CN111628503B - 考虑广义储能与火电联合调峰的优化调度方法 - Google Patents

Abstract

本发明提出一种考虑广义储能与火电联合调峰的日前‑日内两阶段滚动优化调度方法，其特点是，充分挖掘了广义储能各类资源不同时间尺度的分布特性以及调峰潜力，使其与火电机组配合，实现各类资源的协调调度，提高了系统新能源消纳量，降低了系统的运行成本。首先，将需求侧灵活性负荷与实际储能共同视为广义储能资源，构建广义储能的调峰模型；其次，根据火电机组调峰运行状态的不用，构建火电机组的调峰模型；最后，为应对系统不同调度阶段的不确定因素，挖掘广义储能资源不同时间尺度的调峰特性，构建了日前‑日内两阶段滚动调峰模型。具有科学合理，适用性强，效果佳等优点。

Description

考虑广义储能与火电联合调峰的优化调度方法

技术领域

本发明涉及能源技术领域，是一种考虑广义储能与火电联合调峰的优化调度方法。

背景技术

高比例可再生能源并网成为电网发展的必然趋势，其波动性、反调峰特性及预测误差使得电力系统调峰需求逐渐增加。传统电力系统调峰主要依靠火电机组，但其调节速度和范围有限，经济性较差，已不能满足未来含高比例可再生能源电力系统的调峰需求。

当前电力系统中柔性负荷的比例不断提高，其灵活性与可调度性能够实现能量时移，是参与电力系统快速调峰的可靠资源，其功能与实际储能装置相近。因此，如果将储能的概念延伸，把能够改变能量时空分布的装置和措施统称为广义储能，包括实际的储电、储热、储氢等装置，需求侧响应(demand response，DR)和管理、电动汽车充电管理等，则研究广义储能与火电机组联合调峰的调度方法，对提高电力系统调峰能力具有重要的理论与实践意义。

目前对于火电和广义储能参与电力系统调峰的研究已有一定进展，但对于广义储能各类资源的运行特性和快速调峰潜力挖掘不够，与火电机组缓慢调峰协调配合的研究有待深入。另外，目前已有的调峰研究大多是针对日前阶段，但风电的预测精度与预测周期有关，广义储能各类资源的调度时间尺度不同，因此单独采用日前调度难以充分发挥其快速调峰优势，也难以做出准确的调度决策。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提出一种科学合理，适用性强，效果佳的考虑广义储能与火电联合调峰的优化调度方法，本发明充分挖掘了广义储能各类资源不同时间尺度的分布特性以及调峰潜力，使其与火电机组配合，实现各类资源的协调调度，提高了系统新能源消纳量，降低了系统的运行成本。

解决其技术问题采用的技术方案是：一种考虑广义储能与火电联合调峰的优化调度方法，其特征是，它包括以下步骤：

1)构建广义储能调峰资源模型

广义储能模型由两部分组成：一部分是由储电装置构成的实际储能；另一部分为需求侧响应和管理构成的虚拟储能，包括价格型需求响应(price-based demandresponse，PDR)和激励型需求响应(incentive-based demand response，IDR)；

①实际储能装置建模

储实际能装置需满足能量约束、充放电功率约束，同时也要考虑到储能在充放电过程中需要一定的运行维护费用；

能量约束：

充放电功率约束：

式中：P_cha,t、P_dis,t分别为实际储能充、放功率值；S_oc,t为储能t时刻的荷电量；δ_es为储能的自放电率；

为储能充、放电效率；S_oc,max、S_oc,min为储能荷电量的上、下限值；

表征储能充电状态的0-1变量，为1时表示储能装置充电，

为储能放电状态的0-1变量，为1时表示储能装置放电，储能装置不能同时进行充放，因此

为储能容量大小；

为储能充电功率上、下限值；

分别为储能放电功率上、下限值；

②PDR建模

根据消费者心理，通过改变电价等行为，刺激用户改变用电方式，使其在可接受范围内，灵活调配柔性负荷，达到能量时移、削峰填谷的效果；

从经济学角度看，负荷变化率受电价变化的影响，用价格弹性系数刻画这一变化尺度；弹性系数是负荷用电特性的重要指标，其值越大表示负荷的可调节性越强，随着弹性系数的增大，负荷响应的不确定性增强；

式中：Δq_t为负荷变化率，Δp_t为电价变化率，E为价格弹性系数；

激励水平是影响负荷响应率又一重要因素，当价格变化率越大时，用户受利益驱使改变用电方式的积极性越高，负荷响应率的偏差越小；反之，当外部因素占主导地位时，负荷响应不确定性增大；

基于影响负荷响应率不确定性因素的分析，构建基于消费者心理学的PDR负荷响应率误差范围模型，通过改变电价的变化率，调整系统负荷响应率，简化求解负荷响应率最大偏差的方法得，负荷响应率的最大偏差为(4)式：

式中：Δp_max/min为电价变化率的上、下限；k₁、k₂分别表示电价因素占主导前后负荷最大误差水平与电价变化率的比例系数；Δp^IP表示拐点电价变化率，当Δp_t超过Δp^IP后，电价变化率成为影响负荷转移率偏差的主导因素；

采用模糊机会约束方法解决负荷响应率的不确定问题，其中采用三角模糊变量来表示负荷的响应率；

式中：

表示Δq_t的模糊表达形式；Δq_1,t、Δq_2,t、Δq_3,t为负荷响应率的下界值、中值、上界值，当采用模糊数表示负荷响应的不确定性时，可看作t时刻负荷响应率的隶属度函数参数；

将负荷响应率的模糊参数转化为确定性变量，则负荷响应量的期望为：

式中：P_L为原始负荷的预测值；

③IDR建模

电力系统中增减负荷的常用方法是通过IDR，利用补偿手段激励用户与电力公司签订协议，参与到电力系统的调峰调度中；由于增、减用户的用电量都会对其用电舒适度造成影响，因此对于参与IDR的用户将给予实际响应量适当的补偿；根据调动负荷需要提前通知时间的不同，将IDR分为两类：A类IDR响应时间长，需提前一天告知用户；B类IDR响应时间短，需提前1-4h告知用户；

IDR调用量受响应容量限制，因此A、B两类IDR负荷约束如(8)、(9)式；

式中：

为A类IDR变化的上、下限值；

为B类IDR变化的上、下限值；

2)构建火电机组调峰模型

火电机组调峰能力是指其追踪系统负荷变化的能力，可分为深度调峰和启停调峰；

①火电机组深度调峰建模

火电机组按其燃烧状态以及燃烧介质，分为常规调峰、不投油深度调峰和投油深度调峰；火电机组深度调峰成本为煤耗成本和额外增加的调峰成本，即机组损耗和投油成本；

假设火电机组深度调峰煤耗成本与常规调峰相同，如(10)式：

C_i,1＝a_iP_gi.t ²+b_iP_gi,t+c_i (10)

式中：a_i、b_i、和c_i分别表示火电机组i的耗量系数，P_gi,t表示火电机组的功率值；

火电机组的损耗是由转子金属受交变应力的作用产生的低周期疲劳损耗和蠕变损耗，参考Manson-Coffin公式粗略计算机组损耗成本为：

N_f(P_gi,t)＝0.00577P_gi,t ³-2.682P_gi,t ²+484.8P_gi,t-8411 (12)

式中：λ为火电机组损耗系数，C_unit为火电机组购机成本，N_f(P_gi,t)为转子致裂循环周次；

火电机组在投油调峰阶段，需要采用投油助燃以维持机组锅炉和水循环稳定运行，成本为：

C_i,3＝Q_oilS_oil (13)

式中：Q_oil是油耗量，S_oil为油价；

基于(10)式-(13)式，火电机组的深度调峰成本用分段函数表示：

式中：P_max为火电机组出力在最大值，P_min为火电机组技术出力最小值，P_a表示机组不投油调峰稳燃时最小出力值，P_b表示火电机组投油调峰时最小出力值；

②火电机组启停调峰建模

当系统负荷峰谷差或风电出力变化增大时，火电机组在承担系统调峰任务过程中仅通过深度调峰会出现系统功率失衡的情况，此时通过机组启停扩大调峰范围；

在机组启停过程中，机组的金属部件要承受剧烈的温度变化，进而产生巨大的交变应力，影响机组使用寿命，产生启停成本；由于启停调峰对机组的反应速度以及启停时间有很高的要求，因此通常选取容量小且启停时间较短的机组作为启停调峰火电机组；

火电机组在启停调峰过程中，应考虑机组开停机转态和最小启停时间的影响；

开停机状态约束：

最小启停时间约束：

式中：

分别为机组最小连续开、停机时间；

3)构建日前-日内两阶段滚动调度模型

建立日前-日内两阶段滚动优化调度模型，合理调度系统的调峰资源，削减系统峰谷差，保证电力系统运行的经济性与可靠性；

①提出日前-日内两阶段滚动调度模型的基本架构

为应对不同调度时段的不确定因素，实现快速调峰资源与缓慢调峰的火电机组协调配合，构建的日前-日内两阶段滚动调度模型在执行时间上分为日前调度与日内调度，并将日前调度结果作为已知量用于日内调度的优化过程中；

日前调度计划：以一天为一个调度周期，以1h为时间尺度，确定常规机组的启停，PDR和A类IDR的大小；

日内调度计划：以4h为一个滚动调度周期，以1h为时间尺度，确定启停调峰机组的启停和出力，常规机组出力，B类IDR的大小；

日前调度计划每24h制定一次，日内调度计划每1h滚动一次，每次制定4h以内的调度出力，但仅执行每个周期内第一个小时的调度计划；

②建立日前优化调度模型

日前优化调度模型的目标函数为(17)式，

式中：N_G1为常规调峰火电机组台数，N_G2为深度调峰火电机组台数，i_gi,t为开停状态，T为日前调度周期，C为火电机组燃料和深度调峰成本，

分别为火电机组启、停成本，u_gi,t、v_gi,t分别表示火电机组启动与关闭状态，

分别为增加、减少A类IDR的费用，

分别为A类IDR在t时刻的增加、减少量，

为日前调度弃风功率，C_w为弃风惩罚系数；

日前优化调度模型的约束条件为：

系统的有功平衡约束，

系统旋转备用约束，

式中：Cr为事件可信性表达，即该事件成立的概率，

为日前风电预测模糊数，β₁为日前旋转备用的置信度；

线路输电容量约束，

-P_ij,max≤B_ij(θ_i,t-θ_j,t)≤P_ij,max (20)

式中：B_ij表示节点i，j之间的导纳，θ_i,t和θ_j,t分别表示节点i，j的电压相角，P_ij,max为节点i，j之间线路的最大输电容量；

火电机组出力上下限与机组爬坡约束，

式中：P_gi,max、P_gi,min分别为火电机组的最大、最小技术出力值，r_g,ui、r_g,di分别为火电机组最大向上、向下爬坡速率值；

通过日前优化调度，得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，将上述优化变量作为定值代入日内调度模型中；

③建立日内优化调度模型

日内优化调度模型的目标函数为(22)式：

式中：C_s为储能充放电费用，

分别为增加、减少B类IDR的费用，

分别为B类IDR在t时刻的增加、减少量；

日内优化调度模型的约束条件为：

系统有功平衡约束，

系统中风电的消纳途径有两部分：一部分直接供给负荷消纳，另一部分由实际储能存储；

P_w2,t＝P_{w_l,t}+P_cha,t (24)

式中：P_w2,t为日内风电消纳功率值，P_{w_l,t}表示风电直接供给负荷的功率值；

系统旋转备用约束，

式中：

为日内风电预测模糊数，

为日内调度弃风量，β₂为日内旋转备用置信度；

日内调度与日前调度在线路输电容量、各机组运行约束相同，分别为(20)式、(21)式，而由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；

将日前求出的部分决策变量当作已知量代入日内优化过程，每1h滚动优化一次，得出后4h的调度出力，即：常规机组的出力、快速启停机组的启停状态和出力、B类IDR的大小、实际储能的充放电功率，每次滚动优化均基于相邻上一时段各调度单元的状态；

④求解不确定性模型

采用模糊机会约束处理风电与负荷的不确定性，经过清晰等价类处理后，日前调度模型的旋转备用约束，将(19)式转化为(26)式：

式中：P′_L2,t、P′_L3,t为负荷的隶属度参数，P′_w1,t、P′_w2,t为风电的隶属度参数，日内旋转备用(25)式的处理方式与日前旋转备用(19)式的处理方式相同。

本发明提出一种考虑广义储能与火电联合调峰的优化调度方法，其特点是，充分挖掘了广义储能各类资源不同时间尺度的分布特性以及调峰潜力，使其与火电机组配合，实现各类资源的协调调度，提高了系统新能源消纳量，降低了系统的运行成本。首先，将需求侧灵活性负荷与实际储能共同视为广义储能资源，构建广义储能的调峰模型；其次，根据火电机组调峰运行状态的不用，构建火电机组的调峰模型；最后，为应对系统不同调度阶段的不确定因素，挖掘广义储能资源不同时间尺度的调峰特性，构建了日前-日内两阶段滚动调峰模型。具有科学合理，适用性强，效果佳等优点。

附图说明

图1是PDR负荷响应率误差范围示意图；

图2是日前-日内两阶段滚动调度流程图；

图3是不同调度模型日前阶段等效负荷图；

图4是不同调度模型日内阶段等效负荷图；

图5是虚拟储能调峰前后不同场景等效负荷曲线图；

图6是实际储能调峰前后不同场景等效负荷曲线图；

图7是不同场景下日内调峰机组启停次数示意图。

具体实施方式

下面利用附图和实施例对本发明一种考虑广义储能与火电联合调峰的优化调度方法作进一步说明。

参照图1和图2，本发明的一种考虑广义储能与火电联合调峰的优化调度方法，其包括通过挖掘广义储能资源不同时间尺度的分布特性以及快速调峰能力，并与火电机组缓慢调峰配合，构建了可以应对不同调度阶段不确定因素的日前-日内两阶段滚动调峰模型，其具体包括以下步骤：

1)构建广义储能调峰资源模型

广义储能模型由两部分组成：一部分是由储电装置构成的实际储能；另一部分为需求侧响应和管理构成的虚拟储能，包括价格型需求响应(price-based demandresponse，PDR)和激励型需求响应(incentive-based demand response，IDR)；

①实际储能装置建模

储实际能装置需满足能量约束、充放电功率约束，同时也要考虑到储能在充放电过程中需要一定的运行维护费用；

能量约束：

充放电功率约束：

式中：P_cha,t、P_dis,t分别为实际储能充、放功率值；S_oc,t为储能t时刻的荷电量；δ_es为储能的自放电率；

为储能充、放电效率；S_oc,max、S_oc,min为储能荷电量的上、下限值；

表征储能充电状态的0-1变量，为1时表示储能装置充电，

为储能放电状态的0-1变量，为1时表示储能装置放电，储能装置不能同时进行充放，因此

为储能容量大小；

为储能充电功率上、下限值；

分别为储能放电功率上、下限值；

②PDR建模

根据消费者心理，可通过改变电价等行为，刺激用户改变用电方式，使其在可接受范围内，灵活调配柔性负荷，达到能量时移、削峰填谷的效果；

从经济学角度看，负荷变化率受电价变化的影响，用价格弹性系数刻画这一变化尺度；弹性系数是负荷用电特性的重要指标，其值越大表示负荷的可调节性越强，随着弹性系数的增大，负荷响应的不确定性增强；

式中：Δq_t为负荷变化率，Δp_t为电价变化率，E为价格弹性系数；

激励水平是影响负荷响应率又一重要因素，当价格变化率越大时，用户受利益驱使改变用电方式的积极性越高，负荷响应率的偏差越小；反之，当外部因素占主导地位时，负荷响应不确定性增大；

基于影响负荷响应率不确定性因素的分析，构建基于消费者心理学的PDR负荷响应率误差范围模型，构建基于消费者心理学的PDR模型，通过改变电价的变化率，调整系统负荷响应率，简化求解负荷响应率最大偏差的方法得，负荷响应率的最大偏差为(4)式：

式中：Δp_max/min为电价变化率的上、下限；k₁、k₂分别表示电价因素占主导前后负荷最大误差水平与电价变化率的比例系数；Δp^IP表示拐点电价变化率，当Δp_t超过Δp^IP后，电价变化率成为影响负荷转移率偏差的主导因素；

采用模糊机会约束方法解决负荷响应率的不确定问题，其中采用三角模糊变量来表示负荷的响应率；

式中：

表示Δq_t的模糊表达形式；Δq_1,t、Δq_2,t、Δq_3,t为负荷响应率的下界值、中值、上界值，当采用模糊数表示负荷响应的不确定性时，可看作t时刻负荷响应率的隶属度函数参数；

将负荷响应率的模糊参数转化为确定性变量，则负荷响应量的期望为：

式中：P_L为原始负荷的预测值；

③IDR建模

电力系统中增减负荷的常用方法是通过IDR，利用补偿手段激励用户与电力公司签订协议，参与到电力系统的调峰调度中；由于增、减用户的用电量都会对其用电舒适度造成影响，因此对于参与IDR的用户将给予实际响应量适当的补偿；根据调动负荷需要提前通知时间的不同，将IDR分为两类：A类IDR响应时间长，需提前一天告知用户；B类IDR响应时间短，需提前1-4h告知用户；

IDR调用量受响应容量限制，因此A、B两类IDR负荷约束如(8)、(9)式；

式中：

为A类IDR变化的上、下限值；

为B类IDR变化的上、下限值；

2)构建火电机组调峰模型

火电机组调峰能力是指其追踪系统负荷变化的能力，可分为深度调峰和启停调峰；

①火电机组深度调峰建模

火电机组按其燃烧状态以及燃烧介质，分为常规调峰、不投油深度调峰和投油深度调峰；火电机组深度调峰成本为煤耗成本和额外增加的调峰成本，即机组损耗和投油成本；

假设火电机组深度调峰煤耗成本与常规调峰相同，如(10)式：

C_i,1＝a_iP_gi.t ²+b_iP_gi,t+c_i (10)

式中：a_i、b_i、和c_i分别表示火电机组i的耗量系数，P_gi,t表示火电机组的功率值；

火电机组的损耗是由转子金属受交变应力的作用产生的低周期疲劳损耗和蠕变损耗，参考Manson-Coffin公式粗略计算机组损耗成本为：

N_f(P_gi,t)＝0.00577P_gi,t ³-2.682P_gi,t ²+484.8P_gi,t-8411 (12)

式中：λ为火电机组损耗系数，C_unit为火电机组购机成本，N_f(P_gi,t)为转子致裂循环周次；

火电机组在投油调峰阶段，需要采用投油助燃以维持机组锅炉和水循环稳定运行，成本为：

C_i,3＝Q_oilS_oil (13)

式中：Q_oil是油耗量，S_oil为油价；

基于(10)式-(13)式，火电机组的深度调峰成本用分段函数表示：

式中：P_max为火电机组出力在最大值，P_min为火电机组技术出力最小值，P_a表示机组不投油调峰稳燃时最小出力值，P_b表示火电机组投油调峰时最小出力值；

②火电机组启停调峰建模

当系统负荷峰谷差或风电出力变化增大时，火电机组在承担系统调峰任务过程中仅通过深度调峰会出现系统功率失衡的情况，此时通过机组启停扩大调峰范围；

在机组启停过程中，机组的金属部件要承受剧烈的温度变化，进而产生巨大的交变应力，影响机组使用寿命，产生启停成本；由于启停调峰对机组的反应速度以及启停时间有很高的要求，因此通常选取容量小且启停时间较短的机组作为启停调峰火电机组；

火电机组在启停调峰过程中，应考虑机组开停机转态和最小启停时间的影响；

开停机状态约束：

最小启停时间约束：

式中：

分别为机组最小连续开、停机时间；

3)构建日前-日内两阶段滚动调度模型

随着风电等新能源的大规模并网，其波动性与不确定性给系统带来的影响不容忽视；一方面，目前风电的预测精度还不能达到零误差，其准确度与距离当前时刻的间隔强相关，间隔越小，预测越精准；另一方面，系统中各种调峰资源以及机组出力都存在多时间尺度的特性，只进行单一时间尺度的优化调度，难以满足各类资源的运行特性；综合上述因素，针对不同尺度的风电预测数据和调峰资源，本发明建立了日前-日内两阶段滚动优化调度模型，合理调度系统的调峰资源，削减系统峰谷差，保证电力系统运行的经济性与可靠性；

①提出日前-日内两阶段滚动调度模型的基本架构

为应对不同调度时段的不确定因素，实现快速调峰资源与缓慢调峰的火电机组协调配合，本发明构建的日前-日内两阶段滚动调度模型在执行时间上分为日前调度与日内调度，并将日前调度结果作为已知量用于日内调度的优化过程中；

日前调度计划：以一天为一个调度周期，以1h为时间尺度，确定常规机组的启停，PDR和A类IDR的大小；

日内调度计划：以4h为一个滚动调度周期，以1h为时间尺度，确定启停调峰机组的启停和出力，常规机组出力，B类IDR的大小；

日前调度计划每24h制定一次，日内调度计划每1h滚动一次，每次制定4h以内的调度出力，但仅执行每个周期内第一个小时的调度计划；

②建立日前优化调度模型

日前优化调度模型的目标函数为(17)式，

式中：N_G1为常规调峰火电机组台数，N_G2为深度调峰火电机组台数，i_gi,t为开停状态，T为日前调度周期，C为火电机组燃料和深度调峰成本，

分别为火电机组启、停成本，u_gi,t、v_gi,t分别表示火电机组启动与关闭状态，

分别为增加、减少A类IDR的费用，

分别为A类IDR在t时刻的增加、减少量，

为日前调度弃风功率，C_w为弃风惩罚系数；

日前优化调度模型的约束条件为：

系统的有功平衡约束，

系统旋转备用约束，

式中：Cr为事件可信性表达，即该事件成立的概率，

为日前风电预测模糊数，β₁为日前旋转备用的置信度；

线路输电容量约束，

-P_ij,max≤B_ij(θ_i,t-θ_j,t)≤P_ij,max (20)式中：B_ij表示节点i，j之间的导纳，θ_i,t和θ_j,t分别表示节点i，j的电压相角，P_ij,max为节点i，j之间线路的最大输电容量；

火电机组出力上下限与机组爬坡约束，

式中：P_gi,max、P_gi,min分别为火电机组的最大、最小技术出力值，r_g,ui、r_g,di分别为火电机组最大向上、向下爬坡速率值；

通过日前优化调度，得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，将上述优化变量作为定值代入日内调度模型中；

③建立日内优化调度模型

日内优化调度模型的目标函数为(22)式：

式中：C_s为储能充放电费用，

分别为增加、减少B类IDR的费用，

分别为B类IDR在t时刻的增加、减少量；

日内优化调度模型的约束条件为：

系统有功平衡约束，

系统中风电的消纳途径有两部分：一部分直接供给负荷消纳，另一部分由实际储能存储；

P_w2,t＝P_{w_l,t}+P_cha,t (24)

式中：P_w2,t为日内风电消纳功率值，P_{w_l,t}表示风电直接供给负荷的功率值；

系统旋转备用约束，

式中：

为日内风电预测模糊数，

为日内调度弃风量，β₂为日内旋转备用置信度；

日内调度与日前调度在线路输电容量、各机组运行约束相同，分别为(20)式、(21)式，而由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；

将日前求出的部分决策变量当作已知量代入日内优化过程，每1h滚动优化一次，得出后4h的调度出力(常规机组的出力、快速启停机组的启停状态和出力、B类IDR的大小、实际储能的充放电功率)，每次滚动优化均基于相邻上一时段各调度单元的状态；

④求解不确定性模型

采用模糊机会约束处理风电与负荷的不确定性，经过清晰等价类处理后，日前调度模型的旋转备用约束，将(19)式转化为(26)式：

式中：P′_L2,t、P′_L3,t为负荷的隶属度参数，P′_w1,t、P′_w2,t为风电的隶属度参数，日内旋转备用(25)式的处理方式与日前旋转备用(19)式的处理方式相同。

本实施例是在IEEE-39节点系统中进行算例仿真，并设定两种不同的调度方式进行对比，以此验证本方法所构建模型的有效性。

实施例计算条件说明如下：

1)IEEE-39节点系统中包括9台火电机组，容量分别为455MW、130MW、130MW、162MW、80MW、85MW、55MW、55MW、55MW，一个700MW风电场，一个200MW的储能装置以及一个A类负荷聚合商与一个B类负荷聚合商。

2)所设定的两种调度模型分别是：

模型1：广义储能与火电联合调峰的调度模型；

模型2：传统只有火电机组调峰的调度模型。

在上述计算条件下，应用本发明方法对联合发电系统的优化调度结果如下：

1.广义储能与火电联合调峰的两阶段调度模型对系统经济性、风电消纳以及负荷峰谷差的作用与效果

表1为两种调度模型下电力系统经济性和风电消纳的具体数值。

表1

由表1可知，在日前调度阶段，模型1与模型2对比，系统总成本降低2.63％，提高了系统整体经济性；两类火电调峰成本共降低了2.73％，说明模型1的调度方法缓解了火电机组的调峰压力；弃风成本降低了77.87％，说明模型1较模型2提高了风电的上网空间。在日内调度阶段，两种模型对比结果趋势与日前相似，说明在不同的调度阶段广义储能与火电联合调峰均能提高系统的经济性，提高风电的消纳量。

图3、图4分别是不同调度模型日前、日内两阶段等效负荷(原始负荷-风电-广义储能调峰量)，等效负荷涵盖风电并网给电网造成的功率波动。由图3、图4可知，日前-日内两阶段调度过程中，模型1等效负荷的峰谷差明显低于模型2，尤其在负荷最高点(12h)模型1较模型2的等效负荷降低约10％，更突出了广义储能与火电联合调峰的优势与必要性。

2、验证广义储能中虚拟储能与实际储能在能量分配以及调峰方面的有效性

为了分别验证广义储能中虚拟储能与实际储能在能量分配以及调峰方面的作用，设置以下3个场景：

场景1：无广义储能；

场景2：仅含虚拟储能；

场景3：仅含实际储能。

图5为虚拟储能调节前后系统等效负荷曲线，场景1中负荷为预测值，峰谷差较大。场景2日前调度中PDR与A类IDR作用，PDR可适当转移负荷，A类IDR适当削减高峰期负荷量，增加低谷期负荷量。场景2在日前虚拟储能调峰的基础上，B类IDR在日内调度阶段进一步削峰填谷。场景2中负荷曲线高出原始负荷的部分为虚拟储能“充电”，低于原始负荷的部分为虚拟储能“放电”。

实际储能只在日内调度时进行调峰，图6为实际储能单独作用前后等效负荷曲线。在负荷低谷期，实际储能充电，高峰期放电。由于实际储能容量以及充放电功率限制，实际储能只在调度周期内某几个时刻改变负荷曲线，与虚拟储能相比，调节能力稍显不足，但实际储能在调整负荷的同时，不影响用户的用电方式，不会降低用户用电满意度。

图7为不同场景下日内调峰机组启停次数，由图7可知，场景2、3中机组启停调峰次数明显低于场景1。虽然启停调峰范围大，但运行操作复杂，频繁对设备进行启停操作会增加机组故障率，造成额外损耗，因此广义储能参与调峰可减少系统启停调峰次数，提高系统的经济性和安全性。

本发明实施例中的计算条件、图例等仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (1)

1.一种考虑广义储能与火电联合调峰的优化调度方法，其特征是，它包括以下步骤：

1)构建广义储能调峰资源模型

广义储能模型由两部分组成：一部分是由储电装置构成的实际储能；另一部分为需求侧响应和管理构成的虚拟储能，包括价格型需求响应(price-based demand response，PDR)和激励型需求响应(incentive-based demand response，IDR)；

①实际储能装置建模

储实际能装置需满足能量约束、充放电功率约束，同时也要考虑到储能在充放电过程中需要一定的运行维护费用；

能量约束：

充放电功率约束：

式中：P_cha,t、P_dis,t分别为实际储能充、放功率值；S_oc,t为储能t时刻的荷电量；δ_es为储能的自放电率；

为储能充、放电效率；S_oc,max、S_oc,min为储能荷电量的上、下限值；

表征储能充电状态的0-1变量，为1时表示储能装置充电，

为储能放电状态的0-1变量，为1时表示储能装置放电，储能装置不能同时进行充放，因此

为储能容量大小；

为储能充电功率上、下限值；

分别为储能放电功率上、下限值；

②PDR建模

根据消费者心理，通过改变电价等行为，刺激用户改变用电方式，使其在可接受范围内，灵活调配柔性负荷，达到能量时移、削峰填谷的效果；

从经济学角度看，负荷变化率受电价变化的影响，用价格弹性系数刻画这一变化尺度；弹性系数是负荷用电特性的重要指标，其值越大表示负荷的可调节性越强，随着弹性系数的增大，负荷响应的不确定性增强；

式中：Δq_t为负荷变化率，Δp_t为电价变化率，E为价格弹性系数；

激励水平是影响负荷响应率又一重要因素，当价格变化率越大时，用户受利益驱使改变用电方式的积极性越高，负荷响应率的偏差越小；反之，当外部因素占主导地位时，负荷响应不确定性增大；

基于影响负荷响应率不确定性因素的分析，构建基于消费者心理学的PDR负荷响应率误差范围模型，通过改变电价的变化率，调整系统负荷响应率，简化求解负荷响应率最大偏差的方法得，负荷响应率的最大偏差为(4)式：

式中：Δp_max/min为电价变化率的上、下限；k₁、k₂分别表示电价因素占主导前后负荷最大误差水平与电价变化率的比例系数；Δp^IP表示拐点电价变化率，当Δp_t超过Δp^IP后，电价变化率成为影响负荷转移率偏差的主导因素；

采用模糊机会约束方法解决负荷响应率的不确定问题，其中采用三角模糊变量来表示负荷的响应率；

式中：

表示Δq_t的模糊表达形式；Δq_1,t、Δq_2,t、Δq_3,t为负荷响应率的下界值、中值、上界值，当采用模糊数表示负荷响应的不确定性时，可看作t时刻负荷响应率的隶属度函数参数；

将负荷响应率的模糊参数转化为确定性变量，则负荷响应量的期望为：

式中：P_L为原始负荷的预测值；

③IDR建模

电力系统中增减负荷的常用方法是通过IDR，利用补偿手段激励用户与电力公司签订协议，参与到电力系统的调峰调度中；由于增、减用户的用电量都会对其用电舒适度造成影响，因此对于参与IDR的用户将给予实际响应量适当的补偿；根据调动负荷需要提前通知时间的不同，将IDR分为两类：A类IDR响应时间长，需提前一天告知用户；B类IDR响应时间短，需提前1-4h告知用户；

IDR调用量受响应容量限制，因此A、B两类IDR负荷约束如(8)、(9)式；

式中：

为A类IDR变化的上、下限值；

为B类IDR变化的上、下限值；

2)构建火电机组调峰模型

火电机组调峰能力是指其追踪系统负荷变化的能力，可分为深度调峰和启停调峰；

①火电机组深度调峰建模

火电机组按其燃烧状态以及燃烧介质，分为常规调峰、不投油深度调峰和投油深度调峰；火电机组深度调峰成本为煤耗成本和额外增加的调峰成本，即机组损耗和投油成本；

假设火电机组深度调峰煤耗成本与常规调峰相同，如(10)式：

C_i,1＝a_iP_gi.t ²+b_iP_gi,t+c_i (10)

式中：a_i、b_i、和c_i分别表示火电机组i的耗量系数，P_gi,t表示火电机组的功率值；

火电机组的损耗是由转子金属受交变应力的作用产生的低周期疲劳损耗和蠕变损耗，参考Manson-Coffin公式粗略计算机组损耗成本为：

N_f(P_gi,t)＝0.00577P_gi,t ³-2.682P_gi,t ²+484.8P_gi,t-8411 (12)

式中：λ为火电机组损耗系数，C_unit为火电机组购机成本，N_f(P_gi,t)为转子致裂循环周次；

火电机组在投油调峰阶段，需要采用投油助燃以维持机组锅炉和水循环稳定运行，成本为：

C_i,3＝Q_oilS_oil (13)

式中：Q_oil是油耗量，S_oil为油价；

基于(10)式-(13)式，火电机组的深度调峰成本用分段函数表示：

式中：P_max为火电机组出力在最大值，P_min为火电机组技术出力最小值，P_a表示机组不投油调峰稳燃时最小出力值，P_b表示火电机组投油调峰时最小出力值；

②火电机组启停调峰建模

当系统负荷峰谷差或风电出力变化增大时，火电机组在承担系统调峰任务过程中仅通过深度调峰会出现系统功率失衡的情况，此时通过机组启停扩大调峰范围；

在机组启停过程中，机组的金属部件要承受剧烈的温度变化，进而产生巨大的交变应力，影响机组使用寿命，产生启停成本；由于启停调峰对机组的反应速度以及启停时间有很高的要求，因此通常选取容量小且启停时间较短的机组作为启停调峰火电机组；

火电机组在启停调峰过程中，应考虑机组开停机转态和最小启停时间的影响；

开停机状态约束：

最小启停时间约束：

式中：

分别为机组最小连续开、停机时间；

3)构建日前-日内两阶段滚动调度模型

建立日前-日内两阶段滚动优化调度模型，合理调度系统的调峰资源，削减系统峰谷差，保证电力系统运行的经济性与可靠性；

①提出日前-日内两阶段滚动调度模型的基本架构

为应对不同调度时段的不确定因素，实现快速调峰资源与缓慢调峰的火电机组协调配合，构建的日前-日内两阶段滚动调度模型在执行时间上分为日前调度与日内调度，并将日前调度结果作为已知量用于日内调度的优化过程中；

日前调度计划：以一天为一个调度周期，以1h为时间尺度，确定常规机组的启停，PDR和A类IDR的大小；

日内调度计划：以4h为一个滚动调度周期，以1h为时间尺度，确定启停调峰机组的启停和出力，常规机组出力，B类IDR的大小；

日前调度计划每24h制定一次，日内调度计划每1h滚动一次，每次制定4h以内的调度出力，但仅执行每个周期内第一个小时的调度计划；

②建立日前优化调度模型

日前优化调度模型的目标函数为(17)式，

式中：N_G1为常规调峰火电机组台数，N_G2为深度调峰火电机组台数，i_gi,t为开停状态，T为日前调度周期，C为火电机组燃料和深度调峰成本，

分别为火电机组启、停成本，u_gi,t、v_gi,t分别表示火电机组启动与关闭状态，

分别为增加、减少A类IDR的费用，

分别为A类IDR在t时刻的增加、减少量，

为日前调度弃风功率，C_w为弃风惩罚系数；

日前优化调度模型的约束条件为：

系统的有功平衡约束，

系统旋转备用约束，

式中：Cr为事件可信性表达，即该事件成立的概率，

为日前风电预测模糊数，β₁为日前旋转备用的置信度；

线路输电容量约束，

-P_ij,max≤B_ij(θ_i,t-θ_j,t)≤P_ij,max (20)

式中：B_ij表示节点i，j之间的导纳，θ_i,t和θ_j,t分别表示节点i，j的电压相角，P_ij,max为节点i，j之间线路的最大输电容量；

火电机组出力上下限与机组爬坡约束，

式中：P_gi,max、P_gi,min分别为火电机组的最大、最小技术出力值，r_g,ui、r_g,di分别为火电机组最大向上、向下爬坡速率值；

通过日前优化调度，得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，将上述优化变量作为定值代入日内调度模型中；

③建立日内优化调度模型

日内优化调度模型的目标函数为(22)式：

式中：C_s为储能充放电费用，

分别为增加、减少B类IDR的费用，

分别为B类IDR在t时刻的增加、减少量；

日内优化调度模型的约束条件为：

系统有功平衡约束，

系统中风电的消纳途径有两部分：一部分直接供给负荷消纳，另一部分由实际储能存储；

P_w2,t＝P_{w_l,t}+P_cha,t (24)

式中：P_w2,t为日内风电消纳功率值，P_{w_l,t}表示风电直接供给负荷的功率值；

系统旋转备用约束，

式中：

为日内风电预测模糊数，

为日内调度弃风量，β₂为日内旋转备用置信度；

日内调度与日前调度的线路输电容量、各机组运行约束相同，分别为(20)式、(21)式，而由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；

将日前求出的部分决策变量当作已知量代入日内优化过程，每1h滚动优化一次，得出后4h的调度出力，即：常规机组的出力、快速启停机组的启停状态和出力、B类IDR的大小、实际储能的充放电功率，每次滚动优化均基于相邻上一时段各调度单元的状态；

④求解不确定性模型

采用模糊机会约束处理风电与负荷的不确定性，经过清晰等价类处理后，日前调度模型的旋转备用约束，将(19)式转化为(26)式：

式中：P′_L2,t、P′_L3,t为负荷的隶属度参数，P′_w1,t、P′_w2,t为风电的隶属度参数，日内旋转备用(25)式的处理方式与日前旋转备用(19)式的处理方式相同。

Images