计及风电预测误差的柔性负荷日内调度模型

doi:10.12096/j.2096-4528.pgt.20083

计及风电预测误差的柔性负荷日内调度模型

雷旭¹, 马鹏飞¹, 宋智帅², 李卫东³

1.神华宝日希勒能源有限公司，内蒙古自治区呼伦贝尔市 021000

2.呼伦贝尔职业技术学院，内蒙古自治区呼伦贝尔市 021000

3.国网冀北电力有限公司承德供电公司，河北省承德市 067000

A Flexible Intraday Load Dispatch Model Considering Wind Power Prediction Errors

LEI Xu¹, MA Pengfei¹, SONG Zhishuai², LI Weidong³

1.Shenhua Baorixile Energy Industry Co. , Ltd. , Hulunbuir 021000, Inner Mongolia Autonomous Region, China

2.Hulunbuir Vocational Technical Collage, Hulunbuir 021000, Inner Mongolia Autonomous Region, China

3.State Grid Chengde Power Supply Company, Chengde 067000, Hebei Province, China

收稿日期: 2021-07-18

Received: 2021-07-18

作者简介 About authors

雷旭(1988)，男，工程师，研究方向为微网优化规划设计，175196248@qq.com；

马鹏飞(1986)，男，工程师，研究方向为市电网规划和配电系统自动化，295059404@qq.com；

宋智帅(1987)，女，助理讲师，研究方向为分布式发电，769611848@qq.com；

李卫东(1995)，男，硕士，研究方向为综合能源系统优化，liweidong13579@163.com。

摘要

由于风电的不确定性与随机性导致风电出力难以精确预测，进而导致依据风电预测值所建立的日前调度模型存在一定的局限性，为解决此问题并提升风电消纳比例，提出一种计及风电预测误差的柔性负荷日内调度模型。首先，对储能和工业高载能负荷等可控柔性负荷进行建模；然后，考虑风电预测误差的概率分布特性，并基于日前调度计划建立以风电消纳量最高为目标的日内调度模型；最后，在保证系统安全可靠基础上，通过基于MATLAB的遗传算法进行优化。仿真结果表明：与日前调度计划相比，日内调度模型风电消纳比例提升了1.83%，验证了所提调度模型的有效性；通过对柔性负荷的超短期调度，可有效解决仅依据日前计划进行调度易出现电力系统功率不平衡的问题，提高电力系统稳定性。

关键词： 风电预测 ; 调度模型 ; 柔性负荷 ; 风电消纳 ; 遗传算法(GA)

Abstract

Due to the uncertainty and randomicity of wind power, it is difficult to accurately predict wind power, which leads to certain limitations of day-ahead dispatch model established based on wind power prediction. In order to solve this problem and improve wind power accommodation ratio, a flexible load day-ahead dispatch model considering wind power prediction error was proposed. Firstly, the controllable flexible loads, such as energy storage and industrial high load load, were modeled. Secondly, the probabilistic distribution characteristics of wind power prediction errors were considered, and a day-ahead dispatch model aiming at the maximum wind power accommodation was established. Finally, based on ensuring the safety and reliability of the system, the dispatch model was optimized by genetic algorithm based on MATLAB. The simulation results show that compared with the day-ahead dispatch model, the wind power accommodation is increased by 1.83%, and the efficiency of the proposed dispatch model is verified. Moreover, the imbalance problems of power system power is solved effectively by the short-term scheduling of the flexible load. The stability of power system is improved.

Keywords： wind power predictioin ; dispatch model ; flexible load ; wind power accommodation ; genetic algorithm(GA)

PDF (1401KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

雷旭, 马鹏飞, 宋智帅, 李卫东. 计及风电预测误差的柔性负荷日内调度模型. 发电技术[J], 2022, 43(3): 485-491 DOI:10.12096/j.2096-4528.pgt.20083

LEI Xu, MA Pengfei, SONG Zhishuai, LI Weidong. A Flexible Intraday Load Dispatch Model Considering Wind Power Prediction Errors. Power Generation Technology[J], 2022, 43(3): 485-491 DOI:10.12096/j.2096-4528.pgt.20083

0 引言

近年来，风电并网规模逐渐增大，风电消纳比例逐步提高，但风电出力的随机性对电网稳定性的影响也愈加明显^[1]。风电的反调峰特性使得风电大发期与用电高峰期产生了明显的冲突，用户参与电网调度已是促进风电消纳的重要手段^[2-3]。因此，研究计及风电预测误差的柔性负荷日内调度模型具有重要意义。

当前研究人员对含风电功率不确定性的调度问题展开了大量的研究，文献[4-5]引入模糊理论，使确定性的系统约束变为基于可信性理论的模糊机会约束，构建了考虑源-荷不确定性优化调度模型。文献[6-7]针对风电功率呈现出的高阶不确定性，提出了考虑风电概率分布不确定性综合能源系统优化调度模型。文献[8-11]通过分析各频段功率波动置信概率，构建了考虑风电波动不确定性的两阶段鲁棒分频优化模型。文献[12]将模型分为预优化和实时优化2个阶段，采用场景描述风电不确定性并通过调节可控串联补偿器(thyristor controlled series compensation，TCSC)参数来控制网络中功率的分布。文献[13]通过对风电场历史出力数据的统计分析获得风功率预测误差的分布特性，并考虑了风功率预测误差对次日风电场运行经济性的影响。文献[14]利用区间优化理论方法，将含有风电出力不确定的线性区间优化模型转化为2个确定性的优化模型。文献[15-17]采用高斯混合模型对风电功率预测误差的概率密度分布进行拟合，在此基础上建立了考虑风电不确定性的电力系统调度模型。文献[18]基于风电预测误差随时间尺度变化的规律，提出了一种基于偏差预控的负荷调度模式。

以上文献针对风电不确定性的调度模型进行了大量且全面的研究，但对于利用柔性负荷弥补风电预测误差、提升电力系统稳定性的调度模型研究较少。由于风电预测存在误差，仅依据日前调度计划进行调度会出现电力系统功率不平衡、日前调度计划不合理等问题。本文建立以弃风最小为目标的调度模型，通过储能负荷及可中断的工业高载能负荷的快速响应，弥补日前调度计划的不足，提升系统稳定性。

1 可控柔性负荷建模

电网负荷主要包含刚性负荷、柔性负荷两大类。其中刚性负荷是指必须满足的负荷，且不接受电网的调控，但是用户可依据分时电价提前安排工作时间。柔性负荷指用电量可在指定区间内变化或在不同时段间转移的负荷，包含可调节负荷、可转移负荷、储能、分布式电源等。本文所提的日内调度策略仅针对储能负荷和可中断的工业高载能负荷。

1.1 储能负荷

储能装置按照存储方式主要分为电磁储能、电化学储能、物理储能和相变储能4种类型^[19-20]。储能装置在电力系统中的主要作用是辅助新能源消纳、削峰填谷、提高供电可靠性等，此外，具有作为事故备用、改善配电网负荷特性及功率控制、改善电能质量等附加功能。

储能电池在使用过程根据自身能量状态和运行约束条件，按照储能系统控制策略进行充放电操作，其能量存储状态一直处于动态变化之中。为了能够对储能系统的能量变化情况进行定量描述和计算，本文建立储能系统的简化线性模型，充放电后储能系统存储的能量计算公式为

E_{e s} = E_{e s 0} + (P_{t}^{e s c} \cdot η_{c} \cdot δ_{c} - \frac{P_{t}^{e s d}}{η_{d}} \cdot δ_{d}) \cdot Δ t

(1)

式中：E_es表示储能系统充放电后的储能系统容量；E_es0表示储能系统充放电前的初始系统容量； $P_{t}^{e s c}$ 表示t时刻储能系统的实际充电功率； $η$ _c表示储能系统的充电效率； $P_{t}^{e s d}$ 表示t时刻储能系统的实际放电功率； $η$ _d表示储能系统的放电效率； $δ$ _c和 $δ$ _d表示储能系统的充放电状态，储能系统处于充电状态时， $δ$ _c=1， $δ$ _d=0，储能系统处于放电状态时， $δ$ _c=0， $δ$ _d=1，储能系统处于停止充放电状态时 $δ$ _c和 $δ$ _d均为0； $Δ t$ 表示储能系统进行充放电操作的单位时间间隔。

荷电常数是储能系统运行过程中的重要参数，储能系统充放电后的荷电常数计算公式为

S_{O C} = \frac{E_{e s}}{E_{e s N}}

(2)

式中：S_OC表示储能系统充放电后的荷电状态；E_esN表示储能系统的额定容量。

1.2 工业高载能负荷

工业用户是中国电能消耗的主要用户，其电能消费占总电能消费比重超过70%。其中，以钢铁、煤炭、石油和化工为代表的重点高耗能企业的用电量占总工业用电比重超过60%^[21]。因此，对工业用户开展需求响应项目，能够充分挖掘工业用户的节能潜力，提高电能利用效率。工业用户用电负荷量相对较大，用电负荷分布比较规律，且用电时段可调整，这使得工业用户能够很好地参与电力需求响应。对工业用户来说，能够通过调整和削减用电负荷，参与价格型需求响应和激励型需求响应。工业用户参与价格型需求响应时，主要是根据实时电价高低调整生产计划，选择在夜间低谷电价时段进行生产。工业用户参与激励型需求响应时，会核算需求响应收益和节约的用电成本是否高于正常生产产品所得收益，当前者高于后者时，工业用户会参与价格型需求响应。依照用电习惯，可将工业高载能负荷分为可中断型负荷和可平移负荷。本文仅考虑可中断负荷。

可中断负荷是指用户与电网签订合约参与调度，从而获取经济补偿。可中断负荷主要为工业生产中对用电质量不高的负荷，以减小负荷需求的方式改善用户的需求电量，减小峰谷差。相比发电机出力，其响应速度快、中断容量大，也不必受发电机爬坡约束限制。可中断负荷典型模型如图1所示。与工厂签订合同主要确认以下内容：1）合同有效时间；2）用户参与中断的最大容量；3）补偿费用。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 可中断负荷

Fig. 1 Interruptible load

图1中：ρ为可中断负荷的比例；rup为中断重新开启的启动斜率；tcut为中断开始的时间；ton为重新上电的时间；Pr为额定功率。

2 日内调度模型

2.1 源-荷系统模型

根据不同时间尺度将调度方式分为日前调度和日内调度。日前调度提前一天向电力系统各个单元下达未来24 h的调度指令，采样时间为1 h，侧重于电力系统源-荷系统长期的协调配合及经济运行，本文所考虑的源-荷系统如图2所示。日内调度在日前计划的基础上按照日内出现的不同情况调整各单元的出力，采样时间为15min，侧重于电力系统的可靠性。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 源-荷系统模型

Fig. 2 Model of source-load system

2.2 风电预测误差

风电功率预测误差的概率分布特性可以表征风电功率预测值的不确定程度^[22]。也有文献提出先假设风速服从Weibull分布或正态分布，再经过功率-风速特性曲线间接得到相应的预测功率的概率密度函数。其中，正态分布假设应用最为广泛，故本文也采用此类假设。因此，风电功率预测误差的概率密度函数可以表示为

f (ω) = \frac{1}{\sqrt[]{2 π} δ} e x p [- \frac{{(ω - μ)}^{2}}{2 δ^{2}}]

(3)

式中： $δ$ 表示风电功率预测误差的标准差； $ω$ 表示风电功率实际值； $μ$ 表示风电预测出力。

2.3 调度模型

风电不确定性会影响电力系统稳定性，带来弃风限电的风险，日内调度的目的是通过对储能系统和工业高载能负荷的调控，弥补由于风电预测误差造成的日前计划的缺陷，同时利用储能系统和工业高载能负荷的快速响应特性消纳风电。因此，模型目标函数为日内弃风电量最小，表示为

m i n E_{Δ w i n d} = \sum_{t = 1}^{T} [(P_{t}^{w i n d} - P_{t}^{P w i n d} - Δ P_{t}^{E} - Δ P_{t}^{L}) Δ t]

(4)

式中：E_Δwind表示调度周期内弃风电量； $P_{i}^{w i n d}$ 表示t时刻风电机组的日内实际出力； $P_{i}^{P w i n d}$ 表示日前计划中t时刻风电机组的并网功率； $Δ P_{t}^{E}$ 表示t时刻储能系统调节量； $Δ P_{t}^{L}$ 表示t时刻工业高载能负荷调节量；T表示优化周期内总采样时间数。

2.4 约束条件

1）储能系统充放电功率以及荷电状态约束

考虑储能系统寿命的问题，为避免储能充放电功率过大以及过充过放的问题，储能系统的充放电功率调节量应限定在指定范围内，且调整后储能系统的充放电功率应不超过额定功率，荷电状态也应限定在指定范围内：

0 \leq |Δ P_{t}^{E}| \leq |Δ P_{t}^{E m a x}|

(5)

0 \leq P_{t}^{e s c} \leq P_{e s c}^{m a x}

(6)

0 \leq P_{t}^{e s d} \leq P_{e s d}^{m a x}

(7)

{S_{O C}}_{m i n} \leq S_{O C} (t) \leq {S_{O C}}_{m a x}

(8)

式中： $Δ P_{t}^{E m a x}$ 表示储能系统在t时刻的最大调节量； $P_{e s c}^{m a x}$ 表示储能系统充电功率的最大值； $P_{e s d}^{m a x}$ 表示储能系统放电功率绝对值的最大值；S_OCmin、S_OCmax分别表示储能系统荷电状态的最小值与最大值。

2）工业高载能负荷约束

考虑到用户经济性，可调控柔性负荷须限定在指定范围内：

0 \leq |Δ P_{t}^{L}| \leq |Δ P_{t}^{L m a x}|

(9)

式中 $Δ P_{t}^{L m a x}$ 为可调柔性负荷的最大值。

3）功率平衡约束

为保证用电设备的正常运行，对柔性负荷与储能系统的调控需满足电网的功率平衡，即

P_{t}^{h} + P_{t}^{S W} = P_{t}^{L o a d} \pm Δ P_{t}^{L} \pm Δ P_{t}^{E}

(10)

式中： $P_{t}^{h}$ 表示火电机组出力； $P_{t}^{S W}$ 表示风电机组实际并网功率； $P_{t}^{L o a d}$ 表示t时刻负荷需求。

3 算例分析

为验证本文所提储能负荷和工业高载能负荷的日内调度策略对于提高电力系统稳定性、提升风电消纳比例的有效性，利用遗传算法对本文所提的日内调度模型进行优化求解。

3.1 参数设置

本算例考虑了火电机组、风电机组、储能系统和柔性负荷，其相关参数和日前负荷预测、日前风电预测均取自文献[23]，并基于文献[23]所提日前调度模型进行优化求解，得到日前调度计划如表1所示。本文假设日前负荷预测为精准值，而日前风电预测存在误差，其预测误差服从正态分布。日前负荷预测、日前与日内风电预测见图3。利用MATLAB中遗传算法工具箱进行优化时其种群大小等相关参数均取默认值。

表1 日前调度计划 (MW)

Tab.1 Day-ahead dispatch plan

时刻	火电机组	风电机组	储能系统	高载能负荷
01:00	109.69	40.03	-4.23	-10.29
02:00	102.72	64.23	-11.87	-19.83
03:00	89.34	125.64	-27.51	-39.92
04:00	101.92	63.38	-17.39	-28.78
05:00	107.35	42.38	-7.66	-12.81
06:00	110.03	38.24	-5.36	-9.84
07:00	113.44	26.19	1.05	2.58
08:00	118.67	12.37	3.24	12.17
09:00	122.82	0.50	8.54	16.05
10:00	120.45	8.76	9.99	15.70
11:00	122.42	9.14	11.93	21.85
12:00	115.99	39.73	6.90	10.61
13:00	118.72	25.46	8.36	15.29
14:00	118.16	10.45	7.40	12.15
15:00	120.93	5.40	7.62	15.11
16:00	117.49	15.28	5.28	11.03
17:00	115.75	20.40	2.83	5.69
18:00	117.45	12.39	4.34	6.13
19:00	119.05	24.46	4.13	11.44
20:00	109.02	56.64	-1.92	-3.81
21:00	111.69	47.36	-1.16	-4.82
22:00	110.76	53.02	-4.37	-11.84
23:00	109.74	42.69	0.88	-12.45
24:00	109.48	30.55	-0.98	-2.18

新窗口打开| 下载CSV

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 风电及负荷预测

Fig. 3 Prediction of wind power and load demand

3.2 仿真结果分析

基于以上参数设置以及风电、负荷预测，利用遗传算法进行优化，得到储能系统以及工业高载能负荷日内调度量后，将储能系统功率以及工业高载能负荷调节量与日前调度计划进行对比，结果分别如图4、5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 储能功率对比

Fig. 4 Comparison of energy storage

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 需求响应对比

Fig. 5 Comparison of demand response

通过观察图4、5中曲线可知，与日前的调度结果相比，经过日内调度后储能系统功率曲线和工业高载能负荷调节量波动性有所增加，尤其处于风电出力预测误差较大时段，曲线波动幅度较大，但调节量均在储能系统和柔性负荷可调量约束范围内以保证用户舒适度以及商业用户正常生产。由于储能电池造价较高，可考虑主要通过利用工业高载能负荷弥补风电预测误差，而储能电池起辅助作用，通过这一方式可有效弥补风电预测误差，有效提升风电消纳比例。

日前计划风电消纳比例为79.15%，通过日内对柔性负荷的调度，风电消纳比例达到80.98%，提升了1.83%。图6为日前计划与日内实际风电消纳情况，可以观察到，如果按照日前计划进行调度，就会存在日前调度计划高于日内风机实际出力的不合理指令；若其他机组均按照日前计划出力，则会出现电网功率不平衡等一系列问题，严重威胁电力系统的稳定性。而通过日内对储能系统和可调柔性负荷的调控，能有效弥补日前计划的风电出力预测误差，且有助于大幅度提升电力系统稳定性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 日前计划与日内实际风电消纳情况

Fig. 6 Wind power accommodation of the day-ahead dispatch plan and actual within days

4 结论

为提升电力系统稳定性及电力系统对风电的快速响应能力，提出了计及风电预测误差的柔性负荷调度策略，并通过算例分析得出以下结论：

1）通过对储能系统和工业高载能负荷的日内调度，有利于提高电力系统对风电的快速响应能力，提升电力系统稳定性。

2）可短时调节的储能系统和工业高载能负荷有利于弥补风电预测误差，提升风电消纳比例。

3）随着经济发展，负荷种类随之增多，包含多类负荷的调度策略将会成为下一步研究的重点内容。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

纪会争，张帆，康春雷，等．

风火打捆直流送出系统电压稳定控制策略

[J]．电力建设，2020，41(4)：126-132．