0 引言

我国西北地区风光资源丰富,该地区利用风光资源发电的主要形式包括风电(Wind Power)、光伏发电(Photovoltaic)及光热发电(concentrated solar power,CSP)等。截止2019年第一季度,西北地区风电累计并网装机容量已达6034万kW,占全国总容量的31.9%;光伏新增发电82.5万kW,占全国新增光伏装机容量的15.87%^[1];同时,甘肃敦煌于2018年底建成了全国首个百兆瓦级光热电站。

然而,受风、光自然属性的制约,风电及光伏发电具有波动性和间歇性的特点,必要时需要通过弃风、弃光来保证电网的安全运行^[2-5]。

据国家能源局数据显示,西北地区弃风、弃光最高可达15.2%与12%,已超全国弃风、弃光平均值11.2%与9.3%^[1]。如何提高西北地区的风光消纳能力依然是一个热点问题。

CSP电站可以将多余电量以热能的形式存储于储热系统(thermal energy storage,TES),具有一定的能量时移特性^[6-9],如果将其与波动性较大的风电、光伏发电结合,可以就地平衡一部分的风光波动功率,实现能量的互补。因此,研究风-光-光热联合发电系统(以下简称W-PV-CSP联合发电系统)及其日前优化调度方法,对提高电网风光消纳能力具有重要的理论与实践意义。

对于含CSP电站的联合发电系统优化运行的研究,国内外已经取得了一定的进展。文献[10]提出了风电-CSP联合发电系统优化运行模型,考虑将弃风转换为热能的形式送入CSP电站的TES中,通过这一优化方法,减少了系统的弃风量。该文献为风电及CSP电站提供了新的配合运行方式,但对该运行方式的优化调度问题还需进一步研究。

国内外学者对含多种新能源的联合发电系统优化调度问题已经做了很多研究。文献[11-12]通过引入条件风险价值对含储热的CSP电站以及风电系统进行优化调度,并分析了不同风险系数、储热容量对优化调度结果所造成的影响。文献[13]在计及综合成本的前提下,提出了含风电、光伏、CSP电站的联合发电系统最优经济调度策略。文献[14-15]考虑风电与光伏之间的互补特性,运用联合概率分布的方法在满足供电可靠性的同时降低了风光联合运行所用成本。上述文献为解决含多种新能源的联合发电系统优化调度问题提供了一定的参考价值。

价格型需求响应(price-based demand response,PDR)可以通过制定合理的日前实时电价来改变用户的用电方式。在国家能源局颁布的《可再生能源发展“十三五”规划》中提到^[16]：要通过建立用户响应体系,来提高新能源的消纳能力。

目前,对需求响应参与电力系统日前调度的研究已经取得了一定的进展。文献[17-18]分析了需求响应及其不确定性对电力系统日前优化调度的影响,为如何将需求响应运用在多源联合发电系统中提供了理论指导。文献[19]将价格型需求响应运用于CSP电站与风电的联合发电系统中,证明了需求响应能够起到削峰填谷的作用,并提高系统消纳风电的能力。上述文献通过考虑需求侧响应,为解决新能源消纳问题提供了新的研究思路。

本文首先在新能源电站的联合运行方式上进行优化,将风电、光伏通过电转热环节与CSP电站的TES相结合,给出W-PV-CSP联合发电系统运行框架与原理,旨在提高系统调度的灵活性;其次,为了充分利用需求侧资源,引入PDR模型作为结合源-荷两侧的调度手段;此外,为保证系统的安全运行,对系统中的风光出力、负荷、负荷响应量等波动量的预测误差进行不确定性建模;最后,综合考虑各电站的运行成本、弃风弃光惩罚成本以及电转热环节的运行成本,建立考虑PDR的W-PV-CSP联合发电系统日前优化调度模型。

1 W-PV-CSP联合发电系统框架与原理

CSP电站主要由光场,储热子系统(thermal energy storage,TES)及热力循环子系统(power cycle,PC)组成。光场吸收太阳能,并将吸收到的能量用来加热导热工质(heat-transfer fluid,HTF);HTF可以与TES进行能量的双向传递,同时HTF的热能可以用来加热水蒸气,推动PC环节的汽轮机组产生电能^[20]。

由于CSP电站的TES本身就是储能环节,如果将其与风电、光伏的发电系统相结合,便可以利用CSP电站的能量时移特性来平抑风光出力的波动,进而提高风光的消纳能力。因此,本文考虑通过电转热环节,将风电、光伏电站与CSP电站的TES相结合,给出了W-PV-CSP联合发电系统。其具体的结构框架如图1所示。

图1中电转热环节可以将一部分风电与光伏发电转换为热能,用来加热TES中的储热熔盐。通过

图1 联合运行结构框架 Fig. 1 Hybrid operational structure framework

这一环节,可以在负荷处于低谷时将多余的风电、光伏转换为热能的形式存储于CSP电站的TES中;在负荷的高峰时期,由于CSP电站储热容量的增多,其调度灵活性增强,可为火电机组分担更多的调峰压力。

“弃时存,用时放”,通过W-PV-CSP联合发电系统,将CSP电站的能量时移特性结合到本来不具备这种特性的风、光电站上。相比于传统的各新能源电站单独运行方式,优化之后的W-PV-CSP联合发电系统能够充分利用风光资源的互补特性,并提高新能源电站之间的协调调度能力。

2 计及PDR的W-PV-CSP联合发电系统日前优化调度模型

2.1 价格型需求响应建模

PDR可以根据消费者心理学原理,通过制定合理的日前实时电价来改变用户的用电方式。通常采用价格型需求弹性矩阵E来表示电价变化率对负荷变化率的影响。

式中：t为调度总时长,取值为24;λ_Δq,t为t时刻的负荷变化率;λ_Δp,t为t时刻的电价变化率;E为价格型需求弹性矩阵,其主对角线为自弹性系数,副对角线为互弹性系数,自弹性系数与互弹性系数的取值参考文献[21-22]。

经过PDR后的负荷响应量为

\(\Delta {{q}_{t}}={{\lambda }_{\Delta \operatorname{q},t}}{{P}_{\operatorname{l},t}}\) (2)

式中 Δq_t为t时刻的负荷响应量。

经过PDR后,用户的用电方式发生变化,PDR后的负荷变为

$P_{\operatorname{l},t}^{\operatorname{PDR}}={{P}_{\operatorname{l},t}}+\Delta {{q}_{t}}$ (3)

式中：$P_{\operatorname{l},t}^{\operatorname{PDR}}$为PDR后的t时刻负荷预测值;P_l,t为原t时刻负荷预测值。

2.2 系统不确定性建模

由于系统中风光出力、负荷、负荷响应量等波动量具有预测误差,为了保证电力系统的安全可靠运行,需要通过对预测误差的不确定性建模来确定系统的旋转备用容量。

模糊数的隶属度参数不需要大量信息来获取,因此在信息采集不充分或者没有大量现场数据的场景下采用模糊数有一定的优势^[17]。

本文采用三角模糊数来表示风光出力、负荷及负荷响应量预测误差的不确定性,以此来确定系统的旋转备用容量。

2.2.1 风电、光伏预测误差的三角模糊表示

式中： $\tilde{P}_{\varepsilon \operatorname{w},t}^{\operatorname{pre}}$、$\tilde{P}_{\varepsilon \operatorname{v},t}^{\operatorname{pre}}$分别为风电、光伏出力预测误差的模糊表示；$P_{\operatorname{w},t}^{\operatorname{pre}}$、$P_{\operatorname{v},t}^{\operatorname{pre}}$为风电、光伏出力的预测值；k1w、k2w、k1v、k2v为比例系数，其值一般可由风电、光伏的历史数据所决定[23-24]。

2.2.2 负荷及负荷响应量预测误差的三角模糊表示

负荷预测误差的模糊表达式为

\({{\tilde{P}}_{\varepsilon \operatorname{l},t}}=({{k}_{1l}}{{P}_{\operatorname{l},t}},0,{{k}_{2l}}{{P}_{\operatorname{l},t}})\) (5)

式中：\({{\tilde{P}}_{\varepsilon \operatorname{l},t}}\)为负荷预测误差的模糊表示;k_1l、k_2l为比例系数,其取值同样由历史数据决定。

式(6)为负荷响应量预测误差的模糊表达式, 其由负荷预测误差与PDR响应率预测误差两部分组成。

\(\Delta {{\tilde{q}}_{\varepsilon ,t}}={{\tilde{\lambda }}_{\varepsilon ,\Delta \operatorname{q},t}}{{P}_{l}}_{,t}+{{\tilde{P}}_{\varepsilon \operatorname{l},t}}{{\lambda }_{\Delta \operatorname{q},t}}\) (6)

式中：\(\Delta {{\tilde{q}}_{\varepsilon ,t}}\)为负荷响应量预测误差在t时刻的模糊表示;λ_ε,Δq,t为t时刻的PDR响应率预测误差的模糊表示。

PDR响应率最大预测误差会受利益驱动的影响具有先增大后减小的趋势,其可由以下公式确定^[17]：

式中：d_t为PDR响应率最大预测误差;\(\lambda _{\Delta \operatorname{p}}^{IP}\)为拐点电价变化率;λ_Δp,max/min为电价变化率的最大与最小值;k₁、k₂分别为电价占主导前与主导后的比例系数。

负荷响应量预测误差的最终模糊表达式^[25]为

式中 ε _t^PDR为负荷响应量的最大预测误差。

2.3 日前优化调度模型

本文所构建的日前优化调度模型中包含火电、风电、光伏以及CSP电站。其中风电、光伏及CSP电站采用W-PV-CSP联合发电系统的运行方式,火电机组作为基荷电源单独运行。

2.3.1 目标函数

$F=\min ({{C}_{1}}+{{C}_{2}}+{{C}_{3}}+{{C}_{4}})$ (9)

本文综合考虑火电机组的运行成本C₁,风电、光伏、CSP电站的运行维护成本C₂,弃风、弃光惩罚成本C₃及电转热成本C₄,日前调度模型以综合成本最低为目标来同时优化系统运行成本和弃风弃光量。

1）火电机组运行成本C₁。

火电机组运行成本包括火电机组的维护成本以及启停成本两部分。

\({{C}_{1}}=\sum\limits_{i=1}^{3}{{{U}_{i,t}}(aP_{\operatorname{G}i,t}^{2}+b{{P}_{\operatorname{G}i,t}}+c)}+({{U}_{i,t}}(1-{{U}_{i,t-1}})){{S}_{i}}\) (10)

式中：U_i,t为第i个火电机组开停机变量,U_i,t为0代表火电机组停止运行;a、b、c分别为火电机组煤耗成本系数;P_Gi,t为t时刻第i个火电机组出力值;S_i为第i个火电机组的启停成本。

2）风电、光伏、CSP电站的运行成本C₂。

风电、光伏、CSP电站运行成本中包括各电站的维护成本以及CSP电站的启动成本。

\({{C}_{2}}={{k}_{\text{f}}}{{P}_{\operatorname{w},t}}+{{k}_{\text{g}}}{{P}_{\operatorname{v},t}}+{{k}_{\text{s}}}{{U}_{t,\operatorname{e}}}P_{\operatorname{th},t}^{e}+({{U}_{t,\operatorname{e}}}(1-{{U}_{t-1,\operatorname{e}}})){{S}_{e}}\) (11)

式中：k_f、k_g、k_s分别为风电、光伏、CSP电站的运行成本;P_w,t、P_v,t分别为风电、光伏在t时刻的调度出力;P^e_th,t为CSP电站在t时刻的出力值;U_t,e代表CSP电站的开停机变量;S_e为CSP电站的启停成本。

3）弃风、弃光惩罚成本C₃。

${{C}_{3}}={{K}_{\text{F}}}P_{w,t}^{C}+{{K}_{\text{G}}}P_{v,t}^{\operatorname{C}}$ (12)

$\left\{ \begin{align} P_{\operatorname{w},t}^{\operatorname{C}}=P_{\operatorname{w},t}^{\operatorname{pre}}-{{P}_{\operatorname{w},t}} \\ P_{\operatorname{v},t}^{\operatorname{C}}=P_{\operatorname{v},t}^{\operatorname{pre}}-{{P}_{\operatorname{w},t}} \\ \end{align} \right.$ (13)

式中：K_F、K_G为弃风、弃光惩罚成本系数;P^C_w,t为t时刻的弃风量;P^C_v,t为t时刻的弃光量。

4）电转热成本C₄。

电转热成本为风电、光伏发电将一部分电能转换为热能时电转热设备所需要的维护成本。

\({{C}_{4}}=(P_{t}^{\operatorname{th},W-H}+P_{t}^{\operatorname{th},V-H}){{K}_{\text{r}}}\) (14)

式中：P_t^th,W-H、P_t^th,V-H分别为风电、光伏提供给电转热环节的电量;K_r为电转热成本系数。

2.3.2 约束条件

1）系统功率平衡约束。

不计线路损耗时,各电站输送至电网的功率和应该与经需求响应后的负荷需求量相等。

\(P_{\operatorname{l},t}^{\operatorname{PDR}}=P_{\operatorname{w},t}^{\operatorname{S}}+P_{\operatorname{v},t}^{\operatorname{S}}+P_{\text{th},t}^{e}+\sum\limits_{i=1}^{3}{{{P}_{\operatorname{G}i,t}}}\) (15)

式中P^S_w,t、P^S_v,t分别为风电、光伏向电网供电量。

2）机组组合约束。

火电机组在运行时,火电机组出力约束为

\(\left\{ \begin{align} {{P}_{\operatorname{G}i,\min }}\le {{P}_{\operatorname{G}i,t}}\le {{P}_{\operatorname{G}i,\max }} \\ {{U}_{i,t}}=1 \\ \end{align} \right.\) (16)

式中P_Gi,min、P_Gi,max为火电机组在运行时的最小、最大出力。

当火电机组小于最小技术出力时,其出力0,此时U_i,t = 0。

\(\left\{ \begin{align} {{P}_{\operatorname{G}i,t}}=0,\quad {{P}_{\operatorname{G}i,t}}\le {{P}_{\operatorname{G}i,\min }} \\ {{U}_{i,t}}=0 \\ \end{align} \right.\) (17)

火电机组爬坡约束：

$\left\{ \begin{align} {{P}_{\text{G}i,t}}-{{P}_{\text{G}i,t-1}}+{{U}_{i,t-1}}({{P}_{\text{G}i,\min }}-R_{i}^{\operatorname{u}})+ \\ \quad \quad {{U}_{i,t}}({{P}_{\text{G}i,\max }}-{{P}_{\text{G}i,\min }})\le {{P}_{\text{G}i,\max }} \\ {{P}_{\text{G}i,t-1}}-{{P}_{\text{G}i,t}}+{{U}_{i,t}}({{P}_{\text{G}i,\min }}-R_{i}^{\operatorname{u}})+ \\ \quad \quad {{U}_{i,t-1}}({{P}_{\text{G}i,\max }}-{{P}_{\text{G}i,\min }})\le {{P}_{\text{G}i,\max }} \\ \end{align} \right.$ (18)

式中R_i^u为第i个火电机组的爬坡速率。

火电机组启停时间约束为

\(\left\{ \begin{align} \sum\limits_{k=t}^{t+{{T}_{\text{S}}}-1}{(1-{{U}_{i,k}})}\ge {{T}_{\text{S}}}({{U}_{i,t-1}}-{{U}_{i,t}}) \\ \sum\limits_{k=t}^{t+{{T}_{\text{O}}}-1}{{{U}_{i,k}}}\ge {{T}_{\text{O}}}({{U}_{i,t}}-{{U}_{i,t-1}}) \\ \end{align} \right.\) (19)

式中T_S、T_O分别为最小关停与开机时间。

3）W-PV-CSP联合发电系统约束。

W-PV-CSP联合发电系统能量流如图2所示。

在联合发电系统中,可将HTF看作一个节点,认为HTF处应满足能量守恒：

\(P_{t}^{\operatorname{th},\operatorname{S}-H}+P_{t}^{\text{th,T-H}}=P_{t}^{\operatorname{th},\operatorname{H}-T}+u_{t}^{C}P_{SU}^{th}+P_{t}^{\text{th,H-P}}\) (20)

式中P_t^th,S-H、P_t^th,T-H、P_t^th,H-T、P_t^th,H-P为CSP电站各模块之间的热量交换,具体流动形式如图2所示。

图2 联合发电系统能量流图 Fig. 2 Hybrid power generation system energy flow diagram

\({{U}_{t,\text{e}}}P_{SU}^{th}\)为PC模块启动所需要的功率。

同时,联合发电系统中TES的充热功率由CSP电站的集热功率与风光电站经过电转热环节提供的热功率组成;而其放热功率只传送至HTF处。通过式(21)、(22)将风电、光伏与光热电站的储热系统相结合：

$P_{t}^{in}=[P_{t}^{\operatorname{th},H-T}+(P_{t}^{th,W-H}+P_{t}^{th,V-H}){{\eta }_{e}}]{{\eta }_{in}}$ (21)

$P_{t}^{out}=\frac{P_{t}^{\operatorname{th},T-H}}{{{\eta }_{out}}}$ (22)

式中：P_tⁱⁿ为储热环节的充热功率;η _in为充热效率;η _e为电转热环节的效率,其取值参考文献[26];P_t^out为储热环节的放热功率;η _out为放热效率。

同时,TES还应满足充放热不能同时进行的 约束：

$P_{t}^{\text{in}}P_{t}^{\text{out}}=0$ (23)

此外,对联合发电系统TES的储热容量也需要进行一定的约束：

$\left\{ \begin{align} {{E}_{\text{th,min}}}\le {{E}_{\text{th},t}}\le {{E}_{\text{th,max}}} \\ {{E}_{\text{th,}T}}={{E}_{\text{th},t1}} \\ \end{align} \right.$ (24)

式中E_th,t为储热罐在t时刻储存的热量,其应满足上下限的约束,同时,为了保证下一调度周期开始时CSP电站有一定的调度能力,需要保证每一个周期末的储热容量E_th,T充至初始值E_th,t1。

联合发电系统中风电、光伏的调度出力包括向电网提供的电量和向电加热系统提供的电量之和。

$\left\{ \begin{align} {{P}_{\operatorname{w},t}}=P_{\operatorname{w},t}^{\operatorname{S}}+P_{t}^{th,W-H} \\ {{P}_{\operatorname{v},t}}=P_{\operatorname{v},t}^{\operatorname{S}}+P_{t}^{\operatorname{th},V-H} \\ \end{align} \right.$ (25)

对于风电、光伏以及CSP电站运行约束详见 文献[13]。

4）系统正负旋转备用约束。

\(\begin{align} \text{Cr}\{\sum\limits_{i=1}^{3}{{{U}_{i,t}}}\min ({{P}_{\operatorname{G}i,\max }},{{P}_{\operatorname{G}i}}+P_{\operatorname{RU},i}^{G})+P_{\operatorname{th},t}^{e}+P_{\operatorname{w},t}^{\text{S}}+ \\ \quad \quad P_{\operatorname{v},t}^{\text{S}}+\tilde{P}_{\varepsilon \operatorname{w},t}^{\operatorname{pre}}+\tilde{P}_{\varepsilon \operatorname{v},t}^{\operatorname{pre}}\ge {{P}_{\operatorname{l},t}}+{{{\tilde{P}}}_{\varepsilon \operatorname{l},t}}+\Delta {{q}_{t}}+\Delta {{{\tilde{q}}}_{\varepsilon ,t}}\}\ge \Psi \\ \end{align}\) (26)

\(\begin{align} \text{Cr}\{\sum\limits_{i=1}^{3}{{{U}_{i,t}}}\max ({{P}_{\operatorname{G}i,\min }},{{P}_{\operatorname{G}i}}-P_{RU,i}^{G})+P_{\operatorname{th},t}^{e}+P_{\operatorname{w},t}^{\text{S}}+ \\ \quad \quad P_{\operatorname{v},t}^{\text{S}}+\tilde{P}_{\varepsilon \operatorname{w},t}^{\text{pre}}+\tilde{P}_{\varepsilon \operatorname{v},t}^{\text{pre}}\le {{P}_{\operatorname{l},t}}+{{{\tilde{P}}}_{\varepsilon \operatorname{l},t}}+\Delta {{q}_{t}}+\Delta {{{\tilde{q}}}_{\varepsilon ,t}}\}\ge \Psi \\ \end{align}\) (27)

式中：Cr{•}为置信度表达式;Ψ 为满足系统备用约束的置信度;通过文献[27]的方法将不确定性约束转换为确定性约束。本文的正负旋转备用由火电机组提供,在计算过程中其成本设置为火电机组的发电成本。

5）潮流约束。

本文中潮流约束采用直流潮流模型,通过引入发电机输出功率转移分布因子矩阵G来描述各支路潮流^[28]。

\({{P}_{x,\min }}\le \sum\limits_{i=1}^{N}{{{G}_{x\text{-}i}}{{P}_{i,t}}}-\sum\limits_{j=1}^{{{N}_{L}}}{{{G}_{x\text{-}j}}{{P}_{d,t}}}\le {{P}_{x,max}}\) (28)

式中：G_x-i描述节点i的注入功率对于线路x产生的影响;G_x-j描述节点j的注入功率对于线路x产生的影响;P_x,max、P_x,min分别为线路x的最大最小传输容量;P_i,t为位于节点i的机组在t时刻的出力,P_d,t为节点d在t时刻的负荷需求。

6）PDR约束。

需求响应应该满足响应前后负荷总量不变的约束：

\(\sum\limits_{t=1}^{T}{P_{\operatorname{l},t}^{\operatorname{PDR}}}=\sum\limits_{t=1}^{T}{{{P}_{\operatorname{l},t}}}\) (29)

同时用户自身的利益也需要考虑,因此本文引入用户用电方式满意度和用电费用满意度作为衡量的指标^[19]。

式中：E(Δq_t)为负荷响应量的期望值;M^u_min为用户用电方式满意度的最小值;M^P_min为用电费用满意度的最小值。

3 算例分析

3.1 算例系统概述

本文采用IEEE 30节点进行算例分析,其中将CSP电站、光伏电站以及风电场分别替换原系统中的第2、5、11号火电机组。

替换后的IEEE 30节点模型图如图3所示。 3组火电机组的参数如表1所示;CSP电站的运行参数如表2所示;风电机组的容量为200MW;光伏电站的容量为100MW,以上数据都采用西北地区实际电站数据。同时本文在算例中假设电加热系统已经建成,不考虑其投资成本。

图3 IEEE 30节点模型 Fig. 3 IEEE 30-bus system

表1 火电机组运行参数 Tab. 1 Operation parameters of thermal units

表2 CSP电站运行参数 Tab. 2 Operating parameters of CSP

需求弹性矩阵E的自弹性系数取值为 -0.2,互弹性系数取值为0.03;满足备用容量约束的置信度ψ 取为0.95。典型日风电预测功率、太阳辐射指数以及负荷预测功率如图4所示。剩余系数取值如表3所示。

图4 典型日负荷、风电、太阳辐射指数预测曲线 Fig. 4 The prediction index curve of load, wind power and solar radiation

表3 其他参数取值 Tab. 3 The value of other parameters

本文的算例在Matlab软件中通过YALMIP工具包调用CPLEX进行优化计算。

3.2 算例结果分析

3.2.1 典型日下算例结果分析

为了验证所提优化模型在提高风光消纳能力以及系统经济性上的有效性,本文设置了3个模型进行对比：

1）模型1：传统日前经济调度模型,既不考虑PDR也不采用W-PV-CSP联合发电系统。

2）模型2：考虑PDR但不采用W-PV-CSP联合发电系统的日前优化调度模型。

3）模型3：采用本文的考虑PDR及W-PV-CSP联合发电系统日前优化调度模型。

算例中以典型日负荷及风电、太阳辐射指数为基础,3个模型都以综合成本最优为目标进行优化,对比分析各模型最终的成本及弃风、弃光量。

图5(a)—(c)分别为模型1、2、3的日前调度结果,图6为经PDR后的日前实时电价,PDR前电价为固定的400元/MW^[19]。

图5 3种模型日前调度结果 Fig. 5 The results of scheduling under three models

图6 模型3 PDR后实时电价 Fig. 6 Electricity price at real time after PDR of model 3

通过图4、5结合分析可见：在不考虑需求响应时,由于00:00—08:00时为风电出力较高时期,而此时负荷需求较低,风电呈现反调峰特性,使得在这个时间段内弃风较为严重;同时,12:00—14:00太阳辐射指数较高,光伏出力随之增加,但由于此时负荷需求不足而产生弃光。

通过图6的电价制定可以看出,在考虑PDR之后,使得15:00之后的电价提高,而在风电出力较高的00:00—08:00时以及光伏出力较高的12:00— 14:00电价相对较低。同时结合图5的对比可以看出：模型2及模型3的负荷需求量相比模型1在00:00—08:00时以及12:00—14:00有所增加,使得模型1中由于负荷需求量的限制而产生的弃风、弃光量减少;而15:00之后模型2与模型3相比模型1负荷需求量减少,火电机组出力也随之降低。

价格型需求响应能够有效结合源荷两侧进行调度,提高风光的消纳能力。但通过图5(a)、(b)的对比可知,在西北地区较高的弃风、弃光水平下,单纯引入价格型需求响应的日前优化调度只能小范围地调节负荷量,并不能改变负荷的基本走势,因此仍会存在较为严重的弃风弃光现象。

为进一步解决西北地区弃风、弃光问题,本文所采用的模型3在模型2的基础上风电、光伏及CSP电站采用W-PV-CSP联合发电系统运行方式,通过电转热环节,使得模型2中的弃风、弃光可以转换为热量存储于CSP电站的TES系统中,为CSP电站提供了更多的热源。所以相对于模型2,模型3的弃风弃光量进一步降低。

为了验证本文所提模型能够充分利用CSP电站的储热系统,并提高其调度灵活性,对模型2 与3 CSP电站出力与内部储热容量进行对比分析。图7为模型2与3 CSP电站出力对比,图8为模型2与3 CSP电站储热容量对比。结合图7、8进行分

图7 模型2与模型3 CSP电站出力对比 Fig. 7 The comparison of CSP power plant output between model 2 and model 3

图8 模型2与模型3储热容量对比 Fig. 8 Comparison of heat storage capacity between model 2 and model 3

析可知：由于加入电转热环节,模型3的W-PV-CSP联合发电系统将弃风、弃光转换为热量存储于CSP电站的TES中,因此在一天中的大多数时刻,模型3的CSP电站储热容量多于模型2,这使得模型3的CSP电站在负荷高峰时期所能提供的出力高于模型2,从而减少了火电机组的调峰压力。

图9为3个模型在系统各时刻正负旋转备用容量对比,图9(a)为正旋转备用,图9(b)为负旋转备用。由图9可知：采用W-PV-CSP联合发电系统的运行方式后,系统的旋转备用有所降低。这主要是因为风电、光伏与CSP电站的TES结合后,其波动性被TES所平抑,系统因风光出力的波动而提供的旋转备用容量也因此降低。

表4为3种模型求得的在火电机组成本,弃风、弃光惩罚成本,风电、光伏运行成本,CSP电站运行成本,电转热环节运行成本,总成本以及总弃风、

图9 3种模型旋转备用对比 Fig. 9 Comparison of three model’s reserve capacity

表4 不同模型成本对比 Tab. 4 Comparison of costs under different models

弃光率上的具体数值。

由表中数据可知,模型3由于加入电转热环节,弃风弃光惩罚成本最低,总的弃风、弃光率相比模型1与模型2降低了7.39%与5.36%。

同时由于模型3采用了W-PV-CSP联合发电系统,在消纳弃风弃光的同时,CSP电站的热源增多,可调度能力提高,使得系统中火电机组参与调峰的成本降低。综合来看,模型3相比模型1与模型2系统综合成本分别降低了15.4%与7.6%。

通过以上算例分析,验证了本文所提日前调度策略在典型日下对提高风光消纳能力与降低系统综合成本具有一定的有效性。

3.2.2 不同弃风、弃光水平下算例结果分析

为了分析本文所提模型在应对不同弃风、弃光水平下的作用效果,以目前全国平均的弃风、弃光率为基准^[1],将采用传统日前经济调度模型时系统的弃风、弃光水平分为以下3个场景：

1）低弃风、弃光水平：总弃风、弃光率介于0%~5%;

2）中等弃风、弃光水平：总弃风、弃光率介于5%~10%;

3）高弃风、弃光水平：总弃风、弃光率介于10%~15%。

表5 不同弃风、弃光水平下3种模型效果对比 Tab. 5 Comparison of effect in three models under different curtailment levels of wind and solar

由表5可知,随着总弃风、弃光率的提高,模型3的优化效果越来越明显。

在综合成本方面,0%~5%的总弃风弃光率下,模型3相比模型1与模型2分别减少了8.1%与0.13%;5%~10%的总弃风弃光率下,模型3相比模型1与模型2分别减少了15.4%与7.6%;而当总弃风弃光率达到10%~15%时,模型3相比模型1与模型2在综合成本上降低了21.4%与17.7%。

以上结果主要是因为弃风、弃光水平较低时,模型1与模型2弃风、弃光惩罚成本较低,且W-PV-CSP联合发电系统所能利用的弃风、弃光量也相对较低,导致模型3的优化效果不明显;而随着弃风、弃光水平的提升,W-PV-CSP联合发电系统中可用的弃风弃光量增多,CSP电站的热源增多,其调度灵活性上升,对减少系统的弃风、弃光惩罚成本以及火电机组的调峰成本作用更明显。

同时在风光消纳率上,模型3相对于模型1在总弃风、弃光率从低到高时分别提高了2.15%、7.42%、8.47%;相对于模型2分别提高了1.38%、5.36%、7.87%。

通过以上算例分析可以看出,在弃风、弃光水平较低的地区,引入PDR进行日前优化调度已有较好的优化效果;但随着弃风、弃光水平的提高,仅考虑PDR的日前优化调度所能提高的风光消纳能力逐渐减少;而本文所提出的考虑PDR及W-PV-CSP联合发电系统的日前优化调度模型随着弃风、弃光水平的提高,效果更加明显,且在不同弃风、弃光水平下都有较好的优化效果。因此,对于弃风、弃光较为严重的西北地区,本文所提日前调度策略具有一定的实际意义。

4 结论

本文建立了考虑价格型需求响应的W-PV-CSP联合发电系统优化调度模型。采用电转热环节将风光系统与CSP电站的TES相结合,建立了W-PV-CSP联合发电系统;同时,通过PDR来改变用户的用电方式,将电源侧与负荷侧的调度进行结合;通过算例分析得到以下结论：

1）相比于传统的新能源电站之间的运行方式,通过电转热环节将风光电站与CSP电站的TES相结合,能够充分利用CSP电站的能量时移特性,在为弃风、弃光提供有效利用方式的同时提高了CSP电站自身的调度灵活性。

2）PDR能够有效地将电源侧与负荷侧相结合,指导用户制定合理的用电计划。但仅考虑PDR的日前调度只能小范围调节负荷量,并不能改变负荷基本走势。

3）本文所提优化模型在典型日场景下总成本为488000元,相比仅考虑PDR的日前调度模型降低了7.6%,同时风光消纳能力提高了5.36%。

4）通过对不同弃风、弃光水平下模型的有效性进行对比,验证了本文所提模型在较高弃风、弃光水平下具有一定的效果。

需要指出的是,本文未考虑电转热环节的建设成本,这使得本文所提出的模型在弃风、弃光水平较低地区的实用价值需要进一步考量;同时对电转热环节的具体实施方案将在后续研究过程中展开。

在线出版日期：2020-04-28。

参考文献

[1] 国家能源局.2019年第一季度风电并网运行情况[EB/OL].[2018-11-19].. National Energy Administration.Grid-connected Operation of Wind Power in the First Quarter of 2019.[EB/OL].[2018-11-19]..

[2] Chen Runze,Sun Hongbin,Guo Qinglai,et al.Reducing generation uncertainty by integrating CSP with wind power:an adaptive robust optimization-based analysis[J].IEEE Transactions on Sustainable Energy,2015,6(2):583-594.

[3] 李海,张宁,康重庆,等.可再生能源消纳影响因素的贡献度分析方法[J].中国电机工程学报,2019,39(4):1009-1017. Li Hai,Zhang Ning,Kang Chongqing,et al.Analytics of contribution degree for renewable energy accommodation factors[J].Proceedings of the CSEE,2019,39(4):1009-1017(in Chinese).

[4] Mu Gang,Guo Gan,Li Junhui,et al.The control strategy of energy storage externality for reducing wind curtailment from wind farm cluster[J].Energy Procedia,2018,152:233-239.

[5] 崔杨,姜姗,刘青山.东北地区风电跨区消纳及其经济性分析[J].东北电力大学学报,2013,33(1-2):89-94. Cui Yang,Jiang Shan,Liu Qingshan.The feasibility assessment and economic analysis of cross-provincial wind power integration in Northeast China[J].Journal of Northeast Dianli University,2013,33(1-2):89-94(in Chinese).

[6] 崔杨,张汇泉,仲悟之,等.基于分时能量互补的风电-光热联合外送容量优化配置方法[J/OL].电网技术,2019:1-8[2019-03-06].https://doi.org/10.13335/j.1000- 3673.Pst.2018.2184. Cui Yang,Zhang Huiquan,Zhong Wuzhi,et al.An optimization method to determine power transmission capacity of wind-CSP plants combined system based on time-sharing energy complementation[J/OL].Power System Technology,2019:1-8[2019-03-06].https://doi. org/10.13335/j.1000-3673.pst.2018.2184(in Chinese).

[7] 崔杨,杨志文,严干贵,等.降低火电机组调峰成本的光热电站储热容量配置方法[J].中国电机工程学报,2018,38(6):1605-1611. Cui Yang,Yang Zhiwen,Yan Gangui,et al.Capacity configuration of thermal energy storage within CSP to reduce the cost of peak load regulation[J].Proceedings of the CSEE,2018,38(6):1605-1611(in Chinese).

[8] Xu Ti,Zhang Ning.Coordinated operation of concentrated solar power and wind resources for the provision of energy and reserve services[J].IEEE Transactions on Power Systems,2017,32(2):1260-1271.

[9] Sioshansi R,Denholm P.Benefits of colocating concentrating solar power and wind[J].IEEE Transactions on Sustainable Energy,2013,4(4):877-885.

[10] 杨勇,郭苏,刘群明,等.风电-CSP联合发电系统优化运行研究[J].中国电机工程学报,2018,38(S1):151-157. Yang Yong,Guo Su,Liu Qunming,et al.Research on optimization operation for wind-CSP hybrid power generation system[J].Proceedings of the CSEE,2018,38(S1):151-157(in Chinese).

[11] 车泉辉,娄素华,吴耀武,等.计及条件风险价值的含储热光热电站与风电电力系统经济调度[J].电工技术学报,2019,34(10):2047-2055. Che Quanhui,Lou Suhua,Wu Yaowu,et al.Economic dispatching for power system of concentrated solar power plant with thermal energy storage and wind power considering conditional value-at-risk[J].Transactions of China Electrotechnical Society,2019,34(10):2047-2055(in Chinese).

[12] 付伟,刘坤艳,宁卜.计及风险备用需求的含风电电力系统经济调度[J].电力系统及其自动化学报,2016,28(6):91-96. Fu Wei,Liu Kunyan,Ning Bo.Economic dispatch of power system with wind farms considering risk-reserve[J].Proceedings of the CSU-EPSA,2016,28(6):91-96(in Chinese).

[13] 崔杨,杨志文,张节潭,等.计及综合成本的风电-光伏-光热联合出力调度策略[J].高电压技术,2019,45(1):269-275. Cui Yang,Yang Zhiwen,Zhang Jietan,et al.Scheduling strategy of wind power-photovoltaic power-concentrating solar power considering comprehensive costs[J].High Voltage Engineering,2019,45(1):269-275(in Chinese).

[14] 齐志远,郭佳伟,李晓炀.基于联合概率分布的风光互补发电系统优化配置[J].太阳能学报,2018,39(1):203-209. Qi Zhiyuan,Guo Jiawei,Li Xiaoyang.Optimal configuration for wind power and solar power hybrid systems based on joint probability distribution of wind speed with solar irradiance[J].Acta Energiae Solaris Sinica,2018,39(1):203-209(in Chinese).

[15] 吕颖,鲁广明,谢昶,等.考虑大规模集中接入风电功率波动相关性的在线概率安全评估[J].电网技术,2018,42(4):1140-1148. Lü Ying,Lu Guangming,Xie Chang,et al.Online probabilistic security assessment considering centralized integration of large scale wind power[J].Power System Technology,2018,42(4):1140-1148(in Chinese).

[16] 国家发展改革委.可再生能源发展“十三五”规划[EB/OL].[2018-11-25].(in Chinese).

[17] 罗纯坚,李姚旺,许汉平,等.需求响应不确定性对日前优化调度的影响分析[J].电力系统自动化,2017,41(5):22-29. Luo Chunjian,Li Yaowang,Xu Hanping,et al.Influence of demand response uncertainty on day-ahead optimization dispatching[J].Automation of Electric Power Systems,2017,41(5):22-29(in Chinese).

[18] 王蓓蓓,刘小聪,李扬.面向大容量风电接入考虑用户侧互动的系统日前调度和运行模拟研究[J].中国电机工程学报,2013,33(22):35-44. Wang Beibei,Liu Xiaocong,Li Yang.Day-ahead generation scheduling and operation simulation considering demand response in large-capacity wind power integrated systems[J].Proceedings of the CSEE,2013,33(22):35-44(in Chinese).

[19] 崔杨,张汇泉,仲悟之,等.计及价格型需求响应及CSP电站参与的风电消纳日前调度[J/OL].电网技术,2019:1-9[2019-06-12].https://doi.org/10.13335/j.1000- 3673.pst.2019.0181. Cui Yang,Zhang Huiquan,Zhong Wuzhi,et al.Day-ahead scheduling considering the participation of price-based demand response CSP plant in wind power consumption[J/OL].Power System Technology,2019:1-9[2019-06-12].https://doi.org/10.13335/j.1000-3673. pst.2019.0181(in Chinese).

[20] 陈润泽,孙宏斌,李正烁,等.含储热光热电站的电网调度模型与并网效益分析[J].电力系统自动化,2014,38(19):1-7. Chen Runze,Sun Hongbin,Li Zhengshuo,et al.Grid dispatch model and interconnection benefit analysis of concentrating solar power plants with thermal storage[J].Automation of Electric Power Systems,2014,38(19):1-7(in Chinese).

[21] 别朝红,胡国伟,谢海鹏,等.考虑需求响应的含风电电力系统的优化调度[J].电力系统自动化,2014,38(13):115-120. Bie Chaohong,Hu Guowei,Xie Haipeng,et al.Optimal dispatch for wind power integrated systems considering demand response[J].Automation of Electric Power Systems,2014,38(13):115-120(in Chinese).

[22] Kirschen D S,Strbac G,Cumperayot P,et al.Factoring the elasticity of demand in electricity prices[J].IEEE Transactions on Power Systems,2000,15(2):612-617.

[23] 艾欣,刘晓,孙翠英.含风电场电力系统机组组合的模糊机会约束决策模型[J].电网技术,2011,35(12):202-207. Ai Xin,Liu Xiao,Sun Cuiying.A fuzzy chance constrained decision model for unit commitment of power grid containing large-scale wind farm[J].Power System Technology,2011,35(12):202-207(in Chinese).

[24] 熊虎,向铁元,陈红坤,等.含大规模间歇式电源的模糊机会约束机组组合研究[J].中国电机工程学报,2013,33(13):36-44. Xiong Hu,Xiang Tieyuan,Chen Hongkun,et al.Research of fuzzy chance constrained unit commitment containing large-scale intermittent power[J].Proceedings of the CSEE,2013,33(13):36-44(in Chinese).

[25] 李姚旺,苗世洪,罗星,等.含压缩空气储能电力系统日前-日内协调调度策略[J].中国电机工程学报,2018,38(10):2849-2860. Li Yaowang,Miao Shihong,Luo Xing,et al.Day-ahead and intra-day time scales coordinative dispatch strategy of power system with compressed air energy storage[J].Proceedings of the CSEE,2018,38(10):2849-2860(in Chinese).

[26] 李佳佳,胡林献.基于二级热网电锅炉调峰的消纳弃风方案研究[J].电网技术,2015,39(11):3286-3291. Li Jiajia,Hu Linxian.Research on accommodation scheme of curtailed wind power based on peak-shaving electric boiler in secondary heat supply network[J].Power System Technology,2015,39(11):3286-3291(in Chinese).

[27] 刘宝碇,赵瑞清,王纲.不确定规划及应用[M].北京:清华大学出版社,2003:213-217. Liu Baodian,Zhao Ruiqing,Wang Gang.Uncertain programming and application[M].Beijing:Tsinghua University Press,2003:213-217(in Chinese).

[28] 殷自力,陈宇星.基于功率传输转移分布因子的简化电网潮流计算方法[J].电力系统保护与控制,2016,44(17):25-30. Yin Zili,Chen Yuxing.A power flow computation method for reduction grid based on power transfer distribution factor[J].Power System Protection and Control,2016,44(17):25-30(in Chinese).