微电网多源协调优化的研究与应用

邹家惠，周步祥，张致强

（1.四川大学电气工程学院，成都 610065；2.中国核动力研究设计院核反应堆系统设计技术国家重点实验室，成都 610041）

微电网是一个具备自我控制和自我能量管理的自治系统，既可以与外部电网并网运行，也可以孤立运行[1]。微电网包括可调度单元、能源存储系统和需求侧管理系统[2]，这几个部分可以推动小型风力涡轮机等不可预测的、高度间歇性的可再生能源的有效使用。

为解决微电网并网和孤岛运行时的新能源的充分优化利用问题，文献[3]针对交流孤岛微电网存在的电能质量不均衡和功率分配不均的问题，提出了一种基于分散模型预测控制MPC（model predic⁃tive control）的一级和二级分层控制方案，用以调节孤岛运行时微网节点电压和频率。文献[4]构思出一种PQ控制策略，应用于电压控制型逆变器，使得下垂特性与该策略结合之后，能对微网做出一次调压调频，优化电力系统与分布式发电之间运行的优化。文献[5-7]考虑到蓄电池的运行问题，对孤岛、并网的投切问题，光伏阵列、蓄电池和负荷之间的多种能量供需问题，协调储能系统的容量配置问题，在满足蓄电池荷电状态的条件及最大化蓄电池使用寿命情况下进行了讨论。

为了让DG出力最优，且不影响电网的正常、稳定运行，文献[8]提出一种微网能量协调优化策略，即基于预测框架方法，在特定的微网模型基础上对预测时域内每个时刻的控制量进行滚动最优求解，因此需建立预测的滚动时域优化控制框架。文献[9]结合风、光、水、储能系统，将蓄水储能与新能源发电相结合，然后通过算法计算出能源协调最优。以上两篇文章提出的方法合理有效，但采用的微网结构相对简单，且若与泛在电力物联网相结合，数据通过边缘计算就地处理后再整体优化，可能最终结果更优。

针对以上问题，本文在充分构建的泛在电力物联网下，提出了微网多源模型。以成本最优为主要目标函数，根据各微源、联络线、蓄电池的功率交换约束建立约束条件，然后对终端进行两级优化，第一级通过物联网各终端数据互相传输得到的信息，了解各终端功率需求、传输情况，继而在边缘节点对储能、负荷和微源出力调整，以充分调动DG利用，第二级则通过对负荷优化提高出力平滑性。在建立微网的数学模型后将结果上传到微网能量管理系统EMS（energy management system），运用模糊遗传算法得到微源出力最优解，并将结果传输下去。

1 微网层能量优化管理模型

本文研究的微电网系统中包括风电、光伏、储能系统、微燃机等微源。储能系统和微燃机相互配合，在负荷高峰或DG不足时期给负荷供电，负荷低谷或DG大于负荷所需电能时期对储能系统充电，以满足下一轮的使用。图1为泛在电力物联网环境下微电网信息传输模型，微网中每一个元件的信息都相互流通，它与传统智能电网相比的优点在于，数据和信息可以就地分析。

图1 微网信息传输模型Fig.1 Information transmission model of micro-grid

1.1 目标函数

本文以成本F最小为目标函数，即

式中：CIN(t)为折旧成本；CM(t)为运行和维护成本；CD(t)为可中断负荷产生的成本；CE(t)为环境效益成本；CG(t)为购、售电成本。

（1）折旧成本属于微电网发电成本的固定成本，其中风机、光伏板、微燃机、储能系统的折旧成本都包括在内。在t时间段，微网的折旧成本为[10]

式中：n为微源数量；Pi(t)为微源在t时刻的输出功率；ni为投资偿还期；ri为第i种微源的固定年利率；Cin,i为单位容量建设成本；ki为年利用系数。

（2）运行和维护成本包含燃料成本和维护成本，其中运行成本主要为微燃机的燃料成本[11]，其表达式为

式中，cm,i为第i种微源单位出力运维成本系数。

（3）可中断负荷带来的负荷补偿金问题也是总成本的一部分[12]，即

式中：h为可中断负荷数量；I1i(t)为0、1整数变量，为0时为可中断负荷k在t时刻内切除，为1时为可中断负荷k在时段t内运行；C1i为可中断负荷k单位时段内的中断补偿金额，各可中断负荷的中断补偿价格因负荷的重要程度而异；Δt为时间间隔，取1 h。

（4）环境效益成本主要包括环境价值损失和排污所受罚款[13]，其表达式为

式中：m为污染物种类；Qij为第i种DG输出单位电量时第j类污染物的排放量，g∕（kW·h）；为第j类污染物的环境价值；Vj为第j类污染物的罚款系数。

（5）购、售电成本[14]为

式中：CP(t)为t时段购电价；CS(t)为t时段售电价，本文考虑售电和购电价格各分为峰、谷、平3个时段；PPgrid为t时段购电功率；PSgrid为t时段售电功率。

说明：IPgrid(t)=ISgrid(t)=0，既不售电也不购电；IPgrid(t)=1,ISgrid(t)=0，购电；IPgrid(t)=0,ISgrid(t)=1，售电。

1.2 约束条件

微电网能量管理优化的约束条件分以下几方面，包括等式约束和不等式约束：

（1）有功平衡约束。

式中：NDG为DG和微燃机的数量；PGi(t)为第i台微源在t时刻的出力；Pbat(t)为储能在t时刻的充放电功率，为正值时为储能向微电网放电，为负值时为微电网对储能充电；Pload(t)为t时刻的系统负荷需求功率。

（2）联络线功率约束。

购售电情况约束主要为：购电和售电只能有一种情况的存在，或者不购电也不售电，因此

购电和售电的功率上、下限约束如下：

（3）储能系统运行约束。

为了防止过度充放电对储能系统造成损害，储能系统荷电状态SOC（state of charge）值需在最大、最小的荷电量之间，即

式中，SOC(t)为t时刻蓄电池的荷电量，SOCmax、SOCmin分别为其最大、最小值。

t时刻系统中蓄电池剩余储能容量EB(t)需满足不超过其限值，即

且蓄电池的充放电功率要满足

式中：Pbat.e为蓄电池充放电功率额定值；ηdd为双向DC-DC变换器效率；Pdde为双向DC-DC变换器额定功率。

（4）微燃机功率约束。

微燃机应满足t时刻输出功率在一定区间范围内

式中，PGC(t)为微燃机在t时刻的出力，PGCmin、PGCmax分别为其出力的下限和上限。

（5）可中断负荷约束[15]。

式中，T1k为可中断负荷k在一天内可中断的时长总和的最大值。

2 微电网分层分布式能量优化策略

为了充分利用新能源，除成本优化以外，即考虑经济最优化的函数，还应对终端进行优化，让DG能够在微电网发挥最大效用的同时，保证微网系统运行的稳定性。为此，优化采用边缘计算（edge computing）的方法，并分成两级，第一级根据约束条件以及边缘计算，调整微源出力，提高DG利用率；第二级建立在第一级的基础上，因必然涉及分布式能源间歇性出力带来的系统电压、频率不稳等问题，因此要提高DG出力的平滑性。

微网功率交换及信息交换如图2所示，实线表示功率交换，虚线表示信息交换。从图2中可以看出各节点信息相互联通。

图2 交流微电网系统拓扑结构Fig.2 Topology of AC micro-grid system

2.1 一级优化

DG开发成本较高，传统的经济优化策略虽然能降低成本，但DG达不到优先调度权且不能充分利用，因此提出一级优化，并结合边缘计算。该方法主要与其最近的邻节点通信，以了解他们可以提供何种帮助并作出决策[15]。

图3为边缘计算在微网中的应用模型，终端设备贡献节点用于边缘计算，能够实时感知和处理。物联网设备将收集到的数据发送到本地可用的边缘服务器进行处理。这些设备通过无线网络技术（如WiFi和3G、4G和5G）或有线技术（如以太网）与边缘计算平台通信[16]。

根据边缘计算与其最邻近的节点通信的特点，一级优化只根据邻近节点传输的信息，达到DG利用率最大的特点，构建的数学模型为

图3 微网边缘计算的应用Fig.3 Application of edge computing to micro-grid

式中：PL,1(t)为一级优化后t时刻的等效负荷，PGv(t)为t时刻的光伏出力，PGw(t)为t时刻的风机出力。

一级优化需要依据电网层所提供的用户侧负荷需求预测数据，DG出力的预测数据，对DG的实际出力及储能系统实时储能情况进行调整，实现源荷互动消纳。具体流程如图4所示，将得到的最优结果应用于下一级优化中。

图4 一级优化流程Fig.4 Flow chart of primary optimization

图4中，ε为一固定值，这里取10-2。

边缘计算用于一级优化，风、光、储能、微燃机及负荷间数据相互传输，当微源了解负荷需求之后，立即作出功率传输决策，其中风、光、储能和微燃机之间功率的协调配合，通过边缘计算作出优化决策，即储能充电或发出功率、微燃机出力、DG出力大小之间的协调，提高DG利用率。

用户侧需求和DG预测出力数据得到后，首先通过约束条件确定的范围，对该数据进行合理取值。其次则实现DG出力最大，运用边缘计算，对各终端设备计算初步优化值，继而结合式（16）计算光伏、风机出力与负荷需求差的最小值，得到结果后继续判定，直到DG出力最大。最后将输出的值用于二级优化。

2.2 二级优化

由于储能系统和微燃机的主要作用在于削峰填谷，即DG出力不足的时候，大电网、储能系统和微燃机相互配合发电以供给用户，DG发出的功率大于用户需求量时，可以将多余的能量存储在蓄电池中。但这样做往往会带来一个问题，由于DG的出力尤其是风机出力具有间歇性，而微燃机可以对于能量的输入输出做出实时的调整，这样就可能会让微燃机处于出力过多、过少甚至经常启停机的状况，不利于网络的安全和发电机组的经济性，因此提出二级优化。依据电网传输过来的调度数据确定一个期望供给曲线PES(t)，数学模型为

式中，PL,2(t)为二级优化后的等效负荷。

平稳性指标表达式为

式中：rstable为平稳性指标；PCG(t)为第i种可控微源在t时刻的出力；PˉCG为周期内的平均出力。

以上两个阶段均需要通过分时电价激励用户，以调节和引导电力负荷的不同时段的使用，这样有利于电力安全性和经济性。

2.3 优化算法

由于遗传算法遗传操作及相关参数（例如交叉率）的选择不合理或不随进化过程自适应地改变会导致收敛速度低、过早收敛等一系列的问题，因此本文采用模糊遗传算法FGA（fuzzy genetic al⁃gorithm）对微电网各微源进行分析计算。模糊遗传算法意思是将模糊逻辑的理论用于遗传算法，例如当部分信息模糊、不明确的时候，就可以用模糊理论来处理这些信息。模糊遗传算法的流程如图5所示。

图5 模糊遗传算法流程Fig.5 Flow chart of FGA

3 仿真验算

3.1 数据采集

为验证该方案在泛在电力物联网环境下的有效性，本节以交流微电网智能电网实验室为研究对象，进行仿真验算。图2中L1、L2、L3为3种可中断负荷，Lc1、Lc2、Lc3为固定负荷。

在网络中，分时电价数据如下：峰时段（10：00—15：00，18：00—22：00）为1.055元∕（kW·h）；平时段（6：00—10：00，15：00—18：00）为0.633元∕（kW·h）；谷时段（22：00—6：00）为0.291元∕（kW·h）。微燃机的上限为8 kW，为性能着想，下限设置在1 kW，风机上限设置在10 kW，光伏上限为10 kW，储能系统上限为8 kW，下限为-8 kW。图6～图9为物联网中传输过来的固定负荷、可中断负荷、风机和光伏出力预测数据。

可中断负荷数据见表1。

图6 固定负荷出力Fig.6 Output from fixed load

图7 可中断负荷出力Fig.7 Output from interruptible load

图8 风机出力预测Fig.8 Prediction of output from wind turbine

图9 光伏出力预测Fig.9 Prediction of photovoltaic output

表1 可中断负荷数据Tab.1 Data of interruptible load

3.2 方案对比

为了验证方案的有效性，本文给出了3种不同的对比方案：

方案1，只有微网层的优化；

方案2，只含边缘计算的一级优化和微网层的优化；

方案3，含边缘计算与分时电价结合的双层优化，以及微网层的优化。

3种方案各指标对比的仿真分析如下

（1）各方案成本。各方案优化成本如表2所示。

表2 各方案优化成本Tab.2 Optimized cost in each case元

对比表2中所列3种方案的经济成本，方案3成本最低，经济性最好。

（2）清洁能源利用率。一级优化要实现清洁能源最大限度的利用，故清洁能源利用率是一个重要的指标，图10所示为不同方案下，清洁能源的优化出力。

图10 不同方案优化曲线Fig.10 Optimization curves in different cases

由图可知，方案3的功率输出最大，方案2其次，方案1最小，因此方案3的清洁能源利用率显然高于方案1的利用率。

（3）可控微源出力平稳性。平稳性指标越小表示可控微源出力波动越小。各方案优化指标结果如表3所示。

表3 微燃机平稳性指标Tab.3 Output stability index for micro gas turbine%

根据表3数据得出，方案3的平稳性指标比方案1和方案2小，因此出力波动越小，越平稳。

综合以上3种方案对比可知，边缘计算和分时电价结合的双层优化与微网层的优化结合之后的方案3，达到了成本、DG利用率、平稳性最优，因此本文提出的模型有效。

4 结论

本文提出在泛在电力物联网环境下的微电网多源协调，并且结合了边缘计算的微源、储能及负荷的两级优化。大大减轻了优化的工作量，主要体现在以下几个方面：

（1）通过边缘计算，将收集到的数据就地分析，再传输到云端分析可以最大程度地最优化各微源和负荷的传输；

（2）由于泛在电力物联网环境下，不仅仅只有电网内部的信息互联，还有电网外部例如气象部门的信息可以实时传输，能够得到最新的风、光等新能源实时出力预测数据。

通过本文的优化结果表明，所采取的方案可以应用于泛在电力物联网。本文还存在不足之处在于，文章主要是研究能源协调优化问题在微网并网时的情况，并与泛在电力物联网相结合，但结合不够紧密，只在边缘计算部分有所体现，若加强二者联系，将具有重大意义。