微電網源網荷儲分布魯棒優化調度方法研究

何玉朝，郭楓，錢輝敏，姚勝紅，張能

（國網電力科學研究院武漢南瑞有限責任公司，湖北武漢 430074）

隨著微電網的不斷發展，微電網的結構也在發生著巨大的改變。目前，復雜的微電網已經成為研究熱點，其在電網中的地位日益突出。微電網的發展使電力系統在經濟和可靠性方面取得了良好的發展。

當前，在微電網群中，最優的排序模型大多是單一的，大多數微電網絡的優化調度策略僅能達到單個的目的，并不能提高微電網的穩定性和降低系統的運營成本。隨著我國分布式電力系統滲透率的不斷增加，電力系統總體運行效率較低，源網荷儲各個環節之間協調不夠，各類電源互補互濟不足的問題越來越突出。對源網荷儲進行分層分區平衡處理，能夠有效解決地域資源網絡負載大和存儲效果不佳的問題。

關于電力微電網的運行優化問題已較為成熟。當前，我國已經形成了一種新型的電力樞紐模型，該模型能夠有效地增強電力系統的適應性，并能夠有效地降低可再生能源的消耗。與此同時，通過構建能源樞紐模型，能夠均衡源網荷儲負載，有效調度微電網[1]。相關學者還提出了一種多電網功率優化控制模型，該模型針對可再生能源數據的異構以及一次能源不確定引起的出力控制問題，建立了多網最優控制模型。通過控制微電網源網荷儲分布的負荷，實現微電網的有效調度[2]。然而，針對電力系統規劃、調度與運行的研究多以系統運行與資源最優組合為重點，單純使用上述兩種方法缺乏對微電網的需求與控制。

針對以上研究的不足，該研究提出了微電網源網荷儲分布魯棒優化調度方法。

1 微電網源網荷儲分布魯棒優化調度模型

1.1 分布魯棒優化調度目標函數

針對微電網源網荷儲分布魯棒優化調度，需構建分布魯棒優化調度目標函數，優化調度模型可以實現兩個目標：最小費用和最小污染物排放量，基于此，構建的優化調度目標函數為：

式（2）中，εS、εY、εN分別表示二氧化硫、煙塵和氮氧化物的排放系數[3-4]。通過上述這兩個公式，能夠控制成本和污染物排放量，為分布魯棒優化調度提供數據支持。

1.2 約束條件

各種發電機組的發電功率不得高于或低于其額定功率，由此設置的約束條件可表示為：

式（3）中，ΔWm、ΔWg、ΔWf分別表示火電機組m、光伏g和風機f在理想情況下初始出力到最大出力的差值；vm、vg、vf分別表示火電機組m、光伏g和風機f在運行周期內運行速率的最小值[5]；分別表示火電機組m、光伏g和風機f在運行周期內運行速率的最大值。

微電網發電是一種極具隨機特性的電力系統，在不棄風、棄光的前提下，通過引入多臺靈活、可調的發電機組，使其能夠充分利用其互補、協同的特點，達到協同控制的目的[6-8]。在此基礎上，通過需求端的資源轉移，使用電量達到相對可控狀態，保證電力供需雙方相互適應、相互協調。

1.3 調度模型構建

針對分布式電源接入配電系統的相關技術要求，結合微電網的輻射運行特點和保護配置原理，提出了在計劃階段采用變電站變壓器低壓側開關、變電站低壓母線輸入開關、配電變壓器高壓側開關的調度結構[9-10]。在此基礎上，根據微電網的層級定義，構建了“源網荷儲”分層分區平衡調度模型，如圖1所示。

圖1 分層分區平衡調度模型

圖1 中，該模型主要包括4 個部分，分別是儲能一體化、母線平衡、饋線平衡和微電網平衡[11]。其中，高壓母線、10 kV 母線、10 kV 饋線、400 V 母線為微電網潮流控制的4 個節點，需滿足線路最大供電需求以及單向潮流的約束條件，防止電流倒送現象的發生。

2 模型求解

2.1 基于粒子群優化求解

粒子群是一種通過多次迭代而獲得的隨機解，這種方法屬于多目標優化問題，而傳統粒子群算法只能求一個解[12]。針對多目標優化問題，常將各目標函數按權重劃分為一個整體目標函數，并用粒子群優化算法進行求解[13]。

采用收縮因子的粒子群算法對微電網源網荷儲分布魯棒進行優化調度，以求得高質量解。速度更新公式為：

式（4）中，vk、vk+1分別表示粒子經過第k、k+1 次迭代處理后的速度；η1、η2均表示迭代收縮因子；s1、s2表示實數分別表示粒子到目前為止最佳位置、粒子當前所在位置、粒子全局最佳位置[14]；β表示收縮因子。在此基礎上，各指標權重會不斷地改變，且微粒群也會隨之改變。該算法能使不可行的系統運行方案在可行區域內被迅速地排除，加速了算法的收斂性[15]。

在求解時，采用歸檔機制對非主要解進行跟蹤。在優化調度目標函數中，主要任務就是對已知的未占優勢解進行追蹤。與此同時，為保持所發現的問題，一般使用文檔來選取全局最優位置和個別最優位置。歸檔機制，“全局向導”與“個人向導”被稱為全局最佳解和個體最佳解[16]。在引入歸檔機制的基礎上，可以在保持最佳解集多樣性的前提下，使算法的計算速度得到最大程度改善。具體計算過程如下：

步驟1：定義迭代次數最大值，從而實現群體隨機初始化；

步驟2：確定個體極值、初值和全局極值，通過求解各個粒子的自適應度，得到非支配解集合。粒子在每次迭代過程中，粒子群的位置更新是由粒子群適應性函數來確定的，其表達式如下：

式（5）中，p表示采樣點；F表示調度模型函數；UM表示約束函數。

步驟3：對外部文件集進行更新，按粒子擁擠程度依次遞減，并刪除不占比例非控解；

步驟4：采用迭代法求出粒子速度、位置，并對已有粒子群進行更新，調整各個粒子的極值，并進行修正；

步驟5：將新的非劣解加入外部文件，產生新的外部文件，并求出新的全局極值；

步驟6：如果已經得到了最大迭代數，就會結束搜索，如果不能，則返回到步驟2。

由于該方法屬于多目標優化問題，因此，粒子群算法可獲得最優解，且最優解為系統的運行成本最低。

2.2 源網荷儲分布魯棒優化調度決策方案

微電網能量優化的目標是使可再生能源和各種資源得到最大程度的利用，并按“源網荷儲”進行有序調度，從而達到最大的經濟效益。能量互補關系示意圖如圖2 所示。

圖2 能量互補關系示意圖

圖2 中，使用能量互補模式能夠實現全局優先全額調度，在滿足上述調度模式的情況下，剩余的可再生能源將用于蓄能系統充電，然后將其轉移到可調度的負載中進行消納處理。在電力系統不能滿足微電網負載要求的情況下，通過儲能系統和交互功率的聯合決策，達到最佳的調度。

3 實驗與分析

3.1 場景設置

以華北某地區的發電廠為例，該地區微電網主要包括的參數內容如下：

光伏陣列額定功率依次為30、20、15 kW；風機額定功率依次為30、20、10 kW；蓄電池容量為100 kW·h、充電率為90%、放電率為95%；柴油機額定功率為120 kW、燃油成本系數為0.2、排放系數為220。

在實時電價下，利用微電網內部分布式能滿足微電網內部的負荷需求。各機組出力理想情況如圖3 所示。由圖3 可知，光伏理想功率在運行時間為6～8 h 時，達到最大值為40 kW；風機理想功率在運行時間為6～8 h 時，達到最大值為20 kW；蓄電池理想功率在運行時間為5.5～8.5 h 時，達到最大值為35 kW；柴油機理想功率在運行時間為6～8 h 時，達到最大值為20 kW。

圖3 各機組出力的理想情況

3.2 實驗結果與分析

分別使用基于能量樞紐模型、多電網功率優化控制模型和分布魯棒優化調度方法，分析各機組出力是否達到理想情況，對比結果如圖4 所示。

圖4 三種方法各機組出力對比分析

由圖4（a）可知，光伏理想功率在運行時間為6～8 h 時，達到最大值為20 kW；風機理想功率在運行時間為6～8.5 h 時，達到最大值為16 kW；蓄電池理想功率在運行時間為6～8.5 h 時，達到最大值為10 kW；柴油機理想功率在運行時間為6～8.5 h 時，達到最大值為6 kW，使用該方法光伏、風機、蓄電池、柴油機的出力情況均與圖3 所示數值不一致。

由圖4（b）可知，使用該方法光伏、風機、蓄電池、柴油機出力情況均與圖3 所示數值不一致，光伏理想功率在運行時間為6～8 h 時，達到最大值為25 kW；風機理想功率在運行時間為7～8 h 時，達到最大值為20 kW；蓄電池理想功率在運行時間為5.5～8.5 h 時，達到最大值為14 kW；柴油機理想功率在運行時間為6～8.5 h 時，達到最大值為6 kW。

由圖4（c）可知，使用該方法光伏、風機、柴油機出力情況均與圖3 所示數值一致，只有蓄電池理想功率在運行時間為6～9 h時，與理想出力時間相差1 h。

通過上述分析結果可知，使用分布魯棒優化調度方法調度效果最佳。

4 結束語

該研究提出了一種微電網源網荷儲分布魯棒優化調度研究方法，該方法通過分布魯棒優化調度方式達到電力負荷相對可控的目的，并建立了一種“源—網—荷—儲”的優化調度模型，根據發電量的相對可控性來滿足電力用戶需求，從而實現最優調度。