茍凱杰，呂鳴陽，高悅，陳衡，張國強，雷兢

(華北電力大學 能源動力與機械工程學院，北京 102206)

隨著世界能源緊缺、環(huán)境污染等問題的日益突出，積極響應(yīng)“雙碳”戰(zhàn)略目標[1]，建設(shè)一個節(jié)約能源、減少污染、綠色低碳、可持續(xù)發(fā)展的智能化社會，大力發(fā)展可再生能源，規(guī)劃建設(shè)風力發(fā)電、光伏發(fā)電項目，形成綠色清潔的發(fā)電方式成為研究熱點[2]。虛擬電廠(virtual power plant，VPP)概念的提出為達成這些目標給出了嶄新的想法[3-5]。

目前，國內(nèi)外學者已經(jīng)開展了許多關(guān)于VPP運行結(jié)構(gòu)和優(yōu)化方面的研究。文獻[6]對VPP在包含風電、光伏等的情況下，分別考慮可中斷負荷和備用的協(xié)同調(diào)度模型采用經(jīng)典場景集成的算法進行了研究和分析。文獻[7]在考慮需求響應(yīng)和用戶用電滿意度的情況下，搭建了優(yōu)化調(diào)度模型。文獻[8]在允許棄風棄光的情況下，通過改進量子粒子群算法，構(gòu)建了一個優(yōu)化VPP收益的模型。文獻[9]分析了VPP內(nèi)部不同組成成分的特性，得到了包含需求響應(yīng)的VPP內(nèi)部優(yōu)化調(diào)度模型。文獻[10]構(gòu)建了包含風電、光伏、水電、儲能和生物質(zhì)等分布式能源的VPP調(diào)度模型，通過對該模型的研究，將多種分布式能源進行組合聯(lián)用可以消除分布式能源本身不確定性的影響。文獻[11]定義了商業(yè)型和技術(shù)型VPP，以用戶側(cè)收益最大化為目標，綜合利用激勵型和價格型需求響應(yīng)的調(diào)度作用，對比不同場景下VPP的經(jīng)濟效益。文獻[12]將大規(guī)模儲能技術(shù)運用于VPP中，得到了可以有效提升VPP經(jīng)濟性的方法。文獻[13]利用算例仿真，考慮風電輸出的不確定性因素，成功降低了由于風電預(yù)測誤差而導致的系統(tǒng)運行成本增加的影響。這些文獻均對VPP的調(diào)度優(yōu)化進行了研究分析，但是大部分仍然側(cè)重于研究風電的影響，綜合考慮風-光-儲、需求響應(yīng)和電價變化的多重影響比較少。本文將這些影響因素分別組合進行計算分析，經(jīng)過多種情況模型的比較相對優(yōu)良的VPP調(diào)度方案。

本文旨在對VPP日前經(jīng)濟調(diào)度進行優(yōu)化，將不同情景運行成本作為目標函數(shù)，同時考慮功率平衡、設(shè)備運行等約束條件。進一步研究VPP在可以和主網(wǎng)進行功率交換背景下的調(diào)度方法，采用基于反向?qū)W習的混沌映射自適應(yīng)粒子群算法，研究不同情景下分布式能源的出力。最終，經(jīng)過對實際案例的分析，得出不同情況下VPP的經(jīng)濟優(yōu)化和最小峰谷差運行方法。

1 計及風-光-儲和需求響應(yīng)的日前經(jīng)濟調(diào)度模型

1.1 風力發(fā)電模型

風力發(fā)電機的出力狀況與風速變化緊密相關(guān)，風力機發(fā)電的出力[14]

(1)

式中：PE為風電機組的額定功率；νin為切入速度；νout為切出速度；νe為額定速度；ν為風速，服從雙參數(shù)威布爾分布。

1.2 光伏發(fā)電模型

光伏發(fā)電系統(tǒng)采用光伏電池板進行電能轉(zhuǎn)換[15]，其輸出功率受到日照強度和氣候條件的影響，可以表示為

Pvi=riηA.

(2)

式中：ri為i時段的光照強度，服從Beta分布；A為太陽能電池陣列板的總面積；η為光電轉(zhuǎn)化效率。

1.3 需求側(cè)響應(yīng)

a)可再生能源消納率?？稍偕茉聪{率Mre是在可再生能源發(fā)電量最高的時候?qū)⒁恍┴撦d轉(zhuǎn)移，以便更好地消耗可再生能源，可表示為[16]

(3)

式中：Pgr為可再生能源系統(tǒng)輸出的有功功率；Pg為所有電源提供的有功功率。

b)用戶舒適度。采取需求側(cè)響應(yīng)措施會使整體的負荷結(jié)構(gòu)發(fā)生變化，從而影響用戶的舒適度，其可以表示為[17]：

(4)

QGi=|Pwimax-Pwi|+|Pvimax-Pvi|+|Pzimax-Pzi|，

(5)

QLi=Pwimax+Pvimax+Pzimax.

(6)

式(4)—(6)中：Ccom為用戶的用戶舒適度；QGi為i時段采用需求側(cè)響應(yīng)后用電量與采用需求側(cè)響應(yīng)前用電量之差的絕對值的和；QLi為i時段采用需求側(cè)響應(yīng)前的總用電量；Pzi為i時段與主網(wǎng)交換有功功率；Pzimax為i時段采用需求側(cè)響應(yīng)前與主網(wǎng)交換有功功率；Pwi為i時段風力機有功功率；Pwimax為i時段采用需求側(cè)響應(yīng)前風力機有功功率；Pvi為i時段光伏有功功率；Pvimax為i時段采用需求側(cè)響應(yīng)前光伏有功功率。

c)電價的影響?？蛻粲秒娏颗c電價之間的關(guān)系用電價伸縮系數(shù)ξij表示。當前時段電價和其他時段電價都將影響當前時段用電量[18]，因此在分析價格伸縮性時，需要綜合考慮上述兩種影響因素。ξij可以定義為客戶用電量波動率與價格波動率的比值[19]：

(7)

式中：Qi、Cj分別為i(j)時段初始的用電量、電價；ΔQi、ΔCj分別為i(j)時段考慮電價影響后用電量、電價的改變量。i=j時為i時段的自伸縮系數(shù)ξii，i≠j時為i時段對j時段的互伸縮系數(shù)ξij。

由自伸縮系數(shù)和互伸縮系數(shù)可以組成需求側(cè)響應(yīng)電價伸縮系數(shù)矩陣ζ：

(8)

式中：下標f、p、g分別對應(yīng)伸縮系數(shù)歸屬的峰值、平段和峰谷時段。采用分時電價后，用電變化量[20]

(9)

綜上，采用需求側(cè)響應(yīng)之后i時段的電量

Q′i=Qi+ΔQ.

(10)

2 目標函數(shù)和約束條件

2.1 目標函數(shù)

以系統(tǒng)最終的運行成本最小作為研究目標，針對不同方案的機組運行情況進行分析，總的供電費用可以表示為：

(11)

式中：C為全天總供電費用；Czi為購電價格；Cwi為風力機單位運營成本；Cvi為光伏單位運營成本；yi為狀態(tài)變量，當系統(tǒng)從主電網(wǎng)購買電力時，其值為1，當系統(tǒng)向主電網(wǎng)售出電力時，其值為0；Cgi為從主網(wǎng)購電價格；Cmi為向主網(wǎng)售電價格；Cci為將蓄電池從充電狀態(tài)切換到放電狀態(tài)所需要的成本；Pci為蓄電池的放電功率；CDR為激勵型需求響應(yīng)成本(補償費用)。

(12)

式中：λ為衡量可轉(zhuǎn)移負荷所獲得經(jīng)濟補償?shù)南禂?shù)；Pin，i為轉(zhuǎn)入的負荷量；Pout，i為轉(zhuǎn)出的負荷量。當系統(tǒng)總出力大于負荷時，Pin，i≥0，Pout，i=0；當系統(tǒng)總出力小于負荷時，Pin，i=0，Pout，i≥0。

2.2 約束條件

2.2.1 有功功率平衡約束

有功功率平衡約束為：

Pwi+Pvi+Pzi=Qi.

(13)

考慮需求響應(yīng)后，此約束可表示為：

Pwi+Pvi+Pzi=Q′i.

(14)

轉(zhuǎn)入轉(zhuǎn)出負荷、與主網(wǎng)交易功率約束分別見式(15)、(16)：

(15)

0≤|Pzi|≤Pzimax.

(16)

式中：Pin，max為最大轉(zhuǎn)入負荷；Pout，max為最大轉(zhuǎn)出負荷；Pzimax為與主網(wǎng)交換最大功率限制。

2.2.2 機組運行約束

風電機組、光伏機組、蓄電池運行約束為：

0≤Pwi≤Pwimax，

(17)

0≤Pvi≤Pvimax，

(18)

Smin≤Si≤Smax.

(19)

式(17)—(19)中：Si為蓄電池荷電狀態(tài)；Smin為荷電狀態(tài)下限；Smax為荷電狀態(tài)上限。

3 算例分析

3.1 算法流程

采用反向?qū)W習的混沌映射自適應(yīng)粒子群算法對風-光-儲能和需求響應(yīng)不同組合搭配的5種調(diào)度方案進行探討，算法的具體流程[21]如圖1所示。

圖1 算法流程Fig.1 Algorithm flowchart

圖2 系統(tǒng)結(jié)構(gòu)Fig.2 System structure

圖3 新能源預(yù)測出力和凈負荷Fig.3 Predicted output and net load of new energy

圖4 風-光參與運行結(jié)果Fig.4 Wind and photovoltaic participating in the operation

3.2 案例分析

在本案例中，采集河北邢臺某地區(qū)在夏季典型日的風-光和負荷情況作為數(shù)據(jù)來源。風力機的裝機容量為 360 kW，運維成本為 0.52元/kWh，切入風速為5 m/s，切出風速為25 m/s，額定風速為13 m/s。光伏發(fā)電設(shè)備的裝機容量為260 kW，運維成本為0.75元/kWh。蓄電池的額定容量為 700 kWh，電池的荷電狀態(tài)運行范圍為 0.4～0.9，初始荷電狀態(tài)為 0.4，充電狀態(tài)和放電狀態(tài)相互轉(zhuǎn)變的成本為 0.1元/kWh。蓄電池在1 h內(nèi)最多可以充放電功率為儲能容量的20%。VPP與主網(wǎng)之間的允許交換功率不超過 200 kW。系統(tǒng)所涉及的設(shè)備如圖 2所示，售電和購電價格在一天內(nèi)的波動見表1。

表1 售電和購電價格Tab.1 Electricity sale and purchase prices

3.3 基于各種條件不確定的影響分析

3.3.1 主網(wǎng)供電的影響

未來24 h內(nèi)風-光總預(yù)測出力、傳統(tǒng)負荷和凈負荷變化情況如圖 3所示。只有主網(wǎng)供電時，在13 時段和19時段達到用電高峰，在16時段出現(xiàn)用電峰谷，沒有風、光能可利用時，VPP需要從主網(wǎng)中獲取所需電能，此時電廠所需的功率與負荷相等。

3.3.2 風-光參與調(diào)度的影響

在存在風-光供電時，分別根據(jù)雙參數(shù)威布爾分布函數(shù)和Beta分布函數(shù)計算風-光出力，電量分布如圖 4所示。由圖 4可以看出：將計算后的風力機、光伏出力與主網(wǎng)出力相加后和負荷需求量相比，超出負荷部分將出售給電網(wǎng)，未滿足部分將從主網(wǎng)購買；風-光機組參與供電后，1—8 時段風-光出力能夠滿足負荷需求，此時功率全部來源于風力機；在8—15時段風-光尚有剩余，此時以0.42元/kWh出售給主網(wǎng)。在15—24時段，光伏和風力機出力都呈現(xiàn)下降趨勢，但負荷仍保持在較高水平，此時需要從主網(wǎng)購電來滿足負荷。與只有主網(wǎng)參與時相比，加入風力機、光伏后，從主網(wǎng)購電量明顯減少，并且可以有一定的售電收入。

3.3.3 儲能參與調(diào)度的影響

將計算后的風力機、光伏出力與主網(wǎng)出力、儲能設(shè)備充、發(fā)電量相加后和負荷需求量相比，超出負荷部分將出售給電網(wǎng)，未滿足部分將從主網(wǎng)購買，數(shù)據(jù)結(jié)果如圖5所示。在風-光-儲都參與的情況下，在1—6時段負荷仍然可以由風力機出力來滿足，此時儲能設(shè)備作為負荷，這部分由主網(wǎng)滿足；負荷需求在16—24時段達到高峰，此時儲能作為供電方參與供電。與只有風-光參與時相比，儲能設(shè)備在風-光出力不能滿足負荷需求時，可以作為后備能源來填補。

圖5 風-光-儲參與運行結(jié)果Fig.5 Wind，photovoltaic and energy storage participating in the operation

3.3.4 需求響應(yīng)參與調(diào)度的影響

對于需求響應(yīng)參與的模型，先對負荷進行K-Means聚類，將負荷分為高峰、平段、低谷3個時段，見表2。在能源供應(yīng)調(diào)度期間，通過基于價格型需求策略得到需求響應(yīng)后的負荷，可以使用激勵型需求響應(yīng)直接控制的方式來實現(xiàn)負荷轉(zhuǎn)移，并向參與者提供經(jīng)濟或其他形式的補償。

表2 K-Means聚類對負荷進行分類結(jié)果Tab.2 Load classification results of K-means clustering

在考慮風-光出力對系統(tǒng)運行的基礎(chǔ)上，分別考慮電價型需求響應(yīng)和激勵型需求響應(yīng)后的系統(tǒng)運行數(shù)據(jù)分別如圖6和圖7所示?？紤]了需求響應(yīng)的影響后負荷的變化情況如圖8所示。由圖 6可以看出：在風-光和需求響應(yīng)參與的情況下，考慮電價后，在10—21時段用電量明顯降低，并保持在一個相對平穩(wěn)的用電范圍，起到了削峰填谷作用。由圖 7可以看出：在風力機、光伏和需求響應(yīng)都參與的情況下，經(jīng)過可控負荷調(diào)整后，未滿足負荷量幾近平穩(wěn)。由圖 8可以看出：經(jīng)過需求響應(yīng)的調(diào)整變化后，在不影響用戶使用的基礎(chǔ)上將17—22時段的高負荷利用部分轉(zhuǎn)移到了24—4 時段的低負荷時段，負荷的整體變化情況更趨于平穩(wěn)，緩解了電網(wǎng)供電的壓力。

圖6 風-光和電價型需求響應(yīng)參與運行結(jié)果Fig.6 Wind，photovoltaic and electricity price demand response participating in the operation

圖7 風-光和激勵型需求響應(yīng)參與運行結(jié)果Fig.7 Wind and incentivized demand response participating in the operation

圖8 需求響應(yīng)調(diào)整前后負荷變化Fig.8 Load changes before and after demand response adjustment

3.3.5 綜合因素對調(diào)度的影響

綜合考慮風-光-儲和需求響應(yīng)對系統(tǒng)運行的整體運行結(jié)果如圖9所示。由圖 9可以看出：在風-光-儲和需求響應(yīng)都參與的情況下，與風-光-儲參與運行結(jié)果圖 5數(shù)據(jù)相比，負荷缺額量明顯降低，儲能也得到了更好的利用，其他方面效果也有明顯的改善。

圖9 全因素參與運行結(jié)果圖Fig.9 All factors participating in the operation

將主網(wǎng)和風-光參與確定為情景1；主網(wǎng)和風-光-儲參與的情況為情景2；主網(wǎng)和風-光參與的情況下考慮需求響應(yīng)的作用為情景3；主網(wǎng)、風-光-儲都參與的情況下考慮需求響應(yīng)的作用為情景4。不同情景下的VPP運行成本、用戶舒適度等數(shù)據(jù)見表3。

表3 不同情景的運行結(jié)果Tab.3 Operating results of different scenarios

從成本方面來看，考慮多種供電方式的協(xié)同作用能夠有效減少運行成本的投入，利用發(fā)電設(shè)備及儲能設(shè)備比從主網(wǎng)直接購電更加優(yōu)惠。將情景1與情景3、情景2與情景4分別進行對比，改變的運行條件只是加入了需求響應(yīng)的調(diào)度作用，2組數(shù)據(jù)對比之后可以看出需求響應(yīng)的調(diào)度作用能有效提升用戶用電滿意度。情景1與情景2對比，加入儲能設(shè)備后能有效減少運行時未滿足負荷。情景4與情景1相比成本降低了9.87%、用戶舒適度提高了17.44%，情景4與情景2相比成本降低了4.47%，用戶舒適度提高了3.51%。綜合考慮各方面運行結(jié)果，可以得出考慮風-光-儲和需求響應(yīng)的多方面協(xié)同作用，無論是在成本還是用戶舒適度方面都能得到更優(yōu)的結(jié)果。

4 結(jié)束語

為了降低VPP的運行成本，提高用戶舒適度，本文建立了一個考慮風-光-儲和需求響應(yīng)的VPP優(yōu)化調(diào)度模型。引入儲能設(shè)備和激勵型需求響應(yīng)，讓用戶在考慮分時電價的影響后主動調(diào)整用電時間，從而起到消峰填谷的作用。利用反向?qū)W習的混沌映射自適應(yīng)粒子群算法對運行成本進行仿真分析，經(jīng)過計算風-光-儲和需求響應(yīng)都參與的方案與情景1相比不僅可以將VPP的運行成本降低9.87%，還可以將用戶舒適度提高17.44%。