陸秋瑜， 于 珍， 楊銀國， 李 力

(廣東電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，廣州 510060)

能源短缺、環(huán)境污染、氣候變化促進(jìn)了以可再生能源為核心的能源革命發(fā)展[1].根據(jù)國家政策要求，到2030年，我國非化石能源占一次能源消費(fèi)的比率將達(dá)到25%左右，風(fēng)力發(fā)電(以下簡稱風(fēng)電)、太陽能發(fā)電總裝機(jī)容量將達(dá)到1200 GW以上.二氧化碳的排放量將于2030年前達(dá)到峰值，并于2060年前實(shí)現(xiàn)碳中和.上述要求明確了我國新時(shí)代能源發(fā)展的方向[2].而海上風(fēng)電作為一種運(yùn)行效率高、輸電距離短、就地消納方便、適宜大規(guī)模開發(fā)的清潔能源，是實(shí)現(xiàn)我國新時(shí)代能源發(fā)展目標(biāo)的重要措施.截至2019年年底，我國海上風(fēng)電累計(jì)裝機(jī)6.42 GW，其容量還有待進(jìn)一步提升[3].

海上風(fēng)電一般分布于不同島嶼或不同海域，其系統(tǒng)集成與電力傳輸一般以多微網(wǎng)的形式實(shí)現(xiàn)[4].每個(gè)海上風(fēng)電多微網(wǎng)系統(tǒng)包括多個(gè)微電網(wǎng). 每一個(gè)微電網(wǎng)對(duì)應(yīng)于一個(gè)島嶼或者一片海域的海上風(fēng)電系統(tǒng).目前，制約海上風(fēng)電多微網(wǎng)發(fā)展的因素主要有兩方面：① 本地負(fù)荷需求低和輸出能力有限限制了風(fēng)電資源消納率[5]；② 接入主電網(wǎng)功率與電網(wǎng)電價(jià)曲線不匹配，降低了運(yùn)行經(jīng)濟(jì)收益[6].

在風(fēng)電資源消納方面，目前的研究主要采用光熱電站、儲(chǔ)熱裝置和儲(chǔ)電裝置來吸收不能消納和難以送出的風(fēng)電資源，并在電力需求高的時(shí)候，釋放這些資源，從而提升風(fēng)電資源的整體消納率.文獻(xiàn)[6]基于光熱電站，提出一種促進(jìn)風(fēng)電消納的源-荷聯(lián)合優(yōu)化調(diào)度.文獻(xiàn)[7]以受阻風(fēng)電消納量最大和蓄熱電鍋爐用電成本最小為目標(biāo)，建立了蓄熱電鍋爐參與受阻風(fēng)電消納的源荷優(yōu)化控制模型并進(jìn)行求解.文獻(xiàn)[8]基于電解制氫技術(shù)，將氫能經(jīng)濟(jì)引入電力系統(tǒng)，從而促進(jìn)風(fēng)電資源的消納.文獻(xiàn)[9]提出基于“負(fù)荷-電價(jià)”的熱電聯(lián)產(chǎn)系統(tǒng)風(fēng)電消納策略，從而緩解“三北”地區(qū)冬季供暖期棄風(fēng)嚴(yán)重的問題.上述研究均考慮單個(gè)微電網(wǎng)中風(fēng)電消納情況，并未考慮多個(gè)微電網(wǎng)之間能量傳輸關(guān)系.

在運(yùn)行收益方面，目前的研究主要利用儲(chǔ)能裝置，根據(jù)電網(wǎng)電價(jià)調(diào)節(jié)微電網(wǎng)的出力曲線以提高運(yùn)行收益.文獻(xiàn)[10]提出一種海上風(fēng)電與海蓄聯(lián)合運(yùn)行多時(shí)間尺度優(yōu)化調(diào)度方法，通過協(xié)調(diào)海蓄與彈性負(fù)荷的出力水平，最大化消納海上風(fēng)電的同時(shí)提高經(jīng)濟(jì)收益.文獻(xiàn)[11]提出一種電池儲(chǔ)能系統(tǒng)與風(fēng)電場(chǎng)協(xié)同參與電力市場(chǎng)的經(jīng)濟(jì)調(diào)度方法.文獻(xiàn)[12]利用滾動(dòng)時(shí)域控制算法優(yōu)化應(yīng)用于風(fēng)電場(chǎng)的儲(chǔ)能容量和運(yùn)行策略.上述研究均以日前確定性優(yōu)化和實(shí)時(shí)動(dòng)態(tài)優(yōu)化為基礎(chǔ)，無法充分考慮風(fēng)電和負(fù)荷的源荷功率不確定性.

考慮到現(xiàn)有研究的局限性，本文基于風(fēng)電出力和負(fù)荷功率的源荷功率不確定性，提出適用于海上風(fēng)電多微網(wǎng)的兩階段優(yōu)化調(diào)度方法.在日前階段，所提方法根據(jù)日前風(fēng)電出力和負(fù)荷功率預(yù)測(cè)數(shù)據(jù)，制定燃油發(fā)電機(jī)組組合計(jì)劃和電池荷電狀態(tài)值，從而最大化日運(yùn)行收益的期望值；在時(shí)前階段，根據(jù)時(shí)前風(fēng)電出力和負(fù)荷功率預(yù)測(cè)數(shù)據(jù)，制定燃油發(fā)電機(jī)組出力、風(fēng)電機(jī)組出力和電池儲(chǔ)能充放電功率，從而最大化每小時(shí)運(yùn)行收益.與現(xiàn)有研究相比，本文的主要?jiǎng)?chuàng)新點(diǎn)如下：① 考慮了多個(gè)海上微電網(wǎng)之間的能源互補(bǔ)，通過微電網(wǎng)之間的能量傳輸以及微電網(wǎng)與主電網(wǎng)之間的能量傳輸，提高整體運(yùn)行收益，提升風(fēng)電消納率；② 建立兩階段隨機(jī)優(yōu)化模型，充分考慮海上風(fēng)電多微網(wǎng)源荷不確定性，充分利用不同階段的源荷功率預(yù)測(cè)結(jié)果，最大化海上風(fēng)電多微網(wǎng)的整體運(yùn)行收益；③ 在源荷功率預(yù)測(cè)結(jié)果的基礎(chǔ)上，考慮了預(yù)測(cè)誤差分布模型，并通過蒙特卡洛抽樣和同步回代場(chǎng)景縮減方法，構(gòu)建隨機(jī)優(yōu)化場(chǎng)景.

1 海上風(fēng)電多微網(wǎng)兩階段優(yōu)化調(diào)度

海上風(fēng)電多微網(wǎng)系統(tǒng)的基本架構(gòu)如圖1所示.海上風(fēng)電多微網(wǎng)系統(tǒng)包含多個(gè)微電網(wǎng)系統(tǒng).不同的微電網(wǎng)系統(tǒng)之間通過直流線路進(jìn)行連接.多個(gè)微電網(wǎng)集成后，最后通過陸地微電網(wǎng)接入主電網(wǎng).每個(gè)微電網(wǎng)系統(tǒng)包括風(fēng)電機(jī)組、燃油發(fā)電機(jī)組、電池儲(chǔ)能和本地負(fù)荷.海上風(fēng)電多微網(wǎng)系統(tǒng)既可以通過本地風(fēng)電、燃油發(fā)電和儲(chǔ)能系統(tǒng)進(jìn)行供電，也可以從主電網(wǎng)購買電能支撐本地負(fù)荷的需求.

圖1 海上風(fēng)電多微網(wǎng)基本架構(gòu)Fig.1 Basic framework of offshore wind-power-integrated multi-microgrid

基于上述海上風(fēng)電多微網(wǎng)基本架構(gòu)，本文所提的兩階段優(yōu)化調(diào)度方法基本流程如圖2所示.

分析圖2可知，所提兩階段優(yōu)化調(diào)度方法包括日前和時(shí)前兩階段.在日前階段，制定不同調(diào)度間隔的燃油發(fā)電機(jī)組組合計(jì)劃和電池儲(chǔ)能荷電狀態(tài)值；在時(shí)前階段，基于日前階段決策結(jié)果，依托時(shí)前風(fēng)電出力和負(fù)荷功率的預(yù)測(cè)數(shù)據(jù)，制定燃油發(fā)電機(jī)組出力、風(fēng)電機(jī)組出力和電池儲(chǔ)能充放電功率的具體值.

圖2 兩階段優(yōu)化調(diào)度方法Fig.2 Two-stage optimal scheduling method

2 日前隨機(jī)優(yōu)化調(diào)度

2.1 隨機(jī)優(yōu)化場(chǎng)景構(gòu)建

由于風(fēng)電輸出功率受天氣的影響[13]，負(fù)荷功率受用戶行為的影響，具有很強(qiáng)的不確定性和隨機(jī)性[14]，所以其預(yù)測(cè)結(jié)果存在一定誤差[15]，其誤差分布可用高斯分布模型進(jìn)行描述[16].典型的風(fēng)電和負(fù)荷誤差分布模型如圖3所示.圖中：fWT為風(fēng)電出力預(yù)測(cè)誤差的概率密度；uWT為風(fēng)電出力預(yù)測(cè)誤差；fEL為負(fù)荷功率預(yù)測(cè)誤差的概率密度；uEL為負(fù)荷功率預(yù)測(cè)誤差.

圖3 預(yù)測(cè)誤差分布Fig.3 Distribution of prediction error

基于上述預(yù)測(cè)誤差模型，構(gòu)建隨機(jī)優(yōu)化場(chǎng)景，過程如圖4所示.

圖4 隨機(jī)優(yōu)化場(chǎng)景構(gòu)建過程Fig.4 Scenario construction process for stochastic optimization

由圖4可知，隨機(jī)優(yōu)化場(chǎng)景構(gòu)建步驟如下：① 基于預(yù)測(cè)與運(yùn)行數(shù)據(jù)，構(gòu)建預(yù)測(cè)誤差模型；② 基于預(yù)測(cè)誤差模型的參數(shù)，利用蒙特卡洛抽樣方法，得到隨機(jī)抽樣場(chǎng)景初始樣本；③ 采用同步回代場(chǎng)景削減方法[17]對(duì)生成的初始樣本進(jìn)行削減；④ 記錄削減后的場(chǎng)景及其發(fā)生概率，生成最終用于隨機(jī)優(yōu)化的場(chǎng)景.

2.2 優(yōu)化目標(biāo)

日前隨機(jī)優(yōu)化調(diào)度所考慮的優(yōu)化目標(biāo)為最大化日運(yùn)行收益期望值.日運(yùn)行收益可由售電收益、燃油發(fā)電機(jī)組的運(yùn)行與啟停成本、風(fēng)電機(jī)組運(yùn)行成本和電池儲(chǔ)能運(yùn)行成本計(jì)算得到，具體計(jì)算過程如下:

max (-CDG_stup+

(1)

(6)

2.3 約束條件

約束條件如下：

3 時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度

時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度是在日前制定的燃油發(fā)電機(jī)組組合計(jì)劃和電池儲(chǔ)能荷電狀態(tài)值基礎(chǔ)上，根據(jù)每小時(shí)前的風(fēng)電出力和負(fù)荷功率預(yù)測(cè)數(shù)據(jù)，制定每小時(shí)的燃油發(fā)電機(jī)組出力, 風(fēng)電機(jī)組出力和電池儲(chǔ)能充放電功率，最大化每小時(shí)的運(yùn)行收益.

3.1 優(yōu)化目標(biāo)

(20)

3.2 約束條件

約束條件如下：

(31)

4 算例與結(jié)果分析

本文基于5節(jié)點(diǎn)海上風(fēng)電多微網(wǎng)架構(gòu)對(duì)所提的兩階段優(yōu)化方法進(jìn)行驗(yàn)證，測(cè)試模型結(jié)構(gòu)如圖5所示.圖5中，微電網(wǎng)1到微電網(wǎng)4均未與主電網(wǎng)相連，只有微電網(wǎng)5與主電網(wǎng)相連.

圖5 測(cè)試模型基本架構(gòu)Fig.5 Basic framework of testing model

測(cè)試模型中，電網(wǎng)電價(jià)[18]如圖6所示.燃油發(fā)電機(jī)組參數(shù)[19]、聯(lián)絡(luò)線功率約束及電池儲(chǔ)能參數(shù)[20]分別如表1、2及3所示.風(fēng)電機(jī)組單位能量運(yùn)行成本為0.01元/(kW·h).

圖6 電網(wǎng)電價(jià)Fig.6 Electricity price

表1 燃油發(fā)電機(jī)組參數(shù)Tab.1 Parameters of diesel generator

表2 聯(lián)絡(luò)線功率約束Tab.2 Limits for tie-line power

表3 電池儲(chǔ)能參數(shù)Tab.3 Parameters for battery energy storage

日前隨機(jī)優(yōu)化模型中，風(fēng)電機(jī)組出力和負(fù)荷功率的預(yù)測(cè)數(shù)據(jù)如圖7所示，其預(yù)測(cè)誤差[16]如表4所示.在圖7所述的日前預(yù)測(cè)數(shù)據(jù)和表4中所述誤差模型參數(shù)的基礎(chǔ)上，采用蒙特卡洛算法抽樣200個(gè)場(chǎng)景，并用同步回代方法[17]將場(chǎng)景縮減至50個(gè)，記錄對(duì)應(yīng)的場(chǎng)景和概率數(shù)據(jù)，代入隨機(jī)優(yōu)化模型制定燃油發(fā)電機(jī)組組合計(jì)劃和電池荷電狀態(tài)值.

圖7 日前預(yù)測(cè)數(shù)據(jù)Fig.7 Day-ahead forecasted data

表4 風(fēng)電和負(fù)荷的預(yù)測(cè)誤差Tab.4 Prediction error for wind and load power %

時(shí)前優(yōu)化模型中的風(fēng)電出力和負(fù)荷功率的預(yù)測(cè)數(shù)據(jù)如圖8所示.

圖8 時(shí)前預(yù)測(cè)數(shù)據(jù)Fig.8 Hour-ahead forecasted data

在上述數(shù)據(jù)和參數(shù)基礎(chǔ)上，所建立的日前隨機(jī)優(yōu)化模型和時(shí)前優(yōu)化模型均依托MATLAB和YALMIP平臺(tái)[21]，利用GUROBI求解器[22]進(jìn)行求解.

4.1 兩階段優(yōu)化調(diào)度結(jié)果

4.1.1日前隨機(jī)優(yōu)化調(diào)度 利用日前隨機(jī)優(yōu)化調(diào)度制定燃油發(fā)電機(jī)組組合計(jì)劃和電池儲(chǔ)能荷電狀態(tài)值，其結(jié)果如圖9和10所示.

圖9 燃油發(fā)電機(jī)組組合計(jì)劃Fig.9 Unit committee of diesel generators

圖10 電池儲(chǔ)能荷電狀態(tài)Fig.10 State-of-charges for battery energy storages

4.1.2時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度 時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度制定了燃油發(fā)電機(jī)組和風(fēng)電機(jī)組的出力值、電池儲(chǔ)能功率值、微電網(wǎng)聯(lián)絡(luò)線功率值以及多微網(wǎng)與主電網(wǎng)聯(lián)絡(luò)線功率值，其具體結(jié)果分別如圖11～13所示.圖12中，電池功率為正，電池處于充電狀態(tài)；電池功率為負(fù)，電池處于放電狀態(tài).圖13中，功率為正時(shí)，多微網(wǎng)向主電網(wǎng)釋放功率；功率為負(fù)時(shí)，多微網(wǎng)從主電網(wǎng)吸收功率.

圖11 燃油發(fā)電機(jī)組和風(fēng)電機(jī)組的出力Fig.11 Output power of diesel generators and wind turbines

圖12 電池儲(chǔ)能功率Fig.12 Power of battery storages

圖13 微電網(wǎng)和主電網(wǎng)的聯(lián)絡(luò)線功率Fig.13 Tie-line power of microgrids and main grid

分析圖6和圖12可知，電池儲(chǔ)能在電網(wǎng)電價(jià)較低時(shí)充電，在電網(wǎng)電價(jià)較高時(shí)放電.分析圖6和圖13可知，電網(wǎng)電價(jià)越低，多微網(wǎng)從主電網(wǎng)吸收的功率越高，向主電網(wǎng)釋放的功率越低；電網(wǎng)電價(jià)越高，多微網(wǎng)從主電網(wǎng)吸收的功率越低，向主電網(wǎng)釋放的功率越高.不同微電網(wǎng)之間總能量交互情況如表5所示.

表5 微電網(wǎng)間能量交互Tab.5 Energy interaction between microgrids kW·h

由表5可知，微電網(wǎng)之間通過能量交互實(shí)現(xiàn)整個(gè)日運(yùn)行周期內(nèi)的收益期望最大化.由于微電網(wǎng)3中的風(fēng)電機(jī)組功率最高，且負(fù)荷功率較低，在整個(gè)運(yùn)行過程中，微電網(wǎng)3釋放能量，而其他微電網(wǎng)則主要以吸收能量為主.

4.2 優(yōu)化結(jié)果對(duì)比

本文通過對(duì)比非優(yōu)化調(diào)度、日前確定性優(yōu)化調(diào)度和時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度的結(jié)果，驗(yàn)證所提方法的優(yōu)越性.其中，非優(yōu)化調(diào)度方法是指不對(duì)燃油發(fā)電機(jī)組和電池儲(chǔ)能進(jìn)行調(diào)度；日前確定性優(yōu)化調(diào)度方法是指根據(jù)日前預(yù)測(cè)數(shù)據(jù)制定24 h的燃油發(fā)電、風(fēng)電與儲(chǔ)能的運(yùn)行方案；時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度方法是指根據(jù)時(shí)前預(yù)測(cè)數(shù)據(jù)制定每小時(shí)的燃油發(fā)電、風(fēng)電與儲(chǔ)能的運(yùn)行方案.在驗(yàn)證中，利用蒙特卡洛方法抽樣出200個(gè)運(yùn)行場(chǎng)景，計(jì)算運(yùn)行收益與風(fēng)電消納率的期望值，其結(jié)果如表6所示.

如表6所示，與非優(yōu)化調(diào)度方法、日前確定性優(yōu)化調(diào)度方法和時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度方法相比，所提兩階段優(yōu)化方法可提高63.03%、5.32%及9.26%的收益期望值，并提高45.94%、2.30%及0.90%的風(fēng)電消納率期望值.

表6 優(yōu)化結(jié)果對(duì)比Tab.6 Comparison of optimization results

5 結(jié)論

本文提出海上風(fēng)電多微網(wǎng)兩階段調(diào)度方法.在日前階段，該方法根據(jù)日前預(yù)測(cè)數(shù)據(jù)，通過隨機(jī)優(yōu)化，制定燃油發(fā)電機(jī)組組合計(jì)劃和電池儲(chǔ)能荷電狀態(tài)值，最大化運(yùn)行收益的期望值.在時(shí)前階段，該方法根據(jù)時(shí)前預(yù)測(cè)數(shù)據(jù)，制定燃油發(fā)電機(jī)組、風(fēng)電機(jī)組和電池儲(chǔ)能的功率值.在此基礎(chǔ)上，依托5節(jié)點(diǎn)海上風(fēng)電多微網(wǎng)系統(tǒng)，對(duì)所提方法進(jìn)行驗(yàn)證.基于驗(yàn)證結(jié)果，可以得到以下結(jié)論：

(1) 與非優(yōu)化調(diào)度方法相比，所提方法可以在高電價(jià)階段釋放更多的電能進(jìn)入主電網(wǎng)，在低電價(jià)階段從主電網(wǎng)吸收更多的電能.因此，所提方法顯著提高了收益期望值.同時(shí)，所提方法可以在風(fēng)電出力大于負(fù)荷需求和主電網(wǎng)接收能力時(shí)，通過儲(chǔ)能吸收多余風(fēng)電出力，從而降低棄風(fēng)率，顯著提高風(fēng)電資源的整體消納率.

(2) 與日前確定性優(yōu)化調(diào)度方法相比，所提兩階段優(yōu)化方法考慮了風(fēng)電出力和負(fù)荷功率的不確定性，因此具備更高的運(yùn)行收益和風(fēng)電消納率.

(3) 與時(shí)前動(dòng)態(tài)優(yōu)化調(diào)度方法相比，所提兩階段優(yōu)化方法在日前階段考慮了電網(wǎng)電價(jià)分時(shí)特性和風(fēng)電出力與負(fù)荷功率不確定性的統(tǒng)計(jì)規(guī)律，因此能提高運(yùn)行收益和風(fēng)電消納率.

本文主要針對(duì)預(yù)測(cè)誤差符合高斯分布模型的海上風(fēng)電多微網(wǎng)調(diào)度問題進(jìn)行研究，對(duì)于預(yù)測(cè)誤差符合其他模型的問題，所提的兩階段優(yōu)化調(diào)度方法依然適用.但針對(duì)具體問題，尚需結(jié)合具體模型進(jìn)行更細(xì)致的研究.