留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机会约束的区域能源互联网优化运行

李宁 王琦 葛中心 陈永华 杨冬梅 YUJames

李宁, 王琦, 葛中心, 等. 基于机会约束的区域能源互联网优化运行[J]. 现代电力, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
引用本文: 李宁, 王琦, 葛中心, 等. 基于机会约束的区域能源互联网优化运行[J]. 现代电力, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
LI Ning, WANG Qi, GE Zhongxin, etc. Chance-Constrained-Based Optimal Operation for Regional Energy Internet[J]. Modern Electric Power, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
Citation: LI Ning, WANG Qi, GE Zhongxin, etc. Chance-Constrained-Based Optimal Operation for Regional Energy Internet[J]. Modern Electric Power, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142

基于机会约束的区域能源互联网优化运行

doi: 10.19725/j.cnki.1007-2322.2021.0142
基金项目: 江苏省政策引导类计划国际科技合作项目(BZ2019057)
详细信息
    作者简介:

    李宁(1995),男,硕士研究生,研究方向为综合能源系统优化运行,E-mail:191802006@njnu.edu.cn

    王琦(1975),女,通信作者,博士,教授,硕士生导师,研究方向为新能源发电及并网、综合能源建模及优化控制、电力电子技术在电力系统中的应用,E-mail:wangqi@njnu.edu.cn

    葛中心(1996),男,硕士研究生,研究方向为综合能源系统优化运行,E-mail:191802008@njnu.edu.cn

    杨冬梅(1983),女,高级工程师,研究方向为电力系统自动化,E-mail:yangdongmei@sgepri.sgcc.com.cn

  • 中图分类号: TM732

Chance-Constrained-Based Optimal Operation for Regional Energy Internet

Funds: Project Supported by Jiangsu Province Policy Guidance Program International Science and Technology Cooperation Project (BZ2019057)
  • 摘要: 为保证区域能源互联网的可靠、经济运行,基于机会约束理论对不确定环境下的优化运行方法展开研究。考虑风电出力预测误差随机变量,建立燃气轮机备用容量机会约束条件、备用偏差风险成本目标函数,进而提出一种考虑备用容量的区域能源互联网随机优化运行方法。仿真结果表明所提方法能够有效管控风电并网带来的运行风险,在提高系统运行可靠性的同时,兼顾系统运行和燃气轮机备用的经济性。
  • 图  1  区域能源互联网系统结构

    Figure  1.  System structure of regional energy internet

    图  2  负荷及风电出力预测曲线

    Figure  2.  Forecasting curve of load and wind power output

    图  3  电力和天然气价格曲线

    Figure  3.  Price curves of electricity and natural gas

    图  4  电功率优化结果

    Figure  4.  Optimization results of electric power

    图  5  热功率优化结果

    Figure  5.  Optimization results of thermal power

    图  6  备用容量优化结果

    Figure  6.  Optimization results of reserve capacity

    图  7  失负荷风险和弃风风险

    Figure  7.  Risk of loss-of-load and wind curtailment

    图  8  预留备用容量对比

    Figure  8.  Comparison of reserve capacity

    图  9  不同备用容量风险管控情况对比

    Figure  9.  Comparison of risk control situation of different reserve capacity

    图  10  不同备用容量弃风情况对比

    Figure  10.  Comparison of wind curtailment

    表  1  设备参数设置

    Table  1.   Equipment parameter settings

    设备
    名称
    参数
    燃气轮机ηGT= 0.35、ηloss= 0.15、PGT,min= 175、PGT,max=1750kW、PGTdw=420kW、PGTup=420kW、cGT=0.053(元/kW·h)
    溴冷机εrec= 0.85、μLB,h= 1.2
    地源热泵μHP,h= 3、QHP,min= 0、QHP,max=101kW、cHP=0.026
    (元/kW·h)
    蓄电池σ= 0.001、ηd= 0.9、ηc= 0.9、WES,max=945kW·h、WES,min=210kW·h、Pdischg,max=210kW、Pchg,max=210kW、cES=0.051(元/kW·h)、WES,0=210kW·h
    联络线Pgird,max= 700kW
    风电机组cES= 0.029(元/kW·h)、cwcur= 0.5(元/kW·h)
    下载: 导出CSV

    表  2  不同备用容量备用成本、风险成本及弃风成本对比

    Table  2.   Comparison of reservation cost, risk cost and wind curtailment cost of different reserve capacity

    场景弃风成本/元风险成本/元备用成本/元
    Case 107765.092182.48
    Case 238.974232.582903.60
    Case 3229.622498.773323.00
    下载: 导出CSV
  • [1] 舒印彪, 薛禹胜, 蔡斌, 等. 关于能源转型分析的评述(一)转型要素及研究范式[J]. 电力系统自动化, 2018, 42(9): 1−15.

    SHU Yinbiao, XUE Yusheng, CAI Bin, et al. A review of energy transition analysis part one elements and paradigms[J]. Automation of Electric Power Systems, 2018, 42(9): 1−15(in Chinese).
    [2] 蔡佳铭, 林其友, 刘涌. 高占比可再生能源系统消纳能力指标评估与分析[J]. 电测与仪表, 2019, 55(7): 53−61.

    CAI Jiaming, LIN Qiyou, LIU Yong, et al. Index analysis and evaluation of consumption capacity for high proportion[J]. Electrical Measurement & Instrumentation, 2019, 55(7): 53−61(in Chinese).
    [3] 国家发展和改革委员会. 能源发展“十三五“规划公开发布稿[EB/OL]. [2021-05-31]. http://www.nea.gov.cn/135989417_14846217874961n.pdf.
    [4] KUSHWAHA P, PRAKASH V, BHAKAR R, et al. PFR constrained energy storage and interruptible load scheduling under high RE penetration[J]. IET Generation, Transmission & Distribution, 2020, 14(15): 3070−3077.
    [5] HU Q, LI F, FANG X, et al. A framework of residential demand aggregation with financial incentives[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 497−505.
    [6] 李子林, 刘蓉晖. 考虑需求侧响应的含储能区域综合能源系统运行优化[J]. 现代电力, 2019, 36(6): 61−67.

    LI Zilin, LIU Ronghui. peration optimization of regional integrated energy system with energy storage considering demand response[J]. Modern Electric Power, 2019, 36(6): 61−67(in Chinese).
    [7] 祁兵, 何承瑜, 李彬, 等. 基于蓄热电锅炉不同工作模式的区域综合能源系统优化调度[J]. 现代电力, 2019, 36(6): 45−51.

    QI Bing, HE Chengyu, LI Bin, et al. Optimal scheduling of regional integrated energy system based on different working modes of electric boiler with thermal storage[J]. Modern Electric Power, 2019, 36(6): 45−51(in Chinese).
    [8] CHEN X, KANG C, O’MALLEY M, et al. Increasing the flexibility of combined heat and power for wind power integration in China: modeling and implications[J]. IEEE Transactions on Power Systems, 2015, 30(4): 1848−1857.
    [9] 耿健, 杨冬梅, 高正平, 等. 含储能的冷热电联供分布式综合能源微网优化运行[J]. 电力工程技术, 2021, 40(1): 25−32.

    GENG Jian, YANG Dongmei, GAO Zhengping, et al. Optimal operation of distributed integrated energy microgrid with CCHP considering energy storage[J]. Electric Power Engineering Technology, 2021, 40(1): 25−32(in Chinese).
    [10] 王松岩, 于继来. 风速与风电功率的联合条件概率预测方法[J]. 中国电机工程学报, 2011, 31(7): 7−15.

    WANG Songyan, YU Jilai. Joint conditions probability forecast method for wind speed and wind power[J]. Proceedings of the CSEE, 2011, 31(7): 7−15(in Chinese).
    [11] 章国勇, 伍永刚, 张洋, 等. 一种风电功率混沌时间序列概率区间简易预测模型[J]. 物理学报, 2014, 63(13): 430−438.

    ZHANG Guoyong, WU Yonggang, ZHANG Yang, et al. A simple model for probabilistic interval forecasts of wind power chaotic time series[J]. Acta Phys Sin, 2014, 63(13): 430−438(in Chinese).
    [12] WAN C, XU Z, PINSON P, et al. Direct interval forecasting of wind power[J]. IEEE Transactions on Power Systems, 2013, 28(4): 4877−4878.
    [13] KAPLANI E, KAPLANIS S. A stochastic simulation model for reliable PV system sizing providing for solar radiation fluctuations[J]. Applied Energy, 2012, 97: 970−981.
    [14] 林少伯, 韩民晓, 赵国鹏, 等. 基于随机预测误差的分布式光伏配电网储能系统容量配置方法[J]. 中国电机工程学报, 2013, 33(4): 25−33.

    LIN Shaobo, HAN Minxiao, ZHAO Guopeng, et al. Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]. Proceedings of the CSEE, 2013, 33(4): 25−33(in Chinese).
    [15] 赵书强, 韩雷, 李志伟, 等. 基于相关机会约束目标规划的主动配电网日前优化调度[J]. 华北电力大学学报(自然科学版), 2020, 48(2): 1−10.

    ZHAO Shuqiang, HAN Lei, LI Zhiwei, et al. Day-ahead optimal scheduling of active distribution network by related opportunity goal planning[J]. Journal of North China Electric Power University, 2020, 48(2): 1−10(in Chinese).
    [16] 单福州, 李晓露, 宋燕敏, 等. 基于改进两阶段鲁棒优化的区域综合能源系统经济调度[J]. 电测与仪表, 2018, 55(23): 103−108.

    SHAN Fuzhou, LI Xiaolu, SONG Yanmin, et al. Economic dispatching of regional integrated energy system based on improvement two-stage robust optimization[J]. Electrical Measurement & Instrumentation, 2018, 55(23): 103−108(in Chinese).
    [17] 吕泉, 王海霞, 陈天佑, 等. 考虑风电不确定性的热电厂蓄热罐运行策略[J]. 电力系统自动化, 2015, 39(14): 23−29.

    LÜ Quan, WANG Haixia, CHEN Tianyou, et al. Operation strategies of heat accumulator in combined heat and power plant with uncertain wind power[J]. Automation of Electric Power Systems, 2015, 39(14): 23−29(in Chinese).
    [18] DAVOOD R, HASSAN B. Probabilistic optimization in operation of energy hub with participation of renewable energy resources and demand response[J]. Energy, 2019, 173: 384−399.
    [19] 崔杨, 姜涛, 仲悟之, 等. 考虑风电消纳的区域综合能源系统源荷协调经济调度[J]. 电网技术, 2020, 44(7): 2474−2483.

    CUI Yang, JIANG Tao, ZHONG Wuzhi, et al. Source-load coordination economic dispatch method for regional integrated energy system considering wind power accommodation[J]. Power System Technology, 2020, 44(7): 2474−2483(in Chinese).
    [20] 李媛, 冯昌森, 文福拴, 等. 含电动汽车和电转气的园区能源互联网能源定价与管理[J]. 电力系统自动化, 2018, 42(16): 1−10,192-196.

    LI Yuan, FENG Changsen, WEN Fushuan, et al. Energy pricing and management for park-level energy internets with electric vehicles and power-to-gas devices[J]. Automation of Electric Power Systems, 2018, 42(16): 1−10,192-196(in Chinese).
    [21] 赵书强, 王扬, 徐岩, 等. 基于机会约束目标规划的高风电接入比例下大规模储能与火电协调调度[J]. 中国电机工程学报, 2016, 36(4): 969−977.

    ZHAO Shuqiang, WANG Yang, XU Yan, et al. Coordinated dispatch of large scale energy storage system and thermal generation in high wind power penetration level system based on chance constrained goal programming[J]. Proceedings of the CSEE, 2016, 36(4): 969−977(in Chinese).
    [22] WANG Y, ZHAO S, ZHOU Z, et al. Risk adjustable day-ahead unit commitment with wind power based on chance constrained goal programming[J]. IEEE Transactions on Sustainable Energy, 2017, 8(2): 530−541.
    [23] 张章煌. 考虑不确定性的综合能源系统日前优化调度研究[D]. 杭州: 浙江大学, 2019.
    [24] 王扬. 基于机会约束目标规划的含风电电力系统优化调度研究[D]. 北京: 华北电力大学, 2017.
  • [1] 徐立敏, 艾欣.  电力及天然气系统中的产消者能量-备用协同优化 . 现代电力, 2022, 39(1): 45-55. doi: 10.19725/j.cnki.1007-2322.2021.0036
    [2] 李彦斌, 聂丹, 刘畅, 赵珂, 宋泽雅.  基于决策试验法与评估实验室−网络分析法的能源互联网商业模式适用性评价 . 现代电力, 2022, 39(3): 327-337. doi: 10.19725/j.cnki.1007-2322.2021.0278
    [3] 唐海国, 张志丹, 康童, 张帝, 张聪, 罗波.  考虑场景聚类的配电网−天然气联合系统双层随机运行优化 . 现代电力, 2021, 38(6): 681-694. doi: 10.19725/j.cnki.1007-2322.2020.0428
    [4] 侯健敏, 路新梅, 周颖, 丁苏云.  考虑柔性电负荷和热负荷的综合能源系统容量优化配置 . 现代电力, 2021, 38(4): 412-421. doi: 10.19725/j.cnki.1007-2322.2020.0334
    [5] 范宏, 袁倩倩, 邓剑.  多区域综合能源系统的两阶段容量优化配置方法 . 现代电力, 2020, 37(5): 441-447. doi: 10.19725/j.cnki.1007-2322.2019.1077
    [6] 周晟锐, 刘继春, 张浩禹, 文杰, 张林, 冯麒铭.  基于机会约束的多能源枢纽电气互联综合能源系统日前经济调度 . 现代电力, 2020, 37(2): 197-204. doi: 10.19725/j.cnki.1007-2322.2019.0966
    [7] 魏纯晓, 陈晔, 王燕敏, 刘宗歧, 李月乔, 华科, 崔怀宇, 王君莹.  考虑系统与用户双侧协同的区域多能源系统运行优化 . 现代电力, 2019, 36(1): 61-70.
    [8] 李子林, 刘蓉晖.  考虑需求侧响应的含储能区域综合能源系统运行优化 . 现代电力, 2019, 36(6): 61-67.
    [9] 许珊, 李扬.  考虑时序特性的配电网分布式电源优化配置 . 现代电力, 2019, 36(2): 8-16.
    [10] 王晓晶, 陈星莺, 余昆, 彭堃.  保障舒适度的城市建筑电力节能优化 . 现代电力, 2019, 36(4): 38-47.
    [11] 李文博, 李华东, 张鹏飞, 赵光锋, 王皓, 艾芊.  考虑不确定性的区域能源互联网源荷储协调优化 . 现代电力, 2019, 36(3): 11-18.
    [12] 刘文霞, 王舒, 张雯程, 王凌飞, 朴哲勇, 胡平, 韩璟琳, 韩旭杉.  考虑需求侧电价的配电网储能设备运行策略与容量的协调优化 . 现代电力, 2018, 35(5): 70-78.
    [13] 张利军, 徐晨博, 范娟娟, 袁翔, 徐汶, 庄峥宇.  区域能源互联网多能系统规划决策关键技术及应用 . 现代电力, 2018, 35(4): 27-34.
    [14] 殷红旭, 刘春秀, 赵金勇, 耿洪彬, 李仟成.  基于自适应模型预测控制的区域能源互联网两阶段协同调度 . 现代电力, 2018, 35(4): 35-44.
    [15] 艾 欣, 周树鹏, 赵阅群, 唐 亮.  基于机会约束规划的直接负荷控制及可中断负荷联合优化调度研究 . 现代电力, 2016, 33(6): 1-6.
    [16] 窦迅, 计仕清, 李扬, 邱泽峰.  风电场中储能装置的容量优化 . 现代电力, 2015, 32(5): 42-47.
    [17] 杨娜娜, 张建成, 顾志东.  消纳大规模风电的备用容量在线滚动决策与模型 . 现代电力, 2015, 32(1): 52-58.
    [18] 王亮, 向铁元, 杨瑶, 詹雷, 王剑锋.  含水电的区域风光容量优化配置 . 现代电力, 2015, 32(1): 89-94.
    [19] 李栋华, 耿世奇, 郑建.  能源互联网形势下的电力大数据发展趋势 . 现代电力, 2015, 32(5): 10-14.
    [20] 刘建平, 王旭斌, 吴岩, 王忠为, 张洪力, 刘文.  含风电和储能的电力系统安全约束机组组合问题研究 . 现代电力, 2015, 32(5): 48-55.
  • 加载中
图(10) / 表 (2)
计量
  • 文章访问数:  297
  • HTML全文浏览量:  121
  • PDF下载量:  41
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-07
  • 网络出版日期:  2022-07-27
  • 刊出日期:  2022-07-27

基于机会约束的区域能源互联网优化运行

doi: 10.19725/j.cnki.1007-2322.2021.0142
    基金项目:  江苏省政策引导类计划国际科技合作项目(BZ2019057)
    作者简介:

    李宁(1995),男,硕士研究生,研究方向为综合能源系统优化运行,E-mail:191802006@njnu.edu.cn

    王琦(1975),女,通信作者,博士,教授,硕士生导师,研究方向为新能源发电及并网、综合能源建模及优化控制、电力电子技术在电力系统中的应用,E-mail:wangqi@njnu.edu.cn

    葛中心(1996),男,硕士研究生,研究方向为综合能源系统优化运行,E-mail:191802008@njnu.edu.cn

    杨冬梅(1983),女,高级工程师,研究方向为电力系统自动化,E-mail:yangdongmei@sgepri.sgcc.com.cn

  • 中图分类号: TM732

摘要: 为保证区域能源互联网的可靠、经济运行,基于机会约束理论对不确定环境下的优化运行方法展开研究。考虑风电出力预测误差随机变量,建立燃气轮机备用容量机会约束条件、备用偏差风险成本目标函数,进而提出一种考虑备用容量的区域能源互联网随机优化运行方法。仿真结果表明所提方法能够有效管控风电并网带来的运行风险,在提高系统运行可靠性的同时,兼顾系统运行和燃气轮机备用的经济性。

English Abstract

李宁, 王琦, 葛中心, 等. 基于机会约束的区域能源互联网优化运行[J]. 现代电力, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
引用本文: 李宁, 王琦, 葛中心, 等. 基于机会约束的区域能源互联网优化运行[J]. 现代电力, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
LI Ning, WANG Qi, GE Zhongxin, etc. Chance-Constrained-Based Optimal Operation for Regional Energy Internet[J]. Modern Electric Power, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
Citation: LI Ning, WANG Qi, GE Zhongxin, etc. Chance-Constrained-Based Optimal Operation for Regional Energy Internet[J]. Modern Electric Power, 2022, 39(4): 388-396. doi: 10.19725/j.cnki.1007-2322.2021.0142
    • 由于化石燃料不可再生且污染严重,提高能源利用效率、规模化开发新能源,升级构建以电力系统为核心的能源互联网,已成为适应人类社会能源变革的必由之路[1]。中国能源发展战略指出,直到2050年我国新能源占比将达85%以上,其中风电、光伏占比将达63%[2]。“十三五规划”指出,基于新能源的分布式智能系统将应用于工业园区、城镇社区等典型场景[3]。风电出力具有高度随机性和不确定性,大规模风电并网对系统的可靠运行优化提出了巨大挑战,尤其对于风电渗透率高、出力预测条件差、电力网络不强壮的区域(园区级)能源互联网。这要求系统配备更多的灵活备用容量,以应对风电并网带来的不确定性运行风险[4]。然而,能够提供旋转备用的传统机组逐渐退役[5],而风电机组本身不具备灵活调节能力;燃气轮机具备一定的备用能力,但大量预留备用容量会挤压燃气轮机的出力调节区间,可能不利于系统运行的经济性和灵活性。在不确定性环境下,如何预留和补充备用容量,使其既满足系统运行的可靠性需求,又兼顾系统运行和燃气轮机备用的经济性,对实现区域能源互联网的可靠、经济运行具有重要意义。

      大量学者从运行经济性、低碳性等角度[6-9],对区域能源互联网的优化运行展开了深入研究。然而,随着风电渗透率不断提高,风电出力不确定性对区域能源互联网可靠优化运行的影响日益凸出,风电出力预测误差可能导致系统优化结果严重偏离实际,出现失负荷、弃风等运行风险。上述研究提出的确定性优化模型已无法满足当前风电高渗透率、不确定性环境下区域能源互联网优化运行的需求。

      部分学者考虑对新能源出力特性进行建模,进而提出考虑新能源不确定性的优化运行方法。文献[10-12]建立了新能源出力的区间分布建模方法;文献[13-15]建立了新能源出力的概率分布模型。相应地,基于新能源出力的区间预测信息、鲁棒优化[16]等方法被应用到区域能源互联网的不确定性优化中。但此类研究难以定量评估系统运行的可靠性并计算出系统所需的备用容量。此外,文献[17-18]对区域能源互联网的概率优化方法进行了研究。但此类研究涉及大量概率场景的生成、选取和削减,以及各个场景下优化模型的求解,求解困难、计算量大。

      针对上述问题,本文引入机会约束理论,以量化分析风电出力预测误差随机变量对区域能源互联网运行造成的失负荷风险和弃风风险,从而确定预留燃气轮机合理的正、负备用容量。首先建立风电出力预测误差的概率分布模型和区域能源互联网的基础优化运行模型;其次建立燃气轮机备用容量机会约束条件和备用偏差风险成本目标函数,并给出机会约束条件的确定形式转化方法;最后提出一种考虑备用容量的区域能源互联网随机优化运行方法,并通过仿真算例验证所提方法的有效性。

    • 本文考虑的区域级能源互联网典型结构如图1所示[19]。系统包含热电联供机组、地源热泵、蓄电池和风电机组,热电联供机组包括燃气轮机和溴冷机,系统负荷包括电负荷和热负荷。燃气轮机的剩余热量将由溴冷机回收,并供应系统热负荷。系统内的区域电网与外部主网相连,区域能源互联网的余电不上网。系统调度人员需在日前安排各机组在各调度时段的出力计划,确定并向电网提交购电计划,且无法随意更改。

      图  1  区域能源互联网系统结构

      Figure 1.  System structure of regional energy internet

      在研究典型设备的运行机理和输入输出外特性的基础上,建立设备运行数学模型和约束条件如下[19]

      1)燃气轮机。

      $$\left\{ \begin{array}{l} {P_{{{\rm{GT}}},t}} = {V_{{{\rm{ng}}}}} \cdot {H_{{{\rm{ng}}}}} \cdot {\eta _{{{\rm{GT}}}}} \\ {Q_{{{\rm{GT}}},t}} = {V_{{{\rm{ng}}}}} \cdot {H_{{{\rm{ng}}}}} \cdot (1 - {\eta _{{{\rm{GT}}}}} - {\eta _{{{\rm{loss}}}}}) \end{array} \right.$$ (1)

      式中:PGT,tQGT,t分别表示t时刻燃气轮机输出的电功率、热功率;Vng表示消耗的天然气量;Hng表示天然气热值,取9.78 kW·h/m3ηGTηloss分别表示燃气轮机的发电效率和损耗率。

      $$\left\{ \begin{array}{l} {P_{{{\rm{GT}}},\min }} \leqslant {P_{{{\rm{GT}}},t}} \leqslant {P_{{{\rm{GT}}},\max }} \\ - {P_{{{\rm{GTdw}}}}} \leqslant {P_{{{\rm{GT}}},t}} - {P_{{{\rm{GT}}},t{{\rm{ - }}}1}} \leqslant {P_{{{\rm{GTup}}}}} \end{array} \right.$$ (2)

      式中:PGT,minPGT,max分别表示燃气轮机输出电功率的最小值、最大值;PGTdwPGTup分别表示燃气轮机下坡、爬坡功率的最大值;PGT,t-1表示燃气轮机在t−1时刻输出的电功率。

      2)溴冷机。

      $${Q_{{{\rm{LB}}},t}} = {Q_{{{\rm{GT}}},t}}{\varepsilon _{{{\rm{rec}}}}}{\mu _{{{\rm{LB,h}}}}}$$ (3)

      式中:QLB,t表示t时刻溴冷机输出的热功率;εrec表示溴冷机的烟气回收率;μLB,h表示溴冷机的制热效率。

      3)地源热泵。

      $${Q_{{{\rm{HP,}}}t}} = {P_{{{\rm{HP,in,}}}t}}{\mu _{{{\rm{HP,h}}}}}$$ (4)

      式中:QHP,tPHP,in,t分别表示t时刻地源热泵输出的热功率和消耗的电功率;μHP,h表示地源热泵的制热系数。

      $$\left\{ \begin{array}{l} {Q_{{{\rm{HP}}},\min }} \leqslant {Q_{{{\rm{HP}}},t}} \leqslant {Q_{{{\rm{HP}}},\max }} \\ - {Q_{{{\rm{HPdw}}}}} \leqslant {Q_{{{\rm{HP}}},t}} - {Q_{{{\rm{HP,}}}t{{\rm{ - }}}1}} \leqslant {Q_{{{\rm{HPup}}}}} \\ \end{array} \right.$$ (5)

      式中:QHP,minQHP,max分别表示地源热泵输出热功率的最小值、最大值;QHPdwQHPup分别表示地源热泵下坡、爬坡功率的最大值;QHP,t-1表示地源热泵在t−1时刻输出的热功率。

      4)蓄电装置[20]

      $${W_{{{\rm{ES}}},t + 1}} = \left( {1 - \sigma } \right){W_{{{\rm{ES}}},t}} + \left( {{P_{{{\rm{chg}}},t}}{\eta _{{\rm{c}}}} - {P_{{{\rm{dischg}}},t}}/{\eta _{{\rm{d}}}}} \right)$$ (6)
      $$0 \leqslant {P_{{{\rm{chg}}},t}} \leqslant {x_{{{\rm{chg}}},t}}{P_{{{\rm{chg}}},\max }}$$ (7)
      $$0 \leqslant {P_{{{\rm{dischg}}},t}} \leqslant {x_{{{\rm{dischg}}},t}}{P_{{{\rm{dischg}}},\max }}$$ (8)
      $$ {W}_{{\rm{ES}},\mathrm{min}}\leqslant {W}_{{\rm{ES}},t}\leqslant {W}_{{\rm{ES}},\mathrm{max}}$$ (9)
      $$0 \leqslant {x_{{{\rm{chg}}},t}} + {x_{{{\rm{dischg}}},t}} \leqslant 1$$ (10)

      式中:WES,tWES,t+1分别表示蓄电装置在tt+1时刻的荷电状态;WES,minWES,max分别表示蓄电装置荷电量的最小值、最大值;σηdηc表示蓄电装置的自损效率、放电效率、充电效率;Pdischg,tPchg,t分别表示蓄电装置在t时刻的放电、充电功率;xchg,txdischg,t分别表示蓄电装置在t时刻的充电状态、放电状态,为0−1变量;Pdischg,maxPchg,max分别表示蓄电装置的放电、充电功率的最大值。

      5)风力发电。

      风力出力预测误差可被拟合为均值为零的正态分布函数[21]

      $$\left\{ \begin{split} & {P_{{{\rm{wmis}}},t}} = {P_{{{\rm{w}}},t}} - {P_{{{\rm{wpre}}},t}} \\ &{P_{{{\rm{wmis}}},t}} \sim N\left( {0,{\sigma _t}} \right) \\ & {\sigma _t} = \dfrac{1}{5}{P_{{{\rm{wpre}}},t}} + \dfrac{1}{{50}}{P_{{{\rm{wN}}}}} \end{split} \right.$$ (11)

      式中:Pwmis,t表示t时刻的风电出力预测误差;Pw,tPwpre,t分别表示t时刻的风电出力实际值、预测值;PwN表示风电机组的额定装机容量;σt表示t时刻的正态分布标准差。

      此外,风电机组的运行还需考虑弃风约束,如下所示

      $$0 \leqslant {P_{{{\rm{wcur}}},t}} \leqslant {P_{{{\rm{wpre}}},t}}$$ (12)

      式中:Pwcur,t表示t时刻的弃风功率。

    • 区域能源互联网的优化运行目标为运行总成本最低。运行总成本包括燃料成本、购电成本、设备运维成本、弃风成本,可表示为

      $$\min {C_{{{\rm{total}}}}} = {C_{{{\rm{fc}}}}} + {C_{{{\rm{grid}}}}} + {C_{{{\rm{ope}}}}} + {C_{{{\rm{wcur}}}}}$$ (13)
      $${C_{{{\rm{fc}}}}} = \sum\limits_{t \in T} {\left( {{c_{{{\rm{g}}},t}}{P_{{{\rm{GT}}},t}}/{\eta _{{{\rm{GT}}}}}} \right)\Delta t} $$ (14)
      $${C_{{{\rm{grid}}}}} = \sum\limits_{t \in T} {\left( {{c_{{{\rm{e}}},t}}{P_{{{\rm{grid}}},t}}} \right)\Delta } t$$ (15)
      $${C_{{{\rm{ope}}}}} = \sum\limits_{t \in T} {\left[ \begin{array}{l} {c_{{{\rm{GT}}}}}{P_{{{\rm{GT}}},t}} + {c_{{{\rm{HP}}}}}{Q_{{{\rm{HP}}},t}} + {c_{{{\rm{wind}}}}}{P_{{{\rm{wind}}},t}}{{\rm{ + }}} \\ {c_{{{\rm{ES}}}}}\left( {{P_{{{\rm{dischg}}},t}} + {P_{{{\rm{chg}}},t}}} \right) \\ \end{array} \right]\Delta } t$$ (16)
      $${C_{{{\rm{wcur}}}}} = \sum\limits_{t \in T} {\left( {{c_{{{\rm{wcur}}}}}{P_{{{\rm{wcur}}},t}}} \right)\Delta } t$$ (17)

      式中:CtotalCfcCgridCopeCwcur分别表示运行总成本、燃料成本、外部电网购电成本、设备运维成本、弃风成本;ce,t表示t时刻的联络线购电单价;cg,t表示t时刻的天然气单价;cGTcHPcwindcES分别表示燃气轮机、地源热泵、风电机组和蓄电池的运行维护成本;Pgrid,t表示t时刻的联络线购电功率;PGT,tQHP,tPwind,tPdischg,tPchg,t分别表示t时刻燃气轮机的输出电功率、地源热泵的输出热功率、实际消纳的风电功率、蓄电池的放电功率、蓄电池的充电功率;Pwcur,t表示t时刻的弃风功率;cwcur分别表示单位弃风功率的惩罚成本;Δt表示调度时长;T表示调度总周期。

    • 1)设备运行约束。

      对于每一个调度时刻t,各设备均应该遵循各自输出功率上、下限的约束,旋转类机组还应满足爬坡约束,蓄电池还应遵循运行约束、充放电逻辑约束等。详细的约束条件见式(2)、式(5)、式(7)—(10)、式(12)。此外,实际消纳的风电功率和弃风功率之和应等于风电预测功率,可表示为

      $${P_{{{\rm{wcur}}},t}}{{\rm{ + }}}{P_{{{\rm{wind}}},t}} = {P_{{{\rm{wpre}}},t}}$$ (18)

      2)功率平衡约束。

      对于每一个调度时刻t,区域能源互联网需满足电功率和热功率的平衡,约束条件见公式(19)、公式(20)

      $${P_{{{\rm{GT}}},t}} + {P_{{{\rm{wind}}},t}} + {P_{{{\rm{dischg}}},t}} - {P_{{{\rm{chg}}},t}} + {P_{{{\rm{grid}}},t}} - {P_{{{\rm{HP}}},{{\rm{in}}},t}} = {P_{{{\rm{load}}},t}}$$ (19)
      $${Q_{{{\rm{LB}}},t}} + {Q_{{{\rm{HP}}},t}} = {Q_{{{\rm{load}}},t}}$$ (20)

      式中:Pload,tQload,t分别表示t时刻的电负荷、热负荷。

      3)联络线功率约束。

      $$0 \leqslant {P_{{{\rm{grid}}},t}} \leqslant {P_{{{\rm{grid}}},\max }}$$ (21)

      式中:Pgird,max表示联络线传输功率的最大值。

    • 当优化模型约束条件中包含随机变量,可能导致求解的优化决策结果在不利情况下无法满足约束条件。在机会约束理论中,决策结果被允许在一定程度上不满足约束条件,但约束条件成立的概率必须满足一定的置信要求。基于机会约束理论,传统的确定性约束条件可转化为机会约束条件,从而在区域能源互联网的优化运行模型中有效地处理风电出力预测误差这一随机变量,充分利用风电出力的概率分布信息。对于如图1所示的区域能源互联网,燃气轮机预留备用容量的大小需要满足的机会约束条件如下所示

      $$B\left\{ \begin{array}{l} {P_{{{\rm{grid}}},t}} + {P_{{{\rm{GT}}},t}} + \left( {{P_{{{\rm{dischg}}},t}} - {P_{{{\rm{chg}}},t}}} \right) + {P_{{{\rm{wpre}}},t}} + \\ {P_{{{\rm{res,up}}},t}} + {P_{{{\rm{wmis}}},t}} \geqslant {P_{{{\rm{load}}},t}} + {P_{{{\rm{HP}}},t}} \\ \end{array} \right\} \geqslant \beta $$ (22)
      $$B\left\{ \begin{array}{l} {P_{{{\rm{grid}}},t}} + {P_{{{\rm{GT}}},t}} + \left( {{P_{{{\rm{dischg}}},t}} - {P_{{{\rm{chg}}},t}}} \right) + {P_{{{\rm{wpre}}},t}} - \\ {P_{{{\rm{res,dw}}},t}} + {P_{{{\rm{wmis}}},t}} \leqslant {P_{{{\rm{load}}},t}} + {P_{{{\rm{HP}}},t}} \\ \end{array} \right\} \geqslant \beta $$ (23)

      式中:符号B{·}表示括号内约束条件成立的概率;β表示备用容量的约束条件需要满足的置信度;Pres,up,tPres,dw,t分别表示t时刻燃气轮机预留的正、负备用容量。

    • 机会约束条件能够有效处理约束条件中的随机变量,但会增加优化模型的求解难度。因此,本文介绍机会约束条件的确定形式转化方法,以便于优化模型的求解。对于如式(24)所示的一般性机会约束条件[22],可根据定理1转化为确定形式。

      $$ B\left\{{f}_{i}\left(\boldsymbol{x},\boldsymbol{\xi} \right)\leqslant {b}_{i}\right\}\geqslant 1-{\alpha }_{i},\;1-{\alpha }_{i}{\rm=}{\beta }_{i}$$ (24)

      式中:αi表示风险程度;βi表示括号内约束条件需要满足的置信度;x表示决策向量;ξ表示随机向量。

      定理1:若约束条件f(x, ξ)可转化为如式(25)的形式,则式(24)所示的机会约束条件可转化为如式(26)所示的确定形式。

      $${f_i}\left( {{\boldsymbol{x}},{\boldsymbol{\xi }}} \right){{\rm{ = }}}g\left( {\boldsymbol{x}} \right) - {\boldsymbol{\xi }}$$ (25)
      $$ g\left(\boldsymbol{x}\right)-{b}_{i}\leqslant {K}_{\beta }{\rm{ }},\;{K}_{\beta }{\rm{=sup}}\left\{K{\rm{|}}K{\rm=}{\varphi }^{-1}\left(1-\beta \right)\right\}$$ (26)
    • 本文建立备用偏差风险成本目标函数[23],以量化分析风电出力预测误差对区域能源互联网运行优化可靠性的影响,并确定备用容量的大小。

      对应失负荷、弃风2种运行风险,本文已分别建立了如式(22)和式(23)所示的2个机会约束条件。对于一个含有多个机会约束、考虑风险成本最小化的优化问题,机会约束问题可进一步转化[24]。基于式(26)所示的确定形式转化方法,式(22)和式(23)可转化为:

      $$\begin{split} {m_{{{\rm{load}}},t}} = &{P_{{{\rm{load}}},t}} + {P_{{{\rm{HP}}},t}} - \left( {{P_{{{\rm{dischg}}},t}} - {P_{{{\rm{chg}}},t}}} \right) - {P_{{{\rm{wpre}}},t}} - \\ &{P_{{{\rm{grid}}},t}} - {P_{{{\rm{GT}}},t}} - {P_{{{\rm{res,up}}},t}} - {\varphi ^{ - 1}}\left( {1 - \beta } \right) \\ \end{split} $$ (27)
      $$\begin{split} {m_{{{\rm{wind}}},t}} = &{P_{{{\rm{grid}}},t}} + {P_{{{\rm{GT}}},t}} + {P_{{{\rm{wpre}}},t}} + \left( {{P_{{{\rm{dischg}}},t}} - {P_{{{\rm{chg}}},t}}} \right) - \\ & {P_{{{\rm{load}}},t}} - {P_{{{\rm{HP}}},t}} - {P_{{{\rm{res,dw}}},t}} + {\varphi ^{ - 1}}\left( \beta \right) \\ \end{split} $$ (28)
      $${m_{{{\rm{load}}},t}} \geqslant 0,{m_{{{\rm{wind}}},t}} \geqslant 0$$ (29)

      在备用容量预留优化问题中,mload,tmwind,t具有实际的物理意义。恰好满足置信水平要求预留的备用容量可称为乐观备用容量。当风电出力预测值小于实际值时,需要为系统预留正备用,mload,t表示实际配置的正备用容量与乐观正备用容量的缺额,对应于失负荷风险;当风电出力预测值大于实际值时,需要为系统预留负备用,mwind,t表示实际预留的负备用容量与乐观负备用容量的缺额,对应于弃风风险。由此,上述的风险成本目标函数如下

      $${C_{{{\rm{risk}}}}} = \sum\limits_{t \in T} {\left[ {{\alpha _{{{\rm{wind}}}}}{m_{{{\rm{wind}}},t}}\Delta t + {\alpha _{{{\rm{load}}}}}{m_{{{\rm{load}}},t}}\Delta t} \right]} $$ (30)

      式中:αloadαwind分别表示失负荷风险系数和弃风风险系数。

    • 1)目标函数。

      考虑备用成本和风险成本,式(12)所示的目标函数变化为

      $$\min {C_{{{\rm{total}}}}} = {C_{{{\rm{fc}}}}} + {C_{{\rm{grid}}}} + {C_{{{\rm{ope}}}}} + {C_{{{\rm{wcur}}}}} + {C_{{{\rm{res}}}}}{{\rm{ + }}}{C_{{{\rm{risk}}}}}$$ (31)
      $${C_{{{\rm{res}}}}} = \sum\limits_{t \in T} {\left[ {{c_{{{\rm{res}}}}}\left( {{P_{{{\rm{res,up}}},t}}{{\rm{ + }}}{P_{{{\rm{res,dw}}},t}}} \right)} \right]\Delta t} $$ (32)

      式中:Cres表示燃气轮机备用成本;cres表示备用容量单价。

      2)约束条件。

      区域能源互联网的随机优化运行模型将基础的确定性约束条件替换为备用容量机会约束条件,即用式(27)—(29)替换式(19)。其余设备运行约束、联络线功率约束、弃风约束仍需严格满足。考虑预留备用容量后,燃气轮机的运行约束转变为

      $${P_{{{\rm{GT}}},\min }} + {P_{{{\rm{res,dw}}},t}} \leqslant {P_{{{\rm{GT}}},t}} \leqslant {P_{{{\rm{GT}}},\max }} - {P_{{{\rm{res,up,}}}t}}$$ (33)
      $$0 \leqslant {P_{{{\rm{res,up}}},t}} \leqslant {P_{{{\rm{res,up}}},\max }}$$ (34)
      $$0 \leqslant {P_{{{\rm{res,dw}}},t}} \leqslant {P_{{{\rm{res,dw}}},\max }}$$ (35)

      式中:Pres,up,maxPres,dw,max分别表示预留正、负备用功率的最大值。

    • 本节采用的算例系统如图1所示,所采用的负荷和风电预测曲线如图2所示,所设置的电力、天然气价格曲线如图3所示。设备参数设置如表1所示。调度周期为24 h,调度间隔为1 h。燃气轮机提供正、负备用的燃料单价设置为其正常输出电功率单价的3/4,备用运维单价等于正常运行时的运维单价。

      表 1  设备参数设置

      Table 1.  Equipment parameter settings

      设备
      名称
      参数
      燃气轮机ηGT= 0.35、ηloss= 0.15、PGT,min= 175、PGT,max=1750kW、PGTdw=420kW、PGTup=420kW、cGT=0.053(元/kW·h)
      溴冷机εrec= 0.85、μLB,h= 1.2
      地源热泵μHP,h= 3、QHP,min= 0、QHP,max=101kW、cHP=0.026
      (元/kW·h)
      蓄电池σ= 0.001、ηd= 0.9、ηc= 0.9、WES,max=945kW·h、WES,min=210kW·h、Pdischg,max=210kW、Pchg,max=210kW、cES=0.051(元/kW·h)、WES,0=210kW·h
      联络线Pgird,max= 700kW
      风电机组cES= 0.029(元/kW·h)、cwcur= 0.5(元/kW·h)

      图  2  负荷及风电出力预测曲线

      Figure 2.  Forecasting curve of load and wind power output

      图  3  电力和天然气价格曲线

      Figure 3.  Price curves of electricity and natural gas

    • 考虑到失负荷会比弃风造成更严重的实际影响,因此本节设置αload= 2、αwind= 1,αload大于αwind表示优先管控失负荷风险。设置燃气轮机正、负备用最大容量为实际电负荷的15%,电功率、热功率的优化结果如图4-5所示,正、负备用的配置情况如图6所示。

      图  4  电功率优化结果

      Figure 4.  Optimization results of electric power

      图  5  热功率优化结果

      Figure 5.  Optimization results of thermal power

      图  6  备用容量优化结果

      Figure 6.  Optimization results of reserve capacity

      图4中总电力负荷指电负荷、地源热泵消耗的电功率、蓄电池充电功率之和;总输出电功率指燃气轮机、电网购电功率、实际消纳的风电功率、蓄电池放电功率之和。由于电功率平衡的确定性约束条件被机会约束条件替换,因此机组出力的优化结果并非完全满足原有的确定性约束条件,而是计及正、负备用容量后,以一定的置信度满足约束条件。图4阴影区域所示的功率差额由图6中燃气轮机预留的正、负备用功率进行平衡,因此求解随机优化模型得到的机组电功率出力安排是可靠的。如图5所示,热功率平衡仍严格满足确定性约束条件,由所提优化模型求解得到的机组热出力安排亦是可靠的。

      失负荷风险和弃风风险如图7所示,失负荷风险基本消除,弃风风险仍较大。这是因为失负荷风险被优先管控;且调度时刻0:00—9:00为风电出力高峰、电负荷低谷,弃风风险本就很大,所以未能被完全消除。

      图  7  失负荷风险和弃风风险

      Figure 7.  Risk of loss-of-load and wind curtailment

    • 本节设置3组案例,进一步对比分析燃气轮机在预留不同备用容量情况下的风险管控情况、备用成本和风险成本。Case 1:燃气轮机正、负备用最大容量为实际电负荷的10%;Case 2:燃气轮机正、负备用最大容量为实际电负荷的15%;Case 3:燃气轮机正、负备用最大容量为实际电负荷的20%。3组案例的备用容量、风险管控情况和弃风情况如图810所示,备用成本、弃风成本和风险成本如表2所示。

      表 2  不同备用容量备用成本、风险成本及弃风成本对比

      Table 2.  Comparison of reservation cost, risk cost and wind curtailment cost of different reserve capacity

      场景弃风成本/元风险成本/元备用成本/元
      Case 107765.092182.48
      Case 238.974232.582903.60
      Case 3229.622498.773323.00

      图  8  预留备用容量对比

      Figure 8.  Comparison of reserve capacity

      图  9  不同备用容量风险管控情况对比

      Figure 9.  Comparison of risk control situation of different reserve capacity

      图  10  不同备用容量弃风情况对比

      Figure 10.  Comparison of wind curtailment

      图8-9所示,Case 1根据燃气轮机备用极限、风电预测误差累计分布逆函数满额预留了正、负备用容量,此时失负荷风险在一定程度上得到管控、但仍然较大,弃风风险仍较为严重;在Case 2中,允许燃气轮机预留的备用容量增加,失负荷风险、弃风风险进一步得到管控,失负荷风险基本被消除,但仍存在较大的弃风风险;在Case 3中,允许燃气轮机预留的备用容量进一步增大,失负荷风险被完全管控消除,弃风风险进一步下降但仍存在。

      图10所示,随着燃气轮机预留的备用容量不断增大,日前调度计划中的弃风量不断增加。如表2所示,随着燃气轮机预留的备用容量不断增大,风险成本下降,这意味着失负荷风险和弃风风险得到了有效控制,系统运行的可靠性得到了提升;然而,备用成本和弃风成本均不断上升。

      由仿真结果可知,若继续增加燃气轮机预留的备用容量,失负荷风险和弃风风险均有机会被完全消除,但会导致更加高昂的备用成本和更严重的弃风现象。燃气轮机预留的备用容量越大,代表燃气轮机的运行可调节区间越窄,从而降低了系统运行灵活性,加剧了弃风现象。上述结果启示区域能源互联网调度人员,若能够使用其他资源,如电动汽车电池、储能设备等,解放燃气轮机预留备用容量被挤压的运行调节区间,则可以扩大其运行范围,提升系统运行的灵活性,减少弃风。

    • 本文在建立区域能源互联网确定性优化运行模型的基础上,考虑风电预测误差这一随机变量,进一步研究建立了含燃气轮机备用容量机会约束的随机优化运行模型,并通过加入风险成本目标函数对风电并网造成的不确定性运行风险进行了量化分析。仿真结果表明,所提方法能够有效管控失负荷风险和弃风风险,在提高系统运行可靠性的同时,兼顾系统运行和燃气轮机备用的经济性;但完全消除运行风险还需要燃气轮机预留更多的备用容量,同时启示调度人员挖掘更多的灵活备用容量,如分布式储能、负荷侧资源等,以解放燃气轮机的运行调节区间,降低备用成本和弃风成本。后续研究工作将从可靠地聚合负荷侧资源,为区域能源互联网补充备用容量深入展开。

      致 谢

      感谢国电南瑞科技股份有限公司科技项目:区域综合能源系统协同仿真与数模混合实验验证技术研究对本文的支持,谨此深表感谢。

参考文献 (24)

目录

    /

    返回文章
    返回