實時電力交易下的新能源電網能量管理策略

張 帆，丁士明，陳汝昌，雷炳銀

（1.云南電力調度控制中心，昆明650041；2.易能（中國） 電力科技有限公司，北京100093）

在資源緊缺和環保問題的多重壓力下，分布式發電技術愈發受到全球關注。分布式發電在能源利用、環境效益和供電靈活性等方面具有明顯優勢。但大量的分布式電源并網，也會引發安全性、可靠性和電能質量等一系列系統性問題。為了合理利用分布式發電，在分布式發電領域產生了微電網的概念[1-6]。微電網是一個由負荷、多種微電源及儲能裝置在電網用戶終端互聯組成，能夠實現自我控制、保護和管理的局部發配電系統。微電網雖小，但組成和結構非常復雜，內部的分布式微電源系統具有多種行為特性和多樣的能源管理需求，需要合理構建能量管理系統，才能充分發揮分布式發電的優勢，提高微電網能源供應的經濟效益和環境效益[7-9]。

構建合理的微電網的能源管理策略，首要任務是：要針對各分布式能源的運行特性，建立有效的目標函數和約束條件，在保證安全可靠運行的前提下最大限度地減少運行成本和污染排放。另一個任務是找到合適的優化算法求解該能源管理問題。因為微電網的能量管理屬于多維非線性優化問題，合適的算法方可搜索到全局最優解[10-12]。

鑒于上述原因，本文針對由多分布式能源組成的微電網，提出了一種高效的能源管理優化策略，目的是提高微電網能源供應的經濟效益和環境效益。該研究首先針對各分布式能源的運行特性和約束條件，構建了實時交易下的微電網的運行成本和污染排放目標函數，并以加權的形式將多目標函數轉換為單目標函數，目的是在保證微電網安全運行的前提下，最大限度地降低運行成本和污染排放。本文提出一種改進的粒子群優化方法，對微電網能量管理進行優化，目的是快速搜尋最優解，以便對各分布式能源單元進行實時最佳功率調度。最后進行仿真研究以驗證該能量管理策略的有效性。

1 目標函數的構建

本文以一個多能源組合的微電網為例來研究系統的能源管理策略。該微電網有6 個分布式能源單元組成：即微型渦輪（MT）發電單元，燃料電池（FC），柴油發電機（DE）發電單元，光伏（PV）和風力渦輪機（WT）發電單元，還有一個儲能單元即電池（BT）參與功率平衡調節。

1.1 構建運行成本目標函數

以微電網內各分布式電源的運行特性為基礎，在實時電力交易下，考慮燃料成本、維護成本以及啟動、停止成本構建運行成本目標函數：

式中：F（Pit）是微電網內總的經濟運行成本；Pit為微電網內第i 個微電源在時刻t 的功率；N 為微電網內分布式能量源的數目；T 為微電網運行調度時間。Cfuel（Pit）為微電網的燃料成本。PV 和WT 作為可再生資源，無成本消耗，故它們不包括在燃料成本函數中，但它們的啟停受自然條件約束。燃料電池、微型燃氣輪機以及柴油發電機等的燃料成本（CFC，CMT，CDE）可表示為

式中：Cfuel為燃料電池所用的燃料價格；Pt表示燃料電池在時段t 內輸出的功率；ηt為此時段燃料電池的效率。微型燃氣輪機使用天然氣、氫氣和甲烷等為燃料，因此其燃料消耗表達式與燃料電池的非常相似，即

柴油發電機的燃料消耗方程為

式中，ai、bi、ci為柴油發電機功率系數。

式（1）中，Cstart（Pit）為系統的啟動成本，表示為

式中：ui（t）為機組運行狀態，啟動時取值為1，停機時取值為0；Si為機組的啟動耗量函數，可表示為

式中：σi為機組熱啟動費用；δi為機組冷啟動費用；τi為機組冷卻時間；Toff表示機組的停運時間。

在式（1）中，Com（Pit）為微電網的維護成本，可表示為

式中，Kom（i）為維護系數，表1 列出了各分布式能量源的維護系數值。

表1 維護系數Tab.1 Maintaining coefficients

考慮實時電力交易，即微電網在供給負荷時，如果出現發電量不足的情況，需要向大電網買入電能以保證系統的穩定運行；另一方面，當微電網發出的電能超過負荷需求時，微電網可以向大電網售電。式（1）中考慮了實時的電力交易，即Pbuy（t）和Psell（t）表示微電網向大電網買入和賣出的電能，Cbuy和Csell為買入和賣出時的電價，是通過微電網在電力市場中的博弈競價過程得到的，這里視為已知量。

1.2 污染排放目標函數

除了可再生能源發電外，MT、FC 和DE 發電單元在本身發電過程中和與大電網交換電能時，由于燃燒石化燃料和柴油燃料，所以均排放氧化氮、一氧化碳、二氧化碳和二氧化氯等污染氣體。

考慮微電網本身的污染排放和與大電網交換電能時產生的污染排放，構建污染排放目標函數為

式中：E（Pit）為微電網造成污染后折合的總的環境成本；Pit為微電網內第i 個微電源在時刻t 的功率；k 為各分布式電源排放的污染氣體種類；βk為處理每千克污染物所需的費用；fk（Pexc）為與大電網交換電能時排放的污染氣體；M 為污染物種類；fk（Pit）為第i 個微電源在時刻t 排放的污染氣體，其表達式為

式中，αi、μi、γi、ξi、λi為分布式電源的產生氣體的排放系數。表2 給出了各氣體的排放量與處理費用。

表2 排放標準Tab.2 Emission standard （g/kW·h）

1.3 約束條件

功率平衡約束為

式中：Pload（t）為總負荷需求；Pdst，i和Pcst，i分別表示儲能單元的充電和放電功率；Ndst為儲能單元數目；Ploss（t）為系統的功率交換損失，可通過潮流計算獲得，故這里視為已知量。

發電單元的不等約束為

儲能裝置容量不等約束為

傳輸電能容量的約束為

為了保證系統安全運行，發電單元的啟動停機次數也要有所限制，即

式中：Nstart-stop為啟動停機次數；Nmax為其上限值。

考慮環境效益的緣故，需要限定分布式電源產生氣體的排放水平：

式中：Yk為發電機組第k 種氣體的排放量；Ylim為其排放的限值。

1.4 多目標函數的處理

由于經濟利益與環境效益之間相互沖突，為了達到最佳的優化效果需要對兩個目標函數做折中處理，本文采用線性加權法處理該優化問題：

式中：C（Pit）為最終優化目標；λ1和λ2是多目標的權重系數，兩者的關系滿足等式λ1+λ2=1（本文仿真算例中時取值為0.2 和0.8）。

2 改進的優化算法

本文提出了一種改進的粒子群算法（PSO）來解決上述優化問題。粒子群優化求解過程可被視為：在N 維空間中，將搜索目標看作一個點，稱之為一個粒子，這個粒子在搜索空間中根據本身飛行經驗和同伴的飛行經驗隨時動態調整自己的速度和方向，然后追隨當前的最優粒子尋求最優結果。粒子的優劣程度由適應度函數決定，粒子的適應值則由目標函數決定；粒子還要知道兩個極值，即個體極值和全局最優值[13-14]。個體極值記錄了自己在飛行中經歷的最好位置和當前位置，全局最優值記錄了所有粒子發現的最好位置。在迭代過程中，粒子會不斷更新這兩個極值從而動態的調整自己飛行的速度和方向，解出目標函數的最優解。粒子更新速度及位置的方程可表示為

式（19）和式（20）表示了第i 個粒子第j 維的速度和位置變化規則。速度更新公式中的第1 項表示粒子速度；ω 是用來控制粒子群算法中收斂情況的慣性權重因子；c1、c2表示加速系數以控制一個粒子在一次迭代過程中移動距離，相應地，φ1、φ2是0到1 之間的隨機數；Pi，j（t）參數表示最佳粒子適應度函數值；Gi，j（t）是任何粒子迄今所取得的全局極值。根據公式，在計算出速度和位置之后，新的粒子按照該算法進行下一次迭代。通常，需要設置一定的迭代次數，或者直到結果達到允許的精度再停止迭代。

本文結合微電網成本和排放優化問題的特點在以下兩方面進行了改進。

（1）為了跳出局部極小點，需要提高慣性權重系數，但過大的慣性權重系數會降低系統的收斂性。為了兼顧這兩個目標，本文應用線性方程更新權重系數，即隨著迭代的進行線性地減少權重系數值為

式中：ωmax和ωmin分別為權重系數的初始值和終值；iter為當前迭代次數；itermax為迭代的最大值。

（2）當粒子在種群中的位置與全局最優值重疊時，粒子只有在之前速度及權重系數值不為零的情況下才能成功跳出最優值，否則會造成算法的收斂早熟現象。本文應用新的速度更新方程

式中：ρ（t）（1-2rj（t））從樣本空間隨機生成樣本長度2ρ（t）；ρ 為適應每一次迭代的比例因子，可由下式更新：

式中：# failures 和# successes 為連續失敗或成功數目；sc和fc為可調閾值參數分別設為15 和5。

采用此改進的粒子群算法可快速求得能量管理策略的最優解，以便對各分布式能量源進行實時最佳調度。

3 仿真研究

本文對于改進粒子群算法的參數設置如下：種群大小的初始化是40，迭代的最大數目是300，并且搜索空間維數被設定為6，加速度系數c1=1.496 2，初始慣性權重c2為0.2，終止時為0.9。

圖1 為典型一天的微電網負荷需求曲線。圖2為微電網一天的實時電力交易。在本文提出的能量管理策略下，基于實時的電力交易，微電網中各微電源的最佳功率分派如圖3 和4 所示。總成本優化曲線如圖5 所示。

圖1 典型一天的負荷需求Fig.1 Load demand for a typical day

圖2 實時電力交易曲線Fig.2 Real-time power trade

圖3 PV 和WT 的功率輸出Fig.3 PV and WT power output

圖4 其他分布式能源功率輸出Fig.4 Output power of other distributed recourses

圖5 微電網總優化成本Fig.5 Total optimal cost of the MG

以上結果可以看出，在仿真的一天周期內，可再生能源一直工作在MPPT 模態，即該能量管理策略能最大限度地采用可再生能源供電，因為這些發電單元無燃料成本且零污染排放。當可再生能源供電大于負荷時，可以將剩余功率儲存于儲能單元里；當可再生能源發電低于負荷時，儲能元件放電。在整個仿真時間里，該管理策略保證了FC、DE 和MT 發電單元輸出平穩且盡可能地降低輸出，因為這些發電單元具有相對高的燃料成本和污染排放，而且不平穩的輸出也會較低運行效率。該仿真結果表明：本文提出的能量管理策略在保證可靠負荷供電的前提下，能最大程度地提高經濟和環境效益。

4 結語

本文針對多能源組成的微電網，在實時電力交易下研究其能量管理策略，其目的是提高微電網運行的經濟和環境效益。該研究的創新性工作是：考慮了實時的電力交易，構建了運行成本和污染排放的目標函數；并將其轉換成單目標函數，采用一種改進的粒子群算法對其進行優化。仿真結果表明，該管理策略在負載變化和實時電力交易的情況下通過最佳的功率分派實現了微電網經濟和環境效益的最大化。

[1]王成山，李鵬（Wang Chengshan，Li Peng）.分布式發電、微網與智能配電網的發展與挑戰（Development and challenges of distributed generation，the micro-grid and smart distribution system）[J].電力系統自動化（Automation of Electric Power Systems），2010，34（2）：10-14，23.

[2]張立梅，唐巍，趙云軍，等（Zhang Limei，Tang Wei，Zhao Yunjun，et al）. 分布式發電接入配電網后對系統電壓及損耗的影響分析（Analysis of DG influences on system voltage and losses in distribution network）[J]. 電力 系統保護與控制（Power System Protection and Control），2011，39（5）：91-96，101.

[3]李莉華，李賓皚（Li Lihua，Li Binkai）.微電網技術的研究與應用前景（Microgrid research and application prospects）[J].電力與能源（Power and Energy），2011，32（2）：124-126，130.

[4]胡學浩（Hu Xuehao）.智能電網——未來電網的發展態勢（Smartgrid—adevelopmenttrendoffuture power grid）[J].電網技術（Power System Technology），2009，33（14）：1-5.

[5]楊湛曄，毛建榮，馬紅偉，等（Yang Zhanye，Mao Jianrong，Ma Hongwei，et al）. 微電網多級保護與控制的實現及優化分析（Implementation and optimal analysis for the multi-step protection and control technology in microgrid）[J].電力系統及其自動化學報（Proceedings of the CSU-EPSA），2012，24（2）：137-141.

[6]吳雨，潘文霞，馮蒙霜，等（Wu Yu，Pan Wenxia，Feng Mengshuang，et al）. 基于混合儲能的微電網功率控制策略（Power control strategy for microgrid based on hybrid energy storage system）[J]. 電力系統及其自動化學報（Proceedings of the CSU-EPSA），2013，25（2）：109-114，158.

[7]Lasseter R H，Paigi P. Microgrid：a conceptual solution[C]//IEEE 35th Annual Power Electronics Specialists Conference，Aachen，Germany，2004：4285-4290.

[8]Azmy Ahmed M，Erlich Istvan. Online optimal management of PEM fuel cells using neural networks [J]. IEEE Trans on Power Delivery，2005，20（21）：1051-1058.

[9]言大偉，韋鋼，陳昡姿，等（Yan Dawei，Wei Gang，Chen Xuanzi，et al）.考慮可中斷負荷的微網能量優化（Microgrid energy optimization considering interruptible load）[J].電力系統及其自動化學報（Proceedings of the CSUEPSA），2012，24（1）：88-93.

[10]Mohamed F A，Koivo H N. Online management of microgrid with battery storage using multiobjective optimization[C]//IEEE International Conference on Power Engineering-Energy and Electrical Drives，Setubal，Portugal，2007：231-236.

[11]Eberhart R C，Shi Y. Comparing inertia weights and constriction factors in particle swarm optimization[C]//IEEE Conference on Evolutionary Computation，California，USA，2000：84-88.

[12]Van den Bergh F，Engelbrecht A P. Cooperative learning in neural networks using particle swarm optimizers[J].South African Computer Journal，2000（26）：84-90.

[13]王振華，朱桂萍（Wang Zhenhua，Zhu Guiping）. 并網狀態下微電網中微電源出力優化算法（Optimization of micro-source outpur of a grid-connected micro-grid）[J].中國電力（Electric Power），2012，45（1）：55-58，77.

[14]李娟，楊琳，劉金龍，等（Li Juan，Yang Lin，Liu Jinlong，et al）.基于自適應混沌粒子群優化算法的多目標無功優化（Multi-objective reactive power optimization based on adaptive chaos particle swarm optimization algorithm）[J].電力系統保護與控制（Power System Protection and Control），2011，39（9）：26-31.