考虑微电网群和需求响应的配电网日前-日内优化调度策略

2024-01-10贾清泉崔传智

河北电力技术 2023年5期

王涛,贾清泉,崔传智

(燕山大学,河北秦皇岛 066004)

0 引言

随着以光伏、风机为代表的可再生能源的快速发展,可再生能源得到了广泛关注并大规模应用于电力系统中。但分布式电源出力具有间歇性,在使得电网更加环保的同时,也为电网安全稳定运行带来了挑战[1-2]。微电网(Microgrid)作为分布式可再生能源的有效接入方式,受到了广泛关注,成为分布式可再生能源消纳的重要方式[3-5]。但是单个微电网存在容量有限、抗干扰能力弱等缺点[6]。因此,将地理位置相近的多个微电网互联,构成一个可以消纳更多分布式可再生能源的微电网群。微电网群内子微电网间协同运行,能够提高分布式可再生能源的渗透率和利用率,提高微电网的供电可靠性和电能质量。

目前国内外已有许多文献对多微电网系统和微电网群系统的配电网做了研究。文献[7]提出了一种具有集群微电网的配电网两级能量管理模型,协调配电网和微电网群间的能源管理。文献[8]提出了一种用于电网内电力共享的微电网间相互作用的协同电力调度算法,研究了分布式智能电网中以运营成本最小化为目标的负荷需求管理。文献[9]基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)证明了将相近的多个微电网互联构成微电网群系统进行协同管理,能够提高系统的运行经济性和可靠性。文献[10]提出了一种针对微电网群优化运行的基于一致算法的信息传递全分布式算法,实现了微电网群运行成本的全分布式运行优化,但是没有考虑系统网络损耗。文献[11]提出了基于一致性协议的多微网协调控制策略,实现子微网功率的平均分配。但是一致性协调过程涉及收敛系数等问题,影响了多微网协调控制效果。文献[12]建立了多微网的主动配电网系统的双层优化调度模型。文献[13-14]分别考虑了多代理框架的多微网系统,以解决微网内部和微网之间的能源管理问题。

针对负荷的多时间尺度特性和预测的不完全精确问题,文献[15]提出基于模型预测控制的多时间尺度主动配电网多源协调优化调度策略,分别考虑长时间尺度最优经济调度和短时间尺度滚动优化,但预测方法存在较大偏差。文献[16-17]改善了模型预测误差问题,用实际出力值代替预测值,进一步降低预测误差。文献[18]提出了一种基于用户需求响应(demand response,DR)的集成预调度和重新调度的两阶段调度方法,实现了大规模用户参与配电系统的优化调度。文献[19]针对冷热电负荷需求的不匹配特性和随机特性,从供给侧和需求侧控制的角度对冷热电联供系统的综合优化运行问题进行了研究。上述文献考虑了多微电网接入配电网系统,分别考虑了各自的经济性,但未从配电网角度整体考虑系统的经济性。

本文从配电网整体经济性考虑,提出基于配电网整体经济性的调控策略,并考虑具有需求侧响应、储能和分布式电源的可调度性微电网群系统参与配电网经济优化调度。同时,考虑光伏预测、负荷预测的不确定性和需求侧响应的提前通知时间特性,针对传统集中式调度的实效性、经济性差等问题,提出微电网-微电网群-配电网自下向上的申报策略和配电网-微电网群-微电网自上而下的求解策略,建立了配电网-多微电网的日前-日内滚动多时间尺度优化调度模型,模型采用ADMM 求解。并用算例分析了微电网群接入配电网的整体经济性,验证所提模型的经济性。

1 含微电网群的配电网优化系统

1.1 系统优化架构

本文提出的配电网-微电网群-微电网功率和信息交互的配电网控制架构如图1所示。

图1 含微电网群的配电网控制架构

微电网内部资源将各自出力聚合并上传至微电网控制中心(Microgrid Center,MGC),MGC把收集的可控资源出力信息聚合并上报给微电网群控制中心(Multi-microgrid Center,MMGC);MMGC把收集的群内微电网出力信息聚合,并于日前上报给配电网决策中心(Distribution Network Decision Center,DNDC),DNDC 根据运行成本统一决策出力信息,并把微电网群出力决策量下发至各MMGC;MMGC 根据微电网等值模型进一步决策出群内微电网出力信息,并把决策信息下发给群内MGC;MGC 根据内部各资源出力成本,将MMGC决策量分配至各个设备。

1.2 系统日前-日内优化策略

配电网日前-日内多时间尺度优化策略如图2所示。日前优化根据配电网负荷预测和光伏出力预测,每24 h制定一次调度计划,得到日前配电网购电电量、每个微电网出力信息,MGC 进一步优化决策得到每小时微电网内部柴油机出力策略、储能充放电策略和日前型可控负荷策略。

图2 配电网多时间尺度优化策略

为了适应日内可控负荷的随机性、实现微电网内统一调度,并尽可能及时传输并处理数据信息,以满足实时性的要求,每个MGC 采集内部实时信息后上传至MMG 和DNDC,由MGC 完成优化计算[20],并把优化结果下发给内部可控资源,实现日内短时间尺度的优化调度。日内滚动优化阶段对负荷的预测精度进一步提高,基于日负荷曲线的日内实测值,对日内型可控负荷实际申报值及分布式储能等资源进行修正调控,需要通过对日内型可控负荷、储能和柴油机功率进行修正以满足功率平衡条件。考虑到日内型可控负荷随机性、实时性较强,日内优化控制采用滚动优化方式,提前15 min制定1 h的控制计划,仅通知用户第1个15 min的控制结果。

2 配电网-微电网模型建立

2.1 微电网约束建立

本文考虑每个微电网由光伏发电、柴油机、储能系统、常规负荷和需求侧响应负荷组合而成。

微电网运行的任何时刻都需要满足内部功率平衡,即在微电网n内满足

式中:P n,PCC(t)为t时段配电网需要微电网发出的有功功率;为光伏预测功率;)为DG的输出功率)和分别为t时刻储能的充电和放电功率;为t时段可以平移的功率;)和分别为t时段可转入功率和可转出功率;)为t时段用户可中断功率;为t时刻微电网与群内其他微电网交换的功率;)为t时刻微电网群决策微电网n用于与其他微电网群交换的功率。

任一时刻,微电网的出力都受到内部资源总和的约束,其出力范围约束为

微电网与微电网间联络线存在传输功率上限,可表示为

2.2 微电网内资源模型建立

本文假设其预测误差服从均值为0、标准差为σpv,k的正态分布

式中:γpv为光伏预测偏差占光伏预测功率的比例。

则t时刻光伏电池板k的实际出力P'pvk(t)为

储能系统的荷电状态满足以下公式

式中:BSOC,i(t)为储能的荷电状态,本文设置其上下限为0.9和0.2;ηin和ηout分别为储能充放电的效率,本文均设置为0.95。其运行成本与放电功率之间关系为

柴油发电机(DG)发电成本与其输出功率之间的关系为

式中:CDG(t)为DG 的发电成本;cDG(t)为柴油燃料价格;PDG(t)为DG 的输出功率;adg、bdg和cdg分别为燃料消耗系数。

DR 可以引导用户用电,保障电网稳定运行。DR 主要可以分为激励机制型DR(Incentivebased Demand Response,IDR)和价格机制型DR(Price-based Demand Response,PDR)两大类[21]。本文将IDR 和PDR 作为参与微电网的负荷调度对象,且建立的模型采用日前动态电价模式,因此需要PDR 调度量需要在日前调度根据电价确定;不同的IDR 在响应时间上存在差异,因此在考虑提前通知时间长短将IDR 进行分类,如表1所示。

表1 IDR的类型

IDR 可以分为以下3种:

1)可中断负荷

可中断负荷(Interruptible Load,IL)是指在电网负荷高峰时刻,用户可以根据电网的激励机制降低用电,如家用娱乐设备。IL 既可以日前安排,也可以临时削减,所以IL既有日前型,也有日内型。可中断负荷的控制模型

式中:TOIL和TIL分别为用户负荷不可中断的时段和可中断的时段;PIL,max(t)为t时段用户最大可中断功率。

2)可平移负荷

可平移负荷(Shift Load,SL)是指负荷的用电时段可以根据系统的用电状态整体平移到另一个时段,但在调度周期内平移前后的负荷曲线保持不变,如工业用户。可平移负荷仅可在日前安排,因此属于日前型可控负荷。可平移负荷的控制模型

式中:Δt为可平移时长;TSL为可平移的时间;PSL(t+Δt)为平移到t+Δt的负荷功率。

3)可转移负荷

可转移负荷(Translatable Load,TL)是指负荷的各时段用电量可以灵活调节,但是负荷总量不变,如电动汽车。TL 既可日前安排,也可以临时调整,因此属于日前型和日内型可控负荷。可转移负荷的控制模型

式中:TOTL、TTLin和TTLout分别为不可转移负荷时段、可转入负荷时段和可转出负荷时段;PTLin,max(t)和PTLout,max(t)分别为t时段最大可转入负荷功率和最大可转出负荷功率。

为了使DR 资源充分参与到微电网系统的调控中,负荷聚合商提前与用户签订合同,将各类能够提供DR 资源的用户进行聚合,并由微电网控制中心统一调控。

2.3 配电网日前调度模型建立

配电网日前优化调度提前一天制定次日24 h的调度计划。配电网日前模型以配电网系统运行成本最小为目标,确定日前购电量和微电网群出力;微电网群日前模型以运行成本最小为目标,确定微电网联络线功率;微电网根据内部资源成本函数,优化日前型负荷、柴油机和储能出力。配电网日前目标函数可表示为

式中:cgird(t)为电网电价;Pgrid(t)为配电网联络线有功功率;Ccompl(t)为用户失电成本,可表示为

式中:ccompl为用户失负荷补偿系数;Pcompl(t)为用户失负荷功率。

微电网群日前目标函数可表示为

式中:CMGm(t)为微电网群运行成本;CPCCm(t)为微电网与配电网交易成本;Cab(t)为弃光成本。

式中:cab为弃光电价;Pab(t)为弃光量。

约束条件

1)节点电压越限约束

式中:U i(t)为t时刻i节点的电压;U i,min和U i,max分别为节点电压上、下限,取0.93 p.u.和1.05 p.u.。

2)潮流约束

2.4 配电网日内修正模型建立

负荷预测偏差分布可以当做均值为0、标准差为σload的正态分布,其概率密度函数为

式中:Pload为负荷预测功率;γ为负荷预测偏差占负荷预测功率的比例。

配电网日内优化以修正预测偏差的调度成本最小为目标,日内目标函数为

式中:ΔCDG(t)为柴油机调节成本;ΔCload(t)为可控负荷调控成本;ΔC i(t)为储能调控成本;ΔCload(t)为可控负荷调节成本,可表示为

式中:c'IL和c'TL分别为日内型可中断负荷和可转移负荷的成本系数。

约束条件

式中:ΔPDG(t)为柴油机出力调节量;ΔP i(t)为储能出力调节量;ΔPgrid(t)为微电网与配电网交换电量;ΔPload(t)为可控负荷调节量;ΔPMG(t)为与其他微电网功率交换量。

柴油机出力变化量需要满足

储能出力变化量需要满足

式中:P i(t)为储能充电或者放电功率,充电取正,放电取负。

2.5 模型求解方法

ADMM 是Gabay等人提出的可以用于解决具有线性等式约束的规模较大的凸优化问题的分布式算法[22],对于凸优化问题具有鲁棒性强等特点。其融合了乘子法的良好收敛性,具有收敛性好、低通信负担的优点。其标准形式为

式中:f(x)和g(z)分别为凸函数,x∈R Nx和z∈R Nz为待优化变量;A、B、C为等式约束的相关参数,A∈R m×Nx、B∈R m×Nz和C∈R m×1。

应用增广拉格朗日函数法,构造其增广拉格朗日函数

式中:λ为对偶乘子,λ＞0;ρ为惩罚系数,ρ＞0。

根据乘子法和对偶上升的原理,按如下步骤对每个优化变量进行交替求解

将原始残差和对偶残差作为ADMM 收敛性的判据

式中:σ1和σ2分别为原始残差和对偶残差的阈值,当小于或等于该阈值时,ADMM 停止迭代,收敛到所要求的精度标准。

将ADMM 应用于本文含微电网群的配电网优化调度中,通过对微电网的约束条件的处理,并对每个微电网群进行交替迭代求解。其中,微电网群1的k+1次迭代利用配电网的变量z k、x k和λk以及本群的x k和λk;微电网群2的k+1次迭代利用配电网的变量z k、x k和λk以及本群的x k和λk。

3 算例分析

3.1 算例参数设置

本文以IEEE 33节点为基础,分别在18、22、25和33节点接入4个微电网,其拓扑结构如图3所示。其中微电网1和微电网2组成微电网群1,微电网3和微电网4组成微电网群2。各微电网的光伏、储能和柴油机配置如表2所示。各微电网可控负荷占比如表3所示。设各微电网群内的微电网交换功率的成本和光伏发电成本为0,微电网间的交换功率成本为0.4元/k Wh。日前24 h每小时配电网电价如表4所示。ADMM 的σ1和σ2本文均取为10-4,ρ取0.4,微电网光伏预测误差分布置信水平为0.95,标准差为0.3。配电网预测误差分布置信水平为0.95,标准差为0.1。

表2 各微电网分布式资源配置

表3 各微电网可控负荷构成

表4 分时电价

图3 算例拓扑结构

3.2 调控结果分析

3.2.1 日前调度结果分析

选取典型日的配电网负荷曲线和光伏出力曲线,配电网-微电网群日前调度结果如图4所示。微电网内各分布式资源和需求侧响应调度结果如图5所示。

图4 配电网-微电网群日前调度结果

图5 各微电网资源日前调度结果

由图4分析可知,微电网群参与配电网优化调度具有削峰填谷和降低负荷波动的作用,峰谷差降低了32%。在20:00-21:00时段内,各微电网群出力和为600 k W,占配电网总负荷的16%,减少了高电价时段配电网购电量,降低了配电网的运行成本。

由图5分析可知,各微电网充分调用内部可控资源参与日前优化调度。储能在用电高峰时段(18:00-22:00)发出电量,在用电低谷时段(00:00-05:00)和光伏出力较大时段(09:00-17:00)吸收电量。可平移负荷和日前可转移负荷从用电高峰时段转出至需要消纳光伏的时段,储能和可控负荷具有显著的就近消纳光伏和削峰填谷作用,峰谷差降低了32%。

3.2.2 日内修正结果分析

日内优化在日前调度结果的基础上进行修正,各微电网的修正量如图6所示。日内各微电网储能、柴油机、可中断负荷和可转移负荷对预测误差的修正量如图7所示。

图6 日内微电网修正量分配(15 min/时段)

图7 各微电网日内调度结果(15 min/时段)

由图6分析可知,微电网2由于其柴油机额定功率较大且日内型负荷丰富,日内调度量最大。

由图7分析可知,微电网充分利用了内部的分布式资源和日内型可控资源,并根据成本分配了各资源的修正量。柴油机由于具有启停成本,本文仅考虑在日前已经开机的情况下参与日内优化调度。储能在SOC和充放电允许的情况下,均参与了日内的优化调度。在各个15 min优化调度周期内,日内型IL 和TL 均在允许范围内充分参与日内的调度修正。如微电网1在第32和71时段内,日内型IL可以通过中断来响应微电网的修正指令;日内型TL 也需要满足转移总量之和为0,在18、25等时段内均有转出,在24、34等时段内均有转入,以响应微电网的修正指令。

3.3 调控结果对比

本文提出的微电网-微电网群-配电网自下向上申报和配电网-微电网群-微电网自上而下调度策略可以充分利用微电网内部可控资源,并且可以降低通信时间,完成短时间实时性的优化调度。为体现其优越性,将本文所提方法的经济性与配电系统资源统一由配电网调度的传统集中式调度策略的经济性,分别考虑配电网和微电网为主体的多主体调度策略的经济性进行对比,结果如表5所示。