考虑时间特性和调度周期匹配的时间尺度自适应调度模型

技术领域

本发明涉及风电的消纳和综合能源系统优化调度领域，具体为考虑时间特性和调度 周期匹配的时间尺度自适应调度模型。

背景技术

风电、光伏等新能源具有很强的不确定性，其预测偏差一般由网内可控机组，如火电机组弥补。但是，在低碳转型的背景下，风电等新能源接入电网的比例将越来越高， 2050年中国风能(44％)和光伏(27％)将主导2050年可再生能源的供应，届时非化 石能源占终端电能消费比例可能达到70％，此时仅靠常规电源调节难以应对新能源的不 确定性带来的预测误差，因此需要探讨新能源消纳的新途径。

储能一直是新能源消纳的关键，但是大容量电能存储技术尚在研究中，现有的电储 能容量有限，难以作为未来高比例风电的消纳手段。随着综合能源系统的发展，许多新的能源形式也逐步进入视野。这些能源系统自带的存储能力为新能源的消纳提供了新的途径。目前具备能源存储能力的设备如：氢储能系统中的储氢罐、碳捕集装置中的储液 罐以及热系统中的管网和热负荷。这些设备在一定程度上具备了双向调节能力，可用来 平抑新能源波动，弥补预测误差。但是多种能源时间特性各异，互联时存在难度。在电 网调度中，这些时间特性主要表现在调度指令响应时间上。电网调度按照指令发布的周 期分为日前调度、日内调度和实时调度。日前调度指令的发布周期较长，设备有足够的 响应时间。而日内调度和实时调度发布周期较短，需要和各个不同形式的储能装置的响 应时间匹配。以最开始被广泛使用的电储能为例，响应速度最快的超级电容，可以直接 用在实时15min调度，响应时间稍慢的蓄电池只能用于小时级的日内调度。然而，对于 当前出现的其它形式储能，时间特性更为复杂。如热力系统具有大惯性、大延迟，因此 多用于日前调度。对于氢储能系统，目前关于调度的研究刚刚起步，多用于日内调度。 碳捕集系统的研究目前主要集中在如何减少碳排放，还未有关于碳排放和风电消纳直接 关联的文献，更没有涉及调度周期的研究了。另外还有一些纯储能方式，如相变储能、 飞轮储能等，目前关于其本体的研究较多，直接用于调度中研究较少，一般也没涉及其 响应速度的影响，因而也没有这些储能装置时间特性与调度周期配合方面的研究。此外， 无论是4h、2h日内调度还是15min的实时调度，都是人为固定的调度周期。调度指令 发布周期过长，新能源的多步预测误差过大，预测值与实际值偏差过大会带来发用电的 大幅失衡；调度指令发布周期过短，机组出力调整过于频繁，给系统稳定运行带来隐患。 有学者提出了一种可以自适应调整调度周期的方法，但是该方法仅根据风电预测误差和 火电机组提供的备用确定调度周期。

当前接入电网具备储能功能的设备众多，可以作为虚拟备用和火电机组一起平抑风 电波动，降低风电预测误差冲击。但是，接入电网中的各类储能设备时间特性各异，调度周期的确定既需要考虑新能源预测误差区间，还需要考虑储能装置响应速度，使预测 误差在储能装置能够同步补偿的范围。

发明内容

发明目的：针对上述问题，本文提出考虑时间特性和调度周期匹配的时间尺度自适 应调度模型，通过分析常见储能装置的不同响应速度及其容量，然后根据不同时间周期内可提供备用的储能装置及其容量，判断是否需要动态调整调度周期，最终确定不同时 段的调度周期，将储能装置作为虚拟备用和常规机组备用联合，在不同时间周期内承担 不同的风电消纳任务。

技术方案：考虑时间特性和调度周期匹配的时间尺度自适应调度模型，步骤如下：

步骤1：建立综合能源系统中各能源系统的数学模型，分析其不同的响应延时时间；

步骤2：建立风电多步预测子模型；

步骤3：建立考虑多能源时间特性匹配的综合能源系统优化调度子模型；

步骤4：同时考虑步骤1-3中建立的模型，建立综合能源系统的时间尺度自适应主模型，并以系统运行成本为目标验证该调度模型的可行性和优越性。

有益效果：本发明所提考虑多能源系统时间特性和调度周期匹配的时间尺度自适应 调度模型，首先确定常见储能装置的响应速度及其容量，得到其不同的响应延时时间。然后根据其不同的响应延时时间确定不同时间尺度内可以发挥作用的储能装置，并确定其可作为备用的容量。建立了风电预测子模型和考虑多能源时间特性匹配的综合能源系统优化调度子模型，并通过时间尺度自适应主模型联系在一起，通过判断综合能源系统 是否足以补偿风电预测误差来动态调整时间尺度，确定不同时段的调度周期，减小了风 电的预测误差对综合能源系统的不利影响。最终将储能装置作为虚拟备用和机组备用结 合在一起，在风电占比越来越高的情况下，在不同时间周期内承担不同的风电消纳任务， 提高了综合能源系统运行的稳定性，增加了系统调度的可靠性，同时提高了系统应对风 电不确定性的能力。

附图说明

图1为本发明中不同能源系统时间特性示意图；

图2为本发明中热网拓扑结构图；

图3为本发明中两种方案下系统各装置可提供的备用容量图；

图4为本发明中两种方案下弃风/切负荷结果图；

图5为本发明中两种方案下系统各设备出力情况图；

图6为本发明改变储氢设备额定功率时的调度周期变化情况。

图7为本发明整体流程示意图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

步骤1：建立综合能源系统中各能源系统的数学模型，分析其不同的响应延时时间；

步骤1.1：求解热力系统响应数学模型，包括供热管网延时特性和供热区域热惯性：

式中：τ

式中：T

步骤1.2：求解氢储能系统响应延时数学模型：

由于氢燃料电池(HFC)在室温启动至最佳工作状态时，必需经过一个升温过程，所以输出电压及功率也将有一个变化过程。根据能量守恒定律，建立电堆的动态热传输 模型如下：

式中：C

电堆工作在对应负载电流下的最优温度可近似表示如下：

式中：T

当氢燃料电池启动时，电堆工作温度随时间的关系可简化如下式：

式中：D为氢燃料电池动态响应的延迟系数。

故当负载电流突变时HFC的输出功率P

式中：N为燃料电池单体数量，V为单电池的输出电压。

步骤1.3：求解碳捕集系统响应数学模型：

碳捕集电厂的能量时移特性是通过随时增大或减小碳捕集设备能耗，将碳捕集设备 变化的能耗用于调节碳捕集电厂净出力。碳捕集的电厂数学模型表达如下：

式中：P

由上式可得到火电机组净输出功率和总功率的关系如下：

P

碳捕集电厂更快的调节速度与碳捕集设备能源获取方式有关。碳捕集设备可以通过 调节抽取蒸汽速率或利用厂用电改变碳捕集设备运行状态，从而改变碳捕集电厂净出力， 相比于常规火电厂备用响应需5～10min，碳捕集电厂响应可在5min以内。

步骤1.4：分析各能源系统的响应时间：

电的响应为毫秒级，其响应延时时间几乎可以忽略不计。由上述分析可知，相比电能来说，各个能源都存在响应时间，也就是都有惯性。各个能源系统时间特性各异，如 图1所示。此外，能源的响应时间与能源类型和容量有关。如热力系统，如果热负荷是 建筑物，容量大意味着建筑物规模大，也就意味着热惯性大。另外，如果一次管网长， 则意味着热延迟大，这些都会导致热力系统响应时间延长。总体来说，热系统的响应是 小时级的，热负荷不能参与到15min的实时调度中。对于氢储能系统，电制氢的化学过 程很快，一般不考虑其响应时间。主要是燃料电池的响应时间，主要是氢气流过各个电 堆的时间，容量越大，则电堆越多，延迟时间越长，大致是几分钟到几十分钟；碳捕集 电厂可通过调节抽取蒸汽速率改变运行状态，从而具备更快的调整速率，碳捕集电厂响 应可在5min以内。

步骤2：建立风电多步预测子模型；

步骤2.1：采用统计模型学习风电历史数据之间的关系，构建风电功率预测子模型：

式中：t为当前时刻；

由于深度学习技术的发展，大量的神经网络被应用于风电预测中，挖掘风电功率数 据的时序关系，应对风电不确定性。本发明中采用基于变分模态分解-长短期记忆神经网络(Variational Mode Decomposition-Long Short Term Memory,VMD-LSTM)的预测模型 进行风电功率预测。该模型中采用VMD方法将风功率信号分解为长期、波动和随机3 个模态分量，并利用LSTM分别对3个特性的模态分量进行深度学习，利用其特有的遗 忘门、记忆门结构，建立较长时间间隔的时间序列之间的关联，实现较为准确的多步预 测。

步骤3：建立考虑多能源时间特性匹配的综合能源系统优化调度子模型；

步骤3.1：建立综合能源系统运行成本目标函数C并分别求解：

C＝C

式中：C为系统总成本；C

式中：N1为火电机组数量；N2为热电联产机组数量；t

步骤3.2：在求解目标函数C的同时需要满足一系列约束条件：

其中系统功率平衡约束满足电功率平衡和热功率平衡，电功率平衡约束满足：

式中：P

用热力网络平衡方程，来描述供热网络的热功率平衡状态，热功率平衡满足：

式中：A

常规机组运行约束主要包括机组出力约束、机组爬坡约束以及CHP机组的热电耦合约束。其中机组出力约束满足：

式中：

火电机组和CHP机组爬坡约束满足：

式中：

CHP机组热电耦合约束满足：

式中：C

热力系统中除满足管网延时约束和供热区域热惯性约束外，还应满足热能衰减约束：

式中：

热网储放热潜力用虚拟储热罐来模拟，模拟后的储放热与管网温度满足：

式中：

管道热量与管道内热水温度的关系满足：

式中：

管道中热水的温度也应该限制在一定范围内，满足：

式中：

汇流节点流出温度通过流入温度和流入流量计算，满足：

(∑m

式中：m

碳捕集电厂中由于碳捕集能耗受再生塔和压缩机的最大运行状态约束，因此正在处 理的CO

在考虑储液罐容量时，需要考虑存储的溶液体积和CO

式中：V

氢储能系统中制氢设备功率受额定功率约束：

0≤P

式中:P

HFC在不同载荷率下的响应时间不同，当HFC参与15min-1h时间尺度的调度时：

0≤P

当HFC参与制定1h-4h时间尺度的调度计划时：

0≤P

式中:P

氢储能系统存在内部能量耦合环节，满足耦合约束：

式中：E

储电装置中，对储放电指令X的约束满足：

式中：X表示储电装置储放电指令，X＝1表示储电，X＝-1表示放电。

对储放电功率及储电装置容量的约束满足：

式中：

步骤4：同时考虑步骤1-3中建立的模型，建立综合能源系统的时间尺度自适应主模型，并以系统运行成本为目标验证该调度模型的可行性和优越性。

步骤4.1：建立考虑多储能备用的综合能源系统可用备用模型：

式中：

步骤4.2：建立时间尺度自适应主模型：

1)选取一段风电原始数据，设置预测步长L＝1、调度时间尺度T＝15min作为初始场景，进行风电功率预测和考虑各储能设备时间特性的综合能源系统优化调度。

2)采用所选原始数据之前的历史数据拟合并指定置信水平，得到风电统计预测误差。

3)判断调度结束后系统可提供的可用备用是否足以补偿风电统计预测误差。若系统的可用备用不足，说明15min时间尺度下，风电的预测误差已经过大，此时需要考虑 其他在短时间尺度内减小预测误差的方法，预测步数L和时间尺度T不变，动态调整结 束；若系统的可用备用足以补偿风电预测误差，说明该尺度下系统足以应对风电预测误 差带来的不利影响。则令L+1且T+15min，从而减小不必要的调度指令发布次数。直到 L(注意：本文设置1≤L≤16)增加至某一合适数值时，调度周期内的风电预测误差大 于系统的可用备用，动态调整结束。

4)进入下一个时间尺度重复上述步骤，直到最后一个时间尺度调整完毕，确定一天的调度周期划分结果，完成一天的日内滚动调度。

步骤4.3：场景设置：

本发明中综合能源系统由电力系统、热力系统以及碳捕集设备、氢储能系统、储电装置等储能设备组成。电力系统包括一座碳捕集电厂，装有两台含碳捕集装置的火电机组；一座纯火电厂，装有两台纯凝火电机组；一座热电厂，装有两台热电机组，以及一 座风电场。热力系统包括两个供热分区，由两台热电机组供热。本文采用的风电原始数 据来源于Elia比利时电力运营商公开的运行数据，风电功率的置信区间取90％。各机组 出力范围如表1所示。算例中考虑各储能装置的不同响应延迟时间常数计算结果如表2 所示。热网采用质调节方式，拓扑结构如图2。图中①、②为热源节点，⑦、⑧为热负 荷节点，③-⑥为汇流/分流节点。管道1、3、5、7、9为供水管道，2、4、6、8、10为 回水管道。设置供水管道温度上下限为120℃、100℃；回水管道温度上下限为80℃、 60℃；室内设计温度取20±2℃。热转换系数为1.6×10-5GJ/h·m·K。

表1各机组出力范围

表2部分储能装置的时间特性

基于上述参数，在MATLAB环境下调用yalmip+cplex求解器，取调度总时长为1 天，调度时间间隔为15min，设置以下两种算例：

Case1：固定时间尺度(4h)调度；

Case2：时间尺度自适应调度。

仿真结果：

综合能源系统各部分所提供的备用容量对风电预测误差的补偿效果分析：

时间尺度动态调整前后，综合能源系统各部分所提供的备用容量对风电预测误差的 补偿效果如图3所示。可以发现，在固定时间尺度下调度，即使添加了碳捕集设备、氢 储能设备和储电设备，系统的可用备用在1:45-3:15、6:45-7:15、9:30-11:15和19:15-19:45时段内仍不足以补偿风电预测误差，此时系统应对风电不确定性的能力较弱。而时间尺 度自适应调整后，综合能源系统的总可用备用在任一时段均足以补偿风电预测误差，减 小了风电不确定性对系统的不利影响。

同时在图3(b)中可以发现，时间尺度自适应调整中，部分时段仅常规机组提供的备 用仍不足以补偿风电预测误差，例如6:30-7:00、9:30-11:00、18:15-19:00、21:00-21:30 内的部分时段。由此也体现出，随着风电占比的增加，风电的不确定性增大，风电的预测误差过大，在这种前提下，即使进行时间尺度自适应调整，仅利用常规机组应对风电 不确定性仍然是不够的，需要增设其他储能设备进行补充和辅助。随着风电出力占比越 来越大，未来的综合能源系统中的可用备用逐渐以各类储能设备提供的功率支撑为主。

需要特别说明的是，新的调度指令下达后，下一个调度周期内各调度时刻与指令下 达时刻的距离缩短，对于风电预测阶段而言，待预测时刻的预测提前时间缩短会导致风电的预测值更加接近实际值，风电的预测误差也会减小。因此随着时间尺度的变化，调 度指令下达时刻发生变化，部分调度时刻的风电预测误差也会随之改变，体现在图3中 即为描述风电预测误差变化的曲线呈现出一种周期性趋势。

弃风/切负荷情况分析：

图4为时间尺度自适应调整前后弃风/切负荷功率的变化情况。随着调度时刻与指令下达时刻之间的距离加长，调度周期末端的部分时段内风电的预测误差往往会较大。 因此系统保持时间尺度不变进行调度时，调度周期末端容易出现系统可用备用不足的情 况，产生较多弃风和切负荷电量。图4可以直观地体现出，时间尺度自适应调整后系统 调度产生的弃风和切负荷功率明显减小，系统应对风电不确定性的能力大大提高。

调度周期分段情况分析：

随着风电出力的占比增大，风电的不确定性增加，风电的预测误差也增大。此时为使得系统的可用备用在任意时刻都足以补偿风电预测误差，时间尺度动态调整的次数会增多。时间尺度自适应调整前后系统的调度周期及每个调度周期产生的弃风及切负荷电量对比数据如表3所示。由表可知，Case1中系统固定每4h滚动一次，一共下达了6 次调度指令完成一天的滚动调度计划；Case2中系统通过判断系统可用备用是否足够补 偿风电预测误差来进行时间尺度的自适应调整，一共下达了11次调度指令完成一天的 滚动调度计划，每个调度周期内产生的弃风和切负荷量也有所降低，提高了系统的稳定 性和调度的可靠性。

表3时间尺度自适应调整前后调度周期及弃风/切负荷电量对比

综合能源系统各设备的出力情况分析：

图5是时间尺度动态调整前后，综合能源系统各装置的出力情况。由图可以看出，在风电出力占比较大的情况下，火电机组灵活性较低，受机组出力上下限的限制能力较大，此时增加额外的碳捕集设备，利用储液罐承担一定的调节功能。但是储液罐的容量 有限，难以承担大幅度的负荷平抑。此外，系统内增设的氢储能系统和储电装置也承担 了一部分风电消纳任务，增加了综合能源系统的灵活性。从图中可以看出，储电装置充 放电的时间短，对时间尺度动态调整的响应更加迅速，而氢储能系统存在内部的能源转 化过程，响应速度相对较慢。

储能系统容量变化对调度周期的影响结果分析：

以氢储能系统为例，仅改变储氢设备的额定功率参与系统调度，调度结果如图6所示。由于本文算例中储氢设备功率占比较小，因此调度周期仅T2和T9、T10发生了小 幅移动。但由此即可合理推断，若同时改变其他储能装置的额定功率，调度周期受储能 系统容量影响会更大。

以上所述实施例为本发明的优选实施方式，仅用于帮助阐述本发明。优选实施例并 没有详尽地描述所有细节，也不限制本发明仅为所述的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化，在不背离本发明的实质内容的情况下，本领域技 术人员能够做出的任何显而易见的改进、替换或变换构型均属于本发明的保护范围。本 发明仅受权利要求书及其全部范围和等效物的限制。