含电蓄热解决高渗透率风电消纳问题的微网热电能量综合优化

刘 方，杨 秀

(上海电力学院电气工程学院，上海 200090)

含电蓄热解决高渗透率风电消纳问题的微网热电能量综合优化

刘 方，杨 秀

(上海电力学院电气工程学院，上海 200090)

微网中安装电蓄热装置，并灵活调度其“投”、“切”，可吸纳盈余风电并参与系统调峰，有效改善风电反调峰的弊端，也为负荷调度提供新思路。以微网最小总成本、可再生能源最大消纳率以及最大蓄热率为优化目标，通过隶属度函数实现多目标向单目标的转换，应用遗传算法优化各单元运行状态，形成最佳运行方式。 以一具体微网为例进行仿真，结果表明：安装电蓄热装置可实现热电联产“以热定电”运行约束的解耦，提高了微网对风电的消纳；通过隶属度函数对多目标模糊化处理，较好地协调了各个目标之间的平衡。

微网；优化运行；电蓄热；多目标；负荷调度

0 引 言

微网(micro-grid)将分布式电源、负荷、储能装置、变流器以及监控保护装置有机整合在一起，可灵活地并网或孤岛运行[1-3]，为分布式可再生能源整合和利用提供了灵活、高效的平台，是电力产业可持续发展的有效途径[4]。

风力发电是目前开发技术成熟、规模效益明显和利用前景看好的可再生能源，但却具有间歇性、波动性和反调峰性。当大容量风电接入微网时，其间歇性和波动性给微网的运行稳定带来较大的挑战，再加上微网内热电联产系统通常运行在“以热定电”方式下，限值了微型燃气轮机组参与系统调峰的能力，风电的反调峰特性无疑使微网系统的调峰矛盾更加突出。解决微网内高渗透率风电消纳问题常见的有3种思路：第1种是利用可控微源设备与风电互补[5]；第2种是配置大容量储能系统，通过储能系统能量快速双向流动的特性，平抑风电带来的波动性以及削峰填谷[6-7]；第3种是进行需求侧管理调度负荷侧参与系统调峰[8-9]。以上3种思路在改善微网内风电带来的功率波动和调峰问题都取得较好的效果，但通过调节可控微源的运行状态进行的直接功率控制的调节能力有限，当风机容量较大时难以胜任；安装大容量储能系统以及需求侧管理需要增加较大的硬件装置投资以及对负荷侧调度的成本。

良好的经济效益和环境效益是微网发展的驱动力，且由于内部接入不同运行特性的微源以及储能系统等单元，因此微网运行优化是多约束条件、多目标的非线性优化问题。多目标最优解包含各子目标的贡献，但是各子目标之间往往彼此冲突，难以同时达到最优。协调各子目标之间的冲突常用方法有[10-12]：惩罚因子法，权重系数法，模糊隶属函数法。惩罚因子法通过惩罚项将一个目标函数隶属于另一个目标函数，是一种估算难以获得最优解；权重系数法中对权重系数的确定容易受主观因素的影响；隶属函数法通过定义目标隶属度函数将确定性问题模糊化，不受人为因素影响，很好地解决了多目标之间难以确定界限的问题，但对隶属度函数的选择尤为重要。

针对以上，本文提出了通过安装电蓄热装置解决高渗透率风电消纳问题的微网热电能量综合优化方法。通过对电蓄热装置的灵活“投”、“切”控制，使其响应并改善风机出力随机性和反调峰性，提高微网对风电的消纳。控制电蓄热装置的热量输出，配合热电联产系统满足热负荷需求，从而实现热电联产“以热定电”运行约束的解耦，提高其参与系统调峰的能力。电蓄热装置融合了储热和负荷双重角色于一体，对其合理调度实现“源—储—荷”的热电综合能量优化为研究微网内负荷调度以及热电综合调度提供新思路。以微网运行成本最小、污染排放成本最小、可再生能源消纳率最大以及蓄热率最大为优化目标，应用降半Γ形分布的隶属度函数，实现多目标向单目标的转换，通过遗传算法优化各个单元运行状态，实现优化运行。

1 微网结构和运行模型

1.1 微网结构

微网由光伏发电(photovoltaic, PV)、风力发电(wind turbine, WT)、蓄电池储能(storage battery, SB)、微型燃气轮机(micro-turbine, MT)、燃料电池(fuel cell, FC)、电蓄热装置(electric heat storage, EHS)以及热负荷(heat load, HL)、电负荷(electric load, EL)组成。微网系统能量流动以及“源—储—荷”结构如图1所示。

图1 微网能量流动及“源—储—荷”结构图

如图1中，外网、风力发电、光伏发电、燃料电池以及微型燃气轮机为微网供电，微型燃气轮机高温烟气出口处与溴冷机配套使用，产生热能供应热负荷；电蓄热装置接于汇流母线，将盈余电能转化为可储可控热能供应热负荷，根据调度指令灵活“投”、“切”，跟踪功率波动实现避峰填谷，因此电蓄热装置可参与微网“源-储-荷”热电综合调度。微网光伏发电、风机出力受光照和风速影响不可控，负荷具有波动性，均作为不可控量，风机出力和光伏出力模型参见文献[13]。其余单元作为可控量维持系统热电供需平衡，其中燃料电池运行模型和蓄电池储能荷电状态(state of charge, SOC)模型参见文献[14]。

1.2 电蓄热装置结构

图2 电蓄热装置结构图

电蓄热装置(EHS)结构如图2所示。EHS一般是在夜间低谷时段利用微网内盈余电能对蓄热块加热，实现能量存储，其电源开关根据能量管理系统调度指令灵活“投”、“切”，内胆蓄热块温度可达700℃，因此需要隔热层保温，并在通风道内以热空气流动的形式传输热能。热空气通过换热器和外部水或汽进行热量传递，成为热水、热汽的主要热源。温控装置可控制热量恒功率输出，形成恒温恒速的热水、热汽，满足不同用户热需求。

EHS耗电主要用于蓄热块加热和鼓风机，其电功率为

Ptotal，t=Pheat+Pblower,t

(1)

式中：t为时段编号；Ptotal,t为EHS总电功率；Pheat,t为蓄热块加热耗电功率；Pblower,t为鼓风机电功率，为定值。考虑热能损耗，EHS蓄热量表示如下：

EEHS,t+1=EEHS,t+(Pheat,t×khe×(1-ηloss)-

Qout,t)×Δt

(2)

式中：EEHS,t为EHS在t时的蓄热量；Qout,t为EHS输出热功率；khe为EHS热电转换系数；ηloss为EHS热能损耗系数；Δt为单位时间。

1.3 微型燃气轮机(MT)运行模型

MT的发电效率与其自身容量以及出力水平有关[15]，表示如下：

ηMTE=r01PMT,ref+r11RMT+r21PMT,refRMT+r31

(3)

式中：rij为常数，由MT生产厂家给出，参见文献[16]；PMT,ref为MT额定功率；RMT为负载率。

溴冷机热功率表示如下：

(4)

式中：QMHT,t、QMT,t、PMT，t分别为溴冷机制热量、MT排气余热量、MT输出有功功率；ηMTE,t、ηMTH,Loss,t分别为MT发电效率和散热损失系数；kh溴冷机的制热系数，表示如下：

(5)

式中：T1、T2分别为热烟气进、出溴冷机的温度；T0为当前环境温度。

2 微网运行优化模型

2.1 目标函数

微网运行优化是一个多目标、多约束条件的优化问题，本文根据实际需求，建立了以最优经济效益和环境效益、最大可再生能源消纳率以及最大蓄热率为优化对象的多目标优化模型。其中，经济效益和环境效益分别通过运行成本、污染排放成本进行量化。

2.1.1 极小化微网运行成本

minF1=

(6)

式中：T为优化时段数；t为时段编号；N为微源数；i为微源编号；ffuel,i，t(PG,i)、fOM,i,t(PG,i)、fDP,i,t(PG,i)分别为微源i的燃料成本、运行维护成本和投资折旧成本，和微源出力PG,i有关。

2.1.2 极小化污染排放成本

MT、FC等微源在发电过程中会产生污染物 (CO2、SO2、NOx等)。将各种污染物进行成本折算使微网环境效益进行量化，得到污染排放成本为

(7)

式中：M为污染物种类数；j为编号；αj为污染物j的折算系数(元/kg)；Ei,j为微源i产生污染物j的单位排放量(kg/kW)。折算系数和单位排放量参见文献[17]。

2.1.3 极大化可再生能源的消纳率

实现高渗透率可再生能源的消纳亦是微网建设的目标，因此以提高可再生能源的消纳率(renewable energy consumptive proportion, RECP)作为优化目标：

100%

(8)

式中：WEL、WEHS、Wline、WMT、WFC分别为一个调度周期内的负荷总电量、EHS总电量、外网交互总电量、MT总发电量、FC总发电量。为使目标极值一致，公式(8)可转化为

(9)

2.1.4 最优EHS蓄热率

为描述蓄热与供热的关系，本文定义谷时段蓄热量与全天总供热量的比值为蓄热率，描述如下：

(10)

式中：Qvalley、Qallday分别为EHS低谷时的蓄热量和全天的供热量，单位为kWh，可知，kHS越大，电蓄热供热成本越低。公式(10)亦可描述为

(11)

则公式(11)即为最优蓄热率目标函数。

2.2 约束条件

2.2.1 系统功率平衡约束

(12)

式中：PG,i,t、PSB,t、Pline,t、PEL,j,t、PEHS,t分别为t时段微源i出力、SB运行功率、联络线交互功率、负荷j功率、EHS电功率。

2.2.2 各个微源出力以及联络线功率约束

0≤PG,i,t≤PG,i,max

(13)

Pline,min≤Pline,t≤Pline,max

(14)

|PMT,t-PMT,t-1|

(15)

|PFC,t-PFC,t-1|

(16)

公式(13)为微源出力约束；公式(14)为联络线交互功率约束；公式(15)为MT电功率爬坡约束；公式(16)为FC出力爬坡约束。

2.2.3 热能约束

QEHS,out,min

(17)

QMT,min

(18)

QEHS,out,t+QMT,t≥QHL,t

(19)

EEHS,min

(20)

EEHS,0=EEHS,T

(21)

公式(17)为EHS热功率约束；公式(18)为微型燃气轮机热功率约束；公式(19)为系统热功率约束，规定热供应量不低于热负荷需求；公式(20)为EHS储热量约束；公式(21)为运行周期始末EHS储热平衡约束。

2.2.4 储能运行约束

PSB,min≤PSB,t≤PSB,max

(22)

SOCSB,min

(23)

ESB,0=ESB,T

(24)

公式(22)为SB运行功率约束；公式(23)为SB荷电状态约束；公式(24)为运行周期始末SB荷电量平衡约束。

2.3 多目标函数的处理

运行成本(F1)和污染排放成本(F2)可采用权重系数法处理得到最小总成本(F)作为优化目标，权重系数根据需求设置，实现对经济效益和环境效益的合理折衷。

最小总成本目标函数表示如下：

minF=αF1+(1-α)F2

(25)

式中：α为运行成本权重系数。

可再生能源消纳率、蓄热率无纲量，这两项和最小总成本优化目标可通过模糊隶属函数法实现多目标函数向单目标函数的转化。

2.3.1 单目标满意度函数

目标函数式(9)、(11)和(25)均为求最小值，目标值可设定上限而无下限，因此选择偏小型的隶属度函数。常用的偏小型隶属度函数有[12]：降半矩形分布、降半梯形分布、降半Γ形分布。降半矩形分布是二点分布，不适于求解连续性优化问题；降半梯形分布需要先确定最大目标值和最小目标值，在本文中无法确定最小目标值；故采用降半Γ形分布的隶属度函数作为满意度函数:

(26)

式中：fk,min为单目标函数fk的最小值；k=1,2,3。

2.3.2 总体协调评价函数

单目标满意度仅反映单个目标的优化效果。对于多目标优化问题，还应考虑各单目标相互协调的整体效果。由于各单目标之间存在矛盾，单目标的满意度u1、u2和u3同时达到最优值实际上是不可能的，可构建反映目标整体达成程度的评价函数反映整体优化效果。记u1,max、u2,max和u3,max分别为u1、u2和u3的理想最优值，构造总体协调度评价函数：

(27)

(28)

2.4 微网系统功率分配策略

由于微型燃气轮机(MT)、燃料电池(FC)、蓄电池储能(SB)和电蓄热装置(EHS)的运行功率在一定范围可调控，综合考虑各个优化目标，在具体运行中，首先调节EHS，其次调节SB，最后调节MT。FC由于运行成本较高，一般只在高电价时段开启。

定义微网内风机出力(PWT，t)、光伏出力(PPV,t)与负荷功率(PEL,t)的差值为净功率(Pnet,t)，用于作为电蓄热装置调节的判断标准：

Pnet,t=PPV,t+PWT,t-PEL,t

(29)

① 当净功率为正值且小于EHS的最大电功率，即0

② 当净功率大于EHS最大电功率，小于EHS和SB最大功率之和，即PEHS,max

③ 当净功率大于EHS和SB最大功率之和，即PEHS,max+PSB,max

④ 当净功率为负值，Pnet,t<0，优化调度联络线交互功率、燃料电池出力以及储能系统运行功率，形成最佳运行方式。

3 优化算法

遗传算法是是一种寻求全局最优解而不需要任何初始化信息的高效优化算法，被广泛应用于电源规划、无功优化及电力市场等电力系统领域。遗传算法在进化过程中以适应度函数来评价染色体的优劣，其有效性影响着遗传算法的搜索方向和进化效率。本文对于进化过程中难以满足约束条件个体的适应度添加惩罚项，引导进化避劣趋优，设计适应度评价函数如下：

(30)

式中：f为适应度函数；C为运行成本；δ为惩罚项；λ为惩罚项系数。

适应度添加惩罚一般有常数惩罚和可变惩罚，可变惩罚可进一步分为静态惩罚(即随着违背程度的加深而增加惩罚压力)和动态惩罚(随着进化过程而增加惩罚的压力)两种[18]。对于微网优化调度此类复杂问题采用常数惩罚的效率不高，并且惩罚系数的选择较为困难。本文采用动态的惩罚系数，惩罚压力随进化过程成对数增长，动态惩罚系数的形式为：λ=ln(30g)， 其中g为进化当前代数。

本文在净功率为负值时，以MT、FC和SB运行功率为优化变量，实现微网优化调度。遗传算法优化过程如下：

① 输入微网运行参数以及遗传算法参数，随机生成种群。

② 对染色体进行解码，计算MT、FC和SB运行功率，根据功率平衡确定联络线交互功率。

③ 判断各个约束条件满足情况，并根据公式(30)计算个体适应度。

④ 判断是否达到迭代次数。若已达迭代次数，则转入步骤⑤；若未达到迭代次数，则通过轮盘赌选择、多点交叉、多点变异，转入步骤②。

⑤ 输出最优结果。

4 算例分析

4.1 基础数据

微网运行参数如下，联络线交互功率为-50～50kW；SB额定容量和初始容量分别为500kWh、200kWh，运行功率：-40～40kW；FC出力为12～30kW；爬坡速率为12kW/h；微型燃气轮机为2×20kW，爬坡速率为10kW/h；分时电价如表1所示；不可控微源及负荷功率预测值如图3所示。

表1 分时电价及时段划分

图3 不可控微源及负荷功率预测值

4.2 源—储—荷优化分析

取运行成本权重系数α=0.5，得到微网电能和热能优化结果分别如图4和图5所示。

图4 电能优化结果

从图4中可以看出：

① 1-7时段为低谷时段，负荷较轻，微网内盈余电能较大，调度EHS充电实现蓄热。由于在此时段的热负荷较重，EHS难以满足热负荷需求，开启一台微型燃气轮机供热的同时提供有功出力。此时段外网电价较低，联络线以较大功率对微网供电，并存储于储能系统，供高峰时段放电。

② 8，12-17时段为平电价时段，电价提高，降低联络线对微网供电以及EHS充电功率，以节约运行成本；开启两台微型燃气轮机配合EHS满足热负荷需求并提高微网内电能供应，盈余电能对SB充电，用于后续高峰时段。

③ 9-11，18-22高峰时段，负荷较大，两台燃气轮机增加出力提供更多电能支撑，FC发电成本低于高电价，此时段开启可获利，SB以较大功率放电，满足微网需求后向外网供电获利。

④ 23-24时段电价较低，且为优化周期末时段，调度SB充放电实现周期始末荷电量平衡，优化EHS充电功率以及供热功率，实现周期始末储热量平衡，以确保下一优化周期内调度策略的有效性。

图5 热能优化结果

从图5中可知，随着1-7低谷时段的持续，热负荷需求降低，而微网内盈余电能继续以较大功率对EHS供电蓄热，使得EHS蓄热量迅速提高。进入8-22时段，EHS充电蓄热较小，且微网内热负荷主要由两台微型燃气轮机供应，不足部分由EHS弥补，蓄热量逐渐降低，并在周期末时段实现周期始末蓄热量平衡。

整个运行优化过程中，在低谷时段EHS以较大功率吸纳微网内盈余电能，有效缓解了大量风电反调峰性带来的问题，且供热由传统的烧煤烧气变为烧风，降低了碳排放，提高了清洁能源的利用效率；在负荷较重时段，调度两台微型燃气轮机同时开启并在EHS配合下满足热负荷需求，使微型燃气轮机在一定程度上摆脱了“以热定电”运行方式对供电出力的约束，提高了其参与系统调峰的能力；微网实现了在低谷时段从外网吸纳低电价电能存储于SB，并在高峰时段放出，满足系统电能需求的同时低储高发获利，提高经济性。

4.3 单目标和多目标优化对比分析

4.3.1 成本目标优化结果

当只有总成本作为优化目标时，不同运行成本权重系数α的优化结果如表2所示。

表2 不同α下的优化结果

需要强调的是运行成本权重系数α只是决策者对运行成本和污染排放成本的侧重程度的量化，真实成本仍然是运行成本和污染成本之和。从表2可以看出，随着α的增大，微网的运行优化更加侧重于经济效益，从而环境效益受损使污染排放成本增大，但总成本仍然降低，这是由于微网内可再生能源较多，污染排放较少，从而使得燃料成本以及运行维护成本成为主要的费用。因此应根据需求设定合适的α值，实现环境效益和经济效益合理折衷。

4.3.2 不同优化目标对优化的影响

最大可再生能源消纳率以及最大蓄热率两个目标函数对联络线交互功率以及微型燃气轮机出力的影响最大。图6给出α=0.5时，只考虑成本优化目标和考虑所有优化目标下，优化得到的联络线交互功率和燃气轮机出力状况对比。

图6 不同优化目标下的优化结果

从图6中可知，当只考虑成本优化目标时，即公式(25)，由于污染排放成本对总成本的影响较小，经济效益成为主要的优化对象，因此调度程序调度微型燃气轮机以较大功率运行，并引导微网在低谷时从外网吸纳较多低价电能为SB充电，并在高峰时段向外网馈电获利。而考虑了所有目标函数后，最大可再生能源消纳率优化目标引导微网降低对非可再生能源电能的利用，从而使得外网交互功率、燃气轮机出力降低；最大蓄热率优化目标则引导EHS在低谷时段最大限度充电蓄热，以提高热负荷供应率，并降低微型燃气轮机的供热量，从而使微型燃气轮机的出力下降。多目标优化通过满意度函数使不同纲量的优化目标转化为单目标，优化结果如表3所示。

表3 多目标优化结果

4.4 电蓄热装置对优化运行的影响

图7给出了在有无安装电蓄热装置时的微型燃气轮机的运行曲线以及SB荷电量变化。

图7 有无安装EHS下的优化结果

从图7中微型燃气轮机(MT)运行曲线可知，没有安装电蓄热装置情况下，微型燃气轮机运行于“以热定电”方式，在电负荷低谷时段热负荷需求较重，需要微型燃气轮机以较大功率运行满足热负荷需求，从而与风力发电结合形成了更明显反调峰特性，给微网的优化调度产生了较大挑战，常常通过弃风或安装较大容量的储能系统来解决。如图7中荷电量变化曲线所示，在没有安装电蓄热装置时，系统内SB的荷电量变化较大，需要大约500kWh的容量方可满足系统需求，而安装了电蓄热装置后，只需350kWh的储能容量即可实现微网的运行调节，且通过大量风电供热，可替代传统火电机组和燃气机组热电联产供热，有效降低碳排放。

5 结 语

本文研究了安装电蓄热装置来解决微网对高渗透率风电消纳的问题。通过对电蓄热装置热、电功率的优化调度，使其在低谷时段吸纳剩余风电，有利于解决风电的反调峰问题，在高峰时段配合燃气轮机满足热负荷需求，解除了“以热定电”约束对微型燃气轮机运行的约束，提高了参与系统调峰的能力，且作为可调度负荷避峰填谷，为负荷调度提供了参考。优化调度中，对多个优化目标通过隶属度函数模糊化处理，较好地协调了各个目标之间的平衡，兼顾了微网拥有者和用户的利益以及社会效益，实现了分布式电源的经济调度与合理利用。

[1] Katiraei Farid, Iravani Reza, Hatziargyriou Nikos,et al. Microgrids Management[J]. IEEE POWER & ENERGY MAGAZINE, 2008, 6(3):54-65.

[2] 杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 34(1): 57-70.

[3] 沈沉, 吴翔宇, 王志文, 等. 微电网实践与发展思考[J]. 电力系统保护与控制, 2014, 42(5): 1-11.

[4] 周孝信, 陈树勇, 鲁宗相. 电网和电网技术发展的回顾与展望——试论三代电网[J]. 中国电机工程学报, 2013, 33(22): 1-11.

[5] 陈秋南, 韦钢, 朱昊, 等. 风电/微型燃气轮机混合微电网电压波动优化控制[J]. 电力系统自动化, 2014, 38(9): 226-231.

[6] 石庆均, 江全元. 包含蓄电池储能的微网实时能量优化调度[J]. 电力自动化设备, 2013, 33(5): 76-82.

[7] 于佳, 任建文, 周明. 基于机会约束规划的风-蓄联合动态经济调度[J]. 电网技术, 2013, 37(8): 2116-2122.

[8] 邢龙, 张沛超, 方陈, 等. 基于广义需求侧资源的微网运行优化[J]. 电力系统自动化, 2013, 37(12): 7-12, 133.

[9] 吴雄, 王秀丽, 崔强. 考虑需求侧管理的微网经济优化运行[J]. 西安交通大学学报, 2013, 47(6): 90-96.

[10]龙军, 郑斌, 郭小璇, 等. 一种求解环境经济发电调度的交互式多目标优化方法[J]. 电力自动化设备, 2013, 33(5): 83-88.

[11]钟宇峰, 黄民翔, 叶承晋. 基于电池储能系统动态调度的微电网多目标运行优化[J]. 电力自动化设备, 2014, 34(6): 114-121.

[12]陈洁, 杨秀, 朱兰, 等. 微网多目标经济调度优化[J]. 中国电机工程学报, 2013, 33(19): 57-66.

[13]叶承晋, 黄民翔, 王焱, 等. 基于离散概率模型的风光互补供电系统优化配置[J]. 电力系统自动化, 2013, 37(6): 48-54.

[14]李乐. 微网的经济运行研究[D]. 北京: 华北电力大学, 2011.

[15]SHIGERU B, HIROKI W, HIROSHI A. Impact of various characteristics of electricity and heat demand on the optimal configuration of a microgrid[J]. Electrical Engineering in Japan, 2009, 169(2):6-13.

[16]顾伟, 吴志, 王锐. 考虑污染气体排放的热电联供型微电网多目标运行优化[J]. 电力系统自动化, 2012, 36(14): 177-185.

[17]李鹏, 徐伟娜, 周泽远, 等. 基于改进万有引力搜索算法的微网优化运行[J]. 中国电机工程学报, 2014, 34(19): 33-39.

[18]高元海, 王淳. 无重访遗传算法及其在输电网络规划中的应用[J]. 中国电机工程学报, 2013, 33(4): 110-117, 14.

(责任编辑：杨秋霞)

Comprehensive Optimization of Heat and Electric Energy for Micro-grid withElectric Heat Storage to Solve the High Penetration Problem ofWind Power Consumption

LIU Fang, YANG Xiu

(School of Electrical Engineering, Shanghai University of Electric Power,Shanghai 200090,China)

The electric heat storage (EHS) devices is installed in micro-grid, whose “access-in” and “cut-out” are flexibly scheduled, which can absorb the surplus wind power and participate in system peak adjustment to effectively improve the anti-peaking drawbacks of wind power, and to provide new ideas for load dispatching. With minimizing costs of micro-grid, maximizing renewable energy consumption and maximizing heat storage rate as optimization objectives, the conversion from multiple objectives to single objective is implemented by membership functions, the genetic algorithm is used to optimize operating status of each unit, and the best operation mode is realized. With a specific micro-grid as simulation example, the result shows that the installation of electric storage device can realize the decoupling of “power determined by heat” operating constraints of CHP to improve the consumption of wind power by micro-grid, and the balance between the various objectives is greatly coordinated through fuzzy processing of multiple objectives by membership function.

micro-grid; optimal operation; electric heat storage; multi-objective; load dispatch

1007-2322(2015)04-0019-08

A

TM73

国家863高技术基金项目(2011AA05A106);国家自然科学基金资助项目(71203137);国家电网公司科技项目(H2013-042);上海市科委重点科技攻关计划(11dz1210405);上海市杨浦国家创新型试点城区建设和发展专项资金项目(2011YOCX03-006)

2014-08-27

刘 方(1989—)，男，硕士研究生，研究方向为微网经济运行与需求侧管理，E-mail:liufang2008054@163.com；

杨 秀(1972—)，男，通信作者，博士，教授，研究方向为分布式发电与微电网的运行与仿真，E-mail:yangxiu721102@126.com。