1、2023 年7 月 电 工 技 术 学 报 Vol.38 No.13 第 38 卷第 13 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jul.2023 DOI:10.19595/ki.1000-6753.tces.230078 光热电站作为黑启动电源时计及机组恢复效益的运行优化 孟荣涛1 李少岩1 顾雪平1 刘 艳1 孙永昭2（1.华北电力大学电气与电子工程学院 保定 071003 2.国网河北省电力有限公司邢台供电分公司 邢台 054001）摘要 聚光太阳能热发电（CSP），又称光热发电，是集储热与产电为一体的可再生能源发电技术，具备良
2、好的运行特性，有望成为服务于电力系统应急恢复的黑启动电源。基于此背景，该文对参与系统机组恢复充当黑启动电源的 CSP 电站运行优化展开研究。首先，通过场景分析法对太阳直接辐射进行不确定性分析处理，并建立 CSP 电站支撑电力系统机组恢复的双层优化模型；然后，针对模型制定双层优化求解框架，外层为系统机组恢复模型，求取系统机组恢复信息和 CSP电站的功率输出，内层为计及机组恢复效益的 CSP 电站运行优化模型，求解 CSP 电站运行状态；最后，在含 CSP 电站的改进新英格兰 10 机 39 节点系统中对该文所提方法进行研究验证，结果表明该方法可以充分发挥 CSP 电站的灵活性，能够有效支撑机组恢
3、复过程。关键词：光热发电 黑启动电源 机组恢复效益 双层优化 中图分类号：TM732 0 引言 为落实“双碳”目标要求，我国将构建以新能源为电能供给主体的新型态电力系统1。随着新能源渗透率的不断提升，风力、光伏等发电方式所固有的波动性、间歇性使得电力系统的运行状态有可能逼近安全运行约束限值，存在发生大停电事故的风险2。2020 年 12 月墨西哥大量风电场和光伏电站受扰相继脱网，间歇性可再生能源电站在系统恢复过程中无法直接恢复，导致约 1 030 万用户停电2 h3；2021 年 2 月中旬美国德克萨斯州遭遇极端冰雪天气，受冰冻及冰雪天气影响，德州地区电网新能源电站出力锐减且部分燃气机组被迫停
4、运，致使供需严重失衡，近 500 万用户受到停电影响4。因此，建立健全合理、可行的大停电事故应急恢复预案，是保障电力系统供电能力、维护正常经济社会秩序的现实需求。作为电力系统网架重构阶段的主要任务和负荷全面恢复的基础，机组恢复是指利用黑启动电源提供启动功率实现机组再启动的过程，是电力系统应急恢复预案的核心环节之一。目前关于水轮机组充当黑启动电源的研究已经取得了一定的成果5-6，国内省级电力公司也以水电站、抽水蓄能电站为黑启动电源制定相应的系统应急恢复预案，并进行了现场验证7-8。此外，电力系统中的风电场、光伏电站、燃气轮机可以通过配置储能装置或利用厂内柴油发电机进行快速启动，也具有一定的独立运
5、行能力9。已有专家学者对配备柴油发电机的风电场10和含储能的光伏电站11充当黑启动电源的可行性进行了仿真试验，但其调控机制与适用条件较为复杂，且成本较高，因此，此类黑启动电源的实际应用较少。同样利用太阳能发电的聚光太阳能热发电（Concentrating Solar Power,CSP）是我国新兴的可再生能源发电技术，是利用光热原理将太阳能转换为热能，再由热能产生电能的发电方式，简称光热发电。CSP 电站的储能容量、连续发电及稳定性等方面比光伏储能电站更具优势，在某些缺乏传统黑启动电源但光照资源较为丰富的地区，CSP 电站将成为理想的黑启动电源。CSP 电站具有爬坡速率快、启停时间短等优势12
6、，且具备储热系统可实现能量时移，有着良好 国 家 自 然 科 学 基 金（52107092）、河 北 省 自 然 科 学 基 金（E2019502195）和中央高校基本科研业务费专项基金（2021MS063）资助项目。收稿日期 2023-01-18 改稿日期 2023-04-06 第 38 卷第 13 期 孟荣涛等 光热电站作为黑启动电源时计及机组恢复效益的运行优化 3487 的可调度能力和自启动能力13-15。目前有关 CSP 电站的研究主要集中在 CSP 电站仿真模型构建16-17、独自或联合其他电站的运行优化18-22，且对 CSP 电站替代传统火电机组进行了规划研究23-24。关于CS
7、P 电站充当黑启动电源参与电力系统恢复的相关研究正逐步开展，文献25分析了 CSP 电站充当黑启动电源的优势，并通过 PSCAD 进行了仿真验证；然后研究了CSP电站充当黑启动电源时的系统恢复情况和 CSP 电站运行状态，该模型在不影响系统获得总发电量的情况下，考虑 CSP 电站消纳光功率增加其黑启动服务收益和环境效益，这样虽不影响系统负荷恢复的进度，但各时步受最大可投负荷量约束限制，CSP 电站为消纳光功率，会提升其输出功率，进而使待恢复机组出力爬坡恢复受限，更长时间运行在最小技术出力水平之下，降低了系统供电能力可靠性且不利于电网强度的恢复提升；最后提出一种 CSP 电站黑启动服务定价方法2
8、6，以并网机组容量大小作为恢复效果表征，完善了 CSP 电站的日前调度优化模型，使其在日常运行中主动为系统恢复做好准备，但该模型并不适用于电力系统恢复场景。因此，如何在太阳直接辐射（Direct Normal Irradiance,DNI）充足时段统筹 CSP 电站出力与并网机组出力爬坡恢复之间的关系，促进并网机组恢复进程，提高电网强度，是 CSP 电站充当黑启动电源时不可忽视的问题。基于上述分析，本文将并网机组输出功率爬升至最小技术出力所需时步数作为机组恢复效益表征，提出计及机组恢复效益的 CSP 电站运行优化方法。首先以 CSP 电站充当黑启动电源启动待恢复机组，进行机组恢复顺序优化并求解
9、机组恢复期间CSP 电站的输出功率；然后根据 DNI 预测数据及CSP 电站的功率输出要求，结合待恢复机组并网时步及爬坡速率，对 CSP 电站运行状态进行优化，以促进各并网机组的出力爬坡进程；最后通过新英格兰 10 机 39 节点系统验证并分析本文所提方法的有效性以及 CSP 电站充当黑启动电源的优势。1 CSP 电站充当黑启动电源对机组恢复过程的影响 1.1 CSP 电站的组成与运行原理 CSP 电站一般由镜场（Solar Field,SF）、储热系统（Thermal Energy Storage,TES）、功率转换系统（Power Conversion System,PCS）及其他辅助设施
10、组成，包括聚光集热、储热和发电三个运行环节，由熔盐或矿物油等导热工质进行能量传递，实现各个环节的连接。聚光集热环节通过定日镜将太阳光集中至太阳能汇集装置，从而对其内部的导热工质进行加热升温；导热工质进入发电环节，通过加热水产生高温高压蒸汽带动汽轮发电机组进行发电；同时导热工质也可流入储热环节，进而实现热能存储及热能释放。根据太阳能汇集装置的不同，CSP 电站可分为塔式、槽式、菲涅尔式、碟式四种类型，其中槽式 CSP 电站基本结构如图 1 所示。图 1 槽式 CSP 电站基本结构 Fig.1 Basic structure diagram of trough type CSP power sta
11、tion 槽式 CSP 电站是 CSP 电站的一种重要形式。相较于常规的光伏储能电站，槽式 CSP 电站配有大容量长时储热装置，能够在 DNI 充足时段储存多余的热能，并在夜间或 DNI 较小时释放热能，可在不增加系统不确定性因素的条件下，实现功率持续稳定输出，从而充分发挥其灵活调节的能力。1.2 CSP 电站参与机组恢复过程分析 机组恢复是电力系统网架重构阶段的重要环节，其主要目的是确定待恢复机组的启动顺序，尽快提升机组的供电能力，实现系统稳定恢复。CSP 电站具有能量时移特性，在缺乏传统黑启动电源的地区，CSP 电站可实现自启动，并为其他待恢复机组提供启动功率，其能量传递过程如图 2 所示
12、。图 2 CSP 电站能量传递过程 Fig.2 Energy transfer process of CSP power station 3488 电 工 技 术 学 报 2023 年 7 月 在机组恢复初始阶段，CSP 电站的任务是为待恢复机组提供启动功率，此时 CSP 电站应满足紧急指令的功率输出要求；当首台待恢复机组成功并网后，CSP 电站应适当调整出力，适应并网机组出力爬坡恢复。因此，本文构建考虑 CSP 电站支撑电力系统机组恢复的双层优化模型，采用分时步恢复策略确定机组的恢复顺序及送电路径，结合机组恢复效益，对系统恢复期间 CSP 电站的运行状态进行优化。2 考虑 CSP 电站支撑电
13、力系统机组恢复的优化模型 2.1 太阳直接辐射预测的不确定性表征 DNI 对 CSP 电站的运行有着重要影响，但其易受大气条件影响，难以精确预测。为此，在建模过程中需考虑预测误差，降低 DNI 不确定性对 CSP电站运行的影响。目前，DNI 预测技术能够将误差控制在 10%以内，且一般服从正态分布27。为降低DNI 预测误差对 CSP 电站储热系统的影响，本文采用场景分析法对 DNI 的不确定性进行处理，通过场景模拟和场景削减生成考虑误差的 DNI 代表场景集，以便于优化 CSP 电站内部能量输送，提升其运行效率。场景模拟过程中，采取拉丁超立方抽样（Latin Hypercube Sampli
14、ng,LHS）对 DNI 预测误差进行模拟，将 DNI 预测值和预测误差相加得到 DNI的场景模拟值，其中预测误差服从数学期望值为0、方差为2的正态分布，DNI 模拟场景DNIaS可表示为 DNIDNIDNIafDNI2N(0,)=+SSee（1）式中，DNIfS为场景 DNI 预测值；DNIe为场景 DNI 预测误差。由于 DNI 模拟场景集中存在大量相似场景，为减小计算负担，提高场景描述效率，本文以模拟场景集中各元素之间的相似指数最小为原则，即两个模拟场景的相似指数越小则表明这两个场景包含的信息越相似；采用同步回代削减（Simultaneous Backward Reduction,SBR
15、）法对模拟场景集进行处理28，得到 DNI 代表场景集DNIiS及各个场景的概率DNIiSp。模拟场景DNIiS与模拟场景DNIjS之间的相似指数ijSI定义为?CCEEDNIDNICDNIDNIDNIDNITDNIDNITDNIDNIDNIDNITEDNIDNIDNIDNIT1()()()()()()()ijijijiiijiiiijjjjjjijijijSIdddd=+=SSSSSSSSSSSSSSSS（2）式中，Cijd和Eijd分别为模拟场景DNIiS与模拟场景DNIjS之间的相关性距离和欧氏距离；?Cijd和?Eijd分别为将Cijd和Eijd进行归一化处理的结果；C和E分别为?Ci
16、jd和?Eijd的加权系数；DNIiS与DNIjS分别为模拟场景DNIiS与模拟场景DNIjS中的 DNI 数据均值。2.2 机组恢复过程建模 2.2.1 机组恢复目标函数 机组恢复是网架重构的主要任务之一，需要在有限的时间内恢复更多机组的供电能力以提高恢复效率，因此可将机组恢复的目标设为一定时间内系统获得的总发电量最大。但机组在不同时间的发电出力对恢复过程的作用效果不同，恢复前期的电能价值高，能够减少重要负荷的停电损失。为此，可优先恢复部分启动到并网时间短、爬坡速率快的机组。本文对不同时步各待恢复机组的发电量赋予权值，并以固定时间段内系统获得的加权发电量最大为优化目标确定机组恢复顺序，构建机组恢复的目标函数为 sRE,maxiTi ti tt t i GEPt=（3）式中，E为在固定时段T内待恢复机组获得启动功率后可为系统提供的加权发电量；,i t为机组 i 在 t时步的出力加权系数，在机组恢复初期取较大权值，并随恢复进程推移减小至一个最小值；E,i tP为机组 i在 t 时步可能的功率输出；Sit为机组 i 获得启动功率的时步；t为时步时长，取值为 0.25 h；T 为固定时间段；
