CN109687531A - 一种大规模风电接入下的火电机组灵活性改造方法 - Google Patents

Abstract

风力发电具有极强的随机波动性，大规模风电的消纳需要火电提供辅助服务。然而，中国的火电机组普遍存在总量富余但灵活性不足的问题，严重限制了风电的消纳。本发明提出一种大规模风电接入下的火电机组灵活性改造方法，构建了考虑火电机组灵活性改造的电力系统长期调度模型。考虑到该模型是具有多时间维度耦合特征的大规模优化模型，利用Benders分解算法，将原问题分解成关于灵活性改造的投资主问题与不同改造方案下的各调度时段的运行子问题，从而实现了对具有多时间维度的大规模优化问题的高效求解。算例分析显示，所构建的模型能够在提升电力系统运行经济性的同时促进高比例风电消纳。

Description

一种大规模风电接入下的火电机组灵活性改造方法

技术领域

本发明属于新能源电力系统经济规划领域，具体涉及一种大规模风电接入下的火电机组灵活性改造方法。

背景技术

近年来，规模风电并网伴随的弃风问题引起了广泛的关注。2017年，全国弃风量高达41.9TW·h。在风电最为发达的西北地区，甘肃与新疆的弃风率分别高达33％与29％。如何提升电力系统对高比例可再生能源的消纳能力，对促进可再生能源行业的健康发展，推进能源革命与节能减排战略有着极其重要的现实意义。

然而，在提高可再生电源装机容量的同时，必须同步提升电力系统对可再生能源的消纳能力，否则就会造成可再生能源的弃用，不利于电力系统运行的经济性与环保性。火电机组在平抑规模化风电的大幅度波动、促进风电消纳中扮演着极其重要的角色。火电机组参与调峰的能力，特别是机组的最低稳燃负荷及出力的变化速率，通常被称为火电机组的“灵活性”。然而，中国的火电机组普遍存在总量富余而灵活性不足的问题，严重限制了可再生能源并网比例的提升。为了克服这一难题，在政策制定方面，中国的《电力发展“十三五”规划纲要》指出，“十三五”期间实现热电联产机组改造133GW·h，纯凝机组改造86.50GW，增加调峰能力46.00GW。而在学术研究上，一部分学者从技术层面研究了火电机组调峰方案，以及火电机组灵活性改造的可行性。另一部分学者致力于火电机组参与调峰时的成本计算及考虑火电机组调峰时的调度问题。因此，提高中国火电机组的灵活性，对促进风电消纳具有极其重要的现实意义。

发明内容

基于以上考虑，本发明的目的在于克服现有技术的不足，研究了规模风电并网背景下的火电机组灵活性改造问题，具体技术方案如下：

一种大规模风电接入下的火电机组灵活性改造方法，其特征在于，所述方法构建火电机组投资决策及电力系统长期调度决策的混合整数非线性规划模型，并针对模型具有的多时间段耦合的特征，采用Benders分解算法求解。

所述混合整数非线性规划模型由目标函数、负荷平衡约束、弃风量计算、爬坡约束、火电机组出力范围约束五部分组成。

所述模型的Benders分解算法为：将原问题分解成仅涉及变量x_j的投资主问题(MP)与12个不包含变量x_j的运行子问题(SP-m，m＝1,2,…,12)；求解各子问题，可以获得对偶变量的取值，进而构建Benders割，再回代到主问题当中；

所述算法步骤如下：

1)输入模型计算所需要的各项参数，设置上界LB＝+∞，下界UB＝0，令k＝1表示迭代的计数。设定算法最大误差容忍度ε；

2)输入一个初始的机组改造方案；

3)对子问题SP-1到SP-12进行并行计算；

4)获得第k轮求解时的对偶变量及对应的子问题最优值令

5)添加Benders割到主问题中，并求解主问题获得最优值更新

6)观察是否满足收敛原则如果满足，停止迭代，并输出当前解为最优解，否则回到步骤3。

附图说明

图1为考虑灵活性改造的风电消纳情况。

图2为不考虑灵活性改造的风电消纳情况。

具体实施方式

下面结合附图对发明进一步详细说明。

本发明考虑一个含火电机组及大规模风电机组的电力系统。由于过去工艺技术的落后，这些已有的火电机组普遍存在灵活性不足的问题，具体表现在：①深度调峰能力不足，最低稳燃负荷过高，无法在风电高发时段低发以促进风电的消纳；②爬坡速率较低，无法适应风电出力的快速大幅波动。因此，本发明所构建的模型旨在研究如何对已有的火电机组进行灵活性改造，以适应在未来长期调度中大规模风电接入的需求。模型的具体形式如下。

1)目标函数。优化的目标是总成本最小化。而总成本主要由三部分构成：①火电机组进行灵活性改造所需要花费的投资；②发电成本；③弃风成本，主要体现在弃风导致的上网电价补贴的损失。目标函数如下：

min C₁+C₂-C₃ (1)

式中：Ω为可控发电单元j的集合；T为短期调度中时间段t的集合，每个时间段代表1h；M为长期调度中时间段m的集合，每个时间段代表1个月；C₁为火电机组灵活性改造的总投资成本；C₂为调度期内的总发电成本；C₃为调度期内风电上网电价补贴的损失；I_j为火电机组j进行灵活性改造的投资年费；D_m为第m个月包含的天数；s为单位弃风量带来的上网电价损失；c_wind为风电单位发电成本；为可控发电单元j在第m个月第t小时的出力；为第m个月第t时段使用的风电出力；为第m个月第t时段弃用的风电出力；x_j为0-1变量，当且仅当机组j进行灵活性改造时为1，否则为0；f_j为火电机组j的发电成本函数，在其定义域内为单调递增的凸函数。

2)负荷平衡约束。负荷平衡约束保证每一时间段火电机组的出力加上风电的实际利用功率之和等于当期的负荷。

式中：L_mt为第m个月第t时段的负荷。

3)弃风量的计算。每一期的弃风量与实际利用风电利用量之和等于当期可利用的风电最大量，如下所示：

式中：为第m个月第t时段的风力最大发电量。

4)爬坡约束。爬坡约束限制了火电机组相邻时间段的出力之差不能超过最大爬坡速率，如式(7)所示。注意最大灵活性改造会提升最大爬坡速率。

式中：R_j为火电机组j未经灵活性改造时的爬坡速率；为火电机组j灵活性改造后的爬坡速率。

5)火电机组出力范围约束。火电机组出力范围约束限制了火电机组每一期的出力必须在最小稳燃负荷与额定容量之间。注意最小稳燃负荷同样会因为进行了灵活性改造而下降。

式中：为火电机组j的最大出力；为火电机组j灵活性改造前的最低稳燃负荷；为火电机组j灵活性改造后的最低稳燃负荷。

以上所构建的模型是一个具有两类时间维度(小时与月)的大规模混合整数非线性规划模型，直接求解会极大地降低其求解效率。观察其约束系数矩阵发现，这是一类典型的具有所谓“复杂列”的矩阵，如下所示：

式中：A₁到A₁₂对应从1月到12月运行问题中的系数矩阵；B是与x_j相乘的系数组成的矩阵。

从矩阵结构上看，矩阵B是各月的运行问题形成耦合关系的关键所在，也就是说，如果x_j被固定下来，就可以消除矩阵B，约束的系数矩阵就会变成标准的分块矩阵。由于各月的运行问题之间不再存在耦合关系，对各月的运行问题分别求得最优解，组成的解就是原问题的全局最优解。将原问题分解成仅涉及变量x_j的投资主问题(MP)与12个不包含变量x_j的运行子问题(SP-m，m＝1,2,…,12)，其中第m个运行子问题如下：

式中：在子问题中不再是一个变量，其取值是上一轮主问题求解获得的最优值；β_mt，γ_mt，μ_mjt，λ_mjt，θ_mjt，ε_mjt为各约束所对应的对偶变量，即主问题中各约束所乘的拉格朗日乘子。显然，对机组进行灵活性改造只会扩大问题的可行域，也就是说，若所有机组都不进行灵活性改造时问题存在解，则无论x_j如何取值子问题均有解。求解各子问题，可以获得对偶变量的取值，进而构建Benders割，并回代到主问题当中，得到主问题如下：

最后根据算法的执行流程求解模型。

为证明理论的正确性，设计了仿真实验。实验模型通过MATLAB R2017a平台使用YALMIP工具箱用Gurobi8.0求解器，在一台配备了Intel(R)Core(TM)i7-8750H@2.20GHZCPU，16GB内存以及Windows 10(64bit)操作系统的个人计算机上求解。模型选取5台火电机组与一个风电场模拟电力系统。所有的火电机组均假设尚未进行灵活性改造。灵活性改造后的参数变化情况参考国家能源局发布的《关于下达火电灵活性改造试点项目的通知》的要求，改造后的最低稳燃负荷取额定容量的35％，爬坡速率取3％额定容量/min。取其中一个典型日为例，观察不同场景下的运行情况。其中风电消纳情况如图1与图2所示。

对比图1和图2可以发现，经过灵活性改造之后，在07:00，18:00，20:00—22:00的火电出力下限均低于1 000MW，从而保证了火电机组的低发以促进风电的利用。这点也可以从同一时段的风电利用率也高于不考虑灵活性改造时的情景看出。计算结果显示，考虑灵活性改造时的全年风电弃用量为2.984×10⁵MW·h，弃风率为8.31％，较不进行灵活性改造时5.18×10⁵MW·h的弃风量，14.29％的弃风率有了很大的提升。由此可见，灵活性改造对促进风电的消纳具有很重要的现实意义。

以上结果证明所提方案准确可行。

Claims (4)

1.一种大规模风电接入下的火电机组灵活性改造方法，其特征在于，所述方法构建火电机组投资决策及电力系统长期调度决策的混合整数非线性规划模型，并针对模型具有的多时间段耦合的特征，采用Benders分解算法求解。

2.根据权利要求1所述的一种大规模风电接入下的火电机组灵活性改造方法，其特征在于，所述混合整数非线性规划模型由目标函数、负荷平衡约束、弃风量计算、爬坡约束、火电机组出力范围约束五部分组成。

3.根据权利要求1所述的一种大规模风电接入下的火电机组灵活性改造方法，其特征在于，所述模型的Benders分解算法为：将原问题分解成仅涉及变量x_j的投资主问题(MP)与12个不包含变量x_j的运行子问题(SP-m，m＝1,2,…,12)；求解各子问题，可以获得对偶变量的取值，进而构建Benders割，再回代到主问题当中。

4.根据权利要求3所述的模型的Benders分解算法，其特征在于，所述算法步骤如下：

1)输入模型计算所需要的各项参数，设置上界LB＝+∞，下界UB＝0，令k＝1表示迭代的计数。设定算法最大误差容忍度ε；

2)输入一个初始的机组改造方案；

3)对子问题SP-1到SP-12进行并行计算；

4)获得第k轮求解时的对偶变量及对应的子问题最优值令

5)添加Benders割到主问题中，并求解主问题获得最优值更新

6)观察是否满足收敛原则如果满足，停止迭代，并输出当前解为最优解，否则回到步骤3。