風-光-儲和需求響應協同的虛擬電廠日前經濟調度優化

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、環境污染等問題的日益突出，積極響應“雙碳”戰略目標[1]，建設一個節約能源、減少污染、綠色低碳、可持續發展的智能化社會，大力發展可再生能源，規劃建設風力發電、光伏發電項目，形成綠色清潔的發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，國內外學者已經開展了許多關于VPP運行結構和優化方面的研究。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同調度模型采用經典場景集成的算法進行了研究和分析。文獻[7]在考慮需求響應和用戶用電滿意度的情況下，搭建了優化調度模型。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，構建了一個優化VPP收益的模型。文獻[9]分析了VPP內部不同組成成分的特性，得到了包含需求響應的VPP內部優化調度模型。文獻[10]構建了包含風電、光伏、水電、儲能和生物質等分布式能源的VPP調度模型，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]定義了商業型和技術型VPP，以用戶側收益最大化為目標，綜合利用激勵型和價格型需求響應的調度作用，對比不同場景下VPP的經濟效益。文獻[12]將大規模儲能技術運用于VPP中，得到了可以有效提升VPP經濟性的方法。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測誤差而導致的系統運行成本增加的影響。這些文獻均對VPP的調度優化進行了研究分析，但是大部分仍然側重于研究風電的影響，綜合考慮風-光-儲、需求響應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，經過多種情況模型的比較相對優良的VPP調度方案。

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

1 計及風-光-儲和需求響應的日前經濟調度模型

1.1 風力發電模型

風力發電機的出力狀況與風速變化緊密相關，風力機發電的出力[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，服從雙參數威布爾分布。

1.2 光伏發電模型

光伏發電系統采用光伏電池板進行電能轉換[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為光電轉化效率。

1.3 需求側響應

a)可再生能源消納率?？稍偕茉聪{率Mre是在可再生能源發電量最高的時候將一些負載轉移，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。采取需求側響應措施會使整體的負荷結構發生變化，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時段采用需求側響應后用電量與采用需求側響應前用電量之差的絕對值的和；QLi為i時段采用需求側響應前的總用電量；Pzi為i時段與主網交換有功功率；Pzimax為i時段采用需求側響應前與主網交換有功功率；Pwi為i時段風力機有功功率；Pwimax為i時段采用需求側響應前風力機有功功率；Pvi為i時段光伏有功功率；Pvimax為i時段采用需求側響應前光伏有功功率。

c)電價的影響?？蛻粲秒娏颗c電價之間的關系用電價伸縮系數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ξii，i≠j時為i時段對j時段的互伸縮系數ξij。

由自伸縮系數和互伸縮系數可以組成需求側響應電價伸縮系數矩陣ζ：

(8)

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

(9)

綜上，采用需求側響應之后i時段的電量

Q′i=Qi+ΔQ.

(10)

2 目標函數和約束條件

2.1 目標函數

以系統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為狀態變量，當系統從主電網購買電力時，其值為1，當系統向主電網售出電力時，其值為0；Cgi為從主網購電價格；Cmi為向主網售電價格；Cci為將蓄電池從充電狀態切換到放電狀態所需要的成本；Pci為蓄電池的放電功率；CDR為激勵型需求響應成本(補償費用)。

(12)

式中：λ為衡量可轉移負荷所獲得經濟補償的系數；Pin，i為轉入的負荷量；Pout，i為轉出的負荷量。當系統總出力大于負荷時，Pin，i≥0，Pout，i=0；當系統總出力小于負荷時，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)

考慮需求響應后，此約束可表示為：

Pwi+Pvi+Pzi=Q′i.

(14)

轉入轉出負荷、與主網交易功率約束分別見式(15)、(16)：

(15)

0≤|Pzi|≤Pzimax.

(16)

式中：Pin，max為最大轉入負荷；Pout，max為最大轉出負荷；Pzimax為與主網交換最大功率限制。

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；Smin為荷電狀態下限；Smax為荷電狀態上限。

3 算例分析

3.1 算法流程

采用反向學習的混沌映射自適應粒子群算法對風-光-儲能和需求響應不同組合搭配的5種調度方案進行探討，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 系統結構Fig.2 System structure

圖3 新能源預測出力和凈負荷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在夏季典型日的風-光和負荷情況作為數據來源。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。光伏發電設備的裝機容量為260 kW，運維成本為0.75元/kWh。蓄電池的額定容量為 700 kWh，電池的荷電狀態運行范圍為 0.4～0.9，初始荷電狀態為 0.4，充電狀態和放電狀態相互轉變的成本為 0.1元/kWh。蓄電池在1 h內最多可以充放電功率為儲能容量的20%。VPP與主網之間的允許交換功率不超過 200 kW。系統所涉及的設備如圖 2所示，售電和購電價格在一天內的波動見表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 主網供電的影響

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

3.3.2 風-光參與調度的影響

在存在風-光供電時，分別根據雙參數威布爾分布函數和Beta分布函數計算風-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，未滿足部分將從主網購買；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。在15—24時段，光伏和風力機出力都呈現下降趨勢，但負荷仍保持在較高水平，此時需要從主網購電來滿足負荷。與只有主網參與時相比，加入風力機、光伏后，從主網購電量明顯減少，并且可以有一定的售電收入。

3.3.3 儲能參與調度的影響

將計算后的風力機、光伏出力與主網出力、儲能設備充、發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，未滿足部分將從主網購買，數據結果如圖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，此時儲能設備作為負荷，這部分由主網滿足；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-儲參與運行結果Fig.5 Wind，photovoltaic and energy storage participating in the operation

3.3.4 需求響應參與調度的影響

對于需求響應參與的模型，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。在能源供應調度期間，通過基于價格型需求策略得到需求響應后的負荷，可以使用激勵型需求響應直接控制的方式來實現負荷轉移，并向參與者提供經濟或其他形式的補償。

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

在考慮風-光出力對系統運行的基礎上，分別考慮電價型需求響應和激勵型需求響應后的系統運行數據分別如圖6和圖7所示?？紤]了需求響應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、光伏和需求響應都參與的情況下，經過可控負荷調整后，未滿足負荷量幾近平穩。由圖 8可以看出：經過需求響應的調整變化后，在不影響用戶使用的基礎上將17—22時段的高負荷利用部分轉移到了24—4 時段的低負荷時段，負荷的整體變化情況更趨于平穩，緩解了電網供電的壓力。

圖6 風-光和電價型需求響應參與運行結果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參與運行結果Fig.7 Wind and incentivized demand response participating in the operation

圖8 需求響應調整前后負荷變化Fig.8 Load changes before and after demand response adjustment

3.3.5 綜合因素對調度的影響

綜合考慮風-光-儲和需求響應對系統運行的整體運行結果如圖9所示。由圖 9可以看出：在風-光-儲和需求響應都參與的情況下，與風-光-儲參與運行結果圖 5數據相比，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 全因素參與運行結果圖Fig.9 All factors participating in the operation

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

表3 不同情景的運行結果Tab.3 Operating results of different scenarios

從成本方面來看，考慮多種供電方式的協同作用能夠有效減少運行成本的投入，利用發電設備及儲能設備比從主網直接購電更加優惠。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的調度作用，2組數據對比之后可以看出需求響應的調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果，可以得出考慮風-光-儲和需求響應的多方面協同作用，無論是在成本還是用戶舒適度方面都能得到更優的結果。

4 結束語

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-儲和需求響應的VPP優化調度模型。引入儲能設備和激勵型需求響應，讓用戶在考慮分時電價的影響后主動調整用電時間，從而起到消峰填谷的作用。利用反向學習的混沌映射自適應粒子群算法對運行成本進行仿真分析，經過計算風-光-儲和需求響應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%。