赵岩,邓华生,龚正宇,刘继春
(1.上海市电力公司,上海200122;2.华能滇东能源有限责任公司,云南昆明650228;3.四川大学电气信息学院,四川成都610065)
考虑需求侧储能及可控负荷的微网优化运行
赵岩1,邓华生2,龚正宇3,刘继春3
(1.上海市电力公司,上海200122;2.华能滇东能源有限责任公司,云南昆明650228;3.四川大学电气信息学院,四川成都610065)
微网中集成了大量风力、光伏等出力具有随机性、间歇性的不可控DG,通过一体协调储能、可控负荷等需求侧资源研究微网优化运行。基于实时电价环境,考虑风机、光伏出力不确定性,利用储能装置的能量转移与能量备用和可控负荷的负荷转移,以微网运行成本为目标建立优化模型。采用基于随机模拟的量子粒子群算法求解模型。通过算例仿真表明提出的微网运行模型和优化算法可有效进行微网能量优化管控,并且验证了考虑需求侧资源的微网运行更具经济性。
微网;需求侧资源;能量备用;负荷转移;量子粒子群算法
智能电网的发展伴随大量随机性间歇性分布式能源(DG)引入电力系统,具有经济高效和节能减排特点的微网技术逐渐兴起[1-3]。对于微网运行优化的研究,目前多集中于微网能量管理,即根据微网内部包含的各种分布式微源的运行方式、管控成本和能耗函数,研究微网的负荷高效分配和微源经济运行。随着大量储能设备和需求侧资源接入电力系统,为调动用户与电网积极互动,发挥微网运行经济性,需考虑储能设备与可控负荷等需求侧资源来研究微网的优化运行。
目前,国内已有大量相关文献对微网的优化运行进行了研究。文献[4]针对热电联供型微网,建立了运行费用和污染气体排放量最小的多目标优化模型,并采用基于随机模拟Pareto最优解的改进MOPSO算法求解,但并未考虑储能和负荷资源。文献[5]将分布式发电(DG)、储能与负荷定义为广义需求侧资源,并建立相应的微网运行优化模型,但并未考虑微网参与需求响应时可再生能源出力等不确定性因素。文献[6]通过简化微网结构建立多目标优化模型,采用粒子群算法求解。文献[7]针对集中控制式微网系统,根据不同的微网与主网的交互运行控制策略,研究了包含钠硫电池微网的经济运行。
由于实时电价和可再生能源出力都具有预测误差所带来的不确定性,微网用户参与需求响应可能无法合理安排购用电计划、经济高效平衡本地负荷。本文建立了微网需求侧储能和可控负荷的运行模型,利用其能量备用、负荷转移功能削减微网参与需求响应的风险,同时优化微网运行经济性。在今后绿色证书交易、碳交易等可再生能源交易模式和各种补贴、配额政策的激励下,许多可控负荷用户可通过购入一定量的分布式发电设备组建微网,从而在电力市场环境下通过参与需求侧响应获得更大的用电效益。
智能电网可兼容各种分布式电源和储能装置,微网运行需要管控的有:DG资源、储能资源、可控负荷资源[5]。关于各类DG运行模型,相关文献已有叙述,其中光伏、风机两种不可控DG运行模型[8]。
(1)储能设备模型
储能设备凭借其“荷-源”双重特性,可用于负荷削峰填谷,还可与风力发电、光伏发电等技术配合,平抑可再生能源出力随机性、间歇性。微网参与需求侧响应时,储能除设备通过充放电发挥能量转移功能外,还可实现能量备用功能。储能的能量备用可分为放电备用和负荷备用,储能设备可预先储存能量,控制其在对应的时段放出,若部分能量在放电计划外,储能设备即实现放电备用;同时,储能设备也可通过在某时段控制充电量低于充电计划,实现负荷备用。本文将充、放电功率分解为计划充、放电功率和充、放电功率修正量,当风机、光伏出力偏离预测值,可修正充放电功率,优化储能设备出力。由于储能设备的备用能量与发电设备的旋转备用不同,发电设备的旋转备用只在备用时段内有效,故储能的备用以能量形式存在且不随时间失效因而具有可累加性。
式中:ES(t)和(t)分别为储能装置t时段内的总能量和备用容量;hch和hdis分别为储能的充、放电效率;Pch(t)和Pdis(t)分别为t时段充、放电功率;Pch,p(t)和Pdis,p(t)分别为计划充、放电功率;D Pch,p(t)和D Pdis,p(t)为充、放电功率修正量,且D Pch,p(t)、D Pdis,p(t)>0;PSR(t)为能量备用功率,表示储能装置控制备用容量释放的功率。
储能设备容量约束
储能设备运行约束
式中:Er为储能的最大容量和分别为储能的剩余电量百分比的上、下限,取值范围为(0,1);Pch,max和Pdis,max分别为储能的最大充、放电功率。
(2)可控负荷模型
智能电网通过提供负荷平移与负荷削减补贴和实时电价信息,使微网用户积极参与需求侧响应。本文暂不考虑可控负荷削减,则微网的需求侧响应可通过平移可控负荷(如洗衣机、电动汽车),在满足各时段负荷消纳能力的前提下,将可控负荷从电价高峰时段平移到低谷时段,降低微网运行成本。负荷平移后的可控负荷:
负荷平移约束条件:
2.1 目标函数
本文研究的微网包含以下三部分:不可控DG(风力、光伏),储能设备,微网负荷(固定负荷、可平移负荷)。已知光伏、风机等可再生能源出力具有波动,可通过对微网储能备用和可控负荷的合理规划,使微网自身运行费用最小。当内部电源无法满足负荷需求或调用内部储能能量备用和可控负荷资源不经济时,可从主网购电以满足系统运行。本文不考虑微网向主网输电,微网优化运行的目标函数可表示为:
式中:T为运行优化周期;Pr(t)为t时段实时电价;Pbuy(t)为t时段微网的购电量;ND为可控负荷种类;li为第i类可控负荷的单位负荷转移补贴费用。
微网中可控负荷参与需求侧响应发生负荷转移后,由于不可控DG出力不确定性,微网可能面临供电不足的风险,需要考虑调用储能备用容量或从主网购电。此时,微网购电量可表示为:
式中:E[D PF(t)]是不可控DG的综合预测误差期望;PR(t)是微网内所有储能装置备用容量。若微网某时段有富余备用容量,可根据微源出力和实时电价的情况,通过优化选择何时释放备用容量。
2.2 约束条件
储能设备和可控负荷运行约束分别为式(5)~式(8)和式(10)~式(13),风力、光伏运行约束[8-11]。系统运行约束还需考虑:
(1)功率平衡约束
式中:PWT(t)、PPV(t)和PL(t)分别为t时段风机、光伏出力和负荷量。
(2)联络线传输功率约束
式中:Pl,max为微网与主网间联络线的传输功率极限。
(3)负荷平衡约束
3.1 量子粒子群算法
量子粒子群优化(QPSO)算法,是在传统粒子群优化(PSO)算法的基础上,通过模拟量子行为的改进粒子群优化算法,相比于传统粒子群优化算法全局搜索能力更强。针对微网经济运行优化具有的多约束、非线性等特点,本文运用QPSO求解运行优化模型。QPSO中对每个粒子用量子方式表示,即可表示为相位,本文采用相位表示法,通过求解全局最优粒子相位,再映射到定义域空间,得到全局最优解。
3.2 量子粒子群算法流程
Step1:初始化种群,得到粒子的初始相位。
Step2:计算各粒子量子态,并进行第一次适应度评估。如满足跳出条件,则转Step8,否则转Step3。
Step3:计算粒子历史最优相位、全局最优粒子相位。计算粒子量子态,并进行适应度评估;迭代次数加1;如满足跳出条件,则转Step8;否则,转Step4。
Step4:更新粒子相位的变化量,并更新粒子。
Step5:判断是否需要对粒子的相位进行跳变:是,则执行相位跳变,并转Step6;否,则直接转Step6。
Step6:根据预设的粒子状态观测概率选择粒子的状态,使粒子坍塌,并将粒子映射到预设的空间范围内。
Step7:对坍塌的粒子进行适应度评价;若满足跳出条件,则转Step8;否,则更新全局最优和历史最优,转Step3。
Step8:算法结束,并且输出最优值。
本文以某楼宇区级微网为例进行仿真计算,设微网光伏和风机机组的装机容量分别为20 kW和40 kW,并设定风机切入风速vci=3.5m/s,切出风速vco=20m/s,额定vr=17.5m/s,风机和光伏机组出力由预测值和预测误差得到,并假设风机和光伏出力服从正态分布N(0,0.19)和N(0,0.11);储能设备的最大储能容量为100 kWh,最大功率为20 kW;本文优化周期T=24 h,优化的单位时间间隔为1 h。算例中微网负荷及不可控DG出力预测如图1所示。
图1 微网负荷及不可控DG出力预测
利用QPSO算法,在实时电价环境下,对微网运行成本进行优化。设hch和hdis分别为0.88和0.89,各时段负荷最大转入量设为20 kW。优化后的微网购电量及储能设备出力如图2所示。约定储能出力大于0时储能设备放电,小于0充电。从图2可见,考虑了需求侧资源管理后,储能设备充分利用峰谷电价差,在电价低谷时段充电,在电价高峰时段放电;同时,通过负荷转移和储能设备出力,微网在电价高峰时期购买的电能减少,在电价低谷时间购入的电能增多。相比于未考虑储能和可控负荷协调管控的情况,减少购电成本653.5元,微网总运行成本减少了3.08%。
图2 微网购电方案及储能出力
微网可控负荷管理结果如表1所示,从表1中可见,微网在晚高峰时段的大量可控负荷从高峰时段(17:00~22:00)转入到负荷低谷时段,从而实现负荷的削峰填谷,有效抑制了微
网负荷波动。算例表明,通过控制协调可控负荷和储能装置的能量转移,降低微网购电成本,同时最终提升微网运行经济性。
智能电网中将接入大量与电网互动的需求侧资源。本文着眼于微网中包含的需求侧资源,研究微网经济优化运行。本文考虑储能和可控负荷等需求侧资源的作用,建立相应的原件模型。基于不可控DG出力不确定性,对储能的建模考虑了储能设备能量备用功能。在实时电价环境下,建立优化模型,一体协调储能及可控负荷两类需求侧资源。为提高算法精度,避免迭代陷入局部最优,运用量子粒子群算法求解模型,保证了求解问题的准确性。
算例仿真表明,利用本文提出的优化方法,并运用QPSO算法求解,可降低微网运行成本。微网通过合理管理自身需求侧资源,可有效实现负荷削峰填谷,减少对系统备用容量需求,更有利于大电网安全稳定运行。
[1]KATIRAEIF,IRAVANIR,HATZIARGYRIOU N,etal.M icrogrids management[J].IEEE Power and Energy Magazine,2008,6(3):54-65.
[2]LASSETER R H.Smart distribution:coupled microgrids[J].Proceedingsof the IEEE,2011,99(6):1074-1082.
[3]王成山,李鹏.分布式发电、微网与智能配电网的发展与挑战[J].电力系统自动化,2010,34(2):10-14.
[4]顾伟,吴志,王锐.考虑污染气体排放的热电联供型微电网多目标运行优化[J].电力系统自动化,2012,36(14):177-185.
[5]邢龙,张沛超,方陈,等.基于广义需求侧资源的微网运行优化[J].电力系统自动化,2013,12:7-12.
[6]杨佩佩,艾欣,崔明勇,等.基于粒子群优化算法的含多种供能系统的微网经济运行分析[J].电网技术,2009,20:38-42.
[7]丁明,张颖媛,茆美琴.包含钠硫电池储能的微网系统经济运行优化[J].中国电机工程学报,2011,31(4):7-14.
[8]李乐.微网的经济运行研究[D].北京:华北电力大学,2011.
[9]石庆均.微网容量优化配置与能量优化管理研究[D].杭州:浙江大学,2012.
[10]刘天琪,江东林.基于储能单元运行方式优化的微电网经济运行[J].电网技术,2012(1):45-50.
[11]王成山,于波,肖峻,等.平滑可再生能源发电系统输出波动的储能系统容量优化方法[J].中国电机工程学报,2012,32(16):1-8.
Optimaloperation ofmicrogrid considering demanded sideenergy storageand controllable load
ZHAO Yan1,DENG Hua-sheng2,GONG Zheng-yu3,LIU Ji-chun3
(1.ShanghaiMunicipal Electric PowerCompany,Shanghai200122,China;2.Huaneng Eastern Yunnan Energy Co.,Ltd.,Kunming Yunnan 650228,China;3.College ofElectrical Engineering and Information Technology,Sichuan University,Chengdu Sichuan 610065,China)
Microgrid combines a large amount of random,interm ittent and uncontrolled DG such as w ind power,photovoltaic.Through the combination of demanded side resources such as energy storage and the transfer of controllable load,them icrogrid optimaloperation was researched.In the case of time-of-use price,an econom ic scheduling model for a m icrogrid was proposed by considering the uncertainty of the output of w ind power and photovoltaic and respective functions of demanded side resources.Quantum particle swarm optim ization(QPSO) based on stochastic simulation was applied to solve the problem.Calculation examp le indicates that the modeland QPSO method are effective and feasible to carry out energy management of m icrogrids and the operation of m icrogrid considering demanded side resource ismore econom ic.
m icrogird;demanded side resources;energy reserve;load transformation;quantum particle swarm algorithm
TM131
A
1002-087 X(2016)07-1473-03
2015-12-05
国家自然科学基金(51207098);中欧中小企业节能减排科研合作资金项目(SQ2011ZOF000004)
赵岩(1962—),男,辽宁省人,高级工程师,主要研究方向为电力调度优化及电力市场。
龚正宇(1989—),男,四川省人,硕士生,主要研究方向为智能配电网和微电网。