图1 灵活性资源可调度性示意图
Fig.1 Schematic diagram of flexible resource schedulability
摘要 随着高比例新能源接入电网，系统在安全、可靠性等方面面临着新的挑战，通过改进日内平衡资源配置方案增加系统调度的运行灵活性的相关研究受到广泛关注。该文在日前既有调度方案的基础上，在日内2h尺度确定快机开停机及各类灵活性资源的出力、灵活性预留结果，并关注灵活性预留的可调度性，建立场景覆盖指数以评价该备用配置方案在实时时间尺度系统可响应量。基于此构建计及日内爬坡场景覆盖的高比例新能源电网日内平衡策略。算例结果说明该文提出的日内平衡策略由于更精确地计及了机组爬坡特性，而使得系统灵活性资源的预留具备可量测性，提高了系统的灵活性水平，减少了弃风/切负荷事件的发生概率。
关键词：灵活性 源荷互动 日内优化 高比例新能源
随着新能源大规模接入电网，电网的不确定性逐渐从负荷单侧转变为源、荷双向不确定性。传统调度模型在优化目标函数中考虑弃风、切负荷最小[1-2]，其结果可能是系统为应对不确定性不计代价地预留尽可能多的灵活性资源，这种粗放式的调度模式不仅带来昂贵的运行成本[3]，且随着更多新能源装机和燃煤机组的退役，可调度的灵活性电源日益减少，使得该方法难以为继[4]。因此系统调度应该具备对于灵活性资源提供运营所需灵活性大小的度量能力，从而实现灵活性资源调度的精打细算。另一方面，需求侧资源的快速发展使得系统灵活性资源变得更加多样化[5-6]。在此背景下，研究面向源荷互动的优化调度策略，以实现系统稀缺的灵活性资源用在刀刃上[7-8]。
近年来众多学者在优化调度模型中考虑灵活性需求，增加系统运行灵活性。部分学者应用确定性模型[9]，在模型中添加灵活性需求最小值约束，从而满足一定范围内的系统不确定性[10]，美国加州电力市场（California Independent System Operator, CAISO）和美国中西部电力市场（Midcontinent Independent System Operator, MISO）已将该调度模型应用于实际中[11-12]。文献[13]提出时段耦合的多时间段调度方法，在调用灵活性资源之前先进行容量预留。文献[14]通过考虑更加严格的灵活性资源爬坡约束，有效地提高了系统的运行灵活性。有些学者以灵活性评价指标为约束，确保调度结果满足灵活性需求，文献[15]从灵活性供需平衡的角度提出了电源灵活性裕度指标及其定量计算方法。文献[16]以配电网为背景，建立考虑灵活性指标约束的多目标优化问题。文献[17]提出灵活性不足率指标评估孤岛型微电网的运行灵活性。除了确定型模型外，部分学者通过随机规划将不确定性考虑到灵活性调度的问题中，文献[18]建立最小机组运行成本和灵活性需求之间的联系，从而解决满足给定失负荷概率风险值约束的经济调度问题。此外，鲁棒优化模型计及极端场景下的新能源不确定性场景，对新能源消纳具有积极作用，在灵活性优化调度中也被广泛使用[19-20]。文献[21]计及灵活性资源可传输性，提出了可传输的鲁棒灵活性产品。文献[22]提出利用分布鲁棒优化方法并计及风险建立了两阶段灵活性优化调度模型。
综上所述，目前众多学者对增加系统运行灵活性调度策略进行了一定的研究，主要关注灵活性容量预留上，较少关注灵活性资源的爬坡响应特性，即在实际调度时其可调度性。常规备用配置模型仅考虑单时段不确定性的影响[23-24]；CAISO在其调度模型中关注了爬坡响应特性，添加了时段间的爬坡约束[12]。文献[14]在日前进行备用配置时，考虑了机组备用爬坡的极端场景，爬坡约束更为严格，优化调度结果能够应对不确定性置信区间内的任一出力结果，但是其应用在日内及实时时间尺度的鲁棒性较强，成本较高。
以上方法主要基于修改灵活性备用配置的爬坡约束，增加系统响应灵活性需求的能力，但是没有着眼于研究爬坡约束严格程度与系统灵活性可调度性之间的联系，同时缺乏量化灵活性备用可调度性大小的评价指标。针对这一问题，本文提出场景覆盖指数评价指标，计算系统基于已知灵活性备用配置结果的可覆盖的不确定性场景集与目标覆盖场景集的比值，即可应对的随机场景比例，准确描绘灵活性备用配置结果的可调度性大小。进一步建立计及场景覆盖指数与需求侧参与的日内灵活性资源平衡策略研究，该调度策略能够根据决策者的风险偏好进行相应的优化调度策略调整。基于算例探讨了灵活性资源可响应特性与系统优化调度策略及结果之间的联系。
在高比例新能源电网调度过程中，由于新能源及负荷具有预测偏差，通常会根据当前调度时刻的预测不确定性为后一时间段进行一定的灵活性预留。本文主要着眼于日内2h前的备用预留和实时实际调度的时间尺度。图1a中实线即为各时刻日内2h前所预留的灵活性资源，实线所围成的黑色区域构成预留灵活性资源目标所覆盖的不确定性场景集。
在实际调度中，各灵活性资源的优化调度需考虑时段间爬坡耦合约束的影响，即灵活性资源是否具有足够的爬坡能力提供相应的灵活性备用。图1b中的A0、C0点和A1、C1点分别为系统在日内2h前调度时在T0、T1时刻所预留的向上、向下灵活性备用量，B0、B1点为系统在日内2h前在T0、T1时刻预测净负荷。灵活性资源可调度性考虑的是在实际调度中，如果T0时刻灵活性资源调用了向下灵活性备用，系统总出力在图1b中C0点，是否具有足够的爬坡能力使得T1时刻系统可以调用预留的全部向上备用，从而系统总出力可以在A1点。实际上，若T0时刻系统总出力在C0点，则由C0点到A1′点恰好构成系统的爬坡极端场景（白色箭头），即所有机组按自身最大爬坡速率爬坡，在T1时刻系统仅能达到A1′点。因此由于机组爬坡能力不足，即使系统在日内预调度预留了备用，系统也无法实时调用备用应对系统不确定性，从而得到系统预留灵活性资源受制于爬坡速率实际可覆盖的场景集如图1b中灰色区域所示。
图1 灵活性资源可调度性示意图
Fig.1 Schematic diagram of flexible resource schedulability
假定系统在日内2h根据不确定性进行容量预留，决定日内开停机计划，在实时调度时仅能通过调用备用改变出力，不能开启新的机组。如日内2h前预测T0、T1时刻净负荷分别为60MW、90MW，净负荷预测不确定性设置为净负荷的10%，T0与T1时刻间隔为15min，而净负荷在T0与T1时刻的实际值为55MW、95MW。机组A、B的爬坡速率均为2MW/min，出力成本分别为10$/MW、20$/MW，备用预留成本设置为出力成本的一半，以总成本最小化为优化目标，优化结果如图2所示，其中T0时刻在日内2h前预调度和实时调度结果均为已知量。
在日内2h前预调度中，由于机组A运行成本较低，T1时刻仅需开启机组A即可完成能量与备用的出清。面对预测与实际净负荷的偏差，在实时调度时，机组A在时刻T0调用5MW（60MW-55MW=5MW）向下备用，在T1时刻调用5MW（95MW-90MW=5MW）的向上备用。但受机组爬坡速率限制，机组A在日内2h出清时，T0、T1时刻的出力分别为60MW、90MW，两时刻间的主能量爬坡已经达到机组A的向上爬坡极限。若机组A在T0时刻调用向下备用，则其已经没有爬坡余量可调用T1时刻的向上备用（15MW×2MW= 30MW，小于95MW-55MW=40MW的实际爬坡需求）。因此最终系统在时刻T1产生10MW切负荷。
图2 不计灵活性资源可调度性调度结果
Fig.2 Scheduling results regardless of considering flexible resource schedulability
若在日内2h前预调度中考虑灵活性资源的可调度性，在备用配置时添加机组在任一出力下能够调用下一时刻任意备用的爬坡约束限制，即需满足备用调用的的极端场景。优化结果如图3所示。此时为满足灵活性资源可调度性的约束，系统启动机组B以提供额外的灵活性。最终实时调度结果如图3所示，机组B在T1时刻调用5MW向上备用，不会导致任何的弃风、切负荷现象。计及灵活性资源的可调度性后，系统在考虑相同容量备用预留时，需要开启更多的机组以提供机组爬坡能力，付出更高的运行成本，但是在某些极端场景下灵活性资源更高的可调度性为系统的安全可靠提供了有力的保障。因此当系统预见到未来场景的净负荷偏移时，应提前考虑容量预留和爬坡能力实现两个方面，从而避免在可预见的情况下由于缺乏必要的灵活性调控手段，切风/负荷等事件的发生。
图3 计及灵活性资源可调度性调度结果
Fig.3 Scheduling results of considering the flexible resource schedulability
本文着力于分析灵活性资源的可调度性能力，并提出对评价指标进行量化。时刻t某个灵活性资源的可调度性主要受制于自身的爬坡速率，这些资源的可调度性进而构成系统内的可响应灵活性需求。本文用各时刻系统所能实际应对的不确定性场景集描绘可调度性，后文简称为灵活性资源可覆盖场景集。本文借鉴文献[25]中结合鲁棒思想、在极端场景描绘灵活性的方法，提出场景覆盖指数，描绘系统在不同备用配置方案下时间段内响应灵活性需求的能力，其定义为：爬坡场景覆盖指数（Scenario Coverage Index, SCI）为实时系统在备用调用极端场景下的可覆盖场景与日内2h预留向上/下灵活性容量目标覆盖场景的比值。
这里的备用调用极端场景指的是考虑了实时净负荷出力剧烈波动，所有机组在时刻间均以最大爬坡速率爬坡调用备用的极端场景，即在前一时刻调用了向上/向下备用后，紧接着以最大速率爬坡并在下一时刻调用向下/向上备用。在该调度场景下，待评价的备用配置方案所能实际覆盖的最大不确定性场景集是衡量不同备用配置方案可响应灵活性需求大小的标准。
爬坡场景覆盖指数示意图如图4所示，SCI即灰色区域面积相对于黑色区域面积的占比。实时在备用调用极端场景下的可覆盖场景是以各时刻机组可调度上/下限（Real Time unit Scheduling Responsive Upper/Lower Limit, RT SRU/SRL）（点划线）为边界所得到的包络面。日内2h预留向上/下灵活性容量目标覆盖场景为以系统各时刻预留灵活性资源所期望覆盖的场景，对应到图4为以日内2h预留向上/下灵活性容量上限（2h Flexible Reserve Up/Down Capacity, 2h FRU/FRD）（实线）为边界所得到的包络面，即黑色区域的面积。当系统灵活性资源足够充裕且灵活性资源配置合理时，上述两个覆盖场景相同，场景覆盖指数为1。
图4 爬坡场景覆盖指数示意图
Fig.4 Schematic diagram of scenario coverage index
场景覆盖指数评价指标的计算是基于已知的灵活性资源出力水平与灵活性资源预留情况进行的，属于事后评价。通过预调度，计算当前备用配置结果相较于目标覆盖场景的SCI，得到当前调度结果可响应的极限场景。该评价指标可适用于不同的时间尺度，能较好地描绘各时间尺度下灵活性可调度特性之间的联系，即前一时间段备用预留与后一时间段调度之间的关系，前一时间段一般指日前或日内，在本文中侧重日内2h前预留和实时调度之间的关系度量。
本文在日内调度模型中计及SCI，从而增加灵活性备用的可调度性，更好地增强系统运行的灵活性和调度结果的鲁棒性，实现系统稀缺的灵活性资源用在刀刃上。本文基于文献[24]的模型构建计及SCI的灵活性调度模型，该调度模型由两部分组成，分别为2.1节的日内调度模型与2.2节的场景覆盖指数计算模型。调度模型的目标函数为所得的备用配置方案在接近且大于
的前提下的经济成本最低，引入惩罚系数
，表征调度结果的SCI与之间偏差的重视程度，在这里为体现SCI的重要性，将惩罚系数
设置为无穷大（实际编程建模设置为106）。其中SCI的评价指标是基于鲁棒的思想建立的，即考虑灵活性备用实际可调度性时，不需要遍历每一种备用调用场景，仅需考虑备用调用的极端场景。模型目标函数为
（1）
式中，
为灵活性资源的运行总费用；为惩罚系数；F为上、下备用的调用场景。
2.1节的日内调度模型是基于日前优化调度结果进行的。日前优化以运行成本最小化为优化目标得到传统慢机组（后文简称慢机）出力及各灵活性资源的灵活性备用出力。在日内调度阶段，基于已知日前优化调度结果、日内灵活性需求，确定慢机出力调整量，快速启动机组（后文简称为快机）启停、出力，激励型需求响应（Incentive-based Demand Response, IDR）的出力和各类灵活性资源的灵活性备用出力。在日内2h前，每15min完成一次滚动优化调度，优化时间尺度为2h。本文所建立的SCI指标主要描绘在已知系统不确定性，系统调度结果的可调度性，因此将灵活性需求作为已知量进行出力。2.2节为场景覆盖指数的计算模型，场景覆盖指数计算是基于2.1节的日内灵活性调度模型的结果，即已知的机组出力及灵活性备用配置结果。其调度框架如图5所示。
图5 计及场景覆盖指数与需求侧参与的灵活性资源调度框架
Fig.5 Flexible resource scheduling framework considering SCI
本文所考虑的新能源主要为风电，但模型同样适用于具有不确定性的各类新能源。距离实际运行时间越近，日内净负荷预测误差更小，优化间隔更短，在该时间尺度考虑灵活性爬坡将更加有效，目前MISO[26]等调度机构对灵活性爬坡的考虑也主要在日内时间尺度，且日内对于系统调度结果的可靠性要求更高，因此日内优化调度结果较运行成本应更加看重结果的灵活性。综上所述，本文在日内建立考虑SCI的灵活性调度模型，并选取典型日内优化间隔2h进行分析。
本文的日内灵活性资源调度是基于日前优化调度结果进行的，因此目标函数为调整成本最小，模型中日前优化结果均为已知量。而模型的约束条件主要包括系统功率平衡约束、日前灵活性备用的调用约束、日内灵活性配置约束及场景覆盖指数约束。
2.1.1 目标函数
目标函数为灵活性资源的运行总费用最小，包括日前所预留灵活性备用的调用成本，快机的运行成本及启动成本，IDR的运行成本，日内灵活性备用配置成本及日内弃风、切负荷、灵活性不足的惩罚成本最小。
（2）
式中，
为日前灵活性备用日内调用成本；
、
分别为日内快机的运行成本及启动成本；
为日内灵活性备用配置成本；
为日内惩罚成本。
2.1.2 约束条件
1）系统功率平衡约束
（3）
式中，
为慢机i在t时刻调用灵活性备用资源后的调整出力；
为快机k在t时刻的出力；
为IDRj在
时刻的出力；
为净负荷在时刻的出力；
、
为时刻的切负荷、弃风变量；
、
和
分别为慢机、快机、IDR数量。
2）日前慢机机组、IDR灵活性资源调用约束
（4）
（5）
式中，
、
分别为日前慢机i在t时刻预留的向上、向下灵活性备用；
为慢机i在t时刻的出力改变量；
、
分别为IDRj日前为t时刻预留的向上、向下灵活性备用。
3）慢机、快机运行约束
主要包括机组出力约束、爬坡约束、启停约束，在此不再赘述。
4）灵活性资源配置平衡约束
（6）
（7）
式中，
、
分别为慢机i在t时刻日内灵活性备用出力；
分别为快机k在t时刻日内灵活性备用出力；
分别为IDRj在t时刻日内IDR灵活性备用出力；
分别为
时刻系统向上、向下灵活性需求；
、
分别为时刻系统向上、下灵活性备用不足量。
5）传统慢机灵活性备用配置约束
（8）
（9）
（10）
（11）
式中，rampi为慢机i的爬坡速率，MW/min；T为日内的优化间隔，在这里为15min；
、
分别为慢机i的最大、最小技术出力，MW。
6）IDR灵活性备用配置约束
（12）
（13）
（14）
式中，
为IDR
的爬坡速率；
分别为IDRj在t时刻向上、向下提供灵活性备用的状态变量；NT为日内优化调度时间。
7）快机灵活性备用配置约束
（15）
（16）
（17）
（18）
式中，rampk为快机k的爬坡速率；
、
分别为快机k的最大、最小技术出力。
场景覆盖指数是基于已知机组出力水平与灵活性备用资源分配结果进行计算所得，属于事后评价。对于单时段的场景覆盖指数可以直接计算所得，而对于整个时间段内场景覆盖指数，由于无法知晓后一时段的机组具体出力，无法计算机组的可调度上、下限，因此对时间段的系统场景覆盖指数用常规方法难以计算。因此本文以时间段内备用配置方案的可覆盖场景所构成包络面的最大值与目标覆盖场景包络面的面积的比值作为场景覆盖指数。
综上所述，本文建立SCI计算模型的思想是，基于鲁棒的理念，以在备用调用极端场景下备用配置方案可覆盖场景与目标覆盖面积比值的最大值，作为调度结果可调度性的评价标准，因此SCI最大为计算模型的优化目标。由于本文所考虑的灵活性调度模型为确定型模型，目标覆盖场景的面积本质上为常数，因此所需要考虑的SCI最大主要考虑的是各时刻系统SRU/SRL的总和最大。为与常规鲁棒优化模型目标模型保持一致，本文目标函数的数学模型为1-SCI最小。需要注意的是，这里备用调用极端场景具体体现为式（25）对灵活性资源可调用出力的严格的爬坡约束，各时段灵活性资源调用向上、向下灵活性备用需满足爬坡速率的限制。其他约束条件包括：某一时刻系统SRU/SRL等于该时刻系统所有灵活性资源的可调用备用量，其受制于灵活性资源自身的爬坡速率及时段间的该资源的向上、下灵活性备用出力。此外，某一灵活性资源的在时刻t可调用出力的上限为系统日内2h预调度根据灵活性需求所分配的备用预留结果，因此各灵活性资源的可调用备用量应小于备用出力上限。
综上所述，本文建立以系统场景覆盖指数SCI最大为优化目标，满足可响应能力限制、灵活性资源备用出力上限等约束条件的评价模型。该模型可以评价各时间尺度调度结果在后一时间尺度下的指标，本文着力于衡量日内2h前预留在实时调度的可调度性，其数学模型如下。
2.2.1 目标函数
（19）
（20）
式中，SCCS为实时灵活性资源实际可覆盖面积，即系统RT SRU/SRL构成的包络面面积；STCS为日内2h 灵活性资源预留目标覆盖面积，即系统2h FRU/FRD所构成的包络面面积。
（21）
（22）
式中，
、
分别为t时刻RT SRU/SRL；
、
分别为t时刻2h FRU/FRD。
2.2.2 约束条件
（23）
（24）
式中，
，代表慢机、快机、IDR等灵活性资源的集合；
、
分别为时刻t灵活性资源r的可调用向上、下灵活性备用出力；Nr为灵活性资源的集合。
（25）
式中，rampr为灵活性资源的爬坡速率；Pr,t为时刻t灵活性资源r可调用的出力。
（26）
（27）
式中，
、
分别为时刻t灵活性资源r分配的向上、向下灵活性备用出力上限。
2.2.3 运行模拟模型
基于上述日内2h前优化调度模型结果，本文利用实时运行模拟模型检验日内2h优化调度灵活性备用配置的可行性。假设风电、负荷预测误差均满足正态分布，依据一天内各时段净负荷的预测值与预测误差，采用蒙特卡洛算法生成若干种实时实际风电、负荷出力场景，得到净负荷场景集合为
（28）
式中，NLf(n)为第n次抽样净负荷场景，其中包括了2h、8h的净负荷实际出力；NM为抽样总次数。
针对蒙特卡洛模拟第n次抽样状态，根据已得的日内2h优化调度，备用配置结果，计算系统弃风、切负荷，即系统上、下爬坡能力不足。以风电出力场景下上、下爬坡不足期望作为系统响应灵活性需求能力的评估结果，该值可以反映系统响应灵活性需求的平均能力[27]。
（29）
式中，
、
分别为系统上、下爬坡能力不足期望；
、
分别为第n次抽样的运行模拟的切负荷、弃风值。
本文的调度模型要求调度结果的SCI需接近且大于，而在SCI的计算中涉及优化，模型是双层模型，为非线性问题。因此拟采用粒子群算法对模型进行求解[28]。但该模型求解变量多，不仅有各灵活性资源的出力决策变量还有灵活性备用出力决策变量，粒子维数大，且智能算法易陷入局部最优。因此考虑减少变量数量，增加模型的可解性。
相关研究表明系统上、下爬坡约束的严格程度将改变备用的配置方案，进而影响系统的运行灵活性[13]。机组爬坡场景示意图如图6所示。当上、下爬坡耦合系数
、
取1时，灵活性备用配置结果满足备用调用极端场景的要求；取0时即调度结果不考虑灵活性备用配置结果的可调度性。
图6 上、下爬坡场景示意图
Fig.6 Schematic diagram of ramping up and down
本文在灵活性资源调度模型增加考虑两个带有爬坡耦合系数的爬坡约束，粒子群的粒子维数被转换为上、下两个爬坡耦合系数变量，通过优化爬坡耦合系数，影响灵活性资源备用配置结果的SCI大小，从而降低粒子群寻优复杂度。并进一步将优化耦合系数转换为离散变量，降低粒子群的寻优空间。上、下爬坡约束的严格程度与备用可调度性之间存在正相关的关系，随着二维变量上、下爬坡耦合系数的增加，系统备用的可调度性将增加。模型的凸性较好，容易找到全局最优解。模型求解方法由粒子群求解转换为粒子群优化爬坡耦合系数，CPLEX软件包求解带爬坡耦合系数的灵活性资源调度模型。模型转换及求解思路如图7所示。
增加的爬坡约束为
（30）
（31）
式中，
分别为上、下爬坡耦合系数。
模型求解流程如图8所示。首先进行日前优化调度，优化调度结果作为已知量输入到日内2h前，日内2h每15min优化一次，优化时间尺度为2h。然后初始化粒子中的变量，即上、下爬坡耦合系数。此外，本文考虑的是灵活性资源可调度性对于调度结果的影响，而非机组向上、向下爬坡约束不同造成的影响。因此本文设计向上、向下爬坡耦合系数取值相同。基于初始爬坡耦合系数，进行日内优化及备用方案配置，计算日内调整成本、SCI。为保障调度结果，SCI＞，在式（1）的基础上添加SCI＜的惩罚项作为粒子群的适应度函数评价粒子的适应度，再更新粒子的位置和速度，同修正上、下爬坡耦合系数，直到满足求解终止条件。
图7 模型转换及求解示意图
Fig.7 Schematic diagram of model conversion and solution
图8 模型求解流程
Fig.8 Model solving process
在得到日内2h前优化调度结果后，将已得调度结果及灵活性备用配置结果输入到运行检验模型中，计算当前调度结果的上、下爬坡不足量。
本文采用改进的6节点机组作为测试系统对所提出的调度模型进行验证，系统包括3台慢机、3台快机和1个风电场，快机和慢机的主要区分依据为最小开停机时间和爬坡速率。
由于日前、日内调度阶段风电、负荷曲线的预测误差依次递减，其预测误差满足正态分布。假设日内预测误差概率分布的方差为日前预测误差0.5倍，日前日内各时刻需应对的灵活性需求设置为净负荷不确定性概率分布95%置信度对应的出力偏差。日前机组出力结果如图9所示。
图9 日前机组出力结果
Fig.9 Day-ahead unit output results
设计以下三种调度情景：情景1——调度策略仅考虑日内2h预留向上/下灵活性容量，未计及SCI；情景2——调度策略不仅考虑日内2h预留向上/下灵活性容量，而且SCI＞0.8；情景3——在情景2的基础上，增加需求响应作为灵活性资源。通过情景1和情景2的对比分析计及SCI对调度结果的影响，通过情景2和情景3的对比分析日内IDR作为灵活性资源参与调度，对于提供相同SCI下调度成本的影响。
为了验证在不同风电情形和基础负荷下调度模型的效果，在一天中三个不同时段（早间、午间及晚间），分析以上三种情景预留灵活性备用的异同。由于风电具有反调峰特性，因此早间时段和晚间时段的风电出力大，不确定性高，灵活性需求高，而午间时段的风电出力较小，不确定小。除此之外，由于用户的用电特性，午间时段和晚间时段基础负荷高。三个时段风电出力占比分别为28%、8%、18%，风电、负荷出力如图10所示。虽然本文算例仅选取了一天中三个时段进行分析，但通过滚动优化可以得到一天的灵活性调度结果。
图10 日内风电、负荷出力结果
Fig.10 Intra-day load and wind power forecast data
4.1.1 SCI约束对系统调度结果影响分析
在日内2h前进行机组调度和备用预留，情景1和情景2下SCI计算结果和运行成本见表1，这里运行成本指的是运行总费用中减去备用配置成本外，系统其他灵活性资源的运行成本。从表1中不同时段情景1的SCI计算结果，可以得到如下结论：①备用预留的可调度性与新能源出力占比密切相关。在未计及SCI时，高风电出力占比的晚间时段SCI最小，仅为0.35。午间时段与晚间时段虽然负荷水平几乎一样，但由于午间风电出力占比小，此时的SCI为0.79，远远大于晚间时段。这说明在高新能源出力占比下，由于需要预留更多备用，而从成本出发往往会选择配置给最低廉的机组。当备用配置集中在某一机组时，将导致预留备用的可调度性降低。②备用的可调度性还与系统中灵活性资源的多寡有联系。虽然早间时段的新能源出力占比也很高，但由于其负荷出力较小，使得火电机组有更多的调节裕度能够提供备用，从而在一定程度上保障了备用的可调度性。
表1 情景1和情景2调度结果
Tab.1 Scheduling results of scene 1 and scene 2
时段情景SCI运行总费用/千元灵活性备用配置成本/千元运行成本/千元 早间10.501.830.731.10 20.803.162.021.14 午间10.793.131.181.95 20.803.291.341.95 晚间10.351.190.890.30 20.804.553.181.37
计及SCI后，情景2的SCI为0.8，其灵活性可覆盖场景大大增加。但随之增加的是运行成本及灵活性备用配置成本，灵活性备用配置成本增加是为了提高预留灵活性备用实际运行时的可调度性，从而覆盖更多的不确定性场景，仅依靠成本低廉但爬坡慢的慢机提供灵活性备用，无法满足相应的灵活性需求，各灵活性资源日内备用出力总量见表2，其中快机提供的灵活性备用出力总量大幅增加。以晚间时段为例，进一步改变SCI限值大小，得到调度结果见表3，也呈现了同样的成本变化趋势。这也说明越严格的可调度性要求，将带来越多的额外成本。
表2 各灵活性资源日内备用出力总量
Tab.2 Total reserve output of each flexible resource
时段情景慢机灵活性备用出力总量/MW快机灵活性备用出力总量/MW 早间198.511.28 268.5731.22 午间158.0015.81 254.2619.55 晚间198.824.52 249.0454.30
情景1和情景2日内快机出力如图11所示。由于情景2的SCImin要求而必须开启成本较高的快机灵活性调节资源，从图11的情景2日内快机出力结果与情景1的对比可以看到，在风电不确定性较高的早间时段和晚间时段，快机为提供向下灵活性备用出力均提高了出力水平，其中晚间时段基础负荷较高，慢机出力接近其最大出力，因此需要调用更多的快机。快机出力增加的同时也带来了系统运行成本的增加（早间时段从情景1的1.10千元增加到情景2的1.14千元，晚间时段从0.3千元增加到1.37千元，分别增加了3.6%和356%）。但在午间时段中，由于此时风电不确定性较低，灵活性需求较小，因此SCI对其影响不大。
表3 晚间时段不同SCImin下调度结果
Tab.3 Scheduling results of different SCI limit in evening hours
SCImin运行总费用/千元灵活性备用配置成本/千元运行成本/千元 0.602.111.800.31 0.702.752.300.45 0.804.553.181.37 0.905.973.822.15
图11 情景1和情景2日内快机出力
Fig.11 Quick start unit output of scene 1 and scene 2
以晚间时段时刻1和时刻2详细说明SCI限值为灵活性备用预留带来的影响，系统内所有机组出力结果如图12所示。
图12 晚间时段时刻1、2机组出力及备用配置结果
Fig.12 Unit output and reserve output results of evening hours at time 1 and 2
在情景1中由于未计及SCI，主要由慢机1提供了备用，而在情景2中，受制于慢机的爬坡速率有限，原由慢机所提供的所有向上备用转而由快机提供，从而慢机可有充分的爬坡裕度提供相应的向下备用，实现灵活性资源的可调度性。以上情景1中日前2h备用预留结果使得灵活性资源可调度性较低，反映灵活性备用可覆盖场景在情景1和2下的对比如图13所示。
图13 晚间时段中各情景可覆盖场景对比
Fig.13 System coverage scene of evening hours in various scenarios
4.1.2 IDR资源参与灵活性备用提供对系统调度成本影响分析
在情景3下对3个时段进行仿真，情景3日内快机出力如图14所示，各时段运行费用见表4，与表1中情景2运行费用对比，在同样的SCImin下，情景3的运行总费用下降，这主要是由于IDR作为价格低廉、灵活性高的备用资源，参与系统调度使得原有的快机自身出力及备用出力下降，快机备用出力绝大部分降为0（图14），转而通过IDR预留备用，灵活性备用总量见表5，大大减少了灵活性备用配置成本。
图14 情景3日内快机出力
Fig.14 Quick start unit output of scene 3
表4 情景3调度结果
Tab.4 Scheduling results of scene 3
时段运行总费用/千元灵活性备用配置成本/千元运行成本/千元 早间1.901.470.43 午间2.890.941.95 晚间2.132.030.10
表5 情景3下各灵活性资源日内备用出力总量 （单位：MW）
Tab.5 Total reserve output of each flexible resource of scene 3
时段慢机灵活性备用出力总量快机灵活性备用出力总量IDR灵活性备用出力总量 早间67.742.1930.02 午间54.260.0019.55 晚间56.890.6445.82
此外，由于快机提供备用减少，从图14中可以看出快机在晨间及晚间时段高灵活性需求期间的出力也大幅降低，系统运行成本也随之降低。
而相较于快机仅能够提供向上备用出力，或增加自身出力从而提供向下灵活性资源，IDR能够较好地提供向下的灵活性，因此在早间时段的情景2中，向下灵活性不足容量为0.61MW，但在情景3向下灵活性不足容量降为0。另外在晚间时段中，情景3较情景2的慢机出力及灵活性备用出力总量也略有增加（从49.04MW增加到56.89MW），其结果是系统运行成本进一步降低，这说明IDR能够作为一种与慢机互补的灵活性资源使得发电机能够充分发挥其提供灵活性资源的能力。晚间时段情景3可覆盖场景如图13所示，情景3较情景2可覆盖场景面积相同，由IDR备用构成可覆盖场景如深蓝色区域所示。
基于4.1节中的日内2h前各情景下灵活性资源的备用预留结果及出力水平，考虑风电的不确定性，采用蒙特卡洛算法生成500种风电、负荷实时可能出力场景，计算系统弃风、切负荷，即系统上、下爬坡能力不足，以体现本文模型的优势。由于在早间时段中存在向下灵活性不足量，而SCI约束对午间时段影响不大，因此在本节中主要考虑晚间时段下的运行模拟结果。本节增加考虑极端情景4，在该情景中不计及需求响应，灵活性资源在备用预留时考虑了备用调用的极端场景，爬坡耦合系数为1，灵活性资源充裕的情况下，SCI为1。4种情景下运行模拟计算结果见表6。
对比情景1、2和4的运行模拟计算结果，在日内2h前计及SCI后，弃风、切负荷平均值均大幅减少，且随着SCImin的增加，弃风、切负荷减少的越多。这说明灵活性资源预留的可调度性将影响最终实时的调度结果，且SCI能较好地度量可调度性。在日内2h前备用预留调度模型计及SCI能够实现灵活性资源的良好配置，使得预留相同数量备用，计及SCI后的调度结果弃风和切负荷值均下降，达到了好钢用在刀刃上的效果。因此场景覆盖指数作为一种较好的评价手段能够为系统调度人员在调度时提供相应的参考依据。
表6 不同情景下运行模拟计算结果
Tab.6 Simulation results under different scenarios
情景1情景2情景3情景4 弃风平均值/MW1.780.060.050.00 切负荷平均值/MW2.070.040.030.00
对比情景2、3的运行模拟计算结果（见表6），情景2中运行模拟结果中弃风、切负荷的平均值均略高于情景3中的结果，但差别不大。这主要是由于IDR作为一种能较好提供向下灵活性能力的资源，可有效缓解系统中向下爬坡能力不足的情况。因此在相同SCImin下，IDR灵活性更强，爬坡不足量均下降。
综合比较情景1、2、4运行模拟成本、备用配置成本及爬坡不足惩罚成本，其结果见表7。情景1中运行成本较高，这是由于其未考虑SCI限制（SCI仅为0.35，参见表1）使得灵活性爬坡备用预留不足，导致灵活性缺乏，引起较高的弃风和切负荷（参见表6），从而使整体运行成本增加；情景2中加入了SCI限制，SCI达到0.8，虽然增加了备用的配置成本（从情景1的0.89千元升高到情景2的3.18千元），但带来的好处是弃风和切负荷均有明显下降（参见表6），因此其运行模拟成本大大降低；而情景4较情景2结果对比，SCI由0.8变为1，爬坡不足量略有下降，但是其备用配置成本却大幅增加，相当于灵活性爬坡备用配置过高。当弃风、切负荷单位惩罚费用为100元时，情景2各项成本之和最低（见表7）。因此在灵活性资源调度时所设置的SCImin并不是越高越好，过于保守的调度结果反而可能会导致总成本增加。
表7 各情景下各项成本对比
Tab.7 Comparison of various costs in various scenarios
各项成本情景1情景2情景4 运行模拟成本/千元16.0013.2813.93 备用配置成本/千元0.893.184.39 爬坡不足总量/MW3.850.110.00 惩罚费用为100元时总费用/千元17.2816.4718.32
本文提出了场景覆盖指数的灵活性评价指标，并建立了计及场景覆盖指数的高比例新能源灵活性资源优化调度模型，在模型中考虑了需求响应、发电机组等灵活性资源。基于场景覆盖指数评价指标，分析了灵活性资源可调度性对调度结果的影响。算例结果表明：
1）在调度模型中考虑场景覆盖指数约束可以实现灵活性备用的合理配置，增强系统灵活性资源的可调度性。而在灵活性资源调度方面，考虑源荷互动等需求响应措施能够进一步在系统运行的经济性与灵活性方面达到双赢。
2）根据运行模拟结果，当SCImin限值设置越高时，灵活性备用可覆盖场景增多，降低了爬坡不足惩罚成本。但为实现更高的场景覆盖指数必付出更高的备用配置成本反而有可能造成整体经济性下降。
综合考虑两方面要求，调度人员可以根据系统实际风险需求，在灵活性调度中设置合适的SCI限值并采用本文的模型进行灵活性爬坡备用的优化设置。
系统最终的弃风量不仅与备用的可调度性有关，还与备用的预留量密切相关。本文将灵活性需求作为已知量进行处理，未考虑灵活性需求量对系统调度优化的影响。随着新能源接入系统比例的增加，系统灵活性需求也将逐渐增加，有必要结合备用预留量及其可响应量，对系统平衡策略进行研究，今后将对此做更进一步的深入探讨。
参考文献
[1] 娄素华, 胡斌, 吴耀武, 等. 碳交易环境下含大规模光伏电源的电力系统优化调度[J]. 电力系统自动化, 2014, 38(17): 91-97.
Lou Suhua, Hu Bin, Wu Yaowu, et al. Optimal dispatch of power system integrated with large scale photovoltaic generation under carbon trading environment[J]. Automation of Electric Power Systems, 2014, 38(17): 91-97.
[2] 白顺明, 陈磊, 姜飞, 等. 考虑风电最大化消纳的电力系统多目标优化[J]. 电气技术, 2020, 21(1): 7-11.
Bai Shunming, Chen Lei, Jiang Fei, et al. Multi-objective optimal model for power system considering wind power maximum accommodation[J]. Electrical Engineering, 2020, 21(1): 7-11.
[3] 鲁宗相, 李海波, 乔颖. 高比例可再生能源并网的电力系统灵活性评价与平衡机理[J]. 中国电机工程学报, 2017, 37(1): 9-19.
Lu Zongxiang, Li HaiBo, Qiao Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE, 2017, 37(1): 9-19.
[4] California Independent System Operator. What the duck curve tells us about managing a green grid[EB/OL].(2016-11-11)[2021-01-30].https://www. caiso.com/documents/flexibleresourceshelprenewables_fastfacts.pdf..
[5] 麻秀范, 王戈, 朱思嘉, 等. 计及风电消纳与发电集团利益的日前协调优化调度[J]. 电工技术学报, 2021, 36(3): 579-587.
Ma Xiufan, Wang Ge, Zhu Sijia, et al. Coordinated day-ahead optimal dispatch considering wind power consumption and the benefits of power generation group[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 579-587.
[6] 陈瑜玮, 王彬, 潘昭光, 等. 计及用户灵活性和热惯性的多能园区优化调度：研发及应用[J]. 电力系统自动化, 2020, 44(23): 29-37.
Chen Yuwei, Wang Bin, Pan Zhaoguang, et al. Optimal dispatch for multi-energy park considering flexibility and thermal inertia of research, development and application[J]. Automation of Electric Power Systems, 2020, 44(23): 29-37.
[7] Wang B, Hobbs B F. A flexible ramping product: can it help real-time dispatch markets approach the stochastic dispatch ideal?[J]. Electric Power Systems Research, 2014, 109: 128-140.
[8] 边晓燕, 孙明琦, 董璐, 等. 计及灵活性聚合功率的源-荷分布式协调调度[J]. 电力系统自动化, 2021, 45(17): 89-98.
Bian Xiaoyan, Sun Mingqi, Dong Lu, et al. Distributed source-load coordinated dispatching considering flexible aggregated power[J]. Automation of Electric Power Systems, 2021, 45(17): 89-98.
[9] Ruiz P A, Philbrick C R, Zak E, et al. Uncertainty management in the unit commitment problem[J]. IEEE Transactions on Power Systems, 2009, 24(2): 642-651.
[10] 王雪纯, 陈红坤, 陈磊. 提升区域综合能源系统运行灵活性的多主体互动决策模型[J]. 电工技术学报, 2021, 36(11): 2207-2219.
Wang Xuechun, Chen Hongkun, Chen Lei. Multi-player interactive decision-making model for operational flexibility improvement of regional integrated energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2207-2219.
[11] Navid N, Rosenwald G. Ramp capability product design for MISO markets[R]. Market Development and Analysis，MISO, 2013.
[12] California Independent System Operator. Flexible ramping product: revised draft final proposal[R]. California: CAISO, 2015.
[13] Ela E, O'Malley M. Scheduling and pricing for expected ramp capability in real-time power markets[J]. IEEE Transactions on Power Systems, 2016, 31(3): 1681-1691.
[14] 汪超群, 韦化, 吴思缘. 计及风电不确定性的随机安全约束机组组合[J]. 电网技术, 2017, 41(5): 1419-1427.
Wang Chaoqun, Wei Hua, Wu Siyuan. Stochastic-security-constrained unit commitment considering uncertainty of wind power[J]. Power System Technology, 2017, 41(5): 1419-1427.
[15] 苏承国, 申建建, 王沛霖, 等. 基于电源灵活性裕度的含风电电力系统多源协调调度方法[J]. 电力系统自动化, 2018, 42(17): 111-122.
Su Chengguo, Shen Jianjian, Wang Peilin, et al. Coordinated dispatching method for wind-turbine-integrated power system with multi-type power sources based on power flexibility margin[J]. Automation of Electric Power Systems, 2018, 42(17): 111-122.
[16] 王洪坤, 王守相, 潘志新, 等. 含高渗透分布式电源配电网灵活性提升优化调度方法[J]. 电力系统自动化, 2018, 42(15): 86-93.
Wang Hongkun, Wang Shouxiang, Pan Zhixin, et al. Optimized dispatching method for flexibility improvement of distribution network with high-penetration distributed generation[J]. Automation of Electric Power Systems, 2018, 42(15): 86-93.
[17] 杨龙杰, 李华强, 余雪莹, 等. 计及灵活性的孤岛型微电网多目标日前优化调度方法[J]. 电网技术, 2018, 42(5): 1432-1440.
Yang Longjie, Li Huaqiang, Yu Xueying, et al. Multi-objective day-ahead optimal scheduling of isolated microgrid considering flexibility[J]. Power System Technology, 2018, 42(5): 1432-1440.
[18] Wu Chenyu, Hug G, Soummya K. Risk-limiting economic dispatch for electricity markets with flexible ramping products[J]. IEEE Transactions on Power Systems, 2015, 3(31): 1990-2003.
[19] 葛晓琳, 郝广东, 夏澍, 等. 高比例风电系统的优化调度方法[J]. 电网技术, 2019, 43(2): 390-399.
Ge Xiaolin, Hao Guangdong, Xia Shu, et al. An optimal system scheduling method with high proportion of wind power[J]. Power System Technology, 2019, 43(2): 390-399.
[20] 周博, 艾小猛, 方家琨, 等. 计及超分辨率风电出力不确定性的连续时间鲁棒机组组合[J]. 电工技术学报, 2021, 36(7): 1456-1467.
Zhou Bo, Ai Xiaomeng, Fang Jiakun et al. Continuous-time modeling based robust unit commitment considering beyond-the-resolution wind power uncertainty[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1456-1467.
[21] Ye Hongxing, Li Zuyi. Deliverable robust ramping products in real-time markets[J]. IEEE Transactions on Power Systems, 2018, 33(1): 5-18.
[22] 马洪艳, 贠靖洋, 严正. 基于分布鲁棒优化的灵活爬坡备用调度方法[J]. 中国电机工程学报, 2020, 40(19): 6121-6132.
Ma Hongyan, Yun Jingyang, Yan Zheng. Distributionally robust optimization based dispatch methodology of flexible ramping products[J]. Proceedings of the CSEE, 2020, 40(19): 6121-6132.
[23] Ye Hongxing, Ge Yinyin, Shahidehpour M, et al. Uncertainty marginal price, transmission reserve, and day-ahead market clearing with robust unit commitment[J]. IEEE Transactions on Power Systems. 2017, 32(3): 1782-1795.
[24] 王蓓蓓, 唐楠, 方鑫, 等. 大规模风电接入系统多时间尺度备用容量滚动修订模型[J]. 中国电机工程学报, 2017, 37(6): 1645-1657.
Wang Beibei, Tang Nan, Fang Xin, et al. A multi time scales reserve rolling revision model of power system with large scale wind power[J]. Proceedings of the CSEE, 2017, 37(6): 1645-1657.
[25] 吴界辰, 艾欣, 胡俊杰. 需求侧资源灵活性刻画及其在日前优化调度中的应用[J]. 电工技术学报, 2020, 35(9): 1973-1984.
Wu Jiechen, Ai Xin, Hu Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.
[26] Subcommittee M. Ramp capability product design for MISO markets[R]. MISO, 2016.
[27] 王蓓蓓, 刘小聪, 李扬. 面向大容量风电接入考虑用户侧互动的系统日前调度和运行模拟研究[J]. 中国电机工程学报, 2013, 33(22): 35-44.
Wang Beibei, Liu Xiaocong, Li Yang. Day-ahead generation scheduling and operation simulation considering demand response in large-capacity wind power integrated systems[J]. Proceedings of the CSEE, 2013, 33(22): 35-44.
[28] 刘兴宇, 温步瀛, 江岳文. 基于条件风险价值的含风电电力系统旋转备用效益研究[J]. 电工技术学报, 2017, 32(9): 169-178.
Liu Xingyu, Wen Buying, Jiang Yuewen. Study on the benefit from spinning reserve in wind power integrated power system based on conditional value at risk[J]. Transactions of China Electrotechnical Society, 2017, 32(9): 169-178.
Research on the Balance Strategy for Power Grid with High Proportion Renewable Energy Considering the Ramping Scenario Coverage
Abstract As a high proportion of renewable energy is connected to the power grid, the system is faced with new challenges in terms of security and reliability, and the related research on improving the intraday balanced resource allocation scheme to increase the operational flexibility of system has attracted extensive attention. Based on the existing day-ahead scheduling results, this paper focuses on the schedulability of flexibility reserve results for the intra-day 2h scale, which determines the fast-start unit startup and shutdown schedule and output and flexibility reserve results of various flexible resources, the scenario coverage index is established to evaluate the schedulability of flexible resource scheduling results at real time scale. Furthermore, a high proportion renewable energy intra-day balance scheduling model with intra-day climbing scenario coverage is constructed. The results of case study illustrate the intra-day balance strategy proposed in this paper makes the reservation of flexibility resources measurable, improves the flexibility of the system, and reduces the probability of wind curtailment/load shedding issues because it takes into account the unit's climbing characteristics more accurately.
keywords：Flexibility, source-load interaction, intra-day scheduling, high proportion of renewable energy
DOI:10.19595/j.cnki.1000-6753.tces.210815
中图分类号：TM73
国网公司科技项目资助（支持发电负荷双侧报价的省级日前电力现货市场优化出清技术研究与开发）。
收稿日期 2021-06-07
改稿日期 2021-11-04
亢丽君 女，1998年生，硕士研究生，研究方向为电力系统灵活性、需求侧管理。E-mail：kanglj_seu@qq.com
王蓓蓓 女，1979 年生，副教授，博士生导师，研究方向为智能用电、需求侧管理与需求响应，电力系统运行与控制，电力市场。E-mail：wangbeibei@seu.edu.cn（通信作者）
（编辑 赫蕾）