上海油压工作室目前国内外关于风电消纳能力分析的研究主要考虑的是极端时段和单一因素,缺乏对影响消纳能力的各个层面进行分析,同时无法考虑全时段风电出力特性,从多个场景长时间尺度来评估风电消纳能力。本文首先归纳风电消纳能力评估的相关因素,提出了一种确定性和概率性相结合的方法,从多个角度对风电的消纳能力进行科学计算与评估。其中确定性评估方法主要基于单一严苛场景进行分析,概率性评估方法则基于含风电的8760小时时序运行模拟结果,在确保全年最大弃风电量比例低于5%的情况下,得到的最大风电接入容量。接着以某省级电网为例,评估其风电消纳能力,识别影响电网风电消纳的关键因素。
风电消纳能力评估相关因素
调峰能力
上海油压工作室相比传统的发电方式,风力发电的出力具有显著的不确定性和不可控性,当风速变化引起风电场功率变化时,需要随时调整系统中常规能源机组的出力,以满足系统负荷需求。在不考虑风电场功率预测的情况下,传统的系统日前发电计划中无法考虑风电的预期出力,为了满足系统电力平衡,电网开机计划与运行方式按风电场出力为0考虑。当电网中风电出力增大时,需要降低电网中常规能源机组出力以保证电网电力平衡,此时,决定电网的调峰能力取决于整个电网中常规能源机组降低出力的能力。在考虑风电场功率预测的情况下,系统将风电出力预测纳入电网调度与开机计划,将风电当作负的负荷处理,此时,部分调峰能力已经在发电计划中体现,当风电实际出力与预测产生偏差时,需要调用系统剩余的调峰能力。
随着系统内风电装机占系统最大负荷的比例不断扩大,电网的调峰需求将逐步增加,电网的调峰能力可能成为风电发展的技术瓶颈。可用于平衡风电功率波动的电网调峰容量对于电网的不同运行方式、电网的不同负荷水平都是不同的,因此,系统调峰能力将直接影响风电的消纳水平。
调频能力
电力系统需要保持供需之间的实时平衡。由于负荷的不确定性,预测负荷与实际负荷之间存在一定的偏差,并由此产生不平衡负荷,电力系统需要实时平衡这部分偏差。系统的AGC、旋转备用、非旋转备用和替代备用等就是为平衡这部分偏差所设置的。其中,AGC用于实时处理较小的负荷与发电功率的不匹配,维持系统频率,并使控制区内负荷与发电功率的偏差及控制区之间的交换功率实际值与计划值的偏差最小。
根据国内外的普遍情况,系统AGC需求约为系统最大负荷的3%,这部分AGC需求仅对应负荷短期的波动。当系统中接入较多风电时,由于风电场本身不能够提供AGC服务,因此,系统中常规机组不仅需要为负荷提供AGC服务,而且还要为风电场的出力波动提供AGC服务。系统AGC的服务对象由原始负荷曲线变为考虑风电出力后的等效负荷曲线。因此,需要研究风电出力秒级至分钟级的波动特性以及由此增加的系统AGC服务需求,评估系统调频储备对风电消纳能力的影响。
备用能力
电力系统中各类备用的作用是为了应对电力系统的各种不确定性。其中对于电力系统短期调度而言,负荷备用的作用是为了应对系统负荷预测的偏差而可能产生的负荷-发电不平衡。风电的接入为系统负荷与发电平衡带来了新的不确定性。与常规机组不同,风电出力具有间歇性,难以进行自如的有功控制,对于日前调度而言,系统常规机组不仅要为负荷预留备用,而且需要为风电预留备用。在风电接入容量较小的情况下,无论日前发电计划还是实时调度,可以暂不考虑风电的出力。随着风电接入容量的增加及随之对电网影响的增大,调度运行中考虑风电预测出力已经成为大势所趋。
上海油压工作室目前数值天气预报技术对风速预测的精度较低,而且风速预测误差随着预测提前时段的增长而急剧增加,因此相比负荷而言,风电的短期具有较大的不确定性。在日前发电计划中,风电出力的不确定性可能大于负荷的不确定性。风电接入后,系统需要取更多的旋转备用以应对风电实际出力与预测值的偏差。因此,系统备用储备对风电消纳能力产生较大的影响。
风电消纳能力评估方法
本文提出的确定性与概率性相结合的风电消纳能力评估方法框架图如图1所示。
风电消纳能力确定性评估模型与方法
上海油压工作室确定性的分析方法是指通过对电力系统各边界条件进行科学的假定或设定后展开相应分析的方法,本文中主要基于确定性分析场景库,根据典型系统负荷曲线与风电出力曲线,对风电消纳能力进行分析与评估。
确定性分析的场景库主要从负荷曲线和日风电场出力曲线两个维度来建立。对于负荷,选取最大负荷日、最小负荷日、最大峰谷差日三个典型场景;针对每个典型的负荷场景,根据95%置信度下的风电最大出力与最小出力,构建理论正调峰、理论反调峰日风电场出力曲线,最终组合为6个确定性风电消纳能力评估场景。
对每个确定性场景,分别使用软件进行日运行模拟计算,统计各场景系统的总调峰需求、风电引起的峰荷正旋转备用以及谷荷负旋转备用,同时统计运行模拟结果中火电的调峰率以及火电提供的旋备比例,其中火电的调峰率定义为火电峰荷电力除以火电的开机容量,火电提供的旋备比例等于火电提供的旋备容量除以开机容量。
上海油压工作室对于调峰约束,选取调峰需求最大及火电调峰率最高的场景作为调峰约束下的关键场景;逐步增加风电装机容量,使用软件进行运行模拟,直至系统调峰能力不足出现弃风,则该临界场景下风电容量即为调峰约束下风电可消纳容量。
对于备用约束,选取备用需求最大以及火电提供旋备比例最低的场景作为备用约束下的关键场景;逐步增加风电装机容量,使用软件进行运行模拟,直至系统备用不足或者出现弃风,则该临界场景下风电容量即为备用约束下风电可消纳容量。
对于调频约束,调频需求主要在最大负荷日由负荷引起,在最小负荷日风电出力波动则占较大比例,选取最大最小负荷日为关键场景,风电选取典型出力曲线;逐步增加风电装机容量,利用软件运行模拟的开机方案,对比系统的调频能力与调频需求,直至系统调频不足,则该临界场景下的风电容量即为调频约束下风电可消纳容量。
风电消纳能力概率性评估模型与方法
上海油压工作室新能源消纳能力概率性评估基于概率性分析场景库来对各因素下的新能源消纳能力进行评估。使用软件运行模拟生成全年8760点风电时序出力,将风电时序出力与时序负荷一一对应,则可以得到365个含风电的概率性场景,即为概率性评估场景库。对概率性评估场景库的各个场景分别进行考虑多种约束的运行模拟,统计全年的弃风电量,即可表征风电的消纳水平。
上海油压工作室设置风电消纳能力概率性评估最大弃风电量比例为5%,逐步增加风电装机容量,同时根据风电装机容量不断提高备用率,计算在不同装机容量下全年的弃风电量比例,直至弃风达到设定值,此时的风电装机容量为概率性风电消纳能力。
算例分析
上海油压工作室本部分利用前文的分析方法,对某省级电网规划年的风电消纳能力进行评估,所涉及的模拟计算采用清华大学电机系开发的电力规划决策支持系统。该省级电网规划年预测最大负荷12600万千瓦,总装机容量16000万千瓦,其中煤电占48%,气电20%,核电15%,新能源占10%,其他占7%。
风电特性分析
首先收集该省级电网已投产的7座风电场历史出力数据,进行月度和日出力特性分析。其中最大出力特性分析时,取95%保证率对应的出力,目的是有效地筛选掉瞬时冲击出力。
上海油压工作室月度出力特性。从统计结果来看,全省风电月平均出力呈现丰小枯大的特点。全年各月平均出力在0.10~0.34之间,5~9月平均出力较小,丰枯期电量比约为39%:61%。全省风电月最大出力依然呈现丰小枯大的特点。全年各月最大出力在0.29~0.55之间,7~9月最大出力较小,全年最大出力出现在12月。
日出力特性。从统计结果来看,全省风电日平均出力丰期的出力范围为17%~19%,枯期的出力范围为26%~30%,且晚上20时到凌晨平均出力略高。
从统计结果来看,全省风电日最大出力丰期的出力范围为40%~51%,午后12时到下午5时最大出力较高;枯期的出力范围为49%~55%,晚上9时到凌晨最大出力较高。
确定性风电消纳能力评估
确定性评估场景库。对于负荷共选取3个场景,分别为最大负荷日、最小负荷日以及最大峰谷差日;对于风电,选取2个场景,分别是理论正调峰和理论反调峰出力曲线组合生成的场景。
对各个场景分别进行运行模拟,表1中分别统计了各场景系统的总调峰需求、风电引起的峰荷正旋转备用及谷荷负旋转备用,表中同时统计了运行模拟结果中火电的调峰率以及火电提供的旋备比例,其中火电的调峰率定义为火电峰荷电力除以火电的开机容量,火电提供的旋备比例等于火电提供的旋备容量除以开机容量。
从调峰角度分析:最大峰谷差日反调峰场景系统调峰需求最大,同时火电机组调峰率较大,燃机完全参与调峰,最小负荷日反调峰场景燃机开机容量下,火电机组调峰率最大,燃机完全参与调峰,因而选择该两个场景为调峰约束下风电消纳能力评估的关键受限场景;从备用角度分析:最大负荷日正调峰场景下风电峰荷正旋转备用需求最高,最小负荷日正调峰燃机能够提供的旋备容量在各场景中是最低的,因而选择该两个场景为备用约束下风电消纳能力评估的关键受限场景(见图2)。
调峰约束下风电消纳能力评估。选取确定性场景库分析指出的影响风电消纳的调峰约束关键受限场景:最大峰谷差日反调峰场景以及最小负荷日反调峰场景,逐步增加风电装机容量,使用软件进行运行模拟,直至系统调峰能力不足出现弃风,则该临界场景下风电容量即为调峰约束下风电可消纳容量。仿真结果如表2所示。
对于最大峰谷差日反调峰场景和最小负荷日反调峰场景,当风电均从规划装机减至6000兆瓦时,系统基本不弃风。因此可知,考虑调峰约束的确定性场景评估下,风电消纳能力为6000兆瓦。
备用约束下风电消纳能力评估。选取确定性场景库分析指出的影响风电消纳的备用约束关键受限场景:最小负荷日正调峰场景与最大负荷日正调峰场景,逐步增加风电装机容量,使用软件进行运行模拟,直至系统备用容量不足出现弃风,则该临界场景下风电容量即为备用约束下风电可消纳容量,评估结果如图3~4所示。
上述结果可知,当风电容量逐渐增加时,风电所需备用容量也逐渐增加。由于两方案均为风电正调峰方案,随着风电容量的增加,水电机组调峰需求降低,因此能够空出更多的容量提供旋备,火电机组开机容量也随风电容量增加而降低。所以,火电为风电提供的旋备容量并非随风电增加而单调增加。整体而言,旋备容量在上述各场景下均保持充足。当风电增加至30000兆瓦,系统调峰不足出现弃风984.745兆瓦,此时系统备用仍然充足,说明该场景下调峰约束的限制比备用约束的限制强,备用容量不是限制风电接入的关键因素。
调频约束下风电消纳能力评估。首先根据该省级电网风电的历史出力特性,模拟生成规划年风电时序出力,进而计算得到分钟级出力变化的标准差为123兆瓦,风电分钟级出力变化最大幅值为856兆瓦。同时,统计该省历史负荷小时级波动,推算得到规划年小时级负荷变化幅度为-24530兆瓦~+24150兆瓦。负荷分钟级变化幅度一般为小时级变化幅度的1/15到1/40且正负变化概率大致相等,本文负荷分钟级变化为小时级变化幅度的1/15,则近似计算出负荷分钟级变化的区间为-1635兆瓦~+1610兆瓦。通过对风电出力与负荷分钟级变化的分析,可得到风电接入后的系统调频需求,结果如表3所示。
上海油压工作室对于风电反调峰特点明显,夜间波动大的电网而言,系统调频需求主要在最大负荷日由负荷引起,在最小负荷日由风电出力波动引起。设各类型机组1分钟可调出力占装机容量的比例:燃煤、燃油与燃气机组为1%;水电机组与抽蓄机组为30%;其他机组按0处理。计算得到系统在最大负荷日和最小负荷日能提供的调频能力约为4020兆瓦和2880兆瓦,均满足风电并网后对系统的调频需求。继续增大风电装机容量,提高系统调频需求,直到系统调频能力无法满足,得到最小负荷日和最大负荷日对应风电消纳能力为25600兆瓦和37800兆瓦。
综上所述,对某省级电网风电消纳能力确定性评估的结果来看,调峰能力是制约风电消纳的关键要素,若考虑极端严苛调峰场景,风电可消纳容量为6000兆瓦。
概率性风电消纳能力评估
使用软件运行模拟生成该省规划年全年的风电时序出力,将风电时序出力与时序负荷一一对应,可以得到365个含风电的概率性场景,即为概率性评估场景库。对概率性评估场景库的各个场景分别进行考虑多种约束的运行模拟,统计全年的弃风电量,即可表征风电的消纳水平。设置风电消纳能力概率性评估最大弃风电量比例为5%,逐步增加风电装机容量,直至弃风达到设定的5%,此时的风电装机容量为概率性风电消纳能力。评估结果如表4所示。
上海油压工作室当风电增加至70000兆瓦,全年的弃风电量比例超过设定的5%为5.62%,增加至60000兆瓦,全年弃风比例为4.19%,线性计算风电弃风比例为5%的装机容量,则风电概率性消纳能力为65600兆瓦,此时火电利用小时数约为2820.93小时,风电利用小时数约为1921.93小时,弃风电量约为67.02亿千瓦时。同时可以看出,虽然该省级电网调节能力足以消纳65600兆瓦的风电,但此时火电利用小时数被挤压仅为2821小时。若假设保证火电自负盈亏的最低利用小时数为3500小时,则该省级电网建议消纳的最大风电容量为40000兆瓦。
结 语
本文提出了一种确定性和概率性相结合的方法,从多个角度对风电的消纳能力进行科学计算与评估。首先分析了影响风电消纳能力评估的相关因素,接着基于此构建并筛选确定性场景库,筛选严苛场景,从系统调峰、调频、备用约束角度评估风电消纳能力。概率性评估方法主要基于全年365个含风电的概率性场景进行模拟分析,确保全年最大弃风电量比例低于5%时得到风电最大装机容量即为风电消纳能力。
通过某省级电网的实际算例,分析了限制该省风电发展的确定性因素为调峰约束,如果考虑极端调峰约束的确定性场景下,风电的消纳能力仅为6000兆瓦。进一步进行概率性消纳能力评估,得到风电消纳能力为40000兆瓦。从不同角度,为风电规划建设提供建议,也验证了本文提出方法的科学性和实用性。下一步可考虑从潮流概率化的角度,研究风电接入对系统潮流的影响。
上海油压工作室本文刊载于《中国电力企业管理》2021年01期,作者王彤供职于南方电网科学研究院有限责任公司,朱静慧供职于中国能源建设集团广东省电力设计研究院有限公司