陳可,高山,劉宇
(東南大學(xué)電氣工程學(xué)院,南京市 210096)
隨著電網(wǎng)能源轉(zhuǎn)型的不斷深入,現(xiàn)代電力系統(tǒng)正在逐步向源荷互動、大規(guī)模新能源消納、特高壓交直流互聯(lián)等方向發(fā)展[1-3]。一方面,新能源的大規(guī)模并網(wǎng)使電力平衡呈現(xiàn)出明顯的空間、時間不均衡,調(diào)峰調(diào)頻壓力突出,現(xiàn)有的發(fā)電跟蹤負(fù)荷的模式已無法適應(yīng)電網(wǎng)的發(fā)展[4-6];另一方面,負(fù)荷側(cè)設(shè)備更加多元化,分布式發(fā)電、分布式儲能、電動汽車等資源的大量應(yīng)用使得負(fù)荷端的靈活可控性增強,為電網(wǎng)提供了豐富的可調(diào)資源[7-8]。因此,如何引導(dǎo)規(guī)模化的多類型負(fù)荷側(cè)資源參與電網(wǎng)調(diào)控運行,已成為當(dāng)前電力系統(tǒng)的重要挑戰(zhàn)。
文獻[9]中將“柔性負(fù)荷”定義為用電量可在指定區(qū)間內(nèi)變化或在不同時段間轉(zhuǎn)移的靈活可調(diào)負(fù)荷,廣義上包含具備需求彈性的可調(diào)節(jié)負(fù)荷或可轉(zhuǎn)移負(fù)荷、具備雙向調(diào)節(jié)能力的電動汽車(electric vehicle ,EV)、儲能(energy storage,ES)、蓄能以及分布式電源、微網(wǎng)等。因其數(shù)量大、響應(yīng)快、控制靈活等特點,柔性負(fù)荷已逐漸成為削峰填谷、平抑新能源波動、提供輔助服務(wù)等場景的重要調(diào)控資源[10]。
目前,國內(nèi)外在柔性負(fù)荷資源的聚合控制和協(xié)同調(diào)度優(yōu)化方面開展了大量研究。文獻[11]通過基于溫控負(fù)荷開關(guān)狀態(tài)的分群操作,建立了歸一化溫度延伸裕度模型,研究了一種基于優(yōu)先序列的聚合溫控負(fù)荷需求響應(yīng)控制策略,用于風(fēng)電消納;文獻[12]研究了考慮用戶滿意度的電動汽車分群調(diào)度策略,并對每個子群分別制定延時充放電策略;文獻[13]將電采暖可調(diào)節(jié)能力的指標(biāo)定義為調(diào)節(jié)功率、可持續(xù)時間和可調(diào)控電量,并提出了基于溫度預(yù)報的戶用電采暖負(fù)荷可調(diào)節(jié)能力評估方法;文獻[14]在考慮了熱水器負(fù)荷調(diào)控需求的基礎(chǔ)上,提出了單體熱水器的狀態(tài)預(yù)測和估計方法;文獻[15]基于空調(diào)(air conditioner,AC)的熱儲能特性,構(gòu)建了空調(diào)的虛擬儲能模型,進而采用蒙特卡洛模擬方法建立其負(fù)荷群虛擬儲能的聚合模型。上述模型為負(fù)荷的集群控制研究提供了良好的理論依據(jù),但是這些研究主要集中于單類負(fù)荷的控制策略研究,而對于結(jié)構(gòu)異構(gòu)的調(diào)控負(fù)荷群,在如何對其進行去異質(zhì)化調(diào)控方面研究較少。
在柔性負(fù)荷參與的系統(tǒng)協(xié)同調(diào)度優(yōu)化方面,文獻[16]分析了不同充電方式對電網(wǎng)調(diào)峰的影響,提出了基于多時間尺度的風(fēng)電與電動汽車協(xié)同調(diào)度模型;文獻[17]以煤耗量為目標(biāo)函數(shù),構(gòu)建了計及熱電機組電功率上下限與抽汽量之間的函數(shù)關(guān)系的電熱聯(lián)合調(diào)度模型;文獻[18]立足于負(fù)荷聚集商參與整個電力系統(tǒng)利益均衡的角度上進行優(yōu)化,在分析主動負(fù)荷用電特性的基礎(chǔ)上以負(fù)荷削減合同作為聚合商調(diào)用對象,以此構(gòu)建含有聚合商的源荷互動雙層調(diào)度優(yōu)化模型;文獻[19]考慮風(fēng)電預(yù)測誤差在不同時間尺度下的差異性,并與相應(yīng)電網(wǎng)調(diào)節(jié)能力匹配,提出了計及柔性負(fù)荷參與多時間尺度協(xié)調(diào)的優(yōu)化調(diào)度策略。上述論文多是對于柔性負(fù)荷參與的系統(tǒng)協(xié)同調(diào)度優(yōu)化進行研究,未深入分析多類柔性資源之間的協(xié)調(diào)控制策略,對于多類型柔性資源參與調(diào)峰優(yōu)化的模式和模型尚缺乏系統(tǒng)性研究。
針對上述問題,本文首先提出一種計及多類型柔性負(fù)荷的分層協(xié)調(diào)控制架構(gòu)。在此框架下,柔性資源聚合商通過智能監(jiān)測終端采集負(fù)荷信息,對多類型柔性負(fù)荷進行聚合;其次,提出一種基于可控裕度指標(biāo)的異構(gòu)負(fù)荷協(xié)同控制策略,通過改進的狀態(tài)隊列算法進行批量化的指令下發(fā);最后,建立考慮多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型。通過算例驗證模型的有效性。
柔性負(fù)荷集群的分層協(xié)調(diào)控制框架如圖1所示,分為調(diào)度中心層、資源聚合商層和用戶設(shè)備層。
圖1 柔性負(fù)荷集群的分層協(xié)調(diào)控制架構(gòu)Fig.1 Hierarchical coordinated control architecture for flexible load clusters
1)調(diào)度中心層:根據(jù)負(fù)荷預(yù)測、可再生能源出力預(yù)測及柔性資源運行狀態(tài)等信息,對常規(guī)機組、分布式電源、各負(fù)荷資源聚合商的出力計劃進行優(yōu)化,并將功率調(diào)整的目標(biāo)量下發(fā)給負(fù)荷聚合商。
2)資源聚合商層:聚合商與用戶協(xié)商后,獲得負(fù)荷的控制權(quán)限,根據(jù)上層下發(fā)的目標(biāo)功率調(diào)整量,對可控裕度指標(biāo)較高的負(fù)荷進行直接控制;聚合商通過對其范圍內(nèi)的負(fù)荷資源信息進行分析和匯總,計算其最大可上調(diào)和下調(diào)容量,并將可調(diào)容量反饋至調(diào)度中心層。
3)用戶設(shè)備層:負(fù)荷設(shè)備通過智能插座或智能開關(guān)等設(shè)備對負(fù)荷類型、運行狀態(tài)等信息進行采集,并且通過用戶的邊緣側(cè)計算,將可調(diào)裕度指標(biāo)等參數(shù)上傳給聚合商;并根據(jù)聚合商下達的控制目標(biāo)進行相應(yīng)控制。
通過建立通用的可控裕度指標(biāo),使異構(gòu)負(fù)荷具有可比性,在優(yōu)化組合過程中,可以作為統(tǒng)一的資源池來進行控制[20]。可控裕度指標(biāo)通過用戶的邊緣側(cè)計算獲得,將結(jié)果上傳到上級聚合商平臺。所建立的指標(biāo)如下所示。
1) 功率裕度εp(t)。
εp(t)=P
(1)
式中:P為負(fù)荷在t時刻的可控功率,一般指在該時刻的運行功率。
2)時間裕度εt(t)。
負(fù)荷的可控時間裕度不僅取決于用戶自身設(shè)定的使用時間,而且取決于為了滿足用戶用電需要,負(fù)荷本身可用的能量空間轉(zhuǎn)化時長。取其較小值作為實際可控時間依據(jù),以最大化保證用戶用能需求。
εt(t)=min{tf-t,E/P}
(2)
式中:tf為用戶自主設(shè)定的使用時間;E為用戶負(fù)荷本身可用的能量空間。
3)可控能量狀態(tài)裕度εe(t)。
對于結(jié)構(gòu)異構(gòu)的負(fù)荷,其可控能量狀態(tài)裕度指標(biāo)定義如下。
(1)對于空調(diào)負(fù)荷,由于其具有一定的熱儲備能力,因此將空調(diào)建筑系統(tǒng)等效為虛擬儲能,定義可控能量狀態(tài)裕度εe,ac(t),用來描述空調(diào)虛擬儲能的剩余電量。
(3)
(4)
(5)
式中:E(t)和EN分別為空調(diào)虛擬儲能的儲電量和額定容量;Tr(t)為房間溫度;Tmax和Tmin分別為用戶可接受的溫度上限和下限;C為建筑等效熱容;ηac為定頻空調(diào)能效比。
由式(3)可知,εe,ac(t)的取值范圍為0到1之間,當(dāng)室內(nèi)溫度接近溫度上限時,虛擬儲能的剩余電量為0,此時已達到最大放電深度。
(6)
式中:Qev為電動汽車的電池容量;ηev為電動汽車的充電效率。假設(shè)電動汽車在時間ts=toff-ton以平均功率Pa=Eneed/ts進行充電,則
SOC,a(t+1)=SOC,a(t)+PaΔt/Qev
(7)
式中:SOC,a(t)為t時刻電動汽車在平均功率充電方式下的荷電容量。
電動汽車充電曲線如圖2所示。在此平均充電曲線上下分別設(shè)置兩條平行的邊界曲線。電動汽車從時刻ton以額定充電功率Pevn開始充電。由于額定充電曲線的斜率大于平均充電曲線,所以當(dāng)其與上邊界曲線相交時電動汽車停止充電,當(dāng)其與下邊界曲線相交時又開始重新充電,其數(shù)學(xué)表達式為:
圖2 電動汽車充電曲線Fig.2 Charging curve of an electric vehicle
SOC,evn(t+1)=SOC,evn(t)+ηevSev(t)PevnΔt/Qev
(8)
式中:SOC,evn(t)為t時刻電動汽車在額定功率充電方式下的荷電容量;Sev(t)代表電動汽車的充電狀態(tài),充電為1,不充電為0。當(dāng)電動汽車額定充電曲線與上邊界相交時,Sev(t)由1變?yōu)?;當(dāng)額定充電曲線與下邊界相交時,Sev(t)由0變?yōu)?。
為了描述充電過程,定義了電動汽車的可控能量狀態(tài)裕度εe,ev(t)。
(9)
(3)對于分布式儲能負(fù)荷,儲能設(shè)備以荷電狀態(tài)來表示其自身電量狀態(tài),分布式儲能的可控能量狀態(tài)裕度εe,es(t)如下:
εe,es(t)=SOC,es(t)
(10)
式中:SOC,es(t)為t時刻儲能的荷電狀態(tài)。
4)可控裕度指標(biāo)。
對上述的功率裕度、時間裕度、可控能量狀態(tài)裕度指標(biāo)進行歸一化后,通過式(11)得到負(fù)荷態(tài)勢的可控裕度指標(biāo)ε(t),以參與后續(xù)的負(fù)荷控制。
ε(t)=αεp(t)+βεt(t)+γεe(t)
(11)
α+β+γ=1
(12)
式中:εe(t)為可控能量狀態(tài)裕度的統(tǒng)稱,當(dāng)對象為空調(diào)、電動汽車、分布式儲能時,分別對應(yīng)εe,ac(t)、εe,ev(t)、εe,es(t);α、β、γ為分別權(quán)重系數(shù)。當(dāng)系統(tǒng)需要削減負(fù)荷時,ε(t)值越大,則可控越高,越優(yōu)先參與負(fù)荷的調(diào)控;反之則可控程度越低。
基于各類負(fù)荷的運行機理和建模[26-29],建立了以空調(diào)虛擬儲能、電動汽車、分布式儲能為主體的廣義儲能聚合模型,具體數(shù)學(xué)模型如下所示:
(13)
式中:Tout(t)為室外溫度;Qac(t)為空調(diào)制冷量,kW;R為建筑等效熱阻;Sac(t)為空調(diào)壓縮機的啟停狀態(tài);Pevn為電動汽車的實際運行功率;ηev為電動汽車的充電效率;Eev為電動汽車的額定容量;ω為儲能設(shè)備的充放電效率;Ees為儲能設(shè)備的最大電池容量;Pesn(t)為儲能設(shè)備的額定功率;Ses(t)為儲能設(shè)備的充放電狀態(tài),當(dāng)Ses(t)=1時,為充電狀態(tài),當(dāng)Ses(t)=-1時,為放電狀態(tài),當(dāng)Ses(t)=0時,為非充電非放電狀態(tài)。
針對上述的狀態(tài)模型,約束條件如下:
(14)
(15)
(16)
式中:ΔTd為定頻空調(diào)的閾值溫度范圍;Tset(t)為空調(diào)設(shè)定溫度;ωt為時間延遲,仿真中即仿真時間步長。
式(15)反映了空調(diào)壓縮機啟停狀態(tài)與室溫之間的關(guān)系,當(dāng)室內(nèi)溫度高于閾值溫度上限時,壓縮機開啟;當(dāng)室內(nèi)溫度低于閾值溫度下限時,壓縮機關(guān)閉。本文只考慮空調(diào)的制冷狀態(tài)。式(16)反映了電動汽車的充電狀態(tài)與電動車可控能量狀態(tài)裕度的關(guān)系,εev(t)的取值范圍在0到1之間,當(dāng)εev(t)接近于充電曲線上限時,Sev(t)由1變?yōu)?,當(dāng)εev(t)接近于充電曲線下線時,Sev(t)由0變?yōu)?。由此可以基于可控能量狀態(tài)來改變電動汽車的充電情況,從而控制電動汽車消耗的功率。
針對資源聚合商層面下的多種參數(shù)異構(gòu)和結(jié)構(gòu)負(fù)荷集中調(diào)控需求, 在綜合考慮負(fù)荷功率裕度、可控時間裕度和可控能量狀態(tài)的基礎(chǔ)上,提出一種基于負(fù)荷可控裕度指標(biāo)的狀態(tài)隊列算法。具體步驟如下。
步驟1:根據(jù)負(fù)荷自身的運行狀態(tài)變量進行分群。
(17)
式中:Mn(t)為t時刻以某一類型可控負(fù)荷運行狀態(tài)劃分的第n個負(fù)荷群參數(shù)集合;a(t)、b(t)、c(t)分別為負(fù)荷群中的運行控制參數(shù);mn分別為第n個群內(nèi)負(fù)荷的數(shù)量。
步驟2:對可控群內(nèi)的負(fù)荷形成歸一化的可控裕度指標(biāo),并根據(jù)運行場景要求進行排序,設(shè)置可控系數(shù)的動作閾值。
將前文定義的可控裕度作為排序指標(biāo),選擇相應(yīng)的負(fù)荷進行控制。根據(jù)不同的場景需要,將可控群中的負(fù)荷設(shè)備按照可控裕度的大小進行升序排列或者降序排列,重新排列后的可控群Mk(t)如下所示。
(18)
式中:mk(t)為t時刻的可控負(fù)荷群k的參數(shù)集合;d(t)為可控群中的負(fù)荷可控裕度參數(shù);mk(t)為可控負(fù)荷群k在t時刻的負(fù)荷數(shù)量。
步驟3:對動作閾值范圍內(nèi)的負(fù)荷進行篩選,并確定響應(yīng)數(shù)目,進行直接負(fù)荷控制。
在可控負(fù)荷群中,越靠近自然切換點的負(fù)荷越容易發(fā)生狀態(tài)的反轉(zhuǎn)[29],若對這些負(fù)荷進行直接控制,也會容易再次發(fā)生狀態(tài)的反轉(zhuǎn),從而弱化控制的效果。因而在對負(fù)荷資源進行控制策略設(shè)計時,群中越靠后的負(fù)荷設(shè)備越應(yīng)優(yōu)先選擇[30],設(shè)置可控區(qū)域上下限的目的即是保證靠近自然切換點的部分設(shè)備不被選擇??紤]到用戶的舒適度,定義可控區(qū)域的上下限指標(biāo)εlow、εhigh。并篩選各群在此范圍內(nèi)的負(fù)荷,如下所示:
(19)
(20)
(21)
各類負(fù)荷的狀態(tài)變量、分群情況以及序列參數(shù)如表1所示。
表1 各類負(fù)荷的狀態(tài)隊列算法Table 1 State queue algorithm for various loads
考慮多種異構(gòu)柔性資源的調(diào)節(jié)特性和風(fēng)電出力的隨機性[31],本文提出一種基于柔性資源聚合商的多時間尺度調(diào)峰方法。
在日前調(diào)度計劃中,調(diào)度中心根據(jù)風(fēng)電的日前預(yù)測出力和負(fù)荷的日前預(yù)測值,安排資源聚合商中空調(diào)和電動汽車集群的功率調(diào)整量、風(fēng)電場出力以及常規(guī)機組啟停狀態(tài)及出力。由于常規(guī)機組啟停時間較長,則在日前計劃中確定后無法在日內(nèi)滾動計劃中修改。在日內(nèi)調(diào)度計劃中,根據(jù)日內(nèi)風(fēng)電出力預(yù)測出力和負(fù)荷日內(nèi)預(yù)測值,安排常規(guī)機組出力計劃、聚合商資源中分布式儲能的運行策略和風(fēng)電機組出力。
日前時間尺度的調(diào)峰層:參與調(diào)節(jié)的電源和柔性負(fù)荷分別為常規(guī)電源機組、可再生能源、柔性資源聚合商。日前調(diào)度的時間間隔設(shè)置為1 h。
4.1.1目標(biāo)函數(shù)
以調(diào)度中心的運行成本最小為目標(biāo):
(22)
式中:T1為日前調(diào)度階段的時段總數(shù);NG為常規(guī)發(fā)電機組的臺數(shù);Cgen為常規(guī)電源調(diào)度成本,由機組運行成本和啟停成本組成;Cwp為棄風(fēng)懲罰成本;Cfl為資源聚合商的調(diào)度成本;uj(t)為常規(guī)機組j在t時段的啟停狀態(tài)變量;PG,j(t)為常規(guī)機組j在t時段的出力;aj、bj、cj分別為常規(guī)機組j的運行成本參數(shù);SG,j為常規(guī)電源機組j的啟停成本;Cw為單位棄風(fēng)成本;Pw(t)為t時段的棄風(fēng)容量; ΔPac,j(t)、ΔPev,j(t)分別為資源聚合商j中空調(diào)負(fù)荷群和電動汽車充電負(fù)荷群的功率調(diào)整量。
假設(shè)資源聚合商的功率調(diào)節(jié)補償價格與其功率調(diào)整量之間均呈線性關(guān)系,即
(23)
式中:ΔPfl,j為資源聚合商j的功率調(diào)整量;αj、βj為資源聚合商j的成本系數(shù)。
4.1.2約束條件
約束條件包括系統(tǒng)功率平衡約束、旋轉(zhuǎn)備用約束、風(fēng)電出力約束、常規(guī)機組出力約束、資源聚合商的功率調(diào)整量約束。
1)系統(tǒng)功率平衡約束。
(24)
式中:Pload(t)為t時段系統(tǒng)負(fù)荷功率值;Pwind_f(t)為t時段風(fēng)電有功預(yù)測出力。常規(guī)機組、風(fēng)電的預(yù)測出力、棄風(fēng)量、負(fù)荷的實際出力和聚合商的功率調(diào)整量應(yīng)保持平衡。
2)旋轉(zhuǎn)備用約束。
(25)
3)風(fēng)電出力約束。
0≤Pw(t)≤Pwind_f(t)
(26)
4)聚合商調(diào)節(jié)功率約束。
(27)
除上述約束條件之外,還包括常規(guī)機組輸出功率上下限約束、常規(guī)機組最小啟停時間約束、常規(guī)機組爬坡約束等。
4.2.1目標(biāo)函數(shù)
日內(nèi)的調(diào)峰模型中,每15 min進行一次滾動優(yōu)化,制訂未來4 h負(fù)荷用電計劃和出力修正計劃。其目標(biāo)函數(shù)如下:
(28)
式中:Cgen_2為常規(guī)機組的運行成本;Cwp為日內(nèi)棄風(fēng)懲罰成本;Cfl為資源聚合商中分布式儲能的調(diào)度成本;T2為日內(nèi)調(diào)度階段的時段總數(shù)。
4.2.2約束條件
約束條件包括系統(tǒng)的功率平衡約束、機組運行約束和風(fēng)電出力等約束;常規(guī)機組的運行約束不再考慮機組啟停相關(guān)約束;聚合商運行約束中只考慮聚合商中分布式儲能群的功率調(diào)節(jié)約束,如式(29)所示:
(29)
采用IEEE 17機系統(tǒng)[32]對所提出的調(diào)度模型進行驗證,包含3個資源聚合商,每個聚合商均包含空調(diào)負(fù)荷、電動汽車負(fù)荷和分布式儲能。棄風(fēng)成本為35美元/(MW·h)。
風(fēng)電和負(fù)荷的日前預(yù)測功率[32-33]如圖3所示。
圖3 風(fēng)電和負(fù)荷的預(yù)測功率Fig.3 Day-ahead forecast power of wind power and load
3個資源聚合商所包含的負(fù)荷數(shù)量及參數(shù)如表2所示。
表2 聚合商的負(fù)荷數(shù)量配置Table 2 Quantity allocation of aggregators
空調(diào)、電動汽車和分布式儲能的參數(shù)配置分別如表3—5所示。
表3 空調(diào)負(fù)荷的參數(shù)配置Table 3 Parameter configuration of air conditioning load
表4 電動汽車的參數(shù)配置Table 4 Parameter configuration of electric vehicle
表5 分布式儲能的參數(shù)配置Table 5 Parameter configuration of distributed energy storage
3個資源聚合商的功率調(diào)節(jié)補償價格系數(shù)設(shè)置如表6所示。
表6 資源聚合商的成本系數(shù)Table 6 Cost coefficient of resource aggregators
5.2.1日前優(yōu)化調(diào)度結(jié)果
對日前荷源互動調(diào)峰模型進行仿真求解,得到柔性負(fù)荷的調(diào)度計劃、機組出力和風(fēng)電日前出力。下面將從調(diào)度成本、柔性資源聚合商參與調(diào)峰和消納風(fēng)電的效果進行分析。日前調(diào)度結(jié)果如圖4所示,柔性資源參與控制前后的負(fù)荷曲線對比如圖5所示,聚合商參與前后的峰谷值對比如表7所示。
圖4 日前調(diào)度結(jié)果Fig.4 Day-ahead scheduling results
圖5 柔性資源參與控制前后的負(fù)荷曲線對比Fig.5 Comparison of load curves before and after flexible resource controlled
表7 聚合商參與前后的峰谷值對比Table 7 Comparison of peak valley values before and after aggregator participation
從圖4、圖5和表7可以看出,考慮柔性資源聚合商參與系統(tǒng)調(diào)度后,在10:00—14:00和16:00—22:00的用電高峰時段,系統(tǒng)總負(fù)荷降低;在00:00—09:00用電低谷時段,系統(tǒng)的總負(fù)荷上升。柔性負(fù)荷參與后峰谷差降至1 799 MW,由此可見,柔性負(fù)荷參與調(diào)度能在一定程度上有效緩解電網(wǎng)調(diào)峰的壓力。可控柔性資源在用電低谷時增加出力,以增加風(fēng)電的消納;在用電高峰時減小出力,以減小火電機組的運行成本。
聚合商的負(fù)荷總體響應(yīng)情況如圖6所示。由仿真結(jié)果可得,對于在不影響用戶用電需求的情況下,通過直接負(fù)荷控制,在負(fù)荷高峰時段減少可控柔性負(fù)荷的用電,在負(fù)荷低谷時段適當(dāng)增加柔性負(fù)荷的用電。
圖6 日前尺度的聚合商的負(fù)荷總體響應(yīng)情況Fig.6 Overall load response of load aggregators on day-ahead scale
5.2.2日內(nèi)優(yōu)化調(diào)度結(jié)果
日內(nèi)滾動修正調(diào)峰模型進一步采用柔性可控資源進行響應(yīng),以跟蹤風(fēng)電日內(nèi)出力,消除風(fēng)電出力的功率偏差。通過求解日內(nèi)優(yōu)化調(diào)度模型,得到的日內(nèi)調(diào)度優(yōu)化結(jié)果,如圖7所示。
圖7 日內(nèi)調(diào)度優(yōu)化結(jié)果Fig.7 Intra-day scheduling results
由圖7可以得到,在11:00—22:00的用電高峰期,相比于日前調(diào)度結(jié)果,系統(tǒng)總負(fù)荷明顯降低,在一定程度上減小了系統(tǒng)的調(diào)峰壓力。分布式儲能參與日內(nèi)調(diào)峰優(yōu)化后峰谷差降至1 742 MW,相較于聚合商參與調(diào)控前,峰谷差下降了57 MW,分布式儲能負(fù)荷群的參與有效實現(xiàn)削峰填谷。
柔性資源參與控制前后的負(fù)荷曲線對比如圖8所示,聚合商的負(fù)荷總體響應(yīng)情況如圖9所示。由上述結(jié)果可以得到,柔性資源聚合商在參與系統(tǒng)調(diào)度中,由于其可上調(diào)和下調(diào)功率的特性,緩解了系統(tǒng)調(diào)峰壓力,有效提高了系統(tǒng)的向上和向下的功率調(diào)節(jié)的靈活性。
圖8 聚合商參與控制前后的負(fù)荷曲線對比Fig.8 Comparison of load curves before and after aggregator participating in control
圖9 日內(nèi)尺度的聚合商的負(fù)荷總體響應(yīng)情況Fig.9 Overall load response of load aggregators on intra-day scale
針對3種場景(場景1為不含資源聚合商參與控制,場景2為考慮聚合商參與日前調(diào)度,場景3為考慮聚合商參與日前-日內(nèi)調(diào)度)進行仿真分析,3種場景的調(diào)度成本如表8所示。
表8 各場景的調(diào)度成本Table 8 Scheduling cost of each scenario
由表8可得,在場景2和場景3(柔性負(fù)荷參與調(diào)度控制后)中,系統(tǒng)的總成本分別相比于場景1有所降低,降低了系統(tǒng)的運行成本,提高了系統(tǒng)的經(jīng)濟效益。除此之外,柔性負(fù)荷聚合商參與系統(tǒng)優(yōu)化后,火電機組的成本也大大降低,在一定程度上緩解了火電機組的調(diào)峰壓力;棄風(fēng)量也降低為0,說明本文所提的優(yōu)化方法能夠提高風(fēng)電的消納水平,通過調(diào)整柔性資源的用電計劃,在風(fēng)電出力較多的時候增加負(fù)荷用電計劃。
首先提出了柔性負(fù)荷分層協(xié)調(diào)控制架構(gòu),在此基礎(chǔ)上,提出一種基于可控裕度指標(biāo)的狀態(tài)隊列算法,最后建立多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型。仿真算例驗證了模型的有效性和經(jīng)濟性,得出以下結(jié)論:
1)由于柔性資源聚合商的引入,提供了靈活的上調(diào)和下調(diào)的功率調(diào)節(jié)能力,減輕了常規(guī)機組的調(diào)節(jié)壓力,減小了系統(tǒng)的運行成本;
2)所建立的多類型柔性負(fù)荷參與的日前-日內(nèi)調(diào)峰優(yōu)化模型在不同的時間尺度下采用相適應(yīng)的響應(yīng)實施策略,有效提高了風(fēng)電的消納能力,等效負(fù)荷曲線的峰谷差降低了333 MW,減小了系統(tǒng)的調(diào)峰壓力,獲得了良好的經(jīng)濟效益。
限于篇幅,本文未深入分析柔性資源響應(yīng)的不確定性以及資源聚合商的招投標(biāo)策略等,在后續(xù)的研究中將進一步完善。