考虑激励型需求响应的孤立型微网优化运行

吴翰韬，温步瀛

(1. 福州大学土木工程学院，福建 福州 350108； 2. 福州大学电气工程与自动化学院，福建 福州 350108)

风、光等清洁能源因具有环保、资源丰富等优点而受到电力行业的重视，电力行业开始大力发展清洁能源发电[1-3]。同时，风、光等清洁能源在发电时具有间歇性和随机性的特点，并入电网运行后会对电网的稳定性和可靠性造成一定的影响[4]。目前，微网系统被普遍认为是提高风、光等清洁能源利用率的有效手段[5-6]。激励型需求响应(Demand Response，简称DR)是指根据政府或电力公司发布的相关激励政策，用户主动调整自身用电行为，从而缓解负荷峰值时段电力供应紧缺的一种有效措施[7]。在微网中引入激励型DR措施，能够引导用户合理用电，优化负荷侧需求分布。

目前，已有文献针对考虑激励型DR的微网展开了研究。文献[8]从供电可靠性角度出发，提出激励型DR的微网负荷削减策略。基于此，构建计及激励型DR的微网调度模型。文献[9]为解决清洁能源的消纳量问题，将激励型DR措施引入到微网调度运行中，建立计及激励型DR的微网调度模型。文献[10]以提高供电可靠性和能源利润为目的，构建考虑激励型DR和电池储能的优化模型，算例分析了激励型DR和电池储能对微网可靠性与盈利能力的影响。

本文针对考虑激励型DR的微网运行问题展开研究。首先建立激励型DR模型，并参考阶梯电价，建立阶梯型补偿方案；其次以微网日运行成本最小为目标，建立考虑激励型DR的微网优化调度模型；最后以一个微网系统为例进行仿真，验证建提模型的有效性。

1 激励型DR模型

激励型DR是根据电网供需状态制定的相关激励政策，可引导用户在电力供应紧张时减少用电需求，从而获得相应的补偿[7]。激励型DR的合同中一般规定了响应补偿标准以及响应容量。对于激励型DR的补偿方式，本文参考阶梯电价，设置一种阶梯型补偿方案，如图1所示。

图1 激励型DR阶梯型补偿方案示意图

(1)

综上，在t时段用户的总响应容量和相应的补偿如下：

(2)

(3)

2 微网运行优化模型

2.1 目标函数

以微网日运行成本最小为目标，包括微网系统中分布式电源的运行成本和激励型DR的响应成本。其中，分布式电源的运行成本包括燃料成本、启动成本和运维成本。综上所述，目标函数为

(4)

式中CFuel——分布式电源的燃料成本；CSt——分布式电源的启动成本；CDG——分布式电源的运维成本；CBess——电池储能系统的运维成本；T——运行周期。

其中，分布式电源的燃料成本：

(5)

分布式电源启动成本：

(6)

分布式电源运维成本：

(7)

电池储能系统的运维成本：

(8)

2.2 约束条件

(1)系统功率平衡约束

(9)

(2)分布式电源约束

出力约束：

(10)

爬坡约束：

(11)

(3)风电出力约束

(12)

(4)光伏出力约束

(13)

(5)电池储能系统约束。

1)出力约束：

(14)

2)电量和充放电功率关系约束：

(15)

3)荷电状态约束：

SSOCmin≤SSOCt≤SSOCmax

(16)

SSOC0=SSOCT

(17)

式中 SSOCmin，SSOCmax——电池储能系统荷电状态的最小值和最大值；SSOC0，SSOCT——始、末时刻电池储能系统的荷电状态。

(6)激励型DR约束

见式(1)和式(2)。

2.3 模型求解

构建的模型中分布式电源燃料成本函数是非线性的，利用文献[11]中的分段线性方法将其线性化。

如将模型中的非线性部分进行线性化处理后，得到混合整数线性规划模型，可以利用MATLAB软件进行编程，并调用CPLEX求解器进行求解。

3 算例分析

3.1 算例参数

本文研究对象为风力发电、光伏发电以及电池储能系统组成的微网。

微网中风电出力、光伏发电出力以及负荷的日预测曲线如图2所示。微网中各类设备的基本参数如表1和表2所示。分布式电源的燃料成本曲线如图3所示。激励型DR补偿方案如表3所示。

图2 风电、光伏发电以及负荷的日预测曲线

表1 电池储能系统基本参数

表2 分布式电源基本参数

图3 分布式电源的燃料成本曲线

表3 激励型DR补偿方案

3.2 优化结果

微网处于孤立运行模式下，其优化结果如图4所示。优化后的微网日运行成本为3 424.70元。

图4 微网孤立运行时的优化调度结果

由图4可知，微网负荷主要由风电和光伏发电供电。由于清洁能源发电成本较低，风电和光伏发电优先上网；激励型DR的实施降低了负荷高峰时段的用电需求，优化微网用户侧需求布局；电池储能系统在负荷低谷时段充电，在负荷高峰时段放电，对负荷进行削峰填谷。

3.3 激励型DR对系统运行的影响

为分析激励型DR的实施对微网系统运行的影响，给定两种场景进行对比分析。两种场景的设置和优化结果如表4所示。

表4 两种场景的优化结果

由表4可知，场景1的微网日运行成本与场景2相比，下降了19.25%。

这是由于场景1中考虑了激励型DR，将其参与到微网系统调度中，能够在一定程度上削减负荷，优化用户侧需求布局，使微网的整体经济性达到最优。

4 结语

针对激励型DR的特点，建立相应的数学模型，并参照阶梯电价，提出了阶梯型补偿方案。以微网总运行成本最小为目标，建立了考虑激励型DR的孤立型微网优化运行模型。

对算例的仿真与分析结果表明，在微网中引入激励型DR，可以引导用户积极参与负荷削减、优化需求侧负荷分布，从而可提高微网整体的经济性。