“双碳”目标是中国为应对全球气候变化、生态环境破坏和能源资源短缺等问题提出的重大国家发展战略。该战略旨在减少化石能源消耗,大力发展清洁能源,遏制气候变化,发展低碳经济,建设安全、绿色、可靠的低碳能源体系
[1 -2 ] 。为推进落实“双碳”目标,中国需要加快电力系统转型步伐。风能、太阳能等可再生能源兼具发展潜力大、可持续利用与清洁环保的特点,因此成为替代火电的首选能源。
随着风电、光伏在电力系统中的渗透率不断提升,其自身固有的间歇性与波动性给电力系统的安全稳定运行带来了巨大压力,同时这类新能源发电过程本身不具备可调节性,使得受负荷需求约束的电力系统在接纳大规模新能源时,往往面临严峻的调峰压力
[3 ] 。抽水蓄能储能系统作为一项技术成熟的储能方案,能够有效平抑大规模风光资源并网给电力系统带来的不稳定性;同时作为性能优异的调节电源,抽水蓄能储能系统对新能源消纳也有显著的促进作用
[4 -5 ] 。因此,依托抽水蓄能储能作为调节电源,在电源侧实现其与风电、光伏、火电的联合互补发电,是提升风光消纳能力、保障电网稳定运行的有效途径
[6 ] 。
中国抽水蓄能的发展起步于20世纪60年代,率先建成了岗南、密云两座小型抽水蓄能电站;到20世纪90年代,华北、南方等地区陆续建成十三陵、天荒坪、泰安等一批抽水蓄能电站;进入21世纪后,随着新能源与特高压输电快速发展,为保障区域电力系统安全稳定运行,大量抽水蓄能电站陆续开工建设。结合各省份公开数据统计,当前中国至少有50座抽水蓄能电站处于在建状态。目前,全国各地区均将抽水蓄能电站的容量规划纳入能源发展规划,并将其列为重点研究内容
[7 ] 。
与常规水电站相比,抽水蓄能电站的运行受汛期丰枯、水库调度方式等条件的影响更小,同时它也是当前技术条件下技术最成熟、规模最大、调峰效果最优的储能电源
[8 -9 ] 。目前,中外针对抽水蓄能电站的容量规划研究,大多以各类机组联合运行场景为基础,结合抽水蓄能电站自身的综合投资与收益分析来开展评价。
曹昉等
[10 ] 根据机组可调容量与装机容量的比值,明确了调峰容量比的定义,将其作为衡量机组调峰能力的核心指标,并通过实例验证了该指标可作为具备调峰能力机组的容量规划指标的适用性。林俐等
[11 ] 以抽蓄储能系统的投资与运行成本最优为目标函数,针对新能源大规模接入电力系统的问题,提出了抽蓄储能容量多时间尺度迭代优化模型。随着新能源发电技术的不断成熟与普及,在开展抽蓄储能容量规划工作时,单纯考虑火力发电已经难以适配当前电力系统的发展需求。此外,“双碳”目标提出后,抽蓄储能容量规划不仅需要考虑传统的经济效益。例如,建设运维成本与储能收益,还需要对燃煤消耗、污染治理排放等方面进行全面的分析统计。
随着“双碳”目标的提出,风电、光伏等新能源的建设投产已经进入高速发展阶段,抽水蓄能电站的规划建设也在这一大背景下逐步提速,行业发展需要同时牢牢抓住大力发展新能源、保障电力系统安全稳定运行两大核心目标
[12 -14 ] 。因此,开展抽水蓄能电站容量规划相关研究十分必要。
在对含新能源的电力系统开展优化经济调度时,通常需要先对新能源出力进行预测。当前,新能源出力预测方法存在多种分类标准。按照预测对象的差异,可分为直接预测与间接预测。直接预测大多依靠统计方法或智能算法完成预测,间接预测则基于风速、光照强度、温度等新能源出力影响因素,结合其与出力的对应关系开展预测。按照预测结果的形式划分,可分为确定性预测与不确定性预测。确定性预测输出的是不同时刻对应的新能源出力确定值,也就是新能源出力的点预测值
[15 -17 ] 。
迄今为止,已有大量学者对新能源出力的确定性预测开展了深入研究:王志远等
[18 ] 介绍了基于空间相关性的长短期神经网络(long short-term memory,LSTM)预测方法,该方法充分利用LSTM神经网络对时间序列数据的强大处理能力,同时结合光伏电站之间的时空相关性,完成光伏出力预测,最终得到了精度较高的预测结果。何湘艳等
[19 ] 介绍了基于BP(back propagation)神经网络的风电功率超短期预测系统,通过BP神经网络得到了风电功率的超短期预测结果。但无论是BP神经网络还是LSTM,作为单一学习算法都存在一定局限性,如鲁棒性较差、易受噪声干扰、适用场景有限等
[20 -23 ] 。为解决这一问题,可考虑采用优化算法提升单一算法的性能。梁亚峰等
[24 ] 提出了结合完全经验模态分解(complete ensemble empirical mode decomposition,CEEMD)与LSTM的光伏短期功率预测模型,利用CEEMD分解环境信号,提升输入数据的准确度,进而辅助LSTM在复杂气象条件下得到更精准的光伏短期功率预测结果。该算例表明,相较于单一LSTM算法,CEEMD-LSTM算法在光伏短期功率预测中具备更优的预测精度与稳定性。程杰等
[25 ] 利用灰狼优化算法(grey wolf optimizer,GWO)优化卷积神经网络(convolutional neural network,CNN)与双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)构成的组合模型,采用GWO-CNN-BiLSTM搭建超短期风电预测模型。该算例表明,相较于单一的CNN与BiLSTM,CNN-BiLSTM算法在短期风电功率预测中拥有更高的精度,而GWO-CNN-BiLSTM又比CNN-BiLSTM在风电超短期功率预测中获得了更高的预测精度。由此不难发现,采用优化算法改进单一算法性能的思路,在新能源发电功率预测领域具备很高的适用性与可行性。
新能源出力不确定性的预测主要分为概率性预测和区间预测两类。概率性预测主要用于反映新能源出力预测值具备的概率属性,区间预测则可以得到新能源出力的预测区间,用以表示新能源出力可能的波动范围,能够直观体现新能源出力的不确定性,对电力系统的优化调度与安全稳定运行具有十分重要的参考价值。殷豪等
[26 ] 将风电数据中的噪声成分进行模糊信息粒化处理,挖掘出噪声成分中的最小值、平均值和最大值,并将其输入极限学习机模型实现了区间预测。阿合朱力·吾木尔吾扎克等
[27 ] 在风电点功率预测模型的基础上,利用自适应核密度估计建立了风电区间预测模型,让模型能够更准确地描述风电功率的波动规律,为电网运行提供了更多更可靠的预测依据。上述研究提出的区间预测方法用于风电功率分析,为解决新能源出力预测的随机性问题提供了新的思路与方向
[28 -29 ] 。利用新能源出力区间预测信息开展电力系统经济调度工作,一方面可以通过预测新能源出力的可能波动区间,制定适配最优场景的备用容量配置方案,从而降低新能源随机性引发的弃风弃光或切负荷风险,提升调度计划的鲁棒性;另一方面,可以依托新能源出力的区间预测结果,对新能源的“可调度潜力”进行评估。
1 基于PSO-BP算法的新能源出力预测
1.1 方法选择
目前,已有多种优化算法被用于改进单一预测模型的性能,如遗传算法优化BP神经网络算法(genetic algorithm-optimized back propagation neural network,GA-BP)、模拟退火优化BP神经网络(simulated annealing-optimized back propagation neural network,SA-BP)以及粒子群优化BP神经网络算法(particle swarm-optimized back propagation neural network,PSO-BP)等。其中,PS-OBP神经网络算法凭借其全局搜索能力强、参数自适应、鲁棒性良好且易于实现等优势,选作本文预测方法。各方法性能对比如
表1 所示。
1.2 PSO-BP神经网络算法
神经网络是人工智能领域中的一个重要分支,而PSO和BP神经网络是神经网络中的两个重要算法。
PSO-BP神经网络结合了粒子群优化和反向传播神经网络算法两者的优点。这种算法通过粒子群优化算法的全局搜索能力来找到最优解,然后利用BP神经网络对问题进行进一步的精细调整,进而得到更加准确的结果。
PSO-BP神经网络,结合了PSO和BP算法的优势:PSO优化BP神经网络的权重和偏置,避免随机初始化导致的局部最优,同时保留了BP的反向传播机制,确保网络能学习更复杂的数据模式,从而进一步提高算法的非线性拟合能力。此外,PSO的群体搜索机制也可以帮助BP跳出不良初始点,提高收敛到全局最优的概率。
PSO-BP神经网络的流程如
图1 所示,算法步骤如下。
(1) 初始化粒子群和神经网络。
(2) 利用PSO算法对粒子群进行全局搜索,找到最优解。
(3) 将最优解作为BP神经网络的输入,然后通过反向传播算法对神经网络进行训练。
(4) 更新粒子群和神经网络的参数。
(5) 判断是否达到终止条件,如果没有则继续重复步骤(2)~步骤(4),直到达到预设的终止条件后停止。
1.3 PSO-BP预测新能源出力
利用PSO-BP神经网络对风电出力进行预测主要步骤包括:数据准备与预处理、BP网络结构初始化、PSO参数设置、PSO优化BP网络权值、网络训练与预测和性能评估。具体流程图如
图2 所示。
(1)数据准备与预处理。将影响输出功率的相关数据导入预测模型中,并将影响输出功率的气象因素设为输入,将实际输出功率设为输出。同时,将前五天的数据设置为训练集,用于训练模型,将随后一天的数据设置为测试集,用于测试模型的性能。并将功率数据进行归一化处理,计算公式为
(1) ${\mathit{x}}_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}=\frac{\mathit{x}-{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{x}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$
式(1)中:x norm 为归一化处理后的功率;x 为原始输入功率;x min 为实际输出功率最小值;x max 为实际输出功率最大值。
(2)BP网络结构初始化。设置BP神经网络的参数,包括:输入层节点数、隐藏层节点数和输出层节点数。其中,输入层节点设置为M 1 ,对应输入的M 1 个气象信息,输出节点数对应1个输出,对应输出功率,而隐藏层节点依据实验调整确定。
(3)PSO参数设置。设置PSO优化算法的参数,包括:学习因子(包括认知学习因子c 1 和社会学习因子c 2 )、种群规模、最大迭代次数、速度与位置范围等;并将粒子的位置和速度进行初始化。
(4)PSO优化BP网络权值。速度更新公式为
(2) ${\mathit{V}}_{\mathit{j}}^{\mathit{i}+1}={\mathit{V}}_{\mathit{j}}^{\mathit{i}}+{\mathit{c}}_{1}{\mathit{r}}_{1}({\mathit{g}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}\mathit{j}}-{\mathit{p}}_{\mathit{j}}^{\mathit{i}})+{\mathit{c}}_{2}{\mathit{r}}_{2}({\mathit{p}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}\mathit{j}}-{\mathit{p}}_{\mathit{j}}^{\mathit{i}})$
位置更新公式为
(3) ${\mathit{p}}_{\mathit{j}}^{\mathit{i}+1}={\mathit{p}}_{\mathit{j}}^{\mathit{i}}+\mathit{\chi }{\mathit{V}}_{\mathit{j}}^{\mathit{i}+1}$
式中:
${\mathit{V}}_{\mathit{j}}^{\mathit{i}+1}$ 为粒子在第
i +1次迭代时,在第
j 维上的新速度;
r 1 和
r 2 为在[0,
1 ]范围内均匀分布的随机数;
g bestj 为整个种群到目前为止找到的全局最优位置在第
j 维上的值;
p bestj 为当前粒子自身到目前为止找到的个体最优位置在第
j 维上的值;
${\mathit{p}}_{\mathit{j}}^{\mathit{i}}$ 为粒子在第
i 次迭代时,在第
j 维上的当前位置;
χ 为约束因子。
(5)网络训练与预测。模型进行训练和预测,同时将得到的输出值进行反归一化处理,使其回到初始尺度,反归一化公式为
(4) ${\mathit{x}}_{\mathrm{p}\mathrm{r}\mathrm{e}}={\mathit{x}}_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}({\mathit{x}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}})+{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}$
式(4)中:x pre 为输出功率的预测值。
(6)性能评估。计算均方根误差(root mean square error,RMSE),并通过RMSE来衡量预测误差,计算公式为
(5) $\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{\sum _{\mathit{i}=1}^{\mathit{N}}({\mathit{y}}_{\mathrm{p}\mathrm{r}\mathrm{e}}-{\mathit{y}}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}{)}^{2}}{\mathit{N}}}$
式(5)中:y pre 为输出预测值;y true 为输出真实值;N 为样本数量。
1.4 仿真分析
基于新疆某地区的实测数据进行仿真分析,数据的采样间隔为15 min。预测模型基于MATLAB 2023a搭建。
1.4.1 风电功率预测
选取风速、风向、温度、湿度等9个影响因素作为输入,将功率作为输出。
将输入层节点数设为9,调节训练次数、学习因子、迭代次数等参数:对于训练次数,如果训练次数过少,会导致模型未能充分学习数据特征,从而导致预测误差变大,而过高的训练次数会使模型的泛化能力变差,并且会增加计算成本;对于学习因子c 1 和c 2 ,c 1 主要控制个体认知,c 2 主要控制种群社会影响。在预测效果中,当出现过早收敛的情况,应该适当增大c 1 的值,而出现震荡的情况时则应该减小c 2 ;对于迭代次数(决定了PSO搜索的最优权值和阈值的深度),如果迭代次数过少,会导致PSO未收敛到全局最优解,从而陷入局部最优,同时过少的迭代次数还会导致初始权值无法很好地帮助BP网络,导致预测效果不稳定。过大的迭代次数会显著提高计算成本,增加计算时间。在本模型中,由于涉及的情况较多,因此本文中仅对部分常见的情况进行分析。
基于预测结果进行参数调整过程如下:当结果出现过拟合(训练集预测误差小,测试集预测误差大),可以适当减少训练次数、减小学习因子c 2 和减少隐藏层节点数等。当预测结果出现欠拟合(训练集和测试集误差都很大)时,则可以适当增加学习率、训练次数和迭代次数等参数。
设置好模型参数后,模型的寻优递进过程如下。
(1)数据准备与初始化。风电数据(包含风速、风向、温度等9个特征)按照时间顺序组织,并在保持时间序列特性的前提下,划分为连续的训练集和测试集,然后采用滑动窗口方法构造时序样本,再将数据进行归一化处理。
(2)粒子群初始化。随机生成若干粒子组成初始群体,每个粒子代表神经网络的一组完整参数。每个参数在[-1,1]随机初始化,确保初始群体覆盖足够的搜索空间,并计算每个粒子的初始化适应度(预测误差)。
(3)迭代优化。迭代优化阶段分为4个部分:适应度评估、个体与群体记忆、速度与位置更新和精英保留。
适应度评估:对于每个粒子,将参数赋给神经网络后,用训练数据计算预测误差作为适应度值。
个体与群体记忆:每个粒子记住自身历史最优位置和整个群体的全局最优位置。
速度与位置更新:粒子根据个体经验和群体经验调整飞行方向和步长,更新参数值。
精英保留:保留历代最优解,以此确保优化过程不会退化。
(4)参数优化收敛。随着迭代的进行,粒子群往误差更小的参数区域聚集。在后期迭代中,粒子主要在最优解附近进行更精细的搜索。最终输出使得训练误差最小的最优化参数组合。
(5)网络训练与验证。将PSO优化的参数作为神经网络初始值。然后进行若干次BP训练,进一步微调网络参数。最后在独立测试集上验证模型性能,计算预测精度指标。
风电数据寻优过程完成后,结果如
图3 所示。由
图3 可以看出,训练好的模型对风电功率预测精度较高,在训练集中均方根误差(root mean square error, RMSE)为25.954,在测试集中的RMSE为17.661 7。
分析前6 d的风电实际发电功率,结果如
图4 所示。可以发现在模型中,6 d中的风电实际功率变化比较大,随机性较强,因此预测模型捕捉风电功率规律特点比较困难,因而导致预测功率时RMSE的值比较大,但预测模型的效果依然优秀。
如
表2 所示为风电预测模型的误差信息。可知,在训练集的第148个样本处产生最大绝对误差,数值为106.8 MW,相对误差率为28.95%。但是在测试集中,在第40个样本处产生最大绝对误差,数值为33.6 MW,相对误差率仅为13.02%。说明通过训练集数据对模型的训练,风电预测模型最大预测误差率可以控制在15%以内,精度高,性能好。
1.4.2 光伏功率预测
光伏出力预测流程与风电预测流程相似,只是影响因素有所改变:从温度、气压、湿度、测风塔10 m风速、测风塔10 m风向等9种风电出力的影响因素变成了温度、云层不透明度、相对湿度、太阳散射辐射指数等13种光伏出力的影响因素。
因此,在预测光伏功率时,修改
M 1 的值(将9改为13),并修改其他参数,如风电的波动性和随机性都比光伏强,因此在光伏预测的时候可以适当减少隐藏层节点避免过拟合的产生、减少网络训练次数,以此提高模型的预测速度、适当减少粒子群规模和迭代次数,在保证精度的同时提高运行速度,减少运行成本等。将参数修改好后,可得到光伏出力预测模型。光伏预测效果如
图5 所示。
由
图5 可知,训练好的模型对光伏功率预测精度很高,在训练集中RMSE仅为0.500 74。而在测试集中的RMSE为4.348。通过分析前6 d光伏实际发电功率(
图6 ),可以发现在前6 d光伏的实际发电功率中,存在相对比较明显的规律:在夜间(00:00—08:00)实际功率都为0,在12:00—16:00时间段出现高峰期,之后功率开始下降。因此相比于风电预测模型,光伏预测模型在分析数据,捕捉发电规律方面更容易,预测精度相比于风电会更高。
如
表3 所示为光伏预测模型的误差信息。可知,在训练集中产生最大的绝对误差仅为1.915 MW,相对误差率为0.421%。而在测试集中的最大绝对误差为19.153 MW,相对误差率为6.509%。由于光伏实际功率波动性和随机性并没有风电强,因此相比于风电功率预测模型,光伏功率预测模型的误差更小,精度更高。
通过对比风电出力和光伏出力效果可以看出,光伏出力预测模型的精度明显要优于风电预测模型。
这是由于该地区5月多为晴朗天气,阳光辐射较为稳定。但是受地理和气候因素影响,风力的波动比较大。因此,光伏出力波动比较平缓,并且存在一定的规律性,模型训练难度比较小。而风电波动比较剧烈,并且没有明显规律,模型训练难度大,因此光伏预测模型比风电预测模型精度要高。而想要提高风电数据的精度,需要分析更多的数据样本量。
1.4.3 PSO-BP算法与其他算法预测效果对比
为了探究PSO-BP神经网络在新能源功率预测方面的效果,通过对比其他深度学习模型,如LSTM和门控循环单元(gate recurrent unit,GRU)对上述情景中的风电、光伏发电的预测,风电预测效果如
图7 所示。
为了更加直观地对比三种预测算法的效果,考虑对比3种算法的RMSE和最大绝对误差。具体指标如
表4 所示。
通过
图7 可以发现,采用的3种算法对风电功率预测都具有很好的准确性,对波动比较大的时候也能表现出较好的精确性。而通过对比
表4 中的数据,可以发现PSO-BP在RMSE和最大绝对误差上都比LSTM和GRU小,这是由于PSO-BP算法拥有更加优秀的非线性映射能力,对于处理比较复杂的风电预测拥有更好的准确性。此外,PSO-BP不太依赖大规模数据,在样本量并不是很大的情况下也能表现出很好的预测性能。
同时,对于光伏预测,3种算法的RMSE和最大绝对误差如
表5 所示。
由
图8 可知,对于波动性较小、规律性较强的光伏发电,3种算法均表现出良好的预测精度。进一步由
表5 可知,在光伏功率预测中,PSO-BP神经网络的RMSE和最大绝对误差均小于LSTM和GRU,表明在当前场景下PSO-BP具有更优的预测性能。
尽管点功率预测模型已取得较高精度,但新能源出力的固有随机性导致预测误差难以完全避免,而该误差会对电力系统调度构成潜在风险。当预测值高于实际出力时,不仅会增加备用容量成本,还可能因功率缺额导致系统频率下降,严重时甚至触发低频减载;当预测值低于实际出力时,则会造成弃风弃光增加、新能源利用率降低,同时功率过剩可能引发系统频率上升及配电网反向潮流,影响保护装置的正常动作。因此,为更有效应对预测不确定性,考虑以区间预测信息替代点预测信息,用于电力系统的经济调度。
2 新能源出力区间预测
区间预测信息中包含新能源出力的误差信息、波动范围等,因此利用区间预测对电力系统进行经济调度,可以分析更多的数据,从而提高系统的经济效益并减少弃风弃光现象。
2.1 方法选择
目前,新能源出力区间预测的主流方法包括核密度估计、贝叶斯及Bootstrap等。相较于前两者,Bootstrap方法具有无需先验分布、鲁棒性强且对异常值不敏感等显著优势。前文的分析表明,研究区域的风光出力呈现强波动特征,在此类工况下,传统参数化方法(如基于正态假设的区间估计)难以有效刻画非对称波动,且蒙特卡洛模拟需预设误差分布,适用性受限。相比之下,Bootstrap通过对历史误差进行有效回重采样,直接保留真实波动形态,无需对分布作先验假设。此外,针对本文研究数据量较小且含少量异常值的特点,Bootstrap可通过重采样生成虚拟样本以增强统计显著性,在小样本下仍保持良好的鲁棒性;同时,分位数回归凭借其绝对值损失函数,可有效抑制异常值干扰,避免区间扭曲。因此,采用Bootstrap方法,并结合分位数回归进行区间预测,以提升模型在强波动场景下的适应性与预测可靠性。
2.2 预测模型的建立
基于Bootstrap方法的区间预测模型的建立主要分为4步:数据准备、分位数回归建模、区间预测和评估指标计算。
2.2.1 数据准备
将历史数据(包括真实值和预测值)、未来数据(预测值)作为输入,并计算历史数据的预测误差,计算公式为
(6) ${\mathit{e}}_{\mathit{i}}={\mathit{F}}_{\mathit{i}}-{\mathit{R}}_{\mathit{i}}$
式(6)中:ei 为第i 个样本的预测误差;Fi 为第i 个样本的预测值;Ri 为第i 个样本的真实值。
2.2.2 分位数回归建模
分位数回归建模部分的主要目的是估计给定分位数g 下的条件分位数函数${\hat{\mathrm{Q}}}_{\mathrm{g}}\left({\mathit{e}}_{\mathit{i}}\right|\mathrm{x})$ (x 为输入特征矩阵)。主要步骤如下。
(1)定义非对称绝对损失函数ρ g (r ),公式为
(7) ${\mathit{\rho }}_{\mathit{g}}\left(\mathit{r}\right)={\mathit{r}}_{\mathit{i}}[\mathit{g}-\mathit{I}(\mathit{r}<0\left)\right]$
式(7)中:ri 为第i 个样本残差;I 为指示函数。第i 个样本残差ri 的计算公式为
(8) ${\mathit{r}}_{\mathit{i}}={\mathit{e}}_{\mathit{i}}-{\mathit{x}}^{\mathrm{T}}{\mathit{\beta }}_{\mathit{g}}$
式(8)中:β g 为分位数g 的回归系数向量。
(2)通过最小化损失函数求解得到回归系数估计向量${\hat{\mathrm{\beta }}}_{\mathrm{g}}$ ,求解公式为
(9) ${\hat{\mathrm{\beta }}}_{\mathrm{g}}=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{ }\underset{{\mathit{\beta }}_{\mathit{g}}}{\mathrm{m}\mathrm{i}\mathrm{n}}\sum _{\mathit{i}=1}^{\mathit{N}}{\mathit{\rho }}_{\mathit{g}}({\mathit{e}}_{\mathit{i}}-{{\mathit{x}}^{\mathrm{T}}}_{\mathit{i}}{\mathit{\beta }}_{\mathit{g}})$
式(9)中:N 为样本数。
(3)计算条件分位数函数${\hat{\mathrm{Q}}}_{\mathrm{g}}\left({\mathit{e}}_{\mathit{i}}\right|\mathrm{x})$ ,公式为
(10) ${\hat{\mathrm{Q}}}_{\mathrm{g}}\left({\mathit{e}}_{\mathit{i}}\right|\mathrm{x})={{\hat{\mathrm{\beta }}}^{\mathit{T}}}_{\mathrm{g}}\mathrm{x}$
在分位数回归建模阶段,成功估计出在给定置信水平下的条件分位数函数并获取了结构化残差,而这是构建预测区间的核心要素。但是,单一的分位数回归模型对于未来预测不确定性的刻画仍然依赖于模型本身的假设。为了进一步提高区间预测的鲁棒性,同时更加充分地捕捉新能源出力的随机波动性,在此基础上采用了Bootstrap方法对分位数回归的残差进行重采样,以此模拟预测误差的潜在分布。
2.2.3 区间预测
区间预测的主要目的是基于分位数回归结果,生成未来预测值的置信区间,主要步骤如下。
1)Bootstrap残差抽样
先拟合初始分位数回归,并得到相对应的残差集$\hat{\mathrm{r}}$ ($\hat{\mathrm{r}}=[{\hat{\mathrm{r}}}_{1},{\hat{\mathrm{r}}}_{2},\dots,{\hat{\mathrm{r}}}_{\mathrm{N}}]$ ),然后,从残差集$\hat{\mathrm{r}}$ 中有放回地抽取B 个Bootstrap样本,得到{${\hat{\mathrm{r}}}^{\left(\mathit{b}\right)}$ }(b =1,2,…,B )。其中
(11) ${\hat{\mathrm{r}}}_{\mathrm{i}}={\mathit{e}}_{\mathit{i}}-{{\mathit{x}}^{\mathrm{T}}}_{\mathit{i}}{\hat{\mathrm{\beta }}}_{\mathrm{g}}$
式(11)中:${\hat{\mathrm{r}}}_{\mathrm{i}}$ 为$\hat{\mathrm{r}}$ 中的第i 个元素。
2)生成Bootstrap预测分布
为了构造新响应变量,对每个Bootstrap样本进行如下处理:
(12) ${\mathit{e}}_{\mathit{i}}^{\left(\mathit{b}\right)}={{\mathit{x}}^{\mathrm{T}}}_{\mathit{i}}{\hat{\mathrm{\beta }}}_{\mathrm{g}}+{\hat{\mathrm{r}}}^{\left(\mathit{b}\right)}$
式(12)中:${\mathit{e}}_{\mathit{i}}^{\left(\mathit{b}\right)}$ 为第b 次Bootstrap采样中第i 个样本生成的模拟预测误差。
然后,重新拟合分位数回归,得到系数${\hat{\mathrm{\beta }}}_{\mathrm{g}}^{\left(\mathit{b}\right)}$ ,计算公式为
(13) ${\hat{\mathrm{\beta }}}_{\mathrm{g}}^{\left(\mathit{b}\right)}=\mathrm{a}\mathrm{r}\mathrm{g}\underset{{\mathit{\beta }}_{\mathit{g}}^{\left(\mathrm{b}\right)}}{\mathrm{m}\mathrm{i}\mathrm{n}}\sum _{\mathit{i}=1}^{\mathit{N}}{\mathit{\rho }}_{\mathit{g}}[{\mathit{e}}_{\mathit{i}}^{\left(\mathit{b}\right)}-{{\mathit{x}}^{\mathrm{T}}}_{\mathit{i}}{\mathit{\beta }}_{\mathit{g}}^{\left(\mathrm{b}\right)}]$
最后,计算未来预测值,计算公式为
(14) ${\mathit{Q}}^{\left(\mathit{b}\right)}={\mathit{x}}_{\mathit{n}\mathit{e}\mathit{w}}^{\mathrm{T}}{\mathrm{\beta }}_{\mathrm{g}}^{\hat{\left(\mathit{b}\right)}}$
式(14)中:x new 为未来的输入特征向量;Q (b ) 为第b 个Bootstrap模型的g 分位数的估计值。
3)置信区间计算
为了构建置信区间,需要计算Bootstrap预测分布的经验分位数。记Qa 为Bootstrap预测分布{Q (1) ,Q (2) ,……,Q (B ) }的a %经验分位数。计算公式为
(15) $\left\{\begin{array}{l}{\mathit{e}}_{\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}\mathrm{r}}={\mathit{Q}}_{\frac{100-\mathit{e}}{2}\mathrm{\%}}\\ {\mathit{e}}_{\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{e}\mathrm{r}}={\mathit{Q}}_{\frac{100+\mathit{e}}{2}\mathrm{\%}}\end{array}\right.$
(16) ${\mathit{Q}}_{\mathit{a}}=\mathrm{i}\mathrm{n}\mathrm{f}\left\{\mathit{q}:\frac{1}{\mathit{B}}\sum _{\mathit{b}=1}^{\mathit{B}}\mathit{I}[{\mathit{Q}}^{\left(\mathit{b}\right)}\le \mathit{q}]\ge \frac{\mathit{a}}{100}\right\}$
式中:e lower 为预测误差的最小可能值;e upper 为预测误差的最大可能值;e 为显著性水平;q 为一个候选的实数值;a 为0~100的实数,用于指定目标百分位。
最后得到最终预测区间为
(17) $[{\hat{\mathrm{y}}}_{\mathrm{n}\mathrm{e}\mathrm{w}}+{\mathit{e}}_{\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}\mathrm{r}},{\hat{\mathrm{y}}}_{\mathrm{n}\mathrm{e}\mathrm{w}}+{\mathit{e}}_{\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{e}\mathrm{r}}]$
式(17)中:${\hat{\mathrm{y}}}_{\mathrm{n}\mathrm{e}\mathrm{w}}$ 为功率点预测值。
2.2.4 评估指标计算
评估指标主要包括:区间覆盖率(prediction interval coverage probability,PICP)、归一化平均带宽(prediction interval normalized average width,PINAW)和综合指标(composite indicator,CWC),计算公式为
(18) $\left\{\begin{array}{l}\mathrm{P}\mathrm{I}\mathrm{C}\mathrm{P}=\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}\mathit{I}({\mathit{e}}_{\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}\mathrm{r},\mathit{i}}\le {\mathit{y}}_{\mathit{i}}\le {\mathit{e}}_{\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{e}\mathrm{r},\mathit{i}})\\ \mathrm{P}\mathrm{I}\mathrm{N}\mathrm{A}\mathrm{W}=\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}\left(\frac{{\mathit{e}}_{\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{e}\mathrm{r},\mathit{i}}-{\mathit{e}}_{\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}\mathrm{r},\mathit{i}}}{{\mathit{y}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{y}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\right)\\ \mathrm{C}\mathrm{W}\mathrm{C}=\mathrm{P}\mathrm{I}\mathrm{N}\mathrm{A}\mathrm{W}+\mathit{\gamma }\mathrm{e}\mathrm{x}\mathrm{p}[-\mathit{\eta }(\mathrm{P}\mathrm{I}\mathrm{C}\mathrm{P}-\mathit{\beta }\left)\right]\\ \mathit{\gamma }=\mathit{I}(\mathrm{P}\mathrm{I}\mathrm{C}\mathrm{P}<\mathit{\beta })\end{array}\right.$
式(18)中:e lower ,i 为第i 个样本生成的预测区间下限;e upper,i 为第i 个样本生成的预测区间上限;yi 为第i 个样本的真实值;y max 为测试集上真实值的最大值;y min 为测试集上真实值的最小值;η 为惩罚强度参数;β 为目标覆盖率;γ 为示性变量。PICP的值越接近置信水平越理想,PINAW和CWC越小越理想。
2.3 仿真分析
为了平衡工程应用中的可靠性和区间宽度:过高的置信区间(如97%)会导致预测区间过宽,影响后续备用容量的配置过于保守,导致系统运行成本增加。而太低的置信区间(如92%)会导致覆盖不足,增加调度风险。此外,在许多关于电力系统区间预测的研究中也常常采用95%置信区间,说明置信区间为95%具有较高的通用性和普遍性。因此,本文中选取置信区间为95%。
2.3.1 模型性能测试
将对当地的风电出力利用PSO-BP神经网络进行点功率预测,并将当天的预测值和真实值同时输入区间预测模型中,测试该预测模型的预测性能。设置模型的迭代次数、惩罚系数等后,对模型进行测试,测试模型效果如
图9 所示。
通过
图9 可以看出,在区间预测模型中,大部分真实值都落在预测区间内,但是仍有少部分实际功率点处于预测区间外,这是由于此模型的置信区间为95%,模型在理想效果下也会有部分真实值出现在预测区间外。模型的性能评估指标如
表6 所示。
通过分析性能指标数值,可以发现PICP的值为93.75%,略小于95%,说明该预测模型中有93.75%的真实值落在预测区间内,与95%有偏差的原因是预测当天的风电变化规律和模型训练所用数据的变化规律有差别,这也会在一定程度上影响区间预测的分布。在此模型中,该误差在可接受范围。PINAW的值为0.109 1,说明预测区间不是很大,预测精度相对较高。由于PICP的数值与设置的置信区间存在偏差,这会对CWC的值造成影响,导致CWC的值会偏大,达到了1.111 6。
2.3.2 新能源出力区间预测
将训练好的预测模型对新能源出力进行区间预测,风电出力预测结果如
图10 所示,光伏出力预测结果如
图11 所示。
由
图10 可以看出,在95%的置信区间下,风电区间预测模型中,白天(07:00—19:00,从第30~第78个采样点)的预测带宽会比夜间宽,这也说明了该地区夜间风力资源波动比白天小,点功率预测模型的预测误差在夜间比白天小。
由
图11 可以发现,由于夜间不存在光照,光伏无法发电,因此夜间带宽几乎为0,而在下午两点和下午六点这两个时间带宽比较宽,对应着一天中太阳辐射最强和太阳即将下山的时间点,这两个时间通常会给光伏发电带来较大的扰动。
通过对比风电区间预测和光伏区间预测的效果可以看出:风电的预测区间明显比光伏区间预测的宽度要大,这是由于风电的波动性较强,在点功率预测阶段的误差比光伏出力预测结果要大,因此导致风电的预测区间宽度要比光伏区间的宽度要大。
从
图10 和
图11 还能发现,当新能源发电波动比较强烈的时候,点功率预测模型的误差会变得相对较大,这会给电力系统经济调度带来挑战。而区间预测可以将点功率预测的误差、波动范围等考虑进去,给经济调度带来了更多信息,从而提高系统的安全稳定性和经济效益。
3 抽蓄储能容量规划
抽蓄储能是一种通过电能与水的重力势能相互转换实现大规模储能的技术。系统由上、下两个水库和可逆式机组构成,具有以下两种运行模式。
抽水工况(储能):在负荷低谷或新能源出力过剩时,利用富余电能将水从下水库抽至上水库,将电能转化为水的势能储存。
发电工况(释能):在负荷高峰或新能源出力不足时,放水发电,将势能重新转化为电能输送至电网。
抽蓄储能对新能源消纳还具有支撑作用。抽蓄储能可有效缓解新能源出力的间歇性与波动性问题,提升系统对风电、光伏的消纳能力,具体表现如下。
(1)能量时移:将新能源发电多,但无法即时消纳的电能储存,转移至高峰时段使用,显著减少弃风弃光。
(2)平滑波动:快速响应新能源出力变化,通过充放电操作平滑功率波动,减轻电网调节压力。
(3)提供备用:作为旋转备用或黑启动电源,增强高比例新能源电网的可靠性与韧性。
为了进一步提高电力系统的整体经济效益,减少不必要的资源、成本浪费,需要对抽蓄储能系统的容量进行合理的规划。在对抽蓄储能系统进行容量规划时,分为两个步骤:先对抽蓄储能系统的容量进行初步确定(满足电力系统的调峰需求),然后在此基础上再进行经济性分析。
3.1 抽蓄储能系统容量的初步确定
综合调峰比是电力系统规划与运行中的一个关键指标,主要用于量化评估整个发电系统固有的、最大的调峰能力。综合调峰比是指电力系统中所有发电机组(通常不包括独立的储能设施)的最大技术出力与最小技术出力之差的代数和,与系统总装机容量的比值。这个比值揭示了在不依赖外部储能或需求侧响应的情况下,系统发电侧自身能够应对负荷波动的极限能力。
当系统的综合调峰比不小于系统负荷峰谷差率时,系统的调峰矛盾才能够得以解决
[12 ] 。
系统综合调峰比(R S )计算公式为
(19) ${\mathit{R}}_{\mathrm{S}}=\frac{{\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{i}\mathrm{n}}+{\mathit{P}}_{\mathrm{P}-\mathrm{S}}}{{\mathit{P}}_{\mathrm{N}}}\times 100\mathrm{\%}$
式(19)中:P S,max 和P S,min 分别为系统中除去抽蓄储能系统外的所有发电机组的最大、最小出力之和,P P-S 为抽蓄储能机组的装机容量;P N 为系统装机总容量。
系统负荷峰谷差率(R D )计算公式为
(20) ${\mathit{R}}_{\mathrm{D}}=\frac{{\mathit{P}}_{\mathrm{D},\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{P}}_{\mathrm{D},\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{P}}_{\mathrm{D},\mathrm{m}\mathrm{a}\mathrm{x}}}\times 100\mathrm{\%}$
式(20)中:P D,max 和P D,min 分别为系统日负荷最大、最小值。由此可以得到抽蓄储能系统容量的最小取值范围,即
(21) ${\mathit{P}}_{\mathrm{P}-\mathrm{S}}\ge \frac{1}{2}\left[\right(1-\mathit{\beta }){\mathit{P}}_{\mathrm{N}}-({\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{i}\mathrm{n}}\left)\right]$
式(21)中:β 为最小负荷率,即系统日负荷最小值与负荷最大值的比值。
3.2 经济效益分析
抽蓄储能容量规划的经济效益分析主要围绕系统成本和消纳新能源效益两部分展开。其中,系统成本包括:系统建设成本和运维成本。消纳新能源效益包括:节煤经济效益和减排效益。表达式为
(22) ${\mathit{C}}_{\mathrm{w}\mathrm{c}}={\mathit{C}}_{\mathrm{s}\mathrm{y}\mathrm{s}}-{\mathit{C}}_{\mathrm{a}\mathrm{b}\mathrm{s}}$
式(22)中:C wc 为抽蓄储能成本;C sys 为系统成本;C abs 为消纳新能源效益。
3.2.1 系统成本
(23) ${\mathit{C}}_{\mathrm{s}\mathrm{y}\mathrm{s}}={\mathit{I}}_{\mathrm{T}}+{\mathit{I}}_{\mathrm{F}}$
式(23)中:I T 为系统建设成本;I F 为系统运维成本。
(1)系统建设成本I T 为
(24) ${\mathit{I}}_{\mathrm{T}}={\mathit{c}}_{\mathrm{b}}{\mathit{P}}_{\mathrm{P}-\mathrm{S}}+{\mathit{c}}_{\mathrm{w}}{\mathit{W}}_{\mathrm{P}-\mathrm{S}}$
式(24)中:c b 和c w 分别为建设抽蓄储能电站每MW和每MWh所需的成本系数;W P-S 为抽蓄储能系统最大库容量。
(2)运维成本F T 为
(25) $\left\{\begin{array}{l}\mathit{Q}=\sum _{\mathit{k}=1}^{96}{\mathit{P}}_{\mathrm{P}-\mathrm{S}}\left(\mathit{k}\right)\mathit{t}\\ {\mathit{C}}_{2}=365\mathit{Q}\frac{1}{{\mathit{\eta }}_{\mathrm{P}-\mathrm{S}}}{\mathit{c}}_{\mathrm{p}}\left(\mathit{k}\right)\mathit{N}\\ {\mathit{I}}_{\mathrm{F}}={\mathit{C}}_{2}\mathit{a}\mathit{N}\end{array}\right.$
式(25)中:Q 为抽蓄储能系统的日发电量;P P-S (k )为k 时刻的抽蓄储能的发电功率;t 为时间步长(本文中取15 min);η P-S 为抽蓄储能电站的能量转化效率;N 为抽蓄储能系统的工作寿命年限;c p (k )为k 时刻的电价;a 为年维护率。
3.2.2 消纳新能源效益
(26) ${\mathit{C}}_{\mathrm{a}\mathrm{b}\mathrm{s}}={\mathit{C}}_{\mathrm{c}\mathrm{o}\mathrm{a}\mathrm{l}}+{\mathit{C}}_{\mathrm{d}\mathrm{i}\mathrm{s}}$
式(26)中:C coal 为节煤效益;C dis 为减排效益。
1)减排效益
由于抽蓄储能消纳新能源可以减少火力发电厂的发电量,从而减少有害物质的排放,降低排放成本。抽蓄储能电站减排效益C dis 表达式为
(27) ${\mathit{C}}_{\mathrm{d}\mathrm{i}\mathrm{s}}=\sum _{\mathit{j}=1}^{6}({\mathit{A}}_{\mathit{j}}{\mathit{B}}_{\mathit{j}})$
式(27)中:Aj 为污染物j 的排放量;Bj 为对应的治理费用。
火力发电厂燃烧一吨煤可以产生约3 000 kWh的电量,而火力发电厂燃烧1 t煤所排放的主要污染物如
表7 所示。
对于治理费用Bj ,结合当地的排放治理政策和地区治理厂区费用,其Bj 与Aj 的关系为
(28) ${\mathit{B}}_{\mathit{j}}={\mathit{a}}_{\mathit{j}}{\mathit{A}}_{\mathit{j}}^{2}+{\mathit{b}}_{\mathit{j}}{\mathit{A}}_{\mathit{j}}+{\mathit{c}}_{\mathit{j}}$
式(28)中:aj 为排放量Aj 的二次项系数;bj 为Aj 的一次项系数;cj 为常数项,其数值随污染物和地区政策变化而动态变化。
2)节煤效益
对于抽蓄储能系统的节煤效益,因为在本系统中是抽蓄储能系统协同火力发电站联合工作的,当抽蓄储能出力的时候,火力发电站会减少出力,从而减少了系统的总成本,因此本节对节煤效益不做单独计算。
4 基于区间预测的电力系统经济调度
4.1 目标函数
随着电力市场的逐步完善,备用容量已逐渐纳入有偿服务范畴。备用容量指电力系统装机容量超出最大负荷的部分,其核心功能在于缓冲设备停运、负荷突变等突发扰动对供电持续性的影响,在系统供电不足时及时出力,保障供电可靠性。在含高比例新能源的电力系统中,新能源出力的不确定性对系统安全运行构成挑战,需配置充足的备用容量以维持电网稳定。而备用容量的配置、燃料消耗及运维管理均涉及成本,因此在经济调度中纳入备用成本,不仅有助于节约社会资源,也能更好地适应电力市场的竞价机制。
此外,为促进新能源消纳,调度模型还需统筹考虑弃风弃光惩罚成本、抽蓄储能电站成本、火电机组运行成本及抽蓄储能系统的充放电收益,以实现系统综合效益最大化。
基于以上分析,在调度模型中综合考虑了:火电机组运行成本、抽蓄储能系统充放电收益、弃光弃风惩罚成本、新能源发电运行成本、备用容量成本和抽蓄储能电站收益。具体目标函数为
(29) $\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}\mathit{F}={\mathit{C}}_{\mathrm{f}}-{\mathit{C}}_{\mathrm{w}}+{\mathit{C}}_{\mathrm{a}}+{\mathit{C}}_{\mathrm{r}\mathrm{e}}+{\mathit{C}}_{\mathrm{w}\mathrm{c}}\\ {\mathit{C}}_{\mathrm{f}}=\sum _{\mathit{t}=1}^{\mathit{T}}({\mathit{a}}_{\mathrm{f}}{\mathit{P}}_{\mathrm{f},\mathit{t}}^{2}+{\mathit{b}}_{\mathrm{f}}{\mathit{P}}_{\mathrm{f},\mathit{t}}+{\mathit{c}}_{\mathrm{f}})\\ {\mathit{C}}_{\mathrm{w}}=\sum _{\mathit{t}=1}^{\mathit{T}}({\mathit{C}}_{\mathrm{p},\mathit{t}}\mathrm{\Delta }{\mathit{t}}_{\mathit{t},1}-{\mathit{C}}_{\mathrm{p},\mathit{t}}\mathrm{\Delta }{\mathit{t}}_{\mathit{t},2})\\ {\mathit{C}}_{\mathrm{a}}={\mathit{C}}_{\mathrm{a}}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}\sum _{\mathit{t}=1}^{\mathit{T}}({\mathit{P}}_{\mathrm{w},\mathit{t}}-{\mathit{P}}_{\mathit{t}}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}})+{\mathit{C}}_{\mathrm{a}}^{\mathrm{P}\mathrm{V}}\sum _{\mathit{t}=1}^{\mathit{T}}({\mathit{P}}_{\mathrm{P}\mathrm{V},\mathit{t}}-{\mathit{P}}_{\mathit{t}}^{\mathrm{P}\mathrm{V}})\\ {\mathit{C}}_{\mathrm{r}\mathrm{e}}=\sum _{\mathit{t}=1}^{\mathit{T}}({\mathit{p}}_{\mathrm{u}}{{\mathit{R}}^{\mathrm{u}}}_{\mathit{t}}+{\mathit{p}}_{\mathrm{d}}{{\mathit{R}}^{\mathrm{d}}}_{\mathit{t}})\end{array}\right.$
式(29)中:F 为系统的总成本;C f 、C w 、C a 、C re 、C wc 分别为火电机组运行成本、抽蓄储能充放电收益、弃光弃风惩罚成本、备用容量成本和抽蓄储能电站成本;T 为调度时段数;P f,t 为火电机组在t 时段的出力;a f 、b f 、c f 为火电机组的燃煤费用系数;C p,t 为t 时段内的电价;Δt t ,1 为抽蓄储能系统的放电时间;Δt t ,2 为抽蓄储能系统的抽水时间;${\mathit{C}}_{\mathrm{a}}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}$ 和${\mathit{C}}_{\mathrm{a}}^{\mathrm{P}\mathrm{V}}$ 分别为弃风、弃光惩罚因子;P w,t 和P PV,t 分别为风电机组、光伏机组t 时刻出力调度预测值;${\mathit{P}}_{\mathit{t}}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}$ 、${\mathit{P}}_{\mathit{t}}^{\mathrm{P}\mathrm{V}}$ 分别为风电机组、光伏机组t 时刻真实出力值(风电、光伏机组当天t 时刻的真实发电功率);p u 和p d 分别为系统正、负备用成本单价;R u t 和R d t 分别为t 时段系统所需的正、负备用。
为了加强弃风弃光成本的适用性,考虑到当地的地区特点和关于弃风弃光的政策,对新能源的弃风弃光采用分段惩罚制,即弃风、弃光惩罚因子随着弃风弃光量的变化而动态变化。表达式为
(30) ${\mathit{C}}_{\mathrm{a}}^{\mathit{n}}=\left\{\begin{array}{ll}{\mathit{\rho }}_{\mathrm{a}1}+{\mathit{\omega }}_{\mathrm{a}1}{\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right),& {\mathit{P}}_{1,\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right)\le {\mathit{P}}_{1,\mathrm{m}\mathrm{a}\mathrm{x}}\\ {\mathit{\rho }}_{\mathrm{a}2}+{\mathit{\omega }}_{\mathrm{a}2}{\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right),& {\mathit{P}}_{2,\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right)\le {\mathit{P}}_{2,\mathrm{m}\mathrm{a}\mathrm{x}}\\ {\mathit{\rho }}_{\mathrm{a}3}+{\mathit{\omega }}_{\mathrm{a}3}{\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right),& {\mathit{P}}_{3,\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{P}}_{\mathrm{a}}\left(\mathit{t}\right)\le {\mathit{P}}_{3,\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$
式(30)中:${\mathit{C}}_{\mathrm{a}}^{\mathit{n}}$ (n =wind或PV)为弃风、弃光惩罚因子;ρ v 为弃风弃光第v 段惩罚成本的起始值(v =1,2,3);P v ,min 和P v ,max 分别为弃风弃光第v 段区间的起始段和末端的坐标值;ω v 为弃风弃光第v 段的惩罚成本加权系数。具体数值随地区和政策变化而变化。
4.2 约束条件
4.2.1 系统功率平衡约束
在电力系统中,电能的生产和消耗是同时进行的,为了兼顾抽蓄储能电站的削峰填谷和电压稳定性等,应该保证系统中发电和耗电功率是实时平衡的,因此系统功率平衡是首要约束条件,需要满足
(31) $\begin{array}{l}{\mathit{P}}_{\mathrm{L},\mathit{t}}={\mathit{P}}_{\mathrm{w},\mathit{t}}+{\mathit{P}}_{\mathrm{P}\mathrm{V},\mathit{t}}+{\mathit{P}}_{\mathrm{f},\mathit{t}}+{\mathit{P}}_{\mathrm{P}\mathrm{S},\mathit{t}}+{\mathit{P}}_{\mathrm{r}\mathrm{e},\mathit{t}}-\\ {\mathit{P}}_{\mathrm{P}\mathrm{S}\mathrm{C},\mathit{t}}-{\mathit{P}}_{\mathrm{r}\mathrm{e}\mathrm{d},\mathit{t}}\end{array}$
式(31)中:P L,t 为t 时段负荷需求;P w,t 为t 时段的风电站出力;P PV,t 为t 时段光伏电站出力;P f,t 为t 时段内火电站出力;P re,f 为正备用出力;P PS,t 为抽蓄储能电站t 时段放电功率;P PSC,t 为抽蓄储能抽水机组所用功率;P red,t 为系统负备用出力。
4.2.2 风光出力约束
在区间预测模型中,对于风电的多能互补系统调度模型,风电出力的约束为
(32) $\left\{\begin{array}{l}{\mathit{P}}_{\mathrm{w},\mathrm{m}\mathrm{a}\mathrm{x},\mathit{t}}=\mathrm{m}\mathrm{i}\mathrm{n}\{{\mathit{P}}_{\mathrm{w},\mathit{t}}^{\mathrm{u}\mathrm{p}},{\mathit{P}}_{\mathrm{w},\mathit{N}}\}\\ {\mathit{P}}_{\mathrm{w},\mathrm{m}\mathrm{i}\mathrm{n},\mathit{t}}=\mathrm{m}\mathrm{a}\mathrm{x}\{{\mathit{P}}_{\mathrm{w},\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}},0\}\\ {\mathit{P}}_{\mathrm{w},\mathrm{m}\mathrm{i}\mathrm{n},\mathit{t}}\le {\mathit{P}}_{\mathrm{w},\mathit{t}}\le {\mathit{P}}_{\mathrm{w},\mathrm{m}\mathrm{a}\mathrm{x},\mathit{t}}\\ {\mathit{A}}_{\mathrm{w},\mathit{t}}={\mathit{P}}_{\mathrm{w},\mathrm{m}\mathrm{a}\mathrm{x},\mathit{t}}-{\mathit{P}}_{\mathrm{w},\mathit{t}}\end{array}\right.$
式(32)中:P w,t 为t 时段风电调度出力;P w,N 为风电场的装机容量;${\mathit{P}}_{\mathrm{w},\mathit{t}}^{\mathrm{u}\mathrm{p}}$ 、${\mathit{P}}_{\mathrm{w},\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}$ 分别为t 时段风电预测出力的上、下限;P w,max,t 、P w,min,t 分别为t 时段风电场可用功率的上下限。光伏发电出力约束与风电类似,此处不再赘述。
4.2.3 抽蓄机组出力约束
(33) $\left\{\begin{array}{l}{{\mathit{I}}^{\mathrm{g}}}_{\mathit{t}}{{\mathit{P}}^{\mathrm{g}}}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {{\mathit{P}}^{\mathrm{g}}}_{\mathit{t}}\le {{\mathit{I}}^{\mathrm{g}}}_{\mathit{t}}{{\mathit{P}}^{\mathrm{g}}}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ {{\mathit{I}}^{\mathrm{p}}}_{\mathit{t}}{{\mathit{P}}^{\mathrm{p}}}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {{\mathit{P}}^{\mathrm{p}}}_{\mathit{t}}\le {{\mathit{I}}^{\mathrm{p}}}_{\mathit{t}}{{\mathit{P}}^{\mathrm{p}}}_{\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$
式(33)中:P g t 和P p t 分别为t 时段抽蓄机组的发电功率和抽水功率;P g max 和P g min 分别为抽蓄机组最大、最小发电功率;P p max 和P p min 分别为抽蓄机组最大、最小抽水功率;I g t 和I p t 为0-1变量,分别表示抽蓄机组在t 时段是否处于发电工况或抽水工况,取1为是,取0为否。
4.2.4 抽蓄电站水量约束
(34) $\left\{\begin{array}{l}{\mathit{X}}_{\mathit{t}}={\mathit{X}}_{\mathit{t}-1}+({\mathit{\eta }}^{\mathrm{p}}{{\mathit{P}}^{\mathrm{p}}}_{\mathit{t}}-{\mathit{\eta }}^{\mathrm{g}}{{\mathit{P}}^{\mathrm{g}}}_{\mathit{t}})\\ {\mathit{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{X}}_{\mathit{t}}\le {\mathit{X}}_{\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$
式(34)中:Xt 为t 时段抽蓄电站上水库的库容;η p 和η g 分别为抽蓄机组处于抽水和发电工况时由电量到水量的转换系数;X max 和X min 分别为上水库的最大(满储能)和最小(零储能)蓄水量。
4.2.5 备用容量约束
(35) $\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}({\mathit{P}}_{\mathrm{f},\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{P}}_{\mathrm{f},\mathit{t}})\ge {{\mathit{W}}^{\mathrm{u}}}_{\mathit{t}}\\ \mathrm{m}\mathrm{i}\mathrm{n}({\mathit{P}}_{\mathrm{f},\mathit{t}}-{\mathit{P}}_{\mathrm{f},\mathrm{m}\mathrm{i}\mathrm{n}})\ge {\mathit{W}}_{\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}\end{array}\right.$
式(35)中:W u t 和${\mathit{W}}_{\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}$ 分别为新能源出力在t 时段系统所需的正、负备用容量;P f,max 和P f,min 分别为火电机组出力的最大值、最小值。
在经济调度中,需要在得到光伏、风电实际值之前做出决策。所以,在制定调度方案时,常常用光伏、风电功率的预测值作为基准来制定调度方案,而光伏、风电功率的预测误差由备用容量进行补充。本文利用光伏、风电功率的预测区间来确定系统中用于平衡光伏、风电不确定性的正负备用。正、负备用容量可以利用光伏、风电功率预测区间的上下限确定。表达式为
(36) $\left\{\begin{array}{l}{{\mathit{R}}^{\mathrm{u}}}_{\mathit{t}}={{\mathit{W}}^{\mathrm{u}}}_{\mathit{t}}=\left|{\mathit{P}}_{\mathrm{p}\mathrm{w},\mathrm{u},\mathit{t}}-{\mathit{P}}_{\mathrm{p}\mathrm{w},\mathit{t}}\right|\\ {\mathit{R}}_{\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}={\mathit{W}}_{\mathit{t}}^{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}=\left|{\mathit{P}}_{\mathrm{p}\mathrm{w},\mathit{t}}-{\mathit{P}}_{\mathrm{p}\mathrm{w},\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n},\mathit{t}}\right|\end{array}\right.$
式(36)中:P pw,u,t 为t 时段新能源出力预测区间的上边界;P pw,down,t 为t 时段新能源出力预测的下边界。
4.2.6 火力发电机组出力约束
火力发电机组受其物理特性限制和经济管理要求,其出力在一定范围内,因此有
(37) ${\mathit{P}}_{\mathrm{f},\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{P}}_{\mathrm{f},\mathit{t}}\le {\mathit{P}}_{\mathrm{f},\mathrm{m}\mathrm{a}\mathrm{x}}$
式(37)中:P f,max 和P f,min 分别为火力发电机组发电功率的最大、最小值。
4.2.7 火力发电机组爬坡约束
为了保证火力发电机组的安全性,避免火电机组出现功率大幅度波动的情况,需要给火电机组添加爬坡约束,表达式为
(38) $\left\{\begin{array}{l}{\mathit{P}}_{\mathrm{f},\mathit{t}}-{\mathit{P}}_{\mathrm{f},\mathit{t}-1}\le {\mathit{R}}_{\mathrm{u}\mathrm{p}}\mathrm{\Delta }\mathit{T}\\ {\mathit{P}}_{\mathrm{f},\mathit{t}-1}-{\mathit{P}}_{\mathrm{f},\mathit{t}}\le {\mathit{R}}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}\mathrm{\Delta }\mathit{T}\end{array}\right.$
式(38)中:R up 和R down 分别为机组最大向上爬坡速率和最大向下爬坡速率。
4.3 模型求解
本节所提及的模型在MATLAB 2023a中采用CPLEX 12.10软件包和Gurobi求解器进行求解。
4.4 仿真分析
4.4.1 抽蓄储能容量规划分析
抽蓄储能容量的初步规划部分主要是为了满足电力系统的调峰需求,因而在抽蓄储能容量初步规划阶段选取新疆某地区年度最大峰谷差日为系统典型日进行分析。
将系统典型日的负荷数据和系统的火电机组、风力发电机组、光伏发电机组数据代入式(39)中计算:
(39) ${\mathit{P}}_{\mathrm{P}-\mathrm{S}}\ge \frac{1}{2}\left[\right(1-\mathit{\beta }){\mathit{P}}_{\mathrm{N}}-({\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{P}}_{\mathrm{S},\mathrm{m}\mathrm{i}\mathrm{n}}\left)\right]$
其中,系统典型日负荷最大值和最小值分别为4 593.582 MW和1 726.614 MW。经过计算,得到最小负荷率为0.372。
通过计算得到抽蓄储能容量最小值为P P-S,min = 250.562 MW。本文中为方便计算取250 MW。
在确定抽蓄储能电站最大规划容量时,主要通过当地规划抽蓄储能电站的上下水库调节库容、蓄水位等基础设计参数与抽蓄储能电站设计参数进行类比,经过对比发现该抽蓄储能电站各基础设计参数均略小于已建成的北京十三陵抽蓄储能电站,因此确定其最大规划容量不超过北京十三陵抽蓄储能电站的设计装机规模,即选取抽蓄储能电站的最大规划容量不超过800 MW。
本文规划的抽蓄储能电站参考已建成的电站,综合循环效率取85%,电站运行年限为50年,单个抽蓄机组功率为50 MW,各类参数选取后,按照本文提出的电力系统经济调度体系计算出来的部分重要指标结果如
表8 所示。
从
表8 可以看出,抽蓄储能容量从250 MW开始,每增加50 MW的容量,系统的总收益都会增加,并在650 MW的时候系统的总收益达到最大值,而当超过650 MW之后,增加装机容量会导致电力系统的总经济收益下降。造成这个现象的原因是,抽蓄储能容量为250~650 MW,系统虽然可以满足电力系统的调峰需求,但是并没有将抽蓄储能的调峰和储能能力充分发挥,而这两种能力会随着抽蓄储能容量的提高而逐渐放大,并在抽蓄储能容量达到650 MW的时候放大到最大值。而当650 MW之后,抽蓄储能系统的调峰和储能作用已经发挥到极致,在此基础上增加抽蓄储能的容量会造成系统资源的浪费和建维成本的增加,从而导致系统的经济效益下降。
4.4.2 电力系统工作状态分析
为了观测电力系统工作状态,对电力系统各部分出力值进行采样,时间间隔为15 min,结果如
图12 所示。
从
图12 中可知,受当地新能源装机容量和出力效率的限制,新能源自身出力比较小,对调峰的影响并不是很大,而火力发电仍然是满足电力需求的主力军。
从调峰电源的角度出发,分析抽蓄储能工作状态。由
图13 可知,抽蓄储能电站的抽水工况出现在03:00—05:00、14:30—16:30和21:00—24:00。主要放电时间段在00:00—02:30,10:00—12:00,19:00—21:00。就其削峰填谷作用来看,抽蓄储能系统在负荷高峰和低谷时段都起到了较好的调节作用。
4.4.3 电力系统经济性分析
采用电力系统经济效益最大时的抽蓄储能系统容量(即650 MW)对电力系统的整体经济效益进行分析,在当前工况下,风电、光伏出力在利用点预测信息和区间预测信息两种情况下的出力对比如
图14 所示。
分别对基于区间预测和点功率预测信息的电力系统的整体经济效益进行分析,结果如
表9 所示。
通过
表9 可以看出,利用区间预测对电力系统进行经济调度比利用点功率预测进行经济调度经济效益提高了13%,弃风弃光率降低了36%,说明基于区间预测对电力系统进行经济调度相比于点功率预测可以消纳更多的新能源。
4.4.4 可行性与实用性分析
(1)容量规划方法的合理性。容量规划采用先初步规划,然后进行经济性分析。详细确定抽蓄储能容量时,通过对比现已建成的抽蓄储能电站,并列举不同抽蓄机组数量进行分析,该方法在本领域也有应用。例如:王宽
[12 ] 利用该方法完成了在风光消纳下的电网调峰需求分析和抽水蓄能电站容量规划评估。在仿真结果上,最优容量650 MW介于调峰下限250 MW与参照上限800 MW之间,且效益呈“先增后减”趋势,符合边际效用递减规律。这证明模型能有效平衡“规模效应”与“投资回报”,为工程规划提供科学依据。
(2)预测与调度的协同实用性。在使用方法上,PSO-BP在小样本、强波动工况下鲁棒性优于LSTM和GRU;同时,Bootstrap无需假设误差分布,区间构建更真实可靠。在预测效果上,区间预测使总收益提升13%,弃电率下降36%,验证了将不确定性信息纳入调度决策的工程价值。
5 结论
在“碳中和”“碳达峰”和“双碳”目标背景下,中国的电力系统将会迎来大变革,新能源的发展也因此进入快车道,但是新能源受到自然条件的约束比较大,其本身具有的波动性和不确定性与传统电源有很大的差别。随着风电、光伏等新能源发电项目的大规模投资,其新能源发电自带的不稳定性给电力系统的安全稳定运行带来了很大的挑战,尤其是电力系统的调峰问题会变得更加突出。
基于新疆某处的电力系统实际运行状况,对电力系统的新能源出力区间预测进行经济效益计算与分析,同时基于抽蓄储能电站的容量规划评估模型,得到如下主要结论。
(1)相对于利用点预测信息而言,利用区间预测信息对电力系统进行经济调度可以多带来超过两百万元的经济效益,同时也减少了弃风弃光率,从利用点功率预测信息时的9.67%降低到了利用区间预测信息时的6.13%。
(2)对抽蓄储能的容量进行了规划,使得在现有条件下,抽蓄储能系统在满足调峰需求的前提下,给电力系统带来超过一百万元的经济效益。
国家自然科学基金(52377172)