大规模风电并网下基于多场景模拟的热‑电联合调度方法

摘要

本发明提供一种大规模风电并网下基于多场景模拟的热‑电联合调度方法，对风电随机性与波动性的考虑通过多场景模拟和场景削减来实现，充分考虑风电的出力特性；并在此基础上，改变传统热电联产机组“以热定电”的运行方式，引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷，使得热电联产机组的出力更为灵活，满足系统调峰及风电消纳要求，同时以分布式热泵消耗的电功率有效地跟踪风电出力的波动，消耗过剩的风电出力来满足供暖的需求，降低系统供暖所花费的能耗，为我国热电联产的发展及新能源消纳提供有力保障。

说明书

技术领域

本发明属于电力系统热电联供及新能源并网问题领域，涉及电力系统中各类型热电机组运行方式安排及对新能源并网问题的考虑，具体涉及大规模风电并网下基于多场景模拟的热-电联合调度方法。

背景技术

中国经济的持续高速发展，带来了能源需求的快速增长，而中国一次能源消耗的70％-80％由煤炭为主的化石燃料贡献。随着能源消耗、污染排放的日益增加和化石能源的日益枯竭，可再生能源的开发受到了越来越广泛的重视。一方面，化石燃料作为不可再生能源，不可避免的逐渐枯竭，对社会的可持续发展带来巨大压力；另一方面，燃烧化石燃料排放的温室气体和粉尘等，造成环境污染，对构建生态文明提出了巨大的挑战。因此，节能减排已经上升到了国家战略层面的高度。从供给侧角度看，开发利用风电等新能源，可以有效地改善传统的能源结构；从消费侧角度看，包括采暖和电力需求的城市生活能耗巨大，综合利用多种能源，可以有效地提高新能源利用效率。

然而，由于风电出力的随机性与波动性，进一步加剧了以燃煤发电机组为主的中国北方电网的运行调峰问题。我国北方地区同时存在着大规模的风电机组和高比例的热电联产机组，面对巨大的采暖需求和风电消纳问题，传统的电力系统电源投资和调度运行方法难以解决。

热电联产作为一种有效地节能技术，能够同时满足城市用热和用电需求。它将火电厂已废弃的蒸汽从气缸中抽出而供给工业或家庭用户使用，使得火电厂的能源效率大幅度提高，与热电分产相比，热电联产效率可以提高30％以上，集中供热效率更比分散小锅炉提高40％。另外相对于分散式小锅炉，热电厂锅炉容量更大、烟囱更高，有着很好的除尘效果，可实现炉内脱硫除硝，因而其具有极大的环境效益和社会效益。“十二五”规划期间，我国北方地区的城镇65％以上的建筑面积冬季采暖采用了不同规模的集中供热方式，其中热电联产在集中供热热源中的比例达到约50％，并且50-300兆瓦容量的抽凝式燃煤热电联产机组占有相当大的比例。鉴于目前城镇集中供暖中还存在着大量低效的分散式小锅炉，同时伴随着我国城市化的进程，采暖需求的不断增加，热电联产仍有具有广阔的发展前景。热电机组的效率又与热电机组的运行工况密切相关，一般在额定热负荷下取得最优效率，所以中国北方地区现存燃煤热电联产机组往往被要求按照“以热定电”模式运行，这就导致热电联产机组灵活调节能力非常有限。

因而，考虑如何打破热电机组“以热定电”的约束及如何考虑风电的随机性与波动性，提高新能源消纳能力，需要进行深入的研究，建立大规模风电并网下基于多场景模拟的热-电联合调度方法。

发明目的

本发明的目的在于针对电力系统缺少对于热电机组的优化调度的现状及风电等新能源并网困难的问题，同时针对现有方法的不足，提供一种大规模风电并网下基于多场景模拟的热-电联合调度方法，引入多场景模拟，同时兼顾风电的随机性与波动性，重点进行热电联产机组、热泵及室内温度变化情况的建模及优化调度模型，以此提升风电的并网消纳能力。

为了实现上述目的，本发明采用的技术方案如下：

一种大规模风电并网下基于多场景模拟的热-电联合调度方法，包括以下步骤：

1)考虑风电出力的随机性与波动性，模拟生成大量风速场景集合；风速预测以电网历史实测风速数据为基础，将其作为初始预测风速，采用ARMA(1,1)模型和Monte Carlo方法来模拟风速误差，从而生成风速预测误差序列；将得到的风速预测误差序列与初始预测风速结合即得到某一场景下各时段内的预测风速，进而通过不断重复以上过程生成大量风速场景集合；

2)将生成的大量风速场景集合进行场景削减，得到具有代表性的有限个场景集合，并转化为风电出力场景集合；场景削减的基本思想是使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小；场景削减采用结合场景树的形成方法，将相似的场景加以聚类分析，去除低概率场景，从而形成有限数量的具有较大概率值的典型风速场景集合，并以此来逼近原始的大量风速场景集合；

3)考虑热电机组特性，构建热电联供电力系统调度模型；以机组组合模型为基础，通过在调度周期内合理安排各机组的出力和启停情况，从而满足负荷要求，使系统运行费用最低或者经济效益最高；热电联供电力系统调度模型下，由于考虑削减后的多个风电出力场景集合，系统的相关约束和目标函数也相应产生变化，目标函数及最终求取的所有参数均取为期望值；模型考虑使得系统的发电能耗和供热能耗最小，热电联供电力系统调度模型的目标函数为：

式中：ε是为表征风电随机性而引入的随机变量，描述由风电不确定性所产生的场景；p_ε为场景ε发生的概率；Ω为所有场景的集合；N_h和N_n分别为所有抽汽凝汽式机组和纯凝气式火电机组的集合；T为所有时段的集合；dt为时间段之间的间隔单位；H_i,t,ε为抽汽凝汽式机组i在时间段t提供的供热出力；和为抽汽凝汽式机组i的煤耗系数；为抽汽凝汽式机组i的启动煤耗系数；和为纯凝汽式机组i的煤耗系数；为纯凝汽式机组i的启动煤耗系数；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内分别向电网出力情况；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的开机状态，开机为1，停机为0；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的启停状态，正在启动为1，不在启动为0；

热电联供电力系统调度模型的约束条件包括：

(1)机组功率上下限约束

(2)机组爬坡速率约束

(3)机组最小启停时间约束

(4)热电机组热-电工况约束

(5)系统功率平衡约束

(6)系统热功率平衡约束

(7)热电机组热功率上下限约束

(8)系统备用功率约束

(9)实时风电出力约束

式中：P_i^h,max和P_i^h,min是抽汽凝汽式机组i出力的上下限；P_i^n,max和P_i^n,min是纯凝汽式机组i出力的上下限；和是抽汽凝汽式机组i的上下爬坡速率；和是纯凝汽式机组i的上下爬坡速率；T_i^h,on和T_i^h,off分别为抽汽凝汽式机组i的连续运行时间及连续停运时间；T_i^h,U、T_i^h,D为抽汽凝汽式机组i的最小开停机时间；T_i^n,on和T_i^n,off分别为纯凝汽式机组i的连续运行时间及连续停运时间；T_i^n,U、T_i^n,D为纯凝汽式机组i的最小开停机时间；和是抽汽凝汽式机组i的热比系数；W_t.ε为场景ε下时段t内的风电机组的出力；为场景ε下时段t内风电的预测出力；D_t和是时段t内的系统电负荷和热负荷；η_loss为供暖损失率；为抽汽凝汽式机组i的最大热功率；P^pos,load和P^neg,load为系统针对负荷预留的正负旋转备用容量；P^pos,wind和P^neg,wind为系统针对风电预留的正负旋转备用容量；

通过以上热电联供电力系统调度模型，能够对电源决策得到的规划模型进行典型日的分析校验，判断该规划方案是否存在电力不足或者调峰不足的情况；同时，分析系统中各类机组的运行情况，判断方案的优劣；

4)进一步引入分布式热泵，构建热电综合控制的电力系统调度模型；热电综合控制的电力系统调度模型的目标函数同热电联供电力系统调度模型的目标函数，引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷；一方面，分布式热泵的引入解耦了“以热定电”的约束，使得热电联产机组的出力更为灵活，具有更大的调节范围，从而满足系统的调峰要求；另一方面，分布式热泵消耗的电功率有效地跟踪风电出力的波动，从而消耗过剩的风电出力来满足供暖的需求，降低系统供暖所花费的能耗，同时还向电网提供一定的调峰能力；原本系统的热负荷仅由热电联产机组承担，引入分布式热泵后，将分摊一部分热电联产机组的热负荷，进而系统热功率平衡约束变为：

式中：N_e为分布式热泵的数量；为分布式热泵i在时间段t提供的供热出力；

同时，分布式热泵还需要满足功率上下限约束及热泵性能系数COP的约束：

式中：为分布式热泵i的最大供热出力；为分布式热泵i在时间段t内消耗的电功率；

此外，系统电功率平衡约束也将发生改变，分布式热泵消耗的电功率将增加系统的负荷，因而变为：

有益效果

与现有的热电联产安排方法相比，本发明具有如下突出的有益效果：

本发明提供了一种大规模风电并网条件下有效提高热电联供机组运行效率、能源利用效率及风电并网规模的调度运行模型。其运用多场景模型，充分考虑了风电的随机性与波动性，保证了对于风电模拟的准确度；同时采用了场景削减法，保证了模型运行的速度。

此外，现有热电联供机组大多采用“以热定电”的运行方式，由于较大的热负荷存在，热电联产机组需要以较高的负载率运行，因而整体系统的调峰能力很差。同时风电出力具有随机性、波动性和不可控性，对系统的调峰、调频能力带来了进一步的考验，进而限制了风电并网，造成了十分严重的弃风现象发生。本发明针对以上现象引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷。一方面，分布式热泵的引入解耦了“以热定电”的约束，使得热电联产机组的出力更为灵活，具有更大的调节范围，从而可以满足系统的调峰要求。另一方面，分布式热泵消耗的电功率可以有效地跟踪风电出力的波动，从而消耗过剩的风电出力来满足供暖的需求，降低系统供暖所花费的能耗，同时还可以向电网提供一定的调峰能力，以此提升风电的消纳能力，具有较好的经济、环境和社会效益。

附图说明

图1为风机典型出力曲线。

具体实施方式

本发明大规模风电并网下基于多场景模拟的热-电联合调度方法，其基本原理为考虑风电的随机性与波动性，利用ARMA(1,1)模型和Monte Carlo方法模拟生成大量风电场景，并基于场景削减技术得到具有代表性的有限个场景集合，从而建立风电出力模型，用于调度模型对于调峰等相关问题的研究。其次考虑热电联产技术，并在用户侧引入分布式热泵，在上述技术的基础上建立大规模风电并网下基于多场景模拟的热电联供调度模型，分析系统的运行情况、风电的消纳情况及调峰问题。

1.风速与风电场出力场景生成模型

本发明考虑风电的随机性与波动性，利用ARMA模型和Monte Carlo方法模拟生成大量风电场景，并基于场景削减技术得到具有代表性的有限个场景集合，从而建立风电出力模型，用于调度模型对于调峰等相关问题的研究。

1.1风速场景生成

风速预测以电网历史实测风速数据为基础，将其作为初始预测风速，本发明采用ARMA(1,1)模型和Monte Carlo方法来模拟风速误差，从而生成风速预测误差序列。采用的误差模型如下式所示：

ΔV_t＝αΔV_t-1+Z_t+βZ_t-1(1)

式中：ΔV_t为时段t内风速的预测误差；Z_t为服从标准差为σ_z的正态分布的随机变量；α和β为相关参数。

将得到的风速预测误差序列与初始预测风速结合即可得到某一场景下各时段内的预测风速，进而通过不断重复以上过程生成大量风速场景集合。

1.2场景削减

由1.1可以得到大量风速场景集合，如果对得到的每一个场景都进行分析，显然所需的计算量过于巨大且没有必要，因而需要进行场景削减。场景削减的基本思想是使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小，即在给定需要削减的场景数目的情况下，通过相应的削减方法令式(2)的取值最小。

式中：p_i为场景i发生的概率；P_i^w及为风电场在场景i和j下输出功率的时间序列，如时段T内的场景i(T)序列为J为场景削减过程中最终被消去的场景所组成的集合；为场景i和j间的距离，用(3)式表示。

现有的研究中，快速前推法和改进后推算法广泛应用于含随机变量的电力系统分析计算当中，当目标场景数小于原场景数的四分之一时，快速前推法具有较好的逼近精度和较快的计算速度。基于此，本发明结合场景树的形成方法，将相似的场景加以聚类分析，去除低概率场景，从而形成有限数量的具有较大概率值的典型风速场景集合，并以此来逼近原始的大量风速场景集合。

1.3风电出力生成

风机的典型出力曲线如图1所示：

本发明利用以下分段函数来近似表示风电机组输出功率与风速之间的关系：

式中：W_i,t为风电机组i在时段t内的输出功率；v_t为时段t内的风速；v_ci、v_r和v_co分别为切入风速、额定风速和切出风速；A、B、C、D为拟合参数；P_r为风电机组的额定输出功率。

利用式(4)及削减后的风速场景，即可生成相应的风电出力场景集合。

2.电力系统热电联供灵活调度模型

热电联供电力系统调度模型以机组组合模型为基础，通过在调度周期内合理安排各机组的出力和启停情况，从而满足负荷要求，使系统运行费用最低或者经济效益最高。本发明针对风电的随机性与波动性对电力系统日前调峰的影响，通过引入分布式热泵分担热电联产机组的热负荷，从而打破“以热定电”的约束，实现对热负荷的灵活调度以及热电联产机组和分布式热泵的联合调峰，建立考虑大规模风电接入的热电综合控制的电力系统调度模型。

2.1热电联供电力系统调度模型

假定热电联产机组均为抽汽凝汽式热电机组，其余火电机组为纯凝汽式火电机组。热电联供电力系统调度模型下，由于考虑削减后的多个风电出力场景集合，系统的相关约束和目标函数也相应产生变化，目标函数及最终求取的相关参数均取为期望值。模型考虑使得系统的发电能耗和供热能耗最小，因而热电联供电力系统调度模型的目标函数为：

式中：ε是为表征风电随机性而引入的随机变量，描述由风电不确定性所产生的场景；p_ε为场景ε发生的概率；Ω为所有场景的集合；N_h和N_n分别为所有抽汽凝汽式机组和纯凝气式火电机组的集合；T为所有时段的集合；dt为时间段之间的间隔单位，如T取一天24个点，则dt为1，如T取一天96个点，则dt为0.25；H_i,t,ε为抽汽凝汽式机组i在时间段t提供的供热出力；和为抽汽凝汽式机组i的煤耗系数；为抽汽凝汽式机组i的启动煤耗系数；和为纯凝汽式机组i的煤耗系数；为纯凝汽式机组i的启动煤耗系数；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内分别向电网出力情况；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的开机状态，开机为1，停机为0；和分别为场景ε下，抽汽凝汽式机组和纯凝气式火电机组i在时间段t内的启停状态，正在启动为1，不在启动为0。

热电联供电力系统调度模型的约束条件包括：

(1)机组功率上下限约束

(2)机组爬坡速率约束

(3)机组最小启停时间约束

T_i^h,on≥T_i^h,U

T_i^h,off≥T_i^h,D(12)

T_i^n,on≥T_i^n,U

T_i^n,off≥T_i^n,D(13)

(4)热电机组热-电工况约束

(5)系统功率平衡约束

(6)系统热功率平衡约束

(7)热电机组热功率上下限约束

(8)系统备用功率约束

(9)实时风电出力约束

式中：P_i^h,max和P_i^h,min是抽汽凝汽式机组i出力的上下限；P_i^n,max和P_i^n,min是纯凝汽式机组i出力的上下限；和是抽汽凝汽式机组i的上下爬坡速率；和是纯凝汽式机组i的上下爬坡速率；T_i^h,on和T_i^h,off分别为抽汽凝汽式机组i的连续运行时间及连续停运时间；T_i^h,U、T_i^h,D为抽汽凝汽式机组i的最小开停机时间；T_i^n,on和T_i^n,off分别为纯凝汽式机组i的连续运行时间及连续停运时间；T_i^n,U、T_i^n,D为纯凝汽式机组i的最小开停机时间；和是抽汽凝汽式机组i的热比系数；W_t.ε为场景ε下时段t内的风电机组的出力；为场景ε下时段t内风电的预测出力；D_t和是时段t内的系统电负荷和热负荷；η_loss为供暖损失率；为抽汽凝汽式机组i的最大热功率；P^pos,load和P^neg,load为系统针对负荷预留的正负旋转备用容量；P^pos,wind和P^neg,wind为系统针对风电预留的正负旋转备用容量。

通过以上热电联供电力系统调度模型，即可对电源决策得到的规划模型进行典型日的分析校验，判断该规划方案是否存在电力不足或者调峰不足的情况。同时，分析系统中各类机组的运行情况，判断方案的优劣。

2.2热电综合控制的电力系统调度模型

上述热电联供电力系统调度模型为“以热定电”的电力系统运行方式，由于较大的热负荷存在，热电联产机组需要以较高的负载率运行，因而整体系统的调峰能力很差。同时风电出力具有随机性、波动性和不可控性，对系统的调峰、调频能力带来了进一步的考验，进而限制了风电并网，造成了十分严重的弃风现象发生。本发明通过引入位于用户侧的分布式热泵来分摊热电联产机组承担的热负荷。一方面，分布式热泵的引入解耦了“以热定电”的约束，使得热电联产机组的出力更为灵活，具有更大的调节范围，从而可以满足系统的调峰要求。另一方面，分布式热泵消耗的电功率可以有效地跟踪风电出力的波动，从而消耗过剩的风电出力来满足供暖的需求，降低系统供暖所花费的能耗，同时还可以向电网提供一定的调峰能力。

该模型的目标函数和大部分约束条件同2.1热电联供电力系统调度模型一致。不同之处在于：

(1)系统热功率平衡约束发生改变

原本系统的热负荷仅由热电联产机组承担，引入分布式热泵后，将分摊一部分热电联产机组的热负荷，进而式(16)变为：

式中：N_e为分布式热泵的数量；为分布式热泵i在时间段t提供的供热出力。

同时，分布式热泵还需要满足功率上下限约束及热泵性能系数COP的约束：

式中：为分布式热泵i的最大供热出力；为分布式热泵i在时间段t内消耗的电功率。

(2)系统电功率平衡约束发生改变

分布式热泵消耗的电功率将增加系统的负荷，因而式(15)则变成：

其余约束条件和2.1热电联供电力系统调度模型一致。该模型的建立大大增加了系统运行的灵活性，有利于风电的大规模并网。