付 岚,单智习,牟光臣
(1.新乡职业技术学院,河南 新乡 453000;2.开封技师学院,河南 开封 475000;3.河南工学院,河南新乡 453003)
可响应负荷作为电力系统智能化的重要内容,不仅可以促进负荷的可控性,还能够提升系统内多级能源的利用效率[1]。综合利用互联网、能源控制等技术,深度融合能源系统与信息通信系统,实现多种能源的相互转化和优化配置,实现节能降耗、低碳绿色等多目标优化[2]。智慧综合能源概念涵盖各类能源的开采、生产、使用、调度、输配、储存、销售各个环节,其中配电网侧调度是有效协调各类给类型能源、在配电网电压等级满足能源供给侧、能源需求侧和能源管理者的广泛参与,综合实现多种用能目标和理念,从而使能源系统达到最佳状态的关键[3],[4]。
智慧综合能源系统中能源形式和种类丰富,既包括发电侧各种类型的分布式电源、热、冷、燃气等能源,也包括用户侧多种能源形式的需求侧响应资源。因此,需要研究发用侧各类资源特性和协调优化问题[5]。
首先,从电力系统角度研究分布式电源的文献已经非常之多,这里不再赘述,而从智慧综合能源角度研究需求侧响应资源的技术和特性问题的文献不多。文献[6]分析了需求侧综合能源系统关键技术。针对综合能源中可响应负荷,文献[7]提出了计及用户响应不确定性的可中断负荷储能机制。文献[8]提出了智能小区可转移柔性负荷实时需求响应策略。文献[9]分析了需求响应的负荷控制对供电可靠性的影响。文献[10]将用户对于冷、热、电多能流的需求纳入需求响应范围内,提出基于多能互补的电/热综合需求响应机制。
其次,在优化协调方面,已有文献考虑不同因素从不同角度进行了探究。在区域电网层面上,文献[11]提出西北地区源端基地综合能源系统的技术方案设计。文献[12],[13]引入碳排放,提出了一种电-气互联综合能源系统的联合经济运行模型,以综合能源系统发电能源成本与碳交易成本之和最小为目标函数,综合考虑了天然气网络和电力网络的安全约束。文献[14]探究了综合能源系统的优化调度模型和算法。
综上所述,在目前已有研究中,除了对于综合能源系统发展框架进行展望研究,更多是在区域电网层面,考虑电-气-热形式的能源资源特性,进行单一目标的建模和优化计算研究;但在配电网层面,充分调动发用各类资源,综合考虑用能经济性和节能减排目标,发挥综合能源系统多目标优化特征的研究略显不足。本文统筹考虑以综合能源系统成本和排放成本为目标,考虑用户侧失负荷量,以及可延迟负荷与可再生能源出力之间的偏差影响,提出多目标优化联合调度优化模型,通过算例验证了模型的有效性。
可响应资源是配电网络中最显著的特色之一,包括可响应分布式电源、可响应负荷,与网络内传统资源、网络构架共同构成可响应分布式能源系统。通过对可响应资源的调配,综合考虑分布式电源的接入,可以实现包括配电网系统在内的全局电网优化运行。系统的可响应方式主要分为电价机制和激励机制。针对不同的负荷类型可以根据相应的时间尺度进行动态调整,具体如图1所示。
图1 可响应系统与调度的关系Fig.1 Responsive system and dispatch
针对月度计划、日前调度以及日内调度,可以分别用分时电价、实时电价以及尖峰电价等机制,通过采用负荷的辅助服务、需求竞价、紧急响应、可中断负荷响应、直接负荷控制等方式,实现综合能源的快速调节。在可响应分布式能源系统中,系统的动态特性一方面体现在响应速度,另一方面体现在响应方式多样化。由于配电网络中负荷响应的程度不同,不同分布式电源的调度水平和运行机制也有所差异。针对这种差异,还需要叠加考虑各种不确定因素的影响,包括负荷的动态特性、风电和光伏的不确定性出力等。因此,针对可响应分布式能源开展动态优化建模是关乎到优化全局系统运行的重要内容。
考虑能源运营商与用户之间双向互动,从而实现负荷削减与转移。能源运营商将竞标价格信号传送至用户,用户基于此信息对可调节负荷进行调整,实现负荷的转移与削减。用户不同时段的调节量有所差异。该削减模型如下:
式(1)用于模拟用户在需求响应时的负荷削减与转移,应满足一定限制,包括响应功率限制、响应时间约束、削减与转移互斥约束等。
负荷转移过程就是用户将可转移负荷的使用时间转移至其他符合需求响应调控、价格较低的时间内,例如洗衣机、甩干机等。实际中,用户会根据市场电价削减负荷。其模型如下:
式中:PDL(t)为可转移负荷功率;PDL(t′,t)为时间从t′转移到t的负荷功率;PDL(t,t′)为时间从t转移到t′的负荷功率;γE为可转移负荷二进制变量。
可转移负荷的使用时间从t转移到t′,其转移负荷需满足上下限约束,用户的参与度可由式(5),(6)求得。
对于部分负荷,用户可以通过自发电满足其需求。电动汽车负荷在满足放电条件后,可以实现短期自供电的能力。因此,电动汽车用户可以选择在市场电价较低时充电。电动汽车用户充放电行为建模如下:
本文考虑多种不确定性因素,并进行建模。为描述电能和电价的不确定性,选用高斯分布函数。其表达式如下:
式中:θ为分布函数参数;μ为均值;σ为标准差。
能量和备用电价预测值设为函数的均值,标准偏差为2%。另外,分布参数考虑随机分布,利用蒙特卡洛模拟生成不确定参数。
不确定参数在调度时段内的表达如下:
式(13)中每行表示不同的电价参数。本文使用蒙特卡洛模拟生成符合分布函数的随机变量,高斯分布生成不确定电价信息。
本文建立的模型主要是鼓励可削减负荷参与需求响应,以达到削减成本和排放,从而最大化消费者满意水平。
①功率平衡约束
从电网购电、DG机组出力、热电联产机组出力、风机和光伏机组出力与总的负荷消耗应当保持平衡。
除了电量保持平衡,热能也需要保持平衡,即热力网总购热与锅炉机组、热电联产机组热力等于总的热能消耗。
多目标模型需要在解集空间内搜寻Pareto最优解,即在目标函数空间内的非支配解。Pareto前沿集示意图如图2所示。
图2 Pareto前沿集示意图Fig.2 Pareto front
本文选用模糊决策法[14]得到非支配解中的最优解,最优解通过解集与理想点的距离确定,其求解步骤如下:首先归一化目标函数,然后确定每个归一化后目标函数最小值,选择理想点和最小空间距离[14]。
本文考虑3个目标函数的权重不等,为体现低碳目标的重要度,将目标函数2的权重定为0.4,目标函数1和3的权重为0.3。
由于本文没有在算法方面进行改进,因此算法原理部分不再赘述,详见文献[15]。
利用IEEE33节点系统进行仿真分析。本文考虑柴油机组(DG)、光伏太阳能机组(PV)、风机(W)以及电池储能系统(EV)组成的综合能源配网系统,其接入点位置如图3所示。本文考虑电价和热能价格的不确定性,相应的风电和光伏曲线如图4~7所示。电动汽车充放电效率均为90%,SOC上、下限分别为100%和10%。可削减负荷位置为6,12,25,可转移负荷节点为4,7,9,30,EV充放电考虑在固定节点16进行。
图3 IEEE33节点系统Fig.3 IEEE33 bus feeder system
图4 能源价格与备用价格Fig.4 Energy price
图5 风机光伏出力Fig.5 Output of wind and photovoltage
图6 电力负荷需求Fig.6 Electricity demand
图7 热能负荷需求Fig.7 Thermal demand
本文考虑5个场景,具体如表1所示,相应的参数如表2和表3所示。
表1 场景分类Table 1 Scenarios in the simulation
表2 机组运行参数Table 2 Operational parameters of units
表3 机组环境参数Table 3 Environmental parameters of units
①情景1
该情景为基础情景,不考虑目标函数3,这是由于目标函数3不能在缺少负荷变化的情况下进行优化。因此,考虑运行成本以及污染排放的二维非支配解(图8)。在该情景中,目标函数的权重均相等,为0.5。经过模糊规划之后,最大成员函数值为0.107 7,运行成本和污染物排放的最优解分别为455 320.1$和8 762 415.3 kg。在该情景下,含有分布式电源的电网和热力网出力最大,其运行成本和污染物排放分别为20 717.6$和156 631.5 kg。由于经济和排放因子值较低,分布式电源以最大出力生产电能和热能。电网和热力网在用电用热高峰时出力最大,此时价格也更高。
图8 非支配解示意图Fig.8 Non-dominated solution
机组电能出力、热能出力分别如图9和图10所示。
图9 情景1机组电能出力Fig.9 Electricity output for scenario 1
图10 情景1机组热能出力Fig.10 Thermal output for scenario 1
②情景2
该情景考虑可削减负荷对3个目标函数的影响(图11)。3个目标函数的权重均相等,最大成员函数值为0.108 1。运行成本、污染物排放值和用户满意度分别为443 211.9$,61 224 017.21 kg和77.6%。可削减负荷参与后,运行成本和污染物排放分别减少2.53%和29.67%。相较之前,电能和热能的需求均有所改变。
图11 情景2 Pareto前沿Fig.11 Pareto front set in case 2
电热负荷削减发生在高价格时段,如图12所示。电能需求在4时段,12-20时的削减最大;热能负荷在7,8,13时段的削减最大。
图12 情景2电能和热能需求Fig.12 Electricity demand and thermal demand for scenario 2
各机组运行出力如图13和图14所示。电网和热力网的成本较情景1减少20.77%和16.23%,说明了可削减负荷的作用。
图13 情景2机组电能出力Fig.13 Electricity output for scenario 2
图14 情景2机组热能出力Fig.14 Thermal output for scenario 2
③情景3
该情景考虑可削减负荷和可转移负荷的双重作用。目标函数的权重均相等,成员函数最大值为0.1078,Pareto最优前沿如图15所示。得到运行成本、污染物排放和用户满意度分别为416 141.26$,6 014 401.5 kg和79.2%。在该情景中,相较情景2,成本和污染物排放各削减6.1%和1.76%,用户满意度提高了1.4%。
图15 情景3 Pareto前沿Fig.15 Pareto front set in case 3
图16,17分别给出了分布式电源、电网、热力网、电热削减的出力和数值。由图可以看出:3,9,10,12时段的电能主要由DG,CHP,风机和光伏提供;电网在1,2时段和4-8时低电价时段也提供一定电能。另一方面,热能需求在2,3,7,8时段和10-12时由锅炉机组和CHP机组提供,并且热能需求在9时相较之前有所增加。可转移负荷在电价较高的10-20时发生了转移。在2,7-10时和15时的热能负荷相较之前有所增加,这是由于市场热能价格较低,CHP和锅炉机组的出力能力增加。
图16 情景3机组电能出力Fig.16 Electricity output for scenario 3
图17 情景3机组热能出力Fig.17 Thermal output for scenario 3
④情景4
该情景中,考虑所有目标函数,并计及电动汽车的影响。电动汽车用户在电价低谷时充电、电价高峰时放电。三目标函数的非支配解集见图18。运行成本、污染物排放和用户满意度的最佳值分别为416 100.36$,5 898 101.25 kg和79.6%。三目标函数的权重相等,且最大成员函数值为0.107 8。相较情景3,运行成本、污染物排放分别削减39.7$和116 539.1 kg,用户满意度提高0.2%。
图18 情景4 Pareto前沿Fig.18 Pareto front set in case 4
对应情景下的机组出力、备用功率如图19,20所示。相较情景3,电能需求在1,2,5-8时和21-23时有所增加,热能需求也在热能价格较低的时段有所增加。
图19 情景4机组电能出力Fig.19 Electricity output for scenario 4
图20 情景4机组热能出力Fig.20 Thermal output for scenario 4
图21给出了EV的最优调度。在2,5,6,21时段进行充电,3,19,20,24时段进行放电,更有利于车主。这里不是指针对某一辆电动汽车的调度行为,而是针对整个电动汽车集群的行为。
图21 情景4 EV充放电结果Fig.21 EV charges and discharges result for scenario 4
仿真结果表明,含有可响应分布式电源的综合能源系统具有较高的灵活性,其中电动汽车的灵活性最高,能够与电力需求实现匹配和响应。另外,情景5不考虑低碳目标函数,机组电能出力较情景4偏高,因此低碳目标优化调度对于机组的碳排放有着直接影响。
本文提出了含有可响应能源的多级能源多目标低碳优化模型,并在IEEE33仿真系统中进行多种情景的算例分析。根据仿真结果,得到以下结论。
①电价和热能价格的耦合关系会影响系统运行成本、系统备用和电动汽车充放电行为。
②分布式电源、电网、热力网形成的综合能源系统是统一的整体,在多目标优化中以不同的权重进行优化,其中电力网与用户的互动性受需求响应影响更大,体现在电价对用户负荷的影响指标上更显著。
③机组出力和机组备用的关系密切,需要结合电价和能源价格进行分析。