计及分布式储能的微电网群经济调度

何玉灵，王博，孙凯，王海朋,2，杜晓东, 4，吴学伟，韩志成

计及分布式储能的微电网群经济调度

何玉灵1,2,3，王博1，孙凯1，王海朋1,2，杜晓东1, 4，吴学伟1，韩志成1

（1.华北电力大学 机械工程系，河北 保定 071003； 2.电力机械装备先进制造与智能运维河北省工程研究中心，河北 保定 071003； 3.华北电力大学 苏州研究院，江苏 苏州 215123； 4.国网河北电力有限公司 电力科学研究院，河北 石家庄 050000）

为提高微电网群调度效率、减少微电网运行成本，首先构建了计及分布式储能的微电网群优化调度模型。该模型以包含风、光、储的3个子微网和网侧储能所构成的交流微电网作为调度对象。在满足功率平衡等约束条件下，对负荷侧储能充放电次数和单位时间内充放电功率进行限制；在考虑主网分时电价、系统发电成本，网侧储能放电成本条件下，采用遗传算法进行求解，得到计及分布式储能的微电网群经济调度方案，最终得到优化后的经济成本。算例计算结果表明，该运行调度模型可有效提高微电网群经济效益，从而验证了该模型的有效性。

微电网；智能调度；分布式储能；遗传算法；经济调度

0 引言

自“双碳”目标提出以来，微电网作为一种可再生能源智能接入和灵活调度的解决方案，在电力系统智能化发展过程中的地位越来越重要。

微电网能够利用分布式电源、储能和能量转换等多种技术手段，实现能源的高效利用和集中管理。微电网具有环保、灵活、高效以及可高比例接入可再生能源等特点，其应用能够有效推动能源结构的转型升级、降低碳排放[1,2]。

单微网是微电网系统的基本组成单元，由分布式电源、储能装置、能量转换装置、相关负荷监控和保护装置等组成[3]。微电网群则由多个单微网组成。与单个微电网孤岛运行或主网联网运行不同，微电网群中的各个微网不但可以互相进行能源交换，也可以从主网获取备用能源，从而增加能源利用的可靠性与灵活性[4]。目前微电网群运行的主要难点在于协调与控制，即当多个微电网相互连接时，需要有效的协调和控制机制，以确保系统的性能[5]。

网侧储能装置相当于一个独立的微网。在生产实际中，仅利用微网中的负荷侧储能通常不能满足灵活调度的需求；而网侧储能可以存储微电网群系统中的过剩电能并在需要时释放，可使系统能够更好地平衡供需关系[6]。因此，在微电网群经济调度的研究中，考虑网侧储能的微电网群调度策略对于实现系统的可持续发展和经济性能的优化具有重要意义。

对于单微网的研究目前主要集中在单个微电网内部的运行和优化方面。文献[7]利用粒子群算法进行优化求解，提出了计及储能寿命的微电网经济调度方案。文献[8]使用了遗传算法和粒子群优化2种算法，提出了一种微电网的日前调度策略。文献[9]以经济性和环保性的综合成本为目标函数，结合系统功率平衡、各机组出力限制等约束条件，建立了优化调度模型。以上研究有助于微电网内的能源管理。

对于微电网群的研究目前主要注重于多个微电网之间的协同操作和能源交换方面。文献[10]为提高微电网群调度的经济性和安全性，基于区块链提出一种考虑动态电价的调度策略。文献[11]研究了与城市交通网络集成的微电网群多周期最优能源调度和交易。文献[12]提出了使用深度卷积神经网络优化微电网群日总运营成本的最优调度策略。文献[13]提出了基于模型预测控制的微电网群系统2阶段优化调度方法。文献[14,15]综合考虑微电网群运行的经济性和环保性等影响因素，建立了以运行成本最低和环境影响最小为目标的优化模型。文献[16]针对主动配电网智能管理的多微电网协调调度，建立了考虑需求响应的多时间尺度供需交互主从微分博弈模型。以上研究未充分考虑微电网群与储能系统的组合，从而导致在整个系统层面上的能源流动和利用的综合优化不足。

目前，对于储能系统的研究偏向于系统独立运行和与单一微电网的集成方向。文献[17]提出一种将电池储能技术应用于可再生能源配电网的集中调度模型。为提高能源系统的效率，文献[18]利用多能源混合优化模型软件实现发电的储能单元建模及最优多任务控制。文献[19]提出新型耦合电解制氢热储存压缩空气储能系统，使储能系统仿真计算更加接近实际。文献[20]提出一种面向市场的多级混合储能风电场优化调度策略。以上文献并未深入研究微电网群运行工况下储能系统的协同作用，未能充分挖掘储能系统的潜能。

虽然以上相关文献对微电网群和储能系统进行了较为详细的研究，但对协同效益以及网侧储能系统的研究仍然可以加强。

鉴于此，本文研究思路是：综合考虑系统发电成本、网侧储能放电成本，在满足功率平衡等约束条件下，研究计及分布式储能的微电网群结构，并对负荷侧储能充放电次数和单位时间内充放电功率进行限制；通过遗传算法求解计及分布式储能的微电网群经济调度方案，得到优化后的经济成本。

1 微电网群优化模型

微电网群是一个相对小型的电力系统，其由多个单微网组成；各个微网可以互相进行电能交换，也可以与主网连接进行能量交换。图1示出了微电网群结构。微电网群内部结构因具体情况不同会有所差异。如图所示，微电网群通常由主网、能源管理系统、监测与通信系统、网侧储能和各个微网组成。

图1 微电网群结构

1.1 目标函数

本文中，日前经济调度只考虑分时电价、系统发电成本、网侧储能放电成本，以充分使用微电网群中的负荷侧储能和网侧储能装置。以微电网群一个调度周期内的运行成本最低为调度目标。

目标函数如式（1）所示。

式中：为微电网群运行一个调度周期的总成本；1为微电网群一个调度周期内风机和光伏发电的总成本；2为一个调度周期内各个微网负荷侧储能和网侧储能的总放电成本；3为一个调度周期内各个微网间电能交换成本和网侧储能与各个微网电能交换成本之和；4为一个调度周期内微电网群对主网购电成本与售电收益之差。

一个调度周期内风机和光伏发电的总成本为：

式中：W,t,n、G,t,n分别为第个微网时刻风力、光伏发电功率；A、B分别为第个微网风力、光伏发电成本系数。

一个调度周期内各个微网负荷侧储能和网侧储能的总放电成本为：

式中：为微网中负荷侧储能放电成本系数；d,t,n为第个微网时刻负荷侧储能放电功率；为网侧储能放电成本系数；e,t,n为时刻网侧储能向第个微网放电功率。

一个调度周期内各个微网间电能交换成本和网侧储能与各个微网电能交换成本之和为：

式中：为微网间能量传输成本系数；P,n为第个微网时刻向其他微网供电功率；Z,n为网侧储能时刻向个微网供电功率。

一个调度周期内微电网群对主网购电成本与售电收益之差为：

式中：1,t、2,t分别为时刻购电、售电电价；b,t、s,t分别为时刻主网流入微电网群的电量和微电网群流入主网的电量。

1.2 约束条件

（1）功率平衡约束。

式中：E,t,n为第个微网时刻负荷侧储能运行功率，放电为正；L,t,n为第个微网时刻负荷功率；I,n、O,n分别为流入、流出第个微网电量。

（2）风机、光伏功率限制。

由于风机、光伏可以不完全利用，允许出现弃风、弃光的情况，所以风机和光伏的实时功率应小于或等于预测功率。

（3）微网间电能交换功率限制。

（4）各个微网负荷侧储能运行约束。

式中：0、分别为当日负荷侧储能始末荷电状态；SOC、max、min分别为负荷侧储能荷电状态及其上下限；1、2为负荷侧储能最大充放电次数；X、Y分别为负荷侧储能充放电状态，其中X∈{0,1}、Y∈{0,1}。

（5）储能充放电功率限制。

考虑储能寿命与储能的充放电功率大小有关，为提高储能寿命，应限制其单位时间的储能充放电功率。

式中：b,n为储能系统容量。

1.3 遗传算法求解

遗传算法是基于达尔文的生物进化理论和孟德尔的遗传定律提出的。遗传算法具有搜索空间大、自适应、学习能力强和建模灵活等优点，故被广泛应用于组合优化等领域。

在微电网群调度中，一个遗传个体可以被定义为一个可能的调度方案，其中包含了每个微网在一个调度周期内的运行计划。这个运行计划可能包括微网的启动和停止时间、能源调度策略等。当满足收敛条件时，所得到的遗传个体是最优的调度方案，代表微电网群运行一个调度周期的总成本最低。

本文遗传算法求解步骤如下：首先初始化种群的参数。种群规模数设为500，染色体节点数设为96，表示每个个体有96条染色体，迭代次数设为5 000，突变概率设为0.2，交叉概率设为0.85，min设为0.3，max设为0.9。然后根据约束条件和目标函数，计算出种群内个体适应度。以微电网群运行一个调度周期的总成本为种群内个体适应度。采用轮盘赌法进行选择，个体适应度越小，被选中的概率越高；然后进行交叉和变异操作，得到第一次迭代结果。重复上述步骤，直至满足收敛条件，迭代结束，输出结果。

2 算例分析

2.1 典型微电网群系统结构

以白洋淀王家寨地区数据为算例进行分析。该地3个子微网与主网和网侧储能连接，组成微电网群结构，结构如图2所示。由图可知，每个微网都有独立的风机、光伏、负荷、负荷侧储能。网侧储能相当于一个独立的微网，主要组成部分是储能系统，其放电成本略高于子微网中负荷侧储能。网侧储能的加入能够有效减少电网运行成本。

图2 算例微电网群结构

微电网群中，微网1中拥有最为重要的用电设备，系统需要优先保证微网1的电力供应。微网2中拥有次级重要的用电设备，系统需要在优先保证微网1的电力供应的情况下满足微网2的电力供应。微网3中的用电设备相对次要。

算例中各个微网参数见表1。1 d的售电和购电价格见表2。各个储能装置1 h充放电最大为储能的20%。新能源发电全消纳。一个调度周期为24 h。网侧储能的储能放电成本为0.3元/kW·h，储能额定容量为165 MW·h。

表1 各个微网与网侧储能参数

表2 售电和购电价格

将一个调度周期24 h分为96个时序段，即1个时序代表时长15 min。

微网1的负荷和新能源各时序功率如图3所示。

图3 微网1的负荷和新能源各时序功率

Fig. 3 Load of microgrid 1 and each timing power of new energy

微网2的负荷和新能源各时序功率如图4所示。

图4 微网2的负荷和新能源各时序功率

微网3的负荷和新能源各时序功率如图5所示。

图5 微网3的负荷和新能源各时序功率

2.2 结果分析

以微电网群运行一个调度周期的总成本为种群内个体适应度，其单位为万元。

在MATLAB中编写遗传算法程序，代入表1、表2、图3、图4和图5中的数据，得到迭代结果、各储能荷电状态、各微网中各部分出力结果以及网侧储能中各部分出力组成结果分别如图6、图7、图8和图9所示。

从图6可以看出，遗传算法在迭代至第2 687次时得到最优解。微电网群一个调度周期内的总供电成本为604.128万元。

图6 遗传算法迭代结果图

图7 遗传算法求解微电网群的储能荷电状态图

Fig. 7 Charge state diagram of microgrid group with genetic algorithm as solution

如图7可知，在时序0～20所代表的时段，负荷侧储能和网侧储能都处于充电状态。在微网中，由于光伏发电或风力发电的供应过剩，负荷侧储能设备通过充电实现多余能量的存储。网侧储能系统则通过购买电网电能来进行充电，以准备满足微网中的负载需求或将电能卖给主网。

其次，负荷侧储能和网侧储能系统在容量达90%时进入稳定阶段，这表示电能已经充满或接近充满状态，不再接受大量的充电。

在最后阶段，微网中的负荷侧储能会出现再充电情况。这是因为在夜间，由于缺乏光伏发电，微网需要通过风力发电或从主网购买电能来满足负载需求，同时也利用此时从主网购电价格较低的机会，从主网购买一部分电能存储回负荷侧储能中，以备使用。网侧储能最后没有进行充电的原因是其已经计划将全部的电能卖给主网，以最大限度地降低调度周期内的总供电成本。

（a）微网1求解结果图

（b）微网2求解结果图

（c）微网3求解结果

图8 各微网遗传算法求解结果

Fig. 8 Results of genetic algorithm for each microgrid

由图8可知，各微网的新能源功率优先提供给微网中的负载。在白天日照期，新能源功率可以提供微电网中的负载需求，并将多余的电量用于负荷侧、网侧储能的充电或者卖给主网。通过这种方式，能量的暂时存储和平衡得以实现。

然而，在夜间缺乏光伏发电时，仅依靠风力发电难以满足用电负荷的要求。这时，微网可能需要从负荷侧、网侧储能中获取储存的电能，以弥补能源缺口。如果用电负荷仍得不到满足，微网还可以从主网购买电力来满足微网的需求，以实现能量的平衡。

微网、网侧储能和电网之间通过这种功率交换，可以实现能量的灵活调配和能源供需的平衡。

网侧储能的供电组成如图9所示。

图9 网侧储能组成求解结果

图9中：

1）在时序0～28所代表的时段：网侧储能从主网购电并进行充电。此时从主网购电价格最低。通过利用低价电力对网侧储能进行充电，可以降低购电成本。

2）在时序82～84所代表的时段：网侧储能给微网供电。此时从主网购电价格最高。通过使用网侧储能中的电能对微网进行供电，可以避免高成本的电力购买，从而有效降低总体成本。

3）在时序95～96所代表的时段：网侧储能将剩余的电量卖给主网。这意味着将额外的电能注入主网，从而获得销售电量的收入、进一步降低总体成本。

利用本文方案，通过在不同时刻进行网侧储能的充放电行为，并根据不同时刻的主网电价来选择购买或销售电量，可实现成本的优化，以确保在不同时间段实现最佳经济效益。

3 结论

在综合考虑了系统发电成本、网侧储能放电成本、功率平衡等约束条件下，本文采用遗传算法得到计及分布式储能的微电网群经济调度方案。

算例计算结果表明，添加网侧储能能够有效降低微电网群运行成本。

本文研究结果可为微电网群日前经济调度提供支持。

[1] 黎静华, 骆怡辰, 杨舒惠, 等. 可再生能源电力不确定性预测方法综述[J]. 高电压技术, 2021, 47(4): 1144-1157. LI JINGHUA, LUO YICHEN, YANG SHUHUI, et al. Review of uncertainty forecasting methods for renewable energy power[J]. High Voltage Engineering, 2021, 47(4): 1144-1157(in Chinese).

[2] GUO X, LOU S, WU Y, et al. Low-carbon operation of combined heat and power integrated plants based on solar-assisted carbon capture[J]. Journal of Modern Power Systems and Clean Energy, 2021, 10(5): 1138-1151.

[3] 朱晓荣, 谢婉莹, 鹿国微. 采用区间多目标线性规划法的热电联供型微网日前调度[J]. 高电压技术, 2021, 47(8): 2668-2679. ZHU XIAORONG, XIE WANYING, LU GUOWEI. Day-ahead scheduling of combined heating and power microgrid with the interval multi-objective linear programming[J]. High Voltage Engineering, 2021, 47(8): 2668-2679(in Chinese).

[4] ZHAO Z, GUO J, LUO X, et al. Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty[J]. IEEE Transactions on Smart Grid, 2022, 13(3): 2107-2120.

[5] GUAN Y, WEI B, GUERRERO J M, et al. An overview of the operation architectures and energy management system for multiple microgrid clusters[J]. iEnergy, 2022, 1(3): 306-314.

[6] 余雪莹, 李华强, 杨龙杰, 等. 兼顾企业综合成本与用户用电体验的微电网双层优化配置[J]. 电力科学与技术学报, 2020, 35(2): 38-45. YU XUEYING, LI HUAQIANG, YANG LONGJIE, et al. Bi-level programming method for optimal sizing of grid-connected DC microgrid system based on economic efficiency of enterprises and customer electricity experience[J]. Journal of Electric Power Science and Technology, 2020, 35(2): 38-45(in Chinese).

[7] 陈名扬, 刘敏, 余登武. 计及储能寿命的微电网经济调度[J]. 智能计算机与应用, 2021, 11(10): 101-106. CHEN MINGYANG, LIU MIN, YU DENGWU. Economic dispatching of micro power grid considering energy storage life[J]. Intelligent Computer and Applications, 2021, 11(10): 101-106(in Chinese).

[8] RAGHAVAN A, MAAN P, SHENOY A K B. Optimization of day-ahead energy storage system scheduling in microgrid using genetic algorithm and particle swarm optimization[J]. IEEE Access, 2020, 8: 173068-173078.

[9] 尚子勇, 王刚. 微型能源网日前最优经济调度研究与电储能策略分析[J]. 电力科学与工程, 2020, 36(8): 9-16. SHANG ZIYONG, WANG GANG. Research on day-ahead optimal economic dispatching strategy for micro-energy-grid and analysis of electric energy storage strategy[J]. Electric Power Science and Engineering, 2020, 36(8): 9-16(in Chinese).

[10] TAO M, WANG Z, QU S. Research on multi-microgrids scheduling strategy considering dynamic electricity price based on blockchain[J]. IEEE Access, 2021, 9: 52825-52838.

[11] LIU Y, WANG Y, LI Y, et al. Multi-agent based optimal scheduling and trading for multi-microgrids integrated with urban transportation networks[J]. IEEE Transactions on Power Systems, 2020, 36(3): 2197-2210.

[12] SAMUEL O, JAVAID N, KHALID A, et al. Towards real-time energy management of multi-microgrid using a deep convolution neural network and cooperative game approach[J]. IEEE Access, 2020, 8: 161377-161395.

[13] 林永君, 孟耀兵, 张聪聪, 等. 基于模型预测控制的多微电网群系统2阶段优化调度[J]. 电力科学与工程, 2023, 39(4): 28-40. LIN YONGJUN, MENG YAOBING, ZHANG CONGCONG, et al. Two-stage optimization scheduling of multi-microgrid system based on model predictive control[J]. Electric Power Science and Engineering, 2023, 39(4): 28-40(in Chinese).

[14] 冯悦雯, 胡东阳. 基于模拟退火遗传算法的并网微电网优化调度研究[J]. 电工材料, 2022(6): 75-80. FENG YUEWEN, HU DONGYANG. Research on optimal scheduling of grid-connected microgrids based on simulated annealing genetic algorithm[J]. Electrical Engineering Materials, 2022(6): 75-80(in Chinese).

[15] 李现宝, 张可. 基于改进和声搜索算法的微电网优化调度研究[J]. 东北电力大学学报, 2022, 42(5): 83-89. LI XIANBAO, ZHANG KE. Research on optimal dispatching of microgrid based on improved harmony search algorithm[J]. Journal of Northeast Electric Power University, 2022, 42(5): 83-89(in Chinese).

[16] MEI G, GONG J. Multi-microgrid coordinate dispatching of multi-time scale source-load supply and demand interaction based on master-slave game theory[C]//8th Renewable Power Generation Conference (RPG 2019). Shanghai, China: IET, 2019: 1-7.

[17] LI X, WANG L, YAN N, et al. Cooperative dispatch of distributed energy storage in distribution network with PV generation systems[J]. IEEE Transactions on Applied Superconductivity, 2021, 31(8): 1-4.

[18] AKINTE O O, PLANGKLANG B, PRASARTKAEW B, et al. Energy storage management of a solar photovoltaic–biomass hybrid power system[J]. Energies, 2023, 16(13): 5122.

[19] 方颖聪, 莫春兰, 党玉荣, 等. 微电网与压缩空气储能系统的多能流协同调度[J]. 广西大学学报(自然科学版), 2023, 48(3): 605-615. FANG YINGCONG, MO CHUNLAN, DANG YURONG, et al. Multi-energy flow coordinated dispatching of microgrid and compressed air storage system[J]. Journal of Guangxi University (Natural Science Edition), 2023, 48(3): 605-615(in Chinese).

[20] ZHANG Z, ZHANG Y, HUANG Q, et al. Market-oriented optimal dispatching strategy for a wind farm with a multiple stage hybrid energy storage system[J]. CSEE Journal of Power and Energy Systems, 2018, 4(4): 417-424.

Economic Dispatch of Microgrid Group Considering Distributed Energy Storage

HE Yuling1,2,3, WANG Bo1, SUN Kai1, WANG Haipeng1,2, DU Xiaodong1,4, WU Xuewei1, HAN Zhicheng1

(1.Department of Mechanical Engineering, North China Electric Power University, Baoding 071003, China; 2.Electric Machinery Equipment Advanced Manufacturing and Intelligent Operation and Maintenance Engineering Research Center of Hebei Province, Baoding 071003, China; 3.Suzhou Research Institute, North China Electric Power University, Suzhou 215123, China; 4.Electric Power Research Institute of State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China)

In order to improve the dispatching efficiency and reduce the operation cost of microgrid, an optimal dispatching model of micro-grid group with distributed energy storage is established. The model takes the AC microgrid composed of grid-side energy storage and three subgrids including wind, solar and energy storage as the dispatch object. Under the condition of satisfying the power balance, the number of charge and discharge times and the charge and discharge power per unit time are limited. Under the condition of time-of-use price of main grid, the system generation cost, grid-side energy storage and discharge cost, genetic algorithm is used to solve the problem, and the economic dispatch scheme of microgrid group with distributed energy storage is proposed; finally, the optimal economic cost is obtained. The simulation results show that the operation scheduling model can effectively improve the economic benefits of micro-grid group, thus verifying the effectiveness of the model.

microgrid; intelligent dispatch; distributed energy storage; genetic algorithms; economic dispatch

10.3969/j.ISSN.1672-0792.2024.02.001

TM734

A

1672-0792(2024)02-0001-08

国家自然科学基金资助项目（52177042）；河北省高等学校科学技术研究重点项目（ZD2022162）；河北省重点研发计划专项（21312102D）；苏州市社会发展科技创新项目（SS202134）；中央高校基本科研业务费资助项目（2022MS095）。

2023-10-10

何玉灵（1984—），男，教授，研究方向为电站设备状态检测及其故障诊断；

王海朋（1988—），男，讲师，研究方向为有源配电网运行可靠性评估及协同控制优化；

杜晓东（1989—），男，高级工程师，研究方向为配电网数字化建模及控制优化。

王海朋