CC BY
8
© Паздерин А.В., Самойленко В.О., Мухлынин Н.Д., Крючков П.А. УДК 621.311.1.003
СУТОЧНОЕ ПЛАНИРОВАНИЕ РЕЖИМА РАБОТЫ ИСТОЧНИКОВ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ В СОСТАВЕ МИКРО- И МИНИГРИД
Паздерин А.В1., Самойленко В.О1., Мухлынин Н.Д1., Крючков П.А2.
'Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург 2ООО «Прософт-Системы», г. Екатеринбург
Резюме: ЦЕЛЬ. Спланировать в оперативном горизонте графики выработки электроэнергии различными источниками электрической энергии, входящими в активные энергетические комплексы (АЭК). Активные энергетические комплексы являются по своей сути упрощенной версией энергообъединений масштаба Microgrid или Minigrid. МЕТОДЫ. Ввиду наличия разнородных источников энергии, изменчивости суточных цен на электроэнергию и свободного характера ценообразования внутри АЭК, задача распределения выработки электроэнергии между источниками носит оптимизационный характер. Технико-экономическое сопоставление источников электроэнергии производится на основе разработанных математических моделей с использованием методов линейной и нелинейной оптимизации, а также булевой (дискретной) алгебры. РЕЗУЛЬТАТЫ. В рассмотренном расчетном примере экономия потребителей в составе АЭК составляет до 22,4 % по сравнению с покупкой электроэнергии из централизованной сети по четвертой ценовой категории розничного рынка, прибыль генераторов до 58,5 % по отношению к себестоимости выработки. При дополнительной оптимизации режима работы генераторов возможно повысить экономию потребителей АЭК до 25,1 %, а прибыль генераторов до 65,3 %. ВЫВОДЫ. Показано, что в условиях покупки электроэнергии из внешней сети на розничном рынке электроэнергии маневренные источники энергии АЭК при двухставочной системе позволяют получать наибольший экономический эффект за счет снижения пиков нагрузки в предполагаемые часы фиксации максимумов сетевой и сбытовой мощности. Определение конечных цен на электроэнергию внутри АЭК эффективно производить с учетом положений ценозависимого потребления для стимулирования работы по эффективным суточным графикам нагрузки.
Ключевые слова: АЭК; оперативное планирование; оптимизация; Microgrid; Minigrid.
AN INRADAY PLANNING OF ELECTRIC POWER SOURCES OPERATING STRATEGY AT MICROGRIDS AND MINIGRIDS
AV. Pazderin1, VO. Samoylenko1, ND. Mukhlynin1, PA. Kryuchkov2
*Ural Federal University, Ekaterinburg 2Prosoft Systems, Ekaterinburg
Abstract: THE PURPOSE.The paper deals with a planning of electric energy output produced by different energy sources of an active distribution system. Active distribution system is a wider and simpler concept compared to Microgrid or Minigrid. METHODS. Due to distinguishing energy sources, volatility of an intraday energy prices and free market pricing, a unit commitment at an active distribution system to be considered as an optimization issue. The planning of the economy-based operating strategy is performed using energy market models, linear and non-linear programming as well as Boolean (discrete) algebra. The developed models require for obtaining short-term LCOE including CAPEX-based and OPEX costs for different kind of energy sources. A two-stage optimization procedure provides the minimization of energy costs at the first stage and intraday energy pricing at the second stage. RESULTS. The case study presented in the paper shows the economy for customers up to 22.4 % compared to energy purchased from centralized grid using double-rate tariff, and profit for energy sources up to 58.5 %. A sub-optimization approach provides the economy for customers up to 25.1 % and profit for energy sources up to 65.3 %. CONCLUSIONS. The paper shows that if energy is purchased from centralized grid using retail double-rate tariff, than flexible energy sources provide a great economy potential by reducing load peaks during the provisional hours of grid high prices and energy sales high prices. Customer pricing at an active distribution system to be set using Demand Response principles to obtain the most efficient load graph.
Key words: active distribution system; intraday planning; optimization; Microgrid; Minigrid.
Введение
В настоящее время в РФ постановлением Правительства РФ от 21 марта 2020 г. № 320 созданы законодательные и нормативно-правовые основы функционирования активных энергетических комплексов. Под объектами АЭК понимаются электростанция мощностью до 25 МВт и потребители электроэнергии, не относящиеся к категории «население». Все эти объекты имеют между собой электрические связи, не принадлежащие сетевой организации, а связь с электрической сетью имеется только в одной точке присоединения. В рамках АЭК регулирование производства и потребления ЭЭ осуществляется с применением программно-аппаратного комплекса, называемого «управляемое интеллектуальное соединение» (УИС), функционал которого описан в приказе Министерства энергетики РФ от 30 июня 2020 г. № 507. Основная функция УИС — поддержание перетока из сетевой организации в пределах величины т.н. «разрешенной мощности АЭК» за счет регулирования выработки электростанции и/или ограничения потребителей ЭЭ. Цель пилотного проекта по развертыванию АЭК - стимулирование и апробация на розничных рынках электроэнергии передовых технологических решений цифровой электроэнергетики: распределенная генерация, гибридные системы энергоснабжения (в том числе с использованием ВИЭ), системы накопления энергии, преобразовательная техника на основе силовой электроники, измерительное и коммутационное оборудование, интеллектуальные системы управления, цифровые платформы для энергетических сервисов [1].
Литературный обзор
В мировом охвате перспективы распределенной энергетики [2, 3] связаны с переходом на электроэнергетические системы масштаба М1сто§г1й (установленной мощностью до 1 МВт, в некоторых странах до 5 МВт) или М1п1§г1й (установленной мощностью до 25 МВт), далее объединяемых общим обозначением «МГ». МГ — это локальная энергосистема или система электроснабжения, представляющая собой технологический комплекс в составе объектов генерации, источников энергетической гибкости и потребителей электроэнергии, которые собраны под единым управлением в целях обеспечения эффективного и удобного для потребителя энергоснабжения. Понятие энергетической гибкости можно рассматривать как расширение понятий маневренности генерирующих объектов за счет расширения круга средств регулирования балансов мощности и электрической энергии [4].
МГ способны к поддержанию собственных балансов мощности и энергии, к свободному выделению на автономную работу и возврату к параллельной работе с централизованной сетью (ЦС) для энергообмена, если таковой выгоден по технико-экономическим соображениям. В отличие от МГ, применительно к АЭК деятельность потребителей с собственной генерацией в рамках существующих правил розничного рынка РФ существенно ограничена с точки зрения возможности и целесообразности выдачи генерируемой мощности во внешнюю сеть. АЭК является частным случаем — упрощенным вариантом МГ [4] — с запретом на выдачу мощности в ЦС и ограничениями на её потребление, с преимущественно топливной генерацией, а также режимом работы параллельно с ЦС в качестве нормального режима ввиду подразумевающегося дефицитного характера системы. В связи с неопределенностью проекта по развитию пилотных АЭК и отсутствием нормативной базы по МГ в рамках настоящей статьи объекты исследований будут в дальнейшем обозначаться аббревиатурой «АЭК/МГ». Данное сочетание обозначает родственность понятий «активный энергетический комплекс» и М1сто§г1й (М1п1§г1(). Аналогично, программно-аппаратный комплекс управления источниками гибкости (ПАК УИГ) для АЭК/МГ далее обозначается аббревиатурой «ПАК УИС/УИГ». Предусматривается, что функциональные возможности ПАК УИС/УИГ более широкие по сравнению с функционалом ПАК УИС, определяемым приказом Минэнерго № 507.
Актуальной задачей является разработка программно-аппаратного комплекса, который позволяет организовать взаимодействие потребителей и источников энергетической гибкости как внутри АЭК/МГ, так и с ЦС [5]. Важной особенностью и АЭК, и МГ является система договорных отношений, основанная на принципах свободного ценообразования и не являющаяся предметом тарифного регулирования. Статья посвящена разработке механизма ценообразования для отдельных потребителей и АЭК/МГ в целом.
Методы.
В случае наличия нескольких источников энергетической гибкости, функционирующих в рамках АЭК/МГ, задача получает оптимизационный характер, и не ограничивается затратами потребителя на взаимодействие с ЦС [6-8]. Для наиболее эффективного использования источников энергетической гибкости важно знать их ценовые
характеристики для оптимального распределения графиков нагрузки между всеми возможными источниками. Для реализации рассматриваемого механизма нужны средства прогнозирования во времени таких параметров как потребление ЭЭ [9, 10], узловые цены оптового рынка [11-13], часы максимума нагрузки для ГП [14, 15], выработка ВИЭ [16-18]. На основе этих данных возможно создание системы оптимального распределения энергии между доступными источниками, исходя из выбранного экономического критерия. В случае, если подобная система создается для потребителя, обладающего средствами энергетической гибкости, то его цель состоит в минимизации затрат на электроснабжение. В случае АЭК/МГ возникает задача расчета цен на электроэнергию при динамическом ценообразовании. При этом появляется дополнительный источник энергетической гибкости, связанный с ценозависимым управлением нагрузкой [19, 20]. Данная постановка задачи является более широкой по сравнению задачей из концепции АЭК, так как предполагает управление и оптимизацию сразу несколькими типами источников энергетической гибкости и не накладывает жестких нормативных ограничений на взаимодействие с ЦС.
Уравнение баланса ЭЭ/мощности АЭК/МГ должно выполняться для каждого
момента времени t, где N — число коммерческих интервалов за сутки. Коммерческий интервал времени, на котором производятся элементарные финансовые расчеты финансовых обязательств, принят равным одному часу в соответствии с существующей практикой взаиморасчетов. По этой причине мощность и ЭЭ в дальнейшем считаются
равнозначными величинами, так как At=1, а N =24. Для большего удобства в формуле баланса ЭЭ/мощности далее используется обозначение мощности:
рТг + Рвиэ ± РНэ ± Рцс - Рпот -aP = 0, t = 1,2,... N, (1)
где р г — мощность установок традиционной топливной генерации, Рвиэ — мощность
ВИЭ, Рц с — обменная мощность с ЦС положительна, когда осуществляется прием ЭЭ из ЦС в сеть АЭК/МГ и отрицательна, когда осуществляется выдача ЭЭ из АЭК/МГ в ЦС. Аналогично мощность накопителя Рнэ положительна в режиме его выдачи и отрицательна в режиме потребления. Знак ± перед мощностью ЦС и мощностью накопителя имеет условный характер, обозначающий генерацию или потребление ЭЭ. РпОТ — суммарная мощность потребителей АЭК/МГ, AР — потери во внутренних сетях.
При формировании целевой функции задачи управления источниками энергетической гибкости следует исходить из того, что все участники АЭК/МГ выбрали эту форму объединения ввиду ее большей привлекательности и прежде всего экономической. Это касается прежде всего потребителей АЭК/МГ, так как они всегда могут выйти из состава АЭК и заключить договор электроснабжения с ГП по тарифам, которые далее называются тарифами ЦС. Стоимость электроснабжения для потребителей АЭК/МГ должна быть ниже, чем стоимость по тарифам ЦС. Исключение может касаться случая, когда АЭК/МГ был создан ввиду отсутствия резервов мощности в ЦС для обеспечения потребностей растущего спроса на ЭЭ. В условиях дефицита на ЭЭ цены АЭК/МГ могут превышать цены ЦС.
Если предположить, что электроснабжение всех потребителей АЭК/МГ в 100 % объеме осуществляется из ЦС по тарифам ГП с суммарной для всех потребителей стоимостью Сцс ,
то данную стоимость можно рассматривать как ориентир при ценообразовании для потребителей АЭК. Чем ниже будет суммарная фактическая стоимость электроснабжения потребителей АЭК/МГ Сп по сравнению с Сцс , тем это более выгодно потребителям. Для
генераторов (источников) ЭЭ привлекательна высокая цена продажи Спр , так как чем она выше, тем больше их прибыль. Но максимум прибыли источников будет наблюдаться при минимуме затрат на выработку необходимой мощности/ЭЭ Ср. Для этого необходимо
оптимально распределить загрузку всех источников исходя из минимума Сг с учетом затратных (расходных) характеристик всех источников [21, 22].
В разрезе суток разница между СщГ и Ср сут формирует суточную выгоду (прибыль) АЭК/МГ по сравнению с ЦС:
^оут _ у^сут ^зт-сут (2)
сприб _ сцс _ сг •
Для обеспечения справедливого распределения этой прибыли между источниками (генераторами) и потребителями необходимо определить долю (процент) прибыли d для генераторов АЭК/МГ, a оставшаяся часть прибыли 1-d останется у потребителей. Тогда
фактическая суточная плата потребителей С'псут в адрес генераторов составит:
ГсУт _ г.зт-суг , j^y (3)
сп _ сг ^ "сприб . (3)
Если значение прибыли С^И отрицательно, то в выражении (3) прибыль должна
быть принята нулевой. В такой ситуации энергообеспечение потребителей от ЦС будет дешевле по сравнению с источниками АЭК/МГ.
Процедура планирования режима источников электроэнергии АЭК/МГ делится на две подзадачи.
Первая подзадача планирования сводится к минимизации суммарных суточных
затрат всех источников (4) и численному определению этого минимума С^ . На этапе
решения второй подзадачи на основе Сцс и выражения (3) рассчитывается суточная
прибыль АЭК/МГ и определяется суточная плата для потребителей и для источников.
Задача суточного планирования режима работы источников энергетической гибкости АЭК/МГ должна решаться на основе минимизации суммы затрат всех источников:
СйТ = ZNl Хы (Х) ^min ' (4)
где N — число коммерческих интервалов времени за сутки, предполагающих изменение цен на ЭЭ в ЦС (для нашей страны N =24); Ng — число источников ЭЭ в составе МГ; 8ti — булева переменная 1/0 включенного состояния генерирующего агрегата в i коммерческий интервал времени; С/ (Х) — стоимость i-го источника на поставку ЭЭ, которая зависят от параметров X, влияющих на его затраты.
Постановка задачи оптимального планирования режима работы АЭК/МГ близка к классической задаче оптимизации режима работы ЭЭС [21, 22], однако имеет ряд отличий:
- при распределении загрузки источников в АЭК/МГ следует учитывать все составляющие конечной цены источников ЭЭ, которые относятся к капитальным (CAPEX), и к операционным (OPEX) затратам. Это связано с разнородностью источников ЭЭ и тем, что для ЦС, накопителей и ВИЭ капитальные затраты являются определяющими;
- для оптимального распределения загрузки используются ценовых характеристики источников, которые определяют цену одного кВт (кВт-ч) в зависимости от влияющих на нее факторов (режим работы источника, время суток и др).
- минимизация суммарной стоимости источников осуществляется за счет того, что их суммарная загрузка покрывается источниками, имеющими наименьшую цену;
- ввиду приоритетности использования источников на основе ВИЭ их ценовые характеристики на этапе распределения нагрузки между источниками принимаются нулевыми. При этом источники ВИЭ будут всегда востребованы, как наиболее дешевые. Однако при определении цен на ЭЭ для потребителей стоимость генерации от источников
на основе ВИЭ учитывается в составе полной стоимости источников СИ^ .
Для каждого типа источника ЭЭ параметры X могут быть разные. Так для топливных установок стоимость выработки определяется, прежде всего, ценой топлива и степенью загрузки агрегатов. Стоимость покупки ЭЭ из ЦС определяется договорными отношениями оператора МГ с гарантирующим поставщиком (ГП), зависит от уровня тарифного напряжения, зависит от выбранной ценовой категории и существенно зависит от часа суток. В целях унификации затратные характеристики разных типов источников приводятся к виду:
С/ (Х) = ц/ (Х) •р, (5)
где Ц — удельная стоимость (цена) [руб./кВт-ч] выработки одного кВт-ч ьм источником ЭЭ.
Наиболее популярными источниками малой генерации в РФ являются газопоршневые установки (ГПУ), при отсутствии ЦС поршневые дизельные установки (ДУ), реже газотурбинные установки (ГТУ) [23, 24]. Ценовые характеристики для них определяются расходом топлива (для поршневых — также масла) как основной составляющей ОРЕХ-затрат и выработкой моторесурса, с помощью которого учитывается САРЕХ-затраты. Затраты на расход первичного энергоносителя и вспомогательных горючесмазочных материалов (если имеется) описываются квадратичной зависимостью:
Расхг. j = СГ°пл.: +Масл,- )=(a, + biPL j + cP + о,- уд P. j) .
(6)
Расходные характеристики топлива современных типов генерации с коэффициентами а, Ь, с аппроксимирующей полиномиальной характеристики второй степени, предоставляющей достаточную для инженерных задач степень аппроксимации, показаны на рисунке 1, а.
Электрический КПД современных ГПУ находится на уровне 45 %, а ГТУ — на уровне 35 %. Однако, при уменьшении загрузки установок по отношению к номинальной мощности КПД несколько снижается у ГПУ, значительно — у ГТУ. При современной стоимости газа себестоимость выработки электроэнергии по топливу составляет в среднем 1,15 руб./кВт-ч для ГПУ и 1,65 руб./кВт-ч для ГТУ. Расход масла ГПУ в функции затрат вычисляется исходя из удельного угара масла на кВт-ч выработанной энергии. Для
простоты он может приниматься константой 0( =4-25 коп./кВтч выработанной энергии.
Расходование моторесурса оборудования описывается как:
икап,- • Скаптт икап,- • Скап ( m,-Ресурс, =-Норм.обслуж,- =-11 + ^^
(7)
где икап, — доля затрат на капитальный ремонт, от 30 % исходных капвложений в генерирующий агрегат, или от 70 % от капитальных вложений в двигатель; Скап — исходные капвложения в генерирующий агрегат или двигатель, соответственно; -интервал между капитальными ремонтами, 40-80 тыс. часов. В данную величину также включается сервисная норма обслуживания, зависящая от типа и мощности оборудования. Для современных установок она составляет даг- =4,5-9 %.
Учет ресурса является второй по значимости величиной затрат. Себестоимость расхода ресурса составляет 0,75-1,25 руб./кВт-ч. При пусках также расходуются и топливо, и ресурс. Итоговая структура затрат на примере ГПУ показана на рисунке 1, б.
100
%,
,n 80
io
a 60
S
s СЛ no 40
и 20
"3
ta 0
-0,0040x2 + 1,1000x + 30,0000
y = -0,0012x2 + 1,0200x + 10,0000
20
40
60
80
100
Загрузка установки, % Unit load, %
-ГПУ -ГТУ Полиномиальная (ГПУ) Полиномиальная (ГТУ)
а)
Рис. 1. а) расходные характеристики топлива ГТУ и ГПУ с аппроксимирующими полиномами 2-го порядка; Ь) приблизительная структура себестоимости выработки электроэнергии ГПУ мощностью 2-4,5 МВт
Расход
моторесу рса
Расход топлива на пуски; 1%
Масло 0,15; 7%
b)
Fig. 1. a) fuel consumption quadratic approximation (dot lines) of gas reciprocating units and gas turbine units; b) typical LCOE components for gas reciprocating units of 2-4.5 MW power: fuel, oil lubricant, fixed assets amortization due to energy output, fixed assets amortization due to startups, fuel consumption during startups
0
Вторая подзадача планирования заключается в расчете почасовых цен (тарифов) для источников и для потребителей АЭК/МГ на основе известной суточной стоимости
электроснабжения потребителей СД1. Данная задача может рассматриваться с учетом
ценового регулирования графика нагрузки потребителей [8, 19-22]. Дифференциация цен на почасовых интервалах направлена на формирование ценозависимого потребления в соответствии с принципами ценообразования по времени суток (time-of-use) или в режиме реального времени (real-time pricing) — при наличии прогноза на сутки целиком.
Дифференцированные по 24 часам суток цены за кВт-ч рассчитываются исходя из распределения затрат между часами суток пропорционально нелинейной функции f (Pt).
цТ3 f ( p )=су.
(8)
В качестве такой функции могут приниматься квадратичная или кубическая зависимости, отражающие потери мощности энергии в ЦС и источниках АЭК/МГ.
Подробнее обе подзадачи рассматриваются далее для наглядного пояснения процедуры планирования.
Результаты и обсуждение
В рассматриваемом примере генерация АЭК/МГ представлена четырьмя газопоршневыми установками (ГПУ) 4,4 МВт с регулировочным диапазоном 2,2-4,4 МВт каждая. Цена выработки кВт-ч электроэнергии для нижнего предела 2,2 МВт составляет 2,9 руб./кВт-ч, а для верхнего предела 4,4 МВт составляет 1,8 руб./кВт-ч и она включает как капитальные затраты, так и эксплуатационные затраты на газ и масло для ГПУ. Ценовая характеристика ГПУ, полученная с учетом (6), (7) и затрат с рисунка 1, б, представлена на рисунке 2, а. Эквивалентная цена на электроэнергию из ЦС с учетом всех составляющих сетевой цены представлена на рисунке 2, б.
3,0
2,5
Ш 2,0 Г %
И я
12 2 1,5
is « >> ¡а ^ 1,0 * "3
Я = 0,5 О
0,0
50 60 70 80 90 100
Загрузка агрегата, % Unit load, %
a)
Рис. 2. Цена: а) выработка ЭЭ ГПУ; b) эквивалентная цена покупки ЭЭ у ЦС по тарифам СН2 для четвертой ценовой категории
■ а И £
^ S
is «
>у а
a S « »
Я
Й ад -
□ «
n
ы
16 14 12 10
lllllll
Номер часа Hour
b)
Fig. 2. Price for: а) gas reciprocation genset output; b) equivalent centralized grid energy price according to double-rate tariff
8
6
4
Покупка ЭЭ из ЦС осуществляется в соответствии с четвертой ценовой категорией по тарифам 2021 года ГП «Энергосбыт Т+» (Свердловская область) для уровня тарифного напряжения СН2 (от 1 кВ до 20 кВ). Для данной ценовой категории оплата услуг на передачу и оплата ЭЭ осуществляется по двухставочной системе, в которой определяющее значение имеют суточные максимумы мощности потребления в час максимальной нагрузки самого потребителя и в час максимума для ГП. Данные максимумы ограничены дневными часами суток в соответствии с постановлением Правительства РФ от 04.05.2012 № 442 и другими регламентирующими документами. При этом ночные часы никогда не участвуют в расчете фактической мощности, и стоимость ЭЭ в эти часы определяется только потреблением электроэнергии в кВт-ч, а значит, она является минимальной. Заранее не известно какой час будет использоваться ГП в качестве максимального, поэтому для расчета цены ЦС для каждого часа суток необходимо использовать вероятностный подход [14, 15]. На рисунке 2, б представлена ценовая характеристика ЦС, полученная на основе
моделирования отдельных составляющих конечной цены для потребителя четвертой ценовой категории уровня СН2: стоимость ЭЭ на оптовом рынке ЭЭ; стоимость мощности на оптовом рынке мощности; стоимость ЭЭ сетевой компании; стоимость мощности сетевой компании; энергосбытовая надбавка ГП; стоимость услуг иных организаций. В соответствии с рисунком 1, б наиболее дорогими являются часы, для которых максимум сетевой мощности может совпасть с максимумом ГП. В ночные часы максимумы нагрузки не используются и полная стоимость электроснабжения от ЦС в эти часы минимальна.
Почасовой график потребления АЭК/МГ представлен на рисунке 3. Задача оптимизации сводится к распределению нагрузки между ГПУ и ЦС. При этом задача суточного планирования загрузки ГПУ сводится к минимизации суммы затрат за 24 расчетных часа:
Fc+т РЦС - ц
гпу ргпу \ min
(9)
В связи с отсутствием в составе АЭК/МГ накопителей [25] и заданным составом
агрегатов, отсутствует взаимосвязь между часами суток, и задача оптимизации сводится к
0 ТТДС . ТТГПУ гтт,,
поиску минимума затрат на каждом часе суток. В ночные часы, когда ц, < ц , ГПУ
работают на минимуме или отключаются, а в дневные часы, когда цЦС > ц)^^, ГПУ работают на максимуме. С учетом сформулированных условий оптимальное распределение загрузки ГПУ и ЦС по часам суток представлено на рисунке 3.
При 100 % покрытии нагрузки от ЦС цена для потребителей составит 2672 тыс. руб. В варианте 1 все четыре ГПУ в ночные часы работают на минимуме 2,2 МВт (желтый график). Синим цветом представлен график покупки ЭЭ из ЦС. При покрытии нагрузки в таком сочетании ЦС и ГПУ плата ЦС составит 453 тыс. руб., а себестоимость ГПУ 1023,7 тыс. руб. Полная стоимость источников составит 1474 тыс. руб.
н 25 И ^ S £20
15
о S
X £
Я ° § Ь
10
Номер часа Hour
a)
25 £ 20 Ч 15
| 10
(S 5
Номер часа
Hour
b)
Рис. 3. Графики нагрузки электропотребляющих Fig. 3. Active distribution system load curve; power
установок АЭК; мощности, потребляемой из централизованной сети и мощности ГПУ: а) при работе ГПУ на технологическом минимуме в ночные часы; Ь) при отключении ГПУ в ночные часы
import from centralised grid and genset output: a) gensset min basseload during night time; b) gensset sshutdown during night time
Если возникающую в соответствии с (2) прибыль АЭК/МГ 1198 тыс. руб. делить между источниками и потребителями поровну (й?=0,5), то суточная плата потребителей снизится до 2073 тыс. руб., т.е. на 599 тыс. руб. За счет перехода от ГП в АЭК/МГ потребители снижают свою плату за электроснабжение на 22,4 %. Прибыль ГПУ составит 599 тыс. руб. или 58,5 % от себестоимости.
В варианте 2 все ГПУ в ночное время отключаются (желтый график), затем пускаются с затратами ~10 тыс. руб. на пуск каждой ГПУ, включая расход моторесурса. Синим цветом представлен график покупки ЭЭ из ЦС. При отключении ГПУ в ночные часы суточная стоимость источников снижается до 1333 тыс. руб. Экономия потребителей и прибыль ГПУ увеличиваются до 669 тыс. руб., что в процентном соотношении составляет 25,1 % и 65,3 %, соответственно.
5
0
0
Далее на основании рассчитанной суточной платы потребителей СД1 решается
вторая подзадача, т.е. рассматриваются различные варианты формирования почасовых цен на ЭЭ для потребителей. При этом рассматривается ряд подходов, каждый из которых
должен обеспечить точное равенство суммарной платы Спут =2073 тыс. руб. Если С^1
распределяется между часами прямо пропорционально потреблению за каждый час, то цена на ЭЭ будет неизменна в течение суток и равна 5,5 руб./кВт-ч. На рисунке 4 показаны графики изменения цены по часам суток для потребителей.
Желтый цвет соответствует распределению суточной стоимости пропорционально часовому потреблению. При распределении стоимости между часами пропорционально квадрату часового потребления, цена кВт-ч будет уменьшаться при снижении нагрузки и увеличиваться, при увеличении нагрузки (красный цвет). Если распределение стоимости между часами производить пропорционально кубу от часового потребления, то цена за кВт-ч будет еще более сильно дифференцирована между часами суток и будет сильнее снижаться при снижении нагрузки и увеличиваться, при увеличении нагрузки (фиолетовый цвет). Коричневый график соответствует распределению почасовых цен пропорционально фактическим затратам на источники ЭЭ. Синий график показывает цены для потребителей при 100 % снабжении от ЦС по ценам гарантирующего поставщика.
линейная квадратичная кубическая
25 Мощность по затратам центр.сеть
123456789 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Часы
Hour
Рис. 4. Почасовые цены для потребителей Fig. 4. Hourly power and energy price indices: АЭК/МГ genset LCOE, centralized grid; energy linear
(static), quadratic, and cubic real-time pricing
Выводы
1. Оперативное планирование суточного режима работы АЭК/МГ следует рассматривать как двухэтапную оптимизационную задачу, которая должна решаться на уровне головного программно-аппаратного комплекса УИС/УИГ. На первом этапе (задача 1) производится распределение нагрузки между источниками электроэнергии исходя из минимизации их стоимости. На втором этапе (задача 2) определяются цены для потребителей и имеется возможность ценозависимого воздействия на график потребления.
2. Для успешного решения задачи оперативного планирования суточного режима работы АЭК/МГ, помимо технических и стоимостных характеристик источников электрической энергии необходима прогнозная почасовая информация о графике электропотребления, об узловых ценах оптового рынка, о выработке мощности на основе возобновляемых источников.
3. Для обеспечения взаимной выгоды источников и потребителей энергии, цены для источников и потребителей следует устанавливать исходя из распределения в договорной пропорции прибыли, которая возникает в АЭК/МГ от снижения цены для потребителей по сравнению с централизованной сетью за счет использования источников энергетической гибкости.
4. Для решения оптимизационной задачи распределения нагрузки между источниками электроэнергии, включая централизованную сеть, целесообразно использовать ценовые характеристики для разнотипных источников электрической энергии, учитывающих капитальные и эксплуатационные затраты. Приоритет загрузки источников при этом определяется в соответствии с ростом цены на вырабатываемый кВт ч, что сводится к решению задачи линейного программирования.
5. На основе решения задачи оперативного планирования определяются стратегии загрузки различных источников по часам суток: стратегия максимальной выработки на собственных источниках, стратегия максимальной покупки из сети, стратегия следования за нагрузкой для поддержания внешнего перетока. Фактическое управление источниками при отклонении факта от плана осуществляется на основе заранее определенных по часам суток стратегий.
6. Ценовые характеристики покупки энергии из централизованной сети очень сильно зависят от часа суток, особенно при двухставочной системе оплаты услуг на передачу. Маневренные источники энергии АЭК/МГ при двухставочной системе позволяют получать наибольший экономический эффект за счет снижения пиков нагрузки в предполагаемые часы фиксации максимумов сетевой и сбытовой мощности.
7. На основе тарифов РЭК Свердловской области первого полугодия 2021 г. рассмотрен пример АЭК/МГ в составе четырех ГПУ мощностью 4,4 МВт каждая и связи с сетью на уровне СН1. Моделирование почасовых графиков показало, что для четвертой ценовой категории стратегия загрузки агрегатов весьма простая: максимальная выработка мощности ГПУ в часы возможной фиксации сетевого и особенно сбытового максимума; работа на минимуме в ночные часы, если имеется возможность, то отключение агрегатов.
8. Предложены методики формирования дифференцированных по часам суток цен на электроэнергию для потребителей, учитывающих форму суточного графика нагрузки и направленных на выравнивание этого графика.
Литература
1. Илюшин П.В., Ковалев С.П., Куликов А.Л., и др. Методы интеллектуального управления распределенными энергоресурсами на базе цифровой платформы // Библиотечка электротехника. 2021. № 8 (272). С. 1-116.
2. Ali N., Kumar D. State-of-the-Art Review on Microgrid Control Strategies and Power Management with Distributed Energy Resources // Lecture Notes in Electrical Engineering. 2021. № 693. pp. 749-756.
3. Muqeet H.A., Munir H.M., Javed H et al. An energy management system of campus microgrids: State-of-the-art and future challenges // Energies. 2021. № 14 (20). pp. 1-34.
4. Холкин Д. Активные энергетические комплексы - первый шаг к промышленным микрогридам в России: экспертно-аналитический доклад // М.: Инфраструктурный центр Энерджинет. 2020. С. 1-58.
5. Шубин Н.Г., Красильников М.И., Непша Ф.С. Агентное моделирование системы управления микрогридом на базе цифровой платформы // Энергетик. 2021. № 8. С. 3-9.
6. Delfino F.A., Delfino F., Ferro G., Parodi L., et al. Multi-objective energy management system for microgrids: Minimization of costs, exergy in input, and emissions // The proceedings of 4th International Conference on Smart Energy Systems and Technologies. 2021. № 8. pp. 3-9.
7. Xiang, Y., Yue Xiang, Junyong Liu et al. Robust Energy Management of Microgrid With Uncertain Renewable Generation and Load // IEEE Transactions On Smart Grid. March 2016. V. 7. No. 2. pp. 1034-1043.
8. Дзюба А.П., Соловьева И.А. Интегрирование систем малой распределенной энергетики в модель ценозависимого управления спросом на электропотребление // Проблемы экономики и управления нефтегазовым комплексом. 2018. № 5. С. 39-49.
9. Серебряков Н.А. Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропотребления электротехнического комплекса районных электрических сетей // Омский научный вестник. 2021. № 1 (175). С. 39-45.
10. Ведерников А.С., Ярыгина Е.А. Разработка программы для решения задач краткосрочного прогнозирования электропотребления на основе искусственных нейронных сетей // Энергетик. 2019. № 2. С. 32-35.
11. Золотова И.Ю., Дворкин В.В. Краткосрочное прогнозирование цен на российском оптовом рынке электроэнергии на основе нейронных сетей // Проблемы прогнозирования. 2017. № 6. С. 2-5.
12. Смирнова Е.О., Филатов А.Ю. Прогнозирование рынка электроэнергии "на сутки вперед": пример второй ценовой зоны // Вестник Воронежского государственного университета. Серия: Экономика и управление. 2018. № 4. С. 149-159.
13. Афанасьев Д.О., Федорова Е.А. Краткосрочное прогнозирование цены электроэнергии на российском рынке с использованием класса моделей SCARX // Экономика и математические методы. 2019. Т. 55. № 1. С. 68-84.
14. Серебряков Н.А. Применение ансамбля глубоких нейронных сетей в задачах краткосрочного прогнозирования почасового электропотребления гарантирующего
поставщика электроэнергии // Электротехнические системы и комплексы. 2021. № 2 (51). С. 52-60.
15. Бершадский И.А., Джура С.Г., Чурсинова А.А. Использование искусственного интеллекта для прогнозирования электропотребления энергосбытовой компании // Научный вестник Новосибирского государственного технического университета. 2020. № 4 (80). С. 716.
16. Hanifi S., Liu X., Lin Z. et al. A Critical Review of Wind Power Forecasting Methods-Past, Present and Future // Energies. 2020. №13 (15). pp. 37-64.
17. Jorgensen K.L., Shaker H.R. Wind Power Forecasting Using Machine Learning: State of the Art, Trends and Challenges // Proceedings of the 8th International Conference on Smart Energy Grid Engineering. 2020. pp. 1-11.
18. Ahmed R., Sreeram V., Mishra Y. et al. A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization // Renewable and Sustainable Energy Reviews. 2020. №124. pp. 44-50.
19. Сенчук Д. А., Цырук С.А., Матюнина Ю.В. Разработка алгоритма ценозависимого управления потреблением электрической энергии на промышленном предприятии // Промышленная энергетика. 2020. № 4. С. 2-7.
20. Маринова С.В. Стратегические возможности механизма ценозависимого снижения потребления // Вестник Тверского государственного технического университета. Серия: Строительство. Электротехника и химические технологии. 2020. № 1 (5). С. 63-70.
21. Narimani H., Azizivahed A., Naderi E. et al. A practical approach for reliability-oriented multi-objective unit commitment problem // Applied Soft Computing Journal. 2019. № 85. pp. 1-5.
22. Yan B., Luh P.B., Zheng T. et al. A Systematic Formulation Tightening Approach for Unit Commitment Problems // IEEE Transactions on Power Systems. 2020. № 35(1). pp. 782-794.
23. Лебедев А.С. Энергетические газовые турбины в России: проекты и реальность // Рыбинск: ИД «Газотурбинные технологии» 2021. 240 стр.
24. Discovery Research Group Анализ рынка газопоршневых установок в России // М: Изд-во «БизнесПресс». 2021. 105 стр.
25. Антоненков Д.В., Манусов В.З., Матренин П.В. Адаптивное оптимальное управление системой накопления энергии генерирующего потребителя с возобновляемыми источниками энергии и др. // Омский научный вестник. 2020. № 5 (173). С. 50-56.
Авторы публикации
Паздерин Андрей Владимирович - д-р.техн.наук, профессор, заведующий кафедрой Автоматизированных электрических систем, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина. Email: a.v.pazderin@urfu.ru.
Самойленко Владислав Олегович - канд.техн.наук, доцент кафедры Автоматизированных электрических систем, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина. Email: v.o.samoylenko@urfu.ru.
Мухлынин Никита Дмитриевич - канд.техн.наук, доцент кафедры Автоматизированных электрических систем, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина. Email: nd.mukhlynin@urfu.ru.
Крючков Павел Анатольевич - канд.техн. наук, руководитель группы ООО «Прософт-Системы ». Email: kruchkov@prosoftsystems .ru.
References
1. Ilyushin PV. Kovalev SP, Kulikov AL, et al. Metody intellektual'nogo upravleniya raspredelennymi energoresursami na baze cifrovoj platform. Bibliotechka elektrotekhnika. 2021;8 (272):1-116.
2. Ali N, Kumar D. State-of-the-Art Review on Microgrid Control Strategies and Power Management with Distributed Energy Resources. Lecture Notes in Electrical Engineering. 2021;693:749-756.
3. Muqeet HA, Munir HM, Javed H, et al. An energy management system of campus microgrids: State-of-the-art and future challenges. Energies. 2021;14 (20):1-34.
4. Holkin D. Aktivnye energeticheskie kompleksy - pervyj shag k promyshlennym mikrogridam v Rossii: ekspertno-analiticheskij doklad. M.: Infrastrukturnyj centr Enerdzhinet. 2020 g. p. 1-58.
5. SHubin NG, Krasil'nikov MI, Nepsha FS. Agentnoe modelirovanie sistemy upravleniya mikrogridom na baze cifrovoj platform. Energetik. 2021;8:3-9.
6. Delfino FA, Delfino F, Ferro G, Parodi L et al. Multi-objective energy management system for microgrids: Minimization of costs, exergy in input, and emissions. The proceedings of 4th International Conference on Smart Energy Systems and Technologies. 2021;8:3-9.
7. Xiang Y, Yue Xiang, Junyong Liu et al. Robust Energy Management of Microgrid With Uncertain Renewable Generation and Load. IEEE Transactions On Smart Grid. March 2016;7(2):1034-1043.
8. Dzyuba AP, Solov'eva IA. Integrirovanie sistem maloj raspredelennoj energetiki v model' cenozavisimogo upravleniya sprosom na elektropotreblenie. Problemy ekonomiki i upravleniya neftegazovym kompleksom. 2018;5:39-49.
9. Serebryakov NA. Primenenie adaptivnogo ansamblevogo nejrosetevogo metoda dlya kratkosrochnogo prognozirovaniya elektropotrebleniya elektrotekhnicheskogo kompleksa rajonnyh elektricheskih setej. Omskij nauchnyj vestnik. 2021;1 (175):39-45.
10. Vedernikov AS, YArygina EA. Razrabotka programmy dlya resheniya zadach kratkosrochnogo prognozirovaniya elektropotrebleniya na osnove iskusstvennyh nejronnyh setej. Energetik. 2019;2:32-35.
11. Zolotova IYU, Dvorkin VV. Kratkosrochnoe prognozirovanie cen na rossijskom optovom rynke elektroenergii na osnove nejronnyh setej. Problemy prognozirovaniya. 2017;6:2-5.
12. Smirnova EO, Filatov AYU. Prognozirovanie rynka elektroenergii "na sutki vpered": primer vtoroj cenovoj zony. Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: Ekonomika i upravlenie. 2018;4:149-159.
13. Afanas'ev DO, Fedorova EA. Kratkosrochnoe prognozirovanie ceny elektroenergii na rossijskom rynke s ispol'zovaniem klassa modelej SCARX. Ekonomika i matematicheskie metody. 2019;55(1):68-84.
14. Serebryakov NA. Primenenie ansamblya glubokih nejronnyh setej v zadachah kratkosrochnogo prognozirovaniya pochasovogo elektropotrebleniya garantiruyushchego postavshchika elektroenergii. Elektrotekhnicheskie sistemy i kompleksy. 2021;2 (51):52-60.
15. Bershadskij IA, Dzhura SG, CHursinova AA. Ispol'zovanie iskusstvennogo intellekta dlya prognozirovaniya elektropotrebleniya energosbytovoj kompanii. Nauchnyj vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta. 2020;4 (80):7-16.
16. Hanifi S, Liu X, Lin Z. et al. A Critical Review of Wind Power Forecasting Methods-Past, Present and Future. Energies. 2020;13 (15):37-64.
17. Jorgensen KL, Shaker HR. Wind Power Forecasting Using Machine Learning: State of the Art, Trends and Challenges. Proceedings of the 8th International Conference on Smart Energy Grid Engineering. 2020. pp. 1-11.
18. Ahmed R, Sreeram V, Mishra Y. et al. A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization. Renewable and Sustainable Energy Reviews. 2020;124:44-50.
19. Senchuk DA, Cyruk SA, Matyunina YUV. Razrabotka algoritma cenozavisimogo upravleniya potrebleniem elektricheskoj energii na promyshlennom predpriyatii. Promyshlennaya energetika. 2020;4:2-7.
20. Marinova SV. Strategicheskie vozmozhnosti mekhanizma cenozavisimogo snizheniya potrebleniya. Vestnik Tverskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Stroitel'stvo. Elektrotekhnika i himicheskie tekhnologii. 2020;1(5):63-70.
21. Narimani H, Azizivahed A, Naderi E. et al. A practical approach for reliability-oriented multi-objective unit commitment problem. Applied Soft Computing Journal. 2019;8561-5.
22. Yan B, Luh PB, Zheng T. et al. A Systematic Formulation Tightening Approach for Unit Commitment Problems. EEE Transactions on Power Systems. 2020;35(1):782-794.
23. Lebedev AS. Energeticheskie gazovye turbiny v Rossii: proekty i real'nost'. Rybinsk: ID «Gazoturbinnye tekhnologii». 2021. 240p.
24. Discovery Research Group Analiz rynka gazoporshnevyh ustanovok v Rossii. M: Izd-vo «BiznesPress». 2021. 105 P.
25. Antonenkov DV, Manusov VZ, Matrenin PV. Adaptivnoe optimal'noe upravlenie sistemoj nakopleniya energii generiruyushchego potrebitelya s vozobnovlyaemymi istochnikami energii i dr. Omskij nauchnyj vestnik. 2020;5 (173):50-56.
Authors of the publication Andrey V. Pazderin - Ural Federal University, Russia. E-mail: a.v.pazderin@urfu.ru.
Vladislav O. Samoylenko - Ural Federal University, Russia. E-mail: v.o.samoylenko@urfu.ru.
Nikita D. Mukhlynin - Ural Federal University, Russia. E-mail: nd.mukhlynin@urfu.ru.
Pavel A. Kryuchkov - ProsoftSystems, Russia. E-mail: kruchkov@prosoftsystems.ru.
Получено 08.12.2021 г.
Отредактировано 24.12.2021 г.
Принято 10.01.2022 г.
