为参考事件容量。
2.4 评估指标计算方法
1) 暂态频率指标
暂态安全性指标主要通过电力系统分析软件计算获得, 计算模型应当包含发电机、调速器、原动机等系统元件模型, 并且考虑暂态过程中自动装置的投入。计算过程中仿真周期的选取对计算结果影响很大, 步长取得较小时, 仿真结果较为准确, 但是仿真时间较长, 综合考虑计算精度与时间, 计算步长取0.5周期即可。
2) 故障扰动恢复时间
针对峰荷故障的极端情况, 考虑系统的旋转事故备用容量分配情况, 结合机组的爬坡速度以及系统的快速启动备用调用速度情况, 计算旋转事故备用理想调用状态下, 故障有功功率缺额的恢复时间。
3) 参考事件容量
除选择一阶或二阶故障最大损失容量作为参考事件容量外, 还可参考ENTSO-e的频率遏制备用容量概率性计算方法, 校验参考事件发生的可能性。
3 算例分析
以国内某省电网远景规划数据为例, 对本文提出的旋转事故备用容量配置建议方案进行仿真算例分析。算例电网采取直流背靠背的互联形式, 独立性强, 考虑一次调频作用时, 可作为区域电网考虑 (不考虑一次调频备用分配的问题) ;考虑故障扰动恢复时, 按照本省内参考事件进行分析。
将旋转事故备用容量配置建议方案的计算结果与原标准进行暂态仿真结果比较, 并分析负荷频率特性、电动机负荷比例及一次调频投入率参数对仿真结果的影响。
3.1 备用容量配置建议方案
系统最高负荷87 867 MW, 参考事件为5 000 MW的直流双极闭锁故障。以300 MW为步长, 对序列旋转事故备用容量配置方案在理想旋转事故备用投入率情况下的暂态频率指标进行仿真计算, 结果如表2所示。
其中最大频率波动与最大稳态频率波动 (分别对应表中下冲频率与暂态稳定频率的偏移量) 均在2 700~3 000MW旋转事故备用段跨过各自的建议限值, 计算其交点可得, 最大稳态频率波动对应旋转事故备用容量结果较大, 为保证两个指标同时满足频率限值要求, 主要考虑最大稳态频率波动指标对旋转事故备用容量结果的影响。
根据仿真结果可以得到如图1所示的参考事件故障下, 系统最大稳态频率波动与旋转事故备用容量的关系曲线。该曲线是关于旋转事故备用容量的单调曲线, 随着旋转事故备用容量的增大, 最大稳态频率波动值逐渐减小。通过寻找±0.2 Hz稳定频率波动限值与关系曲线的交点, 可以求取满足最大稳态频率波动要求的最小旋转事故备用容量, 可求得最小旋转事故备用容量需求为2 987 MW。
理想运行方式下, 2 987 MW旋转事故备用由所有在线机组共同均摊, 具体到本例, 扣除直流送入容量与核电机组容量 (核电不参与一次调频) 后, 系统在线机组装机为52 667 MW, 旋转事故备用占比达到5.67%。根据仿真中的调速器参数, 火电机组一次调频最大调整量为额定负荷的10%, 水电机组为20%~30%, 旋转事故备用占比远低于设置参数值, 因此, 2 987 MW为旋转事故备用完全调用情况下的评估结果。图2所示为区域内某1 000MW煤电机组的旋转事故备用调用情况。
旋转事故备用由部分在线机组承担的情况下, 由于单机一次调频最大调整量的限制, 旋转事故备用可能无法完全调用, 得到的旋转事故备用容量评估结果将高于2 987 MW。系统实际运行时, 需结合旋转事故备用分配情况, 以及一次调频调整量的相关规定具体分析故障扰动恢复性能[35]。由于该运行方式下系统中配置有2 400MW抽水蓄能形式的冷备用, 综合在线机组的爬坡速度和抽水蓄能机组的启动、带负荷速度, 该运行方式下系统的旋转事故备用配置能够满足15 min故障扰动恢复时间的要求。
由于算例电网直流背靠背的互联特殊性, 该评估方法较适用于不考虑一次调频备用分配的情况, 即适用于评估区域电网的旋转事故备用, 实际规划时可在此基础上分配至下属各省;对于孤网形式的省份, 该方法同样适用。此外, 对于国内的大部分省份, 抽水蓄能机组的主要作用是调峰, 无法作为固有的非旋转备用资源, 电网应结合快速启动备用的具体配置情况进行评估, 不足的情况需要额外配置旋转事故备用。
3.2 方案比较
根据原国家标准对旋转事故备用容量配置的规定, 按照最大负荷的固定比例进行旋转事故备用规划, 易得算例中电网的旋转事故备用容量配置标准为4 393 MW。利用该标准对电网进行旋转事故备用配置, 并与本文提出的建议方案进行比较, 可得两种方案下暂态频率指标的对比结果, 如表3所示。
与原国家标准相比, 本文所提出的旋转事故备用配置方案在参考事件下的最大频率波动指标与最大稳态频率波动指标, 均在暂态频率偏差建议限值范围内, 且与国家标准基本持平。比较结果表明, 本文提出的配置建议方案能满足导则要求, 且更为经济。
3.3 敏感性分析
制定合理的旋转事故备用容量配置方案, 不仅需要关注旋转事故备用容量水平, 还应考虑调速器死区、调差系数、机组构成等模型参数对系统暂态频率特性的影响[36,37], 其中负荷特性与负荷模型构成尤为重要。算例中改变电网负荷频率特性参数KL与电动机负荷比例MP, 分析其对系统频率特性与旋转事故备用配置结果的影响。
1) 负荷频率特性
图3所示为不同负荷频率特性参数下, 电网的最大稳态频率波动指标关系曲线与相应的旋转事故备用配置结果。
仿真结果表明, 随着KL的增大, 负荷在频率下降过程中从系统吸收的有功功率减少得更快, 有利于系统的功率平衡和频率快速恢复, 系统频率恢复能力的增强, 导致最大稳态频率波动关系曲线整体上移, 满足频率波动要求的最小旋转事故备用容量降低;反之, 当负荷频率特性参数减小时, 最小旋转事故备用容量提高。因此, 负荷频率特性参数KL越大, 对系统频率恢复越有利, 所需的旋转事故备用配置容量越低。
2) 电动机负荷比例
图4所示为旋转事故备用配置容量为2 987 MW时, 最大稳态频率波动与电动机负荷比例的关系曲线。
仿真结果表明, 最大稳态频率波动关于电动机负荷比例呈单调关系, 在 (0, 0.7]比例区间内, 随着电动机负荷比例的增大, 暂态稳定频率单调递增, 最大稳态频率波动递减, 最小旋转事故备用容量需求降低。
与静态负荷相比, 电动机负荷出力受频率影响较大, 如果电动机所带机械力矩与转速无关, 则电动机出力与频率成正比例关系。系统发生有功功率缺额故障时, 系统频率的降低导致电动机负荷的下降[38], 间接形成对有功功率缺额的补偿, 相对静态负荷, 电动机负荷更有利于电网频率的恢复。因此, 电动机负荷比例越大, 最小旋转事故备用容量需求越低。
上述算例分析表明, 本文提出的旋转事故备用容量的配置建议方案能够保证单一故障下暂态频率指标满足运行要求, 在规定时间内恢复有功功率缺额, 降低旋转事故备用配置投入。模型参数的敏感性分析模拟了电网中各种非理想的运行状况, 规划中可结合电网实际的负荷频率特性参数KL、电动机负荷比例MP, 以及一次调频投入率进行分析, 为制定适合电网的旋转事故备用容量配置方案奠定基础。
4 结语
目前国内电力系统的旋转事故备用容量配置标准存在较大的改进空间。本文从指标、原则、方法3个方向对国内、北美与欧洲地区的旋转事故备用容量配置标准进行了系统性分析与梳理, 揭示了参考事件容量、暂态频率与故障扰动恢复时间等影响旋转事故备用配置的关键指标, 研究提出了一种基于绩效的旋转事故备用容量确定方法, 并通过算例与现行标准进行比较分析, 验证了所述方法的适用性。本文提出的旋转事故备用容量配置原则与计算方法, 填补了国内旋转事故备用容量研究的空白, 对电力系统运行具有较大的参考价值。
摘要：合理安排旋转事故备用容量是保证电力系统安全、经济运行的重要措施。随着电力系统的发展和电力技术的进步, 现行的旋转事故备用容量配置原则亟须改进。文中对国内外旋转事故备用容量配置标准进行了系统梳理与分析, 从系统频率响应对备用容量的需求出发, 提出了旋转事故备用容量配置方案的设计原则、评价指标及评估方法, 给出了建议的指标取值范围。最后, 以某省规划网架为算例, 仿真验证了研究方法的合理性。研究成果对完善电力系统规划、运行标准具有参考价值。
关键词：旋转事故备用,容量配置,暂态频率指标,故障扰动恢复时间,参考事件,电力系统
旋转备用容量 篇2
相比于传统能源发电,风能不会排放CO2,SO2及氮氧化物等有害气体。因此,在当前着力寻求一种清洁能源来解决环境污染、传统能源枯竭等重大难题背景下,风能获得了迅猛发展。据世界能源机构估计,到2030 年,全球风电装机容量将达到4 500GW[1]。然而,随着大容量并网风电场不断接入电网,给系统频率的安全稳定运行带来了严峻挑战。为了减小电网因增加辅助服务而造成额外的经济负担,欧洲国家电网部门明确规定大型并网风电场必须具备一次调频能力,并能够主动参与电网的旋转备用控制过程[2]。然而风电场出力的随机性与间歇性,使其不能采取与传统发电厂一样的方式参与电网调度[3]。因此在保证风电场有功备用容量可靠的前提下,尽可能减小风电场弃风代价,无论对于电网,还是风电场运营商,都有着重大的意义。
目前国内[4,5,6]、国外[7,8]已有一些文献开始致力于风电机组乃至整个风电场的旋转备用控制技术研究。其中,文献[6]基于风电场接入后对电网运行备用需求的影响及其性质进行了分析,并提出了一种基于风险的风电备用需求决策方法,能够充分调动发电机组的控制性能。但仍然属于传统意义上的调度算法,并没有考虑将存储在风电机组中的转子惯性动能作为旋转备用容量。而根据最新研究以及实际试验运行结果表明,风电机组中可观的转子惯性动能可以参与到电网频率调节或者紧急备用中来[9]。文献[7]则对单台变速风电机组的减载运行特性进行了较为详细的分析,发现通过共同协调优化变速风电机组的转子转速与桨距角,可以使其在指定减载率下,运行在转子动能最大点,从而保证该风电机组具备最大旋转备用容量。文献[8]跟前者相似,稍显不同的是两者的优化目标不同,该文旨在实现相同的旋转备用容量前提下,通过优化发电机转速与桨距角,使风电机组的弃风量最小。但两者都只简单地考虑单台风电机组的旋转备用控制过程。然而随着大型并网风电场的不断接入,电网更加关心的是整个风电场的旋转备用容量执行能力[10,11,12,13]。
在文献[8]基础上,本文进一步将变速风电机组转子惯性动能纳入到风电场旋转备用容量范畴。首先按照风速大小将风电场进行机群化分;然后对各机群的风电机组转子转速和桨距角进行协调优化控制;最后由风电场控制中心向各风电机组下发优化结果并执行,从而完成本文提出的旋转备用容量优化控制过程。其中,当风电场控制中心接收到的是旋转备用容量指令时,执行备用优化运行模式,最大化地降低风电场弃风量;而当接收到减载运行指令时,将执行调度优化运行模式,最大化地向电网提供旋转备用容量。
1 考虑惯性动能后的风电场旋转备用容量
按照传统时间尺度分类,电网备用容量可划分为[6]:一级备用(也称旋转备用)、二级备用、三级备用。其中旋转备用容量是指由频率波动自动引发的秒级备用。对于传统同步发电机,其转子转速与电网频率同步,具备自发的惯性响应能力,对电网稳定运行起着重要作用;而对于大型(兆瓦级以上)变速风电机组,其转子转速与电网频率完全解耦,不具备惯性响应能力。但由于大型变速风电机组转子转速可以在较宽转速范围内调节,具备比同步发电机更为可观的转子动能,并通过辅助控制参与到电网频率调节中去[9,14]。因此,存储在大型变速风电机组中的转子惯性动能就可作为风电场旋转备用容量。
为使风电场能主动参与电网频率调节或紧急备用,一般都是通过控制风电场部分或所有风电机组减载运行[15],从而留有一定旋转备用容量。本文将重点研究风电场旋转备用容量优化方法,并将存储在变速风电机组转子内的惯性动能纳入到风电场旋转备用容量范畴,从而赋予风电场旋转备用容量新的含义。变速风电机组在减载运行状态下的典型一次频率动态响应过程见图1,其中:Pgen为变速风电机组输出的有功功率;Pmec为风力机捕获的机械功率;Tresponse为一次频率响应时间,一般取30s;A点对应初始响应时刻tstart,对应起始功率和转速分别为Pdel0和ωdel0;D点对应频率响应结束时刻tend,此时变速风电机组输出功率刚好达到最优功率Pmppt、转子转速为最优转速ωopt;阴影区域面积SADE为可利用的纯机械减载容量;阴影区域面积SABCD为可利用的转子惯性动能;总阴影区域面积SABCDE为本文定义的变速风电机组旋转备用容量。显然风电场旋转备用容量为所有风电机组旋转备用容量之和。
2 风电场旋转备用容量优化模型
图2为某类单台变速风电机组的典型减载运行特性,可以看出在同一减载率del(5%,10%,15%,20%,30%,50%)下,通过共同协调优化控制发电机转速ωr和桨距角β,可使其运行在叶尖速比λ(见式(1))最大点处,也即转子惯性动能 ΔEk(见式(2))最大运行点上[7]。因此也可以推断,尽管整个风电场内流经各风电机组的实际风速不完全相同,但当在执行调度部门下发的旋转备用容量指令ΔP*WFmargin或减载率指令值del,0时,也同样能够找到整个风电场各风电机组转子动能总和最大运行点。换而言之,当风电场执行旋转备用容量指令时,通过优化控制,总能使风电场的纯机械减载容量最小,即风电场弃风量最小;或者当弃风量一定时,实现风电场旋转备用容量最大。
式中:ωdel为变速风电机组减载运行时转速;R为风轮半径;Vw为当前实时风速。
式中:H为变速风电机组的惯性时间常数。
为了更加清晰地阐述本文核心思想,首先做出了一些合理的假设:某风电场安装了同一型号的双馈风电机组,并按典型的M行、N列排列分布。并假定受风力机尾流效应的影响,流经各风电机组的实际风速表达为[10]:
式中:Vw0为来风方向上的初始自由风速;x为风电机组所在行(列)距离第一行(列)的距离;kw为常系数,一般取0.08。
本文具体引用尾流效应风速模型来计算风电场各风电机组实时风速,也可以直接采用由风电场控制中心提供的实时风速数据,这对优化模型的建立并没有实质影响。再按照经过风电场内各风电机组实际风速大小进行机群划分。假设自由风是从第一行吹向最后一行,那么整个风电场可以划分为M个机群,且每个机群对应有Ni台双馈风电机组,i=1,2,…,M。而根据风电场实际运行经验,常会碰到两种常见的运行场景:①风电场控制中心接收到调度主站下发的“0:旋转备用容量指令”;②风电场控制中心接收调度主站下发的“1:减载指令”。
本文针对两种场景分别制定了对应的优化备用运行方式:①备用优化运行模式,旨在完成指定旋转备用容量的前提下,最大化地减小风电场弃风量,从而使风电场获取更大经济利益;②调度优化运行模式,风电场旨在按指定减载率指令运行,并能最大化地向电网提供旋转备用容量。图3为本文提出的考虑惯性动能后风电场旋转备用容量优化方法的控制决策框架图,风电场控制中心将根据调度主站指令主动选择优化运行模式,并调动对应优化模型进行计算;最后将优化结果分发给各风电机群并执行。
2.1 备用优化运行方式
本小节将重点介绍备用优化运行方式及其数学模型。假设风电场内各风电机群的风电机组实际风速大小分别为Vw(i)(i=1,2,…,M);然后查找最优风速—转速—功率静态曲线,获取各风电机群内变速风电机组的最优转速 ωopt(i)、最大可输出功率Pmppt(i);假定在备用优化运行方式下,通过优化后,得到的各风电机群内变速风电机组的转子转速及桨距角分别为ωdel(i)和βi。因此可建立备用优化运行方式的数学模型如下。目标函数:实现风电场弃风量最小化,具体可用式(5)进行描述。
式中:PWFmppt为风电场在当前风速条件下最大可输出有功功率;PWF为优化后风电场实际可输出有功功率;ρ为空气密度;fN为电网额定频率;G为齿轮箱变比;p为风力发电机的极对数;Cp(·)为风力机特性函数。
另外假定风电场内各风力机特性表达式如下:
约束条件为:
式中:ωrmax为双馈风电机组最大可允许转速;βmax和βmin分别为桨距角上、下限值;Sf为风电场旋转备用容量可靠裕度,一般取0~20%。
式(9)描述的是将转子惯性动能纳入旋转备用容量范畴后,整个风电场旋转备用容量所需满足的关系式。
式(5)至式(11)构建了整个风电场备用优化运行模式下的数学模型。
2.2 调度优化运行方式
当接收到电网调度部门下发的是指定减载指令时(本文选取减载率指令值del,0进行说明),风电场控制中心将选择调度优化运行模式,旨在按指定风电场减载指令运行,并最大化地向电网提供旋转备用容量。
目标函数为:
式中:ΔPWF_margin为风电场提供的总旋转备用容量。
约束条件为:
式(14)第一个式子表达的含义为:在调度优化运行模式下,需按照指定减载率指令值del,0运行。
式(12)至式(14)同样构建了调度优化运行模式的数学模型。以上建立的备用优化运行模式与调度优化运行模式的数学模型均属于典型的带约束非线性优化问题,工程实际决策过程中,可以采用MATLAB优化工具箱中的Fmincon函数进行求解[16]。为了克服其容易陷入局部最优的缺陷,可采取多次循环并随机给定初值进行计算,然后再取其中的最优值,这样可以得到接近全局最优的结果。
3 算例分析
为了验证本文提出方法的有效性,本文建立了典型“矩阵”分布排列的风电场模型,如图4所示。
其中所涉及的主要模型参数及基本信息如下:整个风电场装设有30台单机额定容量为1.5 MW的双馈风电机组;该风电场的盛行风向为西北风;按照5行、6列的 “矩阵”分布;风轮直径D=75m;取行间距为6D、列间距为4D;另外所涉及的其他详细参数可参见附录A。
考虑到在较低风速时,若风电场运行于备用优化运行模式或调度优化运行模式,变速风电机组稳定运行能力以及实际可带来的效益并不理想,在高风速时受最大转速限制,可用转子惯性动能几乎没有,所以本文仅采取在风速范围为7~12m/s内执行备用优化运行模式或者调度优化运行模式。
3.1 备用优化运行模式计算结果与分析
设定调度主站下发给风电场控制中心的旋转备用容量指令 ΔP*WFmargin=2.25 MW,并且要能保证旋转备用容量可靠裕度Sf=20%。此时风电场控制中心将执行备用优化运行模式,并在不同自由风速条件下进行优化计算,得到的优化计算结果见附录B表B1,与传统方法的效果比较如表1所示。
从附录B表B1可见,在备用优化运行模式下,将转子惯性动能纳入风电场旋转备用容量范畴后,通过对各风电机群的双馈风电机组转子转速以及桨距角进行协调优化控制后,可使风电场不同风速条件下完成调度主站下发的旋转备用容量指令。
再结合表1可更加直观地看出:采用本文的风电场旋转备用容量优化方法后,可在完成相同旋转备用容量指令前提下,减小风电场纯机械有功减载率(弃风量),尤其在自由风速为7m/s和8m/s等较低风速时更为明显,若单纯依靠纯机械减载有功功率作为旋转备用容量,需要分别减载32.536%和21.310%,而一般风电场最大可允许减载率不超过20%。也就是说仅依靠纯机械减载有功功率作为旋转备用容量,是不能够完成调度部门下发的指定指令 ΔP*WFmargin的。但将转子惯性动能纳入旋转备用容量后,由于自由风速较低时,其对应最优功率运行时的转子转速接近最小允许转速0.7(标幺值),因此通过优化后可存储的转子动能则很可观。所以在7m/s和8m/s风速下风电场缩减弃风量分别达到了19.752%和12.657%,这主要是因为优化后风电机组转子内存储了更多的转子惯性动能,贡献到总旋转备用容量中。当然随着自由风速不断增大,可利用的转子动能不断减小,自然对于风电场旋转备用容量的贡献也就随之减小,直到达到额定风速以上时,由于最优功率运行时转子转速都已达到最大允许转速1.2(标幺值),此时则没有可利用的转子惯性动能。所以在自由风速为13m/s时,转子惯性动能对于风电场旋转备用容量的贡献为零,即完全依靠纯机械减载有功功率作为旋转备用容量。
由于仅在风速范围为7~12m/s内采用备用优化运行模式,因此可以将年缩减弃风量WY,rc的评估计算式具体表达为:
式中:PWFmppt(Vw)为风速Vw下对应风电场最大可输出有功功率;Vwcutin和Vwcutout分别为切入和切出风速;f(·)为威布尔概率分布函数;Wrc(Vw)为在风速Vw条件下采用备用优化模式后可缩减弃风量。
需要说明的是式(15)中以1m/s间隔进行风速区间划分,并以风速区间的中间值作为区间代表风速。其中威布尔概率分布函数表达为:
式中:k为形状参数;A为尺寸参数。
为了进一步评估本文备用优化模式带来的经济效益,实地选用内蒙古的朱日和、巴彦毛道、呼和浩特、图里河、阿尔山和西鸟珠穆沁旗6 个地区从1988年1 月1 日至2008 年1 月1 日10 年风数据[17](主要特征参数见附录B表B2),得到6 个地区年缩减弃风量的最终评估结果分别为8.89%,7.74%,1.81%,1.51%,5.45%,7.40%。可以看出,采用本文备用优化模式后,能够给风电场商带来较为可观的效益。尤其在风速资源较为丰富的朱日和及西鸟珠穆沁旗(年平均风速分别为4.91m/s和3.08m/s),年缩减弃风量分别达到了8.89% 和7.40%;即使在风速资源相对最差的呼和浩特及图里河,年弃风缩减量也能达到将近2%左右。
3.2 调度优化运行模式计算结果与分析
具体设定调度主站下发的风电场减载率指令值为del,0=10%,那么此时风电场控制中心选择调度优化运行模式。同样在不同自由风速条件下进行优化计算,最终得到的优化结果见附录B表B3,与传统方法的效果比较如表2所示。
从附录B表B3和表2 可以看出,当调度主站下发减载率指令值del,0=10%时执行本文提出的调度优化模式后,可以通过协调优化控制风电机组转子转速ωdel与桨距角β,使风电场在当前风速条件下按照del,0=10%运行,并同时使风电场具备最大的旋转备用容量。尤其在风速为7m/s时,由于可用转子动能大,其旋转备用容量增长率达到了60.94%,而随着风速不断增加,对应可用转子动能不断减小,因此可贡献到风电场总旋转备用容量的转子惯性动能也不断减小,直至超过额定风速时,没有了可用的转子惯性动能,所以在风速为13 m/s时,旋转备用容量增长率降落为零。
4 结语
本文提出了一种考虑转子惯性动能的风电场旋转备用容量的优化方法,根据风电场实际运行场景,当风电场接收到调度主站下发的旋转备用容量指令时,选择备用优化运行模式,而当接收到的是减载指令时,选择调度运行模式。本文核心内容是建立备用优化运行模式与调度运行模式的优化目标及其数学模型。最后通过选取实地风速数据并仿真计算,验证了本文方法相比于传统方法,能够在备用优化运行模式下,尽可能地缩减风电场弃风量,在风速资源相对丰富的地区,年缩减弃风量可达到8%左右;能够在调度运行模式下,尽可能多地向电网提供旋转备用容量,尤其在风速相对偏小时,可用转子惯性动能更为可观,从而能使风电场旋转备用容量增长率达到近60%,这对于风电场参与电网频率调节或紧急备用有着非常积极的作用。本文重点阐述了考虑转子惯性动能的风电旋转备用容量的优化方法。笔者已在文献[14]中提出了一种充分利用变速风电机组转子惯性动能参与频率调节的具体控制策略。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
摘要：并网风电场主动参与旋转备用控制,已成为调度部门和风电场运营商面临的新挑战。将变速风电机组的转子惯性动能纳入到风电场旋转备用容量范畴,从而最大限度地利用转子惯性动能参与电网频率调节或紧急备用;并根据风电场实际运行场景,提出了备用优化运行模式与调度优化运行模式及其对应的优化模型。实际算例分析表明,相比于传统备用方法,所提出的方法可在备用优化运行模式下使风电场弃风量最小,给风电场商带来较为可观的经济利益;可在调度优化运行模式下向电网提供最大的旋转备用容量,更加有利于电网稳定运行。
旋转备用容量 篇3
近年来, 我国的风电发电发展迅速, 我国成为风电装机容量最大的国家。然而, 风电具有随机性和间歇性, 对电网的安全和经济运行产生负面影响[1]。
如何应对风电的不确定性对调度运行的影响, 成为许多学者关注的问题。为提高含有风电的电力系统的安全性, 常采用具有蓄能作用的系统与其配合, 如水力蓄能、压缩空气蓄能、超导磁力蓄能、流体电池组等[2]。如GARCIA-CONZELEZ J研究以风电和抽水蓄能进行联合调度, 以经济效益最大为目标建立模型, 并分析比较了风电和抽蓄联合运行与单独运行时的效益[3]。静铁岩在考虑抽水蓄能机组启停限制和工况转换限制为约束的基础上, 以联合运行效益最大化为目标建立了风电-抽水蓄能联合日调度模型, 降低了风电的随机性对电网的负面影响[4]。刘小平建立了油电、火电和光伏发电的实际运行成本最小模型, 并通过蒙特卡洛模拟与遗传算法相结合对模型进行求解并分析了不确定因素对于结果的影响[5]。衣立东提出了水电、火电为风电调峰的调峰能力计算方法[6], 为风电接入后电网调峰能力的研究提供了借鉴。
本文提出常规水电与风电联合调度模型, 以风电水电联合效益最大为目标, 同时以给定置信度水平满足系统要求为约束条件, 具体表现为旋转备用容量在一定的置信水平下满足系统要求。通过联合调度, 充分利用了风能且充分考虑了系统的安全性。通过蒙特卡罗方法模拟风电的随机性, 并与分布估计算法相结合对模型进行求解。以具有4个水库的风电水电联合系统作为算例进行测试分析, 讨论了风电的不确定性因素对联合调度结果的影响。
1风电水电联合调度模型
风电与水电联合运行的系统中, 由于风电的随机性和间歇性, 在系统中主要体现其电量的效应。水电在吸纳风电电量的同时需提供一定的容量来配合风电的随机性。从长期调度尺度而言, 水电站发电量与可调电量相等时对风电消纳贡献最有利, 但此时并非是清洁能源发电量最佳[7]。本文在考虑风电输出功率波动的前提下, 建立水电风电联合短期调度模型, 以风电水电联合效益最大模型为目标, 同时考虑系统可靠性的概率约束条件。
1.1目标函数
以水库群调度为例, 已知该电站一天的入库径流序列, 以小时为时段, 以风电水电联合效益最大模型为优化模型, 其目标函数为:
式中:P
1.2约束条件
(1) 水电出力约束:
(2) 水库发电流量约束:
(3) 水库库容约束:
(4) 水库初末水位限制:
(5) 水量平衡约束:
式中:P
(6) 旋转备用。
在电力系统实际的运行中, 往往受到一些不确定因素的影响, 如负荷需求的波动、风电的随机波动。若要满足系统的可靠性需求, 需求一定的旋转备用容量。虽然大量的旋转备用容量可以大幅地提高系统的可靠性, 但在实际中某些极端情况的出现概率极小, 因此, 在考虑旋转备用容量时可在系统的可靠性和经济性之间进行权衡。
根据随机规划中机会约束的形式, 用概率形式描述旋转备用约束, 其表达式为:
式中:δ
旋转备用容量主要由水电机组提供, 其表达式如下式 (8) :
式中:f (V
本文中考虑的模型为以小时为调度时段的短期调度, 常用的出力计算公式适用于水库长期调度中对计算准确度要求不高的出力计算, 在短期调度的出力计算中采用可与水库库容Vj, t和发电流量Qj, t相关的二次函数表示, 如文献[8]中所提到的计算方法, 其表达式如下:
式中:c1j、c2j、c3j、c4j、c5j和c6j为常数。
2不确定因素模拟
通过对大量的实际数据进行统计分析, 其结果表明风速近似服从威布尔分布[9]。文献[10]将风力机组的输出功率Pw与实际的风速之间的关系表示为:
式中:P
在对风电运行进行模拟时, 根据时段的平均预测风速, 采用蒙特卡洛方法随机产生风速数据, 并按式 (10) 计算风电机组的输出功率。
3模型求解
在风电水电联合调度的模型中, 由于存在机会约束和随机变量, 在对模型进行求解时需通过蒙特卡罗模拟对机会约束进行验证, 并与分布估计算法相结合, 可有效地对风电水电联合调度模型进行求解。
3.1分布估计算法
分布估计算法是一类基于概率分布模型的进化算法, 该算法不使用交叉和变异算子, 而直接提取当前优选的解集合中的信息, 然后根据这些信息建立概率分布模型, 并以此概率模型采样产生下一代群体, 如此重复, 直到满足终止条件[11]。分布估计算法是对整个群体建立数学模型, 直接描述群体的进化趋势, 具有良好的全局搜索能力。
EDA算法的一般流程如下, 概率模型选取高斯概率分布, 其均值参数引导算法的搜索方向, 方差参数控制算法的搜索范围。
Step 1:采用随机生成的方式初始化群体, 设置EDA的参数。
Step 2:计算群体的适应度值, 并采用某种选择机制 (本文采用截断算法) 选取M个较优的个体作为评价集, 并将部分最优个体作为精英保留。
Step 3:通过对评价集分析, 计算其均值参数 及标准差参数σj, 并记录当前最优个体。
Step 4:利用高斯分布概率模型 , 通过采样得到下一代群体。
Step 5:判断算法是否满足终止条件;若满足则终止输出最优个体;否则进化代数加1, 算法转入Step 2, 直至算法终止。
由上述算法可以看出, 由于选择机制的作用, 算法随着迭代次数的增加, 其概率分布的方差逐渐收敛到0, 均值收敛到一个固定值, 进化群体收敛。分布估计算法借助于样本分布的概率模型, 能很好地描述变量之间的互相关系, 为解决复杂优化问题提供了新方法[12]。
分布估计算法的性能受其参数选择的影响较大, 且其局部搜索能力较弱, 所以分布估计算法常与局部搜索能力较好的算法相混合, 以弥补算法局部搜索能力的不足。本文中采用自适应方法对分布估计算法的参数进行控制, 且引入爬山局部搜索与分布估计算法相结合, 大幅提高了算法的搜索性能。
3.2参数控制策略
分布估计算法中概率分布函数的参数变化对算法的性能影响较大。当σj较大时, 算法的搜索范围广, 具有较好的全局搜索能力;当 σj较小时, 使得算法的搜索范围较小, 算法的局部搜索能力较强。在算法初期, 希望算法保持群体多样性, 此时算法进行全局搜索, 有效地避免了算法的早熟现象;而在算法搜索的后期搜索范围随着进化过程逐渐减小, 以提高算法的局部搜索能力。基于这样的思想, 本文在分布估计算法中, 设计方差参数与当前代数Gen和进化最大代数Gmax有关, 其函数表达式如下:
式中:α为控制操作影响范围的参数;σ
在以上设计思想的指导下, 设计的标准差参数σj可以根据搜索的过程自适应调整大小, 从而使算法具有较好的全局及局部搜索能力。在算法中引入蒙特卡罗模拟方法检测个体是否满足机会约束的要求, 并通过罚函数方法对违反约束的个体进行惩罚, 使得算法搜索的群体向可行域靠拢。其算法的步骤如图1所示。
3.3局部搜索策略
本文采用爬山搜索策略对最优个体进行局部搜索, 在提高算法求解精度的同时, 使得算法跳出局部最优。其实现如下。
采用随机生成方式在[0, 1]范围内产生随机序列ck=[ c
式中:σj为自适应控制参数;ck为[0, 1]之间的混沌序列;Rm, j为第m次搜索在第j个变量上的搜索步长。
对最优个体进行局部搜索, xbest为当前最优个体, 令S0=xbest, 采用式 (6) 产生新个体:
式中:m为混沌搜索的次数;Sm, j为初始个体在第j个向量上经过m次搜索后所产生的新个体。
采用以上的设计方式, 可有效跳出局部最优。在算法的后期, 局部搜索的范围减小, 提高了算法的收敛精度。频繁的局部搜索容易使得算法的计算时间复杂度增加, 本文中每次进化混沌搜索的次数取10。
4算例分析
本文以4个水电站组成的梯级和1个风电站联合运行为例, 对风电水电进行联合调度。调度时段为小时, 调度总时段为24 h, 系统中有4个水库, 其水库之间的拓扑关系见图2。水库的参数、上游来水及约束条件参考文献[8]。风电厂装机10台, 单机容量为1.65 MW, 风机的参数vCI为3 m/s, vCO为20 m/s, vR为14 m/s, 形状参数k取2, 尺度参数c取
算法运行20次, 得到的平均结果如表1所示。随着置信水平β的不断增加, 水电需预留更多的可调容量来平抑风电的不确定性带来的影响, 所以水电的计划出力随着置信度的提高而不断减少但水电的总备用容量却增加, 联合发电系统的总收益亦随着置信水平β的提高而逐渐减小。考虑到水电约束条件和算法计算精度的影响, 水电的计划出力和备用总容量之和并不是固定值, 且水电在每个时段的备用容量为水电在该时段的可调容量。风电计划出力的变化为随机变化, 其最大的变化量为16.5 MW, 此时置信水平β为1.00和0.90时水电的计划出力相差10.967 4 MWh。当置信度小于0.90时, 水电的计划出力变化较小, 与水电单独运行时所得到的计划相同。由此可知, 风电水电的联合出力的系统中, 为吸纳风电电量水电需付出10.967 4 MWh的电量, 此时风电的计划发电量为161.001 2 MWh。图3和图4分别为β为1.00和0.90时水电和风电的计划出力过程。可见取不同的置信水平时, 水电的运行过程差异较大。
当风电机组数量为35时, 其初始计划出力按比例增加, 风电的不确定性波动范围增大, 其水电需付出的备用容量亦发生改变, 计算联合调度结果如表2所示。当风电机组容量增加时, 水电为了配合风电的出力以保证系统的可靠性, 需提高水电的备用容量从而使得水电的发电量减少。由此可见联合系统的经济性和安全性受到系统中风电发电的容量和计划电量的影响。通过分析测试不同风电容量时, 在置信水平为1.00和0.90时水电备用容量的变化, 得到风电容量和水电备用容量在不同置信水平下的关系曲线如图5所示。由图5可知, 在相同的风电容量下, 置信度越大需要配置的水电备用容量越多;当风电容量增加时, 所需的水电备用容量亦增加, 且其增加的趋势逐渐增大, 如当风电机组数从10台增加到15台时所增加的水电备用容量小于机组数从30台增加到35台所增加的水电备用容量。
5结论
本文结合随机约束建立了风电水电联合效益最大模型, 该模型充分利用了风电能源, 并通过水电的旋转备用来降低风电随机性对系统安全性的影响。通过蒙特卡洛模拟对风电的随机性进行模拟, 并采用分布估计算法对模型进行求解。以4个水库的水库群与风电进行联合调度, 分析了联合调度的经济性与可靠性之间的关系, 为风电研究风电参与电力系提供了一个有效的解决方案。在风电水电联合调度中, 采用模拟的方式确定对风电电量吸纳量的多少以达到经济性和可靠性之间的平衡, 是进一步需研究的问题。
摘要：以风电水电联合发电效益最大为目标, 建立以考虑旋转备用容量在满足一定置信水平为约束条件的风电水电联合发电调度模型。通过蒙特卡洛模拟风电的随机性, 并与分布估计算法相结合对调度模型进行求解。采用自适应控制策略控制分布估计算法的参数, 并引入爬山局部搜索有效地提高了算法的性能。以4个水库和风电的联合系统进行仿真调度测试, 分析了风电不确定性因素对调度结果的影响, 讨论了联合调度的经济性与可靠性之间的关系, 为研究风电参与电力系提供了一个有效的解决方案。
关键词：水库群,风力发电,联合优化调度,机会约束,分布估计算法
参考文献
[1]王卿然, 谢国辉, 张粒子.含风电系统的发用电一体化调度模型[J].电力系统自动化, 2011, 35 (5) :15-18.
[2]潘文霞, 范永威, 杨威.风-水电联合优化运行分析[J].太阳能学报, 2008, 29 (1) :80-84.
[3]Garcia-conzelez J, de la Muela R M R, Santos L M, et al.Sto-chastic joint optimization of wind generation and pumped-storageunits in an electricity market[J].IEEE Trans on Power Systems, 2008, 23 (2) :460-468.
[4]静铁岩, 吕泉, 郭琳, 等.水电-风电系统日间联合调峰运行策略[J].电力系统自动化, 2011, 35 (22) :97-104.
[5]刘小平, 丁明, 张颖媛, 等.微网系统的动态经济调度[J].中国电机工程学报, 2011, 31 (31) :77-84.
[6]衣立东, 朱敏奕, 魏磊, 等.风电并网后西北电网调峰能力的计算方法[J].电网技术, 2010, 34 (2) :129-134.
[7]黄春雷, 丁杰, 田国良, 等.大规模消纳风电的常规水电运行方式[J].电力系统自动化, 2011, 35 (23) :37-40.
[8]PK Hota, AK Barisal, R Chakrabarti.An improved PSO techniquefor short-term optimal hydrothermal scheduling[J].Electric Pow-er Systems Research, 2009, 79 (2) :1 047-1 053.
[9]Karki R, Hu P, Billinton R.A simplified wind power generationmodel for reliability evaluation[J].IEEE Transactions on EnergyConversion, 2006, 21 (2) :533-540.
[10]Wang L, Singh C.PSO-based multidisciplinary design of a hybridpower generation system with statistical models of wind speedand solar insolation[C]∥Proceedings of IEEE International Con-ference on Power Electronics, Drives and Energy Systems for In-dustrial Growth.New Delhi, India:IEEE PES, 2006:1-6.
[11]P Larraaga, Lozano JA.Estimation of distribution algorithms:anew tool for evolutionary computation[M].Kluwer AcademicPublishers, 2002.
旋转备用容量 篇4
近年来,风能作为一种无污染的可再生能源得到了快速的发展。然而大规模风电并网后,由于风电出力的间歇性、波动性和不可控性,必须增加一定的备用容量才能保证系统的安全运行,这给电力系统备用容量的确定带来了新的课题和新的挑战。
国内外对于风电接入对系统运行备用的影响已有研究。文献[1]给出了系统购买费用最小为目标的备用容量模型,文献[2]计及了负荷预测误差和机组故障停运率不确定因素,但是都没有考虑风电预测误差不确定因素。文献[3]建立了风电出力的不确定性模型,通过LOLP和EENS指标建立了基于可靠性评估的备用优化模型,但未考虑负荷预测误差和常规机组的故障停运。文献[4]提出了含风电场的旋转备用获取模型,以系统购电费用最小,同时也考虑了风电、负荷预测误差以及常规机组的强迫停运率,但是其模型不易求解,且未考虑正负旋转备用情况。文献[5-6]针对风电功率的随机性建立了含风电场的电力系统动态经济调度模型,都考虑了正负旋转备用,但均只将其作为一个约束条件。文献[7]建立考虑切负荷成本、运行备用容量以及历史备用容量数据,并以备用购买成本最低为目标函数的备用容量确定模型,文献[8]采用概率的方法来确定满足系统一定可靠性水平的备用容量,文献[9]使用负荷不足期望指标(ELNS)和系统失负荷指标(VOLL)确定电力市场中最优有功备用以及旋转备用容量,但文献[7-9]均以系统可靠性或经济性单方面考虑系统容量的确定,且未深入考虑风电的不确定性。文献[10]中使用一个双阶段随机规划问题计算最优备用水平以及提供这些备用所需的成本,对风电的不确定性通过一系列场景进行模拟,但并没有说明场景生成的具体方法。
本文的工作是应用场景法来描述风电功率、负荷以及常规机组的不确定性;然后,引入电量不足期望指标(EENS)和风能浪费风险指标(EWWR),同时考虑备用成本的影响,从安全性和经济性两方面确定电力系统正负备用容量。最后,通过算例证明该方法的有效性。
1 场景的生成
1.1 风电出力场景的确定
本文首先使用ARMA模型生成1 000个含24个时段的场景集合,然后使用Kantorovich距离对场景集合进行削减,得到10组可用风电出力场景。
1.1.1 场景集的生成
假设同一风电场中的所有风电机组在同一时刻的风速大小和方向是相同的,那么可以将整个风电场等效为一台风电机组[11]。根据风电出力的历史数据,应用长自回归模型法建模,对研究的每个时段分别进行ARMA模型定阶,同时确定相应的模型参数,并使用过拟合检验的方法对ARMA模型进行适用性检验[12]。
ARMA(n,m)模型的数学表示形式为
式中:yt是序列{yt}在t时刻的元素;φi称为自回归(Autoregressive)参数;θj称为滑动平均(Moving Average)参数;序列{εt}为白噪声,均值为0,方差为σ2。本文中序列{yt}为风电场等效风电机组的历史出力值序列。
设ω为场景标号,NT为时间段数,NΩ为场景数。其中,NT=24,NΩ=1 000。利用ARMA模型生成场景的步骤如下。
1)初始化场景计数器:ω=0。
2)更新场景计数器,初始化时间计数器:ω=ω+1,t=0。
3)更新时间计数器:t=t+1。
4)随机产生白噪声εt~N(0,σ)。
5)计算式(1)获得ytω。
6)如果t
7)如果ω
1.1.2 场景的削减
场景数量的增加使得计算量迅速增加,为减少计算时间,同时准确表征随机过程,使用概率距离对生成的场景集进行削减。
设风电出力的场景集为Ω,由1.1.1节可知集合Ω中有1 000个元素。确定一个场景数NΩs=10的场景子集Ωs⊂Ω,对所选场景指定一个新的概率,使得由概率距离削减后得到的子集Ωs的概率分布F´w(w)最接近原始分布Fw(w)。令ω和ω´分别代表原始场景集Ω的不同场景。
Kantorovich距离定义为
式中:πω代表集合Ω中场景ω对应于概率分布Fw(w)的概率;v(ω,ω´)为成本函数。使用两个场景的规范差来计算成本函数,即
式中,Pw(ω)和Pw(ω´)分别为场景ω和ω´中风电场的有功出力。利用式(2)和式(3),选择削减集和原始集之间的Kantorovich距离最小的场景作为集合Ωs中的元素。每个未被选择的场景的概率要加上最接近所选场景的概率。
场景削减的具体步骤如下。
步骤1:使用式(3)对Ω中每对ω和ω´计算成本函数v(ω,ω´)。
步骤2:由式(2)计算概率距离
最后,选择的场景的概率计算为
1.2 常规机组的可用场景
常规机组的场景集通过故障停运和故障修复来表征,传统机组的可用性通常可用故障时间(t F)和修复时间(t R)表征,t F和t R可由下式计算[13]。
式中:MTTF和MTTR分别表示平均故障时间和平均修复时间;u1,u2为服从(0,1)间的均匀分布的随机变量。
选用10机系统。分别给定每台机组参数MTTF和MTTR后,随机产生均匀分布随机变量u1和u2的值,可由式(5)和式(6)得出每台机组的可用性场景,所生成场景为一系列0和1向量,当向量中元素为1时,表明该机组正常运行,机组出力为计划出力值;反之表明机组停运检修。每个场景中24个时段,传统机组的总出力由10台机组的出力0、1曲线拟合而得。同样生成10个场景,令每个场景发生的概率是相等的,均为0.1。
1.3 负荷场景的生成
负荷不确定性主要是由于负荷预测存在偏差,计入负荷预测偏差后的负荷可用式(7)表示。
式中:LD表示实际负荷;Lf表示负荷的预测值Δl,表示负荷预测偏差。
已有文献研究表明,负荷预测偏差Δl为服从均值为0,方差为σl2的正态分布的随机变量[9],采用蒙特卡洛模拟生成10组随机的场景。
2 备用容量的获取
由于风电预测和负荷预测误差以及传统机组的故障停运,使得系统面临失负荷或者弃风的风险。为此系统就需要增加一定的正负备用来抑制这种风险。
2.1 正备用容量的获取
正备用容量的获取综合了备用成本和系统风险。引入电量不足期望指标(EENS)来表征系统的安全性指标,由已有的文献可知它与备用容量呈负相关的关系,同时备用成本函数(COST)与备用容量呈正相关的关系。为此建立一个多目标函数,使得系统在电量不足期望和成本都尽可能最小,从而得到一个折中值,其中r为备用容量值。根据现在多目标转化为单目标的方法,对每个目标函数赋予一定的权重系数,同时考虑EENS(r)和COST(r)大小数量级的差异,运用自适应方法,将其转换到对应的[0,1]区间上的函数关系f(EENS(r))和g(COST(r))[14]。因此目标函数就为
式中,k EENS、k COST是电量不足期望和备用成本的权重系数。其中,k EENS+k COST=1,k EENS、k COST的大小可以根据决策者对于风险和安全的偏好来确定。
其中,
式中,考虑r的取值范围就为[0,rmax],rmax为EENS(r)=0对应的临界r值,因此就得到相应的COSTmax;b为常数,它表示决策者对EENS的接受程度,当b为负时表示只有当EENS水平过高时决策者才会降低其水平,当b为正时表示决策者更愿意追求最佳的EENS水平。
电量不足期望指标(EENS)与r的关系应用了第1节介绍的场景集思想。首先根据之前介绍的场景生成方法对风电、传统机组和负荷分别生成10组可用场景。然后,进行随机排列组合产生1 000种组合情况,每种组合后的情况根据式(12)将得到一个系统差额值(系统失负荷值或多余发电出力值),以及其对应的概率即系统差额风险概率密度。
上式中:t为时段数;wt,s、gt,e分别表示t时段风电机组、常规机组在场景s、e中的出力值;lt,f表示t时段场景f下的负荷值。
通过以上公式求得的1 000种组合情况,然后进行概率统计,就可得到系统差额风险概率密度图,如图1。其中,无阴影部分即系统差额大于0的区域表示负荷需求高于系统出力的概率风险。
当实际可利用的风电功率小于计划出力或常规机组强迫停运等情况发生时,系统出力小于负荷需求,就需要系统留有正备用量。根据图1无阴影部分(即正半轴部分)的系统差额风险概率密度函数,可以求出系统电量不足期望与系统备用量之间的关系EENS(r)。
可以很明显的得到EENS(r)与r呈负相关关系,说明正备用量越大,电量不足期望量越小。图2黑色部分表示备用量为200 MW时的电量不足期望。
备用成本与备用量的关系多以边际成本价格或市场竞价等来表征[14],本文考虑到国内的市场现状,将备用成本价格设为固定值,因此得到备用成本与备用量r的线性关系。
根据以上的原理和步骤确定相应的正备用容量。
2.2 负备用的获取
同理,系统也需要有一定的负备用来抑制实际风电功率过高等不确定带来的影响。同时,也引入风能浪费风险指标(EWWR),EWWR表示实际可利用的风电出力超过风电计划出力值的概率[5],并结合负备用成本来确定负备用量。
根据图1负半轴部分可以求得风能浪费期望EWWR(r)。
求出风能浪费风险指标后,可知EWWR(r)与r也呈负相关关系,说明负备用量越大,风能浪费期望量越小。和正备用原理一样,结合备用成本函数,考虑成本函数COST(r)是与r呈正线性相关的关系。目标函数为式(15)。
式中,k EWWR,k COST是风能浪费风险和备用成本的权重系数。其中,k EWWR+k COST=1,k EWWR,k COST的大小可以根据决策者对于风险和安全的偏好来确定。
其余求解方法和2.1节部分相同,不再累赘。
3 算例分析
本算例采用文献[15]的数据进行验证,10台火电机组和负荷的具体参数参见文献[16]。不考虑风电机组的停运率。
3.1 模型求解流程
该模型求解主要分为表征不确定性的场景集生成和备用容量的获取两部分。图3为整个求解模型的流程图。
3.2 场景生成
根据介绍的风电场景生成方法,生成10个可用场景,其中5个风电出力场景如图4所示。
根据传统的机组组合、调度计划得日前调度值,考虑了有功平衡、爬坡约束、最小起停机约束等,得到常规机组计划出力如表1。
根据计划出力,然后再结合随机生成的故障停运场景,可得到随机场景出力。
根据蒙特卡洛随机模拟生成负荷的可用场景。其中,实际负荷服从以负荷预测值Lf为均值,2%Lf为方差的正态分布。
3.3 备用获取
图1为第13个时刻的差额风险概率分布图,其余时刻的分布图类似处理。根据图1及式(13),可以得出电量不足期望与正备用的相应关系,如图5所示。
由第2节知,成本与正备用量呈正线性分布,结合式(8)~式(11),取b=1,k EENS=k EWWR=k COST=0.5,rmax=500,得出第13个时刻的最优正备用量为102MW。其他时刻类似处理,可以得出各个时刻正备用量如表2。
同理,可以得到各时刻的负备用量,如表3。
从表2、表3与文献[5]的对比分析可知:1)由于该方法考虑了经济性因素,减少了备用需求量,兼顾了安全性和经济性两方面的要求;2)由于风能浪费风险指标(EWWR)的引入,增加了负备用量,减少了弃风量。
4 结论
本文在传统的风电备用需求确定模型上,应用了场景法,计及了风电的预测误差,同时考虑了传统机组的强迫停运率和负荷的不确定性。备用确定模型引入了电量不足期望(EENS)和风能浪费风险指标(EWWR),并综合了备用成本因素,兼顾了安全性和经济性的影响,有效地减少了正备用成本和弃风量。
安全性和经济性权重系数的确定对结果产生不同的影响是下一步工作的重点。
摘要：针对风电功率预测的不确定性对电力系统备用容量的影响,建立了基于风电不确定性的备用容量获取模型。首先利用场景法模拟生成风电功率、负荷及常规机组的不确定性模型,进而对生成场景进行概率统计得出系统差额概率密度函数,得出系统电量不足期望(EENS)和风能浪费风险(EWWR)指标,并通过EENS和EWWR指标及备用容量成本从系统可靠性和经济性两方面折中进行系统正、负备用容量的确定。最后通过10机系统仿真,验证了该方法在满足可靠性前提下有效地减少了备用成本和弃风量。
旋转备用容量 篇5
近年来,具有随机性和不可控性的风电并网给电力系统的安全经济运行带来了巨大挑战[1,2]。尤其是随着系统中风电接入规模的日益增大,传统的具有确定性旋转备用(spinning reserve,SR)的机组组合模型已无法应对风电出力的随机性及预测不准确性,系统需为此配置额外的SR容量[3,4]。
针对含风电场的系统SR的优化确定,目前国内外学者已做了大量研究工作[5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],大体上可归纳为4 类方法:确定性方法[5,6,7,8,9]、风险备用约束方法[10,11,12,13,14]、随机规划方法[15,16,17]和多场景概率风险分析方法[18,19,20]。与其他方法[5,6,7,8,9,10,11,12,13,14,15,16,17]相比,多场景概率风险分析方法能够同时考虑负荷、风电功率预测误差和机组强迫停运共同引起的电量不足期望值(expected energy not served,EENS),并通过成本效益分析获取SR的成本和效益之间最佳的平衡点,已成为当前研究的热点之一。
但是,现有多场景概率风险分析方法[18,19,20]基于风电功率预测误差服从正态分布的假设,采用了净负荷预测误差模型描述风电和负荷共同预测误差的不确定性。这使得在系统EENS计算过程中无法全面考虑风电的不确定性,如弃风因素和风电功率预测误差存在的非正态分布情况[11,21]。
虽然风电拥有优先调度权,但当前的电力系统调节、输送能力仍显不足,强行地完全消纳大规模风电可能危及电网的安全稳定运行[22]。此外,从系统运行的经济性考虑,虽然弃风会增大常规机组的出力成本及排放成本,但当风电具有反调峰特性时,弃风会减小净负荷的峰谷差,进而降低峰荷机组的启停成本。而且弃风还能降低实际风电出力不足引起的系统EENS,从而减少系统额外配置的SR容量。可见,现阶段的SR优化确定计及弃风还是必要的。
为此,本文针对多场景概率风险分析方法[20]进行改进,将其净负荷预测误差的不确定性建模转变为分别对风电功率和负荷预测误差的不确性建模,这使得系统的EENS计算可以考虑弃风因素,且不再局限于正态分布的风电功率预测误差。基于成本效益分析方法,构建以常规机组发电成本、期望停电成本(expected cost of load shedding,ECLS)、弃风惩罚成本之和最小为目标函数的SR优化模型,从而实现风电消纳功率和系统SR的联合优化。
1 基于净负荷分步建模的EENS计算
1.1 考虑净负荷预测误差分步建模的EENS计算
系统的EENS是由负荷和风电功率的预测误差与强迫停运的常规机组出力之和大于系统SR引起用户停电而损失的电能平均值[20]。在基于成本效益分析的机组组合模型中,首先计算系统的EENS,再引入失负荷价值(value of lost load,VOLL)将EENS成本化,并将其作为优化目标,能够实现SR的优化确定。
在计算系统的EENS过程中,文献[20]采用的对服从正态分布的净负荷预测误差模型离散化方式无法全面考虑风电的不确定性。为此,本文基于分步建模的策略,将净负荷预测误差的离散化扩展为分别对风电功率和负荷预测误差的离散化,使得EENS计算不仅能够包含弃风功率的待优化变量,而且可以处理不同类型概率分布的风电功率预测误差。改进EENS计算方法的流程与文献[20]的比较如图1所示。
1.2 改进EENS计算的详细步骤
本文改进EENS计算方法的详细步骤如下。
步骤1:采用二元整型变量ui,t表示机组i第t时段的运行状态,Ui表示机组i的强迫停运率,第t时段N台常规机组中仅机组i发生故障的概率Pi,t为:
根据没有机组停运以及仅有一台机组停运的情况可构造N+1种初始场景。每种场景s下机组i停运造成的多余或不足的SR容量μs,t为:
式中:pi,t和ri,t分别为t时段机组i的有功出力和SR容量;场景s=0表示无机组强迫停运情况。
步骤2:日前风电预测误差存在服从非正态分布情况[11,21]。但为便于描述并不失一般性,本文仍选择正态分布为例。如图2所示,将连续的风电功率预测误差的正态分布近似地离散化为L段(L=7)概率区间。每个区间的宽度为风电功率预测误差的标准偏差σW,t,对应的风电功率预测误差为相应区间中间点的值,即
式中:风电功率预测误差的均值μW,t为0。
在每种初始场景的μs,t中计及L段风电功率预测误差区间,可构造(N+1)L种新场景。每种新场景下,风电功率的预测误差和机组i停运造成的多余或不足的SR容量为:
式中:sW,t为t时段的弃风功率,满足0≤sW,t≤Wf,t,其中Wf,t为t时段的风电功率预测值;二元整型变量用于判断sW,t是否影响风电功率预测误差区间l1(l1≤4)的值。
满足如下约束:
式(5)为条件表达式,为能够利用混合整数线性规划(mixed integer linear programming,MILP)计算,可将其等效为线性约束:
式中:pimax为机组i的最大出力。
步骤3:与风电类似,负荷预测误差的正态分布可离散为L段概率区间。从负荷预测误差区间l2中减去,可获得每种新场景下的L段可能引起系统失负荷风险的概率区间,故引入新的二元整型变量用于区分该失负荷风险的概率区间。满足如下约束:
式中:σL,t为负荷预测误差的标准偏差。
式(7)为条件表达式,类似地可将其等效为如下线性约束:
步骤4:通过负荷预测误差的区间概率加权求和可确定每一时段每个场景的EENS值,即
式中:为负荷预测误差区间l2对应的概率值。
第t时段系统的Et为各场景的场景概率加权之和,其表达式为:
式中:为风电功率预测误差区间l1对应的概率值。
值得注意的是,当风电功率预测误差服从正态分布这一假设不成立时,上述计算方法并不会失效。可在新的风电功率预测误差概率分布中划分区间,并将各区间的风电功率预测误差值和概率值分别替换式(3)至式(6)中的值和式(10)中的值。同理,服从非正态分布的负荷预测误差也可类似处理。
1.3 EENS的线性化
式(10)中的Et是由3个整型变量和1个连续变量的乘积组成的非线性项。参考文献[23]的线性化方法,通过引入新的变量和约束,对Et进行等效线性表达,形成标准的MILP问题,便于CPLEX软件包的求解。线性化过程的具体步骤如下。
步骤1:引入新的二元整型变量和连续变量,并令,则该等式可等效为如下线性约束:
步骤2:令,则
由式(13)可以看出,为一个整型变量和一个连续变量的乘积组成的非线性项,可等效为如下线性约束:
2 基于成本效益分析的机组组合模型
2.1 目标函数
本文模型基于成本效益分析的SR决策,在将单位停电损失成本CVOLL与Et的乘积作为系统的ECLS的基础上,通过引入单位弃风惩罚成本VS,把VS与sW,t的乘积作为弃风惩罚成本加入到传统机组组合模型的目标函数,即
式中:T为机组组合的总调度时段;ci,t(ui,t,pi,t),si,t(ui,t,ui,t-1)和qi,t(ri,t)分别表示t时段机组i的出力成本、开机成本和SR成本,各成本的计算及线性化方法具体参考文献[20,24]。
2.2 约束条件
与文献[20]相比,本文模型将弃风功率作为优化变量。因此,机组组合的功率平衡和网络安全约束需改变如下。此外,SR、爬坡能力、最小开停机时间等约束参照文献[24]。
式中:Lf,t为t时段的负荷预测值;pg,k,t,pw,k,t,psw,k,t和pd,k,t分别为t时段节点k所连的常规机组有功出力、风电场有功出力、弃风功率及负荷;δk,t和δl,t分别为节点k和节点l的电压相角;Xk-l和pk-lmax分别为支路k-l的电抗值和有功潮流限值。
式(18)为功率平衡约束,式(19)和式(20)是采用直流潮流法描述的网络安全约束。
3算例结果与分析
3.1 IEEE-RTS 26机测试系统
IEEE-RTS 26机测试系统数据详见文献[24]。24个时段的负荷和风电场出力预测数据见附录A表A1,可以看出风电具有明显的反调峰特性。负荷和风电功率预测误差的标准偏差按照文献[19]的方法计算。风电场的装机容量近似设为800 MW,接入节点14。选择CVOLL=4 000 美元/(MW·h)。
3.2 考虑弃风以提高经济性的仿真分析
将VS设为10美元/(MW·h)。表1列出了本文方法与文献[20]方法得到的24个时段常规机组的出力成本、开机成本、SR成本、ECLS、弃风惩罚成本和总调度成本。由表1可见,弃风虽然增加了常规机组的出力成本和惩罚成本,但却降低了机组的开机成本,并减小了系统的SR配置和ECLS,从而优化了总调度成本。
图3和图4分别为本文方法与文献[20]方法的弃风功率、SR容量、EENS和机组运行状态比较。
从图3和图4中可以得出如下结论。
1)在第1~5和16~17时段,系统的负荷水平较低,而风电场的出力较大,相较于弃风而增加的常规机组出力成本和惩罚成本,增加额外SR容量的成本更高。因此,该时段内通过风电功率的溢出可以减小系统的SR配置,并同时减小了系统的EENS。以第3和16时段为例,虽然本文方法分别通过弃风38.41 MW和82.64 MW,导致弃风惩罚成本增大了384.10美元和826.40美元,常规机组出力成本增加了148.28美元和350.53美元,但是SR成本分别减小542.76美元和1113.16美元,并且ECLS减少了25.65美元和51.84美元。综上,在第3时段,弃风使得总调度成本减小36.03美元。在第16时段,弃风功率较大,虽然弃风使得上述成本总和增大了11.93美元,但进一步地,弃风使得机组13和15在16~17时段不需要停机,减小了机组下一时段的开机成本1 221.60 美元,从而更全面地考虑了系统运行的经济性。
2)在其他时段内,系统的负荷水平较高,风电场的出力较小,发电成本较高的机组处于运行状态,弃风增加的常规机组出力成本和惩罚成本之和大于增加额外SR容量的成本,因此这些时段内风电功率完全消纳。
3.3 不同类型的风电功率预测误差概率分布的仿真分析
文献[11,21]研究表明实际的日前风电功率预测误差数据曲线收尾比拉普拉斯分布曲线迅速而比正态分布曲线缓慢。采用峰度作为衡量曲线尾端宽度大小的标志,并取介于正态分布与拉普拉斯分布之间的峰度值4.8,均值和标准偏差保持不变,构造新的风电预测误差的概率密度曲线[11]。将该误差概率密度曲线近似划分为7段概率区间,则每段区间的中值、范围及概率值如表2所示。
将1.2节中的al1和θl1分别取表2各区间的中值和概率值,获得的SR容量如图5 所示。可以看出,由于误差跨度范围的大小会影响SR的确定,因此若用正态分布模拟风电预测误差,会导致预留SR不足的出现概率增加。
3.4 VS对SR配置和弃风功率的影响分析
VS需综合考虑风电的环保效益、优先调度政策的鼓励等因素进行取值。表3为弃风功率和不同调度成本随VS变化的结果。从表中可以看出,当VS取6美元/(MW·h)时,相较于弃风而增加的常规机组出力成本和弃风惩罚成本之和5 015.68美元,SR成本减小了5 487.80 美元,弃风的经济性最好。当VS取10美元/(MW·h)时,弃风的经济性变差,弃风功率的减小使得常规机组出力成本和弃风惩罚成本都减小,同时SR成本增大,但前者减少的程度小于后者增加的程度,总调度成本变大。进一步地,当VS取14,18美元/(MW·h)时,在第1~5时段,由于弃风增加的常规机组出力成本和惩罚成本大于减少的SR成本和ECLS,风电功率完全消纳,而在第16~17时段,由于弃风可减小下一时段的开机成本,综合各调度成本后,第16~17时段风电功率可不完全消纳。但随VS增大至22美元/(MW·h),弃风惩罚成本进一步增加,使得第16~17时段的风电功率完全消纳,SR容量增加至最大。
需要注意的是,在本文算例中,虽然VS取22美元/(MW·h)时,风电功率完全消纳,但这并不意味着弃风因素在SR优化确定时可以忽略。因为除系统运行的经济性需要考虑弃风外,网络安全约束的要求仍需要考虑弃风[25]。
4 结语
基于净负荷分步建模策略,通过将文献[20]提出的净负荷预测误差的离散化扩展为分别对风电功率和负荷预测误差的离散化,并引入弃风功率的优化变量,本文提出的多场景概率风险分析方法,能够在优化确定系统的SR容量时,更加全面地考虑风电预测的不确定性,包括现阶段不得不考虑的弃风因素以及不同类型概率分布的风电功率预测误差。
仿真结果表明,当风电渗透率较高且具有反调峰特性时,本文模型通过适时合理的弃风,能够综合优化风电消纳与系统SR的配置,以进一步提高系统运行的安全性与经济性。