朱子琪,张维涛,祁秋民,张文松,张舒凯,李鑫
(1.中国电建集团青海省电力设计院有限公司,西宁 810008;
2.中国广核新能源控股有限公司青海分公司,西宁 810005)
目前,我国风电、光伏等新能源发展态势迅猛,但风光电功率随机波动特征增加了系统灵活调节资源需求,制约了风光电并网消纳[1-2]。近年来,光热发电技术在我国得到了商业化应用,含储热的光热电站具有良好的能量存储、功率调节能力[3-5]。然而,光热电站可调节能力受到太阳能直射辐射情况和蓄热装置蓄热量等因素影响,增加了含光热电站接入多源联合系统协调优化难度[6],有必要进一步开展深入研究。
光热电站利用直射太阳辐射DNI(direct normal irradiance)的能量加热介质进而带动蒸汽机发电,并且光热电站通过储热装置能够实现发电功率与DNI 辐射功率的实时解耦,具备超越常规凝气发电机组的优异功率调节特性[7]。文献[8]基于含储热光热电站的可调度特性优势,提出含储热光热电站与火电机组联合出力调度策略;
文献[9-10]从风电、光伏和光热功率发电功率互补特性出发,提出风电、光伏及光热联合出力调度策略。上述研究实现了单个优化调度日内光热发电参与的多源协调优化,促进了风光电并网消纳。实际上,含储热光热电站的有功调节能力与前序调度日储热装置的剩余蓄热量以及当前调度日DNI 情况密切相关[11],并且同传统风光电资源一样,太阳直射辐射情况容易受到浮云等复杂气象条件的影响,具有显著不确定性特征[12]。因此,如何在考虑光热电站DNI 不确定性特征的前提下,实现多个优化调度日内光热电站有功调节能力的合理分配,需要进一步深入研究。
针对上述问题,模型预测控制MPC(model pre dictive control)具有良好的适用性。MPC 作为一种有限时域滚动优化闭环控制方法[13-18],能够有效应对系统不确定性,并通过滚动优化控制实现系统全局优化。目前,MPC 理论在含风光电接入系统有功、无功优化中取得了较好效果,但是光热发电特性复杂,如何在含光热接入多源联合系统协调优化中发挥MPC 理论优势,有待深入研究。
综上,本文研究含光热电站接入的多源联合系统模型预测控制方法。首先,建立光热电站的调节特性及能量储存特性数学模型,研究光热电站可调节能力的影响机理;
在此基础上,基于MPC 理论,提出含光热电站接入的多源联合系统滚动优化模型及相应优化方法;
最后,通过算例仿真验证所提方法的有效性。
以塔式熔盐光热电站为例,其组成结构与运行原理如图1 所示。定日镜将太阳直射光反射聚集到中央集热塔,通过加热吸热器中的低温熔盐,将太阳能转化为热能;
以高温熔盐为传热介质,将热能传递并储存至高温熔盐罐中;
高温熔盐罐中高温熔盐流过蒸汽发生器,产生高温高压蒸汽推动汽轮发电机发电,将热能转化为电能,实现了太阳能-热能-电能的转化全过程。
图1 塔式熔盐光热电站的组成结构与运行原理Fig.1 Composition structure and operation principle of tower molten salt CSP plant
光热电站通过调整定日镜角度,将太阳直射光聚集到中央集热塔的吸热器上,然后通过加热低温熔盐,将太阳能转化为高温熔盐中的热能,因此,光热电站捕获的最大实时热功率为
式中:η1为光-热转化效率;
S为定日镜场的面积;
Dt为t 时段定日镜场的太阳直射辐射强度。
一方面,高温熔盐通过管道流进高温熔盐罐;
另一方面,光热电站通过控制高温熔盐罐的热盐流量,进而控制光热电站发电功率。假设t 时段光热电站发电功率需求为,则该时段高温熔盐罐热盐流量对应的蓄热功率和放热功率分别为为
式中:η2为高温熔盐的管道热损失率;
η3为光热电站的热-电转化效率。
光热电站具有功率快速调节、发电能力转移的良好调节特性,但受到汽轮发电机调节性能约束以及熔盐罐蓄热量的约束。结合式(1)和式(2),光热电站可调节特性的量化模型为
综上,光热电站可调节能力除了受到发电机本身调节特性约束外,主要还受到储热罐初始蓄热量以及优化调度日内DNI 情况的影响。然而,储热罐初始蓄热量与前一优化调度日光热电站的发电计划密切相关;
另外,太阳直射辐射情况容易受到浮云、风速等气象条件的影响,具有明显的不确定性特征,这些因素都极大影响着含光热电站接入的多源系统协调优化效果。
目前,MPC 具有不同的算法实现形式,但其共同特征均包含预测模型、滚动优化和反馈校正3 个部分。本文将MPC 理论用于含光热电站接入的多源联合系统协调优化,其基本原理为:在第k日,首先考虑风光火多源联合系统未来有限天数的功率预测信息,并基于第k 日光热电站蓄热装置初始蓄热量的实际测量值,预测得到未来数日光热电站蓄热装置的初始蓄热量;
然后通过具有控制约束和目标函数极小化的滚动优化模型,优化得到第k 日及未来有限天数的多源联合系统最优机组组合方案,并下发执行第k 日的最优机组组合方案;
k+1日,利用第k 日控制后的实际测量数据。重复上述过程。
以第k 日光热电站初始蓄热量C(k|k)为初始值,以第k 日时段t 光热电站的蓄热功率和发电功率为待优化调度变量,推导得到第k+1 日光热电站初始蓄热量C(k+1|k)的预测方程为
式中:ΔC(k|k)为第k 日光热电站储热罐蓄热量的变化量;
T为每日的优化调度时段数;
ΔT为每个优化调度时段的时长。
继续扩写式(4),得到基于第k 日光热电站初始蓄热量状态信息C(k|k)的未来N 日光热电站初始蓄热量{C(k+1|k),C(k+2|k),…,C(k+N|k)}的预测模型为
式中,ΔC(k|k)、ΔC(k+1|k)、…、ΔC(k+N-1|k)为未来N 日光热电站储热罐的蓄热量变化量。
根据未来N 日光热电站初始蓄热量的预测信息{C(k+1|k),C(k+2|k),…,C(k+N|k)},以未来N 日多源联合系统中火电机组开机方式和有功出力计划、风电场和光伏电站有功发电计划、光热电站蓄热计划和发电计划为优化控制变量,以未来N 日多源联合系统发电运行成本最低、风光电消纳电量最大为目标,考虑多源联合系统运行约束,建立含光热接入的多源联合系统滚动优化模型。
1)优化目标
为了降低模型复杂度,本文通过引入风光电弃风惩罚成本系数λPV,将风光电消纳电量最大的优化目标转化为弃风弃光惩罚费用最小的优化目标,从而与多源联合系统发电运行成本一同构成联合系统综合优化成本。具体的,每次滚动优化的控制目标为基于第k 日光热电站初始蓄热量C(k|k)的未来N 天的联合系统综合优化成本f 最小,其中包含综合调度成本包含火电发电成本f1、风电弃风惩罚成本f2和光伏弃光惩罚成本f3,则有
2)约束条件
系统功率平衡约束为
火电机组运行特性约束为
光热电站可调节能力约束为
3)模型求解
式(6)~式(10)为基于第k 日光热电站初始蓄热量状态信息的含光热电站接入的多源联合系统滚动优化模型,该模型为典型的二次规划模型,可以通过调用Matlab 优化工具箱提供的二次规划quadprog 函数[9]进行求解。模型求解得到未来M 日、每日T 个时段的风电场、光伏电站和火电厂的发电功率计划及光热电站发电功率计划和蓄热功率计划集合,m=0,1,…,M-1,t=1,2,…,T。仅执行第k+0 日T 个时段的风电场、光伏电站、火电厂和光热电站调度计划指令集合,,m=0,1,…,M-1,t=1,2,…,T;
等到第k+1 日到来时,进行下一轮含光热电站接入多源联合系统滚动优化。
在进行第k+1 日滚动优化之前,由于光热电站太阳直射辐射情况存在不确定性,使得含光热电站接入的多源联合系统协调优化结果与实际优化执行后的蓄热装置蓄热状态存在偏差,因此需要引入反馈校正环节。
采用第k+0 日优化结果执行后的蓄热装置实际剩余蓄热量Creal(k+1|k),作为第k+1 日蓄热装置初始蓄热量C(k+1|k+1),从而降低光热电站太阳直射辐射量不确定性对优化结果的影响,即
最后,将式(11)代入式(4)、式(5),更新第k+1日光热电站蓄热装置蓄热量预测方程,进而根据式(6)~式(10),完成第k+1 日含光热电站接入的多源联合系统滚动优化。
含光热电站接入的多源联合系统模型预测控制方法流程如图2 所示。
图2 含光热电站接入多源联合系统的MPC 优化流程Fig.2 Flow chart of MPC optimization of multi-source combined system with integration of CSP plant
以某地区电网为例,选择Intel 酷睿i5 双核2.4 GHz、8 G 内存计算机系统为仿真平台,采用Matlab 2016a为仿真计算软件,进行仿真分析。该地区电网内接入2 台100 MW 火电机组,爬坡速率均为每分钟1%额定容量,其他详细运行参数信息见表1;
接入200 MW 风电场、100 MW 光伏电站和100 MW 光热电站,光热电站内发电机组及其储热系统运行参数见表2 和表3。本算例中MPC 滚动优化周期M=3日,每天优化时段数T=96(96×15 min);
另外,本文算例提供连续7 日的风电场、光伏电站功率预测信息、光热电站DNI 预测信息、系统负荷功率预测需求信息,具体数据来源于我国西北地区某省级电网调度中心,详见图3 和图4。
图3 连续7 日光热电站太阳直射辐射强度预测信息Fig.3 Prediction information about DNI of CSP plant for seven consecutive days
图4 连续七7 日风光电站及系统负荷功率需要预测信息Fig.4 Prediction information about wind farm and PV power station and system power load for seven consecutive days
表1 火电机组运行参数Tab.1 Operation parameters of thermal units
表2 光热电站储热系统参数信息Tab.2 Parameter information about thermal storage system in CSP plant
表3 光热电站参数信息Tab.3 Parameter information about CSP plant
为了验证本文所提方法有效性,另选取传统多源联合系统优化方法求解算例,并进行比较分析。
方法1:本文所提含光热电站接入多源联合系模型预测控制方法,以3 日为滚动优化周期,每次执行第1 日优化方案,考虑连续多个优化日之间光热电站调节能力的协调配合。
方法2:传统多源联合系统协调优化方法,参考文献[12]。以1 日(96×15 min)为优化周期,不考虑多个优化日之间光热电站调节能力协调配合。
利用上述两种方法,优化得到连续4 日风电场、光伏电站发电功率计划、火电机组组合方案以及光热电站发电功率计划(利用连续7 日预测信息,MPC仅能得到前4 日优化方法),如图5~图9 所示。
由图5 和图6 可知,相比方法2,方法1的风电场、光伏电站发电功率计划曲线明显贴近于相应的风电、光伏功率预测曲线,说明方法1 能够更有效地促进风电、光伏消纳,减少弃风弃光电量。
图5 连续4 日风电场发电功率计划曲线Fig.5 Power generation planning curves of wind farm for four consecutive days
图6 连续4 日光伏电站发电功率计划曲线Fig.6 Power generation planning curves of PV power station for four consecutive days
在图7中,第1 日12∶00—16∶00 时段、第2 日06∶00—12∶00 时段以及第3 日11∶00—15∶00 时段下,方法1的火电机组有功出力更低,能够为该时段下风电、光伏提供更大的消纳空间。
图7 连续4 日火电机组有功功率计划曲线Fig.7 Active power planning curves of thermal units for four consecutive days
由图8 进一步分析:在方法2中,每个优化日下光热电站有功出力均呈现出前半日(00∶00—11∶00时段)小发、后半日(11∶00—24∶00 时段)大发的特点,这是由于方法2 逐日采用多源协调优化,没有考虑光热电站有功调节能力在相邻优化日之间的协调分配,光热电站有功调节能力未能得到充分挖掘。在方法1中,光热电站有功出力更加灵活多变,这是由于方法1 采用MPC 控制,通过连续3 日滚动优化,充分挖掘光热电站有功调节潜力。最后,上述2 种方法的优化结果见表4。
图8 连续4 日光热电站发电功率计划曲线Fig.8 Power generation planning curves of CSP plant for four consecutive days
表4 两种优化方法的结果比较Tab.4 Comparison of result between two optimization methods
相比于方法2,方法1的风电消纳电量增加192.92 MW·h,占比4.56%;
光伏消纳电量增加87.56 MW·h,占比5.34%;
光热发电量增加22.86 MW·h,占比0.53%;
系统的综合优化成本降低34.27万元,占比7.69%;
而在计算时间方面,方法1 仅比方法2 多耗时2.9 s。进一步分析,方法1 中风电和光伏多发电量显著增加,火电发电量显著减少,而光热发电量变化不大,这正好说明了光热电站对促进风光电的消纳作用,主要体现在蓄热罐通过蓄热能力改变光热电站的发电时段,降低了系统负荷等效峰谷差,减少了火电调峰压力,从而使得火电能够进一步降低发电功率,为风光电消纳让出发电空间。综合以上,验证了本文所提模型在挖掘光热电站有功调节潜力,促进风电光伏消纳能力,降低系统运行成本方面的有效性。
另外,为了分析不同M 取值对所提方法优化效果的影响,利用方法1 重新计算本文算例,优化结果见表5。
表5 不同M 取值下方法1的优化结果比较Tab.5 Comparison among optimization results of method 1 under different values of M
分析表5 可知,当M=3、4时,方法1 在风电消纳电量、光伏消纳电量、综合优化成本及计算时间方面的优化结果比较接近,而且明显优于M=1、2、5时。这是由于当M 取值偏小时,难以充分发挥光热电站蓄热能力在连续几日内应对风光电发电能力不确定性的平滑作用,降低了风光电的消纳效果;
但是当M 取值偏大时,一方面增加了问题优化规模和数据量,增加了问题求解时间,另一方面,根据MPC 控制原理,每次滚动优化是优化未来M 日多能电源发电计划,实际上只执行第1 日的优化调度方案。因此,如果M 偏大,反而在一定程度上削弱第1 日的优化效果。综合以上,考虑到M=4的计算时间要大于M=3,所以本文设置M=3 具有合理性,也使得多能电源优化调度结果具有优越性。
为了充分挖掘光热电站有功调节潜力,促进风光电消纳,本文提出了含光热接入多源联合系统模型预测控制方法。首先,建立了光热电站可调节能力模型,光热电站有功调节能力受到太阳能直射辐射不确定性以及蓄热装置初始蓄热量的影响;
其次,采用基于MPC的多源联合系统滚动优化及校正控制思路,对连续数日之间光热电站的有功调节能力进行协调,优化得到多源联合系统有功出力计划。算例结果表明本文所提方法在挖掘光热电站有功调节能力、促进风电光伏消纳方面的有效性。
扩展阅读文章
推荐阅读文章
老骥秘书网 https://www.round-online.com
Copyright © 2002-2018 . 老骥秘书网 版权所有