考虑需求侧管理的风光燃储微网两阶段优化调度

张 程，匡 宇，刘佳静，林谷青，金 涛

考虑需求侧管理的风光燃储微网两阶段优化调度

张 程1，匡 宇1，刘佳静1，林谷青1，金 涛2

(1.智能电网仿真分析与综合控制福建省高校工程研究中心(福建工程学院)，福建 福州 350118；2.福州大学电气工程与自动化学院，福建 福州 350108)

针对微电网中源荷匹配较弱及储能应用不充分的问题，计及需求侧管理与碳排放对其源荷储进行协调优化。所研究的并网型微网优化分为需求侧管理与调度两阶段。首先，第一阶段引入需求侧管理模型，结合储能电池并采用纵横交叉算法求解,使微网的净负荷最小与自供率最大。然后，第二阶段依托第一阶段需求侧管理后的信息从经济和环保角度出发，建立以综合成本最小及碳排放量最低为目标的风光燃储微网日前优化调度模型，利用改进多目标灰狼优化算法进行求解。最后，以福建某实际微网为例，通过仿真表明引入需求侧管理可有效利用储能电池改善微网源荷匹配度，充分挖掘需求响应潜力。相比单阶段优化，两阶段优化更有利于提高可再生能源渗透率，降低微网日运行成本与碳排放量，实现微网的低碳经济运行。

需求侧管理；碳排放；改进多目标灰狼；两阶段优化；纵横交叉

0 引言

在国家“十四五”规划强调建设发展清洁、低碳可再生能源为主的新型能源体系背景下，可再生能源的开发势在必行[1-3]。微电网作为可再生能源、储能装置及燃料电池的整合，是解决大规模分布式电源并网难题的有效方法之一，并已成为近年来的研究热点。另外，微电网合理引入需求侧响应(demand-side response, DR)能增加能量梯级互补的多样性与灵活性，从而提高系统中设备利用效率。但是DR本身也存在一定成本，会影响系统运行效益，因此需要在优化调度中统筹考虑[4-6]。

现阶段微电网的优化调度问题主要分为两个方面，一方面是微电网调度的参考效益指标，参考效益指标主要分为单目标与多目标，单目标指标的调度主要考虑经济性，多目标运行还需要考虑其他因素，比如碳排放量、自供率[7]和风光消纳率[8-9]等。文献[10]利用分布式神经动力学算法对考虑需求侧响应的微电网进行多目标优化，具有运算速度快、精度高的优势，利用Lyapunov函数证明所提算法可收敛至最优解，但所采用模型较为简单，论证缺乏通用性。文献[11]通过需求侧响应来提高微电网应对光伏和风力发电不确定的能力，但优化目标仅考虑经济成本未计及环境成本等方面。文献[12]通过短期调度与超短期调度相结合的方法实现燃气轮机与蓄电池的经济调度，减少燃气轮机启停次数。文献[13]采用排序交叉算法对冷热电联供微电网进行优化调度，利用启发式约束处理对负荷和机组出力进行约束，降低运行成本。

另一方面是微电网源荷双方存在不确定性，目前主要利用机会约束[14]、场景优化[15]以及鲁棒优化[16]等方法去应对解决，若忽略这种随机性，会使优化结果偏离最佳的调度方案。文献[14]考虑源荷不确定性，使用场景削减并引入概率约束将功率平衡方程转化为机会约束，所提方法可降低微网成本、提高风光消纳率，但是机会约束无法客观地给出置信度选取原则。文献[17]采用拉丁超立方采样技术模拟风光的不确定，以成本最低为目标进行日前优化调度。文献[18]提出min-max-min三层两阶段的鲁棒模型解决风光分布概率的不确定，并采用列和约束生成算法求解该模型，提高了鲁棒模型的适用性，但其优化结果存在保守性。

基于上述背景，本文结合储能装置建立需求侧管理模型，引导用户用电行为与可再生能源出力贴近，此阶段采用纵横交叉算法求解，使微网的净负荷最小与自供率最大；第二阶段依托第一阶段获得的储能、负荷等信息，从经济和环保角度出发，建立以综合成本最小及碳排放量最低为目标的风光燃储微网日前优化调度模型，在原始多目标灰狼算法(multi-objective grey wolf optimizer, MOGWO)的基础上加入Tent映射、莱维飞行、随机游动策略进行求解，引入评价指标并分析可再生能源的有效利用与经济效益。

1 微电网结构

本文采用的微电网由风光电站、储能设备、微型燃气轮机、燃料电池等组成，其结构如图1所示。

图1 微电网结构图

1.1 微型燃气轮机

微型燃气轮机效率高、污染少，属于可调度微源，其实际输出功率受多种因素影响，例如燃料的低热值[19]。其运行效率与输出功率之间的关系如式(1)所示。

1.2 蓄电池

当新能源发电量满足负荷需求时，蓄电池用于储存剩余电量并在高峰期时与其余设备一起作为供电源，减少了弃风弃光量。每个时段的蓄电池状态[20]表示为

1.3 光伏电池

1.4 风力发电机

1.5 燃料电池

燃料电池是将化学能转化为电能的设备，具有效率高，清洁环保的特点。其工作效率[19]可表示为

2 微电网两阶段优化模型

2.1 需求侧管理阶段目标函数

微网中的能量不仅要满足自身的负荷需求，而且需要与主网进行交互，如果交互的能量过大会对主网造成波动[21]。所以研究需求侧管理与风光的利用策略，可以让风光最大程度消纳，使微网的净负荷最小、自供率最大。

2.2 需求侧管理阶段的求解

本文采用纵横交叉算法[23-24]进行求解，它是一种基于种群的新颖随机搜索算法，能够改善一般智能算法陷入局部最优的问题。该阶段具体求解过程如下所述。

Step1：输入负荷、风光预测出力、蓄电池配置状态以及纵横交叉算法初始化参数等信息。

Step3：计及负荷转移后，若可再生能源过剩且储能电池SOC未达上限，就在约束范围内对电池进行充电，反之作为电源给微网供电。

Step5：对转入、转出负荷是否相等实行惩罚约束，在满足终止条件时，根据式(11)选择折中解，输出需求侧管理后的曲线、储能电池充放电状态和每个时刻的购电量。

2.3 调度阶段目标函数

本阶段在考虑需求侧管理的前提下根据日前可再生能源的预测数据，从经济和环保角度出发，建立了双目标优化模型，具体如下所述。

1) 微电网综合成本

各设备的运行维护费用、与大电网的交互费用和需求响应的补贴都需要作为微网运行的成本，具体表达式为

2) 环保性目标

为了符合绿色用电的可持续发展理念，减少电网中的污染物排放成为如今主要目标之一。微网中的可再生能源虽也会产生污染物，但污染物排放量相对于传统电力系统来说大大降低。污染物包括 CO2、CO、NO和SO2，主要以CO2、CO为主，所以下文以碳排放量来表示。目标函数表达式为

2.4 运行约束条件

1) 功率平衡约束

2) 机组出力约束

3) 储能电池约束

4) 传输功率约束

如若微电网与大电网交互过多功率，则会影响电力系统稳定性，因此要有一定的限制。

2.5 微电网调度优化评价指标

1) 可再生能源渗透率

2) 用户满意度

将用户在需求侧响应前后用电行为的变化程度作为其满意度，如式(19)所示。

3) 负荷贴近度

负荷贴近度用来表征在微网供需状态下用户进行需求侧响应的有效性，其值越大则说明用户参与响应的准确度越高，需求侧响应管理效果越好。

3 改进MOGWO优化调度流程

3.1 改进MOGWO

标准MOGWO[25]随机产生种群，易导致个体分布不均，影响全局搜索能力，故利用Tent映射方程[26]产生初始种群，丰富种群的多样性，加快进化的进程。

为了改善标准的MOGWO算法陷入局部最优的缺陷，本文利用莱维飞行、随机游动策略以及改进衰减因子的方法提升其搜索性能。在标准的MOGWO中，线性减小的衰减因子在面对复杂的优化问题时，很难适应实际情况，为了平衡收敛速度与精度，略微减少前期算法探索时长，同时考虑算法后期的全局探索能力，对衰减因子进行改进，如式(21)所示。

莱维飞行[27]是满足莱维分布的短距与长距结合的搜索策略，能够提高算法全局搜索能力。由于优化参数较多，使用莱维飞行与随机游动会消耗大量时间，所以只对领导层的灰狼进行位置的更新。

利用混合变异以及交叉的行为形成新型优化参数的方式为随机游动，它不仅有助于避免算法陷入局部最优，而且能加快算法寻优速度。其位置更新公式为

3.2 优化流程

本文研究的微网调度周期为24 h，首先预测当日风光功率，然后进行第一阶段优化，得到新的负荷曲线与储能电池状态等信息，通过该步骤减少了用电负荷与可再生能源之间的差值，降低其他微源的调峰压力，最后实行第二阶段的优化调度，得到各个设备出力情况。从节能、环保的角度出发，微电网运行逻辑如下所述。

Step1：根据需求侧管理优化目标，利用2.2节方法求解得到新的负荷、蓄电池状态和微网购电量。

Step3：在上述基础上，利用本文改进的MOGWO算法求解微电网的成本与碳排量，利用式(11)选择折中解。总体流程图如图2所示。

图2 总体流程图

4 算例分析

4.1 标准测试函数与实验设置

为了验证本文所提算法有效性，采用CEC09测试库中的UF1、UF4双目标函数与UF8、UF9三目标函数进行验证。为了实验公平性，设置每个算法的迭代次数为1000，种群规模为100，种群的维度为10，网格膨胀系数为0.1，领导层的压力选择系数为4，每个维度的网格数为10；为了避免实验结果的随机性，每个实验重复操作20次，求取平均值为最终结果。UF1与UF8测试函数的Pareto获得解如图3所示。

4.2 多目标算法评价指标

本文对多目标求解结果的评价指标采用反世代距离评价指标(inverted generational distance, IGD)、空间分布指标(spacing, SP)与Δ分布(diversity metric, DM)指标，具体含义可参考文献[28]。表1为本文方法、标准多目标灰狼算法与多目标粒子群(multi- objective particle swarm optimization，MOPSO)算法的测试结果。

表1 4个测试函数的评价指标

由图3和表1可知，对于测试函数UF1，本文算法的收敛性优于其他两种算法，其Pareto获得解更加接近真实的Pareto最优峰值，且沿着两个目标的高度分布，三项指标都优于其他两种算法。函数UF8与UF9是三目标求解，虽然MOPSO的解多样性较优，但是其最优解与真实解相距最远，MOGWO与本文方法相比在收敛性上略逊一筹且解不够均匀，此外三者都存在着覆盖率较低的问题。UF4真实解的Pareto前沿面形状是凸的，定量结果表明，本文方法获得解收敛性好且分布性能比较稳定。

4.3 算例基础数据

本次实验微电网所需数据包括：风电、光伏以及负荷的预测值(图4)、微网与大电网的交易价格(表2)、污染物单位排放量(表3)、分布式电源相关参数(表4)。蓄电池的容量为100 kWh，荷电状态最大值与最小值分别为0.9与0.1，每天00：00点蓄电

池处于最低电量。

4.4 模型仿真及分析

为了进行对比分析，本次实验设置5种情景。5种情景设置情况如表5所示。

图4 光伏、风电以及负荷的预测值

表2 微网与大电网交易价格

表3 污染物单位排放量

表4 分布式电源相关参数

表5 5种情景设置情况

优化算法中，设置灰狼种群数目为100，迭代次数为250，Archive容量为80，网格密度为10。5种情景的调度结果分别如图5—图9所示。不同情景下系统运行结果评价如表6所示。

图5 情景1调度结果

图6 情景2调度结果

图7 情景3调度结果

图8 情景4调度结果

表6 运行结果评价

由图9可知，在考虑双阶段优化的条件下，能够有效确定每个时段储能电池的充放电状况。在01：00—06：00谷时段，风光总发电量大于负荷，储能以最大功率进行充电，此阶段也同时有负荷转入，提高了谷时段负荷值，既达到填谷目的，也充分利用了多余的可再生能源。在07：00—14：00微网供不应求的时段，转出和中断部分负荷，由此达到削峰的效果，多余的负荷通过微型燃气轮机、燃料电池、蓄电池与电网供电。在15：00—17：00时段，风光出力大于负荷，对蓄电池进行充电后，多余的电能出售给大电网以降低成本，其他微源几乎不发电。在18：00—24：00用电高峰时段，微网中所有微源都无法满足需求，此时多余负荷由电网供电。综上，此调度方案实现了成本与碳排放的综合考虑。

情景1与情景5的Pareto获得解如图10所示。情景5的运行成本与碳排放量目标值之和低于情景1。因此，无论运行成本与碳排放量的权重如何取值，整体上情景5的调度策略比情景1更占优势。由表6可知，情景5比情景1的运行成本与碳排放量分别降低了18.475元与11.555 kg，说明本文所提改进灰狼算法求解的优越性，能够提高微网运行的经济性与环保性。

图10 情景1和情景5的Pareto获得解

对比情景2与情景5，在求解算法相同的情况下，情景5考虑双阶段优化，即考虑需求侧管理。由表6可知，情景5的贴近度比情景2高1.9%，运行成本降低了90.5元，碳排放量减少了83.555 kg。原因是情景2不考虑双阶段优化导致蓄电池在01：00、02：00、15：00、16：00等风光充足时刻没有进行充电，以致在用电高峰时段没有足够的放电功率，类似起到负荷增加的效果，从而其他微源的出力增加，降低了微网风光渗透率，进而增加了成本与碳排放量。由上述可知，在微网调度中考虑双阶段优化策略在提高经济性与环保性上效果显著。情景5的用户满意度较情景2低，是因为第一阶段优化以贴近度为指标，使得风光出力与负荷相匹配，转移与中断负荷变化较情景2略多些。

情景3只以经济性为目标，在图7中可以看到此时微网内是以微型燃气轮机出力为主，其单位出力价格略显实惠，但代价是碳排放量偏大，较情景5多排放95.737 kg，所以以单一经济性为目标时，碳排放量较大，不符合绿色环保的理念。

对比情景4与情景5，本文算法求解结果优于MOPSO 算法，运行成本与碳排放量同比分别降低了16.38元与15 kg，验证了本文所提改进算法的有效性与全局收敛性。

通过上述情景对比，基于改进多目标灰狼算法微电网优化调度方法得到的成本与碳排放量更低；同时采用双阶段优化策略能提高新能源渗透率，进一步提高微网运行的经济性与环保性。

5 结论

本文针对微电网中源荷匹配较弱及储能应用不充分的问题，考虑需求侧管理，建立以微网整体经济性最优与碳排放量最小为目标的优化模型，利用改进的多目标灰狼算法进行求解。对本文方法的适用性和优化模型的有效性进行验证，结论如下：

1) 本文计及需求侧管理，利用纵横交叉算法求解，使得微源出力与预测的风光出力相贴近，提高了微网的源荷匹配度，同时考虑储能因素，充分发挥其在微网中的作用；

2) 采用两阶段优化调度，可提高可再生能源渗透率与负荷贴近度，减少其他微源的出力，同时降低了微网运行成本与碳排放量，起到了一定的削峰填谷作用；

3) 采用改进灰狼算法对微网优化调度模型的求解具有良好的可行性，相比其他多目标算法具有更好的收敛精度，有利于提高微网的经济性与环保性。

[1] 朱翰超, 马蕊. 考虑需求侧管理的冷热电联供微电网优化配置方法[J]. 电力系统保护与控制, 2019, 47(2): 139-146.

ZHU Hanchao, MA Rui. Optimal configuration method of CCHP microgrid considering demand side management[J]. Power System Protection and Control, 2019, 47(2): 139-146.

[2] 郭国栋, 龚雁峰. 电力市场环境下基于深度强化学习的微网能量管理系统实时自动控制算法[J]. 电测与仪表, 2021, 58(9): 78-88.

GUO Guodong, GONG Yanfeng. Real-time automatic control algorithm of micro-grid energy management system based on deep reinforcement learning in electricity market environment[J]. Electrical Measurement & Instrumentation, 2021, 58(9): 78-88.

[3] 黄彦彰, 周宇昊, 郑文广, 等. 产业园区新型多能联供综合能源服务研究[J]. 发电技术, 2021, 42(6): 734-740.

HUANG Yanzhang, ZHOU Yuhao, ZHENG Wenguan, et al. Research on new integrated energy system with multi-power combined supply of industrial parks[J]. Power Generation Technology, 2021, 42(6): 734-740.

[4] 唐学军, 韩佶, 苗世洪, 等. 基于需求侧响应的多类型负荷协调控制模型[J]. 电力系统保护与控制, 2017, 45(16): 116-123.

TANG Xuejun, HAN Ji, MIAO Shihong, et al. Coordinated control model of multi-type load based on demand response[J]. Power System Protection and Control, 2017, 45(16): 116-123.

[5] ASKARZADEH A, DOS SANTOS C L. A novel framework for optimization of a grid independent hybrid renewable energy system: a case study of Iran[J]. Solar Energy, 2015, 112: 383-396.

[6] 林亭君, 董坤, 赵剑锋, 等. 综合能源系统内外协同优化调度技术研究现状及展望[J]. 智慧电力, 2021, 49(6): 1-8.

LIN Tingjun, DONG Kun, ZHAO Jianfeng, et al. Research status and prospects of internal and external collaborative optimization scheduling technology for integrated energy system[J]. Smart Power, 2021, 49(6): 1-8.

[7] RAMLI M A M, BOUCHEKARA H, ALGHAMDI A S. Optimal sizing of PV/wind/diesel hybrid microgrid system using multi-objective self-adaptive differential evolution algorithm[J]. Renewable Energy, 2018, 121(1): 400-411.

[8] 李强, 邓贵波, 张家瑞. 太阳能热发电参与调节的多源联合发电系统两阶段调度策略[J]. 太阳能学报, 2021, 42(12): 86-92.

LI Qiang, DENG Guibo, ZHANG Jiarui. Two stage scheduling strategy of multi-source combined power generation system with concentred solar participating adjustment[J]. Acta Energiae Solaris Sinica, 2021, 42(12): 86-92.

[9] 陈伟, 路源, 何欣, 等. 计及风光就地消纳的设施农业产业园区综合能源系统多目标优化调度方法[J]. 电力建设, 2021, 42(7): 20-27.

CHEN Wei, LU Yuan, HE Xin, et al. A multi-objective optimal scheduling method for integrated energy system of protected agricultural industrial park considering local consumption rate of wind and solar energy[J]. Electric Power Construction, 2021, 42(7): 20-27.

[10] 刘青, 赵洋, 李宁, 等. 基于分布式神经动力学算法的微电网多目标优化方法[J]. 电力系统保护与控制, 2021, 49(11): 105-114.

LIU Qing, ZHAO Yang, LI Ning, et al. Multiple objective optimization of a microgrid based on a distributed neural dynamics algorithm[J]. Power System Protection and Control, 2021, 49(11): 105-114.

[11] 赵波, 王湘晋, 张雪松, 等. 考虑需求侧响应及不确定性的微电网双层优化配置方法[J]. 电工技术学报, 2018, 33(14): 3284-3295.

ZHAO Bo, WANG Xiangjin, ZHANG Xuesong, et al. Two-layer method of microgrid optimal sizing considering demand-side response and uncertainties[J]. Transactions of China Electrotechnical Society, 2018, 33(14): 3284-3295.

[12] 齐志远, 张如意, 李晓文, 等. 热电联供微电网动态修正的分层优化调度[J]. 中国电机工程学报, 2022, 42(3): 968-980.

QI Zhiyuan, ZHANG Ruyi, LI Xiaowen, et al. Hierarchical optimal scheduling with dynamic correction of micro-grid combined heat and power[J]. Proceedings of the CSEE, 2022, 42(3): 968-980.

[13] 李坚, 吴亮红, 张红强, 等. 基于排序交叉优化算法的冷热电联供微电网经济调度[J]. 电力系统保护与控制, 2021, 49(18): 137-145.

LI Jian, WU Lianghong, ZHANG Hongqiang, et al. Microgrid economic dispatch of combined cooling, heating and power based on a rank pair learning crisscross optimization algorithm[J]. Power System Protection and Control, 2021, 49(18): 137-145.

[14] LEI Y, WANG D, JIA H, et al. Multi-objective stochastic expansion planning based on multi-dimensional correlation scenario generation method for regional integrated energy system integrated renewable energy[J]. Applied Energy, 2020, 276.

[15] 张靠社, 冯培基, 张刚, 等. 考虑机会约束的多能源微电网双层优化配置[J]. 太阳能学报, 2021, 42(8): 41-48.

ZHANG Kaoshe, FENG Peiji, ZHANG Gang, et al. Bi-level optimization configuration method for multienergy microgrid considering chance constraints[J]. Acta Energiae Solaris Sinica, 2021, 42(8): 41-48.

[16] BILLIONNET A, COSTA M C, POIRION P L. Robust optimal sizing of a hybrid energy stand-alone system[J]. European Journal of Operational Research, 2016, 254(2): 565-575.

[17] 魏斌, 韩肖清, 李雯, 等. 融合多场景分析的交直流混合微电网多时间尺度随机优化调度策略[J]. 高电压技术, 2020, 46(7): 2359-2369.

WEI Bin, HAN Xiaoqing, LI Wen, et al. Multi-time scale stochastic optimal dispatch for AC/DC hybrid microgrid incorporating multi-scenario analysis[J]. High Voltage Engineering, 2020, 46(7): 2359-2369.

[18] 魏梅芳, 吴燕, 黎跃龙, 等. 基于分布鲁棒优化的微电网日前经济运行模型与求解方法[J/OL]. 电力系统及其自动化学报: 1-12[2022-03-02].https://doi.org/10. 13334/j.0258-8013.pcsee.202407.

WEI Meifang, WU Yan, LI Yuelong, et al. Economic operation model and solution method of microgrid based on distributionally robust optimization[J/OL]. Proceedings of the CSU-EPSA: 1-12[2022-03-02]. https://doi.org/10. 13334/j.0258-8013.pcsee.202407.

[19] 刘慧. 基于需求侧响应的微网能量管理策略研究[D].无锡: 江南大学, 2019.

LIU Hui. Research on microgrid energy management strategy based on demand-side response[D]. Wuxi: Jiangnan University, 2019.

[20] 朱青, 曾利华, 寇凤海, 等. 考虑储能并网运营模式的工业园区风光燃储优化配置方法研究[J]. 电力系统保护与控制, 2019, 47(17): 23-31.

ZHU Qing, ZENG Lihua, KOU Fenghai, et al. Research on optimal allocation method of wind, photovoltaic, gas turbine and energy storage in industrial parks considering energy storage’s grid-connected operation modes[J]. Power System Protection and Control, 2019, 47(17): 23-31.

[21] 赵波, 包侃侃, 徐志成, 等. 考虑需求侧响应的光储并网型微电网优化配置[J]. 中国电机工程学报, 2015, 35(21): 5465-5474.

ZHAO Bo, BAO Kankan, XU Zhicheng, et al. Optimal sizing for grid-connected PV-and-storage microgrid considering demand response[J]. Proceedings of the CSEE, 2015, 35(21): 5465-5474.

[22] 马燕峰, 范振亚, 刘伟东, 等. 考虑碳权交易和风荷预测误差随机性的环境经济调度[J]. 电网技术, 2016, 40(2): 412-418.

MA Yanfeng, FAN Zhenya, LIU Weidong, et al. Environmental and economic dispatch considering carbon trading credit and randomicity of wind power and load forecast error[J]. Power System Technology, 2016, 40(2): 412-418.

[23] 郭威, 杨鹏, 孙胜博, 等. 计及生物质能的热电联供系统经济运行优化策略[J]. 电力系统保护与控制, 2021, 49(11): 88-96.

GUO Wei, YANG Peng, SUN Shengbo, et al. Optimization strategy of a rural combined heat and power system considering biomass energy[J]. Power System Protection and Control, 2021, 49(11): 88-96.

[24] 曾琮, 黄强, 陈德, 等. 基于改进纵横交叉算法的电网最优潮流计算[J]. 中国电力, 2021, 54(9): 9-16.

ZENG Cong, HUANG Qiang, CHEN De, et al. Optimal power flow calculation with improved crisscross optimization algorithm[J]. Electric Power, 2021, 54(9): 9-16.

[25] 林艺城, 孟安波. 热电联产经济环保调度优化[J]. 电力建设, 2017, 38(6): 149-158.

LIN Yicheng, MENG Anbo. Economic and environmental dispatch optimization of combined heat and power[J]. Electric Power Construction, 2017, 38(6): 149-158.

[26] 曾鸣, 韩旭, 李源非, 等. 基于Tent映射混沌优化NSGA-Ⅱ算法的综合能源系统多目标协同优化运行[J]. 电力自动化设备, 2017, 37(6): 220-228.

ZENG Ming, HAN Xu, LI Yuanfei, et al. Multi-objective cooperative optimization based on Tent mapping chaos optimization NSGA-Ⅱalgorithm for integrated energy system[J]. Electric Power Automation Equipment, 2017, 37(6): 220-228.

[27] DASH D R, DASH P K, BISOI R. Short term solar power forecasting using hybrid minimum variance expanded RVFLN and sine-cosine levy flight PSO algorithm[J]. Renewable Energy, 2021, 174: 513-537.

[28] 王丽萍, 邱飞岳. 复杂多目标问题的优化方法及应用[M]. 北京: 科学出版社, 2018.

Two-stage optimal scheduling of a wind, photovoltaic, gas turbine, fuel cell and storage energy microgrid considering demand-side management

ZHANG Cheng1, KUANG Yu1, LIU Jiajing1, LIN Guqing1, JIN Tao2

(1. Fujian Provincial University Engineering Research Center for Simulation Analysis and Integrated Control of Smart Grid,Fujian University of Technology, Fuzhou 350118, China; 2. School of Electric Engineering and Automation,Fuzhou University, Fuzhou 350108, China)

There is weak source-load matching and inadequate energy storage application in a microgrid. It needs to coordinate and optimize the source-load and energy storage considering the demand-side management and carbon emission. In this paper, the optimization of a grid-connected microgrid is divided into two stages including demand-side management and dispatching. First, in the first stage, a demand-side management model is introduced. The energy storage battery is considered and a crisscross optimization algorithm is used to minimize the net load of the microgrid and maximize the self-supply rate. Then, in the second stage, from the economy and environmental protection perspective, a wind, photovoltaic, micro-gas turbine, fuel cell and storage energy microgrid day-ahead optimal dispatching model is established to minimize total costs and carbon emissions. It relies on the information after the demand-side management in the first stage. The above model is analyzed using the improved multi-objective gray wolf optimization algorithm. Finally, taking an actual microgrid in Fujian as an example, simulation shows that the introduction of demand-side management can effectively use energy storage batteries to improve the matching degree of microgrid source-load and fully tap the demand response potential. Compared with single-stage optimization, two-stage optimization is more conducive to improving the penetration rate of renewable energy, reducing the daily operating costs and carbon emissions of microgrids, and realizing their low-carbon economic operation.

demand-side management; carbon emissions; improved multi-objective grey wolf;two-stage optimization; crisscross

10.19783/j.cnki.pspc.220333

国家自然科学基金项目资助(51977039)；智能电网仿真分析与综合控制福建省高校工程研究中心开放基金项目资助(KF-D21010)

This work is supported by the National Natural Science Foundation of China (No. 51977039).

2022-03-15；

2022-05-15

张 程(1982—)，男，博士，副教授，硕士生导师，研究方向为电力系统稳定性分析、广域监测等；E-mail: zhangcheng@fjut.edu.cn

匡 宇(1997—)，男，硕士研究生，研究方向为综合能源优化调度。E-mail: 1459072190@qq.com

(编辑 周金梅)