計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度策略

摘 要：從源、荷兩側(cè)挖掘系統(tǒng)調(diào)峰潛力，建立計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度模型。上層從負(fù)荷側(cè)出發(fā)，提出一種基于負(fù)荷分類的價(jià)格需求響應(yīng)模型，可有效緩解系統(tǒng)調(diào)峰壓力；中層從電源側(cè)出發(fā)，利用光熱電站靈活的調(diào)節(jié)特性在深度調(diào)峰時(shí)段協(xié)調(diào)火電機(jī)組參與輔助調(diào)峰，構(gòu)建以運(yùn)行總成本最小為目標(biāo)函數(shù)的日前調(diào)度模型；下層提出一種基于模型預(yù)測(cè)控制的日內(nèi)動(dòng)態(tài)調(diào)整模型，在滾動(dòng)優(yōu)化的同時(shí)，通過(guò)狀態(tài)反饋環(huán)節(jié)實(shí)時(shí)調(diào)整光熱電站儲(chǔ)熱裝置充放熱修正日前調(diào)度計(jì)劃。仿真結(jié)果表明，所提調(diào)度策略在降低系統(tǒng)調(diào)峰成本的同時(shí)能有效抑制風(fēng)光以及負(fù)荷的短時(shí)功率波動(dòng)，在保證系統(tǒng)安全穩(wěn)定運(yùn)行的前提下提升風(fēng)光消納率。

關(guān)鍵詞：調(diào)度；儲(chǔ)熱；模型預(yù)測(cè)控制；光熱電站；需求響應(yīng)；深度調(diào)峰

中圖分類號(hào)：TM615" " " " " " " " " "文獻(xiàn)標(biāo)志碼：A

0 引 言

在國(guó)家“雙碳”戰(zhàn)略目標(biāo)驅(qū)動(dòng)下，風(fēng)電、光伏等新能源并網(wǎng)規(guī)模不斷增大，其隨機(jī)性、波動(dòng)性以及較大的預(yù)測(cè)誤差增加了負(fù)荷的峰谷差，導(dǎo)致電網(wǎng)調(diào)峰壓力進(jìn)一步增大?，F(xiàn)階段電力系統(tǒng)調(diào)峰任務(wù)主要由傳統(tǒng)的火電機(jī)組承擔(dān)，風(fēng)電、光伏接入比例的增大將進(jìn)一步增加電力系統(tǒng)對(duì)傳統(tǒng)調(diào)峰機(jī)組的依賴。因此，如何協(xié)調(diào)利用電力系統(tǒng)中各類調(diào)峰資源，解決中國(guó)西北地區(qū)大規(guī)模新能源并網(wǎng)造成的以風(fēng)電、光伏等新能源為主體的新型電力系統(tǒng)調(diào)峰能力不足的問(wèn)題，提高新能源消納率成為目前研究的熱點(diǎn)［1-2］。

從負(fù)荷側(cè)來(lái)看，價(jià)格需求響應(yīng)（price-based demand response， PDR）可通過(guò)電力市場(chǎng)的實(shí)時(shí)電價(jià)引導(dǎo)用戶的用電行為，充分發(fā)揮負(fù)荷側(cè)調(diào)峰能力，減小系統(tǒng)調(diào)峰壓力。文獻(xiàn)［3］通過(guò)電價(jià)彈性矩陣建立價(jià)格需求響應(yīng)模型，減小了負(fù)荷的峰谷差，并在電源側(cè)配置儲(chǔ)能參與輔助調(diào)峰，促進(jìn)了系統(tǒng)對(duì)風(fēng)電的消納。文獻(xiàn)［4］對(duì)比了固定電價(jià)和峰谷電價(jià)下系統(tǒng)的經(jīng)濟(jì)性，驗(yàn)證了通過(guò)實(shí)施峰谷電價(jià)提高電力系統(tǒng)售電收益的有效性。文獻(xiàn)［5］引入彈性影響因子改進(jìn)價(jià)格彈性矩陣，量化了其他時(shí)段電價(jià)變化對(duì)本時(shí)段用電量變化的影響程度。從電源側(cè)來(lái)看，太陽(yáng)能光熱電站（concentrating solar power， CSP）的儲(chǔ)熱系統(tǒng)可實(shí)現(xiàn)能量的平移，相比于常規(guī)火電機(jī)組具有更廣的調(diào)節(jié)范圍和更快的調(diào)節(jié)速率，比靈活性改造后的火電機(jī)組的深度調(diào)峰能力更強(qiáng)［6-9］。但光熱電站調(diào)峰能力受光照資源和儲(chǔ)熱容量的約束，調(diào)峰容量有限。因此，當(dāng)前亟需研究如何利用光熱電站靈活的調(diào)節(jié)能力與常規(guī)火電機(jī)組聯(lián)合調(diào)峰來(lái)解決以風(fēng)電、光伏等新能源為主體的新型電力系統(tǒng)調(diào)峰能力不足的問(wèn)題。已有文獻(xiàn)提出了其他各類主體聯(lián)合火電機(jī)組進(jìn)行輔助調(diào)峰，為光熱電站參與深度調(diào)峰提供了研究思路。文獻(xiàn)［10］采用電儲(chǔ)能輔助火電機(jī)組進(jìn)行協(xié)同調(diào)度，仿真結(jié)果顯示，該調(diào)度策略能顯著降低系統(tǒng)調(diào)峰成本，減少棄風(fēng)。文獻(xiàn)［11］建立了計(jì)及抽水蓄能電站調(diào)峰的水火調(diào)度優(yōu)化模型，驗(yàn)證了該模型在減小電網(wǎng)調(diào)峰壓力方面的有效性。文獻(xiàn)［12］建立了考慮核電參與調(diào)峰的調(diào)度模型，驗(yàn)證了與基荷運(yùn)行方式相比，核電機(jī)組參與電網(wǎng)調(diào)峰可減少火電機(jī)組的啟停次數(shù)，提高系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。

現(xiàn)有調(diào)度模型大多為日前調(diào)度，而且風(fēng)電、光伏以及負(fù)荷功率多采用日前預(yù)測(cè)值，較少考慮預(yù)測(cè)誤差的不確定性對(duì)系統(tǒng)運(yùn)行的影響，本質(zhì)上為開環(huán)控制模型［13-16］。如何減少預(yù)測(cè)誤差對(duì)調(diào)度方案的影響，制定更加合理的優(yōu)化調(diào)度策略，有待進(jìn)一步研究。模型預(yù)測(cè)控制（model predictive control， MPC）在滾動(dòng)優(yōu)化的同時(shí)，通過(guò)狀態(tài)量反饋校正形成閉環(huán)控制，可很好地解決風(fēng)電、光伏以及負(fù)荷預(yù)測(cè)誤差等不確定性因素的影響，具有較強(qiáng)的抗擾動(dòng)能力。文獻(xiàn)［17］綜述了MPC以其快速的瞬態(tài)響應(yīng)能力和適應(yīng)不同約束的靈活性在電壓調(diào)節(jié)、頻率控制和經(jīng)濟(jì)運(yùn)行優(yōu)化方面的應(yīng)用。文獻(xiàn)［18］將冷卻器和水箱建模為單輸入單輸出的線性時(shí)不變系統(tǒng)，仿真結(jié)果顯示，在動(dòng)態(tài)能源價(jià)格下，MPC顯著優(yōu)于啟發(fā)式算法。文獻(xiàn)［19］提出一種基于MPC的優(yōu)化調(diào)度策略來(lái)應(yīng)對(duì)微電網(wǎng)中不確定性因素對(duì)系統(tǒng)運(yùn)行穩(wěn)定性的影響。上述文獻(xiàn)從源、荷兩側(cè)進(jìn)行研究，對(duì)提升中國(guó)電力系統(tǒng)運(yùn)行靈活性具有重要意義，但針對(duì)光熱電站參與深度調(diào)峰的研究仍有以下問(wèn)題有待討論：1）負(fù)荷側(cè)價(jià)格需求響應(yīng)忽略了不同負(fù)荷類型對(duì)不同價(jià)格需求響應(yīng)模型的響應(yīng)程度不同的問(wèn)題。2）鮮有文獻(xiàn)研究利用光熱電站靈活的調(diào)節(jié)能力與常規(guī)火電機(jī)組聯(lián)合調(diào)峰來(lái)提升電力系統(tǒng)調(diào)峰能力；3）現(xiàn)有調(diào)度模型大多為日前調(diào)度，風(fēng)光出力及負(fù)荷需求多采用日前預(yù)測(cè)值，較少考慮預(yù)測(cè)誤差的不確定性對(duì)系統(tǒng)運(yùn)行帶走的影響，本質(zhì)上為開環(huán)控制模型。

為解決中國(guó)西北地區(qū)大規(guī)模新能源并網(wǎng)造成的以風(fēng)電、光伏等新能源為主體的新型電力系統(tǒng)調(diào)峰能力不足的問(wèn)題，本文在現(xiàn)有研究基礎(chǔ)上從源、荷兩側(cè)挖掘系統(tǒng)調(diào)峰潛力，提出一種計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度模型。上層從負(fù)荷側(cè)出發(fā)，考慮到不同負(fù)荷類型對(duì)不同價(jià)格需求響應(yīng)模型的響應(yīng)程度不同，提出一種基于負(fù)荷分類的價(jià)格需求響應(yīng)模型，緩解系統(tǒng)調(diào)峰壓力。中層從電源側(cè)出發(fā)，在上層模型對(duì)凈負(fù)荷曲線優(yōu)化的基礎(chǔ)上將調(diào)峰時(shí)段劃分為基本調(diào)峰時(shí)段和深度調(diào)峰時(shí)段，利用光熱電站靈活的調(diào)節(jié)能力在深度調(diào)峰時(shí)段協(xié)調(diào)火電機(jī)組參與輔助調(diào)峰，構(gòu)建以運(yùn)行總成本最小為目標(biāo)函數(shù)的日前調(diào)度模型。下層提出一種基于MPC的日內(nèi)動(dòng)態(tài)調(diào)整模型，更大限度地消除電力系統(tǒng)中不確定性因素對(duì)優(yōu)化調(diào)度方案的影響，在利用風(fēng)電、光伏以及負(fù)荷功率超短期預(yù)測(cè)數(shù)據(jù)進(jìn)行滾動(dòng)優(yōu)化的同時(shí)，通過(guò)狀態(tài)反饋環(huán)節(jié)實(shí)時(shí)調(diào)整光熱電站儲(chǔ)熱裝置充放熱修正日前調(diào)度計(jì)劃，保證電力系統(tǒng)安全可靠運(yùn)行，另外本文采用離散狀態(tài)空間表達(dá)形式建立基于MPC的日內(nèi)動(dòng)態(tài)調(diào)整模型，并將其等效轉(zhuǎn)化為二次規(guī)劃問(wèn)題后用商業(yè)求解器進(jìn)行求解，可提高模型求解的精度和速度。

1 價(jià)格需求響應(yīng)模型

價(jià)格需求響應(yīng)一般采用負(fù)荷轉(zhuǎn)移率函數(shù)、需求響應(yīng)彈性矩陣以及統(tǒng)計(jì)學(xué)等方式進(jìn)行建模。本文首先對(duì)凈負(fù)荷進(jìn)行分類，針對(duì)不同的凈負(fù)荷類型建立不同的價(jià)格需求響應(yīng)模型。凈負(fù)荷為原始負(fù)荷減去風(fēng)電和光伏出力，根據(jù)其對(duì)電價(jià)變化的響應(yīng)程度可表示為：

[PL（t）=ω1PL-Ⅰ（t）+ω2PL-Ⅱ（t）+ω3PL-Ⅲ（t）] （1）

式中：[PL（t）]——[t]時(shí)段系統(tǒng)凈負(fù)荷，MW；[PL-Ⅰ（t）]——[t]時(shí)段可轉(zhuǎn)移負(fù)荷，MW；[PL-Ⅱ（t）]——[t]時(shí)段可代替或可削減負(fù)荷，MW；[PL-Ⅲ（t）]——[t]時(shí)段剛性負(fù)荷，MW；[ω1]、[ω2]、[ω3]——Ⅰ、Ⅱ、Ⅲ類負(fù)荷的權(quán)重系數(shù)。

對(duì)于可轉(zhuǎn)移負(fù)荷，用戶在實(shí)時(shí)電價(jià)引導(dǎo)下將其轉(zhuǎn)移到其他時(shí)段，可采用負(fù)荷轉(zhuǎn)移率模型來(lái)建模。將一天劃分為[s+k]個(gè)時(shí)段，記[U={u1，u2，…，us}]，為實(shí)時(shí)電價(jià)[P]高于基準(zhǔn)電價(jià)[Pr]的時(shí)段，[s]為實(shí)時(shí)電價(jià)[P]高于基準(zhǔn)電價(jià)[Pr]的時(shí)段數(shù)；記[D={d1，d2，…，dk}]為實(shí)時(shí)電價(jià)[P]低于基準(zhǔn)電價(jià)[Pr]的時(shí)段，[k]為實(shí)時(shí)電價(jià)[P]低于基準(zhǔn)電價(jià)[Pr]的時(shí)段數(shù)。[U]內(nèi)某時(shí)段[t1]轉(zhuǎn)移到[D]內(nèi)的負(fù)荷分配滿足式（2）；[D]內(nèi)某時(shí)段[t4]吸收自[U]內(nèi)的負(fù)荷分配滿足式（3）。

[ΔPL（t1，t3）=LΔP（t1）PL（t1）ΔP（t3）s∈DΔP（s）] （2）

[ΔPL（t2，t4）=LΔP（t4）PL（t4）ΔP（t2）s∈UΔP（s）] （3）

式中：[t1，t2∈U;][t3，t4∈D;][ΔP（t）]——[t]時(shí)段實(shí)時(shí)電價(jià)[P（t）]與基準(zhǔn)電價(jià)[Ps]差價(jià)，元；[ΔPL（u，d）]——[u]時(shí)段轉(zhuǎn)移到[d]時(shí)段的負(fù)荷，MW；[L（ΔP）]——負(fù)荷轉(zhuǎn)移率函數(shù)，采用Logistic模型［20］。

[L（ΔP）=a1+e-（ΔP-b）/μ] （4）

式中：[a]——負(fù)荷轉(zhuǎn)移率的最大取值；[b]——負(fù)荷轉(zhuǎn)移率曲線左右平移單位；[μ]——松弛因子。

[Ⅰ]類負(fù)荷價(jià)格需求響應(yīng)后可表示為：

[PL-Ⅰ（t）′=PL-Ⅰ（t）-s∈DΔPL-Ⅰ（t，s） ，" " " "t∈UPL-Ⅰ（t）+s∈UΔPL-Ⅰ（t，s） ，" " nbsp; "t∈D] （5）

對(duì)于可代替或可削減負(fù)荷，用戶在實(shí)時(shí)電價(jià)的引導(dǎo)下通常會(huì)用其他形式的能源代替或者節(jié)約該部分負(fù)荷，可采用需求彈性矩陣模型來(lái)建模。建立價(jià)格需求彈性矩陣：

[E=ε1，1ε1，2…0ε2，1ε2，2…????εn-1，n0…εn，n-1εn，n] （6）

式中：[εi，i]——自彈性系數(shù)，表示[i]時(shí)刻負(fù)荷需求對(duì)[i]時(shí)刻電價(jià)變動(dòng)響應(yīng)程度；[εi，j]——互彈性系數(shù)，表示[i]時(shí)刻負(fù)荷需求對(duì)[j]時(shí)刻電價(jià)變動(dòng)響應(yīng)程度，其中非零元素?cái)?shù)量與負(fù)荷可轉(zhuǎn)移時(shí)長(zhǎng)有關(guān)。

[εi，i=ΔPL（i）/PL（i）ΔP（i）/P（i）] （7）

[εi，j=ΔPL（i）/PL（i）ΔP（j）/P（j）] （8）

[Ⅱ]類負(fù)荷價(jià)格需求響應(yīng)后可表示為：

[PL-Ⅱ′（1）PL-Ⅱ′（2）?PL-Ⅱ′（n）=PL-Ⅱ（1）0…00PL-Ⅱ（2）…0???00…PL-Ⅱ（n）?" " " " " " " " " " " " " " " " E?ΔP（1）/P（1）ΔP（2）/P（2）?ΔP（n）/P（n）+PL-Ⅱ（1）PL-Ⅱ（2）?PL-Ⅱ（n）] （9）

對(duì)于剛性負(fù)荷，用戶對(duì)實(shí)時(shí)電價(jià)的響應(yīng)可忽略，其價(jià)格需求響應(yīng)后可表示為：

[PL-Ⅲ（t）′=PL-Ⅲ（t）] （10）

綜上所述，價(jià)格需求響應(yīng)后的凈負(fù)荷為：

[PL（t）′=ω1PL-Ⅰ（t）′+ω2PL-Ⅱ（t）′+ω3PL-Ⅲ（t）′] （11）

2 光熱電站參與深度調(diào)峰機(jī)理

2.1 光熱電站參與深度調(diào)峰機(jī)理

火電機(jī)組根據(jù)調(diào)峰深度分為常規(guī)調(diào)峰、不投油調(diào)峰和投油調(diào)峰，其中不投油調(diào)峰和投油調(diào)峰屬于深度調(diào)峰階段。圖1為光熱電站參與深度調(diào)峰示意圖，其中[Pmax]、[Pmin]分別為火電機(jī)組的最大和最小技術(shù)出力；[Pdeepa]、[Pdeepb]分別為火電機(jī)組不投油調(diào)峰和投油助燃調(diào)峰的最小出力；[Pcmax]、[Pcmin]分別為光熱電站的最大和最小技術(shù)出力。

可以看出，相同裝機(jī)容量下光熱電站的出力下限遠(yuǎn)低于常規(guī)的火電機(jī)組，具有更廣的調(diào)節(jié)范圍，而且光熱電站是通過(guò)導(dǎo)熱流體熱交換的方式加熱水蒸氣來(lái)推動(dòng)汽輪機(jī)發(fā)電的，具有更快的調(diào)節(jié)速率。因此，在火電機(jī)組處于深度調(diào)峰時(shí)，光熱電站可通過(guò)自身儲(chǔ)熱裝置的“能量平移”參與深度調(diào)峰。

2.2 火電調(diào)峰成本

2.2.1 燃料成本

[E1=i=1nt=1TC1（aiP2i，t+biPi，t+ci）] （12）

式中：[n]——火電機(jī)組數(shù)目，臺(tái)；[T]——調(diào)度周期的總運(yùn)行時(shí)間，h；[C1]——電煤價(jià)格，元/t；[ai]、[bi]、[ci]——火電機(jī)組[i]的煤耗量系數(shù)；[Pi，t]——火電機(jī)組[i]在[t]時(shí)刻出力，MW。

2.2.2 深度調(diào)峰機(jī)械損耗成本

根據(jù)Manson-Coffin公式［21］，定義調(diào)峰機(jī)組深度調(diào)峰時(shí)段的機(jī)械損耗成本：

[E2=t=1TβSth2Nf（Pi，t）] （13）

[Nf=0.005778Pi，t3-2.682Pi，t2+484.8Pi，t-8411] （14）

式中：[β]——火電機(jī)組運(yùn)行影響系數(shù)；[Sth]——火電機(jī)組購(gòu)置價(jià)格，元/MW；[Nf（Pi，t）]——轉(zhuǎn)子致裂循環(huán)周次。

2.2.3 深度調(diào)峰投油助燃成本

[E3=t=1TC2Soil，t] （15）

式中：[C2]——燃油價(jià)格，元/t；[Soil，t]——調(diào)峰機(jī)組在[t]時(shí)刻的油耗量，t/h。

4）附加環(huán)境成本

[E4=CSKSμS+CNKNμN(yùn)] （16）

式中：[CS]、[CN]——單位體積下硫化物和氮化物超標(biāo)罰款，元/（mg/m3）；[KS]、[KN]——硫化物和氮化物的排放標(biāo)準(zhǔn)，mg/m3；[μS]、[μN(yùn)]——硫化物和氮化物在深度調(diào)峰階段排放超標(biāo)率，%。

綜上，火電機(jī)組調(diào)峰成本：

[E=E1，" Pmin≤P≤PmaxE1+E2，" Pdeepa≤P≤PminE1+E2+E3+E4，" Pdeepb≤P≤Pdeepa] （17）

2.3 光熱電站模型

2.3.1 集熱裝置的光熱模型

[Prcsp，t=ηsfSsfDt] （18）

式中：[Prcsp，t]——[t]時(shí)刻光熱電站集熱裝置吸收的熱功率，MW；[ηsf]——鏡場(chǎng)的光熱轉(zhuǎn)換效率，%；[Ssf]——鏡場(chǎng)面積，m2；[Dt]——[t]時(shí)刻直射太陽(yáng)光的輻照度（direct normal irradiance， DNI），MW/m2。

2.3.2 光熱電站的熱電模型

[Pdcsp，t=ηdPrcsp，t-Pch，tηch+ηdisPdis，t] （19）

式中：[Pdcsp，t]——[t]時(shí)刻光熱電站的電功率，MW；[ηd]——光熱電站的熱電轉(zhuǎn)換效率，%；[Pch，t]、[Pdis，t]——儲(chǔ)熱裝置[t]時(shí)刻充、放熱功率，MW；[ηch]、[ηdis]——儲(chǔ)熱裝置充、放熱效率，%。

2.3.3 儲(chǔ)熱裝置成本模型

[V=1365C3X1+rYr1+rY-1] （20）

式中：[V]——儲(chǔ)熱裝置的日平均成本，元；[C3]——儲(chǔ)熱裝置單位初始投資成本，元/MWh；[X]——儲(chǔ)熱裝置裝機(jī)容量， MWh；[r]——貼現(xiàn)率，%；[Y]——儲(chǔ)熱裝置的使用壽命，a。

2.4 光熱電站深度調(diào)峰成本

光熱電站參與深度調(diào)峰時(shí)機(jī)組出力減小，導(dǎo)致部分能量損失。本文主要考慮光熱電站降出力運(yùn)行造成的熱電轉(zhuǎn)換效率損失成本以及將多余熱量?jī)?chǔ)存在儲(chǔ)熱裝置中所產(chǎn)生的額外熱量耗散成本。

[Z=Z1+Z2] （21）

[Z1=t=1TC4（Pcs-Pcsp，t），" Pcsp，t≤Pcs] （22）

[Z2=t=1TC5（Ec，t-Es，t），" Es，t≤Ec，t] （23）

式中：[Z]——光熱電站深度調(diào)峰成本，元；[Z1]——熱電轉(zhuǎn)換效率損失成本，元；[Z2]——額外熱量耗散成本，元；[C4]、[C5]——熱電轉(zhuǎn)換效率損失和額外熱量損耗成本系數(shù)，分別取108和15元/MWh［22］；[Pcs]、[Pcsp，t]——光熱電站基本調(diào)峰最低出力和[t]時(shí)刻出力，MW；[Ec，t]、[Es，t]——[t]時(shí)刻光熱電站參與深度調(diào)峰和不參與深度調(diào)峰時(shí)的儲(chǔ)熱量，MWh。

2.5 運(yùn)行約束

1）機(jī)組出力約束

[Pi，min≤Pi，t≤Pi，max] （24）

[Pcspmin≤Pdcsp，t≤Pcspmax] （25）

式中：[Pi，max]、[Pi，min]——第[i]臺(tái)火電機(jī)組出力的上下限，MW；[Pcspmax]、[Pcspmin]——光熱電站出力的上下限，MW。

2）機(jī)組爬坡約束

[ΔPi，min≤Pi，t-Pi，t-1≤ΔPi，max] （26）

[ΔPcspmin≤Pcsp，t-Pcsp，t-1≤ΔPcspmax] （27）

式中：[ΔPi，max]、[ΔPi，min]——第[i]臺(tái)火電機(jī)組爬坡率的上下限，MW/h；[ΔPcspmax]、[ΔPcspmin]——光熱電站爬坡率的上下限，MW/h。

3）功率平衡約束

[PLoad，t-Pw，t-Pv，t=Pi，t+Pdcsp，t] （28）

式中：[PLoad，t]——[t]時(shí)刻系統(tǒng)的原始負(fù)荷，MW；[Pw，t]、[Pv，t]——[t]時(shí)刻風(fēng)電和光伏出力，MW。

4）儲(chǔ)熱裝置容量約束

[Eh，t=（1-τ）Eh，t-1+ηchPch，t-Pdis，tηdis] （29）

[Ehmin≤Eh，t≤EhmaxPchmin≤Pch，t≤PchmaxPdismin≤Pdis，t≤PdismaxPch，tPdis，t=0] （30）

式中：[Eh，t]——[t]時(shí)刻儲(chǔ)熱裝置儲(chǔ)熱量，MWh；[τ]——儲(chǔ)熱裝置的熱損失系數(shù)；[Pchmin]、[Pdismin]——儲(chǔ)熱裝置最小充、放熱功率，MW；[Pchmax]、[Pdismax]——儲(chǔ)熱裝置最大充、放熱功率，MW。

5）系統(tǒng)旋轉(zhuǎn)備用約束

[CrPw，t+Pv，t+i=1nPi，max+Pdcspmax≥PLoad，t≥α] （31）

式中：[Cr?]——置信度表達(dá)式；[Pw，t]、[Pv，t]、[PLoad，t]——[Pw，t]、[Pv，t]、[PLoad，t]的模糊表示；[α]——滿足系統(tǒng)旋轉(zhuǎn)備用約束的置信度。

通過(guò)文獻(xiàn)［23］中的方法，將不確定性約束轉(zhuǎn)化為確定性約束。

3 計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度模型

3.1 系統(tǒng)不確定性建模

由于風(fēng)光出力以及負(fù)荷需求的預(yù)測(cè)結(jié)果存在誤差，發(fā)電側(cè)需預(yù)留適當(dāng)?shù)男D(zhuǎn)備用容量以保證電網(wǎng)運(yùn)行安全。本文通過(guò)建立模糊機(jī)會(huì)約束模型，采用三角模糊參數(shù)描述風(fēng)光出力和負(fù)荷需求的不確定性，并將其應(yīng)用于系統(tǒng)旋轉(zhuǎn)備用約束條件中，從而保證調(diào)度計(jì)劃的安全可靠。

模糊參數(shù)隸屬度函數(shù)可在已知數(shù)據(jù)信息較少的情況下確定，適用于現(xiàn)場(chǎng)數(shù)據(jù)不多的情況。用電負(fù)荷的隸屬度函數(shù)如式（32）所示，風(fēng)電和光伏出力的不確定性采用類似方法描述，詳見附錄B。

[A（PLoad，t）=PLoad，t-aLoad，tbLoad，t-aLoad，t，aLoad，t≤PLoad，t≤bLoad，tPLoad，t-cLoad，tbLoad，t-cLoad，t，bLoad，t≤PLoad，t≤cLoad，t0" " " " ，其他] （32）

式中：[A（PLoad，t）]——用電負(fù)荷的隸屬度函數(shù)；[aLoad，t、][bLoad，t、][cLoad，t]——對(duì)應(yīng)的隸屬度參數(shù)，其中[bLoad，t]為用電負(fù)荷[t]時(shí)刻的預(yù)測(cè)值，[t]時(shí)刻的實(shí)際用電負(fù)荷介于[aLoad，t]與[cLoad，t]之間。

本文將風(fēng)光出力以及負(fù)荷需求的日前預(yù)測(cè)值作為模糊參數(shù)來(lái)描述其不確定性，具體如式（33）所示。

[P～w，t=aw，t，bw，t，cw，t=（kw1，1，kw3）Pprew，tP～v，t=av，t，bv，t，cv，t=（kv1，1，kv3）Pprev，tP～Load，t=aLoad，t，bLoad，t，cLoad，t=（kl1，1，kl3）PpreLoad，t] （33）

式中：[Pprew，t]、[Pprev，t]、[PpreLoad，t]——[Pw，t]、[Pv，t]、[PLoad，t]的預(yù)測(cè)值，MW；[kw1、kw3、kv1、kv3、kl1、kl3]——比例系數(shù)，取值由風(fēng)光以及負(fù)荷需求的歷史預(yù)測(cè)數(shù)據(jù)決定［24］。

3.2 光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度思路

總體框架如圖2所示。計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度思路為：上層通過(guò)實(shí)時(shí)電價(jià)引導(dǎo)下的價(jià)格需求響應(yīng)來(lái)降低電力系統(tǒng)凈負(fù)荷峰谷差，緩解系統(tǒng)的調(diào)峰壓力；中層在上層模型對(duì)凈負(fù)荷曲線優(yōu)化的基礎(chǔ)上將系統(tǒng)調(diào)峰時(shí)段劃分為基本調(diào)峰時(shí)段和深度調(diào)峰時(shí)段，光熱電站

在深度調(diào)峰時(shí)段參與輔助調(diào)峰，以調(diào)峰總成本最小為目標(biāo)函數(shù)優(yōu)化日前各時(shí)段機(jī)組出力計(jì)劃；下層提出一種基于MPC的日內(nèi)動(dòng)態(tài)調(diào)整模型，在利用風(fēng)電、光伏以及負(fù)荷功率超短期預(yù)測(cè)數(shù)據(jù)進(jìn)行滾動(dòng)優(yōu)化的同時(shí)，通過(guò)狀態(tài)反饋環(huán)節(jié)實(shí)時(shí)調(diào)整光熱電站儲(chǔ)熱裝置充放熱來(lái)修正日前調(diào)度計(jì)劃，減少預(yù)測(cè)誤差干擾，保證電力系統(tǒng)經(jīng)濟(jì)可靠運(yùn)行。

3.3 日前調(diào)峰成本最小模型

將上層價(jià)格需求響應(yīng)優(yōu)化后的凈負(fù)荷作為負(fù)荷輸入，考慮火電機(jī)組調(diào)峰成本、光熱電站調(diào)峰成本以及儲(chǔ)熱成本建立的調(diào)峰成本最小模型為：

[minf=E+Z+Vs.t." 式（24）～式（31）] （34）

式中：[f]——日前調(diào)度的調(diào)峰總成本，元；[E]——火電機(jī)組調(diào)峰成本，元；[Z]——光熱電站調(diào)峰成本，元；[V]——光熱電站儲(chǔ)熱裝置日平均成本，元。

3.4 基于MPC日內(nèi)動(dòng)態(tài)調(diào)整模型

3.4.1 MPC原理

模型預(yù)測(cè)控制（model predictive control，MPC）是通過(guò)模型預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的系統(tǒng)行為，通過(guò)計(jì)算最優(yōu)控制輸入，使系統(tǒng)在未來(lái)時(shí)間段內(nèi)達(dá)到最佳性能指標(biāo)?？刂屏鞒炭煞譃橐韵聨撞剑?/p>

1）估計(jì)或測(cè)量系統(tǒng)當(dāng)前時(shí)刻[k]的狀態(tài)[x（k）]；

2）基于預(yù)測(cè)模型，通過(guò)求解在控制序列[u（k+1）]，[u（k+2）]，…，[u（k+M-1）]作用下，同時(shí)考慮系統(tǒng)約束的最優(yōu)控制問(wèn)題，得到系統(tǒng)最優(yōu)控制序列；

3）只將控制序列的第一個(gè)控制量[u（k+1）]作用于系統(tǒng)；

4）更新[k+1]時(shí)刻的狀態(tài)量，重復(fù)以上操作。

可看出，MPC可考慮狀態(tài)變量的各種約束，而且是一種不斷滾動(dòng)的局部?jī)?yōu)化過(guò)程。

3.4.2 基于MPC日內(nèi)動(dòng)態(tài)調(diào)整模型

根據(jù)系統(tǒng)功率平衡約束、集熱裝置的光熱功率平衡約束、光熱電站的熱電功率平衡約束及儲(chǔ)熱容量約束，選取火電調(diào)峰機(jī)組出力、光熱電站出力以及儲(chǔ)熱量構(gòu)成狀態(tài)向量[x（k）=P1（k） ， Pdcsp（k） ， E（k）T]；選取火電調(diào)峰機(jī)組出力增量、光熱電站出力增量以及儲(chǔ)熱量的增量構(gòu)成控制向量[u（k）=][ΔP1（k） ， ΔPdcsp（k） ， ΔE（k）T]；選取DNI、風(fēng)電、光伏、負(fù)荷預(yù)測(cè)功率增量構(gòu)成擾動(dòng)向量[d（k）=ΔPDNI（k） ， ΔPw（k） ， ΔPv（k） ， ΔPLoad（k）T]；選取火電調(diào)峰機(jī)組出力、光熱電站出力構(gòu)成輸出向量[y（k）=P1（k） ， Pdcsp（k）T]，建立離散狀態(tài)空間表達(dá)的預(yù)測(cè)模型：

[x（k+Δt）=Ax（k）+Bu（k）+Cd（k）y（k）=Dx（k）] （35）

式中：[A=100010001-τ;][B=100100;][C=00000000ηsfηchηchηdηchηd-ηchηdΔt;][D=100010]。

基于MPC日內(nèi)動(dòng)態(tài)調(diào)整控制原理如圖3所示，將調(diào)度日劃分為[N]個(gè)時(shí)段，每個(gè)時(shí)段時(shí)長(zhǎng)為[Δt，]滾動(dòng)步長(zhǎng)為[Δt′，]在每個(gè)時(shí)段內(nèi)基于DNI、風(fēng)電、光伏以及負(fù)荷的超短期預(yù)測(cè)數(shù)據(jù)，通過(guò)式（35）預(yù)測(cè)模型逐步迭代，以預(yù)測(cè)輸出與優(yōu)化后的日前調(diào)度計(jì)劃誤差最小且控制變量增量最小建立目標(biāo)函數(shù)，同時(shí)考慮系統(tǒng)約束，通過(guò)解決式（36）所示的二次規(guī)劃問(wèn)題，得到各機(jī)組出力及光熱電站儲(chǔ)熱裝置充放熱的修正量構(gòu)成的最優(yōu)控制序列，且僅將控制序列的第一個(gè)控制向量作用于下一調(diào)度時(shí)段，并將時(shí)間窗口后移[Δt′]單位，重復(fù)上述操作進(jìn)行滾動(dòng)優(yōu)化，最終得到日內(nèi)[N]個(gè)時(shí)段的滾動(dòng)調(diào)度計(jì)劃。

[minJ=（Y-R）ΤRerr（Y-R）+UTQUs.t.Pi，min≤Pi，t≤Pi，maxPcspmin≤Pdcsp≤PcspmaxEmin≤Et≤EmaxΔPi，min≤ΔPi≤ΔPi，maxΔPdcspmin≤ΔPdcsp≤ΔPdcspmaxΔEmin≤ΔE≤ΔEmax] （36）

式中：[Y]——預(yù)測(cè)域內(nèi)所有時(shí)段輸出預(yù)測(cè)值構(gòu)成的向量；[R]——對(duì)應(yīng)時(shí)段優(yōu)化后的日前調(diào)度計(jì)劃值構(gòu)成的向量；[Rerr]——火電調(diào)峰機(jī)組和光熱電站跟蹤誤差權(quán)重矩陣；[U]——對(duì)應(yīng)時(shí)段控制量構(gòu)成的向量；[Q]——控制量的權(quán)重矩陣。

可以看出，基于MPC日內(nèi)動(dòng)態(tài)調(diào)整模型與日前調(diào)度模型不同：日前調(diào)度模型僅利用風(fēng)光出力及負(fù)荷需求的日前預(yù)測(cè)數(shù)據(jù)離線求解一次，解決的是基于日前預(yù)測(cè)數(shù)據(jù)的全局優(yōu)化問(wèn)題，而日內(nèi)動(dòng)態(tài)調(diào)整模型利用超短期預(yù)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行滾動(dòng)在線優(yōu)化，解決的是立足于當(dāng)前時(shí)刻的局部?jī)?yōu)化問(wèn)題，可減小控制偏差在相鄰時(shí)段傳遞導(dǎo)致調(diào)度決策出現(xiàn)欠控、過(guò)控的風(fēng)險(xiǎn)，保證系統(tǒng)運(yùn)行安全。需要說(shuō)明的是，模型在滾動(dòng)求解時(shí)均采樣各狀態(tài)量的實(shí)時(shí)狀態(tài)，并在求解后更新控制域內(nèi)的最優(yōu)控制序列，相當(dāng)于起到反饋修正的作用，從而提升了調(diào)度模型的魯棒性和抗擾動(dòng)能力。

3.5 求解方法

本文建立的計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度模型包含混合整數(shù)規(guī)劃問(wèn)題，求解規(guī)模較大且復(fù)雜度較高，所以通過(guò)調(diào)用商業(yè)求解器Gurobi進(jìn)行求解。Gurobi求解混合整數(shù)規(guī)劃問(wèn)題的算法框架是分枝定界法，而且在對(duì)每個(gè)節(jié)點(diǎn)求解時(shí)會(huì)調(diào)用30多種啟發(fā)式算法來(lái)提高求解效率，求解步驟為：

1）根據(jù)所建立的數(shù)學(xué)模型定義決策變量、目標(biāo)函數(shù)以及約束條件，在求解之前Gurobi會(huì)對(duì)原問(wèn)題進(jìn)行預(yù)處理以減少問(wèn)題求解規(guī)模。

2）利用啟發(fā)式算法求得預(yù)處理后問(wèn)題的一個(gè)初始可行解，并將其對(duì)應(yīng)的目標(biāo)函數(shù)值作為優(yōu)化目標(biāo)的上界[Bu]。

3）不考慮原問(wèn)題的整數(shù)約束條件，將原來(lái)的混合整數(shù)規(guī)劃問(wèn)題A松弛為線性規(guī)劃問(wèn)題B，通過(guò)求解問(wèn)題B，得到的最優(yōu)解若滿足問(wèn)題A中的整數(shù)約束，則該解即為原問(wèn)題A的最優(yōu)解，若不滿足問(wèn)題A中的整數(shù)約束則將該解對(duì)應(yīng)的目標(biāo)函數(shù)值作為優(yōu)化目標(biāo)的下界[Bd]。

4）若松弛后問(wèn)題B的最優(yōu)解中某個(gè)[xi=bi]不滿足整數(shù)約束，則分別添加[xi≤[bi]]和[xi≥[bi]+1]兩個(gè)新的約束條件到問(wèn)題B進(jìn)行分枝，形成兩個(gè)新的整數(shù)規(guī)劃問(wèn)題，同樣對(duì)其分別進(jìn)行松弛求解后得到滿足原問(wèn)題的可行解?？尚薪鈱?duì)應(yīng)的目標(biāo)函數(shù)值記為[F]。若[Flt;Bu]，則更新優(yōu)化目標(biāo)的上界[Bu=F，]并進(jìn)行下一步；若[F≥Bu]，則刪除該條分枝。

5）計(jì)算優(yōu)化目標(biāo)上、下界之間的相對(duì)差[D]，如式（37）所示，若[D]小于求解器設(shè)定的容差參數(shù)時(shí)，終止計(jì)算，此時(shí)對(duì)應(yīng)的解即為原問(wèn)題的最優(yōu)解，否則繼續(xù)進(jìn)行分支求解。

[D=Bu-BdBd] （37）

本文采用的Gurobi求解器版本為9.5.1，計(jì)算環(huán)境為Inter Core i7-7700HQ CPU，8 GB內(nèi)存。由于建立的基于MPC日內(nèi)動(dòng)態(tài)調(diào)整模型為混合整數(shù)二次規(guī)劃問(wèn)題，所以求解時(shí)通過(guò)將NonConvex參數(shù)設(shè)為2，求解器會(huì)將非凸的混合整數(shù)二次規(guī)劃問(wèn)題轉(zhuǎn)化為雙線性形式后采用分枝定界來(lái)解決；Heuristics參數(shù)設(shè)為0.05，表示在求解過(guò)程中采用啟發(fā)式算法的比例；容差參數(shù)MIPGap設(shè)為0.0001，其余參數(shù)均采用系統(tǒng)默認(rèn)值。

4 算例分析

4.1 算例參數(shù)

本文采用改進(jìn)的IEEE 30節(jié)點(diǎn)進(jìn)行算例分析，系統(tǒng)包括裝機(jī)容量分別為200、80和50 MW的3臺(tái)火電機(jī)組，一座200 MW的風(fēng)電場(chǎng)，一座100 MW的光伏電站以及一座100 MW的光熱電站，系統(tǒng)接線圖如附錄圖A1所示?；痣姍C(jī)組的相關(guān)參數(shù)見附錄表A1，其中200 MW的火電機(jī)組作為系統(tǒng)調(diào)峰機(jī)組；光熱電站的相關(guān)參數(shù)見附錄表A2；其他相關(guān)參數(shù)見附錄表A3；風(fēng)電、光伏及負(fù)荷日前預(yù)測(cè)曲線見附錄圖A2。通過(guò)SAM仿真軟件獲取甘肅酒泉地區(qū)某日DNI曲線見附錄圖A3。

由于轉(zhuǎn)子致裂循環(huán)周次函數(shù)[Nf]為三次函數(shù)，求解器無(wú)法直接求解，采用分段二次逼近的方法轉(zhuǎn)化為分段二次函數(shù)，其表達(dá)式為：

[Nf=j=1M（δjPt2+σjPt+γj） ，" "Pj≤Pt≤Pj+1 ] （38）

式中：[Nf]——轉(zhuǎn)子致裂循環(huán)周次函數(shù)[Nf]分成[M]段二次逼近后的函數(shù)；[δj]、[σj]、[γj]——第[j]段的二次、一次及常數(shù)項(xiàng)系數(shù)。

4.2 算例參數(shù)優(yōu)化調(diào)度結(jié)果分析

為驗(yàn)證調(diào)度模型有效性以及聯(lián)合協(xié)調(diào)系統(tǒng)的經(jīng)濟(jì)性，本文設(shè)置以下場(chǎng)景：

場(chǎng)景1：不考慮價(jià)格需求響應(yīng)，只有火電機(jī)組參與系統(tǒng)調(diào)峰；

場(chǎng)景2：考慮價(jià)格需求響應(yīng)，只有火電機(jī)組參與系統(tǒng)調(diào)峰；

場(chǎng)景3：考慮價(jià)格需求響應(yīng)，光熱電站和火電機(jī)組參與系統(tǒng)調(diào)峰。

實(shí)施價(jià)格需求響應(yīng)優(yōu)化后的分時(shí)電價(jià)如表1所示。優(yōu)化前后的凈負(fù)荷曲線如圖4所示。不同場(chǎng)景下運(yùn)行成本如表2所示。不同場(chǎng)景下火電調(diào)峰機(jī)組處于不同調(diào)峰狀態(tài)的時(shí)段數(shù)如表3所示。

由圖4可看出，通過(guò)表1分時(shí)電價(jià)的引導(dǎo)，系統(tǒng)凈負(fù)荷峰谷差減小了21.9%。高峰時(shí)段負(fù)荷的轉(zhuǎn)移降低了購(gòu)電成本，有效提升了電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性；低谷時(shí)段負(fù)荷的轉(zhuǎn)移減小了系統(tǒng)調(diào)峰深度，降低了深度調(diào)峰成本，緩解了調(diào)峰機(jī)組的調(diào)峰壓力。由表3可看出，雖然實(shí)施價(jià)格需求響應(yīng)（price-based demand response，PDR）后的場(chǎng)景2比實(shí)施前的場(chǎng)景1不投油深度調(diào)峰次數(shù)增加了2次，但投油深度調(diào)峰次數(shù)減少了1次。通過(guò)對(duì)比表2中場(chǎng)景1和場(chǎng)景2的運(yùn)行成本可發(fā)現(xiàn)，實(shí)施PDR后系統(tǒng)深度調(diào)峰成本比實(shí)施前減少了20.4%，系統(tǒng)總運(yùn)行成本降低了13.6%。其主要原因是通過(guò)負(fù)荷側(cè)PDR進(jìn)行削峰填谷后降低了凈負(fù)荷峰谷差，減少了火電機(jī)組通過(guò)降低出力進(jìn)行投油深度調(diào)峰的次數(shù)以及光熱電站由于降出力運(yùn)行而產(chǎn)生的熱轉(zhuǎn)換效率損失和額外熱耗散損失，從而降低了系統(tǒng)的深度調(diào)峰成本以及總運(yùn)行成本。驗(yàn)證了負(fù)荷側(cè)通過(guò)實(shí)施價(jià)格需求響應(yīng)后，可有效降低系統(tǒng)調(diào)峰壓力，減小系統(tǒng)運(yùn)行成本。

場(chǎng)景2和場(chǎng)景3的火電機(jī)組和光熱電站日前出力計(jì)劃如圖5所示。結(jié)合表3可看出，場(chǎng)景2在光熱電站不參與深度調(diào)峰時(shí)，按照容量和光照資源約束保持最大出力，系統(tǒng)處于深度調(diào)峰時(shí)段數(shù)為10次，產(chǎn)生的深度調(diào)峰成本為13.435萬(wàn)元，而在場(chǎng)景3中，當(dāng)火電機(jī)組處于深度調(diào)峰時(shí)段時(shí)，光熱電站通過(guò)儲(chǔ)熱裝置將此時(shí)的光照資源轉(zhuǎn)換為熱能儲(chǔ)存下來(lái)，為風(fēng)力和光伏發(fā)電讓路，即保證了風(fēng)光的消納，也節(jié)省了火電機(jī)組由于降低出力而產(chǎn)生的深度調(diào)峰費(fèi)用，系統(tǒng)處于深度調(diào)峰時(shí)段數(shù)減少到9次，產(chǎn)生的深度調(diào)峰成本為9.015萬(wàn)元，雖然儲(chǔ)熱成本相比場(chǎng)景2增加了8.8%，但總運(yùn)行成本降低了17.9 %。驗(yàn)證了光熱參與系統(tǒng)調(diào)峰可有效降低系統(tǒng)調(diào)峰成本，提高運(yùn)行經(jīng)濟(jì)性。

為了減少預(yù)測(cè)誤差的干擾，根據(jù)預(yù)測(cè)誤差隨時(shí)間尺度縮小而減小的特征，在場(chǎng)景3提出的日前長(zhǎng)時(shí)間尺度調(diào)度計(jì)劃的基礎(chǔ)上，采用基于MPC日內(nèi)動(dòng)態(tài)調(diào)整進(jìn)行短時(shí)間尺度滾動(dòng)優(yōu)化調(diào)整。由于光熱電站相比于火電機(jī)組調(diào)峰成本更低，調(diào)節(jié)速率更快，所以在日內(nèi)短時(shí)間尺度上由光熱電站響應(yīng)風(fēng)光預(yù)測(cè)誤差引起的出力增量。取滾動(dòng)步長(zhǎng)為15 min，控制時(shí)長(zhǎng)為45 min，預(yù)測(cè)時(shí)長(zhǎng)為60 min，光熱電站日前計(jì)劃、滾動(dòng)優(yōu)化和實(shí)時(shí)出力曲線如圖6所示。

對(duì)比圖6中光熱電站日前計(jì)劃和日內(nèi)滾動(dòng)優(yōu)化出力曲線可看出，由于日內(nèi)短時(shí)間尺度風(fēng)光預(yù)測(cè)誤差相比于日前長(zhǎng)時(shí)間尺度更低，所以滾動(dòng)優(yōu)化效果明顯優(yōu)于日前計(jì)劃?；贛PC的實(shí)時(shí)出力計(jì)劃通過(guò)將預(yù)測(cè)窗口內(nèi)風(fēng)光和負(fù)荷的超短期預(yù)測(cè)誤差作為擾動(dòng)輸入，根據(jù)光熱電站和儲(chǔ)熱裝置的實(shí)時(shí)狀態(tài)，實(shí)時(shí)調(diào)整光熱電站的出力，減少風(fēng)光和負(fù)荷預(yù)測(cè)誤差產(chǎn)生的調(diào)度成本，提高了系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。

圖7為日前儲(chǔ)熱狀態(tài)和基于MPC實(shí)時(shí)調(diào)整后的儲(chǔ)熱狀態(tài)對(duì)比?？煽闯?，為了消納預(yù)測(cè)誤差產(chǎn)生的風(fēng)光差值，通過(guò)MPC實(shí)時(shí)調(diào)整儲(chǔ)熱計(jì)劃，儲(chǔ)熱容量由日前的1047 MWh增至1239 MWh，但風(fēng)光消納率分別提升了3.2%和1.4%。其主要原因是在日前調(diào)度計(jì)劃的基礎(chǔ)上，通過(guò)增加一部分儲(chǔ)熱容量來(lái)滿足光熱電站通過(guò)調(diào)整儲(chǔ)熱系統(tǒng)的充、放熱實(shí)現(xiàn)對(duì)風(fēng)光以及負(fù)荷需求的日前預(yù)測(cè)數(shù)據(jù)與日內(nèi)超短期預(yù)測(cè)數(shù)據(jù)偏差的修正，從而減少棄風(fēng)棄光現(xiàn)象的發(fā)生。驗(yàn)證了基于MPC日內(nèi)動(dòng)態(tài)調(diào)整策略對(duì)減少風(fēng)光和負(fù)荷預(yù)測(cè)誤差的干擾及提升風(fēng)光消納率的有效性，保證了調(diào)度決策的可靠性。

4.3 參數(shù)敏感性分析

4.3.1 自彈性系數(shù)對(duì)調(diào)度效果的影響

自彈性系數(shù)[εi，i]表示[i]時(shí)刻負(fù)荷需求對(duì)[i]時(shí)刻電價(jià)變動(dòng)的響應(yīng)程度。本文通過(guò)研究不同自彈性系數(shù)對(duì)系統(tǒng)重要指標(biāo)的影響來(lái)分析負(fù)荷彈性對(duì)調(diào)度效果的影響。表4為不同自彈性系數(shù)對(duì)調(diào)度效果的影響。分析表4可知，隨著自彈性系數(shù)絕對(duì)值的增大，即負(fù)荷需求對(duì)價(jià)格變化的響應(yīng)程度越高，實(shí)施價(jià)格需求響應(yīng)降低負(fù)荷峰谷差的效果越明顯，深度調(diào)峰成本以及總運(yùn)行成本越低。其主要原因是自彈性系數(shù)絕對(duì)值越大，價(jià)格需求響應(yīng)可調(diào)用的負(fù)荷量越大，系統(tǒng)的調(diào)峰壓力減小，火電和光熱電站參與深度調(diào)峰的成本降低，進(jìn)而使系統(tǒng)運(yùn)行總成本降低。

4.3.2 儲(chǔ)熱容量參數(shù)對(duì)調(diào)度效果的影響

光熱電站儲(chǔ)熱容量的配置會(huì)影響系統(tǒng)運(yùn)行的經(jīng)濟(jì)性，表5為不同儲(chǔ)熱容量對(duì)系統(tǒng)調(diào)度效果的影響。分析表5可知，儲(chǔ)熱容量從950 MWh增至1050 MWh時(shí)，雖然儲(chǔ)熱成本有所增加，但系統(tǒng)深度調(diào)峰成本和總運(yùn)行成本均有所下降。其主要原因是隨著儲(chǔ)熱容量的增加，電源側(cè)調(diào)節(jié)能力增強(qiáng)，光熱電站可降低更多出力，并將多余的能量轉(zhuǎn)移到儲(chǔ)熱裝置，從而降低系統(tǒng)深度調(diào)峰成本；儲(chǔ)熱容量從1050 MWh增至1150 MWh時(shí)，系統(tǒng)總運(yùn)行成本有所增加。其主要原因是當(dāng)儲(chǔ)熱容量達(dá)到1050 MWh時(shí)，系統(tǒng)已有足夠儲(chǔ)熱容量來(lái)滿足其參與深度調(diào)峰的需求，此時(shí)儲(chǔ)熱容量若繼續(xù)增加，儲(chǔ)熱成本的增加會(huì)導(dǎo)致系統(tǒng)的總運(yùn)行成本增加。

5 結(jié) 論

本文針對(duì)高比例新能源接入電網(wǎng)導(dǎo)致火電機(jī)組調(diào)峰壓力增大的困局，提出一種計(jì)及需求響應(yīng)的光熱電站參與深度調(diào)峰的分層優(yōu)化調(diào)度策略，得到以下主要結(jié)論：

1）所提基于負(fù)荷分類的價(jià)格需求響應(yīng)模型能夠充分挖掘負(fù)荷側(cè)調(diào)峰潛力，減小火電機(jī)組的調(diào)峰壓力。實(shí)施價(jià)格需求響應(yīng)后，凈負(fù)荷峰谷差減小了21.9%，深度調(diào)峰成本減少了20.4 %，系統(tǒng)總運(yùn)行成本降低了13.6%。

2）利用光熱電站靈活的調(diào)節(jié)特性協(xié)調(diào)火電機(jī)組參與輔助調(diào)峰，與僅火電機(jī)組參與深度調(diào)峰相比，投油深度調(diào)峰次數(shù)減少了3次，雖然儲(chǔ)熱成本增加了8.8%，但系統(tǒng)總運(yùn)行成本降低了17.9%。

3）相對(duì)于日前調(diào)度而言，本文所提的基于MPC的日內(nèi)動(dòng)態(tài)調(diào)整模型可在滾動(dòng)優(yōu)化的同時(shí)，通過(guò)狀態(tài)反饋環(huán)節(jié)實(shí)時(shí)調(diào)整光熱電站儲(chǔ)熱裝置充放熱來(lái)降低風(fēng)光和負(fù)荷預(yù)測(cè)誤差產(chǎn)生的調(diào)度成本，儲(chǔ)熱容量增加了18.3%，但風(fēng)光消納率分別提升了3.2%和1.4%。

本文所提的基于負(fù)荷分類的價(jià)格需求響應(yīng)模型考慮了不同負(fù)荷類型對(duì)不同價(jià)格需求響應(yīng)模型的響應(yīng)程度不同的問(wèn)題，根據(jù)其響應(yīng)特性建立不同的價(jià)格需求響應(yīng)模型?；贛PC的日內(nèi)動(dòng)態(tài)調(diào)整模型可根據(jù)預(yù)測(cè)域內(nèi)的超短期預(yù)測(cè)數(shù)據(jù)和系統(tǒng)實(shí)時(shí)狀態(tài)對(duì)各機(jī)組出力進(jìn)行前瞻性的調(diào)整，使其更好地跟蹤優(yōu)化后的日前調(diào)度計(jì)劃?？砂l(fā)現(xiàn)，該方法需要逐步迭代求解優(yōu)化問(wèn)題，而優(yōu)化問(wèn)題的求解往往比較耗費(fèi)時(shí)間，所以要求求解器的求解性能可滿足在線應(yīng)用的需求。目前國(guó)家關(guān)于推動(dòng)光熱電站作為調(diào)節(jié)性電源出臺(tái)了一系列鼓勵(lì)政策，但補(bǔ)貼機(jī)制尚不明確，導(dǎo)致光熱電站參與調(diào)峰的積極性不高。如何合理分配系統(tǒng)各主體的調(diào)峰利益來(lái)提高光熱電站調(diào)峰主動(dòng)性是下一步研究的重點(diǎn)。

［參考文獻(xiàn)］

［1］ 白建華， 辛頌旭， 劉俊， 等. 中國(guó)實(shí)現(xiàn)高比例可再生能源發(fā)展路徑研究［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2015， 35（14）： 3699-3705.

BAI J H， XIN S X， LIU J， et al. Roadmap of realizing the high" " penetration" " renewable" " energy" " in" " China［J］.Proceedings of the CSEE， 2015， 35（14）： 3699-3705.

［2］ 戚永志， 黃越輝， 王偉勝， 等. 高比例清潔能源下水風(fēng)光消納能力分析方法研究［J］. 電網(wǎng)與清潔能源， 2020， 36（1）： 55-63.

QI Y Z， HUANG Y H， WANG W S， et al. A study on hydro-wind-solar consumption analysis method for high proportion of clean energy［J］. Power system and clean energy， 2020， 36（1）： 55-63.

［3］ 崔楊， 周慧娟， 仲悟之， 等. 考慮火電調(diào)峰主動(dòng)性與需求響應(yīng)的含儲(chǔ)能電力系統(tǒng)優(yōu)化調(diào)度［J］. 高電壓技術(shù)， 2021， 47（5）： 1674-1684.

CUI Y， ZHOU H J， ZHONG W Z， et al. Optimal dispatch of power system with energy storage considering deep peak regulation initiative of thermal power and demand response［J］. High voltage engineering， 2021， 47（5）： 1674-1684.

［4］ KONG L G， CHEN X L， GONG J H， et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm［J］. Energy conversion and management， 2022， 257： 115310.

［5］ 劉浩田， 陳錦， 朱熹， 等. 一種基于價(jià)格彈性矩陣的居民峰谷分時(shí)電價(jià)激勵(lì)策略［J］ .電力系統(tǒng)保護(hù)與控制， 2021， 49（5）： 116-123.

LIU H T， CHEN J， ZHU X， et al. An incentive strategy of residential" peak-valley" price" based" on" price" elasticity matrix" "of" "demand［J］." "Power" "system" "protection" "and control， 2021， 49（5）： 116-123.

［6］ 杜爾順， 張寧， 康重慶， 等. 太陽(yáng)能光熱發(fā)電并網(wǎng)運(yùn)行及優(yōu)化規(guī)劃研究綜述與展望［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2016， 36（21）： 5765-5775.

DU E S， ZHANG N， KANG C Q， et al. Reviews and prospects of the operation and planning optimization for grid integrated concentrating solar power［J］. Proceedings of the CSEE， 2016， 36（21）： 5765-5775.

［7］ KAHVECIO?LU G， MORTON D P， WAGNER M J. Dispatch optimization of a concentrating solar power system under uncertain solar irradiance and energy prices［J］. Applied energy， 2022， 326： 119978.

［8］ MADAENI S H， SIOSHANSI R， DENHOLM P. How thermal energy storage enhances the economic viability of concentrating solar power［J］. Proceedings of the IEEE， 100（2）： 335-347.

［9］ BHOGILLA S S， RAMA SREEKANTH P S. Assessing the influence of thermal energy storage on the performance of concentrating solar power plant［J］. Energy storage， 2021， 3（2）： e207.

［10］ 崔楊， 修志堅(jiān)， 薄利明， 等. 考慮火-儲(chǔ)深度調(diào)峰容量二次分配的含風(fēng)電電力系統(tǒng)分層優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2022， 46（7）： 2520-2531.

CUI Y， XIU Z J， BO L M， et al. Hierarchical optimal scheduling of power systems with wind generation considering secondary allocation of thermal-storage deep peaking capacity［J］. Power system technology， 2022， 46（7）： 2520-2531.

［11］ 潘歡， 陳錦麟， 張黨強(qiáng)， 等. 計(jì)及抽蓄電站調(diào)峰運(yùn)行的水火電優(yōu)化調(diào)度［J］. 電力科學(xué)與工程， 2013， 29（10）： 1-5.

PAN H， CHEN J L， ZHANG D Q， et al. Economic dispatch considering the peak load regulation of the pumped" storage" power" stations" for" power" system［J］.Electric power science and engineering， 2013， 29（10）： 1-5.

［12］ 王駿， 趙潔， 劉滌塵， 等. 考慮核電參與的調(diào)峰優(yōu)化運(yùn)行模型［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2018， 38（6）： 1665-1674.

WANG J， ZHAO J， LIU D C， et al. Optimal scheduling model of peak load regulation considering participation of nuclear power plant［J］. Proceedings of the CSEE， 2018， 38（6）： 1665-1674.

［13］ BAI J W， DING T， WANG Z， et al. Day-ahead robust economic dispatch considering renewable energy and concentrated solar power plants［J］. Energies， 2019， 12（20）： 3832.

［14］ BOUSSELAMTI L， AHOUAR W， CHERKAOUI M. Multi-objective optimization of PV-CSP system in different dispatch strategies， case of study： midelt city［J］. Journal of renewable and sustainable energy， 2021， 13（1）： 013701.

［15］ 李雄威， 王昕， 顧佳偉， 等. 考慮火電深度調(diào)峰的風(fēng)光火儲(chǔ)系統(tǒng)日前優(yōu)化調(diào)度［J］. 中國(guó)電力， 2023， 56（1）： 1-7， 48.

LI X W， WANG X， GU J W， et al. Day ahead optimal dispatching of wind-solar-thermal power storage system considering deep peak shaving of thermal power［J］.Electric power， 2023， 56（1）： 1-7， 48.

［16］ ZHAO Y X， LIN Z Z， WEN F S， et al. Risk-constrained day-ahead scheduling for concentrating solar power plants with" demand" response" using" info-gap" theory［J］. IEEE transactions on industrial informatics， 2019， 15（10）： 5475-5488.

［17］ HU J F， SHAN Y H， GUERRERO J M， et al. Model predictive control of microgrids-an overview［J］. Renewable and sustainable energy reviews， 2021， 136： 110422.

［18］ HENZE G P， DODIER R H， KRARTI M. Development of a predictive optimal controller for thermal energy storage systems［J］. HVAC amp; research， 1997， 3（3）： 233-264.

［19］ 肖浩， 裴瑋， 孔力. 基于模型預(yù)測(cè)控制的微電網(wǎng)多時(shí)間尺度協(xié)調(diào)優(yōu)化調(diào)度［J］. 電力系統(tǒng)自動(dòng)化， 2016， 40（18）： 7-14， 55.

XIAO H， PEI W， KONG L. Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control［J］. Automation of electric power systems， 2016， 40（18）： 7-14， 55.

［20］ 劉小聰， 王蓓蓓， 李揚(yáng)， 等. 基于實(shí)時(shí)電價(jià)的大規(guī)模風(fēng)電消納機(jī)組組合和經(jīng)濟(jì)調(diào)度模型［J］. 電網(wǎng)技術(shù)， 2014， 38（11）： 2955-2963.

LIU X C， WANG B B， LI Y， et al. Unit commitment model and economic dispatch model based on real time pricing" "for" "large-scale" wind" power" accommodation［J］.Power system technology， 2014， 38（11）： 2955-2963.

［21］ 馮磊， 劉霞， 軒福貞. 汽輪機(jī)焊接轉(zhuǎn)子殘余應(yīng)力模擬及其對(duì)疲勞壽命的影響［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2014， 34（17）： 2851-2860.

FENG L， LIU X， XUAN F Z. Simulation of residual stress in welded steam turbine rotor and its effects on fatigue life［J］. Proceedings of the CSEE， 2014， 34（17）： 2851-2860.

［22］ 崔楊， 于世鵬， 張節(jié)潭， 等. 考慮光熱電站調(diào)峰補(bǔ)償?shù)母弑壤履茉措娏ο到y(tǒng)經(jīng)濟(jì)調(diào)度［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2023， 43（13）： 4922-4935.

CUI Y， YU S P， ZHANG J T， et al. Economic dispatch of high-proportion" " "renewable" " "energy" " "power" " "system considering" peak-shaving" compensation" of" concentrating solar power plant［J］. Proceedings of the CSEE， 2023， 43（13）： 4922-4935.

［23］ 劉寶碇， 趙瑞清， 王綱. 不確定規(guī)劃及應(yīng)用［M］. 北京： 清華大學(xué)出版社， 2003： 213-217.

LIU B D， ZHAO R Q， WANG G. Uncertain programming with applications［M］. Beijing： Tsinghua University Press， 2003： 213-217.

［24］ 艾欣， 劉曉， 孫翠英. 含風(fēng)電場(chǎng)電力系統(tǒng)機(jī)組組合的模糊機(jī)會(huì)約束決策模型［J］. 電網(wǎng)技術(shù)， 2011， 35（12）： 202-207.

AI X， LIU X， SUN C Y. A fuzzy chance constrained decision model for unit commitment of power grid containing" " large-scale" "wind" " farm［J］." "Power" " system technology， 2011， 35（12）： 202-207.

HIERARCHICAL OPTIMAL SCHEDULING STRATEGY FOR CONCENTRATING SOLAR POWER PARTICIPATING IN

DEEP PEAK SHAVING CONSIDERING DEMAND RESPONSE

Chen Wei1，Liu Wenhan1，Wei Zhanhong1，Zhang Xiaoying1，Li Wanwei2，F(xiàn)eng Zhihui2

（1. College of Electrical and Information Engineering， Lanzhou University of Technology， Lanzhou 730050， China；

2. Development Business Department （Economic and Technological Research Institute） of State Grid Gansu Electric Power Company，

Lanzhou 730030， China）

Abstract：The peak regulation potential of the system is excavated from both sides of the source and load， and a hierarchical optimal scheduling strategy for concentrating solar power participating in deep peak shaving considering demand response is established. Starting from the load side， the upper layer proposes a price demand response model based on load classification， which effectively alleviates the pressure of system peak regulation. Starting from the power supply side， the middle layer uses the flexible regulation characteristics of the concentrating solar power to coordinate the thermal power units to participate in the auxiliary peak regulation during the deep peak regulation period， and constructs a day-ahead scheduling model with the minimum total cost as the objective function. In the lower layer， an intra-day dynamic adjustment model based on model predictive control is proposed. While rolling optimization， the day-ahead scheduling plan of the heat storage device of the concentrating solar power is adjusted in real time through the state feedback link. The simulation results show that the proposed scheduling strategy can effectively suppress the short-term power fluctuation of wind-solar and load while reducing the peaking cost of the system， and improve the wind-solar consumption rate under the premise of ensuring the safe and stable operation of the system.

Keywords：scheduling； heat storage； model predictive control； concentrating solar power； demand response； deep peak shaving