考虑需求响应和碳排放额度的微电网分层优化调度

周孟然，王旭，邵帅，胡锋，朱梓伟，张易平

(安徽理工大学 电气与信息工程学院，安徽 淮南 232001)

0 引言

近年来利用清洁能源的分布式发电技术发展迅速并被广泛地使用，微电网将分布式可再生能源、柔性负荷、储能进行聚合并集中管理，且合理整合分布式能源、实现负荷需求响应(demand response，DR)，优化调度作为微电网研究的重要问题之一，合理的调度策略可以降低成本、减少污染，提高微电网经济效益[1-2]。目前，微电网的优化运行主要是根据不同可控分布式发电单元(distributed generation，DG)以及不同的优化目标建立运行优化模型，并用多种算法对优化模型进行求解。文献[3-8]充分利用柔性负荷，从协调控制的角度出发，实现微电网经济运行和消纳新能源等目标，但未考虑柔性负荷接受调控会改变用户自身的用电行为习惯，从而使用电满意度发生改变。文献[9]在优化微电网配置时考虑用户满意度，建立用户缺电损失期望最小模型。文献[10]在优化负荷曲线的同时考虑用户参与DR 后的用电满意度，提出了一种基于复杂电-热-气耦合微电网的调度模型。上述文献仅从用户侧用电舒适度和用户自身利益的角度，未详细分析用户满意度与柔性负荷调整量以及微电网运行成本之间的关系，忽略了微电网运行所需要的经济性。

在全球气候变暖的背景下，温室气体的排放受到各国的密切关注，文献[11-12]以降低能源消耗、环境污染、用户用电成本和提高用户用电满意度为目标，分别提出了一种包含电动汽车的微电网多目标优化调度模型。文献[13-17]为实现微电网经济运行采用不同的算法求解微电网优化调度问题。上述文献均以微电网综合运行成本最低为优化目标，未详细分析环境成本对微电网的影响。文献[18]将碳交易成本作为优化目标之一，提出了一种考虑阶梯碳交易和需求响应的并网型微电网优化配置方法。文献[19]将碳排放量作为评价指标之一，分析对比了不同调度策略对微电网优化配置的影响。上述文献针对微电网优化配置问题特别地将碳排放量作为衡量指标之一，但针对已经确立的微电网限制其碳排放量的优化调度策略相关研究开展得还比较少。

基于上述背景，本文提出了考虑需求响应和碳排放额度的并网型微电网分层优化调度模型。首先在用户侧采用激励型需求响应，合理控制可时移负荷的用电时间来最大限度消纳新能源以及降低用电费用，采用多重指标对优化方案进行评价，并针对负荷调整量进行了经济补偿。在微电网发电侧将碳排放量作为一个约束条件，对比分析了2 种碳排放量限制与无碳排放量限制下经济最优运行策略以及运行成本和环境成本之间的关系。采用混沌粒子群算法(chaos particle swarm optimization, CPSO)求解算例，验证了模型和算法的可靠性。

1 微电网结构

本文研究的微电网是由光伏组件、风力发电机、微燃机、燃料电池、储能设备以及负荷组成的并网型微电网，通过联络线与电网相连，结构如图1 所示。在微电网中每个分布式电源、储能系统及负荷都是一个单一可控的单元在并网运行情况下当分布式电源出力不足时依靠大电网满足功率缺额，当分布式发电功率富余时可以输送给大电网，保证了微电网的稳定运行。

图1 微电网结构Fig. 1 Microgrid structure

2 分层优化调度模型

针对并网型微电网优化运行问题，本文建立了微电网分层优化调度[20]模型如图2 所示。分别在微电网用户侧和发电侧建立目标函数进行求解，实现微电网内部资源协同优化。上层模型针对风光、负荷预测数据，以消纳新能源降低用电费用为目标优化负荷曲线；下层模型对可控电源优化调度在满足优化后各时刻负荷需求和碳排放量约束的前提下使得微电网运行经济性最优。

图2 微电网分层调度结构Fig. 2 Hierarchical scheduling structure of microgrid

2.1 上层模型（负荷需求响应）

上层模型是对负荷用电曲线的优化，从用电侧出发，控制各时刻可时移负荷量，对负荷曲线削峰填谷并使其更贴近风光发电曲线。在设定可时移负荷容量约束下采用混沌粒子群算法进行求解得到各时刻可时移负荷最优转移量，得到兼顾消纳新能源和降低用电成本的负荷曲线。

2.1.1 目标函数

（1）消纳新能源。为充分利用新能源发电，在对负荷侧进行需求管理时应使得到的新负荷曲线尽可能多地消纳新能源，针对风电、光伏发电量的不可控性实现就地消纳，自发自用。以系统净负荷[21]最小值为目标，目标函数为

（3）多目标的处理。采用在多目标转化为单目标问题中针对量纲不同目标函数值运用较多的理想点法[22]对2 个目标进行折中，“理想点”为单目标优化时求得的最优值。距离函数为

2.1.3 约束条件

在负荷侧参与需求响应时将各时段可时移负荷容量设为当前时刻的最大转入转出负荷量，最小转入转出负荷量为0。

转移容量约束为

2.2 下层模型（微电网经济调度）

通过上层对负荷侧的需求管理，促进了分布式能源的消纳，但仅靠风力光伏发电不能满足负荷需求，因此还需要对可控的电源进行调节。在下层模型中以综合经济成本最小为目标，对可控电源优化调度以满足优化后的负荷曲线。建立包含微燃机、燃料电池、蓄电池以及大电网的调度系统。

2.2.1 目标函数

（1）运行成本。主要包括燃料、运维和与大电网交互的成本，其目标函数为

式中：Cgas为天然气的价格，元/m3；R为天然气的单位 低 热值；Pi(t)、 ηi(t)分 别为 电 源i在t时段的输出功率和输出效率；L为微电源的数量。

运维成本C2为

式中：Ki、Kn分别为微电源i和蓄电池n的运行维护系数；Pi(t)、Pn(t)分 别为t时 段微电源i的输出功率和储能电池n的充放电功率；L和N分别为微电源和储能电池的数量。

微电网与电网能量交互成本C3为

（2）环境成本。主要包括碳排放成本和污染气体排放成本，即

式中：Cco2为碳排放的成本；Cop为产生其他污染物的成本。

其中，碳排放成本为

式中：vi和vg分 别为微电源i和大电网单位电量的碳排放量；Pi和Pb为 分别微电源i的发电量和大电网购电量； λco2为碳排放配额内的碳排放的处理系数。

污染气体排放成本为

式中： λj为j污染物的处理系数；Qij为i微电源产生j污染物的大小。

（3）多目标的处理。由于两函数值量纲相同，采用线性加权法根据指标重要性分配权系数将其转化为单目标问题，即

3 双层优化模型求解算法

本文要求解的是一个多约束条件的优化问题，粒子群算法相较于遗传算法、差分进化算法等具有设置参数少、收敛速度快等优点，在此基础上本文所选求解算法为CPSO，相较于普通粒子群算法其采用自适应惯性权重加快收敛速度，即

此算法流程如图3 所示。

图3 混沌粒子群算法流程Fig. 3 Chaos particle swarm algorithm flowchart

模型求解思路为：（1）输入预测的负荷需求和光伏风机出力曲线；（2）设定可时移负荷量，根据上层建立的负荷侧需求管理模型利用算法求的优化后的负荷曲线；（3）将上述求得的新的负荷曲线代入微电网，根据下层建立的微网侧经济调度模型利用算法求解目标函数，综合各指标对不同可时移负荷量参与得到的负荷曲线进行评价；（4）在约束条件中加入碳排放量约束，针对微电网经济运行再次利用算法求解，得到各设备各时刻的设备出力曲线供比较分析。

4 算例分析

4.1 算例基本数据

为验证本文模型和算法可靠性，以某微电网示范区为例，一个调度周期为24 h，优化前负荷曲线分布情况[24]和风电光伏预测出力如图4 所示，微电网各时刻购售电价格如表1 所示，各分布式电源参数如表2 所示，微电网碳排放和污染气体排放系数如表3 所示。用户参与需求响应负荷转移补偿为0.3 元/（kW·h）[25]，蓄电池的SOC 范围设定为[0.2,0.9]，蓄电池的初始SOC 取0.2，自然放电率为0.001 5，充放电效率为0.95。

表1 购售电价格参数Table 1 Purchase and sale price parameters

表2 各微电源参数Table 2 Micro power supply parameters

表3 污染物排放参数Table 3 Pollutant emission parameters

图4 风、光出力及负荷需求Fig. 4 Wind and solar output and load demand

4.2 仿真结果分析

4.2.1 不同调度方式下的结果分析

本文分别分析可转移负荷容量（即单位调度时段可转移负荷容量占当前时段负荷量的百分比）设置为0%（方案1）即为原始负荷曲线、10%（方案2）、20%（方案3）时的调度结果，如图5 所示。并分别在2 种微电网运行策略下对3 种方案的综合经济成本、微网总运行成本、弃风弃光量以及用户用电满意度进行比较。2 种运行策略分别为：策略1 为只允许微电网购电，即能量只能从主网流向微网；策略2 为允许微电网购售电，即微网与主网之间能量可以双向流动。结果如表4 所示。

图5 3 种方案优化后的负荷曲线Fig. 5 The optimized load curve of three schemes

由图5 和表4 可以看出用户参与需求响应可消纳更多新能源发电量，降低微电网运行成本，并起到削峰填谷的作用。提高可转移负荷的容量，能在一定程度上降低运行成本，但相应的会导致用户用电满意度的降低。

当优化调度只考虑用电满意度时，即方案1，此方案为原始负荷曲线用电满意度为100%，综合经济成本为10 684.59 元，在3 种方案中最高。方案2相较于方案1 满意度降低了3.79%，在微电网运行策略1 下弃风弃光量降低了53.93%（638.61 kW·h），微电网总运行成本在2 种运行策略下分别降低了7.33%(783.5 元)和5.96%（618.06 元），综合经济成本分别降低了2.41%（257.33 元）和0.89%（91.89 元）；方案3 相较于方案1 满意度降低了6.26%，在微电网运行策略1 下弃风弃光量降低了85.53%（1 012.8 kW·h），微电网总运行成本在2 种运行策略下分别降低了11.62%（1 241.54 元）和9.37%（971.03 元），综合经济成本分别降低了3.49%（372.66 元）和0.99%（102.15 元）。综合考虑以上指标可以看到方案3 在降低了一定的满意度的基础上经济性相较于方案2 提升不大。因此方案2 在微电网的经济性提升和用户满意度之间取得了平衡，成为最优方案。

4.2.2 不同碳排放配额下的结果分析

碳交易是通过买卖碳排放配额来实现碳减排的一种交易机制，具有碳排放的发电企业通过有偿或无偿的方式分配到定量的碳排放额，若碳排放量超出碳排放配额必须购买碳排放配额来补偿超出的碳排放量，因此微电网在满足负荷需求的同时需要合理调节各电源出力和外购电力的大小来避免碳排放量超出碳排放配额。本文在上述微电网只允许买电运行策略和方案2 调度策略下，对3 种情况以经济性最优为目标对微电网各单元进行了优化调度，结果如图6～8 所示。3 种情况分别为：（1）无碳排放量限制；（2）平均一个调度周期碳排放配额为7 000 kg；（3）平均一个调度周期碳排放配额为6 500 kg。

图6 无碳排放量限制的优化调度Fig. 6 Optimal scheduling result without carbon emission limit

图7 碳排放配额7 000 kg 的优化调度Fig. 7 Optimal scheduling result with a carbon emission quota of 7 000 kg

图8 碳排放配额6 500 kg 的优化调度Fig. 8 Optimal scheduling result with a carbon emission quota of 6 500 kg

可见，从整体上看3 种情况下的经济性最优调度策略，各发电单元根据经济性确定出力优先级，储能系统充电时刻主要在电价低谷和新能源出力富余时间段，放电时刻主要在电价高峰和新能源出力不足时间段。由表5 可知，限制碳排放量一定程度上会增加微电网综合成本，这是由于减少了主要为火力发电的外购电量，使得环境成本降低运行成本升高。总体上，碳排放配额为7 000 kg和6 500 kg 相较于无碳排放配额情况下微电网综合成本升高了22.82 元和58.72 元，碳排放量降低了260.93 kg 和760.93 kg，以碳交易价格0.267 6 元/kg[18]为例，微网综合成本增加量均远低于减少的碳排放交易量。因此在碳交易机制下，合理控制微电网碳排放量的调度方法更有利于提升微电网运行的经济性。

表5 不同碳排放量约束下优化结果Table 5 The optimization results with different carbon emission quotas

4.2.3 算法对比及分析

结合算例可见，本文采用的CPSO 能够有效地解决不同调度策略下的微电网经济运行问题。以图6 场景下的优化为例记录CPSO 的迭代过程对其进行横向比较，与遗传算法（GA）和粒子群算法（PSO）对比如图9 所示。可以看出，3 种算法的目标函数值均随着迭代步数的增加逐渐减小最后趋于一个稳定值。CPSO 算法在迭代过程中采用自适应惯性权重并增加了混沌优化，加强了对优势个体进行局部搜索深度，具有迭代次数少和收敛速度快的优点，体现了所用算法的优越性。

图9 算法迭代收敛Fig. 9 Algorithm iterative convergence curve

5 结语

本文针对并网型微电网经济运行问题建立了分层优化调度模型。在负荷侧综合考虑各项指标确定最优负荷调整量优化负荷曲线，在微网侧引入碳排放量约束对微网中各出力单元进行优化调度以满足优化后的负荷需求。仿真结果表明，本文所提分层优化调度模型综合考虑多个指标得到的用户参与需求响应最优调度方案，兼顾微电网经济性和用户满意度，为供电公司激励用户参与需求响应和挖掘负荷可调节潜力提供参考。本文求解过程所采用的算法能有效提高收敛速度和解的优越性。分析不同碳排放量限制下的微电网经济运行策略，结果表明考虑碳排放额度能进一步提升微电网运行经济性。本文所考虑的并网型微电网中能源形式不够多样，随着新能源的迅速发展，将会有更多更为清洁的能源形式引入微电网参与经济调度是未来亟待解决的问题。