風(fēng)光接入下電力系統(tǒng)不確定性研究綜述

江潤葉

(國網(wǎng)福建省電力有限公司營銷服務(wù)中心，福建 福州 350009)

1 概述

在“雙碳”背景下，我國能源轉(zhuǎn)型的主要目的是利用風(fēng)電和太陽能等可再生電源逐步代替化石能源，以降低碳排放量[1]。但是新能源機(jī)組的出力特性，控制方式與傳統(tǒng)機(jī)組存在較大的差異，并且由于風(fēng)光等新能源出力具備較強(qiáng)不確定性，在新能源滲透率較高的地區(qū)，存在電源規(guī)劃、穩(wěn)定性分析、運(yùn)行調(diào)度和電能質(zhì)量優(yōu)化等技術(shù)挑戰(zhàn)[2]。

本文針對風(fēng)光等新能源大規(guī)模并網(wǎng)帶來的技術(shù)挑戰(zhàn)和解決措施進(jìn)行了研討，闡述了風(fēng)光出力和負(fù)荷需求不確定性對電力系統(tǒng)運(yùn)行、規(guī)劃的影響，重點(diǎn)分析了場景預(yù)測、概率預(yù)測和區(qū)間預(yù)測等不確定性預(yù)測方法，最后對儲能技術(shù)、優(yōu)化運(yùn)行和規(guī)劃配置的研究現(xiàn)狀進(jìn)行了分析并做總結(jié)。

2 不確定性挑戰(zhàn)及影響

2.1 風(fēng)光出力不確定性

風(fēng)光是世界發(fā)展快、開發(fā)潛力大的可再生能源。據(jù)國家能源局統(tǒng)計(jì)，截至2022年5月底，全國發(fā)電裝機(jī)容量約為24.2億kW，其中，風(fēng)電裝機(jī)容量約為3.4億kW，太陽能發(fā)電裝機(jī)容量約3.3億kW。

風(fēng)電由于其自身特性，導(dǎo)致了較大的預(yù)測難度。風(fēng)電出力功率的隨機(jī)波動可能會導(dǎo)致系統(tǒng)功率失衡，產(chǎn)生頻率偏差或電壓穩(wěn)定性問題[3]。以常規(guī)風(fēng)力發(fā)電機(jī)為例，其輸出功率與Pw與接入處風(fēng)速v相關(guān)，近似函數(shù)關(guān)系如式(1)所示。

(1)

式(1)中，vi、vs、v0分別為切入風(fēng)速、額定風(fēng)速、切出風(fēng)速；Pwt為風(fēng)電機(jī)組額定功率。

對于光伏發(fā)電，影響其出力的最主要因素為光照強(qiáng)度。光伏組件在夜間無光照情況下，輸出功率接近于0，故其出力呈現(xiàn)一定的周期性[4]。光伏輸出功率Ppv也受光照強(qiáng)度I影響，對應(yīng)關(guān)系如式(2)所示。

(2)

式(2)中，Ppvr為光伏發(fā)電機(jī)額定功率，Ir為額定光照強(qiáng)度。

統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，不同風(fēng)速段的風(fēng)電預(yù)測誤差存在差異[5]。建立風(fēng)電功率預(yù)測條件誤差的主要模型為Bate分布模型[6]，同樣也有學(xué)者構(gòu)建風(fēng)電預(yù)測誤差場景集以處理風(fēng)電出力不確定性的不足[7]。光伏出力的預(yù)測誤差與光照強(qiáng)度的預(yù)測誤差呈強(qiáng)相關(guān)性，如式(3)所示，有學(xué)者以服從均值為0且標(biāo)準(zhǔn)差為σ的正態(tài)分布描述光照強(qiáng)度預(yù)測誤差[8]。

(3)

式(3)中，ΔPpv為光伏出力的預(yù)測誤差。

由于風(fēng)速、光照受較多因素影響，存在較強(qiáng)的不確定性，為了保持電力系統(tǒng)運(yùn)行穩(wěn)定，需根據(jù)風(fēng)光不確定性機(jī)理制訂相應(yīng)運(yùn)行或規(guī)劃策略。

2.2 需求響應(yīng)不確定性

需求響應(yīng)主要分為2類，分別為基于價格的需求響應(yīng)和基于激勵的需求響應(yīng)。基于電價的需求響應(yīng)指的是消費(fèi)者通過價格信息(如分時電價、尖峰電價和實(shí)時電價等)對用電進(jìn)行的調(diào)整[9]?；诩畹男枨箜憫?yīng)通過簽訂合同、直接負(fù)荷控制等方式轉(zhuǎn)移用戶用電量和用電時間以滿足用電需求。當(dāng)風(fēng)光實(shí)際出力與預(yù)測值不同時，可通過需求響應(yīng)資源增加或削減用電量以填補(bǔ)系統(tǒng)功率缺額[10]。

如式(4)所示，價格型需求響應(yīng)常采用彈性系數(shù)表示電價變化對負(fù)荷響應(yīng)的影響[11]。

(4)

式(4)中，γt為t時刻負(fù)荷的響應(yīng)率；εt為t時刻電價的變化率；E為價格型需求彈性系數(shù)矩陣，由自彈性系數(shù)和交叉彈性系數(shù)組成。

由于價格型需求響應(yīng)遵循用戶自愿參與的原則，在實(shí)際應(yīng)用中仍受多種因素影響，故該類型響應(yīng)存在一定的不確定性。

2.3 對優(yōu)化運(yùn)行的影響

風(fēng)光等大量新能源并網(wǎng)使得電力系統(tǒng)面對多重不確定性，傳統(tǒng)確定性調(diào)度方法局限性較強(qiáng)，計(jì)及不確定性的優(yōu)化調(diào)度方法研究對促進(jìn)風(fēng)光并網(wǎng)消納至關(guān)重要。相對隨機(jī)性較強(qiáng)的風(fēng)電出力，光伏出力的規(guī)律性較強(qiáng)，太陽輻射和溫度是光伏出力的兩個最大影響因素[12]，優(yōu)化運(yùn)行策略需根據(jù)不確定機(jī)理確定，常見的針對接入新能源出力不確定性的優(yōu)化調(diào)度模型主要有分布式魯棒優(yōu)化[13]、概率優(yōu)化[14]，充分考慮風(fēng)光接入帶來的不確定性是保證系統(tǒng)可靠安全運(yùn)行的前提。

2.4 對規(guī)劃的影響

新能源大量接入下的價格存在波動，在新一輪電力市場改革的背景下，隨著新能源裝機(jī)容量的快速增長，對電力現(xiàn)貨市場的交易帶來了較大的影響[15]。同樣儲能技術(shù)也正在快速發(fā)展，壓縮空氣儲能、飛輪儲能、儲熱儲氫等新興儲能的經(jīng)濟(jì)性存在差異[16]，并且受政策影響如新能源價格補(bǔ)貼，綜合多種因素，電力系統(tǒng)規(guī)劃面對較強(qiáng)的不確定性。

3 不確定性預(yù)測方法

接入電力系統(tǒng)的新能源存在較強(qiáng)不確定性，其不確定性預(yù)測方法主要包括場景預(yù)測、概率預(yù)測和區(qū)間預(yù)測，該類預(yù)測技術(shù)為后續(xù)電力系統(tǒng)優(yōu)化和規(guī)劃等奠定基礎(chǔ)。

3.1 場景預(yù)測

場景預(yù)測能夠刻畫風(fēng)電、光伏出力的不確定性，可以有效解決含新能源電力系統(tǒng)的隨機(jī)優(yōu)化問題[17]。場景生成的難點(diǎn)在于如何科學(xué)得到風(fēng)光出力的概率、波動及時空相關(guān)性特征[18]。廖文龍等[19]提出了一種基于隱式最大似然估計(jì)的風(fēng)電出力預(yù)測場景生成方法，基于無監(jiān)督學(xué)習(xí)方法生成適應(yīng)不同時間尺度的風(fēng)電場景。但風(fēng)光處理不確定性帶來了大規(guī)模場景，同樣需利用場景削減技術(shù)對數(shù)據(jù)進(jìn)行清洗，得到有效刻畫風(fēng)光出力的場景[20]。基于風(fēng)光預(yù)測場景，可實(shí)現(xiàn)電力系統(tǒng)多目標(biāo)動態(tài)優(yōu)化調(diào)度，得到系統(tǒng)接入機(jī)組的出力計(jì)劃[21]。面對多種預(yù)測場景，羅翼婷等[22]以期望運(yùn)行成本最小最優(yōu)化目標(biāo)，制定各場景下的調(diào)度計(jì)劃?？紤]到新能源出力不確定性，顧雪平等[23]將魯棒優(yōu)化模型分解為預(yù)測場景下的優(yōu)化主問題和誤差場景下的校驗(yàn)子問題。趙文猛等[24]則是將風(fēng)電接入下經(jīng)濟(jì)調(diào)度問題分為3個子問題，分別為上層協(xié)調(diào)主問題、區(qū)域預(yù)測子問題和誤差場景子問題，并基于部分聚合多切割方法實(shí)現(xiàn)問題求解。

3.2 概率預(yù)測

風(fēng)光預(yù)測的概率方法是指給出風(fēng)電、光伏出力的數(shù)值和出現(xiàn)的概率，并且覆蓋的信息較為全面，能夠?yàn)殡娏ο到y(tǒng)風(fēng)險(xiǎn)評估和決策提供參考[25]。趙康寧等[26]提出了基于神經(jīng)網(wǎng)絡(luò)的光伏出力概率預(yù)測方法，提高了網(wǎng)絡(luò)的信息提取能力和應(yīng)對光伏發(fā)電出力隨機(jī)性的能力。王釗等[27]構(gòu)建了徑向基神經(jīng)網(wǎng)絡(luò)的分位數(shù)回歸模型，得到分位數(shù)形式的短期概率預(yù)測結(jié)果，為后續(xù)系統(tǒng)運(yùn)行奠定基礎(chǔ)。張雪松等[28]根據(jù)新能源出力歷史數(shù)據(jù)，修正了直接擬合模型，基于粒子群優(yōu)化算法加權(quán)得到最終的新能源處理組合預(yù)測模型。戴劍豐等[29]則是基于改進(jìn)變分模態(tài)方法將風(fēng)速分解為頻率不同的分量，針對分量中規(guī)律性較強(qiáng)的部分構(gòu)建確定性預(yù)測模型，基于剩余分量建立概率預(yù)測模型，最終將兩者時序疊加構(gòu)成風(fēng)速最終預(yù)測值。

3.3 區(qū)間預(yù)測

區(qū)間預(yù)測方法指利用區(qū)間數(shù)學(xué)理論，將風(fēng)電、光伏發(fā)電出力預(yù)測值描述的等式轉(zhuǎn)化為區(qū)間的形式表達(dá)。在實(shí)現(xiàn)利用區(qū)間形式表征不確定性后，可在此基礎(chǔ)上實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行。風(fēng)力光伏發(fā)電區(qū)間預(yù)測方法主要分為2類[17]，第一類是基于歷史數(shù)據(jù)，利用學(xué)習(xí)算法如神經(jīng)網(wǎng)絡(luò)對預(yù)測誤差數(shù)據(jù)進(jìn)行學(xué)習(xí)，隨后直接給出功率可能的出現(xiàn)的上下界。第二類是基于預(yù)測概率分布函數(shù)進(jìn)行逆運(yùn)算，計(jì)算滿足給定概率水平下風(fēng)光出力可能出現(xiàn)的上下界。楊茂等[30]對第二類方法進(jìn)行改進(jìn)，首先對預(yù)測功率按照出力大小不同進(jìn)行劃分，并利用多種分布模型擬合各出力分段的概率密度，最終給出不同置信水平下的出力區(qū)間預(yù)測。孫東磊等[31]提出一種基于神經(jīng)網(wǎng)絡(luò)的光伏出力區(qū)間預(yù)測方法，利用了神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘方面的優(yōu)越性。除了神經(jīng)網(wǎng)絡(luò)方法，張娜等[32]還利用了GM(1,1)灰色算法、支持向量機(jī)算法對光伏出力進(jìn)行預(yù)測，在此基礎(chǔ)上利用組合權(quán)值得到最終預(yù)測區(qū)間。為了提高區(qū)間預(yù)測的準(zhǔn)確度，梅飛等[33]結(jié)合基于小波能量的聚類方法對歷史數(shù)據(jù)做聚類，并利用學(xué)習(xí)系統(tǒng)進(jìn)行訓(xùn)練，最后利用滾動匹配預(yù)測修正模式進(jìn)行區(qū)間預(yù)測。

4 不確定性問題的應(yīng)對措施

4.1 儲能技術(shù)

儲能在電網(wǎng)的主要應(yīng)用包括：自動發(fā)電控制、快速調(diào)頻、新能源出力爬坡控制及其出力波動的平抑，且能夠優(yōu)化潮流分布，緩解線路阻塞等。在電源側(cè)接入儲能系統(tǒng)能夠平抑風(fēng)電功率波動，儲能系統(tǒng)包括了電池、超級電容、壓縮空氣儲能、飛輪儲能、電轉(zhuǎn)氣等。顏湘武等[34]將超級電容器接入雙饋感應(yīng)發(fā)電機(jī)的直流母線處，并參與系統(tǒng)調(diào)節(jié)，提高了系統(tǒng)的穩(wěn)定性。羅予澤等[35]將模糊控制引入壓縮空氣儲能調(diào)頻中，降低了能源波動，提高了系統(tǒng)穩(wěn)定性。張雯雯等[36]基于希爾伯特-黃變換對由鋰電池和超級電容構(gòu)成的混合儲能系統(tǒng)進(jìn)行功率分配，可有效平抑波動和提高電能質(zhì)量。郭玲娟等[37]針對新能源接入交直流混合微電網(wǎng)帶來的消納和子網(wǎng)功率交換問題，提出了混合儲能系統(tǒng)容量優(yōu)化配置方法，有效平抑了系統(tǒng)功率波動，提高了經(jīng)濟(jì)性。

4.2 針對不確定性的優(yōu)化運(yùn)行

針對風(fēng)光不確定性的優(yōu)化方法主要有隨機(jī)優(yōu)化、魯棒優(yōu)化、分布式魯棒優(yōu)化。根據(jù)調(diào)度時間尺度的不同，可以分為日前、日內(nèi)調(diào)度及實(shí)時調(diào)度。桑博等[38]先定義期望場景，并基于此構(gòu)建兩階段微電網(wǎng)魯棒優(yōu)化調(diào)度模型，提高了系統(tǒng)穩(wěn)定性，降低了運(yùn)行成本。崔楊等[39]為應(yīng)對不同調(diào)度階段的不確定因素，構(gòu)建日前一日內(nèi)兩階段調(diào)度模型，充分發(fā)揮廣義儲能調(diào)峰能力，提高了系統(tǒng)的調(diào)峰靈活性。李國慶等[40]基于神經(jīng)網(wǎng)絡(luò)算法得到光伏日前—日內(nèi)預(yù)測結(jié)果，并基于此實(shí)現(xiàn)2級調(diào)度，降低了系統(tǒng)運(yùn)行越限風(fēng)險(xiǎn)，提高了系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。針對因不確定性造成的棄風(fēng)棄光問題，孫偉卿等[41]考慮了移動儲能和配電網(wǎng)動態(tài)重構(gòu)，建立了兩階段魯棒協(xié)同優(yōu)化模型，并基于嵌套的列約束生成算法求解，有效應(yīng)對了系統(tǒng)的不確定性。為了解決風(fēng)電不確定參數(shù)保守性帶來的影響，李運(yùn)龍等[42]將多區(qū)域經(jīng)濟(jì)調(diào)度分布式魯棒模型轉(zhuǎn)化為半定規(guī)劃模型，提高了計(jì)算效率，降低了系統(tǒng)運(yùn)行成本。

4.3 規(guī)劃配置

基于風(fēng)光儲聯(lián)合的規(guī)劃有利于實(shí)現(xiàn)接入電力系統(tǒng)的風(fēng)光儲多能互補(bǔ)，能夠有效提高新能源消納率，降低系統(tǒng)的投資成本[43]。由于風(fēng)光具備不確定性，針對該問題，常用的處理方法有魯棒優(yōu)化和隨機(jī)規(guī)劃技術(shù)。為了促進(jìn)新能源消納、實(shí)現(xiàn)電力系統(tǒng)穩(wěn)定運(yùn)行，朱曉榮等[44]利用多階段分布式魯棒規(guī)劃求解多時間尺度下的儲能配置模型。為了解決新能源、電動汽車大量接入造成的配電網(wǎng)對網(wǎng)絡(luò)狀態(tài)實(shí)時感知的高要求，彭春華等[45]結(jié)合分類概率機(jī)會約束信息決策理論，構(gòu)建了配電網(wǎng)儲能魯棒優(yōu)化配置模型。為了提高可再生能源利用率，汪致洵等[46]結(jié)合光熱電站水電聯(lián)產(chǎn)模式，利用能量的梯級利用，提高了系統(tǒng)的效率，降低了海島系統(tǒng)的儲能配置需求。為了滿足因新能源接入帶來的靈活性需求，朱曉榮等[47]構(gòu)建靈活性相關(guān)指標(biāo)及不確定運(yùn)行場景集合，并基于此進(jìn)行多目標(biāo)優(yōu)化配置，提高了系統(tǒng)的靈活性。為了實(shí)現(xiàn)配置方案的經(jīng)濟(jì)性和魯棒性，陳澤雄等[48]考慮分布式光伏出力的不確定性，以并網(wǎng)位置和容量作為決策變量，建立分布式魯棒優(yōu)化模型，基于Benders分解法得到配置方案。為了保證供電可靠性并提高經(jīng)濟(jì)性，肖白等[49]提出考慮熱泵儲能和需求響應(yīng)的電力系統(tǒng)電源容量配置方法，并基于魯棒優(yōu)化構(gòu)建不確定場景及利用遺傳算法進(jìn)行求解，結(jié)果說明該配置方法更具科學(xué)性。

5 結(jié)論

由于風(fēng)速、光照強(qiáng)度自然存在不確定性，故風(fēng)電光伏出力也存在一定的波動性和隨機(jī)性，但光伏相對風(fēng)電，其規(guī)律性較強(qiáng)。新能源不確定性對電力系統(tǒng)運(yùn)行優(yōu)化和規(guī)劃配置帶來了一定的挑戰(zhàn)。不確定性預(yù)測方法主要有場景預(yù)測、概率預(yù)測和區(qū)間預(yù)測，其目的均為科學(xué)得到風(fēng)光出力的波動及概率特征。不同預(yù)測方法的特性不同，結(jié)合各類預(yù)測方法以得到適用于不同應(yīng)用場合的風(fēng)光出力信息是該領(lǐng)域亟需解決的問題。電力系統(tǒng)中儲能技術(shù)能夠?qū)崿F(xiàn)配電網(wǎng)經(jīng)濟(jì)可靠運(yùn)行，若能針對風(fēng)光等新能源不確定性進(jìn)行優(yōu)化運(yùn)行和規(guī)劃配置，能夠大大降低儲能配置成本、減少棄風(fēng)棄光，為實(shí)現(xiàn)“雙碳”目標(biāo)奠定基礎(chǔ)。