计及多时间尺度需求响应资源的微电网能量优化调度策略

刘宝林, 周少雄，陈燿圣，杨苹

(1.云南电网有限责任公司,昆明市650011；2.深圳合纵能源技术有限公司，广东省深圳市518000； 3.广东省绿色能源技术重点实验室，华南理工大学电力学院，广东省广州市 510640)

0 引 言

在能源危机和环境污染双重压力下，我国大力推广可再生能源，加速能源结构转型升级[1]。在国家政策鼓励下，以光伏(photovoltaic, PV)和风电(wind generation, WG)为代表的分布式电源(distributed energy resource, DER)快速发展，与此同时，微电网(microgrid, MG)作为DER的有效利用形式受到广泛关注[2]。能量管理系统是保证MG经济稳定运行的关键，它通过获取气象数据、价格信号及负荷需求等信息对MG内部可控单元进行调度决策[3]。

已有很多学者对MG能量管理策略做了研究并取得了一定的成果。文献[4]考虑储能(energy storage system,ESS)设备的运行成本，以微网运行成本最小为目标，从日前和日内2个时间尺度优化可控发电单元出力。文献[5]同时兼顾用户侧成本和联络线功率波动最小化，建立多目标优化模型。文献[6]建立了含风光储微电网的经济调度模型，并采用改进遗传算法对各微源出力进行优化。文献[7]根据分时电价机制对储能制定充放电规则，采用量子粒子群算法优化微源出力和联络线功率，实现微网对大电网的削峰填谷。上述文献主要针对微网中的可控微源进行调度，并未考虑将需求侧响应资源作为调度对象。

关于需求侧响应资源参与微电网经济运行方面，文献[8]将微网中负荷按重要程度分为3类，建立以总运行费用和停电损失之和最小为目标的孤岛型微网能量优化调度模型。文献[9]将可中断负荷作为可调度资源，建立计及联络线削峰填谷和波动最小的多目标模型，利用非线性规划工具进行求解。文献[10]以储能运维成本、可中断负荷补偿价格、大电网购售电等为目标函数，建立多时间尺度优化调度模型。上述文献对可控负荷建模较为简单，与实际情况相差较大。

本文针对含微网运营商、DER发电商及负荷聚集商3个主体的社区级微电网，采用集群空调和集群电动汽车作为需求响应(demand response, DR)资源，储能作为可控设备，以微网运营商利益最大为目标，提出了多时间尺度能量优化调度策略。该策略考虑了日前-日内-实时3种时间尺度的激励型需求响应，并采用集群空调和集群电动汽车的负荷削减策略得到对应的DR资源。在日前计划阶段，以运营商利益最大为目标决策储能出力、集群空调和集群电动汽车的DR供应量，通过日内调度对日前计划进行滚动修正，利用实时调度消纳可再生能源和负荷的功率波动，实现全局经济性最优。

1 社区级微电网架构

本文研究的社区级微电网系统如图1所示，系统通过风电、光伏、储能等微电源以及联络线向社区负荷供电。其中，社区负荷包括以温控设备及电动汽车为主的可控负荷和其他不可控负荷。温控设备和电动汽车均具有良好的储能特性，短时间的中断不会对用户舒适度造成太大影响，负荷聚集商通过将这些分散的需求侧资源进行整合，作为虚拟“发电”单元，参与微网能量管理系统的统一调度。

图1 社区级微电网架构Fig.1 Architecture of a community-based microgrid

随着新一轮电改的深入，MG参与主体呈现多元化，表1所示为各参与主体及需求划分。在此背景下，MG主要采取多方投资+集中管理的运营模式，运营商将MG作为一个整体参与外部电力市场，对MG内部则组织微平衡市场，引导DER发电商和负荷聚集商的能源生产消费，DER发电商和负荷聚集商通过各自的竞价策略与运营商签订电价合同获取收益，并提前一天上报次日各时段DER发电量和DR供应量，运营商为保证自身收益将优先调用性价比最优的资源，提高资源利用效率。

表1社区级微电网参与主体及需求划分
Table1Participantsanddemanddivisionofacommunity-basedmicrogrid

由于新能源与负荷功率预测精度与时间尺度相关，运营商需要制定不同时间尺度的调度计划以提高运行经济性。MG中可调度资源包括储能以及可控负荷，其中可控负荷受DR激励影响，呈现出多时间尺度特性，负荷聚集商可以通过预测分析DR资源并分配其在日前计划与日内调度的供应量，运营商通过调用DR资源能够弥补储能配置容量的不足，且成本较之储能更有优势。因此，运营商在制定能量优化调度策略时，应计及多时间尺度的DR资源。

2 微电网可控单元建模

本文考虑智慧社区MG中常见的可控单元，包括储能、集群空调负荷和集群电动汽车负荷。

2.1 储能设备建模

为了保证储能电池的使用寿命，储能系统对其荷电状态(state of charge，SOC)和输出功率2方面进行限制。约束如下：

Smin≤St≤Smax

(1)

(2)

此外，储能系统在每日调度中应保持状态平衡：

ST=S1

(4)

式中：ST为每日调度最终时刻的电量；S1为每日调度起始时刻的电量。

2.2 集群空调负荷建模

本文选取智慧社区中家庭用户以及小型工商业用户使用的定频空调作为空调集群对象。采取文献[11]提出的集群空调循环控制策略，即轮流控制各个空调设备的启停以达到集群空调负荷的需求响应容量，同时在控制过程中满足用户舒适度要求。用户可与负荷聚集商约定室温控制区间[Tmin,Tmax]。

假设负荷聚集商将n个空调负荷均分为τc组进行循环控制，控制周期为τc，如图2所示。图中表示空调轮控策略，将每1 min视为1种状态，灰色方框表示空调处于关闭状态，白色方框表示空调处于启动状态，框中数字表示空调负荷按策略运行时的状态变化顺序。例如，某时刻空调负荷位于状态2，则按图中策略可知，空调将按状态3到下周期状态1的顺序变化。

图2 集群空调负荷轮控策略Fig.2 Cycle control strategy of aggregated air-conditioning load

根据空调热动力学模型[12]，可以确定每组空调在控制周期内的启停时间：

(6)

由于实际控制过程中无法实时测量空调室内温度，因此基于空调热动力学模型采用空调持续工作时间以代替实时室温，启停控制需要满足以下约束：

(8)

2.3 集群电动汽车建模

本文采取文献[13]提出的单台电动汽车迟滞控制模型，对入网电动汽车进行充放电控制。假设电动汽车入网时刻为ton，以额定功率PN和-PN进行充放电，用户根据自身需求，设定离开电网时间为toff，相应的SOC需求为Eend，且允许偏差为±δ，因此电动汽车实际充放电过程可以表示为：

(9)

(11)

入网电动汽车的充电时间必须大于最短充电时间需求Tmin才具备调控能力，其计算公式如式(12)所示。定义可控系数C衡量电动汽车调控的灵活性，如式(13)所示。当C>1时，电动汽车不具备调控能力；当C≤1时，则可对其充放电进行控制，且值越大，调控灵活性越高。

Tmin=(Eend-Eon)B/PN

(12)

(13)

3 计及多时间尺度需求响应的微电网能量优化调度

3.1 多时间尺度需求响应资源

DR根据不同的实施机制可以分为电价型(price-based demand response, PDR)和激励型(incentive-based demand response, IDR)2类。在智慧社区微网中，运营商制定调度计划分为日前-日内-实时3个时间尺度，为充分调动DR资源参与微电网的优化运行，运营商与负荷聚集商签订的DR合同分为以下3种。

3.1.1Ⅰ类IDR

负荷聚集商需要预测次日各时段集群空调负荷以及电动汽车负荷的可控容量并上报运营商，运营商根据微网日前调度模型决策DR资源供应量，并与负荷聚集商签订DR补偿价格。

3.1.2Ⅱ类IDR

运营商根据微网日内调度模型滚动优化可控单元调度值，并提前30～60 min通知负荷聚集商下一时段DR供应量。

3.1.3Ⅲ类IDR

实时调度过程中若储能系统不足以平抑新能源出力非规律性波动，将提前5～15 min通知负荷聚集商调整DR供应量。

3.2 能量优化调度模型

微网优化调度可以划分为日前调度、日内调度和实时调度3个阶段，图3所示为多时间尺度的微网优化调度策略框架图。

图3 多时间尺度微网能量优化调度策略框架Fig.3 Framework of optimal energy dispatching strategy model based on multi-time scale

微电网能量优化调度首先基于新能源和负荷日前预测数据、日前电价以及负荷聚集商提供的DR资源日前预测与报价，在满足安全约束条件下，以运营商利益最大为目标，制定各微源日前出力及DR日前供应量；由于日前计划与实时调度时间跨度较大，因而偏差也较大，利用最新预测数据和系统状态通过日内调度模型对日前计划不断修正。微网实际运行中，实时调度采用精度较高的超短期预测，遵循日前计划的运行状态，实时调整各微源出力以及DR削减量。日前-日内-实时3阶段优化调度策略保证了微网实际运行的可靠性和经济性。最后，通过微电网中央控制器给底层微源和负荷聚集商下发调度指令。

3.2.1日前调度模型

3.2.1.1目标函数

日前调度以运营商利益最大为优化目标，运营商利益包括购售电收益和Ⅰ类IDR费用，即：

(15)

3.2.1.2约束条件

(1)储能备用容量约束。新能源出力的日前预测值与实际情况存在偏差，储能作为可控单元需要考虑备用容量约束，为日内修正偏差保留一定裕量。

(16)

(2)储能充电功率约束。DER发电商的责任是为MG负荷供电，因此储能充电过程应避免从上级电网获取电能。

(3)Ⅰ类IDR上下限约束。IDR资源作为可控单元应在日前计划留有一定裕量，以弥补日内运行时储能出力的不足。

储能SOC约束同式(1)。

3.2.2日内调度模型

3.2.2.1目标函数

为减小日前调度与实时调度的偏差，加入日内调度环节。通过最新系统运行数据和新能源预测数据，修正后续新能源出力以及DR资源供应量。预测提前时段为4 h，时间分辨率为1 h，即提前预测后续4 h中每h的新能源出力平均值。日内调度是对日前计划的不断修正和刷新的过程，以运营商购电费用及Ⅱ类IDR费用最小为目标，目标函数如下：

(19)

在电力市场下，若MG日内联络线功率大于日前计划，则需要在实时市场购买偏差电量，而实时市场通常提前5～15 min告知电价信息，使得日内调度无法根据最新电价信息进行调整，因此日内调度使联络线跟随日前计划调度值以保证经济性最优。

3.2.2.2约束条件

(1)储能充放电功率约束。储能在日前计划中留有备用容量，在日内调度时启用备用容量以弥补新能源的预测偏差，约束式同式(3)。

(2)Ⅱ类IDR上下限约束。IDR在日前计划中留有一定裕量作为日内调度的备用，日内调度修正IDR供应量时应避免超过IDR可供容量的最大值。

储能SOC和充电功率约束同式(1)和式(17)。

3.2.3实时调度模型

3.2.3.1目标函数

(21)

3.2.3.2约束条件

(1)Ⅲ类IDR上下限约束。实时调度调用的IDR供应量应避免超过IDR可供容量的最大值。

(2)IDR偏差约束。集群空调和集群电动汽车实际削减量允许大于调度指令，但必须保证在一定偏差范围内。

(23)

集群空调和集群电动汽车状态决策变量约束同式(8)和式(9)。

4 算例分析

4.1 算例描述

本文采用图1所示社区级微电网系统对所提策略进行仿真分析。该微网系统包括1.5 MW光伏、 1 MW风电、2.5 MW·h锂电池储能及2 MW非集群负荷，新能源及负荷功率预测值如图4所示。

4.2 算例仿真

负荷聚集商提供集群空调和集群电动汽车可控容量预测值给运营商参与日前调度计划。次日环境温度预测值如表2所示，由式(4)—(6)计算出集群空调各时段可控容量，按2.2节所提策略将1 000台空调分15组进行轮控，各组信息如表3所示。假设入网电动汽车SOC在[0.2,0.5]之间均匀分布，离网时SOC设为0.95，允许偏差δ=0.025，在00:00—16:00电动汽车可控系数服从[2,2.5]的均匀分布，在16:00—24:00服从[1.5，2]的均匀分布。根据图5所示的电动汽车行程时间分布，由式(13)计算出各时段集群电动汽车可控容量，如表4所示。

图4 风电、光伏和负荷各时间尺度预测值Fig.4 Forecast of wind power, photovoltaic power and load on each time scale

图5 电动汽车最后一次行程结束时间分布Fig.5 Access time of electric vehicles

图6 价格曲线Fig.6 Price curve

表3 集群电动汽车参数Table 3 Aggregate electric vehicle parameters

表4 集群电动汽车各时段可控容量Table 4 Controlled capacity of aggregate electric vehicle on each time interval

图7 各时间尺度优化调度结果Fig.7 Optimal scheduling results on each time scale

本文各时间尺度模型均采用商业软件CPLEX求解器进行求解，各时间尺度优化调度结果如图7所示。

由图7(a)可见，3种时间尺度的联络线功率曲线基本重合，其原因是在日内调度和实时调度模型中引入了联络线惩罚因子β，使得日内调度和实时调度中的联络线功率跟随日前计划的调度值，保证了运营商不受电力市场的偏差电量考核影响，符合运营商利益需求。

由图7(b)和(c)可见，在14:00—16:00与19:00—20:00时段储能日前计划与日内调度出现了较大差异，观察同时段的图7(d)与图7(e)的调度曲线发现，集群空调削减功率在14:00—16:00突然增大，而集群电动汽车则降至为0，由图6可知这是由于该时间段集群空调DR价格比集群电动汽车DR价格和DER购电价格更低，同时DR资源在日前计划留有1/3的备用容量，因此在日内调度时优先调用这部分资源；同理，在19:00—20:00时段，集群电动汽车DR价格比其他两者更低，因此优先调用。在其余时段，储能出力与日前计划出现偏差的原因同样是在日内调度阶段启用了储能日前计划的备用容量。对比储能实时调度和日内调度曲线可以看出，实时调度曲线围绕日内调度曲线上下波动，该环节时间尺度为15 min，主要目的是平抑超短期阶段新能源与负荷的波动。

图8 可控负荷实际响应值与指令值对比图Fig.8 Comparison of actual response value and instruction value of controllable load

集群空调和集群电动汽车实际控制时间尺度为分钟级，对比2种DR资源实际响应情况与实时调度指令的偏差值，如图8所示。由图8(a)可见，集群空调在840～ 1 020 min(14:00—17:00)时段实际响应值高于调度指令，这是因为每组空调可控容量均在200 kW以上，单位可控容量较大，无法实时满足调度指令的零偏差响应，且为了尽可能避免出现响应不足的情况，允许响应值在一定范围内大于指令值。在780～ 840 min(13:00—14:00)时段，调度指令为1.5 MW，接近可控容量，可调裕量较小，导致实际响应曲线波动幅度较大。由图8(b)可见，相比于集群空调负荷，集群电动汽车由于单位可控容量仅为单台电动汽车的充电功率，使得实际响应曲线很好地跟随实时调度曲线。

日内调度根据最新的预测信息和系统运行状态对日前计划不断修正，减少了日前计划与实际情况的偏差。计算有日内调度环节和无日内调度环节的运营商最终收益分别为61.4美元和52.36美元，由此可知，增加日内调度环节不仅使调度结果逐步逼近实际情况，同时提高运营商收益。

5 结 论

本文提出一种计及多时间尺度需求响应资源的微电网能量优化调度策略，通过市场环境下微电网内部发电侧和用户侧资源的互动，使需求响应资源参与各级调度中，实现了日前-日内-实时调度的协调优化。算例结果表明：

(1)通过采用不同时间尺度的激励型DR，能够使DR资源参与到微电网的多时间尺度能量管理，弥补储能备用容量的不足；

(2)通过日内滚动修正和实时调度环节能够减少微电网实际出力与日前计划出力的偏差，避免运营商受外部电力市场电力电量平衡考核影响，满足微电网运营商需求；

(3)通过对集群电动汽车和空调负荷的精确建模能够提高调度决策的精细化程度，使调度结果更加符合实际情况。