分时电价响应下园区微电网日前优化调度策略

皮琳雯,虞莉娟,苏义鑫

(武汉理工大学 自动化学院,湖北 武汉 430070)

微电网(microgrid,MG)是由多种分布式电源、储能装置和各类负荷组成的一个可控制的系统,也是一种高效且环保利用可再生能源的有效途径[1]。MG中用户侧的用电需求影响调度中心对各发电机组的调控。分时电价(time of use,TOU)作为一种需求响应策略,根据用电系统运行状况,将24 h划分为若干时段,各时段按系统运行的平均边际成本制定电价进行收费。通过在MG中实施TOU政策,将部分负荷转移至电价较低时段,降低峰谷差,减少用电系统的运行成本。

诸多文献针对微电网优化调度问题进行了研究。文献[2]建立了一个MG模型,在考虑需求侧响应的情况下使微电网总运行成本最低。文献[3-4]借助双层策略模型实现了MG优化运行和与主网协调互动,并使MG相关利益者的收益达到最大。以上研究考虑因素较单一。文献[5-6]在配电网中借助TOU模型,以减小峰谷差、降低运行中的电能损耗为目标,使配电系统运行稳定能力大大增强,但未用于完整的MG模型中[7]。以需求侧管理为基础,在充分考虑用户侧需求下实现调度,却未考虑电价对调整用电产生的影响。文献[8-9]以MG运行成本最小为目标,通过案例分析实现微电网优化运行,但均未从电价出发,综合考虑MG运行成本的问题。

综上所述,考虑到TOU能激励用户侧调整部分负荷用电时段的特点,建立一个园区微电网(park microgrid,PMG)模型。以1 h为间隔,对PMG进行未来24 h的机组优化调度。根据可中断负荷预测曲线的结果划分负荷峰-谷-平时段,得出优化后TOU。建立价格与负荷间的需求响应关系,引导用户侧对用电负荷进行调整,降低负荷的峰谷差。本研究以日前调度的总成本最低为优化目标,通过灰狼算法进行求解,得到PMG日前优化调度策略。

1 PMG模型与运行模式

1.1 PMG的组成

PMG结构如图1所示。PMG主要由发电机组、调度中心、园区内负荷3部分组成。其中发电机组主要是由常规发电机组、风光发电机组、储能系统组成。园区内负荷主要分为不可中断负荷和可中断负荷两大类,不可中断负荷是指维持园区内正常生产运行产生的负荷;可中断负荷是指用户侧可以中断的负荷,如使用电动汽车、家电等产生的负荷。

图1 园区微电网系统结构图

从图1可知,调度中心根据PMG运行状况进行判断和决策,对机组进行调度。为了确保PMG电量的供需平衡以及联络线交易,调度中心与主网通过联络线互联。

1.2 PMG发电机组模型

1.2.1 常规发电机组模型

根据园区微电网的规模,常规机组主要是由两台微型燃气轮机(micro-turbine,MT)、两组燃料电池(fuel cell,FC)、两台柴油机(diesel engine generator,DG)组成。

1.2.2 风光发电机组模型

风光发电机组由光伏机组(photo valtaic, PV)和风电机组(wind turbine, WT)组成。

(1)

式中:Prs为光伏机组的额定输出功率;Ic为确定的太阳辐射照点,通常为0.15 kW/m2;It为t时刻光伏发电机输出电流值;Istd为太阳辐照的标准条件值,通常为1 kW/m2。

(2)

1.2.3 储能系统

在园区微电网中,电池储能系统(battery energy storage system, BESS)主要是由短时间内充放电的功率型蓄电池组成[10]。在本文中,考虑到储能系统的充放电的时序性和灵活的调整能力,储能系统不参与PMG的日前调度。

1.3 PMG运行模式

本研究中,根据PMG可中断负荷预测曲线划分峰-谷-平时段,根据其变化趋势确定新的TOU。在完成上述工作前,调度中心需收集和核算PMG的负荷资源,确定不同种类的负荷体量和分布,统计出微电网中各分布式电源的容量,完成上述工作后对各发电机组进行调度。PMG优化运行的框架如图2所示。

图2 PMG调度框架图

从图2可知,负荷分为不可中断负荷和可中断负荷。可中断负荷作为PMG内可转移的负荷参与需求侧响应,将其分为直接参与需求侧响应负荷(dem response, DR)和激励型参与需求响应的负荷(incentive-based dem response, IDR)。IDR通过PMG实施TOU政策在用电高峰时期调整用电时段,在一定程度上能削峰填谷,缓解PMG用电压力。在PMG内发电机组出力大于负荷需求时向主网售出多余电量,使PMG作为售电方获得收益。

2 TOU模型

为了考虑PMG内电力资源的合理配置,本研究选用TOU作为激励方式调整部分负荷的用电时段。确定TOU模型主要分为以下两步:①调度中心获取次日的不可中断负荷预测曲线,根据预测曲线变化趋势划分峰-谷-平时段;②根据可中断负荷预测曲线峰-谷-平划分时段的结果对电价进行优化,生成新的TOU曲线。

2.1 峰-谷-平周期划分方法

划分峰-谷-平时段是实施分时电价的必要前提。笔者采用基于移动边界技术来对负荷时段进行周期划分。

图3 基于移动边界技术周期划分算法流程图

本研究将边界变量Bfv、Bpv作为周期划分模型中两个决策变量,设F(Bfv,Bpv)为目标函数。目标函数表达式如下:

(3)

(4)

式中,Nm为第m个周期内的负荷数量。

2.2 TOU优化模型

建立负荷变化与价格的数学关系,该表达式由电能变化与价格变化之比的弹性系数组成,需求弹性系数分为自弹性系数和交叉弹性系数,表达式如下:

(5)

(6)

式中:m和l为不同时期,即m∈(p,f,v),l∈(p,f,v);ξmm为自弹性系数;ξml(m≠l)为交叉弹性系数;ΔEm为第m个周期用电量的变化;Em为前m个时段的用电量;ΔPm、ΔPl为第m个周期和第l个周期的价格变化;P0为原始电价。

考虑TOU前后的小时负荷计算方法为:

(7)

3 PMG日前优化调度模型

3.1 目标函数

以PMG的综合运行成本Fcost为目标函数,其计算方法为:

Fcost=Cf+Cos+Cd+Ci

(8)

式中:Cf为燃料成本;Cos为发电机组的运行维修成本;Cd为污染气体的排放成本;Ci为PMG与主网交互的购售电成本。

3.1.1 PMG的燃料成本

PMG中的燃料成本为24小时微型燃气轮机、柴油机、燃料电池所用燃料费用的总和。

(9)

(10)

(11)

(12)

3.1.2 PMG的运维成本

在PMG中,机组的运行维护成本如下:

(13)

3.1.3 PMG的排放成本

在PMG中,常规发电机组的使用会产生大量污染物气体。为了降低排放物对环境的影响,需要对这些排放物和污染物进行处理。其表达式如下:

(14)

3.1.4 PMG的购售电成本

PMG进行联络线交易时,购售电成本为:

(15)

3.2 约束条件

3.2.1 PMG的功率约束

(16)

(17)

3.2.2 PMG的机组出力约束

PMG机组的出力约束主要集中在常规机组的出力上下限约束和爬坡约束:

(18)

(19)

3.2.3 与主网的交互功率约束

(20)

(21)

式中,Pi,min、Pi,max分别为与主网交互功率的最大值和最小值。

3.2.4 参与需求侧响应的功率约束

在PMG中,有一部分负荷参与需求侧响应负荷。参与需求侧响应的负荷分为直接可控负荷和不可控负荷。其表达式及约束条件如下:

(22)

0≤Γ≤1

(23)

3.3 PMG多目标优化模型求解方法

在实现PMG合理调度过程中,对算法的收敛速度、搜索能力都有着较高的要求。笔者选用灰狼算法对模型进行优化[12]。

设灰狼群在空间内有N个个体,其位置为:

X=(x1,x2,…,xN)

(24)

设定目标灰狼的位置为:

(25)

当前灰狼的位置为:

(26)

当前灰狼向目标灰狼移动后的位置可由式(27)得出:

(27)

式中:A为取值范围-a到a的均匀随机数,a为某一常数,一般取初始值为2,随着算法的迭代减至0;C为取值0或2的随机数。经过移动后,当前灰狼将移动到目标灰狼的位置周围。其距离目标灰狼的距离由随机数A决定,随着迭代次数增加,会逐渐到达目标灰狼的位置。

灰狼算法流程如图4所示,其中α、β、γ为灰狼算法中3个初始样本的位置。

图4 灰狼算法流程图

4 算例分析

4.1 PMG基础数据及日前负荷与风光机组出力预测曲线

以某虚拟工业园区微电网典型日数据为基础,进行算例分析,相关参数如表1所示。

表1 PMG运行参数

根据PMG典型日运行数据,风光发电机组日出力及PMG日负荷预测情况如图5所示。

图5 风光发电机组出力及PMG日负荷预测曲线图

从图5可知,光伏发电机组受太阳光影响较大,而风力发电机组出力较为波动。光照强度逐渐上升,光伏发电机组会持续输出功率;光照强度逐渐减弱,光伏机组输出的功率不断减小;室外无光照后,光伏机组不再提供出力。PMG负荷高峰期集中于11:00～20:00,在20:00后负荷水平不断下降。

4.2 TOU优化结果分析

确定PMG的典型日负荷曲线后,发电机组优先为不可中断负荷提供出力,部分可中断负荷根据价格激励进行用电时段调整。

本研究将可中断型负荷分为DR和IDR。可中断负荷峰-谷-平时段划分曲线如图6所示。

图6 周期划分负荷曲线图

从图6可知,负荷高峰时段主要集中在14:00-24:00,平时段为12:00-13:00,低谷时期为3:00-11:00。

在完成负荷曲线时段划分后,根据负荷变化趋势对TOU进行优化。PMG分时电价图线如图7所示。

图7 PMG分时电价曲线图

从图7可知,与原始电价相比,优化后的TOU根据负荷的变化,在平、谷两个时期,电价处于较高的水平;而在用电高峰期,电价处于较低水平。优化后的TOU在一定程度上可以激励用户调整部分用电需求。在电价较高时,用户侧可以将部分IDR转移至电价较低时段,可减少部分用电支出。通过这种电价激励的方式,PMG移峰填谷效果较明显,以此达到降低峰谷差的目的。

4.3 日前优化调度策略结果分析

4.3.1 常规机组调度结果分析

在确定分时电价后,将根据PMG中每小时内的负荷情况和机组出力情况进行调度。图8中为PMG常规机组每小时的出力情况。

图8 机组调度图

从图8可知,各类型机组在每个小时都向PMG发出功率,且每个小时输出功率的总和不超过400 kW。MT出力较为波动,FC出力较为恒定;作为备用发电机组的DG,在此日前调度中出力占比最少。

4.3.2 PMG与主网互联结果分析

在常规发电机组与风光发电机组总出力大于PMG负荷时,PMG可向主网出售多余的电量,实现联络线交易,PMG获得收益。此外,通过调整DR与IDR的用电时段,可降低购电成本。联络线交易负荷与DR、IDR负荷分布如图9所示。

图9 联络线交易负荷与DR、IDR负荷分布图

结合TOU可看出,在1:00～5:00时电价开始上升,并在5:00后达到当日电价的最大值。在这段时间内,先从主网购电,在8:00后停止从主网购电;在12:00～14:00时,电价达到峰值。在9:00～15:00间,风光发电机组与常规发电机组的出力之和大于PMG所需的电量,此时PMG以较高的电价向主网售电,PMG获得收益。在16:00～24:00间,电价处于最低值,光伏发电机组出力减小,此时以较低的电价从主网购电,可降低购电成本。因此,该调度策略可有效地将DR以及部分IDR转移至电价较低时段。

4.3.3 优化调度结果分析

图10为各发电机组占比图。

图10 各发电机组出力占比图

从图10可知,风光发电机组出力比例最高,常规发电机组其次,主网出力占比最低。因此,该调度策略使风光机组出力比例达到最大,有利于降低MT、FC等常规发电机组的燃料成本,进而减少购电成本,降低对主网的依赖性。

PMG日前调度策略如图11所示。 在该调度策略中,利用优化后的TOU激励用户转移了部分负荷,降低一天内负荷波动的峰谷差,起到“削峰填谷”的作用。同时通过联络线将多余电量售卖给主网,使PMG通过售卖多余电量获得收益,减少购电成本。该日前调度策略能够使风光发电机组出力占比最大,减少了常规发电机组的出力,从而降低了PMG日运行的燃料成本、排放成本等,提高微电网运行的经济性。

图11 日前调度策略图

4.4 PMG运行成本

在日前调度策略下,PMG日前运行的燃料成本及运行维护成本如表2所示。

表2 燃料成本及运行维护成本结果

从表2可知,DG、FC燃料成本和运行维护成本较高,而风光发电机组不需要燃料成本,且运行维护成本花费较低。PMG一天内发电机组燃料成本与运行维护成本总和为24 881.56元。

PMG日前运行需花费2 986.25元从主网购电,而PMG作为售电方,可向主网售出1 026.28元的电量。因此,PMG日前调度所需成本为26 841.53元。

5 结论

针对PMG日前优化调度,设计了一个基于TOU响应的常规发电机组、风光发电机组以及与主网互联的微电网运行模式,以最小化PMG日运行总成本为目标进行日前优化调度。通过算例分析,验证所提模型的合理性,得出以下结论:

(1)通过对可中断负荷预测曲线划分峰-谷-平时段,得出优化后的TOU模型。利用价格激励用户侧转移部分负荷的用电时段,降低负荷峰谷差,降低用户的购电成本。

(2)得出的调度策略可实现与主网互联,降低PMG向主网购电成本,同时PMG获得收益,大大提高了微电网运行的经济型。

园区微电网内各发电机组与负荷侧及主网紧密联系,利用分时电价引导用户侧合理调整部分负荷用电时段,协调微电网内资源配置,提高微电网运行经济性。