计及负荷储能特性的微网荷储协调联络线功率波动平抑策略

冯 雷, 蔡泽祥, 王 奕, 刘 平

(1. 华南理工大学电力学院, 广东省广州市 510640; 2. 广东电网公司电力科学研究院, 广东省广州市 510800)

计及负荷储能特性的微网荷储协调联络线功率波动平抑策略

冯 雷1, 蔡泽祥1, 王 奕2, 刘 平1

(1. 华南理工大学电力学院, 广东省广州市 510640; 2. 广东电网公司电力科学研究院, 广东省广州市 510800)

以微网整体参与市场交易为背景,计及直接控制负荷的储能特性,提出采用电池储能和直接负荷控制(DLC)协调的微网联络线功率波动平抑策略。将DLC视为储能资源的调控行为,建立基于负荷储能特性的DLC模型。在此基础上,以经济效益最大为目标,考虑DLC作用,基于两阶段随机规划优化微网短期交易行为。以经济性和不影响用户用能体验为原则,提出考虑负荷运行状态的微网联络线功率波动完全平抑方案。最后,通过仿真算例验证了所提策略的有效性。

直接负荷控制; 负荷储能特性; 电池储能; 微网(微电网); 功率波动平抑

0 引言

在环境污染问题日益严峻的背景下,发展可再生能源成为世界各国政府的共识。但可再生能源由于出力的不确定性和间歇性[1],单独参与市场交易时不仅面临承担高额平衡费用的风险,也增加了电网调峰调频的难度。若将可再生能源以微网的形式接入,并以微网整体作为市场主体,则可充分发挥源—荷—储协同的优势,降低可再生能源带来的不确定性。

以微网作为市场主体时,如何平抑微网联络线的功率波动,使联络线功率跟随市场确定的交易功率变化是微网运行的核心问题。文献[2-3]提出基于滤波的功率波动平抑方法,通过吸收目标功率经滤波器分离的高频分量,从而平滑功率输出,平滑后的功率虽然间歇性减弱,但在各调度时段内仍不断变化。文献[4-7]针对风储联合系统提出完全补偿的方案:合理决策各调度时段的功率指令并补偿风电功率与指令值的偏差,该思路不仅实现了功率输出在调度时段内基本不变,而且使风电场能够按照交易功率发电,更为适应市场环境,但上述文献的开环控制方法不适于微网应用。

电池储能和直接负荷控制(DLC)是功率调节的重要手段。文献[8-9]提出基于DLC的利用空调负荷平滑功率输出的方法,文献[10]进一步将DLC和电池储能相互结合,通过DLC减少电池储能的充放电频次并显示出较好的平滑效果,但仍存在以下问题:采用的负荷仅限于空调负荷,基于滤波的平抑方法使微网无法按照交易功率与外网进行功率交换,用户用能体验受到影响等等。

本文在文献[10]的基础上,按照完全补偿的平抑思路,提出微网的交易决策模型和功率波动平抑控制策略。目前在调度决策中广泛通过负荷反弹模型考虑DLC的作用[11-12],但该模型的准确性有所欠缺,文献[13-14]针对空调负荷占空比控制模式提出相应的DLC模型,模型准确性提升,但由于空调负荷固定于占空比控制模式,控制灵活性下降。本文将DLC视为储能资源的调控行为,建立基于负荷储能特性的DLC模型。在此基础上,基于两阶段随机规划建立考虑DLC作用的微网短期交易优化模型。以经济性和不影响用户用能体验为原则,提出微网联络线功率波动完全平抑方案,并在功率分配时充分考虑负荷运行状态以提升DLC效益。最后,通过仿真算例验证了所提策略的有效性。

1 基于负荷储能特性的DLC模型

1.1 DLC负荷的荷电状态模型

荷电状态(SOC)的概念源自电池储能,表示电池储能的剩余电量,是描述储能能量状态的重要参数。对热储能负荷和电储能负荷进行直接控制,实质是对储能资源进行调控,因而需描述负荷的SOC。设xi′为负荷Li期望控制的目标状态量,xi,max′和xi,min′分别为xi′的上、下限,Pi为负荷的功率(正值表示功率吸收,负值表示功率发出),Pi,max和Pi,min分别为Pi的上、下限。热储能负荷的目标状态量为负荷期望控制的某区域的温度,电储能负荷的目标状态量为负荷电池的SOC。对热储能负荷和电储能负荷,Pi与xi′满足形如下式的一阶线性微分方程[4,15]:

(1)

不同负荷由于特性方程不同,xi′变化规律不一致,为此定义归一化目标状态量xi。

1)若Li吸收功率为Pi,max时,Li归一化前的目标状态量xi′增加,定义归一化目标状态量xi为:

(2)

电动汽车、制热负荷属于该类。

2)若Li吸收功率为Pi,max,Li归一化前的目标状态量xi′减小,定义归一化目标状态量xi为:

(3)

制冷负荷属于该类。

经过归一化后,不同负荷的归一化目标状态量xi限值范围均为[0,1],且变化趋势一致,即Li吸收功率为Pi,max时,xi增加,Li吸收功率为Pi,min时,xi减少。xi接近0或1,意味着Li功率下调或上调的剩余容量减小。显然归一化后的目标状态量xi与SOC有相同的涵义,描述了Li当前蕴含的能量水平,该概念对电池储能也同样适用,下面采用归一化目标状态量作为负荷和储能的SOC指标(如无特别说明,下文SOC均指代归一化目标状态量)。将xi代入式(1)得到归一化后的特性方程:

(4)

式中:K1,i,K2,i,K3,i的定义参见附录A。

1.2 DLC可控特性建模

当负荷Li的xi在[0,1]区间内时,负荷Li处于可控状态;当xi超过[0,1]范围时,负荷Li处于不可控状态,必须吸收功率Pi′以使xi回到限值区间(xi>1时,Pi′=Pi,min;xi<0时,Pi′=Pi,max),另外,当负荷未接入微网时也视为不可控负荷,其从微网吸收的功率Pi′为0。假设L为直接控制负荷集合,则L分为可控负荷集Lc和不可控负荷集Luc。

设β∈Luc,不可控负荷集Luc的吸收功率Pluc为:

Pluc=∑Pβ′

(5)

式中:Pβ′为不可控负荷β的吸收功率。

可控负荷集Lc根据式(4)的异同进一步分为若干可控负荷子集Lc,a(a=1,2,…,A)。设b∈Lc,a,定义可控负荷子集Lc,a的SOC为:

(6)

式中:xlc,a为Lc,a的SOC;B为Lc,a的元素个数;xb为Lc,a中可控负荷b的SOC。

Lc,a的特性方程为:

(7)

Plc,a=∑Pb

(8)

式中:K1,b,K2,b,K3,b为Lc,a中可控负荷b归一化特性方程的相应系数；Plc,a为Lc,a的功率;Pb为Lc,a中可控负荷b的吸收功率。

求解式(7)得到xlc,a随时间变化的关系如下：

(9)

式中：xlc,a0为xlc,a的初值。

2 微网短期交易优化模型

2.1 模型假设

微网内电源包含风、光两种可再生能源,本文暂不考虑其他电源。微网内配备电池储能。考虑微网运营商参与集中竞价市场,微网运营商的结算价格为统一的市场出清价,假设微网规模较小,微网运营商为价格接受者,其报价对市场出清价没有影响,设置微网运营商的报价为零,申报的交易可以全部中标。

微网运营商与部分用户签订DLC协议。协议要求直接控制负荷的功率必须连续可调(如变频空调、电动汽车),运营商进行DLC时需优先保证负荷的SOC在[0,1]区间内。微网运营商对直接控制负荷除了进行正常的电能费用结算外,还需支付DLC的补偿费用,补偿费用根据负荷的响应程度,即负荷处于可控状态时实际吸收/释放的电能结算,属于同一可控负荷子集的负荷由于有相同的负荷特性和目标状态量控制范围,故有相同的单位电能补偿价格。

2.2 两阶段随机规划模型

2.2.1 目标函数

本文假定可再生能源出力、非DLC负荷功率、电价、DLC负荷接入时间等随机变量的预测信息及相应的概率分布已知(随机变量概率分布的确定方法可参见文献[16],本文为简化问题采用正态分布),以预测场景为基础,采用多场景法[4]描述模型中的随机变量。以微网运营商利润期望最大为目标,基于目前广泛应用的两阶段随机规划[17]优化微网与外网的交易功率并确定储能的充放电计划。规划模型中,微网与外网的交易功率在所有场景下均相同,需综合考虑各种可能的场景以实现目标最优,设置为一阶段决策变量;电池储能功率和各可控负荷子集功率是场景特定的,设置为二阶段决策变量,其中预测场景下的电池储能充放电功率将作为交易时段的储能充放电计划。假设交易时段包含H个调度时段,各调度时段的交易功率为Pline_ref,h(h=1,2,…,H),Pline_ref,h>0时表示功率从微网流向外网,每个调度时段包含N个预测点,相邻预测点的时间间隔为Tf,目标函数为:

(10)

式中:G为场景总数;pg为场景g的概率;Td为每个调度时段的持续时间;Cp,h,g为与外网的交易电价;Cl,h为微网运营商对微网内负荷的供电电价;R为非直接控制负荷集合;Pj,n,h,g为非直接控制负荷j吸收的功率;Cbess为电池储能吸收/释放单位电能的损耗成本;Pbess,n,h,g为电池储能的吸收功率;Clc,a为可控负荷子集Lc,a吸收/释放单位电能的补偿价格。

2.2.2 约束条件

1)功率平衡约束

(11)

式中:S为微网电源集合;Pi,n,h,g为微网电源i的出力。

2)储能和DLC负荷功率限值约束

Pbess,min≤Pbess,n,h,g≤Pbess,max

(12)

Plc,a,n,h,g,min≤Plc,a,n,h,g≤Plc,a,n,h,g,max

(13)

式中:Pbess,min和Pbess,max分别为电池储能功率的下限和上限;Plc,a,n,h,g,min和Plc,a,n,h,g,max分别为可控负荷子集Lc,a的功率下限和上限。

3)储能和DLC负荷SOC限值约束

(14)

xlc,a,n,h,g=

(15)

(16)

式中:xbess,n,h,g为电池储能归一化后的SOC；xbess,max′和xbess,min′分别为电池储能归一化前SOC的上、下限；En为电池储能的额定容量。

4)储能日内能量平衡约束

xbess,N,H,g=xbess,0,g

(17)

式中:xbess,N,H,g为场景g调度时段H预测点N处的电池储能SOC;xbess,0,g为场景g电池储能的初始SOC。

微网调度一般具有周期性,交易周期结束时储能的SOC应与交易周期开始时的SOC相等。

5)交易功率限值约束

Pline,h,min≤Pline_ref,h≤Pline,h,max

(18)

(19)

(20)

3 微网联络线功率波动平抑控制

3.1 控制方案

在给定交易功率Pline_ref,h后,微网运营商需对微网联络线实施以Pline_ref,h为目标的定功率控制。控制原理如图1所示。Pline_ref,h与实际的微网联络线功率Pline作差后得到控制偏差(CE),CE经过控制器生成调节功率需求Pr,功率分配模块根据Pr计算出电池储能和各个可控负荷的吸收功率参考值Pdevice,k,ref(k=1,2,…,K),整个控制过程为闭环的负反馈控制。

图1 控制原理Fig.1 Control principle

控制方案的关键是控制器和功率分配模块的构建。比例—积分(PI)控制器技术成熟,调整方便,在自动发电控制领域已有广泛的实践应用,本文采用PI控制器生成调节功率需求Pr。

功率分配模块的分配原则是在保证控制设备k(k=1,2,…,K)的SOC在[0,1]区间的条件下,使单位时间的调节成本最低。为保证控制设备k的SOC在[0,1]区间内,当控制设备k的SOC达到区间边界时,需对控制设备k的功率取值做出限制。

1)当控制设备k为电池储能或电储能负荷时,若SOC达到1,则功率取值范围为[Pk,min,0];若SOC达到0,则功率取值范围为[0,Pk,max]。其中,Pk,min和Pk,max为控制设备k的功率下限和上限。

2)当控制设备k为热储能负荷时,若SOC达到1,则功率取值范围为[0,Pk,bal1];若SOC达到0,则功率取值范围为[Pk,bal2,Pk,max]。其中,Pk,bal1和Pk,bal2分别为使热储能负荷的SOC维持在1和0的功率,可根据式(4)计算得出:

(21)

(22)

式中:xk为控制设备k的SOC;K1,k,K2,k,K3,k为控制设备k归一化特性方程的相应系数。

从整体上看,控制设备分为电池储能及若干可控负荷子集Lc,a(a=1,2,…,A),功率应满足:

(23)

式中:Pbess_ref,n,h为电池储能的计划功率;ΔPbess为电池储能的功率调整量。

功率分配时,为满足储能日内能量平衡约束,优先使储能按照计划功率Pbess_ref,n,h运行,接着以调节成本最低为目标分配剩余功率Pr-Pbess_ref,n,h,具体方法为:按Clc,a大小,以升序方式对各个可控负荷子集Lc,a(a=1,2,…,A)排序:

D={D1,D2,…,DA}

(24)

将功率Pr-Pbess_ref,n,h按照序列D的顺序依次分配。对于Di(i=1,2,…,A),所期望的分配功率PDi和实际分配的功率PDi′分别为:

(25)

(26)

式中:PDi,max和PDi,min分别为可控负荷子集Di的功率上、下限。

若对可控负荷子集分配完后,仍有剩余调节功率需求,则调整电池储能功率,调整量ΔPbess为:

(27)

3.2 可控负荷子集内部功率分配策略

属于同一可控负荷子集的设备有相同的补偿价格,但各个设备的运行状态不同,进行功率分配时需考虑此差异性。

1)对于由电储能负荷构成的可控负荷子集,由于储能电池采用深充深放模式在寿命周期内有更高的能量转移总量和能量效率[18],因此功率分配的原则是使负荷电池尽可能规则地经历完整的充放电周期,具体规则如下:①PDi′>0时,功率优先分配给前一状态为充电状态的负荷,前一状态为充电状态的负荷中,功率优先分配给SOC更大的负荷,前一状态为放电状态的负荷中,功率优先分配给SOC更小的负荷;②PDi′<0时,功率优先分配给前一状态为放电状态的负荷,前一状态为放电状态的负荷中,功率优先分配给SOC更小的负荷,前一状态为充电状态的负荷中,功率优先分配给SOC更大的负荷。

2)对于由热储能负荷构成的可控负荷子集,由于热储能负荷SOC达到0或1时会减小热储能负荷的功率可调范围,因此功率分配原则是尽量避免热储能负荷的SOC达到上下限,另外控制时需尽量避免热储能负荷频繁的状态启停,根据上述原则制定功率分配具体规则如下:PDi′>0时,功率优先分配给SOC更小的负荷,功率分配后在未来时间Tthermal内若PDi′始终大于0,则该负荷在未来时间Tthermal内仍具有优先分配权,其中Tthermal为热储能负荷的最佳连续运行时间;PDi′<0时,由于热储能负荷功率不能为负值,热储能负荷的分配功率即为其功率下限。

4 算例分析

4.1 算例场景描述

算例场景为微网运营商参与日前集中竞价市场。风光出力和非直接控制负荷功率的预测值[19]如图2所示,日前市场电价预测值[20]和微网运营商对内供电电价如图3所示。微网配置的电池储能容量为400 kW·h,其单位电能损耗成本为2元/(kW·h)。微网运营商的直接控制负荷包括2个额定功率为10 kW的冷库负荷和5辆额定充放电功率为6 kW的电动汽车。冷库负荷要求温度控制范围为-5～5 ℃。电动汽车电池容量为60 kW·h,要求电池剩余能量控制在60%～90%。

图2 风光出力和非直接控制负荷功率预测Fig.2 Power prediction of wind power generation, photovoltaic generation and indirect control load

图3 日前市场电价预测值和微网对内供电电价Fig.3 Price prediction of day-ahead market electricity and internal electricity price of microgrid

4.2 与单独采用电池储能对比

对下面4组情景进行分析。

情景1:采用电池储能和DLC调控。DLC预测场景为2个冷库负荷和1辆电动汽车全天接入微网,4辆电动汽车第8 h离开微网,第18 h重新接入微网。冷库负荷和电动汽车的单位电能补偿价格分别为0.5元/(kW·h)和0.8元/(kW·h)。

情景2:采用电池储能和DLC调控。DLC预测场景与情景1相同。冷库负荷和电动汽车的单位电能补偿价格分别为0.3元/(kW·h)和0.5元/(kW·h)。

情景3:采用电池储能和DLC调控。DLC预测场景为2个冷库负荷和4辆电动汽车全天接入微网,1辆电动汽车第8 h离开微网,第18 h重新接入微网。负荷补偿价格与情景1相同。

情景4:仅采用电池储能调控。

图4为情景1至4微网运营商的累积利润曲线。在微网内部电源出力大于微网内部负荷时,微网运营商通过对内负荷供电和对外出售电能获取利润,在微网内部电源出力小于微网内部负荷时,尽管微网运营商需从外部电网购买电能,但由于0～5 h大部分时间市场电价低于微网运营商对内供电电价,在扣除掉DLC补偿费用和储能损耗成本后,微网运营商大部分时间依然能获取正值利润,因此微网运营商的累积利润在0～20 h内基本上呈增长态势。而20 h后由于微网运营商需从外部电网购买电能,且市场电价高于对内供电电价,再扣除掉平衡费用后,累积利润开始降低。由情景1至4的利润对比可知,由于DLC的补偿费用低于电池储能损耗成本费用,因此电池储能和DLC相互结合可以减少微网运营商的平衡成本，进而增加微网运营商的利润,且直接控制负荷可控容量的增大和补偿价格的减小有利于利润的增加。

图4 累积利润曲线Fig.4 Accumulative profit curves

图5为情景1,3,4电池储能的SOC变化情况。由图5可知,电池储能和DLC相互结合显著减小了电池储能一天内的转移能量,且直接控制负荷的可控容量越大,电池储能一天内的转移能量越少。由于电池储能的剩余使用寿命与电池储能当前的累积转移能量负相关[21],因此电池储能和DLC相互结合显著延长了电池储能的使用寿命。

图5 电池储能SOC变化曲线Fig.5 SOC changing curves of battery energy storage

4.3 平抑策略分析

1)功率平抑效果分析

图6为情景1下补偿前功率、联络线功率及交易功率与联络线功率的功率偏差曲线,其中补偿前功率指电池储能和直接控制负荷补偿前的微网联络线功率。交易功率曲线参见附录B图B1,显然联络线功率与交易功率基本一致,在各调度时段内基本不变,取得较好的平抑效果。

2)用户用能体验分析

情景1冷库负荷和电动汽车的SOC变化情况参见附录B图B2至图B5。由附录B图B2可知,当PDi′持续较大使冷库负荷SOC持续增加并接近1时,本文的控制策略将对冷库负荷功率取值做出限制使SOC严格限定在[0,1]范围内;由附录B图B3可知,电动汽车2,3,4在第18 h左右重新接入微网时,由于消耗了大量电能,SOC为负,此时微网将对电动汽车进行充电,待SOC恢复至0后再进行DLC。本文策略充分保证了用户的用能体验。

图6 补偿前功率、联络线功率及交易功率与联络线功率的功率偏差曲线Fig.6 Curves of uncompensated power, tie line power and error of contract power and tie line power

3)功率分配策略分析

由附录B图B4可知,在PDi′小于冷库负荷的额定功率时,通过本文的功率分配策略，各冷库负荷会轮番承担功率,使各自SOC维持在一定区间内,避免了某个冷库负荷SOC持续增加或减小而达到极限的情况,从而增加了可控负荷功率的可调范围;由附录B图B5可知,通过本文的功率分配策略,前一状态为充电/放电状态的电动汽车会优先继续充电/放电,从而增加了电动汽车电池的充放电深度,提高了电动汽车电池寿命周期内的能量转移总量和能量效率。

5 结语

本文提出了计及DLC负荷储能特性的微网荷储协调联络线功率波动平抑策略。在微网交易的优化决策阶段,提出基于负荷储能特性的DLC模型,在此基础上,基于两阶段随机规划建立考虑可再生能源出力、电价等变量随机性的微网短期交易优化模型。在实时控制阶段,以经济性和不影响用户用能体验为原则,提出考虑负荷运行状态的微网联络线功率波动完全平抑方案。

算例结果表明,本文所提策略能够在充分保证用户用能体验的前提下,有效平抑微网联络线的功率波动,使微网按照交易功率与外网交换功率,并延长电池储能的使用寿命,增加微网运营商的经济效益。

本文在微网并网运行模式下验证了所提策略的可行性,下一步考虑在微网孤网运行模式下对应用DLC负荷和储能平抑可再生能源出力波动进行深入研究。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 孙承晨,袁越,CHOI S S,等.基于经验模态分解和神经网络的微网混合储能容量优化配置[J].电力系统自动化,2015,39(8):19-26.DOI:10.7500/AEPS20140719002.

SUN Chengchen, YUAN Yue, CHOI S S, et al. Capacity optimization of hybrid energy storage system in microgrid using empirical mode decomposition and neural network[J]. Automation of Electric Power Systems, 2015, 39(8): 19-26. DOI: 10.7500/AEPS20140719002.

[2] 张野.微网中电池储能系统控制策略的研究[D].天津:天津大学,2014.

[3] YOSHIMOTO K, NANAHARA T, KOSHIMIZU G. New control method for regulating state-of-charge of a battery in hybrid wind power/battery energy storage system[C]// Power Systems Conference and Exposition, October 29-November 1, 2006, Atlanta, Georgia, USA: 1244-1251.

[4] ABDULLAH M A, MUTTAQI K M, SUTANTO D, et al. An effective power dispatch control strategy to improve generation schedulability and supply reliability of a wind farm using a battery energy storage system[J]. IEEE Trans on Sustainable Energy, 2015, 6(3): 1093-1102.

[5] LI Q, CHOI S S, YUAN Y, et al. On the determination of battery energy storage capacity and short-term power dispatch of a wind farm[J]. IEEE Trans on Sustainable Energy, 2011, 2(2): 148-158.

[6] TELEKE S, BARAN M E, HUANG A Q, et al. Control strategies for battery energy storage for wind farm dispatching[J]. IEEE Trans on Energy Conversion, 2009, 24(3): 725-732.

[7] YAO D L, CHOI S S, TSENG K J, et al. Determination of short-term power dispatch schedule for a wind farm incorporated with dual-battery energy storage scheme[J]. IEEE Trans on Sustainable Energy, 2012, 3(1): 74-84.

[8] 王成山,刘梦璇,陆宁.采用居民温控负荷控制的微网联络线功率波动平滑方法[J].中国电机工程学报,2012,32(25):36-43.

WANG Chengshan, LIU Mengxuan, LU Ning. A tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43.

[9] KONDOH J. Direct load control for wind power integration[C]// IEEE Power and Energy Society General Meeting, July 24-28, 2011, Detroit, MI, USA: 8p.

[10] 王冉,王丹,贾宏杰,等.一种平抑微网联络线功率波动的电池及虚拟储能协调控制策略[J].中国电机工程学报,2015,35(20):5124-5134.

WANG Ran, WANG Dan, JIA Hongjie, et al. A coordination control strategy of battery and virtual energy storage to smooth the micro-grid tie-line power fluctuations[J]. Proceedings of the CSEE, 2015, 35(20): 5124-5134.

[11] 张钦,王锡凡,别朝红,等.电力市场下直接负荷控制决策模型[J].电力系统自动化,2010,34(9):23-28.

ZHANG Qin, WANG Xifan, BIE Zhaohong, et al. A decision model of direct load control in electricity markets[J]. Automation of Electric Power Systems, 2010, 34(9): 23-28.

[12] 邓宇鑫,王磊,李扬,等.温控负荷直接负荷控制策略与优化调度[J].电力系统及其自动化学报,2015,27(6):18-25.

DENG Yuxin, WANG Lei, LI Yang, et al. Direct load control strategies and optimization scheduling of thermostatically controlled loads[J]. Proceedings of the CSU-EPSA, 2015, 27(6): 18-25.

[13] 高赐威,李倩玉,李扬.基于DLC的空调负荷双层优化调度和控制策略[J].中国电机工程学报,2014,34(10):1546-1555.

GAO Ciwei, LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[14] 徐青山,吴枭,杨斌.考虑状态差异性聚类的空调负荷直接负荷控制动态优化方法[J].电力系统自动化,2016,40(14):33-42.DOI:10.7500/AEPS20151123004.

XU Qingshan, WU Xiao, YANG Bin. Dynamic optimization method of direct load control for air-conditioning load considering status diversity clustering[J]. Automation of Electric Power Systems, 2016, 40(14): 33-42. DOI: 10.7500/AEPS20151123004.

[15] 艾欣,赵阅群,周树鹏.适应清洁能源消纳的配电网直接负荷控制模型与仿真[J].中国电机工程学报,2014,34(25):4234-4243.

AI Xin, ZHAO Yuequn, ZHOU Shupeng. Direct load control model and simulation for clean energy accommodation in distribution network[J]. Proceedings of the CSEE, 2014, 34(25): 4234-4243.

[16] MA X Y, SUN Y Z, FANG H L. Scenario generation of wind power based on statistical uncertainty and variability[J]. IEEE Trans on Sustainable Energy, 2013, 4(4): 894-904.

[17] 刘小聪,王蓓蓓,李扬,等.基于实时电价的大规模风电消纳机组组合和经济调度模型[J].电网技术,2014,38(11):2955-2963.

LIU Xiaocong, WANG Beibei, LI Yang, et al. Unit commitment model and economic dispatch model based on real time pricing for large-scale wind power accommodation[J]. Power System Technology, 2014, 38(11): 2955-2963.

[18] 高飞,杨凯,惠东,等.储能用磷酸铁锂电池循环寿命的能量分析[J].中国电机工程学报,2013,33(5):41-45.

GAO Fei, YANG Kai, HUI Dong, et al. Cycle-life energy analysis of LiFePO4batteries for energy storage[J]. Proceedings of the CSEE, 2013, 33(5): 41-45.

[19] TransnetBW. Key figures[EB/OL]. [2016-12-20]. http://www.transnetbw.com/en/key-figures.

[20] Australian Energy Market Operator. Data dashboard[EB/OL]. [2017-02-09]. http://www.aemo.com.au/Electricity/National-Electricity-Market-NEM/Data-dashboard.

[21] 柴炜,李征,蔡旭,等.基于使用寿命模型的大容量电池储能系统变步长优化控制方法[J].电工技术学报,2016,31(14):58-66.

CHAI Wei, LI Zheng, CAI Xu, et al. Variable step-size control method of large capacity battery energy storage system based on the life model[J]. Transactions of China Electrotechnical Society, 2016, 31(14): 58-66.

Strategy for Tie Line Power Fluctuation Suppressing of Load-Energy Storage Coordinated Microgrid Considering Energy-storage Characteristic of Load

FENGLei1,CAIZexiang1,WANGYi2,LIUPing1

(1. School of Electric Power, South China University of Technology, Guangzhou 510640, China; 2. Electric Power Research Institute of Guangdong Power Grid Corporation, Guangzhou 510800, China)

In the context of microgrid trading in electricity market as a single market member, this paper proposes a coordination strategy of battery energy storage system (BESS) and direct load control (DLC) to suppress tie line power fluctuation of microgrid considering the energy-storage characteristic of the controlled load. By regarding DLC as a behavior of energy storage resource control, a DLC model based on the energy-storage characteristic of load is developed. Then the short-term trading behavior of microgrid is optimized based on the effect of DLC to get maximum economic benefit. On the principle of economic benefit without affecting customer experience in energy consuming, this paper proposes a control scheme to completely suppress tie line power fluctuation of microgrid based on power allocation strategy which considers the operating state of load. Finally, the validity of the proposed approach is verified by the simulation result.

direct load control (DLC); energy-storage characteristic of load; battery energy storage; microgrid; power fluctuation suppression

2016-12-25;

2017-02-19。

上网日期: 2017-05-09。

冯 雷(1993—),男,硕士研究生,主要研究方向:微网运行与控制、能源互联网。E-mail：itachilei@163.com

蔡泽祥(1960—),男,通信作者,博士,教授,博士生导师,主要研究方向:电力系统保护、控制与自动化。E-mail: epzxcai@scut.edu.cn

王 奕(1972—),男,高级工程师，主要研究方向:电力系统继电保护及自动控制装置。

(编辑 万志超)