考虑用电优质系数的微电网分段混合策略优化调度

程江洲， 阮曾成， 张赟宁， 王劲峰， 朱 偲

（1.三峡大学 电气与新能源学院， 湖北 宜昌 443002； 2.三峡大学 湖北省微电网工程技术研究中心， 湖北宜昌 443002）

0 引言

含大量可再生能源的微电网因其多时间尺度间歇性特点影响了电网运行安全[1]～[3]。为保证微电网的安全性、可靠性，微电网系统的优化配置和经济调度成为研究热点[4]，[5]。

在微电网经济优化调度方面，大量研究注重于可控负荷的管理调控。 文献[6]，[7]分别研究可中断负荷分级削减需求侧协同模型和作为微网自治的响应策略。 文献[8]提出可控负荷补偿代价模型， 以微网运行成本最低建立联合调度模式。文献[9]提出了基于价格激励与可控负荷的优化运行模型，减少用户侧成本。 上述研究对可控负荷的调度策略单一，未考虑将并网型微电网中大量可再生能源出力特性与可控负荷调控方法联系。 此外，可控负荷的调控必然会影响到用户的生活习惯。 因此，亟需一种综合指标评价用户参与响应的用电感受，以更好发挥可再生能源接入微网的优势。 针对用户用电感受的研究多集中在经济性和舒适性[10]～[12]，未考虑可控负荷调控过程中可能会引起的电压偏移等问题。 当电压出现偏移时，设备处在非正常运行状态，严重时会造成设备的损坏，导致用户满意度降低[13]。

针对上述问题，本文结合分时电价，将可控负荷的时段特性与大量光伏的出力特性相结合，提出一种PVP&LS 分段混合调度策略，以弃光率最小和系统运行经济性最好为目的， 建立了以用户用电经济系数、 舒适系数和供电可靠系数为主的用电优质系数模型。该模型考虑用户用电感受，既防止为过度追求微电网运行经济性而对需求侧调控不合理，又能促进用户积极参与需求侧调度。最后制定了最优需求侧调度计划， 通过自适应遗传算法验证了模型的有效性和合理性。

1 并网型微电网模型

1.1 并网型微电网结构图

本文以光伏阵列、风力发电、柴油发电机组、储能系统等组成的微电网为研究对象， 并网型微电网结构如图1 所示。

图1 并网型微电网结构图Fig.1 Structure of grid-connected microgrid

光伏发电单元默认光伏工作在最大功率跟踪状态（MPPT），发电高峰期向负荷供电和向电网售电；非高峰期对储能系统充电或向电网售电而获利。 根据电网与用户协议，统计可控负荷种类与电量。

1.2 负荷模型

将用电负荷分为两类：固定负荷和可转移负荷。 对不同类型的负荷采取不同的调度方法并给予一定的电费补贴，以期鼓励用户积极参与调度策略，提高终端用电效率、降低发电成本。

固定负荷也称重要负荷，不参与用电侧管理，固定负荷模型为

式中：Si（t）为t 时段第i 种固定负荷的工作状态，0 或1 表示关闭或开启；M 为固定负荷的个数；Pbasic，i（t）为t 时段第i 种固定负荷的预测功率。

可转移负荷的运行时间可以改变，但是负荷的形状和总量无法改变[14]。 可转移负荷从低级向高级逐级转移且有不同补贴，微电网支付二等负荷0.6 元/（kW·h）、三等负荷0.15 元/（kW·h）。 可转移负荷模型为

式中：Lin（t）， Lout（t）为t 时段转入、转出负荷量；Sinn（t），Soutn（t）为t 时段转入、转出单元数；N1为可转移负荷种类总数；N2为供电持续时间大于一个调度时段的可转移负荷种类总数；P1，n为第n 类可转移负荷在1 h 内的功率；P(1+h），n为第n 类可转移负荷在其持续供电时间内第h+1 时段的功率；Sinn（t-h），Soutn（t-h）为h+1 时段转入、转出第n 类负荷种类数；hmax为最大持续供电小时数，hmax≥2。

2 考虑用电优质系数的微电网日前优化调度模型

2.1 用电优质系数

在微电网对负荷调控时，如忽视用户感受，优化结果可能会损害用户利益，不利于需求侧的管理以及后期工作的开展。 因此，本文针对现有模型的不足，提出改进的用电优质系数模型，从用户角度评价微网运行的经济性、舒适性及供电可靠性等指标。 这不仅体现电力服务业的宗旨，还能促进更多用户参与需求侧响应，形成良性循环。

2.1.1 经济系数

以优化后用户的电费支出减少量与优化前的电费支出之比作为经济系数Ceco，其模型为

式中：p（t）为t 时段的用电电价；q1（t），q（t）分别为优化后、优化前t 时段用电量；Q（t）为t 时段用户电费补贴；Lout2（t），Lout3（t）分别为t 时段二、三等负荷转出量；P2，P3分别为二、 三等负荷转移电费补贴。

2.1.2 舒适系数

舒适系数Ccom通过3 个重要因素来表征：转移电量比、 时间跨度和负荷优先级。 转移电量比C1com以时间为尺度，根据优化前后负荷差值作比而得，优化前为舒适系数最高的用电方式[10]。时间跨度和负荷优先级C2com以可转移负荷个数为尺度， 根据优化前后可转移负荷供电时间间隔及可转移负荷等级优先情况考虑。 等级越高的负荷转移时间间隔越短，用户的舒适性越高。

舒适系数模型为

2.1.3 供电可靠系数

供电的平均电能质量， 将统计区域内选取节点的电压有效值与额定电压做差， 并将在时间和空间内求均值得到的电压偏差度来表示微电网的供电可靠系数。 电压偏差度Cvol表达式为

式中：δUn（t）为电压偏差；N 为一个周期内的采样点数，该系统工频每周波采样点数为128 点；T 为一个调度周期24 h；Ure为k 时刻的运行电压；Un为系统标称电压。

2.2 微电网日前优化调度模型

2.2.1 目标函数

本文采用日前调度模型， 目标函数一为微网日发电成本F，其表达式为[15]

式中：F 为微电网系统的运行总成本；N 为微网中分布式电源的数量；FiPi（t）为分布式电源i 每小时的燃料成本；OMiPi（t）为分布式电源i 每小时的运维成本；PEt，SEt为微电网在时段t 向大电网的购、售电成本。

各时段的购售电价如表1 所示。

表1 时段购售电价表Table 1 Time purchase and sale price list

目标函数二为用电优质系数Cqua。 用电优质系数反映了用户对该调度方式的满意程度和为了达到更高的社会满意度， 电网本身良好的服务态度。 基于线性加权和法的模型为

根据一致矩阵法得知经济系数、舒适系数、供电可靠系数的重要性比值为7∶1.5∶1， 由层次分析法可得经济系数权重为0.737， 舒适系数权重为0.158，供电可靠系数权重为0.105。

为实现上述多目标综合最优， 防止在求解过程中出现劣解以及因目标函数量纲不统一而无法比较的情况， 本文采用平移伸缩法的极值化方法以缩小数量级差异[16]，采用线性加权和法将多目标优化转化为单目标优化[17]，处理结果为

式中：Fmin为最低发电成本；Fmax为最高发电成本；ω1，ω2分别为两目标函数的权重系数。

2.2.2 约束条件

①微电源的运行须满足其发电能力约束[15]，即：式中：Pi为微电源的实际输出功率；Pimin， Pimax分别为其上下限。

②微电网系统中，电力系统功率要达到平衡：

心律失常性心肌病是指因心动过速、心动过缓、节律不规整及心脏收缩不同步等心律失常引起的左室结构或功能受损，经控制心室率或转复心律后，心脏功能大多可以逆转的一组心肌病。心律失常性心肌病又分为快速性和缓慢性两种，前者由房颤、房扑、阵发性室上速、室速等快速性心律失常引起。由于该类心肌病与扩张型心肌病的临床表现极为相似，因此临床上极易混淆。现就该病的发病机制进行阐述，以提高临床医师对该类疾病的认识。

式中：L 为系统总负荷；Ploss为系统总网损。

③微电网向大电网的售电不可能超过微电网的总输出功率：

式中：Psold为微电网在该时段向大电网的售电量。

④可控机组爬坡约束[18]：

式中：Δt 为调度时段长度；Rid,Riu分别是机组i 向上、向下爬坡速率。

⑤需求侧响应每小时负荷量小于当地变压器实际输出有功功率：

式中：PT为变压器额定容量；η 为变压器效率；cosφ 为功率因数。

3 PVP&LS 分段混合调度策略及求解

目前，通过需求侧响应引导负荷贴近光伏出力，从而减少储能系统配备，这对可控负荷调控程度过大[19]，完全忽视了用电舒适性，未考虑到当地变压器容量匹配问题，不利于后期微电网工程的扩建。 通过转移高峰期负荷至低谷期的调度方式对微网优化调度具有普遍性，但未能充分发掘大量光伏出力的微网的特性。 本文将两种策略优化结合，分为预测光伏发电量大于预测负荷量和预测光伏发电量小于预测负荷量两种情况。PVP&LS 分段混合调度策略不仅满足常规调度策略平衡实时功率和保证供电可靠性的功能，而且明显提高光伏消纳能力，减少储能配置，进一步提高用电优质系数和系统运行经济性。

3.1 PVP&LS 分段混合调度策略

（1）PVP 策略

当预测光伏发电量大于预测负荷量，即PPV（t）>q（t）时，采用PVP 策略。 PVP 策略使得晚高峰部分可控负荷能转移到午间而非夜间低谷期，减小部分可控负荷被转移时间跨度，提高用电舒适系数和可再生能源消纳能力。 PVP 策略模型为

PVP 策略以弃光率、微网运行成本最小化和用电优质系数最大化为目标进行优化。 该调度策略中，光伏出力供给负荷和上网，不参与储能，旨在变压器电负荷范围内充分利用可再生能源，减少储能系统的配置，增大微网发电的经济性，符合国家电网对新能源消纳“双升双降”的要求。

（2）LS 策略

当预测光伏发电量小于预测负荷量，即PPV（t）

式中：Lafter（t）为优化后的负荷曲线；LPVP（t），LLS（t）分别为PVP 策略和LS 策略理想曲线；Lori（t）为t时段优化前的预测负荷曲线；TPVP（t），TLS（t） 分别为参与PVP 调度和LS 调度的周期数。

LS 策略以用电优质系数最大化和微网运行成本最小化为目标进行移峰填谷， 有利于实现实时功率平衡，避免某时段发电量不足的问题，并减缓晚高峰期变压器负担。

PVP&LS 分段混合调度策略流程图如图2。

图2 PVP&LS 混合负荷平移策略流程图Fig.2 Flowchart of PVP & LS hybrid load shifting strategy

3.2 自适应遗传算法求解

遗传算法是模仿自然遗传进化过程中优胜劣汰原则的全局优化技术，它是一种概率优化方法，通过选择、交叉和变异等运算得到最优解[20]，[21]。本文采用自适应遗传算法， 因其交叉变异概率可自适应调整，能够有效提高收敛精度和速度，自适应交叉概率Pc、变异概率Pm模型为

式中：fmax为种群最大的适应度；f′为两个相交个体的较大适应度；favg为种群中的平均适应度；f 为种群变化的适应度值；k1，k2，k3，k4的取值为0～1。

图3 为自适应算法的运算流程图。

图3 自适应遗传算法流程图Fig.3 Flow chart of adaptive genetic algorithm

4 算例分析

4.1 场景设置

本文以某地区并网型交流微电网进行分析，全天负荷总需求量有1 836.94 kW·h，其中，固定负荷量有1 711.94 kW·h，可转移负荷有125 kW·h。光伏装机容量为120 kW， 蓄电池SOC 设定为[0.4，0.8]，本文用Matlab 对模型求解。算例调度周期为24 h，单位时间间隔为1 h，微网各设备单元参数如表2 所示。

表2 设备单元参数Table 2 Equipment unit parameters

4.2 仿真结果分析

情景一：以微网运行经济性为优化目标。

图4 微网经济性优化负荷曲线图Fig.4 Economic optimization load curve

调度结果如图4 所示。由图4 可知，仅考虑经济性时， 需求侧不响应， 因此舒适系数最高，为1.0。 作为对比情景，调度结果主要包括柴油机出力情况、大电网购售电情况和储能系统充放电功率。凌晨时段，光伏、风机等出力弱，主要由储能系统、柴油机和大电网满足供电需求；午时段，由于光伏出力多，售电电价最高，在满足自身用电需求前提下，将剩余电量出售大电网；晚高峰时段，微网自身负荷需求大，先以储能系统和柴油机供电，供电不足时在以高价向大电网购电，运行效益差，且变压器负担重。 翌日运行成本为4 564.7 元。

情景二： 以用电优质系数和微网运行经济性为优化目标。

调度结果如图5 所示。

图5 移峰填谷调度负荷曲线图Fig.5 Load shifting strategy load curve

由图5 可知，因需求侧积极响应，负荷峰值从120.16 kW 下降到98.27 kW， 负荷谷值从41.47 kW 上升到55.94 kW， 峰谷差率较情景一明显下降了22.4%。凌晨时段，以低价从大电网购电供给优化后增加的负荷需求， 分担了高峰期的高价购电压力；午时段正值光伏出力高峰期，在满足自身需求的情况下， 微网以高价向大电网卖电和向储能系统充电，经济效益提升，但对储能系统的配置要求高，且存在储能系统充放电损耗；晚高峰期，由于储能系统容量有限， 仍须以高价从大电网购电，但因移峰填谷后负荷峰值明显下降，且可控负荷参与调度得到补贴，经济系数提高。运行成本为4 492 元。

情景三：以用电优质系数和微网运行经济性为目标优化，采用PVP&LS 分段混合调度策略。

调度结果如图6 所示。

图6 PVP&LS 分段混合调度负荷曲线图Fig.6 PVP & LS mixed scheduling load curve

由图6 可知， 情景三的晚高峰负荷峰值为91.09 kW，比情景二的98.27 kW 减少了7.18 kW。因晚高峰期须从大电网大量购电，所以情景三的晚间购电成本较情景二降低，但峰谷差率大于情景二。 考虑到变压器容量及大电网交互问题，优化后负荷曲线在光伏出力高峰期明显贴近，但未完全重合，光伏利用率明显增大，符合国家电网要求，且储能系统的配置需求小，节省部分充放电损耗费用。 优化后，翌日负荷峰值由120.16 kW下降到109.56 kW；负荷谷值由41.47 kW 提升至49.09 kW。情景三的舒适系数相比情景一下降，但补贴增多，用电优质系数增加，运行成本为4 386元。

优化后各微源出力情况如图7 所示。

图7 各微源出力曲线Fig.7 Output curve of each micro source

在PVP 策略阶段由于大量光伏出力满足负荷需求，且在峰时段内售电电价高，与大电网交互具有良好的经济性，所以该策略时段明显减少了储能系统充放电损耗。 柴油机以较低功率40 kW 稳定输出， 其他时刻出力以负荷量及发电成本计算。 因需求侧参与响应，原用电低谷期负荷量增加，须向大电网以低价购电。

各情景优化结果对比如表3 所示。

表3 各情景优化结果对比Table 3 Comparison of optimization results in various scenarios

综上所述，情景一的舒适系数最高，情景三因负荷转移较多，舒适系数有所下降；情景二的峰谷差率最低；情景三因PVP 策略阶段转入大量负荷，峰谷差率较情景二提升，但仍低于情景一。 情景三的用电优质系数最高， 且总运行成本和弃光率最低，明显优于其他情景。可见，PVP&LS 分段混合调度策略能够显著提高微网经济性和用户效益。

5 结论

本文提出一种考虑用电优质系数的PVP&LS分段混合调度策略， 适用于考虑需求侧响应的大量光伏接入的并网型微电网。 经自适应遗传算法验证该策略，主要结论如下：①PVP&LS 分段混合调度策略既能充分利用光伏发电， 明显降低弃光率，减少储能装置的配备及微网运行费用；又能通过对可控负荷的调整， 平衡早、 晚用电高峰期功率，明显减小负荷峰谷差。相比于目前通用的移峰填谷调度策略， 本文在提高光伏消纳率和微网运行经济性方面有明显优势。 ②包含用电优质系数的优化目标， 可以在促进用户积极参与需求侧响应的同时， 避免因系统过度追求运行经济性而忽视用电感受的弊端。利于推广需求侧响应，从而促进微电网需求侧的管理与发展，形成良性循环。