考慮新能源出力不確定性的風-光-柴-儲系統調度策略

張佳輝,張洪福,牛玉廣,王雨宸,黃嘉鑫,王孟桐

(1.國網北京市電力公司,北京 100031; 2.華北電力大學 控制與計算機工程學院,北京 102206)

0 引 言

在山區、海島等一些電網接入難度較大的地區,風電、光伏等分布式能源(distributed energy resources, DER)憑借其經濟可靠、安裝簡便等優點逐漸成為主要的供電手段。由多種分布式能源組成的微網系統,在經過合理的調度后,可進一步提升系統的能源利用效率[1-3]。

近年來,隨著微網技術的逐步推廣,如何經濟、可靠地對微網調度已成為國內外學者研究的熱點問題[4-5]。微網調度方式種類很多,但多數調度策略均可轉化為多約束條件的非線性規劃問題。例如,文獻[6]對柴油機的出力特性曲線進行了深入的分析,并對曲線進行線性化處理,提出一種多時間尺度的微網調度策略。雖然該策略可以進一步提升系統的安全性和經濟性,但并未考慮新能源出力不確定性對系統的影響。文獻[7-10]考慮了新能源出力不確定性對系統的影響,但是忽略了負荷波動性的影響。文獻[11]分析了蓄電池的出力特性,進而確定了微網的最佳運行方式。然而該策略僅僅考慮了系統的經濟性,并未充分考慮系統的安全性和環保性。文獻[12-14]在考慮新能源出力不確定性的基礎之上,采用魯棒優化控制對微網系統進行調度,使得系統的安全性大大提升。但此種方法需要付出較多的經濟成本。文獻[15]在考慮風電和光伏出力的不確定性的基礎之上,提出風-光-柴-火多能互補隨機優化調度的模型,并采用混合整數規劃算法對模型進行求解,然而該方法求解過程過于復雜。

針對以上調度策略存在的問題,構建了風-光-柴-儲系統,為了更好地描述新能源出力不確定性對系統的影響,提出了一種新能源出力復合預測模型。在綜合考慮系統的經濟性、安全性和環保性的基礎之上,建立了考慮新能源出力不確定性的風-光-柴-儲系統調度模型,并采用帶有Monte Carlo模擬的遺傳算法對模型進行求解。仿真結果表明,該調度策略可以有效平衡系統的經濟性、環保性和安全性。同時,文章分析了系統負荷缺失率和置信概率概率對系統調度的影響。將所提出來的調度策略與其他調度策略進行對比,驗證了所提出調度策略的優越性。

1 風-光-柴-儲系統模型

1.1 系統結構

所研究的風-光-柴-儲獨立微網系統的結構如圖1所示。系統的電負荷主要由風力發電機、光伏陣列、柴油機和蓄電池進行供給。此外,風力發電機、光伏陣列、柴油機可以將多余的電量儲存于蓄電池之中。

圖1 風-光-柴-儲系統結構示意圖

1.2 柴油機模型

柴油機可靠性高且安裝方便,其輸出功率和所使用燃料量的關系如下:

Pdg(t)=αdg×Vdg(t)

(1)

式中Pdg(t)為t時刻柴油機的輸出功率,kW;αdg為柴油機的燃料系數,kW/L;Vdg(t)為t時刻柴油機消耗的燃料量,L。

1.3 蓄電池模型

蓄電池有著“削峰填谷”的作用,同時還能提高新能源利用率,所采用的蓄電池模型如下:

(2)

Pc,min≤Pc(t)≤Pc,max

(3)

Pd,min≤Pd(t)≤Pd,max

(4)

SOEmin≤SOE(t)≤SOEmax

(5)

式中SOE(t)為t時刻蓄電池的剩余能量,kW·h;Pc(t)和Pd(t)分別為蓄電池t時刻的充放電功率,kW;SOE(t+1) 為t+1時刻蓄電池的剩余能量,kW·h;ηc為蓄電池的充電效率,即蓄電池內電量的變化量與充電量的比值:ηd為蓄電池放電效率,即放電量與蓄電池內電量的變化量的比值;βbat為蓄電池的自放電比例;Pc,min和Pc,max為蓄電池的最小和最大充電功率,kW;Pd,min和Pd,max為蓄電池的最小和最大放電功率,kW ;SOEmin和SOEmax為蓄電池容量的上下限,kW·h。

2 新能源出力復合預測模型

2.1 自回歸滑動平均模型

自回歸滑動平均模型(autoregressive moving average model, ARMA)是研究時間序列的重要方法,AMRA模型主要記錄了系統過去一段時間內的自身狀態和系統噪聲。相比于AR模型和MA模型ARMA模型有更加精確的預測能力。ARMA模型的計算公式如下:

(6)

式中X(t)為t時刻的系統的狀態值;ε(t)為t時刻的系統的噪聲;m和n為模型的階次,采用AIC準則進行求解;φi和ξj為模型的參數,可采用最小二乘法等方法進行求解。

采用ARMA(3,2)模型對風電功率進行預測,采用ARMA(4,5)階數模型對光伏陣列功率進行預測。

2.2 最小二乘支持向量機

最小二乘支持向量機(least square support vector machine,LSSVM)是支持向量機的特殊形式,該方法將支持向量機中的不等式約束轉化為等式約束,大大降低了計算量,縮短了建模時間,其原理如下:

設訓練樣本集為T={(xi,yi),xi∈Rp,yi∈Rp,i=1,2…n},經過非線性映射φ(x)將樣本映射到高維空間,在新樣本空間中構造如式(7)所示的決策函數。

f(x)=ωT×φ(x)+b

(7)

式中ω和b為參數,可以通過結構風險最小化原則確定,其過程如下:

(8)

s.t.yi=ωT×φ(x)+b+ei,i=1,2…n

(9)

式中C為正則化參數;ei為誤差變量。

利用拉格朗日乘數法將式(8)和式(9)轉化為:

(10)

式中αi為拉格朗日乘子。

根據KKT條件可求得:

(11)

定義核函數K(xi,yi)=φ(xi)·φ(yi),將式(11)帶入式(7)并進行消元,求得決策函數為:

(12)

采用風速、風向、溫度和濕度作為LSSVM模型的輸入來對系統的風電功率進行預測;選取光照強度、溫度和濕度作為光伏功率預測的輸入;采用徑向基函數作為LSSVM模型的核函數;采用遺傳算法對LSSVM模型中的正則化參數C和徑向基參數σR進行尋優。

2.3 BP神經網絡

BP網絡(back-propagation network)又稱反向傳播神經網絡。該方法通過對樣本數據的訓練,不斷地修正網絡權值和閾值,使模型輸出不斷逼近期望輸出。所采用的BP網絡結構如圖2所示。

圖2 BP神經網絡預測風電出力結構圖

選取風速、風向、溫度和濕度作為風電功率預測BP網絡模型的輸入,隱含層層數為1,隱含層節點數為13;選取光照強度、溫度和濕度作為光伏預測功率BP網絡模型的輸入,隱含層數為1,隱含節點數為11;傳遞函數均為Sigmoid函數。

2.4 復合預測模型

對任何一種預測方法,都有其優點和缺點。ARMA對短期的新能源出力預測較為準確,中長期預測誤差較大;LSSVM和BP神經網絡計算量大,對調參要求較高。為了將各種方法的優點進行融合,本文提出了一種復合預測模型,該模型的原理如下:

1)采用均方根誤差來對每種預測方法的優劣程度進行評價,其計算公式如下:

(13)

式中ye(i)為模型的預測輸出;y(i)為新能源出力的實際值。

根據式(13)計算得到三種預測方法前一日的均方根誤差σRMSE-ARMA、σRMSE-LSSVM、σRMSE-BP。

2)分別采用三種方法對第二天全天24 h的新能源出力進行預測。

3)采用輪盤賭的方法對第二天每一時間段的新能源出力進行預測,每一種方法在每一時間段內采用的概率為:

(14)

式中pi為每種方法采用的概率。

大量統計數據表明,新能源的預測誤差服從正態分布。假設采用復合預測模型的誤差為服從均值為0,標準差為σ的正態分布,其中風電功率預測標準差為0.15×風電預測值、光伏預測功率標準差為0.1×光伏預測值。

3 考慮新能源出力不確定性的風-光-柴-儲系統調度模型

在微網調度的過程中,主要考慮系統的經濟性、環保性和安全性。綜合考慮了微網系統的這三種特性,并考慮了新能源出力不確定性對系統調度的影響,構建了如下風-光-柴-儲系統調度模型。

3.1 目標函數

為使風-光-柴-儲系統更加經濟、環保和安全地運行,以系統一個調度周期內的燃料費用f1、設備維護費用f2和污染物處理費用f3為目標函數,即:

minf=f1+f2+f3

(15)

(16)

(17)

(18)

式中cfuel為燃料費用,元;cdg、cwt、cpv和cbat為柴油機、風力發電機、光伏陣列和蓄電池的維護費用,元/kW;Pdg(t)、Pwt(t)、Ppv(t)和Pbat(t)為t時刻柴油機、風力發電機、光伏陣列和蓄電池的輸出功率,kW;γNOx、γSOx和γCO2為污染物排放因子,g/L;cNOx、cSOx和cCO2為污染物處理費用元/g。

3.2 約束條件

3.2.1 功率平衡約束

為了描述系統的安全性,以系統的負荷缺失率(load loss rate, LLR)和置信概率α為指標,其中負荷缺失率的計算公式如下:

(19)

式中Eloss為系統允許的最大負荷缺失量,kW;Etot為系統的總負荷,kW。

在考慮系統LLR和置信概率α的基礎之上,系統的功率平衡約束為:

(20)

式中 Pr{·}為風電預測功率和光伏預測功率的分布概率描述。

3.2.2 風力發電機出力約束

0≤Pwt(t)≤Ppwt(t)

(21)

式中Ppwt(t)為風電的預測功率,kW。

3.2.3 光伏陣列出力約束

0≤Ppv(t)≤Pppv(t)

(22)

式中Pppv(t) 為光伏的預測功率,kW。

3.2.4 柴油機出力約束

Pdg,min≤Pdg(t)≤Pdg,max

(23)

式中Pdg, min和Pdg, max為柴油機的最小和最大出力,kW。

3.3 基于Monte Carlo模擬的遺傳算法

建立的風-光-柴-儲系統調度模型中的目標函數和約束條件多為線性,無需特別處理。式(20)為機會約束,采用帶有Monte Carlo模擬的遺傳算法對調度模型進行求解[16],求解過程如下:

1)輸入參數,主要包括種群大小、交叉概率Pc、變異概率Pd等;

2)產生初始種群,并采用復合預測模型和Monte Carlo模擬產生新能源預測曲線,并對每個個體進行檢驗。如果有個體不滿足條件,則重新產生,直到所有種群滿足約束條件為止;

3)計算所有個體的適應度,并采用輪盤賭的方法進行選擇;

4)對初始種群進行交叉和變異操作,并對得到的個體進行Monte Carlo模擬,如果交叉或者變異產生的個體不滿足約束條件,則隨機選取父代個體進行替代;

5)重復步驟3)和4),直到達到終止條件;

6)得到最優個體并結束求解。

使用遺傳算法求解調度模型的流程圖如圖3所示。

圖3 遺傳算法求解調度模型的流程圖

4 算例分析

4.1 數據準備

為驗證所提出調度策略的優越性,構建了如下的風-光-柴-儲系統,其中柴油機裝機容量為3×100 kW、風力發電機裝機容量為4×30 kW、光伏陣列的裝機容量為60 kW、蓄電池的容量為300 kW·h、負荷缺失率為0.05、置信概率為0.99。采用三種方法對前一日的新能源出力進行預測的均方根誤差如表1所示。遺傳算法的參數如下:種群規模為20、交叉概率為0.6、變異概率為0.1,迭代次數為1 000。

表1 采用不同方法對新能源出力預測的RMSE

4.2 典型日分析

圖4為一個調度周期內風-光-柴-儲系統各機組出力分布,從圖4中可以看出,在調度過程中,柴油機在整個調度過程中均為主要的供能方式。風電出力主要集中在下午15:00-18:00和夜間03:00—05:00、22:00—24:00,光伏出力集中在白天。蓄電池在04:00—05:00、23:00—24:00充電,在19:00—20:00、22:00放電,體現出了蓄電池“削峰填谷”的作用。

圖4 風-光-柴-儲系統各時段機組出力分布

4.3 不同負荷缺失率對調度結果的影響

為了研究不同負荷缺失率對調度結果的影響,文章分別將負荷缺失率設置為0.01、0.05、0.10、0.15和0.20 (置信概率為0.99),不同負荷缺失率下的調度結果如表2所示。從表2中可以看出,隨著負荷缺失率的升高,系統的調度費用均有不同程度的降低,但此時系統經濟性提升是以犧牲系統穩定性為代價。此外,從表2中可以看出,在置信概率較高的情況下,系統負荷缺失率對系統經濟性的影響較小。在置信概率一定的情況下,通過調整負荷缺失率,可以在較小范圍內對系統的經濟性和安全性進行調節。

表2 不同負荷缺失率下調度結果

4.4 不同分位數對調度結果的影響

為了研究不同置信概率對調度結果的影響,文章分別將置信概率設置為0.99、0.95、0.90、0.85和0.80 (負荷缺失率為0.05),不同置信概率下的調度結果如表3所示。

表3 不同置信概率下調度結果

從表3中可以看出,隨著置信概率的逐漸降低,系統的調度費用逐漸減少。相比于不同負荷缺失率所減少的調度費用,不同置信概率所減少的調度費用更多。這說明在平衡系統經濟性和安全性的調度過程中,置信概率可以大幅度地進行調節。

4.5 不同優化方式的調度結果

為了驗證所提出調度方法的優越性,文章選取了另外兩種調度策略進行對比。其中,方式1為常規調度方式,即不考慮新能源出力的不確定性,此時在調度過程中不再出現甩負荷的情況。方式2為采用魯棒優化對風-光-柴儲能系統進行調度,具體過程如下:當置信水平為β時,可以求得風電和光伏的置信區間為[u-zσ,u+zσ],其中u為風電或光伏的預測均值,σ為標準差,z可根據置信概率進行確定。為了確保系統運行的安全性,采用風電和光伏置信區間的下限對風-光-柴-儲系統進行調度(β取0.95)[17]。方式3為所提出的調度方式,失負荷率為0.01,置信概率取0.95。3種調度方式的結果如表4所示。

表4 三種不同調度方式的調度結果

從表4可以看出,所提出的方式3相比于方式1和方式2有更好的經濟性。和方式2相比,雖然系統的穩定性有所下降,但是系統的經濟性提升10.37%。與方式1相比,提出的調度策略安全性更強,能進一步減小由于新能源出力不確定性對系統造成的影響。

4.6 蓄電池充放電功率對系統“棄風”和“棄光”的影響

在前面的算例中,為了排除蓄電池對調度結果的影響,蓄電池的容量和充放電功率均被設為較大值。為了進一步探究蓄電池充放電功率對調度結果的影響,研究了不同充放電功率對風-光-柴-儲系統的棄風和棄光總量的影響,結果如圖5所示(負荷缺失率為0.05,置信概率為0.95)。

圖5 不同充放電功率對系統棄風和棄光總量的影響

從圖5中可以看出,風-光-柴-儲系統的棄風和棄光總量隨著系統充放電功率的增加而減少,但是會存在最佳的充放電功率,當蓄電池的充放電功率超過此值時,系統的棄風和棄光總量將不再減少。因此在進行蓄電池充放電功率選擇時,要避免選擇充放電功率過大的蓄電池,從而有效降低投資成本。

5 結束語

為了研究新能源出力不確定性對微網系統調度的影響,提出了新能源出力負荷預測模型,并假設預測誤差服從正態分布。在考慮系統經濟性、環保性和安全性的基礎之上,構建了風-光-柴-儲系統調度模型,并采用帶有Monte Carlo模擬的遺傳算法對問題進行求解。為了衡量系統的安全性和降低新能源出力不確定性對系統調度的影響,文章以負荷缺失率和置信概率為評價指標。根據算例分析可知,本文所提出的調度策略,相對于其他調度策略而言有更好的經濟性,并且可以有效地平衡系統的安全性和經濟性。此外,所提出的調度方法也可以應用于微網系統規劃。