计及价格型需求响应的水风光互补短期调度.pdf

第 42 卷第 10 期 水 力 发 电 学 报 Vol.42,No.10 2023 年 10 月 Journal of Hydroelectric Engineering Oct.2023 收稿日期：收稿日期：2023-04-14 接受日期：接受日期：2023-05-10 基金项目：基金项目：国家重点研发计划项目(2016YFC0402308);国家自然科学基金项目(51679088)作者简介：作者简介：蒋光梓(1998),男,硕士生.E-mail: 通信作者：通信作者：彭杨(1975),女,教授.E-mail: 计及价格型需求响应的水风光互补短期调度 蒋光梓，彭 杨，纪昌明，罗诗琦，于显亮（华北电力大学 水利与水电工程学院，北京 102206）摘摘 要：要：随着风光并网规模不断增加，仅在电源侧利用水电等调峰资源难以满足大规模风光并网需求。为此，本文在负荷侧引入价格型需求响应技术优化日负荷曲线，以源荷匹配度最高，弃电量最小为目标，建立了考虑价格型需求响应的水风光多能互补短期优化调度模型。同时为降低模型求解难度，将其解耦为两个单目标优化问题分阶段求解，最后将模型应用于金沙江下游乌东德水电站和昆明、玉溪两地风光电站互补联合发电研究中。结果表明：价格型需求响应技术对负荷曲线具有明显的削峰填谷效果，不仅可以提高水风光多能互补系统的源荷匹配程度，还能促进风光消纳，增加水风光联合总发电量。该结果论证了模型的有效性，为提高电网大规模消纳新能源提供了新思路。关键词：关键词：价格型需求响应；多能互补；短期优化调度；源荷匹配；风光消纳 中图分类号：中图分类号：TM715 文献标志码：文献标志码：A DOI:10.11660/slfdxb.20231001 论文引用格式：论文引用格式：蒋光梓,彭杨,纪昌明,等.计及价格型需求响应的水风光互补短期调度J.水力发电学报,2023,42(10):1-12.JIANG Guangzi,PENG Yang,JI Changming,et al.Hydro-wind-solar power complementary short-term optimal scheduling considering participation of price-based demand response J.Journal of Hydroelectric Engineering,2023,42(10):1-12.(in Chinese)Hydro-wind-solar power complementary short-term optimal scheduling considering participation of price-based demand response JIANG Guangzi,PENG Yang,JI Changming,LUO Shiqi,YU Xianliang(School of Water Resources and Hydropower Engineering,North China Electric Power University,Beijing 102206,China)Abstract:As the scale of wind and photovoltaic energy integration increases,it is more difficult to satisfy the needs of large-scale new energy integration by only using hydropower and other peak-shaving resources on the power source side.To address this issue,we develop a short-term optimization model for hydro-wind-solar power complementary scheduling considering participation of the price-based demand response(PDR),which adjusts optimally the next-day load curve using PDR on the load side.And this model is decomposed into two sub-models of single target optimization,and solved in stages to reduce solution difficulty.Finally,it is applied to the system of the Wudongde hydropower station and the wind and photovoltaic power stations in Kunming and Yuxi.The results show that PDR has an obvious peak-load shifting effect on the load curve,so it not only can improve the source-load matching,but also can enhance the accommodation capacity of wind and solar power and increase the systems total power 2 水力发电学报 generation.This demonstrates the effectiveness of the model and a new idea for the large-scale accommodation of new energy in the power grid.Keywords:price-based demand response;multi-energy complementary;short-term optimal scheduling;source-load matching;accommodation of wind and solar power 0 引言引言 随着我国风电光伏等新能源装机规模持续快速增长，我国能源系统正在以化石能源为主向绿色低碳清洁能源发展转变1。由于风光等新能源出力具有较强的波动性、随机性和间歇性，这些新能源大规模并网会给电力系统安全稳定运行与电量消纳带来很大压力2。利用水电优异的调节性能在电源侧开展水风光多能互补调度3-7是保障电力系统安全稳定运行、促进新能源电量消纳的重要手段之一。目前针对水风光多能互补优化调度已经开展了大量研究。文献8以含水风光能源的虚拟电厂效益最大为目标，分别建立了不同场景集下的水风光协调优化调度模型，分析负荷曲线、可中断负荷等因素给虚拟电厂效益带来的影响。文献9提出了包含风光水能源的虚拟电厂与配电公司协调优化调度模型，通过分析水电机组下泄流量、负荷曲线、备用容量价格及风光发电预测精度等因素对虚拟电厂效益的影响，探讨了包含风光水能源的虚拟电厂与配电公司的协作工作空间及收益分配等问题。文献10研究大规模风光接入情况下梯级水电站在不同时间尺度上的调度形式，研究以雅砻江锦官梯级多能互补基地为计算实例，评估了水风光互补调度效益与系统风险。文献11通过模拟计算，从可靠性、稳定性和经济性 3 个方面研究了风光电站出力预测的不确定性对水风光多能互补调度风险和效益产生的影响。文献12针对水风光多能互补运行特性，采用互补系数并集合独立运行系统评价与联合发电运行系统评价，建立了适合用于评价风光水多能互补特性的评价指标，并将其运用于我国西部的风光水多能互补电力系统，分析其日内时间尺度的运行特性。文献13以负荷追踪度最大、剩余负荷波动最小和发电运行成本最小为目标，建立了多种能源互补短期调度模型，分析了风光水火不同比例下的虚拟电源与系统负荷的匹配程度以及多源互补电力系统的总效益。以上研究主要采用“源随荷动”模式，围绕多能互补系统效益、系统风险及源荷匹配度等方面展开，然而受到水电机组装机容量及综合用水需求等限制，仅从电源侧着力难以满足日益激增的风光并网需求。随着电力市场化改革不断深入，电力系统的利益主体向多元化方向发展，需求侧资源在电力市场中所发挥的作用越来越受到重视14。合理利用需求侧负荷的主动性以适应间歇性新能源出力变化以及改善源荷匹配度已成为可行方案15-17。国内外学者针对负荷侧需求响应资源参与风光消纳已开展了大量研究。文献18通过用户对电价的响应行为来优化次日负荷需求曲线，并且考虑用户用电满意度约束，对考虑电价响应和用户满意度的包含风力发电系统优化调度问题进行了研究。文献19研究了价格型需求响应、风力发电出力以及电网系统负荷的不确定性，以风电并网消纳收益为目标，建立了电力系统日前不确定性优化调度模型，并分析了价格型需求响应自身不确定性对电力系统日前优化调度产生的影响。文献20以电网系统运行成本最小为目标，建立了计及需求响应与光伏不确定性的经济调度模型，通过对不同情景下的经济调度结果开展研究，指出考虑光伏的不确定性及需求响应可以降低系统运行总成本，使得系统经济安全运行。然而，上述研究均属于在负荷侧通过“荷随源动”模式来促进风光消纳，没有同时考虑电源侧的调度。为进一步提高多能互补系统消纳风光的能力，本文充分利用各电源间互补特性和价格型需求响应调节负荷的能力，采用“源荷互动”的方式建立以源荷匹配度最高，弃电量最小为目标的考虑价格型需求响应的水风光多能互补短期优化调度模型，同时为降低模型求解难度，将模型解耦为两个单目标优化问题分阶段求解，并通过算例重点分析考虑价格型需求响应技术对多能互补系统源荷匹配、风光消纳等多目标实现程度的影响，从而验证本文模型的有效性。蒋光梓，等：计及价格型需求响应的水风光互补短期调度 3 1 价格型需求响应价格型需求响应 需求响应是电力系统需求侧管理的重要技术手段，它主要是通过电力市场价格信号或激励机制来引导负荷侧用户主动改变原有用电行为，从而促进电力供需平衡和新能源消纳21-26。价格型需求响应主要通过改变电价引导用户调整用电计划27-28。峰谷分时电价作为电价改变的一种主要方式，是根据系统负荷变化将每天 24 小时划分为高峰、平段、低谷三类时段，各时段的分时电价在平均电价的基础上进行调整29，即 PDRkkHHH（1）式中：PDRkH为实施分时电价后 k 类时段负荷所对 应的电价；H 为实施分时电价前的初始电价；kH为实施分时电价后 k 类时段负荷所对应的电 价改变量。在价格型需求响应中，常采用弹性系数表示电价变化对负荷响应的影响。但用户存在饱和用电负荷和基本用电负荷，当电价的变化幅度处于一定范围内时，电价对系统负荷的调节效果较为明显，而当电价变化幅度过大时，通过电价来调节负荷的效果将逐渐减弱30。因此构造电价影响负荷需求的指数关系弹性需求响应：00maxmin1e 01e 0,HHPHPPHPPPPPP （2）式中：0P和P分别为初始负荷以及负荷变化量；H为电价变化量；maxP和minP分别为饱和负荷 和基本负荷；P和P分别为初始负荷变化的上限和下限；为价格型需求弹性矩阵，其表达式为：1,11,21,242,12,22,2424,124,224,24（3）式中：,m n为用户在第m时段负荷和第n时段电 价之间的弹性系数，当m与n所处时段均为同一 类时段时，,m n称为自弹性系数，用于描述时段 内的负荷需求相对于同一类时段内电价的变化；当m与n处于不同类时段时，,m n称为交叉弹性 系数，用于描述时段内的负荷需求相对于另一类时段内电价的变化。联立式（2）和（3），可得到考虑价格型需求响应后的各时段负荷，即 241241PDR0PDRPDRPDRPDR(1e)0(1e)0mnnnmnnnmmmmHmmnHmmnPPPPPPHPPH（4）式中：PDRmP为第m时段基于价格型需求响应的负荷；0mP为第m时段初始负荷；nH为第n时段电价变化量；PDRmP为受一天24个时段中的nH0影响的第m时段负荷改变量；PDR+mP为受一天24个时段中的0nH影响的第m时段负荷改变量；mP和+mP分别为第m时段负荷变化的下限和上限。2 考虑价格型需求响应的水风光多能互补短期优化调度模型考虑价格型需求响应的水风光多能互补短期优化调度模型 本文以日时间尺度为调度周期，以小时作为计算时段，以峰、平、谷三类负荷所对应的分时电价以及水电站各时段的出力和水位为决策变量，从电源侧、负荷侧双向调度角度出发，通过在负荷侧引入价格型需求响应技术调整日负荷曲线，同时考虑电源出力与系统负荷的匹配程度以及水风光能源的利用率，建立考虑价格型需求响应的水风光多能互补优化短期优化调度模型。并为降低多目标模型问题的求解难度和提高求解效率，将该模型分阶段进行求解。2.1 目标函数目标函数 为使水风光电源总出力曲线更好地追踪系统负荷，并平稳水风光电源接入电网后的剩余负荷，为火电等基荷创造有利的运行条件，提高水风光能源在电力系统中的利用率，参考文献13,31，本文选取源荷匹配度最高和水风光总弃电量最小为模型目标，目标函数具体如下：11P2Gmax （5）PDRDD,D122PDRDD,D11TtttPTTttttPNNNPNNN（6）2GG,G11TttPPT（7）4 水力发电学报 WF,Vmin()EEE（8）式中：为源荷匹配度；P和G分别为源荷追 踪系数和源荷波动系数，分别表示电源出力与系统负荷的贴合度和主要由火电等基荷承担的剩余 负荷曲线的平滑度，其中P值越接近1则说明水风光电源总发出力与系统负荷贴合效果越好，G 值越接近0则说明剩余负荷曲线的平滑度越好；T 为计算时段总数；PDRtP为第t时段考虑价格型需求响应后的系统负荷；D,tN为第t时段水风光电源总出力；DN为水风光电源总出力的平均值，即DD,11TttNNT；G,tP为第t时段剩余负荷，即PDRG,D,tttPPP；GP为剩余负荷的平均值，即GG,11TttPPT；1和2分别为P和G的权重系数，且121；E为总弃电量；WE、F,VE分别为弃水电量、弃风弃光电量，且WW,1TE ttENt、F,VF,V,1TE ttENt，W,E tN为第t时段弃水功率，等于水电站t时段的出力与其实际出力之差，即W,E tN,head,W,1Ccc ttc tcK Q HN，其中W,c tN、,head,cc ttK Q H分别为第c个水电站在t时段的出力及其实际出力；cK为第c个水电站的出力系数；,c tQ为第c个水电站在t时段的发电引用流量；head,tH为第t时段发电水头；F,V,E tN为第t时段弃风 弃光功率，是指第t时段当水电站以满足各项约束的最低限度出力运行时，风光水总出力与剩余 负荷之和减去系统负荷的值，计算公式为F,V,E tNmin,zhPDRW,F,V,G,111CUOc tu to tttcuoNNNPP，其中min,zhW,c tN为第c个水电站在第t时段满足各项约束 的最低限度出力。2.2 约束条件约束条件（1）功率平衡约束：任意时段内，各类型电源总出力应该与系统负荷相等，即 L,W,F,V,H,1111CUOJtc tu to tj tcuojNNNNN （9）式中：L,tN为各电源在t时段的总出力；F,u tN、V,o tN、和H,j tN分别为风电站u、光伏电站o和火电站j在t时段的出力。（2）电站出力约束：任意时段内，电站的出力应该控制在其允许的上、下限区间内，即 minmaxW,W,W,minmaxF,F,F,minmaxV,V,V,minmaxH,H,H,c tc tc tu tu tu to to to tj tj tj tNNNNNNNNNNNN（10）式中：minW,cN、minF,uN、minV,oN、minH,jN分别为水电站c、风电站u、光伏电站o、火电站j在t时段最小出力；maxW,cN、maxF,uN、maxV,oN、maxH,jN分别为水电站 c、风电站u、光伏电站o、火电站j在t时段最大出力。（3）水力发电量最大约束：调度周期内，水电站发电量应不超过最大可发电量，即 W,W,max1Tc tctPP（11）式中：W,maxcP为水电站c日发电量最大值，由水 电站发电量最大模型计算得出。（4）价格型需求响应约束：考虑价格型需求响应后的系统负荷值应介于响应前负荷值的上下限之间，即 0PDR0tttttPPPPP（12）式中：0tP为第t时段的初始负荷；0ttPP为第t时段负荷值上限；tP和tP分别为第t时段初始负 荷变化的上、下限。（5）水电站实际出力约束：水电站c在t时段的实际出力应满足其t时段的出力要求，即 ,head,W,cc ttc tK Q HN（13）（6）水量平衡约束：任意时段内，水电站c的蓄水量等于输入水量与输出水量之差，即 ,1,r,c tc tc tc tc tVVQQqt（14）式中：,1c tV为第t时段末水电站c的蓄水量；,c tV为第t时段初水电站c的蓄水量；r,c tQ为第t时段水电站c的入库流量；,c tq为第t时段水电站c的 弃水流量。（7）水位上下限约束：任意时段内，水电站c水位控制在允许的上下限区间内，即 minmax,c tc tc tZZZ（15）式中：,c tZ为第t时段水电站c的蓄水位；min,c tZ为蒋光梓，等：计及价格型需求响应的水风光互补短期调度 5 第t时段水电站c的最低蓄水位；max,c tZ为第t时段 水电站c的最高蓄水位。（8）发电引用流量上下限约束：任意时段内，水电站c发电引用流量控制在允许的上下限区间内，即 minmax,c tc tc tQQQ（16）式中：min,c tQ为第t时段水电站c的发电引用流量的最小值；max,c tQ为第t时段水电站c的发电引用流量 的最大值。（9）调度期初末水位控制约束：水电站c在调度期初末水位应维持在一个固定水位，即 ,1,beg,endccc TcZZZZ（17）式中：,begcZ、,endcZ为水电站c在调度期初、末控 制水位。2.3 模型求解模型求解 由于上述模型包含两个目标和三个决策变量，直接对其求解具有一定难度，为此本文将模型解耦为源荷匹配度最高和水风光总弃电量最小的两个子模型分阶段进行求解。第1阶段主要考虑价格型需求响应后的负荷和不同电源出力等约束（见式（9）（12），以源荷匹配度最高为目标，求解最优的水力发电过程曲线和分时电价，并将水力发电过程曲线作为第2阶段水电站实际出力约束的已知量；然后在阶段2中，以水风光总弃电量最小为目标，考虑水电站出力、水力约束（见式（10）、（13）（17），求解水电站实际最优发电过程与最小水风光总弃电量。第1阶段采用遗传模拟退火算法（GASA）32对源荷匹配度最高子模型进行求解。GASA算法主要是利用模拟退火算法对遗传算法（GA）的种群进行规模较大的扰动，即在GA算法中的遗传选择、交叉和变异操作之后，依据Metropolis准则以一定的概率接受适应度值较差的解，以避免遗传算法出现早熟33-35。Metropolis准则如下：erand erand ffTffTffffff 接受子代替换父代，接受子代替换父代，拒绝子代替换父代（18）式中：f 为经过遗传操作后子代；f为未经遗传操作的父代；rand为0到1之间的随机数。求解时，将每个个体设置为12(,iiiXx x123,)iiiiimMMMMxxxxx，其中iX为第i个个体；imx为个体i中的第m个基因，当124m时，imx表示个体i中第m时段的水电出力；1iMx、2iMx和3iMx分别表示个体i中峰、平、谷三类负荷对 应的分时电价。GASA算法求解流程如图1所示。第2阶段采用动态规划算法对水风光总弃电量最小子模型进行求解。该方法是一种求解多阶段决策过程的传统优化算法，具有全局收敛性36-37，在单一水库优化调度计算中应用较为成熟。根据 图图 1 遗传模拟退火算法流程遗传模拟退火算法流程 Fig.1 Flowchart of GASA 6 水力发电学报 动态规划算法最优性原理，将子模型优化调度的计算时段作为阶段，以水库水位作为状态变量，水库下泄流量作为决策变量，构建如下递推方程：1111min,0tttttttTTfZEZQfZfZ（19）式中：1,tttEZQ为在t时段初水位为1tZ和发电引用流量为tQ条件下的水风光总弃电量；1ttfZ为t+1时段初水位为tZ时，余留期（即从t+1时段到T时段）的最小总弃电量之和；11ttfZ为t时段初水位为1tZ时，余留期的最 小总弃电量之和。根据递推方程（19）进行逆时序计算，推求每个阶段的最优决策和候选路径，然后根据各阶段的最优候选路径，顺时序递推得到各阶段的最优状态，就可获得上述优化问题在整个调度周期的最优解。3 实例分析实例分析 3.1 研究区域和基本资料研究区域和基本资料 金沙江流域水能资源丰富，在其所流经的滇东地区还同时具备良好的风电和光伏开发条件，其中金沙江下游是“十四五”期间云南地区重点支持建设的多能互补基地之一。本文选取金沙江下游流域乌东德水电站和昆明、玉溪两市22个风电站和13个光伏电站作为研究对象，电站站点位置分布如图2所示。图图 2 研究区域水风光电站分布研究区域水风光电站分布 Fig.2 Distribution of the hydro,wind and solar power stations in the study area 乌东德水电站是金沙江下游4个梯级水电站的第一级，位处云南省禄劝县和四川省会东县交界处的金沙江干流上，水库正常蓄水位975 m，防洪限制水位952 m，死水位945 m，水库调节库容30.2亿m3，具有季调节能力；总装机容量10200 MW，设计年均发电量为389.1亿kWh，保证出力3150 MW。研究区域内22个风电站和13个光伏电站总装机容量分别为3200 MW和600 MW。考虑到云南省水风光资源在夏冬两季具有较大差异，本文选取2021年丰水期7月1日与2022年枯水期1月1日两个典型日开展研究，计算时段为1 h。在云南省的电力调度实际运行过程中，是将全省电力进行统一调度规划，为简化计算，本文选取了研究区域内昆明市典型日负荷数据作为系统负荷。对应的系统负荷和风、光电站出力曲线如图3所示。由图3可见，日时间尺度下，风电出力一般夜间大于白天，主要集中在19:00次日8:00，光伏出力受太阳辐照的影响，主要集中在10:0019:00，日内风电、光伏出力存在良好的互补性。水电出力受径流影响较大，但具有较强的负荷跟踪能力和调节性能，故进行日内多能互补调度时，蒋光梓，等：计及价格型需求响应的水风光互补短期调度 7 水电出力对接入电网系统的风光出力进行实时补偿，不仅可以平抑风光波动性，还能提高系统互补发电效益。图图 3 1 月和月和 7 月典型日负荷和风、光电站出力曲线月典型日负荷和风、光电站出力曲线 Fig.3 Curves of typical daily loads and wind and photovoltaic power outputs in January and July 电价初始值0P为0.7元/kWh，实施价格型需求响应之后，一天负荷用电可分为高峰、平段、低谷三类负荷，两典型日在高峰、平段和低谷时段的划分如表1所示，三类负荷的电价变动范围分别为1.5 0.9、0.9 0.5、0.5 0.1元/kWh，需求响应弹性系数28如表2所示。表表 1 两典型日三类时段划分两典型日三类时段划分 Table 1 Division of the three types of time periods in the two typical days 典型日 高峰时段 平段时段 低谷时段 2021 年 7 月1 日 10:0019:00 8:009:00，20:00次日1:00 2:007:002022 年 1 月1 日 10:0019:00 20:00次日1:00 2:009:00表表 2 用户需求价格弹性系数用户需求价格弹性系数 Table 2 Price elasticity coefficients of the user demand 时段 高峰 平段 低谷 高峰-0.05 0.002 0.004 平段 0.002-0.05 0.02 低谷 0.004 0.002-0.05 3.2 计算结果分析计算结果分析 3.2.1 场景设置场景设置 为分析价格型需求响应技术对多能互补调度运行的影响，设置了两种场景：场景1为水风光互补运行模式，即假设风光全部消纳，而水电站根据等效负荷（系统负荷减去风光出力）采用以电定水的方式发电，水风光联合总发电量超出系统负荷的部分即为弃电量；场景2为本文所建模型，即在场景1的基础上，根据水风光电源发电特性，利用负荷侧需求响应技术动态调整系统负荷，通过源荷两侧的协调调度共同平抑风光波动、提高风光消纳量。3.2.2 权重系数敏感性分析权重系数敏感性分析 首先需对源荷匹配度（即式（5）中的权重 系数1、2进行敏感性分析，以确定源荷匹配度 值最高时对应的权重值。以所选的两典型日两场 景为例，将1从0.1到0.9离散为9个值，211，每组1、2计算30次对应的源荷匹配度，去除数据集的部分极端值后求取平均值，结果如图4所示。由图4可见，源荷匹配度值随着1的增加先增大再减小，当12:2:3时，7月两种场景源荷匹配度最高；当12:3:2时，1月两种场景源荷匹配度最高，这主要是因为2为剩余负荷 波动的权重系数，1月剩余负荷波动较大（见图 6），所以在1月时2会取一个相对较高的值以 达到源荷匹配度最优。因此，本研究在7月、1月 两典型日下，权重系数1分别取0.4和0.6，权重系数2分别取0.6和0.4。图图 4 权重系数敏感性分析权重系数敏感性分析 Fig.4 Sensitivity analysis of the weight coefficients 3.2.3 水风光联合调度结果对比分析水风光联合调度结果对比分析 图5、图6分别是两种场景下7月、1月两典8 水力发电学报 型日水风光联合调度出力过程。表3给出了两典型日下不同场景的源荷匹配度、弃电量及剩余负荷计算结果。计算时两种场景在同一典型日均采用相同的日初、日末水位值。引入价格型需求响应后，7月典型日高峰、平段和低谷三类负荷的电价分别为1.09、0.78和0.43元/kWh；1月典型日高峰、平段和低谷三类负荷的电价分别为0.95、0.77和0.48元/kWh。由图5、图6和表3可见：与场景1相比，场景2下7月和1月典型日的负荷峰谷比分别减小了0.12和0.08，源荷匹配度分别增加了0.1和0.07，弃电量分别减少713.66 MWh和2757.38 MWh，剩余负荷分别减少了255.87 MW和126.53 MW，这说明引入价格型需求响应可以对负荷曲线实现削峰 （a）场景 1 （b）场景 2 图图 5 7 月典型日不同场景水风光联合调度出力过程月典型日不同场景水风光联合调度出力过程 Fig.5 Time variations in typical daily hydro,wind and photovoltaic power outputs under different scenarios in July （a）场景 1 （b）场景 2 图图 6 1 月典型日不同场景水风光联合调度发电过程月典型日不同场景水风光联合调度发电过程 Fig.6 Time variations in typical daily hydro,wind and photovoltaic power outputs under different scenarios in January 表表 3 两典型日不同场景计算结果两典型日不同场景计算结果 Table 3 Calculations for different scenarios in the two typical days 典型日 场景 P G 弃电量/(MWh)剩余负荷/MW 2021 年 7 月 1 日 场景 1 0.93 1.25 0.85 5757.20 500.41 场景 2 0.94 1.04 0.95 5043.54 244.54 2022 年 1 月 1 日 场景 1 0.23 2.91 0.28 12092.64 3446.25 场景 2 0.25 2.03 0.35 9335.26 3319.72 蒋光梓，等：计及价格型需求响应的水风光互补短期调度 9 填谷效应，有效提高水风光联合出力与负荷的匹配程度，促进风光消纳，增加水风光联合总发电量。但两种场景下日负荷总量未发生明显变化，如7月典型日在场景1和场景2下的日负荷总量分别为194483.81 MWh和194317.91 MWh，仅降低了0.09%，这说明引入价格型需求响应后，发电企业的利益基本未受到影响。与7月典型日相比，1月典型日两种场景弃电量都较大，主要原因是1月风电站出力和剩余负荷在系统负荷中所占比例较7月典型日明显提高，而本文在两种场景中均假设风光全部消纳，这样1月典型日在第1阶段得到的水电站出力在系统负荷中所占比例较7月典型日大幅减小，从而导致1月典型日的弃电量大于7月典型日的弃电量。此外场景2下，1月典型日的源荷匹配度较7月典型日涨幅更大，弃电量减小程度更大，说明在一月枯水期来水较小、电源侧水电调峰压力大的情况下，负荷侧的需求响应技术可以更好发挥水电系统平抑新能源波动、促进新能源消纳的作用。3.2.4 算法对比分析算法对比分析 为验证GASA算法的计算性能，选用GA算法作为对照组，对两种场景7月、1月典型日下的源荷匹配度优化结果进行比较，计算结果如表4所示。从源荷匹配度的计算值上看，相比于GA算法，采用GASA算法计算得到的源荷匹配度更高，说明GASA算法的计算精度更高；从计算时间上来看，由于GASA算法在遗传操作中多执行了Metropolis准则这一步骤，其计算时间有所增加，但仍处于可以接收的范围内。两种场景7月、1月典型日下GA与GASA算法的迭代过程如图7所示。由图7可见，GASA算法由于要经过较多的迭代次数才能收敛，其收敛速度略慢于GA算法，但GA算法较容易陷入局部最优。对比7月和1月算法收敛速度，1月收敛速度快于7月，收敛结果小于7月，说明在1月枯水期水电站可调节容量小，算法更容易寻找到最优值。整体而言，两典型日不同场景下GASA算法优化结果均优于GA算法，验证了GASA算法的有效性。另外，由表4还可知，在场景2中考虑了需求响应技术，计算复杂度大量增加，计算时间约为场景1的24倍，表明需求响应技术在迭代过程中根据电源发电特性参与了负荷的调整，使得计算时间成倍提升，但是其相较于电源侧新建调峰电站，是一种成本极低的促进新能源消纳的手段。表表 4 GA 和和 GASA 算法计算结果对比算法计算结果对比 Table 4 Comparison of the results of the GA and GASA algorithms 典型日 场景 算法 计算时间/s2021 年 7月 1 日 场景 1GA 0.83 6.31 GASA 0.85 6.42 场景 2GA 0.94 151.74 GASA 0.95 155.83 2022 年 1月 1 日 场景 1GA 0.25 6.24 GASA 0.28 6.33 场景 2GA 0.34 152.05 GASA 0.35 158.71 （a）7 月 （b）1 月 图图 7 GA 和和 GASA 算法最优解迭代过程算法最优解迭代过程 Fig.7 Convergence of the GA and GASA optimal solutions 10 水力发电学报 4 结论结论 大规模新能源并网导致了消纳困难，而仅在电源侧采取多能互补的方式并不能满足大规模新能源消纳上网需求。本文从源荷双侧调节角度出发，构建了考虑价格型需求响应的水风光多能互补短期优化调度模型，并针对模型多维度和计算复杂的问题，采用分阶段解耦优化方式，将源荷匹配度最高和总弃电量最小两个目标分为两阶段进行求解，最后以金沙江下游水风光互补调度基地为研究对象，选取冬夏2个典型日，设置2种场景进行对比分析，结果表明：（1）考虑价格型需求响应技术前后，7月、1月典型日负荷峰谷比分别减少了0.12和0.08，但两典型日系统日负荷总量并未发生明显变化，说明该技术能在基本不影响发电企业利益的前提下，对系统负荷曲线具有良好的削峰填谷效应。（2）引入价格型需求响应技术后，水风光互补调度在7月、1月典型日的源荷匹配度分别增加了0.1和0.07，弃电量分别减少了713.66 MWh和2757.38 MWh，剩余负荷分别减少了255.87 MW和126.53 MW，表明引入价格型需求响应还可以有效提高水风光联合出力与负荷的匹配程度，促进风光消纳，增加水风光联合总发电量，且在1月水电调峰能力较弱时，需求响应技术能够更好地发挥平抑风光波动、促进风光消纳的作用。本研究可为提高电网消纳大规模新能源提供新思路。本文在进行多能互补调度时，仅选取汛期7月与枯期1月两典型日，可能具有偶然性，且未考虑风光出力和系统负荷预测的不确定性，在下一步研究中，将补充收集金沙江下游流域风光资源分布和风、光电站长系列资料，开展该区域长系列调度模拟以及风光出力和系统负荷预测的不确定性对调度的影响研究。参考文献（参考文献（References）1 申建建,王月,程春田,等.水风光多能互补发电调度问题研究现状及展望J.中国电机工程学报,2022,42(11):3871-3885.Doi:10.13334/j.0258-8013.pcsee.211765.SHEN Jianjian,WANG Yue,CHENG Chuntian,et al.Research status and prospect of generation scheduling for hydropower-wind-solar energy complementary system J.Proceedings of the CSEE,2022,42(11):3871-3885.Doi:10.13334/j.0258-8013.pcsee.211765.(in Chinese)2 李秀峰,李刚,张扬科.水光互补组合等效电厂的短期调峰调度方法J.水力发电学报,2023,42(2):36-44.Doi:10.11660/slfdxb.20230204.LI Xiufeng,LI Gang,ZHANG Yangke.Short-term dispatching method for equivalent power plants of hydropower-photovoltaic complementation J.Journal of Hydroelectric Engineering,2023,42(2):36-44.Doi:10.11660/slfdxb.20230204.(in Chinese)3 XU B B,CHEN D Y,VENKATESHKUMAR M,et al.Modeling a pumped storage hydropower integrated to a hybrid power system with solar-wind power and its stability analysis J.Applied Energy,2019,248:446-462.4 井志强,王义民,王学斌,等.水风光多能互补运行中多主体损益关系分析J.水力发电学报,2022,41(11):56-67.Doi:10.11660/slfdxb.20221106.JING Zhiqiang,WANG Yimin,WANG Xuebin,et al.Analysis of multi-entity profit a