商業樓宇型微網的應急能量管理策略

崔儀，劉念，陳奇芳

(新能源電力系統國家重點實驗室(華北電力大學)，北京市102206)

商業樓宇型微網的應急能量管理策略

崔儀，劉念，陳奇芳

(新能源電力系統國家重點實驗室(華北電力大學)，北京市102206)

在配電網停電后，商業樓宇型微網進入孤島運行狀態。為減小停電給用戶帶來的損失、維持停電期間內對重要負荷的供電，針對光儲型商業樓宇微網，提出了考慮計劃停電與非計劃停電2種情況的應急能量管理策略。在計劃停電時，以減小停電損失、維持供電時間為目標建立了優化模型，并引入權重因子以權衡二者的重要程度；為減小預測誤差對結果的影響，提出了滾動優化策略。在非計劃停電時，以優先考慮對重要負荷供電為原則，制定了實時應急方案。通過算例對比分析可知，該策略可有效調節可控負荷投入量，從而實現預期目標。同時，在算例中進行了靈敏度分析，不同的權重因子可靈活調節減小停電損失與維持供電時間在優化目標中的比重。

計劃/非計劃停電；應急能量管理；滾動優化策略；商業樓宇型微網；微網

0 引 言

微網(microgrid，MG)作為解決電力系統眾多問題的一種重要輔助手段，已引起各國科學家的廣泛關注[1-4]。MG是未來智能配電網實現自愈、用戶側互動及需求響應、分布式電源接入電網的有效途徑[5]，極大地改善了用戶與配電系統的供電可靠性，增強了抵御自然災害與應對突發故障的能力[6]。配電網故障時，MG可以與非故障停電區域內的部分負荷組成供電孤島，幫助其盡快恢復供電。同時，MG可以向配電網輸送功率，有利于更多用戶實現網絡恢復重構[7-9]。

目前，對傳統配電網供電恢復策略的研究較多，其主要思路是在確保系統安全運行的條件下，通過網絡重構，快速恢復對非故障區域失電負荷的供電[10]。隨著對MG研究的逐漸深入，將MG作為研宄對象，分析其在配電網故障、非計劃孤島切換后供電恢復中的作用，也已取得一系列的研究成果。文獻[11]提出在MG非計劃孤島切換后，通過分布式電源動態自組，逐步向周邊失電節點恢復供電，最終形成穩定的MG孤島運行。文獻[12]提出了一種混合編程技術來求解直流MG重構問題，從而恢復MG供電、減小停電損失。為在大電網停電后恢復對輻射狀配電系統中重要負荷的供電，文獻[13]提出了一種MG組建計劃。文獻[14]提出了一種利用自治MG來降低線路負荷水平的故障恢復方法，通過增加供電恢復成功率來提高系統的運行可靠性。柴油發電機組具有可靠、穩定、靈活、敏捷等特性，可作為MG的應急備用。尤其在太陽能與儲能發電量不足時，可作為MG的主電源供電[15-16]。然而，現有的研究成果主要針對包含柴油發電機組、光伏(photovoltaic，PV)、儲能系統(energy storage system，ESS)等微源的MG，對一些缺少柴油發電機組的商業樓宇型MG(commercial building microgrid，CBMG)卻鮮有涉及。

本文針對配電網停電情況下含有光儲系統而不含柴油發電機組的CBMG，提出一種考慮計劃停電與非計劃停電2種情況的應急能量管理(emergency energy management，EEM)策略。主要包括包括：(1)在計劃停電時，考慮PV與負荷的波動性，以減小停電損失、維持供電時間為目標建立優化模型，提出滾動優化策略以減少PV預測誤差對結果的影響；引入權重因子以權衡減小損失與維持供電二者的重要程度；在算例中進行對比分析與靈敏度分析；(2)在非計劃停電時，以優先考慮對重要負荷供電為原則，制定實時應急方案，該方案可根據每個時刻PV預測值的大小，動態決策可控負荷投入量；在算例中進行對比分析。

1 CBMG結構及組成

CBMG主要由PV、ESS、電動汽車(electric vehicle，EV)、AC/DC雙向變流器、負荷、MG中央控制器(micro-grid central controller，MGCC)以及底層控制器等構成[17]。ESS可以平滑PV波動，也可以作為應急電源。AC/DC雙向變流器可以實現直流電源與交流電源之間的雙向功率轉換[18]。CBMG中的負荷可分為2種：可控負荷與重要負荷。EV的充電倍率可調，空調、冰箱等溫控類設備的溫度也具有一定的可調性，次要照明設備可根據CBMG的需求及時斷開，在配電網停電后，均可作為可控負荷接受CBMG的統一調節，但調節幅度直接影響用戶的滿意度。CBMG以必要照明設備、控制模塊及部分計算機設備等作為重要負荷，要盡可能地維持其供電時間。底層控制器分為3種：負荷控制器(load controller，LC)、微源控制器(micro-source controller，MC)與EV控制器(EV controller，VC)。CBMG的結構及組成如圖1所示。

圖1 CBMG結構及組成示意圖

CBMG采用分層結構，由MGCC及其所控制的底層控制器構成。MGCC負責監測與協調微源與負荷的運行狀態，是系統的最高管理層，具有協調所有資源的能力。在CBMG并網運行時，MGCC根據上層指令調整CBMG的電壓、頻率運行點；根據上層控制中心發出的模式切換指令，切換CBMG主要電源的控制模式。在CBMG孤島運行時，根據本地負荷水平、PV及ESS的運行狀態，協調CBMG微源的出力，維持CBMG的電壓和頻率水平。底層控制器會定期向MGCC輸送功耗、發電量等信息，MGCC將會篩選和處理這些信息以實現對CBMG的管理[19]。

2 EEM策略

在配電網停電后，CBMG通過EEM策略對可控負荷投入量進行及時調整來減小停電給用戶帶來的損失、維持停電期間對重要負荷的供電。CBMG的能量管理控制框圖如圖2所示[20-21]。

EEM系統的輸入端包含ESS實時運行狀態、可控負荷可投入量、重要負荷實時數據及PV預測值[22]等信息；EEM系統的輸出為EEM策略的優化方案，即可控負荷最優投入量。CBMG孤島運行后，ESS作為主控單元采用U/f控制，可根據PV的出力大小與負荷的接入情況自動調整其充放電功率。圖3是EEM策略的示意圖。

圖2 CBMG的能量管理控制框圖

圖3 EEM策略示意圖

在計劃停電時，EEM策略由優化模型與滾動優化策略構成。含有權重因子的優化模型，其優化目標兼顧減小停電損失與維持供電時間2個方面，約束條件考慮到功率平衡、可控負荷及ESS這3個方面。由于PV具有波動性與隨機性，滾動優化策略[23]可通過不斷更新PV預測值以減小PV預測誤差對結果的影響。

在非計劃停電時，由于停電持續時間未知，且ESS電量有限，應優先考慮對重要負荷的供電，在此基礎上，盡可能地減小停電給用戶帶來的損失。以優先考慮對重要負荷供電為原則的實時應急方案，可根據每個時刻PV預測值的大小，動態決策該時刻可控負荷投入量。

2.1 計劃停電

2.1.1 優化模型

在配電網停電后，EEM策略的優化模型既要考慮減小停電給用戶帶來的損失，又要顧及維持停電期間內對重要負荷的供電，因此在優化目標中引入了權重因子以權衡減小損失、維持供電二者的重要程度。其目標函數可描述為：

min αf(x)+βg(x)

(1)

(2)

(3)

式中：x為列向量，表示可控負荷投入量；f(x)表示可控負荷的相對改變量，f(x)越小，停電期間內可控負荷投入量越接近初始值，停電給用戶帶來的損失越小，并用權重因子α表示其重要性；g(x)表示可供電時長與停電時長的相對差值，g(x)越小，可供電時長越接近停電時長，越可以維持停電期間內對重要負荷的供電，并用權重因子β表示其重要性，權重因子α與β的和為1；i為優化次數；xci是第i次優化時可控負荷的投入量；xc0為停電發生時可控負荷的投入量；En為ESS的額定容量；eSOCi為第i次優化時ESS的荷電狀態(state of charge，SOC)；eSOCmin為ESS的SOC下限值；Psdi為ESS在第i次優化時的放電功率；tb為計劃停電時長；Δt為相鄰2次優化的時間間隔。

在優化過程中，應滿足下述約束條件。

(1)功率平衡的約束。在CBMG切換至孤島運行后，ESS采用U/f控制，為維持系統的功率平衡，ESS的放電功率將滿足式(4)，即

Pvi+Psdi=xci+xcri

(4)

式中：Pvi為第i次優化時PV的預測值；xcri為第i次優化的重要負荷投入量，是一個常數。由于PV預測值存在一定的誤差，在實時應急過程中，若該誤差在ESS的允許調節范圍內，則由ESS平衡；否則，由可控負荷平衡；若可控負荷投入量為0時仍無法平衡，則需切掉部分重要負荷。

(2)可控負荷的約束。可控負荷應在一定范圍內調節，可表示為：

xcmin≤xci≤xcmax

(5)

xcmin=Lcvmin+Lctmin+Lcrmin

(6)

xcmax=Lcvmax+Lctmax+Lcrmax

(7)

式中：xcmin，xcmax為xci的下限與上限；Lcvmin，Lctmin與Lcrmin是可控負荷EV、溫控設備與次要照明設備的功率下限值；Lcvmax，Lctmax與Lcrmax是可控負荷EV、溫控設備與次要照明設備的功率上限值。

(3)ESS的約束。為防止過充過放對ESS造成傷害，ESS的SOC應嚴格地控制在一定的范圍內，可表示為

eSOCmin≤eSOCi≤eSOCmax

(8)

式中eSOCmax為eSOCi的上限值[24]。

在第i次優化時ESS中儲存的能量也應在一定的范圍內，可表示為

(9)

式中eSOC0為SOC的初始值。

此外，ESS的充放電功率也有范圍限制，可表示為：

Pscmin≤Psci≤Pscmax

(10)

Psdmin≤Psdi≤Psdmax

(11)

式中：Psci為第i次優化時ESS的充電功率；Pscmax與Pscmin為ESS充電功率的上下限；Psdmax與Psdmin為ESS放電功率的上下限。

2.1.2 滾動優化策略

滾動優化策略通過不斷更新PV的實時數據及其預測值，以減小預測誤差所帶來的影響。

滾動優化策略的流程圖如圖4所示，具體步驟列于下文。

圖4 滾動優化策略流程圖

(1)獲取初始時刻t=t0時的基礎數據，包括xc0，eSOC0及PV預測值。

(2)設定n′為滾動優化策略執行的次數，T為計劃停電時相鄰2次滾動優化的時間間隔。根據優化模型，獲取停電t=(n′-1)T至t=tb時間段內的可控負荷投入量。

(3)若tb≥n′T，則停電未恢復，在t=(n′-1)T到t=n′T時間段內，按照步驟(2)的結果實施優化方案；若(n′-1)T≤tb

(4)計算ESS的剩余電量，判定在t=t0+T時是否能保證功率平衡，若無法保持平衡，跳出循環。

(5)更新t0值，使得t0=t0+T。

(6)補充PV在t=t0-T到t=t0時間段內的實際出力值以更新PV實時數據，并更新PV預測值。

(7)返回步驟(1)。

2.2 非計劃停電

在非計劃停電時，由于停電持續時間未知，且ESS電量有限，應優先考慮對重要負荷的供電，則須減少可控負荷投入量以使得ESS保留足夠電量。在配電網停電后，根據每個時刻PV預測值的大小制定實時應急方案，動態決策可控負荷投入量，由于ESS采用U/f控制，可自動調節其充放電功率以維持系統功率平衡。

設定在第j個時刻，PV預測值、重要負荷、可控負荷投入量分別為Pvj,xcrj,xcj，可控負荷投入量最大值為xcmax，ESS最大充放電功率為分別為Pscmax,Psdmax。實時應急方案如圖5所示，具體策略如下。

圖5 實時應急方案示意圖

(1)若Pvj≥xcrj+xcmax+Pscmax，則光伏功率過剩，可控負荷全部投入，MGCC限制光伏出力為Pvj=xcrj+xcmax+Pscmax。

(2)若xcrj+Pscmax≤Pvj

(3)若xcrj-Psdmax≤Pvj

(4)若Pvj

3 計劃停電下的算例分析

3.1 參數設置

設定配電網計劃停電1 h，發生在下午15:00—16:00。在CBMG中，PV裝機容量為100 kW，ESS額定容量為50 kW·h。

考慮到重要負荷xcr與可控負荷最大值xcmax存在一定的波動性，xcr在18 kW到42 kW間隨機生成，xcmax在80 kW到112 kW間隨機生成，如圖6所示。其他參數設置如表1所示。

圖6 隨機生成的xcr與xcmax示意圖

3.2 對比分析

為更好地驗證計劃停電下EEM策略的有效性，本文采用了對比分析。當采用傳統策略時，由于計劃停電的停電時長已知，若CBMG的微源出力無法滿足所有負荷的需求，為充分利用ESS的備用能量，可將其在停電期間內予以平均分配以使得ESS在每個時刻的備用作用是相同的，并由式(4)計算可控負荷投入量，則ESS在停電期間的放電功率為

(12)

而EEM策略將根據優化模型與滾動優化策略及時調整可控負荷投入量。由于ESS采用U/f控制，其充放電功率可自動調節。

算例1：采用傳統策略。算例結果如圖7所示。

算例2：采用EEM策略。設定權重因子α為0.9，β為0.1，算例結果如圖8所示。

算例3：采用EEM策略。設定權重因子α為0.1，β為0.9，算例結果如圖9所示。

圖7 傳統策略算例結果(計劃停電)

在算例1中，ESS恒以10 kW的功率放電，若計劃停電發生在更晚的時間，PV出力的減小很可能會出現微源出力不足而無法滿足重要負荷需求的情況，這將給CBMG的可靠運行帶來隱患。此外，傳統策略下可控負荷投入量的方差為12.8，波動較大，可控負荷運行狀態的變化幅度較大，這也在一定程度上影響了設備的使用，降低了用戶滿意度。

圖8 EEM策略算例結果(α=0.9, β=0.1)

圖9 EEM策略算例結果(α=0.1, β=0.9)

而在算例2與算例3中，根據EEM策略決策可控負荷投入量，且ESS的放電功率也不再是恒定值。在停電初期，PV出力值較大，ESS以較小的功率放電，甚至是充電，這將有利于ESS留有更多的電量以維持后期對重要負荷的供電。隨著時間的推移，PV出力值逐漸減小，ESS放電功率的增加不僅可以維持對重要負荷的供電，也有利于更多的可控負荷接入CBMG，從而減小停電給用戶帶來的損失。因此在計劃停電期間，SOC曲線的走勢由緩至陡。此外，在算例2與算例3中，可控負荷投入量的方差分別為7.9和10.7，二者均小于12.8，可見其波動較小。

由算例結果對比分析可知，EEM策略可根據PV與重要負荷的波動情況對可控負荷投入量進行有效的調節。

3.3 靈敏度分析

權重因子α、β分別表示減小損失與維持供電二者的重要程度，權重因子的改變將直接影響優化結果。圖10為α=0.1、β=0.9，α=0.2、β=0.8，α=0.9、β=0.1，3種情況下ESS的SOC變化圖。

圖10 權重因子改變時SOC變化圖

當β較大時，維持對重要負荷的供電較為重要，在停電初期PV出力較大時，應盡量減小ESS放電功率，因此相應的SOC值較大。當α的值增大，減小停電損失的重要性有所提高，因此ESS放電功率增大，SOC相應地減小。由于要維持停電期間內對重要負荷的供電，又要兼顧減小停電損失，應充分利用ESS的備用資源，因此停電結束時，ESS的SOC降至下限值。

圖11與圖12給出了α從0.1增至0.9，β從0.9降至0.1時，相應的f(x)與g(x)的變化情況。權重因子α越大，減小停電損失越重要，用于表征該目標的f(x)的函數值越小。如圖11所示，隨著α的增大，f(x)呈現下降趨勢。而權重因子β越小，越不利于維持負荷供電，用于表征該目標的g(x)的函數值越大。如圖12所示，隨著β的減小，g(x)呈現上升趨勢。

由上述分析可知，不同的權重因子可靈活調節減小損失與維持供電在優化目標中的比重，進而影響停電期間內可控負荷投入量與ESS充放電功率。eSOC0越大，計劃停電時間越短，越有利于維持對重要負荷的供電，此時可令權重因子α取某一較大值。在其他情況下，若用戶對可控負荷的依賴度超過重要負荷的重要程度，如夏季空調溫度不理想，即使系統能夠正常運行也不能為用戶創造良好的工作環境，此時應令權重因子α取較大值，β取較小值；否則，應令權重因子β取較大值，而α取較小值。可根據具體的場景或需求選擇適宜的權重因子。

圖11 權重因子改變時f(x)變化圖

圖12 權重因子改變時g(x)變化圖

4 非計劃停電下的算例分析

4.1 參數設置

設定配電網于下午15:00發生非計劃停電。在15:00至16:00期間，PV出力、重要負荷、可控負荷最大值、ESS充放電功率上下限、PV裝機容量及ESS額定容量均與計劃停電下的算例數據相同。

4.2 對比分析

非計劃停電時，傳統策略的流程圖如圖13所示。與計劃停電時的控制策略不同，由于非計劃停電的停電時長未知，宜盡可能最大限度地讓ESS出力以維持CBMG的可靠運行。圖13中i為決策次數，xcei是第i次決策時可控負荷投入量的預估值。而EEM策略將根據實時應急方案及時調整可控負荷投入量。

圖13 傳統策略流程圖

算例1：采用傳統策略。停電1 h內的算例結果如圖14所示。

圖14 傳統策略算例結果(非計劃停電)

算例2：采用EEM策略，實時應急方案下的算例結果如圖15所示。

在算例1中，由于采用傳統控制策略，ESS在停電前期以較大的功率放電，其SOC下降較快。ESS的備用電量持續減小，且由于停電發生在下午，PV出力將隨光照的減弱呈現下降趨勢，這將不利于CBMG供電時間的延長。此外，約在停電40 min時，便出現部分重要負荷被切除的情況，這將嚴重影響系統的可靠運行。

圖15 EEM策略算例結果(非計劃停電)

而在算例2中，由于采用了實時應急方案，在停電初期PV出力較大時，ESS以較大的功率充電，這將有利于CBMG供電時間的延長。隨著PV出力的減小，可控負荷投入量降為0，ESS放電功率的增加將有效維持對重要負荷的供電。在這60 min內，重要負荷始終全部接入，且在第60 min時，ESS的SOC約為0.7，為接下來重要負荷的供電提供了較為充足的備用電量。

由算例結果對比分析可知，EEM策略可根據PV與重要負荷的波動情況有效調節可控負荷投入量，以維持CBMG的可靠運行。

5 結 論

本文針對配電網停電情況下含有光儲系統而不含柴油發電機組的CBMG，提出了一種考慮計劃停電與非計劃停電2種情況的EEM策略，以減小停電給用戶帶來的損失、維持停電期間內對重要負荷的供電。在計劃停電時，EEM策略由優化模型與滾動優化策略構成。含有權重因子的優化模型，其優化目標兼顧減小停電損失與維持供電時間2個方面，并在算例中進行了靈敏度分析，不同的權重因子可靈活調節二者在優化目標中的比重，從而直接影響可控負荷投入量。滾動優化策略考慮了PV的波動性與隨機性，通過不斷更新PV預測值以減小預測誤差所帶來的影響。在非計劃停電時，由于停電持續時間未知，且ESS電量有限，應優先考慮對重要負荷的供電，并以此為原則制定了實時應急方案，根據每個時刻PV預測值的大小動態決策可控負荷投入量。由計劃停電條件下和非計劃停電條件下的算例對比分析可知，EEM策略可通過有效調節可控負荷投入量來實現預期目標。

[1]魯宗相, 王彩霞, 閔勇, 等. 微電網研究綜述[J]. 電力系統自動化, 2007, 31(19): 100-107. LU Zongxiang, WANG Caixia, MIN Yong, et al. Overview on microgrid research[J]. Automation of Electric Power Systems,2007,31(19):100-107.

[2]解翔, 袁越, 李振杰. 含微電網的新型配電網供電可靠性分析[J]. 電力系統自動化, 2011, 35(9): 67-72. XIE Xiang, YUAN Yue, LI Zhenjie. Reliability analysis of a novel distribution network with micro-grid[J]. Automation of Electric Power Systems,2011,35(9):67-72.

[3]LIU N,TANG Q, ZHANG J, et al. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids[J]. Applied Energy, 2014(129): 336-345.

[4]WANG X, GUERRERO J M, BLAABJERG F, et al. A review of power electronics based microgrids[J]. Journal of Power Electronics, 2012, 12(1): 181-192.

[5]楊新法, 蘇劍, 呂志鵬, 等. 微電網技術綜述[J]. 中國電機工程學報,2014,34(1): 57-70. YANG Xinfa, SU Jian, LYU Zhipeng, et al. Overview on micro-grid technology[J]. Proceedings of the CSEE,2014,34(1): 57-70.

[6]李振杰, 袁越. 智能微網：未來智能配電網新的組織形式[J]. 電力系統自動化, 2009, 33(17): 42-48. LI Zhenjie, YUAN Yue. Smart microgrid: a novel organization form of smart distribution grid in the future[J]. Automation of Electric Power Systems, 2009, 33(17): 42-48.

[7]王兆宇, 艾芊. 基于QPSO與BPSO算法的動態微電網多目標優化自愈[J]. 電網技術, 2012, 36(10): 23-29. WANG Zhaoyu, AI Qian. Multi-objective optimal self-healing of dynamic microgrid based on quantum-based PSO and binary PSO[J]. Power System Technology, 2012, 36(10): 23-29.

[8]JANANI S, MUNIRAJ C. Fuzzy control strategy for microgrids islanded and grid connected operation[C]// 2014 International Conference on Green Computing Communication and Electrical Engineering (ICGCCEE). Coimbatore：IEEE，2014：1-6.

[9]GOUVEIA C, LEAL MOREIRA C, PECAS LOPES J A, et al. Microgrid service restoration: the role of plugged-in electric vehicles[J].Industrial Electronics Magazine, IEEE, 2013, 7(4): 26-41.

[10]王增平, 張麗, 徐玉琴, 等. 含分布式電源的配電網大面積斷電供電恢復策略[J]. 中國電機工程學報, 2010,30(34): 8-14. WANG Zengping, ZHANG Li, XU Yuqin, et al. Service restoration strategy for blackout of distribution system with distributed generators[J]. Proceedings of the CSEE,2010,30(34):8-14.

[11]劉志文, 夏文波, 劉明波. 實現微網供電恢復的分布式電源自組網策略[J]. 電力系統自動化, 2015, 39(9): 192-199. LIU Zhiwen, XIA Wenbo, LIU Mingbo. Distributed generator self-organized network strategy applied to microgrid service restoration[J]. Automation of Electric Power Systems, 2015, 39(9): 192-199.

[12]OU T C, LIN W M, HUANG C H, et al. A hybrid programming for distribution reconfiguration of DC microgrid[C]//2009 IEEE PES/IAS Conference on Sustainable Alternative Energy (SAE). Valencia: IEEE, 2009:1-7.

[13]CHEN C, WANG J, QIU F, et al. Resilient distribution system by microgrids formation after natural disasters[J]. IEEE Transactions on Smart Grid, 2016, 7(2): 958-966.

[14]MOHAGHEGHI S, YANG F. Applications of microgrids in distribution system service restoration[C]//Innovative Smart Grid Technologies (ISGT), 2011 IEEE PES. Hilton Anaheim, CA: IEEE, 2011: 1-7.

[15]郭力, 富曉鵬, 李霞林, 等. 獨立交流微網中電池儲能與柴油發電機的協調控制[J]. 中國電機工程學報, 2012, 32(25): 70-78. GUO Li, FU Xiaopeng, LI Xialin, et al. Coordinated control of battery storage and diesel generators in isolated AC microgrid systems[J]. Proceedings of the CSEE, 2012, 32(25): 70-78.

[16]成思琪, 劉俊勇, 向月, 等. 微網中混儲/柴協調運行策略研究[J]. 電力系統保護與控制, 2015, 43(7): 42-50. CHENG Siqi, LIU Junyong, XIANG Yue, et al. Research on optimal coordinated operation for microgrid with hybrid energy storage and diesel generator[J]. Power System Protection and Control, 2015, 43(7): 42-50.

[17]LOPES J A P, POLENZ S A, MOREIRA C L, et al. Identification of control and management strategies for LV unbalanced microgrids with plugged-in electric vehicles[J]. Electric Power Systems Research, 2010, 80(8): 898-906.

[18]LIU N, CHEN Q, LU X, et al. A charging strategy for pv-based battery switch stations considering service availability and self-consumption of PV energy[J]. IEEE Transactions on Industrial Electronics, 2015, 62(8): 4878-4889.

[19]GOUVEIA C, MOREIRA J, MOREIRA C L, et al. Pe?as lopes, coordinating storage and demand response for microgrid emergency operation[J]. IEEE Transactions on Smart Grid,2013,4(4):1898-1908.

[20]MALYSZ P, SIROUSPOUR S, EMADI A. An optimal energy storage control strategy for grid-connected microgrids[J]. IEEE Transactions on Smart Grid,2014,5(4):1785-1796.

[21]MA L, LIU N, WANG L, et al. Multi-party energy management for smart building cluster with PV systems using automatic demand response[J]. Energy and Buildings, 2016(121): 11-21.

[22]劉念, 張清鑫, 李小芳. 基于核函數極限學習機的分布式光伏短期功率預測[J]. 農業工程學報, 2014, 30(4): 152-159. LIU Nian, ZHANG Qingxin, LI Xiaofang. Distributed photovoltaic short-term power output forecasting based on extreme learning machine with kernel[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(4): 152-159.

[23]PALMA-BEHNKE R, BENAVIDES C, LANAS F, et al. A microgrid energy management system based on the rolling horizon strategy[J]. IEEE Transactions on Smart Grid, 2013, 4(2): 996-1006.

[24]譚興國, 王輝, 張黎, 等. 微電網復合儲能多目標優化配置方法及評價指標[J]. 電力系統自動化, 2014, 38(8): 7-14. TAN Xingguo, WANG Hui, ZHANG Li, et al. Multi-objective optimization of hybrid energy storage and assessment indices in microgrid[J]. Automation of Electric Power Systems, 2014, 38(8): 7-14.

(編輯 張媛媛)

Emergency Energy Management Strategy for Commercial Building Microgrid

CUI Yi, LIU Nian, CHEN Qifang

(State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Beijing 102206, China)

When there is a power failure in distribution network, commercial building microgrid can be operated autonomously. In order to reduce the users’ loss caused by power outage and preserve the power supply of important loads during blackout, this paper presents a novel emergency energy management strategy for commercial building microgrid with photovoltaic-battery system, where planned and unplanned outages are both taken into account. When the outage is planned, an optimization model is established, aiming to reduce outage loss and preserve power, and weighting factors are introduced to weigh the importance of reducing loss and preserving power. Rolling optimization strategy is proposed to reduce the prediction errors on the result. When the outage is unplanned, a real-time emergency program is established, following the principle of giving priority to preserve the power supply of important loads. Comprehensive results obtained from comparison simulations show that the proposed strategy is efficacious in adjusting the input of controllable loads to reach the desired goals. Additionally, sensitivity analysis is carried out in case study section, and different weighting factors will flexibly adjust the importance of reducing outage loss and preserving power in the optimization goal.

planned/unplanned outage; emergency energy management; rolling optimization strategy; commercial building microgrid; microgrid

國家高技術研究發展計劃項目(863計劃) (2014AA052001)

TM 76

A

1000-7229(2016)10-0024-09

10.3969/j.issn.1000-7229.2016.10.004

2016-06-28

崔儀(1992)，女，碩士研究生，研究方向為微電網能量管理；

劉念(1981)，男，博士，副教授，主要研究方向為新能源與智能配用電系統、電力系統信息安全等；

陳奇芳(1986)，男，博士研究生，研究方向為智能配用電與微電網、電動汽車。

Project supported by the National High Technology Research and Development of China (863 Program) (2014AA052001)