基于可靠性的虚拟电厂微网源荷协同优化调度模型构建

林彤彤，周晋杭，叶晓杰，蔡婉雯，邵崇

（国网台州供电公司台州湾新区供电分公司，台州 318000）

引言

当分布式能源接入网架薄弱、调度不合理和自动化水平低的配电网中时，在控制和运行过程中的可靠性较低[1]。在此背景下提出了虚拟电厂，虚拟电厂是指利用数字化和智能化技术，将分散的可再生能源、能量储存设备、能耗设备等整合在一起，形成一个能够自主运行和管理的系统。虚拟电厂可以解决负荷侧和电源侧存在的一些弊端，在电网调度过程中协调负荷侧和电源侧之间的平衡[2]。但目前虚拟电厂微网源荷调度效果较差，为此，需要建立一个优化调度模型，以保证虚拟电网微网的高效、可靠运行。

陆秋瑜等[3]分两个阶段实现调度，首先根据负荷需求预测数据和风力发电出力数据在日前阶段构建随机优化模型，以此提高微网的日运行收益，其次，在时前阶段建立确定性优化模型，对电池储能充放电功率、风力发电出力和燃油发电机组出力展开调节，以此提高时运行收益，该方法无法准确的预测风电和光伏出力，存在预测精度低的问题。杨秀等[4]将最大化用户侧收益作为目标，基于分时电价优化可控负荷，同时将最小电源出力成本作为优化目标，提高发电侧与需求侧的收益，该方法调度后的微网弃风电量高、风电利用率低。

为了解决上述方法中存在的问题，提出虚拟电厂微网源荷协同优化调度模型构建方法。

1 虚拟电厂场景构建

虚拟电厂微网源荷协同优化调度模型构建方法在正态分布概率模型[5-6]、光伏、风机概率模型、负荷概率模型和可转移负荷基础上展开场景构建，以此实现不同空间的资源控制。

1.1 正态分布概率模型

由概率统计理论可知，正态分布的性质较好，被广泛的应用在误差预测领域中。

预测值在实际预测过程中存在边界，因此需要归一化处理范围内的概率，用f( )µ表示概率密度函数，其表达式如下：

式中：

σ0、µ0—正态分布的标准差和期望。

1.2 光伏、风机概率模型

针对风机出力和光伏出力的预测，目前国内已经存在较多研究成果，但风速和光照的随机性较高，在预测过程中容易产生误差。认为电机和光伏的预测误差符合正态分布，用表示时段虚拟电厂微网中风机和光伏出力最高值对应的概率密度函数，其表达式分别如下：

式中：

σW—风机的标准差；

PWN、PPVN—风机和光伏在虚拟电厂微网中的装机容量；

σPV—光伏对应的预测标准差。

1.3 负荷概率模型

1）固定负荷

设PL,t、PLP,t代表的是固定负荷在微网运行t时段内的实际值与预测值，设f(PL,t)代表的是t时段固定负荷对应的概率密度函数，其表达式如下：

式中：

PLN—描述的是固定负荷总量；

σL—固定负荷预测对应的标准差。

2）可中断负荷

未对可中断负荷采取中断措施之前，t时段客户i的可中断负荷使用情况对应的概率分布可表示为：

式中：

XILi,t、XILPi,t—客户i在虚拟电厂微网运行t时段内的可中断负荷使用实际值和预测值，当其值为1 时，表明使用，当其值为0 时，表明不使用。

1.4 可转移负荷

将客户的可转移负荷使用情况作为依据，对其分类：在实施实时电价后，I 类客户和II 类客户分别改变和不改变可转移负荷的使用情况，其对应的概率密度函数分别为f(NTL)、f(pTII,t)：

式中：

NTL、pTII,t—I 类客户可转移负荷比例与II 类客户可转移负荷使用率的实际值；

NTLP、pTIIP,t—I 类客户可转移负荷比例与II 类客户可转移负荷使用率的预测值；

σN、σTII—NTL、pTII,t的标准差。

1.5 场景构建

针对上述单元的不确定性，采用拉丁超立方抽样方法[7-8]生成样本。设置随机变量数量n和抽样规模m，则满足正态分布的样本为X=[x1,x2, …,xn]，第i个样本表示为Xi=[xi1,xi2, …,xin]，虚拟电厂微网源荷协同优化调度模型构建方法的具体抽样过程为：

1）确定状态为xwj的随机变量xw的总数mp(xwj)，p(xwj)代表的是变量xw处于状态xwj时对应的概率；

2）建立样本X的m×n维状态矩阵Xs，由mp(xwj)个状态xwj构成矩阵的第w列元素；

3）在第i次抽样过程中，采用随机抽样的方式依次从状态矩阵Xs中抽取样本[9,10]，获得样本值xiw。

上述抽样获取的样本数量较大，为此，通过下述过程削减样本：

1）计算样本Xi、Xj之间存在的距离dij：

2）针对Adi=pi ci最小的样本i予以删除，其中，ci代表的是i对应的密度距离；pi c描述的是i出现的概率。

3）设pl、pk分别代表的是样本l、k出现的概率，通过下式对其展开更新：

式中：

dik、d ij—样本i与样本l、k之间存在的距离。

4）重复上述过程，当样本数量符合场景构建的要求时停止，获得NPV个个PL,t、NIL个XILi,t、NI个NTL、NTII个pTII,t，获得的虚拟电厂场景为Ns：

2 源荷协同优化调度模型构建

2.1 源荷协同优化调度模型及约束条件

构建虚拟电厂场景与构建源荷协同优化调度模型构建之间存在密切的关系。虚拟电厂场景的构建是为了模拟实际运行中可能出现的各种情况和变化，这些概率模型描述了不同要素（如风机、光伏、负荷）在不同时段内的实际值和预测值，以及它们符合的概率密度函数，帮助预测各个要素的变化和波动程度，以便于源荷协同优化调度模型在这些变化中实现能源的最优分配和调度。

完成场景构建后，将最小运行成本、最大可再生能源消纳量和最小环境成本作为优化目标，建立虚拟电厂微网源荷协同优化调度模型[11,12]：

式中：

g1—虚拟电厂微网的运行成本；

VOM—运行过程中机组产生的维护成本；

Vf—运行过程中机组对应的燃料成本；

VW—风电场发电时产生的成本；

VPV—光伏电站发电时产生的成本；

VIL—可中断负荷调度过程中产生的成本；

g2—可再生能源消纳总量。

T= 24；

∆T—调度时段；

g3—环境成本；

Ve—氮氧化物产生的环境成本；

MG—常规电源发电组在微网中的数量；

βz、χz、ηz、ςz—常规机组z在运行过程中排放氮氧化物的特性参数；

在优化调度过程中，设置虚拟电厂微网的功率平衡约束条件：

式中：

Lt0—实施分时电价前t时刻的负荷；

Lt—实施分时电价后t时刻的负荷。

设置常规机组在虚拟电厂微网中的爬坡速率约束条件：

式中：

ΨGz,up—机组z在上爬坡过程中对应的速率；

ΨGz,down—机组z在下爬坡过程中对应的速率。

2.2 模型求解

虚拟电厂微网源荷协同优化调度模型构建方法采用萤火虫优化算法[13,14]求解源荷协同优化调度模型，实现调度，具体过程如下：

1）根据公式（9）所示的优化调度模型，设置萤火虫优化算法在源荷协同优化调度过程中的扰动因子、光吸收系数；萤火虫个体数量、算法迭代次数以及最大吸引度；

2）通过下述公式对萤火虫位置ix展开更新：

式中：

κ、r—扰动随机参数，其主要作用是避免萤火虫优化算法在优化调度过程中陷入局部最优，增大模型最优解的搜索区域；

xi、xj—萤火虫i、j在模型寻优过程中所处的位置；

αi—引火虫对应的吸引度，可通过下式计算得到：

式中：

rij—萤火虫i、j的笛卡尔距离；

α0—萤火虫自身产生的亮度。

3）用x*表示更新后的萤火虫所处的位置，设置萤火虫优化算法的终止条件：

式中：

φ—设置的阈值，当萤火虫更新后的位置满足上述条件时，表明萤火虫处于最优位置，即源荷协同优化调度模型最优解，当萤火虫更新后的位置不满足上述条件时，返回步骤（2）中重新更新，直到满足上述终止条件位置，完成虚拟电厂微网源荷协同优化调度。

3 实验与分析

为了验证虚拟电厂微网源荷协同优化调度模型构建方法的整体有效性，需要对其展开测试。设置萤火虫优化算法的扰动因子为0.5、光吸收系数为0.6、萤火虫个体数量为50、算法迭代次数为：100 次、最大吸引度为1.0。

选取某虚拟电厂微网作为调度对象，采用虚拟电厂微网源荷协同优化调度模型构建方法、文献[3]方法和文献[4]方法展开调度测试，该微网的分时电价如表1 所示。

表1 分时电价

3.1 光伏、风电出力预测分析

采用上述方法展开光伏、风电出力预测，结果如图1 所示。

图1 不同方法的出力预测结果

分析图1 可知，所提方法预测的风电出力和光伏出力与实际出力相符，文献[3]方法和文献[4]方法的预测结果与实际出力之间偏差较大，通过上述测试可知，所建立模型具有较高的预测精度，因为所提方法在调度之前建立了虚拟电厂微网场景，获得虚拟电厂的实际运行情况，因此可准确的完成风电和光伏的出力预测。

3.2 弃风电量和风电利用率分析

采用所提方法、文献[3]方法和文献[4]方法展开源荷调度，三种方法的弃风电量和风电利用率分别如图2、图3 所示。

图2 不同方法的弃风电量

图3 不同方法的风电利用率

由图2 可知，随着运行时间的增加，所提方法、文献[3]方法和文献[4]方法的弃风电量呈上升趋势，但在运行时间相同和迭代次数相同的情况下，所提方法的弃风电量远低于文献[3]方法和文献[4]方法，表明所提方法具有良好的调度效果，因为所提方法在调度过程中将最大可再生能源消纳量作为优化目标，因此减小了弃风电量。

由图3 可知，在不同场景下所提方法的风电利用率均是最高的，表明所提方法调度后的虚拟电厂微网可有效利用能源，资源浪费的现象较少，符合我国可持续发展策略。

4 结束语

针对目前源荷优化调度方法存在的风电、光伏出力预测精度低、弃风电量高和风电利用率低的问题，提出虚拟电厂微网源荷协同优化调度模型构建方法，为了准确的获取微网的运行状态，建立了场景集，在此基础上建立源荷协同优化调度模型，并引入萤火虫优化算法求解模型最优解，实现虚拟电厂微网源荷协同优化调度，经验证，所提方法可有效解决目前调度方法存在的问题，促进了虚拟电厂技术的发展。