在“双碳”目标的指引下，中国电力系统已迈入以新能源为主体的新型电力系统发展阶段[1]。然而，随着新能源的不断接入，传统电力系统面临连锁故障和大面积停电的风险愈加严重[2-3]。在此基础上，充分发挥储能系统的调节作用，可缓解高比例新能源接入的影响[4]。利用风、光等可再生能源及储能系统与火电互相耦合，构建新型一体化发电系统，将有助于减少火电碳排放，加快中国“双碳”目标的实现。

而如今电力负荷正在新型电网体系下呈现出极其复杂的形态[5]，因此，对于如何在新型电力系统中进行运行调度而言，负荷需求预测具有重要意义。在此背景下，众多研究人员在电力负荷预测领域利用了神经网络技术，其中赖俊升等[6]利用名为径向基神经网络（radial basis function neural networks,RBFNNs）的方法进行了预测，研究结果表明，相较于其他方法，RBFNNs在中期和短期负荷预测方面都具备明显优势。Rafi等[7]运用卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long shortterm memory,LSTM）预测孟加拉国的电力负荷，该方案具有一定可靠性。根据贝叶斯（Bayes）算法在超参数搜索和优化中的优势[8-9]，本文在LSTM神经网络的基础之上，提出Bayes-LSTM预测算法，对用电侧的负荷需求进行预测。

实现“双碳”目标的重要措施之一，是将CFPP与太阳能进行耦合，其前景广阔[10-11]。姜越等[12]将太阳能与660 MW二次再热CFPP进行耦合，标准煤耗率在100%THA负荷下可下降4.85 g/k Wh。李超等[13]将再热器添加到太阳能辅助300 MW燃煤系统中，功率提升、燃料节省模式标准煤耗率分别降低35.98、34.99 g/k Wh。然而由于太阳能间歇特性的影响，耦合后CFPP无法接收到连续的热量，因此造成相连接的管道启停次数增多，出现较大能量损失，进而影响机组的运行安全性。本课题组经过研究发现，引入太阳能储热装置可规避此类问题，且有效降低了机组煤耗[14]。此外，以压缩空气储能系统（compressed air energy storage,CAES）为基础提出“光火储”一体化发电系统[15-16]，在提高可再生能源利用率的同时，推动CFPP灵活性改造。

基于以上研究，本文运用Ebsilon软件进行“光火储”一体化发电系统的建模，运用多特征值输入的LSTM模型进行负荷预测，同时对LSTM模型运用Bayes算法优化超参数。分析该系统的运行情况后，获得太阳能辅助燃煤发电系统（solar-assisted coal-fired power generation system,SCPGS）及CAES的安全约束条件，以此为基础提出一种平抑CFPP出力波动的动态规划方法来优化系统的运行模式。研究结果可为一体化发电系统的全局优化运行提供参考。

1、系统建模及评价指标

1.1系统设计与建模

“光火储”一体化发电系统包含3个子系统：CFPP、带储热的槽式太阳能集热系统与CAES系统，利用Ebsilon软件建立系统的模型如图1所示。

图1 一体化发电系统示意

CFPP系统见图1中A部分。采用某350 MW亚临界供热机组为研究对象，锅炉为亚临界、一次再热、自然循环汽包锅炉，汽轮机采用凝汽式、一次中间再热汽轮机组，给水加热器为“三高四低一除氧”布置。

为检验所建模型的可靠性，表1为主要参数的模拟值与设计值对比，其中主要设计参数以CFPP原则性热力系统图100%、75%和50%THA工况数据为准。相较于设计值，所建模型最大相对误差为2.14%，小于工程允许误差，模型精确性较高。

带储热的槽式太阳能集热系统见图1中B部分，主要设备包括槽式太阳能集热器、导热油泵、热罐、冷罐和油水换热器等。

利用油水换热器及其连接管路，将带储热的槽型太阳能集热系统与CFPP连接。自给水泵的出水口引出的一部分给水，通过油水换热器进行吸热后送至1号高压加热器的出水口，温度与出口水温一致，从而将太阳能集热场中的热量输送到CFPP。另外，在CFPP低负荷或降负荷运行时，也可将一部分导热油送入储热罐中进行储存，而处于升负荷运行时，把储存的热量引入火电机组中，提高其升负荷速率。

表1 主要参数设计值及模拟值对比

CAES系统见图1中C部分，CAES系统由压缩机、膨胀机、热交换器和储气罐等设备组成。

在CAES储能阶段，电动机做功使压缩机入口常温空气压力提高，CFPP凝结水吸收产生的压缩热后水温升高到接近于除氧器入口水温度时，将凝结水送入除氧器入口；在CAES释能阶段，通过5#回热抽汽管道抽出的蒸汽，对储气罐中的高压空气进行加热，再经冷凝后送入5#低压加热器的疏水管路。高压空气被加热后进入膨胀机做功，驱动发电机发电。

利用Ebsilon软件仿真时需要做以下假设：

1）空气设定为干空气，由体积比占78.08%的氮气、体积比占20.95%的氧气及二氧化碳、氦气等其余气体所组成；

2）不考虑设备及管路的压损和部分热量耗散；

3）压缩机、膨胀机的绝热效率均固定为88%;

4）环境温度设置为室温25℃，压力设置为大气压力101.325 k Pa。

表2为CAES压缩机以及膨胀机的主要参数设计，表3为储气罐的设计参数，其中压缩机空气流量和换热器水流量固定为57.24、13.75 t/h；膨胀机空气流量定为105.9 t/h，入口气温定为100℃。

表2 CAES系统部件主要参数设计

表3 储气罐设计参数

1.2评价指标

分别引入出力特性参数、热力特性参数对“光火储”一体化发电系统的运行策略进行分析，评价指标如下。

1.2.1机组出力特性参数

机组在统计期T内的最大出力Pf,max、最小出力Pf,min、和峰谷差ΔPf的表达式如式（1）～式（3）所示。

机组在统计期T内的平均出力Pf,pj表达式如式（4）所示。

式中：Pf,t——f机组对应的输出功率，MW。

为了更好地评价机组的出力波动情况，引入两个参数：日出力率kp和最小出力系数αp。其中，日出力率kp指平均出力与最大出力的比值，用于衡量机组出力曲线的不平坦度。数值越接近1，曲线越平坦，表达式如式（5）所示。

最小出力系数αp指最小出力与最大出力的比值，表达式如式（6）所示。

kp、αp值越小，表明机组出力波动越剧烈，机组稳定性越差；相反，kp、αp值越大，机组出力越平稳，机组稳定性越好。

此外，还引入了出力波动率εp对机组出力的波动幅度进行比较分析，适用于发电出力曲线ΔPf差异较大的情况。εp越小，出力曲线越平滑。表达式如式（7）所示。

式中：n——统计期T的数量；Pe,f——机组额定功率，MW;βf——机组额定爬坡速率，MW/min。

1.2.2机组热力特性参数

汽轮机组热耗率qr,t是指汽轮机组每生产1 k Wh电能时消耗的热量，用于评价机组的运行经济性。在t时刻其表达式如式（8）所示。

式中：Dzq——汽轮机主蒸汽流量，t/h;hzq——汽轮机主蒸汽焓值，k J/kg;Dgs——最终给水流量，t/h;hgs——最终给水焓值，k J/kg;Dzr——汽轮机再热蒸汽流量，t/h;hzr——汽轮机再热蒸汽焓值，k J/kg;Dlzr——冷再热蒸汽流量，t/h;hlzr——冷再热蒸汽焓值，k J/kg;Djw——减温水流量，t/h;hjw——减温水焓值，k J/kg;Dk——用于供热的补充水量，t/h;hk——用于供热补充水焓值，k J/kg。

平均热耗率qr指统计期T内汽轮机组每输出单位发电量对应的热量消耗，其表达式如式（9）所示。

汽耗率dr,t指汽轮机组每生产1 k Wh电量对应的主蒸汽消耗量，表达式如式（10）所示。

平均汽耗率dr则为统计期T内机组生产1 k Wh电量时消耗的主蒸汽量，其表达式如式（11）所示。

平均发电标准煤耗率bbm是机组在统计期T内每生产1 k Wh电能耗用的标准煤量，表达式见式（12）。

式中：Bbm,t——t时刻生产用标准煤量，t;Qf——发电量，MWh。

2、Bayes-LSTM负荷需求短期预测

2.1 Bayes-LSTM模型的建立

对于按时间顺序排列的序列数据的处理，循环神经网络（recurrent neural network,RNN）较其他神经网络更具有适应性[17]。通过LSTM改进RNN，能较好地解决RNN训练长序列时梯度消失与爆炸等现象[18]。所以在用电需求预测中，使用LSTM建模可更好地处理海量历史真实数据且该模型预测精度高。

但在建立神经网络模型之前，必须先确定建立模型所需要的超参数，通常使用网格搜索[19-20]、随机搜索[21]和Bayes优化[22]等。其中网格搜索的计算时长以及资源占用较大，而随机搜索算法并不能确保得到的结果为最优值。Bayes优化算法则在进行新一轮参数选择中，综合以往结果来明确进行的优化方向，使其可快速获得最优值。

Bayes优化的大致过程如下：首先，在Bayes的初始阶段，根据先验分布产生的n维参数向量pn代入目标函数中，然后利用观测模型判断参数能否使得目标函数值达到最优，如果无法获得最优结果则向下传递信息，进行更新后得到后验分布。采用逐次迭代的方法，对已有的先验分布进行更新。当信息量增多时，概率模型逐步调正完毕，由此便获得了pn的最佳优化方向。图2为Bayes-LSTM预测算法的流程示意。

图2 多特征值输入的LSTM算法流程

选用均方根误差（root mean square error,RMSE）与平均绝对百分比误差（mean absolute percentage error,MAPE）作为衡量预测值与实际值之间误差的指标[23]。

RMSE利用平方消除了所有误差的正负号，从而使得预测效果更精确，其数值越小，误差越小，表达式如式（13）所示。

MAPE则是一个相对误差度量值，其使用绝对值来避免正误差与负误差相互抵消，可用于比较时间序列预测模型的准确性。其值越小，预测模型拥有更高的精确度，表达式如式（14）所示。

式中：n——样本数量；i——样本序列号（1～n);Yi——样本i的实际值；Pi——样本i的预测值。

2.2贝叶斯优化效果检验

以某CFPP一个月以来所接收到的AGC负荷指令数据为例，每隔10 min采集一次数据，共得到4032组数据资料供使用。在此基础上，划分数据样本为模型训练样本集和模型测试样本集，利用LSTM和Bayes-LSTM两种模型分别进行预测。

表4为在2016和4032组数据容量下LSTM和BayesLSTM模型训练时设定的超参数情况。

表4 两种模型的最优超参数组合

将样本数据参与到建模过程后，展开预测的测试样本数量为144组和1008组。图3为采用两种模型在不同测试样本下的预测结果，此二者结果都表明：相较于LSTM模型，Bayes-LSTM模型的预测结果更贴合于真实负荷指令的情况，且在数据变化范围较大即波动处的预测结果也与真实负荷指令值的差距更小，预测效果相对更优。

图3 两种算法不同测试样本下的预测结果

对Bayes算法的优化效果在数值上进行定量研究，将两种预测模型算法在不同测试样本数量下的RMSE和MAPE进行了计算，表5为预测误差的结果对比。根据对144组样本的预测误差结果分析，相比于LSTM模型，Bayes-LSTM模型的RMSE和MAPE有0.99 MW和0.65%程度的下降；根据对1008组样本的预测误差结果分析，其RMSE和MAPE有2.07 MW和0.86%程度的下降。Bayes-LSTM模型的预测精度在预测误差计算结果方面比较表现更优，且随着样本数量的增加，Bayes-LSTM模型的优越性更显著。

表5 LSTM和Bayes-LSTM的预测误差对比

3、运行策略

为了最大程度地利用储能系统，利于SCPGS的稳定运行，基于Bayes-LSTM算法预测出的“光火储”一体化发电系统出力指令目标，对系统的运行情况进行分析，得出SCPGS和CAES的约束条件，提出平抑CFPP出力波动的规划方法来优化运行模式。

3.1“光火储”一体化系统的运行分析

“光火储”一体化发电系统在t时刻输出功率即功率平衡约束条件的表达式如式（15）所示。

式中：Pcfpp,t——CFPP产生的功率，MW;Pincaes,t——CAES储能阶段消耗功率，MW;Poutcaes,t——CAES释能阶段输出功率，MW。

一体化发电系统的发电目标能利用预测手段预先知晓，再基于机组的运行特性，进行目标约束下的功率分配。在合理范围内安排CFPP出力和CAES储能、释能时机，最终可达到平抑CFPP出力波动的目的。

分析系统的运行情况可知存在两类安全约束条件，分别包括式（15）～式（17）的等式约束条件和式（18）～式（20）的不等式约束条件。

3.1.1 CFPP爬坡约束

式中：Pcfpp,max——CFPP额定功率，MW;βcfpp——CFPP爬坡速率，%/min;T'——时间，min。

3.1.2 CAES运行工况约束

式中：——压缩机运行时为1，不运行时为0;——膨胀机运行时为1，不运行时为0。

3.1.3 CFPP功率上下限约束

式中：αcfpp——CFPP功率下限系数。

3.1.4 CAES功率上下限约束

式中：Pcaes,max——CAES额定功率，MW;Pcaes——CAES运行功率，MW。

3.1.5 CAES容量约束

3.2动态规划方法

平抑CFPP出力波动的目标函数可简化为使得CFPP爬坡功率最小化，其表达式如式（21）、式（22）所示。

式中：ΔPcfpp,t——CFPP爬坡功率，MW,t取1 min。

主要计算步骤分以下4个环节：

1）数据读取：读入CFPP和CAES的设计参数、负荷指令的预测数据。

2）计算：设定CFPP和CAES的初始状态，目标为CFPP出力波动平方和最小，利用动态规划法对CAES进行储能与释能的计算。同时考虑CAES的运行参数与负荷指令预测数据，通过计算得出CFPP下一时刻的应发功率。

3）校验：检验CFPP的应发功率和爬坡速率与额定值相比是否超限，若超出额定值限制则返回上一环节重新计算。

4）输出：将满足各项约束条件的计算结果记录下来，对比各结果的CFPP出力波动平方和后输出其中的最小值；若无符合约束条件的计算结果，则输出“最优解未寻出”，结束程序。

3.3出力优化对比

对利用Bayes-LSTM模型预测的一周负荷指令结果进行连续模拟，图4为一周的负荷需求及天气条件数据。从图4中可发现，第1、2、3天都是晴天无云的天气，法向直接辐照度（direct normal irradiance,DNI）数据显示太阳光光照情况良好，在第4、5、7天都是晴朗、多云各半的天气，而天气最差情况为阴转多云，出现在第6天。

图4 一周负荷需求及天气条件数据

在上述天气条件下运行一周后的CFPP出力优化结果对比如图5所示。相比于原始CFPP历史实际出力数据，由图5可见采用了运行策略规划后的CFPP出力曲线的波动情况显著降低，表明“光火储”一体化发电系统的灵活性有所提高。由于CAES的存在，CFPP的出力运行曲线平滑度显著提升，波动剧烈情况减弱。其中，CAES的出力优化结果如图6所示，图6中连续曲线指代CAES的储能容量在一周内的变化情况，其余为对应CAES位于储能与释能阶段的出力变化，因采用的CAES额定储能容量为80 MWh，所以CAES也在安全范围内运行。

图5 CFPP出力优化结果对比

图6 CAES出力优化结果

表6给出了优化前后CFPP的出力特性参数对比，出力优化后的CFPP发电量Qf单日值与原机组相差较小，其中一周的Qf为32142.16 MWh，与原始CFPP只有96.25 MWh的差距。出力优化后的CFPP单日Pf,max均下降，Pf,min均上升，且出力波动范围ΔPf变小，表明采取运行策略对出力进行优化后的CFPP较原始机组出力波动剧烈程度降低，出力平稳性提高。

表6 优化前后CFPP出力参数对比

图7为相比于原始机组，CFPP优化前后的kp、αp和εp的结果，从每天的出力波动参数情况可见，优化后CFPP的kp以及一周的αp都升高，第5天除外。二者综合的结果表明，优化后的单日出力波动度小，曲线更加平稳，机组稳定性提高。此外，观察εp的单日及一周结果变化可见，优化后CFPP的εp有明显较大幅度的降低，表明优化后机组出力波动程度减小，曲线更加平滑。由一周的出力参数结果可见，优化后CFPP的kp增加0.02452,αp增加0.05448,εp减少7.16%，表明采用平抑CFPP出力波动的运行策略后，CFPP出力曲线更平滑，波动程度减小，运行平稳性显著提高。

图7 优化前后CFPP波动参数对比

优化前后机组运行一周后的热力参数对比如表7所示。从优化前后对比的机组热力参数数据可见，一体化发电系统太阳能集热系统部分吸收太阳能能量1079.62 MWh，由于运行CAES时需要耗能，所吸收的太阳能能量绝大部分被抵消掉。剩余部分则有助于CFPP机组的热力参数优化，其中CFPP的qr降低7.27 k J/k Wh,dr则仅降低0.01 kg/k Wh。此外，节省标准煤25.69 t,bbm仅降低了0.02 g/k Wh。由此可得，在对一体化发电系统的热力性能进行分析时，太阳光辐射能量的影响占较大比重。光照条件较好情况下其影响会降低，则机组会具有更优的热力性能。

表7 优化前后机组一周平均热力参数对比

4、结论

以用电需求预测数据为基础，提出一种以平抑CFPP出力波动为目标的动态规划方法，分析一体化发电系统的运行情况，获得以下主要结论：

1）相较于原始CFPP机组，规划后的一体化发电系统灵活性提高；

2）在确保CAES运行于安全范围内时，SCPGS优化后出力曲线平滑度显著提升，波动剧烈程度减小，εp明显下降，机组稳定性提高；

3）一体化发电系统热力性能的变化受太阳辐射能输入的影响。相比于原始机组，一体化发电系统优化后热力性能相差较小。

研究结果表明：使用多特征值输入的Bayes-LSTM算法相较于LSTM算法预测效果良好。同时，通过采用平抑CFPP出力波动的运行策略，机组的出力波动率显著下降，出力曲线更加平滑，储能运行状态良好。此优化策略效果显著，对机组的热力性能影响较小。

参考文献:

[3]张玥,谢光龙,张全,等.美国得州2·15大停电事故分析及对中国电力发展的启示[J].中国电力,2021, 54(4):192-198, 206.[4]张恒旭,高志民,曹永吉,等.高比例可再生能源接入下电力系统惯量研究综述及展望[J].山东大学学报(工学版),2022, 52(5):1-13.

[5]彭大健,裴玮,肖浩,等.数据驱动的用户需求响应行为建模与应用[J].电网技术,2021, 45(7):2577-2585.

[8]崔佳旭,杨博.贝叶斯优化方法和应用综述[J].软件学报,2018, 29(10):3068-3090.

[9]张雪松,李鹏,周亦尧,等.基于贝叶斯概率的光伏出力组合预测方法[J].太阳能学报,2021, 42(10):80-86.

[10]李斌,徐文韬,杨建蒙.带储热装置的太阳能辅助燃煤发电系统研究[J].太阳能学报,2021, 42(8):223-230.

[11]王惠杰,董学会,昝永超,等.熔盐储热型塔式太阳能与燃煤机组耦合方式及热力性能分析[J].热力发电,2019, 48(7):47-52.

[14]徐文韬.带储热装置的太阳能辅助燃煤发电系统研究[D].北京:华北电力大学,2020.

[15]李斌,王雨萌,张庆来,等.“光火储”一体化发电系统研究[J].热力发电,2022, 51(2):56-64.

[16]李斌,陈吉玲,李晨昕,等.压缩空气储能系统与火电机组的耦合方案研究[J].动力工程学报,2021, 41(3):244-250.

[17]刘奕辰,范成,刘旭媛,等.基于循环神经网络的冷水机组故障诊断方法[J].建筑科学,2022, 38(8):160-171.

[19]苏连成,朱娇娇,李英伟.基于时间卷积网络残差校正的短期风电功率预测[J].太阳能学报,2023, 44(7):427-435.

[20]杨国清,刘世林,王德意,等.基于Attention-Gru风速修正和Stacking的短期风电功率预测[J].太阳能学报,2022, 43(12):273-281.

文章来源:王强,李斌,张金宏,等.“光火储”一体化发电系统的运行策略研究[J].太阳能学报,2024,45(11):153-161.