CN109193815B - 一种提高风电消纳的热电联合调度方法 - Google Patents

Abstract

本发明公开了一种提高风电消纳的热电联合调度方法，涉及大电网调度领域。本发明计算热电机组初始与实际碳配额，通过比较限定热电机组因热负荷增加的不断出力，多余热负荷由蓄热式电锅炉供给；然后通过弃风给电储能充电；然后为降低含蓄热式电锅炉和电储能系统调控难度，建立了用于负荷分配和信息传递的热‑协‑电多代理模型；然后建立了仅考虑煤耗成本的优化模型；最后采用引入动态惯性权重和压缩因子改进粒子群算法对模型求解。本发明方法使系统在保证运行可靠性的情况下，能够减少系统成本，提高风能利用率。利用MATLAB 7.10进行仿真，验证了该方法的合理性和有效性，证实了利用蓄热式电锅炉供给热负荷和利用弃风给电储能充电，均提高风电利用率。

Description

一种提高风电消纳的热电联合调度方法

技术领域

本发明涉及大电网调度领域，尤其是一种提高风电消纳的热电联合调度方法。

背景技术

随着传统化石能源的大量开发使用，导致资源紧张、环境污染、气候变化等问题日益突出。为统筹解决能源和环境问题，破解经济社会发展瓶颈，风能凭借经济可靠、清洁环保、可持续利用等特点受到广泛关注。但风电本身的不确定性、波动性，使得风电接入电网的安全运行以及正常调度带来许多不利影响。

我国“三北”地区风能资源丰富，但在冬季供暖期，热电机组因承担该地区的供暖任务，通常按照“以热定电”的模式来进行调度，高比例的大型热电联产机组使电力系统调峰能力有限，导致电网接纳风电的能力急剧下降，使得系统不得不通过弃风手段来维持电力供需平衡；进而使得能源浪费。

发明内容

本发明目的在于提供一种可提高系统经济性和风能消纳水平的热电联合调度方法。旨在解决热电机组因热负荷的增加而不断增大其机组出力，进而减少风电上网空间的问题；旨在通过引入碳排放权，根据机组初始碳排放权以及实际碳排放权的比较，决定风电供应的蓄热式电锅炉的启停，进而满足热负荷需求。旨在通过在负荷侧安装电池储能装置，利用弃风电量给电池储能装置供电解决蓄热式电锅炉虽能提高风电的消纳量，但未能充分利用弃风电量的技术问题。

为实现上述目的，采用了以下技术方案：一种提高风电消纳的热电联合调度方法，其特征在于，所述方法的步骤如下：

步骤1，建立包含热电联产机组、风电机组、电池储能装置以及蓄热电锅炉的热电联合系统，确定其提高风电消纳的调度模型；其中，热电联合系统通过联络线与大电网相连，并获取能量；

步骤2，确定热电联产机组和大电网能耗成本最低的目标函数以及约束条件；

步骤3，利用目标函数、约束条件对调度模型进行优化、求解，获得优化调度模型；

步骤4，根据优化调度模型对热电联合系统进行调度。

进一步的技术方案在于，所述调度模型的调度模式为：

风电机组、电池储能装置、热电联产机组按照顺序发电供给需求侧电负荷，热电联产机组、蓄热电锅炉产生的热量供给需求侧热负荷；从大电网获取电能弥补需求侧电/热负荷对热电联产机组、风电机组、电池储能装置的超负荷需求，电池储能装置、蓄热电锅炉处理风电机组供给需求侧电负荷后的多余电能；利用蓄热电锅炉从风电机组、电池储能装置获取的能量，弥补需求侧热负荷对热电联产机组的超负荷需求。

进一步的技术方案在于，所述调度模型利用碳排放权对热电联产机组进行评估，评估过程如下：

(1)计算热电联产机组24小时初始碳排放权和实际碳排放权

热电联产机组既供电又供热，其电、热之间存在关联耦合关系，按其关联耦合特性曲线将净电功率P_E和热功率P_H折算成纯凝工况下的发电功率P_EH，关系式如下：

P_EH＝P_E+γP_H

式中：γ为热电联产机组热电比；

根据纯凝工况下的发电功率P_EH可得热电联产机组无偿分配的初始碳排放配额E_qr为：

式中：P_Ej,t为热电联产机组j在t时刻的调度电出力；P_Hj,t为热电联产机组j在t时刻的调度热出力；η_r为单位电量碳排放配额系数；N_R为热电联产机组数；γ_he为供热量与发电量之间的折算系数；

实际碳排放配额E_pr为：

式中：u_j，v_j，w_j为第j台热电联产机组CO₂排放系数；

(2)计算热电联产机组每小时初始碳排放权和实际碳排放权

热电联产机组按热负荷预测曲线每小时分配得到的初始碳排放配额E_qrav,t为：

热电联产机组按热负荷预测曲线每小时分配得到的实际碳排放配额E_prav,t为：

式中：h_per,j为t时刻热负荷值；H_sum为24时刻总热负荷值；

(3)等价热负荷值

当E_prav,t≥E_qrav,t时，将多余的碳排放折算为等价的热负荷P_dr，由风电机组进行供热，具体表达式如下；

进一步的技术方案在于，所述调度模型中包括电锅炉、蓄热装置的蓄热电锅炉的调度模式如下：

(1)电锅炉启停控制策略

利用电锅炉从风电机组、电池储能装置获取的能量，弥补需求侧热负荷对热电联产机组的超负荷需求，定义电锅炉的启停为：

式中：S_b为电锅炉运行状态，0代表停止运行，1代表运行；E_qrav,t为热电联产机组按热负荷预测曲线每小时分配得到的初始碳排放配额，E_prav,t为热电联产机组按热负荷预测曲线每小时分配得到的实际碳排放配额；

电锅炉的耗电量和热输出之间呈正比例关系，其供热出力公式定义为：

式中：

为t时段电锅炉热出力；β_EB为电锅炉的产热效率，取95％；P_t ^EB为电锅炉电能消耗功率；

(2)蓄热装置的热输出控制

在电锅炉极限运行时，蓄热电锅炉的蓄热装置吸收电锅炉多余的产热量；在电锅炉停止运行时，蓄热装置向外输热，并根据热电机组供热缺额调节热输出速率，直到储热量为0时停止供热，设定蓄热装置不能同时表现两种特性，蓄热装置对外热输出定义为：

式中：

为t时刻蓄热装置对外热出力，放热状态为正值，充热状态时为负值；

分别为t时刻蓄热装置放、充热值；

结合上式，t时段蓄热电锅炉整体热输出

为：

(3)蓄热电锅炉调峰比

在调度周期内，由于蓄热电锅炉的极限运行方式，使得蓄热电锅炉的总产热量为定值，其产热量

为：

式中：T_a为电锅炉工作时段小时数，电锅炉仅工作在热电联产机组实际碳排放配额超出初始碳排放配额时段，

为电锅炉的额定消耗电功率；

因此，蓄热电锅炉的调峰比k₁为：

式中：H_all为调度周期内的总热负荷。

进一步的技术方案在于，所述调度模型中对电池储能装置的调度模式如下：

(1)电池储能装置充电启停控制策略

为减少能源转换而造成能量损失，设定电池储能装置仅工作在“弃风”时段，弃风时段连续，以“弃风”为电源给电池储能装置充电，定义电池储能装置的充电启停为：

式中：S_e为电池储能充电启停状态，0代表不充电，1代表充电；P_t ^w为t时段风电消纳总量；P_t ^w.a为t时段风电额定消纳量；

在整个调度周期内，总储能值

为：

式中：β_ES为电池储能装置充电时转换效率，取95％；

为电池储能装置额定消耗电功率；T_e为风电机组弃风时段小时数；

(2)电池储能装置放电启停控制策略以及调峰比

在负荷高峰时段，利用电池储能装置弥补以负荷的超负荷需求，在整个调度周期内，电池储能装置总放电值

为：

式中：χ_ES为电池储能装置放电转换效率，取95％；

因此，电池储能装置的调峰比k₂为：

式中：D_all为调度周期内电池储能装置总电负荷。

进一步的技术方案在于，所述调度模型中的调度模式如下：利用碳排放权对热负荷供给侧进行评估，计算24时段热电联产机组初始碳排放配额以及24时段热电联产机组的热出力，进而计算24时段的实际碳排放配额，并将初始碳排放配额与实际碳排放配额进行比较；同时安排给热电机组和蓄热电锅炉供热出力；在满足热平衡约束后，根据热电联产机组的热出力计算相应的电出力以及蓄热电锅炉的风电消耗量，然后计算24时段剩余电空间以及风电机组最大供电量和弃风量，安排常规机组和风电机组出力，满足基础电负荷；将弃风电量储存于电池储能装置中；在负荷高峰时，部分电负荷由储能装置供应，满足电平衡约束；在存在大量弃风时段且电池储能装置不足以消纳弃风，减少热电联产机组出力，进而全部消纳风电。

进一步的技术方案在于，所述步骤2的具体过程如下：

(1)确定目标函数

基于常规火电机组煤耗成本和热电联产机组煤耗成本，其目标函数如下:

minF＝min(f₁+f₂)

式中：f₁为常规火电机组煤耗成本；f₂为热电联产机组煤耗成本；

其中，常规火电机组煤耗成本

式中：a_i,b_i,c_i为第i台常规火电机组煤耗成本系数；

热电联产机组煤耗成本

式中：a_j,b_j,c_j为第j台热电联产机组煤耗成本系数；

(2)确定约束条件

A、功率平衡约束：

1)电功率平衡约

2)热功率平衡约束：

式中：P_cha,t,P_dis,t分别为电池储能装置在t时刻的充、放电功率；P_load,t为t时刻的电负荷； P_elb,t为电锅炉在t时刻产生相应热负荷所消耗的电能；P_Hl,t为t时刻的热负荷；

B、机组相关约束：

1)常规火电机组约束

机组出力上下限约束：

机组爬坡约束：

式中：

分别为常规火电机组i在t时刻的最大、最小出力；Δr_i,up，Δr_i,down分别为常规火电机组i的上爬坡限制和下爬坡限制；

2)热电联产机组约束

热电联产机组同时兼备供电供热两个方面，因此在考虑出力上下限时，应同时考虑电出力和热出力上下限的约束，出力上下限约束如下：

电出力上下限约束：

热出力上下限约束：

电爬坡约束：

-Δr_j,down≤P_Ej,t-P_Ej,t-1≤Δr_j,up

热爬坡约束：

-Δh_j,down≤P_Hj,t-P_Hj,t-1≤Δh_j,up

式中：

分别为热电联产机组j在t时刻的最大、最小电出力；

为热电联产能机组j热出力的上限值；Δr_j,up,-Δr_j,down分别为热电联产机组j的电出力上爬坡限制和下爬坡限制；Δh_j,up,-Δh_j,down分别为热电联产机组j的热出力上爬坡限制和下爬坡限制；

3)风电机组约束：

C、旋转备用约束

正旋转备用容量约束：

负旋转备用容量约束：

式中：

分别为常规火电机组可提供的正、负旋转备用；

分别为热电联产机组提供的正、负旋转备用；m₁、m₂分别应对负荷波动和风电功率缺失的旋转备用系数；

D、电池储装置能运行约束

式中：

分别为电池储能装置在t时刻充、放电功率；

为充电效率，

分别为充电功率最大、最小值；

分别为放电功率最大、最小值；

分别为t时刻电池储能装置的充、放电状态，且

不能同时为1或0；E_cap(t)为电池储能装置在t时刻的容量；

分别为电池储能装置最大、最小容量；τ为电池储能装置的自放电率，与电池内部材质特性有关；

为放电效率；

E、蓄热式电锅炉运行约束

1)电锅炉约束

H_elb,t＝β_EBP_elb,t

式中：H_elb,t为电锅炉在t时刻的供热功率；

为电锅炉允许的最大电功率；

蓄热装置容量约束

式中：C_t为蓄热装置在t时刻的储热量；

分别为蓄热装置的最大蓄热出力和最大放热出力；C_max为蓄热装置的最大储热容量。

进一步的技术方案在于，所述步骤3的具体过程如下：

(1)引入动态惯性权重和压缩因子改进粒子群算法

假设在一个D维搜索空间内，由m个粒子组成种群X，其中第i个粒子表示为一个D维向量的X_i；对于每一个粒子i，其都由3个D维向量组成，分别为目前位置X_i、历史最优位置Pbest_i和速度V_i；在每次迭代过程中，粒子将通过个体极值和群体极值更新自身的速度和位置，即：

x_is(t+1)＝x_is(t)+v_is(t+1)

其中，

为压缩因子；ω为惯性权重；t为当前迭代次数；i＝1,2,…m,s＝1,2,…S；c₁和c₂为加速因子；r₁和r₂为分布于[0,1]区间的随机数；

在速度更新公式中，为有效地控制粒子的飞行速度使算法达到全局探测和局部开发两者之间的平衡，在速度更新公式中添加了收缩因子，压缩因子为：

采用典型的取法：取c₁＝c₂＝2.05，C为4.1，收缩因子

为0.729；

在求解过程中，将ω定义为：

ω(s)＝ω_start(ω_start-ω_end)*(S-s)/s

其中，ω_start为初始惯性权重；ω_end为迭代次数最大时的惯性权重；S为最大迭代次数；

(2)模型求解

利用改进的粒子群算法对模型进行求解；具体步骤如下：

1)粒子初始化，并根据实际气候环境、用户数据及组件参数求出每个粒子的局部最优解和全局最优解；

2)计算每一个粒子的适应度，并判断粒子是否符合约束；

3)比较粒子适应值与它的个体最优解pbest，如果优于pbest，则pbest为当前粒子位置；比较粒子pbest和全局最优解gbest，如果优于gbest，则此粒子的pbest为gbest；

4)更新粒子的速度和位置；

5)继续迭代直至达到最大迭代次数，并输出结果。

与现有技术相比，本发明具有如下优点：

按小时单位细分热电机组初始和实际碳排放权，利用初始与实际差值折算为等价热负荷；利用初始与实际差值启停仅由风电机组供应的蓄热式电锅炉，供给等价热负荷，提高风电消纳量；利用弃风给电池储能装置充电，减少弃风；引入动态惯性权重和压缩因子改进粒子群算法，两者协调提高平衡全局探测和局部探测能力。

附图说明

图1是本发明方法的系统模型。

图2是本发明方法的抽气式机组“电热特性”曲线。

图3是本发明方法的蓄热式电锅炉加热系统示意图。

图4是本发明方法的电池储能系统模型示意图。

图5是本发明方法的热-协-电多代理模型示意图。

图6是本发明方法的热电联合调度优化求解流程图。

图7是本发明方法的电-热负荷预测曲线图。

图8是本发明方法的风电预测曲线图。

图9是本发明方法的风电消纳对比曲线图。

具体实施方式

下面结合附图对本发明做进一步说明：

本发明中所述的蓄热式电锅炉能够完全供给任意时刻多余出的热负荷，电池储能装置能够在任意时刻完全消纳弃风电量。

结合上述所述图形，本发明所述方法的步骤如下：

步骤1，确定本系统模型的组成；

本发明建立包含热电联产机组(CHP)、风电机组、电池储能装置以及蓄热电锅炉的热电联合系统，热电联合系统通过联络线与大电网相连，并获取能量；在此，大电网通常为常规火电机组。电池储能装置能够提高风力发电稳定性且提高消纳风电空间，同时利用蓄热电锅炉实现风电清洁供热，根据风电不断变化情况改变电池储能装置的工作方式；根据热电联产机组的实际碳排放不断变化蓄热电锅炉的运行方式，两者协调运行，消纳更多风电。结构如附图1所示。

步骤2，计算热电联产机组24h初始碳排放权和实际碳排放权，并根据热负荷预测曲线计算每一时刻初始碳排放权和实际碳排放权，以及等价热负荷值：

步骤2-1，计算热电联产机组24小时初始碳排放权和实际碳排放权

热电联产机组既供电又供热，其电、热之间存在关联耦合关系，称为“电热特性”，如附图2所示。按其关联耦合特性曲线将净电功率P_E和热功率P_H折算成纯凝工况下的发电功率P_EH，关系如下所示：

P_EH＝P_E+γP_H

式中：γ为热电联产机组热电比。

根据纯凝工况下的发电功率P_EH可得热电联产机组无偿分配的初始碳排放配额E_qr为：

式中：P_Ej,t为热电联产机组j在t时刻的调度出力；P_Hj,t为热电联产机组j在t时刻的调度热出力；η_r为单位电量碳排放配额系数；N_R为热电联产机组数；γ_he为供热量与发电量之间的折算系数。

实际碳排放配额E_pr为：

式中：u_j，v_j，w_j为第j台热电联产机组CO₂排放系数。

步骤2-2，计算热电联产机组每小时初始碳排放权和实际碳排放权

热电联产机组按热负荷预测曲线每小时分配得到的初始碳排放配额E_qrav,t为：

热电联产机组按热负荷预测曲线每小时分配得到的实际碳排放配额E_qrav,t为：

式中：h_per,j为t时刻热负荷值；H_sum为24时刻总热负荷值。

步骤2-3，等价热负荷值

当E_prav,t≥E_qrav,t时，此时将多余的碳排放按照某规则折算为等价的热负荷P_dr，由风电机组进行供热。具体表达如下；

步骤3，对于包括电锅炉、蓄热装置的蓄热电锅炉，建立电锅炉启停控制策略、蓄热装置的热输出控制以及蓄热式电锅炉调峰比:

步骤3-1，电锅炉启停控制策略

为减小“电-热”转变这种特殊形式的能源浪费，由上分析可知，本发明设定电锅炉装置仅工作在热电联产机组碳排放超出初始碳排放时段(简称“超碳权”)，根据超额部分的多少安排电锅炉出力。定义电锅炉的启停为：

式中：S_b为电锅炉运行状态，0代表停止运行，1代表运行。

电锅炉的耗电量和热输出之间呈正比例关系。随着电锅炉的耗电量增加，其产热量也会增加。其供热出力公式定义为：

式中：

为t时段电锅炉热出力；β_EB为电锅炉的产热效率，取95％；P_t ^EB为电锅炉电能消耗功率。

步骤3-2，蓄热装置的热输出控制

风电具有随机波动性，因此在调度周期内，为了使在“超碳权”时段运行的电锅炉具备全时段调峰能力，电锅炉添加蓄热装置组成了蓄热式电锅炉。其中蓄热装置对外特性受电锅炉运行状态的影响。在电锅炉极限运行时，蓄热装置表现为“负荷特性”，吸收电锅炉多余的产热量；在电锅炉停止运行时，蓄热装置表现为“机组特性”，代替电锅炉向外输热，并根据热电机组供热缺额调节热输出速率，直到储热量为0时停止供热。设定蓄热装置不能同时表现两种特性，蓄热装置对外热输出定义为：

式中：

为t时刻蓄热装置对外热出力(放热状态为正值，充热状态时为负值)；

分别为t时刻蓄热装置放、充热值。

结合上式，t时段蓄热电锅炉整体热输出

为：

步骤3-3，蓄热式电锅炉调峰比

在调度周期内，由于电锅炉的极限运行方式，使得蓄热电锅炉的总产热量为定值(即总调峰热量为定值)。其产热量

为：

式中：T_a为“超碳权”时段小时数，

为电锅炉的额定消耗电功率。

因此，蓄热电锅炉的调峰比k₁为：

式中：H_all为调度周期内的总热负荷。

蓄热式电锅炉加热系统示意图如附图3所示。

步骤4，建立电池储能充放电启停控制策略和电池储能系统调峰比：

步骤4-1，电池储能充电启停控制策略

为减少能源转换而造成能量损失，设定电池储能装置仅工作在“弃风”时段(假定弃风时段连续)，以“弃风”为电源给储能装置充电。定义电池储能装置的充电启停为：

式中：S_e为电池储能充电启停状态，0代表不充电，1代表充电；P_t ^w为t时段风电消纳总量；P_t ^w.a为t时段风电额定消纳量。

在整个调度周期内，总储能值

为：

式中：β_ES为电池储能装置充电是转换效率，取95％；

为电池储能装置额定消耗电功率；T_e为“弃风”时段小时数。

步骤4-2，电池储能放电启停控制策略以及调峰比

在负荷高峰时段，电厂发电量不足以满足负荷需求时，负荷控制中心将信号传递给电池管理系统(BMS)，BMS通过控制控制器来达到电池放电目的。

在整个调度周期内，总放电值

为：

式中：χ_ES为电池储能装置放电转换效率，取95％。

因此，电池储能的调峰比k₂为：

式中：D_all为调度周期内总电负荷。

电池储能系统模型示意图如附图4所示。

步骤5，建立热-协-电多代理模型：

步骤5-1，热代理

首先热代理需计算24时段热电机组初始碳排放以及24时段热电机组的热出力，进而计算24时段的实际碳排放，并将初始碳排放与实际碳排放进行比较。将信息同时传递给热电机组和蓄热电锅炉，安排供热出力。满足热平衡约束后，根据热电机组的热出力计算相应的电出力以及蓄热电锅炉的风电消耗量，并将信息传递给协同代理。协同代理将信息整理后发送给电代理。

步骤5-2，电代理

电代理接收到协同代理信息后，计算24时段剩余电空间以及风电机组最大供电量和弃风量，安排常规机组和风电机组出力，满足基础电负荷。将弃风电量储存于电池储能装置中。在负荷高峰时，电代理向电池储能装置发送信息，部分电负荷有储能装置供应，满足电平衡约束。若存在大量弃风时段且电池储能装置不足以消纳弃风，此时电代理需要向协同代理发送信息，协同代理将整理好的信息发送给热代理，减少热电机组出力，进而全部消纳风电。热-协-电多代理模型示意图如附图5所示。

步骤6，确定目标函数和约束条件，建立考虑煤耗成本的优化模型：

步骤6-1，确定目标函数

大电网多为常规火电机组，综合考虑了其煤耗成本和热电联产机组煤耗成本，构建了利用蓄热式电锅炉和电池储能装置提高风电消纳的热电联合调度优化模型，目标函数如下:

minF＝min(f₁+f₂)

式中：f₁为常规火电机组煤耗成本；f₂为热电联产机组煤耗成本。

步骤6-1-1，常规火电机组煤耗成本

式中：a_i,b_i,c_i为第i台常规火电机组煤耗成本系数。

步骤6-1-2，热电联产机组煤耗成本

式中：a_j,b_j,c_j为第j台热电联产机组煤耗成本系数。

步骤6-2，约束条件

步骤6-2-1，功率平衡约束

1)电功率平衡约

2)热功率平衡约束：

式中：P_cha,t,P_dis,t分别为电池储能装置在t时刻的充、放电功率；P_load,t为t时刻的电负荷； P_elb,t为电锅炉在t时刻产生相应热负荷所消耗的电能；P_Hl,t为t时刻的热负荷。

步骤6-2-2，机组相关约束

1)常规火电机组约束。

机组出力上下限约束：

机组爬坡约束：

式中：

分别为常规火电机组i的最大、最小出力；Δr_i,up，Δr_i,down分别为常规火电机组i的上爬坡限制和下爬坡限制。

2)热电联产机组约束

热电联产机组同时兼备供电供热两个方面，因此在考虑出力上下限时，应同时考虑电出力和热出力上下限的约束，出力上下限约束如下：

电出力上下限约束：

热出力上下限约束：

电爬坡约束：

-Δr_j,down≤P_Ej,t-P_Ej,t-1≤Δr_j,up

热爬坡约束：

-Δh_j,down≤P_Hj,t-P_Hj,t-1≤Δh_j,up

式中：

分别为热电联产机组j的最大、最小电出力；

为热电联产能机组j热出力的上限值；Δr_j,up,-Δr_j,down分别为热电联产机组j的电出力上爬坡限制和下爬坡限制；Δh_j,up,-Δh_j,down分别为热电联产机组j的热出力上爬坡限制和下爬坡限制。

3)风电机组约束：

步骤6-2-3，旋转备用约束

正旋转备用容量约束：

负旋转备用容量约束：

式中：

分别为常规火电机组可提供的正、负旋转备用；

分别为热电联产机组提供的正、负旋转备用；m₁、m₂分别应对负荷波动和风电功率缺失的旋转备用系数。

步骤6-2-4，电池储能装置运行约束

式中：

分别为电池储能装置在t时刻充、放电功率；

为充电效率，式(1)说明充放电过程要满足能量守恒；

分别为充电功率最大、最小值；

分别为放电功率最大、最小值；

分别为t时刻电池储能装置的充、放电状态，且

不能同时为1或0；E_cap(t)为电池储能装置在t时刻的容量；

分别为电池储能装置最大、最小容量；τ为电池储能装置的自放电率，与电池内部材质特性有关；

为放电效率。

步骤6-2-5，蓄热式电锅炉运行约束

1)电锅炉约束

H_elb,t＝β_EBP_elb,t

式中：H_elb,t为电锅炉在t时刻的供热功率；

为电锅炉允许的最大电功率。

蓄热装置容量约束

式中：C_t为蓄热装置在t时刻的储热量；

分别为蓄热装置的最大蓄热出力和最大放热出力；C_max为蓄热装置的最大储热容量。

步骤7，引入动态惯性权重和压缩因子改进粒子群算法：

步骤7-1，引入动态惯性权重和压缩因子改进粒子群算法

粒子群优化算法(POS)是一种模拟鸟群觅食过程中迁徙和群聚行为的智能算法。与遗传算法相似，也是从随机解出发，迭代寻找最优解。具有收敛速度快、算法易实现等优点。PSO 可用于解决多目标非线性优化问题，假设在一个D维搜索空间内，由m个粒子组成种群X，其中第i个粒子表示为一个D维向量的X_i。对于每一个粒子i，其都由3个D维向量组成，分别为目前位置(X_i)、历史最优位置(Pbest_i)和速度(V_i)。在每次迭代过程中，粒子将通过个体极值和群体极值更新自身的速度和位置，即：

x_is(t+1)＝x_is(t)+v_is(t+1)

其中，

为压缩因子；ω为惯性权重；t为当前迭代次数；i＝1,2,…m,s＝1,2,…,S；c₁和 c₂为加速因子；r₁和r₂为分布于[0,1]区间的随机数。

在速度更新公式中，学习因子c₁和c₂分别代表了粒子自身经验信息和其它粒子经验信息对粒子运行轨迹的影响。当学习因子c₁较大时，会使粒子过多地在局部范围内徘徊；而学习因子c₂较大时，又会使粒子过早收敛到局部最小值。

在求解过程中为有效地控制粒子的飞行速度使算法达到全局探测和局部开发两者之间的平衡，本发明在速度更新公式中添加了收缩因子，压缩因子为：

为保证算法的顺利求解，c₁+c₂必须大于4。因此，本发明采用典型的取法：取 c₁＝c₂＝2.05，C为4.1，收缩因子

为0.729。

在求解过程中，ω起到一个平衡全局探测能力和局部探测能力的作用，其取值的范围影响着算法的求解精度。ω的取值可设定为固定不变的和动态变化的。基于对PSO的研究，相比于ω动态变化时，虽然ω固定不变时PSO具有较快的收敛速度，但是求解精度较低。因此本发明将ω定义为：

ω(s)＝ω_start(ω_start-ω_end)*(S-s)/s

其中，ω_start为初始惯性权重；ω_end为迭代次数最大时的惯性权重；S为最大迭代次数。

步骤7-2，模型求解

动态惯性权重和压缩因子改进粒子群算法对模型进行求解，如附图6所示。

具体模型求解步骤如下：

首先输入常规火电机组、热电联产机组、风电机组、蓄热式电锅炉、电池储能装置、电热负荷预测值以及风电预测值等相关参数，生成电-热负荷预测曲线和风电预测曲线。根据热电机组调度出力以及实际出力，分别计算24时段初始以及实际碳排放权总额，并按照热负荷预测曲线计算24时段每一单位时段初始以及实际碳排放，通过比较单位时段碳排放配额的大小，进而决定电锅炉的启停。当电锅炉极限运行时，储热装置吸收多余的热量，且不大于储热装置容量，否则停止储热，当电锅炉停止运行时，储热装置表现为“机组特性”，与热电机组一起满足热平衡。

计算蓄热电锅炉的风电消耗量，然后计算24时段剩余风电消纳总量与额定消纳量，当风电消纳总量不小于额定消纳量时，将弃风电量储存于电池储能装置中；在负荷高峰时，部分电负荷由储能装置供应，满足电平衡约束；在存在大量弃风时段且电池储能装置不足以消纳弃风，减少热电机组出力，进而全部消纳风电。

仿真分析

对本发明所述调度方法进行仿真分析，具体算例分析如下：

1)确定算例以及其必要特征，采用MATLAB软件编写粒子群算法程序对算例进行仿真分析；

2)机组参数

为验证本发明模型的有效性，该模型根据我国“三北”某地区的实际电源结构简化分配各类电源装机容量比例，如表1所示。

表1机组装机容量与装机比例

该系统选取4台热电机组、2台常规机组、1台风电机组、1台蓄热式电锅炉和1台电池储能装置。系统备用设定为本地负荷的10％，日调度内不考虑机组的启停问题(电锅炉除外)。

蓄热电锅炉与电池储能装置参数为：电锅炉装机容量为250MW,电热转换效率β_EB＝0.95；储热装置的储热容量为850MW·h，最大储、放热速率为100MW·h，电池储能装置容量为300MW。

3)负荷预测曲线

选取“三北”地区供暖期电-热负荷相差最大的一天(22:00～次日21:00)为典型日。电 -热负荷预测曲线如图7所示。

由图7可知，典型日中热-电负荷呈现典型的反调峰特性。此外，热电机组的“热电耦合”特性，将会使反调峰特性更加严重。

4)风电预测预曲线如图8所示；

5)为验证本发明具有提高系统运行经济性和可再生能源消纳的能力，采用MATLAB软件编写改进的粒子群算法程序对算例进行仿真分析；其中采用以下3种方式进行仿真对比分析：

运行方式1采用传统方式的“以热定电”刚性电热偶合调度方式，蓄热式电锅炉和电池储能装置均不参与调度，热电联产机组独自满足热负荷平衡约束。

运行方式2采用蓄热式电锅炉与热电联产机组同时参与调度，不考虑电池储能装置的作用。

运行方式3采用蓄热式电锅炉和电池储能装置两者协调参与调度。

采用以上3种运行方式仿真所得风电消纳对比曲线如图9所示。通过对比分析可得，在运行方式3下，将大幅度提升风电消纳能力，几乎可完全消纳弃风电量。优化计算结果如表 2所示，运行在方式3下，煤耗成本可节省至257.37万元，风电消纳率提升至96.58％，由此可得，采用蓄热式电锅炉和电池储能装置两者协调运行可实现风电消纳量最大并获得最佳经济性。

通过上述算例仿真分析可知，该模型能够在保证系统运行可靠性的情况下，提高系统运行经济性和可再生能源消纳的能力。

表2煤耗成本与风电消纳量对比

以上所述的仿真分析仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的保护范围内。

Claims (7)

1.一种提高风电消纳的热电联合调度方法，其特征在于，所述方法的步骤如下：

步骤1，建立包含热电联产机组、风电机组、电池储能装置以及蓄热电锅炉的热电联合系统，确定其提高风电消纳的调度模型；其中，热电联合系统通过联络线与大电网相连，并获取能量；

步骤2，确定热电联产机组和大电网能耗成本最低的目标函数以及约束条件；

步骤3，利用目标函数、约束条件对调度模型进行优化、求解，获得优化调度模型；

步骤4，根据优化调度模型对热电联合系统进行调度；

所述调度模型利用碳排放权对热电联产机组进行评估，评估过程如下：

(1)计算热电联产机组24小时初始碳排放权和实际碳排放权

热电联产机组既供电又供热，其电、热之间存在关联耦合关系，按其关联耦合特性曲线将净电功率P_E和热功率P_H折算成纯凝工况下的发电功率P_EH，关系式如下：

P_EH＝P_E+γP_H

式中：γ为热电联产机组热电比；

根据纯凝工况下的发电功率P_EH可得热电联产机组无偿分配的初始碳排放配额E_qr为：

式中：P_Ej,t为热电联产机组j在t时刻的调度电出力；P_Hj,t为热电联产机组j在t时刻的调度热出力；η_r为单位电量碳排放配额系数；N_R为热电联产机组数；γ_he为供热量与发电量之间的折算系数；T为一个调度周期，T＝24；

实际碳排放配额E_pr为：

式中：u_j，v_j，w_j为第j台热电联产机组CO₂排放系数；

(2)计算热电联产机组每小时初始碳排放权和实际碳排放权

热电联产机组按热负荷预测曲线每小时分配得到的初始碳排放配额E_qrav,t为：

热电联产机组按热负荷预测曲线每小时分配得到的实际碳排放配额E_prav,t为：

式中：h_per,t为t时刻热负荷值；H_sum为24时刻总热负荷值；

(3)等价热负荷值

当E_prav,t≥E_qrav,t时，将多余的碳排放折算为等价的热负荷P_dr，由风电机组进行供热，具体表达式如下：

2.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述调度模型的调度模式为：

风电机组、电池储能装置、热电联产机组按照顺序发电供给需求侧电负荷，热电联产机组、蓄热电锅炉产生的热量供给需求侧热负荷；从大电网获取电能弥补需求侧电/热负荷对热电联产机组、风电机组、电池储能装置的超负荷需求，电池储能装置、蓄热电锅炉处理风电机组供给需求侧电负荷后的多余电能；利用蓄热电锅炉从风电机组、电池储能装置获取的能量，弥补需求侧热负荷对热电联产机组的超负荷需求。

3.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述调度模型中包括电锅炉、蓄热装置的蓄热电锅炉的调度模式如下：

(1)电锅炉启停控制策略

利用电锅炉从风电机组、电池储能装置获取的能量，弥补需求侧热负荷对热电联产机组的超负荷需求，定义电锅炉的启停为：

式中：S_b为电锅炉运行状态，0代表停止运行，1代表运行；E_qrav,t为热电联产机组按热负荷预测曲线每小时分配得到的初始碳排放配额，E_prav,t为热电联产机组按热负荷预测曲线每小时分配得到的实际碳排放配额；

电锅炉的耗电量和热输出之间呈正比例关系，其供热出力公式定义为：

式中：

为t时段电锅炉热出力；β_EB为电锅炉的产热效率，取95％；P_t ^EB为电锅炉电能消耗功率；

(2)蓄热装置的热输出控制

在电锅炉极限运行时，蓄热电锅炉的蓄热装置吸收电锅炉多余的产热量；在电锅炉停止运行时，蓄热装置向外输热，并根据热电机组供热缺额调节热输出速率，直到储热量为0时停止供热，设定蓄热装置不能同时表现两种特性，蓄热装置对外热输出定义为：

式中：

为t时刻蓄热装置对外热出力，放热状态为正值，充热状态时为负值；

分别为t时刻蓄热装置放、充热值；

结合上式，t时段蓄热电锅炉整体热输出

为：

(3)蓄热电锅炉调峰比

在调度周期内，由于蓄热电锅炉的极限运行方式，使得蓄热电锅炉的总产热量为定值，其产热量

为：

式中：T_a为电锅炉工作时段的小时数，电锅炉仅工作在热电联产机组实际碳排放配额超出初始碳排放配额时段，

为电锅炉的额定消耗电功率；

因此，蓄热电锅炉的调峰比k₁为：

式中：H_all为调度周期内的总热负荷。

4.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述调度模型中对电池储能装置的调度模式如下：

(1)电池储能装置充电启停控制策略

为减少能源转换而造成能量损失，设定电池储能装置仅工作在“弃风”时段，弃风时段连续，以“弃风”为电源给电池储能装置充电，定义电池储能装置的充电启停为：

式中：S_e为电池储能充电启停状态，0代表不充电，1代表充电；P_t ^w为t时段风电消纳总量；P_t ^w.a为t时段风电额定消纳量；

在整个调度周期内，总储能值

为：

式中：β_ES为电池储能装置充电时转换效率，取95％；

为电池储能装置额定消耗电功率；T_e为风电机组弃风时段小时数；

(2)电池储能装置放电启停控制策略以及调峰比

在负荷高峰时段，利用电池储能装置弥补负荷的超负荷需求，在整个调度周期内，电池储能装置总放电值

为：

式中：χ_ES为电池储能装置放电转换效率，取95％；

因此，电池储能装置的调峰比k₂为：

式中：D_all为调度周期内电池储能装置总电负荷。

5.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述调度模型中的调度模式如下：利用碳排放权对热负荷供给侧进行评估，计算24时段热电联产机组初始碳排放配额以及24时段热电机组的热出力，进而计算24时段的实际碳排放配额，并将初始碳排放配额与实际碳排放配额进行比较；同时安排给热电联产机组和蓄热电锅炉供热出力；在满足热平衡约束后，根据热电联产机组的热出力计算相应的电出力以及蓄热电锅炉的风电消耗量，然后计算24时段剩余电空间以及风电机组最大供电量和弃风量，安排常规火电机组和风电机组出力，满足基础电负荷；将弃风电量储存于电池储能装置中；在负荷高峰时，部分电负荷由储能装置供应，满足电平衡约束；在存在大量弃风时段且电池储能装置不足以消纳弃风，减少热电联产机组出力，进而全部消纳风电。

6.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述步骤2的具体过程如下：

(1)确定目标函数

基于常规火电机组煤耗成本和热电联产机组煤耗成本，其目标函数如下:

min F＝min(f₁+f₂)

式中：f₁为常规火电机组煤耗成本；f₂为热电联产机组煤耗成本；

其中，常规火电机组煤耗成本

式中：a_i,b_i,c_i为第i台常规火电机组煤耗成本系数；T为一个调度周期，T＝24；

热电联产机组煤耗成本

式中：a_j,b_j,c_j为第j台热电联产机组煤耗成本系数；P_Ej,t为热电联产机组j在t时刻的调度电出力；P_Hj,t为热电联产机组j在t时刻的调度热出力；N_R为热电联产机组数；γ_he为供热量与发电量之间的折算系数；

(2)确定约束条件

A、功率平衡约束：

1)电功率平衡约束

2)热功率平衡约束：

式中：P_cha,t,P_dis,t分别为电池储能装置在t时刻的充、放电功率；P_load,t为t时刻的电负荷；P_elb,t为电锅炉在t时刻产生相应热负荷所消耗的电能；P_Hl,t为t时刻的热负荷；β_EB为电锅炉的产热效率，取95％；

B、机组相关约束：

1)常规火电机组约束

机组出力上下限约束：

机组爬坡约束：

式中：

分别为常规火电机组i在t时刻的最大、最小出力；Δr_i,up，Δr_i,down分别为常规火电机组i的上爬坡限制和下爬坡限制；

2)热电联产机组约束

热电联产机组同时兼备供电供热两个方面，因此在考虑出力上下限时，应同时考虑电出力和热出力上下限的约束，出力上下限约束如下：

电出力上下限约束：

热出力上下限约束：

电爬坡约束：

-Δr_j,down≤P_Ej,t-P_Ej,t-1≤Δr_j,up

热爬坡约束：

-Δh_j,down≤P_Hj,t-P_Hj,t-1≤Δh_j,up

式中：

分别为热电联产机组j在t时刻的最大、最小电出力；

为热电联产能机组j热出力的上限值；Δr_j,up,-Δr_j,down分别为热电联产机组j的电出力上爬坡限制和下爬坡限制；Δh_j,up,-Δh_j,down分别为热电联产机组j的热出力上爬坡限制和下爬坡限制；P_Ej,t-1,P_Hj,t-1分别为热电联产机组j在t-1时刻的电出力和热出力；

3)风电机组约束：

C、旋转备用约束

正旋转备用容量约束：

负旋转备用容量约束：

式中：

分别为常规火电机组可提供的正、负旋转备用；

分别为热电联产机组提供的正、负旋转备用；m₁、m₂分别为负荷波动和风电功率缺失的旋转备用系数；

D、电池储能装置运行约束

式中：

分别为电池储能装置在t时刻充、放电功率；

为充电效率，

分别为充电功率最大、最小值；

分别为放电功率最大、最小值；

分别为t时刻电池储能装置的充、放电状态，且

不能同时为1或0；E_cap(t)为电池储能装置在t时刻的容量；

分别为电池储能装置最大、最小容量；τ为电池储能装置的自放电率，与电池内部材质特性有关；

为放电效率；

E、蓄热电锅炉运行约束

1)电锅炉约束

H_elb,t＝β_EBP_elb,t

式中：H_elb,t为电锅炉在t时刻的供热功率；

为电锅炉允许的最大电功率；

蓄热装置容量约束

式中：C_t为蓄热装置在t时刻的储热量；

分别为蓄热装置的最大蓄热出力和最大放热出力；C_max为蓄热装置的最大储热容量；

分别为t时刻蓄热装置放、充热值；

为t时刻蓄热装置对外热出力。

7.根据权利要求1所述的一种提高风电消纳的热电联合调度方法，其特征在于，所述步骤3的具体过程如下：

(1)引入动态惯性权重和压缩因子改进粒子群算法

假设在一个D维搜索空间内，由m个粒子组成种群X，其中第i个粒子表示为一个D维向量的X_i；对于每一个粒子i，其都由3个D维向量组成，分别为目前位置X_i、历史最优位置Pbest_i和速度V_i；在每次迭代过程中，粒子将通过个体极值和群体极值更新自身的速度和位置，即：

x_is(t+1)＝x_is(t)+v_is(t+1)

其中，

为压缩因子；ω为惯性权重；t为当前迭代次数；i＝1,2,…m,s＝1,2,…S；c₁和c₂为加速因子；r₁和r₂为分布于[0,1]区间的随机数；

在速度更新公式中，为有效地控制粒子的飞行速度使算法达到全局探测和局部开发两者之间的平衡，在速度更新公式中添加了收缩因子，压缩因子为：

采用典型的取法：取c₁＝c₂＝2.05，C为4.1，收缩因子

为0.729；

在求解过程中，将ω定义为：

ω(s)＝ω_start(ω_start-ω_end)*(S-s)/s

其中，ω_start为初始惯性权重；ω_end为迭代次数最大时的惯性权重；S为最大迭代次数；

(2)模型求解

利用改进的粒子群算法对模型进行求解；具体步骤如下：

1)粒子初始化，并根据实际气候环境、用户数据及组件参数求出每个粒子的局部最优解和全局最优解；

2)计算每一个粒子的适应度，并判断粒子是否符合约束；

3)比较粒子适应值与它的个体最优解pbest，如果优于pbest，则pbest为当前粒子位置；比较粒子pbest和全局最优解gbest，如果优于gbest，则此粒子的pbest为gbest；

4)更新粒子的速度和位置；

5)继续迭代直至达到最大迭代次数，并输出结果。

Images