基于典型运行场景聚类的电力系统灵活性评估方法

doi:10.16183/j.cnki.jsjtu.2020.012

基于典型运行场景聚类的电力系统灵活性评估方法

游广增¹, 汤翔鹰^,², 胡炎², 邰能灵², 朱欣春¹, 李玲芳¹

1.云南电网有限责任公司, 昆明 650011

2.上海交通大学电子信息与电气工程学院, 上海 200240

Flexibility Evaluation Method for Power System Based on Clustering of Typical Operating Scenarios

YOU Guangzeng¹, TANG Xiangying^,², HU Yan², TAI Nengling², ZHU Xinchun¹, LI Lingfang¹

1. Yunnan Power Grid Co., Ltd., Kunming 650011, China

2. School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

通讯作者: 汤翔鹰,男,硕士生,电话(Tel.):021-34204290;E-mail:xiangytang@sjtu.edu.cn.

责任编辑: 孙伟

收稿日期: 2020-01-8

基金资助:

上海市教委科研创新重大项目(2019-01-07-00-02-E00044)
南方电网公司重点科技项目(YNKJXM20170008)

Received: 2020-01-8

作者简介 About authors

游广增(1982-),男,河南省周口市人,高级工程师,研究方向为电力系统分析与电力规划。

摘要

以风光水为代表的可再生能源电源会增加电力系统的不确定性.为了保证高比例可再生能源电力系统的灵活运行,提出一种典型运行场景电力系统灵活性评估方法.利用改进的K-means算法,将新能源和负荷的运行场景进行聚类组合得到典型运行场景.从区域内供需平衡、区域内潮流分布和区域间输电能力3个角度提出灵活性评估指标;计算每种典型场景的灵活性评估指标,并根据每种场景的出现概率计算得到综合评估指标以评估系统的整体灵活性.最后,基于南方某地区实际新能源和负荷历史数据在改进的IEEE 39节点系统上进行电力系统灵活性评估.结果表明,该聚类方法和灵活性指标可以有效反映电力系统的灵活性.

关键词： 场景聚类; 电力系统; 灵活性; 评估方法; 新能源

Abstract

The development of renewable energy represented by wind, photovoltaic, and hydropower can increase the uncertainty of power systems. In order to ensure the flexible operation of power systems with a high proportion of renewable energy, a power system flexibility evaluation method based on typical operating scenarios was proposed. Through a modified K-means algorithm, the operating scenarios of renewable energy and load were clustered to obtain typical scenarios. The flexibility evaluation indexes were proposed from three perspectives including regional supply and demand balance, regional power flow distribution, and inter-regional transmission capacity. The flexibility evaluation index of each scenario, and the comprehensive evaluation index based on the appearance probability of each scenario were calculated to evaluate the flexibility of the system. Based on the actual historical output data of new energy and the load of a certain region in the south, the flexibility evaluation was performed on a modified IEEE 39 system. The results show that the proposed clustering method and flexibility index can effectively reflect the flexibility of the system.

Keywords： scenario clustering; power system; flexibility; evaluation method; renewable energy

PDF (2608KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

游广增, 汤翔鹰, 胡炎, 邰能灵, 朱欣春, 李玲芳. 基于典型运行场景聚类的电力系统灵活性评估方法[J]. 上海交通大学学报（自然版）, 2021, 55(7): 802-813 doi:10.16183/j.cnki.jsjtu.2020.012

YOU Guangzeng, TANG Xiangying, HU Yan, TAI Nengling, ZHU Xinchun, LI Lingfang. Flexibility Evaluation Method for Power System Based on Clustering of Typical Operating Scenarios[J]. Journal of shanghai Jiaotong University, 2021, 55(7): 802-813 doi:10.16183/j.cnki.jsjtu.2020.012

近年来,中国清洁能源的发展步伐加快,水电装机的容量持续增加,风电、光伏新增装机量皆位列世界第一^[1].同时,水电、风电、光伏发电等清洁能源发电的间歇性以及负荷的不确定性也给电力系统的灵活运行带来了巨大挑战.目前,我国局部区域局部时段的弃风弃光率较高,电力系统对于高比例可再生能源的灵活性远远不足,很大程度上影响电力系统的供需平衡、潮流分布和外送能力等,导致系统无法正常运行,因此在规划阶段考虑电力系统的灵活性十分必要.灵活性规划需要保证规划结果满足灵活性指标要求,使灵活性资源配置和新能源以及负荷的随机波动特性有效地匹配,从而实现电力系统的安全稳定运行^[2,3,4].

为了在规划阶段融入灵活性指标,需要准确评估现有电力系统的灵活性.但是,灵活性指标的定义和体系还在不断地发展和完善.国际能源署(IEA)将电力系统灵活性定义为电力系统面对预测中的波动和预测外的扰动时,快速反应并确保供电可靠的能力^[5].北美电力可靠性协会(NERC)认为,针对系统中的不确定性,调配可用资源进行响应的能力即是系统灵活性^[6].Lannoye等^[7]从净负荷需求角度评估电力系统灵活性.鲁宗相等^[8]提出多时间尺度灵活性供给-需求平衡机理的通用数学方法、灵活性度量指标和裕量评估模型,从对资源、需求作用机理方面,提出曲线平移类、曲线整形类和综合类3种提高灵活性的方法.周光东等^[9]建立了可再生能源和负荷的波动性模型,从调度运行的角度提出10个节点的运行灵活性指标.Wang等^[10]将电源爬坡率作为指标评价电力系统的灵活性.Tian等^[11]将灵活性资源不足时段和爬坡资源不足期望作为灵活性评估指标.李海波等^[12]基于蒙特卡洛模拟法和经济调度模型,提出一种能够考虑风电和负荷的不确定性,并计入风功率预测误差时间相关性的定量评估指标体系.詹勋淞等^[13]考虑新能源发电的多时间尺度波动特性,提出一种基于形态学分解的电力系统灵活性评估指标及其计算方法.

上述研究主要从灵活性供需关系的角度对电力系统的灵活性裕度进行评估.但是,在灵活性评估中,系统灵活性良好不仅需要满足区域内的供需平衡,还需要满足系统的线路传输能力要求.如果区域内的灵活性供需较大,区域内的线路传输能力可能无法满足电能传输的要求,导致线路负载率过高,影响电力系统的安全稳定运行.同时,向其他区域输送多余的电量时,需要保证区域之间输电通道的传输能力能够承载输送的电能.因此,在分析电力系统的灵活性时,需要同时考虑供需和线路以及输电通道的灵活性,当三者都满足要求时,才能够保证系统的灵活运行.

在现有场景聚类方法^[14,15,16]的基础上,提出一种基于改进的K-means聚类算法的典型场景电力系统灵活性评估方法.首先,通过改进的K-means算法将可再生能源和负荷的运行场景历史曲线进行聚类组合,将大量历史运行场景缩减为几个典型场景.然后,从区域内供需平衡、区域内潮流分布和区域间输电能力3个角度提出灵活性评估指标:分区供需上、下调和分区网架以及分区间输电通道的灵活性不良指数;计算每种场景的灵活性评估指标,并根据每种场景的出现概率计算得到综合评估指标来评估系统的整体灵活性状态.该指标不仅考虑电力系统灵活性资源和需求的供需平衡关系,还融合系统内潮流分布因素和区域间输电能力因素,保证系统线路传输能力能够满足电能传输要求,从而全面评估电力系统的灵活性.最后,基于云南电网实际的风光水出力数据和负荷数据,在改进的IEEE 39节点系统上进行灵活性评估,分析该聚类方法和灵活性指标的合理性.

1 基于改进聚类方法的典型场景生成

1.1 改进K-means算法

K-means算法是一种经典的聚类算法,因其执行效率高而应用广泛.但是,K-means算法需要预先得到聚类中心的数量,而多数情况下无法在聚类之前得知具体数量.如果聚类中心数量的取值不合理,则会增大聚类结果的误差.对此,利用一种基于Canopy算法的改进K-means算法对历史运行场景进行聚类.聚类之前需要先利用Canopy算法对历史运行场景进行一次粗聚类,确定聚类中心数目.Canopy算法不需要预先指定聚类数目,通常可以在预处理阶段对数据进行粗聚类.根据粗聚类结果准确处理数据,优化聚类结果.Canopy算法的具体步骤如下^[17,18]:

步骤1 输入原始数据组成的集合List,并设置距离阈值T1和T2,且T1>T2.

步骤2 从List中随机选取数据点P',将点P'作为第一个数据中心Canopy,并将其从List中删除.

步骤3 从List中取点Q,计算点Q到已经产生的所有Canopy的距离.如果点Q到某个Canopy的距离小于T2,则将点Q加入该Canopy中,并将其从List中删除,即认为点Q距离该Canopy的距离足够近,不能作为其他Canopy的中心;如果点Q到所有 Canopy 的距离均大于T1,则将点Q作为一个新的Canopy,并将其从List中删除;如果点Q到某个Canopy的距离在T2与T1之间,则将点Q加入该Canopy,但不将其从List中删除,并继续参与后续计算.

步骤4 对List中的其他点重复步骤3的操作,直到List为空.

将Canopy算法输出得到的粗聚类数目作为K-means聚类的输入参数,得到最终的聚类结果.

1.2 典型场景生成

在电力系统中,大量可再生能源的接入和负荷的波动性,均会增加电力系统的不确定性,导致同一年中新能源电源的出力曲线没有规律.因此,需要对一年中新能源电源的历史出力曲线进行聚类,从而得到典型出力曲线.但是,如果分别分析每条历史出力曲线的改进聚类方法,可能会导致每个电源的聚类曲线数量均不同,增加后续分析的复杂度和计算量.因此,需要定义电源运行场景,即把系统中所有的新能源电源作为整体得到的出力特性场景.每种电源的运行场景包含了每个新能源电源的出力特性曲线.在聚类过程中,先对每个电源进行Canopy粗聚类,得到最佳聚类数;再对电源运行场景进行K-means聚类,得到新能源电源的典型运行场景.具体过程如下:

首先,分别对n'个新能源电源的历史曲线进行Canopy粗聚类分析,得到每个电源出力的粗聚类中心数k_i(1≤i≤n').计算得到所有粗聚类数中出现最多的k_i,并将此聚类中心数作为电源典型运行场景的最佳聚类数(k).然后,将k作为下一步K-means聚类方法的输入参数,对电源运行场景进行统一的场景聚类,得到电源的典型运行场景.同时,可以根据每种典型场景中包含的历史场景数量,得到每种典型场景的出现概率(P).负荷典型场景的聚类过程与电源的聚类过程类似,不再赘述.

分别聚类得到电源(假设m个典型场景)和负荷(假设n₀个典型场景)的聚类结果后,将电源和负荷的典型场景两两组合,得到m×n₀种系统典型运行场景和每种系统典型运行场景的出现概率P_i×P_j(1≤i≤m,1≤j≤n₀).系统典型运行场景生成的过程如图1所示.该场景基本涵盖了可能出现的源荷匹配场景.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 典型场景生成流程图

Fig.1 Flowchart of typical scenario generation

2 电力系统灵活性评估指标

对某个电力系统进行分区,并分别在电力系统的区域内和区域间进行灵活性评估,评估指标如图2所示.区域内灵活性评估指标包括分区供需上、下调灵活性不良指数和分区网架灵活性不良指数;区域间灵活性评估指标包括分区间输电通道灵活性不良指数.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 灵活性评估指标示意图

Fig.2 Diagram of flexibility evaluation index

2.1 分区供需上下调灵活性不良指数

分区供需灵活性指标是判断区域内的灵活性资源是否满足灵活性需求的指标.分区灵活性资源示意图如图3所示,其中风电、光伏和水电均为不可控机组,火电、储能等资源为可控机组.在灵活性需求的计算中,考虑不可控机组和负荷的出力波动;在灵活性供给的计算中,考虑可控机组提供的灵活性供给能力.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 分区灵活性资源示意图

Fig.3 Diagram of zone flexibility resources

分区中不可控机组和负荷在t时刻产生的功率需求和供给分别为

(1)P_{uncon_demand}(t)=P_load(t)+ΔP(t)

(2)P_{uncon_supply}(t)=P_wind(t)+P_PV(t)+P_hydro(t)

式中:P_load(t)、P_wind(t)、P_PV(t)和P_hydro(t)分别为分区的负荷出力功率、风电出力功率、光伏出力功率和水电出力功率;ΔP(t)为分区与外界的交换功率.当ΔP(t)>0时,认为该分区向外界输送功率,增加功率需求;当ΔP(t)<0时,认为该分区从外界接收功率,减小功率需求.

不可控部分的功率需求变化上、下限为

(3)P_{uncon_demand_max}(t)=(1+λ)P_{uncon_demand}(t)- (1-λ)P_{uncon_supply}(t)

(4)P_{uncon_demand_min}(t)=(1-λ)P_{uncon_demand}(t)- (1+λ)P_{uncon_supply}(t)

式中:λ为功率波动系数,λ越大则功率波动越大.

基于上述功率需求的变化范围,分区的灵活性需求计算过程如下,示意图如图4所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 上、下调灵活性需求示意图

Fig.4 Diagram of upward and downward flexibility demand

当P_{uncon_demand_min}(t)>P_{uncon_demand}(t-1)时,只有上调灵活性需求:

(5)P_{demand_up}(t)=P_{uncon_demand_max}(t)- P_{uncon_demand}(t-1)

当P_{uncon_demand_max}(t)>P_{uncon_demand}(t-1)>P_{uncon_demand_min}(t)时,既有上调灵活性需求,又有下调灵活性需求:

(6)

\begin{array}{l} P_{demand_up} (t) = P_{uncon_demand_\max} (t) - \\ P_{uncon_demand} (t - 1) \\ P_{demand_down} (t) = P_{uncon_demand} (t - 1) - \\ P_{uncon_demand_\min} (t) \end{array}\}

当P_{uncon_demand}(t-1)>P_{uncon_demand_max}(t)时,只有下调灵活性需求:

(7)P_{demand_down}(t)=P_{uncon_demand}(t-1)- P_{uncon_demand_min}(t)

分区的上、下调灵活性供给由可控机组提供,计算过程如下:

(8)P_{supply_up}(t)=P_{con_gen_max}-P_{con_gen}(t)

(9)P_{supply_down}(t)=P_{con_gen}(t)-P_{con_gen_min}

式中:P_{con_gen}(t)为可控机组的出力值;P_{con_gen_max}和P_{con_gen_min}分别为所有可控机组的最大出力值和最小出力值.

根据上述上、下调灵活性需求和供给,可以得到供需上、下调灵活性不良指数:

(10)F_up(t)=

\frac{P_{demand_up} (t)}{P_{supply_up} (t)}

(11)F_down(t)=

\frac{P_{demand_down} (t)}{P_{supply_down} (t)}

上、下调灵活性不良指数表示灵活性资源满足上、下调灵活性需求的能力.当F_up(t)<1时,P_{supply_up}(t)>P_{demand_up}(t),灵活性资源存在一定裕度.当F_up(t)>1时,P_{supply_up}(t)<P_{demand_up}(t),灵活性资源不一定能够满足电网的需求,因此,需要采取配置可控机组、储能、新能源或切除负荷等措施来保证灵活性资源的供需平衡.同理,当F_down(t)>1时,灵活性资源不满足电网需求,需要采取减少新能源、增加负荷等措施来保证灵活性资源的供需平衡.

2.2 分区网架灵活性不良指数

大量新能源的接入会影响系统的潮流分布,分区网架灵活性指标是判断区域内的网架结构和线路传输能力是否能够满足潮流分布的指标.其以t时刻网络中计算负载率最大的N条支路的加权平均值作为t时刻网架灵活性不良指数:

(12)Flex_net(t)=

\sum_{i = 1}

μ_iL_i(t)

式中:i为任意支路;μ_i为灵活性权重系数;L_i(t)为计算负载率,且

(13)μ_i=

\frac{σ_{i}^{2}}{\sum_{i = 1} σ_{i}^{2}}

\frac{\sum_{t = 1} (L_{i} (t) - {\bar{L}}_{i})^{2}}{\sum_{i = 1} \sum_{t = 1} (L_{i} (t) - {\bar{L}}_{i})^{2}}

(14)L_i(t)=

\frac{S_{i} (t)}{S_{i \max}}

式中: $σ_{i}^{2}$ 为计算负载率的方差; ${\bar{L}}_{i}$ 为在所有时刻内计算负载率的平均值;T为最大时刻数;S_i(t)为传输容量;S_i_max为最大传输容量.利用μ_i能够横向比较各支路抵御灵活性资源波动影响,找到制约网架灵活性的“短板”.当L_i(t)>1时,实际运行中会出现过载情况,需要采取弃风、弃光、切负荷等措施;当L_i(t)<1时,支路可正常运行.

根据定义,Flex_net(t)>0.当Flex_net(t)>1时,实际运行中会有一条或多条支路超载,需要采取相应的措施应对.因此,Flex_net(t)越小,网架灵活性越好.

2.3 分区间输电通道灵活性不良指数

某些区域接入的新能源较多,负荷较少,区域内需求无法消纳新能源产生的电能,需要将大量的电能输送到其他区域.对此,定义输电通道的灵活性指标以判断输送通道的传输容量是否满足外送功率.

根据分区之间的功率流向关系,将输电通道的两端分区分为送端和受端.假设送端与受端之间有n条输电线路,定义线路1~n的有功功率分别为P₁, P₂, …, P_n,其构成的输电通道如图5所示.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 输电通道示意图

Fig.5 Diagram of a transmission channel

对于送端,其在t时刻时的送出功率为

(15)P_supply(t)=P_wind(t)+P_PV(t)+P_hydro(t)+ P_{con_gen}(t)-P_load(t)-ΔP(t)

2.3.1 正常运行条件在忽略传输损耗的情况下,送端的送出功率即为区域间输电通道的传输功率:

(16)P_supply(t)=P_trans(t)= P₁(t)+P₂(t)+…+P_n(t)

定义输电通道中线路1~n的功率分配系数分别为r₁,r₂,…,r_n,则

(17)P_trans(t)=P₁(t)+P₂(t)+…+P_n(t)=r₁P_trans(t)+r₂P_trans(t)+…+r_nP_trans(t)=

\sum_{i = 1}

r_iP_trans(t)

式中:r_i为第i条输电线路的功率分配系数,且 $\sum_{i = 1}$ r_i=1.在系统的不同运行场景下,输电线路的功率分配系数不同,但在同一运行场景下,认为输电线路的功率分配系数相同.r_i的定义如下:

(18)r_i=

\frac{{\bar{P}}_{i}}{\sum_{i = 1} {\bar{P}}_{i}}

式中: ${\bar{P}}_{i}$ 为第i条输电线路在所有时刻时的平均功率,且

${\bar{P}}_{i}$ = $\frac{1}{T} \sum_{t = 1}$ P_i(t)

在输电通道的所有输电线路中,如果有一条输电线路i达到输电的功率上限,即

r_iP_trans(t)=P_imax

则认为送端与受端之间的总传输功率已达到最大值.计算每条线路达到功率上限时输电通道的传输容量值,取最小值作为传输通道的传输容量上限:

(19)P_{normal_max}=

\min_{1 < i < n} \frac{P_{i \max}}{r_{i}}

定义送端的最大出力功率为

(20)P_{source_max}=max(t|P_wind(t)+P_PV(t)+P_hydro(t))+ min(t|P_{con_gen}(t))-min(t|P_load(t))- min(ΔP'(t))

式中:ΔP'(t)为送端与其他分区(不包括受端)的交换功率.

在正常运行情况下,输电通道灵活性不良指数:

(21)F_channel=

\frac{P_{source_\max}}{P_{normal_\max}}

若F_channel>1,则说明输电通道的灵活性不足,不能满足送端电源最大出力的传输需求,需要增设新的输电线路;若F_channel=1,则说明输电通道刚好满足送端电源最大出力的传输需求;若F_channel<1,则说明输电通道的灵活性充足,送端电源出力不受阻.

2.3.2 n-1运行条件如果输电通道中的第k条线路发生故障并退出运行,则送端与受端之间只有n-1条输电线路正在运行,则

(22)P_trans(t)=P₁(t)+P₂(t)+…+P_n(t)-P_k(t)=r₁P_trans(t)+r₂P_trans(t)+…+r_nP_trans(t)-r_kP_trans(t)=

\sum_{i = 1, i \neq k}

r_iP_trans(t)

如果处于运行状态的n-1条输电线路中有一条输电线路i达到功率上限,则认为送端与受端之间的总传输功率已达到最大值.计算每条线路达到功率上限时输电通道的传输容量值,取最小值作为传输通道的传输容量上限:

(23)P_{k_}_{fault_max}=

\min_{1 < i < n, i \neq k} \frac{P_{i \max}}{r_{i}}

式中:P_k_{_fault_max}为第k条线路发生故障时,输电通道传输功率的最大值.

在每一种运行场景下,计算输电通道中每一条输电线路故障时,剩余输电线路所能传输功率的最小值作为这两个分区之间n-1运行条件下输电通道传输功率的上限:

(24)P_{fault_max}=

\min_{1 < k < n}

P_{k_}_{fault_max}

在n-1运行条件下,输电通道灵活性不良指数:

(25)F_{channel_fault}=

\frac{P_{source_\max}}{P_{fault_\max}}

F_{channel_fault}的意义与F_channel类似,区别仅在于F_{channel_fault}适用于n-1运行条件,而F_channel适用于正常运行条件.

2.4 灵活性评估流程

基于改进K-means算法生成几类典型场景,分析每一类场景的灵活性评估结果,并根据每一类场景出现的概率,加权得到综合灵活性评估指标,具体流程如图6所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 灵活性评估流程图

Fig.6 Flowchart of flexibility evaluation

3 算例分析

基于南方某地区的风光水和负荷的实际历史出力数据,采用改进的IEEE 39节点测试系统对测试系统进行灵活性评估.算例将测试系统分为3个分区,如图7所示.其中,G为电源.可再生电源的配置情况如表1所示.在节点30、31、36、38、39接入可控电源,总装机容量为 4694MW,可再生能源装机容量为800MW,占比为17.04%;在节点7、18、20、21、23、26、28、39接入波动性负荷.在每个场景内,除了接入可再生能源和波动性负荷的节点,其他节点的电源和负荷都为定值.分区1与2之间输电线路的容量上限为 1000MV·A,分区1与3之间输电线路的容量上限为 1000MV·A,分区2与3之间输电线路的容量上限为 1200MV·A.功率波动系数 λ=0.2.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 分区示意图

Fig.7 Diagram of zones

表1 系统可再生电源配置情况

Tab.1 Renewable source configurations of system

机组类型	节点	装机容量/MW
风电	32	200
风电	33	300
风电	34	100
光伏	35	100
水电	37	100

新窗口打开| 下载CSV

3.1 典型场景生成结果

将新能源和负荷的全年历史曲线作为基础数据进行聚类和场景划分,得到典型场景的日曲线,每条曲线包含24个时刻.

首先确定新能源和负荷的最佳聚类数.使用Canopy算法对每条新能源电源和负荷的年历史曲线进行粗聚类,所得粗聚类数如表2~3所示.

表2 新能源电源粗聚类数

Tab.2 Approximate clustering numbers of renewable energy sources

节点	电源粗聚类数	最佳聚类数
32	3	3
33	3
34	4
35	3
37	4

新窗口打开| 下载CSV

表3 负荷粗聚类数

Tab.3 Approximate clustering numbers of load

节点	负荷粗聚类数	最佳聚类数
7	3	3
18	4
20	4
21	3
23	3
26	3
28	5
29	3

新窗口打开| 下载CSV

由粗聚类结果可知,新能源电源和负荷的运行场景的最佳聚类数均为3.对新能源电源运行场景进行K-means聚类,得到3种典型的电源出力场景及其出现概率.根据电源出力的大小,将3种场景划分为源峰、源平和源谷;对负荷运行场景进行K-means聚类,得到荷峰、荷平、荷谷3种典型的负荷运行场景及其出现概率.将电源和负荷的典型场景两两组合,得到9种系统典型场景及其出现概率,如表4所示.

表4 典型场景概率

Tab.4 Probabilities of typical scenarios

电源场景	概率	负荷场景	概率	系统场景	概率
场景1(源峰)	0.32	场景1(荷峰)	0.41	场景1(源峰荷峰)	0.1312
				场景2(源峰荷平)	0.1120
				场景3(源峰荷谷)	0.0768
场景2(源平)	0.31	场景2(荷平)	0.35	场景4(源平荷峰)	0.1271
				场景5(源平荷平)	0.1085
				场景6(源平荷谷)	0.0744
场景3(源谷)	0.37	场景3(荷谷)	0.24	场景7(源谷荷峰)	0.1517
				场景8(源谷荷平)	0.1295
				场景9(源谷荷谷)	0.0888

新窗口打开| 下载CSV

3.2 分区供需灵活性指标结果分析

根据每种场景的电源、负荷出力曲线计算得到该场景下每个时刻的潮流计算结果;再根据每个场景每个时刻的潮流计算结果和电源出力值以及负荷出力值,利用分区供需灵活性指标的计算方法,得到每个场景的灵活性指标曲线.

3.2.1 新能源出力对供需灵活性指标的影响以分区3为例,选取3种系统场景下的供需上、下调灵活性不良指数曲线,如图8所示.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 系统场景分区3供需灵活性指标

Fig.8 Supply and demand flexibility indexes of Zone 3 in system scenarios

由图可知,在电源出力处于峰值的场景1中,分区3只有下调灵活性,其F_up(t)=0.因为场景1为源峰荷谷,该处新能源电源的出力较大,可以直接满足波动性负荷,所以没有上调灵活性的需求.在场景4和7中,随着新能源出力的降低,新能源的出力逐渐无法满足上调灵活性需求,需要上调可控机组出力;F_up(t)逐渐增大,但F_up(t)<1,说明分区3的可控电源可以满足该区域的上调灵活性需求.

在场景1中,分区3在部分时刻时的F_down(t)>1,说明可控机组的下调能力无法满足下调灵活性需求,可能存在弃用新能源的风险.在场景4和7中,分区3的F_down(t)逐渐减小,这是由于在负荷不变的情况下,新能源的出力逐渐减小,不需要下调可控机组的出力来平衡灵活性需求和灵活性供给.

3.2.2 可控机组出力对供需灵活性指标的影响在系统场景1、4、7中,分区1的供需上、下调灵活性不良指数曲线如图9所示.由图可知,随着分区1新能源出力的减小,场景1、4、7的F_up(t)均逐渐增大.其中,场景4和7的F_up(t)>1,这是因为分区1的可控机组出力接近装机容量,上调空间不足,所以当新能源出力不在峰值时,分区1的可控机组上调灵活性供给无法满足灵活性需求.而可控机组的上调空间不足说明可控机组的下调空间较大,所以在这3种场景下,分区1的下调灵活性较好.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 系统场景1、4、7中分区1供需灵活性指标

Fig.9 Supply and demand flexibility indexes of Zone 1 in system Scenarios 1, 4, and 7

3.2.3 负荷变化对供需灵活性指标的影响在系统场景1、2、3中,分区1的供需上、下调灵活性不良指数曲线如图10所示.当新电源出力都处于峰值时,随着负荷的减小,分区1的F_up(t)逐渐减小,上调灵活性逐渐变好.同时,分区1的F_down(t)逐渐增大,下调灵活性逐渐变差.

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 系统场景1~3中分区1供需灵活性指标

Fig.10 Supply and demand flexibility indexes of Zone 1 in system Scenarios 1—3

3.2.4 全系统供需灵活性指标分析在系统场景1、4、7中,全系统的供需上、下调灵活性不良指数如图11所示.由图可知,全系统的供需上、下调灵活性不良指数均小于1,每个时刻的灵活性供给都能满足其需求.但是,其中的某些分区,存在上调或下调灵活性供给无法满足其需求的情况.因此,在分析系统供需灵活性时,需要根据不同地区的特性将系统进行合理分区后再进行分析.

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 系统场景全系统供需灵活性指标

Fig.11 Supply and demand flexibility indexes of the whole system in system scenarios

随着可再生能源的比例逐渐增大,其出力的不确定性可能会导致切负荷或弃用可再生能源等情况的发生.对此,通过分析每个地区的供需灵活性指标,借助规划等方法可以避免一些不利于系统运行的情况.针对下调灵活性不足的分区,可以通过配置储能设备来削峰,也可以适当增加外送通道,将该地区多余的电能传输给外部区域;针对上调灵活性不足的分区,可以通过配置储能、火电、水库等可控灵活性资源来匹配灵活性需求.

3.3 分区网架灵活性指标结果分析

根据全系统运行的潮流计算结果,在每个分区内由负载率最大的前30%条线路计算得到分区的网架灵活性不良指数.以每个分区网架灵活性不良指数最大的系统场景为例进行分析,3个分区的网架灵活性指标如图12所示.

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 分区网架灵活性指标

Fig.12 Grid flexibility indexes of zones

由图可知,分区1和3均有Flex_net(t)<0.6,说明这两个分区均处于正常运行状态,基本没有线路过载的情况,分区内线路的最大传输容量能够满足潮流的分布.分区2的Flex_net(t)刚刚达到1,说明分区2负载率最大的几条线路都处于满载甚至过载的运行状态,需要增大线路的最大容量以满足线路的潮流分布.

3.4 分区供需灵活性指标和网架灵活性指标综合分析

分区2系统场景7的供需灵活性指标如图13所示.综合图12和13可知,分区2在系统场景7中的供需上、下调灵活性均较好,但网架灵活性较差,说明供需灵活性指标不能完全反映系统的灵活性.当系统的供需灵活性指标满足要求时,系统的线路传输能力仍可能无法承载相应的潮流分布,系统的灵活性供给不能传输给灵活性需求.因此,需要综合供需和网架的灵活性指标来分析系统的灵活性,只有当两个指标都满足要求时,才可以说明系统的灵活性良好.

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 分区2系统场景7供需灵活性指标

Fig.13 Supply and demand flexibility indexes of Zone 2 in system Scenario 7

为了满足系统的供需平衡,可再生能源的比例会随着负荷的增加而增大, 从而影响潮流的分布和大小,可能导致更多线路过载,且无论是否采取相应的调控手段(弃风弃光切负荷),都会给系统的安全稳定运行带来不利影响.利用供需和网架的灵活性指标可以判断系统的供需平衡情况和线路传输能力的裕度,从而综合评估系统的灵活性.

3.5 区域间输电通道灵活性指标结果分析

利用输电通道灵活性指标计算方法,可以得到系统在不同典型场景中不同分区之间的输电通道灵活性不良指数,如表5所示.

表5 输电通道灵活性指标

Tab.5 Flexibility indexes of transmission channel

系统场景	分区1与2		分区1与3		分区2与3
系统场景	正常情况	n-1情况	正常情况	n-1情况	正常情况	n-1情况
1	0.4870	0.8453	0.9287	1.8574	0.7920	1.1881
2	0.5097	0.8592	0.9457	1.8914	0.7779	1.1668
3	0.5322	0.8563	0.9797	1.9593	0.7495	1.1243
4	0.4284	0.7990	0.8405	1.6810	0.8656	1.2984
5	0.4163	0.8129	0.8575	1.7150	0.8514	1.2770
6	0.4288	0.8100	0.8915	1.7830	0.8230	1.2345
7	0.5125	0.7453	0.7476	1.4952	0.9430	1.4145
8	0.4955	0.7592	0.7647	1.5294	0.9288	1.3931
9	0.4466	0.7563	0.7987	1.5974	0.9004	1.3506

新窗口打开| 下载CSV

在所有场景中,各分区之间的输电通道不良指数在正常运行情况下均小于1,说明在正常情况下,各区域间输电通道的最大传输能力可以满足送端的最大出力,送端出力不受阻.在n-1情况下,分区1与2之间的输电通道不良指数小于1,说明当某一条线路出现故障时,输电通道可以满足送端的最大出力;分区1与3以及分区2与3之间的输电通道不良指数均大于1,说明当某一条线路出现故障时,输电通道无法满足送端的最大出力,需要扩建线路来提高输电通道的传输能力.如果电源出力无法送出,则会增加清洁能源的弃用率;如果内部强制消纳,则可能影响潮流分布,增加区域内线路的负载率,增大区域内线路的过载风险,进而影响系统的安全稳定运行.因此,随着新能源出力的逐渐增大,送端分区的最大电源出力增大,需要扩大输电通道的最大输电容量或扩建线路以满足电能的外送需求,同时也可以减小送端区域的清洁能源弃用率.

3.6 综合灵活性指标对比分析

为了研究聚类方法的有效性,需要先根据每种场景的灵活性评估结果及其出现概率加权计算得到综合灵活性指标;再根据全年的电源和负荷历史曲线,计算每一天每一时刻的灵活性指标,并加权得到全年的灵活性指标;最后,比较两种方法的评估结果以验证聚类结果的合理性.以分区1为例,两种方法的供需上、下调和网架的灵活性指标对比关系如图14所示.

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 分区1灵活性指标对比

Fig.14 Flexibility indexes of Zone 1

由图可知,两种方法的供需上、下调灵活性指标结果比较接近,且总体趋势一致.根据聚类场景得到的综合灵活性评价指标能够较为准确地反映出系统在某段时间范围内的灵活性.因此,利用本文典型场景生成方法可以在不影响评估结果正确性的同时,较大程度地减少计算时间,提高灵活性的评估效率.

4 结语

本文研究了电力系统的灵活性评估方法.首先,对新能源和负荷运行场景的聚类方法进行改进.改进后的K-means聚类方法可以将大量的历史数据缩减为几个典型的运行场景.然后,从供需平衡、潮流分布和输电能力3个角度提出电力系统的灵活性评估指标,并基于典型运行场景进行灵活性评估.该指标可以反映电力系统的灵活性状态,典型运行场景可以代表电力系统在整个周期内运行场景的灵活性情况,从而缩短了灵活性评估时间.该灵活性评估方法可以为电力系统的规划配置提供意见,未来工作会进一步考虑基于灵活性评估结果的电力系统优化配置,提高未来电力系统的运行灵活性,保证电力系统更好地应对高比例可再生能源的接入.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

中国可再生能源电力并网研究协作组国家可再生能源中心组. 高比例可再生能源并网与电力转型: 释放电力系统灵活性[M]. 北京: 中国电力出版社, 2017: 80-81.