魏 文，姜 飛，戴雙鳳，陳長青，陳 磊

計及需求側(cè)儲能事故備用風險與火電機組深度調(diào)峰的經(jīng)濟優(yōu)化研究

魏 文1,2，姜 飛3，戴雙鳳1，陳長青4，陳 磊3

(1.長沙理工大學經(jīng)濟與管理學院，湖南 長沙 410076；2.湖南理工學院經(jīng)濟與管理學院，湖南 岳陽 414000；3.長沙理工大學電氣與信息工程學院，湖南 長沙 410076; 4.湖南城市學院機械與電氣工程學院，湖南 益陽 413000)

針對電網(wǎng)調(diào)峰過程中需求側(cè)儲能(Energy Storage, ES)事故備用閑置時間過長，以及傳統(tǒng)火電機組深度調(diào)峰(Depth Peak Regulation, DPR)成本較高的問題，提出了一種考慮需求側(cè)儲能事故備用風險與火電機組深度調(diào)峰的經(jīng)濟優(yōu)化方法。首先，通過分析天氣狀態(tài)、負載率水平以及故障風險類型等影響因素，構(gòu)建了考慮需求側(cè)的ES風險量化模型、ES事故備用調(diào)峰經(jīng)濟模型。其次，結(jié)合火電機組進行深度調(diào)峰時對機組損傷及燃料需求分析，構(gòu)建了考慮火電機組投油成本的深度調(diào)峰經(jīng)濟模型。最后，提出了一種基于需求側(cè)風險量化的ES事故備用輔助火電機組DPR的經(jīng)濟優(yōu)化模型，采用粒子群優(yōu)化算法在修正后的IEEE30節(jié)點系統(tǒng)中進行算例驗證。結(jié)果表明ES事故備用參與DPR能有效提高電網(wǎng)調(diào)峰能力和ES事故備用利用率。

儲能；調(diào)峰；風險量化；粒子群算法

0 引言

傳統(tǒng)機制中，通過按照一定負荷水平比預留調(diào)峰備用容量，來解決負荷高峰時段尖峰調(diào)峰壓力以及負荷低谷時段的DPR問題[1-2]。但這極大地浪費了電網(wǎng)資源、增加了設(shè)備閑置率[3-4]。而且該方法通常受投資建設(shè)成本限制[5]。尤其在風電系統(tǒng)中，風電出力的反調(diào)峰特性進一步加大了調(diào)峰難度[6]。致使火電機組DPR成為了緩解該問題的主要手段。如文獻[6]提出了一種考慮機組DPR時，壽命損耗經(jīng)濟補償優(yōu)化調(diào)度模型。文獻[7]提出采用K-means聚類方法，對常規(guī)火電機組進行分類，分層參與調(diào)峰補償，進而提高風電消納。在文獻[8]中，提出考慮風電隨機特性的DPR調(diào)度策略，并構(gòu)建DPR靈活性的多目標優(yōu)化調(diào)度模型。但文獻[9]指出DPR不僅增大火電機組磨損，而且會增加燃料運行成本。因此，如何在風電系統(tǒng)中平衡電網(wǎng)調(diào)峰能力與經(jīng)濟性成為電網(wǎng)調(diào)峰的熱點問題[10-12]。

近年來，隨著大規(guī)模ES并網(wǎng)技術(shù)的不斷發(fā)展，以及ES的快速響應(yīng)能力，ES已成為調(diào)峰的重要手段之一[13-15]。文獻[16]以緩解電網(wǎng)調(diào)峰為目的，利用遺傳算法求解，最后得到投建成本與發(fā)電成本的最優(yōu)解。文獻[17]以容量最小為優(yōu)化目標，并將隨機變量優(yōu)化問題轉(zhuǎn)換成魯棒線性優(yōu)化問題求解，進而降低電網(wǎng)調(diào)峰壓力。文獻[18-19]借助調(diào)峰不足概率和費用指標來優(yōu)化協(xié)調(diào)ES與其他調(diào)峰手段，實現(xiàn)電網(wǎng)調(diào)峰優(yōu)化。在文獻[20]中，提出一種ES與機組DPR的分層協(xié)調(diào)優(yōu)化方案。但目前ES成本較高，隨著新能源滲透率的不斷提升，若配置特定ES來輔助火電機組調(diào)峰，將增大系統(tǒng)運行成本。因此，亟需利用新的調(diào)峰手段來緩解火電機組DPR問題。

近年來，隨著大電網(wǎng)運行穩(wěn)定性的不斷提高，系統(tǒng)中配置的ES事故備用大多處于閑置狀態(tài)，在很大程度上造成了資源的浪費。因此，針對ES事故備用參與電網(wǎng)輔助服務(wù)市場的研究得到了廣泛關(guān)注。如文獻[21-22]在風電系統(tǒng)可靠性和經(jīng)濟性博弈研究中引入條件風險價值理論，建立基于風險備用的優(yōu)化模型。文獻[23]提出一種對AGC備用和事故備用容量進行分時段動態(tài)分配的經(jīng)濟優(yōu)化模型。文獻[24]通過量化事故備用不足產(chǎn)生的風險，提出一種計及成本效益比的協(xié)調(diào)分配方法。文獻[25]針對某電池生產(chǎn)園區(qū)綜合能源系統(tǒng)，提出一種基于風險量化與需求側(cè)響應(yīng)的ES事故備用優(yōu)化方法。該方法能有效提高ES事故備用利用率和系統(tǒng)調(diào)度經(jīng)濟性。

由上述分析可知，在承擔一定風險的情況下，ES事故備用參與電網(wǎng)服務(wù)，能有效提高系統(tǒng)運行的經(jīng)濟性。但依然存在以下兩個問題：(1) 對系統(tǒng)所處區(qū)域不同狀態(tài)(特別是天氣狀態(tài)、負載狀態(tài)等)下事故風險量化考慮不足；(2) 對不同天氣下風電對系統(tǒng)調(diào)峰壓力的影響考慮不足。因此，本文在不同天氣下，兼顧負荷脫網(wǎng)風險與調(diào)峰收益，結(jié)合火電機組DPR特征，提出一種基于需求側(cè)風險量化的ES事故備用容量輔助火電機組DPR的經(jīng)濟優(yōu)化方法。該方法可在承擔較小風險和不增設(shè)調(diào)峰設(shè)備的情況下，實現(xiàn)ES事故備用容量的最大利用化和緩解系統(tǒng)調(diào)峰壓力，是一種持續(xù)發(fā)展的經(jīng)濟調(diào)峰方案。

1 基于風險量化的需求側(cè)ES事故備用調(diào)峰經(jīng)濟模型

需求側(cè)ES事故備用輔助火電機組調(diào)峰后，一方面產(chǎn)生調(diào)峰效益，提高新能源消納。另一方面因其對容量的占用，在電網(wǎng)發(fā)生故障時，因備用不足而產(chǎn)生風險成本。

1.1 調(diào)峰風險成本模型

利用ES事故備用輔助火電機組調(diào)峰需承擔一定風險。IEEE標準100-1992將風險定義為非期望事件發(fā)生的概率和后果的乘積，如式(1)[25]所示。

式中：為事件的風險量化值；為事件發(fā)生的概率；為事故帶來的損失。

同時，當ES參與調(diào)峰后，會增加運行成本。

綜上，可得ES調(diào)峰成本為

而電網(wǎng)故障風險概率不僅受負荷水平影響，而且受天氣影響。因此，提出一種計及天氣狀態(tài)、負載率水平和故障后恢復時長的風險概率模型。

1) 負載率水平。根據(jù)工作時段將一天劃分為1(23：00—07：00)、3(07：00—08：00/11：00—18：00)、2(08：00—11：00/18:00—23：00) 3個時段，分別對應(yīng)低、中、高三種負載率水平。

2) 天氣類型。根據(jù)天氣類型對電網(wǎng)造成影響的嚴重程度，將其劃分為晴天(A)、陰雨天氣(B)、災害天氣(C)三種。

3) 脫網(wǎng)類型。根據(jù)故障恢復時長，可將非計劃脫網(wǎng)故障分為三種類型：(a) 通過隔離開關(guān)直接切成故障(平均15 min)；(b) 通過隔離開關(guān)直接切成故障后，再切換至備用回路(平均45 min)；(c) 元件故障類型(大于2 h)。

根據(jù)風險因素劃分，可得風險概率計算公式如式(5)所示。

1.2 調(diào)峰經(jīng)濟效益模型

經(jīng)濟效益主要包括直接收益和間接收益。

1) 削峰填谷直接收益

2) 調(diào)峰補償直接收益

根據(jù)國家能源局2016年發(fā)布的《關(guān)于推動電儲能參與“三北”地區(qū)調(diào)峰輔助服務(wù)工作的通知》的規(guī)定：建設(shè)在發(fā)電端的ES設(shè)施，ES與機組聯(lián)合參與調(diào)峰或作為獨立主體參與調(diào)峰輔助服務(wù)市場交易，放電電量按照發(fā)電廠相關(guān)合同電價結(jié)算[20]。其補償收益按式(7)計算。

3) 等效減少火電機組排污成本間接收益

4) 等效減少火電機組燃料成本間接收益

ES輔助火電機組調(diào)峰，可減少火電機組調(diào)峰功率，進而降低燃料成本，其等效計算公式為

2 火電機組DPR經(jīng)濟模型

2.1 火電機組調(diào)峰過程分析

火電機組調(diào)峰過程通常分為常規(guī)調(diào)峰、不投油DPR和投油DPR，如圖1所示[27]。圖中N為機組額定功率，max為常規(guī)調(diào)峰最大技術(shù)出力，min為常規(guī)調(diào)峰最小技術(shù)出力，一般為50%N，為無償調(diào)峰，a為機組不投油DPR最低穩(wěn)燃出力，一般為40%N，為有償調(diào)峰，b為機組投油DPR穩(wěn)燃極限出力，一般為30%N，該階段因負荷太低，須通過投油來助燃維持機組安全運行，為有償調(diào)峰[27]。

圖1 火電機組多級調(diào)峰過程

由圖1可知，機組處于不同調(diào)峰階段，調(diào)峰成本不同。處于常規(guī)調(diào)峰階段，成本(燃煤和碳排放)隨著負荷的降低而降低；處于不投油調(diào)峰階段，成本(燃煤、碳排放、機械磨損)隨著負荷的降低而增加；進入投油調(diào)峰階段后，機組爐膛出口煙溫逐步降低，脫銷反應(yīng)器入口煙溫難以保證，成本(燃煤、碳排放、機械磨損、投油)出現(xiàn)陡增現(xiàn)象，如圖2[27]所示。因此，應(yīng)針對不同機組運行性能，以系統(tǒng)經(jīng)濟效益為優(yōu)化目標，對系統(tǒng)內(nèi)調(diào)峰機組進行負荷優(yōu)化分配。

圖2 火電機組深度調(diào)峰能耗成本曲線

2.2 火電機組DPR經(jīng)濟模型

在火電機組運行過程中，影響其經(jīng)濟性的因素有電量收益、補償收益以及能耗成本。

2.2.1火電機組調(diào)峰運行成本

1) 火電機組煤耗和啟停成本

2) DPR損耗成本

當進行DPR時，運行狀態(tài)將偏離最佳值，不僅降低發(fā)電效率，而且將產(chǎn)生損耗和投油成本[26]。

3) DPR機組穩(wěn)燃投油成本。

在投油調(diào)峰階段，投油助燃產(chǎn)生的附加投油調(diào)峰成本為[26]

綜上，火電機組根據(jù)運行狀態(tài)不同將運行成本分段表示為

2.2.2 火電機組運行收益

1) 火電機組運行電量收益

2) 火電機組運行補償收益

2.3 風電經(jīng)濟模型

2.3.1棄風成本

為減少系統(tǒng)棄風率，本文加入了棄風懲罰成本，其公式為

式中：為棄風懲罰系數(shù)；wind,t為時刻的風電功率；winds,t為時刻風電上網(wǎng)功率[26]。

2.3.2風電上網(wǎng)收益

3 需求側(cè)ES事故備用輔助火電機組DPR經(jīng)濟優(yōu)化模型

在日計劃等效負荷曲線下，通過優(yōu)化ES事故備用充放電功率，可提高負荷低谷時期火電機組調(diào)峰空間，減少負荷尖峰時段機組出力值。而實際的風電接納量需根據(jù)火電機組的調(diào)峰能力和風電出力確定。因此，在接納風電過程中，以ES事故備用風險成本、ES和火電機組運行成本、深度調(diào)峰補償收益以及棄風懲罰成本所組成的總調(diào)峰成本最小為目標。通過粒子群優(yōu)化算法，得到各時刻的風電接納量、ES充放電功率和各火電機組出力值。

3.1 目標函數(shù)

根據(jù)建立的系統(tǒng)各項調(diào)峰成本函數(shù)和補償收益函數(shù)，以總調(diào)峰成本最小為目標進行優(yōu)化：

3.2 約束條件

在模型中，主要滿足的約束為功率平衡約束、火電機組功率約束[20]、ES約束以及風電出力約束。

1) 功率平衡約束

2) 火電機組功率約束

常規(guī)調(diào)峰機組：

DPR機組：

機組爬坡約束：

3) ES約束

4) 風電出力約束

3.3 模型求解

本文提出的考慮風險量化需求側(cè)ES事故備用輔助火電機組參與調(diào)峰的優(yōu)化模型，基本求解思路如圖3所示，具體實現(xiàn)過程如下。

1) 風電和負荷預測值得出系統(tǒng)等效負荷波動曲線。

2) 利用基于天氣的風險概率方法，得出不同天氣下ES事故備用的可用深度。

3) 利用粒子群算法，以系統(tǒng)調(diào)峰成本最小為目標，優(yōu)化分配火電機組和ES調(diào)峰量。

粒子群求解流程如圖4所示，具體實現(xiàn)過程如下。

1) 粒子群算法參數(shù)初始化。

2) 基于天氣狀態(tài)，得到等效負荷曲線和ES事故備用可用容量。

3) 根據(jù)目標函數(shù)式(19)及約束條件式(20)—式(30)進行迭代運算，并判斷迭代次數(shù)是否大于最大迭代次數(shù)，是，則結(jié)束運算，得出最優(yōu)解；否則，跳至步驟2)，繼續(xù)運行。

圖3 模型求解策略

圖4 求解流程

3.4 調(diào)峰評價指標

為更好地定量衡量本文所提方法的調(diào)峰效果，通過定義評價指標對其進行量化，其調(diào)峰評估指標如下。

1) 絕對峰谷差

2) 峰谷系數(shù)

該指標體現(xiàn)負荷的波動程度，數(shù)值越小說明波動程度越大。

3) 峰谷差率

該指標體現(xiàn)負荷的波動范圍，數(shù)值越小說明波動范圍越小。

4) 棄風率

4 仿真分析

4.1 仿真基礎(chǔ)數(shù)據(jù)

本文采用改進的IEEE30節(jié)點算例進行仿真，該系統(tǒng)包括5臺火電機組和一個300 MW的風電場，由磷酸鐵鋰電池組成。表1和表2分別給出了機組和ES運行參數(shù)，運行成本單價如表3所示。而ES系統(tǒng)收益主要通過該峰谷電價實現(xiàn)，其各時段的峰谷電價如表4所示。該地區(qū)焦煤價格為685元/噸[20]。機組在投油深度調(diào)峰階段的油耗量為4.8噸/小時，油價為6 130元/噸[20]。在不投油和投油調(diào)峰階段分別取1.2和1.5。不同天氣下風電出力曲線如圖5所示，負荷曲線如圖6所示。而圖7為不同天氣下等效負荷曲線。

表1 火電機組參數(shù)

表2 ES參數(shù)

表3 運行單價

表4 分時電價

圖 5 風電輸出功率

圖6 負荷曲線

圖7 等效負荷曲線

4.2 仿真結(jié)果與分析

1) 風險量化分析

通過對某園區(qū)天氣歷史數(shù)據(jù)分析，利用本文所提風險概率方法，得出不同天氣、不同時段下，脫網(wǎng)風險概率分布如圖8所示。從圖8可知，天氣狀況越好，非計劃脫網(wǎng)風險概率越小。對于A、B兩類天氣，系統(tǒng)非計劃脫網(wǎng)風險概率主要由負荷率水平?jīng)Q定，負荷率水平越大，脫網(wǎng)風險越大。但對于C類型天氣，脫網(wǎng)風險主要由天氣決定。同時，脫網(wǎng)風險概率越大，則ES事故備用參與電網(wǎng)調(diào)峰的可用深度越小。圖9為不同天氣狀態(tài)、不同負荷率水平下的ES備用可利用深度情況。

由圖9可知(圖中A-A表示全天都是A類型天氣，A-B表示A/B兩類天氣交替出現(xiàn)，其他以此類推)，在A-A中，1時段為負荷低水平階段，且為負荷低谷期，將ES置于充電狀態(tài)，可利用空間最大。3時段為中等負荷率水平，屬于正常狀態(tài)，ES備用可利用深度達到0.117，而2時段為高負荷率水平，但由于A類天氣，風險概率較低，ES備用深度為0.4。而對于C-C型，由于脫網(wǎng)概率較大，因此，3時段，ES備用利用深度只有0.424，2時段則為0.622。其他類型天氣，ES備用利用介于A、C天氣之間。由此可知，利用ES事故備用容量參與系統(tǒng)調(diào)峰具有一定的可行性。

圖8 脫網(wǎng)風險概率分布圖

圖9 ES備用可利用深度

2) 調(diào)峰效果分析

為驗證不同天氣下，ES事故備用參與火電機組DPR對系統(tǒng)運行經(jīng)濟性及風電消納的影響，本文對ES事故備用是否參與調(diào)峰兩種調(diào)度場景進行對比分析。場景1：僅火電機組調(diào)峰；場景2：ES儲能事故備用輔助火電機組調(diào)峰。圖10和圖11分別為兩種場景下的調(diào)峰效果圖，由于該地區(qū)A和B兩類天氣風電波動不劇烈，加入之后，未惡化等效負荷。因此，該處主要對比C類天氣下的調(diào)峰效果。調(diào)峰效果參數(shù)對比如表5所示。

圖10 無ES調(diào)峰曲線

圖11 ES調(diào)峰曲線

表5 調(diào)峰效果參數(shù)對比

圖10和圖11對比可知，考慮需求側(cè)儲能事故備用均可以較好地對負荷曲線進行削峰填谷，降低峰谷差?？稍谪摵筛叻迤卺尫烹娔?，緩解調(diào)峰壓力。在負荷低谷期，ES進入充電狀態(tài)，增加負荷需求，進而提高風電消納，降低棄風量，同時減少火電機組調(diào)峰深度。尤其在C類天氣中，由于風速的隨機性，導致等效負荷波動較大，如圖7所示，在不考慮ES事故備用參與調(diào)峰的情況下，峰谷差為309 MW，而當考慮ES事故備用參與調(diào)峰后，峰谷差降低至270 MW，峰谷差降低了39 MW，如表5所示。可見，在C類天氣中，盡管ES事故備用參與調(diào)峰的可用深度較小，但由于等效負荷波動較大，其削峰填谷效果非常明顯。因此，通過對ES的合理充放電，可實現(xiàn)削峰填谷。

3) 調(diào)峰經(jīng)濟性分析

為體現(xiàn)本文所提需求側(cè)ES事故備用能有效緩解系統(tǒng)調(diào)峰壓力，并有效改善電網(wǎng)調(diào)峰經(jīng)濟效益。對比了2種不同場景在3類天氣下的經(jīng)濟性和風電消納能力，仿真結(jié)果如表6所示。

場景1：以火電機組收益最大為目標，不考慮ES，只有火電機組進行深度調(diào)峰。

場景2：以火-儲收益最大為目標，考慮需火-儲同時進行深度調(diào)峰。

表6 不同天氣下調(diào)峰經(jīng)濟性對比

通過表6不難發(fā)現(xiàn)，ES事故備用參與調(diào)峰，均能提高系統(tǒng)經(jīng)濟性，這主要是ES事故備用運行和風險成本低于火電的DPR成本。且當系統(tǒng)負荷處于低谷期時，ES進入充電狀態(tài)，可有效避免調(diào)峰機組進入投油階段，進而降低火電機組調(diào)峰燃料成本和環(huán)境成本。而在負荷高峰時，ES進入放電狀態(tài)，間接降低了火電機組調(diào)峰壓力和運行成本。同時，雖然ES事故備用參與調(diào)峰會增加系統(tǒng)運行風險成本，但通過“低谷充電，高峰放電”可賺取峰谷電價差，獲得直接收益，以及通過降低火電機組的環(huán)境成本，從而獲得間接收益，有效降低系統(tǒng)整體的調(diào)峰成本。

通過表6還可以發(fā)現(xiàn)，在A天氣下，由于ES事故備用可用深度較大，充放電容量較多，削峰填谷能力較大，致使系統(tǒng)棄風率明顯降低，風電上網(wǎng)利潤明顯增大，火電調(diào)峰降低。但由于等效負荷波動較小，峰谷差不大，因此，ES整體調(diào)峰利潤較低。而在C類天氣下，雖然ES事故備用可利用率較低，但整體上，其削峰填谷作用較大。因此，能有效降低系統(tǒng)棄風量和火電調(diào)峰成本，增加風電上網(wǎng)利潤和ES收益。

綜上，從系統(tǒng)調(diào)峰角度而言，在承擔一定風險的情況下，需求側(cè)ES事故備用能有效輔助火電機組參與調(diào)峰，降低負荷峰谷差，緩解火電機組DPR壓力和提高風電消納量。從經(jīng)濟性角度分析，ES事故備用參與調(diào)峰，能降低機組調(diào)峰成本和環(huán)境成本，自身從削峰填谷中賺取峰谷差價，有效改善系統(tǒng)調(diào)峰經(jīng)濟性。在A類天氣下，可以降低1.1%的棄風率，降低33.5%的系統(tǒng)總調(diào)峰成本。在C類天氣下，可以降低4.19%的棄風率，降低31.4%的系統(tǒng)總調(diào)峰成本。且隨著風電裝機容量占比的增加，經(jīng)濟性改善越明顯。

5 結(jié)論

針對電力系統(tǒng)中火電機組DPR問題，提出一種基于風險量化的需求側(cè)ES事故備用輔助火電機組DPR的優(yōu)化方法。該方法利用閑置ES事故備用參與調(diào)峰，在承擔一定風險的情況下，構(gòu)建了結(jié)合火電機組DPR手段和ES削峰填谷特性的調(diào)峰模型。通過仿真可得出如下結(jié)論。

1) 提出一種計及天氣狀態(tài)、負載率水平和故障后恢復時長的風險概率模型。該模型同時考慮多種因素，能夠較為準確地對因ES事故備用不足而造成的風險進行量化。

2) 從調(diào)峰性能和經(jīng)濟性2個角度進行分析，得出ES事故備用參與DPR。在A類天氣下，可以降低1.1%的棄風率，降低33.5%的系統(tǒng)總調(diào)峰成本。在C類天氣下，可以降低4.19%的棄風率，降低31.4%的系統(tǒng)總調(diào)峰成本。能實現(xiàn)提高電網(wǎng)調(diào)峰能力和ES事故備用利用率雙層目的。尤其在A類天氣占比較大的地區(qū)或ES事故備用配置充足的孤島地區(qū)，該方法具有較強實用性。

[1] 李軍, 黃衛(wèi)劍, 陳錦攀, 等. 一種適應(yīng)新型電力系統(tǒng)深度調(diào)峰快速調(diào)頻的工程最速控制器[J]. 廣東電力, 2021, 34(8): 110-119.

LI Jun, HUANG Weijian, CHEN Jinpan, et al. An engineering fastest controller adaptive to deep peak and fast frequency regulation for new power system[J]. Guangdong Electric Power, 2021, 34(8): 110-119.

[2] 楊謙, 劉繼春, 蔣萬梟. 光伏不同滲透率下考慮源網(wǎng)荷儲深度互動的電力系統(tǒng)調(diào)峰策略[J]. 電力建設(shè), 2021, 42(9): 74-84.

YANG Qian, LIU Jichun, JIANG Wanxiao. Peak regulation strategy of power system considering the interaction of source-network-load-storage under different penetration rate of PV[J]. Electric Power Construction, 2021, 42(9): 74-84.

[3] MORALES-ESPA?A G, BALDICK R, GARCíA- GONZáLEZ J, et al. Power-capacity and ramp-capability reserves for wind integration in power-based UC[J]. IEEE Transactions on Sustainable Energy, 2016, 7(2): 614-624.

[4] CHIU W, HSIEH J, CHEN C. Pareto optimal demand response based on energy costs and load factor in smart grid[J]. IEEE Transactions on Industrial Informatics, 2020, 16(3): 1811-1822.

[5] BABAHAJIANI P, SHAFIFIEE Q, BEVRANI H. Intelligent demand response contribution in frequency control of multi-area power systems[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 1282-1291.

[6] 劉新東, 陳煥遠, 姚程. 計及大容量燃煤機組深度調(diào)峰和可中斷負荷的風電場優(yōu)化調(diào)度模型[J]. 電力自動化設(shè)備, 2012, 32(2): 95-99.

LIU Xindong, CHEN Huanyuan, YAO Cheng. Economic dispatch considering deep peak-regulation and interruptible loads for power system incorporated with wind farms[J]. Electric Power Automation Equipment, 2012, 32(2): 95-99.

[7] 付亦殊, 陳紅坤, 姜欣, 等. 促進大規(guī)模風電消納的雙層調(diào)峰補償機制研究[J]. 電力系統(tǒng)保護與控制, 2019, 47(4): 51-57.

FU Yishu, CHEN Hongkun, JIANG Xin, et al. A bi-layer peak-regulation compensation mechanism for large-scale wind power integration[J]. Power System Protection and Control, 2019, 47(4): 51-57.

[8] 應(yīng)益強, 王正風, 吳旭, 等. 計及新能源隨機特性的電網(wǎng)深度調(diào)峰多目標策略[J]. 電力系統(tǒng)保護與控制, 2020, 48(6): 34-42.

YING Yiqiang, WANG Zhengfeng, WU Xu, et al. Multi-objective strategy for deep peak shaving of power grid considering uncertainty of new energy[J]. Power System Protection and Control, 2020, 48(6): 34-42.

[9] 林俐, 田欣雨. 基于火電機組分級深度調(diào)峰的電力系統(tǒng)經(jīng)濟調(diào)度及效益分析[J]. 電網(wǎng)技術(shù), 2017, 41(7): 2255- 2263.

LIN Li, TIAN Xinyu. Analysis of deep peak regulation and its benefit of thermal units in power system with large scale wind power integrated[J]. Power System Technology, 2017, 41(7): 2255-2263.

[10] 趙晉泉, 楊余華, 孫中昊, 等. 考慮虛擬電廠參與的深度調(diào)峰市場機制與出清模型[J]. 全球能源互聯(lián)網(wǎng), 2020, 3(5): 469-476.

ZHAO Jinquan, YANG Yuhua, SUN Zhonghao, et al. Deep peak regulation market mechanism and clearing model considering participation of virtual power plants[J]. Journal of Global Energy Interconnection, 2020, 3(5): 469-476.

[11] 朱大銳, 趙曉妮, 段建東. 考慮系統(tǒng)調(diào)峰特性的風光消納優(yōu)化[J]. 電網(wǎng)與清潔能源, 2021, 37(2): 139-146.

ZHU Darui, ZHAO Xiaoni, DUAN Jiandong. Optimization of wind/photovoltaic power consumption considering peak regulation characteristics[J]. Power System and Clean Energy, 2021, 37(2): 139-146.

[12] 高瑞, 郭紅霞, 黃鈺琪. 用戶側(cè)分布式儲能運營平臺設(shè)計[J]. 電測與儀表, 2020, 57(22): 105-111.

GAO Rui, GUO Hongxia, HUANG Yuqi. Architecture design of user-side distributed energy storage operation platform[J]. Electrical Measurement & Instrumentation, 2020, 57(22): 105-111.

[13] 李建林, 李雅欣, 周喜超, 等. 儲能商業(yè)化應(yīng)用政策解析[J]. 電力系統(tǒng)保護與控制, 2020, 48(19): 168-178.

LI Jianlin, LI Yaxin, ZHOU Xichao, et al. Analysis of energy storage policy in commercial application[J]. Power System Protection and Control, 2020, 48(19): 168-178.

[14] 李相俊, 王上行, 惠東. 電池儲能系統(tǒng)運行控制與應(yīng)用方法綜述及展望[J]. 電網(wǎng)技術(shù), 2017, 41(10): 3315.

LI Xiangjun, WANG Shangxing, HUI Dong. Summary and prospect of operation control and application method for battery energy storage systems[J]. Power System Technology, 2017, 41(10): 3315-3325.

[15] 寇凌峰, 張穎, 季宇, 等. 分布式儲能的典型應(yīng)用場景及運營模式分析[J]. 電力系統(tǒng)保護與控制, 2020, 48(4): 177-187.

KOU Lingfeng, ZHANG Ying, JI Yu, et al. Typical application scenario and operation mode analysis of distributed energy storage[J]. Power System Protection and Control, 2020, 48(4): 177-187.

[16] 張曉晨. 儲能在電力系統(tǒng)調(diào)頻調(diào)峰中的應(yīng)用[D]. 北京: 北京交通大學, 2018.

ZHANG Xiaochen. Application of energy storage in frequency modulation and peak regulation of power system[D]. Beijing: Beijing Jiaotong University, 2018.

[17] 韓杏寧. 大區(qū)電力系統(tǒng)新能源電源規(guī)劃及儲能配置方法研究[D]. 武漢: 華中科技大學, 2017.

HAN Xingning. Variable renewable generation expansion planning and energy storage allocation in large-scale power systems[D]. Wuhan: Huazhong University of Science and Technology, 2017.

[18] 黎靜華, 汪賽. 兼顧技術(shù)性和經(jīng)濟性的儲能輔助調(diào)峰組合方案優(yōu)化[J]. 電力系統(tǒng)自動化, 2017, 41(9): 44-50, 150.

LI Jinghua, WANG Sai. Optimal combined peak-shaving scheme using energy storage for auxiliary considering both technology and economy[J]. Automation of Electric Power Systems, 2017, 41(9): 44-50, 150.

[19] MURTY V, KUMAR A. Multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 1-20.

[20] 李軍徽, 張嘉輝, 穆鋼, 等. 儲能輔助火電機組深度調(diào)峰的分層優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2019, 43(11): 3961-3969.

LI Junhui, ZHANG Jiahui, MU Gang, et al. Hierarchical optimization scheduling of deep peak shaving for energy-storage auxiliary thermal power generating units[J]. Power System Technology, 2019, 43(11): 3961-3969.

[21] WANG M, WANG J, BAI H, et al. A generation-reserve co-optimization dispatching model for wind power integrated power system based on risk reserve constraints[C] // International Conference on Renewable Power Generation (RPG 2015), October 17-18, 2015, Beijing, China.

[22] CHEN H, KONG Y, LI G, et al. Conditional value-at-risk-based optimal spinning reserve for wind integrated power system[J]. International Transactions on Electrical Energy Systems, 2016, 26(8):1799-1809.

[23] 羅超, 楊軍, 孫元章, 等. 考慮備用容量優(yōu)化分配的含風電電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度[J]. 中國電機工程學報, 2014, 34(34): 6109-6118.

LUO Chao, YANG Jun, SUN Yuanzhang, et al. Dynamic economic dispatch of wind integrated power system considering optimal scheduling of reserve capacity[J]. Proceedings of the CSEE, 2014, 34(34): 6109-6118.

[24] 周霞, 李威, 唐靜, 等. 基于風險量化的事故備用容量協(xié)調(diào)分配方法[J]. 電網(wǎng)技術(shù), 2015, 39(7): 1927-1932.

ZHOU Xia, LI Wei, TANG Jing, et al. Risk quantification based coordinative allocation of emergency reserve[J]. Power System Technology, 2015, 39(7): 1927-1932.

[25] 劉小龍, 李欣然, 劉志譜, 等. 基于風險量化與需求側(cè)響應(yīng)的綜合能源系統(tǒng)儲能事故備用優(yōu)化利用[J]. 電工技術(shù)學報, 2021, 36(9): 1901-1913.

LIU Xiaolong, LI Xinran, LIU Zhipu, et al. Optimal utilization of energy storage emergency reserve in comprehensive energy system based on risk quantification and demand side response[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1901-1913.

[26] 胡健, 秦玉杰, 焦提操, 等. 泛在電力物聯(lián)網(wǎng)環(huán)境下考慮碳排放權(quán)約束的VPP理性調(diào)峰模型[J]. 電力系統(tǒng)保護與控制, 2020, 48(3): 49-57.

HU Jian, QIN Yujie, JIAO Ticao, et al. Rational peak shaving model of VPP considering carbon emission rights constraints in ubiquitous power internet of things environment[J]. Power System Protection and Control, 2020, 48(3): 49-57.

[27] 廖金龍, 陳波, 丁寧, 等. 考慮一次調(diào)頻能力的火電機組負荷優(yōu)化分配[J]. 中國電機工程學報, 2018, 38(增刊): 168-174.

LIAO Jinlong, CHEN Bo, DING Ning, et al. Load optimal distribution of thermal units considering primary frequency control ability[J]. Proceedings of the CSEE, 2018, 38(S1): 168-174.

[28] 李鐵, 李正文, 楊俊友, 等. 計及調(diào)峰主動性的風光水火儲多能系統(tǒng)互補協(xié)調(diào)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2020, 44(10): 3623-3630.

LI Tie, LI Zhengwen, YANG Junyou, et al. Coordination and optimal scheduling of multi-energy complementary system considering peak regulation initiative[J]. Power System Technology, 2020, 44(10): 3623-3630.

Economic optimization of deep peak regulation of thermal power units taking into account the risk of emergency storage on the demand side

WEI Wen1, 2, JIANG Fei3, DAI Shuangfeng1, CHEN Changqing4, CHEN Lei3

(1. School of Economics and Management, Changsha University of Science and Technology, Changsha 410076, China;2. School of Economics and Management, Hunan University of Science and Technology, Yueyang 414000, China;3. School of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha 410076, China;4. School of Mechanical and Electrical Engineering, Hunan City University, Yiyang 413000, China)

There are problems of long idle time of demand-side energy storage accident backup and high cost of traditional thermal power units. Thus an economic optimization method considering standby risk of demand-side energy storage accident and thermal power unit deep peak shaving is proposed. First, a demand side ES risk quantification model and a standby peak adjustment economic model of ES accident are constructed by analyzing the weather state, load rate level and failure risk type. Secondly, the DPR economic model of fuel injection cost of a thermal power unit is built based on the analysis of unit damage and fuel demand during DPR. Finally, an economic optimization model of an ES accident standby auxiliary thermal power unit DPR based on demand side risk quantification is proposed. The particle swarm optimization algorithm is used to verify the calculation example in the modified IEEE 30-node system. The results show that the participation of ES accident standby in DPR can effectively improve the peak load adjustment capability and the utilization rate of ES accident standby.

energy storage; peak shaving; risk quantification; particle swarm optimization

10.19783/j.cnki.pspc.210992

國家自然科學基金青年基金項目資助(51707014)“串聯(lián)接入電網(wǎng)的電壓源型變流器暫態(tài)特性與故障穿越研究”；湖南省社科基金基地項目資助“基于需求側(cè)響應(yīng)的綠色電力認購交易定價機制研究”(18JD02)

This work is supported by the Youth Fund of National Natural Science Foundation of China (No. 51707014) “Research on Transient Characteristics and Fault Traverse of Voltage Source Converter Connected in Series to Power Grid”.

2021-07-31；

2021-09-06

魏 文(1987—)，男，博士研究生，研究方向為電力價格、電力市場；E-mail: 285964995@qq.com

姜 飛(1985—)，男，博士，副教授，研究生導師，研究方向為電力系統(tǒng)運行與控制、電力電子在電力系統(tǒng)應(yīng)用；E-mail: jiamg85521@126.com

戴雙鳳(1983—)，女，博士研究生,研究方向為電力市場。E-mail: 289147681@qq.com

(編輯 許 威)