考虑可再生能源利用率的风-光-气-储微能源网经济调度研究

陈嘉鹏，汤乃云，汤 华

（1.上海电力学院 电子与信息工程学院，上海 200090；2.国网山东省电力公司潍坊供电公司，山东 潍坊 261000）

0 引言

能源互联网受到了业内外的广泛关注和积极响应[1]～[3]，能源互联网可从若干个微能源网或区域能源网发展而来。微能源网可与公共网络连接，又可独立运行[4]，通过能源的就地生产、就地消纳，减少能源网络建设成本和能源传输运营成本，从而提高能源利用效率。

近年，我国各类型微能源网的建设取得了明显进展。文献[5]主要针对含小水电的微电网进行研究，以总体经济效益最高为目标，对“风-光-水”微电网进行运行优化。文献[6]建立了梯级水电站长期调度模型和风光水短期联合调度模型，以新能源利用率最高为优化目标。文献[7]，[8]建立了冷热电三联供的能量流模型，并采用电-气耦合能量流计算方法，评估微能源网的供能效率。文献[9]将风电、光电与抽水蓄能结合起来，构建了风光水联合发电系统模型，通过优化配置达到经济效益最大化的目的。上述文献从技术实现方面考虑了各种微能源网类型的应用模式，但没有加入充分利用可再生能源的优化目标，也很少考虑到微能源网规模及政策对微能源网发展的影响。

微能源网优化调度的首要目标为减小区域内负荷的用电费用。本文将包含风机、光伏、燃气机组等分布式电源及储能装置的微能源网作为经济调度的对象，考虑微能源网自发自用的政策补贴及相关约束条件，建立计及可再生能源利用率的整体满意度模型，为解决风-光-气-储微能源网的优化调度问题提供参考。

1 风-光-气-储微能源网的系统结构

风-光-气-储微能源网的系统结构如图1 所示。

图1 风光气储微能源网系统结构示意图Fig.1 Micro energy grid system structure diagram

该系统空间占用量较少，启停方便，可作为微能源网主要构成形式。由于风光发电的互补性，其联合应用能够提高可再生能源利用率；同时由于风光发电预测的不准确性，设置小型燃气机组作为后备电源，以保证供电可靠性。储能装置可调节微能源网与主电网交换功率，提高区域内供电经济性和灵活性。

2 经济调度模型

2.1 目标函数

微能源网用电费用包含4 个部分：风、光、气发电成本，储能装置调控成本，微能源网与主网交换电能费用，以及政策补贴费用，其表达式为

式中：Pw，t，Ps，t，Pg，t，ΔPb，t分别为 t 时刻风电、 光电、燃气机组、储能装置参与调度的出力值；ww，ws，wg分别为风电、光电、燃气机组的平均发电成本；wb为储能装置平均使用成本；ΔPt为Δt 时间内微能源网与主网的交换功率；Ct为t 时刻购电、售电电价；δE 为区域内自消纳发电量；wδ为政策补贴；T为调度周期。

微能源网与主网的交换电量即为微能源网负荷功率与风-光-气-储提供功率之差。当储能装置处于放电状态时，等效为电源；当其处于充电状态时，等效为负荷，即：

式中：Pload，t为 t 时刻微能源网负荷功率；Pb，t为 t 时刻储能装置参与调度的充放电功率，且满足：

式中，Pcha，t，Pdis，t分别为 t 时刻储能装置的充电、放电功率；XYt为t 时刻储能装置的充电、放电状态，XYt∈{-1，0，1}。

当风光气发电功率及储能装置的充放电功率之和不足以对全部负荷供电时，需以该时段购电电价从主网购电；当风光气储功率之和超过负荷功率时，以该时段售电电价向主网售电。

以微能源网区域内负荷的平均用电费用最小为优化目标，经济调度目标函数为

2.2 约束条件

2.2.1 风光发电约束

由于风、光发电并不稳定，其预测值即为各时段出力的最大值，应满足：

式中：PW，t，PS，t分别为 t 时刻风电、 光电的预测最大出力值。

2.2.2 微能源网与主网交换功率约束

式中：Pmax为微能源网与主网允许交换最大功率；从主网购电时，ΔP 取为正值。

2.2.3 储能装置充放电约束

①充放电状态约束： 每一时刻储能装置只能有充电、放电、不作用中的一个状态。

②充放电次数约束： 由于充放电次数对储能装置使用寿命有较大影响，故对一个调度周期的充电、放电次数进行限制。当t+1 时刻充电状态发生改变时，若其变为1，则充电次数记1；若变为-1，则放电次数记1。

当充放电状态由XYt表示时，ΔXYt=（XYt+1-XYt）·XYt+1≥0，且当 ΔXYt=0 时，XYt=XYt+1或XYt+1=0。由此可得：

式中：cha，dis 分别为充电、放电次数的计数。

③充放电次数约束

式中：N1，N2分别为最大充电、放电次数。

④充放电功率约束

式中：Eb为储能装置最大储电量。

⑤电量状态连续性约束

某时刻储能装置剩余电量的变化与上一时刻剩余电量及时段内用电量相关，电量变化应具有连续性。容易得到初始时刻与t 时刻的电量关系：

式中：S0为初始时刻储能装置储电量；St为t 时刻储能装置的剩余储电量。

⑥储能装置储电量上下限约束

式中：Smax为储能装置的最大储电量；Smin为储能装置满足自身运行需剩余的最小储电量。

3 整体满意度模型

将微能源网作为一个利益整体，通过调度其内部风-光-气-储各装置的出力值，使整体效益达到最优。其整体效益不仅包括经济效益，还包括可再生能源利用带来的环境效益，即可再生能源利用率越高，环境效益越好。

式中：x=ω，s；cw，cs分别为风电、光电能源利用率。

要提高微能源网调度整体效益，需综合考虑微能源网的经济效益与环境效益，使其分别达到最优值由于目标函数的量纲不统一，为体现各个目标函数优化程度，需对其进行归一化处理，即：

将 f1，f2，f3作为待求目标函数，可以反映出各个优化目标的优化程度，其最优值均为最小值，且值域均为[0，1]。

由于各个目标函数优化过程中的影响因素相关，在优化计算时会互相作用，从而导致整体优化程度无法达到各个目标优化的最优解而满意度权重系数方法主观性过大，可能导致无法得到满意的多目标优化结果。为了反映多个目标的整体优化程度，建立整体满意度模型，将作为理想目标点，求得与该目标点距离最小的向量值即为最优解，从而可将上述多目标优化问题转换为单目标优化问题进行求解。此外，还可以加入主观决策希望达到的约束范围，得到整体满意度模型：

式中：F1，F2，F3分别为主观决策设定的变量上限值。

4 RAGA加速遗传算法

传统遗传算法（Genetic Algorithm，GA）通过对初始种群中父代的交叉、变异、选择，淘汰不良个体，使种群趋于适应度最优[10]，[11]。为提高 GA 算法的收敛速度和对复杂目标函数求解的适应性，本文采用基于实数编码的加速遗传算法（Real Coding Based Accelerating Genetic Algorithm，RAGA）。RAGA 算法弥补了传统GA 易早熟收敛的缺陷，提高算法的收敛速度[12]，[13]。

RAGA 算法流程图如图2 所示。

图2 RAGA 算法流程图Fig.2 Flow chart of RAGA algorithm

由图2 可知，GA 的一次局部优化结果中前s个优秀个体保留，并添加到下一次优化的初始父代中，同时由此确定下一次优化时变量的取值范围，从而从局部最优解和尽可能小的变量取值范围两个方面计算求解。RAGA 无需预先知道变量的详细取值范围，只需首先确定较为宽泛的约束条件以及一组满足约束条件的种群，计算其适应度函数，并进行交叉、变异、选择的遗传操作。在达到一定循环次数或终止条件时，保留该次优化中前s 个优秀个体作为下一次优化循环中初始父代的部分个体，并根据其取值范围确定其他满足条件的父代个体，从而不断缩小最优个体所在区间，达到快速收敛的目的。RAGA 算法适用于本文建立的变量取值范围较大的目标函数的求解。

5 算例仿真及分析

5.1 算例数据

本文取种群规模为30，迭代次数为300，优秀个体数为20，杂交概率为0.8，变异概率为0.2。

本文只考虑时长24 h 的一个调度周期，仿真设置时间间隔为30 min。微能源网供电区域网络结构图[10]及区域内负荷预测曲线如图3，4 所示。

图3 供电区域网络结构图Fig.3 Power supply area network structure diagram

图4 区域负荷预测功率曲线Fig.4 Regional load power curve

风、光、燃气机组装机容量及发电成本如表1所示，风、光最大发电功率预测曲线如图5 所示。

表1 发电机组各项数据Table 1 Generating set data

图5 风、光预测最大发电功率曲线Fig.5 Wind and light maximum forecast power generation curve

储能装置参数如表2，3 所示。允许与主网交换功率值ΔP∈[-100，100]kW。自消纳可再生能源发电部分政策补贴：风电补贴 0.05 元/（kW·h）；光电补贴0.1 元/（kW·h）。售电及购电分时电价如表4 所示。

表2 蓄电池各项参数Table 2 Battery parameters

表3 抽水蓄能电站各项参数Table 3 Pumped storage power station parameters

表4 售电及购电电价Table 4 Selling and buying electricity price

5.2 经济调度模型评估

5.2.1 调度方案类型

由于微能源网与主网有交换功率限制，因此,负荷无法全部从主网购电来满足需求，必须有区域内各分布式电源供电。

方案1：风光气机组全额发电。当储能装置不作用，风、光发电完全按预测最大值出力，燃气机组出力最大值为300 kW 时，部分时段负荷需从主网购电，部分时段自发电已满足负荷需求，可享受补贴并将余量向主网售电。

方案2： 风光气调度发电。当储能装置不作用，风光气调度发电时，部分时段负荷需从主网购电，部分时段自发电满足负荷需求，可享受补贴并将余量向主网售电。可进一步将方案B 分为B1仅风光调度、B2 仅风气调度、B3 仅光气调度、B4风光气协同调度。

方案3： 风光气储调度发电。当储能装置作用，风光气储调度发电时，部分时段负荷需从主网购电，部分时段自发电满足负荷需求，可享受补贴并将余量向主网售电。可进一步将方案C 分为C1仅风光储调度、C2 仅风气储调度、C3 仅光气储调度、C4 风光气储协同调度。

5.2.2 经济调度方案优化结果及分析

在只考虑经济效益的情况下，根据经济调度模型，对上述方案进行仿真计算。各个方案的优化计算结果如图6 所示。

图6 各经济调度方案优化结果Fig.6 Optimization results of economic scheduling schemes

当机组全额发电时，微能源网内负荷平均用电费用最高达到 0.731 3 元/（kW·h）；当风光气调度发电时，三者协同调度得到的平均用电费用最低，为 0.600 8 元/（kW·h）；风光气储协同调度为全部方案中优化所得平均用电费用最少方案，为0.588 0 元/（kW·h），其迭代曲线如图7所示。

图7 各经济调度方案优化结果Fig.7 Optimization results of economic scheduling schemes

由图7 可以看出，RAGA 算法收敛速度较快，且有较好的收敛性。

风光气协同经济调度功率曲线如图8 所示。由图可知，在储能装置参与调度情况下，微能源网在低谷期从主电网低价购电并存储，在高峰期将储存电能同机组发电一起满足负荷需求。减小平均用电费用，使各机组调度发电更加灵活。

图8 风光气协同经济调度功率曲线Fig.8 Power curve of coordinated economic dispatch

5.3 整体满意度模型评估

对于前述经济调度方案分别计算可再生能源风、光各自的利用率，如图9 所示。

图9 各经济调度方案所得可再生能源利用率Fig.9 The renewable energy utilization rate of economic scheduling schemes

由图9 可知，当以经济效益为主要优化目标时，弃风弃光较多，无法兼顾环境效益的提高。

图10 风光气储整体满意度优化功率曲线Fig.10 Overall satisfaction optimization power curve

通过整体满意度优化计算，得到经济效益结果，平均用电费用为 0.592 3 元/（kW·h）；所得环境效益结果，风、光能源利用率分别为0.74，0.91。与方案C4 相比，其风、 光能源利用率分别为0.63，0.69，经济效益略差，但可再生能源利用率得到显著提高。

综上所述，采用整体满意度模型并结合一定的政策补贴，能够在提升经济效益，降低微能源网区域平均用电费用的同时，兼顾考虑区域内环境效益，提高可再生能源的利用率。

6 结论

本文基于含风机、光伏、燃气机组及储能装置的微能源网架构，综合考虑风光气储各项约束条件，计及微能源网发电成本、购、售电交易及政策补贴，对各类能源出力进行协同调度，建立微能源网经济效益和环境效益整体最优模型。经过算例仿真验证，利用RAGA 算法对各类能源出力值协同调度，能够快速达到收敛值，有效提高能源利用的整体满意度。