考慮不確定因素影響的微電網供電能力評價方法

王寧，宋子洋，賈清泉

( 燕山大學電氣工程學院，河北 秦皇島 066004)

0 引言

風電、光伏出力受天氣因素比較明顯［1］，具有隨機波動性，對微電網進行短期供電能力的預測評估日漸受到關注。供電能力( Power Supply Capacity，PSC) 是指電網在滿足系統運行功率約束和電壓約束條件下，能夠為負荷供給的最大功率［2］。隨著負荷增長、新能源發電占比的提高，同時風電、光伏出力和負荷功率的變化都呈現出一定的規律性和不確定性，準確地對微電網短期供電能力進行預評估能夠為微電網的安全經濟運行和優化調度提供指導建議。

在針對電網供電能力研究領域，一些學者已有一些成果。在考慮電網發生故障的背景下，文獻［3］針對不同可靠性類型，提出了一種配電網孤島劃分方法。在船舶發生電力系統故障時，文獻［4］提出了一種考慮可靠性約束的船舶電力系統故障重構迅速恢復供電策略。文獻［5］在對光伏、風電出力隨機特性的研究基礎上，提出了一種蒙特卡羅時序模擬的微電網可靠性評價方法。文獻［6］通過定量分析DG 出力特性、微電網內DG 總容量與負荷容量比、一次能源相關系數變化揭示了DG 出力對微電網可靠性的影響。文獻［7］采用序貫蒙特卡洛方法對風-光-儲微網接入的配電網供電可靠性進行了定量分析。以上所述研究的都是在特定模式下微電網供電能力的計算，較少將不確定性因素考慮進微電網短期供電能力評價計算中。

對于微電網中不確定性因素的研究，通過分析配電網中DG 出力、負荷的不確定的特點，文獻［8］提出了一種基于有功網絡損耗期望值的多場景配電網重構模型。文獻［9］提出了一種基于不確定場景的隨機優化的日前運行策略。文獻［10］提出了一種計及不確定性因素的日調度計劃節能效益概率評估方法。文獻［11］提出了一種考慮光伏預測誤差不確定性的光儲容量優化配置方法。文獻［12］提出了一種考慮風電場有功功率的預測誤差概率分布模型。文獻［13］在分析DG出力不確定性的基礎上，提出一種非計劃孤島情況下的微電網可靠性評估方法。以上研究更多是從電網重構、調度運行、優化配置進行研究不確定性因素，對研究微電網短期供電能力受不確定因素的影響關注較少。

為了研究微電網的短期供電能力受可再生能源、負荷的不確定性因素的影響，文中提出了一種基于場景分析法的微電網短期供電能力評價方法。首先，在微電網中風電、光伏、負荷功率預測值基礎上，對風電、光伏、負荷預測誤差進行了分析;通過蒙特卡羅抽樣獲取微電網場景; 構建了多個可用于量化供電能力的評價指標;最后，針對不同的場景進行了微電網供電能力的計算和相關評價分析，可為微電網系統的安全經濟及運行調度提供了參考依據。

1 微電網不確定因素分析

1.1 微電網中風電、光伏、負荷功率建模

微電網中的不確定因素即主要包括風電、光伏、負荷。首先對風電、光伏、負荷的功率進行確定性預測，進一步分析風電、光伏、負荷的功率預測誤差概率分布，再通過蒙特卡羅抽樣模擬預測誤差，將抽樣所得預測誤差和確定性預測結果相加，最終獲得風電、光伏、負荷可能出現的功率。

1.1.1 風電、光伏、負荷功率的確定性預測

采用非參數自回歸方法［14］對風電、光伏、負荷的功率進行預測。該方法能夠避免主觀因素的影響，將短期風電、光伏、負荷的功率預測看作一個非線性時間序列預測問題，并從歷史數據本身出發直接挖掘風電、光伏、負荷的功率變動的內在隨機分布規律，保證了預測精度的客觀性。預測原理如圖1 所示。

圖1 基于非參數自回歸方法的預測模型Fig.1 Prediction model based on non-parametric autoregressive method

1.1.2 風電、光伏、負荷的預測誤差分析

對于風電功率預測誤差，通過預測值與實際值進行數據分析可得，文獻［15］認為正態分布函數能夠較好的擬合短期風電功率預測誤差分布。可描述為:

式中δwt與風力發電機組的最大輸出功率有關，文中取為最大輸出功率的4%［16］;Pwt，t為t時刻風電出力預測值;Pwt，e為風電最大輸出功率。

文獻［17］認為風電功率預測誤差因不同風速區間所服從的概率分布不同，［0，2.1］、［12.6，∞］的風速區間可用“0 誤差”擬合; ( 2.1，5.1］風速區間可用指數分布擬合;(5.1，9.8) 的風速區間可用正態分布擬合;［9.8，12.6) 的風速區間可用極值分布擬合。文中選用此方法來估計風電出力預測誤差。

對于光伏功率預測誤差，文獻［18］考慮預測功率不同區段范圍內誤差預測概率分布的差異性，采用高斯混合模型分別對不同功率區段內預測誤差的概率分布進行擬合:

式中fi( ΔP) 為第i個功率區段功率預測誤差ΔP的概率密度函數; ωk為第k個正態分布的權重系數;為第k個正態分布的概率密度函數; μk、分別為期望和方差，為高斯混合模型中的正態分布個數，當m為1 時概率密度函數即為單一的正態分布模型。

考慮到光伏功率很大程度上受天氣狀態的影響，文獻［19］將預測誤差概率分布進行了分類，針對不同的天氣狀態研究光伏出力水平，發現不同天氣狀態下光伏出力預測誤差概率分布差別很大。文獻［20］指出正態分布函數在為晴天時能較好擬合光伏功率預測誤差，可描述為:

式中σpv與光伏預測功率成正比，即σpv=Ppv×β%，β%為標準差σpv占光伏預測功率的比例系數。對于除晴天以外類型天氣下的光伏功率預測誤差分別，采用基于非參數核函數估計方法建立誤差概率分布。因此文中借鑒該方法來估計風電出力預測產生的誤差。

對于負荷功率預測誤差，通過對負荷功率預測結果統計分析可知，正態分布函數［19］可以較好的擬合負荷預測誤差分布，可描述為:

式中σL取負荷功率預測功率的γ% ，即σL= PL×γ%，γ% 為標準差σL占負荷預測功率的比例系數。

1.2 微電網場景的生成

模型在負荷、風電、光伏的功率預測值的基礎上引入了誤差這樣的隨機變量，在獲得了微電網中風光荷功率的預測誤差概率密度分布函數后，文中采用蒙特卡羅模擬法［20］將其轉為確定性誤差，通過多次抽樣得到預測誤差。然后將抽樣所得負荷、風電、光伏的功率預測誤差與負荷、風電、光伏的確定性功率預測值相加，便得到可能出現的微電網場景。微電網場景的生成流程圖如圖2 所示。

圖2 微電網場景生成流程圖Fig.2 Micro-grid scene generation flow chart

2 考慮不確定因素的微電網運行求解模型

2.1 微電網場景的供電能力計算

文中研究的是獨立型微電網系統，在考慮功率平衡約束、蓄電池運行約束、柴油發電機約束的條件下，以微電網能夠供給負荷電能最大為目標函數，進行微電網供電能力計算。用t(t∈Nd) 代表需要計算的每一個時段，Nd表示需要計算的總時段數。

2.1.1 目標函數

目標函數取為運行優化總時段微電網供電電量最大。

式中Pi，t為第t時段微電網功率平衡條件下微電網供給負荷的功率; Δt為間隔時間。

2.1.2 約束條件

1) 微電網系統功率平衡約束。

式中Pwt，i，t、Ppv，i，t、PL，i，t、Pdis，i，t、Pch，i，t分比為第i個場景的第t時段微電網中風電、光伏、負荷的功率以及儲能單元的放電、充電功率。

2) 蓄電池的約束條件。

式中Pch，t、Pdis，t對應第t時段的充、放電功率;Pch，max、Pdis，max對應最大充、放電功率;SOCmin、SOCmax對應最小、最大荷電狀態。

3) 柴油發電機的約束條件。

式中Pdie，min、Pdie，max分別柴油發電機組的下限、上限運行功率;Ndie為柴油發電機的數量。

2.2 運行模型優化求解

微電網的供電能力的供電電量為在滿足微電網運行約束條件下能夠為負荷提供的最大電量，文中采用的求解方法是首先將微電網場景中風電、光伏、負荷功率合成凈負荷曲線［21］，然后再發揮儲能單元削峰填谷作用，以及柴油發電機補充不足功率來進行修正凈負荷曲線，從而來計算微電網的供電能力的供電電量。模型優化求解流程如圖3 所示。

圖3 微電網供電能力優化計算流程圖Fig.3 Flow chart of micro-grid power supply capacity optimization

3 微電網的供電能力評價

為了進一步量化不確定因素所產生的影響，在考慮生成多個微電網場景的背景下，引入了供電電量的期望值、供電電量的標準差、供電電量最大值、供電電量最小值、風電對供電電量期望值的貢獻度、光伏對供電電量期望值的貢獻度、失負荷概率、棄風棄光率等指標進行微電網短期供電能力評價。

3.1 微電網供電能力評價指標

1) 供電電量的期望值Eexp，單位為kW·h。

式中Nsce為總場景數;Ei為第i個場景下微電網供應的電能。

2) 供電電量的標準差V。

3) 供電電量最大值Emax，單位為kW·h。

4) 供電電量最小值Emin，單位為kW·h。

5) 風電供電貢獻度α。

6) 光伏供電貢獻度β。

7) 失負荷概率Pshd，表征微電網發電功率小于負荷功率的概率。

式中pdp為微電網供電能力不足所對應場景的發生概率。

8) 棄風棄光率Pabn，表征微電網發電量大于負荷需求電量的概率。

式中pep為微電網供電過剩所對應場景的發生概率。

3.2 微電網場景類型的確定

不同類型的微電網場景供電能力具有一定的差異。一般在晴天的微電網場景，光伏對負荷供電電量的貢獻度比陰天的微電網場景高。在多云天氣下的微電網供電電量的波動浮動比晴天大，雨天天氣下的微電網供電電量的波動浮動比陰天大。根據以上微電網場景的特征，運用供電能力指標組合對微電網場景進行分類，微電網場景類型的確定如表1 所示。

表1 微電網場景類型的確定Tab.1 Determination of micro-grid scenario types

通過表1 供電能力指標組合可以確定4 種微電網場景，根據不同組合可以唯一確定微電網場景類型，因此微電網場景的分類是相互獨立的。

3.3 微電網供電能力評估步驟

1) 采用非參數自回歸方法對負荷、風電、光伏的功率進行確定性預測;

2) 建立微電網中風電、光伏、負荷的功率誤差概率分布模型，應用蒙特卡羅抽樣技術獲取預測誤差，再將預測誤差與風電、光伏、負荷的確定性功率預測值相加，即得到微電網場景;

3) 針對生成的微電網場景進行供電能力運行優化計算，求得微電網在每個場景下的供電能力評價指標;

4) 統計各個場景下微電網的供電能力評價指標，得到各評價指標綜合值。

微電網供電能力評價步驟如圖4 所示。

圖4 微電網供電能力評價步驟圖Fig.4 Step diagram of micro-grid power supply capacity evaluation

4 算例分析

4.1 系統概況

文中以某獨立型風光柴儲微電網為研究對象，系統采用如下數據:最大負荷為21 kW，單臺風機額定輸出功率為4 kW，單個光伏電池模塊額定輸出功率為55 W，單個蓄電池組額定電量為2.4 kW·h、額定功率為2.4 kW，單臺柴油發電機為2 kW，設置儲能系統的初始荷電狀態為SOC(0)=0.5 ，儲能系統的最小荷電狀態為0.1，最大荷電狀態為1。該微電網的組成結構如圖5 所示，系統容量的配置情況如表2 所示。

表2 獨立型風光柴儲微電網容量配置Tab.2 Independent micro-grid capacity configuration containing wind-solar-diesel-battery

圖5 獨立型風光柴蓄微電網系統結構Fig.5 Structure of the independent micro-grid containing wind-solar-diesel-battery

4.2 微電網的短期供電能力評估

4.2.1 四種天氣狀況下的微電網供電能力評估

文中的原始數據為該微電網中2018 年7 月－2018 年8 月的風電出力、光伏出力以及負荷功率，將微電網場景分為晴天、多云、陰天以及雨天［22］。選取前五十天的風光荷功率數據作為微電網風光荷功率預測的輸入數據，通過非參數自回歸方法可預測得到日前24 個時段的風電、光伏、負荷功率。根據已建立的風電、光伏、負荷功率預測誤差模型［23-25］，設置蒙特卡洛抽樣次數為1000，可抽樣得到1000 種隨機的風電、光伏、負荷預測誤差，將抽樣所得預測誤差加上確定性預測風光荷功率，便得到1000 種可能出現的微電網的風光荷功率場景。通過對運行優化模型的求解，統計并分析不同微電網場景供電電量，如圖6 ～圖9 所示。

圖6 晴天天氣下微電網的供電電量Fig.6 Power supply of microgrid in sunny weather

圖7 多云天氣下微電網的供電電量Fig.7 Power supply of micro-grid in cloudy weather

圖8 陰天天氣下微電網的供電電量Fig.8 Power supply of micro-grid in overcast weather

圖9 雨天天氣下微電網的供電電量Fig.9 Power supply of micro-grid in rainy weather

四種天氣類型的微電網場景供電能力的評價指標如表3 所示。

比較圖6 ～圖9 可得，晴天、陰天下微電網的供電電量在圖形上較為對稱，多云、雨天下微電網的供電電量在圖形上對稱不明顯。

四種天氣狀況下的微電網供電能力評估分析如下:

1) 隨著天氣狀況的不同，微電網的供電電量標準差差異明顯，根據表3 可以看出偏離程度從小到大依次排序為陰天、晴天、雨天、多云。即，陰天天氣狀況下微電網供電電量波動幅度小，多云天氣狀況下微電網供電電量波動幅度最大;

2) 不同天氣狀況下，風電對微電網供電電量的貢獻度都能達到40%以上，雨天天氣下風電貢獻度最大，陰天天氣下風電貢獻度最低;

3) 不同天氣狀況下，光伏對微電網供電電量的貢獻度差異較大，晴天、多云天氣下光伏貢獻度較高，陰天、雨天天氣下光伏貢獻度較小;

4) 微電網系統的失負荷的概率為零，可見系統供電可靠性很高;

5)微電網系統在陰天、雨天狀況下棄風棄光率比較小，在晴天、多云天氣狀況下棄風棄光率保持著較低水平。

4.2.2 不考慮天氣狀況的微電網供電能力評估

當不考慮天氣狀況時，采用文獻［15］和文獻［18］所述方法建立風電、光伏功率預測誤差概率分布模型。針對日前微電網功率預測，通過蒙特卡羅抽樣法可得到1000 種可能出現的微電網的風光荷功率場景。通過對運行優化模型的求解，統計并分析不同微電網場景供電電量，同樣可以得到不考慮天氣狀況的微電網場景供電電量如圖10 ～圖13 所示，微電網場景供電能力的評價指標如表4 所示。

表4 四種微電網場景供電能力評價指標Tab.4 Evaluation index of power supply capacity of micro-grid under four kinds of weather conditions

圖10 類型1 微電網場景的供電電量Fig.10 Power supply of type 1 micro-grid scenario

圖11 類型2 微電網場景的供電電量Fig.11 Power supply of type 2 micro-grid scenario

圖12 類型3 微電網場景的供電電量Fig.12 Power supply of type 3 micro-grid scenario

圖13 類型4 微電網場景的供電電量Fig.13 Power supply of type 4 micro-grid scenario

4.2.3 考慮天氣狀況與不考慮天氣狀況的微電網供電能力評估的比較

比較圖6 ～圖9 和圖10 ～圖13 可得，不考慮天氣狀況下的微電網供電電量在圖形上差異較小。

比較表3 和表4 考慮天氣狀況與不考慮天氣狀況的微電網供電能力評估，可得在供電電量期望值、風電對微電網供電電量貢獻度、光伏對微電網供電電量貢獻度、失負荷率、棄風棄光率這五個評估指標方面比較相似，但是在供電電量標準差、供電電量最大值、供電電量最小值這三個評估指標上差異明顯。

不考慮天氣狀況的微電網場景供電電量標準差差異很小，不能反映出不同微電網場景供電能力差異性，而考慮天氣狀況的微電網場景供電能力區別明顯。同時考慮天氣狀況的微電網場景供電電量最大值比不考慮天氣狀況的微電網場景小，最小值比不考慮天氣狀況的微電網場景大，因此考慮天氣狀況的微電網在運行調度方面會更有優勢。

綜上兩種方法的比較可以知道，文中所提出的方法能夠更加確定地反映出不同天氣狀況下的微電網場景的供電能力。

4.3 增加儲能容量提高微電網供電能力

根據表3，在晴天、多云天氣下微電網的棄風棄光率為11.3%、12.1%，可知棄風棄光率比較高; 相比而言陰天、雨天天氣下微電網的棄風棄光率分比為3.4%、3.9%，棄風棄光率保持著較低水平。因此提出用增加儲能容量來吸收棄風棄光量以降低微電網系統的棄風棄光率。

以一定步長地增加儲能容量，微電網系統的供電電量期望值如圖14 所示，棄風棄光率的變化如表5 所示。

表5 棄風棄光率的變化Tab.5 Variation of abandoned wind and light

圖14 儲能增加引起的的Eexp 變化Fig.14 Change of Eexp brought by increasing energy storage

由圖14 可看出，供電電量的期望值Eexp在18 點－20 點隨著儲能容量的增加供電電量明顯增加。由表5可以看出，棄風棄光率隨著儲能容量的增加逐漸減小。可見，增加的儲能能夠明顯提升微電網供電能力，減少了棄風棄光量。

5 結束語

文中以風光儲柴獨立型微電網為研究對象。建立了考慮風電、光伏、負荷不確定性的微電網短期供電能力評價模型。分析了風電、光伏、負荷預測誤差概率模型，運用蒙特卡羅方法進行抽樣模擬，并將其與基于自回歸非參數方法所預測的結果相結合構建微電網場景。通過對多個場景供電能力的計算與統計分析，運用供電能力指標組合方法能夠直觀地將不同場景進行區分，展現出不同微電網場景的供電能力特點。

文中給出了一系列微電網供電能力評價指標，從供電電量期望值、供電電量離散程度、最大供電電量、最小供電電量等多個角度對微電網短期供電能力進行了量化評價。

算例結果表明: 文中所建立的考慮不確定性因素的微電網短期供電能力評價方法，能夠準確地將微電網場景區分為不同天氣類型，同時展現了不同天氣類型下微電網短期供電能力所特有的特征; 增加儲能可有效地提升微電網供電能力，減少了棄風棄光量。