李茜，茍璐旸，李樊，張安安，鄭雅迪，周熙朋

(1. 西南石油大學 電氣信息學院，四川 成都 610500；2. 國網樂山市沙灣供電單位，四川 樂山 614900)

0 引言

風力發(fā)電因其間歇性和波動性特點難以完成實時高效調度，尤其是當大規(guī)模風電并入電網后，對機組出力計劃的制定、實時調度以及備用容量的安排都將產生不利影響[1]。若不能合理安排電網運行方式及并網優(yōu)化調度策略，將延滯風電消納導致系統(tǒng)棄風，進一步影響系統(tǒng)運行的經濟性乃至電網的安全穩(wěn)定[2-3]。隨著風電裝機容量日益增加，社會對智能電網安全穩(wěn)定運行的要求越來越高，為了更好地利用風能，解決風電并網引起的問題成為越來越急迫的任務。

文獻[4]基于優(yōu)化備用容量的思路，提出了一種從用戶需求側與風電不確定性雙重因素考慮的魯棒優(yōu)化模型。該模型把需求響應看作一種靈活調控資源，通過提高預測精度誤差的方式促進了風電消納。文獻[5]根據風電機組實時狀態(tài)監(jiān)測提出了基于增量式相對熵的殘差分析方法，該方法使風電機組出力預測誤差精度大幅提高。文獻[6]在兼顧運行成本的同時，考慮系統(tǒng)靈活容量動態(tài)缺額，構建了基于高比例風電接入的電力系統(tǒng)優(yōu)化模型。文獻[7]基于非零和博弈理論提出了一種多區(qū)域大規(guī)模風電協調消納策略。該策略旨在通過區(qū)域內利益再分配的方式提高風電消納積極性。文獻[8]根據經驗模態(tài)分解方法和極限學習機組合建立了短期風電功率預測模型。文獻[9]通過建立虛擬電廠實現需求側負荷轉移，以達到系統(tǒng)優(yōu)化調度促進風電消納的目的。上述文獻大多從需求側負荷波動來預測風機出力，忽略了風電本身也有靈活性，能夠“主動”參與系統(tǒng)調度的可能；同時現有的風電并網優(yōu)化策略大多對風電場整體出力進行調度，忽略了以風電場內機組出力作為優(yōu)化對象進行調度的可能性。

基于此，本文充分考慮負荷波動和風電波動引起的風電場站并網時的靈活性需求，并探討風電作為靈活性資源的可能性，分別從負荷側和供給側分析運行過程中的靈活性，建立靈活性模型。其次，根據風電機組出力特性建立風電機組的特征矩陣，并對其進行聚類分析，將具有相同或相似特征的機組劃分為同一類。再根據風電場機組分類結果，建立分類機組的等效虛擬電源運行模型。將運行類機組等效得到的虛擬電源處理為一個“負”負荷，被動參與并網系統(tǒng)運行，將調度類機組等效得到的虛擬電源作為“主動”電源，靈活參與風電場并網運行。最后，建立面向提供系統(tǒng)靈活性的風電場內機組優(yōu)化運行模型，該模型在得到風電場最優(yōu)出力計劃的同時，通過優(yōu)化風電場內機組的出力計劃使風電場機組的損耗最小。

1 系統(tǒng)靈活性分析

1.1 系統(tǒng)靈活性需求

一方面，電力系統(tǒng)靈活性需求主要來源于負荷波動。另一方面，當大規(guī)模風電并網時，風電的隨機性、波動特性也會產生相應的靈活性需求。同時，風電的靈活性需求會隨著風電接入比例的增加而劇增，進而成為影響系統(tǒng)靈活性的重要因素。

1.1.1 負荷波動引起的靈活性需求

負荷的波動性表現為負荷預測誤差，負荷預測誤差大小及分布影響著負荷靈活性需求。本文采用非參數核密度估計法對歷史負荷預測誤差進行分時段統(tǒng)計，建立負荷預測誤差時段概率分布模型。再結合負荷的日前預測曲線，得到滿足某置信度的負荷預測區(qū)間為

式中：Mp.t、Mq.t為t時段電力系統(tǒng)需求側的負荷概率預測區(qū)間Qf.t的上、下限值；Mf.t為t時段負荷的日前預測值；fmt.η、fnt.η為t時段滿足某置信度η的置信區(qū)間取值上、下限。

負荷的預測誤差會影響其靈活性需求。為應對負荷波動以保證運行安全性，根據t時段負荷的概率預測區(qū)間，系統(tǒng)為其配置相應的負荷上、下調靈活性容量為

式中：Fp.t、Fq.t為t時段負荷上調、下調靈活性需求。

1.1.2 風電的靈活性需求

當大規(guī)模風電接入電網時，系統(tǒng)需要額外配置運行備用容量以應對風電并網引起的風險[10]。而風電功率的預測誤差以及風電功率波動都會對風電并網時機組運行備用容量配置造成不同程度的影響。因此，為保證系統(tǒng)安全運行，風電并網需求的上調、下調運行備用容量可表示為

式中：Np.t、Nq.t為t時段風電需求的上、下調運行備用容量；Np.m.t、Nq.m.t為t時段系統(tǒng)為應對并網風電功率預測誤差而需求的上、下調備用容量；Np.n.t、Nq.n.t為t時段系統(tǒng)為應對并網風電功率波動而需求的上、下調備用容量。

由以上分析可知，風電的靈活性需求可定義為

式中：Op.t、Oq.t為t時段風電上調、下調靈活性需求；Rp.t、Rq.t為t時段風電并網時對系統(tǒng)上、下調容量的靈活性需求系數；PN為風電裝機容量。

1.2 系統(tǒng)靈活性資源

電力系統(tǒng)中能夠提供靈活性資源的有水電、火電等常規(guī)發(fā)電廠以及各種儲能，但在含大規(guī)模風電的系統(tǒng)中還應考慮風電這類波動性電源提供靈活性的可能性。

現有研究中，風電均以“被動”參與者身份參與并網運行，即并網時電力系統(tǒng)只能采取一定措施（通過備用約束或通過備用約束轉換得到風險指標約束）來應對風電出力的不確定性[11]。根據風電場并網容量與期望出力及其出力不確定性之間的變化關系，通過制定合理的風電并網容量區(qū)間計劃和機組出力計劃，探討風電在運行決策中從“被動”參與者向“主動”參與者轉變的可能性，建立風電場靈活性模型。即當風電受系統(tǒng)消納能力約束無法全部并網時，此時風電場可通過“主動”關停機組，選擇棄風的方式以保證系統(tǒng)運行的安全性與經濟性。

對風電場的靈活性進行建模分析，首先引入2個有關隨機變量的基本定理。

2 風電場內機組優(yōu)化分類

2.1 機組靈活性分類

在風電場中，機組出力與風向和風速變化息息相關，而風速與風向在季節(jié)、天氣等環(huán)境條件發(fā)生變化時均存在較大波動，受其影響，風電機組的輸出功率有很強的隨機性[12-13]。相較于傳統(tǒng)數據分析方法，非參數核密度估計法不需要對數據分布進行先驗假定，是一種適用于高隨機性數據樣本分布特征的分析方法[14]?？紤]到空間分布等多因素影響下風電場內風速大小及風向變化的靈活性，本文采用非參數核密度估計法對風電場內機組的風速及出力歷史數據進行分析與處理，得到機組在統(tǒng)計時段內風速及出力的概率分布模型。再選取各機組風速及出力概率分布的期望與方差作為機組出力特性的表征值。風電場風電機組特征矩陣可表示為

式中：Pi.e、Pi.v為風電場內第i臺機組出力概率分布的期望、方差；vi.e、vi.v為風電場內第i臺機組風速概率分布的期望、方差。

區(qū)別于常規(guī)電站，風電場內機組裝機數量大，在風電場優(yōu)化調度過程中，風機數以及時間雙重維數會給求解尋優(yōu)帶來巨大挑戰(zhàn)[15-16]，致使尋優(yōu)時間延長且易陷入局部最優(yōu)的困境。模糊c均值聚類（FCM）算法是一種分類數c給定前提下，通過求取分類矩陣和聚類中心矩陣，使樣本內每一個數據點對所有類中心的隸屬度最小，以確定樣本空間X最佳分類方案的方法[17-18]。風電場中不同機組的出力特性不同[19]，根據風電場機組的特征矩陣，利用FCM算法將風電場內的機組進行分類，并根據不同類機組的特征，將其劃分為常規(guī)運行機組和靈活調度機組，達到人工降維、提高并網可控性的目的。

某風電場含有30臺1.5 MW機組，將該風電場內的機組分成3類。第1類機組功率、風速的期望值較小，方差較大，即該類機組出力低，穩(wěn)定性較差；第2類機組功率、風速的期望與方差相對居中；第3類機組功率、風速的期望值較大，方差較小，即該類機組出力高，穩(wěn)定性強[20-21]。將1、2類機組定義為靈活調度類機組，在風電并網過程中，通過對靈活調度類機組的啟停及風機出力進行調整，來滿足電力系統(tǒng)并網過程中電網下達給風電場的調度指令。在調度類機組內部，由于第2類機組穩(wěn)定性以及出力特性相較于第1類機組略占優(yōu)勢，第2類機組將優(yōu)先響應并網調度指令，同類機組的優(yōu)先調度順序按功率期望值從大到小進行排序。將第3類機組定義為運行類機組，在風電并網調度過程中將按預測值出力且持續(xù)參與系統(tǒng)運行。

2.2 分類機組虛擬等效

同類機組具有相似的出力特性，因此可將每類機組等效為一個虛擬電源，以虛擬電源的特性表示該類機組，進而建立該風電場的運行模型。調度類機組等效得到的虛擬電源具有靈活性，可主動參與系統(tǒng)調度。而運行類機組在并網調度過程中處于運行狀態(tài)，該類機組等效得到的虛擬電源可作為一個“負”負荷參與系統(tǒng)調度。

3 系統(tǒng)靈活性優(yōu)化調度模型

3.1 目標函數

3.2 約束條件

面向提供系統(tǒng)靈活性的風電場內機組優(yōu)化運行模型約束條件包括風電場內機組的出力平衡約束以及系統(tǒng)備用機組上、下調容量約束[9]。除此之外，還考慮了風電場內機組爬坡約束、機組啟停時間以及次數等機組出力性能約束條件。

4 算例分析

以含30臺1.5 MW機組的風電場作為并網風電場。由于該風電場的容量較小，采用修訂后的IEEE 6節(jié)點作為算例對所提優(yōu)化調度模型的正確性以及有效性進行仿真分析驗證，修正后IEEE 6節(jié)點系統(tǒng)的參數取值如表1所示。

表1 IEEE 6節(jié)點系統(tǒng)機組數據Table 1 IEEE 6 node system unit data

4.1 IEEE 6節(jié)點算例數據

受多重因素影響，風電場內機組出力情況有明顯的反調峰特性，即當需求側負荷處于高峰用電時段時風機功率小，當需求側負荷處于低谷用電時段時風機功率大。為全面分析風電出力對系統(tǒng)運行的影響，分別對負荷低谷時段04:00—07:00及負荷高峰時段20:00—23:00進行分析。負荷低谷、高峰時段的需求及虛擬電源預測功率如表2、表3所示。

表2 負荷及虛擬電源在負荷低谷時段的預測結果Table 2 Forecast value of load and virtual power supply during low load period

表3 負荷及虛擬電源在負荷高峰時段的預測結果Table 3 Forecast value of load and virtual power supply during peak load period

在算例中，虛擬電源1、2、3的額定容量分別為10.5 MW、16.5 MW、18 MW。網絡傳輸損耗以及事故運行備用容量均取預測負荷容量的5%，負荷預測誤差對備用容量需求取預測負荷容量的2%，風電場有功損耗取風電裝機容量的1%，并網風電對系統(tǒng)上調、下調靈活性需求由式（12）（13）求得，其中風電功率預測誤差及風電功率波動的置信度α均取90%，棄風懲罰成本系數取cw=10，其余數據根據靈活性需求調度模型求得。

4.2 算例仿真分析

常規(guī)機組在需求側負荷低谷、高峰時段的出力分別如圖1、圖2所示，圖例P1、P2、P3表示常規(guī)機組1、2、3的功率。虛擬電源1、2在負荷低谷時段及高峰時段的出力如表4、表5所示。

圖1 負荷低谷時段機組出力Fig. 1 Unit output value during low load period

圖2 負荷高峰時段機組出力Fig. 2 Unit output value during peak load period

表4 負荷低谷時段虛擬電源1、2的出力Table 4 The output of virtual power supply 1 and 2 during low load period

表5 負荷高峰時段虛擬電源1、2的出力Table 5 The output of virtual power supply 1 and 2 during peak load period

由表5可以看出，該風電場在負荷高峰22:00時段時，虛擬電源1進行了棄風操作，原因在于時段22:00系統(tǒng)提供的上調靈活性容量不滿足需求，雖然可以通過加開機組G2來滿足需求，但啟停新機組帶來的經濟成本遠高于棄風懲罰的費用，因此在該時段通過棄風來滿足系統(tǒng)運行的經濟性最優(yōu)。選擇虛擬電源1棄風是因為虛擬電源1較虛擬電源2的機組出力期望值小、波動大，在進行風電場內機組優(yōu)化調度時優(yōu)先關停虛擬電源1的機組。

根據機組分類情況可知，虛擬電源3為運行類機組，該電源出力穩(wěn)定，可控性高。在風電并網調度過程中，當負荷處于低谷、高峰時段時都持續(xù)參與系統(tǒng)運行且按照預測值進行出力。由表4可以看出，當負荷處于低谷時段時，由于充分考慮了系統(tǒng)供給側以及負荷側兩端的靈活性資源及靈活性需求，并合理設置了備用容量，靈活調度類機組等效得到的虛擬電源1、2都在按照預測值進行出力，同時滿足了系統(tǒng)在并網運行時盡可能消納風電和經濟性最優(yōu)的雙重需求。

5 結論

（1）本文建立了風電靈活性模型，論證了風電作為靈活性資源的可行性。

（2）根據風電場內機組的出力特性，對其進行靈活性分類，并建立了各類機組的等效虛擬電源運行模型。

（3）在各類等效虛擬電源運行模型的基礎上，構建了面向提供系統(tǒng)靈活性的風電場內機組優(yōu)化運行模型。該模型在得到風電場最優(yōu)出力計劃的同時，通過優(yōu)化風電場內機組的出力計劃使風電場機組的損耗最小。

（4）本文算例中僅考慮了風電場運行和負荷數據，通過控制風電場內部的出力曲線來貼近負荷需求曲線，但在電力系統(tǒng)實際調度中，會有更多的靈活資源參與，如水電、火電、儲能等，后續(xù)工作中將計劃引入儲能等靈活性資源做進一步分析探討。