基于云儲能的微電網多源協調優化

朱國海

(國網甘肅省電力公司金昌供電公司，甘肅 金昌 737100)

在能源互聯網的發展趨勢下，為進一步加大可再生分布式能源(distributed generation，DG)的滲透率，微電網的應用是一種有效的解決方式。DG、負荷、儲能裝置等不同組成單元為微電網的基本組成結構。作為一個具備自我控制和自我能量管理的自治系統，它既可以與外部電網并網運行，也可以孤立運行[1]。

將風、光能源運用在微網系統中，DG出力的隨機性與波動性會對電力系統運行產生沖擊[2]。儲能通過快速響應、頻繁充放電，進行短時間內對輸出功率的波動控制。文獻[3]對儲能設備蓄電池的壽命損耗模型及它在優化調度中的使用配合問題研究的不足，改進了每一次蓄電池放電損耗的數學模型，引入到日前調度優化的目標函數中的運行結果良好。考慮到通信問題，文獻[4]提出基于本地信息的控制策略，通過不依賴網絡通信技術的策略，可實現快速儲能和后備儲能之間的協調，以及微電網進入孤島過程中，微源的主動控制以及孤島模式下的自治運行。文獻[5]針對蓄電池、光伏陣列和負荷之間的多種能量供需情況，提出一種孤島運行模式下的能量管理協調控制策略，按照多種控制模式，實現光儲微電網的穩定運行。文獻[6]對多微電網互聯系統進行研究，通過配合儲能的作用，獲得儲能系統的容量配置參數，并以此實現微電網互聯運行的經濟性最優目標。

云儲能是一種基于已建成的現有電網的共享式儲能技術，使用戶可以隨時、隨地、按需實時使用，由集中式或分布式的儲能設施構成的共享儲能資源，并按照使用需求而支付服務費[7]。云儲能作為電力系統中儲能的新形式，作為共享經濟的新方式，它的出現可以為更多用戶提供蓄電服務，將云儲能運用到微電網能量協調優化中，不僅能減少微網并網運行時對電力系統運行產生的沖擊，還能夠簡化云儲能的運行方式與結構。隨著共享經濟和能源互聯網建設，云儲能技術將會是未來發展的一個重要趨勢。

本文以微電網成本作為目標函數，構建基于云儲能的微網模型，簡單介紹了云儲能基本概念和商業模式，通過分析各微源、云儲能的功率交換約束，建立基于云儲能的微網模型。在此基礎上，通過調整需求側電價的方式，來改變用戶的用能習慣，以此提高DG出力的平滑性；采用源荷互動的方法，優化需求響應層的負荷曲線，繼而運用模糊遺傳算法，對各微源的出力進行優化，保證了在分布式電源出力最大的同時，減少微電網中隨機性、波動性對電力系統的影響，達到成本最低的效益。

1 云儲能與微網模型

云儲能作為共享經濟新形式，儲能形式可以是集中式也可以分布式，因此它能與微電網結合起來，充分利用例如風、光等新能源，并且在微源的協調調度中發揮作用，比如，當風光發電短時波動時，儲能通過快速響應、頻繁充放電，進行短時間內輸出功率的波動控制。

1.1 云儲能概念

云儲能依賴于共享資源達到規模效益，云儲能技術可將原本分散在用戶側的儲能裝置集中到云端，用云端的虛擬儲能容量來代替用戶側的實體儲能[7]。在云儲能系統中，儲能無論是集中式還是分布式，都應由云儲能供應商統一管理、統一操作，用戶則通過消費獲得相應時間內的儲能服務，并按照自身需要對儲備池進行充電以及用電[8]。圖1所示為云儲能系統概念圖。

分析圖1可知，用戶買賣虛擬儲能可以此控制云端虛擬電池充放電，云儲能用戶不需承擔用戶安裝和維護儲能設備的附加成本，與實體儲能不同。由于云儲能系統建成后用戶數量龐大，而其運作需獲得一定利潤，因此，制定合理的商業模式是云儲能系統的一個重要環節。另外，決定用戶充放電需求的因素主要包括用戶(實時/峰谷)電價、用戶負荷以及用戶的分布式能源發電的大小。對于云儲能提供商而言，其實體電池的充放電運行由所有用戶的充放電需求確定[9]。

云儲能提供商為了調整用戶放電曲線中波動較為強烈的部分，不僅要采用響應速度較慢，但容量較大的蓄電池，而且要配置超級電容器、飛輪、超導磁儲能等響應速度快、輸出功率大但容量相對較小的功率型儲能裝置[10]。在微電網的應用中，該技術同樣具備協調DG隨機性出力的作用，具有良好的發展前景和潛力。

1.2 微電網模型

本文研究的微電網系統包括風電、光伏、儲能系統中各儲能設備等微源。儲能系統作用于風光發電短時波動，以控制功率的波動。微電網作為云儲能的一部分不斷給云儲能系統輸送電能，如圖2所示。云儲能系統中的儲能由微網系統中的儲能、其他微網系統中儲能或微網外儲能設備共同構成，它取代了傳統微網系統中的儲能，因此微網系統可自帶儲能組成云儲能的一部分交換功率，亦可直接從云儲能交換功率。

圖2 微電網對云儲能電能輸送簡化模型

本文目標函數以成本最小進行構建，主要包含設備的折舊成本，運行維護成本和購電成本。目標函數如下：

式中：CIN(t)為折舊成本函數；CM(t)為運行和維護成本函數；CG(t)為購電成本。

(1)折舊成本

折舊成本屬于微電網發電成本的固定成本，通常是將投資成本采用等年值法折算為單位容量成本得來，其中風機、光伏板的折舊成本都包括在內。在t時間段，微網的折舊成本為[11]：

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。ni、ri、ki值的選取參考文獻[11]。

(2)運行和維護成本[12]

式中：cm,i為第i種微源單位出力運維成本系數。

(3)購電成本

式中：CP(t)為t時段購電價，本文考慮購電價格分為峰谷平3個時段；PPgrid為t時段購電功率。

云儲能作為儲能方式之一，實時儲能量不應超過其儲能上限Qmax。微電網能量管理優化的約束條件主要有以下幾個方面，其中包括等式約束和不等式約束：

式中：NDG為DG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時刻的充電功率，為正值時表示微電網對儲能充電，為負值時表示儲能向微電網放電。

2 能量優化策略

為了充分利用新能源，達到成本最優，必然涉及到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，重要決策就是制定合理的商業模式。

依據云端傳輸過來的DG出力數據確定一個期望出力曲線，數學模型為：

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時刻出力為周期內的平均出力。

為實現出力的平滑性，避免云儲能電量達到其儲能上限，制定合理的商業模式，需引入需求響應，通過實時電價激勵用戶調節可轉移負荷，引導用戶調整用電計劃，從而保證電力安全和經濟生產。需求價格彈性反映負荷需求對價格變化的敏感程度，其表達式為：

式中：e為需求價格彈性；Rb和ΔR分別為優化前總用戶負荷以及優化后的負荷變化量；qb和Δqr分別為調整前電價和電價的調整幅度。

電價與需求側用戶負荷的關系可表示為[12]：

期望負荷率標幺值：

實時電價的電價率標幺值：

式中：K為常數；R為負荷量；R*、qr*分別為期望負荷率和實時電價的電價率；Ra為某時刻優化后的期望負荷；qref、qr分別為常規電價(常數)和優化后的實時電價。

實時電價滿足約束如下[13]：

式中：qrmax和qrmin為實時電價的上下限約束。

調度部門結合實時電價與DG的關系制定合理的云儲能購售電電價，激勵用戶適時進行充放電，可達到對可轉移負荷時序調整的預期效果。

3 模糊遺傳算法

由于遺傳算法(genetic algorithm，GA)的遺傳操作，相關參數，如交叉率的選擇不合理且不隨進化過程自適應改變，會導致計算收斂速度低、收斂過早等一系列問題，本文采用模糊遺傳算法(fuzzy genetic algorithm，FGA)對微電網各微源進行分析計算。一方面，FGA算法用模糊遺傳的語言對GA算法現有的知識和經驗進行了描述，用于在線控制遺傳操作和參數設置，得到動態遺傳算法；另一方面，借鑒模糊邏輯及模糊集合運算的思想，得到模糊編碼和相應模糊遺傳操作，進而達到改進遺傳算法的目的。

模糊遺傳算法的大致流程如圖3所示。

4 算例仿真

4.1 基本數據

為了驗證該方案的有效性，本節以智能電網實驗室交流微電網為研究對象進行了仿真驗算。

圖3 模糊遺傳算法流程圖

在網絡中，風機上限設置在10 kW，光伏上限為10 kW，與儲能的交換功率上限為20 kW，下限為－20 kW，需求響應的切出值和入限值均為5 kW。圖4和圖5為風機和光伏出力預測數據。

圖4 風機出力預測

圖5 光伏出力預測

負荷預測結果及需求側負荷優化之后的結果如圖6所示。

圖6 負荷優化結果

根據初始負荷和優化后負荷得到期望負荷率，進而求得實時電價如圖7，圖中的電價為所得區間的合理取值。

由以上分析可知，優化后，用戶在負荷低谷時期加大負荷，高峰時減少負荷，同時，云儲能的用戶可選擇電價高的時候放電，電價低的時候充電，供應商在此基礎上實現云儲能調度以及經濟收益最優的目的。

圖7 負荷率、電價率和實時電價

4.2 方案對比

為驗證云儲能方案的有效性，本文首先搭建了傳統模式的微網運行，即含儲能系統、風機、光伏且與大電網并網的運行模式進行仿真參照，與本文提出的云儲能微網方案進行比較，結果如表1所示。

表1為基于云儲能微電網的特點，從該表可以看出，云儲能系統的應用極大程度簡化了微網調度模型。為驗證該方案對DG利用率以及成本的影響，本文給出兩種不同的對比方案：方案1是傳統微電網調度優化；方案2是云儲能的微電網調度優化。

表1 模型對比

兩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 元

對比表2可得方案2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指標。圖8所示為不同方案下，清潔能源的優化出力。

圖8 不同方案優化曲線

由圖8可知，方案2的云儲能微電網調度優化方案功率輸出最大，功率峰值為9.98 kW，方案1最小，峰值為9.76 kW。故基于云儲能系統的清潔能源利用率顯然高于直接調度的利用率。對于多微網互聯的模式，因各微網與云儲能交換功率，依舊與單個微網功率傳輸模式相同，在此不作具體討論。

5 結論

本文提出了一種基于云儲能的微電網多源協調模型調度方案。在模型的構建以及優化的算法上，綜合以上研究仿真分析可得，本文基于云儲能系統結合需求響應的微電網優化方案，提高了DG出力的平滑性，采用源荷互動的方法，優化需求響應層的負荷曲線，并運用模糊遺傳算法，對各微源的出力值進行優化，保證了分布式電源出力最大的同時，減少微電網中隨機性、波動性對電力系統的影響，達到了總成本最低、DG利用率最優的目標，驗證了本文提出的模型方案的有效性。下一步考慮將需求響應與云儲能的商業模式相結合，與微電網運行成本協同分析，得到更加完善的解決方案。