基于BP-MIV的风电调峰受阻电量影响因素贡献度分析

谢 桦吕晓茜张 沛

(北京交通大学电气工程学院,北京 海淀100044)

0 引言

近年来,我国风电发展取得了举世瞩目的成绩。截至2018年,我国风电装机容量已达184 GW,装机总量居世界第一。与此同时,弃风电量不断增加,2018年我国弃风电量为27.700 TW·h,占风电总发电量的7%。弃风问题引起了社会广泛关注,成为学界研究的焦点。如何减少弃风现象的发生,需要分析弃风原因,找出科学的解决途径[1]。

目前,针对弃风问题,已有诸多文献进行了研究,主要可分为定性分析法和定量分析法。定性分析法结合实际运行经验对弃电原因进行理论分析。文献[2]结合欧美等国家的经验,从系统调节能力、电网输电能力、风电技术性能、风电调度运行水平等角度论述了影响风电消纳的关键因素。文献[3]详细分析了影响电网接纳新能源能力的相关因素,包括新能源出力特性、负荷特性、机组性能和外送通道。文献[4]将影响新能源消纳的关键因素分为技术因素、市场因素以及政策因素等。现有文献对风电消纳影响因素的理论研究已较为完备。

定量分析法大多利用时序生产模拟建立含风电场的电力系统调度模型,求解研究周期内的新能源接纳电量和限电电量,进而研究因素变化对于电网弃电量的影响[5]。文献[1]剖析了产生新能源消纳问题的机理,系统性地提出了若干措施,并通过建立时序生产模拟模型进行了场景验证。文献[6]通过将机组出力与负荷需求进行分类,建立了一种简化的时序生产模型,并对新能源消纳敏感因素进行了定量分析。文献[7]分析了可再生能源消纳影响因素之间的相互作用,并基于时序运行模拟建立了可再生能源消纳影响因素贡献度的评估方法。时序生产模拟法计算精度高,物理意义清晰,但所需数据众多、计算量大、计算速度慢。

上述分析表明,定性分析法对弃风电量影响因素的理论分析已较为全面;定量分析法计算精度高,能求出逐时段的弃风电量,但所需数据众多、模型计算量大。且现有文献未明确弃风电量的组成,研究弃风首先需明确弃风电量的组成。弃风电量包括断面受阻电量和调峰受阻电量。断面受阻电量为因通道稳定极限、电网设备检修、电网故障等情况导致的风电受阻;调峰受阻电量指因电网调峰能力不足时造成的风电受阻。前者导致的弃风电量占总弃风电量的比重为10%～50%,后者为40%～90%[8]。系统调峰能力是制约消纳风电能力的最主要因素[9]。本文针对风电调峰受阻电量进行研究。由于各种因素对于风电调峰受阻电量的影响程度不尽相同,本文提出影响因素贡献度的概念用于定量描述不同因素对于风电调峰受阻电量的影响程度。

基于上述情况,本文提出一种量化风电调峰受阻电量影响因素贡献度的新方法。首先,定性分析风电调峰受阻电量的影响因素。其次,介绍反向(back propagation,BP)神经网络与平均影响值(mean impact value,MIV)算法在影响因素贡献度计算中的应用。再次,利用某省电网2018年运行数据进行案例分析,得出影响因素重要程度排名。最后,提出解决风电调峰受阻问题的建议。

1 风电调峰受阻电量影响因素

1.1 新能源出力特性

风电接入系统前,系统的日调峰需求表现为峰荷与谷荷间的差值,即峰谷差。风电接入系统以后,由于风电的随机性与间歇性,导致既有可能在系统日负荷达到峰值时,风电零出力,也有可能在日负荷到达谷值时,风电满发。为了保证风电出力始终上网,系统日调峰需求显著增加,变为日负荷峰谷差与风电接入容量之和。

为反映风电出力规模与波动性,本文选择风电理论发电量与相邻时刻风电理论发电量差值作为风电调峰受阻电量的影响因素。

1.2 系统调节能力

1.2.1 电源结构

电力系统中常规发电机组一般分为水电机组、火电机组和核电机组3种。

由于启停迅速,水电机组是理想的调峰机组。火电机组一般分为常规火电机组和燃气轮机机组。燃气轮机机组由于具有启动快、可以频繁启动的特点,适于作为调峰机组。常规火电机组运行在额定出力或接近额定出力时经济性较好,并且常规火电机组启停周期长,不宜频繁启动。在风电大规模并网后系统调峰压力很大的情况下,一般以牺牲常规火电机组的部分经济性为代价,以热备用的形式参与调峰。核电厂按其技术和经济特性要求,适于承担系统基本负荷,不适合作为调峰机组运行[10]。电力系统中调峰机组所占比例越大时,越有利于电网调峰。

为描述电力系统调峰电源占比对风电调峰受阻电量的影响,本文选取火电机组开机容量、水电机组开机容量、风电开机容量作为风电调峰受阻电量的影响因素。

1.2.2 调峰能力

调峰能力牵涉系统运行的经济代价,对电网安全、经济运行的影响相对较大,是目前公认的制约电网接纳风电能力的主要因素。根据《华北区域并网发电厂辅助服务管理实施细则》(简称《细则》)规定,火电机组的基本调峰为50%PN[11]。现阶段,我国的火电机组容量比例高,快速调节电源容量远不能满足调峰需求。如果能在现有补偿框架下,充分利用经济手段,加大火电机组的调峰深度,充分挖掘现有下调备用空间,将是平抑风电功率波动的最有效的方式之一。

本文利用电力系统调峰幅度反映调峰能力对风电调峰受阻电量的影响。电力系统调峰幅度的定义如下:

式中:Pg.i.max为调峰机组i的最大技术出力;Pg.i.min为调峰机组i的最小技术出力;N为电网中调峰机组数量。

1.3 负荷特性

随着风电装机容量的快速增长,风电装机容量可能超过负荷水平,从而导致弃风。此外,负荷波动虽呈现较强的规律性,但统计数据表明,随着我国人均国民生产总值的提高,电力的峰荷和谷荷差越来越大,电网的调峰任务越来越重,越不利于新能源的消纳[12]。

本文定义电网的总负荷为本地负荷与联络线外送负荷之和。为反映负荷水平与负荷波动性对风电调峰受阻电量的影响,本文选取电网总负荷与相邻时刻的总负荷差值作为风电调峰受阻电量的影响因素。

2 风电调峰受阻电量影响因素贡献度分析

各因素对风电调峰受阻电量的影响可用神经网络模型进行描述。神经网络技术具有良好的自适应性、自组织性及较强的学习和容错抗干扰能力,可实现输入到输出之间的高度非线性映射[13-14]。神经网络算法可以从大量的离散实验数据中,经过学习训练提取其领域知识,建立起反映实际过程内在规律的系统模型。目前神经网络已经广泛用于电力系统负荷预测[15-16]、新能源出力预测[17]、变压器运行状态预测[18]。因此本文选择利用BP神经网络构建影响因素与风电调峰受阻电量之间的模型。

2.1 BP神经网络的应用

BP人工神经网络是Rmenlhart、McClelland等研究并设计的、基于误差反向传播算法的一种多层前向神经网络[13]。

2.1.1 BP神经网络的结构

BP算法作为人工神经网络的一种比较典型的学习算法,主要结构是由1个输入层,1个或多个隐含层,1个输出层组成。最基本的三层BP人工神经网络结构如图1所示。根据上文所述,本文选取了8个风电调峰受阻电量影响因素,因此在本文建立的影响因素与风电调峰受阻电量的模型中,输入层神经元个数为8。重复多次实验,当隐含层神经元个数为15时,网络误差最小,故隐含层神经元个数设定为15。模型输出变量为风电调峰受阻电量,故输出神经元个数为1。

图1 BP神经网络拓扑结构图Fig.1 Schematic diagram of BP neural network

2.1.2 BP神经网络的训练样本集

为保证模型建立的准确度,需要足够的训练样本。本文利用电力系统一年中每小时的数据构建训练样本集,样本数目为8760。训练样本集包括风电理论发电量、相邻时刻风电理论发电量差值、风电开机容量、火电机组开机容量、水电开机容量、调峰幅度、总负荷、相邻时刻总负荷差值和风电调峰受阻电量。

2.1.3 BP神经网络的训练过程

BP神经网络的学习过程包括信息正向传播和误差反向传播2个过程[19]。在正向传播过程中,输入信息从输入层经隐含层传到输出层,经作用函数运算后得到输出值与期望值比较,若有误差,则误差反向传播,沿原先的连接通路返回,通过逐层修改各层神经元的权值,减少误差,如此循环直到输出的结果符合精度要求为止。

2.1.4 BP神经网络的参数设置

训练次数过多可能会导致网络过拟合;训练次数过少可能会导致网络欠拟合。学习率较小时,训练会变得更加可靠,但是优化会耗费较长的时间;学习率较大时,权重的改变量可能非常大,导致训练不收敛。一般学习率在0.1与0.000 01之间。本文经反复试验,将最大训练次数设定为1 000,学习率设定为0.006,目标误差设定为0.002。

2.2 M IV算法的应用

MIV算法可以测定出神经网络输入神经元对输出神经元的影响权重,被认为是评价神经网络输入参数相关性的最佳指数[20-21]。本文利用MIV算法量化风电调峰受阻电量的影响因素贡献度。下面是MIV算法的计算步骤。

步骤1:构建影响因素矩阵和风电调峰受阻电量向量。

根据BP神经网络的训练样本集,构建影响因素矩阵X和风电调峰受阻电量向量Y。n为影响因素数目,本文中n为8。m为训练集中样本数,本文中为8 760。利用训练样本集训练BP神经网络:

步骤2:形成2组新的输入量。

将影响因素矩阵X中的第i个影响因素在其自身基础上分别增减δ(δ一般取10%),形成2组新的输入量Xi+和Xi-:

步骤3:利用BP神经网络得到2个新的输出量。

将Xi+和Xi-作为输入量,利用已建成的BP神经网络,得到2个输出量Yi+和Yi-:

步骤4:计算每个影响因素的MIV值。

影响因素i的MIV值可通过下式得到:

MIV的绝对值表示影响因素i的相对权重,符号表示影响因素i与风电调峰受阻电量的相关方向。

步骤5:计算每个影响因素的贡献度。

影响因素i的贡献度可通过下式计算得到:

根据上述步骤,可以计算得到所有影响因素的贡献度,进而可以判断出各因素对风电调峰受阻电量影响的相对重要性。

3 算例分析

利用本文所提BP-MIV算法对我国西北某电网进行案例分析。利用一年中每小时的影响因素数据与风电调峰受阻电量数据形成训练样本集,构建BP神经网络并进行训练。训练过程如图2所示。随着训练次数的增加,测试样本的误差逐渐收敛到目标值。利用MIV算法计算影响因素贡献度,计算结果如表1所示。

图2 BP神经网络的训练过程Fig.2 The training process of BP neural network

表1 影响因素的MIV值与贡献度Table 1 The MIV and contribution of influential factors

根据上述计算结果可以得出风电调峰受阻电量影响因素贡献度排名,并得出以下结论:

风电开机容量对风电调峰受阻电量的影响最大;总负荷对风电调峰受阻的影响次之;风电理论发电量对风电调峰受阻的影响排名第3;火电机组开机容量对风电调峰受阻电量的影响排名第4;相邻时刻总负荷差值对风电调峰受阻电量的影响排第5;水电机组开机容量对风电调峰受阻电量的影响为第6;调峰幅度对风电调峰受阻电量的影响为第7;相邻时刻风电理论发电量差值对风电调峰受阻电量的影响为第8。

本文所提量化风电调峰受阻电量影响因素贡献度的方法是基于数据的计算方法。当对不同地区进行影响因素分析时,训练样本集的不同会导致计算结果的不同,从而得出更符合该地区风电调峰受阻特性的结论。

4 结论与建议

本文提出了一种量化风电调峰受阻电量影响因素贡献度的方法。以8个影响因素为输入,风电调峰受阻电量为输出,构建BP神经网络模型。应用MIV算法,计算各因素对风电调峰受阻电量的贡献度。并利用我国西北某电网进行案例分析,验证本文所提算法的有效性。为促进风电消纳,本文提出了下面3个建议:

(1)在电源侧要加强调峰能力建设,提高抽蓄、燃机等灵活调节电源比例,推动火电机组调峰能力改造,提高供热机组调峰深度。

(2)提高风电功率预测水平。随着风电装机容量的增加,风电功率预测对于调度安排系统的发电计划、保证电力系统的安全稳定运行、降低备用容量和运行成本以及对电力市场进行有效管理等都具有重要意义。

(3)加强需求侧管理,改善负荷特性。随着风电并网规模增大,风电对电网负荷特性的影响加大,电网负荷峰谷差恶化。从改善负荷特性的角度看,应加强需求侧管理,根据风电出力情况对负荷进行控制,引导社会节约用电、合理用电,从而达优化负荷特性,提高电网调峰能力的目的,这也有利于提高全网的综合经济效益、提高电网运行的安全、稳定性。