风光储协同调度的多时间尺度决策方法

朱海鹏 ，王泽众 ，张新平 ，刘宗杰 ，雷 宇

（1.济宁供电公司，山东 济宁 272000；2.华北电力大学，北京 102206；3.山东大学电气工程学院，山东 济南 250061；4.山东省军区，山东 济南 250061）

0 引言

风力发电、光伏发电等可再生能源发电方式的技术发展日益成熟，在发电容量中所占比例逐年升高[1]。但是风能、太阳能等能源具有随机性和间歇性的特点，尤其是风力发电具有夜间发电多、白天发电较低的反调峰特性[2-3]，使得系统中由负荷、风电功率、光伏发电功率组成的等效负荷曲线的峰谷差率较之原来的负荷曲线的峰谷差率有明显增加，系统中火电机组面临的调峰压力加大，进而又制约了电网接纳更多风电、光伏等可再生发电能源的能力。

增加风电、光伏等可再生发电能源消纳能力是电网的一项长期任务，而未来电动汽车充电与风电之间潜在的协同性为智能电网平台上多资源的协调互补利用提供了一种可能。智能电网技术的发展，尤其是电动汽车充电基础设施的建设，为在智能电网平台上实现风电、光伏发电与电动汽车储能协调优化利用提供了基础。一系列电动汽车充电对电网影响的相关研究表明[4-7]：电动汽车低排放的优势只有在以低碳电力为主的区域才比较显著，而在以燃煤发电为主的区域并不显著；只有尽可能多地采用风电、光伏发电等可再生能源为电动汽车充电，才能充分发挥电动汽车的减排效益；另外，若对电动汽车充电不加以引导，会增大电网的峰值负荷，迫使电网建设更多的调峰电源。因此有必要在电网调度中，将电动汽车充电与风电、光伏发电等可再生能源相互融合，从而提高节能减排效益。

1 总体思路

文献[8]建立电动汽车充电与风电协同调度的模型，实现了电动汽车充电与风电之间的协调互补，能够有效提高电网接纳风电的能力。但由于受预测误差的影响，特别是风电和光伏发电等可再生能源的日前预测误差较大，直接根据日前预测值所得的电动汽车充电站的充电计划对负荷曲线的平滑作用会打较大折扣。由于预测精度与时间跨度成反比[9-11]，本文在文献[8]的基础上，建立了风光储多时间尺度调度模型。该模型由日前计划、滚动计划、实时调度三部分组成。

日前计划。日前计划以日前对负荷、风电场风功率及光伏电站输出功率的预测为基础，其以地区电网各个电动汽车换电站的电动汽车能源需求及充电能力为约束，以最小化由负荷、可再生能源及电动汽车换电站的充电功率组成的等效负荷的峰谷差为目标，合理调度安排次日各个电动汽车换电站的充电计划，从而达到降低常规机组调峰压力，提高可再生能源接入水平的目的。

滚动计划。滚动计划以每小时不断实时更新的当日剩余时段负荷、风电场风功率及光伏电站输出功率的预测值为基础，充分利用最新的信息，实时对当日剩余时段的电动汽车换电站充电计划进行修正，逐步消减日前预测误差对日前计划的影响。

实时调度。实时调度的主要目标是通过实时调度储能电池动态修正滚动计划，来消除滚动预测与超短期预测之间的功率差额，缓解火电等常规电源在该时段的功率实时平衡压力。

图1给出了风光储多时间尺度调度模型的系统框图。

图1 风光储多时间尺度调度模型的系统框图

2 协同调度的多时间尺度模型

2.1 日前计划

日前计划是基于日前对负荷、风电场风功率及光伏电站输出功率的预测，通过合理调度安排次日各个电动汽车换电站的充电计划，既能够满足各个电动汽车换电站的电动汽车能源需求，又缩小等效负荷曲线的峰谷差率，从而降低常规机组的调峰压力，提高可再生能源的接入水平。

目标函数：

约束条件：

2.2 滚动计划

根据已有相关研究，日前预报存在一定的预测偏差，特别是风电及光伏等可再生能源的日前预测具有较大偏差，因此日前确定的电动汽车换电站充电计划对于当日实际发生的负荷、风电及光伏电站功率曲线的平滑效果有所降低，此外电动汽车换电站的能源需求在当日也有一定变化，因此需要不断实时对当日剩余时段的电动汽车换电站充电计划进行滚动的修正。滚动计划的实施依赖于对负荷、风电、光伏电站功率的滚动预测，滚动预测能够利用不断更新的实时和实测数据，深入挖掘未来电网的运行情况，为滚动计划的实施提供基础依据。另外，滚动计划的实施依赖于日前所作的充电计划，即每次滚动计划确定的电池充电功率只能在日前计划确定的充电功率的一定范围内进行修正，这样能够间接考虑换电站操作人员的工作强度，使滚动计划具有现实的可行性。

综上，滚动计划是基于当日不断实时更新的负荷、风电场风功率及光伏电站输出功率的预测值，通过合理可行的实时动态修正当日剩余时段各个电动汽车换电站的充电计划，既能够满足各个电动汽车换电站的电动汽车能源需求，又折中的考虑了实际等效负荷峰谷差的减小和实际执行的充电功率尽量贴近日前计划，顾及了操作人员的工作强度，确保滚动计划具有可行性。

目标函数：

约束条件：

每次滚动计划确定的电池充电功率只能在日前计划确定的充电功率的一定范围内进行修正，即，要折中的考虑实际等效负荷峰谷差的减小和实际执行的充电功率尽量贴近日前计划，顾及了操作人员的工作强度，确保滚动计划具有可行性。

ΔPe（r）为日前计划在滚动计划中允许的修正值。

2.3 实时调度

实时调度的主要目标是通过实时调度储能电池动态修正滚动计划，来消除滚动预测与超短期预测之间的功率差额，缓解火电等常规电源在该时段的功率实时平衡压力。同时，实时调度确定的电池充电功率只能在最新制定的滚动计划确定的充电功率的一定范围内进行修正，这是由于实时调度不具有前瞻功能，需要兼顾实时调度的目标时段目标与当天剩余时段时间窗口内的电量约束，因此需将实时调度目标时段的充电电量或功率限定在滚动计划确定的该时段充电电量或功率范围内。

目标函数：

D、W、S及E分别为地区电网的负荷、风电场、光伏电站、电动汽车换电站数目。超短期预测负荷 d 在时段 t的负荷需求为 Plt，d（o）；超短期预测某风电场w在时段t的预测风电输出功率为Pwt，w（o）；超短期预测某光伏电站s在时段t的预测输出功率为 Pst，s（o）；实时调度中电动汽车换电站 e 在时段 t的计划充电功率为 Pev，t，e（o）。

约束条件：

实时调度确定的电池充电功率只能在最新制定的滚动计划确定的充电功率的一定范围内进行修正，这是由于实时调度不具有前瞻功能，需要兼顾实时调度的目标时段目标与当天剩余时段时间窗口内的电量约束，所以将实时调度阶段的充电电量或功率限定在滚动计划确定的范围内。

ΔPe（o）为滚动计划在实时调度中允许的修正值。

3 算例分析

本文以某地区电网负荷、风电功率的日前预测数据、每小时实时更新的预测数据及提前15 min的超短期预测数据为基础，并假设各个电动汽车换电站的电动汽车能源需求及充电能力约束如表1所示。

表1 电动汽车换电站的能源需求及充电能力约束

8 439.28 273.040 4 270.157 2 9 439.28 301.593 6 241.604 10 439.28 330.146 8 213.050 8 11 439.28 284.022 4 259.175 2 12 439.28 251.076 4 292.121 2 13 439.28 218.130 4 325.067 2 14 439.28 253.272 8 289.924 8 15 439.28 222.523 2 320.674 4 16 439.28 182.988 360.209 6 17 439.28 200.559 2 342.638 4 18 439.28 196.166 4 347.031 2 19 439.28 251.076 4 292.121 2 20 439.28 316.968 4 226.229 2 21 439.28 376.271 2 166.926 4 22 439.28 422.395 6 120.802 23 439.28 475.109 2 68.088 4 24 439.28 503.662 4 39.535 2

图2 风光储多时间尺度调度模型的控制效果

图2 为应用本文模型仿真后的控制效果。从图2可以看出，与自由充电模式相比，日前充电计划已经对负荷曲线产生了良好的平滑效果，但是由于日前风电等可再生能源的预测误差较大，对负荷曲线的平滑效果有所降低。而通过日前计划、滚动计划、实时调度的多时间尺度协同调度决策模型，实际控制效果与日前计划相比有进一步的改善，从而达到逐级消减风电、光伏等可再生能源预测误差的影响，进一步改善等效负荷的负荷特性。

4 结论

本文建立了风电、光伏、电动汽车的多时间尺度协同调度决策模型，通过优化电动汽车充电策略，能够明显改善由负荷、风电、光伏等组成的等效负荷峰谷差率，改善负荷特性，减轻常规火电机组调峰压力，有利于消纳风电、光伏等新能源。日前计划、滚动计划、实时调度的多时间尺度协同调度决策模型的建立，能够逐级消减风电、光伏等新能源预测误差的影响，进一步改善等效负荷的负荷特性。