计及风电不确定性优化调度研究综述

计及风电不确定性优化调度研究综述

曹睿

新疆华电苇湖梁新能源有限公司

摘 要：目前我国经济水平和各行业的快速发展，我国风电是我国的主要能源。优化调度是一个规模庞大而复杂的工作，其各分支领域的研究虽有共性，但优化调度各分支领域目标函数、约束条件及解决的问题却截然不同。其次，已有的风电不确定性模型更是繁杂，各种用于处理风电不确定性的模型各具特色，互有优劣，适用于优化调度不同领域。因此，有必要对现有的计及风电不确定性优化调度研究成果进行梳理，以理清计及风电不确定性优化调度相关概念及基本问题，归纳尚待解决的问题，为进一步开展该领域的研究工作提供参考和借鉴。

关键词：风电；置信风险；源网协调；多目标优化调度

引言

建立了微型热电联产与智能家电协调运行模型，采用负荷聚合方法来集中分散的住宅负荷需求响应能力，可得到聚合后需求-投标曲线来描述住宅用户群的需求响应特征。建立了计及需求响应与风电的日前随机优化调度模型，可有效得到住宅混合能源系统的优化运行策略及电力系统日前调度计划。仿真结果表明，所提模型及方法可有效提高风电利用率，降低住宅能源成本与电力系统运行成本，实现了电网与用户的双赢。

1风电功率预测误差相关性分析

对风电功率的时间相关性和风电功率预测误差与预测值的条件相关性分别进行分析。即各时段风电功率预测误差的线性相关系数，横、纵坐标轴表示各时段，不同颜色代表预测误差线性相关系数的大小，图例展示了对应的数值。可以看出，相邻时段的风电功率预测误差表现出较强的时间相关性。考虑时间相关性能够有效推理出风电场景中的经常发生的持续偏差场景，而不是预测误差忽大忽小的场景，从而得到在各种可能场景下期望最优的调度方案。预测值较小时，预测误差较小且集中分布；而预测值较大时，预测误差相对更大且更分散。因此，需要根据不同的日前预测值得到不同的预测误差的分布，从而在日前调度中得到更合理的风电功率场景。

2计及风电不确定性优化调度

2.1FO利用隶属度函数表征模糊集，并利用模糊集描述风电功率的不确定性

因此模糊优化的关键在于隶属度函数的选取。为解决含有风电的系统优化调度过程中爬坡能力不足的问题，采用高斯型隶属度函数描述风电功率不确定性。为了使虚拟电厂在参与电力市场投标竞价中获取最大的利润，利用升半梯形隶属度函数描述风电功率的不确定性。使用降半梯形隶属度函数描述风电功率的不确定性。FO最大的优点是不会随着不确定参数数量的增加而显著增加问题的规模。因此，在计及风电不确定性的市场竞价机制、储能优化、ED及电动汽车充放电策略均已取得初步应用。但处理风电功率不确定性的模糊隶属度函数的选取尚未形成客观的方法，只能依赖于人为主观因素。

2.2计及风电置信风险的多目标优化调度分析

基于本文提出的计及风电置信风险的多目标优化调度方法，得到不同置信水平下源网协调优化调度风电置信风险越高，则系统综合运行成本越低，经济性越好，反之亦然。这说明风电并网具有良好的环境／经济综合效应，风电并网功率越大，综合经济效益越明显，但同时所带来的风电高估／低估综合风险也会越大，即高效益总是伴随着高风险。还会对优化调度的综合成本产生直接影响。置信水平越高，调度方案考虑的风电不确定性区间越大，方案越趋于保守，综合运行成本会越高，同时风电高估／低估综合风险也会越高。因此，帕累托前沿位置越靠右上方，反之亦然。因此，根据实际需求设定适当的置信水平，优化调整调度方案，可灵活控制调度决策的保守性，实现以较低的风险获得较好的经济性。在相同的置信水平下，源网协调优化调度的帕累托前沿分布更广，这是因为通过对电网侧变压器、无功补偿装置等可控资源的协调控制，电网传输电力的灵活性增强，系统安全裕度上升，对风电的接纳能力更强，则可允许采用更高风电置信风险和更低综合成本的优化调度方案。另外，相同的置信水平下源网协调优化调度的帕累托前沿更偏左下方，这说明和常规发电调度相比，源网协调优化调度的成本和风险总体都会更低。

2.3系统构成

IES一般是在某区域内由分布式电源(光伏阵列、风电机组等)、储能电站和综合能源负荷(供热负荷、空调负荷等)通过电力传输线连接组成。IES往往在建筑物屋顶装设光伏阵列，光伏发电优先满足用电需求，如果有剩余电量，可以售给大电网。由于风电和光伏发电有波动性和随机性，IES为了系统稳定必须和电网连接。当系统内负荷处于低谷时，若风能、光能较为充足，则相应的燃气轮机的出力减小，同时P2G机组(powertogas)和蓄电池开始工作;当负荷处于峰值阶段，若风力和光伏发电不足，则燃气轮机加大出力，储能系统同时放电支援，系统光能和风能若有剩余，可并入电网，充电到储能系统。由于需求响应比例对所提方法的效果有明显影响，计算不同需求响应比例的弃风量，横坐标上的100%表示所有拥有智能家电和微型热电联产的住宅用户都对实时电价做出响应，随着需求响应比例的增大，系统的弃风量逐渐减小。当需求响应比例达到65%时，由于电力系统中功率供需不匹配而导致的弃风现象几乎已全部消除，因此需求响应的效果开始趋于饱和。

2.4DRO

是一种SO与RO相结合的模型，基于概率分布函数中参数的不确定性，寻求最恶劣条件或场景下的风电功率概率分布，以刻画风电不确定性。因此，DRO同时具备SO与RO的优点，与SO和RO相比，采用DRO处理风电不确定性的优化调度模型求解可以同时兼顾求解时间、经济性及鲁棒性。计及风电不确定性优化调度的DRO模型可以分为分布鲁棒期望值模型、分布鲁棒机会约束(distributionallyrobustchance-constrained，DRCC)模型。分布鲁棒期望值模型又可依据处理风电不确定性DRO模糊集差异分为基于概率信息与矩信息两类，表征风电不确定性的DRO模糊集分类将在下一节进行详细论述。因此，DRO被广泛的应用于计及风电不确定性的备用容量优化、OPF、UC及ED等优化调度领域。RFP与FSP全面考虑了风电功率的随机性与模糊性，可以更加精准的描述风电功率的不确定性，但RFP与FSP模型复杂，求解时间长，且模型中均含有模糊变量，因此模型的求解精度依赖于决策者的主观经验。

3结语

风电大规模接入后，其出力的不确定性提高了对系统备用的要求。现有研究方法基于鲁棒、区间理论、场景法等对风电不确定出力进行处理，然而在不确定出力处理时由于没有严格区分并网功率和弃风功率，缺乏合理的量化，高估了规模化并网对电网的不确定功率冲击，计算结果趋于保守。分析了电力系统调度中的需求响应特点。然而，随着微型热电联产的应用，传统的负荷统计规律已不再适用于住宅混合能源系统。为了探讨此类负荷的需求响应特性，需建立相应的物理模型。

参考文献

[1]康重庆.能源互联网促进实现“双碳”目标[J].全球能源互联网，2021，4(3)：205-206.

[2]巩志皓，王程.基于风险的电–热综合能源系统风电消纳能力评估[J].全球能源互联网，2019，2(4)：325-332.

[3]陈寒，唐忠，鲁家阳，等.基于CVaR量化不确定性的微电网优化调度研究[J].电力系统保护与控制，2021，49(5)：105-115.

[4]王涛，胡丽，刘子菡，等.考虑灵活性需求与风电相关性的电力系统实时调度模型[J].全球能源互联网，2021，4(6)：585-594.

[5]于丹文，杨明，翟鹤峰，等.鲁棒优化在电力系统调度决策中的应用研究综述[J].电力系统自动化，2016，40(7)：134-143.