考虑火电深度调峰的电力系统低碳发电优化研究

王淑云1,娄素华1,刘文霞2,何向刚2,张苏1  

(1.强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院),湖北省 武汉市 430074;2.贵州电网有限责任公司电网规划研究中心,贵州省 贵阳市 550003)

摘要

在低碳电力的背景下,风电接入系统成为节能减排的有效途径,基于此,电力系统加大火电机组调峰深度,增大下调备用空间,将是应对风电出力不确定性的重要举措之一。基于转子的低周疲劳损耗,建立火电机组深度调峰(deep peak regulation, DPR)的寿命损耗成本模型;考虑机组深度调峰引起的碳排放增量和不同碳排放区间下碳交易价格系数的变化,建立阶梯型碳交易成本模型;以总成本最低为目标,建立电力系统低碳优化调度模型。基于算例分析证明所提方法的合理性与有效性。

关键词 : 深度调峰;碳交易;低碳电力;优化调度

基金项目:国家重点研发计划(2017YFB0902200);国家自然科学基金资助项目(51677076);南方电网公司科技项目(067600KK52170001)。

0 引言

目前,全球变暖问题日益成为社会经济发展的一大挑战,电力工业作为国家的基础性工业,其CO2排放量已经占到全国碳排放总量的50%左右[1],因此电力工业发展面临巨大的减排压力。大力发展风电等清洁能源,调整电力能源供给结构成为应对该问题的一大举措。然而,风电出力具有不确定性和反调峰的特点,其大规模并网给传统电力系统经济调度带来了巨大的挑战[2-4]

目前中国的电源结构仍以火电为主,缺乏水电、燃气等可灵活调度的资源,因此风电并网后带来的调峰任务主要由火电机组承担。为了平抑风电的大幅出力波动,系统会安排部分技术能力允许的火电机组低于常规最小技术出力运行,即工作在DPR状态,此时机组的单位发电能耗和碳排放均大幅增加,且深度压低出力使得机组部件承受较大的交变热应力,从而增加机组的寿命损耗[5]。因此,有必要在制定调度计划时将火电机组深度调峰所引起的碳排放增量和寿命损耗考虑进来。

此外,随着中国碳排放权交易试点的启动与碳交易市场规则的逐步完善,电力工业低碳化的发展趋势愈发显著。电力系统发展低碳优化调度,在运行经济性的基础上,考虑电力生产的碳减排效益,成为充分发挥电力行业碳减排潜力的重要措施。文献[6]建立了一种考虑系统排放低碳性的含风电系统调度模型。文献[7]提出了一种兼顾系统总发电煤耗成本最低和CO2排放最少的电力系统优化调度模型。文献[8]建立了适用于电-热-气联供系统的低碳经济调度模型,并分析了碳交易价格和耦合元件容量对调度结果的影响。碳交易的引入改变了以经济运行为主的传统调度模式,有助于实现系统低碳性与经济性的协调化。

综上,本文引入阶梯型碳交易机制,提出一种考虑火电深度调峰的电力系统低碳发电优化方法。基于汽轮机转子的低周疲劳损耗,建立火电机组DPR寿命损耗成本模型;考虑火电深度调峰引起的碳排放增量,建立阶梯型碳交易成本模型;计及风电出力预测误差所引起的切负荷和弃风成本,以总成本最低为目标,构建兼顾电力经济性与低碳性的系统优化调度模型。

1 火电DPR寿命损耗成本模型

火电机组工作在DPR状态时,深度压低出力使得转子承受较大的交变热应力,经过一定周次的循环,将在金属表面产生疲劳裂纹并逐渐拓展以致断裂。转子的寿命计算问题相当复杂,多数分析计算方法尚处于理论研究阶段,本文根据转子疲劳寿命与应力的关系式来计算火电机组的寿命损耗成本,其关系可由Langer式来表示[9]

式中:Nc为致裂周次;E为材料的弹性模量;φ为材料的断面收缩系数;σa为计算点的应力,具体计算参见文献[9];σω为材料的疲劳强度极限值。

火电机组i每参与一次深度调峰带来的寿命损耗成本可估算为:

式中:Cunit,i为火电机组i的购机成本;ud,it为火电机组i在t时段的工作状态,处于DPR状态时处于常规出力范围或停机状态时

2 阶梯型碳交易成本模型

2.1 碳交易机制及碳排放配额

碳排放交易机制是为促进CO2减排而提出的市场机制,目前全球碳排放交易市场主要有两种模式:一种是基于配额的市场,如排放贸易市场;另一种是基于项目的市场,如清洁发展机制市场。本文讨论对象为基于配额的碳排放交易市场[10]

对于电力行业,初始碳排放额一般以无偿分配的原则,在收集比对同行业相同机组的不同排放水平基础上,综合考虑国家的减排目标、行业配额缺口等因素后确定,对于超出或者不足的部分可在碳排放市场中进行交易。本文基于《全国碳交易市场的配额分配方案(讨论稿)》[11],对系统的碳排放额度进行分配:

式中:ML,t为系统在t时段的碳排放配额;εi为单位电量CO2排放基准值,目前中国根据机组的压力参数、容量级别和燃料类型划分了11个基准线[11];N为火电机组总台数;Pit为火电机组i在t时段的发电功率;ΔT为t-1到t时段的时间区间,本文取ΔT =1h。

2.2 碳交易成本计算模型

电力系统碳排放的来源为火电机组发电时化石燃料的燃烧,当机组工作在DPR状态时,其工况及参数偏离设计值,机组能量转换效率大幅降低,引起供电煤耗和碳排放量的增加。系统的碳排放量可表示为:

式中:MP,t为系统在t时段的碳排放量;σi为火电机组i的碳排放强度,随机组载荷率的不同而变化,当火电处于DPR状态时,其碳排放强度相对于常规出力时明显增大。

传统的碳交易采用统一的价格系数计算碳交易成本,为了进一步控制碳排放总量,本文构建了阶梯型碳交易成本模型,以碳排放配额为基准,设置若干排放量区间,排放量越大的区间对应的价格系数越高,具体计算公式如下:

式中:FC,t为系统在t时段的碳交易成本;λ为市场上的碳交易价格;d为碳排放量区间长度;τ为各阶梯碳交易价格的增长幅度,每上升一个阶梯,碳交易价格增加τλ。当MP,t>ML,t时,FC,t为正,表示系统需要购买超额部分的碳排放额度;当MP,t<ML,t时,FC,t为负,表示系统能够以初始碳交易价格出售剩余碳排放额度从而获取收益。

3 考虑火电深度调峰的电力系统低碳优化调度模型

3.1 目标函数

为实现系统低碳性与经济性的协调化,同时考虑风电出力预测误差带来的经济损失,本文目标函数包括火电机组燃料成本、启停成本、DPR寿命损耗成本、碳交易成本、弃风成本和切负荷成本,其数学表达式如下:

式中:F为优化调度总成本;Ffuel,it、Fon,it分别为火电机组i在t时段的燃料成本和启停成本;Fload,t、Fwind,t分别为系统在t时段的切负荷和弃风成本;T为整个调度周期的时段数。

1)火电机组燃料成本

式中:ai、bi、ci为火电机组i的燃料成本系数。

2)火电机组启停成本

式中:表示火电机组i在t时段的开停机状态,表示处于运转状态,表示处于停机状态;Con,i为火电机组i的启停成本。

3)切负荷与弃风成本

风电的不确定性可以通过风电出力预测误差进行刻画,根据风电出力预测方面的研究,本文采用正态分布近似拟合风电出力预测误差的概率密度曲线[12]

当风电预测出力大于实际出力时,通过火电机组上调出力来满足功率缺额,若火电上调空间不足,将引起切负荷;当风电预测出力小于实际出力时,通过火电机组下调出力来消纳风电多发电量,若火电下调空间不足,将产生弃风。

因此,电量不足期望值和弃风电量期望值分别如式(9)、式(10)所示:

式中:分别为火电机组可上、下调出力容量;分别为风电出力预测误差的上、下限值;ew,t为风电出力预测误差;f(ew,t)为t时段风电出力预测误差的概率密度函数。

从而,切负荷和弃风成本分别如式(11)、式(12)所示:

式中:分别为切负荷和弃风惩罚系数。

3.2 约束条件

1)功率平衡条件

式中:Pws,t为t时段风电实际发电功率;Pshed,t为 t 时段弃风功率;Dt为 t 时段预测负荷;Dcut,t为 t 时段切负荷功率。

2)机组出力约束

式中:分别为火电机组i的最小、最大出力。对于不参与DPR的火电机组,Pmin,i为常规最小技术出力;对于经灵活性改造后可工作在DPR状态下的火电机组,Pmin,i为机组改造后的最大调峰深度。

3)机组爬坡约束

式中:rd,i、ru,i分别表示火电机组i向下和向上爬坡的速率。

4)正、负旋转备用约束

式中:Uur,t、Udr,t分别表示t时段系统正、负旋转备用额度;Psr为系统旋转备用容量需求。

5)开停机时间约束

式中:分别为火电机组i在t时段时已连续开、关机的时间;Ton,i、Toff,i分别为火电机组i的最小开、关机时间。

3.3 模型求解

切负荷与弃风成本模型中,EENSt、EEAWt为非线性项。关于的函数EENSt与关于的函数EEAWt均具有凸性与单调性[13],故可采用文献[13]中所述方法对其分别关于进行分段线性化。

碳交易成本模型为分段函数,本文引入布尔变量m、n将式(5)改写为:

布尔变量m、n的取值为:

相应地,将式(19)和(20)等效为如下不等式约束:

式中ϑ为一个很大的正数。

线性化后的模型基于Matlab平台,调用CPLEX求解。

4 算例分析

4.1 参数设置

本文采用改进的文献[14]中的20机系统进行算例分析。该系统火电装机容量为6570 MW,风电装机容量为2035 MW,最大负荷为6000 MW。火电机组参数见表1,典型日负荷、风电预测出力曲线见图1。基于文献[15],估计机组每参与一次深度调峰,其寿命损耗率1/Nc约为0.00006%。本文以美元($)为计价单位,碳交易价格碳排放量区间长度各阶梯碳交易价格的增长幅度τ=25%[8]。风电出力预测误差的标准差取预测出力的20%[17]。切负荷惩罚系数弃风惩罚系数[17]

表1 火电机组参数
Table 1 Parameters of thermal power units

图1 负荷与风电出力预测曲线
Fig.1 Load and wind power forecast output curve

4.2 不同调度模型对比分析

为了分析火电深度调峰和碳交易机制对系统运行经济性的影响,本文基于四种调度方案进行对比分析,其中方案4采用本文所提出的调度模型。

方案1:火电机组不参与深度调峰,目标函数中不考虑碳交易成本;

方案2:火电机组参与深度调峰,目标函数中不考虑碳交易成本;

方案3:火电机组不参与深度调峰,目标函数中考虑碳交易成本;

方案4:火电机组参与深度调峰,目标函数中考虑碳交易成本。

四种方案下优化调度的结果如表2所示。

表2 不同方案下优化调度结果
Table 2 Optimized scheduling results under different schemes

由表2可以看出,相较于方案1,方案2中由于机组在深度调峰时碳排放强度增大,使得系统的碳排放量有所增加,并且伴随深度调峰产生了DPR寿命损耗成本,但由于机组的调节空间增大,一方面能够有效应对风电出力预测误差,从而降低了弃风和切负荷成本,另一方面减少了因调峰容量不足引起的火电机组的启停,从而降低了启停成本。综合来看,方案2相较于方案1总成本下降了$24110,因此火电机组深度调峰具有一定的经济效益。

方案3和方案4在目标函数中考虑阶梯型碳交易成本后,碳排放强度低的机组能够有效利用,发电功率增加,因此碳排放量减少,碳交易成本下降。方案3相较于方案1碳交易成本下降了11%,总成本下降了$3569,因此低碳经济调度能够减少系统碳排放量并保证系统运行的经济性。

方案4相较于方案1,虽然增加了DPR寿命损耗成本,但机组启停成本、风险成本和碳交易成本分别下降了25%、23%和7%,总成本下降了$46891,因此,本文提出的低碳发电优化方法具有一定的实际应用意义。

4.3 不同风电接入容量对比分析

改变接入电网的风电容量,采用考虑火电深度调峰的电力系统低碳优化调度模型,得到不同风电接入容量下优化调度结果如表3与图2所示。

表3 不同风电接入容量下优化结果
Table 3 Optimized scheduling results under different wind power access capacities

图2 不同风电接入容量下优化结果
Fig.2 Optimized scheduling results under different wind power access capacities

随着风电接入容量的增大,由于风电为清洁能源,其发电能耗成本为零,因此火电机组发电功率减少,从而燃料成本与碳交易成本呈下降趋势;风电并网容量的增加使得调峰需求增大,从而导致火电机组的启停次数增加,因此启停成本呈增长趋势;综合来看,总成本呈下降趋势,这表明增大风电接入容量能够提高运行调度的经济性。

5 结论

低碳电力背景下,电力系统加大火电机组调峰深度将成为应对风电等清洁能源出力不确定性的重要举措之一,进而有效减少电力行业的碳排放量。因此,本文研究了考虑火电深度调峰的电力系统低碳发电优化问题,主要结论如下:

1)计及火电机组深度调峰引起的寿命损耗和碳排放增量,提出了电力系统低碳优化调度模型,该模型能够兼顾电力经济性与低碳性,实现调度计划总成本最低的目标。

2)在经济调度中引入阶梯型碳交易成本模型,实现了系统的低碳经济运行。

3)技术能力满足的条件下,允许火电机组低于常规最小技术出力运行将引起少量DPR成本,但能够减少机组启停并降低弃风与切负荷成本,具有一定的经济效益。

参考文献

[1]梅天华,边巧燕,谢俊,等.考虑碳排放权的低碳电力调度及收益分摊[J].电力系统自动化,2016,40(22):49-55.Mei Tianhua, Bian Qiaoyan, Xie Jun, et al.Low-carbon power dispatching and revenue sharing considering carbon emission rights[J].Automation of Electric Power Systems, 2016, 40(22):49-55(in Chinese).

[2]邹金,赖旭,汪宁渤.风电随机出力的时间序列模型[J].电网技术,2014,38(9):2416-2421.Zou Jin, Lai Xu, Wang Ningbo.Time series model of wind power random output[J].Power System Technology, 2014, 38(9): 2416-2421(in Chinese).

[3]Shi J , Lee WJ .Weighted parallel algorithm to improve the performance of short-term wind power forecasting[C].Power & Energy Society General Meeting.IEEE, 2012:1-6.

[4]赵书强,王扬,徐岩.基于风电预测误差随机性的火储联合相关机会规划调度[J].中国电机工程学报,2014,34(S1):9-16.Zhao Shuqiang, Wang Yang, Xu Yan.Combined storage and scheduling of fire storage based on randomness of wind power forecasting error[J].Proceedings of the CSEE, 2014, 34(S1): 9-16(in Chinese).

[5]林俐,邹兰青,周鹏,等.规模风电并网条件下火电机组深度调峰的多角度经济性分析[J].电力系统自动化,2017, 41(7):21-27.Lin Li, Zou Lanqing, Zhou Peng, et al.Multi-angle economic analysis of thermal power plant deep peak shaving under grid wind power grid conditions[J].Automation of Electric Power Systems, 2017,41(7):21-27(in Chinese).

[6]张程飞,袁越,张新松,等.考虑碳排放配额影响的含风电系统日前调度计划模型[J].电网技术,2014,38(8):2114-2120.Zhang Chengfei, Yuan Yue, Zhang Xinsong, et al.Model of daylight dispatching plan for wind power system considering carbon emission quota[J].Power System Technology, 2014, 38(8): 2114-2120(in Chinese).

[7]卢志刚,隋玉珊,冯涛,等.考虑储热装置与碳捕集设备的风电消纳低碳经济调度[J].电工技术学报,2016, 31(17):41-51.Lu Zhigang, Sui Yushan, Feng Tao, et al.Wind power consumption and low carbon economic dispatching considering heat storage device and carbon capture equipment[J].Transactions of China Electrotechnical Society, 2016, 31(17): 41-51(in Chinese).

[8]秦婷,刘怀东,王锦桥,等.基于碳交易的电—热—气综合能源系统低碳经济调度[J].电力系统自动化,2018, 42(14):8-13+22.Qin Ting, Liu Huaidong, Wang Jinqiao, et al.Low carbon economic dispatch of electric-heat-gas integrated energy system based on carbon trading[J].Automation of Electric Power System, 2018, 42(14): 8-13+22 (in Chinese).

[9]张保衡.大容量火电机组寿命管理与调峰运行[M].水利电力出版社,1988.Zhang Baoheng.Life management and peaking operation of large capacity thermal power units[M].Water Resources and Electric Power Press, 1988(in Chinese).

[10]娄素华,胡斌,吴耀武,等.碳交易环境下含大规模光伏电源的电力系统优化调度[J].电力系统自动化,2014,38(17):91-97.Lou Suhua, Hu Bin, Wu Yaowu, et al.Power system optimization scheduling with large scale photovoltaic power supply in carbon trading environment[J].Automation of Electric Power Systems, 2014, 38(17):91-97(in Chinese).

[11]全国碳交易市场的配额分配方案(讨论稿)[EB/OL].[2017-06-02].http://www.cnenergynews.cn/hb/tpf/201706/t20170602_444547.html.

[12]丁华杰,宋永华,胡泽春,等.基于风电场功率特性的日前风电预测误差概率分布研究[J].中国电机工程学报,2013,33(34):136-144.Ding Huajie, Song Yonghua, Hu Zechun, et al.Study on probability distribution of forecasting errors of wind power forecast based on wind farm power characteristics[J].Proceedings of the CSEE, 2013, 33(34):136-144(in Chinese).

[13]Zhang N , Kang C , Xia Q , et al.A convex model of risk-based unit commitment for day-ahead market clearing considering wind power uncertainty[J].IEEE Transactions on Power Systems, 2015, 30(3): 1582-1592.

[14]Wang G, You D, Lou S, et al.Economic valuation of low-load operation with auxiliary firing of coal-fired units[J].Energies, 2017, 10, 1037.

[15]李一铭,李文沅,颜伟,等.基于机会约束规划模型降低机组寿命损耗的日调度计划[J].电网技术,2014, 38(7):1885-1890.Li Yiming, Li Wenyuan, Yan Wei, et al.Daily dispatching plan for reducing unit life loss based on chance constrained programming model[J].Power System Technology, 2014, 38(7): 1885-1890(in Chinese).

[16]卢志刚,郭凯,闫桂红,等.考虑需求响应虚拟机组和碳交易的含风电电力系统优化调度[J].电力系统自动化,2017,41(15):58-65.Lu Zhigang, Guo Kai, Yan Guihong, et al.Optimized scheduling of wind power system based on demand response for virtual machines and carbon trading[J].Automation of Electric Power Systems, 2017, 41 (15):58-65(in Chinese).

[17]吕梦璇,娄素华,刘建琴,等.含高比例风电的虚拟电厂多类型备用协调优化[J].中国电机工程学报,2018, 38(10):2874-2882.Lyu Mengxuan, Lou Suhua, Liu Jianqin, et al.Multi-type standby coordination optimization of virtual power plants with high proportion of wind power[J].Proceedings of the CSEE, 2018, 38(10):2874-2882(in Chinese).

Study on Optimization of Low-carbon Power Generation in Power System Considering the Depth Peak Regulation of Thermal Power Units

WANG Shuyun1, LOU Suhua1, LIU Wenxia2, HE Xianggang2, ZHANG Su1
(1.State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Huazhong University of Science and Technology, Wuhan 430074, Hubei Province, China; 2.Grid Planning & Research Center, Guizhou Power Grid Co., Ltd., Guiyang 550003, Guizhou Province, China)

Abstract: Under the background of low-carbon power, wind power accessing systems have become an effective way to save energy and reduce emissions.Based on this, the power system increases the peaking depth of the thermal power unit to enlarge the reserve space, which will be one of the important measures to deal with the uncertainty of wind power output.Based on the low cycle fatigue loss of the rotor, the life loss cost model of the deep peak regulation (DPR) of the thermal power unit is established.Considering the change of the carbon transaction price coefficient under different carbon emission intervals, a ladder carbon transaction cost model is established.With the goal of minimizing the overall cost of system power supply, a low-carbon optimal scheduling model for power systems is established.The rationality and effectiveness of the proposed method are proved by numerical results.

Keywords: deep peak regulation; carbon trading; low-carbon electricity; optimal dispatch

National Key Research and Development Program of China (2017YFB0902200); National Natural Science Foundation of China (51677076); Science and Technology Foundation of CSG (067600KK52170001).


王淑云

作者简介:

王淑云(1995),女,硕士,研究方向为电力系统规划与优化运行,E-mail:wangshuyun@hust.edu.cn。

娄素华(1974),女,教授,研究方向为电力系统规划与优化运行,新能源发电与电力技术经济, E-mail:shlou@hust.edu.cn。

(责任编辑 李锡)


  • 目录

    图1