一种提高风电接纳能力的大容量储热储电协调调度方法

摘要

本发明一种提高风电接纳能力的大容量储热储电协调调度方法，属于电力系统与供热系统协调运行领域。本发明提出在火电机组、风电场及热电联产机组构成的多源系统日前计划的基础上，增加化学储能和储热电锅炉滚动计划和在线计划，通过滚动计划滚动地修正日内剩余储热‑储电发电计划，再由在线计划不断地调整，制定储热‑储电的基本运行点，最后在线计划及实际计划的小波动由自动发电控制储热‑储电系统承担。一方面，减小了常规热电机组热负荷峰值、“以热定电”必发电功率，利用夜间低谷电价期间储热和储电增加电网负荷谷值，从而为风电上网留出更大空间，提升风电接纳能力。

说明书

技术领域

本发明涉及电力系统与供热系统协调运行领域，特别是一种提高风电接纳能力的大容量储热储电协调调度方法

技术背景

风电固有的能量密度低、随机性、间歇性特点，导致其规模化并网危及电网运行的安全稳定，对电网调频和备用容量规划带来很大挑战，从而造成目前各大风电场弃风现象严重，严重影响经济效益。如果风电装机占装机总量的比例较小的时候，依靠传统电网技术以及增加水电、燃气机组等手段，基本可以保证电网安全；但如果所占比例达到10％甚至更高，电网的调峰能力和安全运行将面临巨大挑战。

大规模储能系统以其具有动态响应特性好、寿命长、可靠性高等特点，在提高电网风电接纳能力领域为国内外所关注。同时，近年来大容量电池储能技术得到了快速发展和应用，相应的技术路线逐渐清晰，一些典型的储能电池技术已经初步具备应用于电力系统调频、调峰等诸多方面。储能系统在电网运行过程中快速灵活的“身份”转换特性，与风电出力的时变特性形成互补，风储结合使风电出力变得相对“可控、可调”，提高了电网接纳风电能力。但电化学储能系统成本高，对含高占比风电的三北”电网系统适应性不强，仅能作单纯的系统调峰补充，对减小电网峰谷差，提高风电接纳能力作用有限。

一般来说，电网负荷高峰在白天，而夜晚处于低谷，与热网负荷、风电出力的峰谷特性正好相反，即热网负荷、风电出力与电网负荷的变化趋势成反向特性，而热网负荷与风电出力的变化趋势则大致成同向特性。由于弃风现象主要发生在夜间风电大发、热负荷高峰、电负荷低谷期间，如果此时能将风电转换成热网调峰热源，则既能提升风电消纳率，又能降低热电机组的供热峰值和“以热定电”必发电功率，提高电网调峰能力。风力发电本身具有反调峰的特点，而供暖用户又需要持续的热能供暖，因此单单依靠风电加热电锅炉提供供暖是不能完全解决稳定供暖的方案，为了保证给供暖用户提供稳定的热源，风电供暖系统中必须加入蓄热系统。近年来，蓄热系统发展进步较快，技术日趋成熟，蓄热系统效率可达2500MJ/m3以上，热效率可达 90％-97％。满负荷蓄热后，可单独持续稳定供暖24小时以上，峰值供暖8小时以上，完全满足风电供暖技术要求。但目前技术多数未考虑在电供热系统中加装蓄热装置，且其调节速度无法参与电力系统一次调频。

发明内容

本发明提出在火电机组、风电场及热电联产机组构成的多源系统日前计划的基础上，增加化学储能和储热电锅炉滚动计划和在线计划，通过滚动计划滚动地修正日内剩余储热-储电发电计划，再由在线计划不断地调整，制定储热-储电的基本运行点，最后在线计划及实际计划的小波动由自动发电控制储热-储电系统承担。

为实现上述目的，本发明有如下技术方案，具体步骤如下：

步骤1、建立日前计划调度模型，日前计划调度程序根据日前短期预测数据制定基本的日前计划，将基本调度方案送入到滚动计划调度程序中，日前计划的调度周期是24h，15min为1个调度时段，每隔24h更新1次，目标函数日前计划应以经济为目标，安全为约束，为鼓励风电上网，在该调度模型中不计风力发电成本，以系统总煤耗量最低为目标函数：

式中：F为系统总煤耗量，t；为t时段第i座热电厂第n台热电机组煤耗量，t/h；为t时段第j台火电机组煤耗量，t/h；T为 1个调度周期的总时段数；Δt为一个调度时段的时间间隔，h；R为热电厂总数；N_i为第i座热电厂热电机组数量；S为火电机组总数；

火电机组耗量特性方程：

F_CON＝a₀+a₁P+a₂P²(2)

式中：P为发电功率，MW；a₀a₁a₂为拟合系数

热电机组耗量特性方程：

F_CHP＝e₀+e₁P+e₂D+e₃P²+e₄PD+e₅D²(3)

式中：D为供热抽汽量，t/h；e₀～e₅为拟合系数。

步骤1.1、约束条件，约束条件包括供电平衡、供热平衡、机组出力约束、机组爬坡约束、储热电锅炉出力约束。

步骤1.1.1、供电平衡

式中：为t时段第i座热电厂第n台热电机组的电功率，MW；为t时段第j台火电电功率，MW；为t时段风电场总上网功率， MW；为t时段第i座热电厂所带第l个换热站调峰储热电锅炉消耗的电功率，MW；L_i为第i座热电厂所带换热站总数。

步骤1.1.2供热平衡

若不计供热系统一级网与二级网之间的换热损失，则供热系统按供热区域分别平衡：

式中：Q^t,i,j为t时段第i座热电厂所带第l个换热站(二级热网)热负荷，GJ/h；为t时段第i座热电厂所带第l个换热站(二级热网)调峰储热电锅炉热功率，GJ/h；为t时段第i座热电厂第n台热电机组供热功率，GJ/h，其表达式为

式中：D^t,j,n为t时段第i座热电厂第n台供热机组的抽汽量，t/h；ΔH为蒸汽焓降，kJ/kg。

步骤1.1.3、机组出力约束

D^min≤D≤D^max(8)

0≤P_CW≤P_WF(10)

式中：分别为火电机组出力上下限，MW；D^min、D^max分别为热电机组供热抽汽速率上下限，t/h；分别为热电机组供热抽汽速率为D时其电出力上下限，MW；P_WF为风电场预测功率，MW。

步骤1.1.4、机组爬坡约束

式中：分别为火电机组的爬坡、滑坡速率，MW/h；分别为热电机组的爬坡、滑坡速率，MW/h。

步骤1.1.5、储热电锅炉出力约束

式中：分别为储热电锅炉电功率上下限，MW。

步骤2、建立滚动计划调度模型，滚动计划调度程序根据扩展短期预测数据及机组实时运行数据滚动地修正日前计划，并将修正后的基本调度方案送入到在线计划调度程序中；在日前计划的基础上，滚动计划每隔4h更新1次，负责滚动更新1d内剩余时段的调度计划；本专利以蓄热式电锅炉联合储能的联合系统运行收益最大为目标函数，研究风电蓄热式电锅炉—电化学储能系统的优化调度运行问题，在非直供模式下，以收益最大为目标的目标函数为

式中：为t时段风电场利用蓄热式电锅炉和电化学储能消纳的弃风电量；为t时段向供热公司提供的热量；为t时段向电网公司的购电量；c₁为风电上网电价，元/(kw·h)；c₂为热量价格，元/kJ；>3为优惠购电价格，元/(kw·h)；从式(14)可以看出，总的收益函数由>

步骤2.1、t时段向供热公司提供的热量可以进一步表示为

式中：α为电转热系数，GJ(MW·h)；为t时段购电电量中用来加热电锅炉直接向管网供热的部分；为t时段蓄热罐向管网供热的热量；为t时段电化学储能放电的电量。从式(15)可以看出，向供热公司提供的热量由3部分组成，包括电锅炉直接供给供热公司的热量，电锅炉经蓄热罐蓄热后供给供热公司的热量以及电化学储能供给电锅炉转换后供给供热公司的热量。

步骤2.2、t时段系统向电网购电的电量可以进一步表示为

式中：为t时段购电电量中用来加热电锅炉为蓄热罐储热供热的部分；为t时段电化学储能存储充电的电量。从式(16)可以看出，从电网公司购电电量也可以分为3部分，分别为电化学储能储电电量，直接供给供热公司的电锅炉用电电量以及为蓄热罐加热的电锅炉的用电电量。

步骤2.3约束条件：约束条件包括消纳弃风约束、工况约束、储能储热装置能量约束、电锅炉功率约束、蓄热罐蓄热功率约束。

步骤2.3.1、弃风约束

本专利所研究的蓄热式电锅炉融合储能的优化控制方法是以消纳弃风为前提的，所以t时刻风电场向电网公司出售的弃风发电量应不大于风电场总的弃风电量即

步骤2.3.2、工况约束

在非直供电模式下，风电场分别同电网公司和供热公司具有不同的运行工况。不同工况对所研究的协调优化控制问题表现为不同的约束条件。

风电场与电网公司之间的购售电考虑2种情况。第一种情况是风电场每天允许在弃风时段增发固定的电量，这个电量也是每天蓄热式电锅炉在负荷低谷时段消纳的电量，是由工况规定的，即

还有一种工况情况，只要求蓄热式电锅炉在负荷低谷时段购电的电量不小于风电场利用弃风增发的电量即可，可以表示为

蓄热式电锅炉与供热公司的运行工况规定了每个时刻向供热公司供热的下限，即

在进行优化时，可以根据不同的工况情况，选择不同的工况约束。

步骤2.3.3、功率平衡约束

功率平衡约束包含蓄热式电锅炉的热功率平衡约束和电化学储能的电功率平衡约束，分别为：

步骤2.3.4、蓄热储能能量约束

蓄热罐每个时段的储热量应处于合理的范围之内，即

式中：Q_max为蓄热罐最大储热量；Q_min为蓄热罐最小储热量；

同理，储能电池的储电量应在适宜的荷电状态(stateofcharge, SOC)范围之内，即

式中：为t时段储能电池储电量；W_SOCmax、W_SOCmin分别表示荷电状态的最大值与最小值，一般取“0.2”，“0.8”。

步骤2.3.5、电锅炉功率约束

式中：为t时段电锅炉运行总功率，应小于电锅炉的最大功率 P_hmax。

步骤2.3.6、蓄热罐蓄热功率约束

受电锅炉功率约束限制，蓄热罐在t时刻增加的蓄热量为

步骤3、建立在线计划调度模型，在线计划调度程序根据超短期预测数据对修正后的调度计划进行实时调节，从而制定出与负荷匹配度较高的调度计划。在线计划以滚动计划为基本调度方案，每隔15 min更新1次，负责安排即将到来的下一时段实时调度计划，在线计划以储能储电系统调节成本最低为目标函数，考虑到鼓励风电上网的因素，在目标函数中加入弃风惩罚项，整合的目标函数如式(27)所示：

式中：为第i座储热电站第n台储热罐调节成本，为第j 台储能电池调节成本，γ为弃风惩罚系数，t/MW·h；P_WA为总弃风量，>

其中，储热罐的调节成本和储热罐的调节成本可以分别由式(28) 和式(29)表示：

式中：C_HST为储热罐调节成本，为在线计划储热罐发电成本，为滚动计划储热罐发电成本。

式中：C_BESS为储能电池调节成本，为在线计划储能电池热发电成本，为滚动计划储能电池供热发电成本。

步骤3.1、在线计划的约束条件包括日前计划中的电平衡约束、热平衡约束、机组出力约束、机组爬坡约束、储热电锅炉约束、化学储能电池约束、风电场约束。由于在线计划是单时段的静态优化，因此在线计划中的爬坡约束只需考虑与上一时段机组实际出力相衔接即可。在此基础上，在线计划在滚动计划制定的基本运行点上，也应有储能储电系统出力偏差约束，如式(30)所示:

式中：为t时刻在线计划各储能储电电功率，MW；β为约束乘子。

步骤4、引入粒子群优化算法对人工蜂群算法进行改进求解多时间尺度滚动调度模型，对陷入局部极值的个体在其现有的位置上拓宽一个领域作为粒子群优化算法的寻优范围重新进行搜索，加快算法跳出局部约束从而搜索到最优解。

步骤4.1、设第i个粒子的位置和速度分别为X_i＝(x_i1,x_i2,...,x_iD)和>i＝(v_i1,v_i2,...,v_iD)，其适应度是由一个被优化的函数值所决定的，粒子根据自身所经历过的历史最好位置P_best＝(p_i1,p_i2,...,p_iD)和整个种群所经历过的最好位置G_best＝(g_i1,g_i2,...,g_iD)对目前自身的速度和位置进行更新；

粒子在第k次迭代后，速度和位置的更新公式如下：

V_i,d(k+1)＝w·v_i，d(k)+c₁·r₁(P_best，d-x_i，d(k))

+c₂·r₂(G_best，d-x_i,d(k))(23)

x_i,d(k+1)＝x_i,d(k)+v_i,d(k+1)(24)

式中，j∈(1,2,...,N)，N为种群规模，d∈(1,2,...D)，D为搜索空间， x_i,d(k)为粒子i位置的第d维分量，v_i,d(k)为粒子i速度的第d维分量，P_best,d为粒子i最好位置的第d维分量，G_best,d为粒子群体中最好位置的第d维分量，r₁和r₂为[0，1]之间的随机数，c₁和c₂为局部加速因子和全局加速因子，w为惯性权重系数。

步骤4.2、求解流程

通过结合PSO算法，既考虑了当前的最优情况，又有全局的探索性，使得新侦察蜂在一定范围内做了更详细的寻优，使得侦察蜂性能优异，进而保证了全局优化的快速性。

步骤4.3、日前计划、滚动计划及在线计划的优化调度具体规划步骤如下：

步骤4.3.1、读入初始数据：包括潮流计算数据、控制变量的描述以及各种等式和不等式约束条件；输入各机组控制变量的维数和上、下限值及各时段热电负荷；设置蜂群及粒子群优化算法参数；

步骤4.3.2、初始化：人工蜂群算法和PSO的迭代次数均设为 0。在控制变量的取值范围内，随机产生种群x，对雇佣蜂的位置进行初始化，并且雇佣蜂的数量等于跟随蜂的数量；

步骤4.3.3、对每只雇佣蜂所对应的食物源进行收益度评价，并对食物源的位置进行更新。跟随蜂在所选食物源的邻域内进行搜索产生新的食物源，并按照轮盘赌的选择方式对食物源进行位置的更新。

步骤4.3.4、判断某个食物源在达到上限limit后，雇佣蜂是否将其更新，如果仍没有，则该雇佣蜂转为侦察蜂，利用粒子群算法更新位置；

步骤4.3.5、对更新后的食物源进行收益度评价。判断是否满足终止条件,若不满足终止条件,则转向步骤2；否则，跳出循环，输出最优调度指令。

步骤5、在日前计划的基础上，增加滚动计划和在线计划，通过滚动计划滚动地修正日内剩余发电计划，再由在线计划不断地调整，制定机组的基本运行点，最后在线计划与实际计划的小波动由自动发电控制机组承担。

有益效果：

本专利提出一种新型电–热联合系统协调调度方法，跳出传统电力系统范畴，利用电力和热力系统互补关系，提高资源优化配置能力，同时，解决其热电耦合关系与新能源并网之间的矛盾。具体考虑风电功率预测的基础上，在日前计划的基础上，增加滚动计划和在线计划，通过滚动计划滚动地修正日内剩余发电计划，再由在线计划不断地调整，制定机组的基本运行点，最后在线计划与实际计划的小波动由自动发电控制机组承担。一方面，减小了常规热电机组热负荷峰值、“以热定电”必发电功率，利用夜间低谷电价期间储热和储电增加电网负荷谷值，从而为风电上网留出更大空间，提升风电接纳能力。

附图说明：

图1为本发明提供的多源供热供电结构图；

图2为本发明提供的多时间尺度调度计划原理图；

图3为本发明提供的多源多时间尺度调度系统原理图；

图4为本发明提供的基于粒子群改进ABC的优化算法流程；

具体实施方法：

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好的理解本发明。

图1为多源供热供电结构图。

目前，储热罐大多数由风电场投资建设，因为在远离风电场的供热区，由于风电场与蓄热储能装置距离较远，新建线路由风场对锅炉进行直供电投资较大，因此目前大多采用非直供电模式，即风电场发电全部送入电网，储热罐再从电网购电供热，弃风发电和电锅炉购电的电价工况由风电场和电网公司协商确定。火电机组、风电场、热电联产机组、化学储能和储热罐的供电模式如图1所示。

图2为多时间尺度调度计划原理图。

电力、热力生产环节统一优化，实现电力系统与供热系统协调运行有利于消纳弃风。但风电出力、电负荷、热负荷的预测都有误差，且误差与预测时间呈正相关，导致单一的日前调度计划与实际负荷偏差较大，执行度不高，无法适应风电大规模并网后的电热联合调度。因此，本专利提出在日前计划的基础上，增加滚动计划和在线计划，通过滚动计划滚动地修正日内剩余发电计划，再由在线计划不断地调整，制定机组的基本运行点，最后在线计划与实际计划的小波动由自动发电控制机组承担。

日前计划调度程序根据日前短期预测数据制定基本的日前计划，将基本调度方案送入到滚动计划调度程序中，滚动计划调度程序根据扩展短期预测数据及机组实时运行数据滚动地修正日前计划，并将修正后的基本调度方案送入到在线计划调度程序中，在线计划调度程序根据超短期预测数据对修正后的调度计划进行实时调节，从而制定出与负荷匹配度较高的调度计划。

如图所示，日前计划的调度周期是24h，15min为1个调度时段，每隔24h更新1次；在日前计划的基础上，滚动计划每隔4h 更新1次，负责滚动更新1d内剩余时段的调度计划；而在线计划以滚动计划为基本调度方案，每隔15min更新1次，负责安排即将到来的下一时段实时调度计划，属于静态优化。

图3为多源多时间尺度调度系统原理图

通过自调节改进粒子群算法，编写日前计划、滚动计划及在线计划的优化调度程序，各优化调度程序按如下流程对电热联合系统执行多时间尺度滚动调度：

1)输入短期预测数据，运行日前计划优化程序，得到日前计划机组基本运行点，存储日前计划机组出力数据。

2)输入扩展短期预测数据，运行滚动计划优化程序，得到经滚动计划修正后的机组基本运行点，存储修正后的滚动计划机组出力数据。

3)输入超短期预测数据，不断运行在线计划优化程序依次对接下来4h内单时段机组出力进行优化，直到4h内在线计划全部制定完毕。

4)反复执行2)和3)，直到日内所有在线计划制定完毕。

按此方案，最终可得各时间尺度的调度计划。

图4为基于粒子群改进ABC的优化算法流程。

多时间尺度滚动调度模型是一个多维、非线性优化问题，基本人工蜂群算法在处理这样问题时收敛速度较慢，且容易陷入局部最优解。本专利在基本粒子群算法的基础上，加入粒子群算法提高全局搜索能力和快速的收敛速度。

人工蜂群算法是一种随机优化算法，通过模拟各蜜蜂个体的局部寻优行为，最终使全局最优值在群体中突现得到最优解，不必掌握任何的先验性信息，具有良好的鲁棒性和广泛的适用性。

蜂群算法中的引领蜂和跟随锋的食物源位置更新公式为：

V_ij＝S_ij+r_ij(S_ij+S_kj)(21)

式中，k∈(1,2,...L)，L为雇佣蜂的数量，j∈(1,2,...,N)，k≠j，r_ij为区间[-1，1]之间的随机数，且i≠j，它控制着邻域搜索空间的大小，随着问题最优解的逐步靠近，搜索的邻域空间也越来越小。S_ij为食物源当前的位置，S_kj为随机选的的邻域个体食物源位置。

观察蜂根据雇佣蜂分享的信息，对食物源选择按轮盘赌的方式选择，其概率P_i为：

式中，f(δ_i)为第i个食物源的收益度值。

基于粒子群优化ABC改进方法

传统ABC算法在迭代过程中，若某个蜜源被搜索更新的次数达到了预先的设定值，为了避免算法陷入局部极值，ABC算法必须对种群重新初始化重新搜索，但其对局部极值的利用忽视了个体极值的信息，采用随机生成的方式无法满足新蜜源的好坏程度，因此算法会带来无谓的迭代计算，降低了算法的收敛速度，进而影响了算法的全局寻优的能力。针对这种缺点本专利引入粒子群优化算法对其进行改进。粒子群优化算法具有很强的全局搜索能力和快速的收敛速度，对陷入局部极值的个体在其现有的位置上拓宽一个领域作为粒子群优化算法的寻优范围重新进行搜索，可加快算法跳出局部约束从而搜索到最优解。

设第i个粒子的位置和速度分别为X_i＝(x_i1,x_i2,...,x_iD)和>i＝(v_i1,v_i2,...,v_iD)，其适应度是由一个被优化的函数值所决定的，粒子根据自身所经历过的历史最好位置P_best＝(p_i1,p_i2,...,p_iD)和整个种群所经历过的最好位置G_best＝(g_i1,g_i2,...,g_iD)对目前自身的速度和位置进行更新。

粒子在第k次迭代后，速度和位置的更新公式如下：

V_i,d(k+1)＝w·v_i，d(k)+c₁·r₁(P_best，d-x_i，d(k))

+c₂·r₂(G_best，d-x_i,d(k))(23)

x_i,d(k+1)＝x_i,d(k)+v_i,d(k+1)(24)

式中，j∈(1,2,...,N)，N为种群规模，d∈(1,2,...D)，D为搜索空间， x_i,d(k)为粒子i位置的第d维分量，v_i,d(k)为粒子i速度的第d维分量，P_best,d为粒子i最好位置的第d维分量，G_best,d为粒子群体中最好位置的第d维分量，r₁和r₂为[0，1]之间的随机数，c₁和c₂为局部加速因子和全局加速因子，w为惯性权重系数。

求解流程

通过结合PSO算法，既考虑了当前的最优情况，又有全局的探索性，使得新侦察蜂在一定范围内做了更详细的寻优，使得侦察蜂性能优异，进而保证了全局优化的快速性。

日前计划、滚动计划及在线计划的优化调度具体规划步骤如下：

1：读入初始数据：包括潮流计算数据、控制变量的描述以及各种等式和不等式约束条件；输入各机组控制变量的维数和上、下限值及各时段热电负荷；设置蜂群及粒子群优化算法参数；

2：初始化：ABC和PSO的迭代次数均设为0。在控制变量的取值范围内，随机产生种群x，对雇佣蜂的位置进行初始化，并且雇佣蜂的数量等于跟随蜂的数量；

3：对每只雇佣蜂所对应的食物源进行收益度评价，并对食物源的位置进行更新。跟随蜂按照在所选食物源的邻域内进行搜索产生新的食物源，并按照轮盘赌的选择方式对食物源进行位置的更新。

4：判断某个食物源在达到上限limit后，雇佣蜂是否将其更新，如果仍没有，则该雇佣蜂转为侦察蜂，利用粒子群算法更新位置；

5：对更新后的食物源进行收益度评价。判断是否满足终止条件, 若不满足终止条件,则转向步骤2；否则，跳出循环，输出最优调度指令。