基于能源路由器的微网源荷储联合优化调度

张政斌,叶 鹏,张 娜,程孟增

(1.沈阳工程学院电力学院,辽宁 沈阳 110136;2.国网辽宁省电力有限公司经济技术研究院,辽宁 沈阳 110065)

0 引言

微网是指由一定区域内的分布式电源、柔性负荷、储能装置等单元共同组成的自治系统,既可以并网运行,也可以孤岛运行,是降低新能源间歇性影响的有效手段[1-2]。随着能源互联网相关技术的快速发展,多能源元件在微网中的比重不断增加[3-4],但传统微网的调度模式不足以发挥多种能源与多能源用户的互补协同特性。目前,解决这一问题的有效手段是将微网内多能分布式能源(柔性负荷、储能装置)深度耦合,使微网内源荷储相互配合,从而实现微网内多能源的多能互补优化调度。

微网中源荷储各单元均具备参与调节的能力,考虑多能源接入下源荷储供需关系,使负荷从“消费者”转变为“参与者”,可以提高系统调度的灵活性。为此,文献[5]将不同形式的负荷分类,提出了一种负荷层与冷电联供层的双层调度模型,以调度市场价格匹配新能源出力时序的方式消纳新能源。文献[6]提出了构建柔性电负荷响应模型,将柔性负荷细分为可转移负荷和可削减负荷,以实现柔性电负荷与光伏的协调互补。然而上述文献仅考虑柔性电负荷对微网优化调度的影响,未考虑多能源柔性负荷的参与。在多能源柔性负荷参与的源荷储联合调度方面,文献[7]提出了在柔性电负荷的基础上,考虑灵活性热负荷参与的调度模型。文献[8]将多能源柔性负荷参与响应的方式细化,引入不响应惩罚系数,以提高柔性负荷响应程度。这些研究侧重于柔性负荷的交易策略,而综合考虑多能互补特性的源荷储联合调度研究较少。

针对上述问题,本文结合能源互联网中具有能量转化、能源分配的能源路由器对源荷储优化调度,以更好发挥其多能互补特性。能源路由器在微网中作为电源与负荷的枢纽,在合理配置能源元件出力的同时,还可以考虑地区新能源特点,合理利用柔性负荷调峰能力,从而提高微网的能源利用率。将柔性负荷细分为可转移电负荷、可削减电负荷及可调节热负荷,采用能源路由器对微网源荷储调控管理,建立“区域自治”的能源路由器源荷储联合优化调度模型,并利用改进鲸鱼优化算法进行求解。算例结果验证了本文所提方法的有效性,该方法可以优化能源设备与能源用户的供需关系,具有较好的经济效益。

1 微网的源荷储联合调度策略

1.1 联合调度结构

电能路由器作为微电网的核心控制器件,可以为光伏、风电机组、储能装置等分布式电源提供即插即用的交直流接口,实现微电网内部“自治”的调度模式[11]。本文以能源枢纽的矩阵模型为依托,将电能路由器单一电能接口扩展为具有多种能源接口的能源路由器,实现能源互联网背景下分布式电源、柔性负荷与储能装置的联合调度,其能源路由器的源荷储联合调度结构如图1所示。从图1中可以看出,能源路由器从主网、分布式电源获取能源,依据负荷预测曲线,信息流接收调度指令控制能源流,将多种能源传输给燃气轮机、燃气锅炉、电锅炉及基础电/热负荷,柔性负荷在峰谷时期,与电/热储能装置共同参与调节以实现源荷储的联合调度。其中,柔性负荷根据激励方式不同,分为价格型响应与激励型响应2种[12]。由于价格型响应受用户主观意愿影响较大,具有不确定性,因此本文仅考虑按照合同约定参与的激励型响应,包括高峰转移至低谷的可转移电负荷、高峰时段可削减电负荷、供热舒适度模糊的可调节热负荷。

图1 微网源荷储联合调度结构

1.2 能源转换扩展模型

为更好体现能源路由器的能源耦合关系,借助能源枢纽模型,采用矩阵的形式来描述能源路由器的能源供给、能源转换及能源消费单元多能互补关系。其数学模型为

式中:L、T、P分别为能源输出、能源转换及能源输入。

结合算例微网能源元件类型对能源路由器模型进行扩展,能源元件及负荷需求表达式见文献[11-12]。能源路由器模型为

2 微网的源荷储联合调度模型

2.1 目标函数

联合调度模型以日调度成本最小为优化目标,总调度成本F包括各能源元件的运行维护成本Cope、主网能源购买成本Ctrade、柔性负荷响应成本Cres与弃风光成本Caba

(1)运行维护成本

式中:D i与Eopet,i分别为t时刻微网内能源元件i输出单位功率的运维成本与输出功率大小。

(2)主网能源购买成本

(3)柔性负荷响应成本

式中:Cshift、Ccut与Cadjust分别为柔性负荷中可转移电负荷、可削减电负荷与可调节热负荷的补贴成本。

(4)弃风光成本

2.2 约束条件

(1)能源元件出力约束

式中:D t,s为t时刻能源元件s的调度容量;与分别为该设备调度量的上下限。

(2)主网能源购买约束

(3)柔性负荷响应约束

(4)储能约束

(5)功率平衡约束

3 基于改进鲸鱼优化算法求解策略

3.1 鲸鱼优化算法

鲸鱼在捕食时会以一种独特的群体合作方式找到最多鱼群的位置,而鲸鱼优化算法则是依据鲸鱼捕食行为提出的启发式算法[13]。鲸鱼寻优的方式有包围猎物、螺旋气泡驱赶猎物与搜索猎物3种方式。

3.1.1 包围猎物

蔡元培对但采尔赴北平的要求表示支持，2月9日致许寿裳的信中说：“但采尔夫妇既往北平，使我等减少责任，亦复甚好。”[11]14考虑到北平没有民族学组，蔡元培又要求许寿裳等把但采尔介绍到历史语言研究所，因为这个所的人类学“与民族学密接，且考古学与语言学，亦与民族学有关”[11]14。

当鲸鱼发现鱼群时即发现源荷储联合调度的可能最优解时,鲸鱼个体会将信息传递给鲸群,鲸群中的个体向最优位置的鲸鱼靠近以包围猎物,其更新鲸鱼个体位置公式为

式中:t与T分别为当前迭代次数与输入最大迭代次数;X*为当前鲸群最优个体位置空间,即当前迭代次数最优能源设备出力方案;X为鲸群其余个体的位置空间;a∈[0,2]为线性下降的向量;r∈[0,1]为随机数;A与C为系数。

3.1.2 螺旋气泡驱赶猎物

鲸鱼狩猎的方式是通过螺旋向上吐出气泡来驱赶猎物,即寻找源荷储联合调度可能最优解的方法,更新鲸鱼个体位置公式为

式中:b为鲸鱼吐出螺旋气泡形状的常数,l∈[-1,1]为随机数。

由于鲸鱼在捕食过程中,既要包围猎物也要进行螺旋气泡驱赶猎物,因此引入随机数P∈[0,1]表示鲸鱼选择2种捕食方式的概率即通过两种方式寻找源荷储联合调度可能最优解的概率,其更新位置公式为

3.1.3 搜索猎物

鲸鱼个体会根据自身与其余最优个体位置关系选择是否靠近最优个体,若＜1时鲸鱼会选择向最优个体靠近,若≥1时鲸鱼会随机寻找猎物以避免陷入局部最优,其更新位置公式为

式中:Xrand表示选择随机搜索猎物的鲸鱼个体位置空间。

3.2 改进鲸鱼优化算法

本文所建立源荷储联合优化调度模型为多约束条件、多决策变量的优化调度模型,而鲸鱼优化算法存在迭代速度慢、全局搜索能力较差等问题,因此,引入非线性权重S1与S2对鲸鱼优化算法进行改进,随着迭代次数的增加,S1非线性递增提高前期全局搜索能力,S2非线性递减提高后期收敛速度,从而在具有更快收敛速度的同时提高全局搜索能力,其模型为

式中:γ为S1与S2的取值范围;λ为S1与S2的取值间隔。

将式(17)与式(15)—(16)结合,对鲸鱼优化算法进行改进,其模型为

3.3 求解步骤

基于改进鲸鱼优化算法的能源路由器源荷储联合调度模型求解流程如图2所示。

图2 基于改进鲸鱼优化算法的能源路由器源荷储联合调度求解流程

步骤1:输入微网源荷储运行参数。输入参数包括多能源耦合设备、光伏风电等电源出力、主网电/气能源价格、柔性负荷与基础负荷大小及储能设备等。

步骤2:生成初始化种群,并设置相关参数。鲸群中每个鲸鱼个体的空间位置表示一组源荷储联合调度方案,设置包括最大迭代次数T、当前迭代次数t、螺旋气泡形状的常数b、随机数l、p等相关参数。

步骤3:通过适应度函数计算每个鲸鱼适应度值。适应度函数即本文所建立基于能源路由器源荷储联合优化调度模型,在满足约束条件的前提下,计算出日运行成本即适应度值。

步骤4:更新改进鲸鱼优化算法相关参数。通过式(13)与式(17)计算鲸鱼优化算法中系数A和C及非线性权重S1与S2等参数,以寻找最优源荷储联合调度方案。

步骤5:寻找最优鲸鱼个体空间位置。当前迭代次数鲸群中最优鲸鱼个体空间位置即为源荷储联合调度的可能最优解,按式(18)—(20)不断更新鲸鱼个体空间位置,即更新源荷储联合调度最优解,以适应度函数为判据,计算最优源荷储联合优化调度方案。

步骤6:多次迭代,输出最优鲸鱼个体位置。当达到最大迭代次数时终止程序,输出鲸群中最优鲸鱼个体的空间位置与适应度值即源荷储联合调度最优方案及此调度方案下的日运行成本。

4 算例分析

4.1 算例数据

本文以某微网典型日的电/热时序负荷曲线为例,微网内分布式电源包括风机与光伏;微网内负荷包括柔性电/热负荷与基础电/热负荷,其中柔性电/热负荷包括可转移电负荷、可消减电负荷与可调节热负荷;微网内储能元件包括储电与储热罐装置;微网内多能耦合设备包括燃气轮机、燃气锅炉与电锅炉。其能源元件参数见表1,柔性负荷响应参数见文献[9],典型日电/热负荷曲线如图3所示,典型日的光伏风机出力曲线如图4所示,分时电价如图5所示,气价为3元/m3。

表1 __微网内各能源元件参数

图3 典型日电/热负荷曲线

图4 典型日光伏风机出力曲线

图5 分时电价

4.2 算例结果分析

为验证本文所述源荷储联合调度的有效性与经济性,本文设置了2种不同运行方案对比分析。方案1:基于改进鲸鱼优化算法求解仅考虑源-储的调度模型,不考虑柔性负荷参与,微网从主网买电/气能源直接传输给能源元件及全部电/热用户。方案2:采用本文所述基于改进鲸鱼优化算法求解能源路由器源荷储联合调度模型,微网从主网买电/气能源,传输给能源元件及基础电/热用户,柔性负荷依据响应成本及弃风光成本进行调度。

方案1典型日电/热功率调度结果如图6—7所示。从图6可以看出,在01∶00—06∶00和22∶00—24∶00为电负荷低谷时段,微网对电能需求不大,虽然此时段主网电价较低,但风机出力较大,且燃气轮机由于其热电耦合特性产电较多,因此,燃气轮机与风机给微网内电负荷、电锅炉、储电装置供电后,电能仍有剩余,存在大量弃风光现象。07∶00后,风机出力逐渐减少,随着光照强度增大,光伏出力逐渐开始增加,微网内电负荷与电锅炉同时消纳电能,弃风光量逐渐减少。从13∶00开始,光伏出力逐渐减少,而电负荷的电需求较大,风机、光伏、燃气轮机、储能电池同时供给电能仍有不足,微网需要向主网以高价购买电能。22∶00后,风机出力逐渐升高,电负荷需求较小,仍有部分弃风光现象。

图6 方案1电功率调度结果

从图7可以看出,电负荷需求较少的低谷时期,热负荷需求相对较大,热负荷由燃气轮机、燃气锅炉、电锅炉同时供给仍有不足,此时储热装置放热参与调节;电负荷需求较大的高峰时期,热负荷需求不大,此时热负荷由燃气轮机与燃气锅炉同时供给,电锅炉不参与供热。方案2典型日电/热功率调度结果如图8—9所示。

图7 方案1热功率调度结果

图8 方案2电功率调度结果

图9 方案2热功率调度结果

从图8—9可以看出,相较于方案1,源荷储联合调度在01∶00—05∶00时段,可调节热负荷参与调节,热负荷需求减小使得燃气轮机电出力减小,同时可转移电负荷也参与调节,使得电负荷低谷时段“填谷”、热负荷高峰时段“削峰”,考虑多能耦合特点与柔性负荷参与提升了风光的消纳能力,弃风光量明显减少。08∶00—10∶00和22∶00—24∶00时段与01∶00—05∶00时段同理,电负荷低谷时段可转移电负荷与可调节热负荷同时参与响应,使得燃气轮机电出力减小,促进了风光的消纳。12∶00—14∶00与18∶00—21∶00为电负荷高峰时段,可转移电负荷、可削减电负荷、可调节热负荷与储能装置同时参与响应,使得电负荷高峰时段“削峰”与热负荷低谷时段“填谷”,在减小峰谷差的同时促进了风光的消纳,同时减少了在电价高峰时刻的买电量,提高了微网运行的经济性。各方案微网日运行成本如表2所示。

表2 各方案微网日运行成本

由表2可知,相较于方案1,方案2采用源荷储联合调度,虽然增加了一部分柔性负荷响应成本,但运维成本、主网买电成本均有部分降低,同时弃风光率由34.71%减小到17.57%,使得弃风光成本明显下降,从而减少了日运行总成本。

5 结论

本文提出一种基于能源路由器的微网源荷储联合调度策略,以日运行成本最小为目标,结合多能耦合、多能互补特点建立微网内源荷储联合调度模型。采用非线性权重因子改进的鲸鱼优化算法求解该调度模型,实现微网内各能源元件与柔性负荷的协调优化,在调度过程中保证整体效益最优。算例表明,本文所提源荷储联合调度方法可以有效地提高新能源的消纳能力,减少了日运行成本,为微网源荷储联合调度提供理论参考。本文考虑了微网内源荷储的多能互补关系,对分布式电源、储能设备、能源元件进行优化调度,然而随着越来越多的微网接入配网,协调微网群的优化运行仍需进一步研究。