考慮需求側靈活性資源的商業園區微網多目標優化調度

王俊翔，李華強，鄧靖微，謝康勝，安楊

(1.智能電網四川省重點實驗室(四川大學)，成都市 610065；2.國網四川省電力公司檢修公司，成都市 610042)

0 引 言

隨著能源短缺與環境污染問題日益加劇，微電網作為可再生能源接入的有效載體得到大力發展[1-2]。其中，商業園區微網(business park microgrid，BPMG)因其能夠促進可再生能源就地消納、實現大量電動汽車(electric vehicle，EV)和變頻空調(inverter air conditioner，IAC)等柔性負荷友好接入而受到廣泛關注[3-4]。由于BPMG源、荷兩側存在多類可控單元，如何對其進行優化調度成為學術界研究的重點問題。

目前，已有部分文獻對BPMG優化調度進行研究并取得了一定的成果。文獻[5-6]考慮價格型需求響應帶來的經濟效益，建立以運行成本最小為目標的商業園區優化調度模型。文獻[7-8]提出了考慮商業園區儲能系統削峰填谷的優化策略。上述研究均基于預測值進行優化求解，未考慮BPMG系統源、荷兩側功率隨機波動對優化調度的影響。隨著大量光伏和風電等可再生能源接入，可再生能源出力的波動性和不確定性導致系統靈活性不足，棄光、棄風以及切負荷風險大幅上升[9]；同時EV和IAC在BPMG內大規模使用，其不可調度的無序用電行為進一步擴大了系統的靈活性缺額。因此，有必要在優化調度過程中合理調配各類靈活性資源，保證系統靈活性供需匹配[10-11]。對此，文獻[12]從能量允許波動率的角度提出靈活性評價指標，并結合系統運行經濟性，構建多目標優化調度模型。文獻[13]采用日前和日內滾動優化方式，在日內調度中調整滿足靈活性要求的分布式資源的啟停狀態，以總運行成本最小為目標，制定獨立微網優化調度方案。文獻[14]提出了一種利用儲能的靈活性供給應對短時間光伏與負荷波動的能量管理方法。文獻[15]從孤島微電網的運行靈活性出發，分析了可平移負荷對孤島微電網靈活性的影響，但其需求響應策略由決策者主觀制定，無法得到柔性負荷參與下的最優調度方案。綜上所述，現有研究涉及的靈活性資源種類不夠全面，未考慮將微網中廣泛存在EV和IAC作為靈活性資源參與優化調度。

針對以上問題，本文提出一種考慮EV和IAC作為需求側靈活性資源的BPMG多目標優化調度方法。首先，基于EV和IAC的需求響應模型，量化BPMG需求側靈活性資源提供的靈活性供給，結合源側固有靈活性資源和靈活性需求，提出系統靈活性不足嚴重度指標，對系統運行靈活性供需失衡的嚴重程度進行定量評估。然后，以綜合運行成本最低和系統平均靈活性不足嚴重度最小為目標，考慮源、荷兩側各類靈活性資源運行約束，建立BPMG日前優化調度模型。最后，通過算例仿真求解BPMG最優調度方案并驗證本文所提模型的合理性和有效性。

1 BPMG系統結構

本文研究的BPMG系統架構如圖1所示，BPMG系統內部由光伏、風電、可控分布式電源(controllable distributed generator, CDG)和儲能系統(energy storage system，ESS)向基礎負荷、EV負荷和IAC負荷供電，并與上級電網通過聯絡線進行能量交互，確保系統功率平衡。

但是，大量光伏、風電接入的BPMG系統制定優化調度方案時，需在滿足系統功率平衡的基礎上，進一步考慮靈活性供需平衡。從靈活性供給與靈活性需求的角度出發，圖1中的CDG、ESS和BPMG與上級電網之間的聯絡線屬于源側固有靈活性資源。EV和IAC由其需求響應情況決定靈活性供需屬性。參與需求響應的EV和IAC具有可調度性，作為需求側靈活性資源參與BPMG優化調度；未參與需求響應的EV和IAC不可調度，與具有波動性和不確定性的光伏、風電和基礎負荷共同作為靈活性需求。因此，下文將依據圖2所示模型框架對本文進行建模。

圖1 BPMG系統結構圖Fig.1 Structure diagram of the BPMG

圖2 考慮需求側靈活性資源的商業園區微網優化調度框架圖Fig.2 Structure diagram of BPMG optimal scheduling considering demand-side flexible resources

2 BPMG的靈活性資源和需求模型

2.1 BPMG需求側靈活性資源

本文建立激勵型需求響應模型，引導EV和IAC作為需求側靈活性資源參與BPMG優化調度。考慮到需求響應影響用戶使用體驗，因此，設計用戶體驗度指標作為調度模型的約束條件。

2.1.1計及用戶體驗度的EV需求響應模型

1)單輛EV調度模型。

單輛EV接入后，其荷電狀態變化如下式所示：

(1)

根據式(1)，可以得到如圖3所示的單輛EV并網期間能量狀態與調度功率變化關系。圖3中：Eev,ar和Eev,ex分別表示EV并網時的荷電狀態和離網時的用戶期望荷電狀態；Eev,max和Eev,min分別為EV荷電狀態的最大值和最小值；ts和te分別為EV的并網時刻和離網時刻；Pevc,r、Pevdc,r分別為EV的標準充電、放電循環功率；Pevc,max、Pevdc,max分別為EV的充電、放電極限功率。

圖3 單輛EV能量狀態與調度功率變化關系Fig.3 The relationship between energy state and operating power of a single EV

2)EV用戶體驗度。

上述模型未計及電池損耗對用戶使用體驗的影響。因此本文將過標準充放電率和放電次數作為EV用戶體驗度指標。

考慮到超過標準充放電循環功率的充電、放電狀態對電池壽命造成影響[16]，本文將過標準充放電率定義為：EV調度過程中超過標準充放電循環功率的充電和放電電量(即圖3紅色實線對應的EV調度方案中，紅色陰影區域所代表的充放電量之和)占用戶充電需求電量比例的加權均值。綜上所述，過標準充放電率IBL可表示為：

(2)

其中，

(3)

(4)

EV調度過程頻繁改變電池充放電狀態會對其使用壽命造成影響，本文放電次數模型參考文獻[17]，不做贅述。

3)EV分群響應模型。

商業園區內包含多輛EV，因而本文以并網時荷電狀態Eev,ar為分群判別指標，建立EV分群響應模型，并結合能量緩沖一致性算法，實現子群內單輛EV功率再分配，該算法參考文獻[18]。

(5)

2.1.2計及用戶體驗度的IAC需求響應模型

1)單臺IAC調度模型。

本文采用線性模型表達IAC制冷(熱)量Qiac與運行功率Piac的函數關系[19]。

Piac=kQiac+b

(6)

式中：k、b為一次函數的系數。

空調房間的室內溫度Tin與制冷(熱)量Qiac的函數關系由文獻[20]中簡化的等效熱參數模型描述。

2)IAC用戶體驗度。

本文采用熱感覺平均標度預測(predicted mean vote，PMV)指標IPMV表征IAC用戶的使用體驗。該指標計算方法如下[21]：

(7)

3)IAC分群響應模型。

本文以運行時段作為IAC分群判別指標，將其分為日間運行型和全天運行型兩組，并建立IAC分群響應模型。

(8)

2.1.3EV和IAC的靈活性供給

基于上述EV和IAC需求響應模型，本文考慮EV和IAC作為需求側靈活性資源對系統單向靈活性爬坡能力的提升作用，進而實現上、下調靈活性資源的合理分配。其上、下調靈活性供給模型如下：

(9)

2.2 BPMG源側固有靈活性資源

(10)

(11)

(12)

2.3 BPMG靈活性需求

BPMG的靈活性需求由凈負荷波動量與凈負荷預測誤差兩部分組成[9]，如式(13)所示：

(13)

其中，

(14)

2.4 BPMG運行靈活性評價指標

(15)

其中，

(16)

3 BPMG日前優化調度模型

3.1 目標函數

BPMG日前優化調度模型的目標函數如下：

1)綜合運行成本f1。

BPMG綜合運行成本由運行管理成本Com、燃料成本Cf、污染物治理成本Ce、BPMG與上級電網的能量交互成本Ctl和需求響應補償成本Cre組成，具體如下：

f1=Com+Cf+Ce+Ctl+Cre

(17)

其中，

(18)

(19)

(20)

(21)

(22)

2)平均靈活性不足嚴重度f2。

(23)

3.2 約束條件

BPMG日前優化調度模型的約束條件如下：

1)BPMG功率平衡約束。

(24)

2)CDG出力約束。

CDG出力約束主要包括出力上下限約束和爬坡約束：

(25)

(26)

3)ESS功率與荷電狀態約束。

ESS功率與荷電狀態約束主要包括時序運行約束、充放電功率與狀態約束、荷電狀態上下限約束和荷電狀態連續性約束：

(27)

(28)

(29)

(30)

(31)

(32)

4)聯絡線交互功率約束。

聯絡線交互功率約束主要包括購售電功率與狀態約束和交互功率波動約束：

(33)

(34)

(35)

(36)

5)EV約束。

EV約束主要涉及到EV需求響應參與度約束、充放電功率與狀態約束、荷電狀態上下限約束和離網電量約束。

(37)

(38)

(39)

(40)

6)IAC約束。

IAC約束主要涉及到IAC需求響應參與度約束、運行功率約束和全天運行型IAC的室內溫度循環約束：

(41)

(42)

(43)

(44)

7)EV與IAC用戶體驗度約束。

IBL≤IBL,max

(45)

Dev≤1

(46)

|IPMV|≤IPMV,max

(47)

式中：IBL,max為用戶可接受的過標準充放電率最大值，本文取其值為20%，對于沒有充電需求的用戶，IBL,max=0；Dev為EV放電次數；IPMV,max為PMV指標最大值，ISO7730[22]推薦PMV的取值在-0.5與0.5之間。

3.3 多目標優化模型求解方法

本文采用min-max標準化的方法將各個優化目標歸一化，并使用線性加權求和法賦予各優化目標權重系數，將多目標優化問題轉化為單目標優化問題：

(48)

minF=ω1F1+ω2F2

(49)

式中：Fi為第i個目標函數的歸一化值；fi為第i個目標函數的值；fimax和fimin分別為第i個目標函數的最大值和最小值；ω1和ω2為目標的權重系數，本文令ω1=ω2=0.5。

本文優化調度模型的決策變量集合為

該優化模型為0-1混合整數線性規劃問題，使用MATLAB R2015a平臺中的YALMIP優化工具箱，調用CPLEX12.9求解器進行求解。

4 算例分析

4.1 算例介紹

4.2 算例結果分析

本文設置以下2種需求響應參與模式對調度結果進行對比分析。

模式1：所有EV與IAC用戶均不參與需求響應，僅考慮源側固有靈活性資源的優化調度，并采用本文提出的多目標優化模型。

模式2：所有EV與IAC用戶均參與需求響應，同時考慮源側固有靈活性資源與需求側靈活性資源的優化調度，并采用本文提出的多目標優化模型。

4.2.1不同模式下優化調度結果對比分析

在上述2種模式下，仿真得到的各項運行成本和平均靈活性不足嚴重度指標如表1所示，BPMG功率平衡圖如圖4所示。

由表1可知，模式1中EV與IAC用戶的無序用電行為導致系統靈活性需求劇增，系統源側固有靈活性供給不足以滿足靈活性需求，平均靈活性不足嚴重度較高。模式2以一定的經濟成本為代價，引導EV與IAC平抑凈負荷波動，有效地降低了平均靈活性不足嚴重度。由此可知，模式2能夠更好地適應源荷兩側功率隨機波動。

圖4 兩種模式下的功率平衡圖Fig.4 Power balance in two modes

表1 兩種模式下調度結果對比Table 1 Comparison of operation results in two modes

由圖4可以看出，與模式1相比，模式2中EV與IAC的運行功率在09：00—14：00時段內上升，CDG出力隨之上升。并且EV在16：00—18：00時段內放電，減少了聯絡線購電功率，使得18：30—21：00時段內CDG能夠增加出力向上級電網售電。因此，模式2能量交互成本有所下降，但運維、燃料、污染物治理以及需求響應補償成本明顯增大，導致綜合運行成本增大。

4.2.2需求側靈活性資源對BPMG運行靈活性的影響分析

為驗證需求側靈活性資源對BPMG運行靈活性的影響，對比分析2種模式下靈活性不足嚴重度時序分布情況，如圖5所示。

圖5 兩種模式中BPMG靈活性不足嚴重度時序分布Fig.5 Time series distribution of BPMG flexibility insufficient severity in two modes

從圖5可以看出：模式1中，上午時段EV和IAC的無序用電行為導致靈活性不足嚴重度較大。因此，模式2中系統激勵EV、IAC的運行功率需求從上午時段轉移至中午時段，在緩解系統07：00—09：00時段靈活性資源爬坡壓力的同時，補充09：00—12：00時段系統靈活性爬坡能力，顯著地降低了該時段內的靈活性不足嚴重度。同理，在下午13：30—15：30和17：00—19：00時段內，系統缺少向上和向下靈活性爬坡能力，此時參與需求響應的EV和IAC在該時段內的總運行功率先減小后增大，以適應系統內光伏、負荷先后降低引起的凈負荷劇烈波動，有效地提升了系統運行靈活性。

4.2.3靈敏度分析

為進一步驗證所提模型對仿真參數變化的適應性，本文選取模式2對EV和IAC用戶需求響應比例、用戶體驗度約束兩個方面進行靈敏度分析。

1)EV和IAC用戶需求響應比例。

考慮到實際情況中并非所有EV與IAC用戶均有意愿參與需求響應，設置不同的用戶需求響應比例進行優化求解，調度結果如圖6所示。從圖6可以看出，隨著用戶需求響應比例的增大，BPMG可調度的需求側靈活性資源增多，平均靈活性不足嚴重度降低，同時系統需要支付更多的需求響應補償成本，綜合運行成本提高。

圖6 不同用戶需求響應比例下的調度結果Fig.6 Operation results under different demand-response ratios

2)用戶體驗度。

基于上面的研究結果，分別選取用戶需求響應比例為20%、40%、60%、80%和100%的5種場景，討論用戶體驗度約束對BPMG優化調度的影響，得到的結果如附錄表B1所示。

隨著用戶體驗度約束趨于嚴格，不同需求響應比例下，系統平均靈活性不足嚴重度均增大，綜合運行成本均有所降低。其中，EV放電次數約束對優化調度結果影響較大，這是因為禁止EV放電行為限制了16：30—18：30時段內EV靈活性供給能力，同時需求響應補償成本減少，綜合運行成本明顯降低。

5 結 論

針對大規模可再生能源、EV和IAC接入給BPMG經濟靈活運行帶來的新難題，本文綜合考慮源、荷兩側的靈活性資源，基于靈活性供需匹配程度提出靈活性不足嚴重度指標，并建立兼顧運行經濟性和靈活性的BPMG多目標優化調度模型。通過算例分析得出如下結論：

1)EV和IAC作為需求側靈活性資源參與BPMG優化調度，能夠以一定的經濟成本為代價，為系統補充靈活性爬坡能力，有效降低系統的靈活性供需失衡程度。

2)BPMG調度機構在制定調度計劃階段應綜合考慮系統運行經濟性、靈活性和用戶體驗，進行簽約用戶數量的精細化考量。

在園區互聯的電網發展趨勢下，如何依據需求側靈活性資源的時空分布特性，在園區之間優化調配各類靈活性資源，提升系統整體的運行靈活性，將成為后續研究工作的重點。