来源：《中国电力》2023年第10期
引文：李华, 程子月, 李旭东, 等. 考虑出力与电价不确定性的光伏集群有功功率分配方法[J]. 中国电力, 2023, 56(10): 211-218.
点击文章底部左下角“阅读原文”可在手机端查看论文全文，登录官网www.electricpower.com.cn可免费下载全文。
随着“双碳”目标与乡村振兴战略的不断推动，分布式光伏电源在配网中的渗透程度不断加深，逐步形成高渗透率集群连片入网现状。集群管理模式可以有效地平稳新能源出力波动，并提高新能源的就地消纳率。然而，由于光伏出力不确定性与市场电价波动有关，导致现有集群功率分配策略在经济性、合理性方面存在不足。《中国电力》2023年第10期刊发了李华等人撰写的《考虑出力与电价不确定性的光伏集群有功功率分配方法》一文。文章在现有研究基础上，针对配网高渗透率光伏集群功率分配以及参与系统功率调整问题，提出一种区域光伏集群有功功率优化调度分配方法。
摘要
针对配网高渗透率光伏集群经济运行以及参与系统功率调整问题，提出一种区域光伏集群的有功功率优化调度分配方法。首先，将集群内部光伏站按照储能配置与受控能力进行分类；以多场景法将光伏出力、市场电价不确定性问题转化为确定性场景，引入条件风险价值量化不确定风险；建立区域光伏集群功率分配优化模型，以集群运行成本最小为优化目标，求解最优的日前出力计划与储能运行策略；最后，针对系统扰动导致运行方式改变，提出光伏集群参与系统调整的功率重新分配策略。算例结果表明区域光伏集群具有参与系统功率调整能力，验证了本文方法的有效性。
1.1 光伏电站分类
配网区域光伏集群如图1所示，分布有10~35 kV电压等级下的中型光伏电站与0.4 kV电压等级下的小型光伏电站，中型及以上的光伏电站应具备有功功率实时控制能力，小型光伏电站无明确要求。
图1 区域光伏集群示意
Fig.1 Regional PV cluster schematic
本文按照不同光伏站运行状态、受控能力、储能系统配置与否等因素将集群内部光伏站分为以下3类：1）Ⅰ类光伏电站。又称功率不可控光伏电站，此类光伏电站按照最大功率追踪方式运行，不具备实时调控能力，但可进行整站投切，在紧急功率调整情形下快速动作。2）Ⅱ类光伏电站。又称功率可控的光伏电站，此类光伏电站具备实时调控能力，未配置储能系统，有一定的备用出力容量。3）Ⅲ类光伏电站。又称可灵活控制的光储一体电站，此类光伏电站具备实时调控能力，且配置储能设备进行削峰填谷，具备一定的紧急功率支援能力和更大的功率调节空间。本文将储能容量占比超过20%（占光伏额定装机容量）的光伏站归类为Ⅲ类光伏电站。1.2 区域光伏集群功率分配框架
系统侧光伏集群场站有功输出按照调度指令进行调节，总体控制目标为确保光伏电站有功波动不超过电网安全裕度。相较于系统侧光伏集群功率分配模式，图2所示的配网系统下区域光伏集群功率分配存在以下不同。
图2 配网区域光伏集群功率分配模式
Fig.2 Power distribution mode ofdistribution network regional PV cluster
1）调度指令的下发。通常配网侧与系统侧光伏集群跟随电网功率需求自动调整出力。紧急功率调整下，调度中心不针对配网侧下发调度指令。2）负荷需求的满足。配网系统下须优先满足就近负荷需求，同时柔性负荷的可转移特性与储能系统的配置使功率分配更加灵活。3）光伏出力预测能力。低压台区光伏系统通常不具备有功功率预测能力，无疑会加剧功率分配过程中的不确定性。基于上述不同点，考虑光伏出力与电价不确定性，配网侧光伏集群功率分配模式设计思路为：1）功率预测。基于集群内部功率预测数据与历史处理数据对光伏站出力情况进行预测与典型场景生成，并上送至群调群控系统与功率分配模型。2）群调群控系统。群调群控系统承担馈线交换功率缺额感知，并监测各并网点电压是否越限。3）电价预测与功率分配决策。基于历史电价数据生成功率调节下的典型电价场景，由功率分配模型求解不同类别光伏的出力计划、储能运行策略。2.1 不确定性模拟与风险度量
本文采用场景法，将光伏出力与市场电价的不确定性因素转化为多个确定性场景问题。分别考虑光伏出力与电价场景s={sl, l = 1, 2,... , ns}， p={pj, j = 1, 2, ... , np}，ns、np分别为相应场景个数，每个场景的概率为π(sl) 、π(pj)。
风险价值（value-at-risk，VaR）被广泛应用于金融领域，进行金融资产或投资组合在给定置信度下的最大可能损失，VaR表示为式中：f(x, y)为损失函数；x为决策组合变量；y为对应的随机变量组合；VaR为损失函数f(x, y)的VaR值；α为给定的置信水平。CVaR在VaR的基础上增加了对尾部风险的关注，CVaR表示为
式中：CVaR为损失函数f(x, y)的CVaR值；p(y)为随机变量组合y的概率密度分布函数，一般情况下采用函数Fα(x, β)进行计算，即
式中：β为置信水平α下的VaR值；[f(x, y)−α]+为max{0, f(x, y)−α}。
本文主要考虑2方面的不确定性风险量化，在实际决策过程中，随机变量组合的概率分布p(y)难以确定，可以通过蒙特卡洛方法对式（4）进行估计，即
1）系统功率平衡约束。
式中：PL,t为区域光伏集群与主网联系的馈线交换功率；Ppv,k,t为时段t第k类光伏电站总有功出力；PBS,t为时段t储能设备充/放的有功功率，放电为正，充电为负；Pload,t为时段t内的配网负荷水平。
2）光伏系统约束。
式中：为t时段第k类光伏电站最大出力能力；分别为第k类光伏有功出力调整率与最大允许调整率。
3）储能设备约束。
Ⅲ类光伏电站中的储能设备运行约束为
式中：分别为时段t储能设备i的充、放电功率；分别为储能设备的充、放电效率；为0-1二进制变量；为t时段储能设备i的电能；δ为储能设备的自放电率；分别为时段t储能设备i的最大充、放电功率；分别为时段t储能设备i电能储存的下限和上限。
系统扰动场景下，高渗透率光伏集群具有可观的备用容量，有能力参与系统扰动后的功率调整环节，减轻系统潮流压力，提高系统运行的稳定性。
本文主要关注扰动发生后，系统运行方式的转变致使潮流发生转移，造成集群与系统之间存在功率差额，由群调群控系统感知系统状态，并对集群功率进行重新分配。按照集群与系统的功率差额，将预案场景分为增出力、减出力2类。
1）增出力场景。此场景下要求集群通过增加出力，减少与系统之间的交换功率或向系统返送功率，从而缓解系统潮流压力。对增出力场景下补充光伏系统备用容量约束为
式中：为r时段第kre类光伏站的备用容量，由于仅在Ⅱ类、Ⅲ类光伏站设置备用容量，kre取2~3；为t时段第kre类光伏站的备用容量最大值；rpv为备用容量比例，一般设置为10%~20%；∆Ppv,t为t时段光伏站投入的备用容量。
重新分配过程中，在式（10）~（15）基础上对储能设备最大充、放电功率以及储能容量上限叠加容量变化系数(1+rBS)，rBS为储能备用容量比例，则增加初始状态约束为
式中：t0为功率重新分配时段；∆EBS为储能设备的容量增加部分。
引入备用投切参数γ，γ=0为备用容量投入，γ=1为备用容量未投入。则功率平衡约束为
式中：为系统功率调整差额；分别为增出力场景下光伏、储能投入备用容量后的出力、输出功率。
2）减出力场景。此场景下要求集群增大与系统之间的功率交换，而负荷难以按照系统需求向上调整，只能通过调整光伏站出力，将负荷需求转移给系统。减出力场景下功率平衡关系为
式中：为减出力场景下光伏站出力。
结合场景法与CVaR，提出区域光伏集群功率分配模型，以系统运行成本最小为优化目标，目标函数为
式中：Ctotal为系统运行总成本；Cbuy,lj,t、Csell,lj,t分别为组合场景下时段t内光伏集群与主网之间的购电费用与售电收益；T为一天的时段划分数，T=24；L为风险偏好因子。
式中：Mpj,t为电价场景pj下时段t内的电价；当区域光伏集群从系统购电时，即功率从主网流向配网时，PL,t＞0，反之则PL,t＜0。
算例中初始光伏出力曲线与负荷曲线如图3所示。区域光伏集群内部Ⅰ类、Ⅱ类、Ⅲ类光伏站的比例设置为4∶9∶7，在Ⅱ类、Ⅲ类光伏站中备用容量占比设置为20%，规定系统正常运行过程中备用容量不参与集群功率分配。储能容量配置为Ⅲ类光伏电站容量的20%，充电效率为0.9，放电效率为0.95。
图3 典型光伏出力与用户负荷
Fig.3 Typical PV output and user load
采用蒙特卡洛抽样方法分别随机生成1000组光伏出力场景与电价场景，通过改进的K-means算法对场景进行削减，将目标聚类数设为3，对应场景的概率在表1中给出。
表1 光伏出力与电价场景概率
Table 1 PV output and electricity price scenario probability
本文所建的区域光伏集群功率优化分配模型为典型的混合整数线性规划问题，在 Matlab 平台调用 Cplex 求解器进行求解。
为分析区域光伏集群功率分配策略，以光伏出力、市场电价概率最高的场景组合作为典型场景，图4给出了典型场景下的区域光伏集群运行功率平衡关系与各类光伏站出力情况。
图4 区域光伏集群典型运行场景
Fig.4 Typical operation scenarios of regional PV cluster
结合图4 a)、b)可知，在00:00—06:00和21:00—24:00时段，为满足用户负荷需求，从系统大量购电，并选择低电价时段对储能装置充电；12:00—14:00时段内，负荷水平与电价处于较高水平，用户负荷主要由光伏电站与储能放电承担，在满足区域负荷的基础上向系统售电，利用电价差降低集群运行的成本；19:00—20:00时段内，光伏站不再输出功率，但负荷需求较高，Ⅲ类光伏站由于储能设备的配置起到一定的“填谷”作用，受限于储能容量仍须从系统大量购电以满足负荷需求。3.2 考虑不确定性影响的功率分配策略分析
考虑条件风险价值后，区域光伏集群的运行总成本为112368.97元，相较于典型场景下增加了6.73%。不同置信度水平下的区域光伏集群运行成本与风险成本由表2给出，可以观察到，置信度水平较低时，CVaR所对应的风险水平较高，意味着光伏集群更容易受光伏出力与电价波动的影响，导致风险成本与总运行成本较高；风险置信度水平越高，运行成本呈现上升趋势，这是由于光伏集群预留更多容量规避不确定性风险，从系统吸收电能增多或外送电能减少，运行成本增多，但风险成本较低，总运行成本较低。
表2 不同置信度下的运行成本与风险成本
Table 2 Operating costs and risk costs under different confidence levels
3.3 系统扰动后的功率重新分配结果
假设在10:00—11:00这一时段内系统发生扰动并经过一段时间进入新的稳定运行状态，群调群控系统感知到集群并网点潮流压力较大，投入光伏与储能的备用容量，重新分配集群功率，分配策略如图5所示。对比图4 a)、图5能够看出，由于备用容量的投入，集群对系统的售电量与售电时段显著增多，在11:00—16:00时间段参与系统潮流调整，能够增加集群售电收益，提高对新能源的消纳能力。
图5 增出力场景功率重新分配
Fig.5 Power redistribution under output increase scenario
图6 a)、b)给出了系统发生扰动前后，2种功率分配策略中集群与系统之间的功率交换对比，阴影部分表示功率重新分配后集群从系统吸收功率的减少量，即集群对系统的功率支持。可以看出，光伏集群在时段11:00—16:00能够向系统提供可观的功率支持，达到负荷水平的45%。
图6 备用容量投入前、后集群与系统交换功率
Fig.6 Power exchange between cluster and system before and after standby capacity is put into operation
假设在10:00—11:00时段系统发生扰动进入新的运行状态后，要求集群增加对系统功率的吸收，图7给出了减出力场景下集群与系统之间交换功率变化情况。此场景下，为满足系统潮流调整需求，光伏系统下调出力，从系统大量购电满足负荷需求，增加了系统的运行成本。从系统稳定与经济层面看，以降低集群收益与新能源消纳为代价的潮流优化，应给予相应的补贴与电价优惠，探索系统稳定性与集群运行经济性之间的平衡。
图7 减出力场景下集群与系统交换功率
Fig.7 Power exchange between cluster and systemunder output reduction scenario
本文针对配网区域光伏集群内部的功率经济分配问题，建立考虑光伏出力与市场电价不确定性的区域光伏集群功率分配优化模型，并对光伏集群参与潮流优化能力进行分析，得到以下结论。1）采用条件风险价值理论量化光伏出力与市场电价的不确定性，避免了功率分配过于侧重经济性的情况，为区域光伏实现群调群控集群内部功率分配提供参考。2）提出区域光伏集群参与系统扰动后潮流优化的思路，分析不同场景下的功率重新分配策略，为以新能源为主体的新型电力系统运行提出建议。此外，本文在对配网光伏集群建模过程中，忽略了光伏站间的功率交换损耗，若有更为精细的模型，便可以进一步对区域光伏集群内的功率分配以及经济性进行优化与讨论。审核：方彤
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。