含不確定源荷虛擬電廠參與需求響應優化控制方法

劉井軍，劉 濤，周 旭，于 龍，許 劍

（1.國網天津市電力公司，天津 300010；2.北京中電飛華通信有限公司，北京 100071）

在能源與環境、電力供需矛盾突出的形勢下，各國大力鼓勵新能源發展，然而大量分布式可再生能源接入配電網，給電網運行、控制等環節帶來挑戰。現有調度手段和響應資源難以滿足深度調節的需求，導致電網出現供需不平衡現象[1]。

虛擬電廠VPP（virtual power plant）是利用先進的通信和計算技術，對多類型的源、荷、儲等可控單元進行整體調控，從而降低分布式電源的隨機性和波動性對主網運行的影響，并使其主動參與電網需求側管理[2]。目前，針對VPP優化協調問題已有一些成果。文獻[3]建立了含有光伏發電PV（photovoltaic）、風力發電機組等多種能源類型的VPP調度模型，實現多種分布式能源的良好互補。文獻[4]通過點估計方法分別建立了電價與可控負荷、不可控分布式電源之間的概率模型，實現了基于概率的VPP內部優化控制。為處理分布式電源預測誤差的不確定性，文獻[5]利用電動汽車儲能平衡風力發電的不確定性，基于VPP在峰值電價時售電，谷值電價時儲能，實現局部功率平衡。文獻[6]從需求側的角度出發，在整合了風力發電及柔性負荷的VPP中，通過柔性負荷來補償風力發電的不確定性。文獻[7]提出一種專門針對柔性負荷的VPP構架，選取冰蓄冷空調作為典型受控對象，以設備運行費用最低、電網負荷波動最優為目標構建雙層優化模型。文獻[8]在VPP日前調度模型中考慮了可再生能源發電的電價和負荷的不確定性。但是上述研究較少考慮需求響應對VPP協調優化分布式電源、儲能BS（battery storage）系統、電動汽車EV（electric vehicle）等可控負荷的影響。需求端用電行為的變化直接影響著電力系統的安全經濟運行，因此考慮需求響應因素對實現VPP的優化控制愈發重要。

本文針對上述問題，提出了一種含不確定源荷VPP參與需求響應優化控制方法，該方法以VPP內平抑波動和供需平衡為約束，考慮儲能、可控負荷及電源，基于電價或激勵等措施進行VPP協調優化控制模型。所提方法能夠對VPP內“全資源池”及內部各單元之間的功率分配和協調控制，實現VPP參與大電網的需求側響應。

1 VPP可調度單元模型

1.1 分布式能源調度模型和約束條件

PV中，太陽輻照強度是決定因素，但其在本質上是高度隨機的，取決于多種因素[9]。PV發電系統出力采用如下形式：

式中：PPV為光伏產生的電能；EA為光伏板接收的太陽能；ηinv為光伏板的太陽能轉化效率；ηabs為太陽能吸收率；Spv為光伏板的面積；ηpv為光伏模組的平均效率；Wgt為光照強度；νp為光伏系統混合損耗；νc為光伏系統其他損耗。

風機WT（wind turbine）及其控制系統將風能轉換為機械能提供給交流發電機，葉輪捕捉風能影響整個風力發電機系統的性能和效率。通過漿葉的風能只能被WT吸收一部分，槳葉獲取的風能Pw可表示為

式中：ρ為空氣的質量密度；Sw為風機受風面積；v為氣流速度；Cp為可用風能利用系數。

微型燃氣輪機MTs（micro-gas turbines）作為小型分布式發電單元應用到電網中，其輸出的電能PM和熱能QM滿足如下關系：

式中：SM為天然氣輸入能量；ηM為MTs發電效率，即發電量與輸入能量的比值；QM0為MTs產生的余熱，QM0=αMPM，受熱電比（即供熱量與供電量的比值αM）的影響；ηH為余熱鍋爐效率，即余熱鍋爐輸出和輸入的比值。

1.2 儲能設備調度模型和約束條件

儲能設備包含蓄熱、蓄冷、蓄電等，在VPP調度過程中，蓄電池的荷電狀態SOC（state of charge）對調度計劃和能量平衡至關重要[10]。所構建的約束和模型涉及最大充放電功率、能量轉換效率等，相關數學模型如下：

式中：SOCt為蓄電池t時刻的荷電狀態；Pt,ch、Pt,disch分別為t時刻充、放電功率；V為電池容量；ηch、ηdisch分別為充放電效率，作為蓄電池固有的屬性，在需求響應調度過程中假設為定值；SOCmax、SOCmin分別為蓄電池荷電狀態上限、下限；xt,ch、xt,disch分別為t時刻蓄電池是否處于充電或放電狀態，若處于充電則xt,ch置1，否則為0，若處于放電則xt,disch置1，否則為0；xt,ch+xt,disch=0，表示蓄電池既不處于充電也不處于放電狀態。

1.3 負荷調度模型和約束條件

負荷類型主要包括平移型負荷及削減型負荷。常見的平移型負荷是通過用電需求時間的轉移將用電需求從用電高峰時段轉入用電低谷時段，實現對用電需求曲線的重塑。引入二進制決策變量xi,k(t,t′)，當xi,k(t,t′)=1時表明第i戶家庭的第k個可平移負荷由t時段轉移至t′時段，t=t′表明該負荷未發生轉移[11]。

第i戶家庭中第k個可平移負荷在t時刻的需求響應后實際功率Pi,t,k可表示為

對于可中斷負荷，本文以空調負荷為例。在制熱模式下，室內溫度變化隨空調負荷功率PAC變化的簡化熱力學模型如下：

式中：θi(t)為第i戶家庭t時段的室內溫度；e為自然常數；TAC為溫度變化時間系數，TAC=ΔT(ReqCeq)；Req為等值熱阻；Ceq為等值熱容；θout為戶外溫度；xt,AC為空調工作狀態的二進制決策變量，0表示空調關閉，1表示空調工作；Pt,AC為空調負荷功率，RAC為室內空氣導熱系數。

VPP調度須滿足負荷設備的運行約束，否則會使室溫出現較大波動，影響用戶舒適度。對于負荷調度，最大潛在調度容量可表示為

2 VPP實施需求響應的優化控制策略

2.1 需求響應調整的目標函數和約束條件

VPP控制變量包含完成需求響應所需要進行的各可控單元的決策，如分布式電源、BS的調整，以及可平移削減柔性負荷的優化，以實現調度優化參與輔助服務市場獲得收益。VPP參與需求響應的運行成本可表示為

式中：Ft為t時刻VPP運行成本；Pt,S為系統側在t時刻VPP從電網的購電功率；ρt為t時刻內VPP從電網的購售電價；Pj,t,L為t時刻負荷j的轉移或削減的功率；ρj,t,L為負荷j參與需求響應在t時刻的補償價格；Pi,t,G為VPP內部第i個分布式電源、儲能設備等可控設備出力，ρi,t,G為t時刻從該可控設備購電的電價；Ci,Gst為第i個可控設備的啟停成本；xi,t,G為發電設備i在t時刻的啟停狀態，0表示設備停機，1表示設備正在運行；N為參與需求響應調度的可控負荷個數；M為參與需求響應調度的分布式電源及儲能設備的總個數。

目標函數的優化需在電力系統安全穩定運行條件下進行，除式（6）～（9）所述儲能設備約束外，模型還應該滿足以下約束條件。

（1）VPP內滿足功率平衡，即

（2）供電設備的約束。分布式電源發電時，有功功率保持在其額定容量內，即

（3）需求響應實施過程中，可控負荷的響應量不能超過其限制，即

2.2 VPP優化調度策略

VPP優化調度策略是整個運行控制周期參與需求響應獲得收益最大。設控制周期包含NT個階段，則基于多階段隨機優化模型為調度周期內所有場景下的優化決策可表示為

式中：F為VPP各個調度時段總成本函數；NT為進行一次調度的時段數量，一般取24 h。

3 模型求解及需求側響應實施方案

3.1 模型求解流程

所得模型中VPP決策變量多種多樣，包括各分布式單元的出力、負荷平移或削減、儲能控制等，不同的決策變量取值也不同。大量的決策變量造成了巨大的可行解空間，窮舉法等傳統線性規劃方法變得不再適用。由于傳統的粒子群算法對于具有大量約束和時間耦合變量的優化問題適用性較差，因此本文將種群分成若干個子種群，動態地形成相對獨立的搜索空間，實現對多個極值區域的同步搜索，進而改進粒子群算法對多約束、多目標優化問題的適應性，基于小生境技術的粒子群算法模型求解流程如圖1所示。

圖1 基于粒子群優化算法的VPP模型求解流程Fig.1 Solving process of VPP model based on particle swarm optimization algorithm

3.2 VPP需求側響應實施方案

VPP的需求響應調控實現流程如圖2所示。采樣動態的定價/激勵機制，其更新周期可以達到1 h或者更短，可考慮實施電價和激勵形式。VPP各單元能夠根據電價/激勵信號調整用電計劃，從而起到維持系統供需平衡、解決輸電阻塞、抑制市場力的多方面作用。但在實施過程中，由于電網公司及VPP優化控制過程中缺乏用戶彈性價格、用電轉移成本、電網可避免成本等數據，且需要改變我國目前電價體系，在可行性和合理性方面都存在一定問題。因此，可以引入積分概念，以積分代替價格模擬實時電價。

圖2 VPP的需求響應調控實現流程Fig.2 Realization process of VPP for demand response scheduling

4 算例分析

以中新天津生態城小鎮相關數據為基礎進行分析，VPP系統接入PV、MTs發電機組、蓄電池、電熱鍋爐EB（electric boiler）、MTs、EV和電轉氣P2G（power to gas）等可控設備，也包括100余戶居民參與家庭能源管理。分布式供能設備的經濟及技術參數如表1所示，BS系統采用蓄電池。假設PV和WT出力的波動偏差分別為預測值的15%和20%，PV及WT的預測和實際出力曲線分別如圖3（a）～（b）所示，陰影部分為構建的不確定集。

表1 分布式能源設備的經濟及技術參數Tab.1 Economic and technical parameters of distributed energy equipment

圖3 可再生能源機組出力曲線Fig.3 Curves of output from renewable energy unit

由于VPP中分布式電源出力具有不確定性，在調度過程中首先需要考慮自身的功率平衡，并具有一定的備用容量。圖4為某典型日VPP電功率優化結果，當夜間01：00—06：00時段WT出力大于電負荷時，多余電量被電制冷機、EB設備吸收分別用于制冷、熱，同時蓄電池也會吸收多余電量。另外，MTs與蓄電池會在分布式電源低谷時發電，以滿足負荷需求。

圖4 典型日VPP電功率優化結果Fig.4 Optimization results of VPP power on one typical day

VPP在參與電網的需求響應時（如負荷高峰時的削峰），需要考慮負荷預測[12]及可再生能源波動情況下的調整模式。表2給出了VPP參與尖峰時刻需求響應的運營情況，可以看出，隨著負荷的增大，各發電單元的收益受出力情況和電網負荷情況的影響。在優先滿足電網內負荷需求的要求下，VPP參與需求響應，此時PV、WT以最大期望發電，微燃氣輪機以增大運行功率，減少從電網購電量，實現削減負荷為目標。同時，可以看到不同負荷情景下，各分布式發電機在需求段的收益會有所不同，而VPP通過參與電網的輔助服務獲取收益，并按照VPP制定的響應價格分配給參與調度的源、荷、儲單元。VPP中隨不確定負荷變化的需求響應調度價格變化如圖5所示。

表2 VPP參與尖峰時刻需求響應的運營情況Tab.2 Results of VPP participating in demand response at peak load time

圖5 隨不確定負荷變化的VPP需求響應調度價格Fig.5 Demand response scheduling price for VPP varying with uncertain load

圖6給出了不同負荷情況下的各可控單元收益曲線。可見，隨著負荷的增大電源收益增大，直到所有分布式電源滿發，網內電價與大電網供電電價持平，各分布式電源的收益達到最大值。對比各分布式電源的收益曲線，可以看到PV1、PV2的收益最高，由于PV的運行成本和燃料成本為0，PV一般都滿發作為基荷。MTs的收益遠低于PV和WT，主要是由于啟動成本和固定成本較高，兩臺MTs中容量較小的收益最低。

圖6 VPP不同負荷情況下的各運營單元收益Fig.6 Revenue of each operating unit under different loads of VPP

5 結論

本文提出了一種考慮源荷不確定的VPP參與電網需求響應優化控制方法，以促進綠色清潔能源消納，降低VPP運行成本。通過分析可得如下結論。

（1）為達到需求響應的目的，基于電價或激勵的需求側響應實施需要考慮間歇性分布式電源及負荷的不確定性，各可控單元自身約束應充分考慮運行安全和對生活舒適度產生影響。

（2）由仿真結果可知，本文所述調度方法可綜合考慮VPP中各主體的運行特性，實現各類分布式設備及可控負荷的協調調度，促進可再生能源的消納。

（3）從仿真結果可以看出，在市場背景下，BS系統及MTs等可控電源能夠較好地應對VPP產生的不確定性，但在經濟補償情況下，其收益受到調控成本的限制。