面向电力市场多时间尺度场景应用的风储系统调度方法
Dispatching Method of Combined Wind-Storage System for Multi-Time Scale Scenarios Application in Electricity Markets
通讯作者: 沈非凡,助理教授;E-mail:shenfeifan@hnu.edu.cn.
责任编辑: 王历历
收稿日期: 2022-12-2 修回日期: 2023-01-22 接受日期: 2023-02-10
基金资助: |
|
Received: 2022-12-2 Revised: 2023-01-22 Accepted: 2023-02-10
作者简介 About authors
殷高文(1996—),硕士生,从事面向电力市场的风储系统优化调度研究.
针对风储系统参与电力市场不同调用时间尺度场景的耦合问题,提出面向电力市场多时间尺度场景应用的风储系统优化调度方法,指导风储系统进行短时风功率波动平抑,并参与电能量市场及备用辅助服务市场,实现不同调用时间尺度场景间协同优化,最大化风储系统经济效益.首先,考虑不同场景盈利机制,以风储系统多场景经济收益最大为目标建立目标函数.然后,建立风储系统参与各应用场景条件约束以及多调用时间尺度耦合约束.最后,算例仿真验证了所提方法可在保证风功率波动不越限的同时,提升风储系统在日前电能量市场及备用辅助服务市场中的综合运行效益.
关键词:
Aimed at the coupling problem of the combined wind-storage system participating in different call time scale scenarios in electricity markets, an optimal dispatching method of the combined wind-storage system oriented to the application of multi-time scale scenarios in electricity markets is proposed to guide the combined wind-storage system to suppress short-term wind power fluctuation, and participate in the electric energy market and the reserve ancillary service market, so as to realize the collaborative optimization among different call time scale scenarios application and maximize the economic benefits of the combined wind-storage system. First, considering the profit mechanism of different scenarios, the objective function is established with the objective of maximizing the economic benefits of multiple scenarios of the combined wind-storage system. Then, the constraints of the combined wind-storage system participating in various application scenarios and multi call time scale coupling constraints are established. Finally, the numerical simulation verifies that the proposed method can improve the comprehensive operation profit of the combined wind-storage system in the day-ahead electric energy market and the reserve ancillary service market while ensuring that the wind power fluctuation does not exceed the limit.
Keywords:
本文引用格式
殷高文, 沈非凡, 黄晟, 魏娟, 屈尹鹏, 王鹏达.
YIN Gaowen, SHEN Feifan, HUANG Sheng, WEI Juan, QU Yinpeng, WANG Pengda.
然而,上述研究均只考虑风储系统参与单一应用场景的情况,由于现阶段储能投资运营成本较高[11-12],单一场景应用使得风储系统面临收益率低、成本回收周期长等问题,所以亟需研究风储系统多场景应用策略,以提高风储系统经济效益.文献[13]中提出面向调峰、调压及备用场景的分布式储能优化调度策略,但未考虑风电的不确定性.文献[14]中提出储能以消纳风电为基本应用场景,综合参与电能量市场、备用辅助服务市场的协同运行策略.文献[15]中基于云储能租赁服务提出风储系统参与能量-调频市场的调度策略.文献[16]中将储能同时应用于削峰填谷和风电计划跟踪两种场景.文献[17]中则提出将储能应用于风电计划跟踪并参与调频的策略,建立在电力市场环境下以风储电站利润最大为目标的风储两场景运行模型.此外,由于电能量与备用具有很强的耦合关系[18-19],所以目前针对风储系统参与电能量市场和备用市场的研究多集中在两种应用场景下的联合协调优化.如文献[20]中建立一个指导风电-储热综合能源系统同时参与电能量市场和备用市场的日前优化决策模型.文献[21-22]中均借助储能实现风储系统日前电力市场收益最大与日内平衡市场偏差最小目标,提高风储系统参与电能量及备用联合市场的综合收益.文献[23]中则研究了风电场与储能系统采用虚拟发电厂形式提供电能量与备用辅助服务时的协同优化问题.但上述针对风储系统多场景应用的研究均是针对同一调用时间尺度下的多场景应用,或为方便研究忽略调用时间尺度差异问题,未考虑不同调用时间尺度应用场景之间的协同优化.
综上所述,现阶段针对风储系统参与3种及以上应用场景协同优化的研究有限,且目前研究仅聚焦同一调用时间尺度下的场景应用,风储系统参与多样化组合场景以拓宽营收渠道方案受限.为此,聚焦风电不确定性及电力市场价格不确定性下风储系统多场景应用的耦合问题,提出电力市场环境下风储系统参与10 min调用时间尺度的风功率波动平抑、参与1 h调用时间尺度的日前电能量市场及备用辅助服务市场3种调用时间尺度不同的场景应用间的协同优化调度方法,最大化风储系统参与电力市场经济效益.基于MATLAB平台进行算例分析,仿真结果表明所提方法可在保证风功率波动不越限的同时,有效提升风储系统在日前电能量市场及备用辅助服务市场中的综合运行效益.
1 风储系统多调用时间尺度场景应用机制
1.1 风储系统多调用时间尺度场景应用的可行性分析
所考虑的风储系统为采用共交流母线将储能与风电场连接至同一母线的拓扑结构,储能需保证风电场出力波动在允许范围内,同时储能还具备一定的自主性.针对风储系统平抑风功率波动以及参与电能量市场、备用辅助服务市场的不同调用时间尺度场景协同优化调度策略进行研究,在此之前应考虑所述场景组合的可行性.
其次,电能量市场应用场景中包含两种收益方式.一种是风储系统依据日前电能量市场的预测电价形成1 h调用时间尺度的日前出力计划,在电价较低时段从电力市场购买电能依靠储能进行储存,在电价较高时段向市场出售电能,通过电价差获得利润;另一种是风电直接向电网输送电能,获得电能量收益.
因此,3种应用场景均有对应的应用机制及市场机制,具备运行机制可行性.
1.2 多调用时间尺度场景应用调度模式
风储系统参与不同调用时间尺度场景应用中存在两类耦合.第一类耦合是平抑风功率波动过程中10 min调用时间尺度与电力市场中1 h调用时间尺度的耦合,在一个调度周期内,10 min尺度优化结果会对1 h尺度下的优化造成影响,反之亦然;此外,风储系统中储能的备用容量与当前充放电功率、当前荷电状态有关,且由于备用电量本质上也是电能量的交换,所以备用辅助服务计划的制定与储能电能量市场的充放电计划也会相互影响.备用电量及功率与电能量的耦合称为第二类耦合.
在制定多调用时间尺度场景应用调度模式时需综合考虑上述两类耦合产生的影响,进行适当处理.针对第一类耦合,因波动平抑调用尺度为10 min,可设定风功率波动平抑动作所在的小时段内不再进行电能量市场与备用辅助服务市场规划,解耦的同时优先保证风电并网质量;对于第二类耦合,储能备用容量同时受可充放的功率和电能量状态制约,则可采用电能量市场的储能充放电功率来表示备用辅助服务市场上下调备用容量,针对能量状态则将3种场景纳入同一体系中,要求多场景应用下储能各时刻的综合能量状态不超过其额定值.
基于对上述两类耦合关系及风储系统其他运行约束的考虑,风储系统参与不同调用时间尺度场景的应用调度计划形成过程如图1所示.风储系统日前计划出力优化调度模型对风电预测出力数据及日前电力市场电价预测数据分析处理,指导优化风储系统参与不同调用时间尺度场景应用.
图1
图1
风储系统多调用时间尺度场景应用调度计划形成示意图
Fig.1
Formation of multi time scale scenario applications scheduling plan of combined wind-storage system
2 风储系统日前计划出力优化调度模型
2.1 目标函数
在日前优化调度中,风储系统基于日前风电功率预测、储能能量状态和充放电特性、电能量市场预测电价及备用辅助服务市场预测电价,以风储系统经济收益最大为目标,形成目标函数:
式中:第1项为风储系统参与电能量市场的经济收益,为突出显示储能调度规划对经济收益的影响,此处只计算风储系统通过低储高发获得的经济收益,不包含风电直接并网收益;第2项为风储系统参与备用辅助服务市场的经济收益;I、J分别为电能量市场预测电价场景集合和备用辅助服务市场预测电价场景集合;T为调度周期内以1 h为时间尺度的时段集合;t为调度周期内以1 h为时间尺度的任意时段,取值为1, 2, …, 24;Δt为1 h时间间隔;ρi、ρj分别为电能量市场预测电价场景i和备用辅助服务市场预测电价场景j的概率参数;
2.2 约束条件
2.2.1 风储系统平抑风功率波动约束
表示为
式中:t'为调度周期内以10 min为时间尺度的任意时段,取值为1, 2, …, 144;Δt'为10 min时间间隔;
2.2.2 储能功率约束
表示为
式中:
2.2.3 储能能量约束
表示为
式中:Ee, t'、Ee, t分别为储能参与平抑风功率波动时段t'和参与电能量市场时段t的能量值;
2.2.4 多调用时间尺度耦合约束
表示为
式中:Et为整个调度周期内储能在各个以1 h为尺度的时刻能量值,是储能参与平抑风功率波动和电能量市场场景应用下能量的耦合值;
3 算例仿真
3.1 算例设置
为了验证所提不同调用时间尺度场景应用优化调度模型的有效性,在MATLAB仿真平台上进行仿真验证,并调用Gurobi求解器对模型进行求解.
图2
图3
图3
不同电能量市场预测电价场景
Fig.3
Different forecast price scenarios of electric energy market
图4
图4
不同备用辅助服务市场预测电价场景
Fig.4
Different forecast electricity price scenarios of reserve ancillary service market
表1 不同预测场景的发生概率
Tab.1
预测项目 | 概率 | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
场景1 | 场景2 | 场景3 | 场景4 | 场景5 | 场景6 | 场景7 | 场景8 | 场景9 | 场景10 | |
风电预测出力 | 0.286 | 0.346 | 0.157 | 0.211 | ||||||
电能量市场预测电价 | 0.106 | 0.154 | 0.226 | 0.061 | 0.114 | 0.060 | 0.071 | 0.070 | 0.070 | 0.068 |
备用辅助服务市场预测电价 | 0.046 | 0.101 | 0.235 | 0.100 | 0.118 | 0.089 | 0.121 | 0.060 | 0.053 | 0.077 |
设定风储系统中的储能容量为 40 MW/160 MW·h,储能初始荷电状态
3.2 算例结果及分析
图5
图5
不同风电出力场景下平抑效果情况
Fig.5
Stabilization effect in different wind power output scenarios
图6
图6
平抑风功率波动场景中储能日前计划出力情况
Fig.6
Planned output of energy storage system in the scenario of stabilizing wind power fluctuation
图7
图7
风储系统参与电能量市场日前计划出力
Fig.7
Planned output of combined wind-storage system participating in electric energy market
图8给出风储系统参与备用辅助服务市场的容量预留量计划.储能所能提供的备用容量受到备用辅助服务市场电价及储能荷电状态的综合影响.00:00—07:00 备用辅助服务市场电价接近0,因而优化结果中风储系统在该时段即使有较高的能量状态也并未安排参与备用辅助服务市场.由图4可知,在 09:00 辅助服务市场电价出现下跌,但在 08:00—12:00 时段备用辅助服务电价整体仍处于较高水平,且由图9得知此时段储能荷电状态位于50%左右,故风储系统既可进行上调备用容量预留,也可进行下调备用容量预留.在 18:00—22:00 时段,备用辅助服务电价同样整体处于高位状态,储能荷电状态满足调用需求,此时段也安排风储系统参与备用辅助服务市场.此外,由于储能可通过切换充放电状态提供备用,因而会出现如 08:00、10:00、11:00、19:00、20:00 时段风储系统可提供备用功率超过储能额定功率的情况.
图8
图8
风储系统参与备用辅助服务市场日前计划出力
Fig.8
Planned output of combined wind-storage system participating in reserve auxiliary service market
图9
图9
各时段储能充放电功率及荷电状态
Fig.9
Charging and discharging power and state of charge of energy storage system in each period
为分析所提不同调用时间尺度场景应用方法的营收优势,对以下两种算例场景进行对比:算例场景①考虑风储系统同时进行平抑风功率波动、参与电能量市场和备用辅助服务市场3种应用场景;算例场景②考虑风储系统只进行平抑风功率波动及参与电能量市场2种应用场景.不同算例场景下风储系统经济收益情况如表2所示.由表可见,算例场景①中风储系统电能量收益虽然低于算例场景②,但因其较算例场景②多获得备用辅助服务市场的收益,所以总收益仍高于算例场景②,这证明了所提多调用时间尺度场景应用在提高经济收益方面的有效性.
表2 不同算例场景下风储系统经济收益情况
Tab.2
算例场景 | 电能量 收益/美元 | 备用辅助服务 收益/美元 | 总收益/美元 |
---|---|---|---|
① | 267.62 | 16 056.52 | 16 324.14 |
② | 2 407.98 | 2 407.98 |
4 结论
综合考虑风电不确定性及电力市场电价不确定性,针对风储系统参与不同调用时间尺度场景应用耦合问题,提出面向电力市场的平抑风功率波动、电能量市场、备用辅助服务市场多调用时间尺度场景应用的风储系统优化调度方法,旨在优化风储系统多调用时间尺度协同运行策略,最大化其运行效益.进一步基于算例对所提方法进行仿真验证,结论如下:
(1) 所提方法能够有效平抑风功率波动,对算例中越限的风功率波动风储系统均能借助储能充放电使得风电并网质量得到改善,且优化得到的风储系统出力能有效应对风电预测出力的不确定性.
(2) 储能在电力市场中通过对能量的统筹规划使自身调度更具经济性,所提方法可使得风储系统在电能量市场与备用辅助服务市场均获得相应收益.
(3) 对比分析所提多调用时间尺度场景应用方法与只参与两种应用场景的经济收益,可知所提方法可有效提升风储系统经济收益,定量验证了所提方法的有效性.
依据日前风电预测出力数据及日前电力市场的价格数据,借助所建立的多调用时间尺度优化模型来规划风储系统参与不同调用时间尺度场景应用,所形成的仅是日前出力调度计划.依据超短期预测数据进行实时平衡市场的风储系统优化调度将是下一步研究方向.
参考文献
双碳”目标下中国清洁电力发展路径
[J].
DOI:10.16183/j.cnki.jsjtu.2021.272
[本文引用: 1]
目前,第三次能源革命已经开始,为了减少碳排放,发达国家先后制定了清洁能源发展战略,并公布了放弃火电、核电的时间表.与此同时,中国也向世界作出承诺:2030年前碳排放达峰,2060年实现碳中和.因此,在“双碳”目标下,研究清洁电力发展路径具有重要意义.分析了中国水、风、光等清洁能源储量及其特征,预测了中长期电力需求,依据电力电量平衡原理,估算了2030和2050规划水平年电力系统结构组成,并分析了未来CO<sub>2</sub>排放趋势,提出了未来中国清洁电力的发展对策与建议.结果表明:预计2027年中国电力系统将实现“碳达峰”;2030年中国清洁电力发电量将超过总发电量的50%;2050年火电、核电将被水、风、光等清洁电力全部取代,电力行业将实现CO<sub>2</sub>的“零排放”,基本全面实现电力系统的绿色转型,以响应国家的“双碳”目标.
Development pathway of China’s clean electricity under carbon peaking and carbon neutrality goals
[J].
新型电力系统中储能应用功能的综述与展望
[J].
Functions of energy storage in renewable energy dominated power systems: Review and prospect
[J].
Generation scheduling optimization of wind-energy storage system based on wind power output fluctuation features
[J].
基于模型预测控制的分布式储能型风力发电场惯性控制策略
[J].
DOI:10.16183/j.cnki.jsjtu.2022.134
[本文引用: 1]
分布式储能型(DES)风力发电机组是解决规模化风力发电接入引起系统频率稳定问题的有效手段.提出一种基于模型预测控制(MPC)的分布式储能型风力发电场惯性控制方法,首先建立分布式储能型风力发电场的线性化预测模型,在此基础上结合MPC控制框架,设计考虑储能损耗成本和风机转子转速均衡变化的MPC惯性控制优化模型和策略,以实现惯量控制期间风力发电机组转子转速的均衡变化.仿真结果表明:所提控制策略可以有效协调分布式储能型风力发电机组中风力发电单元和储能系统单元的有功功率输出,降低储能系统的充放电损耗成本,并保证风力发电场内所有风机转速在惯性控制期间趋于平均,避免由于风机转速下降过度而导致风力发电机组退出调频的问题.分布式储能型风力发电场惯性控制策略有利于提高电网频率稳定性,对保障电网的安全运行具有重要意义.
Inertial control strategy for wind farm with distributed energy storage system based on model predictive control
[J].
计及储能出力水平的平滑风电功率模型预测控制策略
[J].
Model predictive control strategy for smoothing wind power with energy storage output level
[J].
风储系统爬坡事件的日前能量最优平抑方法
[J].
An event-based day-ahead energy optimization method to smooth ramp events of combined wind storage systems
[J].
双结算模式下风储一体化电站两阶段市场投标调度策略
[J].
Two-stage market bidding and scheduling strategy of integrated wind power and energy storage station in dual-settlement mode
[J].
提高风能利用水平的风电场群储能系统控制策略
[J].
Control strategy of energy storage system in wind farm group to improve wind energy utilization level
[J].
风储联合发电系统参与频率响应的模型预测控制策略
[J].
Model predictive control strategy for combined wind-storage system to participate in frequency response
[J].
计及储热备用效益的电热综合能源系统优化调度模型
[J].
Optimal dispatch model of electricity-heat integrated energy system considering reserved benefits of heat storage
[J].
基于源-荷-储互动的储能对风电消纳能力影响分析
[J].
Analysis of influence of energy storage on acceptability for wind power based on source-load-storage interaction
[J].
多主体联合投资微电网源-储多策略有限理性决策演化博弈容量规划
[J].
Multi-agent joint investment microgrid source-storage multi-strategy bounded rational decision evolution game capacity planning
[J].
面向多应用需求的分布式储能优化调度
[J].
Distributed energy storage optimization scheduling for multiple application requirements
[J].
储能系统参与多应用场景的协同运行策略
[J].
Coordinated operation strategy of energy storage system participating in multiple application scenarios
[J].
基于云储能租赁服务的风储参与能量-调频市场竞价策略研究
[J].
Bidding Strategies of wind power and energy storage participating in energy and frequency regulation market based on cloud energy storage leasing services
[J].
考虑时间相关性的风储系统多模式协调优化策略
[J].
A multi-pattern coordinated optimization strategy of wind power and energy storage system considering temporal dependence
[J].
电力市场环境下考虑风电调度和调频极限的储能优化控制
[J].
Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment
[J].
计及风险备用的大规模风储联合系统广域协调调度
[J].
Risk-constrained coordinative dispatching for large-scale wind-storage system
[J].
基于负荷与风电出力场景集的运行备用动态调度方法
[J].
Operating reserve dynamic dispatching method based on load and wind power scenario set
[J].
电能量和旋转备用市场下电-热综合能源系统低碳优化运行
[J].
DOI:10.16183/j.cnki.jsjtu.2021.297
[本文引用: 1]
建立电-热综合能源系统,同时参与电能量市场和旋转备用市场的日前优化决策模型,并将阶梯式碳交易引入该模型中.模型采用条件风险价值方法对新能源和电负荷不确定性风险进行管理,以电-热综合能源系统运营方案成本和碳排放成本最低为目标函数,制定运行计划和安排备用资源.算例分析表明,该模型通过发挥综合能源系统多能互补优势和合理安排备用资源应对不确定性因素引发的风险,提高了能源供应的可靠性、经济性和低碳性.
Low-carbon optimal operation of an integrated electricity-heat energy system in electric energy and spinning reserve market
[J].
Market-oriented optimal dispatching strategy for a wind farm with a multiple stage hybrid energy storage system
[J].
Integrated bidding and operating strategies for wind-storage systems
[J].
考虑日前计划的风储系统多目标协调调度
[J].
Multi-objective coordinative dispatch for wind-storage combined systems considering day-ahead generation schedules
[J].
基于备用辅助服务需求申报的现货市场机制设计
[J].
The mechanism design of spot market based on the bidding of reserve requirement
[J].
Britain’s electricity capacity auctions: Lessons from Colombia and New England
[J].
Joint energy and reserve markets: Current implementations and modeling trends
[J].
孤立发电系统参与电力市场的模式探讨
[J].
Discussions on the mode of isolated power generation system participating in electricity market
[J].
基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测
[J].
Short-term wind power interval prediction based on wind speed of numerical weather prediction and monte carlo method
[J].
基于主从博弈的售电商多元零售套餐设计与多级市场购电策略
[J].
Multi-type retail packages design and multi-level market power purchase strategy for electricity retailers based on master-slave game
[J].
/
〈 |
|
〉 |
