基于XGBoost短期预测控制的微电网多时间尺度调度

卓助航 杨俊杰，2 胡丰晔 薛乃凡 杨铠旭

1(上海电力大学电子与信息工程学院 上海 200090) 2(上海电机学院 上海 201306)

0 引 言

在生存环境持续恶化、能源短缺问题日益突显的背景下，风能、光能等可再生能源由于具有环境污染小、经济效益好和可重复利用等属性，逐步成为近年来的研究热点之一。微电网作为一种新型能源的有效组织形式，能够显著提高可再生能源的利用率，减小分布式电源对配电网的冲击，改善供电质量与供电可靠性[1-2]，已成为大电网的有益补充。

智能电网建设的稳步推进大大增强了用户与电网信息交互的能力，有利于需求侧主动参与电力调度。需求侧响应作为智能电网的重要调度资源，通过市场电价信号或激励机制，引导用户改变用电习惯使之与可再生能源出力在时序上更加贴近[3]，从而提高微电网对风电与光伏的消纳能力。目前对需求侧响应的研究主要集中在以下三个方面：提高分布式电源利用效率[4-5]、降低系统整体运行费用[6-7]和增强微电网运行可靠性[8-9]。但上述研究多是在单一时间尺度下对交流微电网需求侧资源进行优化调度，不利于解决可再生能源预测有所偏差的问题，且缺乏对交直流混合微电网的研究。

相较于传统交流微电网，交直流混合微电网同时包含交流和直流母线，能够减少换流器安装容量从而降低建设成本，减少换流损耗，提高微电网运行稳定性[10]。国内外学者对交直流混合微电网展开了积极探索。文献[11]针对独立海岛交直流微电网，提出一种交直流混合无刷双馈风力发电机优化调度策略，以此减少电力损耗与燃料消耗。文献[12]以安装成本、运行成本和可靠性成本之和为目标建立优化模型，通过混合整数线性规划进行求解，但其并非真正的多目标求解，无法确定不同目标间的约束关系。文献[13]提出了一种用于协调双向AC/DC换流器输出功率的分散控制策略，但未考虑可再生能源的不确定性，在实际系统中会产生一定的误差。文献[14]提出将混沌灰狼算法用于对混合微电网优化调度，该算法提高了全局搜索能力和收敛速度，但同样未考虑到微电网不确定性对运行结果的影响。

本文在综合考虑需求侧响应与微电网运行特性的同时，兼顾可再生能源出力不确定性带来的功率波动影响，针对交直流混合微电网提出了一种基于XGBoost短期预测控制的多时间尺度调度策略。首先，基于日前预测的风光出力与负荷供需关系，结合分时电价与储能充放电策略，制定日前调度计划；在此基础上，引入XGBoost短期预测模型对风光出力进行实时预测，以需求侧响应补偿机制作为激励手段，在日内实现对日前调度的实时修正。通过NSGA-II算法进行求解，并与传统单时间尺度调度策略对比。在此基础上分析了不同直流负荷比例对调度结果的影响，为交直流混合微电网未来的发展提供必要的依据。

1 交直流混合微电网架构

交直流混合微电网包含交流子网和直流子网两个部分，其简化结构如图1所示。其中：交流子网由风机、交流负荷组成；直流子网由光伏、直流负荷和蓄电池组成。二者通过双向换流器完成连接。整个微电网通过交流母线与配电网连接，实现并网。

图1 交直流混合微电网结构图

交直流混合微电网能够实现交流负荷在交流侧直接由风机供电，直流负荷在直流侧直接由光伏供电，只在各自子网出现功率不平衡的情况下，通过换流器进行功率交互，在降低换流损耗、提高电能传输效率的同时，为微电网运行控制提供了便利。

2 需求侧响应模型

2.1 可控负荷模型

本文采用的可控资源包括可转移负荷和可中断负荷，具体模型如下：

(1)

(2)

2.2 可控负荷补偿机制

本文采用峰平谷电价的方式对可转移负荷进行补偿，充分发挥用电市场的经济杠杆作用。执行的分时电价时段如下：19时至21时为电价峰时段；8时至11时、13时至18时、21时至22时为电价平时段；0时至8时、11时至13时、22时至24时为电价谷时段，具体分时电价[15]如表1所示。

表1 分时电价

对于可中断负荷的补偿计算方法如下：

(3)

式中：udl,t为t时刻可中断负荷补偿价格；Pdl,t为t时刻可中断负荷中断功率。

3 多时间尺度调度模型

由于可再生能源出力具有波动性、间歇性等特点，将其接入微电网后将增大系统运行的不确定性，增加了预测难度。为了及时响应风机、光伏出力的变化，本文提出基于XGBoost短期预测控制的多时间尺度调度策略，根据不同时间尺度分为日前调度和日内实时调度。在日前长时间尺度下，根据风光出力日前预测值，以运行成本最低、换流损耗最少、自平衡率最优为目标制定未来24 h的调度计划；日内以日前调度计划为参考，以短期预测结果为依据，每1 h启动一次，利用NSGA-II算法[16]进行实时优化调度求解，减少可再生能源出力波动带来的影响。

3.1 日前优化调度模型

3.1.1目标函数

1) 微电网运行成本。交直流混合微电网运行成本包括设备运行维护费用、运行损耗费用、与配电网功率交互费用和中断负荷补偿费用，计算公式如下：

(4)

式中：T为调度周期；N为微电源个数；Pi,t为第i个微电源t时刻输出功率；ugrid,t为t时刻购售电价；Pgrid,t为t时刻微电网与配电网交互功率，购电为正；Comc(Pi,t)、Clc(Pi,t)分别为t时刻第i个微电源运行维护费用与运行损耗费用。

2) 换流损耗。在传统微电网中，直流电源与负荷需要通过换流器与交流母线进行功率交互。而交直流混合微电网中，直流电源、负荷与直流母线相连，交流电源、负荷与交流母线相连，能够有效减少换流器安装容量并降低换流损耗。换流损耗的计算公式如下：

(5)

式中：η为双向换流器的换流效率；Pconver,t为t时刻交直流子网间换流功率。

3) 自平衡率。自平衡率是一定运行周期内，微电网依靠自身可再生能源为负荷提供电量的比例，反映了微电网并网运行时对配电网的影响程度及其孤岛运行时的可靠性。自平衡率计算公式如下：

(6)

式中：Eself为微电网中可再生能源直接提供给负荷的电量；Etotal为总负荷需求；Egridin为负荷需求量大于可再生能源发电量的情况下，微电网的总购电量。

3.1.2约束条件

1) 系统功率平衡。

(7)

式中:PRES,t为t时刻风光出力之和；Pbess,t为t时刻蓄电池充放电功率；Pload,t为t时刻总负荷功率。

2) 蓄电池荷电状态及功率约束。

(8)

式中：SOCmax、SOCmin分别为蓄电池允许的荷电状态上限、下限；Pchar,t、Pdischar,t分别为t时刻蓄电池充电、放电功率；S为蓄电池额定容量；α为充放电比例系数。

3) 换流功率约束。

(9)

4) 可转移负荷约束。

(10)

3.2 日内实时优化调度模型

考虑到可转移负荷中包含较多的工业生产设备(如轧钢生产线、吊机和破碎机等)、居民用电器(如洗衣机、电动汽车和水泵等)，若对这些用电设备进行日内调度将对正常的工厂生产、居民生活产生较大的影响。而以空调、加热器为代表的具有热能储存能力的可中断负荷，短时间停电对其供电服务质量影响不大，因此在日内只对可中断负荷与蓄电池充放电进行优化调度。

3.2.1短期预测模型

本文采用基于XGBoost算法[17]的短期预测模型对风机、光伏进行日内短期预测，具体方法步骤如下：

步骤1输入历史天气信息、可再生能源出力矩阵Xin：

Xin=[Xin(1),Xin(2),…，Xin(n-1)]

(11)

式中：Xin(n-1)为第n-1组风速、温度、光照强度、风机出力、光伏出力数据。

步骤2定义目标函数为：

(12)

(13)

步骤4将式(13)代入式(12)，并进行二阶泰勒展开，求得的目标函数为：

(14)

步骤5将矩阵[Xin(n),Xin(n+1),…,Xin(n+T-1)]分别代入式(14)，可以求得预测矩阵Xout(j)，其中j=1,2,…,T，Xout(j)为j时刻风机、光伏出力预测值。

3.2.2优化目标及约束条件

日内实时调度的优化目标与日前优化目标相同，约束条件在日前优化的基础上需要满足如下条件：

(15)

(16)

3.3 优化调度模型求解

本文所提出的优化调度模型使用NSGA-II算法求解优化结果，其流程如图2所示。

图2 多时间尺度调度策略流程

具体求解过程如下：

步骤1进行初始化，读入日前风光出力预测值、负荷需求和仿真时长等数据。

步骤2根据约束条件生成规模为200的初始种群POP，每个个体含有转入时段负荷转入量、转出时段负荷转出量和各时段蓄电池充放电功率的信息。

步骤3计算种群的优化目标值：运行成本、换流损耗和自平衡率。根据计算结果进行非支配排序和拥挤度求解。

步骤4使用锦标赛选择法选择POP种群中排序等级高、拥挤度大的个体，进行交叉变异操作，得到子代种群。

步骤5合并父代种群和子代种群生成新种群作为POP，在迭代次数内重复步骤3到步骤4，直至迭代次数达到100，求得的结果作为日前调度计划。

步骤6以历史天气、可再生能源出力数据作为训练样本，建立基于XGBoost算法的短期预测模型，以当前t时刻的天气、风光实际出力作为输入，对风光出力进行实时预测。

步骤7根据实时预测结果，使用NSGA-II算法对调度周期内未来T-t个时刻进行日内调度求解，得到可中断负荷及蓄电池运行计划，以修正日前调度计划。

步骤8对当前时刻天气信息、风光实际出力数据进行测量。进入下一时刻后，将其作为新的输入值，返回步骤2，进行新一轮的优化，直至当前调度周期结束。

4 实验分析

4.1 数据说明

本文以文献[18]所述的交直流混合微电网供电系统为例，对上述调度策略进行验证。具体参数如下：负荷中交流负荷比例为总负荷的60%，直流负荷比例为总负荷的40%。蓄电池容量为100 kW·h，初始SOC设置为0.8，范围设定为[0.35，0.95]。换流设备转换效率为0.9。用户参与可中断负荷响应补偿单价为0.4元。交直流混合微电网与配电网主要技术参数如表2所示，调度当天日负荷曲线如图3所示。

表2 微电网与配电网技术参数

图3 日负荷曲线

以该地区历史风速、光照强度、风光出力数据作为输入，其中日均光照强度为4.191 kW·h/m2，平均风速为5.687 m/s，可再生能源出力日前预测结果已知，日内实时预测结果如图4所示。

(a) 风机预测结果

(b) 光伏预测结果

图4 不同时间尺度预测结果

4.2 多时间尺度调度运行结果

将文献[12]所述的单时间尺度调度策略(方案1)作为对比，其运行结果如图5(a)所示。本文采用NSGA-II算法对多时间尺度调度策略进行多目标求解，由于运行成本、换流损耗、自平衡率三者之间存在一定程度的制约关系，因此求得三组Pareto最优解，分别如图5(b)、图5(c)和图5(d)所示。上述方案运行结果对比如表3所示。

(a) 方案1

(b) 方案2

(c) 方案3

(d) 方案4

图5 多时间尺度策略调度结果

表3 不同方案运行结果对比

可以看出，方案2具有更优的经济性，单个调度周期内运行成本为639.0元，相比于方案1减少了125.5元，减少了16.4%。其原因是方案2将更多的电价峰时段负荷转移至电价谷时段，增加电价峰时段的售电量与负荷中断量，同时在电价谷时段对蓄电池进行充电，从而降低了运行成本。方案3、方案4相较于其他方案分别具有更低的换流量与更高的自平衡率，但运行结果较为接近；换流量与自平衡率相比方案1得到了显著的优化，这是因为为了得到较低的换流损耗，交直流子网需要在用电高峰时段进行蓄电池放电、可转移负荷转出及负荷中断操作，尽可能保证各个时段负荷量贴近发电量，这使得换流损耗降低的同时，自平衡率也随之提高；但运行过程中对购售电价格考虑较少，运行费用较方案2有所提高。

进一步分析，可以看出交流子网与直流子网中断响应结果有所不同：交流子网对分时电价与预测误差较为敏感，在电价较高和实际发电量减少时段，负荷中断响应比例较高；直流子网受到光伏发电需要充足光照这一特性的制约，分时电价与预测误差对其影响较小。在晚间用电高峰时段，由于光伏出力不足需要通过中断响应实现功率平衡，而日间电量充足只有较低比例的负荷参与中断响应。总结以上结论：相较于单时间尺度调度策略，多时间尺度调度策略能够有效减少不确定性因素带来的影响，在微电网运行经济性与稳定性上更有优势。

4.3 不同直流负荷比例影响分析

随着分布式储能、电动汽车等多元负荷的迅速发展，配电网中的直流负荷比例逐步增加。为验证多时间尺度调度策略的有效性与发展可行性，本文将直流负荷比例分别设置为40%、50%、60%，对调度结果进行分析。表4为文献[12]单时间尺度调度策略运行结果，表5为本文多时间尺度调度策略运行结果。

表4 单时间尺度下不同直流负荷比例运行结果对比

表5 多时间尺度下不同直流负荷比例运行结果对比

通过对比表4、表5可见，在不同直流负荷比例下，多时间尺度调度策略运行结果均优于单时间尺度调度策略。但在60%直流负荷比例下，对比方案7、方案10，两种调度策略运行结果差距有所减少，方案10的自平衡率仅从方案7的81.2%提高至82.9%；对比方案9、方案10，可知在多时间尺度调度策略下，当直流负荷比例从50%增至60%时，运行成本和换流量有所上升，自平衡率从84.8%下降至82.9%，直流负荷的比例提高并未使各优化目标得到相应的提高。造成上述现象的原因是在较高直流负荷比例下，虽然光伏能够较好地在白天为直流负荷供电，但晚间由于缺乏光照停止工作，增大直流负荷导致直流侧出现更大的供电缺额。这种情况下，需要通过蓄电池放电、增加购电量与增加交直流子网间功率交互等措施来实现微电网功率平衡。

综上，相较于单时间尺度调度策略，多时间尺度调度策略能够有效降低换流损耗，提高自平衡率，并获得更优的经济性。在光伏出力充裕的微电网内，直流负荷比例的增加对改善微电网运行的效果十分明显，但直流负荷比例并非越高越好，其最优比例需要根据微电网整体发用电情况具体讨论而得。

5 结 语

为解决交直流混合微电网优化调度问题，综合考虑可再生能源出力的不确定性，本文提出一种基于需求侧响应的多时间尺度优化调度策略，在此基础上分析了不同直流负荷比例对调度结果的影响。结果表明：

(1) 多时间尺度调度策略在日前调度的基础上，引入短期预测模型，通过可中断负荷与蓄电池对日前调度进行实时修正，有效提高微电网应对可再生能源出力波动的能力，降低了运行成本，减少了换流损耗，提高了自平衡率。

(2) 通过对不同直流负荷比例下运行结果的分析，验证了多时间尺度调度策略的优越性。随着直流负荷比例的增大，微电网运行的经济性与稳定性均得到相应的提升，但最优直流负荷比例的确定应综合分析可再生能源出力情况来确定。