冰蓄冷空调群参与风光本地消纳的微网随机经济调度策略

曹建伟，黄申，孙毅，周丽华，管士宁，李泽坤

(1.国网湖州供电公司调度控制中心，浙江 湖州313000；2.华北电力大学电气与电子工程学院，北京102206)

0 引言

目前，发展以新能源为主的新型电力系统已成为电力行业的时代使命，但新能源出力的随机性、波动性和间歇性给电力系统的安全稳定运行带来了很大挑战，风、光电等的出力特性和负荷特性不匹配将导致时段性供电[1]，因此调动需求侧资源参与电网调节，对实现源荷互动十分重要。针对新能源富裕电量，可以通过火电机组出力调节、跨区跨省输送、需求侧管理这3种手段对其进行消纳[2]。

就微网而言，广泛采取“余量上网”的形式消纳过剩光伏或者风电出力，其属于电网侧调节手段，已有较多研究成果。文献[3]针对地区内能源分布不均衡、新能源消纳能力不足的问题，提出了综合考虑新能源消纳能力和投资收益的电网互联通道双层规划模型，运用改进的混合遗传算法求解，提高了风电和负荷的匹配度。文献[4]针对发用电两侧功率不确定性影响配电网优化调度的问题，构建源荷两侧功率不确定性模型，考虑配电网中的灵活性资源，以配电网综合运行成本、电压偏移以及灵活性为目标构建区间优化模型，并基于NSGA-II算法求解Pareto最优解集，提高了系统应对不确定性的能力。文献[5]针对可再生能源在微网内调度时的能源损耗和用能效率低的问题，建立一种能源在各个设备之间功率交互的优化调度模型，从而实现了微网的能量优化管理。文献[6]考虑联络线资源和储能寿命特性的微网优化策略，提高联络线输送电能，并且降低功率波动。上述研究在进行消纳新能源时，从配电网侧调度源荷资源以消纳功率，微网剩余的光伏功率需要通过上网传输到其他微网，这一部分上传功率会造成配网的线损增加，导致电网的运行和控制成本增加[7]，因此微网光伏就地消纳的经济性更好。

亦有研究从需求侧手段对新能源消纳问题进行研究。文献[8]在考虑火电爬坡率限制的基础上，提出了负荷曲线等效斜率的需求响应功率量化方法，提高光伏消纳能力。文献[9]针对电网供需不平衡问题，以消纳微网中剩余的新能源功率和降低电网的功率波动为目标，提出一种负荷协同调控策略，实现源荷平衡调节。文献[10]针对电源出力和负荷不确定性问题，在以新能源为主电源的微网中，对用户实施需求响应时，考虑用户的随机性，并将区域内的用户分类再进行负荷控制，使用动态规划算法求解，实现微网的优化调度。文献[11]针对微网容量问题，考虑多尺度不确定性耦合的影响，通过对可中断负荷、可平移负荷的控制建模，达到优化负荷特性的目的，在运行层面降低成本并提高系统稳定性。上述研究为微网新能源消纳问题提供了技术支撑[12]，但大都以电力负荷响应的方法为主，鲜有考虑综合能源浪潮下需求侧蓄冷蓄热等储能设备对新能源消纳的推进作用[13]。

冰蓄冷空调(ice storage air conditioner，ISAC)作为一种优质的需求侧可调节资源，能够在微网光伏功率较多时进行蓄冰[14]，负荷用电需求较多时进行融冰，利用蓄冷功能灵活调配其用电模式[15-16]。部分研究已将冰蓄冷空调纳入电网互动调节策略中，文献[17]针对越来越多的弃风现象，为消纳系统多余的风电功率引入冰蓄冷装置，对用户实施需求响应，建立多目标优化模型，利用遗传算法求解，提高风电消纳量。文献[18]针对微网的负荷波动问题，建立了含冰蓄冷储能的多时间尺度负荷调度模型，并比较不同运行方式下冰蓄冷储能的影响，实现了微网经济稳定运行。由于微网调节能力有限，存在弃风、弃光等问题，文献[19]通过电、气、冷、热等多种能源耦合和存储，促进新能源消纳，提出了能源供需自洽模型，综合考虑各部分约束条件进行求解，提高风光消纳能力降低用能成本。文献[20]针对微网运行成本优化问题引入冰蓄冷储能系统，建立新能源和储能装置优化模型，以经济成本最小为目标，运用混合线性整数规划方法求解，实现微网能源的优化运行。上述研究充分表明冰蓄冷空调具有参与需求响应的灵活性[21-22]，但由于部分微网的供需特殊性，鲜有研究将冰蓄冷空调参与新能源消纳过程中造成的配电网线损和经济性联合考虑。

随着分布式电源不断接入电力系统，电网的调控难度增加。当微网内出现剩余功率，向配电网倒送功率，造成配电网的线损增加。通过冰蓄冷空调消纳分布式电源功率使配电网的增量线损减小。将剩余的增量线损和调度成本结合，在尽可能消纳电功率的情况下，使调度的经济性最优。

因此，本文考虑分布式电源出力和负荷的不确定性，综合考虑需求响应和冰蓄冷空调的协同调控机制上，将配电网线损作为经济性指标，以调度过程中负荷的调度成本、线损成本和条件风险成本的综合成本期望值最小，实现微网区域内分布式光伏的本地消纳，并提升综合经济效益。

1 含冰蓄冷空调集群调控的调度框架

由于风电和光伏具有随机性和波动性，微网系统内源荷不平衡，风光电量无法由楼宇用户充分消纳，其剩余功率将逆送到配电网，这保证了微网内部功率平衡，但也增加了电力网络的线损。因此，本文提出了冰蓄冷空调参与微网分布式电源消纳架构，如图1所示。

图1 冰蓄冷空调参与微网分布式电源消纳架构

本文所研究的微网系统主要由燃气轮机、光伏、风电、电储能系统、冰蓄冷空调以及用户负荷构成。其中，冰蓄冷装置配备于智能楼宇，以冰蓄冷空调为主要形式。冰蓄冷空调有蓄冷模式和释冷模式，当室内温度达到临界点时，可以进行蓄冷或释冷，在维持室内温度宜人的同时继续保持响应功率，使调节深度增加，用户满意度也不会有所损失。因此，冰蓄冷空调相比于传统的空调负荷具有调节更灵活且可深度调节的优势。

上述各单元可通过电力电子装置实现设备之间能量和信息的互联，能量管理系统通过收集发电、用电、电价等信息对能量进行优化管理，并将调度结果下发给冰蓄冷空调、电储能系统和负载系统。

2 基于场景法的微网不确定性建模

2.1 光伏出力不确定性

Ppv,t=Ppv,pre,t+ξpv,t

(1)

(2)

式中：Ppv,t为光伏实际出力；Ppv,pre,t为光伏预测出力；ξpv,t为光伏预测偏差。

2.2 风电出力不确定性

Pw,t=Pw,pre,t+ξw,t

(3)

(4)

式中：Pw,t为风电实际出力；Pw,pre,t为风电预测出力；ξw,t为风电预测误差。

2.3 负荷不确定性

PL,t=PL,pre,t+ξL,t

(5)

(6)

式中：PL,t为实际负荷；PL,pre,t为负荷预测值；ξL,t为负荷预测误差。

2.4 场景生成和缩减

本文采用蒙特卡罗法模拟分布式电源出力和负荷功率变化过程，并产生预测功率误差的概率分布，运用随机抽样产生随机数来模拟生成光伏场景、风电场景和负荷场景。

基于蒙特卡罗生成的场景，采用拉丁超立方抽样技术进行场景生成，主要步骤为：

1)将场景等分为n个概率区间；

2)将概率区间的随机数作为采样点；

3)对概率分布函数进行逆变换，获取样本值。

由于场景数的大量增加，计算效率下降，导致系统难以优化，故采用同步回代法进行场景缩减，缩减后的典型场景能够准确反映出原始场景集的概率分布情况，主要步骤为：

1)获取原始场景集，设置缩减后的场景数为Q；

2)计算每对场景的欧式距离；

3)对任一场景，寻找最靠近场景的距离大小，根据缩减原则进行删除，将删除场景概率累加到最近场景；

4)重复步骤3)，直到达到Q；

5)获得对应场景的概率。

3 考虑冰蓄冷空调群的微网随机经济-风险调度策略

3.1 目标函数

本文拟通过对微网系统内冰蓄冷储能及可控负荷实施主控管理控制，以提升分布式能源消纳水平，减少微网系统和配电网之间的功率交互，降低光伏出力不确定对电网的冲击。

本文以冰蓄冷储能成本、需求响应成本和条件风险成本最小为目标，并在优化过程中将电网的线损作为衡量运行经济性的指标。配电网的线损分为技术性损耗功率和由于光伏逆送造成的增量线损两部分，而线损成本则是由后者所构成。则具体的目标函数由微网调度成本、线损成本及条件风险成本构成。

(7)

(8)

(9)

(10)

(11)

(12)

对于式(10)，冰蓄冷空调在调度过程涉及到两类激励价格，第一类是在消纳场景中，当微网系统内分布式电源出力过剩时，冰蓄冷空调进行蓄冷，以及当微网系统内缺少功率时，减少制冷机电功率，蓄冷装置释冷补充空调负荷，此时激励价格(记为冰蓄冷空调消纳成本)为cx，x=1，y=0。第二类是在削减场景中，当蓄冷装置储冰量为0，因削减功率会影响用户舒适度，从而给予高额补偿，此时的激励价格(记为冰蓄冷空调削减成本)为cx，x=0，y=1。

3.2 约束条件

微网内模型的约束包括元件出力及功率等式约束，其中燃气轮机出力约束为：

PMT,t,k=fMT,t,kKgasηMT

(13)

式中：PMT,t,k为k场景下t时刻燃气轮机的输出电功率；Kgas为天然气热值，取9.7 kW/(h·m3)；ηMT为燃气轮机发电效率。

电储能系统(以锂电池储能系统为例)需满足其荷电状态约束：

(14)

冰蓄冷空调通过蓄冰进行能量存储，蓄冷容量和冷能状态约束为：

(15)

为了求配电网增量线损，联络线功率需满足微网内外部功率平衡约束：

Ppcc,t=Ppv,k,t+Pw,k,t-PL,k,t-Pdown,k,t

(16)

式中Pdown,k,t为k场景t时刻的微网内可消纳功率。

除此以外，本文策略所涉及微网内设备需满足其功率容量的上下限约束。

PMTmin≤PMT,t,k≤PMTmax

(17)

Wmin≤Wt,k≤Wmax

(18)

(19)

(20)

燃气轮机、电储能系统和冰蓄冷空调均属于微网内可调资源。从配网侧来看，该系统不仅需满足微网内部平衡，还应满足配网潮流平衡有功功率约束：

(21)

无功约束：

(22)

电压约束和线路传输功率约束分别为：

Vn,min

(23)

(24)

3.3 模型求解

在获取需求响应负荷的模型参数后，能量管理系统可以模拟调度负荷过程，确定调度成本最小的调度方案。结合3.2节对各类型成本模型的分析，根据式(7)确定求解的目标函数。

(25)

从式(17)—(20)中获得可调负荷的约束条件：

gj(pi)≤0

(26)

如果目标函数的极值解p*在可行域内，则只需要满足：

(27)

因为存在多个约束条件，即p*在多个不同约束的边界面的交集上，由约束条件组成的公共边界的补空间，当p*出现在公共边界的可行极值点应满足式(28)。

(28)

式中αj为拉格朗日乘子；m为j的上限值。将原目标函数和约束条件一起构造完整的方程组如式(29)所示。

(29)

利用拉格朗日构造新的函数如式(30)所示。

(30)

对方程组进行求解：

(31)

先对前两行等式方程组进行求解，排除不满足第3行条件的解，即得到符合条件的极值点。随后根据所得极值点，确定调度成本最低的方案。

因此，冰蓄冷空调集群参与含新能源微电网调度策略的流程如图2所示。

图2 冰蓄冷空调参与含新能源微电网调度流程

4 算例仿真与分析

4.1 基础数据及场景集

本文使用Python3.7进行仿真实验[23]，通过设置微网系统内冰蓄冷空调占空调负荷的比例不同，验证本文提出的以冰蓄冷空调为调度负荷的随机优化调度策略的可行性和有效性[24-25]。微网系统内的算例仿真参数设置如表1—3所示[26]。

表1 微网内设备参数

表2 调度成本

表3 预测误差

微网系统内的光伏、风电出力曲线和负荷预测的期望值曲线如图3所示。

图3 光伏、风电和负荷期望曲线

从图3可以看出风电和光伏出力具有波动性，风电在凌晨00：00到04：00出力处于高峰，白天出力处于低谷，光伏出力特点与风电相反，夜间出力处于低谷，中午时分出力高峰，由于分布式电源的出力随机性导致微网系统内源荷不平衡，微网频繁和配网进行交互，整体的运行经济性较低。

各典型场景在缩减后的概率如表4所示。本文采取场景法描述分布式电源和负荷的随机性和波动性得到6个典型场景，如图4所示。

表4 各典型场景概率

图4 光伏场景、风电场景和负荷场景构建结果

4.2 微网随机优化调度结果

在冰蓄冷空调完全参与调度的情况下，本文通过对冰蓄冷空调等微网内设备的调度，使微网内负载需求与分布式电源出力曲线相匹配，普通空调和冰蓄冷空调分别参与随机优化调度后可消纳功率期望值曲线如图5所示，微网内各设备出力期望值如图6所示。

图5 不同类别空调参与随机优化调度结果

图6 微网内各设备出力及冰蓄冷空调调节情况

通过图5和图6可知，在00：00—04：00，风电出力达到峰值，在这一时间段内，分布式电源的总出力远大于负荷需求，如不采取消纳措施，多余的发电量将全部逆送到配电网，会对电网造成冲击增加电量损耗，电网整体运行经济性下降，因此调度冰蓄冷空调和电储能系统，其中冰蓄冷空调启动蓄冷模式，减少微网向配网的功率倒送。类似3，在11：00—13：00光伏出力达到峰值，但由于此时用户对空调的使用需求较大，因此，不启用冰蓄冷空调的蓄冷或释冷模式，运用电储能系统对多余电量进行消纳。而在18：00—22：00，负荷需求达到峰值，然而此时各分布式电源出力水平较低，为满足微网系统内的功率平衡，需要削减空调负荷。同时，为了不降低用户满意度，在这一时段内，冰蓄冷空调停止制冷机供冷，采用蓄冷装置融冰供冷(即释冷模式)。由上述分析可发现，冰蓄冷空调的蓄冷模式和释冷模式可根据分布式电源的出力变化进行灵活切换，相比于普通空调具有灵活调节的能力。

针对微网系统内各用电设备进行分析，冰蓄冷空调在各典型场景下各时段的蓄冷功率和释冷功率变化如图7所示，其中蓄冷装置中蓄冷量的变化如图8所示。

图7 冰蓄冷空调在典型场景下各时段蓄冷功率和释冷功率

图8 冰蓄冷空调在典型场景下各时段的蓄冷量

由图8可知，冰蓄冷空调在分布式电源出力峰值且负荷需求较低时(即00：00—05：00)，启用蓄冷装置将电能转化为冷量储存；在负荷高峰时(即18：00—24：00)，则启用释冷模式提供冷负荷，从而实现负荷转移，减少和配网之间的功率交互。

燃气轮机在各典型场景下各时段的出力如图9所示。燃气轮机是微网系统内重要的电源补充设备，在系统功率出现缺额时可以快速开启进行补充，但由于负荷和分布式电源都具有很强的随机性，燃气轮机的频繁启停导致调度的成本增加，而通过冰蓄冷空调蓄冷与释冷转移负荷，可使微网系统内的净负荷趋于平滑，因此在随机优化调度中减少了燃气轮机的启停次数，在晚间时段进行集中供能，降低调度成本。

图9 微网系统内燃气轮机在典型场景下各时段出力

4.3 随机调度经济-风险变化

图10为风险中性(j=0)和规避风险(j=20)两种不同风险偏好系数下冰蓄冷空调参与微网随机经济调度的成本期望值。

图10 不同风险条件下调度成本期望值对比

从图10可知：随着冰蓄冷空调比例增加，微网调度成本期望值随之降低。对比风险中性和规避风险两种情况，在规避风险的情况下，微网需要储备更多的备用容量以保障电网的稳定运行，因而使调度成本期望值增加。但随着冰蓄冷空调的增加，负荷侧可调度资源的增多，电源侧的备用容量可以相应减少而不影响电网的稳定性，所需调度成本也随之下降。

4.4 冰蓄冷空调参与调度的经济性对比

本文通过设置不同比例的冰蓄冷空调参与微网互动来对比所提调度策略的优化效果，不同比例冰蓄冷空调配置下微网和配电网交互功率期望值如图11所示。随着冰蓄冷空调的比例不断提高，微网和配电网之间的功率交互逐渐减小。当比例达到80%时，优化效果大幅度提升。通过提升冰蓄冷空调的使用比例，可在减小交互功率的同时平抑电网功率波动，使无法及时消纳的功率平稳向配电网输送，以降低对电网的冲击。

图11 不同比例冰蓄冷空调参与下微网和配网交互功率期望值

在风险中性情况下，不同比例冰蓄冷空调参与微网互动的调度成本期望值如图12所示。

图12 不同比例冰蓄冷空调参与下的微网调度成本期望值

随着微网系统内冰蓄冷空调参与的比例上升，利用冰蓄冷空调的蓄冷工作可对负荷需求曲线进行调整使系统内净负荷平滑，同时通过减少燃气轮机的启停次数与购气成本，使得微网的调度成本期望值不断下降。与普通空调相比，冰蓄冷空调既可以由制冷机供冷，也可以由蓄冷装置融冰供冷，同时在调度过程中，可在不影响用户舒适性的前提下响应削减电功率，具有明显优势。冰蓄冷空调的增加减少了空调负荷的削减功率，进而降低了响应成本。通过将电能转化为冷量储存在微网内，减少了向配网倒送的功率，降低电网的增量网损。

为进一步验证冰蓄冷空调的经济性，对比微网系统内分别配备冰蓄冷空调、电储能和普通空调的调度成本期望值，如图13所示。

图13 不同情况调度成本期望值对比

在调用负荷资源时，配备冰蓄冷空调的成本期望值小于电储能系统，在晚间负荷削减时间段，其成本高于消纳时段，主要是因为在夜间需要进行削减空调功率和从配电网购买电量维持平衡，造成成本上升，这一时间段冰蓄冷储能和电储能均释放能量供给负荷，从转化效率上蓄冰只进行一次转换，而储电需要二次转换，能量从白天转移到夜间的过程中损耗较小，因而成本降低。

5 结论

本文考虑了冰蓄冷空调的调节优势，面向含不确定性风电、光伏的微电网调度场景，提出了以冰蓄冷空调集群作为手段的经济性调度策略。在冰蓄冷空调参与新能源微网的整体调度框架下，针对微网内风、光及负荷的不确定性，构建了基于场景法的微网随机经济-风险调度模型，综合考虑了微网内能源调度成本、线损成本以及条件风险价值，并给出了唯一性解求解方式。通过对比随机调度结果以及冰蓄冷空调集群参与调度的成本，验证了本文策略对促进风电、光伏本地消纳有显著作用，能够提高微网系统运行经济性。

后续研究将进一步以冰蓄冷空调集群为媒介，充分考虑其运行优化过程中的碳排放折算，为低碳微网的发展提供参考。