基于XGBoost短期預測控制的微電網多時間尺度調度

卓助航 楊俊杰，2 胡豐曄 薛乃凡 楊鎧旭

1(上海電力大學電子與信息工程學院 上海 200090) 2(上海電機學院 上海 201306)

0 引 言

在生存環境持續惡化、能源短缺問題日益突顯的背景下，風能、光能等可再生能源由于具有環境污染小、經濟效益好和可重復利用等屬性，逐步成為近年來的研究熱點之一。微電網作為一種新型能源的有效組織形式，能夠顯著提高可再生能源的利用率，減小分布式電源對配電網的沖擊，改善供電質量與供電可靠性[1-2]，已成為大電網的有益補充。

智能電網建設的穩步推進大大增強了用戶與電網信息交互的能力，有利于需求側主動參與電力調度。需求側響應作為智能電網的重要調度資源，通過市場電價信號或激勵機制，引導用戶改變用電習慣使之與可再生能源出力在時序上更加貼近[3]，從而提高微電網對風電與光伏的消納能力。目前對需求側響應的研究主要集中在以下三個方面：提高分布式電源利用效率[4-5]、降低系統整體運行費用[6-7]和增強微電網運行可靠性[8-9]。但上述研究多是在單一時間尺度下對交流微電網需求側資源進行優化調度，不利于解決可再生能源預測有所偏差的問題，且缺乏對交直流混合微電網的研究。

相較于傳統交流微電網，交直流混合微電網同時包含交流和直流母線，能夠減少換流器安裝容量從而降低建設成本，減少換流損耗，提高微電網運行穩定性[10]。國內外學者對交直流混合微電網展開了積極探索。文獻[11]針對獨立海島交直流微電網，提出一種交直流混合無刷雙饋風力發電機優化調度策略，以此減少電力損耗與燃料消耗。文獻[12]以安裝成本、運行成本和可靠性成本之和為目標建立優化模型，通過混合整數線性規劃進行求解，但其并非真正的多目標求解，無法確定不同目標間的約束關系。文獻[13]提出了一種用于協調雙向AC/DC換流器輸出功率的分散控制策略，但未考慮可再生能源的不確定性，在實際系統中會產生一定的誤差。文獻[14]提出將混沌灰狼算法用于對混合微電網優化調度，該算法提高了全局搜索能力和收斂速度，但同樣未考慮到微電網不確定性對運行結果的影響。

本文在綜合考慮需求側響應與微電網運行特性的同時，兼顧可再生能源出力不確定性帶來的功率波動影響，針對交直流混合微電網提出了一種基于XGBoost短期預測控制的多時間尺度調度策略。首先，基于日前預測的風光出力與負荷供需關系，結合分時電價與儲能充放電策略，制定日前調度計劃；在此基礎上，引入XGBoost短期預測模型對風光出力進行實時預測，以需求側響應補償機制作為激勵手段，在日內實現對日前調度的實時修正。通過NSGA-II算法進行求解，并與傳統單時間尺度調度策略對比。在此基礎上分析了不同直流負荷比例對調度結果的影響，為交直流混合微電網未來的發展提供必要的依據。

1 交直流混合微電網架構

交直流混合微電網包含交流子網和直流子網兩個部分，其簡化結構如圖1所示。其中：交流子網由風機、交流負荷組成；直流子網由光伏、直流負荷和蓄電池組成。二者通過雙向換流器完成連接。整個微電網通過交流母線與配電網連接，實現并網。

圖1 交直流混合微電網結構圖

交直流混合微電網能夠實現交流負荷在交流側直接由風機供電，直流負荷在直流側直接由光伏供電，只在各自子網出現功率不平衡的情況下，通過換流器進行功率交互，在降低換流損耗、提高電能傳輸效率的同時，為微電網運行控制提供了便利。

2 需求側響應模型

2.1 可控負荷模型

本文采用的可控資源包括可轉移負荷和可中斷負荷，具體模型如下：

(1)

(2)

2.2 可控負荷補償機制

本文采用峰平谷電價的方式對可轉移負荷進行補償，充分發揮用電市場的經濟杠桿作用。執行的分時電價時段如下：19時至21時為電價峰時段；8時至11時、13時至18時、21時至22時為電價平時段；0時至8時、11時至13時、22時至24時為電價谷時段，具體分時電價[15]如表1所示。

表1 分時電價

對于可中斷負荷的補償計算方法如下：

(3)

式中：udl,t為t時刻可中斷負荷補償價格；Pdl,t為t時刻可中斷負荷中斷功率。

3 多時間尺度調度模型

由于可再生能源出力具有波動性、間歇性等特點，將其接入微電網后將增大系統運行的不確定性，增加了預測難度。為了及時響應風機、光伏出力的變化，本文提出基于XGBoost短期預測控制的多時間尺度調度策略，根據不同時間尺度分為日前調度和日內實時調度。在日前長時間尺度下，根據風光出力日前預測值，以運行成本最低、換流損耗最少、自平衡率最優為目標制定未來24 h的調度計劃；日內以日前調度計劃為參考，以短期預測結果為依據，每1 h啟動一次，利用NSGA-II算法[16]進行實時優化調度求解，減少可再生能源出力波動帶來的影響。

3.1 日前優化調度模型

3.1.1目標函數

1) 微電網運行成本。交直流混合微電網運行成本包括設備運行維護費用、運行損耗費用、與配電網功率交互費用和中斷負荷補償費用，計算公式如下：

(4)

式中：T為調度周期；N為微電源個數；Pi,t為第i個微電源t時刻輸出功率；ugrid,t為t時刻購售電價；Pgrid,t為t時刻微電網與配電網交互功率，購電為正；Comc(Pi,t)、Clc(Pi,t)分別為t時刻第i個微電源運行維護費用與運行損耗費用。

2) 換流損耗。在傳統微電網中，直流電源與負荷需要通過換流器與交流母線進行功率交互。而交直流混合微電網中，直流電源、負荷與直流母線相連，交流電源、負荷與交流母線相連，能夠有效減少換流器安裝容量并降低換流損耗。換流損耗的計算公式如下：

(5)

式中：η為雙向換流器的換流效率；Pconver,t為t時刻交直流子網間換流功率。

3) 自平衡率。自平衡率是一定運行周期內，微電網依靠自身可再生能源為負荷提供電量的比例，反映了微電網并網運行時對配電網的影響程度及其孤島運行時的可靠性。自平衡率計算公式如下：

(6)

式中：Eself為微電網中可再生能源直接提供給負荷的電量；Etotal為總負荷需求；Egridin為負荷需求量大于可再生能源發電量的情況下，微電網的總購電量。

3.1.2約束條件

1) 系統功率平衡。

(7)

式中:PRES,t為t時刻風光出力之和；Pbess,t為t時刻蓄電池充放電功率；Pload,t為t時刻總負荷功率。

2) 蓄電池荷電狀態及功率約束。

(8)

式中：SOCmax、SOCmin分別為蓄電池允許的荷電狀態上限、下限；Pchar,t、Pdischar,t分別為t時刻蓄電池充電、放電功率；S為蓄電池額定容量；α為充放電比例系數。

3) 換流功率約束。

(9)

4) 可轉移負荷約束。

(10)

3.2 日內實時優化調度模型

考慮到可轉移負荷中包含較多的工業生產設備(如軋鋼生產線、吊機和破碎機等)、居民用電器(如洗衣機、電動汽車和水泵等)，若對這些用電設備進行日內調度將對正常的工廠生產、居民生活產生較大的影響。而以空調、加熱器為代表的具有熱能儲存能力的可中斷負荷，短時間停電對其供電服務質量影響不大，因此在日內只對可中斷負荷與蓄電池充放電進行優化調度。

3.2.1短期預測模型

本文采用基于XGBoost算法[17]的短期預測模型對風機、光伏進行日內短期預測，具體方法步驟如下：

步驟1輸入歷史天氣信息、可再生能源出力矩陣Xin：

Xin=[Xin(1),Xin(2),…，Xin(n-1)]

(11)

式中：Xin(n-1)為第n-1組風速、溫度、光照強度、風機出力、光伏出力數據。

步驟2定義目標函數為：

(12)

(13)

步驟4將式(13)代入式(12)，并進行二階泰勒展開，求得的目標函數為：

(14)

步驟5將矩陣[Xin(n),Xin(n+1),…,Xin(n+T-1)]分別代入式(14)，可以求得預測矩陣Xout(j)，其中j=1,2,…,T，Xout(j)為j時刻風機、光伏出力預測值。

3.2.2優化目標及約束條件

日內實時調度的優化目標與日前優化目標相同，約束條件在日前優化的基礎上需要滿足如下條件：

(15)

(16)

3.3 優化調度模型求解

本文所提出的優化調度模型使用NSGA-II算法求解優化結果，其流程如圖2所示。

圖2 多時間尺度調度策略流程

具體求解過程如下：

步驟1進行初始化，讀入日前風光出力預測值、負荷需求和仿真時長等數據。

步驟2根據約束條件生成規模為200的初始種群POP，每個個體含有轉入時段負荷轉入量、轉出時段負荷轉出量和各時段蓄電池充放電功率的信息。

步驟3計算種群的優化目標值：運行成本、換流損耗和自平衡率。根據計算結果進行非支配排序和擁擠度求解。

步驟4使用錦標賽選擇法選擇POP種群中排序等級高、擁擠度大的個體，進行交叉變異操作，得到子代種群。

步驟5合并父代種群和子代種群生成新種群作為POP，在迭代次數內重復步驟3到步驟4，直至迭代次數達到100，求得的結果作為日前調度計劃。

步驟6以歷史天氣、可再生能源出力數據作為訓練樣本，建立基于XGBoost算法的短期預測模型，以當前t時刻的天氣、風光實際出力作為輸入，對風光出力進行實時預測。

步驟7根據實時預測結果，使用NSGA-II算法對調度周期內未來T-t個時刻進行日內調度求解，得到可中斷負荷及蓄電池運行計劃，以修正日前調度計劃。

步驟8對當前時刻天氣信息、風光實際出力數據進行測量。進入下一時刻后，將其作為新的輸入值，返回步驟2，進行新一輪的優化，直至當前調度周期結束。

4 實驗分析

4.1 數據說明

本文以文獻[18]所述的交直流混合微電網供電系統為例，對上述調度策略進行驗證。具體參數如下：負荷中交流負荷比例為總負荷的60%，直流負荷比例為總負荷的40%。蓄電池容量為100 kW·h，初始SOC設置為0.8，范圍設定為[0.35，0.95]。換流設備轉換效率為0.9。用戶參與可中斷負荷響應補償單價為0.4元。交直流混合微電網與配電網主要技術參數如表2所示，調度當天日負荷曲線如圖3所示。

表2 微電網與配電網技術參數

圖3 日負荷曲線

以該地區歷史風速、光照強度、風光出力數據作為輸入，其中日均光照強度為4.191 kW·h/m2，平均風速為5.687 m/s，可再生能源出力日前預測結果已知，日內實時預測結果如圖4所示。

(a) 風機預測結果

(b) 光伏預測結果

圖4 不同時間尺度預測結果

4.2 多時間尺度調度運行結果

將文獻[12]所述的單時間尺度調度策略(方案1)作為對比，其運行結果如圖5(a)所示。本文采用NSGA-II算法對多時間尺度調度策略進行多目標求解，由于運行成本、換流損耗、自平衡率三者之間存在一定程度的制約關系，因此求得三組Pareto最優解，分別如圖5(b)、圖5(c)和圖5(d)所示。上述方案運行結果對比如表3所示。

(a) 方案1

(b) 方案2

(c) 方案3

(d) 方案4

圖5 多時間尺度策略調度結果

表3 不同方案運行結果對比

可以看出，方案2具有更優的經濟性，單個調度周期內運行成本為639.0元，相比于方案1減少了125.5元，減少了16.4%。其原因是方案2將更多的電價峰時段負荷轉移至電價谷時段，增加電價峰時段的售電量與負荷中斷量，同時在電價谷時段對蓄電池進行充電，從而降低了運行成本。方案3、方案4相較于其他方案分別具有更低的換流量與更高的自平衡率，但運行結果較為接近；換流量與自平衡率相比方案1得到了顯著的優化，這是因為為了得到較低的換流損耗，交直流子網需要在用電高峰時段進行蓄電池放電、可轉移負荷轉出及負荷中斷操作，盡可能保證各個時段負荷量貼近發電量，這使得換流損耗降低的同時，自平衡率也隨之提高；但運行過程中對購售電價格考慮較少，運行費用較方案2有所提高。

進一步分析，可以看出交流子網與直流子網中斷響應結果有所不同：交流子網對分時電價與預測誤差較為敏感，在電價較高和實際發電量減少時段，負荷中斷響應比例較高；直流子網受到光伏發電需要充足光照這一特性的制約，分時電價與預測誤差對其影響較小。在晚間用電高峰時段，由于光伏出力不足需要通過中斷響應實現功率平衡，而日間電量充足只有較低比例的負荷參與中斷響應。總結以上結論：相較于單時間尺度調度策略，多時間尺度調度策略能夠有效減少不確定性因素帶來的影響，在微電網運行經濟性與穩定性上更有優勢。

4.3 不同直流負荷比例影響分析

隨著分布式儲能、電動汽車等多元負荷的迅速發展，配電網中的直流負荷比例逐步增加。為驗證多時間尺度調度策略的有效性與發展可行性，本文將直流負荷比例分別設置為40%、50%、60%，對調度結果進行分析。表4為文獻[12]單時間尺度調度策略運行結果，表5為本文多時間尺度調度策略運行結果。

表4 單時間尺度下不同直流負荷比例運行結果對比

表5 多時間尺度下不同直流負荷比例運行結果對比

通過對比表4、表5可見，在不同直流負荷比例下，多時間尺度調度策略運行結果均優于單時間尺度調度策略。但在60%直流負荷比例下，對比方案7、方案10，兩種調度策略運行結果差距有所減少，方案10的自平衡率僅從方案7的81.2%提高至82.9%；對比方案9、方案10，可知在多時間尺度調度策略下，當直流負荷比例從50%增至60%時，運行成本和換流量有所上升，自平衡率從84.8%下降至82.9%，直流負荷的比例提高并未使各優化目標得到相應的提高。造成上述現象的原因是在較高直流負荷比例下，雖然光伏能夠較好地在白天為直流負荷供電，但晚間由于缺乏光照停止工作，增大直流負荷導致直流側出現更大的供電缺額。這種情況下，需要通過蓄電池放電、增加購電量與增加交直流子網間功率交互等措施來實現微電網功率平衡。

綜上，相較于單時間尺度調度策略，多時間尺度調度策略能夠有效降低換流損耗，提高自平衡率，并獲得更優的經濟性。在光伏出力充裕的微電網內，直流負荷比例的增加對改善微電網運行的效果十分明顯，但直流負荷比例并非越高越好，其最優比例需要根據微電網整體發用電情況具體討論而得。

5 結 語

為解決交直流混合微電網優化調度問題，綜合考慮可再生能源出力的不確定性，本文提出一種基于需求側響應的多時間尺度優化調度策略，在此基礎上分析了不同直流負荷比例對調度結果的影響。結果表明：

(1) 多時間尺度調度策略在日前調度的基礎上，引入短期預測模型，通過可中斷負荷與蓄電池對日前調度進行實時修正，有效提高微電網應對可再生能源出力波動的能力，降低了運行成本，減少了換流損耗，提高了自平衡率。

(2) 通過對不同直流負荷比例下運行結果的分析，驗證了多時間尺度調度策略的優越性。隨著直流負荷比例的增大，微電網運行的經濟性與穩定性均得到相應的提升，但最優直流負荷比例的確定應綜合分析可再生能源出力情況來確定。