风-光-储和需求响应协同的虚拟电厂日前经济调度优化

苟凯杰，吕鸣阳，高悦，陈衡，张国强，雷兢

(华北电力大学 能源动力与机械工程学院，北京 102206)

随着世界能源紧缺、环境污染等问题的日益突出，积极响应“双碳”战略目标[1]，建设一个节约能源、减少污染、绿色低碳、可持续发展的智能化社会，大力发展可再生能源，规划建设风力发电、光伏发电项目，形成绿色清洁的发电方式成为研究热点[2]。虚拟电厂(virtual power plant，VPP)概念的提出为达成这些目标给出了崭新的想法[3-5]。

目前，国内外学者已经开展了许多关于VPP运行结构和优化方面的研究。文献[6]对VPP在包含风电、光伏等的情况下，分别考虑可中断负荷和备用的协同调度模型采用经典场景集成的算法进行了研究和分析。文献[7]在考虑需求响应和用户用电满意度的情况下，搭建了优化调度模型。文献[8]在允许弃风弃光的情况下，通过改进量子粒子群算法，构建了一个优化VPP收益的模型。文献[9]分析了VPP内部不同组成成分的特性，得到了包含需求响应的VPP内部优化调度模型。文献[10]构建了包含风电、光伏、水电、储能和生物质等分布式能源的VPP调度模型，通过对该模型的研究，将多种分布式能源进行组合联用可以消除分布式能源本身不确定性的影响。文献[11]定义了商业型和技术型VPP，以用户侧收益最大化为目标，综合利用激励型和价格型需求响应的调度作用，对比不同场景下VPP的经济效益。文献[12]将大规模储能技术运用于VPP中，得到了可以有效提升VPP经济性的方法。文献[13]利用算例仿真，考虑风电输出的不确定性因素，成功降低了由于风电预测误差而导致的系统运行成本增加的影响。这些文献均对VPP的调度优化进行了研究分析，但是大部分仍然侧重于研究风电的影响，综合考虑风-光-储、需求响应和电价变化的多重影响比较少。本文将这些影响因素分别组合进行计算分析，经过多种情况模型的比较相对优良的VPP调度方案。

本文旨在对VPP日前经济调度进行优化，将不同情景运行成本作为目标函数，同时考虑功率平衡、设备运行等约束条件。进一步研究VPP在可以和主网进行功率交换背景下的调度方法，采用基于反向学习的混沌映射自适应粒子群算法，研究不同情景下分布式能源的出力。最终，经过对实际案例的分析，得出不同情况下VPP的经济优化和最小峰谷差运行方法。

1 计及风-光-储和需求响应的日前经济调度模型

1.1 风力发电模型

风力发电机的出力状况与风速变化紧密相关，风力机发电的出力[14]

(1)

式中：PE为风电机组的额定功率；νin为切入速度；νout为切出速度；νe为额定速度；ν为风速，服从双参数威布尔分布。

1.2 光伏发电模型

光伏发电系统采用光伏电池板进行电能转换[15]，其输出功率受到日照强度和气候条件的影响，可以表示为

Pvi=riηA.

(2)

式中：ri为i时段的光照强度，服从Beta分布；A为太阳能电池阵列板的总面积；η为光电转化效率。

1.3 需求侧响应

a)可再生能源消纳率。可再生能源消纳率Mre是在可再生能源发电量最高的时候将一些负载转移，以便更好地消耗可再生能源，可表示为[16]

(3)

式中：Pgr为可再生能源系统输出的有功功率；Pg为所有电源提供的有功功率。

b)用户舒适度。采取需求侧响应措施会使整体的负荷结构发生变化，从而影响用户的舒适度，其可以表示为[17]：

(4)

QGi=|Pwimax-Pwi|+|Pvimax-Pvi|+|Pzimax-Pzi|，

(5)

QLi=Pwimax+Pvimax+Pzimax.

(6)

式(4)—(6)中：Ccom为用户的用户舒适度；QGi为i时段采用需求侧响应后用电量与采用需求侧响应前用电量之差的绝对值的和；QLi为i时段采用需求侧响应前的总用电量；Pzi为i时段与主网交换有功功率；Pzimax为i时段采用需求侧响应前与主网交换有功功率；Pwi为i时段风力机有功功率；Pwimax为i时段采用需求侧响应前风力机有功功率；Pvi为i时段光伏有功功率；Pvimax为i时段采用需求侧响应前光伏有功功率。

c)电价的影响。客户用电量与电价之间的关系用电价伸缩系数ξij表示。当前时段电价和其他时段电价都将影响当前时段用电量[18]，因此在分析价格伸缩性时，需要综合考虑上述两种影响因素。ξij可以定义为客户用电量波动率与价格波动率的比值[19]：

(7)

式中：Qi、Cj分别为i(j)时段初始的用电量、电价；ΔQi、ΔCj分别为i(j)时段考虑电价影响后用电量、电价的改变量。i=j时为i时段的自伸缩系数ξii，i≠j时为i时段对j时段的互伸缩系数ξij。

由自伸缩系数和互伸缩系数可以组成需求侧响应电价伸缩系数矩阵ζ：

(8)

式中：下标f、p、g分别对应伸缩系数归属的峰值、平段和峰谷时段。采用分时电价后，用电变化量[20]

(9)

综上，采用需求侧响应之后i时段的电量

Q′i=Qi+ΔQ.

(10)

2 目标函数和约束条件

2.1 目标函数

以系统最终的运行成本最小作为研究目标，针对不同方案的机组运行情况进行分析，总的供电费用可以表示为：

(11)

式中：C为全天总供电费用；Czi为购电价格；Cwi为风力机单位运营成本；Cvi为光伏单位运营成本；yi为状态变量，当系统从主电网购买电力时，其值为1，当系统向主电网售出电力时，其值为0；Cgi为从主网购电价格；Cmi为向主网售电价格；Cci为将蓄电池从充电状态切换到放电状态所需要的成本；Pci为蓄电池的放电功率；CDR为激励型需求响应成本(补偿费用)。

(12)

式中：λ为衡量可转移负荷所获得经济补偿的系数；Pin，i为转入的负荷量；Pout，i为转出的负荷量。当系统总出力大于负荷时，Pin，i≥0，Pout，i=0；当系统总出力小于负荷时，Pin，i=0，Pout，i≥0。

2.2 约束条件

2.2.1 有功功率平衡约束

有功功率平衡约束为：

Pwi+Pvi+Pzi=Qi.

(13)

考虑需求响应后，此约束可表示为：

Pwi+Pvi+Pzi=Q′i.

(14)

转入转出负荷、与主网交易功率约束分别见式(15)、(16)：

(15)

0≤|Pzi|≤Pzimax.

(16)

式中：Pin，max为最大转入负荷；Pout，max为最大转出负荷；Pzimax为与主网交换最大功率限制。

2.2.2 机组运行约束

风电机组、光伏机组、蓄电池运行约束为：

0≤Pwi≤Pwimax，

(17)

0≤Pvi≤Pvimax，

(18)

Smin≤Si≤Smax.

(19)

式(17)—(19)中：Si为蓄电池荷电状态；Smin为荷电状态下限；Smax为荷电状态上限。

3 算例分析

3.1 算法流程

采用反向学习的混沌映射自适应粒子群算法对风-光-储能和需求响应不同组合搭配的5种调度方案进行探讨，算法的具体流程[21]如图1所示。

图1 算法流程Fig.1 Algorithm flowchart

图2 系统结构Fig.2 System structure

图3 新能源预测出力和净负荷Fig.3 Predicted output and net load of new energy

图4 风-光参与运行结果Fig.4 Wind and photovoltaic participating in the operation

3.2 案例分析

在本案例中，采集河北邢台某地区在夏季典型日的风-光和负荷情况作为数据来源。风力机的装机容量为 360 kW，运维成本为 0.52元/kWh，切入风速为5 m/s，切出风速为25 m/s，额定风速为13 m/s。光伏发电设备的装机容量为260 kW，运维成本为0.75元/kWh。蓄电池的额定容量为 700 kWh，电池的荷电状态运行范围为 0.4～0.9，初始荷电状态为 0.4，充电状态和放电状态相互转变的成本为 0.1元/kWh。蓄电池在1 h内最多可以充放电功率为储能容量的20%。VPP与主网之间的允许交换功率不超过 200 kW。系统所涉及的设备如图 2所示，售电和购电价格在一天内的波动见表1。

表1 售电和购电价格Tab.1 Electricity sale and purchase prices

3.3 基于各种条件不确定的影响分析

3.3.1 主网供电的影响

未来24 h内风-光总预测出力、传统负荷和净负荷变化情况如图 3所示。只有主网供电时，在13 时段和19时段达到用电高峰，在16时段出现用电峰谷，没有风、光能可利用时，VPP需要从主网中获取所需电能，此时电厂所需的功率与负荷相等。

3.3.2 风-光参与调度的影响

在存在风-光供电时，分别根据双参数威布尔分布函数和Beta分布函数计算风-光出力，电量分布如图 4所示。由图 4可以看出：将计算后的风力机、光伏出力与主网出力相加后和负荷需求量相比，超出负荷部分将出售给电网，未满足部分将从主网购买；风-光机组参与供电后，1—8 时段风-光出力能够满足负荷需求，此时功率全部来源于风力机；在8—15时段风-光尚有剩余，此时以0.42元/kWh出售给主网。在15—24时段，光伏和风力机出力都呈现下降趋势，但负荷仍保持在较高水平，此时需要从主网购电来满足负荷。与只有主网参与时相比，加入风力机、光伏后，从主网购电量明显减少，并且可以有一定的售电收入。

3.3.3 储能参与调度的影响

将计算后的风力机、光伏出力与主网出力、储能设备充、发电量相加后和负荷需求量相比，超出负荷部分将出售给电网，未满足部分将从主网购买，数据结果如图5所示。在风-光-储都参与的情况下，在1—6时段负荷仍然可以由风力机出力来满足，此时储能设备作为负荷，这部分由主网满足；负荷需求在16—24时段达到高峰，此时储能作为供电方参与供电。与只有风-光参与时相比，储能设备在风-光出力不能满足负荷需求时，可以作为后备能源来填补。

图5 风-光-储参与运行结果Fig.5 Wind，photovoltaic and energy storage participating in the operation

3.3.4 需求响应参与调度的影响

对于需求响应参与的模型，先对负荷进行K-Means聚类，将负荷分为高峰、平段、低谷3个时段，见表2。在能源供应调度期间，通过基于价格型需求策略得到需求响应后的负荷，可以使用激励型需求响应直接控制的方式来实现负荷转移，并向参与者提供经济或其他形式的补偿。

表2 K-Means聚类对负荷进行分类结果Tab.2 Load classification results of K-means clustering

在考虑风-光出力对系统运行的基础上，分别考虑电价型需求响应和激励型需求响应后的系统运行数据分别如图6和图7所示。考虑了需求响应的影响后负荷的变化情况如图8所示。由图 6可以看出：在风-光和需求响应参与的情况下，考虑电价后，在10—21时段用电量明显降低，并保持在一个相对平稳的用电范围，起到了削峰填谷作用。由图 7可以看出：在风力机、光伏和需求响应都参与的情况下，经过可控负荷调整后，未满足负荷量几近平稳。由图 8可以看出：经过需求响应的调整变化后，在不影响用户使用的基础上将17—22时段的高负荷利用部分转移到了24—4 时段的低负荷时段，负荷的整体变化情况更趋于平稳，缓解了电网供电的压力。

图6 风-光和电价型需求响应参与运行结果Fig.6 Wind，photovoltaic and electricity price demand response participating in the operation

图7 风-光和激励型需求响应参与运行结果Fig.7 Wind and incentivized demand response participating in the operation

图8 需求响应调整前后负荷变化Fig.8 Load changes before and after demand response adjustment

3.3.5 综合因素对调度的影响

综合考虑风-光-储和需求响应对系统运行的整体运行结果如图9所示。由图 9可以看出：在风-光-储和需求响应都参与的情况下，与风-光-储参与运行结果图 5数据相比，负荷缺额量明显降低，储能也得到了更好的利用，其他方面效果也有明显的改善。

图9 全因素参与运行结果图Fig.9 All factors participating in the operation

将主网和风-光参与确定为情景1；主网和风-光-储参与的情况为情景2；主网和风-光参与的情况下考虑需求响应的作用为情景3；主网、风-光-储都参与的情况下考虑需求响应的作用为情景4。不同情景下的VPP运行成本、用户舒适度等数据见表3。

表3 不同情景的运行结果Tab.3 Operating results of different scenarios

从成本方面来看，考虑多种供电方式的协同作用能够有效减少运行成本的投入，利用发电设备及储能设备比从主网直接购电更加优惠。将情景1与情景3、情景2与情景4分别进行对比，改变的运行条件只是加入了需求响应的调度作用，2组数据对比之后可以看出需求响应的调度作用能有效提升用户用电满意度。情景1与情景2对比，加入储能设备后能有效减少运行时未满足负荷。情景4与情景1相比成本降低了9.87%、用户舒适度提高了17.44%，情景4与情景2相比成本降低了4.47%，用户舒适度提高了3.51%。综合考虑各方面运行结果，可以得出考虑风-光-储和需求响应的多方面协同作用，无论是在成本还是用户舒适度方面都能得到更优的结果。

4 结束语

为了降低VPP的运行成本，提高用户舒适度，本文建立了一个考虑风-光-储和需求响应的VPP优化调度模型。引入储能设备和激励型需求响应，让用户在考虑分时电价的影响后主动调整用电时间，从而起到消峰填谷的作用。利用反向学习的混沌映射自适应粒子群算法对运行成本进行仿真分析，经过计算风-光-储和需求响应都参与的方案与情景1相比不仅可以将VPP的运行成本降低9.87%，还可以将用户舒适度提高17.44%。