计及分时电价的微能源网源荷储协同优化调度

陆纯莹， 朱武*， 王世萱， 焦哲晶

(1.上海电力大学电子与信息工程学院, 上海 201306； 2.国网浙江宁波市鄞州区供电有限公司， 宁波 315153)

近年来，为解决能源短缺及化石燃料污染加重等问题，太阳能、风能、天然气等清洁能源的利用得到世界各国的高度重视[1-2]。将清洁能源配合冷热电联供单元(combined cooling heating and power，CCHP)组成微能源网进行发电，可以提高能源利用效率，有效减少能源系统的碳排放量和经济成本[3-5]。随着中国 “3060双碳目标”的提出，小容量微能源网的发展速度必将加快。因此，研究微能源网日前调度模型，对降低其经济成本和减小碳排放具有重要意义[6]。目前对微能源网优化调度的相关研究主要集中在评价指标与评价方法、能量流分析、调度策略的研究和优化模型的求解等方面[7-8]，其中调度策略和模型求解是近年来的研究热点。

在微能源网调度策略方面，国内外学者已经取得了一定进展。文献[9]通过在系统中加入电转气设备提高系统的风电消纳水平，减少系统发电费用；文献[10]提出一种经济-实时两阶段调度策略，减小可再生能源出力预测误差，实现经济运行；文献[11]提出一种双层多场景协同优化配置策略，降低微能源网总投资成本；文献[5,12-13]考虑了需求侧管理(demand side management，DSM)，并分析了其对系统灵活性、经济性和风电消纳水平的影响。然而上述文献大多基于分时电价策略进行调度，容易出现电能过早售出导致后续时段电能供应不足的问题。若不进行售电，储能系统的电能又可能剩余过多，出现能源利用不充足的情况。此外，微能源网向大电网购电时会增加煤炭消耗和碳排放量，同时小容量系统的售电收益并不高。因此，亟须提出一种适用于并网型小容量微能源网的调度优化策略，降低系统经济成本和碳排放量，提高系统稳定性。

在优化模型的求解方面，文献[14]采用遗传算法对热电联产系统的容量和运行进行优化；文献[15]将遗传算法与二次规划相结合提高算法的寻优能力；文献[16]采用粒子群优化(particle swarm optimization，PSO)确定最优功率输出策略；文献[17]将模拟退火算法与粒子群算法相结合加快算法的收敛速度。由于PSO算法具有求解速度快、鲁棒性较好且简单易操作等优点，可将其用于求解微能源网日前调度模型，但该算法容易陷入局部最优，所以还需作进一步的优化。

现综合考虑经济性和环保性，对小容量微能源网调度优化进行研究。首先，建立微能源网运行模型，并对微网中各部分进行分析。其次，提出计及DSM的新型储能-分时电价协同调度策略，并采用网格搜索法求得储能系统的最优出力参数，改善负荷曲线轮廓，延缓设备投资需求，降低微网的经济成本和环境成本。再次，为避免算法陷入局部最优，将免疫机制引入PSO算法以提升粒子多样性和寻优能力，求得更优的经济运行方案。最后，用4种场景验证所提模型和算法的经济性和环保性。

1 微能源网模型

1.1 微能源网结构

如图1所示是一个微能源网模型。系统主要根据冷、热、电、气划分为4个部分，CCHP系统由燃气轮机、余热锅炉和吸收式制冷机组成，通过消耗天然气对冷热电3种负荷进行供能；风力发电机、光伏电池和燃料电池给电负荷供电，同时连接配电网进行电能交换；当CCHP系统供冷不足时，由电制冷机消耗电能给冷负荷供冷；当CCHP系统供热不足时，由燃气锅炉消耗天然气进行补足。系统中多余的能量均通过储能系统进行存储。微能源网各部分数学模型参考文献[5，10]。

图1 微能源网结构示意图Fig.1 Schematic diagram of micro energy grid structure

1.2 目标函数

目标函数为微能源网总运行费用最低。总运行费用由经济成本和环境成本组成，经济成本包括燃料费用、设备运行维护费用、电网交互费用和需求侧管理费用，环境成本则将其转化成污染气体治理成本。表达式为

(1)

式(1)中：CG为系统总运行成本；Cecmin(t)、Cenmin(t)分别为系统经济成本和环境成本；Cfuel(t)、Com(t)、Cgrid(t)、Cdr(t)、Ccar(t)分别为燃料费用、机组运行维护费用、电网交互费用、需求侧管理费用、污染气体治理费用；T为一个调度周期。

1.3 约束条件

1.3.1 功率平衡约束

系统电、热、冷功率平衡约束分别如下。

PMT+PFC+Pdis+Pgrid+Pstor=Pload+Paus

(2)

Hre+Hb+Hstor=Hload

(3)

QAC+QEC+Qstor=Qload

(4)

式中：PMT、PFC、Pdis、Pgrid、Pstor、Pload、Paus分别为燃气轮机、燃料电池、分布式电源的输出电功率、大电网交互功率、蓄电池功率、电负荷功率和辅助设备耗电功率；Hre、Hb、Hstor、Hload分别为余热锅炉供热量、燃气锅炉供热量、储热装置热功率和热负荷功率；QAC、QEC、Qstor、Qload分别为吸收式制冷机供冷量、电制冷机供冷量、储冷装置功率和冷负荷功率。

1.3.2 设备出力约束

设备出力约束主要为设备运行上下限约束，即

Pimin≤Pi(t)≤Pimax

(5)

式(5)中：Pimin、Pimax分别为第i个设备运行下限和上限。

1.3.3 储能设备约束

σminSES≤Si(t)≤σmaxSES

(6)

0≤Pin(t)≤Pinmax

(7)

0≤Pout(t)≤Poutmax

(8)

式中：Si(t)为储能系统t时刻容量；σmin、σmax分别为储能的最大状态和最小状态；SES为储能总容量；Pin(t)、Pout(t)分别为储能t时刻输入和输出功率；Pinmax和Poutmax分别为储能输入和输出上限。

2 调度策略改进

2.1 DSM模型

DSM作为能源管理问题的一种有效方案，以其灵活、方便等优点，在大多数研究中都得到了应用[18]。主要考虑可削减负荷和可平移负荷对成本的影响，通过在能源需求高峰期或电价较高的时期降低消耗，或将其平移到另一个时期，以平抑负荷波动，降低运行成本。

冷热负荷由于其具有冷热惯性[19]，在短时间内室内温度不会骤变，因此可以考虑为可削减负荷，其模型为

(9)

式(9)中：Q(t)为实施DSM前冷热负荷；Q′(t)为实施DSM后冷热负荷；Qcut(t)为t时刻削减冷热负荷量；σ1为需求侧可削减负荷比例系数。

由于微能源网与大电网相连，其在电能调度方面比冷、热能更为复杂。考虑到可削减负荷对用户实际用电情况影响较大，在电负荷侧主要考虑可平移负荷的影响。可平移负荷在调度过程中不改变用户的总用电量，调度费用低，用户满意度更高，模型为

(10)

式(10)中：P(t)为实施DSM前电负荷；P′(t)为实施DSM后电负荷；Ptran,in(t)和Ptran,out(t)为t时刻转入、转出负荷量；σ2为需求侧可平移负荷比例系数；uin、uout为0～1变量。

为进一步优化模型，采用文献[13]的方法控制负荷侧削减量和平移量，用饱和度S反映DSM对用户用电需求满足程度带来的影响;用差异度D表示实施DSM前后用户用电量的差异,公式分别为

(11)

(12)

Pdmin(t)=(1-σ1-σ2)P(t)

(13)

式中：Smin、Dmax为用户饱和度、差异度的设定值；Pdmin(t)为实施DSM后用户侧负荷的最小值。

2.2 改进储能-分时电价调度策略

基于“可持续”发展思想，提出了适用于并网型小容量微能源网的储能-分时电价调度策略，将储能系统结合分时电价策略，对系统进行协同规划。所提策略旨在减少小容量系统的购售电情况，尽量做到能源就地消纳，在最大化利用能源的同时，又能减少系统的碳排放量。在新的调度策略中，储能系统的充放电规则依然遵循分时电价规律，即电价高时放电，电价低时蓄电。系统购售电情况则不再根据电价，而是以储能系统当前总量进行调整。提出售电系数k的概念，代表蓄电池在单位调度时间内的售电限制功率，只有在满足式(14)的情况下系统才进行售电，否则将本该出售的电能存入储能单元，模型为

(14)

3 模型求解算法

3.1 改进免疫粒子群算法

提出一种改进的人工免疫粒子群算法(immune particle swarm optimization，IMPSO)，通过引入免疫机制中的亲和力评估和疫苗接种部分，解决PSO算法容易陷入局部最优解的问题。

粒子群算法在迭代后期会与种群最优解的差距越来越小，导致种群多样性下降，进而陷入局部最优解。为了解决该问题，在迭代过程中加入亲和力评估机制，该机制主要依据粒子的亲和力大小进行排序和选择[20]，其计算公式如下。

(15)

(16)

p(xi)=λf(xi)+(1-λ)d(xi)

(17)

式中：ρ(xi)为种群中第i个粒子与当前群体极值的相似度；d(xi)为第i个粒子的浓度；p(xi)为第i个粒子的亲和力；f(xi)为第i个粒子的适应度；M为每个粒子的数据规模大小；λ为权重系数。

由式(17)可知，亲和力主要与粒子的适应度和浓度有关，按照亲和力排序筛选可以使得一些与最种群优解相似度不高但是适应度值较好的粒子也能参与迭代，这样各个层次的粒子都能维持在一定的浓度，种群的多样性得以提高，能够避免算法陷入局部最优解。

在亲和力评估机制的基础上加入疫苗接种环节，可以有效避免种群退化现象。将群体极值作为接种疫苗，采取中间交叉方法[21]进行接种，公式为

p=p+(gbest-μrp)

(18)

式(18)中：p为当前粒子；gbest为群体极值；μ为接种系数；r为[0,1]的随机数。

3.2 算法流程

将IMPSO算法应用于求解微能源网模型的流程如图2所示，具体步骤如下。

步骤1输入负荷数据、风光出力数据、设备运行参数和各时段电价等；设置IMPSO算法的目标函数为微能源网总运行成本最小，变量为燃气轮机、锅炉等设备输出功率、可削减冷热负荷、可平移电负荷。

步骤2初始化种群大小、位置和速度等参数，在改进策略下生成N个初代粒子，得到各设备原始出力情况；找到初代种群的群体极值gbest和个体极值pbest，更新种群速度和位置。

步骤3在改进策略下重新生成M个粒子，对粒子实施DSM，用饱和度、差异度控制负荷侧削减量和平移量，如果实施DSM后粒子的运行成本更优则替代原来的粒子，并修改gbest和pbest，否则保留实施DSM前的粒子。

步骤4将全局成本最优的粒子作为接种疫苗，由式(15)～式(17)计算出N+M个粒子的亲和力，按照亲和力大小选取前N个粒子。

步骤5由式(18)对前N/2个粒子的燃气轮机输出功率进行疫苗接种操作，并修正其余设备出力，重新计算运行成本，如果接种后粒子的运行成本更优则替代原来的粒子，否则保留接种前的粒子。

步骤6将后N/2个粒子与完成疫苗接种的N/2个粒子重新组成新一代群体，更新粒子群速度、位置、群体极值和个体极值。

图2 IMPSO算法流程图Fig.2 Flowchart of IMPSO

步骤7判断是否达到最大迭代次数，若达到则退出循环，输出此时输出最优机组出力方案xp、优化后的负荷数据xdsm以及对应的系统最佳运行成本yc，若没有则返回步骤3。

4 算例分析

4.1 基础数据

选取某含光伏和风力发电的并网型微能源网为对象进行分析，调度周期为24 h，调度单位时长为1 h，假设微能源网内夏季不制热且冬季不制冷[5,15]，分别对夏季供冷典型日和冬季供暖典型日进行调度研究。系统内各设备数据[5]如表1所示，燃气轮机选取Capstone公司的c65型号微燃机，储能设备数据如表2所示，分时电价数据如表3所示。将电负荷与辅助设备用电功率记为综合电负荷，设定每一时段的可削减负荷和可平移负荷量不超过原始负荷量的10%，且只有当燃气轮机满发或微能源网供电不足时才进行冷热负荷削减，可控负荷补贴费用参考文献[13]。天然气单价为2.95元/m3，低热值为 9.73 kWh/m3。为了避免种群早熟收敛，采用线性微分递减策略调整PSO算法的惯性权值。算例设置4种方案进行对比，以验证所提策略和方法的优越性，如表4所示。

表1 微能源网各设备参数Table 1 Device parameters of micro energy grid

表2 储能系统参数Table 2 Parameters of energy storage system

表3 分时电价Table 3 Time-of-use price

表4 场景分类Table 4 Classification of case studies

4.2 调度策略对比

方案二和方案三在均有储能系统但不考虑DSM的情况下进行调度策略的对比。方案二中蓄电池的最大输入和输出功率参考文献[5]设置为相同的数，取30 kW。方案三中蓄电池的最大输入和输出功率则和售电系数k一起通过网格搜索法确定，考虑蓄电池寿命，搜索的范围不超过蓄电池总容量的10%。所提策略最终运行结果见表5，两种运行方案在夏季和冬季典型日储能系统状态和电网交易情况见图3和图4，运行成本见表6。

表5 蓄电池出力最优参数Table 5 Optimal parameters of battery output

图3 夏季典型日调度策略对比Fig.3 Comparison of scheduling strategies in typical summer day

图4 冬季典型日调度策略对比Fig.4 Comparison of scheduling strategies in typical winter day

表6 微能源网运行成本Table 6 Operation costs of micro energy grid

在一个调度周期内，电负荷一般会在中午和晚上出现两个用电高峰。由于前期蓄电量充足，方案二在第一个用电高峰会将蓄电池中多余的电能进行出售以换取收益，但也会导致蓄电池电量过早消耗，在第二个用电高峰出现电能不足、购电量增大的情况。方案三加入售电限制条件后，前期售电量明显减少，在第一个用电高峰过后蓄电池仍有较多的电量用于后续运行，第二个用电高峰的购电量也相应减少。从表6中也能看到，在环境成本方面，方案三的成本明显优于方案二，证明了所提策略可以有效减少微能源网的碳排放量。

4.3 成本分析

表6给出了4种方案的运行成本，在方案四下夏季和冬季典型日的最优出力情况见图5～图8。

从表6中可以看到，对于传统的方案一，由于没有考虑储能系统和DSM，系统经济成本和环境成本都偏高。方案二加入了储能系统，微能源网的调节能力有一定的提升。方案三由于采用了提出的改进储能-分时电价调度策略，能够减少系统和电网交互的电量，使能源就地消纳，降低系统的碳排放量，对环境更加友好。

对比于传统的方案一和方案二，方案四不论在经济还是环境方面都取得了显著的效益。尤其是环境成本方面，在夏季和冬季典型日，方案四较方案一下降35.4%和15.2%；较方案二下降了18.4%和13.0%。经济和环境成本下降的主要原因在于方案四在方案三的基础上进一步考虑了DSM，平抑负荷波动，同时采用IMPSO算法对模型进行求解，得到了更优的系统运行方案。

图5 夏季电功率最优出力状况Fig.5 Optimal output of power in summer

图6 夏季冷功率最优出力状况Fig.6 Optimal output of cooling in summer

图7 冬季电功率最优出力状况Fig.7 Optimal output of power in winter

图8 冬季热功率最优出力状况Fig.8 Optimal output of heating in winter

4.4 算法对比

为保证公平性，在方案四的情况下分别用PSO算法和IMPSO算法进行对比。图9为两种算法最优解对应的的种群分布情况，可以看出，由于亲和力评估机制的融入使得IMPSO算法的种群多样性更好，分布情况比传统PSO算法均匀，可以在一定程度上避免算法陷入局部最优解。

方案四下夏季、冬季典型日的最优运行成本收敛特性曲线如图10所示。由于采用了线性微分递减策略和疫苗接种机制避免算法早熟收敛，在前期IMPSO算法收敛速度稍慢与传统PSO算法；在迭代后期，IMPSO可以更快地收敛至最佳运行成本，且得到的最优解更好。

对两种算法分别独立运行30次，所得结果均与上述相似。在不同季节，IMPSO算法均能快速收敛且寻优效果更好，证明了所提算法在微能源网优化调度方面的可行性和优越性。

图9 种群分布对比Fig.9 Comparison of population distribution

图10 夏季和冬季最优运行成本收敛曲线Fig.10 Convergence curve of optimal operating costs in summer and winter

5 结论

(1)通过分析小容量微能源网运行特性，在考虑需求侧管理的同时提出改进的储能-分时电价调度策略，并通过网格搜索法求得储能系统最优出力配置。运行结果表明，不同类型的负荷需求响应相互配合，可以有效地改善负荷峰谷差，提高系统运行的经济性。采用所提策略可以有效减少冬夏两季微能源网的碳排放量和经济成本。

(2)为了防止PSO算法陷入局部最优解，引入免疫机制，运用改进IMPSO算法求解微能源网日前经济调度模型。结果表明，所提算法比传统PSO算法收敛更快、更稳定，粒子多样性更好，具有更好的寻优能力。