智能電網經濟調度運行探討

胡小英（國網江西省電力公司鄱陽縣供電分公司，江西上饒334000）

智能電網經濟調度運行探討

胡小英（國網江西省電力公司鄱陽縣供電分公司，江西上饒334000）

隨著我國經濟發展水平的不斷提高，智能電網應用日漸普遍，促使電網從傳統的集中控制轉變為分布式控制，直接對傳統電機組功率輸出造成影響。電動汽車可為電網提供一系列輔助服務（V2G），從而使過去單一經濟調度模式發生改變。車組充電與可再生能源發電間歇性對電網調度能力要求增大，由此，本文將使用動態經濟調度模型，對奠定汽車充放電時間與功率進行調節，以體現智能電網經濟調度應用的合理性及有效性。

智能電網；經濟調度；電機功率；調度模式

電動汽車使用因溫室氣體排放減少，從而減少了對環境污染，也是智能電網的重要組成。使用電動汽車可以為接入網提供輔助服務，還能與發電并網，將單一集中發電模式改變了，呈現出雙向流動特征。但在使用電動汽車時，如果不能對充電控制容易使電網壓力增大，且外部環境影響下會出現間歇性，降低用電質量。由此，加強智能電網條件下發電機組經濟調度至關重要。

1 基于智能電網的動態經濟調度模型

1.1 目標函數

智能電網中電動汽車與可再生能源發電接入可使單一發電商獲利模式改變，在優化目標中需要考慮發電商利益，同時還要兼顧車主利益以及環境保護需求。鑒于放電會使電池壽命縮短，V2G服務成本升高。從發電商角度考慮應用V2G服務成本較應用常規機組要高，從而將V2G而使用常規機組；從車組角度考慮，使用V2G沒有經濟回報將放棄使用[1]。由此，智能電網條件下經濟調度是多目標、多約束的動態化優化問題，目標函數可以表示為：

公式中，不等式約束函數為gi（x）；而等式約束函數為hj（x），優化模型分為四部分，分別為：①最大發電成本。發電成本既包括燃料成本、停留成本、還包括電動切除發電成本等。②最低碳排放量。通過使用發電機組進行經濟調度可以使碳排放量減少，從而將環境污染減少。③最大電網等效負荷率。可再生能源發電外界環境對其的影響較大，容易增大輸出功率，由此，可以對電動汽車充放電跟蹤功率波動進行優化，對電網負荷平滑，從而將發電間歇減少對電網影響較少。電網等效負荷波動與等效負荷符合率存在相關性，后者越大，等效負荷波動越小。④最低電主充電成本。確保車主經濟利益最大化是電動汽車參與V2G服務根本保證，也可以使車主參與積極性增強[2]。

1.2 等式約束

（1）平衡系統功率：電動汽車與可再生能源入網后，會使傳統發電機組出力出現改變，從而使系統功率平衡受到影響；

（2）電動汽車電池量需要與車主行車需要契合，也是電動汽車根本功能；

（3）入網后，各時段電池電量與充放電功率需滿足條件，并要滿足行駛前后電池容量條件。

2 模型求解

2.1 求解算法與流程

過去電網經濟調度僅考慮到不同時段負荷經濟分配，是一個動態優化的過程。而在電動汽車加入后，還要對不同時間點電量與電動汽車行駛需求考慮，這樣一來，模型將更加復雜，求解難度增大。BSGA-II算法是應用較為普遍的優化算法之一，引入了擁擠距離概念與精英保留機制，使計算復雜性降低，且在優化分解上更加均勻。算法中優化模塊有2層，分為內層與外層，機組組合為外層優化，負荷經濟分配為內層優化，且外層優化模塊還會將機組停機狀態生成，統計發電數量，將這些數據傳輸到分層優化模塊內，整體優化過程由NSGA-II完成，內層優化可依據外層傳遞進行，通過機組啟動與停機狀態經濟分配每個機組負荷，然后將機組負荷分配結構傳輸到外層模塊進行綜合評估。

2.2 算法改進

在實際計算中采用二進制數字法優化時間過長，不容易馬上將最優解找到，由此，對發電機組停機組初始化方法進行修改，修改內容為：每一個機組隨機發電功率、與t時段各機組總發電功率、各機組發電功率比；按t時段負荷重新分配各機組發電功率；按照發電約束條件對發電功率進行調整。

3 算例分析

3.1 數據

（1）機組數據依據以上優化模型對機組系統進行分析，24h內機組負荷情況見表1所述，系統旋轉備用設定為15%。

表1 日負荷數據統計

（2）電動汽車數據

假設電網可供調度電動汽車有2000輛，將每輛電動汽車功率設定為3kW，連續充電5h。電動汽車兩個時段行駛在路上，分別為上午7：00～8：00、下午16：00～18：00，其他時間可與選擇的放電。早上7：00出發時SOC為100%，一個充電、放電周期過后恢復原有的SOC，平均行駛路程為45英里，耗電5英里/kW·h。

（3）可再生能源發電數據

假如電網中風電、光伏發電安裝容量為25MW、12MW，采用分布概率模型對風電與光伏分布建模，從而生成一個出力數據，詳見圖1。

圖1 風、光發電功率

3.2 數據仿真結果

3.2.1 Pareto解集

依據上述模型與優化方法對機組進行仿真計算，NSGA-II參數設置為：N=100，進化代數為150，交叉概率Pc=0.8，變異概率Pm=0.2。

3.2.2 最種方案確定

在不同的Pareto解集中，可以依據用戶需求選擇最優方案，本文確立方案的選擇為：先將發電成本減少，從而使發電商獲利機會增大，采用V2G服務，而不采用昂貴的機組；其次，為了使車主更多的選擇V2G服務，需將充電成本減少；將對環境的污染減少；發電使用可再生能源，為了將電網等效負荷率提高，優化目標進行優化排序與選擇，最終確立機組優化方案見圖2。

圖2 機組最佳優化方案

通過圖2可以看出，機組1～4承擔系統基礎負荷，而機組1、2、3則在較大與中等的模型機組中發電的成本較低，由此，一直處于滿發電狀態。但是其他機組則需要依據發電量多少而對發電量進行調整；機組1～10作為小型發電機組，發電量少，在負荷高峰時段可以投入使用。此外，晚間22：00與第二日的7：00電網負荷較低但是風能較為豐富，需充分利用這段時間，為早間出行大下良好基礎，同時還要提高電網負載率。早上7：00～8：00電動車在路上行駛，停車后SOC會下降，從8：00～15：00期間可再生能源發電功率也在不斷攀升，但是此階段電動汽車不需要充電，因為此階段的電網負荷處于高峰期，且負荷最高達1600MW，且光能功率有限，由此，此段時間不宜充電，而是想電網中輸送部分電能，從而將供電質量提高，還能將負荷壓力減少[3]。此外，在負荷高峰時段，充電價格要較平時高，但是放電的效益較大，由此，此階段適宜放電。16：00～7：00負荷開始下降，且15：00負荷有所減少，此階段充電價格會略低，適宜充電，從而使行駛需求滿足。18：00～19：00電動汽車已經回到家中，且此時電網負荷也會降低，可以對汽車充電，19：00～21：00電網負荷再次升高，但風電減少，電動汽車可以向電網釋放電能，從而將電網壓力減輕。

3.2.3 結果對比

本次提出的優化模型應用有著不同效果，第一種方式：不對可再生能源發電進行考慮，電網調控中電動汽車僅作為負荷；第二種方式：不對可再生能源發電進行考慮，電動汽車僅作為負荷也可以作為電源為電網提供輔助服務；第三種方式：對可再生能源發電進行考慮，電動汽車可作為負荷充電也可以作為電源參與電網輔助服務。三種方法均可以作為等效負荷與負荷率，在原始負荷下，需充分利用電網低谷時段，負荷峰谷差增大下，等效負荷率則會降低。即使第一種方式在低谷時段充電，但是負荷高峰沒有釋放電能，電網峰荷沒有降低。第二種方式在低谷充電，同時可以向電網放電，可將峰荷降低。

4 結束語

本文基于智能電網構建了一種動態經濟調度模型，這種模型設計包括可再生能源發電與電動汽車，將單一電商利益模式打破了，減少了充電成本與環境污染，值得進一步研究與采用。

[1]鄭漳華，艾 芊，徐偉華，施 婕，解 大，韓 利.智能電網經濟運行的多目標調度優化策略（英文）[J].電網技術，2010，02（08）：7～13.

[2]李碧君，周曉寧，劉 強.基于智能電網調度技術支持系統的電網運行安全風險在線防控[J].華東電力，2014，06（21）：1057～1063.

[3]吳 昊，王艷松.基于智能單粒子算法的微電網經濟調度[J].電力系統保護與控制，2016，20（17）：43～49.

TM73

A

2095-2066（2016）36-0034-02

2016-12-13