孟 明，腊志源，王喜平，包志永
（1.华北电力大学电气与电子工程学院，河北 保定 071003；
2.华北电力大学经济管理系，河北 保定 071003）
为应对化石燃料枯竭与环境污染问题，国家大力推动能源革命，提倡建设以可再生能源为主导的能源供应体系，并打造以电动汽车（electric vehicle，EV）为载体的能源互联网[1]。能源利用理念的变革，促使光热电站（concentrating solar power，CSP）与EV在技术层面取得重大突破[2-3]，从而推进了区域综合能源系统（regional integrated energy system，RIES）的发展[4-5]。
风电作为绿色RIES的主要供应来源，预计2050年装机容量可达24亿kW。然而受限于热电联产（combined heating and power，CHP）机组“以热定电”运行约束，风电并网空间拥挤的特点十分显著，绿色电能被迫浪费增加了化石能源的消耗，进而降低了系统的环保性[6-8]。
配有储热装置的CSP具有能量时移以及热电转换的能力，可以有效缓解CHP机组“以热定电”约束的局限，进而达到“以可再生能源消纳可再生能源”的目的[9]。文献[10-11]利用CSP热能存储的调度能力，平抑了可再生能源发电带来的波动性。文献[12]引入电加热器辅助CSP联合风电协调运行，提高了系统的环境效益。文献[13-14]采用CSP替代CHP机组，通过与其他能量转换设备的配合，降低了系统的运行成本以及弃风率。所述文献验证了CSP消纳风电的可行性，但仍存在以下问题需要深入探讨：一是在调度运行中未考虑CSP的最优配置容量；
二是未充分发挥用能侧可调度资源削峰填谷的潜力。
除了在源侧引入CSP降低弃风量以外，合理调度用能侧并网的大规模EV亦可作为提升RIES风电消纳能力的有效措施。文献[15]提出了基于动态分时电价的EV调度策略，通过控制中心与代理商的分层控制，增加了可再生能源的消纳量。文献[16]利用车网互动（vehicle to grid，V2G）策略应对风光高渗透率引起的高网损及电压波动影响，提高了配电网的可靠性。文献[17]结合了V2G及需求响应技术，加强了EV与电网间的协作，实现了负荷侧可调度资源的削峰填谷。上述文献均证明了EV具有协助RIES扩大风电并网空间的可观效益，但并未打破源荷双侧协调优化调度的壁垒，风电消纳水平仍存在较大提升空间。
联合考虑源荷双侧可调度资源之间的互补调节能力，可以进一步降低RIES的弃风量[18-19]。但是，现有文献中以CSP与EV为源荷协调优化对象的研究较少，且出发点多以降低净负荷波动率或提升RIES调度灵活性为主[20-21]，并未考虑到EV不同并网方式对CSP容量配置的影响，同时也忽略了由风电及负荷预测误差造成的风险损失。
综上，本文在现有研究的基础上，提出了一种计及条件风险价值（conditional value at risk，CVaR）下基于CSP与EV的RIES风电消纳策略。首先，分别研究了CSP和EV对于风电消纳的促进作用，通过分析源、荷2种调度方式的互补特性，体现了源荷协调优化策略在减少弃风限电方面的优势；
然后，以运行成本和CSP日投资成本最小为目标建立了日前经济调度模型，探讨了EV不同并网方式对CSP容量配置的影响，并引入CVaR衡量了由不确定因素引起的风险损失；
最后，利用求解器CPLEX展开多场景对比分析，验证了本文所提策略的有效性。
含CSP与EV的RIES源荷协调优化架构如图1所示。能源供给侧包含外部电网、风电、太阳光热以及天然气网，其中外部电网可以与RIES进行联络交易。天然气网能够为CHP机组补给燃料。
图1 区域综合能源系统架构Fig.1 Architecture of the regional integrated energy system
能源耦合设备包括光热机组、电加热器（electric heater，EH）、电储能装置（energy storage，ES）以及热电联产机组。其中，热电联产机组由燃气轮机（gas turbine，GT）与余热锅炉共同构成，余热锅炉能够利用GT的高温余热供应热负荷；
而EH作为CSP的附属子系统，可通过消纳夜间盈余的风电为CSP补充热能；
CSP作为电热耦合设备，不仅可以利用太阳光热以及EH提供的热量达成电热双向转换，还能通过与热网进行充放热联络来提高RIES调度运行的灵活性。
能源需求侧包含电、热负荷以及EV并网充电负荷。其中，电、热负荷均由固定负荷、可转移负荷以及可削减负荷构成，能在需求响应引导下平滑RIES的负荷波动率；
EV并网方式可分为无序充电、有序充电以及V2G 3种模式，当EV处于V2G模式时能够实现电能的双向流动。
2.1 CSP模型
CSP内部包含光场、传热介质、储热装置（thermal energy storage，TES）、EH以及发电装置。CSP利用光场吸收的太阳能辐射热量加热传热介质，并将热能传递给发电装置或储存于TES内。TES既可释放热量加热水蒸气以推动汽轮机旋转产生电能，也能根据调度指示与热网进行充放热联络达到热能时移效果。CSP的传热模型如图2所示。CSP内部热能传递的数学模型为：
图2 CSP传热模型Fig.2 Heat transfer model of CSP
式中：Hsolar.t为t时段光场吸收热量；
Hcurt.t、HSF.t分别为t时段传热介质舍弃与传递的热量；
HTC1.t、HTD1.t分别为t时段TES在CSP内部的充、放热量；
PEH.t、HEH.t分别为t时段EH的耗电量及产热量；
Hfd.t、Pcsp.t分别为t时段CSP发电所消耗的热量及产电量；
ηr-d为CSP热电转换效率；
ηEH为EH转换效率。
TES通常采用双罐式储热，换热循环简便，安全系数较高，可凭借传热介质在“冷罐”和“热罐”之间不断交换热量实现能量传递。TES数学模型为：
式中：ETS.t为t时段TES容量；
HTC2.t、HTD2.t分别为t时段TES与热网的联络热量；
HTC.max、HTD.max分别为TES充、放热功率上限；
σTloss、ηTCr及ηTDr分别为TES自损耗系数与充、放热效率；
ETS.0、ETS.T分别为调度周期起始与结束时TES的容量；
ETS.max、ETS.min分别为TES容量上、下限；
HTC.t、HTD.t分别为TES在t时段从内部传热介质及外部热网吸收、放出的热量之和。
由传热模型及储热模型可知，含TES和EH的CSP拥有热能时移以及电热双向转换的能力，因此具有配合CHP提升RIES风电消纳量的潜质。
2.2 CSP配合CHP机组提升风电消纳量的原理
CHP的热电比可定义为同一调度时段内CHP机组热出力与电出力的比值[22]：
传统RIES内热负荷完全由CHP机组提供，若夜间热负荷过高，CHP机组为满足热负荷需求致使电出力高发，造成风电并网空间相对拥挤。引入CSP配合CHP机组协调运行后：1）当热负荷较高，电负荷较低时，可利用CSP的热能时移特性缓解CHP机组的供热压力，在减少热电耦合发电功率的同时，能够扩大RIES的风电并网空间，盈余的风电功率还可通过EH的电热转换得以消纳，从而进一步降低系统的弃风量；
2）当热负荷较低，电负荷较高时，一方面可利用TES从热网吸收热量以加大CHP机组的电出力，另一方面还可通过CSP的热电转换能力协助CHP机组维持电力平衡，进而提高了RIES调度运行的灵活性。
因此，将CSP与CHP机组所构成的整体作为广义热电联产机组供应电、热负荷，通过控制TES的充放热量以及CSP、EH的出力，可以打破“以热定电”运行限制。由此推导出广义CHP机组的热电比为：
式中：γ1为广义CHP机组的热电比；
PCHP1.t、HCHP1.t分别为引入CSP后t时段传统CHP机组的电、热出力；
Hload.t为t时段的热负荷量。
广义CHP机组与传统CHP机组的调峰可行域对比如图3所示。其中，ABCDEF所围部分为广义CHP的可行域范围，线段GH为传统CHP机组的可行域范围。由图3可知，广义CHP机组的调峰可行域范围明显较大，并且不再受限于固定热电比约束的影响。其中，热出力增量取决于TES与热网的联络热量，电出力增量取决于CSP的发电量及EH的耗电量。
图3 热电联产机组可行域范围对比Fig.3 Comparison of feasible areas of CHP units
3.1 电动汽车无序充电模型
根据美国交通部公布的车辆出行统计数据，电动汽车日行驶里程数的概率密度近似满足对数正态分布，且返回时刻近似满足正态分布[23]。对于无序充电而言，EV用户返回时刻就是充电起始时刻，并将以恒定功率持续充电至满荷电状态。日行驶里程数及返回时刻的概率密度函数为：
式中：s为EV日行驶里程；
ts为返回时刻；
σs、σt、μs以及μt皆为系数。
EV充电时长及总充电功率可分别表示为：
式中：q100为100 km耗电量；
Tc.n为第n辆EV充电时长；
ηch为充电效率；
Pch.n.t、Pch.t分别为t时段第n辆EV及所有EV的充电功率；
N为EV总量。
基于上述模型，采用蒙特卡洛法对600辆EV抽样模拟，得到EV无序充电负荷数据如图4所示。
图4 电负荷与风电出力Fig.4 Power load and wind power output
由图4可知，EV用户返回时刻多位于电负荷的高峰期，此时并网充电既加大了RIES的调峰压力，又未达到源荷协调消纳风电的目的。因此，必须采取适宜策略引导EV用户有效配合风电并网。
3.2 V2G并网模型及EVA分层调控机制
相比于无序充电，有序充电及V2G并网状态下的EV可视为大规模的柔性负荷资源。在满足用户出行需求的前提下，EV可以根据系统的调度指示决定充电时刻以及充电功率，通过将负荷高峰期的EV充电功率转移至夜间风电高发时段，能够有效降低系统的弃风量。此外，当EV处于V2G状态时，RIES还能控制EV协助耦合设备维持功率平衡，进而提高了系统调度运行的灵活性。
电动汽车用户的V2G模型为：
式中：SEV.n.t、SEV.n.max以及SEV.n.min分别为t时段第n辆EV的容量及其上、下限；
SEV.n.T为调度周期结束时第n辆EV的容量；
Pch.n.t、Pdch.n.t分别为t时段第n辆EV的充、放电功率；
Pch.n.min、Pch.n.max及Pdch.n.min、Pdch.n.max分别为第n辆EV的充、放电功率最值；
ηdch为放电效率；
ts.n为第n辆EV返回时刻；
T为调度周期；
Pdch.t为t时段EV总放电功率。
鉴于有序充电是在V2G模型的基础上仅进行充电而不放电，即令每辆EV的放电功率恒等于零，故在此不再展开叙述。
为防止由于EV并网数量的逐渐增长而加大了RIES的调度压力，引入电动汽车聚合商（electric vehicle aggregator，EVA）实现调度中心与EV用户之间信息流及资金流的分层控制。基于EVA的分层调控机制原理如图5所示。
图5 基于EVA的分层调控机制原理Fig.5 Hierarchical regulation mechanism based on EVA
经上述分析可知，在源侧引入CSP以及在荷侧合理调度EV均可提升系统的风电消纳水平，但这二者也存在一定局限。
1）若系统仅在源侧引入CSP时，考虑到CSP的建造成本较高，如果单纯依靠CSP打破CHP机组“以热定电”约束来扩大风电的并网空间，并不能使系统的经济效益最大化。
2）若系统仅在荷侧调度EV时，考虑到EV的调节范围受制于用户出行习惯的影响，且未从根本上实现CHP机组的热电解耦，故当风电出力很高时，EV的调节效果并不理想。
本文考虑通过2种调度策略的协同配合，在达到源荷协调消纳风电目标的同时，最大化系统的经济效益。基于CSP与EV的源荷协调消纳风电机理如图6所示。由图6可知，当夜间风电出力较高时，因为CHP机组“以热定电”约束压缩了风电的并网空间，造成系统的弃风量较多。CSP的引入不仅能够缓解CHP的电热耦合，还能利用EH将部分风电转化为热功率并存储于TES内。同时，有序充电状态下的EV，在接收到EVA的控制指令后，也可以通过提高电负荷低谷的用电需求来协助CSP扩大风电的并网空间；
而V2G状态下的EV，由于放电深度的增加，进一步提高了负荷低谷的用电量，因此RIES的弃风量将在源荷协调策略下维持在较低水平。
图6 源荷协调应对风电消纳分析Fig.6 Analysis of coordinated source-load response to wind power consumption
以上分析为风电位于某一高峰时段内源荷双侧协调调度的优势。当风电位于低谷时，其协调配合机理如图7所示。由图7可知，当风电位于低谷时，CSP可以利用光热功率降低CHP机组的电出力，但由于EV无序充电负荷较大，致使CSP的投资成本较高，系统的经济性欠佳。在EV有序充电模式下，通过转出用电高峰期部分EV的充电功率，可以适当减少CSP的投资成本；
而当EV处于V2G模式时，EV电能的高效反馈能够协助RIES进一步降低CSP各设备的配置容量，从而促使系统的经济效益最优。
图7 源荷协调应对风电不足分析Fig.7 Analysis of coordinated source-load response to wind power shortage
综上所述，合理利用荷侧的EV调度资源配合源侧CSP协调运行，能够在有效降低系统弃风量的同时，提升RIES的调度灵活性以及运行经济性。
5.1 RIES确定性调度模型
RIES总调度成本Ftotal由运行成本FOP和CSP日投资成本Finv组成，各成本为：
式中：FGE为购能成本；
pGS.t为t时段购气价格；
FGT.t为t时段GT耗气量；
Pbuy.t、Psell.t分别为t时段RIES与外网的联络电量；
pbuy.t、psell.t分别为外网的联络电价。
式中：FOM为运维成本；
Pi.t为t时段第i个设备出力值；
ki为第i个设备单位运维成本。
式中：FEN为环境成本；
PGT.t为t时段GT产电量；
ρGT为GT单位发电量所产生的CO2量；
ρbuy为RIES从外网购买单位电量所产生的CO2量；
σg为单位CO2的治理成本。
式中：FWS为弃风惩罚成本；
σQ为单位弃风量的惩罚成本；
Pws.t为t时段弃风量。
式中：FDR为需求响应成本；
δEV、δDLC、δTL、δDHC以及δTH分别为EV放电补偿系数、用户削减和转移电、热负荷的补偿系数；
PDLC.t、PTLD.t、HDHC.t以及HTHD.t分别为用户削减和转出的电、热负荷功率。
式中：r为贴现率；
Y为使用年限；
Cpinv、Chinv和Pcsp.inv、ETS.inv分别为CSP发电装置、储热装置的单位投资成本以及配置容量。
5.2 计及CVaR的RIES不确定性调度模型
由于CSP能够利用TES的储热量平抑光照辐射指数预测误差的影响，同时考虑到EV的日行驶里程、返回时刻等数据本身就来自于蒙特卡洛抽样，故本文不确定因素仅含风电及电负荷2类[24]。
RIES经济调度的CVaR表达式为：
式中：ξ为计算CVaR引入的决策变量，其最优值为风险价值；
λ为置信水平；
K表示场景集；
ρk为某一场景的概率；
ψ为成本损失函数，其表达式为ψ=(Ftotal.k-FYC)+，Ftotal.k为场景k时RIES的总成本，FYC为预计成本，(x)+=max(x,0)。
将RIES的“期望运行成本”和“平均风险损失成本”通过风险偏好系数联系起来，即可得到计及CVaR的总体目标函数为：
式中：β为风险偏好系数。
5.3 约束条件
1）电功率平衡约束为：
式中：PGT.t、Pwl.t分别为t时段GT发电量和风电消纳量；
Pload.t为t时段电负荷功率；
PESC.t、PESD.t分别为t时段电储能的充、放电功率；
PTLC.t为t时段经需求响应转入的电负荷功率。
2）热功率平衡约束为：
式中：HHB.t为t时段余热锅炉产热功率；
HTHC.t为t时段经需求响应转入的热负荷功率。
3）联络线约束包括售电约束与购电约束：
式中：Pbuy.max、Psell.max分别为RIES购、售电功率上限。
4）CSP的热电转换及热能传递约束如2.1节CSP模型所示，除此之外还包括设备出力约束以及容量配置约束等。
式中：Pcsp.max、ETS.max分别为CSP发电装置及储热装置的配置容量上限；
Pcsp.min分别为CSP电出力最小值，Rup.csp、Rdn.csp分别为CSP发电装置爬坡上、下限。
5）EH约束为：
式中：PEH.max、PEH.min分别为EH出力上、下限。
6）风电出力约束为：
式中：Pw.t为t时段风电出力预测值。
7）电储能约束为：
式中：SES.t为t时段ES容量；
σESloss和ηESC、ηESD分别为ES的自损耗系数及充、放电效率；
SES.0、SES.T分别为ES初始容量与调度周期结束时的容量；
PESC.max、PESD.max分别为ES充、放电功率最大值；
SES.max、SES.min分别为ES容量上、下限。
8）CHP出力约束与爬坡约束为：
式中：ηGT、ηL分别为GT产电效率与散热损失系数；
LHV为天然气低热值；
HGT.t为t时段GT的产热量；
PGT.max、PGT.min分别为GT出力上、下限；
Rup.GT、Rdn.GT分别为GT爬坡上、下限；
ηHB为余热锅炉效率。
9）本文电热负荷均由固定负荷、可削减与可转移负荷构成，约束条件包括可削减、可转移负荷最值约束以及用户满意度约束。考虑到文章篇幅限制，此处不再详细展开，具体约束可参考文献[25]。
为验证本文源荷协调优化策略对提升系统风电消纳水平的有效性，选取西北地区某RIES为研究对象，利用CPLEX对4种不同的确定性场景进行优化求解，各场景设置见表1。其中，RIES内各设备参数见表2，新能源及电、热负荷功率预测值如图8所示，分时购能价格如图9所示。
表1 4种不同的确定性场景Tab.1 Four different deterministic scenarios
表2 RIES各设备参数Tab.2 RIES equipment parameters
图8 预测功率Fig.8 The predicted power
图9 能源交易价格Fig.9 The energy transaction prices
针对其中弃风量最小且总成本最优的场景做不确定性调度研究。以风电及电负荷每时刻预测量为均值，0.2为标准差，通过蒙特卡洛以及K-means聚类分析法共获取100种调度场景，据此分析RIES所面临的风险损失。
6.1 确定性场景调度结果分析
6.1.1 各场景优化结果对比分析
表1中4种确定性场景的优化结果对比见表3。
表3 各场景优化结果对比Tab.3 The optimization results in each scenario
对比表3中场景2与场景1的优化结果，验证了CSP对提升系统风电消纳能力的有效性。若单纯依靠用户侧可转移、可削减负荷的需求响应能力，并不能有效应对高比例新能源并网带来的调峰压力。而在源侧引入CSP配合CHP机组协同运行后，一方面CSP作为灵活可控的热源，可以在降低CHP机组供热压力的同时为风电并网腾出空间，使RIES的风电消纳量提升了36.5%；
另一方面CSP还能利用发电装置的热电转换能力协助CHP机组维持电力平衡，使系统的购能成本降低了37.7%。
对比表3中场景2至场景4的优化结果，佐证了合理调度负荷侧的EV对提升系统风电消纳能力的促进作用。当EV并网方式由无序充电逐次转换为有序充电及V2G后，RIES有效发挥了柔性负荷资源的可调节能力，使得系统的购能成本分别降低了10.7%、17.2%，总调度成本下降了16.1%、25.2%，并且风电消纳量也分别提升了10.9%、19.1%。
综合对比场景1至场景4的优化结果，可体现本文所提源荷协调优化策略的优越性如下。
1）弃风消纳方面 在源侧通过利用CSP打破CHP机组“以热定电”运行约束，充分释放了CHP机组的调峰能力；
在荷侧通过调度V2G并网模式下充电需求更高的EV，有效弥补了电负荷在风电高峰期的匮乏。在二者联合作用下，场景4的弃风量相对于场景1减少了55.6%。
2）经济效益方面 虽然场景4的运维成本相比场景1有所增加，但由于CSP及EV能够协助CHP机组维持功率平衡，使系统的购能成本相比于场景1降低了48.4%。此外，通过合理利用需求侧的大规模EV群进行有序充放电，CSP的投资成本相比场景2降低了26.3%。二者联合可使场景4的总成本优于其他各个场景。
6.1.2 EV并网方式对CSP容量配置的影响分析
场景2至场景4中CSP各设备的容量配置结果见表4，图10为上述场景中的EV充放电功率曲线对比。
表4 CSP各设备容量配置结果对比 单位：kWTab.4 The CSP configuration results
图10 EV充放电功率Fig.10 Charge and discharge power of EV
由图10可知：
1）场景2中RIES只能利用TES在夜间放热来降低系统的弃风率，调控手段较为单一，致使TES的配置要求达到2 739 kW。另外，无序充电模式的反调峰特性又增加了CSP发电装置的配置容量，因而在场景2中CSP的投资成本最高。
2）场景3相比于场景2，引入有序充电模式后，CSP的建造成本下降了4.68%。这是因为：在有序充电模式下，EVA接收到RIES的控制指令后，转移了处于电负荷高峰期的EV充电功率，从而令CSP发电装置的配置容量降低了4.71%；
此外，转移到夜间的EV充电功率增加了01:00—06:00负荷低谷的用电量，进而使TES的配置容量降低了4.60%。
3）场景4相比于场景3，引入V2G策略后，CSP的建造成本降低了22.7%。总体看，V2G状态下的EV不仅可以做到充电负荷的有序转移，还能在电负荷较高时段实现电池能量的高效反馈。由于EV放电深度的增加使01:00—06:00的电能需求进一步升高，CHP的电热耦合程度得到了有效改善，从而大幅降低了CSP各设备的配置容量。
6.1.3 各场景设备出力对比分析
1）场景1调度结果分析
场景1为传统模型，调度周期内电负荷主要由CHP机组、风机、ES以及联络功率协同供给，热负荷通过余热锅炉吸收GT的高温余热来满足，具体调度结果如图11所示。由图11可见：由于固定热电比约束限制了CHP机组的调峰能力，造成23:00—24:00、01:00—06:00 2个时段CHP机组的耦合发电量较多，此时因联络功率达到了传输容量上限，富足风电功率被迫弃用；
11:00—16:00热负荷及风电出力位于低谷，考虑到CHP机组不能灵活参与供电调节，剩余电负荷则需通过向外部电网购电予以满足；
17:00—20:00电负荷处于高峰，而EV的无序充电行为进一步加大了系统的调度压力，导致系统的供能可靠性及运行经济性较差。
图11 场景1调度结果Fig.11 Scheduling results in scenario 1
2）场景2调度结果分析
将含TES和EH的CSP引入传统模型后，CSP可与CHP协同供给电、热负荷需求，具体调度结果如图12所示。
图12 场景2调度结果Fig.12 Scheduling results in scenario 2
由图12可知：10:00—17:00光照辐射热量充足，CSP一方面利用其热电转换能力配合CHP维持电力平衡，另一方面将盈余的光热功率存储于TES内；
23:00—24:00、01:00—07:00热负荷及风电出力均处于峰值，为加大RIES的风电并网空间，CSP不仅能够使用EH消纳部分弃风量，还能利用TES存储的热量协助CHP实现热电解耦，从而使CHP能够灵活参与供电调节。由此可知：通过合理利用CSP热能时移的特性以及电热双向转换的能力，可以达到“以可再生能源消纳可再生能源”的目的。
3）场景3调度结果分析
场景3在场景2的基础上引入了EV有序充电并网模式，增加了负荷侧的调度灵活性，具体调度结果如图13所示。由图13可见：在01:00—06:00、23:00—24:00这2个时段内，EV在RIES的引导下将充电功率转移至负荷低谷处理，与CSP共同作用进一步降低了系统的弃风率；
此外，由于在17:00—20:00的购能价格较高，而峰时负荷的转移减少了RIES的购能成本，因此系统的调度经济性也有所提高。
图13 场景3调度结果Fig.13 Scheduling results in scenario 3
4）场景4调度结果分析
根据本文所提调度模型，优化得出场景4下的各设备电、热出力如图14、图15所示。由图14、图15可知，11:00—15:00热负荷处于低谷而电负荷相对较大。考虑到该时段的购气价格较高，为减少系统的购气成本，CSP将利用充裕的光照辐射热量持续运行在最高电出力水平；
此外，EVA也在RIES的调度指令下加大了EV的电能反馈力度，二者联合使CHP运行在最小出力状态。
图14 场景4各设备电出力Fig.14 The electric output of devices in Scenario 4
图15 场景4各设备热出力Fig.15 The thermal output of devices in Scenario 4
18:00—20:00电负荷处于高峰，而热负荷相对较小。鉴于固定热电比约束限制了传统CHP的发电量，又加之RIES为满足EV的出行需求不再调度其进行大规模放电，因此，为提高RIES的供能可靠性，CSP一方面通过TES从热网吸收热量以加大CHP的电出力，另一方面利用其发电单元为系统补发缺额的电能。
23:00—24:00、01:00—07:00热负荷位于峰值，电负荷位于谷值。RIES将大规模EV的充电功率转移到该时段，并利用CSP协助CHP参与供热，同时令CSP保持最小电出力来为夜间高发的风电腾出并网空间。盈余的风电量还能通过ES与EH的能量转换特性存储于系统内，有效提高了RIES的可再生能源利用率。
CSP储热装置充放热情况如图16所示。结合图16和上述分析可知：23:00—24:00、01:00—07:00 TES在CSP内部的充热量主要来自于EH的电热转换，由于此时TES需要向热网释放热能以配合CHP实现热电解耦，因此TES储热状态将处于较低水平；
10:00—16:00CSP吸收到的光热功率远高于热网所需的放热功率，TES的储热状态将逐渐上升至最大值；
18:00—20:00光热功率下降，TES不断从热网吸收热量，使储热状态维持在较高水平，进而为夜间提高RIES的风电消纳量奠定了基础。
图16 储热装置充放热情况Fig.16 Charging and discharging situation of thermal energy storage device
6.2 不确定性调度结果分析
由上述分析可知，场景4具有良好的经济效益和环保价值，因此在该场景中引入CVaR以分析由风电及电负荷预测误差引起的风险损失，具体优化结果如图17、图18所示。
图17不同置信水平下的总成本Fig.17 Total cost at different confidence levels
图18 各因素下的风险损失成本Fig.18 Risk loss costs with various factors
置信水平代表了调度人员对风险损失的重视程度。由图17可见，预计成本为7 500元，当置信水平从0.05依次升高至0.95时，总成本从9 345元逐步增长至9 585元。置信水平越高，表示RIES的最大损失超出平均风险损失的可能性越小。当置信水平为0.9时，计算得到风险损失成本为1 244元，这意味着在未来24 h内，调度人员有90%的把握保证在调度周期内最大损失不会超过1 244元。
预计成本能够映射调度人员面对风险损失的保守程度。由图18可知，取置信水平为0.6，当预计成本从7 500元不断增长至8 300元时，风险损失成本将从1 156元逐步降低为356元。由此表明：引入CVaR后，调度人员能通过牺牲一定的经济效益来应对不确定性预测误差造成的风险影响。
为有效应对高比例可再生能源并网带来的调峰压力，本文提出一种基于光热电站与电动汽车源荷协调优化以降低弃风量的调度策略。在此基础上，构建了计及CVaR的不确定性优化调度模型，并探讨了EV不同并网方式对CSP建造成本的影响。算例结果表明：
1）将光热电站与电动汽车源荷协调优化策略引入RIES后，系统的总调度成本明显下降，并在兼顾运行可靠性的前提下实现了风电的有效消纳，满足了现代化绿色能源利用理念的需求。
2）采用光热电站与热电联产机组联合运行能够有效扩大电热供应范围，合理应对多种负荷场景，既提高了RIES的调度灵活性，又达到了促进风电消纳、节能减排的目的。
3）处于V2G并网模式下的EV能够使源荷之间的协调能力最大化，不仅可以有效配合CSP减少RIES的弃风量，还能在优化运行中合理降低CSP的投资建造成本。
4）条件风险价值能够衡量系统所面临的潜在风险，置信水平越高、预计成本越低将会导致系统的损失成本越大。调度人员可根据实际情况选取合适的置信水平及预计成本值，从而采取相应的调度策略以降低系统的风险损失。
猜你喜欢 出力时段风电 1600t风电安装船海水冷却系统坐底改造设计舰船科学技术(2022年11期)2022-07-15风电新景海峡姐妹(2020年8期)2020-08-25第70届黄金时段艾美奖主要奖项提名综艺报(2018年17期)2018-09-14一种可控震源出力的近似计算方法中小企业管理与科技·上旬刊(2017年4期)2017-05-04“止”字变合体读写算·小学低年级(2015年7期)2015-08-19全球海上风电发展状况能源(2014年10期)2014-10-30风电十大富豪身价调查中国工业和信息化(2011年19期)2011-11-16西藏文物 迎来大修时段中国文化遗产(2009年6期)2009-01-11