计及低碳经济运行的含风电微网群源储协同日前优化调度

姚路锦, 王 玮, 林宏宇, 刘吉臻

(1．华北电力大学 新能源电力系统国家重点实验室,北京 102206;2．华北电力大学 经济与管理学院,北京 102206)

随着“双碳”目标的推进,中国清洁能源投资及清洁能源研究产出均位居世界首位[1]。截至2023年8月,风电装机容量约4.0亿kW,同比增长14.8%[2]。陆地和海上风电装机容量的逐年攀升使得电网中风电渗透率不断提升,不以大规模远距离输送电力为目的、就近接入配电网利用的分布式风电开发形式成为较优选择[3]。对于分布式风电的消纳问题,由分布式电源、储能装置、负荷以及能量管理系统(Energy Management System,EMS)组成的微电网(Microgrid,MG)旨在实现分布式电源的高效灵活并网[4]。

通常,MG优先消纳区域内分布式电源产出,盈余的净发电功率可选择向公用电网出售或利用储能存储,而过量的负荷需求可选择向电网购电或利用储能补充。但对于极高风电渗透率的场景,电源的高度不确定性难以满足区域用户对高质量供电的需求。需求响应(Demand Response,DR)通过引导用户用电习惯转移用电负荷,从而达到缓解源荷不平衡矛盾、保障电网稳定并抑制电价上升的目的,其已作为可调节资源参与到电力系统的调度运行当中[5],主要包括价格型需求响应(Price-based DR,PDR)和激励型需求响应(Incentive-based DR,IDR)。崔杨等[5]通过协调源侧出力及荷侧各类DR资源的调用,构建了源-荷多时间尺度调度模型,提升系统风电消纳的同时改善了系统运行经济性。罗纯坚等[6]基于PDR不确定性建立了分时电价(Time of Use Pricing,TOU)下的负荷模糊响应模型,并结合源荷两端的不确定性建立了考虑风电消纳效益的日前模糊优化模型,分析了PDR不确定性对电力系统日前调度的影响。Dey等[7]综合考虑微电网系统成本及DR资源,通过优化智能算法使微电网能源零售商利益最大化,同时有效降低污染。Hassan等[8]通过线性回归为微电网的清洁能源设计动态电价方案,维持微电网中可变和不可变负荷用户的利润率和舒适度,以实现MG用户的效益最大化。崔杨等[9]基于实时电价(Real Time Pricing,RTP)策略,兼顾风电预测和PDR的不确定性构建了基于光热电站和PDR参与风电消纳的日前调度模型,通过源荷两侧的协调调度提升系统的风电消纳能力。鉴于以上文献,将DR资源的协调分配应用于微电网,使得用户的用电质量及系统运行效益均得到明显改善。但对于极高风电渗透率的微网场景,由于风电的反调峰特性,通过传统RTP策略进行PDR调节会加重系统调峰压力甚至严重弃风。

随着MG的分布密度增加,逐渐形成含有各种分布式资源的微电网群(Microgrid Cluster,MGC),如何协调利用MGC的分布式资源去优化系统成本成为研究热点。Kermani等[10]利用MG互联线路构建互联微电网模式,减少MGC对上游电网的峰值负荷压力,降低系统总成本的同时提高系统在不同条件下的可靠性。黄豫等[11]基于并行交替方向乘子算法(Alternating Direction Multiplier Method,ADMM)提出一种微电网分布式电源的经济调度方法,以提升可再生能源的消纳率。Zhu等[12]提出了一种基于模型预测控制和分块化ADMM的MGC分布式优化策略,用来优化MG之间的协调控制和能量调度。这些文献仅考虑对MGC中分布式电源的协调优化来提升系统效益,而能够在MG源荷两端灵活转换的储能装置对于MGC来说也是重要的调度资源。陈曦等[13]以共享储能运营商为主体、各MG为从体,构建一主多从博弈优化调度模型,提升储能租赁利润。常喜茂等[14]和焦建芳等[15]均考虑储能充放电速率和深度对电池寿命的影响建立MGC分布式调度策略,显著降低储能电池的使用成本。为应对分布式清洁能源的消纳,MGC存在着丰富的分布式储能资源,以上研究更侧重于通过控制储能出力进行储能侧的经济性优化,并未同时考虑系统运行成本及碳排放带来的环境效益,从而对储能资源进行整合及协调优化。

针对以上问题,笔者首先考虑MGC中风电的不确定性问题,通过场景分析[16](Scenario Analysis,SA)构建不确定性场景来分析分布式风电的出力不确定性问题;基于MG净负荷提出改进的RTP定价机制,用于微网需求侧的PDR,并根据MGC中各个微网的用户负荷特点及用户侧感受提出相关PDR和IDR用户满意度计算方法;通过划分碳排放链引入碳交易机制,提出基于分布式共享储能的微网群低碳日前调度模型。

1 微网群运行分析

1.1 微网群负荷特性分析

基于分布式电源、分布式储能系统以及用户侧负荷构建微电网群。如图1所示,MGC主要由3个区域微电网和EMS构成,每个MG内都含有风电机组(Wind Turbine,WT)、电池储能系统(Battery Energy Storage System,BESS)及负荷主体。风电机组在MG内担任源端供电主体,电池储能系统作为灵活调节既能在负荷增加或风电短缺时充当电源提供电量,又能在负荷减少或风电盈余时作为负荷侧存储电量。由于风电运行的不稳定性及储能充放电的功率限制,MG在运行过程中会较为频繁地向公用电网产生购电行为以满足用户负荷需求,选择微型燃气轮机(Gas Turbine,GT)作为稳定发电源为MGC提供支撑。

图1 微网群结构图

由于发电源及用电负荷主体不同,各MG的负荷特性如图2所示,具体分析如下:

图2 各微网负荷特性示意图

图3 基于阶梯碳价的碳交易成本

(1) MG1:发电源为区域内陆地风电场,用电主体为常规居民用电负荷。负荷早峰从6:00左右一直持续攀升到11:00,晚峰从18:00左右开始持续到22:00左右,主要是生活和商业用电。

(2) MG2:发电源为区域内陆地风电场,用电主体为电动汽车聚合商(Electric Vehicle Aggregator,EVA),日间用电量较低,夜间处于汽车充电量高峰期,其负荷曲线基本匹配实时汽车充电数量。

(3) MG3:发电源为区域内海上风电场,用电主体为沿海区域工业用电负荷。负荷曲线有明显双峰特性,但夜间负荷明显高于日间,这是由于工业用户利用分时电价谷段的电价优势保证生产效益,使得夜间用电负荷维持在较高水平。

1.2 风电不确定性分析

由于风电出力的间歇性和不确定性,导致并网风电机组的电力供应无法满足稳定性、连续性和可调性等要求,输出功率的不断变化容易对电网造成冲击,而提高风电预测的精度可减少风电不确定性的影响,支撑大规模风电入网后的安全运行与经济调度。借助SA的不确定性模拟,基于风功率预测信息进行系统性决策,可以将风电的不确定性转换为风电预测误差的不确定性,进而应用于微电网的优化调度问题。

通常将风电预测误差δWi,t定义为

δWi=PWi,act-PWi,pre

(1)

式中:PWi,act为MGi的风电功率实际值;PWi,pre为MGi的风电功率预测值。

根据误差分布函数的特点,采用基于均匀分层的拉丁超立方体采样法(Latin Hypercube Sampling, LHS)对预测误差进行采样分析,从而更全面地获取误差信息,具体算法可参考文献[17]。首先由正态分布的概率密度函数可得到误差的累计密度函数Yt为

(2)

式中:σ为函数变量的标准差;N为总采样次数。

(3)

将所得误差采样集合{δWi,n}叠加在原始预测风电数据,即可得到MGi的N个风电预测功率场景集合C={PWi,pre,n}。

由于生成场景规模较大,且大多数场景高度相似,不具有代表性,采用基于概率距离的快速前代消除法[18]实现场景削减,消除噪声影响、提高计算效率的同时能够筛选出保留风电出力特性的代表性场景,具体步骤如下。

步骤1:设定目标场景数X,并计算C中每对场景Ci和Cj之间的欧氏距离d(Ci,Cj)。

(4)

步骤2:选定与剩余场景概率距离之和最小的场景Cr。

步骤3:选择与场景Cr几何距离最近的场景Cn替代场景Cr,并将Cr的概率P(Cr)叠加到场景Cn上,从而完成削减,最终形成新的场景集合C*。

步骤4:判断C*场景数目是否满足目标;若满足,则完成削减;若不满足,则重复上述步骤。

根据最终削减场景数M形成典型功率预测场景Cm,从而得到预测功率PWi,pre为

(5)

式中:P(Cm)为预测场景Cm的概率;PWi,pre,m为预测场景Cm的预测功率。

由此,根据历史数据生成包含风电不确定性的预测场景,可用于MGC的日前优化调度。

1.3 需求响应及用户满意度分析

1.3.1 价格型需求响应

对于价格型需求响应,现有削峰填谷的传统定价规则是考虑热电机组的稳定运行,避免负荷突变来保障大电网的安全稳定;而大规模风电并网后,风电主动支撑电网的比例越来越高,区域微电网逐渐呈现出以风电为主、储能为辅的方式来支撑电网负荷,而热电只是作为应急支撑来保障各MG的稳定运行。

由于风电具有明显的反调峰特性,考虑基于当前区域微电网的负荷特性以及风电出力特征动态调整电价,引导主要消费群体的用电习惯,更有利于促进风电消纳,提升风电在电网中的支撑能力。将微网i负荷量与其风电功率总容量之差定义为净负荷ΔPi,t

ΔPi,t=PLi,t-PWi,pre,t

(6)

式中:PLi,t为t时刻微网i的负荷。

由风电出力负荷差引导的微网i的动态电价pi,t可定义为

pi,t=

(7)

式中:pmax、pmid、pmin分别为电价的峰值、中间值和谷值;ΔPi,max、ΔPi,min分别为净负荷的最大值和最小值。

对于日前调度,根据消费者心理学,可以借助时间尺度为小时的RTP引导用户改变用电习惯,帮助电网削峰填谷[19]。采用弹性系数矩阵表示电价变化率对负荷响应率的影响。

(8)

式中:λΔPDR为负荷响应率;εt,t为t时刻自弹性系数;εi,j(i≠j)为互弹性系数;λΔp为电价变化率。

由于DR存在不确定性,采用三角隶属度函数[6]来描述PDR负荷响应率的不确定程度,其模糊表达式为

(9)

(10)

式中:λΔPDR1、λΔPDR2、λΔPDR3分别为负荷响应率的隶属度参数;δt为预测负荷响应率的最大误差水平,δt≥0。

(11)

式中:ηLi,max、ηLi,min分别为PDR负荷的上、下限系数。

由于PDR以改变用户用电习惯为基础在时间轴上进行一定量的负荷转移,用户在进行消费时会在用电方式和用电费用方面出现满意度的相关问题,所以采用PDR转移负荷量相比初始负荷量的变化程度来表示用电方式满意度Us[9]:

(12)

用PDR转移负荷的实际缩减成本相比最优预期电价缩减成本表示用电费用满意度Up:

(13)

(14)

1.3.2 激励型需求响应

对于MG的调度运行,在电力用户侧可以通过PDR引导用户的用电习惯,从而调节各MG的负荷峰谷值;同时也可以根据MG的负荷特性设置一定量的可削减负荷,并通过IDR参与MG的优化运行。电网管理者通常与负荷聚合商提前签订激励合同,从而保障在负荷调度中可以直接调用部分IDR资源,以响应负荷需求与供电量之间无法及时满足的差额。

对于MG2的用电主体,EVA可作为相对稳定的IDR供应商提供IDR响应资源,由于其面向用户提供充电服务,所以会产生满意度的相关问题,将EVA的IDR用户满意度定义为实际满足汽车充电量与预期满足充电量的比例UIDR

(15)

式中:ΔPIDR2,t为EVA在t时刻提供的IDR负荷响应量;Qev,t为t时刻汽车的总充电量。

为了简化计算,统一设定电动汽车的规格,则对于EVA来说,简易且有效的统计特征就是该时刻所需充电汽车的总数量。将每个时刻必须完成充电的汽车数量定义为Nev,t,EVA的总充电量Qev,t可表示为

Qev,t=Nev,tE(D)qev

(16)

式中:E(D)为汽车日行驶里程的期望值;qev为汽车单位充电容量。

通常,电动汽车的充电量与日行驶里程成正比,根据经验公式[20],电动汽车日行驶里程D满足对数正态分布f(D):

(17)

其CDF分布函数F(D)为

(18)

则EVA可提供的IDR上、下限分别为

(19)

式中:Dmax为日行驶里程的最大值;β为可削减里程的标准差比例系数;Di为第i辆车的日行驶里程。

对于MG1的负荷主体,主要采用PDR引导调节用电负荷,储能可作为IDR资源紧急备用并提供相应补偿。对于MG3的可削减工业负荷,由于已经签订相关激励合同,只需根据合同进行付费惩罚,不考虑相关满意度问题,但需要设定相关IDR响应的上下限值。

1.4 分布式共享储能交互模式

如图1所示,MGC的各个微电网内都存在分布式储能单元。按照传统运行模式,各微网的源荷互动都存在于本区域内的电源、负荷、储能和公用电网之间,其储能系统只响应各自部分的负荷调度,在微网净负荷趋于峰值时进行充放电,以满足各微网的源荷平衡,减少购电成本。

如果选择将各个微网按照地域分布通过EMS进行互联互通,就可以进一步开发分布式储能的负荷响应能力。基于分布式共享储能,微电网的调度不再仅限于满足本地负荷需求,而是将MGC看作一个整体进行源荷平衡调度。除了电源端电量的交互,可以根据各MG中储能的电量状态(State of Charge,SOC)进行统一协调调度,控制分布式储能的充放电量,尽可能减少损耗的同时可以更多地消纳风电,减少整体运行成本。

具体交互规则为:当微电网负荷量大于发电量(即MG的净负荷小于零)时,本地RTP处于较高峰值,利用本地储能设备放电以减少负荷差的同时,可以从其他MG以低于本地RTP的购电价格获得交互电量;当MG发电量大于负荷量时,本地RTP处于低谷,满足本地储能充电的同时,可以用高于向电网售电的市场价向其他有需求的MG传输多余电量,此时,购电方则可以根据自身储能状态进行过量购电以备电价升高时使用,从而减少购电成本。

微电网按照传统模式单一地与电网进行交互,根据RTP定价规则,需要在本地负荷峰值时以较高的峰值价购电;在负荷谷值时以低于本地RTP售电。而MGC之间的电量交互,既可以在本地RTP处于峰值时以较低价购电,又可以在本地RTP处于谷值时以较高价售电。当MGC内交互电量达到一定值时,交互成本会明显低于直接与电网交互的购售电成本,所以MGC按照此规则签订交互协议,电量输送端和接受端都能受益。

2 源储协同低碳日前调度模型

2.1 基于阶梯碳价的碳排放成本模型

为了实现MGC的低碳运行,在保障整体经济性调度优化的同时需考虑碳排放因素。能源设备在运行中产生的温室气体主要包括SO2、NOx和CO2,为简化计算可根据单位产能各气体的排放量折算成CO2排放量[21]。对于微电网运行各环节的碳排放强度,运用生命周期评价[22](Life Cycle Assessment,LCA)方法按照能源设备各环节活动顺序划分碳排放链,分别对其传递过程进行归类简化,最后基于各环节能源消耗或转换过程所产生的碳排放系数进行碳排放量计量。

(1) 碳排放量

MG运行过程涉及源、网、荷、储四部分的协调调度,源端的发电机生产、网侧的传输损耗以及储能的运维均会产生碳排放。对于第1节中的MGC模型,燃气轮机运行所消耗的天然气LCA碳排放主要分为开采、运输及使用3个环节。作为清洁能源的风电,由于其几乎不带来环境效益损耗,在源端被视为零碳排放,但是在生产建设及运输环节会产生相应的碳排放。而BESS的充放电损耗及运维均会产生一定量的碳排放。基于各机组单位电量定义微网群的碳排放总量VCO2为

(20)

式中:PGi,t、PWi,t、PEi,t和PBi,t分别为MGi的燃气轮机、风电机组、储能及购电功率;cG、cW、cE、cB分别代表燃气轮机、风电机组、储能及微网购电交易的单位碳排放因子。

(2) 碳排放权配额

碳配额(Carbon Allowance,CA)是指政府在控制碳排放总量下分配的碳排放权凭证,而碳交易把碳排放权作为商品允许能耗企业根据实际碳排放量购买碳排放额及出售未排放余额,进而形成碳交易市场来灵活分配碳排放权。各MG基于无偿配额[23]的碳排放配额模型为

(21)

式中:EGi、EWi、EEi分别为燃气轮机、风电机组及储能分配的碳排放权配额;x代表G、W、E;χG、χW、χE分别为燃气轮机、风电机组及储能设备对应的单位碳排放权配额。

各MG需额外购买的碳排放总量Vbuy为

(22)

(3) 基于阶梯碳价的碳交易成本

传统碳交易机制下,碳价由上游市场统一制定,碳交易市场缺乏灵活性且不利于有效控制碳排放量。而阶梯碳价[24]依据碳排放需求量灵活制定区间价格,提高大排放机组碳交易成本的同时减小排放量在合理范围内机组的成本,从而有效控制碳排放强度。其在X+1个区间的阶梯式碳交易价格pC,i为

(23)

式中:V0为碳排放量区间长度;p0为碳交易基价;α为价格增长系数。

所形成的阶梯式碳交易成本fCO2为:

fCO2=

(24)

2.2 微网群低碳日前优化调度模型

基于MGC中各微网的负荷特性,综合考虑需求响应、储能的柔性可调资源及碳排放成本制定日前调度计划,可进行趋于源荷匹配的调度分配,充分利用现有资源实现微网群整体效益最大化,同时增加风电消纳水平。对于独立型日前调度模型,由于各MG仅与电网进行交互,优化目标是单独考虑各个MG,微网间不互相影响;而交互型日前调度模型中各MG不仅与电网交互,MGC之间也会考虑整体效益进行能量交互。

2.2.1 独立型日前调度模型

根据独立型MGC的运行方式,对风电、储能及电网交互功率进行日前调度计划,综合考虑机组运行状态及碳排放量的同时减少弃风,增加各MG的经济及环境效益。以系统机组运行成本、弃风惩罚成本、电网购售电成本、IDR成本及碳排放成本为目标函数,建立各MG日前调度模型:

fIDRi,t)+fCO2,i

(25)

其中,

式中:fGi,t、fWi,t、fEi,t分别为各微网的燃气轮机、风电机组、储能运行成本;fTi,t、fIDRi,t分别为电网交互成本和IDR成本;CEi,loss,t、CEi,deg,t分别为BESS的充放电损失和退化成本;kGi、kWi分别为燃气轮机和风电机组的运行成本系数;μF、μWi,t、μloss、μEi、μBi、μSi、μIDR分别为单位燃料成本系数、弃风成本系数、电池损耗系数、电池成本系数、电网购电系数、电网售电系数及IDR响应成本系数;PGi,t、PWi,t、PWi,cut,t、PEci,t、PEdi,t、PBi,t、PSi,t分别为燃气轮机功率、风电功率、弃风功率、BESS充电功率、BESS放电功率、购电量及售电量;ΔPIDRi,t为各微网的IDR响应量;γEi、ηEc、ηEd、Si、Sref、Te分别为BESS额定循环寿命、充电效率、放电效率、SOC值、SOC参考值及环境温度;d1、d2、d3、d4为依赖于温度的电池循环寿命系数[25]。

独立型日前调度模型的约束条件如下:

(1) 源荷平衡约束

PGi,t+PWi,t+PEi,t+PBi,t=

(26)

(2) 燃气轮机功率及爬坡约束

(27)

式中:PGi,max、PGi,min分别为燃气轮机功率上、下限;RGi,up、RGi,down分别为机组爬坡功率上、下限;ΔPGi,t为机组出力变化量。

(3) 风电弃风约束

PWi,t+PWi,cut,t≤PWi,pre,t

(28)

(4) 电网交互容量约束

|Bi0(θi,t-θ0,t)|≤Pi0,max

(29)

式中:Pi0,max为节点i和母线之间输电线的最大传输容量;Bi0为节点i与母线之间的电纳;θi和θ0分别为节点i和母线的电压相角。

(5) 储能充放电约束

(30)

式中:PEi,max、PEi,min分别为BESS功率上、下限;Si,max、Si,min分别为SOC的上、下限;Δt为时间间隔。

(6) IDR响应约束

ΔPIDRi-≤ΔPIDRi,t≤ΔPIDRi+

(31)

式中:ΔPIDRi+、ΔPIDRi-分别为IDR负荷响应的上、下限。

2.2.2 交互型日前调度模型

根据交互型MGC的运行方式,对风电、储能、电网交互及微网交互功率进行日前调度计划,综合考虑机组运行状态、储能充放电状态及碳排放量,同时进一步减少弃风,增加MGC整体的经济及环境效益。以系统机组运行成本、弃风惩罚成本、电网购售电成本、微网交互成本、IDR成本及碳排放成本为目标函数,建立MGC的日前交互调度模型:

fTi,t+fMGij,t+fIDRi,t)+fCO2

(32)

式中:fMGij,t为微网之间的交互成本。

相比独立型交互模型,成本函数的主体发生变化,具体表现如下:

(1) 风电的交互成本统一包含在微网交互成本内;而储能的充放电损失和退化成本中的储能功率PEi,t则由本地交互量PEi,local,t与微网交互量PEij,trans,t共同构成。

(33)

(2) 微网之间的交互成本fMGij,t包含了储能和风电的总交互量:

(34)

式中:μMGi为MGi的交互成本;PWij,trans,t为风电的微网交互量。由于交互电量均是零碳生产电量,不计入碳排放成本。

交互型日前调度模型的约束条件如下:

(1) 源荷平衡约束

(35)

式中:PWi,local,t为风电的本地交互量。

(2) 风电弃风约束

PWi,local,t+PWi,cut,t+PWij,trans,t≤PWi,pre,t,

PWij,trans,t≥0

(36)

(3) 微网交互容量约束

PMGij,t=|Bij(θi,t-θj,t)|≤Pij,max

(37)

式中:Pij,max为节点i和j之间输电线的最大传输容量;Bij为节点i和j之间的电纳;θj为节点j的电压相角。其余约束均等同于独立型日前调度模型。

3 算例分析

3.1 微网群参数设置

为验证所提源储协同低碳日前调度模型的有效性,基于图1搭建Matlab Simulink仿真模型,分别对独立型和交互型调度模型进行分析,模型的优化求解基于YAMLIP求解器。微网群BESS的额定功率及容量统一设置为5 MW/5 MW·h,初始SOC均为0.2,MG与电网交互及MGC内部交互的传输容量均设置为5 MW。其他具体参数见表1,MGC各环节的单位碳排放系数和单位碳配额系数[22-23]见表2。

表1 微网群运行参数

表2 微网群各环节单位碳排放及碳配额系数

3.2 需求响应结果分析

由于3个MG的计算过程类似,选择把MG1的分析结果作为示例呈现。由风电的不确定性分析得到的1 000个预测误差抽样集合,如图4所示,依据所得大量样本场景,通过场景缩减得到筛选集合后,再经式(5)计算,最终可得到MG1的可信预测风电功率。

图4 MG1风电功率预测场景集合

基于得到的风电功率,借助式(6)～式(11)计算得到各MG的PDR负荷变化值,从而得到经PDR后的微网负荷,用于日前优化调度。结合图5和图6可以看出,相比传统实时电价的定价方式,改进定价方式动态跟随净负荷值;经过PDR调节后,相较于传统电价对负荷曲线削峰填谷的作用,基于改进电价进行调整的PDR负荷能更好地适应电源端的发电特性。在01:00—06:00,风电大于负荷需求,改进PDR使得用户负荷明显增加,通过用户转移负荷及BESS存储低价风电可增加对风电的消纳,同时减少低价售电的比例;而在13:00—20:00,风电小于负荷需求,改进PDR使得用户负荷需求大幅减少,再加上BESS的放电支撑,可明显减少电网购电成本。此外,由于阶梯碳价的设置,风电利用率的增加可减少碳排放量,从而使得碳排放成本明显缩减。

图5 MG1净负荷和电价趋势

图6 MG1不同PDR前后负荷对比

3.3 日前调度结果分析

3.3.1 独立型日前调度

为了说明改进RTP的有效性,采用独立型日前调度模型,基于传统和改进RTP的PDR负荷,分别对3个MG进行日前优化调度,调度结果如图7～图9所示,碳排放量及经济成本如表3所示。

表3 独立型微网群不同PDR调度结果对比

(a) 传统PDR调度结果

(a) 传统PDR调度结果

(a) 传统PDR调度结果

对于MG1,相比传统PDR调度结果,改进后13:00—20:00负荷需求量降低,电网交互购电量减少14.95 MW·h;05:00、23:00、24:00负荷需求增加,弃风量明显减少,总共下降67.75%;BESS充放电动作次数由14次下降到6次,储能充放电损失和退化成本缩减28.43%;由于风电的利用率增加,使得电网购电量减少,机组运行成本大幅缩减20 158.21元;微网碳排放量也相应减少,在阶梯碳价的作用下碳排放成本和系统总成本分别减少44.96%和43.14%。

对于MG2,EVA作为负荷主体,汽车充电数量可以较为明显地反映负荷变化特征,图8中汽车充电数量的虚线部分为EVA提供IDR负荷而减少的充电数量。在17:00、18:00和20:00三个时刻,汽车充电数量从438辆缩减到134辆,IDR成本相应地缩减了2 439.02元;11:00和12:00的负荷需求增加2.08 MW·h,弃风量减少了1.15 MW·h;BESS动作次数和充放电量均有减少,相应成本下降31.81%;由于阶梯碳价的价格机制,虽然碳排放量只减少了6.41 t,但碳排放成本缩减了224.56元;由于购售电量变化不明显,其他机组的运行成本基本没有变动,系统总成本只下降3.82%。

对于MG3,经改进PDR的负荷转移,06:00—08:00、17:00—21:00 IDR负荷量变为零,使得IDR成本降幅明显;BESS充放电量缩减,使得储能成本下降23.76%;由于阶梯碳价机制,下降的14.77 t碳排放量带来了36.90%的碳排放成本缩减;负荷转移后,储能和IDR的动作减少,使得其他机组运行成本稍有增加,最终系统总成本下降19.01%。

在需求响应的用户满意度方面,如表4所示,由于改进RTP的定价机制,3个MG的用户负荷转移量都有所提升,导致用户用电方式满意度下降,但均在可接受范围内;用电费用满意度方面,MG1和MG2分别下降2.71%和0.93%,而MG3则提升64.65%,这主要是由于改进RTP下风电盈余时期的电价更友好,通过PDR转移负荷的用户在电价方面的受益大幅提升。对于IDR用户满意度,相比传统PDR,改进PDR后MG2的汽车充电数量减少了304辆,占IDR响应前预期充电总数量的2.28%;IDR用户满意度相应地提升2.03%。

表4 独立型微网群用户满意度结果对比

3.3.2 交互型日前调度

为了进一步验证基于分布式共享储能的交互型日前调度模型的有效性,通过交互型调度模型对MGC统一进行日前优化调度,结果如图10所示,碳排放量及经济成本如表5所示。相比独立型MGC的运行,交互型MGC的PDR定价仍然延续基于净负荷的RTP规则,但3个MG的优化目标不再是单一考虑,而是整体达到最优。

表5 交互型微网群调度结果

(a) MG1调度结果

对比图7～图9和表3可以看出,MGC交互之后3个MG的储能利用频率明显增加,充放电量的上升使得BESS损耗成本一共增加685.96元;由于储能的交互共享,消除了弃风情况,减少了运行成本中的弃风惩罚;同时,MGC的交互共享使得在传输容量允许的情况下,MG与电网间的购售电量大幅缩减,更多地转为MGC内电量购售交互,进而使其他机组的运行成本分别降低23.38%、5.03%和24.05%;由于风电及储能运维的成本损耗及碳排放量已经计算在内,生产的零碳电能在交互时不产生碳排放,相较于独立型微网运行,碳排放量总共减少32.14 t,依靠阶梯碳价,碳排放成本进一步缩减30.99%。

综上,交互型调度模型下,相对于储能损耗成本的提升,其他机组的运行成本、IDR成本、电网购售电成本及碳排放成本的有效缩减使MGC总成本降低22 812.09元,降幅达15.05%。在用户满意度方面,由于RTP的规则同独立型日前调度相同,所以PDR相关用户满意度也相同;但MG2中用于IDR响应的汽车充电数量通过交互型日前优化调度减少了101辆,相应地IDR成本缩减75.58%,从而使得IDR用户满意度进一步提升到99.85%。

4 结论

(1) 对于风电渗透率极高的微电网源荷平衡场景,基于负荷峰谷调整的传统实时电价机制通过价格型需求响应带来的削峰填谷效果并不理想,不能完全适配微电网群的调度需求。考虑将跟随净负荷的改进实时电价机制与价格型需求响应结合,能更好地引导用户增加源端的风电消纳,减少弃风;各微网的储能损耗成本、向电网购售电量及激励型需求响应成本均明显下降,碳排放量分别减少13.87 t、6.41 t、14.77 t,系统总成本分别缩减43.14%、3.82%、19.01%,环境及经济效益得到有效提升;同时,用户的价格型及激励型需求响应满意度维持在较高水平。

(2) 相较于各微网仅与电网交互的独立型调度模型,所提出的基于分布式共享储能的交互型微网群调度模型消除了原有的弃风情况,微网群之间能产生互补效应,在传输容量允许的情况下与电网间的购售电量大部分转为微网群内部电量购售交互,缩减购电成本的同时增加售电收益,使得其他机组的运行成本得以缩减。此外,由于微网群内交互的都是零碳电能,不产生碳排放,微网群总碳排放量减少32.14 t,在阶梯碳价机制下碳排放成本缩减30.99%,总成本降低15.05%。

(3) 分布式共享储能整合了微网群现有储能资源,考虑储能状态的交互型调度方式进一步发挥了储能的调峰及成本优化能力。虽然储能的交互调用使得损耗成本上升了42.11%,但微网群的风电消纳水平、碳排放成本、运行成本及激励型需求响应满意度均得到进一步提升。

(4) 本文考虑交互式优化调度模型时只考虑现有设备成本,未将微网群之间的交互设备成本计算在内,电缆及变电等建设资金的投资回报比将在后续研究中开展。