考虑电网安全的风电火电协调优化调度模型

考虑电网安全的风电火电协调优化调度模型

0风电机组运行优化策略为了促进能源等新能源的发展，国家采取了多项支持政策，要求电网企业全面吸收新能源发电。中国目前新能源并网对电网的影响主要集中在风电上,但风电具有典型的波动性和间歇性等特性,与常规能源相比供电可靠性较低,并且难以有效预测、调度和控制。此外,在北方大部分地区,冬季大量热电联产机组需要保证一定出力,而风电的反调峰特性进一步加剧了电网运行的矛盾,为电网运行方式安排和运行控制带来了巨大的冲击。在这种情况下,强制全额消纳风电会使电网安全运行风险大大增加,因此在某些情况下必须考虑弃风。目前,导致弃风的因素主要有以下两类:(1)传统电源缺乏足够的可调能力;(2)传统电源仍有可调空间,但线路已经过载,无法满足高渗透率风电接入后的供电可靠性要求。本文将针对以上两种情况,通过优化常规机组和风电机组出力,既保证线路潮流安全,又做到合理弃风,确保风电场之间的公平性。目前在风电机组与常规火电机组联合优化方面的研究成果表明,常规火电机组开机方式和出力计划安排对风电消纳有着非常明显的影响。合理的常规能源与间歇性能源发电协调优化,有助于挖掘电网潜力,提升风电等间歇性新能源发电消纳能力。文献在机组组合的基础上,分别在系统发电能耗最小调度模式和弃风电量最小调度模式下,研究常规火电机组启停对风电功率消纳的影响,指出能耗最小调度模式下的电力系统运行经济性要优于弃风电量最小调度模式。文中,风电弃风惩罚成本为一固定值,通过常规发电机组与风电机组统一优化,得到系统整体弃风电量。文献引入CO2价格机制,通过调整常规火电机组的启停计划,综合考虑系统经济和环保效益,指出在以大型火电机组为主要电源的电网中,优先但不强制全部消纳风电更有利于提高电网整体运行经济性和环保性。消纳风电可以降低系统煤耗,减少CO2排放量,但也会导致火电机组偏离经济运行点,甚至导致火电机组启停,从而增加火电机组单位发电煤耗。已有研究衡量风电消纳的利弊,综合考虑整个系统的经济性与环保性,通过调整常规火电机组开机方式和出力计划来优先消纳风电出力。在实际工程应用中,一旦出现弃风,电网公司必将面临来自社会各方尤其是风电场的压力,因此,弃风功率在各风电场间的分配也要满足一定原则,要相对公平。在目前已投入使用的调度计划应用中,侧重于常规火电机组的优化调度,对风电等间歇性新能源与常规能源的协调优化方法较为简单,对风电等间歇性新能源的优化策略一般是将风功率预测结果以固定出力的方式参与日前、日内发电计划的优化编制,通过优化调整常规火电机组的出力来最大限度地消纳风电;在风电全额消纳存在困难的情况下,主要依靠人工决策调整常规机组计划并削减风电机组出力,电网大范围资源优化配置和风电消纳能力优化提升受到限制。本文在前述理论研究成果的基础上,考虑到实际电力系统应用中的诸多因素,采用安全约束经济调度(SCED)模型,引入风功率弃风分段惩罚因子,优先消纳风电,当风功率并网对电网安全运行或系统调峰造成影响导致不能全额消纳风电时,协调优化常规火电机组与风电机组的出力,并按照事先制定的风电弃风原则对各风电场进行有序弃风,统筹考虑电网安全性、经济性和环保型。在实际应用中,由于单台风机额定功率较小,每个风电场一般拥有多台风机,加上风电波动具有分散互补性,故在风功率预测、调度和控制时一般针对风电场,在实际建模时一般在风电场出口变压器高压侧建立一台虚拟风电机组,以替代该风电场。为叙述方便,本文对风电机组与风电场不作区分。1基于风力的未来发电规划模型1.1优化目标目标函数为调度周期内系统总成本(煤耗)最低,由于风电发电成本为零,仅在发生风电弃风时考虑虚拟弃风惩罚成本,因此系统实际成本为常规火电机组发电成本。优化目标为:式中:T为系统调度周期所含时段数;N为系统中参与调度的常规火电机组数;Ci,t为常规发电机组i在时段t的发电成本;W为系统中风电机组数;Δw,t为风电机组w在时段t的弃风惩罚成本。1.2风电弃风分段惩罚因子的确定针对弃风问题,国内外在调度计划模型和市场机制方面都进行了广泛的探索。在调度计划模型方面,文献[12-13]给弃风设置了惩罚因子,该因子是一个固定值。在这种情况下,模型中难以区分弃风究竟是由哪些风电场来承担,尤其对于多个风电场在同一集群点集中接入时,如果是调度模块自动优化运行,可能出现反复由几个风电场承担弃风,这是不公平的;而如果由人工选择承担弃风的风电场,公平性也难以得到保证。在电力市场环境下,德国设置了统一固定的风电补偿价格,在风电大发时,火电由于无法停机,导致短期市场电力价格达到-500/(MW·h),造成市场混乱,在业内引起了巨大的反应。针对这一现状,文献提出应当灵活变化风电补偿价格,使市场更有序。因此,本文引入风电弃风分段惩罚因子,对常规机组和风电机组进行联合优化。引入风电弃风分段惩罚因子后,弃风成本可表示为:式中:S为分段惩罚函数总段数;λw,s为风电机组w在其分段函数第s段的惩罚因子,该因子一般较大,以达到抑制风电弃风的效果;Δpw,s,t为风电机组w在时段t在分段函数第s段上的变化量,为非负值。风电机组弃风功率采用分段累加表达:式中:pdropw,t为风电机组w在时段t的弃风功率;PΔw,s,t和PΔw,s-1,t分别为分段函数第s段和第s-1段的终点功率。风电弃风功率分段惩罚因子如图1所示,随着弃风功率的增加,惩罚因子也会增加。采用分段递增惩罚因子后,随着风电弃风功率的增加,惩罚成本快速增大,如图2所示。通过对风电机组在各段惩罚因子的控制,可以达到有序弃风的效果。由图2易知,风电弃风功率最小为0,最大值为风功率预测出力,因此有式中:Pfixw,t为风功率预测出力。在此模式下,风电机组出力为:1.3统负荷平衡约束实际中需要弃风时,通常会对某一地区内的风电总出力有上限约束:式中:Pzonez,t为区域z在时段t的风电总出力上限。风电并网后,系统负荷平衡约束为:式中:PtL为系统负荷预测值。文献[16-17]阐述了发电计划模型中的其他约束,如火电机组出力上下限约束、机组爬坡/滑坡率约束、区域功率交换约束、支路及输电断面极限约束等。其中,考虑大规模风电接入后的系统备用容量设置,采用文献中的方法。至此,建立考虑电网安全的风电火电协调优化调度模型。本文模型为线性模型,可采用比较成熟的数学求解软件进行求解。本文采用CPLEX软件进行模型求解。2弃风惩罚因子对风电场的弃风影响分析在实际运行中,很多因素都会导致电网不能全额消纳风电。例如,由于风电加入导致部分线路潮流越限时,风电无法被全额消纳。本文的研究重点就在于,当风电全额消纳不能满足时,如何安全、合理地对各个风电场进行弃风。本文模型是通过优化模型中的线路约束保证潮流安全,通过设定弃风惩罚因子有序、合理地对各个风电场进行弃风,从而达到安全且合理这两个目的。在不同的应用环境下,可以赋予该惩罚因子不同的物理意义。在节能发电调度模式下,由于只需考虑系统整体弃风功率,无需对各个风电场进行区分,故可不对弃风惩罚因子进行分段,只将其设置为一个很大的正值即可,使得火电机组通过降出力、深调峰甚至停机等手段来保证最大限度地消纳风电。同时,可将各风电场的弃风惩罚因子设置为相同,避免在风电电量上网时厚此薄彼。在三公调度模式下,调度部门即要保证火电机组完成年度电量计划,又要保证各风电场全年利用小时数大致相等。因此,对于利用率较低的风电场,可将其弃风惩罚因子设置得相对较大,使其少弃风、多发电,以提高其利用率。如图3所示,风电场A在第2段上的弃风惩罚因子小于风电场B第1段的弃风惩罚因子,故两个风电场的弃风顺序不同,在需要弃风时,由于风电场A的弃风惩罚因子较小,弃风顺序靠前,因此首先会对风电场A进行弃风,只有当风电场A第2段弃风功率完成之后,才对风电场B第1段进行弃风。要实现不同的弃风效果,只需调整两风电场各段惩罚因子的相对大小即可实现。如果希望同等对待两个风电场,可设置相同的弃风惩罚因子,则两个风电场的弃风顺序相同,在需要弃风时,会按照大致相同的比例进行弃风。在电力市场模式下,由于风电弃风相当于降出力提供下调备用,因此,可将弃风惩罚因子设置为风电场辅助服务的价格。惩罚因子越小,即该风电场提供下调备用的价格越低,调度部门支付给风电场的辅助服务费用也越小,风电场的弃风也越多。电力市场中下调备用价格的典型曲线如图4所示,可知风电场C的下调备用价格低于风电场D,因此,在系统需要下调备用时,风电场C首先弃风降出力,之后才会对风电场D进行弃风。惩罚因子的设置还可以激励风电场风功率预测精度的提高。对于风功率预测精度较低的风电场,将其惩罚因子设置得相对较小,在需要弃风时,该风电场的弃风比例会大于风功率预测精度较高的风电场,以激励该风电场提高其风功率预测精度。此外,惩罚因子的设置也可以根据各风电场的技术水平,设置不同的弃风承担方式。美国德州电力市场(ERCOT)按技术水平将风电场进行分类,技术落后、控制水平较差的风电场,弃风惩罚因子较小,弃风比例较大;技术先进、控制水平较好的风电场,弃风惩罚因子较大,弃风比例较小。由以上分析可知,赋予弃风惩罚因子不同的物理意义,可使该模型适应不同的应用环境。本文希望能提供一个通用的数学模型,在不同的应用环境中,当惩罚因子确定后,模型求解结果能够满足预期需求,具备较好的工程适应性。3模型构建及结果分析以国内某省级电力系统实际数据构造算例,对建立的模型进行验证分析。该系统包括212台建模机组,总装机容量54.867GW,其中风电机组35台,装机容量5.308GW。系统内开机机组最小技术出力为21.878GW。共36个安全约束断面。采用冬季某典型日负荷进行计算,该日系统负荷为双峰曲线,峰荷分别为41.703GW(第45时段(每时段间隔15min))、43.499GW(第70时段),谷荷为32.996GW(第16时段),如图5所示。该日风功率预测曲线为典型反调峰曲线,最小值为849MW(第54时段),最大值为1344MW(第88时段),如图6所示。首先利用本文模型编制日前96点发电计划,并对结果进行分析。其次,针对某一区域内的多个风电场,分别设置其弃风顺序相同和弃风顺序不同,分析在该区域输电断面受阻情况下的弃风结果。再次,风电出力曲线具有反调峰特性,而冬日供热机组需要保持一定出力,故在负荷低谷时由于调峰需求也可能导致弃风,本文对这种情况也进行了分析。3.1日变化的风电机组出力计划及结果分析为了更直观地观察本文模型对风电出力优化的效果,分别在两种场景下进行日前发电计划编制。场景1:所有风电机组均以各自预测出力曲线作为其固定出力计划,只对常规火电机组进行出力计划优化。场景2:选取某研究区域内3台风电机组作为研究对象,将3台机组的弃风顺序设置为相同,并将其可弃风功率等分为10段,其中第1段的弃风惩罚因子设为100000,后面各段每段递增10000。其他风电机组以各自预测出力曲线作为其固定出力计划。综合优化风电机组与常规火电机组出力计划。分别在以上两种场景下进行日前发电计划编制,计算结果如表1所示。由表1可知:在场景1中,风功率强制全额消纳,系统发电成本最低;场景2允许弃风,风电消纳量降低,导致发电成本有所增加。图7所示为研究区域与系统主网的输电断面潮流曲线。在场景1中,风电机组以其预测出力曲线作为出力计划,由于该区域内各风电场独立进行风功率预测,可能导致区域内风功率预测出力总加超出输电断面限值。如图7所示,在第87时段,区域内风功率预测出力总加为903MW,而输电断面限额只有780MW。在此场景下,采用文献中的松弛方法,可以容忍一定程度的输电断面越限。场景2则对风电机组进行了弃风处理,消除断面越限。3台风电机组风功率预测出力总加与弃风后总曲线如图8所示。可知,弃风比例最大为49.80%,发生在第87时段。3台风电机组的优化出力曲线如图9所示。可知,在场景1中,3台机组的出力曲线即为各机组预测出力,场景2通过合理安排各台风电机组的弃风,很好地解决了风功率过大导致的断面越限问题。本例设置参与弃风的各风电机组弃风顺序相同,由图可知,在需要弃风的时段,根据该时段的风功率预测值按相同比例进行弃风,可以保证弃风功率在各台风电机组之间的分配相对公平。在发生弃风的调度时段,弃风电量与预测电量的统计结果如表2所示。由表2可知,在需要弃风的时段,3台风电机组弃风电量占预测电量的比例大致相同,表明模型能按相同的比例对各台风电机组进行弃风,满足本算例设置的弃风顺序相同的要求,说明模型求解结果是合理的。3.2弃风顺序对风电机组出力曲线的影响2.1节算例中,场景2将待研究的3台机组的弃风顺序设置为相同。在此基础上,本节设置3台机组弃风顺序不同,设为场景3。由前文分析可知,若希望某风电机组多弃风,可将其弃风顺序设置较前,即将其弃风惩罚因子设置得较小。场景3中,风电机组A首段惩罚因子设置为100000,后面各段每段递增10000;风电机组B首段惩罚因子设置为110000,后面各段每段递增10000;风电机组C首段惩罚因子设置为120000,后面各段每段递增10000。由弃风惩罚因子设置可知,风电机组A弃风顺序最前,机组B次之,机组C再次。计算结果如表3所示。由表可知,弃风顺序较前的风电机组其弃风比例较高,排在弃风顺序较后的风电机组其弃风比例较低。3台机组在两种弃风顺序下的出力曲线如图10所示。可知,弃风顺序较前的风电机组,在需要弃风时,会较弃风顺序较后的风电机组降低更大比例的风电出力。通过设置各风电机组间的相对弃风顺序,可以有效地对风电机组进行弃风控制,并对各风电机组的弃风比例进行一定程度上的控制。