考虑氢储的风光氢综合能源系统多时间尺度随机生产模拟

doi:10.16183/j.cnki.jsjtu.2022.379

考虑氢储的风光氢综合能源系统多时间尺度随机生产模拟

范宏^,, 邢梦晴, 王兰坤, 田书欣

上海电力大学电气工程学院,上海 200090

Multi-Time Scale Probabilistic Production Simulation of Wind-Solar Hydrogen Integrated Energy System Considering Hydrogen Storage

FAN Hong^,, XING Mengqing, WANG Lankun, TIAN Shuxin

College of Electrical Engineering, Shanghai University of Electric Power, Shanghai 200090, China

责任编辑: 王历历

收稿日期: 2022-09-29 修回日期: 2023-04-24 接受日期: 2023-04-28

基金资助:

国家自然科学基金(52007112)

Received: 2022-09-29 Revised: 2023-04-24 Accepted: 2023-04-28

作者简介 About authors

范宏(1978-),博士,副教授,从事综合能源系统优化及实时仿真的研究;E-mail:suep_fhh@163.com.

摘要

风光发电出力的不确定性和电力存储困难制约着新能源的发展.氢能作为一种优质二次能源,具有绿色无污染和能量密度大的优点.为应对新能源出力的波动性与随机性,提出一种考虑氢储的风光氢综合能源系统多时间尺度随机生产模拟方法.首先,考虑在氢储系统模型中加入热能回收环节,构建包含电热氢多元储能的风光氢综合能源系统模型;其次,对风光氢综合能源系统进行多时间尺度随机生产模拟,通过中长期生产模拟得到系统检修安排与氢储季节分配方案,并将中长期模拟结果作为边界进行短期生产模拟,实现电氢热多元储能相互配合平抑风光随机波动性.最后,利用IEEE-RTS79节点算例验证所提方法能够提高系统运行的可靠性、灵活性、低碳性.

关键词： 新能源; 氢储; 电热氢多元储能; 风光氢综合能源系统; 多时间尺度随机生产模拟

Abstract

The uncertainty of wind power output and the difficulty of power storage restrict the development of new energy. As a high-quality secondary energy, hydrogen energy is green and pollution-free and has a high energy density. In order to cope with the volatility and randomness of new energy output, this paper proposes a multi-time scale probabilistic production simulation method for wind-solar hydrogen integrated energy system considering hydrogen storage. First, thermal energy recovery is considered in the hydrogen storage system model, and the wind-solar hydrogen integrated energy system model including electrothermal hydrogen multiple energy storage is constructed. Then, multi-time scale probabilistic production simulation is conducted for the wind-solar hydrogen integrated energy system, and the system maintenance arrangement and hydrogen storage seasonal distribution scheme are obtained through medium and long-term production simulation. The simulation results are taken as the boundary for short-term production simulation to achieve the cooperation of electrothermal hydrogen multiple energy storage and to smooth the random fluctuation of wind and solar power. Finally, an IEEE-RTS79 node example is given to verify that the proposed method can improve the reliability, flexibility and low-carbon feature of system operation.

Keywords： new energy; hydrogen storage; electrothermal hydrogen multiple energy storage; wind-solar hydrogen integrated energy system; multi-time scale production simulation

PDF (3966KB) 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

范宏, 邢梦晴, 王兰坤, 田书欣. 考虑氢储的风光氢综合能源系统多时间尺度随机生产模拟[J]. 上海交通大学学报, 2024, 58(6): 881-892 doi:10.16183/j.cnki.jsjtu.2022.379

FAN Hong, XING Mengqing, WANG Lankun, TIAN Shuxin. Multi-Time Scale Probabilistic Production Simulation of Wind-Solar Hydrogen Integrated Energy System Considering Hydrogen Storage[J]. Journal of Shanghai Jiaotong University, 2024, 58(6): 881-892 doi:10.16183/j.cnki.jsjtu.2022.379

为实现“双碳”目标,提升以风光为代表的新能源接入综合能源系统比例具有重要意义^[1⇓⇓-4].我国风光资源禀赋、分布广泛,具有极大的开发潜力^[5-6].但是,风光发电出力的不确定性和电力存储的困难制约着新能源发展^[7⇓-9],急需解决新能源与储能协调发展的生产模拟问题.常规储能方式无法满足大规模长期储能的要求,比如抽水蓄能受制于水资源的获取且对建设地理要求高;电化学储能受制于经济性成本、存储规模;飞轮储能的效率与容量很难满足规模化要求且难以参与到更长时间尺度的运行优化中.因此,需要进一步研究大规模、跨时间尺度的储能方式.

氢能作为一种优质的二次能源,具有绿色无污染和能量密度大的优点,氢储能通过电氢间的相互转换,利用氢储罐实现对能量的长期大规模存储,在当前能源转型过程中起到关键作用^{[10⇓⇓-13]}.文献[14]中构建的电热氢多源协调储能系统提升了电网调节灵活性和经济性,实现对电储能的高效替代.文献[15]中在综合能源系统内加入一种考虑热能动态平衡的含氢储能模型,在提高设备出力灵活性的同时也降低系统的运行成本.文献[16]中在可再生能源系统的模型内加入制储用氢环节,通过算例证明氢储能系统能够实现电能的季节性存储,同时减少了系统的弃电率以及经济性成本.文献[17]中将氢储能加入到综合能源系统并进行三阶段优化调度,该方法在提高系统经济性方面具有显著效果.文献[18]中将氢储能单元考虑在内,对搭建的电热氢多能互补系统进行优化调度,算例证明该系统在提高电能利用效率的同时也降低了系统的经济性成本.文献[19]中的制氢-季节性氢储-混氢燃气轮机系统相较于传统火电机组更具有低碳性以及经济可行性.文献[20]中提出的风氢耦合并网系统能量管理控制策略提高了系统的风电消纳能力,降低了并网功率波动.文献[21]中提出考虑12种运行模式的能量控制策略,实现风氢耦合发电系统出力可控,平滑了风能并网出力.因此,在风光等新能源大规模接入综合能源系统的背景下,搭建考虑氢储的风光氢综合能源系统对于消纳新能源,提高系统运行灵活性、低碳性具有重要意义.

综合能源系统生产模拟通过优化发电机组出力来满足负荷需求,并得到可靠性经济性等生产模拟指标,是电力系统进行计划生产与运行规划的工具^[22-23].根据时间尺度划分主要包含中长期生产模拟与短期生产模拟.中长期生产模拟一般以年为周期,主要解决机组检修、新能源中长期消纳等问题.文献[24]中考虑多能源发电特性以及水电出力季节特性进行电力系统中长期生产模拟.文献[25]中在中长期生产模拟时结合时序负荷曲线和持续负荷曲线,提出负荷状态转移曲线的中长期快速机组组合方法.文献[26]中以新能源消纳为目标,提出一种基于各类电源与特高压直流运行约束模型的中长期运行方式优化方法,进而实现新能源的最大化外送消纳.文献[27]中针对搭建的多能源系统,采用不同模拟策略对系统进行随机生产模拟,对比可靠性以及可再生能源消纳指标的同时,分析不同运行条件下的生产模拟结果,验证了所提生产模拟方法的有效性.短期生产模拟采用小时或更高的时间分辨率校验系统周、日的运行方式,获得更为精细的模拟结果.文献[28]中在进行随机生产模拟时,考虑大规模的新能源出力特性,提出不同风电场景及其指标选择的方法.文献[29]中提出一种基于数据驱动的光伏系统日前生产的情景生成方法,减少了随机优化的计算量与时间.文献[30]中基于混合风光火的多能源系统框架,以系统经济性和清洁性为目标确定火电机组的最优组合以及新能源的发电计划.

由上述文献可见,目前的研究均未充分考虑氢储的长期储能特性,未将其与风光发电出力的季节性和互补性相结合.在生产模拟研究中未将短期生产模拟与中长期生产模拟相结合.因此,提出一种考虑氢储季节性分配与电热氢多元储能配合的多时间尺度随机生产模拟方法.根据模拟周期与单位分为中长期生产模拟与短期生产模拟.中长期生产模拟采用近似持续负荷曲线,进行周期为年、单位为周的生产模拟,制定检修计划与氢储分配方案,通过氢储系统进行能量的时间转移从而平抑风光出力季节性波动;短期生产模拟的周期为周、单位为小时并采用时序负荷模型,以中长期生产模拟结果作为边界条件,通过电氢热多元储能相互配合平抑风光波动性.最后,建立3种生产模拟场景,通过算例仿真验证所提多时间尺度生产模拟方法的新能源消纳能力以及系统的可靠性、灵活性、低碳性.

1 氢储系统模型

氢储系统包括制氢、储氢、用氢3个环节,该系统容量大、能量密度高、容量成本低,适用于大规模储能以及能量的长期存储,因此在风光能源季节消纳上具有优势.在氢储系统进行能量转换的过程中,碱性电解水制氢时运行温度可达80 ℃且伴随热量的释放,其转换效率仅在65%左右^[31];电解槽产生1 kW·h电能的同时释放约5 400 kJ的热量^[32],这表明在氢储系统的电氢相互转换过程中损失了大量热能,导致能源利用效率不高.因此,加入热能回收环节将该部分热量进行存储,供给给系统的热负荷,提高了氢储系统对能源的利用效率,同时实现氢与热的多能互补.氢储系统结构具体如图1所示.图中:P_{EL, H}、P_EL分别为电解槽制氢的功率和输入电解槽的功率;P_FC为燃料电池输出的电功率;Q_EL为电制氢过程输入储热罐的能量;Q_FC为氢转电过程输入储热罐的能量.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 氢储系统结构图

Fig.1 Structure of hydrogen storage system

电解槽获得的功率一部分用于制氢,另一部分通过热量释放并储存到储热罐中,表示为

$\begin{matrix} P_{E L, H} = P_{E L} β_{E L} \end{matrix}$

(1)

$\begin{array}{l} Q_{E L} = α_{E L} (1 - β_{E L}) P_{E L} \end{array}$

(2)

式中:β_EL为电解槽的效率;α_EL为传热效率.

燃料电池将氢能转化为电能P_FC供给电负荷,同时反应过程中释放的热能Q_FC被收集到储热罐中.表示为

$\begin{matrix} P_{F C} = P_{F C, H} β_{F C} \end{matrix}$

(3)

$Q_{F C} = α_{F C} (1 - β_{F C}) P_{F C, H}$

(4)

式中:P_FC,H为储氢罐输入的能量;β_FC为燃料电池的效率;α_FC为传热效率.

2 含氢储的风光氢综合能源系统模型

风光氢综合能源系统是光伏发电、风力发电、光热发电的分布式电源与电网天然气网,利用电热氢储装置与冷热电联产等设备,供给冷热电负荷.系统具体结构如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 含电热氢多元储能的风光氢综合能源系统

Fig.2 Integrated energy system structure with electrothermal hydrogen multiple energy storage

2.1 风光出力模型

风电机组的出力与风速密切相关且需要考虑其切入与切出风速的特性,因此采用的风电出力模型如下:

$P_{t}^{W T} = \{\begin{array}{l} 0, & v_{t} \leq v_{c i}, v_{t} > v_{c o} \\ P_{t}^{w o} \frac{v_{t} - v_{c i}}{v_{r} - v_{c i}}, & v_{c i} < v_{t} \leq v_{r} \\ P_{t}^{w o}, & v_{r} < v_{t} \leq v_{c o} \end{array}$

(5)

式中: $P_{t}^{W T}$ 为t时刻风电输出功率; $P_{t}^{w o}$ 为t时刻风电额定输出功率;v_t为t时刻风速;v_ci、v_co、v_r分别为切入、切出和额定风速.

光伏机组出力受到光照强度影响,其出力模型如下:

$\begin{matrix} P_{t}^{P V} = I_{t}^{P V} S η^{P V} \end{matrix}$

(6)

式中: $P_{t}^{P V}$ 为光伏输出功率; $I_{t}^{P V}$ 为t时刻光照强度;S为光伏机组电池面积总数;η^PV为转化效率.

2.2 电热氢多元储能模型

风电光伏出力的输出功率曲线经傅里叶变换转化成频幅特性曲线,按能量波动特性可分为高中低频3部分.不同频率的输出特性导致单一的储能设备无法同时满足经济技术要求,因此采用多元储能装置共同消纳风光出力.低频部分能量占比大且出现大幅度非线性波动,采用氢储与热储进行消纳;高频部分能量占比最小且波动幅度较小,采用超级电容进行消纳;中频部分采用锂电池进行消纳.

2.2.1 电储能

电储能设备响应速度快、灵活性强,能够有效应对新能源出力带来的功率波动问题.因此,采用锂电池与超级电容解决风光消纳区间内中高频率的随机波动问题.锂电池充放效率高、能量密度高且对环境友好,因此用于风光出力中频的消纳, 其储能充放电模型如下:

$\begin{array}{l} \begin{matrix} E_{t}^{L i} = \{\begin{array}{l} E_{t - 1}^{L i} - P_{t - 1}^{L i} / η^{L i}, & P_{t - 1}^{L i} > 0 \\ E_{t - 1}^{L i} - P_{t - 1}^{L i} η^{L i}, & P_{t - 1}^{L i} < 0 \end{array} \end{matrix} \\ s . t . - P_{d i s, m a x}^{L i} \leq P_{t}^{L i} \leq P_{c h a, m a x}^{L i} \\ S_{S O C}^{m i n} \leq S_{S O C}^{t} \leq S_{S O C}^{m a x} \end{array}$

(7)

式中: $E_{t}^{L i}$ 为锂电池在t时刻储能装置容量; $P_{t - 1}^{L i}$ >0表示储能在t-1时段处于放电状态, $P_{t - 1}^{L i}$ <0表示储能在t-1时段处于充电状态;η^Li为储能充放电效率; $P_{d i s, m a x}^{L i}$ 、 $P_{c h a, m a x}^{L i}$ 分别为锂电池最大放电、充电功率; $S_{S O C}^{t}$ 为t时刻储能的荷电状态; $S_{S O C}^{m a x}$ 、 $S_{S O C}^{m i n}$ 为储能荷电状态上下限值.

超级电容作为新型电磁储能装置, 导体间采用液体电解质,响应速度快且循环寿命长,因此用作高频部分的储能设备,具体模型如下:

$\begin{array}{l} P_{t}^{S C} = I_{S C} (t) (U_{S C 0} - \frac{1}{C} \int_{0}^{t} I_{S C} (t) d t - \\ I_{S C} (t) R_{S C}) \end{array}$

(8)

式中: $P_{t}^{S C} 为 t$ 时刻超级电容的功率;C为超级电容值;I_SC、U_SC0、R_SC分别为超级电容内部电流、初始电压、等效电阻.

2.2.2 热储能

热储能包括氢储系统的储热罐以及光热电站的储热罐.氢电互相转化过程释放的热量利用蓄热装置储存起来,进行热负荷的供给.光热电站将光能转化为热能进行储存,同时储热装置通过电加热装置消纳系统中多余电能.

光热发电是一种有别于光伏的新型太阳能发电技术,通过集热场将光能转化为热能进行热储存,转化过程释放的高温蒸汽推动发电系统发电,同时系统中多余电能通过电加热装置以热能形式存于储热罐中.光热电站的电力平衡公式如下:

$\begin{matrix} Q_{t}^{T E S} + Q_{t}^{P B} = Q_{t}^{S F, P r e} - α_{t}^{C S P} β_{t}^{P B} \end{matrix}$

(9)

$E_{t}^{T E S} = (1 - γ^{T E S}) E_{t - 1}^{T E S} + P_{t}^{T E S} Δ t$

(10)

$P_{t}^{P B} = Q_{t}^{P B} β_{t}^{P B}$

(11)

式中: $Q_{t}^{T E S}$ 、 $Q_{t}^{P B}$ 、 $Q_{t}^{S F, P r e}$ 分别为t时刻储热罐能量、发电系统电量以及光热电站输入能量; $α_{t}^{C S P}$ 、 $β_{t}^{P B}$ 分别为光热电站损失的能量和发电效率; $E_{t}^{T E S}$ 为t时刻储热装置能量;γ^TES为储热耗散系数; $P_{t}^{T E S}$ 为储热功率;Δt为时间间隔; $P_{t}^{P B}$ 、 $Q_{t}^{P B}$ 分别为发电系统输出的电能以及输入的热能.

2.3 负荷模型

常见负荷模型包括时序负荷曲线、持续负荷曲线以及分块负荷曲线^[23].考虑到中长期生产模拟模拟周期较长,采用逐小时的时序负荷曲线会导致计算规模过大,无法及时对信息进行处理,因此本文的中长期生产模拟采用近似持续负荷曲线,即通过3个负荷水平对一周内负荷的分布情况进行描述.短期生产模拟采用时序负荷曲线从而更加详细地描述负荷分布.

3 基于多时间尺度的随机生产模拟

3.1 随机生产模拟流程

随机生产模拟包含短期生产模拟和中长期生产模拟.短期生产模拟是以小时为单位、以周为周期模拟风光出力特性.中长期生产模拟是以周为单位、以年为周期模拟风光季节性出力特性.考虑到新能源的随机波动性会使得风光氢综合能源系统的净负荷波动较大,传统检修计划无法保证系统的经济性最优.因此,在中长期生产模拟中考虑风电光伏的影响,从而得到能够适应新能源出力波动以及负荷需求的系统检修计划.采用多时间尺度生产模拟,即先进行以周为单位的中长期生产模拟,计算出系统检修计划、储氢季节性分配,然后以此为边界条件进行以小时为单位的短期生产模拟,最后得到全年的随机生产模拟结果,具体流程如图3所示. 图中: ${P^{E}}_{t}$ 、 ${P^{G}}_{t}$ 、 $P_{t}^{P H}$ 、 $P_{t}^{P L}$ 分别为t时刻电网机组功率、天然气机组功率、储氢罐功率、储热罐功率.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 多时间尺度随机生产模拟流程图

Fig.3 Flow chart of multi-time scale probabilistic production simulation

3.1.1 中长期生产模拟

中长期生产模拟采用持续负荷曲线,主要模拟系统检修计划与燃料供给计划.模型以系统运行维护成本为目标函数,包含机组燃料成本、储能成本、碳排放成本、弃风弃光惩罚成本、失负荷惩罚成本:

$\begin{array}{l} m i n C_{m} = \overset{T}{\sum_{t - 1}} (\overset{N_{i}}{\sum_{i = 1}} f_{i, t} P_{i, t} + \overset{N_{j}}{\sum_{j = 1}} β_{j, t}^{E E S} P_{j, t}^{E E S} + \\ \overset{N_{k}}{\sum_{k = 1}} β_{k, t}^{T E S} Q_{k, t}^{T E S} + \overset{N_{l}}{\sum_{l = 1}} β_{l, t}^{H S S} Q_{k, t}^{H S S} + C_{c b, t} + \\ c_{w - W T} E_{m, t}^{W T - l o s s} + c_{w - P V} E_{n, t}^{P V - l o s s} + c_{w - L} E_{n, t}^{L - l o s s}) \end{array}$

(12)

式中:C_m为系统运行维护成本;f_i_,_t、P_i_,_t分别为t时刻火电机组i的煤耗函数与发电功率; $β_{j, t}^{E E S}$ 、 $β_{k, t}^{T E S}$ 、 $β_{l, t}^{H S S}$ 分别为电储能机组j、热储能机组k、氢储系统机组l的运行维护成本; $P_{j, t}^{E E S}$ 、 $Q_{k, t}^{T E S}$ 、 $Q_{k, t}^{H S S}$ 分别为电储能、热储能、氢储系统的输出功率;C_cb_,t为t时刻碳排放成本;c_w-WT、c_w-PV、c_w-L分别为弃风惩罚成本系数、弃光惩罚成本系数、失负荷惩罚成本系数; $E_{m, t}^{W T - l o s s}$ 、 $E_{n, t}^{P V - l o s s}$ 、 $E_{n, t}^{L - l o s s}$ 分别为t时刻光伏机组m弃光量、风电机组n弃风量、失负荷量.

中长期生产模拟约束包含电力平衡约束、电量平衡约束、备用约束、机组检修约束.

(1) 电力平衡约束.表示为

$\begin{array}{l} P_{t}^{W T} + P_{t}^{P V} + P_{t}^{P B} + {P^{E}}_{t} + {P^{G}}_{t} - P_{t}^{E B} - P_{t}^{A C} - \\ P_{t}^{C R} - P_{t}^{H X} - P_{t}^{L i} - P_{t}^{S C} - P_{t}^{E L} + P_{t}^{F C} = {P^{e}}_{t} \\ Q_{t}^{E L} + Q_{t}^{F C} + Q_{t}^{T E S} + Q_{t}^{H X} + Q_{t}^{E B} = {P^{h}}_{t} \\ P_{t}^{A C} + P_{t}^{C R} = {P^{c}}_{t} \end{array}\}$

(13)

式中: $P_{t}^{E B}$ 、 $P_{t}^{A C}$ 、 $P_{t}^{C R}$ 、 $P_{t}^{H X}$ 、 $P_{t}^{E L}$ 、 $P_{t}^{F C}$ 分别为t时刻电锅炉功率、吸收式制冷机功率、压缩式制冷机功率、热交换器功率、输入氢储系统的功率、输出氢储系统的功率; $Q_{t}^{E L}$ 、 $Q_{t}^{F C}$ 、 $Q_{t}^{H X}$ 、 $Q_{t}^{E B}$ 分别为t时刻电制氢过程输入储热罐的能量、燃料电池转化氢能为电能过程中释放的热能、热交换器功率、电锅炉功率; ${P^{e}}_{t}$ 、 ${P^{h}}_{t}$ 、 ${P^{c}}_{t}$ 分别为t时刻电负荷功率、热负荷功率、冷负荷功率.

(2) 电量平衡约束.表示为

$\begin{array}{l} P_{t}^{W T} {D^{e}}_{t - b} + P_{t}^{P V} {D^{e}}_{t - b} + P_{t}^{P B} {D^{e}}_{t - b} + {P^{E}}_{t} {D^{e}}_{t - b} + \\ {P^{G}}_{t} {D^{e}}_{t - b} - P_{t}^{E B} {D^{e}}_{t - b} - P_{t}^{A C} {D^{e}}_{t - b} - P_{t}^{C R} {D^{e}}_{t - b} - \\ P_{t}^{H X} {D^{e}}_{t - b} - P_{t}^{L i} {D^{e}}_{t - b} - P_{t}^{S C} {D^{e}}_{t - b} - P_{t}^{E L} {D^{e}}_{t - b} + \\ P_{t}^{F C} {D^{e}}_{t - b} = {P^{e}}_{t} {D^{e}}_{t - b} \\ Q_{t}^{E L} {D^{h}}_{t - b} + Q_{t}^{F C} {D^{h}}_{t - b} + Q_{t}^{T E S} {D^{h}}_{t - b} + Q_{t}^{H X} {D^{h}}_{t - b} + \\ Q_{t}^{E B} {D^{h}}_{t - b} = {P^{h}}_{t} {D^{h}}_{t - b} \\ P_{t}^{A C} {D^{c}}_{t - b} + P_{t}^{C R} {D^{c}}_{t - b} = {P^{c}}_{t} {D^{c}}_{t - b} \end{array}\}$

(14)

式中: ${D^{e}}_{t - b}$ 、 ${D^{h}}_{t - b}$ 、 ${D^{c}}_{t - b}$ 分别为t时段第b个电负荷水平持续时间、第b个热负荷水平持续时间、第b个冷负荷水平持续时间.

(3) 备用约束.为保障新能源电力消纳,火电机组需要提供充足的向上、向下备用容量,即

$\begin{array}{l} 0 \leq {P^{U}}_{i, t} \leq P_{t}^{W T - m a x} + P_{t}^{P V - m a x} - P_{t}^{W T} - P_{t}^{P V} \\ 0 \leq {P^{D}}_{i, t} \leq P_{t}^{W T - m i n} + P_{t}^{P V - m i n} - P_{t}^{W T} - P_{t}^{P V} \end{array}\}$

(15)

式中: ${P^{U}}_{i, t}$ 、 ${P^{D}}_{i, t}$ 分别为t时刻火电机组i提供的向上、向下备用调节功率.

(4) 检修约束.机组检修约束包括检修次数约束、检修时间约束、检修连续性约束,表示为

$\begin{matrix} \begin{array}{l} \overset{T}{\sum_{t = 1}} U_{i, t} = M_{i} \\ \overset{T}{\sum_{t = 1}} X_{i, t} = M_{i} T_{i} \\ \overset{t + T_{i} - 1}{\sum_{τ = t}} X_{i, t} - U_{i, t} T_{i} \geq 0 \\ 1 \leq t \leq T - T_{i} + 1 \\ X_{i, t} + Z_{i, t} \leq 1 \end{array}\} \end{matrix}$

(16)

式中:U_i_,_t为t时刻表示机组检修的状态,处于检修状态取1否则取0;M_i为T时段内机组检修次数;X_i_,_t为t时刻机组检修时的状态变量;T_i为每次检修的时间;Z_i_,_t为火电机组开停机状态.

3.1.2 短期生产模拟

短期生产模拟采用时序负荷曲线,模拟风光发电出力的随机性.在中长期生产模拟的基础上,短期生产模拟的目标函数增加机组启停成本,约束条件增加机组爬坡约束、机组启停约束,模型如下所示:

$m i n \overset{N_{i}}{\sum_{i = 1}} n_{i, t} c_{i, t}$

(17)

$\begin{array}{l} \overset{N_{i}}{\sum_{i}} P_{i, t}^{u p} + \overset{N_{j}}{\sum_{j}} P_{E E S, m i n} \geq \\ \overset{N_{k}}{\sum_{k}} (P_{t}^{P V} + P_{t}^{W T} - P_{t}^{P V, m i n} - P_{t}^{W T, m i n}) \\ \overset{N_{i}}{\sum_{i}} P_{i, t}^{d o w n} + \overset{N_{j}}{\sum_{j}} P_{E E S, m a x} \geq \\ \overset{N_{k}}{\sum_{k}} (P_{t}^{P V, m a x} + P_{t}^{W T, m a x} - P_{t}^{P V} - P_{t}^{W T}) \end{array}\}$

(18)

$\begin{array}{l} (U_{i, t - 1} - U_{i, t}) (T_{i, t - 1}^{o n} - T_{i, m i n}^{o n}) \geq 0 \\ (U_{i, t} - U_{i, t - 1}) (T_{i, t - 1}^{o f f} - T_{i, m i n}^{o f f}) \geq 0 \end{array}\}$

(19)

式中:n_i_,_t、c_i_,_t分别为t时刻机组启停次数和对应的启停成本;P_EES,min、P_EES,max分别为电储能功率下限和上限; $P_{i, t}^{u p}$ 、 $P_{i, t}^{d o w n}$ 分别为机组爬坡上限、下限;U_i_,_t为0表示停机,否则为开机; $T_{i, t - 1}^{o n}$ 、 $T_{i, t - 1}^{o f f}$ 分别为t-1时刻机组持续开机时间、机组持续停机时间; $T_{i, m i n}^{o n}$ 、 $T_{i, m i n}^{o f f}$ 分别为机组最短开机时间、机组最短停机时间.

3.2 评估指标

针对含新能源的风光氢综合能源生产模拟问题进行分析,采用失负荷概率以及电力不足期望值体现对系统可靠性的影响,采用向上向下灵活性不足概率描述风光氢综合能源系统的灵活性,最后通过弃风弃光率、新能源渗透率和碳排放成本体现系统对新能源的消纳水平和对环境的友好程度,具体指标如下.

(1) 可靠性指标.失负荷概率(Loss of Load Probability,LOLP)表示第t时刻加载的全部机组可用容量G_t小于净负荷L_t的概率:

$\begin{matrix} L_{L O L P, t} = \sum_{G_{t} (n_{G, t}) < L_{t}} p_{t} (n_{G, t}) \end{matrix}$

(20)

式中:n_G_,_t为t时刻机组加载状态;p_t(n_G_,_t)为t时刻机组卷机后所有状态的离散概率值.

电力不足期望值(Expected Energy Not Supplied,EENS)表示机组停运而造成对用户少供电能的期望值:

$E_{E E N S, t} = \sum_{G (n_{G}, t) < L_{t}} (L_{t} - G (n_{G, t})) p_{t} (n_{G, t})$

(21)

(2) 灵活性指标.灵活性指标是指系统向上向下灵活性不足概率,如下所示:

$\begin{matrix} \begin{array}{l} P_{t}^{u p} = \sum_{P_{s y s, t}^{u p} < L_{t}} ρ_{k, t}^{u p} \\ P_{t}^{d o w n} = \sum_{L_{t} < P_{s y s, t}^{d o w n}} ρ_{k, t}^{d o w n} \end{array}\} \end{matrix}$

(22)

式中: $P_{s y s, t}^{u p}$ 、 $ρ_{k, t}^{u p}$ 分别为t时段系统机组出力最大值及其相应概率; $P_{s y s, t}^{d o w n}$ 、 $ρ_{k, t}^{d o w n}$ 分别为t时段系统机组总出力最小值及其相应概率.

系统机组出力最大最小值的计算公式如下:

$\begin{array}{l} P_{s y s, t}^{d o w n} = m a x \{\overset{N_{i}}{\sum_{i = 1}} (P_{i} - R_{i}^{d o w n} Δ t), \overset{N_{i}}{\sum_{i = 1}} P_{i}^{m i n}\} \\ P_{s y s, t}^{u p} = m i n \{\overset{N_{i}}{\sum_{i = 1}} (R_{i}^{u p} Δ t + P_{i}), \overset{N_{i}}{\sum_{i = 1}} P_{i}^{m a x}\} \end{array}\}$

(23)

式中: $R_{i}^{d o w n}$ 、 $R_{i}^{u p}$ 分别为机组i向下、向上爬坡能力; $P_{i}^{m i n}$ 、 $P_{i}^{m a x}$ 为机组i最小、最大出力.

(3) 环境指标.环境指标包括弃风弃光率,新能源渗透率以及碳排放成本.新能源渗透率如下所示:

$\begin{matrix} η_{e n v} = \frac{P_{t}^{P V} + P_{t}^{W T} + P_{t}^{P H}}{P_{t}^{P V} + P_{t}^{W T} + {P^{G}}_{t} + {P^{E}}_{t} + P_{t}^{P H}} \end{matrix}$

(24)

碳排放成本如下所示:

$\begin{array}{l} C_{c b} = c_{E i} (α_{E i} + β_{E i} P_{E i} + γ_{E i} P_{E i}^{2}) + \\ c_{G i} (α_{G i} + β_{G i} P_{G i} + γ_{G i} P_{G i}^{2}) \end{array}$

(25)

式中:c_E_i为电网机组的碳排放成本;α_E_i、β_E_i、γ_E_i为电网机组的燃料系数;c_G_i为天然气网机组的碳排放成本;α_G_i、β_G_i、γ_G_i为天然气网的燃料系数;P_E_i、P_G_i分别为电网、天然气网机组i的功率.

4 算例分析

采用改进的IEEE-RTS79节点系统^[21]进行算例分析,该系统年最大负荷为 2 850 MW,火电机组总容量2 305 MW,风电装机总容量1 200 MW,光伏装机总容量900 MW,光热机组总容量100 MW.风电出力的年发电量约为 1 637 GW·h,光伏年发电量为 1 842 GW·h,光热年发电量为205 GW·h.弃风弃光弃光热惩罚均为200元/(MW·h),失负荷惩罚为2 000元/(MW·h)^[24,33].火电机组包括燃煤机组和燃气机组,相应的碳排放成本分别为每千克二氧化碳0.34、0.14元^[34].生产模拟周期为一年(52周),一年进行一次检修.中长期生产模拟采用春夏秋冬季各一段典型负荷曲线,短期生产模拟采用时序负荷曲线.

4.1 生产模拟指标分析

设置以下3种场景对系统生产模拟后的指标进行对比分析,如表1所示.

表1 系统生产模拟指标

Tab.1 Simulation index of system production

场景	总成本/万元	碳排放成本/ 万元	弃风弃光惩罚/ 万元	风光能源渗透/%	向上灵活性不足率/%	向下灵活性不足率/%	失负荷概率/%	电力不足期望值/(GW·h)
1	83 422	20 417	1 748	41.231	0.0116	10.562	1.119	0.484
2	84 013	20 563	1 756	36.513	0.0142	12.137	1.125	0.612
3	83 872	20 588	1 763	34.484	0.0151	13.096	1.145	0.798

新窗口打开| 下载CSV

场景1 考虑多时间尺度生产模拟,即先进行中长期生产模拟,并以检修计划和氢储季节分配作为约束进行短期生产模拟.

场景2 不考虑中长期生产模拟进行氢储季节分配且常规机组采用传统的检修安排作为短期生产模拟边界.

场景3 在多时间尺度生产模拟中不考虑氢储.

由3种场景的生产模拟结果可以看出场景1的排放成本最小,且系统总成本分别比场景2和场景3少591万元、450万元.场景1风光能源利用率为41.231%,在3种场景中最高.由此可见,场景1在考虑氢储的多时间尺度生产模拟实现低碳运行的同时提高了系统的经济性.场景1考虑中长期检修与氢储季节性分配,其弃风弃光惩罚成本为 1 748 万元.由于场景2未考虑中长期的检修与氢储季节性分配,但考虑了氢储,所得弃风弃光惩罚成本为 1 756 万元.场景3考虑中长期检修但未考虑氢储,所得弃风弃光惩罚成本为 1 763 万元.对比可见,场景1比场景2和场景3的弃风弃光惩罚成本分别减少8万元与15万元.因此,场景1在风光消纳与弃风弃光上具有很好的表现.场景1考虑中长期检修与氢储季节性分配,其向上向下灵活性不足率均低于场景2和3,所以场景1具有更好的向上向下灵活调节性.

3种场景的风光能源消纳和弃风弃光率对比如图4所示. 由图可见,场景1的风光消纳区间最大,其中风电与光伏消纳区间分别为996.298和747.310 GW·h,说明考虑氢储同时进行多时间尺度生产模拟能够最大程度提高风光能源的渗透率.场景2由于不考虑中长期模拟,不进行氢储分配与检修计划,相比场景1其弃风弃光率高3.22个百分点;场景3由于进行生产模拟时不配置氢储装置,相比场景1其弃风弃光率高4.27个百分点,因此,场景1考虑中长期生产模拟,并以检修计划和氢储季节分配作为约束进行短期生产模拟的方式能够提高新能源利用率,减少弃风弃光量,更好地消纳新能源,如表2所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 风光能源消纳对比

Fig.4 Comparison of wind energy and solar energy consumption

表2 风光能源消纳数据

Tab.2 Consumption data of renewable energy

场景	风光消纳电量/(GW·h)	弃风弃光率/%
1	1743.608	6.53
2	1665.342	9.75
3	1653.261	10.80

新窗口打开| 下载CSV

4.2 中长期检修计划

传统检修不考虑新能源并网造成的净负荷波动较大问题,因此无法兼顾系统经济性与检修容量.本文的中长期检修考虑风光出力随机波动性与季节性特征,先进行中长期模拟并以此结果合理安排检修计划更好地满足负荷需求.系统检修计划对比如图5所示.由图可见,传统检修安排容量较为平均,在9~16、31~34的小负荷周安排检修容量较小,在18~20的大负荷周安排检修较多.本文采用的中长期检修将多数检修安排在负荷低谷周,在18~21、46~48的大负荷周检修少.因此,中长期检修计划能与计及风光波动的系统负荷需求相适应, 有效减小火电机组的调峰压力.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 系统检修容量对比图

Fig.5 Comparison of maintenance capacity

由图5还可发现,第36周常规机组检修容量较大,新能源渗透率较高,因此选取该周对比系统采用传统检修与中长期检修计划的风光消纳情况以及系统灵活性指标,具体如图6所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 第36周系统生产模拟结果对比

Fig.6 Comparison of production simulation results of the system in Week 36

由图6(a)可见,相比于传统检修,中长期检修方式下系统第36周的新能源可消纳区间更大.由图6(c)可见,相比于传统检修,中长期检修方式下系统的碳排放成本与弃风弃光成本分别减少 1 280、6 360 元.因此,中长期检修计划考虑风光出力季节特性并进行氢储季节性分配,能够减少弃风弃光惩现象,更好地消纳风光出力.相比于传统检修,中长期检修的向上向下灵活性不足率分别降低至 0.016 1%和6.951%.因此,中长期生产模拟将检修安排在系统净负荷需求较小的周次,避开负荷高峰,减小火电调峰压力.

4.3 氢储的季节性分配与多元复合储能

通过中长期生产模拟得到氢储的季节分配方案,即在新能源出力较多且负荷需求较少周次通过氢储系统大量存储能量,在风光出力小且负荷需求大的周次将氢储能量释放,进而实现能量的长期转移.以中长期生产模拟的检修计划与氢储分配结果作为边界条件,通过电热氢储共同进行短期生产模拟的风光消纳.

根据图7所示四季的典型日进行具体分析.由图可见,风光出力与负荷需求具有季节特性.在春季典型日中,系统总负荷较小,风电出力较大,因此利用氢储系统进行风电的大量存储.在夏季典型日中,冷负荷较为集中,系统总负荷较大,因此风光、电网气网协同氢电储共同供给负荷.在秋季典型日中,出现较大的负荷波动, 通过氢储以及相应的电储热储共同平抑风光出力波动.在冬季典型日中,热负荷需求大,氢储系统释放储存的能量供给负荷需求.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 四季典型日系统功率平衡

Fig.7 Power balance of typical daily system in four seasons

5 结论

提出一种考虑氢储的风光氢综合能源系统多时间尺度随机生产模拟方法,利用中长期生产模拟得到检修计划安排,然后以此为边界进行短期生产模拟得到系统的可靠性、灵活性、环境指标,结论如下:

(1) 在中长期生产模拟模型中考虑检修计划与燃料供给计划,根据负荷与风光出力的季节特性,制定出更加合理的机组检修计划.

(2) 在短期生产模拟模型中考虑机组爬坡约束、机组启停约束,时间分辨率较高,更加详细地反映风光出力的随机波动性.

(3) 多时间尺度生产模拟将中长期生产模拟结果作为短期生产模拟的边界条件,考虑电热氢多元储能平抑风光出力的随机波动性,实现对风光出力的多时间尺度消纳.

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]

李政, 陈思源, 董文娟, 等.

碳约束条件下电力行业低碳转型路径研究

[J]. 中国电机工程学报, 2021, 41(12): 3987-4001.