考慮碳配額引導需求響應的微電網能量管理策略

姜恩宇, 陳 宇, 施崢靖, 吳哲城, 林順富, 李東東

(1. 上海電力大學 電氣工程學院,上海200082; 2. 山東核電有限公司,山東 煙臺 264000)

為了應對化石能源的短缺以及生態環境惡化等問題,習近平總書記在第七十五屆聯合國大會上宣布,中國力爭于2030年前實現碳達峰,2060年前實現碳中和.中國于2017年正式啟動碳排放權交易市場,簡稱碳市場[1];市場中碳排放權交易的商品為中國核證減排量與碳排放配額,簡稱碳配額[2].目前,我國碳市場的運行機制主要指碳配額交易,利用配額制限制碳排放的同時,將多余碳排放份額視為商品,在市場進行自由交易,促進可再生能源的發展[3].

已有眾多學者將碳配額機制引入含可再生能源的電力系統優化調度中.文獻[4]中指出碳排放交易,尤其是配額交易在成功實現減排目標中發揮極大的作用, 并結合我國電力行業的市場特點, 提出一種碳排放權可調分配機制.文獻[5]中考慮碳排放配額制對電力系統運行成本的影響,構建經濟調度計劃模型,在實現低碳調度的同時,實現可再生能源最優接納.同時,微電網技術作為充分利用新能源、解決傳統電網和分布式能源之間的矛盾、發揮負荷側需求響應作用的有效途徑被廣泛研究[6].文獻[7]中提出基于分時電價和碳配額雙重激勵協同博弈的需求響應策略,減小電動汽車接入微電網的影響,但是只考慮系統經濟性而沒有考慮可再生能源不確定性帶來的系統穩定性問題.因此,如何在微電網的優化調度中降低可再生能源不確定性給系統帶來的影響,以及耦合需求響應技術推動實現“碳達峰、碳中和”是目前亟需解決的問題[8].

現階段,不斷發展的預測技術很大程度上解決了可再生能源的不確定性問題[9],但是系統在實際運行中總是無法完全吻合預測曲線,也無法應對突然的擾動對系統穩定性的影響,并且隨著預測時間范圍的增加,預測精度也會隨之下降[10].越來越多學者從多時間尺度優化調度開展研究,日前制定調度計劃值,日內將遺留的偏差對可控分布式電源進行功率調整以平抑功率波動[11],從而消除預測誤差.文獻[12]中從日前與日內兩個時間尺度對獨立微電網進行協調優化,保證微電網經濟穩定的運行.盡管多級協調、逐步細化調度策略能很大程度上消納間歇性能源及負荷的波動性,但是這種開環的優化調度過程并沒有考慮實際系統對優化控制過程的反饋校正[13].因此,模型預測控制(Model Predictive Control, MPC)這一基于模型的有限時域閉環控制算法被應用到微電網中.MPC對狀態和控制變量都具有約束的多變量系統進行控制,使用當前時段的測量值和預測模型,并引入反饋校正環節,及時糾正預測誤差,從而提高優化控制精度,使微網優化調度方案具有較強的抗干擾能力和魯棒性.

目前已有研究者采用MPC策略對微電網的能量調度優化進行研究.文獻[14]中為應對冷熱電多能聯供型微電網系統不確定性對系統經濟調度的影響,以日前計劃聯供設備的出力值為參考值,在日內基于模型預測控制的多步滾動優化求解出各聯供設備的平滑出力,實現其經濟及安全運行,但是未考慮需求響應在微電網中的影響和作用.文獻[15]中通過上層基于MPC的滾動優化策略與下層混合儲能實時控制策略形成兩種時間尺度控制的協調配合來降低微電網光伏和負荷分鐘級功率波動對跟蹤調度計劃的影響,保證調度計劃實時有效執行, 但是沒有考慮微電網運行的經濟性.文獻[16]中針對區域綜合能源系統提出“日前-日內-實時”三時間尺度的優化調度策略.在實時調度環節結合模型預測控制理論,利用反饋校正和滾動優化調整微源出力,但在日前的經濟性調度中采取直接負荷控制的需求響應方式,并沒有考慮類似電動汽車等靈活性需求響應資源[17].

綜上所述,考慮碳配額結合實時電價機制來引導電動汽車參與需求響應,提出基于兩層模型預測控制的微電網優化調度策略.在第一層利用由碳配額引導電動汽車參與需求響應,提高電動汽車參與微電網調度的積極性,實現微電網削峰填谷,經濟運行;第二層利用短時間尺度的模型預測控制補償由可再生能源預測誤差導致的瞬時功率不匹配,降低其波動性對微電網的影響,實時修正最優出力曲線,實現微電網的穩定運行.

1 兩層模型預測控制

1.1 兩層模型預測控制能量管理策略

典型的模型預測控制具有模型預測、滾動優化和反饋校正3個環節,基本結構如圖1所示.由預測模型模塊根據被控對象的歷史信息等預測未來所需預測范圍內的響應.滾動優化模塊根據設定的目標函數和約束條件求解最優出力.反饋校正模塊將系統實際的運行值反饋到滾動優化環節,代替預測值進行下一個控制間隔的滾動優化求解.

圖1 單層模型預測控制結構Fig.1 Structure of single-layer model predictive control

大多數多時間尺度優化調度的研究都將MPC算法應用在短時間尺度的調度環節中,利用其閉環優化控制的作用校正長時間尺度調度計劃上的實際調度偏差.

單層MPC中的預測模型模塊收集微電網系統的分布式電源出力曲線和負荷曲線歷史數據,預測調度時段內下一個控制間隔的調度計劃.滾動優化模塊,即目標以運行成本最低的能量管理模型根據設定的目標函數和約束條件反復求解出各發電單元的最優出力.反饋校正模塊在長時間段內,按照既定的短時間尺度,不斷重復將系統實際的運行值反饋到滾動優化環節,代替預測值進行下一個控制間隔的滾動優化求解;但長時間內對調整量過于頻繁的滾動優化和反饋校正會導致后期的發用電單元調度壓力過大,且該模型穩定性較差,可能會由于可再生能源波動和預測、反饋誤差造成求解最優出力序列的波形冗余甚至失真.

因此,提出基于兩層模型預測控制的調度策略,通過兩層之間預測域和控制域的選擇,實現雙時間尺度的優化功能,并將第二層以功率波動最小為優化目標的MPC優化調度環節作為第一層MPC的反饋校正環節,實現實時修正可再生能源功率波動,降低預測誤差帶來的影響.兩層模型預測控制結構圖如圖2所示.第一層MPC經過模型預測和滾動優化兩個環節獲得第一個調度時段內的各發電單元最優出力結果,并將其下發給第二層;第二層MPC將第一層的每個調度時段再細分TS個調度時段,經過TS次滾動優化和反饋校正后將第二層的最終各發電單元最優出力結果返回第一層;第一層再進行下一調度時段的優化.

圖2 兩層模型預測控制結構Fig.2 Structure of two-layer model predictive control

由上述分析可知,兩層MPC原理圖如圖3所示.藍色表示第一層的優化過程;綠色表示第二層的修正過程.其中,設置第一層MPC預測域長度為Tf,控制間隔為Δtf,滾動優化一次得到tf時刻的最優控制序列[utf|tfutf+1|tf…utf+Tf-1|tf]T,tf∈{1,2,…,Tf},但是只下發第一個utf|tf調度指令給第二層;第二層MPC預測域長度為TS,且TS=Δtf,控制間隔為ΔtS,因此第二層每一次滾動優化可得到tS時刻的最優控制序列[utS|tSutS+1|tS…utS+TS-1|tS]T,tS∈{1,2,…,TS},并只下發第一個調度指令utS|tS給微電網執行,然后繼續進行循環,經過時間TS之后第二層完成一次完整的閉環滾動優化調度,并將最后一次優化結果的狀態變量返回給第一層,第一層MPC進行下一次tf+1時刻的優化調度,兩層MPC循環滾動優化,直至第一層優化調度周期結束,即tf+Tf時刻.

圖3 兩層MPC原理圖Fig.3 Schematic diagram of double-layer MPC

1.2 碳配額引導需求響應機制

傳統需求響應機制有價格型和激勵型兩種,隨著碳排放權交易機制的不斷發展和完善,可引入碳配額機制來引導用戶參與需求響應,同時發揮用戶的減排潛力,形成電力用戶自主選擇低碳減排、綠色用電的習慣.碳配額交易市場是將二氧化碳等溫室氣體的排放權作為交易對象,在自上而下的碳排放權核算與分配體系下,基于不同邊際減排成本、企業之間的碳配額市場供需關系,由擁有富余碳配額的企業出售、碳配額履約不足的企業購買,根據碳配額價值和市場供需關系產生碳價格,形成市場交易[15].

本文提出利用碳配額機制引導電動汽車參與到需求響應中,當電動汽車除了為需求側供能,還可以為大電網輸送電能時,大電網因獲得電動汽車電能而少排放的碳排量即為電動汽車用戶售出的碳配額.電動汽車用戶通過售賣所節省的碳配額獲得額外收益,進而可以養成用戶自發選擇低碳減排的習慣.微電網可通過出售碳配額獲得收益,同時減少碳排放量.國內碳排放配額一般采用免費分配制,依據分配的參照標準不同又可分為“祖父法則的分配”和“標桿法則的分配”,又稱歷史法和基準線法.其中基準線法[18]在節能減排上效果更佳,因此采用基準線法來確定碳配額,即給定碳配額為F0,在此額度內無需購買碳配額,并可將剩余的碳配額賣出,超出的部分需另外購買碳配額.

2 考慮碳配額的兩層模型預測控制優化調度模型

2.1 第一層MPC模型

2.1.1可再生能源模型 可再生能源的預測誤差與提前預測的時間和預測技術密切相關.太陽能輻照強度的預測技術不同導致太陽能出力預測誤差在20%～35%之間,而風能在提前1 d預測的情況下誤差會超過10%,縮短至1 h內預測時誤差可減小至5%～6%[19].本文的可再生能源模型根據光伏發電(簡稱光伏)和風力發電(簡稱風電)的歷史數據,采用梯度不確定性水平進行建模,如下式所示:

(1)

(2)

2.1.2電動汽車行駛特性 電動汽車因其特有的電動汽車入網技術(Vehicle-to-Grid, V2G)功能,不僅可以作為微電網中靈活性高的可調度負載,同時可作為能量存儲設備,在微電網的需求響應中發揮重要作用.

研究表明,汽車1 d中有超過90%的時間處于停駛狀態[21].因此,充分利用電動汽車停駛時間參與微電網需求響應,在保證電動汽車電池壽命的同時,可出售碳配額獲取收益.

假設某地區的電動汽車總量為N,則tf時刻電動汽車最大可調度數量為

(3)

式中:Ppark(tf)為tf時刻電動汽車停駛概率.則電動汽車的模型可表示為

EEV(tf+1)=

EEV(tf)-ηEVPEV(tf)Δtf-Edr(tf)

(4)

Edr(tf)=N(1-Ppark(tf))vEVSΔtf

(5)

式中:EEV(tf)、PEV(tf)分別為電動汽車在tf時刻的電池總實際電量和總充放電功率;ηEV為電動汽車充放電效率;Edr(tf)為電動汽車在Δtf時段內所有電動汽車行駛的耗電量;vEV為電動汽車平均速度;S為電動汽車每百公里(1公里=1 km)耗電量.

2.1.3碳配額引導的需求響應機制 從電能能量守恒的整體性出發,需求側的電能一方面可來源于可再生能源,另一方面來源于電動汽車和大電網供電.由此可得新能源放電與需求側所需電能間的功率差值:

ΔP(tf)=PL(tf)-PPV(tf)-PWT(tf)=

PEV(tf)+PM(tf)

(6)

式中:PL(tf)為負荷功率;PM(tf)為大電網在tf時刻的總充放電功率.

利用列舉法,從電動汽車充放電角度出發,將碳配額引導需求響應機制的情況分成PEV≥0和PEV<0兩大類,如圖4和圖5所示.

圖4 電動汽車放電條件下的碳配額機制Fig.4 Carbon quota mechanism under electric vehicle discharge conditions

圖5 電動汽車充電條件下的碳配額機制Fig.5 Carbon quota mechanism under electric vehicle charging conditions

當電動汽車有足夠電能放電,即PEV≥0時,可以分成兩種情況.

(1) 當ΔP(t)>0,需求側電能可以由可再生能源、電動汽車、大電網之間協調供電,其供電優先級為PPV(t)=PWT(t)>PEV(t)>PM(t).

若微電網中有剩余電能可供于大電網,電動汽車和大電網碳排放如下:

(7)

式中:FEV、FM分別為電動汽車與大電網的碳排放量;MH為火電單位電量碳排放因子.

此時,實際碳排放均由大電網產出,其減少的碳排量為大電網減少碳排量,因此整體的碳排放量需計算電動汽車售賣給大電網和需求側的碳配額得到,總碳排放量如下:

FC=-PEVMH

(8)

若微電網中無剩余電能可供給大電網甚至需要大電網供電時,電動汽車和大電網碳排放如下:

(9)

此時,實際碳排放均由大電網產出,其減少的碳排量為電動汽車售賣給大電網和需求側的碳配額,因此微電網總碳排放量需計算電動汽車售賣給需求側的碳配額和大電網的實際碳排放量得到,如下所示:

FC=-PEVMH+PMMH

(10)

(2) 當ΔP(t)≤0時,需求側所需電能可由可再生能源完全供給,此時可再生能源剩余電能和電動汽車放電所產生的電能可全部輸送至大電網,電動汽車和大電網碳排放如下:

(11)

此時,碳排放均由大電網產出,其減少的碳排量為電動汽車售賣給大電網的碳配額,因此整體的碳排放量相當于電動汽車售賣給大電網的碳配額,總碳排放量如下:

FC=PMMH

(12)

當電動汽車電量不足需要充電,即PEV<0時,可以分成兩種情況:

(1) 當ΔP(t)<0時,需求側電能可以由可再生能源、大電網之間協調供電,其供電優先級為PPV(t)=PWT(t)>PM(t).

若微電網內部電能自給自足甚至有多余電能輸送至大電網時,電動汽車和大電網碳排放如下:

(13)

此時,碳排放由電動汽車和大電網產出,因此微電網總碳排放量需計算電動汽車和大電網的碳排放量得到,總碳排放量如下:

FC=PEVMH+PMMH

(14)

若微電網中電能不足需要大電網供電時,電動汽車和大電網碳排放如下:

(15)

此時,碳排放由電動汽車和大電網產出,因此微電網總碳排放量需計算電動汽車和大電網的碳排放量得到,總碳排放量如下:

FC=-(|PEV|-|PM|)MH+PMMH

(16)

(2) 當ΔP(t)≥0時,可再生能源產能恰好等于或者小于負載側需求電能,此時大電網參與微電網內部供能,電動汽車和大電網碳排放如下:

|PEV|≤|PM|,FEV=0,FM=PMMH

(17)

此時,碳排放均由大電網產出,因此微電網總碳排放量只需計算大電網的碳排放量得到,總碳排放量如下:

FC=PMMH

(18)

綜上所述,可知總碳排放量為

FC=PEVMH+PMMH

其中,總碳排放量存在3種特殊情況:①當|PEV|≤|PM|時,總碳排量FC=PMMH;②當|PEV|>|PM|,PEV≥0,PM<0時,總碳排量FC=-PEVMH;③當 |PEV|>|PM|,PEV<0,PM≥0時,總碳排量FC=-(|PEV|-|PM|)MH+PMMH.

因此,微電網的碳配額成本如下:

CC(tf)=c(FC(tf)-F0(tf))

(19)

F0(tf)=αPload(tf)

(20)

式中:CC(tf)為微電網的碳配額成本;c為碳配額交易價格;F0(tf)為額定碳配額;α為碳配額分配系數;Pload(tf)為tf時刻微電網負荷需求量.當-F0(tf)≤FC(tf)<0時,微網不產生碳排放,并且可出售可再生能源和電動汽車的碳配額獲取收益;當0≤FC(tf)≤F0(tf)時,微電網產生碳排放,但無需購買碳配額,剩余的碳配額還可出售,但當微電網碳排放量超過F0(tf)時,超過的部分需額外購買碳配額.

(21)

(1) 公共電網購售電成本為

(22)

式中:Cm(tf)為實時電價.

(2) 微電網買賣碳配額成本如式(19)所述.

(3) 電動汽車電池壽命成本.

電動汽車頻繁參與到需求響應中必定會對其電池的壽命產生影響,因此,考慮電池充放電深度對壽命的影響[22].電動汽車電池放電深度(Depth of Discharge, DOD)定義為一次充電或放電事件后相對于滿容量的能量,即

(23)

由文獻[21]可知,電池壽命與放電深度關系為

(24)

式中:a、b、e為曲線擬合系數,且皆大于0,因此電動汽車電池壽命隨著DOD的增加而減少.該表達式也適用于不同類型的電池.

電動汽車單位能量下的平均壽命成本[23]為

(25)

式中:CEV為電動汽車電池的更換成本.

電動汽車電池壽命成本為

(26)

2.1.5約束條件

(1) 公共電網傳輸功率約束為

(27)

(2) 電動汽車充放電功率約束為

(28)

(3) 電動汽車充放電總量約束為

(29)

(30)

(4) 電動汽車電池剩余容量約束.

電動汽車電池需遵守剩余容量約束,以防止過度充放電[24],因此設置其容量限制如下:

(31)

(5) 對于第一層MPC,需要滿足的微電網功率平衡約束如下:

PM(tf)=PL(tf)-PPV(tf)-

PWT(tf)-PEV(tf)

(32)

微電網的光伏、風電出力先滿足負荷和電動汽車的用電需求,若有剩余則可出售給大電網,若不夠則由大電網補充.

2.2 第二層MPC模型

第二層MPC在第一層的基礎上增加了超級電容,超級電容具有快速充放電的特點,可在短時間尺度內平抑可再生能源的功率波動.超級電容使用壽命長、故障率低且容量損失也極低,在其使用壽命期間不需要額外維護成本.因其電池壽命由廠家給定,不受充放電次數和深度的影響,故不計入其充放電的壽命成本.而且從系統長期運行來看,超級電容的造價成本也在能夠承受的范圍.

2.2.1超級電容模型 超級電容的模型和充放電功率限制如下所示:

ESC(tS)=ESC(tS-1)-PSC(tS)ΔtSηSC

(33)

(34)

2.2.2目標函數和約束條件 第二層以平抑短時間尺度內的可再生能源功率波動最小為目標函數,將第一層傳下來的公用電網和電動汽車功率作為參考值,與第二層的優化結果形成懲罰函數加入到目標函數中,如下:

(35)

(36)

(37)

(38)

對于第二層MPC,需要滿足功率平衡約束:

PM(tS)=PL(tS)-PPV(tS)-PWT(tS)-

PEV(tS)-PSC(tS)

(39)

綜上所述,所提基于兩層MPC的微電網能量管理策略流程如圖6所示.

圖6 基于兩層MPC的優化調度流程圖Fig.6 Flow chart of optimal scheduling based on two-layer MPC

3 算例分析

所提的兩層MPC模型中,第一層調度范圍為48 h,每1 h優化一次;第二層調度范圍是1 h,每5 min 滾動優化一次;第二層可再生能源預測誤差設定為5%.負載、光伏和風電的出力(P)如圖7所示,電動汽車停駛概率分布[20]如圖8所示.實時電價數據采用新加坡能源市場公司2013年5月至2014年4月的電價數據[25],如圖9所示.微電網拓撲結構如圖10所示,AC、DC分別表示交流和直流.電動汽車和超級電容的各項參數如表1所示.微電網的碳配額系數設置如下:火電單位電量碳排放因子MH=0.910 9 kg/kW;碳配額分配系數α=0.5;碳配額交易價格c=0.25元/kg;初始荷電狀態SEV=0.3.

表1 電動汽車和超級電容參數表Tab.1 Parameters of electric vehicles and super capacitors

圖7 負載、光伏和風力發電的功率Fig.7 Load, photovoltaic, and wind power

圖8 電動汽車停駛概率Fig.8 Probability of stopping electric vehicles

圖9 實時電價數據Fig.9 Real-time electricity price data

圖10 微電網拓撲結構圖Fig.10 Topology diagram of microgrid

3.1 算例一:基于單層MPC的微電網能量管理

此算例基于單層MPC的微電網能量管理策略,在長時間尺度上利用MPC滾動求解經濟性優化目標,并由實時電價引導電動汽車參與微電網需求響應時,在短時間尺度上利用粒子群算法修正.因此,基于單層MPC的微電網能量管理策略下,各單元的出力結果如圖11所示,電動汽車和超級電容的荷電狀態(S)如圖12所示.圖11中可以看出相對于33～40 h,9～16 h大電網的功率曲線一直處于負值狀態.這是由于9～16 h光伏出力較大,所以微電網可向大電網出售多余電量獲取收益,同時最大化消納可再生能源.另外,電動汽車和大電網功率變化曲線跟隨實時電價變化,在電價低谷期利用大電網供電,在電價高峰期,如17、38 h利用電動汽車補充大電網供電,降低微電網運行成本.超級電容起到短時間尺度內抵消可再生能源預測誤差的作用.但是單層MPC策略下,微電網各單元的出力曲線波動都較大.

圖11 單層MPC策略下微電網各單元出力情況Fig.11 Output of each unit of microgrid under single-layer MPC strategy

圖12 單層MPC策略下電動汽車和超級電容的SOCFig.12 SOC of EV and SC under single-layer MPC strategy

3.2 算例二:基于兩層MPC的微電網能量管理

在基于兩層MPC的微電網能量管理下,各單元的出力情況如圖13所示,電動汽車和超級電容的荷電狀態如圖14所示.微電網各項運行成本及碳排放量如表2所示.對比圖13和圖11可以明顯看出,各單元的出力曲線平滑很多.對比圖14和圖12可以看出,超級電容的SOC變化減小,可見單層MPC僅靠超級電容來抵消可再生能源的預測誤差,而兩層MPC在第二層反饋校正時即可平抑一部分瞬時功率波動,補償預測的潛在不確定性.因此超級電容結合兩層MPC的策略在平抑瞬時功率波動方面更為有效.但是從圖13也可看出,僅靠實時電價引導電動汽車參與需求響應的效果并不佳,需要為電動汽車制定更有針對性的需求響應策略.

表2 微電網各項運行成本及碳排放量Tab.2 Average operating cost of microgrid

圖13 兩層MPC策略下微電網各單元出力情況Fig.13 Output of each unit of microgrid under two-layer MPC strategy

圖14 兩層MPC策略下電動汽車和超級電容的SOCFig.14 SOC of EV and SC under two-layer MPC strategy

3.3 算例三:有碳配額引導需求響應的能量管理

在算例二的基礎上增加碳配額機制后各單元的出力情況如圖15所示,電動汽車和超級電容的荷電狀態如圖16所示.微電網各項運行成本如表2所示.對比圖13、15可知,在碳配額和實時電價的共同作用下,電動汽車參與微電網需求響應比例明顯增大.在8～16 h時段,可再生能源較為充足,電動汽車利用可再生能源進行充電;在23～31 h實時電價較低,電動汽車通過大電網充電.圖16中電動汽車的SOC曲線和表2中算例2、3各項成本的對比,顯示電動汽車因為碳配額機制的引導,需求響應潛力得到進一步挖掘,電動汽車車主可從碳配額交易中獲取收益,進而使微電網運行成本降低.國家統計局數據顯示,我國居民2021年人均每月用電量為69.3 kW·h,根據國家電網電費標準,我國城市居民用電人均價格在0.56～0.62元,可知一個三口之家48 h的電費約為7.76～8.59元.而從表2中可知兩層MPC的策略比單層MPC運行成本減小55.7%,在碳配額引導的條件下,運行成本可再下降38.5%,可見所提策略可實現良好的經濟效益,而且使微網的碳排放量減少57.0%,減排效果顯著.

圖15 有碳配額機制引導需求響應參與下各單元出力情況Fig.15 Output of each unit with carbon quota guiding demand response

圖16 有碳配額引導需求響應時電動汽車和超級電容的SOCFig.16 SOC of EV and SC with carbon quota guided demand response

為比較所提兩層MPC策略在平抑可再生能源預測誤差導致的短時間功率波動的有效性,對大電網和電動汽車引入平均偏差評價指標,其計算式為

(40)

式中:Pf(i)、PS(i)分別為大電網或電動汽車在第一層和第二層的優化結果.

3個算例中,大電網和電動汽車的平均功率偏差如表3所示.由表3可知,在所提的兩層MPC微電網能量管理策略下,可充分發揮MPC滾動優化和反饋校正的優勢,使大電網和電動汽車的平均功率偏差有所減小,電動汽車偏差相較于單層MPC可減小近一半,有效減小微電網實際運行中可再生能源隨機性和波動性造成的預測出力的誤差,降低其波動性對電網的影響.而且碳配額機制的引入也不會影響平抑可再生能源預測誤差的效果,因為兩層MPC的結構可在上層引入碳配額實現低碳經濟效果,在下層利用超級電容實現微電網的穩定運行.

表3 大電網和電動汽車平均功率偏差

4 結語

提出考慮碳配額引導需求響應的機制以及基于兩層模型預測控制的微電網能量管理策略.在第一層MPC中引入碳配額機制代替傳統的價格型需求響應引導電動汽車參與充放電,兼顧環境效益同時實現系統運行的經濟性;將第二層模型預測控制的優化調度作為第一層的反饋校正環節輸入,利用控制時間間隔的配合實現微電網短時間尺度的能量管理,平抑瞬時可再生能源的功率波動.利用算例驗證了所提策略可有效發揮MPC滾動優化和反饋校正的優勢,利用兩層結構耦合需求響應技術推動實現“雙碳”目標,減少微電網的運行成本,降低碳排放量,同時能夠平抑可再生能源預測誤差造成的功率波動.研究內容為微電網中考慮碳配額機制參與需求側響應提供了一種切實可行的控制方法,也為開展微電網多時間尺度的能量管理提供了一定的理論基礎與技術手段.未來研究將關注參與需求響應的其他需求側柔性可控資源,以及如何充分利用靈活性資源,保持微電網系統的頻率和電壓穩定.