基于多能源系統的微電網經濟優化調度

郭晶晶

（國電南瑞吉電新能源（南京）有限公司）

0 引言

微電網（MG）可作為本地電源直接向負荷中心供電（孤島模式）或連接到配電網。MG被認為是傳統集中式網絡問題的解決方案，直接位于負荷中心的小型發電廠的優勢在于減少功率損耗、提高效率和減少供電干擾。可再生能源的使用對環境產生了良好的影響。多能源系統微電網（MESM）互聯可增強系統抵御極端天氣條件和自然災害的能力，進而提高整個電網的穩定性。經濟調度（ED）的目標是確定機組的最優調度，從而在滿足運行約束的前提下使發電成本最小化［1-3］。本文提出了粒子群優化方法，用于解決MESM系統中發電機組和可再生能源的經濟調度問題。在該方法中，根據可再生能源和發電機組參與的特性計算微電網經濟成本。

1 多能源系統微電網模型

1.1 多能源系統微電網影響因素

在多能源系統微電網中，包括了不同能源的供應和利用，例如太陽能、風能、蓄電池能量等。為了實現微電網的經濟優化調度，需要開發和應用合適的優化算法，如基于遺傳算法、模糊控制、人工智能等方法，通過建立數學模型和優化目標函數，從而獲得最優的能源調度策略［4-5］。

對于智能電網系統來說，協調MG和配電網之間的操作非常重要。此組合目的是通過能量交換和合作解決單個媒介或單個微電網無法解決的問題。通過經濟優化調度策略，可以最大程度地提高多能源系統微電網的經濟效益，降低能源的成本，提高能源利用效率，減少對主電網的依賴，實現能源的可持續發展。

1.2 目標函數

經濟調度是指將負荷分配到每個發電機組上，以便獲得能夠以最佳成本滿足負荷需求的組合發電機組，或者從發電機組合中找出輸出功率的最佳值，目的是將發電總成本降至最低，并滿足平等和不平等約束。在傳統經濟調度中，總發電量需滿足總負載需求：

式中，PGi為第i臺發電機產生的有功功率；PD為需求功率，可從發電機組的輸入和輸出特性中觀察到。發電量受發電機組的最小和最大容量限制如下：

式中，PGimax、PGimin分別是發電機能力的上限和下限。成本函數FG可以通過如下所示的二次函數近似。

式中，FGi為第i個發電機的成本系數。

功率輸出受到MG的最小和最大容量的限制，其能量來源如式（5）所示：

MG的總發電成本計算公式如下：

在式（8）中，當PMGj為正時，表示提供給電網的有功功率MGj，λj為MGj的銷售價格；當PMGj為負時，表示從電網輸出到MGj的功率，λj為MGj購買價格。

MG與MESM系統的互連將影響系統的操作，包括每個系統的負載分配發電機組。每個發電機組上的負荷分配基于成本最低的組合機組。MESM的總發電成本計算如下：

式中，FMESM、FMG、FG分別是系統運行的總成本、多能源系統分配的MG成本以及發電廠的成本。

1.3 約束條件

發電廠通常由裝機容量超過數千兆瓦的大型天然氣發電廠組成。容量為數十兆瓦或更大的發電機通常連接到電網并與電力系統合作。具有可再生能源的MG可以作為虛擬負荷以需求響應的形式參與調度系統，MG的發電廠必須首先滿足自身的負荷。如果MG中的功率過剩，則MG向MESM系統供電。如果微電網系統不能滿足其自身的要求，則從MESM系統獲取功率。進入系統的MG參與調度MESM系統需考慮MG作為負載或發電機的特性。此外，還有一些研究者使用MG可再生能源。它必須根據歷史數據和環境因素以及MG上的負載進行估計。因此，由于MG可再生能源的間歇性和當地負荷的隨機性，MG輸出在不同時期會發生變化，MG輸出有時為正值，有時為負值。

2 經濟優化調度算法

粒子群算法（PSO）指每個粒子由兩個矢量Si和xi描述；在粒子群的每個移動步長中，每個粒子都由兩個值更新。第一個值是粒子i的最佳先驗位置，稱為最好值pbi，并使用適應度函數進行計算。第二個值是所有pbi最好的粒子中最好的粒子，稱為最好值gbi，任何粒子都會通過以下關系更新其新的速度和位置：

式中，c1、c2為加速度常數范圍［0，2］；r1、r2為［0，1］范圍內的均勻隨機值；pbi表示粒子3i的最佳先驗值；gbi表示pbi粒子里的最佳值；Si、xi分別表示粒子i的位置矢量和速度；k表示迭代次數；W表示慣性權重因子；iter表示當前迭代次數；Wmin、Wmax分別表示最小和最大慣性權重系數。

PSO算法步驟描述如下：

（1）讀取數據系統和PSO參數，對象特征、數量粒子、種群大小、數量迭代、認知和社會參數以及約束因子。

（2）初始化，隨機初始化速度和位置矢量。

（3）適應度評估，使用目標函數評估每個粒子的位置。

（4）記憶更新，更新了pbi和gbi，如式（10）所示：

（5）更新速度和位置，使用式（8）和（9）更新所有粒子的速度和位置矢量。

（6）終止過程，當達到最大代數時終止過程，如果終止條件不滿足，則下一步是適應度評估。此過程持續重復，直到達到終止參數。

3 實例分析

該方法被應用于由四個發電機組和兩個可再生能源的MG單元組成的微電網系統，構成MESM單線系統。MESM提供的每日負荷曲線如圖1所示。

圖1 MESM 系統日負載曲線

MG1和MG2具有可控和不可控功率輸出。DG控制的功率輸出容量分別為MG1和MG2的6MW 和8MW。不可控功率輸出為MG1和MG2上光伏預測的功率輸出。MG1和MG2是基于光伏的DG。因此，MG1為6：00～17：00的負載提供電力，MG2為7：00～18：00的負載提供電力。MG2的24h輸出功率預測如圖2所示。

圖2 MG2預測功率及負荷數據

當光伏輸出功率和功率輸出可控MG大于本地負載MG時，向系統供應電量。相反，在光伏輸出功率和功率輸出可控MG小于本地負載MG時，則購買電量。系統的MG1售價為135元／MW，MG2售價為140元／MW。從該系統購買MG1和MG2的價格為110元／MW。盡管購買價格低于出售價格，MG必須始終以其最大功率運行。本文將粒子群算法用于求解優化問題。迭代次數設置為1000，粒子數設置為500。使用本文中的粒子群算法。

圖3顯示了四個發電機組和兩個基于MG的可再生能源（RES）功率的輸出。圖中顯示了最便宜的發電機組分別是G2、G4、Gl和G3。發電機組的平均發電量為84.97%，尤其是在不可控MG2的情況下。G4、G1和G3機組的平均發電量分別為67.84%、43.18%和36.04%。G2和G4發電機組在16：00～19：00的時間段內達到最大發電量55MW，此時負荷仍然很大，而不可控發電機MG1和MG2開始下降。MG1在7：00～11：00的時間段內從發電機組獲得電源，此時MG1的本地電源無法滿足負載。在另一段時間內，MGl系統具有正值，這意味著MGl能夠向系統（電網）出售電能。MG1可出售的總能量為135MW，購買量為19MW，因此24h內可節省1116MW。MG2始終為正值，這意味著在24h內，MG2能夠滿足本地負載，包括不可控MG2無法提供電源時。MG2在24h內向系統出售的總功率為182MW。

圖3 發電機組及MG可再生能源24h功率

圖4顯示了含有和不含MG可再生能源系統的最低成本。在1：00～6：00的時間段內，使用和不使用MG的運營成本幾乎相同。在7：00～16：00的時間段內，使用MG的運營成本比未使用MG低，而在17：00～24：00的時間段內，使用MG的運營成本比未使用MG高。總體而言，使用MG的系統的運行成本要低于沒有使用MG的系統。不使用MG可再生能源的最低運營成本為50.8386萬元，使用MG可再生能源的最低運營成本為50.1169萬元。因此，使用MG可再生能源運行的微電網系統可降低運營成本7.2165萬元。

圖4 MESM 系統在24h內的最小運行成本

4 結束語

本文將多組微電網與可再生能源微電網結合到MESM系統中，可以最大限度地減少發電機組或傳統發電機的功率輸出，并最大限度地提高微電網可再生能源的功率輸出。未使用MG可再生能源時，最低運營成本為50.8386萬元，使用MG可再生能源成本為50.1169萬元，總共節省了7.2165萬元的成本。使用MG可再生能源的MESM系統的運行成本低于未使用MG的運行成本，MESM系統最大限度地利用可再生能源實現微電網功率輸出，并降低電力系統總體運營成本。