考慮主動配電網下多區域綜合能源系統間電能交互的優化調度策略

孫文杰, 武家輝*, 張強

(1.新疆大學可再生能源發電與并網控制教育部工程研究中心, 烏魯木齊 830017; 2.國網新疆綜合能源服務有限公司, 烏魯木齊 841100)

社會經濟的發展與國民生活水平的提高離不開能源的供給,中國作為世界能源消費大國面臨著能源緊張匱乏的問題。同時,全球環境問題日益嚴峻,為應對溫室效應和化石能源匱乏問題,發展綠色經濟,非化石能源裝機容量日益增長。能源之間互聯能源高效利用成為熱點問題[1]。綜合能源系統(integrated energy system, IES)常由分布式電源、熱電聯產機組、儲能設備,以及電熱冷一些負荷等組成。能夠實現電氣熱等資源之間的耦合[2-4],提高能源利用率。多IES以微網形式接入主動配電網(active distribution network, ADN)進行能源的互聯,不僅能夠實現對ADN的削峰填谷作用也有助于消納微網中的棄風棄光。

多個IES微網兼具電源與負荷雙特性,對ADN來說是電力的產消者,是需求響應資源。多IES形成微網聯盟。聯盟內各IES微網可以通過點對點(peer to peer, P2P)電能共享實現能源互濟,經由上級配電網傳輸。IES內部的電熱需求響應資源影響各微網之間能量響應調度策略,同時也影響著微網與ADN之間的響應機制。

各IES微網內風機光伏容量日益增加,每日微網凈負荷峰谷趨勢變化明顯。傳統分時電價逐漸很難發揮對微網的削峰填谷作用。考慮下級多IES微網在上級ADN議價下以微網自身運行成本最低為目標的調度自主性,制定相應電價策略。

目前,對于綜合能源系統優化調度的研究已有很多成果。文獻[5]分析了一種含負荷側價格型需求側響應和電動汽車協同作用的綜合能源系統隨機優化調度模型。但未充分挖掘需求側響應可轉移可削減種類以及對電動汽車有序充放電對調度結果的影響。文獻[6]提出考慮風電極限場景微電網-天然氣網多層調度模型,運用卡羅需-庫恩-塔克(Karush-Kuhn-Tucker,KKT)條件對多層模型轉化單層模型進行求解,有效地提高求解速度。文獻[7]建立包括電轉氣設備、燃氣輪機、熱電聯產機組等設備的綜合能源系統模型。以園區整體調度費用最小為目標進行日前經濟調度。文獻[8]通過對工業園區內設備建模,以該工業園區的總成本最小為目標。采用粒子群算法對模型進行求解,得到最佳的資源分配方案。文獻[9]建立考慮混合不確定性價格型綜合需求響應(integrated demand response, IDR)的綜合能源系統模型,考慮IDR用戶用能行為混合不確定性的特征,提出優化調度策略。文獻[10]分析綜合能源系統中多個分布式能源站和用戶間的博弈關系,利用Stackberg模型分析各主體間的能源交互策略。文獻[11]分析主動配電網下接入綜合能源系統時雙利益主體之間的協調調度策略,目標函數為配電網的調度成本,負荷方差等。采用目標級聯法對模型分解,運用粒子群算法在IEEE33節點對模型求解。以上研究主要是對單一IES進行優化調度研究,或者考慮IES接入ADN后的雙方主體的協調調度策略,沒有對多IES互聯特性進行研究或者沒有考慮多IES接入ADN后多IES微網聯盟主體間進行P2P電能共享后對調度策略的影響。

對于多個IES微網,各微網具有不同特征。IES微網間進行互聯互補,協調運行有助于整體運行效益的提高,同時可以互補不同微網的產消特異性差異,進而減少對上級電網的依賴。同時,提高能源利用率,減少棄風棄光現象。文獻[12]基于納什談判理論對風-光-氫多主體交易談判問題進行研究,采用交替方向乘子法求解主體之間的電能交易量,模型構造簡單,收斂效果好。文獻[13]提出考慮微網間電能交易的冷熱電聯供多微網分布式優化調度模型。設定微網間交互電價,將交互成本考慮在運行成本中。將主動配電網和多微網作為不同利益主體,采用目標級聯法求解模型。文獻[14]提出電能共享的綜合能源樓宇群運行框架,同時優化問題分解為樓宇子問題和代理商問題,運用交替方向乘子法進行求解。文獻[1]提出多個區域綜合能源系統接入主動配電網運行框架,運用雙層博弈問題求解模型。考慮多主體間電能交易和配電網議價問題,最后采用粒子群算法求解。但運用粒子群算法收斂速度慢,求解該復雜非線性問題效果差,最優情況難以驗證。文獻[15]運用納什談判理論建立多主體合作模型,分解問題為聯盟效益最大化子問題和合作收益分配子問題。增加了多主體間能源共享模型的全面通用性。以上研究大多對多主體微網進行調度研究或針對微網接入配電網的調度模型采用啟發式算法進行求解。針對上級配電網,大多未考慮配電網的潮流約束。同時,微網內部風電光伏發電的強隨機性、各微網內風機光伏容量日益增加,每日微網凈負荷峰谷趨勢變化明顯,常與大電力市場分時電價的峰谷趨勢相背離。

綜合上述背景,現提出考慮主動配電網下多主體能源共享調度策略,合理制定日前分時電價,實現微網凈負荷峰谷時段與日前分時電價的峰谷時段相對應,提高電網賣電收益。以主動配電網向下級微網的售電收益減去向主網購電成本所得凈收益最大為目標函數,充分考慮下級多微網在電網議價下以微網自身運行成本最低為目標的調度自主性。采用KKT條件將雙層優化問題轉化為單層非線性規劃問題,進而通過Big-M法對KKT條件進行線性化處理,便于求解模型均衡解。最后,在經典算例中驗證所提方案的有效性。

1 含多綜合能源系統主體的主動電網架構與運行

1.1 含多IES主體的ADN架構

如圖1所示,系統運行框架圖主要由大電網、主動配電網和多個IES微網組成。各IES中分別包含新能源機組、電氣熱耦合設備、儲能設備、碳捕集裝置以及電氣熱柔性負荷等。

圖1 含多綜合能源系統微網的主動配電網架構圖Fig.1 Architecture diagram of active distribution network with multi-integrated energy system microgrid

每個IES微網有著自主向上級配電網購售電能力。同時,各IES與ADN相連,進行P2P電能交互時經配網進行傳輸。各IES可向燃氣網購買燃氣供給能源,自身內部熱負荷自給自足。ADN與上級大電網相連,可以向大電網購電需求。

1.2 含多IES主體的ADN的運行策略

多IES微網接入ADN參與響應調度,同時下級多IES微網主體間允許進行P2P電能交易,對IES內部各種能源流動機制產生影響,同時影響下級多IES微網層與ADN間的能量流動機制。本文以ADN向下級微網的售電收益減去向主網購電成本所得凈收益最大為目標,分析ADN與多IES微網的協調調度機制。具體流程如下。

(1)多IES主體預測自身的凈負荷峰谷時段以及自身負荷需求并將其傳輸給ADN。

(2)ADN針對其凈負荷峰谷曲線生成初始電價,下層多IES根據生成的電價進行合作P2P交易,在滿足自身需求的同時參與ADN電力需求調度,得到各主體間的電能交互功率量以及多IES與ADN間的購售電功率。

(3)以ADN向下級多IES主體的售電收益減去向主網購電成本所得凈收益最大為目標,充分考慮下級多微網在電網議價下以微網自身運行成本最低為目標的調度自主性。不斷更新修正電價,直至多IES主體的電量策略和電價策略趨于穩定,輸出穩定解。

(4)分析各IES中各能源流動情況,電熱冷資源的平衡情況。

2 區域綜合能源系統與主動配電網優化調度模型

2.1 IES主要組成設備數學模型

對于上述各IES內主要設備模型,燃氣輪機電熱出力模型以及熱鍋爐模型可參考文獻[1]和文獻[16]。電動汽車負荷模型采用蒙特卡洛法進行抽樣生成,具體模型參考文獻[17],此處不再贅述。本節對用戶需求響應模型、碳捕集模型和溫控負荷模型進行建立。

2.1.1 需求響應模型

考慮可轉移負荷需求響應類型,滿足調度前后總負荷保持不變,具體表達式為

(1)

2.1.2 碳捕集裝置模型

“碳達峰,碳中和”背景下,為促進低碳經濟化改造,碳捕集、碳封存技術的利用有助于CO2的消納,IES碳排放模型可表示為

(2)

碳捕集裝置模型可表示為

(3)

2.1.3 儲能設備模型

本文中考慮的IES微網內包含電熱等儲能裝置,其統一模型建立如下,具體包括儲能容量限值、儲能充放電熱功率、儲能始末能量相等、儲能運行狀態以及儲能切換次數等數方面,具體表示為

(4)

2.1.4 溫控負荷模型

溫控負荷作為主要的柔性負荷資源之一,有著很好的需求響應調度資源。可以通過管道供熱和空調制冷來維持室溫,具體模型可表示為

(5)

2.2 含多IES的ADN調度模型

2.2.1 ADN調度模型

1)目標函數

對于上層ADN,以ADN向下級微網的售電收益減去向主網購電成本所得凈收益最大為目標函數,即

(6)

式(6)中:SA2I(t)為t時段ADN向下級多IES售電收益;CA2G(t)為t時段ADN向上級大電網購電成本。

因為ADN向下級微網售電收益與下級微網向ADN購電成本是相同的,所以此處以下級微網向ADN購電成本進行說明,表達式為

φP2P[|p12(t)|+|p13(t)|+|p23(t)|]

(7)

(8)

2)約束條件

(1)電價約束:

(9)

式(9)中:λmin與λmax分別為ADN制定電價的下限與上限;ζ<1,這里表示ADN制定的電價均值小于大電網的分時電價均值,旨在為提高下級多IES微網用戶對ADN售電的滿意度。

(2)二階錐潮流約束:

二階錐潮流參考文獻[18],具體公式為

?i,j∈E,?j∈B

(10)

(3)分布式電源出力約束:

(11)

(4)無功補償約束:

分組投切電容器組(capacitor banks,CB)是常用的離散無功補償裝置,其每個檔位對應一個電容值,接入電壓近似為Un,各檔位都對應一個無功分量,具體表達式為

(12)

靜止同步補償器(static synchronous compensator,STATCOM),用于小容量連續無功補償,具體表達式為

?i∈BSTATCOM

(13)

(5)有載調壓變壓器約束:

有載調壓變壓器約束主要包括檔位與變比選擇,狀態標識約束以及最大切換次數約束,表達式為

(14)

(6)功率平衡約束:

(15)

(7)火電機組爬坡約束:

(16)

式(16)中:γi,down與γi,up分別為第i個火電機組向下與向上爬坡率。

(8)聯絡線交互功率約束:

(17)

2.2.2 多IES微網調度模型

1)目標函數

(18)

(19)

2)約束條件

(1)P2P交互約束:

(20)

(2)機組出力約束:

(21)

(3)功率平衡約束:

①電功率平衡約束

(22)

②熱功率平衡約束

(23)

③天然氣功率平衡約束

(24)

2.3 基于KKT條件的多主體聯盟P2P電能共享模型求解

2.3.1 基于KKT條件的模型轉換流程

KKT條件轉換流程如下:

(1)對下層多IES微網主體的調度模型進行整理,將等式約束與不等式約束寫成標準形式,即等式約束寫為=0,不等式約束寫為≤0形式,同時引入等式約束乘子(ki)與不等式約束乘子(μj)。

(2)具體按照如下要求對公式進行編寫:

(25)

(26)

ki≠0

(27)

μj≥0

(28)

μjgj(X*)=0

(29)

hi(X*)=0,i=1,2,…,p

(30)

gj(X*)≤0,j=1,2,…,q

(31)

式中:f(X)、L(X,k,μ)分別為目標函數與增廣拉格朗日函數;hi(X)、gj(X)分別為等式約束與不等式約束;p、q分別為等式約束與不等式約束的個數。

(3)式(27)求偏導后生成等式約束的個數與X變量的個數相等。

(4)式(30)出現變量乘積的情況,運用Big-M法對其進行線性化處理,具體表示為

μj≤vjM

(32)

-gj≤(1-vj)M

(33)

vj∈{0,1}

(34)

(5)等式與不等式約束乘子個數需與其相應的約束個數相等。

2.3.2 求解方法

本文具體模型求解流程如圖2所示。

圖2 含多IES的ADN雙層調度模型求解流程圖Fig.2 Flow chart of solving two-layer scheduling model with multiple IES

在調度模型構建上,上下層存在變量耦合關系,本文將下層多IES微網主體調度模型轉化為上層的約束條件,運用Big-M法將轉化后模型中非線性部分線性化。在MATLAB 2018b中調用求解器GUROBI和YALMIP工具箱對其進行求解。

同時,本文KKT耦合約束中上下層耦合變量電價與交互功率變量之間的乘積,若不進行線性化處理會導致求解速度非常緩慢,處理方法是將連續電價變量離散化,即電價[λmin,λmax]變為{λmin,λmin+Δλ,λmin+2Δλ,…,λmax},Δλ為設置離散電價的步長,可自行進行選取,本文取Δλ=0.1。繼而利用Big-M法對binvar*sdpvar變量乘積進行線性化處理。具體表示為

(35)

(36)

3 算例分析

3.1 算例參數

本文選取IEEE33節點系統算例如圖3所示。

圖3 IEEE33節點系統Fig.3 IEEE 33-node system

系統基準電壓為UB=12.66 kV,基準容量為SB=10 MVA。其中, ADN與各IES新能源機組出力曲線和負荷預測曲線分別如圖4、圖5所示,ADN向大電網購電分時電價如表1所示。

表1 配網購電分時電價Table 1 Distribution of time-of-use electricity prices for online shopping

圖4 ADN新能源及負荷預測曲線Fig.4 ADN new energy and load forecast curves

圖5 IES新能源及負荷預測曲線Fig.5 IES new energy and load forecast curves

3.2 結果分析

3.2.1 雙層模型求解結果分析

根據上述算例參數,算例求解結果如下。

1)ADN電價制定結果分析

本文以上層ADN凈收益最大為目標,考慮下層多IES主體綜合運行成本最小目標。由上層ADN制定電價策略,旨在通過議價與微網凈負荷趨勢相一致,達到削峰填谷作用,提升整體運行效益,優化結果如圖6所示。圖6中,ADN的議價方案與IES向ADN購售電功率相一致。在00:00—09:00及22:00—24:00時段,下級多IES微網的凈負荷趨勢處于低谷時段,有部分時段微網內部新能源出力較大,相對于負荷而言,有剩余,存在下級多IES微網向ADN售電的情況。同時,此時段ADN中風電出力較大,處于高峰,因而制定該時段為谷時電價;在14:00—21:00時段,下級IES微網內部負荷較大,新能源機組出力無法滿足內部負荷需求。此時,IES微網向上級ADN購電功率較多,此時ADN中負荷需求較大,因而此時制定該時段為峰時電價。

圖6 ADN議價與IES購售電功率Fig.6 ADN bargaining and IES buying and selling power

2)下層IES1微網優化結果分析

IES1微網優化調度結果如圖7所示。

圖7 IES1優化調度情況Fig.7 IES1 optimal scheduling situation

如圖7(a)所示,電力系統:在00:00—05:00時段,因為IES1中光伏不出力,所以向上級ADN購電以及通過需求響應轉移部分負荷來滿足當前負荷需求。06:00—18:00時段,微網內部電負荷主要由光伏出力和向ADN購電以及內部熱電聯產機組來滿足需求,部分時段通過其他IES微網進行電能互補來補充(如09:00等部分時段微網3給微網1進行傳輸電能)。可以看出IES1向ADN購電時段與圖6中IES購電功率曲線相一致。

如圖7(b)熱力系統:微網內部熱負荷主要進行自給自足進行消納。IES1內部熱出力主要通過熱鍋爐和儲熱設備放熱以及熱電聯產機組產熱來供給,在電價谷時段,熱電聯產機組少放電出力,通過熱負荷需求響應用熱以及儲熱設備儲熱激勵燃氣輪機機組帶熱負荷增加。如圖7(c)所示,燃氣系統,負荷來源主要來自燃氣輪機與熱鍋爐運轉以及自有氣負荷,通過氣管網購氣滿足要求。

3)下層IES2微網優化結果分析

IES2微網優化調度結果如圖8所示。

圖8 IES2優化調度情況Fig.8 IES2 optimal scheduling situation

如圖8(a)所示,電力系統:07:00—17:00時段,IES2光伏發電較多,優先消納新能源發電,在部分時段有向電網售電的情況,同時需求側響應通過將該部分時刻負荷轉移以滿足負荷需求(如07:00—13:00時段)。17:00—21:00時段,光伏發電較少,微網內部主要通過向電網購電以及燃氣輪機發電和電池放電來滿足內部負荷需求。在16:00—21:00時段,有向大電網購電情況較多,因此與上述制定峰時電價時段情況一致。

如圖8(b)所示,熱力系統:微網內部熱負荷主要進行自給自足進行消納。IES2微網內部熱出力主要通過燃氣輪機組與熱鍋爐放熱來提供。14:00—20:00時段,通過需求側響應轉移相應負荷來減輕負荷需求,與此對應05:00—07:00時段和21:00—24:00時段通過需求響應負荷增加。如圖8(c)所示,燃氣系統:負荷來源主要來自燃氣輪機與熱鍋爐運轉以及自有氣負荷,通過氣管網購氣滿足要求。

4)下層IES3微網優化結果分析

IES3微網優化調度結果如圖9所示。

圖9 IES3優化調度情況Fig.9 IES3 optimal scheduling situation

如圖9(a)所示,電力系統:06:00—18:00時段,IES2光伏發電較多,優先消納新能源發電,在部分時段有向電網售電的情況(如06:00—13:00部分時段)。同時,需求側響應通過將該部分時刻負荷轉移以滿足負荷需求(如07:00—13:00時段),與之對應14:00—21:00時段相應通過需求響應增加負荷需求。19:00—21:00時段,光伏不出力,微網內部主要通過向電網購電和燃氣輪機組出力來滿足負荷需求。同時,該時段有向大電網購電情況較多,因此與上述制定峰時電價時段情況一致。

如圖9(b)所示,熱力系統:微網內部熱負荷主要進行自給自足進行消納。IES3微網內部熱出力主要通過燃氣輪機組與熱鍋爐放熱以及儲熱罐放熱來提供。14:00—20:00時段,通過需求側響應轉移相應負荷來減輕負荷需求,與此對應05:00—09:00時段和11:00—13:00時段通過需求響應負荷增加。如圖9(c)所示,燃氣系統:負荷來源主要來自燃氣輪機與熱鍋爐運轉以及自有氣負荷,通過氣管網購氣滿足要求。

5)電能交互優化結果

電能交互互補特性結果如下。

如圖10所示,可以看出IES微網間電能交互變量相加和為0,與上述電能交互互補約束相一致,同時與各IES微網中電力系統電能平衡結果相一致。在09:00、11:00、13:00等部分時段IES3微網內部新能源機組出力較多,該時段IES3微網在電能交互中充當電源形式將多余電量傳輸給IES1和IES2微網用來滿足其負荷的需求。在16:00時段,IES2和IES3微網在電能交互中充當電源形式將多余電能傳輸于IES1微網,實現能源共享。19:00時段,電能交互只發生于微網1和微網2之間。

圖10 IES間電能互補情況Fig.10 Power complementarity between IES

3.2.2 場景對比分析

為了驗證考慮下級多IES微網間電能交互與ADN議價策略對本文所提含多IES微網的主動配電網雙層調度模型的影響,設置4種場景進行對比驗證。

(1)場景1:本文提出考慮下層多IES微網間電能交互以及上層主動配單網議價策略的雙層調度模型。

(2)場景2:不考慮上層主動配電網對下層的議價方案,但考慮下層多IES微網間電能交互情況。

(3)場景3:不考慮下層多IES微網間的電能交互但是對上層主動配電網進行議價策略進行考慮。

(4)場景4:不考慮上層主動配電網對下層的議價方案,同時也不考慮下層多IES微網間電能交互的情況。

分別對上述4種場景中的模型進行建立與求解,得到各場景下ADN獲得的收益與各場景下多IES的成本,進行對比如表2、表3所示。

表2 各場景下ADN獲得收益對比Table 2 Comparison of ADN gains under different scenarios

表3 各場景下IES成本對比Table 3 Comparison of IES cost in different scenarios

對表2中各場景下ADN獲得凈收益的情況進行對比。

1)按有無能源互聯來對比

(1) 場景1與場景3對比來說,因為場景3下層多IES微網間沒有考慮電能交互,此時場景1中微網中新能源機組出力較大時可以通過微網間能源交互即電能共享來消納,從而減少棄光現象。所以,此時場景3中未考慮電能交互時,當微網中出現電能缺額時,需通過向上級ADN進行購電來滿足負荷需求,因而此時上級ADN售電收益增加。

(2) 場景2與場景4進行對比驗證,此時是在無議價情況下進行。情況與①類似,場景4中下級多IES未考慮電能交互情況時ADN收益相對場景2中考慮下級多IES間電能交互情況收益增大,此時,下級多IES向ADN購電功率增大。

2)按有無議價來對比

(1) 場景1與2對比,在場景1中考慮議價情況下,ADN收益是比場景2中未考慮議價情況下收益是增大的,可以看出上級ADN對下級IES的議價是符合時段內下級IES向上級ADN購售電功率趨勢的情況下收益是增大的,也進一步說明議價是有必要的。

(2) 場景3與4對比,同樣與①中類似,在場景3考慮議價時是比場景4中未考慮議價收益是增大的。

對表3中各場景下各IES成本情況進行對比分析。

1)按有無能源互聯來對比

(1) 場景1與場景3對比,是在有議價的情況下,場景1有電能交互相對于場景3無電能交互來說下級IES成本是減少的。由于下級多IES微網間通過將多余電能通過微網間傳輸的方式進行消納,進而減少了棄光現象,同時向主網購電成本進而減小。

(2) 場景2與場景4對比,在無議價的情況下,與①同樣,場景2有電能交互相對于場景4無電能交互,其多IES成本是減少的。由于微網間的電能互補減少了向上級ADN購電的功率。

2)按有無議價來對比

(1) 場景1對于場景2來說,在有電能交互的情況下,場景1在有上級ADN議價的情況下相對于場景2無上級ADN議價的情況下,成本有所增加。由于當上級ADN沒有進行對下層進行議價時,下層多IES向上級購電功率曲線與購電電價是相悖的,進而對于上級ADN來說,其收益是降低的。當議價后,得到分時電價曲線是與IES向ADN購售電功率曲線趨勢是一致的,從而購電越多電價越高,因此,在議價情況下上級ADN收益是增大的可從上述可以看出。但同時,下級多IES微網的成本也將有所增加。

(2) 場景3與場景4對比,在沒有電能交互的情況下,與①同樣,場景3在有議價的情況下,使得上級ADN收益變高的同時,同樣下級多IES的成本有所增加。

4 結論

本文對于多IES微網接入主動配電網后對主動配電網的需求響應能力,考慮多IES微網間電能交互情況以及主動配電網對于IES的議價情況。建立含多IES微網的主動配電網調度模型,并同時對調度結果進行分析,得到如下結論。

(1)對于下級多IES微網考慮各微網間不同的源荷矛盾,進行P2P電能的交互,可以有效提升能源的利用率,降低微網整體的成本,促進新能源的消納,減少棄風棄光現象發生。與未考慮微網間進行能源互補利用的策略相比,效益是更優的。

(2)對于上級主動配電網ADN對下級IES進行議價策略,立足于主動配電網ADN來說,是能夠使配網效益得到更大的提升,使得電價策略與自身凈負荷相一致,有助于對ADN的削峰填谷。

(3)下層各IES微網考慮了電氣熱冷多種資源間的協同優化,多種能源系統配合電力系統完成其優化與購售電量的制定。完成了多種異質能間的協同配合,提升了能源利用率。

(4)本文所考慮的想法可為多IES微網接入主動配電網后進行高效運行調度策略提供一些參考。