微電網多源協調優化的研究與應用

鄒家惠，周步祥，張致強

（1.四川大學電氣工程學院，成都 610065；2.中國核動力研究設計院核反應堆系統設計技術國家重點實驗室，成都 610041）

微電網是一個具備自我控制和自我能量管理的自治系統，既可以與外部電網并網運行，也可以孤立運行[1]。微電網包括可調度單元、能源存儲系統和需求側管理系統[2]，這幾個部分可以推動小型風力渦輪機等不可預測的、高度間歇性的可再生能源的有效使用。

為解決微電網并網和孤島運行時的新能源的充分優化利用問題，文獻[3]針對交流孤島微電網存在的電能質量不均衡和功率分配不均的問題，提出了一種基于分散模型預測控制MPC（model predic?tive control）的一級和二級分層控制方案，用以調節孤島運行時微網節點電壓和頻率。文獻[4]構思出一種PQ控制策略，應用于電壓控制型逆變器，使得下垂特性與該策略結合之后，能對微網做出一次調壓調頻，優化電力系統與分布式發電之間運行的優化。文獻[5-7]考慮到蓄電池的運行問題，對孤島、并網的投切問題，光伏陣列、蓄電池和負荷之間的多種能量供需問題，協調儲能系統的容量配置問題，在滿足蓄電池荷電狀態的條件及最大化蓄電池使用壽命情況下進行了討論。

為了讓DG出力最優，且不影響電網的正常、穩定運行，文獻[8]提出一種微網能量協調優化策略，即基于預測框架方法，在特定的微網模型基礎上對預測時域內每個時刻的控制量進行滾動最優求解，因此需建立預測的滾動時域優化控制框架。文獻[9]結合風、光、水、儲能系統，將蓄水儲能與新能源發電相結合，然后通過算法計算出能源協調最優。以上兩篇文章提出的方法合理有效，但采用的微網結構相對簡單，且若與泛在電力物聯網相結合，數據通過邊緣計算就地處理后再整體優化，可能最終結果更優。

針對以上問題，本文在充分構建的泛在電力物聯網下，提出了微網多源模型。以成本最優為主要目標函數，根據各微源、聯絡線、蓄電池的功率交換約束建立約束條件，然后對終端進行兩級優化，第一級通過物聯網各終端數據互相傳輸得到的信息，了解各終端功率需求、傳輸情況，繼而在邊緣節點對儲能、負荷和微源出力調整，以充分調動DG利用，第二級則通過對負荷優化提高出力平滑性。在建立微網的數學模型后將結果上傳到微網能量管理系統EMS（energy management system），運用模糊遺傳算法得到微源出力最優解，并將結果傳輸下去。

1 微網層能量優化管理模型

本文研究的微電網系統中包括風電、光伏、儲能系統、微燃機等微源。儲能系統和微燃機相互配合，在負荷高峰或DG不足時期給負荷供電，負荷低谷或DG大于負荷所需電能時期對儲能系統充電，以滿足下一輪的使用。圖1為泛在電力物聯網環境下微電網信息傳輸模型，微網中每一個元件的信息都相互流通，它與傳統智能電網相比的優點在于，數據和信息可以就地分析。

圖1 微網信息傳輸模型Fig.1 Information transmission model of micro-grid

1.1 目標函數

本文以成本F最小為目標函數，即

式中：CIN(t)為折舊成本；CM(t)為運行和維護成本；CD(t)為可中斷負荷產生的成本；CE(t)為環境效益成本；CG(t)為購、售電成本。

（1）折舊成本屬于微電網發電成本的固定成本，其中風機、光伏板、微燃機、儲能系統的折舊成本都包括在內。在t時間段，微網的折舊成本為[10]

式中：n為微源數量；Pi(t)為微源在t時刻的輸出功率；ni為投資償還期；ri為第i種微源的固定年利率；Cin,i為單位容量建設成本；ki為年利用系數。

（2）運行和維護成本包含燃料成本和維護成本，其中運行成本主要為微燃機的燃料成本[11]，其表達式為

式中，cm,i為第i種微源單位出力運維成本系數。

（3）可中斷負荷帶來的負荷補償金問題也是總成本的一部分[12]，即

式中：h為可中斷負荷數量；I1i(t)為0、1整數變量，為0時為可中斷負荷k在t時刻內切除，為1時為可中斷負荷k在時段t內運行；C1i為可中斷負荷k單位時段內的中斷補償金額，各可中斷負荷的中斷補償價格因負荷的重要程度而異；Δt為時間間隔，取1 h。

（4）環境效益成本主要包括環境價值損失和排污所受罰款[13]，其表達式為

式中：m為污染物種類；Qij為第i種DG輸出單位電量時第j類污染物的排放量，g∕（kW·h）；為第j類污染物的環境價值；Vj為第j類污染物的罰款系數。

（5）購、售電成本[14]為

式中：CP(t)為t時段購電價；CS(t)為t時段售電價，本文考慮售電和購電價格各分為峰、谷、平3個時段；PPgrid為t時段購電功率；PSgrid為t時段售電功率。

說明：IPgrid(t)=ISgrid(t)=0，既不售電也不購電；IPgrid(t)=1,ISgrid(t)=0，購電；IPgrid(t)=0,ISgrid(t)=1，售電。

1.2 約束條件

微電網能量管理優化的約束條件分以下幾方面，包括等式約束和不等式約束：

（1）有功平衡約束。

式中：NDG為DG和微燃機的數量；PGi(t)為第i臺微源在t時刻的出力；Pbat(t)為儲能在t時刻的充放電功率，為正值時為儲能向微電網放電，為負值時為微電網對儲能充電；Pload(t)為t時刻的系統負荷需求功率。

（2）聯絡線功率約束。

購售電情況約束主要為：購電和售電只能有一種情況的存在，或者不購電也不售電，因此

購電和售電的功率上、下限約束如下：

（3）儲能系統運行約束。

為了防止過度充放電對儲能系統造成損害，儲能系統荷電狀態SOC（state of charge）值需在最大、最小的荷電量之間，即

式中，SOC(t)為t時刻蓄電池的荷電量，SOCmax、SOCmin分別為其最大、最小值。

t時刻系統中蓄電池剩余儲能容量EB(t)需滿足不超過其限值，即

且蓄電池的充放電功率要滿足

式中：Pbat.e為蓄電池充放電功率額定值；ηdd為雙向DC-DC變換器效率；Pdde為雙向DC-DC變換器額定功率。

（4）微燃機功率約束。

微燃機應滿足t時刻輸出功率在一定區間范圍內

式中，PGC(t)為微燃機在t時刻的出力，PGCmin、PGCmax分別為其出力的下限和上限。

（5）可中斷負荷約束[15]。

式中，T1k為可中斷負荷k在一天內可中斷的時長總和的最大值。

2 微電網分層分布式能量優化策略

為了充分利用新能源，除成本優化以外，即考慮經濟最優化的函數，還應對終端進行優化，讓DG能夠在微電網發揮最大效用的同時，保證微網系統運行的穩定性。為此，優化采用邊緣計算（edge computing）的方法，并分成兩級，第一級根據約束條件以及邊緣計算，調整微源出力，提高DG利用率；第二級建立在第一級的基礎上，因必然涉及分布式能源間歇性出力帶來的系統電壓、頻率不穩等問題，因此要提高DG出力的平滑性。

微網功率交換及信息交換如圖2所示，實線表示功率交換，虛線表示信息交換。從圖2中可以看出各節點信息相互聯通。

圖2 交流微電網系統拓撲結構Fig.2 Topology of AC micro-grid system

2.1 一級優化

DG開發成本較高，傳統的經濟優化策略雖然能降低成本，但DG達不到優先調度權且不能充分利用，因此提出一級優化，并結合邊緣計算。該方法主要與其最近的鄰節點通信，以了解他們可以提供何種幫助并作出決策[15]。

圖3為邊緣計算在微網中的應用模型，終端設備貢獻節點用于邊緣計算，能夠實時感知和處理。物聯網設備將收集到的數據發送到本地可用的邊緣服務器進行處理。這些設備通過無線網絡技術（如WiFi和3G、4G和5G）或有線技術（如以太網）與邊緣計算平臺通信[16]。

根據邊緣計算與其最鄰近的節點通信的特點，一級優化只根據鄰近節點傳輸的信息，達到DG利用率最大的特點，構建的數學模型為

圖3 微網邊緣計算的應用Fig.3 Application of edge computing to micro-grid

式中：PL,1(t)為一級優化后t時刻的等效負荷，PGv(t)為t時刻的光伏出力，PGw(t)為t時刻的風機出力。

一級優化需要依據電網層所提供的用戶側負荷需求預測數據，DG出力的預測數據，對DG的實際出力及儲能系統實時儲能情況進行調整，實現源荷互動消納。具體流程如圖4所示，將得到的最優結果應用于下一級優化中。

圖4 一級優化流程Fig.4 Flow chart of primary optimization

圖4中，ε為一固定值，這里取10-2。

邊緣計算用于一級優化，風、光、儲能、微燃機及負荷間數據相互傳輸，當微源了解負荷需求之后，立即作出功率傳輸決策，其中風、光、儲能和微燃機之間功率的協調配合，通過邊緣計算作出優化決策，即儲能充電或發出功率、微燃機出力、DG出力大小之間的協調，提高DG利用率。

用戶側需求和DG預測出力數據得到后，首先通過約束條件確定的范圍，對該數據進行合理取值。其次則實現DG出力最大，運用邊緣計算，對各終端設備計算初步優化值，繼而結合式（16）計算光伏、風機出力與負荷需求差的最小值，得到結果后繼續判定，直到DG出力最大。最后將輸出的值用于二級優化。

2.2 二級優化

由于儲能系統和微燃機的主要作用在于削峰填谷，即DG出力不足的時候，大電網、儲能系統和微燃機相互配合發電以供給用戶，DG發出的功率大于用戶需求量時，可以將多余的能量存儲在蓄電池中。但這樣做往往會帶來一個問題，由于DG的出力尤其是風機出力具有間歇性，而微燃機可以對于能量的輸入輸出做出實時的調整，這樣就可能會讓微燃機處于出力過多、過少甚至經常啟停機的狀況，不利于網絡的安全和發電機組的經濟性，因此提出二級優化。依據電網傳輸過來的調度數據確定一個期望供給曲線PES(t)，數學模型為

式中，PL,2(t)為二級優化后的等效負荷。

平穩性指標表達式為

式中：rstable為平穩性指標；PCG(t)為第i種可控微源在t時刻的出力；PˉCG為周期內的平均出力。

以上兩個階段均需要通過分時電價激勵用戶，以調節和引導電力負荷的不同時段的使用，這樣有利于電力安全性和經濟性。

2.3 優化算法

由于遺傳算法遺傳操作及相關參數（例如交叉率）的選擇不合理或不隨進化過程自適應地改變會導致收斂速度低、過早收斂等一系列的問題，因此本文采用模糊遺傳算法FGA（fuzzy genetic al?gorithm）對微電網各微源進行分析計算。模糊遺傳算法意思是將模糊邏輯的理論用于遺傳算法，例如當部分信息模糊、不明確的時候，就可以用模糊理論來處理這些信息。模糊遺傳算法的流程如圖5所示。

圖5 模糊遺傳算法流程Fig.5 Flow chart of FGA

3 仿真驗算

3.1 數據采集

為驗證該方案在泛在電力物聯網環境下的有效性，本節以交流微電網智能電網實驗室為研究對象，進行仿真驗算。圖2中L1、L2、L3為3種可中斷負荷，Lc1、Lc2、Lc3為固定負荷。

在網絡中，分時電價數據如下：峰時段（10：00—15：00，18：00—22：00）為1.055元∕（kW·h）；平時段（6：00—10：00，15：00—18：00）為0.633元∕（kW·h）；谷時段（22：00—6：00）為0.291元∕（kW·h）。微燃機的上限為8 kW，為性能著想，下限設置在1 kW，風機上限設置在10 kW，光伏上限為10 kW，儲能系統上限為8 kW，下限為-8 kW。圖6～圖9為物聯網中傳輸過來的固定負荷、可中斷負荷、風機和光伏出力預測數據。

可中斷負荷數據見表1。

圖6 固定負荷出力Fig.6 Output from fixed load

圖7 可中斷負荷出力Fig.7 Output from interruptible load

圖8 風機出力預測Fig.8 Prediction of output from wind turbine

圖9 光伏出力預測Fig.9 Prediction of photovoltaic output

表1 可中斷負荷數據Tab.1 Data of interruptible load

3.2 方案對比

為了驗證方案的有效性，本文給出了3種不同的對比方案：

方案1，只有微網層的優化；

方案2，只含邊緣計算的一級優化和微網層的優化；

方案3，含邊緣計算與分時電價結合的雙層優化，以及微網層的優化。

3種方案各指標對比的仿真分析如下

（1）各方案成本。各方案優化成本如表2所示。

表2 各方案優化成本Tab.2 Optimized cost in each case元

對比表2中所列3種方案的經濟成本，方案3成本最低，經濟性最好。

（2）清潔能源利用率。一級優化要實現清潔能源最大限度的利用，故清潔能源利用率是一個重要的指標，圖10所示為不同方案下，清潔能源的優化出力。

圖10 不同方案優化曲線Fig.10 Optimization curves in different cases

由圖可知，方案3的功率輸出最大，方案2其次，方案1最小，因此方案3的清潔能源利用率顯然高于方案1的利用率。

（3）可控微源出力平穩性。平穩性指標越小表示可控微源出力波動越小。各方案優化指標結果如表3所示。

表3 微燃機平穩性指標Tab.3 Output stability index for micro gas turbine%

根據表3數據得出，方案3的平穩性指標比方案1和方案2小，因此出力波動越小，越平穩。

綜合以上3種方案對比可知，邊緣計算和分時電價結合的雙層優化與微網層的優化結合之后的方案3，達到了成本、DG利用率、平穩性最優，因此本文提出的模型有效。

4 結論

本文提出在泛在電力物聯網環境下的微電網多源協調，并且結合了邊緣計算的微源、儲能及負荷的兩級優化。大大減輕了優化的工作量，主要體現在以下幾個方面：

（1）通過邊緣計算，將收集到的數據就地分析，再傳輸到云端分析可以最大程度地最優化各微源和負荷的傳輸；

（2）由于泛在電力物聯網環境下，不僅僅只有電網內部的信息互聯，還有電網外部例如氣象部門的信息可以實時傳輸，能夠得到最新的風、光等新能源實時出力預測數據。

通過本文的優化結果表明，所采取的方案可以應用于泛在電力物聯網。本文還存在不足之處在于，文章主要是研究能源協調優化問題在微網并網時的情況，并與泛在電力物聯網相結合，但結合不夠緊密，只在邊緣計算部分有所體現，若加強二者聯系，將具有重大意義。