【精彩论文】含可再生能源与CAES电站的电热综合能源系统调度策略

含可再生能源与CAES电站的电热综合能源系统调度策略

胡福年, 徐伟成, 陈军

（江苏师范大学，江苏 徐州 221116）

摘要：考虑电动汽车（electric vehicle)及可再生能源不断并入综合能源系统，导致整个综合能源系统不确定性加大，进而产生能源利用不充分问题，提出含可再生能源与压缩空气储能（compressed air energy storage，CAES）电站的电热综合能源系统调度策略。根据电力负荷需求大小划分为2种调度模式，在能源端与储能端利用CAES与光热电站联合运行方式(solar and compressed air energy storage，S-CAES)增强电网与热网之间的耦合，实现不同能源之间的高效转换与利用；在负荷端将EV负荷按照其可控性分为有序、无序EV负荷，针对不同的模式给出S-CAES不同的运行功能并给出不同的优化调度模型。最后利用Matlab分别在不同负荷模式下进行仿真分析，与传统调度策略进行对比，仿真结果验证了所提策略在增加可再生能源消纳和减小综合成本等方面的有效性和优越性。

引文信息

胡福年, 徐伟成, 陈军. 含可再生能源与CAES电站的电热综合能源系统调度策略[J]. 中国电力, 2022, 55(11): 129-141.

HU Funian, XU Weicheng, CHEN Jun. Dispatching strategy for integrated electric and heating energy system including renewable energy and CAES power station[J]. Electric Power, 2022, 55(11): 129-141.

引言随着可再生能源及电动汽车（electric vehicle，EV）负荷大规模并网，其不确定性易引起电力系统消纳不充分等问题。利用天然气、电、冷、热等不同形式能源间的耦合互补关系，在需求侧进行包含可调负荷、储能和分布式产能、能源转换设备的协同优化，激发综合能源网络的灵活性，有利于提升能源利用效率，降低供能与用能成本^[1]。文献[2]指出几乎每一种能源在其利用过程中，都需要借助多种能源的转换配合才能实现高效利用。文献[3]从电/热储能互补协调的角度提出电-热综合能源系统优化调度方法，分析了3类储能在消纳新能源弃电和电负荷削峰场景下的互补协调关系。文献[4]研究了电力辅助服务市场环境下热电联产机组与电储能、储热设备的协调优化运行方法，通过协调优化电储能和储热装置提高系统在电力市场中的运行收益，有效减少弃风。文献[5]在热源容量规划中考虑热网和热用户的储热特性，实现电力系统和热力系统联合优化，得到灵活性热源的最佳容量配置方案。文献[6]建立了包含热电、火电、风电的联合调度模型，研究了不同传热特性对热电联合系统消纳弃风和运行成本的影响。文献[7]考虑了供热系统热储能动态特性，采用多场景法模拟风电出力不确定性，搭建了电-热综合能源系统随机优化调度模型。文献[8]采用电加热装置将多余风电转换为热能存储于光热电站的储热系统中，构建了含储热光热电站与风电系统的日前优化调度模型。文献[9]提出了考虑风电不确定性的电热综合系统分布鲁棒协调优化调度模型。近年来，压缩空气储能（compressed air energy storage，CAES）因容量大、寿命长、响应速度快等优点引起国内外的高度关注^[10]。在文献[11]的基础上文献[12]考虑综合能源系统运行情况，建立了大规模综合能源系统的优化调度模型。文献[13]建立了考虑压缩空气变工况特性的风储系统运行优化模型，提出一种考虑先进绝热压缩空气储能（advanced adiabatic compressed air energy storage，AA-CAES）参与热电联储/供的微型综合能源系统优化策略。文献[14]中指出风电具有反调峰特性，入网后会加剧负荷波动，不利于系统平稳运行。文献[15]提出一种光热电站联合运行方式(solar and compressed air energy storage，S-CAES)的燃气轮机冷热电联产系统，但并未考虑其调度特性。随着电动汽车(electric vehicle，EV)充电负荷在电网中的渗透率逐步升高，EV充电负荷的时长与接入、离开电网的时间都有着不确定性，掌握EV负荷充电特性及引导EV负荷有序充电成为当下研究热点。文献[16]分析了充电站的充电负荷特性并提出充电功率分布的两阶段优化模型。文献[17]提出EV与清洁能源协同的有序充电策略与衡量EV碳排放的评价指标，研究无序和有序2种情景下EV充电对边际碳排放增长和碳费用增长的影响。文献[18]中提出一种采用分群优化的EV与电网互动调度策略，用功率分配算法控制充放电功率不高于可调度负荷值。文献[19]中将EV是否可控分成有序单纯EV、V2G（vehicle to grid）及无序EV并讨论渗透率对调度结果的影响。

本文从“源-荷-储”各个环节处理可再生能源与EV并入电热综合网络问题。在能源端与储能端通过S-CAES电站联合运行方式增加电网与热网之间的调度灵活性，提高能源利用率；在负荷侧将所管理的EV负荷按照可调度能力将其分为无序、有序EV充电负荷，按照电力负荷需求大小分成2种调度模式，根据调度需求不同给出不同的调度模型。在不同负荷模式下通过Matlab进行仿真分析并与传统调度进行仿真结果对比，验证本文所提调度策略的适用性和优越性。

1  电热综合能源系统联合调度策略1.1  电热综合能源系统调度框架

本文所提的电热能源系统分为电源、负荷、储能3部分。系统调度框架如图1所示。

图1  电热综合能源系统调度框架

Fig.1  Scheduling framework of the electro-thermal integrated energy system

（1）源端：风电、光伏、光热、常规机组和电热联产机组共同为电力网与热力网提供电能与热能。

（2）荷端：包括热、电负荷，其中电负荷可划分为常规负荷与EV充电负荷。通过EV电池管理系统获取接入车辆的额定充电功率、电池容量与荷电参数（state of charge，SOC）等参数信息。将用户充电信息通过有线、无线方式上传至控制中心，控制中心通过分析EV如接入电网时刻、充电时长及完成情况等历史数据，将所在区域的EV按照是否可控分为有序、无序EV充电负荷并下达控制指令，其系统如图2所示。

图2  EV车辆控制方式

Fig.2  EV vehicle control mode

（3）储端：本文采用S-CAES系统进行热能与电能的充放。1.2  含S-CAES装置的电热联合调度策略

风电、光伏发电都依靠风速、光照强度等具有不确定性的外界因素，从而导致能源侧发电具有不确定性、可再生能源消纳不充分等问题，进而产生能源浪费。储能是解决未来高比例可再生能源接入电网面临挑战的重要技术策略之一^[20]。储能设备又包括储热、储电设备2类。本文考虑电网与热网利用S-CAES运行方式不但可以储存电能与热能，而且可以实现能量在电网与热网间转换，提高了系统调度灵活性与能量利用效率，其运行如图3所示。

图3  CAES与光热电站蓄热系统联合运行方式

Fig.3  Joint operation mode of CAES and thermal storage system of CSP

本文所提调度方案利用S-CAES装置用以处理热电联合系统能源利用不充分的问题，且可减小综合成本。根据电力负荷需求大小分成2种调度模式。电力需求大小根据调度区域电力负荷预测曲线、可再生能源机组出力与传统机组出力下限共同决定。（1）低水平负荷调度模式。若存在较长时刻电力负荷预测功率与可再生能源出力之差低于传统机组出力下限。此时，传统机组压低至最低出力仍然不能完全消纳。由于新能源具有不确定性，此时若可再生能源发电盈余，易造成能源利用不充分、资源浪费的问题。此调度状态下考虑S-CAES的储能特性，即利用盈余电能启动压气机压缩气体，将压缩的气体储存在储气室内，同时压缩气体产生的热量通过图3中的换热器1、2将热量传递至光热电站的蓄热系统中用来满足热负荷需求；在负荷侧利用有序、无序EV负荷进行负荷侧的削峰填谷。此模式下主要问题为可再生能源消纳不充分产生浪费，故目标函数为净负荷方差最小。

（2）高水平负荷调度模式。若电力负荷需求较大时新能源产生电能可以完全被消纳，此时应考虑电热联合系统的综合调度成本的最优情况；若电力负荷需求过大时，由于单纯靠可再生能源发电不能满足电力负荷需求，若大幅度提高传统机组发电功率又会产生高额的燃料成本。此时考虑S-CAES的发电特性，储气室释放高压气体的同时光热电站的蓄热系统通过换热器3释放热量以增强高压气体的动力输出。高温高压气体推动透平结构进行发电以弥补新能源发电电功率缺额。此模式下可再生能源可完全消纳，应考虑机组发电产生的综合成本问题。目标函数为电热联合系统运行产生的综合成本最小。

2  含可再生能源与CAES电站的电热综合能源系统调度模型

2.1  目标函数

现根据不同的调度模式下策略及目标不同给出2种调度模式下的目标函数。

（1）低水平负荷调度模式。此模式下电力负荷需求小，为充分消纳新能源，传统调度方案下采取压低常规机组出力，有可能电能依然存在消纳不充分的问题或者因为常规机组频繁改变出力影响机组使用寿命。在此调度模式下目标函数应为净负荷方差最小。净负荷的峰谷差越小，净负荷曲线越平坦，大大减少了水火电出力频繁调节的次数，提高了水火电机组的运行效率^[21]。净负荷功率 p_j(t) 以及净负荷平均值 P_j,tav 为

式中： p_L(t) 、 p_EV1(t) 和 p_EV2(t) 分别为t时刻的电负荷功率与无序、有序EV车辆充电功率； p_W,i(t) 、 p_V,j(t) 、 p_TSC,k(t) 与 p_CHP,l(t) 分别为t时刻第i个风电机组、第j个光伏机组、第k个光伏机组与第l个热电联产（CHP）机组的发电功率；调度区域内风电、光伏、光热及CHP机组的数目分别为 N_W 、 N_V 、 N_TSC 和 N_CHP ，调度周期为T。此调度模式下目标函数为净负荷方差f₁最小，即（2）高水平负荷调度模式。经过第1节的分析，调度模式综合考虑了传统火电机组与热电联产机组能耗成本、可再生能源发电机组与CAES联合系统维护成本以及可再生能源机组与CAES联合系统环境收益、系统备用容量成本和机组调峰容量购买成本，即式中：f₂为电热综合能源系统的综合成本； F₁ 为传统火力机组与电热联产机组能耗成本； F₂ 为可再生能源发电机组与CAES联合系统维护成本； F₃ 为可再生能源机组与CAES联合系统环境收益； F₄ 为系统备用容量成本； F₅ 为机组调峰容量购买成本。①传统火力机组与热电联产机组能耗成本为式中： w_G,i(t) 为火电机组i在t时刻的能耗成本，其中火电机组共 NG 台。 w_CHP,j(t) 为电热联产机组j在t时刻的能耗成本。其中式中： p_G,i(t) 为火电机组i在t时刻发电功率； a_G,i 、 b_G,i 与 c_G,i 为火电机组i发电能耗系数； p_CHP,j(t) 与 Q_CHP,j(t) 分别为电热联产机组j在t时刻发出的电、热功率； γ 为电热联产机组热电功率变化相对量； a_CHP,j 、 b_CHP,j 与 c_CHP,j 为电热联产机组j发电能耗系数。②可再生能源机组与CAES联合系统维护成本为式中：k_W 、 k_V 、 k_TSC 与 k_CAES 分别为风电、光伏、光热与CAES发电运行维护成本系数； k^r_TSC 为光热电站蓄热系统产热运行维护成本系数； γ_TSC 为光热电站蓄热系统热电功率变化相对量； p_TSC(t) 为光热电站t时刻发电功率； p_CAES(t) 为t时刻通过储气室释放空气与蓄热系统释放热量产生高温高压气体推动CAES透平结构发电功率； Q_TSC(t) 为光热电站蓄热系统产热功率。③可再生能源机组与CAES联合系统环境收益为式中：k_WT 、 k_PV 、 k_tsc 与 k_caes 分别为风电、光伏、光热及CAES发电运行环境系数； k_htsc 为光热电站蓄热供热运行环境系数。④系统备用容量成本为式中：L、F、G和R分别为负荷、风电、光伏与光热电站的预测误差率； k_r 为系统备用成本系数。⑤机组调峰容量购买成本为式中： k_F 为调峰容量成本系数； p_F(t) 为t时刻调峰容量，其计算方法为2.2  约束条件（1）热平衡约束为式中： Q_L(t) 为t时刻热负荷功率。（2）热电联产机组运行约束为式中： Q_CHP,min 、 Q_CHP,max 分别为电热联产机组热功率出力下限与上限； α 为电热联产机组热功率弹性系数； P_CHP,min 、 P_CHP,max 分别为电热联产机组电功率出力下限与上限。（3）热电联产机组与光热电站汽轮机组爬坡约束为式中： R_up,CHP 、 R_down,CHP 分别为电热联产机组最大上、下爬坡率； R_up,TSC 与 R_down,TSC 分别为光热电站汽轮机组最大上、下爬坡率。（4）电功率平衡约束为式中： p_K(t) 为t时刻盈余电能；调度区域CAES电站共有 NCAES 台； k_CAES,c(t) 与 k_CAES,g(t) 为t时刻CAES压缩空气与透平发电工况系数，它们不能同时运行在同一工况下，要满足的约束为（5）机组运行约束为

式中： P_G,i,max 与 P_G,i,min 分别为第i个常规机组出力上下限； P_W,l,max 与 P_W,l,min 分别为第l个风电机组出力上下限； P_TSC,k,max 与 P_TSC,k,min 分别为第k个光热电站汽轮机出力上下限。

（6）光热电站集热系统为式中： η_s 为光热转换效率； A_s 为光场面积； i_s(t) 为t时刻的光照强度。（7）光热电站蓄热系统充放热功率为

式中： Q_in(t) 与 Q_out(t) 分别为蓄热系统t时刻充、放热功率； Q_y1(t) 为t时刻蓄热系统储存热量，见式（34）； Q_c(t) 为t时刻透平发电所需热量，见式（38）； Q_y2(t) 为t时刻储气室侧通过换热器输入蓄热系统热量即图3中换热器3输入蓄热系统热量； Q_q(t) 为t时刻蓄热系统供给汽轮机组热量； η 为热损失系数。

蓄热系统同一时刻充放热不可同时进行，因而有并且蓄热系统有容量约束。光热电站蓄热系统蓄热容量由前一时段剩余热能和充、放热能共同决定^[22]，即式中： e_th(t) 为t时刻光热电站蓄热系统蓄热容量； γ^TS 为热罐熔盐热量耗散系数，根据工程经验，熔盐每天下降约1℃， γ_TS 很小可忽略^[23]。 E_th,min 为调度周期，本文选择15 min。 E_th,max 与 E_th,min 分别为蓄热系统容量上下限，本文分别取蓄热系统的额定容量的10%与100%。式（24）表示调度结束容量 E_th,T 应充至初始容量 E_th,t1 。光热电站通过蓄热系统放热推动汽轮机组发电，其发电功率为式中： η_d 为光热电站汽轮机组的热电转换效率。（8）有序EV充电负荷建模。第i辆EV为满足出行需求充电完成时的荷电状态 S_d,i ，须满足式中： S_ex,i 为第i辆EV预期荷电状态，本文取80%~100%随机数。第i辆EV所需充电时长 t_need,i 为式中： S_c,i 为第i辆EV入网时的荷电状态值，介于0与1之间； W_i 为第i辆EV电池容量。第i辆EV入网充电t时刻功率 p_EV2,i(t) 为式中： p_i 为第i辆EV充电功率； p_EV2,i(t) 为充电桩的充电效率，本文取0.95；当第i辆EV入网荷电状态达到预期值甚至超过预期值时，为防止EV过充，其充电时长为0； t_b,i 与 t_s,i 分别为第i辆EV入网、离网时刻。 p_EV2(t) 为t时刻所有可控EV功率的叠加，即本文无序EV采用蒙特卡洛法模拟其无序接入特性。（9）S-CAES约束条件。电网盈余电能用来驱动压缩机进行压缩空气，被压缩的高压空气储存在储气室中，其中单级压缩机t时刻可压缩空气质量 m_c(t) 如式（30）~（32）所示。式中： T_c,out 为被压缩的空气在压缩机出口温度； T_c,in 为空气进入压缩机进口温度，本文取常温下空气温度为293 K； β_c 为单级压缩机的压缩比，本文取2.75； n_c 为压缩机多变指数，本文取1.4。第i级空气压缩机压缩单位质量空气时耗功 w_c,i 为式中： c_p 为空气定压比热容，本文取1 005 J/(kg·K)。式中： N_c 为压缩机级数； Q_y(t) 为t时刻压缩机产热，其计算方法为式中： p_k(t) 为t时刻系统盈余电能； η_y 为压缩机等熵效率； Q_y(t) 经过图2所示换热器1、2的转换被储存在光热电站的蓄热系统中，t时刻储存热量 Q_y1(t) 为式中： η_y1 为换热器效率。空气通过压气机被压缩成高压空气，储存在储气室内，t时刻储气室内的气压变化率 Δp_st(t) 为式中： K_c 与 K_g 为气压变化率的功率系数。储气室t时刻气压值如式（36）所示，并且储气室气压要符合式（37）所示的限值约束。式中： p_st(t₀) 为储气室初始气压； Δt 为调度时段时长，本文取15 min； p_st,min 、 p_st,max 分别为储气室的气压下限与上限。当电力系统中电能供应不足时，储气室释放高压气体。同时蓄热系统通过图3所示换热器加热高压空气，使之成为高温高压气体，以增加其动力输出，推动透平发电。在t时刻透平发电需要的热量 Q_c(t) 为式中： η_c 为透平的等熵效率。

光热电站的蓄热系统容量足够大，可在无光照等极端情况下支持满负荷发电约15 h^[24]。当热网能量供应不足时蓄热系统也可供应部分热能满足热负荷需求。蓄热系统及快速充放热机制可使其直接承担系统中的部分热负荷^[25]。

3  算例仿真3.1  仿真条件

本文采用IEEE 30网络进行仿真分析，其拓扑结构如图4所示。低水平负荷、光照强度及火电机组运行参数采用西北地区实际电站数据，见文献[8]。高水平负荷数据见文献[12]。EV充电功率数据取自2018  年“中国电机工程学会杯”全国大学生电工数学建模竞赛 A 题。

图4  修改版IEEE 30节点系统

Fig.4  Modified IEEE 30 node system

图4中节点1、8、13为常规机组，常规机组参数见表1所示。节点2、节点5与节点11分别为光热、光伏电站与风电电站；节点7与节点23分别为热电联产机组与CAES。其他机组参数如表2所示。其他参数如表3所示。

表1  常规机组参数

Table 1  Conventional unit parameters

表2  其他机组运行成本参数

Table 2  Operating cost parameters of other units

本文根据电力负荷水平不同采取2种不同的调度策略。图5与图6分别为低、高负荷功率曲线，分别用来验证2种模式下调度策略。与传统调度策略相比，传统方案无本文所提的S-CAES结构。

表3  其他参数

Table 3  Other parameters

图5  低水平电负荷曲线

Fig.5  Low-level electric load curve

图6  高水平电负荷预测曲线

Fig.6  High-level electric load curve

本文选取风电场容量为20 MW，其风功率曲线如图7所示，光伏电站装机容量为150  MW，预测太阳辐射指数曲线如图8所示，热负荷预测曲线如图9所示。

图7  风功率曲线

Fig.7  Wind power curve

图8  太阳辐射指数

Fig.8  Solar radiation index

图9  热负荷预测曲线

Fig.9  Heat load forecast curve

3.2  仿真分析3.2.1  EV有序、无序充电场景

选择调度区域EV数量为1000辆，通过改变有序EV渗透率，分析改善净负荷方差与综合成本方面的优越性。表4给出改变有序EV负荷渗透率所得的实验结果。

表4  改变有序EV渗透率所得实验结果

Table 4  Experimental results of changing the orderly EV penetration rate

由表4中可知，随着有序EV渗透率的提升，在低水平电力负荷调度模式下有利于降低净负荷方差，并且在高水平电力负荷调度模式下有利于减小综合成本。其中第1组为最理想条件，认为该区域皆为有序EV负荷，此时在低水平电力负荷调度模式下净负荷方差减小到0.0013，高水平电力负荷调度模式下综合成本减小到1061.9万元。第7组为最不利情况，认为调度区域皆为无序EV，此时在低水平电力负荷调度模式下净负荷方差为0.0399，高水平电力负荷调度模式下综合成本为1092.9万元。第1组较之第7组净负荷方差有了大幅降低，综合成本降低了31万元。可见提高有序EV渗透率对本文所提2种不同调度模式下结果均有所改善。

其中，第4组中有序、无序EV充电负荷各占一半，2种充电负荷如图10和图11所示。

图10   有序EV充电功率

Fig.10  Orderly EV charging power

图11  无序EV充电功率

Fig.11  Disorder EV charging power

有序EV大部分在负荷低谷期进行充电，需要充电的有序EV在负荷低谷期进行接入。部分车在负荷低谷期就完成充电并且离网，还有部分有序EV由于在负荷低谷末期06:00前后刚接入电网，为了保障其充电需求，所以容许其在负荷峰、平段逐步离网。无序EV由于接入电网、离开电网时刻和充电时长以及SOC均没有明显规律性，故充电负荷呈现一定的无序性。3.2.2  高、低水平负荷场景在3.2.1节表4中第4组的EV渗透率下对2种调度模式分别展开仿真实验。在低水平电力负荷水平模式下，此时电负荷水平较低，由于可再生能源出力的不确定性，造成电功率过剩，其盈余电能功率如图12所示。此模式下利用盈余电能启动压缩机压缩空气进行储能，压缩过程中产生的热量储存在光热电站中。光热电站的蓄热系统与热电联产机组共同给热负荷供热。

图12   低水平负荷下盈余电功率曲线

Fig.12  Surplus electric power curve under low-level load

负荷峰段用电需求最大，但受太阳辐射指数影响，此时段光伏、光热机组发电量提升，故盈余电功率在峰段依旧最多。在此状态下光伏、光热机组的总出力曲线如图13所示。

图13  低水平电力负荷下光伏、光热电站总出力

Fig.13  Total output of photovoltaic and solar thermal power plants under low-level power load

虽然在夜间或清晨无光情况下受光照辐射指数影响，光伏电站不发电，但是此时刻光热电站蓄热系统放热推动汽轮机出力，有利于改善光伏电站出力的间歇性。

图14给出了蓄热系统与CHP机组热功率曲线。图14中大部分热负荷需求由蓄热系统满足，且其波动情况与热负荷曲线大致一致。由于此时为低水平电力负荷模式，可再生能源由于出力过剩，为了尽可能地加大可再生能源并网，CHP机组压低其热出力。并且蓄热系统容量足够大且可再生能源充足，所以能够满足大部分热负荷需求。此时CHP机组出力稳定，有利于增加CHP机组使用寿命，减小其维护成本。

图14  光热电站蓄热系统与CHP机组供热功率曲线

Fig.14  Heating power curve of thermal storage system of CSP station and CHP unit

此时的净负荷功率曲线如图15所示。

图15  低水平电力负荷下净负荷功率曲线

Fig.15  Net load power curve under low-level electric load

由图15可发现除电力负荷峰值附近偶有波动，大多数时刻净负荷功率曲线几乎无波动，净负荷方差仅有0.0102。在低水平负荷模式下有助于传统机组运行的平稳性，从一定程度上也可以减小传统机组运行成本，增加其使用寿命。

在高水平电力负荷模式下进行仿真实验，产生的综合调度成本如表1的第4组所示。在高水平负荷模式下压缩空气储能的热功率如图16所示。此时CAES透平出力的功率曲线如图17所示。高水平负荷模式下对于电力负荷的谷、平段，系统依靠可再生能源、传统机组及CHP机组可满足负荷需求，但在电力负荷的峰段出力不足，此时S-CAES结构出力增补电功率缺额。

图16   压缩空气储能所产生的热功率

Fig.16  Thermal power generated by CAES

图17  高水平电力负荷下CAES透平出力的功率曲线

Fig.17  CAES turbine output power curve under high-level electrical load

对比图16和图17可知，在高水平负荷模式下由于此时负荷水平较高，CAES透平在负荷峰值时段补充出力。此模式下为S-CAES透平出力工况，未产生压缩空气的动作，故此时段压缩空气储能产生的热量为0。而在CAES透平不出力的时间段，即负荷的谷、平段，由于此时可再生能源有很少部分盈余，需要压缩空气储能，但是由于高水平负荷模式下即使在谷、平段所盈余电能也是少量的，导致压缩过程中仅产生少部分热量。由图17可知，在负荷谷、平段时由于依靠可再生电源发电及传统机组出力即可满足负荷侧需求，故CAES电站出力为0。在负荷峰段时由于负荷需求大，启动CAES电站出力以满足负荷侧需求。传统调度方式由于没有S-CAES结构，电、热两网为了满足负荷需求需要提高传统机组出力，加大了调度成本。在组4的渗透率下进行传统调度模式的仿真实验。为了对比所提策略优越性，分别在图5负荷水平下计算净负荷方差，在图6负荷水平下计算综合成本。

经过仿真实验结果，在传统调度模式下高水平负荷所用综合成本为1605.7万元。相比而言本文在同样情景下综合成本为1073万元，综合成本降低了532.7万元。在低水平电力负荷下净负荷方差高达291.5，其净负荷功率曲线如图18所示。而本文所提策略将净负荷方差减小到0.0102，净负荷功率波动有了极大的改善。

图18  传统方案下净负荷功率曲线

Fig.18  Net load power curve under the traditional scheme

图18中直接对比图15可以直观看出运用本文策略可极大改善净负荷功率波动。

4  结论本文提出了含可再生能源与CAES电站的电热综合能源系统调度策略，利用“源、荷、储”的相互协调解决可再生能源及EV负荷并入综合能源系统中产生的不确定性问题。在能源端与储能端，通过S-CAES运行方式增强电网与热网之间的耦合；在负荷端将EV负荷通过调度可控性分为有序EV负荷与无序EV负荷。按照电力负荷功率大小划分调度模式，给出不同运行策略，建立不同的优化调度模型，得到如下结论。（1）通过提高有序EV负荷渗透率可有效改善低水平电力负荷调度模式下的净负荷方差，并减小了高水平电力负荷水平调度模式下的综合成本。（2）在低负荷水平调度模式下，使S-CAES运行在储能模式下有利于减小净负荷方差，从而消减了由于新能源设备的不确定性带来的可再生能源消纳问题。（3）在高水平负荷调度模式下，S-CAES运行在发电模式。此时由于新能源消纳完全，运用本文的调度策略可减小运行的综合成本。（4）将本文所提调度策略与传统调度策略进行对比分析展现了本文调度策略的优越性。

（责任编辑　张重实）

作者介绍

胡福年（1967—），男，博士，教授，从事电力系统鲁棒性、智能电网优化控制、多源配电网协调控制研究，E-mail：[e-mail];

★

徐伟成（1995—），男，通信作者，硕士研究生，从事电力系统优化运行研究，E-mail：[e-mail];

★

陈军（1978—），男，博士，副教授，从事模糊、时滞和神经网络等系统的稳定性分析研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：张重实

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。