計及多時間尺度需求響應資源的微電網能量優化調度策略

劉寶林, 周少雄，陳燿圣，楊蘋

(1.云南電網有限責任公司,昆明市650011；2.深圳合縱能源技術有限公司，廣東省深圳市518000； 3.廣東省綠色能源技術重點實驗室，華南理工大學電力學院，廣東省廣州市 510640)

0 引 言

在能源危機和環境污染雙重壓力下，我國大力推廣可再生能源，加速能源結構轉型升級[1]。在國家政策鼓勵下，以光伏(photovoltaic, PV)和風電(wind generation, WG)為代表的分布式電源(distributed energy resource, DER)快速發展，與此同時，微電網(microgrid, MG)作為DER的有效利用形式受到廣泛關注[2]。能量管理系統是保證MG經濟穩定運行的關鍵，它通過獲取氣象數據、價格信號及負荷需求等信息對MG內部可控單元進行調度決策[3]。

已有很多學者對MG能量管理策略做了研究并取得了一定的成果。文獻[4]考慮儲能(energy storage system,ESS)設備的運行成本，以微網運行成本最小為目標，從日前和日內2個時間尺度優化可控發電單元出力。文獻[5]同時兼顧用戶側成本和聯絡線功率波動最小化，建立多目標優化模型。文獻[6]建立了含風光儲微電網的經濟調度模型，并采用改進遺傳算法對各微源出力進行優化。文獻[7]根據分時電價機制對儲能制定充放電規則，采用量子粒子群算法優化微源出力和聯絡線功率，實現微網對大電網的削峰填谷。上述文獻主要針對微網中的可控微源進行調度，并未考慮將需求側響應資源作為調度對象。

關于需求側響應資源參與微電網經濟運行方面，文獻[8]將微網中負荷按重要程度分為3類，建立以總運行費用和停電損失之和最小為目標的孤島型微網能量優化調度模型。文獻[9]將可中斷負荷作為可調度資源，建立計及聯絡線削峰填谷和波動最小的多目標模型，利用非線性規劃工具進行求解。文獻[10]以儲能運維成本、可中斷負荷補償價格、大電網購售電等為目標函數，建立多時間尺度優化調度模型。上述文獻對可控負荷建模較為簡單，與實際情況相差較大。

本文針對含微網運營商、DER發電商及負荷聚集商3個主體的社區級微電網，采用集群空調和集群電動汽車作為需求響應(demand response, DR)資源，儲能作為可控設備，以微網運營商利益最大為目標，提出了多時間尺度能量優化調度策略。該策略考慮了日前-日內-實時3種時間尺度的激勵型需求響應，并采用集群空調和集群電動汽車的負荷削減策略得到對應的DR資源。在日前計劃階段，以運營商利益最大為目標決策儲能出力、集群空調和集群電動汽車的DR供應量，通過日內調度對日前計劃進行滾動修正，利用實時調度消納可再生能源和負荷的功率波動，實現全局經濟性最優。

1 社區級微電網架構

本文研究的社區級微電網系統如圖1所示，系統通過風電、光伏、儲能等微電源以及聯絡線向社區負荷供電。其中，社區負荷包括以溫控設備及電動汽車為主的可控負荷和其他不可控負荷。溫控設備和電動汽車均具有良好的儲能特性，短時間的中斷不會對用戶舒適度造成太大影響，負荷聚集商通過將這些分散的需求側資源進行整合，作為虛擬“發電”單元，參與微網能量管理系統的統一調度。

圖1 社區級微電網架構Fig.1 Architecture of a community-based microgrid

隨著新一輪電改的深入，MG參與主體呈現多元化，表1所示為各參與主體及需求劃分。在此背景下，MG主要采取多方投資+集中管理的運營模式，運營商將MG作為一個整體參與外部電力市場，對MG內部則組織微平衡市場，引導DER發電商和負荷聚集商的能源生產消費，DER發電商和負荷聚集商通過各自的競價策略與運營商簽訂電價合同獲取收益，并提前一天上報次日各時段DER發電量和DR供應量，運營商為保證自身收益將優先調用性價比最優的資源，提高資源利用效率。

表1社區級微電網參與主體及需求劃分
Table1Participantsanddemanddivisionofacommunity-basedmicrogrid

由于新能源與負荷功率預測精度與時間尺度相關，運營商需要制定不同時間尺度的調度計劃以提高運行經濟性。MG中可調度資源包括儲能以及可控負荷，其中可控負荷受DR激勵影響，呈現出多時間尺度特性，負荷聚集商可以通過預測分析DR資源并分配其在日前計劃與日內調度的供應量，運營商通過調用DR資源能夠彌補儲能配置容量的不足，且成本較之儲能更有優勢。因此，運營商在制定能量優化調度策略時，應計及多時間尺度的DR資源。

2 微電網可控單元建模

本文考慮智慧社區MG中常見的可控單元，包括儲能、集群空調負荷和集群電動汽車負荷。

2.1 儲能設備建模

為了保證儲能電池的使用壽命，儲能系統對其荷電狀態(state of charge，SOC)和輸出功率2方面進行限制。約束如下：

Smin≤St≤Smax

(1)

(2)

此外，儲能系統在每日調度中應保持狀態平衡：

ST=S1

(4)

式中：ST為每日調度最終時刻的電量；S1為每日調度起始時刻的電量。

2.2 集群空調負荷建模

本文選取智慧社區中家庭用戶以及小型工商業用戶使用的定頻空調作為空調集群對象。采取文獻[11]提出的集群空調循環控制策略，即輪流控制各個空調設備的啟停以達到集群空調負荷的需求響應容量，同時在控制過程中滿足用戶舒適度要求。用戶可與負荷聚集商約定室溫控制區間[Tmin,Tmax]。

假設負荷聚集商將n個空調負荷均分為τc組進行循環控制，控制周期為τc，如圖2所示。圖中表示空調輪控策略，將每1 min視為1種狀態，灰色方框表示空調處于關閉狀態，白色方框表示空調處于啟動狀態，框中數字表示空調負荷按策略運行時的狀態變化順序。例如，某時刻空調負荷位于狀態2，則按圖中策略可知，空調將按狀態3到下周期狀態1的順序變化。

圖2 集群空調負荷輪控策略Fig.2 Cycle control strategy of aggregated air-conditioning load

根據空調熱動力學模型[12]，可以確定每組空調在控制周期內的啟停時間：

(6)

由于實際控制過程中無法實時測量空調室內溫度，因此基于空調熱動力學模型采用空調持續工作時間以代替實時室溫，啟停控制需要滿足以下約束：

(8)

2.3 集群電動汽車建模

本文采取文獻[13]提出的單臺電動汽車遲滯控制模型，對入網電動汽車進行充放電控制。假設電動汽車入網時刻為ton，以額定功率PN和-PN進行充放電，用戶根據自身需求，設定離開電網時間為toff，相應的SOC需求為Eend，且允許偏差為±δ，因此電動汽車實際充放電過程可以表示為：

(9)

(11)

入網電動汽車的充電時間必須大于最短充電時間需求Tmin才具備調控能力，其計算公式如式(12)所示。定義可控系數C衡量電動汽車調控的靈活性，如式(13)所示。當C>1時，電動汽車不具備調控能力；當C≤1時，則可對其充放電進行控制，且值越大，調控靈活性越高。

Tmin=(Eend-Eon)B/PN

(12)

(13)

3 計及多時間尺度需求響應的微電網能量優化調度

3.1 多時間尺度需求響應資源

DR根據不同的實施機制可以分為電價型(price-based demand response, PDR)和激勵型(incentive-based demand response, IDR)2類。在智慧社區微網中，運營商制定調度計劃分為日前-日內-實時3個時間尺度，為充分調動DR資源參與微電網的優化運行，運營商與負荷聚集商簽訂的DR合同分為以下3種。

3.1.1Ⅰ類IDR

負荷聚集商需要預測次日各時段集群空調負荷以及電動汽車負荷的可控容量并上報運營商，運營商根據微網日前調度模型決策DR資源供應量，并與負荷聚集商簽訂DR補償價格。

3.1.2Ⅱ類IDR

運營商根據微網日內調度模型滾動優化可控單元調度值，并提前30～60 min通知負荷聚集商下一時段DR供應量。

3.1.3Ⅲ類IDR

實時調度過程中若儲能系統不足以平抑新能源出力非規律性波動，將提前5～15 min通知負荷聚集商調整DR供應量。

3.2 能量優化調度模型

微網優化調度可以劃分為日前調度、日內調度和實時調度3個階段，圖3所示為多時間尺度的微網優化調度策略框架圖。

圖3 多時間尺度微網能量優化調度策略框架Fig.3 Framework of optimal energy dispatching strategy model based on multi-time scale

微電網能量優化調度首先基于新能源和負荷日前預測數據、日前電價以及負荷聚集商提供的DR資源日前預測與報價，在滿足安全約束條件下，以運營商利益最大為目標，制定各微源日前出力及DR日前供應量；由于日前計劃與實時調度時間跨度較大，因而偏差也較大，利用最新預測數據和系統狀態通過日內調度模型對日前計劃不斷修正。微網實際運行中，實時調度采用精度較高的超短期預測，遵循日前計劃的運行狀態，實時調整各微源出力以及DR削減量。日前-日內-實時3階段優化調度策略保證了微網實際運行的可靠性和經濟性。最后，通過微電網中央控制器給底層微源和負荷聚集商下發調度指令。

3.2.1日前調度模型

3.2.1.1目標函數

日前調度以運營商利益最大為優化目標，運營商利益包括購售電收益和Ⅰ類IDR費用，即：

(15)

3.2.1.2約束條件

(1)儲能備用容量約束。新能源出力的日前預測值與實際情況存在偏差，儲能作為可控單元需要考慮備用容量約束，為日內修正偏差保留一定裕量。

(16)

(2)儲能充電功率約束。DER發電商的責任是為MG負荷供電，因此儲能充電過程應避免從上級電網獲取電能。

(3)Ⅰ類IDR上下限約束。IDR資源作為可控單元應在日前計劃留有一定裕量，以彌補日內運行時儲能出力的不足。

儲能SOC約束同式(1)。

3.2.2日內調度模型

3.2.2.1目標函數

為減小日前調度與實時調度的偏差，加入日內調度環節。通過最新系統運行數據和新能源預測數據，修正后續新能源出力以及DR資源供應量。預測提前時段為4 h，時間分辨率為1 h，即提前預測后續4 h中每h的新能源出力平均值。日內調度是對日前計劃的不斷修正和刷新的過程，以運營商購電費用及Ⅱ類IDR費用最小為目標，目標函數如下：

(19)

在電力市場下，若MG日內聯絡線功率大于日前計劃，則需要在實時市場購買偏差電量，而實時市場通常提前5～15 min告知電價信息，使得日內調度無法根據最新電價信息進行調整，因此日內調度使聯絡線跟隨日前計劃調度值以保證經濟性最優。

3.2.2.2約束條件

(1)儲能充放電功率約束。儲能在日前計劃中留有備用容量，在日內調度時啟用備用容量以彌補新能源的預測偏差，約束式同式(3)。

(2)Ⅱ類IDR上下限約束。IDR在日前計劃中留有一定裕量作為日內調度的備用，日內調度修正IDR供應量時應避免超過IDR可供容量的最大值。

儲能SOC和充電功率約束同式(1)和式(17)。

3.2.3實時調度模型

3.2.3.1目標函數

(21)

3.2.3.2約束條件

(1)Ⅲ類IDR上下限約束。實時調度調用的IDR供應量應避免超過IDR可供容量的最大值。

(2)IDR偏差約束。集群空調和集群電動汽車實際削減量允許大于調度指令，但必須保證在一定偏差范圍內。

(23)

集群空調和集群電動汽車狀態決策變量約束同式(8)和式(9)。

4 算例分析

4.1 算例描述

本文采用圖1所示社區級微電網系統對所提策略進行仿真分析。該微網系統包括1.5 MW光伏、 1 MW風電、2.5 MW·h鋰電池儲能及2 MW非集群負荷，新能源及負荷功率預測值如圖4所示。

4.2 算例仿真

負荷聚集商提供集群空調和集群電動汽車可控容量預測值給運營商參與日前調度計劃。次日環境溫度預測值如表2所示，由式(4)—(6)計算出集群空調各時段可控容量，按2.2節所提策略將1 000臺空調分15組進行輪控，各組信息如表3所示。假設入網電動汽車SOC在[0.2,0.5]之間均勻分布，離網時SOC設為0.95，允許偏差δ=0.025，在00:00—16:00電動汽車可控系數服從[2,2.5]的均勻分布，在16:00—24:00服從[1.5，2]的均勻分布。根據圖5所示的電動汽車行程時間分布，由式(13)計算出各時段集群電動汽車可控容量，如表4所示。

圖4 風電、光伏和負荷各時間尺度預測值Fig.4 Forecast of wind power, photovoltaic power and load on each time scale

圖5 電動汽車最后一次行程結束時間分布Fig.5 Access time of electric vehicles

圖6 價格曲線Fig.6 Price curve

表3 集群電動汽車參數Table 3 Aggregate electric vehicle parameters

表4 集群電動汽車各時段可控容量Table 4 Controlled capacity of aggregate electric vehicle on each time interval

圖7 各時間尺度優化調度結果Fig.7 Optimal scheduling results on each time scale

本文各時間尺度模型均采用商業軟件CPLEX求解器進行求解，各時間尺度優化調度結果如圖7所示。

由圖7(a)可見，3種時間尺度的聯絡線功率曲線基本重合，其原因是在日內調度和實時調度模型中引入了聯絡線懲罰因子β，使得日內調度和實時調度中的聯絡線功率跟隨日前計劃的調度值，保證了運營商不受電力市場的偏差電量考核影響，符合運營商利益需求。

由圖7(b)和(c)可見，在14:00—16:00與19:00—20:00時段儲能日前計劃與日內調度出現了較大差異，觀察同時段的圖7(d)與圖7(e)的調度曲線發現，集群空調削減功率在14:00—16:00突然增大，而集群電動汽車則降至為0，由圖6可知這是由于該時間段集群空調DR價格比集群電動汽車DR價格和DER購電價格更低，同時DR資源在日前計劃留有1/3的備用容量，因此在日內調度時優先調用這部分資源；同理，在19:00—20:00時段，集群電動汽車DR價格比其他兩者更低，因此優先調用。在其余時段，儲能出力與日前計劃出現偏差的原因同樣是在日內調度階段啟用了儲能日前計劃的備用容量。對比儲能實時調度和日內調度曲線可以看出，實時調度曲線圍繞日內調度曲線上下波動，該環節時間尺度為15 min，主要目的是平抑超短期階段新能源與負荷的波動。

圖8 可控負荷實際響應值與指令值對比圖Fig.8 Comparison of actual response value and instruction value of controllable load

集群空調和集群電動汽車實際控制時間尺度為分鐘級，對比2種DR資源實際響應情況與實時調度指令的偏差值，如圖8所示。由圖8(a)可見，集群空調在840～ 1 020 min(14:00—17:00)時段實際響應值高于調度指令，這是因為每組空調可控容量均在200 kW以上，單位可控容量較大，無法實時滿足調度指令的零偏差響應，且為了盡可能避免出現響應不足的情況，允許響應值在一定范圍內大于指令值。在780～ 840 min(13:00—14:00)時段，調度指令為1.5 MW，接近可控容量，可調裕量較小，導致實際響應曲線波動幅度較大。由圖8(b)可見，相比于集群空調負荷，集群電動汽車由于單位可控容量僅為單臺電動汽車的充電功率，使得實際響應曲線很好地跟隨實時調度曲線。

日內調度根據最新的預測信息和系統運行狀態對日前計劃不斷修正，減少了日前計劃與實際情況的偏差。計算有日內調度環節和無日內調度環節的運營商最終收益分別為61.4美元和52.36美元，由此可知，增加日內調度環節不僅使調度結果逐步逼近實際情況，同時提高運營商收益。

5 結 論

本文提出一種計及多時間尺度需求響應資源的微電網能量優化調度策略，通過市場環境下微電網內部發電側和用戶側資源的互動，使需求響應資源參與各級調度中，實現了日前-日內-實時調度的協調優化。算例結果表明：

(1)通過采用不同時間尺度的激勵型DR，能夠使DR資源參與到微電網的多時間尺度能量管理，彌補儲能備用容量的不足；

(2)通過日內滾動修正和實時調度環節能夠減少微電網實際出力與日前計劃出力的偏差，避免運營商受外部電力市場電力電量平衡考核影響，滿足微電網運營商需求；

(3)通過對集群電動汽車和空調負荷的精確建模能夠提高調度決策的精細化程度，使調度結果更加符合實際情況。