、
为系统为应对风电预测误差预留向上、向下旋转备用容量后常规电源最大、最小出力值；
、
分别为常规电源的最大、最小技术出力。相对于系统预留旋转备用容量前（图1a），图1b中系统可用调峰容量从
减少为
，系统弃风电量增加了阴影面积S2。这是由于为了应对风电不确定性的影响，增加了常规电源旋转备用容量，从而降低了系统下调峰能力，进而导致风电大发时段系统弃风功率进一步增加。摘要 随着风电等波动性新能源发电逐渐增加，高比例风电接入电网备用不足问题自益凸显。与此同时，新兴的光热发电具有可时移、可调节特性，能有效承担系统的备用需求，但光热发电受储热与光资源的强相关性约束，备用能力受限。如何利用有限的光热发电与火电进行联合备用优化，满足高比例风电系统备用需求，成为当前亟待研究的问题。首先该文分析了高比例风电接入系统旋转备用对风电消纳的影响；其次，对光热-火电联合提供旋转备用的可行性进行了分析，针对光热储热约束，提出采用电加热设备提高光热电站备用能力；然后，基于电加热设备电转热特性，建立了含电加热光热电站用电及发电调峰备用模型，基于此，建立光热发电-火电旋转备用优化模型；最后，通过改进的IEEE 30节点系统进行仿真验证，证明该文所提方法的有效性。
关键词：光热发电 旋转备用 电加热设备 高比例风电
“双碳”目标加快了构建以新能源为主体的新型电力系统的步伐[1-2]。风电作为新能源的主力电源之一，截至2020年底，在我国累计并网装机容量达2.815亿kW。大规模风电的并网在提供零碳排放环境效益的同时，其不确定性及有限的可预测性要求电网提供更多的旋转备用以减少“弃风”或“限电”情况的发生。而随着风电、光伏接入比例的升高和常规电源接入比例的下降，压缩了常规电源提供旋转备用的能力，进而降低了新能源可消纳空间。因此，亟须在不增加电网碳排放前提下，深入挖掘电网内其余备用资源[1-2]。
在新能源发电中，光热发电是一种极具商业化开发潜力的新型太阳能发电技术，特别是储热型光热电站（Concentrating Solar Power, CSP），近年来在我国光资源丰富的西北地区发展迅速，其光电解耦特点，使光热发电出力具有可时移、可连续调节的特性，其调节速度和深度与燃气机组类似，最快可以达到每分钟调节额定容量的20%，远高于常规火电机组，是优质的可调节电源，可承担系统的旋转备用需求[5-6]。但光热发电可提供的备用能力受到光资源及储热容量约束，不能为系统提供过多旋转备用。因此，如何协调配置光热机组与常规机组的旋转备用容量，实现新能源最大规模消纳，促进“双碳”目标的早日实现，成为当前亟待研究解决的问题。
目前国内外已有光热电站配合火电机组提供系统旋转备用的研究，文献[7-8]针对不同峰谷电价，利用含储热光热电站可时移特性，在电价峰值时段参与提供系统旋转备用负荷，以提高光热电站效益。文献[9]针对风力及光照不确定性，建立光热发电-风电的随机优化模型，分析说明不同置信水平对光热发电、火电提供备用的影响。文献[10]构建了风电-光热-火电联合优化模型，通过调节光热电站与火电机组出力来平衡风电预测误差，提高系统风电消纳量。
上述文献分析了含储热光热电站作为灵活性电源在提供系统旋转备用与消纳风电上的能力与作为，为后续研究提供了理论支持，但对光照与储热容量对光热调度能力的制约问题，并未提出有效的解决方法。针对该问题，有学者提出通过电加热装置（Electric Heater, EH）提高光热电站调节能力。文献[11]介绍了EH参与光热电站的运行方式，提出电加热设备可通过直接消纳风电减少系统备用需求，降低系统运行成本。文献[12]则进一步分析了电加热设备对光热电站调度灵活性的影响，并建立了含电加热设备光热电站备用模型。上述文献为EH与CSP联合运行以促进风电消纳并提高系统备用能力提供了理论依据，但仍存在可进一步研究的问题：①对EH设备备用能力运行机理研究不足，缺乏相应的可行性研究；②上述文献在对EH设备建模过程中，仅考虑了EH设备爬坡及上下限约束，忽略了光热储热容量对EH设备备用能力影响及光热电站发、用电备用能力间的耦合影响；③在旋转备用配置方面，现有文献多从备用成本角度出发，分析了光热机组及EH设备相较于火电机组备用配置优先性，并未对光热机组与EH设备间的备用分配原则进行研究分析。
综上所述，本文首先论述了含EH设备光热电站备用能力以及光热-火电联合提供旋转备用的可行性，并基于EH设备电转热特性及光热电站热储特性，建立光热发电-火电旋转备用优化模型。最后，通过算例仿真，验证了本文所提模型的有效性。
风电出力具有强波动性、间歇性与不确定性，预测难度远高于传统负荷。在高比例风电接入系统中，大规模风电的并网极大地提高了系统对旋转备用的需求。然而，发电侧大规模风电的并网，导致火电机组装机比例降低，压缩了常规电源提供旋转备用的能力，进而降低了新能源可消纳空间。图1a、图1b分别为风电接入系统考虑旋转备用前后的弃风电量对比示意图。
图1中，、为系统为应对风电预测误差预留向上、向下旋转备用容量后常规电源最大、最小出力值；、分别为常规电源的最大、最小技术出力。相对于系统预留旋转备用容量前（图1a），图1b中系统可用调峰容量从减少为，系统弃风电量增加了阴影面积S2。这是由于为了应对风电不确定性的影响，增加了常规电源旋转备用容量，从而降低了系统下调峰能力，进而导致风电大发时段系统弃风功率进一步增加。
图1 风电接入系统考虑旋转备用后调峰区间变化
Fig.1 Changes in peak shaving interval after wind power integration into the system considering spinning reserve
光热发电为新兴的优质太阳能发电，主要由光场、储热系统以及发电系统构成。储能设备的配置，使得光热发电成为一种调节性能优异的可控新能源发电，具有可时移调节的能力，其调节速度及调节深度均优于常规火电[13-14]。相较于火电，光热发电可承担系统更多的备用需求。然而，光热电站光转热、热转电的发电方式，导致其备用能力受到了光资源与储热容量双重约束。
为减少光资源和储热设备容量对光热电站备用能力约束，本文考虑在光热电站加装EH，光热电站与EH联合运行结构示意图如图2所示。相比于传统光热电站，加入EH后，储热装置中的导热熔盐在由低温熔盐罐向高温熔盐罐流动过程中，除了吸收光场光热转换得到的热能，还会吸收EH通过电制热产生的热能，减少了光照对光热发电能力的约束。此外，EH作为可调节负荷，可通过调整用电量为系统提供备用，即以用电形式提供旋转备用，使光热的旋转备用由发电旋转备用扩展为发电+用电旋转备用，有效地提高了光热电站旋转备用能力。
图2 光热电站与EH联合运行结构示意图
Fig.2 Structure diagram of joint operation of CSP and EH
但考虑到EH设备将电能转换为热能，再通过光热电站发电，其中涉及两次电热转换，能耗较高，因此为保证能源利用率，EH主要作为夜间弃风时段下光热储热来源及紧急条件下的系统备用资源，正常场景下保持低负荷率运行，主要为系统提供下旋转备用。
由前文分析可知，高比例风电接入导致电力系统备用需求增加，由火电机组单独提供系统旋转备用压缩了火电的调峰空间，影响了风电消纳；2.1节论述了含EH设备的光热发电具有优于常规火电的调峰能力，可承担更多的系统备用需求，但考虑到光热备用能力受限于储热强相关性约束及EH设备能源转换效率问题，光热发电无法完全替代火电。因此，在高比例风电接入系统中，将光热电站替代部分火电，由光热电站与火电进行联合提供旋转备用，将有助于促进高比例风电接入系统的风电消纳。光热电站替换等容量的火电机组后，光热发电-火电联合提供备用后系统调峰能力示意图如图3所示。
图3 火电、光热共同提供备用后系统调峰能力示意图
Fig.3 Schematic diagram of the peak shaving capacity of the system after the backup is provided by thermal power and CSP
图3中，
、
分别为光热提供部分备用容量后，常规电源最大、最小出力值；相对常规电源单独提供备用（图1b），图3中系统可用调峰容量从
增加为
，系统因常规机组备用而增加的弃风电量从图1b中S2减少为图3中的S3。可见，通过光热电站承担部分的系统备用容量，可提高系统的下调峰能力，增加风电消纳量。
基于光热发电的旋转备用优势和约束，建立光热发电-火电旋转备用优化模型。
含EH设备光热电站能量流示意图如图4所示，根据图中的能量流动关系，分别搭建光热电站用电调峰备用模型及发电调峰备用模型。
图4 CSP-EH能量流示意图
Fig.4 Schematic diagram of CSP-EH energy flow
3.1.1 CSP-EH用电调峰备用模型
由图4可知，EH设备将电能转换为热能储存于光热电站的储热设备中，其作为调节负荷，通过减少或增加用电量为系统提供旋转备用。EH设备用电功率与光热电站储热量关系为
式中，
为光热电站储热系统在
时刻的储热量；
、
分别为时刻EH设备与光热电站光场产热量；
为时刻光热电站储热系统流向发电系统的热量；
、
分别为时刻EH设备加热功率及光场聚光功率；
、
分别为EH电热转换效率及光场光热转换效率；
为储热系统单位时间内自然散热率。
EH设备可提供用电调峰备用受到自身加热功率约束及储热设备约束，其中加热功率约束为
（2）
式中，
、
分别为EH设备可提供的上、下旋转备用；为EH设备加热功率；
为EH设备加热功率上限。
EH设备的电热转换过程会对光热储热量造成影响，其用电调峰备用能力受到光热储热设备容量上、下限约束，结合式（1），得到光热储热设备容量对用电调峰备用约束为
（3）
式中，
为光热电站储热系统
时刻预测储热量；
为光热储热装置储热上限；
为光热电站提供旋转备用的响应时间，本文所提旋转备用为10min旋转备用，取10min。
结合式（2）和式（3），得到EH设备可提供的用电调峰备用约束条件为
（4）
3.1.2 CSP-EH发电调峰备用模型
光热电站通过热力循环系统，利用储热设备中的热能发电，其发电功率与光热储热量关系为
式中，
为光热电站时刻发电功率；
为光热电站热电转换效率。
光热电站可提供的发电调峰备用受到自身汽轮机的技术出力约束及储热设备约束，其中技术出力约束包括光热出力上、下限约束及机组爬坡速率约束，即
（6）
式中，
、
分别为光热电站可提供发电上、下旋转备用；
、
分别为光热电站最大、最小技术出力；
、
分别为光热电站最大上爬坡速率及最大下爬坡速率。
光热发电备用的储热约束包括储热容量下限对约束及储热容量上限对约束，结合式（5），得到光热储热设备容量对发电备用的约束为
（7）
式中，
为储热系统至发电系统热电转换效率。
结合式（6）和式（7），得到光热电站可提供发电调峰旋转备用约束条件为
（8）
考虑到光热电站提供用电调峰备用及发电调峰备用时，都会导致光热储热量变化，结合式（1）、式（5），提出光热用电调峰备用、发电调峰备用耦合约束为
（9）
3.2.1 目标函数
以系统总调度成本最小为目标，建立光热发电-火电旋转备用优化模型为
（10）
式中，
为系统运行成本；
为系统备用成本；
为弃风惩罚成本。、、具体模型如下。
1）系统运行成本
系统运行成本主要包括火电机组的发电及起停成本、光热机组起停成本。
（11）
式中，
为火电机组发电成本；
为火电场数量；
、
、
为火电机组i单位出力煤耗系数；
为火电机组i在t时刻的有功功率；
为火电机组起停成本；
为火电机组i在t时刻运行状态，为0-1变量，0表示火电机组停止，1表示火电机组运行；
为火电机组i起停成本；
为光热机组起停成本；
为光热电站数量；
为光热机组i在t时刻运行状态；
为光热机组i起停成本；
为单位时段长度；T为优化模型时段数。
2）系统备用成本
由于火电机组备用成本远高于光热及EH设备备用成本[12]，因此本文只考虑火电机组备用成本。
（12）
式中，
、
分别为火电机组i在t时刻可提供的上、下旋转备用；
、
分别为火电机组i上、下旋转备用价格。
3）弃风惩罚成本
考虑到EH设备运行过程中，将多余的风电转换为热能，再转换为电能，期间损耗的电量可视为等效弃风电量，即
（13）
式中，
为弃风惩罚成本系数；
为风电场数量；
为风电场i在t时刻的预测有功功率；
为风电场i在t时刻的有功功率；
为光热电站i的EH设备在t时刻的有功功率。
3.2.2 约束条件
1）系统约束条件
（1）功率平衡约束
（14）
式中，
为光热电站i在t时刻的有功功率；
为负荷t时刻的有功需求。
（2）系统旋转备用约束
系统旋转备用需求主要包括应对负荷预测误差旋转备用需求及应对风电预测误差旋转备用需求。为降低风电不确定性对系统的影响，减少备用成本，风电旋转备用容量利用风光电计划出力与实际出力的条件期望之差对系统旋转备用容量进行修正，具体过程参见附录。
（15）
式中，
、
分别为光热机组i在t时刻可提供的上、下旋转备用；
、
分别为t时刻应对系统负荷预测误差所需的正、负旋转备用；
、
分别为t时刻应对风电场预测误差所需的上、下旋转备用；E为数学期望算子。
2）火电机组运行约束条件
（1）输出功率上、下限约束
（16）
式中，
、
分别为火电机组i的最大、最小有功功率。
（2）爬坡速度约束
（17）
式中，
、
分别为火电机组i的最大上爬坡速率及最大下爬坡速率。
（3）可提供的备用约束
火电机组可提供的向上、向下旋转备用受机组技术出力区间和爬坡滑坡率的双重约束。
（18）
3）风电机组运行约束条件
风电运行约束由概率约束为[15]
（19）
式中，
为风电概率约束置信水平；
为风电场i装机容量；Pr(·)为事件成立的概率。
4）光热机组运行约束条件
（1）输出功率上、下限约束
（20）
式中，
、
为光热电站i功率上、下限。
（2）爬坡约束
（21）
式中，
、
分别为光热电站i最大上爬坡速率及最大下爬坡速率。
（3）储热系统容量约束
光热电站储热系统储热容量约束用“满负荷小时数（Full-Load Hour, FLH）”表示[16]，同时，为保证光热电站下个调度周期初期的可调度能力，每个调度周期末的光热储热量
与调度初始储热量
相同，即
（22）
式中，
为光热机组i在t时刻的储热量；
为光热电站i满负荷运行小时数。
（4）备用约束
光热机组可提供的备用约束包括用电备用约束、发电备用约束及发用电备用耦合约束，如式（4）、式（8）、式（9）所示。
（5）EH设备运行约束
（23）
式中，
为EH设备有功功率上限。
3.2.3 模型求解
1）随机约束转换
本文所建旋转备用优化模型中约束条件式（15）和式（19）包含随机变量，将其转换为确定性约束。
针对随机约束（15）中条件期望值，令
，将约束（15）中条件期望转换为
（24）
则随机约束（15）可转换为确定性约束，即
（25）
针对随机约束（19），令风电实际出力的分布累计概率分布函数为
，式（19）可转换为
（26）
式（26）可转换为确定性约束，即
（27）
2）模型求解
将模型中随机约束转换为确定性约束后，本文在Matlab R2016a环境下通过Yalmip调用Gurobi求解器，对本文所提的光热发电-火电旋转备用优化模型进行求解。
本文采用改进的IEEE 30节点系统，验证所提高比例风电接入系统光热发电-火电旋转备用优化方法的有效性。将配有电加热装置光热电站接入节点1，风电机组接入节点2、5、8，火电机组接入节点11、13，改进后的网络拓扑如图5所示。
图5 改进后IEEE 30节点算例
Fig.5 Improved IEEE 30 node calculation example
算例给定条件如下所述：
1）应对负荷预测误差所需上旋转备用容量为系统最大负荷的8%，下旋转备用容量为系统最大负荷的2%[17]；机会约束置信水平=0.98。
2）不同季节典型日下的系统负荷、风电总出力及太阳负荷指数预测曲线如附图1所示。
3）配有电加热装置光热电站调节参数见表1，火电机组运行参数见表2。弃风惩罚成本为500元/（MW·h），火电机组备用成本为130元/（MW·h）[12]。
表1 光热电站调节参数
Tab.1 Parameters of CSP station
组成部分参数数值 光场光场面积/km23 光热电站光场光-热转换效率0.57 储热系统储热上限(FLH)/h10 初始储热量/(MW·h)500 储热电站散热率(%)0.031 发电系统最大有功功率/MW100 最小有功功率/MW10 最大上/下爬坡速率/(MW/h)80 光热电站发电系统热-电转换效率0.21 电加热系统电加热设备电-热转换效率0.90 电加热设备最大有功功率/MW50
表2 火电机组运行参数
Tab.2 Parameters of thermal power station
火电机组最大出力/MW最小出力/MW爬坡速率/(MW·h-1)燃料成本系数 /(元·MW-2)/(元·MW-1)/元 G16030300.001 5225167 G28040400.003 1175350
4.2.1 调度方法有效性验证
为验证本文高比例风电接入系统光热发电-火电旋转备用优化方法的有效性，设置三种运行模式：
模式1：仅由火电机组为系统提供旋转备用，光热电站按自身初始计划运行，电加热设备作为可控负荷参与风电消纳。
模式2：由火电及光热机组为系统提供旋转备用，电加热设备作为可控负荷参与风电消纳。
模式3：由电加热设备、光热机组和火电机组共同为系统提供旋转备用。
夏季典型日下不同模式机组出力计划及系统旋转备用配置计划如图6～图8所示，弃风电量及各类运行成本见表3。
图6 模式1下机组出力计划及系统备用配置计划
Fig.6 Unit output plan and system reserve configuration plan of mode 1
由图6～图8及表3可知，在模式1下，由火电机组单独承担系统旋转备用需求，压缩了火电的调峰空间，使得夜间风电大发时段，系统弃风功率高，弃风惩罚成本及备用成本均处于较高水平。在模式2下，低备用成本的光热机组承担了系统全部上旋转备用及主要下旋转备用，其中在夜间2:00～7:00时段，由于光热储热水平不足导致其出力较低，下旋转备用容量不足，该部分下旋转备用缺额由火电机组承担。相较于模式1，模式2通过光热机组提供备用，使系统备用成本减少了128 157.37元，同时提高了火电机组夜间的下调峰空间，系统弃风电量减低了81.58MW·h，同时减少了系统弃风惩罚成本及运行成本，系统总调度成本减少了185 277.48元。在模式3下，夜间风电大发时段光热机组按最小技术出力运行，承担系统主要上旋转备用，EH设备高负荷率运行，消纳多余弃风电量，同时承担系统主要下旋转备用。在午间风电小发时段，系统负荷率较高，EH设备低负荷率运行，主要承担系统下旋转备用，同时为满足系统负荷需求，光热电站高出力运行，承担系统部分上、下旋转备用，该时段系统上旋转备用缺额由火电机组承担。相较于模式2，由EH设备承担系统主要下旋转备用，对火电机组备用需求降低，系统备用成本减少5 748.43元，同时释放了光热及火电机组下调峰空间，使得在夜间风电大发时段2:00～8:00，23:00～24:00，光热及火电机组可按最小技术出力运行，在减少运行成本的同时，提高了风电消纳空间，进一步减少系统弃风电量185.19MW·h，减少了系统总成本135 424.69元。
图7 模式2下机组出力计划及系统备用配置计划
Fig.7 Unit output plan and system reserve configuration plan of mode 2
图8 模式3下机组出力计划及系统备用配置计划
Fig.8 Unit output plan and system reserve configuration plan of mode 3
表3 三种模式下弃风电量及系统各类成本
Tab.3 Abandoned wind power and system dispatch cost in three modes
参数数值 模式1模式2模式3 弃风电量/(MW·h)348.20266.6381.44 系统运行成本/元430 240.92413 908.44376 826.54 备用成本/元137 118.088 960.713 212.28 弃风惩罚成本/元174 100.24133 312.6240 718.25 系统总成本/(MW·h)741 459.24556 181.76420 757.07
对其余三个季节典型日数据进行仿真，得到不同季节典型日下弃风电量及系统总成本分别如图9和图10所示。通过不同季节典型日下三种模式系统总成本及弃风电量结果对比可知，相较于火电单独提供备用，本文所提的火电-光热联合提供旋转备用方法通过对光热机组及EH设备备用优化，可有效减少系统调度成本及弃风电量，证明了本文所提方法的有效性。
图9 不同季节典型日下弃风电量
Fig.9 Abandoned wind power in different typical days
图10 不同季节典型日下系统总成本
Fig.10 Total system cost in different typical days
4.2.2 不同EH额定功率对风电消纳的影响
为了验证不同EH额定功率对促进系统风电消纳的影响，分别设置EH设备额定功率为10MW、20MW、30MW、40MW、50MW、60MW。分析EH设备不同额定功率下的系统风电消纳情况，结果如图11所示，EH设备出力曲线及承担旋转备用情况如图12和图13所示。
图11 不同EH额定功率下系统弃风电量
Fig.11 Abandoned wind power of the system under different EH rated power
图12 不同额定功率EH设备出力曲线
Fig.12 Output curves of EH equipment with different rated power
图13 不同额定功率EH设备承担系统旋转备用
Fig.13 Different rated power EH equipment assumes system spinning reserve
由图11～图13可知，由于EH设备运行会产生间接弃风电量，因此当EH设备额定功率为10MW、20MW时，EH设备主要通过提供系统下旋转备用，提高火电机组及光热机组的下调峰空间，间接促进风电消纳，自身不出力。当EH设备额定功率高于20MW时，EH设备承担系统夜间弃风时段全部下旋转备用，火电机组及光热机组按最小技术出力运行，EH提高出力，直接消纳夜间弃风电量，促进了风电消纳。随着EH设备额定功率上升，系统直接弃风电量降低，EH设备运行而产生间接弃风电量上升，总弃风电量降低，当系统直接弃风电量为零时，EH设备可消纳的弃风电量达到最大值。
本文针对高比例风电接入电网旋转备用不足导致的风电消纳问题，考虑含EH设备的光热发电调峰备用能力，提出了利用含EH设备光热发电与火电联合提供旋转备用，以提高系统风电消纳能力的光热发电-火电旋转备用优化方法，并通过实例仿真验证了方法的有效性，并得出如下结论：
1）相较于传统由火电单独提供系统旋转备用，通过EH设备与光热发电提供旋转备用，可有效降低火电承担的旋转备用容量，提高系统调峰能力，促进高比例风电接入系统的风电消纳。
2）光热发电-火电旋转备用配置过程中，系统通过考虑机组备用成本差异及EH设备运行产生的损耗电量，对光热机组、火电机组、EH设备间的旋转备用进行优化配置，优先分配下调峰备用至EH设备，分配上调峰备用至光热机组，火电机组主要作为前两者备用不足情况下的一种补充，以减少系统运行成本。
3）不同额定功率EH设备对系统风电消纳促进能力不同。可基于系统弃风功率高低，为光热电站配置容量匹配的EH设备，保证系统最优风电消纳的同时减少EH设备配置成本，实现EH设备高效利用。
针对风电预测误差，传统方法以一个风电预测出力的特定百分数作为风电备用容量，该方法缺乏一定的技术原理支持，容易造成备用资源的浪费。因此，建立基于Beta分布的风电出力模型，利用Beta分布对风电预测误差分布概率进行拟合，通过随机优化的方法确定风电备用容量，保障风电备用容量设置合理性[18]。
Beta分布累计概率分布函数为
（A1）
式中，
为统计的随机变量，即本文中的风电预测误差；
为以
、
为形状参数的Beta分布。
形状参数、可利用风电场的历史数据计算得到，计算公式为
（A2）
式中，
为随机变量
的均值；
为随机变量的方差。
为应对风电预测误差所需的旋转备用为
（A3）
式中，
、
分别为t时刻应对风电机组预测误差所需的上、下旋转备用；
、
分别为风电机组t时刻实际有功功率及预测有功功率。
附图1 不同季节典型日下系统负荷、风电及太阳辐射指数预测
App.Fig.1 Typical daily system load, wind power and solar radiation index forecast in different season
参考文献
[1] 习近平. 继往开来，开启全球应对气候变化新征程：在气候雄心峰会上的讲话[N]. 人民日报, 2020-12-13(2).
[2] 陈国平, 董昱, 梁志峰. 能源转型中的中国特色新能源高质量发展分析与思考[J]. 中国电机工程学报, 2020, 40(17): 5493-5505.
Chen Guoping, Dong Yu, Liang Zhifeng. Analysis and reflection on high-quality development of new energy with Chinese characteristics in energy transition[J]. Proceedings of the CSEE, 2020, 40(17): 5493-5505.
[3] 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.
[4] 杨修宇, 穆钢, 柴国峰, 等. 考虑灵活性供需平衡的源-储-网一体化规划方法[J]. 电网技术, 2020, 44(9): 3238-3245.
Yang Xiuyu, Mu Gang, Chai Guofeng, et al. Source-storage-grid integrated planning considering flexible supply-demand balance[J]. Power System Technology, 2020, 44(9): 3238-3245.
[5] 林克曼, 王召珩, 吴峰, 等. 光伏-光热联合发电系统动态建模与功率协调控制[J]. 电力自动化设备, 2021, 41(9): 110-117.
Lin Keman, Wang Zhaoheng, Wu Feng, et al. Dynamic modeling and coordinated control strategy of hybrid PV-CSP system[J]. Electric Power Automation Equipment, 2021, 41(9): 110-117.
[6] 朱睿, 胡博, 谢开贵, 等. 含风电-光伏-光热-水电-火电-储能的多能源电力系统时序随机生产模拟[J]. 电网技术, 2020, 44(9): 3246-3253.
Zhu Rui, Hu Bo, Xie Kaigui, et al. Sequential probabilistic production simulation of multi-energy power system with wind power, photovoltaics, concentrated solar power, cascading hydro power, thermal power and battery energy storage[J]. Power System Technology, 2020, 44(9): 3246-3253.
[7] Sioshansi R, Denholm P. The value of concentrating solar power and thermal energy storage[J]. IEEE Transactions on Sustainable Energy, 2010, 1(3): 173-183.
[8] Madaeni S H, Sioshansi R, Denholm P. How thermal energy storage enhances the economic viability of concentrating solar power[J]. Proceedings of the IEEE, 2012, 100(2): 335-347.
[9] 戴剑丰, 汤奕, 曲立楠, 等. 太阳能光热与风力发电协调优化控制研究[J]. 计算机仿真, 2017, 34(10): 73-77.
Dai Jianfeng, Tang Yi, Qu Linan, et al. Research on coordinated optimization control of solar thermal and wind power generation[J]. Computer Simulation, 2017, 34(10): 73-77.
[10] 车泉辉, 娄素华, 吴耀武, 等. 计及条件风险价值的含储热光热电站与风电电力系统经济调度[J]. 电工技术学报, 2019, 34(10): 2047-2055.
Che Quanhui, Lou Suhua, Wu Yaowu, et al. Economic dispatching for power system of concentrated solar power plant with thermal energy storage and wind power considering conditional value-at-risk[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2047-2055.
[11] Xu Ti, Zhang Ning. Coordinated operation of concentrated solar power and wind resources for the provision of energy and reserve services[J]. IEEE Transactions on Power Systems, 2017, 32(2): 1260-1271.
[12] 崔杨, 张家瑞, 仲悟之, 等. 计及电热转换的含储热光热电站与风电系统优化调度[J]. 中国电机工程学报, 2020, 40(20): 6482-6493.
Cui Yang, Zhang Jiarui, Zhong Wuzhi, et al. Optimal scheduling of concentrating solar power plant with thermal energy storage and wind farm considering electric-thermal conversion[J]. Proceedings of the CSEE, 2020, 40(20): 6482-6493.
[13] 赖林琛, 周强, 杜文娟, 等. 同型光热发电机并联聚合对光热发电场振荡稳定性影响[J]. 电工技术学报, 2022, 37(1): 179-191, 231.
Lai Linchen, Zhou Qiang, Du Wenjuan, et al. Impact of dynamic aggregation of same concentrating solar power generators in parallel connection on the oscillation stability of a CSP plant[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 179-191, 231.
[14] 毛维宙, 陆华军, 单宝奇. 塔式光热电站储热系统容量优化配置[J]. 电气技术, 2018, 19(11): 37-42, 54.
Mao Weizhou, Lu Huajun, Shan Baoqi. Optimal allocation of thermal storage system capacity of solar power tower plant[J]. Electrical Engineering, 2018, 19(11): 37-42, 54.
[15] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 2021, 36(21): 4517-4528.
Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528.
[16] 崔杨, 李崇钢, 赵钰婷, 等. 考虑风-光-光热联合直流外送的源-网-荷多时段优化调度方法[J]. 中国电机工程学报, 2022, 42(2): 559-572.
Cui Yang, Li Chonggang, Zhao Yuting, et al. Source-grid-load multi-time interval optimization scheduling method considering wind-photovoltaic-photothermal combined DC transmission[J]. Proceedings of the CSEE, 2022, 42(2): 559-572.
[17] 张尧翔, 刘文颖, 李潇, 等. 高比例新能源接入电网光热发电-火电联合调峰优化控制方法[J]. 电力自动化设备, 2021, 41(4): 1-7, 32.
Zhang Yaoxiang, Liu Wenying, Li Xiao, et al. Optimal control method of peak load regulation combined concentrating solar power and thermal power for power grid accessed with high proportion of renewable energy[J]. Electric Power Automation Equipment, 2021, 41(4): 1-7, 32.
[18] 杨宏, 闫玉杰, 王瑜. Beta分布在风电预测误差模型中的适用性[J]. 电测与仪表, 2020, 57(11): 37-41, 48.
Yang Hong, Yan Yujie, Wang Yu. Applicability of Beta distribution on wind power forecast error modeling[J]. Electrical Measurement & Instrumen-tation, 2020, 57(11): 37-41, 48.
Abstract As wind power and other volatile new energy generation gradually become the main power source of the grid, the problem of insufficient reserve of a high proportion of wind power connected to the grid has become prominent. At the same time, the concentrating solar power (CSP) plant has time-shifting and adjustable characteristics, which can effectively bear the system's spinning reserve demand. However, CSP is constrained by the strong correlation between heat storage and solar resources. It's reserve capacity is limited. How to use the limited CSP and thermal power to optimize the joint reserve to meet the reserve demand of the high-proportion wind power system has become a problem that needs to be studied urgently. This paper firstly analyzes the impact of high-proportion wind power connected to the spinning reserve system on wind power consumption; Secondly, it analyzes the feasibility of CSP-thermal power combined to provide spinning reserve. Aiming at the constraints of CSP heat storage, it is proposed to use electric heating (EH) equipment to improve the standby capacity of CSP. And based on the electric-to-thermal characteristics of the EH equipment and the thermal storage characteristics of the solar thermal power plant, a model of power consumption and power generation peaking standby of the EH-CSP is established, and based on this, a solar thermal power generation-thermal power rotation standby optimization model is established. Finally, the improved IEEE 30 node system is used for simulation verification, and the result proves the effectiveness of the method proposed in this paper.
keywords：Concentrating solar power(CSP) plant, spinning reserve, electric heating equipment, high proportion of wind power
DOI: 10.19595/j.cnki.1000-6753.tces.211811
国家重点研发计划（2018YFE0208400）和国家电网有限公司总部科技项目（面向跨境互联的多能互补新型能源系统关键技术研究）资助。
中图分类号：TM73
收稿日期 2021-11-10
改稿日期 2021-12-28
张尧翔 男，1994年生博士研究生，研究方向为电力系统运行及新能源发电。E-mail：zhangyx_94@163.com（通信作者）
刘文颖 女，1955年生教授，博士生导师，研究方向为电力系统分析与控制及电力系统智能调度。E-mail：liuwenyingls@sina.com
（编辑 赫蕾）