热电联产型微网系统的优化调度研究

陈念斌，杨明玉

(华北电力大学电气与电子工程学院，河北保定 071003)

热电联产型微网系统的优化调度研究

陈念斌，杨明玉

(华北电力大学电气与电子工程学院，河北保定 071003)

热电联产型微网以分布式电源为基础，在充分利用可再生能源的同时，统一解决了用户的电能与热能需求问题，实现了能源的梯级利用。采用随机模拟技术模拟了风电功率及电负荷需求的随机性，建立了集中控制模式下的孤网系统运行成本最低、供电可靠性最高和综合效益最高的多目标优化调度模型，并提出了优化调度策略。以一个热电联产型微网为例，运用遗传算法优化了各微电源的出力。优化结果验证了本文所提模型和策略的有效性。

孤网；热电联产；优化调度；经济性；供电可靠性

0 引 言

随着国民经济的快速发展，全球能源、环境问题日益凸显，微网[1]应势而生，成为时代与行业发展的重要机遇和挑战。热电联产(Combined Heat and Power，CHP)型微网因其特有的供能方式引起了国内外学者的广泛研究[2-4]。

运行经济性和供电可靠性是微网进行能量优化时必须兼顾的两个方面[5]。经济效益的不确定性是阻碍微网发展与推广的重要因素，因而经济性成为微网在运行过程中追求的重要目标；由于微网在孤网模式下缺少大电网的有力支持，供电可靠性随即成为了衡量微网系统能否稳定运行的重要指标；因此统筹兼顾微网系统孤网模式下的运行经济性与供电可靠性显得尤为必要。如何对孤网运行状态下的微网进行优化调度，即根据各微电源的参数和微网内的热电负荷需求，制定微网系统在未来一段时间内的发电计划，以使微网系统获得最佳的经济效益和供电可靠性，已成为研究微网系统孤网运行的重要课题之一。目前，国内的研究主要集中于电力微网，对CHP方面的研究尚处于起步阶段，而国外已展开了相关研究。文献[6]以发电成本最小化为目标，建立了CHP型微网的经济调度模型，并采用粒子群优化算法进行求解；文献[7]针对包含光伏(Photovoltaic，PV)、风机(Wind Turbine，WT)、微型燃气轮机(Micro Turbine，MT)、燃料电池(Fuel Cell，FC)和蓄电池(Storage Battery，SB)的CHP型微网，以运行成本最小化为目标，建立了经济运行模型，同时考虑了无功功率对经济调度的影响，并利用改进遗传算法进行了求解。但是，它们只是单一地针对经济目标进行了优化，供电可靠性也仅仅体现在约束条件上，而没有作为具体的量化目标，难以满足日益复杂的微网系统的发展需求。同时，现阶段的研究偏重于微网系统并网运行而忽略微网孤网运行时的优化，对分布式电源及热电负荷随机性的考虑也不够全面[8]。

本文针对CHP型微网，在考虑了风电功率及电负荷随机性的基础上，建立了孤网模式下包含发电成本最低、供电可靠性最高和协调考虑运行经济性与供电可靠性的综合效益最高的多目标优化调度模型，提出了一种优化调度策略，并结合遗传算法优化了各微电源在未来一日内各时段的有功出力，通过对比分析，得出了使得微网获得最佳经济效益和供电可靠性的调度方案。

1 微网运行成本分析

微网运行时产生的成本主要包括燃料成本、投资折旧成本、运行维护成本、环境成本、停电补偿成本等。其中：燃料成本主要指微型燃气轮机和燃料电池发电所用天然气的费用，风电机组和光伏电池等发电装置不消耗化石能源，故其在运行过程中不存在此项成本；投资折旧成本主要指微网的建网成本[9]；运行维护成本主要指对微网进行维护的人工成本；环境成本主要指各微电源发电所产生的CO2、SO2和NOx等污染物的治理费用；停电补偿成本主要指切负荷时微网系统所有者补偿给用户的费用。

2 微网优化调度模型

2.1 微型燃气轮机热电联供系统

微型燃气轮机既能够提供电能，同时又能够满足微网内的热能需求，是热电联供系统的重要组成部分。含微型燃气轮机的热电联产系统的数学模型[7]为

(1)

式中：QMT(t)为第t个调度周期内MT的排气余热量；Pet为t时刻MT的输出电功率；ηet为t时刻MT的发电效率，其与Pet的关系函数参见文献[7]；ηl为MT的散热损失系数；Qh(t)为t时刻MT的制热量；Kh为制热系数；VMT为MT消耗的天然气量；Δt1为MT的运行时间；L为天然气低热值，本文取9.7kWh/m3。

由上可知MT提供的电能和热能具有关联性，两者是相互限定的。对于MT所发出电能的调度，本文采取“以热定电”的方式，即MT所输出的电功率由其所提供的热能确定。本文不考虑热能的外送和储存，但将制热收益计入调度模型之中。

2.2 微网系统不确定因素的随机模拟

2.2.1 随机模拟技术

随机模拟，也称蒙特卡洛(Monte Carlo)模拟，是一种实现随机(或确定)系统抽样试验的技术，其基本思想是从给定的概率分布中抽取随机变量，从而对系统决策进行检验或为系统决策提供依据[10]。随机模拟技术只是给出了一定次数统计估计结果的平均值，而非精确结果，其精确度可用估计值的标准误差表示。本文采用随机模拟技术来模拟微网系统运行过程中出现的可再生能源功率和电负荷的波动等不确定因素。

2.2.2 风电功率波动

通过大量的统计数据分析表明，大多数地区的风速近似服从Weibull分布[11]，其概率密度函数为

(2)

式中：v为风速(m/s)；k为形状参数；c为尺度参数。

上述参数可由该时段的平均风速求得

(3)

风电功率PWT与风机轮毂高度处的风速v具有如下关系[11]：

(4)

式中：PN为风机额定输出功率；vN、vCI和vCO分别为额定风速、切入风速和切出风速。当风速高于切入风速时，自动装置动作将风机并入电网；当风速高于切出风速时，风机停止发电，从电网中解列出来。

为了进行模拟，将一天分为24h个时段，先根据各时段平均风速的预测值计算参数k和c；然后根据风速分布，即式(2)，采用蒙特卡洛模拟随机产生风速数据；再由式(4)计算风电功率。上述过程重复进行1 000次，对其结果取平均值，即为考虑了波动因素的各时段风机出力值。

2.2.3 光伏功率波动

光伏电池的出力，与光照强度和环境温度等因素有关。据统计，在一定时间段内，光照强度近似服从Beta分布，其概率密度函数[12]为

(5)

式中：G和Gm分别为一定时间段内的实际光照强度和最大光照强度；α和β为Beta分布的形状参数。

上述Beta分布中的形状参数可由该时间段内的光照强度平均值及其方差求得

(6)

(7)

式中：Gu为该时间段内的平均光照强度；σ2为光照强度方差。

直接测量光伏电池的温度比较困难，对于封装的太阳能电池组件，可以根据下面的经验计算式，通过测量环境温度而估算出光伏电池组件工作时的温度[13]：

(8)

式中：Tc和Tamd分别为光伏电池工作温度和环境温度。

光伏电池组件的功率输出模型可表示如下[13]:

(9)

式中：GSTC为标准测试条件下的光照强度，取1 000W/m2；PSTC为标准测试条件下的最大输出功率；K为功率温度系数；Tr为参考温度，取25℃。

根据一定时间段内的平均光照强度，由式(6)和(7)计算光强分布的形状参数；根据式(5)随机抽取1 000次光强数据，代入式(8)求取光伏电池的工作温度；将1 000组光照强度数据和光伏电池温度数据分别代入式(9)中，对其结果取平均值，即为考虑光伏波动后的功率输出。

2.2.4 负荷波动

本文忽略热负荷的波动，即认为热负荷预测值即为实际值。

2.3 目标函数

① 目标一：运行经济性目标函数，即微网系统的发电运行成本最低。

微网系统在孤网模式下的发电成本考虑各微电源的燃料成本、投资折旧成本、运行维护成本、环境成本以及CHP系统的制热收益等，从而有

minF1(t)=Cf(t)+Cdp(t)+Com(t)

+Ce(t)-Cs(t)

(10)

其中：

(11)

(12)

(13)

(14)

Cs(t)=Qht×Kph

(15)

式中：F1(t)为微网系统孤网运行时在第t个调度周期内的发电成本；Cf(t)、Cdp(t)、Com(t)、Ce(t)、Cs(t)分别为各微电源在第t个调度周期内的燃料成本、投资折旧成本、运行维护成本、环境成本和CHP系统制热收益；Caz,i为第i个微电源的单位容量安装成本；ki为第i个微电源的容量因素；r为年利率；ni为第i个微电源的投资偿还期；Pit为第i个微电源t时刻的有功出力；N为微电源的个数；Kom,i为第i个微电源的运行维护成本系数；k为所排放污染物(包含CO2、SO2、NOx等)的类型编号；M为污染物种类总数；αik为第i个微电源对污染物k的排放系数；βk为污染物k的处理成本；Kph为单位热能售价。

② 目标二：供电可靠性目标函数，即微网系统的负荷缺电率[14]最小。

负荷缺电率LPSP(Loss of Power Supply Probability)定义为系统不能满足的负荷需求除以调度期总的负荷需求。本文以负荷缺电率作为供电可靠性的衡量指标，负荷缺电率越小，微网系统的供电可靠性越高。

(16)

式中：F2(t)为微网孤网运行时第t个调度周期内的负荷缺电率；PDt为微网在t时刻的电负荷需求。

③ 目标三：综合效益目标函数，即微网的经济性与可靠性协调最佳。

协调考虑微网孤网运行时的经济性与可靠性，将切负荷量统一归算为微网系统所有者补偿给用户的费用[15]，并计入微网运行的总发电成本中，从而有

CL(t)=Cbu×PLt

(17)

minF3(t)=Cf(t)+Cdp(t)+Com(t)+

Ce(t)+CL(t)-Cs(t)

(18)

式中：F3(t)为微网系统孤网运行时第t个调度周期内的发电成本；CL(t)为微网系统孤网运行时第t个调度周期内的停电补偿成本；Cbu为微网系统所有者向用户支付的单位停电量的补偿费用；PLt为微网在t时刻的切负荷量。

2.4 约束条件

① 微网内负荷平衡约束：

(19)

② 各微电源的输出功率约束：

Pi,min≤Pit≤Pi,max

(20)

式中：Pi,max、Pi,min分别为微网内各微电源的功率输出上、下限。

③ 机组爬坡率约束[11]：

-Ri,dΔt≤Pit-Pi,t-1≤Ri，uΔt

(21)

式中：Δt为调度时段的长度(h)；Ri,d和Ri,u分别为发电机组向下和向上的爬坡速率。

④ 蓄电池约束：

蓄电池荷电状态SOC有如下约束[13]：

SOCmin≤SOC≤SOCmax

(22)

其中荷电状态可通过下式计算[16]：

(23)

式中：SOCmax、SOCmin分别为蓄电池荷电状态的上、下限；P+、P-分别为蓄电池的充、放电功率；n为充放电次数；UDC为微网系统的直流母线电压；Δti为第i次充放电小时数。

本文规定单位时间内的充放电最大功率为蓄电池额定容量的20%[13]，如下式所示：

P+≤(0.2×UDC×SOCmax)/Δt

(24)

P-≤(0.2×UDC×SOCmax)/Δt

(25)

3 优化调度策略与模型求解

3.1 优化调度策略

① WT和PV利用清洁可再生能源发电，无燃料成本，不产生污染气体，故优先利用其全部发电量；

② 在不考虑配置储热装置时，为满足微网系统内的热负荷，同时实现能量的梯级利用，MT运行在“以热定电”模式下,亦优先利用其电能；

③ 若WT、PV和MT的有功出力可以满足微网内的电负荷需求，首先向蓄电池充电，若仍有富余电力,则可根据发电成本依次切除部分WT和PV；若WT、PV和MT的有功出力无法满足微网负荷需求，首先由SB补充出力，如果蓄电池在其出力范围内仍不能满足负荷需求，则按照微网运行的优化模型，优化调度FC和SB的出力，以满足剩余负荷需求；

④ 若所有微电源在出力范围内仍不能满足负荷要求，则根据负荷的重要程度依次切除部分负荷。

3.2 模型求解

本文建立的优化模型是一个多约束的多目标优化问题，鉴于遗传算法(Genetic Algorithm，GA)具有简单通用、鲁棒性强、适于并行处理等优点[17]，本文采用此方法结合蒙特卡洛模拟来优化微网系统孤网运行时各微电源的有功出力。算法流程如图1所示，采取了锦标赛选择、多点交叉和高斯变异，并使用罚函数来处理约束条件。

图1 算法流程图

4 算例分析

4.1 算例介绍及参数设置

本文以某城市微电网为例,其系统配置包括风力发电机WT(20kW)、光伏电池PV(10kW)、微型燃气轮机MT(65kW)、燃料电池FC(40kW)以及蓄电池储能装置SB(100kW)。

本文以1h为一个调度周期，将全天分为24个时段，并作如下假设：在一个调度周期内，微网负荷需求维持稳定；各微电源的功率输出恒定；蓄电池的充放电状态保持不变，且其充放电功率恒定；微网网损忽略不计。

设定蓄电池在孤网运行前，荷电状态为100%，其荷电状态下限取为20%；切负荷补偿费用取1.277 5元/kWh，制热量单价为0.1元/kWh，各微电源的参数如表1所示。各污染物的排放系数及污染物处理成本如表2所示[18]。

表1 微电源的参数

表2 污染物的排放系数及处理成本

4.2 优化结果与分析

本文选取典型的冬季日来研究CHP型微网的孤网运行情况。蒙特卡洛模拟的次数为1 000次，遗传算法的参数设置如下：种群规模为20，最大迭代次数为500，交叉率为0.8，变异率为0.2。由于遗传算法自身固有的随机性，每次优化结果会有所不同，本文优化结果取20次优化结果的平均值。微网系统的热电负荷及各目标下微电源的优化出力结果如图2、图3、图4和图5所示。

图2 冬季日热电负荷曲线

当微网系统按照目标一进行优化时，由图3可看出，1～6时段是电负荷低谷期，此时主要由WT和MT提供有功出力，充分利用了可再生能源，而热负荷由MT提供，实现了能量的梯级利用；从7时段开始，电负荷逐渐增加，由于WT、PV的出力受环境因素的影响，而MT的出力受其自身“以热定电”发电特性的限制，此时的WT、PV和MT已不能满足电负荷需求，SB开始出力平衡系统有功，直至12时段，SB的剩余容量已达下限，FC增加出力，剩余电量给SB充电，此时FC已达出力极限，在12～14时段出现少量负荷缺额，系统进行切除；16～18时段的电负荷则主要由更加经济的SB来满足；18～22时为电负荷和热负荷需求的高峰期，虽然MT已根据热负荷需求提供了较大电能支援，但此时FC已满发，且SB在20时段已放电完毕，故在19～22时段出现功率缺额，系统进行了切除。

图3 采用目标一时各微电源的优化出力

从图4可以看出，按照目标二进行优化时，1～6时段的电负荷低谷期仍主要由WT和MT供应电能；7～9时段由SB来平衡系统的有功；10～15时段由于SB无剩余电量而进入充电状态，在此时间段内WT和PV均满发，FC以极限功率运行，以保证系统的供电可靠性；18～22时段的电负荷高峰期，WT、PV、和FC均满发，MT达到出力限制点，而SB在20时段时剩余容量已达下限，系统此时出现暂时的功率缺额，而在其它时间段内均能满足负荷需求。

图4 采用目标二时各微电源的优化出力

按照目标三进行优化时，从图5可以看出，系统只在9～11及18时间段出现少量的功率缺额，而在其它时间段均能保持电力供应；在6～11及16～18时间段内SB以接近极限功率运行，而发电成本较高的FC则较少发电，只在12～14及19～22时段的用电高峰期以极限功率运行，以保证供电可靠性。为直观比较3种目标下微网系统在孤网运行时的优化调度结果，根据优化结果分别计算出3种目标下微网系统运行时的总发电成本，如图6所示；3种目标下微网系统的负荷缺电率如图7所示。

图5 采用目标三时各微电源的优化出力

图6 微网孤网运行时的发电成本

图7 负荷缺电率

从图6可以看出，目标一的发电成本最低，而目标二的发电成本最高；由图7可知，目标一中的负荷缺电情况持续存在于负荷高峰时段，目标二中的负荷缺电率得到了很好的抑制，从而可知保证微网系统的供电可靠性，是以牺牲部分的经济性为代价的；目标三的发电成本总体上介于目标一和目标二之间，而供电可靠性相较于目标一，也得到了明显的改善，说明按照目标三来优化调度微网系统孤网运行时各微电源的出力，统筹兼顾了微网系统运行时的经济性与供电可靠性。

此外，在1～6时段的热负荷高峰期，MT除了满足热负荷需求之外，还能提供相应的电能，减少其他非可再生能源机组的出力，降低了发电成本，提高了环保效益；而在18～22时段，热电负荷的高峰期近乎重叠，MT在满足热负荷需求的同时，亦能提供较大的电力支援，降低了发电成本。

5 结束语

本文基于集中控制思想，在考虑了风电功率和电负荷的随机性的基础上，建立了微网系统孤网运行时的优化调度模型，提出一种优化调度策略，并以一个CHP型微网为例，结合蒙特卡洛模拟和遗传算法对各微电源的出力情况进行了优化。优化结果表明，本文提出的优化模型及策略可应用于CHP型微网的孤网优化调度。但是本文提出的蓄电池的调度策略和CHP型微网的数学模型及调度策略相对较简单，有待进一步完善；同时开发高效快速的求解算法，以满足微网实时调度的需求，也是今后研究的重点之一。

[1] Hatziargyriou N，Asano H，Iranvani R，et al.Microgrids [J].IEEE Power and Energy Magazine，2007，5(4):78-94.

[2] Jablko R，et al. Technical and economical comparison of micro CHP systems[C]. Future Power Systems，2005 International Conference on IEEE，2005.

[3] Aki， Hirohisa.The penetration of micro CHP in residential dwellings in Japan[C].Power Engineering Society General Meeting，IEEE，2007.

[4] Dong Quanxue， Zhang Tian Kuo， Yuan Min，et al. The situation and problems of CHP industry in China[C].In Management and Service Science，2009， MASS’09，International Conference on IEEE，2009：1-4.

[5] 言大伟，韦钢，胡吟，等.可靠性与经济性相协调的微电网能量优化[J].电力系统自动化，2012，36(8)：18-23.

[6] Basu A K，Chowdhury S， Chowdhury S P.Strategic deployment of CHP-based distributed energy resources in microgrid[C] .Proceedings of IEEE Power and Energy Society General Meeting，July 26-30，2009，Calgary，AB，Canada，1-6.

[7] 陈洁，杨秀，朱兰，等.基于遗传算法的热电联产型微网经济运行优化[J].电力系统保护与控制，2013，41(8)：7-15.

[8] 贺鹏，艾欣，徐虹.微电网经济运行研究综述[J].现代电力，2012,29(4)：1-6.

[9] 杨佩佩，艾欣，崔明勇，等.基于粒子群优化算法的含多种供能系统的微网经济运行分析[J].电网技术，2009，33(20):38-42.

[10]孙元章，吴俊，李国杰，等.基于风速预测和随机规划的含风电场电力系统动态经济调度[J].中国电机工程学报，2009,29(4)：41-47.

[11]刘小平，丁明，张颖媛，等.微网系统的动态经济调度[J].中国电机工程学报，2011,31(31)：77-83.

[12]肖青，陈洁，杨秀，等.含多种分布式电源的微网动态经济调度[J].电力系统及其自动化学报，2013,25(4)：22-28.

[13]郭佳欢.微网经济运行优化的研究[D].北京：华北电力大学，2010.

[14]王瑞琪，李珂，张承慧.基于混沌多目标遗传算法的微网系统容量优化[J].电力系统保护与控制，2011，39(22)：16-19.

[15]张美霞，陈洁，杨秀，等.微网经济运行研究综述[J].华东电力，2012，40(9)：1481-1485.

[16]朱博，陈民铀，徐瑞林，等.孤岛模式下的微网优化运行策略[J].电力系统保护与控制，2012,40(17)：35-40.

[17]雷英杰，张善文，李续武，等.MATLAB遗传算法工具箱及应用[M].西安：西安电子科技大学出版社，2005.

[18]王振华，朱桂萍.并网状态下微电网中微电源出力优化算法[J].中国电力，2012，45(1)：55-58.

(责任编辑：林海文)

Research on Optimal Dispatch of a Combined Heat and Power Micro-grid System

CHEN Nianbin，YANG Mingyu

(School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China)

Based on distributed generation, the combined heat and power micro-grid makes full use of renewable energy sources, solves the unified problem of power and heat demand of users, and realizes the cascade usage of energy. A stochastic technology is proposed to simulate the randomness of wind power and electrical loads, and a multi-objective model of island micro-grid optimal dispatch under the centralized control mode is developed, whose objective functions are to minimize the cost of operation, and maximize the reliability of power supply and the comprehensive benefit. Then a control strategy of micro-grid optimal dispatch under the island mode is presented. Taking a CHP micro-grid system as simulation case, the genetic algorithm is chosen to optimize the micro-source outputs. The results verify the validity of the proposed model and control strategy.

island；CHP；optimal dispatch；economy；power supply reliability

1007-2322(2015)04-0027-07

A

TM731

2014-06-13

陈念斌(1989—)，男，硕士研究生，研究方向为微电网的优化调度，E-mail:ncepu_cnb@163.com；

杨明玉(1965—)，女，副教授，研究方向为电力系统继电保护和微电网能量管理。