基于協同約束進化算法的智能園區需求響應調度策略

張 聰, 陳 利, 胡茂凌, 朱穎驍, 李 翊, 陶競立

(四川中煙工業有限責任公司, 四川 成都 610016)

0 引 言

隨著電動汽車的普及[1]和用戶用電需求的增加[2],傳統的園區配電網絡無法滿足用戶多種用能需求[3],智能園區越來越受到關注[4]。智能園區以高級量測體系(Advanced Metering Infrastructure,AMI)技術為支撐,綜合多種智能用電控制設備,可以實現電能、信息和業務雙向交互,能夠有效促進新能源的消納,并為用戶提供多種增值服務[5]。需求響應(Demand Response,DR)作為智能園區的重要組成部分,可以通過能量管理控制器(Energy Management Center,EMC),引導電力用戶參與到電網的互動中,可以有效降低負荷的峰谷差,減緩電網投資,保障電網的安全可靠運行[6-7]。

針對智能園區中的需求響應調度策略,國內外學者做了大量的研究。文獻[8]把DR和儲能系統引入到含風電的系統優化調度中,解決風電功率不確定性對系統穩定運行帶來的影響。文獻[9]提出了一種計及需求響應的旋轉備用優化配置策略,以調度成本和備用成本最小為目標函數建立了優化組合模型,促進風電消納。文獻[10]利用基于ErLang開發的高并發實時數據采集平臺和優化經濟運行算法模型,開展智能園區充電優化控制研究。文獻[11]提出了一種分布式的電動汽車有序充放電管理策略,由充電樁自主決策有序充放電計劃,不用借助集中式通信系統實時監測和控制,適用于對大規模電動汽車的分布式管理。文獻[12]建立了與用戶互動的分布式儲能多目標優化運行模型。文獻[13]研究了微電網中儲能的配置優化問題,降低微電網的運營成本。文獻[14]面對工商業用戶,通過制定不同的電力套餐,構建基于成本-效益分析的用戶套餐選擇模型。文獻[15]結合用戶的用電滿意度,以用戶用電成本以及系統負荷波動最小為目標,構建了兩階段的用戶DR模型。

文獻[8]和文獻[9]針對發電側,文獻[10]和文獻[11]針對電動汽車,文獻[12]和文獻[13]針對儲能,文獻[14]和文獻[15]針對用戶側深入進行了研究。但是目前針對DR及源-儲-荷綜合優化調度的研究尚比較少,需要進一步進行研究。

本文以智能園區為研究對象,針對包含電動汽車、儲能、光伏等分布式能源的用電場景,以系統總運行費用最低為目標函數,考慮電動汽車、儲能等約束條件,利用協同約束進化算法進行求解,并與多種群協同凈化遺傳算法進行對比,最后借助算例分析優化模型和求解策略的有效性。

1 智能園區場景分析

典型智能園區用電場景如圖1所示。智能園區用戶的負荷可以分為以下幾類[16]:① 基本負荷,是指用戶在日常生活中必需的負荷,不能進行轉移和調度,例如照明負荷;② 可轉移負荷,是指擁有一定的時間彈性,在短時間內增加或減少負荷不會影響用戶的使用體驗的負荷,例如空調、熱水器;③ 電動汽車負荷,是指電動汽車在充電過程中所消耗的負荷;④ 儲能裝置負荷,是指儲能在充電的過程中所消耗的電能。此外,在智能園區內,還含有光伏發電裝置。光伏產生的電能一方面可以滿足用戶的日常用電需求,另一方面在電能有剩余時也可以送入電網或者存儲在儲能裝置中。光伏和儲能裝置一起構成分布式電源系統,參與智能園區內的能量優化和調度。

智能園區內每個區域都裝配有智能電表和用電管理終端,可以根據用戶的用能意愿更改對用戶負荷設備的控制程度,實現用戶和電網的雙向互動,引導用戶參與需求響應調度。本文中智能園區全部由同一售電公司供電,不考慮存在多家售電公司共同參與售電的場景。在計算電動汽車的充電功率時,本文選擇恒功率充電方式,因為荷電狀態(State of Charge,SOC)主要階段在恒流充電階段增加[17]。

圖1 典型智能園區用電場景

2 智能園區負荷調度模型構建

2.1 儲能壽命模型

在整個儲能生命周期內,儲能循環充放電總量基本不變[18]。如果儲能的更換成本固定,其替換成本為

(1)

式中:Cs_bear——儲能放電1 kWh的折舊成本;

Cs_buy——裝置的購買成本;

Cs_all——裝置全壽命周期輸出的總電量。

儲能裝置的壽命主要受SOC的影響。放電時,SOC越高,對其損耗越少,壽命越長。儲能SOC和壽命損耗系數表示為[19]

(2)

式中: SOC(t)—儲能t時刻的荷電狀態。

2.2 目標函數

本文智能園區優化策略目標函數是最小化運行費用。通過最小化園區的運行費用,可以降低園區從售電公司購買的電量,同時能夠最大化地利用園區內部的分布式能源。目標函數表示為

(3)

式中: ΔT——單位時間間隔;

T——優化時段數;

Pg(t)——單位時間間隔內與配電網交換的平均功率(購電時為正,售電時為負);

pr(t)——單位時間間隔內平均交易價格;

PB(t)、Pb(t)——t時段儲能系統的放電功率和充/放電功率;

SOCmin——儲能的SOC下限;

σ——懲罰系數。

式(3)中等號右邊第1項為微電網與配電網的電能交易成本,第2項為儲能裝置的折舊成本,第3項為儲能放電罰函數。

2.3 約束條件

(1) 功率平衡約束

Pb(t)+PEV(t)+PL(t)=Ppv(t)+Pg(t)

(6)

式中:Ppv(t)——光伏發電功率;

PL(t)——t時段負荷側的固定負荷功率,可以通過短期負荷預測的方法得到[18];

PEV(t)——電動汽車在t時段的充電總功率。

(7)

(8)

(9)

(10)

式中:PEV,n(t)——t時段第n輛電動汽車的充電功率;

N——電動汽車總數量;

Pavrg_n——第n輛電動汽車在充電時段內的平均充電功率;

tEV,n——第n輛電動汽車的起始充電時刻;

EEV,n——第n輛電動汽車在t2-t1時刻的充入電量,由第n輛電動汽車的電量需求量Ereq_n決定。

(2) 聯絡線功率約束

Pg(t)≤min{Pmax,PT}

(11)

式中:PT——配電變壓器的額定功率;

Pmax——聯絡線路允許的最大傳輸功率。

(3) 儲能裝置約束

|Pb(t)|≤Pb_rat

(12)

(13)

Eb(t)SOCmin≤Eb(t)≤Eb_rat(t)SOCmax

(14)

Eb(0)=Eb(T)

(15)

式中:Pb_rat——儲能裝置額定功率;

Eb(t)——儲能裝置當前的荷電量;

Eb_rat(t)——儲能裝置額定荷電量;

ηb——儲能裝置充/放電效率;

SOCmax——儲能系統SOC的上限。

(4) 電動汽車約束:

(16)

式中:PEV_rat——電動汽車充電電池的額定充放電功率;

SEV——電動汽車停留在充電站的時間段。

3 模型求解

本文采用協同約束進化算法求解智能園區優化調度模型。對于種群1,首先考慮目標函數以及違反約束的程度。在該種群內的適應度排序的原則可以表示為:① 不違反約束的解比違反約束的解要好;② 如果都違反約束,則違反程度小的解要好;③ 如果兩個解都不違反約束,則目標函數值小的解適應度較好。通過該排序規則,種群1將首先搜索到可行域,然后再對目標函數進行優化,最終得到最優解。

可行域在決策空間是分割的(不連續),如果只采用一個種群進行進化搜索,極易導致算法收斂到局部最優解。為了避免算法收斂到局部最優解,在種群1基礎上,引入種群2。種群2的適應度排序只考慮目標函數,不考慮違反約束的程度。因此種群2 將專注于獲取問題在不包含約束的情況下的最優解。通過種群2能夠有效地將算法拉出局部最優解,以找到整個全局最優解。

每一代中,首先兩個種群各自產生后代1和后代2,然后將種群1、后代1、后代2合并并選取N個解組成新的種群1。種群2同理。最優解的獲取是兩個種群協同進化的結果。協同約束進化算法結構示意圖如圖2所示。

圖2 協同約束進化算法結構示意圖

4 算例分析

以某擁有固定充電樁的智能園區為例,通過對比優化前后儲能和電動汽車的功率變化曲線,驗證模型的有效性。

算例中智能園區安裝有10臺充電樁,每臺充電樁的額定功率為10 kW;電動汽車的車載鋰電池的額定電壓為250 V,額定容量為100 Ah,電動汽車需求電量如圖3所示。

圖3 電動汽車的需求電量

售電公司的電價采用分時電價。分時電價如表1所示[20]。

表1 分時電價

使用協同約束進化算法對該算例進行求解。相關參數設置如下:進化代數設置為200,每次進化后挑選個體100,變異概率0.6;優化時間周期為24 h,單位時間為1 h。

園區光伏出力和負荷情況如圖4所示。

圖4 園區光伏出力和負荷情況

采用協同約束進化算法求解的種群進化過程如圖5所示,可以看到進化在40代達到最優值。根據文獻[21],多種群協同凈化遺傳算法求解的種群進化過程如圖6所示,其進化在400代才達到最優值。本文求解算法的收斂速度更快,效率更高。

圖5 采用協同約束進化算法求解的種群進化過程

圖6 多種群協同進化遺傳算法求解的種群進化過程

優化后園區各元件有功功率變化如圖7所示,優化后改變了電動汽車無序的充電狀態。優化前電動汽車在電價峰時段也進行充電,優化后電動汽車集中充電時間在電價平時段,有效降低用戶的用電費用。并且可以看到儲能在電價峰時段,電源向外供電,滿足負荷的用電需求。在光伏發電量大時,儲能停止向外供電,優先利用光伏產生的電能,提高新能源的消納率。

圖7 優化后園區各元件有功功率變化

5 結 語

針對含有光伏、儲能和電動汽車的智能園區用電場景下多種資源協同優化的問題,本文以智能園區用電費用最小為目標函數,構建了包含電動汽車、儲能的智能園區優化調度策略,然后采用協同約束進化算法進行求解,驗證了模型的有效性。

算例表明在該優化策略下可以實現智能園區內的電動汽車有序充電,并且可以與儲能系統配合,進一步提高光伏的消納率,降低園區用電費用。通過算法對比,也進一步證明該算法收斂速度更快,效率更高。下一步將融合深度學習技術,進一步研究實時電價考慮用戶用能意愿背景下的智能園區優化調度模型。