不同时间尺度下虚拟微网优化调度策略

黄 伟, 熊伟鹏, 闫彬禹, 刘立夫, 刘自发

(华北电力大学电气与电子工程学院, 北京市 102206)

不同时间尺度下虚拟微网优化调度策略

黄 伟, 熊伟鹏, 闫彬禹, 刘立夫, 刘自发

(华北电力大学电气与电子工程学院, 北京市 102206)

随着售电侧的改革,提供新能源发电服务的第三方供应商成为新的独立利益主体。针对独立利益主体以虚拟微网的形式接入主动配电网后的调度问题,基于虚拟微网的概念,提出了虚拟微网在不同时间尺度下的优化调度模型及其优化算法。优化调度模型包括日前调度和实时调度模型,日前调度以虚拟微网利益最大化为优化目标,实时调度则以虚拟微网安全稳定运行为控制目标。最后,基于改进的IEEE 33节点网络结构以及负荷预测和分布式电源出力预测,利用微分进化—细胞膜混合算法求解虚拟微网优化调度模型,算例结果表明通过优化调度,减少了虚拟微网网损,显著提高了虚拟微网的收益和新能源利用率。

虚拟微网(微电网); 主动配电网; 独立利益主体; 优化调度

0 引言

为适应高渗透率、大规模分布式电源的接入,国内外学者正积极开展主动配电网(ADN)[1-3]相关研究。

国内外学者针对主动配电网的优化调度问题从经济调度、能量优化、多场景多目标等多个角度进行了分析研究。文献[4-5]针对主动配电网的日前调度问题,建立了经济运行目标函数。文献[6-7]构建了分布式能源系统的日前和实时两阶段调度优化模型,在日前调度中对分布式电源出力进行优化,实时调度中对可控分布式电源出力进行修正以维持主动配电网的安全稳定运行。文献[8]基于多场景技术提出一种包含日前调度和实时调度的主动配电系统两步优化调度模型,并利用改进的粒子群算法进行求解。文献[9]建立了一种主动配电网多目标优化调度模型,通过该调度策略提高了分布式电源的利用率,减少了网损。目前大部分针对主动配电网的调度优化研究均是从电网角度出发考虑网侧的优化运行和收益最大化,鲜有文献涉及独立利益主体的自主调度优化。

2015年国务院“电改”9号文提出:鼓励专业化能源服务公司与用户合作或以“合同能源管理”模式建设分布式电源[10]。目前全国已成立超过2 000家售电公司,这些提供新能源电力服务的供应商在配电网中成了独立的利益主体。

本文结合当前的背景环境,研究独立利益主体接入主动配电网的调度优化问题。首先定义了虚拟微网(VMG)的概念,并将其视为独立利益主体接入电网的主要形式,然后针对虚拟微网的调度问题,提出了不同时间尺度下的调度优化模型,日前调度主要以虚拟微网的经济收益最大为目标函数,实时调度则以虚拟微网内的安全稳定运行为控制目标,在强调利益最大化的同时兼顾虚拟微网内的安全性与稳定性。最后,基于负荷预测和分布式电源出力预测,结合改进IEEE 33节点网架结构,利用微分进化—细胞膜混合算法求解双阶段优化调度模型,算例结果验证了模型的可行性和算法的有效性。

1 虚拟微网及其调度

1.1 虚拟微网

本文基于文献[11]将虚拟微网定义为主动配电网中不接受电网统一调度的区域,视为第三方利益主体,与采用传统分层分区控制的微网不同,其强调独立性、自主性和趋利性,对内部的资源如分布式电源、储能、负荷等拥有独立的调度权利,传统微网并不具有独立的调度中心,而虚拟微网是传统意义上微网的拓展和深化,虚拟微网具有独立的通信系统与调控中心,收集本区域内的分布电源与负荷信息,通过虚拟微网调控中心的优化调度使自身获利最大,独立制定内部资源的发用电计划,所以针对虚拟微网的优化调度具有明显的实践意义。

虚拟微网区域的划分既包括已经存在的微网、虚拟发电厂等,也包括由新型售电公司所管辖的配电区域,同时为了便于控制将含大量分布式电源的馈线或馈线群也称为一个虚拟微网,所以其区域和节点规模并不固定。新型售电公司所管辖的配电区域,与主动配电网存在电量交易,拥有单独的调控中心,以本区域的收益最大为目标,因此属于虚拟微网的范畴;主动配电网的部分馈线含有独立的分布式电源,在该区域内建设调控中心,负责本区域的调度计划,因此也将此类归电网所有并且拥有调控中心的区域称为虚拟微网。

用户自建的微网具有独立的分布式电源,除向自身负荷供电外还与主动配电网存在电量交易,以自身运行成本最小为调度目标控制本区域内发用电,因此属于虚拟微网的范畴;对于虚拟发电厂的划分[12-13],广义的虚拟发电厂是指不同类型分布式电源与负荷的集合体,拥有独立的调度系统,属于虚拟微网的范畴;狭义的虚拟发电厂将不同类型的分布式电源进行聚合,等效为具有统一调度模式的发电厂,因此属于虚拟微网范畴。

目前多微网优化控制技术多是从多代理系统、分层控制等角度去研究多微网系统之间的能量协调问题,从而保证多微网的稳定运行[14-16]。在本文中,虚拟微网则更强调独立性和自主性,虚拟微网之间并不涉及能量的交换及其协调控制,其拥有独立的调度单元,只与主网进行能量交换。

1.2 主动配电网调度平台

虚拟微网作为内部具有电源的独立利益主体,在调度过程中强调自身的利益和稳定运行,所以虚拟微网的优化调度目标主要包括两方面:虚拟微网运行的经济性;虚拟微网运行的安全稳定。这两点分别在日前调度和实时调度中体现。

联合优化调度平台如图1所示,主要包括主动配电网调度平台、虚拟微网调度中心和虚拟微网,虚拟微网内包含分布式电源、储能、负荷等。信息层、功率层分别与虚拟微网进行信息流和功率流的交换。日前调度中虚拟微网调度中心计算虚拟微网可调度容量或购电量,再向主动配电网调度平台传递调度计划信息(购售电量),与主动配电网调度平台协商确认该调度计划后,虚拟微网调度中心对虚拟微网下达调度指令,最后虚拟微网与主动配电网进行功率交换。而实时调度则是根据实际情况实时修正分布式电源的出力值,以保持虚拟微网的安全稳定运行。

图1 联合优化调度平台Fig.1 Joint optimization dispatching platform

2 虚拟微网多时间尺度优化调度模型

虚拟微网的优化调度应在确保自身稳定运行、对环境友好的前提下,再考虑自身经济效益最优,提高可再生能源利用率。本文在可再生分布式电源出力预测和负荷预测基础之上,通过全局优化和实时控制对虚拟微网内分布式电源进行优化调度,实现经济安全稳定运行。

2.1 虚拟微网日前调度模型

虚拟微网日前调度模型主要考虑自身的经济收益,目标函数主要包括虚拟微网向主网的购售电费用、向自身用户售电收益、分布式电源运行成本、环境成本及电压控制目标等。

1)目标函数1:虚拟微网收益

虚拟微网的收益目标函数主要包括与主网的购售电费用、自身用户售电收益、不可控分布式电源的运维成本、可控分布式电源(燃气轮机等)的燃料成本和运维费用,以及储能装置的运维成本,表达式如下:

maxF=CSN+CSM-CESS-CDG-CUDG

(1)

式中:CSN为虚拟微网向主网的购售电费用;CSM为虚拟微网向自身用户的售电费用;CESS为储能装置的运维成本;CDG为可控分布式电源的发电成本及折旧费用;CUDG为不可控分布式电源的运维成本。

(2)

2)目标函数2:环境成本

环境成本的目标函数主要考虑可控分布式电源产生污染物的环境成本,可控分布式电源发电过程中会产生NOx,SO2,CO2等有害气体,其环境成本如下:

(3)

式中:PDG,i为第i个可控分布式电源发出的功率;Ri,r为第i个分布式电源发出单位功率时产生的第r种废气量;L为废气种类数,此处L=3,包含NOx,SO2,CO2三种气体;Ar为第r种气体造成的环境成本,详细参数参考文献[17],在此不再赘述。

3)电压控制目标

电压控制以维持虚拟微网的稳定运行为主要目的,其表达式为:

(4)

考虑到目标函数的特殊性,在本文中将其处理为一个约束条件,并通过潮流计算得到个节点电压值,如下式所示:

fv≤εr

(5)

式中:fv≥0;εr为正实数。

该调度模型应满足的等式约束和不等式约束分别为:

(6)

(7)

(8)

(9)

式(5)为电压控制目标约束,式(6)为功率平衡约束,式(7)为主网功率、电压约束,式(8)为分布式电源输出功率约束,式(9)为储能装置约束。

将等式约束和不等式约束条件以罚函数的形式结合到目标函数中,因此,总的目标函数为:

maxZ=CSN+CSM-CESS-CDG-CUDG-

(10)

式中:M1和M2为罚因子,取较大值;g1为日前调度目标函数的不等式约束条件;h1为等式约束条件。

2.2 虚拟微网实时调度模型

基于日前调度优化结果,实时调度结合超短期负荷预测,对虚拟微网内可控分布式电源、储能功率实时修正,以应对虚拟微网内短时间的负荷波动及间歇式能源出力波动问题,协调实际运行时负荷及分布式电源出力值与日前调度目标值之间的差距,增强虚拟微网的鲁棒性,从而保证虚拟微网的安全稳定运行。目标函数由虚拟微网与主网交换功率相对变化率、并网点电压相对变化率、虚拟微网向用户售电量相对变化率及收益相对变化率四部分组成,表达式如下:

(11)

(12)

求解实时调度模型应满足下列等式约束条件:

(13)

不等式约束参照式(7)至式(9)。与日前调度目标函数类似,以罚函数形式将不等式约束条件结合到目标函数中,在此不再赘述。

3 微分进化—细胞膜算法

细胞膜算法具有较好的全局寻优能力,但对全局最优解的追逐能力较弱,初值选取不佳容易陷入局部最优,容易早熟[19]。

本文将微分进化[20]的思想与细胞膜算法结合,形成新的微分进化—细胞膜混合算法。在每次迭代开始之前,对第g代物质进行变异交叉操作,利用贪婪政策,按照适应度函数值进行物质的选取,然后按照细胞膜算法的原则把物质分为高浓度物质和低浓度物质,采用不同的方式进行全局搜索。通过交叉变异操作,增加了算法的收敛速度和对全局最优解的追逐能力,不同物质不同的运动方式保证了搜索的多样性,避免陷入局部最优。具体变异交叉操作如下。

1)假设初始化物质群中有M个K维的物质,每个物质通过差分操作实现变异,在物质群中随机选取不同的两个物质,将其向量操作后与待变异个体进行合并生成中间体,如下式所示:

vi(g+1)=xr1(g)+F1(xr2(g)-xr3(g))

(14)

式中:i≠r1≠r2≠r3;F1∈[0,2]为缩放因子;xr1(g),xr2(g),xr3(g)分别为第g代种群的第r1,r2,r3个物质;vi(g+1)为变异产生的第g+1代种群的第i个变异物质。

在变异过程中必须保证生成的变异个体符合目标函数的边界条件,否则重新生成变异个体。

2)对物质的每个维度进行交叉操作:

(15)

3)利用贪婪策略选取最优物质进入下一次迭代,以求解目标函数最小值为例:

xi(g+1)=

(16)

式中:ui(g+1)为交叉产生的第g+1代种群的第i个交叉物质。

在交叉变异操作之后,按照细胞膜算法原则将其分为高浓度和低浓度物质,然后按照不同的运动方式寻优,流程参见附录A图A1。

4 算例分析

虚拟微网双阶段调度模型的求解本质上为求解非线性规划问题,考虑各时间段之间的相互影响,更符合系统的运行要求,日前调度模型为经济调度优化模型,属于具有约束的动态系统调度范畴[21];实时调度能反映出当前虚拟微网的实际运行状态与日前调度优化调度目标之间的差距,根据实际运行情况进行合理的修正,以符合虚拟微网安全稳定运行要求。

4.1 算例数据

本文算例采用MATLAB编程,日前调度周期间隔为1 h,即H=24,实时调度周期间隔为15 min,即H1=96,利用改进IEEE 33节点网架结构改为含有4根馈线的配电区域,其结构参见附录A图A2,接入的4个虚拟微网(VMG1至VMG4)分别代表了虚拟微网的不同种类。在每个虚拟微网中依据负荷大小配置了数量相当的分布式电源及储能装置,网架支路参数、虚拟微网分布式电源类型和容量详见附录A表A1至表A5,算法参数设定参见附录A表A6,虚拟微网各节点负荷参见附录B。

主网与虚拟微网之间的购售电价格参见附录A图A3。日前调度各虚拟微网的负荷预测值及典型风机光伏叠加的出力预测值参见附录A图A4和图A5。

4.2 日前调度结果及分析

图2为日前调度模型优化得出虚拟微网与主网的交换功率值,其受电价、负荷以及分布式电源出力的多方面影响。

图2 虚拟微网与主网交换功率值Fig.2 Exchanged power between VMG and major network

以VMG1为例进行分析,在时段1至6,VMG1虽然负荷、电价呈现下降趋势,但负荷依然较大,此时风机、光伏等不可控分布式电源出力较小,所以此时需要向电网购电;在时段7至12,VMG1中负荷、电价及分布式电源出力呈现逐渐上升趋势,因虚拟微网向自身用户售电价大于向主网售电价,故其向主网的售电量呈曲折变化趋势;在时段13至18,VGM1自身负荷变化较平稳,随着电价、不可控分布式电源出力的逐步下降,其向主网的售电量逐步减小;在时段18至24,负荷呈现先增长后下降的趋势,此时不可控分布式电源出力较小,且可控分布式电源发电成本较高,所以在时段18至20出现向主网购电小高峰,随着负荷的逐渐减小,购电量逐渐减小。

表1比较了虚拟微网独立调度与作为传统微网接受电网统一调度在一个周期内的经济收益和的新能源利用率(定义为一个调度周期内新能源发电量与总负荷的比例)。相比参与电网统一调度,通过日前调度,4个虚拟微网的经济收益分别增加了979.3元、888.4元、1 138.4元、812.1元。参与日前调度以后,各虚拟微网新能源利用率分别提高了12.1%,10.9%,8.9%,7.5%。

表1 不同调度方式下各虚拟微网指标值Table 1 Index value of VMG under different modes

综上所述,与电网统一调度相比,虚拟微网参与日前调度不仅可以大大增加自身经济收益,还能显著提高新能源利用率,减少环境污染。

4.3 实时调度结果及分析

图3为实时调度优化结果,其中交换功率相对变化率、负荷相对变化率、经济收益相对变化率分别对应实时调度目标函数中第1,2,4项。目标函数第3项为电压相对变化率,在表2中以电压的形式展现。由于可再生能源出力、负荷的预测值与实际运行值之间存在差异,且分布式电源和燃气轮机的发电成本较高,虚拟微网在保持最大利益的同时需要在小范围内不断调整自身与主网的交换功率,由于每个时段的累积作用,所以虚拟微网与主网交换功率的相对变化率较大,负荷相对变化率则与负荷预测的准确性相关,经济收益变化率小于0是由于目标函数的趋利性。

图3 实时调度各虚拟微网各项指标值Fig.3 Index value of each VMG in real-time dispatch

表2 不同调度方式下各虚拟微网的指标值Table 2 Index value of each VMG in different dispatch modes

表2对比了不同调度方式下的虚拟微网各项指标值,经过实时调度对分布式电源功率进行修正之后,直接经济收益分别提高了3.51%,3.55%,2.61%,3.75%,新能源利用率分别提高了1.8%,1.7%,1.9%,3.6%,各虚拟微网的网损值分别下降了1.9,1.7,0.9,1.4 kW,并网点电压也有了不同程度的提高。

为了充分分析实时调度优化结果,本文参考文献[9],选取负荷及分布式电源出力较大的时段12进行分析讨论,如表3所示。由于实际运行与预测值有所差异,所以两种调度方式中风机、光伏出力及负荷值存在误差。为了应对负荷及间歇式电源的短时变化,实时调度调整柴油机、燃气轮机、储能出力,因分布式电源发电成本比燃气轮机高,故与日前调度相比,在实时调度中减少了分布式电源的出力,增加了燃气轮机所发功率,同时结合当前储能系统荷电状态,对当前时段储能设备出力进行修正,提高了储能系统的有效利用率,增加了向主网的售电量,进一步提高了虚拟微网的经济收益。

表3 时段12各虚拟微网在不同调度模式下的分布式电源出力及负荷量Table 3 Distributed generator output and load of each VMG at period 12 in different dispatch modes

综上所述,虚拟微网通过日前调度优化次日的调度计划,实时调度在日前调度的基础上,对可控分布式电源的出力进行实时调整,进一步增加了新能源利用率和自身经济收益,减少了网损。

4.4 算法有效性分析

为了验证本文算法有效性,本文将微分进化—细胞膜算法、改进微分进化算法、细胞膜算法、改进粒子群算法进行对比分析。相关参数及结果见附录A图A6。分析可得,微分进化—细胞膜算法将改进微分进化算法和细胞膜算法相结合,显著提高了收敛的速度和最优解的搜索能力。IEEE 33节点配电系统和美国PG&E 69节点配电系统的详细参数及在不同算法下的计算结果对比见附录C。随着节点数的增长,微分进化—细胞膜算法在日前调度及实时调度模型的求解中迭代次数依然最少,证明微分进化—细胞膜混合算法在节点规模变大后能快速收敛,全局搜索能力强。验证了微分进化—细胞膜混合算法在求解此类问题时的有效性。

5 结论

本文针对独立利益主体接入主动配电网的调度问题,建立了虚拟微网的概念,提出了不同时间尺度下虚拟微网的调度模型,算例求解得到如下结论。

1)与电网统一调度相比,在日前调度中,虚拟微网接入主动配电网后,通过调度优化提高自身经济收益,提高新能源利用率,增强消纳间歇分布式电源的能力,减少环境污染。

2)与日前调度相比,在实时调度中,通过对可控分布式电源出力的调整,及时应对因负荷波动、分布式电源出力波动而可能引起的稳定性问题,减少了虚拟微网线路损耗,进一步提高了自身的经济收益。

3)在本文中通过引入微分进化算法对细胞膜算法进行改进,提高了细胞膜算法的收敛能力和寻优能力,通过对比不同优化算法和节点规模变大后求解调度模型收敛性能,验证了微分进化—细胞膜算法在求解此类问题的有效性和可行性。

本文主要针对虚拟微网的角度进行独立调度优化,未考虑配电网层面的优化调度及风光出力的不确定性,下一步将针对虚拟微网与主动配电网之间的联合优化调度进行进一步的研究。

本论文得到国网内蒙古东部电力有限公司“分布式新能源与配网协同发展体系建设及规划技术研究”项目支持,在此表示感谢。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 范明天,张祖平,苏傲雪,等.主动配电系统可行技术的研究[J].中国电机工程学报,2013,33(22):12-18.

FAN Mingtian, ZHANG Zuping, SU Aoxue, et al. Enabling technologies for active distribution systems[J]. Proceedings of the CSEE, 2013, 33(22): 12-18.

[2] KAABI S S A, ZEINELDIN H H, KHADKIKAR V. Planning active distribution networks considering multi-DG configurations[J]. IEEE Trans on Power Systems, 2014, 29(2): 785-793.

[3] 赵波,王财胜,周金辉,等.主动配电网现状与未来发展[J].电力系统自动化,2014,38(18):125-135.DOI:10.7500/AEPS20131218007.

ZHAO Bo, WANG Caisheng, ZHOU Jinhui, et al. Present and future development trend of active distribution network[J]. Automation of Electric Power Systems, 2014, 38(18): 125-135. DOI: 10.7500/AEPS20131218007.

[4] 尤毅,刘东,钟清,等.主动配电网优化调度策略研究[J].电力系统自动化,2014,38(9):177-183.DOI:10.7500/AEPS20130804001.

YOU Yi, LIU Dong, ZHONG Qing, et al. Research on optimal schedule strategy for active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 177-183. DOI: 10.7500/AEPS20130804001.

[5] SAJJAD G, SAEED A, FARROKH A. Smart distribution grid: optimal day-ahead scheduling with reconfigurable topology[J]. IEEE Trans on Smart Grid, 2014, 5(5): 2402-2411.

[6] 曾鸣,彭丽霖,王丽华,等.主动配电网下分布式能源系统双层双阶段调度优化模型[J].电力系统自动化设备,2016,36(6):108-115.

ZENG Ming, PENG Lilin, WANG Lihua, et al. Two-stage dual-level dispatch optimization model of distributed energy system in active distribution network[J]. Electric Power Automation Equipment, 2016, 36(6): 108-115.

[7] ALBERTO B, MAURO B, SAMUELE G, et al. Short-term scheduling and control of active distribution systems with high penetration of renewable resources[J]. IEEE System Journal, 2010, 4(3): 313-322.

[8] 高亚静,李瑞环,梁海峰,等.考虑间歇性电源与负荷不确定性情况下基于多场景技术的主动配电系统两步优化调度[J].中国电机工程学报,2015,35(7):1657-1665.

GAO Yajing, LI Ruihuan, LIANG Haifeng, et al. Two step optimal dispatch based on multiple scenarios technique considering uncertainties of intermittent distributed generations and loads in the active distribution system[J]. Proceedings of the CSEE, 2015, 35(7): 1657-1665.

[9] 沙熠,邱晓燕,宁雪蛟,等.协调储能与柔性负荷的主动配电网多目标优化调度[J].电网技术,2016,40(5):1394-1399.

SHA Yi, QIU Xiaoyan, NING Xuejiao, et al. Multi-objective optimization of active distribution network by coordinating energy storage system and flexible load[J]. Power System Technology, 2016, 40(5): 1394-1399.

[10] 关于进一步深化电力体制改革的若干意见(中发〔2015〕9号文)[EB/OL].[2015-03-15].http://news.ncepu.edu.cn/xxyd/llxx/52826.htm.

[11] LIN F, POLIS M P, WANG C S, et al. Hierarchical control and management of virtual microgrids for vehicle electrification[C]// IEEE Transportation Electrification Conference and Expo, June 18-20, 2012, Dearborn, USA: 6p.

[12] YANG H, YI D, ZHAO J, et al. Distributed optimal dispatch of virtual power plant based on Elm transformation[J]. Management, 2014, 10(4): 1297-1318.

[13] 刘吉臻,李明扬,房方,等.虚拟发电厂研究综述[J].中国电机工程学报,2014,34(29):5103-5111.

LIU Jizhen, LI Mingyang, FANG Fang, et al. Review on virtual power plants[J]. Proceedings of the CSEE, 2014, 34(29): 5103-5111.

[14] 丁明,马凯,毕锐.基于多代理系统的多微网能量协调控制[J].电力系统保护与控制,2013,41(24):1-8.

DING Ming, MA Kai, BI Rui. Energy coordination control of multi-microgrid based on multi-agent system[J]. Power System Protection and Control, 2013, 41(24): 1-8.

[15] 周永智,吴浩,李怡宁,等.基于MCS-PSO算法的邻近海岛多微网动态调度[J].电力系统自动化,2014,38(9):204-210.DOI:10.7500/AEPS20131211005.

ZHOU Yongzhi, WU Hao, LI Yining, et al. Dynamic dispatch of multi-microgrid for neighboring islands based on MCS-PSO algorithm[J]. Automation of Electric Power Systems, 2014, 38(9): 204-210. DOI: 10.7500/AEPS20131211005.

[16] 周念成,金明,王强钢,等.串联和并联结构的多微网系统分层协调控制策略[J].电力系统自动化,2013,37(12):13-18.

ZHOU Niancheng, JIN Ming, WANG Qianggang, et al. Hierarchical coordination control strategy for multi-microgrid system with series and parallel structure[J]. Automation of Electric Power Systems, 2013, 37(12): 13-18.

[17] MORGANTOWN W. Emission rates for new DG technologies: the regulatory assistance project[EB/OL]. [2016-12-05]. http://www.Raponline.org/ProjDocs/DREmsRul/Collfile/DGEmissionsMay2001.pdf.

[18] 崔屹平.集中小水电主动配电网能量管理研究[D].北京:华北电力大学,2014.

[19] 谭世恒.一种新型的群智能优化算法:细胞膜优化算法及其应用[D].广州:华南理工大学,2011.

[20] 董明刚.基于差分进化的优化算法及应用研究[D].杭州:浙江大学,2012.

[21] 黄伟,黄婷,周欢,等.基于改进微分进化算法的微电网动态经济优化调度[J].电力系统自动化,2014,38(9):211-217.DOI:10.7500/AEPS20130520003.

HUANG Wei, HUANG Ting, ZHOU Huan, et al. Dynamic economical dispatch for microgrid based on improved differential evolution algorithm[J]. Automation of Electric Power Systems, 2014, 38(9): 211-217. DOI: 10.7500/AEPS20130520003.

Multi-time Scale Optimization Scheduling Strategy for Virtual Microgrid

HUANGWei,XIONGWeipeng,YANBinyu,LIULifu,LIUZifa

(School of Electrical and Electric Engineering, North China Electric Power University, Beijing 102206, China)

With the reform of power-sold side, third parties which provide service of new energy power generation has become new independent stake-holder. Based on the concept of virtual microgrid, the scheduling problem of new independent stake-holders which access in the active distribution network in the form of virtual microgrid is focused, and then multi-time scale optimization scheduling model for virtual microgrid is constructed with its solving algorithm. Day-ahead scheduling model and real-time scheduling model is included in optimization scheduling. Day-ahead scheduling model aims at maximizing the interest of virtual microgrid, while real-time scheduling model takes safe and stable operation of virtual microgrid as the optimization goal. Finally, based on the load and distribution generation output forecasts, as well as the transformed IEEE 33-bus network, this paper utilizes the differential evolution-cell membrane hybrid algorithm to solve multi-time scale scheduling model, and the case studies show that: through optimization scheduling, it can not only decease the net losses of virtual microgrid, but also promote the benefits of visual microgrid and the utilization of renewable energy.

This work is supported by National Natural Science Foundation of China (No. 51577058).

virtual microgrid; active distribution network; independent stake-holders; optimization scheduling

2017-04-09;

2017-06-09。

上网日期: 2017-07-25。

国家自然科学基金资助项目(51577058)。

黄 伟(1962—),男,博士,教授,主要研究方向:主动配电网调度与控制、智能电网与新能源利用技术。E-mail： huangwei@ncepu.edu.cn

熊伟鹏(1994—),男,通信作者,硕士研究生,主要研究方向:主动配电网调度与控制。E-mail: hdu_xwp@163.com

闫彬禹(1992—),女,硕士研究生,主要研究方向:主动配电网需求侧管理。E-mail: 1106001224@qq.com

(编辑 万志超)