主动配电网源-网-荷双层两阶段优化调度

李继宇, 江修波, 李功新,2, 范 映

(1.福州大学 电气工程与自动化学院, 福建 福州 350108;2.国网福建省电力有限公司, 福建 福州 350003;3.国网福建省电力有限公司检修分公司, 福建 福州 350013)

0 引 言

随着分布式发电(Distributed Generation,DG)技术的成熟,使得DG的应用得到巨大推广,合理容量的DG并网能够降低系统损耗,改善电能质量以及提高系统可控性[1-3]。目前,大电网与DG相结合是未来电力系统的发展趋势,将合理的负荷预测结果及先进的在线监测技术相融合,进而科学合理地对DG进行优化调度,能够使接入的DG、储能装置及无功补偿装置等发挥最大效益,确保配电网清洁、经济、稳定运行。

目前,国内对于含DG配电网的主要研究放在供电质量、可靠性、继电保护以及DG的规划上[4-6],在经济性调度上还有所欠缺。文献[7]针对“源-网-荷”三者联合协调提出了一种包含DG、储能、柔性负荷控制的调控方法,从电网公司利益出发构建了考虑购电成本、网络损耗及需求侧管理的综合调度模型,并用改进的和声算法进行求解。文献[8]提出了空间和时间尺度全局协调优化的调度模型,通过分布自治、分解协调机制开发了综合优化调度系统。文献[9-10]分别提出日前两阶段及双层优化调度模型,力求达到系统运行经济性最高。文献[11-12]通过需求侧响应来降低用电成本。文献[13-14]通过网络重构来使调度模型经济性达到最高。文献[15]提出一种动态-遗传算法的混合储能系统实时协调调度方案,能够对调度方案进行实时修正,但其实时修正阶段采用储能系统进行柔性控制,使电网投资成本加大。

本文提出一种日前、日中相结合的两阶段优化调度方法,包括日前优化调度阶段及实时修正阶段。日前优化阶段采用双层能量优化,上层优化层日前调度成本最低为目标函数进行DG出力及购电的预调度,下层优化层采用有功网损最低为目标函数进行无功优化;日中实时修正阶段采用改进数据流在线分割的超短期预测获得最新预测数据后,对日前调度方案进行实时修正。

1 主动配电网源-网-荷双层两阶段优化调度模型

主动配电网的双层优化调度模型建立在双层能量优化的基础上,在充分考虑环境效益、运行条件及整体经济性的基础上,通过主动管理措施对DG进行相关控制以达到调度成本最低及系统有功网损最低,从而实现电网公司的效益最大化。

1.1 上层有功优化调度模型

(1) 目标函数。在日前有功优化阶段的目标函数为日前运行成本最低,其具体目标函数:

(1)

式中:T——调度时段数;

NFI——系统中柔性负荷总数量;

ρFI——柔性负荷补偿单价;

ρgrid——大电网购电单价;

ρDG——DG运行维护成本;

ξ——政府补贴清洁能源发电收入;

Zi,t——t时段第i台DG的启停状态;

Coff——DG关停成本。

(2) 约束条件。

①有功平衡约束:

(2)

②DG出力上下限约束:

(3)

③DG启停时间约束:

(4)

式中:Ui,t——第i台DG在t时段运行状态,取值为0或1,1表示DG运行状态,0表示关停状态;

Tmup,i、Tmdown,i——第i台DG的最小启动时间、关停时间。

④DG爬坡约束:

(5)

Upi、Downi——第i台DG上、下爬坡率最值。

⑤联络线功率约束:

(6)

⑥系统旋转备用约束:

(7)

Ij,t——t时段第j个柔性负荷是否切负荷,取值为0或1,1表示切负荷,0表示不切负荷;

Rt——t时段的备用负荷。

⑦储能装置约束:

SOCmin≤SOC≤SOCmax

(8)

式中: SOCmax、SOCmin——电池荷电状态的最大值和最小值。

1.2 下层无功优化调度模型

光伏、风力发电的DG不仅能够输出有功功率,同时也能够输送一定容量的无功功率,合理利用其无功输出,能够起到对电网的无功优化作用。其中光伏能够提高的无功功率容量:

(9)

式中:Qg——光伏输出无功功率;

Smax——光伏机组所能提供最大视在功率;

Pact——光伏机组输出有功功率。

双馈风机的无功输出:

(10)

式中:Qs——风机输出无功功率;

U1——风机定子电压;

X1——风机定子电抗;

Irmax——风机转子最大电流;

Pw——风机输出有功功率。

随着风机输出有功功率增大,无功调节范围缩小,调节能力降低。

(1) 目标函数。日前无功优化以系统有功网损及加权电压偏移率最低为目标函数,具体目标函数:

(11)

式中:Pi,lost——系统第i个支路的网损值;

NL——系统总支路数;

1．3．1 肠组织病理学检测 取回盲部近端肠管1 cm于10%甲醛溶液中固定后，石蜡包埋，冠状切面切片，HE染色观察肠病理形态学变化。肠组织损伤评分，分为4级：0分，正常；1分，黏膜下和／或固有层轻微分离；2分，黏膜下和／或固有层中度分离、（或）黏膜下和肌肉层水肿；3分，黏膜下和／或固有层严重分离、和／或黏膜下和肌肉层严重水肿，局部绒毛脱落；4分，肠绒毛消失伴肠坏死［5］。组织学评分≥2分确定为NEC。

δ——加权系数;

UN——系统基准电压值;

Uj——第j节点电压值;

NB——系统总节点数。

(2) 约束条件。

①潮流约束:

(12)

(13)

式中:Ui、Uj——系统第i、j节点的节点电压值;

|Yij|——第i、j节点之间支路的电导值;

θij——Yij的相角值;

δi、δj——系统第i、j节点的节点电压相角值;

②DG无功出力约束:

(14)

③无功补偿器出力约束:

(15)

④节点电压约束：

Ui,min≤Ui≤Ui,max

(16)

式中:Ui,min、Ui,max——第i个节点节点电压的下限值、上限值。

1.3 源-网-荷双层优化调度模型

主动配电网的双层优化调度模型建立在双层能量优化的基础上,通过主动管理措施对DG进行相关控制,以达到调度成本最低及系统有功网损最低,从而实现电网公司的效益最大化。有功-无功双层调度优化模型如图1所示。

本文从环境、运行及经济性角度出发,以能量交互、电网运行及负荷侧响应为基础,构建源-网-荷双层优化调度模型。上层模型以运行成本最低为目标函数,综合源-网-荷情况,最终确定DG有功出力情况及大电网购电计划,将其传递给下层调度模型;下层调度模型以有功网损及加权电压偏移率最低为目标函数,对系统进行无功优化,确定DG及无功补偿器的无功出力情况,并将其反馈给上层调度模型,通过各层调度模型最优策略的传递及反馈,从而计算出符合整体最优运行的优化结果。

2 实时调度修正阶段

2.1 修正阶段有功处理

日前调度的风、光出力及负荷情况是基于预测数据,与真实数据存在一定误差。由于日前采用的是短期预测,相较于超短期预测,后者拥有更高精度,对实时调度情况作出更优决策。本文采用基于改进数据流在线分割的超短期预测[16]对风、光出力及负荷情况进行超短期预测。

由于风速、光照强度短期预测值与超短期预测值存在偏差,对日前调度结果进行实时修正方能使系统达到最优,其大电网购电量功率修正:

(17)

(18)

(19)

(20)

2.2 修正阶段重新计算

双层优化调度模型在优化结果上相较于多目标优化调度模型而言能够对调度方案进行更进一步优化,但双层优化采用双层嵌套,在计算时间上劣势明显。本文采用超短期负荷对风、光、荷情况进行预测,力求达到最小误差,从而提高可再生清洁能源的最大利用率,预测周期为1 h;但由于双层模型计算过程复杂,耗时过长,导致可能无法及时得出最新调度结果对日前方案进行修正。因此在实时修正之前先对超短期预测情况与日前短期预测情况进行修正评估。具体评估方法如下:

(21)

式中:Ψ——修正评估后结果,0表示不进行修正,1表示进行实时修正;

γ——设置的误差系数比例。

根据实时修正评估结果,当评估结果为需要修正时,采用多目标优化算法设定综合运行成本最低、有功网损及加权电压偏移率最低为目标进行寻优;当评估结果为不进行修正时,采用日前双层调度结果对系统进行运行控制。

3 模型求解

3.1 二进制混沌蝙蝠优化算法

本文采用混沌蝙蝠算法[17]对模型进行求解。由于本文模型中增加DG机组的启停情况,即增加了0-1变量。为了适应ADN源-网-荷的协调优化的更高要求,本文在混沌蝙蝠优化算法的基础上,引入二进制化,从而提高算法的适应性,对包含离散变量的优化问题有更进一步的延伸。

二进制混沌蝙蝠优化算法在迭代过程中,每个个体的位置取0或1,而其他的迭代公式与混沌蝙蝠优化算法相同。每次迭代过程中,第i只蝙蝠在d维的离散化公式:

(22)

(23)

3.2 模型求解步骤

结合混沌蝙蝠优化算法的相关内容,双层两阶段优化求解流程如图2所示。

步骤1:基础数据及算法的基本参数初始化,如混沌蝙蝠优化算法的迭代次数、初始种群数量、Tent混沌序列迭代次数等。

步骤2:初始化规划层蝙蝠种群,并将其引入Tent混沌序列,利用适应度函数对步骤1所产生的个体进行优劣评价,并找出最优位置个体。

步骤3:利用本文所提的方法将个体的位置二进制化,将离散变量目标函数引入个体蝙蝠中,检验DG启停及有功/无功输出情况的优劣。

步骤4:将上层DG出力情况方案传递至下层,以上层传递结果初始化下层,并针对此结果进行无功优化,将DG、无功补偿器无功出力情况反馈至上层。

步骤5:根据下层DG、无功补偿器无功出力情况,对上层DG有功出力、大电网购电情况进行修整。

步骤6:判断是否满足输出要求,若满足终止迭代要求,输出日前优化调度方案;若不满足,返回步骤4循环操作。

步骤7:进入实时调度方案修正阶段,采用改进数据流在线分割进行超短期负荷预测。

步骤8:判断是否进行实时修正。若满足实时修正条件,则进行多目标实时修正阶段;若不满足实时修正条件,则输出日前优化调度结果。

4 算例分析

4.1 算例基本参数

基于IEEE-33节点配电系统,对其进行主动改造。修改后IEEE-33节点配电系统如图3所示。

图3中,经过主动改造后的IEEE-33节点配电系统电压等级为12.66 kV;PV、WG、ESS、FI分别表示分布式光伏发电、分布式风力发电、储能装置及柔性负荷;在10号、16号节点接入PV,在3号、33号节点接入WG,在14号、24号节点分别接入ESS,在18号、31号节点分别接入FI;各类能源的最优配置方案如表1所示。大电网购电成本中峰、谷电价分别为0.55元/kWh、0.33元/kWh,平时电价为0.488元/kWh,全天分时电价曲线如图4所示;政府对风、光发电的环保正向激励为0.2元/kWh。全天风速、光强及负荷标幺值曲线如图5所示。

表1 各类能源的最优配置方案

4.2 算例结果分析

对二进制混沌蝙蝠算法进行参数设置,将种群规模设置为50,最大迭代次数设置为100次,γ修正比例设置为0.02,对源-网-荷双层调度模型进行求解,分析如下:

(1) 具体调度情况分析。系统全天有功调度结果如图6所示。

由图6可知,日前优化调度和实时修正调度系统各时段总购电量分别为53.727 MW及51.387 MW,在大电网购电量上由于实时修正调度最大限度降低弃风、弃光的出现,在总购电量成本上有一定减少,且从曲线看来实时进行超短期DG出力及负荷预测能够使整体曲线更加平滑,整体平稳得到一定提升。因需求侧存在可调度柔性负荷,能够给日前调度阶段预测出现的较大误差提供一定裕量进行修正补偿。由于短期预测对风、光出力进行预测存在较大误差,导致弃光弃风的现象出现,在使用超短期预测后能够大幅度提高预测精度,使风、光使用率大大提高。储能系统主要在常规负荷处于低位时进行充电,在用电高峰期进行放电,从而起到削峰填谷作用[18]。

系统全天DG无功出力调度结果如图7所示。当PV及WG作为无功源输出之后,能够大幅度减小对电网及无功补偿器无功值的需求,从而得到防止网络堵塞,降低整体网络损耗的目的。

(2) 节点电压分析。全天24 h下,若采用无实时修正及超短期负荷预测实时修正,系统全天节点平均电压如图8所示。

由图8可知,若系统采用短期预测后进行调度,由于真实值和日前调度所用的预测值有较大误差,导致最低节点电压低至0.903 7 p.u.;而采用超短期预测与真实值具有极高精度,其节点最低电压为0.942 5 p.u.,使系统整体电压偏移率大大降低,使用户用电满意度得到一定保障。使用短期日前调度策略中整体节点电压低于0.95 p.u.节点达到21个,超过系统全局60%;采用超短期预测实时修正的情况下,整体低于0.95 p.u.节点数仅为系统末端的12个节点,能够使全局系统都处于较低电压偏移率。综上分析,证实了本文所涉及的源-网-荷双层两阶段调度方法的有效性及合理性。

(3) 整体经济性分析。本文所构建的源-网-荷双层两阶段优化调度旨在构建用户满意度、环境友好度、电能质量高和网络损耗、系统波动、运行成本低的调度方案。采用短期预测日前调度及超短期预测实时修正调度相结合,来进行主要经济成本分析。不同调度方案的经济指标对比如表2所示。

表2 不同调度方案的经济指标对比

由表2可知,采用超短期预测实时修正调度的清洁能源利用率能够达到96.77%,对短期风、光及负荷预测带来的误差能够进行最大程度的修正;在清洁能源利用及柔性负荷裕量使用上能够最大限度协调,超短期预测实时修正调度在各项费用上都有明显优势,在当日运行总成本上较短期负荷预测降低0.203 1万元,降幅达到7.70%;比较于经济调度模型,总成本降低0.508 5万元,降幅达到17.29%。综合各项指标,本文提出源-网-荷双层两阶段优化调度方案能使各项指标达到优化。

5 结 语

对主动配电网双层两阶段调度模型进行研究,所得结论如下:

(1) 配电系统规划时,往往采用长期负荷预测对其进行容量的选取,但在系统运行时往往风、光出力及负荷使用情况等存在较大误差,因此规划时留有一定裕量。在日前进行调度方案制定时,由于短期风、光出力及负荷仍与实际存在一定误差,而超短期预测的精度较高,因此实时修正调度方案能够最大程度减少弃风、弃光现象的出现。

(2) 实时修正调度能够充分协调DG、储能装置及柔性负荷的作用,在负荷曲线上,对系统负荷曲线起到削峰填谷的效果,从而平抑负荷波动,增强系统稳定性;在系统运行上,能够使系统最优化运行,从而减小网损,提高电能质量;在经济指标上,由于最大限度使用清洁能源发电,使系统整体运行成本得到有效降低。

(3) 将DG作为无功源输出,能够充分发掘设备潜力,减少整体电网投资。虽然DG作为不可控出力,但日前采用短期预测调度结合超短期预测实时修正,能够极大限度地发掘DG的良性作用。