基于虛擬儲能的直流微電網源荷儲多時間尺度能量優化與分區協調控制

張祥宇 舒一楠 付 媛

基于虛擬儲能的直流微電網源荷儲多時間尺度能量優化與分區協調控制

張祥宇 舒一楠 付 媛

（新能源電力系統國家重點實驗室（華北電力大學） 保定 071003）

直流微電網內的源荷儲采取虛擬儲能形式易于通過多時間尺度能量優化及協調控制提升系統的運行性能。首先通過風電及可控負荷模擬電容儲能充放電特性，構建含多靈活性資源的虛擬儲能系統模型，并將其集成于直流微電網優化調度模型中，利用虛擬儲能系統的充放電管理，完成系統經濟調控；其次，為應對非計劃性波動功率，引入雙層調度模型，以保障經濟運行的上層能量優化為基礎，提出基于虛擬儲能的源荷儲短時分區協調控制技術，提升微電網運行的可靠性；最后，通過仿真驗證了虛擬儲能可充分激發直流微電網內源荷儲在多時間尺度下的協同調節潛力，改善系統運行的經濟性和安全性。

虛擬儲能 靈活性資源 超級電容 能量管理 協調控制

0 引言

在直流微電網中，分布式電源、可控負荷及儲能均具有參與系統功率調節的控制潛力[1-3]。目前，微電網中關于源荷儲優化調度策略中，可控設備的運行參數各不相同，導致調用相對孤立，集控管理單元缺乏對系統狀態的整體感知，靈活性和協調性仍顯不足。源荷儲協同控制在應對新能源出力波動、可控設備運行工況多變的實際場景時，難以有效整合系統資源，優化多元功率調節。因此，高效利用可控資源及快速準確的源儲荷協調控制，將是直流微電網提升安全經濟運行水平的關鍵。

目前，微電網重點關注源荷儲側可調資源的合理配置和充分利用，提升系統的運行靈活性[4-6]。文獻[7-9]針對源荷儲資源不匹配問題，建立了電源側、需求響應負荷側與儲能側的協調管理模型。在源儲荷協調控制中，雖引入需求響應資源聯合優化，但可控資源運行模式各自獨立，缺乏統一調度措施，未全面評估多類可控資源的協同優化效益。為解決這一問題，虛擬儲能技術將可控設備虛擬為儲能形式，具有大幅簡化源儲荷聯合運行方式的潛力。已有虛擬儲能相關研究多以可控負荷為控制對象，通過負荷側能量管理，模擬儲能的充放電特性。文獻[10]建立的虛擬儲能模型用于管理熱能輸送過程中熱源至用戶的傳輸延時及儲熱特性，實現了熱能跨時段轉移，并降低了系統運行成本，但在調度模型中并未考慮負荷調節后的收益折損。文獻[11-13]基于溫控負荷建立了虛擬儲能模型，通過模擬儲能充放電特性管理其儲冷蓄熱過程，有利于節省樓宇微電網運行成本，但溫控負荷因受容量、人體舒適度、季節溫差等約束，尚未在微電網調度中發揮出調節能力。海水淡化作為可控負荷，具有較快的響應速度，文獻[14]將海水淡化負荷虛擬為超級電容，建立了源荷儲資源規劃模型，但調度中負荷類型單一，且風機未能參與功率調節。為進一步挖掘虛擬儲能潛力，文獻[15-17]中的電動汽車和溫控負荷均以虛擬儲能形式參與系統調度，但由于電-熱負荷調控參數不同，兩者間的功率協調配合仍有完善空間。已有的虛擬儲能協同優化方法中，源荷儲資源尚未形成統一的能量調控和設備狀態監測的參數，難以整合多類信息，完成多元功率調節優化，所以源荷儲資源規劃和運行可靠性有待深入探討。

微電網高占比接入分布式電源后，隨機性功率波動概率增加，儲能裝置完全承擔功率調節任務將顯著增加其運行維護成本，故評估各類可控資源的可調節功率裕度將是應對擾動，保障系統短期安全運行的關鍵[18-19]。文獻[20-21]針對直流電網短期功率調節，提出了基于直流電壓下垂的分層控制策略，各端換流器可根據直流電壓偏差參與系統功率調節，但可控負荷僅通過投切與源荷配合，無法實現連續動態響應，且難以在長時間尺度下完成全局能量優化管理。盡管文獻[22-24]提出了微電網多時間尺度能量管理方法，可以一次性發布日前和日內階段所有設備的控制指令，但由于缺少適于感知可控設備供用電量及運行狀態的可控參數，所以控制系統目前應對突發擾動的能力仍顯不足。綜上所述，虛擬儲能技術雖然為整合微電網內可控資源提供了可行方案，但仍需建立便于源荷儲統一調度的控制模型。并且多時間尺度的能量優化與協調控制亟待完善，使可控設備通過虛擬儲能形式釋放其控制潛力，適應微電網多變的運行方式，同時有效提升系統的經濟性和安全性。

為整體優化直流微電網中的源荷儲可控資源，本文提出通過源荷儲虛擬儲能系統完成微電網多時間尺度下的能量優化與多源協調控制策略。首先，建立虛擬儲能模型，并提出分層互動的雙層調度框架；其次，建立以最大化微電網靈活性資源調節收益為目標的經濟模型，并提出以虛擬電容值為統一調控參數、以虛擬荷電狀態為系統狀態評估指標的日前經濟調度策略；然后，將虛擬荷電狀態融入直流微電網分層控制之中，提出了含虛擬儲能的分區協調控制模式，提升系統應對功率擾動時的短期運行安全性；最后，通過算例對比驗證所提策略對系統全局優化及源荷儲靈活互動的提升作用。

1 含虛擬儲能直流微電網的管理框架及模型

1.1 微電網系統組成與調度框架

引入虛擬儲能后，直流微電網內的可控微源及負荷均采用儲能形式參與系統功率調節。系統內包括混合儲能系統、虛擬儲能系統以及通信鏈路。其中，混合儲能系統包括超級電容器和蓄電池；虛擬儲能系統包含多種靈活性可控資源，如具有調節潛力的海水淡化負荷、風電機組及電動汽車。

為高效執行多時間尺度優化調度方案，本文設計了分層互動的雙層調度框架，使微電網系統作為一個可控單元接受管理，具體框架模式如圖1所示。

圖1 基于虛擬儲能的雙層能量調度框架

上層優化：上層能量管理體系建立在控制規則的基礎上，主要功能是負責全系統能量優化以及運行方式優化。上層能量管理是基于全局優化算法求解得到最優調度策略，由于求解所需信息量大且求解過程復雜，所以需要長時間尺度下的集中控制。

下層控制：下層協調控制主要功能是在保證系統安全性的前提下協調可控設備做出短時響應。為了消除非計劃瞬時功率波動，需要制定完善的分區控制模式來實現實時協調控制方案。

靈活性資源是針對系統出力不確定性與波動性而做出調節響應的設施。將合理調用源荷儲側靈活性資源的過程模擬類似于儲能充放電過程，引入虛擬儲能系統。本文提出一種融合虛擬儲能系統的調度策略，統一以虛擬電容值作為可控設備的調控參數，以虛擬荷電狀態為可控設備的功率狀態評估指標，有效對虛擬儲能設備集中管理并提高集控單元對系統狀態的感知能力。由于海水負荷、風機的轉子轉速響應較快，直接控制電機工作狀態實現對其調節特性的管理。電動汽車用電價策略引導用戶有選擇性地改變能源消費方式，在跨時段轉移負荷方面發揮儲能特性，體現電動汽車作為虛擬儲能的雙向調節靈活性。

1.2 虛擬儲能建模

本文所提虛擬儲能的電容值和荷電狀態不僅可以用于可控設備的運行狀態約束，更為重要的是可將其應用于微電網優化運行之中，通過統一的虛擬儲能參數監測，使系統運行整體規劃、經濟性及安全性評估得以顯著簡化。

1.2.1 海水淡化可控負荷

海水淡化作為高耗能負荷，適于搭配分布式電源受電，并且具備典型的變頻調速性能。以可變頻調速的異步電動機模擬海水淡化機組的負荷特性，以電動機轉速變化對應的旋轉動能改變模擬儲能充放電調節能力，建立電動機機械功率與電容充放電功率間的能量關系為

式中，r為轉子存儲的旋轉動能；s、r、n分別為電動機的轉子轉動慣量、電角速度和極對數；dc為直流母線電壓。

為構建虛擬電容模型，引入表示虛擬儲能配置容量的參數l、虛擬電容能量狀態的參數SOCl。

式中，rn為異步電機額定電角速度；rn為額定轉速對應的轉子動能；* r為異步電動機電角速度參考值，Δdc為電壓二次方的變化量。

1.2.2 變速風力發電機組

以永磁直驅同步發電機為例，建立風機轉子轉速與風能捕獲機械功率間的關系[25]，得到發電機轉子旋轉動能與超級電容儲能間的能量轉換為

式中，g為發電機的電角速度；g為風機轉子動能；opt為機組的最大功率曲線系數，此時機組運行在該風速下的最大功率點上，實現該時刻最大風能的捕獲；m為捕獲的機械功率。

為確保能量管理層面實時觀測風機虛擬儲能投入容量、檢測風機運行狀態與安全運行范圍，以整體上便于數據采集和合理規劃為原則，將分布式能源也作為虛擬儲能進行源荷儲聯合管理。由式（3）可得風機虛擬電容值g及其虛擬荷電狀態SOCg為

式中，* g為風機轉子的角速度參考值；gn為風機轉子的角速度額定值；gn為額定轉速下轉子動能。

1.2.3 電動汽車

電動汽車具有負荷和儲能的雙重特性，是可移動的電力負荷。在電價引導等政策下，電動汽車在滿足車主使用習慣前提下對其充放電進行集中控制，但電動汽車控制模式往往局限于投入或切除，無法實現與儲能間的動態連續配合，且電動汽車調控參數與儲能運行參數有所區別，其能量儲備和運行狀態無法以儲能形態實時觀測。以虛擬電容值控制電動汽車參與調節的虛擬儲能容量，利于從整體層面制定最優儲能配置策略，確保連續性調控優勢。

假設每輛電動汽車均以常規慢速方式進行充放電。電動汽車日行駛里程、電動汽車最后一次出行返程時間b均近似服從對數正態分布[26]，其概率密度函數分別表示為

式中，s為電動汽車日行駛里程期望，s=3.2；s為電動汽車日行駛里程方差，s=0.88；b為電動汽車最后一次出行返程時間期望，b=17.6；b為電動汽車最后一次出行返程時間方差，b=3.4。

由式（6）可得電動汽車最后一次返程時刻b，對比分析第輛電動汽車出行返程時刻b()與原始負荷早高峰起始時刻ms、原始負荷晚高峰起始時刻ns，合理安排電動汽車起始充電時刻cs()和起始放電時刻dcs()，即電動汽車充放電起始時刻需滿足

為保證電動汽車剩余電量足夠滿足用戶正常出行且不超過電動汽車電池的最大放電深度，需要根據電動汽車電池使用情況約束其放電持續時間以及放電量。將最大放電持續時間dc()、最大放電電量dc()表示為

依據電動汽車有序充放電調度流程如附圖2所示，可求得時刻電動汽車有序充放電負荷ev()。電動汽車負荷的虛擬電容值e()、虛擬荷電狀態SOCe()可表示為

式中，SOCo為電動汽車初始荷電狀態；ev為電動汽車總充放電功率；v為電動汽車電池的充放電效率，取0.8[26]。

2 基于多時間尺度的虛擬儲能調度模式

2.1 上層能量管理：日前經濟調度模式

日前經濟調度模式旨在通過能量管理系統與儲能信息的傳遞和互動，模擬多類型靈活性資源調節過程建立的聯合虛擬儲能能量管理模型，以實現各主體的供用能設備的優化配置。為響應因生產作息以及晝夜變化而產生的波動幅度大、發展周期長的負荷變化和新能源出力變化，可以在負荷預測和分布式發電預測數據的基礎上，依據最優算法求解日內各調度時段負荷功率、混合儲能系統出力和虛擬儲能系統出力預測數據。綜合考慮可控設備技術特性、日前市場電價等信息，以最大化微電網經濟性收益為目標得到長時間尺度下的全局優化調度方案。

2.1.1 目標函數

式中，l為系統產水收益；v為電動汽車充放電收益；g為調風成本；om g和bess分別為風機和混合儲能設備的運行和維護成本；ev為支付給電動汽車用戶的調峰成本。

1）虛擬儲能目標及狀態

式中，t()為時段微電網與用戶交互電價；ev()為時段參與虛擬儲能的電動汽車總充放電功率，購電為正，售電為負；l為產水收益部分中每噸淡水單價。虛擬儲能收益由電動汽車充放電收益和產水收益兩部分構成，式（11）中電動汽車收益部分考慮參與虛擬儲能的輛電動汽車總充放電量。

依據文獻[14]，已知海水淡化負荷功率L()，可擬合出時刻產水流量()。建立可控負荷收益與虛擬儲能間的函數關系，表達式為

根據式（2），虛擬儲能依據能量管理系統下達的儲能最優配置指令調節其虛擬電容值，改變異步電機電角速度r()，使海水淡化負荷表現出類似可變電容的超級電容器能量調節特性。同時觀測調節過程中虛擬荷電狀態變化，可直接反映海水淡化機組運行狀態。

虛擬儲能相關成本由風機運行和維護成本、風機虛擬儲能調風成本和電動汽車用戶參與調峰成本三部分組成。依照最優儲能配置策略，風機虛擬儲能投入預測電容值實現對風機轉速的調控，風機虛擬荷電狀態表示風機運行狀態的評估指標。以儲能形式實現對靈活性資源統一優化管理和狀態觀測，提高系統管理模式整體性和靈活性。

式中，wo、w分別為虛擬儲能參與調風前后的風電出力；g為調風系數；w為風機運行和維護成本系數；ev為單位放電量的電動汽車上網補貼電價；dc ev為參與有序充放電調度的電動汽車總放電量。

2）混合儲能目標及狀態

混合儲能綜合成本bess由兩部分組成：第一項為混合儲能運行和維護成本om bess；第二項為蓄電池壽命折損B。

式中，bess為混合儲能單位電量的運行和維護成本；c bess、dc bess分別為混合儲能設備的充、放電功率；B為蓄電池剩余容量，可表示其壽命折損；Bn為蓄電池的額定容量；b為蓄電池總投資成本；為蓄電池線性老化系數；SOHmin為蓄電池壽命終止時的健康狀態值，取值0.8[14]；c B、dc B分別為蓄電池組的充、放電功率；c、dc分別為蓄電池組的充、放電效率。

2.1.2 約束條件

1）功率狀態約束

2）儲能狀態約束

式中，SOCB()為蓄電池荷電狀態；SOCC為超級電容荷電狀態；SOCe為可控負荷虛擬荷電狀態；SOCg為風機虛擬荷電狀態。

2.2 下層協調控制：實時運行控制模式

2.2.1 分區控制模式切換

實時分區運行是針對非計劃性短時功率波動而提出的協調控制策略，可以很好地適應微源和負荷出力多變的特點，具有很高的靈活性[27]。當新能源出力與日前能量管理目標不匹配時，采用完善的分區模式切換實現協調控制，兼顧各類儲能設備狀態觀測，以保證微電網安全前提下通過短時響應控制設備運行。下層協調控制根據各儲能裝置的荷電狀態切換控制模式，修正實際運行狀態與全局優化控制的理想優化運行狀態偏差，實現全局優化運行點鄰域內的協調控制。

反復充放電會影響儲能電池的使用壽命，而虛擬儲能的構成可彌補電池上述不足。綜合虛擬儲能響應速度、儲能電池特性和經濟性等方面，通過設置荷電狀態臨界值制定各類儲能元件投入優先級規則，將直流微電網分為六種不同的運行調度模式。獨立運行的微電網實時分區運行控制策略流程如圖2所示。

圖2 分區運行控制模式切換流程

（1）經濟調度。當母線電壓標幺值位于安全范圍，即0.95≤Δdc≤1.05時，微電網內部負荷由可控型靈活資源和混合儲能裝置按照優化結果供給。此區域控制模式下，協調控制器將局部實時信息更新至能量管理系統進行存儲和監視，基于實時運行信息，并結合各類預測信息，有利于返回上層能量管理模式完成全局優化算法，進一步下發控制指令給協調控制器。

（2）超級電容充放電區。當母線電壓不滿足安全運行范圍條件，且超級電容器的荷電狀態位于SOCremin≤SOCCP≤SOCremax區間時，系統優先運行于超級電容充放電區。此時超級電容器功率調節能力充分，保證滿足平衡功率波動所需裕量。

（3）可控負荷虛擬儲能充放電區。當超級電容器達到其調節限值時，由于異步電機轉子響應速度快，優先引入可控海水負荷作為虛擬儲能配合超級電容器參與系統功率調節?？刂茀^間內SOCCP達到SOCremax=65%時可控負荷虛擬儲能進入虛擬儲能充電區，SOCl為100%時退出運行；SOCCP達到SOCremin=35%進入虛擬儲能放電區，運行下限對應風機最小轉速時的SOCl限值。

（4）電動汽車充放電區。由于異步電機轉速有其最優的可調范圍，超過此范圍引入電動汽車儲能參與調節。假定所有電動汽車用戶理智用電并對電價敏感，且電動汽車通過智能裝置接入微電網時服從調度管理且功率實時可調。設置SOCCP達到SOCset lmax=70%上限或SOCset lmin=30%下限時投入電動汽車分擔部分可控負荷調節負擔。聯合多類虛擬儲能參與平衡功率波動，可延長各設備調節裕量，協調多靈活性資源的規劃利用。

（5）風機虛擬儲能充放電區。若新能源或負荷波動率顯著增大，系統靈活性需求激增，為分擔電動汽車充放電壓力，引入風機虛擬儲能控制?？刂茀^間為SOCCP=SOCset emax=75%時進入風機虛擬儲能充電區，達到SOCset emin=25%時進入風機虛擬儲能放電區。

（6）蓄電池充放電區。兼顧經濟型和靈活性需求，最后投入蓄電池充放電?？刂茀^間SOCCP=SOCset gmax=80%時進入蓄電池充電區，下達SOCset gmin=20%時進入放電區，風功率和負荷功率維持極限功率。若達到蓄電池功率調節限區，采取棄風或切負荷措施。

僅以直流電壓偏差作為監測信號的微電網傳統分層控制，無法充分兼顧新能源間歇性出力與系統功率調控的融合問題。將虛擬荷電狀態分區融入已有分層控制后，可以實時監測各類可控設備的荷電狀態，實現控制模式間的主動切換，統籌管理各類虛擬儲能的調配順序，以適應實際工況。

2.2.2 含虛擬儲能協調控制技術

分區運行模式切換所依據的協調控制策略如圖3所示。超級電容器換流器采用下垂控制并入微電網，下垂特性公式見附錄式（A1）；風機采用最大功率點跟蹤控制捕獲最大風功率；蓄電池充放電區內蓄電池動作并采用直流電壓下垂控制見附錄式（A2）；電動汽車虛擬儲能參與調節時，其控制器采用直流電壓下垂控制見附錄式（A3）；可控負荷虛擬儲能充放電區內引入可控負荷虛擬儲能協調控制技術；風機虛擬儲能充放電區內引入風機虛擬儲能控制技術。

圖3 協調控制結構圖

設定虛擬儲能電容值vir和超級電容器電容值存在如下關系：

式中，vir為虛擬電容放大倍數。

在容值恒定且忽略內阻影響的條件下，超級電容器的端電壓與其荷電狀態關系為

式中，為超級電容器端電壓；Umax、Umin分別為超級電容器工作電壓的上、下限值。

假設超級電容器從0～1時刻吸收能量為

式中，U(0)、U(1)分別為0和1時刻超級電容器端電壓。依據式（22）可知，在SOCCP越過超級電容器可調節限值SOCres后，若虛擬儲能參與調節使

SOCCP重新達到設定值SOCset，需要吸收的能量為

結合式（2）、式（24）可得可控海水負荷的電角速度參考值為

結合式（4）、式（24）得風力發電機的電角速度參考值為

針對風機虛擬儲能，當系統功率過剩時，電壓上升導致虛擬電容值改變，轉速參考值降低，風機減速運行。當功率不足導致電壓跌落時，風機在最大功率跟蹤控制下運行在風速上限，無法進一步提高風功率，因此低風速時風機不啟動虛擬儲能控制。

通過超級電容器電容值和虛擬電容放大倍數確定虛擬電容值，分別代入式（25）、式（26）式求出* r、* g參考值，可調節異步電機和風機功率，實現海水負荷和風機虛擬儲能平衡功率波動的目的。依據式（2）、式（4）電機電角速度的變化趨勢可以直接反映到虛擬荷電狀態上，實現對虛擬儲能運行狀態的評估。

變頻異步電動機轉子轉速在700～1 500r/min時運行于最優運行狀態。為量化協調控制時負荷可調范圍，設定海水負荷虛擬荷電狀態在21.78%～100%時正常參與調控。關于風電機組，當風機轉子轉速降至額定轉速的40%退出虛擬儲能控制，即風機最優轉速范圍為300～750r/min，對應的當風機虛擬荷電狀態處于16%～100%參與虛擬儲能。

3 算例分析

3.1 基礎數據

本文仿真算例采取如附圖1所示的直流微電網系統拓撲結構，系統主要參數見附表1。設定風機單位電量運行和維護成本為29.6元/(MW·h)[25]，調風系數為350元/(MW·h）[28]，混合儲能單位電量的運行和維護成本為9元/(MW·h)[26]，蓄電池線性老化系數為3.1×10-4，單位放電量的電動汽車上網補貼電價為420元/(MW·h)[29]。仿真中用到的日前功率預測曲線[30]和日分時電價[31]分別如圖4和圖5所示。

3.2 能量優化結果分析

當電動汽車參與虛擬儲能時，電動汽車服從負荷級調度策略，此時調度對象為電動汽車群。依據用戶行駛習慣對電動汽車集中有序管理，在保證電網經濟性指標前提下起到對原始負荷“削峰填谷”的作用[32-33]。將經負荷級優化后的微電網負荷引入目標函數，運用粒子群算法對經濟模型進行求解，典型日各時段經濟優化調度結果如圖6所示。

圖4 典型工作日功率預測曲線

圖5 分時電價

圖6 不同場景下的經濟優化方案

可控設備運行參數不同，導致儲能間無法統一調用管理，缺乏對系統狀態的整體感知。以圖7中各時刻虛擬電容值為統一調控參數、以圖8中各儲能設備荷電狀態為系統狀態評估指標，實現源荷儲資源靈活互動和協同互補。

圖7 虛擬儲能電容值

圖8 儲能荷電狀態

在不考慮虛擬儲能場景下，2:00～6:00時刻負荷功率較為平穩，以超級電容器充放電為主，蓄電池小范圍內輔助調節，保證滿足儲能裝置平衡功率波動所需裕量；8:00～16:00風能出力減小導致超級電容達到其放電閾值，蓄電池加大出力，補充功率缺額；17:00后負荷功率增幅加大，且電動汽車用戶無序充電導致“峰上加峰”，加重系統調節負擔，蓄電池頻繁放電，電池老化成本大幅增加。實行無虛擬儲能場景下的日調度方案后蓄電池荷電狀態降至10%以下，對電池健康造成嚴重危害，同時8:00后超級電容器不再參與調節，無法充分發揮其調節潛力。

考慮虛擬儲能參與微電網調度可以有效解決上述問題，優化結果以虛擬儲能電容值為預測參考值，調控虛擬儲能充放電功率。2:00～6:00依據電價激勵策略投入虛擬電容值逐步增大的電動汽車虛擬儲能，合理消納夜間冗余風功率。4:00時海水負荷虛擬荷電狀態達上限，海水淡化機組退出虛擬儲能控制，風機虛擬儲能減小吸收風功率，風機虛擬電容值增加12.66F；8:00～16:00可控負荷以較高虛擬電容值投入，起主要調節作用，同時觀測其虛擬荷電狀態變化穩定，此時蓄電池荷電狀態始終維持在53%，大幅減小電池壽命成本；17:00后閑置電動汽車放電供給負荷，負值虛擬電容值可直接抵消部分蓄電池調節容量。此時段可觀測各儲能狀態始終未超越調節閾值，微電網仍具備虛擬儲能協同調控優勢。協同虛擬儲能的日調度場景下，蓄電池荷電狀態僅衰減了24%，且超級電容器始終參與調節，利于儲能間的長期配合。

3.3 協調控制結果分析

實時協調控制模式中電動汽車服從源荷級調度，調度對象為可參與調度的電動汽車群，此時電動汽車發揮其儲能作用，輔助增強微電網安全可靠性。

當風速突變時，采用協調控制策略使微電網各儲能系統自動分攤吸納系統瞬時功率波動，仿真周期為60s。以風速突增，儲能系統充電為例，考慮虛擬儲能和不考慮虛擬儲能出力場景下的源荷儲動態響應如圖9所示。

圖9 不同場景下的儲能充電動態響應

當不投入虛擬儲能時，超級電容可以維持在其工作區間平衡功率波動。但隨著風速進一步攀升，27.86s時超級電容達到其調節上限而停止動作，蓄電池承擔起維持功率平衡主要任務，大幅增加傳統儲能配置容量。在虛擬儲能分區控制策略下，在8.29s時SOCCP充電至65%，此時可控負荷以10F的虛擬電容值投入虛擬儲能，緩沖風功率突增對微電網安全的沖擊。19.44s時SOCCP達到70%，電動汽車虛擬儲能投入分擔可控負荷調節壓力。19.73s后可控負荷虛擬儲能的荷電狀態到達100%，維持其充電功率于極限狀態，此時電動汽車其主要調節作用。由于電動汽車對電網放電需要考慮對用戶的影響，所以需合理限制充放電功率[29]，設置電動汽車最大充放電功率為3MW，避免電池荷電狀態快速達到限值。39.6s后風速逐步降低，但總體上仍處于平均風速之上，仍需儲能系統平抑風能余量，55.2s時SOCCP充電至75%，風機以6.7F的虛擬電容值投入，雖使風功率降低0.42MW，但虛擬儲能的協調控制投入維持了母線電壓的穩定性，有利于提高微電網安全性。

3.4 系統經濟與安全運行分析

直流母線電壓是反映微電網運行安全性的主要指標，協調控制策略對于提高系統安全可靠性有成效，體現在功率突變情況下，若檢測到直流母線電壓不在其安全范圍內，即母線電壓變化量Δdc≥1.05或Δdc≤0.95，虛擬儲能按照優先級順序依次投入維持功率供需平衡，快速響應使電壓恢復安全運行范圍。以3.3.1節中協調控制下的儲能充電仿真場景為例，直流母線電壓變化量仿真結果如圖10所示。由于超級電容調節能力的限制，在5.42s后無法緩沖風功率突增對系統的沖擊，電壓超過安全上限，若無虛擬儲能參與調節，電壓會隨著風速的增加而劇烈波動，難以保證系統安全可靠運行。投入虛擬儲能后，8.29～19.44s可控負荷虛擬儲能發揮明顯作用，19.44s后電動汽車與可控負荷協調工作，避免風速進一步升高導致電壓越限，虛擬儲能的配合控制使電壓恢復至安全運行范圍，顯著減小電壓越限時間。

圖10 直流母線電壓變化量仿真結果

為驗證虛擬儲能可帶來經濟效益，本文對比分析了含虛擬儲能和無虛擬儲能兩種場景下的微電網綜合成本和收益。微電網凈收益和綜合成本對比曲線如圖11所示。對比分析得出虛擬儲能系統的融入使微電網綜合成本降低67.33%，充分補償了虛擬儲能導致的收益差額。引入虛擬儲能系統為微電網帶來的凈收益為不投入虛擬儲能的2.8倍。分析表明，盡管有虛擬儲能參與的負荷收益會因其配合傳統儲能充放電而減小，但微電網運行綜合成本可大幅降低，所以微電網凈收益仍具優勢。綜上所述，含多靈活性資源的虛擬儲能系統的應用綜合提升了微電網經濟潛力。

圖11 微電網凈收益和綜合成本仿真結果

4 結論

本文為直流微電網內的可控源儲荷設計了上層能量優化和下層協調控制的雙層管理方法，并提出了基于虛擬儲能的多時間尺度源荷儲協調控制策略，使供、需兩側資源得以整合，提升了系統調控的互動靈活性。所得結論如下：

1）以虛擬電容形式將具備可控性的負荷、風機和電動汽車構建為虛擬儲能系統，使直流微電網能夠將虛擬電容值作為統一調控參數，以虛擬荷電狀態作為系統運行評估指標，便于整體規劃系統內的可控資源儲備及安全調用范圍。

2）直流微電網在所提雙層管理模式下，供需側各類可控資源的能量儲備通過多時間尺度配合，不僅監測更加直觀，且資源調度的協調性和靈活性均得到了顯著提升。在所提上層控制中，通過虛擬電容值不僅可以評估可控設備的調節潛力，并且便于統一調用能量儲備，使優化運行得以簡化，顯著降低系統運行成本。

3）引入虛擬儲能后，直流微電網在電壓分層控制基礎上，通過監測虛擬荷電狀態，可進一步融入所提分區協調控制，短時調用源儲荷的能量儲備應對非計劃性擾動。測試結果表明在所提下層運行控制策略中，依據虛擬儲能運行區域劃分，源荷儲快速控制潛力可以得到充分發揮，不僅有效地避免了電池過度充放電，而且保障了系統運行安全性。

附 錄

附表1 仿真系統參數

App.Tab.1 Power parameters of the simulation system

元件參數 風力發電單元PN=30MWωrn=750rad/minSOCg: 16%～100% 超級電容器C=103F, UCN=300kV 蓄電池Qrn=104A·h,UbatN=120kVηc=ηdc=0.8SOCB: 20%～80% 海水負荷ωrn=1 500rad/min, ωrmin=700rad/minSOCl: 22%～100% 電動汽車N=500, PC=1.8MW, C=24MWTms=7, Tns=17SOCe: 30%～90% 分區荷電狀態(SOCremin,SOCremax)=35%～65%(SOCset lmin,SOCset lmax)=30%～70%(SOCset emin,SOCset emax)=25%～75%(SOCset gmin,SOCset gmax)=20%～80%

附圖1 微電網系統拓撲結構圖

App.Fig.1 Diagram of the microgrid system

式中，dc_C和dc_C分別為超級電容換流器直流側電壓和電流；ref_C為dc_C的參考值；為超級電容換流器下垂系數，=0.05/_max。

式中，dc_B、ref_B、dc_B分別為蓄電池換流器直流側的電壓值、電壓參考值及電流值；B為蓄電池換流器下垂系數，B=0.05/B_max。

式中，dc_E、ref_E、dc_E分別為電動汽車換流器直流側的電壓值、電壓參考值及電流值；為電動汽車換流器下垂系數，。

附圖2 電動汽車負荷優化流程

App.Fig.2 Flow chart of electric vehicle load optimization

[1] 葉暢, 曹侃, 丁凱, 等. 基于廣義儲能的多能源系統不確定優化調度策略[J]. 電工技術學報, 2021, 36(17): 3753-3764.

Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.

[2] 魯宗相, 李海波, 喬穎. 高比例可再生能源并網的電力系統靈活性評價與平衡機理[J]. 中國電機工程學報, 2017, 37(1): 9-20.

Lu Zongxiang, Li Haibo, Qiao Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE, 2017, 37(1): 9-20.

[3] 李海波, 魯宗相, 喬穎. 源荷儲一體化的廣義靈活電源雙層統籌規劃[J]. 電力系統自動化, 2017, 41(21): 46-54, 104.

Li Haibo、Lu Zongxiang、Qiao Ying. Bi-level optimal planning of generation-load-storage integrated generalized flexibility resource[J]. Automation of Electric Power Systems, 2017, 41(21): 46-54, 104.

[4] Hamidpour H, Aghaei J, Pirouzi S, et al. Flexible, reliable, and renewable power system resource expansion planning considering energy storage systems and demand response programs[J]. IET Renewable Power Generation, 2019, 13(11): 1862-1872.

[5] 余曉丹, 徐憲東, 陳碩翼, 等. 綜合能源系統與能源互聯網簡述[J]. 電工技術學報, 2016, 31(1): 1-13.

Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A brief review to integrated energy system and energy Internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.

[6] 吳界辰, 艾欣, 胡俊杰. 需求側資源靈活性刻畫及其在日前優化調度中的應用[J]. 電工技術學報, 2020, 35(9): 1973-1984.

Wu Jiechen, Ai Xin, Hu Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.

[7] Chen Xinyu, Lü Jiajun, McElroy M B, et al. Power system capacity expansion under higher penetration of renewables considering flexibility constraints and low carbon policies[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6240-6253.

[8] 陳保瑞, 劉天琪, 何川, 等. 考慮需求響應的源網荷協調分布魯棒長期擴展規劃[J]. 中國電機工程學報, 2021, 41(20): 6886-6900.

Chen Baorui, Liu Tianqi, He Chuan, et al. Distributionally robust coordinated expansion planning for generation and transmission systems with demand response[J]. Proceedings of the CSEE, 2021, 41(20): 6886-6900.

[9] 姜云鵬, 任洲洋, 李秋燕, 等. 考慮多靈活性資源協調調度的配電網新能源消納策略[J]. 電工技術學報, 2022, 37(7): 1820-1835.

Jiang Yunpeng, Ren Zhouyang, Li Qiuyan, et al. An accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1820-1835.

[10] 王明軍, 穆云飛, 孟憲君, 等. 考慮熱能輸運動態特性的電–熱綜合能源系統優化調度方法[J]. 電網技術, 2020, 44(1): 132-142.

Wang Mingjun, Mu Yunfei, Meng Xianjun, et al. Optimal scheduling method for integrated electro-thermal energy system considering heat transmission dynamic characteristics[J]. Power System Technology, 2020, 44(1): 132-142.

[11] 張風曉, 靳小龍, 穆云飛, 等. 融合虛擬儲能系統的樓宇微電網模型預測調控方法[J]. 中國電機工程學報, 2018, 38(15): 4420-4428, 4642.

Zhang Fengxiao, Jin Xiaolong, Mu Yunfei, et al. Model predictive scheduling method for a building microgrid considering virtual storage system[J]. Proceedings of the CSEE, 2018, 38(15): 4420-4428, 4642.

[12] 王成山, 劉夢璇, 陸寧. 采用居民溫控負荷控制的微電網聯絡線功率波動平滑方法[J]. 中國電機工程學報, 2012, 32(25): 36-43, 8.

Wang Chengshan, Liu Mengxuan, Lu Ning. A Tie-line power smoothing method for microgrid using residential thermostatically-controlled loads[J]. Proceedings of the CSEE, 2012, 32(25): 36-43, 8.

[13] 艾欣, 趙閱群, 周樹鵬. 空調負荷直接負荷控制虛擬儲能特性研究[J]. 中國電機工程學報, 2016, 36(6): 1596-1603.

Ai Xin, Zhao Yuequn, Zhou Shupeng. Study on virtual energy storage features of air conditioning load direct load control[J]. Proceedings of the CSEE, 2016, 36(6): 1596-1603.

[14] 黃馗. 風儲海水淡化聯產直流微電網的運行控制研究[D]. 北京: 華北電力大學, 2017.

[15] 杜麗佳, 靳小龍, 何偉, 等. 考慮電動汽車和虛擬儲能系統優化調度的樓宇微電網聯絡線功率平滑控制方法[J]. 電力建設, 2019, 40(8): 26-33.

Du Lijia, Jin Xiaolong, He Wei, et al. A Tie-line power smoothing control method for an office building microgrid by scheduling thermal mass of the building and plug-in electric vehicles[J]. Electric Power Construction, 2019, 40(8): 26-33.

[16] 李建林, 牛萌, 周喜超, 等. 能源互聯網中微能源系統儲能容量規劃及投資效益分析[J]. 電工技術學報, 2020, 35(4): 874-884.

Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 874-884.

[17] 代瓊丹, 楊莉, 林振智, 等. 考慮功能區差異性和虛擬儲能的綜合能源系統多元儲能規劃[J]. 電力自動化設備, 2021, 41(9): 182-190.

Dai Qiongdan, Yang Li, Lin Zhenzhi, et al. Multi-storage planning of integrated energy system considering functional area difference and virtual storage[J]. Electric Power Automation Equipment, 2021, 41(9): 182-190.

[18] 石慶均, 耿光超, 江全元. 獨立運行模式下的微電網實時能量優化調度[J]. 中國電機工程學報, 2012, 32(16): 26-35.

Shi Qingjun, Geng Guangchao, Jiang Quanyuan. Real-time optimal energy dispatch of standalone microgrid[J]. Proceedings of the CSEE, 2012, 32(16): 26-35.

[19] 朱建全, 段翩, 劉明波. 計及風險與源-網-荷雙層協調的電力實時平衡調度[J]. 中國電機工程學報, 2015, 35(13): 3239-3247.

Zhu Jianquan, Duan Pian, Liu Mingbo. Electric real-time balance dispatch via Bi-level coordination of source-grid-load of power system with risk[J]. Proceedings of the CSEE, 2015, 35(13): 3239-3247.

[20] 朱洋艷, 王致杰, 王鴻, 等. 基于分層控制的微電網混合儲能協調優化策略研究[J]. 太陽能學報, 2021, 42(3): 235-242.

Zhu Yangyan, Wang Zhijie, Wang Hong, et al. Research on hierarchical control of micro power grid hybrid energy storage coordination optimization strategy[J]. Acta Energiae Solaris Sinica, 2021, 42(3): 235-242.

[21] 鮑薇, 胡學浩, 李光輝, 等. 提高負荷功率均分和電能質量的微電網分層控制[J]. 中國電機工程學報, 2013, 33(34): 106-114, 18.

Bao Wei, Hu Xuehao, Li Guanghui, et al. Hierarchical control of microgrid to improve power sharing and power quality[J]. Proceedings of the CSEE, 2013, 33(34): 106-114, 18.

[22] 梁寧, 鄧長虹, 譚津, 等. 計及電量電價彈性的主動配電網多時間尺度優化調度[J]. 電力系統自動化, 2018, 42(12): 44-50.

Liang Ning, Deng Changhong, Tan Jin, et al. Optimization scheduling with multiple time scale for active distribution network considering electricity price elasticity[J]. Automation of Electric Power Systems, 2018, 42(12): 44-50.

[23] 靳小龍, 穆云飛, 賈宏杰, 等. 融合需求側虛擬儲能系統的冷熱電聯供樓宇微電網優化調度方法[J]. 中國電機工程學報, 2017, 37(2): 581-591.

Jin Xiaolong, Mu Yunfei, Jia Hongjie, et al. Optimal scheduling method for a combined cooling, heating and power building microgrid considering virtual storage system at demand side[J]. Proceedings of the CSEE, 2017, 37(2): 581-591.

[24] 湯翔鷹, 胡炎, 耿琪, 等. 考慮多能靈活性的綜合能源系統多時間尺度優化調度[J]. 電力系統自動化, 2021, 45(4): 81-90.

Tang Xiangying, Hu Yan, Geng Qi, et al. Multi-time-scale optimal scheduling of integrated energy system considering multi-energy flexibility[J]. Automation of Electric Power Systems, 2021, 45(4): 81-90.

[25] 李悅強, 蔡旭, 賈鋒. 大型風電機組最大功率曲線自校正方法[J]. 電網技術, 2017, 41(10): 3269-3276.

Li Yueqiang, Cai Xu, Jia Feng. Self-correction method for maximum power curves of large wind turbines[J]. Power System Technology, 2017, 41(10): 3269-3276.

[26] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統計學建模方法[J]. 電網技術, 2010, 34(11): 126-130.

Tian Liting, Shi Shuanglong, Jia Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[27] 劉東, 陳云輝, 黃玉輝, 等. 主動配電網的分層能量管理與協調控制[J]. 中國電機工程學報, 2014, 34(31): 5500-5506.

Liu Dong, Chen Yunhui, Huang Yuhui, et al. Hierarchical energy management and coordination control of active distribution network[J]. Proceedings of the CSEE, 2014, 34(31): 5500-5506.

[28] 趙興勇, 楊濤, 王靈梅. 基于復合儲能的微電網運行方式切換控制策略[J]. 高電壓技術, 2015, 41(7): 2142-2147.

Zhao Xingyong, Yang Tao, Wang Lingmei. Control strategy for operation modes transfer of micro-grid based on hybrid energy storage system[J]. High Voltage Engineering, 2015, 41(7): 2142-2147.

[29] 丁明, 張穎媛, 茆美琴, 等. 包含鈉硫電池儲能的微電網系統經濟運行優化[J]. 中國電機工程學報, 2011, 31(4): 7-14.

Ding Ming, Zhang Yingyuan, Mao Meiqin, et al. Economic operation optimization for microgrids including Na/S battery storage[J]. Proceedings of the CSEE, 2011, 31(4): 7-14.

[30] 王蕭博, 黃文燾, 邰能靈, 等. 一種源-荷-儲協同的電熱微網聯絡線功率平滑策略[J]. 電工技術學報, 2020, 35(13): 2817-2829.

Wang Xiaobo, Huang Wentao, Tai Nengling, et al. A tie-line power smoothing strategy for microgrid with heat and power system using source-load-storage coordination control[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2817-2829.

[31] 張明銳, 謝青青, 李路遙, 等. 考慮電動汽車能量管理的微電網儲能容量優化[J]. 中國電機工程學報, 2015, 35(18): 4663-4673.

Zhang Mingrui, Xie Qingqing, Li Luyao, et al. Optimal sizing of energy storage for microgrids considering energy management of electric vehicles[J]. Proceedings of the CSEE, 2015, 35(18): 4663-4673.

[32] 曹一家, 苗軼群, 江全元. 含電動汽車換電站的微電網孤島運行優化[J]. 電力自動化設備, 2012, 32(5): 1-6.

Cao Yijia, Miao Yiqun, Jiang Quanyuan. Optimal operation of islanded microgrid with battery swap stations[J]. Electric Power Automation Equipment, 2012, 32(5): 1-6.

[33] 郝麗麗, 王國棟, 王輝, 等. 考慮電動汽車入網輔助服務的配電網日前調度策略[J]. 電力系統自動化, 2020, 44(14): 35-43.

Hao Lili, Wang Guodong, Wang Hui, et al. Day-ahead scheduling strategy of distribution network considering electric vehicle-to-grid auxiliary service[J]. Automation of Electric Power Systems, 2020, 44(14): 35-43.

Multi-Time-Scale Energy Optimization and Zone Coordinated Control of DC Microgrid Source-Load-Storage Based on Virtual Energy Storage

Zhang Xiangyu Shu Yinan Fu Yuan

（State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Baoding 071003 China）

The source-load-storage in the DC microgrid takes the form of virtual energy storage, which is easy to improve the operating performance of the system through multi-time-scale energy optimization and coordinated control. Firstly, the charging and discharging characteristics of capacitor energy storage are simulated by wind power and controllable load, and a virtual energy storage system model with multiple flexible resources is constructed and integrated into the DC microgrid. In the optimal dispatch model, the charging and discharging management of the virtual energy storage system is used to complete the economic regulation of the system. Secondly, to deal with unplanned power fluctuations, a two-layer scheduling framework is introduced. Under the premise of ensuring the upper-level energy optimization of economic operation, a short-time source-load-storage zone coordination control is proposed to enhance the reliability of microgrid operation, which is based on virtual energy storage. Finally, the simulations have verified that virtual energy storage can fully stimulate the coordinated regulation potential of the source-load-storage in the DC microgrid under multi-time-scale, and improve the system operation economy and safety.

Virtual energy storage, flexible resources, supercapacitors, energy management, coordinated control

10.19595/j.cnki.1000-6753.tces.220757

TM73

國家自然科學基金項目（52277100）和河北省重點研發計劃項目（21312102D）資助。

2022-05-07

2022-08-03

張祥宇 男，1984年生，副教授，博士，研究方向為新能源發電與智能電網。E-mail：zh.xy.sq@163.com

舒一楠 女，1996年生，碩士研究生，研究方向為新能源發電與儲能控制技術。E-mail：853639185@qq.com（通信作者）

（編輯 赫蕾）