随着可再生能源发电技术的不断成熟, 大规模并网型风力和光伏发电将成为很有前景的发展方向^[1-2].然而, 新能源电厂一般建立在内蒙古、甘肃等欠发达地区, 当地无法消纳, 必须通过远距离输变电线路输送到负荷中心区域, 而单一的风电和光伏出力的波动性及间歇性更易给远距离输电网络带来各种不稳定性问题, 需要增强电网建设及维护以保证系统的可靠性, 这极大地提高了输电服务成本, 因此, 研究新能源发电对输电服务价格的影响有着重要意义^[3-5].

风能和太阳能有较强的互补性, 大型并网风光互补发电系统是新能源发电及有前途的利用形式^[6].与单独的风力发电及光伏发电相比, 风光互补发电系统功率输出更平稳, 增加了电网对间歇性能源发电的吸收接纳程度^[7].目前, 很多学者对风光互补发电系统自身的投资、运行与维护费用进行了研究, 然而少有研究外界因素对其经济性的影响.大规模可再生能源电能传输所需的输电服务是电力市场关注的热点, 降低输电服务价格对新能源的发展十分重要.

本文从发电出力的角度分析风光互补后对电网输电服务价格的影响.针对大规模风光互补系统, 基于风速和光照条件的历史数据, 在不同风光容量比例的条件下, 得到为了维持系统规定的可靠性所需的备用容量, 计算相应的输电服务价格, 同时以输电服务价格最低为目标函数, 以可靠性指标为约束条件求解最经济风光互补比例.利用风光的互补特性减少输电服务价格, 为推动风能和太阳能达到或接近常规电源的性能, 以及进一步评估风能、太阳能资源价值提供参考.

1 可再生能源发电的出力模型 1.1 风电出力概率模型

风力发电机的出力由各时刻的平均风速和风机本身的特性决定.本文采用分段函数表示, 风机出力的表达式^[8]为

(1)

式中:P_w为风机输出功率; v_w为风机转轴高度处的风速; P_R为风机额定功率; v_ci为切入风速; v_R为额定风速; v_co为切出风速.

1.2 光伏发电出力模型

光伏发电的出力是由电池板温度、光照强度等因素共同决定.光伏发电系统的出力P_PV的计算式为^[9]

(2)

式中:P_st为最大功率; G_A为光照强度; G_ST为标准状况下的光照强度; y为功率因数系数; T_e为电池板的实际温度; T_r为标准测试温度.

1.3 风光互补发电出力模型

由于P_w和P_PV相互独立, 风光联合发电系统的出力P_h等于P_w和P_PV之和, 即

(3)

根据某月典型日风力发电出力和太阳能发电出力的历史数据, 得到风光互补总输出功率特性曲线, 如图 1所示.

2 考虑可再生能源发电并网的输电服务价格

输电服务是指电能从发电厂安全、优质地输送到用户的过程, 用户对电网的使用会产生输电服务费用^[10].输电成本的计算是输电定价的基础.在电力市场环境下, 输电成本C_t可表示为

(4)

式中:C_oc为电网设备成本; E_m为电网维护费用; E_l为输电网损; E_iv为电网投资回报; E_mg为管理服务费用; E_as为辅助服务费用.

在大容量风力发电和光伏发电并网时, 它们的间歇性和波动性与电力需求不匹配, 通常需要增加备用容量以保障电力系统的安全、稳定运行.在计算风力发电和光伏发电输电价格时, 需考虑备用容量成本的增加给输电服务带来的影响.备用容量成本C_WR可表示为

(5)

式中:C_W为备用容量成本单价; ΔR_h为保证系统可靠性需要增加的备用容量.

输电定价是指将输电成本在所有输电服务的受益者之间进行科学合理地分摊^[11].可再生能源并网机组所分摊的输电服务费用C_h为

(6)

式中:N为输电网线路总数; C_j为线路j的使用费; MW_j为所求机组在线路j上引起的潮流; MW为线路j的总容量; a为输电服务费用分配给发电机侧的比例, 则分摊给负荷用户的比例为1-a.

从模型可以看出, 由于发电机使用了电网, 在网络中产生了潮流, 电网容量使用费可用MW-Mile法在发电机侧全部进行分摊.该方法能准确计算各电厂对每条线路的具体使用情况, 使长距离输电定价更加准确.新能源发电系统并网过程中, 由于系统的负荷分布不变, 则输电服务价格的变化完全由发电机侧的变化引起.若所需的备用容量成本增加, 应由发电厂独自分摊.

3 基于可靠性评估的备用优化模型 3.1 目标函数

风光容量比例不同对电力系统的可靠性影响不同, 从而导致输电服务价格的差异.因此, 存在一个风光互补的配置方案, 使得在满足系统可靠性要求的情况下所需的输电服务价格最低.其数学模型可描述为

目标函数

(7)

3.2 约束条件

参考发电不足概率(LOLP)和能量缺失率(LPSP)指标, 以年为研究周期, 利用蒙特卡罗方法评估不同情况下系统的可靠性.

能量缺失率表示系统在运行过程中一定时间内能量缺失量与负荷总需求量的比值.由于负荷能量缺失量为正值, 能量缺失率表示为

(8)

式中:P_l(t)为当前负荷; P_h(t)为当前风光联合发电系统的出力; P_g(t)为当前常规机组出力; P_C(t)为系统当前可调用的备用容量; T为研究周期; t为时间.

发电不足概率指发电系统的有效容量不能满足系统负荷需求的时间概率, 其计算式为

(9)

式中, p为事件发生的概率.

约束条件

(10)

式中, ε₁、ε₂均为设定的可靠性指标.

3.3 粒子群算法

利用粒子群算法计算目标函数的最优解, 从随机解开始经过迭代寻找最优解, 解的品质由适应度评价^[12].粒子在t+1时刻的位置通过式(11)、(12)更新, 即

(11)

(1)

式中:v_n^t、x_n^t分别为第n个粒子在第t次迭代中的速度和位置; v_n^{t + 1}、x_n^t+1分别为第n个粒子在第t+1次迭代中的速度和位置; P^t_b为全局最优解; P_n^t为第n个粒子的个体最优解; r₁、r₂均为[0, 1]之间的随机数; c₁、c₂均为学习因子; 惯性系数取1.

设η为终止条件, 基于粒子群算法计算最优风光容量比例的流程为

(1)对粒子群初始化, 在风光互补发电系统功率的取值范围内, 随机取每个粒子的值, 以及初始化个体最优解和全局最优解.

(2)对每个粒子中并网风电容量、光电容量和需要备用容量进行变更.

(3)对每个粒子计算风电和光电发出的功率以及相对应的备用容量情况, 由此判断是否满足电网的可靠性指标.若满足则计算目标函数F^t+1, 并与粒子个体最优解和全局最优解进行比较.粒子的当前计算值优于个体最优解时, 则粒子当前计算值会替换个体最优解; 若同时优于个体最优解和全局最优解, 则全局最优解也会被粒子当前计算值替换, 转至步骤(4);若不满足, 转至步骤(2).

(4)判断目标函数是否满足|minF^t+1－minF^t≤η, 若满足则结束计算, 若不满足则转至步骤(2)继续计算.

4 算例分析

本文在已加入风光互补发电系统的某地区电网测试模型的有效性.根据该地区(北纬37°25′)风速和光照条件历史数据, 以1 a为研究周期, 1 h为步长, 分别得到风速、太阳辐射量和负荷随时间的变化曲线, 如图 2所示.

针对本文算例, 设风电和光电的总装机容量为100 MW, 在光电容量比例k为0~1时, 计算研究周期内等可靠性下的输电服务价格, 得到的分布曲线如图 3所示.

由图 3可知, 与单独风电和光电相比, 风光互补后, 分摊到可再生能源电厂的输电服务价格明显下降.当接入风电容量60 MW、光电容量40 MW时, 其经济性最优.对比结果如表 1所示.

光电系统、风电系统及风光互补系统所承担的输电服务费用分别为0.27、0.29、0.22元·(kW·h)^-1.风光互补弥补了独立风电和光电的不足, 有效减少了输出功率的波动和电力供应中断的问题, 可向电网提供更加可靠的电能, 同时减少了备用容量的使用.通过对比发现, 相比于单一类型机组参与的发电系统, 风光互补系统输电服务费用分摊得要低些.

5 结论

单独的风电和光电系统很难保证稳定的电能输出, 风光互补后能有效提高出力的安全可靠性.输电是影响可再生能源发电资源价值的重要因素之一.分别计算了光电系统、风电系统及风光互补系统三种情况下待定机组所分摊的输电费用, 得出风光互补后输电服务费用降低的结论, 证明了本文所用模型的有效性.合理的输电价格会给参与电力市场的各成员提供准确的经济信号, 有利于输电资源的优化使用, 提高了风电和光电资源的价值, 在一定程度上提高了可再生能源发电进入市场竞争的能力, 促进了社会发展中新能源的推广和普及.