计及CVaR的含光热电站的鲁棒机组组合模型.pdf

Smart Power智慧电力2023第51卷第10期Vol.51No.10新能源New Energy0引言以风能为主的可再生能源发电系统大规模并入电网时，虽然可增加环境效益，但同时也增强了系统运行的不确定性与调度决策的难度1-5。光热电站（Concentrated Solar Power，CSP）是一种包含大容 量 储 热 系 统（Thermal Energy Storage System，TESS）的新型发电技术，能够借助 TESS 存储太阳能发电场（Solar Field，SF）转换的热能，在负荷高峰时段供电，解决太阳能发电间歇性的问题。该技术虽然增加了系统中光-热-电能量转化运行的复杂性，但由于其可充分挖掘 CSP 的存储能力并有效提高能源消纳空间，使得 CSP 技术得到了快速的发展6-9。计及CVaR的含光热电站的鲁棒机组组合模型张玉敏1，吴福成1，张少梅2，吉兴全1，钟世民3，孙东磊4（1.山东科技大学 电气与自动化工程学院，山东 青岛266590；2.山东科技大学 电子信息工程学院，山东 青岛266590；3.国网山东青岛供电公司，山东 青岛266000；4.国网山东经济技术研究院，山东 济南250021）摘要：针对大规模可再生能源并网发电产生的不确定性问题，提出计及条件风险价值（CVaR）的含光热电站（CSP）的鲁棒机组组合模型。首先，建立了CSP机组持续且稳定供电的数学表达；然后，引入CVaR概念用于度量不确定风电给调度运行带来的风险损失，建立计及CVaR的含CSP的鲁棒机组组合模型，构造包含区间、时间和空间的多维不确定性集合，实现对风力发电的不确定性调节；最后，以IEEE 6节点和IEEE 118节点系统为例，验证了模型的有效性。关键词：机组组合；光热电站；条件风险价值；可再生能源；列与约束生成算法中图分类号：TM731文献标志码：A文章编号：2096-4145（2023）10-0062-08Robust Unit Commitment Model with Concentrating Solar PowerPlants Considering CVaRZHANG Yumin1，WU Fucheng1，ZHANG Shaomei2，JI Xingquan1，ZHONG Shimin3，SUN Donglei4（1.College of Electrical Engineering and Automation，Shandong University of Science and Technology，Qingdao266590，China；2.College of Electronic and Information Engineering，Shandong University of Science andTechnology，Qingdao 266590，China；3.State Grid Qingdao Power Supply Company，Qingdao 266000，China；4.Economic&Technology Research Institute，State Grid Shandong Electric Power Company，Jinan 250021，China）Abstract:Targeting the uncertainty in large-scale grid-connected renewable energy generation system，the paper proposes a robustunit commitment model with concentrating solar power（CSP）plants is proposed by considering conditional value at risk（CVaR）.Firstly，the mathematical expression of CSP units to continuously and steadily supply power is deduced.Secondly，the concept of CVaRis introduced to estimate the risk loss of dispatching operation brought by uncertain wind power，and a robust unit commitment modelwith CSP plants considering CVaR is established，constructing a multidimensional uncertainty set including interval，time，and space，and realizing the uncertainty adjustment for wind power generation.Finally，the efficiency of the proposed model is verified by using anIEEE 6-bus and IEEE 118-bus systems.Key words:unit commitment；CSP；CVaR；renewable energy；column and constraint generation algorithm基金项目：国家自然科学基金青年资助项目（52107111）；中国博士后面上基金资助项目（2023M734092）Project Supported by the National Natural Science Foundation of China（52107111）；China Postdoctoral Science Foundation（2023M734092）062智慧电力Smart Power2023第51卷第10期Vol.51No.10New Energy新能源目前，提升电力系统中可再生能源消纳水平的灵活性资源主要包括 CSP 的 TESS 以及储能系统（Energy Storage System，ESS）。部分学者针对可再生能源并网发电所造成的不确定性问题进行研究，一种以 ESS 接入系统提升可再生能源消纳水平为切入点，文献10-12搭建的含 ESS 的机组组合模型表明，ESS 的接入提升了系统的经济性，为可再生能源提供了消纳空间。文献13-14构建的 ESS 与可再生能源发电系统的调度模型表明，ESS 提升了系统对可再生能源的消纳能力。另一种以 CSP 接入系统促进可再生能源的消纳水平为切入点，文献15-18构建含 CSP 的机组组合经济调度模型，表明CSP 分担了常规机组的出力，提高了系统运行的灵活性。文献19搭建的 CSP 机组与火电机组联合出力调度模型表明，CSP 机组促进了可再生能源消纳的能力，具有较好的经济效益和发展潜力。然而，文献10-19的研究仅考虑了 CSP 和 ESS 单独运行时对可再生能源消纳能力与经济水平的促进作用，未考虑 CSP 与 ESS 协同运行对提升系统经济性与可再生能源消纳水平的影响。因此，亟需提出一种包含 CSP 与 ESS 的鲁棒调度模型。近年来，已有研究在调度决策过程中采用条件风险价值20-23（Conditional Value at Risk，CVaR）度量系统运行风险，通过提出一种计及 CVaR 的发电调度模型，度量系统调度过程中可再生能源产生的风险损失，但其调度过程未考虑 CSP 与 ESS 协同运行对系统灵活性的影响。据此，本文提出一种计及CVaR 的含 CSP 的鲁棒机组组合模型。推导了 CSP机组的数学模型，并将其嵌入到计及 CVaR 的含CSP 的鲁棒机组组合模型，同时采用分段线性化方法和列与约束生成（Column and Constraint Generation，C&CG）算法进行求解，降低了求解难度。算例分析表明，CSP 可以显著提升系统经济性和可再生能源的利用率。1含CSP的电网调度模型CSP 采用双罐储热方式并以熔融盐作为储热与传热介质，受集热方式、运行方式等因素的影响，各个环节中均会产生能量损失。其中，SF 吸收的太阳能与镜片面积、太阳辐射强度等有关，当光照射到镜面时一部分光会被反射或透过，导致部分光照浪费；热存储过程中熔融盐由冷罐流至热灌，放热过程中熔融盐由热灌流入冷罐，冷热罐交替以及使用会造成热量损失；发电部分在实现热-电能量转化时，由于能量转化器的材料特性会造成一部分热损失。CSP 主 要 由 SF、TESS 和 发 电 环 节（PowerGeneration Process，PGP）3 部分组成，CSP 的主要结构与能量流动如图 1 所示。图1CSP的主要结构与能量流动Fig.1Main structure and energy flow of CSP图 1 中，At为 t 时段太阳法向直接辐射指数，PSFhot,t为 t 时段 SF 吸收太阳能热功率，PPGPhot,t为t时段PGP 的热功率，PTESS,chahot,t，PTESS,dishot,t为t时段 TESS 的充热和放热功率，PCSPele,t为 t 时段 CSP 输出的电功率。由图 1 可知，SF 吸收反射太阳能再将其转换为热功率，实现光-热能量转换。所转换的热功率一部分随传热流体输送到 PGP，实现热-电能量转换；另一部分随传热流体存储到 TESS，依据系统的需求实现能量流动。CSP 的能量流动指 CSP 通过吸收太阳能热功率向系统提供电功率，同时借助 TESS 存储热功率的过程，因此 CSP 具有能量备用传递的功能。CSP的电网调度模型如式（1）式（3）所示。1）CSP 瞬时功率平衡约束为：PSFhot,t=SFlig-hotSSFAtPPGPhot,t=PSFhot,t-PTESS,chahot,t+PTESS,dishot,tPCSPele,t=nhot-elePPGhot,t（1）式中：SFlig-hot为 SF 的光-热转换效率；SSF为 SF 的面积；nhot-ele为热-电转换效率。2）TESS 充、放热约束为：TESS,chat+TESS,dist1，TESS,chat,TESS,dist0,10PTESS,chahot,tTESS,chatPTESS,chahot,max0PTESS,dishot,tTESS,distPTESS,dishot,max（2）式中：TESS,chat，TESS,dist分别为 t 时段 TESS 的充、放热状态；PTESS,chahot,max，PTESS,dishot,max分别为 TESS 的充、放热功率的上限。3）TESS 存储热量约束为：QTESSt=(1-TESS)QTESSt-1+TESS,chaPTESS,chahot,t-PTESS,dishot,t/TESS,disQTESSminQTESStQTESSmaxQTESSsta=QTESSend（3）063Smart Power智慧电力2023第51卷第10期Vol.51No.10新能源New Energy式中：QTESSt，QTESSt-1分别为 t 时段和 t-1 时段 TESS的存储热量；TESS，TESS,cha，TESS,dis分别为TESS的散热系数及热量充、放效率；QTESSmin，QTESSmax分别为TESS 存储热量允许的下限和上限；QTESSsta，QTESSend分别为调度周期始、末时段的存储热量。2计及CVaR的含CSP的鲁棒机组组合模型2.1条件风险价值若调度周期内风力发电超出可消纳边界，可能产生一定的运行风险。定义风电功率超出系统最大调节范围产生的平均损失为条件风险价值，设风电功率预测误差的概率密度函数服从正态分布，如图 2 所示。图2风电功率预测误差的概率密度函数Fig.2Probability density function of wind powerprediction error图 2 中，Pmaxwf,t，Pminwf,t，Pprewf,t分别为 t 时段风电场不确定区间的上、下边界与风电出力的预测值，Wmaxwf,t为风电场的最大装机容量，Pprewf,t为 t 时段风电场功率预测误差，(Pprewf,t)为 t 时段风电场功率预测误差的概率密度函数，其值为无量纲。如果风电场功率超出了系统接纳范围的上、下边界，需要采取弃风或切负荷措施，计算由弃风或切负荷所导致 CVaR 的值 R 为：R=t=1NTw=1Nwfrig,wfCVaRPmaxwf,t-Pprewf,tWmaxwf,t-Pprewf,t(Pprewf,t-Pmaxwf,t+Pprewf,t)(Pprewf,t)Pprewf,t+lef,wfCVaR-Pprewf,tPminwf,t-Pprewf,t(Pminwf,t-Pprewf,t-Pprewf,t)(Pprewf,t)Pprewf,t（4）Pprewf,t=w=1NwfPwf,t-w=1NwfPprewf,t（5）式中：NT，Nwf分别为时段和风电场的总数；w 为风电场的个数；Pwf,t为 t 时段风电场的实际功率；rig,wfCVaR，lef,wfCVaR分别为风电场右侧和左侧计算 CVaR的成本系数。由于式（4）中存在非线性积分表达，难以直接对其求解，故采用线性化方法处理式（4），详见文献24。2.2两阶段鲁棒优化模型2.2.1第1阶段鲁棒优化模型第 1 阶段鲁棒优化模型以机组的运行成本、系统运行风险成本以及启停成本之和最小为目标，其目标函数 F1为：F1=mint=1NTj=1NCSPCCSPuCSPt,j(1-uCSPt-1,j)+g=1NTPUTPU(PTPUt,g)+CTPUuTPUt,g(1-uTPUt,g)+e=1NESS(chaESSPchaESS,t+disESSPdisESS,t)+Kw=1Nwf(rigwf,t+lefwf,t)（6）式中：NTPU,NESS,NCSP分别为火电、ESS 和 CSP 机组的总数；e 为 ESS 机组的个数；CTPU，CCSP分别为火电机组和CSP机组的启动成本；uTPUt,g,uCSPt,j分别为 t时段第g个火电机组和第 j 个CSP机组的运行状态（0，1）变量（1 为运行，0 为停运）；uTPUt-1,g,uCSPt-1,j为 t-1时段第g个火电机组和第 j 个CSP机组的运行状态（0，1）变量；TPU(PTPUt,g)为t时段第g个火电机组的输出功率运行成本函数；chaESS,disESS分别为 ESS 充、放电成本系数；PdisESS,t,PchaESS,t分别为 t 时段 ESS 的充、放电功率；K 为惩罚系数；rigwf,t,lefwf,t分别为 t 时段右侧和左侧风电场所导致 CVaR 值。第 1 阶段鲁棒优化模型约束如式（7）式（17）所示。1）火电机组与CSP机组爬坡速率及输出功率约束为：uTPUt,gPminTPU,gPTPUt,guTPUt,gPmaxTPU,gPTPUt,g-PTPUt-1,gPmaxTPU,g(1-uTPUt-1,g)+vupTPU,guTPUt-1,gPTPUt-1,g-PTPUt,gPmaxTPU,g(1-uTPUt,g)+vdownTPU,guTPUt,g（7）uCSPt,jPminCSP,jPCSPt,juCSPt,jPmaxCSP,jPCSPt,j-PCSPt-1,jPmaxCSP,j(1-uCSPt-1,j)+vupCSP,juCSPt-1,jPCSPt-1,j-PCSPt,jPmaxCSP,j(1-uCSPt,j)+vdownCSP,juCSPt,j（8）式中：PCSPt,j为t时段第j个CSP机组的输出功率；PTPUt-1,g,PCSPt-1,j为 t-1 时段第g个火电机组和第 j 个CSP机组的功率；PmaxTPU,g,PminTPU,g分别为第g个火电机组功率最大、最小值；vupTPU,g,vdownTPU,g分别为第g个火电机组的向上变化速率和向下变化速率；PmaxCSP,j,PminCSP,j为第 j 个CSP机组允许的最大、最小输出功率；064智慧电力Smart Power2023第51卷第10期Vol.51No.10New Energy新能源vupCSP,j,vdownCSP,j为第j个CSP机组的向上变化速率和向下变化速率。2）火电机组与CSP机组最小开停机时间约束为：(Ton,staTPU,g-Ton,minTPU,g)(uTPUt-1,g-uTPUt,g)0(Toff,staTPU,g-Toff,minTPU,g)(uTPUt,g-uTPUt-1,g)0（9）(Ton,staCSP,j-Ton,minCSP,j)(uCSPt-1,j-uCSPt,j)0(Toff,staCSP,j-Toff,minCSP,j)(uCSPt,j-uCSPt-1,j)0（10）式中：Ton,staTPU,g，Toff,staTPU,g分别为第g个火电机组初始时段已开机、停机时段；Ton,minTPU,g,Toff,minTPU,g分别为第g个火电机组最小开机、最小停机时段；Ton,staCSP,j,Toff,staCSP,j分别为第j个CSP机组初始时段已开机、停机时段；Ton,minCSP,j,Toff,minCSP,j分别为第j个CSP机组最小开机、最小停机时段。3）节点功率及功率平衡约束为：g=1NTPUPTPUt,g+j=1NCSPPCSPt,j+w=1NwfPprewf,t+e=1NESS(PdisESS,t-PchaESS,t)=d=1NloadPt,dgiPTPUt,g+jiPCSPt,j+wiPprewf,t+ei(PdisESS,t-PchaESS,t)-diPt,d+i(,x)Pt,ix-i(x,)Pt,xi=0（11）式中：Nload为负荷总数；Pt,d为 t 时段负荷 d 的功率；Pt,ix,Pt,xi分别为 t 时段节点 i 到节点 x 和节点 x到节点 i 的输送功率；(x,)，(,x)分别为节点 x 为起始节点的集合以及节点 x 为终止节点的集合。4）线路容量约束为：Pt,ix=Bix(t,i-t,x)-PmaxixPt,ixPmaxix-180t,i180refb,t=0（12）式中：Pmaxix为节点 i 到节点 x 的输送功率上限；Bix为节点 i 到节点 x 的导纳；refb,t,t,i,t,x分别为t时段平衡节点、节点i与节点 x 的相位角。5）风险约束为：mint=1NTw=1Nwf(rigwf,t+lefwf,t)da0Pminwf,tPprewf,tPprewf,tPmaxwf,tWmaxwf（13）式中：da为日前风险目标门槛值。6）ESS 充、放电约束为：uchaESS,t，udisESS,t0,1uchaESS,t+udisESS,t1（14）0PchaESS,tuchaESS,tPcha,maxESS0PdisESS,tudisESS,tPdis,maxESS（15）式中：uchaESS,t，udisESS,t分别为 t 时段 ESS 处于充、放电的运行状态（0，1）变量（1 为运行，0 为停运）；Pcha,maxESS，Pdis,maxESS分别为 ESS 的最大充、放电功率。7）ESS 存储容量约束为：EESS,t=EESS,t-1+PchaESS,tchaESSt-PdisESS,t/disESStEminESSEESS,tEmaxESSEESS,sta=EESS,end（16）式中：EESS,t,EESS,t-1分别为ESS在t时段和t-1 时段存储电能；chaESS，disESS分别为ESS充、放电效率；EESS,sta,EESS,end,EmaxESS,EminESS分别为ESS初始时段电量值、最终时段电量值、存储能量的最大、最小值；t为时限级差，取值为 1 h。8）ESS 充、放电调控策略约束为：PchaESS,t-PdisESS,t(1-udisESS,t)Pcha,maxESSPdisESS,t-PchaESS,t(1-uchaESS,t)Pdis,maxESS（17）2.2.2第2阶段鲁棒优化模型第 2 阶段鲁棒优化模型目标函数 F2是在不确定集合中最坏情况下使弃风与切负荷的成本最小，其表达式为：F2=maxmint=1NT(d=1NloadloadPloadt,d+w=1Nwfwfwft,w)（18）式中：load,wf分别为第 2 阶段切负荷与风电场弃风的成本系数；Ploadt,d为第 2 阶段 t 时段第d个负荷的切负荷量；wft,w为第 2 阶段 t 时段第 w 个风电场的弃风量。第 2 阶段鲁棒优化模型约束如式（19）式（22）所示。1）风电不确定性集合约束为：Pwft,w=(Pmaxwf,t-Pprewf,t)ra,wft,w+(Pminwf,t-Pprewf,t)rz,wft,w+Pprewf,tt=1NT(ra,wft,w+rz,wft,w)SP,w=1Nwf(ra,wft,w+rz,wft,w)TI，ra,wft,w+rz,wft,w1,ra,wft,w,rz,wft,w0,1（19）式中：Pwft,w为第 2 阶段 t 时段第w个风电场出力的实际功率；ra,wft,w，rz,wft,w分别为时段 t 第 w 个风电场在不确定区间上边界 a 和下边界 z 的出力波动（0，1）变量；SP,TI分别为不确定集合在空间和时间上的不确定度参数，取值为常数。2）节点功率及功率平衡约束为：065Smart Power智慧电力2023第51卷第10期Vol.51No.10新能源New Energy g=1NTPUPTPUt,g+j=1NCSPPCSPt,j+w=1Nwf(Pwft,w-wft,w)+e=1NESS(PdisESS,t-PchaESS,t)=d=1Nload(Pt,d-Ploadt,d)giPTPUt,g+jiPCSPt,j+wi(Pwft,w-wft,w)+ei(PdisESS,t-PchaESS,t)+i(,x)Pt,ix-i(x,)Pt,xi=di(Pt,d-Ploadt,d)（20）3）切负荷量约束为：0Ploadt,dPt,d（21）4）弃风量约束以及为：0wft,wPwft,w（22）第 2 阶段约束还包括 CSP 内部约束式（1-3）、电力网约束式（7-8）、式（12）、式（15-17）。第 2 阶段的表达形式是max-min结构，不能像单层问题一样直接求解。所以本文利用对偶原理将内层最小化问题转换为对偶最大化问题，再与外层最大化问题合并成单层的最大化问题进行求解。通过上述线性转换后，模型变成混合整数线性规化问题，并采用改进的 C&CG 算法求解。3算例分析3.1IEEE 6节点系统算例本文以 6 节点系统为例，分析鲁棒调度模型的有效性。算例中选取时间和空间上的置信水平分别为TI=95%和SP=95%。所以 6 节点系统中不确定集合在时间和空间上的不确定度参数分别为TI1 和SP8。6 节点系统示意图如图 3 所示。其中，G1G3 为火电机组，wf 为风电场，L1L3为有功负荷设备，Line1Line7 为线路，模拟调度周期为 24 个时段。图3IEEE 6节点系统示意图Fig.3Schematic diagram of IEEE 6-node system由图 3 可知，在 IEEE 6 节点系统中，火电机组、风电场、CSP 机组、ESS 为主要的供电设备，通过实现参与调度的机组出力与负荷的平衡，以实现系统最优经济调度的目标。为分析 CSP 机组对系统的影响，构建 3 种鲁棒机组组合模型。模型 1：不考虑 CSP 和 ESS 的鲁棒机组组合；模型 2：仅考虑 ESS 的鲁棒机组组合；模型 3：考虑 CSP 和 ESS 的鲁棒机组组合。3.1.1调度结果分析为分析 CSP 对系统运行经济性的影响，对不同模型进行分析，得到 3 种模型的 6 节点系统调度成本如表 1 所示。表13种模型的6节点系统调度成本Table 16-node system scheduling costs of threemodels$项目运行成本风险成本启动成本总成本模型195 075.22132 301.48433.83227 810.53模型290 744.74121 696.39403.83212 844.95模型362 319.7359 663.9030.00122 013.64由表 1 可知，模型 3 的运行成本较模型 1 和模型 2 分别降低了 34.45%和 31.32%，启动成本较模型 1 和模型 2 分别降低了 93.1%和 92.5%，表明引入 CSP 之后大幅减轻了火电机组的运行压力、启停次数，有效提升了系统的运行经济性。模型 3 风险成本较模型 1 和模型 2 分别降低了 54.9%和50.9%，模型 3 总成本较模型 1 和模型 2 降低了46.4%和 42.6%，表明 CSP 机组与 ESS 协同运行有效促进了可再生能源的消纳，提升了系统运行经济性。3.1.2CSP参与调度的机组出力及TESS特性为验证 CSP 机组出力提供灵活性的能力，本节通过对模型 3 优化结果进行分析，结果如图 4 所示。由图 4 可知，图 4（a）中利用 TESS 大量存储SF 转换的光热功率，逐渐减少 CSP 机组出力，达到让风电出力，减少弃风量，降低系统调度成本的目的。图 4（b）中 CSP 初始储存热量较高，在 1:005:00 时 CSP 机组利用初始热量发电，以减轻机组负担。10:00 之后光照充足，SF 转换的热功率一部分用于负荷供电，另一部分存储到 TESS 用于夜间发电。17:00 之后光照强度较小且逐渐为 0，CSP 释放存储的热能继续出力，一方面保证了 TESS 始末热量相等，另一方面满足负荷需求并维持系统平衡。CSP 机组结合 TESS 灵活出力，显著地减少了火电机组的运行时间，减轻负荷高峰时段火电机组供电的压力。066智慧电力Smart Power2023第51卷第10期Vol.51No.10New Energy新能源3.1.3机组组合结果分析为分析机组组合受 CSP 的影响，对 3 种模型进行分析，得到模型机组组合决策结果如表 2 所示。其中，1 表示开机，0 表示停机。表2机组组合决策结果Table 2Decision results of UC时刻1:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00模型1G1G2G3111111111111111111111111000000001111111111111100000000101111111111111100模型2G1G2G3111111111111111111111111000000000000000011110000000000001111111111111110模型3G1 G2 G3111111111111111111111111000000000000000000000000000000000000000001111000CSP机组111111111111111111111100由表 2 可知，3 种模型中最经济的火电机组G1在调度周期始终保持运行状态。模型 1 中，成本较高的火电机组G2在高峰负荷时段供能，这是由于模型 1 不含 ESS 与 CSP，无功率存储部分，灵活性较差。模型 2 中，ESS 参与系统供电，支撑电负荷需求，使得经济性最差的火电机组 G2 在 9:0016:00与 21:0022:00 退出运行，仅在高峰负荷 17:0020:00 时段投入运行，从而节省了系统运行成本。相比于模型 1 和模型 2，模型 3 中进一步考虑了CSP 机组，实现了光能、热能与电能的转换，缓解了火电机组的供电压力，使机组 G2 在调度周期内始终停机，机组 G3 只在负荷高峰 18:0021:00 时处于运行状态。这是由于 CSP 可借助 TESS 在电负荷高峰转化电能以满足电负荷需求，从而使成本较高的 G2 始终保持停机状态，使 G3 减少启动时间，通过减少机组运行时间达到缓解机组供电压力的目的，进一步提升了系统经济性。综上，说明同时考虑 ESS 与 CSP 可减少机组启动次数、缩短火电机组运行时间。3.1.4不确定度参数的保守性分析为分析 CSP 参与系统调度对模型保守性的影响，对模型 2 和模型 3 进行对比分析。通过对SP进行调控，可实现模型鲁棒性与保守性的调节，当固定TI=1 时，不同SP下的调度成本如表 3 所示。表3不同SP下的调度成本Table 3Scheduling costs with differentSP$模型模型2模型3成本运行成本风险成本运行成本风险成本SP=890 744.74121 696.3962 319.7359 663.90SP=1695 018.3099 627.0562 744.183 644.43SP=2496 059.0474 343.3563 759.452 772.70由表 3 可知，随着SP的增加，模型的风险成本降低、运行成本增加。相比SP=8，在SP=16 和SP=24 时，模型 2 的风险成本分别降低了 18.13%和 38.91%，模型 3 的风险成本分别降低了 93.89%和 95.35%。表明 CSP 的加入有效提高了风电消纳水平。3.1.5灵活性不确定集和消纳边界为验证本文所建不确定性集合的边界是通过权衡风险损失与机组成本优化决策后所得，可有效提高对可再生能源的消纳能力，将模型 3 决策所得的不确定性集合的消纳边界与文献25中传统鲁棒优化方法直接给定不确定性集合的消纳边界进行对比，得到不同模型风电功率的上下边界如图 5所示。图4模型3优化结果Fig.4Optimized results of model 3067Smart Power智慧电力2023第51卷第10期Vol.51No.10新能源New Energy图5不同模型风电功率的接纳范围Fig.5Wind power consumption range of differentmodels由图 5 可知，置信带上下 2 部分曲线分别代表风电消纳的上下边界，相比文献25给定的上下边界，本文所提模型 3 在多数时间段内的上下边界变动幅度较小，如在 1:006:00 和 12:0015:00 等。结果表明，通过灵活调节可再生能源消纳边界可减少系统运行风险。3.2IEEE 118节点系统算例IEEE 118 节点系统有 3 个 TESS、3 台 CSP 机组、3 个风电场、3 个 ESS、53 台火电机组，模型 1模型 3 在 CSP 参与调度的机组出力及 TESS 特性、机组组合结果分析、灵活性不确定集和消纳边界的研究与 6 节点系统类似，因此不在赘述。选取 IEEE118 节点系统的调度结果与不确定度参数的保守性进行分析，进一步证明 CSP 的经济效益与促进可再生能源方面的优势，验证了模型和方法的有效性。3.2.1调度结果分析3 种模型的 118 节点系统调度成本如表 4 所示。表43种模型的118节点系统调度成本Table 4118-node system scheduling costs ofthree models$项目运行成本风险成本总成本模型1755 249.58263 513.701 019 648.27模型2755 103.12170 160.66925 708.78模型3707 703.72148 918.00857 281.72由表 4 可知，模型 2 较模型 1 的运行成本、风险 成 本 和 总 成 本 分 别 下 降 了 0.02%、35.4%和9.2%。模型 3 的运行成本、风险成本和总成本在模型 1 的基础上分别下降了 6.3%、43.5%和 15.9%。这是由于 CSP 机组可通过 TESS 灵活调整出力，降低系统的运行成本、风险成本与总成本，极大地提高系统经济性。3.2.2不确定度参数的保守性分析为进一步验证不确定度参数对系统保守性的影响，得到不确定度参数组合下的调度成本如表5所示。表5不确定度参数组合下的调度成本Table 5Scheduling costs under uncertainty parametercombinations$模型模型2模型3不确定度参数TI=1TI=3TI=1TI=3SP=8SP=16SP=24SP=8SP=16SP=24SP=8SP=16SP=24SP=8SP=16SP=24运行成本755 103.12757 478.98760 776.16754 708.55755 972.71760 106.86707 703.72708 376.01710 762.73707 669.04707 807.47708 467.90风险成本170 160.66160 607.20121 219.68196 427.16172 012.97139 276.60148 918.0050 347.4714 179.98149 493.0260 639.5423 669.39总成本925 708.78919 289.17883 829.85952 020.70929 029.67900 938.46857 281.72759 433.48726 071.71857 822.05769 107.01732 797.29由表 5 可知，在固定不确定度参数TI时，随着SP的增加，运行成本增加，风险成本和总成本降低；在固定不确定度参数SP时，随着不确定度参数TI的逐渐增加，运行成本降低，风险成本和总成本趋于增加。相比于模型 2，添加 CSP 机组的模型 3 在不确定度参数TI不变时，总成本与风险成本随着不确定参数SP的增加而降幅明显增大，表明 CSP 借助储热系统的灵活性为电力系统提供了能源优化空间，提升了系统经济性，降低了调度结果的保守性。4结论本文通过分析 CSP 的存储特性，提出一种计及CVaR 的含 CSP 的鲁棒机组组合模型。通过算例分析证明了模型有效性，并得出如下结论：1）CSP 结合 ESS 可充分挖掘系统的灵活性潜力，缓解火电机组的供电压力以及提高经济性。2）模型中风电不确定集合的边界是决策所得，通过灵活调整不确定性集合的消纳边界，可避免传统鲁棒调度结果的保守性。本文所提模型并未考虑 CSP 供给灵活性的详细模型，将在后续研究中进一步完善模型。参考文献1吉兴全，刘健，张玉敏，等.计及运行灵活性约束的综合能源系统优化调度J.电力系统自动化，2022，46（16）:84-94.JIXingquan，LIUJian，ZHANGYumin，etal.Optimaldispatching of integrated energy system considering operationflexibility constraintsJ.Automation of Electric Power Systems，2022，46（16）:84-94.2YANG J，ZHAO J，WEN F，et al.A model of customizingelectricity retail prices based on load profile clustering analysisJ.IEEE Transactions on Smart Grid，2018，10（3）:3374-3386.068智慧电力Smart Power2023第51卷第10期Vol.51No.10New Energy新能源3饶成成.大数据下分布式风电光伏储能容量配置方法J.电子设计工程，2022，30（5）:118-121，126.RAO Chen