考虑风光不确定性和调峰主动性的多能互补系统优化调度

Optimization Scheduling of Multi Energy Complementary Systems Considering Wind and Solar Uncertainty and Peak Shaving Initiative

摘要: 为促进清洁能源消纳，利用多种能源之间的互补特性，构建了水风光火储多能互补系统。考虑到风电和光伏出力的不确定性，采用蒙特卡洛场景抽样生成法与基于概率距离的场景缩减技术处理风电和光伏出力的不确定性，形成了含风光概率信息的典型场景。同时，为提高火电机组的调峰主动性，搭建了多能互补系统的机组调峰补偿与分摊模型，建立调峰主动性约束。考虑到水风光储系统与火电的优化方向不同，采用双层优化调度方案，上层模型以水风光清洁能源发电量最大、储能系统运行效益最大和余留负荷波动最小为目标函数，下层模型，以火电运行成本最小为目标函数，并基于分解协调思想，通过MATLAB平台调用CPLEX进行求解。最后，选取清水江区域多能互补系统进行算例分析，结果表明，提出的多能互补系统短期优化调度模型能有效提高风光能源利用率，降低弃风率和弃光率。

Abstract: To promote the consumption of clean energy, utilizes the complementary characteristics of multiple energy sources to construct a multi energy complementary system for water, solar, and fire storage. Considering the uncertainty of wind and solar power output, Monte Carlo scene sampling generation method and probability distance based scene reduction technology were used to deal with the uncertainty of wind and solar power output, forming a typical scenario containing wind and solar probability information. At the same time, in order to improve the peak shaving initiative of thermal power units, a multi energy complementary system unit peak shaving compensation and allocation model was built, and peak shaving initiative constraints were established. Considering the different optimization directions between water solar energy storage systems and thermal power systems, a double-layer optimization scheduling scheme is adopted. The upper layer model takes the maximum clean energy generation of water solar energy, the maximum operating efficiency of the energy storage system, and the minimum residual load fluctuation as the objective functions, while the lower layer model takes the minimum operating cost of thermal power as the objective function. Based on the decomposition coordination idea, CPLEX is called on the MATLAB platform for solution. Finally, a case study was conducted on the multi energy complementary system in the Qingshui River region, and the results showed that the proposed short-term optimization scheduling model for the multi energy complementary system can effectively improve the utilization efficiency of wind and solar energy, and reduce wind and solar curtailment rates.

1. 引言

随着全球气候变暖越来越受到关注，建设“零碳”社会已成为全球范围内的共识，而发展风光等清洁能源是其中最重要的途径之一。国际能源署的报告显示，截至2023年年底，中国的光伏发电累计并网装机容量约6.1亿千瓦，同比增长55.2%；中国的风电累计并网装机容量约4.4亿千瓦，同比增长20.7%；全球新增可再生能源发电装机5.07亿千瓦，同比增长近50% [1]。但是受限于风电和光伏自身的发电特性，其具有明显的不确定性和反调峰性，给电力系统的短期调度带来了极大的困难，导致风光能源的弃风、弃光问题十分严重。

为提高风光能源利用率，解决风光能源的弃风、弃光问题，学者们进行了许多探索。文献[2]利用水光出力的互补特性，以总出力波动性最小和整体平稳性最优为目标函数，构建了满足系统经济性和互补性的多目标优化调度模型。文献[3]为提高风电、光伏等新能源的消纳能力，提出了考虑风光储多能互补系统碳排放成本的优化调度模型。文献[4]分析了水风光多能发电系统的运行特性，结果表明水风光能源间存在比较好的互补性。文献[5]研究了水风光互补发电系统的调度策略，分别从“源源互补”和“源荷匹配”两个方向搭建了优化调度模型。文献[6]引入多级分区断面机会约束，提出了一种基于机会约束的多级嵌套水–风–太阳能协调互补优化调度模型。文献[7]以长期预期发电量最大和日内剩余负荷波动最小为目标函数建立了梯级水风光互补系统长期双层多目标优化调度模型。文献[8]基于虚拟电源配置理论，将新能源与常规能源打捆调度，并以负荷标准差最小为目标函数建立了风光水火多源互补短期优化调度模型。文献[9]提出一种结合储能系统并考虑火电深度调峰的两阶段分布鲁棒优化调度模型。

火电进入深度调峰后，会显著增大机组煤耗成本，以及增加投油成本和机组损耗成本。文献[10]对火电机组深度调峰的经济性进行了分析，表明在现行补偿标准下，火电机组的整体经济效益处于较低水平，火电调峰主动性不足。文献[11]分析了火电机组深度调峰能力及调峰成本，建立了火电深度调峰的成本模型。为更多的消纳风光清洁能源，调动火电机组的调峰积极性，文献[12]提出了一种基于合作博弈的深度调峰补偿策略。

采用蒙特卡洛场景抽样生成法与基于概率距离的场景缩减技术进行处理风光不确定性，形成了含风光概率信息的典型场景；为提高火电机组的调峰主动性，搭建多能互补系统的机组调峰补偿与分摊模型，建立火电机组调峰主动性约束。考虑到水风光储系统与火电的优化方向不同，采用双层优化调度方案，上层模型，为尽可能多的消纳水风光清洁能源，储能可以获得良好的经济效益，以及使余留负荷波动较小，将水风光清洁能源发电量最大、储能系统运行效益最大和余留负荷波动最小作为目标函数，下层模型，为了提高火电的发电效率，将火电运行成本最小作为目标函数，并基于分解协调思想，通过MATLAB平台调用CPLEX求解器进行求解。选取清水江区域多能互补系统进行算例分析，验证提出的多能互补系统短期优化调度模型和策略的有效性。

2. 考虑风光不确定性的场景生成

2.1. 蒙特卡洛场景生成

采用依据概率误差模型的蒙特卡洛抽样法，以风速和光照强度的日前预测为基础，假设风光预测出力误差为正态分布，通过误差抽样实现风电和光伏的出力不确定性描述，以拟合实际电力系统中的风光出力场景[13] [14]。

2.2. 基于概率距离的场景缩减

为从蒙特卡洛抽样法生成的场景中选择出合适的含风光概率信息典型场景，采用基于概率距离的场景快速缩减技术选择出风光典型场景，具体步骤如下[15]-[18]。

1) 步骤1。计算蒙特卡洛抽样生成了K个风光出力场景中每对场景$\left(c_m,c_n\right)$ 的欧氏距离$d\left(c_m,c_n\right)$ ，表达式为

$d\left(c_m,c_n\right)=\sqrt{{\displaystyle \sum _l^{L=24}{\left(c_m^l-c_n^l\right)}^2}}$ (1)

式中：$c_m^l$ 、$c_n^l$ 分别为第m、n个场景中的第l个值。

2) 步骤2。计算样本的相应值，首先假设每个场景的生成概率p相等，然后找出所有场景中每对场景$\left(c_m,c_n\right)$ 的欧氏距离$d\left(c_m,c_n\right)$ 与场景$c_m$ 生成概率$p^{\left(m\right)}$ 乘积的最小值，表达式为

$D=\left\{\underset{m\ne n}{\underset{m\in \left\{1,2,\cdots ,K\right\}}{\min }}d\left(c_m,c_n\right)p\right\}$ (2)

3) 步骤3。削减V (表示每次削减场景的个数)个满足式(3)的场景$c_{s^{\ast }}$ ，表达式为

$p^{\left(d^{\ast }\right)}{p}^{\left(d\right)}\underset{d\ne d^{\ast }}{\min }d\left(c_d,c_{d^{\ast }}\right)=\underset{m\in \left\{1,2,\cdots ,K\right\}}{\min }{p}^{\left(m\right)}D$ (3)

式中：$p^{\left(s^{\ast }\right)}$ 为削减场景$c_{s^{\ast }}$ 发生的概率；$p^{\left(m\right)}$ 为场景$c_m$ 发生的概率。

4) 步骤4。首先找出与被削减场景概率距离最小的场景，然后将该场景概率等于该场景原始概率加上被削减场景的概率，最后更新场景集D中的元素。

5) 步骤5。重复步骤2~4，在满足设定的剩余场景数后停止削减。

3. 深度调峰补偿与分摊模型

深度调峰费用的补偿与补偿属于机组之间的合作博弈问题，需要在各机组之间进行公平合理的利益分配[12]。

3.1. 火电机组深度调峰补偿模型

火电机组深度调峰补偿模型中，要满足“多劳多得，不劳不得”的公平分配原则，只有参与调峰的机组才能获得合理的补偿[19]，表达式为

$C_{i,t,peak}^g=p_{peak}^g{P}_{i,t,peak}^g\Delta t,i\in I^g$ (4)

式中：$C_{i,t,peak}^g$ 为t时段参与调峰常规火电机组i的调峰补偿费用；$p_{peak}^g$ 为参与调峰常规火电机组的调峰补偿价格；$P_{i,t,peak}^g$ 参与调峰为常规火电机组i的有偿调峰功率，$I^g$ 为参与调峰的火电机组。从而，t时段的总调峰补偿为

$C_{t,peak}=p_{peak}^g{P}_{i,t,peak}^g\Delta t$ (5)

3.2. 调峰费用分摊模型

在深度调峰问题中，调峰补偿费用由火电机组、风电和光伏共同承担，风电和光伏的分摊费用按照深度调峰交易日总发电量比例进行分摊，火电机组分摊的部分按其上网电量比例进行分摊[20] [21]，其表达式为

$C_{i,t,basic}^g=\frac{P_{i,t,basic}^g{C}_{t,peak}}{{\displaystyle \sum _i{P}_{i,t,basic}^g+{\displaystyle \sum _l{P}_{l,t}^{wind}}+{\displaystyle \sum _m{P}_{m,t}^{PV}}}},i\in I^g$ (6)

$C_{l,t}^{wind}=\frac{P_{i,t}^{wind}{C}_{t,peak}}{{\displaystyle \sum _i{P}_{i,t,basic}^g+{\displaystyle \sum _l{P}_{l,t}^{wind}}+{\displaystyle \sum _m{P}_{m,t}^{PV}}}},l\in I^{wind}$ (7)

$C_{m,t}^{PV}=\frac{P_{i,t}^{PV}{C}_{t,peak}}{{\displaystyle \sum _i{P}_{i,t,basic}^g+{\displaystyle \sum _l{P}_{l,t}^{wind}}+{\displaystyle \sum _m{P}_{m,t}^{PV}}}},m\in I^{PV}$ (8)

式中：$C_{i,t,basic}^g$ 、$C_{l,t}^{wind}$ 和$C_{m,t}^{pv}$ 分别为t时段各常规火电机组i、风电场l、光伏电站m的调峰分摊费用；$P_{i,t,basic}^g$ 为常规火电机组i在t时段的上网功率；$P_{i,t}^{wind}$ 为风电场l在t时段的上网功率；$P_{i,t}^{pv}$ 为光伏电站m在t时段的上网功率，$I^{wind}$ 、$I^{PV}$ 为参与调峰的风电场和光伏电站。

3.3. 机组调峰主动性约束

1) 火电机组调峰利润

$\{\begin{array}{l}{B}_i^g={\displaystyle \sum _{t=1}^{N_T}\left(C_{i,t,peak}^g-C_{i,t,basic}^g-E_{i,t,peak}^g\right)}\\ B_i^g\ge 0\end{array}$ (9)

$E_{i,t,peak}^g=f_{i,l}+f_{y,i,t}+\Delta P_{i,t}{p}_{peak}^g-E_{i,t,m}^g$ (10)

式中：$C_{i,t,peak}^g$ 为t时段参与调峰常规火电机组的调峰补偿费用；$C_{i,t,basic}^g$ 为t时段各常规火电机组的调峰分摊费用；$E_{i,t,peak}^g$ 为火电机组i调峰成本；$\Delta P_{i,t}$ 为火电机组i因调峰少发电量；$p_{peak}^g$ 为火电机组的调峰补偿单价；$E_{i,t,m}^g$ 为火电机组i减少发电量节煤收益；$f_{i,l}$ 和$f_{y,i,t}$ 分别为火电机组i调峰时段的机组损耗成本和投油成本，具体公式下节给出；$N_T$ 为一个调度周期。

2) 风电利润

$\{\begin{array}{l}{B}_l^{wind}={\displaystyle \sum _{t=1}^{N_T}\left(p_{peak}^{wind}{P}_{l,t}^{wind}-\alpha P_{l,t}^{wind}-C_{l,t}^{wind}\right)}\\ B_l^{wind}\ge 0\end{array}$ (11)

式中：$p_{peak}^{wind}$ 为风电标杆上网电价，$\alpha$ 为平准化风电成本。

3) 光伏利润

$\{\begin{array}{l}{B}_m^{PV}={\displaystyle \sum _{t=1}^{N_T}\left(p_{peak}^{PV}{P}_{m,t}^{PV}-\beta P_{m,t}^{PV}-C_{m,t}^{PV}\right)}\\ B_m^{PV}\ge 0\end{array}$ (12)

式中：$p_{peak}^{PV}$ 为光伏标杆上网电价，$\beta$ 为平准化光伏成本。

4. 双层调度优化模型的建立

4.1. 上层模型

4.1.1. 储能系统运行收益与成本

1) 储能系统运行收益

$f_{ss}={\displaystyle \sum _{k=1}^{N_K}{\displaystyle \sum _{t=1}^{N_T}\left({\eta }_d{p}_{price}{P}_{k,t}^d-{\eta }_c{p}_{price}{P}_{k,t}^c\right)}}$ (13)

式中：$p_{price}$ 为电网电价；${\eta }_c$ 和${\eta }_d$ 分别表示储能系统的充、放电效率；$P_{k,t}^c$ 和$P_{k,t}^d$ 分别为储能系统k在t时段的充、放电功率，$N_K$ 为储能系统总数。

2) 储能系统运行成本

$f_{sc}={\displaystyle \sum _{k=1}^{N_K}{\displaystyle \sum _{t=1}^{N_T}{c}_{sc}\left(P_{k,t}^c+P_{k,t}^d\right)}}$ (14)

式中：$c_{sc}$ 为储能系统的充放电功率成本系数。

4.1.2. 上层目标函数

为尽可能多的消纳水风光清洁能源，提高风光能源的利用率，本文以水风光清洁能源发电量最大为上层目标函数之一。

$\max f_1={\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{l=1}^{N_W}\left(P_{l,t}^{wind}\Delta t\right)}}+{\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{m=1}^{N_M}\left(P_{m,t}^{PV}\Delta t\right)}}+{\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{h=1}^{N_H}\left(P_{h,t}^{hydro}\Delta t\right)}}$ (15)

式中：$P_{l,t}^{wind}$ 为t时段风电场l实际并网功率；$P_{h,t}^{hydro}$ 为t时段水电站h实际并网功率；$P_{m,t}^{PV}$ 为t时段的光伏m实际并网功率；$N_W$ 为风电场总数；$N_M$ 为光伏电站总数；$N_H$ 为水电站总数。

储能系统价格高昂，寿命有限，要在寿命期内获得更多的效益，储能系统运行效益最大为上层目标函数之一。

$\max f_2=f_{ss}-f_{sc}$ (16)

如果负荷波动过大，会显著提高火电机组的煤耗成本，加大火电机组致裂风险，为降低水风光储系统余留给火电的负荷波动，本文以余留负荷波动最小为上层目标函数之一。

$\{\begin{array}{l}\min f_3=\frac{1}{N_T}{\displaystyle \sum _{t=1}^{N_T}\left|P_y-P_{y,av}\right|}\\ P_y={\displaystyle \sum _{j=1}^{N_J}{P}_{load,t}}-{\displaystyle \sum _{l=1}^{N_W}{P}_{l,t}^{wind}-{\displaystyle \sum _{m=1}^{N_M}{P}_{m,t}^{PV}}-{\displaystyle \sum _{h=1}^{N_H}{P}_{h,t}^{hydro}}-{\displaystyle \sum _{k=1}^{N_K}\left(P_{k,t}^d-P_{k,t}^c\right)}}\\ P_{y,av}=\frac{1}{N_T}{\displaystyle \sum _{t=1}^{N_T}{P}_y}\end{array}$ (17)

式中：$P_y$ 为t时段的余留负荷值；$P_{j,t}^{load}$ 为t时段j节点的负荷；$P_{y,av}$ 为一个调度周期内的余留负荷平均值。

4.1.3. 多目标问题处理方法

由于本文三个目标函数的数量级以及量纲之间不同，需要进行归一化处理。

$f_i^{\ast }=\frac{f_i^{\max }-f_i}{f_i^{\max }-f_i^{\min }}$ (18)

式中：$f_i^{\ast }$ 为多目标函数归一化值，$f_i$ 为目标函数，$f_i^{\max }$ 为目标函数最大值，$f_i^{\min }$ 为目标函数最小值。

将多目标函数转化为单目标函数。

$\min F=-w_1{f}_1^{\ast }-w_2{f}_2^{\ast }+w_3{f}_3^{*}$ (19)

式中：$w_1$ 、$w_2$ 、$w_3$ 为三个子目标所赋予的权重值。

4.1.4. 上层模型约束条件

1) 水电站出力约束。

$P_{h,t,\min }^{hrdro}<P_{h,t}^{hrdro}<P_{h,t,\max }^{hrdro}$ (20)

式中：$P_{h,t,\min }^{hrdro}$ 、$P_{h,t,\max }^{hrdro}$ 分别为水电站h在t时段最小出力、最大出力约束。

2) 水量平衡约束。

$V_{h,t+1}=V_{h,t}+I_{h,t}-Q_{h,t}$ (21)

式中：$V_{h,t+1}$ 、$V_{h,t}$ 分别为水电站h在$t+1$ 、t时段的末库容，$I_{h,t}$ 为水电站h在t时段的入库流量，$Q_{h,t}$ 为水电站h在t时段的出库流量。

3) 水电站库容约束。

$V_{h,\min }\le V_{h,t}\le V_{h,\max }$ (22)

式中：$V_{h,\min }$ 为水电站h的水库死库容，$V_{h,\max }$ 为水电站h的水库最大允许库容。

4) 风电出力约束。

$0<P_{l,t}^{wind}<P_{l,t,\max }^{wind}$ (23)

式中：$P_{l,t,\max }^{wind}$ 为风电场l在t时段最大出力。

5) 光伏电站出力约束。

$0<P_{m,t}^{PV}<P_{m,t,\max }^{PV}$ (24)

式中：$P_{m,t,\max }^{PV}$ 为光伏电站m在t时段最大出力。

6) 储存能量约束。

$\{\begin{array}{l}{S}_{st}=S_{s\left(t-1\right)}\left(1-\delta \right)+\frac{{\displaystyle \sum _{k=1}^{N_K}{P}_{k,t}^c{\eta }_c\Delta t}}{E_s}-\frac{{\displaystyle \sum _{k=1}^{N_K}{P}_{k,t}^d{\eta }_d\Delta t}}{E_s}\\ S_{\min }<S_{st}<S_{\max }\end{array}$ (25)

式中：$S_{st}$ 为储能系统t时段的荷电状态；$\delta$ 表示储能的自放电率；$E_s$ 为储能系统容量；$S_{\max }$ 和$S_{\min }$ 分别为储能系统的荷电状态上、下限。

7) 储能充放电约束。

$\{\begin{array}{l}{u}_t^c{P}_{k,t,\min }^c\le P_{k,t}^c\le u_t^c{P}_{k,t,\max }^c\\ u_t^d{P}_{k,t,\min }^d\le P_{k,t}^d\le u_t^d{P}_{k,t,\max }^d\end{array}$ (26)

式中：$u_t^c$ 和$u_t^d$ 分别为储能系统的充放电状态；$P_{k,t,\min }^c$ 和$P_{k,t,\max }^c$ 分别为储能系统k在t时段充电功率的最大值和最小值；$P_{k,t,\min }^d$ 和$P_{k,t,\max }^d$ 分别为储能系统k在t时段的放电功率的最大值和最小值。

8) 水风光储系统余留负荷约束。

${\displaystyle \sum _{j=1}^{N_J}{P}_{load,t}}-{\displaystyle \sum _{l=1}^{N_W}{P}_{l,t}^{wind}-{\displaystyle \sum _{m=1}^{N_M}{P}_{m,t}^{PV}}}-{\displaystyle \sum _{h=1}^{N_H}{P}_{h,t}^{hydro}}-{\displaystyle \sum _{k=1}^{N_K}\left(P_{k,t}^d-P_{k,t}^c\right)}\ge {\displaystyle \sum _{i=1}^{N_G}{P}_{i,t,b}^g}$ (27)

式中：$P_{i,t,b}^g$ 为第i台火电机组t时段的最小有功出力。

4.2. 下层模型

4.2.1. 火电机组运行成本

1) 火电机组的常规调峰运行成本

$f_g={\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{i=1}^{N_G}\left(a_i{P}_{i,t}^2+b_i{P}_{i,t}+c_i\right)}}+{\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{i=1}^{N_G}{S}_{i,t}{u}_{i,t}\left(1-u_{i,t-1}\right)}}$ (28)

式中：$f_g$ 为火电机组常规调峰运行成本；$a_i$ 、$b_i$ 和$c_i$ 分别为火电机组i的耗量系数；$P_{i,t}$ 为在t时段第i台火电机组的出力，$u_{i,t}$ 为第i台火电机组t时段的启停状态，$S_{i,t}$ 为第i台火电机组t时段的启停成本系数。

2) 火电机组深度调峰的投油成本

$f_{y,i,t}=T_{oil,i,t}{p}_{oil}$ (29)

式中：$T_{oil,i,t}$ 为在t时段第i台机组深度调峰时的投油量；$p_{oil}$ 为当季油价。

3) 参考Manson-Coffin公式计算火电机组的损耗成本[22]

$f_{i,l}=\frac{\beta S_{unit,i}}{2N_f\left(P\right)}$ (30)

式中：$\beta$ 为火电机组运行影响系数；$S_{unit,i}$ 为第i台火电机组的购置成本；$N_f\left(P\right)$ 为转子致裂循环周次，该数据是由转子低周疲劳曲线确定的。

4.2.2. 下层目标函数

火电对环境影响较大，更多的是要考虑其发电效率，降低发电成本，使其能在深度调峰中获益，本文以火电运行成本最小为下层目标函数

$\min f_4=\{\begin{array}{ll}{f}_g,\hfill & P_{i,\min }<P_{i,t}<P_{i,\max }\hfill \\ f_g+{\displaystyle \sum _{i=1}^{N_G}{f}_{i,l}},\hfill & P_a<P_{i,t}<P_{i,\min }\hfill \\ f_g+{\displaystyle \sum _{i=1}^{N_G}{f}_{i,l}}+{\displaystyle \sum _{t=1}^{N_T}{\displaystyle \sum _{i=1}^{N_G}{f}_{y,i,t}},}\hfill & P_b<P_{i,t}<P_a\hfill \end{array}$ (31)

4.2.3. 约束条件

1) 功率平衡约束

${\displaystyle \sum _{j=1}^{N_J}{P}_{load,t}}-{\displaystyle \sum _{l=1}^{N_W}{P}_{l,t}^{wind}-{\displaystyle \sum _{m=1}^{N_M}{P}_{m,t}^{PV}}}-{\displaystyle \sum _{h=1}^{N_H}{P}_{h,t}^{hydro}}-{\displaystyle \sum _{k=1}^{N_K}\left(P_{k,t}^d-P_{k,t}^c\right)}={\displaystyle \sum _{i=1}^{N_G}{P}_{i,t}^g}$ (32)

式中：$P_{i,t}^g$ 为第i台火电机组t时段的有功出力。

2) 火电机组约束

常规调峰机组：

$u_{it}{P}_{i,\min }<P_{i,t}<u_{it}{P}_{i,\max }$ (33)

深度调峰机组：

$u_{it}{P}_{i,b}<P_{i,t}<u_{it}{P}_{i,\max }$ (34)

机组爬坡约束：

$-r_{i,down}<P_{i,t}-P_{i,\left(t-1\right)}<r_{i,up}$ (35)

式中：$r_{i,down}$ 和$r_{i,up}$ 分别为第i台火电机组最大向上爬坡速率和最大向下爬坡速率。

3) 火电机组启停机约束

${\displaystyle \sum _{m=0}^{T_i^{on}-1}{u}_{i,t+m}}\ge T_i^{on}\left(u_{i,t}-u_{i,t-1}\right)$ (36)

${\displaystyle \sum _{m=0}^{T_i^{off}-1}\left(1-u_{i,t+m}\right)}\ge T_i^{off}\left(u_{i,t-1}-u_{i,t}\right)$ (37)

式中：$T_i^{on}$ 、$T_i^{off}$ 为火电机组i的最小启停机时间。

4) 电力送出通道容量约束。

${\displaystyle \sum _{l=1}^{N_W}{P}_{l,t}^{wind}+{\displaystyle \sum _{m=1}^{N_M}{P}_{m,t}^{PV}}}+{\displaystyle \sum _{h=1}^{N_H}{P}_{h,t}^{hydro}}+{\displaystyle \sum _{k=1}^{N_K}\left(P_{k,t}^d-P_{k,t}^c\right)}+{\displaystyle \sum _{i=1}^{N_G}{P}_{i,t}^g}\le C$ (38)

式中：C为电力送出通道的最大容量。

5. 多能互补系统分层调度策略及求解方法

在短期调度中，上层模型利用水风光在时间上和空间上较好的互补性，提高水风光能源的利用率，并通过储能系统进行削峰填谷，降低余留给火电的负荷波动，以水风光清洁能源消纳最大、储能系统运行效益最大和余留负荷波动最小为目标来优化水风光储联合系统出力。对上层模型采用CPLEX求解，可以得到水风光储系统的最优出力，再结合负荷预测曲线，扣除水风光储系统出力，可以得到等效负荷曲线。在短期调度中，下层模型利用火电的调峰空间，承担水风光储系统余留的负荷，为了提高火电的运行效率，以火电运行成本最小为目标函数。对下层模型进行求解以确定经济性的调度策略，再使用交替迭代的求解方法对系统调峰主动性进行校验，满足调峰主动性约束后结束迭代，输出最终的调度策略[23]。具体的多能互补系统双层优化调度策略求解步骤如图1所示。

Figure 1. Double layer optimization scheduling strategy for multi energy complementary systems

图1. 多能互补系统双层优化调度策略

6. 算例分析

6.1. 贵州清水江多能互补系统的参数

贵州清水江区域，建有总装机容量为1000 MW的三板溪水电站，该水电站的简介如表1所示，在运行的黔东火电厂装机容量为2 × 600 MW，火电机组的技术成本参数如表2所示，运行总装机容量为350 MW的光伏电站和总装机容量为450 MW的风电场，并配置了10%总容量的储能系统，具体储能系统配置与参数如表3所示，以上不同能源组成了一个水、风、光、火、储多能互补系统，并通过三板溪水电站外送通道送至湖南电网消纳，该通道的最大送出容量为2400 MW。

Table 1. Introduction to Sanbanxi hydropower station

表1. 三板溪水电站简介

装机容量/MW	正常水位/m	死水位/m	上网电价/[元/(kW∙h)]	调节库容/m^3	调节性能
1000	475	425	0.36	26.16	多年调节

Table 2. Technical cost parameters of thermal power generation units

表2. 火力发电机组的技术成本参数

出力上限/MW	出力下限/MW	最小启停机时间/(h)	爬坡速率/(MW∙h)	燃料成本系数
				a/[元/(MW)^2]	b/[元/MW]	c/元
600	180	18	720	0.00322	17.5	1072
600	180	18	720	0.0035	17.28	972

Table 3. Energy storage system configuration and parameters

表3. 储能系统配置与参数

储能容量/(MW∙h)	储能功率/MW	荷电状态上限	荷电状态下限	储能系统 充电效率	储能系统 放电效率
240	80	0.9	0.1	0.9	0.9

6.2. 风光不确定性和调峰主动性对系统优化调度结果的影响分析

为验证风光不确定性和调峰主动性对系统优化调度结果的影响，本文基于3种调度场景进行对比分析。

场景1：水、风、光、火、储联合运行，考虑风光不确定性和调峰主动性，火电进行深度调峰。

场景2：水、风、光、火、储联合运行，风光出力使用日前预测数据，考虑调峰主动性，火电进行深度调峰。

场景3：水、风、光、火、储联合运行，考虑风光不确定性，不考虑调峰主动性，火电仅进行常规调峰。

由图2中的图2(a)光伏出力对比图与图2(b)风电出力对比图可知，不含不确定性的光伏出力与风电出力与含不确定性的光伏出力与风电出力有着较为明显的偏差，这会使后面的优化调度出现不准确的结果，给实际调度带来困难。对比表3中的场景1与场景2的优化结果数据，可以发现，相比与场景1，场景2的风电收益偏差了1960元，场景2的光伏收益偏差了169,700元，场景2的弃光率偏差了11.1%。优化结果表明，考虑风光不确定性的调度策略可以更好的指导实际调度。

Figure 2. Comparison diagram of photovoltaic and wind power output between Scenario 1 and Scenario 2

图2. 场景1与场景2的光伏出力与风电出力对比图

对比表4的场景1与场景3，可以发现，场景1的弃风率、弃光率分别为0、0.19%，比场景3的10.52%、8.82%更低；场景1的水风光储系统的水电收益、风电收益、光伏收益分别比场景3的多出154300元、135770元、202700元，总的收益比场景3要多492770元；场景1的火电因为获得电网的调峰补偿以及风光的补偿，调峰收益了379,080元，使得总收益为6,244,300元，场景3的火电发电产生了932,400元的成本，与获得深度调峰补偿的场景1相比，成本高出24.39%，场景3的火电收益仅多出277,680元，发电运行效率较低；场景1的水风光火储系统总收益比场景3的多出215,090元，整体效益更优。优化结果表明，考虑调峰主动性的多能互补调度，将有效协调各主体利益，使得整个多能互补系统获得更优的效益，降低弃风率和弃光率。

Table 4. Comparison of optimization results for multi energy complementary systems under three scheduling modes

表4. 三种调度模式下多能互补系统的优化结果对比

	场景1	场景2	场景3
水电收益(元)	8,609,900	8,622,300	8,455,600
风电收益(元)	949,350	947,390	813,850
光伏收益(元)	1,459,100	1,289,400	1,256,400
储能收益(元)	123,320	123,320	123,320
火电总收益(元)	6,244,300	6,323,300	6,521,980
火电调峰收益(元)	379,080	358,460	0
火电成本(元)	749,420	701,080	932,400
弃风率	0	0	10.52%
弃光率	0.19%	11.29%	8.82%

对比图3与图4的火电机组出力可知，在第1~12调度时段，此时负荷较低，为满足风电和光伏的出力需求，场景1的火电机组1在第1~9时段和第11~12调度时段共进行了总量为964.99 MW的深度调峰，火电机组2在第4~11时段进行了总量为642.23 MW的深度调峰。

Figure 3. Power output diagram of thermal power unit in scenario 1

图3. 场景1的火电机组出力图

Figure 4. Power output diagram of thermal power unit in scenario 3

图4. 场景3的火电机组出力图

对比图5与图6的水风光出力可知，在第1~12调度时段，因为此时负荷较低，场景3的火电只是常规调峰，场景3出现弃水、弃风和弃光，相比场景1，场景3水电少发428.60 MW，风电少发856.79 MW，光伏少发272.91 MW，同时，储能系统在这个低电价时段进行充电，完成对负荷的填谷。在负荷较低的时段，水风光储系统需要火电为其提供更多的调峰，考虑调峰主动性的优化调度策略可以挖掘火电更多的调峰空间，满足清洁能源的出力需求。

Figure 5. Output diagram of water, solar, and energy storage system in scenario 1

图5. 场景1的水风光储系统出力图

Figure 6. Output diagram of water, solar, and energy storage system in scenario 3

图6. 场景3的水风光储系统出力图

7. 结论

本文为提高风光能源利用率，解决风光能源的弃风、弃光问题，提出了一种考虑风光不确定性与火电调峰主动性的多能互补系统短期调度策略。主要结论如下：

1) 考虑风光出力的不确定性调度策略，可以使得优化调度的风光出力数据更为准确，更好地指导实际调度。本文的多能互补系统深度调峰补偿与分摊模型可以有效协调各参与主体的利益，通过调节各参与主体的利益分配，挖掘火电调峰容量，提高火电调峰主动性，使多能互补系统整体利益变得更大，为多能互补系统调度决策提供有效方法。

2) 本文提出的多能互补系统分层优化调度策略可以使清水江区域的风光能源的弃风率和弃光率分别下降到0%和0.19%，使风光能源的利用率更高。

基金项目

国家自然科学基金资助项目(51707121)。